Beruflich Dokumente
Kultur Dokumente
- Rappels sur la TF
- Stabilité, causalité
- Energie et puissance
- Corrélation et autocorrélation
- Notion de fréquence
1
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
- TZ et Notion de convergence
- Propriétés de la TZ
- TZ inverse
- Fonction de transfert
- Synthèse des filtres RII par la méthode des pôles et des zéros
Travaux Pratiques
4. Transformée en Z et propriétés
Un signal est la représentation physique de l’information qu’il transporte de sa source à son destinataire.
Il sert de vecteur à une information. Il constitue la manifestation physique d’une grandeur mesurable (courant,
tension, force, température, pression, etc.). Les signaux sont des grandeurs électriques variant en fonction du
temps x(t) obtenues à l’aide de capteurs. Sur le plan analytique : Un signal sera une fonction d'une variable
réelle, en général le TEMPS.
Exemples :
Images, Vidéos
Tout signal physique comporte une composante aléatoire (perturbation externe, bruit, erreur de mesure,
etc …). Le bruit est défini comme tout phénomène perturbateur gênant la perception ou l’interprétation d’un
signal, par analogie avec les nuisances acoustiques (interférence, bruit de fond, etc.). La différentiation entre le
signal et le bruit est artificielle et dépend de l’intérêt de l’utilisateur : les ondes électromagnétiques d’origine
galactique sont du bruit pour un ingénieur des télécommunications par satellites et un signal pour les
radioastronomes.
La théorie du signal a pour objectif fondamental la "description mathématique" des signaux. Cette
représentation commode du signal permet de mettre en évidence ses principales caractéristiques (distribution
fréquentielle, énergie, etc.) et d’analyser les modifications subies lors de la transmission ou du traitement de
ces signaux.
Le traitement du signal est la discipline technique qui, s’appuyant sur les ressources de l’électronique,
de l’informatique et de la physique appliquée, a pour objet l’élaboration ou l’interprétation des signaux. Son
champ d’application se situe donc dans tous les domaines concernés par la perception, la transmission ou
l’exploitation des informations véhiculées par ces signaux.
Les fonctions du traitement du signal peuvent se diviser en deux catégories : l’élaboration des signaux
(incorporation des informations) et l’interprétation des signaux (extraction des informations). Les principales
fonctions intégrées dans ces deux parties sont les suivantes :
3
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
– création de signaux de forme appropriée en procédant par exemple à une combinaison de signaux
élémentaires.
– codage/compression : traduction en code binaire (quantification), compression (Jpeg, mp3, mpeg4, etc.)
– identification : classement d’un signal dans des catégories préalablement définies ((identification d'une
pathologie sur un signal ECG, reconnaissance de la parole, etc.)
– analyse : isolement des composantes essentielles ou utiles d’un signal de forme complexe (transformée de
Fourier)
– mesure : estimation d’une grandeur caractéristique d’un signal avec un certain degré de confiance (valeur
moyenne, etc.)
Pour faciliter l’étude des signaux, différents modes de classification peuvent être envisagés :
– représentation spectrale pour laquelle le signal est classé par le domaine de variation de la fréquence
moyenne Df .
– les signaux certains (ou déterministes) dont l’évolution en fonction du temps peut être parfaitement
décrite par un modèle mathématique. Quant aux signaux aléatoires (ou probabilistes), ils ont un
comportement temporel imprévisible et pour la description desquels il faut se contenter d’observations
statistiques.
Un autre paramètre des signaux traités est à prendre en compte, c’est l’amplitude qui peut aussi être
continue ou discrète (quantifiée). Ainsi quatre formes de signaux, qui se retrouvent dans un système
numérique de contrôle d’un processus physique, peuvent être distinguées :
– signal à amplitude discrète et temps continu (signal quantifié) : Sq(t). Ce signal correspond à celui qui
est fourni à la sortie d’un circuit convertisseur numérique analogique pour la commande d’un actionneur
– signal à amplitude continue et temps discret (signal échantillonné) : s(nTe). Ce signal, obtenu à l’aide
d’un circuit échantillonneur bloqueur, est transmis à un circuit convertisseur analogique numérique pour
obtenir un signal numérique utilisable par un ordinateur
– signal à amplitude discrète et temps discret (signal logique ou numérique) : sq(nTe). Ce dernier cas
correspond en réalité à une suite de nombres codés en binaire. Ces nombres, utilisés au sein d’un ordinateur,
se transmettent sous la forme de plusieurs signaux de type numérique 0 V (0 logique) ou 5 V (1 logique) se
propageant en parallèle : 8 signaux pour un nombre codé sur 8 bits.
5
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Les notes d’un élève sont un signal à TD par nature, alors qu’une température mesurée périodiquement
est un signal à TD par échantillonnage.
Ainsi, la numérisation d’un signal est l’opération qui 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. Cette
opération de numérisation d’un signal 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 : commande d’un actionneur. Ces trois étapes sont indissociables.
En effet, le signal, étant le support physique d’une information, doit conserver au cours de ces modifications
tout le contenu informatif initial. Cette condition, ajoutée à la notion de coût limite d’un système, va être à la
base de la numérisation des signaux et de l’étude du traitement numérique.
x(t) et X(f) sont deux descriptions équivalentes du même signal. La transformée de FOURIER existe si les
trois conditions de DIRICHLET sont vérifiées:
- x(t) possède un nombre fini de maxima et de minima sur tout intervalle fini,
+∞
- x(t) est absolument intégrable, c’est-à-dire : ∫ x(t ) dt
−∞
existe
Ainsi, tous les signaux à énergie finie possède une transformée de Fourier. Cette dernière est une
fonction complexe même si x(t) est réel, elle pourra être exprimée sous la forme:
X ( f ) = A2 ( f ) + B 2 ( f )
B( f )
ϕ = arg( X ( f )) = arctg 6
F.E.I., U.S.T.H.B. A( f )
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exemples
Remarques :
- La propriété de changement d'échelle indique que plus le support temporel d'une fonction est étroit
plus le support de sa TF est large.
- La translation d'un signal temporel se traduit par un déphasage en fréquence. Une translation en
fréquence équivaut à une modulation temporelle.
- La TF d'un signal périodique est divergente, mais on peut définir une TF au sens des distributions en
utilisant la décomposition en Série de Fourier. Le résultat correspond à un spectre de raies (non continu). Lien
entre série de Fourier et TF
1
T /2
x(t ) exp(−2πjnf 0 t )dt
T −T∫/ 2
C n =
sachant que: +∞
alors X ( f ) = lim(T .C n )
X ( f ) =. x(t ) e −2π j f t dt T → +∞
∫
−∞
+∞s +∞s
Ex = ∫ x (t ) dt = ∫ X(f )
2 2
Pour les signaux à énergie finie, la TF conserve l'énergie (relation de Parseval) : df
−∞ −∞
On peut donc définir une notion d'énergie par unité de fréquence, la densité spectrale d'énergie (DSE). La
DES est la TF de l'autocorrélation (Thèorème de Wiener-Kintchine
+∞s
∫R (τ )e − 2 π j f τ dτ
2
Sx ( f ) = X ( f ) = x
−∞
On remarque que la DES est indépendante de la phase, donc elle est insensible à tout retard. Pour les
signaux à puissance moyenne finie, on définit alors une densité spectrale de puissance (DSP):
2 7
X(f )
Px ( f ) = lim
F.E.I., U.S.T.H.B.
T →∞ T
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Principales propriétés de la TF
1
o Changement d'échelle : x(at ) →
TF
X ( f / a)
a
d n x (t ) TF
o Dérivation : n
→(2π j f ) n X ( f )
dt
x(−t ) →
TF
X (− f )
o Inversion et conjugaison :
x * (t ) →
TF
X * (− f )
o Dirac : δ (t − t 0 ) →
TF
e −2 π j f t0
⇒ δ (t ) →
TF
1
1 1 1
o Echelon et signe: U (t ) →
TF
+ δ(f ) Sgn( f ) =
2πjf 2 πjf
+∞ +∞
o Périodiques : ∑C
n = −∞
n exp(2πjnf 0 t ) →
TF
∑ C δ ( f − nf
n = −∞
n 0 )
+∞ +∞
1
o Peigne de Dirac : ∑ δ (t − nT ) → X ( f ) = T ∑ δ ( f − nf
n = −∞
TF
n = −∞
0 )
1 1
o cos( 2πf 0 t ) →
TF
δ ( f − f0 ) + δ ( f + f0 )
2 2
1 1
o sin(2πf 0 t ) →
TF
δ ( f − f0 ) − δ ( f + f0 )
2j 2j
8
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Echantillonnage idéal
Soit x(t) un signal analogique de transformée de Fourier X(f). Echantillonner le signal x(t) consiste à
choisir une fréquence Fe et de construire un nouveau signal avec les x(nTe) avec n un entier et Te=1/fe.
xe (t ) = x (t ).∑ δ (t − nTe ) , ∑ δ (t − nT ) e
n n
⇒ X e ( f ) = fe ∑ X ( f − nf
n
e )
Théorème de Shannon
On considère que x(t) est un signal réel dont le spectre est borné en fréquence, de fréquence maximale
fmax :
∀ f > f max X( f ) = 0
9
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
- fe > 2 fmax
- fe < 2 fmax
Par conséquent, pour que la répétition périodique du spectre de xe(t) ne déforme pas le spectre X(f) répété, il
faut et il suffit que fe > 2 fmax (théorème de Shannon).
Remarques:
Si le support du spectre X(f) n’est pas borné (s’étale sur l’axe réel) il y a un repliement du spectre des
échantillons (aliasing), on ne peut pas isoler le spectre original à partir de celui des échantillons.
Dans la pratique, on ne peut pas se contenter de prendre une fréquence d´échantillonnage égale à la
fréquence de Nyquist (2 fmax), il faut en prendre une largement supérieure. Par exemple, pour numériser la
parole dans le réseau téléphonique, on utilise une fréquence d'échantillonnage fe= 8kHz alors que le spectre de
la voix est en général compris entre 300Hz et 3400Hz. De même, la digitalisation des disques compacts se fait à
fe= 44.1kHz alors que le support du spectre sonore est [0Hz, 20kHz]. En effet, si on prend la fréquence de
Nyquist pour échantillonner, alors il faudrait avoir un filtre passe-bas idéal avec une fréquence de coupure très
nette. Par contre, quand le spectre est plus "aéré", on peut utiliser des filtres dont la zone de coupure peut être
plus large.
Filtre anti-repliement :
Les signaux étudiés en réalité sont rarement à support fréquentiel borné, c’est-à-dire que fmax = 1. C’est
par exemple le cas d’un signal rectangulaire périodique dont les raies fréquentielles s’étendent à l’infini ou
encore un signal bruité. Ceci implique que quelle que soit la fréquence d’échantillonnage il y aura repliement
de spectre puisque fe > 2 fmax = ∞ est une condition impossible à réaliser. Pour remédier à ce problème, on
utilise à l’entrée d’un système numérique un filtre passe-bas appelé filtre anti-repliement ou anti-aliasing. Ce
filtre est analogique, idéalisé il doit avoir un gain de 1 sur une bande de fréquence Fe, centrée en zéro. Son rôle
va être de limiter le contenu spectral du signal à la partie utile. Il va participer aussi à limiter l’influence du
bruit éventuellement présent sur le signal à numériser.
10
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Soit x(t) un signal analogique de transformée de Fourier X(f). Echantillonner le signal x(t) consiste à
choisir une fréquence fe et de construire un nouveau signal avec les x(nTe) avec n un entier et Te=1/fe.
x(t) xe(t)
∑ πθ (t − nT
n
e − θ / 2)
Cela signifie que l’échantillonnage naturel est la multiplication du signal analogique (suppose causal : nul
pour t négatif) par le signal qui est un train, périodique de période Te, d’impulsions rectangulaires de durée θ.
X e ( f ) = X ( f ) * ∑ θ sin c(πfθ )e −π j fθ . f eδ ( f − nf e )
n
Donc, en comparaison avec l’échantillonnage idéal, un facteur θ e sin c(πnf eθ ) apparaît lors d’un échantillonnage
naturel. Le spectre du signal analogique va non seulement être périodisé à la fréquence d’échantillonnage,
mais il va en plus être pondéré par un sinus cardinal.
Remarques :
Le terme θfe= θ/Te est décisif quant à la qualité du compromis échantillonnage/résolution fréquentielle :
La résolution fréquentielle (pouvoir de discerner le spectre a deux fréquences très proches) exige θfe faible et
l’échantillonnage exige fe important et θ faible
Mise en forme
Une chaîne de traitement du signal échantillonné peut être schématisée de la manière suivante :
11
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Le signal analogique s(t) possède probablement et dans la majorité des cas une bande spectrale large : la
première étape consiste à limiter cette bande par un filtrage passe-bas (mise en forme) afin de pouvoir
effectuer l’échantillonnage en respectant le théorème de Shannon.
Une fois le signal échantillonné obtenu, le traitement souhaite peut être effectué sur les échantillons. La
reconstruction des résultats analogiques, de large bande généralement, à partir des échantillons traités
nécessite une reconstruction (un bloqueur par exemple) suivie d’un filtrage passe-bas adéquat (lissage) puis
d’une mise en forme identique à celle appliquée a l’entrée afin de limiter la largeur de bande.
Les systèmes numériques possèdent sur leurs homologues analogiques un ensemble d’avantages décisifs :
- Simplicité. Les systèmes numériques sont intrinsèquement plus simples à analyser (et donc à synthétiser) que
les systèmes analogiques. La récurrence linéaire qui caractérise un filtre numérique, par exemple, est accessible
à un tout jeune enfant. Cette propriété des systèmes numériques est due en partie à l’adéquation parfaite entre
simulation et traitement : simuler un traitement numérique, c’est en faire.
- Possibilités de traitement accrues. La simplicité des opérations numériques de base ne doit pas tromper : il
s’ensuit qu’il est possible de réaliser, en numérique, des opérations beaucoup plus complexes qu’en
analogique, notamment des opérations non-linéaires.
- Robustesse aux bruits. Les systèmes numériques sont par essence insensibles aux bruits parasites
électromagnétiques. Le transcodage de l’information sous forme numérique joue un peu le rôle de « firewall ».
- Précision et stabilité. Puisque les seuls « bruits » sont liés à la précision des calculs, cette dernière dépend
uniquement du calculateur utilisé ; elle est insensible à la température et ne varie pas avec l’âge du système.
- Flexibilité. Dans un grand nombre de systèmes numériques, le traitement est défini par un logiciel chargé en
mémoire. Il est dès lors très facile de modifier ce traitement, sans devoir modifier la machine qui le réalise. On
pense par exemple aux modems numériques actuels, qui peuvent s’adapter facilement aux normes futures par
simple reprogrammation.
Rappelons que les signaux déterministes renferment une information dont l'évolution en fonction du
temps peut être parfaitement prédite par un modèle mathématique (au contraire des signaux
aléatoires/stochastiques). Nous présentons dans cette section quelques fonctions mathématiques ainsi que
leurs propriétés, supports de signaux élémentaires et utilisées tout au long du cours de traitement du signal.
Un signal déterministe à temps discret est une suite de valeurs réelles ou complexes indexées par Z. On
utilise aussi le terme de signal. En traitement du signal, un signal à temps discret provient souvent de
l’échantillonnage à la cadence Fe = 1/Te, d’un signal x(t) déterministe à temps continu qui est supposé à bande
limitée (−Fe/2, Fe/2). 12
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Dans la suite nous supposerons que tous les signaux sont échantillonnés à la même cadence et nous
omettrons alors d’indiquer Te en notant x(n) = x(nTe).
- Fonction signe
1 n≥0
sgn( n) =
− 1 n<0
1 n≥0
U ( n) = Γ ( n) =
0 n<0
- Fonction porte
1 − N /2≤ n ≤ N /2
Π ( n) =
N +1
0 ailleurs
1 0 ≤ n ≤ N −1
rect (n / N ) =
0 ailleurs
1 n=0
δ ( n) = = U (n) − U (n − 1)
0 n≠0
Autres propriétés:
sin(πθ n)
sin c (θ n) =
πθ n
13
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Série 1
1. Soient x(t)= Α Π (t ) et y(t) = Α Λ (t ) signal porte et signal triangulaire d’amplitude A>0 et de largeur θ.
θ θ /2
• Tracer x(t) et y(t) sur le même graphe
• Utiliser les dérivées pour trouver X(f) et Y(f) qui seront représentés sur le même graphe puis commenter et
interpréter les deux graphes pour A=1 et θ=20.
+∞ +∞ +∞
j 2πn t
2. Soit le signal x(t ) = ∑ δ (t − nT ) , montrer que :
−∞
∑e −∞
T
= T ∑ δ (t − nT ) et
−∞
déterminer la TF de x(t)
−a t
4. Un signal x(t ) = e avec a = 2 est transmis au travers du système suivant :
échantillonneur
x(t) yt)
L’échantillonneur est réalisé par un interrupteur qui s’ouvre et se ferme périodiquement à la cadence fe =
20Hz avec un temps de fermeture égal à Tf = 20ms. Esquisser l’allure de y(t) et de son spectre d’amplitude
Y(f);
Solutions :
1. X ( f ) = A sin c( fθ ) Y ( f ) = A sin c 2 ( fθ / 2)
14
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exercices supplémentaires
2. On considère un signal de parole de durée 1mn et ayant une bande passante de 10 kHz.
- Calculer le nombre minimal d’échantillons nécessaires pour représenter ce signal.
- En supposant que le signal est échantillonné selon le schéma suivant :
xe(t)
xr(t) x(3Te
x(Te) x(2Te )
)
x(0)
1
Reconstruction théorique ⇒ X R ( f ) = X e ( f ) π ( f ) ⇒ x R (t ) = ∑ x(nTe ) * sinc( f e (t − nTe ))
f e fe n
Bloqueur d’ordre 0 ⇒ x R (t ) = ∑n
x(nTe ) π (t − nTe − Te / 2)
Te
15
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Un système linéaire est un modèle de système qui applique un opérateur linéaire à un signal d'entrée.
Un système linéaire affiche typiquement des caractéristiques et des propriétés beaucoup plus simples que le
cas général non-linéaire. C'est une abstraction mathématique très utile en automatique, traitement du signal,
mécanique et télécommunications. Les systèmes linéaires sont ainsi fréquemment utilisés pour décrire un
système non linéaire en ignorant les petites non-linéarités. Un système est discret, si à la suite d'entrée discrète
x(n) correspond une suite de sortie discrète y(n).
- Si le système est régi par le principe de superposition, on parle de système linéaire. Linéarité : si l'entrée x(n)
produit une sortie y(n), quand on applique une entrée k.x(n) , la sortie sera k.y(n). Si deux entrées x1(n) et
x2(n) engendrent deux sorties y1(n) et y2(n) alors x1(n) + x2(n) engendrera y1(n) + y2(n)
- Si le système est invariant, cela implique que le système réagit de la même façon quelque soit l’instant auquel
nous appliquons ses excitations. Cette propriété exprime que la caractéristique du système ne dépend pas de
l’origine du temps. S’il y a invariance dans le temps, une translation de l'entrée (x(n) ⇒x(n-m)) se traduira par
une même translation dans le temps de la sortie (y(n)⇒y(n-m)).
16
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Remarque :
- Un système linéaire invariant est un système dont le comportement dans le temps, peut-être décrit par une
M N
équation aux différences : ∑ ai y (n − i) = ∑ bi x(n − i) ,
i =0 i =0
Si les hypothèses de linéarité et d'invariance temporelle sont vérifiées, on peut caractériser le système par sa
réponse impulsionnelle h(n).
x(n) y(n)
SLI: h(n)
On peut en déduire l'effet d'une entrée quelconque sous la forme d'une convolution. Cette dernière est
l’opération de traitement de signal la plus fondamentale. Elle indique que la valeur du signal de sortie à
l’instant n est obtenue par la sommation (intégrale) pondérée des valeurs passées du signal d'excitation x(n).
La fonction de pondération est précisément la réponse impulsionnelle h(n):
∞ ∞
y ( n) = h( n) ∗ x( n) = ∑ h( m) x ( n − m) = ∑ x (m ) h(n − m )
m = −∞ m = −∞
La réponse impulsionnelle h(n) est le signal qu'on obtient en sortie y(n)=h(n) si on applique en entrée
une impulsion "de Dirac'' x(n)=δ(n). Le Dirac est l'élément neutre de l'opération de convolution:
Exemple 1:
On distingue 3 cas :
17
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exemple 2 :
x(n) y(n)
1
h( n) = Π ( n)
N + 1 N +1
N /2
1
⇒ y (n) = ∑ x ( m)
N + 1 m= − N / 2
Remarques :
Si on applique à un SLIT une entrée sinusoïdale réelle ou complexe de fréquence f0, alors, la sortie sera une
sinusoïde dont l'amplitude et la phase pourront être modifiées mais qui conservera la même forme (une
sinusoïde) et la même fréquence f0. En termes plus mathématiques, on dit que les sinusoïdes sont les fonctions
propres des SLIT.
- Si les ai sont différents de 0, le système est dit récursif (RII),, il est non récursif s'il ne dépend que des x(n-i)
(RIF)
K
ystème est à réponse impulsionnelle de durée finie (RIF), alors : y ( n) =
- Si le système ∑ h ( m) x ( n − m)
m =0
Dans ce cas, le système numérique est une fenêtre centrée sur les K plus récents échant
échantillons.
+∞
- Si le système est à réponse impulsionnelle de durée infinie (IIR) : y ( n ) = ∑ h ( m) x ( n − m)
m =0
Dans ce cas, il est nécessaire
essaire de connaître tous les échantillons présents et passés, le système à une mémoire de
longueur infinie.
18
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exemple 3
19
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
2. Stabilité, causalité
Une contrainte importante pour la formalisation de nombreux problèmes est de respecter la notion de
causalité (les effets ne peuvent pas précéder la cause). Dans le cas des SLIT, cette causalité se traduit par le fait
que pour: h(n) = 0 pour n<0.
n
x(n) = 0, n < n0 alors y(n) = 0, n < n0 ⇒ h(n) = 0, n < 0 , y ( n) = ∑ x (m)h(n − m) ,
m = −∞
n
- si h et x sont causaux y ( n ) = ∑ h( n − m) x ( m)
m =0
C'est une hypothèse fondamentale en traitement de signal : la cause précède l’effet ⇒ les signaux de sortie ne
peuvent exister avant les signaux d’entrée qui les génèrent. C’est une hypothèse intuitive qui est liée à
l’expérience mais, nous pouvons envisager mémoriser les signaux d’entrée et faire un traitement de ceux-ci en
temps différé, les systèmes utilisés ne sont plus alors nécessairement causaux car pour élaborer la sortie à
l’instant ni, nous disposons en mémoire des entrées aux instants suivants. C’est souvent le cas en traitement
d’image, en traitement de parole effectué après mémorisation du signal à traiter. Un exemple de signal causal :
signal reçu au vol (émission radio), exemple de signal non causal : signal enregistré.
∑ h(n) < ∞
n
Un système stable est un système qui, perturbé, revient à son état initial après disparition de la
perturbation.
3. Energie et puissance
L’énergie (puissance) est une quantité importante dans le traitement du signal. Toute transmission
d’information s’accompagne de transferts d’énergie. En effet, les signaux continus ou discrets sont
essentiellement caractérisés par l’énergie ou la puissance qu’ils véhiculent. Ce sont les seules grandeurs
physiques auxquelles sont sensibles les détecteurs. Beaucoup de capteurs physiques mesurent une énergie ou
une quantité quadratique. Par exemple, les capteurs optiques mesurent une intensité, les compteurs
d’électricité mesurent une énergie, etc. Compte tenu de la définition fondamentale, l’énergie du signal entre les
instants t et t+dt est : |x(t)|2 dt (puissance instantanée multipliée par le temps).
20
F.E.I., U.S.T.H.B.
+∞
∑ x(n) 2
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
+∞
∑
2
Soitt un signal x(t) à temps discret
discret,, tel que x (n) existe et converge. Alors le signal est dit à énergie
−∞
finie et la valeur de cette somme est appelée énergie du signal :
+∞
E x = ∑ x (n)
2
−∞
Exemples:
x(n) = Rect(n/N)) énergie finie. x(n)) = a (constante) n’est pas à énergie finie. x(n) = A sin(2πf0n) n’est pas
à énergie finie
N / 2 −1 N
1 1
Px = ∑ Px = ∑
2 2
x( n) ou x( n)
N −N / 2 2 * N + 1 −N
Dans le cas général, on parle de signaux à puissance moyenne finie définie par:
N / 2−1 N
1 1
Px = lim N →∞ ∑ Px = lim N →∞ ∑
2 2
x ( n) ou x( n)
N −N / 2 2 * N + 1 −N
Exemples:
- signaux périodiques,
- échelon unité.
- peigne de Dirac
Il existe des signaux ni périodiques, ni d'énergie finie, pour lesquels la puissance ne peut être définie,
définie
comme par exemple la rampe x(n)=n.
x(n)=n. Il s'agit là de définitions mathématiques. En pratique, un signal mesuré
ne l'est jamais sur un intervalle de temps infini. Par exemple, on peut commencer à visualiser un signal à un
instant qu'on prendra comme origine des temps, et dans ce cas on arrêtera son examen au bout d'un temps
Tobs. Comme on ne sait pas ce que ce signal était avant qu'on ne l'observe, ni ce qu'il deviendra après, il serait
présomptueux d'utiliser les bornes de -∞ à +∞ dans la formulation de l'énergie, et on se limitera donc
do à l'écrire
sous la forme: Nobs
Ex = ∑ x( n )
2
n =0
- Signal à énergie finie = puissance nulle - Signal à puissance finie = énergie infinie
Le calcul de l'énergie ou la puissance permet d'obtenir une première caractérisation du signal. Par
ailleurs, la théorie du signal a largement
gement développé des méthodes d’étude basées sur la corrélation pour
caractériser le comportement temporel du signal.
21
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
4. Corrélation et autocorrélation
La fonction de corrélation permet de mesurer le degré de ressemblance entre deux signaux en fonction
d’un décalage. Considérons x(n) et y (n) deux signaux d'énergie finie, la fonction d'intercorrélation Rx,y(k) est
∞
définie par: R xy ( k ) = ∑ x ( n) y
n = −∞
*
(n − k )
N −n
1
Pour des signaux à puissance moyenne finie, elle vaut : Rxy (k ) = lim
N →∞ N
∑ x ( n) y ( n − k )
n =1
*
Exemples:
Le signal x(t) ressemble le plus à y(t) aux instants -T/2 et T/2. En t=0, x(t) ne ressemble pas du tout à
y(t) (ils sont orthogonaux, produit scalaire nul). Pour l'exemple de droite, les signaux se ressemblent le plus
quand y(t) est décalé de 12 secondes.
x(n) y(n)
1 1
-N
-N/2 N/2 nt N n
-
1
Rxy(k)
N
-3N/2 N/2
-N/2 3N/2 k
Pour l'autocorrélation, on remplace y(n) par x(n) on obtient l'expression de l'autocorrélation pour les
∞
signaux à énergie finie: R x ( k ) = ∑ x (n) x
n = −∞
*
(n − k )
L'autocorrélation permet de détecter des régularités, des profils répétés dans un signal comme un signal
périodique perturbé par beaucoup de bruit.
Propriétés :
- Rxx(k) est maximale en k=0. Rien ne ressemble plus au signal que lui-même.
22
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Autocorrélation des signaux périodiques : Le calcul sur une seule période suffit. L’autocorrélation d’un
signal périodique est elle même périodique. Par définition, le signal périodique ressemble parfaitement à lui
même, décalé d’une ou plusieurs périodes.
- signaux périodiques
N −n
1
Rx (k ) =
N
∑ x ( n) x ( n − k )
n =1
*
Remarque: Les opérations de corrélation et convolution sont liées. Mathématiquement, on peut écrire une
relation qui permet d’exprimer la fonction de corrélation comme un produit de convolution (et
réciproquement). En effet: R ( k ) = x * ( − n) * y ( n)
xy
On peut donc considérer l'opération d'un SLI comme une mesure de la corrélation entre deux signaux
(x*(-n) et h(n)). En fait, le signal de sortie est "construit" à partir des composantes fréquentielles communes au
signal d'entrée et à la réponse impulsionnelle.
Exemples : Extraction d'un signal noyé dans du bruit, mesure d'un temps ou retard, détection d'un signal
périodique.
Sinusoïde noyée dans un bruit blanc SNR=0.15 Signal émis signal reçu (noyé dans du bruit)
23
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Remarque : La notion de bruit est relative, elle dépend du contexte. L'exemple classique du technicien en
télécom et de l'astronome :
- Pour le technicien en télécom : Ondes d'un satellite = signal. Signaux provenant d'une source astrophysique
= bruit.
- Pour l'astronome : Ondes d'un satellite = bruit. Signaux provenant d'une source astrophysique = signal.
Ainsi, tout signal physique comporte du bruit = une composante aléatoire.
SNRdb=20 Log(PS/PB)
24
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Série 2
4. Soit le signal échelon f(n)= E0 U(n), d’amplitude E0. Représenter graphiquement et calculer le produit de
convolution de f(n) par lui-même (autoconvolution).
6. Les signaux suivants sont-ils à énergie finie, à puissance moyenne finie, ou ni l’un, ni l’autre ? Calculer, dans
chaque cas, l’énergie totale et la puissance moyenne totale (a>0).
8. Les séquences x(n) (réel) et y(n) représentent respectivement l’entrée et la sortie d’un système discret.
Pour chaque cas, identifiez celles représentant
a) des systèmes linéaires, b) des systèmes causals, c) des systèmes invariants aux translations de n,
d) des systèmes assurément ou possiblement stables (en fonctions des constantes)
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 6. y(n) = bx(n) b : constante réelle
3. y(n) = nx(n) 5. y(n) = x(n)e n 7. y(n) = |x(n)|
4. y(n) = x(n) sin(2πf0n) N : constante entière
Solutions
1. U(n)=1/2(sgn(n)+1)
2. x(n)= A/2 [sgn(n-(n0-N/2))- sgn(n-(n0+N/2+1))]
− a ( n−n 0 ) − a ( n − n1)
3. x( n) = e +e
4. f(n)*f(n)= E0 .(n+1)
2 pour n≥0 et 0 ailleurs
6. E=A2.(N+1) Pm=0, E=∞ Pm=A2/2, E=∞ Pm=A2/4, E=∞ Pm=1/2
E=∞ Pm=∞, E=A /(1-e- ) Pm=0 , E=∞ Pm=∞,
2 2a E=2A2N(1+N) Pm=0
7. A2N.ΛN(k) A2/2.cos(2πf0k) 25 δN(k) B2/2.cos(2πf0k)
25
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exercices supplémentaires
3. Calculer et esquisser graphiquement pour les cas n0 < n1 et n0 > n1 le produit de convolution z(n) = x(n)*y(n)
pour les cas suivants :
• X(n) = A[δ(n+n0) + δ(n-n0)] et Y(n) = B δ(n) + 1/2B[δ(n+n1) + δ(n-n1)]
Solution :
X(n)*Y1(n)=AB[δ(n+n0) + δ(n-n0)]+AB/2[δ(n+n0+n1) + δ(n-n0-n1)+ δ(n-n0+n1) + δ(n-n0-n1)]
26
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
I. Rappels
• Energie et Puissance:: Pour un signal à temps continu x(t), et un signal à temps discret x(k), leur énergie
s’exprime par :
+∞
∫ x(t ) et E = ∑ x(k )
2 2
E= dt
−∞ k
• Corrélation : La fonction de corrélation se définit de différentes façons suivant la classe de signaux à laquelle
on s’adresse :
-signaux à énergie finie
+∞ +∞
Rxy (t ) = ∫ x(τ )y (t − τ )dτ
*
et Rxy (k ) = ∑ x (n) y ( n − k )
*
−∞ k = −∞
- signaux périodiques
T /2 N −k
Rxy (t ) = x(τ ) y * (t − τ )dτ
1 1
T −T∫/ 2
et Rxy (k ) =
N
∑ x ( n) y ( n − k )
n =1
*
Remarques :
- Un signal numérique s(n)) est une suite de N échantillons régulièrement
régulièrement espacés de Te secondes:
x(0),x(Te),x(2Te),…, x((N-1)Te).
1)Te). La grandeur Fe=1/Te est appelée
appelée fréquence d’échantillonnage
d’échantillonnage.
27
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
subplot(2,2,3);
plot(tt,xcorr(porte));
subplot(2,2,4);
plot(tt,Te*xcorr(porte));
Energie1=sum(porte.^2)
Energie2=sum(porte.^2)*Te
29
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
La représentation temporelle peut être suffisante dans tous les cas où la forme du signal et la nature du
traitement restent simples. Dans la réalité, les signaux n'ont pas toujours une forme simple soit en raison de la
nature de l'information qu'ils portent, soit en raison du traitement qu'ils doivent subir. L'unique représentation
du signal en fonction du temps s'avère insuffisante : elle ne permet plus d'interpréter correctement
l'information. Dans de tels cas, la représentation du signal en fonction de la fréquence est très utile. Pour cela,
on fait appel à la transformée de Fourier. Elle a pour but de mettre en évidence des caractéristiques du signal
non évidentes dans la représentation temporelle : les propriétés fréquentielles (spectrales). L’utilisation de cette
description fréquentielle permet en outre de caractériser simplement les filtres linéaires, et faciliter leur étude.
Dans le but de calculer la transformée de Fourier S(f) d’un signal s(t) à l’aide d’un ordinateur, celui-ci
n’ayant qu’un nombre limité de mots de taille finie, on est amené à discrétiser le signal (échantillonnage), à
tronquer temporellement ce signal et à discrétiser sa transformée de Fourier.
Lorsque le signal à traiter n’est plus analogique mais numérique, la relation de la TF devient :
+∞
. +∞
⇒
TF {s (t )} = S ( f ) = ∫ s(t ) e − 2π j f t
dt S e ( f ) = Te ∑ s(nT )e
n = −∞
e
− 2π j f nTe
−∞
L'échantillonnage périodise le spectre du signal avec une période de répétition fe Se(f)= Se(f+fe), par
ailleurs, l'amplitude est multiplié par un facteur fe. Sachant que tout signal périodique peut être décomposé en
séries de Fourier, on a :
fe / 2
+∞ Cn 1
s (nTe ) = = ∫S ( f ) e 2π j n Te f df
Se ( f ) = ∑C e
n = −∞
n
− 2π j n Te f Avec
Te Te . f e − fe / 2
e
Cette transformée de Fourier appliquée aux signaux discrets est donc une fonction à fréquence continue,
périodique de période fe. Il est d’usage de la représenter sur un intervalle de longueur fe, de -fe/2 à +fe/2.
Cependant, si on veut calculer la TF d'un signal discret à l'aide d'un calculateur, on se retrouve confronté
aux problèmes suivants : Le calcul de la TF nécessite une infinité de points de mesures s(n) (pas toujours
possible dans la pratique : contraintes temps réel, etc.). En outre, le calculateur ne peut calculer une TFTD car
sa réponse fréquentielle est forcément discrète = un nombre fini de points fréquentiel alors que f varie
continûment. La solution est de limiter la durée de s(n) i.e. considérer un nombre fini N de points temporels et
de discrétiser la fréquence (considérer un nombre fini L de points fréquentiels) ⇒ TFD.
30
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Cette transformée, popularisée par son calcul rapide (TFR ou FFT : Fast Fourier Transform), fait
correspondre une suite de N valeurs à une autre de suite de N valeurs numériques également.
On considère un signal numérique s(n) défini par N échantillons temporels, obtenus par échantillonnage
avec la période Te. La numérisation du signal S(f) passe par l'échantillonnage de S(f). On divise l'intervalle fe
par N, ainsi S(f) est échantillonné à la cadence ∆f=fe/N=1/NTe. Ce dernier résultat entraîne une périodicité du
sig
N −1
S k = ∑
n =0
s n e − 2π j n k / N
1 N / 2 −1
F.E.I., U.S.T.H.B.
sn =
∑
N k =− N / 2
S k e 2π j n k / N 31
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Il faut bien remarquer que l’on perd toute référence aux valeurs des instants correspondant aux
échantillons. Nous avons une relation entre une suite indexée par une variable entière n et une suite indexée
par k. Les N termes S(k) correspondent à une approximation (à un facteur multiplicatif Te près) de la
transformée de Fourier de ce signal aux N points de fréquence k ∆f, avec k entre 0 et N −1, c'est-à-dire f entre 0
et fe.
Exemple
32
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Remarques
N −1 2π ( n + N ) k N −1 2πnk 2πNk
1 j 1 j j
sn + N =
N
∑S e
k =0
k
N
=
N
∑S e
k =0
k
N
e N
= sn
N −1 N −1
1
∑ = ∑S
2 2
Par ailleurs, comme l'énergie se conserve, on obtient : sn k
0 N 0
Autres propriétés : Toutes les propriétés se déduisent des propriétés de la transformée continue en se
rappelant que chaque signal manipulé, de durée finie, doit être considéré comme une période d'un signal
périodique, et cela en temps et en fréquence. La conséquence en est que la translation d'un signal (qui
intervient aussi dans les opérations de convolution ou de corrélation) se traduit par un décalage circulaire
− 2π j k m
o Décalage temporel : x (n − m) →
TF
X ( f )e N
2π j k 0 n
o Décalage fréquentiel : x ( n )e N
→
TF
X (k − k 0 )
1
o Changement d'échelle : x(an) →
TF
X (k / a)
a
o δ (n) →1
TF
Le nombre d’éléments d’une séquence transformée par la TFD est implicitement limité, la fenêtre
intrinsèque à la transformée discrète de Fourier est donc la fenêtre rectangulaire de durée T0=NTe. En termes
de contenu spectral, le fenêtrage n’est pas neutre et il introduit nécessairement une distorsion des
composantes. La troncation du signal échantillonné par une fenêtre de largeur T0 a pour effet de convoluer le
spectre avec un sinus cardinal qui s’annule tous les 1/T0 avec T0 = NTe soit tous les fe/N.
33
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Exemple 1 :
Exemple 2:
Dans le cas d’un signal périodique, le spectre, obtenu par transformée de Fourier discrète, est donc un
ensemble de fonctions sinc(T0 f ) centrées sur les fréquences qui composent le signal théorique initial. Ainsi
cette qualité du résultat peut être incommode pour l’étude du spectre, en particulier lorsque le spectre est
composé de nombreuses raies, proches les unes des autres. L'importance de ses lobes peut être réduite par
l'emploi d'autres fenêtres.
La précision fréquentielle dépend du nombre de points adoptés pour le calcul. Les points en fréquences,
sont espacés de 1/N (ou fe/N). Considérons l'exemple suivant:
Le tracé du spectre par TFD montre que si l'écart en valeur absolue entre f0 et f1 est supérieur à fe/N, il
sera possible de distinguer les deux fréquences sur le tracé. Cette résolution en fréquence est liée au nombre de
points du signal.
Quant à la précision, elle peut être améliorée par la technique du zéro-padding : on calcule la TFD sur un
nombre N pouvant être largement supérieur au nombre de points disponible du signal.
Exemple
34
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Un masquage du lobe principal de la composante en f1 peut survenir en raison des ondulations présentes
dans le spectre de A0 exp(2j̟f0n). Une « fréquence » d’amplitude faible au voisinage d’une d’amplitude plus
élevée sera masquée par le premier lobe secondaire. La séparation dans ce cas peut être améliorée par l’emploi
de fenêtres de pondération (Hamming…). Mais c’est au détriment de la séparation de « fréquences » très
voisines mais d’amplitude semblables car les 2 raies seront confondues dans un lobe principal élargi par la
fenêtre (la fenêtre rectangulaire a le lobe principal le plus étroit de toutes les fenêtres).
3. Fenêtres de pondération
Lors de l’analyse spectrale d’un signal de longue durée, nous n’avons accès, en pratique, qu’à une
portion limitée de ce signal. Le spectre obtenu correspond donc au spectre du signal à analyser auquel une «
fenêtre » a été préalablement multipliée. Pour ne pas altérer le spectre original, il faudrait que WR (f) (spectre
de la fenêtre) se rapproche le plus possible d’une distribution de Dirac. La distribution de Dirac étant l’élément
neutre du produit de convolution. Il y a deux éléments importants pour se rapprocher de la distribution de
Dirac. La finesse du lobe principale et la hauteur des lobes secondaires.
35
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
- Fenêtre rectangulaire
- Fenêtre Triangulaire
- Autres fenêtres
2πn 4πn N −1
0.42 + 0.5 cos( ) + 0.08cos( ) pour n ≤
wBlack (n) = N −1 N −1 2
0 ailleurs
2πn N −1
0.54 + 0.46 cos( ) pour n ≤
wHam (n) = N −1 2
0 ailleurs
I 0 (β ) N −1
pour n ≤
wKais ( n) = I 0 (α ) 2
0
ailleurs
2
+∞
1 x
k
2n 2
où α est un paramètre, β =α 1 − ( ) et I 0 ( x) = 1 + ∑
N −1 k! 2
k =1
36
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Dans un problème d’analyse spectrale, on utilise généralement plusieurs fenêtres l’une après l’autre
afin d’obtenir un bon compromis résolution/déformation.
37
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
La TFD est restée un outil peu utilisée jusqu’à l’apparition d’algorithmes « rapides » permettant son
calcul. Le plus connu est du à Cooley et Tuckey et date de 1965. Le calcul direct de la TFD sur N points
nécessite 2N2 multiplications et 2N(N-1) additions. L’algorithme proposé réduit à Nlog2(N) le nombre
d’opérations. Sans nuire à la généralité, prenons le cas de N=8. Il faut calculer :
N −1 2π n k 7 2π n k
−j −j
S k = ∑ sne N
= ∑ sn e N
n =0 n =0
2π 7
Soit : WN = exp − j alors S k = ∑ s nWNnk
N n =0
Pour N=8, explicitons la relation précédente :
Les facteurs Wn présentent un certain nombre de propriétés dont certaines sont mises à profit dans
l’algorithme : n+ N
nN
WN = 1, WN
N /2 n
= −1, WN = WN
L’algorithme suppose que N est pair : posons N=2 P. Introduisons les 2 sous-suites de sn en fonction de
un = {s2 n }
la parité de n.
n = 0 ,..., P −1
vn = {s2 n +1}
n = 0,..., P −1
38
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
N −1 P −1 P −1
On obtient ainsi : S k = ∑ snWNnk = ∑ uiW22Pik + ∑ viW2(P2i +1) k
n=0 i =0 i =0
P −1 P −1
S k = ∑ uiWPik + WNk ∑ viWPik
i =0 i =0
S k = U k + W Vk k
N
N −1 P −1 P −1
Par ailleurs, S ( k + P ) = ∑ snWN( k + P ) n = ∑ uiW22Pi ( k + P ) + ∑ viW2(P2i +1)( k + P )
n =0 i =0 i =0
P −1 P −1
S ( k + P ) = ∑ uiWPikWPiP + WNkWNP ∑ viWPikWPiP
i =0 i =0
P −1 P −1
S ( k + P ) = ∑ uiWPik .1 + WNk (−1)∑ viWPik .1
i =0 i =0
S ( k + P ) = U k − W Vk k
N
Le calcul de la FFT revient donc à calculer Uk et Vk qui sont les TFD sur P points des suites de termes de
rang pair et impair. Le calcul revient au schéma suivant :
s0 U0 S0
+ + U2 +
s2 W20
- + + S1
s4 U4 S2
+ W4 0 - U6 +
s6 W20 - W4 2 - + S3
s1 + + V1 W8 0 -
+ - S4
s3 W20 - V3 W8 1
- - S5
s5 + W4 0 V5 W8 2
- - S6
s7 - W4 2 V7 W8 3
W20 S7
On s’aperçoit sur le schéma précédent qu’il ne reste qu’à exprimer les Uk et Vk. Or, ce sont des TFD sur P
points, qui peuvent reprendre le même schéma que précédemment. Cela est faisable si P est pair. On peut
réitérer le processus à chaque sous-étage, si cette condition est à chaque fois vérifiée, donc si N au départ est
une puissance de 2. En pratique, lorsque cela n’est pas le cas, les suites d’échantillons sont complétées par des
zéros jusqu’à la puissance de 2 immédiatement supérieure. (zero padding).
39
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Notons aussi que l’algorithme présenté est dit à entrelacement temporel. Une version tout à fait
symétrique et au même coût, opère les permutations sur les S et non les s : l’algorithme est dit à entrelacement
fréquentiel. Il y a d'autres variantes de l'algorithme FFT (base 4, etc.)
40
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Série n°3
3. Calculer la transformée de Fourier discrète (TFD) de la suite x(n) formée de N = 8 points (n ∈ [0,7]), obtenue
en échantillonnant à la fréquence fe = 16 Hz le signal s(t) = 2sin(8̟t)+8cos(4̟t)
4. Etant donné les signaux s(n)={1,-2,3,2} et v(n) ={-2,1,2,3}, déterminer w(n)=s(n)*v(n) par
- la méthode directe
- la méthode de la TFD
6. Soit x(n)=1/N pour 0 ≤ n ≤ N-1 et 0 ailleurs. Calculer sa TFD X(k) pour N=4.
Solutions
1. X(f)=1+6.e-2πjf+ 3.e-4πjf
2. N=2, Xk=[1, -1] N=3, Xk= 3, 3 (−1 − 3 j ), 3 (−1 + 3 j ) N=4, Xk= [6, 2 j − 2 , − 2, − 2 − 2 j ]
2
2
S 0 W80 W80 W80 W80 W80 W80 W80 W80 s0 S 0 W80 W80 W80 W80 W80 W80 W80 W80 s 0
S 0
1 W8 W81 W82 W83 W84 W85 W86 W87 s1 S1 W80 W81 W82 W83 W84 W85 W86 W87 s1
S 2 W80 W82 W84 W86 W88 W810 W812 W814 s2 S 2 W80 W82 W84 W86 W80 W82 W84 W86 s 2
3. S3 W 0 W83 W86 W89 W812 W815 W818
W821 s3 = S 3 W80 W83 W86 W81 W84 W87
W82 W85 s 3
= 8 =
S W 0 W84 W88 W812 W816 W820 W824 W828 s4 S 4 W80 W84 W80 W84 W80 W84 W80 W84 s 4
4 80
S 5 W8 W85 W810 W815 W820 W825 W830 W835 s5 S 5 W80 W85 W82 W87 W84 W81 W86 W83 s 5
S W 0 W86 W812 W818 W824 W830 W836 W842 s6 S 6 W80 W86 W84 W82 W80 W86 W84 W82 s 6
6 8
S 7 W80 W87 W814 W821 W828 W835 W842 W849 s7 S 7 W80 W87 W86 W85 W84 W83 W82 W81 s 7
[
Avec s n = 8 2 + 4 2 0 − 2 − 4 2 − 8 2 − 4 2 0 − 2 + 4 2 ]
et W8k = 1 2
(1 − j ) − j
2
( −1 − j ) − 1
2
( −1 − j ) j
2
(1 + j )
2 2 2 2
41
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
Sk=[4, 4j-2, 4, -2-4j] Vk=[4, -4+2j, -4, -4-2j] Wk=[16, -20j, -16, 20j] ⇒ w(n)=[0, 18, 0, -2]
1 1 − e − aN
5. TFTD X( f ) = TFD X (k ) =
1 − e − a − 2π j f 1 − e −a −2π j k / N
Exercices supplémentaires
2. Calculer la TFD de la suite x(n) formée de N =24 points obtenus en échantillonnant le signal
x(t)=3.sin(8̟t)+4.cos(6̟t) à la fréquence fe = 24 Hz.
(n + 1) 0 si n = 4k
si n = 0,..,3
h(n) = 10 h(n) = 1 si n = 4k + 1,4k + 3
0 aileurs 2 si n = 4k + 2
42
F.E.I., U.S.T.H.B.
Analyse et Filtrage des signaux numériques M1 ST/TRM (2013/2014)
TP n°2 : TFD
Rappels
Prenons le cas d’une sinusoïde, les fréquences vont être graduées en Hz en supposant une
fréquence d’échantillonnage fe de 1Kz, les fréquences supérieures à 500Hz correspondent aux fréquences
négatives du spectre. Pour approximer la Transformée de Fourier continue d’un signal x(t), représenté
suivant un pas Te, on utilise la commande : fx= fftshift( fft(x)). On remarquera que la TF est une fonction
complexe et que la fonction ainsi obtenue décrit la TF de x(t) entre –1/(2 Te) et 1/(2 Te) par pas de 1/(nTe)
où n est le nombre de points constituant le signal x(t). La commande fft codant les fréquences positives
sur les n/2 premières valeurs du signal et les valeurs négatives entre n/2+1 et n, la commande fftshift
permet de les inverser.
x=sin(2*pi*fo*n*Te);
subplot(2,2,1);
t=Te*[0:1:N-1];
plot(t,x,'gx:'); grid;
y=fft(x);
axe_FF=Fe*(0:1/N:1-(1/N));
subplot(2,2,2); plot(axe_FF,abs(y/N),'b.:'); grid;
title('Transformée de Fourier Discrète par FFT du signal entre 0 et fe')
xlabel('fréquence'); ylabel('Module du spectre');
subplot(2,2,3);
y_dec=fftshift(y);
axe_freq=Fe*(-1/2:1/N:1/2-(1/N));
plot(axe_freq,abs(y_dec/N),'b.:'); grid;
title('Transformée de Fourier Discrète par FFT du signal entre -fe/2 et fe/2')
xlabel('fréquence'); ylabel('Module du spectre');
%FFT inverse %
FFT_INV=ifft(y);
subplot(2,2,4);
plot(t,FFT_INV,'bx:'); grid;
title('Transformée de Fourier Discrète inverse du signal N=100')
xlabel('temps'); ylabel('Amplitude');
−a t
I. Soit la fonction x(t ) = e a>0
1- Tracer le signal x(t) entre –5 et 5 pour a = 1, avec un pas de temps Te = 0.01 s (Utiliser la fonction length pour
connaitre la taille (N) de x)
2- Tracer le module de la transformée de Fourier.
3- Illustrer la propriété de décalage fréquentiel de la TF en représentant le module de la TF de x(t) × e2Πjfot avec
fo=5 Hz.
4- Vérifier la relation de Parseval.
TP n°3 : Fenêtrage
But : Mettre en évidence les propriétés du fenêtrage (Triangulaire, Hanning, Blackman, etc.)
1. Quelle fenêtre est utilisée par ce programme ? Citer ses caractéristiques (résolution fréquentielle,
atténuation lobes secondaires), avantages et inconvénients.
2. Que est l‘intérêt d’augmenter N ? Comment appelle-t-on cette technique ?
3. Expliquer la TFD obtenue pour f0=1600 (disparition des lobes secondaires).
4. Notez que la résolution fréquentielle est toujours la même (elle dépend de Nt et non de N).
Prog 2
clc; clear all; close all;
Nt=50; Fe=8000; Te=1/Fe; f0=1680;
t=(0:Nt-1)*Te; x=exp(2*pi*j*f0*t);
figure;
N=500;
y=fft(x,N); yy=fftshift(y/Nt); axe_f=Fe*(-1/2:1/N:1/2-(1/N));
plot(axe_f,abs(yy),'b'); grid; title('TFD Fenêtre réctangulaire'); hold on;
fen=hanning(Nt);
xx=x.*fen'; y=fft(xx,N); yy=fftshift(y/Nt);
plot(axe_f,abs(yy),'r'); grid; title('TFD Fenêtre Hanning')
fen=triang(Nt);
xx=x.*fen'; y=fft(xx,N); yy=fftshift(y/Nt);
plot(axe_f,abs(yy),'g'); grid; title('TFD Fenêtre triangulaire ')
fen=blackman(Nt);
xx=x.*fen'; y=fft(xx,N); yy=fftshift(y/Nt);
plot(axe_f,abs(yy),'m'); grid; title('TFD Fenêtre Blackman ')
46
F.E.I., U.S.T.H.B.