Traitement Avancé du Signal Master RT M1 2022/2023

Traitement Avancé du Signal

(Support de cours)

Master 1 : Réseaux de Télécommunications

Faculté de Génie Electrique

Université des Sciences et de la Technologie Houari Boumediene

Site perso : [Link]

e-mails: akourgli@[Link] , kourgliassia@[Link]

FGE, USTHB [ assiakourgli@[Link] / [Link] 1

Traitement Avancé du Signal Master RT M1 2022/2023

Programme

Introduction : Rappels divers

Chapitre 1. Rappels sur les filtres numériques (RIF et RII) (3 Semaines)

1. Transformée en Z

2. Structures, fonctions de transfert, stabilité et implémentation des filtres numériques (RIF et RII)

3. Filtre numérique à minimum de phase

4. Méthodes de synthèses des filtres RIF et des filtres RII

5. Filtres numériques Multicadences

TP n°1 : Synthèse de filtres RIF et RII

Chapitre 2. Signaux aléatoires et processus stochastiques (4 Semaines)

1. Rappel sur les processus aléatoires

2. Notions de processus stochastiques

3. Stationnarités au sens large et strict et Ergodicité

4. Exemples de processus stochastiques (processus de Poisson, processus gaussien et Markovien)

5. Statistiques d'ordre supérieur (Moments et cumulants, Polyspectres, processus non

gaussiens, traitements non linéaires)

6. Densité spectrale de puissance

7. Filtre adapté, filtre de Wiener

8. Périodogramme, corrélogramme, périodogramme moyenné, périodogramme lissé

9. Introduction au filtrage particulaire

TP n°2 : Processus Aléatoires, périodogramme et variantes

TP n°3 : Filtrage adapté et Filtrage de Wiener

FGE, USTHB [ assiakourgli@[Link] / [Link] 2

Traitement Avancé du Signal Master RT M1 2022/2023

Chapitre 3. Analyse spectrale paramétrique et filtrage numérique adaptatif (4 Semaines)

1. Méthodes paramétriques

2. Modèle AR (Lévinson, Yulewalker, Burg, Pisarenko, Music …)- Modèle ARMA

3. Algorithme du gradient stochastique LMS

4. Algorithme des moindres carrés récursifs RLS

TP n°4 : Modélisation AR et Filtrage adaptatif

Chapitre 4. Analyse temps-fréquence et temps-échelle (4 Semaines)

1. Dualité temps-fréquence

2. Transformée de Fourier à court terme

3. Ondelettes continues, discrètes et ondelettes dyadiques

4. Analyse multi-résolution et bases d’ondelettes

5. Transformée de Wigner-Ville

6. Analyse Temps-Echelle,

TP n°5 : Compression et débruitage par ondelettes

FGE, USTHB [ assiakourgli@[Link] / [Link] 3

Traitement Avancé du Signal Master RT M1 2022/2023

Introduction : Rappels divers

Un signal est la représentation physique de l’information qu’il transporte de sa source à son

destinataire. Il sert de vecteur à une information. Il constitue la manifestation physique d’une grandeur
mesurable (courant, tension, force, température, pression, etc.). Les signaux sont des grandeurs électriques
variant en fonction du temps x(t) obtenues à l’aide de capteurs. Sur le plan analytique : Un signal sera une
fonction d'une variable réelle, en général le temps.

Exemples : phrase: Vous avez du courrier en attente

0.5

Amplitude
 Onde acoustique : délivré par un micro (parole, musique, …) 0

 Signaux biologiques : EEG, ECG -0.5

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

Temps (s)
 Tension aux bornes composant électronique
Voyelle sur 25 ms
0.5
 Signaux géophysiques : vibrations sismiques
Amplitude 0
 Finances : cours du pétrole
-0.5

 Images, Vidéos 0.954 0.956 0.958 0.96 0.962 0.964 0.966 0.968 0.97 0.972 0.974
Temps (s)

Remarque: Tout signal physique comporte une composante aléatoire (perturbation externe, bruit, erreur de
mesure, etc …). Le bruit est défini comme tout phénomène perturbateur gênant la perception ou
l’interprétation d’un signal, par analogie avec les nuisances acoustiques (interférence, bruit de fond, etc.). La
différentiation entre le signal et le bruit est artificielle et dépend de l’intérêt de l’utilisateur : les ondes
électromagnétiques d’origine galactique sont du bruit pour un ingénieur des télécommunications par
satellites et un signal utile pour les radioastronomes.

Capteur Récepteur Traitements

Systèmes Transmission
Pysiques

Bruit Bruit - Analyse,

- Extraction d'informations
- Reconnaissance de formes
- Détection
Schéma d'un système de génération et de traitement du signal
- Filtrage
- etc.

Les fonctions du traitement du signal peuvent se diviser en deux catégories : l’élaboration des signaux
(incorporation des informations) et l’interprétation des signaux (extraction des informations). Les principales
fonctions intégrées dans ces deux parties sont les suivantes [1]:

FGE, USTHB [ assiakourgli@[Link] / [Link] 4

Traitement Avancé du Signal Master RT M1 2022/2023

Élaboration des signaux : synthèse, modulation, codage/compression, etc.

Interprétation des signaux : filtrage, détection, identification, analyse, mesure, etc.

1. Théorie des systèmes linéaires et invariants dans le temps (SLIT) discrets et continus

Un système linéaire est un modèle de système qui applique un opérateur linéaire à un signal d'entrée.
C'est une abstraction mathématique très utile en automatique, traitement du signal, mécanique et
télécommunications. Les systèmes linéaires sont ainsi fréquemment utilisés pour décrire un système non
linéaire en ignorant les petites non-linéarités.

Un système est continu si à une entrée continue x(t), il fournit une sortie continue y(t). Un système
discret fera correspondre à une suite d'entrées discrètes x(n) une suite de sorties discrètes y(n).

x(t) (ou x(n) ) y(t) ( ou y(n) )

Système continu (ou discret)

- Le système sera dit linéaire si quand on applique une entrée k x(t) (ou k.x(n) ) , la sortie sera k.y(t) (ou k.y(n)
). Si deux entréesx1(t) et x2(t) engendrent deux sorties y1(t) et y2(t) alors x1(t) + x2(t) engendrera y1(t) + y2(t).
(De même, dans le cas discret : si deux entrées x1(n) et x2(n) engendrent deux sorties y1(n) et y2(n) ) alors x1(n) +
x2(n) engendrera y1(n) + y2(n))

x1(t)+α x2(t) y1(t)+α y2(t)

Système
ou x1(n)+α x2(n) ou y1(n)+α y2(n)

Exemple
3
x1+x2
y1+y2
2

-1

-2

-3
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014

- S’il y a invariance dans le temps, une translation de l'entrée x(t)x(t-τ) (oux(n)x(n-m)) se traduira par une
même translation dans le temps de la sortie y(t)y(t-τ).(ouy(n)y(n-m)).

x(t-τ) y(t-τ)
Système
x(n-m) y(n-m)

Si le système est invariant, cela implique que le système réagit de la même façon quel que soit l’instant auquel

FGE, USTHB [ assiakourgli@[Link] / [Link] 5

Traitement Avancé du Signal Master RT M1 2022/2023

nous appliquons ses excitations. Cette propriété exprime que la caractéristique du système ne dépend pas de
l’origine du temps, on parle encore de stationnarité.

Convolution

Si les hypothèses de linéarité et d'invariance temporelle sont vérifiées, on peut caractériser le système par sa
réponse impulsionnelle h(t) ( ou h(n) ).

x(t) y(t)
h(t) (ou h(n) )
x(n) y(n)

On peut en déduire l'effet d'une entrée quelconque sous la forme d'une convolution. Cette dernière est
l’opération de traitement de signal la plus fondamentale. Elle indique que la valeur du signal de sortie à
l’instant t (ou n )est obtenue par la sommation (intégrale) pondérée des valeurs passées du signal d'excitation
x(t) ( ou x(n) ). La fonction de pondération est précisément la réponse impulsionnelleh(t) ( ou h(n) ):

y (t ) = x (t ) ∗ h(t ) =  x (τ ) h(t − τ ) dτ =  x (t − τ ) h(τ ) dτ

∞ ∞
y ( n ) = h ( n) ∗ x (n ) =  h( m ) x ( n − m ) =
m = −∞
 x (m ) h( n − m )
m = −∞

La réponse impulsionnelle h(t) (ou h(n))est le signal qu'on obtient en sortie y(t)=h(t)( ou y(n)=h(n)) si on
applique en entrée une impulsion "de Dirac'' x(t)=δ(t) ( ou x(n)=δ(n) ). Ainsi, le Dirac est l'élément neutre de
l'opération de convolution:
x (t ) ∗ δ (t ) = x (t )

δ ( n) ∗ x ( n ) = x ( n)

Quelques propriétés du Dirac

+∞

 x(t )δ (t − t ) dt = x(t
−∞
o 0 )

x(t )δ (t − t o ) = x(t o )δ (t − t o )

x ( t ) ∗ δ (t − t 0 ) = x (t − t 0 )

Le calcul de la convolution consiste donc à calculer la somme du produitx(τ)h(t -τ)(ou x(m)h(n -m)) .
Le signal h(t -τ) (ou h(n-m) ) est simplement le signal initialh(τ) ( ou h(m) ), retourné dans le temps pour
donner h(-τ) ( ou h(-m)) puis translaté de t ( ou n ). En calculant alors l’ensemble des produits obtenus en
faisant « glisser » h, c’est-à-dire pour tous les décalages de t ( oun ) , on obtient le produit de convolution
pour tout t ( ou n ).

FGE, USTHB [ assiakourgli@[Link] / [Link] 6

Traitement Avancé du Signal Master RT M1 2022/2023

Exemple 1 : (en discret)

x(n) = rect(n) h(n) = an U(n) 0 < a <1 y (n) = x(n) ∗ h(n)

N x(m)

h(-m)

0 N-1 n 0 n 0 m

On distingue 3 cas :

x(m)

h(n-m)

n N-1 m n N-1 m N-1 n

n<0  y(n)=0 0≤ n≤ N-1 y(n)=(an+1-1)/(a-1) n>N-1 y(n)=an-N+1(1-aN)/(1-a)

Exemple 2 :(Voir TP n°1)

t +T / 2
1 1
h(t ) = Π (t )  y (t ) =
T T T  x(τ ) dτ
t −T / 2

N /2
1 1
h(n) = Π ( n)  y ( n) =
N + 1 N +1
 x( n + m)
N + 1 m=− N / 2

Exemple 3: Soit le signal x(n) = {2, -1, 3} et h(n) = {1, 2, 2, 3}

Calculer y(n)=x(n)*h(n)

Pour des séquences finies, on peut utiliser la méthode des colonnes

Y(n)={2, 3, 5, 10, 3, 9}

Remarques

FGE, USTHB [ assiakourgli@[Link] / [Link] 7

Traitement Avancé du Signal Master RT M1 2022/2023

Si on applique à un SLIT une entrée sinusoïdale réelle ou complexe de fréquence f0, alors, la sortie sera une
sinusoïde dont l'amplitude et la phase pourront être modifiées mais qui conservera la même forme (une
sinusoïde) et la même fréquence f0. On dit que les sinusoïdes sont les fonctions propres des SLIT.

Un système linéaire invariant est un système dont le comportement dans le temps, peut-être décrit par :

M
d i y (t ) N
d i x (t )
- soit par une équation différentielle linéaire à coefficients constants:  ai =  bi
i=0 dt i i =0 dt i

M N
- soit par une équation aux différences, pour le cas discret:  ai y ( n − i ) =  bi x(n − i) ,
i=0 i=0

2. Stabilité et causalité

Une contrainte importante pour la formalisation de nombreux problèmes est de respecter la notion de
causalité (les effets ne peuvent pas précéder la cause). Dans le cas des SLIT, cette causalité se traduit par le
fait que pour: h(t) = 0 pour t<0 ( ou h(n) = 0 pour n<0 ).

t +∞
x(t ) = 0, t < t0 alors y(t ) = 0, t < t0  h ( t ) = 0, t < 0 , y ( t ) =  x (τ ) h (t − τ ) dτ =  x (t − τ ) h (τ ) dτ
−∞ 0

Ce qui noud donne en discret :

x(n) = 0, n < n0 alors y(n) = 0, n < n0  h ( n ) = 0, n < 0 ,

n +∞
y ( n) =  x (m )h ( n − m) =  x ( n − m )h ( m)
m = −∞ m =0

n
- si h et x sont causaux y ( n ) =  h(n − m) x(m)
m =0

Remarque:

Nous pouvons envisager mémoriser les signaux d’entrée et faire un traitement de ceux-ci en temps différé,
les systèmes utilisés ne sont plus alors nécessairement causaux car pour élaborer la sortie à l’instant ti( ou ni
), nous disposons en mémoire des entrées aux instants suivants. C’est souvent le cas en traitement d’image,

en traitement de parole effectué après mémorisation du signal à traiter.

Une autre notion fondamentale est la stabilité des systèmes. La propriété de stabilité des systèmes
bouclés est non seulement une performance mais une exigence pour le bon fonctionnement d’une boucle
d’asservissement ou de régulation. Une boucle instable est une boucle inutilisable. La définition la plus

FGE, USTHB [ assiakourgli@[Link] / [Link] 8

Traitement Avancé du Signal Master RT M1 2022/2023

courante de cette stabilité est la suivante :

Système stable
7

6.5

5.5

x(t) x(t) y(t) 5

h1(t) 4.5

3.5

3
0 5 10 15 20 25 30 35 40 45 50

Système instable
10

x(t) x(t) y(t) 4

h2(t) 3

0
0 5 10 15 20 25 30 35 40 45 50

On dit qu'un système est stable si, en lui appliquant une entrée bornée quelconque, la sortie reste
bornée, ce qui implique dans le cas des SLIT:
+∞

 h(t ) dt < M ou  h( n) < ∞

n
−∞
Remarque : Pour le reste, les définitions seront données pour le cas discret.

3. Energie et puissance

Toute transmission d’information s’accompagne de transferts d’énergie. En effet, les signaux continus
ou discrets sont essentiellement caractérisés par l’énergie ou la puissance qu’ils véhiculent. Ce sont les seules
grandeurs physiques auxquelles sont sensibles les détecteurs. Beaucoup de capteurs physiques mesurent
une énergie ou une quantité quadratique. Par exemple, les capteurs optiques mesurent une intensité, les
compteurs d’électricité mesurent une énergie, etc. Compte tenu de la définition fondamentale, l’énergie du
signal entre les instants t et t+dt est : |x(t)|2 dt (puissance instantanée multipliée par le temps).
+∞


2
Soit un signal x(n) à temps discret, tel que x(n) existe et converge. Alors le signal est dit à énergie
−∞
finie et la valeur de cette somme est appelée énergie du signal :
+∞
E x =  x(n)
2

−∞
Exemples:

x(n) = Rect(n/N) énergie finie. x(n) = a (constante) et x(n) = A sin(2πf0n) ne sont pas à énergie finie

Pour un signal périodique, cette somme ne converge pas. On peut néanmoins définir la puissance d'un signal
x(n) périodique de période N par :

1 N / 2−1 N −1
Px =  1
2
Px =  x(n)
2
x(n) ou
N −N / 2 2. N −N

FGE, USTHB [ assiakourgli@[Link] / [Link] 9

Traitement Avancé du Signal Master RT M1 2022/2023

Dans le cas général, on parle de signaux à puissance moyenne finie définie par:

1 N / 2−1 N −1
Px = limN →∞  1
2
Px = lim N →∞  x ( n)
2
x(n) ou
N −N / 2 2. N −N

Exemples:

Signal continu x(t)=a, A sin(2πf0t) , signaux périodiques,échelon unité, peigne de Dirac.

Il existe des signaux ni périodiques, ni d'énergie finie, pour lesquels la puissance ne peut être définie, comme
par exemple la rampe x(n)=n. Il s'agit là de définitions mathématiques, en pratique, un signal mesuré ne l'est
jamais sur un intervalle de temps infini. On peut commencer à visualiser un signal à un instant qu'on prendra
comme origine des temps, et dans ce cas on arrêtera son examen au bout d'un temps Tobs :
Nobs
Remarque Ex =  x ( n)
2

n =0
Signal à énergie finie  puissance nulle

Signal à puissance finie  énergie infinie

Le calcul de l'énergie ou la puissance permet d'obtenir une première caractérisation du signal. Par
ailleurs, la théorie du signal a largement développé des méthodes d’étude basées sur la corrélation pour
caractériser le comportement temporel du signal.

Exercice d'application :

Calculer l'énergie et la puissance des signaux: Π (n) ,A cos(2πf0n) .

7

4. Corrélation et auto-corrélation

La fonction de corrélation permet de mesurer le degré de ressemblance entre deux signaux en fonction
d’un décalage. Considérons x(n) et y (n) deux signaux d'énergie finie, la fonction d'intercorrélation Rx,y(k) est
∞
définie par: Rxy (k ) =  x(n) y (n − k )
n=−∞
*

L’inter-corrélation entre x(t) et y(t) atteint un maximum pour un retard k si x(n)=y(n-k)

1 N / 2−1
Pour des signaux à puissance moyenne finie, elle vaut : Rxy (k ) =  x(n) y* (n − k )
N n =−N / 2

Exemples

Soient un signal aléatoire et sa version décalée de 50s. On remarque que les signaux se ressemblent le plus
quand y(n) est décalé de 50 secondes.

FGE, USTHB [ assiakourgli@[Link] / [Link] 10

 Traitement Avancé du Signal Master RT M1 2022/2023
Intercorrélation maximum à 50 s
3 3 200
x(n) y(n)
2
2
150
1
1
0 100

0
-1
50
-1
-2

0
-3 -2

-4
0 50 100 150 200 250 -3 -50
0 50 100 150 200 250 -250 -200 -150 -100 -50 0 50 100 150 200 250

Pour l'auto-corrélation, on remplace y(n) par x(n) on obtient l'expression de l'auto-corrélation pour les
∞
R
signaux à énergie finie: xx (k ) = 
x(n)x*(n − k)
n =−∞

L'auto-corrélation permet de détecter des régularités, des profils répétés dans un signal comme un
signal périodique perturbé par beaucoup de bruit (Voir TP n°1)

Propriétés :

- Pour k= 0, on retrouve l’énergie du signal Rxx(0) = Ex et Rxx(k) est maximale en k=0

- Si x(n) est réel, l’auto-corrélation est réelle et paire.

- L’auto-corrélation d’un signal de durée N aura une taille 2*N-1

Auto-corrélation des signaux périodiques : Le calcul sur une seule période suffit. L’auto-corrélation
d’un signal périodique est-elle même périodique. Par définition, le signal périodique ressemble parfaitement
à lui-même, décalé d’une ou plusieurs périodes.
x(n) périodique Autocorrélation de x(n)
- signaux périodiques 1 1

1 N / 2−1 0.8 0.8

Rx (k) =  x(n) x* (n − k )
N n = −N / 2 0.6 0.6

0.4 0.4

0.2 0.2

Exercice d'application Soit le signal x(n)=(n+1) pour n=0 à 3

0 0
0 0.05 0.1 -0.1 -0.05 0 0.05 0.1

Calculer l’auto-corrélation de x et déduire son énergie

5. Applications fondamentales des fonctions de corrélation

Extraction d'un signal noyé dans du bruit, mesure d'un temps ou retard, détection d'un signal périodique
(Voir TP n° 1).L'exemple ci-dessous illustre l'auto-corrélation d'un signal sinusoïdal d'amplitude 1 noyé dans
du bruit Gaussien de variance 1.

FGE, USTHB [ assiakourgli@[Link] / [Link] 11

Traitement Avancé du Signal Master RT M1 2022/2023
4 200
sinusoide bruitée Autocorrélation de x(n)

3 150

2
100

1
50

0
0
-1

-50
-2

-100
-3 -0.015 -0.01 -0.005 0 0.005 0.01 0.015
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014

La corrélation est largement utilisée dans les systèmes radar. Ainsi, pour détecter un avion, on envoie une
impulsion, puis on reçoit une version retardée, atténuée et bruitée de cette impulsion . L'intercorrélation du
signal reçu et émis présentera un pic à l'instant correspondant au retard.

signal émis

0.8

0.6

0.4

0.2

0
0 50 100 150 200 250 300 350 400 450 500

1.5
signal reçu: bruité et retardé de 50S 10
Intercorrélation du signal reçu et émis avec pic en 50s
1
8

0.5 6

4
0

2
-0.5

0
-1
-2

-1.5
0 50 100 150 200 250 300 350 400 450 500 -4
0 50 100 150 200 250 300 350 400 450 500

Remarque: La notion de bruit est relative, elle dépend du contexte. Le rapport signal/bruit désigne la qualité
de la transmission d'une information par rapport aux parasites. Il est défini par: SNRdb=20 Log(PS/PB)
3 1.5
SNR=0 db SNR=20 db

2 1

1 0.5

0 0

-1
-0.5

-2
-1

-3
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 -1.5
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014

FGE, USTHB [ assiakourgli@[Link] / [Link] 12

Traitement Avancé du Signal Master RT M1 2022/2023

6. Filtres à réponses impulsionnelles finies ou infinies (RIF et RII)

- Si les ai sont ≠ de 0, le système est dit récursif (RII), il est non récursif s'il ne dépend que des x(n-i) (RIF)
K
- Si le système est à réponse impulsionnelle de durée finie (RIF), alors : y ( n) =
 h(m) x (n − m)
m =0
Dans ce cas, le système numérique est une fenêtre centrée sur les K plus récents échantillons.
+∞
- Si le système est à réponse impulsionnelle de durée infinie (RII) : y ( n) =  h ( m ) x ( n − m )
m =0
Dans ce cas, il est nécessaire de connaître tous les échantillons présents et passés, le système à une mémoire
de longueur infinie.

Exemple1y(n)=x(n)+a1x(n-1)+a2x(n-2)+.......+akx(n-k)est l'équation aux différence finies d'un filtre RIF

avec comme réponse impulsionnelle h(n)=δ(n)+a1δ (n-1)+a2δ (n-2)+.......+akδ (n-k) qui, on peut le constater,est
bien finie.
Exemple 2y(n)=x(n)+a1y(n-1) est l'équation aux différence finies d'un filtre RII

avec y(n-1)=x(n-1)+a1y(n-2)  y(n)=x(n)+a1x(n-1)+a12y(n-2)

de même y(n-2)=x(n-2)+a1y(n-3) y(n)=x(n)+a1x(n-1)+a12x(n-2))+a13y(n-3)

 y(n)=x(n)+a1x(n-1)+a12x(n-2))+a13x(n-3)+a14x(n-3)+.....+ a1my(n-m)
En poursuivant le procédé à l'infini y(n) dépend d'une infinité de x(n-k) ce qui en fait un filtre RII.

Exemple d'application
Les séquences x(n) (réel) et y(n) représentent respectivement l’entrée et la sortie d’un système discret. Pour
chaque cas, identifiez celles représentant
a) des systèmes linéaires, b) des systèmes causals, c) des systèmes invariants aux translations de n,
d) des systèmes assurément ou possiblement stables (en fonctions des constantes)
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 6. y(n) = bx(n) b : constante réelle
3. y(n) = nx(n) 5. y(n) = x(n)en 7. y(n) = |x(n)|
4. y(n) = x(n) sin(2πf0n)
a) Tous sauf 6 et 7 b) Tous sauf 2 c) Les systèmes 1, 2, 6 et 7 d) 1 (b finie), 2 (b finie), 4, 6 (b finie) et 7.

FGE, USTHB [ assiakourgli@[Link] / [Link] 13