Compte rendu :TP1
I. Echantillonnage
Partie1 :
F0=800 ; %fréquence du signal en hz
Fe=8000 ; %fréquence d'échantillonnage en khz
N=11 ; %nombre d'échantillon
Te=1/Fe ; %calcul de la période d'échantillon
T=0 :te :0.04 ;
Vt= (0 : N-1) *te ; %génération du vecteur temps
A= 4 ; %amplitude
X =sin(2*pi*f0*t) ; %signal sinusoïdale
S =A*sin(2*pi*f0*vt) ;
%trace de la sinusoïde avec la fonction stem
Figure ;
Subplot (2,1,1) ;
Stem (vt, s,'filled') ;
Xlabel ('temps (s)') ;
ylabel('amplitude');
title ('signal avec stem');
grid on
hold on
%trace de la sinusoide avec la fonction plot
Subplot (2,1,2) ;
Plot(vt,s);
Xlabel ('temps (s)') ;
ylabel('amplitude');title ('signal avec plot')
le rôle de la fonction plot par rapport à la fonction stem :
Fonction plot : Utilisée pour tracer des graphiques linéaires connectant les points par des
lignes droites. Idéale pour des données continues.
Fonction stem : Utilisée pour créer des graphiques à tige et feuille, montrant des valeurs
individuelles sous forme de tiges verticales. Utile pour des données discrètes ou des
échantillons.
Partie2 :
F0= 100 ; %frequence du signal en hz
fe=1000;%frequence d'echontillonage en khz
d =0.8;%duree du signal en secondes
ne =d*fe;%nombre d'échontillon
t=(0:ne-1)*(1/fe);%generation du vecteur temps
s=sin(2*pi*f0*t);% generation signal sinusoidale
vectf=(0:ne-1)*fe;%vecteur des fréquences
tfd=abs(fft(s));%calcul de la transformée de fourier
%représentation du module de la tfd en fonction des frequence
plot(vectf,tfd);
xlabel('frequence en hz');
ylabel('module de la tfd');
title ('module de la tfd en fonction des frequence ');
grid on
hold on
Partie 3 :
%frequence d'echontillonage en khz
fe=1000;
fe1=20000;
fe2=5000;
fe3=1500;
%duree du signal en secondes
d =0.004;
%generation du vecteur temps
t1=0:(1/fe1):d;
t2=0:(1/fe2):d;
t3=0:(1/fe3):d;
% generation signal sinusoidale
s1=sin(2*pi*fe*t1);
s2=sin(2*pi*fe*t2);
s3=sin(2*pi*fe*t3);
%représentation du module de la tfd en fonction des frequence
plot(t1,s1,'r',t2,s2,'g',t3,s3,'b');
xlabel('temps en seconde');
ylabel('frequence en hz');
title ('signaux avec diff frequence');
grid on
hold on
Interprétations des résultats :
Ce code génère un signal analogique de fréquence 1000hz et crée trois versions
échantillonnées de ce signal avec des fréquence différentes 20khz,5000hz et 1500hz,
Ensuite, il les représente sur le même graphe dans le domaine temporel et affiche leurs
spectres de fréquences respectifs.
1/Dans le domaine temporel : Les signaux échantillonnés à des fréquences plus élevées
semblent plus proches du signal original, tandis que ceux échantillonnés à des fréquences plus
basses peuvent montrer des distorsions et des irrégularités.
2/Dans le domaine fréquentiel : Les signaux échantillonnés à des fréquences plus élevées
offrent une meilleure séparation des différentes composantes de fréquence, alors que ceux
échantillonnés à des fréquences plus basses peuvent avoir une résolution spectrale réduite,
entraînant une fusion des composantes fréquentielles.
II. Quantification :
Partie 1 :
%créer un vecteur de 1000 elem représentant le temps
t=linspace(0,1,1000);
%créer un vecteur de 1000 elem représentant le signal sinusoïdal
s=sin(2*pi*t);
N_valeur = [16,4,2];
%représentation du signal
figure ;
For i= 1: length(N_valeur)
N=N_valeur(i);
y=numerise(s,N);
subplot(length(N_valeur),1,i);
plot(t,y);
xlabel('temps ');
ylabel('amplitude');
title ('signal quantifie sur 16,4,2 bits');
end ;
La quantification réduit le nombre de niveaux de valeurs possibles pour chaque
échantillon, ce qui peut introduire une perte d’information. C’est à dire lorsque
j’augmente le bits l’information est plus conservée.
Pour N plus petit (par exemple, N=2), le signal quantifié est plus grossièrement
discrétisé et montre une plus grande distorsion par rapport au signal d'origine.
Pour N plus grand (par exemple, N=16), le signal quantifié est plus finement discrétisé
et se rapproche davantage du signal d'origine, mais nécessite une représentation avec
plus de bits.
Pour N plus petit (par exemple, N=2), le bruit de quantification est plus important et
montre une plus grande variabilité.
Pour N plus grand (par exemple, N=16), le bruit de quantification est réduit, car le
processus de quantification utilise plus de bits pour représenter le signal, ce qui réduit
l'erreur de quantification.
Hammami Islem GCR1A
