Upload
dotram
View
217
Download
1
Embed Size (px)
Citation preview
Thierry Paquet Traitement des signaux aléatoires M1 1
Traitement des Signaux Aléatoires
Introdution: Rappels sur les sytèmes linéaires discrets• Rappels sur les filtres RIF• Bancs de filtres• Compression audio (compression musicale: MP3)• Filtrage des signaux aléatoires (compression parole
Thierry Paquet Traitement des signaux aléatoires M1 2
Introduction: Rappel sur les Systèmes Linéaires Discrets
2.1. Définition Convertit une séquence numérique d‘entrée en une séquence numérique de sortie
y(k)h(k)x(k)
)()( 2211 kxakxa +
)()( 2211 kyakya +
- Il est linéaire si la séquence est convertie en la séquence
)( 0kkx − )( 0kky −
0k
- Il est invariant dans le temps si la suite est convertie en quel
que soit
Thierry Paquet Traitement des signaux aléatoires M1 3
Introduction Les Systèmes Linéaires Discrets
2.2. Impulsion numérique unitaire
⎪⎩
⎪⎨⎧ ==
on
nsinu
sin0
01)(u(n)
1
n
)(mx
∑+∞
−∞=
−=m
mnumxnx )()()( **
)(* nx2.3. Décomposition d’un signal numériqueToute séquence numérique peut se décomposer en fonction de l’impulsion unitaire
C’est une somme d’impulsions unitaires placées chacune à un instant particulier (m)et pondérées chacune par l’amplitude du signal à cet instant
Thierry Paquet Traitement des signaux aléatoires M1 4
Introduction Les Systèmes Linéaires Discrets
2.4. Réponse impulsionnelle d’un SLD
C’est la réponse d’un SLD lorsque l’entrée est une impulsion unitaireon la note )(* nh
)(nh
n
)(nu
n
)(* nh
Thierry Paquet Traitement des signaux aléatoires M1 5
Introduction: Les Systèmes Linéaires Discrets
2.5. Produit de convolutionDu fait de la propriété du retard et de la linéarité, la sortie d’un SLD est une combinaison linéaire de réponses impulsionnelles retardées chacune de m
⎟⎠
⎞⎜⎝
⎛−== ∑
+∞
−∞=mmnumxRéponsenxRéponseny )()())(()(
( ) ∑∑+∞
−∞=
+∞
−∞=
−=−=mm
mnhmxmnuRéponsemx )()()()(
∑+∞
−∞=−=
mmnhmxny )()()(
Soit finalement
c’est l’équation de convolution temporelle qui donne la sortie en fonction de l’entrée
∑+∞
−∞=−=
kkhknxny )()()(
mnk −=Qui s’écrit également en faisant le changement de variable
Thierry Paquet Traitement des signaux aléatoires M1 6
Introduction: Les Systèmes Linéaires Discrets
2.5. Produit de convolution (suite)Tout SLD invariant dans le temps est caractérisé par son équation de convolution qui exprime la relation entre l’entrée et la sortie du filtre grâce à la connaissance de la réponse impulsionnelle du SLD
∑+∞
=−=
0)()()(
kkhknxny
2.6. SLD causalUn SLD est causal si sa sortie à l’instant n=n0 ne dépend que des entrées aux instants précédents.Ceci modifie la relation de convolution:
Ce qui est équivalent à dire que la réponse impulsionnelle est nulle pour k<0
∞<∑n
nh )(
2.7. Stabilité d’un SLDUn SLD invariant dans le temps est stable si toute entrée d’amplitude bornée donne naissance à une sortie d’amplitude bornée.On montre qu’une condition nécessaire et suffisante pour qu’un SLD soit stable est devérifier que
Thierry Paquet Traitement des signaux aléatoires M1 7
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique
Tout SLD causal sollicité par à son entrée par le signal x(m) restitue à sa sortie le signal y(n) selon la formule suivante
∑+∞
=
−=0
)()()(k
khknxny
)(kx
k
XXXXXXXXX)( kx −
k
XXX X XXX XX
)( knx −
k
XXX X XXX XX
n
Thierry Paquet Traitement des signaux aléatoires M1 8
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
OO
OOO
OOO O
)(kh
m0
OOO)( kx −
OO
k
OO
)0(y
Thierry Paquet Traitement des signaux aléatoires M1 9
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
OOOOO
)1( kx −
k
OO
)1(y
O
Thierry Paquet Traitement des signaux aléatoires M1 10
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O)2( kx −
OOO O
k
OO
)2(y
OO
Thierry Paquet Traitement des signaux aléatoires M1 11
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O)3( kx −
OOO O
k
OO
)3(y
OOO
Thierry Paquet Traitement des signaux aléatoires M1 12
OO O
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O)4( kx −
OOO
k
O
)4(y
OOO
Thierry Paquet Traitement des signaux aléatoires M1 13
OOO
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O)5( kx −
OOO O
k
O
)5(y
OO
Thierry Paquet Traitement des signaux aléatoires M1 14
O OO
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O)6( kx −
OO
k
OO
)6(y
OOO
Thierry Paquet Traitement des signaux aléatoires M1 15
O OO
OOO
OOO
)(kh
m0
Introduction: Les Systèmes Linéaires Discrets
2.8. Illustration du produit de convolution numérique (suite)
∑+∞
=
−=0
)()()(k
khknxny
O O OOO OO
)( knx −
k
O
O
)(ny
Thierry Paquet Traitement des signaux aléatoires M1 16
Introduction: Les Systèmes Linéaires Discrets
2.9. Fonction de Transfert en ZL’Équation de convolution s’écrit
c’est l’expression d’un produit simple
avec la fonction de Transfert du SLD.
C’est la TZ de la réponse impulsionnelle h(m)!!
( ) ⎟⎠⎞
⎜⎝⎛ −= ∑
mmnxmhZnyZ )()()(
)()()( zHzXzY =
∑ −=m
mzmhzH )()(
y(k)h(k)x(k)
Thierry Paquet Traitement des signaux aléatoires M1 17
Introduction: Les Systèmes Linéaires Discrets
2.10. Réponse en fréquence d’un SLDon évalue la transformée de Fourier de H(z) soit
On évalue la TZ sur le cercle unitéElle est de période Fe!!Le module est donc une fonction paire (symétrie par rapport à )
Ceci veut dire qu’un filtre (quel qu’il soit) sera défini modulo FeExemple d’un filtre passe bas numérique
[ ] )2exp()()(ejfTzzHfH π==
ef ef2 ef3ef−
2/ef
Thierry Paquet Traitement des signaux aléatoires M1 18
Chap. I Rappel sur la synthèse des filtres RIF
1.1. Rappels
Le produit de convolution possède un nombre fini de termes
Les N coefficients représentent la réponse impulsionnelle
Fonction de transfert
de période fe
PropriétésToujours stables
∑−
=−=
1
0)()(
N
ii ineans
∑−
=−=
1
0)2exp()(
N
iei jfiTafH π
∑−
=
−=1
0)(
N
i
ii zazH
Thierry Paquet Traitement des signaux aléatoires M1 19
1.2. Synthèse par développement en série de Fourier de la réponse modèle
La réponse idéale admet une décomposition en série de Fourier car elle est périodique
avec
On choisit
Toute fonction de filtrage stable et causale peut être approchée par la fonction de transfert d’un filtre RIF
Synthèse d’un filtre RIF
∑+∞
−∞==
nnèle jfnTfH )2exp()(mod πα ∫ −= dfjfnTfH
f èlee
n )2exp()(1mod πα
∑−
≅=2/
2/mod )()2exp()(
N
Nèlen fHjfnTfH πα
Fe/2 Fe
)(mod fH èle
Thierry Paquet Traitement des signaux aléatoires M1 20
La réponse obtenue est d’autant plus proche du modèle que le nombre de coefficients conservés sur la réponse impulsionnelle est grand
Synthèse d’un filtre RIF
∑−
≅=2/
2/mod )()2exp()(
N
Nèlen fHjfnTfH πα
21=N 41=N 61=N
81=N 101=N 121=N
Thierry Paquet Traitement des signaux aléatoires M1 21
L’amplitude des ondulations en bande passante ainsi qu’en bande atténuée n’est pas modifiée par le nombre de coefficients
C’est la largeur de la bande de transition qui est diminuée quand N augmenteEt on a la relation approchée suivante:
- La largeur de la bande de transition est inversement proportionnelle à N- les valeurs des affaiblissements ont peu d’influence sur N
Synthèse d’un filtre RIF
21=N 121=N
ffLogN e
∆≅ )10
1(32
2110 δδ
Thierry Paquet Traitement des signaux aléatoires M1 22
On calcule facilement les coefficients d’un RIF Passe-Bas par développement en série de Fourier
On obtient finalement
Synthèse d’un filtre RIF
fdffnjfH
fnh
ef
ee ∫ −=0
)2exp()(1)( π
e
e
e
fffn
fffn
fffnh
21
21
21)sin(
)(+
++=
π
π
1f 2f
11 δ−11 δ+
2δ
[ ]2/;2/ NNn −∈
Thierry Paquet Traitement des signaux aléatoires M1 23
1.3 Synthèse par la méthode de la fenêtreLorsqu’on tronque la réponse impulsionnelle du filtre modèle à N coefficients cette opération est équivalente à une multiplication par la fenêtre rectangulaire de durée N
En fréquence on obtient donc
Les ondulations observées sur la réponse proviennent des lobes de la fenêtre rectangulaire
Il suffit de choisir une autre fenêtre pour diminuer l’amplitude des ondulations
Synthèse d’un filtre RIF
)(Re)()( mod nctnhnh Nèle ×=
)(Re)()( mod fctfHfH Nèle ⊗=
Thierry Paquet Traitement des signaux aléatoires M1 24
Propriétés des fenêtres spectrales et propriétés des filtres réalisés
Synthèse d’un filtre RIF
N3∆-74dB6/N-59dBBlackman
N2∆-53dB4/N-41dBHamming
N2∆-44dB4/N-31dBHanning
N∆-21dB2/N-13dBRectangulaire
Durée de la réponse impulsionnelle
Largeur relative de la bande de transition
Atténuation minimale en bande atténuée
Largeur du pic principal
Atténuation du lobe secondaire
Fenêtre
0 5 10 15 20 25-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0 5 10 15 20 250
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 5 10 15 20 25-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
)(')()( khkwkh =×)(kh )(kw )(' kh
=×
Thierry Paquet Traitement des signaux aléatoires M1 25
Filtrage de la réponse impulsionnelle
0 5 10 15 20 25-0.2
-0.1
0
0.1
0.2
0.3
0.4
0.5
0 5 10 15 20 250
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 5 10 15 20 25-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
)(')()( fHfWfH =⊗
)(')()( khkwkh =×
Thierry Paquet Traitement des signaux aléatoires M1 26
Mais la réponse impulsionnelle n’est pas causale puisqu’elle est centrée sur zéro
On la rend causale en la retardant de N/2 échantillons
On obtient un filtre à phase linéaire!!
où est réelle
et la phase est linéaire
Synthèse d’un filtre RIF
∑−=
2/
2/)2exp()(
N
Nn jfnTfH πα
nα
n
n
∑−
−=2/
2/)2exp()22exp()(
N
Nncausale jfnTTNjffH παπ
))(exp()()( fjfRfH ϕ−=
ωτπϕ −=−= TNff 22)(
)( fR
Thierry Paquet Traitement des signaux aléatoires M1 27
Rectangle avec N=9
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-500
-400
-300
-200
-100
0
Normalized Frequency (×π rad/sample)
Pha
se (d
egre
es)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-80
-60
-40
-20
0
20
Normalized Frequency (×π rad/sample)
Mag
nitu
de (d
B)
Thierry Paquet Traitement des signaux aléatoires M1 28
Hanning avec N=9
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-800
-600
-400
-200
0
Normalized Frequency (×π rad/sample)
Pha
se (d
egre
es)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-100
-50
0
50
Normalized Frequency (×π rad/sample)
Mag
nitu
de (d
B)
Thierry Paquet Traitement des signaux aléatoires M1 29
Rectangle avec N=65
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-3000
-2000
-1000
0
N li d F ( d/ l )
Pha
se (d
egre
es)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-100
-50
0
50
Normalized Frequency (×π rad/sample)
Mag
nitu
de (d
B)
Thierry Paquet Traitement des signaux aléatoires M1 30
Hanning avec N=65
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-4000
-3000
-2000
-1000
0
Normalized Frequency (×π rad/sample)
Pha
se (d
egre
es)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-150
-100
-50
0
50
Normalized Frequency (×π rad/sample)
Mag
nitu
de (d
B)
Thierry Paquet Traitement des signaux aléatoires M1 31
Chap. 2 Bancs de filtres
2.1. Cascade Décimation/Interpolationa. Suppression d’un échantillon sur 2
⎥⎦
⎤⎢⎣
⎡−+= )()(
21)( 2
121
zXzXzX dec
2
On garde un échantillon sur 2Le fréquence d’échantillonnage ne change pasLa durée du signal est divisée par 2
)(zX )(zX dec
Thierry Paquet Traitement des signaux aléatoires M1 32
2.1. Cascade décimation Interpolation
b. Décimation = Suppression + sous-échantillonnage d’un facteur 2
[ ])()(21)( zXzXzX sous −+=
On garde un échantillon sur 2Le fréquence d’échantillonnage est divisée par 2La durée du signal est inchangée
2)(zX )(zX sous
Fe/2
Thierry Paquet Traitement des signaux aléatoires M1 33
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle[ ])()(
21)( zXzXzX sous −+=
⎥⎦
⎤⎢⎣
⎡++==
=)
2()(
21)()(
)2exp(e
jfTzsoussousffXfXzXfX
eπ
Le spectre d’origine
Le spectre d’origine replié
Thierry Paquet Traitement des signaux aléatoires M1 34
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 35
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 36
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
B2
)(2 fB sous
Fe/2 Fe/4
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 37
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
B2
)(2 fB sous
Fe/2 Fe/4
)( fX sous
Fe/2
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 38
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
B2
)(2 fB sous
Fe/2 Fe/4
)( fX sous
Fe/2
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 39
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
B2
)(2 fB sous
Fe/2 Fe/4
)( fX sous
Fe/2
)( fX sous
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 40
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
)( fX sous
Fe/2
B1 B2 )( fX
Fe B1
)(1 fB sous
Fe/2 Fe/4
B2 )(2 fB sous
Fe/2 Fe/4
)( fX sous
Fe/2
Fe/4
Thierry Paquet Traitement des signaux aléatoires M1 41
2.1. Cascade Décimation Interpolation
b. Décimation : Représentation fréquentielle
Fe/2
B1 B2 )( fX
Fe Fe/4
Conclusion: La demie bande B2 se replie complètement sur B1
2)(zX sous
Fe/2
)( fX sous
)(zX
Thierry Paquet Traitement des signaux aléatoires M1 42
2.1. Cascade Décimation Interpolation
c. insertion de zéros
)()( 2zXzXins =
2)(zX )(zXins
Ajout de zéros entre les échantillonsLa fréquence d’échantillonnage est inchangéeLa durée est donc doublée
Thierry Paquet Traitement des signaux aléatoires M1 43
2.1. Cascade Décimation Interpolation
d. Interpolation = insertion de zéro + sur-échantillonnage
)()(int zXzX =
2)(zX )(int zX
Ajout de zéros entre les échantillonsOn double la fréquence d’échantillonnageLa durée est la même
2 Fe
Thierry Paquet Traitement des signaux aléatoires M1 44
2.1. Cascade Décimation Interpolation
d. Interpolation :Représentation Fréquentielle (vue 1er semestre)
Le motif spectral est répété
apparition de fréquences parasites
Fe/2 Fe
[ ]efffXfX 2,0)()(int ∈=
)( fX
2 Fe Fe
)(int fX
Le signal sur-échantillonné puis filtré Passe Bas Permet de reconstruire le signal
Thierry Paquet Traitement des signaux aléatoires M1 45
2.1. Cascade Décimation / Interpolation
e. Cascade Décimation / Interpolation
[ ])()(21)( zXzXzX −+=
∧
Même fréquence d’échantillonnageMême duréeLe signal reconstruit est identique au signal d’entrée pour les échantillon pairsLes échantillons impairs sont nulsOn va vouloir les reconstruire par filtrage
2 2Fe/2 2 Fe )(zX∧
)(zX
2 2 )(zX∧
)(zX
Thierry Paquet Traitement des signaux aléatoires M1 46
2.2 Bancs de filtres
Idée générale : On veut reconstruire parfaitement la sortie
• on veut décimer en évitant le repliement de spectre : Filtres Passe Bande
• on veut interpoler en éliminant les fréquences parasites : Filtres Passe Bande
H0(z)
H1(z)
2
2F1(z)
F0(z)2
2
)(zX∧
+)(zX
)(1 zX∧
)(0 zX∧
Étage d’analyse Étage de synthèse
Thierry Paquet Traitement des signaux aléatoires M1 47
2.2. Bancs de filtres
a. Mise en équation du banc de filtres
Sur la branche supérieure on a
( ) )()()()()(21)(ˆ
0000 zFzHzXzHzXzX −−+=
H0(z)2
F0(z)2
)(ˆ0 zX)(zX
( ) )()()()()(21)(ˆ
1111 zFzHzXzHzXzX −−+=
H1(z)2
F1(z)2
)(ˆ1 zX)(zX
Idem sur la branche inférieure
Thierry Paquet Traitement des signaux aléatoires M1 48
a. Mise en équation du banc de filtres
La sortie est la somme des deux branches
)(ˆ)(ˆ)(ˆ10 zXzXzX +=
( ) )()()()()(21
000 zFzHzXzHzX −−+= ( ) )()()()()(21
111 zFzHzXzHzX −−++
( ))()()()()( 1100 zFzHzFzHzX + ( ))()()()()( 1100 zFzHzFzHzX −+−−+21
= ][
Terme de repliement dans les deux branches
Terme du au filtrage de X(z) dans les deux branches
Thierry Paquet Traitement des signaux aléatoires M1 49
b. Conditions de reconstruction
Pour avoir une reconstruction parfaite en sortie il faut:
1. Annuler l’effet du repliement
Solution:
- Le filtre de synthèse de la branche 0 est symétrique du filtre d’analyse de la branche 1
Ce sont des filtres miroirs
- Le filtre de synthèse de la branche 1 est symétrique du filtre d’analyse de la branche 0
Les repliements dans les deux branches se compensent exactement
0)()()()( 1100 =−+− zFzHzFzH
)()( 10 zHzF −= )()( 01 zHzF −−=
ef2ef
)(1 fHPasse haut
ef2ef
)(0 fFPasse bas
Thierry Paquet Traitement des signaux aléatoires M1 50
b. Conditions de reconstruction
Pour avoir une reconstruction parfaite en sortie il faut:
2. Avoir un gain unitaire dans le banc avec un certain retard K
Il y a deux solutions possibles pour satisfaire les conditions 1 & 2
• Les filtres miroirs en quadrature (QMF: Quadrature Miror Filters)
• Les filtres conjugués en quadrature (CQF: Conjugate Quadrature Filters)
[ ] KzzFzHzFzHzT −=+= )()()()(21)( 1100 la fonction de transfert du
banc
Thierry Paquet Traitement des signaux aléatoires M1 51
Si l’on choisit des filtres miroirs pour le banc d’analyse
c. Filtres miroirs en quadrature à reconstruction parfaite
H0(z)
H1(z)
)(zX
ef2ef
)(1 fHef2ef
)(0 fH Passe bas
Passe haut
Or l’annulation du repliement (condition 1) a conduit à
et)()( 10 zHzF −= )()( 01 zHzF −−=
)()( 01 zHzH −=On choisit donc
[ ])()(21)( 2
020 zHzHzT −−=On déduit donc que
Thierry Paquet Traitement des signaux aléatoires M1 52
c. Filtres miroirs en quadrature à reconstruction parfaite
la condition de reconstruction parfaite s’écrit alors
[ ] KzzHzHzT −=−−= )()(21)( 2
020
Mais les deux filtres d’analyse sont peu sélectifsexemple pour
peu adapté pour la compression
( )ωω cos12)(2
0 +=jeH
( )ωω cos12)(2
1 −=jeH
11010 ==== kkhh
( )121
200
10)( +−− += kk zhzhzHOn montre qu’il n’y a qu’une solution possible de la forme
( )12210
102)( ++−= kkzhhzTalors la fonction de transfert du filtre s’écrit
Thierry Paquet Traitement des signaux aléatoires M1 53
d. Filtres Conjugués en Quadrature à reconstruction parfaite
L’expression de la sortie du banc est
( ))()()()()( 1100 zFzHzFzHzX + ( ))()()()()( 1100 zFzHzFzHzX −+−−+21)(
^=zX ][
)()( 10 zHzF −= )()( 01 zHzF −−=1. Pour annuler le repliement il faut
[ ] KzzFzHzFzHzT −=+= )()()()(21)( 1100
2. Pour avoir un gain unitaire dans le banc avec un certain retard K il faut
[ ] KzzHzHzHzHzT −=−−−= )()()()(21)( 0110
en reportant la condition 1 dans cette expression on obtient
Thierry Paquet Traitement des signaux aléatoires M1 54
d. Filtres Conjugués en Quadrature à reconstruction parfaite
Si on choisit des filtres d’analyse RIF symétriques
avec N pair)1(101 )()( −−−−−= NzzHzHH0(z)
H1(z)
)(zX
)(0 zH)(1 zH est le filtre miroir de et sa réponse impulsionnelle est retournée
∑=
−=N
k
kzkhzH0
0 )()( ( )∑=
−−−=N
k
NkzkhzH0
1 )()(Si alors
Thierry Paquet Traitement des signaux aléatoires M1 55
d. Filtres Conjugués en Quadrature à reconstruction parfaite
Exemple
Thierry Paquet Traitement des signaux aléatoires M1 56
d. Filtres Conjugués en Quadrature à reconstruction parfaite
Alors la fonction de transfert du banc qui s’écrit
Pour avoir une reconstruction parfaite en sortie il faut
[ ] KN zzzHzHzHzHzT −−−−− =−−+= )1(100
100 )()()()(
21)(
[ ])()()()(21)( 0110 zHzHzHzHzT −−−=
[ ] )1(100
100 )()()()(
21)( −−−− −−+= NzzHzHzHzHzT
Devient
CstezHzHzHzH =−−+ −− )()()()( 100
100
Il suffit donc d’avoir
Thierry Paquet Traitement des signaux aléatoires M1 57
d. Filtres Conjugues en Quadrature à reconstruction parfaite
On pose )()()( 100
−= zHzHzG
∑−
+−=
−=1
1)()(
N
Nk
kzkgzGOn peut toujours écrire
Il ne reste que les termes pairs qui sont égaux àLes termes impairs sont nuls
)(kg
alors [ ] ( ) ⎥⎦
⎤⎢⎣
⎡⎟⎠
⎞⎜⎝
⎛−+⎟
⎠
⎞⎜⎝
⎛=−+ ∑∑
−
+−=
−−
+−=
−1
1
1
1)()(
21)()(
21 N
Nk
kN
Nk
k zkgzkgzGzG
( )∑−
+−=
−−+=
1
1 2)1(1
)(N
Nk
kk
zkg
[ ] [ ])()(21)()()()(
21 1
001
00 zGzGzHzHzHzH −+=−−+ −−
A lors
Thierry Paquet Traitement des signaux aléatoires M1 58
d. Filtres Conjugués en Quadrature à reconstruction parfaite
On obtient
e
e
e
fffk
fffk
fffkwkg
21
21
21
)sin()()(
+
++
×=π
π
Si on choisit pour un filtre RIF non causal demie bande selon la méthode de la fenêtre
)(zG
Où est la fenêtre utilisée )(kw
kOn a alors pour tout pair sauf pour 0)( =kg 0=k
Pour un filtre demie bande on a 41
=cf
2/)2/sin()(
21)(
kkkwkg
ππ
×=Soit finalement
c
cc kf
kfkwfkgππ
2)2sin()(2)( ××=et il reste
Thierry Paquet Traitement des signaux aléatoires M1 59
d. Filtres Conjugués en Quadrature à reconstruction parfaite
On déduit donc que dans ce cas
et on parvient donc à avoir une reconstruction parfaite !!
)1()0(21)( −−= NzgzT
Thierry Paquet Traitement des signaux aléatoires M1 60
d. Filtres Conjugués en Quadrature à reconstruction parfaite
Il reste à déterminer le filtre )(0 zH
)()()( 100
−= zHzHzGOr on a choisit
Pour trouver il faut parvenir à factoriser en deux termes)(0 zH )(zG
Il faut donc que G(z) possède des paires de racines inverses
l’une de l’autre etnznz
1
et des racines doubles lorsqu’elles sont sur le cercle unité
++
+
++
++
ooooo
oo
x x x xx
x
xx
Thierry Paquet Traitement des signaux aléatoires M1 61
d. Filtres Conjugués en Quadrature à reconstruction parfaite
On montre que cela est possible si on choisit une fenêtre triangulaire non nulle dans l’intervalle pour construire )(zG[ ])1(2),1(2 −−− NN
Alors on peut écrire ( )( )n
N
nn zzzzzG −−= −
−
=∏ 1
1
1
)( α
et l’on déduit ( )∏−
=
− −=1
1
10 )(
N
nnzzzH α
Il est recommandé de choisir des racines à l’intérieur et à l’extérieur du cercle unité pour que les réponses impulsionnelles des deux filtres
et aient des valeurs importantes au milieu
de l’intervalle [0,…,N-1] et des valeurs faibles sur les bords
)(0 zH )(1 zH
Thierry Paquet Traitement des signaux aléatoires M1 62
d. Filtres RIF symétriques à reconstruction parfaite
Exemple
N= 4
Racine de G(z)
4.2780 -2.0127 + 2.0558i-2.0127 - 2.0558i-0.2432 + 0.2484i-0.2432 - 0.2484i0.2338
Thierry Paquet Traitement des signaux aléatoires M1 63
Chap. III Compression Audio
H0(z)
HM-1(z) FM-1(z)
F0(z)M M
M M
)(nx∧
)(nxQuantification
codage
Allocation
Dynamique
De bits
Estimation spectrale +
Modèle auditif
M filtres passe-bande Décimation d’un facteur M
Sous-échantillonnage critique d’un facteur M
Sur-échantillonnaged’un facteur Majout de M-1 zéros
M filtres interpolateurs
+
Thierry Paquet Traitement des signaux aléatoires M1 64
III.1. Construction des M Filtres passe bande
on veut construire M filtres passe bande de largeur
ils sont centrés chacun sur la fréquence
Mfe
2
Mfm
Mfm
Mff eee
m 4)12(
24+
=+=
ef2ef
)(0 fH
ef2ef
)(4 fH
ef2ef
)(1 fHM −
Thierry Paquet Traitement des signaux aléatoires M1 65
III.1. Construction des M Filtres passe bande
Les M filtres se complètent pour couvrir toute la bande passante de 0 à fe /2
2ef ef
Thierry Paquet Traitement des signaux aléatoires M1 66
III.1. Construction des M Filtres passe bande
Chaque filtre est déduit du filtre passe bas de largeur de bande
ef2ef
)( fH Mfe
4)( fH
Mfe
4
Le filtre passe bas est un filtre RIF à 512 coefficients avec une fenêtre de Hanning
Thierry Paquet Traitement des signaux aléatoires M1 67
III.1. Construction des M Filtres passe bande
)4
12()4
12()( eem fM
mfHfM
mfHfH +++
+−=
On déduit chaque filtre passe bande du passe bas
ef2ef
)( fH
Mfk e
4)12( +
Mfkf e
e 4)12( +
−
)2
12cos()(2)( lM
mlhlhm+
= π
Thierry Paquet Traitement des signaux aléatoires M1 68
III.1. Filtres pseudo QMF
On a un banc de filtres pseudo QMF appariés par paires
∑−
=
=1
2
0)()(
M
mm zTzT
ef
)(zTm
ef
[ ])()(21)( 2
020 zHzHzTm −−=
)(zT
Thierry Paquet Traitement des signaux aléatoires M1 69
III.1. Exemple pour M =2
Filtres pseudo QMF, la reconstruction n’est pas parfaite!!
Thierry Paquet Traitement des signaux aléatoires M1 70
III.2 Modèle auditif
H0(z)
HM-1(z) FM-1(z)
F0(z)M M
M M
)(nx∧
)(nxQuantification
codage
Allocation
Dynamique
De bits
Estimation spectrale +
Modèle auditif
M filtres passe-bande Décimation d’un facteur M
Sous-échantillonnage critique d’un facteur M
Sur-échantillonnaged’un facteur Majout de M-1 zéros
M filtres interpolateurs
+
Thierry Paquet Traitement des signaux aléatoires M1 71
Effet de masquage
Seuil d’audition absolue et courbes de masquage d’une sinusoïde à la fréquence 5KHz pour des puissances de 20, 40 et 60 db
Inutile de coder ce que nous ne percevons pas dans le signal musical.Une compression avec perte est possible en utilisant le modèle auditif humain
dans une ambiance parfaitement silencieuse l’oreille n’est sensible àune fréquence qu’à condition que sa puissance dépasse le seuil d’audition absolu (0dB)
Une fréquence masque ces voisines i.e. augmente le seuil de perception
Thierry Paquet Traitement des signaux aléatoires M1 72
Courbes de masquage du Modèle MPEG Audio 1
f2 perçue si P(f2 ) > Pf1(f2) courbe de masquage en f2 par la présence de f1
Si l’on exprime la fréquence en Bark (Barkhausen, 1881-1956)
alors les courbes de masquage peuvent être représentées par des segments de droites dont la pente ne dépend que de f1
La courbe de masquage s’écrit
f1 f
Pf1(f)
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎠⎞
⎜⎝⎛+⎟
⎠⎞
⎜⎝⎛=
2
75005,3100076,013 hertzhertzbark
farctgfarctgf
),(()()(),,( 1211111122 PffMfafPPffP −++=
Thierry Paquet Traitement des signaux aléatoires M1 73
Courbes de masquage du Modèle MPEG Audio 1
La courbe de masquage s’écrit
Avec la puissance de la fréquence
l’indice de masquage tel que son tonal (sinus)son non tonal
),(()()(),,( 1211111122 PffMfafPPffP −++=
5,4275,0525,1)( 11 −−−= ffat)( 1fa
)( 11 fP 1f
5,0175,0525,1)( 11 −−−= ffan
13 21 −<−<− ff ( ) ( )64.0117),( 121121 +−+−=− PffPffM
01 21 <−<− ff
10 21 <−< ff
81 21 <−< ff
( )( )64.0),( 121121 +−=− PffPffM
( )21121 17),( ffPffM −−=−
( )( ) 1715.0171),( 121121 −−−−−=− PffPffM
Thierry Paquet Traitement des signaux aléatoires M1 74
Exemples
Courbes de masquage par 3 sons pursà 1, 5 et 10 KHz et une puissance de 50dB
Courbes de masquage par 3 bruits à bande étroiteP=50dB
Courbes de masquage par 3 sons pursà 1, 5 et 10 KHz et une puissance de 30dB
Courbes de masquage par 3 bruits à bande étroiteP=30dB
Thierry Paquet Traitement des signaux aléatoires M1 75
Notion de bande critique
C’est la bande de fréquence dont la perception est modifiée en présence d’une fréquence masquante
La largeur de la bande critique augmente avecla fréquence Masquante
1 Bark mesure la largeur d’une bande critique quelle quesoit sa position sur l’axe des fréquences
100/1 fBark=
)1000/log(491 fBark +=
Hzfsi 500<
Hzfsi 500>
Thierry Paquet Traitement des signaux aléatoires M1 76
Les 24 bandes critiques de la bande audible
HzKHzf 5,62512
32==∆
Thierry Paquet Traitement des signaux aléatoires M1 77
Calcul de la courbe de Masquage
• Il s’agit d’analyser la composition spectrale du signal pour déterminer les bandes de fréquence qui ne sont pas audibles
• On procède à des analyses locales pour avoir des propriétés de stationnarité du signal
• Le signal audio est donc analysé par tronçons successifs• N = 512 échantillons• D = 16 ms pour Fe = 33KHz• D = 11,6 ms pour Fe = 44 Khz
• On note les 512 échantillons du tronçon n° l• On note les 512 échantillons de la TFD du trançons
511,...,0)( =kkxl
)(1 kx )(2 kx )(3 kx
511,...,0)( =nnXl
511,...,0)( =kkxl
Thierry Paquet Traitement des signaux aléatoires M1 78
Les 25 bandes critiques du MPEG
HzKHzf 1,865121,44
==∆Pour KHzfe 1,44=
Limites des bandes critiques
N° de bandes
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Fréquences (Hz)86 172 258 431 517 689 775 947 1120 1292 1464 1723 1981 2326 2756
16 17 18 19 20 21 22 23 24 25
3187 3876 4479 5340 6374 7580 9302 11370 15504 19983
Thierry Paquet Traitement des signaux aléatoires M1 79
Calcul de la courbe de Masquage
• Etape 1: estimation de la densité spectrale de puissance par l’estimateur adouci (fenêtre de hanning mais sans moyennage)
• Etape 2: normalisation à 96dB (par translation + ou – du max)
⎥⎦⎤
⎢⎣⎡×= 2
10 ))(*)((1log10)( kwkxTFDNP
nR ll
dBnRln96)(max =
Thierry Paquet Traitement des signaux aléatoires M1 80
Calcul de la courbe de Masquage
• Etape 3: Détection des composantes tonales vérifiant les 3 conditions
avec si (basses fréquences)
si (fréquences moyennes)
si (hautes fréquences)
dBjkSkSnSnSnSnS
7)()()1()()1()(
≥+−+≥−>
[ ] 2,263,3 +−=∈ jalorsn
[ ] 3,2,2,3126,64 ++−−=∈ jalorsn
[ ] 6,...,2,2,...,6250,127 ++−−=∈ jalorsn
Thierry Paquet Traitement des signaux aléatoires M1 81
Calcul de la courbe de Masquage
• Etape 4: Renforcement des composantes tonalesOn ajoute aux composantes tonales la puissance des deux harmoniques voisines (on intègre la DSP- fenêtre de hanning)
si n est tonale
( )10/)1(10/)(10/)1(101 101010log10)( +− ++×= nRnRnR lllnP
Thierry Paquet Traitement des signaux aléatoires M1 82
Calcul de la courbe de Masquage
• Etape 5: Renforcement des composantes non tonalesDans chaque bande critique on somme les puissances des composantes non tonales
si n est non tonale
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛×= ∑
fin
tonalenonndebut
nRlnP,
10/)(101 10log10)(
Thierry Paquet Traitement des signaux aléatoires M1 83
Calcul de la courbe de Masquage• Etape 6: Elimination des fréquences tonales et non tonales inférieures au
seuils d’audition absolu
• Etape 7: passer à une échelle en Bark
• Etape 8: deux composantes tonales séparées de moins de 0,5 Barkentraînent l’élimination de la moins puissante
• Il reste Nt composantes tonales et Nn composantes non tonales
• Etape 9: calcul du seuil de masquage à la fréquence
⎟⎟⎠
⎞⎜⎜⎝
⎛++×= ∑∑
==
nta
N
j
PnnPN
j
PnnPnSm nS
1
10/),,(
1
10/),,(10/)(102
121212122 101010log10)(
Thierry Paquet Traitement des signaux aléatoires M1 84
Chap. IV Filtrage des Signaux Aléatoires
3.1. RappelsLes signaux aléatoires ne sont pas exactement prédictibles au cours du temps
On souhaite développer des techniques pour- Prédire les valeurs à venir du signal (un « bon » prédicteur est un bon modèle)- Déterminer les propriétés des systèmes qui ont générés ces signaux
Processus aléatoireOn définit un processus aléatoire comme une application qui à chaque expérience fait correspondre une fonction du temps qu’on appellera signal aléatoire
On le note souvent mais en toute rigueur on doit noter pour marquer son caractère aléatoire.
Il y a donc 2 façons d’analyser de représenter le signal aléatoire-pour une expérience donnée le signal aléatoire est une fonction du temps. est une trajectoire du processus aléatoire
-pour un instant donnéest une variable aléatoire
)(tX ),( ωtX
ω
0ω
0t),( 0ωtX
)(tX
)(ωX
Thierry Paquet Traitement des signaux aléatoires M1 85
4.1. Rappels
Processus aléatoire
4 expériences différentes du même processus
Thierry Paquet Traitement des signaux aléatoires M1 86
4.1. Rappels
Description temporelle
On décrit les signaux aléatoires par les propriétés des variables aléatoires qui dépendent du temps
Moyenne
Fonction d’autocovariance
On montre que
( )( ) ( )( )( ))()()()(),( 221121 tXEtXtXEtXEttRXX −×−=
)),(()( tXEtmX ω=
( ) )()()()(),( 212121 tmtmtXtXEttR XXXX −×=
Thierry Paquet Traitement des signaux aléatoires M1 87
4.1. Rappels
Processus stationnaire au second ordre
Moyenne et autocovariance sont indépendantes du temps
Propriétés de l’autocovariance
- Symétrie Hermitienne
- Matrice de covariance: c’est la matrice symétriqueexemple pour les 3 premières valeurs de la covariance
-caractère positif de l’autocovariancepour tout vecteur on a
XX mtm =)( ( ) 221 )()()(),( XXXXX mtXtXERttR −×+== ττ
)()( * ττ −= XXXX RR
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
−−−=
)0()1()2()1()0()1()2()1()0(
2
XXXXXX
XXXXXX
XXXXXX
RRRRRRRRR
R
0≥Rvvtv
Thierry Paquet Traitement des signaux aléatoires M1 88
4.1. Rappels
Propriétés de l’autocovariance
- Matrice de Toeplitz:C’est une matrice pour laquelle les diagonales sont constituées d’un même termeLa matrice de covariance est une matrice de Toeplitz
Thierry Paquet Traitement des signaux aléatoires M1 89
4.1. Rappels
Propriétés fréquentielles des signaux aléatoires
Théorème de Wiener-KintchineLa transformée de Fourier de la fonction d’autocovariance est la densité spectrale de puissance
Vu en détails dans la partie analyse spectrale des signaux aléatoires
∫+∞
∞−
−==Φ ττπττ djfRRTFf XXXXX )2exp()())(()(
Thierry Paquet Traitement des signaux aléatoires M1 90
4.2. Filtrage des processus aléatoires
Rappels
Soit un système linéaire de fonction de transfert complexe
Si on place à son entrée un signal aléatoire stationnaire de fonction de covariance
et de densité spectrale de puissance
Alors le signal aléatoire de sortie possède les propriétés suivantes:
Fonction de covariance entre X et Y densité interspectrale de puissance
)(τXXR
)( fH
)( fH
)( fXΦ
)(kX )(kY
)(tY)0(Hmm XY= )()()( 2 fSfHfS XXYY =
)()()( fSfHfS XXYX =( ) )()()()()( ττττ XXYX RhtXtYER ⊗=+=
Thierry Paquet Traitement des signaux aléatoires M1 91
4.2. Filtrage des processus aléatoires
Génération d’un signal aléatoire de spectre connuSi on place un bruit blanc à l’entrée d’un filtre linéaire, la densité spectralede puissance du signal de sortie est
Le spectre du signal de sortie est donc directement proportionnel à la réponse en fréquence du filtre
Il suffit donc de construire le filtre numérique de réponse en fréquence souhaitéepour obtenir en sortie du filtre le signal aléatoire aux propriétés désirées en plaçantà son entrée un bruit blanc
CstefHfSfHfS XXYY ×== 22 )()()()(
Thierry Paquet Traitement des signaux aléatoires M1 92
4.2. Filtrage des processus aléatoires
Estimation de la réponse impulsionnelle d’un système linéaire
Puisque la fonction de covariance entre l’entrée et la sortie est donnée par la relation suivante
Si le signal d’entrée est un bruit blanc, sa fonction d’autocovariance est un diracet obtient tout simplement
La réponse impulsiopnnelle du système linéaire est proportionnelle à la fonction de covariance entre l’entrée et la sortie
( ) )()()()()( ττττ XXYX RhtXtYER ⊗=+=
( ) 2)()()( στδττ ⊗= hRYX
2)()( σττ YXRh =
Thierry Paquet Traitement des signaux aléatoires M1 93
4.3. Prédiction linéaire
Le prédicteur est vu comme un modèle du signal aléatoire Le modèle est d’autant meilleur que la prédiction est bonne
Le prédicteur linéaire effectue la prédiction à partir des N dernière valeurs acquises sur le signal aléatoire. Cette prédiction est une combinaison linéaire des échantillons
Si on note la prédiction du signal x à l’intant n, faite par le prédicteurlinéaire d’ordre N, alors par définition on a
Le prédicteur linéaire peut donc être vu comme un filtre RIF dont la sortie est laprédiction
)(nx∧
)()(1
zXzazXN
i
ii ⎟
⎠⎞
⎜⎝⎛= ∑
=
−∧
∑=
∧−=
N
ii inxanx
1)()(
Thierry Paquet Traitement des signaux aléatoires M1 94
4.3. Prédiction linéaire
3.3.1 Détermination du prédicteur linéaire optimal
La prédiction est d’autant meilleure que le signal prédit est proche du signal réel
Le prédicteur optimal est celui qui rend minimale la puissance de l’erreur de prédiction notée
La puissance de l’erreur de prédiction s’écrit:
)(nx∧
)()()( nxnxne∧
−=
)(nx
⎟⎠
⎞⎜⎝
⎛ −+=⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎠⎞⎜
⎝⎛ −=
∧∧∧)()(2)()()()(
22
22 nxnxnxnxEnxnxEeσ
⎟⎟⎠
⎞⎜⎜⎝
⎛−−⎟
⎠⎞
⎜⎝⎛ −+= ∑∑
==
N
ii
N
iie inxanxinxanxE
1
2
1
22 )()(2)()(σ
( ) ( ) ( ) ( )( )∑∑∑= ==
−−+−−=N
i
N
jji
N
iie jnxinxEaainxnxEanxE
1 11
22 )()(2)(σ
Thierry Paquet Traitement des signaux aléatoires M1 95
L’équation s’écrit en fonction de la fonction de covariance
Si l’on place les coefficients du prédicteur dans le vecteur de paramètres
Alors l’équation s’écrit
4.3. Prédiction linéaire
( ) ( ) ( ) ( )( )∑∑∑= ==
−−+−−=N
i
N
jji
N
iie jnxinxEaainxnxEanxE
1 11
22 )()(2)(σ
∑∑∑= ==
−+−=N
i
N
jXXji
N
iXXiXXe jiRaaiRaR
1 11
2 )()(2)0(σ
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=
−
N
Naa
a
1
1...a
( ) ( )⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛+⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−−=
−−−
−
N
NNNN
N
NXXXXXXXXe
aa
aaaa
aa
aNRNRRR
1
1
1111
12 .........)()1(...)1(2)0( Rσ
( ) aRaa t1
2 )()1(...)1(2)0( −+−−= NXXXXXXXXe NRNRRRσ
Thierry Paquet Traitement des signaux aléatoires M1 96
Le prédicteur optimal est donc celui qui rend minimale cette équationIl suffit d’annuler la dérivée par rapport au vecteur de paramètres
On obtient
Soit finalement
(eq. 1)
En reportant cette expression dans l’expression de l’erreur on obtient
eq. 2
4.3. Prédiction linéaire
( ) 02)()1(...)1(2 1 =+−− −aRNt
XXXXXX NRNRR
( )( )0
)()1(...)1(2)0( 12=
+−−= −
aaRaa
at
dNRNRRRd
dd NXXXXXXXXeσ
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−=−
)()1(
...)1(
1
NRNR
R
XX
XX
XX
N aR
( )⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−+−−=)(
)1(...
)1()()1(...)1(2)0(2
NRNR
RNRNRRR
XX
XX
XX
XXXXXXXXe taaσ
Thierry Paquet Traitement des signaux aléatoires M1 97
L’équation 2 se réécrit (eq. 3)
soit sous forme matricielle
(eq. 4)
4.3. Prédiction linéaire
( ) a)()1(...)1()0(2 NRNRRR XXXXXXXXe −−=σ
( )⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−
−−=
−
N
NXXXXXXXXe
aa
aNRNRRR
1
12 ...
1
)()1(...)1()0(σ
Thierry Paquet Traitement des signaux aléatoires M1 98
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−−
0...00
...
1
)0()1()(
)2(...)0()1()2()1(...)1()0()1(
1
NXXXXXX
XXXXXXXX
XXXXXXXX
a
a
RNRNR
NRRRRNRRRR
Or l’équation 1. peut également se réécrire
(eq. 5)
Soit finalement
(eq. 6)
4.3. Prédiction linéaire
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−−
=−
−
)()1(
...)1(
...
)0()1(
)2(...)0()1()1(...)1()0(
1
1
1
NRNR
R
aa
a
RNR
NRRRNRRR
XX
XX
XX
N
N
XXXX
XXXXXX
XXXXXX
N aR
Thierry Paquet Traitement des signaux aléatoires M1 99
Finalement on a donc les deux équations 4) et 6)
Qui s’écrivent comme une seule équation matricielle
équation de Yule-Walkerou de Wiener Hopf
4.3. Prédiction linéaire
( )⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−
−−=
−
N
NXXXXXXXXe
aa
aNRNRRR
1
02 ...
1
)()1(...)1()0(σ
⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−
−=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
N
N
e
aa
a
1
0
2
...
1
00...0
NRσ
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛=⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛−
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛
−
−−
0...00
...
1
)0()1()(
)2(...)0()1()2()1(...)1()0()1(
1
NXXXXXX
XXXXXXXX
XXXXXXXX
a
a
RNRNR
NRRRRNRRRR
Thierry Paquet Traitement des signaux aléatoires M1 100
Les paramètres du prédicteur optimal s’obtiennent en inversant la matrice de covariance
4.3. Prédiction linéaire
⎟⎟⎟
⎠
⎞
⎜⎜⎜
⎝
⎛=⎟⎟⎟⎟
⎠
⎞
⎜⎜⎜⎜
⎝
⎛
−−
−−
− 00...0
...
1 2
1
1
0e
N
Naa
a σ
NR
Thierry Paquet Traitement des signaux aléatoires M1 101
7.3.2. Interprétation du signal d’erreurLe signal d’erreur a la puissance la plus faible donc on a vu que
4.3. Prédiction linéaire
0)()(2
1=⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎠⎞
⎜⎝⎛ −−
∂∂ ∑
=
N
ii
iinxanxE
a0)()()(2
1=⎟⎠
⎞⎜⎝
⎛ −⎟⎠⎞
⎜⎝⎛ −−− ∑
=inxinxanxE
N
ii
( ) 0)()( =−inxneE
)( ine −)(ne )( ine −
le signal d’erreur est non corrélé aux N derniers échantillonsdu signal
comme est une combinaison linéaire des échantillons passés on déduit que est non corrélé avecDonc le signal d’erreur de prédiction est un bruit blanc
C’est la partie non prédictible de )(nx
Thierry Paquet Traitement des signaux aléatoires M1 102
4.3. Prédiction linéaire
Le signal d’erreur s’écrit )()()( nxnxne∧
−=
∑=
−−=N
ii inxanxne
1)()()(Soit
)(1 zA−Le filtre de fonction de transfert est un filtre blanchissant
Il élimine la partie prédictible du signal
( ) )()(1)(1)(1
zXzAzXzazEN
i
ii −=⎟
⎠
⎞⎜⎝
⎛−= ∑
=
−Donc
)(1 zA− )(zE)(zX
Thierry Paquet Traitement des signaux aléatoires M1 103
Soit un signal aléatoire stationnaire.
Dans ce modèle on considère que le signal aléatoire possède une partie prédictibleEt une partie non prédictible.
La partie prédictible est modélisée par un prédicteur linéaire La partie non prédictible ( partie purement aléatoire du signal) est un bruit blanc
4.3. Modèle autorégressif
)(nx
)()()(1
nwinxanxN
ii +−=∑
=
Thierry Paquet Traitement des signaux aléatoires M1 104
Cela revient à considérer que le signal aléatoire est le résultat du filtrage linéaire d’un bruit blanc par le filtre T(z)
4.3. Modèle autorégressif
∑=
−−== N
i
ii za
zTzWzX
11
1)()()(
)(zT est le modèle autorégressif du signal il est complètement déterminé par les
paramètres du prédicteur linéaire. Il explique comment est généré le signal
)(zW )(zX∑=
−−N
i
ii za
11
1
Thierry Paquet Traitement des signaux aléatoires M1 105
4.4 Application au codage de la parole
)(zX)(1
1zA−
)(1 zA−)(zX )(zW
La parole est un signal aléatoire stationnaire sur une durée de quelques dizaines de millisecondes
Sur cette durée il est modélisé par un modèle autorégressif
Codage de la parole pour la transmission Téléphonique
• on transmet le signal d’erreur + le modèle• le récepteur reconstruit le signal
Thierry Paquet Traitement des signaux aléatoires M1 106
4.4 Application au codage de la parole
Codage de la parole pour la transmission Téléphonique
• on transmet le signal d’erreur + le modèle• le récepteur reconstruit le signal
)(zX)(1
1zA−
)(zA
)(zX )(zW+-
ÉmetteurRécepteur
Thierry Paquet Traitement des signaux aléatoires M1 107
Définition:Le filtre adapté est le filtre qui optimise le rapport signal sur bruit pour ladétection d’un signal déterministe en présence d’un bruit additif
Soit x(n) le signal déterministeSoit b(n) le bruit additif
Le signal observé est
On cherche à construire le filtre linéaire de réponse impulsionnelledont la sortie y(n) possède un rapport signal sur bruit maximal
La détection de dans se ramène à la détection de dans
4.5. Filtrage adapté des signaux aléatoires
)()()( nbnxne +=
)(nh
)(nh )(ny)(nb
)(nx )(ne
)(nx )(ne )()( nhnx ⊗ )(ny
Thierry Paquet Traitement des signaux aléatoires M1 108
En sortie du filtre on a:Le signal utile filtréLe bruit filtré
Le rapport signal sur bruit en sortie s’écrit
Au dénominateur on a:
Au numérateur on a:
inégalité de Schwartz
L’égalité est atteinte quand
Donc est maximale si on choisit
4.4. Filtrage adapté des signaux aléatoires
))()((
)()()( 2
2
nhnbE
nhnxn
⊗
⊗=ρ
)()( nhnx ⊗)()( nhnb ⊗
∑∫−
==⊗ )()())()(( 222
1
21
222 τσσ hdffHnhnbE
∑∑∑ ≤−=⊗ )()()()()()( 2222 ττττ xhnxhnhnx
)()( ττ −= nxh
)()( ττ −= nxh)(nρ
Thierry Paquet Traitement des signaux aléatoires M1 109
Le filtre qui optimise la détection du signal déterministe a donc pour réponse impulsionnelle la copie retournée et retardée du signal déterministe
Dans ce cas, lorsqu’on place en entrée du filtre adapté le signal x(n), La sortie s’écrit:
En posant on obtient
avec
Le produit de convolution est un produit de corrélation. Il est maximal pour t=0, c’est à dire pour k=n
4.4. Filtrage adapté des signaux aléatoires
∑∑ −−=−= )()()()()( ττττ kxnxkxhky
τξ −=k
∑ += )()()( ξξ xtxky knt −=
Thierry Paquet Traitement des signaux aléatoires M1 110
Rappels sur les formules de dérivation vectorielle
Soit u et v deux vecteurs de dimension M,
Dérivée du produit scalaire
Dérivée d’une forme quadratique, soit P une matrice MxM
Si P est une matrice symétrique cad si
Annexe
( )udv
vud t=
( ) ( )uPPduPuud
tt
+=
( )2Pudu
Puud t=
tPP=
Thierry Paquet Traitement des signaux aléatoires M1 111
M. Kunt, Techniques modernes de traitement numérique du signal, Volume 1, PPUR, 1991.
Tisserand & Al., Analyse et Traitement des Signaux, DUNOD, 2004.
Benedir, Théorie et Traitement du Signal, Tome 1, DUNOD, 2002.
Boite & Al, Traitement de la parole, PPUR, 2000.
M. Bellanger, Traitement numérique du signal, 6eme édition, Dunod, 1998.
Blanchet, Charbit, Traitement numérique du signal, Hermes, 1998.
Bibliographie
Thierry Paquet Traitement des signaux aléatoires M1 112
Chap 2 : Banc de compression Audio
H0(z)
HM-1(z) FM-1(z)
F0(z)M M
M M
)(nx∧
)(nxQuantification
codage
Allocation
Dynamique
De bits
Estimation spectrale +
Modèle auditif
M filtres passe-bande Décimation d’un facteur M
Sous-échantillonnage critique d’un facteur M
Sur-échantillonnaged’un facteur Majout de M-1 zéros
M filtres interpolateurs
+