Cours de traitement du signal 1993.
Transcription
Cours de traitement du signal 1993.
Ecole Polytechnique Universitaire de Paris Spécialité Electronique Informatique ELI, 3ème Année Cours de traitement du signal PREMIERE PARTIE ZARADER J.L 2008/2009 2 SOMMAIRE BIBLIOGRAPHIE ...................................................................... 3 I GENERALITES ....................................................................... 4 1°) - DEFINITIONS. ................................................................... 4 2°) - CLASSIFICATION DES SIGNAUX. .............................................. 5 3°) - QUELQUES SIGNAUX IMPORTANTS. ........................................... 7 II SERIES ET TRANSFORMEE DE FOURIER................................. 10 1°) - SERIES DE FOURIER......................................................... 10 2°) - DISTRIBUTIONS. .............................................................. 13 3°) - TRANSFORMEE DE FOURIER (TF). ........................................ 16 III CONVOLUTION ET CORRELATION ....................................... 21 1°) 2°) 3°) 4°) 5°) - CONVOLUTION. ................................................................ CORRELATION. ................................................................ CAS DES SIGNAUX A PUISSANCE MOYENNE FINIE. ....................... ANALYSE SPECTRALE......................................................... FILTRAGE. ..................................................................... 21 26 29 30 36 IV ECHANTILLONNAGE ........................................................... 39 1°) 2°) 3°) 4°) - ECHANTILLONNAGE IDEAL................................................... RECONSTRUCTION DU SIGNAL............................................... SOUS-ECHANTILLONNAGE. .................................................. ECHANTILLONNAGE PRATIQUE. ............................................. 39 42 43 45 V TRANSFORMEE DE FOURIER DISCRETE (T.F.D) ....................... 50 1°) 2°) 3°) 4°) - TRANSFORMEE DE FOURIER D'UN SIGNAL PERIODIQUE ET DISCRET. .. TRANSFORMEE DE FOURIER DISCRETE (TFD). ........................... CONVOLUTION DISCRETE. ................................................... CORRELATION. ................................................................ 50 51 56 59 3 Bibliographie L. Schwartz : " Théorie des distributions " ; Ed. Hermann E. Roubine : " Distributions Signal " ; Ed. Eyrolles J. Max : " Méthodes et techniques du traitement du signal " ; 2 Tomes ; Ed. Masson F. de Coulon : " Théorie et traitement des signaux " ; Ed. Dunod A. Spatarü : " Théorie de la transmission de l'information " ; Ed. Masson M. Bellanger : " Traitement numérique du signal " ; Ed. Masson M. Kunt : " Traitement numérique des signaux " ; Ed. Dunod 4 I Généralités 1°) - Définitions. Le signal est la représentation physique d'un phénomène qui évolue dans le temps ou dans l'espace. Le traitement du signal (T.S) est une discipline technique qui a pour objet l'élaboration, la détection et l'interprétation des signaux porteurs d'informations. Cette discipline s'appuie sur la théorie du signal qui donne une description mathématique des signaux. Cette théorie fait essentiellement appel à l'algèbre linéaire, l'analyse fonctionnelle, l'électricité et l'étude des processus aléatoires. Historiquement, le traitement des signaux apparaît au début d u XX ième s i è c l e , e n m ê m e t e m p s q u e l ' é l e c t r o n i q u e ( F L E M I N G , 1905, détection et amplification de signaux faibles). On peut c e p e n d a n t n o t e r d e s p r e m i e r s t r a v a u x a u XIXième a v e c l ' i n v e n t i o n d u télégraphe électrique (MORSE, COOKE, WHEATSTONE, 1830), du téléphone (BELL, 1876) et de la radio (MARCONI, POPOV, 1895). Hormis la contribution apportée par FOURIER (1822, Travaux sur la propagation de la chaleur), la théorie du signal apparaît en 1930 avec les premiers travaux de WIENER et KINTCHINE sur les processus aléatoires, et ceux de NYQUIST et HARTLEY sur la quantité d'informations transmise sur une voie télégraphique. Les contributions essentielles, au traitement du signal et à la théorie du signal n'interviennent qu'après la seconde guerre mondiale. Invention du transistor en 1948, travaux de SHANNON sur la communication, de WIENER sur le filtrage optimal et de SCHWARTZ sur les distributions. Les applications du traitement du signal sont nombreuses ( Télécommunication, Géophysique, Reconnaissance des formes, Biomédical, Acoustique, etc...). Exemples * Contrôle Radar: fondamental. Ici l'analyse fréquentielle joue un rôle 5 * Codage de la Parole: La reconnaissance de la parole nécessite le traitement d'une grande quantité de données. Le codage permet de réduire cette quantité, en éliminant les redondances et en conservant l'information utile. * Les Télécommunications : Si les 17 Millions d'abonnés au téléphone étaient reliés 2 à 2 il faudrait (17M)2/2 câbles. Heureusement les travaux sur la modulation, l'échantillonnage et la transmission permettent d'émettre, sur une même voie, des milliers de messages. 2°) - Classification des signaux. Il existe différents modes de classification : a) Morphologique : On distingue ici les signaux qui prennent des valeurs à chaque instant t (Signal continu ) et les signaux qui n ' o n t d e v a l e u r s q u ' à c e r t a i n s i n s t a n t s ti ( S i g n a l d i s c r e t ) . x(t) x(t) t0 t Continu t1 t 0 Discret b) Spectrale : On classe les signaux suivant la bande de fréquences qu'ils occupent. x(t) x(t) t Signal à variations lentes Signal "Basses Fréquences" t Signal à variations rapides Signal "Hautes Fréquences" c) Energétique : Les signaux peuvent être à énergie finie ou à puissance moyenne finie. 6 Les signaux à énergie finie vérifient la condition : Wx = ∫ +∞ −∞ x( t ) dt < + ∞ 2 On dit aussi qu'ils sont de carré sommable. Les signaux à support borné, c'est à dire de durée limitée, sont à énergie finie. Les signaux à puissance moyenne finie sont tels que : 0 < Px = ⎡1 lim ⎢ T→∞ T ⎣ T 2 T − 2 ∫ x(t) 2 ⎤ dt ⎥ ⎦ < +∞ Les signaux périodiques sont à puissance moyenne finie. Remarques : - U n s i g n a l à é n e r g i e f i n i e a u n e p u i s s a n c e m o y e n n e n u l l e ( Px = 0 ) . -Un signal à puissance moyenne finie (non nulle) possède une é n e r g i e Wx i n f i n i e . On définit, par ailleurs : - La puissance instantanée ( d'interaction ). Px ( t ) = x ( t ) x* ( t ) Pxy ( t ) = x( t ) y* ( t ) - La puissance moyenne (d'interaction) sur une durée T. 1 T 1 Pxy ( t 0 , T) = T Px ( t 0 , T) = ∫ t0 + T t0 ∫ t0 + T t0 x( t ) x * ( t ) dt x( t ) y * ( t ) dt - L'énergie moyenne (d'interaction) sur une durée T. Wx ( t 0 , T) = T Px ( t 0 , T) Wxy ( t 0 , T) = T Pxy ( t 0 , T) d) Typologique : On distingue ici les signaux suivant que leur évolution est déterministe ou aléatoire. Signal déterministe : Un signal déterministe peut être prédit par un modèle mathématique connu. On distingue deux sous classes : - Les signaux périodiques x(t) = x(t + T). - Les signaux non - périodiques. 7 Signal Aléatoire : Le signal aléatoire a un imprévisible. On le décrit grâce à des outils densité de probabilités, moyenne, variance,...). 3°) - Quelques signaux importants. - P o r t e : Π T (t) 2 Π T (t) = 2 T⎤ ⎧ ⎡ T ⎪1 si t ∈ ⎢, ⎨ 2 ⎥⎦ ⎣ 2 ⎪⎩ 0 Ailleurs Π T (t) 2 1 t -T T 2 2 - Echelon d'Heavyside : u(t) u( t ) ⎧1 si t ≥ 0 ⎨ ⎩0 si t < 0 = u(t) 1 t - Signe : sgn(t) sgn( t ) = ⎧ 1 si t > 0 ⎪ ⎨ 0 si t = 0 ⎪- 1 si t < 0 ⎩ comportement statistiques ( 8 sgn(t) 1 t -1 - T r i a n g u l a i r e : ΛT (t) Λ T (t) = t ⎧ ⎪1 si t ⎨ T ⎪⎩ 0 Ailleurs < T ΛT (t) -T t T - Gaussienne : g(t) g( t ) = 1 σ y 2π − t2 e 2σ y2 g(t) M= 1 σy 2π 61 % M σy - Sinus Cardinal : sinc(t) sinc( t ) = sin( t ) t t 9 sinc(t) 1 t - Règle de l'Hopital : Soient f(t) et g(t) deux fonctions continues et dérivables en t0 et telles que : lim{f ( t )} = lim{ g( t )} = 0 (resp ± ∞) t → t0 t → t0 Alors: ⎧ f (t) ⎫ lim⎨ ⎬ t → t 0 g( t ) ⎩ ⎭ Exemple : ⎧ sin( t ) ⎫ lim⎨ ⎬ t → 0⎩ t ⎭ = lim{cos( t )} t→0 = 1 = ⎧ f ' (t) ⎫ lim⎨ ⎬ t → t 0 g' ( t ) ⎩ ⎭ 10 II Séries et transformée de FOURIER On présentera dans ce chapitre les principaux mathématiques nécessaires au traitement des signaux. outils 1°) - Séries de FOURIER. C o n s i d é r o n s l e s f o n c t i o n s gn (t) d é f i n i e s p a r : g n (t) = e + 2 πj nt T = e + 2 πjnν0 t avec, ν 0 = 1 et n ∈ Ζ T On peut facilement montrer que ces fonctions sont orthogonales, c'est à dire : g n ( t ), g *m ( t ) 1 T = ∫ ( T) g n ( t ) g *m (t) dt = ⎧0 si n ≠ m ⎨ ⎩1 si n = m Dem : T 2 T 2 ( n − m) t T g n ( t ), g ( t ) = 1 T g n ( t ), g *m ( t ) = 1 (e πj( n − m) − e − πj( n − m) ) 2 πj(n - m) * m ∫ e 2πj dt ⎧0 si n ≠ m sinπ(n - m) = ⎨ π(n - m) ⎩1 si n = m = Soit f(t) un signal périodique de période T (T>0). Si f(t) possède un nombre fini de sauts sur une période, alors il existe u n e s u i t e Cn t e l l e q u e : +∞ f (t) = ∑C n= - ∞ +∞ n g n (t) ∑C = n= - ∞ ne + 2 πj nt T Cette série converge vers f(t), si f(t) est continue en t. Elle 1 f (t+ ) + f (t− ) , s i f ( t ) p o s s è d e u n s a u t e n t . L e s C n converge vers 2 sont couramment appelées raies, composantes ou harmoniques du signal et se calculent par projection: Cn = f ( t ), g *n ( t ) = 1 T ∫ ( T) f (t) e − 2 πj nt T dt 11 1 f ( t ) dt T ∫(T) - C1 : 1ére H a r m o n i q u e o u f o n d a m e n t a l e d u s i g n a l f ( t ) . - C n : c o n t r i b u t i o n d e l a n ième h a r m o n i q u e . - C0 : c o m p o s a n t e c o n t i n u e = Propriétés : (f (t) = f * ( t )) - S i f ( t ) r é e l l e a l o r s C n = C*− n ( f (t) = f * ( t ) = f (-t)) - S i f ( t ) r é e l l e e t p a i r e a l o r s Cn r é e l - S i f ( t ) r é e l l e e t i m p a i r e a l o r s C n i m a g i n a i r e ( f (t) = - f (-t) = f * ( t ) ) Note : L'expression entre parenthèses est une indication pour la démonstration. Exemples : 1 ) S o i t C n u n e s u i t e d é f i n i e p a r : C1 = C −1 = A et C n = 0 , si n ≠ (1,-1) . 2 Déterminer f(t)? +∞ f (t) = ∑C n = -∞ n e + 2 πj nt T t t A 2 πj − 2 πj T T (e + e ) 2 = = A cos( 2 πt ) T 2) On considère le signal carré périodique f(t) défini par : f(t) 1 -T 2 t −τ τ T 2 2 2 Calculer son spectre. τ Cn Cn = = 1 T 1 T T 2 −T 2 ∫ f (t) e − 2 πj nt T dt = ⎛ nτ ⎞ sin ⎜ 2π ⎟ ⎝ 2T ⎠ = τ sinc (π nτ ) πn T T T 1 T +τ 2 −τ 2 ∫ e − 2 πj nt T dt = 1 T ⎡ − 2 πj ntT ⎤ 2 ⎢e ⎥−τ ⎣ ⎦ 2 n − 2 πj T 12 - L e s i n c c o n s t i t u e l ' e n v e l o p p e d e s Cn Cn 1 1 -1 τ τ -1 1 T T n T Relation de PARSEVAL : La relation de PARSEVAL montre qu'il y a "conservation" de la puissance Pf lorsque l'on passe d'une représentation temporelle à une représentation fréquentielle. En effet, on a : 1 Pf =< f(t), f (t) > T * ∫ ( T) +∞ 2 f (t) dt = ∑C n = −∞ 2 n Dem : Pf 1 T = ∫ (T) +∞ * f(t) f ( t ) dt ∑ ∑C n = -∞ m = -∞ ∑ n = −∞ n C *m < g n ( t ), g *m ( t ) > 2 m d ' o ù : Pf = = +∞ Cn Exemple : 2πt ) l a p u i s s a n c e e s t Pf = D a n s l e c a s d u s i g n a l A cos( T +∞ ∑ n = −∞ 2 Cn = A2 2 On trouve souvent la décomposition en séries de FOURIER sur une base de fonctions sinus et cosinus : f (t) = a0 2 +∞ + ⎡ ∑ ⎢⎣a n =1 n cos(2 π n n ⎤ t) + b n sin(2 π t) ⎥ T T ⎦ Dem : n n ⎡ + 2 πj t − 2 πj t ⎤ T T C e + C e ∑ ⎢ n ⎥ -n n = -∞ n = 1 ⎣ ⎦ +∞ t ⎤ t ⎡ C 0 + ∑ ⎢(C n +C − n ) cos(2 πn ) + j (C n - C − n ) sin(2 πn ) ⎥ T ⎦ T n =1 ⎣ +∞ f (t) = f (t) = d'où : ∑ Cne + 2 πj n t T +∞ = C0 + 13 an bn 2 2πnt f ( t ) cos( ) dt ∫ ( ) T T T 2 2πnt = j (C n - C − n ) = f ( t ) sin( ) dt ∫ T ( T) T 1 Cn = (a - j b n ) 2 n = Cn + C− n = L e s p e c t r e d u s i g n a l , r e p r é s e n t é p a r l e s Cn , p e u t ê t r e d é c o m p o s é en : - Un spectre d'amplitude = - Un spectre de puissance = - Un spectre de phase = Cn Cn Arg(C n ) 1 2 = a 2n + b 2n 2 = Arctg( − bn ) an Remarques - L a d é c o m p o s i t i o n e n Cn i n t r o d u i t l a n o t i o n d e " f r é q u e n c e s négatives ". Ces fréquences n'ont aucun sens physique, elles permettent uniquement de simplifier le calcul. - Dans le cas où le signal f(t) est réel, le spectre d'amplitude est s y m é t r i q u e c a r C n = C *− n d ' o ù C n = C − n . 2°) - Distributions. Nous nous intéresserons, dans ce paragraphe, à la distribution de DIRAC. Pour de plus amples renseignements sur la théorie des distributions, on pourra consulter les ouvrages L. SCHWARTZ et E. ROUBINE. Les distributions généralisent numériques, en simplifiant certaines l'analyse classique. la notion de fonctions opérations effectuées par L a d i s t r i b u t i o n d e D I R A C , n o t é e δ( t ) , t i e n t u n e p l a c e particulièrement importante en traitement du signal. En effet, elle intervient dans un grand nombre d'applications telles que l'échantillonnage, la modulation ou le filtrage. La distribution de DIRAC est aussi appelée Pic ou Impulsion de DIRAC. Certains auteurs parlent abusivement de "fonction" de DIRAC et la définissent par : 14 ⎧ δ ( t ) = 0 si t ≠ 0 ⎪⎪ ⎨δ ( t ) = + ∞ si t = 0 ⎪ +∞ ⎪⎩ ∫- ∞ δ ( t ) dt = 1 Cette définition n'a aucun sens car une fonction presque partout nulle serait d'aire nulle. Une approche "plus rigoureuse" consiste à considérer la d i s t r i b u t i o n d e D I R A C c o m m e l a l i m i t e d e f o n c t i o n s fn ( t ) d ' a i r e unitaire et de support borné : ⎧ + ∞ f ( t ) dt = 1 ⎪∫- ∞ n ⎨ ⎪ δ( t ) = lim f n ( t ) n → +∞ ⎩ [ ] On peut prendre par exemple une suite de fonctions rectangles : f (t) n n 2 1 n -1 n t Il est évident qu'au passage à la limite on obtient un "rectangle infiniment étroit et infiniment haut", mais dont l'aire reste unitaire. S i l ' o n c e n t r e l e s f o n c t i o n s fn ( t ) a u t o u r d ' u n ( f n ( t - t 0 )) , l a l i m i t e d o n n e u n p i c d e D I R A C d é c a l é . δ (t- to ) δ (t) 0 t Propriétés - Produit par une fonction f(t) : δ ( t ) f ( t ) = f ( 0) δ ( t ) δ( t − t 0 ) f ( t) = f ( t 0 ) δ( t − t 0 ) to t point t0 15 Cela signifie que l'aire associée u n i t a i r e , m a i s v a u t f ( 0 ) o u f ( t0) . au pic de DIRAC n'est plus - Intégration : D'après les résultats précédents on a : ∫ +∞ −∞ δ ( t - t 0 ) f ( t ) dt ∫ = +∞ −∞ δ ( t - t 0 ) f ( t 0 ) dt = f (t 0 ) et bien sûr ∫ +∞ −∞ δ ( t ) dt = ∫ +∞ −∞ δ ( t - t 0 ) dt = 1 Pour en terminer avec les distributions, on citera le peigne |_ I _ |T ( t ) . Cette distribution est constituée d'une de Dirac, noté suite d'impulsions de Dirac, régulièrement espacées d'une durée T. T -3T -2T -T +∞ |_ I _ |T ( t ) = ∑ δ(t 0 T (t) 2T 3T t −nT) n = −∞ Le produit de cette distribution par une fonction f(t) donne une suite d'impulsions de Dirac d'aire égale à f(nT) : +∞ f ( t ) |_ I_ |T ( t ) = f ( t ) ∑ δ( t n = −∞ +∞ - nT) = ∑ f ( nT) δ(t - nT) n = −∞ O n p o s e : fe ( t ) = f ( t ) | _ I_ |T ( t ) O n d i t q u e fe ( t ) e s t u n e f o n c t i o n é c h a n t i l l o n n é e . 16 (t) t -2T -T 0 T T 2T -2T -T 0 T 2T t 3°) - Transformée de FOURIER (TF). La transformation de FOURIER est une extension de la décomposition en série de FOURIER, mais pour des signaux quelconques. Intuitivement on peut considérer un signal non p é r i o d i q u e c o m m e u n s i g n a l d o n t l a p é r i o d e T → +∞ . Ainsi la somme discrète et le facteur 1/T intervenant dans la décomposition en série de FOURIER deviennent respectivement une intégrale, et une petite variation de fréquence df. On définit la Transformée de Fourier (TF), notée X(f), du signal x(t) par: ∫−∞ x( t ) e−2πjft dt +∞ = ∫ X( f ) e +2 πjft df −∞ TF { x( t )} = X( f ) = TF -1 { X( f )} = x(t) +∞ X(f) est la superposition d'une infinité de s'étendent, dans le domaine fréquentiel, de −∞ à +∞. Exemple : C o n s i d é r o n s l a f o n c t i o n p o r t e x ( t ) = ∏ τ (t) 2 x( t ) = τ⎤ ⎧ ⎡- τ ⎪1 si t ∈ ⎢ , ⎨ 2 ⎥⎦ ⎣ 2 ⎪⎩ 0 Ailleurs On a : X( f ) = ∫ +∞ −∞ [e X( f ) = x( t ) e − 2 πjft ] − 2 πjft τ 2 −τ 2 − 2 πjf ∫ τ 2 dt = = sin( πfτ) πf − τ 2 e − 2 πjft dt = τ sinc( πfτ) raies qui 17 X(f) τ x(t) −τ τ 2 t f -1 τ 2 1 τ Notation : Dans la suite du cours, les signaux seront représentés par des minuscules x, s, f, etc..., les TF correspondantes par des majuscules X, S, F, etc ... Le temps par la variable t ou τ et la fréquence par f ou ν Définitions : - S p e c t r e d ' a m p l i t u d e = X( f ) 2 - S p e c t r e ( o u d e n s i t é s p e c t r a l e ) d e p u i s s a n c e = X( f ) ⎛ Im - Spectre de phase = Arctg ⎜ ⎝ Re {X( f )} ⎞⎟ {X( f )} ⎠ = ϕ( f ) Remarques : - Il est souvent plus aisé d'interpréter certains phénomènes physiques dans le domaine fréquentiel. C'est l'intérêt essentiel de la TF (Ex: poursuite Radar). montre l'existence d'une - L a s y m é t r i e e n t r e l a TF e t l a TF-1 dualité entre temps et fréquences. Toutes les informations contenues dans le signal sont contenues dans le spectre. - La dimension des variables t et f est la seconde et le Hertz. C e p e n d a n t o n p e u t a u s s i e x p r i m e r c e l a e n m è t r e e t m è t r e -1 , o n parle alors de fréquences spatiales. Conditions d'existence de la TF Une fonction f(t) admet pour transformée de FOURIER la fonction F(f) si : a) f(t) bornée b) ∫-∞ +∞ f ( t ) dt existe c) les discontinuités de f(t) sont en nombre limité. Une grande partie des signaux étudiés répondent à ces conditions. Ceci est dû, en partie, au fait qu'ils sont observés sur une durée finie. 18 Attention ces conditions ne sont pas nécessaires lorsqu'il s'agit de distributions. Les fonctions périodiques ou les d i s t r i b u t i o n s δ( t ) e t |_ I_ |T ( t ) o n t d e s T F . Propriétés : - L i n é a r i t é : TF e t TF −1 s o n t d e s o p é r a t e u r s l i n é a i r e s . TF ∀ λ ∈ C , λ x(t) + y(t) ⇔−1 λ . X(f ) + Y(f ) TF - Similitude : Une dilatation dans le domaine temporel correspond à une contraction dans le domaine fréquentiel ∀ a ∈ R , f(at) ⇔ 1 ⎛f⎞ F⎜ ⎟ a ⎝ a⎠ Dem : En posant at = t' ∫ +∞ −∞ f (at ) e − 2 πjft dt = 1 Signe(a ) a ∫ +∞ -∞ f (t' ) e ⎛f⎞ − 2 πj⎜ ⎟ t ' ⎝ a⎠ dt ' = 1 ⎛f⎞ F⎜ ⎟ a ⎝ a⎠ - Translations : TF x( t - t 0 ) ⇔ exp( −2 πjft 0 ) X( f ) TF − 1 X( f - f 0 ) ⇔ exp( +2 πjf 0 t ) x( t ) Dem : En posant ∫ +∞ −∞ t - t 0 = t' x( t - t 0 ) e − 2 πjft dt = e − 2 πjft 0 ∫ +∞ −∞ x( t ' ) e − 2 πjft ' dt ' = e − 2 πjft 0 X( f ) Démonstration identique pour la translation de fréquence. - Dérivation en temps : dx( t ) ⇔ 2 πjf X( f ) dt d n x( t ) ⇔ (2 πjf) n X( f ) dt n Dem: 19 dn n d x( t ) dt n d n x( t ) dt n = [∫ +∞ -∞ X( f ) e 2 πjft df ] d tn ∫ = +∞ -∞ d n (e 2 πjft ) X( f ) df d tn = TF − 1 { (2 πjf ) n X( f )} - Dérivation en fréquence : dX( f ) TF −1 ⇔ - 2 πjt x( t ) TF df n d X( f ) ⇔ (-2 πjt ) n x( t ) df n - Parité : Si x(t) est un signal réel et pair alors son spectre X(f) est réel et pair. Dem : t' = - t +∞ X (f ) = ∫ x ( t )e − 2 πjft −∞ +∞ dt = ∫ x (− t )e − 2 πjft −∞ ↓ dt = ∫ +∞ −∞ x ( t ' )e −2 πj( − f ) t dt ' X(f ) = X( −f ) → X(f ) pair * +∞ X(f ) = ⎡ ∫ x ( t )e −2 πjft dt ⎤ = X(f )* → X(f ) réel ⎢⎣ -∞ ⎥⎦ Si x(t) impair. est réel et impair, son spectre X(f) est imaginaire - Si x(t) est de carré sommable alors X(f) est de carré sommable Les transformées à connaître x( t ) = δ ( t ) ⇔ X( f ) = 1 x( t ) = 1 ⇔ X( f ) = δ ( f ) x( t ) = e + 2 πjf0 t ⇔ X( f ) = δ ( f - f 0 ) x( t ) = δ ( t - t 0 ) ⇔ X( f ) = e − 2 πjft 0 [ 1 jϕ 0 e δ ( f - f 0 ) + e − jϕ 0 δ( f + f 0 ) 2 1 jϕ 0 x( t ) = sin(2 πf 0 t + ϕ 0 ) ⇔ X( f ) = e δ ( f - f 0 ) - e − jϕ 0 δ ( f + f 0 ) 2j n 1 1 +∞ | _ I_ | 1 ( f ) = δ (f ) x ( t ) = | _ I_ |T ( t ) ⇔ X ( f ) = ∑ T T T n = −∞ T x( t ) = cos(2 πf 0 t + ϕ 0 ) ⇔ X( f ) = [ Ces fonctions seront utilisées fréquemment, par la suite. Relation de PARSEVAL ] ] et 20 Cette relation est comparable à celle qui existe pour des signaux périodiques. Soit x(t) un signal de carré sommable (ou à énergie finie ) et qui admet X(f) pour TF, on a : ∫ Wx = +∞ −∞ 2 x( t ) dt = ∫ +∞ 2 X( f ) −∞ df Dem : ∫ +∞ −∞ 2 x( t ) +∞ +∞ ∫ ∫ -∞ -∞ dt = X( f ) X * ( f ' ) ∫ [∫ +∞ +∞ −∞ −∞ [∫ +∞ −∞ X( f ) e 2 πjft df ] ][∫ +∞ −∞ X( f ' ) e 2 πjf ' t ] * df ' dt = e − 2 πjt ( f ' − f ) dt df df ' L'expression entre crochets est égale à la TF de la fonction unité , c a l c u l é e à l a f r é q u e n c e f ' - f , s o i t δ( f '− f ) : ∫ +∞ −∞ 2 x( t ) dt = ∫ +∞ −∞ [∫ X( f ) +∞ −∞ ] X * ( f ' )δ ( f '− f )df ' df avec : ∫ +∞ −∞ X * ( f ' )δ ( f − f ' )df ' = X * ( f ) d ' où : ∫ +∞ −∞ 2 x( t ) dt = ∫ +∞ −∞ 2 X( f ) df 2 X( f ) est appelée densité spectrale d'énergie ou parfois, abusivement, densité spectrale de puissance. On peut montrer de la même façon que, pour deux signaux x(t) et y(t), l'énergie d ' i n t e r a c t i o n Wxy v é r i f i e l a r e l a t i o n : Wxy = ∫ +∞ −∞ x( t ) y * (t) dt = ∫ +∞ −∞ X(f)Y * ( f ) df 21 III Convolution et Corrélation 1°) - Convolution. La convolution est un opérateur fondamental en traitement du signal. Il provient de la théorie des systèmes linéaires et invariants. Soit h(t) la réponse impulsionnelle du filtre, c'est à dire la réponse du filtre lorsque l'entrée est un impulsion de Dirac: δ(t) FILTRE h(t) La relation entre une entrée quelconque x(t) et la sortie y(t) du filtre est la convolution: y(t) = x( t ) * h( t ) = x(t) ∫ +∞ −∞ x( u) h(t - u) du Filtre de réponse Impulsionnelle h(t) y(t) Interprétation S o i t h1 ( t ) l a r é p o n s e d u s y s t è m e à u n e i m p u l s i o n d e l a r g e u r Δt 1 et de hauteur . h 1 ( t ) Δt e s t d o n c l a r é p o n s e à u n e i m p u l s i o n d e Δt l a r g e u r Δt e t d e h a u t e u r u n i t é . Décomposons le signal x(t) en h a u t e u r x ( 0 ) , x ( Δt ) , x ( 2 Δt ) , . . . , x ( k Δt ) . une suite d'impulsions de x(t) x(0) Δt x(kΔ t) kΔt t La contribution apportée par chaque impulsion de hauteur x ( i Δt ) e s t : 22 y ( 0 ) = x ( 0 ) h 1 ( t − 0) Δt ; y ( Δt ) = x ( Δt ) h 1 ( t - Δt ) Δt ; . . . ; y ( i Δt ) = x ( i Δt ) h 1 ( t - iΔt ) Δt . En appliquant le principe l'instant t est donnée par : +∞ ∑ x( kΔt ) h ( t y( t ) = 1 k = -∞ de superposition, la sortie à - kΔt ) Δt S i Δt d e v i e n t t r è s p e t i t a l o r s l ' i m p u l s i o n t e n d v e r s u n p i c d e D i r a c e t , p a r c o n s é q u e n t , l a r é p o n s e h1 (t) t e n d v e r s l a r é p o n s e impulsionnelle h(t). On trouve pour y(t): y( t ) = ∫ +∞ −∞ x( u) h( t − u) du Propriétés - Commutativité : - Distributivité : : - Associativité x(t)*g(t) = g(t)*x(t) [x(t) + s(t)]*g(t) = x(t)*g(t) + s(t)*g(t) [x(t)*s(t)]*g(t) = x(t)*[s(t)*g(t)] +∞ - δ( t ) é l é m e n t n e u t r e : δ( t ) * g ( t ) = ∫ δ(u)g ( t - u ) du = g ( t ) -∞ - δ( t − t 0 ) é l é m e n t d e t r a n s l a t i o n : +∞ δ( t − t 0 ) * g ( t ) = ∫ δ(u − t 0 )g ( t - u ) du = g ( t - t 0 ) -∞ - Dérivation : (x(t)*y(t))' = x'(t)*y(t) = x(t)*y'(t) On en déduit que la convolution par le peigne |_ I_ |T ( t ) a p o u r e f f e t d e p é r i o d i s e r l e s i g n a l . E n e f f e t : ⎡ +∞ ⎤ | _ I_ | T ( t ) * g( t ) = ⎢ ∑ δ ( t − nT) ⎥ * g( t ) = ⎣ n = −∞ ⎦ +∞ ∑ [δ( t − nT) * g( t )] n = −∞ de Dirac +∞ = ∑ g( t − nT) n = −∞ Exemple : ⎡− T T⎤ . Le produit de Soit g(t) un signal défini sur l'intervalle ⎢ , 2 ⎥⎦ ⎣ 2 c o n v o l u t i o n |_ I_ |T ( t ) * g ( t ) r e s t i t u e u n s i g n a l p é r i o d i q u e : g(t)* g(t) -T 2 T 2 t - Produit de convolution de Dirac: (t) T t 23 δ( t − t 1 ) * δ( t − t 2 ) = δ( t − t 1 − t 2 ) Exemple : Soit x( t ) = ∏ T 2 ( t ) et g( t ) = ∏ T ( t − T) . Calculons y(t) . g(t) x(t) 1 1 -T 2 t T 2 2T t d'où : g(t-u) 1 u t-2T t et : y(t) = x(t) * g(t) T -T 2 T 2 3T 2 5T 2 t Théorème de PLANCHEREL Soient x(t) et y(t) deux signaux ayant pour transformée X(f) et Y(f). PLANCHEREL a démontré que : TF( x( t ) * y( t ) ) = X( f )Y( f ) TF( x( t ) y( t ) ) = X( f ) * Y( f ) Dem : 24 TF{ x( t ) * y( t )} = ∫ +∞ TF{ x( t ) * y( t )} = ∫ +∞ −∞ −∞ ⎡ +∞ ⎤ x( u) y( t − u) du⎥ e − 2 πjtf dt = ⎣⎢ ∫_ ∞ ⎦ ∫ +∞ −∞ ⎡ +∞ ⎤ x( u) ⎢ ∫ y( t − u) e − 2 πjtf dt ⎥ du ⎣ _∞ ⎦ +∞ x( u) ⎡⎢ ∫ y( τ) e − 2 πjfτ dτ ⎤⎥ e − 2 πjfu du = X( f )Y( f ) ⎣ _∞ ⎦ La seconde relation se démontre de la même façon. Application : Ce théorème est utilisé dans de nombreuses applications. Prenons l'exemple du téléphone où le problème est de transmettre simultanément et sur un même canal de transmission un grand nombre de messages. Considérons, dans un premier temps, un message x(t) qui occupe la bande [-4KHz, 4KHz] (bande passante de la voix humaine définie par les Télécommunications). Comment translater son spectre X(f) autour des fréquences fo et -fo?. Pour réaliser c e l a i l s u f f i t d e m u l t i p l i e r x ( t ) p a r cos( 2 πf0 t ) . D ' a p r è s l e t h é o r è m e de PLANCHEREL on a : ⎡ δ( f − f 0 ) + δ( f + f 0 ) ⎤ y( t ) = x( t ) cos(2 πf 0 t) ⇔ Y( f ) = X( f ) * ⎢ ⎥ 2 ⎣ ⎦ X( f − f 0 ) X( f + f 0 ) y( t ) = x( t ) cos(2 πf 0 t) ⇔ Y( f ) = + 2 2 X(f) -4 KHz 4 KHz f Y(f) X(f+fo) X(f-fo) -fo-4 -fo -fo+4 f fo-4 fo fo+4 Cette opération est appelée modulation d'amplitude sans porteuse ( MASP ), bien que fo soit appelée porteuse. Il existe d'autres types de modulations (fréquence, phase,...). On pourra consulter sur ce point l'ouvrage de A.SPÃTARU. 25 En conclusion, si l'on désire transmettre simultanément et s u r u n e m ê m e l i g n e l e s s i g n a u x x1 ( t ) , x 2 ( t ) , .. , x n ( t ) , i l s u f f i t d e construire le signal y(t) : y( t ) = x 1 ( t ) cos(2 πf 1 t ) + . . + x n ( t ) cos( 2 πf n t ) o ù f1 , f2 ,..., f n s o n t l e s p o r t e u s e s a s s o c i é e s à x1 ( t ) , x 2 ( t ) , .. , x n ( t ) . Y(f) X 2(f-f2) X 1(f-f1) 2 X 3(f-f3) 2 -f2 -f3 -f1 2 f1 f2 f3 f E n r é c e p t i o n , p o u r r e t r o u v e r l e m e s s a g e xi ( t ) , i l f a u t f i l t r e r y ( t ) p a r u n f i l t r e p a s s e - b a n d e [ fi − 4 KHz , fi + 4 KHz ] p u i s d é m o d u l e r l e signal de sortie du filtre ( translation du spectre autour de l'origine des fréquences ) afin que le message soit audible. Relation entre série de Fourier et TF Soient x(t) un signal périodique de signal tronqué sur une période défini par : période T ⎧ T ⎡ ⎡_ T ⎪x( t ) si t ∈ ⎢ , x T (t) = ⎨ 2 ⎢⎣ ⎣ 2 ⎪⎩ 0 Ailleurs On a : x( t ) = x T ( t ) * | _ I_ |T ( t ) d'où : X( f ) = 1 X ( f ) | _ I_ | 1 ( f ) T T T Soit encore : (1) X( f ) = 1 T +∞ ∑X n = −∞ T ⎛ n⎞ ⎛ ⎜ ⎟ δ⎜ f − ⎝ T⎠ ⎝ n⎞ ⎟ T⎠ De plus le signal x(t) étant périodique, il s'écrit aussi : et xT ( t ) l e 26 +∞ (2) x( t ) = ∑ Cne 2 πj n t T +∞ et X( f ) = n = −∞ ∑C n = −∞ n ⎛ δ⎜ f − ⎝ n⎞ ⎟ T⎠ En comparant les expressions ( 1 ) et ( 2 ) on trouve : Cn ⎛ n⎞ XT ⎜ ⎟ ⎝ T⎠ = T Le spectre du signal périodique est donc obtenu, à un facteur près, après échantillonnage du spectre du signal tronqué. 2°) - Corrélation. Soient x(t) et y(t) deux signaux à énergie finie, la fonction d ' i n t e r c o r r é l a t i o n C xy ( τ ) est définie par : C xy ( τ) = ∫ +∞ -∞ x( t ) y * ( t − τ) dt Ce produit scalaire mesure les similitudes en forme et position des signaux. Ces similitudes peuvent évoluer au cours du t e m p s τ . O n r e m a r q u e d e p l u s , q u e C xy ( τ ) r e s t i t u e l ' é n e r g i e d ' i n t e r a c t i o n e n t r e l e s s i g n a u x x ( t ) e t y(t - τ ) . S i C xy ( τ ) = 0 o n d i t q u e l e s s i g n a u x x ( t ) e t y ( t ) s o n t d é c o r r é l é s ou orthogonaux. Exemple Un radar émet une impulsion sinusoïdale x(t) sur un objet fixe et reçoit le signal bruité y(t). x(t) y(t) Objet Radar Emetteur - Récepteur 27 y(t) x(t) 1 t t T C xy (t) t L e m a x i m u m τ0 d o n n e l a d i s t a n c e à l ' o b j e t . E n e f f e t s i v0 e s t l a vitesse de propagation de l'onde on a : d v0τ0 2 = ← trajet Aller et Retour S i x ( t ) = y ( t ) , C xx ( τ ) e s t a p p e l é f o n c t i o n d ' a u t o c o r r é l a t i o n d u signal x(t). Propriétés - La fonction d'intercorrélation vérifie la relation : C xy ( τ) = C *yx ( − τ) Dem : +∞ C xy ( τ) = ∫ C xy ( τ) = [∫ -∞ x( t ) y * ( t − τ) dt +∞ −∞ +∞ = ⎡⎢∫ x * ( t '+ τ) y( t ' ) dt '⎤⎥ ↑ ⎣ −∞ ⎦ t - τ = t' ] y( t ' ) x * ( t '−( − τ)) dt ' * * d'où: C xy ( τ) = C *yx ( − τ) O n e n d é d u i t q u e C xx ( τ ) e s t à s y m é t r i e h e r m i t i e n n e : C xx ( τ) = C *xx ( − τ) Et si x(t) est réel sa fonction d'autocorrélation est paire. - L ' é n e r g i e t o t a l e Wx d ' u n s i g n a l x ( t ) e s t : Wx = ∫ +∞ -∞ 2 x( t ) dt = C xx (0) > 0 28 -Le théorème de Cauchy-Schwartz conduit aux relations suivantes C xx ( τ) C xy ( τ) ≤ C xx (0) 2 ∀τ ≤ C xx (0)C yy (0) ∀τ Théorème de Wiener-Kintchine Soient x(t) et y(t) deux signaux à énergie finie. La TF de la fonction d'intercorrélation est égale à la densité interspectrale d'énergie (ou densité spectrale mutuelle ). { } TF C xy ( τ) = S xy ( f ) = X( f )Y * ( f ) Dem : { } TF C xy ( τ) ∫ = S xy ( f ) = ∫ +∞ S xy ( f ) = ∫ +∞ −∞ −∞ +∞ -∞ C xy ( τ)e − 2 πjfτ dτ = S xy ( f ) ⎡ + ∞x( t ) y * ( t − τ) dt ⎤ e − 2 πjfτ dτ = ⎢⎣ ∫- ∞ ⎥⎦ x( t ) e − 2 πjft dt S xy ( f ) = X( f ) [∫ +∞ −∞ ∫ +∞ −∞ ∫ +∞ −∞ ⎤ ⎡ +∞ − 2 πjfτ * ⎢ x( t ) ∫ y ( t − τ ) e dτ ⎥ dt ⎥ ⎢ -∞ ↑ ⎥⎦ ⎢⎣ t' = t - τ y * ( t ' ) e + 2 πjft ' dt ' ] y( t ' ) e − 2πjft ' dt ' * = X( f ) Y * ( f ) S i x ( t ) = y ( t ) a l o r s S xx ( f ) = X( f ) 2 . S xx ( f ) e s t l a d e n s i t é s p e c t r a l e d ' é n e r g i e . C ' e s t u n e f o n c t i o n r é e l l e positive. Relation Convolution - Corrélation S i C xy ( τ ) e s t l ' i n t e r c o r r é l a t i o n d e s s i g n a u x x ( t ) e t y ( t ) a l o r s : C xy ( τ) = x( τ ) * y * ( − τ ) Dem : { } TF C xy ( τ) d'où = S xy ( f ) = X( f ) Y * ( f ) { } C xy ( τ) = TF − 1 S xy ( f ) avec = x( t ) * TF − 1 {Y * ( f )} 29 TF − 1 {Y * ( f )} = ∫ +∞ −∞ Y * ( f )e 2 πjfτ df = [∫ +∞ Y( f )e 2 πjf ( − τ ) df −∞ ] * = y * ( − τ) 3°) - Cas des signaux à puissance moyenne finie. Dans le cas où les signaux sont à puissance moyenne finie, la convolution s'écrit : ⎧1 lim ⎨ T → +∞ T ⎩ x( t ) * y( t ) = T 2 T − 2 ∫ ⎫ x( u) y( t − u) du⎬ ⎭ De même la corrélation est définie par : ⎧1 C xy (τ ) = lim ⎨ T →+∞⎩ T ⎫ T ∫−2T x( t ) y* ( t − τ ) dt ⎬ ⎭ 2 Si de plus les x(t) et y(t) sont périodiques et de p é r i o d e T0 , o n p e u t s i m p l i f i e r l e s e x p r e s s i o n s p r é c é d e n t e s : x( t ) * y ( t ) = C xy ( τ) = 1 T0 1 T0 ∫ ∫ même T0 − 2 T0 x( u) y( t − u) du 2 T0 − 2 T0 x( t ) y * ( t − τ ) dt 2 Densité interspectrale de puissance La TF de la fonction d'intercorrélation de deux signaux à puissance moyenne finie est appelée densité interspectrale de p u i s s a n c e S xy ( f ) { } TF C xy ( τ) = S xy ( f ) Soient x(t,T) et y(t,T) deux signaux à énergie finie définis par : ⎧ ⎪x( t ) si t ∈ x( t , T) = ⎨ ⎪⎩ 0 Ailleurs ⎧ ⎡ T T⎤ − , ⎢⎣ 2 2 ⎥⎦ et y( t , T) = ⎪⎨y( t ) si t ∈ ⎪⎩ 0 Ailleurs ⎡ T T⎤ ⎢⎣− 2 , 2 ⎥⎦ x(t) et y(t) sont tels que : x( t ) = lim {x( t , T)} T → +∞ et y( t ) = lim { y( t , T)} T → +∞ Soient X(f,T) et Y(f,T) les transformées de x(t,T) et y(t,T). On démontre que: 30 S xy ( f ) = ⎧ X( f , T) Y * ( f , T) ⎫ lim ⎨ ⎬ T → +∞ T ⎩ ⎭ Dem : L a p u i s s a n c e t o t a l e Pxy e s t : (1) Pxy = ∫ +∞ S xy ( f ) df -∞ Mais aussi : Pxy = lim T → +∞ 1 T T 2 T 2 ∫ x( t ) y * ( t ) dt = lim T → +∞ 1 T ∫ +∞ -∞ x( t , T)y * ( t , T) dt d'où, en appliquant la relation de PARSEVAL pour les signaux à énergie finie x(t,T) et y(t,T) : (2) Pxy = lim T → +∞ 1 T ∫ +∞ -∞ X( f , T)Y * ( f , T) df En identifiant (1) et (2) : S xy ( f ) = ⎧ X( f , T)Y * ( f , T) ⎫ lim ⎨ ⎬ T→∞ T ⎩ ⎭ Si x(t) = y(t), la densité spectrale de puissance est: S xx ( f ) = 2⎫ ⎧1 lim ⎨ X( f , T) ⎬ T → +∞ ⎩ T ⎭ 4°) - Analyse spectrale. L'analyse spectrale des signaux tient une place importante dans un grand nombre d'applications ( Télécommunications, Géophysique, Biochimie,..). On peut citer comme exemple, l'analyse spectrale de signaux de parole qui fournit une indication sur le sexe du locuteur. En effet, les signaux de parole sont en grande partie voisés (quasi-périodiques). La hauteur de la fréquence fondamentale est d'environ 100-150 Hz pour un homme, 150-250 Hz pour une femme et peut aller jusqu'à 400 Hz pour un enfant. Un autre exemple est celui de la poursuite d'une cible mobile. Le signal réfléchi par la cible fournit des informations sur la vitesse et la position de l'objet. Ambiguïté: Durée d'un signal-Largeur spectrale. 31 En théorie un signal de durée finie ( support borné ) possède un spectre de largeur infinie ( support infini ). Corrélativement, un spectre à support borné correspond à un signal de durée illimitée. Expérimentalement, le problème est le suivant: "Comment étudier un signal, sur une durée limitée T ( donc avec un spectre à support infini ), avec un instrument qui a une bande passante finie ?". Il est évident que, si la puissance du signal décroît rapidement en fonction de la fréquence, on a intérêt à utiliser un instrument dont la bande passante est très supérieure à la bande utile du signal. L'effet du filtrage ( passage du signal dans l'instrument ) est alors réduit. La notion de bande utile est liée à l'application. Soit x(t) un s i g n a l d ' é n e r g i e t o t a l e Wx e t d e d e n s i t é s p e c t r a l e d ' é n e r g i e S xx ( f ) . O n d é f i n i t l a b a n d e u t i l e Bu p a r : ΔF = et 1 Wx ∫ +∞ −∞ f 2 S xx ( f ) df avec α choisi arbitrairement. Bu = 2 α ΔF Sxx(f) ΔF Bu f D e m ê m e o n d é f i n i t l a d u r é e u t i l e Du d ' u n s i g n a l x ( t ) p a r : D u = 2βT avec β choisi arbitrairement. et : T = 1 Wx ∫ +∞ −∞ t 2 x 2 ( t ) dt 32 2 x (t) T Du t En utilisant la relation relation d'incertitude : de Cauchy-Schwartz on en déduit la B u D u ≥ Cte Cette relation montre qu'un signal (resp. un spectre) fluctuations rapides possède un spectre (resp. un signal) large. à Dem : En utilisant la relation de Cauchy-Schwartz : ∫ +∞ −∞ dx( t ) dt dt t x( t ) 2 ∫ ≤ +∞ -∞ 2 t 2 x( t ) dt ∫ +∞ -∞ 2 dx( t ) dt dt En intégrant par partie, on trouve : ∫ −∞ 1 +∞ t x 2 ( t )] − ∞ − [ 2 dx( t ) dt = dt +∞ t x( t ) 1 2 ∫ +∞ −∞ x 2 ( t ) dt = - Wx 2 de plus : ∫ +∞ −∞ dx( t ) dt 2 dt = 4 π 2 ∫ +∞ −∞ f 2 S xx (f) df = 4 π 2 Wx ΔF 2 d'où : Wx2 4 4TΔF ≤ Wx T 2 4 π 2 Wx ΔF 2 ≥ 1 π d' où D u Bu ≥ αβ π Fenêtres d'observation. L'analyse d'un signal ne peut s'effectuer que sur une durée f i n i e t 0 , t1 . S i x ( t ) e s t l e s i g n a l i n i t i a l , l e s i g n a l o b s e r v é s ( t ) s'écrit : 33 s(t) = x(t)f(t) o ù f ( t ) e s t n u l l e e n d e h o r s d e t 0 , t1 . f ( t ) d'observation ou fonction de pondération. est appelée fenêtre Exemple : Fenêtre rectangulaire [ ⎪⎧1 si t ∈ t 0 , t 1 f (t) = ⎨ ⎪⎩ 0 Ailleurs ] x(t) s(t) = x(t) f(t) 1 t t1 t0 t La fenêtre idéale est celle qui ne modifiera pas le spectre X(f) du signal x(t), c'est à dire telle que : S( f ) = X( f ) * F( f ) = X( f ) on en déduit : F( f ) = δ ( f ) ⇒ f ( t ) = 1 L a f o n c t i o n u n i t é ( f ( t ) = 1) d é f i n i e s u r ] −∞,+∞[ n ' e s t p a s u n e fenêtre. On en déduit cependant que la transformée de Fourier d'une fenêtre "satisfaisante", c'est à dire modifiant peu X(f), doit s'approcher du pic de Dirac. La fonction Porte ∏ T 2 (t) , a p p e l é e a u s s i f e n ê t r e n a t u r e l l e f u t l a première utilisée. Sa transformée P(f) est : ⎡ ⎤ P(f) = TF⎢∏ T ( t ) ⎥ ⎣ 2 ⎦ = T sinc( πfT) P(f) est constitué d'un lobe principal et de lobes secondaires. Comme on le verra, toutes les transformées de Fourier de fenêtres de pondération possèdent un lobe principal et des lobes secondaires . 34 Lobe principal P(f) f1 f 1 T Lobes secondaires Pour restituer au mieux le spectre X(f), il faut que le lobe principal soit le plus étroit possible. De plus pour éviter une dispersion (leakage) de l'énergie vers des fréquences éloignées, il faut que les lobes secondaires soient faibles. Pour comparer les différentes essentiellement deux critères: fenêtres on utilise - La largeur de Bande à mi-hauteur : B - L ' a m p l i t u d e r e l a t i v e d u 1er l o b e s e c o n d a i r e : Q Q = 20 Log 10 P( f 1 ) P(0) O ù P ( f1 ) e s t l ' a m p l i t u d e m a x i m a l e d u 1er l o b e s e c o n d a i r e . 1 et Q= -13 dB. Dans le cas de la fenêtre naturelle on trouve B = T B définit la résolution ou pouvoir séparateur du spectre. Si X ( f ) e s t c o n s t i t u é d e d e u x r a i e s a u x f r é q u e n c e s t r è s p r o c h e s f1 e t f2 ( f1 − f2 < B ) , i l n e s e r a p a s p o s s i b l e d e l e s d i s t i n g u e r . S(f) f1 f2 f La fenêtre naturelle est peu utilisée, en analyse spectrale, car elle présente des lobes secondaires de forte amplitude. Un 35 très grand nombre de fenêtres ont été proposées. Celles ci sont généralement choisies en fonction de l'application. Fenêtre de Bartlett (1950): Elle correspond à la fonction triangle Λ T (t) : 2 t T⎤ ⎧ ⎡ T ⎪1 - 2 si t ∈ ⎢, Λ T (t) = ⎨ 2 ⎥⎦ T ⎣ 2 ⎪⎩ 0 Ailleurs 2 avec: Λ T (t) = 2 2 T ∏ T 4 (t) * ∏ T 4 (t) d'où: ⎧⎪ ⎫⎪ TF⎨Λ T ( t ) ⎬ = ⎪⎩ 2 ⎪⎭ On a: B = T ⎛ T⎞ sinc 2 ⎜ πf ⎟ ⎝ 2⎠ 2 2 et Q = -26 dB T Fenêtre de Hanning : (J. VAN HANN) Elle est définie par : 2 πt 1 ⎧ ⎡ T T⎤ ⎪H N ( t ) = (1 + cos ) si t ∈ ⎢- , ⎥ ⎨ 2 T ⎣ 2 2⎦ ⎪⎩ H N ( t ) = 0 Ailleurs B = 2 et Q = -32 dB T H N (t) -T 2 H N (f ) = t T 2 1 1 ⎛ 1⎞ 1 ⎛ 1⎞ ⎧ ⎫ P( f ) + P⎜ f + ⎟ + P⎜ f − ⎟ , avec: P( f ) = TF⎨∏ T ( t ) ⎬ 2 4 ⎝ T⎠ 4 ⎝ T⎠ ⎩ 2 ⎭ 36 Fenêtre de Hamming : R.W. HAMMING a étudié une famille de fonctions définies par: 2 πt ⎧ ⎡ T T⎤ ⎪H m ( t ) = α + (1 - α ) cos( ) si t ∈ ⎢- , ⎥ ⎨ T ⎣ 2 2⎦ ⎪⎩ H m ( t ) = 0 Ailleurs L a v a l e u r d e α q u i m i n i m i s e Q e s t α= 0 , 5 4 . O n a a l o r s B = Q = -52 dB . P o u r α = 2 et T 1 , on retrouve la fenêtre de HANNING. 2 5°) - Filtrage. Soit S un filtre de réponse impulsionnelle h(t). Soient x(t) l'entrée de ce filtre et y(t) la sortie : y(t)=h(t)*x(t) On appelle échelon. et Y(f)=H(f)X(f) indicielle, réponse ⎧ 1 si t ≥ 0 h(t) * u(t) avec u(t) = ⎨ ⎩0 ailleurs La réponse indicielle s'obtient impulsionnelle. En effet : y ind ( t ) la réponse du filtre à un = +∞ y ind ( t ) = ∫ y ind ( t ) = ∫ -∞ ↑ t' = t - τ t -∞ u( τ) h( t − τ) dτ = ∫ en intégrant la réponse +∞ 0 h( t − τ) dτ h( t ' ) dt ' d'où : y ind ( t ) = ∫ t -∞ h( t ' ) dt ' H(f) est la fonction de transfert et H(0), le gain statique du filtre. Un filtre est dit réalisable si sa réponse impulsionnelle est c a u s a l e ( h(t) = 0 , ∀ t < 0 ) . C e c i t r a d u i t l e f a i t q u ' i l n e p e u t y avoir d'effets avant la cause. On appelle réponse harmonique, la réponse du filtre à une entrée de type : x( t ) alors : y( t ) d'où : = e 2 πjf0 t = e 2 πjf0 t * h( t ) 37 Y(f) = δ(f-fo)H(f) = H(fo) δ(f-fo) soit, après transformation inverse : y( t ) = H(f 0 )e 2 πjf0 t = H ( f 0 ) x( t ) y( t ) = H ( f 0 ) e jϕ ( f0 ) x( t ) Cette relation est intéressante pour l'identification des systèmes. En effet, lorsque le filtre est inconnu ( Boite Noire ), i l s u f f i t d e f a i r e v a r i e r f0 e t d ' o b s e r v e r l a s o r t i e y ( t ) p o u r connaître les caractéristiques fréquentielles du filtre ( H(f ) , 0 ) ϕ( f 0 ) . Dérivation : Soit y(t) la sortie d'un filtre, de réponse impulsionnelle h(t). y' (t) = x' (t) * h(t) = x(t) * h' (t) Dem : TF{ y' ( t )} = Y( f ).2 πjf { { = 2 πjf . X( f ). H ( f ) ⎧⎪TF − 1 [2 πjf . X( f )] H ( f ) et ⎨ − 1 ⎪⎩TF [2 πjf . H ( f )] X( f ) }= }= x' ( t ) * h( t ) h' ( t ) * x( t ) Stabilité : Un filtre est stable si pour toute entrée bornée, la sortie reste bornée. On peut montrer qu'une condition nécessaire et suffisante pour qu'un filtre soit stable est que sa réponse impulsionnelle soit absolument intégrable : ∫ +∞ −∞ h( τ) dτ existe . Filtres cascades : C o n s i d é r o n s N f i l t r e s F1 , F2 , .., FN h1 ( t ) , h 2 ( t ) , .. , h N ( t ) . x(t) h 1 (t) h 2 (t) de réponse impulsionnelle h 3 (t) hN(t) N y( t ) = x( t ) * h 1 ( t ) * h 2 ( t ) * . . . * h N ( t ) et Y ( f ) = X( f ) ∏ H (f ) i i = 1 Fréquence de coupure : y(t) 38 L a d é f i n i t i o n d e l a f r é q u e n c e d e c o u p u r e Fc e s t : En Traitement du signal : Fc est telle que : ∀ f > Fc ; H ( f ) = 0 . En Automatique : Fc e s t t e l l e q u e : H ( Fc ) = 1 . En Electronique : F c e s t t e l l e q u e : H ( Fc ) 2 ( Max H ( f ) = 2 2 ) . 39 IV Echantillonnage 1°) - Echantillonnage idéal. L'évolution constante, observée depuis 15 ans dans le domaine des circuits intégrés, a transformé le monde des applications. En effet, la puissance des calculateurs, et plus particulièrement des processeurs spécialisés en traitement du signal, permet de traiter numériquement un grand nombre de problèmes. Rendant obsolètes certains traitements analogiques. De plus le numérique autorise des opérations interdites en analogique (Filtrage Non-Causal, modulation temporelle, ...). Cette numérisation du signal nécessite dans un premier temps l'échantillonnage du signal puis sa quantification . - L'échantillonnage correspond à une discrétisation en temps du signal. - La quantification permet d'associer une valeur numérique à l'échantillon prélevé. C'est une discrétisation en amplitude. Les valeurs discrètes obtenues sont codées sur un ou plusieurs bits. x(t) t -Te Te 2Te L'objectif du traitement numérique du signal est d'extraire les informations contenues dans le signal analogique initial x(t). Il est donc impératif de conserver ces informations après échantillonnage. Pour cela nous étudierons les différentes opérations temporelles et fréquentielles effectuées. xe ( t ) le signal Soient x(t) le signal analogique et é c h a n t i l l o n n é . S o i e n t Te l a p é r i o d e d ' é c h a n t i l l o n n a g e e t Fe = 1 Te l a f r é q u e n c e d ' é c h a n t i l l o n n a g e . L e s i g n a l xe ( t ) e s t o b t e n u p a r multiplication de x(t) par un peigne de Dirac. +∞ x e ( t ) = x( t ) | _ I_ |T ( t ) = x( t ) ∑ δ( t - n Te ) -∞ 40 d'où : +∞ ∑ x( nT )δ( t - n T ) x e (t) = e n = -∞ e Pour ne perdre aucune information, t r a n s f o r m a t i o n ( x( t ) → x e ( t ) ) s o i t r é v e r s i b l e . il faut que cette D é t e r m i n o n s l e s p e c t r e Xe ( f ) d u s i g n a l xe ( t ) : X e (f ) = TF{x e ( t )} = TF{x ( t ) | _I_ |Te ( t )} X e (f ) = X(f ) * TF{| _I_ |Te ( t )} = X(f ) * X e (f ) = 1 Te +∞ ⎛ n = −∞ ⎝ 1 Te +∞ ⎛ n = −∞ ⎝ n ⎞ ⎟⎟ e ⎠ ∑ δ⎜⎜ f − T n ⎞ ⎟⎟ e ⎠ ∑ X(f ) * δ⎜⎜ f − T X e (f ) = 1 Te +∞ ⎛ ∑ X⎜⎝ f n = −∞ − n⎞ ⎟ Te ⎠ C e t t e r e l a t i o n m o n t r e q u e Xe ( f ) e s t o b t e n u e , à u n f a c t e u r p r è s ( 1 Te ) , p a r u n e s i m p l e p é r i o d i s a t i o n e n f r é q u e n c e d u s p e c t r e X( f ) . L e s p e c t r e e s t r e p r o d u i t t o u s l e s Fe = 1 Te . C e t t e p é r i o d i s a t i o n p e u t s'effectuer suivant trois cas de figures: 1 ° ) : X( f ) e s t à s u p p o r t b o r n é , s a f r é q u e n c e d e c o u p u r e e s t Fc e t Fe > 2 Fc . Te Xe(f) X(f) -Fc Fc f -2Fe -Fe -Fc Fc Fe 2Fe f On constate qu'au prix d'un simple filtrage passe-bas idéal, d e f r é q u e n c e d e c o u p u r e Fe / 2 , o n r e t r o u v e X( f ) , d o n c x ( t ) : Les informations initiales ne sont pas perdues. L a t r a n s f o r m a t i o n ( x( t ) → x e ( t ) ) e s t r é v e r s i b l e . On a correctement échantillonné le signal. 2 ° ) : X( f ) e s t à s u p p o r t b o r n é , s a f r é q u e n c e d e c o u p u r e e s t Fc Fe < 2 Fc et 41 X(f) -Fc Te Xe(f) f Fc f Fe 2Fe -2Fe -Fe I l e s t c l a i r q u e l e s p e c t r e i n i t i a l X( f ) e s t d é f o r m é . o b t e n i r X( f ) à p a r t i r d e X e ( f ) , d o n c : On ne peut pas Les informations initiales sont perdues. La transformation est irréversible. On a mal échantillonné le signal. Remarque : S i a p r è s l ' é c h a n t i l l o n n a g e l e s s p e c t r e s t r a n s l a t é s X( f ) s e chevauchent, on dit qu'il y a repliement spectral, recouvrement spectral ou encore "aliasing". 3 ° ) : X( f ) e s t à s u p p o r t n o n - b o r n é . Dans ce cas, il est évident qu'il y aura repliement spectral. Te Xe(f) X(f) f f Il apparaît donc impossible d'échantillonner un tel signal. En pratique, on filtrera le signal x(t) par un filtre passe bas d e f r é q u e n c e d e c o u p u r e Fc , p u i s o n é c h a n t i l l o n n e r a l e s i g n a l d e s o r t i e d u f i l t r e à u n e f r é q u e n c e Fe > 2 Fc . x(t) Filtre Passe-Bas Fc ye (t) y(t) Echantillonneur Fe T H E O R E M E D E S H A N N O N : " U n s i g n a l x ( t ) à s p e c t r e X( f ) borné sur l'intervalle [-Fc,Fc] est correctement échantillonné si Fe > 2 Fc . " Exemple : x( t ) = cos(2πFo t ) ⇒ Fc = Fo et Fe > 2 Fo . 42 2°) - Reconstruction du signal. P o u r r e t r o u v e r x ( t ) à p a r t i r d u s i g n a l é c h a n t i l l o n n é xe ( t ) , s u p p o s e r a q u e l e s i g n a l a é t é c o r r e c t e m e n t é c h a n t i l l o n n é ( Fe > ) . D é t e r m i n e r x ( t ) r e v i e n t à i s o l e r X( f ) d a n s X e ( f ) . C e c i p o s s i b l e e n m u l t i p l i a n t X e ( f ) p a r u n e p o r t e e n f r é q u e n c e ∏ Fe ( f ) on 2 Fc est de 2 h a u t e u r Te : X( f ) = Te X e ( f ) ∏ Fe 2 (f ) Fe Te Xe(f) (f) 1 2 -2Fe x( t ) x( t ) ⎧ TF − 1 {X( f )} = Te TF − 1 ⎨X e ( f ) ⎩ ⎧ ⎫ = Te x e ( t ) * TF − 1 ⎨∏ Fe ( f ) ⎬ ⎩ 2 ⎭ = +∞ x( t ) = Te ∑ x( nT )δ( t e n = −∞ +∞ x( t ) -Fe 2 -Fe = ∑ x( nT ) (δ( t n = −∞ e Fe 2 ∏ Fe 2 Fe 2Fe f ⎫ ( f )⎬ ⎭ − nTe ) * Fe sinc ( π Fe t ) − nTe ) * sinc ( π Fe t )) d'où : +∞ x( t ) = ∑ x( nT ) sinc (π n = −∞ e Fe ( t − nTe )) C'est la formule d'interpolation de SHANNON. Remarques : 1°) Cette formule n'est pas utilisable en temps réel car elle nécessite la connaissance à l'instant t de tous les échantillons (−∞ → + ∞ ) . 2°)Sur-échantillonner n'apporte aucune information supplémentaire. 3 ° ) L e s f o n c t i o n s s n ( t ) = sinc ( π Fe ( t − nTe )) s o n t o r t h o g o n a l e s . O n e n déduit que toute fonction à spectre borné [-Fc,Fc] peut être d é c o m p o s é e s u r l a b a s e {s n ( t )} . 43 4 ° ) E n s u p p o s a n t sn ( t ) t r è s p e t i t l o r s q u e n c r o î t , o n a p p r o c h e l a formule d'interpolation en tronquant la formule à un petit nombre d'échantillons. x( t ) N 2 ≈ ∑ x( nT ) sinc (π e Fe ( t − nTe )) N n=− 2 Formule de POISSON S o i t X( f ) l a T F d e x ( t ) . S o i t T u n r é e l q u e l c o n q u e , o n a : +∞ ∑ x( pT) 1 T = p = −∞ +∞ ⎛ q⎞ ∑ X⎜⎝ T ⎟⎠ q = −∞ Dem : +∞ ∑ +∞ ∑∫ = x( pT) p = −∞ p = −∞ +∞ ∑ ∫ = x( pT) +∞ −∞ p = −∞ +∞ −∞ X( f ) e 2 πjfpT df ⎡ +∞ ⎤ X( f ) ⎢ ∑ e 2 πjfpT ⎥ df ⎣ p = −∞ ⎦ avec +∞ I( f ) = ∑e 2 πjfpT ⇒ TF p = −∞ −1 {I( f )} +∞ = ∑ δ( t + pT) = p = −∞ | _ I_ |T ( t ) Par suite I( f ) = TF{| _ I_ |T ( t )} = 1 | _ I_ |T ( f ) = T 1 T +∞ ⎛ ∑ δ⎜⎝ f q = −∞ − q⎞ ⎟ T⎠ d ' où : +∞ ∑ x( pT) 1 T = p = −∞ +∞ ∑∫ q = −∞ +∞ −∞ q⎞ ⎛ X( f ) δ⎜ f − ⎟ df ⎝ T⎠ Soit +∞ ∑ x( pT) p = −∞ = 1 T +∞ ⎛ q⎞ ∑ X⎜⎝ T ⎟⎠ q = −∞ 3°) - Sous-échantillonnage. On appelle sous-échantillonnage, l'échantillonnage d'un signal à une fréquence inférieure à celle de SHANNON, c'est à d i r e t e l l e q u e Fe < 2 Fc . C e c i n ' e s t p o s s i b l e q u e d a n s l e c a s suivant. Soit x(t) un signal dont le spectre est nul en dehors des b a n d e s [ − F0 − B , − F0 + B ] ∪ [ F0 − B , F0 + B ] . ( E x : M o d u l a t i o n d ' a m p l i t u d e d e p o r t e u s e F0 ) . 44 X(f) X+ X_ -Fo-B -Fo -Fo+B Fo-B Fo Fo+B f O n s u p p o s e q u e F0 >> B , l e s i g n a l e s t d i t à b a n d e é t r o i t e . Selon SHANNON, on devrait échantillonner x(t) avec une fréquence Fe > 2 ( F0 + B ) . C e p e n d a n t , o n p e u t e x p l o i t e r l a n u l l i t é d e s s p e c t r e s e n t r e l e s b a n d e s [ − F0 − B , − F0 + B ] e t [ F0 − B , F0 + B ] , e n t r a n s l a t a n t l e s m o t i f s X+ e t X− d a n s c e t t e b a n d e e t e n p r e n a n t s o i n q u e X+ e t X− n e s e c h e v a u c h e n t p a s . S u p p o s o n s q u e l a k ième t r a n s l a t é e d e X − p r é c è d e X + , s a n s r e c o u v r e m e n t , e t q u e l a k +1ième t r a n s l a t é e s u i v e X + , t o u j o u r s s a n s recouvrement : X(f) kFe Fe X_ -Fo-B -Fo X+ -Fo+B Fo-B kFe-Fo+B Fo Fo+B (k+1)Fe-Fo-B Les bornes de ces translatées doivent vérifier les relations : ⎧ k Fe − F0 + B < F0 − B ⎨ ⎩( k + 1) Fe − F0 − B > F0 + B S o i t p o u r Fe , l a c o n d i t i o n : 2 ( F0 + B) 2 ( F0 − B) < Fe < k +1 k Il faut de plus que : 2 ( F0 + B) k +1 < 2 ( F0 − B) k On obtient la condition suivante sur k: f 45 k < F0 − B 2B avec k ∈ N Exemple : 6 3 S i F0 = 10 Hz et B = 5 10 Hz alors 2,01 10 6 1, 99 10 6 k<99,5 et . < Fe < k +1 k Si k = 99 ⇒ 20 , 100 KHz < Fe < 20 , 101 Khz Si k = 24 ⇒ 80 , 04 KHz < Fe < 82 , 9 Khz 4°) - Echantillonnage pratique. En pratique, l'échantillonnage ne peut être réalisé par une i m p u l s i o n d e D i r a c . L ' é c h a n t i l l o n x e ( kTe ) e s t d o n c o b t e n u p a r intégration du signal x(t) multiplié par une impulsion de largeur θ a u t o u r d e kTe . x e ( kTe ) = θ 2 θ kTe − 2 ∫ kTe + x( t ) h( t − kTe ) dt où h(t) est une impulsion de forme quelconque et nulle en dehors θ⎤ ⎡ θ , : d e l ' i n t e r v a l l e ⎢− 2 ⎥⎦ ⎣ 2 h(t) −θ 2 θ 2 t d'où : x e ( kTe ) = ∫ +∞ −∞ x( t ) h( t − kTe ) dt = C xh ( kTe ) = x( τ) * h( − τ) τ = kT e C e t t e r e l a t i o n i n d i q u e q u e t o u t e s l e s v a l e u r s x e ( kTe ) s o n t portées par la fonction g(t)=x(t)*h(-t). Le signal discret xe(t) est obtenu par échantillonnage idéal de g(t): x e (t) = [ x( t ) * h( − t ) ] | _ I_ |Te ( t ) g(t) peut être considéré comme la sortie d'un filtre, de réponse impulsionnelle h(-t), excité par x(t). La transformée de F o u r i e r d e xe ( t ) s ' é c r i t : 46 X e ( f ) = ( X( f ) H * ( f )) * X e (f ) = 1 Te +∞ ⎛ ∑ X⎜⎝ f − n = −∞ 1 Te ⎛ +∞ ∑ δ⎜⎝ f − n = −∞ n⎞ ⎟ Te ⎠ n ⎞ *⎛ n⎞ ⎟ H ⎜f − ⎟ Te ⎠ Te ⎠ ⎝ L e s p e c t r e X e ( f ) e s t o b t e n u p a r p é r i o d i s a t i o n d u p r o d u i t X( f ) H * ( f ) . R e m a r q u e : S i h ( t ) = δ (t) , o n r e t r o u v e l ' é c h a n t i l l o n n a g e i d é a l . Comme θ est petit, h(t) a un spectre H(f) étendu. Il suffit donc que la variation de H(f) soit faible pour que X(f) soit peu modifié. X(f) H(f) -Fc f Fc X(f) H(f) Cas de l'échantillonneur moyenneur 1 ∏ θ2 ( t ) e t H( f ) = sin c ( π f θ) . θ avec λ ∈ [0 , 1] e t Fe = 2αFc avec α > 1 D a n s c e c a s h( t ) = P o s o n s : θ = λ Te On veut que la distorsion sur X(f) due à H(f), soit inférieure à 1 % , p o u r l a f r é q u e n c e Fc . C ' e s t à d i r e : X( Fc ) - X( Fc ) H ( Fc ) X( Fc ) < 1% Soit: 1 − H ( Fc ) < 1 % ⎛ πλ ⎞ 1 − sinc ( π Fc θ) = 1 − sinc⎜ ⎟ < 1 % ⎝ 2α ⎠ ⎛ πλ ⎞ d ' o ù sinc ⎜ ⎟ > 0,99 ⎝ 2α ⎠ ou encore par développement limité : 1 - 1 ⎛ πλ ⎞ ⎜ ⎟ 6 ⎝ 2α ⎠ 2 > 0,99 ⇔ λ α < 0,16 47 Exemple : Si on échantillonne à la limite de SHANNON on a : α = 1 soit λ < 0,16 L'ouverture 0,16 Te . θ d e l a p o r t e n e p e u t d o n c ê t r e s u p é r i e u r à λ Te , s o i t θ < 0,16 Te et Te = 1 2 Fc θ < 0,16 Te Te S i p a r c o n t r e , o n a λ max = 1 alors α = λ max 0,16 et θ = Te avec Te = 1 13,2 Fc Application Une application de l'échantillonneur moyenneur est la Modulation par Impulsions Codées (MIC). Pour diminuer les coûts de la transmission téléphonique de signaux numérique, on utilise un même échantillonneur pour plusieurs voies. On procède de la façon suivante : - soient Te l a p é r i o d e d'ouverture de la porte et transmettre. m (t) m1(t) 0 d'échantillonnage, θ le temps m1 ( t ), m2 ( t ), ..., m N ( t ) l e s s i g n a u x à 2 t Te Te + θ θ m3(t) 2θ t t 48 A c h a q u e f i n d ' a c q u i s i t i o n d ' u n é c h a n t i l l o n d u m e s s a g e mi ( t ) l ' é c h a n t i l l o n n e u r c o m m u t e s u r l e m e s s a g e mi +1 ( t ) . O n u t i l i s e a i n s i l ' é c h a n t i l l o n n e u r d u r a n t t o u t e l a p é r i o d e Te ( = 1 2 5 μ s ) . S i θ = 4 μ s T a l o r s l e n o m b r e d e s i g n a u x t r a n s m i s e s t N = e = 30 + 1. C e s y s t è m e θ est appelé MIC 30 Voies ( + 1 voie de synchronisation ). Reconstitution pratique du signal : De même que l'échantillonnage idéal est irréalisable, la reconstitution du signal x(t) à partir de la formule d'interpolation de Shannon est impossible. On utilise donc des interpolateurs plus simples. Appelons y(t) le signal reconstitué. Interpolateur d'ordre 0 ou "Bloqueur ". y(t) est constant par morceaux. x(t) y(t) t Te y( t ) = x e ( kTe ) [ pour t ∈ kTe , ( k + 1) Te ou encore : +∞ y( t ) = ∑x k = −∞ e Te ⎞ ⎛ ( kTe ) ∏ Te ⎜ t − kTe − ⎟ 2⎠ 2 ⎝ Posons h( t ) = ∏ Te 2 Te ⎞ ⎛ ⎜t − ⎟ alors : ⎝ 2⎠ +∞ y( t ) = ∑x k = −∞ e ( kTe ) h ( t − kTe ) e ( kTe ) δ ( t − kTe ) * h( t ) +∞ y( t ) = ∑x k = −∞ y( t ) = x e ( t ) * h( t ) d'où : Y( f ) = X e ( f ) H ( f ) [ 49 Comme pour l'échantillonnage pratique, on remarque que Xe ( f ) e s t m o d i f i é p a r H ( f ) . L a d i s t o r s i o n s e r a d ' a u t a n t p l u s f a i b l e que le spectre H(f ) (= sinc ( π f Te ) sera étendu, c'est à dire que Te sera petit. On a donc, dans ce cas, intérêt à sur-échantillonner le signal ( Fe>>2Fc ). Remarque : Pour avoir Y(f)=X(f), il faut que H(f) soit une porte de demi-largeur Fe/2. Par conséquent, h(t) doit être un sinus cardinal. On retrouve la formule d'interpolation de SHANNON. Interpolateur d'ordre 1. Les points sont reliés par une droite. ⎡ x e (( k + 1) Te ) − x e ( kTe ) ⎤ y( t ) = x e ( kTe ) + ⎢ ⎥ ( t − kTe ) Te ⎣ ⎦ x(t) y(t) t 50 V Transformée de Fourier Discrète (T.F.D) 1°) Transformée de périodique et discret. Fourier d'un signal S o i t x ( t ) u n s i g n a l d é f i n i a u x i n s t a n t s kTe , p é r i o d i q u e e t d e p é r i o d e T = NTe : +∞ ⎧ ⎪x( t ) = ∑ x(kTe ) δ(t - kTe ) ⎨ k = -∞ ⎪⎩ x( t + NTe ) = x(t) L e s i g n a l t r o n q u é s u r u n e p é r i o d e , xT ( t ) , s ' é c r i t : N −1 x T (t) = ∑ x(kTe ) δ ( t − kTe ) k=0 d'où x(t) = x T ( t ) * ⎣⊥⎦ T (t) = N −1 ∑ x(kTe ) δ ( t − kTe ) * k=0 +∞ ∑ δ(t - nT) n = -∞ Alors N -1 X(f) = ∑ x(kT ) e - 2 πjfkTe e k=0 X( f ) = 1 NTe +∞ ∑ n = -∞ ∑ +∞ ∑ n = -∞ ⎛ n ⎞ ⎟ δ⎜ f NTe ⎠ ⎝ nk ⎡ ⎤ ⎛ n ⎞ - 2 πj N ⎢ ∑ x(kTe ) e ⎥ δ⎜ f - NT ⎟ ⎣k = 0 ⎦ ⎝ e⎠ N -1 N -1 S o i t X( n) = 1 NTe x(kTe ) e - 2 πj kn N k=0 X( f ) = Comme 1 NTe +∞ ⎛ ∑ X(n) δ⎜⎝ f n = -∞ - n ⎞ ⎟ NTe ⎠ prévu, le spectre n'est défini qu'aux fréquences 1 1 ( car le signal est périodique (T) ). De plus = multiples de NTe T l e s i g n a l x ( t ) é t a n t d i s c r e t ( Te ) , l e s p e c t r e e s t p é r i o d i q u e e t d e 1 = Fe période Te Dem : 51 ⎛ 1⎞ 1 X⎜ f + ⎟ = Te ⎠ NTe ⎝ +∞ ∑ n = -∞ ⎛ ( N − n) ⎞ ⎟ X(n) δ⎜ f + NTe ⎠ ⎝ Si N-n=-n' ⎛ X⎜ f + ⎝ 1⎞ ⎟ = Te ⎠ 1 NTe +∞ ∑ n' = - ∞ n' ⎞ ⎟ NTe ⎠ ⎛ X(n'+N) δ⎜ f ⎝ Avec X( n '+ N ) = N -1 ∑ x(kTe ) e - 2 πj(n'+N) k N N -1 = ∑ x(kTe ) e - 2 πj n' k N k=0 k=0 d'où X( n'+ N ) = X(n' ) et ⎛ 1⎞ X⎜ f + ⎟ = X(f) Te ⎠ ⎝ Conclusion : Le spectre X(f) est entièrement défini par les raies X(n), pour n variant de 0 à N-1. X(f) 0 1 n NTe N-1 N 2°) - Transformée de Fourier Discrète (TFD). Définition : La transformée de Fourier discrète, sur N points, du signal discret x(k) est définie par : T F D N {x(k)} = X(n) = N -1 ∑ x(k) W - nk N k=0 avec WN = e 2 πj N = Facteur de Rotation. Les notations x(k) (échantillonnage temporel) et Remarque : X(n) (échantillonnage fréquentiel) sont abusives. On devrait écrire: 52 ⎧ x( kTe ) ⎨ ⎩X( n Δf ) a v e c Δf = 1 1 = NTe T Δf e s t l ' é c a r t e n t r e d e u x résolution ou pas en fréquence raies du spectre. Δf est appelé Propriétés N . WNN k = 1; WN2 = -1 N . WN2 k = (-1) k ; WNα k = WNk α - L a T F D N {x( k )} e s t p é r i o d i q u e s u r N p o i n t s . - La formule d'inversion est donnée par : x( k ) = T F D -1 N {X( n)} = T F D I N {X( n)} = 1 N N -1 ∑ X( n) WN+ nk n=0 On en déduit que x(k) = x(k+N). - Si x(k) est réel alors : N -1 X( N - n) = X(-n) = ∑ x(k) WN+ nk k=0 ⎡ N -1 ⎤ X( N - n) = ⎢ ∑ x(k) WN-nk ⎥ ⎣k = 0 ⎦ * X( N - n) = X(n) * Cette propriété est particulièrement importante pour les applications, car elle permet de diviser par 2 le temps de calcul. En effet, la connaissance de X(n) pour n allant de 0 à N/2 suffit à calculer X(n), pour tout n. Lien entre TF et TFD Hélas, les signaux physiques ne sont pas aussi coopératifs (discrets et périodiques). Ils sont le plus souvent quelconques (continus et apériodiques). Pour étudier ces signaux, à l'aide d'une TFD, il faut procéder à un échantillonnage, une troncature, puis une périodisation du signal. On peut alors appliquer la T.F.D. Ces trois opérations ont pour effet de modifier le spectre X(f) du signal x(t). Ex : S i x ( t ) = e − at u( t ) , a v e c a > 0 e t u ( t ) = é c h e l o n , a l o r s : 53 1 a + 2πjf X( f ) = et 1 X( f ) = a 2 + 4π 2 f 2 Spectre Signal x(t) X(f) t f A p r è s é c h a n t i l l o n n a g e à u n e p é r i o d e Te : xe (t) = x(t) 0 1 Xe (f) = X(f)* Te (t) Te t Te -Fe 1 (f) Te Fe f Recouvrement spectral Après troncature du signal sur N points : xeTr (t) = xe(t) 0 Te NTe 2 (N-1)Te ( t - NTe ) 2 XeTr (f) = Xe(f)* sinc t f " Clapotis " dû à la convolution par le sinus cardinal Après périodisation du signal: 54 xeTr (t) * 0 Te NTe (t) 1 NTe t NTe 0 (f) 1 XeTr (f) NTe 1 f (N-1)Te NTe NTe Remarques : - Si le signal est déjà à durée limitée alors, le clapotis disparaît, seul le phénomène de recouvrement subsiste. - Pour atténuer les clapotis on utilise en pratique des fenêtres de pondération discrètes (Cf Ch.III-4: Analyse spectrale) telles que: . H a n n i n g = w( k) = . Bartlett = 1 ⎡ ⎛ 2 πk ⎞ ⎤ 1 - cos⎜ ⎟ , ⎢ ⎝ N ⎠ ⎥⎦ 2 ⎣ w(k) = 1 - k ∈ 0, N -1 k -N / 2 , N / 2 k ∈ 0, N -1 L a t r a n s f o r m é e X p ( n) d u s i g n a l x ( k ) p o n d é r é e s t : N -1 X p ( n) = ∑ w(k) x(k) WN-nk k=0 Cas des signaux continus périodiques Prenons l'exemple du signal x(t) défini par : x( t ) = cos(2 π f 0 t ) a l o r s X( f ) = [ ] 1 δ (f - f 0 ) + δ (f + f 0 ) . 2 A p r è s t r o n c a t u r e d u s i g n a l , s u r u n e d u r é e T = N Te , l e s p e c t r e X ( f ) e s t l a s o m m e d e d e u x s i n u s c a r d i n a u x c e n t r é s e n f0 e t − f0 . A p r è s é c h a n t i l l o n n a g e à u n e f r é q u e n c e Fe , l e s p e c t r e d e v i e n t périodique. X(f) est finalement représenté, sur la bande de f r é q u e n c e [ 0 , Fe ] , p a r : 55 X(f) N 2 Fo - 1 NTe f Fe-Fo Fo Fo + 1 NTe Deux cas se présentent pour le calcul de la T.F.D. p , a v e c p e n t i e r ∈ [0, N - 1] , a l o r s l e s p e c t r e X ( n ) e s t N Te donné par : S i f0 = ⎧⎪ N si n = p ou n = N - p X( n) = ⎨ 2 Ailleurs ⎩⎪ 0 D a n s c e c a s l a p ième c o m p o s a n t e c o r r e s p o n d e x a c t e m e n t à l a n correspondent alors aux f r é q u e n c e f0 . L e s r a i e s é l o i g n é e s d e N Te zéros du sinus cardinal. p , ∀ p ∈ N. N Te Dans ce cas X(n) correspond à un échantillonnage de X(f), tel que : S i f0 ≠ X(n) N 2 n p-1 Fo p NTe NTe périodique sont p . C'est à dire si i d e n t i q u e s , à u n t e r m e d ' a m p l i t u d e p r è s , s i f0 = N Te Conclusion: La TF et TFD NTe de ce signal 56 l'on tronque N Te = p T0 ) . le signal sur un nombre entier de périodes (T = 3°) - Convolution discrète. Comme nous le verrons, dans le chapitre suivant, il existe un algorithme de calcul rapide de la TFD appelé Transformée de Fourier Rapide (TFR). Nous allons essayer, dans ce paragraphe, de déterminer une relation entre convolution et TFD. Cette relation permet de considérablement diminuer le temps de calcul de la convolution, si l'on utilise la TFR. Cas des signaux périodiques. Soient x(k) et y(k) deux signaux périodiques et de période N. Le produit de convolution de ces signaux est donné par : N -1 z( k ) = x(k) * y(k) = ∑ x(i) y(k - i) i=0 On peut montrer que la TFD de z(k) est : Z( n) = T F D {z(k)} = X(n) Y(n) Dem : Z( n) = T F D {z(k)} N -1 ∑ Z( n) = i=0 ⎡ N -1 ⎤ = ∑ ⎢∑ x(i) y(k - i) ⎥ WN-n k k = 0 ⎣i = 0 ⎦ N -1 ⎡ N -1 ⎤ x(i) ⎢ ∑ y(k - i) WN-n k ⎥ ⎣k = 0 ⎦ Posons k - i = k' N -1 Z( n) = ∑ i=0 ⎡ N -1- i ⎤ x(i) ⎢ ∑ y(k' ) WN-n k' ⎥ WN-n i ⎣ k' = -i ⎦ soit S : N -1- i S = ∑ -1 y(k' ) WN-n k' = k' = -i ∑ y(k' ) WN-n k' + k' = -i N -1- i ∑ y(k' ) WN-1 k=0 Comme y(k') est périodique sur N points N -1 S = ∑ k' = N - i d'où N -1- i y(k' ) WN-n k' + ∑ k' = 0 y(k' ) WN-n k' 57 N -1 S = ∑ y(k' ) WN-n k' = Y(n) k' = 0 Par suite : N -1 Z( n) = ∑ x(i) WN-n i Y(n) = X(n) Y(n) i=0 On peut donc calculer le produit de convolution à partir du calcul de trois TFD, dont une inverse: { z( k ) = T F D -1 T F D{x( k )} T F D{ y( k )} } Cas des signaux à durée finie. S o i e n t xT ( k ) e t yT ( k ) d e u x s i g n a u x d é f i n i s r e s p e c t i v e m e n t s u r Nx e t Ny p o i n t s . P o u r c a l c u l e r l e p r o d u i t d e c o n v o l u t i o n , à l ' a i d e d e l a r e l a t i o n p r é c é d e n t e , i l f a u t p é r i o d i s e r xT ( k ) e t yT ( k ) s u r u n e même période N. On pourra alors calculer les TFD sur les signaux périodiques et en déduire z(k). Le problème est : "Comment choisir N?". Prenons l'exemple de deux signaux définis par: ⎧2 si k ∈ [0,5] x T ( k) = ⎨ ⎩ 0 Ailleurs ⎧1 si k ∈ [0,5] y T (k) = ⎨ ⎩ 0 Ailleurs ; A v e c Te = 1 e t N x = N y = 6 xT (k) yT (k) 2 1 k 0 1 k 5 6 0 1 5 6 et : z T (k) = xT (k) * yT (k) 12 k 0 1 5 6 10 zT ( k ) e s t d é f i n i s u r N ( = 1 1 ) p o i n t s . C ' e s t à d i r e a v e c N = N x + N y - 1 . Soient x(k) et y(k) les signaux périodiques. 58 - Si N = 11 x(k) y(k) 2 1 k 0 1 5 6 k 11 0 1 5 6 11 d'où : z(k) = x(k) * y(k) 12 k 0 1 5 6 10 10 ∑ A v e c z( k ) = x(i) y(k - i) i=0 - Si N = 6 x(k) y(k) 2 1 k 0 1 5 6 k 11 0 1 5 6 11 5 d ' o ù z( k ) = ∑ x(i) y(k - i) = 12 i=0 z(k) = x(k) * y(k) 12 k 0 1 5 6 11 - A l ' é v i d e n c e l e p r o d u i t d e c o n v o l u t i o n e s t b i a i s é s i N < N x + N y -1 - S i N > N x + N y -1 a l o r s z ( k ) e s t n u l l e p o u r k ∈ N x + N y , N En conclusion pour calculer le produit de convolution de signaux à durée finie il faut: 59 P r o l o n g e r xT ( k ) e t yT ( k ) p a r d e s z é r o s j u s q u ' à k = N - 1 = Nx + Ny - 2. Calculer les TFD des deux nouveaux signaux. Calculer la TFD inverse du produit. En principe le signal z(k) est réel, mais la TFD inverse restitue, le plus souvent, un signal complexe dont la partie imaginaire est non-nulle (très petite). Ceci est dû aux erreurs d'arrondis durant le calcul. Cas des signaux à énergie finie . Soient x(k) et y(k) deux signaux à énergie finie. Le produit de convolution z(k) est donné par : +∞ z( k ) = x(k) * y(k) = ∑ x(i) y(k - i). i = -∞ On peut se ramener au calcul par TFD si l'un des signaux est à durée finie. On utilise alors la technique dite de convolution sectionnée (Cf.KUNT). 4°) - Corrélation. Les relations et propriétés de la corrélation sont analogues à celles établies pour la convolution. Si x(k) et y(k) sont à énergie finie : +∞ C xy (k) = ∑ x(i) y * (i - k). i = -∞ Si x(k) et y(k) sont périodiques et de même période N N −1 C xy (k) = ∑ x(i) y * (i - k). i=0 On peut montrer dans ce cas que : { } S xy ( n) = T F D N C xy ( k ) = X( n)Y * ( n) Si les signaux x(k) et y(k) sont à durée finie, l ' i n t e r c o r r é l a t i o n C xy ( k ) s ' o b t i e n t e n c a l c u l a n t l e s T F D d e x ( k ) e t y ( k ) s u r N p o i n t s , a v e c N = N x + N y -1 . S xy ( n) = T F D N {x( k )} T F D *N { y( k )}