Descriptif
Connu dans un premier temps pour ses succès dans le domaine des télécommunications, le traitement du signal fait désormais partie de tous les domaines de traitement des données qui demande d'analyser, d'extraire et de transformer des informations numériques. Ce cours est une introduction au domaine du traitement du signal et requiert donc les connaissances de base d'analyse (transformée de Fourier), de probabilités (variables aléatoires, processus aléatoire) et d'algèbre linéaire.
Le cours commence par une présentation d'analyse de Fourier et de filtrage analogique avec des exemples explicatifs tels que la modulation et l'optique de Fourier en astronomie. Ensuite nous introduirons l'échantillonage de signaux et le filtrage du signal numérique qui est devenu le standard de fait dans les applications pratiques. Nous étudierons le très important algorithme de la transformée de Fourier rapide et discuterons des exemples de filtrage dans le traitement de l'image. Nous étudierons ensuite les aspects aléatoires/stochastiques des signaux et le filtrage linéair optimal du signal et du bruit lorsqu'ils sont modélisés comme des processus stochastiques. sera également pris comme exemple pour l'étude des modèles autorégressifs. La dernière partie du cours présentera brièvement plusieurs représentations de signaux couramment utilisés, comme la transformée en cosinus discrète (TCD) et les transformées d'ondelettes utilisées dans l'encodage de JPEG et les reconstruction d'images. La transformée de Fourier à court terme sera également présentée pour modéliser les signaux non stationnaires. Enfin, quelques approches récentes basées sur l'apprentissage machine seront présentées, comme le dictionnaire d'apprentissage et reconstruction du signal par l'apprentissage profond.
Ce cours sera complété par des travaux pratiques en Python/Numpy qui permettront aux étudiants de mettre en oeuvre les méthodes vues en cours sur des problèmes pratiques tels que la génération d'un sgnal audio et le filtrage.
Le cours sera en anglais ou en français selon le public, avec un support de cours en anglais.
Des connaissances sur Python/Numpy sont fortement recommendées pour les travaux pratiques.
**Evaluation** : rapports de travaux pratiques et examen final théorique + pratique
effectifs minimal / maximal:
/30Diplôme(s) concerné(s)
- M2 Data AI - Data and Artificial Intelligence
- Programmes d'échange internationaux
- M2 Énergie
- M1 Mécanique
- Non Diplomant
- M1 Innovation, Entreprise et Société
- MScT-Artificial Intelligence and Advanced Visual Computing
- Titre d’Ingénieur diplômé de l’École polytechnique
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M1 Innovation, Entreprise et Société
Vos modalités d'acquisition :
L'examen final sera un Quiz Moodle unique qui sera disponible pendant les 3 heures de l'examen. Vous devrez être connecté à la réunion zoom pour vérifier votre présence et pour que vous puissiez obtenir des informations sur l'examen et poser des questions si nécessaire. Si vous avez une question, utilisez la messagerie privée de zoom, je transférerai la question et la réponse à l'ensemble de la classe si nécessaire.
Il y aura plusieurs questions qui peuvent être des choix multiples courts ou des questions pratiques plus longues qui vous demanderont de télécharger un fichier CSV, de le charger dans Python et de calculer certaines valeurs d'intérêt. Notez que le chargement d'un signal dans Python/Numpy peut être fait avec la commande suivante :
x=np.loadtxt('filename.csv',delimiter=',')
Il est évident que vous avez besoin d'un environnement Python opérationnel et prêt à l'emploi pour répondre aux questions pratiques.
Les questions du Quiz seront randomisées (dans leur ordre d'apparition, de réponse correcte, de valeurs numériques et de fichiers de données) et le Quiz sera séquentiel, ce qui signifie que vous ne serez pas autorisé à revenir sur une réponse pour la modifier. Soyez très prudent avant de soumettre vos réponses et de cliquer sur le bouton "Page suivante".
Enfin, certaines questions vous demandent de fournir une réponse numérique dans le formulaire, dans ce cas nous donnons la précision nécessaire pour avoir une réponse correcte, par exemple "précision=0.01" vous demande de donner une solution qui est exacte jusqu'à deux chiffres après le point.
Pour les étudiants du diplôme M2 Énergie
Vos modalités d'acquisition :
- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Programmes d'échange internationaux
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Non Diplomant
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 Mécanique
Pour les étudiants du diplôme M2 Data AI - Data and Artificial Intelligence
Programme détaillé
- Analyse de Fourier et filtrages analogiques
- Tranformée de Fourier
- Convolution et filtrage
- Applications de traitement analogique du signal
- Traitement du signal numérique
- Echantillonages et propriétés de signaux discrets
- Transformation en Z et fonction de transfert
- Transformée de Fourier rapide
- Applications au traitement des signaux et des images
- Signaux aléatoires
- Corrélations et représentation de signaux aléatoires
- Filtrage et prédiction des signaux aléatoires stationnaires
- Processus autorégressif et filtrage de Wiener
- Réprésentation du signal et dictionnaire d'apprentissage
- Signaux non stationnaires et transformée de Fourier à court term
- Représentations courantes du signal (Fourier, ondelettes)
- Séparation des sources et dictionnaire d'apprentissage
- Apprentissage machine pour le traitement du signal