Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.
AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.
Le traitement numérique du signal étudie les techniques de traitement (filtrage, compression, etc), d'analyse et d'interprétation des signaux numérisés. À la différence du traitement des signaux analogiques qui est réalisé par des dispositifs en électronique analogique, le traitement des signaux numériques est réalisé par des machines numériques (des ordinateurs ou des circuits dédiés). Ces machines numériques donnent accès à des algorithmes puissants, tel le calcul de la transformée de Fourier. Les signaux naturels n’étant généralement pas numériques, il faut les numériser par un convertisseur analogique-numérique. En comparaison du traitement du signal analogique, le traitement numérique présente un certain nombre d'avantages : Immunité partielle au bruit un signal codé numériquement n'est pas bruité tant qu'on n'effectue pas de calculs ou tant que ceux-ci sont réalisés avec une précision arbitrairement grande. On peut donc mettre en cascade un grand nombre d'opérations. Néanmoins l'échantillonnage et les erreurs d’arrondi après les calculs sont malgré tout susceptibles de donner naissance à du bruit d'échantillonnage. Souplesse un traitement numérique est facilement ajustable ou paramétrable en cours de fonctionnement. Le traitement peut même s'adapter de lui-même à la situation (évolution du signal d'entrée au cours du temps). L’aptitude des machines numériques à enchaîner des séquences d’opérations facilite également la réalisation d’algorithmes de traitement complexes. Un exemple important est la transformée de Fourier. Mémorisation la facilité de mettre un signal en mémoire permet de réaliser des retards facilement et donc une grande variété de filtres ou des opérations de corrélation. On a également accès par ce biais à des traitements itératifs, fonctionnant par raffinements successifs, ce qui ouvre considérablement les possibilités. Ces avantages sont tempérés par quelques limites : la numérisation en elle-même peut dégrader le signal, du fait d'une quantification ou d'un échantillonnage insuffisants.
[2]Paolo Prandoni, [3]LCAV, EPFL
The Karplus-Strong algorithm is a simple method to generate synthetic
sounds with arbitrary pitch. In this notebook we will explore a few
variations of the method to illustrate some basic notions of
discrete-time signal processing.
In [1]:
%matplotlib inline
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import IPython
In [2]:
plt.rcParams["figure.figsize"] [2]Paolo Prandoni, [3]LCAV, EPFL
In this notebook we will explore various ways to implement a system
that changes the voice of a speaker. Typical applications for these
techniques, strictly sorted by plausibility, include international spy
missions and prank telephone calls, and devices such as the one
displayed here can be easily bought on the web... or in a novelty shop.
No description has been provided for t [2]Paolo Prandoni, [3]LCAV, EPFL
In [1]:
import matplotlib.pyplot as plt
import numpy as np
import scipy.signal as sp
import seaborn as sns
sns.set()
In [2]:
plt.rcParams["figure.figsize"] = (14,4)
The basic reproduction number[4]¶
The propagation mechanism of an epidemic such as the one caused by
SARS-CoV-2 virus can be roughly modeled, at least in its inital phase,
as a process in which each infected individ [2]Paolo Prandoni, [3]LCAV, EPFL
This notebook shows a simple way to process audio files (in WAV format)
in a block-by-block fashion; this is useful in two cases
1. when you want to process a data stream in real time but you can
accept a small processing delay; in this case a buffered approach
can yield computational gains
2. when you need to process a large file that does not fit entirely
into