Traitement du signal

Systèmes linéaires invariants

Sofia Ben Jebara

1 1
 Plan

•  Définition et caractéristiques des systèmes

•  Convolution, filtrage et réponse
impulsionnelle
•  Structures des filtres numériques
•  Stabilité et notion de pôles et zéros
•  Conception de filtres

2 2
Définition et caractérisation des
systèmes

Définition, linéarité, invariance par

translation, stabilité, causalité, temps
de réponse, régime transitoire

3 3
 Définition d’un système
Un système réalise une application de l’espace des signaux
d ’entrée dans celui des signaux de sortie
entrées Système sorties
xi yj

Systèmes mono-entrée / mono-sortie : objectif du cours

x y = G(x)
Système

Homogénéité entrées/sorties :
- Système analogique (continu) : entrée et sortie à temps continu
- Système numérique (discret) : entrée et sortie à temps discret
- Système hybride 4 4
 Caractéristiques (1): linéarité
xi → y i = G (x i )
G(.) ne dépend pas du temps
∑a x
i
i i → ∑a y
i
i i

x1(t) Système y1(t)

LTI
x2(t) Système y2(t)
LTI
Système A y1(t) + B y2(t)
LTI
5 5
Caractéristiques (2); invariance par
décalage dans le temps
y(t ) = G(x(t )) → ∀τ , y(t − τ ) = G(x(t − τ ))

t0 t0
x(t) y(t)
Système
LTI
x(t-t0) y(t-t0)
Système
LTI
6 6
 Caractéristiques (3):
dynamique ou instantané
- Réponse instantanée :
la sortie ne dépend que de la valeur de l’entrée à
l’instant considéré
- cas des SLI : y(t) = a x(t), a constante
- Système dynamique :
la sortie dépend de certaines valeurs de l’entrée à
d’autres instants
Ex: - Retard pur : y (t ) = x(t − τ )

1 k
- Moyenneur : y (k ) = ∑
k + 1 n =0
x ( n)
7 7
Caractéristiques (4): causalité

La réponse à un instant donné ne dépend que des valeurs

de l’entrée aux instants précédents

- Propriété évidente pour les systèmes réels

(effet ne précède pas la cause)

- Traitement en temps différé possibilité de non causale

- variable d ’évolution ≠ temps
(Ex: traitement d ’images)

8 8
 Caractéristiques (5): stabilité

- A toute entrée x, bornée en amplitude,

correspond une sortie y également bornée en amplitude

- Stabilité BIBO : Bounded Input Bounded Output

- Conditions de stabilité :
+∞
Cas Continu : ∫−∞
h(t ) dt < ∞

+∞

Cas discret : ∑ h( k ) < ∞

k = −∞

9 9
Convolution, filtrage et
réponse impulsionnelle

Définition de la convolution, notion de

filtrage, gabarit d’un filtre, réponse
impulsionnelle finie et infinie

10 10
 Convolution des SLI

•  Définition:

•  Cas des SLI:

–  La sortie d’un système linéaire causal invariant dans
le temps est donné par le produit de convolution du
signal d’entrée et d’une fonction H(t) appelée
réponse impulsionnelle
+∞ ∞
y (k ) = ∑ h( n) x ( k − n)
y (t ) = ∫ H (θ )s(t − θ )dθ
−∞
n = −∞

11 11
 Réponse impulsionnelle
•  Réponse du système à une entrée impulsion

x(k)=δ(k) y(k)=h(k)
1 1
cas d’un SLI causal :
h(k) = 0 pour k < 0
k k

12 12
 Impact sur les systèmes LTI

Système
inconnu
entrée=dirac Sortie: réponse
Somme de toutes imulsionnelle
les fréquences Réponse à toutes
les fréquences

Un système LTI est entièrement caractérisé par

sa réponse impulsionnelle
13 13
 Propriétés de la convolution
k

Système causal et entrée causale : y (k ) = ∑ h(n) x(k − n)

n =0

Commutativité : h * x(k ) = x(k ) * h

Element neutre : impulsion de dirac

δ (k ) * x(k ) = x(k )

Décalage:
δ (k − k0 ) * x(k ) = x(k − k0 )

Transformée en Z
TZ (x(k ) * y(k )) = TZ (x(k )).TZ ( y(k )) 14 14
 Notion de filtrage

•  Définition:
Le filtrage est une forme du traitement du signal
qui modifie le spectre de fréquence et/ou la
phase du signal et par conséquent sa forme
temporelle
•  Type de filtres:
–  Filtres analogiques : à partir de composants
passifs
–  Filtres numériques : à partir de structure
intégrée micro-programmable
15 15
Représentation d’un filtre numérique

•  Relation entrée/sortie:
L M
y (n) = ∑ bi x(n − i ) − ∑ ai y (n − i )
i =0 i =1

•  Sa réponse impulsionnelle
h(n) = f (δ (n))
•  Sa fonction de transfert en Z : calcul de TZ

•  Son gain complexe : calcul de H(f) à partir de

H(z) pour Z = e j 2π f / f e

16 16
 Gabarit d’un filtre (1)
•  Un filtre idéal présente:
–  Un affaiblissement nul dans la bande de fréquence
que l’on désire conserver (bande passante)
–  Un affaiblissement infini dans la bande que l’on
désire éliminer (bande atténuée)
•  Un filtre pratique est caractérisé par:
–  Une atténuation maximale dans la bande passante
–  Une atténuation minimale dans la bande atténuée
•  Gabarit d’un filtre:
–  Bandes passantes et bandes atténuées
–  Atténuations minimale et maximale
17 17
 Gabarit d’un filtre (2)

•  Illustration

18 18
 Types de gabarit de filtres

•  Passe-bas Passe-haut

•  Passe-bande Coupe-bande

19 19
 Réponse fréquentielle

•  Exemple:
+∞
1
∑
∞
1 H (ν ) = = h ( k ) e − j 2πνk
H ( z) =
1 − az −1
= ∑
k =0
a k −k
z 1 − ae − j 2πν
k = −∞
∞
1
H (ν ) = ∑ a e k − j 2πνk
=
rép.impuls.h(k ) = a k , k ≥ 0 k =0 1 − ae − j 2πν

1 a sin(2πν )
H (ν ) = Arg ( H (ν )) = ArcTan( )
1 + a 2 − 2a cos( 2πν ) 1 − a cos(2πν )

20 20
 Réponse impulsionnelle (1)

La réponse d’un filtre numérique à une impulsion

est décrite par

Exemple 1:

⎧ h(0) = 1
⎪ h(1) = −a
⎪
h(n) = δ (n) − a1h(n −1) ⎨
h ( 2) = a 2
1

⎪ 1

Si a1 >1, filtre instable ⎪⎩h(n) = (−a1 ) n

21 21
 Réponse impulsionnelle (2)

Exemple 2:

22 22
Structures des filtres
numériques
Structure FIR, structure IIR

23 23
 Classes de filtres numériques
Selon le caractère récursif

•  Non récursif: Réponse Impulsionnelle Finie (RIF)

Ex: Modèle MA (Moving Average ou moyenne mobile)
L L
y (n) = ∑ bi x(n − i ) h(n) = ∑ biδ (n − i )
i =0 i =0

•  Récursif: Réponse Impulsionnelle Infinie (RII)

M
dû au terme ∑ ai y(n − i)
i=1

Modèle AR (Auto-Regressif ou auto-régressif)

M
y(n) = x(n) − ∑ ai y(n − i)
i=1

Modèle ARMA (Auto-Regressif Moving Average)

L M
y (n) = ∑ bi x(n − i ) − ∑ ai y (n − i )
i =0 i =1 24 24
Filtres à Réponse Impulsionnelle Finie

•  Filtres dont la sortie ne dépend que de l’entrée

L
y (n) = ∑ bi x(n − i ) ⎧Y ( z ) = B( z ) X ( z )
⎪ L
⎨ B ( z ) = b z −i
∑
i =0
⎪⎩ i =0
i

•  B(z):transmittance
» 

»  Modèle MA

25 25
Filtres à Réponse Impulsionnelle Infinie

•  Filtres dont la sortie dépend de l’entrée et du passé

de la sortie ⎧Y ( z ) = H ( z ) X ( z )
L M ⎪ B( z )
y (n) = ∑ bi x(n − i ) − ∑ ai y (n − i ) ⎪ H ( z ) =
i =0 i =1
⎪⎪ 1 + A( z )
L
⎨ B ( z ) = b z −i
⎪ ∑
i =0
i

⎪ M
⎪ A( z ) = ∑ ai z −i
⎪⎩ i =1

Modèle ARMA

26 26
 Notion de pôles et Zéros (1)

B( z ) b(0) + b(1) z −1 + ! + b( L) z − L
H ( z) = =
A( z ) 1 + a(1) z −1 + ! + a( M ) z − M
L

∏ (1 − z z
i
−1
)
= b(0) i =1
M

∏ (1 − p z
i =1
i
−1
)

•  Coefficients a(i) et b(j) : réels

•  Fonction de transfert H(z) à M pôles pi et L zéros zi
réels ou en paires complexes conjuguées
•  Réponse impulsionnelle h(k):
H ( z) = h(0) + h(1) z −1 + ! + h(k ) z − k + !
27 27
 Notion de pôles et Zéros (2)

•  Exemple 1:
∞
1 z
G( z) = = ∑
1 − az −1 i = 0
a i −i
z =
z−a Pôle en z=a
g ( k ) = a k pour k = [0, ∞[ Zéro en z=0

•  Exemple 2: Filtre AR
B( z ) b(0)
G( z) = =
A( z) 1 + a (1) z −1 +!+ a ( P) z − P
1
= b(0) P

∏ (1 − p zi
−1
) Filtre tout-pôles, (All pole filter)
i =1

28 28
 Stabilité des filtres (1)
Filtre stable si les pôles sont à l’intérieur
du cercle unité dans le plan des z
Illustration:
3 pôles z = -0.5 + 0.5 i , -0.5-0.5i , 0.5 o
2 zéros z = -1-i , -1+i x
x
Exemple: 1
∞ x
1 g(k)
−1 = ∑ a z
G( z) = i −i o
1 − az i =0

g ( k ) = a k pour k = [0, ∞[
k
Rq: pôle en z=a et suite convergente si |a|<1
29 29
Stabilité des filtres (2)

30 30
 Conception de filtres FIR

•  Méthode de la TFSD inverse

•  Échantillonnage en fréquence
•  Conception à ondulations constantes

31 31 31
 Méthode de la TFSD inverse
• Principe
A partir de la réponse en fréquence « idéale » H(ejq)
du filtre désiré, on calcule la réponse impulsionnelle
h[n] idéale.

•  Filtre « idéal » obtenu

Le résultat sera en général un FIR non-causal
de longueur infinie

•  Modifications pour obtenir un filtre réalisable

- tronquer le filtre (utilisation de fenêtres)
- décaler le filtre tronqué pour qu’il soit causal
introduit une caractéristique de phase
32
linéaire
32 32
 Exemple
Déterminez les coefficients d’un filtre FIR causal, de longueur
N = 9, qui approxime la réponse en fréquence suivante:

H(ejω)

-π -π/4 π/4 π ω
0
33 33 33
 Solution (1)

On trouve d’abord les coefficients du filtre idéal:

π
h[n] =
1
∫
2π ω =− π
H ( e jω
) e jnω
dω

π /4
1 h[n]
∫
jnω
= 1e dω 0.2
2π ω =− π /4
sin(nπ / 4) 0
= n
nπ
1 -0.2
= sinc(n / 4)
4
-20 -10 0 34 34
10 34
20
 Solution (2)
Pour obtenir un filtre causal réalisable, avec N = 9
coefficients:
- on multiplie h[n] par une fenêtre de longueur 9,
centrée à n=0
- on décale ensuite le signal tronqué vers la “droite”
de 4 échantillons jωModule de H(e )
1.5
0.4

0.3 h[n] réalisable 1

0.2
0.5

0.1
0
0 0 1 2 3 4
0 1 2 3 4 5 6 7
n
8
4
Phase de H(ejω)
Ici, on a utilisé une fenêtre 2

rectangulaire 0

-2 35 35 35
-4
0 1 2 3 4
 Effet de la longueur du filtre
(fenêtre rectangulaire)
Réponse fréquentielle
N=9 N = 17
1.5 1.5

1 1

0.5 0.5

0 0
0 1 2 3 4 0 1 2 3 4

q q

N = 33 N = 201
1.5 1.5

1 1

0.5 0.5

0 0
0 1 2 3 4 0 1 2 3 4
q q
36 36 36
Fenêtre rectangulaire vs hamming

Réponse impulsionnelle Réponse fréquentielle

0.3 1.5

0.2
1
0.1

0.5
0

-0.1 0
-20 -10 0 10 20
0 1 2 3 4

0.3 1.5

0.2
1
0.1

0.5
0

-0.1 0
-20 -10 0 10 20 0 1 2 3 4

37 37 37
Types de fenêtres principales

Réponse fréquentielle
rectangulaire 0

-20

-40

-60

-80
0 0.05 0.1 0.15 0.2 0.25 0.3

hamming 0

-20

-40

-60

-80
0 0.05 0.1 0.15 0.2 0.25 0.3

hanning 0

-20

-40

-60

-80
0 0.05 0.1 0.15 0.2 0.25 0.3

38 38 38