Trait Ement Signal

Traitement du Signal
Dr Joseph Diène NDAW
Master DIC2 IEI

Année: 2023/2024
Dr NDAW () Traitement du signal IPG 2023/2024 1 / 168

Plan
1 Classification
des signaux 3 Traitement du 5 Modulations 7 Échantillonnage
Systèmes signal avec analogiques 8 Étude signaux
Signaux matlab Modulation numériques
particuliers Quelques d’amplitude Transformée
2 Transformée de fonctions Modulation de Fourier
Fourier signal de fréquence Discret
Développement série de Modulation Tranformée
en série de Fourier de phase de Fourier
Fourier 4 Filtres 6 Bruit et
rapide
Propriétés Produit de signaux
Transformée
Transformée convolution aléatoires
en Z
de Fourier Filtrage Bruit
Transformée Corrélation Rapport
de Laplace Densité signal sur
Transformée spectrale bruit
de Dr
Laplace
NDAW () Traitement du signal IPG 2023/2024 2 / 168
Introduction
Définitions
Qu’est-ce qu’un signal ?

Introduction
Définitions

Le signal est la représentation physique de l’information qu’il
transporte. C’est une manifestation physique d’une grandeur
mesurable (courant, tension, force, température, pression,).

Introduction
Définitions

Le signal est une fonction qui représente l’évolution dans le temps
d’une quantité physique, noté s(t).

Introduction
Définitions

Qu’est-ce que le bruit ?

Introduction
Définitions

Qu’est-ce que le bruit ?
Le bruit est un phénomène perturbateur gênant la perception ou
l’interprétation d’un signal. Exple : le bavardage en classe !
Certains phénomènes électromagnétiques d’origine galactique captés’
par des antennes sont considérés comme du bruit par les ingénieurs
des télécommunications et comme un signal du plus haut intérêt par
les radioastronomes !

Introduction
Définitions
Qu’est-ce que la théorie du signal ?

Introduction
Définitions

La théorie du signal a pour objectif la description mathématique des
signaux. Cette représentation permet de mettre en évidence les
caractéristiques du signal (distribution fréquentielle, énergie, )
Qu’est-ce que la traitement du signal ?

Introduction
Définitions

La théorie du signal a pour objectif la description mathématique des
signaux. Cette représentation permet de mettre en évidence les
caractéristiques du signal (distribution fréquentielle, énergie, )
Qu’est-ce que la traitement du signal ?
Le traitement du signal est la discipline technique qui s’appuie sur les
ressources de l’électronique, de l’informatique et de la physique
appliquée pour élaborer ou interpréter des signaux.
C’est une science qui analyse et interprète les informations contenues
dans le signal.

Introduction
Définitions
Qu’est-ce que la traitement de l’information ?

Introduction
Définitions
Qu’est-ce que la traitement de l’information ?

Il permet d’évaluer les performances des systèmes de transfert
d’informations, en particulier lorsque le signal porteur de message est
“bruité”.
L’ensemble des concepts et méthodes développés dans le traitement
de l’information et du signal forme la théorie de la communication.

Introduction
Fonctions du traitement du signal
Les fonctions du traitement du signal sont de deux ordres ou

catégories : l’élaboration et l’interprétation des signaux.
− Élaboration de signaux : pour l’élaboration des signaux nous avons la
synthèse ou création de signaux de forme appropriée (combinaison de
signaux élémentaires), la modulation qui peut constituer en
changement de fréquence (de phase, d’amplitude) afin d’adapter un
signal aux caractéristiques fréquentielles du canal de transmission, le
codage : traduction en code binaire (passage de l’analogique au
numérique).

Introduction
Fonctions du traitement du signal
− Pour l’interprétation des signaux, nous avons le filtrage (élimination

de certaines composantes indésirables), la détection (extraction du
signal d’un bruit de fond avec la corrélation), l’identification
(classement d’un signal dans des catégories), l’analyse (isolement des
composantes essentielles à partir de la transformée de Fourier), la
mesure (estimation d’une grandeur caractéristique d’un signal,
exemple : valeur moyenne)

Introduction
Représentation Signal
La représentation temporelle est basée sur l’évolution du signal en

fonction du temps
La représentation temporelle d’un signal est définie par une fonction
x (t), réelle ou complexe, de la variable réelle temps t qui doit
approcher au mieux les informations contenues dans le signal. La
dénomination fonction est prise au sens le plus général du terme, i.e.,
x (t) peut être une suite discrète, une fonction de la variable continue
ou une distribution.
Le traitement du signal s’applique à tous les signaux physiques (signal
électrique, onde acoustique, signal optique, signal magnétique, signal
radioélectrique, etc.).
Les domaines d’applications : télécommunications, reconnaissance de
formes, traitement dimage, robotique, IA,...

Classification des signaux
CLASSIFICATION

Différents types de classifications sont utilisés :

− représentation temporelle des signaux ;
− caractéristique énergétique ;
− représentation spectrale ;
− caractéristique morphologique (continu ou discret).

Classification temporelle
Les signaux peuvent être classifiés en signaux déterministes et signaux

aléatoires (suivant la nature de l’évolution du signal en fonction du
temps)
Signal déterministe : Son évolution est toujours prédictible par un
modèle mathématique approprié (signal certain). Exemple
S(t) = A sin(2πt/T + φ). On connait les phénomènes physiques qui
les engendrent.
Signal aléatoire : évolution non prévisible, non reproductible d’une
expérience à l’autre (signal probabiliste). On se fie aux observations
statistiques


Un signal s(t) est dit périodique s’il existe un nombre positif T0 tel
que :
s(t) = s(t + T0 ) (1)
s(t) = A cos(2πt/T0 + φ)
Le plus petit des nombres positifs T0 est période du signal.
Un signal pour lequel il n’existe aucune valeur T0 satisfaisant à la
relation de periodicité (1) est dit non périodique ou apériodique.

Les signaux non périodiques se composent d’une part des signaux

pseudo-périodiques formés d’une somme de sinusoı̈des de périodes
différentes et d’autre part des signaux transitoires dont l’existence est
limitée dans le temps.
Les signaux aléatoires sont dits stationnaires lorsque leur valeur
moyenne est indépendante du temps.
Un signal aléatoire est stationnaire si ses propriétés statistiques sont
invariantes par translation dans le temps.
Les signaux stationnaires sont ergodiques si la moyenne statistique à
un instant donné est égale à la moyenne temporelle

Classification morphologique
Une autre classification des signaux est la classification en signaux

continus et signaux discrets
Signal continu : C’est un signal modélisable, la plupart du temps,
par une fonction x (t) continue par intervalles au sens mathématique
du terme, ou par une distribution.
Signal discret : C’est un signal dont un modèle peut être une
fonction définie par l’ensemble des valeurs x ,. qu’elle prend sur un
ensemble dénombrable to ,t1 , ... ,tn , ... de valeurs de la variable (la
différence ti+1 − ti ; étant en général constante).


La numérisation d’un signal consiste à faire passer un signal de la

représentation dans le domaine des temps et des amplitudes continus
au domaine des temps et des amplitudes discrets. Elle peut être
décomposée en deux étapes principales : échantillonnage et
quantification.
La restitution (ou l’interpolation) constitue le processus inverse qui
intervient lors du passage du signal numérique au signal analogique
f=60 ; N=256 ; Te=1/1024 ;
t=0 :Te :(N-1)*Te ;
x=cos(2*pi*f*t) ; plot(t,x) ;

Classification énergétique
Puissance instantannée p(t) = x (t) ∗ x ∗ (t) =| x (t) |2

R +∞
Énergie E = −∞ | x (t) |2 dt
Z +T /2
Puissance moyenne Pm = lim 1
| x (t) |2 dt
T →∞ T −T /2

Classification énergétique
Deux classes énergétiques : Signaux d’énergie finie et Signaux de

puissance moyenne finie
E < ∞ ⇒ Signal d’énergie finie(Pm = 0)
Pm < ∞ ⇒ Signal de puissance finie(E = ∞)

Classification spectrale
La représentation temporelle rend difficilement compte de la nature

physique des processus.
La représentation temporelle d’un signal ne permet pas toujours de
répondre à la question que l’on veut traiter.
Un signal peut être classé suivant la distribution de son amplitude, de
son énergie ou de sa puissance en fonction de la fréquence. Le
domaine des fréquences occupé par son spectre ∆F est aussi appelé
la largeur de bande spectrale du signal.

Classification des signaux Systèmes
Les types de systèmes
Un système est un ensemble organisé d’éléments destinés à remplir

une fonction physique. Il est souvent représenté par un schéma qui
met en relation de cause à effet des grandeurs dites d’entrée e(t) et
des grandeurs dites de sortie s(t).
Organe physique qui transforme un signal d’entrée en un signal de
sortie
Différents types de systèmes sont utilisés
Système à temps continu :Dans le langage courant des systèmes,
on appelle très souvent système “continu” un système dont les
signaux d’entrée et de sortie sont “continus”. C’est en fait une
expression contractée pour “Systèmes à signaux continus”. On les
appelle aussi systèmes analogiques.

Les types de systèmes
Système à temps discret :C’est un système conçu pour fonctionner

avec des signaux d’entrée et de sortie discrets.
Système hybride : C’est un système faisant intervenir des signaux à
temps continu et des signaux à temps discrets.
Système passif et système actif On appelle élément actif un
élément capable de délivrer une énergie supérieure à celle qu’il reçoit
(le transistor) sont des éléments actifs. Tout élément qui n’est pas
actif est dit passif. Un système passif est exclusivement composé
d’éléments passifs et un système actif lorsqu’il contient au moins un
élément actif.

Les types de sytèmes
Système à éléments localisés C’est un système décomposable en un

nombre fini d’éléments, possédant chacun un nombre fini d’entrées et
de sorties, dont les grandeurs de sortie s’expriment au moyen des
grandeurs d’entrées, de leurs dérivées et de leurs primitives.
Système mathématiquement continu Soit en (t) une suite
d’excitations et sn (t) les réponses associées. Le système est dit
mathématiquement continu si la réponse à lim en (t) est égale à
n→∞
lim sn (t) et ceci quelle que soit la suite en (t).
n→∞

Les types de système
Système causal Un système est dit causal (ou non anticipatoire) si la

réponse à toute excitation causale est causale. En d’autres termes, la
réponse ne peut prendre naissance avant que n’ait été appliquée
l’excitation.
Système invariant ou stationnaire Un système est dit invariant si,
lorsqu’on appelle s(t) la réponse à une excitation e(t), la réponse à
e(t − to) est s(t − t0) quel que soit to constant. Autrement dit, un
système est invariant si la réponse à une excitation donnée est
indépendante de la date à laquelle s’effectue l’expérience.
Système instantané et système à mémoire Un système est dit
instantané ou sans mémoire si sa réponse à un instant donné dépend
uniquement de la valeur du signal d’entrée au même instant. Un
système non instantané est appelé système à mémoire ou à temps
différé .

Système invariant
On désigne souvent par filtre un système invariant.

Un système est invariant si une translation du temps appliquée à
l’entrée se retrouve à la sortie
Deux instants t1 et t2 = t1 + τ , x1 à l’instant t1 x2 à l’instant t2 ,
s2 (t) = s1 (t + τ )
De l’observation du phénomène physique à la décision, il y a 4
fonctions de base : l’acquisition, la transmission, la mise en forme et
l’interprétation (la décision)

Classification des signaux Signaux particuliers
échelon unité ou Heaviside
C’est le signal de la fonction Heaviside est définie par :

(
1 si t > 0
u(t) =
0 si t < 0
Il permet de rendre un signal quelconque causal

échelon unité ou Heaviside
Utilisée pour modéliser des changements soudains ou des

commutations dans les systèmes dynamiques. Représentation du
moment où un interrupteur est activé dans un circuit électrique
Pour définir des fonctions de transfert qui décrivent le comportement
d’un système dynamique en réponse à une entrée
Permet de décrire des signaux qui s’allument ou s’éteignent à un
moment précis. Elle est souvent utilisée pour définir des signaux
rectangulaires
Elle sert donc à modéliser des transitions abruptes ou des événements
instantanés

La fonction impulsion
La fonction impulsion unitaire δ(t) , appelée aussi fonction de Dirac,

nest pas une fonction au sens propre du terme ; elle est définie par
une intégrale : Z +∞
f (t)δ(t)dt = f (0)
−∞
f (t) est une fonction quelconque.

Z +∞
δ(t)dt = 1
−∞
x (t).δ(t − t0 ) = x (t0 )δ(t − t0 )

La fonction impulsion
La fonction impulsion est utilisée pour définir la réponse

impulsionnelle d’un système
Est utilisée dans des opérations de convolution
En théorie de la communication et du signal, la fonction impulsion est
utilisée pour décrire des signaux impulsionnels idéaux.
La fonction impulsion est souvent utilisée pour définir des fonctions
de transfert
Est associée au concept d’échantillonnage

La fonction porte
La fonction porte ou rectangle est définie par :

(
1 si −1/2 ≤ t ≤ 1/2
Π(t) =
0 ailleurs
Elle découpe dans un signal une portion de durée définie

La fonction porte
Modélise des signaux qui sont actifs sur une période spécifique et nuls
en dehors de cette période
La fonction porte est utilisée dans des opérations de convolution
Intervient dans l’analyse de systèmes linéaires invariants dans le temps
Elle peut représenter le temps pendant lequel un signal continu est
échantillonné
Modélise des phénomènes qui sont actifs sur un intervalle fini

La fonction signe
(
1 si t > 0
s(t) =
−1 si t < 0

La fonction signe
Elle peut être utilisée pour identifier les intervalles où une fonction est
positive, nulle ou négative
Est utilisée pour modéliser des systèmes dynamiques ou des
comportements de commutation
utilisée dans des algorithmes de contrôle automatique pour
déterminer la direction d’une correction nécessaire. Par exemple, dans
un régulateur proportionnel-intégral-dérivé (PID)
Est utilisée dans le traitement du signal pour extraire des informations
sur le signe d’une onde ou d’un signal
Pour définir des conditions aux limites en fonction de la direction de
l’évolution de la solution des équations différentielles

Fonction triangle
 h i
1 − 2 t si t ∈ 0, T2
T
s(t) = h i
1 + 2 t si t ∈ − T2 , 0
T

Fonction triangle
Elle peut être utilisée pour représenter des signaux de forme d’onde
qui s’élèvent graduellement, atteignent un maximum, puis diminuent
de manière symétrique
a fonction triangle est parfois utilisée dans des techniques
d’interpolation pour reconstruire un signal continu à partir
d’échantillons discrets
La fonction triangle est utilisée dans des opérations de convolution
pour modéliser la réponse de systèmes à des signaux triangulaires
Pour modéliser des variations linéaires sur un intervalle borné

Rampe
C’est le signal défini par : r = t u(t)

(
t si t > 0
r (t) =
0 si t ≤ 0

Rampe
Pour modéliser des signaux qui croissent linéairement sur un intervalle

spécifié.
Utilisée pour modéliser des changements progressifs dans les états
d’un système
Pour concevoir des filtres numériques ou des fenêtres de filtrage
Pour modéliser des trajectoires progressives ou des commandes
d’augmentation linéaire (automatique)
Modélise des phénomènes qui impliquent des changements progressifs
ou linéaires

La fonction sinus cardinal
sin πt
sinc(t) =
πt

La fonction sinus cardinal
Pour représenter la réponse en fréquence d’un filtre idéal passe-bas.

La fonction sinc apparaı̂t dans le contexte du théorème
d’échantillonnage de Shannon-Nyquist
Utilisée pour l’interpolation dans le domaine du traitement du signal
La fonction sinc est parfois utilisée en traitement d’image pour la
conception de filtres.
Elle est particulièrement utile pour décrire des phénomènes liés à la
fréquence et à la transformation de Fourier

Transformée de Fourier
TRANSFORMATION DE FOURIER

Transformée de Fourier Développement en série de Fourier
Définitions
Le lien entre la représentation temporelle et la représentation

fréquentielle d’un signal est la décomposition en série de Fourier
(pour les signaux périodiques) ou la transformée de Fourier (signaux
non périodiques)
Si s(t) est une fonction de t périodique, de période T0 = F10 , elle peut
s’écrire sous la forme d’une somme de fonctions sinusoı̈dales de
fréquences f multiples de la fréquence F0 , dite fondamentale.
La transformée de Fourier (série et transformée) permet de
décomposer un signal complexe en une somme de signaux simples,
chacun associé à une fréquence spécifique.

Définitions
C’est une méthode d’analyse qui permet de passer du domaine

temporel au domaine fréquentiel
La transformation de Fourier permet de décomposer un signal en
différentes composantes fréquentielles.
Permet de calculer le spectre de puissance d’un signal, montrant
comment l’énergie du signal est répartie dans différentes bandes de
fréquences.
Facilite l’analyse et le traitement de signaux complexes dans divers
domaines scientifiques et techniques.

Définitions
∞
X
s(t) = a0 + [an cos(2πnF0 t) + bn sin(2πnF0 t)] (2)
n=1
Z T0
1
a0 = s(t)dt (3)
T0 t=0
Z T0
2
an = s(t) cos(2πnF0 t)dt (4)
T0 t=0
Z T0
2
bn = s(t) sin(2πnF0 t)dt (5)
T0 t=0

Définitions
∞
X
L’équation (2) s’écrit aussi s(t) = a0 + cn cos[(2πnF0 t) + φn ]
n=1
q
cn = an2 + bn2 et φn = Arctan(− bann )
Série de Fourier à coefficients complexes
La décomposition sous forme exponentielle est donnée par :
+∞
X
x (t) = X (nF0 )e jn2πF0 t
n=−∞
R t0 +T0
X (nF0 ) = 12 (an − jbn ) = 1
T0 t0 x (t)e −jn2πF0 t dt n ≥ 1 (spectre)
q
1 cn
| X (nF0 ) |= 2 an2 + bn2 = 2

Définitions
Le spectre de fréquence est donné par les tracés de | cn (nF0 ) | en

fonction de F (le spectre d’amplitude) et de φn (spectre de phase)
Autre appelation : spectre de fréquences discrètes et de raies
spectrales
Avec l’utilisation du pic de Dirac, le spectre s’écrit
+∞
X
X (f ) = X (nF0 ).δ(f − nF0 )
n=−∞
Elle facilite l’analyse et le traitement des signaux

Exemple
Exemple : x (t) = cos(2πF0 t)

Exemple

Z T0
1
a0 = T0 cos(2πF0 t)dt
0

Exemple

Z T0
1
h0 i T0
1 1
a0 = T0 2πF0 sin(2πF0 t) =0
Z T0 0
2
an = T0 [cos(2πF0 t) cos(2πnF0 t)]
0

Exemple

Z T0
1
h0 i T0
1 1
a0 = T0 2πF0 sin(2πF0 t) =0
Z T0 0
2
an = T0 [cos(2πF0 t) cos(2πnF0 t)]
0Z
T0
2 1
an = T0 2 [cos(2πF0 (n + 1)t) + cos(2π(n − 1)F0 t)] dt
0

Exemple
a 1 = 1 Z an = 0
T0
bn = T20 [cos(2πF0 t) sin(2πnF0 t)] dt
0

Exemple
a 1 = 1 Z an = 0
T0
0Z
T0
2 1
bn = T0 2 [sin(2πF0 (n + 1)t) + sin(2π(n − 1)F0 t)] dt
0

Exemple
a 1 = 1 Z an = 0
T0
0Z
T0
2 1
bn = T0 2 [sin(2πF0 (n + 1)t) + sin(2π(n − 1)F0 t)] dt
0
bn = 0
X (F0 ) = 12 (a1 − jb1 ) = 21
X (f ) = 12 [δ(f − F0 ) + δ(f + F0 )]

Transformée de Fourier Propriétés
Propriétés
Linéarité
Soient deux signaux x (t) et y (t) avec les séries Fourier
correspondantes X (f ) et Y (f )
A.x (t) + B.y (t) est transformé en A.X (f ) + B.Y (f )
Parité
Si la fonction x (t) est paire alors les coefficients bn sont nuls
Si la fonction x (t) est impaire alors les coefficients an sont nuls

Transformée de Fourier Propriétés
Propriétés
Translation
x (t − θ) est transformée en X (f ).e −j2πθf

Transformée de Fourier Transformée de Fourier
Définitions
Pour étendre l’expression des séries de Fourier à des fonctions non

périodiques, on introduit la notion de transformée de Fourier
La transformée de Fourier des signaux non périodiques est une
extension de la série de Fourier de signaux périodique de période
infinie Z +∞
X (f ) = x (t).e −j.2.π.f .t .dt (6)
−∞

Condition d’existence
La transformée de Fourier d’une fonction x (t) existe si

− x (t) est une fonction bornée ;
Z +∞
− x (t) · dt a une valeur finie ;
−∞
− les discontinuités de x(t) ainsi que les maxima et minima sont en
nombre fini.
Mais pour que la transformée de Fourier de x (t) existe et soit
réciproque, il suffit que x (t) soit une fonction de carré sommable. i.e
x (t) et sa transformée de Fourier soient à énergie finie.

Propriétés
Linéarité (superposition)
a · x (t) + b · y (t) a la fonction a · X (f ) + b · Y (f ) comme transformée
de Fourier
Homothétie ou Changement d’échelle
F 1
x (at) ←→ |a| · X ( fa )
Translation
F
x (t − a) ←→ X (f ) · e −j2πaf
F
x (t) · e j2πbt ←→ X (f − b)

Propriétés
Parité
Si x (t) est un réel (quelconque) alors X (f ) est complexe (parties
réelle et imaginaire)
Si x (t) est réel pair alors X (f ) est réel pair
Si x (t) est réel impair alors X (f ) est imaginaire impair
Si x (t) est imaginaire quelconque alors X (f ) est complexe (parties
réelle et imaginaire)
Si x (t) est imaginaire pair alors X (f ) est imaginaire pair
Si x (t) est imaginaire impair alors X (f ) est réel impair
Si x (t) est complexe pair alors X (f ) est complexe pair
Si x (t) est complexe impair alors X (f ) est complexe impair

Propriétés
Dérivation
dx (t) F
dt ←→ (j2πf ) · X (f )
d n x (t) F
dt n ←→ (j2πf )n · X (f )
Dualité
F
X (t) ←→ 2πx (−f )

Propriétés
F
δ(t) ←→ 1
F
δ(t − t0 ) ←→ e −j2πft0
F
1 ←→ 2πδ(2πf )
F
e −j2πF0 t ←→ 2πδ(2πf − 2πF0 )
F
cos(2πF0 t) ←→ πδ(f − F0 ) + πδ(f + F0 )
F
sin(2πF0 t) ←→ πδ(f − F0 ) + jπδ(f + F0 )
F 1
u(t) ←→ πδ(2πf ) + j2πf
F
e −at u(t), a > 0, ←→ 1
j2πf +a
F
e −a|t| , a > 0, ←→ 2a
(2πf )2 +a2

Analyse fichier audio
Y = fft(x) ;
f = linspace(0, Fs, length(Y)) ;
plot(f, abs(Y)) ;
xlabel(’Fréquence (Hz)’) ;
ylabel(Amplitude) ;
title(’Spectre de frequence’) ;
[x , Fs] = audioread(0 nomdufichaud.wav 0 );
Y = fft(x) ;
f = linspace(0, Fs, length(Y)) ;
plot(f, abs(Y)) ;
xlabel(’Frequence (Hz)’) ;
ylabel(’Amplitude’) ;
title(’Spectre de fréquence’) ;

synthése fichier audio
t= linspace(0, duree, duree*Fs) ;

x= amp*sin(2*π ∗ freq ∗ t);
audiowrite(’signsinus.wav’, x, Fs) ;
freq = 1000 ; amp = 1 ;
duree = 5 ; Fs = 44100 ;
t = linspace(0, duree, duree*Fs) ;
x= amp*sin(2π ∗ freq ∗ t);
audiowrite(’signsinus.wav’, x, Fs) ;

Propriétés

Transformée de Fourier Transformée de Laplace
Propriétés

La transformée de Laplace
Z +∞
S(p) = s(t).e −pt dt
0

Définitions
Avec la transformation de Laplace, les équations différentielles ordinaires

(EDO) du domaine temporel peuvent être transformées en équations
algébriques dans le domaine fréquentiel, ce qui simplifie leur résolution.
Cela est utile pour l’analyse des systèmes dynamiques linéaires, tels que les
circuits électriques, les systèmes de contrôle, et d’autres systèmes
physiques.

Propriétés
Linéarité
L(λs(t) + µx (t)) = λS(p) + µX (p)
Retard
L(s(t − τ )) = e −τ p S(p)
Convolution
L(s(t) ? x (t)) = S(p).X (p)

Propriétés

Traitement du signal avec matlab
MATLAB ET TRAITEMENT DU SIGNAL

Traitement du signal avec matlab
Matlab vient de la contration de MAtrix LABoratory
Première version en 1984
version actuelle R2023b (MATLAB 9.15)
Interprète les lignes de commandes (travaille sur les vecteurs)

Traitement du signal avec matlab Quelques fonctions
Un vecteur sous Matlab est une collection de d’éléments du même type.
Définir un vecteur v = [a b c... z]
Définir une colonne c = [a; b; c; ...; z]

ones(1, n) : vecteur ligne de longueur n dont tous les éléments valent 1
zeros(1, n) : vecteur ligne de longueur n dont tous les éléments valent 0
rand(1, n) : vecteur ligne de longueur n dont les éléments sont générés de
manière aléatoire entre 0 et 1.

Fonctions incorporées
exp(x ) : exponentielle de x
log(x ) : logarithme néperien de x
log10(x ) : logarithme en base 10 de x
xˆn : x à la puissance n
sqrt(x ) : racine carrée de x
abs(x ) : valeur absolue de x

sign(x ) : 1 si x > 0, 0 si x = 0 et −1 si x < 0

sin(x ) : sinus de x
cos(x ) : cosinus de x
tan(x ) : tangente de x
asin(x ) : sinus inverse de x (arcsin de x)
sinh(x ) : sinus hyperbolique de x
asinh(x ) : sinus hyperbolique inverse de x

round(x ) : entier le plus proche de x

floor (x ) : arrondi par défaut de x
ceil(x ) : arrondi par excés de x
rem(m, n) : reste de la division entière de m par n
lcm(m, n) : plus petit commun multiple de m et n
gcd(m, n) : plus grand commun diviseur de m et n
factor (n) : décomposition en facteurs premiers de n

conj(z) : conjugué de z
abs(z) : module de z
angle(z) : argument de z
real(z) : partie réelle de z
imag(z) : partie imaginaire de z

linspace(1, x , e) vecteur ligne de e éléments entre 1 et x

sum(x ) : somme des éléments du vecteur x
prod(x ) : produit des éléments du vecteur x
max (x ) : plus grand élément du vecteur x
min(x ) : plus petit élément duvecteur x
mean(x ) : moyenne des éléments du vecteur x
sort(x ) : ordonne les éléments du vecteur x par ordre croissant
fliplr (x ) : renverse l’ordre des éléments du vecteur x

Pour définir une fonction :

function sorties = nomfonction(entrees)
code
...
...
end

function s = somme(val1, val2)

resultat = val1 + val2 ;
end

Matlab permet l’acquisition de données (création, récupérer des signaux

des capteurs, fichiers audios, images )
Il permet la représentation des signaux (plot, spectrogram())
Analyse fréquentielle : des fonctions de fourier
Le filtrage

Traitement du signal avec matlab signal
Définir la variable t du signal
t = deb : pas : fin;
Signal sinusoı̈dal (s = sin(2 ∗ pi ∗ f ∗ t))
Pour le tracé : plot(s) ou plot(t,s)
t=0 :0,001 :1 ; f=15 ;
x=3*sin(2*pi*f*t) ;
plot (t,x)

Impulsion unité
Tracer l’impulsion de Dirac

Impulsion unité
t = −2 : 0.5 : 2;
x = [zeros(1, fix (length(t)/2)), 1, zeros(1, fix (length(t)/2))];

Impulsion unité
t = −2 : 0.5 : 2;
x = [zeros(1, fix (length(t)/2)), 1, zeros(1, fix (length(t)/2))];
axis([−22 − 0.5 1.5]);
title(0 Impulsion dirac 0 );
xlabel(0 t 0 );
ylabel(0 Amplitude 0 );
plot(t, x )

Tracer l’échelon unité

Tracer l’échelon unité
t = −5 : 1/10000 : 5;
x = [zeros(1, fix (length(t)/2)), ones(1, fix (length(t)/2) + 1)];
plot(t, x )

t = −3 : 1/1024 : 3;
u = [zeros(1, fix (length(t)/2)), ones(1, fix (length(t)/2) + 1)];
x = exp(−0.2 ∗ t). ∗ u;
plot(t, x )

Traitement du signal avec matlab série de Fourier
Soit un signal périodique, le signal crénau de période T0

s(t) = +∞ 4A
P
k=0 (2k+1)π sin ((2k + 1)πF0 t)
Tracer directement la fonction crénau (choisir A et T0 )
Tracer s(t) avec la somme des deux premiers termes, puis les trois
4, 5, ...
On peut se limiter à quel ordre

On considère T0 = 2 et A = 1
t = [−4 : 1/50 : −3 − 3 : 1/50 : −2 − 2 : 1/50 : −1 − 1 : 1/50 : 00 : 1/50 :

11 : 1/50 : 22 : 1/50 : 33 : 1/50 : 4];
s = [ones(1, 51) − 1 ∗ ones(1, 51)ones(1, 51) − 1 ∗
ones(1, 51)ones(1, 51) − 1 ∗ ones(1, 51)ones(1, 51) − 1 ∗ ones(1, 51)];
plot(t, s)

On considère T0 = 2 et A = 1
t = [−4 : 1/50 : −3 − 3 : 1/50 : −2 − 2 : 1/50 : −1 − 1 : 1/50 : 00 : 1/50 :

11 : 1/50 : 22 : 1/50 : 33 : 1/50 : 4];
s = [ones(1, 51) − 1 ∗ ones(1, 51)ones(1, 51) − 1 ∗
ones(1, 51)ones(1, 51) − 1 ∗ ones(1, 51)ones(1, 51) − 1 ∗ ones(1, 51)];
plot(t, s)
s0 = π4 sin( π2 t)
4
s1 = 3π sin( 3π2 t)
ss = s0 + s1;
plot(t, ss,0 red 0 )

4
s2 = 5π sin( 5π
2 t)
ss = ss + s2;
plot(t, ss,0 brown0 )

4
s2 = 5π sin( 5π
2 t)
ss = ss + s2;
plot(t, ss,0 brown0 )
4
s3 = 7π sin( 7π
2 t)
ss = ss + s3;
plot(t, ss,0 green0 )

4
s4 = 9π sin( 9π
2 t)
ss = ss + s4;
plot(t, ss,0 yellow 0 )

4
s4 = 9π sin( 9π
2 t)
ss = ss + s4;
plot(t, ss,0 yellow 0 )
4
s5 = 11π sin( 11π
2 t)
ss = ss + s5;
plot(t, ss,0 mangeta0 )

fft transformée de Fourier rapide monodimensionnelle
fft2 transformée de Fourier rapide bidimensionnelle
fftshift permet le centrage du spectre dune transform´ee de Fourier rapide
ifft transformée de Fourier inverse monodimensionnelle
ifft2 transformée de Fourier inverse bidimensionnelle

Soit le signal s(t) = A cos(2πft)
t = 2s, f = 20Hz et A = 4
Tracer le spectre de s en utilisant les fréquences d’échantillonnage

suivantes : 1000Hz, 100Hz et 15Hz

signal bruité
t = [0 : 0.001 : 1];
x = 0.6 ∗ sin(2 ∗ pi ∗ 50 ∗ t) + sin(2 ∗ pi ∗ 120 ∗ t) + randn(size(t));
plot(t, x )
plot(abs(fft(x )));

signal bruité
t = [0 : 0.001 : 1];
plot(t, x )
plot(abs(fft(x )));
x = 0.6 ∗ sin(2 ∗ pi ∗ 50 ∗ t) + sin(2 ∗ pi ∗ 120 ∗ t) + 1.3 ∗ randn(size(t));

plot(t, x ,0 red 0 )
plot(abs(fft(x )));

signal bruité
t = [0 : 0.001 : 1];
plot(t, x )
plot(abs(fft(x )));

plot(abs(fft(x )));

plot(abs(fft(x )));

N = 10; %order butterworth ordre10

[ZB, PB, KB] = buttap(N);
numzb = poly ([ZB]);
denpb = poly ([PB]);
wo = 600; bw = 200;%wo freq centrale%bw bandwidth
[numbbs, denbbs] = lp2bs(numzb, denpb, wo, bw );
w = 1 : 1 : 1200;
Hbbs = freqs(numbbs, denbbs, w );
Hb = abs(Hbbs);
plot(w , Hb)

Pour synthétiser un filtre
fonction de transfert tf
tf (num, den)

data = readmatrix(’nomfichier.csv’) ;
data = csvread(’nomfichier.csv’) ;
data = load(’nomfichier.txt’) ;
data = xlsread(’nomfichier.xlsx’) ;
dataTable = readtable(’nomfichier.xlsx’) ;

data = h5read(’nomfichier.h5’, ’/chemin/vers/dataset’) ;
jsonData = fileread(’nomfichier.json’) ;
data = jsondecode(jsonData) ;
imageData = imread(’nomimage.jpg’) ;
[audioData, sampleRate] = audioread(0 nomaudio.wav 0 );
La fonction importdata est également une option polyvalente pour

l’importation

Filtres
FILTRES

Filtres
Définition
Un système de transmission fait correspondre à un signal d’entrée e(t) un

signal de sortie s(t)
La réponse du système de transmission est fonction du signal d’entrée e(t)

et des caractéristiques du système de transmission
e(t) s(t)
Système de tramission

Filtres
Définition
Il consiste à séparer les composantes spectrales du signal (selon les

fréquences)
Le filtrage consiste à atténuer certains signaux et à en laisser passer

d’autres
Le filtre est un dispositif ou un circuit électronique qui permet de modifier

ou de sélectionner des fréquences spécifiques d’un signal électrique.

Filtres
Applications : suppression du bruit, la séparation de signaux, la

compression de données, l’amplification de signaux, la communication sans
fil, la transmission de données, la musique...
Types :
Les filtres passe-bas permettent de laisser passer les basses fréquences du
signal
Les filtres passe-haut permettent de laisser passer les hautes fréquences du
signal
Les filtres passe-bande permettent de laisser passer les fréquences situées
dans une bande de fréquences spécifique
Les filtres coupe-bande permettent datténuer les fréquences situées dans
une bande de fréquences spécifique tout en laissant passer les autres
fréquences.

Filtres
Un système de transmission :
ST
− linéaire (pour deux signaux e1 et e2 −→s1 et s2 ,
ST
a × e1 (t) + b × e2 (t)−→a×s1 (t) + b × s2 (t))
ST
− continue (sn (t) réponse à la suite en (t)), lim en (t) −→ sn (t))
n→∞
ST ST
− stationnaire (e(t) −→ s(t), e(t − θ) −→ s(t − θ))
Un système linéaire, continue et stationnaire est appelé filtre.

Filtres
Définition
Le filtrage est une forme de traitement de signal, obtenu en envoyant le

signal à travers un ensemble de circuits électroniques, qui modifient son
spectre de fréquence et/ou sa phase et donc sa forme temporelle. Il peut
s’agir soit :
− d’éliminer ou d’affaiblir des fréquences parasites indésirables
− d’isoler dans un signal complexe la ou les bandes de fréquences utiles.
Le filtrage permet d’éliminer ou d’extraire certaines caractéristiques du

signal

Filtres
Traitement de signaux audio, video, radio
Télécommunications, télémétrie
Instrumentation scientifique, médicale, radars
Acquisition numérique de données (anti-repliement)
Réjection de bruit (alimentation électrique)

Filtres Produit de convolution
Convolution : définition
L’opérateur de convolution est aussi très courant. Il est associé à

l’opération de filtrage d’un signal x (t) par un filtre de réponse
impulsionnelle h(t)
On définit la réponse impulsionnelle h(t), la sortie du filtre à une entrée de

type impulsion de Dirac ;
Soient deux signaux x (t) et y (t) appartenant à L2 (doublement

intégrable) ; le produit de convolution entre x (t) et y (t) est défini par :
Z +∞ Z +∞
x (t) ? y (t) = x (u).y (t − u).du = x (t − u).y (u).du
−∞ −∞

Convolution : propriétés
Commutativité : x (t) ? y (t) = y (t) ? x (t)
Associativité [x (t) ? y (t)] ? s(t) = x (t) ? [y (t) ? s(t)]
Élément neutre : x (t) ? δ(t) = x (t)
Décalage temporel : δ(t − τ ) ? x (t) = x (t − τ )
TF {x ? y (t)} = X (f ).Y (f )

Convolution : exemple
(
2 si 0 ≤ t ≤ 2
x (t) =
0 sinon
y (t) = 2.e −t pour t ≥ 0

R +∞
x (t) ? y (t) = −∞ x ( u ).y (t − u ).d u
Cas 1 t < 0 : y (t − u) = 2.e −t+u
Cas2 0 ≤ t ≤ 2 : y (t − u) = 2.e −t+u
Cas 3 t > 2 : y (t − u) = 2.e −t+u

Filtres Filtrage
Un moyen de caractériser cette grandeur s(t) est de la comparer au signal

d’entrée. Cette comparaison se fait en exprimant le rapport des puissances
des deux grandeurs
Ps
Adb = 10.log10
Pe
En fonction des tensions,le gain (ou l’affaiblissement) s’écrit :
Vs
Adb = 20.log10 Ve
La réponse impulsionnelle d’un système linéaire invariant dans le temps est

le signal de sortie fourni par le système lorsque le signal d’entrée est la
fonction δ(t)
La réponse impulsionnelle est notée h(t) telle que :

Z +∞
s(t) = e(u).h(t − u).du = e(t) ? h(t)
−∞

Filtres Filtrage
Le produit de convolution s(t) = e(t) ? h(t) devient par une

transformation de Fourier S(f ) = E (f ).H(f ) (Théorème de Plancherel)
E (f ) Système S(f )
H(f )
Les filtres linéaires sont décrits par

d n s(t) d m e(t)
a0 .s(t) + a1 ds(t)
dt + · · · + dt n = b0 e(t) + b1 de(t)
dt + · · · + dt m
Sa fonction de transfert est par

bm p m + · · · + b1 p + b0
H(f ) =
a n p n + · · · + a1 p + a0

Filtres Filtrage
En pratique, pour beaucoup d’applications, le raisonnement ne se fait pas

dans le domaine temporel (l’intégrale (ou produit) de convolution), mais
plutôt dans le domaine fréquentiel.
En module | S(f ) |=| H(f ) | . | E (f ) |
H(f ), selon son expression, peut amplifier les contributions de certaines

fréquences et réduire les contributions d’autres fréquences. C’est pourquoi
on l’appelle filtre.
Une représentation graphique de | H(f ) | permet d’avoir une vue sur les
fréquences privilégiées par le filtre.
Pour la représentation la fréquence est graduée en échelle logarithmique

L’amplification est donnée en décibel T (f ) = 20log10 | H(f ) |

Filtres Filtrage
Fenêtrage temporel
Dans le domaine temporel, le filtrage sera appelé fenêtrage temporel.
Il s’agit d’une opération consistant à prélever, interrompre ou seulement

atténuer un signal.
Le signal de sortie s(t) est le produit du signal d’entrée e(t) et de la

fonction temporelle du filtre ou de la fenêtre g(t) : s(t) = e(t) · g(t)
D’après le théorème de Planchrel : S(f ) = E (f ) ? G(f )

Filtres Filtrage
Le traitement par ordinateur d’un signal impose un temps fini au signal.
La troncature temporelle du signal influence le spectre (ou la transformée

de Fourier) de e(t)
Considérons la fonction porte de largeur τ
sin(πτ f)
s(t) = e(t) ? Πτ (t) et S(f) = E (f) ?
πτ f

Filtres Filtrage
L’influence de cette fenêtre temporelle sur le signal et sur son spectre peut
être très importante. L’effet de la troncature temporelle sera d’autant plus
importante que sera petite la fenêtre
Plus l’observation ou la mesure du signal sera longue et plus le spectre du

signal sera précis
Dans le cas général d’un signal périodique quelconque avec un spectre

formé d’un ensemble de raies, le fenêtrage temporel conduit à un spectre
formé de la somme de toutes les fonctions sinc placées au niveau des
fréquences existantes.
L’utilisation d’autres types de fenêtre (Hanning, Hamming, Blackmann,

Blackmann-Harris ...) permettent de réduire cet étalement du spectre

Filtres Filtrage
Figure 1: hanning
Figure 2: hamming

Filtres Filtrage
wvtool(hamming(128))
wvtool(hann(128))
wvtool(kaiser(128,1.5))

Filtres Filtrage
Un filtre est vu comme un gabarit fréquentiel qui laisse passer certaines

fréquences et en bloque d’autres.
Ces filtres sont idéalisés. Ils font apparaı̂tre des fréquences de cassure très
brutales.
Le filtre passe-bas idéal laisse passer les basses fréquences mais aucune au
dessus de fc
Le filtre passe-haut idéal laisse passer les hautes fréquences mais aucune
au dessous de fc
Le filtre passe-bande idéal laisse passer les fréquences entre fc1 et fc2 mais
rien à l’extérieur.
Le filtre coupe-bande idéal (ou réjecteur de bande) laisser passer toutes les
fréquences sauf celles comprises entre fc1 et fc2

Filtres Filtrage
En pratique les filtres ne sont pas idéaux
Les fréquences de cassures et les bandes passantes ne sont pas aussi

évident que dans les cas idéaux. On définit les bandes passantes et les
fréquences de cassure à −3dB qui contiennent ou bornent les fréquences
pour lesquels le signal de sortie est atténué de moins de 3dB par rapport à
la fréquence optimale, c’est-à-dire que la puissance de s(t) reste au moins
égale à la moitié de sa puissance maximale

Filtres Filtrage
Pour la représentation graphique du gain est donnée par le diagramme de

Bode (représentations graphiques de G =| H(ω) | et de φ = Arg(H(ω))
ω = 2πf )
On cherche les limites lorsque ω → 0, ω → ∞ et ω = ω0 , ω0 dépend du

filtre considéré. Les limites nous permettent d’avoir les asymptôtes des
courbes
Pour les asymptôtes on calcule en générale les limites de | H(ω) | et

Arg(H(ω)) pour ω ω0 , ω = ω0 et ω ω0

Filtres Corrélation

Filtres Corrélation
Puissance et énergie
Toute transmission de l’information est liée à une transmission d’énergie.

Nous avons déjà caractérisé le signal avec les critètres de puissance et
d’énergie.
p(t) = x (t).x ∗ (t) =| x (t) |2
Z +∞
E= | x (t) |2 dt
−∞
Z +T /2
1
Pm = lim | x (t) |2 dt
T →∞ T −T /2
La puissance instantanée d’interaction de deux signaux x (t) et y (t) est

donnée par
pxy = x (t).y ∗ (t) et pyx = y (t).x ∗ (t)
Z t+T0
La puissance moyenne d’interaction Pxy (t, T0 ) = 1
T0 x (t).y ∗ (t).dt
t

Filtres Densité spectrale d’un signal
Si nous passons aux fréquences, la puissance fréquentielle d’un signal est

appelée densité spectrale.
Sxx (f ) = X (f ).X ∗ (f ) =| X (f ) |2
X (f ) est la transformée de Fourier(ou spectre) de x (t)
L’énergie contenu dans le spectre

Z +∞
E= Sxx (f ) · df
−∞
La densité spectrale d’interaction de deux signaux x (t) et y (t)
Sxy (f ) = X (f ).Y ∗ (f ) Syx (f ) = Y (f ).X ∗ (f )

Filtres Densité spectrale d’un signal
Dans une bande de fréquence de largeur ∆f centrée sur F0 , l’énergie est

donnée par :
Z F0 +∆f
Ex (∆f , F0 ) = Sxx (f ) · df
F0 −∆f
L’énergie totale :
Z +∞ Z +∞
Ex = Sxx (f ) · df = | X (f ) |2 ·df
−∞ −∞

Filtres Corrélation et densité spectrale
La fonction d’autocorrélation du signal x (t) est définie par :

Z +∞
Cxx (θ) = Γxx (θ) = x (t).x ∗ (t − θ).dt
−∞
La fonction d’intercorrélation des signaux x (t) et y (t) :

Z +∞
Cxy (θ) = Γxy (θ) = x (t).y ∗ (t − θ).dt
−∞
Les fonctions de corrélation permettent de voir la resemblance (similitude)

d’un ou deux signaux au niveau de la forme et de la position en fonction
du paramètre de translation θ. Elle permet aussi de ressortir une
caractéristique du signal noyé dans le bruit.

Filtres Corrélation et densité spectrale
h(t) causal Z t
s(t) = e(t).h∗ (t − τ ).dτ
−∞
e(t) causal Z +∞
s(t) = e(t).h∗ (t − τ ).dτ
0
e(t) et h(t) causaux

Z t
s(t) = e(t).h∗ (t − τ ).dτ
0

Filtres Relation entre corrélation et densité spectrale
F
Pour un signal x (t), Cxx ←→ Sxx (f )
F F
Et pour des signaux x (t) et y (t) on a : Cxy ←→ Sxy (f ) ou Cyx ←→ Syx (f )

Filtres Corrélation de signaux périodiques
L’autocorrélation d’un signal périodique x (t) est donnée par :

Z T0 /2
1
Cxx (θ) = x (t).x (t − θ)dt
T0 −T0 /2
+∞
X
Or x (t) = a0 + an cos(2πnF0 t) + bn sin(2πnF0 t)
n=1
+∞
X
Cxx (t) = a02 + (an2 + bn2 ) cos(2πnF0 t)
n=1

Pour deux signaux x (t) et y (t) périodiques :

+∞
X (nF0 ).Y ∗ (nF0 )e j2πnF0 t
X
Cxy =
−∞
Si les fréquences sont différentes

+∞
X (npFx ).Y ∗ (nqFy )e j2πnF0 t
X
Cxy =
−∞
avec pFx = qFy = F0

Commandes matlab
transformation de Fourier : fourier(s)
Convolution : w=conv(x,y)
Corrélation : xcorr(x,y), xcorr(s)

MODULATIONS ANALOGIQUES

Toute chaı̂ne de transmission d’informations comporte nécessairement un

milieu de transmission, un émetteur et un récepteur.
La modulation du signal vient du besoin de transmettre un signal physique

sur un support de transmission.
L’opération de modulation consiste à adapter le message à transmettre au

canal de transmission et au système d’émission/réception.
L’opération de modulation ou de transmission d’une information par une

porteuse se traduit par le fait que le signal transmis se situe dans une
gamme de fréquences beaucoup plus (ou moins) élevée que celle du signal
de départ.

La zone de fréquence occupée par le signal est appelée largeur spectrale du

signal.
La transmission se fait via un support physique de transmission (câble

coaxial, fibre optique, faisceau hertzien...)
Le support de transmission ne laisse pas passer toutes les fréquences ;la

bande de fréquence dans laquelle les signaux sont transmis est la bande
passante
La bande passante est généralement décrit par rapport à la valeur du

rapport de la puissance du signal à la sortie sur sa puissance à l’entrée

Le spectre du signal à transmettre doit être compris dans la bande

passante du support de transmission
Si le support de transmission a une bande passante très large devant le

spectre du signal, l’utilisation de la voie de transmission n’est pas
optimisée.
c’est ainsi qu’on peut avoir une transmission en bande base, une
transmission par modulation

Elle a pour fonction de translater (transposer) l’information sur une

porteuse, afin d’occuper un espace fréquentiel plus réduit et que l’on a
choisi.
La modulation d’un signal utilise un signal sinusoı̈dal Vp de fréquence fp

appelée porteuse
Vp = A. cos(ωp .t + φ)
Vp est utilisé pour transmettre le signal contenant l’information en

modifiant l’une de ses propriétés (A, φ ou fp )
A modulation d’amplitude, fp modulation de fréquence,φ modulation de

phase

La modulation d’amplitude consiste à modifier l’amplitude de la porteuse

par une fonction linéaire (y = Ax + b) du signal à transmettre.
Soit une porteuse Vp = A cos(ωp .t + ϕ)
Le modulant (signal d’information) : Si (t)
Le signal modulé : Vm = (A + kSi (t)) cos(ωp .t + ϕ), k est un facteur de

proportionnalité, encore appelé sensibilité du modulateur.

Filtres Modulation d’amplitude
modulation d’amplitude
kSi (t)
Vm = A.[1 + A ] cos(ωp .t + ϕ)
Vm = A.[1 + m.Si (t)]. cos(ωp .t + ϕ), m est le taux de modulation

Il représente l’amplitude du signal modulé par rapport à l’amplitude de la
porteuse

Si Si (t) = cos(ωt),
Vm = A.[1 + m. cos(ωt)]. cos(ωp .t + ϕ),

mA
Vm = A. cos(ωp .t) + 2 [cos((ωp − ω)t + ϕ) + cos((ωp + ω)t + ϕ)]

Des modulations dérivées peuvent être obtenues : modulation à porteuse

supprimée (porteuse éliminée dans la transmission), modulation à bande
latérale unique (élimine la redondance des signaux transmis au niveau des
deux bandes latérales), modulation à bande latérale résiduelle, modulation
à deux porteuses en quadrature.
La modulation à porteuse supprimée est plus économique du point de vue

énergétique (inconvénient au niveau de la détection car le récepteur ne
dispose plus de la référence de la fréquence porteuse)

Pour la modulation à bande latérale unique (BLU), on peut avoir la bande

latéral supérieure (BLS)
n
AX
ai cos((ωp + ωi ) + ϕ)
2 i=0
ou bande latérale inférieure (BLI)

n
AX
ai cos((ωp − ωi ) + ϕ
2 i=0
La modulation d’amplitude à bande latérale résiduelle est obtenue à partir

d’un signal de modulation complète filtré afin d’éliminer partiellement
l’une des bandes latérales et de diminuer l’amplitude de l’onde. porteuse.

La modulation à deux porteuses en quadrature consiste à diviser le signal

informatif s(t) en deux signaux s1 (t) et s2 (t) modulant deux porteuses
sp1 (t) et sp2 (t) de même fréquence et en quadrature de phase
(sin(ωp t + ϕ), cos(ωp t + ϕ))
Cette modulation permet de diminuer la largeur spectrale du signal modulé

Modulation de fréquence
La modulation de fréquence est un procédé qui consiste à faire varier la

fréquence d’un signal porteur sinusoı̈dal en fonction d’un message à
transmettre.
La porteuse Vp = cos(ωp t + ϕ(t))
La phase instantanée de la porteuse : Φ(t) = ωp t + ϕ(t)

1 dΦ(t) dϕ(t)
La fréquence instantanée est donnée par f (t) = 2π . dt = fp + dt
1 dϕ(t)
2π . dt = Kf .m(t)

Z t
Φ(t) = ωp t + 2πKf m(u)du
0
Z t
s(t) = Ap cos(Φ(t)) = Ap cos ωp t + 2πKf m(u)du
0

Modulation de phase
La modulation en phase est “équivalente” à une modulation de fréquence

par la dérivée du signal
s(t) = A cos(ωt + ϕi )
ϕi varie suivant le type de signal à transmettre.
Les phases sont régulièrement répartis sur l’intervalle disponible [O, 2π]
Cette modulation est la plus employée pour la transmission des signaux

numériques.

Autre type de modulation
Combinaison des modulations citées plus haut
Modulations combinées d’amplitude et de phase :
s(t) = Ai cos(ωt + ϕi )
L’exemple de la modulation d’ amplitude à deux porteuses en quadrature

(MAQ)

Bruit et signaux aléatoires
BRUIT ET SIGNAUX ALÉATOIRES

Définitions
Un signal est dit aléatoire si ses valeurs dépendent du hasard et qu’il n’est
pas reproductible
Un signal aléatoire (ou processus stochastique) est un signal qui ne se

répète pas à l’identique lorsque l’on réitère l’expérience qui le produit.
Cela renvoie à une expérience aléatoire et les résultats possibles sont ceux
d’une variable aléatoire
On appelle signal aléatoire un ensemble de fonctions auxquelles on adjoint

une loi de probabilité
On peut décrire ses propriétés à l’aide de probabilités et de statistiques
La variable aléatoire est une application définie sur l’ensemble des résultats
possibles d’une expérience aléatoire

Soit n enregistrements liés à un même phénomène physique associés une

fonction s(t) qui représente une réalisation du signal aléatoire (ou une
trajectoire du processus aléatoire)
Un signal aléatoire est dit stationnaire si les propriétés statistiques

(moyenne, écart type, etc.) sont indépendantes du choix de l’origine du
temps.
Le processus est dit ergodique si les moyennes sur plusieurs réalisations

sont équivalentes à des moyennes temporelles correspondant à une seule
épreuve.
Un processus stationnaire et ergodique pourra être analysé à partir d’une

seule expérimentation sur un temps suffisamment long

Cas discret
Selon que les variables sont continues ou discrètes, on parle de processus

aléatoires continus ou discrets.
Considérons une variable aléatoire X représentant le caractère d’une

population Ω d’effectif N. Soient x1 , x2 , ..., xv
ni
On définit la fréquence partielle fi = N, ni est le nombre d’individus pour
lesquels X a la valeur xi
Pv
La moyenne X = i=1 fi xi
Pv
La variance var (X ) = i=1 fi (xi − X )2
p
L’écart type σX = var (X )

Cas continu
Dans le cas continu le signal aléatoire est défini par sa loi de probabilité
(ou de distribution) p(s)
La valeur moyenne ou espérance est donnée par :
Z +∞
ms = E (s) = s · p(s)ds
−∞
La valeur quadratique moyenne ou moment d’ordre 2 vaut :

Z +∞
E (s 2 ) = s 2 · p(s)ds
−∞
L’écart quadratique moyen ou moment d’ordre 2 centré ou variance

Z +∞
σs2 = E [(s − ms ) ] = 2
(s − ms )2 · p(s)ds
−∞
q
L’écart type est donné par : σs = E [(s − ms )2 ]
La fonction d’ autocorrélation statistique

ZZ
0
?
Γs (τ ) = E [s(t).s (t − τ )] = E [s.s ] = s.s0 · p(s, s 0 )ds · ds 0
∞
Γs (τ ) ≤ Γs (0)
Si s et s 0 sont centrées l’autocovariance :
Covs (τ ) = E [(s − ms ) · (s 0 − ms 0 )] = Γs (τ ) − m2 s
ms = ms 0 stationnarité
Le coefficient d’autocorrélation s’écrit :
rss = Covs (τ )/σs 2

Moyenne temporelle
Z T /2
1
s(t) = lim s(t) · dt
T →∞ T −T /2
Puissance Z T /2
1
Ps = s 2 (t) = lim s 2 (t) · dt
T →∞ T −T /2
puissance des variations par rapport à la moyenne

Z T /2
1
Ps−ms = lim [s(t) − s(t)]2 · dt
T →∞ T −T /2

Valeur efficace q q
Ps−ms = Ps − s(t)
fonction d’autocorrélation temporelle

Z T /2
1
Css (τ ) = lim s(t) · s ? (t − τ ) · dt
T →∞ T −T /2

La fonction d’autocorrélation centrée s’écrit :
Ccss (τ ) = Css (τ ) − s(t)2
Un signal aléatoire gaussien est un signal s dont
Ccss (τ ) = Css (τ )
ms = s(t) = 0 (variable aléatoire centrée)

La densité spectrale de puissance d’un signal aléatoire stationnaire

ergodique est la transformée de Fourier de sa fonction d’autocorrélation
Z +∞
Ψ(f ) = Rss (τ )e −j2πf τ · dτ
−∞

Bruit et signaux aléatoires Bruit
Bruit
Le bruit correspond à tout signal indésirable limitant l’intelligibilité d’un

signal utile.
Bruits externes : la source de bruit est localisée à l’extérieur du système et

agit sur celui-ci par influence.
Ils proviennent des perturbations naturelles (bruits cosmiques, bruits

atmosphériques) et des perturbations artificielles (parasites générés par des
équipements électriques industriels).

Bruits internes : les causes des perturbations internes à un système de

traitement
Il s’agit des perturbations impulsionnelles engendrées par les commutations

de courants et le bruit de fond généré dans les câbles et les composants
électroniques

Le bruit blanc est un processus stochastique utilisé afin de modéliser les

bruits intervenant dans toute modélisation de systèmes dynamiques.
On appelle bruit blanc un processus aléatoire b dont la densité spectrale

de puissance est constante
Sbb (f ) = TF {Rbb }(τ ) = cte
Le bruit blanc correspond à un modèle purement théorique. En effet, il est

physiquement irréalisable car il contient des fréquences infinies et sa
puissance moyenne est infinie.

Bruit et signaux aléatoires Rapport signal sur bruit
Le rapport signal/bruit (snr pour signal noise ratio) est une caractéristique
de la dégradation d’un signal.

Échantillonnage
ÉCHANTILLONNAGE

Échantillonnage
Il est possible de transformer un signal continu en un signal discret. Ce

processus est appelé échantillonnage ou discrétisation.
Numérisation = discrétisation de l’axe temporel (échantillonnage) +

discrétisation des amplitudes (quantification, codage de source).
L’échantillonnage consiste à représenter un signal analogique continu x (t)

par un ensemble de valeurs x (nTe )
Le signal continu x (t) est échantillonné suivant une certaine période Te , on

forme ainsi une suite numérique x (nTe ) ; chaque échantillon est quantifié.

Échantillonnage
Le signal échantillonné associé à x (t) s’écrit :

+∞
X
xe (t) = x (nTe ).δ(t − nTe )
−∞
+∞
X
Il s’écrit aussi : xe (t) = x (t). δ(t − nTe )
−∞
le signal échantillonné contient-il la même information que le signal initial ?
Si x (t) = cos(2πft), le produit avec la peigne de Dirac (périodique) fait

apparaitre deux fréquences

Échantillonnage
Étudier le spectre Xe (f ) du signal échantillonné

+∞
X
Xe (f ) = X (f ) ? {Fe · δ(f − nFe )}
−∞
+∞
X
Xe (f ) = Fe · X (f ) · δ(f − nFe )
−∞
+∞
X
Xe (f ) = Fe · X (f − nFe )
−∞
Le spectre dun signal échantillonné est périodique, de période

“fréquentielle” Fe
Le problème auquel nous pouvons nous confronter estla récupération de

l’information.
Est-ce possible de retrouver le signal ?

Échantillonnage
Taux d’échantillonnage : C’est le nombre d’échantillons prélevés par unité

de temps. Un taux d’échantillonnage plus élevé permet de mieux
représenter le signal original, mais il nécessite également plus de ressources
de stockage et de traitement. Le choix du taux d’échantillonnage dépend
des caractéristiques du signal et des exigences de l’application.

Échantillonnage
L’échantillonnage d’une fonction continue en un nombre fini de points

peut occasionner une troncation du signal.
Pour éviter cela (perte d’information), il faut selon Shannon échantillonner

le signal avec une fréquence d’échantillonnage notée Fe telle que
Fe ≥ 2Fmax
Fmax est la plus grande fréquence du signal à échantillonner

Échantillonnage
Si la fréquence d’échantillonnage est au moins deux fois supérieure à la

fréquence maximale contenue dans le signal (fréquence de Nyquist), le
signal peut être reconstruit
Reconstruction du signal : Une fois échantillonné, le signal discret peut

être reconstruit en utilisant des techniques d’interpolation ou de filtrage
pour estimer les valeurs du signal entre les échantillons. L’objectif est de
retrouver une version aussi proche que possible du signal continu d’origine.

Échantillonnage
Effets de repliement et d’aliasing : Lorsque la fréquence d’échantillonnage

est insuffisante par rapport à la fréquence du signal, des composantes
fréquentielles peuvent se replier sur elles-mêmes et produire des fréquences
parasites dans le signal échantillonné, un phénomène appelé repliement
de spectre ou aliasing. Pour éviter cela, un filtrage anti-repliement est
souvent utilisé avant l’échantillonnage pour limiter les fréquences du signal
à celles qui peuvent être correctement échantillonnées.

Étude signaux numériques
ÉTUDE SIGNAUX NUMÉRIQUES

Étude signaux numériques
Les différentes transformations étudiés pour les signaux continus ont leur
corrolaire pour les signaux discrets
La transformée de Fourier discrète
La transformée en Z
Le filtrage
Les fonctions de corrélation

Étude signaux numériques Transformée de Fourier Discret
Soient deux suites de nombres complexes x (n) et X (k) de période N
La Transformée de Fourier Discrète est définie par :
1 N−1 nk
x (n)e −j2π N
X
X (k) =
N n=0
Et la Transformée de Fourier Discrète inverse

N−1
X nk
x (n) = X (k)e j2π N
k=0

Propriétés
Linéarité : Soient x (n) et y (n) deux suites de même période

et de TFD X (k) et Y (k), la suite de même période v (n) = x (n) + λy (n)
a pour TFD V (k) = X (k) + λY (k)
Une translation des x (n) entraı̂ne une rotation de phase de X (k)

N−1 n0 k
nk
x (n − n0 )e −j2π N = X (k)e −j2π
X
Xn0 (k) = N
n=0

N
n(N−k)
e −j2π
X
La symétrie X (N − k) = N = X (k)
n=0
N−1
X
Convolution circulaire y (n) de x (n) et h(n), y (n) = x (l)h(n − l)
l=0
Sa TFD Y (k) = H(k) · X (k)

Étude signaux numériques Tranformée de Fourier rapide
La Transformée de Fourier Rapide (notée par la suite FFT) est simplement

une TFD calculée selon un algorithme permettant de réduire le nombre
d’opérations.
On sépare les termes d’indices paires et impaires

Étude signaux numériques Transformée en Z
La transformée en Z de x (n) est donnée par

+∞
x (n)z −n
X
X (z) =
n=−∞
z est une variable complexe, série de Laurent
Elle est filtrage numérique ainsi que pour la résolution d’équations

récurrentes.

Propriétés
Linéarité : Z(αx + βy ) = αZ(x ) + βZ(y )

Signal retardé :
(
0 si k > n
yn =
xn−k sinon
Z(y ) = z −k Z(x )

Propriétés TFZ
Signal avancé
: SoitP
yn = xn+k ,
Z(y ) = z Z(x ) + k−1
k
n=0 xn z
−n
Convolution : Z(x ? y ) = Z(x ) · Z(y )

Inversion de la TFZ
À partir de la transformée en Z, on réécrit xn
1 Z(x )
Z
xn = dz
j2π γ z −n+1

Corrélation
Soient deux signaux x et y

La corrélation des signaux (même durée) s’écrit :
N−1
X
v (n) = x (i)y (n + i)
i=0
La convolution linéaire des deux signaux (durée quelconque)

N−1
X N−1
X
v (n) = x (i)y (n − i) = y (i)x (n − i)
i=0 i=0

THANK YOU FOR YOUR ATTENTION

Trait Ement Signal

Transféré par

Informations du document

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

Trait Ement Signal

Transféré par

Droits d'auteur :

Formats disponibles

Traitement du Signal

Dr Joseph Diène NDAW

Master DIC2 IEI

Dr NDAW () Traitement du signal IPG 2023/2024 1 / 168

Qu’est-ce qu’un signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 3 / 168

Qu’est-ce qu’un signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 3 / 168

Qu’est-ce qu’un signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 3 / 168

Qu’est-ce qu’un signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 3 / 168

Qu’est-ce qu’un signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 3 / 168

Qu’est-ce que la théorie du signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 4 / 168

Qu’est-ce que la théorie du signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 4 / 168

Qu’est-ce que la théorie du signal ?

Dr NDAW () Traitement du signal IPG 2023/2024 4 / 168

Qu’est-ce que la traitement de l’information ?

Dr NDAW () Traitement du signal IPG 2023/2024 5 / 168

Qu’est-ce que la traitement de l’information ?

Dr NDAW () Traitement du signal IPG 2023/2024 5 / 168

Fonctions du traitement du signal

Les fonctions du traitement du signal sont de deux ordres ou

Dr NDAW () Traitement du signal IPG 2023/2024 6 / 168

Fonctions du traitement du signal

− Pour l’interprétation des signaux, nous avons le filtrage (élimination

Dr NDAW () Traitement du signal IPG 2023/2024 7 / 168

La représentation temporelle est basée sur l’évolution du signal en

Dr NDAW () Traitement du signal IPG 2023/2024 8 / 168

Dr NDAW () Traitement du signal IPG 2023/2024 9 / 168

Différents types de classifications sont utilisés :

Dr NDAW () Traitement du signal IPG 2023/2024 10 / 168

Les signaux peuvent être classifiés en signaux déterministes et signaux

Dr NDAW () Traitement du signal IPG 2023/2024 11 / 168

Dr NDAW () Traitement du signal IPG 2023/2024 12 / 168

Dr NDAW () Traitement du signal IPG 2023/2024 13 / 168

Les signaux non périodiques se composent d’une part des signaux

Dr NDAW () Traitement du signal IPG 2023/2024 14 / 168

Une autre classification des signaux est la classification en signaux

Dr NDAW () Traitement du signal IPG 2023/2024 15 / 168

Dr NDAW () Traitement du signal IPG 2023/2024 16 / 168

La numérisation d’un signal consiste à faire passer un signal de la

Dr NDAW () Traitement du signal IPG 2023/2024 17 / 168

Puissance instantannée p(t) = x (t) ∗ x ∗ (t) =| x (t) |2

Dr NDAW () Traitement du signal IPG 2023/2024 18 / 168

Deux classes énergétiques : Signaux d’énergie finie et Signaux de

Dr NDAW () Traitement du signal IPG 2023/2024 19 / 168

La représentation temporelle rend difficilement compte de la nature

Dr NDAW () Traitement du signal IPG 2023/2024 20 / 168

Les types de systèmes

Un système est un ensemble organisé d’éléments destinés à remplir

Dr NDAW () Traitement du signal IPG 2023/2024 21 / 168

Les types de systèmes

Système à temps discret :C’est un système conçu pour fonctionner

Dr NDAW () Traitement du signal IPG 2023/2024 22 / 168

Les types de sytèmes

Système à éléments localisés C’est un système décomposable en un

Dr NDAW () Traitement du signal IPG 2023/2024 23 / 168

Les types de système

Système causal Un système est dit causal (ou non anticipatoire) si la

Dr NDAW () Traitement du signal IPG 2023/2024 24 / 168