EHTP-Casablanca

2020/2021
Filière: Génie Electrique

Module :
Traitement du Signal et Acquisition de données
Elément du module :
Traitement du Signal

Présenté par Prof: R. Saadane

Département: Génie Électrique
Email: [Link]@[Link]

Merci de me signaler les éventuels erreurs ou des remarques par

l’adresse ci-dessus. 1
 Organisation
Organisation
Supports de cours: transparents - tableau

Accès via Internet aux transparents, complétés par des

liens hypertextes vers des pages WWW

Travaux dirigés (2 séances)

Travaux Pratiques (2 séances)

Références:
I) “Théorie et traitement des signaux”, F. de Coulon, Eds. Dunod
II) “An introduction to the analysis and processing of signals”, P.A. Lynn, Ed. Macmillan
III) “Méthodes et Techniques de traitement du signal et applications aux mesures
physiques”, tome 1, J. Max, Ed. Masson
IV)“Traitement numérique des signaux ”, [Link], Eds. Dunod

DSP a multimedia approach; Life in the frequency domain;

Digital Signal Processing; 2
 Traitement
Traitementdu
duSignal
Signal

Objectifs du cours :
 Enseigner les concepts et méthodes de bases en TS pour la Physique

distributions spectrales,
convolution et systèmes linéaires et invariants, spectroscopie,
corrélation des signaux, échantillonnage, interférométrie,
signaux numériques, modulation, diffraction,
signaux aléatoires estimation et détection, modélisation,
... analyse spectrale, ….
détection synchrone,
filtrage,
...

3
 Plan
Plandu
ducours:
cours:

I CONCEPTS
I.1 Introduction
I.2 Transformations des signaux
I.3 Fonctions de corrélation et densités spectrales
I.4 Impulsion de Dirac
I.5 Signaux numériques
I.6 Signaux aléatoires

II METHODES
II.1 Systèmes linéaires et invariants
II.2 Détection et Estimation des signaux
II.3 Modulation et détection synchrone
II.4 Analyse spectrale
II.5 Filtrage des signaux

4
II Concepts
Concepts I.1 Introduction:

A) Que signifient signal et traitement du signal ?

signal = toute entité qui véhicule une information

Exemples: onde acoustique Musique,

courant électrique délivré parole,
par un microphone ...

onde lumineuse source lumineuse

(étoile, gaz, …)
courant électrique délivré ...
par un spectromètre

suite de nombres Mesures physiques

Photographie ...
5
Traitement du signal = procédure pour:

 extraire l’information (filtrage, détection, estimation, analyse spectrale...)

 mettre en forme le signal (modulation, échantillonnage….)

(forme adaptée à la transmission ou au stockage)

 reconnaissance des formes

En Physique:
TS

Système
Physique en signal
Transmission Détection Analyse
évolution 

Sources de interprétation
"bruit"
6
 Exemples: Astronomie:
Ondes éléctromagnétiques
 informations sur l’étoile
Trait. Signal.:
signal
 échantillonnage
 filtrage V(t)
Atmosphère  bruit
 analyse spectrale
...

Physique du solide:

Lumière
I(t) Trait. Signal.:
Lumière transmise
 analyse spectrale
incidente  détection synchrone
détecteur ...
échantillon test
fente à ouverture
périodique

7
B) Classification des signaux :

Classification dimensionnelle : Nombre de variables libres.

Exemples : Tension électrique V(t) = signal unidimensionnel

Image statique noir et blanc  brillance B(x,y) = signal bi-dimensionnel

Film noir et blanc  B(x,y,t) = signal tri-dimensionnel

...

 La théorie du signal est indépendante de la nature physique du signal et des variables libres

Classification phénoménologique : Évolution déterministe ou aléatoire du signal

Signal déterministe : évolution ‘temporelle’ peut être parfaitement prédite par un

modèle mathématique approprié

Signal aléatoire : comportement imprévisible  description statistique

 tout signal physique comporte une composante aléatoire

(perturbation externe, phénomène quantique …)
8
Classification morphologique:

[Fig.2.10,(I)]

9
Classification énergétique:

Définition: par analogie avec les signaux électriques


2
Energie d’un signal x(t) : Wx  xt  dt
 T
2
1 2
Puissance moyenne de x(t) : Px  lim
T   T
xt  dt
T

2

 Classification: signaux à énergie finie  à Puissance moyenne finie

Tout signal physique Idéalisation

exemple: signal sinusoïdal

10
 I.2 Transformations des signaux :
(ou Représentation vectorielle des signaux)
Hypothèse: signal uni-dimensionnel et analogique

A) Série de Fourier : xT(t) signal périodique, avec T = période

Rappel:  
xT t  ao   an cos2 nf ot    bn sin 2 nf ot 
n 1 n 1
T
2
1
avec ao 
T xT t dt xT (" composante continue")
T

2
T T
2 2
“Coefficients 2 2
an  Tx t cos2 nf o t dt et bn  xT t sin2 nfot dt
T T
de Fourier” 
T

T
2 2

Superposition de signaux sinusoïdaux de fréquences [Link],

n entier et fo=1/T
Terme de fréquence fo = le "fondamental"
11
Terme de fréquence nfo = nième "harmonique"
 
En notation complexe : x t  
T  cn expi 2 nfot 
n 
T
2
1
avec c n 
T xT t exp i 2 nfot dt
T

2

an  ibn a  ibn
co ao , cn  , c n  n
2 2
*
Cas particuliers: xT t  réel  an , bn    c n cn
xT t  pair  bn 0 n  c n cn
xT t impair  a n 0 n  c n  cn
 Notation complexe  introduction de fréquences “négatives”
 Représentation graphique: Re(cn), Im(cn) ou |cn| , Arg(cn)
 centre de symétrie en t=T/4 : symétrie demi-onde  absence d’harmoniques paires
 si t = temps (s)  f = fréquence (Hz); si t = distance(m)  f = fréquence spatiale (m-1) etc

 Fourier Synthesis : Site 1 ou Site 2  Sinusoids

 Fourier Series Approximation  Listen to Fourier Series 12
B) Transformée de Fourier : x(t) = signal quelconque

Définition : déf . 
F  x(t )  X  f   xt exp i 2ft dt " Transformée de Fourier" de xt 

et

1
xt  F  X  f   X  f expi 2ft df " Transformée de Fourier inverse"


 Notation: x(t)  X(f);

 X(f) = “spectre d’amplitude” et Arg[X(f)] =“spectre de phase” du signal

 X(f) = fonction complexe même si x(t) est réel

 X(f) = fonction réel  x(t) est paire; fonction imaginaire pure  x(t) est impaire

Introduction to Fourier theory (cours)

13
 Lien avec la série de Fourier :
fo=1/T
xT(t) signal périodique pair (pour simplifier)
> <
xT(t) cn

t fo f
-T T
xT(t)  fonction non-périodique x(t) lim cnT    X  f 
T  
Lorsque T : fo=1/T  df intervalle infinitésimal et
xt   F  1 X  f 
nfo  f variable réelle continue

 X(f) = “généralisation” de la série de Fourier aux fonctions non-périodiques

  X(f) df = amplitude de la composante sinusoïdale de fréquence [f,f+df]
 Arg[X(f)] = phase …
 x(t) et X(f) sont deux descriptions équivalentes du même signal
Description fréquentielle même information
Description temporelle 14
 X(f)  information sur le système physique à l’origine du signal

Exemples : X son  f   X son f 

trompette trombone

 Spectre d’émission d’un gaz  température et composition chimique du gaz

(ex: x(t) signal délivré par un interféromètre, cf. chap II.3 )

Quelques ondes cérébrales x(t) 2

XXf f2
x(t)
Ondes Alpha: engendrées lorsque le
sujet change son niveau d'attention
(f modérées, amplitude importante)

Ondes Bêta: produites par une

activité mentale intense
(fréq. élevées, faibles amplitude)

Ondes Thêta: accompagnent

des sentiments de stress
émotionnel (f faibles)

15
Propriétés de la transformée de Fourier :
critère d'existence:
Signaux à énergie finie = condition suffisante
Signaux à puissance moyenne finie =>T.F. existe au sens des distributions

dualité temps fréquence: x(t)  X(f) et X(-t)  x(f)

autres propriétés:
a x(t)+b y(t)  a X(f)+b Y(f) Linéarité
 déf !
x(t) y(t)
.
X  f 'Y  f  f 'df  X  Y  f Y  X  f 
 Modulation

x(t)  y(t)  X(f) Y(f) Produit de convolution

x(t-to)  X(f) e-i2fto Retard

x(t).ei2fot  X(f-fo) Modulation sinusoïdale

 f
x(at) X
 a  Changement d’échelle
a  g G 1

16
 The Joye of Convolution  Magnitude and Phase Spectra
C) Transformée de Laplace: (aperçu)

Définition :
L xt   X L s   xt exp s t dt , avec s   i et  ,  
0

 XL(s) = fonction complexe de la variable complexe s

 domaine de convergence  
 Pour un signal causal (x(t<0) = 0): XL(i2f) = X(f)

 XL  généralisation de la T.F. dans le plan complexe

 XL = outil de caractérisation des systèmes de traitement des signaux (cf. chap II.1)
  i
1
Transformée inverse : xt   X L s exps t ds
2i
  i

 méthode des résidus

 table de transformées de Laplace
 méthode des fractions partielles
17
Autres propriétés de la transformée de Laplace:

linéarité: La xt   b y t  a X L s   b YL s 

décalage temporel: L x(t  to )  X L s e  sto

décalage 'fréquentiel':  
L x(t ) e  at  X L s  a 

signal à t=0-
 dx(t ) 
dérivation : L  s X L s   x0 
 dt 

 d n x(t )  n n 1 n  2 df 0  df n  10 
dérivation multiple : L n 
s X L s   s x0   s   
 dt  dt dt n  1

 t  X s 
intégration : L xt 'dt '  L
 0  s

18
 Pôles et Zéros d’une Transformée de Laplace rationnelle:

X L s   A
s  z1 s  z2 s  z2 
s  p1 s  p2 s  p3 

XL(zi)=0  zi= “zéros” de XL

pi  Dom. Convergence  pi=“pôles” de XL

Estimation de la forme de X(f) à partir des points singuliers (zi et pi ):

i 2f  zi 
Hyp: signal causal X ( f )  X L i 2f   A
i 2f  pi 
 i 2f  zi 
et X ( f ) A
 i 2f  pi 

 Exploring the s-plane 19

 Im(s)
Représentation vectorielle: 
pi vi i2f

vi  f   i 2f  pi ;  vi  f   Arg i 2f  pi  
 vi


wi  f   i 2f  zi ;  w i  f   Arg i 2f  zi  
wi Re(s)
 wi

 zi
 wi 
X f    et Arg  X  f    wi  f     vi  f 
vi i i

 t 1 pour t 0
Exemple: x t   t e ,    
et  t  
0 pour t  0
1
X L s  
s 

20
 Im(s)

1
 X  f    ; Arg  X  f    v  f 
v i2f v
v

 Re(s)

Arg  X  f 
X f 

1/

f
f



21
 un pôle proche de l’axe imaginaire tend à augmenter |X(f) | aux alentours de

f=Im(pi)/2
 un zéro proche de l’axe imaginaire tend à diminuer |X(f) | aux alentours de

f=Im(zi)/2
 dans des cas simples (nombre réduit de points singuliers) cette méthode permet de
rapidement tracer une esquisse de |X(f) |
 dans des cas plus complexes elle peut servir de base pour automatiser, par voie
informatique, le tracé de |X(f) | et Arg[X(f)]
 pour tout signal physique: nombre de pôles > nombre de zéros
 pour un signal réel: les points singuliers apparaissent par paires de complexes
conjugués

22
 I.3 Fonctions de corrélation et densités spectrales :
 Outils mathématiques pour “mesurer la similitude” entre signaux

Évolution temporelle Composition spectrale

Fonctions de corrélation Densités spectrales

 Distribution énergétique du signal sur l'espace des fréquences

A) Fonction d’intercorrélation

Définition  “Fonction d’intercorrélation des signaux
 xy    x* t yt   dt
 x(t) et y(t)”

 convergence: au moins un des deux signaux doit être à énergie finie.

23
Interprétation: dans l’hypothèse où x(t) et y(t) sont à valeur moyenne nulle
Deux cas extrêmes: a) pas de corrélation entre x et y
b) y(t-to)=c x(t)
(a)  le signe de x(t).y(test en moyenne autant positif que négatif

 xy    xt y t    0
Valeur moyenne ‘temporelle’
(b)  lorsque =tle signe de x(t).y(test toujours positif


 xy to  = c W = maximal
x

Similitude max. lorsque y(t) est décalé de to


 En termes mathématiques:  xy   = produit scalaire de x(t) et y(t)

Projection de x(t) sur y(t)

24
B) Densité interspectrale d’énergie

On a:

 xy    x  t y
*
!
 
t   dt  x*  t  y t   


    X  f 
“Densité interspectrale
déf.
F 
 xy *
Y  f    xy

f 
d’énergie”

Conséquence:


 xy  f  0  X ( f ) 0 et Y ( f ) 0

 xy   ne comporte que des fréquences
partagées par x(t) et y(t)

(il suffit que X(f) ou Y(f) soit nulle en f=fo pour que  
xy  fo  0 )

25
C) Fonction d’autocorrélation : Cas particulier: y(t)=x(t)


“Fonction
 x    x* t xt   dt
 d’autocorrélation de x(t)”

 Mesure la similitude de x(t) avec une version décalée de x(t)


ex: signal périodique   x périodique de même période
maximum de ressemblance dès que
= multiple de la période

Propriétés  x(t) nécessairement à Wx finie


  x 0  x(t ) 2 dt Wx


  x     x  
  *  x   paire si x(t) est réel

26
D) Densité spectrale d’énergie
“Densité spectrale
    X  f 
déf.
2
F  x   x f 
d’énergie”


Propriétés :  Par transformée inverse:  x    X  f 2 e i 2f df

 !
2
 x 0  X  f  df Wx   x mérite bien son nom!


 x  f  décrit la distribution fréquentielle de l’énergie du signal

  x  f  est indépendant de la phase du signal (Arg[X(f)])



insensible à tout retard du signal

27
E) Cas des signaux à puissances moyenne finie :



 xy   ne convergent pas nécessite des définitions différentes
T
2
1
Fonction d’intercorrélation:  xy    lim x t yt   dt
*
T   T
T

2
T
2
1
Fonction d’autocorrélation:  x    lim x t xt   dt
*
T   T
T

2

Densité spectrale de puissance:  x  f  F  x  

    x 0  Px
1 2 t
 on peut montrer que:  x  f   lim X  f , T  où X  f , T   xt , T   xt rect  
T   T T 
(Coulon)

28
I.4 Impulsion de Dirac (en théorie du signal):  t 
A) Définition

Par définition (t) est un “signal” pour lequel on a :

  déf  (t) = “opérateur
 t xt  to dt  xt  t  to dt  xto  d’échantillonnage”
 

quelque soit x(t).

“Construction” de (t): Soit x to , T   Valeur moyenne dex(t) sur [to-T/2, to+T/2]
to T 
2
1 gT(t)
x to , T   x(t )dt  xt gT t  to dt
T
to  T 
Surface = 1
2 1/T

1 t t
où gT t   rect  
T T  -T/2 T/2

29
 ! x(t)
lim x to , T   xt0 action de  t 
T0 T x(t)gT(t-to)
T x to , T 

to t
to-T/2 to+T/2

D’où la conclusion que les propriétés de l’impulsion de Dirac sont identiques à celles d’un
signal rectangulaire dont la largeur tend vers 0 et la hauteur vers l’infini, à surface constante.

 le choix de gT(t) n’est pas unique (cf. théorie mathématique des distributions)
 (t) = idéalisation d’une situation réelle
ex: la réponse d’un système à un signal “extrèmement bref” sera décrite par sa
réponse à l’impulsion de Dirac (c’est-à-dire par la limite asymptotique où la durée
du signal tend vers 0)

30
Propriétés

(t)  1
(t-to)  exp (-i2fto) (cf. T.F. d’un signal retardé)

3) exp (i2fot)  (f-fo) (cf. réciprocité de la T.F.)

4) x(t)(t-to)=x(to) (t-to) (proche de to, le signal x(t) peut être remplacé par x(to) …)
x(t) T.x(to)gT(t-to)

to t
to-T/2 to+T/2

 xt   t  to    x  to 

5)
 ( 4) 
xt    t  to dt  x  to    t  to dt x  to 1
 

31
Représentation graphique (t-to)
1

to t

B) Signaux périodiques

xT t    X n expi 2 nfot  où Xn = coefficients de Fourier X(f)
n 
fo = 1/T; T = période

Xn
X f   X n  f  n fo 
n 
nfo f

 signal périodique  énergie infinie

32
Produit d’un signal d’énergie finie par un signal périodique:
  
z(t) = xT(t) y(t)
.  Z  f   X  f   Y ( f )    n X   f  n  f 
o  Y ( f )
 n  

Zf   X n Y  f  n fo 
n 

Cas y(t) = pair (Y réel):

Y(f) Z(f)

Y(0)
Y(0).X1

f fo f
-fo

33
I. 5 Signaux numériques
A) Introduction
 En Physique il est fréquent que les résultats expérimentaux soient sous forme d’une
suite de valeurs numériques. Pour caractériser et traiter un tel signal numérique on
peut utiliser les même concepts mathématiques qu’au chapitre précédent, à condition
de les adapter aux contexte numérique.
 Les possibilités d’application du traitement numérique des signaux sont d’autant
plus nombreuses que la vitesse de calcul des microprocesseurs est élevée.
 Les signaux numériques dérivent souvent d ’un signal analogique par

échantillonnage. En cas d ’échantillonnage idéal : x(n) = xa(nT), où x(n) désigne le

signal numérique, xa(t) le signal analogique, T la période d ’échantillonnage et n un

entier. (Si t représente le temps, n est un indice temporel )

 L ’amplitude des signaux numériques est quantifiée en raison du nombre fini
d ’octets pour représenter x(n).
34
B) Transformée de Fourier
exemple:

x(n)= signal numérique

x(n)
Définition

X(f )   x(n)e i 2fn (1) n
n 

Lien avec la transformée d’un signal échantillonné :


signal “échantillonné”: xe t   xa t    (t  nT ) échantillonnage idéal
n 
signal analogique
 
xe t    xa nT  (t  nT )  X e  f    xa nT e i 2fnT (2)
n  n 

(1)(2) à condition de poser T = 1

35
 
1   n
comme   t  nT  
T
  T 
  f  (T.F. d'un "peigne de Dirac",
n  n  cf cours de mathématiques)

 1   n  
 T  
d'où xe t   X a  f    f  
 n  T 

1   n
Xef   Xa f   = X(f) pour T=1
T n   T

répétition périodique de période 1/T de Xa(f)

Xa(f)
Xe(f)

fmax fmax f
1/T

 chaque période de Xe(f) reproduit fidèlement Xa(f) à condition que la fréquence

d'échantillonnage soit supérieure à 2fmax. (Théorème de Shannon)

36
Propriétés de X(f):

1) périodicité: X  f  1   X  f  par définition

période = 1 X(f) série de Fourier

où x(n) = coefficients de Fourier !
1
2
2) Transformée inverse: xn   X  f ei 2fn df
1
2

 i 2fno
3) Retard: pour y(n) = x(n-no)   Y  f   X  f e

4) Produit de convolution:

y k    xn g k  n   x  g k   g  xk   Y  f   X  f G f 
n 

Spectrum analyser demo

Joy of Convolution (Discrete time)

37
C) Transformée de Fourier discrète (TFD) :

 La Transformée de Fourier définie au paragraphe précédent est impropre au calcul

numérique puisque f est une variable continue et que le calcul de X(f) nécessite la
connaissance d’une infinité d’échantillons du signal temporel.

Discrétisation de f : f = n.f, où f est l'incrément sur l'axe des fréquences

En choisissant N valeurs de f sur une période de X(f), on a f=1/N

1 N
2
i 2 m k déf .
NX  e
2
i 2fk 1
xk   X  f e df  m
N
N  x p k 
N
1 m 
2
2

Qualité de cette approximation 

i 2 m k  N  i 2 m k
 e N e N
xp(k) est périodique de période N

  x p k    xl N  k  = superposition périodique de versions
l 
décalées du signal x(k)
38
 si x(k) est à durée limitée inférieure ou égale à N, chaque période de xp(k) est une

réplique exacte de x(k)

 On doit choisir N  durée du signal pour éviter la déformation par recouvrement

Pour des signaux à durée limitée, il existe une relation réciproque entre les N valeurs de
x(k) et les N valeurs prises par X(f) sur une période :
no  N  1
Pour x(n) non nul sur [no, no+N-1] : X(f )   x(n)e  i 2fn
n no
d'où en notant
X(m) = X(m/N) :
no  N  1
 i 2 m n N N "Transformée de
X ( m)   x ( n )e N , m  , ,  1
2 2 Fourier Discrète"
n no
N1
1 2 i 2 m n
xn  
N
NX (m)e N , n no , , no  N  1
m 
2

39
 x(k)
 Toute l'information sur le signal est
contenue dans les N valeurs de x(k)
ou de X(m)
 La "Transformée de Fourier
figure scannée #2
Rapide" (TFR) est un algorithme
efficace qui permet de calculer la
TFD en tenant compte des
redondances apparaissant dans
l'expression de la TFD. La TFR rend
accessible le calcul en temps réel de
la transformée de Fourier des signaux
à durée limitée.
 En cas de signal à durée illimitée,
[Fig 3.1, (IV)]
la TFD ne s'applique que sur le signal
 FFT spectrum analyser demo tronqué. 40
D) Transformée en z (un aperçu)
Définition

T .z xk   X z z    x(k ) z  k , avec z   "Transformée en z de x(k)"
k 

 Xz(z) = fonction complexe de la variable complexe s

 Pour les signaux usuels le domaine de convergence de Xz(z) est un anneau centré sur

l'origine du plan complexe

 pour z = ei2f, Xz(z)  X(f)  Xz = généralisation de la T.F.

 Xz = outil de caractérisation des systèmes de traitement numérique des signaux (cf.

chap II.1)
1 pour k 0
exemple : x(k )  k  k , avec  k  
0 pour k  0
z
et   1    X z z  
z  41
Caractérisation du signal par les points singuliers de Xz(z):

z = ei2f , f    z  cercle unité du plan complexe

Im(z)
Cas des transformées en z rationnelles:

X z z   A
z  z1 z  z2 z  z2  z = ei2f
 
z  p1 z  p2 z  p3  vi wi zi
pi Re(z)
(voir §I.3C) 2f
0

 wi 
X f    et Arg  X  f    wi  f    vi  f 
wi i i
Im(z)

z
exemple : X z z   ,  1 z = ei2f
z  
w1

 p1 =  , z1 = 0 v1 Re(z)

0 pi
 ||w || n'intervient que sur la phase du signal
 |X(f)| est périodique
42
 |X(f)|
1
1 

f
1
-1 1
1

 un pôle proche du cercle unité tend à augmenter |X(f) | aux alentours de f=Im(pi)/2

 un zéro proche du cercle unité tend à diminuer |X(f) | aux alentours de f=Im(zi)/2
 dans des cas simples (nombre réduit de points singuliers) cette méthode permet de
rapidement tracer une esquisse de |X(f) |
 dans des cas plus complexes elle peut servir de base pour automatiser, par voie
informatique, le tracé de |X(f) | et Arg[X(f)]
 pour tout signal physique les pôles sont à l'intérieur du cercle unité
 pour signal réel: les points singuliers apparaissent par paires de complexes
43
conjugués
E) Corrélation des signaux

Par analogie avec les signaux analogiques on définit les fonctions de corrélations suivantes:


fonction 
d' intercorrélation :  xy k    x l y l  k 
l 

densité interspect rale d' énergie :  xy f   X   f Y  f 

fonction d' autocorrélation :  x k    x l xl  k 
l 
2
densité spectrale d' énergie :  x f   X  f 

  x  f  = fonction périodique de période 1

1
 2

 Wx =  x 0   xl 2  X  f 2 df
l  1
2

44
 I. 6 Signaux aléatoires
A) Introduction

tout signal physique comporte une composante aléatoire:

 perturbation externe (ou "bruit").
ex: agitation thermique  tension aléatoire aux bornes d'une résistance
perturbation atmosphérique  fluctuations de la brillance des étoile
 signal issus d'un système très complexe
ex: jet de dés, processus biologique, météorologie, ...
 processus quantique
ex: signal délivré par un détecteur Geiger

 l'évolution du signal est imprévisible

 description statistique des signaux

45
B) Notion de Probabilité

Probabilité d'un événement :

Soit A un résultat possible d'une expérience aléatoire, N le nombre de réalisation de
l'expérience et nA le nombre de fois que le résultat A est apparu, alors :

déf .
nA
Probabilité de l'événement "le résultat de l'expérience est A" : PA  lim
N   N

Probabilité conjointe et conditionnelle :

Soient A et B deux événement distincts alors:
déf .
n AB
Probabilité conjointe que A et B aient lieu : PA, B   lim
N   N

avec nAB = nombre de fois que A et B sont apparus

46
  n AB n A   n AB  déf
 nA 
or PA, B   lim    lim    lim    PB / APA
N   n A N  N   n A  N   N 

"P(B/A)" P(A)

Probabilité
P(B/A) = Probabilité que B ait lieu sachant que A a eu lieu conditionnelle

 PA, B  PB / APA PA / B PB 

Evénements indépendants :

L'apparition de B ne dépend pas de l'éventuelle apparition de A

 P ( B / A) P ( B )  PA, B  PAPB 

47
C) Processus aléatoires

 un phénomène (ou processus) est dite aléatoire lorsqu'il dépend d'une certaine
manière des lois du hasard
 les signaux produits par un processus aléatoire sont imprévisibles ; ils ne possèdent
pas de représentations temporelles analytiques
 un signal aléatoire observé peut être considéré comme une réalisation particulière
d'un ensemble de signaux similaires qui sont tous susceptibles d'être produits par le
même processus aléatoire

Expérience virtuelle :
Considérons le processus aléatoire: "tension électrique aux bornes d'une résistance R
non polarisée"
Des mesures de tension effectuées simultanément sur plusieurs résistances identiques
(même R, même environnement,...) donneraient lieu à des signaux différents.

48
 xˆ t ,  = tension mesurée sur la résistance nu° bruit "thermique")

1
t1 t2 t
2
signaux susceptibles d'être
3 produits en mesurant la
tension aux bornes d'une
résistance R
Description mathématique:
 Le processus aléatoire est représentée par une famille de fonctions xˆ t ,  ou, plus
simplement, x̂t 
  est un élément de l'espace des épreuves : il décrit la nature aléatoire du processus
 chaque membre de x̂t  est un signal aléatoire qu'il convient de noter simplement x(t)

 A chaque instant le processus xˆ t ,  se réduit à une variable aléatoire x̂ti  noté

plus simplement x̂i

49
Densité de probabilité

 Les propriétés statistiques d'un processus aléatoire peuvent être décrites au moyen
d'une densité de probabilité

Expérience virtuelle (suite...)

On peut représenter les résultats de l'expérience virtuelle par un histogramme:

N(m, ti) = nombre d'événements: "xi = x à x près"

précision de la mesure
N m, ti 
 Prob mx  xi  m  1x   lim
N mes   N mes
p 1
N(m)
 N k , ti 
et Prob mx  xi  px   lim k m

x N mes   N mes

(m+1) x Nmes = nombre totale de mesures

m x
50
Idéalisation:
Lorsque x  dx l'histogramme devient une fonction continue de x.

 N m, ti   n( x, ti )dx = nombre d'événements où xi[x, x+dx]

nombre d'événements par unité de x

x2
 Prob  x1  xi  x2   px, ti dx
x1
nx, ti 
où px, ti   lim = densité de probabilité de x̂i
N mes   N mes

 p(x, ti) = concept purement théorique. En pratique la précision et Nmes sont finis

 x̂i variable gaussienne  p(x, ti) = gaussienne.



Normalisation de p(x, ti ): px, ti dx 1



51
 Probability distributions
Fonction de répartition :
On appelle fonction de répartition la fonction F(x, ti) = Prob[xi  x]
x
dF x, ti 
F x, ti   px' , ti dx'  px, ti  

dx

 Il est parfois pus facile de calculer d'abord F(x, ti ) pour ensuite en dériver p(x, ti )
 Le comportement statistique d'une variable aléatoire est décrit par sa fonction de
répartition ou par sa densité de probabilité

Processus multiples
En cas de plusieurs variables aléatoires, xˆi et yˆ j , on peut définir des densités de
probabilités conjointes par: 
Pr ob xi  x et y j  y   px, y; ti , t j dxdy
x y

Pour des variables indépendantes : p(x,y; ti, tj) = p(x, ti ).p(y,tj)

52
D) Espérances mathématiques

 Toute fonction f d'une variable aléatoire x̂i est une variable aléatoire fˆi .

La connaissance des lois de probabilités nous permet de déterminer les valeurs

espérées théoriquement - ou espérances mathématiques - ou encore moyenne
statistique de fˆi: 
 
E fˆi  f x px, ti dx


Statistiques du 1ierordre :

valeur moyenne statistique:  x ti  E xˆi   x px, ti dx


2
 
valeur quadratique moyenne: mx 2 ti  E xˆi  x px, ti dx
2



variance :  2
x ti   E ˆ
x
i   x ti 2

m
x 2   x ti 2

écart -type :  x ti   mx   x

2 2
53
Statistiques du 2nd ordre :

Fonction d'autocorrélation statistique :

 
Rx t1, t2  E xˆ1 xˆ2    x1 x2 px1, x2 ; t1, t2 dx1 dx2
  

Fonction d'autocovariance statistique :

C x t1, t2  E xˆ1   x t1   xˆ2   x t2  Rx t1, t2    x t1  x t2 

 Pour des processus centrés (µx(t)=0): Cx(t1, t2) = Rx(t1, t2)

Fonction d'intercorrélation statistique : Rxy t1, t2  E xˆ1 yˆ 2 

Fonction d'intercovariance statistique : C xy t1, t2  Rxy t1, t2    x t1  y t2 

54
 Processus Stationnaires

On désigne par stationnaire les processus dont les caractéristiques statistiques sont
indépendantes du temps :  px, ti   px ;
 x ti   x
Rxy t1, t2  Rxy   avec  t2  t1


 Il ne faut pas confondre "processus stationnaire" avec "processus indépendant de t"

 On parle de stationnarité au sens large lorsque seul µx et Rx sont indépendants de t
 De nombreux phénomènes sont approximativement stationnaires sur des durées
d'observation finies

Exemples:
- les numéros gagnant de la loterie national obéissent à un processus stationnaire!
- les chutes de pluies à Strasbourg sont issues d'un processus non stationnaire: il peut en
moyenne plus souvent au mois de novembre qu'au mois d'août... 55
E) Moyennes temporelles et ergodisme :

 Il n'est pas toujours possible de réaliser un nombre suffisant de mesures pour établir les
propriétés statistiques d'un processus aléatoire.
 On peut calculer les valeurs moyennes temporelles d'un signal aléatoire pour extraire
des informations complémentaires sur le comportement moyen du processus

Définition f = fonction d'un signal aléatoire x(t) :

T
déf . 2
1
 f  xt   lim T f  xt  dt = valeur moyenne temporelle de f
T   T

2

 l'inexistence d'expressions analytiques pour décrire les signaux aléatoires rend les valeurs
moyennes temporelles impropres au calcul. Elles indiquent cependant la procédure
expérimentale à suivre. ([Link]. calcul numérique sur un tableau de valeurs expérimentales)
Par convention on considère les signaux aléatoires comme ayant une puissance moyenne finie
La durée d'observation est nécessairement finie...

56
Principales moyennes temporelles :
T
2
1
valeur moyenne : x  lim
T   T
Tx(t ) dt

2
T
2 !
2 1 2
valeur quadratique moyenne : x  lim
T   T
Tx (t ) dt Px

2

variance temporelle :  x2  xt   x 2

écart-type temporel :  x   xt   x 2 = " valeur efficace"

T
2
1
fonction d'autocorrélation :  x    xt xt     lim Txt xt   dt
T   T

2

fonction d'intercorrélation :  xy    xt y t   

57
 Ergodisme

Un processus aléatoire est dit ergodique lorsque les valeurs moyennes

statistiques et temporelles sont identiques :

 x  x ; mx 2  x 2 ; Rx    x  

 un processus ergodique est nécessairement stationnaire, mais la réciproque n'est pas

vraie
 lorsque l'hypothèse d'ergodisme est justifiée, on est en droit d'estimer les propriétés
statistiques d'un processus aléatoire par l'analyse temporelle d'un signal x(t) unique.

58
F) Densité spectrale
 Comment décrire la distribution spectrale moyenne d'un signal aléatoire?
 La transformée de Fourier d'un signal aléatoire est elle même aléatoire...
 La densité spectrale de puissance d'un signal x(t), donnée par:

X  f , T 2 t
 x  f   lim avec X  f , T   xt rect  
T   T T 
Lorsque x(t) représente un signal aléatoire x est aussi aléatoire, d'où la nécessité de
 X  f , T 2 
  f   lim E  
redéfinir la densité spectrale de puissance par: x T    T 


2
X  f ,T 
xi t , T   X i  f , T    xi  f   i
T

xi(t)
-T/2
T/2

59
Théorème de Wiener-Khinchine : (sans démonstration, cf Coulon)

On montre que pour des signaux stationnaires au sens large :  x  f   Rx  

Cas des signaux ergodiques: Rx    x     x  f    x  

 Définition unique de la densité spectral d'un signal, qu'il soit déterministe ou aléatoire

Procédure "expérimentale" pour estimer x : durée d'observation T = finie

T
1 ~
~x    xt xt   dt  x     x  f   x  f 
T
0

T ~
x(t)  1
T  dt A/D FFT  x no 
0

retard

60
F) Processus aléatoires corrélés et processus indépendants

 Deux systèmes physiques en interaction produisent fréquemment des signaux

corrélés  existence d'une relation entre signaux
 Réciproquement, lorsque deux signaux sont statistiquement indépendants, les
systèmes physiques, qui sont à l'origine des signaux, interagissent peu ou pas du
tout.
 Comment décrire respectivement la corrélation et l'indépendance entre signaux
aléatoires ?

Considérons les deux processus aléatoires stationnaires:

xˆ ( , t )  x  vˆ , t  et yˆ  , t   y  wˆ  , t  vˆ , t  et wˆ  , t  = processus centrés

 vˆi et wˆ j fluctuations de xˆ et ŷ autour de  x et  y à l' instant ti et t j

Recherchons la relation linéaire entre vˆi et wˆ j qui tient compte au mieux des propriétés
statistiques de ces deux variables aléatoires.
61
 pour quelle valeur de la constante A, l'erreur quadratique moyenne  (A),

 
définie par  A E vˆi  Awˆ j  est minimale?
2

 si la relation vˆi  Awˆ j était exacte, on aurait  (A)= 0

 s'il n'existait pas de relation entre les deux variables, alors  (A) serait minimal pour A =0
 
 E vˆi  Awˆ j 0 A car il s'agit de processus centrés
 on ne peut avoir vˆi  Awˆ j  B , avec B 0

d  A  E vˆi wˆ j  2
C xy  
 (A) est minimale  0  A  ,  t j  ti
dA  
E wˆ j 2
y 2

 2
   déf 2
et  min 2
 x 1 
C xy
2 2
   
x 1   2
 
  x  y 
coefficient de corrélation normalisé
on a toujours  1 car  est par définition 0
min

62
 !
 )1  min = 0  vˆi Awˆ j  xˆi et yˆ j sont totalement corrélés

2
 )=0  min =  x  xˆi et yˆ j sont non-corrélés

wj
wj

vi
vi

points expérimentaux
 proche de 1  proche de 0
) et par conséquent Cxu() ou Rxy() mesurent le degré de corrélation entre

deux processus aléatoires

 On peut faire le même raisonnement en utilisant les moyennes temporelles; en
cas de processus ergodiques les deux descriptions sont équivalents
  xy   évalue le degré de corrélation entre xˆ t  et yˆ t   
63
 x(t)  xy  
Illustrations
t


y(t) t
t1
t1

m=27
 xy k 
x(n)


y(n) m=43

x(n) y(n)

64
[Figure 6.1 et 6.3 (II)]
 x(n)

 xy k 

y(n)

[Figure 6.4 (II)]

65
Mémoire d'un processus :

 La fonction d'autocorrélation mesure la corrélation entre les signaux émis par un

même processus à deux instants différents. Lorsqu'il y a corrélation on peut parler d'un
"effet mémoire" du processus.

 On définit la mémoire du processus comme le temps c au delà duquel la corrélation

est négligeable. c est aussi appelé temps de corrélation.

 x   ou Rx  

mémoire du processus

c

 La mémoire d'un processus est d'autant plus faible que la densité spectrale des signaux
produits est étendue
66
Bruit blanc
Le cas extrême  x   c    représente un processus virtuellement sans mémoire.

Par transformée de Fourier:  x  f  c

 Un tel signal comporte toutes les fréquences avec la même densité. Par analogie avec
la lumière blanche, on dénomme un tel signal bruit blanc

Processus indépendants
Deux processus aléatoires stationnaires xˆ t , yˆ t  sont indépendants si leur densité de
probabilité conjointe est égale au produit de les densités de probabilité marginale:
p xy x, y   p x x p y y  (*)

 L'observation de l'un des processus ne nous apprend rien sur l'autre

 (*)  Cxy() = 0 : les processus indépendants sont non-corrélés!
 La réciproque n'est pas toujours vraie

67
Somme de variables aléatoires

densité de probabilité

zˆ  xˆ  yˆ p z z   p xy x, z  x dx

si les processus sont indépendants: pxy(x,y)=px(x)py(y)


p z z   p x x p y z  x dx  p x x  p x x z 
et


variance

 z 2   x 2   y 2  2C xy

si les processus sont non-corrélés:  z 2  x 2   y 2

68
 IIII Méthodes
Méthodes II.1 Systèmes linéaires et invariants
Système de TS signal de "sortie"
A) Introduction S
signal "d'entrée" x(t) y(t)=S{x(t)}

 S = un système physique délivrant un signal y(t) en réponse à une stimulation x(t)

- un système de mesure conçu pour détecter la présence d'un signal de forme
particulière
- un filtre électronique, un amplificateur, un convertisseur A/D, ...
- un algorithme informatique agissant sur un signal numérique
....
 Comment décrire la transformation temporelle ou fréquentielle qu'opère S sur le signal ?
 Comment concevoir S pour réaliser une opération particulière (filtrage, reconnaissance des
formes, ...)? Le choix et la conception du dispositif (électronique, acoustique, optique,...) pour
réaliser S ne fait pas parti du traitement du signal.
 Comment obtenir des informations sur S en observant les réponses du systèmes à des
stimulations extérieures?
69
B) Systèmes linéaires et invariants (SLI)

Linéarité
système linéaire
x t   ai xi t  y t    ai yi t , avec yi t  S xi t 
SL
i i

Invariance
système invariant
x t   x0 t  T  SI y t   y 0 t - T , avec y 0 t  S x0 t 

 SLI  y(t) et x(t) sont reliés par une équation différentielle linéaire à coefficients
constants
 Sauf indication contraire, nous supposerons par la suite que le système S est linéaire et
invariant.

 System Properties
70
 Interactive Lecture
C) Réponse impulsionnelle

 description de S par l'intermédiaire de sa réponse à un signal extrêmement bref

(impulsionnelle), à énergie finie. En cas de SLI, on pourra en déduire la réponse de S à un
signal quelconque.
 Modélisation mathématique: réponse de S à une impulsion de Dirac.

Définition
Réponse impulsionnelle : g(t) = S{(t)}

 S est dit causal  g(t<0) = 0

 Un signal quelconque peut être considéré comme une "succession" de signaux
élémentaires impulsionnelles. En tenant compte de la linéarité et de l'invariance, la
réponse du système est une suite de réponses impulsionnelles d'amplitude variable et
décalées dans le temps.

71
Modélisation: ~
x t  x(t)
~
 x t  = suite d'impulsions de largeur t et
d'amplitude x(k. t), avec k

t  x(t) si t est suffisamment petit.

t

 SLI 
~  t  k t  ~ ~  t  k t 
x t    xk t rect 
 t 
 y t    x k  t  t g  t 
k  k 
1  t 
où g~ t  S rect   
 t  t  
1  t 
Limite où t dt' : rect     t ; g~ t   g t ; ~
x t   xt  et ~
y t   y t 
t 
 t
 
 t   dt ' et kt  t '
k  


y t   xt 'g t  t 'dt '   x  g t    g  xt 

72
Illustration:
~
x t  g~ t o  t '

t'
t
t'

~
y t 

t0+t' t0 t
g(t0-t').x(t')
(<0)

t t0 t

73
D) Réponse fréquentielle

Définition y t   g  x t   Y  f  G  f X  f 

(*)
où g(t)  G(f) = "réponse fréquentielle" de S.

 G(f) ou g(t) = description complète le SLI

 par commutation :

x(t) g(t) ou G(f) y(t)

même signal

g(t) x(t) ou X(f) y(t)

 La description des système SLI est analogue à celle des signaux (même outils math.)
 (*) décrit comment la distribution spectrale d'un signal est modifié ou "filtré" par S.
 Un SLI ne peut créer de nouvelles composantes spectrales: X  f  f o  0  Y  f o  0

74
 g(t) ou G(f) permettent de calculer la réponse de S à un signal quelconque
t
 Un système est dit causal lorsque g(t<0) = 0  y t   xt 'g t  t 'dt '

 le signal de sortie à l'instant t dépend du signal d'entrée aux instants t' t

 la durée de g(t) correspond au temps de réponse du système

 Si t est une coordonée spatiale, alors g(t) représente la réponse de S à un signal ponctuel
 objet ponctuel SLI objet flou

 Problème de déconvolution: connaissant g(t) et y(t) peut-on en déduire x(t)

[ objet flou  objet ponctuel]
 il s'agit d'une opération mathématique délicate où toute incertitude (même infime)
sur y(t) ou g(t) se retrouve amplifiée dans le résultat

75
Régime harmonique xt   xo ei 2f ot  xo  f  f o 

i2f t
 Y(f)=G(f);X(f) = G(fo)(f-fo) xo  y(t)  xo G(fo ) e 0

 y t   xo G  f o ei 2f ot  Arg G  f o 

|G(f)| = gain de S
Arg[G(f)] = déphasage causé par S

76
E) Fonction de Transfert

Définition On appelle fonction de transfert de S la transformée de Laplace GL(s)

de sa réponse impulsionnelle

 pour les systèmes causaux : GL(s=i2f) =G(f)

 pour simplifier l'écriture on notera la fonction de transfert G(s)
 Les SLI possèdent une fonction de transfert rationnelle (car ils sont décrits par des
équations différentielles linéaires à coefficients constants)
 On peut caractériser la réponse fréquentielle du système par les points singuliers de sa
fonction de transfert

77
 G f 
Exemple:
1
s
G s   avec  réel positif
s 
Im(s) 0
f

v i2f Arg G  f 

 2
w
p
 f
- z 
Re(s)  2

 il s'agit d'un filtre passe-haut

 Réalisation possible du filtre: C dy t  1 dxt 
 y t  
dt RC dt
RC s
x(t)
R y(t)  GL s  
RC s  1
1

RC
78
Système numérique

Définition La fonction de transfert d'un système numérique est la transformée en z

de sa réponse impulsionnelle.

x(k) SLI: g(k) y k   x  g k    xl g k  l 
l 
Transformée
en z
*
X(z) SLI: G(z) Y(z)= G(z).X(z)

Exemple:
x(k) G(z)=z-1 y(k)= x(k-1)
 k l  1 
l  k 1
Y z    xl  1z   xk z  z  1 X z 
l  k 
G(z)
[* voir p 58, Ré[Link]] 79
Systèmes en cascades et Décomposition d'un système en éléments simples :

G1 G2 Gn G

avec G(s) = G1(s).G2(s). ... . Gn(s) points singuliers de G =  (pts. singuliers des Gi )

Réciproquement, un SLI complexe peut être considéré comme une succession de

systèmes élémentaires

Stabilité d'un SLI :

Un système n'est stable que si tous les pôles de G(s) ont une partie réelle négative
1
En effet: G s    g t  e  Re  t  t ei 2 Im p t
s p
diverge quand t+
 la moindre impulsion à l'entrée du système fait 'diverger' la sortie
le système sort du domaine linéaire 80
 Pour un système numérique, les pôles de G(z) doivent être situés à l'intérieur du
cercle unité, |p|<1

 Tout système physique possède au moins autant de pôles que de zéros car :
f
fm
G f    où m et n = nombre de zéros et de pôles
fn
f 
si m>n G f     ce qui n'a pas de sens physique

81
 F) Convolution et corrélation x(t) y(t)
SLI: g(t)
 
on a : y t   xt 'g t  t 'dt '  xt 'g  t ' t dt '
 
 
 !
en posant gˆ t   g  t  , on peut écrire : y t   xt 'gˆ t ' t dt '  xgˆ  t 

 x  g t   xgˆ  t 
 les opérations de corrélation et convolution sont liées
 On peut considérer l'opération d'un SLI comme une mesure de la corrélation entre
deux signaux (x(t) et g(t)): le signal de sortie est "construit" à partir des composantes
fréquentielles communes au signal d'entrée et à la réponse impulsionnelle.
Cas particulier: lorsque g(t)=x(-t), y(t) = fonction d'autocorrélation du signal
Ce type de système est connu sous le nom de filtre adapté.
 ce filtre n'est pas causal; on doit retarder la réponse impulsionnelle de la durée T de x(t)

x(t)  x T  t 
x(-t-T) 82
G) Densité spectrale et densité de probabilité

 Nous avons vu au chap I.6 que la densité spectrale de puissance x(f) est un moyen

efficace pour décrire la distribution spectrale des signaux aléatoires, pour lesquelles la
transformée de Fourier est elle même aléatoire.
Comment x(f) est-elle modifiée par un SLI ?

x(t)
SLI: g(t) y(t) = signal aléatoire
signal aléatoire

On peut toujours écrire formellement que y(t)=g(t)  x(t)

T T
2   t ' 2 déf
1 1
or  y t   lim Ty t ' y t 't dt '  T   T
lim T y  y   t d   y t   yt 
T   T
 
2 2

 y t   g  x  t    g  x t t  Produit de convolution

pour signaux à puissance
moyenne finie
Note: ,  = opérateur commutatifs et associatifs (s.d.)
83
  y t   g  t  g t    x t   xt 

 g t   x t 

 y t   g t   x t   y  f   G  f 2  x  f 

 ce résultat est indépendant de la nature aléatoire ou déterministe du signal

Illustration SLI: filtre passe-bas

yf 
x  f  G f 
2

f
f f

 possibilité de mesurer | G(f) | par la réponse d'un système à un bruit blanc! 84

 Densité de probabilité

 Le traitement par un SLI affecte la densité de probabilité, p(x, ti), qui caractérise le

signal aléatoire.
x(t) y(t)
SLI
p(x, ti) p(y, ti ) = ?

 Il s'agit d'un problème difficile qui ne possède pas de solution générale. Ainsi pour un

même SLI, p(y, ti ) peut être différente pour deux signaux x(t) de même p(x, ti )!

Exemple: y1(t)
x1(t)
SLI: filtre
passe-bas y2(t)
x2(t)

p(x) p(y) y1 y2
1/2

x y
[Fig. 7.23 (II)] 85
Valeur et Puissance moyennes

La valeur moyenne temporelle d'un signal est par définition égale à sa composante
continue, c'est-à-dire au terme de fréquence nulle de sa transformée de Fourier X(f=0)

D'où la relation suivante entre les valeurs moyennes des signaux d'entrée et de sortie
d'un SLI :
y t  Y 0  G 0 X 0 

Les puissances moyennes des deux signaux sont reliées par:

 
2
Py  y 0    y  f df  G  f   x  f df
 

86
II.2 Détection et Estimation des signaux
A) Introduction

Détection d'un signal = déceler ou détecter la présence d'un signal particulier

'contenu' dans un signal bruité, sans retrouver la forme exacte (supposée connue) du
signal
Estimation d'un signal = détecter la présence et estimer la forme d'un signal
particulier noyé dans le bruit

 La complexité du problème dépend des connaissances à priori du signal recherché

 On utilisera la notation adaptée aux signaux analogiques. Les méthodes décrites ci-
dessous peuvent être adaptées aux signaux numériques.
 Par analogie avec l'acoustique, on appelle "Bruit" tout signal indésirable limitant
l'intelligibilité d'un signal utile.

87
Hypothèses :
 bruit additif  x(t) = s(t) + b(t)
bruit
signal 'utile'

 le bruit est issue d'un processus ergodique, indépendant du signal utile


 sb   0, 

 Le signal utile et le bruit sont issue de processus centrés

µs=µb=0

 le temps de corrélation b ou mémoire du bruit est fini

b    b  0

88
B) Détection d'un signal périodique

 On recherche un signal périodique dont on ne connaît pas la période

Principe On réalise l'autocorrélation du signal

x(t)
corrélateur  x  
x(t)

T
2
1
On peut écrire :  x    lim
T   T
Tst   bt st     bt   dt

2
 s     sb     bs     b  
=0 =0 = 0 pour b

pour b : x() = s() = fonction périodique de même période que s(t)

Puissance moyenne de s(t): Ps= x(nto>b), où to = période de s(t)

89
 1
 T = finie  le corrélateur mesure : ~x    xt xt   dt
T
T
 les termes sb et bs ne sont pas rigoureusement nuls limitent le rapport

 b(b)  0 signal sur bruit

Illustration

~
x  f 
~x  

b -1/to 1/to

[Fig.13.21 (I)]

90
C) Détection d'un signal périodique de période connue
L'information a priori sur la période permet en principe d'améliorer le rapport signal sur bruit

Principe On réalise l'intercorrélation du signal avec un signal auxiliaire p(t) de

même période mais de forme quelconque.

x(t)
indépendant  xp  
corrélateur
de b(t) p(t)

  xp    sp     bp    sp  
fonction périodique de même
=0 période que s(t)

 il n'y a pas de limitation aux faibles valeurs de 

sb est l'unique terme supplémentaire  augmentation du rapport signal/bruit
 p(t) est de forme quelconque  facilité d'emploi

91
D) Mesure du retard entre signaux de forme quelconque

Lorsque deux signaux, x1(t) et x2(t), comporte le même signal utile, s(t), mais décalé dans le

temps, la comparaison de x1(t) et x2(t) permet d'estimer ce décalage temporelle.

Principe

x1(t)=s(t-t1)+b1(t)
corrélateur  xz  
x2(t)=a.s(t-t2)+b2(t)

b1 et b2 sont indépendants  x1x2   a    tdec 

a est une constante où tdec = t2-t1

 si s(t) est de forme connue, cette opération est équivalent à un filtrage adapté

92
Illustrations

a) Mise en évidence de
différents chemins de
propagation et mesure de leurs
coefficients d'absorption

b)L'intercorrélation des signaux

provenant d'électrodes placées sur un
muscle permettent de détecter si le
cellules musculaires travaillent de
manière cohérente
[Fig.13.16,17 (I)] 93
E) Estimation d'un signal par intercorrélation synchrone

 En Physique on étudie souvent la réponse d'un système à une stimulation périodique

Exemple :
x(t)
Intensité

 signal utile
t t
 informations sur
ti
le matériau
impulsions lumineuses conductivité électrique
semiconducteur

 La méthode décrite dans ce paragraphe exploite la nature répétitive du procédé.

94
 Stimulation périodique x(t) = s(t) + b(t) avec s(t+mto)=s(t), m

Principe source
u(t) Système
Système b(t) et s(t)
d'excitation indépendants
physique
physique
Générateur
Générateurde
de x(t)=s(t)+b(t)
signaux
signauxpériodiques
périodiques
corrélateur ux  
u(t) corrélateur

synchronisé avec s(t) To

T
2 ! 2
1 1
ux   us    lim Tu t s t   dt   u t st   dt
T   T To T

2  o
2
u(t)s(t+)=périodique de période To

moyenne temporelle

1  t  nTo  s 
pour u t    rect   avec t f  To  ux    de s(t) sur
t   To
n  f  tf  [-tf/2, tf/2]
95
Illustration

x(t)=s(t)+b(t) u(t) tf
><
t
t

To 2To

~xu  

[Fig.13.24 (I)]


s 
idéalisation tf  0  u t     t  nto  et ux    to
n 
96
F) Estimation par accumulation
 Il s'agit d'une méthode numérique : la réponse x(t-ti) d'un système à une stimulation à

l'instant ti est échantillonée aux instants ti+[Link], k= 1,...,N, et stocké dans N mémoires
numériques. Les N valeurs sont moyennées avec les mesures précédentes.
stimulus

[Fig.13.13 (I)] 97
 Contenu de la kième mémoire après la iième mesure:
xi kTe   (i  1) xi  1kTe 
xi kTe  
i

Après M mesures :
1 M
xkTe    xi kTe  skTe   b
N i 1
M
1
[Fig.13.13 (I)] avec b
M
 bi kTe  0
i 1
98
Ecart - type
b composante aléatoire de xkTe 

 1 M 
 x2  b2 variance 
 M
 bi kTe 
i 1 

2
hypothèse: ... bi-1, bi ,bi+1...= variables aléatoires indépendantes de variance  b
M
b
 b2   b2 d'où  x 
i 1
M

 pour augmenter le rapport signal/bruit d'un facteur K il faut multiplier le nombre

2
de mesure par K .

99
G) Estimation de la réponse impulsionnelle par corrélation
 En première approximation, les systèmes physiques ont un comportement linéaire à
condition que les excitations aient une énergie suffisamment faible.
 L'invariance temporelle est synonyme d'absence de vieillissement ou d'usure du
système.
 Dans ces conditions on peut caractériser un système physique par ses réponses

impulsionnelle g(t), fréquentielle G(f) ou par sa fonction de transfert GL(s).

g(t) véhiculent des informations physiques sur le système en régime linéaire (temps de
réponse, stabilité, phénomènes de résonances, ....).
 g(t) peut dépendre du point de fonctionnement statique du système.
 L'énergie du signal impulsionnel, utilisé pour estimer g(t), doit être choisi de manière
à rester dans le domaine linéaire. Pour certains systèmes cette condition peut limiter
considérablement le rapport signal sur bruit. La méthode corrélative, utilisant comme
signal d'excitation un bruit blanc, peut contourner cette difficulté.

100
Méthode corrélative

source .b(t) système

b(t) systèmephysique
physique
d'excitation SLI:
SLI:g(t)
g(t)
générateur y(t)
générateurde
de
bruit
bruitblanc
blanc

b(t) corrélateur by  

corrélateur

 
or  by    bˆ  y  , où bˆt  b t 
    
 bˆ   b  g     bˆ  b  g  
  b  g  

Bruit blanc: b()=() b ( f ) 1

 by    g    by  f   G  f 

101
  Un bruit blanc est physiquement irréalisable.
 Il suffit que b(f) c aux fréquences où G(f) est non-négligeable

b(f) c "bruit rose"

G(f)
f

 on a souvent recours aux générateurs numériques de bruit pseudo-aléatoire

 Rapport Signal / bruit : Méthode corrélative
Méthode impulsionnelle
b2 = puissance moyenne du bruit
t
xt   A rect   , avec T petit
T  D = durée d'intégration (finie) de l'intégrateur

A faible afin de rester dans le Energie du signal d'entrée "utilisée":

domaine linéaire W  b2 D
 limitation de l'énergie du signal  pas de limitation intrinsèque sur W
d'entrée W= A2T 102
Variation du point de fonctionnement
indépendant de b(t)
x(t)

b(t) source .b(t) système

systèmephysique
physique
 SLI:
d'excitation SLI:g(t)
g(t)
y(t)=yx(t)+yb(t)

générateur
générateurde
de
bruit
bruitblanc
blanc
b(t) corrélateur by    g  
corrélateur

En effet by   by x    byb   g  

=0
car b et yx indépendant

 x(t) modifie le point de fonctionnement du système physique

103
Exemple: Résonances Magnétiques
Principe:
 Le système physique est caractérisé par une série de niveaux d'énergie
 Levée de dégénérescence sous champ magnétique
 Absorption d'une onde électromagnétique
 Il y a résonance lorsque l'énergie des photons coïncide avec la différence énergétique
entre deux états quantiques (électronique ou nucléaire): E=h

E
    E
B 0 B 0
E

h

système
physique 104
Modélisation
h(t)
Source
Source
Générateur
Générateur hyperfréquences
hyperfréquences

Iinc Iref capteur y(t)

capteur

Alimentation
Alimentation f(t)
Aimant
Aimant
échantillon
test

x(t)= h(t) ou f(t) système y(t)  taux d'absorption de

physique l'onde électromagnétique

105
 Méthode directe :  Intensité et fréquence de l'onde constante
 variation lente du champ magnétique
 x(t)=f(t)
 Inconvénient: Temps de mesure relativement élevé

Méthode corrélative :
 Champ magnétique fixe
 L'intensité de l'onde est aléatoire et à large bande spectrale ( bruit blanc)
 Mesure de la réponse fréquentielle du système par intercorrélation du signal
d'absorption et du signal aléatoire h(t) + transformée de Fourier

x(t) h(t) système y(t)  yx    g   Spectre

physique: g(t)
Corrélateur TF d'absorption

106
h(t)
h(t) y(t)
y(t)

GGf f

~~yh 
yh

107
II.3 Modulation et détection synchrone
A) Modulation
 On parle de modulation d'amplitude lorsqu'un signal x(t) est multiplié par un
signal auxiliaire m(t) (signal de modulation).

x(t) modulation x(t).m(t)

d'amplitude

 La modulation d'amplitude est utilisée pour:

 transposition du signal dans une bande de fréquence particulière
(multiplexage des ondes radios)
 réaliser une conversion Analogue/Numérique (échantillonnage)
 augmenter le rapport signal / bruit en détection et estimation des signaux
(détection synchrone)
 La modulation d'amplitude n'est pas une opération invariante.
D'autres types de modulation (modulation de fréquence, de phase) existent mais ne
seront pas traités dans ce chapitre. 108
 En cas de modulation d'amplitude on peut écrire :

xm t   x(t ) m(t )  X m  f   X  f  M  f 

 Dans l'espace des fréquences la modulation d'amplitude est équivalente à un SLI!

Modulation par un signal sinusoïdale

ei 2f mt  e  i 2f mt 1
mt  cos2f mt      f  f m     f  f m 
2 2
1
X m  f    X  f  f m   X  f  f m 
2

X(f) Xm(f)
A
A/2
f f

 le spectre du signal original est transposé dans un intervalle de fréquences centré sur fm

109
Echantillonnage réel

Pour convertir un signal analogique s(t) en numérique s(n), on doit nécessairement


 t  nTe 
moduler s(t) par une fonction d'échantillonnage: et    D 
rect
n 
[Fig.9.4 (I)]

 Signal Sampling and

Reconstruction

110
 Le signal numérique x(k) représente un paramètre (amplitude, surface) du signal
échantillonné.
Réciproquement, la conversion signal numérique analogique passe par la génération
d'un signal échantillonné qui est ensuite traité de manière adéquate pour reconstituer au
mieux le signal original

On peut écrire :

 t 
et  rect      t  nTe 
 D  n 
sin Df  1  1
E  f  D     f  nfe , fe 
Df Te n  Te

sin Dnf e 
d'où se t  st et   Se  f  S  f  E  f  S  f  Df e  Dnf e
  f  nf e 
n 


sin Dnf e 
Se  f  Df e  Dnfe S  f  nfe 
n 
111
 
sin 2 Dnfe 
et (cf exercice) e  f   D f e
2 2
 Dnf 2  s  f  nfe 
n  e

[Fig. 9.5 (I)]

 la reconstitution du signal analogique par un filtrage passe-bas est possible à condition

que fe>2fmax (théo. Shannon) et D<<Te

 Réciproquement, pour une signal à large spectre (ex: bruit ), un filtrage passe-bas est

nécessaire pour respecter le critère de Shannon ( fe>2fmax) et éviter toute déformation par
112
repliement. On parle de filtrage anti-repliement.
B) Détection synchrone

 De nombreux phénomènes physiques produisent, dans le domaine des faibles

fréquences (f < q.q. hz), des signaux aléatoires dont la densité spectrale de puissance
augmente vers les basses fréquences (Ex: fluctuations du courant dans les composants
microélectroniques, variations saisonnières de la température locale, données
économiques... ).

On constate expérimentalement que   f   f  1 avec proche de l'unité, d'où le nom
usuel de bruit 1/f
L'origine de cette loi et les raisons de son apparente universalité ne sont pas encore
complètement élucidées.
 La présence d'un bruit 1/f gênent les mesures des signaux basses fréquences. Pour
contourner cette difficulté les physiciens ont recours à la détection synchrone qui transfert
momentanément le spectre du signal utile dans un domaine de fréquences plus favorable et
évite ainsi la dégradation par le bruit 1/f.
113
 Principe (composants électroniques,
support physique pour la
transmission,....)
bruit 1/f

signal Modulation démodulation

basses fréquences d'amplitude synchrone

transmission et
traitement du
Transfert du spectre reconstitution
signal
vers les fréquences du signal
plus élevées d'origine

114
 a) Modulation et démodulation par un signal sinusoïdal

Modulation: u(t)= cos(2fmt) s(t) = signal basses fréquences (fmax <<fm)

sm t  st u (t )

S(f) Sm(f)
A
A/2
f f
fmax -fm fm

Démodulation synchrone :  modulation de sm(t) par ud(t)= cos(2fmt

sd t  sm t ud t 
1 e i e  i déphasage souvent inévitable
 S d  f   S  f cos   S  f  2 fm  S  f  2 fm 
2 4 4 entre les signaux de
modulation et démodulation
115
Illustration dans le cas = 0 :

Sm(f) Sd(f)

A/2 A/4 A/2

f
f
-fm fm -2fm -fm fm 2fm

1 e i e  i
Cas général: S d  f   S  f cos   S  f  2 fm  S  f  2 fm 
2 4 4

  f max , f max   2 f m  f max ,2 f m  f max 

  2 f m  f max , 2 f m  f max 

Si fmax<< fm, les trois intervalles ne se recoupent pas

1 1 1
 S d  f   S  f cos   S  f  2 f m   S  f  2 f m 
2 4 4

116
 | Sd(f) | l'amplitude du terme basse fréquences
A cos 
A/2 2 varie avec le déphasage

f
-2fm -fm fm 2fm

fb bande passante d'un filtre passe-bas

 on peut restituer le signal original en filtrant le signal démodulé par un filtre

passe-bas, de bande passante[0, fb]avec fmax< fb < 2 fm et en ajustant le déphasage

 de façon à maximiser le signal de sortie du filtre (cos = 1)

 La démodulation synchrone suivie d'un filtrage passe-bas sélectionne les

composantes spectrales centrées, avant démodulation, sur les fréquences fm ,et
les transpose autour de la fréquence nulle.
117
b) Démodulation par un signal périodique de fréquence fm:

 ud t   cn cos2nf mt   n  (Série de Fourier, ud t  0 )
n 1

 sd t   cn sm t cos2nf mt   n 
n 1

démodulation sinusoïdale à la sélectionne les termes de Sm(f)

fréquence nfm déphasée de n centrées sur n fm

n=2 n=1 n=1 n=2 n=3

2fb
Sm(f)
c1 A
2

-2fm -fm fm 2fm 3fm f

 Dans l'hypothèse du signal basses fréquences, les termes supplémentaires (par

rapport à la démodulation sinusoïdale) sont nuls! 118
c) Modulation et démodulation par un signal périodique de fréquence fm:

Modulation par u t   an cos2nf mt   n 
n 1

S(f) Sm(f) B
A a1 A a2 A
2 2 a3 A
2 f
f
-fm fm 2fm 3fm

filtre passe-bande centré sur fm

avec fmax< B < fm

 en ajoutant un filtre passe-bande supplémentaire on retrouve la situation du §b

 La forme exacte, sinusoïdale ou rectangulaire ou autre, du signal de modulation ne
change que l'amplitude du signal démodulé (via le coefficient de Fourier). Ce résultat
simplifie considérablement la réalisation pratique de la détection synchrone
119
Schéma-bloc de la détection synchrone

Filtre
Filtre
signal passe-bande
passe-bande
d'entrée Filtre
Filtre
  passe-bas
passe-bas
u(t) signal
retard
retard
générateur variable de sortie
générateur u(t) ud(t) variable
de déphasage
designaux
signaux déphasage
périodique incontrôlé
incontrôlé
périodique

Modulation Démodulation

120
 Exemple : Mesure d'une phototension

V()informations sur
électrode h la durée de vie des
transparente
porteurs électriques
V Voltmètre
photogénérés

électrode

 Pour des raisons techniques la variation de  est lente (déplacement des composantes
optiques du système - prisme, réseau,filtres optiques...)
 V(t) = signal à basses fréquences
 Les signaux parasites, ou bruit, proviennent des fluctuations de la tension en absence
de lumière.

121
Mise en œuvre de la détection synchrone:

fente à ouverture périodique contrôlée par u(t)

u(t) générateur de u(t)

< fonction retard
filtre passe-
 V(t)
bas
V filtre passe-
bande
sm(t)

 la modulation est effectuée par la fente avant la génération de la phototension

 Virtual Lock-in project

122
C) Détection synchrone en mode "lock-in"
 Une opération fréquente en Physique consiste à mesurer une grandeur physique U (ex.:
courant électrique, taux d'absorption d'une onde,....) en fonction d'un paramètre physique p
qui caractérise le système (ex: température, pression, champ magnétique, ....).
 Pour des raisons techniques, la vitesse de variation du paramètre p est souvent limitée. Il en
résulte des signaux U[p(t)] de relativement faible fréquence.

Mode Lock-in
Pour mesurer la loi caractéristique U(p) on fait varier lentement le paramètre p sur un
intervalle donné. A cette variation lente est ajoutée une variation de p à fréquence élevée
de faible amplitude p

p U(p)=U(po+ p), avec po=v.t

périodique de fréquence fm

t 123
 U 
En première approximation: U  p  U  po   p
p  p
o

basses fréquences hautes fréquences

Détection synchrone:
ud(t) = signal périodique de même période que p

retard
retard

U(p) Filtrage
Filtragepasse-bande
passe-bande
centrée
centréesur
surfmf  Filtre
Filtrepasse-bas
passe-bas
m
U
st  a cos 
p

U
on mesure ainsi  po 
p

124
Phénomène
Phénomèneàà Amplificateur
Amplificateur Détection filtre
Capteur
Capteur Détection filtre
étudier
étudier sélectif
sélectif synchrone passe-bas
synchrone passe-bas

Source
Sourcedede Générateur
Générateur
polarisation
polarisation pilote
pilote

Source
Sourcede
de
balayage
balayage

Exemple:
Iinc Iref capteur
capteur

B

t Alimentation
Alimentation
Aimant
Aimant
125
II.4 Analyse spectrale
Ce chapitre décrit différentes approches expérimentales permettant d'estimer les densités
spectrales des signaux physiques.

A) Corrélogramme et périodogramme

La méthode du corrélogramme est basée sur le théorème de Wiener-Khinchine:

x(t) ~
corrélateur A/N TFR  x n 
x(t)

Limitations:
 durée d'intégration du corrélateur
 fréquence d'échantillonnage

126
 Un périodogramme correspond à une réalisation approximative de la définition de  x  f 
pour les signaux aléatoires

x(t)




X  f ,T  
X  f ,T  X  f ,T 
  
1 1 1
X  f , T 2 X  f , T 2 X  f , T 2 = aléatoire
T T T
2
~ X  f ,T 
 x  f  
T
moyenne sur N mesures

Limitations:
 largeur et forme de la fenêtre temporelle T
 durée de la mesure  nombre finie d'estimation de X(f,T) 127
B) Analyseur à banc de filtres
1 t
Principe  2  dt
f1, B1 T t T

x(t) 1 t Affichage
f2, B2  2  dt
T t T multi-
canaux

1 t
fn, Bn  2  dt
T t T
filtres sélectifs

Bn
G(f)
Permet l'observation simultanée de tout le spectre
Résolution spectrale  avec le nombre de composants
fn
Equipement lourd

128
C) Analyseur de spectre à balayage

Ce type d'analyseur fait appel au concept de transfert du spectre par modulation d'amplitude

x(t) xm(t)
Principe: filtre
filtresélectif
sélectif mesure
mesurededepuissance
puissance affichage
 affichage
B,
B,fof (valeur
(valeurefficace)
efficace)
o

oscillateur
oscillateur générateur
générateurde
de
commandé
commandé balayage
balayage

B
|Xm(f)| > <
 résolution spectrale = B
 à chaque intervalle de fréquence ne
correspond qu'une faible fraction du temps
-fo fo f de mesure  limite le rapport signal/bruit

129
D) Spectromètre interférométrique ou Spectromètre Fourier

Ce type d'analyseur de spectre exploite la relation qui relie l'interférogramme produit par
un interféromètre Michelson à la densité spectral du signal.
 S'applique au cas où le signal est sous forme d'une onde électromagnétique.

Miroir fixe
Principe
compensateur Miroir semi-transparent
A

source  B

Miroir
lentilles mobile

détecteur

sl 
avec l = différence entre les chemins optiques A et B 130
Pour une lumière monochromatique de nombre d'onde k :
I
  s l   o 1  cos2kl  , I est proportionnel à l'intensité de la lumière incidente
2 o

En cas de lumière "colorée" caractérisée par une distribution continue en nombre d'onde I(k)

1  i 2kx 

  
 s l  I o  I k e  dk = interférogramme
2  

 x(l)  I(k)

"x(l)"

 On peut estimer la distribution spectrale de la lumière incidente en effectuant la

transformée de Fourier de l'interférogramme.
Le déplacement du miroir étant nécessairement fini, on n'a accès qu'à une version
tronquée de l'interférogramme. Les conséquences sur le spectre final sont identiques à
celles causé par l'observation d'un signal s(t) à travers une fenêtre temporelle.
La distance maximale parcourue par le miroir détermine la résolution spectrale.
131
 L'interférogramme est généralement échantillonné pour permettre le calcul de la
Transformée de Fourier par voie numérique.
 La fréquence d'échantillonnage doit tenir compte de la largeur du spectre analysé
(déterminée en général par la réponse fréquentielle du détecteur et/ou des
composantes optiques de l'interféromètre) pour éviter toute déformation du spectre
par recouvrement (théorème de Shannon).
 Chaque composante spectrale est analysée sur la totalité du temps de mesure.
Cette particularité permet, dans le proche et lointain infrarouge, d'augmenter de
plusieurs ordres de grandeur la sensibilité (rapport signal/bruit) du spectromètre par
rapport aux spectromètres à réseau ou à prismes, où le détecteur n'analyse
simultanément qu'une petite partie du spectre.

132
II.5 Filtrage des signaux

A) Introduction Le filtrage des signaux est une opération essentielle en traitement du

signal (filtrage anti-repliement, détection synchrone,...). Cette opération peut être réalisée
soit par des systèmes analogiques (filtre RC, composants optiques, acoustiques...), soit par
un algorithme informatique à condition que les signaux soient sous forme numérique. La
méthode numérique est d'autant plus intéressante que la puissance et la rapidité de calcul
des microprocesseurs sont élevées. Elle est particulièrement utile en Physique où les
données expérimentales sont souvent sous forme de suites numériques.

B) Filtres analogiques Réponses fréquentielles idéalisées de filtres analogiques :

G(f) 
passe-bande coupe-bande

idem passe-bas passe-haut

f 133
 Une largeur de bande étroite engendre nécessairement une durée élevée de la réponse
impulsionnelle g t   G  f   g G 1

|G(f)|
g(t)
< 1/fo>

f
fo

|G(f)|
g(t)
< 1/f1 >

f
f1

Filtre analogique du 1ier ordre:  équation différentielle du système = 1 ier ordre

ex: circuits RC, RL , ...... 134

Filtre analogique du 2d ordre:  équation différentielle du système = 2d ordre

Exemples: circuit RLC

RCs
G s  
LCs 2  RCs  1
C L
R Points singuliers:
1 zéro: z=0
 RC  R 2C 2  4 LC
2 pôles: p 
2 LC
cas R2 L
C
|G(f)|
Im(s)

f
Re(s)
x fo  1  R 2C 2
-fo 4 LC

135
système mécanique: Amortisseur

Fext
Fext t 
y(t) xt  
Masse m m y(t)
0 Ressort  SLI
k Amortisseur
position  dy
d'équilibre  F frott .   
dt

d2y dy  k
Equation différentielle:    o 2  x, avec   et  o 2 
dt 2 dt m m
Y s  1
 G s     2
X s  s 2  s   o 2 Points singuliers: p    o2
2 4

La position des pôles déterminent la réponse impulsionnelle du système

 Une impulsion donne lieu à des oscillations si les pôles ont une partie imaginaire
 Les oscillations sont d'autant plus forte que la partie réelle des pôles est faible
 Il y amortissement efficace si les pôles sont réels.
136
 Filtres de Butterworth d'ordre n n=4 n=3
2n n=2
déf  f  n=1
2 1 1   
G f   2n  fo 
 f 
1   
 fo 

 tend vers le filtre passe-bas idéal

f
lorsque n
fo
   2 k 1  
i  1 
2
Pôles de G s  :   pk 2f o  2 n  ,
e k 1, ,2n

 Les pôles sont symétriques par rapport aux axes Im(s)=0 et Re(s)=0
 Les pôles sont situés sur un cercle de rayon 2fo
2
 G s  =G(s).G*(s) =G(s).G(-s) [g(t) réelle]
Les pôles de G(s) et G(-s) sont symétriques par rapport à l'axe Re(s)=0
 Stabilité du filtre  Re[Pôles de G(s)]<0
137
 Im(s)
Exemple n=3 :
Pôles de G(s) x x Pôles de G(s)

x x Re(s)

x x

Décomposition en systèmes Re(s)=0

élémentaires:
Exemple de réalisation:

Gn=3  G1 G2 G1 G2
C2 L
A=1
R1 Ze=
x x C1
R2
x  x +
x x
138
Filtres de Tchebycheff d'ordre n

déf
2 1
G f  
 f  avec Cn = polynôme de Tchebycheff d'ordre n
1   Cn2  
 fo 

 f 
1   Cn2  
 fo  |G(f)| n=5

1
1   1
2  2

1/2

1+2 Butterworth
Tchebycheff
1 f
f
fo

139
C) Filtres numériques Réponses fréquentielles idéalisées de filtres numériques :

G(f) 
passe-bande coupe-bande
passe-bas passe-haut

idem
f

fe/2 fe
fréquence d'échantillonnage

Méthodes de réalisation G(k)

définition du filtre
Par TFR: X(k) Y(k)
x(k) TFR  TFR-1 y(k)
filtrage
algorithme informatique
ou microprocesseur spécialisé

+ fléxibilité
- pas de fonctionnement en temps réel (nécessite la connaissance de tout x(k))
- nécessite stockage de nombreuses données 140
 définition du filtre
Par convolution:
g(k)

L
x(k)  y k    g (l ) xk  l 
l 0
+ flexibilité filtrage
(L = durée de g(k))
- calcul long si L élevé
- nécessite stockage de nombreuses données

Réalisation récursive
L'équation aux différences, qui relient entre eux les
valeurs de x(k) et y(k), est l'équivalent numérique de
l'équation différentielle linéaire à coefficient constant x(k) SLI y(k)

des systèmes analogiques. Elle a la forme générale:

N M
 an k yk  n    bm k xk  m  , où N et M sont des nombres entiers positifs
n 0 m 0

 On peut utiliser cette équation pour réaliser le filtre. 141

 Exemple: Equivalent numérique d'un filtre RC
R
Equation différentielle du filtre
x(t) y(t)
dy t  C
analogique: RC  y t   xt 
dt

Approximation numérique:
dyt  y kTe   y kTe  Te  convention
t  kTe   , avec Te période d' échantillonnage  1
dt Te

Equation aux différences:

N =1, M= 0,
RC  1yk   RC y k  1  xk 
ao=RC+1, a1= -RC, bo=1

Réalisation du filtre: RC 1
y k   y k  1  xk  Equation récursive
RC  1 1  RC
algorithme informatique
filtre numérique
y(k)
+
x(k)  * x(k) G(z)=z-1 x(k-1)
bo /ao

z-1 *
-a1/ao y(k-1) 142
 1 pour k 0
Réponse impulsionnelle: réponse au signal  k  
0 pour k 0
hypothèse: pas de signaux à l'entrée pour k<0  y(k<0)=0
RC 1
on a: y k   y k  1   x k , avec   et  
RC  1 1  RC
!
y(0)=  ; y(1)=  ; y(2)=  ; ...; y(k)= k  y(k)= k (k) = g(k)

Fonction de transfert:

 
  z
k
G z    g k z    k z  k 
k  k 0 z 

Réponse fréquentielle, voir §I.5.D

 Il s'agit bien d'un filtre passe - bas!

143
Conception d'un filtre numérique:

 La position des points singuliers de G(z) détermine le type du filtre

 L'équation aux différences est établie à partir de G(z) et permet la réalisation récursive

Illustration: Filtre passe - bande

Im(z)
|G(z)|

p
r   o  2 f o
z2
0 Re(z)
 z1 -fo fo 1/2 1-fo 1+fo
p*

G z  
z  1z  1 
z2  1

Y z 
z  rei z  re  i 
o o z 2  2rz cos o  r 2 X z 

144
  z 2Y z   2r cos o zY z   r 2Y z   z 2 X z   X z 

 y k  2   2r cos o y k  1  r 2 y k   xk  2   xk 

en posant n=k+2: y n   2r cos o y n  1  r 2 y n  2   xn   xn  2 

Avantages de la méthode récursive:

 nécessite peu de stockage
 calcul en "temps réel" (au cours de l'acquisition du signal d'entrée)
Limitations:
 Précision finie de la représentation numérique des coefficients de l'équation aux
différences
 Problème d'arrondie numérique: La dérive des pôles en dehors du cercle unité rend
le système instable
145
Transformation bilinéaire:

L'analogue numérique d'un système analogique peut être obtenu en choississant une
réponse fréquentielle du système numérique Gn(f) de même allure que son équivalent
analogique

Problème: Gn(f) est périodique alors que Ga(f) ne l'est pas.

 La transformation Ga(f)  Gn(f) doit "comprimer" l'axe des fréquences sur une période

de Gn(f)
 Cette opération peut être réalisé par une transformation bilinéaire, définie par:
z 1 2f
s u pour s=i2f: u i tg
z 1 2
 u décrit tout l'axe imaginaire lorsque f varie sur une seule période

s u
 z  1
Ga s   Ga u  Ga   Gn z 
 z 1

146
Filtre de Butterworth numérique d'ordre n:

1 1
Ga 2 s   2n
 Gn 2 z   2n
 s  z 1 
1    1   
 so   so z  1

|Ga(f)| |Ga(f)|

fo f 1 f
fo

 Interactive Digital Filter Design

 Web-based Filter design 147