Fascicule Signal Removed
Fascicule Signal Removed
Fascicule Signal Removed
L’objectif de ce TP est de :
• Etudier les signaux échantillonnés.
• Réaliser l’analyse spectrale des signaux échantillonnés.
I. Rappel
1. Représentation du signal échantillonné
Un signal échantillonné constitue en fait un ensemble des prélèvements dans une période du
temps connue Te du signal temporel continu. Physiquement, on peut obtenir un signal
échantillonné à travers un échantillonneur idéal qui peut-être généralement représenter par un
interrupteur (voir la figure).
x(t) xe(t)
Te
1|Page
TP1 Analyse spectrale des signaux numériques
x(t )e
− j 2 ft
X ( f ) = TF ( x(t )) = .t
−
Expression de la TF discrète :
+ +
X e ( f ) = TF ( xe (t )) = TF ( x(t − nTe )) = f e X ( f − nf e )
− −
+ f
− j 2 n
X e ( f ) = x(nTe ) e fe
−
Spectre d’amplitude : X e ( f ) = R e 2 + I m 2
Im
Spectre de phase : =
Re
Pour avoir une bonne reconstitution du signal, on doit respecter le théorème de Shannon qui, en
le respectant, on ne rencontre plus le phénomène du recouvrement spatial. Ce dernier une fois
détecté, peut engendrer un problème lors de reconstitution du signal. En effet, la forme d’onde du
signal original sera affectée (déformée).
Théorème de Shannon : La fréquence d’échantillonnage devrait être supérieure ou égale 2 fois
la fréquence maximale du signal : Fe>=2*Fmax
La reconstitution du signal est faite par l’application de la transformée du Fourier inverse est un
filtre anti-repliement.
2|Page
TP1 Analyse spectrale des signaux numériques
Commande Description
3|Page
TP1 Analyse spectrale des signaux numériques
2. Analyse fréquentielle
1. Faites l’analyse spectrale par calcul du signal x(t) avec une fréquence F=100Hz et une
fréquence d’échantillonnage Fe=1 kHz.
2. Appliquer la transformée du Fourier Discrète (TFD) du signal x(t) et tracer son spectre X(f)
en fonction des fréquences.
3. Changer la fréquence d’échantillonnage à chaque fois pour les valeurs suivantes (50Hz,
500Hz et 1500Hz) et observer le spectre. Que remarquez-vous ?
4|Page
TP2 Convolution et corrélation des signaux numériques
L’objectif de ce TP est de :
• Savoir la différence entre un signal échantillonné et un signal discret.
• Savoir le calcul de la convolution des signaux discrets.
• Savoir le calcul de la corrélation des signaux discrets.
• Représenter le graphe de convolution et corrélation des signaux discrets.
• Superposition et analyse des signaux discrets.
I. Rappel
1. Différence entre un signal échantillonné et discret
On peut retrouver une autre représentation du signal xe(t) qui a pour expression temporelle :
+ +
xe (t ) = x(nTe ) (t − nTe ) = x(t − nTe )
− −
En effet, un signal discret est un signal échantillonné dont l’expression dépend du nombre des
échantillons contrairement a celui échantillonné qui possède une écriture en fonction du
temps. Donc, pour tout signal xe(t) on associe un signal x(k) qui n’est que sa représentation
discrète. Il est exprimé comme suit :
k =+
x( k ) = x(k ). (n − k )
k =−
Soit x(k ) = x( N ), x( N + 1),..., x( M ) , la taille du signal x(k) est obtenue selon cette formule :
Signal discret
Signal échantillonné
5|Page
TP2 Convolution et corrélation des signaux numériques
2. Convolution
Le produit de convolution de deux signaux discrets est déterminé à partir de cette formule :
y(n) = x1 (n) x2 (n) = x1 (k ) x2 (n − k )
k
3. Corrélation
La corrélation est une mesure du degré de similitude entre deux signaux. Sa formule est issue
du produit de convolution. On peut distinguer ainsi deux natures de corrélation :
intercorrélation et autocorrélation. Cette dernière représente en fait la mesure du degré de
ressemblance entre le signal et lui-même (convolution du signal avec lui-même).
Superposition des signaux
Les signaux peuvent être associés ensemble (superposés) selon :
➢ Une addition : x(t ) = x1 (t ) + x2 (t ) )
Travail demandé
Soit les deux signaux x1(t) et x2(t) décrites comme suit :
x1 (t ) = A1.sin(2 Ft
1 )
x2 (t ) = A2 .cos(2 F2t )
On considère les amplitudes suivantes : A1=2V et A2=5V et les fréquences F1=1kHz et F2=F1.
1. Générer et tracer les deux signaux pour une période de temps T=1s et une période
d’échantillonnage Te=10 ms.
6|Page
TP2 Convolution et corrélation des signaux numériques
7|Page
TP3 Filtrage des signaux numériques
L’objectif de ce TP est de :
• Génération des bruits
• Création des signaux bruités
• Analyse spectrale des signaux bruités
• Filtrage numérique
I. Rappel
Il existe deux natures de bruit :
- Les bruits additifs : simple d’être filtrer et éliminer xB (n) = x(n) + B(n) .
- Les bruits convolutifs : difficile d’être analyser et séparer xB (n) = x(n) B(n) .
On va s’intéresser dans ce TP qu’a l’analyse et le traitement des signaux superposes par un bruit
additif. De ce fait, il existe divers types de ce bruit parmi lesquels on peut citer :
Les bruits aléatoires : sont des échantillons d’un signal créer à travers la commande Matlab "rand".
Les bruits blancs gaussiens : ils possèdent une variation gaussienne. Ils sont générés à travers la
commande Matlab "wgn" ou "awgn".
1. Génération des bruits
▪ La commande "rand" :
t=0:0.01:2; %Génération d'axe du temps
segma=0.1; %écart type de la distribution gaussienne du bruit
b=segma.*rand(size(t)); %Génération d'un signal bruit de même taille que vecteur
temps
plot(t,b); % traçage du signal bruit en fonction du temps
stem(t,b); % traçage du signal bruit discret
▪ La commande "wgn" :
t=0:0.01:2; %Génération d'axe du temps
[m n]=size(t);% Extraction de la taille du vecteur temps
b=wgn(m,n,-20); %Génération d'un signal bruit avec une puissance -20dB
plot(t,b); % traçage du signal bruit en fonction du temps
stem(t,b); % traçage du signal bruit discret
▪ La commande "awgn"
8|Page
TP3 Filtrage des signaux numériques
Représentation en discret
2. Filtre numérique
Pour tout signal d’entrée x(n), le signal de sortie y(n) est issu d’un produit de convolution de x(n)
M
par h(n) (fonction du transfert du filtre) : y(n) = x(n) h(n) = x(k ) h(n − k )
k =0
9|Page
TP3 Filtrage des signaux numériques
Représentation en transformée en Z
Tout signal discret possède une représentation impulsionnelle :
+
x(n) = x(k ) (n − k )
−
Exemple :
Soit x(n) le signal suivant :
1.5
1 1
0.5
0 0
0 1 2 3 4 5
x(n) = 1. (n) + 0. ( n − 1) + 1.5. ( n − 2) + 0. ( n − 3) + 1. ( n − 4) + 0.5. ( n − 5)
Le retard est exprimé dans domaine de transformée en z par z-k d’où, on peut retirer cette
expression :
X ( z ) = x0 + x1.z −1 + x2 .z −2 + x3 .z −3 + x4 .z −4 + x5 .z −5
X ( z ) = 1.z −0 + 0.z −1 + 1.5.z −2 + 0.z −3 + 1.z −4 + 0.5.z −5
Remarque
La transformée en z n’est applicable que pour les signaux causaux (ne possèdent plus des
représentatrices pour n<0)
Y ( z ) b0 + b1.z −1 + b2 .z −2 ... + bm .z − m
ainsi H ( z ) = =
X ( z ) a1.z −1 + a2 .z −2 + ... + a p .z − p
10 | P a g e
TP3 Filtrage des signaux numériques
➢ Filtre à Réponse Impulsionnelle Finie (RIF) : est un filtre dont la sortie dépend seulement des
Y ( z)
échantillons des entrées précédentes : H ( z ) = = b0 + b1.z −1 + b2 .z −2 ... + bm .z − m
X ( z)
➢ Filtre à Réponse Impulsionnelle Infinie (RII) : est un filtre dont la sortie dépend à la fois des
Y ( z ) b0 + b1.z −1 + b2 .z −2 ... + bm .z − m
échantillons des entrées et sorties précédentes : H ( z ) = =
X ( z ) a1.z −1 + a2 .z −2 + ... + a p .z − p
➢ Filtre RIF
b=fir1(1,0.02,'low'); %filtre RIF d'ordre 1
[H,f]=freqz(b);
figure(2)
subplot(121)
semilogx(f,20*log10(abs(H))) % Tracé du Gabarit du filtre
grid
title('gabarit du filtre de RIF 1er ordre passe bas')
xlabel('fréquence')
ylabel('Gain en dB')
➢ Filtre RII
[b a]=butter(1,0.02,'low'); %filtre RIF d'ordre 1
[H,f]=freqz(b,a);
semilogx(f,20*log10(abs(H))) % Tracé du Gabarit du filtre
grid
title('gabarit du filtre de RII 1er ordre passe bas')
xlabel('fréquence')
ylabel('Gain en dB')
11 | P a g e
TP3 Filtrage des signaux numériques
12 | P a g e