GoBack in s t i t u t d ' Automatisation in d u s t r i e l l e in s t i t u t d ' Automatisation in d u s t r i e l l e in s t i t u t d ' Automatisation in d u s t r i e l l e Traitement de signal (TS) (Signaux et Systèmes (M200)) Prof. Michel ETIQUE [email protected] Haute Ecole d’Ingénierie et de Gestion du canton de Vaud (HEIG-Vd) Département d’électricité et d’informatique institut d’Automatisation industrielle (iAi) 21 mars 2006 Prof.M.Etique Traitement de Signal – 1 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Organisation du cours Fiche d’unité d’enseignement Programme Forme informatique Applications du traitement de signal Applications du traitement de signal Traitement en temps réel de la parole Traitement par lot Traitement comme système échantillonné Traitement comme système échantillonné Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Prof.M.Etique Reconstruction des signaux Quelques Traitement de Signal – 2 / 42 Introduction Organisation du cours Fiche d’unité d’enseignement Programme Forme informatique Applications du traitement de signal Applications du traitement de signal Traitement en temps réel de la parole Traitement par lot Traitement comme système échantillonné Traitement comme système échantillonné Traitement de signal in s t i t u t d ' Automatisation in d u s t r i e l l e Organisation du cours 4 périodes par semaine, 8 séances, semestre no 5 ? Théorie (≈50%), exercices (≈50%) 2 TEs Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Prof.M.Etique Reconstruction des signaux Quelques Traitement de Signal – 3 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Fiche d’unité d’enseignement 1. http://iai.eivd.ch/users/mee//cours/cours_ses/admin/fiches/fiche_SES.pdf 2. http://iai.eivd.ch/users/mee//cours/cours_ses/admin/fiches/m_200_signaux_et_systemes.pdf Prof.M.Etique Traitement de Signal – 4 / 42 Introduction Organisation du cours Fiche d’unité d’enseignement Programme Forme informatique Applications du traitement de signal Applications du traitement de signal Traitement en temps réel de la parole Traitement par lot Traitement comme système échantillonné Traitement comme système échantillonné Traitement de Signal 4 périodes hebdo. = 32 périodes Étude des signaux périodiques Analyse des signaux non périodiques Éléments d’analyse spectrale numérique 1-2 TE + correction in s t i t u t d ' Automatisation in d u s t r i e l l e Programme Périodes Total 12 8 8 4 12 20 28 32 Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Prof.M.Etique Reconstruction des signaux Quelques Traitement de Signal – 5 / 42 ■ Cours, slides et exercices en formats pdf, source LATEX 2ε : in s t i t u t d ' Automatisation in d u s t r i e l l e Forme informatique http://iai.eivd.ch/users/mee/ ■ Fiche d’unité d’enseignement http ://iai.eivd.ch/users/mee/cours/cours_TS/admin/fiche/ficheTS_1_v1.pdf ■ Cours polycopié inspiré à 100% de celui du Prof.F.Mudry de la HEIG-Vd Prof.M.Etique Traitement de Signal – 6 / 42 Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal Traitement de Signal – 7 / 42 Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal Traitement de Signal – 7 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal (applications réalisées grâce au Processeurs de Signaux (DSP)) ■ ■ Le traitement de signal, dans sa variante numérique, constitue de nos jour la valeur ajoutée principale d’un grand nombre de produits Exemples : les équipements médicaux (aides auditives, mesures de paramètres vitaux, etc) Prof.M.Etique Traitement de Signal – 8 / 42 ■ ■ ■ ■ ■ ■ ■ Filtrage numérique classique (filtres FIR et IIR) Traitement d’image Traitement et le codage de la parole Transformée de Fourier rapide (FFT) Techniques d’audio digitale (lecteur CD) Compression de données (modulations numériques, codage d’image JPEG) Applications d’automatisation (régulateur, algorithme de commande de servo-moteurs) in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal =⇒ traitement numérique de signal Prof.M.Etique Traitement de Signal – 8 / 42 Automotive Adaptive ride control Antiskid brakes Cellular telephones Digital radios Engine control Global positioning Navigation Vibration analysis Voice commands Prof.M.Etique Consumer Digital radios/TVs Educational toys Music synthesizers Power tools Radar detectors Solid-state answering machines Control General-Purpose Disk drive control Engine control Laser printer control Motor control Robotics control Servo control Adaptive filtering Convolution Correlation Digital filtering Fast Fourier transforms Hilbert transforms Waveform generation Windowing in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal Traitement de Signal – 8 / 42 Graphics/Imaging Industrial Instrumentation 3-D rotation Animation/digital map Homomorphic processing Pattern recognition Image enhancement Image compression/transmission Robot vision Workstations Numeric control Power-line monitoring Robotics Security access Digital filtering Function generation Pattern matching Phase-locked loops Seismic processing Spectrum analysis Transient analysis Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal Medical Diagnostic equipment Fetal monitoring Hearing aids Patient monitoring Prosthetics Ultrasound equipment Traitement de Signal – 8 / 42 Military Image processing Missile guidance Navigation Radar processing Radio frequency modems Secure communications Sonar processing Prof.M.Etique Telecommunications 1200- to 19200-bps DTMF encoding/demodems coding Adaptive equalizers Echo cancellation ADPCM transcoders Fax Line repeaters Cellular telephones Speaker phones Channel multiplexing Spread spectrum Data encryption communications Digital PBXs Video conferencing Digital speech interX.25 Packet Switpolation (DSI) ching Personal digital assisPersonal communicatants (PDA) tions systems (PCS) in s t i t u t d ' Automatisation in d u s t r i e l l e Applications du traitement de signal Voice/Speech Speech enhancement Speech recognition Speech synthesis Speaker verification Speech vocoding Voice mail Text-to-speech Traitement de Signal – 8 / 42 Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Traitement en temps réel de la parole Traitement de Signal – 9 / 42 Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Traitement par lot Traitement de Signal – 10 / 42 Signaux : in s t i t u t d ' Automatisation in d u s t r i e l l e Traitement comme système échantillonné Temps Amplitude 0 t 0 t 0 t 0 t Continu Discret Prof.M.Etique Traitement de Signal – 11 / 42 Application Régulation Télécommunications Traitement de la parole Traitement audio Mise à jour d’écran video Mise à jour des pixels Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Traitement comme système échantillonné Fréquence d’échantillonnage fe = h1 typique 1 [kHz] 8 [kHz] 8 . . . 10 [kHz] 40 . . . 48 [kHz] 50 . . . 100 [Hz] 14 [MHz] Traitement de Signal – 12 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Analyse de Fourier Deux représentations pour un seul signal Séries de Fourier Suite d’impulsions Analyse des signaux périodiques Reconstruction des signaux Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 13 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Analyse de Fourier Analyse harmonique (ou fréquentielle) = instrument majeur de la théorie des signaux et des systèmes ■ Le développement en séries de Fourier (puis la transformation de Fourier) permettent d’obtenir une représentation spectrale des signaux déterministes, i.e. la répartition de 1. 2. 3. 4. l’amplitude la phase l’énergie la puissance des signaux considérés en fonction de la fréquence. =⇒ 2 chapitres consacrés à Fourier Prof.M.Etique Traitement de Signal – 14 / 42 x(t) = A · cos (2 · π · f0 · t + α) Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Deux représentations pour un seul signal Traitement de Signal – 15 / 42 x(t) = A · cos (2 · π · f0 · t + α) in s t i t u t d ' Automatisation in d u s t r i e l l e Deux représentations pour un seul signal +A 0 −A t T Espace temporel T t 0 1/T Espace fréquentiel f Amplitude Phase +π A 1/T f 0 1/T f 0 −π Prof.M.Etique Traitement de Signal – 15 / 42 π π 1 + · A · cos 4 · π · f0 · t − x(t) = A · cos 2 · π · f0 · t − 2 2 4 Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Deux représentations pour un seul signal Traitement de Signal – 15 / 42 π π 1 + · A · cos 4 · π · f0 · t − x(t) = A · cos 2 · π · f0 · t − 2 2 4 in s t i t u t d ' Automatisation in d u s t r i e l l e Deux représentations pour un seul signal Sinusoides de fréquences f et 2f 0 0 1.5 1 0.5 0 −0.5 −1 −1.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 3.5 4 4.5 5 Somme de 2 sinusoides 1.5 1 0.5 0 −0.5 −1 −1.5 Prof.M.Etique 0 0.5 1 1.5 2 2.5 3 Traitement de Signal – 15 / 42 f_sfour_2.eps π π 1 + · A · cos 4 · π · f0 · t − x(t) = A · cos 2 · π · f0 · t − 2 2 4 A in s t i t u t d ' Automatisation in d u s t r i e l l e Deux représentations pour un seul signal A 900 A/2 900 A/2 450 f0 f 450 f 2 f0 f f 2 f0 f0 -450 -450 -900 -900 Cosinusoïde d'amplitude A et de phase -900 Cosinusoïde d'amplitude A/2 et de phase -450 A 900 450 f0 f f0 2 f0 f 2 f0 -450 -900 Signal périodique non-sinusoïdal Prof.M.Etique Traitement de Signal – 15 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Séries de Fourier Définition de la série de Fourier Série de Fourier en cosinus Série de Fourier complexe Relations entre les 3 représentations Spectres d’amplitudes et de phases Séries de Fourier Suite d’impulsions Reconstruction des signaux Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 16 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Séries de Fourier L’élément fondamental de l’analyse de Fourier est constitué par le fait qu’un signal périodique peut être décomposé en une somme d’ondes sinusoïdales Prof.M.Etique Traitement de Signal – 17 / 42 6 in s t i t u t d ' Automatisation in d u s t r i e l l e Séries de Fourier 6 x (t) 1+x (t) 1 1 4 4 2 2 0 0 −2 −2 −1 0 6 1 2 −2 4 2 2 0 0 −2 −1 0 6 −1 0 6 x2(t) 4 −2 −2 1 2 −2 −2 −1 0 1 4 2 2 0 0 −2 −2 −1 0 1 1 2 −2 2 1+x (t)+x (t)+x (t) 3 4 2 1+x1(t)+x2(t) 6 x (t) 1 −2 −1 0 2 1 3 2 f_sfour_3.eps Le signal résultant est la somme de trois sinusoïdes dont la fréquence est chaque fois un multiple de la fondamentale f0 Prof.M.Etique Traitement de Signal – 17 / 42 Considérons un signal périodique x (t) de période T = série de Fourier est : ∞ ∞ k=1 k=1 1 f0 . Son développement en in s t i t u t d ' Automatisation in d u s t r i e l l e Définition de la série de Fourier X a0 X x (t) = + ak · cos (2 · π · k · f0 · t) + bk · sin (2 · π · k · f0 · t) 2 où ■ ■ ■ f0 = T1 est la fréquence fondamentale du signal a0 2 est la valeur moyenne ou composante continue ak , bk sont les coefficients de Fourier du développement en cosinus et sinus : Prof.M.Etique Traitement de Signal – 18 / 42 Considérons un signal périodique x (t) de période T = série de Fourier est : ∞ ∞ k=1 k=1 1 f0 . Son développement en in s t i t u t d ' Automatisation in d u s t r i e l l e Définition de la série de Fourier X a0 X x (t) = + ak · cos (2 · π · k · f0 · t) + bk · sin (2 · π · k · f0 · t) 2 où ■ ■ ■ f0 = T1 est la fréquence fondamentale du signal a0 2 est la valeur moyenne ou composante continue ak , bk sont les coefficients de Fourier du développement en cosinus et sinus : ak bk Prof.M.Etique = = 2 · T 2 · T Z + T2 − T2 Z x (t) · cos (2 · π · k · f0 · t) · dt k≥0 x (t) · sin (2 · π · k · f0 · t) · dt k≥1 + T2 − T2 Traitement de Signal – 18 / 42 6 in s t i t u t d ' Automatisation in d u s t r i e l l e Définition de la série de Fourier 6 x (t) 1+x (t) 1 1 4 4 2 2 0 0 −2 −2 −1 0 6 1 2 −2 4 2 2 0 0 −2 −1 0 6 −1 0 6 x2(t) 4 −2 −2 1 2 −2 −2 −1 0 1 4 2 2 0 0 −2 −2 −1 0 1 1 2 −2 2 1+x (t)+x (t)+x (t) 3 4 2 1+x1(t)+x2(t) 6 x (t) 1 −2 −1 0 2 1 3 2 f_sfour_3.eps ∞ ∞ k=1 k=1 X a0 X + ak · cos (2 · π · k · f0 · t) + bk · sin (2 · π · k · f0 · t) x (t) = 2 Prof.M.Etique Traitement de Signal – 18 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier en cosinus Partant la relation trigonométrique : p −B A · cos (x) + B · sin (x) = A2 + B 2 · cos x + arctan A le développement en série de Fourier ∞ ∞ k=1 k=1 X a0 X bk · sin (2 · π · k · f0 · t) ak · cos (2 · π · k · f0 · t) + + x (t) = 2 peut également s’écrire : x (t) = A0 + ∞ X k=1 Prof.M.Etique Ak · cos (2 · π · k · f0 · t + αk ) Traitement de Signal – 19 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier en cosinus Partant la relation trigonométrique : p −B A · cos (x) + B · sin (x) = A2 + B 2 · cos x + arctan A le développement en série de Fourier ∞ ∞ k=1 k=1 X a0 X bk · sin (2 · π · k · f0 · t) ak · cos (2 · π · k · f0 · t) + + x (t) = 2 peut également s’écrire : x (t) = A0 + ∞ X k=1 avec : A0 = Prof.M.Etique a0 2 Ak · cos (2 · π · k · f0 · t + αk ) q Ak = a2k + b2k αk = arctan −bk ak Traitement de Signal – 19 / 42 x (t) = A0 + ∞ X k=1 in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier en cosinus Ak · cos (2 · π · k · f0 · t + αk ) Remarques : ■ ■ Le développement en série en cosinus revient à considérer que le signal x (t) est créé de manière équivalente par une infinité de générateurs sinusoïdaux La représentation spectrale correspondante est le spectre unilatéral Prof.M.Etique Traitement de Signal – 19 / 42 x (t) = A0 + ∞ X Ak · cos (2 · π · k · f0 · t + αk ) 1 1 0.5 0.5 xk(t) c x(t) et x (t) k=1 in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier en cosinus 0 −0.5 0 −0.5 −1 −0.5 0 0.5 temps 1 −1 −0.5 1.5 0.7 0 0.5 temps 1 1.5 2 0.6 1 αk 0.4 A k 0.5 0 0.3 0.2 −1 0.1 0 Prof.M.Etique 0 2 4 6 frequence [k x f0] 8 10 −2 0 2 4 6 frequence [k x f0] 8 10 f_sfour1_4.eps Traitement de Signal – 19 / 42 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier complexe Série de Fourier : ∞ ∞ k=1 k=1 X a0 X bk · sin (2 · π · k · f0 · t) + ak · cos (2 · π · k · f0 · t) + x (t) = 2 ■ Relations d’Euler : cos (x) = sin (x) = Prof.M.Etique e+j·x + e−j·x 2 e+j·x − e−j·x 2·j ... Traitement de Signal – 20 / 42 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier complexe Série de Fourier : ∞ ∞ k=1 k=1 X a0 X bk · sin (2 · π · k · f0 · t) + ak · cos (2 · π · k · f0 · t) + x (t) = 2 ■ Relations d’Euler : cos (x) = sin (x) = e+j·x + e−j·x 2 e+j·x − e−j·x 2·j ... . . . on montre aisément que la série de Fourier peut être transformée en une série de Fourier complexe : ∞ X x (t) = X (j · k) · e+j·2·π·k·f0 ·t k=−∞ Prof.M.Etique Traitement de Signal – 20 / 42 x (t) = ∞ X k=−∞ in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier complexe X (j · k) · e+j·2·π·k·f0 ·t Les coefficients X (j · k) sont alors complexes et valent : 1 X (j · k) = · T Prof.M.Etique Z + T2 − T2 x (t) · e−j·2·π·k·f0 ·t · dt − ∞ < k < +∞ Traitement de Signal – 20 / 42 x (t) = ∞ X k=−∞ in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier complexe X (j · k) · e+j·2·π·k·f0 ·t Remarques : ■ ■ La représentation spectrale graphique correspondante est le spectre bilatéral Pour la suite du cours, on retiendra essentiellement cette description car elle est analytiquement plus intéressante que la forme en cosinus Prof.M.Etique Traitement de Signal – 20 / 42 x (t) = ∞ X k=−∞ in s t i t u t d ' Automatisation in d u s t r i e l l e Série de Fourier complexe X (j · k) · e+j·2·π·k·f0 ·t Signal temporel 8 x(t) 6 4 2 0 0.5 1 Spectre unilatéral 1.5 2 temps 4 4 3 3 2 1 0 0 1000 2000 3000 4000 k f0 1 /X(jk) / π k α /π 4 −3 x 10 2 0 −5000 5000 0.5 0 −0.5 −1 3 3.5 Spectre bilatéral 1 1 0 k f0 5000 0 k f0 5000 0.5 0 −0.5 0 1000 2000 3000 k f0 Prof.M.Etique 2.5 |X(jk)| A k 0 4000 5000 −1 −5000 f_ex_SF_1_2_1.eps Traitement de Signal – 20 / 42 Im Ak ∈R -bk in s t i t u t d ' Automatisation in d u s t r i e l l e Relations entre les 3 représentations de Fourier -bk/2 X(+jk) ∈C +αk −αk Re +ak/2 +ak X(-jk) +bk/2 ∞ ∞ X a0 X bk · sin (2 · π · k · f0 · t) + ak · cos (2 · π · k · f0 · t) + x (t) = 2 x (t) = A0 + k=1 ∞ X k=1 x (t) = ∞ X k=−∞ Prof.M.Etique (1) k=1 Ak · cos (2 · π · k · f0 · t + αk ) X (j · k) · e+j·2·π·k·f0 ·t (2) (3) Traitement de Signal – 21 / 42 k=0 k>0 ak bk Ak αk X (+j · k) X (−j · k) Prof.M.Etique a0 2 {ak , bk } ak p bk a2k+ b2k −bk arctan ak 1 2 · (ak − j · bk ) 1 2 · (ak + j · bk ) A0 {Ak , αk } +Ak · cos (αk ) −Ak · sin (αk ) Ak αk 1 2 1 2 · Ak · e+j·αk · Ak · e−j·αk X (0) X (±j · k) +2 · <{X (j · k)} −2 · ={X (j · k)} 2· |X (j · k) | ={X (+j · k)} arctan <{X (+j · k)} X (+j · k) X (−j · k) in s t i t u t d ' Automatisation in d u s t r i e l l e Relations entre les 3 représentations de Fourier Traitement de Signal – 21 / 42 k=0 k>0 ak bk Ak αk X (+j · k) X (−j · k) ■ a0 2 {ak , bk } ak p bk a2k+ b2k −bk arctan ak 1 2 · (ak − j · bk ) 1 2 · (ak + j · bk ) A0 {Ak , αk } +Ak · cos (αk ) −Ak · sin (αk ) Ak αk 1 2 1 2 · Ak · e+j·αk · Ak · e−j·αk X (0) X (±j · k) +2 · <{X (j · k)} −2 · ={X (j · k)} 2· |X (j · k) | ={X (+j · k)} arctan <{X (+j · k)} X (+j · k) X (−j · k) in s t i t u t d ' Automatisation in d u s t r i e l l e Relations entre les 3 représentations de Fourier Relation existant entre les coefficients spectraux et la valeur efficace d’une composante spectrale : Ak,eff Prof.M.Etique √ Ak = √ = 2 · |X (j · k) | 2 Traitement de Signal – 21 / 42 Spectres unilatéraux x (t) = A0 + ∞ X k=1 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Ak · cos (2 · π · k · f0 · t + αk ) −→ fréquences positives ou nulles Prof.M.Etique Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Spectres unilatéraux x (t) = A0 + ∞ X k=1 Ak · cos (2 · π · k · f0 · t + αk ) Signaux Spectres unilatéraux 0.8 1 0.6 0.5 0.4 0 0.2 −0.5 −1 0 0 1 2 3 0 2 4 6 0 2 4 6 0 2 4 6 0.8 1 0.6 0.5 0.4 0 −0.5 0.2 −1 0 0 1 2 3 0.8 1 0.6 0.4 0.5 0.2 0 0 0 1 2 temps Prof.M.Etique 3 fréquence f_sfour_5.eps Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Spectres bilatéraux ∞ X x (t) = k=−∞ X (j · k) · e+j·2·π·k·f0 ·t Signal temporel 8 x(t) 6 4 2 0 0.5 1 Spectre unilatéral 1.5 2 temps 4 4 3 3 2 1 0 0 1000 2000 3000 4000 k f0 1 /X(jk) / π αk / π 4 −3 x 10 2 0 −5000 5000 0.5 0 −0.5 −1 3 3.5 Spectre bilatéral 1 1 0 k f0 5000 0 kf 5000 0.5 0 −0.5 0 1000 2000 3000 kf 0 Prof.M.Etique 2.5 |X(jk)| Ak 0 4000 5000 −1 −5000 0 f_ex_SF_1_2_1.eps Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Spectres bilatéraux x (t) = ∞ X k=−∞ ■ X (j · k) · e+j·2·π·k·f0 ·t Les spectres d’amplitudes sont toujours des fonctions paires car : Ak |X (+j · k) | = |X (−j · k) | = 2 ■ Les spectres de phases sont toujours des fonctions impaires : 6 ■ k 6= 0 X (+j · k) = −6 X (−j · k) = αk k 6= 0 Pour le cas particulier de la composante continue du signal, on a : Prof.M.Etique |X (0) | = A0 6 X (0) = {0, π} Traitement de Signal – 22 / 42 Coefficients spectraux et symétries des signaux Si l’on tient compte des symétries du signal, le calcul des séries de Fourier est simplifié : ■ une fonction paire est représentée par des cosinus seulement ; on a alors : αk = {0, ±π} ■ ={X (j · k)} = 0 une fonction impaire est représentée par des sinus seulement ; on a alors : π αk = ± 2 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases <{X (j · k)} = 0 une fonction à symétrie demi-onde ne possède pas d’harmoniques paires : X (j · k) = 0 Prof.M.Etique si k est pair Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Coefficients spectraux et symétries des signaux 1.5 1 0.5 0 −0.5 −1 −1.5 0 0.5 1 1.5 2 2.5 3 f_sfour_6.eps Les fonctions à symétrie demi-onde sont telles qu’une rotation autour de l’abscisse de l’alternance positive ou négative permet de reproduire l’autre alternance. Prof.M.Etique Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Exemple de représentations spectrales d’un signal π x (t) = 3+2·cos (2 · π · f0 · t)−3.464·sin (2 · π · f0 · t)+2·sin 4 · π · f0 · t + 4 Forme en cosinus x (t) = 3 + 2 · cos (2 · π · f0 · t) − 3.464 · sin (2 · π · f0 · t) + 2 · sin =3+ p 22 + = 3 + 4 · cos 3.4642 · cos 2 · π · f0 · t + arctan 2 · π · 1 · f0 · t + π 3 + 2 · cos 4 · π · f0 · t + − (−3.464) 2 2 · π · 2 · f0 · t − + 2 · cos π π 4 4 · π · f0 · t + π 4 π − 4 = A0 + A1 · cos (2 · π · f0 · t + α1 ) + A2 · cos (4 · π · f0 · t + α2 ) Prof.M.Etique Traitement de Signal – 22 / 42 2 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Exemple de représentations spectrales d’un signal π x (t) = 3+2·cos (2 · π · f0 · t)−3.464·sin (2 · π · f0 · t)+2·sin 4 · π · f0 · t + 4 Forme complexe x (t) = = 3+2·e +j· 2·π·f0 ·t+ π 3 3+2·e +j· π 3 ·e +j·2·π·f0 ·t = X (0)+X (+j · 1)·e Prof.M.Etique +2·e −j· π 3 +j·2·π·f0 ·t −j· 2·π·f0 ·t+ π 3 +2·e ·e −j·2·π·f0 ·t +X (−j · 1)·e +j· 4·π·f0 ·t− π 4 +1·e +1·e −j·2·πf0 −j· π 4 ·e +j·4·π·f0 ·t +X (+j · 2)·e −j· 4·π·f0 ·t− π 4 +1·e +1·e +j· π 4 +j·4·π·f0 ·t ·e −j·4·π·f0 ·t +X (−j · 2)·e −j·4·π·f0 Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Spectres d’amplitudes et de phases Signal temporel 10 x(t) 5 0 0 0.5 1 Spectres unilatéraux 1.5 2 temps 5 5 4 4 3 3 2 1 4 2 0 0 1 2 kf 3 4 −2 0 1 −1 /X(jk) / π 0 −0.5 0 kf 1 2 0 k f0 1 2 0 1 0.5 −1 3 3.5 Spectres bilatéraux 1 0 αk / π 2.5 |X(jk)| Ak −5 0.5 0 −0.5 0 1 2 k f0 3 4 −1 −2 −1 f_spectres_1c.eps Prof.M.Etique Traitement de Signal – 22 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Suite d’impulsions rectangulaires (SIR) Suite d’impulsions rectangulaires (SIR) Signal carré Suite d’impulsions triangulaires Suite d’exponentielles décroissantes Suite d’impulsions Reconstruction des signaux Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 23 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) x(t) A ∆t t -T Prof.M.Etique 0 +T Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) x(t) A ∆t t -T 0 +T Série de Fourier complexe de la SIR x (t). On a : X (j · k) = Prof.M.Etique 1 · T Z + T2 − T2 x (t) · e−j·2·π·k·f0 ·t · dt avec f0 = 1 T Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) x(t) A ∆t t -T 0 +T Série de Fourier complexe de la SIR x (t). On a : X (j · k) = 1 · T Z + T2 − T2 x (t) · e−j·2·π·k·f0 ·t · dt avec f0 = 1 T Selon la définition de la SIR, il vient : X (j · k) = = Prof.M.Etique A · T Z + ∆t 2 − ∆t 2 1 · e−j·2·π·k·f0 ·t · dt −1 ∆t A −j·2·π·k·f0 · ∆t +j·2·π·k·f · 0 2 2 − e · · e T j · 2 · π · k · f0 Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) x(t) A ∆t t -T 0 +T Série de Fourier complexe de la SIR x (t). On a : X (j · k) = 1 · T Z + T2 − T2 x (t) · e−j·2·π·k·f0 ·t · dt avec f0 = 1 T Selon la définition de la SIR, il vient : X (j · k) = = A · T Z + ∆t 2 − ∆t 2 1 · e−j·2·π·k·f0 ·t · dt −1 ∆t A −j·2·π·k·f0 · ∆t +j·2·π·k·f · 0 2 2 − e · · e T j · 2 · π · k · f0 Les relations d’Euler permettent de passer de la différence des exponentielles à un sinus et d’écrire ces coefficients sous la forme d’un sinus cardinal : Prof.M.Etique Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) x(t) A ∆t t -T 0 +T Série de Fourier complexe de la SIR x (t). On a : X (j · k) = 1 · T Z + T2 − T2 x (t) · e−j·2·π·k·f0 ·t · dt avec f0 = 1 T Selon la définition de la SIR, il vient : X (j · k) = = A · T Z + ∆t 2 − ∆t 2 1 · e−j·2·π·k·f0 ·t · dt −1 ∆t A −j·2·π·k·f0 · ∆t +j·2·π·k·f · 0 2 2 − e · · e T j · 2 · π · k · f0 ∆t sin (k · π · f0 · ∆t) ∆t X (j · k) = A · · · sinc (k · π · f0 · ∆t) =A· T k · π · f0 · ∆t T Prof.M.Etique Traitement de Signal – 24 / 42 X (j · k) = A · X(j · k) Prof.M.Etique 0.3 0.2 0.1 0 −0.1 −0.2 ∆t ∆t sin (k · π · f0 · ∆t) · =A· · sinc (k · π · f0 · ∆t) T k · π · f0 · ∆t T A· in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) ∆t T 1 ∆t 1 f0 = T −15 −10 −5 0 5 10 15 f [Hz] Traitement de Signal – 24 / 42 X (j · k) = A · X(j · k) ■ 0.3 0.2 0.1 0 −0.1 −0.2 ∆t ∆t sin (k · π · f0 · ∆t) · =A· · sinc (k · π · f0 · ∆t) T k · π · f0 · ∆t T A· in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) ∆t T 1 ∆t 1 f0 = T −15 −10 −5 0 5 10 15 f [Hz] L’amplitude du spectre X (j · k) est égale à la valeur moyenne de la SIR limx→0 sin(x) =1 x Prof.M.Etique Traitement de Signal – 24 / 42 X (j · k) = A · X(j · k) ■ 0.3 0.2 0.1 0 −0.1 −0.2 ∆t ∆t sin (k · π · f0 · ∆t) · =A· · sinc (k · π · f0 · ∆t) T k · π · f0 · ∆t T A· in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) ∆t T 1 ∆t 1 f0 = T −15 −10 −5 0 5 10 15 f [Hz] Les coefficients de Fourier sont purement réels puisque le signal est pair Prof.M.Etique Traitement de Signal – 24 / 42 X (j · k) = A · X(j · k) ■ 0.3 0.2 0.1 0 −0.1 −0.2 ∆t ∆t sin (k · π · f0 · ∆t) · =A· · sinc (k · π · f0 · ∆t) T k · π · f0 · ∆t T A· ∆t T 1 ∆t 1 f0 = T −15 −10 −5 0 5 10 15 f [Hz] Plus les impulsions sont étroites par rapport à la période T , plus le spectre s’étale : 1 ◆ le premier passage par zéro se fait à la fréquence ∆t ◆ la distance entre raies spectrales ne change pas puisqu’elle est égale à l’inverse de la période de la SIR f0 = Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) 1 T Traitement de Signal – 24 / 42 0.2 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) 0.15 |X(j · k)| 0.1 0.05 0 −15 −10 −5 −15 −10 −5 0 5 10 15 5 10 15 f [Hz] 1 0.5 arg{X(j·k)} π 0 −0.5 −1 ■ 0 f [Hz] Il est fréquent que le spectre d’un signal soit complexe. Dans ce cas, sa représentation dans un plan ne peut se faire qu’au travers du traçage distinct des spectres d’amplitudes et de phases Prof.M.Etique Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) http ://iai.eivd.ch/users/mee//cours/cours_ts/chap_01/sysquake/SI.exe Prof.M.Etique Traitement de Signal – 24 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions rectangulaires (SIR) k = [−N : N ] ; A = 1; T = 1; f 0 = 1/T ; Delta_t = 0 . 2 ; X = A∗ D e l t a _ t /T∗ s i n c ( p i ∗k ∗ f 0 ∗ D e l t a _ t ) ; t = −2∗T: 1 ∗ T/ 3 0 0 : 2 ∗T ; x = zeros ( size ( t ) ) ; f o r l =1: l e n g t h ( k ) x = x + X( l ) . ∗ e x p ( j ∗2∗ p i ∗ f 0 ∗ k ( l )∗ t ) ; end clf su bplot (211) p l o t ( k∗ f 0 , X , ’ o r ’ ) p l o t ( k∗ f 0 , X , ’ r : ’ ) l a b e l ( ’ f ␣ [ Hz ] ’ , ’X( j k ) ’ ) su bplot (212) plot (t , x , ’ sr ’ ) l a b e l ( ’ t ’ , ’ xN ( t ) ’ ) Prof.M.Etique Traitement de Signal – 25 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Signal carré 1 0.5 x(t) A 0 −0.5 −1 Prof.M.Etique −0.5 T 2 T 2 0 0.5 1 t [s] Traitement de Signal – 26 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Signal carré 1 A 0.5 0 x(t) −0.5 −1 −0.5 T 2 T 2 0 0.5 1 t [s] 0.6 0.4 X(j · k) 0.2 0 −0.2 Prof.M.Etique −8 −6 −4 −2 0 2 4 6 8 f [Hz] Traitement de Signal – 26 / 42 4 π 1 0.5 0 x(t) −0.5 −1 −2 in s t i t u t d ' Automatisation in d u s t r i e l l e Signal carré ·A A −1 0 1 2 3 t [s] 0.6 0.4 X(j · k) 0.2 0 −0.2 Prof.M.Etique −8 −6 −4 −2 0 2 4 6 8 f [Hz] Traitement de Signal – 26 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions triangulaires x(t) Α t −∆t -T 0 +∆t +T X(jk) A ∆t/T f = k f0 -1/ ∆t Prof.M.Etique 0 +1/ ∆t Traitement de Signal – 27 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions triangulaires x(t) Α t −∆t -T 0 +∆t +T X(jk) A ∆t/T f = k f0 -1/ ∆t ■ 0 +1/ ∆t Afin que les surfaces de la SIR et de la SIT soient égales, la largeur à la base du triangle est égale à 2 · ∆t Prof.M.Etique Traitement de Signal – 27 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’impulsions triangulaires x(t) Α t −∆t -T 0 +∆t +T X(jk) A ∆t/T f = k f0 -1/ ∆t ■ Spectre : Prof.M.Etique X (j · k) = A · +1/ ∆t 0 ∆t · T sin (k · π · f0 · ∆t) k · π · f0 · ∆t 2 Traitement de Signal – 27 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 −1 −0.5 0 0.5 1 1.5 2 f_sfour3_3.eps − τt x (t) = A · e Prof.M.Etique si 0≤t<T Traitement de Signal – 28 / 42 1 0.9 0.8 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 −1 −0.5 0 0.5 1 1.5 2 f_sfour3_3.eps ■ Calcul du spectre : 1 X (j · k) = · T A = · T A = · T = Prof.M.Etique Z T x (t) · e−j·2·π·k·f0 ·t · dt 0 Z Z T t e− τ · e−j·2·π·k·f0 ·t · dt 0 T −t·( τ1 +j·2·πk·f0 ) e 0 −t·( τ1 +j·2·π·k·f0 ) · dt A e · 1 T − τ + j · 2 · π · k · f0 T 0 i h A −τ +j·2·π·k·f ·T −( T )−1 0 = · · e τ T (1 + j · 2 · π · k · f0 · τ ) Traitement de Signal – 28 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 −1 −0.5 0 0.5 1 1.5 2 f_sfour3_3.eps ■ i h T −τ A · e−( τ +j·2·π·k·f0 ·T ) − 1 X (j · k) = · T (1 + j · 2 · π · k · f0 · τ ) En admettant que la constante de temps τ soit beaucoup plus petite que la période T , l’exponentielle revient "quasiment" à zéro à la fin de chaque période −→ le premier terme entre crochets 1 : 1 τ X (j · k) = A · · T (1 + j · 2 · π · k · f0 · τ ) Prof.M.Etique si τ T Traitement de Signal – 28 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 −1 −0.5 0 0.5 1 1.5 2 f_sfour3_3.eps ■ τ 1 X (j · k) = A · · T (1 + j · 2 · π · k · f0 · τ ) si τ T 0.1 abs(X(jf)) 0.08 0.06 0.04 0.02 0 0 1 2 3 4 0 1 2 3 4 5 6 7 8 9 10 5 6 fréquence [kHz] 7 8 9 10 0 angle(X(jf)) −20 −40 −60 −80 −100 Prof.M.Etique f_sfour3_4.eps Traitement de Signal – 28 / 42 ■ X (j · k) = A · 1 τ · T (1 + j · 2 · π · k · f0 · τ ) si τ T in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 0.1 abs(X(jf)) 0.08 0.06 0.04 0.02 0 0 1 2 3 4 0 1 2 3 4 5 6 7 8 9 10 5 6 fréquence [kHz] 7 8 9 10 0 angle(X(jf)) −20 −40 −60 −80 −100 f_sfour3_4.eps ■ On trouve dans ce résultat la fonction de transfert d’un filtre passe-bas d’ordre 1 A · Tτ Y (j · ω) = H(j · ω) = X(j · ω) 1+j·ω·τ Prof.M.Etique Traitement de Signal – 28 / 42 ■ X (j · k) = A · 1 τ · T (1 + j · 2 · π · k · f0 · τ ) si τ T in s t i t u t d ' Automatisation in d u s t r i e l l e Suite d’exponentielles décroissantes 0 −10 A(f) −20 −30 −40 −50 −60 −2 10 −1 10 0 1 10 10 2 3 10 10 f [Hz] 0 −20 φ(f) −40 −60 −80 −100 −2 10 −1 10 0 1 10 10 2 3 10 10 f [Hz] f_sfour3_8.eps ■ On trouve dans ce résultat la fonction de transfert d’un filtre passe-bas d’ordre 1 A · Tτ Y (j · ω) = H(j · ω) = X(j · ω) 1+j·ω·τ Prof.M.Etique Traitement de Signal – 28 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Reconstruction des signaux Synthèse d’un signal carré Phénomène de Gibbs Importance de la phase Reconstruction des signaux Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 29 / 42 x (t) = ∞ X k=−∞ Prof.M.Etique X (j · k) · e+j·2·π·k·f0 ·t in s t i t u t d ' Automatisation in d u s t r i e l l e Synthèse d’un signal carré Traitement de Signal – 30 / 42 x (t) = ∞ X k=−∞ in s t i t u t d ' Automatisation in d u s t r i e l l e Synthèse d’un signal carré X (j · k) · e+j·2·π·k·f0 ·t +N ∆t X sin (k · π · f0 · ∆t) +j·2·π·k·f0 ·t · ·e xN (t) = A · T k · π · f0 · ∆t k=−N ∆t · =A· T −1 X sin (k · π · f0 · ∆t) +j·2·π·k·f0 ·t ·e k · π · f0 · ∆t k=−N sin (0 · π · f0 · ∆t) +j·2·π·0·f0 ·t ·e 0 · π · f0 · ∆t ! +N X sin (k · π · f0 · ∆t) · e+j·2·π·k·f0 ·t + k · π · f0 · ∆t + k=1 ∆t =A· · T Prof.M.Etique N X sin (k · π · f0 · ∆t) k=1 k · π · f0 · ∆t +1+ +N X k=1 · e−j·2·π·k·f0 ·t ! sin (k · π · f0 · ∆t) +j·2·π·k·f0 ·t ·e de Signal – 30 / 42 k · π · f0 ·Traitement ∆t xN (t) = A · Prof.M.Etique ∆t · T 1+2· +N X k=1 ! in s t i t u t d ' Automatisation in d u s t r i e l l e Synthèse d’un signal carré sin (k · π · f0 · ∆t) · cos (2 · π · k · f0 · t) k · π · f0 · ∆t Traitement de Signal – 30 / 42 xN (t) = A · ∆t · T 1+2· +N X k=1 sin (k · π · f0 · ∆t) · cos (2 · π · k · f0 · t) k · π · f0 · ∆t Dans le cas d’un signal carré, le rapport cyclique s’annule pour k pair. Avec A = 1, il vient alors : xN (t) = ! in s t i t u t d ' Automatisation in d u s t r i e l l e Synthèse d’un signal carré ∆t T vaut 0.5 et le sinus cardinal 1 2 2 2 + ·cos (2 · π · f0 · t)− ·cos (6 · π · f0 · t)+ ·cos (10 · π · f0 · t)+. . . 2 π 3·π 5·π Prof.M.Etique Traitement de Signal – 30 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Synthèse d’un signal carré 2 2 1 2 ·cos (6 · π · f0 · t)+ ·cos (10 · π · f0 · t)+. . . xN (t) = + ·cos (2 · π · f0 · t)− 2 π 3·π 5·π 1.2 1.2 N=0 1 0.8 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 −0.2 −5 0 5 1.2 Prof.M.Etique −0.2 −5 0 5 1.2 N=3 1 0.8 0.6 0.6 0.4 0.4 0.2 0.2 0 0 0 N=5 1 0.8 −0.2 −5 N=1 1 5 −0.2 −5 0 5 Traitement de Signal – 30 / 42 f_sfour2_4.eps ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Phénomène de Gibbs Reconstruction d’un signal : x(N ) (t) = N X k=−N = A0 + X (j · k) · ej·2·π·k·f0 ·t N X k=1 Prof.M.Etique Ak · cos (2 · π · k · f0 · t + αk ) Traitement de Signal – 31 / 42 ■ Reconstruction d’un signal : x(N ) (t) = N X k=−N = A0 + X (j · k) · ej·2·π·k·f0 ·t N X k=1 ■ ■ ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Phénomène de Gibbs Ak · cos (2 · π · k · f0 · t + αk ) On remarque en général une convergence rapide vers le signal original au fur et à mesure que N augmente Cela n’est plus vrai lorsque le signal possède des discontinuités d’ordre 0 : il apparaît alors, à l’endroit de la discontinuité, des oscillations que l’on désigne sous le nom de phénomène de Gibbs L’amplitude du dépassement dû à ces oscillations est égale au 9% de l’amplitude de la discontinuité Prof.M.Etique Traitement de Signal – 31 / 42 x(N ) (t) = N X k=−N = A0 + X (j · k) · ej·2·π·k·f0 ·t N X k=1 Ak · cos (2 · π · k · f0 · t + αk ) 1.2 1.2 x (t) avec 1 N=3 0.6 0.4 0.4 0.2 0.2 0 0 0 2 4 1.2 xN(t) avec −2 0 2 4 0.6 0.4 0.4 0.2 0.2 0 0 0 2 N = 79 0.8 0.6 −2 xN(t) avec 1 N = 19 0.8 Prof.M.Etique −0.2 −4 1.2 1 −0.2 −4 N N=7 0.8 0.6 −2 x (t) avec 1 N 0.8 −0.2 −4 in s t i t u t d ' Automatisation in d u s t r i e l l e Phénomène de Gibbs 4 −0.2 −4 −2 0 2 4 Traitement de Signal – 31 / 42 f_sfour2_5.eps x(N ) (t) = N X k=−N = A0 + X (j · k) · ej·2·π·k·f0 ·t N X k=1 ■ ■ ■ ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Importance de la phase Ak · cos (2 · π · k · f0 · t + αk ) Il est fréquent en traitement du signal de ne parler que des spectres d’amplitudes et de délaisser quelque peu les spectres de phases Cette attitude est due au fait que lors du filtrage de signaux audio, on se contente de modifier le spectre d’amplitudes car l’oreille est peu sensible aux distorsions de phase Cependant, lorsque l’on désire conserver la forme d’un signal, en particulier dans le cas du filtrage d’images, il est très important de ne pas négliger le spectre de phases. La phase contient une part importante de l’information concernant la forme d’un signal Prof.M.Etique Traitement de Signal – 32 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Importance de la phase original Prof.M.Etique module phase TF inverse du module TF inverse de la phase Traitement de Signal – 32 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Reconstruction des signaux Quelques théorèmes importants Théorème de la puissance (dit de Parseval) Décalage temporel Modulation d’amplitude Rotation d’un signal autour de son ordonnée Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 33 / 42 Définition de la puissance moyenne normalisée : P = Prof.M.Etique 1 · T Z + T2 − T2 in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) 2 x2 (t) · dt = Xeff Traitement de Signal – 34 / 42 Définition de la puissance moyenne normalisée : P = ■ ■ 1 · T Z + T2 − T2 in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) 2 x2 (t) · dt = Xeff Cette définition coïncide avec celle du carré de la valeur efficace du signal x (t) Les unités de la puissance normalisée ne s’expriment donc pas en [W], mais en [V2 ] ou [A2 ] selon que le signal est une tension ou un courant électrique Prof.M.Etique Traitement de Signal – 34 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) Définition de la puissance moyenne normalisée : P = ■ ■ 1 · T Z + T2 − T2 2 x2 (t) · dt = Xeff Le théorème de Parseval affirme que la puissance normalisée d’un signal peut se calculer aussi bien dans le domaine temporel que dans le domaine fréquentiel Dans l’espace des fréquences, le signal x (t) est représenté par des générateurs d’amplitude Ak −→ la puissance totale est égale à la somme des puissances fournies par chaque générateur : 2 P = Xeff ∞ X 2 ∞ ∞ X X A 1 √k · A2k = Pk = A20 + = A20 + 2 2 k=0 k=1 k=1 = Pdc + Pac 2 = X (0) + ∞ X 1 k=1 Prof.M.Etique 2 2 · (2 · |X (j · k)|) = +∞ X k=−∞ 2 |X (j · k)| Traitement de Signal – 34 / 42 On conclut que la puissance peut se calculer dans le domaine temporel ou dans le domaine fréquentiel avec l’une ou l’autre des relations : P = 1 · T Z + T2 − T2 in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) x2 (t) · dt ∞ X 1 = A20 + · A2k 2 k=1 = +∞ X k=−∞ = X (0)2 + 2 · Prof.M.Etique 2 |X (j · k)| +∞ X k=1 |X (j · k)|2 Traitement de Signal – 34 / 42 De in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) ∞ X 1 A2k P = A20 + · 2 k=1 découle le résultat important : 2 2 2 Xeff = Xdc + Xac Le carré de la valeur efficace d’un signal est égal à la somme des carrés des valeurs efficaces de chacune de ses composantes. Prof.M.Etique Traitement de Signal – 34 / 42 X(jk) in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) A ∆t/T 1/T = f0 f = k f0 0 -1/∆t ■ +1/∆t Le premier lobe du spectre d’une SIR contient environ le 90% de la puissance totale du signal Prof.M.Etique Traitement de Signal – 34 / 42 ■ Les puissances des trois signaux les plus usuels que sont le carré, le sinus et le triangle d’amplitude A et à valeur moyenne nulle sont par exemple : x (t) = A · sqr(2 · π · f · t) x (t) = A · sin (2 · π · f · t) x (t) = A · tri(2 · π · f · t) Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Théorème de la puissance (dit de Parseval) A2 =⇒P = 1 A2 =⇒P = 2 A2 =⇒P = 3 Traitement de Signal – 34 / 42 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Décalage temporel Il est fréquent en analyse des signaux de devoir décaler temporellement un signal x (t) On obtient alors y (t) = x (t + td ) Ce décalage td peut être positif (signal avancé) ou négatif (signal retardé). x(t) x(t+t1) x(t-t1) td > 0 t -t1 Prof.M.Etique 0 +t1 td < 0 t t -t1 0 0 +t1 Traitement de Signal – 35 / 42 ■ On montre alors qu’entre les espaces temps et fréquences, il existe la relation suivante : y (t) = x (t + td ) ■ ⇐⇒ in s t i t u t d ' Automatisation in d u s t r i e l l e Décalage temporel Y (j · k) = e+j·2·π·k·f0 ·td · X (j · k) Comme le module du phaseur e+j·2·π·k·f0 ·td vaut toujours un, il s’ensuit que seul le spectre de phases est modifié par un décalage temporel. On a donc : |Y (j · k)| = |X (j · k)| βk = αk + 2 · π · k · f0 · td À un décalage temporel correspond une phase variant linéairement avec la fréquence. Prof.M.Etique Traitement de Signal – 35 / 42 ■ En télécommunications, on émet souvent des signaux dont le spectre a été déplacé dans un spectre de fréquences permettant la transmission par ondes électromagnétiques x (t) = m(t) · p(t) | {z } |{z} in s t i t u t d ' Automatisation in d u s t r i e l l e Modulation d’amplitude message porteuse Si p(t) est de type sinus, on peut écrire : e+j·2·πfp t + e−j·2·πfp t cos (2 · π · fp · t) = 2 Généralisation : multiplication par un phaseur x (t) = m (t) · p (t) = m (t) · e±j·2·πfp ·t On peut alors montrer : x (t) = e±j·2·π·fp ·t · m (t) ⇐⇒ X (j · k) = M (j · (k · f0 ∓ fp )) Prof.M.Etique Traitement de Signal – 36 / 42 Modulation d’amplitude in s t i t u t d ' Automatisation in d u s t r i e l l e Modulation d’amplitude Spectres 1 |M(jf)| m(t) 0.4 0.5 0 0 1 2 0.2 0 −20 3 −10 0 10 20 −10 0 10 20 −10 0 fréquence 10 20 1 0.4 |P(jf)| p(t) 0.5 0 0.2 −0.5 −1 0 1 2 0 −20 3 1 0.4 |X(jf)| x(t) 0.5 0 0.2 −0.5 −1 0 1 2 temps 3 0 −20 f_sfmodulat_2.eps À une multiplication par un phaseur dans le domaine temporel correspond un décalage dans l’espace des fréquences Prof.M.Etique Traitement de Signal – 36 / 42 ■ La rotation d’un signal autour de son ordonnée est décrite par : in s t i t u t d ' Automatisation in d u s t r i e l l e Rotation d’un signal autour de son ordonnée y (t) = x (−t) ■ On montre que y (t) = x (−t) ⇐⇒ Y (j · k) = X (−j · k) = X ∗ (j · k) À une rotation du signal temporel autour de l’ordonnée correspond le conjugué complexe dans le domaine fréquentiel. Prof.M.Etique Traitement de Signal – 37 / 42 Par exemple, si l’on s’intéresse à une suite périodique d’exponentielles croissantes décrite par t si 0≤t<T x (t)|T = A · e+ τ in s t i t u t d ' Automatisation in d u s t r i e l l e Rotation d’un signal autour de son ordonnée son spectre se calcule aisément à partir de celui de la suite d’exponentielles décroissantes t si 0≤t<T xo (t)|T = A · e− τ Prof.M.Etique Traitement de Signal – 37 / 42 Par exemple, si l’on s’intéresse à une suite périodique d’exponentielles croissantes décrite par t si 0≤t<T x (t)|T = A · e+ τ in s t i t u t d ' Automatisation in d u s t r i e l l e Rotation d’un signal autour de son ordonnée son spectre se calcule aisément à partir de celui de la suite d’exponentielles décroissantes t si 0≤t<T xo (t)|T = A · e− τ 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 −1 −0.5 0 0.5 1 1.5 2 f_sfour3_3.eps Prof.M.Etique Traitement de Signal – 37 / 42 Par exemple, si l’on s’intéresse à une suite périodique d’exponentielles croissantes décrite par t si 0≤t<T x (t)|T = A · e+ τ in s t i t u t d ' Automatisation in d u s t r i e l l e Rotation d’un signal autour de son ordonnée son spectre se calcule aisément à partir de celui de la suite d’exponentielles décroissantes t si 0≤t<T xo (t)|T = A · e− τ τ 1 Xo (j · k) = A · · T 1 + j · 2 · π · k · f0 · τ si τ T On voit en effet que l’on a x (t) = xo (−t) donc X (j · k) = Xo (−j · k) = A · Prof.M.Etique 1 τ · T 1 − j · 2 · π · k · f0 τ si τ T Traitement de Signal – 37 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Reconstruction des signaux Quelques théorèmes importants Réponse d’un système linéaire Réponse d’un système linéaire Réponse d’un système linéaire Réponse d’un système non-linéaire Prof.M.Etique Traitement de Signal – 38 / 42 ■ ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Réponse d’un système linéaire Filtre de fonction de réponse fréquentielle G (j · ω) soumis à une SIR x(t) périodique =⇒ y(t) périodique Y (j · k) = X (j · k) · G (j · ω)|ω=2·π·k·f0 x(t) y(t) x(t) t Prof.M.Etique G(jω) y(t) t Traitement de Signal – 39 / 42 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Réponse d’un système linéaire x(t) périodique =⇒ y(t) périodique Y (j · k) = X (j · k) · G (j · ω)|ω=2·π·k·f0 ■ Les systèmes linéaires conservent la fréquence des signaux appliqués |X(jk)| |G(jf)| |Y(jk)| 1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 2 4 6 8 10 12 fréquence [Hz] 14 16 18 20 f_sfour3_7.eps Prof.M.Etique Traitement de Signal – 39 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Introduction Analyse des signaux périodiques Séries de Fourier Suite d’impulsions Reconstruction des signaux Quelques théorèmes importants Réponse d’un système non-linéaire Réponse d’un système linéaire Réponse d’un système non-linéaire Réponse d’un système non-linéaire Distorsion due à une diode Prof.M.Etique Traitement de Signal – 40 / 42 ■ ■ ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Réponse d’un système non-linéaire La caractéristique remarquable des systèmes non-linéaires est de déformer les signaux sinusoïdaux Le signal de sortie d’un système non-linéaire qui serait ainsi soumis à une entrée sinusoïdale pure est donc, tout en restant périodique, non-sinusoïdal Le spectre du signal de sortie est constitué d’un grand nombre de raies spectrales, alors qu’à l’entrée il n’y avait qu’une seule raie Prof.M.Etique Traitement de Signal – 41 / 42 ■ ■ ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Réponse d’un système non-linéaire La caractéristique remarquable des systèmes non-linéaires est de déformer les signaux sinusoïdaux Le signal de sortie d’un système non-linéaire qui serait ainsi soumis à une entrée sinusoïdale pure est donc, tout en restant périodique, non-sinusoïdal Le spectre du signal de sortie est constitué d’un grand nombre de raies spectrales, alors qu’à l’entrée il n’y avait qu’une seule raie ■ On mesure cette déformation à l’aide du taux de distorsion harmonique (TDH). s Xeff (k > 1) X(2)2 + X(3)2 + X(4)2 + . . . T DH = = 2 Xeff (k = 1) X(1) ■ Le TDH est défini comme le rapport de la valeur efficace des harmoniques d’ordre supérieur à 1 avec la valeur efficace du premier harmonique Prof.M.Etique Traitement de Signal – 41 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode i(t) ∆(t) uD(t) U0 u (t) = U0 + ∆u (t) = U0 + A · sin (2 · π · f0 · t) U D ID = IS · e n·VT − 1 (Loi exponentielle) Prof.M.Etique Traitement de Signal – 42 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode i(t) ∆(t) uD(t) U0 u (t) = U0 + ∆u (t) = U0 + A · sin (2 · π · f0 · t) U D ID = IS · e n·VT − 1 U0 = 0.5 [V] A = 0.05 [V] f0 = 100 [Hz] IS = 10 [pA] n = 1 VT = 26 [mV] Prof.M.Etique Traitement de Signal – 42 / 42 in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode i(t) ∆(t) uD(t) U0 u (t) = U0 + ∆u (t) = U0 + A · sin (2 · π · f0 · t) U D ID = IS · e n·VT − 1 1. 2. 3. 4. Calcul de I0 , Imax et Imin Esquisse de u (t) et i (t) Calcul de U (j · k) et I (j · k) Calcul le TDH du courant Prof.M.Etique Traitement de Signal – 42 / 42 ■ Le calcul de I0 , Imax et Imin se fait application numérique de Upar simple D n·VT −1 : l’équation de la diode ID = IS · e 1. Courant au point de fonctionnement 2. Valeur maximum 3. Valeur minimum Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode I0 = 2.54 [mA] Imax = 17.2 [mA] Imin = 0.36 [mA] Traitement de Signal – 42 / 42 ■ in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode La simulation temporelle avec Spice donne : On y voit que la variation sinusoïdale de la tension u(t) de la diode (50 [mV]) autour du point de fonctionnement (500 [mV]) entraîne une variation non sinusoïdale du courant i(t) caractérisé par les valeurs calculées Prof.M.Etique Traitement de Signal – 42 / 42 ■ L’analyse spectrale obtenue par FFT (Fast Fourier Transform) donne : in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode 1. La tension de la diode ne contient que 2 raies spectrales : (a) La composante DC : (b) La composante AC : Prof.M.Etique Udc = 0.5 [V] U1 = 50 [mV] Traitement de Signal – 42 / 42 ■ L’analyse spectrale obtenue par FFT (Fast Fourier Transform) donne : in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode 2. Le courant non sinusoïdal est composé d’un grand nombre de raies spectrales dont les 10 premières sont les plus significatives. On y trouve en particulier (a) La composante DC : (b) La composante fondamentale : Prof.M.Etique Idc = 5.41 [mA] I1 = 7.43 [mA] Traitement de Signal – 42 / 42 ■ L’analyse spectrale obtenue par FFT (Fast Fourier Transform) donne : ■ Calcul du taux de distorsion : s Prof.M.Etique in s t i t u t d ' Automatisation in d u s t r i e l l e Distorsion due à une diode Xeff (k > 1) X(2)2 + X(3)2 + X(4)2 + . . . = T DH = 2 Xeff (k = 1) X(1) r 3.142 + 0.942 + 0.222 + 0.0412 + 0.00652 + . . . = 7.432 = 44% = forte déformation ! Traitement de Signal – 42 / 42