Beruflich Dokumente
Kultur Dokumente
Première année
Département Sciences du - Numérisation du signal
- Intérêt du traitement numérique du signal
Numérique - Outils à numériser
- Temps de traitement
Nathalie Thomas
Signal analogique : Signal analogique :
signal défini à tout instant par des signal défini à tout instant par des
valeurs réelles
valeurs réelles
Exemple :
Numérisation : x(t) = sin (2πf0 t)
Échantillonnage + quantification
Non c’est
Exemple : k = numéro (ou indice) de l'échantillon impossible …
Te : période d’échantillonnage
temps
Mais bien sûr
que c’est possible !
À une condition :
Fe > 2 Fmax
Remarque : échantillonnage périodique
Signal de parole :
Exemple 1 Quand on diminue la fréquence d’échantillonnage, les
périodisations se rapprochent et finissent par apparaitre dans
Amplitude la bande occupée par le signal :
Fe> 2Fmax
temps
temps
-Fe Fe fréquences
Fe= 2Fmax - Fmax Fmax
fréquences
- Fmax Fmax
-Fe Fe fréquences
- Fmax Fmax fréquences
Exemple 2 Image sous échantillonnée d’un facteur 2 :
256*256 pixels, quantifiée sur 8 bits
Image d’origine :
512*512 pixels, quantifiée sur 8 bits 50
100
50 150
100
150 200
200
250
250 50 100 150 200 250
300
500 20
50 100 150 200 250 300 350 400 450 500
40
60
80
100
120
20 40 60 80 100 120
Effets de Moiré
Exemple (quantification uniforme par troncature
sur nb = 2 bits) :
Signal quantifié : x(t) = sin (2πf0 t) ∈ {V1, V2, V3, V4}
signal défini à chaque instant par un x(t) = sin (2πf0 t)
nombre fini de valeurs
Signal de départ
V1(00)
Exemple : x(t) = sin (2πf0 t) Signal quantifié
sur 2 bits
V2(01)
temps
V3(11)
Dynamique
du signal
q
V4(10)
temps
La dynamique du signal est divisée en 2nb = 22 =4
niveaux de même taille (quantification uniforme)
et toutes les amplitudes du signal appartenant au même
Le nombre de valeurs possibles pour l’amplitude du niveau se voient affecter une même valeur codée sur
signal après quantification va être donné par le nombre nb=2 bits. La largeur d’un niveau donne ce que l’on
de bits de quantification utilisés. appelle le pas de quantification q :
Avec nb bits on pourra coder 2nb niveaux sur la Dynamique du signal
dynamique du signal q=
2nb
Peut-on conserver même information Mais le signal quantifié et le signal non
dans le signal quantifié ? quantifié peuvent cependant être très
proches…
50
Amplitude
100
150
200
250
temps
temps 300
350
400
450
500
50 100 150 200 250 300 350 400 450 500
100 100
150 150
200 200
temps
250 250
300 300
350 350
400 400
450 450
500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Signal numérique : Exemple 2 : Quantification : 8 bits
55
Image d’origine :
= signal échantillonné et quantifié 512*512,
60
65
Exemple 1 :
75
80
100 1 niveau de
150 gris parmi
V1(00)
512 pixels
200
256 (28)
250
V2(01)
300
temps 350
V3(11) 400
450
V4(10) 500
50 100 150 200 250 300 350 400 450 500
Te : période d’échantillonnage
Finalement l’information binaire associée à cette sinusoïde, ou 512 pixels
sinusoïde numérisée, va être donnée par :
010101000000000000010101111111101010101010…
Mais pourquoi numérise t-on un signal
Signal
pour ensuite retransformer l’information
Numérisation binaire en un signal ???
Information binaire : 0110010… Pour plusieurs raisons, parmi lesquelles :
- Une amélioration de la qualité de la transmission
Emetteur
C’est le TEB qui qualifie la qualité d’une transmission numérique
Signal
Signal émis Signal abimé mais TEB=0
0 1 1 0 0 1 0 1 1 1 0
+V
Canal de
0 t
transmission t
-V
Virgin Radio
88.10 France Inter
100.0 Skyrock
… … … …
88.70 RTL2
…
104.3 RMC
107.2 BFM
103.9 RTL
100.4 NRJ
fréquences
89.10
96.90
101.0
102.4
102.8
106.3
87.5 MHz Bande FM 108 MHz
Signal réel
→ Pour extraire de l’information des signaux : 400
Zoom : Signal réel
T(X)
4000
2000
0
0 5 10 15 20 25 30 35 40 45 50
Indices période de signal
Exemple 3
Le traitement du signal +V
0 1 1 0 0 1 0 1 1 1
Pourquoi ? temps
-V
Différents
→ Pour extraire de l’information des signaux : Signaux +V
• Identifier la bande de fréquence nécessaire à la transportant
temps
transmission d’un signal, la même
-V
• Détecter des anomalies, des défauts (ECG, Information
Arcs électriques sur les câbles d’alimentation binaire 0 1 1 0 0 1 0 1 1 1
d’un avion, dent cassée dans un engrenage…) +V
fréquences
fréquences
Signal émis et spectre du signal émis
signal émis
Exemple 4
1
Le traitement du signal 0
Pourquoi ? -1
0 100 200 300 400 500 600 700 800 900 1000
Power/frequency (dB/rad/sample)
spectre du signal émis
20
0
Signal reçu et spectre du signal reçu
-20
Avant filtrage de réception
→ Pour extraire de l’information des signaux : -40
2
signal reçu
0
transmission d’un signal, -1
Power/frequency (dB/rad/sample)
Arcs électriques sur les câbles d’alimentation 10
spectre du signal reçu
d’un avion, dent cassée dans un engrenage…) Signal reçu et spectre du signal reçu 0
-10
après filtrage de réception -20
signal reçu après filtrage
→ Pour construire/modifier des signaux : 1
-30
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Normalized Frequency (×π rad/sample)
0.8 0.9 1
0 TEB = 7.8e-04
traverser : modulation, filtrage… -0.5
-1
• En vue d’éliminer des composantes indésirables : 0 100 200 300 400 500 600 700 800 900 1000
-50
-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency (×π rad/sample)
SNR = 10 dB
TEB = 0
Signal émis et spectre du signal émis
signal émis
Exemple 5
1
Le traitement du signal 0
Pourquoi ? -1
0 100 200 300 400 500 600 700 800 900 1000
Power/frequency (dB/rad/sample)
spectre du signal émis
20
Power/frequency (dB/rad/sample)
Arcs électriques sur les câbles d’alimentation 10
spectre du signal reçu
d’un avion, dent cassée dans un engrenage…) Signal reçu et spectre du signal reçu 0
-50
-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency (×π rad/sample)
TEB = 7.53e-04
SNR = 0 dB
Image émise
Exemple 6
Le traitement du signal 100
Pourquoi ? 200
300
400
Image reçue
500 Avant filtrage de réception
→ Pour extraire de l’information des signaux : 50 100 150 200 250 300 350 400 450 500
• Identifier la bande de fréquence nécessaire à la
100
transmission d’un signal,
• Détecter des anomalies, des défauts (ECG, 200
400
500
50 100 150 200 250 300 350 400 450 500
TEB = 0 SNR = 10 dB
Image émise
Exemple 7
Le traitement du signal 100
Pourquoi ? 200
300
400
Image reçue
500 Avant filtrage de réception
→ Pour extraire de l’information des signaux : 50 100 150 200 250 300 350 400 450 500
• Identifier la bande de fréquence nécessaire à la
100
transmission d’un signal,
200
• Détecter des anomalies, des défauts (ECG,
Arcs électriques sur les câbles d’alimentation 300
400
500
50 100 150 200 250 300 350 400 450 500
-400
Arcs électriques sur les câbles d’alimentation 0 0.1 0.2 0.3 0.4 0.5
t (secondes)
0.6 0.7 0.8 0.9 1
T(X)
4000
2000
0
0 5 10 15 20 25 30 35 40 45 50
Indices période de signal
Amplitude Exemple 1
Avec quels outils ?
temps
temps
fréquences
Bande nécessaire
→ Création/modification de signaux : (pour transmission sur fréquence
porteuse)
• Modulation
• Filtrage Exemple de partage de bande : bande FM à Toulouse
Virgin Radio
88.10 France Inter
100.0 Skyrock
… … … …
88.70 RTL2
…
104.3 RMC
107.2 BFM
103.9 RTL
100.4 NRJ
fréquences
89.10
96.90
101.0
102.4
102.8
106.3
87.5 MHz Bande FM 108 MHz
temps
→ Création/modification de signaux : -V
• Modulation
• Filtrage
fréquences
fréquences
Différentes bandes nécessaires
Exemple 3
Amplitude
Avec quels outils ?
temps
→ Analyse de signaux :
• Fonctions d’autocorrélation, d’intercorrélation
• Transformée de Fourier, Densité Spectrale de
Du bruit ?
Puissance (DSP)
La fonction Rx(τ)
d’autocorrélation Pas que…
→ Création/modification de signaux :
• Modulation
• Filtrage du bruit
et du signal
Image émise
Exemple 4
100
Avec quels outils ?
200
300
400
Image reçue
500 Avant filtrage de réception
→ Analyse de signaux : 50 100 150 200 250 300 350 400 450 500
• Fonctions d’autocorrélation, d’intercorrélation 100
• Transformée de Fourier, Densité Spectrale de
200
Puissance (DSP) Le filtrage 300
400
200
300
400
500
50 100 150 200 250 300 350 400 450 500
Exemples :
→ Temps de traitement ? Temps réel ? → Estimation biaisée de la fonction d’autocorrélation de x :
→ Transformée de Fourier,
Temps de traitement = Nombre d’opérations
→ Densité Spectrale de Puissance (DSP) d’addition/multiplication
(MAC = Multiplication Accumulation)
→ Filtrage
Temps réel : temps de traitement < Te
Cours de traitement Chapitre 2
numérique du signal
Transformée de Fourier
Première année Discrète (TFD)
Département Sciences du
Numérique
Nathalie Thomas
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)
Exemple
30
%Génération du signal 25
x=cos(2*pi*f0*[0:Te:N*Te]);
20
%Tracé du signal 15
figure; plot(x) 10
5
%Calcul de la TFD du signal
X=fft(x); 0
0 20 40 60 80 100 120
11 ? 92 ?
%Tracé du module de la TFD du signal
figure; plot(abs(X))
de fréquences 11 et 92 Hz ?
??
Transformée de Fourier (TF) ?? Transformée de Fourier Discrète (TFD)
1- Echantillonnage temporel
3- Echantillonnage spectral
Quels impacts ??
Transformée de Fourier (TF) 1- TF du signal échantillonné
Exemple
Fe > 2Fmax
Fe < 2Fmax
+ -
Fe
2
Transformée de Fourier (TF) 1- TF du signal échantillonné
Exemple
%Génération du signal 35
x=cos(2*pi*f0*[0:Te:N*Te]);
30
%Tracé du signal 25
figure; plot(x) 20
X=fft(x); 10
5
%Tracé du module de la TFD du signal
figure; plot(abs(X)) 0
0 20 40 60 80 100 120
Transformée de Fourier (TF) 1- TF du signal échantillonné
1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!
Exemple
0.2 30
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 0 25
-0.2 20
%Tracé du signal
-0.4
figure; plot(x) 15
-0.6
10
%Calcul de la TFD du signal -0.8
5
X=fft(x);
-1
0 10 20 30 40 50 60 70 80 90 100 0
0 20 40 60 80 100 120
%Tracé du module de la TFD du signal 11 92
figure; plot(abs(X))
Une période = 10 secondes ?? fréquences f0=11 Hz et Fe- f0=92 Hz ??
Transformée de Fourier (TF) 1- TF du signal échantillonné
1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!
Exemple
-0.6
%Calcul de la TFD du signal
X=fft(x); -0.8
1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!
Exemple
0.2
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 0
1 période = 0,01 secondes
-0.2
%Tracé du signal
-0.4
figure; plot([0:Te:N*Te],x)
-0.6
1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!
Exemple
30
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 25 f0 =10 échantillons
%Tracé du signal
20
de spectre
15
figure; plot([0:Te:N*Te],x)
10
1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!
Exemple
%Génération du signal 30
x=cos(2*pi*f0*[0:Te:N*Te]); 25 f0 = 100 Hz
20
%Tracé du signal
figure; plot([0:Te:N*Te],x) 15
10
%Calcul de la TFD du signal
5
X=fft(x);
0
0 100 200 300 400 500 600 700 800 900 1000
Fréquences (Hz)
%Tracé du module de la TFD du signal
figure; plot(linspace(0,Fe,length(X)),abs(X)) 0 f0 Fe-f0
Fe
Transformée de Fourier (TF) 1- TF du signal échantillonné
Exemple
Exemple
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0 10 20 30 40 50 60 70 80 90 100
Exemple
=> Deux cosinus proches en fréquences => Deux cosinus proches en fréquences
Exemple
Sinus
1
0.8
0.6
Signal de durée limitée cardinal
0.4
0.2
-0.2
TF numérique
Signal de durée infinie x Fenêtre de troncature
sur une durée T : w(t)
… …
Pouvoir séparateur
de l’analyse spectrale
numérique
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée
Exemple
Noyau de Dirichlet
1 Signal échantillonné
de durée limitée
0.8
0.6
0.4
0.2
-0.2
-0.4
Taux d’ondulation
TF
-0.6
xxx … x … …
Pouvoir séparateur
de l’analyse spectrale
numérique
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée
Exemple
0.2
-0.2
d’apodisation) ?
-0.4
-0.6
-0.8
-1
0 10 20 30 40 50 60 70 80 90 100
Exemples
Tracés des fenêtres de troncature Tracés des TF des fenêtres de troncature
1
2
0.9 Différents taux
1 d’ondulation
0.8
0
0.7
-1
0.6
-2
0.5
-3
0.4
-4 Différents pouvoirs séparateurs
0.3 rectangulaire -5
Hamming rectangulaire
0.2 -6
Blackman Hamming
Blackman
0.1 -7
0 -8
0 10 20 30 40 50 60 70 80 90 100 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée
subplot(2,1,1)
%Génération du signal plot(linspace(0,1,4096),log10(abs(X_V1)));
x1=cos(2*pi*f1*[0:Te:N*Te]); title('fenetre naturelle');
x2=cos(2*pi*f2*[0:Te:N*Te]); subplot(2,1,2) 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
10
-2
10
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée
semilogy(linspace(0,1,4096),abs(X));
title('fenetre de Blackman');
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée
Exemple 3
|X(f)| fenetre naturelle
0
10
0
10
-2
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
fenetre de Blackman
0
10
|X(f)|
Exemple 3
+ fenetre naturelle -
3 cosinus
|X(f)|
0
10 de puissances identiques
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
4 cosinus : fenetre de Hamming
2
3 de puissances identiques 10
2 cosinus
1 de plus faible puissance
|X(f)|
0
10
de puissances identiques
-2
10 Mais quelque chose de bizarre…
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
fenetre de Blackman
0
10
3 cosinus
|X(f)|
de puissances différentes
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
3- Echantillonnage fréquentiel
Exemple
%Tracé du signal 20
figure; plot([0:Te:N*Te],x) 15
10
%Calcul de la TFD du signal
X=fft(x); 5
0
0 100 200 300 400 500 600 700 800 900 1000
Fréquences (Hz)
%Tracé du module de la TFD du signal
figure; 0 f0 Fe-f0
Fe
plot(linspace(0,Fe,length(X)),abs(X))
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)
Exemple
f (Hz) f (Hz)
0 f0 Fe-f0 0 f0 Fe-f0
Fe/N Fe/N
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)
Exemple
Tracé du module de X(n) Tracé du module de Y(n)
x x x x
x x x x
x x
x x
x x
x x x
x
x x
x x x
x x x
x x x x x
x x xx x xx x x x x
x x x x x x x x
xx x x x x
x x x x x xx x x x x x xx x x x x x
x f (Hz) x x x x x x f (Hz)
0 f0 Fe-f0 f0
0 Fe-f0
Fe/N Fe/N Fe/MN
N points distants de Fe/N entre 0 et Fe MN points distants de Fe/MN entre 0 et Fe
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)
Exemple
%Tracé du signal 20
figure; plot([0:Te:N*Te],x) 15
10
%Calcul de la TFD du signal
X=fft(x,128); 5
|TFD(x)|
|TFD(x)|
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 20 20
Te=1/Fe; %période d'échantillonnage % Tracé du module de la TFD du signal
N=100; %nombre d'échantillons figure;
subplot(2,2,1) 0 0
0 500 1000 0 500 1000
%Génération du signal plot(linspace(0,Fe,length(X1)),abs(X1)) Fréquences (Hz) Fréquences (Hz)
x=cos(2*pi*f0*[0:Te:N*Te]); xlabel(‘Fréquences (Hz)’) ZP : 256 ZP : 512
subplot(2,2,2) 60 60
%Tracé du signal plot(linspace(0,Fe,length(X2)),abs(X2))
figure; plot([0:Te:N*Te],x) xlabel(‘Fréquences (Hz)’)
40 40
|TFD(x)|
|TFD(x)|
subplot(2,2,3)
%Calcul de la TFD du signal plot(linspace(0,Fe,length(X3)),abs(X3))
X1=fft(x); xlabel(‘Fréquences (Hz)’) 20 20
X2=fft(x,128); Paramètre de subplot(2,2,4)
X3=fft(x,256); plot(linspace(0,Fe,length(X4)),abs(X4))
X4=fft(x,512); Zero Padding xlabel(‘Fréquences (Hz)’)
0
0 500 1000
0
0 500 1000
Fréquences (Hz) Fréquences (Hz)
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)
TFD TFD-1
Transformée de Fourier inverse (TF-1) Transformée de Fourier Discrète inverse (TFD-1)
Convolution linéaire :
Convolution circulaire :
Transformée de Fourier inverse (TF-1) Transformée de Fourier Discrète inverse (TFD-1)
Ajout de N zéros
...000123000... . . . 1 2 3 0 0 0 1 2 3 0 0 0 1 2 3 0 0 0. . .
...000111000... ...111000111000111000...
...000111000... 0 ...111000111000111000... 0
...000111000... 1 ...111000111000111000... 1
...000111000... 3 ...111000111000111000... 3
...000111000... 6 ...111000111000111000... 6
...000111000... 5 ...111000111000111000... 5
...000111000... 3 ...111000111000111000... 3
...000111000... 0 ...111000111000111000... 0
...111000111000111000... 0
Convolution linéaire = convolution circulaire
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)
4- Propriétés de la TFD :
→ Linéarité
→ Symétrie hermitienne
→ Convolution circulaire
→ Egalité de Parseval
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
TFD d’ordre N = 2p : N2 opérations +/x
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
ordreX12N/2
(0)
=4 X(2)
x(4) X1(2)
WN/ 2−1
1
1 X12(1)
x(6) X1(3) X(3)
TFD
X21(0) WN−1
x(1) ORDRE NX2(0) X(4)
1 X21(1) WN−2
x(3) X(5)
TFD 1
X2(1)
X22(0) WN−3
x(5) ordre N/2 = 4 X2(2) X(6)
WN/ 2−1
1 X22(1)
X2(3) X(7)
x(7)
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
X21(0) WN−1
a a+W Nkb
x(1) X2(0) X(4)
1 X21(1) WN−2
WN k
x(3) X(5)
b a-W Nkb TFD 1
X2(1)
X22(0) WN−3
Papillon de la FFT x(5) ordre N/2 = 4 X2(2) X(6)
= 2 opérations +/x 1
WN/ 2−1
X22(1)
X2(3) X(7)
x(7)
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
Exemple (N=23 = 8)
TFD
x(0) X11(0) X1(0) X(0)
Ordre
x(6)
X12(1)
X1(3) X(3)
N/2 = 2
Etape 2 WN−1
x(1) TFD X21(0) X2(0) X(4)
Indices pairs Indices impairs Indices pairs Indices impairs
(TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) Ordre WN−2
WN−3
x(3) TFD X22(0) X2(2) X(6)
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
Exemple (N=23 = 8)
x(0) X11(0) X1(0) X(0)
1
X11(1) X1(1) X(1)
x(4) 1
Etape 1
x(2) X12(0) X1(2) X(2)
1
1 WN/ 2−1
X12(1) X(3)
x(6) X1(3)
Etape 2 WN−1
x(1) X21(0) X2(0) X(4)
Indices pairs Indices impairs Indices pairs Indices impairs
(TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) 1 WN−2
x(0) X11(0) x(2) X12(0) x(1) X21(0) x(3) X22(0) X21(1) X2(1) X(5)
x(5)
Etape 3 1
1 1 1 WN−3
1 X22(0) X(6)
x(4) X11(1) x(6) X12(1) x(5) X21(1) x(7) X22(1) x(3) X2(2)
WN/ 2−1
1
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
WN−3
x(3) X22(0) X2(2) X(6)
WN/ 2−1
1
5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
Nathalie Thomas
(Symétrie hermitienne)
Exemple
%Paramètres
40
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage
Te=1/Fe; %période d'échantillonnage 20
x
0
R
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
-20
figure; plot([-N*Te:Te:N*Te],Rx);
xlabel('Temps (s)'); ylabel('R_x') -60
-0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Temps (s)
Estimateur BIAISE
(Symétrie hermitienne)
Exemple
x
0
R
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
-20
figure; plot([-N*Te:Te:N*Te],Rx);
xlabel('Temps (s)'); ylabel('R_x') -60
-0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Temps (s)
Estimateur NON BIAISE
(Symétrie hermitienne)
Exemple
Variance importante
Simulation sous Matlab : sur les bords
1 1
%Paramètres 0.8
réalisation 1
réalisation 1
réalisation 2 0.8
f0=100; %fréquence du cosinus 0.6
réalisation3
réalisation 2
réalisation3
0.6
Fe=1000; %fréquence d'échantillonnage
0.4
Te=1/Fe; %période d'échantillonnage 0.4
Rx
0.2
0
0
1
% Calcul et tracé de son autocorrélation non biaisée -0.2
-0.2
réalisation 1
% pour différentes réalisations de signal -0.4
réalisation 2 -0.4
x1=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi); -0.6
2 4 6 8 10 12 14
réalisation3
-0.6
175 180 185 190 195 200 205 210
Rx1=xcorr(x1,'unbiased'); Temps (s)
0.5
Temps (s)
x2=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
Rx2=xcorr(x2,'unbiased');
Rx
x3=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
Rx3=xcorr(x3,'unbiased'); 0
figure
plot(Rx1); hold on; plot(Rx2,'r'); plot(Rx3,'g')
legend('réalisation 1','réalisation 2','réalisation3')
xlabel('Temps (s)'); ylabel('R_x') -0.5
2- Estimation fréquentielle
Convolution linéaire :
Si :
alors :
Et : Temps de calcul : N+3Nlog2(N) opérations +/x
TFD
Si :
- somme infinie dans l’expression de Rxy(k) au lieu de 0,…, N-1 MAIS
- la TFD transforme un produit en produit de convolution !! Signaux périodiques !!
Cours de traitement Chapitre 4
numérique du signal
Densité Spectrale de
Première année Puissance (DSP)
Département Sciences du
Numérique
Nathalie Thomas
Deux estimateurs de base
→ Périodogramme
Remarque : périodogramme corrélogramme « biaisé »
→ Corrélogramme
140
120
Noyau de Fejer : 80
• Biais convolutif : 60
40
20
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Frequences normalisées
0.4 3.5
0.3
3
0.2
DSP
2.5
0.1
2
x (t)
-0.1 1.5
-0.2
1
-0.3
0.5
-0.4
-0.5
0
0 100 200 300 400 500 600 700 800 900 1000 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Temps Fréquences normalisées
5
DSP simulée
10 000 échantillons de signal 4.5 DSP théorique
0.5
4
0.4
3.5
0.3
0.2
3
DSP
0.1
2.5
0
2
-0.1
1.5
-0.2
-0.3
1
-0.4
0.5
-0.5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Temps
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées
Deux estimateurs de base
2- Des variantes
0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
-0.5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Temps
L
N=ML
…
Deux estimateurs de base
2- Des variantes
→ Périodogramme cumulé (Bartlett) :
Exemples :
N= 10 000 échantillons, M=10 fenêtres N= 100 000 échantillons, M=100 fenêtres
N= 10 000 échantillons, 1 fenêtre de L= 1000 échantillons de L=1 000 échantillons
7 2 1.4
DSP simulée DSP simulée DSP simulée
DSP théorique 1.8 DSP théorique DSP théorique
6 1.2
1.6
5 1.4 1
1.2
4 0.8
DSP
DSP
DSP
1
3 0.6
0.8
2 0.6 0.4
0.4
1 0.2
0.2
0 0
0 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées
Fréquences normalisées Fréquences normalisées
Inconvénient : pour une durée d’observation du signal donnée augmentation du biais donnée quand on veut diminuer
la variance
10000
100 échantillons 100
10 échantillons
Exemple : 9000 90
7000
80
70
6000 60
4000
50
40
3000 30
2000 20
1000 10
0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Frequences normalisées Frequences normalisées
2/N
Deux estimateurs de base
2- Des variantes
→ Périodogramme modifié:
→ Corrélogramme modifié :
Fenêtre de pondération
Inconvénient : lissage des variations importantes, diminution du pouvoir séparateur
1 1
DSP
DSP
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées
Deux estimateurs de base
2- Des variantes
→ Exemples de périodogrammes cumulés :
K= 10 000 échantillons, K= 10 000 échantillons, M=10 fenêtres K= 100 000 échantillons, M=100 fenêtres
1 fenêtre de L= 1000 échantillons de L=1 000 échantillons
7 2 1.4
DSP simulée DSP simulée DSP simulée
DSP théorique 1.8 DSP théorique DSP théorique
6 1.2
1.6
5 1.4 1
1.2
4 0.8
DSP
DSP
DSP
1
3 0.6
0.8
2 0.6 0.4
0.4
1 0.2
0.2
0 0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées Fréquences normalisées
2
1.4
DSP simulée
DSP simulée
1.8 DSP théorique
DSP théorique
1.2
1.6
1.4 1
1.2
→ Périodogramme de Welch : 0.8
DSP
DSP
1
(recouvrement de L/2) 0.8
0.6
0.6
0.4
0.4
0.2
0.2
0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées
Cours de traitement
numérique du signal Chapitre 5
Nathalie Thomas
Filtres analogiques linéaires invariants dans le temps
OUTIL D’ETUDE : LA TRANSFORMEE DE LAPLACE
→ Définition :
Rappels
→ Analyse des systèmes linéaires invariants dans le temps ANALOGIQUES
Fonction de transfert
o Étude temporelle (réponse indicielle, réponse à une rampe): stabilité (pôles de H(p) à partie réelle négative), rapidité
(temps de montée, temps de réponse à x%), précision (erreur statique, erreur de trainage)
o Etude fréquentielle (réponse à une entrée sinusoïdale) : diagrammes de Bode => fréquence de coupure, bande passante,
atténuation en bande coupée, résonnance …
Réponse
en fréquence
o Exemple : Réponse indicielle
w0 -90°
Filtres numériques linéaires invariants dans le temps
OUTIL D’ETUDE : LA TRANSFORMEE EN Z
→ Définition :
o Principales propriétés :
• Linéarité :
• Décalage temporel :
• Produit de convolution :
o Domaine d’existence :
o TZ inverse :
o Existence de tables
Filtres numériques linéaires invariants dans le temps
DEFINITIONS
→ Linéarité : Filtre
Filtre
Filtre
Réponse TPG
en fréquence Remarque :
Filtres numériques linéaires invariants dans le temps
REALISABILITE
o Causalité :
o Stabilité :
Exemple : R
i(t)
Équation différentielle en temporel
x(t) C y(t)
+
Fonction de transfert rationnelle en p
(hypothèse : N<M)
(solution causale(1))
-2 -1 1 2
o Filtres du 2nd ordre
Filtre stable
-1
Condition de stabilité des RII Filtre instable
du 2nd ordre
(1)) La TZ inverse n’est pas unique. Elle sera différente selon le contour choisi dans le domaine de convergence pour la calculer : voir exercices poly sur la TZ.
Filtres numériques linéaires invariants dans le temps
FILTRES RATIONNELS (RIF)
Spécifications à respecter :
GABARIT
SYNTHESE
COEFFICIENTS
→ Gabarit à respecter :
o Sur le module de la fonction de transfert
Bande Bande
Bande Bande
Bande passante Bande atténuée
passante passante
atténuée atténuée
→ Gabarit à respecter :
o Sur le module de la fonction de transfert
Bande Bande
Bande passante atténuée
Bande passante Bande
atténuée atténuée
Zone de Zone de
Zone de
transition transition
transition
o Sur la phase de la fonction de transfert : filtres de phase ou passe-tout
Filtres numériques linéaires invariants dans le temps
SYNTHESE ET IMPLANTATION DES FILTRES RATIONNELS
Spécifications à respecter :
GABARIT
Synthèse de RIF
Deux méthodes
SYNTHESE différentes
Le filtre qui respecte Synthèse de RII
le gabarit n’est pas unique
COEFFICIENTS
Spécifications à respecter :
GABARIT
SYNTHESE
+
++ Limitation de la durée
COEFFICIENTS à N coefficients
Echantillonnage + +
ORDRE DU FILTRE
+ +
+++ + + +
+ +
+ ++ ++ +
+ +
+ +
SYNTHESE + +
+++ + + +
+ +
+ ++ ++ +
+ +
COEFFICIENTS
+ +
+ +
+++ + + +
+ +
+ ++ ++ +
+ +
+
(Hyp : ordre N impair) ++ 1
0
+ +
+ + -1
+++ + + +
+ +
+ ++ ++ +
+ +
0 20 40 60 80 100 120 140 160 180
(ordre = 81)
signal filtré
1
(Hyp : ordre N impair) + (Hyp : ordre impair)
++
0
+ +
-1
+ + + +
+ + + + + + + + + ++ + + + + +
++ + + + + + + ++ + + + + + +
+ ++ +
+ + 0 50 100 150 200 250
(ordre = 201)
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF
+ +
+ +
+++ + + +
+ +
+ ++ ++ +
+ +
0.8
-2
10
H(f)
H(f)
0.6
-4
10
0.4
-6
10
0.2
-8
10
-200 -150 -100 -50 0 50 100 150 200 250 -500 -400 -300 -200 -100 0 100 200 300 400 500
Fréquences (Hz) Fréquences (Hz)
+
(Hyp : ordre N impair) ++ 1
0
+ +
(Hyp : ordre impair)
+ + -1
++ +
+ +
+
++
+ ++ ++ +
+ +
0 20 40 60 80 100 120 140 160 180
COEFFICIENTS
Bibliothèques
de modèles analogiques :
Butterworth, Tchebycheff,
Cauer, Bessel…
TRANSFORMEE BILINAIRE :
Fonction de transfert :
H(p)
? Stabilité et réponse en fréquence conservées
Fonction de transfert :
MAIS Distorsion de l’axe des fréquences:
H(z) 1
arctan
→ Exemple de synthèse d’un filtre passe-bas RII dans les exercices corrigés
Filtres numériques linéaires invariants dans le temps
IMPLANTATION DES FILTRES RATIONNELS
→ Structures décomposées :