Signal électrique
Traitement du signal
• Télécommunications, radiocommunications (ADSL, GSM, UMTS, TNT, Wifi, …)
• Image et son (JPEG, MPEG, MP3, Filtrage, Annulation écho, Analyse, Synthèse, …)
• Médical (Échographie, Imagerie, Biosignaux, …)
• Radar, géophysique, Acoustique (sous-marine)
• …
Grandeur physique
Milieu de
transmission
Capteur Bruit
Traitement du signal
Exploitation
Signaux et Systèmes
Les signaux :
- Déterministes
- Impulsionnels - Périodiques
- Aléatoires : bruits (bruit blanc), données, information, …
Les systèmes :
– Linéaires Invariant dans le Temps (SLIT) : canaux de transmission, composants électroniques passifs (R,L,C), filtres analogiques et numériques, …
régis par l'opération de convolution
ayant les signaux sinusoïdaux comme fonctions propres Fonction de transfert et analyse de Fourrier
– Non linéaires ou non stationnaires : non linéarités (saturation),
Traitement Numérique du Signal
Numérisation : double discrétisation
Discrétisation temporelle : Echantillonnage
Discrétisation numérique : Quantification
Plan du cours
Introduction Rappels
Systèmes linéaires invariants dans le temps Analyse de Fourier
Echantillonnage
Théorème de l'échantillonnage Bruit de quantification
Filtrage numérique
Filtre à Réponse Impulsionnelle Finie (RIF) Filtre à Réponse Impulsionnelle Infinie (RII) Transformée en Z
Transformée de Fourier Discrète (TFD)
Transformée de Fourier Discrète Rapide : FFT (Fast Fourier Transform)
Références
Les livres :
• Traitement numérique du signal, Maurice BELLANGER (Dunod) ;
• Méthodes et techniques de traitement du signal, J.MAX (Masson) ;
• Traitement numérique des signaux, M.KUNT (Dunod) ;
• Digital signal processing, J. G. Proakis, D. G. Manolakis, (Prentice Hall)
Sur Internet :
• Wikipédia : site en pleine progression
• Luc Vandendorpe : http://www.tele.ucl.ac.be/EDU/ELEC2900/tout_2900b.pdf
• Joël Le Roux : http://users.polytech.unice.fr/~leroux/
Exercices, Devoirs surveillés et documents de cours :
• http://luc.fety.free.fr
• http://luc.fety.free.fr/ftp/EI1/
• http://luc.fety.free.fr/ftp/ELE102/
Systèmes linéaires invariants dans le temps
Linéarité :
Invariance temporelle :
Exemples : canaux de transmission, systèmes optiques, filtrage, … )
(t
x
SLITy (t )
)
1
( t
x y
1( t )
)
2
( t
x y
2( t )
) ( )
(
2 21
1
x t α x t
α + α
1y
1( t ) + α
2y
2( t )
) (t
x y (t )
) ( t − τ
x y ( t − τ )
Principe de
superposition
Stationnarité
Convolution
Réponse impulsionnelle :
Un signal quelconque peut être exprimé comme une somme d'impulsions :
En vertu de la linéarité et de l'invariance temporelle :
Cette opération s'appelle le produit de convolution :
)
δ (t
SLITh (t )
τ τ δ
τ t d
x t
x ( ) = ∫
−+∞∞( ) ( − )
τ τ τ h t d x
t
y ( ) = ∫
−+∞∞( ) ( − )
) ( )
( )
( t x t h t
y = ∗
Propriétés du produit de convolution
Le produit de convolution est
– commutatif : – associatif : – distributif :
L'élément neutre est l'impulsion de Dirac :
La convolution par opère une translation de :
Évaluation graphique :
(Wikipedia)
) ( ) ( ) ( )
(x g x g x f x
f ∗ = ∗
) ( )) ( ) ( ( )) ( ) ( ( )
(x g x h x f x g x h x
f ∗ ∗ = ∗ ∗
) ( ) ( ) ( ) ( ))
( ) ( ( )
(x g x h x f x g x f x h x
f ∗ + = ∗ + ∗
) ( )
( ) ( )
( )
(x x u f x u du f x
f ∗δ =
∫
−+∞∞δ − =) (
) (
) (
) (
)
(x x a u a f x u du f x a
f ∗δ − =
∫
−+∞∞δ − − = − )(x−a
δ a
du u x g u f x
g x
f ( )∗ ( ) =
∫
−+∞∞ ( )∗ ( − )Fonctions propres
Fonctions telles que
Proposition :
) ( )
( )
( x t d x t
h − = ⋅
∫
−+∞∞τ τ τ λ
) (t
x x ( t ) ∗ h ( t ) = λ ⋅ x ( t )
e
att
x ( ) = x ( t − τ ) = e
a(t−τ)= e
−aτ⋅ e
at= e
−aτ⋅ x ( t )
4 4 3 4
4 2 1 λ
τ
τ
τ τ τ
τ
e d e h e dh a t at +∞ −a
∞
− +∞ −
∞
−
∫
∫
( ) ( ) = ⋅ ( )Exprimer le signal d'entrée comme une somme de fonctions propres :
ou
Pour déterminer plus facilement le signal de sortie : ou
est appelée " Transformée de ".
est appelée " Fonction de Transfert ".
Base de fonctions propres
∑
⋅=
a
eat
a X t
x( ) ( ) x(t) =
∫
a X(a)⋅eatda∑
⋅ ⋅=
a
at a
Y
e a X a t
y 14243
) (
) ( ) ( )
(
λ
=∫
a ⋅ ⋅ ata Y
da e a X a t
y 14243
) (
) ( ) ( )
(
λ
) (t
x
SLITy (t )
) (a
X x(t)
)
λ
(a Y(a) =λ
(a)⋅ X (a)Différentes transformées :
• Laplace :
• Fourier :
• En Z dans le cas des signaux échantillonnés, …
ω α j p
a = = +
x(t) =∫
p X (p)⋅eptdpf j
a = 2 π
x(t) =∫
−+∞∞ X( f )⋅e2πftdfExemple de décomposition
t f t
x ( ) = cos 2 π
0 SLITy ( t ) = ?
t f j t
f
j
e
e t
x
2 0 2 02 1 2
) 1
( =
π+
− πSLIT
SLIT
+
t f
e
j2 0 21 π
t f
e
j2 0 21 − π
t f f j
H
e
2 02 ) 1
( 0 ⋅ π
t f f j
H
e
2 02 ) 1
(− 0 ⋅ − π
0)) 0 (
2 cos(
0) ( )
(t H f f t f
y = π +ϕ
)* ( 0 0)
( f H f
H
si − =
Exemple de SLIT
) (t
x +
τ
) (
) ( )
(t = x t + x t−τ y
) 1
(
) (
2 2
) ( 2 2
2
0 0 0
0 0
0
1 42 43
f H
f j t
f j t
f j t
f j t
f
j
e e e e
e
π→
π+
π −τ=
π+
− π τ) 1
(
) (
2 2
) ( 2 2
2
0 0 0
0 0
0
1 42 43
f H
f j t
f j t
f j t
f j t
f
j
e e e e
e
− +
−
−
−
−
− π
→
π+
π τ=
π+
π τt f e j
f t H
f ej f H t
t y f e j
t f ej t
f t
x 0 0 0 0 0 0 2 0
) 2 (
2 1 ) 2 (
) 1 2 (
2 2 1
2 2 1
cos )
( = π = π + − π → = ⋅ π + − ⋅ − π
τ τ π
τ π τ π
τ π π τ
π τ
π 0
0 0 0
0 0 0
0) ( 0 ) 2cos ( ) 2cos
( j f
e f f
H f et
e j f f
e j f
e j f
e j f
H = + + − ⋅ − = ⋅ − − = ⋅ +
) 2
cos(
cos ) 2
2 ( 2
) 1 2
( 2 cos 1
2 )
(t πf0τ ej πf0t πf0τ e j πf0t πf0τ πf0τ πf0t πf0τ
y = ⋅ −
⋅ − + ⋅ − +
=
Ce qu'il faut retenir
Les traitements des signaux sont le plus souvent des Systèmes Linéaires Invariants dans le Temps.
Ils sont régis par le produit de convolution :
est la réponse impulsionnelle du système. Elle caractérise entièrement le système.
Les transformées de Laplace et de Fourier sont très utilisées pour l'étude des SLIT car elles sont basées sur des fonctions propres des SLIT de la forme .
Elles transforment le produit de convolution en produit simple.
) (t
x
SLITy (t )
τ τ τ h t d x
t h t x t
y( ) = ( )∗ ( ) =
∫
−+∞∞ ( ) ( − ) )(t h
eat
Traitement Numérique du Signal
Le traitement numérique des signaux requiert leur numérisation :
1) Les calculateurs sont des systèmes discrets : Ils peuvent tout au plus mémoriser et calculer les valeurs des signaux à des instants dénombrables.
Il faut donc opérer une discrétisation temporelle : L'Echantillonnage
2) Les mémoires disponibles dans les calculateurs sont elles-mêmes constituées d'un nombre fini de bits : Elles peuvent tout au plus mémoriser des valeurs arrondies des échantillons des signaux.
il s'agit d'une discrétisation numérique :
La Quantification
L'Echantillonnage
L'échantillonnage d'un signal consiste à mesurer et ne conserver que ses valeurs à des instants particuliers :
Le signal obtenu est un signal discret :
est l'indice (ou indexe) des échantillons.
est le symbole de Kronecker :
0 1 2 3 4 5 6 7 8 9 10
-1 -0.5 0 0.5 1
{
L 0.9 0 0.9 0.6 0.6 0.9 L}
) ( )
( = = − − −
nTe ↑
x n
x A
) (n x
) (t xA
∑
+∞−∞
=
−
⋅
=
i
n i i x n
x( ) ( ) δ( )
) δ(n
=
= ≠
0 1
0 ) 0
( si n
n n si
δ N
n∈
Te
fe
Te1 =
: Période d'échantillonnage
Te
: Fréquence d'échantillonnage
fe
Reconstruction
Problème : Plusieurs signaux présentent les mêmes échantillons :
Il faut certainement compléter l'information contenue dans les échantillons par des hypothèses supplémentaires.
Solution retenue : Hypothèses dans le domaine spectral Le théorème d'échantillonnage
τ τ τ h t d x
t h t x t
y( ) = ( )∗ ( ) =
∫
−+∞∞ ( ) ( − )0 1 2 3 4 5 6 7 8 9 10
-1 -0.5 0 0.5 1
Spectre d'un signal échantillonné
Considérons l'expression analogique du signal numérique :
Peut-on exprimer comme une somme de sinusoïdes ? ou peut-être
0 1 2 3 4 5 6 7 8 9 10
-1 -0.5 0 0.5
1 xA(t)
) (t xN
) (t xN
) (t xN
∑
=
f
ft j f
N t a e
x ( ) 2π xN(t)=
∫
f af ej2πftdfSpectre d'un signal échantillonné
Les signaux présentent tous les mêmes échantillons :xk(t)= xA(t)⋅cos2πkfet
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
t fe π 2 cos
t f t
xA( )⋅cos2π e
t fe π 4 cos
t f t
xA( )⋅cos4π e )
(t xA
) (t xA
Spectre d'un signal échantillonné
Si nous faisons la somme de ces signaux :
∑
= + −
⋅ +
K
k e e
e A
A
et kf j et kf j
t kf t
x t
x
1 2 2
2 cos 2 ) ( )
( 14243
π π
π
=1 K
=2 K
=3 K
=4 K
=5 K
) (t xA
0 1 2 3 4 5 6 7 8 9 10
-1 0 1
0 1 2 3 4 5 6 7 8 9 10
-20 2
0 1 2 3 4 5 6 7 8 9 10
-5 0 5
0 1 2 3 4 5 6 7 8 9 10
-5 0 5
0 1 2 3 4 5 6 7 8 9 10
-505
0 1 2 3 4 5 6 7 8 9 10
-10 0 10
Nous obtenons un signal constitué d'impulsions approchant .xN(t)
0 1 2 3 4 5 6 7 8 9 10 -100
-80 -60 -40 -20 0 20 40 60 80 100
Spectre d'un signal échantillonné
=100 K
8.8 8.9 9 9.1 9.2
-5 0 5 10 15 20 25 30 35
0 1 2 3 4 5 6 7 8 9 10
-1000 -800 -600 -400 -200 0 200 400 600 800
1000 K =1000
+ ⋅
⋅
=
∑
∞=1
2 cos 2 ) ( )
( )
(
k
e A
A
N t fe x t x t kf t
x π
∑
∞−∞
=
−
⋅
=
n
A
N t x nTe t nTe
x ( ) ( ) δ( )
) ˆ (t xN
) ( )
ˆ (
2
2
nTe x
dt t
x A
nTe
nTe N
Te
Te ⋅ ≈
∫
−+∑
∞−∞
=
⋅
⋅
=
k
t kf j A
N t fe x t e e
x ( ) ( ) 2π
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 -1000
-800 -600 -400 -200 0 200 400 600 800 1000
0 1 2 3 4 5 6 7 8 9 10
-100 -80 -60 -40 -20 0 20 40 60 80 100
8.6 8.7 8.8 8.9 9 9.1 9.2 9.3 9.4
-5 0 5 10 15 20 25 30 35
Vérification du facteur
=1 fe
=10 fe
f
e0.86 0.87 0.88 0.89 0.9 0.91 0.92 0.93 0.94 -50
0 50 100 150 200 250 300 350
=1 Te
1 .
=0 Te
Modulation Périodisation
∑
+∞−∞
=
−
⋅
=
k
e A
N f fe X f kf
X ( ) ( )
∑
∞−∞
=
⋅
⋅
=
k
t kf j A
N t fe x t e e
x ( ) ( ) 2π
) ( f XA
0 f
) ( f XN
0 f
fe
fe 2fe
fe
−2
∫
−+∞∞= X f e df
t
xA( ) A( ) j2πft
∑ ∫
∞−∞
=
∫ −
+∞
∞
−
+
∞ +∞
−
⋅
=
k
df e kf f X
t kf f j A
N
ft j e A
e df
e f X fe
t x
4 4 4
4 3 4
4 4
4 2
1 π
π
) 2
(
) (
) 2
( )
(
)
( e
A f f
X − XA(f −2fe) )
( e
A f f
X +
) 2
( e
A f f
X +
Transformée de Fourier de
∑
∞−∞
=
−
⋅
=
n
A
N t x nTe t nTe
x ( ) ( ) δ( )
∑
∞−∞
=
⋅
−=
n
fnTe j
A
N
f x nTe e
X ( ) ( )
2π) (t x
N∫
−+∞∞ −= x t e dt f
XN( ) N( ) j2πft
∫ ∑
−+∞∞ +∞ −−∞
=
⋅ −
= x nTe t nTe e dt
f
X j ft
n
A
N( ) ( ) δ( ) 2π
or
∑
+∞∫
−∞
=
+∞
∞
−
− −
⋅
=
n
ft j A
N f x nTe t nTe e dt
X ( ) ( ) δ( ) 2π
Reconstruction
) ( ) ( )
(f X f H f
XA = N ⋅
) ( f H
0 f
) ( f XN
0 f
fe
fe 2fe
fe
−2
)
( e
A
e X f f
f ⋅ + fe⋅XA( f) )
2
( e
A
e X f f
f ⋅ + fe⋅XA(f − fe) fe⋅XA(f −2fe)
) ( f XA
0 f
2 fe
2 fe
−
fe
1
∫
−+ ⋅= 2
2
1 ( ) 2
) (
fe
fe e
df e
f X t
xA f N j πft
Formule de Shannon (reconstruction)
∫
−+⋅
=
22
1
( )
2) (
fe fe e
df e
f X
t
x
A f N j πft∑
+∞−∞
=
= − n
fnTe j
A
N f x nTe e
X ( ) ( ) 2π
∫
−+∑
+∞−∞
=
− ⋅
= 2
2
2
1 ( ) 2
) (
fe
fe
e x nTe e e df
t
x j ft
n
fnTe j f A
A
π
π
∑
+∞∫
−∞
=
+
−
−
=
n
nTe t f j A f
A
fe
fe
e e df
nTe x
t
x 2
2
) ( 1 2
) ( )
( π
∑
+∞−∞
=
−
−
−
−
−
=
n
nTe t j nTe
t j nTe t j A f
A
fe fe
e e e
nTe x
t
x ( ) ( ) 1 2π(1 ) 2π 2( ) 2π 2( )
∑
+∞( )
−∞
= − −
=
n
nTe t j
nTe t f j A f
A
e e
nTe x
t
x ( ) ( ) 1 2 sin(2ππ( ( ) )
∑
+∞−∞
= −
=
− nnTe t f
nTe t f A
A e
nTe
ex t
x ( ) ( )
sin(ππ( ( ) )or
Théorème d'échantillonnage de Nyquist-Shannon
) ( f XA
0 f
) ( f XN
0 f
fe
fe 2fe
fe
−2 − f2e f2e
) ˆ (f XA
0 f
fe
fe 2fe
fe
−2 − f2e f2e
fmax
max 2
f
ef <
Aumoins
2 échantillons par période Repliement de spectre∑
∞−∞
=
−
⋅
=
n
A
N t x nTe t nTe
x ( ) ( ) δ( )
∑
∞−∞
=
⋅
⋅
=
k
t kf j A
e
N t f x t e e
x ( ) ( ) 2π
∑
∞−∞
=
−
⋅
=
n A
N t x t t nTe
x ( ) ( ) δ( )
∑
∞−∞
=
⋅
=
k
t kf j e
A
N t x t f e e
x ( ) ( ) 2π
∑
∑
∞−∞
=
∞
−∞
=
=
−
k
t kf j e
n
e e
f nTe
t π
δ( ) 2
∑
∑
∞−∞
=
∞
−∞
=
− = −
k
e e
n
fnTe
j f f kf
e 2π δ( )
∑
∞−∞
=
−
∗
=
k
e e
A
N f X f f f kf
X ( ) ( ) δ( )
∑
∞−∞
=
∗ −
=
n
fnTe j A
N f X f e
X ( ) ( ) 2π
TF
TF TF
En définitive
∑
∞−∞
=
−
=
k
e A
e
N f f X f kf
X ( ) ( )
∑
∞−∞
=
= − n
fnTe j A
N f x nTe e
X ( ) ( ) 2π
TF TF
∑
∞−∞
=
−
⋅
=
n
nTe t
n x t
x( ) ( ) δ( )
∫
−+∞∞ ⋅ −= x t e dt f
X( ) ( ) j2πft
Transformée de Fourier Discrète (TFD)
∑
∞−∞
=
= − n
fnTe
e j
n x f
X( ) ( ) 2π
Nous savons que la transformée de Fourier :
appliquée au signal échantillonné défini de la manière suivante :
conduit à la définition de la Transformée de Fourier du signal échantillonné :
La "Transformée de Fourier discrète" en est une version calculable :
( ) ∑
−=
= −
= 1
0
2
) ˆ (
) (
N
n
N j kn N
kfe x n e
X k
X π N
fnTe N kn
f kFe
→
=
Echantillonnage fréquentiel Horizon fini