Notes Cours Bts

ISSN xxxx-yyyy ISSN xxxx-yyyy ISSN xxxx-yyyy
Bases de Traitement du Signal

Notes de cours
Nicolas Moreau
Nicolas Moreau
Licence de droits dusage
en n de document
1
er
octobre 2007
Chapitre 1
Introduction
1.1 Aspect Signal
Signal = reprsentation physique dune information envoye dune source vers un destinataire.
En pratique rsultat dune mesure par un capteur.
Exemple : signaux de parole (gures 1.1) et de musique (gures 1.2), signaux audiofrquences,
variation dune pression en fonction du temps.
1.1.1 Signal de parole
500 1000 1500 2000 2500 3000 3500 4000
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1300 1350 1400 1450 1500 1550 1600 1650 1700 1750 1800
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0 0.5 1 1.5 2 2.5 3 3.5 4
0
10
20
30
40
50
60
Frequences [kHz]
P
u
is
s
a
n
c
e
s

[
d
B
]
Fig. 1.1 Exemple dun signal de parole : dbut dune phrase (Des gens ...) prononce par un
locuteur fminin. Eet de zoom et reprsentation frquentielle du signal correspondant.
Trois types de sons : voiss (signaux priodiques sur une dure infrieure 100 ms, existence
dune frquence fondamentale, dharmoniques), non-voiss (variations plus rapides, signal
Nicolas Moreau
en n de document
1
er
octobre 2007
page 1/78
CHAPITRE 1. INTRODUCTION
plus hautes frquences), plosives (support temporel trs troit).
En 64 ms, environ 12 priodes 5 ms par priode soit un premier pic approximative-
ment 200 Hz voix fminine.
On privilgie dans ce cours ltude de la reprsentation frquentielle des signaux. Loutil de
base est la transforme de Fourier. Le module au carr donne la rpartition de la puissance
en fonction de la frquence (spectre).
Signal non-stationnaire : les proprits statistiques voluent au cours du temps. Signal
localement stationnaire sur des dures infrieures une centaine de ms. Ncessit dutiliser
des fentres de pondration.
La transforme de Fourier nest pas utilisable directement. Ncessit de dnir de nouveaux
outils.
Mmorisation puis trac par une machine dun signal temps continu (x(t) avec t R)
signal temps discret (x(nT) avec n Z).
On privilgie trs fortement dans ce cours ltude des signaux temps discret. Existence
dune transforme de Fourier temps discret.
Choix de la frquence dchantillonnage. Recherche de conditions de telle sorte quil ny ait
pas perte dinformation par chantillonnage (que lon puisse revenir au signal de dpart).
En pratique cest le rsultat dun compromis. Le signal de parole est chantillonn soit
8 kHz (rseau tlphonique commut, bande tlphonique) soit 16 kHz (tlconfrences,
communications de groupe, bande largie).
Dans ce cours, importance des ordres de grandeur. Ce nest pas un cours abstrait.
1.1.2 Signal de musique
2000 4000 6000 8000 10000 12000 14000 16000
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
7000 7200 7400 7600 7800 8000 8200 8400 8600 8800 9000
0.5
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0 2 4 6 8 10 12 14 16
0
10
20
30
40
50
60
70
80
90
100
Frequences [kHz]
P
u
is
s
a
n
c
e
s

[
d
B
]
Fig. 1.2 Exemple dun signal de musique : violon. Eet de zoom et reprsentation frquentielle
du signal correspondant.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 2/78
1.2. ASPECT SYSTME
Bande Hi-Fi : loreille est sensible des frquences comprises entre 20 Hz et 20 kHz f
e
= 32 kHz (bande FM, un peu juste), 44.1 kHz (CD), 48 kHz (studio production).
Timbre dun instrument caractris par les pics dans le spectre.
Importance de la reprsentation frquentielle. Interprtation gnralement plus facile dans
le domaine frquentiel que dans le domaine temporel. Exemple dun signal dgrad par une
opration de compression.
1.1.3 Autres signaux
Images. Luminance : fonction de deux variables spatiales et du temps l(x, y, t). Signal
vido : dnition dun balayage de faon se ramener une fonction dune seule variable,
le temps.
Ordre de grandeur de la largeur de bande. 625 lignes, 25 fois par seconde 64 s
par ligne. cran trs bonne dnition : 1024 points (pixels) par ligne frquence max :
512(blanc, noir) priode max = 64/512 = 1/8 s 8 MHz. Largeur de bande 1000
fois plus importante que la parole. Problme du traitement temps rel dans une machine. A
complexit de traitement quivalente, il faudra un processeur 1000 fois plus puissant pour
traiter des images que pour traiter du signal de parole. Dans la pratique, gnralement
traitements plus labors en parole quen image ...
Signaux biomdicaux : EEG, ECG ...
Radar, sonar ...
Signaux sismiques (recherche ptrolire) ...
1.2 Aspect systme
Systme = organe physique qui transforme un signal dentre en un signal de sortie. Re-
prsentation par une bote noire. Exemple : systme phonatoire (entre = vibrations des
cordes vocales, systme = conduit vocal, sortie = pression acoustique).
Systmes temps continu et temps discret.
Traitement de base : opration de ltrage.
Pour caractriser un systme, autres outils que la transforme de Fourier : transforme de
Laplace pour les systmes temps continu et la transforme en z pour les systmes temps
discret.
1.3 Exemples de traitement
Parole : comprimer (transmission : tlphone mobile, GSM), synthtiser (serveurs vocaux),
reconnatre (commande vocale), amliorer la prise de son (ltrage dantenne) ...
Musique : comprimer (diusion, stockage, MPEG-Audio), modliser, simuler synthtiser
(instruments, salle), corriger des enregistrements dgrads ...
Images : comprimer (archiver, MPEG), reconstruire (tomodensitomtrie, scanner), recon-
natre (analyse de scnes, robotique), corriger ...
Radar, sonar : dtecter (applications militaires).
Signaux sismiques : prospecter.
Signaux biomdicaux : analyser, archiver.
Autres applications : correction du canal de transmission (trajets multiples, interfrences),
surveillance (non-destructive) de machines ...
Nicolas Moreau
en n de document
1
er
octobre 2007
page 3/78
CHAPITRE 1. INTRODUCTION
1.4 Plan du cours, ides directrices
Etude des signaux et des systmes monodimensionnels.
Etude trs supercielle des signaux et des systmes temps continu. Cette tude rclame
un dveloppement important pour tre traite correctement (distribution). Plus de pro-
blmes mathmatiques dlicats si on se restreint ltude des signaux et des systmes
temps discret. Cest un cours de base en traitement du signal et non en thorie du signal.
Impasse presque totale sur les ltres temps continu (analogiques) : vu dans dautres
cours. Uniquement quelques qualicatifs et notion de rponse impulsionnelle et de rponse
en frquence. Impasse totale sur ltude de la transforme de Laplace.
Etude des signaux et des systmes temps continu faite uniquement pour rappeler et
interprter physiquement quelques proprits de la transforme de Fourier (signaux de
module et carr sommables) et du dveloppement en srie de Fourier (signaux priodiques).
Etude des signaux et des systmes temps discret en privilgiant linterprtation frquen-
tielle (ce nest pas un cours de thorie des systmes) :
Comment passe-t-on de la transforme de Fourier temps continu (TFTC) la trans-
forme de Fourier temps discret (TFTD), la transforme de Fourier discrte (TFD,
FFT) et la transforme de Fourier court terme (introduction) ? Cf table 1.1.
Importance pratique de ces transformes.
Comment ltre-t-on des signaux temps discret ?
Introduction aux processus alatoires.
Densit spectrale de puissance. Filtrage.
Modlisation paramtrique.
TFTC dune fonction x(t) L
1
L
2
x(t) =
_
+
X(f)e
j2ft
df avec X(f) =
_
+
x(t)e
j2ft
dt
DSF dune fonction x(t) priodique (T
0
)
x(t) =
+
k=
X(k)e
j2kt/T
0
avec X(k) =
1
T
0
_
+T
0
/2
T
0
/2
x(t)e
j2kt/T
0
dt
TFTD dune suite x(n) (srie convergente)
x(n) =
_
+1/2
1/2
X(f)e
j2fn
df avec X(f) =
+
n=
x(n)e
j2fn
TFD dune suite x(n) priodique (N
0
)
x(n) =
1
N
0
N1
k=0
X(k)e
j2kn/N
0
avec X(k) =
N
0
1
n=0
x(n)e
j2kn/N
0
Tab. 1.1 Rsum de quelques rsultats (futurs) du cours
Nicolas Moreau
en n de document
1
er
octobre 2007
page 4/78
Chapitre 2
Signaux temps continu : Analyse et
ltrage
2.1 Introduction
Signaux dterministes temps continu : modlisables par une fonction x(t) avec t R
valeurs relles ou complexes. Ce sont soit des signaux test (fonction rectangle, sinusode),
soit des rponses impulsionnelles de ltre.
Classication de type continuit, drivabilit peu utile. Distinction entre signaux dnergie
nie et de puissance nie.
Dnitions :
Puissance instantane = [x(t)[
2
Energie =
_
+
[x(t)[
2
dt
Puissance moyenne = lim
T
1
T
_
+T/2
T/2
[x(t)[
2
dt
2.2 Signaux dnergie nie
2.2.1 Transforme de Fourier temps continu (TFTC)
Existence de la transforme de Fourier. Notations
x(t) =
_
+
X(f)e
j2ft
df X(f) =
_
+
x(t)e
j2ft
dt
Interprtation : X(f) est la projection du signal sur lexponentielle complexe la frquence
f. Le signal est dcompos sur une base continue dexponentielles complexes. Le paramtre f
sinterprte comme une frquence au sens habituel (linverse dune priode) un dtail prs :
existence de frquences ngatives. Cest d la projection sur des exponentielles complexes plutt
que sur des sinusodes.
Problmes mathmatiques dlicats : on projette sur une fonction qui nest pas elle mme
dnergie nie.
Exemple : fentre rectangulaire x(t) = rect
T
(t).
X(f) =
sin(fT)
f
= Tsinc(fT).
Observation : x(t) de dure nie (support de x(t)), X(f) de bande innie (support de X(f)).
Existence de relations dincertitude.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 5/78
CHAPITRE 2. SIGNAUX TEMPS CONTINU : ANALYSE ET FILTRAGE
2.2.2 Principales proprits et commentaires
x(t) X(f)
Linarit
Homothtie temporelle : x(at) X(f/a)/a
Exemple : magntophone ralenti perception plus graves des frquences.
Translation temporelle : x(t t
0
) X(f) e
j2ft
0
Amplitude conserve, phase modie. La phase est directement relie lorigine des temps.
Modulation : x(t) e
j2f
0
t
X(f f
0
)
Opration fondamentale en transmission. Cration dun multiplex frquentiel :
y(t) =
K
k=1
x
k
(t) e
j2f
k
t
Y (f) =
K
k=1
X
k
(f f
k
)
Transmission de plusieurs signaux distincts sur un mme support (l de cuivre, liaison
hertzienne) la condition que ces signaux soient bande limite.
Pondration par une fentre : x(t) y(t)
_
+
X()Y (f ) d
Rsultat trs utile pour formaliser lextraction dune portion de signal. Cf exemple dun
signal de parole en introduction. Utilisation de la fonction rectangle.
y(t) = rect
T
(t) Y (f) = T
sin(fT)
fT
= Tsinc(fT)
Interprtation graphique de
_
+
X()Y (f ) d pas tout fait vidente. Etude dtaille

plus tard.
Convolution : x(t) y(t) =
_
+
x()y(t ) d X(f) Y (f)

Opration fondamentale dans ltude des systmes : opration de ltrage.
Exemple : Y (f) = rect
B
(f) ltrage passe-bas idal.
Parseval :
_
+
[x(t)[
2
dt =
_
+
[X(f)[
2
df
Conservation de lnergie, isomtrie.
Signal rel : X(f) = X
(f) [X(f)[
2
= X(f)X(f)
Symtrie hermitienne.
2.2.3 Autres dnitions
Energie =
_
+
[X(f)[
2
df
S
X
(f) = [X(f)[
2
sappelle la densit spectrale nergtique ou spectre. Cest une fonc-
tion valeur relle, positive, paire. Interprtation physique fondamentale. On a perdu
toute information relative la phase. Gnralement la phase joue un rle beaucoup moins
important surtout lorsque le rcepteur est loreille (peu sensible la phase).
Le support de x(t) sappelle la dure du signal.
Le support de X(f) sappelle la largeur de bande (ou bande) du signal.
Un signal vriant X(f) = 0 pour f , [B
1
, B
2
] est bande limite. Si x(t) R alors
B
1
= B
2
.
Signal bande troite : X(f) ,= 0 pour f
0
B < [f[ < f
0
+B avec B << f
0
. Importance
des ordres de grandeur, exemple : pour une chane de radio FM, f
0
100 MHz et B 20
kHz.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 6/78
2.3. SIGNAUX PRIODIQUES
2.2.4 Thorme de Bernstein
Existence de relations dincertitude entre les supports temporels et frquentiels. Exemple
du signal rectangulaire, gure ??. A un support ni dans le domaine temporel correspond un
support inni dans le domaine frquentiel. Conclusion : un signal bande limite nexiste pas
(en thorie). En pratique, importance des ordres de grandeur.
Le thorme de Bernstein donne des relations entre la largeur de bande du signal et les
drives n-mes du signal (plus la bande du signal est importante, plus il est susceptible de varier
rapidement).
Autre interprtation : plus un signal est impulsif (concentr dans le temps) plus son spectre
est large (et rciproquement).
2.3 Signaux priodiques
Ncessit de dnir une fonction qui chire la distribution de la puissance en fonction de la
frquence.
2.3.1 Dveloppement en srie de Fourier (DSF)
Energie innie pas de transforme de Fourier au sens des fonctions. Existence dun dve-
loppement en srie de Fourier.
Si x(t) est une fonction priodique de priode fondamentale T, i.e. le plus petit rel positif
vriant x(t +T) = x(t) t, alors
x(t) =
+
k=
X(k) e
j2kt/T
avec X(k) =
1
T
_
T/2
T/2
x(t) e
j2kt/T
dt
Proprits similaires celles de la TFTC.
2.3.2 Densit spectrale de puissance
Quelques commentaires relatifs Parseval uniquement :
P =
1
T
_
T/2
T/2
[x(t)[
2
dt =
+
k=
[X(k)[
2
On aimerait avoir une reprsentation de la distribution de la puissance suivant un axe frquentiel
comme pour les signaux dnergie nie. Utilisation des distributions ncessaire ici. Sinon les
distributions sont utiles dans le reste du cours uniquement pour obtenir quelques formules sous
une forme simple utilisation trs rduite et trs formelle.
On appelle densit spectrale de puissance (ou spectre) du signal priodique x(t) de frquence
fondamentale f
0
S
X
(f) =
+
k=
[X(k)[
2
(f kf
0
)
Le spectre dun signal priodique est un spectre de raies.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 7/78
Quelques transformes de Fourier au sens des distributions :
(t) 1(f)
e
j2f
0
t
(f f
0
)
a cos(2f
0
t)
a
2
[(f f
0
) +(f +f
0
)]
+
n=
(t nT) =
1
T
+
n=
e
j2
n
T
t
1
T
+
k=
(f
k
T
).
2.3.3 Exemple
On dsire avoir une reprsentation frquentielle dun signal dhorloge de la forme :
y(t) =
+
p=
x(t pT
2
)
avec
x(t) = rect
T
1
(t).
On a
y(t) =
+
k=
Y (k) e
j2kt/T
2
avec Y (k) =
1
T
2
_
T
2
/2
T
2
/2
y(t) e
j2kt/T
2
dt
Y (k) =
1
T
2
_
+
x(t) e
j2kt/T
2
dt =
1
T
2
X(f =
k
T
2
) =
T
1
T
2
sinc(
kT
1
T
2
)
ce qui donne comme transforme de Fourier au sens des distributions
Y (f) =
T
1
T
2
+
k=
sinc(
kT
1
T
2
) (f
k
T
2
).
4 3 2 1 0 1 2 3 4
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Fig. 2.1 Transforme de Fourier de la fonction rectangle x(t) et de la fonction rectangle
priodise y(t).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 8/78
2.4. FILTRAGE LINAIRE
2.4 Filtrage linaire
2.4.1 Dnitions
Un systme est un organe physique (une bote noire) qui transforme un signal dentre en un
signal de sortie. Existence dune relation fonctionnelle : y(t) = Tx(t).
Exemples : systme phonatoire (entre : mouvement des cordes vocales, sortie : variation
dune pression acoustique), chane Hi-Fi (ce qui va nous intresser cest surtout lgaliseur et non
lampli qui est modlisable par un simple gain).
Reprsentation par des diagrammes fonctionnels. Vision trs ingnieur (ce que cache la bote
est trs relatif). Systmes en chane directe. Systmes asservis (exemple : rebouclage HP-micro
avec risque deet Larsen).
2.4.2 Proprits dun systme
Sans/avec mmoire : Exemple : rsistance/capacit. Premier cas trs peu intressant.
Linarit : Il vrie le principe de superposition.
Si x
1
(t) y
1
(t) et si x
2
(t) y
2
(t) alors x
1
(t) +x
2
(t) y
1
(t) +y
2
(t) , .
Notion trs relative, exemple : ampli. Les amplitudes des signaux dentre ne doivent pas
tre trop leves sinon on risque des saturations, ni trop faibles sinon on risque de manquer
de prcision. La notion de modle est trs relative. Un bon modle est le rsultat dun
compromis simplicit-performances.
Invariance : Les caractristiques de la relation dentre-sortie ne changent pas au cours du
temps. Si x(t) y(t) alors x(t +) y(t +) . Exemple dun systme non-invariant :
systme phonatoire.
Causalit : A chaque instant, la sortie ne dpend que de lentre des instants prsents ou
passs. Systmes non-anticipatifs. Proprit respecte pour tous les systmes rels mais
pas obligatoire lors de simulation. Exemple : amlioration denregistrements dgrads.
Stabilit : Nombreuses dnitions : stabilit locale, globale, asymptotique. Ici, simplement d-
nition de la stabilit au sens entre borne - sortie borne :
Si M, t tels que [x(t)[ < M N, t
0
tels que [y(t)[ < N t > t
0
, alors le systme sera
stable EB-SB.
Dans ce cours, uniquement tude des systmes linaires, invariants et stables ltre.
2.4.3 Caractrisation dun ltre
On a cherch reprsenter un signal comme une combinaison linaire de quelques signaux de
base. Il sut de connatre la rponse dun ltre ces signaux de base. Pour connatre la sortie
une entre quelconque, il sura dappliquer le principe de superposition.
Rponse impulsionnelle
On appelle rponse impulsionnelle dun ltre, la rponse du ltre lentre particulire x(t) =
(t). On la notera par la suite h(t). Cette rponse est-elle susante pour caractriser le ltre,
i.e. connaissant h(t) peut-on calculer y(t) quelque soit x(t) ?
Pseudo-dmonstration via lintgrale de Riemann. On suppose x(t) susamment rgulire
pour pouvoir dnir
x
T
(t) =
+
n=
x(nT) rect
T
(t nT) =
+
n=
x(nT)
1
T
rect
T
(t nT) T.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 9/78
Appelons h
T
(t) la rponse du ltre lentre (1/T)rect
T
(t). En appliquant la proprit de lina-
rit et dinvariance, on obtient
x
T
(t) y
T
(t) =
+
n=
x(nT) h
T
(t nT) T
Par passage la limite et en supposant des proprits de continuit, on obtient
x(t) y(t) =
_
+
x() h(t ) d = h(t) x(t).

On dit quun ltre est un convolueur.
Remarques :
Filtre causal. La rponse impulsionnelle est nulle pour t < 0. On a
y(t) =
_
t
x() h(t ) d.
Filtre stable. On montre quune CNS est que
_
+
[h()[ d < .
Mmoire dun ltre causal et stable. Le support de h(t) est lintervalle [0, [ cause
de la causalit et h(t) tend vers zro cause de la stabilit. Dans la pratique, la rponse
impulsionnelle peut tre considre comme nulle partir dun certain instant t
0
. On appelle
alors lintervalle [0, t
0
] la mmoire du ltre (notion trs relative). Dans la construction de
y(t) seules les valeurs de lentre dans lintervalle [t t
0
, t] interviendront.
Rponse en frquence, gain complexe
Entre particulire : x(t) = x
0
e
j2f
0
t
. Sortie correspondante :
y(t) = x
0
_
+
h()e
j2f
0
(t)
d = x
0
e
j2f
0
t
_
+
h()e
j2f
0
d
y(t) = x(t) H(f
0
) avec H(f) =
_
+
h()e
j2f
d.
On appelle H(f) la rponse en frquence ou gain complexe du ltre. Cest la transforme de
Fourier de la rponse impulsionnelle.
Remarques :
La relation y(t) = x(t) H(f
0
) si x(t) = x
0
e
j2f
0
t
veut dire que les exponentielles complexes
sont les fonctions propres des ltres et que H(f
0
) est la valeur propre correspondante.
Il est possible de caractriser un ltre en faisant une srie de mesure. On fait une analyse
harmonique en mesurant lamplitude y
0
et le dphasage
0
de la sinusode de sortie et en
crivant [H(f
0
)[ = y
0
/x
0
et Arg H(f
0
) =
0
. Lieu de transfert.
La relation Y (f) = H(f) X(f) traduit lopration de ltrage. Suivant la forme du module
de H(f), on parle de ltres passe-bas, passe-haut, passe-bande ...
Dans la pratique, cest lapplication qui impose la forme du module de H(f). Le problme
consiste alors dterminer les caractristiques du ltre dans le domaine temporel. On
parle de synthse de ltre. Dnition dun gabarit ncessaire car un ltre passe-bas du
type H(f) = rect
T
(f) impossible.
La rponse impulsionnelle du ltre nest pas la bonne rponse car on ne sait pas implanter
un produit de convolution. On montre quune quation direntielle coecients constants
Nicolas Moreau
en n de document
1
er
octobre 2007
page 10/78
2.4. FILTRAGE LINAIRE
est une autre faon de caractriser un ltre et que cette forme (ou plutt) lquation
intgrale correspondante simplante laide damplicateurs oprationnels, de rsistances
et de capacits.
Tous ces problmes seront abords lors de ltude des systmes temps discret (tude plus
simple dans ce cas) et on dira que pour les systmes temps continu cest la mme chose
(plutt que linverse).
2.4.4 Exos
Intgrateur
Systme dni par la relation
y(t) =
1
T
_
t
tT
x() d.
Lissage des variations brusques de x(t).
Systme linaire, invariant, causal, stable.
Rponse impulsionnelle : h(t) = 1/T si t [0, T], h(t) = 0 sinon.
Rponse en frquence H(f) = sinc(fT) e
jfT
. Interprtation ...
Filtre passe-bas idal
Etude du ltre passe-bas idal H(f) = rect
2B
(f) e
j2ft
0
soumis lentre x(t) = rect
T
(t).
Rponse impulsionnelle : h(t) = 2B sinc(2B(t t
0
)). Par la suite t
0
= 0 pour simplier.
Rponse lentre rectangulaire :
y(t) =
_
T/2
T/2
2B sinc(2B(t )) d =
_
2B(t+T/2)
2B(tT/2)
sinc(u) du
y(t) = g(2B(t +T/2)) g(2B(t T/2)) avec g(x) =
_
x
0
sinc(u) du
Le trac de g(x) puis de y(t) permet de constater que le temps de monte dun ltre passe-bas
est de lordre de 1/B.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 11/78
Nicolas Moreau
en n de document
1
er
octobre 2007
page 12/78
Chapitre 3
Echantillonnage
3.1 Introduction
Numrisation = discrtisation de laxe temporel (chantillonnage) + discrtisation des am-
plitudes (quantication, codage de source).
Intrt dun signal mis sous forme numrique : grande immunit au bruit, stockage (reproduc-
tibilit indnie), transmission possible avec a priori un taux derreur aussi faible que lon veut,
possibilit de traitements trs labors, arrive du tout numrique pour des raisons conomiques
(existence de circuits performants et peu coteux).
Inconvnients : distorsions introduites lors de la numrisation, plus large occupation spectrale
lors de la transmission.
Exemple : CD. Bande Hi-Fi [20 Hz - 20 kHz]. Echantillonnage caractris par un para-
mtre : la frquence dchantillonnage f
e
= 1/T = 44.1 kHz. Quantication caractrise par un
paramtre : la rsolution b = 16 bits/ech. Dbit = 44.1 16 = 705 kbits/s (par voie). Ncessit
de codes correcteurs derreur (codage de canal). Lecteur de CD rcepteur dune chane de
communication. Exemple dun traitement : MPEG-Audio. Actuellement possibilit de rduire
le dbit dun signal par un facteur 10 (ordre de grandeur) sans perte de qualit grce un
traitement sophistiqu.
3.2 Thorme dchantillonnage
3.2.1 Problme
On part dun signal temps continu x(t) dont on suppose connue la transforme de Fourier
X(f). On construit une suite x(nT) en prlevant des valeurs des instants rgulirement
espacs (multiples de T). Quelles conditions imposer x(t) (un paramtre important : sa
largeur de bande B) et T (ou f
e
) pour quil ny ait pas perte dinformation, i.e. que lon garde
la possibilit de reconstruire x(t) partir des chantillons x(nT) ?
3.2.2 Rsultat intermdiaire : formule de Poisson
Si X(f) est la transforme de Fourier du signal temps continu x(t), quel que soit T et quel
que soit le support de X(f), on a
1
T
+
k=
X(f
k
T
) =
+
n=
x(nT)e
j2fnT
(3.1)
la condition que ces sommations aient un sens (aucune dicult dans la pratique). On appellera
Y (f) cette expression.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 13/78
CHAPITRE 3. ECHANTILLONNAGE
Dmonstration : Y (f) est une fonction priodique, de priode 1/T, donc dveloppable en
srie de Fourier
Y (f) =
1
T
+
k=
X(f
k
T
) =
+
n=
c
n
e
j2fnT
avec
c
n
= T
_
1/2T
1/2T
1
T
+
k=
X(f
k
T
)e
j2fnT
df =
+
k=
_
1/2Tk/T
1/2Tk/T
X(u)e
j2unT
du
c
n
=
_
+
X(u)e
j2u(nT)
du = x(nT)
ce qui entrane (3.1).
-
6 6
-
f
e
+f
e
f f
X(f) Y (f)
Fig. 3.1 Transforme de Fourier priodise.
3.2.3 Conditions susantes
Si on est dans le cas particulier montr gure 3.2, on constate quil sut de multiplier Y (f)
par H(f) = T rect
f
e
(f) pour obtenir X(f).
6
f
e
+f
e
f
Y (f)
-
H(f)
B +B
Fig. 3.2 Conditions susantes pour quil ny ait pas perte dinformation.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 14/78
3.3. REMARQUES ET INTERPRTATIONS
On a donc
X(f) = H(f)
1
T
+
k=
X(f
k
T
).
En appliquant la formule de Poisson, on obtient
X(f) =
+
n=
x(nT)H(f)e
j2fnT
ce qui entrane
x(t) =
+
n=
x(nT)h(t nT)
avec
h(t) = T
_
1/2T
1/2T
e
j2ft
df = sinc(
t
T
).
On en dduit le thorme dchantillonnage . Si les deux conditions suivantes sont respectes :
x(t) est un signal bande limite [B, +B], i.e. si X(f) = 0 pour [f[ > B
et si f
e
2B,
alors il ny a pas de perte dinformation par chantillonnage parce que lon peut reconstruire
exactement le signal x(t) partir de ses chantillons
x(t) =
+
n=
x(nT)sinc(
t nT
T
). (3.2)
Cest la formule dinterpolation dont le principe est visualis gure 3.3 en se limitant une
somme de 3 termes. Interpolation au sens signal bande la plus limite. La plus petite frquence
0 20 40 60 80 100 120 140 160 180 200
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
Fig. 3.3 Interpolation.
dchantillonnage possible sappelle la frquence de Nyquist.
3.3 Remarques et interprtations
3.3.1 Recouvrement des spectres
Si le signal x(t) nest pas bande limite, alors
Y (f) ,= X(f) pour [f[ <
f
e
2
.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 15/78
Phnomne de recouvrement des spectres (aliasing). Il sagit la plupart du temps dune dgra-
dation (phnomne dsagrable pour des signaux de parole ou de musique par exemple) except
de rares cas o ce phnomne est directement exploit (exemple de la stroboscopie).
En eet (sous forme dexo)
Soit x
1
(t) = cos(2f
1
t). On choisit f
e
= 4f
1
. Expression de x
1
(nT), X
1
(f) et Y
1
(f) ?
Soit x
2
(t) = cos(2f
2
t) avec f
2
= f
1
+f
e
. Expression de x
2
(nT), X
2
(f) et Y
2
(f) ?
Quel est le signal dont la transforme de Fourier est rect
f
e
(f)Y
2
(f) ? Quel est le signal dont
la transforme de Fourier est [rect
f
e
/2
(f 5f
e
/4) +rect
f
e
/2
(f + 5f
e
/4)]Y
2
(f) ?
Conclusion : aprs lchantillonneur, on ne fait pas la dirence. La frquence f
2
est vue
comme la frquence f
1
. Lchantillonneur est un oprateur modulo f
e
.
3.3.2 Frquence numrique
Connaissant la suite x(nT), il existe une innit de fonctions prenant les valeurs x(nT) aux
instants dchantillonnage. Exemple prcdent : toutes les fonctions x
k
(t) = cos(2(f
1
+ kf
e
)t)
prennent les valeurs 1, 0, 1, 0, aux instants nT. On dira que la suite 1, 0, 1, 0, a
toute sa puissance concentre aux deux frquences +1/4 et -1/4. On introduit le paramtre
f
td
=
f
tc
f
e
.
La frquence analogique ( temps continu) f
tc
est exprimable en Hertz. La frquence numri-
que ( temps discret) f
td
est sans dimension.
3.3.3 Conditions non ncessaires (sous forme dexo)
Exemple : On considre un signal x(t) bande limite [B, +B]. On multiplie ce signal par
cos(10Bt). La frquence dchantillonnage f
e
12B est-elle ncessaire ?
Rponse : non. Si f
e
= 4B, 6B ou 7B, la reconstruction reste possible.
3.4 Dans la pratique
3.4.1 Deux problmes
Un signal bande limite nexiste pas. Contre-exemple apparent : une sinusode mais elle
est de dure innie. Dans la pratique, on ne peut observer une sinusode que pendant une
dure nie sinusodefentre, i.e., dans le domaine frquentiel, deux sinus cardinaux
centrs en f
1
et +f
1
.
Il faut toujours ltrer avant chantillonnage. On montre que le ltre G(f) minimisant
lerreur quadratique
_
+
[x(t) x(t)[
2
dt
est G(f) = rect
f
e
(f) mais il est lui-mme irralisable !
La formule dinterpolation est irraliste. Pour reconstruire le signal temps continu
linstant t partir de ses chantillons, il faut connatre tous les chantillons de
+. Il en rsulte deux nouveaux problmes. La limitation un nombre ni dchantillons
entrane une approximation
x(t) =
+N
n=N
x(nT)sinc(
t nT
T
) x(t).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 16/78
3.5. AUTRE EXO
Le dlai de reconstruction est gal NT. Cest grave ou pas suivant les applications. Com-
munications mono-directionnelles (diusion) : pas grave. Communications bi-directionnelles
(conversation tlphonique) : grave si NT est trop important.
3.4.2 Bloqueurs
Dans la pratique, on emploie des bloqueurs
Bloqueur dordre 0 : x(t) = x(nT) pour nT t < (n + 1)T.
Bloqueur dordre 1 : x(t) = ax(nT) +bx((n 1)T) pour nT t < (n + 1)T.
Etc.
On peut chercher caractriser le type de dgradation apporte lorsque lon utilise un bloqueur
dordre 0 (convertisseur N/A). Il sexprime sous la forme
x(t) =
+
n=
x(nT)h(t nT)
avec h(t) = rect
T
(t T/2). Donc
X(f) =
+
n=
x(nT)H(f)e
j2nT
=
1
T
H(f)
+
k=
X(f
k
T
)
avec
1
T
H(f) = sinc(fT).
Le trac de la gure 3.4 montre que la dgradation apporte par lutilisation dun bloqueur
dordre 0 est une distorsion dans la bande [f
e
/2, f
e
/2], une cration de puissance hors de cette
bande. A comparer avec la formule dinterpolation. Cas dual. Autres formules dinterpolation :
f
e
+f
e
f
-
Fig. 3.4 Bloqueur dordre 0.
fonctions splines, ...
3.5 Autre exo
Phnomne de stroboscopie. On considre un signal haute frquence priodique de priode
T
0
trs petite. On lchantillonne la frquence f
e
= 1/T avec T = T
0
+ . Montrer quil est
possible de reconstruire le signal laide des chantillons x(nT) de telle faon que lon obtienne
un signal y(t) de mme forme mais plus lent i.e. y(t) = x(t) avec < 1.
Exemple : x(t) = a +b cos(2t/T
0
).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 17/78
Nicolas Moreau
en n de document
1
er
octobre 2007
page 18/78
Chapitre 4
Transformes
4.1 Transforme de Fourier temps discret (TFTD)
4.1.1 Dnition
Existence de signaux temps discret qui ne sont pas forcment le rsultat de lchantillonnage
dun signal temps continu. Notation de tels signaux x(n) avec n Z. Equivalence avec
x(nT) : il sut de poser T = 1. On cherche un outil permettant de les analyser : on utilise la
formule de Poisson.
Dnition. On appelle transforme de Fourier temps discret dun signal temps discret
x(n) lexpression (si elle existe)
X(f) =
+
n=
x(n)e
j2fn
. (4.1)
X(f) est une fonction priodique de priode 1 (il sut de connatre X(f) pour f [1/2, 1/2]).
La formule prcdente est simplement le dveloppement dune fonction priodique en srie de
Fourier. On a donc
x(n) =
_
1/2
1/2
X(f)e
+j2fn
df. (4.2)
4.1.2 Justication
Considrons un signal x(t) et sa transforme de Fourier temps continu X
tc
(f). On a la
relation
x(t) =
_
+
X
tc
(f)e
+j2ft
df.
Si x(t) est bande limite [B, +B] et si 1/T = f
e
2B, on peut crire
x(nT) =
_
+f
e
/2
f
e
/2
X
tc
(f)e
+j2fn/f
e
df.
Si on fait la distinction entre frquences temps continu exprimes en Hz et frquences
temps discret (des frquences normalises) f
td
= f
tc
/f
e
, on obtient la relation
x(nT) = f
e
_
+1/2
1/2
X
tc
(f
td
f
e
)e
+j2f
td
n
df
td
qui est cohrente avec lquation (4.2).
Si, partir dun signal temps discret x(n), on construit un signal temps continu x(t)
qui prenne les valeurs x(n) aux instants nT avec T = 1 avec la contrainte : il est bande limite
[f
e
/2, f
e
/2] avec f
e
= 1, alors
Nicolas Moreau
en n de document
1
er
octobre 2007
page 19/78
CHAPITRE 4. TRANSFORMES
pour f [1/2, 1/2], X
td
(f) = X
tc
(f) ( un coecient f
e
prs).
pour f [1/2, 1/2], X
tc
(f) = 0 et X
td
(f) = X
td
(f mod 1).
4.1.3 Proprits
On donne, table 4.1, les principales proprits de la transforme de Fourier temps discret
en les comparant celles de la transforme de Fourier temps continu (sans dmonstration car
ces dmonstrations sont trs simples).
Transforme de Fourier Transforme de Fourier
temps continu temps discret
Dnition x(t) X(f) x(n) X(f)
_
+
x(t)e
j2ft
dt
+
n=
x(n)e
j2fn
Modulation e
j2f
0
t
x(t) e
j2f
0
n
x(n)
X(f f
0
) X(f f
0
)
Translation x(t t
0
) x(n n
0
)
temporelle e
j2ft
0
X(f) e
j2fn
0
X(f)
Convolution
_
+
x()y(t )d
+
m=
x(m)y(n m)
X(f)Y (f) X(f)Y (f)
Produit x(t)y(t) x(n)y(n)
_
+
X()Y (f )d
_
+1/2
1/2
X()Y (f )d
Signal rel X(f) = X
(f) X(f) = X
(f)
Parseval
_
+
[x(t)[
2
dt =
_
+
[X(f)[
2
dt
+
n=
[x(n)[
2
=
_
+1/2
1/2
[X(f)[
2
df
Tab. 4.1 Principales proprits de la transforme de Fourier temps continu et temps discret.
4.1.4 Exemples
Impulsion temps discret
x(n) = 1 si n = 0, x(n) = 0 sinon. On a X(f) = 1 f.
Signal rectangulaire
x(n) = 1 pour 0 n N 1, sinon 0.
X(f) =
N1
n=0
e
j2fn
=
1 e
j2fN
1 e
j2f
= e
jf(N1)
sin(fN)
sin(f)
.
A comparer avec la transforme de Fourier temps continu de la fonction x(t) = rect
T
(t)
qui est gale Tsinc(fT).
Remarque : x(n) peut tre vu comme le rsultat de lchantillonnage de la fonction rect
NT
(t
(N 1)T/2) avec T = 1. On a donc
X(f) =
+
k=
U(f k) avec U(f) = N sinc(fN) e
jf(N1)
.
Que se passe-t-il lorsque N ? Convergence particulire : convergence non-uniforme,
phnomne de Gibbs.
Cosinus
x(n) = cos(2f
1
n) pour 0 n N 1, sinon 0.
X(f) =
N1
n=0
cos(2f
1
n)e
j2fn
=
1
2
N1
n=0
[e
j2(ff
1
)n
+e
j2(f+f
1
)n
]
Nicolas Moreau
en n de document
1
er
octobre 2007
page 20/78
4.1. TRANSFORME DE FOURIER TEMPS DISCRET (TFTD)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
7
8
9
10
Fig. 4.1 TFTD (module) dun signal rectangulaire avec N = 10.
X(f) =
1
2
N1
n=0
[e
j(ff
1
)(N1)
sin((f f
1
)N)
sin((f f
1
))
+e
j(f+f
1
)(N1)
sin((f +f
1
)N)
sin((f +f
1
))
].
Que se passe-t-il lorsque N ? On admettra le rsultat suivant
X(f) =
1
2
+
n=
[e
j2(ff
1
)n
+e
j2(f+f
1
)n
] =
1
2
+
k=
[(f f
1
k) +(f +f
1
k)]
Problmes mathmatiques dlicats. Convergence au sens des distributions.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
Fig. 4.2 TFTD (module) du signal x(n) = cos(2f
1
n) pour 0 n N 1, sinon 0 avec
f
1
= 0.123 et N = 10.
4.1.5 Exos
Soit x(n) un signal temps discret de bande [1/9, 1/9]. Tracer symboliquement le spectre
du signal y(n) = x(n) cos(4n/3).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 21/78
4.2 Transforme de Fourier discrte (TFD)
4.2.1 Introduction
Plusieurs prsentations possibles
Comme une approximation de la TFTD. La transforme de Fourier temps discret X(f) =
+
n=
x(n)e
j2fn
nest pas implantable directement dans une machine pour deux rai-
sons : la sommation est innie et le paramtre f est valeurs continues. Il faut se limiter
un nombre ni dchantillons et discrtiser laxe frquentiel.
Comme une transformation unitaire avec une interprtation frquentielle.
4.2.2 La TFD vue comme une approximation de la TFTD
Limitation un nombre ni dchantillons
Formalisation simple en employant une fentre de pondration de dure N.
y(n) = x(n) v(n) avec v(n) = 0 pour n ,= 0 N 1
(choix dune fentre non-centre pour simplier les notations par la suite). Lapproximation
ralise peut tre tudie en exploitant la relation
Y (f) =
_
+1/2
1/2
X()V (f )d.
Apparition dondulations, cf gure 4.2. Existence de nombreuses fentres ayant des bords plus
doux (Hamming, etc, cf chapitre 5).
Discrtisation de laxe frquentiel
On value Y (f) pour M frquences uniformment rparties entre 0 et 1.
Y (f =
k
M
) =
N1
n=0
x(n)e
j2
k
M
n
pour k = 0 M 1.
Quel est le type dapproximation ralise ? Problme dicile.
Exemple
On part dun cosinus de dure innie x(n) = cos(2f
1
n). Sa transforme de Fourier temps
discret est un double peigne de Dirac
X(f) =
1
2
+
k=
[(f f
1
k) +(f +f
1
k)].
La discrtisation de laxe frquentiel de la courbe de la gure 4.2 avec M = 20 donne le trac
de la gure 4.3. On observe que les M valeurs Y (0) Y ((M 1)/M) paraissent une mauvaise
approximation de X(f) sauf si la frquence f
1
est un multiple de 1/M et si M = N.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 22/78
4.2. TRANSFORME DE FOURIER DISCRTE (TFD)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
1
2
3
4
5
6
Fig. 4.3 TFD (module) du signal x(n) = cos(2f
1
n) avec f
1
= 0.123, N = 10 et M = 20.
Conclusion
On montre que la TFTC, la TFTD et la TFD donnent des rsultats cohrents si le signal
temps continu x(t) est priodique (priode T
0
), bande limite (nombre ni de raies), si la
frquence dchantillonnage f
e
= 1/T est suprieure la frquence de Nyquist et si N est choisi
de faon que T
0
= NT. Alors la TFTC est compose de N raies espaces de 1/NT et les N
valeurs de la TFTD sont prcisment les coecients du dveloppement en srie de Fourier.
Dans la pratique, ces conditions ne sont jamais vries. On cherche par exemple dtecter
plusieurs sinusodes dans du bruit. Problme de la rsolution spectrale. Condition susante
(pas forcment ncessaire) pour discriminer deux sinusodes : que leur frquences (normalises)
respectives f
1
et f
2
vrient [f
1
f
2
[ > 2/N.
4.2.3 Dnition directe de la TFD
On appelle transforme de Fourier discrte de la squence x(0) x(N1) une autre squence
X(0) X(N 1) avec
X(k) =
N1
n=0
x(n)e
j2nk/N
.
Ces N relations scrivent de faon matricielle
_
_
X(0)
X(1)
.
.
.
X(N 1)
_
_
=
_
_
1 1 1
1 W
1
W
(N1)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 W
(N1)
W
(N1)(N1)
_
_
_
_
x(0)
x(1)
.
.
.
x(N 1)
_
_
(4.3)
o W = e
j2/N
est la N
eme
racine de lunit.
La matrice prcdente, note A, caractrise une transformation linaire. Cest une matrice
carre de dimension N N valeurs complexes. Elle est compose de vecteurs orthogonaux 2
2 et de norme

N. Cest une matrice unitaire, un coecient prs,
1
N
A(A
)
t
= I.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 23/78
On peut donc calculer les N valeurs x(0) x(N1) partir de X(0) X(N1). La transforme
de Fourier discrte inverse a pour expression
x(n) =
1
N
N1
k=0
X(k)e
+j2nk/N
.
On remarque que x(n +mN) = x(n). Toute suite priodique de priode N peut scrire sous la
forme dune somme de N exponentielles complexes.
Prenons lexemple du peigne de Dirac temps discret de priode N,
x(n) =
+
m=
(n mN)
avec (n) = 1 si n = 0 et (n) = 0 sinon (symbole de Kronecker)
1
. Ce signal scrit aussi
x(n) =
1
N
N1
k=0
X(k)e
j2
k
N
n
(4.4)
avec
X(k) =
N1
n=0
(n)e
j2
k
N
n
= 1.
On obtient
+
m=
(n mN) =
1
N
N1
k=0
e
j2
k
N
n
.
La transforme de Fourier temps discret de x(n) a pour expression
X(f) =
+
n=
1
N
N1
k=0
e
j2(f
k
N
)n
=
1
N
N1
k=0
+
m=
(f
k
N
m)
X(f) =
1
N
+
k=
(f
k
N
).
4.2.4 Proprits
On retrouve, table 4.2, toutes les proprits habituelles la condition de calculer tous les
indices modulo N (lorsque lindice courant sort de lintervalle [0 N 1]).
Remarque concernant le produit de convolution. Ce qui nous intressera par la suite cest le
produit de convolution
u(n) =
+
m=
x(m)y(n m)
de deux signaux temps discret de dure innie. La proprit de convolution prcdente est
relative deux signaux de dure nie avec un indice courant calcul modulo N
v(n) =
N1
m=0
x(m)y[(n m) mod N].
Comme on sera amen par la suite vouloir calculer u(n) laide de v(n) en exploitant X(k)Y (k)
pour bncier de lalgorithme de FFT, on distinguera le produit de convolution temps discret
u(n) = x(n) y(n) et le produit de convolution circulaire v(n) = x(n) y(n).
1
Au niveau des notations, on distingue volontairement le symbole de Kronecker (n) qui ne prsente aucun
problme mathmatique de limpulsion de Dirac (t) (ou (f)) qui rclame de grandes prcautions.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 24/78
4.2. TRANSFORME DE FOURIER DISCRTE (TFD)
Dnition x(0) x(N 1) X(0) X(N 1)
N1
n=0
x(n)e
j2
k
N
n
Modulation e
j2
l
N
n
x(n)
X[(k l) mod N]
Translation x[(n n
0
) mod N]
temporelle e
j2
k
N
n
0
X(k)
Convolution

N1
m=0
x(m)y[(n m) mod N]
X(k)Y (k)
Produit x(n)y(n)
[
N1
l=0
X(l)Y [(k l) mod N]]/N
Signal rel X(N k) = X
(k)
Parseval

N1
n=0
[x(n)[
2
= [
N1
k=0
[X(k)[
2
]/N
Tab. 4.2 Principales proprits de la transforme de Fourier discrte.
4.2.5 Algorithme FFT
La matrice A a des proprits trs particulires ce qui entrane lexistence dun algorithme
rapide (FFT : Fast Fourier Transform). Montrons le principe de lalgorithme en choisissant N = 8.
Le systme matriciel scrit
_
_
X(0)
X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
_
_
=
_
_
1 1 1 1 1 1 1 1
1 W
1
W
2
W
3
W
4
W
5
W
6
W
7
1 W
2
W
4
W
6
W
8
W
10
W
12
W
14
1 W
3
W
6
W
9
W
12
W
15
W
18
W
21
1 W
4
W
8
W
12
W
16
W
20
W
24
W
28
1 W
5
W
10
W
15
W
20
W
25
W
30
W
35
1 W
6
W
12
W
18
W
24
W
30
W
36
W
42
1 W
7
W
14
W
21
W
28
W
35
W
42
W
49
_
_
_
_
x(0)
x(1)
x(2)
x(3)
x(4)
x(5)
x(6)
x(7)
_
_
.
On ralise une premire dcomposition suivant les indices pairs et les indices impairs de x(n)
_
_
X(0)
X(1)
X(2)
X(3)
_
_
=
_
_
1 1 1 1
1 W
2
W
4
W
6
1 W
4
W
8
W
12
1 W
6
W
12
W
18
_
_
_
_
x(0)
x(2)
x(4)
x(6)
_
_
+
_
_
1 1 1 1
W
1
W
3
W
5
W
7
W
2
W
6
W
10
W
14
W
3
W
9
W
15
W
21
_
_
_
_
x(1)
x(3)
x(5)
x(7)
_
_
_
_
X(4)
X(5)
X(6)
X(7)
_
_
=
_
_
1 W
8
W
16
W
24
1 W
10
W
20
W
30
1 W
12
W
24
W
36
1 W
14
W
28
W
42
_
_
_
_
x(0)
x(2)
x(4)
x(6)
_
_
+
_
_
W
4
W
12
W
20
W
28
W
5
W
15
W
25
W
35
W
6
W
18
W
30
W
42
W
7
W
21
W
35
W
49
_
_
_
_
x(1)
x(3)
x(5)
x(7)
_
_
En exploitant la proprit W
8n
= W
n
, on obtient
_
_
X(0)
X(1)
X(2)
X(3)
_
_
= A
_
x(0)
x(2)
x(4)
x(6)
_
_
+
_
_
1 0 0 0
0 W
1
0 0
0 0 W
2
0
0 0 0 W
3
_
_
A
_
x(1)
x(3)
x(5)
x(7)
_
_
_
_
X(4)
X(5)
X(6)
X(7)
_
_
= A
_
x(0)
x(2)
x(4)
x(6)
_
_
1 0 0 0
0 W
1
0 0
0 0 W
2
0
0 0 0 W
3
_
_
A
_
x(1)
x(3)
x(5)
x(7)
_
_
Nicolas Moreau
en n de document
1
er
octobre 2007
page 25/78
Posons
_
_
U(0)
U(2)
U(4)
U(6)
_
_
= A
_
x(0)
x(2)
x(4)
x(6)
_
_
et
_
_
U(1)
U(3)
U(5)
U(7)
_
_
= A
_
x(1)
x(3)
x(5)
x(7)
_
_
.
On ralise une deuxime dcomposition pour calculer [U(0), U(2), U(4), U(6)] (ou pour calculer
[U(1), U(3), U(5), U(7)]).
_
_
U(0)
U(2)
U(4)
U(6)
_
_
=
_
_
1 1 1 1
1 W
2
W
4
W
6
1 W
4
W
8
W
12
1 W
6
W
12
W
18
_
_
_
_
x(0)
x(2)
x(4)
x(6)
_
_
_
U(0)
U(2)
_
=
_
1 1
1 W
4
_ _
x(0)
x(4)
_
+
_
1 1
W
2
W
6
_ _
x(2)
x(6)
_
_
U(4)
U(6)
_
=
_
1 W
8
1 W
12
_ _
x(0)
x(4)
_
_
W
4
W
12
W
6
W
18
_ _
x(2)
x(6)
_
On obtient
_
U(0)
U(2)
_
=
_
V (0)
V (4)
_
+
_
1 0
0 W
2
_ _
V (2)
V (6)
_
_
U(4)
U(6)
_
=
_
V (0)
V (4)
_
_
1 0
0 W
2
_ _
V (2)
V (6)
_
On ralise une troisime dcomposition pour calculer [V (0), V (4)] etc.
V (0) = x(0) +x(4)
V (4) = x(0) x(4).
On en dduit le diagramme de la gure 4.4 symbolisant lensemble des oprations eectuer. Le
X(0)
X(1)
X(2)
X(3)
X(4)
X(5)
X(6)
X(7)
U(0)
U(2)
U(4)
U(6)
U(1)
U(3)
U(5)
U(7)
V(0)
V(4)
V(2)
V(6)
V(1)
V(5)
V(3)
V(7)
x(0)
x(4)
x(2)
x(6)
x(1)
x(5)
x(3)
x(7)
W
W
W
W
W
W
W
W
W
W
W
0
1
2
3
0
2
0
2
0
0
0
0
W
-
-
-
-
-
-
-
-
-
-
-
-
Fig. 4.4 Diagramme de calcul de lalgorithme FFT.
nombre de multiplications/accumulations (complexes) est gal N la condition que N = 2
.
Comme le nombre de multiplications/accumulations pour eectuer le calcul brutal est gal N
2
,
on voit que cet algorithme est particulirement performant. Par exemple lorsque N = 1024, le
rapport vaut
N
2
N log
2
(N)
100.
Nombreuses variantes : entrelacement temporel, frquentiel, radix 2, 4, etc.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 26/78
4.3. TRANSFORME EN Z
4.3 Transforme en z
4.3.1 Introduction
Prsentation minimale. Dans ce cours, la prsentation de cette transforme nest pas nces-
saire. Il est bon tout de mme davoir un peu de vocabulaire car cette transforme est largement
utilise par les traiteurs de signaux. Formalisme assez commode pour tudier des ltres num-
riques ( temps discret).
4.3.2 Dnition
On appelle transforme en z de la suite x(n) la fonction de la variable complexe z dnie
par
X(z) =
+
n=
x(n)z
n
la condition que cette somme ait un sens. Ncessit de dnir le domaine de convergence. Si
on appelle
1
le rayon de convergence de la srie entire X
+
(z) =

+
n=0
x(n)z
n
i.e. que X
+
(z)
existe pour [z
1
[ <
1
et
2
le rayon de convergence de X
(z) =

n=1
x(n)z
n
i.e. que X
(z)
existe pour [z[ <
2
, alors la transforme en z est dnie sur la couronne 1/
1
< [z[ <
2
.
Pour une suite valeurs relles
1
et
2
sont des rels positifs. Existence dune correspondance
biunivoque entre une suite x(n) et une srie X(z) uniquement lintrieur du domaine de
convergence (sil est non vide) cause de lunicit du dveloppement en srie de Laurent pour
une fonction holomorphe dans une couronne.
Intrt de la transforme en z : tre une reprsentation compacte de lensemble des valeurs
numriques si on russit sommer la srie manipulation trs aise.
Si le cercle unit appartient au domaine de convergence, alors la transforme de Fourier
temps discret existe et on a la relation
X(f) = X(z)[
z=e
j2f
avec labus dcriture habituel. La transforme en z apparat comme une gnralisation de la
transforme de Fourier temps discret.
4.3.3 Exemples
Exemple dune suite causale : x(n) = 0 pour n < 0, x(n) = a
n
pour n 0 avec a R.
X(z) =
+
n=0
a
n
z
n
=
1
1 az
1
la condition que
[az
1
[ < 1 [z[ > [a[.
Le domaine de convergence est donc dans ce cas lextrieur du cercle de rayon [a[.
Exemple dune suite anticausale : x(n) = 0 pour n 0, x(n) = a
n
pour n < 0 avec a R.
X(z) =
1
n=
a
n
z
n
= 1
+
n=0
a
n
z
n
X(z) = 1
1
1 a
1
z
=
1
1 az
1
la condition que
[a
1
z[ < 1 [z[ < [a[.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 27/78
Le domaine de convergence est lintrieur du cercle de rayon [a[.
Conclusion : la condition de convergence impose le sens du temps. On parle de suites
causales (x(n) = 0 pour n < 0) et de suites anti-causales (x(n) = 0 pour n 0). Par la suite,
le domaine de convergence sera implicite. Si la suite est causale, le domaine de convergence est
lextrieur dun cercle. Si la suite est anti-causale, le domaine de convergence est lintrieur dun
cercle. Pour une suite quelconque, le domaine de convergence est une couronne. Tout le problme
sera de savoir si le cercle unit appartient ou non au domaine de convergence.
4.3.4 Inversion de la transforme en z
De faon gnrale : utilisation de lintgrale de Cauchy pour une fonction holomorphe dans
une couronne
x(n) =
1
2j
_
X(z)z
n1
dz
o est un contour ferm appartenant au domaine dholomorphie (le cercle unit pour les bons
signaux).
Habituellement X(z) se prsente sous la forme dune fraction rationnelle de deux polynmes
en z. Expression habituelle pour une suite causale
X(z) =
b
0
+b
1
z
1
+ +b
Q
z
Q
1 +a
1
z
1
+ +a
P
z
P
.
avec P et Q deux entiers positifs quelconques. La mthode la plus standard consiste raliser
une dcomposition en lments simples.
Exemple : quel est le signal causal ayant comme transforme en z
X(z) =
z a
(z b)(z c)
.
On a
X(z) =
b a
(b c)(z b)
+
c a
(c b)(z c)
Comme on cherche un signal causal, il faut dvelopper suivant les puissances ngatives de z. On
crit
X(z) =
z
1
b c
[
b a
1 bz
1
+
a c
1 cz
1
]
X(z) =
z
1
b c
[(b a)(1 +bz
1
+b
2
z
2
+ ) + (a c)(1 +cz
1
+c
2
z
2
+ )].
Donc
x(n) =
1
b c
[(b a)b
n1
+ (a c)c
n1
].
4.3.5 Quelques proprits
Translation temporelle
Si y(n) = x(n k), alors
Y (z) =
+
n=
x(n k)z
n
= z
k
X(z).
Remarque : z
1
apparat comme loprateur de retard lmentaire.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 28/78
4.3. TRANSFORME EN Z
Produit de convolution
Si
y(n) =
+
k=
x(k)h(n k)
alors
Y (z) =
+
n=
+
k=
x(k)h(n k)z
n
= X(z)H(z).
Gnralement pas de problme d au domaine de convergence car pour les signaux habituels
le cercle unit appartient au domaine de convergence de x(n) et de h(n) donc de y(n).
Autres proprits
Translation temporelle, produit, parit, Parseval.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 29/78
Nicolas Moreau
en n de document
1
er
octobre 2007
page 30/78
Chapitre 5
Signaux temps discret : Filtrage
5.1 Filtres discrets (numriques)
5.1.1 Dnition
Systme discret : partir dun signal temps discret x(n) cration dun autre signal
temps discret y(n) obissant une relation fonctionnelle
y(n) = T( , x(n 1), x(n), x(n + 1), ; n).
Comme pour les systmes temps continu, si un systme est linaire (il vrie le principe de
superposition) et invariant (la relation fonctionnelle est indpendante de n), alors le systme est
appel un ltre. Un ltre peut tre causal (y(n) ne dpend pas de x(n+1), ) ou non et stable
(entre borne sortie borne) ou non.
On se limite dans le cadre de ce cours la sous-classe des ltres dcrits par une quation
rcurrente coecients (rels) constants
y(n) +a
1
y(n 1) + +a
P
y(n P) = b
Q
1
x(n +Q
1
) + +b
0
x(n) + +b
Q
2
x(n Q
2
)
avec P, Q
1
, Q
2
trois entiers positifs quelconques.
Remarques
Cette forme est restrictive (en thorie mais pas en pratique) car elle traduit le fait que lon
sintresse uniquement une solution causale (n croissant) : on calcule y(n) en fonction de
lentre et de la sortie uniquement aux instants prcdents.
Pour simplier les notations par la suite, on supposera en plus le ltre causal
y(n) =
Q
i=0
b
i
x(n i)
P
i=1
a
i
y(n i). (5.1)
Un ltre dans une machine cest constamment calculer cette expression (souvent en temps
rel, cest dire au rythme darrive des x(n)).
Si lentre est elle-mme causale (on dmarre la rcurrence linstant n = 0), les conditions
initiales associes lquation rcurrente doivent tre prises nulles pour respecter le principe
de superposition. Lintroduction de conditions initiales non nulles posent un problme
(reprsentation des systmes en variables dtat non aborde dans ce cours).
Terminologie
P = 0, Q > 0 : Filtre RIF (rponse impulsionnelle nie), MA (moving average), tout zro,
non-rcursif.
P > 0, Q = 0 : Filtre AR (auto-rgressif), tout ple.
P > 0, Q > 0 : Filtre RII (rponse impulsionnelle innie), ARMA.
Ce nest quune faon de caractriser un ltre. Il en existe trois autres.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 31/78
CHAPITRE 5. SIGNAUX TEMPS DISCRET : FILTRAGE
5.1.2 Rponse impulsionnelle, produit de convolution
On appelle rponse impulsionnelle dun ltre la rponse de ce ltre lentre particulire
(n) = 1 si n = 0 sinon 0 (symbole de Kronecker). On la notera par la suite systmatique-
ment h(n). La connaissance de la rponse impulsionnelle est susante pour caractriser un ltre
puisque, connaissant h(n), quelle que soit lentre x(n), on peut calculer la sortie
y(n) = h(n) x(n) =
+
k=
h(k)x(n k) =
+
k=
h(n k)x(k).
En eet si (cas dune entre causale, tous les indices commencent 0)
x(n) = 1, 0, y(n) = h(0), h(1),
alors, cause de la proprit dinvariance,
x(n) = 0, , 0, 1, 0, y(n) = 0, , 0, h(0), h(1), .
On utilisant la proprit de linarit, on voit que la sortie y(n) linstant n est la somme de la
contribution de x(n) pondre par h(0), plus la contribution de x(n1) pondre par h(1), plus
etc.
Exemple dun ltre dni par (5.1) avec P = 0
h(n) = b
n
si 0 n Q
= 0 sinon.
La rponse impulsionnelle est support ni do la terminologie ltre RIF. Dans ce cas particu-
lier, le produit de convolution et la relation de rcurrence ont exactement la mme forme
y(n) =
Q
i=0
b
i
x(n i).
Dans le cas gnral, il existe deux faons de calculer le mme rsultat. Lquation rcurrente est
beaucoup plus intressante dans la pratique car elle ne met en jeu que des sommations nies.
5.1.3 Rponse en frquence, gain complexe
On soumet le ltre lentre non causale x(n) = ae
j2f
1
n
. On suppose connue la rponse
impulsionnelle h(n). On obtient
y(n) =
+
k=
h(k)x(n k) = ae
j2f
1
n
+
k=
h(k)e
j2f
1
k
.
On reconnait la transforme de Fourier temps discret de la rponse impulsionnelle value la
frquence f = f
1
. Cette transforme H(f) sappelle la rponse en frquence ou le gain complexe
du ltre. On a
y(n) = ae
j2f
1
n
H(f
1
) = a[H(f
1
)[e
j[2f
1
n+Arg(H(f
1
))]
.
Les exponentielles complexes sont les fonctions propres des ltres.
Ce dveloppement se gnralise sans dicult au cas dune entre comportant un nombre ni
dexponentielles. Si
x(n) =
L
l=1
a
l
e
j(2f
l
n+
l
)
Nicolas Moreau
en n de document
1
er
octobre 2007
page 32/78
5.1. FILTRES DISCRETS (NUMRIQUES)
alors
y(n) =
L
l=1
a
l
e
j(2f
l
n+
l
)
H(f
l
) =
L
l=1
a
l
[H(f
l
)[e
j(2f
1
n+
l
+Arg(H(f
1
))
.
Ce dveloppement se gnralise aussi au cas dune entre comportant un nombre inni dexpo-
nentielles. On trouve
y(n) =
_
+1/2
1/2
Y (f)e
j2fn
df =
_
+1/2
1/2
H(f)X(f)e
j2fn
df.
On retrouve la relation standard Y (f) = H(f)X(f).
La rponse en frquence caractrise lopration de ltrage. Elle est accessible la mesure
(analyse harmonique).
5.1.4 Fonction de transfert
Cherchons la transforme en z de y(n) donne par (5.1). On obtient
Y (z) =
+
n=
y(n)z
n
=
Q
i=0
b
i
+
n=
x(n i)z
n
i=1
a
i
+
n=
y(n i)z
n
Y (z) =
Q
i=0
b
i
z
i
X(z)
P
i=1
a
i
z
i
Y (z)
Y (z)
X(z)
=
Q
i=0
b
i
z
i
1 +
P
i=1
a
i
z
i
.
Le rapport H(z) = Y (z)/X(z) est indpendant de lentre. On lappelle la fonction de transfert
du ltre. Il apparat comme une fraction rationnelle de deux polynmes en z
1
(ltre causal). Il
se factorise sous la forme
H(z) = b
0
Q
i=1
(1
i
z
1
)
P
i=1
(1
i
z
1
)
.
On appelle
1

Q
les zros de la fonction de transfert et
1

P
les ples. Les coecients
des polynomes en z
1
tant supposs valeurs relles, les zros et les ples apparassent par paires
(
i
,
i
) et (
i
,
i
).
H(z) sinterprte comme tant la transforme en z de y(n) lorsque X(z) = 1 i.e. x(n) = (n).
H(z) est donc la transforme en z de la rponse impulsionnelle.
5.1.5 Relations
La rponse en frquence est la transforme de Fourier temps discret de la rponse impul-
sionnelle.
La fonction de transfert est la transforme en z de la rponse impulsionnelle.
Interprtation gomtrique du module de la rponse en frquence. Exemple
H(z) =
(1 z
1
)
(1 z
1
)(1
z
1
)
.
[H(f)[ =
[(1 e
j2f
)[
[(1 e
j2f
)[.[(1
e
j2f
)[
=
MC
MA.MB
o M, A, B et C sot respectivement les images de e
j2f
, des poles et du zro comme
le montre le trac de la gure 5.1. Cette interprtation est intressante car elle permet
Nicolas Moreau
en n de document
1
er
octobre 2007
page 33/78
-
6
A
B
M
Re
Im
0 +1/2
-1/2
C
Fig. 5.1 Interprtation gomtrique du module de la rponse en frquence.
un trac approximatif de [H(f)[. Toutes les proprits des ltres peuvent tre apprcies
qualitativement par simple inspection de la position des ples et des zros. Les ples proches
du cercle unit entranent des pics. Les zros proches du cercle unit entranent des
valles.
5.1.6 Notion de stabilit
Problme dicile si on veut le traiter de faon rigoureuse. Notion de stabilit locale, globale,
asymptotique, non-asymptotique, etc. On dira simplement quun ltre est stable si toute entre
borne correspond une sortie borne.
Deux CNS :
h(n) est de module sommable :

+
n=
[h(n)[ < +
En eet, la condition est susante. Si

+
n=
h(n) < A et si [x(n)[ < B n, alors
[y(n)[ = [
+
k=
h(k)x(n k)[
+
k=
[h(k)[[x(n k)[ AB
La condition est galement ncessaire car si elle nest pas vrie, le signal x(n) = signe[h(n)]
qui est born fait diverger le ltre pour n = 0.
On montre que pour un systme causal, une autre CNS est que les ples de la fonction de
transfert soient strictement lintrieur du cercle unit.
La rponse en frquence dun ltre na un sens que si le ltre est stable. La fonction de transfert
dun ltre instable existe mais le domaine de convergence de H(z) ninclut pas le cercle unit.
Existence de critres algbriques.
5.1.7 Exemples sous forme dexo
Filtre AR du 1er ordre
y(n) +a
1
y(n 1) = x(n)
Rponse impulsionnelle :
h(n) = 1, a
1
, a
2
1
, , (a
1
)
n
,
Rponse en frquence :
H(f) =
+
n=0
(a
1
)
n
e
j2fn
= 1/(1 +a
1
e
j2f
) si [a
1
[ < 1
Nicolas Moreau
en n de document
1
er
octobre 2007
page 34/78
5.1. FILTRES DISCRETS (NUMRIQUES)
Module :
[H(f)[
2
= 1/(1 + 2a
1
cos(2f) +a
2
1
)
Comme
[H(0)[ = 1/[1 +a
1
[ et [H(1/2)[ = 1/[1 a
1
[
on remarque que lon obtient un ltre passe-bas si 1 < a
1
< 0 et un ltre passe-haut si
0 < a
1
< 1.
Fonction de transfert :
H(z) = 1/(1 +a
1
z
1
)
Ple = a
1
(si lintrieur du cercle unit stabilit sinon instabilit (la rponse impulsionnelle
est une suite divergente)).
Filtre RIF
y(n) = x(n) + 2x(n 1) + 3x(n 2) + 4x(n 3) + 3x(n 4) + 2x(n 5) +x(n 6)
Rponse impulsionnelle :
h(n) = 1, 2, 3, 4, 3, 2, 1, 0,
Fonction de transfert :
H(z) = 1 + 2z
1
+ 3z
2
+ 4z
3
+ 3z
4
+ 2z
5
+z
6
= [(1 +z
1
)(1 +z
2
)]
2
Zros doubles en -1, +j, -j.
Rponse en frquence :
H(f) = [(1 +e
j2f
)(1 +e
j4f
)]
2
= [e
j3f
(e
jf
+e
jf
)(e
2jf
+e
j2f
)]
2
H(f) = 16 cos
2
(f) cos
2
(2f) e
j6f
.
Le trac de la gure 5.2 montre que, trs grossirement, ce ltre laisse passer les basses frquences
et coupe les hautes frquences. Cest un ltre passe-bas (pas trs ecace). On peut chercher
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0
2
4
6
8
10
12
14
16
[
e
c
h
e
lle

lin
e
a
ir
e
]
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
60
50
40
30
20
10
0
10
20
[
d
B
]
Fig. 5.2 Module de la rponse en frquence du ltre RIF suivant une chelle linaire ( gauche)
ou une chelle en dB ( droite).
calculer la chute en dB entre le lbe principal et le lbe secondaire. On trouve 22 dB. Cest
peu. Pour ltrer du signal de parole en bande tlphonique, il faut au moins 50 dB, pour de
Nicolas Moreau
en n de document
1
er
octobre 2007
page 35/78
la musique 100 dB (loreille est sensible des variations de puissance de plus de 100 dB). Par
contre, il supprime totalement la frquence 1/4.
Exemple de laspect manipulatoire de la transforme en z
Y (z) = [(1 +z
1
)(1 +z
2
)][(1 +z
1
)(1 +z
2
)]X(z)
scrit
U(z) = [(1 +z
1
)(1 +z
2
)]X(z)
Y (z) = [(1 +z
1
)(1 +z
2
)]U(z)
ce qui entrane
u(n) = x(n) +x(n 1) +x(n 2) +x(n 3)
y(n) = u(n) +u(n 1) +u(n 2) +u(n 3).
La factorisation de H(z) permet den dduire de faon exhaustive tous les systmes dquations
rcurrentes quivalents la relation initiale.
Filtre rjecteur
La fonction de transfert comportant deux zros sur le cercle unit scrit
H(z) = (1 z
0
z
1
)(1 z
0
z
1
) avec z
0
= e
j2f
0
soit
H(z) = 1 2 cos(2f
0
)z
1
+z
2
ce qui donne dans le domaine temporel
y(n) = x(n) 2 cos(2f
0
)x(n 1) +x(n 2).
Linterprtation gomtrique du module de la rponse en frquence indique quun signal compor-
tant une composante la frquence f
0
verra cette composante totalement supprime. On peut
eectivement remarquer que la sortie du ltre est nulle quel que soit n pour une entre de la
forme x(n) = 2 cos(2f
0
n +).
Filtre AR du 2me ordre
y(n) +a
1
y(n 1) +a
2
y(n 2) = b
0
x(n)
H(z) =
1
(1 e
j
z
1
)(1 e
j
z
1
)
=
1
1 2 cos()z
1
+
2
z
2
.
h(n) =
n
sin[(n + 1)]
sin()
On donne, gure 5.3, la rponse impulsionnelle et le module de la rponse en frquence lorsque
= 0.9 et = /4.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 36/78
5.2. SYNTHSE DES FILTRES
0 5 10 15 20 25 30
1
0.5
0
0.5
1
1.5
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
10
5
0
5
10
15
20
Fig. 5.3 Rponse impulsionnelle et module de la rponse en frquence du ltre AR du 2me
ordre lorsque = 0.9 et = /4.
5.2 Synthse des ltres
Connaissant la rponse en frquence H(f) impose par une application, on veut en dduire
les coecients de lquation rcurrente correspondante pour pouvoir implanter le ltre dans un
processeur. Il existe de nombreuses mthodes. Dans le cadre de ce document, on se limite la
mthode la plus simple (mais pas la plus ecace) : la mthode dite de la fentre. En particulier,
on impose que le ltre soit un ltre RIF (ncessaire si on veut une phase linaire).
Exemple. On dsire synthtiser un ltre passe-bas de frquence de coupure 1/2M (utilisation
assez frquente en TS). On parle de ltre demi-bande si M = 2, quart de bande si M = 4,
etc.
5.2.1 Principe
On rappelle que H(f) est ncessairement une fonction priodique. Comme H(f) est la trans-
forme de Fourier temps discret de la rponse impulsionnelle, on en dduit directement
h(n) =
_
+1/2
1/2
H(f)e
j2fn
df.
Exemple du ltre passe-bas (idal) de frquence de coupure 1/2M
H(f) = M si [f[ < 1/2M
= 0 si 1/2M < [f[ < 1/2.
On en dduit
h(n) = M
_
+1/2M
1/2M
e
j2fn
df =
sin(n/M)
n/M
= sinc(
n
M
).
En thorie, la sortie du ltre y(n) est directement donne par
y(n) =
+
k=
h(k)x(n k). (5.2)
On montre, gure 5.4, la rponse impulsionnelle dun ltre quart de bande.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 37/78
20 15 10 5 0 5 10 15 20
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Fig. 5.4 Rponse impulsionnelle dun ltre quart de bande (M = 4) et fentre de Hamming
sur 41 chantillons.
5.2.2 Mise en uvre
Limitation un nombre ni de termes
Le produit de convolution (5.2) nest pas directement implantable dans une machine. Il faut
se limiter un nombre ni doprations. Pour garder la proprit de symtrie de h(n), on choisit
y(n) =
+N
k=N
h(k)x(n k) (5.3)
et non pas
y(n) =
+2N
k=0
h(k)x(n k).
Pour valuer lapproximation ralise, il faut comparer la nouvelle rponse en frquence

H(f)
celle du ltre idal. Comme
y(n) =
+
k=
h(k)v(k)x(n k) =
+
k=
h(k)x(n k)
en utilisant une fentre de pondration, on obtient dans le domaine frquentiel
H(f) =
_
1/2
1/2
H()V (f )d.
Le trac de la gure 5.5 montre lintroduction dondulations lorsque lon utilise une fentre
rectangulaire particulirement au voisinage des sauts brusques de H(f). Ces ondulations sont
dues celles prsentes dans V (f) (cf gure 4.1). Pour attnuer limportance de ces ondulations, on
peut tre tent daugmenter le paramtre N. Les ondulations ne disparassent pas. Elles sont juste
localises dans une bande de frquence de plus en plus troite. Cest le phnomne de Gibbs.
On voudrait que V (f) ait un lobe principal le plus troit possible et des lobes secondaires les plus
petits possibles. Cest contradictoire. Un bon compromis est donn par la fentre de Hamming,
montre gure 5.4, comme on peut le constater, gure 5.5, o on compare la rponse en frquence
H(f) lorsque lon utilise une fentre rectangulaire et une fentre de Hamming.
On donne, table 5.1, les performances de quelques fentres.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 38/78
5.2. SYNTHSE DES FILTRES
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
[
e
c
h
e
lle

lin
e
a
ir
e
]
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
80
70
60
50
40
30
20
10
0
10
20
[
d
B
]
Fig. 5.5 Rponse en frquence dun ltre quart de bande avec N
= 2N + 1 = 41 aprs
pondration par une fentre rectangulaire (en bleu) ou par une fentre de Hamming (en rouge).
Les amplitudes sont donnes en chelle linaire ( gauche) ou en dcibel ( droite).
Fentre Largeur Taux
du lobe principal dondulation
rectangulaire 2/N
22 %
Hamming 4/N
2 %
Blackman 6/N
0.1 %
Tab. 5.1 Performances de quelques fentres avec N
= 2N + 1.
Filtre causal
Le produit de convolution (5.3) caractrise un ltre non-causal. Si on veut rendre causal le
ltre, il sut de direr le rsultat de N chantillons en posant
y(n) = y(n N).
On obtient
h(0)
h(2N) =
h(N)
h(N)
H(f) = e
j2fN

H(f).
Cest trs articiel. On na rien chang excepte la dnition de lorigine des indices n!
Gabarit
Le dveloppement prcdent montre que la rponse en frquence dun ltre ne peut pas tre
parfaitement plate ni en bande passante, ni en bande aaiblie et que la bande de transition ne peut
pas tre inniment troite. Il faut donc introduire des degrs de libert : on dnit un gabarit
en prcisant le taux dondulation en bande passante, le taux dondulation en bande aaiblie (ou
le taux de rjection) et la largeur de la bande de transition en fonction de lapplication.
Dans lexemple prcdent, le taux de rjection est de lordre de 50 dB si lordre du ltre RIF
est gal N
= 41 et si on utilise une fentre de Hamming. Cest susant si on dsire ltrer

du signal de parole en bande tlphonique (dynamique en puissance de lordre de 50 dB). Cest
insusant pour du signal de musique (dynamique en puissance de lordre de 100 dB). Il faut
alors augmenter lordre.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 39/78
Implantation temps rel dans un processeur
Peut-on prendre des ordres trs levs ? Cela dpend de la frquence dchantillonnage du
signal et de la puissance de calcul du processeur utilis. Par exemple, pour du signal de musique
chantillonn 44.1 kHz et ltr dans un microprocesseur capable deectuer 10
7
multiplica-
tions/accumulations par seconde
1
, on trouve que N
doit vrier 44100N
10
7
soit N
200.
5.2.3 Autres mthodes de synthse
Algorithme de Remez. La rponse impulsionnelle est obtenue en utilisant des algorithmes
doptimisation
min
h(n)
[ max
f[0,1/2]
W(f)[H(f)

H(f)[]
o W(f) est une fonction de pondration. On montre, gure 5.6, la rponse en frquence dun
ltre quart de bande aprs pondration par une fentre de Hamming (en rouge) ou aprs utilisa-
tion de lalgorithme de Remez (en noir). Lordre du ltre et la bande de transition ont t choisis
identiques. Conclusion !
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
80
70
60
50
40
30
20
10
0
10
20
[
d
B
]
Fig. 5.6 Rponse en frquence dun ltre quart de bande aprs pondration par une fentre de
Hamming (trait plein) ou aprs utilisation de lalgorithme de Remez (trait pointill).
5.3 Un exemple applicatif
On dispose dun signal de musique chantillonn 48 kHz. On veut en obtenir une version
chantillonne 32 kHz minimisant la distorsion.
Techniques de sous et sur-chantillonnage largement utilises en TS : bancs de ltres, codage
de source, changement de frquences dchantillonnage, etc.
5.3.1 Sous-chantillonnage par un facteur M
A partir dun signal temps discret x(n), on construit un nouveau signal y(m) en prlevant
un chantillon sur M : y(m) = x(mM). On recherche la relation existant entre la transforme de
Fourier temps discret X(f) du signal x(n) et la transforme de Fourier temps discret Y (f)
du signal y(m). Pour formaliser lopration de sous-chantillonnage, il est commode de crer un
1
Ordre de grandeur pour les processeurs actuels ?
Nicolas Moreau
en n de document
1
er
octobre 2007
page 40/78
5.3. UN EXEMPLE APPLICATIF
signal intermdiaire v(n) qui prend les valeurs x(n) si n = mM et qui est gal zro sinon. Il a
perdu de linformation contenue dans x(n) mais il reste la mme cadence. On a
v(n) = x(n)
+
m=
(n mM)
En exploitant la formule (4.4), on obtient
v(n) = x(n)
1
M
M1
k=0
e
j2
k
M
n
.
Donc
V (f) =
1
M
M1
k=0
+
n=
x(n)e
j2(fk/M)n
=
1
M
M1
k=0
X(f
k
M
).
La transforme de Fourier du signal temps discret y(m) qui est le signal v(n) dbarrass des
termes nuls, scrit
Y (f) =
+
m=
y(m)e
j2fm
=
+
m=
v(mM)e
j2
f
M
mM
= V (
f
M
).
Donc
Y (f) =
1
M
M1
k=0
X(
f k
M
).
Conclusion : on observe deux phnomnes, un phnomne de recouvrement des spectres et
un phnomne de dilatation des frquences comme le montre le dessin de la gure 5.7.
Fig. 5.7 Phnomne de recouvrement d au sous-chantillonnage.
Il est possible de supprimer le phnomne de recouvrement des spectres en ltrant la squence
x(n) par un ltre passe-bas de frquence de coupure 1/2M mais bien sr on perd alors de
linformation. On appelle ce ltre, le ltre dcimateur.
Interprtation du phnomne de dilatation des frquences en prenant lexemple du signal
temps discret , 1, 0, 1, 0, 1, . Toute sa puissance est localise la frquence 1/4. Si on
le sous-chantillonne par un facteur 2, on obtient , 1, 1, 1, . Toute sa puissance devient
localise la frquence 1/2.
Remarque
On considre un signal temps continu x(t) admettant comme transforme de Fourier temps
continu X
tc
(f
tc
). On suppose que x(n) est obtenu par chantillonnage de x(t) la frquence f
e
.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 41/78
La transforme de Fourier temps discret du signal x(t) chantillonn la frquence f
e
= 1/T
en fonction de la frquence f
tc
relative des signaux temps continu est donne par
X
td
(f
tc
) =
1
T
+
k=
X
tc
(f
tc
kf
e
) =
+
n=
x(nT)e
j2
f
tc
f
e
n
.
Le signal temps discret y(m) est obtenu par chantillonnage de x(t) la frquence f
e
= f
e
/2.
On a
Y
td
(f
tc
) =
1
2T
+
k=
X
tc
(f
tc
k
f
e
2
) =
+
m=
y(mT
)e
j2
f
tc
f
e
m
.
En dcomposant la sommation sur k en indices pairs et indices impairs, on obtient
Y
td
(f
tc
) =
1
2
[X
td
(f
tc
) +X
td
(f
tc
f
e
2
)].
Il reste une ambigut au niveau du paramtre f. Dans les formules prcdentes, f
tc
reste une
frquence exprime en Hertz. On veut utiliser la frquence normalise f = f
tc
/f
e
. Comme
+
m=
y(mT
)e
j2
f
tc
f
e
m
=
+
n=
x(nT)e
j2
f
tc
f
e
n
+
+
n=
x(nT)e
j2
f
tc
f
e
/2
f
e
n
+
m=
y(mT
)e
j2
f
tc
f
e
m
=
+
n=
x(nT)e
j2
f
tc
2f
e
n
+
+
n=
x(nT)e
j2
f
tc
2f
e
/2
2f
e
n
On en dduit
Y (f) =
1
2
[X(
f
2
) +X(
f 1
2
)].
5.3.2 Sur-chantillonnage par un facteur M
A partir de la squence x(n), on cre la squence y(m) en intercalant des zros
y(nM) = x(n)
y(nM +l) = 0 pour l 1 M 1.
Contrairement au cas prcdent, le sur-chantillonnage nentrane pas de perte dinformation (ni
de cration dailleurs).
Relation entre les transformes de Fourier
La transforme de Fourier temps discret de y(m) est gale
Y (f) =
+
m=
y(m)e
j2fm
=
+
n=
y(nM)e
j2fnM
= X(Mf).
Il y a cration dimages et un phnomne de rtrcissement des frquences comme le montre la
gure 5.8. Le dessin semble montrer que les spectres sont identiques. Ils nont pas la mme
interprtation. Si x(n) est obtenu par chantillonnage la frquence f
e
dun signal temps
continu x(t) et si y(m) est obtenu par chantillonnage la frquence f
e
= Mf
e
dun signal
temps continu y(t), on remarque que les deux signaux x(t) et y(t) ne sont pas identiques comme
le montre le trac de la gure 5.9. Si lon veut que x(n) et y(m) aient des spectres identiques, il
faut ltrer y(m) par un ltre passe-bas de frquence de coupure 1/2M appel ltre interpolateur.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 42/78
Fig. 5.8 Spectres avant et aprs sur-chantillonnage lorsque M = 2.
Fig. 5.9 Comparaison entre x(t) et y(t).
Filtrage interpolateur
La sortie du ltre interpolateur est donne par
v(m) =
+
k=
h(mk)y(k)
v(m) =
+
k=
y(k)sinc(
mk
M
).
En posant m = nM +l et k = pM +q, on obtient
v(nM +l) =
+
p=
M1
q=0
y(pM +q)sinc(
nM +l pM q
M
).
Puisque
y(pM) = x(p)
y(pM +q) = 0 pour q 1 M 1
on obtient
v(nM +l) =
+
p=
x(p)sinc(n p +
l
M
). (5.4)
On remarque que v(nM) = x(n) puisque
sinc(n p) = 0 pour p ,= n.
La formule (5.4) est simplement la formule dinterpolation (3.2)
x(t) =
+
p=
x(pT)sinc(
t pT
T
)
value aux instants
t = (n +
l
M
)T.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 43/78
5.3.3 Conclusion
Pour passer dun signal de musique chantillonn 48 kHz un signal chantillonn 32
kHz, il faut dabord sur-chantillonner par un facteur 2 puis sous-chantillonner par un facteur
3. Le ltre interpolateur qui suit le sur-chantillonneur doit tre un ltre demi-bande et le ltre
dcimateur qui prcde le sous-chantillonneur doit tre un ltre tiers de bande. Il sut donc
dintercaler entre le sur-chantillonneur et le sous-chantillonneur un unique ltre tiers de bande.
5.3.4 Un autre exemple : convertisseur A/N sigma-delta 1 bit
Comment un convertisseur analogique/numrique sur 1 bit peut-il devenir aussi prcis quun
convertisseur sur 16 bits ? Rponse : en utilisant une frquence dchantillonnage bien suprieure
la frquence de Nyquist et en ralisant un traitement numrique. Intrt ? Le cot (prix, abilit,
etc) dun traitement analogique est suprieur au cot dun traitement numrique. On a donc
intrt dplacer au maximum le traitement de lanalogique vers le numrique.
Le schma de la gure 5.10 donne le principe dun convertisseur A/N sigma-delta. Lentre
x(n) est un nombre rel de prcision innie (compris entre -1 et +1), la sortie x
a
(m) est une
version arrondie, le signal intermdiaire ( temps discret et valeurs discrtes) y(n) 1, +1
est une reprsentation binaire.
m m - - - - - - -
6 6
x(n) u(n)
z
1
v(n) y(n)
H(f)
w(n)
?
M
x
a
(m)
+
Fig. 5.10 Schma de principe dun convertisseur A/N sigma-delta 1 bit.
On a
v(n) = u(n 1) +v(n 1)
y(n) = 1 si v(n) 0
= 1 si v(n) < 0
u(n) = x(n) y(n) (5.5)
On montre, gure 5.11, la reprsentation binaire dune sinusode temps discret de frquence
1/50. On montre, gure 5.12, le signal w(n) lorsque H(f) est un ltre passe-bas de frquence de
coupure 1/2M avec M = 4 ou 8 (pour rendre le trac lisible, on reprsente w(n) comme sil tait
un signal temps continu).
Pourquoi ? Prmatur. Il faut remplacer dans (5.5) y(n) par y(n) = v(n) + q(n) o q(n) est
une source de bruit.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 44/78
10 20 30 40 50 60
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
10 20 30 40 50 60
2
1.5
1
0.5
0
0.5
1
1.5
2
Fig. 5.11 Reprsentation binaire dune sinusode de frquence 1/50.
10 20 30 40 50 60
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Fig. 5.12 Versions arrondies (traits pleins) dune sinusode (trait pointill) de rquence 1/50
lorsque M = 4 ou 8.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 45/78
Nicolas Moreau
en n de document
1
er
octobre 2007
page 46/78
Chapitre 6
Processus alatoires : une introduction
6.1 Introduction
Ncessit dun modle probabiliste. Exemple dune chane de communication. Une source
met de linformation. Cette information passe dans un canal (sous la forme dun signal dter-
ministe). Le rcepteur observe la sortie du canal et cherche rcuprer linformation mise. Ce
signal est imprvisible pour (au moins) deux raisons :
le message est inconnu pour le rcepteur (sinon quelle est lutilit de cette transmission),
le message a subi des perturbations
de nature dterministe (le canal peut tre assimil une opration de ltrage),
de nature alatoire (addition de bruits).
Un modle pour le signal reu : un processus alatoire temps continu.
Autre exemple : cf gures 1.1 et 1.2. Problme : comment synthtiser de la parole (par un
ltre AR excit par un bruit blanc), de la musique (quelques sinusodes plus du bruit).
Dans ce dveloppement (trs sommaire), tude de quelques proprits dun processus alatoire
temps discret X(n) :
Que veut dire processus alatoire temps discret stationnaire (au 2me ordre au sens large),
centr, gaussien (laplacien,...), de puissance
2
X
, de fonction dautocovariance R
X
(k), de
densit spectrale de puissance S
X
(f), ergodique dont une ralisation (trajectoire) est le
signal (observ) x(n) ?
Quelles sont les proprits des processus alatoires temps discret aprs une opration de
ltrage ?
Rappel : Variable alatoire = application mesurable (de R telle que limage rciproque
X
1
(B) A borlien de R) dnie sur un espace probabilis(, A, P) o est lensemble des
vnements, A un sous-ensemble de possdant une structure particulire et P une mesure de
probabilit.
6.2 Processus alatoire
6.2.1 Dnition
Processus alatoire temps discret : famille de v.a. indexe par n Z. Notation : X(n, ).
Interprtation statistique. On xe un (ou plusieurs) instant dobservation n = n
1
, on ob-
tient une (ou plusieurs) variable alatoire X(n
1
, ) qui se prte bien un calcul (thorique).
Interprtation temporelle. On xe une preuve particulire =
1
, on obtient une obser-
vation (ralisation, trajectoire) particulire x(n,
1
) qui a une signication physique (on
interprte le signal que lon cherche traiter comme la ralisation dun processus alatoire).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 47/78
CHAPITRE 6. PROCESSUS ALATOIRES : UNE INTRODUCTION
6.2.2 Interprtation statistique
Statistique du 1er ordre
On xe un instant particulier n = n
1
. On obtient une variable alatoire X(n
1
, ). Si on
connat sa fonction de rpartition
F
X
(x; n
1
) = PX(n1) x
ou la densit de probabilit p
X
(x; n
1
) (si la fonction de rpartition est direntiable par rapport
x), on peut calculer tous les moments dordre M
EX
M
(n
1
) =
_
+
x
M
p
X
(x; n
1
)dx.
Dans la pratique, on utilise les deux premiers moments, la moyenne
m
X
(n
1
) = EX(n
1
)
et la variance (le moment dordre 2 centr)
2
X
(n
1
) = E(X(n
1
) m
X
(n
1
))
2
.
Statistique du 2me ordre
On xe deux instants particuliers n = n
1
et n = n
2
. On obtient deux variables alatoires
X(n
1
, ) et X(n
2
, ). Si on connat la fonction de rpartition conjointe
F
X
(x
1
, x
2
; n
1
, n
2
) = PX(n
1
) x
1
et X(n
2
) x
2
et la densit de probabilit conjointe p

X
(x
1
, x
2
; n
1
, n
2
), on peut en dduire tous les moments
dordre M et M
EX
M
(n
1
)X
M
(n
2
) =
_
+
_
+
x
M
1
x
M
2
p
X
(x
1
, x
2
; n
1
, n
2
)dx
1
dx
2
.
Dans la pratique, on utilise le premier moment conjoint centr (fonction dautocovariance)
R
X
(n
1
, n
2
) = E[X(n
1
) m
X
(n
1
)][X(n
2
) m
X
(n
2
)]
R
X
(n
1
, n
2
) =
_
+
_
+
[x
1
m
X
(n
1
)][x
2
m
X
(n
2
)]p
X
(x
1
, x
2
; n
1
, n
2
)dx
1
dx
2
.
Statistique dordre suprieur
Gnralisation dlicate pour un nombre inni (mais dnombrable pour les p.a. temps dis-
cret) dinstants dobservation.
Processus stationnaire au sens large (SSL)
Si la moyenne et la variance ne dpendent pas de linstant dobservation n, si la variance est
borne et si lautocovariance ne dpend que de lcart entre les deux instants dobservation, alors
on dit que le processus X(n) est stationnaire au 2me ordre au sens large. On supposera cette
proprit vrie dans toute la suite.
On notera la moyenne, la variance et la fonction dautocovariance respectivement
m
X
= EX(n)
Nicolas Moreau
en n de document
1
er
octobre 2007
page 48/78
6.2. PROCESSUS ALATOIRE
2
X
= E(X(n) m
X
)
2
R
X
(k) = E(X(n) m
X
)(X(n +k) m
X
).
La puissance du processus est donne par
EX
2
(n) =
2
X
+m
2
X
= R
X
(0) +m
2
X
.
Processus stationnaire gaussien
Chaque variable alatoire X(n
1
) suit une loi gaussienne, toute combinaison linaire de X(n
1
) X(n
N
)
avec n
1
n
N
et N quelconque suit une loi gaussienne. Un processus alatoire stationnaire gaus-
sien est compltement caractris par sa moyenne m
X
et sa fonction dautocovariance R
X
(k) ou
sa matrice de covariance
X
(N) =
_
_
R
X
(0) R
X
(1) R
X
(N 1)
R
X
(1)
R
X
(1)
R
X
(N 1) R
X
(1) R
X
(0)
_
_
pour N susamment grand. Si x = [x
1
x
N
]
t
p
X
(x) =
1
(2)
N/2
_
det()
e
1
2
(xm
X
)
t
1
X
(xm
X
)
Pour N = 1, on retrouve la formule classique
p
X
(x) =
1
_
2
2
X
e
(xm
X
)
2
/2
2
X
6.2.3 Interprtation temporelle
On dispose dune ralisation (trajectoire)
Moyenne temporelle
m
X
() = lim
N+
1
2N + 1
+N
n=N
x(n)
Corrlation temporelle
R
X
(k, ) = lim
N+
1
2N + 1
+N
n=N
x(n)x(n +k)
Lhypothse dergodicit permet darmer que m
X
() et R
X
(k, ) sont indpendants de et
que les moments statistiques sont presque srement gaux aux moyennes temporelles.
6.2.4 Densit spectrale de puissance
Proprits de lautocovariance
X(n, ) : p.a. (SSL) valeurs relles et centr (pour simplier)
R
X
(k) = EX(n)X(n +k)
Expression dterministe
symtrique R
X
(k) = R
X
(k)
Nicolas Moreau
en n de document
1
er
octobre 2007
page 49/78
borne [R
X
(k)[ R
X
(0) =
2
X
En eet
E[X(n) +X(n +k)]
2
0
R
X
(0) + 2R
X
(k) +
2
R
X
(0) 0
R
2
X
(k) R
2
X
(0) 0 k
lim
k+
R
X
(k) = 0
La matrice dautocovariance
X
(N) = E
_
_
X(n)

X(n +N 1)
_
_
[X(n) X(n+N1)] =
_
_
R
X
(0) R
X
(N 1)

R
X
(N 1) R
X
(0)
_
_
est semi-dnie positive puisque E[
N1
k=0

k
X(n +k)]
2
0
k
Dnition de la densit spectrale de puissance
On appelle densit spectrale de puissance (ou spectre de puissance ou spectre tout court) la
transforme de Fourier temps discret de la fonction dautocovariance
S
X
(f) =
+
k=
R
X
(k)e
j2fk
.
Existence si R
X
(k) est une suite de module sommable.
Proprits de la densit spectrale de puissance
Fonction priodique (priode 1)
R
X
(k) =
_
+1/2
1/2
S
X
(f)e
+j2fk
df.
Fonction relle et paire : S
X
(f) = R
X
(0) + 2
+
k=1
R
X
(k) cos(2fk).
Fonction positive : thorme de Bochner S
X
(f) 0 f.
La puissance (totale) est donne par
EX
2
(n) = R
X
(0) +m
2
X
=
_
+1/2
1/2
S
X
(f)df +m
2
X
.
Relation avec la transforme en z de la fonction dautocovariance
S
X
(z) =
+
k=
R
X
(k)z
k
(domaine dexistence : une couronne comprenant le cercle unit). Evaluation de la trans-
forme en z sur le cercle unit.
6.2.5 Exemples de processus alatoires
Bruit blanc
Processus alatoire centr vriant
R
X
(0) =
2
X
R
X
(k) = 0 pour k ,= 0.
La densit spectrale de puissance est donc constante sur tout laxe des frquences
S
X
(f) =
2
X
.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 50/78
6.2. PROCESSUS ALATOIRE
Suite i.i.d. (suite indpendante et identiquement distribue)
Chaque lment de la suite a mme loi de probabilit chaque instant
p
X
(x; n) = p
X
(x) n.
n
1
, n
2
, les v.a. X(n
1
) et X(n
2
) sont mutuellement indpendantes, donc dcorrles (rci-
proque non vraie). Cest donc un bruit blanc.
Sinusode phase alatoire
X(n, ) = a cos(2f
1
n + ())
avec a et f
1
constants et () quirpartie entre 0 et 2.
Moyenne statistique
m
X
(n) = EX(n) =
_
2
0
a cos(2f
1
n +)
d
2
= 0 n
Moyenne temporelle
m
X
() = lim
N+
1
2N + 1
+N
n=N
a cos(2f
1
n + ()) = 0 ()
Corrlation statistique
R
X
(n, k) = EX(n)X(n +k) =
_
2
0
a
2
cos(2f
1
n +) cos(2f
1
(n +k) +)
d
2
R
X
(n, k) =
a
2
2
[
_
2
0
cos(2f
1
(2n +k) + 2)
d
2
+
_
2
0
cos(2f
1
k)
d
2
]
R
X
(n, k) =
a
2
2
cos(2f
1
k).
Corrlation temporelle
R
X
() = lim
N+
1
2N + 1
+N
n=N
a
2
cos(2f
1
n + ()) cos(2f
1
(n +k) + ())
R
X
() =
a
2
2
lim
N+
1
2N + 1
+N
n=N
[cos(2f
1
(2n +k) + 2()) + cos(2f
1
k)]
R
X
() =
a
2
2
cos(2f
1
k).
Conclusion : processus stationnaire et ergodique au 2me ordre (au sens large) de densit spectrale
de puissance
S
X
(f) =
a
2
4
+
k=
[(f f
1
k) +(f +f
1
k)].
Deux cas extrmes : une suite i.i.d. est totalement imprvisible (source sans mmoire), une
sinusode phase alatoire est presque totalement prvisible.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 51/78
6.2.6 Intrt dun modle probabiliste : un exemple
Quantication = codage de source = discrtisation des amplitudes. Paramtre fondamental
= b = rsolution = nombre de bits par chantillon (en moyenne).
Considrons un signal temps discret x(n) prenant ses valeurs dans lintervalle [A, +A].
La dmarche la plus naturelle pour dnir un quanticateur consiste
1. partitionner lintervalle [A, +A] en L = 2
b
intervalles distincts de mme longueur =
2A/2
b
,
2. numroter chaque intervalle,
3. dnir un reprsentant par intervalle, par exemple le milieu de lintervalle.
La procdure dencodage consiste dcider quel intervalle appartient x(n) puis lui associer
le numro i(n) 1 L = 2
b
correspondant. Cest le numro de lintervalle choisi, le symbole
canal, qui sera transmis ou stock. La procdure de dcodage consiste associer au numro i(n)
le reprsentant correspondant x(n) = x
i(n)
choisi parmi lensemble des reprsentants { x
1
x
L
}.
On appelle lensemble des reprsentants un dictionnaire (codebook). Les procdures dencodage
et de dcodage de ce quanticateur sont schmatises gure 6.1.
6
-
o
o
o
o
0 0
0 1
1 0
1 1
o
o
o
n
-A
+A
x(n)
q(n)
Fig. 6.1 Quanticateur scalaire uniforme.
Lerreur de quantication a pour expression
q(n) = x(n) x(n).
Pour caractriser la dgradation apporte par lopration de quantication, il faut dnir un
critre et proposer un modle simple pour les signaux intervenant dans ce critre. On suppose
que x(n) est la ralisation dun processus alatoire X(n). Comme critre, on choisit le rapport
signal sur bruit
Rsb =
EX
2
(n)
E[X(n) x(n)]
2
.
A priori lerreur de quantication q(n) nest pas de nature probabiliste puisque q(n) est une fonc-
tion dterministe de x(n). Pour simplier cette tude, on prend comme modle pour reprsenter
cette erreur de quantication q(n), un processus alatoire Q(n) avec les hypothses suivantes.
Il prend ses valeurs de faon quiprobable dans lintervalle [/2, +/2].
Q(n), Q(n 1), ... sont indpendants entre eux.
Q(n) et X(n) sont indpendants.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 52/78
6.3. FILTRAGE DUN PROCESSUS ALATOIRE
Le processus alatoire Q(n) est une suite de variables alatoires indpendantes et identiquement
distribues (une suite i.i.d.). La moyenne de lerreur de quantication est nulle, sa variance est
donne par
2
Q
= EQ
2
(n) =
_
/2
/2
x
2
1
dx =

2
12
=
1
12
_
2A
2
b
_
2
=
A
2
3
2
2b
.
Si on suppose X(n) uniformment rparti dans lintervalle [A, +A], hypothse irraliste pour
un signal quelconque mais cela entrane un calcul simple, sa moyenne est nulle et sa variance a
pour expression
2
X
= EX
2
(n) =
_
A
A
x
2
1
2A
dx =
A
2
3
.
On obtient la relation qui donne la puissance de lerreur de quantication en fonction de la
puissance du signal et de la rsolution b
2
Q
=
2
X
2
2b
.
Le rapport signal sur bruit a pour expression
10 log
10
EX
2
(n)
EQ
2
(n)
= 10 log
10
2
2b
= 6, 02 b.
Le fait de rajouter un bit revient donc augmenter le rapport signal sur bruit de 6 dB. Exemple
du CD : entre le seuil daudition absolu et le seuil de douleur, loreille a une dynamique en
puissance de lordre de 120 dB. Il aurait donc fallu que le CD ralise une quantication scalaire
sur 20 bits (au lieu de 16) !
Si on suppose X(n) gaussien, on obtiendrait
2
Q
= c
2
X
2
2b
avec 10 log
10
(c) 4.3 dB
6.3 Filtrage dun processus alatoire
6.3.1 Problme
Connaissant les proprits (au 2me ordre) du processus stationnaire X(n), i.e. sa moyenne
m
X
, sa variance
2
X
, sa fonction dautocovariance R
X
(k) et/ou sa densit spectrale de puissance
S
X
(f), quelles sont les proprits du processus ltr Y (n) par le ltre (stable) de rponse en
frquence H(f) ? Le processus Y (n) est-il stationnaire (au 2me ordre au sens large) ? Si oui,
expression de m
Y
,
2
Y
, R
Y
(k) et S
Y
(f).
Problme mathmatique dlicat pour dnir proprement le ltrage dun processus alatoire.
On se contentera dadmettre que lopration de ltrage dune ralisation
y(n) =
+
k=
h(k)x(n k)
se gnralise
Y (n) =
+
k=
h(k)X(n k)
ou que lon se limite ltude dun ltrage dun p.a. par un ltre RIF (combinaison linaire
dun nombre ni de v.a.). On rappelle quune condition de stabilit du ltre est que la rponse
impulsionnelle soit de module sommable.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 53/78
6.3.2 Formule de ltrage
Moyenne
EY (n) = E
+
k=
h(k)X(n k) =
+
k=
h(k)EX(n k)
EY (n) = m
X
+
k=
h(k) = m
X
H(0).
Cette moyenne ne dpend pas de linstant dobservation n. Si le processus dentre est centr, le
processus de sortie lest aussi.
Intercovariance entre-sortie
On supposera X(n) centr par la suite (pour simplier). Appelons
R
XY
(n, k) = EX(n)Y (n +k) = EX(n)
+
l=
h(l)X(n +k l)
R
XY
(n, k) =
+
l=
h(l)EX(n)X(n +k l) =
+
l=
h(l)R
X
(k l).
Cette intercovariance ne dpend pas de n, elle ne dpend que de k. Comme
R
XY
(k) = h(k) R
X
(k)
on obtient
S
XY
(f) = H(f)S
X
(f).
Autocovariance de la sortie
R
Y
(n, k) = EY (n)Y (n +k) = EY (n)
+
l=
h(l)X(n +k l)
R
Y
(n, k) =
+
l=
h(l)EY (n)X(n +k l) =
+
l=
h(l)R
Y X
(k l).
Lautocovariance est indpendante de n, elle ne dpend que de k. La proprit de stationnarit
se conserve donc par ltrage. On a
R
Y
(k) = h(k) R
Y X
(k)
S
Y
(f) = H(f)S
Y X
(f)
Comme
R
Y X
(k) = EY (n)X(n +k) = EX(n)Y (n k) = R
XY
(k)
et que
S
Y X
(f) =
+
k=
R
XY
(k)e
j2fk
=
+
k=
R
XY
(k)e
j2(f)k
= S
XY
(f)
Nicolas Moreau
en n de document
1
er
octobre 2007
page 54/78
6.3. FILTRAGE DUN PROCESSUS ALATOIRE
on obtient
S
Y
(f) = H(f)S
XY
(f) = H(f)H(f)S
X
(f)
nalement
S
Y
(f) = H(f)H(f)S
X
(f) = [H(f)[
2
S
X
(f)
puisque S
X
(f) est une fonction paire et que H(f) a la proprit de symtrie hermitienne.
6.3.3 Remarques et interprtation
Gnralisations
Gnralisation un processus temps continu
S
Y
(f) = TFTCEX(t)X(t +) = [H(f)[
2
S
X
(f).
Utilisation de la transforme en z
S
Y
(z) = H(z)H(z
1
)S
X
(z).
Processus gaussien
Le caractre gaussien se maintient par ltrage
Densit spectrale de puissance
Considrons un ltre passe-bande (idal) autour dune frquence f
1
H(f) = 1 si [f[ [f
1
/2, f
1
+ /2]
= 0 sinon.
Comme
S
Y
(f) = S
X
(f) si [f[ [f
1
/2, f
1
+ /2]
= 0 sinon,
on obtient
_
+1/2
1/2
S
Y
(f)df 2S
X
(f
1
)
pour susamment petit. Comme le premier membre est ncessairement positif (ou nul), on
remarque que S
X
(f) 0 f. S
X
(f) sinterprte comme une densit spectrale de puissance.
Processus ARMA
Si le processus dentre X(n) est un bruit blanc centr de variance
2
X
, la sortie Y (n) est un
processus de densit spectrale de puissance S
Y
(f) = [H(f)[
2
2
X
. Par exemple, si le ltre est un
ltre AR(4) avec deux fois deux ples complexes conjugus de module lgrement infrieur 1
et dargument +/ /8 et +/ /4, on obtiendra en sortie un processus alatoire ayant de la
puissance surtout concentre dans deux bandes de frquence voisines de f = 1/8 et f = 1/4. On
voit quil est facile de crer un signal synthtique ayant des composantes spectrales particulires.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 55/78
6.3.4 Exemple sous forme dexo
Filtre dni par la relation de rcurrence
y(n) ay(n 1) = bx(n).
Processus dentre X(n) : processus stationnaire centr de fonction dautocovariance
R
X
(0), R
X
(1), R
X
(2), =
2
X
, c
2
X
, 0, .
Caractristiques du ltre
H(z) =
b
1 az
1
si [z[ > [a[
H(f) =
b
1 ae
j2f
si [a[ < 1
[H(f)[
2
=
b
2
1 2a cos(2f) +a
2
h(0), h(1), h(2), = b, ba, ba
2
,
Caractristiques du processus dentre
S
X
(z) =
2
X
(cz + 1 +cz
1
)
S
X
(f) =
2
X
(1 + 2c cos(2f))
Caractristiques du processus de sortie
S
Y
(z) = b
2
2
X
cz + 1 +cz
1
(1 az)(1 az
1
)
S
Y
(f) = b
2
2
X
1 + 2c cos(2f)
1 2a cos(2f) +a
2
Souvent, on dsire connatre la puissance du processus de sortie
2
Y
= EY
2
(n) = R
Y
(0) =
_
1/2
1/2
S
Y
(f)df
Calcul plus facile en utilisant lexpression en z
2
Y
= R
Y
(0) =
1
2j
_
S
Y
(z)
dz
z
2
Y
= b
2
2
X
1
2j
_
cz
1
+ 1 +cz
1
(1 az)(1 az
1
)
dz
z
2
Y
= b
2
2
X
1
2j
_
cz
2
+z +c
z(1 az)(z a)
dz
et en appliquant le thorme des rsidus (deux ples lintrieur du cercle unit z=0 et z=a)
2
Y
= b
2
2
X
[
c
(a)
+
ca
2
+a +c
a(1 a
2
)
] = b
2
2
X
1 + 2ac
1 a
2
Nicolas Moreau
en n de document
1
er
octobre 2007
page 56/78
6.4. THORIE DE LESTIMATION : UNE INTRODUCTION
2me mthode : dcomposition en lments simples puis dveloppement en srie de Laurent de
S
Y
(z) = b
2
2
X
cz + 1 +cz
1
(1 az)(1 az
1
)
3me mthode
2
Y
= E
k
h(k)X(n k)
l
h(l)X(n l)
2
Y
=
k
h(k)[ch(k 1) +h(k) +ch(k + 1)]
2
X
6.4 Thorie de lestimation : une introduction
X(n) p.a. stationnaire et ergodique veut dire
m
X
= EX(n) = lim
N
1
2N + 1
+N
n=N
x(n)
R
X
(k) = EX(n)X(n +k) = lim
N
1
2N + 1
+N
n=N
x(n)x(n +k).
En pratique, on ne dispose quune seule ralisation comportant un nombre ni N dchantillons
[x(0) x(N 1)]. Comment utiliser au mieux ces donnes ?
6.4.1 Moyenne empirique
On pose
m
X
=
1
N
N1
n=0
x(n).
m
X
est une v.a. puisquelle dpend dun tirage alatoire. Elle a une moyenne et une variance
E m
X
= E
1
N
N1
n=0
X(n) =
1
N
N1
n=0
m
X
= m
X
On dit que lestimateur est sans biais.
var m
X
= E[(
1
N
N1
n=0
X(n)) m
X
]
2
=
1
N
2
E[
N1
n=0
(X(n) m
X
)]
2
var m
X
=
1
N
2
N1
n=0
N1
m=0
R
X
(n m) =
1
N
N1
n=0
[1
[n[
N
]R
X
(n).
Donc var m
X
, = 0 mais on montre que lim
N
var m
X
0. On dit que cet estimateur tend
en moyenne quadratique vers m
X
.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 57/78
6.4.2 Covariance empirique
On supposera X(n) centr pour simplier les notations. On pose
R
X
(k) =
1
N
N1k
n=0
x(n)x(n +k) pour k = 0 N 1.
Comme
E
R
X
(k) =
1
N
N1k
n=0
EX(n)X(n +k) =
N k
N
R
X
(k)
cet estimateur est biais mais asymptotiquement sans biais. Ncessit de calculer aussi var
R
X
(k)
mais calcul compliqu.
Remarque : on aurait pu choisir
R
X
(k) =
1
N k
N1k
n=0
x(n)x(n +k)
ce qui aurait rendu lestimateur sans biais mais on montre que la variance est alors beaucoup
plus importante. Globalement lestimateur biais est bien prfrable (on lui trouvera par la suite
de nouvelles qualits). Le fait de pondrer la sommation qui comporte en fonction de k de moins
en moins de termes par toujours 1/N permet de tenir de moins en moins compte de cette somme
qui est de moins en moins able !
6.4.3 Un estimateur spectral : le priodogramme
La dtermination de la densit spectrale de puissance
S
X
(f) =
+
k=
R
X
(k) exp(j2fk) = R
X
(0) + 2
k=1
R
X
(k) cos(2fk)
rclame la connaissance de R
X
(k) pour k = 0 . Ne disposant que de N donnes observes
[x(0) x(N1)] on ne peut disposer quau plus N termes de la fonction dautocovariance (plus
ou moins ables).
En remplaant dans lexpression prcdente R
X
(k) par

R
X
(k), on obtient
S
X
(f) =
N1
k=N+1
[
1
N
N1k
n=0
x(n)x(n +[k[)] exp(j2fk)
ce qui donne
S
X
(f) =
1
N
[
N1
n=0
x(n) exp(j2fn)[
2
.
En eet
[
N1
n=0
x(n) exp(j2fn)[
2
=
N1
n=0
x(n) exp(j2fn)
N1
m=0
x(m) exp(+j2fm)
Nicolas Moreau
en n de document
1
er
octobre 2007
page 58/78
6.4. THORIE DE LESTIMATION : UNE INTRODUCTION
ou en posant W = exp(j2f) et en se limitant N = 3
[
N1
n=0
x(n) exp(j2fn)[
2
= x(0)[x(0)W
0
+x(1)W
1
+x(2)W
2
]
+ x(1)[x(0)W
1
+x(1)W
0
+x(2)W
1
]
+ x(2)[x(0)W
2
+x(1)W
1
+x(2)W
0
]
= [x(2)x(0)]W
2
+ [x(2)x(1) +x(1)x(0)]W
1
+ [x
2
(0) +x
1
(1) +x
2
(2)]W
0
+ [x(0)x(1) +x(1)x(2)]W
1
+ [x(0)x(2)]W
2
Si on value cette expression aux frquences f = f
k
= k/L, on obtient la formule du priodo-
gramme
S
X
(
k
L
) =
1
N
[
N1
n=0
x(n) exp(j2
k
L
n)[
2
pour k = 0 L 1.
Les reprsentations frquentielles des signaux de parole et de musique des gures 1.1 et 1.2 ont
t calcules de cette faon.
Complments
Si L = N, le priodogramme est donn directement par le module au carr de la transforme
de Fourier discrte. Si L > N, on eectue galement une TFD mais avec zero padding.
Emploi dune fentre de pondration dans le domaine temporel :
S
X
(
k
L
) =
1
N
[
N1
n=0
v(n)x(n) exp(j2
k
L
n)[
2
ou dans le domaine frquentiel :
S
X
(
k
L
) =
N1
n=N+1
W(n)
R
X
(n) exp(j2
k
L
n).
La densit spectrale de puissance

S
X
(f) reste, pour toutes les valeurs de f possibles, une
variable alatoire dont il peut tre intressant de dterminer la moyenne et la variance.
Dans le cas dune pondration par une fentre dans le domaine temporel, la moyenne est
donne par
E
S
X
(f) =
+
k=
[
1
N
+
n=
v(n)v(n k)EX(n)X(n k)] exp(j2fk)
E
S
X
(f) =
+
k=
q(k)R
X
(k) exp(j2fk)
avec
q(k) =
1
N
+
n=
v(n)v(n k).
On a donc
E
S
X
(f) = Q(f) S
X
(f) =
_
1/2
1/2
Q()S
X
(f )d.
Il existe donc un biais qui disparait si N . Le priodogramme est un estimateur
asymptotiquement sans biais.
Il faudrait donner lexpression de la variance E[
S
X
(f
k
) E
S
X
(f
k
)]
2
. On peut montrer
que cette variance ne tend pas vers 0 lorsque N . On dit que cet estimateur nest pas
consistant. Pour le rendre consistant, il faut pondrer le signal observ par une fentre ...
Nicolas Moreau
en n de document
1
er
octobre 2007
page 59/78
6.5 Sinusode bruite sous forme dexo
6.5.1 Problme
On mesure un signal y(0) y(N 1) lextrmit dun canal en sachant a priori que le
signal mis lentre est une sinusode pure de la forme x(n) = a cos(2f
1
n + ). On ignore la
valeurs numriques prises par a, f
1
et . De plus, le signal a t perturb par son passage dans le
canal. On dsire calculer les valeurs numriques prises par a et f
1
partir des valeurs observes.
Problme destimation statistique.
6.5.2 Modlisation
On modlise le signal observ comme tant la ralisation dun processus alatoire
Y (n) = a cos(2f
1
n + ()) +B(n)
o () est une variable alatoire quirpartie entre 0 et 2 et o B(n) est un bruit blanc centr
de variance
2
non-corrl avec X(n) = a cos(2f
1
n + ()).
On a vu que X(n) est un processus alatoire stationnaire au 2me ordre (et ergodique) de
fonction dautocovariance
R
X
(k) =
a
2
2
cos(2f
1
k).
On en dduit que Y (n) est un processus alatoire stationnaire centr de fonction dautocovariance
EY (n)Y (n +k) = EX(n)X(n +k) +EB(n)B(n +k)
R
Y
(k) =
a
2
2
cos(2f
1
k) +
2
(k).
Etudions quelques proprits de la matrice dautocovariance
Y
=
_
_
R
Y
(0) R
Y
(N 1)

R
Y
(N 1) R
Y
(0)
_
_
On obtient
Y
=
X
+
2
I.
La matrice
X
est de rang non complet. En eet, on a
cos(2f
1
k) + cos(2f
1
(k 2)) = 2 cos(2f
1
(k 1)) cos(2f
1
)
ce qui entrane
R
X
(k) +
1
R
X
(k 1) +R
X
(k 2) = 0
donc
_
_
R
X
(0) R
X
(1) R
X
(2)
R
X
(1) R
X
(0) R
X
(1)
R
X
(2) R
X
(1) R
X
(0)
_
_
_
_
1
1
1
_
_
=
_
_
0
0
0
_
_
Seuls deux vecteurs colonne de
X
sont linairement indpendants ce qui montre que le rang de
X
est gal = 2.
Appelons
1
et
2
les deux valeurs propres non-nuls (et positives puisque
X
est semi-dni
positif) de
X
et v
1
et v
2
les deux vecteurs propres correspondants. Appelons w
3
w
N
les
vecteurs engendrant lespace nul. Comme
Y
v =
X
v +
2
v = ( +
2
)v
Nicolas Moreau
en n de document
1
er
octobre 2007
page 60/78
6.5. SINUSODE BRUITE SOUS FORME DEXO
Y
w =
X
w +
2
w =
2
w
on en dduit que les valeurs propres de
Y
sont gales
1
+
2
,
2
+
2
,
2
, ,
2
et que le vecteur propre associ la plus petite valeur propre doit tre de la forme [1,
1
, 1]
t
.
6.5.3 Algorithme
Ltude prcdente donne la dmarche. Il faut, dans la pratique, se limiter la connaissance
dun nombre ni de valeurs observes. On en dduit lalgorithme :
1. A partir de y(0) y(N 1), calculer
R
X
(k) =
1
N
N1k
n=0
y(n)y(n +k) pour k = 0, 1, 2.
2. Construire la matrice

X
de dimension 3.
3. Calculer le vecteur propre associ la plus petite valeur propre. Il doit tre de la forme
[1,
1
, 1]
t
.
4. En dduire
f
1
=
1
2
Arccos(
1
2
).
6.5.4 Autre mthode
1. A partir de y(0) y(N 1), calculer
Y (k) =
N1
n=0
y(n)e
j2nk/N
pour k = 0, , N 1.
2. En dduire
f
1
=
arg max [Y (k)[
N
.
Comparaison avec la mthode prcdente ?
Nicolas Moreau
en n de document
1
er
octobre 2007
page 61/78
Nicolas Moreau
en n de document
1
er
octobre 2007
page 62/78
Annexe A
Codeur de parole LPC10
A.1 Introduction
Parole en bande tlphonique : f
e
= 8 kHz [300 Hz - 3.3 kH].
Dbit de rfrence 13 bits 8 = 104 kbit/s. Nombreux codeurs existants. But : diminuer
le dbit sans trop dgrader la qualit. Qualit acceptable de 64 kbit/s (RNIS) jusqu 6.3
kbit/s (partie son du visiophone). Pour un dbit plus faible (dbit vis = 2.4 kbit/s)
faible qualit. Codeur LPC10 compltement dmod maintenant mais grand intrt
pdagogique.
Schma trs gnral dun codeur de parole : schma de la gure A.1. x(n) est le signal
de parole original, y(n) le signal en sortie du ltre danalyse, y(n) lentre du ltre de
synthse et x(n) le signal de parole reconstruit avec
A(z) = 1 +a
1
z
1
+ a
P
z
P
.
A(z)
Q
a
Rcepteur Canal Emetteur
Flux binaire
a
x(n) y(n)
a
y(n) x(n)
A(z)
1
LPC
Q
1
Fig. A.1 Schma trs gnral dun codeur de parole.
Traitement en deux tapes : calculer les coecients du ltre A(z) partir du signal ori-
ginal puis dterminer lentre du ltre de synthse de telle sorte que la qualit du signal
reconstruit soit la meilleure possible tout en respectant la contrainte de dbit (2.4 kbit/s).
Actualisation des coecients du ltre et dtermination de lentre du ltre de synthse
toutes les vingtaine de ms en supposant le signal localement stationnaire dans chacune
de ces fentres. x(n) est de la forme x(n) = x(mN +l) mais on notera par la suite
x = [x(0) x(N 1)]
t
les N = 160 chantillons (pour du signal de parole chantillonn f
e
= 8 kHz) dans chacune
de ces fentres.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 63/78
ANNEXE A. CODEUR DE PAROLE LPC10
A.2 Dtermination des coecients du ltre
On appelle v(n) =
P
i=1
a
i
x(n i) la valeur prdite linstant n et
y(n) = x(n) v(n) = x(n) +
P
i=1
a
i
x(n i)
lerreur de prdiction.
A.2.1 Minimisation au sens des moindres carrs
Problme : connaissant x = [x(0) x(N 1)]
t
dterminer a = [a
1
a
P
]
t
minimisant la
puissance (empirique) de lerreur de prdiction
a
opt
= arg min
a

2
Y
avec

2
Y
=
1
N
N1
n=0
y
2
(n) =
1
N
y
t
y.
Comme (en choisissant P = 2 pour simplier lcriture)
_
_
y(0)
y(1)
.
.
.
y(N 1)
_
_
=
_
_
x(0)
x(1)
.
.
.
x(N 1)
_
_
+
_
_
x(1) x(2)
x(0) x(1)
.
.
.
.
.
.
x(N 2) x(N 3)
_
_
_
a
1
a
2
_
soit
y = x + a
on peut crire

2
Y
=
1
N
(x
t
+ (a)
t
)(x + a) =
1
N
(x
t
x + 2(
t
x)
t
a +a
t
t
a).
Le vecteur a
opt
est celui qui vrie
a

2
Y
= 0
t
x +
t
a = 0
a
opt
= [
t
]
1
t
x
si
t
est inversible (problme dlicat).
A.2.2 Approche propre
On suppose que le signal x(n) peut tre interprt (modlis) comme la ralisation dun p.a.
stationnaire de fonction dautocovariance R
X
(k) = EX(n)X(n k). On recherche le vecteur
a minimisant la puissance de lerreur de prdiction
2
Y
= EY
2
(n) = E[X(n) +
P
i=1
a
i
X(n i)]
2
Nicolas Moreau
en n de document
1
er
octobre 2007
page 64/78
A.2. DTERMINATION DES COEFFICIENTS DU FILTRE
2
Y
=
2
X
+ 2[a
1
a
P
]
_
_
R
X
(1)
.
.
.
R
X
(P)
_
_
+ [a
1
a
P
]
_
_
R
x
(0) R
X
(P 1)
.
.
.
.
.
.
.
.
.
R
X
(P 1) R
X
(0)
_
_
_
_
a
1
.
.
.
a
P
_
2
Y
=
2
X
+ 2r
t
a +a
t
Ra
La minimisation de
2
Y
relativement a entrane
r +Ra
opt
= 0
a
opt
= R
1
r.
On a aussi
(
2
Y
)
min
=
2
X
+ 2a
t
r a
t
r =
2
X
+a
t
r.
A.2.3 Remarques
Les deux solutions sont trs comparables ce qui nest pas tonnant puisque
1
N
t
x est une
estime du vecteur r et
1
N
t
est une estime de R. La dirence (essentielle mais subtile)
est que la matrice de covariance exacte tant dnie positive (sauf dans le cas limite o le
processus est harmonique), cette matrice est toujours inversible alors que la matrice
t
=
_
x
2
(1) + x
2
(N 2) x(0)x(1) + +x(N 3)x(N 2)
x(0)x(1) + +x(N 3)x(N 2) x
2
(0) + x
2
(N 3)
_
reste symtrique mais elle nest plus forcment dnie positive. On peut montrer aussi que
cette proprit de positivit entrane que tous les zros du polynme A(z) sont lintrieur
du cercle unit ce qui assure la stabilit du ltre de synthse (proprit trs importante
dans la pratique).
Dans la pratique o on ne dispose que de N donnes observes, on dsire maintenir cette
proprit de positivit. On peut observer que remplacer une moyenne statistique R
X
(k) =
EX(n)X(n k) par une moyenne temporelle
R
X
(k) =
1
N
N1
n=k
x(n)x(n k)
en sappuyant sur lhypothse dergodicit maintient linversion toujours ralisable et la
proprit de stabilit du ltre de synthse.
On peut montrer que lerreur de prdiction Y (n) est blanche (plus exactement que le signal
X(n) a t blanchi). En eet, on remarque que
E[Y (n)[
2
a
i
= 0 EY (n)X(n i) = 0 i = 1 P.
Supposons P grand. Comme Y (n) est non corrl avec tous les X(ni) prcdents et que
Y (ni) est une combinaison linaire de ces X(ni), on en dduit que Y (n) est non corrl
avec Y (n i). Lerreur de prdiction Y (n) est donc un bruit blanc mais cette proprit
nest vrie a priori que si P (comportement asymptotique). On appelle le ltre
donnant Y (n) partir de X(n) le ltre blanchissant.
Si Y (n) a t totalement blanchi, on peut crire
S
Y
(f) = [A(f)[
2
S
X
(f) =
2
Y
.
On a donc
S
X
(f) =

2
Y
[A(f)[
2
.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 65/78
On rappelle que lestimateur spectral le plus standard est le priodogramme : on applique
la TFD aux N donnes observes [x(0) x(N 1)] puis on lve au carr les modules.
La formule prcdente suggre un deuxime estimateur spectral : partir des N donnes
observes, on estime les P premiers coecients de la fonction dautocovariance, on rsout
les quations normales puis on exploite la formule prcdente.
On observera sur les tracs de droite de la gure A.2 le priodogramme dun signal de parole
en bleu (un spectre de raies avec une frquence fondamentale de 250 Hz correspondant un
locuteur fminin) et le spectre LPC en noir qui ne donne que lenveloppe spectrale. Ces
deux estimateurs ne sont pas quivalents. Le choix entre les deux dpend essentiellement
de lapplication.
A.3 Dtermination de lentre du ltre de synthse
A.3.1 Cas des sons non voiss
Supposons que lon choisisse comme entre du ltre de synthse une ralisation quelconque
dun bruit blanc
1
de puissance
2
Y
=
2
Y
. On voit alors que lon a la proprit suivante au niveau
des densits spectrales de puissance
S
X
(f) =

2
Y
[A(f)[
2
= S
X
(f).
On reconstruit un signal qui a la mme distribution de la puissance en fonction de la frquence
mais les formes donde sont direntes. Comme loreille est relativement insensible des modi-
cations de la phase, on reconstruit par ce mcanisme un signal qui est peru approximativement
identique au signal original. On appelle ce type de codeur un vocodeur.
A.3.2 Cas des sons voiss
Les tracs de la gure A.2 sont relatifs un son vois o lon montre aussi bien dans le
domaine temporel ( gauche) que dans le domaine frquentiel ( droite) le signal original x(n)
et lerreur de prdiction y(n). Le ltre A(z) nest manifestement pas totalement blanchissant.
Il reste dans le signal y(n) une priodicit assez marque, visible aussi bien dans le domaine
temporel que dans le domaine frquentiel. Pendant une dure de 32 ms, on a approximativement
7.5 priodes. La frquence fondamentale est donc de lordre de f
0
7.5/0.032 250 Hz. On
observe bien dans le domaine frquentiel un spectre de raies avec une frquence fondamentale de
250 Hz (correspondant un locuteur fminin) et les dirents harmoniques.
Le problme qui se pose maintenant est de trouver un modle y(n) pour y(n) qui permette
par ltrage dobtenir S
X
(f) S
X
(f) et qui soit trs conome en dbit. Un peigne de la forme
y(n) =
+
m=
(n mT
0
+)
est un bon candidat. Dans cette expression, (n) est le symbole de Kronecker qui vaut 1 si n
= 0, 0 sinon, T
0
= f
e
/f
0
est la priode fondamentale exprime en nombre dchantillons et
une valeur appartenant 0, , T
0
1 traduisant notre incertitude sur la phase. Le signal
y(n) peut tre alors interprt comme la ralisation dun processus alatoire

Y (n) dont il est
intressant de dterminer les proprits.
1
en exploitant la fonction matlab randn par exemple
Nicolas Moreau
en n de document
1
er
octobre 2007
page 66/78
A.3. DTERMINATION DE LENTRE DU FILTRE DE SYNTHSE
50 100 150 200 250 300
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0 0.5 1 1.5 2 2.5 3 3.5 4
60
50
40
30
20
10
0
10
Frquences en kHz
P
u
is
s
a
n
c
e
s

e
n

d
B
Fig. A.2 Cas de sons voiss.
On remarque que la moyenne a pour expression
E
Y (n) =
T
0
1
=0
1
T
0
+
m=
(n mT
0
+) =

T
0
et que la fonction dautocorrlation
2
qui est donne par
R
Y
(k, n) = E
Y (n)
Y (n k) =
2
E
+
m=
(n mT
0
+)
+
l=
(n k lT
0
+)
vaut
R
Y
(k, n) =
2
E
+
m=
(n mT
0
+) =

2
T
0
si k est un multiple de T
0
, 0 sinon. La moyenne et la fonction dautocorrlation tant indpen-
dantes de linstant dobservation n, le processus

Y (n) est stationnaire de moyenne 1/T
0
et de
fonction dautocorrlation
R
Y
(k) =

2
T
0
+
m=
(k mT
0
).
La densit spectrale de puissance S
Y
(f) est la transforme de Fourier temps discret de R
Y
(k).
On a donc
S
Y
(f) =

2
T
0
+
k=
+
m=
(k mT
0
) exp(j2fk) =

2
T
0
+
m=
exp(j2fmT
0
)
ou de faon quivalente
S
Y
(f) =
2
+
m=
(f
m
T
0
)
en se rappelant quun train dimpulsions de dirac admet une sorte de dveloppement en srie de
Fourier et que lon a donc la formule gnrale
+
n=
(t nT) =
1
T
+
n=
e
j2
n
T
t
.
2
Son expression est plus simple que celle de la fonction dautocovariance.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 67/78
Comme le trac de droite de la gure A.2 a t obtenu partir dun nombre ni de donnes
observes, on voit sur ce trac le lobe principal de la transforme de Fourier temps discret
de la fentre de pondration. Dans cette simulation, on a pris une fentre de Hamming de dure
2N. Le lobe principal a pour largeur 4f
e
/2N ce qui correspond 100 Hz, valeur cohrente avec
celle observe sur le trac.
Le ltrage de y(n) par le ltre dont le module au carr de la rponse en frquence est
reprsent en noir sur la gure A.2 donnera bien un signal dont la densit spectrale de puissance
se superposera avec le trac en bleu de cette gure.
A.3.3 Dtermination sons voiss/sons non voiss
Le codeur LPC10 doit dterminer sil sagit dun son vois ou non vois dans la fentre
danalyse courante. Cette dtermination se fait en ralisant au pralable une estimation de la
fonction dautocorrlation normalise de lerreur de prdiction y(n) pour de nombreuses valeurs
de k. Si cette fonction dcrot vers 0 rapidement (comparaison un seuil), on en dduit que le
son est non vois. Dans le cas dun signal vois, cette fonction est presque priodique de priode
T
0
ce qui fournit un estimateur de la priode fondamentale. Dans la pratique, il faut prendre
quelques prcautions car un algorithme rudimentaire a tendance dterminer comme frquence
fondamentale, le 2me ou mme le 3me harmonique ... Dans la pratique, il faudra assurer des
transitions pas trop brutales lorsque lon passera dune fentre danalyse la suivante. Il faudra,
en particulier, faire en sorte que le choix de (information non code) entrane une transition
douce entre les peignes successifs.
A.4 Conclusion
Toutes les 20 ms, on transmet les paramtres suivants.
Les coecients du ltre A(z). Dans le codeur LPC10, P = 10. En prenant comme ordre
de grandeur 3 ou 4 bits pour coder un coecient, on obtient un dbit de lordre de 1.5
1.8 kbit/s.
La puissance
2
Y
dans le cas dun son non vois ou de faon quivalente le coecient
dans le cas dun son vois ce qui cote 50 6 300 bit/s (pour couvrir 50 dB par pas de
1 dB).
La distinction vois/non vois soit 50 bits/s.
Enn la priode fondamentale soit 50log
2
(T
max
0
T
min
0
) = 350 bits/s si on prend T
min
0
=
20 (f
max
0
= 400 Hz correspondant une voix denfant trs aigue) et T
max
0
= 147 (f
min
0
= 54
Hz correspondant une voix dhomme trs grave).
En sommant toutes ces contributions, on obtient un dbit global de lordre de 2.4 kbit/s.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 68/78
Annexe B
Transforme de Fourier court terme
B.1 Introduction
Les signaux que lon est amen traiter dans la pratique (du signal de parole, des signaux
biomdicaux, des signaux radar ...) ne sont ni priodiques, ni stationnaires. Les caractristiques
spectrales du signal analyser voluent avec le temps. On cherche une reprsentation temps-
frquence adapte.
B.2 Dnitions
On appelle transforme de Fourier temps discret court terme la fonction de deux variables
X(n, f) =
+
l=
h(n l)x(l)e
j2fl
o n est un entier relatif caractrisant le temps, f un rel reprsentant la frquence et h(n)
une fentre dite danalyse dont les valeurs seront supposes nulles lextrieur de lintervalle
[0 N 1]. Comme la transforme de Fourier est applique un signal de dure nie, il sut
dvaluer cette expression pour N frquences multiples de 1/N. On obtient la transforme de
Fourier discrte court terme
X
k
(n) = X(n, f =
k
N
) =
+
l=
h(n l)x(l)e
j2
k
N
l
. (B.1)
On ne considrera par la suite que ce cas.
B.3 Interprtation par bancs de ltres
Si dans lexpression prcdente (B.1) on xe la frquence, cest--dire lindice k, X
k
(n) sin-
terprte comme un signal. Il est de la forme
X
k
(n) =
+
l=
h(n l)y
k
(l) avec y
k
(l) = x(l)e
j2
k
N
l
.
Il sagit dune opration de modulation du signal x(n) par lexponentielle complexe la frquence
(k)/N suivie dune opration de convolution. La transforme de Fourier discrte court terme
sinterprte comme une translation vers la gauche du spectre du signal x(n) suivie par un ltrage
caractris par la rponse en frquence H(f), transforme de Fourier temps discret de h(n).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 69/78
ANNEXE B. TRANSFORME DE FOURIER COURT TERME
Lorsque lon utilise une fentre rectangulaire, il sagit dun ltrage passe-bas comme le montre le
trac de la gure 4.1. Il en est de mme pour tout autre type de fentre (Hamming, Kaiser ...).
Ce ltrage passe-bas est dautant plus slectif que la fentre danalyse est longue. La rsolution
frquentielle est donc directement fonction de la longueur de lobservation. Le choix de N est le
rsultat dun compromis car on dsire gnralement avoir aussi des fentres courtes pour pouvoir
analyser des phnomnes courts.
Si lon met en parallle N ltres de mme rponse en frquences H(f), on obtient un banc
de ltres appel banc de ltres danalyse. Il extrait du signal sa contribution frquentielle dans
toutes les sous-bandes centres aux frquences multiples de 1/N.
Il existe une deuxime interprtation en crivant X
k
(n) sous la forme
X
k
(n) = e
j2
k
N
n
+
l=
[h(n l)e
j2
k
N
(nl)
]x(l)
X
k
(n) = e
j2
k
N
n
+
l=
[h(l)e
j2
k
N
l
]x(n l).
La transforme de Fourier discrte court terme sinterprte maintenant comme un ltrage passe-
bande de x(n) par un ltre de rponse en frquence H(f k/N) suivi par une translation du
spectre du signal. Les deux interprtations sont quivalentes. Le banc de ltres est dit uniforme.
B.4 Fentre glissante et reconstruction
Connaissant X
k
(n) pour k = 0 N 1, linstant n, il est possible de calculer h(n l)x(l)
pour toutes valeurs de l [nN +1 n] pourvu que h(nl) soit dirent de zro. On obtient
x(l) =
1
h(n l)
[
1
N
N1
k=0
X
k
(n)e
j2
k
N
l
].
Cette expression montre quil nest pas ncessaire de calculer X
k
(n) tous les instants n. La
connaissance de X
k
(n) pour n multiple de N semble sure a priori pour reconstruire le signal.
On donne dans ce paragraphe un premier lment de rponse ce problme de reconstruction
[?].
On appelle
x(n, p) =
1
N
N1
k=0
X
k
(n)e
j2
k
N
p
lchantillon linstant p provenant dune transforme de Fourier discrte inverse de X
k
(n)
obtenu linstant n. Si lon pondre cet chantillon par la valeur f(p n) o f(n) est une
nouvelle fentre de pondration et que lon additionne les direntes contributions linstant p,
on obtient le signal
x(p) =
+
n=
f(p n) x(n, p)
x(p) =
+
n=
f(p n)
1
N
N1
k=0
X
k
(n)e
j2
k
N
p
. (B.2)
Le signal reconstruit x(p) linstant p est obtenu par recouvrement et addition (overlap-add).
Donnons la fentre danalyse la possibilit de glisser chaque tape de M chantillons avec
Nicolas Moreau
en n de document
1
er
octobre 2007
page 70/78
B.4. FENTRE GLISSANTE ET RECONSTRUCTION
1 M N, cest--dire que lon value une transforme de Fourier discrte court terme tous
les mM chantillons. Les relations (B.1) et (B.2) deviennent
X
k
(m) =
+
l=
h(mM l)x(l)e
j2
k
N
l
x(p) =
+
m=
f(p mM)
1
N
N1
k=0
X
k
(m)e
j2
k
N
p
.
Cherchons les conditions que doivent remplir les deux fentres de pondration h(n) et f(n) de
faon que lon puisse reconstruire exactement le signal. On a
x(p) =
+
m=
f(p mM)
1
N
N1
k=0
+
l=
h(mM l)x(l)e
j2
k
N
l
e
j2
k
N
p
x(p) =
+
l=
[
+
m=
f(p mM)h(mM l)
1
N
N1
k=0
e
j2
k
N
(lp)
]x(l).
La condition de reconstruction parfaite est donc
+
m=
f(p mM)h(mM l)
1
N
N1
k=0
e
j2
k
N
(lp)
= (p l).
Comme
1
N
N1
k=0
e
j2
k
N
(lp)
= 1 si l = p +qN
= 0 sinon
cette condition se traduit par
+
m=
f(p mM)h(mM p qN) = (q).
En pratique, comment remplir cette condition ? Supposons que les deux fentres sont de dure
nie et de mme dure N. On peut vrier que cette condition est remplie, par exemple,
si les deux fentres sont des fentres rectangulaires avec N = M,
si M = N/2 et si
f(n)h(n) = sin
2
(
n
N
) pour 0 n N 1
= 0 sinon.
La thorie dite des bancs de ltres reconstruction parfaite permet de gnraliser cette tude.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 71/78
ANNEXE B. TRANSFORME DE FOURIER COURT TERME
Nicolas Moreau
en n de document
1
er
octobre 2007
page 72/78
Annexe C
Egalisation
C.1 Introduction
Emetteur : d(n) 0, 1, a(n) 1, 1, h
e
(t) = ltre dmission.
x
e
(t) =
n
a(n)h
e
(t nT)
T = temps bit, 1/T = dbit.
Canal : Canal convolutif bruit
x
r
(t) = h
c
(t) x
e
(t) +b(t) =
n
a(n)h(t nT) +b(t)
avec h(t) = h
c
(t) h
e
(t).
Rcepteur : Structure optimale dans le cas dun bruit gaussien : x
r
(t) ltr par h
r
(t) puis
chantillonn la cadence T x(nT) puis une prise de dcision a(n) 1, 1 ou
d(n) 0, 1.
Conclusion : Canal numrique quivalent = boite noire recevant en entre a(n), caractris
par une rponse impulsionnelle globale ( temps discret) g(n), bruite par b(n), fournissant en
sortie
x(n) =
k
g(k)a(n k) +b(n).
Hypothses :
b(n) = bruit blanc centr gaussien de puissance
2
B
.
g(n) = ltre causal de dure nie L prenant en compte lensembles ltre dmission/ltre
caractrisant le canal/ltre de rception.
x(n) = g(0)a(n) +g(1)a(n 1) + +g(L 1)a(n L + 1) +b(n).
x(n) dpend non seulement de a(n) mais aussi des symboles prcdents. On parle dInter-
frence Entre Symboles (IES).
Problme (cf gure C.1) : Dtermination dun ltre supplmentaire de rponse impulsionnelle
w(n) attnuant lIES de faon simplier la prise de dcision.
1re ide : galiseur zero forcing = inverser le ltre g(n). Si le bruit est de trs faible
puissance, il sut de ltrer x(n) par le ltre w(n) tel que W(z) = 1/G(z) pour obtenir
y(n) a(n).
2me ide : galiseur de Wiener = minimiser E[A(n) Y (n)[
2
.
Pralable : estimer g(n) partir de x(n) connaissant a(n). En eet, dans la pratique, on
connat les ltres dmission et de rception mais pas le ltre caractrisant le canal (qui peut
varier fortement au cours du temps).
Nicolas Moreau
en n de document
1
er
octobre 2007
page 73/78
ANNEXE C. EGALISATION
- m
+
-
?
- - -
Seuil
a(n) a(n)
g(n)
s(n)
b(n)
w(n)
x(n) y(n)
Fig. C.1 Canal numrique quivalent.
C.2 Proprits des signaux
a(n) : ralisation dune suite de v.a. A(n) 1, 1, quiprobables et indpendantes. On
a donc EA(n) = (1) 1/2 + 1 (1/2) = 0 et EA(n)A(n +k) = (k).
x(n) : ralisation dun p.a. X(n).
EX(n) =
k
g(n k)EA(k) +EB(n) = 0
EX(n)X(n +k) = E[
l
g(n l)A(l) +B(n)][
p
g(n +k p)A(p) +B(n +k)]
=
p
g(n l)g(n +k p)EA(l)A(p) +EB(n)B(n +k)
=
l
g(l)g(l +k) +
2
B
(k).
C.3 Identication du canal
Exploitation dune squence dapprentissage (systme GSM : 23 symboles tous les 126 ?).
Deux mthodes :
C.3.1 Expression de lintercorrlation
R
AX
(k) = EA(n)X(n +k) = EA(n)
l
g(n +k l)A(l) +A(n)B(n +k)
R
AX
(k) =
l
g(n +k l)EA(n)A(l) = g(k).
Lhypothse dergodicit veut dire
g(k) = R
AX
(k) = lim
N
1
2N + 1
+N
n=N
a(n)x(n +k).
Dans la pratique, le nombre dchantillons observs est ni. On utilise lestimateur
g(k) =
1
N
N1
n=0
a(n)x(n +k) pour k = 0 L 1.
Pour garder un eet de moyenne, il faut que N L par exemple N 10L.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 74/78
C.4. EGALISEUR ZERO FORCING
C.3.2 Estimateur des moindres carrs
On connat a(0) a(N 1). On mesure au rcepteur x(0) x(N 1).
_
_
x(0)
. . .
y(L)
.
.
.
y(N 1)
_
_
=
_
_
a(0) .. ..
.
.
.
.
.
.
.
.
.
a(L) a(0)
.
.
.
.
.
.
a(N 1) a(N L + 1)
_
_
_
_
g(0)
.
.
.
g(L 1)
_
_
+
_
_
(0)
.
.
.
(L)
.
.
.
(N 1)
_
_
.
x = Ag +.
Systme sur dimensionn N L. Critre : minimiser
[[[[
2
= x
t
x 2x
t
Ag +g
t
A
t
Ag.
A
t
x +A
t
Ag
opt
= 0
g
opt
= [A
t
A]
1
A
t
x.
Interprtation gomtrique :
opt
est orthogonal au sous espace engendr par les vecteurs colonnes
de A.
C.3.3 Relation entre les deux rsultats
g
1
= [R
AX
(0) R
AX
(L 1)]
t
et g
2
= [A
t
A]
1
A
t
x. Exemple pour L = 2 :
1
N
A
t
A =
1
N
_
a(0) a(N 1)
a(1) a(N 2)
_
_
_
a(0) a(1)
.
.
.
.
.
.
a(N 1) a(N 2)
_
_
R
AA
(0) R
AA
(1)
R
AA
(1) R
AA
(0)
_
=
_
1 0
0 1
_
1
N
A
t
x
_
_
R
AX
(0)
R
AX
(1)
.
.
.
_
_
.
Conclusion : g
1
et g
2
tendent vers la mme limite lorsque N tend vers linni.
C.4 Egaliseur zero forcing
En absence de bruit, il sut de prendre w(n) tel que w(n) g(n) = (n) soit W(z) = 1/G(z).
La puissance du bruit en sortie est alors donne par
2
=
_
+1/2
1/2
2
B
[G(f)[
2
df.
C.4.1 1er problme
Si [G(f)[ 0 dans une certaine bande de frquences, la puissance du bruit en sortie peut
devenir trs importante. Exemple du canal vanouissement (trajets multiples)
h(t) = 1 +a
1
(t t
1
) +a
2
(t t
2
) +
H(f) = 1 +a
1
exp(j2ft
1
) +
[H(f)[
2
= 1 + 2a
1
cos(2ft
1
) +a
2
1
+
Si le premier cho est presque aussi puissant que le trajet direct, a 1 et [H(f)[
2
0 pour
ft
1
1/2.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 75/78
C.4.2 2me problme
Proprit de phase de G(z). Exemples :
Si G(z) = 1 (1/2)z
1
W(z) = 1 + (1/2)z
1
+ (1/2)
2
z
2
+ si [z[ > 1/2
y(n) = x(n) + (1/2)x(n 1) + + (1/2)
Q
x(n Q).
Mais si G(z) = 12z
1
le ple de W(z) est lextrieur du cercle unit. Il faut trouver un
dveloppement (en srie de Laurent) dont le domaine dexistence contienne le cercle unit.
Il sut dcrire W(z) sous la forme
W(z) =
1
2z
1
(1 (1/2)z)
=
z
2
[1 + (1/2)z + (1/2)
2
z
2
+ ] =
z
2

z
2
4
+
La rponse implusionnelle du ltre est anticausale :
y(n) =
1
2
x(n + 1)
1
4
x(n + 2)
1
2
Q
x(n +Q).
Pas de problme particulier except le fait quil faille attendre larrive de lchantillon
linstant n +Q pour prendre une dcision en fonction du signe de y(n).
C.5 Egaliseur de Wiener
Minimiser E[A(n)
l
w(l)X(nl)[
2
2E[A(n)
l
w(l)X(nl)]X(nk) = 0 k.
EA(n)X(n k) =
l
w(l)EX(n l)]X(n k)
Comme
EA(n)X(n k) = EA(n)S(n k) =
p
g(p)EA(n)]A(n k p) = g(k)
, on obtient
l
w(l)R
XX
(k l) = g(k) k
ce qui donne dans le domaine frquentiel :
W(f)S
XX
(f) = G(f) W(f) =
G(f)
[G(f)[
2
+
2
B
.
Concrtement on rsout
_
_
R
XX
(0) .. R
XX
(Q)
.
.
.
.
.
.
.
.
.
R
XX
(Q) R
XX
(0)
_
_
_
_
w(Q))
.
.
.
w(0)
.
.
.
w(Q)
_
_
=
_
_
.
.
.
0
g(L 1)
.
.
.
g(0)
0
.
.
.
_
_
.
o R
XX
(k) est estim partir des donnes x(n) et g(k) par la procdure prcdente didenti-
cation du canal.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 76/78
C.5. EGALISEUR DE WIENER
La puissance de lerreur est gale
E[A(n) Y (n)[
2
=
_
+1/2
1/2
[1 G(f)W(f)[
2
df +
_
+1/2
1/2
2
B
[W(f)[
2
df
ou en remplaant W(f) par sa valeur
2
=
_
+1/2
1/2
2
B
[G(f)[
2
+
2
B
df
_
+1/2
1/2
2
B
[G(f)[
2
df.
La puissance du bruit en sortie est plus faible que dans le cas zero forcing mais au dtriment de
lIES.
Nicolas Moreau
en n de document
1
er
octobre 2007
page 77/78
Contexte public } avec modications
Par le tlchargement ou la consultation de ce document, lutilisateur accepte la licence
dutilisation qui y est attache, telle que dtaille dans les dispositions suivantes, et sen-
gage la respecter intgralement.
La licence confre lutilisateur un droit dusage sur le document consult ou tlcharg, totalement
ou en partie, dans les conditions dnies ci-aprs et lexclusion expresse de toute utilisation commer-
ciale.
Le droit dusage dni par la licence autorise un usage destination de tout public qui comprend :
le droit de reproduire tout ou partie du document sur support informatique ou papier,
le droit de diuser tout ou partie du document au public sur support papier ou informatique, y compris
par la mise la disposition du public sur un rseau numrique,
le droit de modier la forme ou la prsentation du document,
le droit dintgrer tout ou partie du document dans un document composite et de le diuser dans ce
nouveau document, condition que :
Lauteur soit inform.
Aucune modication du document dans son contenu, sa forme ou sa prsentation nest autorise.
Les mentions relatives la source du document et/ou son auteur doivent tre conserves dans leur
intgralit.
Le droit dusage dni par la licence est personnel et non exclusif.
Tout autre usage que ceux prvus par la licence est soumis autorisation pralable et expresse de lauteur :
sitepedago@enst.fr
Nicolas Moreau
en n de document
1
er
octobre 2007
page 78/78

Notes Cours Bts

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Notes Cours Bts

Uploaded by

Copyright:

Available Formats

ISSN xxxx-yyyy ISSN xxxx-yyyy ISSN xxxx-yyyy

Bases de Traitement du Signal

X()Y (f ) d pas tout fait vidente. Etude dtaille

x()y(t ) d X(f) Y (f)

x() h(t ) d = h(t) x(t).

= 41 et si on utilise une fentre de Hamming. Cest susant si on dsire ltrer

doit vrier 44100N

et la densit de probabilit conjointe p

You might also like