Professional Documents
Culture Documents
LPNHE Paris
CERTAINS ASPECTS
DU TRAITEMENT DU SIGNAL
Master de Sciences et Technologies
Spcialit : Capteurs, Mesure et Instrumentation
Patrick NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
TRAITEMENT DU SIGNAL
Master CMI
II
TRAITEMENT DU SIGNAL
Master CMI
III
La dmodulation synchrone.......................................................................................... 98
Evaluation du rapport signal bruit en entre et en sortie..................................... 100
La dtection synchrone ............................................................................................... 101
Dtection synchrone et corrlation ........................................................................ 102
LES SYSTMES NUMRIQUES ................................................................................... 104
Les systmes rponse invariante dans le temps et rponse variante dans le temps104
Linarit ................................................................................................................. 105
Causalit................................................................................................................. 105
Rponse dun systme numrique (LIT) des impulsions de Dirac .......................... 105
Rponse impulsionnelle dun systme numrique (LIT) ....................................... 106
Les systmes Rponse Impulsionnelle de dure Finie (RIF) et Rponse Impulsionnelle de dure infinie (RII)..................................................................................... 106
Les systmes numriques rcursifs et non-rcursifs................................................... 107
Corrlation des signaux discrets ................................................................................. 107
Auto-corrlation de signaux discrets .......................................................................... 108
La transforme en z..................................................................................................... 108
La transforme en z directe .................................................................................... 108
La transforme en z inverse ................................................................................... 109
Proprits de la transforme en z ........................................................................... 110
Quelques transformes en z ................................................................................... 112
Fonction de transfert dun systme numrique (LIT) ............................................ 112
Relation entre la transforme en z et la transforme de Fourier ............................ 113
Analyse frquentielle des systmes discrets ............................................................... 114
Puissance moyenne ................................................................................................ 115
nergie de la squence ........................................................................................... 115
Synthse dun filtre numrique................................................................................... 115
Synthse dun filtre numrique par la mthode des drives................................. 116
Synthse dun filtre numrique par la transformation bilinaire ........................... 118
Synthse dun filtre numrique par invariance de la rponse impulsionnelle ............ 123
Validit de la transformation par invariance de la rponse impulsionnelle ........... 124
Conception des filtres RIF .......................................................................................... 125
Cas o h(n) est symtrique..................................................................................... 128
Cas o h(n) est antisymtrique............................................................................... 128
Choix dune rponse h(n) symtrique ou antisymtrique ...................................... 129
Utilisation du fentrage............................................................................................... 129
Effet du fentrage sur un signal ............................................................................. 129
Effet du fentrage avec un filtre RIF ..................................................................... 132
DE LA TRANSFORME DE FOURIER VERS LA TRANSFORME EN ONDELETTES .............................................................................................................................. 140
Introduction................................................................................................................. 140
La transforme de Fourier fentre............................................................................ 140
Exemple ................................................................................................................. 141
Localisation temps-frquence ................................................................................ 142
Influence du fentrage sur la rsolution et la dynamique ...................................... 143
La transforme continue par ondelettes ...................................................................... 143
Principe compar des analyses temps-frquence (figure 12.4).............................. 144
Exemple : la fonction de Haar................................................................................ 144
Admissibilit .......................................................................................................... 145
Filtre inverse .......................................................................................................... 146
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
IV
TRAITEMENT DU SIGNAL
Master CMI
TRAITEMENT DU SIGNAL
Master CMI
VI
TRAITEMENT DU SIGNAL
Master CMI
VII
TRAITEMENT DU SIGNAL
Master CMI
VIII
TRAITEMENT DU SIGNAL
Master CMI
IX
TRAITEMENT DU SIGNAL
Master CMI
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
XI
1in1
a < x1
xi < xi + 1
xn 1 < b
Lintgrale simple dfinie sur le support ( a, b ) peut tre approche par les sommes de
Riemann :
n1
f ( i ) ( xi + 1 xi )
S =
Equ(1.1)
i=1
Riemann : I =
a f ( x ) dx .
Les sommes de Riemann sont utilisables pour les fonctions continues et peuvent sappliquer
un nombre limit de fonctions discontinues.
a f ( x ) dx = F ( b ) F( a) .
f ( Pi ) mi
Equ(1.2)
avec P i D i .
La limite L ( D ) de cette somme, quand elle existe, est une fonction de domaine, intgrable
de la fonction de point f ( P ) .
Lebesgue groupe des valeurs voisines de f ( x ) dans un petit intervalle y i < f ( x ) < y i + 1 .
On associe cet intervalle, une mesure m i :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
S =
i i mi
Equ(1.3)
f ( x ) dx ou R f ( x ) dx ou f ( x )dx ou encore f .
On prte Lebesgue le propos suivant : " Je fouille dans mes poches et jen sors des pices
et des billets de diffrentes valeurs. Je les verse mon crancier dans lordre o elles se prsentent jusqu atteindre le total de ma dette. Cest lintgrale de Riemann. Mais je peux oprer
autrement. Ayant sorti tout mon argent, je runis les billets de mme valeur, les pices semblables,
et jeffectue le paiement en donnant ensemble les signes montaires de mme valeur. Cest mon
intgrale. "
f(x)
f(x)
f ( xi )
yi + 1
yi
xi xi + 1
f ( x ) dx +
+ f ( x ) dx
>0
tend vers une limite L, alors f ( x ) est intgrable au sens de la valeur principale de Cauchy.
b
y ( ) = vp
a f ( x ) dx
+
De mme : vp
+N
f ( x ) dx = lim
N N
f ( x ) dx .
TRAITEMENT DU SIGNAL
Master CMI
appartient galement F.
Quelque soit 1, 2 complexes :
f1 F
f2 F
1f1 + 2f2 F
On considre que lon a dfini une fonctionnelle sur un espace F si lon peut associer un
nombre complexe T ( f ) toute fonction de F. On utilise la notation de L. Schwartz : ( T, f ) pour
spcifier T ( f ) le nombre complexe associ la fonction f par la fonctionnelle T.
T x ( ) = ( T x, ) =
x( t ) ( t )dt .
Equ(1.4)
Par abus de notation on note les fonctions localement sommables comme des distributions :
+
( x ( t ), ) =
x ( t ) ( t ) dt .
Equ(1.5)
(0) =
( t ) ( t ) dt
Equ(1.6)
(a ) =
( t a ) ( t )dt
Equ(1.7)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(1.8)
( ( T f ), ) = ( T f, ) =
( ( T f ), ) = [ f ( t ) ( t ) ]
f ( t )( t )dt = ( Tf, )
De mme :
( T, ) = ( T, )
Equ(1.9)
( T, ) = ( T, ) = ( T, )
(T
(n)
, ) = ( 1 ) ( T,
(n)
Equ(1.10)
Equ(1.11)
b
h
a
t0
discontinue g ( t ) .
g ( t ) = h u ( t t 0 ) avec u ( t ) la fonction chelon de Heaviside.
f ( t ) = f t t ( t ) + h u ( t t 0 ) . En drivant f ( t ) , il vient immdiatement, compte-tenu que la
0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(1.12)
2.1.2. Alatoires
Ce sont les signaux qui ont un caractre non-reproductible et imprvisible. Par exemple, les
signaux issus de capteurs ou encore la parole.
Ex =
x ( t ) dt
Equ(2.1)
+T 2
T 2 x ( t )
Equ(2.2)
dt
Remarque :
Les signaux tels que 0 < E x < sont des signaux nergie finie ( P x = 0 ) , par
exemple, les signaux transitoires.
Les signaux tels que 0 < P x < sont des signaux puissance moyenne finie
( E x = ) . Par exemple, les signaux permanents, comme les signaux priodiques ou
encore les signaux alatoires permanents.
On peut donner une autre dfinition de la puissance moyenne :
1
P x = lim ------------T T t 0
x ( t ) dt
Equ(2.3)
(t)
Proprit :
( t ) dt = 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
(t)
1
( t kT )
Equ(2.4)
k =
Exemple : Pour spcifier que le signal x ( t ) est nul pour les temps ngatifs, on peut dfinir
un nouveau signal : x ( t ) U ( t ) .
1
0,5
0
-0,5
-1
TRAITEMENT DU SIGNAL
Master CMI
( x 1, x 2 ) =
d ( x 1, x 2 ) = x 1 x 2 =
12
x 1 ( t ) x 2 ( t ) dt
x 2'
x1
Base orthogonale
x 1'
x1
Base non-orthogonale
Figure 2.5 : Un signal dans une base orthogonale et dans une base non-orthogonale
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Dans le cas dune base orthogonale, le signal peut tre exprim en fonction de ses
projections :
x = x 1 + x 2 , x 1 = a 1 1 et x 2 = a 2 2
x = a1 1 + a2 2
Equ(2.5)
Equ(2.6)
Un seul produit scalaire est ncessaire pour dterminer un coefficient. Ce dernier est indpendant des autres coefficients.
On gnralise facilement (2.5), dans le cas dune base orthogonale n lments :
x =
ai i
Equ(2.7)
et (2.6) devient :
( x, i ) = a i i, i = a i
i
Equ(2.8)
Dans le cas dune base non-orthogonale, on ne peut plus reconstruire le signal partir de
ses seules projections : x x 1 + x 2 . Il est ncessaire de trouver un jeu de vecteurs tel que :
x = x' 1 + x' 2 (figure 2.5). Pour le calcul dun coefficient, tous les vecteurs de la base vont interve-
nir.
Par la suite, afin dallger les notations, les notations vectorielles (flches) sont ommises.
La reprsentation dun signal par des fonctions orthogonales permet de simplifier les
calculs, en effet :
Soit 1, 2, ... n un ensemble de fonctions orthogonales.
Le produit scalaire ( i, j ) = i, j est tel que :
i, j = 1 si i=j
0 si i j
ai i
i=1
+T 2
T 2 x1 ( t ) x2 ( t )
dt
a i = ( x, i ) =
x i dt
Equ(2.9)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
ai
Equ(2.10)
i=1
Dmonstration :
Rappel : A B
2
= x x
= ( A B ) ( A B )* = AA * + BB * AB * A * B
x a i i dt
xx + x x xx x x dt =
x =
ai i
= x
+ x
si
ij
si
i = j
+ a i x a i i dt x a i i dt = x
2
+ ( ai
xx dt x x dt
x x dt = i aiij aj jdt = ai
Rappel : i j dt =
= x
a i ( x, i ) a i ( i, x ) ) ( i,x) =
+ ( ai
xa i i dt x a i i dt )
+ ( ai
a i ( x, i ) a i ( x, i ) ) = x
+ [ a i a i (x, i) a i (x, i) ]
2
( x, i ) + [ a i + ( x, i ) a i ( x, i ) a i ( x, i ) ]
2
( x, i ) + a i ( x, i )
2
est minimale si : i
a i = ( x, i )
= x
min = x
ai
Do lingalit de Bessel-Parseval :
ai
Equ(2.11)
ai
= x
Equ(2.12)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
3. SRIES DE FOURIER
Les sries de Fourier dcoulent naturellement de la thorie des fonctions orthogonales en
considrant des fonctions exponentielles.
Soit k une fonction de la forme k ( t ) = e
ikt
2
avec : = --- .
T
+T 2
j ( t ) k ( t ) dt =
T 2
+T 2
ijt
ikt
dt =
T 2
i ( j k )t
dt
T 2
i ( j k )t
e
= ---------------------i ( j k )
+T 2
T
2
= -------------------- sin ( j k ) --2
( j k )
T 2
T
( j, k ) = ------------------ sin ( j k )
( j k )
( j, k ) = T si j = k (la fonction nest pas norme).
0 si j k
x(t) =
k =
Ck k =
Cke
k =
ikt
avec k = e
ikt
1
C k = --T
x ( t )e
ikt
Equ(3.1)
dt
T 2
1
C k = --T
x ( t )e
ikt
Equ(3.2)
dt
T 2
do : Ck = C k
Posons : C k = k e
k e
i k
x(t) =
= k e
Ck e
i k
i k
ikt
et
k =
x ( t ) = C0 +
Cke
ikt
k=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Ck e
k=1
Cke
ikt
Ck e
k=1
i kt
alors :
i kt
10
SRIES DE FOURIER
x ( t ) = C0 +
k
k=1
i k ikt
+ k e
i k i kt
= C +
0
2k cos ( kt + k )
k=1
x ( t ) = C0 +
k=1
1
k cos k = --T
x ( t ) cos kt dt
T 2
+T 2
2
2 k cos k = --T
x ( t ) cos kt dt = a k
T 2
+T 2
1
de mme : i k sin k = --T
x ( t ) ( i sin kt ) dt
T 2
+T 2
2
2 k sin k = --T
x ( t ) sin kt dt = b k
T 2
+
comme : x ( t ) = C 0 +
x( t ) = C0 +
[ ak cos kt + b k sin kt ]
Equ(3.3)
k=1
+T 2
2
a k = --T
x ( t ) cos kt dt
Equ(3.4)
x ( t ) sin kt dt
Equ(3.5)
T 2
+T 2
2
b k = --T
T 2
+T 2
1
C 0 = --T
x ( t ) dt
Equ(3.6)
T 2
Comme : x ( t ) = C0 +
[ ak cos kt + bk sin kt ]
k=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
11
SRIES DE FOURIER
k
k sa pulsation et ------- sa frquence.
2
a
Ak
Ak
Si lon pose sin k = -----k- et cos k = -----k- alors lharmonique de rang k se met sous la forme :
h k ( t ) = A k sin ( kt + k )
Equ(3.7)
k =
Ck
x(t) =
Ck e
ikt
k =
= C0 + 2
Ck
k=1
Equ(3.8)
converge vers : [ x ( t 0 ) + x ( t 0 ) ] 2
Si la fonction prsente une discontinuit de seconde espce, la srie diverge. Dans ce
cas la fonction x ( t ) nest pas dcomposable en srie de Fourier.
Les figures suivantes, montrent les 3 cas possibles pour la fonction x ( t ) .
continue (figure 3.1),
discontinuit de premire espce (figure 3.2),
discontinuit de seconde espce (figure 3.3).
1
0,5
0
-0,5
-1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
12
SRIES DE FOURIER
x(t)
x ( t0+ )
x ( t0- )
0
t0
si t = t0
x(t) +
pas de srie de Fourier possible
x(t )
t0
3.3. Simplifications
Certaines simplifications peuvent tres apportes aux formules de Fourier selon que la
fonction est paire ou impaire.
Si x ( t ) est impaire : x ( t ) = x ( t ) dans ce cas, la valeur moyenne est nulle C 0 = 0 .
ak = 0
4
b k = --T
T2
x ( t ) sin kt dt
Si x ( t ) est paire : x ( t ) = x ( t )
4
C 0 = --T
4
a k = --T
T2
T2
x ( t ) dt
x ( t ) cos kt dt
bk = 0
TRAITEMENT DU SIGNAL
Master CMI
13
SRIES DE FOURIER
x0
g(x) = 1
si
0<x<
g ( x ) = 1
si
< x < 0
g( x )
1
+
x
0
-1
[ ak cos kt + bk sin kt ]
k=1
4
Avec : C 0 = 0 , a k = 0 et b k = --T
T2
2
2
4
comme = ------ = ------ = 1 b k = -----T
g ( x ) sin kt dt
- cos kt 0
0 sin kt dt = ----k
2
4
Seuls les termes impairs existent : k = 2n 1 avec : n = 1, 2 b k = ----------------------( 2n 1 )
sin ( 2n 1 )x
4 sin x sin 3x
g ( x ) = --- ---------- + ------------- + + ------------------------------2n 1
1
3
sin ( 2n 1 )x
sin x sin 3x
2n 1
1 1
TRAITEMENT DU SIGNAL
Master CMI
14
SRIES DE FOURIER
inx
i nx
e +e
cos nx = --------------------------2
i x
i ( 2n 1 )x
i ( 2n 1 )x
1 ix
S n ( x ) = --- [ e + e + + e
+e
]
2
ix
i x
i x
i ( 2n 1 )x
i ( 2n 1 )x
1 e e ix
S n ( x ) = --- ---------------------- [ e + e + + e
+e
]
2 e ix e i x
2nix
2nix
1
1 sin 2nx
S n ( x ) = ------------------------------ [ e
e
] = --- ----------------- puis en intgrant :
ix
ix
2 sin x
2( e e )
1
S n ( x ) = --2
- dz
0 ---------------sin z
sin 2nz
k
Les maxima et minima de S n ( x ) sont donns par sin 2nx pour x = -----2n
1
sin 2nz
----------------- dz = -----4n
sin
z
0
1
sin y
-------------- dy = --2
y
0 sin -----2n
- dy
0 --------y
sin y
y
3!
y
5!
Rappel : le dveloppement en srie entire de sin y est donn par : sin y = y ----- + -----
2
sin y
y
sin y
y
et ---------- = 1 ----- + --------- do lintgrale de ---------- :
y
120
2S n ( x ) = ------ + --------- 1, 85
18 120
2
g ( x ) --- ( 1, 85 ) = 1, 17 1
sin y
La figure 3.6 reprsente la courbe de lintgrale de ---------- .
y
1.17
g(x)
-1.17
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
15
SRIES DE FOURIER
4. TRANSFORMATION DE FOURIER
+
x ( t ) dt <
2
x ( t ) dt <
x(t) =
x ( )e
2it
Equ(4.1)
x ( ) =
x ( t )e
2 it
Equ(4.2)
dt
et les coefficients :
1
C k = --T
+T 2
T 2 x ( t )e
i kt
Equ(4.3)
dt
1
--
T
k =
T2
T 2 x ( t )e
Ck e
k =
ikt
dt e
ikt
ikt
1
Si : T alors --- d
T
1
k --- k
T
+
x(t) =
x ( t )e
2it
dt e
do : x ( t ) =
2it
2it
x ( )e
d et x ( ) =
x ( t )e
2 it
dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
16
TRANSFORMATION DE FOURIER
t centre
x ( t ) = Rect ----------------------
largeur
Equ(4.4)
largeur
largeur
x ( t ) = 1 si t centre ------------------ , centre + -----------------2
2
x ( t ) = 0 sinon.
x ( t ) est une fonction paire dont laxe de symtrie est la valeur centre.
x(t)
x(t)
t
-1/2
-T/2
+1/2
+T/2
t
x ( t ) = Rect ---
T
x ( t ) = Rect ( t )
x(t)
x(t)
t
-2T
-T
2T
3T
t ------
2
x ( t ) = Rect --------------
T
3T
t + ------
2
x ( t ) = Rect --------------
T
Equ(4.5)
x(t)
x(t)
t
-1
+1
-T
+T
t
x ( t ) = Tri ---
T
x ( t ) = Tri ( t )
x(t)
x(t)
t
-5T/2
T/2
-T/2
5T/2
3T
t ------
2
x ( t ) = Tri --------------
T
3T
t + ------
2
x ( t ) = Tri --------------
T
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
17
TRANSFORMATION DE FOURIER
4.2. Exemple 1
Soit la fonction x ( t ) dont la transforme de Fourier est x ( ) (figure 4.3) telle que :
x ( ) =
1 si B
0 si > B
x(t) =
x ( )e
+B
x(t) =
1e
2it
2it
d
2it +B
e
d = ------------2it
2iBt
2iBt
e
e
= -------------------------------------2it
sin 2Bt
sin 2Bt
x ( t ) = -------------------- = 2B -------------------- = 2Bsinc(2Bt)
2Bt
t
sin x
Avec : sinc(x) = -------------- (sinus cardinal). -Voir la figure 4.4x
4.3. Exemple 2
Soit la fonction :
x ( t ) = rect T ( t )
= 1 si t < T 2
T
= 0 si t --2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
18
TRANSFORMATION DE FOURIER
+T 2
T 2
1e
2it
2it +T 2
e
dt = ------------------2i
T 2
2iT 2
2 iT 2
e
e
= --------------------------------------------------2i
sin T
T sin T
x ( ) = ------------------ = ---------------------- = Tsinc(T )
Rciproquement : x ( t ) =
2it
x ( )e
d =
Tsinc ( T )e
2it
x( t) = 1
1 =
Tsinc( T ) d
Si lon pose : x = T
+
1
1 = --
--- =
2
2
sin x
---------- dx = --
x
sin x
---------- dx
x
sin x
---------- dx = Si ( x )
x
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
19
TRANSFORMATION DE FOURIER
(t)
La distribution de Dirac est la limite de nombreuses familles de fonctions. Par exemple, les
fonctions suivantes ont pour limite une distribution de Dirac :
1
( t ) = lim --- rect T ( t )
T 0T
1
( t ) = lim --- tri T ( t )
T 0T
sin Bt
( t ) = lim B ----------------Bt
B0
Proprit fondamentale :
+
( ( t ) ) dt = 1
Equ(4.6)
t0
TRAITEMENT DU SIGNAL
Master CMI
20
TRANSFORMATION DE FOURIER
Dans le cas o t 0 = 0 , f ( t ) D ( t ) = f ( 0 ) D ( t ) .
Cette opration correspond chantillonner f ( t ) par une impulsion rectangulaire.
normalise 1.
f(t)
f ( k )
Figure 4.9 : Approche dune fonction par une suite dimpulsions rectangulaires
On peut approcher f ( t ) par : f ( t ) =
k =
f ( k ) R ( t k )
f(t) =
f ( )( t )d
Equ(4.7)
y( ) =
x1 ( t )x2 ( t ) dt
Equ(4.8)
(n)
(n)
*f=f
(n )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
21
TRANSFORMATION DE FOURIER
4.6.2. Exemple 1
(t 1)
2t
(t 3 2)
rect ----------------------
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
22
TRANSFORMATION DE FOURIER
Figure 4.10 : Produit de convolution dune exponentielle par une fonction rect
4.6.3. Exemple 2
Dterminons le produit de convolution Rect --- * Rect --- . La figure 4.11 reprsente les
T
T
t
f( )
T 2
+T 2
T 2
+T 2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
23
TRANSFORMATION DE FOURIER
t d = T t
Etape 4 : pour t > T , il ny a pas de recouvrement : f ( ) g ( t ) = 0
finalement : Rect --- * Rect --- = T tri ---
T
T
T
t
Equ(4.9)
f( )
g( t )
T T 2
f()
g( t )
+T 2
T 2
+T 2
f*g
T
4.6.4. Exemple 3
Dterminons le produit de convolution suivant : Rect t --- * Rect --- .
2
2
1
g()
f( )
-1
dcaler la fonction g ( ) : y ( ) =
f ( )g ( t )d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
24
TRANSFORMATION DE FOURIER
1 d = t + 1 .
Etape 3 : si 0 t 1 le recouvrement est constant quelque soit t, f ( ) est incluse dans g ( ) et lint1
grale devient :
0 d = 1 .
t d = 2 t
Etape 5 : si t > 2 g ( t ) ne recouvre pas f ( ) , le produit f ( ) g ( t ) = 0 .
Le produit de convolution cherch est reprsent sur la figure 4.14.
f *g
-1
( t kT )
Equ(4.10)
k =
T(t ) =
1
A k = --T
Ak e
k =
T2
i2kt
T 2 T ( t )e
1
avec = ---
Equ(4.11)
i2kt T
1
dt = --T
Equ(4.12)
+
i2kt T
1
( t kT ) = --- e
T
k =
k =
puis en prenant la transforme de Fourier du deuxime membre, on obtient la formule sommatoire de Poisson :
+
1
k
( t kT ) --- ---
T
T
Equ(4.13)
TRAITEMENT DU SIGNAL
Master CMI
25
TRANSFORMATION DE FOURIER
lautre.
1
1
1
u ( ) = --- ( ) + ----- vp ---
2
i
Equ(4.14)
4.9. La symtrie
Sachant que x ( t ) x ( ) = X ( ) il est intressant de connatre la transforme de Fourier
de X ( t )
De lquation 4.1 :
+
x(t) =
X ( )e
+
x( ) =
X ( t )e
+
x ( ) =
2it
2it
d et dans ce cas :
X ( t )e
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
2 it
d
X ( t ) x ( )
Equ(4.15)
26
TRANSFORMATION DE FOURIER
Equ(4.16)
x(t)
x ( )
Equ(4.17)
kx ( t )
kx ( )
x ( at )
1
----- x ---
a a
x 1 ( t ) + x2 ( t )
x 1 ( ) + x 2 ( )
x ( t t0 )
x ( )e
Equ(4.18)
Equ(4.19)
Equ(4.20)
2it 0
Equ(4.21)
x ( 0 )
Equ(4.22)
n
( 2i ) x ( )
Equ(4.23)
d [ x ( ) ]
n
d
Equ(4.24)
x ( u )y ( u ) du = x ( )*y ( )
Equ(4.25)
x ( ) y ( )
Equ(4.26)
k
1
--- ---
T
T k =
Equ(4.27)
x ( t )
x ( )
Equ(4.28)
x ( t )
x ( )
Equ(4.29)
t
Rect ---
T
T sinc ( T )
Equ(4.30)
x ( t )e
d
dt
i2 0 t
[ x( t)]
( 2 it ) x ( t )
x(t) y(t )
x ( t )*y ( t )
+
( t kT )
k =
cos 2 0 t
i 2 0 t
e
+e
cos 2 0 t = -----------------------------------------2
i2 0 t
( 0 ) et :
1
cos 2 0 t --- [ ( 0 ) + ( + 0 ) ]
2
Equ(4.31)
1
sin 2 0 t ----- [ ( 0 ) ( + 0 ) ]
2i
Equ(4.32)
De mme :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
27
TRANSFORMATION DE FOURIER
t
A Tri -------- T 2
-T/2
+T/2
2A
t
2A T
T
T
------- rect ---------- ------- --- sinc --- = A sinc ---
T
T2
T 2
2
2
2iT 4
2 iT 4
T
t
T
d
Tri ---------- A sinc --- e
A sinc --- e
2
2
d t T 2
t
T
T
d
Tri ---------- 2i A sinc --- sin -- 2
2
d t T 2
2
T 2
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(4.33)
28
TRANSFORMATION DE FOURIER
T sinc ( T )
2
t
T
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
29
TRANSFORMATION DE FOURIER
T2
T2
2
2
x ( t ) dt =
x ( )
Equ(4.34)
x ( )y ( t ) d =
x ( )y( )e
2it
pour t=0 :
+
x ( )y ( ) d =
x ( )y ( ) d
Equ(4.35)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
30
TRANSFORMATION DE FOURIER
x ( t ) dt =
2
x ( ) d
page 25.).
A laide de lquation 4.27, prenons la transforme de Fourier de x T ( t ) :
1
x T ( ) = --- x ( ) ( )
T
+
k
1
x T ( ) = --- x ( ) ---
T
T
k =
Equ(4.36)
1
--- x ( ) reprsente lenveloppe spectrale des raies du peigne de Dirac.
T
1
x e = --- x ( )
T
Equ(4.37)
A
x ( ) = ---------- sinc ( ) ( )
T
+
x ( ) =
k =
k
A
---------- sinc ( ) ---
T
T
A
La fonction ---------- sinc ( ) reprsente lenveloppe spectrale de x T ( ) .
T
xT ( t )
A
--2
+ --2
x ( )
+T
--1T
1
--
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
31
TRANSFORMATION DE FOURIER
T/2
tm
t
tm
x' T ( t )
A
-----tm
1
t
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
32
TRANSFORMATION DE FOURIER
A
x 1 ( t ) ------ tm sinc ( tm ) e
tm
T
2i --4
A
x 2 ( t ) ------ tm sinc ( tm ) e
tm
T
2 i --4
i --2- i --2-
T
x' T ( t ) A sinc ( tm ) e
e
= 2i A sinc ( tm ) sin --2
Equ(4.38)
2
2
Equ(4.39)
4.39.
T
x u ( ) = A sinc ( tm ) sinc ---
2
2
sin ( tm )
x u ( ) = A ------------------------- ----------------------T
tm
--2
n
Posons = --- o n est lindice de lharmonique considre.
T
n
1
sin tm --- sin --- n
T
x u ( n ) = A ----------------------------------- ------------------------------n
1-- tm --n
T
2
On peut remarquer que T tm et que les 2 sinus cardinaux varient de manire trs diffrentes,
sin 1--- n 1--- n possde un lobe principal trs large. Il est pratique de reprsenter x ( n )
u
2
2
dans un repre log-log, (On peut exprimer x ( n ) en dcibels (Voir Les dcibels, page 452.).). On
u
trouve que lenveloppe est dfinie par deux segments de droite (figure 4.22).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
33
TRANSFORMATION DE FOURIER
Considrons 2 cas, en tenant compte que lenveloppe est dfinie pour les maxima des lobes,
cest dire quand sin ( x ) = 1 :
n < nT ,
n
sin tm ---
T
----------------------------------- 1
n
tm --T
2A
H 1 ( n ) = 20 log ( x u ( n ) ) = 20 log ------n
et sin 1--- n = 1
2
droite de pente 20 dB par dcade.
2A
V 1 = ------
Equ(4.40)
Equ(4.41)
V
2A
Comme la droite (-20 dB/dcade) est dquation V n = ------- = -----1- , on trouve facilement que
n
n
pour T = --- , soit n = T T :
T
2Atm
V T = ------------T
Equ(4.42)
20 log V
2A
V 1 = ------
-20dB/dcade
2Atm
V T = ------------T
-40dB/dcade
fondamental
0
1
1 = --T
1
T = ---------tm
log
T
2AT
V = ------------------ = V T ----------------------------2 2
2
2
2
tm n
n tm
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
34
TRANSFORMATION DE FOURIER
soit :
VT
V = ------------- 2
---- T
Equ(4.43)
= 25 MHz (fondamental)
A = 3, 14V
tm = 2ns
Calculons les amplitudes des harmoniques 5 (125 MHz) et 9 (225 MHz).
2
Amplitude du fondamental (daprs (4.40)) : V 1 = --- 3, 14 = 2V
1
1
Frquence de coupure T : T = ---------- = ---------- = 160MHz
tm
2
2Atm
2 3, 14 2
Amplitude pour = T : V T = ------------- = --------------------------- = 0, 314V
T
40
1
T
- = 0, 314 --- = 0, 16V
tion 4.43 : V 8 = ---------------------------2
( 225 160 )
forme de Fourier que lon peut calculer par les mthodes classiques. De plus, on suppose f ( t )
+
intgrable :
sont pas obligatoirement valides bien quil puisse exister une transforme de Fourier. Par
exemple, lquation 4.23 de drivabilit nest plus adapte.
Considrons la fonction chelon de Heaviside u ( t ) dnergie infinie. Calculons sa transforme de Fourier :
u' ( t ) 2i u ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
35
TRANSFORMATION DE FOURIER
x ( t ) = xp ( t ) + xi ( t )
par dfinition x p ( t ) = x p ( t ) et x i ( t ) = x i ( t )
on en dduit facilement :
1
x p ( t ) = --- ( x ( t ) + x ( t ) )
2
Equ(4.44)
1
x i ( t ) = --- ( x ( t ) x ( t ) )
2
Equ(4.45)
Cette quation est conforme avec le rsultat donn par (4.14) et (9.12).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
36
TRANSFORMATION DE FOURIER
Alors :
1 x1 ( t ) + 2 x2 ( t ) 1 y1 ( t ) + 2 y2 ( t )
Exemple 2 :
Considrons le filtre reprsent par la figure 5.1..
y ( t ) = x ( t ) cos t
x(t)
cos t
Cette opration nest pas homogne dans le temps. Ce nest donc pas un filtre linaire.
5.3. Proprits
5.3.1. On peut caractriser un filtre F par sa rponse impulsionnelle h(t)
La rponse impulsionnelle dun filtre est sa rponse une impulsion de Dirac ( t ) .
Si lon note h ( t ) la rponse impulsionnelle du filtre F, alors :
+
y(t) =
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
h( t )x ( ) d
37
Equ(5.1)
( t ) h ( t )
( t ) h ( t )
x ( ) ( t ) x ( )h ( t )
x ( n ) ( t n ) x ( n )h ( t n )
+
x ( n ) ( t n )
n =
x ( n )h ( t n )
n =
dn 0
x ( n )( t n ) dn x ( n )h( t n ) dn
+
x(t) y(t )
G()
x( t ) y( t ) = h(t )*x( t )
x ( ) y ( ) = G ( ) x ( )
y ( ) = G ( ) x ( )
Equ(5.2)
G ( ) est le gain du filtre, cest la transforme de Fourier de la rponse impulsionnelle du
filtre.
+
G( ) =
h ( t )e
2it
Equ(5.3)
dt
Remarquons que :
+
G(0) =
h( t ) dt
Equ(5.4)
( t )
2it
2it
G()
Equ(5.5)
y( t ) = x(t )*h( t ) =
h( )x ( t ) d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
38
x(t) = e
2it
+
y(t) =
h( )e
y(t) = G() e
2i ( t )
2it
Equ(5.6)
G ( ) = Gr e
2i
Equ(5.7)
Le filtre qui nintroduit pas de distorsion un gain constant G r et une phase qui varie linairement avec la frquence.
5.3.5. Exemples
5.3.5.1 Filtre passe bas idal (figure 5.3)
G() = 1
si
G() = 0
si
> 0
si
G() = 1
si
> 0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
39
G( )
si
G() = 0
sinon
01 02
G( )
01
02
Courbe a
( t )
t
( t )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
40
Rponse
impulsionnelle
h( t) = f( t ) + g(t )
( t ) f ( t )
( t ) g ( t )
Intgrale de la
courbe a.
Sortie du filtre :
Intgrale de h(t)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
41
5.3.5.5 Effet de la suppression de composantes basses frquences sur un signal rectangulaire (figure 5.7).
G( )
G( )
G ( )
Signaux en
entre
t
Signaux en
sortie de B
Signaux en
sortie de C
Signaux en
sortie de A
= 2
V2
1
1 ( iC )
G ( ) = ------ = -------------------------------- = ----------------------V1
1 ( iC ) + R
1 + iRC
1
G ( ) = ----------------------------1 + iRC 2
G()
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
1
= -------------------------------------2 2
2 2
1 + R C 4
42
Equ(5.8)
R
C
V1
V2
h(t) =
G ( )e
+
h(t) =
2it
e
1----------------------------+ iRC2
1
2it
1 ( t ) ( RC )
En intgrant par la mthode des rsidus, on trouve : h ( t ) = -------- e
RC
Les figure 5.9 et figure 5.10 montrent respectivement lallure du gain et de la rponse impulsionnelle du filtre passe bas.
G()
1
12
1 ( 2RC )
1 ( 2RC )
G( ) = G() e
i ( )
1 si f c B
G() =
0 sinon
( ) = 2 pour la phase
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
43
G()
2B
fc B
fc
fc + B
x ( ) e
y ( ) =
0 sinon
i2
si f c B
i2
y ( ) = x ( ) e
i2
( t + ) on en dduit
que :
y ( t ) = x ( t ) * ( t + ) avec < 0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
44
6. THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
Un signal physique de type analogique a son amplitude qui varie continment en fonction
du temps. Echantillonner un signal analogique consiste prlever des chantillons des instants
kTe (cas de lchantillonnage rgulier).
La quantification consiste associer une suite binaire chaque chantillon. Lchantillonnage et la quantification sont des oprations effectues lors de la Conversion Analogique Numrique (CAN).
La problmatique de la thorie de lchantillonnage est de connatre les conditions ncessaires pour reconstituer correctement le signal partir de ses chantillons.
Considrons x ( t ) dont la transforme de Fourier est x ( ) .
x ( t ) x ( )
x ( )
+B
k
2B
x ------- k ( t )
2B
k =
k
Equ(6.1)
avec :
k
sin 2B t -------
2B
k ( t ) = -------------------------------------------k
2B t -------
2B
Equ(6.2)
La figure 6.2 illustre le principe de lchantillonnage dune fonction x ( t ) par des fonctions
k ( t ) .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
45
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
x(t)
x(t) =
Ck e
k =
1
C k = --T
ikt
+T 2
T 2 x ( t )e
ikt
dt
2
1
= ------ et T = ------T
2B
x ( ) =
k =
Ck e
i2k
------------
2B
1
C k = ------2B
+B
Comme x ( t ) =
x ( )e
+B
k
2i ------2B
k
x ------- =
2B
x ( )e
-----------------2ik
2B
Equ(6.3)
k
d si lon choisit t = ------- :
2B
+B
x ( )e
k
2i ------2B
Equ(6.4)
k =
Ck e
i2k
------------
2B
1 k
= ------- x ------- e
2B
2B
k =
i2k
------------
2B
TRAITEMENT DU SIGNAL
Master CMI
46
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
1
k
x ( ) = ------- x ------- e
2B
2B
k =
i2k
------------
2B
rect ( )
sin 2Bt
rect ( ) 2B -------------------- et laide de (4.21) :
2Bt
k
i2 -------
2B
k
sin 2B t -------
2B
rect ( ) 2B --------------------------------------k
2B t -------
2B
k
sin 2B t -------
2B
1 k
x ( t ) = ------- x ------- 2 B --------------------------------------- =
2B 2B
k
k =
2B t -------
2B
+
k
sin 2B t -------
2B
k
x ------- --------------------------------------
2B
k
k =
2B t -------
2B
+
x ------- k ( t )
2B
k =
k
k =
x ( kT e ) ( t kT e )
On remarquera que :
x ( t ) ( t a ) = x ( a ) ( t a )
x(t)
( t kT ) =
k =
x ( kT ) ( t kT )
k =
xe( t) = x( t )
k =
( t kT e )
k
1
x e ( ) = ------ x ( ) * ---
T
Te
e
k =
Equ(6.5)
chantillonn.
Deux cas sont possibles :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
47
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
Si e < 2B il y a sous-chantillonnage avec un recouvrement de spectre. Ce phnomne est galement appel repliement spectral ou encore aliasing.
Un signal sous-chantillonn apparatra comme ayant une frquence infrieure la ralit. Il existe plusieurs cas de figure, si lon a affaire un signal dont le spectre est tal il
y aura de lempilement spectral. Si le signal a un spectre troit (sinus par exemple) il y
aura repliement spectral.
Si e 2B lchantillonnage du signal est correct et autorisera une interprtation
cohrente des rsultats. Il ny a pas de recouvrement de spectre.
La figure 6.3 illustre ces deux cas.
quence apparente :
a = 0 k e
Equ(6.6)
avec k 0 .
La figure 6.4 illustre ce phnomne. Par exemple, pour k = 0 , on obtient les 2 frquences
de base 0 et + 0 . Pour k = 1 on obtient les frquences apparentes ( e 0 ) et ( e + 0 ) , etc.
La frquence apparente la plus petite est donc ( e 0 ) .
Cet effet est rapprocher de leffet stroboscospique.
x ( )
+B
xe ( )
empilement spectral
e < 2B
xe ( )
e > 2B
+B +2B
e 2
e
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
48
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
( e 0 )
( e + 0 )
e ( 2 e 0 )
( e 0 )
2 e
( 2 e + 0 )
( e + 0 )
6.1.2. Exemple 1
Pour illustrer lempilement spectral, considrons un train dimpulsions rectangulaires.
Daprs lexemple 4.3. la transforme de Fourier dune impulsion rectangulaire de largeur l est
t
donne par lexpression suivante : x ( ) = TF rect - = l sinc ( l )
l
1
k
x P ( ) = --- x ( ) ---
P
P
k =
18 Hz
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
49
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
G()
1 ( 2T )
+1 ( 2T )
6.2.1. Exemple 2
On considre le signal x ( t ) = 5 cos 100t , afin dviter un repliement spectral, il est ncessaire dchantillonner ce signal analogique de frquence 50Hz une frquence minimale de
100Hz. Si lon chantillonne le signal une frquence de 75Hz : les instants de lchantillonnage
seront : t n = n 75
2
n
n
x ( n ) = 5 cos 100 ------ = 5 cos 4 --- = 5 cos ------ n
3
3
75
2
x ( n ) = 5 cos ---------- n
e
donc : e = 1 3 implique que 25Hz et 50Hz chantillonnes 75Hz auront les mmes
chantillons.
On aurait pu appliquer directement la relation (6.6) :
a = e 0 = 75 50 = 25Hz
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
50
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
1/75
2/75
3/75
25Hz
50Hz
6.2.2. Exemple 3
Dans 6.1., un filtre passe-bas idal G ( ) = T Rect ( e ) est utilis pour isoler le lobe
principal. Dans cet exemple, on utilise un filtre du premier ordre, dont la fonction de transfert est
1
- . Du fait de lchantillonnage le spectre du signal rsultant
de la forme : G ( ) = ----------------------------------------12
2
[ 1 + ( c ) ]
1
100
[ 1 + ( r 10 ) ]
On trouve que r < 1414KHz . La frquence dchantillonnage doit tre telle que :
e > c + r = 1424KHz .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
51
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
Equ(7.2)
Equ(7.3)
p ( x )dx = 1
Equ(7.4)
Remarquons que pour une variable X continment variable, la probabilit pour que X = x
est nulle. On considre plutt la probabilit P X [ x, x + dx ] de faon que x X < x + dx .
La densit de probabilit pX ( x ) et la fonction de rpartition F X ( x ) sont intimement lies
comme le montre la figure 7.1.
pX ( x )
pX ( x0 )
Surface=FX(x0)
x0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
52
p( x )
1
--a
S=1
a 2
+a 2
+T/2
T 2 x ( t ) dt
Equ(7.5)
+T/2
T 2 x ( t ) x ( t + ) dt
Equ(7.6)
xp( x, t )dx
mx ( t ) = E [ X ( t ) ] =
Equ(7.7)
E[ X ( t )] =
x p ( x, t ) d x
2
Equ(7.8)
7.3. Variance
La variance dune variable alatoire est dfinie par la relation suivante :
2
X = E [ ( X X ) ]
Equ(7.9)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
53
X =
( x X ) p ( x, t )dx
2
Equ(7.10)
X =
( xi X )
p ( x i, t )
Equ(7.11)
Si la variable alatoire est centre ( X = 0 ) alors la variance est gale au moment dordre
2
2. X = E [ X ( t ) ] .
Equ(7.12)
R xx ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ]
Equ(7.13)
Equ(7.14)
E ( X n ) est indpendant de n.
E ( X ( t ) ) est indpendant de t.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
54
Si lon pose :
t2 = t
t1 = t +
R xx ( t 1, t 2 ) = R xx ( t, ) = E [ X ( t + ) X ( t ) ]
Equ(7.15)
Equ(7.16)
R xx ( t, 0 ) = E [ X ( t ) ]
Equ(7.17)
t = E [ X ( t ) E [ X ( t ) ] ]
Equ(7.18)
2
R xy ( ) =
x* ( t ) y ( t + ) dt
x * ( u ) y ( u ) du =
x * ( u ) y ( u ) du
Equ(7.19)
R xx ( ) = x* ( ) * x ( )
Equ(7.20)
et
On peut galement dterminer une relation entre R xy ( ) et R yx ( ) :
En permutant x et y dans (7.19) :
R yx ( ) = y* ( ) * x ( ) puis avec :
R yx ( ) = y* ( ) * x ( ) en prenant le conjugu des 2 membres :
*
R yx ( ) = y ( ) * x ( ) = R xy ( )
Equ(7.21)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
55
R yy ( ) = E [ y* ( t )y ( t + ) ]
+
y* (t ) =
y * ( t )y ( t + ) = y ( t + )
x* ( t u)h* ( u ) du
y * ( t )y ( t + ) =
y ( t + )x* ( t u)h* ( u ) du
E [ y * ( t )y ( t + ) ] = E
y( t + )x* ( t u )h* ( u ) du
E [ y * ( t )y ( t + ) ] =
E [ y ( t + )x* ( t u )h* ( u ) du ]
+
E [ y * ( t )y ( t + ) ] =
On peut remarquer que le terme : E [ y ( t + )x * ( t u ) ] est une fonction de corrlation dcale de la quantit : ( t + ) ( t u ) = + u donc :
E [ y ( t + )x * ( t u ) ] = R xy ( + u )
+
E [ y * ( t )y ( t + ) ] =
do :
R yy ( ) = R xy ( ) * h * ( )
Equ(7.22)
y(t + ) =
x * ( t )y ( t + ) = x * ( t )
x ( t + u )h ( u )du =
x* ( t )x ( t + u )h ( u )du
E [ x * ( t )y ( t + ) ] = E
x* ( t )x ( t + u )h ( u )du
E [ x * ( t )y ( t + ) ] =
E[ x* ( t )x ( t + u )( h( u) ) ] du
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
56
E [ x * ( t )y ( t + ) ] =
E[ x* ( t )x ( t + u ) ] ( h( u ) )du
R xy ( ) =
Equ(7.23)
7.11. Ergodicit
Lquation 7.7 explicite lesprance mathmatique E comme une moyenne densemble,
soit lintgrale de toutes les valeurs de X pondres par la densit de probabilit de la variable alatoire.
On peut essayer destimer la quantit E [ X ( t ) ] ce qui suppose qu linstant t 1 lon dispose
de toutes les ralisations de la variable alatoire, malgr la difficult dune telle exprience, on
peut imaginer, par exemple, une batterie de n capteurs (figure 7.3).
Dans ce cas, une estimation de la moyenne densemble peut tre donne par la relation
suivante :
1
m X ( t ) = --n
xp ( t )
p=1
Gnralement, on ne dispose que dune ralisation de la variable alatoire et lon est tent
1
destimer la moyenne densemble par la moyenne temporelle x ( t i ) = --T
ti + T
ti
x ( t ) dt .
t i
T
x1 ( t )
x2 ( t )
x3 ( t )
x4 ( t )
xn ( t )
t
ti
TRAITEMENT DU SIGNAL
Master CMI
57
x ( t )
Equ(7.24)
dt = 1
t =
x ( t ) dt
Equ(7.25)
2
2
x ( ) d
Equ(7.26)
2
( a, b ) ( a, a ) ( b, b )
+
Equ(7.27)
a ( t ) b ( t ) dt
a ( t ) dt
b ( t ) dt
Equ(7.28)
x ( t ) t x ( t ) dt
x ( t ) t x ( t ) dt
x ( t ) dt
t
2
--- ( x ( t ) ) dt
2
t x ( t ) dt
2
t
2
1
2 + 1
--- ( x ( t ) ) dt = --- t x ( t )
--2
2
2
x ( t )
dt
1
2
Si lon considre que les signaux tels que --- t x ( t ) = 0 pour t alors compte-tenu de
2
lquation 7.24 :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
58
--2- ( x ( t ) ) dt = --2- et
t
x ( t ) t x ( t ) dt
1
= --4
Equ(7.29)
x ( t ) dt =
x ( t )
2 2
2
x ( ) d et laide de (7.26) :
2 2
Equ(7.30)
Equ(7.31)
dt = 4
et daprs (7.25) :
+
t x ( t )
dt = t
soit
1
t -----4
Equ(7.32)
Cette expression est appele relation dincertitude (Par analogie avec la fameuse relation de
Heisenberg).
Cette relation indique que lincertitude en frquence sera dautant plus grande que la fluctuation temporelle est faible.
Lgalit dans la relation de Schwartz est atteinte pour a = k b ( t ) , dans ce cas le signal
x ( t ) doit tre une gaussienne, cest un chirp de Gabor (le chirp est une sinusode module linairement en frquence du type a e
2i ( t t 0 )
).
1
S -----4
t
t0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
59
z
n=0
Equ(7.33)
pn
alatoire.
Comme la somme des probabilits p 0 + p 1 + p N = 1 alors G ( 1 ) = 1 .
On peut galement dfinir G ( z ) comme tant :
n
G(z) = E[z ]
Equ(7.34)
G' ( z ) =
nz
n1
p( n)
Equ(7.35)
n1
G'' ( z ) =
n ( n 1 )z
n2
p(n)
Equ(7.36)
n2
de (7.35), G' ( 1 ) =
n p(n)
= E[X]
n1
de (7.36), G'' ( 1 ) =
n ( n 1 )p ( n )
n2
p(n )
n2
n p( n)
n2
G'' ( 1 ) = E [ X ] G' ( 1 )
2
E [ X ] = G'' ( 1 ) + G' ( 1 )
2
La variance X = E [ X ] ( E [ X ] )
2
En rsum :
E [ X ] = G' ( 1 )
Equ(7.37)
E [ X ] = G'' ( 1 ) + G' ( 1 )
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
60
Equ(7.38)
2
Equ(7.39)
iux
Equ(7.40)
iux
x( u ) =
p ( x )e
dx
i ux
x ( u )e
du
a
2!
a
n!
x( u ) = E[ e
iux
( iux )
( iux )
] = E 1 + iux + --------------- + + --------------- +
2!
n!
n
n
( iu )
x ( u ) = 1 + iuE [ x ] + + ------------ E [ x ] +
n!
iux
d
d
x( u ) =
E[e ]
du
du
k
k iux
k
k
iux
d
d iux
(u) = E
( e ) = E [ ( ix ) e ] = i E [ x e ]
du x
du
au voisinage de u=0 :
k
d ( 0 ) = ik E [ x k ]
du x
( iu )
n!
Equ(7.41)
u (n)
x ( u ) = x ( 0 ) + u' x ( 0 ) + + ----- x ( 0 ) +
n!
Equ(7.42)
( 2 it ) x ( t )
d
d
n
n
[ x ( ) ]
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
61
(n)
x ( ) =
( 2it ) x ( t ) e
(n)
n
x ( 0 ) = ( 2i )
- ( t )
dt = ( 2i )
- ( t )
x(t) e
2it
dt et pour = 0
x ( t ) dt
et comme E [ x ] =
2it
- ( t )
x ( t ) dt
(n)
n
x ( 0 )
E [ x ] = ------------------n
( 2i )
n
(n)
En posant x ( 0 ) = d x ( 0 )
du
k
k
d
(0 ) = i E[ x ]
du x
Equ(7.43)
n
( iu )
x ( u ) = ln 1 + iuE [ x ] + + ------------ E [ x ] +
n!
n
( iu )
x ( u ) = iuE [ x ] + + ------------ E [ x ] +
n!
Pour simplifier les notations, utilisons les notations suivantes pour les moments :
n
E [ x ] = m n , il vient alors :
x ( u ) =
+ n n
i u
-m
--------n! n
n=1
Equ(7.44)
Dans le cas o la variable alatoire x nest pas centre, on peut utiliser le changement de
variable (avec y centre) : x = y + m 1
Comme :
x( u ) = E[ e
iux
x( u ) = e
ium 1
x( u ) = e
ium 1
] = E[e
iuy
ium 1
] = e
ium 1
E[e
iuy
y ( u )
Equ(7.45)
n
n
( iu )
1 + iuE [ y ] + + ------------ E [ y ] +
n!
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
62
ium 1
2 2
i u
( iu )
1 + ---------- m 2 + + ------------ m n +
2!
n!
2 2
i u
( iu )
x ( u ) = ln [ x ( u ) ] = ium 1 + ln 1 + ---------- m 2 + + ------------ m n +
2!
n!
i u
( iu )
x ( u ) = ium 1 + ---------- m 2 + + ------------ m n +
2!
n!
Equ(7.46)
Equ(7.47)
Dans ce cas :
2
n1 n
iu
u
i
U x ( u ) = um 1 + ------- m 2 + + ----------------- m n +
2!
n!
Equ(7.48)
Pour mettre en vidence cette relation, considrons dans un premier temps une squence
alatoire dvnements indpendants quiprobables. On considre que est le nombre dvnements par unit de temps.
Si Prob ( N, ) est la probabilit de compter N vnements pendant un intervalle de temps alors :
1
par hypothse si d --- alors considrons que la probabilit est proportionnelle au temps pour des
temps trs petits :
Prob ( 1, d ) = d , [ d ] est tel quil ne peut y avoir plus dun vnement.
Prob ( 0, d ) = 1 d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
63
Equ(7.49)
Evaluons Prob ( 0, + d ) :
Prob ( 0, + d ) = Prob ( 0, ) Prob ( 0, d )
Prob ( 0, + d ) = Prob ( 0, ) ( 1 d )
Prob ( 0, + d ) Prob ( 0, ) = Prob ( 0, )d
d
Prob ( 0, ) = Prob ( 0, )
d
Equ(7.50)
Equ(7.51)
Pour rsoudre (7.49), il faut procder par rcurrence. On commence avec N=1 et compte tenu de la
condition initiale : Prob ( 1, 0 ) = 0 :
Prob ( 1, ) = e
Equ(7.52)
finalement on obtient :
N
Prob ( N, ) = ------ e
N!
x i p ( xi )
i
E[X] =
N=0
E [ X ] = e
NProb ( N, ) =
( )
------------------- = e
( N 1 )!
N=1
N=1
N1
( )
--------------------( N 1 )!
( )
------------- = e e =
n!
n=0
E [ X ] =
Equ(7.53)
2
E[ X(X 1 )] =
N ( N 1 )Prob ( N, ) =
N=0
2
E [ X ( X 1 ) ] = ( ) e
( )
------------------( N 2 )!
N=2
N=2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
N2
( )
--------------------( N 2 )!
64
E [ X ( X 1 ) ] = ( ) e
(----------- ) - = ( ) 2 e e = ( ) 2
n!
n=0
2
E[ X(X 1 )] = E[ X X ] = E[ X ] E[ X]
2
E [ X ] = + ( )
Equ(7.54)
X = E [ X ] ( E [ X ] )
2
Equ(7.55)
X = + ( ) ( )
X =
Equ(7.56)
G(z) =
k ( ) k
----------- = e
k!
z
k
k ( ) k
----------- = e
k!
G' ( z ) = e
G' ( 1 ) =
G'' ( z ) = ( ) e
G'' ( 1 ) = ( )
A laide de (7.37), (7.38) et (7.39) on retrouve immdiatement les quations (7.53), (7.54) et (7.56) :
E [ X ] =
2
E [ X ] = + ( )
2
X = + ( ) ( ) =
u ( t ti )
On considre que t 2 > t 1 > 0 et que les intervalles [ 0, t 1 [ et [ t 1, t 2 [ sont disjoints. valuons
la fonction de corrlation R X ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ] . X ( t1 ) reprsente le nombre de ralisations
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
65
dans lintervalle [ 0, t 1 [ .
E [ X ( t 1 ) X ( t 2 ) ] = E { [ X ( t 1 ) X ( 0 ) ] [ X ( t2 ) X ( t 1 ) ] }
= E [ X ( t 1 ) X ( 0 ) ] E [ X ( t 2 ) X ( t1 ) ]
Equ(7.57)
Equ(7.58)
Dveloppons (7.57) :
2
E [ X ( t 1 ) X ( t 2 ) ] = E [ X ( t 1 )X ( t 2 ) X ( t 1 ) X ( 0 )X ( t 2 ) + X ( 0 )X ( t 1 ) ]
2
E [ X ( t 1 ) X ( t 2 ) ] = E [ X ( t 1 )X ( t 2 ) ] E [ X ( t 1 ) ]
Equ(7.59)
E [ X ( t 1 )X ( t2 ) ] ( t 1 + t 1 ) = t 1 ( t 2 t 1 )
2 2
E [ X ( t 1 ) X ( t 2 ) ] = t 1 ( t 2 t 1 ) + t 1 + t 1 et finalement :
2
Equ(7.60)
Equ(7.61)
Et quelque soit t 1, t 2 :
2
E [ X ( t 1 ) X ( t 2 ) ] = t 1 t 2 + min ( t 1, t 2 )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
66
Equ(7.62)
8. PROPRITS SPECTRALES
La transforme de Fourier donne de bonnes indications sur la rpartition spectrale dun signal dterministe. Par contre la transforme de Fourier dun signal alatoire est un spectre alatoire. Un seul spectre nest pas suffisant pour rendre compte des proprits du signal. Il est
ncessaire dutiliser les proprits statistiques (moyenne, cart type, corrlation) qui ont des caractristiques bien dfinies. On supposera par la suite que les signaux sont stationnaires (Voir
Stationnarit au sens strict, page 54.) et ergodiques (Voir Ergodicit, page 57.).
Pour analyser la rpartition spectrale des signaux alatoires, on introduit la notion de densit spectrale (dnergie ou de puissance).
Selon que lon a affaire des signaux dnergie finie, on parlera de densit spectrale dnergie ou de densit spectrale de puissance pour les signaux de puissance moyenne finie. (voir le chapitre 2.2.1. pour la dfinition de ces signaux).
moyenne de la ralisation i ( t ) .
1
P iT = --T
+T/2
T/2
2
1
iT ( t ) dt = --T
iT ( t ) dt
2
1
iT ( t ) dt = --T
iT ( )
iT ( )
dP iT
----------- = -------------------- est homogne une densit spectrale de puissance.
d
T
2
iT ( )
iT ( ) = --------------------T
Equ(8.1)
2
, A Hz
selon
lunit de ( t ) , ou encore en W Hz si lon considre que lon normalise les rsultats dans une
rsistance de 1 .
Lintgrale de dP iT ( ) sur toute la bande de frquence correspond la puissance moyenne
totale du signal particulier i ( t ) .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
66
PROPRITS SPECTRALES
P iT =
iT ( )d
Equ(8.2)
Remarque :
2
iT ( )
dP iT
- = -------------------- est homogne une densit spectrale de puissance, la quantit :
Comme ---------d
T
TdP iT
2
S i = --------------- = iT ( )
d
Equ(8.3)
iT ( )
T ( ) = E --------------------T
Equ(8.4)
y(t)
Filtrage
slectif
E[ y(t) ]
Sy ( 0 )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
67
PROPRITS SPECTRALES
x ( ) x ( )
x ( ) x ( )
2
R x ( ) = x ( ) * x ( ) x ( ) x ( ) = x ( )
2
Daprs (8.3) :
2
Ry ( 0 ) = E [ y0 ] = Sy ( 0 )
Equ(8.5)
E [ y 0 ] = E [ y0 ( t ) y 0 ( t ) ] = y 0 ( t ) * y 0 ( t )
*
R y ( ) = y 0 ( t ) * y 0 ( t ) = x ( t ) * h ( t ) * x ( t )*h ( t )
0
comme : R x ( ) = x ( t ) * x ( t )
R y ( ) = Rx ( ) * h ( t ) * h ( t )
0
TF [ R y ( ) ] = TF [ R x ( ) ] G ( ) G ( ) = TF [ R x ( ) ] G ( )
= G ( ) en effet G ( ) = 1
TF [ R y ( ) ] = TF [ R x ( ) ] G ( )
0
Ry ( ) =
0
TF [ Rx( ) ] G ( ) e
2i
Ry (0 ) =
0
TF [ Rx ( ) ] G ( )d et laide de (8.5) :
+
Sy ( 0 ) =
TF [ Rx ( ) ] G ( ) d =
TF [ Rx ( ) ] --2- [ ( + 0 ) + ( 0 ) ]d
1
Equ(8.6)
0
() =
R ( )e
+
R() =
2i
( )e
2i
Equ(8.8)
Equ(8.9)
Remarque : ( ) 0
Dans lquation 8.9, si lon choisit : = 0 , on obtient :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
68
PROPRITS SPECTRALES
R(0) =
( ) d
Equ(8.10)
R ( 0 ) reprsente lnergie de x ( t ) .
y(t)
rponse temporelle
x ( )
y ( )
transforme de Fourier
x ( )
y ( )
densit spectrale
G( )
y(t) =
h ( u )x( t u) du .
Equ(8.11)
E[ y( t ) ] = E
h ( u )x ( t u ) du =
h ( u )E [ x ( t u ) ]du
E[ y( t ) ] =
h ( u )E [ x ( t u ) ] du = E [ x ( t ) ]
h ( u ) du
Equ(8.12)
y ( ) = x ( ) G ( )
Equ(8.13)
2
R x ( ) = x ( ) * x ( ) x ( ) x ( ) = x ( ) = x ( ) avec laide de lquation 8.7
2
x ( ) = x ( )
Equ(8.14)
Dune manire gnrale, la transforme de Fourier de la fonction de corrlation de 2 signaux alatoires, stationnaires au second ordre, donne la densit spectrale inter-spectres :
R xy ( ) = x ( ) * y ( ) x ( ) y ( ) = xy ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
69
PROPRITS SPECTRALES
yy ( ) = xy ( ) G ( )
Equ(8.15)
xy ( ) = xx ( ) G ( )
Equ(8.16)
y1 ( t )
h1 ( t )
x2 ( t )
h2 ( t )
y2(t )
R xy ( ) = E [ y1 ( t ) y 2 ( t ) ]
Daprs (7.19) :
Ry
1 y2
( ) = y1 ( ) * y2 ( )
Equ(8.17)
Comme : y 1 ( ) = x 1 ( ) * h 1 ( ) et y 2 ( ) = x 1 ( ) * h 2 ( )
*
y 2 ( ) = x2 ( ) * h 2 ( )
*
1 y2
Daprs (7.19) : R x
Ry
( ) = x1 ( ) * h1 ( ) * x2 ( ) * h2 ( )
*
1 x2
( ) = x 1 ( )*x 2 ( )
1 y2
( ) = h1 ( ) * h2 ( ) * Rx
1 x2
( )
Equ(8.18)
1 y2
( ) = G1 ( ) G2 ( ) x
1 x2
()
Equ(8.19)
R ( 0 ) = Px = x =
( ) d
Equ(8.20)
R ( 0 ) = x uniquement pour des variables alatoires centres sinon il faut utiliser (7.18).
P x est dans ce cas la puissance du signal.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
70
PROPRITS SPECTRALES
Equ(8.21)
R xy ( ) = R yx ( )
R x ( ) < Rx ( 0 )
Rx ( ) = 0
Rx ( 0 ) = x
8.6. Exemples
8.6.1. Comparaison dun produit de convolution et de la fonction
dinter-corrlation (daprs [15])
at
2at
Soit x ( t ) = e u ( t ) et y ( t ) = e
u( t )
u ( t ) reprsente lchelon unit, signal nul gauche.
On dsire reprsenter : x ( ) * y ( ) et R xy ( ) .
+
x()*y() =
x ( t ) y ( t ) dt =
2a
at
e dt = e
2a
at
e
------a
1 a 2a
= --- [ e
e
]u ( ) pour > 0
a
+
R xy ( ) =
x ( t )y ( t + ) dt =
a
0 e
3at
2a
dt = e
2a
3at
e
----------- 3a 0
2a
e
u( )
1 e u( )
R xy ( ) = -----+
3a
<0
>0
La figure 8.5. montre les diffrentes tapes ncessaires pour llaboration de la fonction de
corrlation et du produit de convolution.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
71
PROPRITS SPECTRALES
x(t)
x(t)
1/a
y(t)
y(t)
1/a
1/2a
y(t+)
1/2a
y()
>0
<0
<0
>0
<0
x(t)y(t+)
>0
x(t)y( t )
Rxy( <0)
Rxy( >0)
>0
1/(2a)
x( )*y( )
Rxy()
-1/a
>0
Soit : x ( t ) = e
at
u(t)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
72
PROPRITS SPECTRALES
Rx( ) =
x ( t ) x ( t + ) dt =
at
a ( t + )
dt =
2at
dt = e
2at
e
----------- 2a
1 a
La fonction dauto-corrlation est paire, pour une fonction relle : R x ( ) = R x ( )
R x ( ) = ------ e
2a
Rx( ) x( )
+
x( ) =
1 a 2i
1
------ e
e
d = --2a
a
( a + 2i ) +
1e
= --- ---------------------------a ( a + 2i ) 0
( a + 2i )
1
a 2i
1
1
= --- --------------------- = --- ----------------------------a a + 2i a a 2 + ( 2 ) 2
-1
+1
PX = E[ X ] = X =
1 x f ( x ) dx
2
PX = E[ X ] = X = 2
4
31
x x
P X = 2 ----- ----4 3
0 x ( 1 x ) dx
2
1
= --6
TRAITEMENT DU SIGNAL
Master CMI
73
PROPRITS SPECTRALES
manire quiprobable. Soit le nombre moyen de changements de polarit par unit de temps.
La probabilit davoir N changements de polarit dans lintervalle est donne par la loi
tlgraphique alatoire.
X(t)
+A
avec X 1 = X ( t ) et X 2 = X ( t + )
R XX ( t, t + ) = A P p A P i
N pair
2
R XX ( t, t + ) = A e
R XX ( t, t + ) = A e
2
------ e
A
N!
N
R XX ( t, t + ) = A
N=0
N impair
------ e
N!
N
N
2
------ ( 1 ) = A e
N!
N
= A e
N=0
------- N!
R XX ( t, t + ) = A e
Equ(8.22)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
74
PROPRITS SPECTRALES
X ( ) = A -----------------------2
2 2
+
Equ(8.23)
R Y ( t 1, t 2 ) =
R (t , t )
t 1 t 2 X 1 2
Equ(8.24)
Premire dmonstration :
Pour tablir (8.24) il est ncessaire que des conditions de convergence soient respectes.
X( t + h) X( t )
Dune manire gnrale X ( t ) est drivable au point t si la limite lim -----------------------------------h0
existe.
Comme lon a affaire des fonctions alatoires, on suppose que X ( t ) est drivable en
2
R ( t , t ) existe en ( t 1, t 2 ) .
t 1 t 2 X 1 2
R Y ( t 1, t 2 ) = R X' ( t 1, t 2 )
*
X ( t1 + h ) X ( t 1 ) X ( t 2 + g ) X ( t 2 )
R Y ( t 1, t 2 ) = lim E ----------------------------------------- ----------------------------------------------h
g
g, h 0
R Y ( t 1, t 2 ) =
*
*
1
lim ------ E [ X ( t 1 + h ) X ( t 2 + g ) X ( t1 ) X ( t 2 + g ) +
g, h 0 hg
*
*
X ( t 1 ) X ( t 2 ) X ( t 2 ) X ( t 1 + h ) ]
1
*
*
*
*
lim ------ E [ X ( t 1 + h ) ( X ( t 2 + g ) X ( t 2 ) ) X ( t1 ) ( X ( t 2 + g ) X ( t 2 ) ) ]
R Y ( t 1, t 2 ) =
g, h 0 hg
R Y ( t 1, t 2 ) =
g, h 0 hg
*
*
1
lim ------ E [ ( X ( t 2 + g ) X ( t 2 ) ) ( X ( t 1 + h ) X ( t 1 ) ) ]
2
R Y ( t 1, t 2 ) = E
X ( t2 )
X(t ) =
E [ X ( t 1 ) X ( t2 ) ]
t2
t1 1
t 1 t 2
2
et finalement : R Y ( t 1, t 2 ) =
R (t , t )
t 1 t 2 X 1 2
Seconde dmonstration (On suppose que la drive seconde, des fonctions, existe.) :
Daprs (4.23) : X' ( t ) 2i X ( ) , on en dduit immdiatement le gain du drivateur :
G ( ) = 2i
Y ( ) = X ( ) G ( )
= X ( ) 2i
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
75
PROPRITS SPECTRALES
d
d
2
2
RX ( )
R xx ( ) = R xx ( 0 ) = b ( )
Equ(8.25)
x ( )
G( )
x(t)
N0 2
y(t)
+B
Figure 8.9 : Utilisation dun filtre passe bas pour obtenir un bruit de puissance finie
Dans ce cas, la fonction dauto-corrlation a pour valeur :
+B
R() =
x ( )e
2it
N 0 2i
d = ------ e--------------2 2i
+B
B
sin 2B
R ( ) = N 0 B --------------------- = N 0 Bsinc ( 2B )
2B
Equ(8.26)
avec : R ( 0 ) = N 0 B
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
76
PROPRITS SPECTRALES
N0B
-5/2B
5/2B
S 1 ( ) e
S1 ( t ) =
2it
S 2 ( ) = S 1 ( ) G ( )
+
S2 ( t ) =
2it
S 2 ( ) e
d =
S1 ( )G ( ) e
2it
N1 =
N1 ( ) d
N2 = N1 G ( )
N2 =
G ( ) N1 ( ) d
P 2 = S2 ( t )
P2(t ) =
2it
S 1 ( )G ( ) e
d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
77
PROPRITS SPECTRALES
P2
2it
S 1 ( )e
d
G()
P2 W
G ( ) d
G ( ) d
R 2 ----------------------------------------------------+
G ( ) N1 ( ) d
2W
R 2 -------N0
Equ(8.27)
avec : S 1 ( t ) S 1 ( )
Il vient :
h ( t ) = k S 1 ( t c t )
Equ(8.28)
Equ(8.29)
0
h( t )
TRAITEMENT DU SIGNAL
Master CMI
78
PROPRITS SPECTRALES
0 tc
h(t )
S2 ( t ) =
S1 ( )h( t ) d
S2 ( t ) =
S1 ( )S1 ( tc t + )d
Equ(8.30)
Comme : R x ( ) =
S2 ( t ) = R2 ( tc t ) = R2 ( t tc )
F(p) =
f ( t )e
pt
dt
Equ(8.31)
avec : f ( t ) = 0 si t < 0
f(t) F(p)
f(t) =
F ( p )e
pt
dp
Equ(8.32)
Le chemin dintgration peut tre quelconque dans le plan complexe condition de rester
dans le domaine de convergence de F ( p ) . En pratique, la plus part des transformes peuvent tre
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
79
PROPRITS SPECTRALES
F( ) =
f ( t )e
2it
Equ(8.33)
dt
+
d
f ( t ) pF ( p ) f ( 0 )
dt
(n)
Drivation ordre n
d
dt
Intgration
f(t) p F(p) p
n1
f ( 0 ) : valeur initiale
f ( 0 ) pf
(n 2)
(0) f
(n 1)
(0)
F( p)
0 f ( u )du = ----------p
Retard
f( t t0 ) e
Impulsion de Dirac
( t ) 1
Echelon de Heaviside
1
u ( t ) --p
Exponentielle
pt 0
F( p)
1
------------p+
xe( p )
G(p)
xs ( p )
k p
k=0
xs ( p )
G ( p ) = ------------- = ---------------------xe ( p )
N
k
k p
Equ(8.34)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
80
PROPRITS SPECTRALES
M1
+ 0
M p + M 1 p
G ( p ) = --------------------------------------------------------------------N
N1
+ 0
N p + N 1 p
-------------i = 0 p + i
Equ(8.35)
Exemple :
Calculer la rponse impulsionnelle de lintgrateur RC reprsent par la figure 8.14.
R
xe ( t )
xs ( t )
t ( RC )
1
h ( t ) = -------- e
RC
h ( t ) dt <
Equ(8.36)
en effet :
+
y ( t ) = h ( t ) * xe ( t ) =
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
h( t )xe( t ) d
81
PROPRITS SPECTRALES
y(t)
h ( t ) x e ( t ) d
+
h ( ) d <
xs( p )
k=0
k p = xe( p )
k p
k=0
n
Daprs le Tableau 1 : d f ( t ) p F ( p ) si les conditions initiales sont nulles.
dt
d
d
d
d
x ( t ) + 1 x s ( t ) + 0 x s ( t ) = n x e ( t ) + 1 x e ( t ) + 0 x e ( t )
dt s
dt
dt
dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
82
PROPRITS SPECTRALES
9. TRANSFORMATION DE HILBERT
9.1. Signal analytique
Un signal analytique est une fonction complexe du temps dont le spectre ne contient pas de
frquences ngatives.
Considrons un signal x ( t ) rel et dterministe, comme tant la somme dune partie relle
et dune partie complexe :
Le spectre frquentiel de x ( t ) est tel que :
[ x ( ) ] = [ x ( ) ] pour la partie relle et [ x ( ) ] = [ x ( ) ] pour la partie complexe.
La connaissance de la partie positive du spectre est donc suffisante pour dfinir x ( t ) .
Caractrisons le signal x a ( t ) produit par le passage de x ( t ) dans un filtre dont le gain
G ( ) est tel que :
G ( ) = 2 u ( ) avec
u( ) =
si
sinon
xa ( ) = 2 u ( ) xr ( )
x( t)
G( ) = 2 u( )
Equ(9.1)
xa ( t )
x ( ), x a ( )
x a ( )
x ( )
x ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
83
TRANSFORMATION DE HILBERT
= x ( t ) + ix c ( t )
r
Equ(9.2)
xa ( ) = xr ( ) + ix c ( ) = 2 u ( ) xr ( ) = [ 1 + sgn ( ) ]xr ( )
0
+1
sgn ( ) est la fonction signe telle que : sgn =
1
<0
Equ(9.3)
ixc ( ) = sgn ( ) xr ( )
ixc ( )
sgn ( ) = --------------xr ( )
xc ( ) = i sgn ( ) xr ( )
xc ( ) = i sgn ( ) xr ( )
xr ( ) = i sgn ( ) xc ( )
Equ(9.4)
Equ(9.5)
Equ(9.6)
Equ(9.7)
1
t
t vp 1--- , ( t ) = vp 1--- , t ( t ) = + ( t ) dt = ( 1, ( t ) )
t vp 1--- , ( t ) = ( 1, ( t ) ) do :
1
t vp --- = 1
t
Equ(9.8)
1
t
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
84
TRANSFORMATION DE HILBERT
()
K(t) K
()
2it K ( t ) K
K ( )
t K ( t ) ------------- 2 i
Daprs lquation 9.8 : t K ( t ) = 1
()
K
1 ------------- 2 i
Comme : 1 ( )
Puis par identification :
( ) = 2i ( )
K
Equ(9.9)
K ( ) = 2i u ( ) + constante
avec u ( ) la fonction de Heaviside.
Il est ncessaire de trouver la valeur de la constante :
1
vp --- est une fonction impaire, donc K ( ) est impaire :
t
K ( ) = K ( )
2i u ( ) + c= ( 2i u ( ) + c )
2c = 2i ( u ( ) + u ( ) ) = 2i
c = i
K ( ) = 2i u ( ) + i
K ( ) = i ( 2u ( ) 1 )
comme sgn ( ) = 2u ( ) 1
K ( ) = i sgn ( )
finalement :
1
vp --- i sgn ( )
t
Equ(9.10)
Equ(9.11)
1
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
85
TRANSFORMATION DE HILBERT
1
1
1
u ( ) = --- ( ) + ----- vp ---
2
i
Equ(9.12)
x c ( t ) = i TF
[ sgn ( ) ] * x r ( t )
1
i
1
t
1
1
x c ( t ) = --- vp --- * x r ( t )
Equ(9.13)
1 + x r ( )
-------------- d
xc ( t ) = -
t
Equ(9.14)
x r ( t ) = i TF
[ sgn ( ) ] * x c ( t )
1
1
x r ( t ) = --- vp --- * x c ( t )
Equ(9.15)
1 + x-----------c ( )x r ( t ) = ---
d
t
Equ(9.16)
xa ( t ) = x ( t ) + ix ( t )
o x est la transforme de Hilbert de x .
Equ(9.17)
On peut rcrire les quations (9.5), (9.6) et (9.7) dune manire plus conforme aux
notations :
x ( ) = i sgn ( ) x ( )
Equ(9.18)
x ( ) = i sgn ( ) x ( )
x ( ) = i sgn ( ) x ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
86
Equ(9.19)
Equ(9.20)
TRANSFORMATION DE HILBERT
Equ(9.21)
1
1
x ( t ) = --- vp --- * x ( t )
t
Equ(9.22)
(9.22) deviennent :
x ( t ) = H [ x ( t ) ]
Equ(9.23)
x ( t ) = H [ x ( t ) ]
Equ(9.24)
Equ(9.25)
Equ(9.26)
Dmonstration :
z ( ) = x ( ) y ( )
Equ(9.27)
9.3.3. Linter-corrlation
Soit : R xy ( ) = E [ x ( t ) y ( t + ) ] que lon peut crire sous la forme dun produit de convolution,
daprs lquation 7.19 :
R xy ( ) = x ( ) * y ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
87
TRANSFORMATION DE HILBERT
i sgn ( ) R xy ( ) = i x ( ) y ( ) sgn ( )
Equ(9.28)
Equ(9.29)
9.3.4. Lauto-corrlation
Dans lquation 9.28 si lon choisit x = y :
R xx ( ) = x ( ) * x ( ) = R xx ( )
Equ(9.30)
De mme :
R xx ( ) = R x x ( )
Equ(9.31)
R x x ( ) = R xx ( )
Equ(9.32)
R x ( ) = E [ xa ( t ) x a ( t + ) ] , en appliquant (9.17) :
a
R x ( ) = E [ ( x ( t ) ix ( t ) ) ( x ( t + ) + ix ( t + ) ) ]
a
R x ( ) = E [ x ( t ) x ( t + ) + x ( t ) x ( t + ) + ix ( t ) x ( t + ) ix ( t ) x ( t + ) ]
a
R x ( ) = R x ( ) + R x ( ) + iR xx ( ) iR x x ( )
a
Equ(9.33)
x ( ) = 2 [ x ( ) + i ( i sgn ( ) x ( ) ) ] = 2 x ( ) [ 1 + sgn ( ) ]
a
Comme : 1 + sgn ( ) = 2 u ( )
x ( ) = 4 x ( ) u ( )
a
Equ(9.34)
x ( ) = 4 x ( )
a
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
88
Equ(9.35)
TRANSFORMATION DE HILBERT
()
4
x ( )
a
x ( )
2i 0 t
Equ(9.36)
Im
Im
xa ( t )
x ( t )
xa ( t )
x ( t )
Q(t)
(t)
xe ( t )
P( t)
( t)
2 0 t
x(t )
x(t )
Re
Re
Equ(9.37)
En dveloppant (9.36) :
x e ( t ) = x a ( t ) [ cos 2i 0 t i sin 2i 0 t ]
A laide de (9.17) :
xe( t) =
( x ( t ) + ix ( t ) ) ( cos 2i 0 t i sin 2i 0 t )
xe( t) =
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
89
TRANSFORMATION DE HILBERT
x ( t ) cos 20 t + x ( t ) sin 20 t
Equ(9.38)
Q(t) =
x ( t ) cos 20 t x ( t ) sin 20 t
Equ(9.39)
2i 0 t
Equ(9.40)
de (9.17) : x ( t ) = [ x a ( t ) ]
x ( t ) = [ xe ( t ) e
2i 0 t
x ( t ) = [ ( P ( t ) + iQ ( t ) ) e
2i 0 t
x ( t ) = [ ( P ( t ) + iQ ( t ) ) ( cos 2 0 t + i sin 2 0 t ) ]
x ( t ) = P ( t ) cos 2 0 t Q ( t ) sin 2 0 t
Equ(9.41)
Un filtrage passe bas permet disoler dans chaque quation les termes basses frquences
P ( t ) et Q ( t ) .
+ --2
2 cos 2 0 t
x(t)
Passe-bas
Q(t)
Passe-bas
P(t)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
90
TRANSFORMATION DE HILBERT
Dautre part :
*
x e ( t ) + x e ( t ) = 2 [ x e ( t ) ] et
*
x e ( t ) x e ( t ) = 2i [ x e ( t ) ] donc :
*
1
P ( t ) = --- [ x e ( t ) + x e ( t ) ]
2
Equ(9.42)
*
1
Q ( t ) = ----- [ x e ( t ) x e ( t ) ]
2i
Equ(9.43)
Re( ) =
*
E[xe ( t)
xe ( t + ) ]
R e ( ) = E [ ( P ( t ) iQ ( t ) ) ( P ( t + ) + iQ ( t + ) ) ]
Re( ) = E[P( t ) P(t + ) + Q( t ) Q( t + ) i( Q(t ) P(t + ) P( t ) Q( t + ))]
R e ( ) = R PP ( ) + R QQ ( ) + i ( R PQ ( ) R QP ( ) )
comme R PP ( ) = R QQ ( ) et R QP ( ) = R PQ ( )
R e ( ) = 2 [ R PP ( ) + iR PQ ( ) ]
Equ(9.44)
2 0
Equ(9.45)
e ( ) = x ( + 0 ) = 4 x ( )
Equ(9.46)
R PP ( ) = E [ P ( t ) P ( t + ) ]
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
91
TRANSFORMATION DE HILBERT
R PP ( ) = R x ( ) cos ( 2 0 ( t + ) ) cos 2 0 t
+ R x ( ) sin ( 2 0 ( t + ) ) sin ( 2 0 t )
+ R xx ( ) cos ( 2 0 ( t + ) ) sin ( 2 0 t ) + R x x ( ) sin ( 2 0 ( t + ) ) cos ( 2 0 t )
R PP ( ) = R x ( ) cos ( 2 0 ) + Rx ( ) sin ( 2 0 )
Equ(9.47)
Equ(9.48)
R PP ( ) = R QQ ( )
R PQ ( ) = E [ P ( t ) Q ( t + ) ]
R PQ ( ) = R x ( ) sin ( 2 0 ) + Rx ( ) cos ( 2 0 )
Equ(9.49)
R PP ( 0 ) = R QQ ( 0 ) = R x ( 0 ) = ( x )
Equ(9.50)
R PQ ( 0 ) = Rx ( 0 )
si > 0 alors x ( ) = i x ( ) .
_
Equ(9.51)
Equ(9.52)
i
sin 2 0 --- [ ( v + 0 ) ( v 0 ) ]
2
1
cos 2 0 --- [ ( ( v + 0 ) + ( v 0 ) ) ]
2
PQ ( ) = x ( ) * TF [ sin 2 0 ] + x ( ) * TF [ cos 2 0 ]
i
1
PQ ( ) = --- [ x ( + 0 ) x ( 0 ) ] + --- [ x ( + 0 ) + x ( 0 ) ]
2
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
92
TRANSFORMATION DE HILBERT
+
i +
PQ ( ) = --- [ x ( + 0 ) + x ( + 0 ) x ( 0 ) x ( 0 ) ]
2
+
i +
+ --- [ x ( + 0 ) x ( + 0 ) + x ( 0 ) x ( 0 ) ]
2
1 +
PQ ( ) = --- [ x ( 0 ) x ( + 0 ) ]
i
Equ(9.53)
++
+-
x ( 0 ) = x ( ) + x ( ) et
--
x ( 0 ) = x ( ) + x ( )
++
-1 ++
PQ ( ) = --- [ x ( ) + x ( ) ( x ( ) x ( ) ) ]
i
--
x ( )
+-
x ( )
++
x ( )
x ( )
--
+-
A laide de (9.51) :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
93
TRANSFORMATION DE HILBERT
PP ( ) = QQ ( ) = x ( + 0 ) + x ( 0 )
Equ(9.54)
PP ( ), QQ ( )
x ( )
x ( )
0
2B
x ( ) = 4 x ( )
a
x ( )
x( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
94
TRANSFORMATION DE HILBERT
Par exemple, pour un signal de 100Hz, = 3000Km et pour un signal de 1MHz = 300m .
Ces dimensions sont prohibitives pour concevoir des antennes. Il est donc indispensable davoir
recours des techniques de modulation pour dcaler le spectre du signal vers des frquences plus
leves et ainsi atteindre des longueurs donde compatibles avec la taille des antennes.
Transmission dans un milieu bruyant. Certaines modulations comme la modulation de
frquence sont relativement insensibles aux perturbations.
Ncessit de transmettre plusieurs messages simultanment dans des bandes de frquences juxtaposes (multiplexage).
10.2. Principe
La modulation est une transformation de la forme :
m ( t ) s ( t, m ( t ) )
Equ(10.1)
On dit quun systme de modulation est sans mmoire si le signal s ( t, m ( t ) ) ne dpend que
du message linstant t.
Par exemple, s ( t, m ( t ) ) = A m ( t ) cos 2 0 t est une modulation damplitude double
bandes sans porteuse, s ( t, m ( t ) ) = A cos [ 2 0 t + m ( t ) ] est une modulation de phase.
On dit quun systme de modulation est avec mmoire si le signal modulant est transform
avant la modulation sans mmoire.
m(t)
Modulation
Filtre linaire g ( t ) sans mmoire
s ( t, g ( t ) )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
95
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
m ( t u )h( u ) du .
g( t) =
+ b
> b
Am ( t ) cos ( 2 0 t + )
A ( K + m ( t ) ) cos ( 2 0 t + )
K0
AK cos ( 2 0 t + )
Onde porteuse.
A(K + m(t))
Enveloppe de s ( t, m ( t ) ) .
Il est possible de dfinir un indice de modulation (figure 10.3) tel que la variation damplitude du signal x est de 2K alors x min = K ( 1 ) et x max = K ( 1 + ) , on remarquera que :
x max x min = 2K et x max + x min = 2K , ce qui conduit dfinir lindice de modulation
comme :
x max x min
= ---------------------------x max + x min
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
96
Equ(10.2)
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
K
K
Equ(10.3)
R xx ( ) = A E [ ( K + m ( t ) ) ( K + m ( t + ) ) cos ( 2 0 t + ) cos ( 2 0 ( t + ) + ) ]
2
R xx ( ) = A E ( K + Km ( t ) + Km ( t + ) + m ( t )m ( t + ) )
1
--- ( cos ( ( 4 0 t + 2 0 + 2 ) + cos 2 0 ) )
2
2
A2
R xx ( ) = --- [ E [ K ] + E [ Km ( t + ) ] + E [ Km ( t ) ] + E [ m ( t )m ( t + ) ] ]
2
[ E [ cos ( 4 0 t + 2 0 + 2 ) ] + E [ cos 2 0 ] ]
Equ(10.4)
A2 2
R xx ( ) = --- [ K + R mm ( ) ] cos 2 0
2
Equ(10.5)
A2 2
A
xx ( ) = --- K [ ( + 0 ) + ( 0 ) ] + ------ [ mm ( + 0 ) + mm ( 0 ) ]
4
4
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
97
Equ(10.6)
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
()
+
m ( )
m ( )
A2
--- ( + 0 )
4 m
A2
--- ( 0 )
4 m
2 2
A K
------------4
b
+ b
+ 0
A 2
La premire partie de (10.6) reprsente les deux raies de la porteuse damplitude --- K et
4
Filtre Slectif
xe( t )
xm ( t )
Ge ( )
Filtre intgrateur
Gs ( )
(t)
m
cos ( 2 0 t + )
2
A
--- ( + 0 )
4 m
Filtre slectif Ge ( )
2 2
A K
------------4
0
0 b
+ 0
0 + b
TRAITEMENT DU SIGNAL
Master CMI
98
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
A laide de (9.41) :
b ( t ) = b c ( t ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + )
Equ(10.7)
Lopration de translation des spectres est obtenue par multiplication du signal x e ( t ) par le
signal de rfrence cos ( 2 0 t + ) . Cette translation consiste ramener autour de la frquence 0,
le message utile. Le filtre de sortie pourra tre extrmement slectif (intgration forte) et liminer
ainsi le bruit.
x m ( t ) = { A [ K + m ( t ) ] cos ( 2 0 t + ) + b ( t ) } { cos ( 2 0 t + ) } et laide de (10.7) :
x m ( t ) = { A [ K + m ( t ) ] cos ( 2 0 t + ) + b c ( t ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + ) }
{ cos ( 2 0 t + ) }
x m ( t ) = A [ K + m ( t ) ] cos ( 2 0 t + ) cos ( 2 0 t + ) +
b c ( t ) cos ( 2 0 t + ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + ) cos ( 2 0 t + )
A
x m ( t ) = --- [ K + m ( t ) ] [ cos ( 4 0 t + + ) + cos ( ) ] +
2
1
--- b c ( t ) [ cos ( 4 0 t + + ) + cos ( ) ]
2
1
--- b s ( t ) [ sin ( 4 0 t + + ) + sin ( ) ]
2
A
A
A
x m ( t ) = --- [ K + m ( t ) ] [ cos ( 4 0 t + + ) ] + --- m ( t ) cos ( ) + --- K cos ( ) +
2
2
2
1
1
--- b c ( t ) [ cos ( 4 0 t + + ) + cos ( ) ] --- b s ( t ) [ sin ( 4 0 t + + ) + sin ( ) ]
2
2
1
Si lon considre que le filtre Gs ( ) est de type intgrateur : m ( t ) = ---
0 xm ( t )dt ,
1
1
(t) = A
--- m ( t ) + --- b c ( t ) cos ( ) --- b s ( t ) [ sin ( ) ] + A
m
--- K cos ( )
2
2
2
2
Terme continu
( t ) est compos dun terme continu qui peut tre facilement limin si Gs ( ) est galem
ment drivateur (ne passe pas la frquence 0). La figure 10.7 reprsente le filtrage de x m ( t ) par
Gs ( ) .
0 bc ( t ) cos ( ) dt = 0
T
0 bs ( t )( sin ( ) dt ) = 0 .
Cette condition suppose que lon intgre suffisamment longtemps, cela signifie que le filtre
une largeur de bande trs faible.
A
alors m ( t ) = --- m ( t ) cos ( ) , cette valeur devient maximale si le dmodulateur est en
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
99
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
(t) = A
--- m ( t )
m
2
Equ(10.8)
Equ(10.9)
()
Gs ( )
+ b
E [ ( x ( t ) ) ] = E [ ( A [ K + m ( t ) ] cos ( 2 0 t + ) ) ]
2
E [ ( x ( t ) ) ] = E [ ( A [ K + m ( t ) ] ) ] E [ ( cos ( 2 0 t + ) ) ]
2
E [ ( x ( t ) ) ] = A [ K + P ] E [ ( cos ( 2 0 t + ) ) ]
2
1
E [ ( cos ( 2 0 t + ) ) ] = -----2
2
1
( cos ( 2 0 t + ) ) dt = --2
2
1 2 2
E [ ( x ( t ) ) ] = --- A [ K + P ]
2
N0
La densit spectrale du bruit dentre est b ( ) = ------- , dans la bande passante 2 b , la puissance du
2
bruit est :
2
be
N0
= ------- 2 b = N0 b
2
S
--B
1 2 2
--- A [ K + P ]
2
= ------------------------------N0 b
Equ(10.10)
A
1
En sortie du dmodulateur synchrone, le signal est : m ( t ) = --- m ( t ) + --- b c ( t ) .
2
A
2
A
P s = ------ ( m ( t ) ) = ------ P .
4
4
Pour le bruit, la densit spectrale dune des composante en quadrature est 2 fois la densit
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
100
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
2N0
2
spectrale initiale (voir lquation 9.54 et la figure 9.7) : bc ( ) = 2N0 b et bs = ---------------------b- .
S
--B
A P
= ---------------------2N0 b
Equ(10.11)
S
S
Le facteur de bruit est dfini par le rapport : F = --- --B
:
e
P
F = ---------------2
K +P
Equ(10.12)
Remarque : On a suppos que lon avait affaire une modulation damplitude avec porteuse. Dans le cas dune modulation sans porteuse, le paramtre K = 0 . De plus, le filtre de sortie
na pas besoin dtre drivateur (il ny a plus de composante continue).
3
5
2n 1
u( t)
+1
0
-1
0 1 3 5 7 9 11 13
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
101
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
3
5
1
16
x m ( t ) = ------ m ( t ) --- [ cos ( ) ] --- [ cos ( 4 0 t + + ) ] + ...
2
2
2
Equ(10.13)
Un filtrage en sortie est ncessaire pour ne conserver que le premier terme de (10.13) :
8
( t ) = ----m
m ( t ) cos ( )
2
bruit b(t)
Filtre slectif
x(t)
y( t)
xe( t)
u(t)
Ge ( )
Filtre intgrateur
xm ( t )
Gs ( )
(t)
m
u( t )
( t ) = --1m
T
( t ) = --1m
T
0 xm ( t )dt
T
0 xm ( t )u ( t )dt
Equ(10.14)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
102
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
On peut crire la fonction de corrlation comme tant un produit de convolution (voir lquation
7.19)
R ux ( ) = u ( ) * x m ( )
R ux ( ) = u ( ) * x m ( )
Equ(10.15)
y( t ) = x(t ) u( t )
xe( ) = y( ) + b ( )
x e ( ) = [ x ( ) ]u ( ) + b ( )
et finalement :
R ux ( ) x ( )R uu ( )
Equ(10.16)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
103
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
Systme
Numrique
y(n)
Exemple :
2n
x(n) =
0
si 3 n 3
sinon
y( n ) = x( n 1 )
Llment soulign reprsente llment dindice 0 de la liste. Le systme retarde donc lentre dun chantillon.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
104
11.1.1. Linarit
Un systme est linaire si :
[ a 1 x1 ( n ) + a 2 x2 ( n ) ] = a1 [ x1 ( n ) ] + a 2 [ x2 ( n ) ]
x 1 ( n ) , x 2 ( n ) , a 1 , a 2
Exemple 1 :
2
y 1 ( n ) = x1 ( n )
2
y 2 ( n ) = x2 ( n )
2
y 3 ( n ) = [ a1 x1 ( n ) + a2 x2 ( n ) ] = a1 x1 ( n ) + a2 x2 ( n )
2
a 1 y1 ( n ) + a 2 y2 ( n ) = a 1 x1 ( n ) + a2 x2 ( n )
y 1 ( n ) = x1 ( n )
2
y 2 ( n ) = x2 ( n )
y 3 ( n ) = [ a1 x1 ( n ) + a2 x2 ( n ) ] = [ a1 x1 ( n ) + a2 x2 ( n ) ]
2 2
2 2
y 3 ( n ) = a 1 x 1 ( n ) + a 2 x 2 ( n ) + 2a 1 a 2 x 1 ( n )x 2 ( n )
11.1.2. Causalit
Un systme est causal si sa sortie ne dpend que de ses entres prsentes et passes.
Exemple :
Si y ( n ) = [ x ( n ) , x ( n 1 ) , ] alors :
y ( n ) = x ( n 1 ) est causal.
y ( n ) = x ( n + 1 ) nest pas causal.
TRAITEMENT DU SIGNAL
Master CMI
105
x ( n ) ( n k )
x ( k ) ( n k )
k =
k =
x(n)
x( n) =
x ( k ) ( n k )
Equ(11.1)
k =
Exemple :
Soit x ( n ) = { 1 ,2 ,0 ,3 } . Llment soulign reprsente llment dindice 0 de la liste.
On peut crire :
x ( n ) = ( n + 1 ) + 2 ( n ) + 3 ( n 2 )
x ( k ) ( n k ) x ( k ) h ( n k )
k
x( n ) y( n)
do :
y(n) =
x(k) h(n k)
Equ(11.2)
k =
ou encore : y ( n ) = x ( n ) * h ( n )
La sortie y ( n ) du filtre considr est le produit de convolution de lentre x ( n ) par la rponse impulsionnelle h ( n ) du filtre.
TRAITEMENT DU SIGNAL
Master CMI
106
h ( k )x ( n k )
Equ(11.3)
k=0
h ( n ) = 0 si n < 0 et n M
Dans ce cas, le systme numrique est une fentre centre sur les M plus rcents chantillons. On considre que le filtre une mmoire de longueur M.
Si le systme est rponse impulsionnelle de dure infinie (IIR) :
y(n) =
h ( k )x ( n k )
Equ(11.4)
k=0
Dans ce cas il est ncessaire de connatre tous les chantillons prsents et passs, le systme
une mmoire de longueur infinie.
bk x ( n k )
ak y ( n k ) + k
k=1
=0
Equ(11.5)
Exemple :
y ( n ) = 2y ( n 1 ) + x ( n ) est un systme numrique rcursif.
Un systme est non-rcursif si la sortie y ( n ) linstant n ne dpend que des valeurs dentre x ( n ) :
Y ( n ) = F [ x ( n ) ,x ( n 1 ) ,x ( n M ) ]
x ( n )y ( n l )
Equ(11.6)
x ( n + l )y ( n )
Equ(11.7)
y ( n )x ( n l )
Equ(11.8)
n =
ou :
r xy ( l ) =
n =
de mme :
r yx ( l ) =
n =
ou :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
107
r yx ( l ) =
y ( n + l )x ( n )
Equ(11.9)
n =
proprits :
r xy ( l ) = r yx ( l )
r xy ( l ) = x ( l ) * y ( l )
x ( n )x ( n l )
Equ(11.10)
n =
x ( n )x ( n + l )
Equ(11.11)
n =
proprit :
Pour l = 0 , on obtient la valeur remarquable E x (nergie du signal) :
r xx ( 0 ) = E x =
x
n =
(n )
Equ(11.12)
11.6. La transforme en z
La transforme en z est loutil privilgi pour lanalyse des systmes numriques linaires.
Il est possible de faire un parallle entre le rle de la transforme en z pour les signaux numriques et celui de la transforme de Fourier pour les signaux continus.
x ( n )z
n =
Exemple 1 :
x ( n ) = [ 1 ,2 ,3 ,5 ,0 ,2 ]
X ( z ) = 1 + 2z
+ 3z
+ 5z
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
+ 2z
108
Exemple 2 :
x ( n ) = ( n )
X(z) = 1
Exemple 3 :
x ( n ) = ( n k )
X(z) = z
Exemple 4 :
n
n
x( n) = u( n) =
0
X(z) =
n=0
n n
Si z
n0
n<0
+
( z
n=0
1 n
1
< 1 soit z > alors la srie converge vers : X ( z ) = -------------------1
1 z
n1
1
x ( n ) = -------- X ( z ) z
dz
2i
Equ(11.13)
Cette intgrale nest pas obligatoirement simple calculer, cest pourquoi, il est gnralement plus simple dutiliser les autres mthodes proposes.
Dans lintgrale (11.13), le contour c est une courbe ferme englobant tous les ples de la
fonction. Le thorme des rsidus de Cauchy permet dcrire (11.13) sous la forme :
x(n) =
Res [ X ( z ) z
n1
Equ(11.14)
z = pk
p k est le ple k de X ( z ) z
n1
et Res [ X ( z ) z
n1
z = pk
reprsente le rsidu en z = pk .
TRAITEMENT DU SIGNAL
Master CMI
109
r1 z
r2 z
X ( z ) = k + ------------- + ------------- +
z p1 z p 2
Equ(11.15)
Dans un premier temps, on exprimera (11.15) sous la forme dune fonction plus rationnelle,
en divisant les 2 termes par z :
r1
r2
X(z)
k
----------- = -- + ------------+ ------------- +
z
z z p1 z p2
Equ(11.16)
Equ(11.17)
z = pk
Solution :
3
z
X ( z ) = ---------------------------------------------------------------( z 0, 5 ) ( z 0, 75 ) ( z 1 )
2
( z 0, 5 ) ( z 0, 75 ) ( z 1 )
z 0, 5
z 0, 75
z1
X( z )
z
1
2
3
- + ------------------- + ---------Exprimons : ----------- = ---------------------------------------------------------------- = ---------------z
z
r 1 = -----------------------------------------( z 0, 75 ) ( z 1 )
= 2
z = 0, 5
z
r 2 = -------------------------------------( z 0, 5 ) ( z 1 )
= 9
z = 0, 75
z
r 3 = -----------------------------------------------( z 0, 5 ) ( z 0, 75 )
= 8
z=1
r1
r2
r3
2
9
8
X( z )
----------- = ---------------- + ------------------- + ---------- = ----------------- + -------------------- + ----------z 0, 5 z 0, 75 z 1
z
z 0, 5 z 0, 75 z 1
x ( n ) = [ 2 ( 0, 5 ) 9 ( 0, 75 ) + 8 ]u ( n )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
110
alors : x ( n ) = a 1 x 1 ( n ) + a 2 x 2 ( n ) X ( z ) = a 1 X 1 ( z ) + a 2 X 2 ( z )
x(n k) z X(z )
x ( n ) X ( z )
d
X(z)
dz
2in 0
x(n)
y ( ) = x ( 0 )
Y(z) =
n=0
Y (z ) = X( e
2in 0
2 i 0
x(n) z
x(n ) (e
n=0
2 i 0
z)
z)
1
Par exemple, si 0 = --- :
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
111
Y( z) = X( e
z ) = X ( z )
Equ(11.18)
X( z)
Rgion de
convergence
( n )
tous z
u(n)
1
---------------1
1z
z >1
1
------------------1
1 az
z > a
z > a
1
------------------1
1 az
z < a
z < a
a u(n)
n
na u ( n )
az
--------------------------1 2
( 1 az )
a u( n 1 )
na u ( n 1 )
az
--------------------------1 2
( 1 az )
( cos 0 n )u ( n )
1 z cos 0
------------------------------------------------1
2
1 2z cos 0 + z
( sin 0 n )u ( n )
z sin 0
------------------------------------------------1
2
1 2z cos 0 + z
1 az cos 0
---------------------------------------------------------1
2 2
1 2az cos 0 + a z
az sin 0
---------------------------------------------------------1
2 2
1 2az cos 0 + a z
( a ( sin 0 n ) )u ( n )
z >1
( a cos 0 n )u ( n )
z >1
z >a
z >a
Tableau 2 : Transformes en z
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
112
do :
Y( z) = H( z) X( z)
Equ(11.19)
y(n) =
bk x ( n k )
ak y ( n k ) + k
k=1
=0
y( n) Y( z)
y( n k) Y( z) z
x(n k) X(z ) z
Y(z) =
Y(z) +
ak Y ( z ) z
k=1
k=1
ak Y ( z ) z
bk X( z ) z
k=0
M
bk X( z ) z
k=0
N
M
k
k
Y ( z ) 1 + ak z = X ( z ) b k z
k=1
k=0
bk z
k=0
Y(z)
----------- = -------------------------------------X(z)
N
k
1 +
a
z
k
k=1
et :
M
bk z
k=0
H ( z ) = --------------------------------N
1+
ak z
Equ(11.20)
k=1
bk z
k=0
alors :
Equ(11.21)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
113
x ( n )z
n =
X(z) =
X(z) =
x ( n ) [ re
n =
+
[ x ( n )r
n =
i n
]e
in
x ( n )r
n =
< +
x ( n )e
n =
i n
Equ(11.22)
1
1z
z = e
z = 1
i
i( 2)
i( 2)
e
e
e
X ( ) = ---------------- = ----------------------------- = --------------------------i
2i
sin
(
2
)
2
sin ( 2 )
e 1
2k
k = 0 ,1 ,
TRAITEMENT DU SIGNAL
Master CMI
114
N1
ck e
k=0
i2kn N
Equ(11.23)
i 2kn N
1
c k = ---- x ( n )e
Nk = 0
Equ(11.24)
2
1
P x = ---- x ( n )
Nn = 0
N 1
N1
N1
1
1
i2k ( n N )
P x = ---- x ( n )x ( n ) = ---- x ( n ) c k e
Nn = 0
Nn = 0
n = 0
N 1
i2k ( n N )
1
k --x
(
n
)e
c
N n
n=0
=0
N1
Px =
Px =
ck
k=0
N1
2
1
= ---- x ( n )
Nk = 0
Equ(11.25)
EN = N
ck
k=0
N1
x(n)
k=0
Equ(11.26)
TRAITEMENT DU SIGNAL
Master CMI
115
gure 11.2 montre quelques paramtres fondamentaux de la fonction de transfert dun filtre.
H()
1 + 1
1 1
Oscillations dans
la bande passante
Bande de
transition
Bande attnue
(n)
= f(z)
n
Daprs le Tableau 1 : d f ( t ) p F ( p ) si les conditions initiales sont nulles.
dt
d
y ( nT ) y ( nT T )
y ( t ) = -------------------------------------------dt
T
avec : t = nT et pour nT n
d
y(n) y(n 1)
y ( t ) = -----------------------------------dt
T
1
y(n) y(n 1)
1z
------------------------------------ ---------------- (daprs le Tableau 2)
T
T
d
y ( t ) p pour la drive premire
dt
2
y ( n ) 2y ( n 1 ) + y ( n 2 )
d
d d
y(t) =
y ( t ) = -----------------------------------------------------------------2
dt
dt dt
T
2
2
d
y(t) p
dt
2
1 2
1z
d
y ( t ) ----------------
T
dt
1 n
1z
d
y ( t ) ----------------
T
dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
116
Equ(11.27)
Equ(11.28)
1z
p = ---------------T
1z
p = ---------------T
1z
1
p = ---------------- ou z = --------------T
1 pT
En prenant z = r + i n
Quand a varie de + , le lieu des points dans le plan z est un cercle de rayon 1/2
dont le centre est situ z = 1 2 . La figure 11.3 illustre ces diffrentes variations dans les plans
z et p.
i
Plan z
0 1/2
Plan p
a
Considrons le terme complexe : --------------------2 2
1 + a T
2 2
si a T 1 alors n a .
Exemple : On
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
considre
le
filtre
117
analogique
dont la fonction
de
transfert
1
- . Trouver le filtre numrique quivalent par la mthode des drives.
est : G a ( p ) = ---------------------------------2
( p + 0, 1 ) + 1
1z
p = ---------------T
2
1
T
G ( z ) = ------------------------------------------------- = ------------------------------------------------------------1
2
2
1z
2 ( 1 + 0, 1T ) 1 z
--------------- + 0, 1 + 1
1 ------------------------------ z + ------ T
= 1 + 0, 2T + 1, 01T
( n 1 )T
nT
kT
yn =
x ( u ) du
( n 1 )T
yn 1 =
x ( u ) du
I =
( n 1 )T x ( u )du = yn yn 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
118
X ( z ) + X ( z )z
= ------------------------------------ T
2
1
T 1+z
Y ( z ) = X ( z ) --- ---------------2 1 z 1
1
Lintgration par la mthode de la transforme de Laplace donne : Y ( p ) = --- X ( p )
p
1
T 1+z
--- = --- ---------------P
2 1 z1
do :
1
2 1 z
2 z1
p = --- ---------------- = --- -----------
T 1 + z 1
T z + 1
i n
Equ(11.29)
2 z1
p = --- -----------
T z + 1
et p = + i a
n
2 re 1
p = --- ---------------------
T in
re + 1
2
2r sin n
2
r 1
p = --- ------------------------------------------ + i ------------------------------------------
2
T 1 + r 2 + 2r cos
1 + r + 2r cos n
n
2
r 1
= --- -----------------------------------------T 1 + r 2 + 2r cos
n
2r sin n
2
a = --- -----------------------------------------T 1 + r 2 + 2r cos
n
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
119
sin n
2
a = --- ------------------------ do :
T 1 + cos n
2
a = --- tan -----nT
2
Equ(11.30)
a T
n = 2 atan --------2
Equ(11.31)
et :
aT
plan p analogique
n +
< a < +
plan z numrique
n = nT
n T
2
2
comme a = --- tan -----n- = --- tan --------T
Exemple 1 :
On considre le filtre analogique dfini par la fonction de transfert :
p + 0, 1
G a ( p ) = -------------------------------------- . On cherche le filtre numrique quivalent par la mthode bilinaire. Le
2
( p + 0, 1 ) + 16
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
120
p + 0, 1
G a ( p ) = -------------------------------------2
( p + 0, 1 ) + 16
1
1z
4 ---------------- + 0, 1
1
1
2
0, 125 + 0, 006z 0, 118z
1+z
G a ( z ) = -------------------------------------------------------- = ------------------------------------------------------------------------2
1
2
1 z1
1 + 0, 0006z 0, 950z
---------------+
0
,
1
+
16
4
1 + z 1
bk z
k=0
1+
ak z
k=1
La figure 11.6 reprsente le filtre analogique (trait plein) dont la rsonance se produit pour
a = 4 et le filtre numrique (trait pointill) quivalent qui a sa frquence de rsonance pour
n = 2 .
analogique
|G(
G (
)|
)
num rique
a
- . On suppose
On considre le filtre passe-bas analogique un ple unique : H ( p ) = ---------------
p + a
que la frquence de coupure -3dB se produit pour n = 0, 2 . Trouver le filtre numrique quivalent par la mthode de la transformation bilinaire.
0, 65
2
0, 2
a = --- tan ------------ = -----------T
T
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
121
0, 65 T
H ( p ) = ---------------------------p + 0, 65 T
1
2 1z
En utilisant lquation 11.29 : p = --- ---------------1
T 1+z
0, 65 ( 1 + z )
0, 65 T
H ( z ) = --------------------------------------------------- = ------------------------------------1
1
2, 65 1, 35z
2 1z
--- ---------------- + 0, 65 T
T 1 + z1
1
0, 245 ( 1 + z )
H ( z ) = ------------------------------------1
1 0, 509z
Dans cet exemple le paramtre T disparat par simplification, sa valeur est donc indiffrente.
La figure 11.7 reprsente le filtre analogique (T=1) et le filtre numrique correspondant. La
frquence de coupure se trouve bien n = 0, 2 pour une attnuation de 3dB soit
G max
------------- = 0, 707G max . On remarquera que le filtre numrique a une pente plus raide que le filtre
2
Numrique
Analogique
1
= ------------------------- 2n
1 + ------
c
lordre
2,
la
fonction
de
transfert
peut
se
mettre
sous
la
forme :
2
c
G ( p ) = -------------------------------------------------2
2
p + 2 c p + c
2 z1
Appliquons la transformation bilinaire p = --- -----------
T z+1
p
2 z1
------ = ---------- ----------c
c T z + 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
122
2
posons = ----------
cT
p
z1
------ = ----------c
z+1
1
G ( z ) = --------------------------------------------------------------2
z1
z
1
----------- + 2 ----------+1
z + 1
z+1
1
1 + 2z + z
G ( z ) = -----------------------------------------------------------------------------------------------------------------------------2
2 1
2
2
( + 2 + 1 ) + 2 ( 1 )z + ( 2 + 1 )z
posons :
2
a = + 2 + 1 , b = 2 ( 1 ) , c = 2 + 1
1 2 1 1 2
--- + --- z + --- z
a a
a
finalement on obtient : G ( z ) = -------------------------------------b 1 c 2
1 + --- z + --- z
a
a
Application :
4
On trouve :
2
a = + 2 + 1 = 47, 595
2
b = 2 = 73, 78
2
c = 2 + 1 = 30, 185
1
)|,
)|
Numrique
Analogique
a, n
TRAITEMENT DU SIGNAL
Master CMI
123
ck
-------------k = 1 p pk
ha ( t ) =
cke
k=1
pk t
h ( n ) h a ( nT ) =
t>0
ck e
k=1
p k nT
G(z) =
h ( n )z
n=0
G(z) =
p k nT n
z =
c
e
n = 0 k = 1
(e
n=0
(e
k=1 n=0
ck
pk T 1 n
z )
pk T 1 n
1
z ) = --------------------------- si p k < 0 et finalement :
pk T 1
1e z
G(z) =
ck
-------------------------p T 1
k=1
1e
pk T
Equ(11.32)
k = 1 ,2 ,n
G(z) =
h ( n )z
n=0
comme z = e
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
pT
124
G(e
pT
) =
h ( n )e
n=0
pTn
posons p = + i a et z = r
r
r
i n
i n
= e
= e
i n
( + i a )T
T i a T
. En identifiant, on trouve :
mme, tous les intervalles ( 2k 1 ) --- a ( 2k + 1 ) --- avec k entier sont projets sur n .
Ceci est une consquence directe de leffet de priodisation d lchantillonnage.
De fait, cette mthode est limite la synthse des filtres passe-bas ou des filtres bandes
troites.
Exemple :
p + 0, 1
- . On cherche le filtre numrique
On considre le filtre analogique G a ( p ) = ---------------------------------2
( p + 0, 1 ) + 9
ck
-------------------------p T 1
k=1
1e
a
b
G a ( p ) peut se mettre sous la forme : G a ( p ) = -------------- + -------------p p1 p p2
a
b
G a ( p ) = ----------------------------- + ----------------------------- et en identifiant, on trouve :
p + 0, 1 3i p + 0, 1 + 3i
12
12
G a ( p ) = ----------------------------- + ----------------------------p + 0, 1 3i p + 0, 1 + 3i
12
12
G ( z ) = ------------------------------------------- + -------------------------------------------- 0, 1T i3T 1
0, 1T i 3T 1
e z
e
z
1e
1e
0, 1T
1 (e
cos 3T )z
G ( z ) = ------------------------------------------------------------------------------------- 0, 1T
1
0, 2T 2
cos 3T )z + e
z
1 ( 2e
TRAITEMENT DU SIGNAL
Master CMI
125
lquation 11.33 :
y(n) =
M1
bk x ( n k )
Equ(11.33)
k=0
M1
h ( k )x ( n k )
Equ(11.34)
k=0
M1
h ( k )z
k=0
Equ(11.35)
Ce polynme de degr M-1 a des racines qui sont les zros du filtre.
Dautre part, un filtre RIF a une phase linaire si sa rponse impulsionnelle est telle que :
Equ(11.36)
h ( n ) = h ( M 1 n )
dmonstration :
Lquation 11.35 peut tre crite sous la forme dune transforme de Fourier :
H() =
H() =
M1
h ( k )e
k=0
M1
2ik
h ( k ) sin ( 2k )
h ( k ) cos ( 2k ) i k
k=0
=0
La caractristique de phase de H ( ) peut tre nulle si le terme complexe est gal 0. Il suffit
que h ( k ) soit une fonction paire :
Equ(11.37)
h ( k ) = h ( k )
Le terme h ( k ) sin ( 2k ) est alors impair et la somme est par consquent nulle.
Lquation 11.37 ne permet pas de raliser des filtres causaux. La causalit est respecte en
M1
recentrant la rponse impulsionnelle au milieu de la gamme (en position -------------- ).
2
M1
h ( k ) h k --------------
Equ(11.38)
i ( M 1 )
Equ(11.39)
Cette expression est rapprocher de (5.7) et conduit directement aux conditions sur les
chantillons (figure 11.9) :
h ( k ) = h ( M 1 k ) pour une rponse impulsionnelle symtrique et h ( k ) = h ( M 1 k )
pour une rponse impulsionnelle anti-symtrique.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
126
hd
h( k ) = h( M 1k )
h ( k ) = h( k )
k
M1
-------------2
hd
h ( k ) = h ( M 1 k )
h ( k ) = h ( k )
k
M1
-------------2
n = 0 ,1 , , M 1
M1
h ( k )z
k=0
H(z ) =
( M 1 )
H(z ) =
M1
h ( k )z
k=0
( M 1 k )
( M 1 )
H(z ) =
M1
h ( M 1 k )z
k=0
( M 1 k )
do :
z
( M 1 )
H ( z ) = H ( z )
Equ(11.40)
1
Cette relation dfinit que les racines de H ( z ) sont aussi les racines H ( z ) .
Dautre part, selon la parit de M, H ( z ) peut sexprimer diffremment :
H(z) =
M1
h ( k )z
k=0
H(z) = z
( M 1 ) 2
M1
h ( k )z
k=0
( M 1 2k ) 2
si M est impair :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
127
H(z) = z
( M 1 ) 2
M 1- +
h ------------2
(M 3) 2
h(k )[z
( M 1 2k ) 2
( M 1 2k ) 2
k=0
si M est pair :
H(z) = z
( M 1 ) 2
(M 3) 2
k=0
h(k )[ z
( M 1 2k ) 2
( M 1 2k ) 2
i ( M 1 ) 2
si M est impair :
M1
H r ( ) = h -------------- + 2
2
(M 3) 2
n=0
M1
h ( n ) cos -------------- n
2
si M est pair :
Hr ( ) = 2
(M 2) 1
n=0
M1
h ( n ) cos -------------- n
2
La phase de H ( ) est :
M1
--------------
( ) =
M 1- +
------------2
si H r ( ) > 0
si H r ( ) < 0
H ( ) = H r ( )e
[ (M 1) 2 + 2]
Si M est impair :
Hr ( ) = 2
(M 3) 2
n=0
M1
h ( n ) sin -------------- n
2
Si M est pair :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
128
Hr ( ) = 2
(M 2) 1
n=0
M1
h ( n ) sin -------------- n
2
La phase de H ( ) est :
M1
--- --------------
2
2
( ) =
M1
3
- --------------
---- 2
2
si H r ( ) > 0
si Hr ( ) < 0
Hr ( 0 ) = 2
M2
(M 3) 2
h ( n ) pour M impair
n=0
h ( n ) pour M pair.
n=0
La connaissance de lallure de la rponse impulsionnelle h ( t ) du filtre analogique quivalent peut donner de bonnes indications sur le choix symtrique/antisymtrique. Si h ( t ) est unipolaire on choisit h ( n ) symtrique. Si h ( t ) est bipolaire on choisit h ( n ) antisymtrique.
que : w ( n ) =
0nM1
sinon
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
129
W( ) =
W( ) =
M1
n=0
w ( n )e
M1
n=0
in
in
M1
e
n=0
iM
in
1e
= --------------------- = e
i
1e
M1
i -------------2
W( ) = e
sin ( M 2 )
----------------------------sin ( 2 )
M1
i -------------2
sin ( M 2 )
----------------------------sin ( 2 )
Equ(11.41)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
130
2
quences, il est ncessaire que 1 2 > ----- .
M
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
131
2
Dans lexemple prcdent : 1 2 = 0, 02 = ----- .
M
n=0
h d ( n )e
in
1
avec h d ( n ) = -----2
Hd ( )e
in
La rponse impulsionnelle obtenue est de dure infinie. Pour tre compatible avec un filtre
RIF, cette rponse doit tre tronque la longueur n=M-1.
Tronquer h d ( n ) la longueur (M-1) revient multiplier h d ( n ) par une fentre rectangulaire
telle que :
1
w( n) =
0
n = 0 ,1 ,, M 1
sinon
n = 0 ,1 ,, M 1
sinon
Equ(11.42)
W( ) =
M1
n=0
1
H ( ) = -----2
W( ) =
w ( n )e
in
M1
e
n=0
in
Hd ( )W ( )d (produit de convolution)
M1
e
n=0
in
iM
1e
= --------------------- = e
i
1e
M1
i -------------2
sin ( M 2 )
----------------------------sin ( 2 )
sin ( M 2 )
W ( ) = -------------------------------- avec +
sin ( 2 )
La phase de W ( ) est ( ) :
1
M
-------------2
( ) =
1
M
-------------- +
si sin ( M 2 ) 0
si sin ( M 2 ) < 0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
132
M=23
x
6
Equ(11.43)
M min = 2
r 2 = 0, 35
r = 4, 71 soit 13,4dB (Rappel : r dB = 20LogX , voir en annexe)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
133
2
M 1
M 1
ou encore :
1
1
1
W s ( ) = --- W ---------------------- + W + ----------------------
2
2 ( M 1 )
2 ( M 1 )
La fonction W est translate dune valeur positive et dune valeur ngative. Les deux translates sont ensuite sommes. La figure 11.15 montre leffet dattnuation des lobes secondaires
grce cette opration.
1
WP ( ) reprsente W + ----------------------
2 ( M 1 )
1
WM ( ) reprsente W ---------------------- et
2 ( M 1 )
1
WS ( ) reprsente --- ( WP ( ) + WM ( ) ) .
2
On peut remarquer que les lobes sont deux fois plus larges.
Si lon reprend la transforme de Fourier inverse de
1
1
1
W s ( ) = --- W ---------------------- + W + ---------------------- , on obtient :
2 ( M 1 )
2
2 ( M 1 )
n
w ( n ) = cos -------------M1
Equ(11.44)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
134
Hamming
Barlett
Blackman
Hanning
Le Tableau 3 donne la rponse impulsionnelle h(n) de diffrentes fentres pour une fentre
de longueur M.
Fentre
Bartlett (triangulaire)
M1
2 n -------------2
1 ----------------------------M1
Blackman
2n
4n
0, 42 0, 5 cos -------------- + 0, 08 cos -------------M1
M1
Hamming
2n
0, 54 0, 46 cos -------------M1
Hanning
1---
2n
1 cos --------------
2
M 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
135
Fentre de pondration
A
r n = 20 log -----p- (dB)
As
Rectangulaire
2/M
-13dB
Bartlett
4/M
-27dB
Hanning
4/M
-32dB
Hamming
4/M
-43dB
Blackman
6/M
-58dB
M=31
M=61
M=31
M=61
TRAITEMENT DU SIGNAL
Master CMI
136
M=31
M=61
a t
(exponentielle dcroissante).
n a
-------------M1
0nM1
filtre)
Symtriser h(n) : h ( n ) = h ( M 1 n )
La figure 11.20 reprsente la rponse impulsionnelle translate, symtrise et tronque.
Seule la partie linaire de lexponentielle apparat sur la figure 11.20.
Les coefficients du filtre numrique sont les valeurs de la rponse impulsionnelle aux
instants : 0, 1,...M-1.
La transforme de Fourier discrte permet de retrouver les spectres en frquences pour les
trois fentres considres : H ( ) =
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
M1
h ( n )e
n=0
2in
137
M=35
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
138
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
139
sinon
De faon aboutir des calculs plus simples et pour tre certain que lon puisse reconstruire
le signal dorigine partir de ses composes, on a toujours intrt dvelopper la fonction analyser en srie de fonctions orthogonales1.
On dfinit le signal analys x t ( u ) au travers la fentre g :
*
x t ( u ) = g ( u t )x ( u )
Equ(12.1)
2iu
Equ(12.2)
Dans la fonction gt ( u ) on place un terme exponentiel de faon que le produit scalaire dfinisse une transforme de Fourier :
+
x t ( ) =
x ( u )g ( u t )e
2iu
du
Equ(12.3)
ou encore :
+
x t ( ) =
xt ( u )e
2iu
Equ(12.4)
du
TRAITEMENT DU SIGNAL
Master CMI
140
xt ( u ) =
x t ( , t )e
2iu
Equ(12.5)
Les quations (12.4) et (12.5) sont les formules classiques de la transforme de Fourier.
A laide de (12.1) et de (12.5), on obtient :
+
g ( u t )x ( u ) =
x t ( , t )e
2iu
Equ(12.6)
Comme g ( u t ) est nulle presque partout, il nest pas possible dextraire x ( u ) de (12.6)
*
g(u t) x(u) =
d et laide de (12.2) :
g ( u t ) dt =
avec
2iu
g(u t) x(u) =
x(u)
g( u t )x t( , t )e
g ( u t )
gt( u )x t( , t )( d ) dt
dt = g
lnergie de g ( t ) .
do la formule de reconstruction :
1
x ( u ) = ---------2
g
+ +
gt ( u )x t( , t ) d dt
Equ(12.7)
Il est toujours possible de reconstruire x ( t ) partir des coefficients donns par (12.3) ou
(12.4), en effet avec k ( t ) = e
2ikt
x(t) =
Ck k ( t )
Equ(12.8)
a, b
12.2.1. Exemple
Considrons le signal suivant dont la frquence volue linairement avec le temps1 :
2
f2 ( t ) = e
it
t ( 2 )
e
-.
et la fentre gaussienne suivante : g2 ( t ) = ---------------------2 14
( )
TRAITEMENT DU SIGNAL
Master CMI
141
0.5
Im( f2( t ) )
g2( t
6)
10
12
0.5
0.999997
1
0
12
gw( t )
0
10
12
1
0
12
2it 0
par (4.21)
2it 0
2it 0
*
[ g ( ) * x ( ) ] = e
g ( u t 0 )x ( u ) g ( )e
g ( u t 0 )x ( u ) e
* x ( ) par (4.25).
2it 0
R gx ( ) par (7.19)
soit :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
142
2iu
x t ( ) = e
x ( )g ( )d
Equ(12.9)
La rsolution en temps et en frquence sont exclusives, lgalit est obtenue pour le signal
chirp linaire de Gabor.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
143
tb
g a, b ( t ) = ---------- dfinit toutes les dilates et translates de .
a
= a
tb * tb
---------- ---------- dt =
a a
tb
tb 2
---------- dt en posant ---------- = u
a
a
a
a
Equ(12.10)
x(t)
Fourier
Fourier fentre
Ondelette
(t ) =
1
1
0 t < --2
si
Equ(12.11)
1
--- t < 1
2
si
sinon
TRAITEMENT DU SIGNAL
Master CMI
144
i
1 t 2 j
i, j ( t ) = -------- --------------
i
i
2 2
Equ(12.12)
avec i, j Z .
i
1.5
(t )
(t)
3 3 (t)
1, 1 ( t )
---, --2 2
2, 2 ( t )
11( t )
1515( t )
1 1 (t )
22( t )
---, --2 2
m0505( t )
1.5
1
14
12.3.3. Admissibilit
La transforme en ondelettes doit permettre de reconstruire le signal partir de ses transformes. Ceci nest possible que si certaines conditions sont respectes (conditions dadmissibilit). On dfinit une constante dadmissibilit C . Cette constante doit satisfaire la condition
suivante :
+
C =
() 2
------------------ d < +
Equ(12.13)
Pour que C soit dfinie quelque soit la frquence, il est ncessaire que :
() 2
=0 = 0
( ) = TF [ ( t ) ] ,
a, b
(0) =
Equ(12.14)
a, b ( t ) d t = 0
Equ(12.15)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
145
C ( a, b ) = x ( a, b ) =
x ( t ) a, b( t ) dt
*
Equ(12.16)
et en utilisant (12.10) :
+
x ( a, b ) =
- dt
x ( t ) ------a- --------a
1
tb
Equ(12.17)
x ( t ) = C
+ +
tb
da
Equ(12.18)
de convolution :
+
x ( a, b ) =
x ( t )a ( b t ) dt = x * a
*
Equ(12.19)
a est continue.
*
a > 0
*
x( t)
h(t) =
*
a
y( t ) = x*a
*
a ( a )
Equ(12.20)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
146
x * a
g( t)
Figure 12.7 : La transforme en ondelettes inverse comme sortie dun filtre linaire
Soit g ( t ) la rponse impulsionnelle de ce filtre dinversion. La sortie du filtre est le produit
de convolution de lentre par sa rponse impulsionnelle :
x ( t ) = ( x * *a ) * g ( t )
Equ(12.21)
entre
Equ(12.22)
()
a
avec G ( ) = ------------------2
Equ(12.23)
a ( )
x(t)
a ( t )
x * a
z( t)
a ( t )
()]
TF [
a
y(t) = x(t)
0<
+
z ( ) =
( ) 2 da <
Equ(12.24)
*
( ) da
x ( ) a ( )
a
+
z ( ) = x ( )
( ) 2 da
Equ(12.25)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(12.26)
147
Equ(12.27)
Equ(12.28)
( ) da =
TF [ x ]
a
2
x ( ) a ( ) da
( a 0 )
( ) da =
TF [ x ]
a
( a 0 ) a x ( ) ( a )
da
a
( ) d----- =
TF [ x ]
a
2
a
(a 0)
( a 0)
a ( ) d----TF [ x ]
= x ( )
a
2
a
(a 0)
+
posons C =
(u) 2
x ( ) ----------------- du
u
(u) 2
----------------du
u
Equ(12.29)
(u) 2
----------------- du
u
Equ(12.30)
Equ(12.31)
+
2
(a 0 ) TF [ x ]a ( ) ----a
da
x ( t ) = C
x ( t ) = C
+ +
tb
da
Equ(12.32)
Cette relation est donc la formule de reconstruction. Cette formule ne peut exister que si la
constante dadmissibilit C existe (condition donne par (12.31)). Les formules directe (12.17)
et inverse (12.32) sont les deux formules fondamentales de la transforme continue en ondelettes.
*
En multipliant les 2 membres de (12.28) par x ( ) puis par une dmonstration identique
celle qui a abouti (12.32), on trouve facilement la relation suivante :
+
x ( t ) dt = C
+ +
2 da
x ( a, b ) db -----2
a
Equ(12.33)
Cette relation montre que lnergie du signal ne dpend pas de son mode de reprsentation.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
148
(t )
Nom
Morlet
Paul lordre k
( s )
2
1 4 i 0 t t 2
k+1
H ( )e
( s 0 ) 2
( 2i ) k!
( k + 1 )
-------------------- ( 1 it )
( 2k )!
1 4
2
k s
----------------------------- H ( ) ( s ) e
k ( 2k 1 )!
k
2
t 2
( 1 )
------------------------- d e
k
1
k + --- d t
2
k ( s ) 2
i
------------------------- ( s ) e
1
k + ---
Morlet 0 = 7
0.5
Re( ( t ) )
Im( ( t ) )
TF ( )
0.5
0.5
10
10
1. ( z ) =
z 1 t
e dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
149
10
Gaussienne drive
.7
0.6
2_6( t )
I6
0.4
TF2_6( )
2_2( t )
TF2_2( )
10
I2
en plein ordre 6
en pointill ordre 2
10
en plein ordre 6
en pointill ordre 2
0.2
1.5
. 96
4.7957810
10
1.5
10
10
10
Paul ordre 4
10
10
1
1
Re( ( t ) )
Im( ( t ) )
TF ( )
4
0.5
0
10
10
1.5
10
20
20
12
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
150
signal x ( t ) dont la plus grande des frquences est telle que ----e- . Le signal respecte les condi2
tions de Shannon. Soit x ( n ) le signal chantillonn. Si lon rduit la bande passante, le signal est
dans ce cas sur-chantillonn (par rapport la condition de Shannon). Il est dans ce cas intressant
de rduire le nombre dchantillons de x ( n ) en prlevant un chantillon sur K. Cette opration est
quivalente un sous-chantillonnage du signal x ( n ) . On dit galement que le signal x ( n ) a t
dcim dun facteur K.
De mme, chantillonner x ( t ) la frquence e puis r-chantillonner le rsultat la fr
2K
quences comprises entre ------e- et ----e- . Avant le processus de dcimation, il est ncessaire de placer
un filtre anti-repliement G D ( ) tel que :
1 si ------eGD ( ) =
2K
0 sinon
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
151
Equ(12.34)
g(n)
hD ( n )
y(l)
g(n) =
hD ( k )x ( n k )
k=0
+
hD ( k )x ( lK k )
y ( l ) = g ( Kl ) =
Equ(12.35)
k=0
considrons la squence :
g ( n ) pour n = 0, K, 2K, 3K
w( n) =
0 sinon
w ( n ) peut tre obtenu simplement en multipliant g ( n ) par un peigne de Dirac p ( n ) .
+
p( n) =
( n kK )
Equ(12.36)
k=0
K tant la priode.
w( n) = g( n ) p( n )
Equ(12.37)
La figure 12.12 illustre le principe de dcimation (facteur 2). g ( n ) reprsente les chantillons dcimer, p ( n ) lhorloge correspondant aux chantillons dcims et w ( n ) le rsultat final.
g( n)
n
p( n)
w(n)
K1
2ikn K
Equ(12.38)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
152
en srie de Fourier : T ( t ) =
Cn e
n
2i --T
+T 2
T 2 T ( t )e
1
C n = ---
T
n
n
2 i --T
+T 2
dt
T 2 ( t nT )e
n
2 i --T
1
1
considr et par consquent C n = --- et finalement T ( t ) = --- e
T
T
n
2i --T
K1
2ikl
Equ(12.39)
k=0
K1
k e
k e
- x -----------------
G D ---------------K K
Equ(12.41)
k=0
1
y ( ) = ---- G D ---- x ---- = ---- x ----
K K K
K K
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
153
Equ(12.42)
x ( )
Spectre de x ( t )
e 2
0
e 2
GD ( )
e 2K 0 e 2K
g ( )
0
y ( )
e 2
e 2
Filtre anti-repliement.
TRAITEMENT DU SIGNAL
Master CMI
154
La bande passante utilise, par chacun des filtres, est la moiti de la bande initiale. On peut
dans ce cas, utiliser un dcimateur pour rduire la quantit dinformation dun facteur 2.
Gh ( )
Gb ( )
e 4
2
e 2
PB
Gb ( )
x(n)
x b ( m )x b ( m )
Hb ( )
PH
PH
Gh( )
x h ( m )x h ( m )
x ( n )
Hh( )
Analyse
Synthse
2
2
2
2
2
Equ(12.43)
e
e
2
2
2
2
2
Equ(12.44)
TRAITEMENT DU SIGNAL
Master CMI
155
2
2
2
1
e
e
+ --- x ( )G h ( ) + x ----- G h ----- H h ( )
2
2
2
1
x ( ) = --- [ G b ( )H b ( ) + G h ( )H h ( ) ]x ( )
2
e
e
e
1
+ --- G b ----- H b ( ) + G h ----- H h ( ) x -----
2
2
2
2
Equ(12.46)
Lquation 12.46 montre que la sortie est compose de 2 termes. Le premier terme :
1
y ( ) = --- [ G b ( )H b ( ) + G h ( )H h ( ) ]x ( )
2
Equ(12.47)
correspond linformation souhaite. Le second terme, est gnr par le repliement spectral. Dterminons les conditions ncessaires pour annuler ce terme indsirable :
e
e
G b ----- H b ( ) + G h ----- H h ( ) = 0
2
2
Equ(12.48)
Equ(12.49)
e
G h ( ) = G -----
Equ(12.50)
Comme le montre la figure 12.15, les 2 filtres prsentent une symtrie par rapport la frquence e 4 (soit 2 ).
Dans le domaine temporel, les rponses impulsionnelles des filtres G sont respectivement :
gb ( n ) = g ( n )
Equ(12.51)
n
gh ( n ) = ( 1 ) g( n)
Equ(12.52)
Equ(12.53)
e
H h ( ) = 2G -----
Equ(12.54)
Le facteur 2 est introduit pour normaliser la chane. Pour les filtres H, les rponses impulsionnelles correspondantes sont :
h b ( n ) = 2g ( n )
Equ(12.55)
n
hh ( n ) = 2( 1 ) g ( n )
Equ(12.56)
Equ(12.57)
Dans le cas idal, (12.57) devrait donner x ( ) = x ( ) , le gain global doit tre de 1 quelque
soit la frquence :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
156
e
2
2
G ( ) G ----- = 1
Equ(12.58)
Remarque :
Il est possible de reconstruire parfaitement le signal avec des filtres miroirs en quadrature.
Par contre, ces filtres nont pas, en gnral, une rponse impulsionnelle finie. Vetterli laborer
une thorie qui donne les conditions ncessaires pour obtenir une reconstruction parfaite avec des
filtres possdant une rponse impulsionnelle finie. Ces filtres sont nomms filtres miroirs conjugus. Les quations suivantes donnent les conditions de Vetterli.
Comme on a affaire des filtres rels et symtriques par rapport = 0 :
*
Equ(12.59)
Equ(12.60)
Gb ( ) = Gb ( ) = G b ( )
Gh ( ) = Gh ( ) = Gh ( )
2
2
et (12.47) (la condition pour que x ( ) = x ( ) ) :
*
G b ( )H b ( ) + G h ( )H h ( ) = 2
Equ(12.61)
Equ(12.62)
Ces deux dernires quations sont connues comme sous le nom de thorme de Vetterli et
sont la base de la synthse des ondelettes biorthogonales support compact.
(N 1)
2i ----------------2
Equ(12.63)
Le gain est constant dans la bande et la phase varie linairement avec la frquence (Voir
Filtre sans distorsion phase linaire, page 39.).
Explicitons (12.57) en tenant compte que les filtres sont phase linaire :
Elevons au carr (12.63) :
2
G ( ) = G r ( )e
2i ( N 1 )
et
- (N 1)
e
e 2i --- e 2i ( N 1 )
2
N 1 2
2
G ----- = G r ----- e
= ( 1 )
G r ----- e
2
2
2
2
A ( ) = Gr ( ) ( 1 )
N1
e
2
G r -----
2
2
A ( ) = G ( ) ( 1 )
N1
e
G -----
2
Equ(12.64)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
157
Si N est impair, A ----e- = 0 car G r ----e- = G r ----e- . Cest une des proprits indsirables
4
4
4
des filtres miroirs en quadrature.
Si N est pair, la condition :
e
2
G ( ) + G -----
A() =
= 1
Equ(12.65)
devra tre satisfaite quelque soit (de faon que x ( ) = x ( ) ). Le seul filtre qui satisfait
(12.65) est donn par (12.66) :
G()
= cos ( 2a )
Equ(12.66)
Tous les autres filtres vont introduire, plus ou moins, des distorsions damplitude.
Lquation 12.65 peut galement tre dfinie en utilisant la transforme en z. En utilisant
(11.18), G ----e- G ( z ) :
2
*
A ( ) = [ G ( z )G ( z ) + G ( z )G ( z ) ] = 1
Equ(12.67)
Lquation 12.65 est la base de la synthse des ondelettes orthogonales par des filtres miroirs conjugus. Cette synthse est plus contraignante que celle avec des filtres reconstruction
parfaite.
12.8. La multirsolution
La transformation continue en ondelettes permet dobtenir une bonne localisation tempsfrquence.
Toutefois,
linformation
engendre
par
la
transformation
+
x ( a, b ) =
- dt est infiniment redondante. Dans les applications, comme le trai x ( t ) ------a- --------a
1
tb
tement des images, la quantit dinformation traiter peut tre importante, il est ncessaire doptimiser les calculs et la taille des donnes. La multirsolution apporte une solution ce type de
problme. Celle-ci est base sur une transformation discrte qui diffre de la prcdente dun facteur 2 (transformation dyadique). Pour limiter la quantit dinformation gnre, londelette encode uniquement la diffrence dinformation entre deux rsolutions successives. Cette technique,
se prte bien une dcomposition/composition par banc de filtres.
La figure 12.17 montre comment on peut dcomposer, dune manire itrative, un signal
par un banc de filtres. A chaque niveau, le spectre du signal est partag en deux bandes par un filtre
passe-bas et un par filtre passe-haut. Le filtre passe-bas donne les informations grossires tandis
que le filtre passe-haut encode les dtails. Le processus est rpt jusqu obtenir la rsolution souhaite. Lavantage de cette mthode est de nutiliser que deux filtres. Quand le processus est arrt, le signal peut tre dfini par le jeu de coefficients correspondant : { [ PB3 ] [ PH3 ] [ PH2 ] [ PH1 ] } .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
158
PB1
B/2
PH1
PB2
PH2
B/4
PB3
PH3
B/8
Loprateur H donne une reprsentation approximative alors que G donne une reprsentation plus prcise (dtail). La premire ligne reprsente le vecteur signal initial compos de 4
chantillons. A ce niveau, la quantit dinformation est la plus importante, il ny a pas encore de
notion de filtrage. A la deuxime ligne, on trouve 2 ensembles de coefficients. Le premier
ensemble : { H } , donne une approximation du signal par 2 coefficients. Le second { G } , encode
les dtails. A la ligne suivante, le nombre de coefficients est encore divis par 2.
11
Ligne 0
H1 = 6
0
G1 = 1
Indice
Vecteur initial
H 0 = 10
0
G0 = 1
ligne
H indice
ligne
G indice
Ligne 1
H0 = 8
1
G0
= 2
1 1 0 0
S = H 0 , G 0, G 0 , G 1
TRAITEMENT DU SIGNAL
Master CMI
159
11
0
G
1
0 = 6
H
1
= 1
0
G
0
Indice
Vecteur final
ligne
0 = 10
H
0
= 1
H indice
ligne
G indice
1 = 8
H
0
1 = 2
G
0
On considre un ensemble { V i } i Z de sous-espaces ferms de L ( R ) . Cet ensemble permet de construire une multirsolution si un certain nombre de conditions sont vrifies.
1- i Z
V i + 1 V i , Lensemble engendr une rsolution i contient celui la rsolution plus grossire i + 1 .
2
gnaux.
3- lim V i = V i = { 0 } . Plus on dilate la fonction dchelle et plus limage devient grosi
t
x ( t ) V i x --- V i + 1
2
La thorie de la multirsolution montre quil existe une famille dondelettes qui encode la
diffrence dinformation entre 2 images conscutives dun signal. Le sous-espace W i associ
londelette est orthogonal au sous-espace V i : ( W i V i ) . Dans ce cas :
Vi 1 = Vi Wi
Equ(12.68)
TRAITEMENT DU SIGNAL
Master CMI
160
1
t
------- --- =
2
2
h [ n ] ( t n )
Equ(12.69)
n =
t
1
avec ------- --- V 1 V 0 ( t n ) est une base orthonormale de V 0 .
2 2
h [ n ] peut tre interprte comme une fonction de filtrage (rponse impulsionnelle).
On considre que h [ n ] est un filtre causal, sa transforme de Fourier est donne par
(12.70).
N1
h [ n ]e
h ( ) =
2ik
Equ(12.70)
k=0
Prenons la transforme de Fourier des 2 membres de (12.69), en tenant compte que le second membre reprsente un produit de convolution. A laide de (4.19) et de (4.26), on obtient :
2
------- ( 2 ) = h ( ) ( )
2
1
( 2 ) = ------- h ( ) ( )
2
Equ(12.71)
p+1
p
p
1
( 2
) = ------- h ( 2 ) ( 2 )
2
Equ(12.72)
Posons 2 :
2
p = 1
Equ(12.73)
p
lim ( 2 ) = ( 0 ) et (12.73) devient :
P +
P p
h ( 2 )
( ) =
------------------- ( 0 )
2
p = 1
Equ(12.74)
R,
2
1
h ( ) + h + ---
= 2
Equ(12.75)
et
h ( 0 ) =
Equ(12.76)
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
161
h ( ) > 0
inf
1 1
---, + --4 4
alors :
( ) =
p
h ( 2 )
------------------ 2
p=1
Equ(12.77)
12
( t ) ( t n ) dt =
1 2
2in
n =
( )
2 2in
2
( + n ) d = ( n )
Equ(12.78)
n =
Si lon dcompose (12.78) selon les frquences paires et impaires en remplaant par 2 ,
on obtient :
+
2
( 2 + 2n ) +
2
( 2 + 2n + 1 ) = 1
n =
n =
+
2
h ( )
2
2
( + n ) + h ( + 1 2 )
2
( + n ) = 2
n =
n =
Equ(12.79)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
162
dchelle :
1
t
------- --- =
2 2
g [ n ] ( t n )
Equ(12.80)
n =
Equ(12.81)
Afin dallger les notations, lquation (12.81) utilise une normalisation en frquence. Pour
tre plus concis, il faudrait crire :
g ( ) = e
e
h + -----
2i 0 *
Equ(12.82)
*
Le terme exponentiel exprime que le filtre miroir conjugu g ( ) = h + ----e- est un filtre
2
rel qui introduit un retard 0 .
g et h sont 2 filtres miroirs conjugus.
Dans lespace temporel :
j
1 t 2 n
j, n ( t ) = -------- ---------------
j
j
2 2
Equ(12.83)
n1
h[ 1 n]
Equ(12.84)
in
= ( 1 ) .
ai + 1
ai + 2
di + 1
di + 2
ai
Equ(12.85)
d 1 [ n ] = a 0 *g [ 2n ]
Equ(12.86)
avec h [ n ] = h [ n ] et g [ n ] = g [ n ]
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
163
1
t
Les coefficients de h sont donnes par lquation dchelle ------- --- =
2
2
1
t
les coefficients de g sont donnes par londelette associe ------- --- =
2
2
h [ n ] ( t n ) et
n =
g [ n ] ( t n ) .
n =
En fait, il est plus facile de choisir une ondelette en fonction de lapplication. Les coefficients de g sont directement donns par la fonction dchelle associe londelette. Les coefficients de base peuvent tre calculs (Voir Exemple : Construction des ondelettes support
compact partir des quations de base, page 171.), ou encore extraits dune table de coefficients
pr-tabuls.
Connaissant h, il est trs facile de dterminer g en utilisant (12.84). Par exemple, londelette
6
D 6 coefficients (Daubechies) est telle que les coefficients de la fonction dchelle sont :
h = [ 0.2352 0.5706 0.3252 -0.0955 -0.0604 0.0249 ] = [ h 0, h 1, h n ]
On obtient ensuite, les sorties de g et h par les produits de convolution (12.85) et (12.86).
Pour reconstruire le signal on utilise larbre dont le principe est donn par la figure 12.21.
ai + 2
a
+ i+1
di + 2
di + 1
ai
C ( j, k )j, k ( t )
Equ(12.88)
j Zk Z
Dj
Equ(12.89)
kZ
C ( j, k )j, k ( t )
Equ(12.90)
kZ
TRAITEMENT DU SIGNAL
Master CMI
164
DJ = AJ 1 AJ
De (12.91) on tire facilement (12.92), en tenant compte que lapproximation la plus grossire est A n = 0 .
Dj
AJ =
Equ(12.92)
j>J
Dj + Dj puis laide
jJ
j>J
de (12.92) :
x =
Dj + AJ
Equ(12.93)
jJ
Cette relation spcifie que le signal x est la somme de son approximation A J et de tous les
dtails fins.
Lensemble de ces quations permettent danalyser et de synthtiser un signal.
n
x ( 0 )
E [ x ] = ------------------n
( 2i )
Equ(12.94)
( t ) dt
Daprs (12.94), il est ncessaire que x soit drivable, lordre j, au point dabscisse 0.
Si la fonction est localement drivable lordre j, elle peut tre approche par un polynme
de Taylor dont les coefficients sont de petites valeurs.
+
t ( t ) dt = 0 pour 0 j < p
j
Equ(12.95)
k gk
j
Equ(12.96)
= 0
k=0
TRAITEMENT DU SIGNAL
Master CMI
165
(n)
h --- + --- -- 2 2 2
2
Considrons les diffrentes drives de ( ) pour = 0 :
* 1
h --- ( 0 )
2
(k)
Equ(12.97)
= 0
*
A lordre 0, comme ( 0 ) = 1 , h ( 1 2 ) = 0 , par rcurrence on montre que le filtre h possde n zros en = 1 2 et daprs (12.81) : g possde galement n zros en = 0 . De mme le
filtre h a ses n premires drives nulles en = 1 2 .
En utilisant (4.24) :
[ h ( ) ]
(k)
[ h ( ) ]
(k)
[ ( 2in )
h( n ) e
2in
] = ( 2i )
[n
h(n) e
2in
(k)
in
n
comme [ h ( ) ] = 0 en = 1 2 et comme e
= ( 1 ) :
( 1 )
n h(n) = 0
Equ(12.98)
= e
= e
2 i
= e
1 n
quantit : ( 1 + z ) .
On peut alors crire h sous la forme :
h ( ) =
2i n
2i
1+e
2 ------------------------ Q n ( e
)
Equ(12.99)
o Q est un polynme trigonomtrique que lon peut encore crire sous la forme :
2i n
2i
h ( )
1+e
m 0 ( ) = ----------- = ------------------------ Q n ( e
)
2
2
Equ(12.100)
2
2
2
h ( )
Reprenons la condition de quadrature h ( ) + h ( + 1 2 ) = 2 et posons P ( ) = ----------------
pour allger les notations. On peut alors crire la nouvelle quation de quadrature :
1
P ( ) + P + --- = 1
Equ(12.101)
2i
) Qn ( e
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
2i
) = Qn ( e
2i 2
166
posons p ( sin ) = Q n ( e
alors p ( 1 y ) = Q n ( e
2i 2
et y = sin y [ 0, 1 ] et y R
2i ( + 1 2 ) 2
avec 1 y = cos
ni
m0 ( )
( cos )Q n ( e
2n
= ( cos ) Q n ( e
m0 ( + 1 2 ) = e
m0( + 1 2 )
2i
ni ( + 1 2 )
) et
2i 2
= (1 y) p(y)
( cos ( + 1 2 ) )Q n ( e
2n
2i ( + 1 2 )
Equ(12.102)
)
y p(1 y ) + ( 1 y ) p( y ) = 1
Equ(12.103)
La rsolution de (12.103) permet, pour une valeur n donne, de trouver les racines du polynme p(y). Connaissant les racines de p ( y ) = Q n ( e
Qn ( e
2i
2i 2
) et finalement celles de h ( ) .
( t ) ( t n ) dt = ( n )
Equ(12.104)
avec ( 0 ) = 1 et ( k ) = 0 pour k 0
A laide de (12.69) on obtient immdiatement :
+
(t) =
h [ k ] ( 2t k )
Equ(12.105)
k =
+
(t n ) =
h [ m ] ( 2 ( t n ) m )
Equ(12.106)
m =
dt = ( n )
h
[
k
]
(
2t
k
)
h
[
m
]
(
2
(
t
n
)
m
)
k =
m =
h[ k ]
k =
h [ m ]
m =
+
( 2t k ) ( 2t 2n m )dt
= ( n )
posons = 2t k
+
k =
h[k]
h [ m ]
m =
+
( ) ( + k 2n m ) d
= ( n )
( ) ( + k 2n m )dt = ( k + 2n + m )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
167
h[k]
k =
( h [ m ] ( 2n + m k ) ) = ( n )
Equ(12.107)
m =
h [ k ]h [ k 2n ] = ( n )
Equ(12.108)
k =
( t )dt = 1
Equ(12.109)
( t ) ( t n) dt = ( n )
Sommons les deux membres de cette quation :
( t ) ( t n )dt
( t ) n ( t n )dt
posons
( t n)
n
( ( n ) )
n
= 1
+
( ) d avec t n =
(t)
( ) d dt = 1
( t ) dt
( )d = 1
( u ) du
= 1 et finalement :
( u )du = 1
Dautre part, la rsolution de cette quation est galement un moyen de dterminer les coefficients de la fonction dchelle. En effet, trouver les fonctions h revient trouver les polynmes
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
168
Equ(12.110)
( 1 y ) q 1 ( y ) + y q2 ( y ) = 1
Equ(12.111)
y q 1 ( 1 y ) + ( 1 y ) q2 ( 1 y ) = 1
Equ(12.112)
q 1 ( y ) = ( 1 y ) ( 1 y q 2 ( y ) ) = ( 1 y ) ( 1 y q1 ( 1 y ) )
de faon
q1 =
Cn 1 + k y
k
+ (y )
Equ(12.113)
k=0
Bn =
Cn 1 + k y
k
Equ(12.114)
k=0
n1
Considrons B n =
Cn 1 + k y
k
k=0
sidrons (12.103) :
n
y Bn ( 1 y ) + ( 1 y ) Bn ( y ) = 1
Equ(12.115)
y ( p ( 1 y ) Bn ( 1 y ) ) + ( 1 y ) ( p ( y ) Bn ( y ) ) = 0
n
Equ(12.116)
n
et p ( 1 y ) B n ( 1 y ) = ( 1 y ) p ( 1 y ) ce qui implique que : p ( y ) + p ( 1 y ) = 0 et par
Equ(12.117)
D est un polynme impair choisi tel que P ( y ) 0 pour y [ 0, 1 ] . Les ondelettes support
compact de Daubechies sont engendres par lquation (12.115).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
169
12.8.8.2 Le polynme P
Lquation (12.115) permet daffirmer que le polynme :
n
P ( y) = ( 1 y ) Bn ( y )
Equ(12.118)
2i 2
m0( )
= ( cos ) Q n ( e
m0( )
2i 2
n
1 + cos2
= --------------------------- Q n ( e
) = (1 y) P(y)
= (1 y) p(y)
et
On remarquera que :
2
1 cos 2
y = sin = ---------------------------2
1 + cos 2
1 y = ---------------------------2
2
1 + cos 2 n
P ( y ) = ----------------------------
n1
k
1 cos 2 k
C n 1 + k ----------------------------
Equ(12.119)
k=0
Pour exprimer P(z) il est ncessaire doprer un nouveau changement de variable, en notant
que :
2i
2 i
2i
2 i
1+z
1+e
1+z
1 + cos 2
1+e
---------------------------- = ---------------------- ------------------------ = ----------- ---------------- et
2 2
2
2
2
1
1e
1z
1 cos 2
1e
1z
---------------------------- = --------------------- ------------------------ = ----------- ----------------
2 2
2
2
2
1+z n 1+z
P ( z ) = ----------- ----------------
2 2
n1
1 k
k
1z
1z
C n 1 + k ----------- ----------------
2 2
Equ(12.120)
k=0
n
ak z
k = n
1 n
1+z
1+z
2n racines, en z=-1, proviennent du produit ----------- ---------------- et (2n-2) racines viennent
2
2
du terme binomial.
P(z) et P(y) sont relis par le changement de variables :
1
z+z
---------------- = 1 2y = c j
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
170
Equ(12.121)
DE LA TRANSFORME DE FOURIER VERS
LA TRANSFORME EN ONDELETTES
z = 1 2y j ( 1 2y j ) 1 = c j c j 1
{z, z , z , z
2i 2
1 *
} et de doublets rels { r, r } .
Qn ( z )
(z zi)(z
1
zi )( z
zi ) ( z
1
zi )
i=1
( z rj ) ( z rj
j=1
et
K
m0 ( z ) = c ( z zi ) ( z
1
zi )
i=1
( z rj )
j=1
1+z
1+z
P ( z ) = ----------- ----------------
2 2
-
C1 + k ---------2
1z
1 k
1z
----------------
2
k=0
Cherchons les racines de P(z). Lutilisation dun logiciel de rsolution tel que Maple facilite le calcul. On trouve facilement que les racines de P(z) sont { 1, 1, 1, 1, 2 3, 2 + 3 }
2
1 2
1+z
1+z
Les quatre premires racines sont celles de ----------- ---------------- et les deux dernires racines sont
2
2
celles de B 2 ( z ) .
Les racines de m 0 ( z ) sont un sous-ensemble de celle de P(z). Il faut donc choisir deux racines parmi celles du premier terme et une racine parmi les deux du deuxime terme.
Le choix des racines les plus petites { 1, 1, 2 3 } conduit avoir la phase minimale pour
m 0 ( z ) qui peut scrire de la faon suivante :
1 2
et comme h ( z ) =
2 m 0 ( z ) alors :
1 2
TRAITEMENT DU SIGNAL
Master CMI
171
h(z) = B[1 + 3 z
+ ( 3 + 2 3 )z
+ ( 2 + 3 )z ] .
Normalisons cette quation de faon que la somme des coefficients soit gale 2 .
B(1 + 3 3 + 2 3 2 + 3) =
2
1
B = ------------------------ = ---------- ( 1 + 3 ) et finalement :
4( 3 1 )
4 2
1
2
3
1
h ( z ) = ---------- [ ( 1 + 3 ) + ( 3 + 3 )z + ( 3 3 )z + ( 1 3 )z ]
4 2
hk hk 2 n
= n avec
0m = 1 si n = 0
0 sinon
h0 h2 + h1 h3 = 0
( 1 )
k n
k h k = 0 pour n = 0 ( M 1 ) = 0, 1
k=0
h0 h1 + h2 h3 = 0
Equ(12.123)
h 1 + 2h 2 3h 3 = 0
Equ(12.124)
3- Une condition de normalisation sur les coefficients de la fonction dchelle permet dobtenir une quatrime quation :
hk
2 alors :
h 0 + h 1 + h 2 + h3 =
Equ(12.125)
Les quations (12.122), (12.123), (12.124) et (12.125) forment un systme et un jeu de solutions est donn par :
(1 + 3)
3+ 3
(3 3 )
(1 3)
h 0 = --------------------- , h 1 = ---------------- , h 2 = --------------------- et h 3 = --------------------- .
4 2
4 2
4 2
4 2
4
TRAITEMENT DU SIGNAL
Master CMI
172
M=2
0.107985
Ondelette
scl
wlt
j
Fonction dchelle
0.085043
0
3
1.279.10
h[ k ]
= 1 et la norme :
1
[ k ] = ------2
hk
2 et
[k] = 1 .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
173
h[ n]
Ordre
h[ n]
0.5000
0.5000
12
0.3415
0.5915
0.1585
-0.0915
0.0789
0.3498
0.5311
0.2229
-0.1600
-0.0918
0.0689
0.0195
-0.0223
0.0004
0.0034
-0.0008
14
0.0550
0.2804
0.5156
0.3322
-0.1018
-0.1584
0.0504
0.0570
-0.0269
-0.0117
0.0089
0.0003
-0.0013
0.0003
16
0.0385
0.2212
0.4777
0.4139
-0.0112
-0.2008
0.0003
0.0910
-0.0123
-0.0312
0.0099
0.0062
-0.0034
-0.0003
0.0005
-0.0001
Ordre
D
D
0.2352
0.5706
0.3252
-0.0955
-0.0604
0.0249
0.1629
0.5055
0.4461
-0.0198
-0.1323
0.0218
0.0233
-0.0075
10
0.1132
0.4270
0.5122
0.0979
-0.1713
-0.0228
0.0549
-0.0044
-0.0089
0.0024
12.8.10. Exemple
Considrons un signal sinusodal x ( n ) = sin ( 40n ) de frquence 20Hz. Dcomposons ce
4
signal avec une ondelette de Daubechies ( D ). La figure 12.23 montre quau premier niveau de
dcomposition le dtail est proche de zro. Dans ce cas, il nest pas intressant de pousser plus
loin la dcomposition.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
174
Original
1
0.5
0
-0.5
-1
0
1000
2000
3000
4000
-3
Approximation A1
2
Dtail D1
x 10
0
-5
-1
-2
0
1000
2000
3000
4000
-10
0
1000
2000
3000
4000
12.8.11. Exemple 3
Les ondelettes sont bien adaptes au dbruitage des signaux. Le principe est simple, on dcompose le signal bruit et lon force zro les coefficients qui ne passent pas un seuil. Puis lon
reconstruit le signal.
La figure 12.25 illustre ce principe. Le signal dorigine est une sinusode bruite. Le signal
est dcompos par ondelettes (Coiflet3) lordre 4. Les coefficients dordre 1, 3 et 4 sont forcs
zro. Puis le signal est reconstruit.
La figure 12.26 montre le mme signal mais les coefficients dordre 3 et 4 sont forcs zro. Les coefficients dordre 1 dont lindice est compris entre 400 et 600 sont galement forcs
zro. Le signal est ensuite reconstruit, dbruit dans la zone dintrt. La figure 12.24 montre
larbre de dcomposition lordre 4. Il faut noter que le dbruitage dune sinusode est relativement simple, on a vu dans lexemple 12.8.10. que les dtails dune sinusode sont nuls. Cest pourquoi, la technique dannuler brutalement les coefficients fonctionne bien.
Le mme type de technique est utilis en compression du signal (ou dimage). Par exemple,
le jeu de coefficients [ A4,D4,D3,D2,D1 ] permet de reconstruire lidentique le signal. Sur la figure
12.25, on peut remarquer que D2 vhicule trs peu dinformation. Il est intressant, dans ce cas,
de supprimer D2. ( [ A4,D4,D3,D1 ] ) permet de reconstruire le signal sans perte notable dinformation. En compression dimage, on peut rduire, dune faon apprciable, la taille des objets au prix
dune lgre perte de rsolution.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
175
Signal
D1
A1
A2
D2
A3
coefficients
D3
A4 D4 D3
A4
D2
D1
D4
Signal d origine
dtails d origine
4 3
-2
-2
-4
0
500
1000
-4
0
dtails modifis
1
500
1000
Signal reconstruit
-1
0
-2
-1
-3
-4
0
500
1000
-2
0
500
1000
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
176
Signal d origine
dtails d origine
-2
-2
-4
0
500
1000
-4
0
dtails modifis
500
1000
Signal reconstruit
2
1
0
-2
-4
0
-1
500
1000
-2
0
500
1000
12.8.12. Exemple 4
Cet exemple est ralis sous MatLab et titre indicatif les fonctions utilises sont indiques
en renvoi.
On considre un signal dont la priode est assez grande
sin ( 22 t ) sin ( 35 t ) cos ( t )
t
y ( t ) = ------------------------ ------------------------ --------------- + t sin --- . y ( t ) est entach dun bruit blanc1 (figure 12.27)
3
3
5
t+1
TRAITEMENT DU SIGNAL
Master CMI
177
3.
4.
1.
2.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
178
13. LE BRUIT
Les signaux sont transmis ou traits par des voies qui les altrent. Tout ce qui modifie le
signal utile peut tre considr comme du bruit.
De nombreuses sources de bruit ont un caractre alatoire, cest pourquoi ces phnomnes
sont tudis par des mthodes statistiques. La figure 13.1 montre un bruit blanc gaussien et lhistogramme correspondant.
q
2
Avec par exemple : kq --- x n kq + --Le pas de quantification q peut tre dfini par rapport la valeur Amax du signal et par rapport au nombre de bits N du codeur (figure 13.2) :
Amax
q = -------------N
2
Equ(13.1)
y (code quivalent)
2q
q
q/2 3q/2 5q/2
x (en entre)
Niveaux de dcision
TRAITEMENT DU SIGNAL
Master CMI
178
LE BRUIT
n est une variable alatoire de moyenne nulle E ( n ) = 0 obissant une loi de probabilit
uniforme1 :
1
--p ( u ) = q
n
0
q
q
si --- u < --2
2
sinon
+q 2
q 2
2
q
u du = -----12
Equ(13.2)
Ceci correspond la puissance du bruit de quantification (On suppose le processus ergodique, la moyenne quadratique est quivalente une puissance).
Equ(13.3)
q
4A
1
A
P B = ------ = --------- ------ = -----------------2N 12
2N
12
2
32
A
P s = -----2
P
S
2N
3
donc : --- = -----s- = --- 2
B
PB
2N
3
--S-
= 10 log --- 2
B dB
2
--S-
= 6N + 1, 8
B dB
Equ(13.4)
TRAITEMENT DU SIGNAL
Master CMI
179
LE BRUIT
max
max
k max
k 2 max
Equ(13.5)
Pour un rapport signal bruit donn, le surchantillonnage amliore le nombre de bits ef10
fectifs de la quantit : ------ log 10 ( k ) .
6
Amlioration (S/B) en dB
0.5
1.5
16
12
32
15
2.5
64
18
TRAITEMENT DU SIGNAL
Master CMI
180
LE BRUIT
2
A
s = -----9
2
S
A
2A
1
--- = ------ --------------- avec : q = ------N
B
9 q 2 12
2
2N
S
2
--- = --------B
3
finalement :
--S-
= 6N 5, 6
B dB
Equ(13.6)
6
3
2A
A
P s = -----9
A = 3 Ps
3 Ps
P
M = 1 + ------------- = 1 + -----sPb
3 Pb
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
181
LE BRUIT
( bits s )
Equ(13.7)
Formule de Shannon :
Ps
C = Blog 2 1 + ------
P b
( bits s )
Equ(13.8)
W Hz
34
Equ(13.9)
Js
23
Equ(13.10)
P th = kTB
th ( )
kT
-----2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
182
LE BRUIT
sion (figure 13.6). La puissance dissipe par cette rsistance sous une tension u0 est :
2
P th
u0
= --------R
( W ) ou
u
P th = ------4R
(W)
u = 4kTRB
(V )
Equ(13.12)
et :
u ( ) = 2kTR
R
u
u0
(A )
Equ(13.13)
i0
u =
u ( ) d = 2
u ( ) d = 4kT
0 R( ) d
avec : u ( ) = 2kTR ( )
Remarque : La distribution statistique du bruit thermique est gaussienne.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
183
LE BRUIT
1
R
R ( 1 iRC2 )
Z ( ) = -------------------------------------- = ----------------------------- = -------------------------------------2
iC2 + ( 1 R )
1 + iRC2
1 + ( 2RC )
R( c )
R
Z ( ) = ----------------------------- i ----------------------------2
2
1 + ( c )
1 + ( c )
c = 1 ( 2RC ) est la frquence de coupure -3dB
u = 4kTR
1
kT
----------------------------- d = -----2
C
1 + ( c )
KTR
+ c
( RC )
RC
RC
TRAITEMENT DU SIGNAL
Master CMI
184
LE BRUIT
B eq = ----------- = --- c
4RC
2
Equ(13.14)
Dune manire plus gnrale, la notion de bande quivalente de bruit permet de calculer
simplement la puissance du bruit filtr.
Considrons un systme linaire de gain G ( ) .
G()
i ( )
s ( )
B e c
++B
c e
b =
s ( )d =
G ( 0 ) i ( ) 2B e
Equ(13.15)
s ( ) = G ( ) i ( ) :
1
B e = --------------------2
2 G(0)
2
1
G ( ) d = -----------------2
G(0)
G ( ) d
Equ(13.16)
N0
i ( ) = ------- et B e = --- c :
2
2
2
2 N0
2
b = G ( 0 ) ------- 2B e = G ( 0 ) N0 --- c
2
2
Equ(13.17)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
185
LE BRUIT
1
= -----------------------2
2
1 + c
Equ(13.18)
1
b = G ( 0 ) N0 --- --------------- = G ( 0 ) ----------4RC
2 2RC
en posant 0 = 1 ( LC ) et Q = R ( L 0 ) = RC 0
R
R
Z ( ) = ----------------------------------------- = --------------------------------------
Q 0
Q 0
1 + ---- ----- + iQ ----1 + ---- ------ + iQ -----0
0
i
i
1
Z ( ) = -------------------------------------- 0
1 + iQ ----- -----
0
Equ(13.19)
1
( Z ( ) ) = -----------------------------------------0 2
2
1 + Q ----- -----
0
Equ(13.20)
Equ(13.21)
R
L
C
Figure 13.13 : Circuit RLC
1
= ------------------------ 2n
1 + -----
c
Equ(13.22)
Be =
1
-------------------------------- d .
2n
1 + ( c )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
186
LE BRUIT
Il est possible dvaluer simplement cette intgrale en utilisant la thorie des fonctions eulrienne1.
I =
1
I = --n
n
1
------------------- dx , en posant : x =
n
1 + (x)
1
--- 1
+ n
-----------d
1+
+ p 1
comme : ( p ) ( 1 p ) =
-----------d = -------------sin p
1+
On trouve facilement :
c
B e = --------------------
2n sin -----2n
Equ(13.23)
c
Pour n = 1 , on retrouve bien B e = --------
i ( t ti )
h ( t ti ) .
i
TRAITEMENT DU SIGNAL
Master CMI
187
LE BRUIT
E[x(t )] =
d
d
E [ N ( t ) ] = t =
dt
dt
E [ X ( t 1 ) X ( t 2 ) ] = t 1 t 2 + min ( t 1, t 2 )
R (t , t )
t 1 t 2 N 1 2
R x ( t 1, t 2 ) =
R x ( ) = + ( )
Equ(13.24)
E[y(t )] =
h( u)E [ x ( t u ) ] du
Le processus tant stationnaire : E [ x ( t u ) ] = E [ x ( t ) ] =
do :
+
E[ y( t ) ] =
h ( u ) du
Equ(13.25)
Et laide de (5.4) :
E[ y( t )] = G(0 )
Equ(13.26)
Remarque : lquation 13.25 peut sappliquer tous les processus stationnaires au sens
large ( E [ x ( t u ) ] = E [ x ( t ) ] = ).
De mme, lordre 2 (uniquement pour un processus de Poisson) :
2
[ y( t) ] =
h ( u )
du
Equ(13.27)
13.7.1.1 Dmonstration
2
R x ( ) = + ( )
R x ( ) x ( ) (transforme de Fourier)
2
x ( ) = ( ) +
comme : y ( ) = x ( ) G ( )
2
y ( ) = ( ( ) + ) G ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
188
LE BRUIT
y ( ) = G ( 0 ) ( ) + G ( )
Equ(13.28)
R y ( ) = G ( 0 ) + h ( ) * h ( ) = G ( 0 ) +
h ( )h ( ) d
Ry( 0) = E[ y ] = E[y ] +
h ( )
d
2
y =
(daprs (7.55)).
h ( ) d
k =
Campbell :
n = a
[ F ( t ) ] dt
n
Equ(13.29)
avec :
la frquence moyenne darrive des impulsions par seconde
n le moment dordre n.
i(t) =
k =
e ( t t k )
19
Equ(13.30)
C
R i ( ) = [ + ( ) ]e = ( e ) + e ( )
e = I 0 = courant moyen
2
R i ( ) = I 0 + eI 0 ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
189
LE BRUIT
eI 0
2
i ( ) = I 0 ( )
distribution spectrale
de la composante
de grenaille
continue
2
i = 2
0 eI0 d = 2eI0 B
do :
2
i = 2eI 0 B
Equ(13.31)
i( )
2
I 0 ( )
eI 0
B
0<<2
Equ(13.32)
13.9. Exemples
13.9.1. Bruit thermique
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
190
LE BRUIT
20
v = v = 16 10
18
V Hz
v = 4nV Hz (RMS)
19
i = i = 2qI d B = 2 1, 6 10
16 2
10 10 = 3, 2 10
i = 18nA (RMS)
Eg
Rg
Vs
E
4kTR g B
Se
g
Le rapport signal bruit en entre est dans ce cas : ------ = ------------------Be
Bs
Le rapport signal bruit en sortie est gal au rapport signal bruit en entre.
Le quadriple ntant pas parfait, il gnre du bruit par le biais de ses composants (rsistances, transistors, etc.).
Par consquent :
Se Ss
------ > -----Be Bs
On peut crire que le bruit en sortie du quadriple est la somme de deux termes : le bruit
dun quadriple parfait auquel sajoute le bruit intrinsque au quadriple :
Bs = GBe + Bq
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
191
LE BRUIT
Equ(13.33)
comme :
Bs = GBe + Bq
Bq = Bs GBe = FGBe GBe
Bq = ( F 1 ) GBe
Equ(13.34)
F 2, G 2
F 1, G 1
Q2
Q1
Equ(13.35)
En gnralisant n quadriples :
( F2 1 ) ( F3 1 )
( Fn 1 )
F = F 1 + -------------------- + -------------------- + + ----------------------------------G1
G1 G2
G 1 G 2 G n 1
Equ(13.36)
Remarque : Il est important de noter que seuls les bruits des premiers tages sont significatifs.
Si le gain G 1 du premier tage est important, on peut gnralement ngliger les bruits des
autres tages. Dans ce cas, il suffit uniquement doptimiser les caractristiques en bruit du preP. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
192
LE BRUIT
mier tage.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
193
LE BRUIT
y(t)
y( t) =
x ( u )h ( t u )du
Equ(14.1)
y(t) =
x ( t u )w( u ) du
Equ(14.2)
w(t)
h(t)
Tm
en
Vers mesure
CT
IN1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
193
Pour des raisons de commodit, il est plus simple de remplacer la source de bruit en tension
e n (source srie) par une source de bruit en courant I N2 quivalente (figure 14.4).
I N2 = C T e 0 d ( t ) = C T e 0 ' ( t )
dt
Equ(14.3)
Vers mesure
Dtecteur
CT
I N2
IN1
k =
a k F ( t t k ) alors : n = a
[ F ( t ) ] dt
n
avec :
la frquence moyenne darrive des impulsions par seconde
n le moment dordre n.
Si q est lamplitude du bruit et n le nombre de coups par seconde :
2
p = nq
h ( u ) du = nq
w ( u )du
2
h ( u ) du =
p = 2nq
G ( ) d = 2
x ( t ) dt =
x ( ) d
G ( ) d
G ( ) d
2
Pour le bruit parallle : p = -----p-
Np
2
h ( t ) dt = -----2
2
De mme pour le bruit srie : s = ------s
w ( t )dt
2
Ns
2
h' ( t ) dt = -----2
w' ( t )dt
2
avec Ns = C T Nse
i
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
194
Pour pouvoir sommer les bruits, il est ncessaire davoir des units cohrentes. Par
2
Np
2
p = -----2
Ns
2
s = -----2
2
A
-------- S = C
1
S
1
2
C
-------- S = C
1
S
h ( t ) dt
Equ(14.4)
h' ( t ) dt
Equ(14.5)
Dans ce cas, lintgrale de (14.4) est proportionnelle un temps [S] alors que lintgrale de
(14.5) est proportionnelle un linverse dun temps [S-1] (voir (14.13) et (14.14) pour la dmonstration).
2
Ns
2
[ w ( ) ] d + -----2
1 [ w' ( ) ] d
2
Equ(14.6)
a 1
Equ(14.7)
Lquation 14.7 ne tient pas compte du bruit en 1/f. Si lon considre que la densit spectrale
2
e
du bruit en 1/f est : ----- = -----f
de
dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
195
Np
N s a 1 1 2
2
T = ------ a 2 f + ------ -------- + --- c T A f a 3
2
2 f 2
Equ(14.8)
T est domine soit par le bruit srie, soit par le bruit parallle.
2
10000
5000
2000
1000
bruit en 1/f
500
200
co
100
0.01
0.1
n
u ra
e
td
uit
br
ten
sio
nd
eb
ru
it
1
10
100
Constante de temps de filtrage (s)
Figure 14.5 : T
Le bruit parallle correspond aux grandes valeurs de f alors que le bruit srie correspond
aux faibles valeurs de f .
2
N s a 1
-----------------N p a 2
Equ(14.9)
En tenant compte de (14.9), lquation 14.7 peut se mettre sous la forme suivante :
f c
1
2
T = --- N p N s a 1 a 2 ---- + ---2
c f
Equ(14.10)
T
A
= Np
w( )
w ( ) d + N s
A
1 w' ( ) Aw' ( )d = 0
w ( ) = 0 pour = 1 et = 2
A
comme w ( ) = w0 ( ) + A f ( )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
196
w( ) = f( )
A
2
T
A
= Np
w 0 ( ) f ( ) d + N s
1 w'0 ( ) f' ( ) d = 0
T
A
1 [ Np w0 ( ) Ns w''0 ( ) ] f ( ) d = 0
2
Pour que
T
A
= 0 il suffit que f ( ) :
[ N p w 0 ( ) N s w'' 0 ( ) ] = 0
Une des solutions de cette quation diffrentielle du deuxime ordre donne la fonction de
2
avec : c =
+Be
+ c
Equ(14.11)
N
-----sNp
Si w 0 ( 1 ) = 0 et w 0 ( 2 ) = 1 alors :
1 c
1 c
e
e
A = --------------------------------------------------------- et B = --------------------------------------------------------2 sinh [ ( 2 1 ) c ]
2 sinh [ ( 2 1 ) c ]
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
197
FWHM
lcart type du bruit en sortie b = ------------------- ,
2, 35
ADC
Analyseur multicanaux
FWHM
b = ------------------2, 35
0,5
FWHM
Vx
2
V
S
x
--- = -----x- = -------------2
2
B
b
ENX
2
b
x b
2
ENX = ---------------- = -----2
2
Vx
G
+
ENX =
2
b
-----2
( 1 2 )N x
h ( t ) dt
2
Equ(14.12)
= -------------------------------------------------2
G
peut ensuite transformer x afin dobtenir la grandeur dsire. Par exemple, un chelon de tension
x dans un condensateur C permet de transfrer une charge connue q = C x .
La sortie du systme sera h i ( t ) . Dans le cas, o i ( t ) nest pas un Dirac de courant, la sortie
sera : s ( t ) = i ( t ) * h i ( t )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
198
ENC = ---------------------2
[ hi ( tm ) ]
[ As ]
Ns
2
[ h s ( ) ] d + -----2
1 [ h's ( ) ] d avec :
2
h()
h' ( )
h s ( ) = ---------------- et h' s ( ) = ----------------hi ( m )
h' i ( m )
1
2
[ w ( ) ] d = f
1 [ w( u ) ] du = a2 f
2
1
[ w' ( ) ] d = ---f
Equ(14.13)
a 1
2
[ w' ( u ) ] du = -------f
Equ(14.14)
Empilement
Signaux spars
4
t
impulsionnelle de la forme : h ( t ) = k e
.
Appliquons (13.27) pour calculer la variance de ce bruit :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
199
p =
k e
u 2
du
2
2
k
p = --------
2
Equ(14.15)
k
Le terme -------- est un terme li la physique qui est dpendant du taux dvnements et de
2
la constante de temps des impulsions (des impulsions larges subiront plus lempilement que des
troites).
Lquation (14.7) peut tre complte en tenant compte de lempilement :
Np
N s a 1 k 2
2
T = ------ a 2 f + ------ -------- + --------
2
2 f
2
Equ(14.16)
w' ( u )
a 2 = 2
2
2
u du = --- et a 1 = 2
3
0 du = 2
Np
Ns 1
Ns
2
2 Np
ENC = --- ------ f + 2 ------ ---- = ------ f + -----3 2
2 f
3
f
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
200
w'' ( u ) = 4
w'' ( u ) = 4
14.6.1. Calcul de I
2
I' =
0 [ w' ( u ) ] du
2
dans : [0,1 2]
w' ( u ) = 4u
dans : [1 2,1]
w' ( u ) = 4u + 4
12
0 [ w' ( u ) ] du = 4 0
2
u
16u du = 64 ----3
2
12
8
= --3
14.6.2. Calcul de I
2
I =
0 [ w( u ) ] du
2
dans : [0,1 2]
w( u) =
dans : [1 2,1]
w( u) =
0
2
[ w ( u ) ] du = 2
[ w ( u ) ] du = 2
12
12
12
4u du = 2u
12
( 4 u + 4 ) du = 2 u + 4u 1 = 1 2 ( u 1 )
1
2 2
( 2u ) du +
4u du +
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
1 2 ( 1 2( u 1 ) ) du
2 2
1 2 ( 1 2x ) dx
2 2
avec x = u 1
201
4 5
[ w ( u ) ] du = 2 --- u
5
0
2
12
12
+4
x x x
1
1--- + x 4 x 2 dx = 2 ----------- + 4 --- + ----- -----
4 5 3
4
85
12
0
23
= -----30
8
23
a 1 = --- et a 2 = -----3
30
2
23 N p
8 Ns 1
4 Ns
23
ENC = ------ ------ f + --- ------ ---- = ------ N p f + --- -----30 2
3 2 f
3 f
60
R
R
G1 ( )
G2( )
R
iRC2
G 1 ( ) = -------------------------- = ----------------------------1
1 + iRC2
R + ---------------2iC
1
G 2 ( ) = ----------------------------1 + iRC2
G2 ( )
( RC2 )
= ----------------------------------2
1 + ( RC2 )
1
= ----------------------------------2
1 + ( RC2 )
2iRC
G ( ) = G 1 ( ) G 2 ( ) = ------------------------------------2
( 1 + 2iRC )
La figure 14.11 reprsente lallure des rponses en frquence des filtres passe-bas, passehaut et du filtre rsultant de la cascade des deux prcdents.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
202
h(t) =
-e
2
-----------------------------------( 1 + 2iRC )
2iRC
2it
2izt
z
d en posant : f ( z ) = ----------------- e
2iRC
f(z)
i
i
et g ( z ) = z --------------- on considre la fonction ---------- qui possde un ple double pour z = --------------g( z)
2RC
2RC
alors :
2
f(z)
i
Rs [---------- ,---------------] =
g ( z ) 2RC
lim
i dz
z --------------2RC
[ f( z) ]
e
t
On trouve finalement : h ( t ) = ------------ 1 -
t t
la rponse lchelon unit est : u ( t ) = -- e
avec : = RC
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
203
14.7.1. Calcul de I
+
[ w( u ) ] du
I =
+
[ w ( u ) ] du =
2 2u
u e
1
t
du = --- avec : -- = u
4
14.7.2. Calcul de I
+
I' =
+
[ w'( u ) ] du
2
[ w' ( u ) ] du =
2u
2
1
( 1 u ) du = --4
1
1
do : a 1 = --- et a2 = --- .
4
2
1
1 Np
1 Ns 1
1 Ns
ENC = --- ------ f + --- ------ ---- = --- N f + --- -----8 p
4 2
4 2 f
8 f
A() = e
Equ(14.17)
Ce filtre thorique nest pas ralisable (le gain a une variation trop rapide avec la frquence).
Une approximation raliste du filtre gaussien est obtenue en connectant un circuit drivateur (CR) n circuits intgrateurs (RC).
Le gain dun tel filtre est donn par lquation 14.18 :
K
G ( ) = ----------------------------------n
( 1 + 2RC )
Equ(14.18)
Equ(14.19)
On notera que plus n augmente et plus h(t) se symtrise et tend vers une courbe gaussienne.
La figure 14.13 montre les allures de h(t) pour n variant de 1 5.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
204
Equ(14.20)
On montre que la caractristique damplitude de G ( ) tend vers une gaussienne, en consquence la rponse impulsionnelle h(t) tend galement vers une gaussienne.
1
G n ( ) = A n ( ) = -----------------------------------------------2 n2
[ 1 + ( 2RC ) ]
Si lon considre que c est la frquence de coupure 3 dB, cest dire que lamplitude est
attnue dun facteur gal 2 :
1
1
------- = -----------------------------------------------2 n2
2
[ 1 + ( 2RC ) ]
12
1n
1
RC = ------------ ( 2
1)
2 c
(2
1n
1
1 ) --- ln 2
n
1
ln 2
RC = ------------ -------2 c n
1
G n ( ) = ------------------------------------- ln 2 n
1 + i ----- -------c n
1
1
A n ( ) = -------------------------------------- = ----------------------------------------------------------2
n2
2
ln 2
ln 2
2
c n ----2- ------1 + ----- ------------ -------- c 2
2 n
2
ln
2
c
2
ln 2
1 + ----- -------2
n
c
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
205
et finalement : lim A n ( ) = e
ln 2
-------- -------2
c 2
soit de 3 dB :
2
k c
1-----= e
2
1 ln 2
k = ----- -------2
c 2
2
A() = e
ln 2
-------- -------2
2
c
p0
posons : H ( i ) H ( i ) = F ( )
2
H0
H ( i ) H ( i ) = --------------------------------------- = F ( )
Q ( i ) Q ( i )
2
H0
Q ( i ) Q ( i ) = -----------------2
F()
2
soit : f ( t ) = a 0 e
t
--------22
F ( ) = a 0 2 e
1
avec : a 0 = ------------- 2
1 2 2
---
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
206
1 H0 2 2 2
Q ( i ) Q ( i ) = ------ --------- e
2 a 0
1 H0 2 2 p 2
Q ( p ) Q ( p ) = ------ --------- e
2 a 0
En normalisant : Q ( k ) Q ( k ) = e
e
avec : k = p
2 m
k
= lim 1 -----
m
m
2 m
k
Q ( k ) Q ( k ) = 1 -----
m
k m
Q ( k ) = 1 --------
Q ( p ) = ( 1 + 0 p )
Equ(14.21)
G()
Cf
Dtecteur
Filtre
CT
I N1 , i
NO
vers conversion
Amplificateur de charges
Figure 14.15 : La chane, dtecteur, amplificateur et filtre
On suppose que lon utilise la chane de mesure de la figure 14.15.
Lquation 14.3 permet de transformer la tension efficace de bruit e 0 en un courant de bruit
quivalent.
I N2 ( t ) = C T e 0 ' ( t )
Equ(14.22)
TRAITEMENT DU SIGNAL
Master CMI
207
I N2 ( ) = C T e 0 TF [ ' ( t ) ]
2 2 2 2
2 2 2
= 4 C T e 0 = C T e 0
Equ(14.23)
2
d x = ( ) d
( )d et
Equ(14.24)
2 2
2 2
dI N2 i N2 = C T de 0 = C T e ( ) d
e ( ) est la densit spectrale de la tension de bruit e 0 .
2
De mme di N1 i N1 = i ( ) d
Comme les courants de bruit se somment en moyenne quadratique :
2 2
i N = [ i ( ) + C T e ( ) ] d = N ( ) d et en identifiant :
2 2
N ( ) = i ( ) + CT e ( )
Equ(14.25)
Supposons, que la tension de bruit e 0 soit compose de deux sources de bruits de densit spectrales
diffrentes. Par exemple, une source de bruit de densit spectrale u ( ) = 2kTR ( ) et une source de
bruit en 1 f dont la densit spectrale est A f .
Af
2 2
N ( ) = i ( ) + C T u ( ) + ----
2A f
2 2
N ( ) = i ( ) + C T u ( ) + -----------
[ A Hz ]
= 1 ( Cf )
Soit NO ( ) = N ( ) G ( )
(daprs (8.13)).
2 2
i ( ) CT
2A f
NO ( ) = ------------- + -------------- u ( ) + -----------2 2
2 2
Cf
Cf
2
i ( ) CT
2A f
NO ( ) = ------------- + ------ u ( ) + -----------2 2
2
Cf
Cf
2
CT
C T 2A f i ( )
NO ( ) = ------ u ( ) + ------ ------------ + ------------2
2
2 2
Cf
Cf
Cf
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
[ V Hz ]
208
Equ(14.26)
1
Le premier terme de (14.26) correspond au bruit srie, le second au bruit en --- et le dernier
f
au bruit parallle. Si lon suppose que la densit spectrale du bruit srie est constante avec la frquence (une rsistance par exemple) on peut mettre NO ( ) sous la forme :
2
2 b
c
NO ( ) = a + ----- + ----- 2
Equ(14.27)
avec :
2
CT
2
a = ------ u ( ) (bruit srie)
2
Cf
2
CT
2
b = 2A f ------ (bruit en 1/f)
2
Cf
i ( )
2
c = ------------- (bruit parallle)
2
Cf
Par exemple :
u ( ) = 2kTR pour le bruit thermique et
i ( ) = qI d pour le bruit Schottky.
Pour calculer la puissance du bruit en sortie du filtre de gain G f ( ) , appliquons de nouveau
(8.13) puis (8.20) :
s ( ) = NO ( ) G f ( )
Pf = f =
s ( ) d =
NO( ) Gf ( )
+
Pf = f =
2
2
b
c
a + ---------- + ----------------- G f ( ) d
2 ( 2 ) 2
Equ(14.28)
En dveloppant (14.28), et par un changement de variable (pour rendre sans dimensions les
intgrales), on peut faire apparatre une constante de temps de filtrage :
f =
+
[ a ] G f ( ) d +
2 +
2
2
a
[ a ] G f ( ) d = ----
2
c
----------------- G f ( ) d
2
( 2 )
2
a
G f ( ) d = ----- I a
2 +
2
b
b
---------- G f ( ) d( ) = -----2
2
2
b
---------- G f ( ) d( ) +
2
Gf ( )
2
------------------ d( ) = b Ib
TRAITEMENT DU SIGNAL
Master CMI
209
c
2
c
----------------- G f ( ) d = -------------2
2
( 2 )
( 2 )
Gf( )
2
------------------ d = c I c
2
( )
avec :
+
Ia =
Ib =
Ic =
G f ( )
--------------------- d intgrale pour le bruit en 1/f
2
G f ( )
--------------------- d intgrale pour le bruit parallle.
2
( 2 )
a
2
2
2
P f = f = ----- I a + b I b + c I c
Equ(14.29)
Cette relation est tout fait comparable lquation 14.8 tablie dans le domaine temporelle, ce qui prouve bien que les 2 mthodes sont quivalentes.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
210
C
E
Vb
[A V ]
Equ(15.1)
Dautre part, dans la jonction Base Emetteur, le courant varie en fonction de la tension selon
une loi exponentielle :
i e i0 e
v be q
-------------KT
KT i
v be ------- ln ---eq i0
dv be KT 1
----------- ------- ---q ie
di e
Comme i e i c :
di c
q
g m = ----------- = ------- i c
dv be
KT
Equ(15.2)
temprature ambiante :
ic
g m = -------------------3
26 10
[A V ]
Equ(15.3)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
211
rb
gmv1
cb v1
r0
r b = -----gm
()
Equ(15.4)
de sortie par le courant de sortie correspondant. Il est possible de spcifier r 0 par rapport g m :
VA
1
r 0 = ------ = -------------IC
gm
()
Equ(15.5)
KT
avec : = ---------- o V A est la tension de Early (figure 15.3) comprise entre 50 et 100 V.
qV A
dentre v i provoque une variation de charge q e au niveau des porteurs minoritaires et majoriq
(F)
Equ(15.6)
WB
Qe
f = ------ = ---------Ic
2D n
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
212
IC
VBE
pente=1/r0
VCE
V
rbb
v1
rc
c
rb
gmv1
cb
r0
ccs
Substrat
rex
E
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
213
c 0
c = -------------------VD
1 ------0
(F)
Equ(15.7)
(F)
Equ(15.8)
Exemple1 :
On considre le transistor NPN avec les paramtres suivants :
Ic=1mA,
VCB=5V,
VCS=10V
c 0 = 0, 5pF
c cs0 = 2pF
0 = 200
f = 0, 38ns
V A = 100V
r bb = 300
r c = 50
r ex = 2
r = 10 0 r 0
10
q
g m = ------- i c = -------------------- = 38, 4mA V
3
KT
26 10
38, 4 10
= 14, 6pF
r b = ------ = 200 26 = 5, 2K
gm
TRAITEMENT DU SIGNAL
Master CMI
214
VA
100
r 0 = ------ = ----------- = 100K
3
IC
10
r = 10 0 r 0 = 10 200 10 = 200M
vi
Quadriple
Bruyant
Rs
Rs
Quadriple
sans bruit
ii
vb
rbb
v1
rb
r0
cb
2
ib
gmv1
ic
vi
rbb
rb
ib
cb v1
gmv1 r0
Figure 15.7 : Modle du transistor sans bruit avec les sources de bruit ramenes en entre
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
215
ic
2
2
v i = v b + -----2
gm
2
v b = 4KTr bb' f
2
i c = 2qi c f
qi c
2
f
v i = 4KTr bb' f + 2qi c ------ et comme g m = ------- :
2
KT
gm
2
1
v i = 4KTf r bb' + ----------
2g m
(V )
Equ(15.9)
1
Le transistor bipolaire engendre une rsistance de bruit dynamique gale : ---------2g m
Cette quantit reprsente leffet de la source, de bruit impulsionnelle, engendre par le courant de collecteur et ramen lentre.
Remarque : Si lon considre que r bb 100 , lapproximation r bb' r b nest possible que
1
pour un courant collecteur faible. En effet, si i c = 2A , lquation 15.3 donne : ---------- = 6, 5K
2g m
1
alors que pour i c = 10mA , ---------- = 1, 3 .
2g m
valuons le courant de bruit vue de lentre du quadriple, en laissant les entres des deux
modles " ouvertes " :
Les grandeurs de bruit sont utilises en valeurs efficaces.
Le courant total de bruit en sortie du modle de la figure 15.6 est :
i T = gm v1 + ic
i T = i b + i c
Equ(15.10)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(15.11)
216
2
ii
2
ib
ic
+ ----2
Equ(15.12)
Equ(15.13)
2
1
i i = 2qi b f 1 + --- 2qi b f
i i = 2qi b f
Equ(15.14)
ic
2
KT g m
2KT
i i = 2q ---- f = 2q ------- ------ f = ----------- f
q
rb
2
2KT
i i = ----------- f
rb
(A )
Equ(15.15)
Equ(15.16)
i
2
Le terme -----c2 varie, en tenant compte de lquation 15.16, comme f pour f > f .
La figure 15.8 donne lallure de la densit spectrale du courant de bruit (15.12) en supposant
que le gain en courant varie en fonction de la frquence. La figure 15.8 montre galement la composante de bruit en 1/f (cette composante doit tre rajoute lquation 15.12).
A2/Hz
i i ( f )
2
ic
-----2
1/f
f2
2qib
fT
f ---------0
f (Hz)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
217
Vp
is
Rc
Q2
Q1
Rf
Re
Q2
Q1
Rc
R e //Rf
R fe = R f + R e
v iq
Q1&Q2
R fe
iR
fe
i iq
is
v1
Pour trouver la valeur de i i , on laisse les entres des deux montages ouvertes et on galise
les courants de sortie.
i v 2i
Q1&Q2
R fe
is
2
ii v 1
De la figure 15.12, v 1 = R fe i 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
218
iq
do : i 1 = i R + i iq + ------
R fe
fe
v iq
2
2
2
i 1 = i R + i iq + ------2
fe
R fe
2
2
i1
v iq
2
4kT
= --------- f + i iq + ------2
R fe
R
Equ(15.17)
fe
Equ(15.18)
Equ(15.19)
2
R fe
2g
m
R
fe
1
2
2kT
2kT
i 1 = 2q f ----------- + i b + ----------- r bb + ----------
2
2g
qR fe
m
qR
Equ(15.20)
fe
3
3
3
3
2
2 26 10
26 10
0, 5 10
2 26 10
i 1 = 2q f ----------------------------- + ------------------------ + ----------------------------- 100 + --------------------------------
2
3
5500
100
5500
2 0, 5 10
2
i 1 = 2q f [ 9, 5 10
+ 5 10
+ 0, 2 10 ] = 2q f [ 14, 7 10 ]
24
La densit spectrale du courant de bruit est : ----1- = 4, 7 10
A Hz
ou encore
i1
-------- = 2, 2pA Hz
f
Filtrage
Cd
ENC T
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
219
2
1
On a daprs lquation 14.7 : ENC T = -----p- a 2 f + ------s -------
i
2KT
Daprs lquation 15.13 : Np = ----i- = ----------f
rb
2
Equ(15.21)
2 2
Ns = e ( c d + cb ) = e cT
Equ(15.22)
2
1
e = 4KT ---------- f
2g m
dib
qi e
di e
2 ---rb
2g m
KTr b 2 a 1
2
KT
ENC T = ------- a 2 f + ------------- c T -------rb
f
2
2
ENC T
a 2 f r b c T a 1
= KT ------------ + ------------------rb
f
Equ(15.23)
Equ(15.24)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
220
gmvgs
Ci
ig
Rd
id
Rd
S
D
ei
gmvgs
Ci
ii
S
2
ei
id
= -----2
gm
Equ(15.25)
comme : ( x ) =
p ( x ) dx avec x = dI D
dI D
- = --- v
Le calcul savre plus simple si lon considre la fluctuation de -------dv
1
Considrons une loi de probabilit uniforme dans lintervalle 0 ID0 . Dans ce cas p ( x ) = -------I D0
2
g
m
dID
= --------dv
1
= -------I D0
v0 2 2
2 3
1 v
v
----------- dv = -------- ----------02
ID0 3l 2
l
Equ(15.26)
Comme :
dI D
g m = --------- = --- v
dv
l
Equ(15.27)
Equ(15.28)
Lquation 15.28 est une quantit homogne une conductance. Considrons la puissance
du bruit correspondante dans la bande f :
2
2
i d = 4KTf --- g m
3
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(15.29)
221
2
ei
id
2
= ------ = 4KTf ---------2
3g
m
gm
Equ(15.30)
2
R s = ---------3g m
Equ(15.31)
2
Le transistor effet de champ engendre une rsistance de bruit dynamique gale : ---------- .
3g m
valuons la source de bruit i i prsente lentre de la figure 15.15 (b) en laissant les entres a et
b ouvertes :
i
g
- et le courant de sortie total est :
Dans le modle a : v g = ------
ci p
ig
i s = ------- + i d
ci p
Equ(15.32)
ii
i s = ------- g m
ci p
Equ(15.33)
2
ii
2
ig
Equ(15.34)
ci
2
+ ------------ i d
2
gm
Equ(15.35)
m
- :
En tenant compte que G i = -------
ci
id
2
2
i i = i g + -----2
Gi
Equ(15.36)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
222
terme est ngligeable tant que G i reste lev (frquences basses) Dans ce cas :
2
Equ(15.37)
ii = ig
ii
N p = ----- = 2qi g On suppose que G i est lev dans lquation 15.36.
f
2
ei
2
N s = ----- ( c d + c i )
f
2
e i = 4KT f 2 ( 3g m )
2
N s = 4KT 2 ( 3g m ) ( c d + c i ) do :
2
qi g
2
( c d + c i ) 2a 1
ENC T = 2KT ----------- a 2 f + ---------------------- ----------2KT
g
3
Equ(15.38)
terme dominant
Remarque : Si gm augmente
2
ENC T
Dans ce cas :
2
( c d + nci ) 2a 1
------------------------- ----------ng m
3 f
Equ(15.39)
nqi i
2
ENC TT = 2KT ----------- a 2 f +
2KT
terme dominant
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
223
Kf
2
2
v i = 4kT ---------- + ------------------ f
3g m WLcox f
Equ(15.40)
12 2
V pF
v
----if14
10
10
10
15
16
1f
17
10
18
10
7
8
2
3
4
5
6
10 10 10 10 10 10 10 10
Hz
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
224
Equ(16.1)
q(t) =
0 i d ( t ) dt
Equ(16.2)
La figure 16.1 montre lvolution du courant et de la charge recueillie dans une cellule du
dtecteur.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
225
is
id
Cd
Vs
q Rf Cf
V s = ----- e
Cf
Equ(16.3)
= Rf Cf
q0 C
Cd
Vs
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
226
0
-
Equ(16.4)
ie
Ve ZT
G
iT
X1
Z0
V0
Vs
i e = iT
is
g m = -----Ve
V 0 = V s = Z 0 is = Z 0 g m V e
Vs
G = ------ = Z 0 g m
Ve
V V
Vs
----- = ------s -----e- = Z 0 g m Z T
ie
Ve ie
Equ(16.5)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
227
if
is
ie
Ve ZT
Zf
G
iT
X1
Z0
Vs
i e = iT + if
Ve Ve Vs
i e = ------ + ----------------ZT
Zf
Vs
1
1
i e = V e ------ + ---- ---- Z T Z f Z f
V s = Z0 gm Ve
V 1
i
1
1
----e- = -----e- ------ + ---- ---
Zf
Vs
Vs ZT Zf
Vs
1
----- = ---------------------------------------------------ie
1 1
1
1
------------- ------ + ---- ---Z 0 g m Z T Z f Z f
Z 0 gm ZT
Vs
Z 0 gm ZT
- = ------------------------------------------------------- = ------------------------------------------------------1
ie
g
Z
Z
1
1
0 m T
1 + ---- ( Z T + Z 0 g m Z T )
Z T ------ + ---- + ------------------Zf
ZT Zf
Zf
Vs
Z0 gm Z T
----- = -----------------------------------------ZT
ie
1 + ------ ( 1 + Z 0 g m )
Zf
Vs
Z0 gm Z T
----- = -------------------------------------------------------Z0 gm Z T
ie
1
1 + ------------------- 1 + ------------g m Z 0
Zf
Equ(16.6)
a
Lquation 16.6 correspond la forme classique : -----s = -------------- o a reprsente le gain en
ie
1 + af
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
228
gm Z 0 ZT
Vs
----- ---------------------------ie
Z0 Z T
1 + g m -----------Zf
Equ(16.7)
1
Daprs lquation 16.7 : -----s = ------------------------------ie
1
1
------------------- + ---gm Z0 Z T Zf
Vs
1
----- = ----------------------------------------------------------------------------------------------1
ie
1
---------------------------------------------------------------- + -----------------------Rf
R0
RT
g m -------------------------- -------------------------- ----------------------1 + R0 C0 p 1 + RT CT p 1 + Rf Cf p
Vs
1
----- = -----------------------------------------------------------------------------------------ie
( 1 + R0 C0 p ) ( 1 + RT CT p ) 1
-------------------------------------------------------------- + ----- + C f p
Rf
gm R0 RT
Vs
1
----- = -------------------------------------------------------------------------------------------------------------------2
ie
1 + R 0 C 0 p + RT C T p + RT C T R 0 C 0 p
1
---------------------------------------------------------------------------------------- + ----- + C f p
Rf
gm R0 RT
et finalement :
gm
Vs
1
----- = ------------ --------------------------------------------------------------------------------------------------------------------------------------g
gm
ie
C0 CT 2
C
1
1
1
m f
p + p ------------- + ------------- + ------------- + ------------------- + -------------------------- R 0 C 0 R T C T C 0 C T C 0 C T R f C 0 C T R 0 R T
Equ(16.8)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
229
gm
Vs
1
----- = ------------ ---------------------------------ie
C0 C T 2
g m Cf
p + p -------------
C 0 C T
gm
Vs
1
- --------------------------- = ---------------ie
C0 C T p
gm Cf
p + ------------C0 CT
gm
Vs
1
- -------------------- = ----------------------------p
ie
C 0 C T g m Cf
-+1
-------------------------- p ----0
C0 CT
Vs
1
1
----- = -------- ---------------ie
Cfp p
------ + 1
0
Equ(16.9)
m f
fonction de la frquence. 0 = ------------est le ple dominant de lamplificateur de charges.
C0 CT
On remarquera que :
Vs Ve
Ve
Z e = ------ = ----- -----ie
ie Vs
V
comme : ------s = Z 0 g m
Ve
1
1
1
Z e = -------- ---------------- ------------Cf p p
Z0 gm
------ + 1
0
1
comme Z 0 = --------C0 p
C0
1
Z e = ------------ ---------------p
gm Cf
1 + -----0
Equ(16.10)
Equ(16.11)
Il est possible dajuster limpdance dentre de lamplificateur de charges, indpendamment du gain, par la capacit C 0 .
Le schma de la figure 16.7 est un exemple damplificateur de charges (source Radeka rapport BNL 18377 fvrier 1974).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
230
+12V
33
3K
13K
33
0.01F
820
T1
In
T2
10K
Cf
3K
2.2pF
51M
T3
1F
390
10K
33
33
10K
C0
51
Out
T5
100
1.4K
0.01F
12 V
g m Z ZT
ie
Z 0 ZT
1 + g m -----------Zf
0
-,
Si lon considre lquation 16.7 : -----s ----------------------------
Il est ncessaire que R f soit faible (quelques centaines dohms). Dans ce cas :
Rf
Vs
----- = -----------------------pC 0 R f
ie
1 + --------------gm R T
Rf
Vs
----- = --------------ie
p
1 + -----0
Equ(16.12)
g R
m T
avec : 0 = ------------
C0 Rf
La bande passante de lamplificateur de courant sera dautant plus grande que R f sera
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
231
faible.
Equ(16.13)
f 0
-.
une self de valeur -----------
gm
Ceci explique les instabilits possibles de ce montage avec des bandes passantes leves ou
encore avec un dtecteur prsentant une grande capacit.
Le schma de la figure 16.8 est un exemple damplificateur de courant (source E. Gatti, P.F.
Manfredi - NIM 226 (1984) 142-155- Present trends...) relativement simple.
Dans ce montage, lamplificateur de courant est constitu par les transistors T1 et T2 et la
rsistance de 10K . T3 est utilis comme tage de sortie.
T2
18nF
350
5K
18nF
25
Vcc
Out
In
T3
10K
50
750
T1
Vee
18nF
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
232
Ca
Cd
Equ(17.1)
C d > 500pf
Si la capacit du dtecteur est importante, il est possible dadapter le dtecteur et le pramplificateur par un transformateur (figure 17.2)
Le transformateur tant de rapport (1:n), la tension au secondaire est :
Vs = n Vp
HT
R
Dtecteur e
Cb
Cd
1:n
Ca
TRAITEMENT DU SIGNAL
Master CMI
On a toujours : qin = Cd e d
Vue du primaire du transformateur les deux capacits C d et C a sont en srie.
C C
d b
Soit : C = ------------------
Cd + Cb
Z
2
Toute impdance ct primaire est vue au secondaire dans un rapport n : Z s = -----2p
Cn
Ca
Cd
--------------------------Cd
----Ca 1 +
C b
Equ(17.2)
Dans ce cas :
2q in
2C d 1 q in
q STmax = ---------------- --- ------- = ------------------------Cd n C d
Cd
1 + -----n 1 + -----Cb
Cb
q
STmax
in
- = -----------------------La charge dans C a est : q a = ----------------
Cd
n 1 + -----Cb
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Ca
Cc v
Cp
q in
( C p + C c )v = ------------------------Cd
n 1 + ------
C b
q cc = C c v
Cc
q in
q cc = ------------------- ------------------------C c + Cp
Cd
n 1 + -----Cb
Equ(17.3)
t
-------RC
= A1 e
t
-----1
V1
Equ(17.4)
1
1
Pour raccourcir V 1 , il faut remplacer le terme p + ----- par le terme p + ----- de faon que :
1
1
p + ----1
--------------1
p + ----2
A1
V 2 = --------------1
p + ----2
TRAITEMENT DU SIGNAL
Master CMI
1
p + ----1
Le produit de V 1 par --------------- est appel : suppression du ple zro.
1
p + ----2
C1
R2
V2
Posons :
R1 R2 C1
1 = R 1 C 1 et 2 = ------------------R1 + R2
1
p + ----V2
1
------ = --------------1
V1
p + ----2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(17.5)
Particule charge
Scintillateur
Scintillateur
t1
t = t 2 t 1
t2
c t
m = p --------- 1
2
L
Equ(18.1)
1. Ce paragraphe est inspir de W. Klempt/Nuclear Instruments and Methods in Physics Research A433
(1999) 542-553
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
237
MESURES TEMPORELLES
1
= ------------------- (facteur de Lorentz)
2
1
2 2
E = ( pc ) + ( mc )
2 4 2
Equ(18.2)
2 2
m c = ( pc ) + ( mc )
2 2 2
2
2 2 2
m c
p = m c ( 1 ) = -----------------2
1
2
2
p (1 )
2
p
m = ------------------------- et m = ------ 1
2 2
c
c
2 2
L
c t
comme : = ---- il vient : m = p --------1
2
tc
dm
de lquation 18.1, dduisons la rsolution sur la masse ------- en prenant la drive logarithm
mique de la masse m :
2 2
1 c t
ln m = ln p + --- ln --------- 1
2 L2
c2 t2
dm
dp 1
d ( ln m ) = ------- = ------ + --- d ln --------- 1
2
m
p 2
L
c 2 t2
dm
------- = dp
------ + 1--- -------- 1
m
p 2 L2
c2 t2
d --------- 1
L2
Equ(18.3)
1.
dm
Dans ce cas, ------- est largement dpendant de la rsolution en temps du dtecteur.
m
Pour une longueur L de lordre de 3 m et une particule relativiste, le temps de vol est de
10 ns. 1% de rsolution temporelle correspond une rsolution de 100 ps.
Calculons la diffrence de temps de vol entre deux particules relativiste ( p m ) ayant la
mme impulsion p. De lquation 18.1, extrayons la variable t :
2
2
m2
2
2
L m
t = ----- ------ + 1 et d ( t ) = d ------ + 1
2
2
2
c p
2
L
cdt -------- dm
2
2p
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
238
MESURES TEMPORELLES
L ( m1 m2 )
c t = ---------------------------2
2p
Equ(18.4)
Plus limpulsion des particules est grande et plus il sera difficile de les sparer. Si lon suppose que lcart t correspond n t , lquation 18.5 donne le nombre n dcarts standards sparant les deux particules.
2
L ( m1 m2 )
n = ---------------------------2
2p c t
Equ(18.5)
TRAITEMENT DU SIGNAL
Master CMI
239
MESURES TEMPORELLES
+
V
Seuil
Vs
= e e
Si > 0 alors V s = V
Si < 0 alors V s = V
--
Seuil
Vs
t
Vs
t1
t 2 t
TRAITEMENT DU SIGNAL
Master CMI
240
MESURES TEMPORELLES
2k
t = ----------V in
dV in
V in = ----------- t
dt
dV in
V in = ----------- t
dt
dV in
dV in t 2
t
k = ----------- t ----- = ----------- ------ dt
2
2
dt
2k
t = -------------------dVin dt
1
--2
Equ(18.6)
Lquation 18.6 montre que t sera dautant plus faible que la pente du signal sera grande.
Seuil
dV in
dV in = ----------- dt
dt
dV in = v
dt = t
v
t = -----------------------------( dV in ) ( dt )
Equ(18.7)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
241
MESURES TEMPORELLES
Vin
Seuil
t1
t2
tm
a0
tm
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
242
MESURES TEMPORELLES
RB
RA
e +
e
-
td
Z0
Vs
Z0
Z0
= ------------------ V in
Z0 + Rb
+
0
avec : f = -----------------
Z0 + Rb
1f
R b = Z 0 ---------f
Equ(18.8)
do :
2
Z0
R a = -----Rb
Equ(18.9)
TRAITEMENT DU SIGNAL
Master CMI
243
MESURES TEMPORELLES
Ra = Z0 f
Equ(18.10)
Seuil haut
0V
Largeur fixe
CFD
IN
OUT
CK
= fV in
e = ( 1 f )V in
V in
Z0
= ------------------ V in
Z0 + Ra
2
Z
1f
Comme R b = Z 0 ---------- et R a = -----0Rb
f
-
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
e = ( 1 f ) V in
Equ(18.11)
244
MESURES TEMPORELLES
t
= f V in ----tm
du compaEqu(18.12)
du compa-
e = 0 pour t = t d
-
e = ( 1 f ) V in et pour t = td + t m
td
t
e = ( 1 f ) V in ----- ( 1 f ) V in ----tm
tm
-
si e = e alors t = t arc
( 1 f ) td ( 1 f ) td
t arc = ------------------------ -----------------------2
1 2f
(1 f)
td
t arc ---------1f
Equ(18.13)
Equ(18.14)
t
= f V in ----tm
V
in
d
- --------si t = t arc , e = f -------
tm
1f
Equ(18.15)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
245
MESURES TEMPORELLES
t mt d t cf
e
= fV in
e = ( 1 f )V in
Equ(18.16)
f tm
t cf = ----------- + t d
1f
Equ(18.17)
td
t
e = ( 1 f ) V in ----- ( 1 f ) V in ----tm
tm
-
pour t = t cf , e = e = f V in
dV
dt
td
+
e ( t=t d ) = f V in ----tm
t
d
Daprs lquation 18.13 : t arc = ---------
1f
f V in
-------------- t d
tm
dV
------- = ---------------------td
dt
---------- t
1f d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
246
MESURES TEMPORELLES
V in ( 1 f )
dV
------- = ----------------------dt
tm
Equ(18.18)
(e e )
( 1 f )V in
tm
td
tm + td
fV in
Equ(18.19)
Equ(18.20)
+
On peut ramener le bruit du signal composite ( e e ) en terme de bruit sur chaque entre :
+
v ( e ) = f V
V
in
in
Si lon pose : V cf = V in fV in
2
2 2
Vcf = Vin [ 1 + f ]
Equ(18.21)
tcf
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Vin [ 1 + f ]
tm
= -----------------------------------------------V in
247
Equ(18.22)
MESURES TEMPORELLES
arc
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Vin [ 1 + f ]
tm
= -----------------------------------------------V in ( 1 f )
248
Equ(18.23)
MESURES TEMPORELLES
Dtecteur
Interface
Grandeur
externe
Acquisition
+ Mesure
Dtecteur
Interface
Grandeur
externe
Acquisition
+ Mesure
Logique de
dclenchement
Figure 19.2 : La logique de dclenchement dans la chane de mesure
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
249
empilement dimpulsions
t
Seuil
[S ]
Equ(19.1)
avec la frquence moyenne darrive des vnements et le temps mort du systme.
Le produit est sans dimension.
La dmonstration de cette relation est donne dans le paragraphe Traitement statistique du
temps mort, page 251.
Lquation 19.1 montre bien que lorsque , R 0 , le systme est dans ce cas paralys.
On peut normaliser (19.1) en multipliant les deux membres par :
R = e
Equ(19.2)
1
--- reprsente le temps moyen pour traiter un vnement.
R
1 1
1
--- = + --- , --- reprsente le temps moyen darrive dun vnement et le temps mort du systme.
R
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
250
R = --------------1 +
Equ(19.3)
1
Cette quation montre que lorsque , R --- . Dans ce cas le temps mort est de 100%.
Normalisons (19.3) en multipliant les 2 membres par :
R = --------------1 +
Equ(19.4)
1 ( 0, 15 2 )
La seule valeur accessible tant R, il faudra rgler le seuil de lexprience de faon avoir
R = 150Hz .
La figure 19.4 rsume les 2 types de temps morts.
R
R =
1
non-cumulatif
1
--e
cumulatif
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
251
t
( t )
P n ( t ) = ---------------- e
n!
Equ(19.5)
De cette relation, on tire facilement les probabilits davoir 0 ou 1 arrive dans lintervalle
t :
P 0 ( t ) = e
Equ(19.6)
P 1 ( t ) = ( t ) e
et si t 0 alors :
P 1 ( t ) dt
Equ(19.7)
(i)
P i ( ) = P0
Pi( ) = e
( ) P1 ( )
P i ( t )dt =
dt = e
Pi
R = P i
Figure 19.5
Soit :
R = Pi ( t > )
R = e
R = ------------------ = ----------------------------
1 + e
+1
e
Equ(19.8)
TRAITEMENT DU SIGNAL
Master CMI
252
On suppose quun certain pourcentage dvnements entrants gnre du temps mort cumulatif.
Normalisons (19.8) en multipliant les 2 membres par :
R = ----------------------------- et reprsentons R = f ( )
+1
e
1
= 0
= 1
Equ(19.9)
Equ(19.10)
Equ(19.11)
e
e = ----------------------2
e
1e
1
e = ------------------- = --- ( e 1 )
Equ(19.12)
Comme seule une partie des vnements gnrera du temps mort cumulatif remplaons
par .
1
e = ------ ( e
1)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(19.13)
253
R = ----------------------------
+1
e
Pour un fonctionnement correct, il y a quilibre, la probabilit que la file soit vide est gale
la probabilit que la file soit pleine.
En utilisant les probabilits conditionnelles :
P( 1 0) P(0 ) = P(0 1 ) P( 1)
dt P ( 0 ) = dt P ( 1 )
P
(1)
----------= --- = Y
P(0)
Equ(19.14)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
254
k-1
k+1
Equ(19.15)
Equ(19.16)
A lquilibre, P e ( k ) = P s ( k )
P k ( dt + dt ) = P k 1 dt + P k + 1 dt
P k ( + ) = Pk 1 + Pk + 1
P k 1 + --- = P k 1 --- + P k + 1
Equ(19.17)
Pk = Y P0
Equ(19.18)
Par dfinition :
n
Pk = 1 = P0
k=0
k=0
P0
= -----------1Y
P0 = 1 Y
Pk = Y [ 1 Y ]
Equ(19.20)
E[n] =
n Pn
n=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
255
E[n] =
n Y [1 Y]
n=0
E[n] = [1 Y]
n Y = [ 1 Y ] [ Y + 2Y + 3Y + ]
n=0
2
3
1
comme ------------------2- = 1 + 2Y + 3Y + 4Y +
(1 Y)
Y
E [ n ] = -----------1Y
Equ(19.21)
Calculons la probabilit que le nombre dvnements n dans la file dattente soit suprieure k :
+
P(n > k) =
Y ( 1 Y)
p = k+1
P(n > k) = (1 Y ) (Y
P(n > k) = Y
k+1
P(n > k) = Y
k+1
k+1
+Y
k+2
+ )
2
( 1 Y) ( 1 + Y + Y + )
Equ(19.22)
Remarque : Dans les diffrentes relations trouves on suppose que lintensit de trafic
Y < 1 . Cela signifie quen moyenne le vidage doit toujours tre plus rapide que le remplissage. La
file dattente sert uniquement rguler les pointes de remplissage. Le Tableau 6 donne un exemple
de la longueur moyenne dune file dattente pour diffrentes intensits de trafic. On suppose que
la file dattente est de longueur infinie.
Intensit de trafic
Longueur moyenne de
la file dattente
Probabilit de plus de
1 vnement dans la
file dattente
Probabilit de plus de
4 vnements dans la
file dattente
Y
-----------1Y
0,1
1 (0,11)
0,01
0,0001
0,2
1 (0,25)
0,04
0,0003
0,3
1 (0,43)
0,09
0,0081
0,4
1 (0,66)
0,16
0,0102
0,5
0,25
0,031
0,6
2 (1,5)
0,36
0,077
0,7
3 (2,33)
0,49
0,168
0,8
0,64
0,327
0,9
0,81
0,590
k+1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
256
9 buffers
4 buffers
3 buffers
2 buffers
1 buffer
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
257
Mesure
ampli
retard
PM1
td
PM2
td
PMn
td
Acquisition
E1
comparateur mise en forme
E2
+
-
En
ampli
t w = cte
compteur
somme analogique
(seuil)
Dclenchement
Figure 19.10 : Une exprience
On suppose que lvnement reprsente une image dont la taille est variable. La partie mesure permet dacqurir la charge associe aux photons frappants chaque photocathode (Les lments de limage sont reus dune manire synchrone.). La partie dclenchement permet de
slectionner les vnements possdant au moins une nergie donne . Pour cela, on dtermine
lnergie totale de lvnement par une somme analogique E =
Ei . Un comparateur rapide di
fini si la somme est suprieure au seuil ( E > ). Lacquisition sera effective uniquement pour les
vnements passant le seuil. Le retard t d permet de compenser le temps ncessaire la dcision.
Le compteur permet de tracer facilement la courbe reprsente par la figure 19.11.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
258
Si lon considre que lon a affaire du temps mort non-cumulatif, on peut substituer cette valeur
dans (19.3) :
Re
= 0 0 R . Si lon pose Y = Re
et si lon trace :
Y = f ( R ) la pente de la droite est dans ce cas 0 et lintersection avec lordonne est gale 0 .
pente = 0
+ ln 0
).
t + ln R
ln 0
pente = 0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
259
aE dE
a 1b
= ------------
1b
k
a
R = ---------------------------- avec k = -----------1b
1
b
1 + k
b1
= kR + k
b1
Traons R
= f(R)
Lintersection de la droite avec lordonne permet de dterminer k.
La pente de la droite est gale k
b1
k
pente = k
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
260
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
261
AW
Equ(20.1)
A lm
Equ(20.2)
Equ(20.3)
est essentiellement limit par le fait que de nombreux photons incidents sont absorbs ou
rflchis par la photocathode.
Il est possible de relier la sensibilit spectrale et lefficacit quantique. Lquation 20.1
devient :
nk e
Ik
e
e
S k = ------ = ---------------- = ---------- = -----------------e
h
hc
n p h
Equ(20.4)
TRAITEMENT DU SIGNAL
Master CMI
262
Dynodes
g1
g3
Photons frappant
la photocathode
Photocathode
Anode
g2
g4
Pour tudier les fluctuations lies une multiplication statistique, il est ncessaire de calculer les diffrents moments (moyenne, cart type) dun tel processus en cascade. Le traitement des
vnements en cascade est bien rsolu par lutilisation des fonctions gnratrices (Voir Fonction
gnratrice dune variable alatoire, page 59.).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
263
Equ(20.6)
2 3
iu
i u
i
iu
i u
U ( u ) = um b1 + ------- m b2 + ---------- m b3 + .. m a1 + ----- um b1 + ------- m b2 + ---------- m b3 + .. m a2 + ..
2!
2!
3!
2!
3!
2
iu
U ( u ) = um a1 m b1 + ------- [ m a1 m b2 + m b1 m a2 ] +
2!
On en dduit immdiatement :
E [ x ] = m 1 = m a1 m b2
2
Equ(20.7)
U ( x ) = m b2 m a1 + m b1 m a2
Equ(20.8)
Comme :
m a1 = E Ua [ x ]
2
m a2 = Ua
m b1 = E Ub [ x ]
2
m b2 = Ub
2
U ( x ) = Ub E Ua + E Ub Ua
Equ(20.9)
2
Une forme intressante est dcrite par la variance relative T de U obtenue en divisant les
2
Ub E Ua
E Ub Ua
U ( x )
--------------------------- = --------------------------- + --------------------------2
2
2
[ E Ua E Ub ]
[ E Ua E Ub ]
[ E Ua E Ub ]
b
T = a + ---------E Ua
Equ(20.10)
Cette relation met en vidence que le bruit globale est domin par le bruit du premier tage.
On peut gnraliser ce rsultat fondamental n tages en cascade :
c
d
n
b
T = a + ---------- + -------------------- + ------------------------------ + + -------------------------------------------E Ua E Ua E Ub E Ua E Ub E Uc
E Ua E Ub E Un 1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
264
Equ(20.11)
U ( u ) = i ln
e
n=0
iun
pn
iu
U ( u ) = i ln [ p 0 + p 1 e ]
iu
( iu )
2!
et dautre part
x
2
lapproximation : ln ( 1 + x ) = x ----- +
2
1
2 2
( iu )
U ( u ) = i iu + ------------ q + --- ( iu ) q +
2
2!
2
2
iu
U ( u ) = u q + ------- ( q q )
2!
On en dduit immdiatement :
la valeur moyenne : m = q
2
la variance : = q q = q ( 1 q )
2
(1 )
q
q
do : q = ------2 = ------------------------2
q
( 1 q )
q = -------------------q
Equ(20.12)
de photons non-fluctuant : p = 0 ).
2
Ub = q ( 1 q )
m p = E Ua = N
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
pe = U = N q ( 1 q )
Equ(20.13)
m pe = N q
Equ(20.14)
265
Le flux de photolectrons mis par la photocathode peut tre caractris par un Rapport Signal Bruit ( RSB pe ).
Cette quantit est le rapport entre la valeur moyenne du nombre de photolectrons (au carr)
et de la variance correspondante :
2
RSB pe
( N q )
= ----------------------------------N q ( 1 q )
N q
RSB pe = --------------1 q
Equ(20.15)
Considrons que le flux de photons incident fluctue selon une loi de Poisson avec un
2
pe = n p q ( 1 q ) + q n p
2
pe = q n p
Equ(20.16)
m pe = n p q
Equ(20.17)
2
( q np )
RSB pe = ------------------q np
RSB pe = q n p
Equ(20.18)
Remarque : la dgradation du rapport signal bruit par le paramtre q ne peut plus tre
rcupre.
En combinant (20.16) et (20.17) on trouve :
1
q = -----------np q
Equ(20.19)
Equ(20.20)
Considrons que tous les tages ont le mme gain m et la mme variance m :
1
1
g = m 1 + ---- + + -----n
m
m
n
n
m 1
g = m -------------------------------- et comme m 1 :
n1
( m 1 )m
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
266
m m
g = --------------m1
Equ(20.21)
Equ(20.22)
dentre : G = c + ------g
m1
Dans ce cas m 1 nest pas un gain mais une perte qui correspond c :
g
G = c + ----c
Equ(20.23)
m m
G = c + -----------------------c( m 1 )
Equ(20.24)
uk
PM
Histogramme
Amplificateur Conversion
de charges
Analogique
Numrique
Figure 20.3 : Mthode pour mesurer la rsolution en nergie
La figure 20.3 donne le schma de principe de mesure de la rsolution en nergie de la
chane du photomultiplicateur.
Considrons un phnomne physique engendrant des photons sur la photocathode (phnomne de scintillation par exemple). Les charges issues du PM sont converties en tension par un
pramplificateur de charges. La tension issue du pramplificateur est numrise puis un histogramme est ralis (un canal est affect chaque tension u k et chaque occurrence de u k le canal
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
267
Equ(20.25)
Dterminer le gain du photomultiplicateur nest pas facile, la mthode gnralement utilise consiste illuminer la photocathode par un flux de lumire constant mesurer successivement
le courant de photocathode fort flux puis mesurer le courant anodique faible flux.
Ia
Le rapport ----- F est gal au gain du photomultiplicateur (F tant le rapport des flux fort et
Ik
faible).
La mthode du spectre du photolectron est ce titre assez intressante, si lon connat le
gain de conversion de la chane de mesure, il est possible daffecter un nombre de canaux au photolectron. La dtermination du gain de la chane de mesure est facilement mesur en injectant des
charges connues lentre de la chane.
Il faut noter que les fluctuations statistiques de chaque photolectron sont trs grandes, le
spectre est par consquent trs tal.
La mesure du spectre du photolectron seffectue en envoyant un flash de lumire trs court
et trs faible sur la photocathode. La position du pic du photolectron est gnralement trs proche
de celui du bruit.
Toutes les mesures ultrieures pourront tre rfrences par rapport au photolectron.
La figure 20.4 montre un spectre de photolectrons. Le pidestal correspond au bruit global
de la chane. On distingue correctement 1 photolectron et lon commence discerner le spectre
de 2 photolectrons.
Pour mesurer le nombre de canaux par photolectron, il est ncessaire de soustraire la valeur moyenne du pic celle du pidestal.
Pic
La qualit de dtection du photolectron est dfini par le rapport --------------- qui doit tre supValle
rieur 50%.
Remarque : Pour valuer correctement les diffrents paramtres du spectre de la figure
20.4, il est ncessaire dajuster une courbe mathmatiquement bien connue. On peut considrer
que lon a affaire une somme de distributions de gaussienne dont les amplitudes sont distribues
selon une loi de Poisson. La formule (20.26) est couramment utilise.
2
f(x) =
k=0
( x k )
-------------------2
2 k
e e
------------------ ----------------------k!
2
Equ(20.26)
k et k sont les moyennes et carts types de chaque gaussienne, k est le nombre de pho-
k
La variance relative du nombre de photolectrons n k est : k = -----------et daprs (20.20) :
2
( nk )
1
k = ----- .
nk
2
k = ( nk ) k = n k
k =
Equ(20.27)
nk
Equ(20.28)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
268
2, 36 k
LMH
R e = ------------- = -----------------m
nk
R e = 2, 36 k
Equ(20.29)
2, 36
R e = -----------nk
Equ(20.30)
laide de (20.20) :
1 G
a = ----- + -----nk nk
1
a = ----- ( 1 + G )
nk
Equ(20.31)
Equ(20.32)
Nb coups
Pidestal
1 Photolectron
Pic
2 Photolectrons
Valle
Valeur du photolectron en canaux
Figure 20.4 : Spectre du photolectron unique
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
269
Le phnomne dentre est caractris par (20.16) et (20.17). On caractrise la sortie en mesurant lcart type E et lnergie E , valeur moyenne dune gaussienne :
E 2
F = ------ n p q
E
Equ(20.33)
Il faut remarquer que les rapports signaux bruit sont logiquement dfinis en puissance (ou
en nergie), cest le cas pour (20.15) et (20.18). Certains auteurs considrent le rapport signal
bruit comme le rapport de la valeur moyenne et de lcart type (ce qui apporte quelques diffrences dans les formules).
Le spectre du photolectron unique permet dvaluer le facteur F, en effet dans (20.33), la
quantit n p q correspond au nombre de photolectrons. Dans le cas du photolectron unique,
Equ(20.34)
GI
Dans un premier temps, il est ncessaire dilluminer la photocathode avec un flux lev de
faon pouvoir mesurer le courant cathodique :
GD
5
Le rapport ---a- 10 donne directement G I :
Ic
Ia 5
---- 10 = G I
Ic
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
270
Equ(20.36)
GD
La mesure de G D est base sur le spectre du photolectron unique. Soit Q m la charge quivalente au pic du photolectron unique, alors :
Qm
G D = ------------------------- 19
1, 6 10
Equ(20.37)
ss
2
a = ------Ne
Equ(20.38)
ss est la variance des carts des temps de transit entre les deux dynodes.
Il est intressant de connatre la variance des fluctuations du temps de transit aprs la multiplication du signal par une dynode.
2
ss
2
3
b = ------- 1 + --- g
2
Ne
Equ(20.39)
TRAITEMENT DU SIGNAL
Master CMI
271
Aprs n multiplications en cascade (on suppose que chaque tage a un gain g), la variance
relative des fluctuations devient :
2
1
3
= ------ = ---------------------- 1 + ------
2
2
2g
( g 1 )n
Equ(20.40)
2
cd
ss
2
+ ------------ 1 + ---
g 1
g
Equ(20.41)
Lquation 20.41 montre le rle important du terme cd qui devra tre minimis en augmentant au maximum le gain de la premire dynode.
20.6.1. Dmonstrations1
20.6.1.1 Variance de la diffrence des temps de transit entre
deux dynodes
Soit i est la diffrence entre le temps darrive t i de llectron i et le temps darrive
moyen t m :
i = ti tm
2
mme loi de probabilit, la variance des diffrences des temps de transit a des lectrons arrivant
sur la deuxime dynode est :
Ne
i
i=1
a = ss = --------------Ne
Equ(20.42)
Lcart type a caractrise la largeur du signal form de N e lectrons. Cette largeur va varier en fonction de la variation des i .
TRAITEMENT DU SIGNAL
Master CMI
272
i di
i=1
a d a = ---------------------Ne
Ne
i di
i=1
d a = ---------------------Ne a
Ne
i i
i=1
2 2
a = ----------------------2 2
Ne a
Comme la loi statistique rgissant larrive de chaque lectron est identique pour tous les
2
i
2
Ne
i
i=1
a = ----------------------Ne 2
2
N e -----ii = 1 Ne
2
2
finalement : a = ------iNe
La variance des fluctuations du temps de transit est divise par le nombre dlectrons formant le signal.
i=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
273
i=1
Ne
gi i
i=1
gi i
b = -------------------- = -------------------Nb
N
e
gi
i=1
a = b
Equ(20.43)
Ne
i=1
Ne
dg i
Ne
i
=
1
2
2 b d b = ----------------------- + ------------------------------ i g i ---------------------2
Ne
Ne
i = 1
Ne
g
gi
gi
i
i=1
i=1
i
=
1
i dg i
i g i d i
i=1
Ne
gi
= Neg
i=1
Ne
N
2 e
i i dg i
i=1
i=1
i = 1
i = 1
d b = ----------------------- + ------------------------------ ------------------------- -----------------2
2 b
2 b N e g
2 b N e g
(N g)
Ne
Ne
i dg i
i g i d i
Ne
dg i ( i b )
i=1
Ne
i gi di
i=1
d b = ---------------------------------------- + --------------------------2 b N e g
b Ne g
Ne
i=1
2 2
g ( i b )
Ne
i gi ss
i=1
2 2 2
b = ----------------------------------------- + ----------------------------2 2 2
2 2 2
4 b N e g
b Ne g
2
g est la variance de g.
Ne
i=1
2 2
g ( i b )
Ne
i gi ss
i=1
2 2 2
2
2
- et 2 = ----------------------------Posons 1 = ---------------------------------------2 2 2
2 2 2
4 b N e g
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
b Ne g
274
Ne
i gi .
i=1
2 2
suivante : g i = g + g
Ne
i=1
2 2
i gi = ( g + g )
Ne
i
i=1
Ne
i
i=1
2
Daprs lquation 20.42 : ss = ---------------
Ne
Ne
donc :
i gi
i=1
2 2
= ( g + g )N e ss
Ne
i .
i=1
4
On suppose que les diffrences dans les temps de transit i ont une distribution gaussienne
normalise (la surface totale sous la courbe est Ne ).
2
Ne
dP ( i ) = ------------------- e
ss 2
Ne
i=1
i =
i
---------2
2 ss
d i
i dP ( i ) = 3Ne ss
4
2
b
ss
3
= ------- 1 + --- g
2
Ne
gnre : a = b .
n+1
i
i=2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
275
d =
n+1
i di
i=2
n + 1 2
2
-----i i
2
i = 2
2 2
= ss
n+1
et d =
n + 1
---- di
i=2
2
comme : i = ss
i
i=2
2
2
b
ss
3
= ------- 1 + --- g
2
Ne
n+1
2 2
4
3
1
= ss 1 + --- g -------
2 i = 2 N ei
n+1
---------i1
i=2
g
i1
1 1
4
3
1
1
= ss 1 + --- g --- + ----- + ----- + + -----
n
2 g g2 g3
g
1
g1
ss = ----2
n
2
2
3
1
1
3
Calculons la variance relative de la largeur du signal : = -----2- = ----------------------2 1 + --- g .
2
( g 1 )n
1
3
= ------ = ---------------------- 1 + ------
2
2
2g
( g 1 )n
gi i
i=1
Ne
gi i
i=1
b = ------------------- = ------------------Ne g
N
Equ(20.44)
gi
i=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
276
( gi di + i dgi )
i=1
d b = ---------------------------------------------Neg
2
ss
2
Ne
i=1
gi + g
Ne
i
i=1
b = ---------------------------------------------------2 2
Ne g
Ne
i
i=1
2
2
2
2
Si lon considre lapproximation : g i = g + g et comme ss = ---------------
Ne
2
b
ss ( g + 2 g )
= ---------------------------------2
Ne g
2
finalement :
2 g
ss
ss
2
= ------- 1 + --------- ou b = ------- ( 1 + 2 g )
2
Ne
Ne
g
2
b
2
cd
n + 1 2
ss
-------- ( 1 + 2g )
i = 2 N ei
i1
2
b
2
cd
ss
+ ------------ ( 1 + 2 g )
g1
ss
- 1 + --- .
Si lon considre nouveau que : g = g , il vient : b = cd + ----------
g1
2
g
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
277
clenchement.
Dynode
Anode
C
n
ia
R1
id
I/U
R2
Comme ia = n g :
1
id = ia 1 ---
Equ(20.45)
2
Par exemple, si g=3, id = --- ia . Daprs la figure 20.5, les courants danode et de dynode
3
sont de sens opposs, si limpulsion danode est ngative, limpulsion de dynode est donc positive.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
278
Crer des charges (effet photo-lectrique) dans une capacit MOS (Metal Oxyde
Semiconductor),
Collecter les charges (matrice de pixels),
Transfrer les charges,
Dtecter les charges (conversion charge/tension et encodage).
Les paragraphes suivants reprennent avec un peu plus de dtails ces diffrents points.
Equ(21.1)
La plupart des photons dont lnergie est E < 1, 26 eV passeront travers le CCD sans interagir (le CCD est transparent pour linfrarouge lointain).
Les paire lectrons-trous cres par effet thermique constituent une source de bruit (courant
noir).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
279
+V
Zone N
Zone appauvrie
-
Zone dope P
SUBSTRAT
Grille
Oxyde
Photons
Figure 21.1 : Structure du MOS
Lapplication dune tension positive sur la grille (entre 6 et 10 volts), cre une zone appauvrie en porteurs majoritaires (ou zone de dpltion ou encore de charge despace). Des photons
suffisamment nergtiques, vont crer des paires lectrons-trous. Les trous seront canaliss vers
le substrat tandis que les lectrons migreront vers la zone N. Les charges sont collectes et confines dans un canal (puits de potentiel). La figure 21.2 montre le champ lectro-statique cr lorsquune tension de polarisation de +10 volts est applique sur la grille, le substrat tant la masse.
On peut remarquer que le potentiel dans le canal prsente un plateau, ce qui signifie que le champ
est nul dans cette rgion.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
280
Zone N Zone P
20
18 Oxyde
16
14
12
10
8
6
4
2
0
0 1 2 3 4 5 6 7 8
Profondeur dans le silicium (microns)
N lignes
Q 1, Q 2 Q N P
P colonnes
Figure 21.3 : Principe du dcalage de cellules
Dans un premier temps, les cellules de la premire ligne de la matrice (notes 1 sur la figure
21.3) sont transfres dans le registre dcalage horizontal. La ligne 2 est dcale en vers le bas
pour remplacer la ligne 1.
Puis les cellules du registre horizontal sont dcales P fois vers la droite. Ce mcanisme est
rpt N fois jusquau vidage complet du CCD.
TRAITEMENT DU SIGNAL
Master CMI
281
potentiel.
V g2
V g1
V g1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
282
3
2
1
ISOLANT
1 PIXEL
SEMICONDUCTEUR
t0
t1
t2
t3
t4
t5
t6 = t1
1
2
3
t0 t 1 t 2 t3 t4 t 5 t 6
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
283
V DR
R
V DD
T1
s
T2
cellule de sommation
VS
N+
Cs
Equ(21.2)
19
Equ(21.3)
C,
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
284
VS
bruit de reset
V P
t 1 t2
niveau de prcharge
niveau de rfrence
V S
t3
t4
Equ(21.4)
A linstant t 3 , S = bas ce qui a pour effet de librer les charges de la cellule de sommation
pour les stockes dans CST . La variation de charge dans la capacit engendre une variation de tension V S . Cette variation est maintenue jusquen t 4 .
Le bruit de lecture. Ce bruit pour origine les transistors de sortie du CCD ainsi
que lamplificateur externe. Ce bruit peut tre ramen 2-3 lectrons (RMS) pour les systmes les plus performants.
Le courant dobscurit (ou courant noir). Ce bruit est dorigine thermique. Les
lectrons de bruit sont crs par effet thermo-lectrique. Ce bruit peut tre limin en
refroidissant le dtecteur.
Le bruit photonique. Ce bruit impulsionnel provient du processus de gnration
des photons dont la distribution suit une loi de Poisson. Lincertitude inhrente a ce processus est trait comme un bruit.
La non-uniformit de la rponse des pixels. Les diffrents dfauts dans le silicium
font que les diffrents pixels nont pas la mme sensibilit. Ces fluctuations peuvent tre
compenses par des techniques de calibration.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
285
u = 4kTRB
(V ) .
Equ(21.5)
C ST u = kTC ST = c
Equ(21.6)
Equ(21.7)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
286
N(t)
1
0
Equ(21.8)
N ( ) = --- -------------------------4 2 + ( )2
Equ(21.9)
1
On peut poser e = --- (temps moyen dmission), alors :
e
N ( ) = K ----------------------------2
1 + ( e )
Equ(21.10)
f
retrouve alors la formule donne par (15.40) : v i = -----------------f .
WLc ox f
2
Equ(21.11)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
287
stationnaire (21.8).
Pour obtenir la densit spectrale, il faut calculer la valeur moyenne de lauto-corrlation,
puis prendre sa transforme de Fourier. La figure 21.10 montre les variances de bruit pour les
deux modles dans le cas o le transistor est commut une frquence de 2MHz. Pour les frquences infrieures la frquence de commutation, les deux modles divergent.
Posons b ( ) = -----0- comme tant la densit spectrale du bruit blanc et N ( ) = ----c- la densit spectrale du bruit en 1/f (modle stationnaire).
tant un coefficient et c la frquence o N ( ) intercepte la droite b ( ) .
Dans ce cas, la densit spectrale totale est : T ( ) = b ( ) + N ( )
N0
c
T ( ) = ------ + ----2
N0
c
T ( ) = ------ 1 + -----
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
288
Equ(21.12)
R
+
Vccd
CR
Vs
CS
S
Figure 21.11 : Principe du double chantillonnage corrl
Le systme ralise une lecture diffrentielle de deux valeurs distantes dun temps P . Un
chantillon est mmoris par un chantillonneur bloqueur constitu par un interrupteur actif pendant un temps T et par une capacit de stockage C.
Linterrupteur R est actif pendant la priode de re-charge (bruit de "reset") et linterrupteur
S permet de mmoriser le signal du pixel dans C S . Le systme permet dliminer le bruit de "reset", supprime le bruit en 1/f et limite le bruit blanc (par sa fonction de transfert de type passebande).
Pour tudier ce montage, considrons dans un premier temps, lchantillonneur bloqueur
reprsent par la figure 21.12.
Lchantillonneur est un oprateur de multiplication qui nest pas stationnaire. Le signal
de sortie dpend dune part du signal dentre et dautre part du signal de commande :
Equ(21.13)
s( t) = e( t) c(t )
La transforme de Fourier de (21.13) permet de passer dans le domaine frquentiel :
Equ(21.14)
s ( ) = e ( ) * c ( )
De mme pour les densits spectrales :
Equ(21.15)
s ( ) = e ( ) * c ( )
s
c
0
2T 3T 4T 5T
si 0 t T
sinon
Equ(21.16)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
289
h R ,h S
hR
hS
P
0
P+T
-------------
2
t
+T
P
-------------
2
Equ(21.17)
G ( ) = [ Tsinc ( T ) ] e
P+T
2i -------------
2
[ Tsinc ( T ) ] e
P+T
2 i -------------
2
G ( ) = 2i [ Tsinc ( T ) ] sin ( ( P + T ) )
G ( ) = 2 [ Tsinc ( T ) ] sin ( ( P + T ) )
G()
= 4 [ Tsinc ( T ) ] [ sin ( ( P + T ) ) ]
G()
2 [ 1 cos ( 2 ( P + T ) ) ]
= 4 [ Tsinc ( T ) ] -------------------------------------------------------2
G( )
Equ(21.18)
= [ Tsinc ( T ) ] [ 2 2 cos ( 2 ( P + T ) ) ]
Equ(21.19)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
290
( G( ) )
( f( ) )
.10 63
2.278695
0.5
0
6
5
6
5
1
2T
R
+
Vccd
CR
G
-
Passe-Bas
Vs
CS
S
Figure 21.15 : Filtre passe-bas en sortie du corrlateur
filtre passe-bas
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
291
La figure 21.16 montre leffet dun filtre passe-bas dordre 4, dont la rponse est du type
G()
1
1
= ----------------------- . Avec b = ------ .
4
2T
1 + -----
b
(cas stationnaire).
c
N0
2
y ( ) = ------ 1 + ----- G ( )
Equ(21.20)
c
N0
2
y ( ) = ------ 1 + ----- [ Tsinc ( T ) ] [ 2 2 cos ( 2 ( P + T ) ) ]
2
Equ(21.21)
N0 c
-----2- ----- G ( )
N
2
-----0- G ( ) d = -----02
2
+ N
-----2- G ( )
0
d .
N0
2
G ( ) d = -----2
h ( t ) dt
pb =
( y( ) Gpb ( )
Remplaons G pb ( )
) d
pb =
( ) Rect -------- d =
y
2B e
+B e
y ( ) d
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
292
pb = 2 y B e
pb = N 0 T b
1
Comme lon choisit b = ------ :
2T
2
pb = N 0 --2
Equ(21.22)
Vs
niveau de rfrence
signal
Reset (pr-charge)
sortie CCD
x( t)
CC
Vs ( t )
TS
CS
Vz ( t )
chantillonnage
commande
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
293
continu)
Le principe du circuit de "clamping" est trs simple, il est reprsent par la figure 21.19.
C
VC ( t )
sortie
CCD
x(t)
CC
X1
Vs ( t )
TC
commande
Figure 21.19 : Le circuit de clamping
Le circuit est compos dun condensateur C et dun interrupteur ralis avec un transistor
MOS. Lamplificateur de gain G assure :
Equ(21.23)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
294
t
R yy ( ) = Rect ----- [ R ss ( ) + R bs ( ) R V s ( )
T c
c
+ R sb ( ) + R bb ( ) R V b ( )
c
R sV ( ) R bV ( ) + R V
c
c Vc
()]
t
R yy ( ) = Rect ----- [ R ss ( ) + R bb ( ) R V b ( )
T c
c
R bV ( ) + R V
c
c Vc
Equ(21.25)
()]
Equ(21.26)
Considrons que le signal dentre est un bruit blanc de densit spectrale x ( ) = -----0- qui
2
Equ(21.28)
Equ(21.29)
sortie CCD
x(t)
CC
G
Vs ( t )
TS
CS
Vz ( t )
Vy ( t )
chantillonnage
commande
TRAITEMENT DU SIGNAL
Master CMI
295
Equ(21.30)
Equ(21.31)
z ( ) = y ( ) * ( T s sinc ( T s ) )
Equ(21.32)
A laide de (21.28) :
2
N0
z ( ) = T c ------ sinc ( T c ) * ( T s sinc ( T s ) )
2
Equ(21.33)
Si T s et T c sont petits :
2
N0
z ( ) ------ T c T s
2
Equ(21.34)
1
= ----------------------------2
1 + ( d )
Equ(21.35)
Equ(21.36)
Equ(21.37)
2
V s ( ) = s ( )
2
2
x ( ) = TS ( ) et ( 2 2 cos ( t c ) ) = G c est la fonction de transfert du circuit de "clam-
ping".
Finalement, on obtient :
N0
c
1
s ( ) = ------ 1 + ----- ----------------------------- ( 2 2 cos ( t c ) )
2
1 + ( )2
Equ(21.38)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
296
Equ(21.39)
La puissance du bruit en sortie du circuit de "clamping" est obtenue en intgrant (21.39) sur
toute la bande :
2
s =
+ N
- ( 2 2 cos ( t c ) ) d
2
-----2- ---------------------------1 + ( d )
1
s = d N 0 ( 1 e
2 d t c
Equ(21.40)
2
2
z = T s d N 0 ( 1 e
2 d t c
Equ(21.41)
T s d N 0
zmax
2
-------------- = -----------------------= 2T s d
2
pb
N 0 --2
2
2T s
zmax
-------------- = ---------2
Td
pb
Equ(21.42)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
297
l
l R
V1
l L
l G
l R l L
lC
V2
l G
l C
l R p
l
Z2
Z1
Z3
l L
l L
l C
V1
V2
l C
V3
Z L = i lL
1
Z C = ---------------i lC
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
298
Z 2 ZC
Z 1 = Z L + ------------------Z 2 + ZC
Equ(22.1)
Dans le cas o l 0 :
Z1 =
L
---C
Equ(22.2)
A
l R
V ( l, t )
l L
lG
V ( ( l + dl ), t )
l C
V ( l, t ) = R lI ( l, t ) L l I ( l, t )
t
Equ(22.3)
I ( l, t ) = G lV ( l, t ) C l V ( l, t )
t
Equ(22.4)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
299
V
l
= R
I
V
I
I
L
= R GV + C L
t l
t
t l
l
I
V
V
= G C
2
l t
t
t
2
V
l
= LC
V
t
+ ( LG + RC )
V
+ RGV
t
Equ(22.5)
I
l
= LC
I
t
+ ( LG + RC )
I
+ RGI
t
Equ(22.6)
V
l
= LC
V
t
Equ(22.7)
I
l
= LC
I
t
Equ(22.8)
it
avec = 2
V
l
= L CV = k V
2
avec k = LC
Les solutions de lquation diffrentielle sont de la forme : V ( l ) = V 1 e
V ( l, t ) = V 1 e
[ i ( t k l ) ]
+ V2e
[ i ( t + kl ) ]
ikl
+ V2 e
ikl
Equ(22.9)
Cette expression reprsente une onde se propageant dans la direction +l et une onde, qui
correspond une rflexion, dans la direction -l.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
300
1
v = ---- = ----------k
LC
Equ(22.10)
Si les caractristiques de la ligne de transmission sont homognes le produit LC est indpendant de la longueur.
On exprime souvent le temps de propagation par unit de longueur :
T = v
Equ(22.11)
LC
Z0 =
R + iL
--------------------G + iC
Equ(22.12)
L
---C
Equ(22.13)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
301
Soit V r et Ir la tension et le courant de londe rflchie. Quand londe rflchie est engendre en bout de ligne, il y a superposition de londe initiale et de londe rflchie. On peut dfinir
Z comme :
V0 + Vr
Z = -----------------I0 + Ir
De plus londe rflchie qui rentre dans la ligne est compatible avec limpdance caractV
Ir
I0
Ir
V0
I0
Equ(22.14)
Vr
Ir
Z Z0
= ------ = ---- = --------------V0
I0
Z + Z0
Equ(22.15)
de mme :
Equ(22.16)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
302
it
d V
dl
= LC [ V ] + [ LG + RC ]iV + RGV
d V
dl
d V
dl
= V [ G ( Li + R ) + iC ( R + Li ) ]
d V
dl
= V ( R + iL ) ( G + iC ) = V
( R + iL ) ( G + iC )
i ( t kl )
+ V2 e
i ( t + kl )
Equ(22.17)
Lquation 22.17 reprsente deux ondes se dplaant le long du cble, londe incidente et
londe rflchie.
Les pertes du cble (R et G) sont responsables dune attnuation exponentielle des ondes
dun facteur e
dk
Remarque : La dpendance de et de v = ------- avec la pulsation implique une attnuad
tion diffrente pour chaque composante frquentielle du signal. Ceci est lorigine de distorsions
sur le signal reu.
2
1
2
2
2 2
2
2 2
= --- [ ( RG LC ) + ( R + L ) ( G + C ) ]
2
2
1
2
2
2 2
2
2 2
k = --- [ ( RG LC ) + ( R + L ) ( G + C ) ]
2
Equ(22.18)
TRAITEMENT DU SIGNAL
Master CMI
303
( m )
LES LIGNES DE TRANSMISSIONS
= 4 10
(H m )
50Hz
10KHz
1MHz
100MHz
9,2mm
0,65mm
0,065mm
6,5
12
avec p = i
K est un paramtre indpendant de p li uniquement la gomtrie du cble.
On suppose une ligne de longueur l termine sur son impdance caractristique. Comme il
ny a pas donde rflchie :
E ( p )l
V ( l, p ) = --- e
p
( p ) = [ ( pL + R ) ( pC + G ) ]
12
12
)pC ]
12
12
= p ( LC )
1 2
K 12
1 + --------------
1 2
Lp
K
La ligne tant en rgime transitoire, on peut supposer que : -------------1.
12
Lp
1 2
1 2 K C 1 2 1 2
K
1 + ------------------ = p ( LC )
+ ---- ---p
1 2
2 L
2Lp
Posons :
=
L
---- limpdance caractristique du cble.
C
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
304
Equ(22.19)
K 12
p + --------- p l
2R c
K 12
p + --------- p l
2R c
K 12
E
= --- exp p + --------- p l
2R c
p
Kl 1 2
exp --------- p l
2R c
V ( l, p ) = E exp ( p ) ---------------------------------------------p
exp ( p ) reprsente le dlai d au temps de propagation dans le cble.
erf ( ( 2t
12
2
erf ( x ) = ----------12
12
12
12
) = 1 erf ( ( 2t ) )
))
du
Kl
V ( l, t ) = E 1 erf --------------------------------- ( t )
12
4R c ( t )
( t ) reprsente lchelon unit retard du temps .
K l
Le terme ----------2- a la dimension dun temps.
4R c
2 2
1
1
K l
Comme erf --- --- , posons ----------2- = T 0.5
2
2
4R
c
E
T 0.5 est le temps ncessaire pour que le signal reu atteigne --- .
2
1 T 0.5 1 2
V ( l, t ) = E 1 erf --- --------- ( t )
2 t
Equ(22.20)
T 0.5 est un paramtre qui ne dpend que de la gomtrie du cble. T 0.5 augmente comme
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
305
22.8.2. Expression de
T 0.5
12
i 2
K 1 2 i 4
( i ) = i + --------- e
avec i = e
2R c
K 12
K 12
( i ) = --------- ----
+ i + --------- ----
2R c 2
2R c 2
12
12
K
K
( i ) = --------- ( )
+ i 2 + --------- ( )
2R c
2R c
12
K
--------- ( )
reprsente lattnuation par unit de longueur.
2R c
12
K
= --------- ( )
2R c
2 2
l
T 0.5 = ----------
Equ(22.21)
V
l est lattnuation totale du cble la frquence exprime en Npers/mtre soit ln -----2- .
V1
En effet V ( t ) = E e
, on mesure donc e
Vout
t
La figure 22.5 reprsente ------------ = f --------- pour un chelon de tension lentre du cble.
Vin
T 0.5
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
306
MATRIAUX
CONSTANTE DILECTRIQUE
Polythylne
2,28
Polyttrafluorthylne
2,00
Polythylne cellulaire
1,6
1,35 1,60
4,7
PTFE ar
1,35
ns m
Equ(22.22)
20
43
39
35
22
46
41
39
37
32
24
60
45
44
43
42
26
65
57
54
44
43
28
74
53
51
49
47
49
46
47
30
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
307
()
Equ(22.23)
0
,
8 W + t
r + 1, 41
Equ(22.24)
W
t
h
Dilectrique
Masse
ns m
Equ(22.25)
Ce temps de propagation est indpendant de la gomtrie de la ligne mais dpend uniquement du matriau. Par exemple, pour de lpoxy G10 : r 4, 7 et t d = 5, 56ns m .
Remarque : Dans une ligne microstrip londe se propage dans deux milieux diffrents
lair et le dilectrique. Utilise avec des signaux trs rapide, il est possible de voir un prcurseur.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
308
60
4b
Z c = -------- ln -----------------------------------------------
t
r
0, 67W 0, 8 + ---W
Equ(22.26)
Stripline
Plan
ns m
Equ(22.27)
Equ(22.28)
Equ(22.29)
TRAITEMENT DU SIGNAL
Master CMI
309
tr
l > ------------2 td
Equ(22.30)
avec :
t r le temps de monte des signaux.
t d le dlai de la ligne par unit de longueur.
Par exemple, une ligne de dlai 5ns/m doit vhiculer des signaux dont le temps de monte
2
est de 2ns. Il faut adapter la ligne pour une longueur suprieure ------------ = 0, 2m .
25
l
c
Si Z l est la charge l = ---------------est le coefficient de rflexion la sortie.
Zl + Zc
On suppose que la ligne est adapte en entre, il ny a donc pas de rflexion en tte de ligne.
Vg
On suppose que t 0 est le dlai de la ligne et VA = ------- .
2
VA
Zc
Z0
Vl
Z
Vg
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
310
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
311
avec E lnergie totale dpose et W lnergie pour crer une paire lectron-trou.
Pour un processus initial poissonien ou gaussien, on peut supposer que la variance de N soit
2
classiquement N = N .
2
N = N
n1,e1
n2,e2
N = F N
nk,ek
N =
ni
et E =
i=1
ei .
i=1
dante. Lnergie totale est distribue sur les k interactions et le nombre total de paires cr est la
somme de toutes les paires lmentaires cres.
e
Les ensembles n i -----i sont statistiquement indpendants, identiquement distribus et de
W
moyenne nulle.
TRAITEMENT DU SIGNAL
Master CMI
312
LE FACTEUR DE FANO
Equ(23.1)
N = kn
Equ(23.2)
Comme :
n tant le nombre moyen de paires crer chaque interaction lmentaire.
en combinant (23.1) et (23.2) :
ei 2
E
2
N = ------------ n i -----
W n
W
Equ(23.3)
Posons :
e 2
n -----i
i
W
F = ----------------------n
Equ(23.4)
Equ(23.5)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
313
LE FACTEUR DE FANO
34
35
36
37
16
28
29
30
31
38
17
18
19
10
11
12
13
20
1
2
3
4
5
21
6
22
39
23
41
32
25
26
33
42
24
40
27
14
15
9
G
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
314
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
315
BROCHE
FONCTION
BROCHE
FONCTION
Rserv
14
Libre
Rserv
15
Rserv
Libre
16
+12V
Rserv
17
-12V
18
Libre
19
Rserv
20
Libre
+200V DC
21
Libre
Libre
22
Rserv
10
+6V
23
Rserv
11
-6V
24
Rserv
12
Rserv
25
Rserv
13
Libre
26
Libre
27
Libre
36
GATE
28
+24V
37
Libre
29
-24 V
38
30
Libre
39
31
Libre
40
32
Libre
41
117V AC (neutre)
33
117V AC (phase)
42
GND (qualit)
GND
34
35
TRAITEMENT DU SIGNAL
Master CMI
316
Quand la porte ECL est dans ltat (-1600mV, -800mV), le transistor est bloqu, la diode
conduit ( V d 0, 35V ). Aucun courant ne circule dans R : I=0mA.
5 2V
ECL
16mA
Diode
Schottky
220
50
Gnd
5 2V
TRAITEMENT DU SIGNAL
Master CMI
317
Source
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
gn ou encore en espace libre. Dans ce cas les composantes lectrique et magntique sont
perpendiculaires et le plan engendr est normal la direction de propagation des ondes. Le vecteur
S dfinit la direction de propagation, cest le vecteur de Pointing :
S = EH
Equ(25.1)
avec :
E en V/m
H en A/m
S en W/m2
En espace libre ( l > ------ ), le champ magntique est proportionnel au champ lectrique : les
deux champs sont coupls.
Le rapport E/H est homogne une impdance et sexprime en ohms. Cest limpdance de
londe en espace libre :
Z0 =
est
la
permittivit
--- = 377
lectrique
Equ(25.2)
10
0 = -----------2
4c
1
As
------------ = F m ,
Vm
dans
lair
0 = 8, 85pF m .
7
Si la source est une antenne de dimension importante ( D > --- ), le champ varie peu dans la
2D
direction privilgie dmission du lobe principal. Il faut alors se trouver une distance l > ---------- .
La figure 25.2 rsume ces diffrents aspects.
Z onde ( )
3
E = f(1 R )
E prdominant
H = f( 1 R2 )
5K
400
2
E = f(1 R )
H prdominant
H = f( 1 R3 )
20
01
05 1
Champ proche
Distance
5 ( 2 )
Champ loign
pdance de londe est leve et le champ lectrique est prdominant. E varie comme 1 r et H
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
comme 1 r .
Si la source est de faible impdance (une boucle par exemple), de tension faible et de courant lev, limpdance de londe est faible et le champ magntique est prdominant. H varie
3
comme 1 r et E comme 1 r .
( dB )
Equ(25.3)
( dB )
Equ(25.4)
Lefficacit dun cran dpend de la frquence, des matriaux utiliss, du type de champ ou
encore de la forme de lcran.
Lefficacit de lcran est gnralement obtenue par une rflexion dune partie de londe
incidente et par une attnuation de londe transmise en traversant lcran.
= A+R+B
( dB )
Equ(25.5)
A reprsente les pertes par absorption, R reprsente les pertes par rflexion et B est un terme
correctif dans le cas de rflexions multiples sur un cran de faible paisseur.
()
Equ(25.6)
De mme, on peut dfinir limpdance caractristique dun milieu par lquation 25.7.
Z0 =
i
------------------ + i
()
Equ(25.7)
--- =
0
------ = 377
0
Equ(25.8)
Dans le cas dun conducteur i , limpdance caractristique du milieu est limpP. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
dance du blindage Z s :
Zs =
--------- = ( 1 + i ) ------
2
Equ(25.9)
------
Equ(25.10)
et :
Zs =
-----r
r
Equ(25.11)
Matriau
Argent
1,05
Cuivre
Or
0,7
Aluminium
0,61
Nickel
0,20
Bronze
0,18
Acier
0,10
1000
Plomb
0,08
Acier inoxydable
0,02
500
Equ(25.12)
et :
Hi = H0 e
Equ(25.13)
1
-------------
(m)
( dB )
( dB )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
A = 1, 32 l r r
( dB )
Equ(25.14)
avec l en cm.
Remarque : r r = 1 pour le cuivre et 100 pour lacier !
Lefficacit dun blindage, en absorption, sera (en dB) 10 fois plus grande avec de lacier
compare du cuivre.
( dB )
Equ(25.15)
Dans le cas dune onde plane (champ loign), Z W = Z 0 = 377 , les pertes par rflexion
sont alors dfinies par lquation 25.16.
94, 25
R = 20 log -------------Zs
( dB )
Equ(25.16)
( dB )
Equ(25.17)
Plus limpdance de lcran est faible, plus lattnuation par rflexion est importante.
De mme plus la frquence est importante et plus les pertes par rflexion sont faibles.
Le matriau idal qui engendrera le plus de pertes par rflexion doit tre tel que le rapport
quil est trs difficile de se protger en basse frquence. Le principe de ce blindage est bas sur
linduction de courant dans le matriau. Il est fondamental que ces courants puissent circuler en
connectant correctement le blindage la masse du systme.
flexion. Il convient de trouver un matriau dont les caractristiques minimisent le rapport -----r . Il
r
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
faut toutefois noter quil est trs difficile de se protger en haute frquence.
25.3.1. Le couplage par impdance commune sur une liaison symtrique et asymtrique
Le couplage par impdance commune se produit lorsque des courants de deux systmes diffrents traversent une impdance commune. La variation de tension vue par lun des systmes dpendra de la variation de courant engendr par lautre systme (figure 25.3).
Systme 1
V1
Systme 2
I1
I2
V2
Le rcepteur rejette cette perturbation conduite en soustrayant la perturbation qui est commune aux deux entres.
Le taux de rjection du mode commun dpendra de la bonne symtrie du rcepteur. Une
paire torsade permet de raliser facilement ce type de liaison (figure 25.4).
I cm I p
Vd
2R
Ip
Z mc
V mc
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
lentre du rcepteur.
V 2 = V mc + V 1
V2 R
V1
Ip
Z mc
V mc
Equ(25.18)
V n = iRC 12 V 1
Cette quation montre que le couplage capacitif entre 2 conducteurs est proportionnel la
pulsation , R, C 12 et V 1 .
Pour diminuer ce couplage il faut diminuer C 12 en loignant les conducteurs ou blinder les
deux fils.
Le couplage par champ lectrique induit une tension perturbatrice.
C 12
2
1
V1
C1
C2
Vn
circuit, les deux circuits sont coupls par une mutuelle inductance M : M = ------2- et :
I1
= BS cos
est langle de B par rapport la normale la surface S (figure 25.9).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Equ(25.19)
V n = iBS cos
R1
R2
Equ(25.20)
V1
L e = ---Ie
Equ(25.21)
Le champ est nul lintrieur de la cavit centrale. Dans ce cas, la mutuelle inductance entre
1. Selon le thorme dAmpre
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
M = Le
La figure 25.12 montre le schma de cblage du cble blind et la figure 25.13 montre le
schma quivalent.
V in R
I e (bruit)
Gnd2
Gnd1
Gnd1
Le
R in =
Ie
Lm
Rm
Gnd2
Dans la boucle de masse reprsente, on peut dfinir la tension de mode commun entre
Gnd1 et Gnd2 :
V mc = [ R m + i2 ( L e + L m ) ]I e
Equ(25.23)
et en haute frquence :
V mc L m + M
--------- -----------------Vi
Lm
Equ(25.24)
On remarquera quun fil de reprise (de masse) pour connecter la tresse peut considrablement dtriorer leffet rducteur du cble blind (figure 25.14).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
Dilectrique
Isolant
me
Tresse+
reprise de masse
mc
port R ( ) = --------est reprsent par le graphique de la figure 25.15.
Vi
R m = 60m , L m = 3 10 H , M = 3nH .
Considrons dautre part le mme cble avec un fil de reprise de tresse de 1cm soit 10nH.
La figure 25.16 montre la dtrioration des caractristiques obtenues avec ce fil de reprise de
tresse (courbe en traits pointills). La courbe en trait plein reprsente les caractristiques sans reprise de masse.
On remarquera une dgradation des caractristiques dans un rapport 4 (1000/250).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
4
1 10
3
1 10
250
R1( )
100
R2( )
10
1
1
4
1 10
5
1 10
6
1 10
7
1 10
8
1 10
linique de lcran.
Z t = R m + iL m
Un cble haute immunit aura une impdance de transfert faible. Cest le cas par exemple,
des cbles double tresse.
25.4. La foudre
La foudre est une dcharge lectrostatique entre un cumulo-nimbus et le sol. En France, il
2
se produit en moyenne 1,6 millions de chocs par an, soit une moyenne de 3 chocs par Km . Les
rgions les plus touches sont le Massif Central et les Alpes du Nord.
5 impulsions
Le temps de monte des arcs subsquents est infrieur 0, 1s .
Ce risque est li la rapide monte en courant ( ----- lev) de limpulsion de foudre. Ce fort
dI
----- engendre un champ magntique H rayonn important. Le thorme dAmpre explicite H une
dt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
On peut facilement calculer la tension induite dans une boucle de surface S claire par
un champ H orthogonal :
H
V = S 0 -------t
I
1
V = S 0 ----- ---------t 2R
200S I
V = ------------ ----R
t
Equ(25.25)
avec :
V en volts,
2
S surface de la boucle en m ,
I
----- pente maximale du courant en KA par s ,
t
cre pour une boucle entre appareils de 1m (par exemple, un micro-ordinateur, son imprimante
et les liaisons secteurs) une tension de 90 volts.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
sont utiliss pour coder le signal analogique. Un convertisseur de N bits de rsolution utilisera 2
tats. Par exemple, un convertisseur de 12 bits pourra, en thorie, discerner 1 unit parmi 4096 ou
0,0244% de la pleine chelle. La prcision caractrise comment le convertisseur se rapproche des
limites thoriques, ceci inclut les diffrentes erreurs (quantification, etc.).
La figure 26.1 reprsente la fonction de transfert dun convertisseur analogique numrique
3
de 3 bits ( 2 tats).
Code
Amax-1.5lsb
111
110
101
max=q/2
100
lsb
011
010
001
Signal dentre
000
n1
+ a 1 2 + a 0 ] + V q
montre que les marches descalier scartent au plus de 1 2lsb par rapport la droite optimale.
La figure 26.2 reprsente lerreur (cart par rapport la droite idale) en fonction du signal
TRAITEMENT DU SIGNAL
Master CMI
332
dentre.
e
q/2
Signal dentre
-q/2
Equ(26.1)
Equ(26.2)
[ DNL k ]
max
Equ(26.3)
tous les k
111
110
code manquant
101
100
1.5 lsb
011
0.5 lsb
010
001
000
T(6)=T(7)
0
Signal dentre
TRAITEMENT DU SIGNAL
Master CMI
333
101
100
011
010
INL=1/2 lsb
001
000
Signal dentre
Equ(26.4)
q j
------q
DNL ( j )
j<i
j<i
Equ(26.5)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
334
Code
111
110
101
100
011
010
001
000
Signal dentre
1 lsb
111
110
101
Gain idal
pente = +1
100
011
010
001
000
Signal dentre
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
335
fondamental
harmoniques
( THD ) dB
V f2 + V f3 + V fn
= 20 log -------------------------------------------
2
V f1
12
Equ(26.6)
Equ(26.7)
Une mthode pour diminuer le THD consiste augmenter la rsolution du CAN. Dans ce
cas, la courbe de transfert se rapproche de la droite idale.
TRAITEMENT DU SIGNAL
Master CMI
336
(fa et fb) se combinent, par le biais des non-linarits, pour crer de nouvelles composantes frquentielles.
Les diffrents produits dinter modulation fmn sont tels que :
fmn = mfa nfb (m et n sont des entiers positifs)
On dfinit par le terme : IMD ( mfa + nfb ) lamplitude de linter modulation pour la composante ( mfa + nfb ) dont lordre est ( m + n ) .
Par exemple, si lon reconsidre lquation 26.7 avec Vin = cos 1 t + cos 2 t , au second
ordre, la non-linarit sera proportionnelle :
2
IMD dB
V ij
i, j
= 20 log ------------------
2
2
V a + V b
12
Equ(26.8)
V ij reprsente chacune des composantes cres par les deux frquences fondamentales V a
et V b . Gnralement V a = V b .
q
2
dune part que la puissance du bruit de quantification du codeur est b = ------ et dautre part que
12
S
le rapport signal bruit exprim en dcibels est : --- = 6n + 1, 8 . n tant le nombre de bits du
B dB
codeur.
Un certain nombre de mthodes vont permettre de dterminer le rapport signal bruit du
convertisseur. La connaissance de ce rapport va permettre dexprimer le nombre de bits effectifs
du CAN.
( S B )observ 1, 8
Nbeff = ----------------------------------------------6
Equ(26.9)
Le terme de rapport signal bruit doit tre considr avec prcaution, il convient de
connatre avec prcision ce qui a t mesur. Souvent, lorsque les harmoniques sont incluses dans
le bruit, on parle de rapport signal (bruit+distorsions) ou SINAD (en anglais). Dans ce cas, le
bruit doit tre valu par une mthode spectrale. Il est important de retrancher aux mesures un
ventuel dcalage continu (voir la figure 26.8).
TRAITEMENT DU SIGNAL
Master CMI
337
fondamental
harmoniques
pic du bruit
bruit moyen
dcalage
+A
v
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
338
cas favorables
1
Prob ( V v ) = ---------------------------------- = ------------ = --- ( ) (voir la figure 26.9).
cas possibles
a pv( v ) dv
Equ(26.10)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
339
+A
amplitude de la sinusode
numro du canal
N1
N1
N1
B
) = ------ ( n 2
)
N
2
P ( n ) = prob ( v ]n 1, n] ) =
n 1 pv( v )dv do :
N1
N1
)
B(n 2
1
)
B(n 1 2
P ( n ) = --- asin ------------------------------- asin ---------------------------------------N
N
A2
A2
Equ(26.11)
avec : n [ 1, 2 ] . Pour des raisons de commodit, il est possible, dans lquation 26.11,
deffectuer un changement de variable afin de numroter le numro du canal n partir de 0.
La frquence de la sinusode dentre doit tre choisie avec prcaution de manire garantir
lindpendance des chantillons. Un sous multiple de la frquence dchantillonnage amne toujours considrer les mmes codes. Il est ncessaire que le plus petit commun multiple soit trs
grand compar la taille de lenregistrement. Une rgle qui permet davoir une cohrence consiste
prendre, dune part fe > 2fin et dautre part :
fin
Mc
------- = -------fe
M
Equ(26.12)
coups.
NT
qN T
N(k )
q
N ( k ) ------ = ---------- do p ( k ) = ----------- = -------N
N
Vm
Vm
T
2
N' ( k )
q'
De la mme manire : p' ( k ) = ------------ = -------- En posant qk = q' :
NT
Vm
q
p' ( k )
----k- = ----------q
p(k)
Equ(26.13)
qk q
p' ( k ) p ( k )
DNL ( k ) = -------------- = ---------------------------q
p(k )
Equ(26.14)
On en dduit :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
340
et : DNL =
max
[ DNL k ] de mme :
tous les k
INL ( i ) =
q j
-------j<i q
DNL ( j )
Equ(26.15)
j<i
( obs - fit )
1 ------------------------n
Equ(26.16)
Si lon considre que lerreur la plus petite est donne par le bruit de quantification :
Vm
q
t = ---------- avec q = -------- (N tant le nombre de bits du CAN).
N
12
2
Vm
t = ----------------N
2 12
Vm
e = -------------------------NBeff
12
2
NBeff
NBeff N
2
-----t = --------------- = 2
N
e
2
t
log ------ = NBeff N
2 e
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
341
Equ(26.17)
d = E [ d ( n ) ] = E [ ( x ( n ) x ( n 1 ) ) ] = E [ x ( n ) ] + E [ x ( n 1 ) ] 2E [ x ( n ) x ( n 1 ) ]
2
E [ x ( n ) ] = E [ x ( n 1 ) ] = x
d = 2 x 2 xx ( 1 )
xx ( 1 )
2
2
d = 2 x 1 --------------2
x
Comme
Equ(27.1)
xx ( 0 ) = x ,
considrons
la
squence
dauto
corrlation
normalise
xx ( i )
x ( i ) = -------------- alors on peut mettre (27.1) sous la forme :
2
x
2
d = 2 x [ 1 x ( 1 ) ]
1
2
Equ(27.2)
Dans ce cas, il est plus intressant de quantifier d ( n ) puis de dduire la valeur code de la
suite { d q ( n ) } .
2
La variance d sera dautant plus petite que les chantillons seront corrls ( x ( 1 ) grand).
Comme
xx ( i ) = E [ x ( n ) x ( n i ) ]
(en
notation
normalise :
n n )
soit :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
342
d = x [ 1 + a 2a x ( 1 ) ]
Equ(27.3)
ak x ( n k )
k=1
N 1
2
2
1 0
[ x ( n ) x ( n ) ] = ------ e ( n )
N0 n = 0
N0 n = 0
2
1
et lerreur quadratique par : E [ e ( n ) ] = ------
E [ e ( n ) ] = 0 pour 0 k N 1
ak
N 1
N 1
2
2 0
2 0
E [ e ( n ) ] = ------ e ( n ) x ( n k ) = ------ [ x ( n ) x ( n ) ] x ( n k ) = 0
N0 n = 0
N0 n = 0
ak
x(n k) x(n) =
n=0
N0 1
ai
i=1
x(n k) x(n i)
Equ(27.4)
n=0
X =
x(0)
x(1 )
x ( N0 1 )
x ( 1 )
x ( N0 2 )
x ( N + 1 ) x( N + 2 ) x ( N0 N )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
343
et : X i = x ( i ) x ( i + 1 ) x ( i + N0 1 )
Alors lquation 27.4 peut se mettre sous la forme matricielle de Wiener-Hopf :
T
X X 0 = A [ X Xi ]
Equ(27.5)
E[X
RN
T
Xi ]
N 1
1 0
= ------ x ( n i ) x ( n j ) est la matrice dauto corrlation R N .
N0 n = 0
r( 0)
r( 1)
r
(
1
)
r
(0)
=
r(N 1 ) r( N 2)
r( N 1)
r( N 2)
r(0)
E [ X X0 ] = A E [ X Xi ]
Rp = A RN
soit :
N
ai r ( p i )
r( p ) =
Equ(27.6)
i=1
Il est possible de dduire de lquation 27.5, le jeu de coefficients qui minimise lerreur
quadratique :
T 1
A opt = [ X X i ]
X X0
Equ(27.7)
soit :
1
A opt = R N R p
Equ(27.8)
e ( n ) = x ( n ) A opt X ( n ) = x ( n ) X ( n )A opt
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
344
E [ e ( n ) ] min = dmin = r ( 0 )
ai ri
Equ(27.9)
i=1
N
2
2
dmin = x 1 a i x ( i )
i=1
Equ(27.10)
x(n ) +
d(n)
dq( n )
+1/-1
-
x( n)
a
ax q ( n 1 )
xq ( n )
ax q ( n 1 ) + d q ( n )
Figure 27.1 : Modulateur sigma delta dordre 1
Sur le schma de la figure 27.1, le quantificateur est de 1 bit (entre d(n), sortie d q ( n ) ), 2
niveaux sont possibles (+1 ou -1).
x ( n ) = axq ( n 1 )
x q ( n ) = x ( n ) + d q ( n )
x q ( n ) = ax q ( n 1 ) + d q ( n )
Cet accumulateur est quivalent un intgrateur (bote en trait pointill sur la figure 27.1).
Si la pente du signal dentre est plus grande que celle du modulateur, une distorsion de
pente apparat (figure 27.2). Il est possible de limiter cet effet en plaant un intgrateur en entre
du modulateur.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
345
x(n)
x ( n 1 )
Pas
Distorsion de pente
x ( n )
1 Fs
Figure 27.2 : Principe de la poursuite du signal dans un CAN sigma delta
Le modle dun modulateur sigma delta du premier ordre est reprsent par la figure 27.3.
Le bloc H(z) modlise un intgrateur dont la fonction est double : limiter la pente du signal dentre et crer un effet mmoire. Le quantificateur est modlis par un comparateur idal avec un
bruit de quantification e(n).
H( z)
x(n)
+
-
+
-
e( n)
d( n)
dq ( n )
pour le bruit.
Calculons le gain pour le signal x ( z ) lorsque e ( z ) = 0 :
[ x ( z ) d qs ( z ) ] H ( z ) = d qs ( z )
x ( z ) H ( z ) d qs ( z ) H ( z ) = d qs ( z )
H(z)
d qs ( z ) = --------------------- x ( z )
1 + H(z)
H(z)
H s ( z ) = --------------------1 + H(z)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
346
Equ(27.11)
Equ(27.12)
= y(z )
= y(z)
[x(z ) + y(z )] z
x ( z )z
+ y ( z )z
y(z )
z
H ( z ) = ---------- = ---------------1
x(z )
1z
z
---------------1
1
H(z)
1z
H s ( z ) = --------------------- = -------------------------- = z
1
1 + H(z)
z
1 + ---------------1
1z
Equ(27.13)
1
1
1
H b ( z ) = --------------------- = -------------------------- = 1 z
1
1 + H(z )
z
1 + ---------------1
1z
Equ(27.14)
Hb( ) = 1 e
2i ----s
= e
i ----- i ----s
s
i -----
s
H b ( ) = 2 sin -----s
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
347
+B
s =
B H b ( )
S b ( ) d
e
S b ( ) = ------ tant la densit spectrale de puissance du bruit de quantification.
s
2
b =
+B 2
e
2 +B
e
2
------ 4 sin ----- d = 4 -----
s
s
B s
2
sin ------ d
s
2
1
comme sin x = --- ( 1 cos 2x )
2
b
2
e +B 1
= 4 -----s
+B
B
e 2B
2
2B
b = 2 ------ ---------- sin --------- s
s
Equ(27.15)
x
sin x x ----- +
3!
2
e 2 2B 3
2
b = ------ ----------
3 s
Equ(27.16)
2
x(n)
H(z)
d( n )
-1
H (z)
dq( n )
x( z)
+
Z
TRAITEMENT DU SIGNAL
Master CMI
348
Dans ce systme : x ( z ) + y ( z ) z
= y ( z ) do :
y(z )
1
H ( z ) = ---------- = ---------------1
x(z )
1z
= d qs ( z )
2
1
d qs ( z )
H (z) z
H s ( z ) = --------------- = -----------------------------------------------------------------2
1
1
x(z )
1 + H (z) z + H(z ) z
Hs ( z ) = z
Equ(27.17)
+ e ( z ) = d qb ( z )
1 2
d qb ( z ) = e ( z ) ( 1 z )
d qb ( z )
1 2
H b ( z ) = --------------- = ( 1 z )
e(z)
Equ(27.18)
1 2
x(z) + (1 z ) e(z)
2i -----
1 2
2
soit : H b ( ) = 4 sin
------
+B
s =
e
2
H b ( ) S b ( ) d S b ( ) = ------ tant la DSP du bruit de quantification
s
2 +B
2
b
e
= 16 -----s
2
b
e
= 16 -----s
2 +B
1
--4
e 3
s 2
1
- d = 4 ---- 3--- + 1--- cos 4 ----- 2 cos ----- --- + --- -----s- sin 4
---------- ----- sin --------2 2
s
2
2
s
s
s
s
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
349
+B
B
s
4 e
2 s 2B
= --------- 3B + ------ sin 4B
---------- -------- sin ---------s
4
s
s
2
b
Equ(27.19)
x
x
sin x x ----- + ----- +
3! 5!
4
2
2 2B
b = e ----- -------
5 s
Equ(27.20)
2
1 n
x(z) + (1 z ) e(z)
1 n
le bruit H b ( z ) = ( 1 z ) .
Hb( z ) = z
n 2
(z
12
1 2 n
2n
2 +B
e
= -----s
B 2
sin
-----s
2n
in in
------------ -----------s
s
in n
------------
s
2n
sin
-----s
2n
2n
2
2
2B 2n + 1
b = e --------------- -------
2n + 1 s
Equ(27.21)
b
-----k
max
max
k max
ordre3
ordre2
ordre1
2
bn
k ( 2 max)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
350
27.4. Applications
De nombreuses applications, ncessitant une trs grande dynamique, sont bien adaptes
lutilisation de modulateurs sigma-delta. La principale limitation est lie au facteur de surchantillonnage k. Si lon considre k = 100 et une frquence de surchantillonnage de 100MHz, on
demande au signal dentre davoir une bande passante infrieure au 1MHz. De nombreuses applications audio ou vocales sont bien adaptes un tel systme.
dq ( n )
PR
xq ( n )
xq ( n )
+
PR
Figure 27.8 : Dcodeur sigma-delta
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
351
donn , qui se rapproche au mieux de s ( t ) en tenant compte que lobservation et le signal sont
corrls. On obtient ces estimateurs en optimisant un critre particulier.
Lide est ensuite de raliser ces estimateurs au moyen de filtres,
Compte-tenu des informations disponibles m ( t i ) et de linstant , il est possible de classer
les problmes destimation en 3 catgories :
Si < t f il sagit dun problme de lissage ou dinterpolation. On cherche une valeur
entre les instants de mesure.
Si = t f il sagit dun problme de filtrage. On connat toutes les mesures passes et
courante pour lestimation en cours.
Si > t f il sagit dun problme de prdiction ou dextrapolation. On connat les
valeurs passes et lon dsire prdire une valeur future.
Afin de faciliter les calculs, nous introduirons le concept thorique de filtre dinnovation et
de blanchiment. Ces filtres nont pas de ralit physique.
On appelle filtre dinnovation (L) le systme qui sollicit en entre par un bruit blanc b ( t )
2
tion donnant en sortie un bruit blanc b ( t ) de densit spectrale b lorsquil est sollicit par le signal
y ( t ) de densit spectrale y ( ) .
Il est donc possible de remplacer une squence x ( n ) corrle par la squence w ( n ) (caractristique dun bruit blanc) qui nest pas corrle et ainsi simplifier considrablement les calculs.
b ( ) = b
Equ(28.1)
La densit spectrale du bruit blanc est gale la variance du processus et sa fonction dauto
2
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
352
LA PRDICTION ET LESTIMATION
Bruit blanc
b( t)
L( )
y(t)
y ( )
Equ(28.2)
Equ(28.3)
y ( ) = L ( ) L ( ) b
La factorisation spectrale est la technique qui permet de trouver un filtre (L) dont la densit
spectrale est de la forme (28.2) ou (28.3).
ln y ( )
--------------------- d <
2
1+
Equ(28.4)
La factorisation spectrale peut savrer difficile obtenir. Considrons, pour simplifier que
lon a affaire des processus rels et rationnels. Lorsque les densits spectrales ne sont pas rationnelles, il est gnralement possible dapprocher le cas rationnel par une approximation.
Pour des processus rels la densit spectrale est une fonction paire : y ( ) = y ( ) et
2
N( )
y ( ) = --------------2
D( )
Equ(28.5)
2
N ( p )
C ( p )C ( p )
y ( p ) = ------------------ = ---------------------------- = L ( p )L ( p )
2
E ( p )E ( p )
D ( p )
Equ(28.6)
C( p)
avec L ( p ) = -----------E(p )
L ( p ) regroupe les racines et ples du demi-plan gauche, ce qui assure la stabilit du filtre
et sa phase est minimale.
Exemple
2
9 + 4 ( 2 )
- et cherchons
Considrons la densit spectrale ( ) = -----------------------------------------------------------------------------------------2
4
2
( 4 + ( 2 ) ) ( ( 2 ) + 2 ( 2 ) + 1 )
le filtre L ( p ) correspondant. Passons dans le domaine de Laplace (en tenant compte que
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
353
LA PRDICTION ET LESTIMATION
= p ).
2
9 4p
( 3 + 2p ) ( 3 2 p )
( p ) = ---------------------------------------------------- = ------------------------------------------------------------------------------------------------2
4
2
2
2
( 4 p )( p 2p + 1 )
( 2 + p ) ( 2 p ) ( p + 2p + 1 ) ( p 2 p + 1 )
Equ(28.7)
x (k) :
T
R xx = E [ x ( k )x ( k ) ] = E [ xx ]
Equ(28.8)
R xx = E [ xx ]
Equ(28.9)
E [ x 0 ] E [ x0 x 1 ] E [ x 0 x n ]
R xx = E [ x 1 x 0 ] E [ x 1 ] E [ x 1 x n ]
Equ(28.10)
E [ x n x 0 ] E [ xn x 1 ] E [ x n ]
Equ(28.11)
La matrice R est une matrice de Toeplitz si le processus dentre est stationnaire au sens
R = R
large.
Dans ce cas, R est une matrice carre dont les lments sur une diagonale descendants de gauche
droite sont gaux. On peut r-crire (28.10) de la manire suivante :
R xx =
Rx ( 0 )
Rx ( 1 )
Rx ( 1 )
Rx ( 0 )
Rx ( n 1 )
Rx ( n ) Rx ( n + 1 )
Rx ( n )
Rx ( 0 )
Equ(28.12)
Une des valeurs propres i et le vecteur propre q i , correspondant, de la matrice R sont relis par la relation :
Rq i = i q i
Equ(28.13)
TRAITEMENT DU SIGNAL
Master CMI
354
LA PRDICTION ET LESTIMATION
( R i I )q i = 0
Equ(28.14)
Equ(28.15)
Equ(28.16)
0 0 n
alors :
1
Q RQ =
Equ(28.17)
Les diffrents vecteurs q i sont linairement indpendants donc Q est inversible.
La matrice Q nest pas unique, en effet chaque vecteur q i peut tre multipli par une
constante non nulle, les nouveaux vecteurs obtenus sont galement des vecteurs propres.
Pour des raisons de simplicit, on ne considrera que les vecteurs propres normaliss de
longueur 1 tels que :
H
pour i = 0, 1, , n
q i qi = 1
Equ(28.18)
Si la matrice R est Hermitienne, les vecteurs propres sont orthogonaux entre eux, cest
dire que :
H
pour i j
qi q j = 0
Equ(28.19)
Equ(28.20)
Il est possible, en utilisant (28.17), (28.18) et (28.20), de dcomposer une matrice Hermitienne de la faon suivante :
Q Q = I
R = QQ
i qi qi
Equ(28.21)
i=0
on obtient :
w Rw =
i w
qi qi w =
i w
qi
Equ(28.22)
i=0
i=0
qi = i R qi
Equ(28.23)
Les vecteurs propres dune matrice et de son inverse concident si les valeurs propres sont
rciproques :
TRAITEMENT DU SIGNAL
Master CMI
355
LA PRDICTION ET LESTIMATION
----i qi qi
Equ(28.24)
i=0
Une autre consquence du fait que Q est unitaire, pour les matrices Hermitiennes, est quil
est possible dcrire R sous la forme :
H
0 q0
R =
1 q1
0 q0
1 q1
n qn
= LL
Equ(28.25)
n qn
tr ( R ) =
Equ(28.26)
i=0
det ( R ) = det ( ) =
Equ(28.27)
i=0
28.2.1.1 Exemples
Exemple 1
On cherche la fonction dauto corrlation du signal
l1
( a 1 ) n ( k i )
x ( k ) = ( a1 ) x ( k l ) +
Equ(28.28)
i=0
2
E [ x ( k )x ( k l ) ] = R xx ( l ) = ( a 1 ) E [ x ( k l ) ]
2
Equ(28.29)
E [ x ( k ) ] = E { [ a1 x ( k l ) + n ( k ) ] [ a1 x ( k l ) + n( k ) ] }
2 2
= E [ a1 x ( k l ) ] + E [ n ( k ) ] = a 1 E [ x ( k ) ] + n
2
2
x
n
= E [ x ( k ) ] = -------------2
1 a1
2
Equ(28.30)
n
R xx ( l ) = ( a 1 ) -------------2
1 a1
l
Equ(28.31)
TRAITEMENT DU SIGNAL
Master CMI
356
LA PRDICTION ET LESTIMATION
2
n
1 a 1 a1
R = -------------- a 1 1 a 1
2
1 a1
2
a1 a1 1
Exemple 2
On considre la matrice de corrlation R = 2 1 . Dterminons les valeurs propres et les
1 3
1
= 0
3
soit : ( 2 ) ( 3 ) 1 = 0
2
5
5
5 + 5 = 0 avec pour racines : 1, 2 = --- ------2 2
et q 1 = 0, 53 0, 85
xx ( z ) =
Rxx ( m )z
Equ(28.32)
2i
log xx ( z ) =
g ( m )z
Equ(28.33)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
357
2i
:
LA PRDICTION ET LESTIMATION
log xx ( ) =
g ( m )e
2i
Equ(28.34)
12
1 2 [ log xx ( ) ]e
2i m
m = 0, 1, 2,
Equ(28.35)
xx ( z ) = exp
g ( m )z
= exp [ g ( 0 ) ] exp
g ( m )z
exp
g ( m )z
m =
m=1
posons
2
w
= exp [ g ( 0 ) ] , L ( z ) = exp
Equ(28.36)
g ( m )z
et L ( z ) = exp
g ( m )z
m =
m=1
1
xx ( z ) = w L ( z )
Equ(28.37)
2
w
L()
2i
, il vient :
Equ(28.38)
Dans le cas discret, la condition de Paley-Wiener se dduit directement de (28.35), lexistence de xx ( ) dpend de lexistence de g ( m ) :
12
1 2
[ log xx ( ) ]e
2i m
d =
12
Equ(28.39)
Lquation 28.37 dfinit que L ( z ) est le gain dun filtre qui a une fonction analytique lintrieur du cercle unit. Dans ce cas : L ( z ) =
h ( n )z
n=0
2
La sortie de ce filtre, attaque par un bruit blanc de variance w , une densit spectrale
2
h ( k )w ( n k )
en un bruit blanc
k=0
(filtre de blanchiment). Le processus alatoire stationnaire de sortie w ( n ) est le processus dinnovation associ la squence x ( n ) .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
358
LA PRDICTION ET LESTIMATION
Bruit blanc
w(n )
filtre dinnovation
x(n)
L( z)
xx ( z )
2
w
x( n)
w( n)
1
H ( z ) = ---------L( z)
xx ( z )
filtre de blanchiment
Bruit blanc
processus dinnovation
Remarque importante :
1
Comme H ( z ) = ---------- , les squences de sorties des deux filtres sont lies et contiennent la
L( z)
mme information. Connaissant L ( z ) , donc H ( z ) , il est donc possible de remplacer une squence
x ( n ) corrle par la squence w ( n ) qui a les caractristiques dun bruit blanc, donc non-corrle,
et ainsi simplifier considrablement les calculs.
2
Exemple : Le signal w ( n ) est un bruit blanc de variance w lentre dun filtre tel que :
n
du filtre.
Dterminer les fonctions dauto corrlation R uu ( k ) , R yy ( k ) et dinter corrlation R yu ( k ) .
Dterminer le spectre u ( e
2i
) et linter spectre yu ( e
2i
).
Solution :
2
1- La fonction dauto corrlation dun bruit blanc est donne par R xx ( ) = b ( ) , donc
2
R uu ( k ) = w ( k )
2- R yy ( k ) = E [ y ( n )y ( n k ) ] avec y ( n ) =
h ( j )w ( n j )
j =
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
359
LA PRDICTION ET LESTIMATION
R yy ( k ) = E h ( j )w ( n j ) h ( m )w ( n k m ) =
m =
j =
h ( j )h ( m )E { w ( n j )w ( n k m ) }
j, m =
( k + m j ) =
2
w
h ( j )h ( j k ) =
2j
j = max ( 0, k )
2 k
wa
j, m =
2 k
w a
2
h ( j )h ( m ) w
j, m =
2j
a u ( j )u ( j k )
j, m =
2 k
w a
--------------
2
1a
2 k
2 k
w a
2j
2(j + k)
2 k
w a a = w a a
= -------------2
1a
j=k
j=0
k 0
k>0
wa
= --------------2
1a
h
(
j
)w
(
n
j
)w
(
n
k
)
j = 0
3- R yu ( k ) = E { y ( n )u ( n k ) } = E
2
w
j=0
4- u ( e
2i
h(k + 1)
h ( j ) ( k + 1 j ) = w
k+1 0
2 k+1
u(k + 1)
= wa
k+1 <0
) = w
n
1
5- La transforme en z de h ( n ) = a u ( n ) est : H ( z ) = ------------------et dans ce cas :
1
1 az
H(e
2i
1
) = -------------------------- 2i
1 ae
La densit spectrale y ( e
y ( e
2i
) = u ( e
2i
2i
) H(e
2i 2
= w H ( e
2i
) H (e
2i
w
w
= --------------------------------------------------------------- = ------------------------------------------------------ 2i
2i
2
( 1 ae
) ( 1 ae
)
1 + a 2a cos ( 2 )
6- On peut trouver yu ( e
2i
2 k+1
tion R yu ( k ) : R yu ( k ) = w a
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
k
1
u ( k + 1 ) . A partir de la transforme en z de a u ( k ) ------------------- on
1
1 az
360
LA PRDICTION ET LESTIMATION
trouve :
2 2i
yu ( z ) =
2
z
w ------------------1
1 az
et yu ( e
2i
w e
) = -------------------------- 2i
1 ae
2 B ( z )B ( z )
xx ( z ) = w --------------------------1
A ( z )A ( z )
Equ(28.40)
et tel que r 1 < z < r 2 . Les polynmes A ( z ) et B ( z ) ont des racines situes l'intrieur du
B(z)
cercle unit. Posons L ( z ) = ----------- . Dans ce cas, le filtre L ( z ) peut se mettre sous la forme :
A(z)
bk z
B(z)
k=0
L ( z ) = ----------- = -------------------------------p
A(z)
k
1 + ak z
z > r1
Equ(28.41)
k=1
Dans le domaine temporel, le filtre dinnovation est sollicit par un bruit blanc de squence
w ( n ) et sa sortie est une squence x ( n ) . En reconsidrant lquation (28.41) dans le domaine
temporel :
p
x(n) +
ak x ( n k ) =
k=1
bk w ( n k )
Equ(28.42)
k=0
28.4.1. Processus AR
Ce processus est caractris par b 0 = 1 , b k = 0 pour k > 0 . Dans ce cas (28.42) devient :
p
x(n) +
ak x ( n k )
= w( n)
Equ(28.43)
k=1
duite de (28.40) :
2
w
xx ( z ) = --------------------------1
A ( z )A ( z )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
361
Equ(28.44)
LA PRDICTION ET LESTIMATION
Equ(28.45)
Exprimons successivement, x ( k 1 ), x ( k 2 ), x ( k l + 1 )
x ( k 1 ) = a1 x ( k 2 ) + w ( k 1 )
Equ(28.46)
x ( k 2 ) = a1 x ( k 3 ) + w ( k 2 )
Equ(28.47)
x ( k l + 1 ) = a1 x ( k l ) + w ( k l + 1 )
Equ(28.48)
x ( k ) = ( a1 ) x( k l ) +
( a 1 ) w ( k j )
j
Equ(28.49)
j=0
2
x
n
= E [ x ( k ) ] = -------------2
1 a1
2
Equ(28.50)
l n
R xx ( l ) = ( a 1 ) -------------2
1 a1
Equ(28.51)
28.4.2. Processus MA
Ce processus, moyenne mobile, est caractris par a k = 0 pour k 1 . Dans ce cas (28.42)
devient :
q
bk w ( n k )
x(n) =
Equ(28.52)
k=0
1
La fonction de transfert du filtre correspondant est L ( z ) = ----------- avec A ( z ) un polynme
A(z)
Dterminons
le
spectre
x ( e
2i
dun
processus
MA
tel
que
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
362
LA PRDICTION ET LESTIMATION
R xx ( k ) = E { ( b 0 w ( n ) + b 1 w ( n 1 ) ) ( b 0 w ( n k ) + b 1 w ( n 1 k ) ) }
2
2
= E b 0 w ( n )w ( n k ) + b 0 b 1 w ( n )w ( n k 1 ) + b 0 b 1 w ( n 1 )w ( n k ) + b 1 w ( n 1 )w ( n k 1 )
= b 0 R ww ( k ) + b 0 b 1 R ww ( k 1 ) + b 0 b 1 R ww ( k + 1 ) + b 1 R ww ( k )
2
= R ww ( k ) ( b 0 + b 1 ) + 2R ww ( k 1 )
] = 2 w cos 2 en remarquant
2i
) = w ( b 0 + b 1 + 2 cos 2 )
ak x( n k )
x ( n i ) =
ki
Equ(28.53)
k=0
e ( n ) = x( n i) +
ak x ( n k )
ki
k=0
p
(i)
e (n) =
ak x ( n k )
Equ(28.54)
ai = 1
k=0
a1 a0
ap ap 1
(i )
e (n)
x ( n i )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
363
LA PRDICTION ET LESTIMATION
La prdiction linaire fait gnralement appelle des mthodes itratives afin de rsoudre
les diffrentes quations. Par exemple, prenons le cas de la matrice de corrlation dun signal stationnaire rel x ( n ) de K chantillons. Cherchons une relation entre les matrices dauto corrlation
R K du signal x ( n ) (K chantillons) et R K + 1 ( K + 1 chantillons).
La matrice dauto corrlation R K est dfinie par :
T
RK = E [ xK xK ]
Equ(28.55)
RK
r(0)
r( 1 )
r
(
1
)
r( 0 )
=
r( K 1 ) r(K 2 )
r(K 1)
r(K 2)
r( 0 )
T
RK + 1
r(0 ) r( 1)
r
= (1 ) r( 0)
r(K ) r( K 1)
r(K)
r( K 1)
r( 0)
RK + 1 =
r ( 0 ) ra
ra RK
RK r b
Equ(28.56)
rb r ( 0 )
r b = [ r ( K )r ( K 1 )r ( 1 ) ]
Equ(28.57)
T
Equ(28.58)
Lquation (28.56) montre bien quil existe une relation entre les matrices dauto corrlation R K et R K + 1 .
x ( n ) =
ak x ( n k )
Equ(28.59)
k=1
Equ(28.60)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
364
LA PRDICTION ET LESTIMATION
ak x ( n k )
f(n) = x(n) +
Equ(28.61)
k=1
f ( n ) = x ( n ) + aP x ( n 1 )
Equ(28.62)
avec :
a P = [ a 1 a 2 a P ]
x ( n 1 ) = [ x ( n 1 )x ( n 2 )x ( n P ) ]
f(n) =
ak x ( n k )
Equ(28.63)
k=0
avec a0 = 1 .
f(n )
a1
ap a p 1
x ( n )
x(n)
f(n )
prdicteur
linaire
avant
x ( n )
P M
aP
P M
aP
P M
aP
= 2E f ( n )
T
= 2E [ f ( n )x ( n 1 ) ] = 2E [ x ( n ) + a P x ( n 1 ) ] [ x ( n 1 ) ]
= 2E { x ( n )x ( n 1 ) } + 2a P E { x ( n 1 )x ( n 1 ) } = 0
On
remarquera,
daprs
(28.57),
que
E { x ( n )x ( n 1 ) } = r a
et
que
E { x ( n 1 )x ( n 1 ) } = R P daprs (28.55).
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
365
LA PRDICTION ET LESTIMATION
Equ(28.64)
r a + aP RP = 0
P M = E { f ( n )f ( n ) }
*
T
T
P M = E { f ( n )f ( n ) } = E [ x ( n ) + a P x ( n 1 ) ] [ x ( n ) + a P x ( n 1 ) ]
T H
= E [ x ( n )x ( n ) ] + a P E [ x ( n )x ( n 1 ) ] + a P E [ x ( n 1 )x ( n ) ] + a P a P E [ x ( n 1 ) ( x ( n 1 ) ) ]
On remarquera que :
*
E [ x ( n )x ( n ) ] = r ( 0 )
*
E [ x ( n )x ( n 1 ) ] = E [ x ( n 1 )x ( n ) ] = r a
*
E [ x ( n 1 ) ( x ( n 1 ) ) ] = RP
PM = r ( 0 ) + aP ra
Equ(28.65)
r ( 0 ) + aP ra = P M
que lon peut crire sous une forme matricielle plus synthtique :
ra + aP RP = 0
T
r ( 0 ) ra
1
PM
=
aP
0
ra RP
Equ(28.66)
Et en posant a M =
1
PM
=
aP
0
Equ(28.67)
1
il vient :
aP
RP + 1 aM =
PM
Equ(28.68)
x ( n p ) =
ck x ( n k )
Equ(28.69)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
366
LA PRDICTION ET LESTIMATION
p1
ckx( n k)
g(n) = x(n p) +
Equ(28.70)
k=0
Equ(28.71)
ck x ( n k )
g(n) =
Equ(28.72)
avec c p = 1
k=0
g(n)
c 1 c0
cp 1
x ( n p )
P M
cP
P M
cP
P M
cP
= 2E g ( n )
T
= 2E [ x ( n p ) + c p x ( n ) ]x ( n ) = 0
T
T
T
E [ x ( n p ) + c p x ( n ) ]x ( n ) = E { x ( n p )x ( n ) } + c p E { x ( n )x ( n ) } = 0
On remarquera que :
T
E { x ( n p )x ( n ) } = r b
T
E { x ( n )x ( n ) } = R p , alors
Equ(28.73)
rb + cp Rp = 0
*
*
P B = E { g ( n )g ( n ) } = E [ x ( n p ) + c p x ( n ) ] [ x ( n p ) + c p x ( n ) ]
= E [ x ( n p )x ( n p ) ] + c p E [ x ( n p )x ( n ) ] + c p E [ x ( n )x ( n p ) ] + c p c p E [ x ( n )x ( n ) ]
On remarquera que :
*
E [ x ( n p )x ( n p ) ] = r ( 0 )
*
E [ x ( n p )x ( n ) ] = E [ x ( n )x ( n p ) ] = r b
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
367
LA PRDICTION ET LESTIMATION
E [ x ( n )x ( n ) ] = R p
PB = r ( 0 ) + cp rb
Equ(28.74)
r ( 0 ) + cp rb = PB
que lon peut crire sous une forme matricielle plus synthtique :
rb + cp Rp = 0
T
r (0 ) rb
1
PB
=
cp
0
rb RP
Equ(28.75)
RP + 1
Equ(28.76)
pk
Equ(28.77)
x ( n p ) =
ap k x( n p + k )
*
Equ(28.78)
k=0
JP
0
0
=
0
1
0
0
1
0
0
1
0
0
1
0
telle que :
0
0
RP JP = JP RP
Equ(28.79)
Equ(28.80)
Equ(28.81)
Equ(28.82)
Rp JP cp = ra
Equ(28.83)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
368
Equ(28.84)
LA PRDICTION ET LESTIMATION
a P = JP cp
Cette dernire quation est une autre faon de montrer que les coefficients des prdictions avant et arrire sont identiques et en ordre inverse.
La variance de lerreur de la prdiction arrire est donne par lquation (28.74) :
T
PM = r ( 0 ) + rb c p
T
PM = r ( 0 ) + ra aP = PB
Cette dernire quation montre que les variances des erreurs des prdictions avant et
arrire sont gales.
Reprenons lquation (28.72), qui donne lerreur de la prdiction arrire :
p
ckx( n k )
gp ( n ) =
Equ(28.86)
avec c p = 1
k=0
cp ( k )z
Cp ( z ) =
et laide de (28.77)
k=0
p
Cp ( z ) =
cp ( k )z
k=0
*
ap ( p
k )z
= z
k=0
ap ( k )z
*
p *
= z Ap ( z )
Equ(28.88)
k=0
Cette quation implique que la fonction de transfert C p ( z ) ses zros inverss et conjugus
par rapport ceux du polynme A p .
On remarquera que lerreur de la prdiction avant est donne par (28.63) :
p
fp ( n ) =
ak x ( n k )
k=0
F p ( z ) = A p ( z )X ( z )
Equ(28.89)
h ( k )x ( n k )
Equ(28.90)
k=0
On peut donner un schma dun tel filtre (avec h 0 = 1 ) on peut r-crire (28.90) :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
369
LA PRDICTION ET LESTIMATION
y(n) = x(n) +
h ( k )x ( n k )
Equ(28.91)
k=1
x(n)
y(n )
z
hm 1
h2
h1
hm
ak x( n k )
sappa-
k=1
rente avec lquation du filtre RIF (28.91), on parle alors de filtre de prdiction (figure 28.8).
+
x(n)
f(n)
z
am 1
a2
a1
am
f1
f2
fn 1
g0
g1
g2
gn 1
err ( n ) = x ( n ) + a 1 x ( n 1 )
ar
err ( n ) = x ( n 1 ) + a 1 x ( n )
Cette opration peut tre ralise, simplement, par la structure de la figure 28.10 :
si f 0 = g 0 = x ( n ) et K 1 = a 1 alors f 1 = e ( n ) et g 1 = x ( n 1 ) + a1 x ( n )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
370
LA PRDICTION ET LESTIMATION
f0
*
K1
g0
f1
g1
K1
En effet, f 1 = f 0 + K 1 g 1 et g 1 = K 1 f 0 + g 1
La structure de la cellule en treillis permet dobtenir, simultanment, les erreurs de prdiction avant et arrire.
Les paramtres Ki sont les coefficients de rflexions du filtre en treillis.
Pour la cellule j, on obtient facilement les quations suivantes :
Equ(28.92)
fj = fj 1 + Kj gj 1
*
Equ(28.93)
g j = Kj fj 1 + g j 1
Equ(28.94)
Remarque : Il est possible de dfinir, dune manire quivalente, le filtre en treillis en uti*
f j = f j 1 + Kj gj 1
Equ(28.95)
g j = K j fj 1 + gj 1
Equ(28.96)
Equ(28.98)
Equ(28.99)
Fj ( z ) = Fj 1 ( z ) + Kj z Gj 1 ( z )
*
Gj ( z ) = Kj Fj 1 ( z ) + z Gj 1 ( z )
Divisons les quations (28.97), (28.98) et (28.99) par X ( z ) , en tenant compte de (28.87) et
de (28.89) :
A0 ( z ) = C0 ( z ) = 1
Equ(28.100)
1
Equ(28.101)
Equ(28.102)
Aj ( z ) = Aj 1 ( z ) + Kj z C j 1 ( z )
*
Cj ( z ) = Kj Aj 1 ( z ) + z C j 1 ( z )
Ce dernier jeu dquations, dcrit le filtre en treillis dans le domaine en z et peut tre reprsent, dune manire plus synthtique, sous une forme matricielle :
Aj ( z )
Cj ( z )
1 Kj z
*
Kj
Aj 1 ( z )
Equ(28.103)
Cj 1
Pour dfinir les quations dans le domaine temporel, explicitons lquation (28.101) :
j1
aj ( k )z
k=0
aj 1 ( k )z
k=0
j1
k
+ Kj
aj 1 ( j 1 k )z
*
( k + 1 )
Equ(28.104)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
371
LA PRDICTION ET LESTIMATION
aj ( k ) = aj 1 ( k ) + Kj aj 1 ( j k )
Equ(28.105)
Le poids dordre zro est tel que : a j ( 0 ) = 1 et le poids a j 1 ( j ) = 0 de faon dfinir correctement le prdicteur dordre 0 ( y ( n ) = x ( n ) ). Dans ces conditions, le poids dordre le plus lev est aj ( j ) = Kj .
Equ(28.107)
a j , k = a j 1, k + K j a j 1, j k
avec k = 0, 1, , j
Dune manire quivalente, on peut utiliser la notation matricielle :
aj =
aj 1
0
+ Kj
Equ(28.108)
b*
aj 1
Equ(28.109)
a j , j k = a j 1, j k + K j a j 1, k
b*
aj
0
b*
aj 1
+ Kj
aj 1
Equ(28.110)
aj 1
0
+ KjRj + 1
Equ(28.111)
b*
aj 1
Pj
Equ(28.112)
0j
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
372
LA PRDICTION ET LESTIMATION
aj 1
Rj + 1
b*
Rj rj
bT
rj
aj 1
r( 0)
Rj aj 1
Equ(28.113)
bT
rj aj 1
Rj aj 1 =
Equ(28.114)
0j
Equ(28.115)
Dj 1 = rj aj 1
Dj 1 =
r ( k j )aj 1, k
k=0
aj 1
Pj 1
=
Equ(28.116)
0j
Dj 1
Intressons nous maintenant au dernier terme de (28.111), en remplaant R j + 1 par sa dcomposition lordre j :
Kj Rj + 1
0
b*
aj 1
= Kj
H b*
r ( 0 ) rj
= Kj
b*
rj Rj aj 1
rj aj 1
Equ(28.117)
b*
Rj aj 1
Le terme :
j
H b*
r j aj 1
j1
*
*
( k )a j 1, j k
k=1
( l j )a j 1, l = D j 1
Equ(28.118)
l=0
Rj aj 1 =
0j 1
Equ(28.119)
Pj 1
Kj Rj + 1
0
b*
aj 1
Dj 1
Pj 1
On a obtenu, (28.112) : R j + 1 a j =
Equ(28.120)
= Kj 0
j1
aj 1
0
+ Kj Rj + 1
0
b*
aj 1
Pj
0j
daprs (28.116) :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
373
LA PRDICTION ET LESTIMATION
Rj + 1
aj 1
Pj 1
=
0j
Dj 1
*
Dj 1
daprs (28.120) : K j R j + 1
b*
aj 1
= Kj 0
j1
Pj 1
Et finalement :
Pj
Pj 1
=
0j
0j
Dj 1
Equ(28.121)
+ Kj 0
j1
Dj 1
Pj 1
Equ(28.122)
Pj = Pj 1 + Kj Dj 1
0 = Dj 1 + Kj Pj 1
Equ(28.124)
De (28.123) :
Equ(28.125)
Dj 1 = Kj Pj 1
*
2
Pj = Pj 1 ( 1 Kj )
Equ(28.126)
Cette dernire quation montre que les puissances des erreurs sont telles que :
0 Pj Pj 1
Equ(28.127)
pour j 1 .
Effectuons le produit des diffrentes puissances P :
2
P1 = P0 ( 1 K1 )
Equ(28.128)
P2 = P1 ( 1 K2 )
Pj = Pj 1 ( 1 Kj )
j
Pj = P0
avec P 0 = r ( 0 )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
(1
Kp )
p=1
374
LA PRDICTION ET LESTIMATION
*
*
Pj = E [ f j f j ] = E [ f j 1 + Kj gj 1 ] [ fj 1 + Kj gj 1 ]
Equ(28.129)
2
* *
*
* *
= E fj 1 + E f j 1 K j g j 1 + E K j g j 1 f j 1 + E K j g j 1 K j g j 1
*
*
*
2
= Pj 1 + Kj E fj 1 gj 1 + Kj E gj 1 fj 1 + Kj P j 1
*
*
E fj 1 gj 1 = E gj 1 fj 1
2
*
*
P j = P j 1 ( 1 + K j ) + E f j 1 g j 1 [ K j + K j ]
Equ(28.130)
2
*
= P j 1 ( 1 + K j ) + 2E f j 1 g j 1 Re [ K j ]
*
= 2P j 1 K j + 2E f j 1 g j 1 = 0
Kj
*
E fj 1 gj 1
*
E f j 1 ( n 1 )g j 1 ( n )
K j = ---------------------------------------------------------Pj 1
Equ(28.131)
D
j1
- on en
et si lon compare cette valeur celle donne par lquation (28.124) : K j = ------------
Pj 1
dduit que
*
D j 1 = E f j 1 ( n 1 )g j 1 ( n )
Equ(28.132)
Le coefficient D j 1 peut tre interprt comme la corrlation entre les erreurs de prdiction
avant et arrire.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
375
LA PRDICTION ET LESTIMATION
Mthode 1
j1
On utilise (28.115) : D j 1 =
bT
rj aj 1
r ( k j )aj 1, k
pour calculer D j 1 et
k=0
2
avec D 0 = r ( 1 ) et P 0 = r ( 0 ) .
On trouve une quation itrative en combinant (28.115) :
j1
r ( k j )aj 1, k
bT
Dj 1 = rj aj 1 =
k=0
D j 1 , puis en utilisant :
*
la symtrie r j = r j ,
a j 1, 0 = 1
j1
rj =
*
Kj Pj 1
r ( j k )aj 1, k
*
Equ(28.133)
k=1
Si lon dsire connatre les coefficients partir des coefficients de corrlation, partir de
(28.133) :
*
rj
1
K j = ------------ -----------Pj 1 Pj 1
j1
( k j )a j 1, k
Equ(28.134)
k=1
Mthode 2
*
Exemple
On dsire calculer les coefficients du filtre de prdiction dordre 3 ainsi que la variance de
lerreur de prdiction connaissant les coefficients de rflexion ( K 1, K2, K 3 ) ainsi que la variance
P 0 . Dans ce cas nous allons utiliser la mthode 2 et les quations (28.107) et (28.126). On se sou-
viendra que le poids dordre zro est tel que : a j ( 0 ) = 1 , que le poids a j 1 ( j ) = 0 et que le poids
dordre le plus lev est a j ( j ) = K j .
a 1, 0
A lordre 1
= 1 , a 1, 1 = K 1
2
P1 = P0 ( 1 K1 ) = r 0 ( 1 K 1 )
A lordre 2
*
a 2, 0 = 1 , a 2, 1 = a 1, 1 + K 2 a 1 , 1 = K 1 + K 2 K 1 , a 2, 2 = K 2
2
P2 = P1 ( 1 K2 )
A lordre 3
*
a 3, 0 = 1 , a 3, 1 = a 2, 1 + K 3 a 2 , 2 = K 1 + K 2 K 1 + K 3 K 2 ,
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
376
LA PRDICTION ET LESTIMATION
a 3, 2 = a 2, 2 + K 3 a 2, 1 = K 2 + K 3 ( K 1 + K 2 K 1 ) , a 3 , 3 = K 3
2
P3 = P2 ( 1 K3 )
les
quations
(28.107) :
a j, k = a j 1, k + K j a j 1, j k
et
(28.109) :
1
=
K j a j 1, k
*
a j, j k
Kj 1
Equ(28.135)
a j 1, j k
a j 1, k
a j, k a j, j a j, j k
= --------------------------------------2
1 a j, j
Equ(28.136)
avec aj, j = K j
Dans le domaine temporel, le filtre dinnovation est sollicit par un bruit blanc de squence
et sa sortie est une squence x ( n )
qui respecte (28.42), soit :
w( n)
p
x(n) +
ak x ( n k )
k=1
Bruit blanc
Bruit blanc
bk w ( n k ) .
k=0
w( n )
x(n)
L(z)
xx ( z )
w( n )
x(n)
h(n)
filtre dinnovation
x(n) =
h( k) w( n k )
Equ(28.137)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
377
LA PRDICTION ET LESTIMATION
28.9.4. tape 1
*
ak x ( n k )x
x(n)(x (n m )) +
bk w ( n k )x
(n m) =
k=1
(n m)
Equ(28.138)
k=0
E [ x ( n )x ( n m ) ] +
ak E [ x ( n k )x
bk E [ w ( n k )x
(n m)] =
k=1
(n m )]
Equ(28.139)
k=0
On remarquera que :
E [ x ( n )x ( n m ) ] = R xx ( m )
Equ(28.140)
Equ(28.141)
Equ(28.142)
E [ x ( n k )x ( n m ) ] = R xx ( m k )
E [ w ( n k )x ( n m ) ] = R wx ( m k )
R xx ( m ) +
ak Rxx ( m k )
k=1
bk Rwx ( m k )
Equ(28.143)
k=0
28.9.5. tape 2
Lquation (28.143) montre quil est ncessaire de calculer l'inter corrlation R wx ( m ) .
Reprenons R wx ( m ) l'inter corrlation entre la squence de bruit w ( n ) et le signal x ( n ) .
*
R wx ( m ) = E [ x ( n ) w ( n + m ) ]
Equ(28.144)
Daprs (28.137) :
h(k ) w( n k)
x (n) =
Equ(28.145)
k=0
*
R wx ( m ) = E w ( n + m )
h( k ) w( n k)
k=0
R wx ( m ) = E
( k) w( n + k ) w ( n m )
Equ(28.146)
k=0
On suppose que la squence w ( n ) est un bruit blanc non-corrl, ce qui signifie que tous
*
R wx ( m ) = h ( m ) E [ w ( n m ) w ( n m ) ] = w h ( m )
Equ(28.147)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
378
LA PRDICTION ET LESTIMATION
ak Rxx ( m k ) + bk Rwx ( m k )
R xx ( m ) =
k=1
Equ(28.148)
k=0
A laide de (28.147) :
0
R wx ( m k ) = 2 *
w h ( m + k)
(m k ) > 0
Equ(28.149)
(m k ) 0
bk R wx ( m k )
2
w
k=0
bk h
k=0
mq
bk R wx ( m k ) w
2
k=0
bk + m h ( k )
k=0
a R (m k)
k xx
k=1
R xx ( m ) =
mq
p
*
2
a R ( m k ) + w bk + m h ( k )
k xx
k=1
k=0
m>q
Equ(28.150)
0mq
Remarque : Pour les valeurs de R xx ( m ) avec m < 0 , il suffit de remarquer que la proprit
*
a R (m k)
k xx
k=1
R xx ( m ) =
p
2
a R ( m k ) + w
k xx
k=1
m>0
Equ(28.151)
m = 0
Dans ce cas nous avons une relation linaire entre la fonction d'auto corrlation R xx ( m ) et
les coefficients { a k } .
2
= R xx ( 0 ) +
ak Rxx ( k )
Equ(28.152)
k=1
Remarque : Pour les valeurs de R xx ( m ) avec m < 0 , il suffit de remarquer que la proprit
*
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
379
LA PRDICTION ET LESTIMATION
R xx ( 0 ) R xx ( 1 )
R xx ( 1 )
R xx ( 0 )
R xx ( p )
1
R xx ( p + 1 ) a 1
R xx ( p ) R xx ( p 1 )
R xx ( 0 )
ap
w
=
Equ(28.153)
Dans le cas dun processus moyenne mobile (MA) donn par (28.52) : a k = 0 . De plus si
lon identifie (28.52) avec le produit de convolution, on trouve immdiatement que :
h ( k ) = bk
Equ(28.154)
Dans ce cas (28.150) se simplifie :
q
2
b b
R xx ( m ) = w k k + m
k=0
0
0mq
Equ(28.155)
m>q
Remarque : Pour les valeurs de R xx ( m ) avec m < 0 , il suffit de remarquer que la proprit
*
x(k)
Filtre adaptatif
y(k)
e(k)
Algorithme
adaptatif
Figure 28.12 : Configuration gnrale dun filtre adaptatif
Dune manire trs gnrale, il est possible dapprocher la fonction F , autour dun point
donn ( k ) , par une srie de Taylor tronque.
T
1 T
F [ ( k ) + ( k ) ] F [ ( k ) ] + g { F [ ( k ) ] } ( k ) + --- ( k )H { F [ ( k ) ] } ( k )
2
Equ(28.156)
TRAITEMENT DU SIGNAL
Master CMI
380
LA PRDICTION ET LESTIMATION
Si la matrice H est positive, lapproximation quadratique a un minimum unique qui se produit quand lgalit suivante est vrifie :
g { F [ ( k ) ] } = H { F [ ( k ) ] } ( k )
Equ(28.158)
Equ(28.159)
( k ) = H g
Equ(28.160)
contrle la taille du pas de lalgorithme et influence la vitesse de convergence vers loptimum. En combinant (28.157) et (28.160) on obtient :
1
( k + 1 ) = ( k ) H g
Equ(28.161)
Equ(28.163)
Cette mthode est relativement facile implmenter, par contre les mthodes de Newton
convergent plus rapidement vers loptimum cherch.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
381
LA PRDICTION ET LESTIMATION
F[ e( k ) ] = E[ e (k ) ]
k
1
Les moindres carrs ( Least Squares LS ) : F [ e ( k ) ] = -----------k+1
e(k j )
j=0
F[ e( k ) ] =
e(k j)
j=0
x(n)
Systme inconnu
+
e(n)
Filtre adaptatif
y ( n )
Filtre adaptatif
y ( n )
e(n)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
382
LA PRDICTION ET LESTIMATION
x(n)
y(n)
n1 ( n )
Canal
e(n)
Filtre adaptatif
y ( n )
x ( n ) + n1 ( n )
+
e(n )
n2 ( n )
Filtre adaptatif
y ( n )
J = E[e (n)]
Equ(28.165)
Le filtre de Wiener permet destimer le signal bruit x ( n ) . Lestimation y ( n ) de x ( n ) nest
possible que si le processus alatoire dentre x ( n ) est stationnaire au sens faible. Cette condition
permet de dfinir la matrice d'auto corrlation du signal dentre.
y ( n ) =
h( k) x( n k )
Equ(28.166)
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
383
LA PRDICTION ET LESTIMATION
x(n)
y(n)
Systme
+
e(n)
y ( n )
Filtre h(n)
e ( n ) = y ( n ) y ( n ) = y ( n )
h( k) x(n k )
Equ(28.167)
k=0
M1
1
J = E [ e ( n ) ] = ----M
2
M1
1
e ( n ) = ----M
2
( y ( n ) y ( n ) ) ( n )
Equ(28.168)
y ( n ) =
k=0
T
T
y = h x = x h
o h = h 0 h 1 h M 1
Equ(28.169)
Equ(28.170)
e = yx h
e
J
=
= 2E e ( n ) e ( n )
h
h
h
Equ(28.171)
De faon tre certain que lextremum trouv est bien un minimum, il faut sassurer que
les drives secondes soient positives :
h (k)
J>0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
384
LA PRDICTION ET LESTIMATION
e
= 2E ( e min x ) = 0
h
Equ(28.172)
Le produit scalaire de lerreur e et de la mesure x est nul ce qui signifie que lerreur est
orthogonale la mesure, on parle alors de principe dorthogonalit. Les entres x sont dcorrles de lerreur e min . Ce principe est largement utilis dans la thorie de lestimation ainsi que
dans la thorie de lestimation spectrale.
Les coefficients h opt qui minimisent lnergie de lerreur entre lestimation y ( n ) et le signal attendu y ( n ) sont tels que lerreur est orthogonale tout lment de lespace de projection.
T
E ( e min h x ) = E ( e min y ) = 0
Equ(28.173)
Le principe dorthogonalit impose que lerreur et la sortie du filtre sont, galement, noncorrles.
y(n)
e(n)
xi
y ( n )
xj
Equ(28.174)
E [ x ( y x h opt ) ] = 0
T
E [ x x ]h opt = E [ x y ]
Equ(28.175)
R xx ( 1 ) R xx ( M + 1 )
h opt ( 0 )
R xx ( 1 )
R xx ( 0 ) R xx ( M + 2 )
h opt ( 1 )
R xx ( M 1 )
R xx ( 0 )
h opt ( M 1 )
Equ(28.176)
R xy ( 0 )
=
R xy ( 1 )
R xy ( M 1 )
h opt = R xx R xy
Equ(28.177)
Equ(28.178)
h opt = R xx p
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
385
Equ(28.179)
LA PRDICTION ET LESTIMATION
J ( h ) = E [ ( y x h ) ] = E [ y ( 2y x h ) + x x h h ] =
2
E [ y ] + E [ x x ] h h 2E [ y x ] h
T
Posons p = E [ x y ] et p = E [ y x ]
T
J ( h ) = y + R xx h h 2p h
Equ(28.180)
J
= 0 et donne lquation de la courbe de lerreur quadratique moyenne.
h
J ( h ) = 2R xx h 2p
Equ(28.181)
1
Le minimum de lerreur est donn pour (28.178) : h opt = R xx p . Dans ce cas, (28.180)
devient :
2
2
y
2
y
T
h opt
T
Equ(28.182)
R xx h opt
1
p R xx p
T
Posons yopt = p R xx p
2
J ( h opt ) = y yopt
h0
Equ(28.183)
h1
sien de moyenne nulle et de variance indpendant de ( n ) . Les chantillons de w 1 ( n ) sont indpendants les uns des autres. est un processus gaussien de moyenne nulle et de densit
1
spectrale ( z ) = ------------------. On cherche caractriser le filtre de Wiener, lordre 2, qui estime
1
1 az
Solution
Comme les processus et w 1 sont indpendants, la fonction dinter corrlation
*
R w ( k ) = E [ ( n )w 1 ( n k ) ] = 0
1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
386
LA PRDICTION ET LESTIMATION
R x ( k ) = E [ ( n )x ( n k ) ] = E [ ( n ) ( ( n k ) + w 1 ( n k ) ) ]
*
= E [ ( n ) ( n k ) ] + E [ ( n )w 1 ( n k ) ] = E [ ( n ) ( n k ) ] = R ( k )
*
*
*
R xx ( k ) = E [ x ( n )x ( n k ) ] = E [ ( n ) + w 1 ( n ) ] [ ( n k ) + w 1 ( n k ) ]
= E [ ( n ) ( n k ) ] + E [ ( n )w 1 ( n k ) ] + E [ w 1 ( n ) ( n k ) ] + E [ w 1 ( n )w 1 ( n k ) ]
= R ( k ) + R w
1 w1
(k)
appliquant
R xx = R + R w
1+
a
1 w1
Wiener-Hopf
(28.176) :
R xx h opt = R xy ,
avec
]h opt = R x = R
a
1+
de
(0) =
et R xy = R x il vient :
1 w1
[ R + R w
lquation
1 w1
systme :
2
2
1
h ( 0 ) = ---------------------------------1+ a
2 2
2
2
h(1)
(1 + ) a
a
2
2
1
2
1
1+ a
z a
Y ( z ) = ---------------------------------- [ 1 + a + z a ] = ---------------------------------- 1 + --------------------------2
2
2 2
2
2 2
2
1+ a
(1 + ) a
(1 + ) a
Equ(28.184)
J ( h ) = J ( h opt ) + ( h R xx p ) R xx ( h R xx p )
Equ(28.185)
J ( h ) = y p R xx p + ( h R xx p ) R xx ( h R xx p )
T
TRAITEMENT DU SIGNAL
Master CMI
387
LA PRDICTION ET LESTIMATION
Equ(28.186)
Posons g ( n ) =
J[ h(n )] [h (n + 1 ) h( n) ]
h( n)
Equ(28.189)
J[h( n + 1) ] J[h( n) ] + g ( n) [ h( n) ]
Equ(28.190)
Afin dassurer que lingalit (28.187) soit toujours vraie, on choisit le deuxime terme de
(28.190) ngatif. Posons :
1
[ h ( n ) ] = --- g ( n )
2
Equ(28.191)
Equ(28.192)
En reprenant (28.190) :
2
1
J [ h ( n + 1 ) ] J [ h ( n ) ] --- g ( n )
2
Equ(28.193)
TRAITEMENT DU SIGNAL
Master CMI
388
LA PRDICTION ET LESTIMATION
Equ(28.194)
T
E [ xe ] = E [ xy xx h ] = p R xx h
Equ(28.195)
Equ(28.196)
A loptimum, lorsque e 0 on a bien h ( n + 1 ) h ( n ) et lon retrouve bien la solution de
1
Wiener-Hopf h opt = R xx R xy .
La rsolution itrative du filtre optimal de Wiener est bas sur lquation (28.194) avec
n = 1, 2, , K . La matrice dauto corrlation R xx et le vecteur dinter corrlation p sont suppo-
h0
h2
h4
h5
h3
h
Equ(28.197)
Dfinissons le vecteur de dsalignement c ( n ) correspondant lcart entre le jeu de paramtres en cours et celui de loptimum :
c ( n ) = h opt h ( n )
On peut r-crire (28.197) :
h ( n + 1 ) = h ( n ) + R xx c ( n )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
389
Equ(28.198)
Equ(28.199)
LA PRDICTION ET LESTIMATION
Equ(28.200)
R xx = QQ
i qi qi
i=0
c ( n + 1 ) = ( I QQ )c ( n )
Equ(28.201)
H
Q c ( n + 1 ) = ( I QQ )Q c ( n ) = ( I )Q c ( n )
Posons :
H
v(n) = Q c(n)
Equ(28.202)
v ( n + 1 ) = ( I )v ( n )
Equ(28.203)
alors :
et en tenant compte de (28.12) :
H
v ( n ) = Q [ h opt h ( n ) ]
Equ(28.204)
0
0
0
1 1
0
0
0
0
0 1 N
v(n)
v i ( n ) = ( 1 i )v i ( n 1 )
v i ( n ) = ( 1 i ) v i ( 0 )
Equ(28.205)
pour i = 0, 1, , L 1
Les diffrentes composantes convergent condition que :
1 i < 1
Equ(28.206)
Equ(28.207)
TRAITEMENT DU SIGNAL
Master CMI
390
LA PRDICTION ET LESTIMATION
Equ(28.208)
1
i = ------------------------------ln ( 1 i )
Equ(28.209)
On peut extraire i :
croisse dun facteur e par rapport la valeur initiale v i ( 0 ) . Ce qui revient crire :
v i ( n ) = v i ( 0 )e
n
---i
Equ(28.210)
Comme i est gnralement trs infrieur 1, on peut, dans ce cas, utiliser lapproximation
1
1 i 1 ---- soit :
i
1
i -----------2i
Equ(28.211)
On peut galement, choisir le pas dadaptation, en tenant compte du mode le plus grand :
= ----------- max
Equ(28.212)
Equ(28.213)
Une grande valeur propre de la matrice de corrlation R xx donnera une vitesse de convergence plus rapide quune valeur propre plus petite. Une matrice de corrlation mal conditionne
(avec des valeurs propres trs disperses) peut donner des temps de convergence galement trs
disperss. (Voir Exemple 2, page 393.).
Remarque : Les courbes qui permettent dtudier la variation moyenne de lerreur quadratique sont souvent appeles courbes dapprentissages. Par exemple, la courbe J ( n ) en fonction
du nombre ditration est une courbe dapprentissage.
28.15.2.1 Exemple 1
Reprenons lexemple du signal bruit 28.14.1. et utilisons lalgorithme du gradient dterministe pour trouver la solution optimale.
Lquation de Wiener-Hopf R xx h opt = p tait donne par :
1+
a
a
1+
h(0) = 1
h(1)
a
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
391
= [ 1 1 ] . Lalgorithme du gradient
LA PRDICTION ET LESTIMATION
50
-0.1
-0.2
-0.2
-0.3
-50
-0.6
h1
h1
-0.5
Dsalignement (dB)
-0.4
-0.4
-0.6
-0.8
-0.7
-0.8
-1
-100
-150
-200
-250
-0.9
-300
-1.2
-1
-1.1
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
-1.4
-1
-350
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
100
200
300
400
500
Itration
600
700
800
900
1000
h0
h0
h h opt
c = 10 log --------------------------- en fonction du nombre ditrations. Dans ce cas la convergence est trs ra2
h opt
hh
opt
- = 0, 00025 .
pide, par exemple la dixime itration --------------------------2
h opt
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
392
LA PRDICTION ET LESTIMATION
28.15.2.2 Exemple 2
On considre la matrice dauto corrlation R xx = 2 1 ainsi que la matrice dinter corr1 2
lation p = 6 .
4
On dsire vrifier la manire dont lalgorithme du gradient dterministe converge en fonction du pas choisi.
Calculons dans un premier temps, les valeurs propres ainsi que les vecteurs propres de la
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
393
LA PRDICTION ET LESTIMATION
matrice R .
Lquation caractristique est telle que :
2
2 1
= 0 soit ( 2 ) 1 = 0
1 2
associs :
2 1 q 11 = q 11 et
1
1 2 q 12
q 12
2 1 q 21 = q 21
1
q 22
1 2 q 22
2 1 et q 2 =
1
2 1 (normaliss).
1
Dans ce cas, h opt = R xx p est le filtrage optimal au sens de Wiener et Q est la matrice
contenant les vecteurs propres q 1 et q 2 :
Q =
2 1 1 .
1 1
Les constantes de temps des modes sont calcules en utilisant lquation (28.209) :
1
i = -------------------------------ln ( 1 i i )
i correspondant aux 2 valeurs propres prcdentes (1 et 3).
clear all;
hinit=[0;0];
N=50;
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
R=[2 1; 1 2];
p=[6;4];
hopt=R\p;
[V,L]=eig(R);
lambda=diag(L);
mu1=1/3;
mu2=1/6;
%
%
%
%
h1=zeros(length(hinit),N);
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
394
LA PRDICTION ET LESTIMATION
h1(:,1)=hinit;
h2=zeros(length(hinit),N);
h2(:,1)=hinit;
for n=1:N-1
h1(:,n+1)=h1(:,n)+mu1*(p-R*h1(:,n));
h2(:,n+1)=h2(:,n)+mu2*(p-R*h2(:,n));
end
v1=V'*(h1-hopt*ones(1,N));
v2=V'*(h2-hopt*ones(1,N));
tau1=-1./log(1-mu1*lambda);
tau2=-1./log(1-mu2*lambda);
figure
plot(0:N-1,log(v1(1,:)),'b'); hold on;
plot(0:N-1,log(v1(2,:)),'b-.');
plot(0:N-1,log(v2(1,:)),'r');
plot(0:N-1,log(v2(2,:)),'r-.');
grid on
zoom on
axis([0 6 -1 1]);
plot(tau1(1),log(v1(1,1))-1,'r-o');
plot(tau1(2),log(v1(2,1))-1,'r-v');
plot(tau2(1),log(v2(1,1))-1,'r-s');
plot(tau2(2),log(v2(2,1))-1,'r-*');
legend(sprintf('\\mu=1/3, v coupl avec \\lambda=%d : \\tau_1 = 2.5 (calcul : %3.2f)',lambda(1),tau1(1)),...
sprintf('\\mu=1/3, v coupl avec \\lambda=%d : \\tau_1 = 0
(calcul
: %3.2f)',lambda(2),tau1(2)),...
sprintf('\\mu=1/6, v coupl avec \\lambda=%d : \\tau_1 = 5.5 (calcul
: %3.2f)',lambda(1),tau2(1)),...
sprintf('\\mu=1/6, v coupl avec \\lambda=%d : \\tau_1 = 1.45 (calcul : %3.2f)',lambda(2),tau2(2)),1);
xlabel('itration n');
ylabel('ln(v(n))');
0.8
(calcul : 0.00)
0.6
0.4
ln(v(n))
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
3
itration n
TRAITEMENT DU SIGNAL
Master CMI
395
LA PRDICTION ET LESTIMATION
grande. La valeur calcule par la formule (28.209) est assez proche de la valeur thorique obtenue
en considrant une attnuation dun facteur e.
R
xx = x ( n )x ( n )
p = x ( n )y ( n )
Equ(28.214)
Equ(28.215)
Equ(28.216)
h ( n + 1 ) = h ( n ) + [ x ( n )y ( n ) x ( n )x ( n ) h ( n ) ] = h ( n ) + x ( n ) [ y ( n ) x ( n ) h ( n ) ]
T
Dautre part on remarquera que [ y ( n ) x ( n ) h ( n ) ] nest autre que le signal derreur donn
T
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
lim { E [ h ( n ) ] } = h opt
n
Equ(28.219)
lim { J ( n ) } = constante
n
Equ(28.220)
396
LA PRDICTION ET LESTIMATION
h ( n + 1 ) = h ( n ) + x ( n ) [ y ( n ) x ( n )h ( n ) ] = [ I x ( n )x ( n ) ]h ( n ) + y ( n )x ( n )
E { h ( n + 1 ) } = E { [ I x ( n )x ( n ) ]h ( n ) } + E { y ( n )x ( n ) }
Equ(28.222)
R xx = QQ
i qi qi
i=0
o Q est une matrice unitaire et est la matrice diagonale des valeurs propres.
Introduisons cette valeur dans (28.222) :
H
E { c ( n + 1 ) } = [ I QQ ]E { c ( n ) }
Equ(28.223)
:
E { Q c ( n + 1 ) } = [ I ]E { Q c ( n ) } puis en posant v ( n ) = Q c ( n ) :
E { v ( n + 1 ) } = [ I ]E { v ( n ) }
Equ(28.224)
v i ( n ) = ( 1 i )v i ( n 1 )
v i ( n ) = ( 1 i ) v i ( 0 )
Equ(28.225)
pour i = 0, 1, , L 1
Les diffrentes composantes convergent condition que :
1 i < 1
Equ(28.226)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
397
LA PRDICTION ET LESTIMATION
2
0 < < ----------- max
Equ(28.227)
signal
derreur
de
lalgorithme
stochastique
est
donne
par
lquation
(28.170) : e = y x h
T
e ( n ) = e min x ( n )c ( n )
Equ(28.228)
de
base
du
gradient
stochastique
est
donne
par
(28.217) :
h ( n + 1 ) = h ( n ) + x ( n )e ( n )
En remplaant dans cette quation le vecteur erreur e ( n ) par sa valeur donne par (28.228) :
T
h ( n + 1 ) = h ( n ) + x ( n ) ( e min x ( n )c ( n ) )
En soustrayant h opt aux deux membres de lquation prcdente, on peut faire apparatre
le vecteur de dsalignement c ( n ) = h ( n ) h opt :
T
c ( n + 1 ) = [ I x ( n )x ( n ) ]c ( n ) + x ( n )e min
Equ(28.229)
T
K ( n + 1 ) = ( I R xx )K ( n ) ( I R xx ) + J min R xx
Equ(28.230)
T
T
J ( n ) = E [ e min x ( n )c ( n ) ] [ e min x ( n )c ( n ) ]
Equ(28.231)
2
T
T
= E e min + E { c ( n )x ( n )x ( n )c ( n ) }
= J min + E { c ( n )x ( n )x ( n )c ( n ) }
T
Evaluons maintenant la quantit scalaire E { c ( n )x ( n )x ( n )c ( n ) } de (28.231), en remarquant que la trace dun scalaire est gale ce scalaire :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
398
LA PRDICTION ET LESTIMATION
E { c ( n )x ( n )x ( n )c ( n ) } = E { tr [ c ( n )x ( n )x ( n )c ( n ) ] }
T
Equ(28.232)
= tr { E [ x ( n )x ( n )c ( n )c ( n ) ] }
T
= tr { E [ x ( n )x ( n ) ]E [ c ( n )c ( n ) ] }
= tr { R xx K ( n ) }
T
Avec K ( n ) = E [ c ( n )c ( n ) ] .
Puis en substituant (28.232) dans (28.231) on peut mettre lerreur quadratique sous la forme
suivante :
J ( n ) = J min + tr { R xx K ( n ) }
Equ(28.233)
Cette quation montre que quelque soit n, lerreur quadratique moyenne est la somme de
deux composantes qui sont lerreur minimale J min et un terme volutif qui dpend de la matrice
K ( n ) . Ce dernier terme est toujours positif et vient sajouter J min :
J ex = J ( n ) J min = tr { R xx K ( n ) }
Equ(28.234)
Equ(28.235)
T
J ex = tr R xx E [ c ( n )c ( n ) ]
T
T
= tr R xx E [ Qv ( n )v ( n )Q ]
T
T
= E tr [ R xx Qv ( n )v ( n )Q ]
T
T
= E tr [ v ( n )Q R xx Qv ( n ) ]
J ex = E { tr [ v ( n ) ( v ( n ) ) ] }
Equ(28.236)
L1
i E [ vi ( n )
i=0
Equ(28.237)
min ( n ) J ex max ( n ) n
Equ(28.238)
et :
De cette quation dcoule :
J ex ( n )
J ex ( n )
--------------- ( n ) -------------- n
min
max
Equ(28.239)
Lquation (28.239) montre que la valeur quadratique moyenne ( n ) est borne dune part
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
399
LA PRDICTION ET LESTIMATION
J (n)
J (n)
min
max
ex
ex
- et dautre part par -------------- et que celle-ci dcrot comme J ex ( n ) lorsque le nombre ditpar --------------
rations augmente.
Reprenons
lquation
dadaptation
(28.230) :
K ( n + 1 ) = ( I R xx )K ( n ) ( I R xx ) + J min R xx
T
Z ( n + 1 ) = ( I )Z ( n ) ( I ) + J min
Equ(28.240)
z i ( n + 1 ) = ( 1 i ) z i ( n ) + J min i
Equ(28.241)
2
Equ(28.242)
z i ( ) = ( 1 i ) z i ( ) + J min i
Equ(28.243)
J min
z i ( ) = ----------------- i
2 i
Equ(28.244)
Soit :
et comme Z ( n ) = Q T K ( n )Q :
T
J ex = tr { QQ K ( n ) } = tr { Q K ( n )Q } = tr { Z ( n ) }
Equ(28.245)
J ex ( n ) =
i z i ( n )
Equ(28.246)
i=1
Considrons J ex ( n ) lorsque n :
k
J ex ( ) =
i zi ( )
et en utilisant (28.244) :
i=1
k
J ex ( ) =
i=1
J min
i ----------------- = J min
2 i
2--------------- i
i=1
Comme J ex = J ( n ) J min
limJ ( n ) = J ( ) = J ex ( ) + J min
n
- = constante
= J min 1 + ---------------
2 i
i=1
Equ(28.247)
-J ( ) = J min 1 + i = constante
i=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
400
Equ(28.248)
LA PRDICTION ET LESTIMATION
28.16.1.3 Le dsalignement
Le dsalignement est un paramtre qui permet de mesurer comment lalgorithme du gradient statistique se rapproche de loptimum. Lquation (28.249) dfinit ce paramtre.
J ex ( )
c = ----------------J min
Equ(28.249)
c = --2
Equ(28.250)
i=1
k
Comme
i=1
c = --- tr [ R xx ]
2
Equ(28.251)
Dautre part, la trace de R xx comporte k coefficients (correspondant au nombre de coefficients du filtre). Comme la matrice de corrlation R xx est une matrice de Toeplitz (tous les lments sur la diagonale sont gaux) R xx ( 0 ) alors :
2
tr [ R xx ] = k R xx ( 0 ) = k xx
Equ(28.252)
2
max
Pour choisir correctement le pas compte-tenu de (28.242) : 0 < < ------------ , il est possible
de faire le choix suivant :
tr [ R xx ] > max
Equ(28.253)
Equ(28.254)
moy
1
= --k
Equ(28.255)
i=1
Si lon considre que lerreur quadratique moyenne (courbe dapprentissage) une dcroissance exponentielle, on peut alors utiliser le rsultat obtenu pour lalgorithme du gradient dterministe (28.211) pour dfinir une constante de temps moyenne :
1
mq ------------------2 moy
Equ(28.256)
Equ(28.257)
k
c = -----------4 mq
Equ(28.258)
TRAITEMENT DU SIGNAL
Master CMI
401
LA PRDICTION ET LESTIMATION
28.16.2. Exemple
1
0, 5z
On considre un filtre dont le gain est donn par G ( z ) = --------------------------------2- . Le signal en entre
1
( 1 0, 5z )
du filtre est un bruit avec une distribution uniforme dont la valeur moyenne est E [ x ] = 0, 6 et la
2
h ( n ) = 0, 5 0, 5 .
La sortie du filtre est le produit de convolution du signal dentre par sa rponse impulsionnelle.
y ( n ) = [ E ( x ) + b bruit ]*h ( n ) o bruit est une squence de bruit uniforme.
Le programme MATLAB suivant utilise les donnes prcdentes et calcule les coefficients
du filtre en appliquant lquation de base (28.217) : h LMS ( n + 1 ) = h LMS ( n ) + x ( n )e ( n ) . Le siT
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
402
LA PRDICTION ET LESTIMATION
1.4
0.7
1.2
0.6
1.5
1
0.5
0.5
amplitude
0.8
Signal filtr
Bruit en entre
0.6
0.4
0.3
0.4
0
0.2
0.2
-0.5
0.1
-1
-0.2
100
200
300
400
500
Tem ps
600
700
800
900
1000
100
200
300
400
500
Temps
600
700
800
900
1000
1.5
2.5
3
3.5
c oeffic ient du filtre
4.5
y(i n + 2)
0 0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
a n 2 an 1
0
0
1
403
0
0
1
y(i )
0
y(i 1)
y(i 2) + 0 v(i )
0
y(i n + 1)
Equ(28.261)
LA PRDICTION ET LESTIMATION
Equ(28.262)
x ( i + 1 ) = Ax ( i ) + Gv ( i )
Equ(28.263)
Cette quation, du processus, dfinit la modlisation dun nouvel tat x ( i + 1 ) comme la
combinaison linaire, dune part de ltat prcdent et dautre part du bruit.
Lquation (28.262) scrit galement sous la forme :
Equ(28.264)
y ( i ) = H ( i )x ( i )
Cette quation, dite de la mesure, dfinit comment lobservation y ( i ) est dduite des tats
internes x ( i ) .
Cette modlisation, simple, peut tre schmatise par la figure 28.25.
Equation de la mesure
Equation du processus
v( i )
x(i)
y( i )
H(i)
Observation
Bruit
A
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
404
LA PRDICTION ET LESTIMATION
R XX R XY
R YX R YY
On suppose que lestim de X est non biais, cest dire que la valeur moyenne de lerreur
destimation est nulle : E [ X ] = 0 sachant que X = X X .
En vertu du principe dorthogonalit (Voir Le principe dorthogonalit, page 384.) lestimation au sens des moindres carrs est telle que lerreur est orthogonale la mesure :
T] = 0
YT ] = 0 , E [ X
X
E[X
Equ(28.268)
On cherche maintenant trouver lestimateur linaire qui peut se mettre sous la forme :
Equ(28.270)
= E [ [ X AY B ] [ X AY B ] ]
T
En
T
notant
que :
E [ XX ] = R XX ,
T
E [ AYA Y ] = ARYY A , E [ BB ] = B c
E [ XAY ] = AR
XY ,
E [ AYX ] = R XY A
T
T
T
2
2] = R
E[ X X
XX AR XY R XY A + AR YY A + B c
De
lquation
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
(28.271)
considrons,
405
dans
un
premier
Equ(28.271)
temps
lexpression
LA PRDICTION ET LESTIMATION
T
T
T
2] B 2 = R
E[ X X
c
XX AR XY R XY A + AR YY A , ajoutons et retranchons au second
1
membre la quantit R XY R YY R
XY
T
T
T
T
T
1
1
2] B 2 = R
E[ X X
Equ(28.272)
c
XX AR XY R XY A + AR YY A + R XY R YY R XY R XY R YY R XY
1
= R XX R XY R YY R
XY
+ [ A RXY R YY ]R YY [ A R XY R YY ]
Equ(28.273)
A 0 = R XY R YY
B 0 = E [ X ] R XY R YY E [ Y ]
Equ(28.274)
Equ(28.275)
1
R XY R YY Y
Equ(28.276)
+ E[X ]
1
R XY R YY E [ Y ]
= E [ X ] + R XY R YY [ Y E [ Y ] ]
Lestimateur linaire A 0 Y + B 0 est sans biais, en effet la quantit E [ X X ] = 0 , ceci dcoule directement de lquation (28.276).
Le principe dorthogonalit est bien vrifi, en effet, en reprenant (28.268) :
T] = 0
YT ] = E [ X
X
E[X
Equ(28.277)
)Y T ] = E ( X [ E [ X ] + R R 1 [ Y E [ Y ] ] ] )Y T
E[(X X
XY YY
T
)X
T } = ( X [ E [ X ] + R R 1 [ Y E [ Y ] ] ] )X
= E{(X X
XY YY
= 0
TRAITEMENT DU SIGNAL
Master CMI
406
LA PRDICTION ET LESTIMATION
Equ(28.278)
Daprs le principe dorthogonalit E [ y ( n )y ( k ) ] = 0 pour 1 k n 1 , lerreur destimation est orthogonale toutes les observations passes.
Les processus dinnovation sont des variables alatoires qui sont orthogonales les unes
T
Equ(28.279)
Selon le principe dorthogonalit lestimation du bruit de mesure v ( n Y ( n 1 ) ) = 0 en effet v ( k ) est orthogonal aux observations passes Y ( n 1 ) . Lquation (28.279) devient :
Equ(28.280)
y ( n Y ( n 1 ) ) = C ( n )x ( n Y ( n 1 ) )
En introduisant cette dernire valeur dans (28.278) :
Equ(28.281)
y ( n ) = y ( n ) C ( n )x ( n Y ( n 1 ) )
Dans lquation (28.281) remplaons y ( n ) par la valeur donne par (28.266) :
Equ(28.282)
y ( n ) = C ( n )x ( n ) + v ( n ) C ( n )x ( n Y ( n 1 ) )
= C ( n ) [ x ( n ) x ( n Y ( n 1 ) ) ] + v ( n )
= C ( n )x ( n Y ( n 1 ) ) + v ( n )
avec :
x ( n Y ( n 1 ) ) = x ( n ) x ( n Y ( n 1 ) )
lerreur entre ltat x ( n ) et la prdiction x ( n Y ( n 1 ) ) .
Equ(28.283)
= C ( n )E { x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) }C ( n ) + E [ v ( n )v ( n ) ]
On remarquera que :
T
E { x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) } = R x est la matrice de corrlation de lerreur entre ltat
T
x ( n ) et la prdiction x ( n Y ( n 1 ) ) et E [ v ( n )v ( n ) ] = R vv ( n ) est la matrice de corrlation du
bruit dobservation.
-
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
Equ(28.284)
TRAITEMENT DU SIGNAL
Master CMI
407
LA PRDICTION ET LESTIMATION
biais :
x ( k + 1 k ) = A k + 1 x ( k k 1 )
Equ(28.285)
R x x ( n + 1 ) = R x = E [ x ( n + 1 n ) ( x ( n + 1 n ) ) ]
= E [ ( A n + 1 x ( n n 1 ) + w ( n ) ) ( A n + 1 x ( n n 1 ) + w ( n ) ) ]
En tenant compte que le bruit w ( n ) nest pas corrl, on obtient lquation rcursive de
Riccati :
+
R x = A n + 1 R x A n + 1 + R ww ( n )
Equ(28.286)
chaque x ( n Y ( n ) ) =
b ( k )y ( k )
= B ( k )y ( k )
k=1
Bi ( k )y ( k )
x ( i Y ( n ) ) =
Equ(28.287)
k=1
E [ x ( i Y ( n ) )y ( m ) ] = 0 pour m = 0, 1n soit :
T
E { [ x ( i ) x ( i Y ( n ) ) ]y ( m ) } = 0
T
T
E [ x ( i )y ( m ) ] = E [ x ( i Y ( n ) )y ( m ) ] = E B i ( k )y ( k )y ( m )
k = 1
E [ y ( n )y ( k ) ] = 0 alors :
T
E [ x ( i )y ( m ) ] = B i ( m )E [ y ( m )y ( m ) ] = B i ( m )R y y ( m )
Equ(28.288)
B i ( m ) = E [ x ( i )y ( m ) ]R y y ( m )
Equ(28.289)
TRAITEMENT DU SIGNAL
Master CMI
408
LA PRDICTION ET LESTIMATION
x ( i Y ( n ) ) =
1
( k ) ]R y y ( k )y ( k )
Equ(28.290)
k=1
n1
E [ x ( i )y
E [ x ( i )y
( k ) ]R y y ( k )y ( k ) + E [ x ( n )y ( n ) ]R y y ( n )y ( n )
k=1
x ( n + 1 Y ( n ) ) =
E [ x ( n + 1 )y
( k ) ]R y y ( k )y ( k ) + E [ x ( n + 1 )y ( n ) ]R y y ( n )y ( n )
Equ(28.291)
k=1
T
T
E [ x ( n + 1 )y ( k ) ] = E [ A n + 1 x ( n ) + w ( n ) ]y ( k )
Equ(28.292)
T
T
= A n + 1 E [ x ( n )y ( k ) ] + E [ w ( n )y ( k ) ]
T
= A n + 1 E [ x ( n )y ( k ) ]
n1
1
T
E [ x ( n + 1 )y ( k ) ]R y y ( k )y ( k ) = A n + 1
k=1
E [ x ( n )y
1
( k ) ]R y y ( k )y ( k )
k=1
Compte-tenu de (28.290) on remarquera que cette dernire quation peut se mettre sous la
forme :
n1
E [ x ( n + 1 )y
( k ) ]R y y ( k )y ( k ) = A n + 1 x ( n Y ( n 1 ) )
Equ(28.293)
k=1
Equ(28.294)
Puis on posant :
1
T
K ( n ) = E [ x ( n + 1 )y ( n ) ]R y y ( n )
Equ(28.295)
Equ(28.296)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
409
LA PRDICTION ET LESTIMATION
E [ x ( n + 1 )y ( n ) ] = A n + 1 E [ x ( n )y ( n ) ]
T
= A n + 1 E { x ( n ) [ C ( n )x ( n Y ( n 1 ) ) + v ( n ) ] }
T
Equ(28.297)
Lerreur destimation x ( n Y ( n 1 ) ) est orthogonale lestimation x ( n Y ( n 1 ) ) , la corrlation de ces deux variables est gale 0 : E [ x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) ] = 0 . Lquation
(28.297) nest pas modifie si lon remplace x ( n ) par son erreur destimation x ( n Y ( n 1 ) ) .
T
E [ x ( n + 1 )y ( n ) ] = A n + 1 E { x ( n ) ( x ( n Y ( n 1 ) ) ) }C ( n )
T
E [ x ( n + 1 )y ( n ) ] = A n + 1 R x C ( n )
-
Equ(28.298)
n 1C
( n )R y y ( n )
Equ(28.299)
28.18.5.1 Rsum
Il est donc possible de calculer le filtre de Kalman par la squence suivante :
Le gain du filtre de Kalman est calcul par lquation (28.299) :
K ( n ) = A n + 1 R x
n 1C
( n )R y y ( n )
n + 1 x ( n Y ( n 1 ) ) + K ( n )y ( n ) .
La fonction de corrlation du processus dinnovation est donne par lquation(28.284) :
-
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
Avec :
A n + 1 la matrice de transition.
K ( n ) le gain du filtre de Kalman.
-
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
410
LA PRDICTION ET LESTIMATION
en fonction de R x . Il est possible dexprimer la matrice R x en fonction dune quation aux diffrences, pour cela cherchons un estimateur x ( n Y ( n ) ) , non biais, bas sur lestimation prcdente
x ( n Y ( n 1 ) ) et sur lobservation y ( n ) . Par analogie avec lquation (28.296), posons :
Equ(28.300)
x ( n Y ( n ) ) = K' ( n )x ( n Y ( n 1 ) ) + K ( n )y ( n )
K' ( n ) est un paramtre que lon va dterminer.
K ( n ) est le gain du filtre de Kalman.
Lquation (28.283) donne lerreur de prdiction entre ltat x ( n ) et la prdiction
x ( n Y ( n ) )
Equ(28.301)
x ( n Y ( n ) ) = x ( n ) x ( n Y ( n ) )
Dans cette quation, nous allons remplacer x ( n Y ( n ) ) par lquation (28.300) :
x ( n Y ( n ) ) = x ( n ) K' ( n )x ( n Y ( n 1 ) ) K ( n )y ( n )
Tirons x ( n Y ( n 1 ) ) de lquation (28.283) et remplaons y ( n ) par lquation (28.266) :
Equ(28.302)
x ( n Y ( n ) ) = x ( n ) K' ( n ) [ x ( n ) x ( n Y ( n 1 ) ) ] K ( n ) [ C ( n )x ( n ) + v ( n ) ]
= [ I K' ( n ) K ( n )C ( n ) ]x ( n ) + K' ( n )x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) )
Daprs (28.301), si x ( n Y ( n ) ) est non biais : E [ x ( n ) ] = E [ x ( n Y ( n ) ) ]
E [ x ( n Y ( n ) ) ] = 0 .
alors
Lesprance mathmatique de (28.302) doit tre nulle, pour cela il est ncessaire que
[ I K' ( n ) K ( n )C ( n ) ] = 0 do :
Equ(28.303)
K' ( n ) = I K ( n )C ( n )
Lquation (28.302) devient :
Equ(28.304)
x ( n Y ( n ) ) = [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) )
A laide de lquation (28.303), (28.300) devient :
Equ(28.305)
x ( n Y ( n ) ) = [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) + K ( n )y ( n )
= x ( n Y ( n 1 ) ) + K ( n ) [ y ( n ) C ( n )x ( n Y ( n 1 ) ) ]
= E { [ [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) ) ] [ [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) ) ] }
R x = [ I K ( n )C ( n ) ]R x [ I K ( n )C ( n ) ] + K ( n )R vv ( n )K ( n )
Equ(28.306)
T
R x = [ I K ( n )C ( n ) ]R x K ( n ) R x C ( n ) [ I K ( n )C ( n ) ] K ( n )R vv ( n )
Equ(28.307)
Le gain du filtre de Kalman est ajust de manire que la trace de la matrice de corrlation
+
R x
soit minimale :
+
tr [ R x ] = 0
K
-
R x = R x [ I K ( n )C ( n ) ]
Equ(28.308)
Lquation (28.308) est lquation aux diffrences qui permet de dterminer de manire rcursive la matrice de corrlation de lerreur sur x .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
411
LA PRDICTION ET LESTIMATION
28.18.7. Le filtrage
Lopration de filtrage consiste considrer lestimation x ( n Y ( n ) ) gnr par le prdicteur horizon 1. Reprenons lquation du processus (28.267) : x ( k + 1 ) = A k + 1 x ( k ) + w ( k ) . On
peut crire :
(n Y(n ))
x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n ) ) + w
Equ(28.309)
Comme le bruit est non corrl avec les donnes observes, lestimation du bruit est gale,
selon le critre de la variance minimale, est zro. Lquation (28.309) devient :
x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n ) )
Equ(28.310)
1
Equ(28.311)
avec A n + 1 A n + 1 = I
Lestimation du signal filtr est simplement obtenu en multipliant lestimation
1
x ( n + 1 Y ( n ) ) par la matrice de transition A n + 1 .
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
- Le gain de Kalman K ( n ) = A n + 1 R x
n 1C
( n )R y y ( n )
- Le processus dinnovation y ( n ) = y ( n ) C ( n )x ( n Y ( n 1 ) )
- La prdiction horizon 1 x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n 1 ) ) + K ( n )y ( n )
-
R x = A n + 1 R x A n + 1 + R ww ( n )
- R x ( 1, 0 ) = E [ ( x ( 1 ) E [ x ( 1 ) ] ) ( x ( 1 ) E [ x ( 1 ) ] ) ] = E [ x ( 1 )x ( 1 ) ]
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
412
LA PRDICTION ET LESTIMATION
Conditions initiales
x ( 1 Y ( 0 ) )
Observations
Y(n)
R x
n1
Gain de
Kalman
R x
x ( n + 1 Y ( n ) )
Prdicteur
horizon 1
Estimation du signal
filtr
1
An + 1
x ( n Y ( n ) )
K(n)
Conditions initiales
R x ( 1, 0 )
+
n1
Equation de
Riccati
R x
z I
28.18.8.2 Exemple
On mesure une tension continue de 5 Volts entache par un bruit de processus de
variance R w ( 0 ) = 2V 2 . Lappareil de mesure est entach dun bruit R v ( 0 ) = 2V2 . On utilise un filtre de Kalman pour amliorer la mesure. La figure 28.27 montre la rponse du
processus (tension bruite), lobservation entache du bruit de mesure et la sortie du filtre
de Kalman.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
413
LA PRDICTION ET LESTIMATION
1
0
10
15
20
25
30
35
40
45
50
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
414
LA PRDICTION ET LESTIMATION
Equ(29.1)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
414
ESTIMATION SPECTRALE
X estimer
Estimateur de X
2
X
variance=
E[X]
B[ X]
( xi x )
xi x
i=1
i=1
i=1
n
On considre que :
xi
= nx et que
= nx .
i=1
i=1
n
( xi x )
Dans ce cas :
= 0.
i=1
n
( xi x )
soit minimale.
i=1
n
dF dF
Pour cela annulons la drive ------- : ------- = 2
dx
dx
( xi x )
= 0
i=1
n
On obtient immdiatement
( xi x )
= 0
i=1
n
n
et
xi
i=1
xi
=1 = nx soit x = x = i------------. Dans ce cas le meilleur estimateur (non biais)
n
i=1
de valeur moyenne x :
2
Dans ce cas x ( t ) est un signal alatoire centr. Calculons dans un premier temps la fonction dauto
corrlation de X ( t ) puis sa densit spectrale de puissance puis estimons la moyenne de ce signal.
Comme la variable alatoire x ( t ) est centre, sa valeur moyenne est nulle.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
415
ESTIMATION SPECTRALE
R XX ( ) = E [ X ( t )X ( t + ) ] = E [ ( x ( t ) + x ) ( x ( t + ) + x ) ]
2
= E [ x ( t )x ( t + ) ] + x E [ x ( t ) ] + x E [ x ( t + ) ] + x = R xx ( ) + x
X ( ) = x ( ) + x ( ) = x + x ( )
N1
1
Lestimateur de la moyenne est donne par X = ---N
X(n) .
n=0
N1
1
E [ X ] = E ---N
N1
1
X ( n ) = ---N
n=0
n=0
par :
2
2
var [ X ] = E [ ( X E ( X ) ) ] = E [ ( X X ) ]
N 1
1
= E ---- X ( n ) X
n = 0
1
= ------ E
2
N
N 1
X
(
n
)
X
n = 0
1
= ----- E
2
N
2
X
(
n
)
)
X
n=0
N1
Comme X ( n ) X = x ( n ) alors
1
var [ X ] = ------ E
2
N
x
2
1
( x ( n ) ) = N-----2- N x = ----N
n=0
N1
Cet estimateur est consistant, la variance tend vers 0 lorsque N tend vers linfini.
29.3. Le priodogramme
Considrons un signal alatoire stationnaire x ( t ) dont la fonction de corrlation est donne
par la relation :
*
R xx ( ) = E [ x ( t )x ( t + ) ]
Equ(29.2)
x ( ) = TF [ R xx ( ) ] =
Rxx( )e
2i
Equ(29.3)
+T 0 2
T 2 x ( t )x ( t + ) dt
*
Equ(29.4)
Equ(29.5)
TRAITEMENT DU SIGNAL
Master CMI
416
ESTIMATION SPECTRALE
Dans ce cas la transforme de Fourier de (29.4) donne une estimation de la densit spectrale
de puissance :
x ( ) =
+ ( T0 2 )
T 2
Rt xx ( )e
2i
1
d = ----T0
+ ( T0 2 )
+ ( T0 2 )
T 2 T 2
0
x ( t )x ( t + ) dt e
2i
d dt
+ ( T0 2 )
+ ( T0 2)
T 2 T 2
0
x ( t + )e
2i ( t + )
d x ( t )e
2it
dt
+ ( T0 2 )
+ ( T0 2)
T 2 T 2
0
x ( p )e
2ip
dp x ( t )e
2it
+ ( T0 2 )
T 2
x ( t )e
2it
+ ( T0 2 )
T 2
x ( u )e
2 iu
x ( ) T
x ( ) = ------------------0
T0
Equ(29.6)
Equ(29.7)
La fonction MATLAB suivante est un exemple de codage du priodogramme tel quil est
dfini par lquation (29.6).
function Perio = periodogramme(S)
N = length(S);
Y = fft(S,N);
Y = abs(Y);
Perio = (Y.^2)/N;
return
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
417
ESTIMATION SPECTRALE
Nk1
1
R xx ( k ) = -----------Nk
x ( n )x ( n + k )
k = 0 , 1 , , N 1
Equ(29.8)
k = 1, 2, , 1 N
Equ(29.9)
n=0
1
R xx ( k ) = --------------N k
x ( n )x ( n + k )
n= k
La valeur moyenne statistique de (29.8) ou (29.9) est une estimation de la vraie fonction
dauto corrlation :
Nk1
1
E [ R xx ( k ) ] = -----------Nk
E [ x ( n )x ( n + k ) ] = R xx ( k )
Equ(29.10)
n=0
x ( ) =
2im
R xx ( m )e
Equ(29.11)
m = N+1
N
var [ R xx ( k ) ] ----------------------2
[N k ]
[ R xx ( n ) + R xx ( n k )R xx ( n + k ) ]
Equ(29.12)
n =
Equ(29.13)
N0
1
R xx ( k ) = ---N
x ( n )x ( n + k )
k = 0, 1 , , N 1
Equ(29.14)
k = 1 , 2 , , 1 N
Equ(29.15)
n=0
N1
1
R xx ( k ) = ---N
x ( n )x ( n + k )
n= k
En comparant les estimations donnes par (29.8) et (29.14), il vient immdiatement que :
N k
k
E [ R xx ( k ) ] = --------------- R xx ( k ) = 1 ----- R xx ( k ) = w B R xx ( k )
N
N
Equ(29.16)
TRAITEMENT DU SIGNAL
Master CMI
418
ESTIMATION SPECTRALE
k
Le biais de cet estimateur de la fonction de corrlation est ----- R xx ( k ) . Par contre la variance
N
1
var [ R xx ( k ) ] ---N
[ R xx ( n ) + R xx ( n k )R xx ( n + k ) ]
Equ(29.17)
n =
Dans ce cas lestimateur est consistant, la variance tend bien vers 0 lorsque N tend vers linfini. De plus cet estimateur est asymptotiquement non-biais :
lim E [ R xx ( k ) ] = R xx ( k )
N
Equ(29.18)
Cet estimateur est gnralement utilis bien que celui-ci soit biais.
signal alatoire gaussien de moyenne nulle et de variance = 2, 5 et traons les courbes des estimateurs biaiss et non-biaiss de sa fonction dauto corrlation.
Le programme MATLAB suivant calcule et affiche les deux estimateurs.
clear all;
ww_var=2.5;
ww_mean=0.0;
ww = ww_mean + sqrt(ww_var)*randn(1000,1);
cww1 = xcorr(ww,'biased');
subplot(2,1,1);
plot(cww1);
title('auto corrlation sur 1000 points, estimateur biais');
cww2 = xcorr(ww,'unbiased');
subplot(2,1,2);
plot(cww2);
title('auto corrlation sur 1000 points, estimateur non-biais')
-1
200
400
600
800
1000
1200
1400
1600
1800
2000
1600
1800
2000
-1
200
400
600
800
1000
1200
1400
Figure 29.2 : Exemple des estimateurs biais et non-biais dune fonction dauto corrlation
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
419
ESTIMATION SPECTRALE
x ( ) =
2im
R xx ( m )e
Equ(29.19)
m = N+1
---N- x
n
2im
1
( n )x ( n + m ) e
= ----
N
x ( n + m )e
2i ( n + m )
x ( n )e
2in
*
remarquera que la somme correspond la transforme de Fourier discrte x ( ) , finalement :
2
1
x ( ) = ---- x ( )
N
Equ(29.20)
N1
E [ x ( ) ] = E
2im
R xx ( m )e
=
m = N+1
2im
E [ R xx ( m ) ]e
m = N+1
N xx
E [ x ( ) ] =
Equ(29.21)
m =N+1
N1
E [ x ( ) ] =
w B R xx ( m )e
2im
Equ(29.22)
m = N+1
Equ(29.23)
Equ(29.24)
TRAITEMENT DU SIGNAL
Master CMI
420
ESTIMATION SPECTRALE
*
*
*
1
var [ R xx ( m ) ] = E [ R xx ( m 1 )R xx ( m 2 ) ] = E ---- x ( n 1 )x ( n 1 + m 1 ) ---- x ( n 2 )x ( n 2 + m 2 )
N
N
n
n
*
*
1
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ E x ( n 1 )x ( n 1 + m 1 )x ( n 2 )x ( n 2 + m 2 )
2
N n n
1
Equ(29.25)
*
*
1
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ E [ x ( n 1 )x ( n 1 + m 1 ) ]E [ x ( n 2 )x ( n 2 + m 2 ) ] +
2
N n n
1
E [ x ( n 1 )x ( n 2 ) ]E [ x ( n 1 + m 1 )x ( n 2 + m 2 ) ] +
*
*
E [ x ( n 1 )x ( n 2 + m 2 ) ]E [ x ( n 1 + m 1 )x ( n 2 ) ]
x
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ { ( m 1 ) ( m 2 ) +
2
N n n
1
Equ(29.26)
( n 1 n 2 ) ( m 1 m 2 ) +
( n 2 + m 2 n 1 ) ( n 1 + m 1 n 2 ) }
( i ) ( j ) = 1
0
si i = j
sinon
Comme ( ) = TF [ R xx ( m ) ]
E [ ( ) ] = TF { E [ R xx ( m ) ] } et
E [ ( 1 ) ( 2 ) ] =
{ E [ R xx ( m1 )R xx ( m2 ) ] }e
2im 1 1 2im 2 2
et en introduisant (29.26)
m1 m 2
x
E [ ( 1 ) ( 2 ) ] = ------ { ( m 1 ) ( m 2 ) + ( n 1 n 2 ) ( m 1 m 2 ) +
2
N m m n n
1
( n 2 + m 2 n 1 ) ( n 1 + m 1 n 2 ) } e
2im 1 1 2im 2 2
5. voir par exemple :Athanasios Papoulis Probability, RandomVariables, and Stochastic Processes - -Mc
Graw Hill - second edition - p187
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
421
ESTIMATION SPECTRALE
sin ( 1 + 2 )N
4
E [ ( 1 ) ( 2 ) ] = x 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
Equ(29.27)
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
= 2 =
4
sin N
= x 1 + ------------------N
sin
Equ(29.28)
= b G( )
Si b = 1 alors x ( ) = G ( )
E [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 ) 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
Equ(29.29)
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
var [ x ( ) ] = cov [ ( 1 ) ( 2 ) ]
= 2 =
2
sin N
= x ( ) 1 + ------------------N
sin
Equ(29.30)
Equ(29.31)
Le priodogramme nest donc pas un estimateur consistant de la densit spectrale de puissance x ( ) . En effet, lorsque N , la variance ne tend pas vers zro mais vers la densit spectrale au carr.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
422
ESTIMATION SPECTRALE
xi ( n )e
2i n
Equ(29.32)
j=0
Avec j [ 0, 1, , K 1 ] .
La mthode de Bartlett consiste moyenner les priodogrammes des K segments, soit
M
( ) la valeur moyenne de priodogramme.
K1
M
1
( ) = ---K
x ( )
Equ(29.33)
j=0
M
j
j
1
E [ ( ) ] = E ---- x ( ) = ---- E [ x ( ) ]
K
K
j=0
j=0
Equ(29.34)
Pour chaque priodogramme, la mthode de Bartlett rduit la longueur de lchantillon
dun facteur K .
La consquence directe est de rduire la rsolution frquentielle dun facteur K mais par
contre lavantage est que la variance de lestimateur est galement rduite dun facteur K par effet
de moyennage.
j
M
1
var [ ( ) ] = ---- var [ x ( ) ]
K
Equ(29.35)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
423
ESTIMATION SPECTRALE
nant les priodogrammes permet de saffranchir du bruit, par contre le temps de calcul est relativement important.
Remarque : La fonction periodogramme utilise dans le programme ci-dessous a t dfinie
prcdemment (Voir Le priodogramme, page 416.).
clear all;
Fs=32000;
% Frquence d'chantillonnage
nu=2450;
% Frquence du signal
delta=250;
% Variation de frquence pour l'affichage
t=0:1/Fs:2.96;
N=size(t);
P=zeros(size(t));
s=0.1*cos(2*pi*nu*t);
% Cosinus de 2450Hz
nbSpectres=100;
% Nombre de priodogramme moyenner
varbruit=3;
% Variance du bruit gaussien
for i=1 : nbSpectres
b=randn(1,N(2))*varbruit;% Bruit gaussien de variance varbruit
signal= s+b;
P1 = periodogramme(signal); % Gnration d'un priodogramme
P = [P;P1];
% Accumulation des priodogrammes
end
PerioMoy = mean(P);
% Moyennage des priodogrammes
n=nu-delta:1:nu+delta;
np=n+4800;
plot(n,20*log(P1(np)), 'b')
hold all;
plot(n,20*log(PerioMoy(np))-200, 'r')
xlabel('Frquence (Hz)');
ylabel('DSP (dB)');
150
100
DSP (dB)
50
-50
-100
-150
-200
2200
2250
2300
2350
2550
2600
2650
2700
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
424
ESTIMATION SPECTRALE
x i ( n )w ( n )e
2in
Equ(29.36)
j=0
Avec j [ 0, 1, , K 1 ] .
w correspond la fentre utilise pour adoucir le spectre.
P est un facteur de normalisation qui tient compte de la puissance dans la fentre w , il est
dfini par lquation (29.37) :
L1
1
P = --L
w (n)
Equ(29.37)
n=0
x ( )
Equ(29.38)
j=0
x ( )
j=0
E [ x( ) ]
j
= E [ x ( ) ]
Equ(29.39)
j=0
W ( ) ] }2
E [ x ( )x ( ) ] { E [
Equ(29.40)
i=0j=0
Welch a montr que lorsque les segments ne se recouvrent pas, la variance devient :
W
i
1
1 2
var [ ( ) ] = ---- var [ x ( ) ] ---- x ( )
K
K
Equ(29.41)
et dans le cas dun recouvrement des segments de 50%, en utilisant une fentre triangulaire
de Bartlett, la variance devient :
W
11 2
var [ ( ) ] ------- x ( )
9K
Equ(29.42)
TRAITEMENT DU SIGNAL
Master CMI
425
ESTIMATION SPECTRALE
Processing ".
Fs=32000;
% Frquence d'chantillonnage
nu=2450;
% Frquence du signal
varbruit=3;
t=0:1/Fs:2.96;
x=cos(2*pi*nu*t)+varbruit*randn(size(t));
Hs=spectrum.welch;
psd(Hs,x,'Fs',Fs)
Welch Power Spectral Density Estimate
-31
-31.5
Power/frequency (dB/Hz)
-32
-32.5
-33
-33.5
-34
-34.5
-35
-35.5
8
10
Frequency (kHz)
12
14
16
E [ x ( ) ] =
E [ R xx ( m ) ]w ( m )e
2i m
Equ(29.43)
m = ( M 1 )
R xx ( m )w B ( m )w ( m )e
2im
Equ(29.44)
m =N+1
Equ(29.45)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
426
ESTIMATION SPECTRALE
Equ(29.46)
Pour tre efficace, la fentre w doit tre plus troite que la fentre w B . Dans ce cas, (29.46)
devient :
BT
E [ x ( ) ] x ( ) * W
Equ(29.47)
BT
E [ x ( ) ] = E [ x * W ] = E [ x ] * W
Equ(29.48)
E [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 ) 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
et la variance
BT
2
2
w (m )
var [ x ( ) ] x ( ) ---
N
m = ( M 1 )
Equ(29.49)
QA
{ E [ x ( ) ] }
= -------------------------------A
var [ x ( ) ]
Equ(29.50)
O la lettre A en indice dfinie la mthode utilise (Priodogramme, Bartlett, Welch ou encore Blackman-Tukey).
Le Tableau 29.1 rsume les diffrentes performances des estimateurs considrs. Dans ce
tableau, reprsente la frquence -3dB du lobe principal. Le tableau montre que la mthode de
Blackman-Tukey donne de meilleurs rsultats que les autres mthodes.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
427
ESTIMATION SPECTRALE
Mthode
Conditions
Commentaires
Priodogramme
non-consistant,
indpendant de N
Bartlett
N, L
1, 11 N
la qualit augmente
avec N
Welch
N, L , 50% de recouvrement
1, 39 N
la qualit augmente
avec N
Blackman-Tukey
N, L , fentre triangulaire
2, 34 N
la qualit augmente
avec N
y(n) =
ai w ( n i )
Equ(29.51)
i=0
b(n)
y(n)
moyenne nulle et de variance w dans un filtre RII rcursif, ne possdant que des ples et pas de
zro, auto rgressif.
N
y(n) = w(n) +
bi y ( n i )
Equ(29.52)
i=1
b(n)
1/B
y(n)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
428
ESTIMATION SPECTRALE
moyenne nulle et de variance w dans un filtre RII rcursif, auto rgressif moyenne mobile.
M
y(n) =
ai w ( n i ) +
i=0
bi y ( n i )
Equ(29.53)
i=1
w( n)
y(n)
B/A
29.5.1. Les relations entre la fonction dauto corrlation et les paramtres du modle
Dans le chapitre sur lestimation (Voir Les quations de Yule-Walker, page 377.) nous
avons tabli des relations entre la fonction dauto corrlation dun signal et les paramtres du filtre
considr.
La relation gnrale pour un processus ARMA qui dfinit une relation non-linaire entre la
fonction d'auto corrlation R xx ( m ) et les coefficients { a k } et { b k } est donne par (29.54) :
p
a R (m k)
k xx
k=1
R xx ( m ) =
mq
p
*
2
a R ( m k ) + w bk + m h ( k )
k xx
k=1
k=0
m>q
Equ(29.54)
0mq
a R (m k)
k xx
k=1
R xx ( m ) =
p
2
a R ( m k ) + w
k xx
k=1
m>0
Equ(29.55)
m = 0
avec :
p
2
w
= R xx ( 0 ) +
ak Rxx ( k )
Equ(29.56)
k=1
Dans ces quations, nous utiliserons lquation (29.14) qui donne une estimation biaise de
la fonction de corrlation (mais variance limite) :
Nk1
1
R xx ( k ) = ---N
x ( n )x ( n + k )
k = 0, 1 , , N 1
Equ(29.57)
n=0
Cette forme assure que la matrice de lauto corrlation est positive et que le filtre obtenu est
stable.
Reprenons les rsultats obtenus dans le chapitre 28. (Voir Processus AR, page 361.) :
La densit spectrale peut se mettre sous la forme :
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
429
ESTIMATION SPECTRALE
2
w
( z ) = --------------------------xx
1
A ( z )A ( z )
Equ(29.58)
a k z
et daprs (28.41) A ( z ) = 1 +
k=1
1+
a k z
a k e
1+
k=1
Equ(29.59)
2ik
k=1
R xx ( 0 )
R xx ( p )
1
R xx ( p + 1 ) a 1
R xx ( p ) R xx ( p 1 )
R xx ( 0 )
ap
w
0
Equ(29.60)
2
Lquation (29.56) permet de calculer w .
%
%
%
%
%
Frq. d'chantillonnage
Ordre du filtre
Filtre AR ordre 4
Estimateur de Yule Walker
Rponse frquence filtre AR
n=linspace(0,0.5*fe,5000);
% 5000 points entre 0 et Fe/2
plot(n,20*log(2*e*abs(G).^2/fe),'b');
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
430
ESTIMATION SPECTRALE
-160
-165
-170
DSP (dB)
-175
-180
-185
-190
-195
-200
500
1000
1500
3500
4000
4500
5000
ak x( n k )
k=1
x ( n p ) =
ck x ( n k )
Equ(29.61)
k=0
ap k x ( n p + k )
*
x ( n p ) =
k=0
ak x ( n k )
f(n) = x(n) +
k=1
et g ( n ) =
ck x ( n k )
avec c k = 1 .
k=0
Equ(29.62)
a m ( k ) = a m 1 ( k ) + Km a m 1 ( m k )
Equ(29.63)
avec 1 k m 1 et 1 m p
K m reprsente le coefficient de rflexion lordre m.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
431
ESTIMATION SPECTRALE
Les erreurs des filtres de prdiction avant et arrire sont donnes par (28.92) et (28.93) :
Equ(29.64)
f m ( n ) = fm 1 ( n ) + Km g m 1 ( n 1 )
*
g m ( n ) = K m fm 1 ( n ) + gm 1 ( n 1 )
Equ(29.65)
Lide est de substituer (29.64) et (29.65) dans (29.63) et ensuite de minimiser lerreur.
2
2
*
* *
E { f ( n ) } = E [ fm 1 ( n ) + Km gm 1 ( n 1 ) ] [ fm 1 ( n ) + Km gm 1 ( n 1 ) ] =
2
2
*
*
2
E f m 1 ( n ) + K m E f m 1 ( n )g m 1 ( n 1 ) + K m E f m 1 ( n )g m 1 ( n 1 ) + K m E g m 1 ( n 1 )
*
E f m 1 ( n )g m 1 ( n 1 ) = E f m 1 ( n )g m 1 ( n 1 )
2
*
2
2
2
E { f ( n ) } = E f m 1 ( n ) + K m E g m 1 ( n 1 ) + ( K m + K m )E f m 1 ( n )g m 1 ( n 1 )
2
2
2
2
E { f ( n ) } = E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 ) Equ(29.66)
2
2
E { g ( n ) } = E f m 1 ( n ) + K m E f m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 ) Equ(29.67)
2
2
2
1
= --- E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 )
2
2
2
2
+ E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 )
2
2
= K m E f m 1 ( n ) + E g m 1 ( n 1 ) + 2E f m 1 ( n )g m 1 ( n 1 )
Km
= 0 pour :
Km
Km
2E f m 1 ( n )g m 1 ( n 1 )
= ------------------------------------------------------------------------------------------
2
2
E fm 1 ( n ) + E gm 1 ( n 1 )
Equ(29.68)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
432
ESTIMATION SPECTRALE
fm 1 ( i )gm 1 ( i 1 )
i=1
K m = --------------------------------------------------------------------------------n
[ fm 1 ( i )
Equ(29.69)
+ gm 1 ( i 1 ) ]
i=1
Lestimateur de Burg ncessite un bloc de donnes. Pour tre utilisable plus facilement, il
est prfrable dutiliser une quation rcursive du type K m = K m ( n 1 ) + H ( f, g ) ou H est une
fonction dpendant des erreurs f et g.
Considrons la puissance des erreurs m 1 ( n ) correspondant au dnominateur de (29.69) :
n
( fm 1 ( i )
m 1 ( n ) =
+ gm 1 ( i 1 ) )
Equ(29.70)
i=1
m 1 ( n ) =
( fm 1 ( i )
+ gm 1 ( i 1 ) ) + fm 1 ( n ) + gm 1 ( n )
Equ(29.71)
i=1
2
m 1 ( n ) = m 1 ( n 1 ) + f m 1 ( n ) + gm 1 ( n )
Equ(29.72)
i=1
f m 1 ( i )g m 1 ( i 1 ) = 2
n1
Equ(29.73)
i=1
i=1
K m = ----------------------------------------------------------------------------------------------------------------------------------2
2
m 1 ( n 1 ) + f m 1 ( n ) + gm 1 ( n )
Equ(29.74)
Modifions les formules des erreurs des prdicteurs avant (28.95) et arrire (28.96), de faon utiliser le coefficient de rflexion K m ( n 1 ) :
*
f m ( n ) = f m 1 ( n ) + K m ( n 1 )g m 1 ( n 1 )
Equ(29.75)
g m ( n ) = g m 1 ( n ) + K m ( n 1 )f m 1 ( n 1 )
Equ(29.76)
2f m 1 ( n )g m 1 ( n 1 ) = f m 1 ( n )g m 1 ( n 1 ) + f m 1 ( n )g m 1 ( n 1 )
Equ(29.77)
De (29.75) :
*
*
*
f m 1 ( n ) = [ f m ( n ) K m ( n 1 )g m 1 ( n 1 ) ]
Equ(29.78)
De (29.76) :
g m 1 ( n 1 ) = g m ( n ) K m ( n 1 )f m 1 ( n 1 )
Equ(29.79)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
433
ESTIMATION SPECTRALE
*
*
*
2f m 1 ( n )g m 1 ( n 1 ) = g m 1 ( n 1 ) [ f m ( n ) K m ( n 1 )g m 1 ( n 1 ) ]
*
+ f m 1 ( n ) [ g m ( n ) K m ( n 1 )f m 1 ( n 1 ) ]
2
*
*
2f m 1 ( n )g m 1 ( n 1 ) = g m 1 ( n 1 )f m ( n ) g m 1 ( n 1 ) K m ( n 1 )
*
2
+f
( n )g ( n ) K ( n 1 ) f
(n)
m1
m1
*
*
2
2
= K m ( n 1 ) [ f m 1 ( n ) + g m 1 ( n 1 ) ] + f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
*
f m 1 ( n )g m ( n )
+ gm 1 ( n
Equ(29.80)
*
1 )f m ( n )
tape 2
Adaptons (29.69) en fonction de K m ( n 1 ) la place de K m et lon remarquera, laide de
(29.70), que le dnominateur est gal m 1 ( n 1 ) :
n1
f m 1 ( i )gm 1 ( i 1 )
i=1
K m ( n 1 ) = --------------------------------------------------------------------m 1 ( n 1 )
Equ(29.81)
fm 1 ( i )gm 1 ( i 1 ) =
*
K m ( n 1 ) m 1 ( n 1 )
Equ(29.82)
i=1
tape 3
Le numrateur de (29.74) peut scrire laide de (29.80) et (29.82) :
n1
f m 1 ( i )gm 1 ( i 1 ) + 2f m 1 ( n )gm 1 ( n 1 )
*
Equ(29.83)
i=1
*
*
= K m ( n 1 ) m 1 ( n ) + f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
tape 4
Finalement, (29.74) peut tre r-crite laide de (29.83), en remarquant que le dnominateur est gal m 1 ( n ) :
*
f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
K m ( n ) = K m ( n 1 ) --------------------------------------------------------------------------------------m 1 ( n )
Equ(29.84)
pour m = 1, 2, M
Les principaux avantages de la mthode de Burg sont la bonne rsolution, le modle AR obtenu est stable et le calcul efficace. Par contre, avec des modles dont lordre est lev, cette mthode introduit des pics parasites ou encore des ddoublements de pics.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
434
ESTIMATION SPECTRALE
%
%
%
%
%
Frq. d'chantillonnage
Ordre du filtre
Filtre AR ordre 4
Estimateur de Burg
Rponse frquence filtre AR
n=linspace(0,0.5*fe,5000);
% 5000 points entre 0 et Fe/2
plot(n,20*log(2*e*abs(G).^2/fe),'b');
-155
-160
-165
DSP (dB)
-170
-175
-180
-185
-190
-195
-200
500
1000
1500
3500
4000
4500
5000
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
435
ESTIMATION SPECTRALE
1
Gk( ) =
0
si k < --2
Equ(29.85)
sinon
y ( ) = x ( ) Gk ( )
Equ(29.86)
La puissance du signal en sortie du filtre G k ( ) est donne par lintgrale de la densit spectrale de sortie :
+
E [ yk ] =
y ( ) d
Equ(29.87)
et laide de (29.86) :
+
E [ yk ] =
x ( ) G k ( )
Equ(29.88)
Lintgrale peut tre restreinte uniquement la bande dintrt et compte tenu que le gain
est unitaire dans la bande :
2
E [ yk ] =
( k + 2 )
( 2 )
x ( ) G k ( ) d =
( k + 2 )
( 2 ) x ( ) d
k
Si est petit par rapport la variation de x ( ) , alors la densit spectrale peut tre considre comme constante dans la bande :
2
E [ y k ] = x ( )
Equ(29.89)
Gk( )
x( )
E[ yk ]
x ( ) = ------------------
Equ(29.90)
bande du filtre ----k-, + ----k- . La fonction de transfert du filtre est la transforme de Fourier de
sa rponse impulsionnelle :
p
Gk ( k ) =
h k ( n )e
2i k n
= 1
Equ(29.91)
n=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
436
ESTIMATION SPECTRALE
Gk ( k ) = h k ek = e k hk
Equ(29.92)
avec :
h k = [ h k ( 0 ), h k ( 1 )h k ( p ) ]
e k = [ 1, e
2i k
, e
2i p H
hk x ( n k )
k=0
yk ( n ) = hk x ( n )
Equ(29.93)
E [ y k ( n ) ] = E [ h k x ( n ) ] = E [ h k x ( n )h k x ( n ) ]
2
E [ yk ( n ) ] = hk Rx hk
Equ(29.94)
2
Maintenant il faut minimiser la variance E [ y k ( n ) ] avec la contrainte que le gain doit tre
unitaire dans la bande considre :
H
Equ(29.95)
hk ek = 1
Pour cette minimisation, on utilise la mthode des multiplicateurs de Lagrange qui scrit
de la manire suivante : J ( x, ) = ( x ) + ( x )
( x ) est la fonction optimiser, ( x ) est la contrainte dgalit telle que ( x 0 ) = 0 . Loptimum est obtenu pour x = x 0 lorsque J = Jmin .
H
J = h k Rx h k + ( 1 hk ek )
Equ(29.96)
Equ(29.97)
Equ(29.98)
Rx ek
h k = --------------------H 1
ek Rx ek
Equ(29.99)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
437
ESTIMATION SPECTRALE
Rx e
h = ------------------H 1
e Rx e
Equ(29.100)
Equ(29.101)
Lestimation de la densit spectrale dentre est donne par (29.90) et laide de (29.101) :
2
E[ yk ]
1
x ( ) = ------------------- = ------------------------H 1
e k R x e k
Equ(29.102)
Equ(29.103)
Equ(29.104)
Equ(29.105)
= 1
1
1
- = --------soit = --------------------------*
H
G ( )G ( )
e e
Cette normalisation amliore la rsolution frquentielle de lestimateur. Dans ce cas lestimation (de Lagunas) de la densit spectrale est donne par la formule suivante :
H
e Rx e
1
x ( ) = ----------------------- = ------------------H 1
H 2
e R x e
e Rx e
Equ(29.106)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
438
Equ(29.107)
ESTIMATION SPECTRALE
Posons :
a = ( n + 1 )2 0 et b = ( n 1 )2 0 dans ce cas (29.107) devient :
cos ( n + 1 )2 0 + cos ( n 1 )2 0 = 2 cos 2 0 n cos 2 0
Equ(29.108)
Equ(29.109)
Equ(29.110)
Equ(29.111)
avec a1 = 2 cos 2 0 et a2 = 1
Lquation (29.111) gnre une sinusode x ( n ) = cos 2 0 n centre sur la frquence 0 .
Le systme possde donc une paire de ples aux frquences = 0 .
On peut facilement gnraliser les rsultats prcdents un signal compos de k sinusodes.
Dans ce cas, lquation aux diffrences est telle que :
2k
x(n) =
am x ( n m )
Equ(29.112)
m=1
bk z
k=0
H ( z ) = --------------------------------N
1+
ak z
Equ(29.113)
k=1
Si lon considre, maintenant, un systme qui ne contient que des ples, la formule (29.113)
se simplifie avec b k = 0 pour 1 k M :
b0
H ( z ) = --------------------------------N
1+
ak z
k=1
Equ(29.114)
et compte-tenu de lquation aux diffrences (29.112), la fonction de transfert correspondante peut scrire :
1
H ( z ) = -----------------------------------2k
1+
am z
Equ(29.115)
m=1
2k
am z
m=1
de transfert. Ce polynme possde 2k racines sur le cercle unit, correspondant aux frquences gnres.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
439
ESTIMATION SPECTRALE
Equ(29.116)
soit :
x( n) = y( n) w( n)
Equ(29.117)
Si lon substitue (29.117) dans lquation gnrale aux diffrences (29.112), on obtient :
2k
y( n) w( n) =
am [ y( n m ) w ( n m ) ]
Equ(29.118)
m=1
2k
m=1
2k
dans la sommation :
m=0
2k
am y ( n m ) =
m=0
am w ( n m )
Equ(29.119)
m=0
Equ(29.120)
y a = w a
avec :
y
Equ(29.121)
yy a = yw a
E [ yy ]a = E [ yw ]a
Equ(29.122)
Daprs (29.116) :
y = x + w , lquation (29.122) devient :
T
E [ yy ]a = E [ ( x + w )w ]a
Equ(29.123)
T
[ R yy w I ]a = 0
Equ(29.124)
2
Dans cette quation, la variance du bruit w correspond une valeur propre de la matrice
de corrlation R yy . Le vecteur de coefficients a est un vecteur propre associ la valeur propre
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
440
ESTIMATION SPECTRALE
w . Lquation fondamentale (29.124) est la base des mthodes spectrales bases sur la dcom-
R yy ( k ) = E [ y ( n )y ( n k ) ]
Equ(29.125)
Equ(29.126)
Equ(29.127)
R yy ( k ) = E [ ( x ( n ) + w ( n ) ) ( x ( n k ) + w ( n k ) ) ] = E [ x ( n )x ( n k ) ] + R ww ( k )
Equ(29.128)
E [ x ( n )w ( n k ) ] = E [ w ( n )x ( n k ) ] = 0 .
R yy ( k ) = A 0 E [ cos 2 0 n cos 2 0 ( n k ) ] + R ww ( k )
1
et compte-tenu de lidentit cos acos b = --- [ cos ( a + b ) + cos ( a b ) ] :
2
2
A0
A
Posons que la puissance moyenne de la sinusode est gale P 0 = -----0- , alors :
2
R yy ( k ) = P 0 cos 2 0 k + R ww ( k )
Equ(29.129)
R yy ( 0 ) = P 0 + w pour k = 0
R yy ( k ) = P 0 cos 2 0 k pour k 0
Pi + w
2
R yy ( 0 ) =
pour k = 0
Equ(29.130)
i=1
p
R yy ( k ) =
Pi cos 2i k
pour k 0
Equ(29.131)
i=1
= r yy ( 0 )
Pi
Equ(29.132)
i=1
r yy ( m ) est lestimation de R yy ( m ) .
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
441
ESTIMATION SPECTRALE
cos 2 2 cos 2 p
P1
cos 4 1
cos 4 2 cos 4 p
P2
R yy ( 1 )
R yy ( 2 )
Equ(29.133)
R yy ( p )
2i 0 n
+ w(n)
Equ(29.134)
2i 0 k
+ R ww ( k )
Equ(29.135)
R yy = R xx + R ww
avec :
1
e
R xx = P 0
2 i 0
2i 0
2i ( M 1 ) 0
2i ( M 2 ) 0
2 i ( M 1 ) 0
2 i ( M 2 ) 0
Equ(29.137)
R ww = w I
Equ(29.138)
R yy = R xx + w I
Equ(29.139)
2i 0
,e
4i 0
, , e
2i ( M 1 ) 0 T
Equ(29.140)
R xx = P 0 s 0 s 0
Equ(29.141)
R xx s 0 = P 0 s 0 s 0 s 0 = P 0 s 0 ( s 0 s 0 ) = MP 0 s 0
T
TRAITEMENT DU SIGNAL
Master CMI
442
ESTIMATION SPECTRALE
De plus, une proprit des matrices hermitiennes implique que les autres vecteurs propres
sont orthogonaux s 0 :
T
pour i = 2, 3, M
s0 vi = 0
Equ(29.142)
Soit x, i les valeurs propres de R xx , en multipliant les deux membres de (29.139) par v i :
2
R yy v i = ( R xx + w I )v i = x, i v i + w v i = ( x, i + w )v i
Equ(29.143)
i = x, i + w
Equ(29.144)
max = MP 0 + w
Equ(29.145)
comme les autres valeurs propres de R xx sont nulles, on en dduit que les M-1 autres va2
Equ(29.146)
avec w = min
La plus grande valeur propre est telle que : max = MP 0 + w , les autres valeurs sont gales
2
w .
2- Utiliser les valeurs propres de R yy pour dterminer la puissance P 0 et la variance du
bruit :
2
w = min
1
P 0 = ----- ( max min )
M
29.7.5. Exemple
Soit le signal y ( n ) = A 0 e
2i 0 n
rlation suivante :
R yy =
3
2(1 i)
2(1 + i)
3
2
Calculons det 3 2 ( 1 i ) = 0 soit le polynme 6 + 1 = 0 dont les racines sont
2( 1 + i ) 3
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
443
ESTIMATION SPECTRALE
1, 2 = 3 2 2
2
------- ( 1 + i )
2
w = min = 3 2 2
Remarquons que lon peut utiliser lquation (29.132) pour trouver la variance du bruit :
2
w = r yy ( 0 ) P 0 = 3 2 2
2
0 = arg [ v max ( 1 ) ] = arg ------- ( 1 + i ) = --4
2
1
soit 0 = --- .
8
blanc w ( n ) est tel que la variance w du bruit correspond la plus petite valeur propre de la matrice R yy lorsque la dimension de cette matrice est suprieure ou gale ( p + 1 ) ( p + 1 ) . Le vecteur des coefficients ARMA correspond au vecteur propre qui est associ la valeur propre
minimale.
On suppose que la matrice dauto corrlation du signal est connue ou a t estime.
La mthode de dcomposition harmonique de Pisarenko est dune utilit limite du fait de
sa grande sensibilit au bruit. Par contre, cette mthode est intressante
Si lon considre que le bruit nest pas corrl au signal, il est possible dappliquer le principe dorthogonalit.
Soit v min le vecteur propre du bruit, qui correspond la plus petite valeur propre de la matrice R yy et s i les vecteurs des signaux, dans ce cas :
p
H
s i v min
vmin ( k )e
2ik i
i = 1, 2, , p
= 0
Equ(29.147)
k=0
p
La quantit V min ( e
2i
) =
vmin ( k )e
2ik
k=0
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
444
ESTIMATION SPECTRALE
= Vi ( e
2ik
vi ( k )e
) =
2ik i
i = 1 , 2 , , p
= 0
Equ(29.148)
k=0
vmin ( k )z
V min ( z ) =
(1 e
k=0
2i k 1
z )
Equ(29.149)
k=1
Les frquences des exponentielles complexes peuvent tre extraites partir des racines du
filtre propre.
Il est galement possible destimer les frquences au moyen, par exemple, dune fonction
destimation frquentielle.
H
1
- = s vi
On peut considrer la fonction -------------------2i
F ( e
s = [ 1, e
2i
,e
4i
, , e
2i ( M 1 ) T
1
s ( k ) = s k . Dans ce cas, ----------------------- = 0 pour k = 1, 2, , p .
F ( e 2i k )
1
- peut tre utilis pour estimer les frquences du signal.
La fonction inverse de ---------------------2i
F ( e
2i
1
F ( e
) = ---------------H 2
s vi
Equ(29.150)
Le dnominateur de (29.150) tend vers zro aux frquences des exponentielles complexes
2i
et (le signal tant orthogonal aux diffrents vecteurs propres du bruit. F ( e
) devient thorique2i
ment infini aux frquences estimer. En pratique, F ( e
) donne une valeur finie toutes les frquences.
2i
F ( e
) est appel pseudo spectre ou encore spectre propre.
Pi e
R yy ( k ) =
2i i k
+ R ww ( k )
Equ(29.151)
i=1
Comme R yy = R xx + R ww
2
avec R ww = w I
Dfinissons le vecteur signal s i suivant :
s i = [ 1, e
2i i
,e
4i i
, , e
2i ( M 1 ) i T
R yy =
i=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
p
T
Pi si si
+ R ww =
Pi si si
+ w I
Equ(29.152)
i=1
445
ESTIMATION SPECTRALE
R yy = SPS + w I
Equ(29.153)
Considrons les vecteurs propres et les valeurs propres dtermins partir de la matrice
dauto corrlation R yy :
R yy v i = i v i
i = 1, 2, , p
Equ(29.154)
H
v i R yy v i = i v i v i = i
i = 1, 2, , p
Equ(29.155)
Pk s k sk
v i R yy v i = v i
+ w I vi = i
Equ(29.156)
k=1
Considrons les 2 derniers termes de lquation (29.156), et multiplions les 2 membres sucH
Pk sk sk
+ w I v i v i = i v i v i et comme v i v i = 1 :
k=1
p
Pk sk sk
+ w I = i
k=1
p
Pk sk sk
k=1
p
P k sk sk v i vi
H
= i w et finalement :
k=1
p
Pk sk vi
H
= i w
i = 1, 2, , p
Equ(29.157)
k=1
p
Daprs (29.148) :
H
sk vi
= Vi ( e
2i k
vi ( k )e
) =
2ik i
i = 1 , 2 , , p
= 0
k=0
le module au carr
H 2
s k vi
sk vi
= Vi ( e
2ik 2
Equ(29.158)
P k Vi ( e
2i k 2
= i w
i = 1, 2 , , p
Equ(29.159)
k=1
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
446
ESTIMATION SPECTRALE
V1 ( e
V2 ( e
2i 1 2
2i 1 2
V1 ( e
V2 ( e
2i 2 2
2i 2 2
2i 1 2
2i 2 2
Vp ( e
Vp ( e
V1(e
V2(e
2i p 2
2i p 2
Vp(e
2i p 2
P1
1 w
P2
= 2 w
2
Pp
p w
Equ(29.160)
Lquation (29.160) permet de trouver les puissances P k connaissant les valeurs propres et
la variance du bruit.
2- La variance du bruit est gale la plus petite valeur propre : w = min et les frquences
des exponentielles sont les racines du filtre propre :
p
vmin ( k )z
V min ( z ) =
k=0
(1 e
2i k 1
z )
k=1
2i
1
) = ---------------- .
Il est galement possible de dterminer les pics du pseudo spectre F ( e
2
H
s vi
blanc w ( n ) est gaussien et de variance w = 0, 2 . Dans ce cas le nombre dexponentielles complexes est p = 2 .
La figure 29.11 montre le rsultat obtenu par le programme. Il faut noter que cette estimation se dgrade fortement lorsque la variance du bruit augmente.
% Dcomposition harmonique de Pisarenko
% sinusode f=0.2 bruite par un bruit gaussien de variance 0.3
f=0.2;
N=10;
p=2;
M=p+1;
varbruit=0.2;
Nfft=256;
x= sin(2*pi*f*[0:(N-1)]')+ varbruit*randn(size(N)); % signal + bruit
r=corrmtx(x,M,'cov');
r=r(1:M,1:M);
[Q0,D]=eig(r);
TRAITEMENT DU SIGNAL
Master CMI
447
ESTIMATION SPECTRALE
Q=Q0(:,index(M:-1:1));
F=1./abs(fftshift(fft(Q(:,M),Nfft))).^2; % Estimateur de frquences
140
120
100
80
60
40
20
0
-20
-40
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
Frquences normalises (Hz)
0.3
0.4
0.5
Calculons par la mthode de Pisarenko, les frquences et les puissances des exponentielles
complexes.
Comme le nombre dexponentielles p = 2 , la matrice dauto corrlation est une matrice de
Toeplitz 3 3 :
Rx =
6
1, 92705 i 4, 58522 3, 42705 i 3, 59541
1, 92705 + i4, 58522
6
1, 92705 i 4, 58522
3, 42705 + i3, 59541 1, 92705 + i4, 58522
6
2 = 1, 1049
3 = 15, 8951
La plus petite valeur propre est min = 1 et le vecteur propre correspondant est :
0, 2742 0, 3045i
v min = 0, 3315 + 0, 7446i
0, 4097
TRAITEMENT DU SIGNAL
Master CMI
448
ESTIMATION SPECTRALE
On obtient :
z 1 = 0, 5 + 0, 8660i
z 2 = 0, 3090 + 0, 9511i
et 1 = arg ( z 1 ) = ---
3
2
2 = arg ( z 2 ) = -----5
i --3-
V2 e
i --3-
V3 e
2 2
i -----5
= 0, 0315 ; V 2 e
= 0, 0139
2 2
i -----5
= 2, 9685 ; V 3 e
= 2, 9861
Pour trouver les puissances des exponentielles complexes, nous allons utiliser lquation
(29.160) :
2
1 w
P1
0
0
2
2, 9685 2, 9861 P 2 = 2 w
0, 0315 0, 0139 P 3
2
3 w
avec 1 = 1
2 = 1, 1049
3 = 15, 8951 et
trouve : P 2 = 2 et P 2 = 3 .
TRAITEMENT DU SIGNAL
Master CMI
449
ESTIMATION SPECTRALE
i = p + 1, p + 2, M
s k vi = 0
Lestimation de la variance du bruit est effectue en moyennant les M p plus petites valeurs propres (celles qui correspondent au sous-espace du bruit) :
M
2
1
w = -------------Mp
Equ(29.161)
k =p+1
Vi ( z ) =
v i ( k )z
i = p + 1, , M
Equ(29.162)
k=0
En consquence, les transformes en z des vecteurs propres donnent les filtres propres. Ces
filtres possdent M 1 racines (zros) et p de ces racines sont sur le cercle unit aux frquences
des exponentielles complexes. Le spectre propre, de chaque vecteur propre de bruit, est donn par
lquation suivante :
1
1
---------------------------- = -----------------------------------------------M1
2
2i 2
Vi ( e
)
2 ik
vi ( k )e
Equ(29.163)
k=0
Il faut noter que les M p 1 zros restants peuvent se trouver nimporte quel endroit et
ventuellement polluer le spectre propre. Dans lalgorithme MUSIC, leffet de ces pics indsirables est rduit par le moyennage ralis par lestimateur frquentiel suivant :
2i
1
P music ( e
) = --------------------------------M
s vi
Equ(29.164)
i= p+1
Les frquences des exponentielles complexes sont choisies aux emplacements des p plus
2i
H
grands pics de P music ( e
) . Comme s et v i sont orthogonaux, lestimateur tend vers linfini
D(z) =
i = p+1
s vi
Qi ( z )
i =p+1
i = p+1
* 1
Q i ( z )Q i ----
*
z
Equ(29.165)
TRAITEMENT DU SIGNAL
Master CMI
450
ESTIMATION SPECTRALE
w = 100 .
M=N-p; n=0:N-1;
x= sin(2*pi*f1*n)+ sin(2*pi*f2*n)+sin(2*pi*f3*n)+varbruit*randn(size(N));
% signal + bruit
[X,R]=corrmtx(x,M,'cov');
40
30
20
10
0
-10
-20
-30
-40
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
Frquenc es norm alis es (Hz )
0. 3
0.4
0.5
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
451
ESTIMATION SPECTRALE
30. ANNEXES
30.1. Les dcibels
En physique, lutilisation dunits logarithmiques est trs frquente et permet de reprsenter
plus facilement de nombreux phnomnes.
Une de ces units, le dcibel est dfini comme le logarithme ( base 10) dun rapport de
puissances :
P1
P ( dB ) = 10 log ------P2
Equ(30.1)
P1
U1 R1
P ( dB ) = 10 log ------- = 10 log --------------------2
P2
U2 R2
U1
R1
P ( dB ) = 20 log ------- 10 log ------U2
R2
Equ(30.2)
Equ(30.3)
On peut driver des quations prcdentes dautres units trs utilises qui dfinissent une
grandeur par rapport une valeur de rfrence :
dBV
U ( V )
dBV = 20 log ----------------1V
Equ(30.4)
dBm
P ( mW )
dBm = 10 log -----------------1mW
Equ(30.5)
dBA
Equ(30.6)
U
P = -----R
Equ(30.7)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
452
ANNEXES
P ( mW ) = V ( V ) 2 10
11
Equ(30.8)
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
453
Equ(30.9)
Equ(30.10)
ANNEXES
11
10
3 10
25
10
3 10
19
3 10
20
3 10
18
3 10
19
3 10
15
3 10
17
3 10
10
15
11
11
10 10
10 10
10 10
T ( K ) = 1, 16 10 E ( eV )
>10
10 10
15
10
10
12
10
source
15
10
10
15
acclrateurs
11
rayons
rayons X durs
rayons X mous
10 10
10 10
3 10
16
4 120
4 10 1, 2 10
3 10
14
15
14
10 4 10
3 10
12
3 10
14
3 10
10
3 10
12
10
1 10
>10
22
3 10
T = Ek
( cmE) ( eV ) = 4 10
25
3 10
10
12
10
Temprature
E = h
( Hz ) = 3 10
>310
10
10
Energie
= c
15
15
Frquence
10
3 10 3 10
10
10
10
10
1
10
10
10 10
2
1 10
10
ultraviolet
visible
infrarouge
ondes millimtriques
ondes radio
10
3 10
UHF
3 10
VHF
3 10
TV, FM radio
3 10
ondes courtes
3 10
ondes longues
10
10
10
10
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
454
ANNEXES
700 400 nm
Vio
e
ug
Ro
620 nm
Indigo
Orang
460 nm
e
Bl
eu
n
Jau
580 nm
430 nm
let
Vert
490 nm
560 nm
Rouge
700
Infra-rouge
14000
Orange
Spectre invisible
650
Jaune
585
575
Vert
Bleu
490
400
425
UV-A
315
UV-B
Spectre visible
Violet
Spectre invisible
Longueur donde en nm
Figure 30.2 : Spectre lectromagntique et rayonnement
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
455
ANNEXES
( cos z ) + ( sin z ) = 1
sin ( a + b ) = sin a cos b + sin b cos a
sin ( a b ) = sin a cos ( b sin b cos a )
cos ( a + b ) = cos a cos b sin a sin b
cos ( a b ) = cos a cos b + sin a sin b
1
sin a sin b = --- [ cos ( a b ) cos ( a + b ) ]
2
1
cos a cos b = --- [ cos ( a + b ) + cos ( a b ) ]
2
1
sin a cos b = --- [ sin ( a + b ) + sin ( a b ) ]
2
p+q
pq
sin p + sin q = 2 sin ------------ cos ------------
2
2
pq
p+q
sin p sin q = 2 sin ------------ cos ------------
2
2
pq
p+q
cos p + cos q = 2 cos ------------ cos ------------
2
2
pq
p+q
cos p cos q = 2 sin ------------ cos ------------
2
2
sin 2a = 2 sin a cos a
2
cos 2a = 2 ( cos a ) 1
cos 2a = 1 2 ( sin a )
( cos a ) = ( 1 + cos 2a ) 2
2
( sin a ) = ( 1 cos 2a ) 2
2 tan a
tan 2a = --------------------------2
1 ( tan a )
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
456
ANNEXES
INDEX
Couleurs 455
Couplage 325
A
Aliasing 48
Amplificateur synchrone
Lock-in 103
Analytique 83
AR 361
AR(1) 361
ARMA 363
Auto-corrlation drive 75
Auto-rgressif 361
Auto-rgressif moyenne mobile 361
Capacit 233
95, 101
Corrlation 102
Dirac 3
Discrimination 239
Dispersion spectrale 130
Distorsion 39
Dtection synchrone
B
Bande quivalente de bruit
Bartlett 134, 423
Bzout 168
Biais 414
Blackman 134
Blackman et Tukey 426
Blanchiment 352
Blindages 320
Boltzmann 182
Bruit 178
184
Drivation 4
Dirac 3, 5, 20
Distribution de Dirac 21
Distribution de Poisson 62
Dyadique 158
Dynodes 266
E
Early 212
Echantillonnage 45
Ecrans 320
Effet de peau 303
Efficacit de collection 262,
Efficacit quantique 262
Elments mathmatiques 1
Burg 431
Cauchy 2
Lebesgue 1
Les distributions 3
Oprations sur les distributions 3
Partie principale 2
Riemann 1
C
Cble blind 326
Cble coaxial 307
Calorimtres 225
Campbell 187, 194
Capon 435
Cauchy 2
Champ lectromagntique 318
Chirp 141
Classification des signaux 5
Coefficients de rflexions 371
Comparaison bipolaire-FET 223
Comparateur 240
Compatibilit lectromagntique 318
Composantes de Rice 91
Convertisseurs analogiques-numriques
Empilement 199
ENC 198
Enveloppe complexe
Ergodicit
Erreur
TRAITEMENT DU SIGNAL
Master CMI
57
De dcalage 334
De gain 335
Espace dtat 403
Estimateur consistant 414
Estimation 352
Estimation spectrale 414
Evnements en cascade 264
332,
55
P. NAYMAN
89, 91
Composantes en quadrature 90
Rice 90
342
Convolution 21,
Corrlation 53
267
457
INDEX
Hilbert
Impdance caractristique
Innovation 352
Interfrences 69, 70
Inter-spectres 69
301
Fil 308
Filtrage 37
Jitter 241
Johnson 182
Adapt 77
Gain 38
Filtrage adaptatif
Filtre
83
K
Kaiser 134
Kalman 402
380
Adapt 77
Butterworth 122, 186
Gaussien 204
Miroirs conjugus 156
Optimum 196
Quadrature 154
L
Lagunas 438
Lanczos 134
Le basculeur Poisonnien 73
Lebesgue 1
Levinson-Durbin 372
Lignes de transmissions 298
Diffrentes 306
Lock-in 103
Lorentz 238
Caractristique 60
Gnratrice 59
Orthogonale 7
Pondration 193
Fonction signe 84
Formule des interfrences
Formule du moment 69
Foudre 329
Fourier 10, 16
M
MA 362
Mallat 160
Mesures temporelles 237
Mthode par ajustement dune sinusode
Mthode statistique 338
Meyer 160
Microstrip 308
Miller 233
Modle de base 211
Modle harmonique 438
Modulateurs sigma delta 345
Modulation 95
Modulation damplitude 96
Moment (formule) 69
Morlet 143
Moyenne mobile 361
MUSIC 449
70
Sries 10
Transformation 16
Transforme de signaux priodiques 31
Transformes de base 27
Fraction constante 242
G
Gabor 140
Gibbs (Phnomne) 13
Gradient dterministe 381
Gradient stochastique 395
N
Newton 380
Non-linarit diffrentielle 333
Non-linarit intgrale 334
H
Haar 144
Hamming 134
Hanning 134
Harmoniques 33
Hartley 181
Heisenberg 59
Hermitienne 355
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
O
Ondelettes 140,
143
P
Paire torsade 307, 326
Paley-Wiener 353, 358
458
341
INDEX
Parseval 9, 30
Priodogramme 416
Priodogramme moyenn 423
Phase linaire 39, 126, 157
Photolectron 267
Photo-mission 265
Photomultiplicateurs 262
Pisarenko 444
Plank 182
Poisson 62
Spectrales (Proprits) 66
corrlation 70
Densit spectrale de puissance 70
Spectre lectromagntique 454,
Spectre propre 445
Spectre unilatral et bilatral 13
Stabilit 81
Standard nim 314
Stationnarit
Au second ordre 54
Au sens large 54
Au sens strict 54
Formule sommatoire 25
Ple zro 235
Pondration 193
Pramplificateur de charges 226
Pramplificateur de courant 226
Prdiction 352
Prdiction arrire 366
Prdiction avant 364
Prdiction linaire 343, 363
Principe dincertitude 57
Principe dorthogonalit 384, 404
Processus driv 75
Pseudospectre 445
Stripline 309
Surchantillonnage 342
Synthse (filtre numrique) 115
Systmes numriques 104
T
Temporelles 237
Temps de Vol 237
Temps mort 249
Cumulatif 250
Non cumulatif 250
Q
Quantification 332
Quantification diffrentielle
Quasi-Newton 381
Toeplitz 354
Transforme
342
En Z 108
Fourier 16
Hilbert 83
Laplace 79
R
Rapport signal bruit 337
Rayonnement 330
Rcursifs 107
Rendement quantique 262
Rendement quantique effectif
Repliement spectral 48
Rponse impulsionnelle 37
Rponse invariante 104
Rsolution 262, 332
Riccati 407
Rice 91
Riemann 1
RIF 106
Tukey 134
U
Uniforme
270
V
Variance 53
Vectorielle 7
Vetterli 156
W
Welch 425
Wiener 383
Wiener-Hopf 344, 384
Wiener-Kinchine 67, 68
S
Schottky 187
Schwartz 3, 58
Sries de Fourier 10
Y
Yule-Walker
Convergence 12
Shannon 45, 182
Signal analytique 83
Proprits 88
Signal quivalent au bruit 197
signal tlgraphique alatoire 74,
Signaux alatoires 52
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
52
287
459
377, 429
455
31. BIBLIOGRAPHIE
[4] Bennett William R., Davey James R. - Data transmission - McGraw-Hill Book Compagny.
[5] Breitenberger Ernst - Scintillation spectrometer statistics - Progress in Nuclear Physics 1955, 4
- p. 56-94
[6] Buil Christian - Astronomie CCD - Socit dAstronomie Populaire.
[7] Charbit Maurice - lments de thorie du signal : Les signaux alatoires - ellipses.
[8] Charoy Alain - Parasites et perturbations des lectroniques - tome 1 - Dunod Tech.
[9] Charoy Alain - Parasites et perturbations des lectroniques - tome 2 - Dunod Tech.
[10] Charoy Alain - Parasites et perturbations des lectroniques - tome 3 - Dunod Tech.
[11] Charoy Alain - Parasites et perturbations des lectroniques - tome 4 - Dunod Tech.
[12] Clark T.L., McCollum M.B., Trout D.H. - MEDIC HandBook - NASA Reference Publication
1368, June 1995
[13] CMOS data book - Systems Design Considerations When Using Cypess CMOS circuits - p. 1060. 1988.Bennett
[14] Daubechies Ingrid - Ten Lectures on Wavelets. Philadelphia, PA : SIAM books - 1992.
[15] De Coulon F. - Thorie et traitement des signaux - Dunod.
[16] Delmas Jean-Pierre - lments de thorie du signal : Les signaux dterministes - ellipses.
[17] de Naurois M. - Lexprience CELESTE : Reconversion dune centrale solaire pour lastronomie
... Thse de doctorat de luniversit Paris VI - 1990.
[18] Diniz Paulo S. R., Adaptive filtering. (Third edition) - Springler - 2008
[19] Gatti E., Manfredi P.F. - Processing the Signals from Solid-State Detectors in Elementary-Particle Physics. - Rivista del nuovo cimento - 1985.
[20] Gatti E., Hrisoho A., Manfredi P. F. - Choice between FETs or bipolar transistors and optimization.... - IEEE Transactions on Nuclear Science, Vol. NS-30, N 1, Feb. 1983.
[21] Gatti E., Svelto V. - Theory of time resolution in scintillation counters - Nuclear Instruments and
Methods 4 (1959) - p. 189-201.
[22] Gatti E., Svelto V. - Review of theories and experiments of resolving time with scintillation counters - Nuclear Instruments and Methods 43 (1966) - p. 248-268.
[23] Gray Paul R., Meyer Robert G. - Analysis and design of analog integrated circuits - John Wiley
& Sons.
[24] Hayes Monson H. - Statistical Digital Signal Processing and Modeling - John Wiley & Sons, Inc.
- 1996
[25] Haykin S. - Adaptive Filter Theory (Fourth edition) - Prentice Hall - 2002
[26] Hrisoho A. - Front-End Electronics for H.E.P. - LAL/RT 90-06 - July 1990.
[27] Hrisoho A. - Time domain noise calculation for the common base current amplifier configuration.
- Nuclear Instruments and Methods 185 (1981) - p. 207-213.
[28] Hui Tian, Abbas El Gamal - Analysis of 1/f Noise in Switched MOSFET Circuits. - Information
Systems Laboratory, Electrical Engineering Department - Standford University (document web).
[29] Janesick James R. - Scientific Charge-Coupled Devices - SPIE Press
[30] Kay Steven M. - Fundamentals of Statistical Signal Processing : Estimation Theory - PRENTICE
HALL
[31] Klempt W. - Review of particle identification by time of flight techniques - Nuclear Instruments
and Methods A 433 (1999) - p 542-553.
[32] Konrad M. - Detector Pulse Shaping for High Resolution Spectroscopy - p. 268 - IEEE Transactions on NUCLEAR SCIENCE - Vol. NS15 - February 1968.
[33] Knoll Glenn F. - Radiation detection and measurement - Second edition - John Wiley & Sons.
[34] LeCroy Research System - An Introduction to NIM - p. 258 - 1996 Catalog.
[35] Mallat Stphane - A Wavelet tour of signal processing - Academic Press - 1997.
[36] Manolakis Dimitris G., Ingle Vinay K., Kogon Stephen M. - Statistical and adaptive Signal
Processing - ARTEC HOUSE - 2005.
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
460
BIBLIOGRAPHIE
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
461
BIBLIOGRAPHIE