SlideShare une entreprise Scribd logo
1  sur  43
Télécharger pour lire hors ligne
Page 1
Traitement du Signal Avancé
Représentation temps- fréquence
Jamila BAKKOURY
Plan
1. Rappel : Transformée de Fourier
2. Exemples
3. Limitations de la TF
4. Transformée de Fourier a court terme
5. Transformée en ondelettes
2
Analyse de Fourier
Rappel :
voir cours TS de base : outils mathématiques pour le TS
Page 3
Représentations d’un signal - Exemple
Représentation temporelle :
• Ne renseigne pas sur le contenu
fréquentiel.
Page 4
Représentation fréquentielle :
• Décomposition sur des exponentielles
complexes.
• Ne renseigne pas sur la localisation
(temporelle) des fréquences.
Rappel
Page 5
Signal stationnaire :
Ses caractéristiques (spectrales) ne varient pas dans le temps.
L’analyse spectrale (de Fourier) est bien adaptée.
Exemples
• Onde pure
• Combinaison linéaire d’ondes pures (harmoniques)
Signal non stationnaire :
 Ses caractéristiques (spectrales) varient au cours du temps.
Exemple :
Morceau de musique :
chaque note a un temps d’émission,
une durée, une hauteur (fréquence)
et une intensité.
Rappel
Page 6
 Exemple 1 :
Sinusoïde pure x(t)=sin(2πf0t)
porte rectangulaire w(t)=πT(t)
1- Rappeler le spectre de x(t)
2- Déterminer TF(wT)
3- Déterminer TF(x.wT)
4- Que devient ce spectre si w est décalée de τ ?
5- Représenter les spectres pour différentes valeurs de T.
6- Commenter.
Analyse de Fourier standard
Page 7
 Exemple 2 :
x(t)=sin(2πf0t) pour t<t0
x(t)=sin(2πf1t) pour t0<t<t1
x(t)=sin(2πf2t) pour t>t!
porte rectangulaire w(t)=πT(t)
1- Effectuer une analyse spectrale, par tranche, de x(t).
2- Représenter le spectre en fonction du temps.
6- Commenter.
Analyse de Fourier standard
Page 8
Pour une sinusoïde infinie, toute l’énergie du spectre est concentrée à
une fréquence donnée, c’est à dire la fréquence de la sinusoïde.
Exemple 1
Analyse de Fourier
Page 9
Exemple1
Analyse temps-fréquence
Page 10
 La TF du signal A stationnaire est identique à la TF du signal B non stationnaire
 Dans le spectre de B, on ne peut dire dans quel l'ordre ont été placées les trois
sinusoïdes.
Limites de l’analyse de Fourier standard
Page 11
Limites de l’analyse de Fourier standard
• L’analyse spectrale standard perd l’information temporelle
puisqu’elle moyenne sur tous les temps.
• Cette analyse convient pour les signaux stationnaires où chaque
composante de fréquence existe à tout instant, mais ne convient
pas aux signaux non stationnaires.
 Si l'on recherche une localisation temporelle des composantes
spectrales, on a besoin d'une autre transformation qui permette
de donner une représentation temps - fréquences du signal.
 Analyse par morceaux : adapte les outils L’analyse spectrale
standard aux variations dans le temps.
Page 12
Limites de l’analyse de Fourier standard
Page 13
Le but de l'analyse temps-fréquence est d'offrir une description plus
informative du signal révélant la variation temporelle de son contenu
fréquentiel.
Une solution, la plus intuitive, consiste à associer à un signal non
stationnaire une suite de transformées de Fourier à court terme
( STFT: Short Time Fourier Transform) en essayant d'adapter les
fenêtres d'observation successives aux variations de structure du
signal de telle sorte que les hypothèses de stationnarité́, soient
localement satisfaites.
Analyse temps-fréquence
Page 14
conséquence d'un fenêtrage sur la TF d'une sinusoïde
Analyse temps-fréquence
Page 15
Conséquence d'un fenêtrage sur la TF d'une sinusoïde :
Le fenêtrage consiste a multiplier le signal par une fenêtre
rectangulaire (de hamming, ...).
Le fenêtrage correspond dans le domaine fréquentiel à un produit de
convolution de leurs transformées de Fourrier. D’ou :
• Perte de résolution dans le domaine fréquentiel puisque "le pic
s'est élargit".
• Apparition de bandes de fréquence.
La fenêtre ne doit pas être trop grande pour que le signal fenêtré soit
stationnaire et que la résolution temporelle soit correcte.
Mais elle ne doit pas être trop petite non plus pour que les lobes
correspondant à la TF de la fenêtre ne soient pas trop larges et pour
que la résolution fréquentielle soit correcte.
Analyse temps-fréquence
Page 16
Utilisation d’une fenêtre rectangulaire :
La troncature du sinus, implique :
• Une répartition de l’énergie autour de la fréquence du sinus (étalement)
• Une apparition d’énergie dans toutes les fréquences (fuite spectrale).
Analyse temps-fréquence
Page 17
Utilisation une fenêtre non rectangulaire :
La troncature au moyen d’une fenêtre non rectangulaire, implique :
• Des transitions du signal plus douces.
• Une limitation des fuites spectrales
• Une augmentation de l’étalement fréquentiel
Analyse temps-fréquence
Page 18
Transformée de Fourier à court terme
(STFT)
• Analyse le signal segment par segment (ou fenêtre par fenêtre).
• La longueur de ce segment est constante et doit être telle que la portion de
signal fenêtré soit stationnaire.
• La TF de chaque portion de signal fenêtré est calculée comme suit (le centre de
la fenêtre étant placée au temps τ) :
•La fenêtre de largeur T et centrée en τ permet d'extraire une portion de signal.
w*
designe le complexe conjugué de w
•Cette analyse fournit une représentation temps-fréquence du signal.
∫
−
×−×=
t
f tjw
x d tetwtxfS T F T π
ττ 2*
)()(),(
Page 19
STFT – Exemple2
Page 20
STFT – Exemple2
• Les deux signaux B et C sont constitués de sinusoïdes se succédant dans
un ordre différent.
• Leurs TF sont identiques.
• Leur STFT permettent de les distinguer puisqu'elles mettent en évidence
les fréquences dominantes relatives à chaque période d’observation.
Page 21
Page 22
Principe d'incertitude d'Heisenberg :
Les résolutions en temps et en fréquence ne peuvent pas être
arbitrairement petites en même temps. Si represente la fenetre
d’analyse, alors :
Analyse temps-fréquence
π4
1
≥∆×∆ ft









=∆
=∆
∫
∫
∫
∫
d ffW
d ffWf
f
d ttw
d ttwt
t
2
22
2
2
22
2
)(
)(
)(
)(
w
La limite inférieure de cette inégalité est atteinte seulement pour une fenêtre d’analyse de forme
gaussienne.
Page 23
STFT-Exemple
Signal vocal - Utilisation d’une fenêtre de Hanning
Page 24
STFT-Exemple
Signal vocal- Utilisation d’une fenêtre rectangulaire
Page 25
STFT-Exemple
Signal vocal - comparaison fenêtre rectangulaire/ hanning :
Avec la fenêtre rectangulaire au lieu de la fenêtre de Hanning, l’étalement
spectral est plus faible et les lignes sur le spectrogramme plus fines, mais
les fuites spectrales sont plus importantes ce qui se traduit par par un
manque de contraste dans spectrogramme.
Page 26
• La STFT considère implicitement un signal non stationnaire comme une
succession de situations quasi-stationnaires, à l’échelle de la fenêtre
d’analyse.
• La résolution temporelle d’une telle analyse est fixée par la largeur de la
fenêtre, la résolution fréquentielle étant fixée par la largeur de sa transformée
de Fourier. Pour un signal fortement non-stationnaire, une bonne résolution
temporelle est requise, ce qui impose de travailler avec une fenêtre courte,
limitant la résolution fréquentielle.
• Une analyse fréquentielle fine nécessite, une fenêtre large, ce qui a pour
consequence de moyenner les contributions fréquentielles sur la durée de la
fenêtre et de dégrader la résolution temporelle.
STFT- Compromis
Page 27
STFT-Compromis
Eléments importants dans l’utilisation du spectrogramme :
•la longueur de fenêtre pour ajuster la précision temporelle,
au prix d’un étalement spectral qui peut devenir important
•le choix de la fenêtre qui va conditionner le contraste du
spectrogramme, pour une longueur de fenêtre donnée.
•Compromis entre les résolutions temporelle et fréquentielle.
Page 28
Transformation en ondelettes
Le problème de la STFT est d'utiliser une fenêtre de taille fixe couvrant le
domaine temps-fréquence. Son inconvénient majeur est la résolution temporelle
et fréquentielle fixe.
La Transformation en Ondelettes offre la possibilité d’avoir une fenêtre qui
s'adapte en fonction des irrégularités du signal.
Les ondelettes sont une famille de fonctions localisées en temps et en fréquence
et formant une base orthonormale. Elles sont engendrées les unes à partir des
autres par translation et dilatation.
Page 29
Transformation en ondelettes
Chaque ondelette est utilisée pour décomposer le signal comme on
utilise chaque fonction exponentielles dans la transformée de Fourier.
La différence est que les fonctions ondelettes sont bien localisées dans
le temps contrairement aux exponentielles.
STFT
Page 30
Transformation en ondelettes
La transformée en ondelettes continue est définie par :
τ est le coefficient de translation. Il s'agit d'un nombre réel.
s-1
est le coefficient d'échelle. s est un nombre réel.
ψ(t) est l'ondelette mère. C’est une fonction oscillante de moyenne
nulle.
Ψ*
dénote le complexe conjugué de ψ
Les sont les coefficients d'ondelettes
CWTx
ψ
(τ,s) =
1
s
× x(t)×ψ* t −τ
s





÷
t
∫ dt
CWTx
ψ
(τ,s)
Page 31
Transformation en ondelettes
Une fonction ondelette est générée, par dilatation (ou contraction) et translation
(selon l'axe temporel).
La TOC est définie comme la projection d'un signal sur toute la famille des
fonctions ondelettes.
A chaque point (τ ,s) dans le plan temps-échelle, l'amplitude de la transformée
ondellete fournit une information sur le degré de ressemblance entre le signal
analysé et la version de l’ondelette mère décalée de τ , à l'échelle s.
La CWT (TOC) est conçue pour donner une bonne résolution temporelle avec une
pauvre résolution fréquentielle dans les hautes fréquences (s petit ) et une bonne
résolution fréquentielle avec une pauvre résolution temporelle dans les basses
fréquences (s grand).
Page 32
Rappel :
Principe d'incertitude d'Heisenberg :
Analyse temps-fréquence
π4
1
≥∆×∆ ft
La limite inférieure de cette inégalité est atteinte seulement
pour une fenêtre d’analyse de forme gaussienne.
33
Domaine fréquentiel
FT
support infini
Résolution
temps-fréquence
Cosinus
T=2π/f
Domaine Temps-Fréquence
STFT
Fenêtre de largeur fixe
Domaine Temps-Echelle
WT
Fenêtre avec un nombre d’oscillations fixe
Fréquencecroissante
Echellecroissante
Analyse temps-fréquence
tsa analyse-temps-frequence
tsa analyse-temps-frequence
tsa analyse-temps-frequence
Page 37
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
200 400 600 800 1000
10
20
30
40
50
60
70
Exemple de représentations Temps-Echelles :
Une seule fréquence est présente
sur tout l’intervalle avec la même intensité
Page 38
0 500 1000 1500 2000 2500 3000 3500 4000
-1.5
-1
-0.5
0
0.5
1
1.5
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
500 1000 1500 2000 2500 3000 3500 4000
10
20
30
40
50
60
70
80
90
Exemple de représentations Temps-Echelles :
Page 39
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
200 400 600 800 1000
10
20
30
40
50
60
70
Exemple de représentations Temps-Echelles :
40
Exemple de représentations Temps-Echelles :
Page 41
L’utilisation de la TFCT ou la TOC nécessite de trouver un compromis entre
les résolutions temporelle et fréquentielle.
Pour la TFCT, une fenêtre d’analyse plus étroite fournira une meilleure
résolution temporelle, mais la concentration autour de l’origine de sa
transformée de Fourier sera nécessairement moindre, ce qui implique une
plus mauvaise résolution fréquentielle.
Pour la TOC, le compromis est similaire, mais il dépend de la fréquence
d’analyse : plus la fréquence d’analyse augmente, plus la résolution
temporelle s’améliore, mais aux dépens d’une moindre résolution
fréquentielle.
TFCT/TOC
Page 42
Analyse de Fourier standard : bien adaptée aux signaux stationnaires. Mais ne
permet pas d’obtenir d’information temporelle.
Solution : transformée de Fourier a court terme. Fenêtre d’analyse fixe.
Compromis STFT : précision temporelle / fréquentielle.
Solution : transformée en ondelettes.
Les ondelettes permettent une décomposition multi-échelle.
Inconvénient majeur de la WT : critère de choix sur le type d’ondelette
mère à utiliser.
Conclusion
Page 43
Références :
•Patrick Flandrin - Temps-frequence. Editions Hermes - 1998.
•Claude Gasquet et Patrivk Witomski - Analyse de Fourier et applications - Dunod.2004
•Stephane Mallat - Une exploration des signaux en ondelettes. Les éditions de l’école
polytechnique – 2000.
•Yves Meyer. Les ondelettes, algorithmes et applications. Editions Armand Colin.1992.
•Ingrid Daubechies, 1992, Ten lectures on wavelets, Regional conference series in
•applied mathematics No 61, Society for Industrial & Applied Mathematics.
•http://fourierandwavelets.org
•http://www.wavelet.org

Contenu connexe

Tendances

interferences entre-symboles
interferences entre-symbolesinterferences entre-symboles
interferences entre-symbolesBAKKOURY Jamila
 
124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011sunprass
 
cours1_courtellemont.ppt
cours1_courtellemont.pptcours1_courtellemont.ppt
cours1_courtellemont.pptTITANIUMALFREDO
 
traitement de signal cours
traitement de signal cours traitement de signal cours
traitement de signal cours sarah Benmerzouk
 
Unit-1 Classification of Signals
Unit-1 Classification of SignalsUnit-1 Classification of Signals
Unit-1 Classification of SignalsDr.SHANTHI K.G
 
Digital Signal Processing[ECEG-3171]-L00
Digital Signal Processing[ECEG-3171]-L00Digital Signal Processing[ECEG-3171]-L00
Digital Signal Processing[ECEG-3171]-L00Rediet Moges
 
Dsp U Lec04 Discrete Time Signals & Systems
Dsp U   Lec04 Discrete Time Signals & SystemsDsp U   Lec04 Discrete Time Signals & Systems
Dsp U Lec04 Discrete Time Signals & Systemstaha25
 
Travaux Dirigés N°03_Automatique-Asservissement.pdf
Travaux Dirigés N°03_Automatique-Asservissement.pdfTravaux Dirigés N°03_Automatique-Asservissement.pdf
Travaux Dirigés N°03_Automatique-Asservissement.pdfCoolDangbenon
 
Rappel de cours traitement de signal
Rappel de cours traitement de signalRappel de cours traitement de signal
Rappel de cours traitement de signalmanahil2012
 
FiltrageNumérique.pptx
FiltrageNumérique.pptxFiltrageNumérique.pptx
FiltrageNumérique.pptxAyoubELJAFRY1
 
Chapitre iii circuits séquentiels
Chapitre iii circuits séquentielsChapitre iii circuits séquentiels
Chapitre iii circuits séquentielsSana Aroussi
 
Traitement de signal -chapitre 1
Traitement de signal -chapitre 1Traitement de signal -chapitre 1
Traitement de signal -chapitre 1Samir Tabib
 
CM3 - Transformée de Fourier
CM3 - Transformée de FourierCM3 - Transformée de Fourier
CM3 - Transformée de FourierPierre Maréchal
 
Cours Transformée de Laplace.pdf
Cours Transformée de Laplace.pdfCours Transformée de Laplace.pdf
Cours Transformée de Laplace.pdfSohaMoussaoui
 
ELE2611 Classe 3 - Filtres analogiques linéaires I
ELE2611 Classe 3 - Filtres analogiques linéaires IELE2611 Classe 3 - Filtres analogiques linéaires I
ELE2611 Classe 3 - Filtres analogiques linéaires IJerome LE NY
 
Digital Signal Processing Tutorial:Chapt 2 z transform
Digital Signal Processing Tutorial:Chapt 2 z transformDigital Signal Processing Tutorial:Chapt 2 z transform
Digital Signal Processing Tutorial:Chapt 2 z transformChandrashekhar Padole
 
Tp 2 transmission de donné modulation analogique
Tp 2 transmission de donné modulation analogiqueTp 2 transmission de donné modulation analogique
Tp 2 transmission de donné modulation analogiquehamdinho
 

Tendances (20)

interferences entre-symboles
interferences entre-symbolesinterferences entre-symboles
interferences entre-symboles
 
124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011124776153 td-automatique-1 a-jmd-2011
124776153 td-automatique-1 a-jmd-2011
 
cours1_courtellemont.ppt
cours1_courtellemont.pptcours1_courtellemont.ppt
cours1_courtellemont.ppt
 
traitement de signal cours
traitement de signal cours traitement de signal cours
traitement de signal cours
 
Transmission de signal
Transmission de signalTransmission de signal
Transmission de signal
 
Unit-1 Classification of Signals
Unit-1 Classification of SignalsUnit-1 Classification of Signals
Unit-1 Classification of Signals
 
Digital Signal Processing[ECEG-3171]-L00
Digital Signal Processing[ECEG-3171]-L00Digital Signal Processing[ECEG-3171]-L00
Digital Signal Processing[ECEG-3171]-L00
 
Dsp U Lec04 Discrete Time Signals & Systems
Dsp U   Lec04 Discrete Time Signals & SystemsDsp U   Lec04 Discrete Time Signals & Systems
Dsp U Lec04 Discrete Time Signals & Systems
 
Travaux Dirigés N°03_Automatique-Asservissement.pdf
Travaux Dirigés N°03_Automatique-Asservissement.pdfTravaux Dirigés N°03_Automatique-Asservissement.pdf
Travaux Dirigés N°03_Automatique-Asservissement.pdf
 
Rappel de cours traitement de signal
Rappel de cours traitement de signalRappel de cours traitement de signal
Rappel de cours traitement de signal
 
FiltrageNumérique.pptx
FiltrageNumérique.pptxFiltrageNumérique.pptx
FiltrageNumérique.pptx
 
Chapitre iii circuits séquentiels
Chapitre iii circuits séquentielsChapitre iii circuits séquentiels
Chapitre iii circuits séquentiels
 
Traitement de signal -chapitre 1
Traitement de signal -chapitre 1Traitement de signal -chapitre 1
Traitement de signal -chapitre 1
 
Traitement de signal
Traitement de signalTraitement de signal
Traitement de signal
 
CM3 - Transformée de Fourier
CM3 - Transformée de FourierCM3 - Transformée de Fourier
CM3 - Transformée de Fourier
 
Cours Transformée de Laplace.pdf
Cours Transformée de Laplace.pdfCours Transformée de Laplace.pdf
Cours Transformée de Laplace.pdf
 
ELE2611 Classe 3 - Filtres analogiques linéaires I
ELE2611 Classe 3 - Filtres analogiques linéaires IELE2611 Classe 3 - Filtres analogiques linéaires I
ELE2611 Classe 3 - Filtres analogiques linéaires I
 
Digital Signal Processing Tutorial:Chapt 2 z transform
Digital Signal Processing Tutorial:Chapt 2 z transformDigital Signal Processing Tutorial:Chapt 2 z transform
Digital Signal Processing Tutorial:Chapt 2 z transform
 
chap5 modulations
chap5 modulationschap5 modulations
chap5 modulations
 
Tp 2 transmission de donné modulation analogique
Tp 2 transmission de donné modulation analogiqueTp 2 transmission de donné modulation analogique
Tp 2 transmission de donné modulation analogique
 

En vedette

chap1 generalites_signaux-systemes
chap1 generalites_signaux-systemeschap1 generalites_signaux-systemes
chap1 generalites_signaux-systemesBAKKOURY Jamila
 
chap1 transmission-generalités
chap1 transmission-generalitéschap1 transmission-generalités
chap1 transmission-generalitésBAKKOURY Jamila
 
Posters nov2013
Posters  nov2013Posters  nov2013
Posters nov2013Knitandb b
 
Automatique systémes linéaires et non linéaires 2
Automatique   systémes linéaires et non linéaires 2Automatique   systémes linéaires et non linéaires 2
Automatique systémes linéaires et non linéaires 2badr zaimi
 
Experimental comparison of quadrature formulas convergence
Experimental comparison of quadrature formulas convergenceExperimental comparison of quadrature formulas convergence
Experimental comparison of quadrature formulas convergenceMamy Ramamonjisoa
 
Introduction au traitement de signal
Introduction au traitement de signalIntroduction au traitement de signal
Introduction au traitement de signalmanahil2012
 
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...kmichel69
 
231006 boukour [unlocked by www.freemypdf.com]
231006 boukour [unlocked by www.freemypdf.com]231006 boukour [unlocked by www.freemypdf.com]
231006 boukour [unlocked by www.freemypdf.com]Amine Benmansour
 
Traitement du signal social pour la robotique d'assistance aux personnes défi...
Traitement du signal social pour la robotique d'assistance aux personnes défi...Traitement du signal social pour la robotique d'assistance aux personnes défi...
Traitement du signal social pour la robotique d'assistance aux personnes défi...Jade Le Maitre
 
Commande optimale
Commande optimaleCommande optimale
Commande optimaleAdouane
 
chap2 genéralites-chaine_de_transmission_15-16
chap2 genéralites-chaine_de_transmission_15-16chap2 genéralites-chaine_de_transmission_15-16
chap2 genéralites-chaine_de_transmission_15-16BAKKOURY Jamila
 
Dématérialisation des processus métiers et GED transverse : La bonne équation?
Dématérialisation des processus métiers et GED transverse : La bonne équation?Dématérialisation des processus métiers et GED transverse : La bonne équation?
Dématérialisation des processus métiers et GED transverse : La bonne équation?Sollan France
 
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR)
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR) Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR)
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR) Chandrashekhar Padole
 
chap3 transmission_numerique-en-bd_b
chap3 transmission_numerique-en-bd_bchap3 transmission_numerique-en-bd_b
chap3 transmission_numerique-en-bd_bBAKKOURY Jamila
 
GSM in Mauritel and / QoS
GSM in Mauritel and / QoSGSM in Mauritel and / QoS
GSM in Mauritel and / QoStahoos
 

En vedette (20)

chap1 generalites_signaux-systemes
chap1 generalites_signaux-systemeschap1 generalites_signaux-systemes
chap1 generalites_signaux-systemes
 
Traitement de signal 1
Traitement de signal 1Traitement de signal 1
Traitement de signal 1
 
chap1 transmission-generalités
chap1 transmission-generalitéschap1 transmission-generalités
chap1 transmission-generalités
 
Posters nov2013
Posters  nov2013Posters  nov2013
Posters nov2013
 
Automatique systémes linéaires et non linéaires 2
Automatique   systémes linéaires et non linéaires 2Automatique   systémes linéaires et non linéaires 2
Automatique systémes linéaires et non linéaires 2
 
Experimental comparison of quadrature formulas convergence
Experimental comparison of quadrature formulas convergenceExperimental comparison of quadrature formulas convergence
Experimental comparison of quadrature formulas convergence
 
Introduction au traitement de signal
Introduction au traitement de signalIntroduction au traitement de signal
Introduction au traitement de signal
 
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
Lise VAUDOR : Analyser les séries temporelles à diverses échelles par les tra...
 
Chap2 laplace
Chap2 laplaceChap2 laplace
Chap2 laplace
 
231006 boukour [unlocked by www.freemypdf.com]
231006 boukour [unlocked by www.freemypdf.com]231006 boukour [unlocked by www.freemypdf.com]
231006 boukour [unlocked by www.freemypdf.com]
 
Traitement du signal social pour la robotique d'assistance aux personnes défi...
Traitement du signal social pour la robotique d'assistance aux personnes défi...Traitement du signal social pour la robotique d'assistance aux personnes défi...
Traitement du signal social pour la robotique d'assistance aux personnes défi...
 
Commande optimale
Commande optimaleCommande optimale
Commande optimale
 
chap2 genéralites-chaine_de_transmission_15-16
chap2 genéralites-chaine_de_transmission_15-16chap2 genéralites-chaine_de_transmission_15-16
chap2 genéralites-chaine_de_transmission_15-16
 
Cours auti
Cours autiCours auti
Cours auti
 
CDMA
CDMACDMA
CDMA
 
Dématérialisation des processus métiers et GED transverse : La bonne équation?
Dématérialisation des processus métiers et GED transverse : La bonne équation?Dématérialisation des processus métiers et GED transverse : La bonne équation?
Dématérialisation des processus métiers et GED transverse : La bonne équation?
 
Expose wcdma
Expose wcdmaExpose wcdma
Expose wcdma
 
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR)
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR) Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR)
Digital Signal Processing Tutorial: Chapt 4 design of digital filters (FIR)
 
chap3 transmission_numerique-en-bd_b
chap3 transmission_numerique-en-bd_bchap3 transmission_numerique-en-bd_b
chap3 transmission_numerique-en-bd_b
 
GSM in Mauritel and / QoS
GSM in Mauritel and / QoSGSM in Mauritel and / QoS
GSM in Mauritel and / QoS
 

Similaire à tsa analyse-temps-frequence

Chapitre 5 échantillonnage.pptx
Chapitre 5 échantillonnage.pptxChapitre 5 échantillonnage.pptx
Chapitre 5 échantillonnage.pptxFadilaFE
 
Signaux.pdf
Signaux.pdfSignaux.pdf
Signaux.pdfHassnTAI
 
Cours tns 2015
Cours tns 2015Cours tns 2015
Cours tns 2015HamzaOudda
 
Trans_signal partiel.pdf
Trans_signal partiel.pdfTrans_signal partiel.pdf
Trans_signal partiel.pdfHassnTAI
 
Illustration chp 13
Illustration chp 13Illustration chp 13
Illustration chp 13Chalvesche
 
correction examen rattrapage 2012 transmission numérique
correction examen rattrapage 2012 transmission numérique correction examen rattrapage 2012 transmission numérique
correction examen rattrapage 2012 transmission numérique omar bllaouhamou
 
Modulation Analogique
Modulation Analogique Modulation Analogique
Modulation Analogique SAHELAicha
 
cours9_Filtrage numérique.pdf
cours9_Filtrage numérique.pdfcours9_Filtrage numérique.pdf
cours9_Filtrage numérique.pdfdavidZorom
 
Nib cours5 canalradio
Nib cours5  canalradioNib cours5  canalradio
Nib cours5 canalradioENIG
 
audionum numerique .pdf
audionum numerique .pdfaudionum numerique .pdf
audionum numerique .pdfzayd6
 
modulation AM FM PM
modulation AM FM PMmodulation AM FM PM
modulation AM FM PMHassnTAI
 

Similaire à tsa analyse-temps-frequence (18)

005.pdf texte
005.pdf texte005.pdf texte
005.pdf texte
 
cours2et3.pdf
cours2et3.pdfcours2et3.pdf
cours2et3.pdf
 
Chapitre 5 échantillonnage.pptx
Chapitre 5 échantillonnage.pptxChapitre 5 échantillonnage.pptx
Chapitre 5 échantillonnage.pptx
 
Signaux.pdf
Signaux.pdfSignaux.pdf
Signaux.pdf
 
Cours tns 2015
Cours tns 2015Cours tns 2015
Cours tns 2015
 
Trans_signal partiel.pdf
Trans_signal partiel.pdfTrans_signal partiel.pdf
Trans_signal partiel.pdf
 
Illustration chp 13
Illustration chp 13Illustration chp 13
Illustration chp 13
 
correction examen rattrapage 2012 transmission numérique
correction examen rattrapage 2012 transmission numérique correction examen rattrapage 2012 transmission numérique
correction examen rattrapage 2012 transmission numérique
 
Modulation Analogique
Modulation Analogique Modulation Analogique
Modulation Analogique
 
Reseaux-sans-fil.pdf
Reseaux-sans-fil.pdfReseaux-sans-fil.pdf
Reseaux-sans-fil.pdf
 
Codage
CodageCodage
Codage
 
cours9_Filtrage numérique.pdf
cours9_Filtrage numérique.pdfcours9_Filtrage numérique.pdf
cours9_Filtrage numérique.pdf
 
02 signal
02 signal02 signal
02 signal
 
Nib cours5 canalradio
Nib cours5  canalradioNib cours5  canalradio
Nib cours5 canalradio
 
audionum numerique .pdf
audionum numerique .pdfaudionum numerique .pdf
audionum numerique .pdf
 
Poster Couplage
Poster  CouplagePoster  Couplage
Poster Couplage
 
modulation AM FM PM
modulation AM FM PMmodulation AM FM PM
modulation AM FM PM
 
traitement de signal
traitement de signaltraitement de signal
traitement de signal
 

tsa analyse-temps-frequence

  • 1. Page 1 Traitement du Signal Avancé Représentation temps- fréquence Jamila BAKKOURY
  • 2. Plan 1. Rappel : Transformée de Fourier 2. Exemples 3. Limitations de la TF 4. Transformée de Fourier a court terme 5. Transformée en ondelettes 2
  • 3. Analyse de Fourier Rappel : voir cours TS de base : outils mathématiques pour le TS Page 3
  • 4. Représentations d’un signal - Exemple Représentation temporelle : • Ne renseigne pas sur le contenu fréquentiel. Page 4 Représentation fréquentielle : • Décomposition sur des exponentielles complexes. • Ne renseigne pas sur la localisation (temporelle) des fréquences. Rappel
  • 5. Page 5 Signal stationnaire : Ses caractéristiques (spectrales) ne varient pas dans le temps. L’analyse spectrale (de Fourier) est bien adaptée. Exemples • Onde pure • Combinaison linéaire d’ondes pures (harmoniques) Signal non stationnaire :  Ses caractéristiques (spectrales) varient au cours du temps. Exemple : Morceau de musique : chaque note a un temps d’émission, une durée, une hauteur (fréquence) et une intensité. Rappel
  • 6. Page 6  Exemple 1 : Sinusoïde pure x(t)=sin(2πf0t) porte rectangulaire w(t)=πT(t) 1- Rappeler le spectre de x(t) 2- Déterminer TF(wT) 3- Déterminer TF(x.wT) 4- Que devient ce spectre si w est décalée de τ ? 5- Représenter les spectres pour différentes valeurs de T. 6- Commenter. Analyse de Fourier standard
  • 7. Page 7  Exemple 2 : x(t)=sin(2πf0t) pour t<t0 x(t)=sin(2πf1t) pour t0<t<t1 x(t)=sin(2πf2t) pour t>t! porte rectangulaire w(t)=πT(t) 1- Effectuer une analyse spectrale, par tranche, de x(t). 2- Représenter le spectre en fonction du temps. 6- Commenter. Analyse de Fourier standard
  • 8. Page 8 Pour une sinusoïde infinie, toute l’énergie du spectre est concentrée à une fréquence donnée, c’est à dire la fréquence de la sinusoïde. Exemple 1 Analyse de Fourier
  • 10. Page 10  La TF du signal A stationnaire est identique à la TF du signal B non stationnaire  Dans le spectre de B, on ne peut dire dans quel l'ordre ont été placées les trois sinusoïdes. Limites de l’analyse de Fourier standard
  • 11. Page 11 Limites de l’analyse de Fourier standard
  • 12. • L’analyse spectrale standard perd l’information temporelle puisqu’elle moyenne sur tous les temps. • Cette analyse convient pour les signaux stationnaires où chaque composante de fréquence existe à tout instant, mais ne convient pas aux signaux non stationnaires.  Si l'on recherche une localisation temporelle des composantes spectrales, on a besoin d'une autre transformation qui permette de donner une représentation temps - fréquences du signal.  Analyse par morceaux : adapte les outils L’analyse spectrale standard aux variations dans le temps. Page 12 Limites de l’analyse de Fourier standard
  • 13. Page 13 Le but de l'analyse temps-fréquence est d'offrir une description plus informative du signal révélant la variation temporelle de son contenu fréquentiel. Une solution, la plus intuitive, consiste à associer à un signal non stationnaire une suite de transformées de Fourier à court terme ( STFT: Short Time Fourier Transform) en essayant d'adapter les fenêtres d'observation successives aux variations de structure du signal de telle sorte que les hypothèses de stationnarité́, soient localement satisfaites. Analyse temps-fréquence
  • 14. Page 14 conséquence d'un fenêtrage sur la TF d'une sinusoïde Analyse temps-fréquence
  • 15. Page 15 Conséquence d'un fenêtrage sur la TF d'une sinusoïde : Le fenêtrage consiste a multiplier le signal par une fenêtre rectangulaire (de hamming, ...). Le fenêtrage correspond dans le domaine fréquentiel à un produit de convolution de leurs transformées de Fourrier. D’ou : • Perte de résolution dans le domaine fréquentiel puisque "le pic s'est élargit". • Apparition de bandes de fréquence. La fenêtre ne doit pas être trop grande pour que le signal fenêtré soit stationnaire et que la résolution temporelle soit correcte. Mais elle ne doit pas être trop petite non plus pour que les lobes correspondant à la TF de la fenêtre ne soient pas trop larges et pour que la résolution fréquentielle soit correcte. Analyse temps-fréquence
  • 16. Page 16 Utilisation d’une fenêtre rectangulaire : La troncature du sinus, implique : • Une répartition de l’énergie autour de la fréquence du sinus (étalement) • Une apparition d’énergie dans toutes les fréquences (fuite spectrale). Analyse temps-fréquence
  • 17. Page 17 Utilisation une fenêtre non rectangulaire : La troncature au moyen d’une fenêtre non rectangulaire, implique : • Des transitions du signal plus douces. • Une limitation des fuites spectrales • Une augmentation de l’étalement fréquentiel Analyse temps-fréquence
  • 18. Page 18 Transformée de Fourier à court terme (STFT) • Analyse le signal segment par segment (ou fenêtre par fenêtre). • La longueur de ce segment est constante et doit être telle que la portion de signal fenêtré soit stationnaire. • La TF de chaque portion de signal fenêtré est calculée comme suit (le centre de la fenêtre étant placée au temps τ) : •La fenêtre de largeur T et centrée en τ permet d'extraire une portion de signal. w* designe le complexe conjugué de w •Cette analyse fournit une représentation temps-fréquence du signal. ∫ − ×−×= t f tjw x d tetwtxfS T F T π ττ 2* )()(),(
  • 19. Page 19 STFT – Exemple2
  • 20. Page 20 STFT – Exemple2 • Les deux signaux B et C sont constitués de sinusoïdes se succédant dans un ordre différent. • Leurs TF sont identiques. • Leur STFT permettent de les distinguer puisqu'elles mettent en évidence les fréquences dominantes relatives à chaque période d’observation.
  • 22. Page 22 Principe d'incertitude d'Heisenberg : Les résolutions en temps et en fréquence ne peuvent pas être arbitrairement petites en même temps. Si represente la fenetre d’analyse, alors : Analyse temps-fréquence π4 1 ≥∆×∆ ft          =∆ =∆ ∫ ∫ ∫ ∫ d ffW d ffWf f d ttw d ttwt t 2 22 2 2 22 2 )( )( )( )( w La limite inférieure de cette inégalité est atteinte seulement pour une fenêtre d’analyse de forme gaussienne.
  • 23. Page 23 STFT-Exemple Signal vocal - Utilisation d’une fenêtre de Hanning
  • 24. Page 24 STFT-Exemple Signal vocal- Utilisation d’une fenêtre rectangulaire
  • 25. Page 25 STFT-Exemple Signal vocal - comparaison fenêtre rectangulaire/ hanning : Avec la fenêtre rectangulaire au lieu de la fenêtre de Hanning, l’étalement spectral est plus faible et les lignes sur le spectrogramme plus fines, mais les fuites spectrales sont plus importantes ce qui se traduit par par un manque de contraste dans spectrogramme.
  • 26. Page 26 • La STFT considère implicitement un signal non stationnaire comme une succession de situations quasi-stationnaires, à l’échelle de la fenêtre d’analyse. • La résolution temporelle d’une telle analyse est fixée par la largeur de la fenêtre, la résolution fréquentielle étant fixée par la largeur de sa transformée de Fourier. Pour un signal fortement non-stationnaire, une bonne résolution temporelle est requise, ce qui impose de travailler avec une fenêtre courte, limitant la résolution fréquentielle. • Une analyse fréquentielle fine nécessite, une fenêtre large, ce qui a pour consequence de moyenner les contributions fréquentielles sur la durée de la fenêtre et de dégrader la résolution temporelle. STFT- Compromis
  • 27. Page 27 STFT-Compromis Eléments importants dans l’utilisation du spectrogramme : •la longueur de fenêtre pour ajuster la précision temporelle, au prix d’un étalement spectral qui peut devenir important •le choix de la fenêtre qui va conditionner le contraste du spectrogramme, pour une longueur de fenêtre donnée. •Compromis entre les résolutions temporelle et fréquentielle.
  • 28. Page 28 Transformation en ondelettes Le problème de la STFT est d'utiliser une fenêtre de taille fixe couvrant le domaine temps-fréquence. Son inconvénient majeur est la résolution temporelle et fréquentielle fixe. La Transformation en Ondelettes offre la possibilité d’avoir une fenêtre qui s'adapte en fonction des irrégularités du signal. Les ondelettes sont une famille de fonctions localisées en temps et en fréquence et formant une base orthonormale. Elles sont engendrées les unes à partir des autres par translation et dilatation.
  • 29. Page 29 Transformation en ondelettes Chaque ondelette est utilisée pour décomposer le signal comme on utilise chaque fonction exponentielles dans la transformée de Fourier. La différence est que les fonctions ondelettes sont bien localisées dans le temps contrairement aux exponentielles. STFT
  • 30. Page 30 Transformation en ondelettes La transformée en ondelettes continue est définie par : τ est le coefficient de translation. Il s'agit d'un nombre réel. s-1 est le coefficient d'échelle. s est un nombre réel. ψ(t) est l'ondelette mère. C’est une fonction oscillante de moyenne nulle. Ψ* dénote le complexe conjugué de ψ Les sont les coefficients d'ondelettes CWTx ψ (τ,s) = 1 s × x(t)×ψ* t −τ s      ÷ t ∫ dt CWTx ψ (τ,s)
  • 31. Page 31 Transformation en ondelettes Une fonction ondelette est générée, par dilatation (ou contraction) et translation (selon l'axe temporel). La TOC est définie comme la projection d'un signal sur toute la famille des fonctions ondelettes. A chaque point (τ ,s) dans le plan temps-échelle, l'amplitude de la transformée ondellete fournit une information sur le degré de ressemblance entre le signal analysé et la version de l’ondelette mère décalée de τ , à l'échelle s. La CWT (TOC) est conçue pour donner une bonne résolution temporelle avec une pauvre résolution fréquentielle dans les hautes fréquences (s petit ) et une bonne résolution fréquentielle avec une pauvre résolution temporelle dans les basses fréquences (s grand).
  • 32. Page 32 Rappel : Principe d'incertitude d'Heisenberg : Analyse temps-fréquence π4 1 ≥∆×∆ ft La limite inférieure de cette inégalité est atteinte seulement pour une fenêtre d’analyse de forme gaussienne.
  • 33. 33 Domaine fréquentiel FT support infini Résolution temps-fréquence Cosinus T=2π/f Domaine Temps-Fréquence STFT Fenêtre de largeur fixe Domaine Temps-Echelle WT Fenêtre avec un nombre d’oscillations fixe Fréquencecroissante Echellecroissante Analyse temps-fréquence
  • 37. Page 37 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 200 400 600 800 1000 10 20 30 40 50 60 70 Exemple de représentations Temps-Echelles : Une seule fréquence est présente sur tout l’intervalle avec la même intensité
  • 38. Page 38 0 500 1000 1500 2000 2500 3000 3500 4000 -1.5 -1 -0.5 0 0.5 1 1.5 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 500 1000 1500 2000 2500 3000 3500 4000 10 20 30 40 50 60 70 80 90 Exemple de représentations Temps-Echelles :
  • 39. Page 39 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 200 400 600 800 1000 10 20 30 40 50 60 70 Exemple de représentations Temps-Echelles :
  • 40. 40 Exemple de représentations Temps-Echelles :
  • 41. Page 41 L’utilisation de la TFCT ou la TOC nécessite de trouver un compromis entre les résolutions temporelle et fréquentielle. Pour la TFCT, une fenêtre d’analyse plus étroite fournira une meilleure résolution temporelle, mais la concentration autour de l’origine de sa transformée de Fourier sera nécessairement moindre, ce qui implique une plus mauvaise résolution fréquentielle. Pour la TOC, le compromis est similaire, mais il dépend de la fréquence d’analyse : plus la fréquence d’analyse augmente, plus la résolution temporelle s’améliore, mais aux dépens d’une moindre résolution fréquentielle. TFCT/TOC
  • 42. Page 42 Analyse de Fourier standard : bien adaptée aux signaux stationnaires. Mais ne permet pas d’obtenir d’information temporelle. Solution : transformée de Fourier a court terme. Fenêtre d’analyse fixe. Compromis STFT : précision temporelle / fréquentielle. Solution : transformée en ondelettes. Les ondelettes permettent une décomposition multi-échelle. Inconvénient majeur de la WT : critère de choix sur le type d’ondelette mère à utiliser. Conclusion
  • 43. Page 43 Références : •Patrick Flandrin - Temps-frequence. Editions Hermes - 1998. •Claude Gasquet et Patrivk Witomski - Analyse de Fourier et applications - Dunod.2004 •Stephane Mallat - Une exploration des signaux en ondelettes. Les éditions de l’école polytechnique – 2000. •Yves Meyer. Les ondelettes, algorithmes et applications. Editions Armand Colin.1992. •Ingrid Daubechies, 1992, Ten lectures on wavelets, Regional conference series in •applied mathematics No 61, Society for Industrial & Applied Mathematics. •http://fourierandwavelets.org •http://www.wavelet.org