Академический Документы
Профессиональный Документы
Культура Документы
Gerard Scorletti
Unite dEnseignement
Science et Technologie de lInformation
Traitement du signal
Version de lannee 2011-2012
Gerard Scorletti
Departement EEA, bat H9
e-mail : gerard.scorletti@ec-lyon.fr
2
SIGNAL , n. m. (v. 1220) secrit aussi seignal au XIIIe s. (v. 1265) ; le mot, qui correspond a`
lancien provencal sennal (1174), est un emprunt au bas latin signale signe, neutre substantive
du bas latin signalis qui sert de signe, derive du latin classique signum ( signe).
Le mot apparat en francais avec des sens particuliers : quillon dune epee, sceau avec
lequel on signe un acte (v. 1260, seignau ), et cest aussi le nom dune constellation (v. 1265).
Il signifie aussi ce dont un proprietaire marque un animal, marque sur la peau (v. 1298),
gros grain de chapelet (1328), etc. Dans tous ces emplois, signal designe des signes naturels ou
conventionnels qui cosntituent ou donnent des informations ; aujourdhui, dans lusage courant,
signal correspond a` un signe de nature conventionnelle, meme si pour les theoriciens, le signal
peut e tre forme par un signe naturel. Le mot designe en particulier (1540) un signe convenu
fait pour indiquer le moment dagir, do`u la locution donner le signal (1798). Il sest dit (1690)
dun moyen utilise pour porter au loin une information ; il designe (1718) le fait par lequel un
processus commence et qui constitue un signe, un symptome de ce processus aujourdhui (XXe
s.) surtout dans les emplois didactiques, par exemple en psychanalyse, signal dangoisse.
Avec la valeur signe conventionnel, il semploie pour bouee flottante (qui marque la place
des filets) (1769), en marine dans Code international des signaux (1868), couramment ceux qui
r`eglent la circulation (1875, dans les chemins de fer), puis dans les telecommunications (1933),
en informatique (v. 1970). Cest un concept essentiel, a` linterieur de la notion theorique large
de signal , concernant tous les canaux de communication (signaux visuels, acoustiques, olfactifs,
surtout en e thiologie, chimiques ).
Le ROBERT, Dictionnaire Historique de la Langue Francaise, sous la direction dAlain Rey,
page 3504, Janvier 1999
Introduction
1.1 Le signal . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Limportance du signal dans nos societes contemporaines
1.3 Les signaux utiles . . . . . . . . . . . . . . . . . . . . .
1.4 Plan du cours . . . . . . . . . . . . . . . . . . . . . . .
1.5 O`u trouver linformation ? . . . . . . . . . . . . . . . .
1.6 Remarques sur lutilisation de ce document . . . . . . .
1.7 Remerciements . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
9
10
10
11
12
12
13
2.4.4 Energie
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.5 Un exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Limites de la modelisation des signaux par des fonctions . . . . . . . . . . . . . 32
2.6 Au-del`a des fonctions : les distributions . . . . . . . . . . . . . . . . . . . . . . 36
2.6.1 Definition des distributions . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6.2 Operations de base sur les distributions . . . . . . . . . . . . . . . . . . 39
2.6.3 Transformee de Fourier dune distribution . . . . . . . . . . . . . . . . . 41
2.6.4 Transformee de Fourier de fonctions (au sens des distributions) . . . . . 44
2.7 Exemples danalyse frequentielle . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.7.1 Caracterisation de laudition humaine . . . . . . . . . . . . . . . . . . . 47
2.7.2 Description de la bande VHF . . . . . . . . . . . . . . . . . . . . . . . . 49
2.8 Resolution dequations differentielles ou de la transformee de Fourier a` la transformee de Laplace 4
2.9 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.10 Annexe du chapitre : un exemple de script Matlab . . . . . . . . . . . . . . . . 55
57
57
59
59
63
65
66
3.3
3.4
3.5
3.6
95
95
95
98
99
100
100
102
104
De lanalogique au numerique
5.1 Modelisation dun signal discret par peigne de Dirac . . . . . . . . . . . . . . .
5.1.1 Transformee de Fourier dun signal discret . . . . . . . . . . . . . . . .
5.1.2 Transformee en Z dun signal discret . . . . . . . . . . . . . . . . . . .
5.1.3 Expression dun signal discret basee sur un peigne . . . . . . . . . . . .
5.2 De la transformee de Fourier dun signal e chantillonne . . . . . . . . . . . . . .
5.3 Theor`eme de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1 Lenseignement de Shannon . . . . . . . . . . . . . . . . . . . . . . . .
5.3.2 De lart de bien e chantillonner . . . . . . . . . . . . . . . . . . . . . . .
5.3.3 De lart de reconstituer un signal continu a` partir du signal e chantillonne
5.4 De la transformee de Fourier discr`ete aux analyseurs de spectre numeriques . . .
5.4.1 TFD pour le calcul du spectre de signaux a` support fini . . . . . . . . . .
5.4.2 TFD pour le calcul du spectre de signaux periodiques . . . . . . . . . . .
5.4.3 Principe de lanalyseur numerique de spectre . . . . . . . . . . . . . . .
5.5 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6 Annexe du chapitre : exemples de scripts Matlab . . . . . . . . . . . . . . . .
105
106
107
107
108
109
111
113
116
118
118
120
125
130
132
133
Filtrage numerique
6.1 Convolution discr`ete . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Produit de convolution discret et syst`emes de convolution discrets
6.1.2 Syst`eme de convolution discret et fonction de transfert . . . . . .
6.2 Conception de filtres a` reponse impulsionnelle infinie . . . . . . . . . . .
6.3 Conception de filtres a` reponse impulsionnelle finie . . . . . . . . . . . .
6.3.1 Conception par la methode du fenetrage . . . . . . . . . . . . . .
6.3.2 Conception par e chantillonnage frequentiel . . . . . . . . . . . .
6.4 Une remarque en guise de conclusion . . . . . . . . . . . . . . . . . . .
6.5 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . .
6.5.1 Conception de filtres RIIs . . . . . . . . . . . . . . . . . . . . .
135
135
135
137
140
146
149
154
156
156
156
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
6.5.2
7
Travail preparatoire :
1. Le travail preparatoire dune seance de TD est prepare par tous les e l`eves du groupe et
presente par un (ou plusieurs) e l`eve(s) designe(s) par lencadrant de TD a` partir de la
liste des e l`eves, le jour de la seance. Parall`element, une ou (plusieurs) copie(s) seront
ramassees pour e valuation. En cas de travail non effectue ou dabsence non justifiee
dun e l`eve designe, la note sera de 0.
2. Un des exercices du test final sera pris dans lensemble des exercices des travaux
preparatoires.
3. Les presentations doivent e tre claires, precises et efficaces. Elles contribuent a` preparer
les e l`eves a` la communication technique.
8
Apr`es publication aupr`es des e l`eves de la note totale, deux seances de consultation de copies
seront organisees.
Les e l`eves qui desirent des precisions sur la note totale ou constatent des probl`emes auront un delai de 3 semaines apr`es la publication des notes par le Service de Scolarite pour
contacter le responsable du cours. Passe ce delai, aucun demande ne sera prise en compte.
A lissue de la seconde session, la note de Savoir sera constituee par la note de test de la
seconde session.
Assiduite : conformement au r`eglement de scolarite, la presence est obligatoire pour toutes
les activites de STI tc2. Si cest une condition necessaire, elle nest cependant pas suffisante
pour pleinement profiter de lenseignement de traitement du signal.
1. Toute absence doit e tre justifiee aupr`es de ladministration.
2. Pour la seance de microtest, en plus de la justification aupr`es de ladministration,
toute absence doit e tre signalee par email aupr`es du responsable de cours. Si ces deux
demarches sont effectuees, la note finale sera calculee avec un poids de 90 % pour le
test final. Sinon, la r`egle generale sapplique avec une note de microtest de 0.
3. En cas dabsence non justifiee dun e l`eve designe a` partir de la liste des e l`eves du
groupe de TD pour presenter le travail preparatoire ou pour donner sa copie, la note de
travail preparatoire sera de 0. En cas dabsence justifiee, la note finale de Savoir sera
calculee avec un poids de 90 % pour le test final au lieu de 80 %.
4. En cas dabsence non justifiee en seance de TP de 4h, lel`eve ne pourra pas se presenter
a` la seance de BE de 2h et aura 0 pour note de Savoir Faire de STI tc2. En cas de
presence dans la seance de TP de 4h et dabsence non justifiee dans la seance de BE
de 2h, la note de Savoir Faire sera calculee en prenant 0 pour note de BE. En cas
dabsence justifiee en seance de TP de 4h, lel`eve pourra participer a` une autre seance
a` condition quil nait aucune activite programmee sur ce creneau et que leffectif du
groupe le permette. Un e l`eve ne peut se presenter en seance de BE de 2H que sil a
effectue la seance de TP 4h. En fin de semestre, le responsable de lAF essaiera en
fonction des possibilites du planning dorganiser une seance de rattrapage pour le TP
4h et le BE 2h. En cas dimpossibilite et dabsence justifiee de lel`eve, lel`eve naura
pas de note de Savoir Faire pour lAF.
Chapitre 1
Introduction
1.1
Le signal
Un signal est une grandeur qui depend du temps t. Cette grandeur est souvent physique.
La grandeur dun signal peut e tre de different type :
Information : par exemple le son qui est une variation de la pression de lair, voir figure 1.1 ;
F IG . 1.1 Alleluia
Energie
: par exemple la tension du secteur ;
Mati`ere : par exemple un debit deau en un point dun canal dirrigation.
Les outils presentes ici concernent plus particuli`erement les signaux porteurs dinformation.
Les signaux sont ce qui permet a` lhomme de percevoir son environnement et dinteragir avec
lui.
Detection Lhomme detecte les signaux de son environnement (sons, odeurs, images, etc..) grace
a` ces capteurs (oreilles, nez, yeux, etc...).
Traitement Il les traite et les interpr`ete (par exemple, il isole un son particulier).
Generation Il est capable de generer des signaux.
9
10
C HAPITRE 1
1.2
I NTRODUCTION
Cest un lieu commun que daffirmer que notre societe contemporaine est la societe de linformation. Linformation y est vehiculee par les signaux. Face a` la masse des signaux quil est necessaire
de traiter, souvent en temps reel, des syst`emes technologiques dune grande complexite ont envahi
notre societe. En reponse aux enjeux de la societe actuelle, des methodes scientifiques puissantes
ont e te developpees pour gerer une telle complexite. La matrise de ces methodes devient de plus
en plus incontournable dans la pratique de lingenieur quelque soit le domaine auquel il se destine.
Lobjectif de cet enseignement est de donner des bases minimales prealables a` lacquisition et a` la
matrise de ces methodes.
Dans le traitement de linformation, il est necessaire de
mesurer le signal, souvent a` laide de capteurs (metrologie) ;
caracteriser et extraire le signal utile (traitement du signal) ;
le transmettre par un codage adequat (traitement du signal).
Pour cela, le traitement du signal developpe des methodes basees sur la modelisation mathematique, ces methodes e tant ensuite mises en uvre en general en e lectronique (numerique) du signal
(realisation technologique).
1.3
6
4
2
xk
0
2
4
6
8
10
10
On peut aussi definir le signal sur R auquel on a soustrait des ensembles de mesure nulle.
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
11
1.4
Plan du cours
Les 6 chapitres qui suivent correspondent chacun a` un cours. Le chapitre 2 presente la modelisation et lanalyse spectrale des signaux continus (detection). Le chapitre 3 introduit une technique
de traitement importante des signaux analogiques : le filtrage frequentiel. Le chapitre 4 traite
des notions denergie et de puissance et de leur application pour lextraction dinformation des
signaux. Le chapitre 5 developpe la modelisation des signaux discrets et lechantillonnage des signaux continus. Le chapitre 6 e tend le filtrage frequentiel aux signaux discrets. Enfin le chapitre 7
est une introduction aux signaux aleatoires avec comme application la generation de signaux.
Bien que tr`es simple, la representation par un vecteur de valeurs reelles presente linconvenient majeur detre un
objet mathematique radicalement different des fonctions qui modelisent les signaux continus. Nous verrons dans la
suite quun autre objet mathematique est generalement utilise, plus complexe quun vecteur. Neanmoins, il presente
lavantage formidable detre plus proche des fonctions : on peut ainsi batir un ensemble doutils communs aux signaux
continus et discrets.
3
Il sagit de loperation dechantillonnage. Dans un syst`eme e lectronique, cette operation est realisee par un
convertisseur Analogique Numerique ou CAN.
4
Un exemple frappant est lautomobile qui dun syst`eme purement mecanique est devenu un syst`eme
mecatronique, cest-`a-dire un syst`eme qui fait massivement appel aux technologies a` la fois mecaniques et
e lectroniques. De fait, cest un syst`eme qui g`ere de linformation.
12
C HAPITRE 1
I NTRODUCTION
x*
1.5
[]KlA :11
1. Sur le serveur pedagogique, sont disponibles ce document ainsi que les transparents de cours
au format e lectronique. On y trouve aussi un document de cours complementaire.
2. Dans les livres cites en reference de ce document, page 176. Un livre que le lecteur peut lire
avec grand profit est [9].
3. Sur Internet. Par exemple, les page WEB suivantes sont chaudement recommandees :
(a) Pour un cours detaille sur les differents points du traitement du signal abordes ici :
http ://www.greyc.unicaen.fr/ gbinet/COURS.html
(b) Pour les applications java illustrant differents aspects du traitement du signal :
http ://patrick.furon.free.fr/ traitementsignal/ cours tns/ PlanCoursTNS.htm
Ces sources dinformation ont servi de base a` la redaction de ce document.
1.6
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
13
1.7
Remerciements
Je tiens a` remercier tous les lecteurs attentifs qui par leurs nombreuses et constructives remarques ont permis de fortement ameliorer la qualite de ce document ainsi que celle de tous les
supports de lenseignement Traitement du Signal, que ce soit sur le fond ou sur la forme5 plus
particuli`erement des e tudiants de la promotion 2011, Ronan Perrussel, Paule Blanchart, etc...
14
C HAPITRE 1
I NTRODUCTION
Chapitre 2
Modeliser et caracteriser un signal :
Analyse en temps et en frequence
Pour pouvoir disposer doutils efficaces pour le traitement du signal, il est dabord necessaire
de modeliser (representer) un signal par un objet mathematique. Puisquun signal est une grandeur
qui depend du temps, une idee naturelle est de le modeliser par une fonction du temps dont le
domaine de definition est R ou un intervalle de R.
Dans ce chapitre, nous allons voir comment il est possible de caracteriser un signal represente
par une fonction du temps a` travers la notion de frequence. Ce qui est remarquable, cest que
cette caracterisation va mettre en e vidence que meme si la representation des signaux par des
fonctions est naturelle, elle admet de serieuses limitations. Afin daller au-del`a, une classe dobjets
mathematiques generalisant les fonctions sera introduite : les distributions.
Ce chapitre est consacre aux signaux continus. Nous verrons dans le chapitre 5 consacre aux
signaux discrets que pour cette classe de signaux (hegemoniques dans les syst`emes technologiques
actuels) la modelisation par les distributions est incontournable.
2.1
Introduction
La notion de frequence est intimement liee a` une classe de signaux particuliers qui sont les
signaux modelisables par des fonctions sinusodales, cest-`a-dire les fonctions de la forme :
t
A sin 2 +
T
Ces classes de signaux occupent une place importante dans la perception du son par lhomme.
Letre humain est en effet sensible a`
la frequence T1 qui correspond a` la notion de grave et daigu, voir le tableau de figures 2.1 ;
lamplitude A qui correspond a` la notion de puissance, voir le tableau de figures 2.2.
Il est aussi bien connu quun son constitue a` partir dune combinaison de fonctions sinusodales
bien choisies peut produire des sons agreables a` e couter. Un exemple est presente tableau 2.1.
Au-del`a detre qualitativement interessant, les signaux sinusodaux presentent un interet beaucoup plus fondamental. Ils permettent une description mathematique precise de larges classes de
signaux. Nous allons expliciter ce que cela signifie dans ce chapitre.
15
16
C HAPITRE 2
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0
0.2
0
0.2
0.4
0.4
0.6
0.6
3
t
0.8
0
0.2
0.4
0.6
x 10
3
t
0.8
6
3
x 10
3
t
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.6sin(2 600t)
0.2
0.2
0
0.2
0.4
0.4
0.6
0.6
0.8
0.8
3
t
x 10
3
t
6
3
x 10
0.8
0.6sin(22000t)
0.8
0.6
0.6sin(2 1000t)
0.8
0.6sin(2 600t)
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
50
100
150
200
250
6
3
x 10
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
17
Plan du chapitre En partant du principe quun signal est une fonction, la description de fonctions definies sur un intervalle par des fonctions sinusodales est presentee dans la section 2.2.
Cette description est e tendue aux fonctions periodiques dans la section 2.3. Dans la section 2.4,
cette description est e tendue a` une classe generale de fonctions non periodiques. Neanmoins, bien
que generale, cette classe ne contient pas des fonctions representant des signaux e lementaires
utiles. Si on e largit la classe afin de les contenir, la section 2.5 illustre quun probl`eme mathematique fondamental apparat. La notion de distribution introduite dans la section 2.6 offre une solution
e legante avec pour benefice de definir une description par fonctions sinusodales pour une classe
de signaux suffisamment riche pour nos objectifs pratiques.
2.2
Signaux modelises par des fonctions definies sur un intervalle [ T2 , T2 ] : series de Fourier
Soit L2 ([ T2 ,
T
])
2
T
2
T2
T
]
2
telles que
f (t)2 dt < .
T
2
f (t)g(t)dt
T2
v
uZ
u
kf k2 = t
T
2
f (t)2 dt
T2
Cette norme est appelee norme L2 . La norme kf k2 sinterpr`ete comme la racine carree de lenergie
de f . Avec ce produit scalaire, une base orthonormale {em }mZ de L2 ([ T2 , T2 ]) est definie par :
em
q
2
t
cos
2m
si m < 0
T
T
1
si m = 0
=
T
t
2
si m > 0
sin
2m
T
T
f=
T
])
2
peut secrire1 :
< f, em > em .
m=
Dapr`es le tableau 2.3, il existe alors des reels a0 , an et bn presente dans le tableau 2.4 tels que2 :
1
18
C HAPITRE 2
q
1
T
em
1
< f, em >
T
2
f (t)dt
T2
2
T
2
T
cos
2m Tt
T
2
t
f (t) cos 2m
T
T2
dt
q
2
T
T
2
T2
2
T
sin 2m Tt
t
f (t) sin 2m
T
dt
T
2
f (t)dt
T2
an
2
T
T
2
T2
bn
t
f (t) cos 2n
T
dt
2
T
T
2
T2
t
dt
f (t) sin 2n
T
f (t) = a0 +
X
n=1
t
t
an cos 2n
+ bn sin 2n
.
T
T
(2.1)
Exemple 1 La fonction f dont la courbe representative est presentee figure 2.2 admet la decomposition
en serie de Fourier suivante :
t
t
t
t [1, 1] , f (t) = cos 2
+ 4 sin 2
+ 4 cos 22
.
T
T
T
Exemple 2 La figure 2.3 represente la courbe caracteristique de la fonction f definie par la
decomposition en serie de Fourier suivante, avec T = 2 :
t [1, 1] , f (t) = 1.3959 + 92.108 cos 2 Tt + 1.9081 cos 22 Tt +
+ 10.545 cos 23 Tt + 2.7034 cos 24 Tt + 3.5953 cos 25 Tt +
+ 2.7778 cos 26 Tt + 1.9838 cos 27 Tt + 2.4283 cos 28 Tt
(2.2)
On constate quen sommant quelques courbes sinusodales, une forme tr`es e loignee dune courbe
sinusodale peut e tre obtenue.
En utilisant la formule dEuler3 , la decomposition en serie de Fourier dune fonction peut se
2
f (t) = a0 +
t
n sin 2n + n
T
n=1
Le terme de la somme correspondant a` n = 1, cest-`a-dire sin 2 Tt + 1 , est traditionnellement
appele fondamen
tal ; les termes de la somme correspondant a` n > 1, cest-`a-dire sin 2n Tt + n , sont traditionnellement appeles
harmoniques.
3 ix
e = cos(x) + i sin(x) o`u i represente limaginaire pur : i2 = 1.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
6
4
2
0
2
4
6
cos(2/Tt)
4sin(2/Tt)
4cos(2/T2t)
f(t)
8
10
1
0.5
0
t
0.5
150
100
50
50
100
1
0.8
0.6
0.4
0.2
0
t
0.2
0.4
0.6
0.8
19
20
C HAPITRE 2
re-exprimer par :
T T
t ,
,
2 2
avec4
1
cn =
T
f (t) =
cn e2i T t
(2.3)
n=
T
2
f (t)e2i T t dt.
(2.4)
T2
Remarque importante Legalite (2.3), ainsi que les e galites precedentes telles que (2.1), doivent
se comprendre en realite comme la convergence de la serie :
SN (t) =
N
X
cn e2i T t
n=N
T
])
2
lim kSN f k2 = 0
(convergence en moyenne quadratique). Cela ne signifie pas forcement que pour tout t T2 ,
lim SN (t) = f (t)
T
2
,
Egalit
e de Parseval A partir des coefficients cn , lenergie de la fonction f peut e tre determinee :
Z
T
2
T2
f (t) dt = T
n=
|cn |2 .
n
cn = an ib
et an = 2Re(cn ), bn = 2Im(cn ). Faire attention que, contrairement a` la somme (2.1), dans la
2
somme (2.3), n prend des valeurs negatives.
5
f (t) = f (t).
6
f (t) = f (t).
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
2.3
21
On consid`ere le cas dune fonction periodique7 reelle de periode T fp definie sur R et telle que
Z
T
2
T2
fp (t)2 dt < .
fp (t) =
cn e2i T t
(2.5)
n=
T
2
T2
fp (t)e2i T t dt.
(2.6)
Puisque la fonction fp et les fonctions qui a` t associe e2i T t sont des fonctions periodiques de
periode T , la decomposition (2.3) est valable pour tout t R :
t R,
fp (t) =
cn e2i T t .
n=
1
1
1
e2i T t e2i T t
fp (t) = sin 2 t =
.
T
2i
Par identification, on a c1 = 2i , c1 = 2i et cn = 0 pour n 6= 1 et n 6= 1. On obtient alors la
representation presentee figure 2.4.
Exemple 2
1 1
rect(t) = 1
t [ 2 , 2 ]
sinon
rect(t) = 0
C HAPITRE 2
1.5
|cn|
1
0.5
0
0.5
1 /T
1/T
radians
/2
arg(c )
n
/2
1/T
1/T
1.5
rect(t)
22
0.5
0.5
1
0.5
0
t
0.5
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
23
et dont la courbe caracteristique est representee figure 2.5, on peut definir la fonction periodique
de periode T fp par :
T T
t
, fp (t) = rect
t ,
2 2
T0
avec 0 < T0 < T , voir la courbe caracteristique representee figure 2.6. Par application de (2.6),
1.5
T
fp(t)
0.5
T
0.5
3
0
t
T0
T0
sinc n
cn =
T
T
sinc(x) =
sin(x)
.
x
La courbe caracteristique de cette fonction est representee figure 2.7. On notera que :
sinc(0) = 1 ;
Pour tout entier relatif non nul n, sinc(n) = 0.
Les coefficients cn sont ici reels. Avec T = 2T0 , on a la representation associee figure 2.8 o`u
la courbe en trait continu fin est la courbe caracteristique de la fonction sinus cardinal.
Examinons ce que donne le somme des 2N + 1 premiers termes de la decomposition en serie
de Fourier ainsi obtenue :
N
X
n
SN (t) =
cn e2i T t
n=N
pour N = 1, N = 3, N = 5 et pour N = 144, voir figure 2.9. On constate quau plus N est
7
fp (t + T ) = fp (t)
Dans le sens presente dans la Remarque importante presentee page 20.
9
Si vous avez dej`a croise la fonction sinus cardinal, la definition que vous avez eu a peut-etre e te differente.
Normal, il existe deux definitions de la fonction sinc leg`erement differentes. Pour ce qui est de cet enseignement de
Traitement de Signal, seule la definition presentee dans cette page est consideree comme valable.
8
24
C HAPITRE 2
1.2
1
0.8
sinc(x)
0.6
0.4
0.2
0
0.2
0.4
5
0
x
0.6
T0/T
0.5
0.4
c
cn
0.3
1/T
0.2
0.1
c
0
c9
c4
c
c5
c2
c6
0.1
0.2
5
c9
c3
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
25
1.5
N=1
N=3
N=5
0.5
0.5
3
0
t
N = 144
1.5
0.5
0.5
3
0
t
2.4
2.4.1 Introduction
Lobjectif est de rechercher une decomposition du type serie de Fourier mais dans le cas
dune fonction non periodique f appartenant a` L1 (R) L2 (R), cest-`a-dire telle que :
Z +
Z +
f (t)2 dt < .
|f (t)|dt < et
Le format et les objectifs du cours ne permettant pas un developpement mathematique rigoureux10 , une premi`ere explication qualitative et rapide de ce que peut e tre la transposition de la serie
de Fourier aux fonctions non periodiques a` travers un exemple va e tre presentee dans ce qui suit.
Une fonction de L2 (R) peut e tre vue comme la limite de fonctions periodiques fT telles que
T T
t ,
, fT (t) = f (t)
2 2
10
Pour une presentation mathematiquement rigoureuse, voir par exemple [3, 12].
26
C HAPITRE 2
f(t)
1
T
0.5
0
0.5
(t)
Tm
0.5
0.5
0.5
f (t)
0
0.5
T
0
t
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
27
pour T tendant vers linfini, voir figure 2.10. Puisque cette fonction fT admet une decomposition
en serie de Fourier, comment celle-ci e volue-t-elle quand T tend vers linfini ?
On revient sur
de la fonction presentee dans lexemple 2 page 21 avec T0 fixe : t
lexemple
t
R, f (t) = rect T0 . Lexplication qui suit est avec les mains. La fonction fT e tant periodique
et de carre integrable sur une periode, elle admet dapr`es la section 2.3 une decomposition en serie
de Fourier :
X
n
(2.7)
cn e2i T t
t R, fT (t) =
n=
avec
1
cn =
T
T
2
T2
fT (t)e2i T t dt.
La decomposition en serie de Fourier fait intervenir lensemble des frequences : Tn nZ o`u T1 est
la
equence
fondamentale. Evidement on peut e crire legalite (2.7) simplement pour lintervalle
fr
T
T
2 , 2 et comme les fonctions f et fT concide sur cet intervalle, on a alors :
X
n
T T
t ,
cn e2i T t
, f (t) =
2 2
n=
avec
1
cn =
T
T
2
f (t)e2i T t dt.
T2
Par suite, la variable Tn est remplacee par la variable continue et la courbe T cn fonction de Tn
se transforme en une courbe continue fonction de . La figure 2.11 represente les coefficients de
la decomposition en serie de Fourier11 multiplies par T . En prenant successivement T = 2T0 ,
T = 4T0 , T = 8T0 et T = 16T0 , on obtient les representations associees figure 2.11. Lecart entre
deux points successifs e tant de 1/T , celui-ci tend vers 0 quand T tend vers +.
Donc, quand T tend vers +,
Z +
2it
{T cn }nZ
f (t)e
dt
X
n
1
t
2i T
F ()e2it d
T cn e
T
n=
donc, on a :
f (t) =
F ()e2it d.
11
qui ont le bon gout detre reels dans cet exemple : ce nest e videmment pas toujours le cas.
28
C HAPITRE 2
1.2
1.2
Tc
Tc
T=4T0
0.8
0.6
0.6
cn
Tc
T=2T0
0.8
0.4
0.4
0.2
0.2
0
0.2
0.2
0.4
5
0.4
5
1.2
Tc
1
T=8T
T=16T
0.8
0.8
0.6
0.6
cn
1.2
Tc
0.4
0.2
0.4
0.2
0.2
0.2
0.4
5
0.4
5
F () =
f (t)e2it dt
(2.8)
est appelee transformee de Fourier de f et est notee F[f ]. On definit la transformee de Fourier
inverse, notee F 1 [F ], par
Z +
t R, f (t) =
F ()e2it d.
(2.9)
On a le resultat suivant qui necessite la definition de lensemble L1 (R) : cest lensemble des
fonctions f de R dans R telles que :
Z +
|f (t)|dt < .
12
F est la fonction conjuguee de F , qui a` associe F (), nombre complexe conjugue de F (). Pour un nombre
complexe x + iy o`u x et y sont des reels, le conjugue est defini par x iy.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
29
Theor`eme 2.4.1 Si f est une fonction13 de L1 (R) alors la fonction F existe, est continue et F ()
tend vers 0 quand || .
Exemple Avec T0 > 0, la fonction f definie sur R par :
t
f (t) = rect
T0
appartient a` L1 (R).
Notation Dans la suite du document, afin dalleger les notations, on pourra designer la fonction f par son expression dans laquelle la variable a e te remplacee par , ce qui donne dans cet
exemple :
.
rect
T0
Il sagit ici de bien faire la difference entre la fonction f et sa valeur f (t) pour la variable t.
Exemple (suite) Dapr`es le theor`eme 2.4.1, cette fonction admet une transformee de Fourier. De
plus, par application directe de (2.8), on e tablit que sa transformee de Fourier sexprime a` laide
de la fonction sinus cardinal :
F rect
() = T0 . sinc(T0 )
T0
voir figure 2.12.
FREQUENCE
TEMPS
2.5
1.5
T0
T sinc(T )
rect(t/T )
1.5
0.5
0.5
0
0
T0
0.5
T0/2 0
t
0.5
T /2
0
2/To
1/To 0 1/To2 /To
30
C HAPITRE 2
Remarque Meme si dans lexemple precedent la fonction F est une fonction reelle, en general,
elle est complexe. On represente graphiquement son module |F ()| en fonction de et son argument arg(F ()) en fonction de . On parle de representation spectrale.
Linearite
F[af + bg] = aF[f ] + bF[g]
2.4.3.2
2.4.3.3
2.4.3.5
2.4.3.6
i
F f () () = F ()
F[f ()]() = F ()
Changement dechelle
1
F
F[f (a)]() =
|a|
a
R,
2.4.3.4
Translation temporelle
R,
R,
F[e2i0 f ()]() = F ( 0 )
Modulation
14
La formule qui suit peut se calculer en faisant une integration par partie a` partie de lexpression (2.8) de la
transformee de Fourier.
G. S CORLETTI
2.4.3.7
2011
V ERSION P ROVISOIRE DU 24 AO UT
31
Consequences
1. La partie reelle de la transformee de Fourier dune fonction reelle est paire et la partie
imaginaire est impaire.
2. Le module de la transformee de Fourier dune fonction reelle est pair et son argument est
impair.
3. La transformee de Fourier dune fonction reelle et paire est reelle et paire.
4. La transformee de Fourier dune fonction reelle et impaire est imaginaire et impaire.
2.4.4 Energie
Une fonction f de L2 (R) est dite a` e nergie finie. Lenergie est dailleurs definie par
Z
f (t)2 dt
soit kf k22 . Si de plus f appartient a` L1 (R) alors elle admet une transformee de Fourier F . Peut-on
e valuer lenergie de f a` partir de sa transformee de Fourier F ? On a le theor`eme suivant.
Theor`eme 2.4.2 (Parseval Plancherel) Soit f L1 (R) L2 (R). Alors
Z
Z
2
f (t) dt =
|F ()|2 d.
Lenergie peut donc aussi se calculer a` partir de lexpression de sa transformee de Fourier F dans
lespace des frequences. |F ()|2 est appelee densite spectrale denergie.
32
C HAPITRE 2
F[e
x] = F[x(a)]
F[x(a)]() =
1
F[x]
|a|
a
Par suite,
45
F[e
x]() = F[x]
33
R,
45
33
x
e(t)2 dt =
2
e
|X()|
d =
45
,
33
x
e(t) dt =
45
33
on obtient
45
33
Z
2
X 45 d.
33
=
2 Z
e=
|X (e
)|2 de
.
Do`u la conclusion.
2.5
Certaines fonctions tr`es simples et potentiellement tr`es utiles nappartiennent pas a` lensemble
L1 (R) (ni a` lensemble L2 (R)). Un exemple simple est la fonction f definie par t R, f (t) = 1.
Quelle pourrait e tre la transformee de Fourier pour certaines de ces fonctions, si elle existe ? On
va examiner le cas de cette fonction f .
Exemple La fonction t R, f (t) = 1 peut e tre interpretee comme la limite dune sequence
de fonctions fT0 definies par fT0 (t) = rect(t/T0 ), quand T0 tend vers . Pour une valeur de T0
donnee, la transformee de Fourier de la fonction fT0 est representee figure 2.12. La figure 2.14
represente la deformation du trace de la transformee de Fourier pour des valeurs croissantes de
T0 . Supposons que la transformee de Fourier fT0 converge vers une fonction quand T0 tend vers
linfini. Cette fonction que lon va noter serait alors telle que
1. 6= 0, () = 0
2. (0) = +
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
33
30
T0
T_0
T0=2
25
T
0
T0sinc(T0)
T sinc(T )
20
T0
15
10
1/To
0
5
1/To
30
30
T =4
T =8
0
25
20
20
T0sinc(T0)
T0sinc(T0)
25
15
15
10
10
0
5
0
5
30
T =32
25
25
20
20
T0sinc(T0)
T0sinc(T0)
30
T =16
15
15
10
10
0
5
0
5
34
C HAPITRE 2
T0 . sinc(T0 )d = 1
Cette integrale montre quen fait ne peut pas e tre une fonction. En effet, lintegrale dune fonction nulle presque partout ( 6= 0, () = 0) ne peut valoir que 0 et ici elle vaut 1 ! ! ! Donc on est
face a` une absurdite si on fait lhypoth`ese que est une fonction. est donc un objet mathematique
e trange a` definir, ca ressemble a` une fonction mais ce nest pas une fonction...
La morale de cet exemple est quil existerait certaines fonctions interessantes nappartenant
pas a` L1 (R) (ni a` L2 (R)) telles que si la transformee de Fourier existe alors cest un objet
mathematique (`a definir) qui nest pas une fonction. Si ce nest pas une fonction, quel est donc cet
e trange objet ? ? ?
Exemple On va essayer dimaginer ce que pourrait e tre la transformee de Fourier inverse de la
fonction definie par , F () = 1, si elle existe. Il semble possible de definir la fonction F () = 1
comme la limite des fonctions :
FT0 () = sinc(T0 )
quand T0 tends vers 0, voir la courbe caracteristique de la fonction FT0 , figure 2.15. Comme on la
sinc(T0)
T 0
T 0
1/To
1/To
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
35
1/T0
1/T_0
1/T0rect(t/T0)
T0 0
0
T0 0
T0 0
T0
T/2
0
t
T/2
3.5
3.5
x(t0)
x(t0)
2.5
2.5
1.5
1.5
T0
T0
0.5
0.5
t0
t0
lim
T0 0
t0 +T0 /2
x(t)dt
(2.10)
t0 T0 /2
1
rect((t t0 )/T0 )x(t)dt
T0
1
rect((t t0 )/T0 )x(t)dt
T0 0 T0
lim
(t t0 )x(t)dt.
(2.11)
36
2.6
C HAPITRE 2
En realite, est une distribution. Nous allons voir que les distributions sont des objets mathematiques qui generalisent les fonctions. Pour plus dinformations sur les distributions, se reporter,
par exemple, aux references [12, 8, 5, 6]. La theorie des distributions est due a` Laurent Schwartz,
voir figure 2.18. Pour les besoins du Traitement de Signal, apr`es avoir defini les distributions, les
operations de base effectuees sur les fonctions puis la Transformation de Fourier sont generalisees
aux distributions.
t ] 1, 1[
(t) = exp
t 1 et t 1 (t) = 0
t2
t2 1
voir figure 2.19. On peut demontrer que cette fonction est indefiniment derivable.
Definition 2.6.2 (Distribution) Une distribution T est une application lineaire continue de D
dans C. Notation
T : D C
7 < T, >
Exemple Etant donne a R, lapplication qui a` associe (a) est une distribution appelee
impulsion de Dirac.
A travers la notion de distribution reguli`ere, les distributions apparaissent en realite comme
une generalisation des fonctions.
Definition 2.6.3 (Distribution reguli`ere) Une distribution T est reguli`ere sil existe une fonction
x localement integrable telle que
< T, >=
x(t)(t)dt.
(2.12)
Une distribution T est dite singuli`ere sil nexiste pas de fonction x telle que (2.12).
15
Dans ce qui suit, aussi curieux que cela puisse paratre, on peut se rendre compte que ce qui est important cest
de savoir que les fonctions tests existent et non de les determiner explicitement.
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
37
38
C HAPITRE 2
0.6
0.8
0.4
0.2
0.2
2
1.5
0.5
0
t
0.5
1.5
(t a)(t)dt = (a).
La distribution reguli`ere associee a` (t a) est telle qu`a une fonction test on associe la valeur
(a) : on retrouve limpulsion de Dirac ! Il apparat quen realite (t a) est une distribution
qui est singuli`ere puisque nest pas une fonction. Dans ce qui suit, on notera a la distribution
qui a` la fonction test associe la valeur (a). La distribution 0 est notee par . On associe
a` a la representation graphique presentee figure 2.20, gauche. Si est un reel alors a est la
Reprsentaion graphique de a
Reprsentaion graphique de a
1.2
0.8
0.6
0.4
0.2
0.2
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
39
La justification vient ici encore des distributions reguli`eres : il faut que quand on applique la
definition du changement dechelle a` une distribution reguli`ere associee a` une fonction x, on obtienne la distribution reguli`ere associee a` la fonction obtenue a` partir de la fonction x apr`es changement dechelle. Soit la distribution reguli`ere T associee a` la fonction x. Alors le changement
dechelle de constante a dune distribution T par la constante a doit correspondre a` la distribution
reguli`ere associee a` la fonction x(a). Or
!
Z +
Z +
e
1
1
t
D, < x(a), >=
x(at)(t)dt =
< T,
x(e
t)
de
t=
>
|a|
a
|a|
a
40
C HAPITRE 2
x(e
t)
!
e
t
1
de
t=
>
< T,
a
|a|
a
0 , > .
=<
|a|
a
|a| a
Par suite,
1
echa 0 =
0 .
|a| a
Ce qui nest pas forcement le resultat que lon aurait spontanement attendu du fait du facteur
1
|a|
Multiplication dune distribution par une fonction Pour toute distribution T et toute fonction
f indefiniment derivable, le produit f.T est une distribution definie par :
D,
Nous utiliserons dans la suite la consequence de ce resultat lorsquil est applique a` la distribution
impulsion de Dirac :
f.a = f (a).a
(2.13)
Derivation dune distribution
(2.14)
Cette formule a e te e tablie de facon a` generaliser la derivation des fonctions aux distributions. En
effet, il est naturel de definir la derivee dune distribution reguli`ere de fonction derivable x comme
la distribution reguli`ere associee a` la fonction x . Montrons que la formule (2.14) est coherente
avec cet objectif. La distribution associee a` x secrit en effet :
Z +
D, < T , >=
x (t)(t)dt.
x (t)(t)dt = [x(t)(t)]
x(t) (t)dt = < T, > .
{z
}
|
le premier terme de droite e tant nul du fait que est une fonction test.
La formule (2.14) permet ainsi detendre la notion de derivation a` des fonctions discontinues
a` travers leurs distributions reguli`eres associees.
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
41
t > 0, (t) = 1
t < 0, (t) = 0
Si est considere comme une fonction alors pour t 6= 0, (t) = 0 et (0) nest pas definie. En
considerant la distribution reguli`ere associee a` , on a :
Z +
Puisque F[T ] est une transformee de Fourier, la fonction test est une fonction de . Comme
precedemment, cette formule peut se justifier via les distributions reguli`eres16 : nous allons voir
16
En realite, il y a une subtilite theorique qui na cependant pas de repercussion sur lutilisation pratique que lon
va faire de cette formule dans cet enseignement. Neanmoins, pour e tre complet, on va en souligner les grandes lignes.
La difficulte est quon peut demontrer que meme si est une fonction test, ce nest pas forcement le cas de F[].
Par suite, F[] nest pas dans le domaine de definition de T et donc lecriture < T, F[] > na pas de sens. Pour
surmonter cette difficulte, on est amene a` definir les distributions temperees. Une distribution temperee se definit de
la meme facon quune distribution si ce nest quau lieu de travailler sur lensemble des fonctions tests D on travaille
sur lensemble des fonctions a` decroissance rapide S(R). Une fonction est a` decroissance rapide si pour tout p N,
on a :
lim | p ()| = 0.
||
On a la propriete que D S(R). Un exemple de distribution temperee est limpulsion de Dirac. Si S(R) alors
F[] S(R). Par suite, si T est une distribution temperee et si S(R) alors F[] S(R) et donc F[] appartient
au domaine de definition de T .
42
C HAPITRE 2
que pour une distribution reguli`ere definie par une fonction x de L1 (R) L2 (R), on retrouve
bien la transformee de Fourier telle quelle a e te definie section 2.4.2. En notant que e tant une
fonction de , F[] sera une fonction17 de t :
Z +
Z +
Z +
2it
()e
d dt
< T, F[] > =
x(t)F[](t)dt =
x(t)
Z
2it
x(t)e
{z
F [x]()
dt ()d
}
(2.16)
18
Par suite ,
Et donc, avec a = 0,
(2.17)
F[] = 1.
Transformee de Fourier de la fonction 1 Cest lexemple de la page 32. Lastuce est de montrer
que F 1 [] = 1 et den deduire F[1]. Pour cela, on applique la meme demarche que precedemment
mais en utilisant la definition de la transformee de Fourier inverse.
Z +
1
1
1
< F [], >=< , F [] >= F [](0) =
()d =< 1, > .
Par suite : F
18
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
43
1.5
|F()|
0.5
0.5
1 2i0 t
e
e2i0 t .
2i
1
F[e2i0 ] F[e2i0 ] .
2i
F[e2i0 ] = 0 .
Par suite, F[e2i0 ] = 0 et
F[sin(20 )] =
1
( 0 ) .
2i 0
1
ech 1 F[cos(20 )].
a
|a|
1
( 0 ) ,
2 0
|a|
1
ech 1 F[cos(20 )] =
(a0 a0 ) .
ech 1 0 ech 1 0 . =
a
a
a
2
2
F[cos(20 )] =
on a :
(2.18)
44
C HAPITRE 2
Et donc
1
(a0 a0 ) .
(2.19)
2
Bien entendu, on aurait pu utiliser directement la formule (2.18) pour obtenir en remplacant 0 par
a0 la formule (2.19).
F[cos(20 a)] =
2.6.4.1
Fonctions periodiques
Le cas des fonctions periodiques est particuli`erement interessant. Soit fp une fonction periodique
de periode T admettant une decomposition de Fourier :
t R,
fp (t) =
cn e2i T t .
n=
n=
cn F[e2i T ].
cn Tn .
n=
La transformee de Fourier dun signal periodique est donc discr`ete (non nulle seulement pour
les frequences Tn ). Si on reprend lexemple de la fonction representee figure 2.6, on obtient la
representation graphique figure 2.22. Generalement, on parle dun spectre de raies. On en avait vu
un exemple avec la fonction sinus, voir figure 2.21.
Il est dailleurs interessant de mettre en vis-`a-vis un tel spectre avec celui de la fonction motif19
correspondante, voir figure 2.24. Le spectre de fp est issu du spectre de sa fonction motif fm par
une discretisation + un facteur dechelle de T1 . Ce facteur dechelle decoule du fait que :
1
cn =
T
T
2
T2
n
t
2i T
fp (t)e
1
dt =
T
fm (t)e2i T t dt =
n
1
Fm
.
T
T
19
La fonction motif fm dune fonction periodique fp de periode T est une fonction nulle sauf sur un intervalle I
de longueur T telle que t I, fp (t) = fm (t). Un exemple est donne figure 2.23.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
45
0.6
T0/T
0.5
0.4
c
c1
0.3
1/T
0.2
0.1
c
c7
c
c
c7
c9
c3
c3
0.1
0.2
5
c5
c4 c
2
fonction motif
0.08
0.06
0.04
0.02
0
5
10
10
t
fonction priodique
0.08
0.06
0.04
0.02
0
5
0
t
46
C HAPITRE 2
FREQUENCE
TEMPS
2.5
1.5
T0
2
1
T sinc(T )
rect(t/T )
1.5
0.5
0.5
0
0
T
0.5
1.5
T0/2 0
t
0.5
2/To
1/To 0 1/To2 /To
T /2
0
Periodisation du motif
Discretisation
0.6
T /T
T
0.5
0.4
0.5
c1
0.3
f (t)
1/T
0.2
0.1
c
0
t
c5
0.2
5
c9
c3
c3
c2
c2
0.1
T
0.5
3
G. S CORLETTI
2.6.4.2
2011
V ERSION P ROVISOIRE DU 24 AO UT
47
Fonction e chelon
2.7
1
1
+ .
2i 2
h
i
= T. rect(T ).
F sinc
T
(2.22)
Dans lexemple page 41, nous avons vu que = . Dautre part, dapr`es la sous section 2.4.3.6,
F[f ]() = 2iF[f ] ().
Par suite
2iF[]() = F[]() = 1.
(2.20)
Ici, il faut faire attention que les termes de cette e quation sont des distributions. On peut ainsi demontrer quau sens
des distributions :
() = 0
Par suite, la solution de lequation (2.20) secrit :
F[] =
1
+ k
2i
(2.21)
o`u k est une constante a` determiner. Pour determiner k, on va regarder la valeur que prend la distribution definie par
F[] pour une fonction test particuli`ere definie par :
2
1
() = e 2
2
t2
1
F[](t) = e 2 .
2
En utilisant cette expression de F[] et la relation (2.15), on demontre que < F[], >=
utilisant (2.21), on demontre que < F[], >= k 12 . Par suite, k = 21 .
21
Lordonnee a` gauche represente le niveau sonore defini par :
P
L = 20 log
P0
1 .
2 2
Dautre part, en
avec P la pression acoustique en Pascal et P0 = 2 105 la pression acoustique de reference : elle correspond au
seuil de laudition.
48
C HAPITRE 2
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
49
Au del`a de son interet scientifique, la caracterisation de laudition humaine a un interet pratique important pour lingenieur : elle va permettre de definir une partie du cahier des charges
des syst`emes technologiques qui vont effectuer le traitement du son pour des applications bien
determinees 22 . Ainsi, par exemple, un telephone est un syst`eme technologique dont lobjectif est
de traiter la parole. La figure 2.25 nous montre que le spectre dune parole comprend des composantes comprises entre 800 Hz et 8 kHz environ. Lorsque la parole va e tre traitee par le telephone,
il est donc primordial de ne pas alterer la partie du spectre qui est dans cette gamme de frequences.
2.8
Les proprietes de la Transformee de Fourier presentees section 2.4.3 peuvent e tre exploitees
pour la resolution dequations differentielles. Ceci est illustre dans lexemple qui suit.
Exemple Soit lequation differentielle :
t R,
y(t)
+ ay(t) = bx(t).
(2.23)
b
.
2i + a
22
Les limites de la perception ont e te illustrees par le peinture belge Renee Magritte, voir par exemple le tableau
La Trahison des images. Lart de lingenieur est dexploiter au mieux les limites de la perception humaine. Pour
cela, il est important de les connatre.
50
C HAPITRE 2
Frequence
30,525 a` 32,125 MHz
30,750 a` 32,075 MHz
31,300 MHz
32,125 a` 32,500 MHz
32,500 a` 33,700 MHz
32,800 MHz
33,000 a` 34,850 MHz
34,850 a` 36,200 MHz
36,200 a` 36,400 MHz
36,400 a` 37,500 MHz
37,500 a` 38,250 MHz
39,000 a` 40,600 MHz
40,660 a` 40,700 MHz
40,995 a` 41,105 MHz
41,100 a` 41,200 MHz
41,205 a` 41,245 MHz
41,310 a` 41,475 MHz
47,000 a` 47,120 MHz
47,400 a` 47,600 MHz
47,600 a` 47,700 MHz
50,200 MHz
50,200 a` 51,200 MHz
55,750 a` 63,750 MHz
56,330 MHz
62,860 MHz
68,000 a` 68,460 MHz
68,462 a` 69,250 MHz
69,250 a` 70,000 MHz
70,250 a` 70,525 MHz
70,525 a` 70,975 MHz
70,975 a` 71,950 MHz
71,300 a` 71,800 MHz
72,200 a` 72,500 MHz
72,500 a` 73,300 MHz
73,300 a` 74,800 MHz
74,800 a` 75,200 MHz
75,200 a` 77,475 MHz
77,475 a` 80,000 MHz
80,000 a` 82,475 MHz
82,475 a` 83,000 MHz
83,000 a` 87,300 MHz
87,300 a` 87,500 MHz
87,500 a` 108,000 MHz
108,000 a` 117,950 MHz
118,000 a` 136,000 MHz
137,000 a` 138,000 MHz
138,000 a` 144,000 MHz
143,9875 a` 144,000 MHz
144,000 a` 146,000 MHz
146,000 a` 156,000 MHz
151,005 a` 152,990 MHz
152,000 a` 152,020 MHz
152,570 a` 152,655 MHz
152,990 a` 155,995 MHz
154,980 a` 155,180 MHz
155,995 a` 162,995 MHz
156,025 a` 157,425 MHz
160,625 a` 160,950 MHz
161,550 a` 162,025 MHz
162,500 a` 162,525 MHz
164,800 a` 168,900 MHz
169,410 a` 173,815 MHz
169,795 a` 173,495 MHz
173,500 a` 174,000 MHz
174,000 a` 223,000 MHz
174,000 a` 234,000 MHz
175,500 a` 178,500 MHz
183,500 a` 186,500 MHz
223,500 a` 225,000 MHz
225,000 a` 400,000 MHz
Utilisation
Reseaux prives
Appareils faible portee non specifiques
Radiomessagerie sur site
Usage militaire
Reseaux prives
Microphones sans fils
Usage militaire
Reseaux prives
Microphones sans fils
Usage militaire
Radio-astronomie
Reseaux prives
Appareils faible portee non specifiques
Aeromodelisme
Modelisme
Telealarme pour personnes a gees jusquau 31/12/2005
Telephones sans fils
Reseaux prives
Reseaux prives en region parisienne seulement
Reseaux prives
Liaison video sol-train, en region parisienne
Trafic amateur
Television bande I
Liaison video sol-train, en region parisienne
Liaison video sol-train, en region parisienne
Usage militaire
Reseaux prives
Usage militaire
Reseaux prives
Usage militaire
Reseaux prives
Appareils faible portee non specifiques
Modelisme
Reseaux prives
Gendarmerie nationale
Radiolocalisation aeronautique (Marker)
Reseaux prives, taxis
Gendarmerie nationale
Reseaux prives
Usage militaire
Police, pompiers, SAMU
Radiomessagerie unilaterale : alphapage, biplus ou eurosignal
Radiodiffusion FM bande II
Radio Navigation Aeronautique (VOR et ILS)
Trafic aeronautique, bande air ou aviation (frequence de detresse 121,5MHz)
Liaisons satellitaires descendantes,(Satellites Meteo)
Usage militaire
Frequence reservee vol libre
Trafic amateur, bande des 2 m`etres
Trafic aeronautique (liaisons satellitaires montantes de 148MHz a` 150MHz )
Reseaux prives
Radiomessagerie sur site
Appareils faible portee non specifiques
Reseaux prives
Liaisons fixes dabonnes isoles
Reseaux prives en dehors des cotes
Trafic maritime et fluvial, bande VHF marine
Trafic maritime et fluvial, bande VHF marine
Trafic maritime et fluvial, bande VHF marine
Trafic maritime et fluvial, bande VHF marine
Reseaux prives
Radiomessagerie norme ERMES
Reseaux prives
Police, pompiers, SAMU
Television bande III
DAB bande III
Microphones sans fil
Microphones sans fil
Appareils faible portee non specifiques jusquau 31/12/2005
Trafic aeronautique et liaisons satellitaires militaires
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
51
2. La seconde e tape consiste a` remplacer X par son expression. Dapr`es la sous section 2.6.4.2 :
F[] =
Do`u
Y =G
1
1
+ .
2i 2
1
1
+ G
2i 2
G()
Y = b/a
Dapr`es le TD 1 :
1
1
+
+
2i +a |2i{z
F []
2 }
1
2i +a
Do`u, en prenant la transformee de Fourier inverse, on obtient :
y = b/a 1 ea
F[ea ] =
La demarche precedente na de sens que si pour les signaux x et y, il est possible de definir
leur transformee de Fourier. Pour la fonction x = , nous savons dapr`es la sous section 2.6.4.2
que celle-ci est definie au sens des distributions. La fonction y correspond elle a` une fonction qui
fait intervenir le terme eat .
Dans le cas o`u a > 0, y appartient a` L1 (R) et donc dapr`es Theor`eme 2.4.1, il admet
forcement une transformee de Fourier.
Dans le cas o`u a < 0, y nappartient pas a` L1 (R) et elle nest pas a` croissance lente a` linfini.
Dapr`es la sous section 2.6.4, il nest donc pas e vident que x admette une transformee de
Fourier, meme au sens des distributions23 .
Par suite, la demarche appliquee dans lexemple precedent nest pas correcte dans le cas o`u
a < 0. Comment ladapter pour pouvoir traiter correctement cet exemple ?
Pour cela, on a recourt a` une astuce qui consiste a` introduire le signal z tel que y = e z, avec
telle que > a et w tel que x = e w, dans lequation 2.23, ce qui donne :
t R,
et z(t)
+ (a + ) et z(t) = bet w(t)
soit
t R,
23
z(t)
+ (a + ) z(t) = bw(t)
52
C HAPITRE 2
Avec > a, les fonctions z et w appartiennent a` L1 (R) : il est alors possible de definir leur
transformee de Fourier.
Or, par definition,
Z() =
z(t)e2it dt
et y(t)e2it dt
y(t)e(+2i)t dt
y(t)est dt
et notee L[y](s). L[y] est une generalisation de la transformee de Fourier F[y] qui e tait definie
par :
Z +
F[y]() =
y(t)e2it dt
et o`u lon a remplace 2i par la variable complexe s. Attention que lintegrale ci-dessus nest
bien definie que pour certaines valeurs de s, dans lexemple considere, les valeurs du nombre
complexe s telles que Re(s) > a. a est appele abscisse de convergence.
Definir la transformee de Laplace de y avec un abscisse de convergence de a revient donc a`
definir la transformee de Fourier de z qui est bien definie puisque z L1 (R).
Il est aussi possible de definir la transformee de Laplace monolaterale
Y (s) =
y(t)est dt.
t=0
Pour les signaux y tels que t < 0, y(t) = 0, les transformees de Laplace monolaterale et bilaterale
concident. Ces signaux sont appeles causaux. Souvent, la resolution des e quations differentielles
telles que (2.23) se fait pour t 0, avec des conditions initiales donnees pour t = 0, par exemple :
(
t 0, y(t)
+ ay(t) = bx(t)
y(0) = y0
Ceci explique linteret particulier de la transformee de Laplace monolaterale. Un autre point est
que le calcul dune transformee bilaterale peut se ramener au calcul de deux transformees monolaterales car on a :
Z +
Z 0
Z +
st
st
y(t)e dt =
y(t)e dt +
y(t)est dt
st
y(t )e dt +
y(t)est dt
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Temporel
Laplace
Ensemble de definition
ea
ea
aR
1
+a
Re(s) > a
ea sin(0 )
aR
0
(+a)2 +02
Re(s) > a
ea cos(0 )
aR
+a
(+a)2 +02
Re(s) > a
53
b 1
1
y(0) b/a b/a
+
y(0) =
+
s+as s+a
s+a
s
54
C HAPITRE 2
Linearite
Changement
dechelle
Translation
temporelle
Modulation
L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)
Derivee
Integration
Z
1
f (u)du (s) = L[f ](s)
s
2.9
En resume
Sil est naturel de modeliser un signal par une fonction, une approche plus satisfaisante
consiste a` modeliser un signal par une distribution, notion qui e tend la notion de fonction.
Une distribution particuli`ere et incontournable en traitement du signal est limpulsion de
Dirac a .
Un signal peut e tre caracterise par analyse frequentielle.
La decomposition en serie de Fourier est un premier outil danalyse valable pour des fonctions definies sur un intervalle (avec certaines proprietes) et pour des fonctions periodiques.
La transformee de Fourier permet lanalyse frequentielle dune classe suffisamment riche
de signaux.
Les spectres de signaux e lementaires ont e te e tudies a` travers des exemples :
1. Non periodiques : rect, tri24 , sinc, ...
2. Periodiques
La transformee de Fourier peut e tre utilisee pour la resolution dequations differentielles a`
condition de sassurer quelle est bien definie pour les signaux sur lesquels elle sapplique.
La transformee de Laplace est une extension de la transformee de Fourier qui est bien definie
pour une classe de signaux plus importante que la transformee de Fourier, par exemple pour
les signaux qui ont une divergence exponentielle a` linfini. Elle permet ainsi de resoudre de
facon plus systematique les e quations differentielles.
Dans la suite du document, par convention, une lettre minuscule fait reference a` un signal
dans le domaine temporel et la meme lettre en majuscule a` sa transformee de Fourier ou de
Laplace.
24
G. S CORLETTI
2.10
2011
V ERSION P ROVISOIRE DU 24 AO UT
55
= 2;
% Initialisation de la variable T
tv = linspace(-T/2,T/2,1000);
% Cr
eation dun vecteur de 1000
el
ements
% espac
es lin
eairement dont le premier
% vaut -T/2 et le dernier +T/2
ft = cos(2*pi/T*tv)+4*sin(2*pi/T*tv) + 4*(cos(2*pi/T*2*tv));
% Calcul des valeurs de la fonction f
% pour t prennant ses valeurs dans le
% vecteur tv
figure, % Cr
eation dune nouvelle figure
plot(tv, ft); % Trac
e des points de coordonn
ees prises dans les vecteurs
% tv et ft, les points successifs
%
etant reli
es par des segments de droite
grid on; % Affichage dune grille
hold on;
plot(tv,cos(2*pi/T*tv),:,tv,4*sin(2*pi/T*tv),-.,tv,
4*cos(2*pi/T*2*tv),--);
% Trace sur la figure les diff
erents termes
% de la d
ecomposition en s
erie de Fourier
Un point de syntaxe : le % definit le debut dune zone de commentaires. De plus pour avoir
dinformation sur une fonction Matlab de nom xxnom de fonction, consulter laide, par exemple
en tapant help nom de fonction sous le prompt >> dans la fenetre Matlab.
56
C HAPITRE 2
Chapitre 3
Modeliser et caracteriser un syst`eme :
Convolution et filtrage
Dans le chapitre precedent, nous avons vu comment caracteriser un signal par lanalyse frequentielle. Dans ce chapitre, nous allons mettre a` profit cette caracterisation pour aborder une des
grandes techniques de traitement de signal permettant dextraire dun signal donne un signal utile :
il sagit dobtenir le signal utile comme la sortie dun syst`eme de convolution (judicieusement
choisi) ayant en entree le signal a` traiter (filtrage).
Les differentes notions sous-jacentes sont introduites a` travers des e lements sur la compression
MP3 dans la section 3.1. Les syst`emes de convolution sont ensuite definis dans la section 3.2.
Leur mise en uvre pour le filtrage est abordee dans la section 3.3 : le type de filtrage presente est
qualifie de frequentiel car base sur une caracterisation frequentielle des signaux telle que presentee
dans le chapitre precedent. Le filtrage temporel est enfin presente section 3.4.
3.1
La compression est un ensemble de methodes visant a` reduire lespace necessaire a` la representation dun signal. Ce point est important que ce soit pour la transmission dun signal ou son
stockage. La compression MP31 est un algorithme de compression audio. Elle sapplique a` des
signaux sonores destines a` e tre e coutes par un e tre humain2 . De facon schematique, un signal
sonore x peut se decomposer en deux parties :
t R,
o`u
1. xu est la partie utile : dans lexemple present, il sagit de la partie du son audible par letre
humain ;
2. xr est la partie inutile : dans lexemple present, il sagit de la partie du son inaudible par
letre humain.
1
La compression MP3 ou MPEG-1 Layer 3 est une technologie europeenne. Lalgorithme MPEG-1 Layer
3 decrit dans les standards ISO/CEI IS 11172-3 et ISO/CEI IS 13818-3 est soumis a` des redevances (droits commerciaux) a` Philips (entreprise neerlandaise), TDF (entreprise francaise), France Telecom (entreprise francaise), IRT
(entreprise allemande), Fraunhofer IIS (entreprise allemande) et Thomson (entreprise francaise) pour toute utilisation
ou implantation physique (notamment sur les baladeurs MP3).
2
Ce point bien quevident est en fait fondamental pour bien comprendre la compression MP3.
57
58
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
La compression MP3 est basee sur le constat que loreille humaine ne pouvant percevoir que xu ,
plutot que de coder lensemble du signal sonore x, il est simplement necessaire de coder la part
utile xu . Puisque seule la partie utile est codee, la quantite de donnees necessaire sera donc plus
faible que si lensemble du signal x e tait code.
La question est de savoir comment extraire xu a` partir du signal x. Cette question peut e tre
abordee en deux e tapes :
1. Caracterisation du signal xu : cette caracterisation se fait a` partir de lanalyse en temps et en
frequence du signal x telle quelle a e te presentee dans le chapitre precedent ;
2. Extraction de la partie utile xu : lextraction de xu se fait par des techniques de filtrage dont
le principe est presente dans ce chapitre.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
59
du signal. Cette compression basee sur le spectre du signal de depart permet de diviser jusqu`a un
facteur de 12 la quantite de donnees stockees. Merci Monsieur Fourier !
Comment extraire dun signal x un signal utile xu caracterise frequentiellement ? La technique
utilisee est le filtrage frequentiel qui est fondee sur les syst`emes de convolution qui sont maintenant
presentes.
3.2
Convolution
4
Le developpement important de linformatique a permis le developpement de puissantes methodes dingenierie,
cest-`a-dire de conception des syst`emes. Le syst`eme a` concevoir est dabord dimensionne, realise et e tudie sous la
forme dun mod`ele mathematique a` laide dun logiciel informatique. Cette e tape a permis de fortement reduire le
temps de conception des syst`emes tout en augmentant leur complexite.
5
Le terme syst`eme lineaire stationnaire est e quivalent : pour la definition des syst`emes lineaires stationnaires, voir
le cours dAutomatique.
60
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
h(u)
2
1.5
h(u)
0.5
0.5
0.5
0.5
1.5
1.5
2
h()
sin(4 )
0.5
0.5
0.5
1.5
2
h(t)
1.5
1.5
0.5
0.5
x( )
t=1.5
0.5
2
1.5
0.5
0.5
h(t )
1.5
h(t )x( )
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
61
Cet exemple permet de comprendre pourquoi le produit de convolution est parfois appele RTMI.
Cet acronyme est base sur les differentes operations e lementaires effectuees pour obtenir le produit
de convolution :
Retournement h(u) h( )
Translation h( ) h(t )
Exemple dun circuit e lectronique Le circuit dit semi-integrateur represente figure 3.4 est un
syst`eme de convolution admettant x comme entree, y comme sortie et tel que :
t R,
y(t) = h x(t)
h(t) = e RC (t)
avec
0.2
0.2
h(t)
C
R
0.4
0.6
0.8
RC
3RC
t
Exemple dun syst`eme mecanique Une modelisation simplifiee dune roue dotee de pneumatique se deplacant sur un sol inegal est donnee par :
mr zroue (t) = c(zsol (t) zroue (t)) + k(zsol (t) zroue (t))
voir figure 3.5. Le syst`eme qui admet zroue pour sortie et zsol pour entree est un syst`eme de convolution defini par la reponse impulsionnelle :
h(t) = 2et (a cos(t) + b sin(t))
avec =
c
,
2mr
k
2mr
c
2mr
2
,a=
c
mr
et b =
2
k
c 2
c
2mr
62
C HAPITRE 3
zsol
C ONVOLUTION ET F ILTRAGE
zroue
y(t) =
Il est possible de definir de plusieurs facons un signal borne. La plus courante est : M tel que t, |x(t)| M .
Cest la definition qui est adoptee dans ce document.
7
Dans un premier temps, montrons que si h L1 (R) alors le syst`eme de convolution est stable.
Soit un signal dentree x borne. Par suite, x borne M tel que t, |x(t)| M .
Z
|y(t)| =
Z
h(t )x( )d
|h(u)| du.
Par suite, comme h L1 (R), le signal y est borne. A partir de la definition de la stabilite, on conclut que le syst`eme
de convolution est stable.
Montrons maintenant que si le syst`eme de convolution est stable alors h L1 (R).
Soit le signal dentree x = sign(h()). Comme ce signal est borne par 1 et que le syst`eme de convolution est
stable alors le signal de sortie y est borne, en particulier pour t = 0. Par suite,
y(0) =
Donc h L1 (R).
|h(u)| du < .
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
63
h(t)
1000
500
0
500
1000
1500
0.2
0.4
0.6
0.8
(3.2)
Cette relation justifie lappellation de reponse impulsionnelle pour la fonction h. Elle offre une
methode experimentale pour determiner une approximation de la reponse impulsionnelle dun
syst`eme de convolution.
Exemple : la reponse impulsionnelle dune salle deglise Lorsquun son est e mis dans une
e glise, lacoustique particuli`ere de ce type de salle fait que le son percu est toujours notablement
different du son e mis. On peut definir un syst`eme salle deglise qui admet pour entree le son
e mis en son sein et pour sortie le son tel quil est percu a` linterieur de cette salle. Sous lhypoth`ese que ce syst`eme est un syst`eme de convolution, on peut compl`etement le caracteriser par
la determination de sa reponse impulsionnelle. netant pas une distribution reguli`ere, on ne peut
e videment pas creer le son correspondant. Par contre, comme cela a e te suggere dans lexemple
page 34, puisque les fonctions fT0 definies dans cet exemple convergent vers une impulsion de
Dirac quand T0 tend vers 0, on peut approcher une impulsion par une telle fonction avec T0 petit. Cela revient a` envoyer un son tr`es bref et tr`es intense. On mesure alors a` laide dun micro
le son dans la salle ce qui donne la reponse impulsionnelle representee figure 3.6. Le produit de
convolution de cette reponse impulsionnelle avec un son e mis produit le son que lon percoit dans
leglise.
En faisant le produit de convolution de cette reponse impulsionnelle avec un son, on obtient le
son tel quil est effectivement percu dans la salle deglise, voir figure 3.7.
64
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
Son percu
Son e mis
Salle
Eglise
h
hx
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
65
A sin(20 t + )
A sin(20 t)
h
(3.3)
Or,
2i0
he
(t) =
+
2i0 (t )
h( )e
2i0 t
d = e
De meme he2i0 (t) = e2i0 t H(0 ). H est la transformee de Fourier dune fonction reelle :
dapr`es la section 2.4.3.7, page 31, on a :
|H(0 )| = |H(0 )|
et
Par suite,
t R, y(t) = A|H(0 )| sin (20 t + arg (H(0 ))) .
(3.4)
A
A
et
arg (H(0 )) =
66
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
x(t) =
X()e2it d
t R,
Par suite,
On en deduit que :
t R,
+
2i
h X()e
Puisque
(t)d =
Do`u
t R,
t R,
H()X()e2it d
X()e
{z
2i
t R,
d (t) =
H()X()e2it d
}
{z
}
|
y(t)
y(t) =
Y ()e2it d
on en deduit
R,
Y () = H()X()
(3.5)
Il est amusant de constater quil existe une relation symetrique a` la relation (3.5) :
F[f.g] = F[f ] F[g].
(3.6)
(3.7)
Le spectre du signal de sortie est obtenu par la multiplication du spectre du signal dentree par la
reponse frequentielle du syst`eme de convolution.
Des relations similaires a` (3.5) et (3.6) peuvent e tre obtenues dans le cas de la transformee de
Laplace :
L[f g] = L[f ].L[g]
(3.8)
et
(3.9)
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
67
1
1 + RC2i
Problme initial
dans le domaine
temporel
Problme
dans le domaine
frquentiel
Transformation
1
Rsolution
simple
Rsolution
difficile
2
3
Solution
frquentielle
Solution
temporelle
Transformation
inverse
68
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
+a
+b
+ +b1
0
m
n1
1
m1
n
(n1)
m
(m1)
dt
dt
dt
dt
dt
dt
(3.10)
o`u an1 , , a0 et bn , , b0 sont des coefficients reels, o`u m et n sont deux entiers tels que
m n. Les conditions initiales sont nulles.
En prenant la transformee de Laplace de cette e quation differentielle et en utilisant les proprietes de la transformee de Laplace presentees dans le tableau 2.7, page 54 :
Linearite
L[af + bg] = aL[f ] + bL[g]
Derivee
L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)
on obtient :
sn + an1 sn1 + + a1 s + a0 Y (s) = bm sm + bm1 sm1 + + b1 s + b0 X(s).
La fonction rationnelle notee F (s) et appelee fonction de transfert est definie par :
F (s) =
bm sm + bm1 sm1 + + b1 s + b0
sn + an1 sn1 + + a1 s + a0
(3.11)
Soit h la fonction telle que F = L[h]. Alors dapr`es la relation (3.8), lequation (3.11) est
e quivalente a` :
y = h x.
Le syst`eme defini par (3.10) est donc un syst`eme de convolution.
Il est usuel detudier les proprietes de syst`emes definis par des e quations differentielles (3.10) a`
partir de la fonction de transfert F (s). Le syst`eme est stable si les racines du polynome denominateur
de F (s) : sn + an1 sn1 + + a1 s + a0 sont a` partie reelle strictement negative. Dans ce cas-l`a,
on a, avec H() la reponse frequentielle du syst`eme de convolution :
H() = F (2i).
o`u zsol est lentree et zroue est la sortie. A cette e quation differentielle, on peut associer la fonction
de transfert :
cs + k
.
F (s) =
mr s2 + cs + k
XXX Simulink is good for you ! [10]
XXX voir sujet de TD
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
3.3
69
Filtrage frequentiel
Filtre passebas
Filtre passehaut
H()
H()
Filtre passebande
Filtre coupebande
H()
H()
70
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
S
Filtre coupe-bande : la bande passante est de la forme [0, 1 [ ]2 , +[ et la bande de
rejection est de la forme ]1 , 2 [.
Exemple des enceintes HIFI 3 voies Les enceintes haute fidelite de qualite sont generalement
e quipees de 3 haut-parleurs, chaque haut-parleur e tant en charge de reproduire le son dans une
gamme de frequences bien definie :
Les tweeters reproduisent les hautes frequences, typiquement les frequences superieures a`
2 kHz : le signal a` reproduire est donc envoye en entree dun filtre passe-haut afin que la
sortie de ce filtre qui alimente les tweeters soit un signal constitue par les composantes
hautes frequences du son ;
Les mediums reproduisent les moyennes frequences, typiquement les frequences dans un
intervalle [500Hz, 5kHz] : le signal a` reproduire est donc envoye en entree dun filtre passebande afin que la sortie de ce filtre qui alimente les mediums soit un signal constitue par les
composantes moyennes frequences du son ;
Les woofers reproduisent les basses frequences, typiquement les frequences inferieures a`
1 kHz : le signal a` reproduire est donc envoye en entree dun filtre passe-bas afin que la
sortie de ce filtre qui alimente les woofers soit un signal constitue par les composantes
basses frequences du son.
Une enceinte HIFI est donc e quipee de 3 filtres frequentiels qui sont realises a` laide dun circuit
delectronique analogique, voir figure 3.12.
G. S CORLETTI
Filtre
2011
V ERSION P ROVISOIRE DU 24 AO UT
Domaine de travail
71
Syst`eme manipule
x(t)
y(t)
H()
Realisation
temporel
Fonctionnement
X()
Y ()
Conception
frequentiel
Analyse
TAB . 3.1 Filtrage, temps et frequence
1. determiner le syst`eme de convolution dont la reponse frequentielle a les bonnes caracteristiques en terme de bande(s) passante(s), de rejection, etc.. Le syst`eme de convolution peut
e tre represente par sa reponse impulsionnelle ou de facon plus commode par sa fonction de
transfert ;
2. le realiser par un syst`eme technologique : cela peut e tre un syst`eme delectronique analogique, un syst`eme mecanique, mecatronique, etc... Le circuit e lectronique represente figure 3.12 est un exemple de realisation.
Cest la premi`ere e tape qui nous interesse dans ce cours. Neanmoins, la determination du filtre
doit prendre en compte le fait quil doit e tre possible de le realiser par un syst`eme technologique !
Pour ce qui est des technologies e lectroniques, ce second aspect est aborde dans le cours GE b 1.3
Syst`emes e lectroniques.
Remarque Si le filtre est defini puis concu en raisonnant sur la reponse frequentielle du filtre et
le spectre des signaux, comme cela a e te remarque page 67, la mise en uvre du filtre a` travers sa
realisation technologique traite les signaux dans le domaine temporel, voir tableau 3.1.
72
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
Prenons le cas du filtre passe-bas (voir figure 3.11, en haut a` gauche). Il est defini par la reponse
frequentielle :
R, Hpb () = rect
.
2c
Dapr`es (2.22),
Or une condition necessaire pour que h soit la reponse impulsionnelle dun syst`eme physique est
que le syst`eme de convolution correspondant soit causal (u < 0, h(u) = 0), ce qui nest pas
le cas. Par suite, le filtre ideal passe-bas nest pas realisable. En realite, il en est de meme pour
lensemble des filtres ideaux presentes figure 3.12.
Pourquoi un filtre ideal ne peut pas e tre causal ? Les filtres ideaux que lon a vu precedemment ont une reponse frequentielle reelle. En realite, la difficulte est quil existe une relation entre
la partie reelle de la reponse frequentielle dun filtre causal et sa partie imaginaire. En effet, le
syst`eme de convolution de reponse impulsionnelle h est causal si et seulement si :
h = h..
En prenant la transformee de Fourier de cette e galite et en utilisant la relation (3.6), on obtient
alors :
H() = H F[]().
Puisque F[]() =
1
2i
+ 21 () et dapr`es (3.2), on a
H=H
1
1
+ H
2i 2
Par suite8 ,
H=H
1
i
et donc
, Re (H()) = Im (H)
1
()
et
, Im (H()) = Re (H)
1
()
Fixer la partie reelle dun filtre causal revient donc a` fixer sa partie imaginaire. Par suite, on ne peut
avoir une partie imaginaire identiquement nulle sans avoir la partie reelle identiquement nulle. On
ne peut donc avoir un filtre avec une reponse frequentielle reelle qui ne soit identiquement nul9 .
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
73
Bande de transition
|H()|
0.8
Bande de rjection
0.6
0.4
0.2
Bande passante
0
74
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
Exemple Le circuit semi integrateur presente page 61 definit un filtre passe-bas, voir figure 3.15.
0.9
0.8
0.7
10
0.6
15
|H| en dB
|H()|
0.5
20
0.4
25
0.3
30
0.2
35
0.1
40
0.5
1.5
2.5
3.5
45
2
10
10
10
10
10
Temps de groupe Le temps de groupe est une des caracteristiques importantes qui permet de
juger de la qualite dun filtre reel pour un nombre important dapplications. Contrairement aux
filtres ideaux, un filtre reel de reponse frequentielle H introduit un dephasage () = arg(H())
qui est fonction de la frequence , voir par exemple figure 3.16 pour le circuit semi-integrateur.
Dans le domaine temporel, ce dephasage entrane un retard entre le signal dentree et le signal
180
180
170
170
160
160
150
arg(H)
arg(H())
150
140
130
140
130
120
120
110
110
100
100
90
0.5
1.5
2.5
3.5
90
2
10
10
10
10
10
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
75
x(t)
1.5
0.5
0.5
1.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
F IG . 3.17 Signal x
Exemple On consid`ere le signal dentree x represente figure 3.17 dont lexpression est donnee
par :
t R, x(t) = sin(2t) + 0.1 sin(12t + 2).
Ce signal se decompose donc en deux composantes qui sont deux sinus a` la frequence de 1 Hertz
et de 6 Hertz. Ce signal est envoye a` lentree de deux filtres :
1. Le premier filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard est constant : () = Cte ;
2. Le second filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard est tel que (6) 6= (12).
Les signaux de sortie obtenues sont representees figure 3.18. On voit que dans le cas du premier
filtre (gauche), le signal de sortie correspond au signal dentree retarde alors que le cas du second
filtre (droite), le signal de sortie est different du signal dentree.
Dans lexemple precedent, si le signal est un son alors a` la sortie du filtre dont le retard
dependant de la frequence, le son peut e tre altere. Cest pour cela que dans des applications o`u il
est necessaire de transmettre et de traiter des sons (transmission de la parole, etc..) il est interessant
dutiliser des filtres a` phase lineaires ou le plus proche possible dun filtre a` phase lineaire.
Les filtres ideaux ayant une reponse frequentielle reelle, leur temps de groupe est nul.
Par suite, si le retard nest pas constant en fonction de la frequence , la sortie du filtre, pour
des signaux autres que des signaux sinusodaux, presentera forcement une alteration par rapport a`
lentree de filtre. Ce retard est la consequence du dephasage qui est une des differences importantes
entre les filtres reelles et les filtres ideaux. De facon a` se rapprocher au mieux de lidealite, il est
donc imperatif de limiter lalteration liee au dephasage. Puisque un filtre reel presente forcement
un dephasage qui, sauf tr`es cas particuliers10 dependant de la frequence, ce que lon peut faire de
10
76
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
1.5
1.5
entre x
sortie y
0.5
0.5
0.5
0.5
1.5
0.5
1
t
1.5
1.5
0.5
1
t
1.5
F IG . 3.18 Sortie du filtre a` phase lineaire (gauche) et sortie du filtre a` phase non lineaire (droite)
mieux est davoir une phase () qui est ou est la plus proche possible dune fonction lineaire de
la frequence de facon a` avoir un retard constant. Le retard est aussi appele temps de groupe et
est defini par :
1 d
()
() =
2 d
En resume, un crit`ere de qualite pour un filtre est davoir un temps de groupe proche dune
constante. Un filtre avec un temps de groupe constant est dit a` phase lineaire. Dans ce cas-l`a,
pour un signal quelconque toutes ses composantes frequentielles seront transmises avec un retard
constant. Dans le cas dun filtre avec un temps de groupe non constant, des distorsions peuvent
apparatre entre le signal de sortie et le signal dentree dues au fait que le retard introduit par le
filtre sera different suivant les composantes frequentielles. Cest pour cela que dans des applications o`u il est necessaire de transmettre et de traiter des sons (transmission de la parole, etc..) il
est interessant dutiliser des filtres a` phase lineaires ou le plus proche possible dun filtre a` phase
lineaire. Enfin, les filtres ideaux ayant une reponse frequentielle reelle, leur temps de groupe est
constant et nul.
Filtres prototypes Les filtres sont generalement concus a` partir de filtres prototypes appeles
aussi filtres normalises qui correspondent au cas dun filtre passe-bas de frequence de coupure11
1
c = 2
Hz, ce qui correspond a` une pulsation de coupure c = 1 rad/s.
1
, passe-haut, passeLa determination de filtres passe-bas de frequence de coupure c 6= 2
bande ou encore coupe-bande peut se ramener a` la determination dun filtre passe-bas de frequence
de coupure c a` laide du tableau 3.2.
Les filtres les plus classiques sont bri`evement presentes dans les sous sections suivantes12 .
Ils sont definis de la facon suivante. Puisquun filtre est concu pour que son module respecte
un gabarit frequentiel donne, la relation du module de la reponse frequentielle en fonction de la
frequence est dabord e tablie. Les quatre types de filtres qui sont presentes dans la suite (filtre de
Butterworth, filtre de Chebyshev de type I et II et filtre de Cauer) correspondent a` des relations
11
On appelle frequence de coupure (`a -3 dB) la frequence pour laquelle le module de la reponse frequentielle du
filtre en decibels (dB) vaut le module de la reponse frequentielle du filtre dans la bande passante en decibels moins
3 decibels. Il faut faire attention quen Automatique le terme de frequence de coupure peut e tre utilise avec une
definition differente.
12
Pour des complements dinformation, voir la reference [11]
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
1
2
vers...
77
passe-haut c
2c
s
passe-bande
s2 +4 2 1 2
2(2 1 )s
coupe-bande
2(2 1 )s
s2 +4 2 1 2
Filtres de Butterworth
Filtres de Butterworth
n=2
n=1
n=3
n=6
|F(2 i )|
0.7
1/(2)
1
.
1 + ((2)2 )n
(3.12)
1
2
78
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
|F (2i)| = 0.
Les reponses frequentielles obtenues pour differentes valeurs de n sont representees figure 3.19.
Noter que le choix de n influe sur la largeur de la bande de transition.
A partir de (3.12), lexpression de la fonction de transfert F (s) dordre n est obtenue comme
la fonction de transfert de gain statique e gal a` 1 et dont les poles sont les n racines a` partie
n
reelle negative de lequation polynomiale 1 + (s2 ) = 0. Les racines de ce polynome sont
uniformement reparties sur le cercle de centre 0 et de rayon 1. A titre dexemple, pour n = 2, on
obtient :
1
F (s) =
2
s + 2s + 1
voir figure 3.20.
1.2
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.2
0.2
0.4
0.6
0.8
1.2
Filtres de Chebyshev
Ils sont de deux types, le type I et le type II. Les filtres de Chebyshev de type I sont definis par :
|F (2i)|2 =
o`u13
2 [1, 1],
1
1+
2 Cn (2)2
(3.13)
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
1
1/(1+ )
2 0.5
|F(2 i)|
0.8
0.6
0.4
0.2
1/(2)
79
80
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
1
1+2
Ici encore, n est lordre du filtre. Son choix influe sur la largeur de la bande de transition. F est
obtenue comme la fonction de transfert de gain statique e gal a` 1 et dont les poles sont repartis
dans le plan complexe sur une ellipse de centre 0 et dequation :
2
2
k
k
+
=1
sinh(u0 )
cosh(u0 )
1
avec k et k les parties reelle et imaginaire des poles et u0 = sinh n (1/) . Cette repartition des
poles sur une ellipse presente des similitudes avec celle des poles des filtres de Butterworth sur un
cercle.
1.2
|F(2 i)|
0.8
0.6
0.4
2 0.5
/(1+ )
0.2
1/(2)
1 2
2 Cn ( 2
)
1 2.
2
1 + Cn ( 2 )
(3.14)
Par rapport aux filtres precedents, les filtres elliptiques permettent de satisfaire un gabarit avec
un ordre plus faible14 . Les filtres elliptiques sont definis par :
|F (2i)|2 =
1
1+
2 G(2)2
(3.15)
14
Le prix a` payer est une complexite plus grande dans leur conception. Le lecteur interesse pourra lire avec profit
le chapitre 7 de la reference [11].
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
81
Filtre elliptique
1
1
0.9
0.8
|F(2 i )|
0.7
0.6
0.5
0.4
0.3
0.2
0.5
1/k1.5
2.5
21 12
;
1 21 + 12
voir figure 3.24. Ce filtre admet des oscillations a` la fois dans la bande passante et dans la bande
de rejection.
15
dy
1 k 2 sin2 (y)
82
3.3.2.4
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
Le calcul des differents filtres peut se faire sous Matlab dote de la Signal processing
toolbox avec les fonctions butter, cheby1, cheby2, ellip. Pour n = 5, on obtient
le resultat figure 3.25.
butterworth
Chebishev I
Chebishev II
Elliptique
0.8
0.6
0.4
0.2
1/(2)
3.3.2.5
3.4
x(t)
f (t)
y(t)
y(t) = f (t)x(t).
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
83
Exemple Un exemple de filtre temporel peut e tre realise par la fonction f definie par
t [0, Ta ] f (t) = 1
sinon
f (t) = 0
Ce filtre temporel est appele fenetre rectangulaire16 . Le signal de sortie y correspond a` lacquisition du signal x sur lintervalle de temps [0, Ta [, signal qui est aussi note xTa . Les termes fenetre
et fenetrage e tant plus images, ils sont souvent utilises a` la place de filtre temporel et de filtrage
temporel. On parle aussi de fenetre de ponderation.
Que peut-on dire du spectre du signal xTa par rapport au spectre du signal x ? Cette question
prend tout son sens lorsquon sinteresse a` la mise en uvre experimentale du traitement du signal,
notamment pour effectuer lanalyse frequentielle dun signal reel. En effet, un signal reel ne
peut e tre mesure que sur un intervalle de temps fini, par exemple [0, Ta ]. Lobjectif de la mesure
est detudier le spectre du signal mesure x a` partir du spectre du signal de mesure xTa . Pour obtenir
des e lements de reponse, un exemple est examine. Dans un second temps, un calcul mathematique
simple permettra de repondre a` cette question.
Exemple Soit le signal x defini par :
t R,
X() =
1
A1
(0 + 0 ) +
(1 + 1 )
2
2
1
( + 0 ) .
2 0
t
Ta
Ta
2
, avec Ta = 1, ce qui donne
.
Le spectre de xTa /2 est represente figure 3.27, droite. On constate que si sur le spectre du signal de
depart, il e tait facile de distinguer les (deux fois) deux raies caracteristiques des deux composantes
sinusodales du signal, sur le spectre du signal mesure, du fait des oscillations introduites par le
fenetrage rectangulaire, il est difficile de retrouver ces ensembles de raies et donc de conclure a` la
presence de deux composantes sinusodales.
Le lien entre le spectre du signal xTa et le spectre du signal x est maintenant e tabli. Dapr`es la
relation (3.6), on a :
y(t) = f (t).x(t) Y () = F X()
16
84
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
X()
0.6
0.5
0.75
0.4
0.3
0.5
0.2
0.25
0.1
0
0.1
0.25
40
30
20
10
10
20
30
0.2
40
40
30
20
10
10
20
30
40
La courbe caracteristique de la fonction |Ta sinc (Ta )| est representee figure17 3.28. Quand Ta
, elle tend vers limpulsion de Dirac et donc XTa X.
En conclusion, le spectre du signal mesure sera donc dans tous les cas different du spectre de
sa mesure. Il convient de prendre cela en compte si lobjectif de la mesure est detudier le spectre
du signal mesure a` partir du spectre du signal de mesure.
La question est : comment a` partir du signal mesure xTa obtenir un spectre plus proche du
spectre X de x que le spectre XTa de xTa ? La reponse a` cette question est basee sur le fenetrage
de xTa . Dans la suite, xTa est note plus simplement y. Pour cela, on utilise un filtre temporel defini
par la fonction w tel quavec yf defini par :
t R,
yf (t) = w(t)y(t)
le spectre Yf de yf soit plus proche du spectre X de x que le spectre Y de y lest. Une premi`ere
fenetre appelee fenetre de Hanning18 est definie par la fonction w notee whanning :
2(t Ta /2)
t Ta /2
1 1
+ cos
. rect
.
(3.16)
t R, whanning (t) =
2 2
Ta
Ta
17
Si le lecteur desire se rappeler la forme du spectre en amplitude de la fenetre rectangulaire, mon jeune neveu
conseille le moyen mnemotechnique suivant : penser a` un doigt dhonneur.
18
ou fenetre de Hann du nom du meteorologiste Australian Julis von Hann.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
1.2Ta
Ta
0.8Ta
Ta|sinc(Ta)|
lobe central
0.6Ta
lobes latraux
0.4Ta
0.2Ta
1/Ta 0 1/Ta
Fentre de Hanning
0.8
w(t)
0.6
0.4
0.2
0.2
Ta
temps t
85
86
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
1 1
+ cos
2 2
soit
yf (t) =
2(t Ta /2)
Ta
1 1
+ cos
2 2
. rect
2(t Ta /2)
Ta
t Ta /2
Ta
. rect
. rect
t Ta /2
Ta
t Ta /2
Ta
.x(t)
.x(t)
Yf = Whanning X
Le signal de sortie yf de la fenetre de Hanning avec pour signal dentree y est aussi le signal
de sortie de la fenetre de Hanning avec pour entree x. On a donc remplace la fenetre rectangulaire par la fenetre de Hanning. Lamplitude du spectre de la fenetre de Hanning Whanning est
representee figure 3.30.
.5Ta
lobe central
lobes latraux
.03*.5Ta
0
2/Ta
2/Ta
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Fenetre rectangulaire
a /2
rect T
Ta
1
2
87
Fenetre de Hanning
Ta /2
a /2)
.
rect
+ 21 cos 2(T
Ta
Ta
Fentre rectangulaire
Fentre de Hanning
0.8
0.8
0.6
0.6
w(t)
w(t)
0.4
0.4
0.2
0.2
0.2
w(t)
0.2
Ta
Ta
temps t
temps t
1.2Ta
Ta
.5Ta
0.8Ta
Ta|sinc(Ta)|
lobe central
lobe central
0.6Ta
lobes latraux
0.4Ta
lobes latraux
0.2Ta
.03*.5Ta
0
1/Ta 0 1/Ta
W ()
2/Ta
2/Ta
0.5Ta
2 /Ta
2 /Ta
88
C HAPITRE 3
1
2
C ONVOLUTION ET F ILTRAGE
Fenetre de Hanning
Ta /2
a /2)
.
rect
+ 12 cos 2(T
Ta
Ta
Fenetre de Hamming
Ta
2( T2a )
2
+ (1 ) cos
rect
Ta
Ta
Fentre de Hanning
Fentre de Hamming
1
1
0.8
0.8
0.6
w(t)
w(t)
0.6
0.4
0.4
0.2
0.2
0.2
0.2
1
Ta
w(t)
0.5
0.5
temps t
temps t
1.5
.5Ta
0.5Ta
lobe central
lobes latraux
.03*.5Ta
0
2/Ta
2/Ta
2 /Ta
W ()
2 /Ta
1 1
+ cos
2 2
2t
Ta
rect
t
Ta
Le calcul du spectre de la sortie de la fenetre de Hanning pour lentree xTa /2 donne le spectre
represente figure 3.32. On distingue de nouveau les raies qui correspondent aux deux composantes sinusodales du signal. Cet exemple illustre le vif interet des fenetres temporelles pour
lanalyse frequentielle de signaux experimentaux.
Un exemple de fenetrage temporel : la note de musique La note produite par un instrument de musique est basee sur une variation de la pression acoustique qui est periodique. Des
exemples sont presentes figure 3.33. Comme dans lexemple presente figure 2.1, le fait que le
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
0.6
0.3
0.5
0.25
0.4
89
0.2
0.3
0.15
0.2
0.1
0.1
0.05
0.1
0.2
40
30
20
10
10
20
30
40
0.05
40
30
20
10
10
20
30
40
F IG . 3.32 Spectre de xTa /2 (gauche) et de xTa /2 apr`es application dune fenetre de Hanning
(droite)
90
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
signal soit periodique et donc avec un spectre frequentiel bien defini est important pour obtenir
un son agreable a` e couter. Le probl`eme pratique est que la note dun instrument de musique a
forcement une duree limitee. Comme on la vu precedemment, simplement generer ce signal sur
un intervalle de temps de duree limitee revient a` pratiquer une operation de fenetrage rectangulaire. Lintervalle e tant court, la consequence est lobtention dun son dont le spectre frequentiel
peut e tre e loigne du spectre frequentiel du signal periodique correspondant. Cela se produit par un
claquement. La solution est deviter ce phenom`ene en appliquant une fenetre temporelle telle
quon la vu precedemment. Cest la solution adoptee dans les instruments de musique. Une allure
Dclin
Attaque
Maintien
Chute
temps
x(t) = 0
Il sagit dun signal sinusodal auquel on a applique une fenetre rectangulaire. Ce signal est
represente figure 3.35 a` gauche en haut. Si on examine son spectre en amplitude a` gauche en
bas, on constate que par rapport au spectre du signal sinusodal, le spectre est plus e tale. On applique sur ce signal x une fenetre de Hamming, ce qui donne le signal xhamming qui est represente
a` droite de la figure 3.35 avec son spectre en amplitude. En cliquant sur la figure, e couter les deux
sons correspondants.
3.5
Dans ce chapitre, nous avons introduit le filtrage frequentiel. Un filtre frequentiel est un
syst`eme de convolution. Nous avons vu comment determiner un filtre frequentiel respectant des
gabarits sur sa reponse frequentielle.
20
Bien sur, la plupart des instruments de musique ont e te inventes avant que les techniques de fenetrage temporel
soient cree es. Comme Monsieur Jordain le personnage de la pi`ece de thea tre le Bourgeois Gentilhomme de Moli`ere
faisait de la prose sans le savoir, les fabricants dinstruments de musique ont fait du fenetrage temporel sans le savoir.
Cependant, contrairement a` Monsieur Jordain, cette interpretation peut presenter un grand interet : celui de permettre
le developpement de methodes permettant une meilleure matrise des syst`emes que lon concoit.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
0.2
(t)
0.1
hamming
x(t)
0.1
0.1
0.1
0.2
0.2
0
0.02
0.04
0.06
0.08
temps en s
0.1
0.12
0.14
0.16
0.02
0.04
0.06
0.08
0.1
temps en s
0.12
0.14
0.16
30
()|
20
10
hamming
40
|X
50
|X()|
91
30
20
10
0
0
0
500
1000
1500
2000
2500
Frquence en Hz
3000
3500
4000
4500
500
1000
1500
3500
4000
4500
3.6
Annexe du chapitre
1
s+1
Step
Transfer Fcn
Scope
92
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
Simulink est un environnement de Matlab destine a` la simulation dans le domaine temporel, base sur un mode de representation graphique des syst`emes sous forme de schema-blocs.
Simulink comprend des biblioth`eques appelees Library qui contiennent des blocs e lementaires
permettant de construire rapidement et simplement des simulateurs de syst`emes lineaires, non
lineaires (dans la library Simulink) ou encore mecaniques et e lectroniques (dans la library Simscape par exemple) ou encore Aeronautique (library Aerospace Blockset), etc... On peut ainsi
obtenir des simulateurs dynamiques de syst`emes complexes incluant des outils de visualisation
graphique 3D, voir les demos disponibles sous Matlab. Linteret de cet environnement deborde
largement du cadre du Traitement du signal ou du cadre de lAutomatique : par exemple, au Technocentre de Renault a` Guyancourt, chaque sous syst`eme dun vehicule developpe est accompagne
dun schema de simulation dynamique Simulink. Sur lutilisation de Matlab/Simulink, le
lecteur peut se referer avec profit au livre [10], disponible a` la biblioth`eque de lEcole Centrale. La
prise de decision quest amenee a` prendre un ingenieur fait de plus en plus appel a` la modelisation
(mathematique) du probl`eme suivi de lexploitation (au moins) en simulation du mod`ele obtenu.
Un exemple e lementaire de schema Simulink est presente figure 3.36.
Les blocs avec une sortie sont des generateurs de signaux. Sur lexemple, le bloc Step
gen`ere des e chelons. On peut les parametrer a` partir dun menu ouvert en double-cliquant
sur le bloc.
Les fils vehiculent des signaux dans la direction indiquee par les fl`eches.
Les blocs avec une ou plusieurs entree(s) et une ou plusieurs sortie(s) transforment des signaux : ils representent des syst`emes. Sur lexemple, il sagit dun syst`eme de convolution
1
de fonction de transfert s+1
. En double cliquant sur ce bloc, on obtient un menu o`u le premier (resp. second) champ correspond a` la liste des coefficients du polynome au numerateur
(resp. denominateur) de la fonction de transfert e crits suivant les puissances decroissantes.
Les blocs avec une ou plusieurs entree(s) absorbent des signaux pour par exemple les envoyer vers une fenetre graphique afin de les representer en fonction du temps (sur lexemple,
le bloc Scope).
Sous Matlab, Simulink peut e tre ouvert en cliquant sur un bouton en haut de la fenetre
Matlab (horloge rose avec blocs bleu et vert) ou en tapant en ligne :
>> simulink
Cela ouvre la fenetre representee figure 3.37, gauche. En cliquant sur licone feuille blanche en
haut a` droite, une nouvelle fenetre peut e tre cree e. A partir des Library (voir figure 3.37, droite,
partie de gauche), en selectionnant une library, on peut acceder a` un ensemble de blocs (partie
de droite de la fenetre). La library Sources contient les blocs qui gen`ere des signaux, la library
Sinks les blocs qui en absorbent. Les autres libraries contiennent des blocs qui assurent des
transformations de signaux. Par exemple, on peut trouver dans la library Continuous le bloc
Transfer function de la figure 3.36.
Le lecteur est invite a` visiter les differentes librairies de Simulink. Plus que la lecture dune
documentation, cest la manipulation de cet environnement qui permet de prendre en main cet
outil : il a dailleurs e te coincu plus pour e tre apprehender de cette facon-l`a. Certes, lorsque lon
fait cela pour la premi`ere fois, ce nest pas forcement e vident. Cependant, si vous reussissez a`
prendre en main Simulink par vous-meme, vous serez arme pour affronter les environnements
similaires.
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
93
% Ordre du filtre
% Pulsation de coupure en rad/s
figure
plot(w, abs(Hb), :);
% R
epr
esentation du module de la r
eponse fr
equentielle en fonction de l
% pulsation
hold on
% Calcul du filtre de Chebyshev de type I
Rp = .5;
% Fixe lamplitude des oscillations de lamplitude de la r
eponse
% fr
equentielle dans la bande passante. unit
e dB
[Bc1,Ac1] = cheby1(n, Rp, wn, s);
% Calcul du filtre de Chebyshev analogique de type I
94
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
% Calcul de la r
eponse fr
equentielle du filtre de Chebyshev de type I
Hc1 = freqs(Bc1, Ac1, w);
% Calcul de la r
eponse fr
equentielle
plot(w, abs(Hc1));
% Calcul du filtre de Chebyshev de type II
Rs = 20;
% Permet de fixer lamplitude des oscillations de lamplitude
% de la r
eponse fr
equentielle dans la bande de r
ejection. Unit
e dB
[Bc2,Ac2] = cheby2(n, Rs, wn, s);
% Calcul du filtre de Chebyshev analogique de type II
% Calcul de la r
eponse fr
equentielle du filtre de Chebyshev de type II
Hc2 = freqs(Bc2, Ac2, w); % Calcul de la r
eponse fr
equentielle
plot(w, abs(Hc2), -.);
% Calcul du filtre elliptique
[Bce,Ace] = ellip (n, Rp, Rs, wn,s);
% Calcul de la r
eponse fr
equentielle du filtre elliptique
Hce = freqs(Bce, Ace, w);
plot(w, abs(Hce), --);
Chapitre 4
Autocorrelation et intercorrelation des
signaux deterministes
Ce chapitre est consacre a` une caracterisation des signaux basee sur lenergie et sur la puissance. Cette caracterisation permet dintroduire les notions dautocorrelation et dintercorrelation.
Ces deux notions ont des applications nombreuses. Les plus directes sont probablement :
Lextraction dinformations sur un signal utile par autocorrelation : la methode presentee
dans ce chapitre est complementaire de la methode de filtrage frequentiel presentee chapitre 3 ;
La mesure de distances et/ou de temps par intercorrelation : la methode presentee dans ce
chapitre est exploitee dans les radars, sonars et autres GPS.
4.1
Energie et puissance
4.1.1 Definition
Les differentes grandeurs discutees dans ce texte sont definies mathematiquement dans le tableau 4.1, page 96 pour les signaux continus ; les principales relations y sont e galement presentees.
Les signaux peuvent e tre classes en :
Signaux x a` e nergie Ex finie, ce qui correspond aux signaux de L2 (R) :
Z +
Ex =
|x(t)|2 dt < .
On peut les interpreter comme les signaux qui sont temporellement e phem`eres1 .
Signaux x a` puissance Px finie :
Px = lim
1
T
+T /2
T /2
|x(t)|2 dt
< .
Cest une classe tr`es large de signaux. On peut les interpreter comme les signaux temporellement persistants2 .
1
2
Cette derni`ere phrase nest pas une definition formelle mais une interpretation qualitative.
Cette derni`ere phrase nest pas une definition formelle mais une interpretation qualitative.
95
Energie finie
Definition
Ex =
|x(t)|2 dt <
Echange
Puissance finie
Exy =
x(t)y(t)dt
Pxy = lim
|X()|2
Densite spectrale
interspectre
Sxy ()
Intercorrelation
F[Rxy ] = Sxy
Autocorrelation
Rx ( ) =
+T /2
x(t)y(t)dt
T /2
1
T
+T /2
x(t + )y(t)dt
T /2
F[Rxy ] = Sxy
x(t + )x(t)dt
<
de puissance :
1
lim X(, T )Y (, T )
T T
X()Y ()
Rxy ( ) =
|x(t)|2 dt
denergie :
T /2
1
T
+T /2
de puissance :
1
lim |X(, T )|2
T T
denergie :
Densite spectrale
Sx ()
1
T
Px = lim
Rx ( ) = lim
1
T
+T /2
x(t + )x(t)dt
T /2
Rx (0) = Ex
Rx (0) = Px
F[Rx ] = Sx
F[Rx ] = Sx
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
97
Par definition, la puissance dun signal a` e nergie finie est forcement nulle.
Exemples e lementaires Le signal continu x = rect est un signal a` e nergie finie dont lenergie
vaut 1. Le signal continu x = est un signal a` puissance fini dont la puissance vaut 12 .
On definit lenergie (respectivement la puissance) Exy (resp. Pxy ) e changee entre deux signaux
x et y, ce qui donne :
x et y a` e nergie finie :
Z +
Exy =
x(t)y(t)dt.
x et y a` puissance finie :
Z
1
T
Pxy = lim
+T /2
x(t)y(t)dt
T /2
On peut interpreter la quantite Exy comme le produit scalaire entre le signal x et le signal y.
Intuitivement, un produit scalaire donne un degre de similitude entre deux e lements. Pour deux
signaux lenergie dechange mesure-t-elle bien leur similitude ?
Exemple Pour donner des e lements de reponse, on prend les deux signaux x et y representes
figure 4.1. Ces deux signaux sont a` e nergie finie. Le signal y est en realite le signal x decale dans
1.5
x(t)
0.5
0.5
5
t
10
5
t
10
1.5
y(t)
0.5
0.5
F IG . 4.1 Signaux x et y
Mathematiquement, cela sinterpr`ete comme le produit scalaire entre le premier signal decale et le
second signal. Comme precedemment discute, un produit scalaire entre deux vecteurs mesurant un
degre de similitude entre ces deux vecteurs, lintercorrelation est une mesure de similitude entre
deux signaux.
Deux signaux x et y seront independants sil ny a aucun lien entre eux. Sil existe un lien alors
celui-ci doit dependre du decalage temporel entre ces deux signaux. Ils seront donc independants
si :
R, Rxy ( ) = constante.
On peut montrer que dans ce cas, lintercorrelation est e gale au produit de la moyenne de x par la
moyenne de y. Si la moyenne dun des deux signaux est nulle alors lintercorrelation est nulle.
Rx ( ) = lim
1
T
+T /2
x(t + )x(t)dt
T /2
x(t) = A sin(20 t + )
on a :
A2
cos(20 )
(4.1)
2
Rx est bien une fonction periodique de frequence 0 . Par contre, elle est independante du dephasage
.
R,
Rx ( ) =
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
99
Lenergie est donc obtenue en integrant Sx () = |X()|2 qui est appelee Densite Spectrale
dEnergie ou DSE. Elle sinterpr`ete comme la repartition de lenergie en fonction de la frequence3 .
On peut demontrer que la DSE dun signal correspond a` la transformee de Fourier de lautocorrelation de ce signal4 :
Sx = F[Rx ].
Dans le cas de signaux (continus) a` puissance finie la Densite Spectrale de Puissance ou DSP5 se
definit par :
1
Sx () = lim |X(, T )|2
T T
avec X(, T ) = F[x. rect(/T )](), ce qui correspond au spectre de x sur lequel on a applique
une fenetre rectangulaire. De plus, on a Sx = F[Rx ].
La transformee de Fourier de lintercorrelation correspond a` la densite spectrale interspectre
denergie qui est definie par le produit des spectres en amplitude de la transformee de Fourier des
signaux x et y (fenetres pour deux signaux a` puissance finie) :
X()Y ()
et
1
X(, T )Y (, T )
T T
lim
Ces grandeurs ont un grand interet pour letude dun syst`eme de convolution : lorsque x et
y sont respectivement lentree et la sortie du syst`eme de convolution continu, on a, voir le tableau 4.2 :
La densite spectrale interspectre de x et y est le produit de la reponse frequentielle du
syst`eme de convolution par la densite spectrale de x :
Syx () = H()Sx ().
La densite spectrale de y est le produit de la reponse frequentielle en amplitude au carre du
syst`eme de convolution par la densite spectrale de x :
Sy () = |H()|2 Sx ().
3
4
Ne pas confondre DSP et DSP : DSP en Anglais signifie Digital Signal Processing : traitement de signal digital...
4.2
Quelques applications
o`u b est un signal independant. Si le signal a effectivement cette structure alors son autocorrelation
sexprime par :
A2
R, Rxm ( ) =
cos(20 t) + Rb ( ).
2
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Signal bruit
4
3
2
1
0
1
2
3
4
50
100
150
200
t
250
300
350
400
500
101
signal presente bien une composante sinusodale A2 cos(20 ) a` laquelle se superpose une valeur
importante en = 0. Le signal b serait alors tel que :
(
R \ {0}, Rb ( ) = 0
Rb (0) 6= 0
Comment sinterpr`ete-il ? Le signal b est correle avec lui-meme mais nest pas correle avec luimeme decale dans le temps. Ceci indiquerait que ce signal ne presente pas de structure ou propriete
particuli`ere (periodique, etc..). Cela est coherent avec le fait que ce signal represente la degradation
introduite par des sources multiples (syst`emes de transmission, syst`emes de mesure, etc..). Le reste
de la courbe representee figure 4.3 est une fonction cosinus damplitude 0.5 et de periode 50 s.
1
Cela correspondrait a` un signal sinusodal 0 = 50
Hz damplitude A telle que :
A2
= 0.5
2
soit A = 1.
Cible
avec a < 1 un coefficient dattenuation, avec tp le temps de parcours pour effectuer laller-retour
et b un signal de valeur moyenne nulle et independant de x. On a alors :
R,
Rxy ( ) = aRx ( + tp )
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
103
5
4
0.8
y(t)
x(t)
0.6
1
0
0.4
0.2
2
1000
2000
3000
4000
5000
1000
2000
3000
4000
5000
10
x 10
12
x 10
9
10
()
XY
6
5
3
2
2
0
1
0
1000
800
600
400
200
200
400
600
800
1000
2
1000
800
600
400
200
200
400
600
800
1000
4.3
Conclusion
Dans ce chapitre, a e te presentee une methode qui peut sappliquer a` lextraction dun signal
utile. Elle est complementaire des methodes presentees dans le chapitre 3 puisque les hypoth`eses
de mise en uvre sont differentes. Cependant, ses possibilites sont moindres puisque par exemple
dans le cas dun signal sinusodal a` extraire, si on peut determiner sa frequence, on ne peut pas
determiner son dephasage.
Les signaux consideres dans ce chapitre sont dits deterministes : un signal x est dit deterministe
si, a` chaque instant t, sa valeur x(t) peut e tre determinee de facon certaine par un mod`ele mathematique. Exemple :
t R, x(t) = A sin(2t).
Il est clair que ces signaux ne peuvent pas representer lensemble des signaux reels. Nous verrons
dans le chapitre 7 que les signaux aleatoires constituent un ensemble de signaux plus satisfaisant de ce point de vue l`a. Le grand interet est que la notion denergie a` puissance finie permet
detendre les methodes presentees dans ce chapitre aux signaux aleatoires. Le plus grand realisme
des signaux aleatoires permettra en plus daborder dans le chapitre 7 une methode de generation
de son qui sera appliquee a` la telephonie mobile.
Chapitre 5
De lanalogique au numerique
x*
106
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
le spectre dun signal physique (donc analogique) a` partir de la mesure faite par un syst`eme dacquisition, cette mesure se presentant en general comme un signal discret. Est-il possible a` partir
de ce signal discret destimer le spectre du signal analogique de depart ?
Pour repondre a` ces questions, ce chapitre va sinteresser a` differentes questions intermediaires :
1. Comment peut-on modeliser mathematiquement un signal discret (section 5.1) ? Comment
se definit la transformee de Fourier et de Laplace dun signal e chantillonne ? Nous verrons
dans cette section tout linteret des distributions.
2. Comment la transformee de Fourier dun signal e chantillonne est-elle reliee a` la transformee
de Fourier du signal analogique correspondant (section 5.2) ?
3. Comment correctement e chantillonner un signal analogique ? La question est de choisir
la periode dechantillonnage Ts de facon a` ce que le signal e chantillonne ait autant dinformation que le signal analogique correspondant (section 5.3).
4. Comment estimer le spectre dun signal analogique a` partir de son signal e chantillonne sur
un intervalle de temps borne ? Il sagit ici de presenter les principes de fonctionnement
des analyseurs de spectre (numeriques). Pour cela, la transformee de Fourier discr`ete sera
introduite et son application sera presentee dans la section 5.4.
5.1
0
x*
8
10
1
x(t)
xk
0.5
0
t
0.5
10
1
0.5
0
t
0.5
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
107
Le signal e chantillonne prend la valeur x(kTs ) a` linstant kTs : lidee est de le modeliser par
une impulsion de Dirac kTs ponderee par x(kTs ). Lensemble du signal e chantillonne peut e tre
alors represente par une distribution x , voir figure 5.3 :
x =
x(kTs ).kTs .
(5.1)
k=
F[x ] =
+
X
x(kTs )F[kTs ].
k=
Dapr`es (2.17), on a F[kTs ]() = e2ikTs . Par suite, la transformee de Fourier dun signal
discret sexprime par :
R,
F[x ]() =
+
X
x(kTs )e2ikTs .
(5.2)
k=
L[x ](s) =
+
X
x(kTs )ekTs s .
k=
En posant z = eTs s , on definit ainsi la transformee en Z 1 (voir figure 5.4) du signal discret x :
Z[x ](z) =
+
X
x(kTs )z k
(5.3)
k=
Elle est aussi notee X(z). La variable z joue pour les signaux discrets le role de la variable de
Laplace s pour les signaux continus. Cette definition correspond a` la transformee en Z bilaterale.
De meme, on peut definir une transformee en Z monolaterale :
Z[x ](z) =
+
X
x(kTs )z k
(5.4)
k=0
1
La transformee en Z dun signal discret e tant une serie infinie, la question se pose de la convergence de cette
serie et donc de lexistence de la transformee en Z. La serie ne converge que pour certaines valeurs de z, ces valeurs
formant dans le plan complexe un anneau.
108
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
F IG . 5.4 Dun Z qui veut dire... Laplace (au changement de variable pr`es z = eTs s )
Linearite La transformee en Z est lineaire : pour a et b deux reels :
Z[ax + by ] = aZ[x ] + bZ[y ].
Translation temporelle Soit le signal discret y qui correspond au signal discret x retarde de
r periodes dechantillonnage. Il est alors defini par :
y =
k=
Y (z) = z X(z) +
r
X
i=1
xi z (ri)
x = x.
+
X
kTs .
k=
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
109
Peigne de Dirac
1.5
0.5
0.5
3Ts
2Ts
Ts
0
t
Ts
2 Ts
3 Ts
PgnTs =
+
X
kTs ,
k=
on a alors :
x = x.PgnTs .
(5.5)
Avec cette modelisation, un signal e chantillonne sexprime comme le signal continu multiplie par
un peigne de Dirac.
La remarque dEmmanuel Si on assimile un signal a` une sc`ene, on peut faire le parall`ele entre
lextraction de la valeur du signal a` un instant donne avec la prise dune photographie, limpulsion
de Dirac jouant le role de lobturateur de lappareil photographique. Dans le meme ordre didee,
lechantillonnage dun signal analogique se rapproche de la prise de vue cinematographique, le
peigne de Dirac permettant de reproduire laction dune camera video (qui par exemple enregistre
25 images/s).
5.2
Nous allons maintenant relier la transformee de Fourier dun signal e chantillonne a` la transformee de Fourier du signal analogique dont il est issu. En partant de la relation (5.5), la transformee dun signal e chantillonne sexprime par :
F[x ] = F[x.PgnTs ] = F[x] F[PgnTs ].
Or
F
"
+
X
k=
kTs =
+
X
k=
F [kTs ] =
+
X
e2ikTs .
k=
2
La representation graphique de cette distribution sugg`ere lallure dun peigne (renverse), do`u le nom de peigne
de Dirac.
110
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
2ikTs
k=
Par suite,
F
"
+
X
kTs
k=
+
1 X
k.
=
Ts k= Ts
+
1 X
k.
=
Ts k= Ts
1
F PgnTs = Pgn 1 .
Ts
Ts
Par suite,
1
Pgn 1 .
Ts
Ts
Avec X () = F[x ]() et X() = F[x](), on a alors :
+
m
1 X
.
R, X () =
X
Ts m=
Ts
F[x ] = F[x]
(5.6)
t [0, 1],
Au sens des distributions, cette fonction peut e tre derivee deux fois. La derivee premi`ere f est une fonction periodique
de periode 1 telle que :
1
t ]0, 1[, f (t) = 2(t ).
2
La derivee seconde est alors donnee par :
+
X
p
f = 2 + 2
p=
puisque f presente une discontinuite de valeur 2 pour t prenant des valeurs enti`eres relatives.
Dautre part, la fonction f admet la decomposition en serie de Fourier suivante :
+
t R, f (t) =
X 1
1
cos(2nt).
12
2 n2
1
Il est ici licite de deriver la somme infinie terme a` terme puisquon op`ere au sens des distributions, voir la remarque
page 41 ou encore la reference [5, Page 13]. Par suite,
f = 4
+
X
cos(2n) = 2
+
X
k=
ei2k 2.
Par suite, en e galant les deux expressions de la derivee seconde de f , on obtient la formule de Poisson :
+
X
ei2k =
t
Ts ,
p .
p=
k=
+
X
on obtient :
+
X
k=
ei2k Ts = Ts
+
X
p=
pTs .
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
111
Cette relation occupe une place centrale en traitement (numerique)4 du signal. Tout dabord, nous
constatons que :
La transformee de Fourier dun signal discret est periodique.
La periode est de
1
.
Ts
En effet,
R,
1
+
Ts
En posant m = m 1, on a alors :
R,
1
+
Ts
+
1
1 X
m
X +
=
.
Ts m=
Ts Ts
+
m
1 X
X
=
= X ().
Ts m =
Ts
2T1 s , 2T1 s
,
Pour e tudier le spectre dun signal discret, il suffit donc de le connatre sur lintervalle
le reste e tant deduit de ce motif par periodisation et facteur dechelle. Pour le signal dont le spectre
multiplie par 1/Ts est represente figure 5.6, voir figure 5.7, gauche.
5.3
Theor`eme de Shannon
Le spectre X du signal e chantillonne est donc obtenu, a` un facteur multiplicatif pr`es T1s
en superposant le spectre X du signal analogique a` X + T1s , le spectre X decale de T1s , a`
X + T2s , le spectre X decale de T2s , etc.. Un cas tr`es interessant est celui o`u
1. Le support de X est lintervalle5 [max , max ], voir figure 5.6 : cela definit un motif ;
2. max
1
.
2Ts
Dans ce cas-l`a, quand on construit le spectre X en additionnant les differents spectres T1s X
decales de multiples de T1s (periodisation de T1s X), les motifs correspondant aux differents spectres
ne se recouvrent pas, voir figure 5.7, gauche. Par suite, la fonction motif definie par :
h
i
Ts X ()
2T1 s , 2T1 s
h
i
R \ 1 , 1
0
2Ts 2Ts
est alors en realite X, la transformee de Fourier du signal x. Puisquun signal est compl`etement caracterise par son spectre et que dans ce cas, il est possible dobtenir le spectre du signal analogique
a` partir du spectre du signal e chantillonne : on peut donc theoriquement reconstituer le signal analogique a` partir du signal e chantillonne correspondant. Leh spectre dui signal e chantillonne et le
spectre du signal correspondant concidant sur lintervalle 2T1 s , 2T1 s , le signal analogique peut
e tre obtenu a` partir du signal e chantillonne par application dun filtre passe-bas ideal de frequence
de coupure 2T1 s . Nous discuterons plus en details de cette demarche dans ce qui suit.
4
Le terme numerique fait reference a` la branche du traitement du signal consacree aux signaux discrets et notamment e chantillonnes.
5
max est le plus petit reel positif tel que R \ [max , max ], X() = 0.
112
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
1/TsX()
0.8
0.6
0.4
0.2
max
max
1.2
s
1
|X*()|
0.8
|X*()|
X*()
0.8
0.6
0.6
0.4
0.4
0.2
0.2
max
max
0
3/(2Ts)
1/(2Ts) max 0
max
1/(2Ts)
3/(2Ts)
3/(2Ts)
1/(2Ts)
1/(2Ts)
3/(2Ts)
F IG . 5.7 Spectre dun signal e chantillonne sans (gauche) et avec (droite) recouvrement
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
113
Par contre, dans le cas o`u max > 2T1 s , la periodisation de T1s X entrane un recouvrement des
differents motifs, voir figure 5.7, droite. La consequence est que :
1
1
, X() 6= Ts X ().
,
2Ts
2Ts
Il nest donc plus possible de reconstituer le signal analogique a` partir du signal e chantillonne.
Les deux cas sont illustres par la figure 5.7. Lapplication de la reconstitution dans le cas du
recouvrement produit alors un signal different du signal analogique de depart, voir figure 5.8. Les
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)
Spectre en amplitude
spectre
reconstitu
0.8
Spectre initial
0.6
0.4
0.2
max
max
0
1/(2Ts)
1/(2Ts)
(5.7)
Claude Shannon (1916-2001) est un ingenieur e lectricien et mathematicien americain. Il est particuli`erement
connu pour le developpement de la theorie de linformation au sein des Laboratoires Bell - Bell Telephone Laboratories ou AT&T Bell Laboratories. Ils font actuellement partie du centre de recherche et developpement dAlcatelLucent. Le theor`eme presente ici est aussi appele theor`eme de Nyquist-Shannon, car Harry Nyquist qui travaillait
aussi au sein des laboratoires Bell avait avant Shannon ennonce ce resultat. Claude Shannon est sans aucun doute lun
des p`eres fondateurs de la science du signal. La diversite de ses travaux y compris les plus ludiques illustre bien
luniversalite et la versatilite de cette science. Son memoire de Master (equivalent du TFE centralien) a permis de
developper lutilisation de lalg`ebre de Boole pour letude des circuits a` relais. Sa th`ese a dautre part e te consacree
a` une approche algebrique de la genetique de Mendel. Ses travaux les plus fameux portent sur lelaboration dune
theorie mathematique de la communication. Cependant, a` cote de cela, il a mene des travaux sur la jonglerie (son
dernier article scientifique sintitule Scientific aspects of juggling) ou il a encore e labore une machine resolvant le
Rubiks cube.
114
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
max 12 s
Filtre passebas
1.2
H()
1
Ts
0.8
1/TsX()
X ()
0.8
0.6
0.4
0.6
0.4
0.2
0
3/(2Ts)
1/(2Ts)
max
1/(2Ts) max 0
3/(2Ts)
0
1/2s
1/2s
0.2
max
max
max > 12 s
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)
Filtre passebas
H()
1
spectre
reconstitu
1
X*()
X ()
0.8
0.6
0.4
1/TsX(+1/Ts)
1/TsX(2/Ts)
1/TsX(1/Ts)
1/TsX()
0.2
max
0
3/(2Ts)
max
1/(2Ts)
1/(2Ts)
0
1/2s
1/2s
3/(2Ts)
Spectre en amplitude
Ts
0.8
Spectre initial
0.6
0.4
0.2
max
max
1/(2Ts)
1/(2Ts)
||+
exp
exp
exp
Par suite, il existe une frequence max
finie telle que : R\[max
, max
], |X()| 0. Il est
donc possible dappliquer le theor`eme de Shannon de facon approchee en prenant la condition :
exp
s 2max
.
Le tableau 5.1 donne des ordres de grandeur des frequences dechantillonnage utilisees dans les
syst`emes grand public pour les signaux sonores.
Exemple On e chantillonne le signal analogique : t R, x(t) = sin(2t) a` la frequence
dechantillonnage s = 1.05 Hz. Le resultat obtenu est represente figure 5.10. Interpreter.
Exercice On consid`ere le signal sinusodal x defini par :
t R,
x(t) = sin(2.1000.t).
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Support
Frequence
dechantillonnage
(Hz)
GSM
Mini DV
CD audio
8000
32000,48000
44100
115
TAB . 5.1 Frequences dechantillonnage pour le son dans differents syst`emes grand public
x(t)
x
k
0.8
0.6
0.4
signaux
0.2
0.2
0.4
0.6
0.8
10
15
temps t
20
25
30
116
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
ou down sampling en Anglais. On envoie vers un haut parleur les signaux xTs , y10T
et
s
y30Ts , voir le tableau 5.2. Ecouter le resultat obtenu. Que constatez-vous ? Interpretez les
differences notables qui apparaissent entre certains signaux en vous inspirant des raisonnements effectues dans cette section. Le lecteur interesse pourra generer ces signaux grace au
schema Simulink represente figure 5.11 et disponible sur le serveur pedagogique.
Cliquer pour e couter
xTs
y10T
s
y30T
s
BFFT
Spectrum
Scope
To Audio
Device
10
Sine Wave
Downsample
AppliShannonSinus 10.wav
To Wave File
xk
txk
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
117
x*
mesure de x
Ts
CAPTEUR
b(t)
x(t)
+
mesure de x(t)
Ts
CAPTEUR
118
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
x = Ts x s sinc(s ) =
et donc
t R,
+
X
x(t) =
k=
x(t)
+
X
k=
x(t)
Ts
5.4
Dans les chapitres precedant, nous avons vu limportance de lanalyse spectrale pour la caracterisation des signaux, cette analyse reposant sur la determination de la transformee de Fourier
7
Le calcul des valeurs x(t) nest fait que quand tous les e chantillons x(kTs ) ont e te mesures : la consequence
pratique est que le valeur x(t) ne peut e tre calculee qu`a un instant t1 > t.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
119
du signal. Cest pour cela que lanalyse spectrale est utilisee dans de nombreuses applications liees
par exemple au traitement du son (par exemple codage MP3), a` letude du comportement vibratoire de syst`emes mecaniques, etc... La question de sa mise en uvre pratique est donc cruciale.
Dans les exemples academiques danalyse spectrale que nous avons pu aborder, il sagissait de signaux pour lesquels on avait une expression analytique explicite. De plus, ces signaux
e taient e lementaires : lexpression analytique e tait alors suffisamment simple pour permettre de
determiner par calcul formel la transformee de Fourier du signal.
Les applications sont en general beaucoup trop complexes pour quune telle demarche puisse
e tre appliquee : souvent, on ne connait pas dexpression analytique du signal et si on en connaissait
une8 , elle serait probablement beaucoup trop complexe pour pouvoir determiner par calcul formel
sa transformee de Fourier. Puisque le calcul formel ne peut pas e tre mis en uvre, il est necessaire
de recourir au calcul numerique.
1.5
xT
0.5
0.5
1.5
x
2
2.5
10
10
20
30
40
50
60
70
80
90
100
120
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
signal mesure sera en realite le signal discret xTa obtenu par e chantillonnage du signal xTa (les
e chantillons du signal discret sont les points rouges de la figure). Puisque lon ne dispose que du
signal discret xTa pour estimer le spectre du signal x, se posent deux questions :
1. Peut-on estimer correctement le spectre de x a` partir de xTa ? Si oui, sous quelles conditions ?
2. Comment calculer efficacement le spectre dun signal discret a` support temporel borne tel
que xTa ?
Pour repondre a` la premi`ere question, il est necessaire de comparer les spectres de x, xTa et
xTa . Comme cela a e te e tudie dans la section 3.4, page 82, le passage de x a` xTa correspond a`
une operation de fenetrage rectangulaire, ce qui entrane forcement une degradation du spectre,
degradation qui peut e tre diminuee par application sur le signal xTa dune fenetre adaptee telle
que la fenetre de Hanning ou la fenetre de Hamming. Le spectre du signal correspondant xTa
auquel un fenetrage approprie a e te applique constitue une estimation du spectre de x. Nous verrons dans la sous-section 5.4.3 que le fenetrage peut e tre effectue sur le signal xTa obtenu apr`es
e chantillonnage de xTa . Enfin, dapr`es la section precedente, si la periode dechantillonnage peut
e tre choisie conformement au theor`eme 5.3.1 (Theor`eme de Shannon), le spectre de xTa peut e tre
compl`etement reconstitue a` partir du spectre de xTa . En conclusion, il est donc possible dobtenir
une estimation du spectre de x a` partir de xTa , a` condition de choisir une periode dechantillonnage
qui satisfait le Theor`eme de Shannon et deffectuer une operation de fenetrage sur xTa .
La seconde question est abordee dans la sous-section suivante. Pour lingenieur, lefficacite
est un e lement crucial pour la mise en uvre de lanalyse spectrale : le spectre du signal doit
e tre calcule avec un cout le plus faible possible, le cout e tant mesure par le nombre doperations
arithmetiques effectuees. Or le nombre dechantillons non nuls de xTa peut e tre extremement
important. Par exemple, comme nous lavons vu en introduction du chapitre 3, la mise en uvre
de la compression MP3 est basee sur des analyses spectrales effectuees sur le son a` compresser
decoupe par intervalles de temps. Dapr`es le tableau 5.1, la periode dun signal sonore pour un CD
est de 44100 Hz, ce qui veut dire quune minute de musique sur 1 CD est representee par N = 2
millions 646 mille e chantillons ! Pour que la compression MP3 sexecute en un temps raisonnable,
il est donc imperatif de diminuer au maximum le cout de lanalyse spectrale.
Comme la relation entre le spectre de x et le spectre de xTa dans la section 3.4 ainsi que le
traitement a` appliquer a` xTa pour obtenir un signal dont le spectre est une meilleure estimation du
spectre de x que celle donnee par le spectre de xTa , la sous-section suivante va e tudier lestimation
efficace du spectre de xTa a` partir des e chantillons de xTa . De facon a` alleger les notations, xTa est
note x, ce qui revient a` supposer que x est un signal a` support temporel borne.
x(kTs ).kTs .
x(kTs ).kTs =
x =
k=
k=0
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
121
F[x ]() =
N
1
X
x(kTs )e2ikTs .
(5.8)
k=0
Cas ou` il ny a pas repliement de spectre En labsence de repliement, dapr`es la section 5.3,
1
1
,
, X() = Ts X ()
2Ts 2Ts
et donc (5.8) donne :
1
1
,
,
2Ts 2Ts
X() = Ts
N
1
X
x(kTs )e2ikTs .
(5.9)
k=0
h
i
Lexpression (5.9) montre comment il est possible de calculer pour toute valeur de 2T1 s , 2T1 s ,
la valeur du spectre du signal continu a` la frequence a` partir des e chantillons {x(kTs )}k{0, ,(N 1)} .
Dans la suite, x(kTs ) est plus succinctement note xk .
En pratique, les calculs seffectuant sur un ordinateur ou sur
on ne calcule
h
h un microprocesseur,
1
n
1
X() que pour un nombre fini (pair) N de valeurs de 2Ts , 2Ts : = N Ts = Tna pour
n { N2 , . . . ,
N
2
N
N
1 , X () |
,...,
2
2
=
= Ts
n
= Tn
N Ts
a
N
1
X
kn
xk e2i N .
|k=0 {z
Xn
(5.10)
N
1
X
xk e2ik
(n+N )
N
k=0
N
1
X
xk e2ik N = Xn
k=0
On en deduit que :
{Xn }n{ N ,..., 1} = {Xn }n{ N ,..., (N 1)} .
2
Par suite, calculer {Xn }n{ N ,..., N 1} se ram`ene a` calculer {Xn }n{0,..., (N 1)} .
2
{Xn }n{0,..., (N 1)} est appelee Transformee de Fourier Discr`ete9 de {xk }k{0,..., (N 1)} .
Notation
{xk } {Xn }
9
On prendra soin de ne pas confondre une Transformee de Fourier Discr`ete et la Transformee de Fourier dun
Signal Discret telle que definie par (5.2).
122
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
Transformation directe
Xn =
N
1
X
kn
xk e2i N
(5.11)
k=0
Transformation inverse
N 1
kn
1 X
Xn e2i N
xk =
N n=0
(5.12)
Partant de {xk }k{0, , (N 1)} , le calcul de {Xn }n{0, , (N 1)} seffectue a` partir de (5.11) a` laide
dun nombre fini doperations arithmetiques. Neanmoins, en pratique, N peut e tre (tr`es) grand.
Dapr`es le tableau 5.1, la periode dechantillonnage dun signal sonore pour un CD est de 44100
Hz, ce qui veut dire quune minute de musique sur 1 CD est representee par N = 2 millions 646
mille e chantillons et une heure 10 minutes correspond a` N = 185 millions 220 mille e chantillons.
Le calcul numerique de la Transformee de Fourier Discr`ete {Xn }n{0,..., (N 1)} par la formule (5.11)
coute (N 1)2 multiplications complexes, le cout des additions e tant negligeable par rapport au
cout des multiplications. Pour N grand, le temps de calcul est tr`es long, ce qui limite fortement
linteret pratique de ce calcul. Afin de remedier a` ce probl`eme, plutot que dutiliser navement
les formules (5.11) et (5.12), un algorithme efficace appele Transformee de Fourier Rapide (TFR
ou FFT en Anglais) a e te developpe. Il sapplique dans le cas o`u N est une puissance10 de 2.
Lalgorithme FFT permet de calculer la Transformee de Fourier Discr`ete {Xn }n{0,..., (N 1)} en
effectuant N2 log2 (N ) o`u log2 represente le logarithme de base 2, ce qui fait un nombre de multiplications complexes qui augmente beaucoup moins vite avec N , voir figure 5.16
2500
TFD
FFT
2000
1500
1000
500
0
0
10
20
30
40
50
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
123
= Ts Xn+N
,
.
.
.
,
1
X () |
n
= NnT
s
N
1
X
()
|
= Ts Xn
n
0,
.
.
.
,
n
= N T
o`u est lechelon dHeaviside. Sa courbe representative est representee figure 5.18. La fonction
est strictement decroissante, de limite e gale a` 0 quand t tend vers linfini. On peut considerer que
pour t 5, x(t) 0. Par suite, on choisit Ta = 5s. Ce signal est e chantillonne avec une periode
dechantillonnage Ts = 81 s soit s = 8 Hz, voir figure 5.18. Avec N = 40, on a bien Ta = N Ts .
Dans cet exemple, la transformee de Fourier du signal x peut e tre calculee de facon litterale :
R,
X() =
2
.
(2i + 3)3
(5.13)
124
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
Echantillonnage
Calcul de TFD
Estimation
spectre
0.07
0.06
t2e3t(t)
0.05
0.04
0.03
0.02
0.01
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
125
0.08
Transforme de Fourier du
signal chantillonn
0.07
Spectre en amplitude
0.06
0.05
TX
s n
0.03
0.02
0.01
0
12
0
Frquence en Hertz
12
Cas ou` il a repliement de spectre Cependant, dans le cas o`u le support dun signal continu est
un intervalle borne, le support de sa transformee de Fourier nest pas borne. Il y a donc forcement
repliement de spectre. On a alors :
nN
n
s X
Xn =
m
= s X
+
s X
T
Ta
a
m=
m6=0
{z
}
|
terme de repliement
Neanmoins, on peut sarranger pour que son effet sur lestimation de X Tna via lutilisation de
la TFD soit pratiquement faible.
+
X
nN
n
m
Ta
Ta
n
Ta
126
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
fonction motif
0.08
0.06
0.04
0.02
0
5
10
10
t
fonction priodique
0.08
0.06
0.04
0.02
0
5
0
t
xmotif T
xmotif
xmotif T
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
127
Un signal periodique x correspond a` la periodisation dun signal motif xmotif , voir figure 5.20 : la
transformee de Fourier du signal periodique est alors obtenue, a` un coefficient multiplicatif pr`es,
par la discretisation de la transformee de Fourier de la fonction motif. Cela se retrouve dans les
expressions mathematiques. Avec T la periode du signal periodique, un signal periodique x est
reliee au motif xmotif par :
x = xmotif PgnT .
En prenant la transformee de Fourier de cette expression, on obtient :
1
F[x] = F[xmotif ]. Pgn 1 .
T
T
(5.14)
Pour un signal periodique de periode T , la transformee de Fourier est discr`ete avec un pas de T1 .
Dautre part, nous avons vu quun signal e chantillonne avec une periode dechantillonnage de Ts
a une transformee de Fourier periodique de periode T1s . Do`u le tableau 5.3.
Signal
Domaine
Spectre
Temps Frequence
Periode
1
Ts
Pas
Ts
1
T
N
1
h
i
X
2T1 s , 2T1 s ,
xk e2ikTs
Xmotif () = Ts
k=0
Sinon
Xmotif () = 0
128
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
1
X = Xmotif .
T
+
X
n 1
T
n=
+
1
1 X
Xmotif n
=
n 1
T
T n=
T
+2
1 X
1
=
Xmotif n
1
T
Ta n T
N
n= 2
+N
1
2
X
n
Ts X
2ik
N 1
xk e
=
nT
T
N k=0
n= 2
|
{z
}
Xn
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
129
0.6
1
sin(2 t/T)
sin(2 kTs/T)
0.8
0.5
0.6
0.4
0.4
Ts/T|Xn|
0.2
0
0.3
0.2
0.2
0.4
1/T
0.6
0.1
0.8
1
0.2
0.4
0.6
0.8
4
6
Frquence =n/T
10
4
6
Frquence =n/T
10
F IG . 5.21 x et
Ts
|Xn |
T
0.7
sin(2 t/T)
sin(2 kT /T)
0.8
0.6
0.6
0.5
0.4
Ts/T|Xn|
0.2
0
0.2
0.4
0.4
0.3
0.2
0.6
0.1
0.8
1
0.2
0.4
0.6
0.8
F IG . 5.22 x et
Ts
|Xn |
T
avec T 6= N Ts
130
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
1
0.8
0.6
0.4
xmotif
0.2
0
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Sine Wave
131
FFT
ZeroOrder
Hold
Spectrum
Scope
b(t)
mesure de x
Ts
CAPTEUR
STOCKAGE de N
chantillons x
k
transmission de
N chantillons
FENETRE de
PONDERATION
transmission de
N chantillons pondrs
Calcul de
FFT
transmission de
N valeurs de TFD
Estimation du spectre de
x
132
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
1. Le signal x est e chantillonne en temps reel avec une periode Ts qui a e te choisie de facon
adequate, voir section 5.3.
2. Les e chantillons xk obtenus sont stockes dans une memoire de capacite N : cette memoire
contient a` chaque instant les N derniers e chantillons xk de x.
3. Toutes les mTs secondes, avec m N , les N e chantillons stockes sont transmis de facon a`
effectuer une operation de fenetrage temporel.
4. Apr`es fenetrage, la TFD est calculee pour les N e chantillons transmis xk par application de
lalgorithme FFT, voir section 5.4.1.
5. A partir du calcul de la TFD, une estimation du spectre de x est obtenue et est represente
graphiquement.
Pour mettre en uvre le fenetrage temporel sur un signal discret, il suffit de considerer une version
discr`ete des fenetres. En notant que Ta = N Ts et que lon sinteresse aux temps t = kTs , on a
apr`es simplifications :
Hanning
Hamming
(
(
k {0, , (N 1)} , wk =
Sinon,
1
2
wk = 0
12 cos 2 Nk
wk = 0
Les fonctions Matlab hanning et hamming donnent, pour un N donne, le vecteur des coefficients wk , k {0, , (N 1)}.
Remarques
1. Les e tapes 3 a` 5 sont executees toutes les mTs secondes : une serie de TFDs est donc
calculee, deux TFDs successives ayant en commun N m e chantillons. Il y a donc un
recouvrement13 des deux ensembles dechantillons.
2. Des variantes sont possibles. Par exemple, lestimation du spectre de x peut e tre faite non
pas a` partir dun seule TFD mais en faisant la moyenne de plusieurs TFDs.
3. Lutilisation dun analyseur de spectre ou du bloc Spectrum Scope ne peut donner de
resultat correct que si
La periode dechantillonnage ;
La fenetre de ponderation ;
Le nombre dechantillons N pour la TFD ;
lintervalle de temps mTs entre deux TFDs
sont correctement choisis. Ce document de cours vous a presente tous les e lements disponible pour ce choix : il ne vous reste plus qu`a reflechir...
5.5
En resume
En Anglais, overlap.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
SPECTRE
Signal continu
Signal discret
Signal discret
133
TFD
5.6
Pour lexemple page 123, le script Matlab ci-dessous permet dobtenir la figure 5.18 et la
figure 5.19.
% Trac
e de la courbe representative de x(t)
Ts = .125;
tfinal = 5;
t = 0:.01:(tfinal-Ts);
xt = t.2.*exp(-3*t);
figure, plot(t, xt);
hold on
% Trac
e sur la m
eme figure des
echantillons
kTs = 0:Ts:(tfinal-Ts);
N = length(kTs);
xkTs = kTs.2.*exp(-3*kTs);
stem(kTs, xkTs, .)
134
C HAPITRE 5
D E LA NALOGIQUE AU N UM E RIQUE
% Calcul de la TFD
Xn = fft(xkTs);
% Repr
esentation des points du module du spectre X
a partir du calcul de la TFD
% obtenu `
figure, stem( (0:(N-1))/N/Ts, Ts*abs(Xn), b. )
hold on
% Trac
e sur la m
eme figure de la courbe caract
eristique
% du module du spectre X
freq = (-1/2/Ts):.01:(+1/2/Ts);
Xfreq = 2*abs(1./(sqrt(-1)*2*pi*freq+3).3);
plot(freq-1/Ts,Xfreq,k- ); plot(freq,Xfreq,k- );
plot(freq+1/Ts,Xfreq,k-)
stem( ((-N/2):-1)/N/Ts, Ts*abs(Xn((N/2+1):N)), r.)
Chapitre 6
Filtrage numerique
Le filtrage frequentiel est une operation importante en traitement du signal. Dans le chapitre 3,
section 3.3, nous avons e tudie le filtrage frequentiel analogique, ce qui correspond a` un syst`eme de
convolution continu. Neanmoins, une part importante et toujours croissante de syst`emes technologiques incorpore des syst`emes delectronique numerique, ces syst`emes incluant de nombreuses
operations de filtrage. Dans ce contexte, le filtrage frequentiel numerique est largement plus utilise
que le filtrage frequentiel analogique. Par exemple, le filtrage qui est effectue lors de la compression MP3 est en realite un filtrage numerique et non analogique. Cependant, les filtres analogiques
restent incontournables pour realiser des filtres anti-repliements ou encore1 pour des applications
pour lesquelles la rapidite est tr`es importante.
Ce chapitre sinteresse donc au filtrage frequentiel numerique qui travaille sur des signaux
discrets. Apr`es avoir defini les syst`emes de convolution discrets (section 6.1), la conception de
deux grandes classes de filtres sera abordee : les filtres a` Reponse Impulsionnelle Infinie ou filtres
RIIs (section 6.2) et les filtres a` Reponse Impulsionnelle Finie ou filtres RIFs (section 6.3).
6.1
Convolution discr`ete
h =
+
X
hi iTs
i=
+
X
xm mTs
m=
associe la sortie
y =
+
X
n=
1
135
yn nTs
136
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
telle que
y = h x .
(6.1)
hi xm (i+m)Ts
m= i=
+
X
n=
+
X
+
X
hi xni
i=
nTs .
yn nTs ,
n=
yn =
+
X
hi xni .
i=
Cette expression definit le produit de convolution discret ainsi que le syst`eme de convolution
discret associe.
Exemple Soit le signal discret x = . Il peut sexprimer par x0 = 1 et xm = 0 pour m 6= 0. Par
suite, la sortie y = h x est donnee par :
yn =
+
X
hi xni = hn .
i=
hi = 0.
et
i > imax , hi = 0.
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
137
+
X
hi iTs
i=
+
X
i=
hi L (iTs ) =
+
X
iTs s
hi e
i=
+
X
hi z i .
(6.2)
i=
F (z) definit la fonction de transfert associee au syst`eme de convolution discret. Dans le cas dun
RIF :
iX
max
F (z) =
hi z i .
i=imin
Dans beaucoup de cas de syst`emes de convolution causal a` RII, la fonction F (z) peut sexprimer
de la facon suivante :
nb
X
bj z j
F (z) =
j=0
na
X
(6.3)
al z
l=0
al z l
l=0
sont de module strictement inferieur a` 1. Les racines de ce polynome sont appelees poles de la
fonction de transfert.
Linteret de la formulation (6.3) apparat lorsque lon revient dans le domaine temporel. En
effet, Y (z) = F (z)X(z) se ree crit :
!
!
nb
na
X
X
al z l Y (z) =
bj z j X(z)
j=0
l=0
soit
na
X
al z Y (z) =
nb
X
bj z j X(z)
j=0
l=0
Or, dapr`es la sous section 5.1.2, z l Y (z) est la transformee en Z du signal discret
n=+
X
n=
ynl nTs .
(6.4)
138
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
al
l=0
n=+
X
ynl nTs
n=
nb
X
n=+
X
bj
j=0
n=
n=+
X
nb
X
(6.5)
nTs
(6.6)
xnj nTs
n=
na
X
al ynl
l=0
nTs =
n=
bj xnj
j=0
ce qui m`ene a` :
na
X
al ynl =
nb
X
bj xnj .
(6.7)
j=0
l=0
nb
X
j=0
bj xnj
na
X
al ynl .
(6.8)
l=1
+
X
hi xni .
i=
Levaluation de yn a` partir de cette e quation demande un nombre infini doperations alors que
levaluation de yn par lequation (6.8) nen demande quun nombre fini.
Remarque Lequation (6.7) peut e tre directement obtenue a` partir de lequation (6.4) en replacant
les termes du type z l Y (z) par ynl .
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Continu
Z
Produit de convolution
Discret
h( )x(t )d
s
Fc (s)
F (z)
z=eTs s
poles de Fc (s)
a` partie reelle < 0
poles de F (z)
de module < 1
F (e2iTs )
Fc (2i)
Reponse frequentielle
hi xni
i=
s= T1 ln(z)
Fonction de transfert
Stabilite
+
X
139
1.5
/Ts
1.5
0.5
0.5
0.5
0.5
z=eTs s
1
/Ts
s= T1
s
1.5
2
2
1.5
0.5
0.5
1.5
ln(z)
1.5
2
2
1.5
0.5
0.5
1.5
F IG . 6.1 Localisation des poles des fonctions de tranfert continu et discr`ete correspondantes
140
6.2
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
Dans la sous section 3.3.2, page 72, nous avons e tudie la conception de filtres frequentiels
continus. Lidee est de concevoir un filtre frequentiel discret en utilisant les relations qui existent
entre les syst`emes continus et les syst`emes discrets. Pour cela, on va adopter la demarche suivante :
1. Conception dun filtre continu qui respecte le gabarit frequentiel a` satisfaire : le resultat de
cette e tape est une fonction de transfert continue Fc (s) ;
2. Determination dune fonction de transfert discr`ete F (z) equivalente a` Fc (s).
La premi`ere e tape ayant e te traitee dans la sous-section 3.3.2, nous nous interessons a` la seconde
e tape.
Dapr`es le tableau 6.1, on aura e quivalence avec F (z) definie par
1
F (z) = Fc
ln(z) .
Ts
Fc (s) e tant une fonction reelle rationnelle en s, la fonction de transfert F (z) ainsi obtenue ne le
sera pas en z. Or pour pouvoir realiser une fonction de transfert discr`ete, il faut y associer une
e quation de recurrence (6.8), ce qui ne peut se faire que si F (z) est une fonction reelle rationnelle
en z, cest-`a-dire de la forme (6.3). Il faut donc trouver une autre methode.
Lidee est de remplacer z = eTs s s = T1s ln(z) par une relation rationnelle entre s et z (appelee
transposition), de facon a` ce que, quand s est remplacee par cette expression de z dans Fc (s), la
fonction F (z) soit rationnelle en z. De plus, le choix de la transposition doit assurer que la fonction
de transfert continue de depart et la fonction de transfert discr`ete obtenue soient e quivalentes. Par
e quivalente, il faut comprendre que :
1. La fonction de transfert discr`ete equivalente est stable si et seulement si la fonction de
transfert continu lest : un filtre ne peut e tre que stable ;
2. Les reponses frequentielles associees aux deux fonctions de transfert doivent concider au
mieux : la finalite dun filtre est de respecter un gabarit frequentiel.
Plusieurs transpositions sont classiquement considerees :
Rectangles inferieurs s
Rectangles superieurs s
z1
Ts
z1
Ts z
Transformation bilineaire s
2 z1
Ts z+1
soit z
1+ T2s s
1 T2s s
Elles sont obtenues a` partir de lestimation de lintegrale dun signal continu calculee a` partir
du signal discret issu de lechantillonnage de ce signal continu. Lintegration est un syst`eme de
convolution avec h = . De plus, si y est lintegrale du signal continu x nul pour t < 0 alors
t 0, y(t)
= x(t)
y(0) = 0
Par suite, en prenant la Transformee de Laplace (monolaterale), on obtient
F (s) =
Y (s)
1
= .
X(s)
s
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
Signal a` integrer
141
Rectangles inferieurs
1
x
x*
x*
0.9
1
0.8
0.7
0.8
0.6
0.5
0.6
0.4
0.4
0.3
0.2
0.2
0.1
10
Rectangles superieurs
Trap`ezes
x
x*
x*
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
10
10
10
142
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
La methode des rectangles inferieurs (respectivement superieurs) consiste a` approcher lintegrale a` linstant kTs par la somme de lapproximation de lintegrale a` linstant precedent (k 1)Ts
et de la surface du rectangle ayant pour base Ts et pour hauteur lamplitude du signal x en
t = (k 1)Ts (resp. en t = kTs ), voir figure 6.2. Dans la methode des trap`ezes (qui correspond a` la transformation bilineaire), le rectangle est remplace par le trap`eze defini figure 6.2. Soit
ya lapproximation de lintegrale. Alors dans le cas des rectangles inferieurs :
yak = yak1 + Ts xk1 (1 z 1 )Ya (z) = Ts z 1 X(z)
Formellement, lapproximation de
1
s
par
Ts
z1
Ya (z)
X(z)
Ts
z1
z1
.
Ts
voir la figure 6.3. Les deux premi`eres transpositions sont donc e liminees. Appelons Fb (z) la fonction de transfert discr`ete obtenue a` partir de Fc (s) par la transformation bilineaire. Que peuton dire de la reponse frequentielle de Fb (z) par rapport a` la reponse frequentielle de Fc (s) ? La
reponse frequentielle de Fc (s) est obtenue en remplacant s par 2icont o`u cont est la frequence
pour le temps continu. La reponse frequentielle de Fb (z) est obtenue en remplacant z par e2iTs .
Si Fb (z) avait e te obtenue en remplacant s par T1s ln(z) alors on aurait forcement cont et qui
correspondent. Par contre, ici comme
s
2 z1
Ts z + 1
on a, apr`es simplification2 :
cont =
1
Ts
tan (Ts ) =
1
arctan (Ts cont )
Ts
(6.9)
Posons
2 z1
.
Ts z + 1
Ici w joue le role de la variable de Laplace s. Par suite, pour passer dans le domaine frequentiel, on pose w = 2icont
et z = e2iTs . La relation precedente secrit alors :
w=
2icont =
2
2 eiTs eiTs
2 e2iTs 1
=
=
i tan (Ts )
2iT
s + 1
Ts e
Ts eiTs + eiTs
Ts
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
Rectangles inferieurs
143
z1
Ts
+1
Rectangles superieurs
z1
Ts z
+1
Transformation bilineaire
2 z1
Ts z + 1
+1
F IG . 6.3 Zone de localisation des poles de la fonction de transfert discr`ete obtenue par transposition dune fonction de transfert continue stable
144
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
Trac de
cont
Trac de
cont
20
0.7
18
0.6
16
14
0.5
cont
cont
12
10
0.4
0.3
8
6
0.2
4
0.1
2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
1
Ts
Exemple Avec Ts = 1 s et
Fc (s) =
0.1
0.2
0.3
0.4
0.5
0.6
0.7
1
12s + 1
on obtient :
z+1
.
25z 23
La relation entre leurs reponses frequentielles en module est presentee figure 6.5.
Fb (z) =
Mise en uvre pour la conception de filtres Le gabarit frequentiel que doit satisfaire le filtre
numerique est defini en fonction de la frequence . Cependant, voir page 72, on concoit dans une
premi`ere e tape un filtre continu, le filtre frequentiel discret e tant ensuite obtenu par transposition
du filtre continu en utilisant la transformation bilineaire. Comme les reponses frequentielles sont
deformees lors de loperation de transposition, il est necessaire de choisir pour la conception du
filtre continu un gabarit frequentiel qui soit relie au gabarit frequentiel du filtre numerique par la
transformation bilineaire.
Le processus de conception du filtre numerique presente en debut de section est donc modifie
de la facon suivante :
1. Transposition du gabarit frequentiel dans le domaine frequentiel cont a` laide des relations (6.9) ;
2. Conception du filtre continu Fc (s) qui satisfait le gabarit frequentiel ainsi obtenu par les
methodes de la sous section 3.3.2, page 72 ;
3. Transposition par la transformation bilineaire du filtre Fc (s) en le filtre numerique F (z)
recherche en utilisant les relations definissant la transformation bilineaire.
Exemple de conception de filtre numerique On souhaite concevoir un filtre numerique passebas de periode Ts = 0.005 s qui verifie le gabarit frequentiel defini par :
Une bande passante : [0, c ] avec c = 50 Hz ;
Une bande de transition assez courte : moins de 10 Hz ;
Des oscillations sont permises dans la bande passante, damplitude inferieure a` 0.056 ;
Dans la bande de rejection, lamplitude doit e tre inferieure a` 0.1.
2011
V ERSION P ROVISOIRE DU 24 AO UT
1.5
145
cont
1.5
cont
G. S CORLETTI
0.44
0.44
2
0.5
|F (2 i
c
0
0
0
)|
cont
|Fb(e
0.0303
2 i
)|
0.5
1
0
0
0.3
0.5 0.6
F IG . 6.5 Relation entre les reponses frequentielles en module dune fonction de transfert continu
et de sa transposition par la transformation bilineaire
146
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
Le filtre continu correspondant devra verifier le gabarit transforme par la relation (6.9) ce qui
revient a` modifier la bande passante et la bande de transition :
La frequence c = 50 Hz est remplace par ccont = T1 s tan (Ts c ) ce qui donne ccont =
63.66 Hz ;
La bande de transition [50, 60] est remplace par la bande [63.66, 87.62] Hz.
Un filtre elliptique Fc (s) est mis au point a` laide des fonctions Matlab ellipord et
ellip. On obtient :
0.09998(s2 + 2.206 105 )(s2 + 7.934 105 )
Fc (s) = 2
.
(s + 396s + 1.105 105 )(s2 + 58.05s + 1.679 105 )
Son spectre en amplitude est represente en pointilles figure 6.6. Lapplication de la transformation
2 i T
s) en fonction de
Spectre en amplitude de F(e
et de Fc(2 icont) en fonction de cont
1
2 i T
|F(e
s)|
|F (2 i
)|
0.9
cont
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
63.7 70
cont
80
90
100
On peut verifier sur la figure 6.6 que ce filtre respecte bien le gabarit frequentiel desire. Le script
Matlab permettant sa conception est presente dans la section 6.5.
6.3
Un inconvenient majeur des filtres RII est que leur phase nest pas une fonction affine en la
frequence , voir, par exemple, la phase du filtre concu dans lexemple precedent et representee
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
147
figure 6.7. Or, comme cela a e te discute page 74, il est souhaitable que la phase () dun filtre
Phase de F(e2 i Ts) avec T =200s
s
2 i T
arg(F(e
)) en radians
3
0
20
40
60
80
100
1 d
()
2 d
(6.10)
soit constant. Le gros interet des filtres RIFs est quil est possible de les concevoir en leur imposant
un temps de groupe constant. Les classes de filtres RIFs a` temps de groupe constant considerees
correspondent a` des filtres RIFs dont les N e chantillons non nuls de la reponse impulsionnelle h
presentent une symetrie ou une anti-symetrie4 par rapport5 a` Ts , voir la figure 6.8.
Les filtres RIFs presentent deux autres avantages importants :
1. Ils sont forcement stables puisque tous leurs poles sont forcement en 0. En effet,
F (z) =
iX
max
hi z i =
iX
max
hi z imax i
i=imin
i=imin
z imax
2. Ils peuvent e tre realises efficacement par des syst`emes delectronique numerique (voir figure 6.9) et leur fonctionnement est moins sensible aux erreurs liees a` la precision finie6 .
4
Sachant quen pratique, lordre dun filtre RIF peut e tre de plusieurs centaines, linteret de cette (anti) symetrie
est de limiter le nombre de coefficients a` stocker au moment de la mise en uvre du filtre.
5
= Ts (N 21) .
6
Sur les ordinateurs et les syst`emes delectronique en general, les nombres reels sont representes par des
nombres binaires. Cette representation peut e tre a` virgule flottante ou a` virgule fixe. Par exemple, dans le cas dune
representation a` virgule fixe en complement a` 2, un nombre reel est represente par n + m bits (prenant la valeur 0 ou
1), n bits bn1 , , b0 codant la partie enti`ere et m bits b1 , , bm codant la partie fractionnaire tels que :
i=(n2)
X = bn1 2n1 +
bi 2i
i=m
Il apparait quon ne peut exactement coder que certains nombres reels appartenant a` lintervalle [2n1 , 2n1
2m ]. Une erreur apparat donc dans le codage des nombres reels. De plus, des erreurs vont apparatre dans le resultat
148
C HAPITRE 5
D E LA NALOGIQUE AU N UM E RIQUE
c
F IG . 6.8 Guy Binet
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
149
Linconvenient majeur des filtres RIFs par rapport aux filtres RIIs est que pour satisfaire un gabarit
frequentiel donne, un filtre RIF sera dordre beaucoup plus important quun filtre RII. Dans ce qui
suit, on sinteresse a` la conception dun filtre de la forme :
F (z) =
N
1
X
hi z i .
i=0
Contrairement aux filtres a` reponse impulsionnelle infinie, les filtres a` reponse impulsionnelle
finie ne peuvent pas e tre concus par transposition de filtres continus. En effet, dapr`es la remarque
page 136, un filtre continu ne peut avoir une reponse impulsionnelle finie. Il est donc necessaire
de trouver une methode alternative qui va e tre une methode directe7 .
hk = 2c Ts sinc(2c kTs ).
(6.11)
Comme en continu8 cette reponse impulsionnelle nest pas causale, voir la figure 6.11 avec Ts =
10 s et c = 8T1 s . De plus, elle est de longueur infinie. Lidee est de
1. Tronquer cette reponse impulsionnelle de facon symetrique (pourquoi ?) en considerant plus
que les 2M + 1 e chantillons {hk }k{M,...,M } , voir figure 6.12, gauche ;
qui
2. La translater vers la droite de facon a` obtenir une nouvelle reponse impulsionnelle h
sera causale :
k = hkM
k {0, . . . , 2M } h
k = 0
sinon
h
nb
X
k=0
bk xnk
na
X
al ynl .
l=1
On voit quil y a risque de propagation des erreurs de calcul puisque yn depend de ynl . Dans le cas dun filtre RIF,
yn peut e tre calcule a` partir de lequation :
N
1
X
yn =
hi xni .
i=0
Dans ce cas l`a, puisque yn ne depend pas de ynl , il ny a pas de risque de propagation des erreurs.
Par suite, les erreurs introduites par les representations binaires et par les operations arithmetiques sur ces
representations binaires sont plus critiques dans le cas dun filtre RII que dun filtre RIF.
7
Cest-`a-dire sans passer par lintermediaire dun filtre continu via une operation de transposition. De telles
methodes existent aussi pour la conception de filtres continus. Cependant, elles sortent du cadre de ce cours.
8
Voir la sous section 3.3.1.
150
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
s/2
/2 c
Rponse impulsionnelle
0.03
0.025
0.02
0.015
0.01
0.005
0.005
0.01
50
40
30
20
10
0
k
10
20
30
40
50
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
0,3
0,3
0,2
0,2
0,1
0,1
40
30
20
10
0
k
10
20
30
40
0,1
50
20
10
10
20
30
40
0.5
2 i T
|F(e
)|
1.5
0,1
50
151
0.005
0.005
0.0125
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.02
0.025
0.03
0.035
0.04
0.045
0.05
2
0.01
0.015
50
60
152
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
On observe de petites oscillations au niveau du spectre en amplitude. Quelle est leur origine ?
Nous sommes face a` un phenom`ene bien connu puisque nous lavons dej`a rencontre en continu
dans le chapitre 3, section 3.4, page 82, ou encore dans le chapitre 5, sous section 5.4.3, page 130.
Tout comme en continu, en discret, le fait de tronquer la reponse impulsionnelle revient a` effectuer une operation de filtrage temporel avec une fenetre rectangulaire : la reponse frequentielle
correspondant a` la reponse impulsionnelle tronquee consiste alors en le produit de convolution
par la reponse frequentielle de la reponse impulsionnelle initiale par la reponse frequentielle de
la fenetre rectangulaire, voir la figure 3.28, page 85. La degradation est dautant plus importante
que la reponse frequentielle de la fenetre seloigne de celle de limpulsion de Dirac. Nous avons
vu, sous-section 5.4.3 quil y avait des fenetres plus interessantes de ce point de vue l`a : la fenetre
dHanning et la fenetre de Hamming. En discret, leur expression est donnee par, avec N la longueur de la fenetre de troncature en periode dechantillonnage :
2k
k
1
fk = (1 ) cos
rect
.
N
N
2
avec = 0.5 pour la fenetre de Hanning et = 0.54 pour la fenetre de Hamming. Dautres
fenetres sont possibles : triangulaire, Blackman, Kaiser, etc. - voir la litterature specialisee. La
0.3
20
15
10
0
5
10
15
20
k
Rponse impulsionnelle tronque fentre de Hamming
25
20
15
10
0
k
10
15
20
25
0.005
0.005
0.0125
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.02
0.025
0.03
0.035
0.04
0.045
0.05
2
0
2
2 i T
0.1
0.2
arg(F(e
)) en radians
0.3
0.1
25
0.5
2 i T
0.1
0.1
25
|F(e
)|
0.2
0.01
0.015
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
153
hktronc(z)
1
Sine Wave
Scope
Discrete Filter
Scope 1
1
0.8
0.6
0.5
0.4
0.2
0
0.2
0.4
0.5
0.6
0.8
200
400
600
800
1000
100
200
300
400
500
600
700
800
900
1000
F IG . 6.16 Sorties (bleu) correspondant a` deux entrees sinusodales a` deux frequences differentes
154
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
On peut traiter dautres filtres ideaux en les exprimant comme des combinaisons lineaires
de filtres passe-bas. Par exemple, si on consid`ere le filtre passe-bande decrit figure 6.17, il peut
e tre exprime comme un filtre passe-bas de frequence de coupure 2 moins un filtre passe-bas de
frequence de coupure 1 . Une autre approche a e te discutee page 76.
0
/2
s
s/2
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0.06
0.04
0.02
0.02
155
0.04
0.06
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
0.3
1.5
0.5
2 i T
|F(e
)|
0.25
0.2
0.15
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.1
2 i T
))
0.05
arg(F(e
0
0.05
0.1
10
15
20
k
25
30
35
156
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
1
chantillonnage
rponse frquentille dsire
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
4
0.5
1.5
2.5
0.5
1.5
2.5
1.2
0.6
2 i T
)|
|F(e
0.5
0.4
0.8
0.6
0.4
0.2
0.3
0
0.2
arg(F(e2 i Ts))
0.1
0
0.1
0.2
0.3
10
15
20
25
30
35
2
0
2
6.4
Dans la section 6.5, sont presentes des scripts Matlab qui permette la conception et lanalyse
de filtre frequentiel discrets. Ils font appel a` des fonctions de la Signal Processing Toolbox qui
regroupe un ensemble de fonctions Matlab specialisees dans le traitement du signal. Cette bote
a` outils propose aussi une interface graphique appelee fdatool qui permet de plus confortablement concevoir les filtres numeriques, voir figure 6.20. Ce qui est presente dans ce document de
cours permet de comprendre la majorite des methodes associees a` cette interface graphique.
6.5
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
157
158
C HAPITRE 5
D E LA NALOGIQUE AU N UM E RIQUE
Ts
= 10;
nu_c = 1/8/Ts;
% Repr
esentation de 99 points de la r
eponse impulsionnelle du filtre
ee
etis
eal discr
% passe-bas id
N
= 50;
k = -(N-1):(N-1);
hk = 2*nu_c*sinc(2*nu_c*k*Ts)*Ts;
figure, stem(k,hk);
% Troncature pour ne conserver que 49 points
M = 24
ktronc = -(M):(M);
hktronc = 2*nu_c*sinc(2*nu_c*ktronc*Ts)*Ts;
figure, stem(ktronc,hktronc);
% Translation vers la droite
figure, stem(ktronc+M,hktronc);
hold on
stem((2*M+1):3*M, zeros(1,M));
% R
eponse fr
equentielle du filtre RIF
[Hz,F] = freqz(hktronc,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hz));
subplot(212), plot(F, angle(Hz));
% Am
elioration du r
esultat par fen
etre de Hamming
% Coefficients de la fen
etre de Hamming
f_k = hamming(2*M+1);
% Application de la fen
etre de Hamming aux coefficients
% du filtre RIF
hktronchamming = f_k(:).*hktronc(:);
figure,
subplot(211), stem(ktronc,hktronc),
subplot(212), stem(ktronc,hktronchamming)
% R
eponse fr
equentielle du filtre RIF fen
etr
e
[Hzhamming,F] = freqz(hktronchamming,1,1000,1/Ts);
figure,
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
159
Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 6.3.2.
Ts
= 10;
% p
eriode d
echantillonnage
nu_c = 1/8/Ts; % fr
equence de coupure du filtre passe-bas
nu_s = 1/Ts;
% Nombre total de points
echantillonn
es sur la r
eponse fr
equentielle
Mtot = 25;
% Echantillonnage de la r
eponse fr
equentielle
% Pour lintervalle [-nu_s, +nu_s]
nu_ech = linspace(-nu_s/2,+nu_s/2, Mtot+1);
% On
elimine la fr
equence nu_s
nu_ech = nu_ech(1:Mtot);
% Dans lexpression ci-dessous
%
(-nu_c <= nu_ech) : comparaison terme `
a terme du vecteur -nu_c
%
et du vecteur nu_ech. Le r
esultat est un
ement
%
vecteur de m
eme longueur avec le ii`
eme
el
%
qui vaut 1 si -nu_c(i) <= nu_ech(i), 0 sinon
%
.* : effectue la multiplication terme `
a terme de deux vecteurs
X_ech = (-nu_c <= nu_ech).*(nu_ech <= nu_c);
ee
echantillonn
equentielle
eponse fr
esentation de la r
% Repr
figure, stem(nu_ech, X_ech,o);
160
C HAPITRE 5
D E LA NALOGIQUE AU N UM E RIQUE
Chapitre 7
Des signaux deterministes aux signaux
aleatoires
La premi`ere partie de ce chapitre est consacree a` la caracterisation des signaux deterministes
discrets basee sur lenergie et sur la puissance, caracterisation qui avait e te presentee dans le cas
des signaux continus chapitre 4. Dans les deux cas, cette caracterisation est importante car elle
sapplique aussi aux signaux aleatoires qui seront introduits dans la seconde partie de ce chapitre.
Le chapitre se termine sur linteret des signaux aleatoires pour la modelisation des signaux reels
avec une application a` la telephonie mobile.
7.1
Energie et puissance ont e te traitees dans le chapitre 4 dans le cas des signaux continus. Le
tableau 7.1 et le tableau 7.2 resument les memes resultats mais pour les signaux discrets.
7.2
Signaux aleatoires
Les signaux aleatoires sont definis dans le cas continu. Les signaux aleatoires discrets peuvent
e tre definis de facon similaire.
7.2.1 Definition
Un signal continu x est dit deterministe si, a` chaque instant t, sa valeur x(t) peut e tre determinee
de facon certaine par un mod`ele mathematique. Exemple :
t R,
x(t) = A sin(2t).
Un signal x est dit aleatoire ou stochastique si a` chaque instant t, sa valeur x(t) ne peut pas e tre
determinee de facon certaine car dependante du hasard. Cette incertitude provient dun manque
dinformation ou de limpossibilite de modeliser un phenom`ene du fait de sa trop grande complexite. Un signal aleatoire est aussi appele processus aleatoire. On le note x(t, ) :
t est (generalement) la variable de temps ;
est la variable de lensemble des possibles : elle indique qu`a chaque instant t, x(t, ) est
une variable aleatoire (reelle).
161
162
C HAPITRE 7
Definition
Ex =
+
X
k=
Echange
Exy =
|xk |2 <
+
X
Puissance finie
Px = lim
xk .yk
denergie :
Densite spectrale
interspectre
2s , 2s , Sxy ()
denergie :
Rxy
Intercorrelation
+
X
=
Rxy (n)nTs
xk+n .yk
k=
n=
F[Rxy ] = Sxy
Autocorrelation
+
X
Rx (n)nTs
Rx =
n=
Rx (n) =
+
X
xk+n .xk
de puissance :
1
|X(, N )|2
lim
N 2N + 1
X ()Y ()
Rxy (n) =
<
1
xk .yk
2N + 1 k=N
|X ()|2
+
X
+N
X
Pxy = lim
k=
Densit
se spectrale
2 , 2s , Sx ()
+N
X
1
|xk |2
2N + 1 k=N
+N
X
1
xk+n .yk
2N + 1 k=N
F[Rxy ] = Sxy
Rx (n) = lim
k=
+N
X
1
xk+n .xk
2N + 1 k=N
Rx (0) = Ex
Rx (0) = Px
F[Rx ] = Sx
F[Rx ] = Sx
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
163
40
30
20
10
0
10
20
30
40
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
40
30
20
10
0
10
20
30
40
30
20
10
10
20
30
40
7.2.2 Modelisation
7.2.2.1
Une variable aleatoire reelle X est une application de lensemble des possibles dans un ensemble inclus dans R. Elle est caracterisee par une fonction de repartition FX qui est la probabilite
pour que X soit inferieure ou e gale a` un reel x :
FX (x) = Prob(X x).
La densite de probabilite pX m`ene a` la probabilite pour que la variable aleatoire X prenne des
valeurs comprises entre x et x + dx :
pX (x)dx = Prob(x X x + dx) = dFX (x)
Elle satisfait la relation :
E[X ] =
xN pX (x)dx.
V [X] = E (X E[X])2 .
164
C HAPITRE 7
Loi uniforme
1
rect x(b+a)/2
pX (x) = ba
ba
Loi gaussienne
1 e
2
pX (x) =
(xm)2
2 2
Loi uniforme
Loi gausienne
1/(ba)
b
x
m
x
m+
uniforme
x(b+a)/2
1
rect
ba
ba
gaussienne
1 e
2
(xm)2
2 2
Moyenne
b+a
2
Variance
(ba)2
12
Pour un signal aleatoire x, en notant X(t) la variable aleatoire x(t, ), on peut definir :
lautocorrelation comme la correlation statistique entre les valeurs du signal en deux instants t1 et t2 :
x (t1 , t2 ) = E[X(t1 )X(t2 )].
2
pX (x|y) = pX (x).
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
165
et
V [X(ti )] = x (ti )2 .
Si on desire determiner une valeur experimentale des moments, il est alors necessaire de repeter
plusieurs fois la meme experience au cours de laquelle le signal x sera mesure. Le temps represente
ici le temps e coule par rapport au debut de lexperience. Par exemple, la valeur mx (ti ) sera estimee
en faisant la moyenne des valeurs x(ti , ) sur lensemble des experiences, voir la figure 7.2.
Stationnarite On appelle signal stationnaire un signal pour lequel les moments sont independants
du temps. Pour ce signal, toutes les variables aleatoires X(ti ) ont meme densite de probabilite px .
La fonction dautocorrelation ne depend plus que de t1 t2 :
x (t1 , t2 ) = x (t1 t2 ).
Un signal aleatoire est stationnaire au sens large si seules la moyenne mx et la variance x2 sont
independantes du temps.
Ergodicite Dans le cas dun signal reel dont on a procede a` une seule acquisition lors dune
experience 0 , le probl`eme est de determiner ses differentes caracteristiques statistiques : mx , x2 ,
etc.. Une idee est que si un signal aleatoire est stationnaire, il est possible davoir une estimation de
la moyenne et de la variance en integrant sur le temps t a` partir des valeurs x(t, 0 ) correspondant
a` cette seule acquisition :
Z T
Z T
2
2
1
1
2
x(t, 0 )dt et x lim
(x(t, 0 ) mx )2 dt.
mx lim
T + T T
T + T T
2
2
166
C HAPITRE 7
Par suite, par exemple, on remplace lestimation de la moyenne decrite figure 7.2 par lestimation
decrite figure 7.3.
+n
X
1
xN
2n + 1 k=n k
De meme :
x ( ) = Rx ( )
et
xy ( ) = Rxy ( ).
Un bruit blanc3 est le signal aleatoire stationnaire et ergodique dont la densite spectrale de
puissance Sx est constante4 , ce qui est e quivalent a` ce que son autocorrelation X = Rx soit une
3
Ladjectif blanc vient de lanalogie avec la lumi`ere blanche dont la puissance est aussi uniformement repartie sur
tout le spectre.
4
Cette affirmation est assez contradictoire et meme incorrecte puisque, dun cote, on affirme que le bruit est un
signal a` puissance finie (car ergodique) et, de lautre, on affirme que sa DSP est constante sur tout le spectre ce
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
167
S ()
R ()
R, Sx () = S0 rect
.
2max
Par suite,
R,
Remarque On associe souvent le terme de gaussien5 a` un bruit blanc. Attention, un bruit blanc
peut ne pas e tre gaussien tout comme un signal aleatoire gaussien nest pas forcement un bruit
blanc.
168
C HAPITRE 7
degradation introduite par la transmission, la mesure ou encore la propagation dun signal. Les
e lements presentes dans cette section permettent de proposer une representation plus adequate de
b : de part la discussion ci-dessus, b est representable par un bruit blanc.
7.3
Considerons un syst`eme de convolution discret dont lentree x est un signal aleatoire stationnaire ergodique. Dapr`es le tableau 7.2,
R,
Puisque x (k) = Rx (k) et xy (k) = Rxy (k) et que F[Rx ] = Sx et F[Rxy ] = Sxy , on a alors :
yx (n) =
X
i
hi x (n i).
Dans le cas o`u x est un bruit blanc alors cette relation devient :
yx (n) = hn x (0).
Par suite, a` un facteur multiplicatif, la fonction dintercorrelation entre le signal dentree et le
signal de sortie correspond a` la reponse impulsionnelle du filtre. Les caracteristiques statistiques
du signal aleatoire de sortie y sont donc uniquement determinees par la reponse impulsionnelle
du filtre discret.
bruit
blanc
b0
n
F
X
i=1
.
ai z
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
169
Il est appele mod`ele AR (Auto Regressif). Lequation de recurrence correspondante secrit alors6 :
yk +
nF
X
ai yki = b0 xk .
(7.1)
i=1
Lorsque lon dispose de lacquisition des e chantillons du signal y , il est possible de calculer lautocorrelation y (n). Nous allons voir comment a` laide de lequation de recurrence il est
possible de relier les coefficients ai du filtre a` determiner et lautocorrelation y (n). Pour cela :
!
nF
X
ai yki = b0 yk+n xk
yk+n yk +
i=1
Ce qui donne :
"
E yk+n yk +
nF
X
i=1
Do`u
E[yk+n yk ] +
nF
X
i=1
et donc :
y (n) +
nF
X
ai y (n + i) = b0 yx (n).
i=1
y (n) +
nF
X
ai y (n + i) = b0 hn x (0).
(7.2)
i=1
Lidee est dexploiter cette e quation pour calculer les ai . Or les hn ne sont pas connus puisque
ce sont les e chantillons de la reponse impulsionnelle du filtre que lon recherche. Cependant, on
recherche un filtre causal, ce qui implique que pour n < 0, hn = 0. Par suite, en ne choisissant
que les e quations (7.2) qui correspondent a` n < 0, on obtient :
n < 0,
y (n) +
nF
X
ai y (n + i) = 0.
(7.3)
i=1
y (0)
y (1)
y (2)
y (3)
y (4)
y (nF 2)
y (nF 1)
y (1)
y (0)
y (1)
y (2)
y (3)
y (nF 3)
y (nF 2)
y (2)
y (1)
y (0)
y (1)
y (2)
y (nF 4)
y (nF 3)
y (2)
y (1)
y (0)
y (1)
y (2)
y (2)
y (1)
y (0)
y (1)
y (2)
y (1)
y (0)
y (nF
y (nF
y (nF
y (nF
y (nF
y (1)
y (0)
1)
2)
3)
4)
5)
6
Cette e quation permet dexpliquer pourquoi ce mod`ele est appele auto regressif : il vient du fait que yk est obtenu
par regression lineaire des yki , i allant de 1 a` nF .
170
et
C HAPITRE 7
a=
a1
a2
a3
..
.
..
.
..
.
..
.
anF
et
y (1)
y (2)
..
.
..
.
y (nF 3)
y (nF 2)
y (nF 1)
y (nF )
Ce syst`eme dequations lineaires est connu sous le nom dequations de Yule-Walker7 , nom qui
est aussi associe a` la methode dobtention du filtre F (z). Pour les amateurs, la matrice est une
matrice de Toeplitz : dans ce cas-l`a, lalgorithme de Levinson permet de resoudre efficacement ce
syst`eme dequations lineaires.
Une fois le vecteur a calcule, le filtre generateur est donne par :
F (z) =
1+
b0
nF
X
.
ai z
i=1
Une estimation de la densite spectrale de puissance est alors donnee par, avec X (0) = 1 :
b20
Sy () =
2
nF
X
ai e2kiTs .
1 +
k=1
Exemple On a fait lacquisition dun signal discret represente figure 7.6 avec Ts = 1s. Lanalyse
spectrale par TFD presente un spectre en amplitude plus important au voisinage de la frequence
= 0.015 Hz. A partir de cette acquisition, un filtre generateur du second ordre est recherche par
la methode de Yule Walker a` laide de la fonction Matlab aryule. On obtient :
F (z) =
1.06
.
1 1.9670z 1 + 0.9768z 2
Cette fonction de transfert admet pour poles : 0.9835 0.0976i. Par la relation s =
poles en temps continu correspondants sont 0.0118 0.0989i ce qui correspond8
1
Ts
ln(z), les
Sir Gilbert Thomas Walker fut entre les deux guerres un meteorologue dans les Indes britanniques. Sa
preoccupation e tait de prevoir les pluies de mousson. Pour cela, il sest interesse aux travaux du statisticien britannique George Udny Yule qui avait developpe un mod`ele AR dordre nF = 2 pour e tudier le phenom`ene des taches
solaires. Sir Walker a e tendu son approche au mod`ele AR dordre nF quelconque.
8
Un syst`eme du second ordre de gain statique unite (sans zero) est defini par la fonction de transfert :
Gc (s) =
02
s2 + 20 s + 0 2
o`u quand les deux poles sont complexes conjugues, ]0, 1[. 0 est appele pulsation propre ou pulsation naturelle et
coefficient damortissement.
La reponse temporelle a` un e chelon dun syst`eme du second ordre est definie par deux param`etres (voir la figure
7.9) qui sont directement lies a` la valeur de la pulsation propre 0 et de lamortissement :
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
171
200
100
100
50
0
50
100
100
200
2000
4000
6000
150
2000
8000 10000
2200
2400
2600
2800
3000
4
Module
Module
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
90
80
Depassement en pourcent
70
60
50
40
30
20
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
172
C HAPITRE 7
1.2
Depassement
1.05
1
0.95
0.8
0.6
0.4
0.5
0.2
0
0
0.5
temps du premier
maximum
1.5
2
0
Time (sec.)
10
12
te
Bode Diagrams
ksi = 0,01
20
ksi = 0,1
0
Phase (deg); Magnitude (dB)
Amplitude
ksi = 1
20
40
0
ksi = 0,01
50
100
ksi = 1
150
ksi = 0,1
0
10
10
10
Frequency (rad/sec)
14
16
18
20
2011
V ERSION P ROVISOIRE DU 24 AO UT
G. S CORLETTI
173
a` une pulsation naturelle de 0.0996 rad/s soit une frequence naturelle de 0.0159 Hz. Ce filtre
generateur est donc coherent avec lanalyse spectrale de depart. Dautre part, le spectre en amplitude de F est represente figure 7.11. L`a encore, on ne peut que noter la coherence9 .
|F(e2 i Ts)|
0.1
0.2
0.3
0.4
0.5
0.005
0.01
0.015
0.02
soit
D1 % = 100
D1 = e
12
(7.4)
p
0 1 2
p
3 ln( 1 2 )
0
(7.5)
(7.6)
Ces caracteristiques sont obtenues a` partir de lexpression de la reponse indicielle y(t) en fonction du temps :
avec =
1 2
p
e0 t
cos 0 t 1 2
y(t) = 1 p
1 2
La reponse frequentielle est representee figure 7.10. Pour 12 , le trace du module presente un maximum de
p
1
1 2 a` la pulsation 0 1 2 2 . De plus, on a |Gc (j0 )| = 2
.
1
9
Pour generer le signal temporel figure 7.6 a` partir de la fonction de transfert F , il serait necessaire de connatre
la realisation du bruit blanc quil est necessaire dappliquer en entree du filtre.
174
C HAPITRE 7
Supposons que lon se place a` linstant (k1)Ts et qu`a cet instant ainsi quaux instants precedents
(k 2)Ts , . . . , (k nF )Ts , on connaisse les e chantillons du signal y . Lequation de recurrence
permet de relier la valeur de la sortie yk a` linstant kTs a` ces valeurs :
yk =
nF
X
ai yki + b0 xk .
i=1
Lidee est que lon peut utiliser cette relation pour, e tant a` linstant (k 1)Ts , predire la valeur
de la sortie y a` linstant kTs . La difficulte est que lechantillon xk nest pas connu a` linstant
(k 1)Ts . De plus, le signal x est un bruit blanc et nous avons vu quun bruit blanc est un signal
dont levolution temporelle est totalement imprevisible. Par suite, il ny a aucun espoir de predire
la valeur de lechantillon de x a` linstant kTs si on se place a` linstant (k 1)Ts . Une prediction
a` linstant (k 1)Ts notee yek de la valeur yk est donc effectuee en negligeant le terme b0 xk :
yek =
nF
X
ai yki
i=1
cest-`a-dire tels que la variance de lerreur V [Ek ] soit la plus faible possible.
Il sagit des techniques e voquees section 3.5, page 90.
12
Lacronyme anglais LPC ne doit pas e tre confondu avec lacronyme francais LPC : Langage Parle Complete.
Le langage parle complete est un langage gestuel utilise pour communiquer avec les sourds. Ce qui est amusant, cest
que les deux LPCs sont deux codages differents utilises pour la transmission de la parole !
11
G. S CORLETTI
2011
V ERSION P ROVISOIRE DU 24 AO UT
175
Exercice Essayer destimer leconomie realisee en appliquant cette methode par rapport a` une
transmission directe du son.
13
Ainsi quune analyse spectrale pour determiner si le son est voise ou non et si oui la frequence du train dimpulsions.
14
Bruit blanc ou train dimpulsions avec sa frequence
15
Pour plus de details sur le traitement de la parole en generale et le codage LPC en particulier, voir par exemple
le site WEB : http ://tcts.fpms.ac.be/cours/1005-07-08/speech
176
7.4
C HAPITRE 7
Le programme Matlab ci-dessous permet de traiter lexemple presente dans la sous-section 4.2.1.
% Signal p
eriodique sous-jacent
lk = 50000;
k = 1:lk;
ck = cos(2*pi*k/50);
% G
en
eration du bruit
rd = rand(1,lk); % Calcul dun vecteur de lk valeurs
% tir
ees au sort suivant une loi uniforme
rd = rd - mean(rd); % On retranche la moyenne du vecteur
% Signal bruit
e
ckb = 6*rd+ck;
% Repr
esentation des
echantillons en fonction de leur
% indice
figure, plot(ckb(1:400))
% Calcul de lautocorrelation du signal
corr_ckb = xcorr(ckb, unbiased);
% Repr
esentation de lautocorrelation
figure,
plot(-(lk-1):(lk-1),corr_ckb)
axis([-500, 500, -1, 4])
grid on
Bibliographie
[1] F. Auger. Introduction a` la theorie du signal et de linformation, volume 8 of Sciences et
Technologies. Editions Technip, Paris, 1999.
[2] G. Blanchet and M. Charbit. Signaux et Images sous Matlab. Hermes, 2001.
[3] M. Brancovan. Distributions transformation de Fourier et de Laplace. Les Presses de
lENSTA, 1990.
[4] F. de Coulon. Theorie et Traitement des signaux, volume VI of traites dElectiricite. Presses
Polytechniques et Universitaires Romandes, 1998.
[5] M. Doisy. Distributions - operations et derivees. In Techniques de lingenieur, page AF
144, 2004. Disponible a` la biblioth`eque Michel Serres, Ecole Centrale de Lyon, format
e lectronique.
[6] M. Doisy. Distributions - convolution et transformee de Fourier. In Techniques de
lingenieur, page AF 145, 2005. Disponible a` la biblioth`eque Michel Serres, Ecole Centrale de Lyon, format e lectronique.
[7] T. Dutoit and F. Marques. Applied Signal Processing, A MATLAB-Based Proof of Concept.
Springer, 2009. Disponible a` la biblioth`eque Michel Serres, Ecole Centrale de Lyon, cote
621.382 DUT.
[8] C. Gasquet and P. Witomski. Analyse de Fourier et applications, filtrage, calcul numerique,
ondelettes. Sciences sup. Dunod, 2003. Disponible a` la biblioth`eque Michel Serres, Ecole
Centrale de Lyon, cote 515.2 GAS.
[9] E.W. Kamen and B.S. Heck. Fundamentals of Signals and Systems using the WEB and
MATLAB. Pearson Prentice Hall, 2007. Disponible a` la biblioth`eque Michel Serres, Ecole
Centrale de Lyon, cote 621.382 2 KAM.
[10] H. Klee and R. Allen. Simulation of Dynamic Systems. CRC Press, 2011. Disponible a` la
biblioth`eque Michel Serres, Ecole Centrale de Lyon, cote 003.3 KLE.
[11] T.W. Parks and C.S. Burrus. Digital Filter Design. Topics in Digital Signal Processing. John
Wiley and Sons, New York, 1987.
[12] L. Schwartz. Methodes mathematiques pour les sciences physiques. Enseignement des
sciences. Hermann, 1965. Disponible a` la biblioth`eque Michel Serres, Ecole Centrale de
Lyon, cote 514.7 Sch.
[13] C. Soize. Methodes mathematiques en traitement du signal. Masson, 1993. Disponible a` la
biblioth`eque Michel Serres, Ecole Centrale de Lyon, cote 621.382 2 Soi.
[14] G. Thomas. Traitement du signal. 2007. Transparents du cours.
[15] E. Tisserand, J.F. Pautex, and P. Schweitzer. Analyse et Traitement des Signaux. Sciences
sup. Dunod. Disponible a` la biblioth`eque Michel Serres, Ecole Centrale de Lyon, cote
621.382 2 TIS.
177