Classification des signaux

exemples de signaux réels

Classification des Signaux et exempl 1

es
 Classification des signaux

• Introduction
• signaux et modèles générateurs
• signaux déterministes périodiques
• périodiques, non périodique
• descripteurs
• signaux aléatoires
• stationnarité, ergodicité
• descripteurs statistiques
• exemples de signaux réels

Classification des Signaux et exempl 2

es
 Classification des signaux
signaux sans référence à un modèle de génération

Système
entrée SIGNAL
(modèle de génération)

Déterministe Aléatoire

Périodique Non Périodique

Stationnaire Non Stationnaire

Presque Transitoire
Périodiqu Cyclostationnaire
e
Classification des Signaux et exempl 3
es
 Classification des signaux
types de modèles de génération des signaux

Système
entrée Signal
(modèle de génération)

Paramètres Paramètres
distribués

Linéaire, Linéaire, Non Linéaire,

Invariant dans le temps Variant dans le temps Invariant dans le temps

Classification des Signaux et exempl 4

es
 Classification des signaux
signaux déterministes, périodiques: exemple

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 20 40 60 80 100 120 140 160 180 200

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 100 200 300 400 500 600 700 800

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 50 100 150 200 250 300 350 400

Classification des Signaux et exempl 5

es
 Classification des signaux
signaux déterministes périodiques : exemple
• Modulation d’amplitude et de phase

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 50 100 150 200 250 300 350 400

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 50 100 150 200 250 300 350 400

Classification des Signaux et exempl 6

es
 Classification des signaux
Signaux ‘presque’ périodiques: exemple

Vibrations de machines tournantes

0.4

0.3

0.2

0.1

-0.1

-0.2

-0.3

-0.4
0 100 200 300 400 500 600

0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8
0 100 200 300 400 500 600

Classification des Signaux et exempl 7

es
 Classification des signaux
signaux déterministes NON périodiques
• Réponse d’un système 1ddl à une impulsion

linéaire

Non-linéaire
0.8

0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8
0 500 1000 1500

Classification des Signaux et exempl 8

es
 Classification des signaux
déterministes, périodiques:descripteurs

descripteurs du signal temporel

valeurs pic, pic  pic, etc

1 1 N /2
Moyenne    x ( n)
T /2
 x(t )dt
N 1
T / 2
T 0
n N / 2

2
1  1
~
N /2
RMS    x (t )dt  
T /2 2
x ( n) 2


T / 2
 T
0  N 1 n N / 2

Coefficients décomposition Série de Fourier

Classification des Signaux et exempl 9

es
 Classification des signaux
signaux aléatoires : exemple
• Bruit blanc : 3 réalisations

2.5

1.5

0.5

-0.5

-1

-1.5

-2

-2.5
0 20 40 60 80 100 120 140

2.5

1.5

0.5

-0.5

-1

-1.5

-2

-2.5
0 20 40 60 80 100 120 140

-1

-2

-3
0 20 40 60 80 100 120 140

Classification des Signaux et exempl 10

es
 Classification des signaux
signaux aléatoires : exemple
• Sortie d’un système excité par un bruit blanc

15

10

-5

-10
0 20 40 60 80 100 120 140

10

-5

-10

-15
0 20 40 60 80 100 120 140

10

-2

-4

-6

-8

Classification des Signaux et exempl 11

0 20 40 60 80 100 120 140

es
 Classification des signaux
variable aléatoire (1)
soit x une Variable Aléatoire (VA ) continue x1

f la densité de probabilit é mesure l ' occurrence que

x

x  x  x  x
0 0

on définit :

x2
le moment d ' ordre 1 (moyenne) de x : E ( x)   x. f ( x)dx x




le moment d ' ordre 2 : E ( x )   x . f ( x)dx

2 2
x



xn
la Variance : E ([ x  E ( x)] )   [ x  E ( x)] . f ( x)dx
2 2
x


moments d ' ordres sup érieurs

 skewness
[ x  E ( x)]

2 E(x)
 kurtosis k  dx
[ E ( x )]
x 2 2


Classification des Signaux et exempl 12

es
 Classification des signaux
signal aléatoire :exemples
x(n)
bruit

x(n)
séquence binaire codée

x(n)
12V tension de batterie (Therrien)
11.75V

Classification des Signaux et exempl 13

es
 Classification des signaux
signal aléatoire :définitions
soit x (n); n  Z une suite de Variables aléatoires

pour chaque n ;
f densité de probabilité de x (n)
x (n)

moments E[ x (n)], E[ x (n)],

2

si n est le temps :
 série temporelle , ie, signal aléatoire
le Modèle sous  jacent générant le signal aléatoire est appelé
 processus aléatoire.
rem :
pour une Variable aléatoire  réalisation
pour un signal aléatoire  ensemble

Classification des Signaux et exempl 14

es
 Classification des signaux
signal aléatoire :ensembles(ensembles)
x(n)
x1(-3) Bruit: ensemble1

x(n)
X2(-3) Bruit: ensemble2

E(x(n))
E[x(-3)] Bruit: moyenne d ’ensembles

Classification des Signaux et exempl 15

es
 Classification des signaux
signal aléatoire : stationnarité/ergodicité(1/4)

E[ x(n)]   x(n) f [ x(n)]dx (n)

x(n)


(idem pour les moments d ' ordres Supérieurs )

on définit également les moments estimés sur un ensemble particulie r

1 N
m( x)  lim  x ( n)
2N  1
N 
N

(idem pour les moments d ' ordres Supérieurs )

Supposons E ( x(n))  cte   1

question : quand peut  on ovoir m( x)   1

??

Classification des Signaux et exempl 16

es
 Classification des signaux
signal aléatoire :stationnarité/ergodicité(2/4)
x(n)
x1(-3) Bruit: ensemble1
moyenne temporelle
n

x(n)
X2(-3) Bruit: ensemble2
moyenne temporelle
n

E(x(n))
E[x(-3)] Bruit: moyenne d ’ensemble
moyenne temporelle
n

Classification des Signaux et exempl 17

es
 Classification des signaux
signal aléatoire : stationnarité/ergodicité(3/4)

stationnar ité : définition

les propriètés statistiqu es sont indépendantes du temps (n)
ie,
E[ x (n) x (n  k ) x (n  k ).... x (n  k )] est indépendant de n
l0 l1
1
l2
2
lM
M

 autocorrel ation E[ x (n) x (n  k )]  R (k )

1 1
xx

x(n)

n
1 2 3 4 5 6 7 8

f x (1) x ( 3 ) x ( 6 )
f x(2) x(4) x(7)
f x (1) x (1) x ( 4 )

Classification des Signaux et exempl 18
es
 Classification des signaux
signal aléatoire : stationnarité/ergodicité(4/4)

ergodicité : définition
un signal aléatoire Stationaire est ergodique si les moments calculés
temporellement ou par moyenne d ' ensemble sont égaux

si seulement m( x)   alors ergodicité d ' ordre1

1

1 
si de plus E[ x(n) x(n  k ]  R (k )  lim  x ( n) x ( n  k )
2N  1

n  

alors ergodicité d ' ordre 2

en général on se Limite à l ' ordre 2 ( processus gaussiens)

rem : pour être ergodique un signal doit être stationnaire

Classification des Signaux et exempl 19

es
 Classification des signaux
signal aléatoire : estimateurs
• Ensemble fini de points n=[-N/2,N/2]

1 N / 2
estimateur de la moyenne mˆ ( x )   x ( n)
2N  1 n N / 2

1
~
x ( n) [ ~
N / 2
estimateur s de la Variance var( x )  x (n)  x (n)  mˆ ( x )]
2

2N  1 n N / 2

estimateur s de la fonction d ' autocorrél ation

1 N / 2k
Rˆ (k )   x ( n  k ) x ( n) sans biais
2N  1
n N / 2

1
Rˆˆ (k ) 
 N / 2k

 x (n  k )x (n) asymptotiq uement sans biais

2N  1  k n N / 2

Classification des Signaux et exempl 20

es
 Classification des signaux
signal aléatoire : estimateurs
• Moyenne, variance, écart type, histogramme

3 50

45
2
Écart type 40

35
1
30
moy 0 25

20
X1 -1
15

10
X2 -2
5

-3 0
0 500 1000 -4 -2 0 2 4

X1 X2

Classification des Signaux et exempl 21

es
 Classification des signaux
Signaux réels de vibrations (1)
• Vibrations d’engrenages
• sans et avec défaut d’écaillage

-1

-2

-3
0 200 400 600 800 1000 1200

10

-2

-4

-6

-8
0 200 400 600 800 1000 1200

Classification des Signaux et exempl 22

es
 Classification des signaux
signaux réels de vibrations(2)
• Vibrations machine-outil (Surveillance d’outil)
• avec défaut avant et après filtrage du signal

400

300

200

100

-100

-200

-300

-400
0 500 1000 1500 2000 2500

200

150

100

50

-50

-100

-150

-200
0 500 1000 1500 2000 2500

Classification des Signaux et exempl 23

es
 Classification des signaux
signaux réels acoustiques
• Réponse d’une salle à une bruit impulsionnel

0.25

0.2

0.15

0.1

0.05

-0.05

-0.1
0 200 400 600 800 1000 1200 1400 1600 1800 2000

Classification des Signaux et exempl 24

es
 Classification des signaux
signaux réels biomédicaux(1)
• Signaux Potentiels évoqués visuels(PEV)
• réponse cérébrale à des stimulis (flash)
• électrodes sur le scalp
100

80

60

40

20

-20

-40
0 50 100 150 200 250 300 350 400 450 500

25 20

20
15
15

10 10

5
5
0

-5 0

-10
-5
-15

-20 -10
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50 60

Classification des Signaux et exempl 25

es
 Classification des signaux
signaux réels biomédicaux(2)
• Electromyogramme (EMG)
• activités du muscle strié
• électrode sur la peau

4
x 10
3

-1

-2

-3
0 500 1000 1500 2000 2500 3000 3500 4000 4500

Classification des Signaux et exempl 26

es
 Classification des signaux
signaux réels biomédicaux(3)
• Electromyogramme utérin (EMG Utérin)
• activités de l’utérus lors des contractions avant un accouchement
• électrode sur la peau

1500

1000

500

-500

-1000

-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500

Classification des Signaux et exempl 27

es
 Classification des signaux
signaux réels biomédicaux (4)
• Electrocardiogramme (ECG)
• activités du cœur
• electrode sur la peau

9
x 10
2.5

1.5

0.5

-0.5

-1

-1.5

-2

-2.5
0 50 100 150 200 250 300 350 400 450 500

Classification des Signaux et exempl 28

es
 Classification des signaux
signaux déterministes, périodiques :programmes

Sinusoïde x(t )  a.sin( 2f 0t  0 ) f 0  1 / T0

prog1 " sign _ 1"
Dent de scie x(t )  at / T0 0  t  T0
prog1 " sign _ 2"
t 2 / 2
Train d ' impulsions x(t )  a.e  T0 / 2  t  T0 / 2
prog1 " sign _ 3"
Modulation d ' amplitude x(t )  [1   sin( 2f mt )].sin( 2f 0t )
prog1 " sign _ 4"
Modulation de fréquence x(t )  cos[2f 0t  b.sin( 2f mt ]
prog1 " sign _ 5"

Classification des Signaux et exempl 29

es
 Classification des signaux
signaux déterministes, non périodiques : programmes

transitoire
prog : sign _ 7

signal périodique tronqué

prog : sign _ 8

Descripteurs :
N
  x ( n)
T
energie ( finie)  x (t )dt
0
2 2

Classification des Signaux et exempl 30

es