Trait Signal PDF
Trait Signal PDF
Trait Signal PDF
numrique du signal
Vers son utilisation en arithmtique entire
Olivier Sentieys
sentieys@enssat.fr
IRISA Equipe
de recherche R2 D 2
ENSSAT
ENSSAT
Agenda
Introduction et classification des signaux
1. chantillonnage et reconstruction des signaux
2. Signaux temps discret
Quelques outils du traitement du signal
3. Transformation en Z
4. Transformation de Fourier
Quelques applications typiques en traitement du signal
5. Systmes discrets
6. Filtrage numrique
7. Transforme de Fourier rapide (FFT)
8. Filtrage adaptatif
9. Quantification et arithmtique entire
Definitions
Modliser ou identifier consiste en lanalyse dun signal
`
Classification des signaux et systemes
Dimension du signal
Signal scalaire pouvant prendre des valeurs relles ou
complexes : x(t).
Signal vectoriel pouvant prendre des valeurs relles ou
complexes : [R, V, B] = T V (t).
Dimension des variables du signal
Signal mono-dimensionnel qui correspond des fonctions
`
Classification des signaux et systemes
Caractristiques temporelles
Signaux temps continu ou signaux analogiques : s(t). La
variable t R.
Signaux temps discret : s(n) (ou s(nT )). La variable n Z.
`
Classification des signaux et systemes
Valeurs prises par le signal
Signaux valeurs continues pouvant prendre une valeur
`
Classification des signaux et systemes
Prdictibilit des signaux
Signaux dterministes qui peuvent tre reprsents
1 Echantillonnage
et reconstruction
des signaux
1. Echantillonnage
et reconstruction des signaux p. 8
eme
`
Historique du Theor
dechantillonnage
-I
De tout temps, lHomme a cherch chantillonner ... a
1918 E.T. Whittaker sintresse aux reprsentations analytiques
dune fonction connue seulement pour des valeurs
quidistantes : a, a + w, a + 2w, ...a + nw
Ceci la conduit la forme finale de la srie cardinale :
X
sin w (t a nw)
f (a + nw)
w (t a nw)
n=
1. Echantillonnage
et reconstruction des signaux p. 9
eme
`
Historique du Theor
dechantillonnage
-I
De tout temps, lHomme a cherch chantillonner ... a
1918 E.T. Whittaker sintresse aux reprsentations analytiques
dune fonction connue seulement pour des valeurs
quidistantes : a, a + w, a + 2w, ...a + nw
Ceci la conduit la forme finale de la srie cardinale :
X
sin w (t a nw)
f (a + nw)
w (t a nw)
n=
1928 Nyquist sintresse la communication tlgraphique. La
vitesse dchantillonnage de Nyquist correspond la vitesse
minimale pour laquelle on peut obtenir une reconstruction
stable.
a
1. Echantillonnage
et reconstruction des signaux p. 9
eme
`
Historique du Theor
- II
1933 Kotelnikov a introduit ce thorme dans la littrature
scientifique russe.
1. Echantillonnage
et reconstruction des signaux p. 10
eme
`
Historique du Theor
- II
1933 Kotelnikov a introduit ce thorme dans la littrature
scientifique russe.
1948 Shannon nonce un thorme qui selon lui est
gnralement admis dans le domaine des communications :
Whittaker Kotelnikov Shannon WKS
secondes.
points espacs de T = max
1. Echantillonnage
et reconstruction des signaux p. 10
Reconstruction
Classe de fonctions de Paley-Wiener (largeur de bande limite)
regroupe les fonctions telles que :
n
o
P WB = f L2 (R) : supp f [, ] ,
X n
n
f (t) =
f
sinc t
(1)
w
w
nZ
1. Echantillonnage
et reconstruction des signaux p. 11
eme
`
Theor
dechantillonnage
de Shannon
Il est possible de reconstruire le signal continu partir du signal
discret si le signal analogique est bande limite, i.e. X() est
nulle pour || > max
On obtient alors :
max
2
<
max
T
2fmax < fN
(2)
1
avec fN =
T
(3)
1. Echantillonnage
et reconstruction des signaux p. 12
Exemple dechantillonnage
Soit xa (t) correspondant une sinusode de frquence f = 2Hz.
La frquence de Nyquist correspond fN = 2 2 = 4Hz.
Signal echantillone a 1.6Hz
1
0.8
0.6
Valeur du signal
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1.5
2.5
Temps
3.5
4.5
1. Echantillonnage
et reconstruction des signaux p. 13
Exemple dechantillonnage
Soit xa (t) correspondant une sinusode de frquence f = 2Hz.
La frquence de Nyquist correspond fN = 2 2 = 4Hz.
Signal echantillone a 3.2Hz
1
0.8
0.6
Valeur du signal
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1.5
2.5
Temps
3.5
4.5
1. Echantillonnage
et reconstruction des signaux p. 13
Exemple dechantillonnage
Soit xa (t) correspondant une sinusode de frquence f = 2Hz.
La frquence de Nyquist correspond fN = 2 2 = 4Hz.
Signal echantillone a 6.4Hz
1
0.8
0.6
Valeur du signal
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1.5
2.5
Temps
3.5
4.5
1. Echantillonnage
et reconstruction des signaux p. 13
Chane de traitement
C a
A
P
T
E
U
A (v)
R
b
E/B
(a)
c
Convertisseur
d
Processeur
A/N
B (v)
Convertisseur
N/A
Action
Numrique
F (v)
t
(c)
E (v)
(f)
(e)
(b)
AC
TI
ON
NE
UR
(d)
1. Echantillonnage
et reconstruction des signaux p. 14
x(n). On crira :
X = {x(n)}
<n<
nZ
t = nT , i.e.
x(n) = xa (nT )
<n<
T : priode dchantillonnage, fe =
1
T
: frquence
dchantillonnage
(n k)
k=0
3. x1 (n) = An
x2 (n) = An u(n)
4. Sinusode
x3 (n) = A cos (n0 T + )
5. Cas gnral
x(n) =
+
X
x(k)(n k).
k=
es
des signaux a` temps discret
Propriet
1. Signaux causaux
x(n) = 0,
n < 0
|x(n)|2
(4)
n=
Pm
1 X
|x(n)|2
, lim
N N
N
n=
(5)
es
des signaux a` temps discret 2
Propriet
5. Intercorrlation entre deux signaux x(n) et y(n)
Rxy (k) ,
+
X
(6)
n=
+
X
x(n)y(k n)
(7)
n=
Signaux aleatoires
Un signal est dit alatoire si sa valeur instantane x(t) ne peut
tre prvue avec certitude.
Exemple
FX (x; t) = P rob{X(t) x}
Fonction de densit de probabilit
d
fX (x; t) =
FX (x; t) FX (x; t) =
dx
fX (u; t)du
xk fX (x; t)dx
en Z
Transformee
en Z p. 22
3. Transformee
en Z
Transformee
La transforme en Z tablit une correspondance entre lespace
des signaux temps discret et lespace des fonctions
analytiques (ou holomorphes) dfinies sur un sous-ensemble du
plan complexe, appel domaine de convergence DCV .
On dfinit la transforme en Z (dite unilatrale) par :
Z [x(n)] = X(z) =
x(n)z n
(8)
n=0
lim |x(n)| = r
en Z p. 23
3. Transformee
es
de la T Z
Propriet
1. Linarit
x(n) = ax1 (n) + bx2 (n) X(z) = aX1 (z) + bX2 (z)
k1
X
x(n)z kn
n=0
es
de la T Z 2
Propriet
5. Thorme de la valeur initiale
x(0) = lim X(z)
z
en Z p. 25
3. Transformee
en Z inverse
Transformee
Soit X(z) la transforme en Z du signal x(n). On dfinit la
transforme en Z inverse, la relation dterminant x(n) partir
de X(z) telle que :
1
x(n) =
2j
z n1 X(z)dz
(9)
en Z p. 26
3. Transformee
avec = 2f .
On retrouve le signal temporel partir de sa transforme par la
transforme de Fourier inverse dfinie par la relation suivante :
Z
1
xa (t) =
Xa (j)ejt d
(11)
2
T F dun signal discret non periodique
Pour un signal x(n) discret quelconque non priodique, sa
transforme de Fourier (T F ) scrit :
X(ej ) =
x(n)ejn
(12)
n=
X(e ) =
n=
x(n)z
z=ej
= X(z)|z=ej
(13)
T F dun signal discret non periodique
2
Lquation (12) implique que le T F nexiste que si le cercle unit,
caractris par z = ej , appartient au domaine de convergence de
X(z).
X() est priodique de priode 2. Ceci implique que le spectre
dun signal discret est priodique.
1
j jn
X(e )e d =
2
X(ej )ejn d
(14)
T F dun signal discret non periodique
3
Exemple : x(n) = an u(n)
1
n
a avec a=0.75
0.5
10
12
14
16
18
4
Module
3
2
1
0
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
1
Argument
0.5
0
0.5
1
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
T F dun signal discret non periodique
4
Exemple : x(n) = an , pour n = 0 . . . N 1
1
n
a limit 6 points
0.5
10
12
14
16
18
4
Module
3
2
1
0
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
2
1
Argument
0
1
2
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
T F dun signal discret periodique
Pour un signal xp (n) discret priodique de priode N , une
dcomposition en srie de Fourier doit tre utilise sous la
forme :
Xp (k) =
N
1
X
(2j n.k
)
N
xp (n).e
, k = 0, 1 . . . N 1
(15)
n=0
xp (n) =
N 1
1 X
)
(2j n.k
N
, n = 0, 1 . . . N 1
Xp (k).e
N
(16)
k=0
k=
2
Xp (k) k
N
(17)
T F dun signal discret periodique
2
Exemple : x(n) = an , pour n = 0 . . . N 1, periodique N
1
n
a priodique 6
0.5
10
12
14
16
18
4
Module
3
2
1
0
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
1
Argument
0.5
0
0.5
1
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
es
de la transformee
de Fourier
Propriet
1. Linarit ou superposition
a.x(n) + b.y(n) a.X(ej ) + b.Y (ej )
2. Dcalage en temps-frquence
x(n n0 ) ejn0 X(ej )
x(n)ejn0 X(ej(0 ) )
3. Drivation en frquence
dX(ej )
n.x(n) j
d
de Fourier dun signal discret p. 35
4. Transformee
es
de la transformee
de Fourier
Propriet
5. Produit de convolution
x1 (n) x2 (n) =
i=
1
2
|x(i)| =
2
i=
|X(ej )|2 d
de Fourier discrete
` (TFD)
Transformee
X(k) =
N
1
X
j 2kn
N
x(n)e
k = 0, , N 1
(18)
n = 0, , N 1
(19)
n=0
N 1
1 X
j 2kn
Xk e N ,
x(n) =
N
k=0
`
Systemes
discrets
`
5. Systemes
discrets p. 38
Representation
temporelle
Stratgie gnrale danalyse dun systme linaire invariant :
1. Dcomposition du signal dentre en une somme de signaux ou
fonctions de base.
X
k ek (n)
e(n) =
k
`
5. Systemes
discrets p. 39
Produit de convolution
e(n)
+
X
e(k)(n k)
k=
s(n)
= T [e(n)] = T [
+
X
k=
e(k)(n k)] =
+
X
k=
+
X
k=
Produit de convolution 2
Exemple
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.5
0.4
0.6
0.5
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
-30
-20
-10
0
indice temporel: n
10
20
30
0
-30
-20
-10
0
indice temporel: n
10
20
30
0
-30
-20
-10
0
indice temporel: n
10
20
30
`
5. Systemes
discrets p. 41
Equation aux differences
finies
Une quation aux diffrences finies peut scrire sous la forme :
s(n) =
N
X
k=1
ak s(n k) +
M
X
bk e(n k)
(20)
k=0
FIR)
`
5. Systemes
discrets p. 42
Fonction de transfert en z
La fonction de transfert en z H(z) dun systme est dfinie par :
S(z)
H(z) =
E(z)
(21)
PM
1+
k
k=0 bk z
PN
k
k=1 ak z
N (z)
D(z)
(22)
`
5. Systemes
discrets p. 43
Representation
frequentielle
Soit lentre e(n) = ejnT = ejn pour < n < + dun SLI
de rponse impulsionnelle h(k). La sortie peut alors scrire :
s(n) =
h(k)ej(nk) = ejn
k=
h(k)ejk
k=
H(ej ) =
h(k)ejk
k=
j arg[H(ej )]
`
5. Systemes
discrets p. 44
Representation
frequentielle
2
Exemple : H(z) =
1
1+0.5z 1
1
0.8
0.6
Imaginary part
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real part
0.5
`
5. Systemes
discrets p. 45
Representation
frequentielle
2
Exemple : H(z) =
1
1+0.5z 1
10
-5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Normalized frequency (Nyquist == 1)
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Normalized frequency (Nyquist == 1)
0.8
0.9
Phase (degrees)
30
20
10
0
0
`
5. Systemes
discrets p. 45
Filtrage numerique
6. Filtrage numerique
p. 46
Filtrage numerique
Modification des rponses temporelles et frquentielles dun
signal discret
Un filtre numrique est dfini par :
sa rponse impulsionnelle ;
sa fonction de transfert en z ;
son quation aux diffrences finies ;
sa rponse frquentielle.
6. Filtrage numerique
p. 47
Fonction de transfert en z
H1(z)
X(z)
H(z)
Y(z)
X(z)
H2(z)
Y(z)
...
a) Forme directe
HM(z)
b) Forme parallle
X(z)
H1(z)
H2(z)
...
HM(z)
Y(z)
c) Forme cascade
6. Filtrage numerique
p. 48
Specification
Gabarit dfini par sa slectivit, son ondulation en BP, son
attnuation en BA
|H(ej)|
|H(ej)| (dB)
p
1+1
1
1-1
20log(1+1)
0 dB
20log(1-1)
20log2
b) Gabarit frquentiel en dB
6. Filtrage numerique
p. 49
Filtres RII
PN
i
b
.z
N (z)
i
i=0
=
H(z) =
P
i
D(z)
1+ N
a
.z
i
i=1
y(n) =
N
X
i=0
bi .x(n i)
N
X
ai .y(n i)
(23)
(24)
i=0
6. Filtrage numerique
p. 50
Filtres RIF
H(z) =
N
1
X
bi .z i
(25)
N
1
X
(26)
i=0
y(n) =
N
1
X
i=0
bi .x(n i) =
h(i).x(n i)
i=0
6. Filtrage numerique
p. 51
x(n)
Z-1
x(n-1)
x(n-N)
y(n)
Z-1
y(n)
b1
b1
bN-1
+
Z-1
b0
Z-1
bN-1
+
bN
bN
Z-1
+
a) Structure directe
b) Structure transpose
(27)
6. Filtrage numerique
p. 52
"X
N
1
1
N (z)
i
bi .z
= [N (z)]
=
H(z) =
PN
D(z)
D(z)
1 + i=1 ai .z i
i=0
(28)
b0
x(n)
Z-1
b1
bN-1
+
Z-1
+
+
+
y(n)
-a1
Z-1
x(n-1)
-aN
RIF
RII
Z-1
b1
+
+
bN-1
+
-aN-1
bN
a) Cascade
Z-1
b0
x(n)
Z-1
x(n-N)
bN
y(n)
-a1
Z-1
y(n-1)
-aN-1
-aN
Z-1
y(n-N)
b) Structure directe
6. Filtrage numerique
p. 53
W (z) =
1
D(z) .X(z)
x(n)
b0
w(n)
PN
y(n)
x(n)
b0
Z-1
+
y(n)
Z-1
b1
-a1
(29)
b1
-a1
w(n-1)
Z-1
+
-aN-1
Z-1
bN-1
bN-1
+
Z-1
bN
-aN
w(n-N)
a) Structure canonique directe
bN
-aN-1
Z-1
+
-aN
6. Filtrage numerique
p. 54
de Fourier rapide
7 Transformee
(FFT)
X(0)
1
X(1)
.
= ..
..
.
1
X(N 1)
1
WN1
WN2
..
.
..
.
..
.
WN2
WN4
2(N 1)
WNN 1
WN
x(0)
x(1)
..
.
..
.
2(N 1)
WN
x(N 1)
(N 1)2
WN
WNN 1
(30)
)
(2j N
avec WN = e
x(n).WNnk
x(2n).WN2nk
nk
x(2n).WN/2
n pair
N/21
n=0
(2n+1)k
x(2n + 1).WN
(32)
N/21
n=0
X(k)
N
X(k + )
2
n=0
N/21
X(k)
(31)
n impair
N/21
X(k)
x(n).WNnk
WNk
nk
(33)
x(2n + 1).WN/2
n=0
(34)
(35)
W80
x(2)
TFD
x(4)
N/2 points
x(6)
W82
W83
x(1)
W84
x(3)
TFD
x(5)
N/2 points
x(7)
W81
W85
W86
W87
X(0)
X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
Xm+1 (p)
Xm (q)
W
-1
Xm+1 (q)
(36)
X(0)
X(1)
X(8)
X(2)
X(4)
X(3)
X(12)
X(4)
X(2)
X(5)
X(10)
X(6)
X(6)
X(7)
X(14)
X(8)
X(1)
X(9)
X(9)
X(10)
X(5)
X(11)
X(13)
X(12)
X(3)
X(13)
X(11)
X(14)
X(7)
X(15)
X(15)
Autres graphes
8 Filtrage adaptatif
8. Filtrage adaptatif p. 62
Filtrage adaptatif
Pas de connaissance a priori des proprits des signaux et
8. Filtrage adaptatif p. 63
Annulation decho
acoustique
Ambient
Noise
near end
Microphone
speach
Ht
to far end
speaker
Computation
of coefficients
Loud
speaker
8. Filtrage adaptatif p. 64
Gradient :
Wn = Wn1 + n n Un
8. Filtrage adaptatif p. 65
9 Quantification et arithmetique
`
entiere
` p. 66
9. Quantification et arithmetique
entiere
Bruit dune conversion analogique/numerique
` p. 67
9. Quantification et arithmetique
entiere
` du bruit de quantification
Modele
x
Q( )
Hypothses :
e
e(n) est stationnaire,
e(n) nest pas corrl avec x(n),
les bruits de quantification sont statistiquement indpendants,
e(n) est un bruit blanc uniformment rparti,
e(n) est born par le pas de quantification,
la distribution de probabilit de e(n) est uniforme,
lergodicit implique que les moyennes temporelles et statistiques
sont quivalentes.
Selon la loi de quantification utilise :
2
arrondi : me = 0, e2 = q ,
12
2
troncature : me = q , e2 = q .
2
12
` p. 68
9. Quantification et arithmetique
entiere
`
Modeles
du bruit (dus aux calculs)
Xe = 2m .S +
m1
X
bi 2i ,
Xs = 2m .S +
m1
X
bi 2i
(37)
bm-2
b1
2-j
2-j-1
b-j+1
bb-jj
j-1
bj+1
-j-1
-n
2-n+2 2-n+1 2_n
bn-2
n-1
2-n b1-n
b-nn
k = n- j
` p. 69
9. Quantification et arithmetique
entiere
`
Modeles
du bruit 2
p(xq ) =
k
2X
1
2k (xq i.2n )
(38)
i=0
p(xq)
2-k
1 2 3
2k -1
xq.2n
` p. 70
9. Quantification et arithmetique
entiere
`
Modeles
du bruit 3
La moyenne de cette variable alatoire est la suivante :
+
X
bg =
yi p(yi ) =
soit
bg = 2
i.2n .2k
(39)
q
) = (1 2k )
2
(40)
i=0
i=
j1
k
2X
1
(1 2
jn
+
X
(41)
i=
soit
b2g
22j
q2
2(jn)
=
(1 2
)=
(1 22k )
12
12
(42)
` p. 71
9. Quantification et arithmetique
entiere
`
Modeles
du bruit 4
Erreur
propage
bp
bg Erreur
gnre
bx
x
y
op
bq
bs
bs
by
` p. 72
9. Quantification et arithmetique
entiere
x2
x2
2(b1) 2
=
=
12
2
x
2
2
e
q /12
(43)
(44)
` p. 73
9. Quantification et arithmetique
entiere
(45)
= me
+
X
h(n) = me H(ej0 )
(46)
n=
f2 = e2
+
X
n=
|h(n)|2 =
e2
2
|H(ej )|2 d
(47)
` p. 74
9. Quantification et arithmetique
entiere
Effets de la quantification
Filtrage RIF H(z) =
PN 1
bi xni
i=0
` p. 75
9. Quantification et arithmetique
entiere
Effets de la quantification 2
Bruit en sortie du filtre RIF pour une architecture simple
prcision
N
1
2
X
q
f2 = e2
|h(n)|2 + N
12
n=0
Bruit en sortie du filtre RIF pour une architecture double
prcision
N
1
X
q2
2
2
2
|h(n)| +
f = e
12
n=0
(48)
(49)
N
1
X
|h(n)|
(50)
n=0
` p. 76
9. Quantification et arithmetique
entiere
Effets de la quantification 3
Filtrage RII du second ordre
` p. 77
9. Quantification et arithmetique
entiere
erences
Ref
[Bel87]
[EW92]
[HL97]
[Ka91]
[ME93]
` p. 78
9. Quantification et arithmetique
entiere
erences
Ref
[MSY98] J. McClellan, R. Schafer, and M. Yoder. DSP First : a
Multimedia Approach. Prentice Hall, 1998.
[OS75]
[OS99]
[PM96]
[Poa97]
[SS88]
` p. 79
9. Quantification et arithmetique
entiere
` p. 80
9. Quantification et arithmetique
entiere
`
Table des matieres
`
Table des matieres
1 chantillonnage et reconstruction des signaux
15
3 Transforme en Z
22
27
5 Systmes discrets
38
6 Filtrage numrique
46
55
8 Filtrage adaptatif
62
66
` p. 81
9. Quantification et arithmetique
entiere