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

TP n°2 : Filtrage Mult-cadences

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°3 : Processus Aléatoires, périodogramme et variantes

TP n°4 : 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°5 : Modélisation AR et Filtrage adaptatif (LMS)

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°6 : Transformées temps-fréquene/Echelle

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]:

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

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

4
Traitement Avancé du Signal Master RT M1 2022/2023

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
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.

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

5
Traitement Avancé du Signal Master RT M1 2022/2023

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 o ) = x(t o )δ (t − t o )
+∞
x ( t ) ∗ δ (t − t 0 ) = x (t − t 0 )
−∞
 x(t )δ (t − t ) dt = x(t
o 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 ).

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

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

6
Traitement Avancé du Signal Master RT M1 2022/2023

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 )
T T
 y (t ) =
T  x (τ ) dτ
t −T / 2

N/2
1
h(n) =
1
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

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

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

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

7
Traitement Avancé du Signal Master RT M1 2022/2023

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 = 0 x(t − τ )h(τ ) dτ

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
Système stable

bouclés est non seulement une performance mais une exigence pour le bon fonctionnement d’une boucle
7

6.5

d’asservissement ou de régulation. Une boucle instable est une boucle inutilisable. La définition la plus
6

5.5

courante de cette stabilité est la suivante : 5

4.5

3.5

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

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

h1(t)
)

Système instable
10

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

h2(t) 3

) 1

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

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

+∞

 h(t ) dt < M  h ( n) < ∞

n
8
−∞
Traitement Avancé du Signal Master RT M1 2022/2023

bornée, ce qui implique dans le cas des SLIT:

ou

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

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

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

n =0

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

9
 Traitement Avancé du Signal Master RT M1 2022/2023

Remarque

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 = −∞
*
(n − k )

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.
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

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

10
Traitement Avancé du Signal Master RT M1 2022/2023

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.

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.

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

11
Traitement Avancé du Signal Master RT M1 2022/2023

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

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.

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

12
Traitement Avancé du Signal Master RT M1 2022/2023

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
Traitement Avancé du Signal Master RT M1 2022/2023

I. Rappels sur les filtres numériques (RIF et RII)

La transformée de Fourier est un outil précieux d'analyse et de traitement des signaux. Cependant,
dans certains problèmes (comme le filtrage numérique), les limites de la TF sont vite atteintes. La transformée
en Z, qui s'applique aux signaux discrets, généralise la TF et permet de dépasser ces limites [10]. Elle est tout-
à-fait analogue à la transformée de Laplace, mais plus facile à utiliser. Ce type de transformée permet de
décrire aisément les signaux à temps discret et la réponse des systèmes linéaires invariants soumis à des
entrées diverses. C'est un outil qui permet de calculer la réponse impulsionnelle d’un système linéaire
invariant décrit par une équation aux différences finies. Elle permet l'interprétation directe des
caractéristiques des signaux et des filtres dans le domaine des fréquences [9].

1. Transformée en Z et propriétés

+∞
• Définition : La TZ est la généralisation de la TFTD ( X ( f ) =
n=−∞
 x(nT )e
e
−2π j f nTe
).

Soit un signal discret x(n). Sa TZ est définie par:

+∞
X ( z) =  x(n).z
n = −∞
−n
où z est une variable complexe définie partout où cette série converge.

En effet, comme cette transformation est une série infinie, elle n’existera que pour lesvaleurs de z pour
lesquelles cette série converge.

Exemples :

- x(n) = δ(n)X(z) = 1,

- x(n) = δ(n-k) X(z) = z-k, si k>0 RDC=¢-{0} si k<0 RDC=¢-{∞}

- x(n)=(1,2,3,5,0,2) on peut écrire x(n)=δ(n)+2. δ(n-1)+3. δ(n-2)+5. δ(n-3)+ 2. δ(n-5)

X(z) =1+ 2z−1 + 3z−2 +5z−3 + 2z−5 RDC=¢-{0}

L'ensemble des valeurs de la variable complexe z pour lesquelles la série converge est appelée Région De
Convergence (RDC): +∞
 
RDC =  z ∈ C /  x ( n).z − n < +∞ 
 n = −∞ 
De façon générale, on montre que la RDC est un anneau de convergence centré sur l'origine défini par :

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

14
Traitement Avancé du Signal Master RT M1 2022/2023

r1 < z < r2 avec r1 = lim x ( n ) 1 / n et r2 = lim x ( − n ) − 1 / n

Im(z)
n → +∞ n → +∞

oùr1 peut être réduit à 0 etr2 peut être égal à l’∞. r1

r2 Re(z)
RDC
- x(n)=0 pour n<n0r2= +∞,

RDC = région extérieure au cercle de rayon r1

Im(z)
Im(z)
- x(n)=0 pour n>n0r1 = 0 RDC
r2
RDC = disque de rayon r2 r1
RDC Re(z) Re(z)

système anti-causal : RDC [Link]ème causal : RDC extérieure au cercle.

Exemples

+∞
a n si n ≥ 0 z
- Soit a > 0, x ( n ) =   X(z)= a n
z −n =
z−a
, convergente pour z > a .
0 si non n =0

 0 si n ≥ 0 z
- Soitb > 0, y ( n ) =   Y(z)= − b z n −n
=
z −b
, convergente pour z < b .
 − b si n < 0
n
n<0

 a n si n ≥ 0
Soient a >0 ,b> 0, w ( z ) = 
z z
-  W(z)= − , convergente pour b > z > a .
b si n < 0
n z−a z−b

Remarque : La TZ de an pour n ∈ ]-∞, +∞[ n'existe pas.

Les propriétés qui sont les plus utilisées sont résumées comme suit :

Si on définit : x(n) →X (z) , x1(n) →X1(z) et x2 (n)  →X2 (z)

TZ TZ TZ

- Linéarité : a.x1 (n) + b.x2 (n) 

TZ
→a.X1 (z) + b.X2 (z) - Convolution : x1 (n) ∗x2 (n) 
TZ
→X1 (z).X 2 (z)
k −1
- Théorème du retard :
TZ −k
x(n − k ) → z .X ( z) - Avance : x(n + k ) →
TZ
z k . X ( z) −  x(n) z k −n
n =0

Exemples

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

15
Traitement Avancé du Signal Master RT M1 2022/2023

1 jw 0 n
x ( n ) = cos( wo n )U ( n ) = (e + e − jw 0 n )U ( n ) 
2
1 1 1  1 − cos( w0 ) z −1
X (z) =  + = avec z >1
2  1 − e jw 0 z −1 1 − e − jw0 z −1  1 − 2 cos( w0 ) z −1 + z −2

2. TZ rationnelles (correspondant aux SLID)

Les systèmes linéaires invariants décrits par une équation aux différences finies possèdent une
transformée en Z rationnelle c'est ainsi que celles-ci vont s’écrire comme le rapport de deux polynômes en
z-1.

M N M N

 a y(n − i) = b x(n − i) → a .z

i =0
i
i =0
i
TZ

i =0
i
−i
Y ( z) = bi .z −i X ( z)
i =0

On peut caractériser un système LI par h(n) ou par la transformée en Z (H(z)) de sa réponse

impulsionnelle h(n), encore appelée fonction de transfert du système.

 b .z i
−i
b N ( z ) b0 M − N ∏ (z − z ) = K z
N
∏ (z − z )
N

 H ( z) = i =0
= 0 z M −N = i =1 M −N i =1
i i
z
∏ (z − p ) ∏ (z − p )
M M M
a0 D ( z ) a0
 a .z
i =0
i
−i
i =1 i i =1 i

On appelle zéros, les valeurs de z pour lesquelles H(z)=0 et on appelle pôles, les valeurs de z pour
lesquelles H(z) est infini (annule le dénominateur). C'est ainsi que H(z) possède N zéros (zi), M pôles (pi). Si
M>N, elle possède (M-N) zéros en 0, sinon (N-M) pôles en 0.

Ainsi, la position de ses pôles et de ses zéros ( +le facteur d’amplitude K=b0/a0) va nous fournir une
description complète de H(z) (par conséquent de h(n) et H(f)) donc du comportement du système. H(z) peut
donc être représentée sous la forme d’un cercle modélisant la position des pôle set des zéros dans le plan
complexe.

Exemple
1 Im(z)

3z − 2
H ( z) =
( z − 1)(z + 0.5)
-1
X X
Un zéro en 2/3 et deux pôles p1= -0.5 et p2= 1 1 Re(z)

Remarques
-1
- Dans la plupart des systèmes, les ai et le bi sont réels les pôles et les zéros sont soient réels soient des
paires de complexes conjuguées.

- Rappelons que le rayon d'un système causal se trouve à l'extérieur d'un cercle. Par ailleurs, s'il est stable :
+∞

 h ( n ) < ∞ , puisque
n
H ( z) = 
h( n).z − n , il suffit donc que z=1 fasse partie de la RDC.
n = −∞

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

16
Traitement Avancé du Signal Master RT M1 2022/2023

- Pour un système causal et stable, tous les pôles sont à l’intérieur du cercle unité (|pi|<1, ∀i). Le domaine
de convergence ne peut contenir de pôles puisque la TZ ne converge pas aux pôles. S’il est anti-causal, il sera
stable si les pôles sont à l’extérieur du cercle unité.

N
- Si le filtre est non-récursif H ( z ) =  bi .z . Un filtre RIF a tous ses pôles à l’origine et sera donc toujours
−i

i =0

stable.
20

15 0.8

0.6

10
0.4

200 0.2 1
5

0 0.9
150
0 -0.2 0.8

100 -0.4 0.7

-5
-0.6 0.6
50

-0.8 0.5
-10
0 2 4 6 8 10 12 14 16 18
0
-1 0.4
0 2 4 6 8 10 12 14 16 18

0.3
-50

0.2

-100
0.1

-150
0 5 10 15 20 25 1 Im(z) 0
0 5 10 15 20 25

X X 300

X 250

200

1 X XX X X X 150

-1 1 100

Re(z)
0.8

0.6 50

0.4 X 0

0.2
X
0
X -100
-50

-0.2 0 2 4 6 8 10 12 14 16 18

-0.4

-0.6
-1 1
1
-0.8
1 0.9

-1 0.8
0 5 10 15 20 25 0.8
0.8
0.6
0.7

0.6
0.4 0.6

0.4
0.2 0.5

0 0.2 0.4

0.3
-0.2 0

0.2
-0.4
-0.2
0.1
-0.6
-0.4
0
0 5 10 15 20 25
-0.8
0 5 10 15 20 25
-0.6
0 2 4 6 8 10 12 14 16 18

- A un pôle pi simple ou multiple va correspondre une réponse impulsionnelle qui converge si |pi|<1. Elle
divergera dans le cas contraire, soit si |pi|>1 .

- Sachant qu'à chaque pôle complexe est associéun pôle conjugué cela donnera une réponse impulsionnelle
h(n) oscillante(cosinus ou sinus) amortiesi|pi=1,2|< 1 ou divergentesi |pi=1,2|> 1.

- Dans un système à phase minimale, tous les zéros sont à l’intérieur du cercle unité (|zi|<1, ∀i).

• Détermination de la réponse fréquentielle des filtres numériques

On suppose que le cercle unité (|z|=1) ∈ RDC de X (z). On restreint le calcul de X(z) au cercle unité
en posant z = e 2πj f Te.

Lorsqu'un zéro est placé sur un point donné du plan en z, la réponse fréquentielle sera de 0 au point
considéré. Un pôle quant à lui produira un pic au point correspondant. Plus les pôles ou les zéros sont
proches du cercle unité, plus ils influencent la réponse en fréquence [11].

– un zéro ou un pôle à l’origine n’influent pas sur le module de la réponse fréquentielle.

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

17
 Traitement Avancé du Signal Master RT M1 2022/2023

– un zéro sur le cercle unité introduit une annulation du module pour la fréquence correspondant

– Un zéro au voisinage du cercle unité introduit une atténuation dans le module de la réponse en fréquence.
Atténuation d’autant plus importante que le zéro est proche du cercle unité.

– Un pôle sur le cercle unité introduit une résonance infinie dans le module de lar éponse en fréquence pour
la fréquence correspondante.

– Un pôle au voisinage du cercle unité introduit une résonance d’autant plus importante dans le module de
la réponse en fréquence que le pôle est proche du cercle unité.

1) Sur la figure ci-dessous le cercle complet correspond à une fréquence d'échantillonnage fe. Des pôles
proches du cercle unité sont à l'origine de larges pics tandis que des zéros proches ou sur le cercle unité
produisent des minima. Ce tracé nous permettra d'identifier la nature du filtre. On peut aussi avoir une idée
sur son comportement général : passe-bas, passe-haut ou passe-bande, connaître sa ou ses fréquences de
coupure.

f=fe/4
2) 1 10

0.8 f=fe/6 9

0.6
X 8

0.4 7
Partie Imaginaire

0.2
2 60° 6
f=fe/2 0
2 f=0
5

-0.2
4

-0.4
3

-0.6
X 2
-0.8
1
-1
0
-1 -0.5 0 0.5 1 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

Partie Réelle f=0 f=fe/6

f=fe/2

z 2 − 2z + 1 j 72°
3) H ( z) =  Zéros double en z=-1, pôles p12 = ±0.6e
z − 0.371z + 0.36
2

- Un zéro double en z = 1 ⇒ |H(f)| = 0 pour f = 0 -Des pôles proches du cercle unité ⇒ maxima.

3
1

0.8
2.5
0.6
X
0.4
2
Partie Imaginaire

0.2
2
0
1.5
-0.2

-0.4 1
-0.6 X
-0.8 0.5

-1

-1 -0.5 0 0.5 1 0
Partie Réelle 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

Remarque : Puisque les coefficients du filtre sont réels, les pôles et zéros sont réels (sur l'axe des réels) ou
paires de complexes conjugués.

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

18
Traitement Avancé du Signal Master RT M1 2022/2023

• Détermination de la réponse impulsionnelle des FN (TZ inverse)

La transformée en Z présente l’avantage d’être plus facilement inversible que la transformée de

Fourier. Le passage de la TZ vers h(n) peut se faire par le biais de la transformées en Z de signaux
élémentaires connus à condition qu'il soit possible d’écrire H(z) comme la combinaison de transformées
élémentaires. Dans le cas contraire, on peut employer l’intégration sur un contour fermé en utilisant le calcul
des résidus, ou le développement en puissance de z et de z-1, ou encore le développement en fractions
élémentaires [12].

1. La relation générale de la transformée en z inverse est donnée par l’équation donnée par l'intégrale de
1 n −1

2.π . j 
Cauchy : x(n) = X ( z).z .dz , où C est un contour fermé parcouru dans le sens inverse des aiguilles
C

d’une montre contenant l’origine.

En pratique, on utilise le théorème des résidus: x (n) =  Re s[zn −1

n −1
X ( z) ] z = pi
pi poles dez X (z)

Re s[ z n −1
X ( z)] z = pi =
1 d m−1
(m − 1)! dz m−1
[ ]
(z − pi )m z n−1 X ( z) z = pi

2. Transformée inverse par division polynômiale :Il est possible de calculer la transformée en Z inverse selon
les puissances croissantes de z-1(système causal) ou selon les puissances décroissantes de z (système anti-


−1
causal). X ( z ) = C z − n TZ
→x ( n) = C n n
n

3. L’idée générale de cette approche consiste à trouver pour une fonction X(z) complexe un développement
en fonctions en Z plus simples et pour lesquelles une transformée inverse est connue:
X ( z ) =  X i ( z ) TZ
→x(n) =  xi (n)
−1

i i

où les Xi(z) sont des fonctions dont les TZ-1 sont connues (Voir page 38).

3. Caractéristiques des filtres numériques

Un filtre numérique est constitué d'un groupement de circuits logiques astreints à un processus de
calcul (ou algorithme) qui confère à ce filtre une fonction déterminée (passe-bas, passe-haut, passe-bande,
réjecteur de bande, intégrateur[y(n)=(x(n)+x(n-1))/2], différentiateur[y(n)=(x(n)-x(n-1))/2], ...). Il faut
souligner que certains filtres ne sont pas conçus pour arrêter une fréquence, mais pour modifier légèrement
le gain à différentes fréquences, comme les égaliseurs. Ce sont tous des systèmes linéaires, discrets, invariants
dans le temps et unidimensionnels. De plus, pour qu’ils soient physiquement réalisables, il faut qu’ils soient
nécessairement causaux.

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

19
Traitement Avancé du Signal Master RT M1 2022/2023

Les filtres représentés ci-dessus sont idéaux. Dans un cas réel il 1.4

n'est pas possible d'obtenir une fréquence de coupure aussi |H(f)|

1.2
1+δ1
raide. Le passage entre zones passantes et zones atténuées se
1
fait par des zones dites ”de transition” fp-fadont la largeur va 1-δ1
exprimer la sélectivité du filtre. Par ailleurs, les bandes 0.8

Amplitude
passantes et atténuées ne sont également pas idéales, elles 0.6

contiennent des ondulations dont l’amplitude est exprimée par

0.4
les paramètres d’ondulation en bande passante δ1et bande
atténuée δ2 [9]. δ2 0.2

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Bande passante Bande de transition Bande atténuée

• Filtre à phase linéaire :

Idéalement, il est souhaitable qu'un filtre possède une phase linéaire dans la bande passante. Une phase
linéaire assurera un même déphasage pour toutes les fréquences (pas de distorsion). Les filtres FIR peuvent
générer des filtres à phase linéaire à la condition que la réponse impulsionnelle soit symétrique.

Si un filtre est à phase linéaire, sa réponse fréquentielle est de la forme :

H( f ) = R( f )e− jφ( f ) avec φ( f ) = φ0 + 2π fτ

Et la dérivée de cette dernière par rapport à f fournit le ‘retard de groupe ‘, défini donc par :

dφ ( f )
β =−
df
et qui correspond au retard subi par le signal après être passé par un filtre. Si la phase est linéaire (filtres RIF
symétrique), le retard est constant et le signal à la sortie aura donc une distorsion minimale puisque l’effet
de la phase sur le signal sera un simple décalage temporel (primordial dans un système audio)

Exemple: y ( n ) =
1
(x( n) + 2 x ( n − 1) + x (n − 2) )
4

−2π j f
 h(n) =
1
(δ ( n ) + 2δ ( n − 1) + δ ( n − 2) ) et H( f ) = e cos2 (πf )
4

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

20
 Traitement Avancé du Signal Master RT M1 2022/2023
1 0 2

0.9 1.8
-0.5
0.8 1.6

0.7 -1 1.4

Retard de Phase de H(f)

1.2
Module de H(f)

0.6

Phase de H(f)
-1.5
0.5 1

-2 0.8
0.4

0.3 0.6
-2.5

0.2 0.4
-3
0.1 0.2

0 -3.5 0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
fréquence (Hz) fréquence (Hz) fréquence (Hz)

• Filtre à minimum de phase :

Pour un filtre RII, le retard de groupe n'est pas constant. On souhaite avoir un minimum de retard en
s'orientant faire des filtres à minimum de phase. Un filtre est dit à minimum de phase si lui et son inverse
sont tous deux stables et causaux. Ce qui implique que tous les pôles et zéros de la fonction de transfert H(z)
sont à l'intérieur du disque unité. Un filtre à phase minimale présente une réponse impulsionnelle
(coefficients de H(Z)) à tendance décroissante car ses zéros sont en module inférieurs ou égaux à l'unité.

Exemple : y(n) = 0,75 x(n) + 0,25 x(n −1)

y(n) est obtenu plutôt à partir des échantillons “récents” du signal d'entrée qu'à partir des échantillons
“anciens”. Il faut noter que tout filtre causal et stable peut être décomposé en un produit de filtres à phase
minimale par une cellule passe-tout.

• RII ou RIF ?

 Les filtres RII, on l'avantage qu'ils sont efficaces. Avec très peu de pôles et zéros on peut assurer la
plupart des réponses fréquentielles dont on peut avoir besoin dans les applications audio. Cependant, le
filtre étant récursif, les erreurs de précision numérique deviennent une question d'importance, car ils peuvent
s'amplifier et devenir hors de contrôle, d'abord dans la forme de bruit, mais éventuellement dans la forme
d'instabilité. La forme de la réponse impulsionnelle n'est pas facile à déterminer, non plus, car elle est définie
indirectement par les pôles et zéros de H(f).

 Par contre, les filtres RIF n'ont jamais des problèmes d'instabilité, car la sortie n'est qu'une somme
finie d’échantillons de l'entrée. Cependant, quand la réponse impulsionnelle est longue, le numéro
d'opérations peut devenir un facteur décisif quand il faut choisir entre RIF ou RII. Un autre avantage des RIF
est le retard de groupe constant, qui permet d'avoir une distorsion de phase minimale sur le signal traité [13].

• Structure des filtres numériques

L’application d’un filtre numérique implique le calcul de la sortie y(n) à l’instant t=nTe à partir des sorties et
entrées précédentes plus la valeur courante de l’entrée.

M N

a y(n − i) = b x(n − i)
i =0
i
i =0
i En prenant a0=1, on obtient

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

21
Traitement Avancé du Signal Master RT M1 2022/2023

x(n) x(n-1) x(n-2) ….. x(n-N)

…
b0 b1 b2 bN

..
….. y(n)

-a1 -a2 -aM

y(n-1) y(n-2) ….. y(n-M)

Registre à
décalageTe

Un filtre numérique est généralement constitué des éléments suivants : un ou plusieurs organes de
retard (ce sont des registres à décalage jouant le rôle de mémoires retardées), pilotés par une horloge de
période; des opérateurs arithmétiques (additionneurs et multiplieurs); des registres fournissant les
coefficients de pondération du filtre [18]. Ainsi, à chaque top d’horloge Te, les valeurs des registres subissent
un décalage permettant de calculer la nouvelle sortie. Cette structure peut être aussi réalisée par logiciel.

4. Synthèse des Filtres numériques et Gabarit analogique

La synthèse d’un filtre est un ensemble de processus qui débute par la définition des caractéristiques
du filtre, jusqu’à sa réalisation informatique et/ou électronique, en passant par la détermination de ses
coefficients. Pour synthétiser un filtre numérique, on considère connu le gabarit du filtre analogique et on
cherche un système numérique caractérisée par une fonction de transfert H(z) à insérer dans le circuit ci-
dessus permettant de satisfaire le gabarit analogique.

x(t) y(t)
Système analogique
Ha(p)

x(t) Filtre anti- Système numérique y(t)

CAN CNA
repliement H(z)

La détermination de la fonction de transfert d’un filtre numérique, par une méthode directe, n’est pas
toujours très simple. Par contre, le problème qui consiste à transformer un filtre analogique en un filtre
numérique est relativement simple. De ce fait, de nombreuses méthodes sont proposées pour concevoir un
filtre numérique à partir du filtre analogique équivalent. Dans tous les cas, la synthèse d’un filtre numérique
est une approximation d’un filtre analogique idéal équivalent. Il est nécessaire de contraindre un certain
nombre de paramètres.

La synthèse d’un filtre numérique comprend les étapes suivantes :

1. la détermination d’une réponse en fréquence idéale souhaitée ;

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

22
Traitement Avancé du Signal Master RT M1 2022/2023

2. la détermination de la meilleure approximation sous un certain nombre de contraintes contrainte (stabilité,

rapidité, précision, déphasage linéaire, etc.) ;

3. le choix d’une structure de calcul réalisant le filtre approximé.

Les fonctions modèles utilisées pour la synthèse des filtres sont soit la réponse impulsionnelle soit la
réponse en fréquence (celle-ci est préférée) de filtres analogiques connus. Si l'on emploie la réponse
impulsionnelle, les éléments h(n) de la réponse impulsionnelle numérique sont obtenus en calculant h(t), la
réponse impulsionnelle du filtre analogique, aux instants t=nTe.

Rappelons que les filtres idéaux présentent un déphasage 0.04

linéaire et ne sont pas physiquement réalisables, car les réponses 0.035

fréquentielles idéales correspondent à une réponse temporelle 0.03

Réponse impulsionnelle h(n)

non-causale. Par exemple, en considérant le filtre passe-bas H(f)= 0.025

Π(f) e-2̟jfT, on obtiendra un sinc décalé de T. 0.02

0.015

On peut observer qu'il faut annuler une partie du signal. 0.01

De ce fait, il n'est plus possible d’obtenir un filtre passe-bas idéal 0.005

0
(droit et avec une droite de transition perpendiculaire). Il s'ensuit
-0.005
que les filtres qui vont pouvoir être réellement synthétisés n'ont
-0.01
pas de réponse fréquentielle correspondant à la fonction porte, 0 5
t(s)
10 15

mais pourront s'en rapprocher.

2 10

1.8
8
1.6

6
Réponse impulsionnelle h(n)

1.4

1.2
4
H(f) idéal

0.8
TF 2

0.6 0

0.4

Troncature
-2
0.2

0 -4
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -10 -8 -6 -4 -2 0 2 4 6 8 10
frequence (Hz) t(s)
2 10

1.8
8
1.6

1.4 6
Réponse impulsionnelle h(n)

1.2
4
H(f) réel

0.8 TF -1 2

0.6
0
0.4
-2
0.2

0 -4
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -10 -8 -6 -4 -2 0 2 4 6 8 10
frequence (Hz) t(s)

Comme l'illustre la figure suivante, la troncature (multiplication par une porte de largeur NTe) du sinc
dans le domaine temporel se traduira par une convolution dans le domaine fréquentiel du filtre idéal avec
un sinc s'annulant tous les NTe. Pour de grandes valeurs de N, les sinc dans la bande passante se
compenseront les uns les autres mais autour des points de discontinuité (fréquence de coupure), les
ondulations restent apparentes.
FGE, USTHB [ assiakourgli@[Link] / [Link]

23
Traitement Avancé du Signal Master RT M1 2022/2023

0.06

0.04

0.02

-0.02
-5 -4 -3 -2 -1 0 1 2 3 4 5

0.06

0.04

0.02

-0.02
-5 -4 -3 -2 -1 0 1 2 3 4 5
On peut observer que les différences vis-à-vis du filtre idéal (soit la fonction porte) sont principalement
les ondulations dans la bande passante et dans la bande atténuée ainsi que la largeur de la transition.

C'est ainsi que les spécifications du filtre vont être définies par un gabarit fréquentiel linéaire ou en dB
(décibels). Ce gabarit indique la ou les fréquences de coupure, la largeur de la bande de transition minimale
souhaitée, le maximum d’ondulation de la bande passante et de la bande atténuée, la fréquence
d'échantillonnage et éventuellement l'ordre maximal permis.

Gabarit d’un filtre

1.4
Le gabarit d’un filtre n’est autre que l’ensemble des caractéristiques
du filtre, à savoir : 1.2 |H(f)|
- la bande passante (BP) de 0 jusqu'à fp 1+δ1
1
- la bande atténuée (ou coupée BA) de fa jusqu'à fe/2 1-δ1
- Le gain du filtre dans la bande passante. 0.8
Amplitude

- L’atténuation du filtre en bande coupée fa. 0.6

-- la largeur ∆f=fa-fp de la zone de transitionfc=fa+∆f /2=(fa+fp)/2
0.4
- l'amplitude des oscillations en bande passante :
δ2 fpfa
δ1Ap=20log(1+δ1) ondulation permise en BP 0.2

- l'amplitude des ondulations en bande atténuée : 0

δ2Aa=-20log(δ2) ondulation permise en BA
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Bande passante Bande de transition Bande atténuée f

En pratique, plus les fréquences fa et fp sont proches, plus l'ordre du filtre devra être élevé. Pour un filtre idéal,
ces valeurs seraient confondues.

5. Synthèse des filtres RIF par la méthode des fenêtres

L'emploi des filtres RIF peut se révéler attrayant eu égard à ses nombreux avantages : stabilité
inconditionnelle (Tous les pôles sont en 0), phase linéaire possible. Néanmoins, ils présentent l'inconvénient
de nécessiter un plus grand nombre de coefficients que les filtres RII pour obtenir les mêmes caractéristiques

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

24
Traitement Avancé du Signal Master RT M1 2022/2023

fréquentielles à cause de l'absence de pôles hors 0. Ainsi, toute fonction de filtrage numérique stable et
causale peut être approchée par la fonction de transfert d'un filtre RIF.

Rappelons que la sortie d'un filtre RIF va s'exprimer comme une combinaison linéaire d'un ensemble fini
d'éléments d'entrée :

N −1 N −1 N −1
y(n) = bi x(n − i) d’où H ( z ) =  bn .z −n
 H( f ) =  b .e n
− 2 π j f nTe

i=0 n =0 n =0

Ainsi, les coefficients de pondération ne sont rien d'autre que les valeurs de la réponse impulsionnelle du
filtre. Ces coefficients constituent les coefficients du développement en série de Fourier de la fonction de
transfert H(f) (voir TFTD chapitre 1)

Du fait qu'un filtre RIF possède une fonction de transfert polynomiale (non rationnelle), il ne peut être obtenu
par transposition d'un filtre continu. Les deux méthodes les plus utilisées pour l’approximation des filtres
numériques RIF sont alors:

o Développement par série de Fourier : cette série est ensuite tronquée par des fonctions fenêtres pour
limiter la réponse impulsionnelle. Les coefficients de Fourier coïncident avec les échantillons de la
réponse impulsionnelle du Filtre.

o Echantillonnage de la réponse fréquentielle : Cette méthode fait appel à la TFD. Celle-ci est appliquée
aux coefficients recherchés bi pour obtenir une suite fréquentielle qui corresponde à la réponse
fréquentielle du filtre.

Il existe d'autres méthodes telles les méthodes d’optimisation qui sont basées sur la minimisation d’un critère
d’erreur entre la courbe réelle et le filtre idéal [9].

La méthode de la fenêtre consiste, connaissant l'expression analytique H(f) de la réponse fréquentielle

continue (dont la formulation mathématique connue)à approcher, à déterminer par utilisation de la
transformée de Fourier à temps discret inverse, la réponse impulsionnelle. Cette réponse temporelle non
causale obtenue sera retardée pour la rendre causale [18]. Ainsi :

1. A partir du gabarit idéal du filtre, on détermine les coefficients du filtre en limitant le calcul à N valeurs
réparties symétriquement autour de n=0. Puis, on calcule de la TFTD inverse du filtre idéal qui nous
permettra de retrouver les échantillons de la réponse impulsionnelle soient les coefficients du filtre :

 1 fe / 2
  H ( f )e 2 π j f n Te df N impair ( Filtre de type I )
 f e − fe / 2
h( n) =  fe / 2
1 H ( f )e − j π f Te e 2 π j f n Te df N pair ( Filtre de type II )
 f e − f/ 2
 e

Remarques :

• Le filtre de type I est le plus employé (C’est celui que nous développons dans ce qui suit) hormis pour
les différenciateurs.

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

25
Traitement Avancé du Signal Master RT M1 2022/2023

• Le filtre de type II possède un zéro en -1 (Nombre de zéros est impair donc répartition de zéros en paires
conjuguées + un zéro en fe/2 puisque une somme de cosinus) , il ne peut donc être employé pour un
passe-haut ou un coupe-bande.

• Il existe des filtres de type III (N impair) et IV (N pair) permettant d’obtenir une réponse impulsionnelle
anti-symétrique avec déphasage linéaire également (somme de sinus au lieu de cosinus). Ils possèdent
tous deux des zéros en 1 (sin en f=0 est nulle), leur utilisation n’est donc pas adaptée aux filtres passe-
bas. En outre le filtre de type III possède également un 0 en -1, on ne peut l’employer que pour un passe-
bande.

2. Cette méthode produit une série infinie de coefficients, on limite, alors la réponse impulsionnelle à N
échantillons (troncature). Sachant que la troncature induit des ondulations, on peut faire appel aux fenêtres
de pondération pour les atténuer. Ainsi, la réponse impulsionnelle idéale h(n) sera multipliée par la fenêtre
discrète wN(n) de longueur N:

h'N(n)=h(n).wN(n). (Choix de la fenêtre : voir chapitre 1)

3. Il ne reste plus qu'à décaler la réponse impulsionnelle h'(n) pour avoir une solution causale.

Remarque : Pour le choix de fc il faudra faire attention aux fréquences de coupure à prendre en compte. Afin
d'avoir de bons résultats lors de la synthèse, ce ne sont pas les fréquences de coupure du filtre idéal qu'il faut
utiliser mais il faut déplacer celles-ci afin de les centrer dans la zone de transition. Pour un passe-bas,
l'augmenter de la demi zone de transition (∆f), soit fp+∆f et pour un passe-haut, la diminuer de la demi zone
de transition. Pour un passe-bande, diminuer la première fréquence de coupure de la demi zone de transition
et augmenter la seconde de la demi zone de transition, pour un rejecteur de bande, on fera l'inverse.
|H(f)|
Exemple :

- Calcul de la réponse impulsionnelle idéale (cas N impair)

fe / 2
1 2 π j f nT e
h (n) =
fe  H ( f )e
− fe / 2
df

]
fc
1 1
e2π j f nTe df = e2π j f nTe
fc
On pose fc=(fp+fa)/2  h(n) = 
f e − fc 2πjnfeTe
− fc
f

e 2 π j fc nTe − e −2 π j fc nTe sin(2π f c nTe ) sin(π n f c /( f e / 2))

 h(n) = = =
2πjn πn πn

On normalise les fréquences par rapport à fe/2 (ou fe) c.a.d que l’on remplace partout fc par fc/(fe/2), on obtient
alors :

sin(π n f c /( f e / 2)) f c /( f e / 2) sin(π n f c )

h(n) = = fc
πn f c /( f e / 2) πnfc

Tout aussi facilement, on peut déterminer les réponses impulsionnelles d’un passe-haut (1-H(f)), d’un
passe-bande (différence de 2 passe-bas) et d’un coupe-bande donnés.
FGE, USTHB [ assiakourgli@[Link] / [Link]

26
Traitement Avancé du Signal Master RT M1 2022/2023

Les valeurs de la réponse impulsionnelle idéale h(n) sont données au tableau suivant. Les fréquences fc
indiquées dans ce tableau (fréquences de coupure désirées) s'expriment également en fréquences normalisées
(divisées parfe/2).

Réponse impulsionnelle h(n)

Type de filtre h(n) pour n≠0 h(n) n=0

Passe-bas sin(π n f c ) fc
fc
πnfc
Passe-haut sin(π n f c ) 1-fc
− fc
πnf c
Passe-bande sin(π n f c 2 ) sin(π n f c1 ) fc2- fc1
f c2 − f c1
πnf c 2 πnf c1
Rejécteur de bande sin(π n f c1 ) sin(π n f c 2 ) 1-(fc2- fc1)
f c1 − f c2
πnfc1 πnf c 2

- Limitation du nombre d'échantillons à N

h'N(n)=h(n).w(n)

 N −1
1 si n ≤
si w( n) =  2  W ( f ) = sin( N πf ) H'N ( f ) = H( f ) *W( f )
0 ailleurs sin( πf )

La troncature temporelle introduit des ondulations et induit une zone de transition moins rapide
déterminée par la largeur du lobe principal. Un compromis est à faire entre la raideur et l'amplitude des
ondulations. Notons que cette méthode donne des ondulations de même amplitude dans la bande passante
et dans la bande atténuée. 1.4
Passe-bande avec Fen Rectangulaire (N=51)
Passe-bande avec Fen Hanning (N=51)
Remarque: Si N augmente, l'étendue des oscillations 1.2
Passe-bande avec Fen Rectangulaire (N=91)

diminue (la réponse est plus plate) et la largeur de la 1

bande de transition décroît (∆f faible). On peut observer

0.8
que les oscillations les plus fortes tendent à se concentrer
aux discontinuités. Ces dernières ne diminuent pas si N 0.6

augmente : on a toujours un dépassement à peu près égal 0.4

à 9% se concentrant aux points de discontinuité : c’est le

0.2
phénomène de Gibbs(Voir TP n°1).
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
fc1=500 fc2=1500 fe=4000Hz

Pour diminuer les oscillations : on utilise les fenêtres de pondération qui permettent d’obtenir de forte
atténuation des oscillations mais cela se fait au détriment de la largeur de la bande de transition qui devient
plus grande.

Pour le choix de la fenêtre de pondération, on procédera comme suit : En fonction de l'atténuation δ2

requise dans la spécification du filtre, on choisira le type de fenêtre w(n) à utiliser. Puis en fonction de la
FGE, USTHB [ assiakourgli@[Link] / [Link]

27
Traitement Avancé du Signal Master RT M1 2022/2023

largeur de la zone de transition ∆f (spécifiée aussi au départ) et du type de la fenêtre w(n),on déterminera la
longueur de la réponse impulsionnelle N.

Fenêtres wN(n) Largeur de Atténuation en bande

Transition :∆f (2∆f / fe) atténuée A
 N −1 1.8/N 21
1 pour n ≤
wRe ct ( n) =  2
0 ailleurs
 2πn N −1 6.2/N 44
0.5 + 0.5 cos( ) pour n ≤
wHan(n) =  N −1 2
0 ailleurs
 2πn N −1 6.6/N 53
0.54 + 0.46cos( ) pour n ≤
wHam(n) =  N −1 2
0 ailleurs
 2πn 4πn N −1 11/N 74
0.42+ 0.5 cos( ) + 0.08cos( ) pour n ≤
wBlack(n) =  N −1 N −1 2
0 ailleurs

Exemple : On veut synthétiser un filtre passe-bas de fréquence de coupure fc = fe/10 avec ∆f =fe/5 et une
ondulation en bande atténuée > 50 db (voir TP n°3) 1.5

On normalise les fréquence fc/(fe/2)fc=0.2 ∆f/(fe/2)∆f=0.4 1

sin( π n / 5 )
a- h ( n ) = 0 .2 0.5

πn / 5
16
Imaginary Part

16
0 X
b- On choisit w(n) comme étant la fenêtre de Hamming

(Aa=20 log(δ2)= -53)∆f=6.6/N -0.5

c- On calcule N=6.6/∆f =16,5 on prend N=17 -1

sin( π n / 5 )
d- on calcule les valeurs h(n)= 0 .2 pour -8≤n≤8 -1.5

πn / 5
-1.5 -1 -0.5 0 0.5 1 1.5
Real Part

N -8 -7 -6 -5 -4 -3 -2 -1 0
h(n) -0,0399 -0,0456 -0,0329 0 0,0493 0,1064 0,1597 0,1974 0,2110
N 1 2 3 4 5 6 7 8
h(n) 0,1974 0,1597 0,1064 0,0493 0 -0,0329 -0,0456 -0,0399
0.3
Réponse impusionnelle h(n)
0.25 Réponse impusionnelle h'(n)

e- On multiplie h(n) par w(n) pour trouver h’N(n)=h(n).w(n) 0.2

0.15
sin(π n / 5 )  2πn 
h' N (n) = 0.2 0.54 + 0.46 cos( ) 0.1

πn / 5  16  0.05

0
f- On translate le résultat de 8 échantillons.
-0.05
0 5 10 15 20

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

28
Traitement Avancé du Signal Master RT M1 2022/2023

N 0 1 2 3 4 5 6 7 8
h(n) -0,0399 -0,0456 -0,0329 0 0,0493 0,1064 0,1597 0,1974 0,2110
h'N(n) -0,0031 -0,0050 -0,0067 0 0,0255 0,0730 0,1325 0,1826 0,2023
N 9 10 11 12 13 14 15 16
h(n) 0,1974 0,1597 0,1064 0,0493 0 -0,0329 -0,0456 -0,0399
h'N(n) 0,1826 0,1325 0,0730 0,0255 0 -0,006 -0,005 -0,0030
1.4
1.5
Passe-bas avec Fen Rectangulaire (N=17)
Passe-bas avec Fen Hamming (N=17)
1.2
Passe-bas idéal
1

1
0.5

0.8

Imaginary Part
16
16
0
X
0.6

-0.5
0.4

-1
0.2

-1.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000 -1 -0.5 0 0.5 1 1.5 2 2.5
Real Part
fc1=400 fe=4000Hz
On peut remarquer l'emplacement de zéros autour du premier 0 en 1 permet d'atténuer les lobes secondaire
et de maintenir une réponse cste autour du zéro.

Constitution et réalisation des filtres numériques RIF

La réalisation concrète d'un filtre numérique consistera en fait à matérialiser l'algorithme de calcul pour
la structure retenue. On aura la possibilité de travailler : Soit en logique câblée (assemblage d'organes
logiques, tels que portes, mémoires, etc ...),soit en logique programmée (organisation autour d'un processeur
de traitement du signal (DSP) ou, même, utilisation d'un microprocesseur(micro-ordinateur) standard).

La structure canonique directe (transversale ou non récursive) est

donnée ci-contre:

Un filtre RIF nécessite (N-1) opérations de multiplication, N

opération d’addition pour chaque nouvel échantillon à filtrer.

On peut également exprimer la complexité en nombre de

multiplication-accumulation qui, dans le cas d’un filtrage RIF,
vaut N [9]. Le coût mémoire d’un filtrage RIF est de 2(N+1) [(N+1)
coefficients bi et (N+1) points mémoire pour le vecteur des
entrées x(i)]. Si la fréquence d’échantillonnage du signal d’entré
vaut Fe, cela signifie que le filtre devra être réalisé en un temps
Tcalcul inférieur à Te = 1/fe . Pour un filtre à retard de groupe
constant, la structure sera la suivante :

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

29
Traitement Avancé du Signal Master RT M1 2022/2023

6. Synthèse des filtres récursifs RII

Le principe de définition du cahier des charges d'un filtre récursif (RII) se déroule de la même manière
que pour un filtre non récursif (RIF) mais la synthèse se fera de différente manière. L'intérêt d'employer un
filtre RII réside principalement dans la possibilité d'obtenir une bande de transition étroite pour un ordre
raisonnable bien qu'il présente d'une part, un risque d'instabilité du à une grande sensibilité numérique des
coefficients mais que l'on peut toutefois contrôler en déterminant une structure mieux adaptée, et d'autre
part, une variation de phase fortement non linéaire.

Rappelons que pour un filtre RII, la sortie s'exprime comme une combinaison linéaire d'un ensemble
fini d'éléments d'entrées et de sortie: N

N M
−i
 b .z i

y ( n ) =  bi x ( n − i ) −  H ( z) = i=0
ai y ( n − i ) d’où M
i =0 i =1 1 +  ai . z − i
i =1

La méthode directe consiste à placer des pôles et des zéros aux fréquences utiles mais la plus courante
(indirecte dite aussi de transposition) est l’utilisation des méthodes de synthèse des filtres analogiques
aboutissant à une fonction H(p) correspondant aux spécifications. Une fonction permettant le passage du
plan p dans le plan z (p = fct(z)) est ensuite utilisée pour obtenir H(z). Cette fonction doit maintenir la stabilité
du filtre analogique et maintenir, au mieux, les caractéristiques de la réponse fréquentielle H(f) du filtre
numérique.

• Rappels sur les filtres analogiques

Il existe de nombreuses méthodes permettant de

synthétiser un filtre numérique récursif à partir d’un filtre
analogique pris comme modèle [18]:

o le filtre doit avoir une réponse impulsionnelle ou

indicielle imposée : ce sont les méthodes de l'invariance
impulsionnelle.

o le filtre doit avoir une réponse fréquentielle entrant

dans un gabarit donné : c'est la transformation
bilinéaire.

Pour concevoir un filtre analogique, on peut employer des filtres passifs obtenus par combinaison de
résistances, de condensateurs et/ou de bobines ou encore utiliser des filtres actifs comportant un élément
amplificateur (transistor, AO, etc.) qui permet donc de modifier les amplitudes des signaux. Ainsi, un filtre
passif de base (de premier ordre) peut être composé d'une cellule RC ou d'une cellule RL.

Il faut noter que :

- les filtres numériques sont limités à des fréquences < 100MHz

- les filtres passifs (L,C, quartz, etc ;) sont utilisés pour les hautes fréquences

- les filtres actifs (R,C, ALI) utilisent des amplificateurs linéaires integrés (ALI) limités à 1Mhz

- les filtres à capacité commutés (R et C intégrés, ALI, Interrupteur commandé MOS) ont des fréquences
(<10 Mhz) programmables
FGE, USTHB [ assiakourgli@[Link] / [Link]

30
 Traitement Avancé du Signal Master RT M1 2022/2023

Ci-dessous, sont donnés quelques exemples de structure pour des filtres passifs passe-bas de premier et
second ordre suivis de filtres actifs passe-bas de premier et second ordre aussi.

Pour obtenir des filtres d'ordre N plus élevé, on emploiera des filtres du premier et du deuxième ordremis
en cascade. Les pentes asymptotiques seront proportionnelles au nombre de cellules (+N ↑ et +∆f↓). A noter
également que les filtres passe-bas ou passe-haut peuvent avoir un nombre entier d'ordre (1, 2, 3...) tandis
que les filtres passe-bande ou coupe-bande ne peuvent qu'avoir un ordre pair (2, 4, 6, ...) car ils sont formés
de paires de cellules : 2 cellules RC ou une cellule RC et une cellule RL.

Pour synthétiser des filtres analogiques répondant à un gabarit donné, on choisira parmi un ensemble de
filtres analogiques testés et éprouvés donc connus pour leurs propriétés en termes de pente d’atténuation et
d’ondulation dans la bande passante et atténuée telles que :

• Filtres de Butterworth : Coupure peu raide mais

gain constant en bande passante

• Filtres de Tchebychev (Chebyshev) :Raideur de

coupure importante mais ondulations dans la bande
passante (Chebyshev 1) ou atténuée (Chebyshev 2)
et simple à mettre en oeuvre

• Filtres de Cauer (dit aussi elliptiques) : Coupure

extrêmement raide mais ondulations dans la bande
passante et atténuée mais circuits plus complexes à
réaliser.

• Filtres de Bessel : Retard de groupe constant mais

mauvaise sélectivité même pour ordre élevé.

Remarque : Le filtre de Bessel est intéressant pour filtrer les signaux large bande (modulations HF haut
débit : PSK, 8-PSK, OFDM…) en préservant les phases. Il n’a pas intérêt dans le domaine du filtrage
numérique.

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

31
Traitement Avancé du Signal Master RT M1 2022/2023

1. Un filtre de Butterworth est caractérisé par le fait que la réponse d’amplitude est maximalement plate
dans la bande passante et monotonement décroissante à partir d’une certaine fréquence (fréquence de
coupure).

L’amplitude d’un filtre analogique Passe-bas de Butterworth d’ordre N est définie par l’expression :

H (ω ) = H (ω ) =
1 ou 1
2N 2N
ω  ω 
1 +   1 + ε . 
2

 ωc   ωc 

ωc est la pulsations de coupure limites et ε est un paramètre de conception qui fixe la région de tolérance
dans la bande passanteδ1=1/(1+ε2)1/[Link] filtre analogique aura N pôles placés sur lecercle unité (à partie réelle
négative).

L’ordre N est déterminé par la zone de transition (ωa-ωp)et les ondulations permises en bande passante AP=20
log(1+δ1) et bande atténuée (Aa=-logδ2)
 10 Aa Ap
  1   1 
 10  log (10 − 1) /(10 − 1)  log  2 − 1 /  2 − 1

Aa 10
log10 − 1

 =  δ2   δ1 
  N ≥=
N≥ 2 log(ω a / ω p ) 2 log(ω a / ω p )
2 log(ωa / ω p )

Remarque : Plus N est élevé, plus grande est la sélectivité (zone de transition ∆f étroite) mais un filtre RII
de fait de sa récursivité a une période d’initialisation avant le régime permanent qui augmente avec l’ordre
du filtre. En outre, son déphasage augmente avec l’ordre du filtre.

Exemple : On souhaite réaliser un filtre passe-bas

de gain unitaire ne comportant pas d’oscillations ni
dans la bande passante, ni dans la bande atténuée tel
que : Ap=1db, Aa=40db, fp=1kHz et fa=3kHz .

Déterminer le filtre et N.

N ≥=
( )
log (10 4 ) / 0.2589
= 4.80 ≈ 5
2 log(3 / 1)
2. Un filtre de Tchebychev est caractérisé généralement par une ondulation équilibrée dans la bande
coupée. La forme analytique du module de réponse fréquentielle d’un filtre analogique de Tchebychev (ou
Chebyshev) d’ordre N est donnée par :

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

32
Traitement Avancé du Signal Master RT M1 2022/2023

H (ω ) =
1
 ω 
1 + ε 2 .T N2  
 ωc 

Où ε est un paramètre réel inférieur à l’unité qui

détermine l’amplitude des oscillations dans la bande
()
passante et où TN x est le polynôme de Tchebychev
d’ordre N, définie par :

cos[N .ar cos(x )] pour 0 ≤ x ≤ 1

TN ( x ) = 
 cosh[N .ar cosh( x )] pour x ≥ 1

L’ordre N est déterminé par la zone de transition (ωa-ωp) et les ondulations permises en bande passante
AP=20 log(1+δ1) et bande atténuée (Aa=-logδ2) *

   Aa
 10
Ap

 10   10   Aa   10 
log 2.10 20 / 10 − 1 
Aa Ap Ap
log  10 − 1
 
10 − 1 + 10 10 − 1
   
10 − 1 − 1 
    
   
          
N≥ N≥
log  ω a / ω p + (ω / ω p ) − 1 
2
log ω a / ω p +

(ω a / ω p ) − 1 
2


 a


Exemple

On souhaite réaliser un filtre passe-bas de gain unitaire avec un filtre de

Tchebychev tel que : Ap=1db, Aa=40db, fp=1kHz et fa=3kHz . Déterminer N

 Aa
 10
Ap


log 2.10 20 . / 10 − 1 
  
.    2.100 / 0.5089
N≥ = = 3.39 ≈ 4
log ω a / ω p +

(ω a / ω p ) − 1 
2


3+ 8

Dans la pratique, on utilise trois valeurs d'ondulation, ε = 0.1 dB, 0.5 dB et 1 dB. Pour ces 3 valeurs HN(p) est
donnée :

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

33
Traitement Avancé du Signal Master RT M1 2022/2023

On rappelle que les fonctions de transfert HN(p) des filtres analogiques polynômiaux (Butterworth,
Tchebychev,Bessel, Cauer, etc.) sont données pour des fréquences de coupure normalisées et uniquement
pour desfiltres passe-bas [2].

1 p ω 
Pulsation centrale
Passe-bas p = p / ωA Passe-bande p =  + A  ω A = ω A1ω A2
B  ωA p 
−1 Largeur de Bande
 1  p ω A 
Passe-haut p =ωA / p Coupe-bande p =  
B ω
+
p
 B = (ωA2 −ωA1)
  A 

A partir de l'expression de HN(p) normalisée, on dénormalise en remplaçant p par les valeurs données
au tableau précédent permettant d'aboutir à une fonction de transfert dénormalisée H(p).

La Méthode de la transformation bilinéaire a pour objectif de faire coïncider au mieux les domaines
analogique et numérique. Les filtres qui en sont dérivés sont plus stables que sont obtenus à travers l'emploi
de la méthode de la variance impulsionnelle. Mais, en contrepartie, elle introduit une distorsion sur l'axe des
fréquences.

On sait qu’un filtre analogique est caractérisé par sa fonction de transfert H(p) et un filtre numérique est
défini par sa fonction de transfert H(z) avec z= e2̟jfTe= epTe. Ce qui implique que p=Ln(z)/Te. Dans les deux cas,
cette transformation entraîne une relation non linéaire entre les fréquences fA du domaine analogique et les
fréquences fN du domaine numérique.

Pour conserver le caractère polynomial des fonctions de transfert, une approximation de ln(z) par les
séries de Laurent est employée :
  1 − z −1  1  1 − z −1  3 1  1 − z −1  5 
ln( z ) ≈ 2   +   +   + ......... 
  1 + z −1  3  1 + z −1  5  1 + z −1  
 
En ne conservant que le terme du premier ordre, on définit la transformation bilinéaire :

ln( z ) 2 1 − z −1 2 z − 1
p= ≈ =
Te Te 1 + z −1 Te z + 1
jω N Te
Sachant que p = jω = ln( z ) = 2 e − 1 2 e jω N Te / 2 (e jω N Te / 2 − e − jω N Te / 2 ) 2 j sin(ω N Te / 2)
jω T
= jω T / 2 jω T / 2 − jω T / 2
=
+1 +e Te cos(ω N Te / 2)
A
Te Te e N e
Te e N e
(e N e N e
)

Ainsi, on peut montrer qu’on obtient la correspondance entre fréquence analogique fA(ou pulsation
analogique ωA) et la fréquence numérique fN (ou ωN) par :

2  ω N Te  2  π f N 
ωA = tg   = tg  
Te  2  Te  f e 
Cette équation montre qu'il n’y a pas égalité entre pulsation
analogique et pulsation discrète et que la relation les liant n’est pas fe π fN 
fA = tg  
non plus linéaire puisqu'il y a distorsion des fréquences, y compris π  fe 

du retard de groupe.

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

34
Traitement Avancé du Signal Master RT M1 2022/2023

Pour faire la synthèse d’un filtre numérique par la transformation bilinéaire, on procède comme suit :

- On définit les caractéristiques souhaitées du filtre numérique (fréq d’échantillonnage, de coupure, etc.)

2  π fN 
- On calcule les pulsations analogiques ωA correspondant aux pulsations numériques ω A = tg  
Te  f e 

- On détermine le gabarit du filtre analogique HN(p) normalisée d'ordre n (Chebyshev, Butterworth, etc.) qui
servira de modèle au filtre numérique et on écrit la fonction de transfert dénormalisée H(p) de ce filtre
analogique (qu’il faut recalculer en fonction de ωA).
2 1 − z −1
- On applique la transformation bilinéaireà H(p) en remplaçant p = , ce qui donne la fonction H(z).
Te 1 + z −1
Exemple 1: On désire concevoir un filtre passe-bas numérique de premier ordre à partir d’une fonction de
transfert d'un filtre RC dans le domaine continu (HN(p)=1/(1+p)). La fréquence de coupure désirée est fN=30
Hz et la fréquence d’échantillonnage est fe=150 Hz.

2
0.7265
2 π  2 1 Te
On calcule d'abord ω A = tg  = 0.7265puis H ( p ) = =
Te  5  Te (1 + p ) p = p / ω A p + 2 0.7265
Te

2
0.7265
Te 0.7265( z + 1) 0.7265( z + 1)
H ( z ) = H ( p ) p = 2 z −1 = = =
Te z +1 2 z −1 2 ( z − 1) + 0.7265( z + 1) 1.7265 z − 0.2735
+ 0.7265
Te z + 1 Te

2 π  fe
On peut remarquer que f A = tg   = 0.7265 = 34.69 ≠ f N = 30
Te (2π )  5  π

Exemple 2 : On désire réaliser un filtre numérique passe-bas du second ordre avec les caractéristiques
suivantes [18]: fréquence de coupure fN= 500 Hz (gain de 1), fréquence d'échantillonnage fe=5 kHz,

2  ωN Te  2  π  2
ωA = tg  = tg  = 0.325
Te  2  Te  10  Te

4
0.0114
0.1075ω A
2
0.1075 Te2
H N ( p) =  H ( p) = H N ( p = p / ω A ) = 2 =
p + 0.1075 p + 1
2
p + 0.1075 pω A + ω A
2
2 4
p 2 + 0.035 p + 2 0.1056
Te Te
4
0.0114
Te2 0.0114
H ( z ) = H ( p ) p = 2 z −1 = =
 z −1  z −1
2 2
Te z +1  2 z −1  2 2 z −1 4
  + 0.035 + 2 0.1056   + 0.035 + 0.1056
 Te z + 1  Te Te z + 1 Te  z +1 z +1

0.0114 ( z + 1) 0.0114 ( z + 1)
2 2
H (z) = =
( z − 1) + 0.035( z − 1)( z + 1) + 0.1056 (z + 1) 1.14 z − 1.7888 z + 1.0706
2 2 2

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

35
Traitement Avancé du Signal Master RT M1 2022/2023
z −1
z +1

Pour un filtre numérique passe-bas ou passe-haut, on peut déterminer H(z) directement à partir de HN(p) en
 π fN 
utilisant la pulsation normalisée Ω c = tg   et remplacer p dans HN(p) comme suit:
f
 e 
1 z −1
- pour un passe-bas par p = soit H ( z ) = H N ( p ) 1 z −1
Ωc z +1 c
p=
Ω z +1

z +1
- pour un passe-haut par p = Ω c soit H ( z ) = H N ( p ) z +1
z −1 p=Ω
c
z −1

- pour un passe bande ou un rejecteur de bande, la détermination de ωA s'obtient par la pulsation centrale
ωA = ωA1ωA2

Remarque: Puisqu'il n'est pas possible de faire coïncider précisément la réponse fréquentielle du filtre
analogique (sur[0, +∞[ et numérique (sur [0, fe/2] la transformation bilinéaire aura pour objet de faire
coïncider au mieux les deux réponses. Cette méthode donne d'assez bons résultats à condition que les
fréquences caractéristiques ne soient pas trop proches de la demi-fréquence d'échantillonnage.

• Réalisation du filtre RII

Un filtre RII nécessite (2N+1) opérations de multiplication, 2N

opérations d’addition pour chaque nouvel échantillon à filtrer ou (2N +1)
MAC (Multiplication-Accumulation). Le coût mémoire d’un filtre RII en
structure directe est de (4N+3) mémoire [(2N+1) coefficients bi et 2(N+1)
points mémoire ou retard pour les vecteurs des entrées x(n) et des sorties
y(n) [9].

7. Les filtres multi-cadences

Le traitement multi-cadences implique plusieurs fréquences d’échantillonnage. Il peut avoir plusieurs

motivations. Il peut être le fruit de contraintes liées à une application dans laquelle les flux de signaux
numériques à traiter et à générer doivent l’être à des fréquences d’échantillonnage différentes [20]. Cette
situation peut se rencontrer par exemple dans les applications audio où co-existent plusieurs fréquences
d’échantillonnage : 32kHz (diffusion); 44,1 kHZ (disque compact numérique) ; 48kHz (bande sonore
numérique) ; 96kHZ ; …

Cette approche peut aussi permettre d’améliorer les caractéristiques d’implantation d’un algorithme
en adoptant pour chacune de ses étapes un échantillonnage que l’on appelle critique dans le sens où la
fréquence de traitement est choisie égale à la fréquence de Nyquist. Ainsi la chaîne de traitement
correspondant à l’émetteur bande de base d’un modulateur DPQSK où l’on a trois fréquences de traitement :
la fréquence bit, la fréquence symbole et la fréquence d’échantillonnage [20]

Dans les systèmes considérés aux chapitres précédents, n’était considéré qu’une seule fréquence ou
cadence d’échantillonnage fe =1/Te. Mais il arrive que la fréquence maximale fmax soit diminuée ( filtrage passe-
bas ) ou augmentée (le cas d’une modulation). Dans les deux cas, il est plus judicieux d’adapter la fréquence
d’échantillonnage afin de minimiser le temps de calcul. Il s’agira d’une décimation ou sous-échantillonnage
FGE, USTHB [ assiakourgli@[Link] / [Link]

36
 Traitement Avancé du Signal Master RT M1 2022/2023

(augmentation de fmax) et d’une interpolation ou sur-échantillonnage (diminution de fmax). A noter, également

que le sur-échantillonnage est souvent utilisé pour augmenter le SNR dans les opérations de CNA. Tous
deux interviennent dans le changement de fréquence et dans les techniques des bancs de filtres

Exemple : Supposons que l’on veuille synthétiser un filtre passe-bas avec les spécifications
suivantes :fp=100Hz fa=300Hz Aa>50 db fe=20kHz.

L’emploi de la fenêtre de Hamming nous donne N=331, soit un nombre de coefficients important. Or
le filtre occupe une petite portion de la bande passante (passe-bas avec fc=1% fe). On peut donc sous-
échantillonner et puis sur-échantillonner sans perte d’informations.

Ainsi en prenant fe=fe/25=800Hz cela

nous donnerait N=15 << 331 et on obtient,
ainsi, un filtre plus rapide. C’est le principe des
bancs de filtres qui revient à diviser la bande
passante en plusieurs filtres à bande étroite
donc des filtres que l’on pourra facilement
décimer ce qui représente donc un gain de
temps.

Sous échantillonnage et sur-échantillonnage

Rappelons que lorsqu’on souhaite échantillonner un signal, nous devons respecter le théorème de
Shannon à savoir prendre une fréquence d’échantillonnage fe/ 2 >fmax. Si ce signal a subi des traitements qui
ont eu pour résultat, entres autres, la modification de la fréquence maximale. On parlera alors de sous-
échantillonnage ou de sur-échantillonnage.

Sous-échantillonnage : Il consiste à fabriquer à partir du signal original x un signal xD comportant moins

d’échantillons que le signal d’origine. Il faut “enlever” des échantillons, d’où le nom décimation (En anglais
: down sampling). On parle de sous-échantillonnage d’un facteur D quand le signal d’origine x comporte N
échantillons et le signal sur-échantillonné xD en comporte N/D, avec xD(n) = x(n/D)

x(n) D xD (m )

1 0 2

Le sous-échantillonnage naïf consiste à se débarrasser de D - 1 échantillons sur D. Cela revient à devoir

échantillonner directement à fe/D, mais rien ne garantit que fe /D >2 fmax. Il y a donc un risque de repliement
spectral.

Exemple : Le signal suivant est le résultat de la somme de 2 sinusoïdes de fréquences 100 et 300Hz. On
le décime de 2 et de 6. On remarque que lorsque fe=fe/6 il y a repliement puisque la condition de Shanon n’est
plus respectée.

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

37
Traitement Avancé du Signal Master RT M1 2022/2023
2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -1000 -800 -600 -400 -200 0 200 400 600 800 1000

2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -500 -400 -300 -200 -100 0 100 200 300 400 500

2 0.8

1 0.6

0 0.4

-1 0.2

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -200 -150 -100 -50 0 50 100 150 200

Pour sous-échantillonner correctement, il va falloir supprimer le contenu fréquentiel de x(n) entre fe

/2D et fe /D puisque le spectre devient périodique de période fe/D et ce avant la décimation.
2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -1000 -800 -600 -400 -200 0 200 400 600 800 1000

2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -500 -400 -300 -200 -100 0 100 200 300 400 500

1 0.5

0.4
0.5
0.3
0
0.2
-0.5
0.1

-1 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -200 -150 -100 -50 0 50 100 150 200

Dans ce cas, nous avons pour la fonction de transfert ∑ ∑ / /

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

38
Traitement Avancé du Signal Master RT M1 2022/2023

Rappels :

Peigne de Dirac : ∑ périodique de période  décomposable en série de Fourier

 ∑ = ∑ En discret ∑ # = ∑$
! &
" '
telle que =
$ %

La décimation de M est équivalente à un échantillonnage de M  ( ( )$* ∑ . #

∑ ∑$
/012&
, - . %
' 3 /$
$
Fonction de transfert

∑$ -∑ - 3 3
/012 4
' '
$ . %

 , ∑$ )5$. * avec 5$ =
4 /01
' '
$ . %

Réponse en fréquence

( .∑ # , 6 6 ∗ $ ∑$ )6 *
8 8
% $

 , 6 ∑$ % )6 *  Périodisation 9:
8 8 ;:
$ $ <

Exemples:

- Décimation de 4 , ∑?. )5=. > * avec 5=

4 /01
>
= %

1
, B )5=% > * C )5= *C )5= *C )5=? > *D
4 4 4 4

4
> >

, B ) >* C ) E >* C ) *C )E > *DY f ∑?. )6 *

4 4 4 4
.8
>
= = % =

o Décimation de 2

, ∑. )5 . / * avec 5 , B ) /* C ) *D Y f H 6 C 6 )6 *I
4 /01 4 4
8
/ /
%

Sur-échantillonnage : Il consiste à fabriquer à partir du signal original x un signal xM un signal de même

durée mais comportant davantage d’échantillons que le signal d’origine. Il faut “rajouter” des échantillons,
d’où le nom d’interpolation (en anglais : upsampling). On parle de sur-échantillonnage d’un facteur M quand
le signal d’origine x comporte N échantillons et le signal sur-échantillonné en comporte MN, avec xM(Mn) =
x(n).

x(n) D xD (m)
n 2 . D DD …2D 2

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

39
Traitement Avancé du Signal Master RT M1 2022/2023

Théoriquement, si le signal d’origine a été bien échantillonné, la reconstruction parfaite est possible,
donc le sur-échantillonnage aussi. Cependant, la formule de reconstruction (avec les sinus cardinaux) est
compliquée à mettre en pratique. On fait appel à des idées plus simples [25]:

- Intercaler des zéros (interpolation zéro)

- Recopier la valeur de l’instant précédent (interpolation échelon)

- Tracer une droite entre deux échantillons disponibles

Adjacents (interpolation linéaire)

Le signal d’origine n’a pas de contenu fréquentiel au-delà de fe/2. Le processus d’interpolation est
susceptible d’en ajouter. On le fait donc suivre d’un filtrage passe-bas à la coupure fe/2 pour supprimer le
contenu ajouté. C’est la raison pour laquelle la méthode d’interpolation n’a pas beaucoup d’importance.

Exercice d’application : Vérifier que l’interpolation zéro préserve le spectre du signal.

J J J

Ce qui en fréquence nous donne : 6 K 8 8 /8

L ce qui signifie que le signal
original et sur-échantillonné ont le même spectre, on ne fait que parcourir le cercle D fois.

Exemple : On reprend le même signal que l’on interpole de 2 puis de 4.

2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -1000 -800 -600 -400 -200 0 200 400 600 800 1000

2 0.25

0.2
1
0.15
0
0.1
-1
0.05

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -2000 -1500 -1000 -500 0 500 1000 1500 2000

2 0.08

1 0.06

0 0.04

-1 0.02

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000

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

40
Traitement Avancé du Signal Master RT M1 2022/2023

Après sur-échantillonnage, la forme du spectre reste la même aucune énergie n’a été ajoutée au signal),
mais la fréquence d’échantillonnage est maintenant de Dfe. Le sur-échantillonnage fait apparaître ce que l’on
appelle des spectres miroirs et pour obtenir une signal dont la forme temporelle correspondrait au signal
x(n) que l’on aurait échantillonné à une fréquence Dfe.

Il faut supprimer ces spectres miroirs et donc filtrer par un filtres passe-bas le signal sur-échantillonné
y(m) avec un filtre ayant une bande atténuée à partir de fe/2

2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 -1000 -800 -600 -400 -200 0 200 400 600 800 1000

2 0.5

0.4
1
0.3
0
0.2
-1
0.1

-2 0
0 0.02 0.04 0.06 0.08 0.1 0.12 -2000 -1500 -1000 -500 0 500 1000 1500 2000

2 0.4

1 0.3

0 0.2

-1 0.1

-2 0
0 0.02 0.04 0.06 0.08 0.1 0.12 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000

Nous pouvons observer l'effet l'interpolation suivie du filtrage passe-bas anti-miroirs (équivalent à
un 0 padding dans le domaine fréquentiel)

Exemples:

o Interpolation de 4 Y z X z=

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

41
Traitement Avancé du Signal Master RT M1 2022/2023

o Interpolation de 2 Y z X z

Remarque :

La décomposition polyphases intervient dans les bancs de filtres, elle permet une représentation simple
pour le sur et sous échantillonnage [21]. Quand un signal subit une décimation d’un facteur 2, cela revient à
séparer les échantillons avec un indice pair de ceux avec un indice impair, ou encore, à séparer deux phases
distinctes ayant des délais (aussi appelé écarts de phase) différents dans le vecteur [22]. Si on considère une
décimation d’un facteur M, le principe est exactement le même mais avec M phases distinctes.

Changement de fréquence rationnel

Supposons que l’on veuille changer numériquement la fréquence d’échantillonnage d’un signal x(n) et
passer d’une fréquence d’échantillonnagef1 à une fréquence d’échantillonnage f2 où f2/f1=L/M. Cela conduit
donc à sur-échantillonner le signal x(n) d’un facteur L puis à le décimer d’un facteur M.

o Le sur-échantillonnage par L doit être suivie d’un filtre passe-bas coupant à fe/2L pour
supprimer les spectres dus au sur-échantillonnage où fe est la fréquence d’échantillonnage du
signal de sortie.

o La décimation par M doit être précédée d’un filtrage anti-repliement ayant une fréquence de
coupure de fe/2M, si fe est la fréquence d’échantillonnage du signal d’entrée.

On ne conservera alors qu’un seul des deux filtres passe-bas : celui dont la fréquence de coupure est la
plus basse

↑R HL ( ) HM( ) ↓#
y(n)=xL/M(n)
x(n)
Remarque : Si Let M sont premiers entre eux, décimation et interpolation sont commutatifs, ci-dessous
un exemple :de conversion où L = 5 et M = 2 [31]

Q% % que Q% R S# 1
En outre, d'après la théorie des nombres, si L et M sont premiers entre eux alors ils existent deux entiers
TU V W$ TU V U$

Exemple : On souhaite sur une réduction de fréquence d’échantillonnage d’un signal audio d’un
facteur 2/3 (passage de 48kHz à 32kHz). A noter que décimation et interpolation ne sont pas commutatives
sauf si L et M sont premiers entre eux [20].

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

42
Traitement Avancé du Signal Master RT M1 2022/2023

Remarques

Un filtre de décimation/interpolation à bande passante très étroite est complexe à mettre en œuvre (Ordre
élevé)

. Il peut être est remplacé par la mise en cascade de filtres plus simples. Les spécifications des filtres
individuels sont considérablement assouplis puisque la spécification globale du filtre est partagée entre
plusieurs filtres d'ordre inférieur.

Ainsi, pour un facteur de décimation ou interpolation, il est plus judicieux d'opérer par paliers (multi-étages).

Si on doit décimer de 15, cela nécessite un filtre d'ordre élevé. On peut alors procéder en décimant par 3 puis
par 5. Ce qui nous permettra d'employer 2 filtres de plus faible ordre.

Les applications du traitement multi-cadences sont nombreuses : Conception de déphaseurs, interfaçage de

systèmes numériques à taux différents, implémentation de filtres LP à bande étroite, implémentation de
bancs de filtres numériques, codage sous-bande de signaux de parole, filtres miroirs en quadrature,
transmultiplexeurs, sur-échantillonnage dans les CA/N et CN/A .

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

43
 Traitement Avancé du Signal Master RT M1 2022/2023

TD n°1 : Syntèses des Filtres et Filtage multicadences

az − 1
1. Soit H(z) la fonction de transfert d’un SLIT causal avec : H ( z ) = avec a réel.
z−a
Déterminer les valeurs de a pour lesquelles H(z) correspond à un système stable. Prendre une valeur de a=0.5.
Représenter alors les pôles et zéros de la fonction, la région de convergence. Donner et tracer|H(f)|. Ce filtre
est-il à minimum de phase?

2. On suppose que le tracé des pôles et des zéros de ce système est le suivant :
- Est-ce un filtre RIF ou RII ? (Justifier votre réponse)
- Donner l’allure approximative de H(f)
- Déterminer H(z) puis déterminer et tracer h(n) 3
X
- A partir de h(n), étudier la stabilité, la causalité et l’invariance de ce filtre.
- Calculer et tracer H(f) pour au moins 3 valeurs
- Ce filtre possède-t-il un retard de groupe constant (justifier)
- Déterminer sa réponse pour une entrée échelon x(n)=U(n).

3. On considère que l'équation aux récurrences du système suivant est donnée comme suit :
y(n)= x(n) - x(n-2) - 0.878 y(n-2)
- Etudier la causalité et l'invariance de ce système
- Est-ce un filtre RIF ou RII ?
- Déterminer H(z) et donner le tracé des pôles et zéros, en déduire le rôle de ce filtre :
- Donner les allures approximatives de h(n) et |H(f)|
- Déterminer la réponse impulsionnelle h(n) et tracer la pour les 3 premières valeurs
- On suppose que fe= 6 kHz, quelle sera la sortie du filtre si l'on donne en entrée : un signal bruité par une
sinusoïde de 500 Hz puis un signal composé de 2 sinusoïdes l'une de 1500 Hz et l'autre de 2500Hz

4. Obtenir les coefficients d'un filtre à RIF passe-bas par la méthode de fenêtrage pour obtenir les
spécifications suivantes :
- Fréquence de coupure idéale : fc=1.75 kHz
- Largeur de transition : ∆f=0.5 kHz
- Atténuation en bande atténuée : A=-20 log10(δ)> 51 dB avec δ =min(δ1,δ2)
- Fréquence d'échantillonnage : fe=8 kHz

5. On souhaite approcher un filtre idéal passe-haut par un filtre à réponse impulsionnelle finie, synthétisé
par la méthode du fenêtrage. Ce filtre doit répondre aux spécifications suivantes :
 Fréquence de coupure fc=2 kHz
 Largeur de transition : ∆f=0.5 kHz
 Atténuation en bande atténuée : A=-20 log10(δ)> 40 dB avec δ =min(δ1,δ2)
 Fréquence d'échantillonnage : fe=8 kHz
- Déterminer l’expression mathématique exacte de h’(n).
- Calculer h’(0) et tracer approximativement h’(n).
- Quel est l’intérêt du fenêtrage et quel est son inconvénient ?
- Quel est l’inconvénient de cette technique de synthèse des filtres?
- Citer un avantage et un inconvénient de la synthèse par des filtres RIF de même que par les RII.

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

44
Traitement Avancé du Signal Master RT M1 2022/2023

6. On considère un filtre RIF de longueur N =8 dont la

Structure est donnée ci-contre :
Avec b0=0.2, b1=0.3, b2=0.4, b3=0.5
- Déterminer l’équation aux différences
- Déterminer la fonction de transfert puis h(n)
- Identifier alors le type de filtre RIF (I,II,III ou IV)
- Quel est son inconvénient ?

7. On considère le filtre passe-bas analogique normalisé à un pôle unique HN(p)=1/(p+1). On considère que
la fréquence de coupure normalisée à -3db se produit pour fc=fe /10 . Par transformation bilinéaire, trouver le
filtre numérique passe-bas équivalent H(z).

8. Soit la fonction de transfert passe bas dénormalisée H(p) suivante : (p+0.1)/((p+0.1)2+ωa2). Sachant que
ωa=4, utiliser la méthode de la transformée bilinéaire pour transformer ce filtre en numérique. Le filtre
numérique aura sa résonnance pour ωN = π/([Link]).

9. Soit le signal x(n)= n U(n), donner et tracer le signal résultant si :

- On le décime par 2, par 3 et par 4

- On l'interpole de 2 , de 4
- On le décime par 2 puis qu'on l'interpole par 2 et si on inverse les 2 opérations
- On le décime par 3 et on l'interpole de 2 et si on inverse les 2 opérations
Vérifier que la décimation n'est pas invariante à la translation contrairement à l'interpolation;

10. Soit le signal suivant, on veut le décimer par 2 puis l'interpoler par 2 également

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
- Donner le tracé du signal décimé puis interpolé
- On considère que la fréquence du signal original est 10kHz, donner la fréquence à la sortie du décimateur
puis celle de l'interpolateur.

11. On considère le signal x(n) dont la TFTD est donnée comme ci-contre ,

- Tracer la TFTD de la sortie correspondante pour les 8 cas :

- Donner la fréquence de coupure du filtre passe-bas H(z) pour chaque cas -150 -50 50 150 Hz

↓2 ↓2
- Préciser le rôle de H(z) dans chaque cas

H(z)
x(n) y(n) x(n) y(n)

↓4 H(z) ↓4
x(n) y(n) x(n) y(n)

↑2 ↑2 H( )
x(n) y(n) x(n) y(n)

↑4 ↑4
-
H( )
y(n)
assiakourgli@[Link] / [Link]
FGE, USTHB [ x(n)
x(n) y(n)
45
 Traitement Avancé du Signal Master RT M1 2022/2023

12. Avant de convertir un signal numérique x(n) (ci-dessous signal et sa TFTD),en signal analogique, on
décide de l’interpoler par D.

x(n) D y(n)
|X(f)|
2 0.5

0.45
1.5

0.4
1
0.35
0.5
0.3

0 0.25

0.2
-0.5

0.15
-1
0.1
-1.5
0.05

-2 0
0 0.002 0.004 0.006 0.008 0.01 -2000 -1500 -1000 -500 0 500 1000 1500 200

- Quelle est l’intérêt de l’interpolation dans ce cas ?

- Déterminer l’expression du signal x(n).
- Tracer le signal interpolé pour D=3 et sa TFTD.
- On considère que D=6, tracer à nouveau le signal interpolé et sa TFTD.
- Donner la décomposition polyphases initiale et finale pour D=3

- Tracer le signal et sa TFD dans le ca ou l'on fait suivre l'interpolation d'un filtre passe-bas à fe/2

13. Un signal audio est enregistré a été transmis à une fréquence de 30 kHz, à la réception avant de le convertir
en analogique, on opère un changement de fréquence telle que la nouvelle fréquence soit 45Hz.

- Donner le schéma général de cette opération en employant la décimation et l'interpolation

- Donner la fréquence de coupure de chaque filtre passe-bas, lequel faudra-t-il garder

Solutions

1. Le module vaut toujours 1 (cellule passe-tout), Maximum de phase

2. Tous les pôles en 0 alors RIF, H(z)=z-3+z-2+z-1+1, h(n)=δ(n-3)+δ(n-2)+δ(n-1)+1,
H(f)=2(cos(3πfTe)+ cos(πfTe))e-3πjfTe, Retard de groupe cst, x(n)=U(n) alors y(n)= U(n-3)+U(n-2)+U(n-
1)+U(n)
K ( z 2 − 1) K (1 − z −2 )
3. Causal, stable, RII, notch filter, H ( z ) = =
z 2 + 0 .878 1 + 0 .878 z − 2
4. ∆f=0.125 fc= 0.4375 h(n) = f c sin(π n f c ) = sin(π n 0.4375) pour k≠0 et h(0)=fc HammingN=53
πnf c πn

Les coefficients du filtre sont symétriques, il suffira par conséquent de calculer les valeur de h(0)à h(26).

h(0) = fc = 0.4375w(0) = 0.54 + 0.46cos(0) = 1h(0) = hN(0) w(0) = 0.4375

 2πn N −1  2πn
0.54 + 0.46 cos( ) pour n ≤ 0.54 + 0.46 cos( ) pour n ≤ 26
wHam ( n) =  N −1 2 = 52
0 ailleurs 0 ailleurs
h(0)=0.4375, h(1)=h(-1)=0.311, h(2)=h(-2)=0.060, h(3)=h(-3)=-0.0856, h(4)=h(-4)=-0.053, h(5)=h(-5)=0.0325, h(6)=h(-
6)=0.0434, h(7)=h(-7)=-0.0075, h(8)=h(-8)=-0.0319 ,…………, h(26)=h(-26)=-0.0009.
Pour rendre le filtre causal, on ajoute 26 à chacun des indices.

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

46
 Traitement Avancé du Signal Master RT M1 2022/2023

5. ∆f=0.5 fc= 0.125 h( n) = − f c sin(π n f c ) pour k≠0 et h(0)=1-fc A>40 Hanning N=51
πnf c

6. y(n)=b3(x(n-3)+x(n-4))+b2(x(n-2)+x(n-5))+b1(x(n-1)+x(n-6))+b0(x(n)+x(n-7))
Type II , pas adéquat pour un passe-haut (un zéro en -1)

7. ω A = 2 tg  π  = 0.65  H ( p ) = H N ( p ) =
ωA
=
0 .65 / Te
Te  10  Te p /ωA
p +ωA p + 0 .65 / Te
−1
2 1− z 0.65/ Te 0.245(1+ z −1 )
p=  H ( z) = H ( p) 2 1−z −1 = =
Te 1+ z −1 p=
Te 1+ z−1 2 1− z −1 1− 0.509z −1
+ 0.65/ T
Te 1+ z −1
e
1 − z −1
4 + 0.1
2 π  1 − z −1 1 + z −1 0.125 + 0.006z −1 − 0.118z −2
8. ωa = 4 = tg    Te = 0.5  p = 4  H ( z ) = =
Te  4  1 + z −1  1 − z −1 
2
1 + 0.0006z −1 − 0.950z −2
 4 −1
+ 0.1 + 16

 1+ z 

9.

Après décimation 6 5[\ Après interpolation 6 10[\

10. Le signal original est périodique de période 300Hz

Soit -150 -50 50 150 Hz

Période de -150 à 150 Hz

-600 -300 -50 50 300 600 Hz

Décimation par 2  6 ^ 6 /2=150Hz

Période de -75 à 75 Hz

-600 -450 -300 -150 -50 50 150 300 450 600 Hz

Décimation par 4  6 ^ 6 /4=75Hz Période de -37,5 à 37,5 Hz

-600 -450 -300 -150 -75 -50 50 75 150 300 450 600 Hz

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

47
Traitement Avancé du Signal Master RT M1 2022/2023

C'est pour cette raison qu'on place un filtre passe-bas à 6 ^ /2 6 / 2#

Période de -75 à 75 Hz

H(z) ↓2
x(n) y(n)
-75 -50 50 75 Hz

↓4
Période de -37,5 à 37,5 Hz
H(z)
x(n) y(n)

Le signal original est périodique de période 300Hz

-37,5 37,5

-150 -50 50 150 Hz Période de -150 à 150 Hz

-300 -50 50 300 600 Hz

-600

Interpolation par 2  6^ 26 =600Hz

Période de -300 à 300 Hz

-300 -50 50 300 600 Hz

-600

Interpolation par 4  6 ^ 46 =1200Hz

Période de -600 à 600 Hz

-300 -50 50 300 600 Hz

-600

Apparition de spectres miroirs  Filtre passe-bas à 6 /2

↑2 H( )
x(n) y(n)
-300 -50 50 30
FGE, USTHB [ assiakourgli@[Link] / [Link]

48
Traitement Avancé du Signal Master RT M1 2022/2023

↑4 H( )
x(n) y(n)

-600 -50 50 600Hz

6_ 75, 6_ 37,5 6_ 150, 6_ 150

?%% ?%% ?%% ?%%
. .=

Décimation: Anti-repliement Interpolation: Anti-mirroirs (Voir cours )

11. Gagner en précision avant la conversion numérique analogique

- h(n) = sin(2*pi*500*n) + sin(2*pi*1000*n) fe=4kHz
- D=3 Insérer 2 zéros entre 2 échantillons consécutifs. TFTD sur 3 périodes de –6kHz à 6kHz
- D=6 Insérer 5 zéros entre 2 échantillons consécutifs. TFTD sur 6 périodes de –12kHz à 12kHz

12. ’
’
f1 = 30 fe = 90 f2= fe /2=3 f1/2=45
↑3 H3( ) H2( ) ↓2
x(n) y(n)=x3/2(n)

’ ’
fc= f1/2= fe /6=15 fc= fe /4=22.5

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

49
Traitement Avancé du Signal Master RT M1 2022/2023

Exercice supplémentaires

1. On suppose le tracé des pôles et des zéros du système suivant : X

- Est-ce un filtre RIF ou RII ? (Justifier votre réponse)
- Donner l’allure approximative de H(f) 2
- Déterminer H(z) puis déterminer l’équation de récurrence
- Déterminer et tracer h(n) X
- A partir de h(n), étudier la stabilité, la causalité et l’invariance du filtre

0.35

2. On considère le système suivant : x(n) y(n) 0.3

h(n) 0.25

0.2

On suppose que h(n) est donné comme ci-contre. 0.15

- Etudier la causalité. Est ce un filtre RIF ou RII 0.1

-A partir de l'expression de h(n), déduire le rôle de ce filtre : 0.05

- Déterminer l'équation aux récurrences du système : 0

1 2 3 4 5 6 7 8 9 10

- Déterminer les pôles et zéros de ce filtre puis donner leur tracé. En déduire un tracé approximative de |H(f)|
- Calculer et tracer |H(f)| puis en déduire le tracé du module de la TFD pour N=6.

3. Au cours de la transmission d'un signal numérique (échantillonné à une fréquence de 2,5 kHz) , il a été
affecté d'un bruit localisé entre les bandes de fréquence 350 Hz et 550 Hz. On veut éliminer le bruit par
l'emploi d'un filtre RIF possédant une possédant une bande de transition ∆f=100 Hz. Concevoir ce filtre par
la méthode du fenêtrage. On souhaite une atténuation en bande atténuée A=-20 log10(δ)> 20 dB.
- Tracer H(f) idéal
1.4
- Déterminer h(n) et l'ordre N du filtre 6

- Calculer h(0), h(1)=h(-1) 1.2

4
- Tracer alors approximativement H(f)
1
2

4. Les tracés du module de la réponse en

Imaginary Part
0.8
14
fréquence de 0 à fe/2 et des pôles et zéros d’un 0

0.6
filtre numérique synthétisé par la méthode des -2
fenêtres sont donnés comme suit : 0.4

- Le déphasage de ce filtre est-il linéaire ? (Justifier) -4

0.2
- Déterminer H(k) puis la réponse impulsionnelle h(n)
-6
- Calculer h(0). 0
0 500 1000 1500 2000 0 2 4
Real Part
- On veut employer une fenêtre de hanning. Que devient le tracé du module de la réponse en fréquence
(le superposer à H(f))

5. On considère le filtre analogique d’ordre 3 associé à la fonction d’approximation de Butterworth. Réaliser

le filtre numérique passe-bas correspondant en utilisant la transformation bilinéaire. La fréquence de
coupure est fc=1 kHz et la fréquence d’échantillonnage fe=10 kHz.

6. On cherche à réaliser un filtre numérique équivalent au filtre analogique dénormalisé de transmittance

1
H A ( p) =
- Déterminer la réponse impulsionnelle ha(t) 1 + 0 .2 p
- Calculer la réponse en z de ce filtre obtenue par transformation bilinéaire pour une fréquence
d’échantillonnage Te = 0.2. Quelle est sa fréquence de coupure ? Calculer la réponse en z d’un filtre
similaire de même fréquence de coupure que le filtre analogique.

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

50
Traitement Avancé du Signal Master RT M1 2022/2023

7. Soit le signal suivant :h(n) = sin(2*pi*150*n) + sin(2*pi*350*n) et le module de la TFD dont les tracés
respectifs sont donnés ci-dessus : (voir exo 9)
- Déterminer Te.
- Quel est l’intérêt de l’interpolation ?
- Tracer le signal (les 20 premières valeurs) et la TF obtenue pour une interpolation de 2 puis de
4(sans filtrage passe-bas)
- Pourquoi emploie-t-on un filtre passe-bas lors l’interpolation, où le place-t-on ?
- Quel est le type du filtre de Tchebeychev employé dans ce cas et pourquoi ?
- Donner la décomposition polyphases finale pour une interpolation de 2 en donnant l’expression
des filtres polyphases

8. Afin de transmettre un signal x(n) (dont la TFTD entre –fe/2 et fe/2

H(f)
est donné ci-contre) plus rapidement, on décide de le décimer par 3

x(n) 3 y(n)
-fmax fmax=fe/5
- Tracer la TFTD obtenue après décimation (fe=30kHz)
- On veut placer un filtre anti-repliement, ou doit-on le placer ? (justifier), tracer la TFTD à nouveau
- Donner la décomposition polyphases initiale et finale en donnant l’expression de chaque filtre.

9. Soit le signal suivant :h(n) = sin(2*pi*150*n) + sin(2*pi*350*n) et le module de la TFD dont les tracés
respectifs sont donnés ci-après :
2 0.7

1.5 0.6

1
0.5

0.5
0.4
0
0.3
-0.5

0.2
-1

-1.5 0.1

-2 0
0 0.005 0.01 0.015 0.02 -1000 -500 0 500 1000

- Tracer le signal et la TF obtenue pour une décimation de 2 puis de 4(avec filtrage passe-bas)
- Donner la décomposition polyphases finale pour une décimation de 4 en donnant l’expression
des filtres polyphases
- Quel est l’intérêt de la décomposition polyphases
- Pourquoi emploie-t-on un filtre passe-bas lors de la décimation

Solutions : Interros et examens années précédentes

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

51
Traitement Avancé du Signal Master RT M1 2022/2023

TP n°1 : Synthèse des filtres RIF et RII

But du TP : Dans ce TP, on teste deux méthodes différentes pour synthétiser un filtre numérique : un filtre
RIF par la méthode des fenêtres et un filtre RII par la méthode de la transformation bilinéaire.

1. Rappels
Un filtre de réponse impulsionnelle finie (RIF) possède une fonction de transfert polynomiale. Il ne
peut pas être obtenu par transposition d’un filtre continu, comme cela est fait pour les filtres RII. Les filtres
RIF présentent l’inconvénient de nécessiter un grand nombre de coefficients pour obtenir les mêmes
caractéristiques fréquentielles. Mais par contre, ils sont inconditionnellement stables. On peut synthétiser des
filtres RIF à phase linéaire, c’est-à-dire à temps de propagation de groupe constant.
L’intérêt des filtres récursifs (RII) est leur faible coût en calcul. Avec très peu de pôles et zéros on peut
assurer la plupart des réponses fréquentielles dont on peut avoir besoin dans les différentes applications. Les
inconvénients des filtres récursifs sont : leur non-linéarité en phase linéaire (phase linéaire : temps de
propagation constant pour tout fréquence), et leur instabilité numérique. En effet, le filtre étant rétroactivé,
les erreurs de précision numérique deviennent une question d'importance, car elles peuvent s'amplifier et
devenir dehors contrôle, d'abord dans la forme de bruit, mais éventuellement dans la forme d'instabilité. A
noter que les filtres RII peuvent être conçus par des méthodes semblables à ceux utilisé pour les filtres
analogiques.
1.4

Gabarit d’un filtre 1.2 |H(f)|

Le gabarit d’un filtre n’est autre que l’ensemble des caractéristiques 1+δ1
1
du filtre, à savoir :
1-δ1
- Le gain du filtre dans la bande passante. 0.8
Amplitude

- L’atténuation du filtre en bande coupée fa.

0.6
- La fréquence de coupure fc, on l’exprime souvent sous forme
normalisée par rapport à la fréquence d’échantillonnage. 0.4
- La largeur de bande de transition ∆f souhaitée qui doit être la plus fpfa
petite possible. δ2
0.2

- Les éventuelles oscillations en bande passante et/ou atténuée. 0

0 0.2 0.4 0.6 0.8 1 1.2 1.4
Bande passante Bande de transition Bande atténuée
- La détermination des coefficients d’un filtre RIF par la méthode de la fenêtre est réalisée par la fonction
Python firwin de la bibliothèque [Link].

2. Démo
# -*- coding: utf-8 -*-

import numpy as np; import [Link] as sp; import [Link] as plt

from plot_zplane import zplane
#Conception d'un filtre RIF passe-bas fc=200, fe =1000, Deltaf = 100, Aa>20
[Link](1)
fc=200;fe=1000; Deltaf=100
fcn=2*fc/fe ; Deltafn=Deltaf/(fe/2)
Ncoef = int([Link](1.8/Deltafn))
n = [Link](-(Ncoef//2),Ncoef//2+1)
b = fcn*[Link](n*fcn);
#Visualisation de la réponse impulsionnelle et de la réponse fréquentielle
L=256
f,Hf= [Link](b,1,L,fs=fe);
[Link](211); [Link](b);
[Link](212); [Link](f, [Link](Hf))
[Link]('Module du Filtre'); [Link]('Fréquence (Hz)');[Link]('Amplitude')
FGE, USTHB [ assiakourgli@[Link] / [Link]

52
Traitement Avancé du Signal Master RT M1 2022/2023

[Link]()

# Détermination et tracé des pôles et zéros

[Link](2)
a=[Link]([1])
z,p = zplane(b,a)

# Effet de l'augmentation du nombre de coeffcients

fc=0.2;fe=1; fcn=2*fc/fe
A=[Link]([21, 61, 101]);i=1;
a = [Link]([1]);
L = 256;
[Link](3)
for N in A:
n = [Link](-(N//2),N//2+1)
b = fcn*[Link](n*fcn);
f,Hf= [Link](b,a,L,fs=fe);
[Link](2,3,i); [Link](b);
[Link](212); [Link](f, [Link](Hf),label='N=%d'%N)
[Link]('Module du Filtre'); [Link](True); [Link]('Fréquence (Hz)');[Link]('Amplitude')
[Link]()
i+=1

#Effet du fenêtrage
from [Link] import windows
[Link](4)
N=41;
A=[Link]([[Link](N), [Link](N),[Link](N) ]);
i=1;
for Fen in A:
n1 = [Link](-(N//2),N//2+1)
b1 = fcn*[Link](n1*fcn)*Fen;
f,Hf1= [Link](b1,a,L,fs=fe);
[Link](2,3,i); [Link](b1); [Link]('Filtre * Fen %d'%i);
[Link](212); [Link](f, [Link](Hf1),label='Fen %d'%i)
[Link]('Module du Filtre'); [Link](True); [Link]('Fréquence (Hz)');[Link]('Amplitude')
[Link]()
i+=1
#Effet du fenêtrage (affichage en db)
[Link](5)
fc=0.2;fe=2; fcn=2*fc/fe; N=41;
a = [Link]([1]);
L = 256;
A=[Link]([[Link](N), [Link](N),[Link](N) ]);i=1;
for Fen in A:
n2 = [Link](-(N//2),N//2+1)
b2= fcn*[Link](n2*fcn)*Fen;
f,Hf1= [Link](b2,a,L,fs=fe);
[Link](2,3,i); [Link](b2); [Link]('Filtre * Fen %d'%i);
[Link](212); [Link](f, 20*np.log10([Link](Hf1)),label='Fen %d'%i)
[Link]('Module du Filtre'); [Link](True); [Link]('Fréquence (Hz)');[Link]('Amplitude')
[Link]()
i+=1

# Transformation bilinéaire
fp=195;fa= 205; fe=1000;
FGE, USTHB [ assiakourgli@[Link] / [Link]

53
Traitement Avancé du Signal Master RT M1 2022/2023

att_p=1; att_a=40;
wpn = fp*2*[Link];
wan = fa*2*[Link];
wpa = 2*fe*[Link]([Link]*fp/fe) #Compensation de pulsation

N, WA = [Link](wpn,wan, att_p,att_a, fs=fe)

z,p,k = [Link](N); """Filtre analogique hn(p) sous forme de poles, zéros et gain"""
# # sp.cheb2ap(N,att_a); [Link](N); [Link](N,att_p,att_a)
Bpn,Apn = sp.zpk2tf(z,p,k); """Filtre analogique hn(p) sous forme num, den """
Bp, Ap = sp.lp2lp (Bpn,Apn,wpa); """Denormalisation """
# # sp.lp2hp sp.lp2bp sp.lp2bs
poles_anal = [Link](Ap);
Bz1, Az1 = [Link](Bp,Ap,fe); """Passage de H(p) vers H(z) par Transformation Bilinéaire"""

# Comparaison filres analogique Ha(f) et numérique Hz(f)

L = 256;
fz,Hz= [Link](Bz1,Az1,L,fs=fe);
wa,Ha = [Link](Bp,Ap, worN=[Link](1,[Link]*fe)); fa=wa*0.5/[Link];
[Link](6);
[Link](fz, [Link](Hz),label='H(f) du filtre Numérique');
[Link](fa, [Link](Ha), label='H(f) du filtre Analogique'); [Link](); [Link]()

[Link](7);
z,p=zplane(Bz1,Az1);

3. A faire en TP

# import numpy as np; import [Link] as sp; import [Link] as plt

# from plot_zplane import zplane
# import sounddevice as snd
# import [Link] as wav
# fe,x = [Link]('[Link]')
# [Link](x, fe)

# Te=1/fe; N=len(x); t = [Link](0,N)*Te;

# [Link](1);[Link](211); [Link](t,x); [Link](True);
# [Link]('temps'); [Link]('Amp'); [Link]('Phrase');

# # t = [Link](0,N)*Te;
# # f0 = 1500; b = 20*[Link](2*[Link]*f0*t);
# # Xb =x +b ;
# # [Link](np.int8(Xb), fe)

"""
----------------------A faire--------------------------------------

Calculer et Visualiser sa TFD en db dans la figure (1)

Rajouter du bruit ( 3 sinusoides avec une fréquence de 1500, 2000 et 3000)
Ecouter le signal bruité
Visualiser la TFD du signal bruite en db
Concevoir un filtre par la méthode des fenêtres avec Aa>50 et Deltaf <fe/10, fc à déterminer en utilsant firwin
Visualiser la réponse impulsionnelle et la fonction de Transfert du filtre
Filtre le signal bruité Xb ( y = [Link](b,a,x)) avec le filtre crée (b,a)

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

54
Traitement Avancé du Signal Master RT M1 2022/2023

Ecouter et visualiser la TFD du signal filtré et comparer avec l'originale'

Concevoir Filtre par la méthode de la transformation bilinéaire avec Aa>50 Ap=2 avec N à determiner,
il faut essayer plusieurs filtres analogiques (Butterworth, Cheby 1, Cheby 2), lequel vous semble adéquat?
Visualiser la réponse impulsionnelle et la fonction de Transfert du filtre pour chaque méthode
Filtre le signal bruité Xb avec le filtre créé
Ecouter et visualiser la TFD du signal filtré
Commenter
Comparer entre les 2 méthodes des synthèse des filtres. Pour cet exemple, laquelle vous semble préférable?
"""

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

55
Traitement Avancé du Signal Master RT M1 2022/2023

TP n°2 : Filtrage multicadences

1. Interpolation et Décimation : Démo

# -*- coding: utf-8 -*-

import numpy as np; import [Link] as plt;import [Link] as sp;

N = 30; f0=100; f1=300; fe=2000; Te=1/fe; NF=1024;

t = [Link](0.0, N*Te, Te); x = [Link](2.0*[Link]*f0*t) + [Link](2.0*[Link]*f1*t) ;
TFx = [Link](x,NF); TFx = [Link](TFx); freq = [Link](-NF/2,NF/2)*fe/NF;
[Link](1)
[Link](321); [Link](t, x); [Link](322); [Link](freq, [Link](TFx));
x1 = [Link](2*N); x1[::2]=x[::] ;t1 = [Link](0.0, N*Te, Te/2); TFx1 = [Link](x1,NF);
TFx1 = [Link](TFx1); freq = [Link](-NF/2,NF/2)*2*fe/NF;
[Link](323); [Link](t1, x1); [Link](324); [Link](freq, [Link](TFx1));
x2 = [Link](4*N); x2[::4]=x[::] ;t2 = [Link](0.0, N*Te, Te/4); TFx2 = [Link](x2,NF);
TFx2 = [Link](TFx2); freq = [Link](-NF/2,NF/2)*4*fe/NF;
[Link](325); [Link](t2, x2); [Link](326); [Link](freq, [Link](TFx2));

[Link](2)
freq = [Link](-NF/2,NF/2)*fe/NF;
[Link](321); [Link](t, x); [Link](322); [Link](freq, [Link](TFx));
x1 = [Link](x,2*N); t1 = [Link](0.0, N*Te, Te/2); TFx1 = [Link](x1,NF);
TFx1 = [Link](TFx1); freq = [Link](-NF/2,NF/2)*2*fe/NF;
[Link](323); [Link](t1, x1); [Link](324); [Link](freq, [Link](TFx1));
x2 = [Link](x,4*N); t2 = [Link](0.0, N*Te, Te/4); TFx2 = [Link](x2,NF);
TFx2 = [Link](TFx2); freq = [Link](-NF/2,NF/2)*4*fe/NF;
[Link](325); [Link](t2, x2); [Link](326); [Link](freq, [Link](TFx2));

N = 100; f0=100; f1=300; fe=2000; Te=1/fe; NF=1024;

t = [Link](0.0, N*Te, Te); x = [Link](2.0*[Link]*f0*t) + [Link](2.0*[Link]*f1*t) ;
TFx = [Link](x,NF); TFx = [Link](TFx); freq = [Link](-NF/2,NF/2)*fe/NF;
[Link](3)
[Link](321); [Link](t, x); [Link](322); [Link](freq, [Link](TFx));
x1 = x[::2]; t1 = t[::2]; TFx1 = [Link](x1,NF); TFx1 = [Link](TFx1);
freq = [Link](-NF/2,NF/2)*fe/(2*NF);
[Link](323); [Link](t1, x1); [Link](324); [Link](freq, [Link](TFx1));
x2 = x[::6]; t2 = t[::6]; TFx2 = [Link](x2,NF); TFx2 = [Link](TFx2);
freq = [Link](-NF/2,NF/2)*fe/(6*NF);
[Link](325); [Link](t2, x2); [Link](326); [Link](freq, [Link](TFx2));

[Link](4)
freq = [Link](-NF/2,NF/2)*fe/NF;
[Link](321); [Link](t, x); [Link](322); [Link](freq, [Link](TFx));
x1 = [Link](x,2); t1 = t[::2]; TFx1 = [Link](x1,NF); TFx1 = [Link](TFx1);
freq = [Link](-NF/2,NF/2)*fe/(2*NF);
[Link](323); [Link](t1, x1); [Link](324); [Link](freq, [Link](TFx1));
x2 = [Link](x,6); t2 = t[::6]; TFx2 = [Link](x2,NF); TFx2 = [Link](TFx2);
freq = [Link](-NF/2,NF/2)*fe/(6*NF);
[Link](325); [Link](t2, x2); [Link](326); [Link](freq, [Link](TFx2));

2. Interpolation et Décimation : A faire

# -*- coding: utf-8 -*-

import numpy as np; import [Link] as plt

#from zp_plot import zplane
import [Link] as sp;

from [Link] import wavfile as wf; import winsound ;

fname = '[Link]';
[Link](fname, winsound.SND_FILENAME)
fe, x = [Link](fname);
Te=1/fe; N=len(x); t = [Link](0,N)*Te;

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

56
Traitement Avancé du Signal Master RT M1 2022/2023

# [Link](1);[Link](211); [Link](t,x); [Link](True);

# [Link]('temps'); [Link]('Amp'); [Link]('Phrase');
# #Erire dans un fichier audio
# fnameb='Copie du [Link]';
# Xb=X
# Xb=np.int8(Xb) ; [Link](fnameb, fe, Xb);
# [Link](fnameb,winsound.SND_FILENAME) ;

#----------------------A faire--------------------------------------
#1
# Tester le sous échantillonnage avec et sans filtrage pase-bas
# Afficher le signal et sa TFD dans chaque cas et zoomer sur une meme zone d'une durée de 50 ms et
commenter
# Ecouter le signa obtenu à chaque fois
# Perçoit-on une déformation du son ? A quoi est-elle due ?
# Jusqu'à quel facteur de décimation peut-on aller sans déformation
# Que se passet-il si on garde la même fe (originale) à l'écoute?

#2
# Tester le sur échantillonnage avec et sans filtrage passe-bas
# Afficher le signal et sa TFD dans chaque cas et zoomer sur une meme zone d'une durée de 50 ms ou
20ms et commenter
# Ecouter le signa obtenu à chaque fois ([Link] avec la nouvelle fe en multipliant par facteur d'Interp)
# Perçoit-on une déformation du son ? pourquoi?
# Que se passet-il si vous garde la même fe à l'écoute?

#3
# On veut paser à un signal dont la fréquence d'échantillonnage est 1.5*fe
# Proposer 2 solutions
# Laquelle vous permet de conserver le plus les valeurs originelles ?

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

57
Traitement Avancé du Signal Master RT M1 2022/2023

II. Processus aléatoires

Les processus aléatoires (stochastiques) décrivent l'évolution d’une grandeur aléatoire en fonction du
temps (ou de l’espace). On peut définir un processus stochastique comme étant une famille de variables
aléatoires indexées par le temps définies sur un même espace de probabilités Ω. Un processus aléatoire ne
possède pas de représentations temporelles analytiques. Chaque signal aléatoire observé représente une
réalisation particulière de ce processus. Le signal de parole, le signal radar, l'électrocardiogramme, l'électro-
encéphalogramme, les signaux sismiques en sont des exemples. Rappelons qu'un signal de réception -
constitué d'un signal informatif (aléatoire ou déterministe), d'un signal aléatoire d'interférence et de bruit lié
au canal de transmission- est aléatoire par nature.

Exemple 1 : Si l'on prend plusieurs résistances identiques (de même valeur) et que l'on mesure la tension. On
trouvera une valeur non nulle due à l'agitation thermique des électrons libres dans la résistance. Les tensions
mesurées au cours du temps sur l'ensemble des résistances fourniront plusieurs signaux aléatoires tous
différents qui constituent le processus aléatoires.
18

0
16

R U .................... 0
14

0
12

0
10

Signaux susceptibles d'être produits en mesurant la 08

tension aux bornes de plusieurs résistances. 06
04
- Chaque tracé fournit un signal aléatoire
02
- à l'instant ti , le processus se réduit à une v.a xi dont 0

p( x; t i ) = p ( xi )
0 10 20 30 40 50 60 70 80 90 100
la densité est ti tj

- Deux instants ti et tj permettent de définir deux variables aléatoires xiet xj on peut définir des densités de
probabilités conjointes par: ( )
p x; t i , t j = p ( xi , x j )

Exemple 2 : Signal sinusoïdal à phase aléatoire X (t , ϕ ) = a cos(ω t + ϕ ) avec une phase φ uniformément
1

répartie entre 0 et 2π 0.8

0.6

0.4
- φ est à valeur réelle continue 0.2

- X(t,φ) est à valeur continue et réelle -0.2

-0.4

-0.6
- Un signal particulier X(t,φi) est déterministe -0.8

En pratique, il n'est pas aisé d'obtenir la densité de probabilité p( x; t i ) = p ( xi )

-1
0 20 40 60 80 100 120 140 160 180 200

, on se contente alors des

moments d'ordre 1 et 2
FGE, USTHB [ assiakourgli@[Link] / [Link]

58
Traitement Avancé du Signal Master RT M1 2022/2023

1. Espérances mathématiques

Statistiques de 1er ordre: Elles permettent de décrire le signal à un instant donné. Le processus aléatoire devient
une simple variable aléatoire que l'on peut décrire à l'aide de moments à condition que sa probabilité soit
connue ∀ ti.
+∞
- moyenne statistique: µ x (t i ) = E{x(t i )} = E{xi } =  x(t ) ⋅ p(x, t )dx
i i

{ }
−∞
- variance: σ x2 (t i ) = E x(t i ) − µ x (t i )2 = E {xi2 }− µ x (t i )2
+∞
{ } 
Où E xi = x(t i ) ⋅ p ( x, t i ) dx est la valeur quadratique moyenne (on parle aussi de puissance) et
2 2
σestx (t i )
dit écart-type−∞

Exemple 1: Soit le processus stochastique x(t) défini par :x(t) = a + b.t où aet b sont des v.a. dont les probabilités
sont connues, alors :

µ X (t ) = E[a + b t i )] = µ a + µ b t

Reprenons l’exemple 2 : Pour un instant donné tk, on peut calculer des moments statistiques de la variable
aléatoire X(tk,u)

- Moyenne :
2π 2π
1
µ X (t ) = E[ X (t )] =  f ϕ (ϕ )acos(ω t + ϕ )dϕ = a cos(ω t + ϕ )dϕ = 0
0
2π 0
-Variance :
2π
a2
σ (t ) = E[ X (t )] − µ (t ) = E[ X (t )] =
2
X
2 2
X
2
 f ϕ (ϕ )a cos (ωt + ϕ )dϕ =
2 2

0
2
Supposons, maintenant, que ϕ est déterministe et que a est aléatoire de densité p(a), de moyenne µa et
variance σa2, alors :

µ X (t ) = E[acos(ω t + ϕ )] = µ a . cos(ω t + ϕ ) σ X2 (t ) = σ a2 . cos 2 (ω t + ϕ )

Statistiques de 2ème ordre:

On dit que le processus est connu à 2 instants t1 et t2, si ∀t1, t2, la probabilité conjointe est connue. Dans la
mesure où l'espérance fait intervenir le produit de deux variables aléatoires (2 instants), on parlera de
statistiques d'ordre 2. on peut estimer les statistiques suivantes:

- Fonction d'autocorrélation statistique :

} { }  x ⋅x
+∞ +∞
{
Rx (t1 , t 2 ) = E x(t1 ) ⋅ x (t 2 ) = E x1 ⋅ x2 =
* *
1 2
*
⋅ p ( x1 , x2 ) ⋅ dx1 ⋅ dx2
− ∞− ∞

- Fonction d'autocovariance statistique :

C x (t1 , t 2 ) = E { [ x(t ) − µ (t )]⋅ [ x(t ) − µ (t
1 x 1 2 x 2 )]* } = R (t , t x 1 2 ) − µ x (t1 ) ⋅ µ x (t 2 )*

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

59
Traitement Avancé du Signal Master RT M1 2022/2023

Elles illustrent la relation entre les statistiques prises à deux 18

τ = t1-t2
instants t1 et t2 différents. La fonction d'autocorrélation 16
mesure la corrélation entre les signaux émis par un même
14
processus à deux instants différents. Lorsqu'il y a corrélation
12
on peut parler d'un "effet mémoire" du processus. On définit
la mémoire du processus comme le temps tc au delà duquel 10

la corrélation est négligeable, tc est aussi appelé temps de

8
corrélation. Par contre, si elle est nulle, le signal est
6
complètement aléatoire et le signal x(t) à l’instant t est
complètement décorrélé de ce même signal à l’instant passé 4

t − τ. 2

Notons que pour des processus centrés 0

0 10 20 30 40 50 60 70 80 90 100
t2 t1
(µx(t)=0): Cx(t1, t2) = Rx(t1, t2)

On peut étendre ces notions pour mesurer ce lien entre deux processus aléatoires par :

- Fonction d'intercorrélation statistique: { } {

R xy (t1 , t 2 ) = E x(t1 ) ⋅ y * (t 2 ) = E x1 ⋅ y * 2 }
C xy (t1 , t 2 ) = R xy (t1 , t 2 ) − µ x (t1 ) ⋅ µ y (t 2 )
*
- Fonction d'intercovariance statistique :
C xy (t1 , t 2 )
- Le coefficient de corrélation est définie par : ρ xy (t1 , t 2 ) = − 1 ≤ ρ xy (t1 , t 2 ) ≤ 1
σ x (t1 )σ y (t 2 )

Reprenons l’exemple 2 et calculons l’auto-corrélation statistique :

a² a²
Rxx (t1 , t 2 ) = E[a cos(ωt1 + ϕ )a cos(ωt 2 + ϕ )] = E[ (cos(ω (t1 + t 2 ) + 2ϕ ) + cos(ω (t1 − t 2 )))] = cos(ω (t1 − t 2 ))
2 2
On remarque que c’est une fonction périodique, ne dépendant que de l’écart t1-t2. Pour t1=t2, on retrouve la
variance du processus aléatoire soit a2/2.

3. Processus stationnaires

Beaucoup de processus aléatoires observés en pratique ont des propriétés statistiques qui ne dépendent pas
du temps ou l'observation est faite. On dit que ce sont des processus stationnaires.

On désigne par stationnaire les processus dont les caractéristiques statistiques sont indépendantes de l'origine du
temps. Un processus aléatoire est dit stationnaire au sens strict lorsque toutes ces caractéristiques statistiques
c'est à dire tous ses moments à tout ordre sont indépendants de l'origine du temps.

⇔ p(x, ti ) = p( x );
µ x (ti ) = µ x
Rxy (t1, t2 ) = Rxy (τ ) avec τ = t2 − t1
L

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

60
Traitement Avancé du Signal Master RT M1 2022/2023

La stationnarité ne signifie pas pour autant que le processus est indépendant du temps mais plutôt que
ses propriétés statistiques ne dépendent pas du moment auquel on commence à les estimer. Ainsi, la
température est un processus non stationnaire alors que le lancer de dé est un processus stationnaire.

On peut considérer que de nombreux phénomènes sont approximativement stationnaires sur des durées
d'observation finies. Comme nous n'avons pas toujours accès à p(x,ti), on se contentera de la stationnarité au
sens large(SSL) lorsque seul µx et Rx sont indépendants de t.

Ainsi :

- Un processus stationnaire est dit stationnaire d'ordre 1 si sa moyenne et sa variance sont constantes et
donc indépendantes de tout décalage temporelle :

et µ x (t ) = µ x = cste σ x2 (t i ) = σ x2

- Un processus stationnaire est dit stationnaire d'ordre 2 si ses statistiques d'ordre 2 ne dépendent que de
l'écart temporel entre les deux instants t1 et t2:

R x (t1 , t 2 ) = R x (τ ) avec τ = t 2 − t1

Reprenons l'exemple précédent X (t , u ) = a cos(ω t + uet

) étudions sa stationnarité au sens large lorsque u est
uniforme sur [0,2π] : la moyenne, la variance sont indépendantes de t et l’auto-corrélation statistique ne
dépend que de t1-t2. Le processus est donc stationnaire au sens large.

Exemple d'application:

Montrer que le processus x(t) = [Link](2̟t) + [Link](2̟t) où a, b sont des v.a décorrélées de moyenne nulle et
de variance unité est stationnaire au sens large.

Propriétés de la fonction d'autocorrélation pour x aléatoire réel SSL 4.5

Rx(τ)
-La fonction de corrélation est paire : R x (τ ) = R x (− τ ) avec τ = t 2 − t1 σx 2
4

3.5

- La fonction est maximum à l'origine R x (0 ) ≥ R x (τ ) 3

2.5

- Valeurs à l'origine et à l'infini : R x (0 ) = E ( x(t ) 2 ) = µ x 2 + σ x 2 2

1.5

lim R x (τ ) = lim E {x(t ) x(t − τ )} = µ x

2
et 1
τ →∞ τ →∞
µ x2
τ
0.5
En effet, si x(t) ne contient ni composante périodique ni composante indépendante du temps, lorsque t→>∞,
0
les variables x(t)et x(t - τ) deviennent statistiquement décorrélées. -5 -4 -3 -2 -1 0 1 2 3 4 5

Cas discret :

On remplacera t pat n  µ x (n ) = µ x = E{x(n)} { }

Rx (n1 , n2 ) = E x(n1 ) x* (n2 )
Un processus aléatoire X discret SSL possédera une moyenne constante et une autocorrélation
statistique ne dépendant que de k=n1-n2 soient :

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

61
Traitement Avancé du Signal Master RT M1 2022/2023

µx (n) = µx = cste et Rx (n1, n2 ) = Rx (k) avec k = n1 − n2

 R x (0 ) Rx (1) R x ( 2) .............. Rx ( N − 1) 
 R (1) R x ( 0) Rx (1) ............. Rx ( N − 2)
 x

Rx (n1 , n2 ) = Rx ( 2)
 Rx (1) R x ( 0) ............. Rx ( N − 3) 
 
 ............ ............. ............. ............ 
 Rx ( N − 1) R x ( N − 2) Rx ( N − 3) ............. Rx (0) 

 Rx (1,1) Rx (1,2) Rx (1,2) .............. Rx (1, N ) 

 R (2,1) R (2,2) R (2,3) ............. R (2, N ) 
SSL   x x x x 
Rx (n1 , n2 ) = Rx (n1 − n2 ) =  Rx (3,1) Rx (3,2) Rx (3,3) ............. Rx (3, N ) 
 
 ............ ............. ............. ............ 
 Rx ( N ,1) Rx ( N ,2) Rx ( N ,3) ............. Rx ( N , N )

Rx (n1 − n2 ) = Rx (k)

Ainsi, la matrice de corrélation d’un processus stationnaire discret est une matrice Toeplitz carrée.
Une matrice carrée est dite Toeplitz si tous les éléments d’une même diagonale ou sous-diagonale sont égaux.
On voit directement que c’est le cas ici. Cette propriété est directement liée à la propriété de stationnarité (au
sens large) du processus.

Puissance et DSP : Les personnes qui conversent (dans un café ou en cours) génèrent un signal aléatoire qui
selon son volume global possèdera une puissance. Si X(t) est SSL, on peut calculer l’espérance de la puissance
instantanée par:

PX = E ( x(t ) 2 ) = R x (0 ) = µ x + σ x
2 2

L'énergie est alors donnée par : E X =  PX dt =  E ( x(t ) 2 )dt

Quant au spectre pour un signal aléatoire, il faut noter que chaque réalisation fournira un spectre
différent (Voir exemple ci-dessous)

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

62
Traitement Avancé du Signal Master RT M1 2022/2023

Or, nous avons déjà un outil statistique qui contient une information unique lorsque le processus est
considéré SSL: c’est la fonction de corrélation statistique dont la TF fournira une information sur la
distribution fréquentielle de la puissance moyenne du signal.

On définit, alors, la densité spectrale de puissance d’un signal aléatoire X(t) stationnaire au sens large
comme la fonction de la fréquence f donnée par la TF de la fonction de corrélation statistique du signal:

+∞
S x ( f ) =  R x (τ ) e -2πjfτ dτ
−∞ +∞
La puissance moyenne totale du processus est : Px =  S x ( f ) df = R x (0)
−∞

Comme le spectre représente une moyenne sur l'ensemble des réalisations possibles du processus,
une réalisation particulière peut toujours avoir un spectre de puissance différent de Sx(f).

Bruit blanc : Un bruit blanc est un signal aléatoire stationnaire au second ordre dont la densité spectrale de
puissance est constante sur tout l'axe des fréquences.

Il est défini par : R x (τ ) = σ x2δ (τ ) ce qui implique que sa moyenne sera nulle (µx=0) et qu'il est décorrélé.

La TF de la corrélation statistique est, alors, donnée par S x ( f ) = σ. 2X

Dans le cas discret, on aura  R x (k ) = σ x2δ (k ) et R x (k ) = 0 .pour k ≠ 0 µ x (k ) = 0

On dit alors que le bruit est décorrélé.

Par analogie avec la lumière blanche, on dénomme un tel signal bruit blanc. Il existe donc différents
type de bruit blanc en fonction de la variable aléatoire décrivant le bruit. Les plus répandus sont le bruit
blanc gaussien où la variable aléatoire suit une loi gaussienne et le bruit blanc uniforme où la variable
aléatoire suit une loi uniforme.

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

63
Traitement Avancé du Signal Master RT M1 2022/2023

4. Processus ergodiques

Il n'est pas toujours possible de réaliser un nombre suffisant de mesures pour établir les propriétés
statistiques d'un processus alé[Link] est plus facile de lancer un dé 1000 fois que de réquisitionner 1000
personnes pour lancer l000 dés. Tout comme pour caractériser le bruit thermique, on réaliserait plusieurs
mesures en usant de la même résistance au lieu d'en employer 1000. Cela signifie que l'on assimilera les
résultats obtenus sur une réalisation à ceux obtenus pour un instant donné tipour différentes réalisations.

Un processus aléatoire stationnaire est dit ergodique lorsque les valeurs moyennes statistiques et temporelles
sont identiques. µ x = µ x ; Rx (τ ) = Rx (τ )L

T
1 2
où x = lim  x(t ) ⋅ dt et Rxy (τ ) = x(t ) ⋅ y * (t − τ )
T → +∞ T T
− 2

D'un point de vue pratique lorsqu'un phénomène aléatoire est ergodique et stationnaire, on peut
mesurer avec un seul appareil fiable à partir de n'importe quel instant.
T T

1 2 1 2
µ x = lim  x(t ) ⋅ dt  µ x = µ x Rx (τ ) = lim  x(t ) x(t − τ ) ⋅ dt  Rx (τ ) = Rx (τ )
T → +∞ T T → +∞ T
−T 2
−T 2

Reprenons, une énième fois l’exemple 2 et calculons les moyennes temporelles :

+T / 2 +T / 2
1 1 a2
E[ X (t , u i )] = X (u i ) =  acos(ωt + ui )dt = 0 E[ X (t , u i )] = X (u i ) =  a 2 cos 2 (ω t + u i ) dt =
2 2

T −T / 2 T −T / 2
2
Il est donc ergodique d'ordre 1

Si le processus est ergodique Sx(f) représente le spectre de puissance de n'importe qu'elle réalisation xi(t):
+∞
Px =  S x ( f ) df = lim
1 T /2

−∞ T → +∞ T 
−T / 2
xi (t ) 2 dt Où xi(t) est une réalisation de x(t).

Dans le cas où le signal x(t) est ergodique, stationnaire, on détermine Sx(f) par le calcul de la DSP temporel
sur sur T:

S x ( f ) = TF {R x (τ )} = lim
1 2
XT ( f ) Où XT(f) est la TF de x(t) limité à l'intervalle [0 T]
T →∞ T

5. Exemples de Processus

Il existe de nombreuses classes de processus particuliers : les processus de Markov (et notamment les chaines
de Markov quand t est discret), les martingales, les processus Gaussiens, les processus de Poisson.

• Poisson

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

64
Traitement Avancé du Signal Master RT M1 2022/2023

La distribution de Poisson est destinée à modéliser la fréquence des événements au cours d'un intervalle de
temps fixe. Étant donné un intervalle de temps de longueur, t, et le taux d'arrivée des événements, lambda,

c d.
le nombre attendu d'événements au cours de cet intervalle de temps est :

Pour que le processus de Poisson soit réalisable, les hypothèses suivantes doivent être remplies :

1. La probabilité de succès sur une très courte période de temps est le paramètre lambda multiplié par
cette période de temps.

2. La probabilité que plus d'un événement de succès se produise dans l'intervalle de temps défini n'est
pas significative. En d'autres termes, la probabilité que plus d'une expérience réussisse dans un intervalle
de temps fixe est très faible, et donc non importante ou non significative.

3. La probabilité qu'un événement réussi se produise pendant un intervalle de temps défini ne dépend
pas de ce qui s'est passé précédemment. Autrement dit, chaque expérience réussie est indépendante de
l'expérience précédente.

Le processus de Poisson est connu en statistique comme un processus stochastique qui essaie d'enregistrer
des événements très improbables en temps continu.

Exemples: panne, accident nucléaire, défaut de fabrication dans une chaine. Il est également utilisé en
Télécommunications pour estimer le nombre d'appels dans un laps de temps donné.

• Markovien

L’axiome de Markov traduit que la probabilité de n’importe quel comportement futur, le présent étant connu,
n’est pas modifié par toute connaissance supplémentaire du passé.

Un processus est markovien, si pour tout instant u, pour toute valeur donnée Xu=x, la probabilité pour que
le processus prenne la valeur y à un instant quelconque t ultérieur (t > u), ne dépend pas des valeurs prises
par le processus avant l'instant u. Le processus est dit sans mémoire.

Les chaînes de Markov sont des processus markoviens qui évoluent dans le temps discret selon des
transitions probabilistes. Elles vont donc décrire un ensemble de phénomènes aléatoires selon le principe des
processus stochastiques.

Exemples : la hauteur du niveau d'un barrage à un instant t, le cours du pétrole à la fin de la journée

• Gaussien

Les processus gaussiens jouent un rôle crucial dans la théorie des processus stochastiques du fait que :

- Certains processus stochastiques peuvent être approchés par des processus gaussiens,

- Les calculs sont facilités dans le cadre des processus gaussiens.

- Théorème central limite et approximations : Chaque fois qu’un phénomène peut être considéré comme la
résultante d’un grand nombre de causes aléatoires indépendantes (ex: notes obtenues à l'examen, poids d'un
enfant), on peut résumer que ce phénomène suit une loi de distribution normale: c’est le théorème central
limite. Ainsi, la distribution statistique de la somme de n V.A. indépendantes et de même loi tend vers la loi
Normale quand n tend vers l’infini.
FGE, USTHB [ assiakourgli@[Link] / [Link]

65
Traitement Avancé du Signal Master RT M1 2022/2023

Un processus (Xt) réel est gaussien si : ∀n ∀, t1;…….; tn, le vecteur (Xt1=x1 ;……;Xtn=xn) est gaussien.

n
Y= α X k k = αT X
k=1

Rappelons que toutes les probabilités marginales d'un processus gaussien sont gaussiennes et que toute
combinaison linéaire de marginales d'un processus gaussien est gaussienne.

1
1
( )
− X −µx T CX −1 X −µx( )
p( x1, x2 ,....,xn ) = e 2

(2π )n det(CX )

 X1  µ X 1   X 1  µ X 1 
 .   .   .   . 
       
Où X =  . , µX =  . , XC = . − . 
       
 .   .   .   . 
 X n   µ Xn   X n   µ Xn 

Exemple : Un mouvement brownien (standard) réel est un processus gaussien centré à trajectoires
continues. C'est un processus à accroissements indépendants stationnaires et gaussiens.

6. Estimation de la densité spectrale

Les quantités E{x} ,E{x2}, ,Sxx(f),... sont impossibles à calculer sur un ordinateur car elles nécessiteraient un
nombre de points infini. Sur calculateur, on ne dispose que d'une séquence discrète et finie de N points. En
réalité, on calcule des estimées de ces grandeurs en supposant généralement le signal stationnaire et
ergodique. On remplace alors le calcul des moyennes statistiques par des moyennes temporelles.

Nous calculerons la DSP sur un nombre de point finis. Ainsi, la transformée de Fourier calculée sur la
séquence finie sera donc convoluée avec le spectre de la fenêtre rectangulaire c'est-à-dire un sinus cardinal.
Rappelons que les propriétés spectrales du sinus cardinal ne sont pas bien adaptées à l'analyse spectrale du
signal (lobes secondaires importants). Pour y remédier, on emploie des fenêtres de pondérations (Hamming,
Hanning, Kaiser,etc.)
N −1
1
Y ( f ) avec Y ( f ) =  yk e − 2πjfk
2
La méthode du périodogramme à prendre la TF d'une réalisation : S xx ( f ) =
ˆ
N k =0

N −1 N −1 N −1 N −1
1 1
Sˆ xx ( f ) =
N
 yl e −2πjfl  ym e 2πjfm
l =0 m =0 N
 y y
l =0 m=0
l m e −2πjf ( l − m )

( )
N −1 N −1 N −1
1
D’où =
N
 y y
k =0 l =k
l l −k e −2πjfk = Rˆ yy (k )e − 2πjfk = TF Rˆ yy (k )
k =0

Le calcul de l’espérance de Sˆ xx ( f ) donne :

{ }  N −1 N −1 N −1
 1 
E Sˆ xx ( f ) = E  Rˆ yy (k )e − 2πjfk  = E   y y l l −k e − 2πjfk 
 k =0  N k =0 l = k 

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

66
Traitement Avancé du Signal Master RT M1 2022/2023

{ } 1 N −1 N −1 N −k
N −1
E Sˆxx ( f ) ==  E{yl yl −k }e−2πjfk =  Ryy (k ) e−2πjfk = S yy ( f ) * N sin c( fN )2
N k =0 l = k k =0 N

Le périodogramme est un estimateur biaisé. Le périodogramme est donc en moyenne la convolution du

véritable spectre avec la transformée de Fourier de la fenêtre triangulaire. Néanmoins, lorsque N → ∞ , le
biais devient nul. La variance est pratiquement indépendante de N et proportionnelle au spectre :≃ Sx(f)2/
Remarquons que la qualité de l’estimation par périodogramme sera d'autant meilleure quele signal est
observé sur une longue plage de stationnarité.

Afin de diminuer la variance de cet estimateur, on peut utiliser un périodogramme moyenné. Cela consiste
à séparer le signal en K tranches (de longueur N/K), à calculer le périodogramme sur chaque tranche et à faire
la moyenne. Du fait des K moyennages, la variance est presque divisée par K : néanmoins, les tranches étant
plus courtes, la résolution diminue(∆f=fe/N→fe/K). En pratique, un taux de recouvrement de 40% donne de
bons résultats. Au delà, l’indépendance entre les tranches n’est plus respectée.

b. La méthode du corrélogramme consiste à calculer d'abord l'estimée de Rxx(k) de la fonction

d'autocorrélation puis à prendre pour estimée de la densité spectrale la TF de cette estimée.

[
Sˆ xx ( f ) = TF Rˆ xx (k ) ]
A partir d'un échantillon (x0, x1, …..,xN-1) indépendants et identiquement distribuées, plusieurs estimateurs
sont alors possible:
N −1 N −1
1 1
Rˆ xx (k ) =
N
 x ( n) x * ( n − k ) Rˆ xx (k ) =
N −k
 x( n) x * ( n − k )
n=k
n =k
Le premier estimateur est biaisé car on ne tient pas compte du 0.5
unbiased
biased

nombre d'échantillons disponibles qui varie avec le pas k. Le deuxième 0.45

en tient compte, il est non biaisé. 0.4

0.35

Les corrélogrammes présentent chacun un extrema pour la fréquence 0.3

A m p litu de

normalisée 3 qui est bien la fréquence de la sinusoïde étudiée. Il ressort 0.25

0.2

également de ces courbes que le corrélogramme non-biaisé permet de

0.15

mieux faire ressortir la fréquence de la sinusoïde mais au dépend d'une 0.1

plus grande variance sur les bords. 0.05

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Frequence (Hz)

c) Dans cette méthode, on recherche un modèle AR, MA ou ARMA pour la séquence xk. Dans le cas d'un
modèle auto-régressifxk = a1xk-1+....+arxk-r+uk 2

1
Sˆ xx ( f ) = r
u0
1 +  ak e − i 2πfk

k =1

7. Filtrage des Processus aléatoires

Un signal aléatoire est amené à être transmis, analysé, transformé, etc. Conserve-t-il son caractère
aléatoire? sa stationnarité ? Que deviennent sa moyenne et son auto-corrélation statistiques lors d’un filtrage
linéaire. On examinera la transformation des caractéristiques du signal dans le domaine fréquentiel qui

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

67
Traitement Avancé du Signal Master RT M1 2022/2023

permettra d'aborder la notion de filtre formeur. Ces connaissances nous permettront d'envisager une
application directe qui est le filtrage optimal et adapté.

Soit un système linéaire et invariant dans le temps (SLIT) défini par sa x(t) h(t) y(t)
réponse impulsionnelle h(t) ou sa fonction de transfert H(f) :

Rappelons que la réponse du système linéaire et invariant à un signal quelconque déterministe est donnée
par :

y (t ) = x (t ) * h (t ) =  x (τ ) h(t − τ ) dτ
Cette expression implique que si x(t) est un signal aléatoire, le signal en sortie y(t) est forcément un signal
aléatoire puisque la sortie est une somme pondérée de l'entrée. Il faudra donc caractériser y(t) de manière
statistique, de même que pour x(t), en étudiant les grandeurs statistiques déjà vues au chapitre précédent.

Moyenne et autocorrélation statistiques de y(t)

Supposons que x(t) est un processus aléatoire, la moyenne µy(t) du signal de sortie (aléatoire aussi) peut se
calculer par :

µ y ( t ) = E {y ( t )} = E {x (t ) * h (t )} = E { h (τ ) x (t − τ ) d τ }
=  h (τ ) E {x ( t − τ )}d τ =  h (τ ) µ x ( t − τ ) = h ( t ) *µ x ( t )

De la même façon, on peut calculer l'auto-corrélation statistique de y(t) soit Ry (t1,t2):

{ } { } {
Ry (t1 , t2 ) = E y(t1 ) y* (t2 ) = E x(t1 ) * h(t 1).x* (t2 ) * h* (t 2 ) = E  h(τ1 ) x(t1 −τ1 )dτ1  h* (τ 2 ) x* (t2 −τ 2 )dτ 2 }
=  h(τ )h (τ )E{x(t −τ ) x (t
1
*
2 1 1
*
2 }
−τ 2 ) dτ1dτ 2

Si x(t) est stationnaire au sens large (SSL) alors:

- La moyenne statistique de y(t) devient :

-
µ y (t ) =  h(τ ) µ x (t − τ )dτ =  h(τ ) µ x dτ =µ x  h(τ )dτ = µ x H (0) ( f = 0)

- La corrélation statistique de y devient :

{ }
R y (t1 , t 2 ) =   h(τ 1 ) h * (τ 2 ) E x (t1 − τ 1 ) x * (t 2 − τ 2 ) dτ 1dτ 2

=   h(τ 1 ) h * (τ 2 ) Rx (τ − τ 1 + τ 2) dτ 1dτ 2 = fct (τ ) = R y (τ )

Ainsi, si le signal d’entrée est stationnaire au sens large (SSL) alors le signal de sortie sera aussi SSL

Sachant que f (τ ) * h(τ ) =  f (τ 2 )h(τ − τ 2 )dτ 2 =  f (τ − τ 2 )h(τ 2 )dτ 2

Alors f (τ ) * h(−τ ) =  f (τ 2 )h(τ 2 + τ )dτ 2 =  f (τ + τ 2 )h(τ 2 )dτ 2

C'est ainsi que R y (τ ) = R x (τ ) * h(τ ) * h * ( −τ )

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

68
Traitement Avancé du Signal Master RT M1 2022/2023

Densité spectrale

En appliquant la transformée de Fourier aux deux membres de l’équation précédente, la densité spectrale de
puissance est obtenue :

S y ( f ) = TF ( R y (τ )) = TF (R x (τ ) * h(τ ) * h * (−τ ) ) = S x ( f ).H ( f ).H * ( f ) = H ( f ) S x ( f )

2

Ainsi, la densité spectrale de puissance du signal de sortie est égale à la densité spectrale de puissance du
signal d’entrée multipliée par le carré du module de la réponse en fréquences du système (la phase de H(f)
n'intervient pas). C'est une propriété très importante à la base de nombreuses applications dont notamment
la notion de filtre formeur et le filtrage optimal.

Par ailleurs, si l’on souhaite calculer la corrélation du signal de sortie en éludant la lourdeur de calcul
inhérente au produit de convolution, on calculera la densité spectrale de puissance du signal de sortie et on
prendre la transformée de Fourier inverse.

( )
R y (τ ) = TF −1 H ( f ) S x ( f ) =  H ( f ) S x ( f )e 2πjfτ df
2 2

{ }
La puissance moyenne du signal de sortie est alors obtenue par : E y (t ) 2 = R y (0) =  H ( f ) S x ( f ) df
2

Formule des interférences

Soient y1(t) la sortie d'un système h1(t) dont l'entrée est un signal aléatoire x1(t) et y2(t) la sortie d'un système
h2(t) dont l'entrée est un signal aléatoire x2(t). La formule de l'interférence permet de relier l’intercorrélation
entre les sorties de deux filtres à celles des entrées de ces filtres:

S y1 y 2 ( f ) = H 1 ( f ) S x1 x 2 ( f ) H 2* ( f )

On a aussi : Rxy (τ ) = Rx (τ ) * h (−τ )  Sxy ( f ) = Sx ( f )H ( f )

* *

et R yx (τ ) = R x (τ ) * h (τ )  S yx ( f ) = H ( f ) S x ( f )

τ
−
Exemple 1 : Soit le processus stochastique x(t) SSL de corrélation statistique: R x (τ ) = σ e 2 θ
et le système
linéaire et invariant de réponse impulsionnelle h(t)=5e-2tU(t). On obtient alors:

5
- µ y (t ) = µ x H (0) = 0 × = 0×5/ 2 = 0
2 + 2πjf f =0

5
2
 2 −τ  25. 2σ 2θ
S
- y ( f ) = H ( f ) S
2
( f ) = . TF σ e θ = .
x
2 + 2πjf   4 + (4π 2 f 2 ) 1 + 4π 2 f 2θ 2
 

Exemple 2 : Considérons par exemple le cas où le signal en entrée est un bruit blanc b(t). Sa DSP est donc
une fonction constante. Alors, en sortie, on aura un signal tel que :Sy(f) = constante|H(f)|2

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

69
Traitement Avancé du Signal Master RT M1 2022/2023

Notion de filtre formeur

y(t) Signal
Bruit blanc aléatoire à
Supposons donné un signal aléatoire y(t): On appelle filtre formeur de y(t); modéliser
le filtre de fonction de transfert H(f); tel que y(t) est généré par passage d'un h(t)
bruit blanc b(t) dans H(f). Sb(f)=σb2 Sy(f)
La détermination du filtre formeur s'effectue en inversant la formule précédente:

H( f ) = Sy( f ) /σb
2 2

On pourra donc décrire le signal aléatoire par les paramètres du filtre et la variance du bruit blanc. En
effet, si on fait passer le bruit blanc dans un filtre linéaire et stationnaire à paramètres ajustables et si on
obtient le signal désiré (à modéliser) à la sortie du filtre, alors on peut dire que toute l’information spectrale
est contenue dans le filtre représenté par ses coefficients (Voir exo 1 du TP n°3)
40
Filte Formeur
DSP du signal de sortie
30

20
Amplitude (dB)

10

-10

-20

-30
0 2000 4000 6000 8000 10000 12000
Frequence (Hz)

Remarque: Ainsi le bruit blanc joue pour l'aléatoire l'équivalent de la distribution de Dirac pour le
déterministe.

Rappelons que le bruit blanc n'a pas d'existence physique car il serait de puissance infinie. Une
approximation du bruit blanc à bande limitée appelé aussi bruit blanc coloré est défini par :
σ2 f <B
Sb ( f ) =  b
0 ailleurs

• Application 1: Filtrage adapté et filtrage optimal

La transmission d'un signal s'accompagne de distorsions (dues aux milieux de transmission) qu'il serait
souhaitable d'éliminer ou au moins d'atténuer avant tout traitement ultérieur. Si l'on connait le signal
(déterministe) d'origine, on parlera de détection. Dans le cas contraire ou si le signal est aléatoire on
emploiera le terme estimation. Il existe de nombreuses approches de détection, on peut, entre autres procéder
par filtrage qui permettra de rehausser le signal noyé dans le bruit.

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

70
Traitement Avancé du Signal Master RT M1 2022/2023

Considérons un signal déterministe x(t) supposé connu, dont on souhaite tester la présence possible
dans une observation s(t). Le bruit d'observation est supposé quant à lui stationnaire SSL de densité
spectrale Sb(f). On cherche un filtre H(f) qui maximise le SNR à un instant précis T0.

On suppose donc que le signal utile x(t) est noyé dans un bruit b(t) stationnaire SSL additif, d'où :

s(t) = x(t)+b(t)

On filtre le signal par un filtre linéaire dont la réponse impulsionnelle est h(t). A la sortie du filtre, on
obtient un signal :

y(t) = s(t) * h(t) =x(t)*h(t)+b(t)*h(t) =x2(t)+ b2(t)

Puis( x2 (T0 ))
A la sortie du filtre et à l’instant T0, le SNR s’écrit : SNR (T0 ) =
Puis(b2 (T0 ))

Le but étant de trouver h(t), on va alors exprimer le SNR en fonction de h(t) (ou H(f)), ainsi :

- Le signal au numérateur x2(t)est déterministe dons sa puissance s'exprime comme suit:

2 2
2πjfT0
Puis ( x2 (T0 )) = x2 (T0 ) = TF −1 ( X 2 ( f )) =  X ( f ) H ( f )e
2
df

- Le signal b2(t) est issu du filtrage d'un signal aléatoire b(t) SSL donc il est aussi SSL, c'est ainsi que sa
puissance pourra se formuler comme suit:

{ }
Puis (b2 (T0 )) = E b2 (T0 ) 2 = Rb 2 (τ = 0) = TF −1 ( S b 2 ( f ))
τ =0
=  S b ( f ) H ( f ) 2 df
Ainsi, on arrive à exprimer le SNR comme suit : 2

 a( f )b ( f )df
*
2
2πjfT0
Puis ( x2 (T0 ))  X ( f ) H ( f )e df SNR (T0 ) =
SNR(T0 ) = =  a( f )a ( f ) df
*

 S ( f ) H( f )
2
Puis (b2 (T0 )) b df

Que l'on peut écrire aussi, comme étant :

Avec a( f ) = Sb ( f ) H ( f ) et b ( f ) = X * ( f ) e −2 πjfT 0 / S b ( f )

Pour trouver H(f) qui maximise ce rapport, on fait appel à l’inégalité de cauchy-schwartz:

 a( f )b ( f )df ≤  a( f )a * ( f ) df  b( f )b ( f ) df
* *

 a( f )b ( f )df
*

Ce qui nous donne : SNR(T0 ) = ≤  b( f )b* ( f ) df

 a( f )a ( f ) df
*

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

71
Traitement Avancé du Signal Master RT M1 2022/2023

avec égalité (soit le maximum) lorsque a(f)=kb(f) Cette dernière nous fournit l'expression suivante du
filtre optimal H(f) :
H ( f ) optimal = k . X * ( f )e −2πjfT 0 / S b ( f )

2
X( f )
L'expression du SNR devient : SNR(T0 )max =  S ( f ) df
b
(Ce maximum est indépendant de T0)

Cas particulier : Par ailleurs, si le bruit b(n) est blanc, on parle de filtre adapté:

= k /σ x * (T 0 − t )
− 2 π jfT 0 2
= k /σ
2
H ( f ) adaptél b X *
( f )e donnant h ( t ) adaptél b

Ex
SNR(T0 ) max =
σ b2
x(t) h(t)=x(T0-t)
La réponse impulsionnelle du filtre représente le
signal utile x(t) renversé et décalé de [Link] filtrage adapté
revient à effectuer l'inter-corrélation entre l'observation
et le signal à détecter. T0
Cette réponse n’est pas causale ce qui ne permet pas de l'appliquer en temps réel. Cependant, ce filtre
peut-être appliqué à un signal sauvegardé.

Exemple1 : Détection d'une impulsion

Considérons un système émettant une impulsion x(t) rectangulaire de durée T0 et d’amplitude A. Le

bruit additif est blanc. Le filtre aura la même expression, soit h(t)=x(t).

Exemple 2 : En sonar ou en radar, on cherche à localiser une « cible ». Cette cible peut être par exemple un
bateau ou un avion. Pour cela, on procède de la façon suivante : on émet un signal x(t), qui parcourt la
distance d jusqu’à la cible, sur laquelle il sera réfléchi en direction d’un récepteur. Le récepteur reçoit alors le
signal y(t)bruité, atténué (de a) et retardé de TAR (voir TP n°3)

y(t) = a.x(t −TAR)+b(t).oùTAR correspondant au temps d’aller-retour (TAR = 2d/v)

On utilisera alors comme filtre adapté le filtre adapté à x(t), soit h(t) = x*(T0−t)

La sortie de ce filtre sera l'intercorrélation des signaux y(t) et x(t). On obtient alors :

Ryx(t-T0) = [Link](t -T0-TAR)+Rbx(t-T0).

Sachant que l’autocorrélation est maximale en 0, l'intercorrélation sera maximale pour t = T0+TAR ce qui nous
permettra de déterminerTAR.

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

72
Traitement Avancé du Signal Master RT M1 2022/2023

1 1

0.5 0.5

0 0

-0.5 -0.5

-1 -1
0 50 100 150 200 250 300 0 50 100 150 200 250 300
Signal émis Filtre adapté

10 0.2

5 0.1

0 0

-5 -0.1

-10 -0.2
0 100 200 300 400 500 600 700 800 900 1000 0 200 400 600 800 1000 1200 1400
Signal reçu Signal reçu filtré
Remarques

- Le choix du signal 'x'est important : Il est souhaitable que le max de sa fonction d'autocorrélationRxx soit
facile à identifier (pic bien visible comme pour la fonction triangle)

-Dans le cas où le signal est sinusoïdal, le filtre adapté est un passe bande idéal centré sur la fréquence du
signal (détection synchrone).

Exercice d'Application(Examen 2014/2015)

Soit x(t) =1-t/T avec t 0≤t≤T

On utilise ce signal pour déterminer la distance d'un objet. Le signal reçu par le recepteur aprèsréflexion sur
l'objet est :y(t)=αx(t-TD) + b(t) où α est une constante réelle positive etb(t) est un bruit blanc de densité
spectrale de puissance σ2. On veut maximiser le rapport signal sur bruit

1. Déterminer la réponse impulsionnelle du filtre h(t) telle que  h(t)2dt=1 (prendre T0=T).
2. Donner le rapport signal sur bruit après filtrage.
3. Exprimer l'inter-corrélation temporelle Ryx(t-T0) en fonction de l'auto-corrélation de x(t)et de l'inter-
corrélation des signaux b(t) et x(t)
4. Comment déterminer le temps TD?
5. Pourquoi ne peut-on pas utiliser le filtrage optimal pour un signal déterministe dont on ignore
l'expression?

• Application 2: Filtrage de Wiener

Il fait partie de la famille des estimateurs linéaires à variance minimale qui consistent à chercher une estimée
n
ŷ de y qui soit une fonction linéaire des observations, c'est-à-dire: yˆ = h x
i =1
i i = hT x

Dans le cas de l'estimation en moyenne quadratique, le filtre h doit alors être déterminé de telle sorte que la
variance de l'erreur d'estimation E{(y-ŷ)2} soit minimale :

{ } {(
E ( y − yˆ ) = E y − hT x
2
) (y − h x )}= E{y y }− E{y
T T T T
} { } {
h T x − E h xT y + E h x T hT x }
FGE, USTHB [ assiakourgli@[Link] / [Link]

73
Traitement Avancé du Signal Master RT M1 2022/2023

On commence par dériver par rapport à h puis on annule la dérivée, ce qui nous donne

− E{y T x}− E{ xT y}+ 2h E{ xT x} = 0  h = E{y T x}/ E{ xT x} = Ryx / Rxx

Dans de nombreuses applications, les signaux temporels sont entachés d’un bruit que l'on souhaite
supprimer ou du moins réduire. Comme le signal utile aléatoire occupe les mêmes bandes de fréquences que
le signal parasite, on ne peut recourir au filtrage classique. Le filtre de Wiener apporte une solution à ce
problème lorsque le processus est stationnaire. Les filtres de Wiener sont dits optimum au sens du critère de
l'erreur quadratique moyenne entre leur sortie et une sortie désirée. .

La figure suivante illustre un problème courant Bruit

d'estimation linéaire. y(n) correspond au signal aléatoire additif
y(n) Système de
stationnaire qui nous intéresse mais n'est pas
distorsion Σ
directement accessible. Seul x(n) l'est, il est obtenu après
passage de y(n) dans un système linéaire suivi de x(n) signal
l'addition d'un bruit aléatoire stationnaire bb(n). observé
x(n)
ŷ(n)
Le problème qui se pose est comment retrouver y(n)à partir de x(n). Une H(z
) + e(n)
solution consiste à filtrer x(n) de telle sorte que la sortie yˆ(n)soit la plus proche
possible de y(n). On peut mesurer la qualité de l'estimation pare(n) défini par y(n) -
: e(n) = y(n) − yˆ(n)

On cherche donc un filtre qui minimiser a l'erreur. Il est pratique de chercher à minimiser e2 (n) car c'est une
fonction quadratique facilement dérivable. Par ailleurs, étant donné que les signaux sont aléatoires, la
fonction coût à minimiser est l'erreur quadratique moyenne (MSE) définie par : ξ (n) = E(e
2
(n))
Si on suppose que le filtre recherché H est un filtre RIF de longueur N (d'ordre N-1), on peut en calculer les
coefficients par résolution d'un système linéaire d'équations. h = [b0 b1 ... bN −1 ]
T

N −1
ˆ(n)peut alors s'écrire : yˆ (n) =
Le signal estimé y b x(n − i)
i =0
i

  
2

Rappelons que l’on cherche à minimiser ξ (n) = E{e (n)} = E  y(n) −  bi x(n − i )  
N −1
2

 i =0  

Pour en obtenir le minimum, il suffit de chercher de dériver et d'annuler la fonction coût par rapport aux
variables bi de la réponse impulsionnelle du filtre. La dérivée de la fonction coût par rapport au jème point de
la réponse impulsionnelle est donnée par :

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

74
Traitement Avancé du Signal Master RT M1 2022/2023

∂ξ  ∂ 2   ∂e(n)   ∂ 
∂b j
= E { }
e (n)  = E 2e(n)  = E 2e(n) {− b j x(n − j)}
 ∂b j   ∂b j   ∂b j 
∂ξ   N −1
 
= − E{2e(n) x(n − j )} = − E 2 y (n) −  bi x(n − i)  x(n − j )
∂b j   i =0  

En faisant l'hypothèse que les signaux x(n) et y(n) sont stationnaires, et en annulant la dérivée, on trouve :
N −1
R yx ( j ) = bi Rxx ( j − i)
i =0

Ce qui pour les différentes valeurs de j, nous donne le système d’équations suivantes à résoudre :

 R xx (0) R xx (1) ...... R xx ( N − 1)   b0   R yx (0) 

 R (1)  
 R xx (0) ...... R xx ( N − 2)   b1   R yx (1) 
xx
. =
 ......  .   . 
    
 R xx ( N − 1) R xx ( N − 2) ...... R xx (0)  bN −1   R yx ( N − 1) 

Il faut noter que l'obtention des coefficients du filtre repose sur la connaissance de la fonction
d'autocorrélation du signal d'entrée et de l'intercorrélation entre les signaux d'entrée et de sortie désirée.

Exemple 1 : On suppose que l’observation x(n)=y(n)+bb(n)et que le bruit additif bb(n) est centré et non corrélé
au signal. Simplifions les équations de Wiener-Hopf en conséquences:

Ryx(k)=E{y(n) [ y(n-k)+bb(n-k) ] }= Ryy(k)

Rxx(k)=E{(y(n)+bb(n))(y(n-k)+bb(n-k))}= Ryy(k)+Rbb(k)

Soit le système à résoudre suivant :

 R xx (0) R xx (1) ...... R xx ( N − 1)   b0   R xx (0) − Rbb (0) 

 R (1) R xx (0)   
...... R xx ( N − 2)  b1    R xx (1) − Rbb (1) 
 xx
. = 
 ......  .   . 
    
 R xx ( N − 1) R xx ( N − 2) ...... R xx (0)  b N −1   R xx ( N − 1) − Rbb ( N − 1) 

Exemple 2: On suppose que l'observation x(n) = y(n) + bb(n)

Le signal à estimer y(n)a pour la fonction d’autocorrélation Ry(k)=αk0<α<1. Il est décorrélé du bruit blanc
bb(n) de variance σb2. Cherchons h(n)tel que H(z) = b0 + b1z-1
1 + σ b2 α  b0   1 
.  =   H (z) =
1
[(1 + σ 2
− α 2 ) + ασ b2 z −1 ]

 α 1 + σ b2   b1  α  (1 + σ )
2 2
b −α 2 b

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

75
Traitement Avancé du Signal Master RT M1 2022/2023

Exemple 3: Comme illustration du filtrage de Wiener, on prend la mesure de l’activité cardiaque d’un fœtus
à l’aide d’un électrocardiogramme (ECG) pris au niveau de l’abdomen de la mère (le signal x(n)) et qui va
naturellement être perturbé par l’ECG de celle-ci auquel se rajoute le bruit thermique des électrodes et des
équipements électroniques. Pour retrouver l'ecg du foetus, on réalise une deuxième mesure fournissant
l’ECG de la mère (le signal bb). On peut employer alors le filtre de Wiener pour estimer le signal y(n)
représentant l'ECG du foetus.

10 500
ecg mère fft ecg mère
400
0
300
-10
0 500 1000 1500 2000 2500 3000 200
5
100
ecg foetus
0 0
0 500 1000 1500 2000 2500 3000
-5
0 500 1000 1500 2000 2500 3000
500
5
fft ecg foetus
bruit 400
0
300
-5
0 500 1000 1500 2000 2500 3000 200
10 100
f-ecg+m-ecg+bruit
0 0
0 500 1000 1500 2000 2500 3000

-10
0 500 1000 1500 2000 2500 3000

On peut observer que les TF des deux signaux ecg (mère et foetus) occupent la même plage de fréquences. A
partir des auto-corrélations de l'ECG mesuré sur l'abdomen x(n) et celui de la mère bb(n), on retrouve les
paramètres bi du filtre qu'on appliquera à x(n) pour obtenir une estimée de y(n) soit l'ECG foetal.
10
observation
Remarque
0

Quand les fonctions d'auto et d'intercorrélation ne sont pas

-10
0 500 1000 1500 2000 2500 3000
connues (cas le plus courant), alors on va approcher le filtre
5
optimal de Wiener en utilisant une boucle de retour et un ecg foetus estimé

algorithme de minimisation: c'est ce que l'on appelle le filtrage 0

adaptatif. Dans ce cas, on remplacera la connaissance des

-5
fonctions de corrélation par une phase d'apprentissage 0 500 1000 1500 2000 2500 3000
5
permettant de modifier itérativement la réponse impulsionnelle ecg foetus réel
du filtre. 0

-5
0 500 1000 1500 2000 2500 3000

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

76
Traitement Avancé du Signal Master RT M1 2022/2023

TD n°2 : Processus aléatoires

1. Soient X(t) et Y(t) deux signaux aléatoires indépendants et stationnaires au sens large (SSL) tels que
−a τ
RX(τ) = 9 e et RY(τ) = b δ(τ) +c . On considère Z(t) = X(t) + Y(t),
- Quelles conditions doit-on imposer sur les constantes a, b et sur c (Justifier)
- Calculer les statistiques de premier ordre de Z(t)
- Calculer Rz(t,τ). Z(t) est-il SSL?
- Peut-on calculer sa DSP Sz(f)? si oui calculer la.

2. Soit le processus aléatoire Z(t) = [Link](2πf0t) - Ysin(2πf0t), où X, Y sont des variables aléatoires gaussiennes
indépendantes à moyennes nulles et de variances σx2 = σy2 = σ2 ; f0 est une constante.
a) Calculer la valeur moyenne E{Z(t)} et la variance σz2.
b) Calculer la fonction d’autocorrélation Rz(t1,t2) et examiner si le processus est SSL.

3. L’entrée x(t) du circuit est un bruit blanc de fonction d’autocorrélation Rx(τ) = σx2δ(τ)
- Déterminer la densité spectrale de la sortie y(t), notée Sy(f)
- Déterminer la fonction d’autocorrélation de la sortie y(t), notée Ry(τ) ainsi C
que sa puissance R
- Remplacer R par une self L et C par une résistance et reprendre les
questions

4. Les signaux x(n) et y(n) ont été obtenus en filtrant, au moyen d'un filtre à réponse impulsionnelle finie, un
bruit blanc b(n) gaussien centré de variance σ2.
A]L'équation de filtrage est la suivante : x(n) = 2.b(n) + 0.5.b(n -1) -0.2.b(n - 2) + 0.1.b(n - 3)
• Calculez, en fonction de σ2, les coefficients d'autocorrélation d'ordre 0,1,2,3 du signal x(n) .
• On notera Rxx (0), Rxx (1), Rxx (2), Rxx (3) ces coefficients.
• La répartition des niveaux d'amplitude du signal x(n) est elle gaussienne (sans justifier)?
B]y(n) = b(n) - b(n - 2)
• Donnez la TZ de la réponse impulsionnelle du filtre qui a permis d'obtenir y(n) à partir de b(n).
• Placez les zéros de ce filtre sur un cercle unité, quelles sont la ou les fréquence(s) coupées par ce filtre ?
• Tracez approximativement sa réponse en fréquence.
C]On considère maintenant le coefficient d'intercorrélation Rxy(k), entre les signaux x(n) et y(n) donné par
Rxy(k) = E[x(n) y(n - k)*].
Calculez Rxy (0), Rxy (1), Rxy (2), Rxy(-1), Rxy(-2)

5. Soit X(t) = A + b(t) un signal réel aléatoire, où A est une constante réelle et b(t) est un bruit blanc de densité
spectrale de puissance σb2, et soit un filtre moyenneur de réponse impulsionnelle:
1 Y(t)
h (t ) = Π (t − T / 2 ) X(t)
T T h(t)
- Exprimer l’autocorrélation statistique du signal d’entrée Rxx(t,τ). X(t) est-il SSL ?
- Déterminer la moyenne statistique de y(t).

Montrer que R yy (τ ) = σ Λ T (τ ) + A 2 et en déduire σy et µy.

2
-
T
- Prendre A=2 et tracer X(t) et Y(t).

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

77
Traitement Avancé du Signal Master RT M1 2022/2023

6. On considère le schéma ci-contre où x(t)=s(t)+b(t) avec s(t) = Π ( t ) et b(t) est un

1 x(t) y(t)
bruit blanc Gaussien centré de variance 1 h(t)
- Déterminer la densité de probabilité de x(t) . x(t) est-il SSL ?
On veut maximiser le rapport signal sur bruit (SNR)
- Déterminer et tracer h(t) pour k=2 et T0=[Link] alors le SNR.
- Quelle loi de probabilité suit y(t) (justifier).
- Donner un exemple concret de l’utilisation de ce type de filtre
- Si s(t) est déterministe et inconnu, quel filtre utilise-t-on ?

7. On considère la transmission de deux symboles :

s0(t)=A t∈[0,T] , s1(t)=-A t∈[0,T]
à travers un canal à bruit blanc additif Gaussien. Le signal reçu s’écrit : x(t)= si(t)+b(t) où b(t) est un bruit
blanc centré de DSP σb2
- Déterminer la réponse impulsionnelle du filtre adapté h(t) correspondant à s0(t) telle que  h(t)2dt=1
- Même question pour s1(t). Puis, donner le rapport signal sur bruit, dans chaque cas.
On note ysi(t), la sortie du filtre correspondant à si(t),
T
1
- Montrer que pour b(t) elle s’écrit : y b (T ) =
T
 b (t )dt
0

- Déterminer la moyenne et la variance de yb(T)

- Dans l’hypothèse où le bruit blanc est Gaussien, déterminer la loi de probabilité de la variable aléatoire
Y= ysi(t)+yb(t)

8. On considère un processus de la forme X(n) = θ + W(n) où W(n) est un processus gaussien de moyenne 0
et de variance 1 tel que W(n) et W(j) sont indépendants si n≠j. On suppose que θ suit une loi N (0,σ2)
indépendante de W(n) n∈Z.
- Caractériser le filtre de Wiener permettant d’estimer θ à partir de Xn, Xn−1, ..., Xn−N+1.
- Calculer les coefficients du filtre.

9. On désire dé-bruiter un signal de parole z(n) corrompu par du bruit additif b(n) indépendant du signal
sonore et ce, par filtrage de Wiener. On suppose connues quelques valeurs d’autocorrélation pour les deux
signaux telles que :
RZZ[0] = 1.5; RZZ[1] = 0.5; RZZ[2] = 0.25; RZZ[3] = 0.125 ; RZZ[4] = 0.0625
Rbb[0] = 1; Rbb[1] = 0.25; Rbb[2] = 0.0625; Rbb[3] = 0.015625
-Pourquoi ne peut-on pas employer un filtre adapté ou un filtre moyenneur ?
-Donner les équations de Wiener-Hopf permettant d’estimer z(n).
-Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile zˆ(n) puis exprimer H(z).

10. On considère un problème d'estimation de bruit b(n).

Le signal observé est x(n) = s(n) +b(n) −b(n−1).
On suppose que la corrélation statistique du signal s(n) est Rss(n)=0.8| | et qu'il est décorrélé du bruit dont
l'autocorrélation est Rbb(n)=0.8δ(n).
- Déterminer les moyennes statistiques de s(n) et b(n).
- Quand à-t-on recours au filtre de Wiener?
- Donner les équations de Wiener-Hopf permettant d’estimer b(n)
- Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile bˆ ( n ) .
- Exprimer bˆ ( n )

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

78
Traitement Avancé du Signal Master RT M1 2022/2023

Solutions
1. Voir interro 1 2016/2017
2. µ z (t) = 0 σ z2 (t) = σ 2 Rz (τ ) = σ 2 cos(2πf 0τ ) SSL
3. Rxx(t,τ)=A2+σb2δ(τ)=fct(τ) µx(t)=ASSL H(f)=sinc(fT)e-πjfT µy(t)=A filtre moyenneur
4. H(f)=1/(1+2πjfRC), Sy(f)= σx2/(1+4(πfRC)2 Ry(τ)=σx2/2RC e-|τ|/RC, P=Ry(0)=σx2/2RC, interro1 16/17
[Link](0)=(b02+b12+b22+b32).σ2 Rx(1)=(b0b1+b1b2+b2b3).σ2 Rx(2)=(b0 b2+ b1 b3).σ2 Rx(3)=(b0 b3).σ2Rx(k≥4)=0
H(z)=(z2-1)/z2 Rxy(0)=2.2 Rxy(1)=0.4 Rxy(2)=-0.2 Rxy(3)=0.1 Rxy(-1)=-0.5 Rxy(-2)=-2
6. x(t) Gaussien de moyenne s(t) et de variance 1. x(t) non stationnaire Sb’(f)=|H(f)| Ss’(f)=|H(f) |sinc2(f) h(t)=
2 2

2Π (2 − t) SNR=1 y(t) Gaussien Radar ou Sonar Passe-bas (moyenneur)

1

7. Interro1 14/15 8. Rxx(0)=1+σ2 Rxx(k>0)= σ2 Rθx(k)=σ2 bi=σ2/(Nσ2+1) 9. µz=0, µb=0, signal (parole) aléatoire,
10. µs=0, µb=0 , Sb(f)=0.8. Quand signal utile et bruit occupent même plage de fréquences. b0=0.8/2.6 et b1=0.

Exercices supplémentaires
1. Soit le signal aléatoire défini par :x(t) =A1ej2πf1t + A2e j2πf2t où A1 et A2 sont deux v.a gaussiennes,
décorrelées, centrées et de variance σ2
- Donner la d.d.p conjointe fA1,A2(A1,A2)
- Déterminer la moyenne statistique du signal x(t) ainsi que sa fonction d’autocorrélation et la D.S.P
- Déterminer la d.d.p de x(t)
- Le processus x(t) est-il stationnaire au 2éme ordre ?

2. Le signal aléatoire x(t) réel SSL possède une fonction d’autocorrélation de la forme Rx(τ) = σx2e-β|τ|.
Un autre signal est lié à x(t) par l’équation déterministe suivante : y(t) = ax(t) + b, où a et b sont des
constantes données.
- Quelle est la fonction d’autocorrélation de y(t) ? En déduire µy et σy2
- Quelle est la fonction d’intercorrélation et de covariance de x(t) et y(t) ?
- Calculer le coefficient de corrélation. Ce résultat était-il prévisible, pourquoi ?

3. Parmi les fonctions d'auto-corrélation satitistiques suivantes lesquelles peuvent être celles d'un processus
aléatoire réel?
Rx1(τ)= Λ 2 (τ ) − 2 Rx2(τ)= − Λ 2 (τ ) + 2 −2τ
Rx4(τ)= e U(τ )
−2τ Rx5(τ)=δ(τ-1)+δ(τ+1)
Rx3(τ)= e

4. On considère le signal x(n) = g(n)cos(2πk0n/N+ϕ) défini pour n∈ [0,N-1] , et où g(n) est une fonction
aléatoire SSL, indépendante de ϕ v.a uniforme ente 0 et 2π .
- Calculez l’autocorrélation de x(n)
- Déduisez en sa densité spectrale de puissance, en fonction de la DSP de g, Sg(f).

5. Soit le signal aléatoire x(t) SSL dont la DSP est donnée par Sx(f)= σ 2 B Π ( f )
B

- Déterminer l'autocorrélation statistique de x(t)

- En déduire la moyenne et la variance statistique de x(t).
Ce signal est transmis à travers un SLIT dont la fonction de transfert H(f) = Π ( f ) avec A <B
A

- Le signal de sortie est-il aléatoire? (Justifier) SSL? (Justifier)

- Déterminer Sy(f) et en déduire Ry(τ) puis les moments statistiques d'ordre 1 de y(t).

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

79
Traitement Avancé du Signal Master RT M1 2022/2023

6. On dispose d’un signal reçu qui est la version bruitée, retardée et atténuée d'un signal d’intérêt s(n). Le
bruit b(n) est supposé blanc gaussien de variance σ2. Le problème est de déterminer l’amplitude A et le retard
n0dans le signal reçu x(n) = A.s(n -n0) + b(n). Sachant que le rapport signal-à-bruit est maximum en sortie du
filtre adapté de réponse h(n) = s(-n).
- Vérifier que la sortie y(n) de ce filtre s’exprime comme la somme de deux fonctions de corrélation.
- Calculer la variance σb'2du bruit de sortie.
- On prend pour s(n) une impulsion rectangulaire de largeur L, tracer alors un exemple de signal reçu et
de sortie du filtre adapté.

7. Soit x(t) =t avec 0≤t≤T

On utilise ce signal pour déterminer la distance d'un objet. Sachant que le signal reçu y(t) par le recepteur est
retardé de T' et bruité par un bruit blanc Gaussien de densité spectrale de puissance σ2:
1. Tracer approximativement y(t).
2. Déterminer l'expression générale de la réponse impulsionnelle du filtre h(t) (dont l'énergie vaut 1)
permettant de maximiser le rapport signal sur bruit.
3. Tracer h(t) en fonction de T0 = 2T et k = σ2, puis z(t) la sortie du filtre (prendre T'=10).
4. Donner le rapport signal sur bruit après filtrage.
5. Pourquoi ce filtrage est dit, en général, optimal et, en particulier, adapté?

h(t)

[Link] considère un processus de la forme X(n) = b(n) + αb(n-1) + W(n) où W(n) est un processus gaussien
de moyenne 0 et de variance σ2 tel que W(n) et W(j) sont indépendants si n≠j. On suppose que b(n) est une
variable aléatoire uniforme à valeurs dans {−1,1}, indépendante de(W(n) )n∈Z et que de même, b(n) et
b(j) sont indépendants si n ≠ j (P(b(n) = 1) = P(b(n) = −1) =1/2.
- Construire un filtre d'ordre 3 qui estime b(n) .

9. On considère un problème d'estimation d'un signal s(n) bruité..

Le signal observé est x(n) =αs(n)+b(n) .
On suppose que s(n) et b(n) sont SSL et décorréles et que le bruit possède une DSP Sbb(f)=0.25.
• Rappeler les conditions d'applications du filtrage de Wiener
)
• Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile s(n). On supposera
que Rss(k)=2*0.5|k|
)
• Exprimer H(z) puis s (n)

10. On considère un problème d'estimation d'un signal s(n) bruité et ayant subi un écho.
Le signal observé est x(n) = s(n) + 0.5s(n −1) + b(n) .
On suppose connue l'autocorrélation du signal utile et qu'elle a pour expression 0.5|k| et l'on suppose que le
signal utile est décorrélé du bruit dont l'autocorrélation est Rbb(k)=0.25|k|.
1. Déterminer les moyennes statistiques de x(n) et b(n)
2. Donner les équations de Wiener-Hopf permettant d’estimer s(n)
)
3. Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile s(n).
)
4. Exprimer s(n)et commenter

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

80
Traitement Avancé du Signal Master RT M1 2022/2023

Solutions
1. Voir interro 1 2014/2015 [Link](τ)=σx2e-β|τ| +b2 Sy(f)= 2 βσx2/(β2+4(πf)2)+ b2δ(f) Rxy(τ)=a Rx(τ)
3. Voir interro 1 2015/2016 [Link](m)=Rg(m)cos(2πk0m/N)/2 Sx(f)=[Sg(f-k0)+Sg(f+k0)]/4
5. Rx(τ)=σ2B2sinc(Bτ),µx=0 ,σx2=σ2B2, x(t) SSL+h(t) SLITy(t) SSL, Sy(f)= σ 2 B Π ( f ) , Rx(τ)=σ2ABsinc(Aτ)
A
1/ 2
6.y(n)=[Link](n-n0)+ Rbs(n) σb'2=Rb'(0) Sb’(f)=σb2|H(f)|2Rb'(0)=σb2  H () f
2
df
−1 / 2

7. Examen 15/16 8. Rxx(1:3)=(1+α2+σ2, α, 0) Rbx(1:3) =(1, 0, 0)

9. Signaux : utile et observation stationnaires et conjointement stationnaires connus
Rxx(k)=α2Rss(k)+Rbb(k) Rsx(k)=αRss(k)

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

81
Traitement Avancé du Signal Master RT M1 2022/2023

TP n° 3 : Processus aléatoires et estimation spectrale

Buts : Manipuler des signaux aléatoires, les caractériser grâce à leurs moments d'ordre 1 (moyenne,
variance) et d'ordre 2 (autocorrélation, covariance). Aborder et acquérir les notions de stationnarité et
d'ergodicité. Estimation spectrale. Aborder la notion de Filtre Formeur.

1. Démo
# -*- coding: utf-8 -*-
import numpy as np; import [Link] as plt;
import [Link] as sp
N_R=500; N_va=1000; A=1; f0=.002; X=[];

t = [Link](0,N_va-1,N_va)
phi=[Link](0,2*[Link],N_R);

for i in range (N_R):

X=[Link](X,A*[Link](2*[Link]*f0*t+phi[i]))
X= [Link](X,new_shape=(N_R,N_va))

[Link](1);[Link](t,X[0,:]);[Link](t,X[1,:]);[Link](t,X[2,:]);[Link](t,X[3,:]);
"""Sationnarité d'ordre 1"""
moy=[Link](X,0); var=[Link](X,0);
[Link](2); [Link](211); [Link](moy); [Link](212); [Link](var);
"""Sationnarité d'ordre 2"""
Cx=[Link](X, rowvar=False);
[Link](3); [Link](Cx);
[Link](4); [Link](Cx[0,:]); [Link](Cx[20,:]);[Link](Cx[40,:]);
"""Ergodisme d'ordre 1"""
X1=X[1,:];
moy_t=[Link](X1); var_t=[Link](X1);
"""Ergodisme d'ordre 2"""
Cx_t=[Link](X1-moy_t,X1-moy_t,'full')/N_va
Rx_t=[Link](X1,X1,'full')/N_va
[Link](5)
[Link](Cx_t,label='Cov temp'); [Link](Rx_t,label='Cor temp');
[Link]()

# A = [Link](-1,1,N_R);
# for i in range (N_R):
# X=[Link](X,A[i]*[Link](2*[Link]*f0*t))

#X=[Link](N_R,N_va)

# mux=0; varx=1;
# X=mux+[Link](varx)*[Link](N_R,N_va)

""" 1 réalisation d'un bruit blanc Gaussien """

""" Hypothèse ergodique + stationnaire """
mux=0; varx=1; N=1000;
bb=mux+[Link](varx)*[Link](N)
fe=22050; Te=1/fe;
t = [Link](0, N-1, N)*Te;
Moy_s=Moy_t=[Link](bb);
Var_s=Var_t=[Link](bb);
Rb_s=Rb_t = [Link](bb,bb,mode='same')/N;
tt = [Link](1-N/2, N/2-1, N)*Te;
[Link](6);[Link](311); [Link](t,bb); [Link](True);
[Link](312); [Link](tt,Rb_s); [Link](True);
[Link]('temps'); [Link]('Amp'); [Link]('Autocor statistique du bruit blanc');

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

82
Traitement Avancé du Signal Master RT M1 2022/2023

NF=2048;
TFb = [Link](bb,NF); TFb=[Link](TFb);
Sbf = [Link](TFb)**2/N; ff = [Link](-NF/2, NF/2-1, NF)*fe/NF;
s=[Link](Sbf)
[Link](313); [Link](ff,Sbf); [Link](True);[Link]("DSP du bruit blanc");

""" Calcul de la DSP : Estimation spectrale"""

f0=5000; X = bb + 0.5*[Link](2*[Link]*f0*t)
#f1=5050; X = X + 0.5*[Link](2*[Link]*f1*t)
NF=2048;
TFx1 = [Link](X,NF)/N; TFx1=[Link](TFx1);
Sxf1 = [Link](TFx1)**2; ff = [Link](-NF/2, NF/2-1, NF)*fe/NF;
Rx_s=Rx_t = [Link](X,X,mode='same')/N; Sxf2 = [Link](Rx_s,NF)/N;
Sxf2=[Link](Sxf2); Sxf2 = [Link](Sxf2)
ff3,Sxf3 =
[Link](X,fs=fe,window='boxcar',nfft=NF,return_onesided=False,scaling='spectrum')
ff4,Sxf4 =
[Link](X,fs=fe,window='hann',nfft=NF,return_onesided=False,scaling='spectrum')
ff5, Sxf5 = [Link](X,fs=fe,window='hann',nperseg=N//4,
nfft=NF,return_onesided=False,scaling='spectrum')
var_ss=[Link](Sxf1)
ff = [Link](-NF/2, NF/2-1, NF)*fe/NF;
[Link](7)
[Link](221);[Link](ff,Sxf1,ff3,Sxf3); [Link]('DSP=Périodogramme Fenêtre
Rectangulaire');
[Link](222);[Link](ff,Sxf2); [Link]('Correlogramme');
[Link](223);[Link](ff4,Sxf4); [Link]('Périodogramme Fenêtre Hanning');
[Link](224);[Link](ff5,Sxf5); [Link]('Périodogramme Moyennée Fenêtre Hanning');

""" Notion de filtre Formeur """

a = [Link]([1,-0.839,-0.015,-0.320,0.197,0.055,-0.285,0.067,0.044,0.003,0.178])
b = [Link]([1,0]);
L = 500; f,H= [Link](b,a,L,fs=fe);
Y = [Link](b,a,bb) ;
TFb = TFb[0:L];
[Link](8); [Link](211);[Link](f, 20*np.log10(abs(TFb/[Link]())));
[Link]('Signal d entree : Bruit Blanc'); [Link]('Fréq (Hz)');[Link]('Amp');
[Link](212);[Link](f, 20*np.log10(abs(H/[Link]())));
[Link]('Module du Filtre (bleu)+ Sortie du filtre (orange)'); [Link]('Fréq
(Hz)');[Link]('Amp');
TFy = [Link](Y); TFy = TFy[0:L];
[Link](f, 20*np.log10(abs(TFy/[Link]())));

2. A faire
Télécharger le fichier ‘vous avez du courrier en [Link]’ et le placer dans le même répertoire que
votre programme commençant comme suit :
import numpy as np; import [Link] as plt;
from [Link] import wavfile as wf; import winsound ;
fname = '[Link]';
[Link](fname, winsound.SND_FILENAME)
fe, X = [Link](fname);
Te=1/fe; N=len(X); t = [Link](0, N-1, N)*Te;
[Link](1);[Link](211); [Link](t,X); [Link](True);
[Link]('temps'); [Link]('Amp'); [Link]('Phrase');
N1=21000;N2=21500; Y=X[N1:N2] ; ty=[Link](N1, N2-1, N2-N1)*Te;
[Link](212); [Link](ty,Y); [Link](True);
[Link]('temps'); [Link]('Amp'); [Link]('morceau de la phrase');
#zz=np.int8(Y) ; [Link]("[Link]", fe, zz);

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

83
Traitement Avancé du Signal Master RT M1 2022/2023

#[Link]("[Link]",winsound.SND_FILENAME) ;

1. Le signal étudié est un processus aléatoire ou une réalisation d’un signal aléatoire?
2. Calculer la DSP. Est-elle d’origine statistique ou temporelle?
3. Calculer et visualiser la moyenne et la variance temporelles pour différentes parties du signal qui se
chevauchent pour des durées de
N=1000,500, 250, 125. Pour quelle valeur de N peut-on considérer le processus stationnaire?
1. Comparer les 4 techniques en faisant varier A1, A2 et A3 et commenter.
2. Rapprocher les fréquences et observer.
3. Commenter les quatre techniques d’estimation de la DSP en faisant varier N.
4. Quelle est l'avantage et l'inconvénient du moyennage?

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

84
Traitement Avancé du Signal Master RT M1 2022/2023

TP n° 4 : Filtrage adapté et Filtrage de Wiener

Buts : Filtrage optimal
- Détection d'un signal déterministe connu noyé dans du bruit blanc  Filtrage adpaté
- Filtrage d'un signal aléatoire SSL noyé dans un bruit SSL  Filtrage de Wiener

1. Démo
# -*- coding: utf-8 -*-
import numpy as np; import [Link] as plt
" Filtrage adapté "
N = 500; var = 0.16 ; mu = 0;
x=[Link](10); Retard = 100
y = [Link](var) * [Link](N) + mu
y[Retard:Retard+len(x)]= y[Retard:Retard+len(x)] + x
#Retard=300; y[Retard:Retard+len(x)]= y[Retard:Retard+len(x)] + x
Ryx = [Link](y,x,"full"); Ryx=Ryx[len(x)-1:]
[Link](1)
[Link](311); [Link](x); [Link]('signal émis')
[Link](312); [Link](y); [Link]('signal reçu')
[Link](313); [Link](Ryx); [Link]('Intercorrélation entre signal émis et signal reçu')
import [Link] as la; import [Link] as sp;
fecg=[]; mecg=[];

""" Lecture des fichiers """

with open('[Link]') as f:
for i in f:
[Link](float(i))
fecg = [Link](fecg)
with open('[Link]') as f:
for i in f :
[Link](float(i))
mecg = [Link](mecg)
""" Rajout du bruit """
N=len(mecg)
var = 0.01; bb=(var**0.5)*[Link](N); obs=fecg+mecg+bb;
"""Détermination des coefficients du Filtre de Wiener"""
P=10;
obs=[Link](obs); mecg=[Link](mecg);
Rxx = [Link](obs,obs,mode='full')[len(obs)-1:];
Rmecg = [Link](mecg,mecg,mode='full')[len(mecg)-1:];
Ryx = Rxx-Rmecg;
C = [Link](Rxx[0:P]);
B = Ryx[0:P];
b = [Link](C).dot(B)
"""Filtrage"""
a = [Link]([1,0]);
y = [Link](b,a,obs) ;
[Link](2);
[Link](311); [Link](fecg); [Link](True); [Link]('ecg bébé');
[Link](312); [Link](obs); [Link](True);[Link]('Observation');
[Link](313); [Link](fecg); [Link](y); [Link](True);[Link]('ecg bébé estimé');

2. A faire
FGE, USTHB [ assiakourgli@[Link] / [Link]

85
Traitement Avancé du Signal Master RT M1 2022/2023

"A faire filtrage adapté"

1. Créer un signal composé d'une suite aléatoire de symboles A et -A d'une duréee de 10 chacun séparé de
20s
import numpy as np
import [Link] as plt
W = [Link](0,2,10); A = 5;
W = 2*W-1
W = A*W
x = []; pause = [Link](20)
for i in W:
symb = i*[Link](10)
x = [Link](x,symb)
x = [Link] (x, pause)
2. Rajouter bruit blanc
3. Utiliser filtre adapté
4. Visualiser les 3 signaux

"A faire Filtrage de Wiener"

import numpy as np; import [Link] as sp; import [Link] as plt
import sounddevice as snd
import [Link] as wav
import [Link] as la; import [Link] as sp;
fe,x = [Link]('[Link]')
1. Créer un signal composé du signal audio + du bruit blanc
2. Ecouter pour vérifier la présence de l'écho
3. Déterminer les coefficients du filtre de Wiener
4. Filtrer
5. Ecouter signal filtré
6. Visualiser les 3 signaux: signal audio original, avec écho et celui filtré
7. Visualiser les 3 périodogramme des signaux: signal audio original, bruité et celui filtré sur une petite
portion

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

86
Traitement Avancé du Signal Master RT M1 2022/2023

III. Analyse spectrale paramétrique et filtrage numérique adaptatif

Introduction

La modélisation paramétrique consiste à associer à un signal un modèle, représenté par un vecteur

dit paramètre θ= [θ1,θ2,...,θp] censé représenter au mieux le signal considéré. Elle nécessite le choix d'un
modèle qui ne peut se faire que si l'on possède des informations sur le signal.

Elle permet entre autres : de représenter les données par un vecteur

de plus petite dimension. Ce qui pourra servir lors de la compression et
transmission, comme signature pour une identification ou classification.

Nous aborderons dans ce cours le cas de la modélisation spectrale

qui nous permettra d'estimer le spectre du signal.

1. Modélisation spectrale paramétrique

Nous avons vu précédemment qu'un signal aléatoire peut être modélisé (synthétisé) comme la réponse
d'un filtre linéaire à une excitation sous forme de bruit blanc tel que H ( f ) = S x ( f ) / σ b . Ce filtre formeur
2 2

H(f) est aussi dit processus générateur. Ces paramètres associés à la variance du bruit σb2 constituent le
modèle mathématique correspondant au signal aléatoire. Le concept de processus générateur de signal a été
particulièrement développé et appliqué avec des filtres numériques. Ce sont les modèles de signaux les plus
utilisés en traitement statistique du signal (estimation, prédiction...). Selon la nature du filtre, on peut obtenir
différents modèles de signaux (AR,MA, ARMA, etc.)

Exemple : Lors d’un appel par GSM (téléphone portable), le portable qui fait office d'un micro- ordinateur
regroupant différentes fonctionnalités dont l'analyse, la synthèse, le codage, etc. va nous permettre de
modéliser la parole (aléatoire) en opérant un codage LPC par tranches de dizaines de ms. Elle consiste à
retrouver les paramètres du filtre formeur h(n) pour chaque tranche y(n) enregistrée et analysée. Ce sont ces
paramètres (ai et bj) qui seront transmis pour produire un signal de synthèse approchant le signal original
y(n).
x(n) Bruit Blanc y(n) signal connu
h(n) à modéliser
à déterminer

b j z−j
Sy( f ) = σb H( f )
j=0 2 2
H ( z) = M

a z
i=0
i
−i

Ci-dessous la phrase "vous avez du courrier en attente" échantillonnée à une fréquence fe =22050 (45531
échantillons) et un zoom sur une voyelle de durée 25 ms (500 échantillons).

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

87
 Traitement Avancé du Signal Master RT M1 2022/2023
40
phrase: Vous avez du courrier en attente Filter formeur AR d ordre 20
0.5

Amplitude (dB)
20 Spectre de la voyelle
Amplitude

0 0

-20
-0.5
-40
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 2000 4000 6000 8000 10000 12000
Temps (s) Frequence (Hz)

40
Voyelle sur 25 ms Spectre du son synthétisé
0.5

Amplitude (dB)
20
Amplitude

0 0

-20
-0.5

-40
0.954 0.956 0.958 0.96 0.962 0.964 0.966 0.968 0.97 0.972 0.974 0 2000 4000 6000 8000 10000 12000
Temps (s) Frequence (Hz)

En comparant l'allure du filtre formeur H(f) à celle de Sy(f), on note que l'on retrouve l'allure générale du
spectre de la voyelle, notamment les fréquences dont la puissance est maximale. Sachant que le spectre de la
voyelle comporte 500 valeurs et que le filtre H(f) équivalent est obtenu à partir de 20 coefficients, il vaut
mieux transmettre 21 coefficients (20 ai + variance du bruit) que 500 valeurs.

C'est ainsi que les modèles autorégressifs sont d'un emploi de plus en plus répandu en traitement du signal
: codage et transmission par prédiction linéaire, synthèse de parole, reconnaissance, etc.

Remarque : Le signal de parole est un processus aléatoire non-stationnaire à long terme, mais il est considéré
comme stationnaire dans des fenêtres temporelles d’analyse de l’ordre de 20 à 30ms. Cette propriété de
stationnarité à court terme permet donc une analyse et modélisation progressive du signal de parole Pour
éviter toutes pertes d'information, on veillera à prendre des fenêtres chevauchantes.

2. Modèle auto-régressif (AR)

Les signaux autorégressifs sont obtenus par passage d'un bruit blanc dans un filtre purement récursif.
Ce filtre est donc de réponse impulsionnelle infinie.

 N

H ( z ) = 1 /  1 +  a i z −i 
 i =1 
N
A partir de H(z), on peut déterminer l'équation aux différences : y (n ) = x ( n) −  a y (n − i)
i =1
i

Cela signifie que le signal y(n) est supposé être prédictible en fonction d'un certain nombre de ses
valeurs antérieures.

Sachant que x(n) est un bruit blanc alors d'où R xx ( k ) = σ 2 δ ( k )

- µx = E{x(n)} = 0 - {
R xx ( 0 ) = E x ( n ) 2 = σ } 2
- Rxx(k) = E{x(n)x(n − k)} = 0 pour k ≠ 0

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

88
Traitement Avancé du Signal Master RT M1 2022/2023

Calculons alors R yy (k )
N
R yy (k ) = E{y(n) y(n − k )} = E{x(n) y(n − k )} −  ai E{y(n − i) y(n − k )}
i =1

  N N
= E  x(n) x(n − k − k ' ) h(k ' ) −  ai R yy (k − i) =  E{x(n) x(n − k − k ' )}h(k ' ) −  ai R yy (k − i)
 k'  i =1 k' i =1
N N
=  Rxx (k + k ' ) h(k ' ) −  ai R yy (k − i) = Rxx (k )h(0) + Rxx (k + 1)h(1) + ....... −  ai R yy (k − i )
k' i =1 i =1

N N
-Si k=0, Ryy (0) = Rxx (0).h(0) − ai Ryy (−i) = σ 2 .1 − ai Ryy (i)
i =1 i =1

N N
- Pour k=1 à N, Ryy (k ) = 0 − ai Ryy (k − i) = −ai Ryy (k − i)
i =1 i=1

On peut utiliser une forme matricielle : R. a = S (Rappelons que pour un signal réel Ryy(k)=Ryy(-k)

 R yy (0) R yy (1) ...... R yy ( N )   1  σ 2 

 R (1) R yy (0) ...... R yy ( N − 1)   a1   0 
 yy .  =
 ......  .   . 
    
 R yy ( N ) R yy ( N − 1) ...... R yy (0)   a N   0 

R est la matrice d’autocorrélation dont le terme général rij ne dépend que de la différence i-j (Matrice
de Toeplitz). La résolution de ces équations dites de Yule-Walker permet de connaître les paramètres du filtre
et la variance du bruit blanc.

On peut reformuler cette matrice sous la forme suivante (On l'emploiera en TP) :

C B 4
6444444447 44444444 8 647 8
 R yy (0) R yy (1) ...... R yy ( P − 1)   a1   − R yy (1) 
 R (1) R yy (0) ...... R yy ( P − 2)   a 2   − R yy (2) 
 yy
.  =
 ......  .   . 
    
 R yy ( P − 1) R yy ( P − 2) ...... R yy (0)  a P  − R yy ( P )

P
σ 2 = Ryy (0) + ai Ryy (i)
i =1

Remarques : Nous ne disposons pas d'un processus aléatoire mais d'une seule réalisation soit y(n), il n'est pas
donc pas possible de calculer l'auto-corrélation statistique Ryy(k). Cette dernière sera remplacée par
l'autocorrélation temporelle en faisant l'hypothèse que le processus est ergodique (voir exo 1 du TP n°4).

Il existe divers algorithmes (Burg, Levinson) qui permettent d'estimer assez rapidement les ai et σ sans
passer par l'inversion matricielle. Tout comme il est possible de déterminer l'ordre N adéquat (critère AIC).

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

89
Traitement Avancé du Signal Master RT M1 2022/2023

Exemple d'application

1. On considère le modèle auto-régressif (AR) d’ordre 1 tel que : x(n)=-a1.x(n-1)+b(n)

• Déterminer les équations de Yule-Walker pour ce modèle

• En supposant que x(n) est connu, déterminer les paramètres du modèle.
• Déterminer les Rx(k) (les aisont supposés connus)
Réponses :

• (a1=-Rx(1)/Rx(0) σ2=Rx(0)(1-a12) )
• (Rx(0)= σ2/(1-a12) Rx(1)=-a1σ2/(1-a12)Rx(k)=(-a1)kσ2/(1-a12) )
2. Refaire le même travail pour un modèled’ordre 2 tel que : x(n)=-a1.x(n-1)-a2.x(n-2)+b(n)

Réponses :

• a1=Rx(1)[Rx(2)-Rx(0)]/[Rx(0)2-Rx(1)2] a2=[Rx(1)2-Rx(0)Rx(2)]/[Rx(0)2-Rx(1)2]
• σ2=Rx(0)+Rx(1)2[Rx(2)-Rx(0)]/[Rx(0)2-Rx(1)2]+Rx(2)[Rx(1)2-Rx(0)Rx(2)]/[Rx(0)2-Rx(1)2]
• Rx(1)=-a1Rx(0)/(a2+1) Rx(2)=(-a2+a12/(1+a2))Rx(0)Rx(0)=(1+a2)σ2/(1+a2- a12–a12-a23+a2a12)

-Algorithme de Levinson

C’est un algorithme qui permet de résoudre tout système du type Ax = b avec A Toeplitz, donc en particulier
les équations normales de Yule-Walker :

 R yy (0) R yy (1) ...... R yy ( N )   1  σ 2 

 R (1) R yy (0) ...... R yy ( N − 1)   a1   0 
 yy .  =
 ......  .   . 
    
 R yy ( N ) R yy ( N − 1) ...... R yy (0)   a N   0 

Le principe d l'algorithme de Levinson est de trouver de façon récursive les paramètres d’ordre k en fonction
des paramètres d’ordre k − 1.

- Initialisation : i 1 [ 1
jkk
jkk %

l 1 |i | mnn 0

- Récursion : pour k allant de 2 à P (ordre du modèle AR)

∑2p4
i. [ [ [)
jkk . rs4 o2p4 q jkk . q
t2p4
/

i. u i. u C i. [ i. [ u vwxy u 1, … … … . , [ 1

l. 1 |i. [ | l.

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

90
Traitement Avancé du Signal Master RT M1 2022/2023

3. Modèle à moyenne ajustée (MA)

Les signaux à moyenne mobile sont obtenus par passage d'un bruit blanc dans un filtre purement
transverse.

M
Ce filtre est aussi appelé filtre à réponse impulsionnelle finie : H ( z) = b z
i =0
i
−i

Le signal y(n) est supposé pouvoir s'écrire comme une combinaison linéaire d'échantillons décorrélés
entre eux, ce qui peut se formaliser comme une combinaison linéaire d'échantillons d'un bruit blanc x(n).

M
On a donc : y(n) = b x(n − i)
i =0
i

M M
et µ y = E{y(n)} =  bi µ x = µ x bi = µ x .H f (0)
i =0 i =0

On cherche les paramètres du filtre qui génèrent y(t) à partir de x(t), bruit blanc centré :

M M 
R yy ( k ) = E {y ( n ) y ( n − k )} = E   bi x ( n − i ). b j x ( n − j − k ) .
 i =0 j =0 

M M M M
R yy (k ) =  bi . b j E{x(n − i).x(n − j − k )} = bi . b j Rxx ( j + k − i)
i =0 j =0 i =0 j =0

• Si j+k≠i  R yy ( k ) = 0

M −k
• Sinon  R yy ( k ) = σ  b j + k .b j
2

j =0

Le problème est non linéaire en fonction des coefficients, il faut un algorithme de programmation non
linéaire pour obtenir bi à partir des Ryy (k). Cependant, l'algorithme de Durbin permet d'approcher la solution
optimale avec de bons résultats. Le principe de cet algorithme consiste à identifier le modèle MA d'ordre M
avec un modèle AR d'ordre N>>M (TP n°4). En effet, tout modèle MA peut être identifié à un modèle AR
M ∞
d'ordre infini: bi z −i = 1/ ai z −i
i =0 i =0

Exemple

On considère le modèle à moyenne ajustée (MA) :

A. d’ordre 1 tel que x(n)=e(n)+b1. e(n-1)

• Calculer µx.
• En supposant que x(n) est connu, déterminer les paramètres du modèle.
• Connaissant les paramètres du modèle, déterminer les Rx(k)
FGE, USTHB [ assiakourgli@[Link] / [Link]

91
 Traitement Avancé du Signal Master RT M1 2022/2023

B. d’ordre 2 tel que : x(n)=e(n)+b1. e(n-1)+b2. e(n-2)

• Calculer µx.
• Connaissant les paramètres du modèle, déterminer les Rx(k) Réponses
µx =0 Rx(0)=(1+ b12).σ2 Rx(1)=b1.σ2 Rx(k)=0 pour k≥2

b1=(Rx(0)±sqrt(Rx(0)2-4Rx(1)2)/2Rx(1) σ2=2/(Rx(0)±sqrt(Rx(0)2-4Rx(1)2)

Rx(0)=(1+ b12+ b22).σ2 Rx(1)=(b1+ b1 b2).σ2 Rx(2)=b2.σ2Rx(k)=0 pour k≥3

Remarque : Il est très important de remarquer que nous ne disposons que d'une seule réalisation du signal
aléatoire à modéliser y(n), de ce fait l'auto-corrélation statistique Ryy(k) est obtenu de l'auto-corrélation
temporelle en considérant le processus ergodique.

4. Modèle ARMA

Les signaux ARMA sont obtenus par passage d'un bruit blanc dans un filtre récursif appelé aussi filtre
à réponse impulsionnelle infinie (R.I.I). Ces signaux sont une combinaison des signaux AR etMA. La fonction
de transfert du filtre présente un numérateur et un dénominateur:

M N M
 N

Soit y(n) = b x(n − i) − a y(n − i)
i i
H ( z) = b z
i =0
i
−i
1 +  a i z −i 
 i =1 
i =0 i =1

N M −k
La corrélation statistique de y(n) s’écrit alors : R yy ( k ) = −  ai R yy ( k − i ) + σ 2  b j + k .b j
i =1 j =0

C’est une équation non linéaire en ai et bj.

La modélisation ARMA peut se décomposer en une modélisation AR suivie d'une modélisation MA.
Le modèle AR présente une simplicité de calcul par rapport aux modèles MA et ARMA du fait où les
coefficients AR sont solutions d’un système linéaire d’équations. Alors que la détermination des coefficients
MA et ARMA requiert la résolution d’équations non linéaires. Cependant, le modèle ARMA permet de
modéliser aussi bien les minima que les maxima de la DSP et est donc moins restrictif que le modèle AR.

Les applications des modèles AR, MA, ARMA sont nombreuses, entre autres :

- la modélisation et la prédiction de série temporelle dite séries chronologiques Une série chronologique
est une suite formée d’observations au cours du temps que l'on cherche à modéliser pour la prédiction de
données futures. Ainsi, en finance, cela permet de modéliser le cours des devises ou du pétrole. Alors qu'en
météorologie, les cela permet de faire des prévisions sur la température ou les précipitations. Dans chacun
des cas, on essaiera à partir d'un échantillon de données de construire le meilleur modèle qui s'ajuste ces
données.

- l'estimation du spectre d’un signal aléatoire, etc. Cette dernière application est basée sur
l'identification des paramètres du modèle considéré : Le modèle AR est bien adapté aux signaux composés

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

92
Traitement Avancé du Signal Master RT M1 2022/2023

de raies pures dans du bruit blanc. Alors que le modèle MA est bien adapté aux signaux dont la puissance
est nulle dans certaines bandes de fréquences.

Exemple : Reprenons à nouveau l'exemple de parole, pour lequel, nous avons testé les trois variantes

40 35
Spectre de la voyelle Filter formeur AR d ordre 20
30
30

25
20
20

Amplitude (dB)
Amplitude (dB)

10 15

0 10

5
-10
0
-20
-5

-30 -10
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000
Frequence (Hz) Frequence (Hz)

30 25
Filter formeur MA d ordre 20 Modèle ARMA (6,8)

20
20

15
10
Amplitude (dB)

Amplitude (dB)

10
0
5

-10
0

-20
-5

-30 -10
0 2000 4000 6000 8000 10000 12000 0 2000 4000 6000 8000 10000 12000
Frequence (Hz) Frequence (Hz)

Rappelons que pour un ordre du filtre faible, le modèle ne sera pas en mesure de capturer toutes les
informations pertinentes du signal, à contrario s’il est trop élevé, il modélisera le bruit. Rappelons qu'avec
le périodogramme (Algorithmes rapides : FFT) et ses variantes :

- Résolution en fe/N=> Difficile de séparer 2 fréquences proches,

- Lobes secondaires occultant les fréquences à faibles amplitudes

Nous n'irons pas plus loin, dans le cadre de ce cours, le but n'étant que d'introduire les notions de
modélisation et de prédiction linéaire.

6. Filtrage Numérique adaptatif

Dans le filtrage de Wiener, le critère d’optimalité est stochastique : on désire minimiser la moyenne de
l’erreur au carré. Cela requiert des statistiques de second ordre des processus (moyennes et corrélations). En

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

93
Traitement Avancé du Signal Master RT M1 2022/2023

pratique, la matrice de corrélation m{{ [ et l'inter-corrélation mn{ [ ne sont pas connues et doivent donc
être estimés à partir des données observées (temporelles) en supposant les processus ergodiques.

Le second problème est lié à l'hypothèse même de stationnarité qui n'est pas vérifiée à long terme. Le filtrage
de Wiener devient inadéquat pour les situations dans lesquelles le signal ou le bruit sont non stationnaires.
Dans de telles situations le filtre optimal doit être variable dans le temps. La solution à ce problème est fournie
par le filtrage adaptatif.

Mise à Jour des

coeff H(z)
H(z)
x(n) ŷ(n) + e(n)

y(n) -

Le filtrage adaptatif comporte une mise à jour récursive des paramètres (coefficients) du filtre. L’algorithme
part de conditions initiales prédéterminées et modifie de façon récursive les coefficients du filtre pour
s’adapter au processus. Pour cela, les coefficients de la réponse impulsionnelle du filtre sont adaptés en
fonction de l'erreur par une boucle de retour.

(sans passer par l'inversion de m{{ ).

- L’algorithme du gradient fournit un algorithme récursif de calcul des coefficients du filtre de Wiener

- L’algorithme du gradient stochastique (LMS) est une version déterministe dans laquelle les grandeurs
statistiques impliquées sont remplacées par des valeurs instantanées.

- L'algorithme des moindres carrés (RLS) qui est un algorithme récursif du LMS basé sur la
minimisation de la somme des erreurs quadratiques sur un laps de temps donné.

6.1. Algorithme du Gradient (de descente)

On cherche à calculer les paramètres du filtre linéaire optimal.

- [
A l’instant n, ces paramètres sont notés h(n) = b0 (n) b1 (n) ... bN −1 (n) et]T
- les entrées du filtre forment le vecteur X | , 1 ,…… }C1 ~ .

- A chaque instant n, la sortie du filtre est un signal (• que l’on souhaite aussi proche que possible
du signal original y(n).

On rappelle que la solution optimale donnée par la solution des équations de Wiener-Hopf est : m{{ ℎ mn{
  
2

avec ξ (n) = E{e (n)} = E  y(n) −  bi x(n − i)  

N −1
2

 i =0  

L’algorithme procède en trois étapes, une étape d’initialisation et deux étapes qui sont itérées :

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

94
Traitement Avancé du Signal Master RT M1 2022/2023

1. Initialisation : au temps n = 0, on attribue une valeur initiale h(0)=[0, 0, ….. 0]

2. A chaque instant n (l’instant courant), on calcule le gradient de l'erreur (la dérivée) ∇‚ ƒ

au vecteur h(n) : ∇‚ ƒ 2mn{ C 2m{{ ℎ(n)
par rapport

3. On ajuste les paramètres du filtre selon : ℎ C1 ℎ ∇‚ ƒ ℎ C c mn{ m{{ ℎ

„

existe des versions à pas d’adaptation c décroissant.

: un petit scalaire positif qui permet d’ajuster la vitesse et la précision des ajustements. A noter qu'il

L’idée de cet algorithme est que les ajustements en sens opposé au gradient (descente du gradient) vont
conduire h(n) vers la valeur hopt qui est associée à l’erreur minimale ξmin. Si la dérivée est positive alors on
va diminuer ℎ de manière à se déplacer vers le minimum de la fonction de coût. Le terme correctif sera
donc choisi négatif et vice-versa

L'algorithme est stable si 0 … c … † où d o{ est le max des valeurs propres de m{{

‡ˆ‰

Cet algorithme est aussi appelé algorithme du gradient déterministe puisque les quantités mn{ et m{{ sont
parfaitement connues et déterminées. On parle aussi de filtrage de Wiener adaptatif.

6.1. Algorithme du Gradient stochastique (LMS)

tend vers la solution optimale de l’équation de Wiener-Hopf, sans inverser la matrice m{{ . Néanmoins, à
La méthode de descente (gradient) est un algorithme qui estime, par itérations successives, une solution qui

chaque itération, il faut calculer les corrélations statistiques m{{ et mn{ que nous avons remplacé par des
corrélations temporelles sous hypothèse d'ergodicité.

gradient de ξ (n) soit ∇‚ ƒ 2mn{ C 2m{{ ℎ en remplaçant les moyennes statistiques (ergodiques :
L'algorithme adaptatif connu sous le nom de Least-Mean-Square (LMS) repose sur la simplification du

temporelles) m{{ et mn{ par des estimations instantanées :

mŠ{{ X X

mŠn{ ( X

Ainsi le gradient devient ‹‚

∇ ƒ 2( X C 2X X ℎ

A noter que minimiser l’erreur quadratique instantanée est moins efficace et moins précis que corriger
l’erreur quadratique moyenne.

Ainsi, ℎŠ C1 ℎŠ CcX Œ•••••Ž•

|( X ••ℎ
•
Š••~

Soit ℎŠ C1 ℎŠ CcX

1. Initialisation : au temps n = 0, ℎŠ 0 |0, 0, … … … 0~

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

95
Traitement Avancé du Signal Master RT M1 2022/2023

2. Estimation du signal d'erreur : ( X ℎŠ

3. Actualisation des coefficients : ℎŠ C1 ℎŠ CcX

L'algorithme LMS converge en moyenne, c’est-à-dire que, pour n∞ , ℎŠ  hopt des équations de Wiener-
Hopf. A noter que l’algorithme de descente du gradient tend vers l’erreur minimale ξmin lorsque n tend vers
l'infini et ceci de façon exponentielle régulière, en raison de l’estimation exacte des m{{ et mn{ . Au contraire,

oscillations chaotiques autour ξmin , et ce en dépit d'un choix correct de c.

l’algorithme LMS, qui repose sur des approximations très grossières de ses quantités converge avec des

6.3. Algorithme des moindres carrés

Les équations de Wiener-Hopf sont obtenues en minimisant l’erreur quadratique moyenne ξ n

E“ n ” E“ y n
(• n ”. L'algorithme des moindres carrées est basé sur la minimisation de la somme
des erreurs quadratiques : ξ ∑. d . [ sur un laps de temps donné.

Si 1 , ξ est somme des erreurs quadratiques; Si d … 1, les erreurs passées sont pondérées avec un facteur
(d'oubli) qui décroît exponentiellement.

Version récursive du RMS,

- ξ ∑. d .
où e k y k (• k y k ℎ X [

m{{† ℎ mn{†

m{{† ∑[ 1d X [ X [ d ∑[ 1d X [ X [ dm{{† 1 CX [ X [
[ 1 [ 1
Avec

mn{† ∑[ 1d ( [ X [ d ∑[ 1d ( [ X [ C( [ X [ dmn{† C( [ X [
[ 1 [ 1
et

Pour d 1, la matrice m{{†

telle que : m{{† ∑. [ uC1 [ EC1
est une approximation de la matrice d’auto-corrélation. Elle est symétrique
q

L'algorithme se présente comme suit :

- Initialisation m{{† 0 K∑%. U

X [ X [ L et mn{† 0 ∑0[ 0
( [ X [

- ℎŠ m{{† mn{†

avec m{{† dm{{† 1 CX [ X [ et mn{† n dmn{† C( [ X [

Remarque : Le filtrage des moindres carrés se place en déterministe. Alors que le filtre de Wiener utilise la
méthode des moindres carrés en stochastique.

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

96
Traitement Avancé du Signal Master RT M1 2022/2023

Exemples d'application

Le filtrage adaptatif (au sens de Wiener, au sens des moindres carrés, le filtrage de Kalman, le filtrage
particulaire) est utilisé pour divers objectifs entre autres : la modélisation, la prédiction, l'identification des
systèmes, l'annulation d'interférence (écho, bruit), etc. permettent la reconstitution d’un signal en milieu bruit

- L’annulation d'écho va nous fournir un premier exemple d’utilisation de l’algorithme LMS.

Téléphone (micro et haut-parleur proches).

- Annulation d’un brouilleur tel un signal perturbé par un brouilleur sinusoïdal de fréquence connue
mais dont on ignore l’amplitude A et la phase φ.

6.3. Autres filtres adaptatifs

- Kalman : Le filtre de Kalman est employé pour estimer des paramètres d'un système évoluant dans le temps
à partir de mesures bruités. Il est particulièrement adapté pour le tracking du fait qu'il permet non seulement
de prédire les paramètres mais aussi de rectification les erreurs de mesure et du modèle. Il opère de façon
similaire aux filtres adaptatifs. La prédiction se fait en employant l'estimation précédente. Le calcul d'erreur
permet, ensuite, de faire la mise à jour de cette prédiction grâce aux nouvelles mesures.

A noter que la version étendue (Filtre de Kalman étendu) permet de prendre en compte une modélisation
non linéaire.

- Particulaire (méthode de Monté-Carlo séquentielle) : Une alternative aux filtres de Kalman étendu. E filtre
a pour but d'estimer la densité postérieure des variables qu'on cherche à estimer (dites variables d'état) en
fonction des observations (variables d'observation) en supposant que les variables d'état constituent une
chaine de Markov de premier ordre.

Il est utilisé particulièrement pour des applications de navigation : suivi de cible, guidage de missile,
robotique, etc.

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

97
Traitement Avancé du Signal Master RT M1 2022/2023

TD n° 4 : Modélisation AR et Filtrage adaptatif

1. Soit un signal aléatoire y(n) SSL et ergodique dont l’autocorrélation temporelle R y (k ) = α

k
avec 0<α<1
• Identifier le modèle linéaire adéquat (AR ou MA) pour y(n).
• En supposant que le système h(n) est filtre purement récursif, donner le schéma du modèle en définissant
l’entrée, le système, et la sortie.
• Rappeler les hypothèses nécessaires liées à l’emploi de ce modèle.
• On considère que le modèle est d’ordre 1, déterminer ses paramètres.

2. On considère le filtre linéaire à temps discret défini par y (n ) = x ( n ) + b1 x (n − 1) + b2 x (n − 2 ) .

où X(n) et Y (n) désignent respectivement les processus aléatoires réels d'entrée et de sortie du filtre où b1 et
b2 sont 2 coefficients réels. On suppose que x(n) est une suite de variables aléatoires centrées, indépendantes
et de variance σ2.
• Donner l'expression de Rx(k) et Sx(f) puis donner l’expression de Ry(k) et tracer la pour b1=1 et b2=-1.
• Connaissant la DSP du signal y(n), sur quoi se base-t-on pour le choix du modèle ?

3. Soit un processus AR défini par : y(n)=-a1y(n-1) – a2 y(n-2) + x(n) où x(n) bb décorrélé de variance 1
• Calculer µy(n) puis sans calcul, expliquer pourquoi y(n) est SSL.
• Montrer que pour k>0, Ry(k)=-a1Ry(k-1)-a2 Ry(k-2)
• Déterminer a1et a2

4. On veut modéliser le signal y(n) dont l'autocorrélation statistique est donnée à la figure ci-contre.
Ry(k). On suppose que l'autocorrélation statistique du signal d'entrée est 4δ(k)
o Déterminer les moments statistiques d'ordre 1 du signal à modéliser.
2
o S'agit-il d'un modèle AR ou MA? Justifier
o Déterminer l'ordre du modèle 1 k
• En supposant que 2 coefficients sont égaux, à partir
des valeurs de Ry(k), déduire que l'un des coefficients est nul -5 -4 -3 -2 -1 1 2 3 4 5
puis déterminer les coefficients de ce modèle puis donner l'équation aux différences liant y(n) et x(n)

5. On veut modéliser le signal y(n) SSL dont la corrélation statistique

n'a été tracée que de -10 à 10. Elle est donnée à la figure ci-contre.
o S'agit-il d'un modèle AR ou MA? Justifier
o Donner les propriétés statistiques du signal d'entrée.
o On suppose que le modèle est d'ordre 1, déterminer ses paramètres.
o Expliquer la notion de filtre formeur et son utilité en téléphonie

Solutions
1. Modèle AR (Ry(k)≠0 ) x(n) entrée bb, y(n) signal aléatoire à modéliser h(n) filtre formeur (modèle
math)entrée bb + ergodisme a1= - α σx2=1-α2
[Link](k)=σx2δ(k) Sx(f)=σx2 MA d'ordre 2 Ry(0)=1+b12+b22Ry(1)=b1(1+b2) Ry(2)= b2 Ry(k)= 0 pour k≥0
3. µy(n)=0 entrée bb SSL sortie SSL Interro1 14/15 4. Voir examen 17/18 5. Examen 16/17

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

98
Traitement Avancé du Signal Master RT M1 2022/2023

Exercices supplémentaires
[Link] considère un signal aléatoire stationnaire x(n) et l'on suppose connu ses coefficients d'autocorrélation :
R(0) = 3σ2 , R(1) = 2σ2 , R(2) = σ2 , R(3) = 0
- On cherche le filtre MA d'ordre 3 de ce signal. Identifiez les paramètres du filtre.
- Si le signal x(n) a été obtenu par filtrage d'un bruit blanc gaussien de variance σ2 par un filtre à réponse
impulsionnelle finie de fonction de transfert H(z) = 1+ a.z-1 + b.z-2, en déduire les valeurs de a et b.

2. Soit un filtre formeur dont l'équation aux différences est y(n)=0.5 (x(n)+x(n-1)+x(n-2)+x(n-3))
• Expliquer la notion de filtre formeur puis identifier ce modèle linéaire AR ou MA
• Donner la moyenne, l'autocorrélation et la DSP de son entrée x(n).
• Calculer et tracer Ryy(k) puis déterminer Syy(f)

3. Les signaux x(n) et y(n) ont été obtenus en filtrant, au moyen d'un filtre à réponse impulsionnelle finie, un
bruit blanc b(n) gaussien centré de variance σ2.
x(n) = 2.b(n) + 0.5.b(n -1) -0.2.b(n - 2) + 0.1.b(n - 3)y(n) = b(n) - b(n - 2)
• Identifier les 2 modèles puis pour chacun, calculer et tracer les coefficients d'autocorrélation
• x(n) et y(n) sont-ils Gaussiens (justifier)
• Calculer les intercorrélations Rxy(k), et Ryx(k) et commenter
• Donner quelques applications des modèles AR,MA, ARMA

4. Soit un filtre formeur dont l'équation aux différences est y(n)= - αy(n-1) - β y(n-2) + x(n)
• Identifier l'ordre du modèle linéaire AR.
• Déterminer les paramètres du modèles, on suppose que Ryy(k)=2*0.5|k|

5. Soit un filtre formeur dont l'équation aux différences est y(n)= αy(n-1) + x(n)
• Identifier l'ordre du modèle linéaire AR.
• Déterminer la moyenne de y(n) et montrer que Ryy(k)=αk Ryy(0), déduire une condition sur α.
• Montrer que Ryy(0)=Rxx(0)/(1-α2)
• Tracer Ryy(k) (Prendre Rxx(0)=σ2=1).
• Citer 2 applications concrètes des modèles AR.

6. Soit un filtre formeur dont l'équation aux différences est y(n)= 0.25 y(n-1) - 0.25 y(n-2) + x(n)
• Identifier ce modèle linéaire AR ou MA (Justifier)
• Déterminer la moyenne de y(n) et donner l'expression de Ryy(k).
• Calculer et tracer Ryy(k) (Prendre Rxx(0)=σ2=1).

Solutions
1. b0=1 b1=1 et b2=1 etpar identification, on trouve a=1 et b=1
2. MA, µx=0 et Sx(f)=σ2Ry(0)=σ2, Ry(1)=Ry(-1)=0.75 σ2, Ry(-2)=Ry(2)=0.5 σ2, Ry(-3)=Ry(3)=0.25 σ2,
Ry(k>3)=[Link](f)=σ2 (1+1.5 cos(4πf)+ cos(6πf) + 0.5 cos(8πf))
3. Interro2 15/16 4. Ratt 15/16 5. Examen 15/16 6. Ratt 14/15

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

99
Traitement Avancé du Signal Master RT M1 2022/2023

TP n° 5 : Modélisation paramétrique et Filtrage Numérique adaptatif

Ce TP a pour objectif :
- Modéliser un signal aléatoire par les modèles AR et MA (par approximation AR) et d'en extraire les
informations utiles.
- Tester une méthode de filtrage adaptatif (LMS)

Exercice 1: Télécharger le fichier ‘vous avez du courrier en [Link]’ et le placer dans le même répertoire
que votre programme puis sélectionner une partie entre 21000 et 21500

I. Démo
# -*- coding: utf-8 -*-

""" Modélisation AR """

# import numpy as np; import [Link] as plt;
# from [Link] import wavfile as wf;
# import [Link] as la; import [Link] as sp;

# fname = '[Link]';
# #[Link](fname, winsound.SND_FILENAME)
# fe, S = [Link](fname);
# Te=1/fe; N=len(S); t = [Link](0, N-1, N)*Te;
# [Link](1);[Link](211); [Link](t,S); [Link](True);
# [Link]('temps'); [Link]('Amp'); [Link]('Phrase');
# L=500;N1=21000;N2=N1+L; y=S[N1:N2] ; ty=[Link](N1, N2-1, N2-N1)*Te;
# [Link](212); [Link](ty,y); [Link](True);
# [Link]('temps'); [Link]('Amp'); [Link]('morceau de la phrase');

# """ Modélisation AR"""

# P=20; "P Nbre de coefficicents du modèle AR>2"
# y=[Link](y)
# R = [Link](y,y,mode='full')[len(y)-1:];
# #R=R/[Link](); "Autocor"
# C = [Link](R[0:P]);
# B = -R[1:P+1];
# a = [Link](C).dot(B)
# a = [Link](1,a)
# sigma_carre = sum(a*R[0:P+1]);
# """ Visualisation de la réponse fréquentielle du filtre trouvé et du signal y de départ"""
# b = [Link]([1,0]);
# f,H= [Link](b,a,L//2,fs=fe);
# TFy = [Link](y); TFy = TFy[1:L//2+1];
# [Link](2); [Link](121);[Link](f, 20*np.log10(abs(TFy/[Link]())));
# [Link](f, 20*np.log10(abs(H/[Link]())));
# [Link]('Module du Filtre trouvé (orange)+ Signal original modélisé(bleu)');
# [Link]('Fréq (Hz)');[Link]('Amp');
# # """ Synthèse à partir du filtre trouvé"""
# bb = (sigma_carre**0.5)*[Link](L);
# #bb=[Link](bb);
# y_synt = [Link](b,a,bb) ;
FGE, USTHB [ assiakourgli@[Link] / [Link]

100
Traitement Avancé du Signal Master RT M1 2022/2023

# TFys = [Link](y_synt); TFys = TFys[0:L//2];

# [Link](2); [Link](122);[Link](f, 20*np.log10(abs(TFys/[Link]())));
# [Link](f, 20*np.log10(abs(TFy/[Link]())));
# [Link]('signal synthétisé (orange)+ Signal synthétisé(bleu)');
# [Link]('Fréq (Hz)');[Link]('Amp');
"""---------------------------------------------------------------------"""

""" LMS : Algorithme du Gradient stochastique : Restauration """

import numpy as np
import [Link] as plt
import [Link] as sp

fecg=[]; mecg=[];
""" Lecture des fihiers """
with open('[Link]') as f:
for i in f: [Link](float(i))
fecg = [Link](fecg)
with open('[Link]') as f:
for i in f : [Link](float(i))
mecg = [Link](mecg)
""" Rajout du bruit """
N=len(mecg); var = 0.01;
bb=(var**0.5)*[Link](N);
x=fecg+bb+mecg; #x=[Link](x)
y=fecg; #y=[Link](y)

""" Détermination du filtre par LMS """

Ncoef=7; mu=0.1;
h = [Link](Ncoef) # Initialisation des coeffcients du filtre
L = len(x) # Longueur du signal
yest = [Link](N) # y(n) estimé
En = [Link](N) # Erreur
for i in range(Ncoef,L//10):
X= [Link](x[i-Ncoef+1:i+1]); #Prendre X=[x(n),x(n-1),...,x(n-Ncoef+1)))]
yest[i] = [Link](h, X)
En[i] = x[i] - yest[i]
h = h + mu * En[i] * X
h = h/sum(abs(h))

""" Visualisation des résultats"""

[Link](1)
y_est =[Link](h,1,x)
[Link](311); [Link](x,'r', label= 'observation'); [Link](y,'b', label= 'fecg');[Link](); [Link]()
[Link](313);[Link](En,'g',label='erreur'); [Link](); [Link]()
[Link](312); [Link](y,'b', label= 'fecg'); [Link](y_est,'r', label= 'ecg restauré'); [Link]()
"""---------------------------------------------------------------------"""
# """ Prédiction par LMS """
# mux=0; varx=0.01; N=1000
# bb=mux+[Link](varx)*[Link](N)

# fe=10000 ;Te=1/fe;
# f0= 100;

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

101
Traitement Avancé du Signal Master RT M1 2022/2023

# t = [Link](0,N)*Te
# y = 0.5*[Link](2*[Link]*f0*t)
# x = y + bb

# Ncoef=5; mu=0.2;
# hp = [Link](Ncoef) # Initialisation des coeffcients du filtre
# L = len(x) # Longueur du signal
# yest = [Link](N) # y(n) estimé
# En = [Link](N) # Erreur
# for i in range(Ncoef,L-1):
# X= [Link](x[i-Ncoef+1:i+1]); #Prendre X=[x(n),x(n-1),...,x(n-Ncoef+1)))]
# yest[i] = [Link](hp, X)
# En[i] = x[i] - yest[i]
# hp = hp + mu * En[i] * X

# [Link](2); [Link](x,'b', label= 'observation'); [Link](yest,'r', label= 'estimé')

# [Link](En,'g', label= 'Erreur instantanée'); [Link](); [Link]()
"""---------------------------------------------------------------------"""

""" Identification de système par LMS """

# mux=0; varx=0.1; N=500
# x = mux+[Link](varx)*[Link](N)
# b = [Link]([0.65, -0.35, 0.1])
# y = [Link](b,[1,0],x)

# Ncoef=3; mu=0.6;
# hs = [Link](Ncoef) # Initialisation des coeffcients du filtre
# yest = [Link](N) # y(n) estimé
# En = [Link](N) # Erreur
# for i in range(Ncoef,N-1):
# X= [Link](x[i-Ncoef+1:i+1]); #Prendre X=[x(n),x(n-1),...,x(n-Ncoef+1)))]
# yest[i] = [Link](hs, X)
# En[i] = y[i] - yest[i]
# hs = hs + mu * En[i] * X

# print(hs)
# [Link](3); [Link](y,'b', label= 'Sortie'); [Link](yest,'r', label= 'Sortie estimée')
# [Link](En,'g', label= 'Erreur instantanée'); [Link](); [Link]()

"""A faire AR """

# import numpy as np; import [Link] as sp; import [Link] as plt

# import sounddevice as snd
# import [Link] as wav
# import [Link] as la;

# def ModeleAR(y,P):

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

102
Traitement Avancé du Signal Master RT M1 2022/2023

# y=[Link](y)
# R = [Link](y,y,mode='full')[len(y)-1:]
# C = [Link](R[0:P])
# B = -R[1:P+1]
# a = [Link](C).dot(B)
# a = [Link](1,a)
# sigma_carre = sum(a*R[0:P+1]);
# return a,sigma_carre

# fe,x = [Link]('[Link]')
# [Link](x, fe)

# 1. Lire, afficher et écouter le fichier [Link]

# 2. Repérer les 3 parties correspondants aux 3 "A"
# NA=7000
# A1 = x[162400:162400+NA];
# A2 = x[253200:253200+NA]
# A3 = x[340000:340000+NA]
# 3. Afficher les 3 "A"
# 4. Calculer et afficher leur periodogramme en db
# 5. Déterminer le filtre formeur de chaque "A" en utilisant la foncton ModeleAR
# 6. Calculer l'erreur quadratique moyenne (MSE) entre les coefficents de chaque A
# from [Link] import mean_squared_error
# mseA12=mean_squared_error(a1,a2)
# 7. Refaire les étape de 2 à 6 pour la lettre "E"
# 8. Calculer le MSE entre les 3 "A" et les 3 "E"

"""A faire Restauration par LMS """

"""
# 1. Lire l'audio [Link] dabns une variable y
# 2. Créer un signal x composé du signal audio (y) + du bruit blanc
# 3. Ecouter pour vérifier la présence du bruit
# 4. Centrer les variables y et x
# 5. Déterminer par LMS le filtre h en prenant la partie correspondant au silence (mu=0.01 et for i in
range(Ncoef,100) )
# 6. Inverser et normaliser le filtre h
# 7. Filtrer x par le filre
# 8. Visualiser les résultats
# 9. Ecouter l'audio restauré
# ss=input()
# [Link](np.int8(y_est), fe)
"""

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

103
Traitement Avancé du Signal Master RT M1 2022/2023

IV. Analyse temps-fréquence et temps-échelle

La plupart des signaux du monde réel ne sont pas stationnaires, et c’est justement dans l’évolution de
leurs caractéristiques (statistiques, fréquentielles, temporelles, spatiales) que réside l’essentiel de
l’information qu’ils contiennent. Les signaux vocaux et les images en sont des exemples courants [27].
Rappelons que l’analyse de Fourier permet une caractérisation globale du signal (on intègre de -∞ à +∞), on
perd toute localisation temporelle ou spatiale, l’idéal est de faire appel à une transformation qui nous apporte
l’information sur le contenu fréquentiel tout en préservant la localisation (temporelle ou spatiale) afin
d’obtenir une représentation temps/fréquence ou espace/échelle du signal. C’est ainsi que deux théories ont
été élaborées, la transformée de Fourier à fenêtre puis la transformée continue par ondelettes.
Les ondelettes, famille de fonctions déduites d’une même fonction, appelée ondelette mère, par
opérations de translations et dilatations, ont trouvé, de par la puissance de leur théorie, des applications dans
de nombreux domaines aussi variés que les mathématiques (analyse, probabilités, fractales), le traitement du
signal (compression, astronomie, sismique), la physique (mécanique quantique, turbulence).

1. Dualité temps-fréquence, transformée de Fourier à court terme

La transformée de Fourier à court terme (TFCT) et ses dérivées (notamment le spectrogramme) sont
les méthodes temps-fréquence les plus utilisées dans les applications pratiques. Ainsi, cette classe de
méthodes représente la solution la plus répandue pour éliminer les limitations de la transformée de Fourier.
L’idée de base est très simple et efficace : on décompose le signal en petits segments et on applique, sur
chacune des sections, la transformée de Fourier en obtenant ainsi le spectre « local ». La totalité des spectres
« locaux » indique alors comment le spectre varie au cours du temps.
+∞
− j 2πfτ
TFCT (t , f ) =  x(τ )h (τ − t )e dτ
*

−∞

Où h(n) est une fenêtre de pondération (Rectangulaire, Bartlett, Hanning, Hamming, Gaussienne etc.)

Le spectrogramme est le module au carré de la TFCT

+∞ 2

 x(τ )h (τ − t )e dτ
− j 2πfτ
S x (t , f ) = *

−∞

Il faut relever n’existe pas qu’une seule TFCT puisqu’elle dépend de : La durée de la fenêtre (choisie
pour que le signal soit supposé stationnaire sur cette durée), la forme de la fenêtre (compromis largeur-
hauteur des lobes), le taux de recouvrement entre les fenêtres.

Le rôle de la fenêtre h(t)(dont l’énergie doit valoir 1) est de découper un voisinage de longueur L du point
t, dans lequel le contenu fréquentiel est analysé. On conçoit qu’il y a un compromis entre la longueur L de

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

104
Traitement Avancé du Signal Master RT M1 2022/2023

h(t) qui représente la résolution temporelle, qui induit une résolution fréquentielle en fe/L, et la capacité de la
TFCT à suivre des modulations plus ou moins rapides. Ces 2 résolutions évoluent en inverse l’une de l’autre.
Il a été montré (principe d’incertitude d’Heisenberg) que la fenêtre qui réalise le meilleur compromis temps-
fréquence est la fenêtre gaussienne.
Exemple : Analyse d’un signal chirp allant de f1 puis f2 et inversement (voir TP n°6)

Chirp de f0=1Hz à f1=50Hz Chirp de f1=50Hz à f0=1Hz

1 1

0.5 0.5

0 0

-0.5 -0.5

-1 -1
0 0.5 1 1.5 2 0 0.5 1 1.5 2

FFT de y1 FFT de y2
30 30

20 20

10 10

0 0
-100 -50 0 50 100 -100 -50 0 50 100

Comme illustré ci-haut, on perd toute localisation temporelle puisqu’on obtient la même TF pour les
deux signaux. Pour y remédier on calcule la TFCT en effectuant la TFD pour différents intervalles et
recouvrements

TFCT avec Tfen=100 Recouv=20%, NF=1024 TFCT avec Tfen=100 Recouv=20%, NF=1024
1.4 1.4

1.2 1.2

1 1
Time

Time

0.8 0.8

0.6 0.6

0.4 0.4

0 20 40 60 80 100 0 20 40 60 80 100
Frequency (Hz) Frequency (Hz)

TFCT avec Tfen=10 Recouv=20%, NF=1024 TFCT avec Tfen=10 Recouv=20%, NF=1024

1.5 1.5
Time

Time

1 1

0.5 0.5

0 20 40 60 80 100 0 20 40 60 80 100
Frequency (Hz) Frequency (Hz)

Les TFDs sur chaque fenêtre glissante fournissent le spectrogramme qui permet d’adapter la TF à la
caractérisation des signaux non stationnaires. On obtient, alors, une représentation temps-fréquence
permettant de localiser la distribution de l’énergie simultanément en temps et fréquence. Rappelons que la
FGE, USTHB [ assiakourgli@[Link] / [Link]

105
Traitement Avancé du Signal Master RT M1 2022/2023

longueur de la fenêtre choisie va conditionner le nombre de points fréquentiels (résolution fréquentielle) et

la résolution temporelle (spectre moyen sur la fenêtre temporelle).
Il est clair que pour ce cas, la TFCT opérant avec une taille de fenêtre unique ne permet pas de localiser
précisément chaque fréquence. Celle-ci devrait s’adapter en fonction de l’évolution du signal. L’idéal serait
de pouvoir choisir une fenêtre et une forme d’onde (signal oscillant dans une fenêtre temporelle donnée) que
l’on pourrait dilater (pour les basses fréquences) et contracter (fréquences élevées) à volonté.

2. Transformée de Wigner-Ville (temps-fréquence)

A l'instar de la transformée de Fourier à court terme, elle permet d'illustrer la distribution de l'énergie
simultanément en temps et en fréquence.
Rappelons que la densité spectrale spectrale est : —{ 6 | 6 | ˜“m{ ™ ”

Où m{ ™ š ∗
™ › š C ™/2 ∗
™/2 ›

L'expression C ™/2 ∗ ™/2 peut-être alors considérée comme une corrélation instantanée, pour
laquelle on peut définir une densité spectrale instantanée plus communément appelée Transformée temps-
fréquence de Wigner-Ville :

5œ{ , 6 • C ™/2 ∗
™/2 8ž
›™

Cette transformée conserve bon nombre des propriétes de la TF sauf qu'elle ne conserve pas la propriété de
linéarité :
∑Ÿ
. .  5œ{ , 6 ∑Ÿ
. 5œ{2 , 6 C ∑Ÿ
., . 5œ{2 {‡ , 6

Le second terme montre que cette transformée crée des fréquences (interférences) qui n'ont pas d'existence
réelle. En outre, il fait apparaitre des énergies négatives engeandrant des difficultés d'interprétation. Une
version pseudo lissée permet de résoudre partiellement quelques uns de ces problèmes.

Exemples :

- 8U ¡
 5œ{ , 6 6 6%

-( cos 2¥6%
/01¦U ! p/01¦U !

1
5œn , 6 § •H 8U ¡
C 8U ¡
IH
8U ¡
C 8U ¡
I 8ž
›™©
4
/̈ /̈ /̈ /̈

1
5œn , 6 §• 8U ž 8ž
›™ C • = 8U ¡ 8ž
›™ C • = 8U ¡ 8ž
›™ C • 8U ž 8ž
›™©
4

1
5œn , 6 ) 6 6% C = 8U ¡
6 C = 8U ¡
6 C 6 6% *
4

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

106
Traitement Avancé du Signal Master RT M1 2022/2023

5œn , 6 =
K 6 6% C 6 C 6% L C 2cos 4¥6% 6

Exemple : Analyse d’un signal chirp allant de f1 puis f2 et inversement

En dépit des interférences, on observe une bonne localisation des fréquences.

3. Ondelettes continues (temps-échelle)

Elle a été introduite par Jean Morlet en 1981 pour résoudre des problèmes de signaux sismiques en
recherche pétrolière.
Partant d’une fenêtre h (dite fonction mère) ayant pour symbole ψ dépendant de t, on peut générer un
ensemble de fonctions de base similaire par dilatation (indice a) et translation (indice b) d'un seul
prototypeªo,«
1 -
:
ªo,« ª- 3 i®0
√i i
Où a > 0 est un paramètre d’échelle de contraction (a < 1) ou de dilatation (a > 1) de la fenêtre et b une
translation de la fenêtre. On notera que la norme de ψa,b est conservée lors du changement de facteur d’échelle
(voir figure ci-dessous):

1 -
¯ªo,« ¯ • °ª - 3° › ‖ª‖
i i
Exemple : 1.5

1 ³u 0 ´ ´
Haar a=0.5, b=0.5
Haar a=1, b=2
Haar a=3, b=4

La fonction de Haar ª ² 1
1

³u ´ ´1
Amplitude de l ondelette de Haar

0.5

0 iuQQ xy³ 0

³u - ´ ´-C
o
√o
Ainsi ªo,« ª) * ²
-0.5

¡ «
³u -C ´ ´-Ci
o
√o o
√o
-1

0 iuQQ xy³ -1.5

0 1 2 3 4
temps
5 6 7 8

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

107
Traitement Avancé du Signal Master RT M1 2022/2023

Exemples d’ondelettes
!/
ª )1 *
¡/
/µ/
t√ t/
- L’ondelette chapeau mexicain (Paul à l’ordre 2)

!/
ª /µ/ 8¡
t√
- L’ondelette de Morlet

L’ondelette de Morlet est une sinusoïde complexe modulée par une gaussienne. L’ondelette de Paul
décroît plus vite que celle de Morlet et autorise des localisations en temps plus précises. L’ondelette est
obtenue par dérivée d’une gaussienne et permet des localisations temporelles d’une qualité légèrement
inférieure à celle de Paul [25]

En décomposant le signal x(t) sur cette famille, on obtient ainsi les coefficients d’ondelettes5 {,¶ i, -
qui caractérisent le coefficient de la décomposition du signal x(t) dans cette base, soit :

1 - ∗
5 i, - • ªo,«
∗
› • ª- 3 ›
{,¶
√i i

L’analyse par ondelettes commence avec

une fenêtre d’analyse a de largeur très fine, la
translate sur tout le signal puis recommence en
augmentant l’échelle [25]. Ses coefficients
mesurent, en un certain sens, les fluctuations du
signal x(t) autour du point t = b, à l’échelle fournie
par a. En diminuant a, le support de ψa,b réduit en
temps et donc couvre une plage en fréquence plus
grande et vice versa. Donc 1/a est proportionnel à
une fréquence.

Pour un facteur d’échelle assez grand, la représentation des coefficients d’ondelettes en fonction de b,
la position, donne une représentation de “la forme générale de la fonction”. Par contre un facteur d’échelle
faible correspond à une représentation des singularités.
La transformée en ondelettes est un opérateur linéaire, invariant par translation, et par dilatation. Quelle
que soit l’échelle et quel que soit l’endroit, l’analyse du signal se fait avec la même fonction. La transformée
en ondelettes d’un signal n’est pas unique, elle dépend de l’ondelette mère utilisée. En effet, l’ondelette mère
ψ (t) devra avoir une bonne localisation (nulle en dehors d’un certain intervalle), et devra être oscillante le
nombre de moments nuls correspond au nombre d’oscillations).

On peut montrer que si la fonction analysante (l’ondelette) est correctement choisie, la transformation en
ondelettes est inversible. Le signal x(t) peut être reconstruit après double intégration suivant le facteur
d’échelle a et le paramètre de translation b :
1
• • 5 i, - ªo,«
∗
›i ›-
i {,¶

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

108
Traitement Avancé du Signal Master RT M1 2022/2023

Exemple d’application : Analyse du signal chirp avec l’ondelette de Haar (Voir TP n°6)
Absolute Values of Ca,b Coefficients for a = 1 2 3 4 5 ...
Les coefficients de l’ondelette sont 127
représentés en fonction du temps où les 120
113
valeurs les plus élevées sont de couleur 106
99
claire. On note qu’un coefficient à une
92
amplitude d’autant plus grande que 85
78
l’ondelette ressemble au signal sur la

scales a
71
portion analysée. Lorsque la fenêtre est 64
57
étroite (onde étroite), on observe les 50
hautes fréquences et lorsqu’elle est large, 43
36
ce sont les coefficients des basses 29
fréquences qui sont élevées. 22
15
8
1
By scale Values of Ca,b Coefficients for a = 1 2 3 4 5 ...
50 100 150 200 250 300 350 4
Toutefois bien que la transformation time (or space) b

continue en ondelettes permette

d’obtenir une bonne localisation
temps-fréquence, toutefois, 2
COEFS

0
l’information engendrée par la -2

transformation est infiniment

31
redondante (a et b sont continues 29
27
25
engendrant une sur analyse). Pour y 23
21
19
remédier, on a recours à l’emploi 17
15 350
400

13 300
d’ondelettes discrètes dyadiques. 11
9 200
250

7 150
5 100
3 50
scales a
1
time (or space) b

4. Ondelettes discrètes (DWT), ondelettes dyadiques et analyse multi-résolution

Dans les applications, comme le traitement des images, la quantité d’information à traiter peut être
importante, il est nécessaire d’optimiser les calculs et la taille des données. La multi-résolution apporte une
solution à ce type de problème. Celle-ci est basée sur une transformation discrète qui diffère de la précédente
d’un facteur 2 (transformation dyadique). Pour limiter la quantité d’information générée, l’ondelette encode
uniquement la différence d’information entre deux résolutions successives. Cette technique, se prête bien à
une décomposition/composition par banc de filtre [25]
Dans la plupart des formulations de la DWT (transformée en ondelettes discrètes), les bases respectives
sont donc dérivées par une échelle dyadique des bases avec a=2-j et un changement d'unité b=k 2-j :
Les valeurs discrètes du facteur d’échelle a et du paramètre de translation b seront considérées sous la
forme :

i 2 - [2

{ K2 , [2 L 2/ š ªK2 [L ›
1
Avec ces valeurs de a et b, l’équation devient :

Si la fonction x(t) est discrétisée, en supposant une période d’échantillonnage égale à 1, pour des raisons

{ K2 , [2 L 2/ ∑ ªK2 [L
1
de simplicité, l’équation s’écrit alors :

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

109
Traitement Avancé du Signal Master RT M1 2022/2023

La construction de telles ondelettes peut s'aborder comme un problème de choix de base de

décomposition de signal, mais aussi comme un problème de décomposition en sous-bandes (voir chapitre
précédent).
L’idée de l’analyse multirésolution développée par Meyer et Mallat permet d'analyser un signal à
différentes échelles à travers des opérateurs linéaires à des niveaux de résolutions correspondant à différentes
bandes de fréquences spatiales.

Le signal est décomposé de manière itérative par

un banc de filtres. A chaque niveau, le spectre du signal
est partage en deux bandes par un filtre passe-bas et un
par filtre passe-haut. Le filtre passe-bas (fonction
d’échelle) donne les informations grossières tandis que
le filtre passe-haut (ondelettes) encode les détails. Le
processus est répété jusqu’à obtenir la résolution
souhaitée. L’avantage de cette méthode est de n’utiliser
que deux filtres. Quand le processus est arrêté, le signal
peut être défini par le jeu de coefficients correspondant
[25]: {PB3, PH3,PH2,PH1}.

L’ondelette doit être très compacte ainsi, ses coefficients doivent être, pour la plupart, proche de zéro.
Cette condition dépend de quelques paramètres comme la régularité de la fonction, le nombre de moments
nuls et la taille de son support. La compacité du support impose que les filtres (h0) qui vont engendrer la
fonction d’échelle (donnant une approximation grossière du signal) et l’ondelette (h1 fournissant les détails)
soient à réponse impulsionnelle finie.

Cette condition impose d’utiliser des filtres miroirs conjugués, Les 1.5
Filtre passe-bas et passe-haut de décomposition

deux filtres sont symétriques conjugués autour de la fréquence centrale.

(Passe-bas et passe haut ont la même fréquence de coupure). Les plus
connus sont les filtres de Daubechies à support compact. Les filtres en 1

quadrature ont une réponse impulsionnelle finie. Ils utilisent un filtre

passe-bas et un filtre passe-haut. Le terme quadrature vient du fait que
la somme des modules au carré des deux filtres est constante (2 ou 1) 0.5

dite condition d'orthogonalité. La bande passante utilisée, par chacun

des filtres, est la moitié de la bande initiale. ). Ils se coupent en fe/4. On
0
peut dans ce cas, utiliser un décimateur pour réduire la quantité 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

d’information d’un facteur 2 [25].

La transformée en ondelettes discrète sur des bases orthonormées se ramène à des opérations de filtrage
numérique suivies de sous échantillonnage. La reconstruction est parfaite et s’effectue également par des
filtrages numériques précédés de sur-échantillonnage [27]

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

110
Traitement Avancé du Signal Master RT M1 2022/2023

i | ~ J ℎ% |2 [~i |[~
La décomposition suivant l’algorithme de Mallat est obtenue [27]:

.
› | ~ J ℎ |2 [~i |[~
.

i| ~ J“6% | 2[~i |[~ C 6 | 2[~› |[~”

Et la reconstruction suivant l’algorithme de Mallat est obtenue par:

Si on appelle i^ le signal i
Remarque

et › le signal ›
après interpolation (insertion d'un 0 entre les 2 échantillons successifs)
^
après interpolation alors [27]:
i| ~ J“6% | [~i^ |[~ C 6 | [~›^ |[~”
.

ℎ% , ℎ , 6% , 6 , dans le cas de bases orthogonales, il suffit de connaître seulement le filtre ℎ%

Un banc de filtres à reconstruction parfaite peutt s'obtenir via les filtres CQF. Pour connaître les filtres

puisque les trois autres filtres se calculent à partir de ce dernier (filtres de reconstruction identiques aux filtres
d’analyse mais retournés dans le temps).

H1(z) = H0(-z-1)z-(L - 1) soit h1(n) =- (-1)n h0 (L - 1 - n)

F0(z) = H1(-z)=H0(z-1)z-(L - 1) soit f0(n) = h0 (L - 1 - n)
F1(z) = - H0(-z) soit f1(n) = (-1)n h0(n)
Exemple 1
\% -% C - C- C -? ?

 \ -% - C- -? ? ?
-? C - - C -% ?

 ˜% -% C - C- C -? ? ?
-? C - C- C -% ?

 ˜ -% - C- -? ?
-% - C- -? ?

Ainsi, considérons par exemple l’ondelette de Daubechies à 6 coefficients telle que la fonction d’échelle h

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

111
 Traitement Avancé du Signal Master RT M1 2022/2023

soit :
 ℎ% = [0.2352 0.5706 0.3252 -0.0955 -0.0604 0.0249],
ℎ est obtenu en retournant ℎ dans le temps et en inversant le signe des coefficients impairs, ce qui nous
donne :
 ℎ = [-0.0249 -0.0604 0.0955 0.3252 -0.5706 0.2352]
Filtres de reconstruction identiques aux filtres d’analyse mais retournés dans le temps):
 f0= [0.0249 -0.0604 -0.0955 0.3252 0.5706 0.2352],
 f1= [0.2352 -0.5706 0.3252 0.0955 -0.0604 -0.0249 ]
Ci – dessous sont donnés les coeffcients d’ondelettes de Daubechies 3 avec le tracé des pôles et zéros ainsi
que des réponses en fréquence (Voir TP n°6)

Filtre passe-bas de décomposition Filtre passe-haut de décomposition Filtre passe-bas de décomposition Filtre passe-haut de décomposition
1 1
1
Imaginary Part 1

Imaginary Part
0.5 0.5 0.5
3 5 5 3
0 0
0 0
-0.5
-1
-0.5 -0.5 -1
0 2 4 6 0 2 4 6 -1 10 2 -1 -0.5 0 0.5 1
Real Part Real Part
Filtre passe-bas de Reconstruction Filtre passe-haut de Reconstruction
1 1 Filtre passe-bas de Reconstruction Filtre passe-haut de Reconstruction
1
1
Imaginary Part

Imaginary Part
0.5 0.5 0.5
3 5 5 3
0 0
0 0
-0.5
-1
-0.5 -0.5
0 2 4 6 0 2 4 6 -1
-1 -0.5 0 0.5 1 -2 -1 0 1
Real Part Real Part
Filtre passe-bas et passe-haut de décomposition Filtre passe-bas et passe-haut de Reconstruction
1.5 1.5

1 1

0.5 0.5

0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5

Remarquons que ce sont filtre CQF et donc sont orthogonaux [28] :

|\% 6 | +|\% 6 · 6 /2 | 2, |\ 6 | +|\ 6 · 6 /2 | 2
|\% 6 | +|\ 6 | 2 \% 6 \∗ 6 C \% 6 · 6 /2 \∗ 6 · 6 /2 0

Comme les coefficients ne sont pas symétriques, le déphasage ne sera pas linéaire. Rappelons que la
seule ondelette orthogonale qui soit symétrique est l’ondelette de Haar.

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

112
Traitement Avancé du Signal Master RT M1 2022/2023

Exemple d’application 1 : On suppose que le signal à analser est une rampe et que l’ondelette est celle de
Haar.

Filtres de Décomposition ¸¹ = H I , ¸º =H I,Filtres de Reconstruction ;¹ =H I, ;º =H I

º º º º º º º º
√» √» √» √» √» √» √» √»

Décomposition

i | ~ J ℎ% |2 [~i |[~ J 6% |[ 2 ~i |[~ › | ~

. .
J ℎ |2 [~i |[~ J 6 |[ 2 ~i |[~
. .
Approximation Détail

¸¹ [-k]= H I=;¹ [k] ¸º [-k]= H I=;º [k]

º º º º
√» √» √» √»

Niveau 0 0,1,2,3,4,5,6,7

,, , ,
¼ ½ ?
√ √ √ √ √ √ √ √
Niveau 1
, , ,

i| ~ J“6% | [~i |[~ C 6 | [~› |[~” J“ℎ% |[ ~i |[~ C ℎ |[ ~› |[~”

Reconstruction:

. .

Approximation ;¹ | ¾~=H I=¸¹ |¾~ Détail ;º [-k]=H I=¸º |¾~

º º º º
√» √» √» √»

,, , ,
¼ ½ ?
√ √ √ √ √ √ √ √
Niveau 1
, , ,

, 0, 0, , 0, , 0,
¼ ½ ?
√ √ √ √ √ √ √ √
0, , 0, , 0, ,0 ,0, ,0

1 1 5 5 9 9 13 13
, , , , , , ,
2 2 2 2 2 2 2 2
, , , , , , ,

Niveau 0 0,1,2,3,4,5,6,7

Exemple d’application 2 :
On suppose que le filtrage passe-bas ℎ% est un opérateur de moyennage entre 2 coefficients et que le passe-
haut ℎ est un opérateur qui encode la demi-différence entre 2 coefficients [cours 2013] tels que ℎ% ={0.5, 0.5}
, ℎ ={-0.5, 0.5} , 6% =2*{0.5, 0.5} , 6 =2*{0.5, -0.5}

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

113
Traitement Avancé du Signal Master RT M1 2022/2023

Signal original : 11, 9, 5, 7

Décomposition Reconstruction
Approximation Détail Approximation Détail

¸¹ [-k]={0.5, 0.5} ¸º [-k]={0.5, -0.5} ;¹ [-k]={1, 1} ;º [-k]={-1, 1}

Niveau 1 10, 6 1, -1 Niveau 2 8 2

0, 8, 0 0,2,0
[8, 8 ] + [2, -2]
Niveau 2 8 2 Niveau 1 10, 6 1, -1
0,10, 0, 6, 0 0, 1, 0, -1
[10,10,6,6] + [1,-1,-1,1]

Signal 8, 2, 1, -1 Signal 11, 9, 5, 7

décomposé reconstruit

L’opérateur ℎ% donne une représentation approximative alors que ℎ donne une représentation plus

le dernier niveau, on obtient : — “8,2,1, 1”.

précise (détail).A la fin du processus, on garde les détails et la dernière approximation, on commençant par

de l’application des filtres 6% et 6 .

Il est possible de reconstruire le signal à partir des éléments de la décomposition en sommant le résultat

Exemple 3 Voici le résultat de la décomposition du signal ecg, ne sont gardés à la fin que la dernière
approximation et tous les niveaux de détails grâce auxquels on pourra reconstruire le signal original (TP n°6)
ecg original ecg reconstruit
1000 1000

0 0

-1000 -1000
0 500 1000 1500 2000 0 500 1000 1500 2000
Coefficients Détail N 1 Coefficients Détail N 2
20 100

0 0

-20 -100
0 500 1000 1500 0 200 400 600
Coefficients Détail N 3 Coefficients d Approximation N 3
500 5000

0 0

-500 -5000
0 100 200 300 0 100 200 300

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

114
 Traitement Avancé du Signal Master RT M1 2022/2023

Remarques :

• Les filtres de Daubechies conduisent à des filtres à réponse impulsionnelle finie (RIF) mais ne sont pas
linéaires en phase.

• On peut construire des bases d’ondelettes conduisant à des filtres RIF linéaires en phase telles les B
splines. Il s’agit des bases biorthogonales où familles de décomposition et reconstruction sont
différentes et orthogonales uniquement entre elles [29]:
\% 6 ˜%∗ 6 C \% 6 C 6 /2 ˜%∗ 6 C 6 /2 2 et \ 6 ˜ ∗ 6 C \ 6 C 6 /2 ˜ ∗ 6 C 6 /2 2
\% 6 ˜ ∗ 6 C \% 6 C 6 /2 ˜ ∗ 6 C 6 /2 0 et \ 6 ˜%∗ 6 C \ 6 C 6 /2 ˜%∗ 6 C 6 /2 0

• En traitement d'images, on préfèrera les filtres bi-orthogonaux (JPEG2000).

Exemple d'ondelettes biorthogonales

Les filtres passe-bas et passe haut de décomposition sont différents tout comme les filtres de
reconstrction. Cependant les filtres de décomposition et reconstruction sont duaux. En effet, on obtient le
filtre Passe-haut de reconstruction F1(z) en retournant dans le temps le passe-bas de décomposition H0(z) et
en inversant le signe d'un coefficient sur deux. De même pour le filtre passe-bas de reconstruction F0(z) en
retournant dans le temps le passe-bas de décomposition H1(z) et en inversant le signe d'un coefficient sur
deux, soient :

h1(n) = -(-1)n f0 (L - 1 - n)
f1(n) = (-1)n h0 (L - 1 - n) Filtre passe-bas de décomposition Filtre passe-haut de décomposition
1
Filtre passe-bas de décomposition Filtre passe-haut de décomposition
Imaginary Part

Imaginary Part
1 1 1
0.5
0.5 3 7 5 3
0.5 0 0
0 -0.5
0 -1
-0.5 -1
-1 0 1 2 -1 -0.5 0 0.5 1
-0.5 -1
0 2 4 6 8 0 2 4 6 8 Real Part Real Part
Filtre passe-bas de Reconstruction Filtre passe-haut de Reconstruction
Filtre passe-bas de Reconstruction Filtre passe-haut de Reconstruction
0.6 1 1
Imaginary Part

Imaginary Part

1
0.5 0.5
0.4
3 5 7 3
0 0 0
0.2
-0.5 -0.5
-1
0 -1 -1
0 2 4 6 8 0 2 4 6 8 -1 -0.5 0 0.5 1 -2 -1 0 1
Real Part Real Part

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

115
Traitement Avancé du Signal Master RT M1 2022/2023

On notera la symétrie des réponses impusionnelles des filtres passe-bas et l'anti-symétrie des filtres
passe-haut d'analyse et de reconstruction conduisant dons à un déphasage linéaire. On notera également la
dualité entre les filtres d'analyse et reconstruction.
Remarque : Le lifting scheme permet une implantation très simple des décompositions en ondelettes
et de leurs opérations inverses en employant la factorisation polyphases [21]

5. Exemples d’applicationde la DWT sur une image

Les ondelettes sont bien adaptées au débruitage des signaux. Le principe est simple, on décompose le
signal bruité et l’on force à zéro les coefficients qui ne passent pas un seuil. Puis l’on reconstruit le signal
(Voir TP n°6). De la même façon on peut compresser le signal.

Pour une image, on appliquera deux filtres le long des lignes l’un passe-haut (H), l’autre passe-bas (L),
ensuite, on ne considère qu’une colonne sur deux et on applique à nouveau les 2 filtres. En ne considérant
qu’une ligne sur deux, on obtient 4 images de taille réduite de moitié. En réitérant ce processus sur l'image
d’approximation (LL), on obtient une pyramide d’images.

Cet exemple donne le résultat d’une compression jpeg et jpeg2000 (Ondelettes) avec un bpp de 0.2

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

116
Traitement Avancé du Signal Master RT M1 2022/2023

TD n°4 : Transformées Temps-Fréquence et Temps-Echelle

84 ¡
vwxy … %
1. Déterminer la TFCT du signal suivant (h est une fenêtre porte de largeur T):
À 8/ ¡
vwxy ® %

2. Calculer la transformée de Wigner-Ville du signal Á 84 ¡

CÁ 8/ ¡

1 ³u 0 ´ ´
3. Soient les ondelettes suivantes :

- La fonction de Haar ª ² 1 ³u ´ ´1
0 iuQQ xy³

!/
- L’ondelette chapeau mexicain ª Â 1 /

Calculer leur TF et tracer la

4. Soit le filtre passe bas de décomposition suivant : ℎ% {-0.1294, 0.2241, 0.8365, 0.4830}, déterminer le
filtre passe-haut de décomposition et les filtres de reconstruction

5. Soient les filtres de décomposition et reconstruction

suivants, vérifier les propriétés liant les 4 filtres

ondelettes si la fonction d'échelle est ℎ% =[0.5, 0.5]

6. Soit le signal suivant x ={2, 4, 8, 12, 14, 0, 2, 1} donner et tracer sa décomposition en

7. Soit le signal suivant : 6 “4, 6, 10, 12, 8, 6, 5, 5”

- Donner et tracer sa décomposition au niveau 1 en ondelettes en employant l’ondelette de Haar.
- Reconstruire le signal à partir du niveau 1
- Calculer son énergie et puis celle après décomposition.
- Vérifier qu’elle se conserve et que 98% de cette énergie se trouve dans le signal approximé.
- Donner la décomposition aux niveaux 2 puis 3.

8. On décompose un signal x(n) par l'ondelette de Haar ℎ% “ , ” suivant le schéma ci-dessous. Les
√ √
8 premières valeurs du signal x(n) sont ={4, 4, 6, 8, 8, 10, 9, 11}

↓2 ↓2
i i
H0(z) H0(z)
X(z)

↓2 ↓2
›
H1(z) H1(z)
›
FGE, USTHB [ assiakourgli@[Link] / [Link]

117
Traitement Avancé du Signal Master RT M1 2022/2023

Déterminer i , › , i , › , (Calcul détaillé) puis en déduire le signal décomposé.

En supposant que fe =8kHz, donner les bandes de fréquences occupées par i , › , i , › ,
-
-
- Donner le schéma de reconstruction et l'expression de filtres F0(z) et F1(z).

9. On a décompose un signal x(n) par l'ondelette de Haar ℎ% “ , ” suivant le schéma ci-dessous.

√ √
Les 8 premières valeurs du signal décomposé sont ={4,4,-1,1 ,2/√2,- 1/√2,, 0, 1/√2}
↓2 ↓2
i i
H (z) H0(z)
0
X(z)

↓2 ↓2
›
›
H (z) H1(z)
1

En supposant que fe =18kHz, donner les bandes de fréquences occupées par i , › , i , › ,

- Donner le schéma de reconstruction et l'expression des filtres F0(z) et F1(z).

Identifier i , › , i , › puis reconstruire le signal original

-
-

Solutions

³u ÈK 6 6 L vwxy C …
1.
8 84 ¡
⎧ %
⎪ ³u ÈK 6 6 L 8 8/ ¡
vwxy ®
⎪
%

C 2* ³u È -) C 2* 6
C
) 6 3 C
8 84 ) 0 *
⎨ 0
2 4
0

⎪
C * ³u È -)2 C * 6
C

⎪) 2 6 3 vwxy … …
8 8/ ) 0 C *
2 4
0 0 %
⎩

2. 5œ{ , 6 |Á | 6 6 C |Á | 6 6 C 2Á Á cos 2¥ 6 6 )6 *
84 8/

3. Haar ªŠ 6 Chapeau mexicain ªŠ 6

0¦ ¦/
ÉÊË/) *
E 0¦
/ 8
Ì4¥ 6 /
/
Ondelette de Haar TF de l Ondelette de Haar
1.5 0.7
Ondelette Chapeau Mexicain TF de l Ondelette Chapeau Mexicain
1 0.1
0.6
1 0.09
0.8
0.08
0.5
0.5 0.6 0.07
TF de ψ(t)

TFdeψ(t)

0.4 0.06
0.4
ψ(t)

ψ(t)

0 0.05
0.3 0.2
0.04

-0.5 0.03
0
0.2
0.02
-0.2
-1 0.01
0.1
-0.4 0
-10 -5 0 5 10 -2 -1 0 1 2
-1.5 0 t f
0 0.5 1 -1000 -500 0 500 1000

4. ℎ {-0.4830, 0.8365, -0.2241, - 0.1294}, 6%={0.4830, 0.8365, 0.2241, - 0.1294},

t f

6 {-0.1294, -0.2241, 0.8365, -0.4830}

5.
6. Niveau Approximation Détails
0 2 4 8 12 14 0 2 1
1 3 10 7 1.5 -1 -2 7 0.5
2 6.5 4.25 -3.5 2.75
3 5.375 1.125
Signal décomposé : {5.375, 1.125, -3.5, 2.75, -1, -2, 7, 0.5}
FGE, USTHB [ assiakourgli@[Link] / [Link]

118
Traitement Avancé du Signal Master RT M1 2022/2023

7. Filtres de Décomposition ¸¹ = H I , ¸º = H I ,Filtres de Reconstruction ;¹ = H I,

º º º º º º
√» √» √» √» √» √»
;º =H I
º º
√» √»
Décomposition

Reconstruction

Energie

88% de l’énergie est contenue dans a3 représentant pourtant le 8ème du signal

8. Examen 19/20 9. Ratt 19/20

Exercices Supplémentaires
1. Wigner-Ville

2. Soit le signal suivant : x(n)={0, 1, -2, 3, -4, 5, -6, 7 }

passe-bas de décomposition soit ℎ% “ , ”

- Donner sa décomposition en ondelettes au niveau 1 en employant l’ondelette de Haar tel que le filtre

√ √
- Donner le schéma de reconstruction permettant de passer d’un niveau à un autre.
- Reconstruire le signal à partir du niveau 1.
- Donner le signal décomposé aux niveaux 2 puis 3.
- Vérifier que l’énergie se conserve à tous les niveaux (1, 2 et 3)
- Proposer un moyen de compresser ce signal.

3. Soit le signal suivant : x(n)={11, 9, 5, 7, 5, 11, 7, 9}

- Citer un inconvénient de l’ondelette continue.
- Donner le schéma de décomposition en ondelettes discrètes pour 2 niveaux.

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

119
Traitement Avancé du Signal Master RT M1 2022/2023

- Donner le schéma correspondant pour la répartition en fréquences.

ℎ% ={0.5, 0.5} , ℎ ={-0.5, 0.5} , 6%=2*{0.5, 0.5} , 6 =2*{0.5, -0.5}

- Donner sa décomposition en ondelettes au niveau 2 en employant les filtres suivants :

- L’énergie se conserve-t-elle ?
- Reconstruire le signal à partir du niveau 2.

4. A la transmission d'un signal ecg, il a été affecté d'un bruit issu de la combinaison de 3 sinusoïdes (voir
figure ci-dessous : signal bruité + Module de sa TFD).

En analysant le signal par les ondelettes discrètes dyadiques, nous avons obtenu les graphes suivant:

- Identifier pour chacun des 3 signaux : le signal (approximé ou détail), le niveau de décomposition
- Pour chacun des 3 signaux, esquisser le module de la TFD
- Proposer une solution pour supprimer le bruit (explication détaillée)

Solutions :
2. examen 17/18
3. Ratt 17/18
4. Examen 20/21

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

120
Traitement Avancé du Signal Master RT M1 2022/2023

TP n°6 : De la TFCT, Wigner-Ville aux ondelettes

Ce TP a pour objectif de:

- Se familiariser avec les représentations tems-fréquence et temps-échelle
- Aborder la DWT, les notions de bancs de filtre à travers les filtres de décomposition et synthèse
- Appliquer la DWT au débruitage

1. Démo
# -*- coding: utf-8 -*-
import numpy as np; import [Link] as plt;import [Link] as sp;
NF = 1024; Te=0.005; fe=1/Te;N=round(2/Te);
t = [Link](0, 2, N);
x1= [Link](t, f0=50, t1=2, f1=1, method='linear');
x2= [Link](t, f0=1, t1=2, f1=50, method='linear');

""" TFD"""
TFx1 = [Link](x1,NF); TFx1 = [Link](TFx1);
TFx2 = [Link](x2,NF); TFx2 = [Link](TFx2); freq = [Link](-NF/2,NF/2)*fe/NF;
[Link](1)
[Link](221); [Link](t, x1); [Link]('Chirp de 50 à 1 Hz'); [Link](222); [Link](freq, [Link](TFx1));
[Link](223); [Link](t, x2); [Link]('Chirp de 1 à 50 Hz'); [Link](224); [Link](freq, [Link](TFx2));

"""Spectrogramme : TFCT"""
f, tt, Sxx1 = [Link](x1, fe, nperseg=100, noverlap=20);
f, tt, Sxx2 = [Link](x2, fe, nperseg=100, noverlap=20);
[Link](2)
[Link](221); [Link](t, x1); [Link](222); [Link](tt, f, Sxx1,shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Spectrogramme Tfen=100, TRec=20');
[Link](223); [Link](t, x2); [Link](224); [Link](tt, f, Sxx2,shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Spectrogramme Tfen=100, TRec=20');
f, tt, Sxx1 = [Link](x1, fe, nperseg=20, noverlap=4);
f, tt, Sxx2 = [Link](x2, fe, nperseg=20, noverlap=4);
[Link](3)
[Link](221); [Link](t, x1); [Link](222); [Link](tt, f, Sxx1,shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Spectrogramme Tfen=20, TRec=4');
[Link](223); [Link](t, x2); [Link](224); [Link](tt, f, Sxx2,shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Spectrogramme Tfen=20, TRec=4');

"""Wigner-Ville """
from [Link] import WignerVilleDistribution
WVx1=WignerVilleDistribution(x1,timestamps=t)
WVx2=WignerVilleDistribution(x2,timestamps=t)
tfr_x1, t_x1, f_x1 = [Link]()
tfr_x2, t_x2, f_x2 = [Link]()
[Link](4)
[Link](221); [Link](t, x1); [Link](222); [Link](t_x1, f_x1*fe, [Link](tfr_x1),shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Wigner-Ville');
[Link](223); [Link](t, x2); [Link](224); [Link](t_x2, f_x2*fe, [Link](tfr_x2),shading='auto')
[Link]('Frequence [Hz]'); [Link]('Temps [sec]'); [Link]('Wigner-Ville');

"""Ondelettes continues """

import pywt
Larg = [Link](1, 31);
cwtmatr,fs = [Link](x2, Larg, 'mexh')
[Link](5)
[Link](cwtmatr, aspect='auto', vmax=abs(cwtmatr).max(), vmin=-abs(cwtmatr).max())

""" Ondelettes Discrètes : Filtres d'analyse et Synthèse """

ondelettes = [Link]('haar')
[Link](6)
[Link](221); [Link](ondelettes.dec_lo); [Link]('Passe-bas de Décomposition');
FGE, USTHB [ assiakourgli@[Link] / [Link]

121
Traitement Avancé du Signal Master RT M1 2022/2023

[Link](222); [Link](ondelettes.dec_hi); [Link]('Passe-Haut de Décomposition');

[Link](223); [Link](ondelettes.rec_lo); [Link]('Passe-bas de Reconstruction');
[Link](224); [Link](ondelettes.rec_hi); [Link]('Passe-bas de Reconstruction');
L=512;

""" Application de la DWT : Décomposition et Reconstruction """

x = [Link]('[Link]');
coeffs = [Link](x, 'db5', level=3)
cA3, cD3, cD2, cD1 = coeffs
[Link](7)
[Link](321); [Link](x); [Link]('Signal original');
[Link](322); [Link](cD1); [Link]('Détail niveau 1');
[Link](323); [Link](cD2); [Link]('Détail niveau 2');
[Link](324); [Link](cD3); [Link]('Détail niveau 3');
[Link](325); [Link](cA3); [Link]('Approximation niveau 3');

x_reconst=[Link]([cA3, cD3, cD2,] , 'db5');

[Link](326); [Link](x_reconst); [Link]('Signal Reconstruit');

2. A faire

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

122
Traitement Avancé du Signal Master RT M1 2022/2023

1. Mettre les détails de certains niveaux à 0 et reconstruire (supprimer lors de la reconstruction)

2. Choisir un et mettre las valeurs de détails en dessous du seuil à zéro.
3. Tester d'autres ondelettes et observer la qualité de la reconstruction

1.1. Application sur une image

A l'aide de pywt.dwt2, décomposer et reconstruire une image sur plusieurs niveaux, mettre des détails
à zéros et commenter.

Chapitre 5 : Estimations statistique

Supposons que l'on veuille connaître le poids 'p' ou la taille 'T' que devrait avoir un enfant de 4 ans.

moyenne sur ces mesures nous fournira une estimation v̂ du poids une estimation Š de la taille. Cet
Pour ce faire, on prendra un échantillon d'enfants de 4 ans que l'on pèsera et dont on mesurera la taille. Une

échantillon devra bien sûr être le plus grand possible et le plus hétérogène possible (plusieurs ethnies).
L'estimation de la durée moyenne d'une communication téléphonique est très utile aux opérateurs de
téléphonie pour ajuster les prix et offres en conséquence ou pour la gestion du trafic. Autre exemple : les
intentions de vote. Dans chacun des cas, un échantillon est considéré pour représenter la population.

1. Estimateur

Dans de nombreuses situations, on ne dispose pas directement de mesures sur la variable d'intérêt
mais que d'une observation liée à notre variable inconnue. Le but des techniques d’estimation est d’utiliser

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

123
Traitement Avancé du Signal Master RT M1 2022/2023

les observations pour extraire de l’information sur la grandeur d’intérêt. Ceci doit fait de la meilleure façon
qui soit et implique plusieurs choix dont la relation mathématique entre l'observation et la variable à estimer.

Dans les problèmes d'estimation, on a, en général, affaire à deux catégories de variables :

X: Un vecteur de variables inconnues que l'on cherche à déterminer

Y: Un vecteur de variables mesurées (observation ou échantillon) liées à x.

Ypour obtenir une grandeur Š , proche deX, soit : Š 6È ,

Déterminer Xà partir de Y(et donc en fonction de Y) consiste à traiter de manière déterministe les mesures
.

On peut distinguer les deux cas suivants :

-X et Y sont aléatoire (estimateurs de Bayes).

- Si X est déterministe et Y aléatoire (estimateurs de Fisher)

Un estimateur est donc une valeur Š calculée sur un échantillon Y tiré au hasard (dit aussi
observations), ce qui fait de Š une variable aléatoire possédant une moyenne et une variance.

Exemple

Considérons que l’on veuille estimer la valeur d’une résistance R (TP n°5). On procède comme suit : On
réalise N expériences indépendantes où l’on mesure le courant I(k) passant par la résistance et la tension U(k)
à ses bornes. Ces mesures de courant et de tension sont toutes bruitées par un bruit dont on ignore la densité
de probabilité.

Observations : Y = (I(1), U(1), I(2), U(2), . . ., I(N), U(N))

Variable à estimer : X= R

Bien que X et Y ne soient pas supposés avoir une densité de probabilité, on peut construire différents
estimateur de R en fonctions des observations U(k) et I(k)
1.7
N

 U ( k ) I (k )
R1
R2
1.6 R3

Estimateur 1 : Rˆ1 = k =1
N 1.5

I
k =1
2
(k ) 1.4

1.3
N
1 U (k )
Estimateur 2 : Rˆ 2 =
N

k =1 I ( k )
1.2

1.1
N

U (k ) 1

Estimateur 3 : Rˆ 3 = k =1
N
0.9

 I (k )
k =1
0.8

0.7
0 10 20 30 40 50 60 70 80 90 100

Ces figures montrent l’évolution de l’estimée d’une résistance R=1 en fonction du nombre de mesures
pour U=I=1. Ci-contre une estimation pour N=100 et ci-bas pour N=1000

FGE, USTHB [ assiakourgli@[Link]

1.7 / [Link]
R1
R2
1.6 R3
124
1.5
Traitement Avancé du Signal Master RT M1 2022/2023

On remarque que le premier estimateur donne des valeurs comprises entre 0.9 et 1. Le deuxième
fournit une estimation proche de 1 et 1.2 Ils sont donc tous deux fortement biaisés. Le troisième estimateur
est quant à lui non biaisé.

Ainsi, pour pouvoir déterminer d’une façon constructive une règle d’estimation, il faut définir un
critère qui évalue la qualité des résultats, et définir l’estimée comme l’application de Y en X qui optimise ce
critère (minimiser une erreur ou une distance, dite aussi fonction de coût). Deux mesures de qualité de
l'estimation sont largement utilisées, il s'agit du biais et de la variance.

2. Propriétés des estimateurs

Le biais est la moyenne de l’écart et la variance est la puissance de l’écart (mesure les fluctuations de
l’estimateur autour de la valeur moyenne).

L’estimateur x̂ a pour biais b = E { x̂ − x} et pour variance: σ2 = E {( x̂ − E{ x̂ })2}=E { x̂ 2 }− E{ x̂ }2

- Si x est déterministe, alors le biais est b = E { x̂ } -x

- Si x est aléatoire, alors le biais vaut b = E { x̂ } -µx

 Le biais indique la valeur moyenne de l’erreur d’estimation, trois cas sont possibles:

• E [ x̂ } =x ou µx pour toutes les valeurs possibles du paramètre. On dit alors que l’estimée est non-biaisée ;

• E [ x̂ } =x+b ou µx+b. Si b est indépendant de x, dans ce cas l’estimateur a un biais constant et connu, qui
peut toujours être éliminé ;

• E [ x̂ } =x+ b(x) , c’est-à-dire, on a un biais qui dépend de x(qui est inconnu).

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

125
Traitement Avancé du Signal Master RT M1 2022/2023

 La variance doit être aussi petite que possible, de façon à que l’estimée soit concentrée autour de la
vraie valeur du paramètre.

 Plus b et σ2 sont faibles, meilleur est l’estimateur (estimateur non biaisée à variance minimale).
Malheureusement, la diminution de l’un provoque l’augmentation de l’autre. Dans ces conditions, un
estimateur biaisé pourrait être préférable, si le biais est faible, à un estimateur non biaisé mais de très grande
variance. C'est le compromis biais-variance , on peut démontrer que b 2=E { x̂ −x}2 - σ2 où E { x̂ −x}2 est l'erreur
quadratique moyenne.

Spectre réel
Spectreestimé

Xˆ ( f )
X(f )
Variance

Biais

 On dit qu’un estimateur est consistant s’il tend vers la vraie valeur du paramètre quand le nombre
d’observations tend vers infini (comportement asymptotique) :
lim bN = lim σ N = 0
N → +∞ N → +∞

 Si l’estimateur est non biaisé, nous avons une borne inférieure de la variance (borne de Cramer Rao). Si
la variance atteint la borne de CR, on dit que l’estimateur est efficace. Autrement dit, un estimateur non-biaisé
est appelé efficace si sa variance dans est plus petite que celle de n’importe quelautre estimateur non-biaisé.

Remarque: Dans ce qui suit, on parlera de variables xi iid (indépendantes et identiquement distribuées).
L'exemple classique est celui du lancé de dé ou de pièce de monnaie : Les variables aléatoires représentent
chaque résultat des lancers (0 pour face et 1 pour pile) suivent toutes la même loi de Bernoulli. Bien que les
lancers soient successifs, le résultats d'un lancé donné ne dépend pas des résultats précédents et n'aura
aucune influence sur les prochains lancés (pas de lien de dépendance)

Ce sont des variables aléatoires qui suivent toutes la même loi de probabilité (donc même moyenne et même
variance) et sont indépendantes.

On en déduit les propriétés suivantes:

- E{xi}=m ∀i

- E{(xi-m)2}=σ2

- E{( xi − m )( xk − m )} = 0 pour k≠i (indépendants et centrés)

Exemple d'application

Supposons que l'on observe N échantillons indépendants Y1,Y2, …….., Yn d'une variables aléatoire Y de
moyenne m= E{Yi} et de variance σ2=E{Yi2}-m2.
FGE, USTHB [ assiakourgli@[Link] / [Link]

126
Traitement Avancé du Signal Master RT M1 2022/2023

1. On désire estimer X=m (déterministe) en supposant σ2 connue. Pour cela, on étudie les deux estimateurs
suivants :
1 n 2 n
X1 =  Yi
n i =1
X2 =  [Link]
n ( n + 1) i =1
- Biais de X1= E {Xˆ 1 }− X=0 - Variance de X1=σ2/n

- Biais de X2= E {Xˆ 2 }− X=0 - Variance de X2=2σ2(2n+1)/3n(n+1)

2. On désire estimer X= σ2 en supposant m connue. Pour cela, on étudie les deux estimateurs suivants :

1 n 1 n
X1 = 
n i=1
(Yi − m) 2 et X1 = 
n i =1
(Yi − µY ) 2

- Biais de X1= E {Xˆ 1 }− X=0 - Biais de X2= E {Xˆ 2 }− X=(n-1).σ2/n

3. Estimateurs des moyennes statistiques

Les quantités E{x} ,E{x}2, ,Sxx(f),... sont impossibles à calculer sur un ordinateur car elles nécessiteraient un
nombre de points infini. Sur calculateur, on ne dispose que d'une séquence discrète et finie de N points. En
réalité, on calcule des estimées de ces grandeurs en supposant généralement le signal stationnaire et
ergodique. On remplace alors le calcul des moyennes statistiques par des moyennes temporelles.

[Link] de Moyenne

Soit N échantillons (x0, x1, …..,xN-1) indépendants et identiquement distribuées (même loi avec même
paramètre) d’un signal aléatoire stationnaire. On définit l’estimée m̂ de E{x}

N −1
1
mˆ =
N
x
k =0
k

On remarque donc qu'on remplace la moyenne statistique par la moyenne temporelle sur la séquence finie.
Cet estimateur est non biaisé. En effet, du fait que le signal soit iid ,∀k;E [xk} = m, alors :
N −1
E {mˆ } =
1
 E{x } = N .N .m = m
1
k
 b{mˆ } = 0
N k =0

Pour la variance d’estimation, on obtient :

 1 N −1  1 N −1   
2
2
mˆ {
σ = var{mˆ } = E (mˆ − E{mˆ }) 2
} = E   xk − E   xk   
 N k =0  N k =0   
 1 N −1 1 N −1   1  N −1
2
 
2

= E   xk −  E{xk }  = 2 E   ( xk − E{xk })  
 N k =0 N k =0   N  k =0  

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

127
Traitement Avancé du Signal Master RT M1 2022/2023

Sachant que les xk sont indépendants et que E{ xk - E{ xk } }=0, alors :

 E{( xk − E{xk }) 2 } = 2
1  N −1  1 N −1

2  σ
σ m2ˆ = 2
=σ2 / N
N  k =0  N i =0

Cet estimateur est consistant, puisque pour N→∞, biais et variance tendent vers 0.

B. Estimateurs de variance

Selon que l’on connaisse ou non la moyenne, on utilisera l’un des deux estimateurs suivants :
N −1
1 1 N −1
σˆ 1 =  (x − m) 2 σˆ 2 =  ( x k − mˆ ) 2
2 2

N − 1 k =0
k
N k =0

Calculons le biais des deux estimateurs

{ }  E{(x }
N −1
− m) = σ 2
1 bσˆ 2 = 0
E σˆ 1 = 
2 2
- Pour le premier, on a : k 1
N k =0

E {σˆ } = E {( x } { }
N −1
1 N −1
− mˆ ) = E ( xk − m + m − mˆ )
1
(N − 1)  
2 2 2
- Pour le deuxième, on a : 2
k =0
k
(N − 1) k =0
1 N −1  1 N −1   1 N −1   
{ }
2 2
1 N −1
E σˆ 2 =
(N − 1) 
E  xk − m + m −  x j   =  E  (xk − m) − N  ( x j − m)  
2

k =0  N k =0   ( N − 1) k =0  k =0  

Sachant que E {( x k − m )} = 0 , on a :

1 N −1  
{ } { } { }
N −1 2
1 
E ( xk − m ) +  ( x j − m)  − E ( xk − m )
2
E σˆ 2 =  
2 2 2

(N − 1) k =0 
 N k =0  N 

 E{(x }
1 N −1  2 N −1
2σ 2
 1 N −1  2 σ 2 2σ 2  Nσ 2  N − 1 
− m)
1
(N − 1)  
=  σ + 2 2
−  =  .σ + −  =   =σ
2

 ( N − 1) i=0 N  ( N − 1)  N 
i
i =0  N i =0 N  N

Les deux estimateurs ne sont pas biaisés puisque on obtient la vraie valeur à chaque fois.

C. Estimateurs de la corrélation

Dans le cas discret, la fonction d'autocorrélation d'un signal aléatoire x; supposé ergodique, est définie par :
1 n=+ N
Rxx (k ) = E{x(n) x * (n − k )} = E{x(n) x * (n − k )} = lim  x(n) x * (n − k )
N →∞ 2 N + 1 n=− N

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

128
Traitement Avancé du Signal Master RT M1 2022/2023

A partir d'un échantillon (x0, x1, …..,xN-1) indépendants et identiquement distribuées, plusieurs estimateurs
sont alors possible:
N −1 N −1
1 1
Rˆ xx (k ) =
N
 x ( n) x * ( n − k ) Rˆ xx (k ) =
N −k
 x( n) x * ( n − k )
n=k
n =k
Le premier estimateur est biaisé car on ne tient pas compte du nombre d'échantillons disponibles qui
varie avec le pas k. Le deuxième en tient compte, il est non biaisé. En effet :

{
E Rˆ xx (k ) = } 1 N −1

N − k n=k
E{x( n) x * ( n − k )} =
1 N −1
 Rxx (k ) = Rxx (k )
N − k n=k

On peut démontrer que la variance de cet estimateur tend vers 0 quand N tend vers l'infini. Cet estimateur
est donc consistant.

On observe par contre que lorsque k approche du nombre d'échantillons N, la variance de l'estimateur
non biaisé devient excessive (voir exemple pour un bruit blanc et une sinusoïde).Alors que celle de
l'estimateur biaisé varie beaucoup moins. C'est une des raisons pour lesquelles cet estimateur est souvent
utilisé par la suite, malgré son biais.

D. Estimateurs de la densité spectrale

a.Méthode du périodogramme

Supposons que l'on dispose d'une séquence de N points du signal aléatoire : x [ x0,x1,...,xN-1}.

Soit donc la séquence yk obtenue à partir de la séquence xk pondérée par la fenêtre fk : yk=[Link]

La transformée de Fourier calculée sur la séquence finie sera donc convoluée avec le spectre de la fenêtre
rectangulaire c'est-à-dire un sinus cardinal. Rappelons que les propriétés spectrales du sinus cardinal ne sont
pas bien adaptées à l'analyse spectrale du signal (lobes secondaires importants). Pour y remédier, on emploie
des fenêtres de pondérations (Hamming, Hanning, Kaiser,etc.)

La méthode du périodogramme à prendre la TF d'une réalisation :

N −1
1
Y ( f ) =  y k e −2πjfk
2
Sˆ xx ( f ) = Y ( f ) avec
N k =0
D’où
N −1 N −1 N −1 N −1
1 1
Sˆ xx ( f ) =
N
ye
l =0
l
− 2πjfl
y
m =0
m e 2πjfm
N
 y y
l =0 m=0
l m e −2πjf ( l − m )

( )
N −1 N −1 N −1
1
=
N
 y y
k =0 l =k
l l −k e −2πjfk = Rˆ yy (k )e − 2πjfk = TF Rˆ yy (k )
k =0
FGE, USTHB [ assiakourgli@[Link] / [Link]

129
Traitement Avancé du Signal Master RT M1 2022/2023

Le calcul de l’espérance de Sˆ xx ( f ) donne :

{ }  N −1 N −1 N −1
 1 
E Sˆ xx ( f ) = E  Rˆ yy (k )e − 2πjfk  = E   y y l l −k e − 2πjfk 
 k =0  N k =0 l = k 

{ } 1 N −1 N −1 N −k
N −1
E Sˆxx ( f ) ==  E{yl yl −k }e−2πjfk =  Ryy (k ) e−2πjfk = S yy ( f ) * N sin c( fN ) 2
N k =0 l = k k =0 N

Le périodogramme est un estimateur biaisé. Le périodogramme est donc en moyenne la convolution du

véritable spectre avec la transformée de Fourier de la fenêtre triangulaire. Néanmoins, lorsque N → ∞ , le
biais devient nul. La variance est pratiquement indépendante de N et proportionnelle au spectre :≃ Sx(f)2/
Remarquons que la qualité de l’estimation par périodogramme sera d'autant meilleure quele signal est
observé sur une longue plage de stationnarité.

Afinde diminuer la variance de cet estimateur, on peut utiliser un périodogramme moyenné. Cela consiste à
séparer le signal en K tranches (de longueur N/K), à calculer le périodogramme sur chaque tranche et à faire
la [Link] fait des K moyennages, la variance est presque divisée par K : néanmoins, les tranches étant
plus courtes, la résolution diminue(∆f=fe/N→fe/K). En pratique, un taux de recouvrement de 40% donne de
bons résultats. Au delà, l’indépendance entre les tranches n’est plus respectée.

b. La méthode du corrélogramme consiste à calculer d'abord l'estimée de Rxx(k) de la fonction

d'autocorrélation puis à prendre pour estimée de la densité spectrale la TF de cette estimée.

[
Sˆ xx ( f ) = TF Rˆ xx (k ) ] 0.5
unbiased
biased

Les corrélogrammes présentent chacun un extrema pour la fréquence 0.45

0.4

normalisée 3 qui est bien la fréquence de la sinusoïde étudiée. Il ressort

0.35

également de ces courbes que le corrélogramme non-biaisé permet de 0.3

mieux faire ressortir la fréquence de la sinusoïde mais au dépend d'une

A m p litu de

0.25

plus grande variance sur les bords. 0.2

0.15

0.1

2
0.05

c) Dans cette méthode, on recherche un

modèle AR, MA ou ARMA pour la Sˆ ( f ) = 1 0
-5 -4 -3 -2 -1 0
Frequence (Hz)
1 2 3 4 5

xx r
u0
séquence xk. Dans le cas d'un modèle auto- 1+ a e
k =1
k
− i 2πfk

régressifxk = a1xk-1+....+arxk-r+uk

1. Estimateurs
Le but des techniques d’estimation est d’utiliser les observations X (aléatoires) pour extraire de l’information
sur la grandeur d’intérêtY. Suivant que Y soit déterministe ou aléatoire, on fera appel à différentes
techniques. Ainsi :
 Pour estimer une variable certaine, dans le cas le plus général, on souhaite que l’estimateur soit non
biaisé, on cherche donc l’estimateur à minimum de variance dont le plus connue est le maximum de

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

130
Traitement Avancé du Signal Master RT M1 2022/2023

vraisemblance (MV) basée sur l'emploi de la probabilité des valeurs observées p(X/Y). Si on autorise un
biais, on cherche alors à minimiser l’erreur quadratique moyenne.
 Lorsque Y la variable aléatoire à estimer est aléatoire, on aura recours aux estimateurs Bayesiens.
Plusieurs cas de figures sont alors possibles :
- Lorsqu'on suppose p(Y) connue, on utilisera en fonction de la fonction de coût à minimiser, différents
estimateurs tels celui du maximum à postériori (MAP).
- Si seules sont connues les moments d’ordre 1 et 2 de p(Y)etp(X), on utilise alors souvent l’estimateur linéaire
non-biaiséà variance [Link] filtre de Wiener en est un exemple.
 Dans le cas où on ne possède aucune information statistique sur X et Y et que la seule dont on dispose
est que X est une mesure bruitée de fct(Y), on adoptera l'estimateur des moindres carrés pour estimer Y qui
s'affranchit de tout cadre probabiliste.

TD n°5 : Notions d'estimation et Filtrage de Wiener

1. Les éléments d’une population possèdent un caractère X qui suit une loi de probabilité dont la densité est
donnée par :
³u 0 … … Ð
.{ Ï
vÎ À Î>
0 ³u w
Où k =cste et θ>0 est le paramètre inconnu.

- Déterminer la constante k.
N
1
- Montrer que l’estimateur
N
X
i =1
i de θest biaisé et en déduire un non biaisé.

2. Soit (X1,X2,…….XN) avec N>10 un échantillon aléatoire issu d’une population suivant une loi de Bernoulli
de paramètre p. p(x)=p.δ(x-1)+(1-p).δ(x) . Considérons les trois estimateurs du paramètre p :

)  N  ) 1 N /2 ) 1 10
p1 =   X i − 1 / N
 i =1 
p2 =  X 2i
N / 2 i =1
p3 =  X i
10 i =1
- Comparer les trois estimateurs (consistance)

3. Soit (X1,X2,…….XN) une population de moyenneµet de variance σ2. On considère les deux estimateurs de la
moyenne :
1 N N N
µ1 =  Xi
N i =1
µ 2 =  ai X i /  ai
i =1 i =1
ai ≥ 1

- Montrer que ces deux estimateurs sont non biaisés.

4. Soient (X1,X2,…….XN), N variables aléatoires indépendantes suivant des lois de poisson de paramètre λ.
Soient les estimateurs suivants du paramètre λsuivant :
N

x i
λˆ2 =
x1 + x N
λ̂1 = i =1
2
N
FGE, USTHB [ assiakourgli@[Link] / [Link]

131
 Traitement Avancé du Signal Master RT M1 2022/2023

- Que signifient le biais et la variance pour un estimateur ?

- Calculer biais et variance des 2 estimateurs.
- Lequel est le plus efficace et pourquoi ?

5. On considère un processus de la forme X(n) = θ + W(n) où W(n) est un processus gaussien de moyenne 0
et de variance 1 tel que W(n) et W(j) sont indépendants si n≠j. On suppose que θ suit une loi N (0,σ2)
indépendante de W(n) n∈Z.
- Caractériser le filtre de Wiener permettant d’estimer θ à partir de Xn, Xn−1, ..., Xn−p+1.
- Calculer les coefficients du filtre.

6. On considère un processus de la forme X(n) = b(n) + αb(n-1) + W(n) où W(n) est un processus gaussien
de moyenne 0 et de variance σ2 tel que W(n) et W(j) sont indépendants si n≠j. On suppose que b(n) est une
variable aléatoire uniforme à valeurs dans {−1,1}, indépendante de(W(n) )n∈Z et que de même, b(n) et
b(j) sont indépendants si n ≠ j (P(b(n) = 1) = P(b(n) = −1) =1/2.
- Construire un filtre qui estime b(n) .
7. On désire dé-bruiter un signal de parole z(n) corrompu par du bruit additif b(n) indépendant du signal
sonore et ce, par filtrage de Wiener. On suppose connues quelques valeurs d’autocorrélation pour les deux
signaux telles que :
RZZ[0] = 1.5; RZZ[1] = 0.5; RZZ[2] = 0.25; RZZ[3] = 0.125 ; RZZ[4] = 0.0625
Rbb[0] = 1; Rbb[1] = 0.25; Rbb[2] = 0.0625; Rbb[3] = 0.015625
-Pourquoi ne peut-on pas employer un filtre adapté ou un filtre moyenneur ?
-Donner les équations de Wiener-Hopf permettant d’estimer z(n).
ˆ(n).
-Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile z
-Exprimer H(z).

8. On considère un problème d'estimation de bruit b(n).

Le signal observé est x(n) =s(n) +b(n) −b(n−1).
On suppose que le signal s(n) est centré avec Rss(n)=0.8| | et qu'il est décorrélé du bruit dont l'autocorrélation
est Rbb(n)=0.8δ(n).

• Déterminer les moyennes statistiques de s(n) et b(n).

• Quand à-t-on recours au filtre de Wiener?
• Donner les équations de Wiener-Hopf permettant d’estimer b(n)
• Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile bˆ ( n ) .
• Exprimer bˆ ( n )

Solutions
5 N
1. k=4 b=(4θ/5)-θ θ=  xi
4N i=1
2. p(x)=pδ(x-1)+(1-p)δ(x) µx=p σx2=p(1-p)
- p1 b=1/N σ =p(1-p)/N
2 (=0 N→∞) consistant
- p2 b=0 σ2=2.p(1-p)/N (=0 N→∞) consistant
- p3 b=0 σ2=p(1-p)/10 (≠0 N→∞) non consistant
p1meilleur estimateur pour N→∞
2
n
 n 
3.µ1 voir cours µ2 : b=0 ,σ2= 
i =1
ai σ /  ai 
2 2

 i =1 
FGE, USTHB [ assiakourgli@[Link] / [Link]

132
Traitement Avancé du Signal Master RT M1 2022/2023

4. bλ1=0 bλ2=0 σλ12=σ2/N σλ22=σ2/2 Le premier (variance plus petite pour N>2)
5. Rxx(0)=1+σ2 Rxx(k>0)= σ2 Rθx(k)=σ2 bi=σ2/(Nσ2+1)
6. Rxx(1:3)=(1+α2+σ2, α, 0) Rbx(1:3) =(1, 0, 0)
7. µz=0, µb=0, signal (parole) aléatoire,
8. µs=0, µb=0 , Sb(f)=0.8. Quand signal utile et bruit occupent même plage de fréquences.
b0=0.8/2.6 et b1=0.

Exercices supplémentaires
1. Soit X une variable aléatoire qui suit une loi Binomiale B(16; p), où p est un paramètreinconnu. On se
propose d'estimer p a l'aide d'un échantillon de taille n de X : (x1; .....;xN). On se propose d'étudier les
estimateurs suivants :
1 N 1 N
1 1 N 
pˆ 1 =  Xi
N i=1
pˆ 2 =
16 N
 Xi
i =1
pˆ 3 =  X1 +
16 
 Xi 
N − 1 i =2 
- Lesquels sont sans biais, consistants.
- Lequel doit-on employer de préférence?
On rappelle que pour une loi Binomiale B(n; p) de paramètre n et p, moyenne et variance sont les suivants
m = np σ 2 = np (1 − p )

2. Soit D la variable aléatoire représentant la durée d'une communication téléphonique. On suppose que la

: soit les durées Di de N communications. Etudier l'estimateur suivant : Њ ∑Ÿ

loi de D est la loi Uniforme U sur [0,θ], pour θ> 0. On veut estimer θ, pour cela, on observe un n échantillon
q q Ÿ
- Calculer son biais, sa variance, est-il consistant?

[Link] , l ,.......lŸ les N variances obtenues à partir de N échantillons aléatoires i.i.d. de tailles respectives
n1, n2, ......nN.
On considère l'estimateur de la variance suivant :l• 4 t4 / t/Ñ ……….………… Ò tÒ
/ / /

4 4 …….. Ò
- Est-ce un estimateur biaisé?
- S'il est biaisé, en proposer un non biaisé.

On rappelle que E σˆ i{ } = {( x − mˆ ) } = {( x − m + m − mˆ ) } = (n − 1)σ

2
i
2
i
2
i
2
/ ni (voir cours p.76)

4. Soient les variables aléatoires X1 et X2 i.i.d. de moyenne µ et de variance σ2. Comparer les deux estimateurs
de µ suivants:
- ĉ ĉ
Ó4 Ó/ oÓ4 «Ó/
o «
avec a et b réels.

[Link] (x1, x2, .........xN) des échantillons indépendants correspondant à une population dans la moyenne est
µ et de variance σ2 . On considère les 2 estimateurs suivants de la moyenne:
Ô Ÿ ∑Ÿ
c q q c
Ô i C 1 i où 0≤a≤1
• Calculer le biais et la variance de chaque estimateur.
• Etudier leur consistance.
• Lequel vous semble préférable (Justifier) ?

6. On considère un processus de la forme X(n) = S(n) − 2S(n-1) + S(n-2) + W(n) où W(n) est un processus
gaussien de moyenne 0 et de variance σ2 tel que W(n) et W(j) sont indépendants si n≠j. On suppose que

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

133
Traitement Avancé du Signal Master RT M1 2022/2023

S(n) suit une loi N (0,1) indépendante de (W(n) ) n∈Z et que de même, S(n) et S(j) sont indépendants si n ≠
j.
- Donner l’équation de Wiener–Hopf permettant de calculer les coefficients du filtre(anti causal) de Wiener
d’ordre 3 permettant d’estimer S(n-2) à partir de X(n) , X(n-1) et X(n-2) .
-Vérifier que si σ = 0, la solution est : S(n-2) = -( X(n) + 3X(n-1) + X(n-2) )/5

[Link] considère une observation x(n)=s(n)+w(n) où w(n) est un bruit blanc de variance σ2 indépendant de
x(n). On suppose aussi que le signal utile x(n) est centrée et réduit et que les x(n) sont indépendants.
- Dans quel cas, utilise-t-on le filtre de Wiener ?
- Déterminer le filtre de Wiener d’ordre 3 permettant de retrouver le signal utile sˆ(n).
- Donner l’expression de sˆ(n)en fonction de x(n).
8. On considère un problème d'estimation d'un signal θ bruité.
Le signal observé est x(n) =θ +b(n).
On suppose que θ suit une loi uniforme sur [−θ0, θ0] et qu'elle est décorrélée du bruit b(n) qui possède une
DSP qui vaut σ2.
• Que signifie θ et b(n) sont décorrélés ? quel est le lien avec l'indépendance?
• Calculer la moyenne et la variance de b(n). Est-il SSL?
• Déterminer le filtre de Wiener d’ordre N permettant de retrouver le signal utile θ.
• Exprimer H(z) puis θ.

9. On considère un problème d'estimation d'un signal s(n) bruité..

Le signal observé est x(n) =αs(n)+b(n) .
On suppose que s(n) et b(n) sont SSL et décorréles et que le bruit possède une DSP Sbb(f)=0.25.

• Rappeler les conditions d'applications du filtrage de Wiener

)
• Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile s(n). On supposera
que Rss(k)=2*0.5|k|
)
• Exprimer H(z) puis s(n)
[Link] considère un problème d'estimation d'un signal s(n) bruité et ayant subi un écho.
Le signal observé est x(n) = s(n) +0.5s(n−1) +b(n) .
On suppose connue l'autocorrélation du signal utile et qu'elle a pour expression 0.5|k| et l'on suppose que le
signal utile est décorrélé du bruit dont l'autocorrélation est Rbb(k)=0.25|k|.

10. Déterminer les moyennes statistiques de x(n) et b(n)

11. Donner les équations de Wiener-Hopf permettant d’estimer s(n)
)
12. Déterminer le filtre de Wiener d’ordre 2 permettant de retrouver le signal utile s(n).
)
13. Exprimer s(n)et commenter

1. -Õ• 15v , lÕ• v 1 v -Õ• 0 , lÕ• v 1 v -Õ•? v , lÕ•? v 1 v le 2ème

Solutions
Ö Ÿ
Ÿ ÖŸ Ö Ÿ

2. -΋ 0 l΋
Î/
?Ÿ

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

134
Traitement Avancé du Signal Master RT M1 2022/2023

l l•′
Ÿt / Ø/
t
3.-t×/
4 …….. Ò
Ò
4 .
&4 Ñ&4 Ñ ……..&Ò

4.mêmeque exo3 5. Interro 2 17/18

6. Solutions données dans énoncés respectifs

7. Estimer un signal aléatoire stationnaire (le débruiter).

1
Rxx(0)=1+σ2 , Rxx(k>0)= 0,RSx(k)=1, Rsx(k>0)= 0 sˆ( n) = x(n)
1+ σ 2
8. E{ θ . b(n)} = µθ . µb IndépendantsDécorrélés µb=0 et σb2=σ2 bi=σ2/(Nσ2+1) voir exo 6
9. Signaux : utile et observation stationnaires et conjointement stationnaires connus
Rxx(k)=α2Rss(k)+Rbb(k) Rsx(k)=αRss(k)
10. même que 7

TP n° 5 : Notions d'estimation et Filtrage de Wiener (sous Matlab)

Buts : -Aborder les notions d'estimation ainsi que les propriétés des estimateurs (biais, variance) à travers un
exemple
- étudier les estimateurs de la moyenne, de la variance, de la corrélation et de la DSP.
- Application du filtrage de Wiener

Exercice 1: On reprend les 3 estimateurs de la valeur d'une résistance R donnés comme suit :
N N
U ( k ) I (k ) 1 N
U (k ) U (k )
Rˆ1 = k =1
N
Rˆ 2 =
N

k =1 I ( k )
Rˆ 3 = k =1
N
I
k =1
2
(k )  I (k )
k =1

Le programme suivant permet de simuler des courants et tensions bruitées et d'étudier les 3 estimateurs.
clc;clear all; close all;
randn('state', sum(100*clock));N=1000; it=1:N;R=1;
for k=2:N
U=1+0.22*randn(1,k); I=1+0.22*randn(1,k);
R1(k)=sum(U.*I)/sum(I.^2); R2(k)=sum(U./I)/k; R3(k)=sum(U)/sum(I);
end
figure; plot(it(1:100),R1(1:100),'-.r',it(1:100),R2(1:100),':g',it(1:100),R3(1:100),'-b');
legend('R1','R2','R3');
figure; plot(it,R1,'-.r',it,R2,':g',it,R3,'-b');legend('R1','R2','R3');
for k=2:N
biais_R1(k)=mean(R1(1:k))-R;biais_R2(k)=mean(R2(1:k))-R;biais_R3(k)=mean(R3(1:k))-R;
end
figure ;subplot(311); plot(biais_R1); grid; legend('Biais de R1');
subplot(312); plot(biais_R2); grid; legend('Biais de R2');
subplot(313); plot(biais_R3);grid; legend('Biais de R3');
for k=2:N
var_R1(k)=var(R1(1:k));var_R2(k)=var(R2(1:k));var_R3(k)=var(R3(1:k));

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

135
 Traitement Avancé du Signal Master RT M1 2022/2023

end
figure ;subplot(311); plot(var_R1); legend('Var R1');
subplot(312); plot(var_R2); legend('Var R2');subplot(313); plot(var_R3);legend('Var R3');

1. Expliquer toutes les boucles.

2. Etudier le biais et la variance de chaque estimateur. Conclure.
3. Lesquels sont consistants? Lequel est le plus efficace?

Exercice 2: Utiliser le programme ci-dessus pour construire les estimateurs de la moyenne et de la variance
N −1 N −1
1 1 1 N −1
mˆ =  xk σˆ 1 =  (x − m) 2
2
σˆ 2 =  ( x k − mˆ ) 2
2
k
N k =0 N k =0 N − 1 k =0
1. Prendre m=1 et σ2=2. Etudier le biais, la variance et la consistance de l'estimateur de la moyenne
2. Quelle est la différence entre les deux estimateurs de la variance ?
[Link] les 2 estimateurs de la variance sur les 100ères valeurs. Quel est le biais de chacun d’eux ?
4. Que remarque-t-on lorsque N augmente ? Les 3 estimateurs sont-ils efficaces?

Exercice 3 :Les deux estimateurs classiques de la fonction d'autocorrélation sont donnés par :
1 N −k 1 N −k
Rˆ kk (k ) = Rˆ kk (−k ) =  x(n) x(n + k ) et Rˆ kk (k ) = Rˆ kk (−k ) =  x(n) x(n + k)
N i =1 N − k i =1

clc; clear all; close all;

randn('state', sum(100*clock));
N = 200; f0=1; Fe=5*f0; Te=1/Fe; t=(1:N)*Te; m=0; v=2;tt=(-N+1:N-1)*Te;ff=Fe/2*(-N+1:N-1)/N;
bb=m+sqrt(v)*randn(1,N);Rbb1=xcorr(bb,'unbiased');Rbb2=xcorr(bb,'biased');
ss=cos(2*pi*f0*t); Rss1=xcorr(ss,'unbiased');Rss2=xcorr(ss,'biased');
figure ; subplot(2,1,1); plot(tt,Rbb1); subplot(2,1,2) ; plot(tt,Rbb2);
figure ; subplot(2,1,1); plot(tt,Rss1); subplot(2,1,2) ; plot(tt,Rss2);
figure;plot(ff,abs(fftshift(fft(Rss1)/N)),'r',ff,abs(fftshift(fft(Rss2)/N)),'b');
legend('unbiased','biased'); xlabel('Frequence (Hz)'); ylabel('Amplitude');
1. Calculer le biais des 2 estimateurs.
2. Des 2 estimations classiques de l’autocorrélation pour le bruit laquelle paraît la plus satisfaisante?
3. Même question pour l’autocorrélation de la sinusoide
4. Observer la DSP dans chaque et commenter en justifiant les différences (amplitude, lobes
secondaires, etc.)

Exercice 4 : Il existe différentes méthodes d'estimation de la densité spectrale de puissance. Les méthodes les

-
plus couramment utilisées sont :
Périodogramme simple: Sˆ xx ( f ) =
1
XT ( f )
2
Corrélogramme: TF de la corrélation xx
Sˆ ( f ) = TF Rˆ xx (k ) [{ }]
N
- Périodogramme moyenné et Périodogramme moyenné avec recouvrement (overlapping)

clc; close all; clear all;

N = 1024; Te = 1/N; Fe=N; t = (0:N-1)*Te; f1 = 100; f2 = 150; A1 = 2; A2=1.2; A3=4;
x = A1*cos(2*pi*f1*t) + A2*cos(2*pi*f2*t)+A3*randn(1,N); figure;plot(t,x);
% periodogramme
Sx1=abs(fft(x).^2)/N; ff1= Fe*(0:N/2-1)/N;
% spectre de l'autocorrélation
FGE, USTHB [ assiakourgli@[Link] / [Link]

136
Traitement Avancé du Signal Master RT M1 2022/2023

Rx=xcorr(x,'biased'); Sx2=fft(Rx); N2=length(Rx);ff2=Fe*(0:N2/2-1)/N2;

% Méthode de welch
T=256; SXXF=[];k=1;
for ii=1:T:N-T
xt=x(ii+1:ii+T); Sx3(k,:)=abs(fft(xt,N)).^2/T; k=k+1;
end
Moy_Sx3=mean(Sx3);
% Périodogramme moyenné avec recouvrement
T=256; Sx4=[];k=1;
for ii=1:T/2:N-T
xt=x(ii+1:ii+T); Sx4(k,:)=abs(fft(xt,N)).^2/T; k=k+1;
end
Moy_Sx4=mean(Sx4);
%affichage
figure; plot(ff1,Sx1(1:N/2),'b',ff2,abs(Sx2(1:N2/2)),'r');
legend('Périodo','Correlogramme'); xlabel('Frequence (Hz)'); ylabel('Amplitude');
AXIS([min(ff2) max(ff2) min(Sx1) max(Sx1)]);
figure; plot(ff1,Sx1(1:N/2),'b',ff1,Moy_Sx3(1:N/2),'r');
legend('Périodo','Périodogramme moyenné'); xlabel('Freq(Hz)'); ylabel('Amplitude');
figure; plot(ff1,Sx1(1:N/2),'b',ff1,Moy_Sx4(1:N/2),'r');
legend('Périodo','Périodogramme moyenné avec recouv'); xlabel('Freq(Hz)'); ylabel('Amp');
figure; plot(ff1,Moy_Sx3(1:N/2),'b',ff1,Moy_Sx4(1:N/2),'r');
legend('Périodo moyenné','Périodo moyenné avec recouv'); xlabel('Freq (Hz)'); ylabel('Amp');

1. Comparer les 4 techniques en faisant varier A1, A2 et A3 et commenter.

2. Rapprocher les fréquences et observer.
3. Commenter les quatre techniques d’estimation de la DSP en faisant varier N.
4. Quelle est l'avantage et l'inconvénient du moyennage?

Exercice 5: L’extraction d’ECG du fœtus se fait à partir de plusieurs électrodes placées en différents endroits
du ventre de la mère ; mais les enregistrements obtenus sont des mélanges de l’ECG du fœtus noté (FECG)
et celui de la mère noté (MECG) auquel se rajoute le bruit thermique des électrodes et des équipements
électroniques d'où l'emploi du filtre de Wiener.

[Link]; load [Link]; load [Link]; fe=256;

bb=0.1*noise1; mm=mecg1; obs=mecg1+fecg1+bb;
figure; subplot(411);plot(mecg1);legend ('ecg mère');
subplot(412);plot(fecg1);legend ('ecg foetus');
subplot(413);plot(noise1);legend ('bruit');
subplot(414);plot(obs);legend ('observation=fecg+mecg+bruit');
figure; subplot(211); plot(abs(fft(mecg1)),'r'); legend ('fft ecg mère');
subplot(212); plot(abs(fft(fecg1)),'g'); legend ('fft ecg foetus');
% Détermination de l'ECG du foetus avec comme donnée l'observation et l'ECG de
la mère
%===== Détermination des coefficients du filtre
Ncoeff= 25; N=length(obs);
Rxx= xcorr(obs);Rxx=Rxx(N:N+Ncoeff-1);
Rmm= xcorr(mm); Rmm=Rmm(N:N+Ncoeff-1); Rbb= xcorr(bb); Rbb=Rbb(N:N+Ncoeff-1);
C = toeplitz(Rxx); D= Rxx-Rbb-Rmm; b = C\D;
%=====estimation du Signal
fecg1_est=filter(b,1,obs);
%===== Affichages
figure; subplot(311); plot(obs); legend ('observation');grid
subplot(312); plot(fecg1_est);legend ('ecg foetus estimé'); grid
subplot(313); plot(fecg1);legend ('ecg foetus réel'); grid

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

137
Traitement Avancé du Signal Master RT M1 2022/2023

1. Pourquoi a-t-on utilisé l'instruction D= Rxx-Rbb-Rmm; ?

2. Quelles lignes du programmes faut-il changer pour retrouver l'ECG de la mère.

TP n° 5 : Notions d'estimation et Filtrage de Wiener (sous Python)

Buts : -Aborder les notions d'estimation ainsi que les propriétés des estimateurs (biais, variance) à travers un
exemple
- étudier les estimateurs de la moyenne, de la variance, de la corrélation et de la DSP.
- Application du filtrage de Wiener

Exercice 1: On reprend les 3 estimateurs de la valeur d'une résistance R donnés comme suit :
N N
U ( k ) I (k ) 1 N
U (k ) U (k )
Rˆ1 = k =1
N
Rˆ 2 =
N

k =1 I ( k )
Rˆ 3 = k =1
N
I
k =1
2
(k )  I (k )
k =1

Le programme suivant permet de simuler des courants et tensions bruitées et d'étudier les 3 estimateurs.
import numpy as np; import [Link] as plt;
N=1000;R1=[];R2=[];R3=[];R=1;
for k in range(2,N):
U=1+0.22*[Link](k);I=1+0.22*[Link](k);
R1=[Link](R1,sum(U*I)/sum(I**2));
R2=[Link](R2,sum(U/I)/k);
R3=[Link](R3,sum(U)/sum(I));
[Link](1);
[Link](311); [Link](R1); [Link](True); [Link]('R1');
[Link](312); [Link](R2); [Link](True);[Link]('R2');
[Link](313); [Link](R3); [Link](True);[Link]('R3');

bR1=[];bR2=[];bR3=[];VarR1=[];VarR2=[];VarR3=[];
for k in range(2,len(R1)):
bR1=[Link](bR1, [Link](R1[:k])-R);
bR2=[Link](bR2, [Link](R2[:k])-R);
bR3=[Link](bR3, [Link](R3[:k])-R);
VarR1=[Link](VarR1, [Link](R1[:k]));
VarR2=[Link](VarR2, [Link](R2[:k]));
FGE, USTHB [ assiakourgli@[Link] / [Link]

138
 Traitement Avancé du Signal Master RT M1 2022/2023

VarR3=[Link](VarR3, [Link](R3[:k]));
[Link](2);
[Link](321); [Link](bR1); [Link](True); [Link]('Biais R1');
[Link](323); [Link](bR2); [Link](True);[Link]('Biais R2');
[Link](325); [Link](bR3); [Link](True);[Link]('Biais R3');
[Link](322); [Link](VarR1); [Link](True); [Link]('Variance de R1');
[Link](324); [Link](VarR2); [Link](True);[Link]('Variance de R2');
[Link](326); [Link](VarR3); [Link](True);[Link]('Variance de R3');

1. Expliquer toutes les boucles.

2. Etudier le biais et la variance de chaque estimateur. Conclure.
3. Lesquels sont consistants? Lequel est le plus efficace?
4. Utiliser le programme ci-dessus pour construire les estimateurs de la moyenne et de la variance
N −1 N −1
1 1 1 N −1
mˆ =  xk σˆ 1 =  (x − m) 2
2
σˆ 2 =  ( xk − mˆ ) 2
2
k
N k =0 N k =0 N − 1 k =0
5. Prendre m=1 et σ2=2. Etudier le biais, la variance et la consistance de l'estimateur de la moyenne
6. Quelle est la différence entre les deux estimateurs de la variance ?
7. Comparer les 2 estimateurs de la variance sur les 100ères valeurs. Quel est le biais de chacun d’eux ?
8. Que remarque-t-on lorsque N augmente ? Les 3 estimateurs sont-ils efficaces?
Exercice 2 :Les deux estimateurs classiques de la fonction d'autocorrélation sont donnés par :
1 N −k 1 N −k
Rkk (k ) = Rkk (−k ) =  x(n) x(n + k )
ˆ ˆ et Rˆ kk (k ) = Rˆ kk (−k ) =  x(n) x(n + k)
N i =1 N − k i =1

import numpy as np; import [Link] as plt;

N=500; f0=0.02; Te=1;
t = [Link](0, N-1, N)*Te; s=[Link](2*[Link]*f0*t)
var=4; bb = (var**0.5)*[Link](N);
Cor_S= [Link](s,s,mode='full'); Cor_bb=[Link](bb,bb,mode='full');
Cor_S_biase=Cor_S/N; Cor_bb_biase=Cor_bb/N;
A=[Link](1,N-1,N-1); B=A[::-1]; A=[Link](A,N);A=[Link](A,B);
Cor_S_non_biase=Cor_S/ A;
Cor_bb_non_biase=Cor_bb/ A;
[Link](1);
[Link](221); [Link](Cor_S_biase); [Link](True); [Link]('Cor du cos Biaisé');
[Link](223); [Link](Cor_bb_biase); [Link](True);[Link]('Cor du bb Biaisé');
[Link](222); [Link](Cor_S_non_biase); [Link](True);[Link]('Cor du cos Non Biaisé');
[Link](224); [Link](Cor_bb_non_biase); [Link](True); [Link]('Cor du bb Non Biaisé');

1. Calculer le biais des 2 estimateurs.

2. Des 2 estimations classiques de l’autocorrélation pour le bruit laquelle paraît la plus satisfaisante?
3. Même question pour l’autocorrélation de la sinusoïde
4. Observer la DSP dans chaque et commenter en justifiant les différences (amplitude, lobes
secondaires, etc.)

Exercice 3 : Il existe différentes méthodes d'estimation de la densité spectrale de puissance. Les méthodes les
plus couramment utilisées sont :
- Périodogramme simple: Sˆ xx ( f ) =
1
N
XT ( f )
2
[{
Corrélogramme: TF de la corrélation Sˆ xx ( f ) = TF Rˆ xx (k ) }]
- Périodogramme moyenné et Périodogramme moyenné avec recouvrement (overlapping)

import numpy as np; import [Link] as plt;

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

139
Traitement Avancé du Signal Master RT M1 2022/2023

N=1024; fe=N; Te=1/fe; f1=100; f2=150; A1=2; A2=1.2; A3=4;

t = [Link](0, N-1, N)*Te;
x = A1*[Link](2*[Link]*f1*t)+ A2*[Link](2*[Link]*f2*t)+A3*[Link](N);
"""Périodogramme"""
TFx = [Link](x);TFx = [Link](TFx);
Sbx1=abs(TFx)**2/N; ff1 = [Link](-N/2, N/2-1, N)*fe/N;
"""Corrélogramme"""
Cor_x= [Link](x,x,mode='full')/N; N2=len(Cor_x);
Sbx2 = [Link](Cor_x);Sbx2 = [Link](Sbx2); ff2 = [Link](-N2/2, N2/2-1, N2)*fe/N;
[Link](1);
[Link](211); [Link](ff1,Sbx1/N); [Link](True); [Link]('DSP par TF au carré');
[Link](212); [Link](ff2,abs(Sbx2)/N); [Link](True);[Link]('DSP par TD de la
corrélation');
"""Périodogramme moyenné: méthode de Welch"""
"""Périodogramme moyenné avec Recouvrement"""

1. Comparer les 4 techniques en faisant varier A1, A2 et A3 et commenter.

2. Rapprocher les fréquences et observer.
3. Commenter les quatre techniques d’estimation de la DSP en faisant varier N.
4. Quelle est l'avantage et l'inconvénient du moyennage?

Exercice 4 : L’extraction d’ECG du fœtus se fait à partir de plusieurs électrodes placées en différents endroits
du ventre de la mère ; mais les enregistrements obtenus sont des mélanges de l’ECG du fœtus noté (FECG)
et celui de la mère noté (MECG) auquel se rajoute le bruit thermique des électrodes et des équipements
électroniques d'où l'emploi du filtre de Wiener.

import numpy as np; import [Link] as plt;

from [Link] import loadmat;
import [Link] as la; import [Link] as sp;
FF = loadmat('[Link]')
mecg1 = [[element for element in upperElement] for upperElement in FF['mecg1']]
mecg1 = [Link](mecg1);N=len(mecg1); mecg1= [Link](mecg1,new_shape=N)
FF = loadmat('[Link]')
fecg1 = [[element for element in upperElement] for upperElement in FF['fecg1']]
fecg1 = [Link](fecg1); fecg1= [Link](fecg1,new_shape=N)
var = 0.01; bb=(var**0.5)*[Link](N); x=fecg1+mecg1+bb;
[Link](1);
[Link](411); [Link](fecg1); [Link](True); [Link]('ecg bébé');
[Link](412); [Link](mecg1); [Link](True);[Link]('ecg mère');
[Link](413); [Link](bb); [Link](True);[Link]('Bruit');
[Link](414); [Link](x); [Link](True); [Link]('Observation');
"""Détermination des coefficients du Filtre de Wiener"""
P=20;
x=[Link](x); mecg1=[Link](mecg1);
Rxx = [Link](x,x,mode='full')[len(x)-1:];
Rmecg = [Link](mecg1,mecg1,mode='full')[len(x)-1:];
Ryx = Rxx-Rmecg;
C = [Link](Rxx[0:P]);
B = Ryx[0:P];
b = [Link](C).dot(B)
"""Filtrage"""
a = [Link]([1,0]);
y = [Link](b,a,x) ;
[Link](2);
[Link](311); [Link](fecg1); [Link](True); [Link]('ecg bébé');
[Link](312); [Link](x); [Link](True);[Link]('Observation');
[Link](313); [Link](y); [Link](True);[Link]('ecg bébé estimé');
FGE, USTHB [ assiakourgli@[Link] / [Link]

140
 Traitement Avancé du Signal Master RT M1 2022/2023

1. Pourquoi a-t-on utilisé l'instruction Ryx = Rxx-Rmecg;?

2. Quelles lignes du programme faut-il changer pour retrouver l'ECG de la mère.

[Link] [phase minimale]

 F. Auger“ Introduction à la théorie du signal et de l’information ” Technip

 G. Blanchet / M. Charbit “ Traitement numérique du signal : simulation sous Matlab ” Hermès

 M. Bouvet “ Traitement des signaux pour les systèmes sonar ”Masson

 J.M. Brossier “ Signal et communication numérique ” Hermès

 M. Charbit “ Eléments de théorie du signal : aspects aléatoires ” Ellipses

 M. Gevers / L. Vandendorpe “ Processus stochastisques : estimation et prédiction ” UCL

 M. Kunt “ Traitement Numérique des Signaux / Atelier de TNS ”Dunod / PPR

 Y. Thomas“ Signaux & systèmes linéaires : cours / exercices ”Masson

 F. Truchetet“ Traitement linéaire du signal numérique ” Hermès

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

141
Traitement Avancé du Signal Master RT M1 2022/2023

Exercices : estimation [Link] [Link] [Link]

[Link]
[Link]

[Link]

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

142
Traitement Avancé du Signal Master RT M1 2022/2023

Cours_TS_3A

[Link]. signal pour bien expliquer Somme XTX le produit matriciel Permettant de Rxx(k) normale

Méthodes LMS Gradient top

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

143