Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines.








télécharger 63.32 Kb.
titreRésumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines.
date de publication18.05.2017
taille63.32 Kb.
typeRésumé
p.21-bal.com > loi > Résumé

Journées nationales de l’UdPPC Paris de Sciences

DE LA SYNTHÈSE DE VOYELLES À LA SÉPARATION DE VOIX,

QUAND LE TRAITEMENT DU SIGNAL DEVIENT PARLANT




Cécile Durieu


Département eea (Électronique, Électrotechnique et Automatique) ens de Cachan

61, avenue du Président Wilson 94235 Cachan

courriel : cecile.durieu@ens-cachan.fr

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. Différentes illustrations relativement simples de ces notions sont présentées dans cet article, certaines faisant intervenir des signaux sonores permettant d’apprécier à l’écoute le résultat des traitements. Citons, entre autres applications, la synthèse de voyelles, la détection de bruit impulsionnel et la séparation de sources.



Mots clés : traitement du signal, transformée de Fourier, signaux aléatoires, corrélation, modèle ar, mesure de la vitesse du son, synthèse de voyelles, séparation de sources.
1. Introduction

Le traitement du signal est une discipline qui fait appel à un ensemble de concepts mathématiques et qui s’appuie sur l’électronique et l’informatique pour sa mise en œuvre. Il fait également appel à la physique, entre autres, pour capter les signaux et aider à leur interprétation, pour modéliser les signaux et les systèmes. Le traitement du signal peut également aider à la compréhension de phénomènes physiques. Le champ d’applications est très vaste ; citons, par exemple, les télécommunications, la vidéo, le traitement de la parole, la robotique, le médical et l’astrophysique.

De manière générale, un signal est une fonction d’une ou plusieurs variables telles que, par exemple, le temps, une température, une distance, une pression et est engendré par un phénomène physique : signal sonore, signal lumineux, image… Par exemple, un signal sonore correspond à de faibles variations de la pression, qui se propagent dans l’espace et que le système auditif d’un être humain est capable de capter, d’analyser et de percevoir l’information dont il peut être porteur. Un signal est, en général, le support à la transmission d’une information. La plupart des signaux manipulés correspondent à l’évolution temporelle d’une tension ou d’un courant délivré par un capteur. Le plus souvent, les signaux doivent être traités pour extraire l’information qui nous intéresse, traitement qui dépend du but poursuivi.

La théorie du signal concerne les outils de description et de représentation des signaux et des systèmes dans le domaine d’origine – temporel le plus souvent – ou dans un domaine image, par exemple, fréquentiel, la mise en évidence des caractéristiques des signaux et des systèmes, leur analyse, leur modélisation et leur interprétation. Le traitement du signal s’appuie sur la théorie du signal et de l’information et concerne la manipulation des signaux pour transporter une information, la coder ou la protéger, ou pour la récupérer. La détection de la présence ou de l’absence d’un signal donné, l’amélioration d’un rapport signal sur bruit, la classification, la reconnaissance de formes et l’estimation de grandeurs, ou pour la compréhension des phénomènes physiques sont des exemples de problèmes traités.

Le but de cet article est de présenter différentes notions importantes en traitement du signal et de les illustrer par des exemples relativement simples. Les exemples choisis mettent en jeu des signaux sonores car, en plus, de la visualisation des signaux et des résultats des traitements, on peut apprécier à l’écoute le résultat de ces traitements. Ces exemples sont pris dans les cours de traitement du signal de la première année du master ist (Information, Systèmes et Technologie) qui est en habilitation partagée entre l’ens de Cachan et l’université Paris-Sud 11. Avant d’aborder les exemples, la notion d’aléatoire est présentée ainsi que quelques grandeurs caractéristiques des signaux aléatoires.
2. L’aléatoire en traitement du signal

Il existe des phénomènes physiques pour lesquels les grandeurs que l’on observe peuvent être formulées par des lois simples pourvu que l’on connaisse les phénomènes physiques mis en jeu et un nombre fini de paramètres. Les signaux qui en résultent sont dits déterministes ou encore certains. Par exemple, si on connaît l’amplitude, la fréquence et la phase à l’origine d’un signal sinusoïdal, on peut déterminer, sans erreur, son amplitude à tout instant. Cependant, il existe des phénomènes pour lesquels les grandeurs ne peuvent pas être décrites par des lois, même avec un nombre très grand de paramètres, ou qui sont trop sensibles aux conditions expérimentales (par exemple, jet de dé), ou que l’on ne peut pas prévoir. Faute de pouvoir donner la valeur des signaux associés à un instant donné, il est souvent possible de préciser une distribution des valeurs possibles, d’où l’idée de décrire ces signaux à des instants donnés par des variables aléatoires. Ainsi, un signal aléatoire peut être vu comme une famille de variables aléatoires indexées, par exemple, par le temps , soit encore comme un ensemble de fonctions, par exemple, du temps, chacune correspondant à une trajectoire ou encore réalisation caractérisée par (Figure 1). En mécanique quantique, on ne donne pas la valeur de la position d’une particule à un instant donné, mais en chaque point de l’espace on précise la probabilité que la particule y soit. La théorie des fonctions aléatoires, qui s’appuie sur les probabilités, donne des moyens de décrire qualitativement des phénomènes dont la maîtrise nous échappe suite à la méconnaissance de lois physiques exactes.


t


Figure 1 – Trajectoires d’un processus aléatoire

Les différentes trajectoires d’un signal aléatoire décrivant un phénomène donné semblent posséder des caractéristiques communes comme, par exemple, une moyenne temporelle nulle, une puissance localisée autour d’une fréquence donnée. Un signal aléatoire est caractérisé, tout comme les signaux déterministes, par un certain nombre de grandeurs, par exemple, la moyenne temporelle des différentes réalisations et leur fonction d’autocorrélation temporelle [1]. Il est en plus caractérisé par des grandeurs statistiques, par exemple, sa moyenne statistique à un instant donné et sa fonction d’autocorrélation statistique [2].

Si toutes les moyennes statistiques sont invariantes par changement d’origine des temps, ce qui suppose que le processus soit « éternel », le signal est dit stationnaire. Si le signal est en plus ergodique, les moyennes temporelles sont alors indépendantes des réalisations et elles sont égales aux moyennes statistiques. On peut alors décrire le signal uniquement à partir d’une seule trajectoire, et les propriétés statistiques peuvent être déterminées à partir de l’analyse temporelle d’un seul signal.

Dans la suite, quelques définitions de moyennes, sous réserve d’existence, sont rappelées. Les traitements présentés dans cet article étant numériques, les signaux considérés résultent de l’échantillonnage de signaux analogiques. Soient et de tels signaux enregistrés à l’instant , où est la période d’échantillonnage.

La moyenne temporelle d’un signal est définie par . La fonction d’intercorrélation d’énergie entre les signaux d’énergie finie et est définie par , où est le conjugué de , et la fonction d’autocorrélation d’énergie du signal par .

Un certain nombre de signaux considérés sont des cas limites de signaux de puissance finie. Pour de tels signaux et , la fonction d’intercorrélation temporelle de puissance est définie par , et la fonction d’autocorrélation temporelle de puissance du signal par . La fonction de corrélation mesure la ressemblance, ou encore le degré de linéarité, entre deux grandeurs, tout comme la transformée de Fourier du signal mesure la ressemblance entre ce signal et les signaux exponentiels. Notons que l’énergie des signaux stationnaires est nécessairement infinie.

Soit la moyenne statistique ou encore l’espérance mathématique de la variable aléatoire [1, 3]. Dans le cas scalaire et réel, on a , où est la densité de probabilité de la variable aléatoire Z. La moyenne statistique d’un signal aléatoire stationnaire à l’instant est définie par et sa fonction d’autocorrélation statistique par . La fonction d’intercorrélation statistique de deux signaux aléatoires stationnaires dans leur ensemble est définie par .

Pour des signaux aléatoires stationnaires et ergodiques, on a et . On appelle densité spectrale mutuelle de puissance des signaux et la transformée de Fourier de la fonction d’intercorrélation : . représente la répartition de la puissance du signal en fonction des fréquences. La puissance de ce signal est donnée par .

Dans la pratique, les signaux étant enregistrés sur points, , on a alors un vecteur des valeurs de chaque signal aux différents instants d’acquisition. peut être estimée par



et sinon, avec , valeur conduisant à un estimateur non biaisé, ou , valeur conduisant à un estimateur biaisé.

Un bruit blanc, défini par analogie avec la lumière blanche, est un signal aléatoire stationnaire et ergodique tel que sa densité spectrale de puissance est constante. Sa fonction d’autocorrélation est alors , est le symbole de Kronecker ( si , et sinon).
3. Mesure de la vitesse du son [4]

La première application concerne la détermination de la vitesse du son qui est effectuée en mesurant le retard entre les signaux reçus par deux microphones situés dans la direction d'émission de la source et séparés d'une distance connue (Figure 2).

Le retard pourrait être mesuré très facilement avec un signal émis très bref, par exemple, un claquement. Cependant, afin de justifier l'utilisation de la fonction de corrélation, le signal émis est un « che ». Un exemple de signal reçu par les microphones est représenté sur la figure 3, avec ( à ), et . Le spectre (périodogramme normalisé qui est encore, à un coefficient près, le module au carré de la transformée de Fourier) des signaux est relativement riche comme le montre la figure 4. À partir d'une visualisation des signaux, il est impossible d'estimer le retard.



Figure 2  Illustration de la manipulation



Figure 3  Signaux enregistrés, en haut et en bas



Figure 4  Spectre normalisé des signaux

Pour l'étude théorique, le signal à analyser est supposé être une réalisation d'un processus aléatoire stationnaire. La fonction d'intercorrélation théorique entre les signaux à temps continu et présente un maximum en . En pratique, la fonction de corrélation n'est pas connue. Une approche répandue, mais empirique, consiste à estimer la fonction de corrélation à partir des échantillons disponibles du signal puis à rechercher la position du maximum. L'estimateur retenu est l’estimateur non biaisé (cf.  Section2). Un exemple de fonction d'intercorrélation estimée est représenté sur la figure 5. La détermination de la position du maximum, qui est assez étroit (ce qui justifie le son choisi), permet d'en déduire la vitesse du son ( pour les signaux enregistrés) ou encore la température de la pièce en utilisant la loi empirique , étant la température (exprimée en degré Celsius) et la vitesse à ( dans les conditions ordinaires).



Figure 5  Intercorrélation entre les signaux et et zoom
4. Synthèse de voyelles [4]

Le traitement de la parole est un domaine d’application important du traitement du signal. On distingue deux types de sons : les sons voisés, par exemple, un « a »  (Figure 6), et les sons non voisés, par exemple, un « che »  (Figure 3). Les sons voisés sont constitués de vibrations harmoniques. Les voyelles illustrent parfaitement ce type de sons. Les sons non voisés font davantage penser à du bruit.

En première approximation, on peut considérer qu'une voyelle est un motif élémentaire qui est répété fois. La période de répétition dépend du timbre du locuteur et vaut environ pour un homme et pour une femme. La fréquence correspond au fondamental de la voix et est encore appelée pitch. Pour une personne donnée, le pitch varie au cours de la conversation. Les paramètres et peuvent être identifiés directement et simplement sur le signal enregistré ( et pour le signal enregistré «a » représenté sur la figure 6). À l'intérieur d’une voyelle, on peut également mettre en évidence d'autres fréquences − typiquement de à  − que l'on appelle formants et caractérisant la voyelle. Par exemple, la fréquence est présente dans le signal enregistré sur la figure 6. Une étude spectrale de la voyelle le confirme (Figure 7). Le spectre est constitué de raies très fines centrées sur des fréquences qui sont des multiples de et, pour l'exemple traité, le spectre présente un maximum pour la fréquence . Cette analyse permet de faire le lien entre la représentation temporelle et la représentation fréquentielle des signaux.

La production des sons est un phénomène complexe et difficile à modéliser. Elle est conditionnée par l’anatomie de l’appareil vocal. De façon simplifiée, le conduit vocal peut-être modélisé par une suite de cavités dont la forme évolue au cours du temps et qui sont traversées par un flux d’air provenant des poumons. Le conduit vocal peut être modélisé par un filtre générateur qui correspond à une mise en cascade de filtres résonnants.

Lorsque l’on manipule des signaux échantillonnés, la relation entre le signal d’entrée et le signal de sortie du filtre générateur retenu se met sous la forme : . La fonction de transfert du filtre s’écrit alors

,

est la transformée en Z du signal (analogue de la transformée de Laplace dans le cas d’un signal analogique). Le filtre correspond à un filtre tout-pôle. Le signal d’entrée peut être considéré comme étant un bruit blanc. Le signal de sortie est alors dit autorégressif (ar). Le problème de la modélisation se ramène à un problème d'estimation de paramètres : les coefficients du filtre et la puissance du bruit blanc. Ces paramètres et la fonction d'autocorrélation du signal échantillonné sont reliés par les équations dites de Yule-Walker : , , et . Ces relations sont obtenues en multipliant l’équation de récurrence par , avec , puis en prenant l'espérance mathématique de cette relation et en prenant en compte le fait que ,. Ainsi, la connaissance de , , permet d'identifier les paramètres du filtre.



Figure 6  Voyelle « a » enregistrée et zoom


Figure 7  Spectre de la voyelle « a »

Dans le cas purement théorique où l'on connaîtrait la fonction de corrélation, il suffirait de résoudre ce système d'équations linéaires pour en déduire les coefficients du filtre. Mais, tout comme précédemment, la fonction de corrélation n'est pas connue et l'approche consiste toujours à estimer la fonction de corrélation à partir des échantillons disponibles du signal que l’on suppose stationnaire et ergodique, à reporter ces valeurs estimées dans les équations de Yule-Walker, puis à résoudre ces dernières. Il faut évidemment choisir un estimateur de la fonction de corrélation. Si l’estimateur non biaisé est retenu, le filtre identifié peut être instable. On retient alors l’estimateur biaisé de la fonction de corrélation garantissant la stabilité du filtre. Reste à déterminer l'ordre du filtre. Pratiquement un ordre ou est retenu pour un signal de parole.

Le filtre auto-régressif identifié peut ensuite être étudié : lien entre sa réponse impulsionnelle, sa réponse en fréquence et la position de ses pôles (Figures 8 et 9).



Figure 8  Réponse impulsionnelle (en haut) et réponse en fréquence du filtre (en bas)



Figure 9  Pôles du filtre et pôles dominants ()

Le signal d’excitation estimé, encore appelé signal résiduel, obtenu par filtrage de fonction de transfert du signal de la parole, est reporté sur la figure 10. Ce signal est un bruit blanc et le filtre est appelé filtre blanchisseur. Cette étape correspond au blanchiment des signaux. Pour un signal voisé, le signal résiduel est constitué principalement d’impulsions très brèves, correspondant à l’ouverture et la fermeture de la glotte, de période . Alors que pour un signal non voisé, le signal résiduel est de type bruit blanc gaussien (Figure 11).



Figure 10  Signal résiduel pour un son voisé et zoom



Figure 11  Signal résiduel pour un son non voisé

Pour la synthèse, qui consiste à reconstruire le signal de parole à partir d’un signal d’excitation, le type d’entrée est pris en compte. Pour un son voisé, le signal d’excitation du filtre précédemment identifié est un train d’impulsions alors que pour un son non voisé, le signal d’excitation est de type bruit blanc gaussien. La démarche expérimentale est résumée sur la figure 12. Il existe des méthodes qui permettent de détecter la valeur du pitch.



Figure 12  Synthèse des sons voisés et non voisés par filtrage tout-pôle

Le signal synthétisé  et son spectre sont représentés sur la figure 13. L’entrée est une suite de impulsions. La voyelle enregistrée et la voyelle synthétisée sont assez proches (en temps et en fréquence). Une écoute successive de toutes les voyelles enregistrées puis synthétisées illustre cette manipulation et permet de reconnaître facilement les voyelles synthétisées . Le son peut être considéré comme étant stationnaire sur une durée de l’ordre de quelques dizaines de millisecondes. Ainsi, pour améliorer la qualité de la synthèse, on peut décomposer la voyelle en plusieurs trames, avec un chevauchement pour éviter des changements brutaux. Pour caractériser un signal de parole ou le synthétiser, on opère de même, après avoir détecté les périodes de silence et le type de son.


Figure 13 – Voyelle synthétisée et son spectre

Le modèle tout-pôle est à la base de méthodes plus sophistiquées de traitement, d’analyse et de synthèse de la parole. Il est également utilisé dans de nombreux autres domaines comme nous allons le voir. Signalons que la synthèse de parole par modèle ar correspond encore à une compression des données ou un codage. En effet, pour un signal échantillonné à et un filtre d’ordre 16, on obtient pour une trame de un taux de compression d’environ 10.
5. Détection de bruit impulsionnel [5]

Le modèle ar que nous avons vu précédemment peut être utilisé pour détecter un bruit impulsionnel d’amplitude assez grande, présent dans un signal, par exemple, le craquement présent dans un signal enregistré sur un disque vinyle, dans le but d’éliminer ce bruit. Des implusions, même très faibles sont perceptibles à l’écoute (cf. signal sans bruit impulsionnel , Figure 14-a, et signal avec bruit , Figure 14-b). Pour ce faire, on suppose qu’en l’absence de craquement, le signal est un processus ar d’ordre . Si le nombre de craquements est faible, on peut considérer que les effets du craquement dans la trame considérée sont négligeables. On estime les paramètres du modèle de la trame comme on l’a vu précédemment en utilisant les équations de Yule-Walker. Ensuite, on estime le signal résiduel (Figure 14-d). En l’absence de craquement, ce signal est un bruit blanc. Si le signal analysé comporte un bruit impulsionnel, le signal résiduel présente alors des amplitudes assez grandes.

Les valeurs du signal en sortie du filtre blanchisseur sont ensuite comparées à un seuil qui peut être calculé sous l’hypothèse de bruit gaussien (typiquement ). Un même craquement peut donner lieu à des pics qui s’étalent sur plusieurs positions. Ainsi, on regroupe les positions successives des pics et on ne garde que la position qui correspond à un extremum. On constate que les pics significatifs sont bien localisés. L’étape suivante consiste à éliminer le bruit.



(a) en haut : signal non bruité (c) en haut : bruit

(b) en bas : zoom du signal bruité (d) en bas : sortie du filtre blanchisseur

Figure 14 – Différents signaux
6. Analyse en composantes indépendantes pour la séparation de sources [6]

Le cocktail party problem est le problème type que tente de résoudre l’analyse en composantes indépendantes (ica). Lors d’une réception animée, il s’agit d’isoler ce que dit chaque participant à partir d’enregistrements du brouhaha ambiant. Ce problème, dit de séparation de sources, se rencontre aujourd’hui dans de nombreuses applications. Ainsi, il s'agit, par exemple :

− en électroencéphalographie de séparer les signaux utiles d’artéfacts dus au clignement des yeux,

− en astrophysique de classer des objets célestes à partir d’images obtenues dans différents domaines spectraux,

− en télécommunications, dans un contexte d’accès multiple par code (cdma), de séparer différents utilisateurs partageant les mêmes ressources fréquentielles et temporelles.

Dans le cas général, l'objectif est d'estimer signaux sources, supposés stationnaires, ergodiques et indépendants, à partir de la mesure de signaux observés résultant d’un mélange des signaux sources. Le cas le plus simple est considéré ici : on suppose que le mélange est linéaire et instantané, que le bruit d'observation peut être négligé et que . On note et le vecteur (colonne) des signaux sources et observés, respectivement, à l'instant (). On a alors , où est une matrice de mélange inconnue mais supposée constante et inversible. Dans le cas de signaux sonores, le mélange n'est pas instantané et un modèle convolutif permettant de prendre en compte les temps de propagation des signaux est plus approprié.

À titre illustratif, les signaux sources correspondant au mot « bonjour »  et à un signal sinusoïdal  sont considérés. La figure 15-a présente l'évolution temporelle des signaux sources ainsi que la répartition des échantillons. La répartition de chaque composante est également représentée suivant les axes de la sous-figure. La figure 15-b correspond aux signaux observés après mélange  .

La séparation aveugle de sources consiste à rechercher, à partir de , une matrice de séparation telle que se réduise à une matrice diagonale, à une permutation près. Aucune information sur la structure temporelle des signaux n'est nécessaire. Plusieurs approches permettent de résoudre un tel problème. La méthode présentée dans cet article consiste à rechercher une transformation linéaire (non orthogonale dans le cas général) de l'espace des observations en un espace de représentation dans lequel les composantes sont aussi indépendantes que possible. Une mesure de l'indépendance statistique est alors nécessaire.

Pour mesurer l'indépendance de variables aléatoires, on pourrait mesurer l'écart entre la densité de probabilité conjointe (densité de probabilité du vecteur ) et le produit des lois marginales (densité de probabilité des différentes composante de ). Cependant, compte tenu de la difficulté à estimer les densités de probabilité, cette mesure n'est pas retenue. La technique utilisée dans cet article et présentée dans [6] exploite une extension du théorème de la limite centrale : la somme de deux variables aléatoires indépendantes possède une distribution plus proche d’une gaussienne que la distribution de chacune des variables de la somme. Elle cherche à dégaussianiser les signaux observés et nécessite donc que les signaux sources ne soient pas gaussiens. Il reste alors à définir un critère pour caractériser l'éloignement à une distribution gaussienne.

Un critère couramment utilisé pour tester le caractère gaussien d'une variable aléatoire centrée repose sur le calcul de son cumulant d'ordre 4 (kurtosis) défini par . Le kurtosis peut être positif ou négatif, et il est nul pour une variable aléatoire gaussienne. Ainsi, la valeur absolue ou le carré du kurtosis peut être utilisé comme mesure de l'éloignement à une gaussienne. Le kurtosis dépendant du moment d'ordre 4, son estimation nécessite d'avoir plus d'échantillons que pour le calcul d'un moment d'ordre 2. L’estimateur du kurtosis est relativement sensible au bruit, ainsi en présence de peu d'échantillons et de bruit important d’autres mesures de distance reposant, par exemple, sur l'entropie sont utilisées [6]. La mesure retenue dans cet article repose sur le kurtosis. Sous sa formulation initiale, la détermination de requiert l’estimation de paramètres. En blanchissant les signaux observés, le nombre de paramètres à déterminer peut être réduit d’un facteur deux environ.

La première étape consiste à centrer les données en remplaçant par . La seconde étape transforme le vecteur centré en un vecteur dont les composantes sont décorrélées deux à deux et de variance unité. L'opération de blanchiment s'effectue, par exemple, par décomposition en valeurs propres de la matrice de covariance de . Elle correspond encore à un changement de base. Par homothétie selon les directions propres, on impose que dans cette nouvelle base les signaux aient une puissance unitaire. Les signaux étant supposés stationnaires et ergodiques, les moyennes statistiques sont évaluées à partir de moyennes temporelles.

On constate que le blanchiment des données (Figure 15-c) ne suffit pas à rendre les signaux indépendants  . À l'écoute, les signaux avant et après blanchiment diffèrent très peu. Signalons que de nombreux traitements de données nécessitent au préalable une étape de blanchiment. Par rotation, on obtient des signaux qui sont toujours blancs. Ainsi, l’étape suivante consiste à rechercher une matrice de rotation qui maxime le critère d'éloignement à une gaussienne, ce qui conduit à résoudre un problème d'optimisation sous contraintes relativement simple qui est résolu sous forme récurrente. Après quelques itérations, les composantes de la matrice de séparation sont déterminées et les signaux sources sont estimés (Figure 15-d) avec une erreur très faible (d'un point de vue puissance et reconnaissance auditive)  .
7. Conclusion

Les exemples donnés dans cet article ont permis de présenter et d’illustrer quelques notions de traitement du signal très souvent utilisées et à la base de méthodes plus performantes que celles présentées dans l’article.


(a) en haut : signaux émis (b) en haut : signaux observés

(c) en bas : signaux blanchis (d) en bas : signaux estimés

Figure 15  Signaux à l’issue des différentes étapes

Bibliographie


[1] Jean-Pierre Delmas. Éléments de Théorie du Signal : les Signaux Déterministes, Ellipses.

[2] Maurice Charbit. Éléments de Théorie du Signal : les Signaux Aléatoires, collection pédagogique de télécommunication, Ellipses.

[3] Jean-Pierre Delmas. Introduction aux Probabilités, collection pédagogique de télécommunication, Ellipses.

[4] Cécile Durieu. Illustration pédagogique du concept de corrélation : mesure de la vitesse du son et synthèse de voyelles. Journal sur l'Enseignement des Technologies et Sciences de l'Information et des Systèmes (j3ea), http://www.edpsciences.org/journal/index.cfm?edpsname=j3ea, Vol.1-4, edp Sciences, 2002.

[5] Gérard Blanchet, Maurice Charbit. Signaux et Images sous Matlab. Hermès.

[6] Cécile Durieu, Michel Kieffer. Analyse en composantes indépendantes pour la séparation de sources. Numéro spécial de j3ea, edp Sciences, suite au Colloque sur l'Enseignement des Technologies et des Sciences de l'Information et des Systèmes (cetsiseea 2003), Toulouse.


similaire:

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconChristine bretin dien chan
«pousser» et Na, «saisir». Ce sont les deux types de méthodes les plus couramment utilisées dans le massage chinois

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconRésumé La sélection d’un mode d’entré sur un marché étranger est...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconRésumé : Deux controverses dans les recherches marketing sont mises...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconLe titre
«personnages» avec deux oreilles (ce ne sont pas de vrais personnages, on est déjà dans le domaine de l’imaginaire), ils ouvrent...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconLes rites de passage sont des rituels qui marquent le passage d'une...
Postliminaire '. La phase liminal est quand les choses ne sont pas comme ils sont dans le monde ordinaire: les rôles peuvent être...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconProjet Eps secondaire Lycée Français Louis Pasteur de Bogota
«menus» sont proposés à nos élèves de Terminale. Les 5 professeurs se partagent l’ensemble des élèves qui se sont déterminés en début...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconNote : les parties en italiques sont moins importantes, mais peuvent...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconSont ceux qui sont indispensables à la vie tels que la nourriture,...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconLes manifestations de l’agressivité
«comme une classe de comportements qui ont en commun d’être dérangeants et d’entraîner une aversion chez les autres (T. Cavell, 2000,...

Résumé : La transformée de Fourier et la corrélation sont deux notions importantes en traitement du signal et qui sont utilisées dans de nombreux domaines. iconBibliographie Ce document, la bibliographie détaillée et les données...








Tous droits réservés. Copyright © 2016
contacts
p.21-bal.com