Dans cette matière, les étudiants auront à étudier les différents types de circuits programmables, ainsi que les différentes méthodes de conception en particulier la programmation en utilisant les langages de description matérielle.
L’application du contenu de cette matière s’effectue au niveau de la matière « UEM1.1 : TP FPGA & VHDL ».
- Course creator: Boubakeur LATRECHE
Python is a popular high-level programming language that is widely used in various fields such as web development, data science, machine learning, and more. this course covers the basics of programming, data types, control structures, functions, modules, file handling, and object-oriented programming concepts. It paves the way for more advanced topics such as web scraping, data visualization, and machine learning. Python is known for its simplicity, readability, and ease of use, making it a great language for beginners to learn.
- Course creator: Mohamed Chaouli
Objectifs de l’enseignement :
L’étudiant reçoit les notions de base qui lui permettent de comprendre et d’appliquer des méthodes de traitement de signal concernant les signaux aléatoires et les filtres numériques.
Connaissances préalables recommandées :
Des connaissances sur le traitement numérique des signaux déterministes et les probabilités sont nécessaires pour suivre cette matière. Ces connaissances sont dispensées au niveau de la troisième année licence Télécommunications.
Contenu de la matière :
Chapitre 1. Rappels sur les filtres numériques (RIF et RII) (3 Semaines)
- Transformée en Z
- Structures, fonctions de transfert, stabilité et implémentation des filtres numériques (RIF et RII)
- Filtre numérique à minimum de phase
- Les méthodes de synthèses des filtres RIF et des filtres RII
- Filtres numériques Multicadences
Chapitre 2. Signaux aléatoires et processus stochastiques (4 Semaines)
- Rappel sur les processus aléatoires
- Stationnarité
- Densité spectrale de puissance
- Filtre adapté, filtre de Wiener
- Périodogramme, corrélogramme, périodogramme moyenné, périodogramme lissé
- Notions de processus stochastiques
- Stationnarités au sens large et strict et Ergodicité
- Exemples de processus stochastiques (processus de Poisson, processus gaussien et Markovien)
- Statistiques d'ordre supérieur (Moments et cumulants, Polyspectres, processus non gaussiens, traitements non linéaires)
- Introduction au filtrage particulaire
Chapitre 3. Analyse spectrale paramétrique et filtrage numérique adaptatif (4 Semaines)
- Méthodes paramétriques
- Modèle AR (Lévinson, Yulewalker, Burg, Pisarenko, Music …)- Modèle ARMA
- Algorithme du gradient stochastique LMS
- Algorithme des moindres carrés récursifs RLS
Chapitre 4. Analyse temps-fréquence et temps-échelle (4 semaines)
- Dualité temps-fréquence
- Transformée de Fourier à court terme
- Ondelettes continues, discrètes et ondelettes dyadiques
- Analyse multi-résolution et bases d’ondelettes
- Transformée de Wigner-Ville
- Analyse Temps-Echelle,
Références bibliographiques :
1. Mori Yvon, “Signaux aléatoires et processus stochastiques“, Lavoisier, 2014.
2. E. Robine, “Introduction à la théorie de la communication, Tome II: Signaux aléatoires“, Masson 1970.
3. N. Hermann, “Probabilités de l'ingénieur : variables aléatoires et simulations Bouleau“, 2002.
4. M. KUNT, “Traitement Numérique des Signaux“, Dunod, Paris, 1981.
5. J. M Brossier, “Signal et Communications Numériques, Collection Traitement de Signal“, Hermès, Paris, 1997.
6. M. Bellanger, “Traitement numérique du signal : Théorie et pratique“, 8e édition, Dunod, 2006.
7. K. Belloulata, "Introduction au traitement numérique du signal sous Matlab", OPU, 2ème édition 2014.
- Course creator: MEHALLEL ELHADI
Ce polycopié constitue un support de cours du module « Traitement Avancé du signal » destinés aux étudiants de la 1ère année Master Electronique des systèmes embarqués et tous ceux qui veulent apprendre les méthodes d’analyse et de traitement des signaux les plus courantes. L’objectif de ce cours est permettant à l’étudiant de comprendre les principales techniques de traitement numérique de signal concernant les filtres numériques, ainsi que les différents concepts des signaux aléatoires et les processus stochastiques.
Le lecteur de ce document doit avoir des connaissances particulières préalables des concepts de fondamentaux de traitement du signal à savoir, la transformée de Fourier, la convolution et la corrélation, l’analyse et synthèse des filtres analogiques, l’échantillonnage des signaux et Transformées de Fourier Discrète (DFT) et rapide FFT.
Ce document a pour but de vous apporter une bonne compréhension de l’analyse et du traitement des signaux déterministes et aléatoires. Bien sûr, nous allons détailler les méthodes de filtrage numériques, rappeler les différentes notions des signaux aléatoires et les processus stochastiques, présenter les différents méthodes d’estimation spectrale que l’analyse temps– fréquence et temps–échelle des signaux.
- Course creator: MEHALLEL ELHADI
The aim of this lecture is to deepen the knowledge of programming for students by teaching them advanced C++ OOP concepts. Because the C++ is a middle-level language, it has the advantage of programming low-level (drivers, kernels) and even higher-level applications (games, GUI, desktop apps etc.).
- Course creator: Mohamed Chaouli