Академический Документы
Профессиональный Документы
Культура Документы
DE TRAITEMENT
DU SIGNAL
2016/2017
LST IIEA 2016/2017
TP 1 Echantillonnage
0.0 Objectifs
1 – Génération de signaux
calculer theoriquement les Transformées de Fourier des signaux x1, x2, x3, et x;
générez par Matlab les différents signaux x, x1, x2, x3, et x; et tracez-les sur une
même figure sur P échantillons équivalent au moins à 5 périodes du signal ayant
la plus grande période. Utiliser les fonctions plot et stem.
Wh (t)= .5*(1-cos(2*pi*t))
Générer une fenêtre de Hanning de longueur P échantillons et de valeur max =1, et afficher
son allure temporelle.
Limitez la durée de signaux générés plus haut 1- par la fenêtre de hanning et tracez-
les.
Traitement du Signal 2
LST IIEA 2016/2017
Wb(t) = (.42-.5*cos(2*pi*t)+.08*cos(4*pi*t) ;
Générer une fenêtre de Hamming de longueur P échantillons et de valeur max =1, et afficher
son allure temporelle.
Limitez la durée de signaux générés plus haut 1- par la fenêtre de hamming et tracez-
les.
Traitement du Signal 3
LST IIEA 2016/2017
Traitement du Signal 4
LST IIEA 2016/2017
0.0 Objectifs
La comparaison sera effectuée sur des signaux synthétiques dont on maîtrise l’amplitude,
la phase et la fréquence de résonance. On étudiera les avantages et les inconvénients
résultants l’utilisation de quelques fenêtres : Rectangulaire, Hamming et Blackman.
1. Créer et visualiser un bruit blanc b(t) de moyenne nulle et de variance 2 sur 1024
points.
1. Construire et visualiser un signal y(t) qui soit la somme du deux signaux s(t) (1) et le
bruit blanc b(t) sur 1024 points.
Traitement du Signal 5
LST IIEA 2016/2017
Remarque
Lors de l’analyse spectrale d’un signal de longue durée, nous n’avons accès, en pratique,
qu’à une portion limitée de ce signal. Le spectre obtenu correspond donc au spectre du signal
à analyser auquel une « fenêtre » a été préalablement multipliée. La figure ci-dessous illustre
cette opération.
Figure 3.1
Exemple
Figure 3.2
Cette opération de limitation de durée du signal ne se voit pas en pratique, surtout lorsqu’on
utilise une fenêtre rectangulaire. Et c’est le cas des trois premières questions où la limitation
de la durée du signal consistait à ne considérer que les échantillons désirés.
Comme on peut le constater, la fenêtre f(t) doit être telle que le spectre Y(ν) puisse être
considéré comme une approximation acceptable de X(ν), le spectre du signal complet.
Plusieurs études ont été effectuées pour déterminer la forme optimale de la fenêtre à utiliser.
Les principales caractéristiques d’une fenêtre peuvent être mises en évidence en utilisant, par
exemple, un signal x(t) sinusoïdal de fréquence ν0. Comme on le sait, le spectre X(ν) de la
Traitement du Signal 6
LST IIEA 2016/2017
sinusoïde n’est formé que deux impulsions de Dirac situées à ±ν0; le spectre Y(ν) sera donc
(à un facteur près) F(ν+ν0) + F(ν-ν0) et nous permettra d’évaluer la qualité de la fenêtre selon
les deux critères (figure 3.3) suivants :
Figure 3.3
Des exemples de fenêtres de troncation sont illustrés par la figure 3.4
Traitement du Signal 7
LST IIEA 2016/2017
TRAVAIL À EFFECTUER
Au début de la séance, deux fenêtres vous serons désignées. Vous utiliserez le logiciel
MATLAB pour :
mettre en évidence par une simulation pertinente (1) la supériorité d’une fenêtre sur l’autre
en ce qui a trait à la résolution spectrale,
(1)
deux sinusoïdes de fréquences très proches l’une de l’autre
mettre en évidence par une simulation pertinente (2) la supériorité d’une fenêtre sur l’autre
en ce qui a trait à l’étalement spectral.
(2)
une sinusoïde d’amplitude forte + une sinusoïde de fréquence différente et
d’amplitude faible
Traitement du Signal 8
LST IIEA 2016/2017
des figures illustrant la supériorité d’une fenêtre sur l’autre en ce qui a trait à la
résolution spectrale,
des figures illustrant la supériorité d’une fenêtre sur l’autre en ce qui a trait à l’étalement
spectral,
le listage commenté des commandes MATLAB utilisées.
Traitement du Signal 9
LST IIEA 2016/2017
TP 4 Filtrage Numérique
0.0 Objectifs
L’objectif de ce TP est d’apprendre comment implémenter des filtres FIR sous Matlab et
d’étudier la réponse de ces filtres face à différentes entrées.
1. Introduction
Nous allons définir un filtre comme un système en temps discret qui convertit un signal
d’entrée x[n] en un signal de sortie y[n] à l’aide de moyennes de la somme pondérée
M N
L’équation (4.1) donne une règle pour calculer la n-ième valeur de la séquence de sortie à
partir de certaines valeurs de la séquence d’entrée. Les coefficients du filtre {b k) et (al) sont
des constantes qui définissent le comportement du filtre. Par exemple, considérons le
système pour lequel les valeurs de sortie sont données par :
Cette équation énonce que la n-ième valeur de la séquence de sortie est une moyenne de la
n-ième valeur de la séquence d’entrée x[n] et des deux valeurs précédentes, x[n -1] et
x[n –2]. Pour cet exemple, les b k sont : b0 = 1/3, b1 =1/3 et b2 =1/3.
Matlab a une fonction du nom de filter() pour exécuter l’opération dans (4.1).
Traitement du Signal 10
LST IIEA 2016/2017
La sortie ou réponse d’un filtre pour une entrée sinusoïdale complexe, e j n, dépend de la
fréquence . Souvent, un filtre se décrit simplement par la manière dont il affecte différentes
fréquences. Ceci est communément appelé la réponse fréquentielle. Par exemple, la réponse
fréquentielle d’un filtre (à 2 points) y[n] =1/2x[n] x[n -1] peut être trouvée en
x [n] = A e j n (4.3)
1 1
y [n] = 2 A e j n + + 2 A e j (n -1) +
(4.4)
1
= A e j n + 2 {1 + e - j} (4.5)
Dans (4.4), il y a deux termes, l’entrée originale et un terme qui est une fonction de .
1
H (e j ) = 2 {1 + e - j} ( 4.6 )
Une fois que le réponse fréquentielle H ( e j ) est déterminée comme une fonction de ,
l’effet du filtre sur n’importe quelle exponentielle complexe pourrait être déterminé en
Matlab a une fonction pour calculer la réponse fréquentielle d’un système LTI et discret en
temps. Elle s’appelle freqz ( ). Les lignes de commande suivantes de Matlab montrent
Traitement du Signal 11
LST IIEA 2016/2017
comment utiliser freqz pour calculer et imprimer l’amplitude (en valeur absolue) de la
réponse fréquentielle d’un système (de 2 points) comme une fonction de dans
l’intervalle - :
ww = -pi : ( pi/100) : pi ;
h = freqz ( bb, 1, ww ) ;
Nous utiliserons toujours le H majuscule pour la réponse fréquencielle. Pour les filtres FIR
de la forme de (4.1), le second argument de freqz doit toujours être égal à 1.
Dans les sections suivantes, nous allons étudier la manière dont un filtre affecte une entrée
sinusoïdale, et nous commencerons à comprendre la performance du filtre en tant que
fonction de la fréquence d’entrée. Nous verrons que :
La fréquence en temps discret pour des courbes en cosinus en temps discret, , satisfait
toujours 0 .
Traitement du Signal 12
LST IIEA 2016/2017
Ceci est communément appelé fisrt-difference filter, mais avec un gain de 5. Sous Matlab
vous devez définir le vecteur bb nécessaire dans firfilt.
1. Noter que y[n] et x[n] ne sont pas de la même longueur. Quel est longueur du
signal filtré, et pourquoi est-il de cette longueur? (Si vous avez besoin d’une indication,
referez vous à la section (4.1)
2. Tracez les 50 premiers échantillons des deux courbes x[n] et y[n] sur la même
figure en utilisant subplot. Utilisez la fonction stem pour un tracé du signal (en temps
discret), mais étiquetez l’axe des x pour rester dans l’intervalle 0 < n < 49.
une exponentielle complexe x[n] = e jn. A partir de cette formule, déterminez comment
l’amplitude et la phase devraient changer pour x[n], qui a une fréquence de = 0.125.
Traitement du Signal 13
LST IIEA 2016/2017
3. Créez un autre signal d’entrée xc qui est la somme de xa et xb. Faites passer xc à travers
le filtre pour obtenir yc. Faire le tracé de yc. Comparez yc au tracé de ya + yb. Sont-ils
égaux? Expliquez toute différence que vous observerez.
puis le filtrer xs[n] en utilisant l’opérateur du premier ordre pour obtenir ys[n]. Comparez ys
à yy, la sortie quand l’entrée est xx. Trouvez un décalage de yy (en nombre d’échantillons)
afin qu’il s’aligne parfaitement à ys.
Traitement du Signal 14
LST IIEA 2016/2017
0.0 Objectifs
L'objet de ce TP est la synthèse d'un filtre R.I.F à phase linéaire par le calcul des
coefficients du filtre satisfaisant les conditions imposées par un gabarit. Ces coefficients
seront obtenus par la technique du développement en séries de Fourrier.
1 – Théorie
H ( f )e
2 jfn
hn
1 / 2
2- Méthode
L'idée consiste donc à définir h(n) comme la transformée de Fourier inverse discrète de
H(k=N); k 1,2 …N-1. De cette manière, Hd(k) et H(f) coïncideront aux fréquences
f = k=N, mais seront en général différentes aux autres fréquences (voir illustration ci-
dessous). La procédure comprend donc les étapes suivantes :
Traitement du Signal 15
LST IIEA 2016/2017
3 - Travail à effectuer
On désire effectuer la synthèse d'un filtre passe-bas à la phase linéaire dont le gabarit
est donnée par:
2. N= 200 Fc = 0.15
3. N=100; Fc = 0.25
Traitement du Signal 16