Emmanuel Ademovič
Esigetel 2001 (v. 1.00).
ii
Table des matières
1 Théorie du signal 1
1.1 Les concepts de la théorie du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Notion de signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Notion de support . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.3 Le signal déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.4 Le signal aléatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.5 Échantillonnage, Signaux discrets . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.6 Numérisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.7 Classification énergétiques des signaux . . . . . . . . . . . . . . . . . . . . . . 4
1.1.8 Espace de Hilbert et opérateurs . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.9 Signaux synthétiques élémentaires . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Les systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Caractérisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Linéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Invariance temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.5 Causalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.6 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Les transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Transformée de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1.2 Transformée inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2.2 Transformée inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Caractérisation des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.1 Dans le domaine temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1.1 Temps moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1.2 Durée moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1.3 Fonction d’intercorrélation . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.2 Dans le domaine fréquentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2.1 Fréquence moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2.2 Bande utile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2.3 Densité interspectrale d’énergie . . . . . . . . . . . . . . . . . . . . . 12
1.4.3 Analyse temps-fréquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.3.1 Transformée de Fourier à court-terme . . . . . . . . . . . . . . . . 12
1.4.3.2 Fonction d’ambiguı̈té . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Signaux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
iii
iv TABLE DES MATIÈRES
1.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.2 Stationnarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.3 Egrodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5.4 Bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.4.1 Identification de processus . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5.5 Estimateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.5.1 Les critères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5.5.2 Caractéristiques des estimateurs . . . . . . . . . . . . . . . . . . . . . 18
1.6 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6.2 Mise en œuvre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7 Travaux dirigés de théorie du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7.1 Classifications des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.7.2 Systèmes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.7.3 Analyse non paramétrique, signaux déterministes. . . . . . . . . . . . . . . . . 24
1.7.4 Signaux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Compléments mathématiques 81
4.3 Espace vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3.1 Produit scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3.2 Normes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.3.3 Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.4 Dérivation vectorielle (convention de Vetler) . . . . . . . . . . . . . . . . . . . . . . 83
4.4.1 Dérivée d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4.1.1 Par rapport à un scalaire . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4.1.2 Par rapport à une matrice . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4.2 Dérivée d’un vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.4.3 Dérivée d’un scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.5 Probabilités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.1 Fonction de répartition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.1.1 Cas scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.1.2 Cas vectoriel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.2 Loi de densité de probabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.3 Loi conditionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.4 Indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.5.5 Changement de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.6 Espérance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.6.1 Cas hypergéométrique . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.5.7 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Préface
Le traitement du signal (ts) n’est pas un domaine à part des sciences pour l’ingénieur (spi). Sa voca-
tion est de proposer des solutions numériques à des problèmes de traitement discret1 de l’information
tels que :
– la caractérisation des signatures des signaux en vue de leur emploi pour un diagnostic (analyse),
– la modélisation de phénomènes physiques (synthèse),
– la modification de leur représentation en vue de leur transmission ou stockage (compression,
communication).
Cette discipline a des liens historiques ou ¿ génétiques À avec l’économie, les statistiques,
l’électronique, l’informatique et bien sûr les mathématiques appliquées, au sens ou elles par-
tagent des outils communs.
Cet enseignement introduit les concepts et les outils fondamentaux du ts qui seront exploités et mis
en œuvre en seconde année au travers du module de traitement numérique du signal et en troisième
année dans les modules de traitement de la parole et de l’image. Ce module est ¿ très À théorique
mais il y a assez peu de chose en somme à retenir (quelques formules que vous manipulez déjà).
1
micro-ordinateur, micro-contrôleur, processeurs spécialisés, instrumentation embarquée, etc.
2
Bref, un truc de plus à maı̂triser si vous voulez pas être dans le vent !
TABLE DES MATIÈRES ix
Introduction
Un signal est le reflet d’un phénomène analogique que l’on mesure avec un ou plusieurs capteurs3 .
y[n] y(t)
Signal Prétraitement Signal
Déquantification
Numérique Sur-échantillonnage Analogique
Filtrage numérique
Prérequis
– algèbre linéaire
– algèbre matricielle
– dérivation vectorielle
– calcul intégral
– série de Laurent
– probabilité & statistiques
– synthèse des filtres analogiques
– systèmes linéaires et asservissement
Notations.
z?, z : le complexe conjugué de z
i, j, k, l, m, n, p, q : un variable entière ∈ N ou Z
|z| : valeur absolue (z ∈ R) ou module (z ∈ C)
kxk : norme de x
x (t) : une fonction continue de t
x [n] , xn : une suite discrète
X : une fonction transformée dont l’originale est x (t) ou xn
Tf[x] : transformée de Fourier de x
3
Ils effectuent une conversion de la grandeur physique observée en une tension ou un courant.
x TABLE DES MATIÈRES
Chapitre 1
Théorie du signal
ϕ −→ f (t) (1.1)
Un modèle mathématique est en général établit comme une vue simplifiée d’un phénomène.
Exemple 1.1 l’équation différentielle du second ordre d’un circuit RLC :L q̈ (t) + R q (t) + C1 q (t) =
e (t).
Exemple 1.2 L’induction magnétique dans une bobine traversée par un courant est approchée par : B =
√ µN I .
l2 +4R2
1
2 CHAPITRE 1. THÉORIE DU SIGNAL
Nous illustrons cette définition par le modèle de vitesse d’un ascenseur défini par intervalles (cf. Fig.
1.1) :
V Tt1 0 ≤ t < T1
V T1 ≤ t < T 2
v (t) = T3 −t (1.2)
V T3 −T2 T2 ≤ t < T3
0 ailleurs
200
150
Amplitude
100
50
200
100
200
100
200
100
0
0 100 200 300 400 500 600
Temps (s)
Fig. 1.2 – La mesure de la vitesse d’élévation est perturbée par un bruit rendant ce signal aléatoire.
1.1. LES CONCEPTS DE LA THÉORIE DU SIGNAL 3
Remarque 1.1 Un signal peut être perturbé par plusieurs bruits :perturbation physique, bruit de
mesure, bruit de quantification, bruit de calcul,. . .
Remarque 1.2 Le bruit peut perturber de différentes façons :bruit multiplicatif (e.g. en acoustique
sous-marine), en F1 (bruit de rotation de la terre). Le bruit additif est une hypothèse simplificatrice
utilisable dans la plupart des problèmes.
Dans le cas des signaux aléatoires il est intéressant de pouvoir mettre en évidence quelques propriétés
statistiques. Une de ces propriétés est la stationnarité (p. 14) c’est-à-dire, que certaines statistiques
du phénomène stochastique sont constantes au cours du temps.
0.8
0.6
0.4
0.2
Amplitude
-0.2
-0.4
-0.6
-0.8
-1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Temps (s)
1.1.6 Numérisation
La numérisation est l’étape suivant l’échantillonnage qui consiste à convertir l’amplitude du signal
physique mesuré en une valeur numérique binaire opération qui rend le signal échantillonné manipu-
lable par un dispositif de traitement numérique (e.g. un µP). On effectue alors une quantification
du signal (initialement se représentant sur un intervalle continu) suivant une loi pour obtenir une
représentation numérique sur un intervalle discret.
La figure (1.4) illustre la quantification linéaire d’un signal sur 4 niveaux (soit 2 bits de représentation
binaire). Le signal original x (t) est donné en haut à gauche. Le signal numérisé x̆ (t) est en haut
à droite. Le signal déquantifié x
e (t) est donné en bas à gauche et l’erreur de quantification εx (t) =
x (t) − x
e (t) en bas à droite.
4 CHAPITRE 1. THÉORIE DU SIGNAL
Amplitude numérique
0.5
2
Amplitude
0
1
-0.5
-1 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Signal reconstruit Erreur de quantification
1 0.3
0.2
0.5
0.1
Amplitude
Amplitude
0 0
-0.1
-0.5
-0.2
-1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
On peut dire par extension que |x|2 représente la puissance instantanée du signal.
Définition 1.1 Un signal x est dit d’énergie finie si : E (x) < +∞, sa puissance moyenne est
alors nulle.
Définition 1.2 Un signal x est dit de puissance moyenne finie si : P (x) < +∞, son énergie
est infinie.
d (x, y) , kx − yk (1.12)
– enfin, peut-être la notion la plus exploitée, nous pouvons définir des bases dans cet espace afin
de représenter les signaux étudiés autrement que par leur représentation naturelle (en fonction du
temps par exemple). Ce qu’il faut retenir c’est que l’on peut écrire une fonction x quelconque sous
la forme d’une combinaison linéaire des fonctions de bases :
( P 1
R i βi λi Φi (t) si la base est discrète i ∈ N
x (t) = 1
β(ν)
λ (ν) Φ (t, ν) dν si la base est continue ν ∈ C
Z
=⇒ λi = x (t) Φ?i (t) dt = hx, Φi i
Z
=⇒ λ (ν) = x (t) Φ? (t, ν) dt = hx, Φν i
hΦi , Φk i = βi δi−k
hΦν , Φζ i = β (ν) δ (ν − ζ)
On dira que la base est orthonormée si la suite {βi } ou la fonction β (ν) de pondération de la base
a pour valeur 1.
Theorème 1.1 Une propriété découlant directement du changement de base est la conservation
de l’énergie (théorème de Parseval), ce qui pour une base orthonormée s’écrit :
Il ne s’agit pas à proprement parler d’une fonction mais plutôt d’une distribution.
La propriété majeur réside dans la relation suivante :
Z +∞
x (t) δ (t) dt = x (0) (1.15)
−∞
6 CHAPITRE 1. THÉORIE DU SIGNAL
Remarque 1.3 Il ne faut pas la confondre avec l’impulsion de Kronecker δk qui est la version
discrète : ½
1, pour n = 0
δn = (1.16)
0, ailleurs
– Le peigne de Dirac qqT :
cette fonction est construite comme la superposition infinie d’impulsion de Dirac décalées d’un
pas régulier T . X
qqT (t) = δ (t − kT ) (1.17)
k
δ (t) 1
u(t)
t t
1 Π T (t)
1 r(t)
t t
1 -T +T
2 2
la stimulation est une impulsion de Dirac δ (t) (respectivement un échelon unité u (t)) la réponse
obtenue est appelée réponse impulsionnelle (réponse indicielle). Pour le régime dynamique, l’entrée
du système est un signal périodique sinusoı̈dal (A sin (2πf t) .u (t)). Le comportement d’un système,
dont la réponse impulsionnelle est h, à une entrée x sera décrit par la fonctionnelle :
y (t) = F (x (t) , h (t) , t) (1.19)
À partir des observations nous pouvons déduire les caractéristiques suivantes :
1.2.2 Linéarité
Un système est linéaire si pour une combinaison linéaire de l’entrée on obtient une combinaison
linéaire de la sortie :
αx1 (t) + βx2 (t) −→ αy1 (t) + βy2 (t) (1.20)
= (x ? h) (t)
On démontre que ce produit de convolution est commutatif.
Si l’excitation est l’impulsion de Dirac, la réponse du système est appelée réponse impulsionnelle
et vaut la réponse propre h :
y (t) = (δ ? h) (t) = h (t) (1.23)
L’impulsion de Dirac est l’élément neutre du produit de convolution.
1.2.5 Causalité
Un système est dit causal si la réponse ne précède pas la stimulation. On s’assure cette propriété en
imposant que la réponse impulsionnelle satifasse :
h (t) = 0 t < 0 (1.24)
1.2.6 Stabilité
Un système est stable si pour une entrée bornée la sortie est bornée (ebsb) , une condition suffisante
est que la réponse impulsionnelle soit absolument convergente :
Z
|h (t)| dt < +∞ (1.25)
8 CHAPITRE 1. THÉORIE DU SIGNAL
1.3.1.1 Définition
La tl d’une fonction y (t) causale est définie par :
Z +∞
Y (p) , y (t) exp (−pt) dt, p∈C (1.26)
0
Remarque 1.4 nous y reconnaissons sans embage une projection de la fonction y (t) sur la famille
de fonction de base {exp (pt)} :Y (p) = hy (t) , exp (pt)i.
La transformée de Laplace trouve son utilité en traitement du signal dans le domaine de la concep-
tion de filtres analogiques, et en automatique pour le contrôle de systèmes.
Il faut toutefois que le signal y (t) satisfasse trois conditions suffisantes pour que sa tf existe :
1. y (t) possède un nombre fini de discontinuités sur tout intervalle fini,
2. y (t) possède un nombre fini de maxima et de minima sur tout intervalle fini,
R +∞
3. y (t) est absolument intégrable, soit −∞ |y (t)| dt < +∞ ou encore y ∈ L1 (R)
Remarque 1.5 La tf est un cas particulier de la tl bilatérale pour p = j2πf .
Remarque 1.6 c’est une fois de plus une projection de la fonction y (t) sur la famille de fonction
de base {exp (2πf t)} :Y (f ) = hy (t) , exp (2πf t)i.
La transformée de Fourier permet de décomposer une fonction suivant une base trigonométrique
(des sinus et des cosinus). Cette approche mathématique est née de l’analyse de phénomènes phy-
siques vibratoires thermiques puis transposée à d’autres domaines (optique, acoustique, mécanique).
Néanmoins, elle reste un outil mathématique car elle fait apparaı̂tre des ¿ fréquences négatives À
ce qui physiquement n’a aucune interprétation.
Z +∞
y (t) = Y (f ) exp (j2πf t) df (1.30)
−∞
La figure (??) montre le résultat du calcul du temps moyen sur une fonction de L2 (R)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 20 40 60 80 100 120 140 160 180 200
Pour des signaux de puissance moyenne finie elle est définie par :
Z + T2
1
γxy (τ ) = lim x (t) y ? (t − τ ) dt (1.34)
T −→+∞ T − T2
1 1
0.5
0.8 0.8
0.4
0.6 0.6
0.3
0.4 0.4
0.2
0.2 0.2
0.1
Amplitude
Amplitude
Amplitude
0 0 0
−0.1
−0.2 −0.2
−0.2
−0.4 −0.4
−0.3
−0.6 −0.6
−0.4
−0.8 −0.8
−0.5
−1 −1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 −1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 −1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Temps Temps Temps
La fonction d’autocorrélation γxx (ou notée γx ) indique la ressemblance du signal avec ses translations.
Cela permet de caractériser l’effet mémoire du signal comme le montre la figure (1.8) où on calcule
l’autocorrélation d’une porte rectangulaire ΠT . On voit que le maximum de ressemblance est obtenu
lorsque la translation est nulle τ = 0 et qu’au delà d’une durée ±2T il y a décorrélation.
1 0.35
0.9
0.3
0.8
0.25
0.7
0.6 0.2
Amplitude
Amplitude
0.5
0.15
0.4
0.1
0.3
0.05
0.2
0.1
0
0
−0.05
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2
Temps Temps
ΠT (t) γΠT (τ )
Z
|X (f )|2
fmoy , f df (1.35)
E (x)
"Z # 21
|X (f )|2
∆f , (f − fmoy )2 df (1.36)
E (x)
³ 2 ´
On montre dans le cas d’un signal gaussien centré (tmoy = 0) x (t) = exp − 2Tt 2 , que la bande utile
vaut :∆f = √1 .
2 2πT
Remarque 1.7 L’exemple d’un signal gaussien n’est pas donné au hasard car il est ¿ l’élément
neutre À de la transformée de Fourier. On montre dans ce cas qui est optimal que le produit ∆t∆f
1
est égal à 4π . Ceci signifie que l’on ne peut avoir simultanément une bonne résolution temporelle et
1
une bonne résolution fréquentielle. Dans le cas général, cette valeur de 4π devient une borne inférieure
que l’on nomme l’inégalité de Gabor-Heisenberg
1
∆t∆f ≥ (1.37)
4π
De la même façon, on peut aussi définir la densité spectrale d’énergie d’un signal x par transformation
de sa fonction d’autocorrélation γx :
Z +∞
Γx (f ) , γx (t) exp (−j2πf t) dt (1.39)
−∞
= |X (f )|2
fenêtrage w à support fini (w ∈ L2 (R)) à laquelle nous appliquerons différents retard τ . Il semble
évident que cette fenêtre introduira des artefacts spécifiques dans le domaine spectral.
Z
X (τ, f ) , x (t) w (t − τ ) exp (−j2πtf ) dt (1.40)
Elle permet l’étude des signaux ayant subi un décalage temporel x (t − ν) et fréquentiel x (t) exp (−j2πµt).
On mesure la distance euclidienne entraı̂née par un décalage temporel τ et un décalage fréquentiel
µ. Elle s’emploie principalement dans le traitement de signaux radar ou de type Doppler.
Z
χx (τ, f ) , x (t − τ ) x? (t) exp (−j2πf t) dt (1.41)
propriétés :
– χx (0, 0) = Ex
2
– |χ
RRx (τ, f )| ≤2 χx (0, 0) inégalité de Cauchy-Schwarz
– |χx (τ, f )| dτ df = Ex2
Z
n
E {X } = xn .pX (x) dx (1.42)
R
– Moyenne
Z
E {X} = µX = xpX (x) dx (1.43)
R
– Fonction d’intercorrélation
– Fonction d’autocorrélation
– Covariance
σXY = E {(X − µX ) (Y − µY )? } (1.46)
– Variance
© ª
2
σX = var (X) = E (X − E {X})2 (1.47)
© ª
= E X 2 − µ2X
14 CHAPITRE 1. THÉORIE DU SIGNAL
1.5.1 Définition
Un signal aléatoire est un signal dont la valeur à chaque instant est une variable aléatoire. Il est
caractérisé de façon incomplète par ses caractéristiques statistiques du premier et du second ordre :
µX (t) = E {X (t)}
Z
= x (t) p (x) dx
où p (x1 , x2 ) constitue la densité de probabilité conjointe entre les variables aléatoires X1 = x (t1 ) et
X2 = x (t2 ).
1.5.2 Stationnarité
Un processus est dit stationnaire au sens strict si toutes ses propriétés statistiques sont indépendantes
de l’origine des temps.
µ (t) = µ
γ (t1 , t2 ) = γ (τ ) , τ = t1 − t2
1.5.3 Egrodisme
Le problème de la caractérisation des processus aléatoires réside dans l’emploi du calcul de l’espérance.
En effet, ce calcul nécessite la connaissance de la loi de densité de probabilité du processus. Or, cette
connaissance est difficilement accessible car pratiquement, il nous faudrait effectuer un nombre infini
d’expérience pour la déterminer.
Afin de s’affranchir de cette limitation, on introduit la notion d’ergodicité qui établit un lien entre
la moyenne d’ensemble (c-à-d. l’espérance) et la moyenne sur une réalisation (c-à-d. une
moyenne temporelle).
L’ergodisme (sousentendu fort) étant une propriété difficile à démontrer, on peut montrer d’une
manière générale que pour des processus stationnaires du second ordre, il y a toujours ergodisme
faible pour la moyenne :
© ª
lim E |X (t, w) − µ|2 = 0 (1.49)
T →+∞
1.5. SIGNAUX ALÉATOIRES 15
Exemple 1.3 Soient x (t) et y (t) deux processus aléatoires centrés du second ordre, stationnaires,
ergodiques faibles. En supposant que la notion d’ergodisme faible s’étende au 2nd ordre, alors la
fonction d’intercorrélation est ergodique.
Z +T
? 1
γXY (τ ) = E {X (t) Y (t − τ )} = lim x (t) y ? (t − τ ) dt (1.50)
T →+∞ 2T −T
γb (τ ) = σb2 δ (τ ) (1.52)
Dans le domaine fréquentiel, sa densité spectrale de puissance est uniforme sur tout le support :
Γb (f ) = σb2 (1.53)
Lorsque le bruit n’est pas parfaitement décorrélé, on parlera de bruit coloré. On pourra considéré
alors que dans le domaine spectral, la puissance du bruit est constante dans une bande de fréquence
donnée :
Γb (f ) = σb2 ΠB (f )
Il sera intéressant de pouvoir connaı̂tre soit le temps de corrélation soit la bande de fréquence.
On peut exprimer l’influence du bruit sur un signal en valeur relative en définissant le rapport
signal à bruit dans le cas d’une perturbation additive. :
= Px + Pb
µ ¶
Px
ρ , 10 log10 (1.54)
Pb
Générateur de
bruit blanc
e(t) Système
inconnu
s(t)
Corrélateur
γse(t)
Dans le cas d’une source de bruit blanc de puissance σe2 , on montre que la fonction d’intercorrélation
entre e (t) et s (t) vaut :
γse (τ ) = σe2 h (τ )
1.5.5 Estimateurs
Soit X ∈ Rm une quantité inconnue que l’on veut évaluer : c’est la variable à estimer.
Soit Y ∈ Rp une quantité connue liée à X que l’on nomme observation.
Soit O ⊂ R l’espace d’observation désignant l’ensemble de toutes les estimations possibles.
Un estimateur de X (que l’on notera X̂) à partir des observations Y se définit comme :
X̂ (.) O → Rm (1.55)
Y 7→ X̂ = X̂ (Y )
Le problème est de trouver un estimateur mais selon quel(s) critère(s) et à partir de quelles informa-
tions.
Pour résumer, un estimateur est un outil de mesure permettant d’évaluer la valeur d’un paramètre.
C’est rarement un outil générique. En effet, la conception de l’estimateur repose sur les caractéristiques
statistiques du signal analysé et l’emploi d’un critère d’optimisation. Le parallèle avec l’outil de me-
sure peut être prolongé par le fait que nous allons juger de ses performances dans les mêmes termes :
biais, variances et convergence.
Valeur
exacte
Estimations
Moyenne de
l'estimateur
Variance Biais
une règle de décision afin de choisir le meilleur estimateur vis à vis du critère sélectionné. On parle
alors d’estimateur optimal au sens d’un critère. On peut aussi créer un estimateur à partir de simple
considération empiriques.
Estimateurs empiriques
La construction d’un estimateur empirique d’une caractéristique peut être simplement effectuée à
partir de l’expression de l’ergodicité. Prenons par exemple le cas de la moyenne :
Z T
1
µx = E {X} = lim x (t) dt (1.56)
T →+∞ T 0
Nous considérons le cas d’un signal x ∈ E que nous approchons par une série de fonctions quelconques.
L’approximation x̃ est définie dans un sous-espace de E, nous permettant de mesurer le signal d’erreur
e = x − x̃. L’erreur quadratique moyenne s’écrit :
Z
kek , |x (t) − x̃ (t)|2 dt
2
(1.58)
Cette mesure permet d’apprécier l’erreur d’approximation absolue commise. On montre que l’ap-
proximation x̃ de x est optimale au sens de l’eqm si la distance d (x, x̃) est minimale. On montre
que la solution optimale correspond à une erreur orthogonale à l’approximation. Le théorème de
Pythagore est alors vérifié :
kxk2 = kx̃k2 + kek2 (1.59)
L’interprétation dans le cas aléatoire s’effectue simplement au sens de la puissance (voir Équ.1.54).
En effet, on peut considérer que nous avons trois espaces différents le premier étant l’espace des
observations, le second l’espace du signal et l’espace du bruit. Les deux derniers espaces sont ortho-
gonaux entre eux et forment l’espace d’observation.
18 CHAPITRE 1. THÉORIE DU SIGNAL
La construction d’un estimateur en moyenne quadratique repose sur une hypothèse de modélisation
du processus x à partir des observations y. On pose l’hypothèse que l’estimateur est linéaire :
b (Y ) = AY
X (1.60)
© ª
= E ||X − AY ||2
Critères statistiques
La désignation du critère peut être faite en intégrant des connaissances à priori sur le comportement
stochastique du signal aléatoire. On utilise alors des méthodes de construction des estimateurs fondées
sur les stratégies bayesiennes. Dans ce cas nous devons connaı̂tre une loi de densité de probabilité
conditionnelle généralement p (X|Y ) et nous imposer une fonction de coût. C’est de cette manière
que sont formulés les estimateurs :
– du maximum de vraisemblance,
– du maximum à posteriori,
– médian.
Nous ne développons pas dans ce cours les estimateurs statistiques avec connaissance à priori.
Variance
La variance est un indicateur de la dispersion des estimées par rapport à la valeur moyenne.On peut
qualifier cette caractéristique par le terme de précision.
© ª
Varâ = E (â − E {â})2 (1.62)
Convergence
On dira que l’estimateur â est convergent si et seulement si â converge en probabilité vers a quand
le nombre ou la durée d’observations tend vers +∞.
Bâ = 0
Jâ →n→+∞ 0
σ2
On peut montrer que cet estimateur est sans biais et possède une erreur quadratique en N
. Par
conséquent, l’estimateur µ̂ est convergent.
1.6 Échantillonnage
1.6.1 Définitions
Cette opération a pour but de rendre le signal continu y (t) manipulable par un dispositif numérique
en lui associant une suite discrète yn . La suite correspond à la fonction originale mesurée aux temps
tn (cf. Fig. 1.12) :
yn ≡ y (tn ) , n ∈ N (1.64)
L’échantillonnage est dit régulier si l’intervalle de temps ∆tn entre deux mesures consécutives est
constant :
0.8
0.6
0.4
0.2
Amplitude
0
-0.2
-0.4
-0.6
-0.8
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Temps
+∞
X
Ye (f ) = Fe . (Y ? qqFe ) (f ) = Fe Y (f − nFe ) (1.67)
n=−∞
L’échantillonnage a pour effet de périodiser le spectre du signal avec une période égale à la fréquence
d’échantillonnage Fe .
1 1
0.9 0.9
0.8 0.8
Densitéspectrale de puissance
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
Densité
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-100 -80 -60 -40 -20 0 20 40 60 80 100 -300 -200 -100 0 100 200 300
Frequences Frequences
spectrale de puissance
1 1
0.9 0.9
0.8 0.8
Densitéspectrale de puissance
0.7 0.7
0.6 0.6
0.5 0.5
0.4 0.4
Densité
0.3 0.3
0.2 0.2
0.1 0.1
0 0
-100 -80 -60 -40 -20 0 20 40 60 80 100 -150 -100 -50 0 50 100 150
Frequences Frequences
hϕj , ϕk i = βk δj−k
On veux obtenir la meilleure représentation pour la suite de coefficients {λj } au sens de l’erreur
quadratique moyenne : Z ¯ ¯2
¯ ¯
J = ¯y (t) − yd (t)¯ dt
© ª
Montrer que les coefficients optimaux λopt
j sont obtenus par un simple calcul du produit scalaire
(ie. une projection orthogonale) :
1
λopt
j = hy, ϕj i
βj
NB : On pensera à J minimiser en fonction de λj .
1.7. TRAVAUX DIRIGÉS DE THÉORIE DU SIGNAL 23
X H Y
+
-
Λ (t) = (x ? x) (t)
A B
S
Exercice 1.13 Calculer la transformée de Fourier d’une fonction porte Π d’ouverture T . Calculer
le produit de convolution et la fonction d’autocorrélation de cette fonction par elle-même. Que vaut
la tf du signal convolué ?
¡ ¢
Exercice 1.14 Soit le signal x (t) = u (t) exp − Tt , on souhaite appliquer une analyse spectrale sur
un enregistrement y (t) de ce signal de durée L. Calculer les tf de x et y. Quelle relation doit vérifier
la longueur moyenne de l’enregistrement T pour que l’erreur relative commise en confondant Y (f )
et X (f ) soit inférieure à 1 %.
Exercice 1.15 Déterminer les temps moyens, les fréquences moyennes, les durées et les bandes
utiles des signaux suivants :
– x1 (t) = ΠT (t − τ ),
– x2 (t) = u (t − τ ) . exp (−a (t − τ )) , a > 0,
R 4
– x3 (t) = ΛT (t) (on admettra que sinu2(u) du = π4 ),
– x4 (t) = a exp (λt2 ) , λ < 0.
1.7. TRAVAUX DIRIGÉS DE THÉORIE DU SIGNAL 25
b (t) est un bruit blanc gaussien, stationnaire, ergodique, centré N (0, σ 2 ). φ est une phase aléatoire
indépendante de b (t) suivant une loi uniforme sur [0, 2π].
– Le signal x est-il aléatoire ?
– Calculer la moyenne µx (t) de x (t) . Le signal est-il stationnaire ?
– Calculer l’autocorrélation γx (τ ) de x (t).
– Donner l’expression de la fonction de corrélation pour un signal déterministe de puissance moyenne
finie.
– Donner l’autocorrélation déterministe Γx (τ ) de x (t).
– Montrer que la moyenne statistique de l’autocorrélation déterministe est identique à la fonction de
corrélation γx (τ ).
Exercice 1.17 Soit x (t) un bruit blanc stationnaire de paramètres N (µx , σx2 ) que l’on filtre par un
système déterministe de réponse impulsionnelle h (t) et de transformée de Fourier H (f ).
– Calculer la moyenne µy du signal de sortie y.
– Calculer σy2 .
Exercice 1.18 Soit l’estimateur de la fonction de corrélation suivant :
Z +∞
γ̂xy (τ ) = K (τ ) . xw (t) yw? (t − τ ) dt
−∞
où fw est la fonction f multipliée par la fenêtre d’observation w (w (t) = ΠT (t)). K est une fonction
de pondération.
Nous allons étudier le biais de cet estimateur pour deux pondérations différentes. L’une d’entre elles
sera :
1
K1 (τ ) =
T
– Exprimer la moyenne statistique de l’estimateur.
– Déterminer le biais pour K1 (τ ).
– Comment choisir K2 (τ ) pour que l’estimation soit sans biais ?
– Calculer la densité spectrale de puissance et conclure sur les deux estimateurs.
26 CHAPITRE 1. THÉORIE DU SIGNAL
Chapitre 2
On suppose que ceux qui vont lire ce document possèdent déjà les notions rudimentaires de la
programmation C et de l’environnement Windows.
>>Démarrer>Programmes>Matlab>Matlab
Cette fenêtre deviendra alors la fenêtre de commande Matlab 1 . Il s’agit en effet d’une interface en
mode texte avec l’interpréteur de langage Matlab dans laquelle vous pouvez exécuter des instruc-
tions spécifiques ou lancer des programmes.
L’affichage des résultats numériques se fera en mode texte dans cette même fenêtre ou dans une autre
fenêtre en mode graphique (en faisant appel aux fonctions de visualisation de Matlab).
1
Vous pouvez aussi rajouter un lien pointant vers l’exécutable disposé sur votre bureau, il suffit alors de cliquer
sur l’icone correspondante pour qu’une fenêtre similaire s’ouvre dans votre environnement.
27
28 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
L’édition de programmes .m est un processus totalement indépendant de Matlab. Vous êtes ainsi
libre d’utiliser votre logiciel d’édition préféré.
– Users Guide - destiné surtout aux débutants. Cette documentation vous prend la main et vous
guide lentement dans les méandres du langage Matlab. Si vous êtes un débutant, le passage par
cette documentation est quasiment inévitable
– Reference Guide - tout comme son nom l’indique il s’agit d’un document qui décrit tous les
éléments de langage Matlab (instructions, fonctions et leurs paramètres). Grâce à son index très
complet, il permet de retrouver facilement des informations
– Signal Processing Toolbox User’s Guide - le guide d’utilisation de la boı̂te à outils de traite-
ment de signal. Il contient deux parties : Tutorial et Reference, conçues de même manière que les
deux documentations correspondantes Matlab
– Image Processing Toolbox User’s Guide - le guide d’utilisation de la boı̂te à outils de traite-
ment d’image
2.1. INTRODUCTION À MATLAB 29
– Building a Graphical User Interface - il s’agit d’un document qui traite les fonctions Matlab
d’interaction graphique avec l’utilisateur. Parmi toutes les documentations, c’est de loin le livre
le moins complet. Heureusement, il contient de nombreux exemples qui peuvent conduire, par le
biais de l’expérimentation, à une parfaite maı̂trise de l’interface graphique (si cela est vraiment
nécessaire)
– External Interface Guide - c’est un des ouvrages les plus utiles parce qu’il traite l’interaction
de Matlab avec des programmes externes, notamment celles écrites en langage C (voir p. 42).
De même, l’aide en ligne est très complète. Il suffit de taper dans la fenêtre de commande :
>>help
et le résultat sera une énumération de ce type :
HELP topics:
matlab\general - General purpose commands.
matlab\ops - Operators and special characters.
matlab\lang - Programming language constructs.
matlab\elmat - Elementary matrices and matrix manipulation.
matlab\elfun - Elementary math functions.
matlab\specfun - Specialized math functions.
matlab\matfun - Matrix functions - numerical linear algebra.
matlab\datafun - Data analysis and Fourier transforms.
matlab\polyfun - Interpolation and polynomials.
matlab\funfun - Function functions and ODE solvers.
matlab\sparfun - Sparse matrices.
matlab\graph2d - Two dimensional graphs.
matlab\graph3d - Three dimensional graphs.
matlab\specgraph - Specialized graphs.
matlab\graphics - Handle Graphics.
matlab\uitools - Graphical user interface tools.
matlab\strfun - Character strings.
matlab\iofun - File input/output.
matlab\timefun - Time and dates.
matlab\datatypes - Data types and structures.
matlab\winfun - Windows Operating System Interface Files (DDE/ActiveX)
matlab\demos - Examples and demonstrations.
comm\comm - Communications Toolbox
comm\commsfun - Communications Toolbox SIMULINK S-functions.
comm\commsim - Communications Toolbox SIMULINK files.
wavelet\wavelet - Wavelet Toolbox.
wavelet\wavedemo - Wavelet Toolbox Demos.
dspblks\dspblks - DSP Blockset.
dspblks\dspmex - (No table of contents file)
30 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
Pour une aide encore plus pointue, la commande help peut être suivie par le nom de la commande
dont on souhaite le détail. Supposant qu’on veut voir l’utilisation de la commande fft2, il suffit
d’écrire :
>>help fft2
La commande helpwin est équivalente à help la différence est qu’une fenêtre d’aide sera ouverte
vous offrant la possibilité d’invoquer une aide au format hypertexte.
>>helpwin fft2
L’information fournie par l’aide en ligne est plus ou moins équivalente avec celle contenue dans les
Reference Guides.
Une autre source d’informations extrêmement riche est le programme de démonstration de Matlab.
Vous pouvez le lancer avec la commande demo.
Plus restrictif encore, il travaille seulement en format numérique flottant, ce qui signifie 8 octets par
élément.
On peut définir des nombres complexes, en utilisant le symbole i (ou j, pour ceux qui préfèrent des
notations plus ¿ ingénieur À).
Des fonctions booléennes peuvent être utilisées dans les structures de contrôle de type if ou while.
Un exemple de définition explicite d’une matrice est le suivant :
>>a=[1 3 2; 3 3 3; 2 2 1];
On peut vérifier l’existence de la matrice a en écrivant son nom sur la ligne de commande :
>>a
a =
1 3 2
3 3 3
2 2 1
2.1.2.2 Opérateurs
Matlab admet l’utilisation de tous les opérateurs usuels (addition, multiplication, etc.) avec les
règles de priorité bien connues. Nous allons effectuer quelques opérations simples avec la matrice a
qui a été définie dans la section précédente.
>>b=a+a
b =
2 6 4
6 6 6
4 4 2
Remarquez la facilité dont on peut créer des nouvelles matrices. Nul besoin de spécifier la taille de
la matrice b, elle est attribuée automatiquement. Plus intéressant encore, la taille de la matrice se
modifie de façon adaptative :
>>b=[b a]
b =
2 6 4 1 3 2
6 6 6 3 3 3
4 4 2 2 2 1
Maintenant nous allons ¿ couper À la matrice b pour revenir à sa valeur initiale. Les éléments de
b peuvent être manipulés en utilisant la syntaxe b(x,y) ou x est l’indice de la ligne et y l’indice de
la colonne de l’élément à manipuler. Alors la commande :
>>b=b(1:3,1:3)
b =
2 6 4
6 6 6
4 4 2
retient seulement les 3 premières colonnes de b et nous permet de retrouver sa valeur initiale. En
passant, remarquons que l’expression x :y a comme résultat la création d’une série de nombres en
commençant par x et en rajoutant 1 sans qu’on dépasse le seuil supérieur y. On évalue une telle
série :
>>2.5:6
ans =
2.5000 3.5000 4.5000 5.5000
Maintenant, nous allons voir un autre exemple :
>>c=a*b
c =
28 32 26
36 48 36
20 28 22
le résultat est, normalement, le produit matriciel de a et b. Supposons que nous voulons calculer le
produit scalaire (élément par élément) des matrices a et b. Dans ce cas, il suffit de rajouter le symbole
¿ . À (point) avant l’opérateur de multiplication :
2.1. INTRODUCTION À MATLAB 33
>>c=a.*b
c =
2 18 8
18 18 18
8 8 2
Cette règle est valable pour tous les opérateurs qui peuvent admettre une utilisation duale (matricielle
et scalaire) : division, exponentiation. On peut commuter vers l’opération scalaire juste en rajoutant
un point avant l’opérateur en cause.
% Fonction factorielle
% un exemple pour le cours d’initiation Matlab
% entrée = u nombre n quelconque
% sortie = -1 si n non-entier positif
% sortie = n! si n entier positif
if ~(ent==round(abs(ent)))
resultat=-1;
elseif (ent==0)
resultat = 1;
else
resultat=ent*fact(ent-1);
end
return
Nous pouvons maintenant utiliser cette fonction pour calculer le factoriel d’un nombre entier n.
>>fact(10)
ans =
3628800
La convention de définition de la fonction ressemble tout à fait aux autres langages de programmation
structurée. Cet exemple en apparence trivial contient plusieurs informations importantes. On observe
que Matlab accepte aussi des fonctions récursives, ce qui est quand même remarquable pour un
langage interprété. Ca ne veut pas dire que l’utilisation de ce genre de fonctions est souhaitable, mais
du point de vue de la flexibilité, Matlab n’a rien à envier aux langages compilés.
Comme vous avez déjà deviné, le symbole ¿ % À précède une ligne de commentaires qui seront
ignorées. Mais si ces lignes sont en début de fonction on va voir que la commande :
>>help fact
34 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
Fonction factorielle
un exemple pour le cours d’initiation Matlab
entrée = u nombre n quelconque
sortie = -1 si n non-entier positif
sortie = n! si n entier positif
donne un résultat intéressant. Maintenant notre fonction fact.m est intégrée de façon cohérente dans
l’environnement Matlab. Elle se comporte de la même manière que les fonctions ¿ natives À . On
peut même l’inclure dans une bibliothèque de fonctions Matlab.
D’un point de vue un peu plus technique, une M-fonction ne sera interprétée que lors de sa première
invocation. Le script est lu et compilé par l’interpréteur puis placé en mémoire pour l’exécution.
Matlab ne recompilera le script que si une modification du fichier Ascii est détectée. Cependant, il
se peut que les modifications apportées ne soient pas automatiquement prises en compte (cela peut
se produire lorsque l’unité de travail est un lecteur réseau), il faut alors effacer le programme compilé
de la mémoire en utilisant la commande clear 2 :
>>clear fact
Par ailleurs, si vos M-fonctions sont enregistrées sur un lecteur réseau, il faut forcer à Matlab à
détecter les éventuels changements apportés au scripts invoqués. Pour cela vous devez valider l’op-
tion : ¿ Always Reload Network Directories À dans le menu File> Preferences>General.
Des centaines de fonctions de ce type sont livrées dans la distribution Matlab standard et aussi dans
les boı̂tes à outils. De même que de nombreuses fonctions faites par des chercheurs et ingénieurs du
monde entier sont disponibles gratuitement au site Web de Mathworks (les auteurs de Matlab)
http ://www.mathworks.com.
Il faut faire attention à ne pas abuser de ces instructions. Les débutants oublient assez souvent la
philosophie de Matlab et construisent des boucles de ce genre :
>>for index=1:10
fnc[index]=index^3;
end
C’est lourd et c’est lent et ça ne tient pas compte de la vectorisation offerte par Matlab. L’alternative
suivante :
>>index=1:10;
fnc=index.^3;
est beaucoup plus élégante et surtout, plus rapide. À terme, cette manière d’écrire fait que votre
programme est plus facile à dépanner et à modifier.
2
Il est conseillé de consulter l’aide de cette commande.
2.1. INTRODUCTION À MATLAB 35
a =
1 1 1
1 1 1
1 1 1
Nous allons retenir la portion triangulaire inférieure de cette matrice
>> b=tril(a)
b =
1 0 0
1 1 0
1 1 1
Cette matrice sera transposée
>> b=b’
b =
1 1 1
0 1 1
0 0 1
Le déterminant de b est, bien sûr,
>> det(b)
ans =
1
et son inverse
>> inv(b)
ans =
1 -1 0
0 1 -1
0 0 1
et son vecteur de valeurs propres
>> eig(b)
ans =
1
1
1
36 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
b =
2 5 15
3 2 5
6 3 2
La triangularisation factorielle d’une matrice est la décomposition d’une matrice carrée en deux
matrices, une étant la permutation (par lignes) d’une matrice triangulaire inférieure, l’autre étant
une matrice triangulaire supérieure. Pour trouver cette décomposition (dite Lower-Upper ou LU) une
seule commande suffit :
>> [l,u]=lu(b)
l =
0.3333 1.0000 0
0.5000 0.1250 1.0000
1.0000 0 0
u =
6.0000 3.0000 2.0000
0 4.0000 14.3333
0 0 2.2083
Je vous laisse le plaisir de montrer la validité de cette décomposition et surtout, le fait qu’elle est
unique. Cet exemple peut paraı̂tre trop pointu et limité comme application, mais il faut préciser que
Matlab contient des nombreuses fonctions spécialisées qui peuvent vous servir dans le cadre de vos
applications.
Avant de programmer une fonction dont vous avez besoin, je vous conseille de chercher attentivement
dans la référence, peut être qu’elle est déjà écrite. Matlab est à la fois simple et complexe, et même
les utilisateurs les plus chevronnés ne prétendent pas connaı̂tre la totalité des fonctions Matlab.
2.1.3.2 Polynômes
Les polynômes sont représentés comme des vecteurs ligne qui contiennent les coefficients dans l’ordre
décroissant des puissances. Par exemple le polynôme x4 + 3.5x3 − 3.9x2 + 8x − 20 s’écrit :
>> p = [1 3.5 -3.9 8 -20]
p =
1.0000 3.5000 -3.9000 8.0000 -20.0000
Les racines de ce polynôme sont :
>> r = roots(p)
r =
-4.8285
-0.0843 + 1.6613i
-0.0843 - 1.6613i
1.4970
2.1. INTRODUCTION À MATLAB 37
ans =
1.0000 3.5000 -3.9000 8.0000 -20.0000
On utilise sans aucun problème les opérateurs et les fonctions pour la manipulation de matrices sur
ces vecteurs qui représentent des polynômes.
2.1.3.3 Affichage 2D et 3D
Matlab offre une grande variété de fonctions pour la représentation des matrices et des vecteurs.
Cette section contient un court passage en revue de ces fonctions.
Commençons par définir deux vecteurs qui contiennent les fonctions f1(x)=sin(x) et f2(x)=cos(x) sur
l’intervalle [−2π, 2π] , en 100 points.
>> x = -2*pi:(4*pi/99):2*pi;
f1=sin(x); f2=cos(x); plot(x,f1,’b-’,x,f2,’r-.’);
La dernière commande produit un graphique de nos deux fonctions sur l’intervalle de définition.
La syntaxe de la commande est plot(x,f,’attributes’) ; le résultat sera un graphique linéaire des
éléments de f en fonction des éléments de x tracé avec les attributs spécifiés entre apostrophes. La
fonction f 1 sera tracée avec une ligne continue bleue, et la fonction f 2 en pointillé, couleur rouge.
On peut modifier l’axe x de telle façon que notre graphique soit mieux adapté aux dimensions de la
figure :
>> axis([-2*pi 2*pi -1 1]);
Nous allons rajouter une grille, des étiquettes sur les deux axes et un titre :
>> grid on; %la grille
xlabel (’x’); %l’étiquette de l’axe 0x
ylabel (’f1 et f2’); %l’étiquette de l’axe 0y
title (’Un exemple de plot 2D’); %le titre
Un exemple de plot 2D
1
0.8
0.6
0.4
0.2
f1 et f2
−0.2
−0.4
−0.6
−0.8
−1
−6 −4 −2 0 2 4 6
x
Supposons que nous voudrions rajouter au graphique une fonction f 3 égale au produit de f 1 et f 2 :
38 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
>> f3 = f1.*f2;
nous allons indiquer que le prochain tracé sera superposé sur l’ancien graphique :
et la commande :
>> plot(x,f3,’rx’);
sur le domaine [−2π, 2π] × [−2π, 2π] en 100 × 100 points. Pour générer les matrices x et y :
>> x = -2*pi:(4*pi/99):2*pi;
[x,y] = meshgrid(x,x);
>> mesh(x,y,f)
>> contour3(x,y,f,20)
>> m=f(1:40,1:40);
surf(m); shading faceted
et finalement pour une représentation de cette surface en ombrage interpolé on utilise la commande :
On peut calculer le gradient de la matrice m et le visualiser sur la forme d’une carte des vecteurs :
Nous avons vu une grande variété de représentations graphiques, mais on est encore loin d’avoir épuisé
toutes les ressources de Matlab. Des nombreux exemples fortement utiles sont à votre disposition
dans le User Guide.
2.1. INTRODUCTION À MATLAB 39
Mesh Contour3
Surf Interp
2.1.3.4 Images
Une image est en effet une matrice de valeurs réelles. Pour cet exemple nous allons charger un fichier
de données qui sert à illustrer le programme de démonstration de Matlab. Ce fichier s’appelle
clown.mat, que nous pouvons charger avec la commande :
>> clear all;
load clown
Cette commande a pour effet le chargement d’une série de variables. Parmi ces variables ; la matrice X
contient l’image qui nous intéresse. Une observation s’impose : Matlab ¿ sait À afficher seulement
des images avec 64 couleurs (nuances de gris ou autre), les valeurs correspondantes de pixels étant
par défaut de 0 à 63. La matrice X contient des valeurs plus grandes que 63. Il faut donc faire une
remise a l’échelle. Après ça, nous allons utiliser une gamme de couleurs qui associe des nuances de
gris (la gamme de couleurs par défaut est Hsv - hue, saturation, value). Et finalement, on va éliminer
les axes pour une visualisation plus confortable de l’image (voir Fig. 2.5).
>> X = X*63/max(max(X)); % remise à l’échelle
image(X); % affichage de l’image
colormap(gray); % la carte de couleurs en niveaux de gris
axis off; % élimination des axes
La prochaine section contient quelques exemples de traitements appliqués sur cette même image X.
nous allons vérifier qu’il s’agit d’un filtre passe-bas en représentant son spectre d’amplitudes sur le
domaine [−0.5, 0.5] × [−0.5, 0.5] en fréquence normalisée avec une résolution de 64 × 64 points.
>> freq = -0.5:1/63:0.5;
[freqx,freqy] = meshgrid(freq,freq); % domaines Fx et Fy
spectre_fpb = fft2(fpb,64,64); % calcul de la TF sur 64x64 points
amplit=abs(spectre_fpb); % calcul des amplitudes
amplit=fftshift(amplit); % pour arriver au domaine [-0.5,0.5]
figure;
mesh(freqx,freqy,amplit); % affichage du résultat dans une nouvelle fen^
etre
Par la suite on va filtrer l’image du clown par convolution avec ce filtre et afficher le résultat. Pour
que l’effet du filtrage soit plus visible, l’image sera filtrée trois fois de suite.
>> for nbr_filt = 1:3,
X = conv2(X,fpb);
end %filtrage trois fois de suite
figure; image(X); colormap(gray); axis off;
L’effet de lissage est ainsi très visible.
Toujours dans le domaine du traitement de signal, un autre exemple intéressant qui utilise la fonction
de filtrage récursif 1D filter. Supposant qu’on connaı̂t la fonction de transfert d’un filtre récursif,
disons un simple, on veut visualiser les 100 premiers échantillons de sa réponse impulsionnelle.
Premièrement, il faut décrire le filtre en utilisant deux vecteurs de type polynôme :
>> a = 1; % a(z) = 1
b=[1 0 0.9]; % b(z) = 1 + 0.9*(1/z)^2
Après ça, il faut générer un Dirac numérique de taille 100, causal.
mot1 =
un autre exemple =
On peut transformer des nombres en séries de caractères avec la fonction num2str :
>> a=0;
mot2=num2str(a)
mot2 =
0
Bien sûr, on peut manipuler ces vecteurs comme tout autre vecteur :
>> [mot1 mot2]
ans =
un autre exemple =0
Mais ce type de données comporte des aspects beaucoup plus intéressants. Suivons le prochain
exemple :
>> expr=’1/x+x^2-2’;
x=1;
eval(expr) %évaluation de l’expression expr avec la valeur x=1
ans =
0
Cette utilisation des séries des caractères est présente dans l’implantation de la boı̂te à outils Maple
Symbolic Toolbox, qui utilise la technologie de chez Maple Software, les leaders dans le do-
maine des mathématiques symboliques. Même sans cette boı̂te à outils, on peut toujours utiliser cette
technique pour des fonctions rudimentaires de mathématique symbolique.
La première variante est implantée toujours en utilisant les commandes load/save. Il s’agit de sauver
une matrice sur le disque dur, en format Ascii. Il faut seulement rajouter à la fin le commutateur
-Ascii. Exemple :
>>save toto -Ascii
42 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
Dans le fichier de données, les éléments seront séparés par un espace, et les lignes par un saut de fin
de ligne. Ce format a plusieurs avantages et plusieurs défauts. Comme avantage, on peut citer le fait
que le format Ascii peut être interprété par simple inspection visuelle du fichier avec un éditeur de
texte. Nul besoin de connaı̂tre le format interne Matlab, et c’est extrêmement facile de programmer
des procédures C pour écrire ou lire un tel fichier ou même pour le convertir dans le format Maple
Ascii. Par contre, au fur à mesure que la matrice devient grande, la manipulation d’un tel fichier
s’alourdit (cela peut constituer un gros problème surtout pour ceux qui ont des petits désagréments
avec leur quota de disque dur).
Enfin, Matlab sait utiliser de fonctions de manipulation des fichiers façon C. Il s’agit des fonctions
classiques genre fopen, fclose, fwrite, fseek, fprintf, etc. Vous pouvez ainsi lire ou générer un
format binaire ou n’importe quel format exotique.
Un peu plus avancée, mais plus complexe, est l’utilisation des fichiers .mex. Ce sont des fichiers
écrits en langage C, compilées avec un compilateur spécial cmex, qui peuvent ultérieurement être
appelées comme n’importe quelle fonction. Ces sources doivent inclure le fichier entête ¿ mex.h À.
Cette démarche est particulièrement lourde, car elle comporte aussi la création d’une fonction pont
(gateway routine). Des nombreux problèmes de compatibilité de .mex entre différentes versions
de Matlab se posent. ¿ N’utiliser les MEX que si vous avez absolument besoin À.
Le noyau Matlab s’appelle avec la procédure engOpen() et il se ferme avec la procédure eng-
Close(). Une liste détaillée de toutes les fonctions de communication avec le noyau Matlab se
trouve dans External Interface Guide.
En ce qui concerne le PC, Borland C++ ne fait pas partie des compilateurs indiqués par Math-
works. Le seul compilateur qui pourrait éventuellement coopérer avec Matlab est le gcc.
Plusieurs façons d’insérer un graphique dans un document Word existent. Par exemple, on peut faire
une copie d’écran (par menu sous Windows ou avec snapshot sous Unix). Les graphiques Matlab
étant sous fond noir, il faut opérer des modifications des couleurs (avec Paint sous Windows eu xv sous
Unix). Après tout ça, un changement de format de fichier graphique sera nécessaire. Cette méthode
est à éviter pour plusieurs raisons. Elle est lourde ; regardez le nombre d’opérations nécessaire pour
insérer un seul graphique. La qualité finale de graphiques est médiocre, parce que généralement la
résolution d’un écran d’ordinateur est autour de 72dpi (dots per inch - points par puce). Par contre,
il serait bien de pouvoir exploiter la résolution d’une imprimante laser, qui peut aller jusqu’à 600dpi.
Le seul moyen facile et qualitatif à la fois est d’utiliser le format Encapsulated PostScript (.eps).
Matlab permet de transformer un graphique présent dans une fenêtre dans un fichier PostScript
en une seule commande :
>> print -deps le_nom
qui aura comme effet la création sur le disque dur d’un fichier le nom.eps. C’est essentiel que ce
fichier soit en format .eps. Un graphique dans le format PostScript natif (.ps) peut être visualisé
ou imprimé, mais il est impossible de l’insérer dans un document de façon correcte. En passage, nous
allons remarquer le fait que la conversion PostScript est accompagnée par une modification auto-
matique du fond du graphique, qui devient blanc, et des éléments du graphique, qui serons imprimés
en noir.
Si vous avez accès à une imprimante PostScript couleurs, ca devient intéressant de récupérer un
fichier .eps couleurs avec une prévisualisation au format Tiff par la commande :
>> print --tiff -depsc le_nom
Sur une imprimante classique, les couleurs deviendront des nuances de gris. Des fois, ça peut apporter
un plus d’informations, mais ça peut aussi détériorer le contraste sur le graphique.
Sous Word, il faut activer les menus Insertion>Image>À partir du fichier et introduire le nom du
fichier. En insérant votre graphique dans un document Word, un cadre vide apparaı̂t si vous avez
omis le commutateur -tiff dans la commande print ; le graphique deviendra visible seulement sur le
papier, en imprimant le document.
Une dernière remarque évidente s’impose. Les fichiers PostScript sont des fichiers Ascii et donc
le transfert entre Unix, PC, Mac doit se faire par Ftp avec l’option Ascii.
44 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
Un autre moyen est de créé un nouveau document Word en choisissant le modèle NoteBook. Ce
modèle de document intègre directement entre les commandes définies dans le texte (¿ input À) et
Matlab. Lors de l’évaluation, ces commandes sont communiquées à l’interpréteur Matlab qui en
retour fourni le résultat textuel ou graphique qui sera inclus dans la suite de votre fichier. Le présent
fascicule est composé de cette manière !
En effet, les programmateurs de Mathworks savent eux aussi que les fonctions C malloc() et
free() sont parmi les plus coûteuses en temps de calcul (étude statistique faite par Bjorne Sous-
troup, un des inventeurs du langage C++). C’est pour ça que Matlab a son propre mécanisme de
contrôle de la mémoire. Une fois allouée, le système ne peut plus contrôler la mémoire qui sera gérée
par Matlab. Il pourra quand même passer le processus en swap sur le disque dur quand Matlab
est inactif, mais chaque nouvelle exécution va ¿ revigorer À toute cette mémoire. Sur Windows,
notoire pour ses problèmes de gestion de mémoire - le système risque de planter très souvent. On
peut cependant forcer Matlab à reconstituer l’intégrité de l’espace mémoire avec la commande pack.
Plusieurs mesures sont à prendre pour contrebalancer ces problèmes. Il faut minimiser le nombre de
variables mémoire tampon, surtout quand il s’agit de matrices très grandes. Chaque fois quand vous
finissez un programme qui nécessite beaucoup de mémoire, pensez à sauver les résultats sur le disque
dur, sortir de Matlab et revenir immédiatement.
2.1.6.2 Peut-on insérer des caractères grecques dans le titre d’un graphique ?
Oui. Voila un exemple de commande qui associe à l’axe 0x l’étiquette ¿ αβγ À :
– l’application n’est pas encore bien définie ; c’est beaucoup plus facile de modifier et dépanner un
algorithme Matlab que son équivalent en langage C.
– le temps disponible pour le développement de l’application est suffisant pour envisager la program-
mation dans un langage bas niveau.
2.1.7 Simulink
Cette interface graphique est une extension de Matlab qui permet de simuler le fonctionnement
d’un système qu’il soit continu ou discret. Le système est modélisé avec une approche schéma bloc
et est évalué en fonctionnement pseudo temps-réel.
L’interface Simulink se présente sous la forme de deux fenêtres :une librairie de blocs préprogrammés
regroupés par thèmes et une feuille de travail.
La création d’un modèle est très simple puisque il suffit d’aller chercher les blocs nécessaires à sa
réalisation puis de les interconnectés. Toutes les opérations s’effectuent à l’aide de la souris.
Prenons l’exemple d’un système à temps continu effectuant la dérivation d’un signal d’entrée si-
nusoı̈dal.
Le modèle se compose d’une source, d’un bloc dérivateur, d’un multiplexeur permettant de superposer
46 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
les signaux, et d’une visualisation. Après que chaque bloc ait été disposé, il faut régler ses paramètres
spécifiques. On double clique sur le bloc pour faire apparaı̂tre la fenêtre de paramètrage :
Enfin, après avoir paramétré tous les blocs de votre feuille, vous devez régler les paramètres de la
simulation. C’est ici que l’on spécifie les informations telles que :
– l’instant de départ,
– l’instant d’arrêt,
– la classe du modèle variable-step pour une modèle à temps-continu ou mixte, fixed-step pour un
modèle discret,
– et l’algorithme de résolution des équations différentielles (ode45 par défaut).
Le modèle étant créé puis paramètré pour la simulation de son fonctionnement, on peut lancer son
exécution :
Le modèle est évalué numériquement en utilisant un algorithme de résolution d’équations différentielles
(Ordinary Differential Equations ou ode). Le temps de calcul de la simulation dépend de la com-
plexité du système et donc ne s’effectue pas en temps réel.
2.1. INTRODUCTION À MATLAB 47
2.2 Échantillonnage
2.2.1 Création d’un modèle d’échantillonnage parfait
Créer dans Simulink le modèle de système suivant :
Source Échantillonneur
Multiplexeur Visualisation
sinusoïdale bloqueur d ’ordre 0
ω = 2π Fe = 20 Hz
On règlera les paramètres de la simulation pour que l’instant de départ soit 0 et que l’instant d’arrêt
soit 4 secondes.
Une fois le montage validé au près du responsable, vous pouvez lancer l’exécution et observer la
visualisation du résultat.
Sur la feuille contenant le modèle on voit que quatre types de signaux d’entrée sont disponibles :
– une sinusoı̈de de fréquence 1 Hz,
– une rampe périodique de période 1 s,
– un bruit dont la densité de probabilité est uniforme,
– un bruit dont la densité de probabilité est gaussienne.
La sélection du signal s’effectue en indiquant le numéro du signal dans le bloc input selector
{1, 2, 3, 4}.
50 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
La simulation peut être lancée avec les réglages par défaut (Fe = 100 Hz, N = 3) pour le signal 2
(rampe).
Le modèle étudié se nomme Correlation.mdl. La fenêtre des paramètres est affichée en cliquant sur
Load Data (ne toucher pas aux valeurs prédéfinies, ça viendra plus tard). Si vous souhaiter afficher
la dernière fonction de corrélation calculée il vous suffit de cliquer sur Plot Correlation.
1. Expliciter le fonctionnement du montage et son objectif.
(a) Pourquoi doit-on employer des tampons (buffer) ?
(b) Après le calcul de la corrélation une estimation est effectuée. Laquelle ?
(c) Quelle est la précision de l’estimateur ?
(d) Pourquoi sur la fenêtre scope 1 voit-on un échelon à l’instant t = 1 s ?
2. On change la taille des tampons de données {50, 100, 200, 300, 400}.
(a) Quelles sont les modifications sur l’estimée ?
(b) Quelle taille minimum nous fournit la meilleure estimation ?
2.2. ÉCHANTILLONNAGE 51
Dans notre cas, il est aussi stationnaire à l’ordre 2 puisque ses statistiques sont indépendantes de
l’origine des temps. En effet, la moyenne est une constante, la fonction de corrélation dépend d’un
temps relatif.
Le paramètre σb2 est appelé puissance du bruit.
La densité spectrale d’un tel processus est une constante égale à la puissance du bruit :
Γb (f ) = T f {γb (τ )} = σb2
Ce bruit est dit blanc par analogie avec la composition de la lumière blanche c-à-d., une composition
de toutes les composantes chromatiques avec une contribution identique.
Exercice 2.10 Écrire la fonction Signal permettant de générer la suite x. Elle acceptera trois argu-
ments : F0 la fréquence de la sinusoı̈de, Fe la fréquence d’échantillonnage et N le nombre de période
à générer.
Exercice 2.11 Écrire la fonction Per Estime correspondant à l’estimateur. Elle acceptera deux
arguments y, le vecteur à traiter et N le nombre de période entière qu’il comporte (cf. reshape,
mean) .
Exercice 2.12 Vérifier les performances de l’estimateur pour les valeurs de signal à bruit suivants :
SN R (dB) 40 5 1
µ ¶
Ex
SN R = 10 log10
Eb
Procédure :
1. Créer x la suite à traiter et xr la suite de référence constituée d’une seule période
2. Déterminer la puissance du bruit correspondant à une des valeurs du tableau
3. Générer le bruit
4. Créer le signal bruité y
5. Calculer l’estimée x̂
6. Calculer le signal d’erreur xr − x̂ et déterminer l’influence sur le rapport signal à bruit.
2.3.2 Estimateurs
Dans ce problème on supose que l’on veut estimer les paramètres moyenne et variance d’une source
de bruit. On vous fournit le modèle suivant (estim.mdl) :
Les paramètres F s et N seront saisis dans la fenêtre de commande de Matlab.
L’objet de cette manipulation est d’observer comment se comportent les estimateurs. Le modèle dont
vous disposez est constitué de trois estimateurs :
– moyenne
N
1 X
µ̂x = xk
N k=1
54 CHAPITRE 2. TRAVAUX PRATIQUES DE THÉORIE DU SIGNAL
– écart-type non-biaisé v
u N
u 1 X
σ̂xN B =t (xk − µ̂x )2
N − 1 k=1
– écart-type biaisé v
u N
u1 X
B
σ̂x = t (xk − µ̂x )2
N k=1
ce qui permet d’extraire les deux paramètres d’une source de bruit gaussien N (µx , σx ).
Exercice 2.13 Vérifier que l’estimateur σ̂xN B (respectivement σ̂xB ) est non-biaisé (biaisé). Quelle
hypothèse doit vérifier le bruit pour que l’estimateur biaisé devienne non-biaisé ?
Exercice 2.14 Explicitez l’implantation et le fonctionnement des estimateurs (quelles sont les contraintes
de traitement par exemple ?).
Exercice 2.15 Que peut-on dire de la ¿ stationnarité À à l’ordre 1 pour les tailles de buffer sui-
vantes : N ∈ {10, 50, 100, 500, 1000, 4000} ?
Exercice 2.16 On agit maintenant sur le paramètre de recouvrement du tampont (buffer overlap)
en fixant sa valeur à N − 1. Quelles sont les modifications aux estimées pour les mêmes valeurs de
N qu’à la question précédante ? Exprimer les nouvelles expressions de l’estimateur de la moyenne et
de la variance.
Exercice 2.17 On considère maintenant le modèle Simulink estim2.mdl. Il correspond à un trai-
tement de détection d’alarmes (simulées ici par des impulsions) dans un signal fortement bruité. On
ne veut par utiliser le fonction de corrélation car elle est trop coûteuse en calcul. On souhaite savoir
si il est possible de détecter les alarmes de manière simple. Comment paramètrer le modèle ?
Nota Bene Ces estimateurs sont d’un usage courant dans les applications industrielles car ils per-
mettent de détecter des pannes ou des dysfonctionnements avec une faible complexité de calculs.
Chapitre 3
3.1 Transformée en Z
Cette transformée s’applique à des signaux discrets (ie. des suites). Elle offre la possibilité de
représenter dans un autre domaine une suite temporelle au même titre que la transformée de Fourier
transpose le domaine temps continu en domaine fréquences continue (t → f, x (t) → X (f )).
3.1.1 Définition
+∞
X
X (z) = xn z −n z∈C (3.1)
n=−∞
Donc pour avoir convergence, il faut que chaque transformation unilatérale converge !
−1
X +∞
X
−n
X (z) = xn z + xn z −n
n=−∞ n=0
− +
X (z) = X (z) + X (z)
55
56 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
¯ ¯1 1 1
X + −→ lim ¯xn z −n ¯ n = lim |xn | n |z|−1 < 1 =⇒ |z| > lim |xn | n = R− (3.4)
n−→+∞ n−→+∞ n−→+∞
1 1 1
X − −→ lim |x−n z n | n = lim |x−n | n |z| < 1 =⇒ |z| < 1 = R+ (3.5)
n−→+∞ n−→+∞
limn−→+∞ |xn | n
Dans le cas d’une transformée bilatérale nous obtenons une couronne de convergence c’est-à-dire,
que la Tz existe pour :R− < |z| < R+ .
Pour la transformée unilatérale nous disposons de l’intérieur du rayon de convergence |z| > R− , soit
un disque de convergence.
Im Im
R-
Re
Re
R+
R-
Dans ce dernier exemple, la Tz n’existe pas car il n’y a pas de couronne de convergence (|a| < | z| <
|a|).
3.1. TRANSFORMÉE EN Z 57
3.1.3 Propriétés
– linéarité :yn = α xn + β wn −→ Y (z) = α X (z) + β W (z),
−p
– retard :yn = xn−p −→ P Y (z) = X (z) z
– convolution :yn = m xn−m hm −→ Y (z) = X (z) H (z)
– valeur initiale :x0 = limz→+∞ X (z)
– valeur finale :x+∞ = limz→1 (z − 1) X (z)
Γ est le contour fermé contenant tous les pôles de X (z) ainsi que l’origine. Cependant, on peut
s’épargner le calcul d’une intégrale dans le plan complexe en utilisant une des méthodes indirectes
suivantes :
– développement en série de Laurent, P+∞ P+∞ n −n
1 −1 n
Soit X (z) = 1−ρz −1 , ρ > 0 et | z| > ρ, on peut écrire X (z) = n=0 (ρz ) = n=0 ρ z ⇒ xn =
ρn n ≥ 0
– division polynômiale,
1
– X (z) = 1−ρz −1 , | z| > ρ
1 1 −ρz−1
½
1 −ρz−1 1 +ρz−1 +ρ2 z−2 + · · ·
−1
P+∞ xn = ρn
ρz X (z) = n=0 ρn z−n ⇒
n≥0
ρz−1 −ρ2 z−2
ρ2 z−2
1
– X (z) = 1−ρz−1 , | z| < ρ
1 −ρz−1 1
X (z) = P+∞ −ρ−n zn
1 −ρz−1 −ρ−1 z −ρ−2 z2 −ρ−3 z3 + ···
P−1n=1
½
−1 n −n xn = −ρn
ρz = n=−∞ −ρ z ⇒
n<0
ρz−1 −ρ2 z−2
ρ2 z−2
Il faut connaı̂tre le domaine de convergence pour déterminer la ¿ vraie À séquence originale.
– décomposition en éléments simples. Il est important de connaı̂tre le domaine de convergence de
chaque élément simple.
1
H (z) =
(1 − az−1 ) (1 − bz−1 )
α β
= +
1 − az−1 1 − bz−1
On identifie les constantes de décomposition :
¡ ¢ ¯ a
α = 1 − az−1 H (z)¯z=a =
a−b
¡ ¢ ¯ b
β = 1 − bz−1 H (z)¯z=b =−
a−b
a b n
– | z| > a et | z| > b ⇒ xn = a−b
an un − a−b
b un
a b n
– | z| > a et | z| < b ⇒ xn = a−b
an un + a−b
b u−1−n
58 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
X
yn = xm hn−m (3.7)
m
yn ≡ (x ? h)n
Un Slit est stable si pour toute entrée bornée en amplitude la sortie est bornée (Ebsb ). Un condition
nécessaire et suffisante de stabilité est :
X
|hn | < +∞
n
N
X −1 µ ¶ NX−1
nk
Xk = xn exp −j2π = xn WNnk , 0≤k<N
n=0
N n=0
µ ¶
nk
WNnk = exp j2π
N
La transformée inverse s’exprime de la façon suivante :
N −1
1 X
xn = Xk WNnk
N k=0
Remarque 3.1 On peut remarquer qu’un suite définie sur N points est obtenue par le fenêtrage
d’une suite à support infini par une porte rectangulaire discrète de mesure N .
3.2.1 Propriétés
– Linéarité :yn = α.xn + β.wn =⇒ Yk = α.Xk + β.Wk
– Retard :yn = xn−p =⇒ Yk = WNpk Xk
– Symétrie temporelle :yn = xN −1−n =⇒ Yk = WNpk Xk
– Symétrie spectrale :XN −k
PN=−1Xk 2 P −1
– Égalité de Parseval : k=0 |Xk | = N N n=0 |xn |
2
Gabarit
Gabaritdu du Résolution
Résolutionpar
par
filtre
filtre TT::z→p
z→p méthodes
méthodes
numérique
numérique classiques
classiques
Filtre
Filtre Fonction
Fonctiondede
TT-1-1::p→z
p→z
numérique
numérique transfert
transfert enpp
en
Transformée
Transformée
bilinénaire
bilinénaire
La synthèse d’un filtre numérique s’effectue en établissant le gabarit dans le domaine discret. Puis
par la transformation bilinéaire, on transpose le gabarit numérique en un gabarit analogique que l’on
résoud par les méthodes classiques (cf. cours de synthèse des filtres analogiques). La solution est en
suite ramenée dans le domaine numérique par transformation inverse.
1 − z −1
p=k (3.8)
1 + z −1
k+p
z= (3.9)
k−p
60 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
−π π/2
Re Re
1. est non-linéaire
2. le facteur d’échelle est sans importance sur H (z)
ω
π/2
Ω
k1 k2
Filtre
FiltrePasse-bas
Passe-bas Z-1=f(z-1)
Filtre
Filtretransposé
transposé
prototype
prototype ωω11,ω
,ω22
θθp
p
1. Passe-bas −→ passe-bas ³ ´
θp −ω1
z −α−1 sin 2
Z −1 = , α= ³ ´
1 − α z −1 sin θp +ω1
2
2. Passe-bas −→ passe-haut
³ ´
θp +ω1
z −1 + α sin 2
Z −1 = , α= ³ ´
1 + α z −1 sin θp −ω1
2
3. Passe-bas −→ passe-bande
³ ´
¡ ¢
−2
z − β+1 z + 1−β
2α −1
cos ω1 +ω 2 tan θ2p
1+β
Z −1 = − , α= ¡ 2 ¢, β= ¡ ¢
1−β −2
1+β
z − 2α −1
β+1
z + 1 cos ω2 −ω
2
1
tan ω2 −ω
2
1
4. Passe-bas −→ coupe-bande
³ ´
¡ ω1 +ω2 ¢
−2
z − β+1 z + 1−β
2α −1
cos tan θ2p
1+β
Z −1 = , α= ¡ 2 ¢, β = ¡ ω2 −ω1 ¢
1−β −2
1+β
2α −1
z − β+1 z + 1 cos ω2 −ω2
1
tan 2
N
X −1
H (z) = hn z−n
n=P
Réponse
fréquentielle Synthèse Échantillonnage Troncature
idéale
Réponse
fréquentielle Échantillonnage Synthèse
idéale
F-1
A B
9 dB
3 dB
0 F (kHz)
3 4
0 ω=2πf/Fe
π/4 π/3
0 Ω
Ωc Ωa
– Données numériques
– filtre passe-bas, famille de Tchebycheff
– fréquence d’échantillonnage Fe = 24 kHz
– fréquence de coupure Fc = 3 kHz
– Atténuation dans la bande passante Amax = 3 dB
– fréquence de coupure Fa = 4 kHz
– Atténuation dans la bande passante Amin = 9 dB
1. Choix de k définissant le filtre passe-bas analogique normalisé
1
|H (Ω)|2 =
1+ ε2 Tn2 (Ω)
En s’imposant que la pulsation de coupure Ωc soit égale à 1 on trouve que ε = 1. Ce qui entraı̂ne
que :
Ωc 1
k= ¡ ωc ¢ = ¡ ¢ ' 2.414
tan 2 tan π8
³ ω ´ tan ¡ π ¢
a
Ωa = k. tan = ¡ 6 ¢ ' 1.394
2 tan π8
Signal original
3 40 20
35
2 10
30
1 0
25
Puissance dB
Amplitude
Puissance
0
20 -10
-1 15
-20
10
-2
-30
5
-3
20 40 60 80 100 120 0 -40
-0.5 0 0.5 -0.5 0 0.5
Temps
Fré
quences ré
duites Fré
quences ré
duites
Signal complé
té Pé
riodogramme brut en dB
20 15
3
15 10
2
10 5
1
5 0
Puissance dB
Puissance dB
Amplitude
0 0 -5
-5 -10
-1
-10 -15
-2
-15 -20
-3
-20 -25
50 100 150 200 250 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Temps Fré
quences ré
duites Fré
quences ré
duites
Les autres améliorations que l’on peut effectuer se font bien sûr au détriment d’un paramètre (temps
de calcul, précision). On peut toutefois envisager les deux améliorations suivantes :
– Moyennage de périodogrammes
On subdivise la séquence à analyser en Q segments (avec ou sans recouvrement) que l’on moyenne.
Si un signal stationnaire est présent noyé dans du bruit, le moyennage affectera que le bruit.
Q−1
1 X (q)
Πm
x [k] = Π [k] (3.15)
Q q=0 x
introduit des discontinuités aux bords de la séquence perturbant l’estimation des phénomènes sta-
tionnaires. Pour limiter ces effets de bords il nous est possible de pondérer la séquence par une
fenêtre de lissage (la fenêtre de troncature est la fenêtre rectangulaire soit une fenêtre discontinue !).
Les fenêtres que l’on peut employer sont :Hanning, Hamming, Blackman,. . . L’utilisation de ces
fenêtres a pour conséquence dans le domaine temporel de réduire les effets de bords et dans le do-
maine fréquentiel de réduire la précision. Le choix d’une fenêtre se fera donc suivant un compromis
précision/lissage.
¯N −1 ¯2
1 ¯X ¯
¯ ¯
Πx [k] = ¯ (xn .wn ) .WNnk ¯ (3.16)
N ¯ ¯
n=0
– Rectangulaire
1 0
0.9
0.8 -50
0.7
Puissance dB
0.6 -100
0.5
0.4 -150
0.3
0.2 -200
0.1
0 -250
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
Fré
quences ré
duites
– Hanning
µ µ ¶¶
1 t τ
w (t) = 1 − cos 2π , |t| ≤
2 τ 2
µ µ µ ¶¶¶
1 2n + 1 1
wn = 1 − cos 2π − , 0≤n<N
2 2N 2
1 0
0.9
0.8 -50
0.7
Puissance dB
0.6 -100
0.5
0.4 -150
0.3
0.2 -200
0.1
0 -250
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
Fré
quences ré
duites
– Hamming
¶ µ
t τ
w (t) = 0.54 − 0.46 cos 2π , |t| ≤
τ 2
µ µ ¶¶
2n + 1 1
wn = 0.54 − 0.46 cos 2π − , 0≤n<N
2N 2
66 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
1 0
0.9
0.8 -50
0.7
Puissance dB
0.6 -100
0.5
0.4 -150
0.3
0.2 -200
0.1
0 -250
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
– Blackman
Fré
quences ré
duites
¶ µ ¶ µ
t t τ
w (t) = 0.42 − 0.5 cos 2π + 0.08 cos 4π , |t| ≤
τ τ 2
µ µ ¶¶ µ µ ¶¶
2n + 1 1 2n + 1 1
wn = 0.42 − 0.5 cos 2π − + 0.08 cos 4π − , 0≤n<N
2N 2 2N 2
1 0
0.9
0.8 -50
0.7
Puissance dB
0.6 -100
0.5
0.4 -150
0.3
0.2 -200
0.1
0 -250
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
Fré
quences ré
duites
Remarque 3.2 Si on veut que la fenêtre ne modifie pas l’estimation de la Dsp il faut la normaliser
wn
avant de l’utiliser :f
wn = kw nk
.
Signal original
15
0.8
10
0.6
5
0.4
0
Puissance dB
0.2
Amplitude
0 -5
-0.2
-10
-0.4
-15
-0.6
-20
-0.8
-25
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
Temps Fré
quences ré
duites
Signal original
20
0.8
0
0.6
-20
0.4
-40
Puissance dB
0.2
Amplitude
0 -60
-0.2
-80
-0.4
-100
-0.6
-120
-0.8
-140
20 40 60 80 100 120 0 0.1 0.2 0.3 0.4 0.5
Temps Fré
quences ré
duites
F = 5 kHz.
f
On échantillonne xa (t) avec la fréquence d’échantillonnage Fe = -F +F
9F . L’échantillonnage est supposé parfait. On appelle xae (t) le si- Transformée de Fourier du signal
– soit par un échantillonnage parfait suivi d’une convolution avec un signal continu h (t),
– soit par le produit d’un signal continu avec une fonction périodique v (t).
Pour la première modélisation, le signal échantillonné réel est modélisé par la fonction x1 (t).
Pour la seconde modélisation, le signal échantillonné réel est modélisé par la fonction x2 (t).
1. Représenter la fonction h (t) permettant d’obtenir x1 (t) à partir de xae (t).
Te
2. Représenter le module de la transformée de Fourier X1 (f ) pour la valeur θ = 3
.
3. Même question pour θ = Te (cas d’un échantillonneur bloqueur).
Te
4. Représenter le module de la transformée de Fourier V (f ) pour la valeur θ = 3
.
5. Reprendre les question 2 à 4 pour le signal x2 (t).
3.5.1.4 Sous-échantillonnage
Le signal analogique xa (t) module en amplitude une porteuse sinusoı̈dale de fréquence f0 = 110 kHz.
On désire transmettre le signal modulé en amplitude en l’échantillonnant et en transmettant les
échantillons sous forme numérique.
1. En appliquant le théorème de Shannon, trouver le nombre minimal d’échantillons à trans-
mettre par seconde.
2. On échantillonne en fait le signal modulé en amplitude avec la fréquence Fe = 40 kHz.
(a) Dessiner l’allure du spectre du signal échantillonné parfait entre 0 et 120 kHz.
(b) Qu’obtient-on en filtrant ce signal échantillonné parfait avec un filtre dont la bande pas-
sante s’étend de 105 à 115 kHz ?
3. Qu’obtiendrait-on en filtrant le signal échantillonné parfait avec un filtre cardinal de fréquence
de coupure 20 kHz ?
4. Conclure sur l’intérêt de cette méthode. Discuter les problèmes liés aux imperfections de
l’échantillonnage (stabilité de la fréquence d’échantillonnage).
70 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
Cette fonction de la variable complexe z est la transformée en Z de deux séquences, h1 [n] causale et
h2 [n] non causale.
1. Calculer h1 [n] et h2 [n] et préciser les domaines de convergence.
2. h1 [n] et h2 [n] sont les réponses impulsionnelles de deux filtres appelés respectivement F1 et
F2 . Écrire les équations aux différences de ces deux filtres.
3. On suppose |a| < 1.
(a) Écrire l’expression de la réponse en fréquence H1 (ν) du filtre F1 .
(b) Que peut-on dire de la réponse du filtre F2 ?
4. Application numérique : a = 0.5.
£ ¤
(a) Tracer l’allure de la réponse en fréquence H1 (ν) sur l’intervalle − 21 , + 12 .
(b) Représenter le diagramme des pôles et des zéros du filtre F1 .
(c) Quelle fonction réalise-t-il ?
3.5.2.2 Synthèse des filtres RII par invariance d’une réponse temporelle
1
1. Soit le filtre analogique de fonction de transfert : ha (p) = 1+τ p
où τ = 0.5 s.
Calculer sa réponse impulsionnelle ha (t) et sa réponse indicielle va (t).
2. On échantillonne h (t) avec une période Te = τ. log (2). On obtient une séquence h (nTe ).
(a) Écrire la fonction de transfert H1 (z) d’un filtre échantillonné dont la réponse impulsion-
nelle h1 [n] est égale à ha (nTe ). (Cette approche est appelée méthode de l’invariance
impulsionnelle).
(b) Donner son équation aux différences.
(c) Calculer sa réponse indicielle v1 [n] et tracer sa réponse en fréquence.
(a) Comparer à celle du filtre analogique de départ.
3. On échantillonne v (t) avec une période Te = τ. log (2). On obtient une séquence v (nTe ).
(a) Écrire la fonction de transfert H2 (z) d’un filtre échantillonné dont la réponse indicielle
v2 [n] est égale à v (nTe ). (Cette approche est appelée méthode de l’invariance indi-
cielle).
(b) Calculer sa réponse impulsionnelle h2 [n] et tracer sa réponse en fréquence.
(c) Comparer à celle du filtre analogique de départ.
4. On considère une fonction de transfert h (p) ne comportant que des pôles simples (donc qui se
met sous forme d’une somme d’éléments simples du premier ordre).
(a) Montrer que la méthode de l’invariance impulsionnelle transforme les pôles (mais pas les
zéros) selon la relation z = Φ (p) (ceci reste vrai pour des pôles multiples, pour lesquels la
démonstration est lourde).
(b) Quelle est l’image de la droite p = jΩ dans le plan en z par cette transformation Φ.
3.5. TRAVAUX DIRIGÉS DE TRAITEMENT DU SIGNAL 71
A (dB)
18
0 f (kHz)
0,8 1,48
(a) Normaliser le gabarit (c-à-d. représenter le gain en fonction de ν dans l’intervalle [0..1]).
(b) En utilisant la relation liant Ω et ν, construire le gabarit associé pour le filtre à temps
continu. On choisira une valeur de k qui donne un gabarit analogique normalisé.
(c) Synthétiser le filtre analogique sous la forme d’un filtre de Butterworth, et en déduire
le filtre numérique recherché. (Les coefficients normalisés se trouvent dans le polycopié de
synthèse des circuits de filtrage).
72 CHAPITRE 3. TRAITEMENT NUMÉRIQUE DU SIGNAL
1
4
0.9
3.5
0.8
0.7 3
0.6 2.5
0.5
2
0.4
1.5
0.3
0.2 1
0.1 0.5
0
0
0 1 2 3 4 5 6 7
0 1 2 3 4 5 6 7
Indices temporels Indices fréquentiels
yn = xn + xn−N n ∈ [0, 2N [
Source Visu
1 T
Σ
Source Analyse Visu
2 spectrale F
La densité spectrale de puissance sera estimée en utilisant le bloc Périodogramme avec une visua-
lisation adaptée.
75
76 CHAPITRE 4. TRAVAUX PRATIQUES DE TRAITEMENT NUMÉRIQUE DU SIGNAL
– blackman
Les fenêtres seront synthétisées sur un nombre de points égal à 100.
NB : il ne faut pas oublier de normaliser les fenêtres étudiées pour pouvoir mieux comparer les
résultats.
Générateur de Visu
fenêtres F
Le signal d’entrée est la composition d’une sinusoı̈de de fréquence 1 Hz d’amplitude 10 et d’un bruit
gaussien de moyenne nulle et de variance 0,1.
On considérera le bloc LPC qui effectue l’estimation d’un modèle AR à partir d’un vecteur d’entrée,
il suffira de fournir l’ordre désiré comme paramètre.
Les blocs zero pad seront configurés de telle façon que la comparaison soit valide.
On visualisera les spectres sur l’intervalle [0, Fe/2].
1.Observer le comportement de la modélisation pour les ordres {1, 2, 4, 5, 8}. Quel est le meilleur
ordre ?
2.Que dire du périodogramme ?
78 CHAPITRE 4. TRAVAUX PRATIQUES DE TRAITEMENT NUMÉRIQUE DU SIGNAL
81
82 COMPLÉMENTS MATHÉMATIQUES
4.3.2 Normes
On appelle norme sur l’espace vectoriel E une application x −→ kxk ayant les propriétés suivantes :
– kxk ≥ 0 et kxk = 0 ⇐⇒ x = 0,
– kλxk = |λ| kxk,
– kx + yk ≤ kxk + kyk (inégalité triangulaire).
1 1
Pour tout produit scalaire sur E la quantité hx, xi 2 est une norme : kxk = hx, xi 2 .
– |hx, yi|2 ≤ kxk2 kyk2 (inégalité de Schwarz).
On peut définir une forme généralisée de la norme à un ordre p ∈ N :
sZ
+∞
Lp (x) = p
|x (t)|p dt
−∞
qR
+∞
Un cas particulier de cette définition est obtenue lorsque p = 2 : L2 (x) = −∞
|x (t)|2 dt = kxk.
Un autre cas particulier de la norme Lp apparaı̂t lorsque l’on choisit p = +∞, alors :
sZ
+∞
L∞ (x) = lim p
|x (t)|p dt = max x (t)
p→+∞ −∞
4.3.3 Bases
Pour former une base il fautPque la famille de fonctions vérifient les propriétés suivantes :
– l’indépendance linéaire : i λi Φi = 0 ⇒ λi = 0, ∀i
– l’orthogonalité : Φi ⊥Φj , ∀i 6= j ⇐⇒ hΦi , Φj i = βi δi−j (la base est orthonormée si βi = 1),
– Une base est une famille génératrice Φi (t) d’un sous-espace vectoriel E avec laquelle nous pouvons
décrire n’importe quelle fonction f (t) comme une composition linéaire :
X 1
f (t) = λi Φi (t)
i
βi
Z
λi = f (t) Φ?i (t) dt = hf, Φi i
4.4. DÉRIVATION VECTORIELLE (CONVENTION DE VETLER) 83
– a ∈ R B ∈ R (m, n) C ∈ R (n, p)
∂BC ∂B ∂C
= C+B
∂a ∂a ∂a
– A ∈ Rm B ∈ Rp C ∈ R (n, p) (C indépendante de A)
∂BT C ∂BT
= C
∂A ∂A
– A ∈ Rm B ∈ Rp C ∈ Rp D ∈ R (p, p)
4.5 Probabilités
4.5.1 Fonction de répartition
4.5.1.1 Cas scalaire
Soit X ∈ R une variable aléatoire, la fonction de répartition se définie comme :
FX (x) = P [X < x] (4.1)
La fonction de répartition FX est une fonction non-décroissante :
lim FX (x) = 0
x→−∞
lim FX (x) = 1
x→+∞
4.5.4 Indépendance
Soient X ∈ Rm et Y ∈ Rn deux vecteurs aléatoires, ils sont mutuellement indépendants si la loi
conjointe est égale au produit des lois :
pX,Y (x, y) = pX (x) × pY (y) (4.7)
De la même façon, si les composantes {xi } du vecteur X ∈ Rm sont indépendantes alors :
pX (x) = pX1 (x1 ) × . . . × pXm (xm ) (4.8)
86 COMPLÉMENTS MATHÉMATIQUES
X ∈ Rm un vecteur aléatoire
Y = f (X) ∈ Rm f est bijective
¯ µ T ¶¯
¯ ∂x ¯¯
pY (y) = pX (x (y)) ¯¯det
∂y ¯
¯ ³ T ´¯
¯ ¯
¯det ∂x
∂y ¯
est la valeur absolue du jacobien.
u = ρ cos (θ)
v = ρ sin (θ)
¡ ¢T
x= u v
¡ ¢T
y= ρ θ
¯ µ T ¶¯ ¯µ ¶¯
¯ ¯ ¯ sin (θ) ¯¯
¯det ∂x ¯ = ¯ cos (θ)
¯ ∂y ¯ ¯ −ρ sin (θ) ρ cos (θ) ¯
=ρ
4.5.6 Espérance
4.5.6.1 Cas hypergéométrique
© ª
CX = E XXT − µX µX T
P [X = 1] = p, P [X = 0] = 1 − p (4.9)
µX = p
2
σX = p (1 − p)
4.5. PROBABILITÉS 87
– Loi binômiale : Soient N VA discrètes i-i-d1 obéissant chacune à une loi de pile ou face. Il s’agit
donc d’une loi discrète à deux paramètres N et p.
¡ ¢
p (k) = kN pk (1 − p)N −k (4.10)
µX = N p
2
σX = N p (1 − p)
µk
p (k) = exp (−µ) (4.11)
k!
µX = µ
2
σX =µ
– Loi gaussienne ou normale : C’est une loi continue à deux paramètres µ et σ. On la note aussi
N (µ, σ)
à !
1 (x − µ)2
p (x) = √ exp − (4.12)
2πσ 2σ 2
µX = µ
2
σX = σ2
1
i-i-d : indépendantes et identiquement distribuées.
88 COMPLÉMENTS MATHÉMATIQUES
Corrections des Travaux Dirigés
89
90 CORRECTIONS DES TRAVAUX DIRIGÉS
x (t) Ex Px
ΠT0 (t) T0 × 12 0
1
u (t) → +∞ 2
A2
A sin (2πf0 t) u (t) → +∞ 4
r (t) → +∞ → +∞
Exercice 4.2 Les opérations sur le signal original ne sont que des translations ou des changements
d’échelle. Nous pouvons tenir compte de ces transformations par l’expression suivante :
· ·
τi 4 + τi
xi (t) = x (αi t − τi ) t ∈ ,
αi αi
Le calcul de l’énergie de cette expression nous fournit :
3×4
Exi =
|αi |
Ce qui nous montre que le retard n’influe pas sur le calcul de l’énergie au contraire de la fonction
d’échelle.
xi αiτi Exi
x 1 0 12
x1 1 3 12
x2 2 0 6
1
x3 2
0 24
x4 −1 0 12
Exercice 4.3 Le signal s’écrit comme une combinaison linéaire de fonctions élémentaires :
x (t) = r (t + 1) + r (t) + u (t − 1) − 2u (t − 2)
La représentation graphique du signal est donné à la Fig. (4.4).
Exercice 4.4
Z
hx1 , x2 i , x1 (t) x?2 (t) dt
Z T
2
=A sin (2πf0 t + θ) cos (2πf0 t + θ) dt
0
Z
A2 T
= sin (4πf0 t + 2θ) dt
2 0
A2
= (cos (2θ) − cos (4πf0 T + 2θ))
8πf0
hx1 , x2 i = 0
k
⇒T =
2f0
4.6. THÉORIE DU SIGNAL 91
1.8
1.6
1.4
1.2
Amplitude
1
0.8
0.6
0.4
0.2
0
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3
Temps (s)
Exercice 4.5 On veux obtenir la meilleure représentation pour la suite de coefficients {λj } au sens
de l’erreur quadratique moyenne.
Soit Λ le vecteur des coefficients λi et Φ (t) le vecteur des fonctions analysantes ϕi (t) :
Λ = [λ0 λ1 . . . λN ]T
Φ (t) = [ϕ0 (t) ϕ1 (t) . . . ϕN (t)]T
L’erreur quadratique s’écrit :
Z ¯¯ XN
¯2
¯
¯ ¯
J = ¯y (t) − λj ϕj (t)¯ dt
¯ ¯
j=0
Z
¯ ¯2
= ¯y (t) − ΛT Φ (t)¯ dt
Z
¡ ¢¡ ¢?
= y (t) − ΛT Φ (t) y (t) − ΛT Φ (t) dt
Z
¡ ¢¡ ¢
= y (t) − ΛT Φ (t) y ? (t) − ΛT ? Φ? (t) dt
Z Z Z Z
= y (t) y (t) dt − y (t) Λ Φ (t) dt − y (t) Λ Φ (t) dt + ΛT Φ (t) ΦT ? (t) Λ? dt
? ? T T? ?
Z Z Z X N Z XN
∂J ? ? ? ?
= − y (t) ϕj (t) dt − y (t) ϕj (t) dt + λm ϕj (t) ϕm (t) dt + λk ϕk (t) ϕ?j (t) dt
∂λj m=0 k=0
à N ! à N !?
X X
= λk hϕk , ϕj i − hy, ϕj i + λm hϕm , ϕj i − hy, ϕj i
k=0 m=0
= (λj βj − hy, ϕj i) + (λj βj − hy, ϕj i)?
1
⇒ λopt
j = hy, ϕj i
βj
92 CORRECTIONS DES TRAVAUX DIRIGÉS
– Est-il stable ?
Z
|h (t) |dt < +∞
Z +∞
⇒2 exp (−t + τ ) dt
τ
Z +∞
=2 exp (−v) dv
0
=2
– On applique le principe de linéarité des systèmes. Le signal d’excitation étant une composition
linéaire de signaux élémentaires (impulsions de Dirac et échelons) nous pouvons calculer les
réponses élémentaires à chacune des sollicitations. Seule la réponse à l’échelon mérite notre atten-
tion. Simplifions nous le problème en remarquant que la réponse impulsionnelle h est le résultat
de l’application d’un retard sur une réponse h0 et que le produit de convolution est associatif et
commutatif :
h (t) = h0 (t − 2)
= (h0 ? δ2 ) (t)
⇒ h0 (t) = exp (−t) u (t)
(h ? u) (t) = (h0 ? δ2 ? u) (t)
= (δ2 ? (h0 ? u)) (t)
Z
0
(h ? u) (t) , h (v) u (t − v) dv
Or u (t − v) 6= 0 pour v ≤ t
Z t
= h (v) dv
−∞
Z t
=2 exp (−v) dv
−∞
= 2 (1 − exp (−t)) u (t)
⇒ (h ? u) (t) = 2 (1 − exp (−t + 2)) u (t − 2)
= 2u (t − 2) − h (t)
(h ? uν ) (t) = 2u (t − 2 − ν) − h (t − ν)
x (t) = δ (t + 1) + δ (t) + u (t − 4) − u (t − 7)
y (t) = h (t + 1) + h (t) + (2u (t − 6) − h (t − 4)) − (2u (t − 9) − h (t − 7))
Exercice 4.7 Soit h un système dont la réponse impulsionnelle est :h (t) = Ku (t) , K ∈ R∗ .
4.6. THÉORIE DU SIGNAL 93
= |X (f )|2
Λ (t) = (x ? x) (t)
= A2 (τ − |t|) Π2τ (t)
La figure (4.5) illustre les différents cas demandés. La partie basse des tracés (b,c,d) montre la
superposition des motifs élémentaires, la partie haute indique le résultat final. On constate que si
la valeur de la période est inférieure à deux fois la longueur du motif on observe un recouvrement
temporel.
Exercice 4.10 Soit le signal x (t) = A cos (2πf0 t) que l’on tronque avec la fonction porte ΠT (t)
1
1
0.5
0.8
0.6 0
Amplitude
Amplitude
0.4 1
0.2
0.5
0
0
−4 −3 −2 −1 0 1 2 3 4 −4 −3 −2 −1 0 1 2 3 4
Temps Temps
0.5 0.5
0 0
Amplitude
Amplitude
1 1
0.5 0.5
0 0
−4 −3 −2 −1 0 1 2 3 4 −4 −3 −2 −1 0 1 2 3 4
Temps Temps
= γAB (tB − tA )
= γAB (τ )
En effet, s’affranchir du temps absolu nous permet de nous intéresser uniquement au temps de transit.
Dans le cas contraire il nous aurait fallu mémoriser les instants de passages de chaque boı̂te véhiculée.
Il ne faut pas oublier que notre étude ce place dans un contexte idéal puisque nous avons considérer
4.6. THÉORIE DU SIGNAL 95
1.2 1.2
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
−0.2 −0.2
0 10 20 30 40 50 60 70 80 90 0 20 40 60 80 100 120
Temps Temps
16 16
14
14
12
12
10
10
8
8
6
6
4
4
2
2
0
−2 0
−150 −100 −50 0 50 100 150 0 20 40 60 80 100
Temps relatif Temps relatif
qu’un seul paquet est transporté à chaque fois et que les mesures sont effectuées sans bruit. Dans la
réalité la mesure de l’instant de passage devient difficile à partir des signaux xA et xB en raison du
bruit et la présence de plusieurs paquets simultanément sur le tapis comme cela est illustré en Fig.
4.6. On peut aussi remarque que la fonction de corrélation nous a permis d’atténuer l’influence du
bruit.
Exercice 4.12 Une source ponctuelle émet un signal s (t) = S0 sin (2πf0 t + φ0 ). Cette source est à
une position fixe inconnue que nous souhaitons déterminer. Nous avons disposé deux antennes A et
B pour capter le signal émis. Montrer que la fonction de corrélation permet de résoudre ce problème
de localisation. (On posera que la vitesse v de propagation dans le milieu est constante).
µ ¶
das
xA (t) = s t +
v
µ ¶
dsb
xB (t) = s t +
v
µ ¶ µ ¶
das dsb dsb − das
γAB t, , = γAB
v v v
D = dsb + dsa
= (1 − ε) D + εD (4.13)
⇒ dsb − das = (1 − 2ε) D
96 CORRECTIONS DES TRAVAUX DIRIGÉS
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2 0.2
0
0
−0.2
−0.2
−0.4
−0.4
−0.6
−0.8 −0.6
−1
0 1 2 3 4 5 6 7 8 −0.8
Temps −2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5
Temps relatif
La figure 4.7 nous montre le résultat de la corrélation pour une fréquence f0 = 0, 2Hz et un décalage
de 1s. Le signal de référence est xA , la position du maximum nous permet de retrouver la valeur du
temps de retard τmax . Le positionnement relatif ε vaut alors :
µ ¶
1 τmax V
ε= 1−
2 D
Exercice 4.13 Calculer la transformée de Fourier d’une fonction porte Π d’ouverture T . Calculer
le produit de convolution et la fonction d’autocorrélation de cette fonction par elle-même. Que vaut
la tf du signal convolué ?
= (ΠT ? ΠT ) (t)
¡ ¢
Exercice 4.14 Soit le signal x (t) = u (t) exp − Tt , on souhaite appliquer une analyse spectrale sur
un enregistrement y (t) de ce signal de durée L. Calculer les tf de x et y. Quelle relation doit vérifier
la longueur moyenne de l’enregistrement L et T pour que l’erreur relative commise en confondant
4.6. THÉORIE DU SIGNAL 97
Y (f ) et X (f ) soit inférieure à 1 %.
T
X (f ) =
1 + 2jπf T
µ ¶
L
y (t) = x (t) .ΠL t −
2
µ µ ¶ ¶
L
Y (f ) = X (f ) 1 − exp − exp (−j2πf L)
T
Y (f ) − X (f )
∆=| |
X (f )
µ ¶
L
= exp −
T
⇒ L ≥ 5T
Exercice 4.15 Déterminer les temps moyens, les fréquences moyennes, les durées et les bandes
utiles des signaux suivants :
– x1 (t) = ΠT (t − τ ),
– x2 (t) = u (t − τ ) . exp (−a (t − τ )) , a > 0,
R 4
– x3 (t) = ΛT (t) (on admettra que sinu2(u) du = π4 ),
– x4 (t) = a exp (λt2 ) , λ < 0.
Ex tmoyen ∆t fmoyen ∆f
T
x1 T τ √
2 3
0 +∞
1 1+2aτ
x2 2a 4a2
0 +∞
T3 T
x3 0 √ 0
p
12 2 10
x4 a 2
− πλ 0 0
98 CORRECTIONS DES TRAVAUX DIRIGÉS
= µx H (0)
4.6. THÉORIE DU SIGNAL 99
– Calculer σy2 .
Exercice 4.18 Soit l’estimateur de la fonction de corrélation suivant :
Z +∞
γ̂xy (τ ) = K (τ ) xw (t) yw? (t − τ ) dt
−∞
où fw est la fonction f multipliée par la fenêtre d’observation w (w (t) = ΠT (t)). K est une fonction
de pondération.
Nous allons étudier le biais de cet estimateur pour deux pondérations différentes. L’une d’entre elles
sera :
1
K1 (τ ) =
T
– Exprimer la moyenne statistique de l’estimateur.
Z +∞
E {γ̂xy (τ )} = K (τ ) E {xw (t) yw? (t − τ )} dt
−∞
Z +∞
= K (τ ) E {x (t) y ? (t − τ )} ΠT (t) Π?T (t − τ ) dt
−∞
Z +∞
= K (τ ) γxy (τ ) ΠT (t) Π?T (t − τ ) dt
−∞
= K (τ ) γxy (τ ) Λ2T (τ )
Λ2T (τ ) = (T − |τ |) Π2T (τ )
On voit que sur l’intervalle [−T, +T ] l’estimateur est biasé. En dehors de cet intervalle on ne peut
rien dire.
– Comment choisir K2 (τ ) pour que l’estimation soit sans biais ?
¯
Bγ̂xy ¯K=K2 = 0
(Π2T (τ ) − T K2 (τ ) Λ2T (τ )) = 0
1
⇒ K2 (τ ) =
Λ2T (τ )
– Calculer la densité spectrale de puissance et conclure sur les deux estimateurs. En calculant la
Tf pour les deux estimateurs on s’aperçoit que seul l’estimateur de la corrélation biaisé permet
d’estimer correctement la Dsp. Effet, il suffit de se souvenir qu’une densité spectrale de puissance
est ≥ 0.
100 CORRECTIONS DES TRAVAUX DIRIGÉS
Xae(f)
AFe
f
-27F -18F -9F 0 +9F +18F +27F
Il s’agit d’une porte rectangulaire retardée de la moitié de sa largeur que nous notons θ.
h(t)
1
µ ¶
θ
h (t) = Πθ t −
2
H (f ) = θ sin c (πf θ) e−jπf θ
t
0 θ
Allure de la fonction de blocage h (t).
Te
2. Représenter le module de la transformée de Fourier X1 (f ) pour la valeur θ = 3
.
|H(f)|
|H(f)|
|X (f)|
2
|X1(f)|
f
f
-27F -18F -9F 0 +9F +18F +27F -27F -18F -9F 0 +9F +18F +27F
θ = T3e θ = Te
¯ µ ¶¯
1 ¯ f ¯
|X2 (f )| = |X1 (f )|θ= = |Xae (f )| × ¯¯sin c π ¯
9F ¯
1
Fe Fe
X
v (t) = h (t − nTe )
t
n 0 θ Te
Te
5. Représenter le module de la transformée de Fourier V (f ) pour la valeur θ = 3
.
V (f ) = Fe H (f ) qqFe (f )
¯ µ ¶¯
1 ¯¯ f ¯
¯ qqFe (f )
|V (f )|θ= Te = ¯sin c π
3 3 27F ¯
¯ µ ¶¯
1 X ¯¯ kπ ¯¯
= ¯ sin c δ (f − kFe )
3 k
3 ¯
|H(f)|
|V (f)|
f
-27F -18F -9F 0 +9F +18F +27F
On définit xn = x (nTe ).
On fait passer la séquence xn dans un filtre sur-échantillonneur2 E de sortie wn défini par la relation
w3n = xn et wn = 0 si n n’est pas multiple de 3.
– stable,
– linéaire,
– variant par translation,
– non-causal.
2
appelé aussi interpolateur
4.7. TRAITEMENT DU SIGNAL 103
X
W (z) = wn z −n
n
X
= w3p z −3p
p
X
= xp z −3p
p
¡ ¢
= X z3
W (z)|z=ej2πν = X (3ν)
xn = an , |a| < 1 et n ≥ 0
X+∞
⇒ |an | < +∞
n=0
yn = x3n
= a3n
X+∞
⇒ |yn |
n=0
+∞
X ¯ 3n ¯
= ¯a ¯ < +∞
n=0
(b) Linéarité
On montre qu’une composition linéaire de signaux d’entrée fournit une composition linéaire
des sorties élémentaires.
x1 [n] = x [n − 1]
y1 [n] = x1 [3n]
y1 = {x3 , x6 , x9 , . . .}
y2 [n − 1] =
104 CORRECTIONS DES TRAVAUX DIRIGÉS
2 µ ¶
1X k
= X ν−
3 k=0 3
On constate que le spectre original a subi une dilatation en fréquence ainsi qu’une périodisation
d’un facteur 31 .
4.7.1.4 Sous-échantillonnage
1. En appliquant le théorème de Shannon, trouver le nombre minimal d’échantillons à trans-
mettre par seconde.
Considérons une modulation simple :
|Y (f )| = |Xa (f − f0 )| + |Xa (f + f0 )|
|Y (f) |
|X a(f+f0 )| A |X a (f-f0 )|
f
-f0 f0
+F-f0 +F+f0
-F-f0 -F+f0
La fréquence maximale Fmax est égale à f0 + F mais, on peut remarquer que le signal modulé
est à bandes discontinues ([−F − f0 , −F + f0 ] ∪ [F − f0 , F + f0 ]).
|Y (f) |
|X a(f+f0 )| A |X a (f-f0 )|
f
-f0 f0
Fe
Fig. 4.12 – Allure du spectre du signal échantillonné.
filtre A
cardinal
f
Fe
4. Conclure sur l’intérêt de cette méthode. Discuter les problèmes liés aux imperfections de
l’échantillonnage (stabilité de la fréquence d’échantillonnage).
Il est possible dans le cas où les spectre est à bandes disjointes d’effectuer un sous échantillonnage
sans perte d’information comme nous l’avons montré précédemment.
Le système est sensible au variation des fréquences porteuse et d’échantillonnage, puisque la
translation spectrale du motif est obtenue par ¿ soustraction À fréquentielle (f0 − kFe ).
On peut conclure que le théorème de Shannon pour être correctement utilisé impose comme
hypothèse que le spectre du signal à échantillonner soit à bandes contiguës. Si on considère le si-
gnal dont le spectre a pour support [−Fmax , −Fmin ]∪[Fmin , Fmax ], la fréquence d’échantillonnage
doit alors vérifier :
Fe ≥ 2 (Fmax − Fmin )
On retrouve l’expression habituelle dans le cas où Fmin = 0.
106 CORRECTIONS DES TRAVAUX DIRIGÉS
Cette fonction de la variable complexe z est la transformée en Z de deux séquences, h1 [n] causale et
h2 [n] non causale.
1. Calculer h1 [n] et h2 [n] et préciser les domaines de convergence.
Déterminons tout d’abord la suite à droite :
¡ ¢−1
|z| > a =⇒ H1 (z) = 1 − az −1
= 1 + az −1 + a2 z −2 + . . .
X
= an z −n
n=0
n
=⇒ h1 [n] = a u [n]
La suite à gauche s’exprime comme :
¡ ¢−1
|z| < a =⇒ H2 (z) = −a−1 z 1 − a−1 z
¡ ¢
= −a−1 z 1 + a−1 z + a−2 z 2 + . . .
X
=− an z −n
n=0
n
=⇒ h2 [n] = −a u [−n − 1]
2. h1 [n] et h2 [n] sont les réponses impulsionnelles de deux filtres appelés respectivement F1 et
F2 . Écrire les équations aux différences de ces deux filtres.
Les deux filtres ont la même réponse impulsionnelle :
1
H (z) = −1
¡ −1
¢ 1 − az
Y (z) 1 − az = X (z)
Y (z) = X (z) + az −1 Y (z)
=⇒ y [n] = x [n] + ay [n − 1]
1
H1 (ν) =
1 − ae−j2πν
1
=
1 − a cos (2πν) + ja sin (2πν)
1
|H1 (ν)|2 =
(1 − a cos (2πν))2 + a2 sin2 (2πν)
1
= 2
1 + a − 2a cos (2πν)
4.7. TRAITEMENT DU SIGNAL 107
ν
-0.4 -0.2 0 0.2 0.4
0.8
z
0.6
0.4
0.2
Partie Imaginaire
0
a
-0.2
-0.4
-0.6
-0.8
-1
-1 -0.5 0 0.5 1
Partie Réelle
4.7.2.2 Synthèse des filtres RII par invariance d’une réponse temporelle
1
1. Soit le filtre analogique de fonction de transfert : ha (p) = 1+τ p
où τ = 0.5 s.
Calculer sa réponse impulsionnelle ha (t) et sa réponse indicielle va (t).
1 −t
ha (t) = e τ u (t)
τ
³ ´
t
va (t) = 1 − e− τ u (t)
2. On échantillonne h (t) avec une période Te = τ. log (2). On obtient une séquence h (nTe ).
108 CORRECTIONS DES TRAVAUX DIRIGÉS
(a) Écrire la fonction de transfert H1 (z) d’un filtre échantillonné dont la réponse impulsion-
nelle h1 [n] est égale à ha (nTe ). (Cette approche est appelée méthode de l’invariance
impulsionnelle).
1 − nTe
h1 [n] = e τ , n≥0
τ
1 ¡ ln(2) ¢−n
= e
τ
2−n
=
τ
1 1
H1 (z) =
τ 1 − (2z)−1
(a) Écrire la fonction de transfert H2 (z) d’un filtre échantillonné dont la réponse indicielle
v2 [n] est égale à v (nTe ). (Cette approche est appelée méthode de l’invariance indi-
cielle).
4.7. TRAITEMENT DU SIGNAL 109
4
4
3.5
3.5
|H1 (f)|²
3
3 v1
2.5
2.5
Amplitudes
2
2
Puissance
1.5 1.5
1 1
|Ha (f)|²
0.5 va 0.5
0 0
0 1 2 3 4 5 6 7 8 9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Indices Fréquences réduites
¡ ¢
v2 (n) = 1 − 2−n u (n)
1 1
V2 (z) = −
1−z −1
1 − (2z)−1
(2z)−1
= ¡ ¢
(1 − z −1 ) 1 − (2z)−1
(2z)−1
H2 (z) =
1 − (2z)−1
1
h2 (n) = 2−(n−1) u (n − 1)
2
= 2−n u (n − 1)
4. On considère une fonction de transfert h (p) ne comportant que des pôles simples (donc qui se
met sous forme d’une somme d’éléments simples du premier ordre).
(a) Montrer que la méthode de l’invariance impulsionnelle transforme les pôles (mais pas les
zéros) selon la relation z = Φ (p) (ceci reste vrai pour des pôles multiples, pour lesquels la
démonstration est lourde).
110 CORRECTIONS DES TRAVAUX DIRIGÉS
0.9
2
0.8
0.7
1.5
0.6 |H2(f)|²
Puissance
0.5
Amplitudes
1 va
0.4
|Ha (f)|²
0.3
0.5 v2 0.2
0.1
0 0
0 1 2 3 4 5 6 7 8 9 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Indices Fréquences réduites
X αk
H (p) =
k
1 − τk p
X αk µ ¶
t
h (t) = exp − u (t)
k
τk τk
X αk µ ¶
nTe
h [n] = exp − , n≥0
k
τk τ k
X αk 1
H (z) = ³ ´
k
τk 1 − exp − Te z −1
τk
³ ´
au pôle pk = − τ1k correspond le pôle zk = exp − Tτke = exp (pk Te ).
L’invariance impulsionnelle revient à appliquer la transformation z = exp (pTe ) pour les
pôles.
p = β + jΩ −→ z = eβTe .ejΩTe
(b) Quelle est l’image de la droite p = jΩ dans le plan en z par cette transformation Φ.
On constate que si β = 0 alors la droite p = jΩ se transforme dans le plan en z en cercle
de rayon unité.
(c) Comment se transforme le demi-plan gauche du plan de Laplace dans le plan en Z ?
Le demi-plan gauche est caractérisé par une valeur de β < 0 (soit la région de stabilité
dans le domaine de Laplace). En appliquant la transformation, on observe que ce demi-
plan devient l’intérieur du cercle de rayon unité (soit le disque de stabilité dans le domaine
en z). La transformation conserve la stabilité des systèmes échantillonnés.
(d) Conclure sur l’intérêt de cette méthode de synthèse en ce qui concerne la stabilité du filtre
numérique obtenu.
Les méthodes de synthèse par invariance de réponse sont rapides à mettre en œuvre. Ces
méthodes d’échantillonnage de réponse de système à temps continu peuvent donc être
4.7. TRAITEMENT DU SIGNAL 111
intéressante puisque la stabilité est conservée. Nous allons là qu’il s’agit d’une conclusion
hâtive.
5. On désire réaliser un filtre numérique récursif du premier ordre, de type passe-bas, avec une
fréquence de coupure fc à −3 dB et une fréquence d’échantillonnage Fe . On décide pour ¡ 1 ¢ cela
d’appliquer la méthode de l’invariance indicielle sur le filtre h (p). On pose Te = τ log α avec
0 < α < 1. (α voisin de 1 correspond à un échantillonnage de v (t) à fréquence élevée, α voisin
de 0 correspond à une fréquence d’échantillonnage Fe faible). On pose νc = Ffce .
(a) Écrire la relation qui lie cos (2πν1 ) et α sous la forme cos (2πν1 ) = g (α), et tracer l’allure
de g (α).
D’après la relation du corrigé, la réponse indicielle échantillonnée vaut :
v (n) = (1 − αn ) u (n)
On en déduit :
(1 − α) z −1
H (z) =
1 − αz −1
(1 − α) e−j2πν
H (ν) =
1 − αe−j2πν
2 (1 − α)2
|H (ν)| =
|1 − αe−j2πν |2
(1 − α)2
=
1 + α2 − 2α cos (2πν)
(b) En déduire qu’il existe une limite supérieure pour le choix de la position de fc par rapport
àFe .
On sait que g (.) est bornée du fait de l’égalité avec le terme trigonométrique (cos (2πνc )).
Nous obtenons donc les deux extremas de α :
√
αmin = 3 − 8
½
νc = 0.5
=⇒
Fe = 0.567
τ
αmax = 1
½
νc = 0
=⇒
Fe −→ +∞
112 CORRECTIONS DES TRAVAUX DIRIGÉS
1
g (α)
0
-1
αmin
-2
α
-3 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
6. Conclure sur les méthodes de synthèse par invariance, dans l’optique de fabriquer un filtre à
temps discret dont le gain satisfait à un gabarit en fréquence défini par une bande passante et
une bande atténuée.
Les méthodes de synthèse par invariance de réponse ne fournissent pas des résultats très per-
formants en terme de sélectivité. En effet, quelque soit la réponse considérée pour créer un
filtre numérique, on se retrouve inévitablement confronté au phénomène de recouvrement spec-
tral. Pour s’en réduire l’influence, il faudrait pouvoir effectuer un échantillonnage à très haute
fréquence. Ces méthodes d’échantillonnage de réponse de système à temps continu présentent
donc peu d’intérêt bien que la stabilité soit conservée.
k+p
z=
k−p
k + jΩ
=
k − jΩ
√ ¡ ¡ ¢¢
k 2 + Ω2 exp j arctan Ωk
=√ ¡ ¡ ¢¢
k 2 + Ω2 exp −j arctan Ωk
µ µ ¶¶
Ω
= 1. exp j2 arctan
k
Ω = k tan (πν)
³ω ´
= k tan
2
(b) Montrer que si h (p) est un filtre analogique stable, H (z) obtenu par transformation
bilinéaire est aussi un filtre stable.
4.7. TRAITEMENT DU SIGNAL 113
A (dB)
18
0 f (kHz)
0,8 1,48
ν (f/Fe)
0,1 0,185
Ω
1 Ωa
tan πνa
Ωa =
tan πνc
= 2.022
114 CORRECTIONS DES TRAVAUX DIRIGÉS
(c) Synthétiser le filtre analogique sous la forme d’un filtre de Butterworth, et en déduire
le filtre numérique recherché. (Les coefficients normalisés se trouvent dans le polycopié de
synthèse des circuits de filtrage).
La lecture de l’abaque de la famille de Butterworth nous indique un ordre de 3 :
1
H (p) =
(p + 1) (p2 + p + 1)
1
= 3 2
p + 2p + 2p + 1
L’application de la transformée bilinéaire nous fournit l’expression du filtre numérique :
3
0.0181 (1 + z −1 )
H (z) =
1 − 1.176z −1 + 1.183z −2 − 0.2781z −3
4.7. TRAITEMENT DU SIGNAL 115
1
4
0.9
3.5
0.8
0.7 3
0.6 2.5
0.5
2
0.4
1.5
0.3
0.2 1
0.1 0.5
0
0
0 1 2 3 4 5 6 7
0 1 2 3 4 5 6 7
Indices temporels Indices fréquentiels
n=0 p=0
N
X −1 N
X −1
nl pl
−j2π 2N −jπk
= xn e +e xp e−j2π 2N
n=0 p=0
³ ´N
X −1 l
n2
= 1 + (−1)k xn e−j2π N
n=0
³ · ¸ ´
l k
= 1 + (−1) XN
2
½ £l¤
2XN 2 l pair
=
0 l impair
116 CORRECTIONS DES TRAVAUX DIRIGÉS
8
1
7
0.9
0.8 6
0.7
5
0.6
4
0.5
3
0.4
0.3 2
0.2
1
0.1
0
0 0 5 10 15
0 5 Indices temporels 10 15 Indices fréquentiels
y2N Y2N
½
xn n ∈ [0, N [
vn =
0 n ∈ [N, 2N [
2N
X −1
nl
V2N [l] = vn e−j2π 2N
n=0
N
X −1
nl
= xn e−j2π 2N
n=0
N
X −1 l
n2
−j2π
= xn e N
n=0
· ¸
l
= XN
2
L’ajout de valeurs nulles à la séquence originale nous permet d’obtenir un effet intéressant
puisque nous obtenons un spectre de longueur plus grande et que les données manquantes ont
été interpolées à partir des valeurs connues.
½
x n2 pour n = 2m
wn = m ∈ [0, N [
0 pour n = 2m + 1
4.7. TRAITEMENT DU SIGNAL 117
1 4
0.9
3.5
0.8
3
0.7
0.6 2.5
0.5 2
0.4
1.5
0.3
1
0.2
0.1 0.5
0 0
0 5 10 15 0 5 10 15
Indices temporels Indices fréquentiels
v2N V2N
p=0 p=0
N
X −1
pl
= xp e−j2π N
p=0
= XN [l] + XN [l − N ]
1 4
0.9
3.5
0.8
3
0.7
2.5
0.6
0.5 2
0.4
1.5
0.3
1
0.2
0.5
0.1
0 0
0 5 10 15 0 5 10 15
Indices temporels Indices fréquentiels
w2N W2N
4. Comparer les résultats des questions 1 et 3, et montrer qu’ils peuvent se déduire l’un de l’autre
par dualité.
Comparer également ces résultats à ceux trouvés dans le TD sur l’échantillonnage lors de l’étude
du filtre sur-échantillonneur (exercice ¿ Filtres non invariants À, cf. 3.5.1.3).
118 CORRECTIONS DES TRAVAUX DIRIGÉS
Γx (ν)
A²
4
f
-0,5 f1 f1 +0,5
- +
Fe Fe
Π (f ) = N 2 sin2c (πf )
0.8
0.6
0.4
0.2
0 996 997 998 999 1000 1001 1002 1003 1004 1005
f
L’échantillonnage en fréquence n’a quant a lui pas changé. On conservera les amplitudes de
la Dsp aux valeurs entières de fréquences (cf. Fig. 4.25). C’est pourquoi, nous obtenons une
densité spectrale très différente comme le montre la Fig. 4.26.
Ce résultat s’explique par le fait que notre estimateur ne sait mettre en évidence que les signaux
trigonométriques de fréquence entière. Ce qui n’est pas le cas de f2 , notre estimateur va nous
fournir alors une approximation du spectre sous la contrainte de conservation de l’énergie. Aux
voisinage de 1 kHz, on constate une symétrie puisque f2 est à égale distance de f1 et f1 + 1.
3
Le facteur N intervient car nous n’avons pas utilisé une fenêtre normalisée en énergie. Il aurait fallu considérer
une fenêtre d’amplitude de √1N et non de 1.
120 CORRECTIONS DES TRAVAUX DIRIGÉS
40
20
40
-20
30
-40
Puissance (dB)
Puissance (dB)
-60
20
-80
-100
10
-120
-140
-160 0
0 500 1000 1500 2000 2500 3000 3500 4000 996 997 998 999 1000 1001 1002 1003 1004 1005
Fréquences (Hz) Fréquences (Hz)