2.4 Production de signaux sous Matlab :
2.5.3 Synthétisation d'un signal bruité puis filtré : Nous avons synthétisé un signal créneau bruité puis filtrer pour éliminer le bruit : Figure 15
— Matlab et le traitement du signal —
Enfin Matlab
travaux pratiques de traitement du signal (2) 1
On va supposer que le signal est issus du filtrage d'un bruit blanc de puissance unitaire Pour identifier le filtre il vous faut demander à Matlab de ...
Traitement du signal
Exercice 2.6 : FFT d'un signal electrique - Rapport signal sur bruit. On a On souhaite filtrer les hautes fréquences du signal « flute ». Pour cela on ...
Travaux Pratique TR-C1 : Traitement du signal Avancée TP 3 : Filtrage
Objectifs : Le but de ce TP est: - De synthétiser un filtre numérique sous Matlab. - De filtrer une séquence audio.
Laboratoire 4: Lanalyse spectrale et le filtrage par transformée de
Génération d'un signal de bruit a. Générer le signal de bruit blanc Gaussien suivant en utilisant le code Matlab: x = 10*randn([14096]); % génère 4096
Traitement du signal avec Arduino # Lissage - Projet électronique
Etude et simulation numérique du filtre Moyenneur avec Matlab [1/3]. Etude et legend('Signal''Signal bruité'
Le filtrage médian est une opération non-linéaire : En traitement d
Le but de l'exercice est de comparer les effets linéaires et non-linéaires de deux filtrages sur une image bruitée. La fonction imnoise de Matlab permet de
Travaux Pratiques Traitement Numérique du Signal
3 nov. 2020 `A l'aide de la fonction filter sous Matlab effectuer le filtrage du signal bruité en utilisant le filtre : H(z)=1 − 2 cos. (2πf fe. ) z−1 ...
∑ ( )
Attention : en matlab les indices d'un tableau doivent être des entiers supérieurs ou signal est de filtrer un tel signal pour atténuer le bruit au prix d' ...
— Matlab et le traitement du signal —
La fonction fir1 synthétise un filtre RIF simple (défini par une seule bande passante ou coupée) par troncature et fenêtrage de la réponse impulsionnelle du
2.4 Production de signaux sous Matlab :
TP n°2 : Analyse et traitement de signal sous Matlab Nous avons synthétisé un signal créneau bruité puis filtrer pour éliminer le bruit :.
Travaux Pratique TR-C1 : Traitement du signal Avancée TP 3 : Filtrage
De synthétiser un filtre numérique sous Matlab. - De filtrer une séquence audio. permet d'exécuter un utilitaire spécialisé dans le filtrage de signaux.
Traitement du signal
2.2 Application `a la synth`ese de signaux sous Matlab RSB=signal/bruit. On applique ensuite un filtre gaussien pour éliminer le bruit : center=40;.
TRAVAUX PRATIQUES DE TRAITEMENT DU SIGNAL Volume 1
Il existe sous Matlab la fonction xcorr avec les options 'biased' et 'unbiased'. Pour la génération des différents signaux (sinus
Traitement du signal
Interprétation des signaux : filtrage extraction/détection d'information
Le filtrage médian est une opération non-linéaire
exemple sur des séquences de signaux de longueur 3: ? exemple : La fonction imnoise de Matlab permet de créer différents types de bruit.
Réduction de bruit dans les signaux numériques via une analyse
Le filtrage d'un signal bruité y consiste à remplacer chaque observation Le code Matlab est disponible pour les deux variantes présentées ici dans.
TRAVAUX PRATIQUES DE TRAITEMENT DU SIGNAL (2) .
sous l'environnement Matlab par la commande : On va supposer que le signal est issus du filtrage d'un bruit blanc de puissance unitaire.
Codage sous Matlab
Codage sous Matlab Définition du Signal cosinus. • subplot(21
Comment réduire le bruit d’un signal ?
Débruiter un signal, c’est réduire le plus possible le bruit présent dans le signal. Sauf cas très particulier, il n’est pas possible d’éliminer complètement le bruit puisqu’il est inconnu. On observe un signal x bruité par un bruit blanc gaussien additif : ? n, y [ n] = x [ n] + b [ n].
Quels sont les critères de sélection d'un filtre ?
Savoir l'importance du filtre % 2. Savoir tracer la fonction du transfert ( FT) ( Gain & Phase) % d'un filtre quelconque % 3. Exemple du filtrage d'un signal ECG bruité % 4.
Comment traiter les signaux bruités ?
Nous présentons différentes techniques de traitement de signaux bruités. Ces techniques sont regroupées en trois parties : la détection de signal, c’est-à-dire déterminer si un signal particulier est présent dans des données bruitées, le débruitage, c’est-à-dire réduire le plus possible le bruit présent dans un signal,
Travaux pratiques de Traitement du Signal TP 2
Traitement du signal 1 Olivier S
TRAUSS
TTTTRRRRAAAAVVVVAAAAUUUUXXXX PPPPRRRRAAAATTTTIIIIQQQQUUUUEEEESSSS DDDDEEEE TTTTRRRRAAAAIIIITTTTEEEEMMMMEEEENNNNTTTT DDDDUUUU SSSSIIIIGGGGNNNNAAAALLLL ((((2222))))
1111 PPPP
Cette séance doit vous familiariser avec l"utilisation des processus linéaires pour traiter des signaux aléatoires. Nous vous proposons de supprimer (ou en tout cas fortement atténuer) un bruit de type craquement dans un fichier son, Votre travail est relié à votre cours de traitement du signal. Il vous est demandé de le préparer sérieusementet de réaliser un travail expérimental de qualité. Vous disposez, pour cette séance, d"un
fichier contenant un enregistrement sonore dont vous devez supprimer les craquements.2222 SSSS
UUUUPPPPPPPPRRRREEEESSSSSSSSIIIIOOOONNNN
DDDDUUUUNNNN
BBBBRRRRUUUUIIIITTTT
DDDDEEEE
TTTTYYYYPPPPEEEE
CCCCRRRRAAAAQQQQUUUUEEEEMMMMEEEENNNNTTTT
2222....1111 LLLLeeee ffffiiiicccchhhhiiiieeeerrrr....
Vous disposez d"un fichier son sous le nom de
MusiqueBruit.wav
que vous chargerez sous l"environnement Matlab par la commande : >> [signal_audio, Fs] = audioread("MusiqueBruit.wav") ;Visualisez ce signal audio :
>> delta_t = 1/Fs ; taille_signal = length(signal_audio) ; >> temps = delta_t * (0:(taille_signal-1)) ; >> figure(22) ; plot(temps, signal_audio) ; >> axis([0, max(temps), -1, 1 ]) ; title("signal audio original") ; Vous voyez apparaître des pics disposés aléatoirement sur le son. C"est une affection classique qu"on appelle "bruit de craquement", qui apparaissent sur des sons numérisés issus de disques vinyls mais aussi sur des signaux sonores numériques après transmission à cause des erreurs de transmission. En zoomant sur le signal, vous pouvez aussi voir clairement la quantification du signal sonore, celui-ci évoluant par palliers.Vous pouvez par ailleurs écouter
le morceau de musique enregistré dans ce fichier son en cliquant des- sus. Il s"agit d"un enregistrement altéré d"une oeuvre connue d"un compositeur du 20ème
siècle. Vous pouvez entendre les craquements (qui ne sont pas prévus par le com- positeur initialement).2222....2222 PPPPrrrriiiinnnncccciiiippppeeee ddddeeee llllaaaa mmmméééétttthhhhooooddddeeee
Pour retirer ces craquements, du fichier son, on pourrait utiliser un filtre passe-bas (justifiez ce point de vue). Vous pouvez d"ailleurs essayer cette solution en utilisant un filtre de Butteworth par exemple (commande butter pour définir le filtre et filterTravaux pratiques de Traitement du Signal TP 2
Traitement du signal 2 Olivier S
TRAUSS
pour filtrer). Un exemple de code vous est donné ci-dessous. >> [B,A] = butter(7,0.02) ; >> signal_audio_filtre = filter(B,A,signal_audio) ; >> audiowrite("MusiqueFiltre.wav", signal_audio_filtre, Fs) ; >> figure(55) ; plot(temps,signal_audio_filtre) ; >> axis([0, max(temps), -1, 1 ]) ; title("signal audio filtre") ; Que constatez vous ? Quelle est la fréquence de coupure du filtre ? Qu"est-ce qui pour- rait vous guider pour changer cette fréquence de coupure ? Que savez-vous des filtres numériques ? La méthode que nous vous proposons d"utiliser doit mettre en évidence les craquementsen vue de leur détéction. Cette mise en évidence consiste à filtrer le signal grâce à un
filtre prédictif adapté au signal puis de regarder l"écart entre le signal prédit et le signal courant. Une telle opération de comparaison peut être bien sûr réalisée en une fois. En effet, en fréquentiel, si est le filtre passe-bas à utiliser, est la transformée de Fourier du signal filtré et la transformée de Fourier de la comparaison du signal filtré et du signal original. On pose le filtre que l"on doit utiliser pour mettre en évidence les cra- quements. Pour que la localisation des craquements soit la plus fiable possible, ce filtre doit être symétrique (expliquez pourquoi). Une façon de programmer un filtre symétrique est de mettre en cascade deux filtres, l"un causal et l"autre anti-causal . Dans ce TP, nous allons supposer que ces deux filtres sont de type moyenne adaptative (MA).Une étude théorique du problème a montré que le filtre causal de réponse impulsionnelle
qui sera le mieux adapté à notre problème (et qui mettra donc en évidence les craquements) est l"inverse du filtre adapté au signal à filtrer (de réponse impulsionnelle ). n"est autre que la réponse impulsionnelle de sa version anti-causale, c"està dire que .
Donc, si est la fonction de transfert du filtre adapté au signal dont on veut dé- técter des anomalies, on a la relation : . Nous nous occupons de signaux discrets, le filtre MA en question est donc modélisable par sa fonction de transfert échantillonnée : , dont l"al- gorithme associé est : , s kétant la sortie du filtre et
e k l"entrée. Le filtre anti-causal s"écrit : puisque . Dans ce cas la sortie du filtre anti-causal s"écrit : (s k dépend donc uniquement des échantillons futurs). Expliquez la relation entre H(z), D(z) et G(z). Fω()Fω()Eω()Hω()Fω()1-()=
ht()gt() ht() dt()gt() ht()gt-()=Dω()
Hω()1
Dω()------------=
Hz()1h
1 z 1- ...h p z p- s k e k h 1 e k1- ...h p e kp-Gz()1h
1 z 1 ...h p z p g k- h k s k e k h 1 e k1+ ...h p e kp+Travaux pratiques de Traitement du Signal TP 2
Traitement du signal 3 Olivier S
TRAUSS
Vous devez donc :
identifier le filtre adapté au signal à filtrer, en déduire les coefficients , filtrer le signal avec le filtre causal, puis avec le filtre anti-causal comparer la valeur absolue de ce signal filtré à un seuil prédéfini. Le seuil en question doit bien sûr dépendre de la puissance du signal : .3333 MMMMAAAANNNNIIIIPPPPUUUULLLLAAAATTTTIIIIOOOONNNNSSSS
3333....1111 IIIIddddeeeennnnttttiiiiffffiiiiccccaaaattttiiiioooonnnn dddduuuu ffffiiiillllttttrrrreeee aaaaddddaaaappppttttéééé
Si vous regardez un fichier son, sans l"écouter, vous pourriez penser que celui-ci n"est autre qu"un fichier de bruit. C"est ce que nous allons supposer ici : nous allons supposer que le morceaux de musique (signal) et le bruit de craquements sont deux signaux aléa-toires ayant des propriétés statistiques différentes. Le signal étant majoritaire, c"est lui
qui sera identifié. On va supposer que le signal est issus du filtrage d"un bruit blanc de puissance unitaire par un filtre AR (voir cours). Dans ce cas, on retrouve la réponse impulsionnelle du filtre grâce à la fonction d"auto-covariance (en appelant x votre signal). On ne dis- pose bien sûr pas de cette fonction d"auto-covariance, on l"estime donc (abusivement ici) par la fonction d"auto-corrélation . Nous supposerons que le filtre AR à identifier est de rang p=20 (vous pourrez changer cette valeur par la suite pour voir comment le filtre se comporte). Nous allons essayer de trouver le filtre AR qui, si on lui mets en entrée un bruit blanc, le transforme en un signal qui aurait les mêmes propriétés sta- tistiques (supposées) que le morceau de musique, c"est à dire la même fonction de cor- rélation (ou de covariance). Pour identifier le filtre AR, vous devez calculer la fonction d"auto-corrélation du signal audio ( signal_audio) sur un intervalles de valeurs [-M, M] tel que M≥20 (voir TP précédent). Prenez M=100 pour visualiser cette auto-corrélation. Quelle reflexion vous induit cette visualisation ? Utilisez votre remarque pour choisir p convenablement. Pour identifier le filtre, il vous faut demander à Matlab de résoudre l"équation : . Pour inverser la matrice , pré- ferez la commande pinv (calcul de pseudo inverse) à la command inv car il se peut que la matrice soit singulière (pourquoi ?). On retrouve les coefficients h k recherchés en posant : pour . Visualisez la réponse impulsionnelle obtenue. h 1 ...h p P 1 N---s k2 k R xx C xx C xx0()...C
xx p() C xx1-()...C
xx p1-() C xx p-()...C xx 0()? 0 1 p 1 0 0= C xx0()...C
xx p() C xx p-()...C xx 0() h k k 0 -----=k0...p,,=Travaux pratiques de Traitement du Signal TP 2
Traitement du signal 4 Olivier S
TRAUSS
3333....2222 FFFFiiiillllttttrrrraaaaggggeeee dddduuuu ssssiiiiggggnnnnaaaallll aaaauuuuddddiiiioooo
Filtrez le signal
signal_audio avec le filtre causal, puis filtrez le résultat avec le filtre anticausal. Faites très attention aux bornes d"intégration. Pensez à utiliser des variables : >> taille_signal = length(signal_audio) ; >> taille_reponse = length(reponse_impuls) ; >> % Filtre causal >> entree = signal_audio ; sortie = entree ; >> for k= (taille_reponse+1):(taille_signal-taille_reponse) >> sortie(k) = % ici votre algorithme?causal >> end? >> signal_audio_filtre = sortie ; >> % Filtre anti-causal >> entree = signal_audio_filtre ; sortie = entree ; >> for k= (taille_reponse+1):(taille_signal-taille_reponse) >> sortie(k) = % ici votre algorithme?anti-causal >> end? >> signal_audio_filtre = sortie ; Puis prenez-en la valeur absolue et divisez-la par la puissance du signal entrant : >> Puissance = sum(signal_audio.^2) / taille_signal ; >> signal_audio_filtre = abs(signal_audio_filtre) / Puissance ; Visualisez ce signal filtré. Les points de craquements doivent être très visibles. Choi- sissez un seuil qui vous semble correct (entre 5 et 10 habituellement) et créez un le vecteur des points où le signal est bruité : >> seuil = 8 ; >> indice_craquement = ( signal_audio_filtre > seuil ) ; Cet indice_craquement vaudra 1 à tous les points identifiés comme un craquement. Puis visualisez si cette identification est correcte : >> figure(22) ; clf ; hold on ; plot(temps, signal_audio) ; >> for k=1:taille_signal >> if(indice_craquement(k)) plot(temps(k), signal_audio(k),"ro") ; end >> end?Changez le seuil pour en voir l"influence.
3333....3333 FFFFiiiillllttttrrrraaaaggggeeee dddduuuu ssssiiiiggggnnnnaaaallll
Vous allez maintenant retirer le bruit impulsionnel de votre signal. Un des meilleurs filtres pour le bruit impulsionnel est le filtre médian. Le filtre médian remplace le k ièmeéchantillon du signal par la médiane d"un voisinage de cet échantillon. Appliqué à tout le
signal, ce filtre aurait le même impact sur le signal qu"un passe-bas. Appliqué aux seuls échantillons bruités, il améliore considérablement le rapport signal-sur-bruit. Vous pouvez essayez plusieurs voisinages. Voici un exemple : >> horizon = 5 ; >> ?for (k=(horizon+1):(taille_signal-horizon)) >> ? if indice_craquement(k)? >> ?? Echantillon = signal_audio_bruite((k-horizon):k-1) ; >> ?? Echantillon = [Echantillon ; signal_audio_bruite(k+1:(k+horizon))] ; >> ?? signal_reconstruit(k) = median(Echantillon) ; >> ? end? >> ?end??Travaux pratiques de Traitement du Signal TP 2
Traitement du signal 5 Olivier S
TRAUSS
Sauvegardez votre signal reconstruit :
>> audiowrite("MusiqueSansBruit.wav", signal_reconstruit, Fs) ; Il ne vous reste plus qu"à écouter le son obtenu (utilisez Audacity par exemple) et essayer cet algorithme pour différentes valeurs de p, d"horizon du filtre médian, de seuil, etc. Vous pouvez aussi essayer d"autre types de filtrage (moyenne, moyenne pondérée, ...), ainsi bien-sûr que d"autres passe-bas.quotesdbs_dbs10.pdfusesText_16[PDF] fime antony
[PDF] fime caen recrutement
[PDF] fime logo
[PDF] fime miami
[PDF] fime orange business services
[PDF] fime services
[PDF] fime testing
[PDF] fime website
[PDF] fime wikipedia
[PDF] fin banque nationale
[PDF] fin de contrat assistant d'éducation
[PDF] fin de diaporama merci de votre attention
[PDF] fin des contrats aidés 2018
[PDF] fin du moyen age