Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

PROCESSUS DE SIGNAL NUMÉRIQUE

NOMBRE
UNITÉ SUJET
DE CLASSES
Introduction au DSP
Signaux et séquences temporels discrets 2

Systèmes invariants à décalage linéaire 2

Stabilité et causalité 1

Équations de différence à coefficient constant linéaire 2

UNITÉ I
Représentation du domaine fréquentiel des signaux et systèmes temporels discrets 2

INTRODUCTION Réalisation de filtres numériques

Applications des transformations Z 1

Solution des équations de différence des filtres numériques 2

Fonction du système et critère de stabilité 2

Réponse en fréquence des systèmes stables 1

Réalisation de filtres numériques­formes directes, canoniques, en cascade et parallèles 4

19
Série de Fourier discrète
Représentation DFS des séquences périodiques, propriétés de DFS 3

Transformée de Fourier discrète : propriétés de la DFT 2

Convolution linéaire de séquences à l'aide de DFT 1

UNITÉ II Calcul de DFT : ajout de chevauchement, méthode de sauvegarde par chevauchement 2
Relation entre DTFT, DFS, DFT, Z­Transform 1
Transformations de Fourier rapides
Décimation en temps FFT­Radix­2 4

Décimation en fréquence FFT­Radix­2 4

FFT inverse et FFT avec Radix­N général 2

19
UNITÉ III approximations de filtres analogiques­Butterworth et Chebyshev 2

Conception de filtres numériques IIR à partir de filtres analogiques 2

IIR NUMÉRIQUE Techniques invariantes de pas et d'impulsion 2
FILTRES 2
Méthode de transformation bilinéaire, transformations spectrales
8
Caractéristiques des filtres numériques FIR, réponse en fréquence 3
UNITÉ IV
Conception de filtres FIR­Méthode Fourier 1

Filtres numériques utilisant les techniques de fenêtre 2

SAPIN NUMÉRIQUE
Technique d'échantillonnage de fréquence 1
FILTRES
Comparaison des filtres FIR et IIR 1
8
Introduction Sous­échantillonnage, décimation 2

Échantillonnage ascendant, interpolation, conversion du taux d'échantillonnage 2

Effets de longueur de mot finie : cycles limites, oscillations de débordement 2

UNITÉ V Arrondir le bruit dans les filtres numériques IIR 1

Bruit d'arrondi de sortie de calcul 1

MULTIRATE 1
Méthodes pour éviter le débordement

Page 1
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

DSP Compromis entre le bruit d'arrondi et de débordement 1

Effets de bande morte 1
11
NOMBRE TOTAL DE CLASSES ATTENDUES 65

UNITÉ 1

INTRODUCTION

1.1INTRODUCTION AU TRAITEMENT DU SIGNAL NUMÉRIQUE :

SIGNAL : Un signal est défini comme toute quantité physique qui varie avec le temps, l'espace ou une autre variable indépendante.

SYSTÈME : Un système est défini comme un appareil physique qui effectue une opération sur un signal.

TRAITEMENT DU SIGNAL : Le système est caractérisé par le type d'opération effectuée sur

le signal. De telles opérations sont appelées traitement du signal. Ce type de traitement par

Les systèmes numériques sont appelés TRAITEMENT DU SIGNAL NUMÉRIQUE.

Fig : Schéma fonctionnel du DSP

Avantages du DSP

1. Un système programmable numérique permet une flexibilité dans la reconfiguration du signal numérique

opérations de traitement en modifiant le programme. Dans le cas de l'analogique, une refonte du matériel est nécessaire.

2. En numérique, la précision dépend de la longueur du mot, de l'arithmétique flottante ou fixe, etc.

L'analogique dépend des composants.

3. Peut être stocké sur disque.

4. Il est très difficile d'effectuer des opérations mathématiques précises sur des signaux sous forme analogique

mais ces opérations peuvent être mises en œuvre de manière routinière sur un ordinateur numérique à l'aide d'un logiciel.

Page 2
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

5. Moins cher à mettre en œuvre.

6. Petite taille.

7. Plusieurs filtres nécessitent plusieurs cartes en analogique, alors qu'en numérique, le même processeur DSP est

utilisé pour de nombreux filtres.

Inconvénients du DSP

1. Lorsque le signal analogique change très rapidement, il est difficile de convertir la forme numérique

(au­delà de la plage 100 KHz)

2. w=1/2 Taux d'échantillonnage.

3. Problèmes de longueur de mots finie.

4. Lorsque le signal est faible, à quelques dixièmes de millivolts près, nous ne pouvons pas amplifier le signal.

après sa numérisation.

5. Le matériel DSP est plus cher que les microprocesseurs et microprocesseurs à usage général.

contrôleurs.

6. Le DSP dédié peut faire mieux que le DSP à usage général.

Applications du DSP

1. Filtrage.

2. Synthèse vocale dans laquelle le bruit blanc (toutes les composantes de fréquence présentes au même

niveau) est filtré sur une base de fréquence sélective afin d'obtenir un signal audio.

3. Compression et expansion de la parole pour une utilisation dans les communications vocales radio.

4. Reconnaissance vocale.

5. Analyse des signaux.

6. Traitement d'image : filtrage, effets de bords, rehaussement.

7. PCM utilisé dans la communication téléphonique.

8. communication de données MODEM à grande vitesse utilisant des systèmes de modulation d'impulsions tels que FSK,

QAM, etc. Le MODEM transmet à haute vitesse (1 200 à 19 200 bits par seconde) sur une bande

ligne téléphonique analogique limitée (3­4 KHz).

1.2 SIGNAUX ET SÉQUENCES TEMPORELLES DISCRÈTES :

Page 3
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

SIGNAL À TEMPS DISCRET : Un signal qui a des valeurs à des instants discrets qui sont

obtenu en échantillonnant un signal temporel continu.

Représentation des signaux temporels discrets :

Il en existe 4 types :

1. Représentation graphique
2. Représentation fonctionnelle
3. Représentation tabulaire
4. Représentation séquentielle

Représentation graphique

Considérons un signal temporel discret x(n) avec des valeurs x(­1)=1,x(0)=2,x(1)=3,x(2)=4………….., cela
peut être représenté comme le montre la fig.

Représentation fonctionnelle : le signal est représenté comme

1 = −1
2 = 0,1
X(n)= 0,5 =2
1,5 =3
( 0 )

Représentation tabulaire : Le signal est représenté comme

Page 4
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Représentation séquentielle : Le signal est représenté sous forme de séquence dont l'origine temporelle est indiquée par le
symbole ↑.

Signaux et séquences temporels discrets :

1.2.1 Séquences temporelles discrètes

Séquence des étapes unitaires :

Il est défini comme

Séquence d'impulsions unitaires :

δ(n)=1 n=0

0n≠0

Page 5
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Séquence de rampe unitaire : elle est définie comme

Séquence exponentielle : c'est une séquence de la forme

x(n)=un

Signal sinusoïdal :

Il est représenté par x(n)=Acos(won+Φ)

Page 6
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

n
Signal exponentiel complexe : il est représenté par x(n)= a e j(gagné+Φ)

x(n)= a n cos(gagné+Φ) +jan sin(gagné+Φ) c'est à dire

1.2.2 Classification des signaux horaires discrets :

1. Signaux d’énergie et de puissance.

2. Signaux périodiques et apériodiques.
3. Signaux symétriques et asymétriques.
4. Signaux causals et non causals.
5. Signaux d'énergie et de puissance.

Signal d'énergie et de puissance : Pour un signal à temps discret x(n), l'énergie E est donnée par

La puissance moyenne d'un signal temporel discret x(n) est

Page 7
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Un signal est un signal énergétique si l’énergie totale est finie.

Signal périodique et apériodique :

Un signal temporel discret x(n) est dit périodique de période N ssi

x(N+n)= x(n) pour tout n

la plus petite valeur de n pour laquelle le signal est périodique est appelée période fondamentale.

Si la condition ci­dessus est valide, alors le signal est périodique.

Fig : Séquence périodique fig : séquence apériodique

Exemple : Montrer que la séquence exponentielle x(n)=ejw0n est périodique si w0/2π est rationnel
nombre.

Signaux symétriques (pairs) et asymétriques (impairs) :

Un signal temporel discret x(n) est dit même s'il satisfait à la condition

x(­n)=x(n) pour tout n

Page 8
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Un signal temporel discret x(n) est dit impair, il satisfait à la condition

x(­n)=­x(n) pour tout n

ces signaux sont représentés comme indiqué sur la fig.

Fig a. signal pair b. signal impair

Signaux causals et non causals : Un signal x(n) est dit causal si sa valeur est nulle pour n<0, sinon le signal est non
causal. Un signal nul pour tout n 0 est appelé signal anti­causal.

1.3 Systèmes invariants à décalage linéaire :

Un système est dit invariant par décalage linéaire (temps) si les caractéristiques du système ne
changent pas avec le temps. En d'autres termes, si la séquence d'entrée est décalée de k échantillons, la séquence de
sortie générée est la séquence d'origine décalée de k échantillons.

Page 9
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Pour tester si un système donné est invariant dans le temps, appliquez d'abord une séquence x(n) et trouvez y(n). Retardez
maintenant la séquence d’entrée de k échantillons et trouvez la séquence de sortie.

Remarque : Un système linéaire invariant dans le temps satisfait à la fois aux propriétés de linéarité et d'invariance temporelle.

Si l'entrée du système est une impulsion unitaire, c'est­à­dire x(n)=δ(n), alors la sortie du système est appelée
réponse impulsionnelle notée h(n).

h(n)=T[δ(n)]

pour un système LTI, si l'entrée et la réponse impulsionnelle sont connues, alors la sortie y(n) est donnée par

y(n)=∑
∞
=−∞ ( ) ( − )

l'équation ci­dessus représente la sortie est la somme de convolution de la séquence d'entrée x(n) et de la réponse
impulsionnelle h(n) représentée par

y(n)=x(n)*h(n)

1.4 STABILITÉ ET CAUSALITÉ

1.4.1 Systèmes stables et instables

Un système LTI est dit stable s’il produit une séquence de sortie limitée pour chaque séquence d’entrée
limitée. Si l’entrée est limitée et la sortie est illimitée, alors il s’agit d’un système instable. La condition nécessaire
et suffisante pour la stabilité est

∞
<∞
∑ ()
=−∞

Page 10
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

c'est­à­dire que la réponse impulsionnelle est stable si la réponse impulsionnelle est sommable.

1.4.2 Système causal

Généralement, un système causal est un système dont la production dépend uniquement des valeurs
passées et présentes des entrées. La sortie d’un système LTI est donnée par

∞
y(n)=∑ =−∞ ()(−)

−1 ∞
= y(n)=∑ =−∞ ()(−) + y(n)=∑ (=0) ( − )

=…………….h(­2)x(n+2)+h(­1)x(n+1)+h(0)x(n)+h(1)x(n­1) +…………..

Comme la sortie du système causal ne dépend pas des entrées futures, négligez donc les termes, alors y(n) se
réduit à

y(n)= h(0)x(n)+h(1)x(n­1)+…………..

∞
=∑ ()
=0 (−)

c'est­à­dire h(k)=0 pour k<0.

Par conséquent, un système LTI est causal si et seulement si sa réponse impulsionnelle est nulle pour des valeurs négatives
de n.

1.5 ÉQUATION DE DIFFÉRENCE DE COEFFICIENT CONSTANT LINÉAIRE.

Il existe différentes méthodes d'analyse du comportement ou de la réponse du système LTI.

1. Solution directe de l’équation aux différences.

2. Convolution discrète.
3. Transformation Z

Solution directe de l'équation de différence : la relation d'entrée et de sortie du système LTI est
régie par une équation de différence à coefficient constant.

y(n)= − ∑ =1 (−) +∑ =0 (−)

Mathématiquement, la solution directe de l'équation ci­dessus peut être obtenue pour déterminer la
réponse du système.

Convolution discrète : la sortie est une convolution de l'entrée et de la réponse impulsionnelle.

y(n)=x(n)*h(n)

Page 11
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Transformée Z : la propriété de convolution de la transformée z de la convolution de l'entrée et de la réponse

impulsionnelle est égale au produit de leurs transformées z individuelles.

c'est­à­dire Z[ (n)*h(n)]=X(Z)H(Z)

mais y(n)=x(n)*h(n)

donc Z[y(n)]= X(Z)H(Z)

donc y(n)=Z­1 (X(Z)H(Z))

c'est­à­dire que la réponse y(n) d'un système LTI est obtenue en prenant la transformée Z inverse de X(Z) et H(Z).
Inversement, si la fonction de transfert du système est connue, nous pouvons alors déterminer la réponse
impulsionnelle du système en prenant la transformée Z inverse de la fonction de transfert.

c'est­à­dire h(n)=Z­1 [H(Z)]=Z­1 {Y(Z)/X(Z)}

1.6 REPRÉSENTATION DANS LE DOMAINE FRÉQUENCIEL DES SIGNAUX ET DES SÉQUENCES TEMPS
DISCRETS.

La transformée de Fourier donne une représentation efficace des signaux et des systèmes dans le domaine fréquentiel.
La transformée de Fourier du signal à temps discret est donnée par

X(ω)=∑ ∞ e ­jwn
=−∞ ( )

w est la fréquence et elle varie continuellement de o à 2π. L'amplitude de X(w) donne le spectre de fréquences
de x(n).

Oui(w)=X(w)H(w)

H(w)= Y(w) / X(w)

H(w) est la fonction système et h(n)=IFT[H(w)]

Séries de Fourier à temps discret :

Considérons une séquence périodique x(n) de période N et ceci est exprimé en série de Fourier discrète comme

−1 ej2πnk/N
x(n)= ∑ =0

les valeurs de Ck k=0,1,2,3…………….N­1 sont appelées spectres discrets de x(n). Chaque Ck apparaît à la fréquence
wk=2πk/N.

Transformée de Fourier en temps discret :

La DFT est donnée par X (ejw) =∑ ∞=−∞

­jwn
() e

Page 12
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Où X (ejw) est appelé DTFT de x(n)

x(n) est appelé IDTFT de X (ejw)

une condition suffisante pour l'existence de DTFT pour une séquence périodique x(n) est

c'est­à­dire que la séquence est absolument sommable.

1.7 Propriétés de DTFT

1.8 APPLICATIONS DES TRANSFORMÉES Z :

• La transformée z est un outil mathématique puissant utilisé pour l'analyse des données temporelles linéaires.
systèmes discrets invariants dans le domaine fréquentiel.

• La transformée en z comporte des parties imaginaires et réelles comme la transformée de Fourier.

La partie contre la partie réelle est appelée plan Z. Ceci est également appelé plan Z complexe.

• Les pôles et les zéros des systèmes LTI discrets sont tracés dans le plan Z complexe. Le
la stabilité des systèmes LTI peut également être déterminée à partir du tracé du pôle zéro.

DÉFINITION DE LA TRANSFORMATION Z ET DE LA RÉGION DE CONVERGENCE :

La transformée en Z d'un signal temporel discret x(n) est notée X(Z)

Transformation en Z :

Page 13
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

'Z' est la variable complexe

X(Z) = Z[x(n)]

x(n) ZX(Z)

Cette transformation en Z est également appelée transformation en Z bilatérale ou bilatérale.

1.9 RÉGION DE CONVERGENCE :

La région de convergence est la plage de la variable complexe Z dans le plan Z. La transformation Z

du signal est fini ou convergent. Ainsi, ROC représente l'ensemble des valeurs de Z, pour lesquelles X(Z)

a une valeur finie.

La transformée en Z est une « série infinie » (série entière infinie) qui ne converge pas pour toutes les valeurs de Z.

toujours.

PROPRIÉTÉS DU ROC [Link] ne

comprend aucun poteau.

2. Pour le signal du côté droit, le ROC sera à l'extérieur du cercle dans le plan Z.

3. Pour le signal du côté gauche, le ROC sera à l'intérieur du cercle dans le plan Z.

[Link] la stabilité, ROC inclut un cercle unitaire dans le plan Z.

5. Pour le signal des deux côtés, ROC est un anneau dans le plan Z.

6. Pour un signal de durée finie, ROC est l'intégralité du plan Z.

La transformée en Z est caractérisée de manière unique par :

[Link] de X(Z)

[Link] de X(Z)

Page 14
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Déterminer la transformée en Z et le ROC du signal x(n)=an u(n)+bn (­n­1)

Solution:

Étant donné x(n)=an u(n)+bn (­n­1)

X(Z ) = ∑ ∞ = 0z ­n + ∑−1=−∞ z­n

2
+(2) +
∞ −1 =1 z)n
= [1 + 2 ]+∑ (

2
+(2) +
∞ −1 =0 z)n ­ 1]
=[1 + 2 ]+[ ∑ ( un

2 2
b
=[1 + 2
+(2) + ]+[1 + + ( ) + − 1]

= 1 + 1 ­1
1− 1−

= | |<1 + | |<1

Page 15
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

RC : | |> | |&| |<| | | | > | |>| |

X(Z) =
−
+ −
­1

=
−
+ −

Exemple : Déterminer la transformée en Z du signal

1.10 SOLUTION DES ÉQUATIONS DE DIFFÉRENCE DES FILTRES NUMÉRIQUES

Alors ème
Le système d'ordre ou les filtres numériques sont décrits par une forme générale d'équation de
différence de coefficient constant linéaire comme

∑ =0 y(nk) = ∑ =0 x(nk)

Où y(n) est la sortie, x(n) est l'entrée et

, sont des coefficients constants linéaires

En prenant 0 = 1, y(n) = ­ ∑ =0 y(nk) + ∑ =0 x(nk)

RÉPONSE DU SYSTÈME AVEC DES CONDITIONS INITIALES ZÉRO :

Fonction système H(Z) du système, représente H(Z) comme un rapport de deux polynômes B(Z)/A(Z),

Où B(Z) est le numérateur qui contient les zéros de H(Z) et

A(Z) est le polynôme dénominateur qui détermine les pôles du signal d'entrée H(Z) x(n) a une
transformée z rationnelle X(Z).

Page 16
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

N(Z)
c'est à dire,.
X(Z) = Q(Z)

La transformation Z de la sortie du système a la forme

B(Z)N(Z)
Y(Z)= H(Z) X(Z) =
UNE(Z)Q(Z)

Supposons que le système contienne des pôles simples P1, P2, P3,… PN et que la transformée en Z du
signal d'entrée contienne des pôles q1, q2, q3,… qL, où Pk ≠ qm pour tout k = 1,2,…N et m= 1,2,…L.

Les développements de fractions partielles de Y(Z) donnent comme,

Y(Z) = ∑ =1 1− −1 +∑ =1 1− −1

Transformation inverse comme y(n) = ∑ =1 n u(n) + ∑ ( ) =1 ( ) n u(n)

Pk : La fonction des pôles (Pk) du système est appelée réponse naturelle.

qk : du signal d'entrée est appelé réponse forcée du système.

Lorsque les conditions initiales sont nulles, la réponse y(n) est appelée réponse à l'état zéro

yzs (n) = yn(n) + yf(n)

Page 17
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Résolvez l'équation différentielle suivante à l'aide de la méthode de transformation en Z

1.11 CRITÈRE DE STABILITÉ :

Une condition nécessaire et suffisante pour qu'un système linéaire invariant dans le temps soit BIBO
∞
stable est
∑ | =−∞
( )| ∞

À son tour, cette condition implique que H(Z) contient le plus le cercle unité dans son ROC

∞
Puisque H(Z) = ∑ h(n)
n=−∞ z −n

∞ −n
Prendre le module des deux côtés | ( ) | ≤ ∑ =−∞ |h(n)z |

= ∑∞ |h(n)| =−∞ z −n

Lorsqu'il est évalué sur le cercle unité | |=1

Page 18
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

| ( ) | ≤ ∑ |h(n)| ∞ =−∞

Donc si le système est stable BIBO, le cercle unité est contraint dans le ROC de H(Z).
Cela peut également être énoncé comme « Un système linéaire invariant dans le temps est BIBO stable si et
seulement si le ROC de la fonction système inclut le cercle unité.

| |= , k=1,2,…M

Réponse de l'échantillon unitaire h(n) = =1

∑ (n)

Où (n) = ( ) n u(n)

Pour que le système soit stable,

Chaque composante de la séquence (n) doit satisfaire la condition ∑ |h(n)| ∞ ∞

=0

∞
= ∑ |=0 ()n|
∞ n
= ∑ |( ) =0
|

Pour que le système ci­dessus soit fini, la grandeur de chaque terme doit être inférieure à l'unité, c'est­à­dire... chaque

|| 1, où est un pôle, c'est­à­dire,.. |Z| <[Link], , tous les pôles du système doivent se trouver à l’intérieur du cercle unitaire,
pour que le système soit stable.

1.12 TEST DE STABILITÉ SCHUR­COHN :

Lorsque le polynôme dénominateur d'une fonction de transfert du système est grand et qui ne peut être
factorisé, il n'est pas possible de trouver les pôles du système. Par conséquent on ne peut pas décider si le
système est stable ou non. Dans de tels cas, la stabilité peut être déterminée en utilisant le test de stabilité Schur­
Cohn.

Considérons la fonction de transfert d'un système dont la stabilité est à déterminer ,

1
H(Z) = 7 1 considérons uniquement le polynôme dénominateur, ici l'ordre des
1− −1− −2
4 2
7 −1 1 −2
le polynôme dénominateur est 2. Désignons donc le polynôme par D2(Z) = 1 − − .
4 2
1
Soit k2 = ­ 2 | ,Si k2 est supérieur ou égal à 1, le système est instable.
2 et k2 = | 1
Si k2 est inférieur à 1, alors trouvez k1 en formant le polynôme inverse R2 (Z) à partir duquel D1(Z) .

Peut être trouvé en utilisant D1(Z) = D2(Z)­ k2R 2(Z)

1­ k2 2

Page 19
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

−1 7 −1 −2
Ici | k2 | < 1 Former donc le polynôme inverse R2(Z) = − −
2 4

Par conséquent, D1(Z) = D2(Z)­ k2R 2(Z)

1­ k2 2
7 −1 7
En appliquant dans les formules ci­dessus D1(Z) = 1­ ; k1= ­ 2|
2 2 ; |k1| | 7

Ici |k1| 1 , donc le système est instable. Si DN(Z) est donné à partir de RN(Z), utilisez l'équation récursive

DN­1(Z) = DN(Z)­ kN R N(Z) , pour obtenir kN­1…,…. k1

1­ kN 2

Si quelqu'un de kN­1,……. k1 est supérieur à 1, arrêtez de calculer les valeurs K restantes et décidez que le système est
instable.

2+ +1
Exemple : Trouver la stabilité de la fonction de transfert suivante H(Z) =
4+2 3+3 2+ 4 +6
2+ +1
Solution : étant donné H(Z) =
4+2 3+3 2+ 4 +6
= −2+ −3+ −4
1+2 −1+3 −2+ 4 −3+6 −4

Puisque k4 = 6 ; supérieur à 1 ; Système instable.

1.13 RÉPONSE EN FRÉQUENCE DU SYSTÈME STABLE :

La transformée de Fourier en temps discret et la transformée en Z sont utilisées pour obtenir une réponse en fréquence.
des systèmes à temps discrets. Si nous définissons z = ejωt , c'est­à­dire que... évaluons la transformation z autour du cercle unitaire,

nous obtenons la transformée de Fourier du système avec la période d'échantillonnage, T.

∞ −
H(ejωt ) =H(ω) =∑ = −∞ ()

H(ω) est la réponse en fréquence du système, son module donne la réponse en amplitude et sa
la phase est la réponse de phase

Fonction de transfert d'amplitude/phase utilisant la transformée de Fourier :

Page 20
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Calculer la réponse en fréquence pour la représentation du système LTI

1
oui(n) + y(n­1)=x(n)­x(n­1)
4

Page 21
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

1
Solution: Étant donné y(n) + y(n­1)=x(n)­x(n­1)
4
Prendre la transformée de Fourier des deux côtés

1
Y(ejω ) + e­
jω Y(ejω) =X(ejω) ­ e­ jω X(ejω)
4
1
Y(ejω ) [1+ e­ jω ] = X(ejω) (1­ e­ jω )
4
Y(ejω ) = 1− e− jω
H(ejω ) = 1
X(ejω) 1+ e− jω
4

1−cos +jsin 2
= 2
|H( )| = 1
1/2
1+ cos−j/4sin (1,062+0,5 )
4
péché −0,25péché
Réponse de phase : ( ) = tan−1 (1−cos ) ­ tan−1 (1+0,25cos )

Ω 0
6 4 3

0 0,4 0,6 0,8

|H( )|
( ) 0,5 0,49 0,42 0,3

|H( )|
( )

1.14 RÉALISATION DE FILTRES NUMÉRIQUES :

Une fonction de transfert de filtre numérique peut être réalisée de différentes manières. Il existe deux types 0f
réalisation 1. Récursif 2. Non récursif

Pour une réalisation récursive, la sortie actuelle y(n) est fonction des sorties passées, des entrées
passées et présentes. Cette forme correspond à un filtre numérique à réponse impulsionnelle infinie (IIR). Pour un

Page 22
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

L'échantillon de sortie de courant de réalisation non récursive y(n) est fonction uniquement des entrées passées et présentes.
Cette forme correspond à un filtre numérique à réponse impulsionnelle finie (FIR).
Le filtre IIR peut être réalisé sous de nombreuses formes. Ils sont :

1. Réalisation directe de la forme I 2.

Réalisation directe de la forme II (canonique) 3.

Forme en cascade 4.
Forme parallèle.

1.Réalisation directe Form­I :

Page 23
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

1.14.1FORME DIRECTE –II RÉALISATION :

Page 24
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

1.14.2 RÉALISATION DE FORMULAIRE EN CASCADE :

1.14.3 RÉALISATION DE FORME PARALLÈLE :

Page 25
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple:

Exemple : obtenir le formulaire I direct pour le système décrit

Page 26
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

EXEMPLE:

Page 27
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 28
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

EXEMPLE:

Page 29
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 30
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 31
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

UNITÉ 2

SÉRIE DISCRÈTE DE FOURIER

2.1 REPRÉSENTATION DFS DE LA SÉQUENCE PÉRIODIQUE :

Considérons une séquence xp(n) avec une période de N échantillons de telle sorte que xp(n)=xp(n+lN). Puisque xp(n) est
une période périodique, elle peut être représentée comme une somme pondérée d'exponentielles complexes dont les
fréquences sont multiples entiers de la fréquence fondamentale.

Ces exponentielles complexes périodiques sont de la forme

Toute séquence périodique x(n) peut s'écrire

2.2 PROPRIÉTÉS DES SÉRIES DISCRÈTES DE FOURIER :

[Link]ÉARITÉ DU DFS :

2. DÉCALAGE D'UNE SÉQUENCE :

Page 32
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

3. CONJUGAISON COMPLEXE D'UNE SÉQUENCE PÉRIODIQUE :

[Link] DU TEMPS :

Page 33
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

[Link] À L'ÉCHELLE DU TEMPS :

[Link]ÉRENCE :

[Link] :

Page 34
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Déterminer le spectre des signaux

2.3 TRANSFORMÉE DE FOURIER DISCRÈTE :

La TFD d'une séquence de durée finie x(n) est obtenue en échantillonnant la transformée de Fourier X(ejw)
en N points également espacés sur l'intervalle 0≤w≤2π avec un espacement de 2π/N. La TFD est notée X( K),
et est donné par

Pour plus de commodité

Avec cette notation, l'équation d'analyse et de synthèse DFT est donnée par

Page 35
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.4 ÉCHANTILLONNAGE DE LA TRANSFORMÉE DE FOURIER :

Les valeurs DFT X(K) peuvent être considérées comme des échantillons de X(ejw).

2.5 PROPRIÉTÉS DU DFT :

[Link]ÉARITÉ :

2. DÉCALAGE CIRCULAIRE D'UNE SÉQUENCE :

Page 36
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

[Link]ÉTÉ DE DÉCALAGE D'UNE TFD :

[Link]É :

5. PROPRIÉTÉS DE SYMÉTRIE :

[Link] CIRCULAIRE :

Page 37
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.6 CONVOLUTION LINÉAIRE À L'AIDE DE DFT :

Si nous avons une séquence x(n) de longueur L et une séquence y(n) de longueur M, la séquence z(n)
obtenu par convolution linéaire a une longueur (L+M­1). Cela ressort de la définition

Page 38
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Trouver la DFT d'une séquence donnée

Page 39
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple :

Page 40
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 41
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 42
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.7 RELATION ENTRE LA TRANSFORMATION Z ET LA DTFT :

La transformée en Z d'un signal x(n) est donnée par

Le DTFT d'un signal x(n) est donné par

La relation est donnée par

Z=ejw

Page 43
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.8 RELATION ENTRE DTFT ET DFT :

Le DTFT d'un signal x(n) est donné par

La DFT d'un signal x(n) est donnée par

2.9 TRANSFORMATION RAPIDE DE FOURIER

COMPLEXITÉ CALCULAIRE DE DFT ET FFT :

TFD :

Nombre de multiplications complexes = N2

Nombre d'ajouts complexes = N (N­1)

FFT :

Nombre de multiplications complexes = Nlog2N

Nombre d'ajouts complexes = N/2log2N

INTRODUCTION:

Dans cette section, nous présentons plusieurs méthodes pour calculer efficacement la DFT. Compte tenu de
l'importance de la DFT dans diverses applications de traitement du signal numérique, telles que le filtrage linéaire,
l'analyse de corrélation et l'analyse spectrale, son calcul efficace est un sujet qui a reçu une attention considérable de
la part de nombreux mathématiciens, ingénieurs et scientifiques appliqués.

À partir de ce point, nous modifions la notation selon laquelle X(k), au lieu de y(k) dans les sections précédentes,
représente les coefficients de Fourier de x(n).

Page 44
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Fondamentalement, le problème de calcul de la DFT est de calculer la séquence {X(k)} de N nombres à valeurs
complexes étant donné une autre séquence de données {x(n)} de longueur N, selon la formule

En général, la séquence de données x(n) est également supposée avoir une valeur complexe. De même, l'IDFT
devient

Étant donné que DFT et IDFT impliquent fondamentalement le même type de calculs, notre discussion sur les algorithmes de calcul efficaces
pour la DFT s'applique également au calcul efficace de l'IDFT.

On observe que pour chaque valeur de k, le calcul direct de X(k) implique N multiplications complexes (4N multiplications
réelles) et N­1 additions complexes (4N­2 additions réelles).
2 2­
Par conséquent, pour calculer toutes les N valeurs de la DFT, il faut N multiplications complexes et N
N ajouts complexes.

Le calcul direct de la DFT est fondamentalement inefficace, principalement parce qu'il n'exploite pas les propriétés de
symétrie et de périodicité du facteur de phase WN. En particulier, ces deux propriétés
sont :

Les algorithmes efficaces en termes de calcul décrits dans cette section, connus collectivement sous le nom
d'algorithmes de transformée de Fourier rapide (FFT), exploitent ces deux propriétés fondamentales du facteur de phase.

2.10 ALGORITHME DIT­FFT RADIX­2 :

Considérons le calcul de la DFT du point N = 2v par l'approche diviser pour mieux régner.
Nous divisons la séquence de données à N points en deux séquences de données à N/2 points f1(n) et f2(n),
correspondant respectivement aux échantillons pairs et impairs de x(n), c'est­à­dire :

Page 45
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Ainsi, f1(n) et f2(n) sont obtenus en décimant x(n) par un facteur 2, et par conséquent l'algorithme FFT résultant est appelé
algorithme de décimation dans le temps.

Maintenant, la DFT à N points peut être exprimée en termes de DFT des séquences décimées comme suit :

Mais WN 2 = WN/2. Avec cette substitution, l'équation peut être exprimée comme

où F1(k) et F2(k) sont respectivement les DFT N/2 points des séquences f1(m) et f2(m) .

Puisque F1(k) et F2(k) sont périodiques, de période N/2, on a F1(k+N/2) = F1(k) et F2(k+N/2)
k+N/2 = ­WN k
= F2(k). De plus, le facteur WN . L’équation peut donc s’exprimer sous la forme

On observe que le calcul direct de F1(k) nécessite (N/2)2 multiplications complexes. Il en va de même pour le calcul de F2(k).
De plus, N/2 multiplications complexes supplémentaires sont nécessaires pour calculer WN kF2(k). Donc le calcul de X(k)
nécessite 2(N/2)2 + N/2 = N
2
/2 + N/2 multiplications complexes. Cette première étape aboutit à une réduction du
2 tonne 2
nombre de multiplications à partir de N /2 + N/2, ce qui correspond à environ un facteur 2 pour N grand.

Page 46
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

En calculant les TFD N/4 points, nous obtiendrions les TFD N/2 points F1(k) et F2(k) à partir des relations

La décimation de la séquence de données peut être répétée encore et encore jusqu'à ce que les séquences
, cette décimation peut être effectuée
résultantes soient réduites à des séquences à un point. Pour N = 2v
v = log2N fois. Ainsi le nombre total de multiplications complexes est réduit à (N/2)log2N. Le
nombre d’additions complexes est Nlog2N.

Page 47
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

FIG.8 points fft utilisant quatre Dfts à 2 points

Page 48
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

[Link] papillon pour l'algorithme DIT­FFT

Une observation importante concerne l'ordre de la séquence de données d'entrée après sa

décimation (v­1) fois. Par exemple, si l'on considère le cas où N = 8, on sait que la première
décimation donne la suite x(0), x(2), x(4), x(6), x(1), x(3 ), x(5), x(7), et la deuxième décimation
donne la séquence x(0), x(4), x(2), x(6), x(1), x(5), x(3), x(7). Ce brassage de la séquence de
données d'entrée a un ordre bien défini, comme on peut le constater en observant la figure TC.3.5,
qui illustre la décimation de la séquence de huit points.

Page 49
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Trouver la FFT d'une séquence donnée x(n)={1,2,3,4} en utilisant l'algorithme DIT­FFT ?

Exemple : Trouver l'IFFT d'une séquence donnée x(k)={10,­2+2j,­2,­2­2j}en utilisant l'algorithme

DIT­IFFT ?

Page 50
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.11 ALGORITHME DIF­FFT RADIX­2 :

Un autre algorithme FFT de base 2 important, appelé algorithme de décimation en fréquence, est obtenu en
utilisant l'approche diviser pour régner. Pour dériver l'algorithme, nous commençons par diviser la formule DFT
en deux sommations, dont l'une implique la somme des N/2 premiers points de données et la seconde somme
implique les N/2 derniers points de données. On obtient ainsi

Maintenant, divisons (décimons) X(k) en échantillons pairs et impairs. On obtient ainsi

2
où nous avons utilisé le fait que WN = WN/2

La procédure de calcul ci­dessus peut être répétée par décimation des DFT N/2 points X(2k) et X(2k+1).
L'ensemble du processus implique v = log2N étapes de décimation, où chaque étape implique N/2 papillons du
type représenté sur la figure TC.3.7. Par conséquent, le calcul de la DFT à N points via la FFT de décimation
en fréquence nécessite des multiplications complexes (N/2) log2N et des additions complexes Nlog2N , tout
comme dans l'algorithme de décimation en temps. À des fins d'illustration, l'algorithme de décimation en
fréquence en huit points est présenté sur la figure.

Page 51
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

FIG. FFT à 8 points utilisant deux DFT à 4 points

Fig. Diagramme papillon pour l'algorithme DIF­FFT

Page 52
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : Trouver la FFT d'une séquence donnée x(n)={1,2,3,4} en utilisant l'algorithme DIF­FFT ?

Exemple : Trouver l'IFFT d'une séquence donnée x(k)={10,­2+2j,­2,­2­2j}en utilisant l'algorithme

DIF­IFFT ?

Page 53
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Unité 3
FILTRES RII

APPROXIMATIONS DU FILTRE ANALOGIQUE :

Fondamentalement, un filtre numérique est un système à temps discret linéaire et invariant. Les termes infinis

La réponse impulsionnelle (IIR) et la réponse impulsionnelle finie (FIR) sont utilisées pour distinguer les types de filtres. Le

Les filtres FIR sont de type non récursif, où l'échantillon de sortie actuel dépend du présent et

échantillons d’entrée précédents. Les IIR sont de type non récursif où la sortie actuelle dépend de

échantillons d'entrée et échantillons de sortie précédents et passés.

FILTRES SÉLECTIFS DE FRÉQUENCE :

Un filtre est un filtre qui rejette les fréquences indésirables de l'entrée et permet

fréquences pour obtenir la forme requise du signal de sortie. La gamme de fréquences qui sont

Le passage à travers le filtre est appelé bande passante et les fréquences bloquées sont appelées stop.

groupe. Les filtres sont de différents types :

1. Filtre passe­bas 2. Filtre passe­haut 3. Filtre passe­bande 4. Filtre de rejet de bande

CONCEPTION DE FILTRES NUMÉRIQUES À PARTIR DE FILTRES ANALOGIQUES :

Pour les spécifications données d'un filtre numérique, la dérivation de la fonction de transfert du filtre numérique
nécessite trois étapes :
1. Mappez les spécifications du filtre numérique souhaité dans un filtre analogique équivalent.

2. Obtenez la fonction de transfert analogique.

3. Transférez la fonction de transfert analogique vers la fonction de transfert de filtre numérique équivalente.

Fig (a) : Réponse en amplitude du LPF analogique Fig (b) : Réponse en amplitude du LPF numérique

Page 54
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Où,

= Fréquence de bande passante en radians

= Fréquence de la bande d'arrêt en radians

= fréquence de coupure de 3 dB en radians

ε = Paramètre spécifiant la bande passante autorisée

λ = Paramètre spécifiant la bande d'arrêt autorisée

Fig : Spécification alternative de la réponse en amplitude du LPF

= Tolérance d'erreur de bande passante

= Tolérance d'erreur de bande d'arrêt

La relation entre les paramètres est

2 2
−
ε=2 √ et λ = √(1+ )
1−

CONCEPTION DU FILTRE PASSE­BAS ANALOGIQUE :

La forme générale de la fonction de transfert de filtre analogique est

() ∑ =0
H(s) = =
() 1+∑ =1

Où H(s) est la transformée de Laplace de la réponse impulsionnelle de h(t) et N≥M doit être satisfaite.

Pour un filtre analogique stable, les pôles de H(s) se situent dans la moitié gauche du plan s.

Les deux types de filtres analogiques que nous concevons sont : 1. Filtre Butterworth 2. Filtre Chebyshev.

Page 55
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

FILTRE PASSE­BAS ANALOGIQUE BUTTERWORTH :

La réponse en amplitude carrée du filtre passe­bas Butterworth est donnée par

Où, N= Ordre du filtre

Ωc = Fréquence de coupure

La réponse en amplitude diminue de façon monotone comme le montre la figure et la réponse maximale

est l'unité à Ω = 0, c'est­à­dire que, à mesure que N augmente, la réponse se rapproche des caractéristiques passe­bas idéales.

Fig : Réponse en magnitude de Butterworth passe­bas.

Nous pouvons obtenir la fonction carrée de magnitude du filtre Butterworth normalisé (fréquence de coupure de
1 rad/sec) comme
1
|H(jΩ)|2= N=1,2,3…
1+Ω2

Pour la fonction de transfert du filtre stable, remplacez Ω = s/j dans l'équation ci­dessus.

1
|H(jΩ)|2=|H(Ω)|2=H(­s 2 )=H(jΩ)H(­jΩ)= 1+( )
2

1 1
H(s)H(­s)= 1+ =
(−1) 2 1+(− 2)

En égalisant le dénominateur à zéro, les pôles sont obtenus

2
soit 1 + (− ) =0

2N
pour N impair, l'équation ci­dessus se réduit à s = 1=ej2πk

Page 56
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

maintenant les racines peuvent être trouvées sous la forme sk= ejπk/N k=1,2,3,………2N

2N = ­1=ej(2k­1)π
pour N pair, l'équation ci­dessus se réduit à s

ce qui donne sk= ej(2k­1)π/2N k=1,2,3….

Remarque : Les pôles qui se trouvent dans la moitié gauche du plan s peuvent être trouvés en utilisant la formule
(2 −1) + k=
sk=ejφk où φ 2 k=1,2,3………..N
2

LISTE DES POLYNOMES DE BUTTERWORTH :

Les pôles non normalisés sont donnés par sk'=Ωcsk.

La fonction de transfert du filtre Butterworth peut être obtenue en remplaçant s s/Ωc

ORDRE DE FILTRE

La fonction de grandeur est donnée par

1
|H(jΩ)|2= Ω 2N
1+ε 2( ) Ωp

Prendre le journal des deux côtés

2 Ω
20 log |H(jΩ)|=10log1­10log[1 + ε ) 2N]
( Ωp
à la fréquence passe­bande, l'atténuation est égale à αp

Page 57
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2
20 log |H(jΩp)|= ­ αp= ­10log[1 + ε ]
2
αp=10log[1 + ε ]
2
0,1 αp=log[1 + ε ]
En prenant l'antilog des deux côtés

ε = (100,1 α p­1)1/2

à la fréquence de bande d'arrêt, l'atténuation minimale est égale à αs

2 Ωs
20 log |H(jΩ)|=10log1­10log[1 + ε ) 2N]
( Ωp
2
20 log |H(jΩp)|= ­ αs= ­10log[1 + ε Ωs ) 2N]
( Ωp
2
0,1αs=log[1 + ε Ωs ) 2N]
( Ωp
Ωs 100,1 αs−1
) 2N=
( Ωp 100,1 ap−1

Prendre le journal des deux côtés

N= √100,1
100,1ap−1
αs−1
Ωs
Ωp
Arrondissez N à l’entier supérieur suivant.

N≥ √100,1
100,1ap−1
αs−1
Ωs
Ωp

log( )
N≥ où λ 2=[100,1 αs − 1] ε 2 = [100,1 αp − 1]

Ωs Ωp

Ωp
Pour simplifier A= et k= Ωs le rapport de transition

logA
Par conséquent, l'ordre du filtre analogique passe­bas Butterworth N = log1

Page 58
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

FILTRE CHEBYSHEV PASSE­BAS ANALOGIQUE

La réponse en amplitude au carré du filtre Chebyshevfilter passe­bas analogique de type I du Nième ordre est

donné par:

|H(W)|2= 1/[1 + e2TN2(W/Wp)].

où TN(W) est le polynôme de Chebyshev d'ordre N :

TN(W) = cos(Ncos­1W),|W| ≤1,

= cosh(Ncosh­1W),|W| > 1.

Le polynôme peut être dérivé via une relation de récurrence donnée par

Tr(W) = 2WTr­1(W) –Tr­2(W),r ≥2, avec T0(W) = 1 et T1(W) = W.

La réponse en amplitude au carré du filtre passe­bas analogique de type II ou du filtre Chebyshev inversé de Nth

l'ordre est donné par :

|H(W)|2= 1/[1 + e2{TN(Ws/Wp)/ TN(Ws/W)}2].

Equiripple dans la bande passante et monotone dans la bande d'arrêt.

Ou équi­ondulation dans la bande d'arrêt et monotone dans la bande passante.

Page 59
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 60
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

CONCEPTION DE FILTRE IIR À PARTIR DE FILTRES ANALOGIQUES

1. INVARIANCE D'IMPULSION

2. ÉTAPE INVARIANTE

3. TRANSFORMATION BILINÉAIRE

La méthode d'invariance d'impulsion est la méthode la plus simple utilisée pour concevoir des filtres IIR. Important

Les caractéristiques de cette méthode sont

1. Dans la méthode de variance d'impulsion, les filtres analogiques sont convertis en filtre numérique simplement en remplaçant

réponse d'échantillon unitaire du filtre numérique par la version échantillonnée de la réponse impulsionnelle de l'analogique

filtre. Le signal échantillonné est obtenu en mettant t=nT donc h(n) = ha(nT) n=0,1,2. ………….

où h(n) est la réponse de l'échantillon unitaire du filtre numérique et T est l'intervalle d'échantillonnage.

2. Mais le principal inconvénient de cette méthode est qu'elle ne correspond pas à des calculs algébriques simples

mappage du plan S au plan Z. Ainsi, le mappage de la fréquence analogique à la fréquence numérique

Page 61
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

est plusieurs contre un. Les segments (2k­1)Π/T ≤ Ω ≤ (2k+1) Π/T de l'axe jΩ sont tous cartographiés sur l'unité

cercle Π≤ω≤Π. Cela est dû à l'échantillonnage.

3. Le repliement de fréquence est le deuxième inconvénient de cette méthode. En raison du repliement de fréquence, le

La réponse en fréquence du filtre numérique résultant ne sera pas identique à celle de l'analogique d'origine.

fréquence de réponse.

4. En raison de ces facteurs, son application est limitée à la conception de filtres basse fréquence comme LPF ou

une classe limitée de filtres passe­bande.

RELATION ENTRE LE PLAN Z ET LE PLAN S

Dans la méthode invariante d'impulsion, le filtre IIR est conçu de telle sorte que la réponse impulsionnelle unitaire h(n)

du filtre numérique est la version échantillonnée de la réponse impulsionnelle du filtre analogique.

La transformée Z de IIR est donnée par

∞ −
H(Z)=∑ ( )=0
∞ −
H(Z)/z=esT =∑ ( ) =0

Z est représenté par rejω sous forme polaire et la relation entre le plan Z et le plan S est donnée par

Z=eST où s= σ + j Ω.

Z = eST (Relation entre le plan Z et le plan S)

Z=e (σ + j Ω) T

= e. eσ T j Ω T

En comparant la valeur Z avec la forme polaire que nous avons.

σ
T r= e et ω = Ω T

Ici nous avons trois conditions

1) Si σ = 0 alors r=1

2) Si σ < 0 alors 0 < r < 1

3) Si σ > 0 alors r > 1

Ainsi

1) Le côté gauche du plan s est cartographié à l’intérieur du cercle unité.

2) Le côté droit du plan s est cartographié à l’extérieur du cercle unité.

3) L'axe jΩ est dans le plan s et est cartographié sur le cercle unité.

Je suis (z)

Page 62
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Avion S

Fig : Cartographie des pôles invariants par impulsion

=∑ −1
=1 1−

Utiliser la relation standard et comparer les équations 1 et 4

Si Ha(s)=∑ alors H(z)= ∑ −1

=1 − =1 1−

Page 63
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Étapes pour concevoir un filtre IIR numérique à l'aide d'une technique invariante d'impulsion :

1. Pour les spécifications données, trouvez Ha(s), fonction de transfert d'un filtre analogique.
2. Sélectionnez le taux d'échantillonnage du filtre numérique.
3. Exprimez la fonction de transfert du filtre analogique comme la somme des filtres unipolaires.

Ha(s)= ∑ =1 −
4. Calculez la transformée z du filtre numérique en utilisant la formule.

H(z)= ∑ =1 1− −1

Exemple:

MÉTHODE INVARIANTE PAR ÉTAPE :

La réponse échelonnée y(t) est définie comme la sortie d'un système LTI en raison d'une entrée échelonnée unitaire
signal x(t)=u(t). Alors
1 1
X(s)= et Y(s)= X(s)H(s)= H(s).

Nous savons qu'un filtre numérique est équivalent à un filtre analogique dans le sens d'invariance dans le domaine temporel,
si une entrée équivalente produit des sorties équivalentes.
Par conséquent, l'entrée échantillonnée du filtre numérique est x(nT)=x(n)=u(n)Alors

1
X(z)= et y(n)=y(nT).
1−z−1

La fonction de transfert du filtre numérique est donnée par

­1
H(z)= Oui(z)/X(z)=(1­z )Y(z).

Page 64
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

MÉTHODE DE TRANSFORMATION BILINÉAIRE :

Page 65
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Ω=
+
En simplifiant, on obtient

EFFET DE DÉFORMATION

Soit Ω et ω représentent les variables de fréquence dans le filtre analogique et le filtre numérique dérivé resp.

Ω= bronzage

Pour une petite valeur de ω

Ω= =

ω=ΩT

Pour les basses fréquences, la relation entre ω et Ω est linéaire, le filtre numérique a donc la même réponse en
amplitude que le filtre analogique. Cependant, pour les hautes fréquences, la relation entre ω et Ω devient non linéaire
et une distorsion est introduite dans l'échelle de fréquence du filtre numérique par rapport à celle du filtre analogique.
C’est ce qu’on appelle l’effet de déformation.

Fig : Relation entre ω et Ω

Page 66
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

L'influence de l'effet de déformation sur la réponse en amplitude est illustrée dans la figure ci­dessous. Le filtre analogique
avec un certain nombre de bandes passantes centrées à intervalles réguliers. Le filtre numérique dérivé aura le même
nombre de bandes passantes. Mais les fréquences centrales et la bande passante de la bande passante des fréquences
plus élevées auront tendance à diminuer de manière disproportionnée.

Fig : Effet sur la réponse en amplitude dû à l'effet de déformation

L'influence de l'effet de déformation sur la réponse en phase est indiquée ci­dessous. En considérant un filtre analogique
avec une réponse en phase linéaire, la réponse en phase du filtre numérique dérivé sera non linéaire.

∟H(jΩ)
∟H(ejω)

ω Ω

ΩT

Page 67
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Pré­déformation
L'effet de pré­déformation peut être éliminé en pré­déformant le filtre analogique. Ceci peut être fait
en trouvant des fréquences analogiques de pré­déformation à l'aide de la formule

Ω= bronzage

On a donc Ωp= tan

Et Ωs= bronzage

ÉTAPES POUR CONCEVOIR UN FILTRE NUMÉRIQUE À L'AIDE D'UNE TRANSFORMATION BILINÉAIRE

TECHNIQUE:

1. À partir des spécifications données, trouvez les fréquences analogiques de pré­déformation à l'aide de la formule

Ω= bronzage .
2. À l'aide des fréquences analogiques, recherchez les H(s) du filtre analogique.
3. Sélectionnez le taux d'échantillonnage du filtre numérique, appelez­le T sec/sample.
2 1− −1
4. Remplacez z = dans la fonction de transfert.
1+ −1

TRANSFORMATIONS SPECTRALES :

DANS LE DOMAINE ANALOGIQUE : Un filtre passe­bas analogique peut être converti en un filtre passe­haut analogique,
Band Stop, Band Pass ou un autre filtre numérique passe­bas comme indiqué ci­dessous

Passe­bas à passe­bas :

s
Ω
Passe­bas à passe­haut :
Ω
s

Passe­bas vers passe­bande :

+Ω Ω
s
(Ω −Ω )

Passe­bas vers arrêt de bande :

(Ω −Ω )
s
+Ω Ω

Page 68
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

DANS LE DOMAINE NUMÉRIQUE :

Un filtre passe­bas numérique peut être converti en un filtre passe­haut numérique, un coupe­bande, un passe­bande.
ou un autre filtre numérique passe­bas comme indiqué ci­dessous

Passe­bas à passe­bas : −
­1
−
Z −
−

[( − ')/ ]
Où α =
[( + ')/ ]

ω
p = Fréquence de bande passante du filtre passe­bas
ω p' = Fréquence de bande passante du nouveau filtre

Passe­bas à passe­haut :
­1
Z ­­­[ −+ +− ]
[( + ')/ ]
Où α = − ′−
[( )/ ]

ω
p = Fréquence de bande passante du filtre passe­bas

ω p' = Fréquence de bande passante du filtre passe­haut

Passe­bas vers passe­bande :

−
­1 − −+
Z −
+ − ++ ]
­­­[ − −
−
+ +
( + )/ ( − )/
Où α= et k= [( ( − ))/ ][tan( /2)]

= Fréquence de coupure supérieure

= Fréquence de coupure inférieure

Passe­bas vers arrêt de bande :

−
­1 − −+ +
Z −
+ −+ ]
­­­[ −− −
+ +
(+ )/
Où α= et k= [( ( − ))/ ][tan( /2)]
( − )/

= Fréquence de coupure supérieure

= Fréquence de coupure inférieure

Page 69
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

PROBLÈMES

1.

Page 70
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 71
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

2.

Solution:

Page 72
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

UNITÉ 4

FILTRES EN SAPIN

4.1 INTRODUCTION

Les filtres FIR peuvent être facilement conçus pour avoir une phase parfaitement linéaire. Ces filtres peuvent être réalisés
de manière récursive et non récursive. Il existe une plus grande flexibilité pour contrôler la forme de leur réponse en Magnitude. Les
erreurs dues au bruit d'arrondi sont moins graves dans les filtres FIR, principalement parce que le feedback n'est pas utilisé.

4.2 CARACTÉRISTIQUES DU FILTRE DE SAPIN :

1. Le filtre FIR fournit toujours une réponse en phase linéaire. Ceci précise que les signaux dans le passage
la bande ne subira aucune dispersion. Par conséquent, lorsque l'utilisateur ne souhaite aucune distorsion de phase, alors FIR
les filtres sont préférables à l’IIR. La distorsion de phase dégrade toujours les performances du système. Dans
diverses applications telles que le traitement de la parole, la transmission de données sur des filtres FIR longue distance
sont plus préférables en raison de cette caractéristique.

2. Les filtres FIR sont plus stables que les filtres IIR en raison de leur nature sans retour.

3. Quantification Le bruit peut être rendu négligeable dans les filtres FIR. En raison de cette coupure brutale
Les filtres FIR peuvent être facilement conçus.

4. L'inconvénient des filtres FIR est qu'ils nécessitent un ordre plus élevé pour une réponse d'amplitude similaire aux filtres IIR.

4.3 LES SYSTÈMES FIR SONT TOUJOURS STABLES. Pourquoi?

Preuve : L’équation de différence du filtre FIR de longueur M est donnée par

M­1

y(n)=Σ bk x(n–k) k=0

Et les coefficients bk sont liés à la réponse de l'échantillon unitaire comme

H(n) = milliards pour 0 ≤ n ≤ M­1

= 0 sinon.

Nous pouvons développer cette équation comme

Oui(n)= b0 x(n) + b1 x(n­1) + …….. + bM­1 x(n­M+1)

Le système n'est stable que si le système produit une sortie limitée pour chaque entrée limitée. Il s’agit d’une définition de stabilité
pour n’importe quel système.
Ici h(n)={b0, b1, b2, } du filtre FIR sont stables. Ainsi y(n) est borné si l’entrée x(n) est

Page 73
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

délimité. Cela signifie que le système FIR produit une sortie limitée pour chaque entrée limitée. Les
systèmes FIR sont donc toujours stables.

4.4 FILTRES EN SAPIN SYMÉTRIQUES ET ANTI­SYMÉTRIQUES :

1. La réponse de l'échantillon unitaire des filtres FIR est symétrique si elle satisfait à la condition suivante.
h(n)= h(M­1­n) n=0,1,2…………….M­1 2. La réponse
de l'échantillon unitaire des filtres FIR est antisymétrique si elle satisfait à la condition suivante h(n) = ­h(M­1­n)
n=0,1,2…………….M­1

4.5 MÉTHODES DE CONCEPTION DU FILTRE FIR :

Les différentes méthodes utilisées pour la conception du FIR Filer sont les
suivantes 1. Méthode de la
série de Fourier 2. Méthode
de fenêtrage 3.
Méthode DFT 4. Méthode d'échantillonnage de fréquence. (Méthode IFT)

PHÉNOMÈNE GIBBS :

Considérons la réponse en fréquence LPF idéale, comme indiqué sur la figure 1, avec un

normalisant la fréquence de coupure angulaire Ωc.

La réponse impulsionnelle d'un LPF idéal est celle illustrée à la figure 2.

1. Dans la méthode des séries de Fourier, les limites de l'indice de sommation sont de ­∞ à ∞. Mais le filtre doit avoir des
termes finis. Par conséquent, la limite de l'indice de sommation passe de ­Q à Q où Q est un entier fini. Mais ce type de
troncature peut entraîner une mauvaise convergence des séries. Troncature brutale de l'infini

Page 74
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

la série équivaut à multiplier une série infinie par une séquence rectangulaire. c'est­à­dire qu'au point de discontinuité,
une certaine oscillation peut être observée dans la série résultante.
2. Prenons l'exemple d'un LPF ayant une réponse en fréquence souhaitée Hd (ω), comme le montre la figure.
Les oscillations ou sonneries ont lieu près du bord de bande du filtre.

3. Cette oscillation ou sonnerie est générée à cause des lobes secondaires dans la réponse en fréquence
W(ω) de la fonction fenêtre. Ce comportement oscillatoire est appelé « phénomène de Gibbs ».

La réponse tronquée et l'effet de sonnerie sont comme indiqué sur la figure 3.

4.6 TECHNIQUE DE FENÊTRAGE :

Le fenêtrage est la méthode la plus rapide pour concevoir un filtre FIR. Une fonction de fenêtrage simplement
tronque la réponse impulsionnelle idéale pour obtenir une approximation FIR causale qui est non causale et
infiniment long. Des fonctions de fenêtre plus fluides offrent un rejet hors bande plus élevé dans la réponse du filtre.

Cependant, cette douceur se fait au prix de transitions de bande d'arrêt plus larges. Diverses méthodes de
fenêtrage tentent de minimiser la largeur du lobe principal (pic) de la réponse en fréquence. De plus, il tente de
minimiser les lobes secondaires (ondulations) de la réponse en fréquence.

Fenêtre rectangulaire : Rectangulaire Il s'agit de la méthode de fenêtrage la plus élémentaire. Il ne nécessite aucune
opération car ses valeurs sont 1 ou 0. Il crée une discontinuité abrupte qui se traduit par des atténuations brusques
mais de grandes ondulations.

Page 75
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

La fenêtre rectangulaire est définie par l'équation suivante.

Fenêtre triangulaire : la simplicité de calcul de cette fenêtre, une simple convolution de deux fenêtres rectangulaires
et les lobes latéraux inférieurs en font une alternative viable à la fenêtre rectangulaire.

Fenêtre Kaiser : Cette méthode de fenêtrage est conçue pour générer un pic central net. Ses lobes latéraux sont
réduits et la bande de transition est également étroite. Ainsi couramment utilisé dans la conception de filtres FIR.

Page 76
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Fenêtre de Hamming : Cette méthode de fenêtrage génère un pic central modérément net. Sa capacité à générer
une réponse plate au maximum le rend pratique pour le filtrage du traitement de la parole.

Fenêtre de Hanning : Cette méthode de fenêtrage génère une conception de filtre plate maximale.

Page 77
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

FONCTIONS DE FENÊTRAGE POUR

FENÊTRES RECTANGULAIRES,HANNING,HAMMING,BLACKMAN

4.7 CONCEPTION D'UN FILTRE À PARTIR DU PLACEMENT DU PÔLE ZÉRO :

Les filtres peuvent être conçus à partir de son tracé du pôle zéro. Deux contraintes suivantes doivent être
imposées lors de la conception des filtres.

1. Tous les poteaux doivent être placés à l'intérieur du cercle de l'unité pour que le filtre soit stable. Cependant, les
zéros peuvent être placés n'importe où dans le plan z. Les filtres FIR sont tous des filtres nuls et sont donc toujours
stables. Les filtres IIR ne sont stables que lorsque tous les pôles du filtre sont à l’intérieur du cercle unitaire.

2. Tous les pôles et zéros complexes apparaissent dans des paires conjuguées complexes pour que les coefficients du
filtre soient réels.

Page 78
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Dans la conception des filtres passe­bas, les pôles doivent être placés près du cercle unité aux points correspondant
aux basses fréquences (près de ω=0) et les zéros doivent être placés près ou sur le cercle unité aux points correspondant
aux hautes fréquences (près de ω=Π). ). L’inverse est vrai pour les filtres passe­haut.

4.8 MÉTHODE D'ÉCHANTILLONNAGE DE FRÉQUENCE POUR LA CONCEPTION DE FILTRES NUMÉRIQUES FIR :

Page 79
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 80
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

4.9 COMPARAISON ENTRE LES FILTRES NUMÉRIQUES FIR ET IIR :

Page 81
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 82
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 83
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 84
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

PROBLÈMES

solution:

Page 85
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 86
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 87
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Page 88
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

UNITÉ 5
TRAITEMENT DU SIGNAL MULTIRATE
INTRODUCTION:

Multirate signifie « taux d'échantillonnage multiples ». Un système DSP multidébit utilise plusieurs

taux d'échantillonnage au sein du système. Chaque fois qu'un signal à un débit doit être utilisé par un système qui

s'attend à un taux différent, le taux doit être augmenté ou diminué, et un certain traitement est nécessaire pour

fais­le. Par conséquent, "Multirate DSP" fait réellement référence à l'art ou à la science de la modification de l'échantillonnage.

Besoin d'un DSP multi­débit :

La raison la plus immédiate est lorsque vous devez transmettre des données entre deux systèmes qui

utiliser des taux d’échantillonnage incompatibles. Par exemple, les systèmes audio professionnels utilisent une fréquence de 48 kHz, mais

les lecteurs de CD grand public utilisent 44,1 kHz ; lorsque les professionnels de l'audio transfèrent leur musique enregistrée vers

CD, ils doivent effectuer une conversion de débit. Mais la raison la plus courante est que le DSP multidébit peut

augmente considérablement l'efficacité du traitement (même de plusieurs ordres de grandeur !), ce qui réduit le DSP

coût du système. Cela rend le sujet du DSP multi­débit vital pour tous les praticiens professionnels du DSP.

Catégories de Multirate : Multirate se compose de :

1. Décimation : Pour diminuer le taux d'échantillonnage,

2. Interpolation : pour augmenter le taux d'échantillonnage,

3. Rééchantillonnage : combiner la décimation et l'interpolation afin de modifier le taux d'échantillonnage par une valeur fractionnaire

qui peut être exprimée sous forme de rapport. Par exemple, pour rééchantillonner d'un facteur de 1,5, il vous suffit d'interpoler

d'un facteur de 3 puis de décimer d'un facteur de 2 (pour modifier le taux d'échantillonnage d'un facteur de 3/2 = 1,5.)

APPLICATIONS:

1. Utilisé dans les convertisseurs A/D et D/A.

2. Utilisé pour modifier le débit d'un signal. Lorsque deux appareils fonctionnant à des rythmes différents doivent être

interconnectés, il est nécessaire d'utiliser un changeur de tarifs entre eux.

3. Dans les transmultiplexeurs

4. Dans le traitement de la parole pour réduire l'espace de stockage ou le taux de transmission des données vocales.

5. Les bancs de filtres et les transformations en ondelettes dépendent des méthodes multi­taux.

Page 89
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

SOUS­ÉCHANTILLONNAGE :

Le processus de réduction d'un taux d'échantillonnage d'un facteur entier est appelé down

échantillonnage d'une séquence de données. Nous appelons également le sous­échantillonnage « décimation ». Vers le bas

échantillonnons une séquence de données x(n) par un facteur entier de M, nous utilisons la notation suivante :

y(m) = x(mM)

Où y(m) est la séquence sous­échantillonnée, obtenue en prélevant un échantillon des données

séquence x(n) pour chaque M échantillons (en supprimant M – 1 échantillons pour chaque M échantillons). En tant que

exemple, si la séquence originale avec une période d'échantillonnage T = 0,1 seconde (taux d'échantillonnage = 10

échantillons par seconde) est donné par

Considérons x(n):8 7 4 8 9 6 4 2 –2 –5 –7 –7 –6 –4 et nous sous­ …

échantillonnons la séquence de données par un facteur 3, nous obtenons la séquence sous­échantillonnée

comme

y(m):8 8 4 –5 –6 …,

avec la période d'échantillonnage résultante T = 3 × 0,1 = 0,3 seconde (le taux d'échantillonnage est désormais de 3,33 échantillons par
seconde).

D'après le théorème d'échantillonnage de Nyquist, il est connu qu'un crénelage peut se produire dans l'échantillon sous­échantillonné.

signal en raison du taux d’échantillonnage réduit. Après sous­échantillonnage d'un facteur M, le nouvel échantillonnage

la période devient MT, et donc la nouvelle fréquence d'échantillonnage est

fsM = 1/(MT) = fs /M,

où fs est le taux d'échantillonnage d'origine.

Par conséquent, la fréquence de repliement après sous­échantillonnage devient

fsM/2 = fs/(2M).

Page 90
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Cela nous indique qu'après un sous­échantillonnage d'un facteur M, la nouvelle fréquence de repliement sera

diminué M fois. Si le signal à sous­échantillonner a des composantes de fréquence supérieures à la

nouvelle fréquence de repliement, f > fs/(2M), un bruit de crénelage sera introduit dans les données sous­échantillonnées.

Pour surmonter ce problème, il est nécessaire que le signal original x(n) soit traité par un passe­bas.

filtrer H(z) avant le sous­échantillonnage, qui doit avoir un bord de fréquence d'arrêt à fs/(2M) (Hz). Le

Le bord de fréquence d'arrêt normalisé correspondant est ensuite converti pour être

Ωstop = 2π (fs/(2M)) T = π/M radians.

De cette façon, avant le sous­échantillonnage, nous pouvons garantir que la fréquence maximale du signal filtré

le signal satisfait fmax < fs/(2M),

de telle sorte qu'aucun bruit de repliement ne soit introduit après un sous­échantillonnage. Un schéma fonctionnel général
de la décimation est donné sur la figure, où la sortie filtrée en termes de transformée z peut être écrite
comme
W(z) = H(z)X(z),
où X(z) est la transformée en z de la séquence à décimer, x(n), et H(z) est la fonction de transfert du filtre passe­bas. Après
filtrage anti­aliasing, le signal sous­échantillonné y(m) prend sa valeur à partir de la sortie du filtre comme suit :
y(m) = w(mM).

Le processus de réduction du taux d'échantillonnage d'un facteur 3 est illustré dans la figure Le correspondant

les tracés spectraux pour x (n), w (n) et y (m) en général sont présentés dans la figure

Chiffre. Schéma fonctionnel du processus de sous­échantillonnage avec M = 3

Page 91
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Exemple : 1 : Si x(n) = {1, ­1, 2, 4, 0, 3, 2, 1, 5,….}

Alors y(m)= x(mM) pour M = 2 est

Oui (m) = {1, 2, 0, 2, 5,….}

c'est­à­dire si nous laissons M­1 échantillons entre les échantillons de x(n) pour générer y(m).

Figure Spectre après sous­échantillonnage.

Page 92
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

SUR­ÉCHANTILLONNEUR :

L'augmentation d'un taux d'échantillonnage est un processus de suréchantillonnage d'un facteur entier de L. Ce processus est

décrit comme suit :

y(m) = x(m/L)

où n = 0, 1, 2,… , x(n) est la séquence à suréchantillonner par un facteur de L, et y(m) est la séquence

séquence échantillonnée. A titre d'exemple, supposons que la séquence de données soit donnée comme suit :

x(n) : 8 8 4 –5 –6 …

Après avoir échantillonné la séquence de données x(n) d'un facteur 3 (en ajoutant L– 1 zéros pour chaque échantillon),

nous avons la séquence de données échantillonnées w(m) comme :

w(m): 8 0 0 8 0 0 4 0 0 –5 0 0 –6 0 0 …

L'étape suivante consiste à lisser la séquence de données échantillonnées via un filtre d'interpolation. Le processus

est illustré dans la figure

Figure Schéma fonctionnel du processus de suréchantillonnage avec L = 3.

Page 93
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Similaire au cas de sous­échantillonnage, en supposant que la séquence de données a l'échantillonnage actuel

période de T, la fréquence de Nyquist est donnée par fmax = fs/2. Après suréchantillonnage d'un facteur L, le

La nouvelle période d'échantillonnage devient T/L, donc la nouvelle fréquence d'échantillonnage est modifiée pour être

fsL = Lfs. (12.10)

Cela indique qu'après suréchantillonnage, les répliques spectrales initialement centrées sur fs, 2fs, … sont

inclus dans la gamme de fréquences allant de 0 Hz à la nouvelle limite de Nyquist Lfs=2 Hz, comme indiqué dans

Chiffre. Pour supprimer ces répliques spectrales incluses, un filtre d'interpolation avec une fréquence d'arrêt

le bord de fs=2 en Hz doit être attaché, et le bord de fréquence d'arrêt normalisé est donné par

Ωstop = 2π (fs/2) × (T/L) = π/L radians.

Figure Spectres avant et après suréchantillonnage.

Page 94
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Après filtrage via le filtre d'interpolation, nous obtiendrons le spectre souhaité pour y(n), comme indiqué

dans la figure 5.2.b. Notez que puisque l'interpolation consiste à supprimer les images haute fréquence qui sont

aliasé par l'opération de suréchantillonnage, il s'agit essentiellement d'un filtre passe­bas anti­aliasing.

Exemple : Si x(n) = {1, ­1, 2, 4, 3, ,….}

Alors y(m)= x(m/L) pour L = 3 est

Y (m) = {1, 0, 0,­1,0, 0,2,0, 0, 4, 0, 0, 3, 0, 0,,….}

CONVERSION DU TAUX D'ÉCHANTILLONNAGE :

En décimation et interpolation, la conversion du taux d'échantillonnage est réalisée par un facteur entier. Quand

la conversion du taux d'échantillonnage nécessite un facteur non entier, nous devons effectuer le taux d'échantillonnage

conversion par facteur rationnel I/D .

Effectuer une interpolation par un facteur I.

Filtrez la sortie de l'interpolateur à l'aide d'un passe­bas (filtre anti­imagerie) avec le

Bande passante de π/I.

La sortie du filtre anti­imagerie passe par un autre filtre passe­bas (Anti

Filtre d'alias) pour limiter la bande passante du signal à π/D.

Enfin, la bande de signal limitée à π/D est décimée par le facteur D.

Page 95
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Le filtre anti­imagerie et le filtre anti­aliasing fonctionnent au même taux d'échantillonnage et

peut donc être remplacé par un simple filtre passe­bas avec fréquence de coupure,

Wc = min[π/I, π/D]

Il est important de noter que, afin de préserver les caractéristiques spectrales de x(n), le

l'interpolation doit être effectuée en premier et la décimation doit être effectuée ensuite

Exemple : Montrez que le suréchantillonneur et le sous­échantillonneur sont des systèmes à variantes temporelles.

Considérons un facteur de suréchantillonneur L défini par

y(n) = x(n/L)

La sortie due à une entrée/sortie retardée est

y( n, k) = x(n/L ­ k)

la sortie retardée est

y(nk) = x[(nk)/L]

y(n ,k ) ≠ y(nk)

par conséquent, l'échantillonneur est un système à variation temporelle.

De même pour l'échantillonneur vers le bas

Oui(n) = x(nM)

y(n,k) = x(nM­k)

y(nk) = x(M(nk))

y(n ,k ) ≠ y(nk)

Par conséquent, l'échantillonneur descendant est un système à variation temporelle.

EFFETS DE LONGUEUR DE MOTS FINIS

5.6 REPRÉSENTATION PAR NUMÉRO :

Page 96
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Dans le traitement du signal numérique, les nombres à virgule fixe de (B +1) bits sont généralement représentés par deux.
fractions signées complémentaires au format bo b­ib­2 …… bB

Le nombre représenté est alors

où bo est le bit de signe et la plage de numéros est —1 <X <1. L'avantage de cette représentation est que le produit de deux
nombres compris entre — 1 et 1 est un autre nombre compris dans la même plage. Les nombres à virgule flottante sont
représentés par

où s est le bit de signe, mis la mantisse et cis la caractéristique ou l'exposant. Pour rendre la représentation d'un nombre
unique, la mantisse est normalisée de sorte que 0,5 <m <1.

, la manière dont cela

Bien que les nombres à virgule flottante soient toujours représentés sous forme de représentation,
la représentation réellement stockée dans une machine peut différer. Puisque m >0,5, il n'est pas nécessaire de stocker le bit
de poids 2­1 de m, qui est toujours défini. Par conséquent, en pratique, les nombres sont généralement stockés sous la forme

où fi est une fraction non signée, 0 <f <0,5.

La plupart des processeurs à virgule flottante utilisent désormais le format à virgule flottante 32 bits de la norme IEEE 754
pour stocker les nombres. Selon cette norme, l'exposant est stocké sous forme d'entier non signé où

p = c +126

Par conséquent, un numéro est stocké sous la forme

où s est le bit de signe, fis une fraction non signée de 23 b dans la plage 0 < f < 0,5 et p est un entier non signé de 8 b dans la
plage 0 < p < 255. Le nombre total de bits est 1 + 23 + 8 = 32. Par exemple, au format IEEE 3/4 s'écrit (­1)0 (0,5 + 0,25)2°
donc s =0, p =126 et f =0,25 . La valeur X =0 est un cas unique et est représentée par tous les bits nuls (c'est­à­dire s = 0, f =0
et p =0).
Bien que le bit de mantisse de poids 2­1 ne soit pas réellement stocké, il existe donc la mantisse a 24 b plus un bit de signe.

5.7 ERREURS DE QUANTIFICATION EN POINT FIXE :

En arithmétique à virgule fixe, une multiplication double le nombre de bits significatifs. Par exemple, le produit des deux
nombres 5­b 0,0011 et 0,1001 est le nombre 10­b 00,000 110 11. Le bit supplémentaire à gauche du point décimal peut être
ignoré sans introduire d'erreur. Cependant, le

Page 97
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Les quatre bits les moins significatifs des bits restants doivent finalement être éliminés par une certaine forme de
quantification afin que le résultat puisse être stocké dans 5b pour être utilisé dans d'autres calculs. Dans l'exemple ci­
dessus, cela donne 0,0010 (quantification par arrondi) ou 0,0001 (quantification par troncature).
Lorsqu'un calcul de somme de produits est effectué, la quantification peut être effectuée soit après chaque
multiplication, soit après que tous les produits ont été additionnés avec une précision de double longueur.

Nous examinerons trois types de quantification en virgule fixe : l'arrondi, la troncature et la troncature d'amplitude. Si
X est une valeur exacte, alors la valeur arrondie sera notée Qr(X), la valeur tronquée Qt(X) et la valeur tronquée
d'amplitude Qmt(X). Si la valeur quantifiée a Bbits à droite de la virgule décimale , la taille du pas de quantification est

Puisque l'arrondi sélectionne la valeur quantifiée la plus proche de la valeur non quantifiée, il donne une valeur qui
n'est jamais éloignée de plus de ± A /2 de la valeur exacte. Si l’on note l’erreur d’arrondi par

La troncature supprime simplement les bits de poids faible, donnant une valeur quantifiée qui est toujours inférieure
ou égale à la valeur exacte.

La troncature de la magnitude choisit la valeur quantifiée la plus proche qui a une magnitude inférieure ou égale à la
valeur exacte, donc

L'erreur résultant de la quantification peut être modélisée comme une variable aléatoire uniformément répartie sur la
plage d'erreur appropriée. Par conséquent, les calculs avec erreur d’arrondi peuvent être considérés comme des
calculs sans erreur qui ont été corrompus par un bruit blanc additif. La moyenne de ce bruit pour l'arrondi est

Page 98
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

où E{}représente l'opération consistant à prendre la valeur attendue d'une variable aléatoire. De même, la variance du bruit
pour l’arrondi est

De même pour la troncature,

Et pour la troncature de magnitude,

5.8 ERREURS DE QUANTIFICATION EN POINT FLOTTANT :

Avec l'arithmétique à virgule flottante, il est nécessaire de quantifier après les multiplications et les additions. La quantification
par addition se produit parce que, avant l'addition, la mantisse du plus petit nombre de la somme est décalée vers la droite
jusqu'à ce que l'exposant des deux nombres soit le même. En général, cela donne une mantisse somme trop longue et doit donc
être quantifiée. Nous supposerons que la quantification en arithmétique à virgule flottante est effectuée par arrondi. En raison de
l’exposant dans l’arithmétique à virgule flottante, c’est l’erreur relative qui est importante. L'erreur relative est définie comme

5.9 BRUIT D'ARRONDISSEMENT :

Pour déterminer le bruit d'arrondi à la sortie d'un filtre numérique, nous supposerons que le bruit dû à une quantification est
stationnaire, blanc et non corrélé avec l'entrée, la sortie et l'interne du filtre.

Page 99
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

variables. Cette hypothèse est bonne si l'entrée du filtre change d'un échantillon à l'autre d'une manière
suffisamment complexe. Elle n'est pas valable pour les entrées nulles ou constantes pour lesquelles les effets
d'arrondi sont analysés dans une perspective de cycle limite.

Pour satisfaire l'hypothèse d'une entrée suffisamment complexe, le bruit d'arrondi dans les filtres numériques est
souvent calculé pour le cas d'un signal d'entrée de filtre à bruit blanc de moyenne nulle x(n) de variance a1 . Cela

simplifie le calcul du bruit d'arrondi de sortie car les valeurs attendues de la forme E{x(n)x(n — k)}sont nulles pour k
=0 et donnent a2 lorsque k =0. Cette approche d'analyse s'est avérée donner des estimations du bruit d'arrondi de
sortie qui sont proches du bruit réellement observé pour d'autres signaux d'entrée.

Une autre hypothèse qui sera faite lors du calcul du bruit d'arrondi est que le produit de deux erreurs de quantification
est nul. Pour justifier cette hypothèse, considérons le cas d'un processeur 16­b à virgule fixe. Dans ce cas, une erreur
de quantification est de l'ordre de 2 à 15, tandis que le produit de deux erreurs de quantification est de l'ordre de 2 à
30, ce qui est négligeable en comparaison.

Si un système linéaire avec réponse impulsionnelle g(n) est excité par un bruit blanc de moyenne mx et de variance
a2 , la sortie est un bruit de moyenne

Et la variance

Par conséquent, si g(n) est la réponse impulsionnelle à partir du point où un arrondi a lieu jusqu'à la sortie du filtre, la
contribution de cet arrondi à la variance (valeur quadratique moyenne) de l'arrondi de sortie
le bruit est donné par a2 remplacé par la variance de l'arrondi. S'il existe plusieurs sources d'erreur d'arrondi dans le
filtre, on suppose que les erreurs ne sont pas corrélées, de sorte que la variance du bruit de sortie est simplement la
somme des contributions de chaque source.

Page 100
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

5.10 OSCILLATIONS DE CYCLE LIMITE :

Un cycle limite, parfois appelé cycle limite d'arrondi multiplicateur, est une oscillation de faible niveau qui peut exister dans
un filtre par ailleurs stable en raison de la non­linéarité associée.
avec arrondi (ou troncature) des calculs de filtres internes. Les cycles limites nécessitent une récursivité
pour exister et ne se produisent pas dans les filtres FIR non récursifs. A titre d'exemple de cycle limite, considérons le filtre
du second ordre réalisé par

où Qr{} représente la quantification par arrondi. Il s'agit d'un filtre stable avec des pôles à 0,4375 ± j0,6585. Considérons
l'implémentation de ce filtre avec 4­b (3­b et un bit de signe) arithmétique à virgule fixe en complément à deux, conditions
initiales nulles (y(—1) = y(—2) = 0) et une séquence d'entrée x (n) =|S(n), où S(n)est l'impulsion unitaire ou l'échantillon
unitaire. La séquence suivante est obtenue.

Notez que même si l'entrée est nulle, sauf pour le premier échantillon, la sortie oscille avec une amplitude de 1/8 et une
période de 6. Les cycles limites sont principalement concernés par les filtres récursifs à virgule fixe.
Tant que les filtres à virgule flottante sont réalisés en tant que connexion en parallèle ou en cascade de sous­filtres du
premier et du deuxième ordre, les cycles limites ne poseront généralement pas de problème puisque les cycles limites ne
sont pratiquement pas observables dans les systèmes du premier et du deuxième ordre implémentés avec 32 Arithmétique
à virgule flottante en bits
Il a. été démontré que de tels systèmes doivent avoir une marge de sécurité extrêmement faible.

Page 101
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

stabilité pour que les cycles limites existent à autre chose que les niveaux de sous­versement, qui ont une amplitude
inférieure à . Il existe au moins trois façons de gérer les cycles limites lorsque l'arithmétique à virgule fixe est utilisée.
La première consiste à déterminer une limite sur l’amplitude limite maximale du cycle, exprimée sous la forme d’un
nombre entier d’étapes de quantification. Il est alors possible de choisir une longueur de mot
qui rend l'amplitude du cycle limite suffisamment faible. Alternativement, les cycles limites peuvent être évités en
arrondissant les calculs de manière aléatoire vers le haut ou vers le bas. Cependant, cette approche est compliquée à
mettre en œuvre. La troisième approche consiste à choisir correctement la structure de réalisation du filtre, puis à
quantifier les calculs du filtre en utilisant la troncature d'amplitude. Cette approche présente l'inconvénient de produire
davantage de bruit d'arrondi que la troncature ou l'arrondi.

5.11 OSCILLATIONS DE DÉBORDEMENT :

Avec l'arithmétique à virgule fixe, il est possible que les calculs de filtre débordent. Cela se produit lorsque deux nombres
du même signe s’additionnent pour donner une valeur dont la magnitude est supérieure à un. Puisque les nombres dont
la magnitude est supérieure à un ne sont pas représentables, le résultat déborde. Par exemple, les nombres
complémentaires à deux 0,101 (5/8) et 0,100 (4/8) s'additionnent pour donner 1,001 qui est la représentation du
complément à deux de ­7/8.

La caractéristique de débordement de l'arithmétique du complément à deux peut être représentée par R{} où

Une oscillation de débordement, parfois également appelée cycle limite de débordement d'additionneur, est une
oscillation de haut niveau qui peut exister dans un filtre à virgule fixe par ailleurs stable en raison de la non­linéarité brute
associée au débordement des calculs de filtre interne. Comme les cycles limites, les oscillations de débordement
nécessitent une récursion pour exister et ne se produisent pas dans les filtres FIR non récursifs.
Les oscillations de débordement ne se produisent pas non plus avec l'arithmétique à virgule flottante en raison de la
quasi­impossibilité de débordement.

Quantification:

Le nombre total de bits dans x est réduit en utilisant deux méthodes, à savoir la troncature et l'arrondi.
Ceux­ci sont connus sous le nom de processus de quantification.

Erreur de quantification d'entrée :

Les signaux quantifiés sont stockés dans un registre de bits ab mais pour les valeurs les plus proches, le même
équivalent numérique peut être représenté. C'est ce qu'on appelle l'erreur de quantification d'entrée.

Erreur de quantification du produit :

La multiplication du numéro de bit ab avec un autre numéro de bit b donne un nombre de bits 2b mais il doit être stocké
dans le registre de bits ab. C'est ce qu'on appelle l'erreur de quantification du produit.

Page 102
Machine Translated by Google

TRAITEMENT DES SIGNAUX NUMÉRIQUES

Erreur de quantification du coefficient :

Le mappage analogique­numérique des signaux dû à la quantification du coefficient analogique entraîne une erreur due au
fait que les pôles stables marqués au bord de l'axe jΩ peuvent être marqués comme pôles instables dans le domaine
numérique.

Oscillations de cycle limite :

Si l'entrée est mise à zéro, la sortie doit être mise à zéro, mais une erreur se produit en raison de l'effet de quantification
selon lequel le système oscille à une certaine bande de valeurs.

Limite de débordement Oscillations du cycle :

Une erreur de débordement se produit également du fait que la somme de deux nombres peut entraîner un débordement.
Pour éviter les erreurs de débordement, l'arithmétique de saturation est utilisée.

Bande morte :

La plage de fréquences entre lesquelles le système oscille est appelée bande morte du filtre. Il peut avoir une valeur positive
fixe ou osciller entre une valeur positive et négative.

Mise à l'échelle du signal :

Les entrées du sommateur doivent d'abord être mises à l'échelle avant l'exécution de l'opération d'ajout afin de détecter toute
possibilité de débordement après l'ajout. Le facteur d'échelle s0 est multiplié par les entrées pour éviter tout débordement.

Page 103