Академический Документы
Профессиональный Документы
Культура Документы
__________________________________________________________________________________
COURS ET EXERCICES DE
TRAITEMENT DU SIGNAL
ANALOGIQUE
Par :
CHERIF Adnène
2003
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 3
__________________________________________________________________________________
COURS DE TRAITEMENT
DU SIGNAL ANALOGIQUE
Introduction
1 - Définitions
2 - Classification des signaux.
3 - Représentation mathématique d'un signal
4 - Opérations sur les signaux ( convolution,filtrage,corrélation...)
5 - Systèmes linéaires
6- Analyse temporelle et fréquentielle ( Bode, Nyquist…)
1 - Introduction
2 - Développement en série de Fourier des signaux périodiques
3 - Transformée de Fourier des signaux non périodiques
4 - Transformée de Fourier à court terme
5 - Transformée de Hilbert
6 - Convolution et corrélation
7 - Analyse spectrale
8 - Synthèse harmonique et reconstitution d'un signal
Bibliographie
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 5
__________________________________________________________________________________
INTRODUCTION
Le signal est le support physique de l'information. Il se trouve sous la forme d'une grandeur
observable de type électrique, mécanique, acoustique ou optique. Cette notion s'oppose à celle
du bruit qui peut modifier l'information ou même la masquer.
Les champs d'application de cette discipline sont très vastes tels que :
- la télécommunication
- l'instrumentation
- les radars et sonar
- le traitement et la reconnaissance de la parole
- le traitement d'image
- la reconnaissance de forme
- l'analyse des vibrations dans les machines outils.
- La médecine et la biotechnologie.
Ce cours qui est destiné essentiellement aux étudiants de deuxième année de la maîtrise
Electronique et du cycle d’Ingénieurs est divisé en deux grandes parties représentant les
signaux et les systèmes continus et discrets. Dans les deux premiers chapitres, nous sommes
intéressés à permettre à l'étudiant de maîtriser les outils et les concepts de base de l'analyse
d'un signal (Transformée de Fourier, analyse spectrale, analyse statistique,...) avant d’aborder
les techniques d'analyse des systèmes et le filtrage linéaire.
Le troisième chapitre est consacré à la présentation des signaux aléatoires, de leurs propriétés
et de leurs méthodes d’analyse statistique.
Les chapitres quatre et cinq représentent la partie numérique de ce cours et dans la quelle nous
présentons en détails toutes les étapes de numérisation d’un signal ainsi que les conditions de
réalisation de chacune.
Chapitre 1
Un signal est un support physique de l'information qui représente un phénomène physique qui
peut être du type :
- électrique ( courant, tension, champ électrique ou magnétique )
- mécanique ( vibration )
- optique, etc…
Dans le premier cas ( figure 3 ), nous avons choisi un faible niveau de bruit de façon que celui-
ci ne masque ou ne modifie pas trop le signal original, soit :
Alors que dans le deuxième cas ( figure 4 ), nous avons choisi un niveau plus élevé du bruit
de façon que celui-ci masque complètement le signal original, soit :
1.5 1
0.9
1
0.8
0.5 0.7
0.6
0 0.5
0.4
-0.5
0.3
-1 0.2
0.1
-1.5
0 0.01 0.02 0.03 0.04 0.05 0
0 0.01 0.02 0.03 0.04 0.05
8
1.5
7
1 6
5
0.5
4
0
3
-0.5 2
1
-1
0
-1.5 -1
0 0.01 0.02 0.03 0.04 0.05 0 0.01 0.02 0.03 0.04 0.05
Un signal est caractérisé par des paramètres temporels, énergétiques et statistiques qui
caractérisent sa variabilité, sa dynamique, son intensité et sa puissance.
Ce sont des grandeurs physiques qui peuvent être explicitées par l’observation de la variation
temporelle du signal ou suite à un traitement de ces données, telles que :
- l’amplitude, la période et la phase pour les signaux déterministes
- la valeur moyenne, la variance, la densité de probabilité et la fonction d’autocorrélation
pour les signaux aléatoires.
• Pour un signal discret, la valeur moyenne et la variance ont l’expression :
1 N
x moy =
N
∑ x(i)
i =1
1 N
VarX =
N
∑ (x(i) - x
i =1
moy )2
• Dans le cas d'un signal continu périodique x(t) = A sin(ω t +ϕ), on définit :
T/2
! l’énergie : dans le cas d’un signal apériodique x(t) à énergie finie, l’énergie s’écrit :
∞
Ex = ∫ x(t).x*(t) dt où x*(t) désigne le conjugué de x(t).
-∞
Si le signal x(t) est réel alors l’expression de l’énergie devient:
∞
Ex = ∫ | x(t) | 2 dt .
-∞
! la puissance moyenne : elle est définie pour les signaux périodiques comme :
T/2
Pmoy = T
1
∫ |x(t)|2 dt
-T/2
La valeur de Pmoy est toujours nulle dans le cas des signaux à énergie finie.
Seule la première composante x1(t) = 255 sin(2π50.t) est utile pour le fonctionnement du
moteur. Cependant les deux autres composantes sont indésirables puisqu’elles augmentent les
pertes par effet Joule et par conséquent l’échauffement du moteur. Cela a pour effet de
diminuer le rendement du moteur et même d’endommager ses enroulements.
Dans ce cas , la valeur de la distorsion harmonique est égale à :
60 2 + 25 2
σx = = ≈ 0.25
255 2
300
200
100
-100
-200
-300
0 0.01 0.02 0.03 0.04 0.05
Figure 5
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 9
__________________________________________________________________________________
Prenons maintenant, le signal bruit uniforme de la figure 1, d’après le calcul des différentes
valeurs du signal ,on obtient :
2-3- exemple:
x(t)
τ/2
0 τ/2 τ Τ t
figure 6
T τ/2 τ
Xm = T
1
∫ x(t) dt = T
1
∫ t dt + T
1
∫ (τ - t ) dt = τ2
4T
0 0 τ/2
T τ/2 τ
Pmoy = 1 ∫ x2(t) dt = 1 ∫ t2 dt + 1 ∫ (τ - t ) 2 dt = τ3
12T
0 0 τ/2
1/2 τ3
Xeff = (Pmoy ) = 12T
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 10
__________________________________________________________________________________
2- Représentation mathématique d’un signal
Un signal peut se décomposer en une combinaison linéaire de fonctions φ(k) complexes qui
peut se définir à partir d’une base orthogonale [cos(2πfo t) ; sin(2πfo t)], tels que:
∞
x(t ) = ∑a
k = -∞
k . ϕ k (t) où ϕ k (t) = e j2πfk.t
Si cette fonction est de dimension unitaire alors le signal est du type scalaire si non on parle de
signal vectoriel.
ej2 t
cos
Figure 7
On peut approcher x(t) par une fonction en escalier (quantifiée) selon figure suivante :
x(t)
kT t
Figure 8
∞
~
x (t ) = ∑ x(kT) Π T (t - kT) .
k = −∞
∏Τ(t) est la fonction fenêtre de largeur T.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 11
__________________________________________________________________________________
3- Classification des signaux
Un signal déterministe est un signal dont la variation peut étre régie par une
représentation mathématique ou une suite de données ( signal sinusoïdal, carré,...) . Par contre
un signal aléatoire n'est pas modélisable mais il est plutôt caractérisé par ses propriétés
statistiques ( moyenne, variance, loi de probabilité,...).Il peut être approché à des lois pseudo-
aléatoires ( poisson, binomiale,...).
Ils sont caractérisés par une énergie finie (constante) et une puissance moyenne nulle.
Cette catégorie comprend les signaux non périodiques .
+∞
2
Ex = ∫ x(t) dt
-∞
Px = 0
Ils sont caractérisés par une énergie infinie et une puissance moyenne constant. Cette
classe comprend les signaux périodiques .
∫
T/2
1 2
Px = lim T x(t) dt
T→∞ -T/2
Ex = ∞
Cette catégorie comprend les signaux périodiques et les signaux aléatoires permanents .
Un signal discret n'est défini qu'à des instants réguliers dits instants d'échantillonnage.
Malgré que la plupart des signaux rencontrés et mesurés dans la nature sont des signaux
continus, on retrouve souvent ces signaux dans les systèmes numériques.
discret
continu
Figure 9
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 12
__________________________________________________________________________________
4- Opérations sur les signaux
4-1-addition
Prenons le cas des deux signaux suivants:
x1(t) = A1 cos (2π f1 t)
x2(t) = A2 cos (2π f2 t)
• Si f1 = f2 , alors :
x1(t)+ x2(t) = (A1+A2) cos (2π f1 t).
4-2- Multiplication
x1(t) y(t)
Figure 10
Le multiplieur de la figure 10 est très utilisé dans les modulateurs et les démodulateurs AM.
4-3- déphasage
Le déphasage d’un signal conduit à un décalage temporel, en avant ou en retard selon la valeur
de ce déphasage. Si celui-ci est positif alors le signal déphasé est en avance de phase par
rapport au signal original et vice versa. Par exemple, dans le cas des signaux de la figure 6, le
signal y1(t) est en avance de phase puisque le déphasage est positif par contre y2(t) est en retrad
phase.
y1(t) = y(t+ ϕ1) avec ϕ1> 0
y2(t) = y(t+ ϕ2) avec ϕ2 < 0
y(t)
y1(t) y2(t)
-ϕ1 0 −ϕ2 t
figure 11
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 13
__________________________________________________________________________________
4-4- produit scalaire
Le produit scalaire de deux signaux continus à énergies finies est défini par :
∞
<x(t),y(t)> = ∫ x(t).y*(t) dt
-∞
Dans le cas discret, cette expression se ramène à :
∞
<x(n),y(n)> = ∑ x(n).y * (n)
n =0
T
<x(t),y(t )> = T
1
∫ x(t) y*(t) dt .
0
Si ce produit scalaire est nul, alors les deux signaux sont orthogonaux.
• Exemple
5-1- définition
figure 12
Il existe plusieurs types de systèmes qui peuvent être classés selon leur représentation, leurs
réponses, et leurs comportements. Chaque classe de système possède ses propres outils
d’étude, d’analyse et de synthèse. A titre d’exemple, on peut citer:
- les systèmes linéaires, non linéaires
- les systèmes mono-variables, multi-variables
- les systèmes continus, échantillonnés (ou discrets),
- les systèmes déterministes, stochastiques.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 14
__________________________________________________________________________________
C'est une représentation externe du sytéme qui relie la sortie à l'entrée du sytème et
qui est définit par :
m
S(p)
∑bi. pi (m ≤ n et p est l'opérateur de Laplace)
H(p) = = i =0
E(p) 1 + n a j p j
∑
j =1
D'ailleurs, celle-ci peut être déduite de l'équation différentielle ci-dessus pour des
conditions initiales nulles.
Un système est dit linéaire invariant s'il vérifie les deux propriétés :
- la linéarité
- l'invariance temporelle qui est définit telle que :
si s(t) est la sortie du système pour une entrée e(t)
alors s(t-θ) est la sortie du même système pour l'entrée e(t-θ) .
Donc la variation temporelle de tel système est indépendante de l'origine du temps.
a) Exemple :
Soit le système H qui à toute entrée x(t) lui correspond une sortie y(t) = x(α t) avec |α|<1.
Ce système est linéaire car :
∀ a et b ∈ ℜ ,
H [a x1(t) + b x2(t) ] = a x1(α t) + b x2(α t) = a y1(t) + b y2(t).
Ce sont les systèmes dont la sortie n'est pas linéaire par rapport à l'entrée. Ils ne
possèdent pas une représentation mathématique interne (équation différentielle) non plus
externe ( fonction de transfert) mais on peut définir la sortie de ces systèmes par intervalles.
a) Exemples :
• comparateur logique :
s(t)
+Vcc
Ro
x1(t)
R
+ s(t)
-
R 0 t
x2(t)
( Ro>>R ) -Vcc
• relais à hystérisis:
−ε 0 ε
• amplificateur à saturation :
C'est un système linéaire dans un intervalle du temps mais il ne l'est pas dans le reste du
temps.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 16
__________________________________________________________________________________
y(t)
+Vcc
y(t)=A e(t) si |t| <ε
Ce sont des systèmes linéaires ou non linéaires dont la sortie n'est définie qu'à des instants bien
déterminés dits instants d’échantillonnage (figure 16) .
y(k)
1 2
k
Un système linéaire discret d'entrée e(k) et de sortie y(k), peut être régi par une
équation récurrente de la forme :
m n
∑ b i. e(i) = ∑ a j y(j)
i =0 j =0
Ce système peut être aussi représenté par une fonction de transfert discrète appelée
aussi transmittance échantillonnée.
L’analyse temporelle d’un système revient à étudier sa réponse temporelle à une entrée
donnée ( impulsion, échelon de position, rampe de vitesse,...) et ses performances statiques et
dynamiques, tels que la précision, la rapidité et la stabilité.
La réponse ou la sortie temporelle du système peut être déterminée à partir de la résolution de
l’équation différentielle de celui-ci ou en utilisant sa fonction de transfert.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 17
__________________________________________________________________________________
e(t) C s(t)
figure 17
La solution de cette équation différentielle est la somme de la solution générale sans second
membre et la solution particulière avec second membre :
soit :
s(t) = A . K e- t/RC + A. Γ(t)
avec K= -Γ(t) si on prend s(0)=0
Le circuit précédent peut être considéré comme un diviseur de tension, alors la fonction de
transfert du circuit s’écrit :
S(jω) 1
H(jω) = =
E(jω) 1+ RC jω
A
S( p ) =
p( 1 + RC p )
soit :
s(t) = A ( 1 - e- t/RC ) Γ(t) .
s(t)
A
figure 18 t
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 18
__________________________________________________________________________________
ε∞ = lim ε(t) = e∞ - s∞ .
t→∞
• Exemple :
∏(p − z )i
H ( p) = i =1
n
(m < n)
∏ ( p − pj)
j =1
ième
où : z i : est le i zéro de H(p)
p k est le kième pôle de H(p).
Alors, on définit:
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 19
__________________________________________________________________________________
• le gain par : G(ω) = 20 log10(| H( jω)| )
On se donne la fonction de transfert H(p) d'un système du premier ordre ayant un gain statique
k et une constante de temps τ.
k
H ( p) =
1+τ p
* diagrammes de Bode
quand ω → 0 : G1 = 20 log k
quand ω → ∞ : G2 = 20 log k -20 log τω .
quand ω → 0 : φ1 = 0
quand ω → ∞ : φ2 = - π/2 .
G(ω) φ(ω)
20 log k
ωc=1/τ
ωc Log w
-π/2
Figure 19
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 20
__________________________________________________________________________________
k ωn 2
H ( p) =
p 2 + 2 ξ ωn p + ωn 2
où :
k : est le gain statique du système,
ξ : est l’amortissement,
ωn : est la pulsation propre.
p2 + 2ξ ωn p + ωn 2 = 0 .
• si ∆ = 0 ( ξ=1), alors l’équation caractéristique possède une racine double po , telle que :
po = - ξ ωn
p1 = −ξ ω n + ω n ξ 2 - 1
p 2 = −ξ ω n − ω n ξ 2 - 1
a) réponse indicielle :
k ωn 2
S ( p) = H(p) E(p) = ,
p(p 2 + 2 ξ ωn p + ωn 2 )
s (t ) = k [ 1 − e ω nt (1 + ω n t) ]
• si ∆ > 0 ( ξ > 1 ), le régime est dit hyper-amorti et la réponse s’écrit :
1
s (t ) = k [( 1 − (p 2 e p1t − p 1 e p2t ) ]
2 ξ -1
2
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 21
__________________________________________________________________________________
1
s (t ) = k [ 1 − e −ξ ω nt sin(ω o t + ϕ ) ]
1−ξ 2
avec :
ω 0 = ω n 1 − ξ 2 et ϕ = Arc cos ξ .
ξ<1
ξ>1
Figure 20 : réponse indicielle selon les 3 régimes d’un système du second ordre
b) réponse impulsionnelle :
k ωn 2
S ( p ) = H(p) E(p) = ,
p 2 + 2 ξ ωn p + ωn 2
2
s (t ) = kω n t e pot
2
ωn
s (t ) = k −e
p1t p 2t
(e
)
2 ξ -1 2
ωn
s (t ) = k e −ξ ω nt sin(ω o t) ]
1−ξ 2
avec :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 22
__________________________________________________________________________________
ω0 =ωn 1 − ξ 2 .
ξ<1
Figure 21 : réponse impulsionnelle selon les 3 régimes d’un système du second ordre
c) Réponse fréquencielle :
k ωn 2
H ( jω ) =
(ωn 2 - ω 2 ) + 2 j ξ ω ωn
* diagrammes de Bode
quand ω → 0 : G1 = 20 log k
quand ω → ∞ : G2 = 20 log k - 40 log (ω/ωn) , soit une pente de -40 dB/décade
Gc = 20 log k - 3 et φc = -π/2 .
ξ<1
ξ=
ξ>1
Figure 22 : courbe du gain selon les 3 régimes d’un système du second ordre
ξ>1
Figure 23 : courbe de phase selon les 3 régimes d’un système du second ordre.
• Exemple :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 24
__________________________________________________________________________________
4 ( p + 5)
H ( p) =
( p + 2)(p 2 + p + 1)
4 1
H ( p ) = ( p + 5)
p+ 2 p + p+1
2
1 1
H ( p) = 5(1 + 0.2 p ) . 2 . 2
1 + 0.5 p p + p + 1
1 1
soit encore : H ( p ) = 10 (1 + 0.2 p )
1 + 0.5 p p + p + 1
2
+20 dB/dec
20 log10
1 2 5 log w
-20dB/dec
-40 dB/dec
figure 24.
w -∞ 1 2 5 +∞
G1(w) en dB/dec 0 0 0 +20
G2(w) 0 0 -20 -20
G3(w) 0 -40 -40 -40
G(w)=G1+G2+G3 0 -40 -60 -40
déphasage -∞ 1 2 5 +∞
φ1(w) en rad 0 0 0 +π/2
φ2(w) 0 0 -π/2 -π/2
φ3(w) 0 -π -π -π
φ (w)= φ1+φ2+φ3 0 -π -3π/2 -π
Table 1
G(w)
20
-40 dB/dec
1 2 5 log w
-60 dB/dec
-40dB/dec
figure 25
Φ(w)
1 2 5 log w
-π
-3π/2
figure 26.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 26
__________________________________________________________________________________
EXERCICES CORRIGES DU
CHAPITRE 1
♦ Enoncé de l'exercice 1
♦Corrigé de l'exercice 1
1-a) Le signal simple alternance est exprimé sur une période [-To/2 , To/2] par :
. x (t )
0 .8
0 .6
0 .4
0 .2
0
0 200 400 600 800 1000 1200
t( m s )
To / 2 To / 4 To / 4
1 1 2 U0
Xmoy =
T0 ∫ x(t ) dt =
−To / 2
T0 ∫ U 0 cos(2πFo t ) dt =
−To / 4
T0 ∫U
0
0 cos(2πFo t ) dt =
π
soit :
Xmoy = Uo /π .
To / 2 To / 4 2 To / 4 2
2U 0
Pmoy =
1
∫
2
x(t ) dt =
2
∫U 0
2
cos (2πFo t ) dt =
2
∫
1
[ 1 + cos(4πFo t ) ] dt = U 0
T0 −To / 2
T0 0
T0 0
2 4
donc :
Pmoy = Uo2/ 4 .
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 27
__________________________________________________________________________________
2
U0 U
X eff = Pmoy = = 0 .
4 2
To / 2 To / 4
1 4 2U 0
Xmoy =
T0 ∫ x(t ) dt =
−To / 2
T0 ∫U
0
0 cos(2πFo t ) dt =
π
soit :
Xmoy = 2Uo /π .
To / 2 To / 2 2 To / 4 2
4U 0
Pmoy =
1
∫
2
x(t ) dt =
2
∫U 0
2
cos (2πFo t ) dt =
2
∫
1
[ 1 + cos(4πFo t ) ] dt = U 0
T0 −To / 2
T0 0
T0 0
2 2
donc :
Pmoy = Uo2/ 2 .
2
U0 U
X eff = Pmoy = = 0 .
2 2
♦ Enoncé de l'exercice 2
figure 28
♦ Corrigé de l'exercice 2
y(t)= 0.5A1A2 cos [2π (f1+f2 )t ]+0.5A1A2 cos [2π (f2-f1 )t ]+A2 cos[2πf2 t ].
Donc le signal y(t) est composé de trois signaux dont les composantes fréquentielles sont
données par :
A2
0.5A1A2 0.5A1A2
f2-f1 f2 f1+f2 f
Figure 29.
♦ Enoncé de l'exercice 3
x(t) y(t)
1 1
t t
T T/2 T
-1
Figure 30.
♦Corrigé de l'exercice 3
∫ ∫
T/2 T
<x(t),y(t )> = 1 dt - 1 dt .
0 T/2
= T/2 - T/2 = 0 .
Comme le produit scalaire des signaux x(t) et y(t) est nul alors ils sont orthogonaux.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 29
__________________________________________________________________________________
♦ Enoncé de l'exercice 4
1+ a p
H ( p) = , a et b ∈ ℜ .
1+ b p
b) Calculer et représenter les réponses fréquentielles ( gain et déphasage ) du système.
On discutera selon les valeurs a et b. En déduire le type du système.
♦ Corrigé de l'exercice 4
Nous retenons dans ce qui suit les cas où b>0 qui correspondent à un système stable. Les
réponses impulsionnelles et indicielles sont données par les figures ci-dessous:
reponse impulsionnelle
0
-0.2
Cas : 0<b<a
-0.4 b=2 et a=5
-0.6
-0.8
0 1 2 3 4 5 6 7 8 9 10
reponse indicielle
2.5
1.5
1
0 1 2 3 4 5 6 7 8 9 10
reponse impulsionnelle
0.25
0.2
Cas 0<a<b
0.15
b=2 et a=1
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10
reponse indicielle
1
0.9
0.8
0.7
0.6
0.5
0 1 2 3 4 5 6 7 8 9 10
Figure 31.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 30
__________________________________________________________________________________
1
gain en dB
10
0
10
-2 -1 0 1
10 10 10 10
dé phasage
50
40
30
20
10
0
-2 -1 0 1
10 10 10 10
0
gain en dB
10
-1
10
-2
10
-1 0 1 2
10 10 10 10
dé phasage
0
-20
-40
-60
-80
-1 0 1 2
10 10 10 10
Figure 32.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 31
__________________________________________________________________________________
♦ Enoncé de l'exercice 5
♦ Corrigé de l'exercice 5
w -∞ 0 0.5 1 2 +∞
G1(w) en dB/dec 0 0 0 0 +20
G2(w) -20 -20 -20 -20 -20
G3(w) 0 0 -20 -20 -20
G4(w) 0 0 0 -20 -20
G(w)=G1+G2+G3 -20 -20 -40 -60 -40
+G4
déphasage -∞ 0 0.5 1 2 +∞
φ1(w) en rad 0 0 0 0 -π/2
φ2(w) -π/2 -π/2 -π/2 -π/2 -π/2
φ3(w) 0 0 -π/2 -π/2 -π/2
φ4(w) 0 0 0 -π/2 -π/2
φ (w)= φ1+φ2+φ3 -π/2 -π/2 -π -3π/2 -2π
+φ4
Table 2.
gain en dB
2
10
0
10
-2
10
-4
10
-2 -1 0 1
10 10 10 10
dé phasage
0
-100
-200
-300
-400
-2 -1 0 1
10 10 10 10
Figure 33.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 32
__________________________________________________________________________________
Chapitre II
1- Définition
Un signal est dit déterministe s’il peut être donné par une expression ou une représentation
mathématique. Physiquement cela signifie que ses événements sont tout à fait prévivisibles et
connus. Ses paramètres temporels et énergétiques tels qu’ils sont définis au chapitre précédent
peuvent être aussi explicités ou calculés. De plus, un signal déterministe peut être continu ou
discret, périodique ou apériodique, à énergie finie ou infinie.
A titre d’exemple un signal sinusoïdal, carré, échelon, peigne de Dirac sont des signaux
déterministes. Par contre un bruit ou un signal dont une ou plusieurs variables suivent une loi
statistique est un signal aléatoire dont le comportement et les événements sont imprévisibles.
Par exemple, le signal parole mesuré à la sortie d’un microphone est sensiblement bruité et ne
possède pas une expression mathématique bien déterminée.
Dans ce chapitre, nous allons voir en détail les méthodes d’analyse et de synthèse des signaux
déterministes ainsi que les outils de traitement utilisés que ce soit dans le domaine temporel ou
fréquentiel.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 200 400 600 800 1000
Nous avons vu dans le dernier chapitre que le signaux peuvent être représentés en série de
fonctions orthogonales ou en série d'impulsions rectangulaires décalées. L'introduction de la
transformée et de la série de Fourier permet de donner une autre représentation des signaux
très intéressante pour la théorie de l'information et du signal que ce soit pour les signaux à
énergie finie ou à puissance moyenne finie. Cette décomposition exponentielle ou
trigonométrique découle de la représentation du signal dans la base orthogonale
trigonométrique. Elle permet aussi d’exprimer le signal en fonctions de ses harmoniques.
La décomposition des signaux dans une base orthogonale orthonormée a pour but de trouver
un cadre de référence dans lequel plusieurs signaux peuvent être manipulés et comparés.
Pour cela, si on considère l’espace vectoriel S des signaux muni de l’opérateur linéaire produit
scalaire, alors l’ensemble des fonctions exponentielles ( e j2π n t / T , n > 0 ) forme une base de S
appelée base de Fourier exponentielle
D’autre part, on peut retrouver une autre base orthogonale de S qui d’ailleurs découle de la
première constituée par l’ensemble des fonctions sinusoïdales (cos(2πnt /T ,sin(2πnt /T), n>0)
et qui est appelée base de Fourier trigonométrique.
Un signal périodique x(t) de période T, continu par morceaux et vérifiant les conditions
de DIRICHLET (c.a.d x(t) est continue, intégrable et son intégrale ∫x(t)dt est bornée ) peut
être décomposé en série de Fourier selon la forme exponentielle suivante :
∞ 2π n
+j
∑
t
x(t) = Cn e T
n=-∞
où
T/2 2π n
1 −j t
Cn =
T ∫ x(t) e T dt .
−T/2
De même, un signal périodique x(t) vérifiant les conditions de Dirichlet, peut être décomposé
dans la base trigonométrique de la manière suivante :
∞
ao 2πn 2πn
x(t) = + ∑ [ a n cos( t ) + bn sin( t )]
2 n =1 T T
avec :
a0 /2 : la valeur moyenne de x(t).
et :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 34
__________________________________________________________________________________
2π n
T/2
2
an =
T ∫ x(t) cos (
T
t ) dt
−T/2
2π n
T/2
2
bn =
T ∫ x(t) sin(
T
t ) dt
−T/2
1 2 2
Cn = a n + bn
2
an = 2 Re(Cn) et bn = - 2 Im(Cn) .
a) cas particuliers :
b) Exemples :
x(t)
α
To
t
−α
Figure 3
T0/2
bn = 2. 2 . ∫ α .sin(n.2π.t /To ) dt = −2 α . [ cos (n.π) - 1 ]
To n.π
0
bn
00 1 1 3 3 5 5 7 97 n
Figure 4
x(t)
Uo
0 To t
Figure 5
bk = 0 ,
ao = 2 Uo/π ,
si k est impair ⇒ ak = 0 ,
a2nan = − 4. U o n
si k est pair (k=2n) ⇒ 2
. (-1)
π (4n − 1)
|an| an
0 2 4 6 8 n
0 2 4 6 8
Figure 6
a) Linéarité
Appelons C le spectre complexe d’un signal. Si les signaux x1(t) et x2(t) possèdent des
spectres C1 et C2, alors le spectre du signal y(t) est :
soit : C[ (y(t) ] ) = α C1 + β C2
b) Translation temporelle
Le retard temporel d’un signal x(t) de période T, se traduit par une rotation fréquentielle de son
spectre C.
c) Symétrie hermitienne
Cn = C-n* ∀n∈Z
T/2 2π n T/2 2π n
1 +j t 1 −j t
C -n =
T ∫ x(t) e T dt =
T ∫ [x(t) e T ] * dt = C n * .
−T/2 −T/2
d) Dérivation
dkx j2πn k
C[ k
]= ( ) .Cn
(dt ) T
∞ 2π n
+j
∑
t
x(t) = Cn e T
n =- ∞
∞ 2π n
d k x(t ) +j j2πn k
∑
t
k
= Cn e T ( ) ,
(dt ) n =-∞ T
donc :
dkx j2πn k
Cn [ k
]= ( ) .Cn
(dt ) T
3- Transformée de Fourier
La série de Fourier fournit un premier outil pour la représentation de certains types de signaux
et l’étude de leurs caractéristiques fréquentiels. Cependant, elle ne permet pas de représenter
ou d’étudier les signaux non périodiques.
Dans ce cas, on peut en première étape définir une nouvelle base orthonormée en utilisant la
même démarche que celle adoptée pour les signaux périodiques.
Pour cela, si on considère l’espace vectoriel S des signaux non périodiques muni de
l’opérateur linéaire produit scalaire, alors l’ensemble des fonctions exponentielles (e j2π f t ,
f∈ℜ) forme une base orthonormée de S .
3-1- Définition
Pour un signal apériodique x(t) à énergie finie, défini sur ℜ, continu et dont l'integrale est
bornée, on peut associer une transformation linéaire appelée Transformée de Fourier X(f) telle
que :
F: ℜ → C
x(t) → F [x(t)] = X(f)
avec :
∞
X(f) = ∫ x(t) e − j 2π ft
dt .
−∞
Cette transformée est inversible etla transformée inverse est donnée par :
∞
x(t) = ∫ X(f) e + j 2π ft
df .
−∞
Remarque :
D’après l’expression du spectre X(f), celui-ci est défini pour toute la plage des fréquences
négatives et positives. Or on sait que la fréquence n'a qu'un sens physique positif, cela
s'explique par le fait qu'un signal réel peut être obtenu à partir de deux termes complexes
conjugués.
3-2-Cas particuliers
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 38
__________________________________________________________________________________
! si le signal x(t) est pair alors :
∞
X(f) = 2 ∫ x(t) cos(2πf t ) dt
−∞
! si le signal x(t) est impair alors :
∞
X(f) = −2 j ∫ x(t) sin(2πf t ) dt .
−∞
! si le signal x(t) est réel est pair alors sa transformée de Fourier X(f) est réelle et paire.
! si le signal x(t) est réel est impair alors sa transformée de Fourier X(f) est imaginaire
pure et paire.
! si le signal x(t) est imaginaire et pair alors sa transformée de Fourier X(f) est est
imaginaire et paire.
! si le signal x(t) est imaginaire et impair alors sa transformée de Fourier X(f) est est
réelle et impaire.
! si le signal x(t) est réel quelconque (ni pair ni impair) alors sa transformée de Fourier
X(f) est à partie réelle paire et à partie imaginaire impaire.
x(t) X(f)
réelle et paire réelle et paire
réelle et impaire imaginaire et impaire
imaginaire et paire imaginaire et paire
imaginaire et impaire réelle et impaire
réelle quelconque partie réelle paire et impaire
complexe paire complexe et paire
complexe impaire complexe et impaire
Table 1
3-3- Exemples
a) Fonction fenêtre :
On se propose d'étudier le spectre d'un signal continu du type fenêtre centré, d'amplitude 1 et
de largeur τ .
x(t)
t
−τ/2 τ/2
Figure 7
τ/2
1.5
0.5
-0.5
Fig 7 : spectre de la fonction fenetre
-4 -3 -2 -1 0 1 2 3 4
Figure 8
On peut approximer δ(t) par la fonction fenetre d'amplitude 1/τ et de largeur τ . En effet :
x(t)=sign(t)
1
t
-1
Figure 9
X(f) = 0 ailleurs .
Γ (t)
x(t)=sign(t)
1
0 t
Figure 10
Figure 11 f
d) signal triangulaire :
X(f) = A τ [ sinc(τπf) ]2
x(t)
A
−τ τ
t
X(f)
A τ
Figure 12
a) Linéarité
Si les signaux x1(t) et x2(t) ont respectivement pour transformées de Fourier X1(f) et X2(f)
alors :
F [α x1(t) + β x2(t) ] = α F[x1(t)] + β F[x2(t)] , ( α et β ∈ ℜ )
b) Translation temporelle
Le retard temporel d’un signal x(t) se traduit par une rotation fréquentielle de sa transformée
de Fourier.
F[ x(t-τ) ] = e-j2πfτ X(f) .
c) Symétrie hermitienne
Cette propriété montre que le spectre d’amplitude | X(f) | est toujours pair .
d) Dérivation
dkx
F[ k
] = (j2πf ) k . X(f)
(dt )
e) Similitude
La valeur moyenne ou la composante continue d’un signal est égale à la valeur à l’origine de
sa transformée de Fourier. Cette propriété peut être obtenue directement de l’expression de la
transformée de Fourier en remplaçant f par zéro, telle que :
∞
x moy = X(0) = ∫ x(t) dt
−∞
de même la valeur à l’origine du signal vaut :
∞
x(0) = ∫ X(f) df .
−∞
g) Dualité
Cette propriété qui permet d’obtenir de nouvelles paires de transformées de Fourier à partir
d’autres déjà connues, s’exprime de la façon suivante :
si le signal x(t) a pour transformée de Fourier X(f), alors celle du signal X(t) n’est que x(-f) .
soit :
x(t) → X(f) ⇒ X(t) → x(-f)
h) Conjugaison
Si le signal x(t) est complexe alors sa transformée de Fourier est le conjugué de X(-f) , soit :
On considère les deux signaux apériodique x(t) et y(t) à énergie finie, définis sur ℜ, continus
et dont l'intégrale de chacun est bornée, alors on peut montrer que la transformée de Fourier
conserve le produit scalaire, soit :
∞ ∞
∫ x(t) y * ( t ) dt = ∫ X(f) Y * ( f ) df
−∞ −∞
En effet,
∞ ∞ ∞
Soit un signal périodique x(t) de période T et de motif élémentaire xT(t). On peut écrire alors :
∞ ∞ j 2πn
∑ ∑
t
x(t ) = xT (t − nT ) dt = Cn e T
n = −∞ n = −∞
T − j 2πn
1 t 1 n 1
avec : Cn =
T ∫ xT (t) e T =
T
XT ( ) =
T T
X T ( n) .
0
où XT(n) est la Transformée de Fourier de xT(t) .
Il vient :
∞ ∞ j 2πn
1 n
∑ ∑
t
x(t ) = xT (t − nT ) dt = XT ( ) e T
n = −∞ T n = −∞ T
∞
1 n n
X(f ) =
T
∑ X T ( ) δ (f - ) .
T T
n = −∞
t f
x(t) X(f)
0 T t 1/T f
Figure 13
∞
1 n
Y( f ) =
T
∑ X (f -
T
).
n = −∞
• Exemples :
* Peigne de Dirac :
∞
peig T (t ) = ∑ δ (t − nT )
n = −∞
D’après la formule de Poisson , il vient :
∞
1 n 1 1
Peig T ( f ) =
T
∑ δ (f - T ) = T
Peig 1 ( ) .
T
n = −∞ T
x(t) X(f)
1 1/T
0 T t 1/T f
Figure 14
* fenêtre discrète :
τ
2T
x(t) = Π τ (t ) = ∑τ δ (t − nT ) .
n=−
2T
∞
τ n
Πτ ( f ) =
T
∑ sinc[ τ π ( f -
T
)] .
n = −∞
x(t) X(f)
1 1/T
Figure 15
Fenêtre
Filtre de pré
glissante de
accentuation F.F.T
Hamming
4-1. Définition
C'est la transformée qui a un signal x(t) associe le signal y(t) tel que :
TH(f)
j
Figure 18
La Transformée de Hilbert inverse est :
∞
τ n
Πτ ( f ) =
T
∑ s inc[ τ π ( f -
T
)] .
n = −∞
4-2-Réponse impulsionnelle
La réponse impulsionnelle h(t) n'est pas causale puisqu’elle n’est pas nulle pour les temps
négatifs.
1
h(t ) = Vp( ) .
πt
h(t)
0 t
Figure 19
4-3-Réponse fréquentielle
La transformée de Hilbert est une fonctionnelle à déphasage pur (en quadrature) . Sa réponse
fréquentielle est donnée par la courbe du gain et de phase :
|H(f)| = 1
−π
ϕ( f ) = sgn( f ) .
2
|H(f)| ϕ[H(f)]
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 46
__________________________________________________________________________________
1 +π/2
0 f f
-π/2
Figure 20
4-4. Propriétés
• La densité spectrale d'énergie d'un signal à énergie finie x(t) est égale à sa
transformée de Hilbert. En effet :
∞ ∞
Ex = ∫ S x (f) df = ∫ S y (f) df = E y .
−∞ −∞
• Le produit scalaire d’un signal à énergie finie et de sa transformée de Hibert est nul .
∞
< x(t ), y (t ) > = ∫ x(t) y(t) dt = 0 .
−∞
Donc les deux signaux sont orthogonaux.
∞ ∞
∫ ∫
2
< x(t ), y (t ) > = X(f) Y(f) df = TH(f) df .
−∞ −∞
soit :
∞ ∞
∫ ∫
2
< x(t ), y (t ) > = X(f) Y(f) df = j sgn(f) df = 0 .
−∞ −∞
X(f) Xa(f)
2A
A
f f
Figure 21
a) Définition
On appelle signal analytique xa(t) associé au signal réel x(t), le signal dont la Transformée de
Fourier est égal à deux fois celle du signal original pour les fréquences positives et nulle
ailleurs. En effet, si :
.H
x(t) T →X H ( f )
alors :
2X H ( f ) pour f > 0
xa(t) →
0 pour f < 0
Donc, on peut retrouver le signal original x(t) à partir de la partie réelle de son signal
analytique et sa transformée de Hilbert à partir de la partie imaginaire de ce dernier.
Quant au signal analytique, il peut être calculé par la transformée de fourier inverse, soit :
x(t ) = Re [x a (t )]
+∞
x a (t ) = 2 ∫0 X ( f ) e
j 2πft
df
• Exemple :
Calculer le signal analytique d’un signal sinusoïdal d’amplitude unité et de fréquence Fo.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 48
__________________________________________________________________________________
+∞
x a (t ) = 2 ∫ X ( f ) e j 2πft df ,
0
+∞
x a (t ) = ∫ δ ( f − Fo ) e j 2πft df = e-j2πFo t
0
5-1. Convolution
On appelle produit de convolution de deux signaux à énergie finie x(t) et y(t), la fonction
définie par :
∞
( x * y )(t ) = x(t ) * y (t ) = ∫ x( θ ) y(t - θ ) dθ .
−∞
D'après l'inégalité de Schwartz, ce produit est toujours définie puisque les énergies
||x|| et ||y||2 sont finies.
2
a- Propriétés :
∞
posons u = t - θ ⇒ x(t ) * y (t ) = ∫ x(t - u) y( u ) (-du ) .
−∞
d ( x * y)(t ) dx(t ) dy (t )
• Dérivation : = * y (t ) = x(t)* .
dt dt dt
b- Exemples de convolution
∞ t
( x * Γ)(t ) = ∫ x( θ ) Γ(t - θ ) dθ = ∫ x( θ ) dθ .
−∞ −∞
A titre d’exemple, calculons la convolution de l’échelon de position avec lui même. Dans ce
cas, reprenons la dernière expression et remplaçons x(t) par Γ(t) :
t
(Γ * Γ)(t ) = ∫ Γ( θ ) dθ .
−∞
t
si t ≥ 0 , alors : (Γ * Γ)(t ) = ∫ dθ = t .
0
Γ(t)*Γ(t)
0 t
Figure 22
τ
t+
2
( x * Π τ )(t ) = ∫τ x( θ ) dθ .
t−
2
τ
t+
2
si -τ/2 ≤ t < τ/2 , alors : τ
(Γ * Π τ )(t ) = ∫ Γ( θ ) dθ = t +
2
0
τ
t+
2
si t ≥ τ/2 , alors : (Γ * Π τ )(t ) = ∫τ dθ = τ .
t−
2
Γ(t)* ∏τ(t)
τ
-τ/2 0 τ/2 t
Figure 23
On peut approcher x(t) par une fonction en escalier (quantifiée) selon figure suivante :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 50
__________________________________________________________________________________
x(t)
kT t
Figure 22
∞
~
x (t ) = ∑ x(kT) Π T (t - kT) .
k = −∞
∏Τ(t) est la fonction fenêtre de largeur T.
Cette approximation est d'autant plus précise que (T) tend vers zéro.
posons θ = kT , il vient :
∞
x(t ) = ∫ x( θ ) δ (t - θ ) dθ .
−∞
Et si on suppose que y(t) = H[x(t)] est la sortie d'un système linéaire H, pour une
entrée x(t), il vient :
∞
~
y (t ) = H[ ∑ x(kT) δ (t - kT) ] .
k = −∞
∞
~
y (t ) = ∑ x(kT) H[ δ (t - kT) ] .
k = −∞
∞
~
y (t ) = ∑ x(kT) h(t - kT) .
k = −∞
∞
~
y (t ) = ∫ x( θ ) h(t - θ ) dθ .
−∞
Donc, la réponse à une entrée quelconque est la convolution de celle-ci avec la réponse
impulsionnelle du système.
On peut interpréter la convolution par une imagerie qui observe le passé avec une vue
sur l'état propre pour reproduire le futur. En effet, dans la dernière expression :
t représente le présent,
θ représente le passé,
t-θ représente le temps dans le passé,
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 51
__________________________________________________________________________________
h(t-θ) représente l’état et les actions orientés vers le passé.
d- Convolution graphique
Celle-ci n’est que la surface du produit du signal x(θ) et une version du signal y(θ) retournée
dans le temps y(-θ) puis translatée de t . En faisant ce calcul pour de différentes valeurs de t ,
on obtient l’allure et la valeur de l’expression du produit de convolution des deux signaux.
A titre d’exemple, prenons les deux signaux x(t) et y(t) de la figure suivante :
x(t) y(t)
1 1
0 t 0 τ t
x(θ) y(-θ)
1 1
0 θ -τ 0 θ
Figure 23
- Traçons en 1ère étape le produit [ x(θ).y(t-θ) ] à t donnée.
t
0 t θ t-τ t θ
Figure 24
• Exemple :
0 t −τ/2 τ/2 t
• pour t ≥ 0 , on aura :
y(t-θ) x(θ) y(t-θ)
0 t
0 t θ t-τ/2 t t+τ/2
Figure 25
S(t) = 0.5 τ ( 2 t ) = τ t .
• pour t < 0 , on aura : S(t) = 0 car la rampe x(θ) est nulle pour θ < 0 .
x(t)*y(t)
arctg τ
t
Figure 26
Γ(θ) Γ(-θ)
1 1
0 θ 0 θ
Figure 27
1 1
0
0 t θ t θ
Figure 28
t
pour t ≥ 0 : (Γ * Γ)(t ) = ∫ dθ = t .
0
Γ(t)*Γ(t)
0 t
Figure 29
On retrouve bien le même résultat obtenu au paragraphe précédent par calcul analytique.
Γ(θ) ∏τ(-θ)
1 1
0 θ -τ/2 0 τ/2 θ
Figure 30
1 1
0
t-τ/2 t t+τ/2 θ t-τ/2 t t+τ/2 θ
Figure 31
τ
si -τ/2 ≤ t < τ/2 , alors : (Γ * Π τ )(t ) = t +
2
1 1
0
t-τ/2 t t+τ/2 θ t+τ/2 θ
Figure 32
0 t-
τ/2 t t+τ/2 θ θ
Figure 33
Γ(t)* ∏τ(t)
τ
-τ/2 0 τ/2 t
Figure 34
∞
R x , y (τ ) = ∫ x( t ) y * (t + τ ) dt .
−∞
Dans le cas des signaux périodiques à énergie infinie, la fonction d'intercorrélation Rx,y
est donnée par l’expression suivante :
T
1
R x , y (τ ) = lim
T →∞ T ∫ x( t ) y * (t + τ ) dt .
0
• Propriétés
♦ Rxy(τ) ≠ Ryx(τ)
∞
x(t) * y * (-t) = ∫ x( θ ) y * (-t − θ ) dθ .
−∞
∞
= ∫ x( θ ) y * (t + θ ) dθ = R xy (t )
−∞
b- Autocorrélation
Pour un signal à énergie finie, on définie une fonction d'autocorrélation qui définie la
similarité entre un signal et une version décalée de celui-ci. Elle a pour expression :
∞
R x , x (τ ) = ∫ x( t ) x * (t + τ ) dt .
−∞
* Propriétés
♦ si x(t) est réel alors Rxx(τ) est réelle et paire et possède un maximum en
Rxx(0)
En effet, si x(t) est réel, alors :
∞
R x , x (−τ ) = ∫ x( t ) x(t − τ ) dt .
−∞
∞
R x , x (−τ ) = ∫ x( u + τ ) x( u ) du = R x,x ( τ ) .
−∞
∫ ∫
2
R x , x ( 0) = x( t ) x * (t + 0) dt = x(t) dt = E x .
−∞ −∞
T
1
R x , x (τ ) = lim
T →∞ T ∫ x( t ) x * (t + τ ) dt .
0
T ∞ 2π n ∞ 2π n 2π n
1 +j −j −j τ
∑ ∑ Cn
t t
R x , x (τ ) = lim ∫
*
[ Cn e T e T e T ] dt .
T →∞ T
0 n =- ∞ n =- ∞
soit :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 57
__________________________________________________________________________________
∞ 2π n T ∞ 2π n
1 −j τ −j τ
∑ ∫ ∑
2 2
R x , x (τ ) = lim Cn e T dt = Cn e T .
T →∞ T n =-∞ 0 n =-∞
Cette relation n’est que la décomposition en série de Fourier de Rxx(τ). Elle montre que celle-ci
est périodique de période T et ayant pour spectre d’amplitude |Cn|2 .
• Exemple 1 :
∞
R xx ( θ ) = ∫ Π τ ( t ) . Π τ (t + θ ) dt
−∞
1 1
0
-τ/2 τ/2 θ t t-τ/2 t t+τ/2 θ
θ−τ/2 θ+τ/2
Figure 35
0
-τ/2 τ/2 θ t t-τ/2 t t+τ/2 θ
Figure 36
∞
R xx ( θ ) = ∫ Π τ ( t ) . Π τ (t + θ ) dt
−∞
τ
2
si θ > 0
R xx ( θ ) = ∫τ dt = τ - θ ,
θ−
2
et :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 58
__________________________________________________________________________________
τ
θ+
2
R xx ( θ ) = ∫τ dt = τ + θ , si θ < 0
−
2
Rxx(θ) = τ − |θ | , ∀ τ ∈ ℜ .
Rxx(θ)
-τ 0 τ θ
Figure 37
• Exemple 2 :
∞
R xx ( θ ) = ∫ Γ( t ) . Π τ (t + θ ) dt
−∞
τ
θ+
2
- si θ > τ/2 , alors : R xy ( θ ) = ∫τ dt = τ .
θ−
2
1 1
0
-τ/2 τ/2 θ t t-τ/2 t t+τ/2 θ
θ−τ/2 θ+τ/2
Figure 38
τ
θ+
2
- si |θ | ≤ τ/2 , alors : τ
R xy ( θ ) = ∫ dt = θ +
2
.
0
En définitif, la courbe de la fonction d’autocorrélation est la suivante :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 59
__________________________________________________________________________________
Rxy(θ)
-τ/2 0 τ/2 θ
Figure 39
Pour les signaux à énergie finie, on définie la densité spectrale d’énergie d’un signal x(t) par
Sx(f) par :
Sx( f ) = | X( f )|2
∞
Ex = ∫ S x (f) df .
−∞
Pour les signaux à énergie infinie, on définie la densité spectrale de puissance Sx(n) par :
Sx(n) = |Cn|2
La puissance moyenne s'exprime comme :
∞
Pmoy = ∑ Cn 2
n =- ∞
T T
1 2 1
Pmoy = lim
T →∞ T ∫ x(t ) dt = lim
T →∞ T ∫ x(t ) x * (t ) dt
0 0
T ∞ 2π n 2π n
1 +j t −j t
= lim
T →∞ T ∫ n∑
=-∞
Cn e T C *n e T dt .
0
∞ T ∞
1
∑ ∫ ∑
2 2
= lim Cn dt = Cn .
T →∞ T
n =- ∞ 0 n =-∞
Si on désigne par Sx et Sy les densités spectrales des signaux x(t) et y(t) et par Syx la densité
inter spectrale d’énergie alors :
Sy = Syx . Sx
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 60
__________________________________________________________________________________
Prenons le cas d’un système linéaire d’entrée x(t) et de sortie y(t) et ayant comme une fonction
de transfert H(p), alors sa réponse fréquentielle Y(f) s’écrit :
∞
R x , x (τ ) = ∫ x( t ) x * (t + τ ) dt .
−∞
D’après la relation de Perceval, on aura la nouvelle expression :
∫ X( f ) X * ( f ) e - j2π fτ
R x , x (τ ) = df ,
−∞
∫ e - j2π
2 fτ
= X(f) df = TF -1 [S x (f)] .
−∞
σx = i=2 .
∞
∑ Xi
2
i =1
• Exemple :
Calculons le taux de distorsion harmonique d’un signal carré périodique pair, d’amplitude A et
de fréquence Fo .
x(t)
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 61
__________________________________________________________________________________
To t
Figure 40
1 a
Cn = (a n − j bn ) = n car x(t) est pair .
2 2
a 2n+1 2A
C 2n+1 = = et C 2n = 0 .
2 (2n + 1) π
Donc :
∞
σx = ∑ X i
2
i = 2
∞
∑ X i
2
i = 1
.
• Remarque
La décomposition en série de Fourier montre que l’on peut retrouver et reconstituer un signal à
partir de son spectre d’amplitude et de phase. Cependant, le problème de réalisabilité physique
réside dans le fait qu’on ne peut réaliser une infinité d’oscillateurs sinusoidaux qui
représentent les harmoniques du signal. Pour cela, on sera amené à réaliser une troncature
fréquentielle pour se limiter à un nombre fini de raies spectrales.
2π n
N +j
∑
t
x N (t) = Cn e T .
n =- N
soit encore :
∞ T 2π n 2π n
1 −j t +j t
x N (t) = ∑ [
T ∫ X(f) e T ] e T df .
n =- ∞ 0
et comme :
1 2π
N +j
2π n sin[(N + ) t]
∑
t
Cn e T = 2 T .
n =- N
π
sin( t )
T
alors, il vient :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 62
__________________________________________________________________________________
1 2π
T sin[(N + ) ( t − f )]
1
xN (t) =
T ∫ X(f) 2 T
π
df .
0 sin[ ( t − f )]
T
Cette expression représente la formule d’un interpolateur qui permet de reconstituer le signal.
On peut aussi partir du spectre de fréquences pour reconstituer un signal en réalisant des
oscillateurs harmoniques, des amplificateurs et des déphaseurs. En effet, la décomposition en
série de Fourier sous la forme trigonométrique permet d’exprimer le signal x(t) sous la forme :
1 2π
N + j
2π n
t
sin[(N + ) t]
∑ n C e T = 2
π
T .
n=-N sin( t) .
T
Donc, la reconstruction du signal x(t) est réalisable si le spectre est à support borné ou à la
limite s’il tend asymptotiquement vers zéro. Dans ce cas, les oscillateurs sinusoïdaux et les
déphaseurs représenteront les fonctions sin(2πt/T), et cos(2πt/T), les amplificateurs à gains
variables donneront les valeurs de an et bn, une alimentation continue générera la composante
continue du signal ao/2, enfin un sommateur réalisera la somme de toutes les fonctions et
génère ainsi le signal x(t) comme le montre déjà la figure suivante.
π/2 b1
F1 a1
π/2 b2
F2 a2
. ...................................................................... x(t)
...........................................................................
π/2 bn
Fn an
ao/2
Figure 41
• Exemple :
Utilisons la méthode de synthèse harmonique pour générer un signal carré pair, de fréquence
50 Hz et d’amplitude A=1, puis retrouvons ce résultat par simulation.
On sait que le spectre d’un signal carré pair est donné par :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 63
__________________________________________________________________________________
4A
a 2n +1 = et a 2n = 0
(2n + 1) π
bn = 0 ∀n ∈ N .
∞
4
x(t) = ∑ (2n − 1) π
cos[2π (2n − 1) Fo t] .
n =1
F1=50Hz 4/π
F2 =100Hz 4/3π
. ...................................................................... x(t)
...........................................................................
Fn =nF1 4/(2n-1)π
Figure 42.
Donc la reconstitution est d’autant plus fidèle que le nombre des harmoniques pris en compte
est élevé.
Bien sur, on ne peut pas reconstituer un signal dont le spectre n’est pas borné. Par exemple :
♦ l’impulsion de Dirac ne peut pas être reconstituée physiquement car son spectre est
infini et est égal à l’unité.
♦ un signal dont le spectre correspond à une rampe n’est pas aussi restituable
physiquement pour la même raison.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 64
__________________________________________________________________________________
EXERCICES CORRIGES DU
CHAPITRE 2
♦ Enoncé de l'exercice 1
♦ Corrigé de l'exercice 1
. x (t)
0 .8
0 .6
0 .4
0 .2
0
0 200 400 600 800 1000 1200
t(m s)
0 2 4 6 8
d'où :
2 Uo ∞ − 4. U o
x (t) = + ∑ . cos( 2nωo t)
π n=1 π (4n2 − 1)
∞ ∞ 2 ∞ 2
a0 a
Pmoy = ∑ C n = C0 + 2 ∑ C n =
2 2 2
4
+2∑ n ,
n = −∞ n =1 n =1 4
soit encore :
∞ 2 2 2 2
a a U 2U o 1 1 1
Pmoy = 0 + 2 ∑ n = o2 + 2
( + + + ...)
4 n =1 4 π π 9 225 1225
Il vient :
Pmoy = Uo2 / 4 .
∞
∑a 2n
2
n=2
σ= = 0,28
a2
0 .9
0 .8
0 .7
0 .6
x (t)
0 .5
0 .4
0 .3
0 .2
0 .1
0
0 0 .5 1 1 .5 2 2 .5 3
te m p s
* si n est impair ⇒ an = 0 ,
− 4. U o
* si n est pair ⇒ an = .
π ( 4 n 2 − 1)
d'où :
2 Uo ∞ − 4. U o
x (t) = + ∑ . cos( 2nωo t)
π n=1 π (4n2 − 1)
an
o o o o o
0 1 2 3 4 5 6 7 8 n
2 ∞ 2 2 2
a a 4U o 2U o 1 1 1
Pmoy = 0 + 2∑ n = 2
+ 2
( + + + ...)
4 n =1 4 π π 9 225 1225
Donc :
Pmoy = Uo2/ 2 .
∞
∑a 2n
2
n=2
σ= = 0,28
a2
♦ Enoncé de l'exercice 2
♦ Corrigé de l'exercice 2
-a t |
! x1(t) = e | (a>0) ⇒ X3(f) = 2 a / (a2 + 4π2 f 2)
-π t 2 -π f2
! x2(t) = e ⇒ X2(f) = = e
! x3(t) = 1/t ;
on sait que la transformée de Hilbert de 1 est − j.sgn(f)
π.t
⇒ X3(f) = − j.π.sgn(f)
♦ Enoncé de l'exercice 3
♦ Enoncé de l'exercice 4
♦ Corrigé de l'exercice 4
On note que l'angle 180° correspond ici à une période complète du signal soit 20 ms, et que les
angles θ5 à θ8 sont obtenus par symétrie.
d - Le nouveau taux de distorsion de ce signal vaut 6 % . Cette valeur est inférieure à la
précédente, ce qui favorise l'utilisation de ce type de signal pour la commande des machines
électriques.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 69
__________________________________________________________________________________
Chapitre III
1- Définition
En effet, la plupart des signaux naturels peuvent être décrits à l'aide d'équations de la
physique si on connaît bien tous les paramètres, les caractéristiques et les phénomènes qui les
régissent. Même les signaux non déterministes tels que le signal parole, les signaux sismiques,
la pression atmosphérique, et même un tirage de loto n’échappent pas à cette propriété. Ce qui
diffère dans ce cas, c’est que le système dépend d'un grand nombre de variables et de
paramètres et devient ainsi trop compliqué à décrire.
Ainsi, on peut associer à une variable aléatoire ϕ une fonction définie par :
F: ℜ → S
ϕ → X (t, ϕ)
On notera :
ϕ : une variable aléatoire ,
X(t,ϕ) un signal aléatoire ,
x(t) une réalisation du processus aléatoire
xi(t) = X(t,ϕi) une réalisation particulière, obtenue pour ϕ = ϕi.
Xi(ϕ)=X(ti,ϕ) une réalisation obtenue pour t = ti .
Un signal aléatoire peut être caractérisé par une description statistique à partir des fonctions de
répartition, de densité de probabilité et des moments d’ordre un et deux du processus aléatoire.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 70
__________________________________________________________________________________
2-1- Fonction de répartition
On définit la fonction de répartition qui est la fonction F(x) donnant la probabilité pour que la
valeur mesurée u soit strictement inférieure à .
C'est une fonction non négative mais ce n'est pas une probabilité, elle n'est pas nécessairement
inférieure à . Par exemple, la densité de probabilité de la loi de Cauchy est donnée par :
* Loi uniforme
La VA prend des valeurs uniquement dans l'intervalle [a,b]. Sa densité de probabilité est
nulle en dehors de cet intervalle, ainsi :
F(x)
a=-0.5 b=1.5 x
* Loi gaussienne
* Loi de Poisson
C'est la loi qu'on obtient en comptant des évènements aléatoires indépendants tels que le
décompte des appels sur une centrale téléphonique, comptage de voitures sur une route, etc..
C'est la loi centrale des études sur les files d'attente dans les réseaux de communication. Elle
dépend d'un paramètre qui caractérise le débit moyen du flux. La probabilité d'observer
événements pendant une durée est donnée par :
Il est souvent trop coûteux (au point de vue temps de calcul et traitement ) de caractériser une
variable aléatoire ou un ensemble de variables aléatoires par leur fonction de répartition ou
leur densité de probabilité. On peut se contenter d'informations partielles comme la valeur
moyenne de la variable aléatoire et sa dispersion autour de cette valeur moyenne. Ces notions
sont quantifiées par la définition des moments.
On dit que X(t,ϕ) est connu à un instant ti, si on connaît la loi de la variable aléatoire X(ti,ϕ).
Celle-ci est simplement une variable aléatoire, que l'on peut caractériser à l'aide du moment
d’ordre un appelé Espérance mathématique dont l’expression est la suivante :
m[X(t i )] = E[ X (t i , ϕ)] = ∫ X i ( ϕ) p( X i , ϕ) dX i
Ω
où :
Ω : désigne le domaine de variation de Xi(ϕ) ,
E[ X 2 ( t i , ϕ)] = ∫ X i (ϕ) p( X i , ϕ) dX i
2
La variance V(X) est donnée par le moment d’ordre deux de la variable centrée et représente
la dispersion autour de la valeur moyenne. :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 74
__________________________________________________________________________________
V ( X ( t i , ϕ)) = ∫ [X i
2
] 2
(ϕ) - E( X i (ϕ)) p( X i , ϕ) dX i
Ω
L’écart type σ n’est que la racine carrée de cette variance. D’autre part, on remarque que le
moment d’ordre deux (puissance) est la somme de la variance et du carré de la moyenne
statistique ( valeur moyenne ) , soit :
Dans le cas des variables aléatoires gaussiennes, ces moments se déduisent des moments du
premier et du deuxième ordre. Ils présentent un grand intérêt pour la séparation de variables
aléatoires indépendantes non gaussiennes.
Une autre caractérisation importante d'une densité de probabilité est son entropie définie par :
C[ X (t 1 ), X (t 2 )] = E[ X (t 1 ), X * (t 2 )] = ∫ X 1 X * 2 p( X 1 , X 2 ) dX 1 dX 2
Ω
où X2* : désigne le conjugé de X2 .
2
C[ X (t 1 )] = E[ X (t 1 ), X * (t 1 )] = ∫ X1 p( X 1 ) dX 1 .
Ω
• cas particuliers :
a) Dans le cas où les variables X1 et X2 sont indépendantes, alors la loi conjointe devient :
C[X(t1,t2)] = 0 .
4- Propriétés fondamentales
4.1. Stationnarité
On dit qu'un signal aléatoire est stationnaire si ses propriétés statistiques sont invariantes par la
translation temporelle. Cela se traduit par :
Il vient :
E[X(tk )] = E[X(tk -τ)] = ..... = E[X(0)].
et :
En posant τ = t1 - t2 , il vient :
Donc, à deux instants t1 et t2, la distribution conjointe ne dépend que de l'écart entre les deux
instants et non des instants eux-mêmes :
• Conclusion :
Les moments qui dépendent dans le cas général de l'instant considéré, deviennent
indépendants du temps dans le cas stationnaire. La fonction de covariance C[X(t1,t2)] devient
quant-à-elle une quantité dépendant uniquement de l'écart entre τ = t1 - t2.
• Exemple :
4.2 Ergodisme
Un signal aléatoire stationnaire est dit ergodique si sa moyenne temporelle est égale à sa
moyenne statistique ( Espérance mathématique), soit :
1
E[ X (t i , ϕ)] = lim
T →∞ T ∫ X (t i , ϕ) dt ,
T
L'ergodisme est une propriété très employée en traitement du signal puisqu’elle permet de
calculer les espérances mathématiques en effectuant des moyennes temporelles sur des
réalisations quelconques du signal. Ceci est d'une grande importance pratique, car il est rare
que l'on dispose de plusieurs réalisations du processus et de sa distribution de probabilité.
Notons cependant qu'il est au moins aussi rare que l'on dispose de réalisations du signal de -∞
à +∞ ; on ne pourra donc pas calculer exactement la valeur des moyennes par la formule
précédente. On se contentera d'approcher le résultat par des moyennes temporelles sur la durée
où est connu une réalisation du processus.
Les propriétés énergétiques des signaux aléatoires stationnaires sont décrites à l'aide des
moments d'ordre deux, c'est-à-dire des fonctions d'auto et d'intercorrélation, dans le domaine
temporel, et à l'aide des densités spectrales de puissance, dans le domaine spectral.
a) définition :
Si X(t,ϕ) et Y(t,ϕ) sont deux processus aléatoires stationnaires, les fonctions d'intercorrélation
et d'autocorrélation sont définies par :
1
RXY (τ) = E[X(t),Y(t−τ)*] = lim
T →∞ T ∫ X (t , ϕ) Y ∗ (t − τ , ϕ) dt ,
T
1
RXX(τ) = E[X(t),X(t−τ)*] = lim
T →∞ T ∫ X (t , ϕ) X ∗ (t − τ , ϕ) dt .
T
Dans le cas discret :
Ν
1
RXY (k) = E[X(n),Y(n− k)*] = lim
n →∞ N
∑ X (n , ϕ) Y ∗ (n − k , ϕ) ,
n =0
Ν
1
RXX(k) = E[X(n),X(n− k)*] = lim
n →∞ N
∑ X (n , ϕ) X ∗ (n − k , ϕ) .
n =0
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 77
__________________________________________________________________________________
b) propriétés :
Les propriétés des fonctions d’autocorrélation et d’intercorrélation sont les mêmes que celles
établies au chapitre précédent dans le cas les signaux déterministes, notamment :
♦ Symétrie hermitienne
♦ Parité
RXX(τ) = RXX*(-τ) .
♦ Centrage
♦ Puissance
La fonction d'autocorrélation prise pour le retard nul, RXX(0), est simplement la puissance du
signal. On en déduit d'ailleurs que RXX(0) > 0. Ainsi pour un retard τ nul, on a :
1 2
R XX (0 ) = E[ X (t , ϕ ), X * (t , ϕ)] = lim
T →∞ T ∫ X(t, ϕ ) dt.
T
♦ Inégalité de Schwartz
et en utilisant < x,y > = E[ X(t) Y*(t) ] comme produit scalaire, on déduit que :
♦ Mémoire
On dit qu’un processus est à mémoire finie si son coefficient de corrélation normalisé ρxx(τ)
tend vers zéro au bout d’un temps t0 . Ce coefficient est compris entre 1 et -1 et est défini par :
R XX ( τ )
ρ XX (τ ) = .
R XX (0)
5.2. Convolution
( X * Y )(t , ϕ) = ∫ X (u , ϕ) Y (t − u , ϕ) du .
Ω
Ω est un domaine de réalisation de X et Y .
a- Propriétés :
X(t,ϕ) H Y(t,ϕ)
Figure 7
que l'on peut décrire par une équation différentielle à coefficients constants, la sortie Y peut
être aussi décrite à partir d’une intégrale de convolution comme :
Y (t , ϕ) = ( X * h)(t , ϕ) = ∫ X (u , ϕ) h(t − u ) du .
Ω
Donc la sortie du système linéaire n’est que la convolution de sa réponse impulsionnelle avec
l’entrée.
On appelle densité spectrale d’un signal aléatoire X(t,ϕ) à énergie finie, le carré du module de
sa transformée de Fourier X(f,ϕ). Elle représente la répartition de l’énergie ou de la puissance
du signal dans le domaine fréquentiel.Ainsi :
SX (f) = | X(f,ϕ)|2 .
D’autre part, la densité spectrale d’énergie est égale aussi à la transformée de Fourier de la
fonction d’autocorrélation du signal.
∞
SX ( f ) = ∫-∞ R XX (τ ) e − j 2πfτ dτ .
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 79
__________________________________________________________________________________
• Dans le cas d’un signal aléatoire à puissance moyenne finie, la densité spectrale de
puissance a pour expression :
1 T
S X ( f ) = lim
T →∞ T ∫0 R XX (τ ) e − j 2πfτ dτ .
Dans le cas d’un signal aléatoire stationnaire et ergodique, à énergie finie, l’énergie est
donnée par la relation :
∞
∫-∞
2 2
E X = E[ X(t,ϕ ) ] = R XX (0) = X(t,ϕ ) dt .
il vient :
∞
E X = R XX (0) = ∫-∞ S X (f) df .
• Dans le cas d’un signal aléatoire à puissance moyenne finie la puissance moyenne est égale à :
1 T
PX = R XX (0) = lim
T →∞ T ∫0 S X ( f ) df .
Le processus aléatoire gaussien X(ti,ϕ) est un signal dont la variable aléatoire ϕ est gaussienne.
Sa densité de probabilité p(x) suit alors une loi gaussienne qui a pour expression :
(x - m x )2
1 -
p(x) = e 2σx 2 .
σ x 2π
où :
mx : est la moyenne du processus X(ti,ϕ) ,
σx : est la sa variance .
Ainsi, le signal processus gaussien est entièrement caractérisée par ses deux premiers
moments.
Il est très important en traitement du signal en raison de sa facilité d'emploi et de l'optimalité
des méthodes du second ordre pour les signaux gaussiens.
8- Notion de bruit
Les bruits sont des signaux aléatoires rencontrés dans la palupart des signaux observés ou
mesurés dans la nature. Ils s’ajoutent au signal original suite à l’étape de traitement ou aux
conditions de mesure. Ils peuvent déformer l’information utile ou même la masquer
complètement. Parmi ces types de bruits on peut citer à titre d’exemple, le bruit thermique
dans un semi-conducteur ou un élément passif, le bruit dans le signal parole acquis par un
microphone, etc...
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 80
__________________________________________________________________________________
Comme les signaux aléatoires à puissance moyenne finie, les bruits sont classés selon
leurs propriétés statistiques. On peu distinguer les bruits blancs, colorés et gaussiens.
0.5
s ignal bruit
-0.5
0 100 200 300 400 500 600 700 800 900 1000
30
20
s pectre
10
0
0 100 200 300 400 500 600 700 800 900 1000
100
autocorré lation
50
-50
-1000 -800 -600 -400 -200 0 200 400 600 800 1000
Un bruit coloré est un signal aléatoire ayant un spectre à bande limité et à puissance moyenne
finie. Il possède les propriétés suivantes :
bruit coloré
0.5
-0.5
0 100 200 300 400 500 600 700 800 900 1000
25
20
15
spec tre
10
0
0 100 200 300 400 500 600 700 800 900 1000
EXERCICES CORRIGES DU
CHAPITRE 3
♦Exercice 1
♦Exercice 2
- Vérifier que X(t,ϕ) est stationnaire à l'ordre un mais pas à l'ordre deux.
♦Exercice 3
♦ Exercice 4
On considère un signal aléatoire dont la densité de probabilité p(x) est donnée par :
On considère les deux signaux aléatoires dont les densités de probabilité respectives sont
données par la figure suivante :
x x
♦ Exercice 6
Soit le signal aléatoire x(t) associé à la variable aléatoire φ , ayant une fonction de
répartition F(x) = π -1 arcsin (x) + 0.5
Avec :
x(t) = sin ( 2πFo.t + φ) ,
φ : est un VA uniforme sur [0 2π] .
♦ Exercice 7
Le signal NRZ utilisé en transmission est un signal binaire dont les valeurs sont égales
à 1 ou -1 selon la loi de probabilité suivante: P(1) = 2/3 et P(-1)=1/3 .
Exercice 8
.
- Où se trouve concentrée la densité de probabilité de cette variable.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 85
__________________________________________________________________________________
♦ Exercice 1
On considère un signal aléatoire dont la densité de probabilité p(x) est donnée par :
x
a) P(x<-2) = 0 ; P(x<-1) = ∫ x p(x) dx = a/2=1/6
x
x<-2 : F(x) = 0 .
-2<x<-1 F(x) = bx2+cx+d= ax2+(7a/2) x+3a = (1/3) x2+ (7/6) x + 1.
-1<x< 1 F(x) = k x + r = a x +3a/2 = x/3 + 1/2.
1<x< 2 F(x) = e x2+f x+g = -a x2 +(7a/2) x + 0 = (-1/3) x2 + (7/6) x .
x >2 : F(x) = 1 .
♦ Exercice 2
On considère les deux signaux aléatoires dont les densités de probabilité respectives sont
et que le signal y(t) est stationnaire puisque m1(y) et m2(y) ne dependent pas du temps
♦ Exercice 3
Soit le signal aléatoire x(t) associé à la variable aléatoire φ , ayant une fonction de
répartition F(x) = π -1 arcsin (x) + 0.5
Avec :
x(t) = sin ( 2πFo.t + φ) ,
φ : est un VA uniforme sur [0 2π] .
♦ Exercice 4
Le signal NRZ utilisé en transmission est un signal binaire dont les valeurs sont égales
à 1 ou -1 selon la loi de probabilité suivante: P(1) = 2/3 et P(-1)=1/3 .
Chapitre IV
1- Définition
Un filtre linéaire est un système linéaire invariant dont la sortie y(t) est le résultat de la
convolution temporelle entre l'entrée x(t) et sa réponse implusionnelle h(t). Pour cette raison, il
est appelé aussi un convolueur temporel. Sa réponse temporelle a pour expression :
∞
y(t) = x(t) * h(t) = ∫ x(θ) h(t-θ) dθ
.∞
x(t) → H → y(t)
Figure 1
Cette dernière relation peut être mise en évidence si on peut approcher l’entrée x(t) par une
fonction en escalier selon figure 2 suivante :
x(t)
kT t
Figure 2
où ∏Τ(t) est
la fonction fenêtre de largeur T .
Cette approximation est d'autant plus précise que ( T ) tend vers zéro.
Si on suppose que y(t) = H[x(t)] est la sortie d'un système linéaire H, pour une entrée x(t), il
vient :
∞
~
y (t ) = H[ ∑ x(kT) δ (t - kT) ] ,
k = −∞
∞
~
y (t ) = ∑ x(kT) H[ δ (t - kT) ] .
k = −∞
soit :
∞
~
y (t ) = ∑ x(kT) h(t - kT) .
k = −∞
∞
~
y (t ) = ∫ x( θ ) h(t - θ ) dθ .
−∞
Donc, la réponse à une entrée quelconque est la convolution de celle-ci avec la réponse
impulsionnelle du système.
2-1- Causalité
Pour les systèmes physiques à variable temporelle, l'effet ne peut jamais précéder la cause qui
le produit. Ainsi la réponse d'un système à l'instant τ ne dépend que de l'excitation pour t < τ.
Donc un système est causal si sa réponse impulsionnelle est nulle ∀ t < 0, ce qui donne
l'expression:
+∞
s(t) = e(t) * h(t) = ∫ e(θ) h(t-θ) dθ .
-∞
Dans ce cas, la sortie ne peut anticiper l'entrée. De plus, si le signal est causal, on obtient :
t
s(t) = e(t) * h(t) = ∫ e(θ) h(t-θ) dθ .
o
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 90
__________________________________________________________________________________
L’instabilité d’un système physique peut engendrer des comportements non-linéaires ou même
la saturation de sa réponse temporelle et une fragilité de celle-ci vis à vis aux perturbations ce
qui rend le système incontrôlable et non commandable. Pour cela, il faut avant tout s’assurer
de la stabilité du système et si nécessaire le compenser ou le corriger pour éliminer les pôles
instables.
On rappelle qu’on a défini dans le premier chapitre la stabilité d’un système linéaire
par le fait qu’à toute entrée bornée correspond une sortie bornée. Cela impose que tous les
pôles de la fonction de transfert ou de l’équation caractéristique soient à partie réelle négative.
En effet, si on suppose que la fonction de transfert du filtre linéaire H(p) soit de la
forme :
m q s
ai bi di
H ( p) = ∑ +∑ + ...... + ∑
i =1 p - p i i =1 (p - p i ) 2 i =1 (p - p i ) r
n q Ai ,r
= ∑ ∑ (p - p i ) r
.
i =1 r =1
pour que h(t) soit bornée, il faut que l’exponentielle (e pi t ) soit inférieur à l’unité, ce qui
impose que les pôles pi de H(p) soient à partie réelle négative.
• Exemple
1+ p
! H 1 ( p) = ,
1+ p
2
! H 2 ( p) = ,
p2 + p +1
p
! H 3 ( p) = .
(1 + p )( p − 3)
Le premier système est stable car son pôle ( po = -1 ) est négatif. Cependant il est à réponse
non minimale de phase car il possède un zéro instable ( zo = 1 ).
Le second système est aussi stable car ses deux pôles complexes conjugués sont à parties
1 3 1 3
réelles négatives ( p1 = − + et p 2 = − − ).
2 2 2 2
Quant au troisième système il est instable car il possède un pôle ( po= +3 ) positif.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 91
__________________________________________________________________________________
Par définition, un filtre ou un système linéaire est réalisable s'il est à la fois causal et stable,
donc si:
- sa réponse impulsionnelle est nulle ∀ t < 0 ,
- le degré du numérateur de H(p) est inférieur ou égal au degré de son dénominateur ,
- les pôles de H(p) sont à parties réelles négatives.
• Exemple
Un dérivateur parfait dont la fonction de transfert est H(p)= p, n’est pas réalisable
physiquement car les deux premières conditions ne sont pas satisfaites.
Par définition la réponse impulsionnelle d’un filtre linéaire invariant est sa sortie pour une
entrée égale à l'impulsion de Dirac. C'est aussi la transformée de Fourier inverse de la fonction
de transfert du filtre. Son expression est alors :
∞
h(t) = TF -1 [H(f)] = ∫ H(f) e j2π f t df .
-∞
Pour une entrée quelconque, la sortie du filtre est la convolution de celle-ci avec la réponse
impulsionnelle h(t), soit :
s(t) = e(t) * h(t)
Pour cela, la réponse impulsionnelle qui doit être causale, est une caractéristique temporelle du
système et sa connaissance suffit pour le caractériser ou déterminer ses réponses temporelles.
e(t) C s(t)
Figure 3
C’est un filtre passe bas de pulsation de coupure ωc =1/RC, et de gain statique unitaire .
t
1 - RC
h(t ) = e pour t ≥ 0
RC
h(t) = 0 pour t < 0 .
h(t)
1/RC
0 t
Figure 4
La réponse y(t) n’est que la convolution de la réponse impulsionnelle du filtre déjà déterminée
avec la peigne de Dirac, soit :
Donc la réponse à une peigne de Dirac est une périodisation de la réponse impulsionnelle à
la période T.
• Exemple
Reprenons l’exemple précédent du filtre passe bas de premier ordre et calculons sa réponse
y(t) à un train d’impulsion. L’expression causale de y(t) est :
∞ t - kT
1 - RC
y(t) = ∑ RC
e pour t ≥ 0 ,
k =0
x(t)
0 T 2T t
y(t)
1/RC
0 T 2T t
Figure 5
C'est la réponse du filtre aux signaux exponentiels complexes. Dans ce cas, l'étude de la
réponse harmonique ou fréquentielle revient à l'étude du module et de l'argument de H(f).
j2πfo t
x(t) = e → H → y(t) = H(fo) . ej2πfo t
Figure 6
• Exemple :
j2πFot j2πFot
Soit : x(t) = a cos(2πfot+ϕ) = 0.5 a e jϕ e + 0.5 a e-jϕ e-
j2πfo t j2πfo t
⇒ y(t) = 0.5 a e jϕ H(fo) e + 0.5 a e-jϕ H(-fo) e- ,
Pour les signaux périodiques, le raisonnement précédent reste toujours valable seulement la
variable fréquentielle ( fréquence ou pulsation ) est devenue maintenant discrète puisque la
périodisation temporelle conduit à une discrétisation spectrale comme on l’a montré dans le
deuxième chapitre. En effet, si on prend comme entrée du filtre le signal x(t) dont la
transformée de Fourier inverse est :
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 94
__________________________________________________________________________________
∞
x(t ) = ∑ X k e j 2π t fo ,
k =- ∞
alors, la réponse du filtre est alors:
∞ ∞
y (t ) = H [ x(t ) ] = ∑ X k H [ e j 2π t f o ]= ∑ X k H (kf o ) e j 2π t f o
k =- ∞ k =-∞
soit:
Yk = H ( k f0 ) . Xk .
• Exemple :
Soit à filtrer le signal fenêtre périodique e(t)= ΣΠτ(t-k-To) de largeur τ et de période To ( τ <<
To ) par le filtre RC suivant (RC=0.5 T0).
R e(t)
C a
e(t) s(t)
−τ/2 τ/2 To 2To
t
Figure 7 Figure 8
Ek =a τ fo sinc (τ π kfo ) ,
1
H ( p) = ,
1 + RC p
1 1
Fc = = .
2πRC πTo
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 95
__________________________________________________________________________________
1 1
H(kFo ) = = e jϕ avec ϕ = - arctg(kπ )
1 + j kπ 1 + (πk ) 2
Il vient :
1
S k = E k H k = a τ F0 sinc ( τ π k F0 ) . ,
1 + j kπ
ainsi le spectre d’amplitude est :
a τ F0
Sk = sinc ( τ π k F0 ) ,
1 + (πk ) 2
alors que le spectre de phase est :
ϕ(k) = - arctg(kπ ) .
2 1
s( t ) = ∑ Xk
1+ j kπ
e j2 πkfo t car F c = 2 Fo
-2
1 1 1 - j2 πfo t 1 - j2 πfo t
= X-2 e- j4 πfo t + X +2 e j4 πfo t + Xo + X-1 e + X +1 e
1- j2 π 1+ j2 π 1- jπ 1+ jπ
aτ aτ aτ 1 2π 2a τ aτ 1 2π
y(t) = + sinc( ) [ 2.| 2
| cos( t-arctgπ)]+ sinc( ) [2.| 2
| cos( t -arctg2π)]
To To To 1+ π To To To 1+4π To
5- Exemples de filtres
Ce sont des filtres linéaires invariants définis à partir des gabarits de leurs fonctions de
transfert. Ils sont généralement de type passe-bas, passe-haut, passe-bande et coupe-bande.
Malgré la simplicité de leurs traitements, ces filtres sont irréalisables physiquement car leurs
réponses impulsionnelles ne sont pas causales.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 96
__________________________________________________________________________________
a) filtre cardinal
C’est un filtre linéaire invariant de type passe-bas idéal dont la réponse fréquentielle est la
fonction fenêtre ΠΒ (f) de largeur B qui est la bande passante du filtre.
H(f)
1
-B/2 B/2 f
Figure 9
h(t)=B sinc(Bπ t ) .
0.8
0.6
0.4
0.2
-0.2
-0.4
-500 -400 -300 -200 -100
Figure0 10 100 200 300 400 500
fré quence
Donc, la réponse impulsionnelle d’un filtre cardinal n’est pas causale, ce qui montre que ce
type de filtre n’est pas réalisable.
C’est un filtre passe-bas de fréquence de coupure Fc et dont la réponse fréquentielle désirée est
donnée par le gabarit de la figure suivante :
|H(f)|
Fc
Figure 11
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 97
__________________________________________________________________________________
La fonction de transfert de ce filtre n’est que l’échelon de position retourné puis retardé de Fc,
soit :
H(f) = 1- Γ(f- Fc,) .
La réponse impulsionnelle h(t) est égale alors à la transformée de Fourier inverse de H(f), soit :
1 -2πFc t
h( t ) = δ ( t ) − e
πt
qui a pour allure, la figure suivante :
h(t)
Figure 12
Cette réponse impulsionnelle n’est pas causale, donc ce filtre n’est pas réalisable.
Fc
Figure 13
La réponse impulsionnelle h(t) est égale alors à la transformée de Fourier inverse de H(f), soit :
1 1 -2πFc t
h( t ) = δ (t ) + e
2 πt
qui a pour allure, la figure suivante :
h(t)
Figure 14
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 98
__________________________________________________________________________________
Cette réponse impulsionnelle n’est pas causale, donc ce filtre n’est pas réalisable.
C’est un filtre cardinal dont la réponse fréquentielle est la fonction fenêtre ΠΒ (f-Fo) de
largeur B qui est la bande passante du filtre.
H(f)
1
f
Fo
Fo-B/2 Fo+B/2
Figure 15
-2
Figure 15
-4
-500 -400 -300 -200 -100 0 100 200 300 400 500
temps
Cette réponse impulsionnelle n’est pas causale, donc ce filtre n’est pas réalisable.
C’est un filtre rejecteur de bande idéal qui coupe instantanément toute composante
harmonique dont la fréquence est comprise dans cette passante. La réponse fréquentielle de ce
filtre peut être déduite de la fonction fenêtre ΠΒ (f-Fo) de la manière suivante :
H(f) = 1 - ΠΒ (f-Fo) ,
H(f)
f
Fo
Fo-B/2 Fo+B/2
Figure 16
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 99
__________________________________________________________________________________
On en déduit de ce qui précède que la réponse impulsionnelle de ce filtre est :
Cette réponse impulsionnelle n’est pas causale, donc ce filtre n’est pas réalisable.
C’est un filtre qui réalise la translation temporelle du signal d’entrée. Sa sortie s’écrit :
x(t) → H → y(t)
Il vient que sa réponse fréquencielle est :
-j2πfτ
H(f) = e
H(f) ϕ(f)
1
f
f
Figure 18
y(t) = dx/dt .
x(t) → H → y(t)
Ce filtre possède une phase constante égale à π/2 et un gain proportionnelle à la fréquence.
Cependant, il n'est pas réalisable physiquement car son spectre n’est pas borné.
|H(f)| ϕ(f)
π/2
f
f
Figure 19
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 100
__________________________________________________________________________________
5-4- filtre intégrateur
C’est un filtre dont la sortie temporelle y(t) est l’intégrale de l’entrée x(t) du filtre, soit :
∞
y (t ) = ∫0 x(t ) dt
Sa fonction de transfert est de la forme:
H(f) = 1/ j2πf
Il possède une phase constante égale à -π/2 et un gain inversement proportionnel à la
fréquence.
|H(f)| = 1/2π f et ϕ(f)= −π/2 .
|H(f)| ϕ(f)
f
f
-π/2
Figure 20
Ce filtre est réalisable physiquement puisque son spectre d’amplitude |H(f)| tend vers (-
∞) donc vers zéro en dB, ce qui permet de le majorer par une borne supérieure. Un intégrateur
réalise la fonction de filtrage passe-bas une fois associé à une action proportionnelle.
C'est un filtre non linéaire dont la sortie est le carré de l'entrée du filtre.
• Exemple :
Soit le signal sinusoïdal suivant :
x(t) = a cos (2π f0 t ) .
∞
⇔ Y(f) = ∫ X(ν) . X(f-ν) dν ,
-∞
1 1
or X(f) = a δ(f - fo) + a δ (f + fo)
2 2
⇔ 2 2 2
a a a
Y(f ) = δ( f ) + δ( f − 2 f o) + δ( f + 2 f o )
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 101
__________________________________________________________________________________
Le filtre introduit des produits d'intermodulation qui augmentent le taux de distorsion
du signal de sortie.
Y(f)
-2Fo 0 2Fo f
Figure 21
C’est un filtre non linéaire qui réalise un ecrétage du gain en bande passante et non pas
l’écrêtage du signal du sortie. Le schéma synoptique correspondant est le suivant:
H(f)
f
fo
Figure 22
⇒ 4
y (t ) = cos (2 π fo t + φ )
π
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 102
__________________________________________________________________________________
5-7- filtre démodulateur ou détecteur d'enveloppe
C’est un filtre non linéaire qui permet de détecter la variation de l’amplitude d’un signal
dynamique. Il peut être réalisé par un redresseur double alternance suivi d’un filtre passe-bas.
Figure 23
• Exemple :
Le signal x1(t) est périodique de période 2To, alors le développement en série de Fourier de
x1(t) permet d’écrire : ∞
2 ∞
⇒
X1(f ) =
π
A(f ) + ∑ Xk . A(f - 2kfo )
k≠0
Le filtre passe-bas ne permet de laisser que la quantité 2A(t)/π ,ce qui donne le signal de
sortie :
2 .
y(t) = A(t)
π
Ce signal n’est que l’amplitude recherchée A(t) au facteur 2/π près .
Il possède une fonction de transfert dans la bande passante ayant pour expression :
H(f) = A exp(-j2πfτο)
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 103
__________________________________________________________________________________
H(f)
A
-fc fc f
Figure 24
A : gain constant
τo = retard.
y(t) = A x (t - τo)
On peut citer des exemples de ces filtres sans distorsion tels que les filtres idéaux PB, PH, …
Il s'agit des filtres réels dont la réalisabilité et la synthèse sont possibles grâce à leurs
propriétés spectrales ( spectre borné ) et temporelles ( réponse impulsionnelle causale ).
Malheureusement, ces filtres possèdent des spectres d’amplitude et de phase non linéaires et
introduisent par conséquent
des ondulations du gain en bande passante et des distorsions harmoniques qui modifient les
propriétés énergétiques du signal.
Les ondulations inévitables sont tolérées par des approches de synthèse tels que celles
de Butterworth, Tchebychelf, elliptique, qui donnent une approximation de la distorsion
admissible dans la bande passante. On peut ainsi rencontrer outre les filtres à distorsion
d'amplitude, les filtres à distorsion de phase où celle-ci n'est plus linéaire dans la bande
passante.
• Exemple :
- distorsion d’amplitude :
A
H( f ) =
f 2
1+ ( )
Fc
|H(f)|
f
Figure 25
- distorsion de phase :
f
ϕ ( f ) = −arctg( )
Fc
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 104
__________________________________________________________________________________
ϕ(f)
Figure 26
Y(f)
Figure 27
- distorsion d’intermodulation
+0.25 a22[δ(f-2f2)+ δ(f-2f2)]+ 0.5 a1 a2 [δ(f-f1 -f2)+δ(f+f1 +f2) +δ(f-f1 +f2)+ δ(f+f1 -f2)] .
On remarque que le spectre de Y(f) est très riche en harmoniques qui risquent d’augmenter le
taux de distorsion du signal
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 105
__________________________________________________________________________________
H(f)
Y(f)
Figure 28
Donc, le filtrage d'un signal d'énergie finie ne donne pas forcement un signal à énergie
finie
• Exemple :
Soit à filtrer le signal triangle Λ2T(t) par un filtre intégrateur pur. Le spectre du signal de sortie
a donc comme expression :
1
Y( f ) = T sinc 2 ( πfT)
j2πf
sa densité spectrale est :
T2
S y ( f ) = 2 2 sinc 4 ( π f T ) .
4π f
On en déduit l’énergie :
∞ ∞
T2
Ey = ∫ S y ( f ) df = ∫ 4π 2 f 2 sinc 4 ( πTf) df
−∞ −∞
Le filtrage d'un signal de puissance moyenne finie ne donne pas nécessairement un signal de
même type. La densité spectrale d'énergie du signal de sortie y(t) du filtre est donnée par :
et on se propose de filtrer le signal x(t) par un filtre linéaire invariant H dont la sortie y(t)
possède le spectre suivant :
Y(f) = H(f) X(f) ,
or Ya(f) = 2 Γ(f) Y(f) = 2 Γ(f) H(f) X(f)
avec Γ : l'échelon de position unitaire
il vient :
1 1
Ya(f) = [ 2 Γ(f) X (f) ] . [ 2 Γ(f) H(f) ] = Xa(f) . Ha(f),
2 2
1
Il résulte : ya(t) = x (t). ha(t) .
2 a
Nous avons vu que la plupart des filtres idéaux et cardinaux ont deux inconvénients, d’une
part ils sont irréalisables physiquement et d’autre part, ils peuvent donner lieu à des
ondulations d’amplitude dans l’autre domaine de traitement.
-Fc Fc f - t t
Figure 29
On vient de voir donc un résultat très important en traitement du signal, c’est que le filtrage
fréquentiel d’un signal peut modifier non seulement les paramètres énergétiques et spectrales
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 107
__________________________________________________________________________________
du signal mais aussi son allure temporelle et sa forme ce qui le rend parfois unitilisable ou non
adapté à son application. Cette remarque est valable aussi pour la troncature temporelle (
multiplication temporelle qui se traduit par une convolution fréquencielle ) lorsqu’on est
obligé de faire un traitement sur une partie du signal ou de limiter l’étendue d’un signal en
raison de la capacité de la mémoire du calculateur ( on ne peut pas programmer ou acquérir un
signal variant de moins l’infini à l’infini ) . Par exemple lorsqu’on désire calculer la valeur
moyenne d’un signal périodique, on est obligé d’appliquer une fenêtre de troncature
rectangulaire de largeur la période du signal sur laquelle on effectuera les traitements. De
même si on veut stocker les valeurs d’un signal échelon, on devrait aussi le tronquer sur une
partie temporelle. Cependant cette opération crée des ondulations spectrales importantes qui
risquent de modifier le contenu énergétique du signal ( puissance, énergie, taux de
distorsion,.. ).
Les figures 30 et 31 suivantes donnent un exemple de l’effet de la troncature
temporelle d’un signal sinusoïdal sur le domaine spectral.
1
0.5
-0.5
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
40
30
20
10
0
0 10 20 30 40 50 60 70 80
frequence
0.5
-0.5
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
15
0
0 10 20 30 40 50 60 70 80 90
frequence
Figure 31. Spectre du signal sinusoidal tronqué par une fenêtre rectangulaire
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 108
__________________________________________________________________________________
En conclusion :
• Si on fait un traitement ( filtrage fréquentiel ou temporel ) dans un domaine donné (
temporel ou fréquenciel ), on devra se méfier des résultats et des conséquences sur l’autre
domaine,
• Il faut bien choisir le type de la fenêtre de troncature ou le type du filtre car ce sont ces
éléments qui influent sur les qualités et les paramètres du signal désiré.
Nous venons de voir que la fenêtre rectangulaire provoque des ondulations spectrales. Pour
diminuer et atténuer celles-ci, on utilise d’autres fenêtres de troncature.
Cette fenêtre présente une distorsion spectrale moins importante que celle de la fenêtre
rectangulaire. Elle a pour expression :
t
x (t ) = 1 − ,
T
alors que son spectre est donné par :
X(f)= T sinc2(πTf) .
X(f)= Tsinc2(πTf)
x(t)=Λ2T(t)
1 T
-T T t f
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
100
50
0
-30 -25 -20 -15 -10 -5 0 5 10 15 20
frequence
Figure 33
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 109
__________________________________________________________________________________
c) fenêtre de Blackman:
Cette fenêtre en cosinus présente une distorsion spectrale moins importante que celle des deux
fenêtres précédentes. Elle a pour expression :
d) fenêtre de Hanning
fenetre de Hanning
1
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
100
50
0
0 50 100 150 200 250 300
frequence
Figure 34
e) fenêtre de Hamming
rectangulaire
1.2
0.8
Bartlett
0.6
0.4
Hamming
0.2 Hann
Figure 37
0
-150 -100 -50 0 50 100 150
temps
La programmation en Matlab de ces différents types de fenêtres est donné par le programme
suivant :
w4 = 2*(0:(n-1)/2)/(n-1); % Bartlett.
La figure 36 donne les résultats de simulation des réponses temporelles de chacune des
fenêtres présentées.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 111
__________________________________________________________________________________
1) Fenêtre rectangulaire: w(t)=1 pourt1<t<t2 et w(t)=0 ailleurs
w(t)
t
2) Fenêtre triangulaire : w(t) = 1 - |t|/ τ
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 Figure 38: Les fenêtres de troncature.
50 100 150 200 250 300
Conclusion
La troncature temporelle se traduit par un élargissement et une ondulation spectrale. Pour
remédier à cet inconvénient on choisit es fenêtres de troncature de type Hann ou de Hamming.
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 112
__________________________________________________________________________________
Annexe
SIMULATION PAR
MATLAB
Le logiciel comporte plusieurs thèmes d'étude appelées TOOLBOX dont les plus
utilisés sont les suivants :
- Traitement de signal
- télécommunications
- Identification
- Commande.
- Optimisation
etc…
La souplesse du logiciel réside par le fait qu'il s'adapte aux différentes représentations
possibles des systèmes (rep. par Equation d'Etat, par Fonction de Transfert., par Equation
différentielle...) et aux différentes méthodes d'identification. Les résultats (valeurs et courbes)
peuvent être stockés sur un fichier extérieur dont l'extension doit être du type (nom fichier.
mat).
DEN = [ an an-1... a1 ao ]
roots (DEN)
Si on veut connaître le gain statique K, les zéros Zi et les pôles Pi de la F.T. H(p), on
peut exécuter la commande suivante :
[ Z, p, K] = tf2ZP (NUM, DEN)
2- Représentation temporelle
b) Réponse indicielle
Si l'entrée U du système linéaire continu est quelconque, celle-ci doit être définie
comme fonction ou comme suite de valeurs. La commande est la suivante :
a) Diagramme de Nyquist
par exemple :
w=logspace(-2,1,1000)
a) Diagrammes de BODE
La représentation dans le plan de Black peut être déduite par la commande suivante :
3- IDENTIFICATION ET SIMULATION
Z = [y,u] ;
n = [nA, nB , nC d] ;
TH = ARMAX (Z,n) ; % modèle du type ARMAX
TH = IVA (Z,n) ; % erreur de modélisation
(Z0, P0,K0) = ZP (Th) ; % pôles et zéros du modèle
[A,B,C] = polyform (th) ; % forme polynomiale du modèle
[Num,Den] = CONT(TH) ;
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 115
__________________________________________________________________________________
3-4. Simulation à une entrée arbitraire
ou y = LSIM (Num,Den,u,t)
4- ANALYSE SPECTRALE
4-3. Statistiques :
t = 0 : 0.1 : 20 ;
y = sin (t) ;
plot (t,y) ; pause ; % dessin et maintien su écran
title (‘ Fonction sinus’) ; % titre
xlabel (‘ temps ‘) ; % axe des abscisses
ylabel (‘ y en sec’) ;
PRINT % impression de l’écran
SAVE Adnen Y1 , Y2
6- FILTRAGE NUMERIQUE
On désire filtrer une suite d’entrée X par un filtre dont la FT est donnée par :
B(z)
H(z) = A(z)
B(z)
[B,A] = YULEWALK (n,freq,Mag) ; % H = A(z)
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 117
__________________________________________________________________________________
f : étant la fréquence normalisée = fx/fo/2 = 2fx/fo
M : Gabarit du filtre désiré sous forme vecteur
n : ordre du filtre.
Il s’agit de concevoir un filtre RII d’ordre N dont le gabarit de la reponse frequentielle est
donnée par Freq et Mag. Les coefficients du filtre sont donnés par B and A.
Ou encore :
B = FIR2(N,Freq,Mag) concoit un RIF d’ordre N .
Exemple :
M=[001100];
f = [ 0 0.2 0.4 0.6 0.8 1] ; pi=3.14 ;
[B,A] = yulewalk (4, f, M) ;
[H,W] = freqz (B, A, 128) ;
plot (f, M, w/pi, abs (H)] ) ;
b. Méthode à fenêtres
c. au sens de Butterworth
Exemple :
[N, Wn] = CHEB2ORD(Wp, Ws, Rp, Rs) : concoit un filtre RII d’ordre N ayant :
Rp : attenuation max en bande passante
Rs atténuation à la pulsation Ws.
% Lowpass: Wp = .1, Ws = .2
% Highpass: Wp = .2, Ws = .1
% Bandpass: Wp = [.1 .8], Ws = [.2 .7]
% Bandstop: Wp = [.2 .7], Ws = [.1 .8]
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 118
__________________________________________________________________________________
e- elliptique
[h,w] = freqs(b,a)
ou H = FREQS(B,A,W) réponse fréquentielle H du filtre analogique de numérateur et
dénominateur B et A:
[H,F] = FREQZ(B,A,N,Fech)
réponse fréquentielle H du filtre numérique de numérateur et dénominateur B et A
7- Représentation temps-fréquence
B = SPECGRAM(A,NFFT,Fs,WINDOW)
Ou
B=SPECGRAM(A).
Cours et exercices de traitement du Signal - CHERIF Adnene – FST 2003 119
__________________________________________________________________________________
BIBLIOGRAPHIE
Collection
Théorie du signal et Transmission de l'information J.Dupaz
EYROLLES
1
Symboles, signaux et bruits
2 Pierce MASSON
Traitement numérique du signal
3 Van Der Enden MASSON
Méthodes et techniques de traitement du signal
4 J.M Lacoume MASSON
Codage et Traitement du signal
5 Wade J.G MASSON
Traitement du signal
6 Patric DUVAT DUNOD
Traitement numérique des signaux
7 M KUNT HERMES
Systèmes et asservissements linéaires échantillonnés
8 Yves SEVELY DUNOD
Eléments de théorie du signal
9 B PICINBONO DUNOD
Codage et traitement du signal
10 WADE J.G MASSON
11 Traitement du signal COULON F PPR
12 Automatique des Systèmes linéaires Ph. Larminat FLAMARION