Temps fréquence
Transcription
Temps fréquence
INTRODUCTION (1) 1 • Nous avons vu que la densité spectrale de puissance permet de caractériser le contenu fréquentiel d’un signal. • Mais rappelons qu’une hypothèse importante de départ est que le signal est stationnaire, c’est-à-dire que sa structure doit être invariante dans le temps. • Sinon, lorsqu’on estime la fonction d’autocorrélation en estimant la valeur moyenne du produit x(n)x(n+k), on somme des valeurs qui varient selon n. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne INTRODUCTION (2) • On peut toujours estimer la DSP, mais le résultat va être une moyenne des caractéristiques fréquentielles des différentes parties du signal. • On ne sait pas dans la DSP estimée ce qui correspond à quoi. • Autrement dit, on n’a pas l’information temporelle, par exemple si un pic en fréquence correspond à une oscillation à tel ou tel instant. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 2 INTRODUCTION (3) 3 • Exemple: une oscillation pas toujours présente 5 80 4 DSP 70 3 60 2 50 1 0 40 -1 30 -2 20 -3 10 -4 -5 0 100 200 300 400 500 600 700 800 900 1000 0 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 • La DSP donne seulement l’information d’oscillation Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne INTRODUCTION (4) 4 • Exemple: changement de fréquence 2 80 1.5 70 1 60 0.5 50 0 40 -0.5 30 -1 20 -1.5 10 DSP -2 0 100 200 300 400 500 600 700 800 900 1000 0 0 0.05 0.1 • La DSP ne montre pas ce changement Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 INTRODUCTION (5) 5 • Exemple: changement d’amplitude 2 100 DSP 90 1.5 80 1 70 0.5 60 0 50 40 -0.5 30 -1 20 -1.5 -2 10 0 100 200 300 400 500 600 700 800 900 1000 0 0 0.05 0.1 • La DSP ne montre pas ce changement Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 PRINCIPE (1) • Bien sûr, on peut repérer à l’œil les zones où le signal est stationnaire, et faire un estimation de la DSP séparément sur chaque zone. • Mais ceci nécessite qu’on soit effectivement capable de repérer ces zones, et on n’a pas d’information sur les transitions, qui peuvent être intéressantes. • En fait, pourquoi ne pas estimer la DSP locale systématiquement au cours du temps? Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 6 PRINCIPE (2) 7 • Isoler une portion de signal autour de l’indice n (typiquement entre n-m et n+m) revient à multiplier le signal par une fonction fenêtre de largeur 2m+1 centrée en n: 2 signal 0 -2 0 5 10 15 20 25 1 fenêtre 0 30 n 35 40 45 50 n-m n+m -1 0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50 2 produit 0 -2 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne LA TRANSFORMEE DE FOURIER A COURT TERME (1) • Et voilà! Pour chaque valeur de n on calcule la transformée de Fourier du signal fenêtré, on prend la valeur de l’amplitude au carré et on divise par le nombre d’échantillons, soit 2m+1. • Ceci revient donc à utiliser l’estimateur simple, qui n’est pas très bon. On ne peut pas utiliser l’estimateur moyenné car il y a en principe peu d’échantillons. Par contre, on peut adoucir le résultat en changeant la fonction fenêtre. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 8 LA TRANSFORMEE DE FOURIER A COURT TERME (2) 9 • On utilise de nouveau une fenêtre en bosse (ici fenêtre de Hamming). On donne donc plus d’importance aux échantillons d’indices proches de n. 2 signal 0 -2 0 5 10 15 20 25 1 fenêtre produit 0 30 n 35 40 45 50 n-m n+m -1 0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50 2 0 -2 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne LA TRANSFORMEE DE FOURIER A COURT TERME (3) • On peut montrer qu’utiliser ce type de fenêtre sur les échantillons est semblable à l’utiliser sur la fonction d’autocorrélation estimée (estimateur adouci). • On doit bien sûr corriger le changement de puissance du signal induit par le produit, puisque les échantillons résultants ont une amplitude plus petite car les valeurs de la fonction fenêtre sont inférieures à 1. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 10 LA TRANSFORMEE DE FOURIER A COURT TERME (4) 11 • On y est! On a maintenant pour chaque indice temporel une estimée de densité spectrale (pour un nombre fini de valeurs de fréquence). fréquence temps • C’est ce qu’on appelle souvent un plan temps-fréquence. Pour le représenter on va coder les valeurs avec des couleurs, typiquement foncé pour petit et vif pour grand. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne EXEMPLE 12 • Signal de la page 3 S ignal in tim e Real part 4 2 0 -2 -4 |S TFT|2 , Lh= 125, Nf= 500, lin. s c ale, im ages c , Thld= 1% 0.5 Frequency [Hz] 0.4 0.3 0.2 0.1 0 100 200 300 400 500 Tim e [s ] 600 700 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 800 900 1000 EXEMPLE 13 • Signal de la page 4 Real part S ig n a l in t im e 1 0 -1 |S TF T|2 , L h = 1 2 5 , N f= 5 0 0 , lin . s c a le , im a g e s c , Th ld = 5 % 0.2 Frequency [Hz] 0.15 0.1 0.05 0 100 200 300 400 500 Tim e [s ] 600 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 700 800 900 1000 EXEMPLE 14 • Signal de la page 5 Real part S ig nal in tim e 1 0 -1 |S TF T|2 , Lh= 125, N f= 500, lin. s c ale , im a ges c , Thld= 5% 0 .1 Frequency [Hz] 0.08 0.06 0.04 0.02 0 100 200 3 00 40 0 500 Tim e [s ] 600 70 0 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 800 9 00 1000 EXEMPLE • Signal composé d’une sinusoïde pure et d’une sinusoïde modulée linéairement en fréquence. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 15 LIMITATION (1) • Le principal désavantage de la STFT est le mauvais compromis réalisé parfois entre résolutions temporelle et fréquentielle. • En effet, pour être plus précis en temps, on peut prendre une fenêtre temporelle plus courte. Mais alors, on a moins d’échantillons pour faire l’estimation spectrale, et on est moins précis en fréquence. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 16 LIMITATION (2) • Illustration: 2 fonctions de Gabor de même fréquence et proches dans le temps Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 17 LIMITATION (3) Fonction d’analyse: Hamming de longueur 65 Fonction d’analyse: Hamming de longueur 17 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 18 UN PETIT TRUC (1) 19 • Le signal peut contenir un changement lent de valeur moyenne. Ceci correspond à une fréquence très basse mais un puissance importante. • Résultat: du fait de la représentation en code de couleurs, on ne voit que cette composante dans le plan temps-fréquence. • Solution simple: faire un filtrage passe-haut ne coupant que les très basses fréquences (filtrage allerretour bien sûr pour ne pas déphaser). Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne UN PETIT TRUC (2) 20 |S T F T | 2 , L h = 1 2 5 , N f= 5 0 0 , l i n . s c a l e , i m a g e s c , T h l d = 5 % 0.1 0.0 9 0.0 8 Frequency [Hz] 0.0 7 0.0 6 signal 0.0 5 0.0 4 0.0 3 0.0 2 4 0.0 1 2 0 100 200 300 400 500 T im e [ s ] 600 700 800 900 1000 0 -2 -4 2 |S T F T | , L h = 1 2 5 , N f= 5 0 0 , l i n . s c a l e , i m a g e s c , T h l d = 5 % 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000 4 0.1 0.0 9 2 0.0 8 0 0.0 7 Frequency [Hz] 0 -2 0.0 6 -4 0.0 5 0.0 4 0.0 3 après filtrage 0.0 2 0.0 1 0 100 200 300 400 500 T im e [ s ] 600 700 800 900 1000 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne