Professional Documents
Culture Documents
Support CR Signal Adel
Support CR Signal Adel
Support CR Signal Adel
SUPPORT de COURS
ET EXERCICES CORRIGES
DE TRAITEMENT DE SIGNAL
Notions de base
Adel AMIMI
T ABLE DES M ATIERES
Page
Chapitre 5 ECHANTILLONNAGE.................................................................. 64
I NTRODUCTION
Généralement on classe les signaux les plus étudiés en fonction de leur origine, on distingue
ainsi :
Les signaux biologiques, mesurés à divers endroits du corps humain et renseignant sur
son fonctionnement. On peut citer par exemple l’électrocardiogramme, l’électro-
encéphalogramme, l’électro-oculogramme ou l’électromyogramme.
Le traitement du signal est la discipline technique qui, s’appuyant sur les ressources
de l’électronique, de l’informatique et de la physique appliquée, a pour objet l’élaboration ou
l’interprétation des signaux. Son champ d’application se situe donc dans tous les domaines
concernés par la perception, la transmission ou l’exploitation des informations véhiculées par
ces signaux.
La théorie du signal est un chapitre de la théorie de la communication qui est la transmission
de messages d’information. Elle met en relation orientée à travers un canal un système de départ
(Source) et un système d’arrivée (récepteur). C’est le véhicule de l’intelligence dans les
systèmes, il achemine sur les réseaux l’information, la parole ou l’image.
Exemples
photographie
En Physique:
TS
Système
Physique en signal
Transmission Détection Analyse
évolution
Sources de interprétation
"bruit"
Exemples: Astronomie:
Ondes électromagnétiques
informations sur l’étoile
Trait. Signal.:
Signal
Échantillonnage
V(t)
Filtrage Atmosphère bruit
Analyse spectrale
...
Physique du solide:
Lumière
transmise I(t) Trait. Signal.:
Lumière Analyse spectrale
incidente Détection synchrone
détecteur ...
échantillon test
fente à ouverture
périodique
Dans les deux classes principales, on trouve les signaux déterministes dont l’évolution
temporelle est parfaitement définie. Les signaux aléatoires qui ont un comportement temporel
imprévisible et dont la description ne peuvent se faire qu’au travers d’observations statistiques.
Parmi les signaux déterministes on distingue les signaux périodiques : st st T0 avec T0
période du signal et les signaux non périodiques (transitoires et pseudopériodiques)
En ce qui concerne les signaux aléatoires on distingue les signaux stationnaires dont les
caractéristiques statiques ne changent pas au cours du temps (exemple : le bruit électronique).
Les signaux aléatoires non stationnaires dont le comportement statistique évolue au cours du
temps (exemple : la parole).
Signaux Physiques
Sinusoïdales Transitoires
Complexes Pseudopériodiques
Eléments de traitement de Signal Enseignant : Adel AMIMI 4
Introduction Chapitre 1
Classification Energétique des Signaux
Par analogie avec les signaux électriques on définit l’énergie totale dissipée 𝑊𝑥 par un signal
𝑥(𝑡) s’exprime ainsi :
+∞
𝑊𝑥 = ∫ |𝑥(𝑡)|2 𝑑𝑡
−∞
La puissance moyenne totale fournie par un signal 𝑥(𝑡) est donnée par :
𝑇
1 +2
𝑃𝑥 = lim ∫ |𝑥(𝑡)|2 𝑑𝑡
𝑇→+∞ 𝑇 −𝑇
2
CLASSIFICATION SPECTRALE
Pour laquelle le signal est classé par le domaine de variation de la fréquence moyenne ∆𝑓 :
Lorsque la fréquence du signal devient très grande, pratiquement supérieure à quelques Téra
hertz (1𝑇𝐻𝑧 = 1012 𝐻𝑧), la longueur d’onde 𝜆 est le paramètre de référence (𝜆 = 𝑐 ⁄𝐹 avec c :
vitesse de la lumière 300000 𝐾𝑚/𝑠).
Gain :
Le gain 𝐴 d’un système est défini comme le logarithme à base 10 du rapport des
puissances des grandeurs d’entrée 𝑃𝑒 et de sortie 𝑃𝑠 :
𝑃𝑠
𝐴 = 10 𝑙𝑜𝑔
𝑃𝑒
𝐴 est exprimé en décibel noté (𝑑𝑏).
Lorsque 𝐴 > 0, on parle de gain tandis que lorsque 𝐴 < 0, on parle d’affaiblissement.
C’est l’intervalle de fréquences pour lesquelles le gain 𝐴 est supérieur à −3𝑑𝑏. On parle
alors de bande passante à −3𝑑𝑏 mais on définit également la bande passante à −6𝑑𝑏. Le gain
est ainsi souvent utilisé pour étudier le comportement d’un système en fonction de la fréquence.
𝒙(𝒕) 𝒙𝒒 (𝒕)
t t
t t
SIGNAUX PARTICULIERS
0.6 0.6
0.2 0.2
-0.2 -0.2
-0.6 -0.6
-1 -1
0 0
Temps Temps
𝜃 𝜃 temps
1 𝑠𝑖 𝑡 ∈ [− 2 , 2 ]
Ou bien Π𝜃 (𝑡) = { -/2 0 /2
𝜃 𝜃
0 𝑠𝑖 𝑡 ∉ [− 2 , 2 ]
Signal porte d’amplitude 1
de largeur θ centré en zéro
-1 1
Signal triangulaire
L’impulsion de Dirac
1
Une fonction porte, de durée 𝜃 et d’amplitude. 𝜃
1
Un triangle de durée 2𝜃 et d’amplitude 𝜃
𝑡
1 𝑡 𝑠𝑖𝑛𝜋
Un sinus cardinal normalisé : 𝑠𝑖𝑛𝑐𝜋 𝜃 = 𝜃
𝜃 𝜋𝑡
𝚷𝜽 (𝒕) δ(t)
→0
1 1
𝜃
temps temps
-/2 0 /2 0
𝜹(𝒕) = 𝟏 𝒔𝒊 𝒕 = 𝟎 𝜹(𝒕) = 𝟎 𝒔𝒊 𝒕 ≠ 𝟎
+∞
∫ 𝜹(𝒕) 𝒅𝒕 = 𝟏
−∞
Peigne de Dirac
C’est une suite infinies de fonctions de Dirac régulièrement espacées. Si 𝑇0 est l’intervalle entre
deux Dirac successifs, 𝑇0 est la période du peigne.
+∞
𝛿 𝑇0 (𝑡)
… … …
temps
-3T0 -2T0 -T0 0 T0 2T0 3T0 nT0
Signal causal
Un signal 𝑠(𝑡) est dit causal lorsqu’il vérifie la propriété suivante : 𝑠(𝑡) = 0 𝑝𝑜𝑢𝑟 𝑡 < 0
Système causal
Un système est causal si sa réponse ne précède jamais l’excitation qui lui correspond.
La réponse à un instant 𝑡0 ne dépend pas de l’excitation à un instant 𝑡 < 𝑡0 .
Rapport signal/bruit
Le rapport signal/bruit est une caractéristique de la dégradation d’un signal, c’est un
moyen pour caractériser un système de transmission en comparant le rapport S/B à son
entrée e avec le rapport à la sortie s , ou pour comparer la « qualité » des diverses
méthodes de traitement de signaux.
Signal
Un signal est une variation d’une grandeur physique (le plus souvent électrique) qui porte de
l’information. On classe souvent les signaux les plus étudiés en fonction de leur origine. On
trouve ainsi :
Les signaux de télécommunications, qui transportent l’information par modulation avec une
porteuse, le plus souvent aujourd’hui sous forme numérique). Ces signaux sont les plus simples
à étudier, en ceci que, ayant été conçus par des ingénieurs, ils présentent des propriétés
permettant de faciliter les opérations de modulation, de démodulation, etc.
Les signaux cosmiques, tels les ondes captées par les radio-téléscopes.
Les signaux biologiques, mesurés à divers endroits du corps humain et renseignant sur son
fonctionnement. On peut citer par exemple l’électrocardiogramme, l’électro-
encéphalogramme, l’électro-oculogramme ou l’électro-myogramme.
Une fonction f(x) définie sur un intervalle [a,b] est dite à variations bornées si q.q.s. le partage
de [a,b] par x0=a<x1<x2...<xn<.=b, la somme :
∑|𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )|
𝑛
est bornée par un nombre M indépendant du partage.
En électronique tous les signaux sont à variations bornées. On pourra vérifier qu'un signal carré
est bien à variation bornée.
Soit donc un intervalle de temps t 0 , t 0 T0 sur lequel une fonction f(t) satisfait les conditions
de Dirichlet, voir Fig.1. Décomposer f(t) en série de Fourier, c'est projeter f(t) sur un ensemble
de fonctions de base constituées des fonctions cosn 0 t et sinn 0 t , avec n entier et
0 2 T0
f(t)
t0 t0+T0
Figure 1 : Fonction f(t) satisfaisant les conditions de Dirichlet sur l'intervalle [t0,t0+ T0]
Cette opération est à rapprocher de celle qui consiste à décomposer un vecteur V dans un
espace à deux dimensions suivant deux vecteurs de base i et j . Pour effectuer unetelle
opération il faut qu i et j constituent une base orthonormée, c'est à dire que :
i j 0 et i i j j 1 (1)
Si les trois produits scalaires ci-dessus sont vérifiés, alors on peut écrire V a i b j
avec :
a V i et b V j (2)
Les coefficients a et b mesurent respectivement les projections du vecteur V sur les vecteurs
de base i et j .
Dans le cas d'une décomposition en série de Fourier, les relations d'orthogonalité, analogues
aux relations (1) précédentes, s'écrivent :
𝑡0 +𝑇0
∫ 𝑠𝑖𝑛(𝑛𝜔𝑡). 𝑐𝑜𝑠(𝑚𝜔𝑡)𝑑𝑡 = 0 ∀ 𝑛 𝑒𝑡 𝑚 (≡ 𝑖⃗. 𝑗⃗ = 0)
𝑡0
𝑡0 +𝑇0
0 𝑠𝑖 𝑛 ≠ 𝑚
∫ 𝑐𝑜𝑠(𝑛𝜔𝑡). 𝑐𝑜𝑠(𝑚𝜔𝑡)𝑑𝑡 = { ⁄
𝑡0
𝑇0 2 𝑠𝑖 𝑛 = 𝑚
𝑡0 +𝑇0
0 𝑠𝑖 𝑛 ≠ 𝑚
∫ 𝑠𝑖𝑛(𝑛𝜔𝑡). 𝑠𝑖𝑛(𝑚𝜔𝑡)𝑑𝑡 = { ⁄
𝑡0
𝑇0 2 𝑠𝑖 𝑛 = 𝑚
NB : le calcul de ces intégrales ne présente pas de difficulté, il suffit de transformer les produits
en sommes en utilisant les relations trigonométriques classiques.
DEFINITION
Si 𝑓(𝑡) est une fonction de 𝑡 périodique, de période 𝑇0 = 1⁄𝐹0 , elle peut s’écrire sous
la forme d’une somme de fonctions sinusoïdales de fréquences 𝑓 multiple de la fréquence 𝐹0 ,
dite fondamentale, soit :
∞
Les coefficients 𝑎𝑛 et 𝑏𝑛 représentent les projections de 𝑓(𝑡) sur les fonctions de base
𝑐𝑜𝑠(𝑛 𝜔0 𝑡) et 𝑠𝑖𝑛(𝑛 𝜔0 𝑡). Ces fonctions sont à valeur moyenne nulle sur l’intervalle
[𝑡0 , 𝑡0 + 𝑇0 ], il s’ensuit que le coefficient 𝑎0 mesure la valeur moyenne sur
l’intervalle [𝑡0 , 𝑡0 + 𝑇0 ]. Les coefficients 𝑎𝑛 et 𝑏𝑛 s’obtiennent donc en projetant
respectivement 𝑓(𝑡) sur les fonctions 𝑐𝑜𝑠(𝑛 𝜔0 𝑡) et 𝑠𝑖𝑛(𝑛 𝜔0 𝑡). Les coefficients de Fourier
𝑎𝑛 et 𝑏𝑛 se calculent à partir des relations suivantes :
𝑡0 +𝑇0
∫ 𝑓(𝑡) 𝑐𝑜𝑠(𝑛 𝜔0 𝑡)𝑑𝑡 =
𝑡0
𝑡0 +𝑇0 ∞
2
𝑏𝑛 = ∫ 𝑓(𝑡). sin(nω0 𝑡) 𝑑𝑡 𝑝𝑜𝑢𝑟 𝑛 ≥ 1
𝑇0 𝑇0
1
𝑎0 = ∫ 𝑓(𝑡) 𝑑𝑡 𝑣𝑎𝑙𝑒𝑢𝑟 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 𝑜𝑢 𝑐𝑜𝑚𝑝𝑜𝑠𝑎𝑛𝑡𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒
𝑇0 𝑇0
L’expression (4) peut s’écrire aussi sous la forme suivante d’un développement en harmonique :
+∞
𝑓(𝑡) = 𝑎0 + ∑ 𝑆𝑛 . cos(𝑛𝜔𝑡 + 𝜑𝑛 )
𝑛=1
𝑏
On pose : 𝑡𝑔(𝜑𝑛 ) = 𝑎𝑛 et 𝑆𝑛 = √𝑎𝑛2 + 𝑏𝑛2
𝑛
1
Le terme de fréquence 𝑇 s'appelle le fondamental (harmonique de rang 1).
𝑛
Le terme de fréquence s'appelle l'harmonique de rang n.
𝑇
Remarque : le fondamental est l’harmonique de rang 1
En introduisant la notation complexes de 𝐜𝐨𝐬 𝒏𝝎𝟎 𝒕 et 𝐬𝐢𝐧 𝒏𝝎𝟎 𝒕, il est possible d’obtenir une
écriture complexe de la série de Fourier ; Par ailleurs, l’écriture complexes est une bonne
introduction à l’intégrale de Fourier.
𝑏𝑛
𝐶𝑛 = √𝑎𝑛2 + 𝑏𝑛2 𝑒𝑡 𝜑𝑛 = 𝐴𝑟𝑐𝑡𝑔 (− )
𝑎𝑛
Eléments de traitement de Signal Enseignant : Adel AMIMI 16
Analyse des signaux périodiques Chapitre 2
Les coefficients complexes 𝐶𝑛 sont reliés aux coefficients 𝑎𝑛 et 𝑏𝑛 ainsi qu’aux coefficients 𝑆𝑛
et 𝜑𝑛 par les relations suivantes :
1 1 𝑆𝑛 −𝑗𝜑
𝐶𝑛 = (𝑎𝑛 − 𝑗𝑏𝑛 ) 𝑒𝑡 𝐶−𝑛 = (𝑎 + 𝑗𝑏𝑛 ) 𝐶𝑛 = 𝑒 𝑛
2 2 𝑛 2
𝑎0 = 0
{ 𝑎1 = 𝐴0 𝑒𝑡 𝑎𝑛 = 0 𝑝𝑜𝑢𝑟 𝑛 > 1
𝑏𝑛 = 0
𝑏1 = 𝐵0
{ 𝑒𝑡 𝑏𝑛 = 0 𝑝𝑜𝑢𝑟 𝑛 > 1 𝑒𝑡 𝑛 ≥ 0
𝑎𝑛 = 0
+∞
1 𝐶𝑛
|𝑆(𝑛𝐹0 )| = √𝑎𝑛2 + 𝑏𝑛2 = 𝑆(𝑓) = ∑+∞
𝑛=−∞ 𝑆(𝑛𝐹0 ) 𝛿(𝑓 − 𝑛𝐹0 )
2 2
𝐴0 𝑗𝐵0
𝑆1 (𝑓) = [𝛿(𝑓 + 𝐹0 ) + 𝛿(𝑓 − 𝐹0 )] 𝑆2 (𝑓) = [𝛿(𝑓 + 𝐹0 ) − 𝛿(𝑓 − 𝐹0 )]
2 2
D’où les représentations :
cos(t)
1/F0 S1(f)
A0
A0/2
temps
0 fréquence
-F0 0 F0
-A0
sin(t) j S2(f)
1/F0
B0/2
B0
temps F0 fréquence
0
-F0 0
-B0
-B0/2
Exemple 3:
Ecrit sous cette forme on voit mieux que 𝑆3 (𝑡) est la somme de 4 signaux sinusoïdaux, dont on
connait pour chacun la fréquence, l'amplitude et la phase à l'origine, soit:
Spectre d'amplitude
A chaque signal correspond une amplitude 𝐴𝑘 et une pulsation 𝜔𝑘 . On va pour chaque pulsation
𝜔𝑘 tracer l'amplitude 𝐴𝑘 on obtient un diagramme en bâtons (raies) appelé spectre d'amplitude
du signal.
Amplitude
𝜔
𝜔1 𝜔2 𝜔3 𝜔4 ⋯
Spectre de phase
Phase
𝜔
𝜔2 𝜔3
𝜔1 𝜔4 ⋯
Remarque:
Une translation du signal dans le temps, ne modifie jamais le spectre d'amplitude, mais
modifie le spectre de phase.
Exemple 4:
On reprend le signal 𝑠3 (𝑡) et on va tracer son spectre d’amplitude et son spectre de phase :
𝜋 𝜋 𝜋
𝑠3 (𝑡) = 3 cos(100𝜋𝑡) + 5√2 cos (200𝜋𝑡 − ) + 2 cos (400𝜋𝑡 + ) + 4cos (800𝜋𝑡 − )
4 6 2
𝜋 ⁄4
3
𝑓(𝐻𝑧)
𝑓(𝐻𝑧)
200
𝑓(𝐻𝑧)
50 100 400
50 100 200 −𝜋⁄6
400
𝑇0
𝑢(𝑡) = −𝐴 𝑠𝑖 𝑡 ∈ [− , 0]
2
𝑇0
𝑢(𝑡) = 𝐴 𝑠𝑖 𝑡 ∈ [0, ]
2
Ce signal est impair on en déduit que tous les 𝑎𝑘 sont nuls.
Calcul des 𝑏𝑘
4 𝑇⁄2 4 𝑇⁄2 −4𝐴
𝑏𝑘 = ∫ 𝑢(𝑡)𝑠𝑖𝑛(𝑘𝜔𝑡) 𝑑𝑡 = ∫ 𝐴𝑠𝑖𝑛(𝑘𝜔𝑡) 𝑑𝑡 = [𝑐𝑜𝑠(𝑘𝜔𝑡)]𝑇/2
0
𝑇 0 𝑇 0 𝑇𝑘𝜔
−4𝐴 𝑘𝜔𝑇 −4𝐴
𝑏𝑘 = [𝑐𝑜𝑠 ( ) − 1] = [𝑐𝑜𝑠(𝑘𝜋) − 1]
𝑇𝑘𝜔 2 𝑇𝑘𝜔
Deux cas se présentent :
𝑘 𝑝𝑎𝑖𝑟 (𝑘 = 2𝑝) 𝑐𝑜𝑠(𝑘𝜋) − 1 = 0
𝑘 𝑖𝑚𝑝𝑎𝑖𝑟 (𝑘 = 2𝑝 + 1) 𝑐𝑜𝑠(𝑘𝜋) − 1 = −2
∞
4𝐴 𝑠𝑖𝑛(2𝑝 + 1)𝜔𝑡
𝑢(𝑡) = ∑
𝜋 2𝑝 + 1
𝑝=0
4𝐴/𝜋 3𝜔 𝜔
𝜔 5𝜔 7𝜔
Spectre d’Amplitude
−𝜋⁄2
𝜔
𝜔 5𝜔 7𝜔 Spectre de phase
3𝜔
4𝐴 1 1 1 1
𝑢(𝑡) = [𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + ⋯ ]
𝜋 3 5 7 9
Ce qui peut s’écrire :
4𝐴 𝜋 1 𝜋 1 𝜋 1 𝜋
𝑢(𝑡) = [𝑐𝑜𝑠 (𝜔𝑡 − ) + 𝑐𝑜𝑠 (𝜔𝑡 − ) + 𝑐𝑜𝑠 (𝜔𝑡 − ) + 𝑐𝑜𝑠 (𝜔𝑡 − )
𝜋 2 3 2 5 2 7 2
1 𝜋
+ 𝑐𝑜𝑠 (𝜔𝑡 − ) + ⋯ ]
9 2
𝑠(𝑡)
A
𝑨 𝑻𝟎
𝒔(𝒕) = 𝟐 𝒕 𝒔𝒊 𝒕 ∈ [𝟎, ]
t 𝑻𝟎 𝟐
0 𝑇0 /2
−𝑇0 /2
0
Quelle est la valeur moyenne du signal 𝑠(𝑡)
𝑇/2 𝑇/2
𝑇/2
2 𝐴 4𝐴 4𝐴 𝑡 2 𝐴
𝑎0 = ∫ 2 𝑡 𝑑𝑡 = 2 ∫ 𝑡 𝑑𝑡 = 2 [ ] =
𝑇 𝑇 𝑇 𝑇 2 0 2
0 0
Calcul des 𝑎𝑘 (𝑘 > 0)
𝑇/2 𝑇/2
4 𝐴 8𝐴
𝑎𝑘 = ∫ 2 𝑡𝑐𝑜𝑠(𝑘𝜔𝑡) 𝑑𝑡 = 2 ∫ 𝑡𝑐𝑜𝑠(𝑘𝜔𝑡) 𝑑𝑡
𝑇 𝑇 𝑇
0 0
On va faire une intégration par parties en posant :
𝑢=𝑡 𝑑𝑢 = 1
{ ⟹ { 1
𝑑𝑣 = 𝑐𝑜𝑠(𝑘𝜔𝑡) 𝑣= 𝑠𝑖𝑛(𝑘𝜔𝑡)
𝑘𝜔
𝑇 𝑇
2 2
𝑇/2
𝑡 8𝐴 1 8𝐴 1
𝑎𝑘 = [ 𝑠𝑖𝑛(𝑘𝜔𝑡)] − 2 ∫ 𝑠𝑖𝑛(𝑘𝜔𝑡) 𝑑𝑡 = − 2 ∫ 𝑠𝑖𝑛(𝑘𝜔𝑡) 𝑑𝑡
𝑘𝜔 0 𝑇 𝑘𝜔 𝑇 𝑘𝜔
0 0
𝜔𝑇
Puisque 𝑠𝑖𝑛 (𝑘 ) = sin(𝑘𝜋) = 0
2
𝑇/2
8𝐴 1 8𝐴 𝑇𝜔 2𝐴
𝑎𝑘 = [ 𝑐𝑜𝑠(𝑘𝜔𝑡)] = [𝑐𝑜𝑠 (𝑘 ) − 1] = [𝑐𝑜𝑠(𝑘𝜋) − 1]
𝑇 2 𝑘2𝜔2 0 𝑇 2𝑘2𝜔2 2 𝜋2𝑘2
D’où les 𝑎𝑘 :
2𝐴
𝑎𝑘 = 2 2 [𝑐𝑜𝑠(𝑘𝜋) − 1]
𝜋 𝑘
Deux cas vont se présenter
a) 𝑘 𝑖𝑚𝑝𝑎𝑖𝑟 (𝑘 = 2𝑝 + 1) 𝑐𝑜𝑠(𝑘𝜋) − 1 = −2
b) 𝑘 𝑝𝑎𝑖𝑟 (𝑘 = 2𝑝) 𝑐𝑜𝑠(𝑘𝜋) − 1 = 0
Eléments de traitement de Signal Enseignant : Adel AMIMI 21
Analyse des signaux périodiques Chapitre 2
On peut donc écrire pour 𝑛 compris entre 0 et l’infini (ce qui correspond à 𝑘 > 0)
− 4𝐴
𝑎2𝑝+1 =
𝜋 2 (2𝑝 + 1)2
𝑎2𝑝+2 = 0
+∞
𝐴 4𝐴 𝑐𝑜𝑠(2𝑝 + 1)𝜔𝑡
𝑠(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
𝑢(𝑡) 𝑠(𝑡)
2𝐴 A
𝑇
t
−𝑇0 /2 0 𝑇0 /2
2𝐴
𝑢(𝑡) 𝑑 ′ 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 0
𝑇
On remarque que le signal 𝑠(𝑡) peut être considéré comme une primitive du signal 𝑢(𝑡)
∞
8𝐴 𝑠𝑖𝑛(2𝑝 + 1)𝜔𝑡
𝑢(𝑡) = ∑
𝜋𝑇 2𝑝 + 1
𝑝=0
𝐴
La valeur moyenne de 𝑠(𝑡) est 2
Formule de Bessel-Parseval
La formule de Bessel-Parseval est plus facile à établir en utilisant le développement en série de
Fourier complexe :
𝑓(𝑡) = ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡
𝑛=−∞
1 𝑇
On va calculer ∫ 𝑓 2 (𝑡)𝑑𝑡
𝑇 0
(le carrée de la valeur efficace de 𝑓)
+∞ +∞
1 𝑇 2 1 𝑇
∫ 𝑓 (𝑡)𝑑𝑡 = ∫ ( ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡 ) ( ∑ 𝐶𝑚 𝑒 𝑗𝑚𝜔0 𝑡 ) 𝑑𝑡
𝑇 0 𝑇 0
𝑛=−∞ 𝑚=−∞
+∞ +∞
1 𝑇
= ∫ ( ∑ ∑ 𝐶𝑛 𝐶𝑚 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 ) 𝑑𝑡
𝑇 0
𝑛=−∞ 𝑚=−∞
+∞ +∞ 𝑇 +∞ +∞
1 𝑗(𝑛+𝑚)𝜔0 𝑡
= ( ∑ ∑ 𝐶𝑛 𝐶𝑚 ∫ 𝑒 ) 𝑑𝑡 = ∑ 𝐶𝑛 𝐶−𝑛 = ∑ |𝐶𝑛 |2
𝑇 0
𝑛=−∞ 𝑚=−∞ 𝑛=−∞ 𝑛=−∞
Car :
𝑇
𝑇 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑒 𝑗(𝑛+𝑚)2𝜋 −1
∫0 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑑𝑡 = [ 𝑗(𝑛+𝑚)𝜔 ] = 𝑗(𝑛+𝑚)𝜔0
=0 𝑠𝑖 𝑛+𝑚 ≠0
0 0
et
𝑇 𝑇
∫ 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑑𝑡 = ∫ 𝑑𝑡 = 𝑇 𝑠𝑖 𝑛 + 𝑚 = 0
0 0
d'où le résultat :
+∞ +∞
1 𝑇 2 1
∫ 𝑓 (𝑡)𝑑𝑡 = ∑ |𝐶𝑛 |2 = 𝑎02 + ∑(𝑎𝑛2 + 𝑏𝑛2 )
𝑇 0 2
𝑛=−∞ 𝑛=1
On en déduit que la puissance moyenne dissipée dans une résistance 𝑅 par le signal périodique
𝑓(𝑡) est égale à la somme de la puissance dissipée par sa composante continue et des puissances
moyennes de chacun des harmoniques.
1 𝑇
On peut dire alors que 𝑇 ∫0 𝑓 2 (𝑡)𝑑𝑡 représente la puissance moyenne dissipée dans une
résistance de 1 Ω.
Quel est le pourcentage de puissance du signal 𝑢(𝑡) ci-dessous, transporté par les 4 premiers
harmoniques du signal.
𝑢(𝑡)
𝑢(𝑡) 𝑑 ′ 𝑎𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝐴
On va calculer :
1 𝑇 2 1 𝑇
∫ 𝑢 (𝑡)𝑑𝑡 = ∫ 𝐴2 (𝑡)𝑑𝑡 = 𝐴2
𝑇 0 𝑇 0
La puissance moyenne dissipée par ce signal dans une résistance de 1 Ω est 𝐴2 .
On sait que :
∞
4𝐴 𝑠𝑖𝑛(2𝑝 + 1)𝜔𝑡
𝑢(𝑡) = ∑
𝜋 (2𝑝 + 1)
𝑝=0
4𝐴 1 1
𝑢(𝑡) = [𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + 𝑠𝑖𝑛(𝜔𝑡) + ⋯ ]
𝜋 3 5
4𝐴
Amplitude du fondamental : 𝜋
La puissance moyenne dissipée par les 4 premières harmoniques de ce signal dans une
résistance de 1 Ω est :
1 2 2 2 2 2 2 2 2
16 𝐴2 1 80 𝐴2
(𝑎 + 𝑏1 + 𝑎2 + 𝑏2 + 𝑎3 + 𝑏3 + 𝑎4 + 𝑏4 ) = (1 + ) =
2 1 2 𝜋2 9 9 𝜋2
80 𝐴2
Le pourcentage de puissance transporté par les 4 premières harmoniques est : = 90%
9 𝜋2
1 𝑇 1 𝑇 16𝐴2 1
On obtient : ∫ 𝑢2 (𝑡)𝑑𝑡 = 𝑇 ∫0 𝐴2 (𝑡)𝑑𝑡 = 𝐴2 = ∑∞
𝑝=0 (2𝑝+1)2
𝑇 0 2𝜋 2
D’où on déduit :
1 𝜋2
∑∞
𝑝=0 (2𝑝+1)2 = 8
APPLICATIONS
EXERCICE 1
𝑇
−𝐴 𝑠𝑖 𝑡 ∈ [− , 0]
𝑓(𝑡) = { 2
𝑇
+𝐴 𝑠𝑖 𝑡 ∈ [0, ]
2
2) On considère le signal périodique 𝑔(𝑡) de période T définie par 𝑔(𝑡) signal paire
𝐴 𝑇
𝑔(𝑡) = 2 𝑡 𝑠𝑖 𝑡 ∈ [0, ]
𝑇 2
3) Montrer que le développement en séries de Fourier des signaux ℎ(𝑡)𝑒𝑡 𝑖(𝑡) est donné
par :
h(t) i(t)
a
1
t t
2
2
T 2T 0
∞ ∞
𝑎𝜃 𝑛𝜋𝜃 2 4 cos[2𝜋(2𝑝)𝐹0 𝑡]
ℎ(𝑡) = [1 + 2 ∑ 𝑠𝑖𝑛𝑐 ( ) 𝑐𝑜𝑠(𝑛𝜔0 𝑡)] 𝑒𝑡 𝑖(𝑡) = − ∑
𝑇 𝑇 𝜋 𝜋 (4𝑝2 + 1)
𝑛=1 𝑝=1
EXERCICE 2
a1 0 si n 1
1
2 b1 si n 1
a 2 p
si n pair et 2
4 p2 1
n 0
b si n1
a 2 p 1 0 si n impair
EXERCICE 3
Un dispositif électronique produit une tension périodique 𝑽(𝒕) de période 𝑻𝟎 (figure ci-
dessous) :
V(t)
E
-T0/4 t
0 T0/4
-E
1. Quelle est la parité du signal 𝑽(𝒕). ExprimerT0le signal 𝑽(𝒕) sur une période T0 .
2. Calculer la valeur moyenne de 𝑽(𝒕).
3. Donner le développement en série de Fourier de 𝑽(𝒕).
4. Donner le développement de 𝑽(𝒕) jusqu’à l’harmonique de rang 6. En déduire les
fréquences que contient 𝑽(𝒇).
5. Donner une représentation unilatérale du spectre |𝑽(𝒇)|jusqu’à l’harmonique de rang 6
(pour la représentation il faut préciser les fréquences et les amplitudes).
6. Calculer la plus petite valeur strictement positive de T qui annule le coefficient de
Fourier de l’harmonique de rang 3.
7. Calculer une approximation numérique de la plus petite valeur du rapport T pour laquelle
le coefficient de Fourier associé à la fréquence fondamentale est égal à 𝑬.
Corrigé Exercice 3
1. Quelle est la parité du signal 𝑽(𝒕). Exprimer le signal 𝑽(𝒕) sur une période T0 .
Le signal V(t) ci-dessus est réel, de plus si on choisi l’origine des temps au milieu de la figure,
le signal sera alors impair et possèdera une symétrie quart d’onde. Par conséquent tous les
coefficients 𝑎𝑘 du développement en série de Fourier sont donc nuls et tous les coefficients 𝑏𝑘
d’indices pairs aussi.
𝑇0 𝜏 𝑇0 𝜏
−𝐸 𝑠𝑖 𝑡 ∈ [− − , − + ]
4 2 4 2
𝑇0 𝜏 𝑇0 𝜏
𝑉(𝑡) = 0 𝑠𝑖 𝑡 ∈ [− + , − ]
4 2 4 2
𝑇0 𝜏 𝑇0 𝜏
{ 𝐸 𝑠𝑖 𝑡 ∈ [ − , + ]
4 2 4 2
𝑇0 𝜏 𝑇0 𝜏
− + +
1 1 4 2 4 2
𝑉0 = ∫ 𝑉(𝑡)𝑑𝑡 = {∫ −𝐸 𝑑𝑡 + ∫ 𝐸 𝑑𝑡} = 0
𝑇0 𝑇0 𝑇0 −𝑇0 −𝜏 𝑇0 𝜏
−
4 2 4 2
3. 𝑉(𝑡) est un signal périodique donc il est décomposable en une somme de série de Fourier qui
s'écrit:
∞
2𝐸 𝑇0 𝜏 𝑇0 𝜏
𝑏𝑛 = [cos 𝑛𝜔0 ( − ) − cos 𝑛𝜔0 ( + )]
𝑛𝜋 4 2 4 2
1
En utilisant la formule sin 𝑎. sin 𝑏 = [cos(𝑎 − 𝑏) − cos(𝑎 + 𝑏)] on a :
2
4𝐸 𝑛𝜋 𝑛𝜋𝜏
𝑏𝑛 = sin ( ) . sin ( )
𝑛𝜋 2 𝑇0
𝑏2𝑝 = 0
4𝐸 𝜋 𝜋𝜏
𝑏2𝑝+1 = sin ((2𝑝 + 1) ) . sin ((2𝑝 + 1) )
{ (2𝑝 + 1)𝜋 2 𝑇0
∞
4𝐸 𝜋 𝜋𝜏
𝑉(𝑡) = ∑ sin ((2𝑝 + 1) ) . sin ((2𝑝 + 1) ) . sin((2𝑝 + 1)𝜔0 𝑡)
(2𝑝 + 1)𝜋 2 𝑇0
𝑘=1
4𝐸 𝜋𝜏
𝑉(𝑡) = {sin ( ) . sin(2𝜋𝐹0 𝑡)
𝜋 𝑇0
1 3𝜋𝜏 1 5𝜋𝜏
− sin ( ) . sin(2𝜋(3𝐹0 )𝑡) + sin ( ) . sin(2𝜋(5𝐹0 )𝑡)}
3 𝑇0 5 𝑇0
𝑉(𝑓)
Raie du fondamental
Harmonique de rang 3
Harmonique de rang 5
fréquence
0 F0 3F0 5F0
9. Calcule de la plus petite valeur strictement positive de 𝜏⁄𝑇0 qui annule le coefficient de Fourier
de l’harmonique de rang 3.
4𝐸 3𝜋𝜏 3𝜋𝜏 𝜏 1
𝑏3 = sin ( ) = 0 ⟹ sin ( )=0 ⟹ =
3𝜋 𝑇0 𝑇0 𝑇0 3
10. Calcul numérique de la plus petite valeur du rapport 𝜏⁄𝑇0 pour laquelle le coefficient de
Fourier associé à la fréquence fondamentale est égal à 𝐸.
4𝐸 𝜋𝜏 𝜋𝜏 𝜋 𝜏
𝑏0 = sin ( ) = 𝐸 ⟹ sin ( ) = ⟹ ≅ 0,2875
𝜋 𝑇0 𝑇0 4 𝑇0
EXERCICE 4
𝑔(𝑡)
A
t
0
𝐴 𝑇
𝑔(𝑡) est défini par: 𝑔(𝑡) = 2 𝑇 𝑡 𝑠𝑖 𝑡 ∈ [0, 20 ]
0
5) montrer que le signal 𝑔(𝑡) s'écrit comme le produit de convolution de deux signaux
que l'on précisera.
6) On désigne par 𝐺(𝑓) le spectre d'amplitude de 𝑔(𝑡), calculer 𝐺(𝑓).
7) Donner une représentation du spectre d'amplitude 𝐺(𝑓) jusqu'à l'harmonique de rang
9.
8) On désire calculer le développement en série de Fourier du signal 𝑣(𝑡) suivant:
𝑣(𝑡)
A
t
0
Corrigé Exercice 5
𝑔(𝑡)
A
t
𝑇0 0 𝑇0
−
2 2
𝐴 𝑇
𝑔(𝑡) est défini par: 𝑔(𝑡) = 2 𝑡 𝑠𝑖 𝑡 ∈ [0, 0 ]
𝑇0 2
𝑇 +∞
1 1
∫ 𝑔2 (𝑡)𝑑𝑡 = 𝑎02 + ∑ (𝑎𝑛2 + 𝑏𝑛2 )
𝑇 2
0 𝑛=1
𝑇 𝑇0 /2
1 2 (𝑡)𝑑𝑡
1 𝐴 2 2 𝐴2
∫𝑔 = × 2 ∫ 4 ( ) 𝑡 𝑑𝑡 =
𝑇 𝑇0 𝑇0 3
0 0
D’où on déduit :
+∞ +∞
𝐴2 𝐴2 1 16 𝐴2 8 𝐴2 1 2
1 1 𝐴2
= + ∑ 4 ⟹ ∑ =𝐴 ( − )=
3 4 2 𝜋 (2𝑝 + 1)4 𝜋4 (2𝑝 + 1)4 3 4 12
𝑝=0 𝑝=0
On a alors :
+∞ +∞
1 𝜋4 1 𝜋4
∑ = ⟹ ∑ =
(2𝑝 + 1)4 96 (2𝑝 + 1)4 96
𝑝=0 𝑝=0
𝑔(𝑡) = 𝛿𝑇0 (𝑡) ∗ 𝑔𝑇0 (𝑡) = ∑ 𝛿(𝑡 − 𝑛𝑇0 ) ∗ 𝑔𝑇0 (𝑡) = ∑ 𝑔𝑇0 (𝑡 − 𝑛𝑇0 )
𝑛=−∞ 𝑛=−∞
Eléments de traitement de Signal Enseignant : Adel AMIMI 31
Analyse des signaux périodiques Chapitre 2
|𝐺(𝑓)|
A/2
EXERCICE 6
(a) Tracer le signal 𝑠(𝑡) en fonction du temps. Quelle est la période de 𝑠(𝑡)?
(b) Tracer le spectre d'amplitude et de phase de 𝑠(𝑡).
(c) Quelle est la puissance de ce signal?
(d) Quelle est la puissance transportée par la composante continue?
(e) Quelle est la puissance transportée par chacune des harmoniques du signal?
(A) A partir de 𝑠(𝑡) on veut déduire le développement en série de Fourier du signal
𝑢(𝑡) = 𝐴|cos(𝜔𝑡)|
(a) Tracer le signal 𝑢(𝑡) en fonction du temps.
(b) Exprimer 𝑢(𝑡) en fonction de 𝑠(𝑡).
(c) En déduire le développement en série de Fourier de 𝑢(𝑡).
(d) Tracer le spectre d'amplitude et de phase de 𝑢(𝑡).
(e) Quelle est la puissance de ce signal?
(f) Quelle est la puissance transportée par la composante continue?
(g) Quelle est la puissance transportée par chacune des harmoniques du signal?
(h) Comparer les résultats concernant les spectres et les énergies avec ceux obtenus pour
𝑠(𝑡)
(B) A partir de 𝑢(𝑡) on veut déduire le développement en série de Fourier du signal
périodique 𝑣(𝑡).
𝑇 𝑇
𝐴𝑐𝑜𝑠(𝜔𝑡) 𝑝𝑜𝑢𝑟 𝑡 ∈ [− , ]
𝑣(𝑡) = { 4 4
𝑇 3𝑇
0 𝑝𝑜𝑢𝑟 𝑡 ∈ [ , ]
4 4
(a) Tracer le signal 𝑣(𝑡) en fonction du temps.
(b) Exprimer 𝑣(𝑡) en fonction de 𝑢(𝑡).
(c) En déduire le développement en série de Fourier de 𝑣(𝑡).
(d) Tracer le spectre d'amplitude et de phase de 𝑣(𝑡).
(e) Quelle est la puissance de ce signal?
(f) Quelle est la puissance transportée par la composante continue?
(g) Quelle est la puissance transportée par chacune des harmoniques du signal?
(h) Quelle est la puissance transportée par l'ensemble des harmoniques du signal?
EXERCICE 7
𝑠(𝑡)
𝜃
𝑡
𝜃 𝜃 𝑇
−
2 2
Pour 𝜃 quelconque
1 Déterminer le développement en série de Fourier réelle relatif à 𝑠(𝑡) en exprimant les
coefficients de la série en fonction de sinus cardinal (𝒔𝒊𝒏𝒄).
2 Déterminer la plus petite valeur de 𝜃 non nulle que l’amplitude de la troisième
harmonique de 𝑠(𝑡) soit nulle.
3 Pour la valeur de 𝜃 précédente, tracer le spectre d’amplitude de 𝑠(𝑡).
4 En déduire l’expression du développement en série de Fourier complexe de 𝑠(𝑡) et tracer
le spectre d’amplitude de la série complexe.
5 Calculer le pourcentage de la puissance du signal 𝑠(𝑡) contenu dans la composante
continue.
6 Soit 𝑢(𝑡) le signal obtenu en supprimant la composante continue de 𝑠(𝑡), représenter
𝑢(𝑡).
Eléments de traitement de Signal Enseignant : Adel AMIMI 33
Analyse des signaux périodiques Chapitre 2
TRANSFORMATION DE FOURIER
D EFINITIO N
On peut considérer la transformée des fonctions non périodiques comme une extension
de la décomposition en série de Fourier pour laquelle la période est infinie ( T0 ) .
L’intervalle de fréquence F0 tend vers zéro et le spectre devient alors une fonction continue.
La transformée de Fourier de s(t) , notée S(f) ou F 1S(f) est donnée par :
+∞
Ce spectre est une fonction à valeurs complexes, les parties réelles et imaginaires du spectre
s’écrivent :
+∞ +∞
Une des propriétés essentielles de la transformation de Fourier est son inversibilité. On peut
reconstituer le signal s(t) à partir de son spectre complexe par :
+∞
Pour qu’un signal s(t) ait une transformée de Fourier, fonction de f, il faut et il suffit que :
Les discontinuités de 𝑠(𝑡) ainsi que ses maxima et minima soient en nombre fini.
Pour que la transformée de Fourier de 𝑠(𝑡) existe et soit réciproque, il suffit que 𝑠(𝑡)
appartienne à l’espace 𝐿2 ou espace des fonctions de carrée sommable. En d’autre termes, cela
signifie que 𝑠(𝑡) ainsi que sa transformée de Fourier sont à énergie finie.
Lorsque nous aurons à calculer la Transformée de Fourier d’un signal physique, nous n’aurons
pas à nous poser le problème de l’existence de cette transformée, qui sera une fonction continue
de 𝒇.
Linéarité
𝑇𝐹
𝛼 𝑠(𝑡) + 𝛽 𝑔(𝑡) ↔ 𝛼 𝑆(𝑓) + 𝛽 𝐺(𝑓)
Homothétie
𝑇𝐹 1
𝑠(𝑎𝑡) ↔ 𝑆(𝑓) 𝑎𝑣𝑒𝑐 𝑎 ∈ ℝ
|𝑎|
Un étalement de l’échelle des temps conduit à une ‘contraction’ de l’échelle des fréquences et
inversement.
Translation
𝑇𝐹
𝑠(𝑡 − 𝑎) ↔ 𝑆(𝑓) 𝑒 −𝑗2𝜋𝑓𝑎
Ceci implique que les transformées de Fourier de 𝑠(𝑡) et de 𝑠(𝑡 − 𝑎) ont même module mais
la transformée de Fourier de 𝑠(𝑡 − 𝑎) subit une rotation de phase supplémentaire de −2𝜋𝑓𝑎.
Ces propriétés s’appliquent aussi aux signaux périodiques, dont les spectres sont obtenus par
un développement en série de Fourier. Ainsi le spectre du signal sinusoïdal 𝑠2 (𝑡) = 𝑠𝑖𝑛(2𝜋𝐹0 𝑡)
peut être déduit du spectre du signal cosinusoïdal 𝑠1 (𝑡) = 𝑐𝑜𝑠(2𝜋𝐹0 𝑡) par translation :
1
Soit 𝑠1 (𝑡) = 𝑐𝑜𝑠(2𝜋𝐹0 𝑡) avec 𝑆1 (𝑓) = 2 [𝛿(𝑓 + 𝐹0 ) + 𝛿(𝑓 − 𝐹0 )]
Et
𝜋 𝑇0
𝑠2 (𝑡) = 𝑠𝑖𝑛(2𝜋𝐹0 𝑡) = 𝑐𝑜𝑠 (2𝜋𝐹0 𝑡 − ) = 𝑐𝑜𝑠 (2𝜋𝐹0 (𝑡 − ))
2 4
𝑇0 1 𝑇0
𝑆2 (𝑓) = 𝑆1 (𝑓)𝑒 −𝑗2𝜋𝑓 4 = [𝑒 −𝑗2𝜋𝑓 4 ∙ 𝛿(𝑓 + 𝐹0 ) + 𝛿(𝑓 − 𝐹0 )]
2
𝑇0 1 𝜋 𝜋
𝑆2 (𝑓) = 𝑆1 (𝑓)𝑒 −𝑗2𝜋𝑓 4 = [𝑒 +𝑗 2 ∙ 𝛿(𝑓 + 𝐹0 ) + 𝑒 −𝑗 2 𝛿(𝑓 − 𝐹0 )]
2
D’où
𝑗
𝑆2 (𝑓) = [𝛿(𝑓 + 𝐹0 ) − 𝛿(𝑓 − 𝐹0 )]
2
Ce résultat permet de noter que les propriétés appliquées pour les spectres obtenus par
transformées de Fourier sont aussi applicables aux spectres des signaux périodiques.
Cette propriété de modulation est très utilisée dans les systèmes de télécommunication pour
centrer un signal sur une fréquence (porteuse) 𝑓𝑝 . Cette fréquence centrale est imposée par les
propriétés du canal de communication
𝑑𝑠(𝑡) 𝑇𝐹 𝑑 𝑛 𝑠(𝑡) 𝑇𝐹
↔ (𝑗2𝜋𝑓)𝑆(𝑓) 𝑒𝑡 ↔ (𝑗2𝜋𝑓)𝑛 𝑆(𝑓)
𝑑𝑡 𝑑𝑡 𝑛
Propriétés de dualité
Propriétés de parité
Réel Pair 𝑥(𝑡) = 𝑥 ∗ (𝑡) = 𝑥(−𝑡) 𝑋(𝑓) = 𝑋 ∗ (−𝑓) = 𝑋(−𝑓) Réellle et paire
Réel Impair 𝑥(𝑡) = 𝑥 ∗ (𝑡) = −𝑥(−𝑡) 𝑋(𝑓) = 𝑋 ∗ (−𝑓) = −𝑋(−𝑓) Imaginaire pur et
impair
Imaginaire Quelconque 𝑥(𝑡) = −𝑥 ∗ (𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) Re. impaire, Im. paire
Imaginaire Pair 𝑥(𝑡) = −𝑥 ∗ (𝑡) = 𝑥(−𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) = 𝑋(−𝑓) Imaginaire et pair
Imaginaire impair 𝑥(𝑡) = −𝑥 ∗ (𝑡) = −𝑥(−𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) = −𝑋(−𝑓) Réel et impair
Ces propriétés de parité ont été vérifiées dans le cas des signaux sinusoïdaux et cosinusoïdaux.
CAS PARTICULIERS
Fonction porte : Considérons la fonction porte (ou fenêtre, ou projectrice) qui vaut 1 dans
𝜃 𝜃 𝑡
l’intervalle [− 2 , 2] et qui est nulle en dehors. Soit 𝚷𝜽 (𝒕) = 𝑟𝑒𝑐𝑡 (𝜃)
𝑠𝑖𝑛(𝜋𝑓𝜃)
cette fonction, elle a pour transformée de Fourier : 𝜃 = 𝜃𝑠𝑖𝑛𝑐(𝜋𝑓𝜃).
𝜋𝑓𝜃
𝚷𝜽 (𝒕)
T.F.
1
temps fréquence
0
-/2 0 /2 1/ 2/
𝑻
La fonction translatée 𝚷𝜽 (𝒕 − 𝟐) a pour transformée de Fourier la transformée de Fourier de
𝑇
𝚷𝜽 (𝒕) multipliée par 𝑒 −𝑗2𝜋𝑓 2 = 𝑒 −𝑗𝜋𝑓𝑇 .
𝛿(𝑡) ⇌ 1 ∀𝑓
On peut voir l'impulsion de Dirac comme la limite d'une fonction porte, à cet effet, considérons
la fonction porte de largeur 𝜃 et d'amplitude 1/𝜃 (afin que son aire soit unité)
On a vu que:
1
𝜃𝑠𝑖𝑛𝑐(𝜋𝑓𝜃) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝜃)
𝜃
1
Lorsque 𝜃 → 0 𝑎𝑙𝑜𝑟𝑠 𝑟𝑒𝑐𝑡(𝑡) → 𝛿(𝑡) 𝑒𝑡 𝑝𝑎𝑟 𝑐𝑜𝑛𝑠é𝑞𝑢𝑒𝑛𝑡 𝑠𝑖𝑛𝑐(𝜋𝑓𝜃) → 1
𝜃
𝑇𝐹
D’où : 𝛿(𝑡 − 𝑡0 ) ↔ 𝑒 −2𝜋𝑓𝑡0
La transformée de Fourier d’une impulsion de Dirac placée en 𝑡 = 𝑡0 est une exponentielle
complexe.
Peigne de Dirac : Noté T (t ) est par définition une suite périodique de distribution de
0
Dirac, de période T0
+∞
On a les relations :
+∞ +∞
𝟏 𝒕
−𝟐𝝅 𝒏
∑ 𝜹(𝒕 − 𝒏𝑻𝟎 ) = ∑ 𝒆 𝑻𝟎
𝑻𝟎
𝒏=−∞ 𝒏=−∞
Et
+∞ +∞
𝑇𝐹 𝟏
∑ 𝜹(𝒕 − 𝒏𝑻𝟎 ) ↔ ∑ 𝜹(𝒇 − 𝒏𝑭𝟎 ) =
𝑻𝟎
𝒏=−∞ 𝒏=−∞
𝑻𝑭 𝟏
D’où : 𝜹𝑻𝟎 (𝒕) → 𝜹𝟏⁄𝑻𝟎 (𝒇) formule de Poisson
𝑻𝟎
𝑇𝐹 𝟏
𝜹𝑻𝟎 (𝒕) ↔ 𝜹 (𝒇) = 𝑭𝟎 ∙ 𝜹𝑭𝟎 (𝒇)
𝑻𝟎 𝟏⁄𝑻𝟎
δT0(t)
Signal peinge de … … …
Dirac temps
-3T0 -2T0 -T0 0 T0 2T0 3T0 nT0
T.F.
δ1/T0(f)=δF0(f)
Spectre du à
peigne de Dirac
1/T0
… … …
fréquence
-3F0 -2F0 -F0 0 F0 2F0 3F0 nF0
Le spectre d’un peigne de Dirac est un peigne de Dirac dans l’espace fréquentiel.
Exponentielle décroissante
0 𝑠𝑖 𝑡 < 0
𝑥(𝑡) = { −𝑎𝑡
𝑒 𝑠𝑖 𝑡 ≥ 0
1 −1 2𝑎
𝑋(𝑓) = + = 2
𝑎 − 𝑗2𝜋𝑓 −(𝑎 + 𝑗2𝜋𝑓) 𝑎 + (2𝜋𝑓)2
Signal unité
Le signal constant unité vaut simplement 1 quelque soit 𝑡 ∈ (−∞, +∞), Au sens des
limites, il peut être décrit à partir de l’exponentielle symétrique :
Ce passage par la limite est nécessaire car le signal constant n’est pas intégrable en valeur
absolue et sa transformée de Fourier ne peut donc pas être calculée à partir de sa définition.
Par contre, partant de l’exponentielle symétrique, on a :
2𝑎 0 𝑠𝑖 𝑓 ≠ 0
𝑋(𝑓) = lim ={
𝑎→0 𝑎 2 + (2𝜋𝑓) 2 ∞ 𝑠𝑖 𝑓 = 0
𝑋(𝑓) = 𝛿(𝑓)
Saut unité
Le calcul de TF d'un signal saut unité 𝑢(𝑡) nécessite également quelques précautions, car ce
signal n'est pas intégrable en valeur absolue. mais, on constate que l'on a :
1 = 𝑢(𝑡) + 𝑢(−𝑡)
Eléments de traitement de Signal Enseignant : Adel AMIMI 41
Analyse des signaux non périodiques Chapitre 3
et désignant la TF de 𝑢(𝑡) par 𝐸(𝑗. 𝑓), il vient:
𝑇𝐹{1} = 𝛿(𝑓) = 𝐸(𝑗. 𝑓) + 𝐸 ∗ (𝑗. 𝑓) = 2𝐸𝑟 (𝑗. 𝑓)
𝛿(𝑓)
De ce résultat, on en déduit que la partie réelle 𝐸𝑟 (𝑗. 𝑓) vaut .
2
Il reste encore à trouver la partie imaginaire de 𝐸(𝑗. 𝑓). Pour ce faire, on peut remarquer que
le saut unité peut également s'écrire sous la forme:
0 𝑠𝑖 𝑡 > 0
𝑢(𝑡) = { lim 𝑒 −𝑎𝑡 𝑠𝑖 𝑡 ≥ 0
𝑎→0
1
dont la transformée est purement imaginaire et vaut 𝑗2𝜋𝑓. Finalement on obtient:
1 1
𝐸(𝑗. 𝑓) = 𝐸𝑟 (𝑗. 𝑓) + 𝑗𝐸𝑖 (𝑗. 𝑓) = 𝛿(𝑓) +
2 𝑗2𝜋𝑓
Phaseur
Pour calculer sa TF, considérons le fait qu'un phaseur de fréquence 𝑓0 peut s'écrire comme
suit:
𝑥(𝑡) = 𝑒 +𝑗2𝜋𝑓0 𝑡 = lim 𝑒 −𝑎|𝑡| . 𝑒 +𝑗2𝜋𝑓0 𝑡
𝑎→0
2𝑎 0 𝑠𝑖 𝑓 ≠ 𝑓0
𝑋(𝑓) = lim ={ 2
𝑎→0
𝑎2 + (2𝜋(𝑓 − 𝑓0 )) ∞ 𝑠𝑖 𝑓 = 𝑓0
La première TF est réelle, car la cosinusoïde est paire, alors que la deuxième TF est imaginaire
car la sinusoïde est impaire. On notera que les modules des densités spectrales sont les mêmes
et que seuls diffèrent leurs arguments.
Impulsion sinusoïdale
Parmi les propriétés des transformations de Laplace et Fourier, nous avons vu qu’à un produit
de convolution dans le domaine temporel correspond un produit simple dans le domaine
complexe :
𝑦(𝑡) = ℎ(𝑡) ∗ 𝑥(𝑡) ⇔ 𝑌(𝑗𝜔) = 𝐻(𝑗𝜔) ∙ 𝑋(𝑗𝜔)
L’inverse de cette proposition est également vraie et elle est très pratique pour calculer le
spectre de signaux modulés en amplitude. Elle s’exprime comme suit. A un produit simple dans
le domaine temporel correspond un produit de convolution daans le domaine complexe :
𝑦(𝑡) = 𝑚(𝑡) ∙ 𝑥(𝑡) ⇔ 𝑌(𝑗𝜔) = 𝑀(𝑗𝜔) ∗ 𝑋(𝑗𝜔)
Considérons comme exemple une impulsion sinusoïdale de durée ∆𝑡
∆𝑡
𝑐𝑜𝑠(2𝜋𝑓0 𝑡) 𝑠𝑖 |𝑡| <
𝑦(𝑡) = { 2
∆𝑡
0 𝑠𝑖 |𝑡| ≥
2
Voyons que ce signal est équivalent à la multiplication d’une sinusoïde permanente par une
impulsion de largeur ∆𝑡, on a :
∆𝑡
1 𝑠𝑖 |𝑡| <
𝑦(𝑡) = 𝑚(𝑡) ∙ 𝑥(𝑡) = 𝑚(𝑡) ∙ 𝑐𝑜𝑠(2𝜋𝑓0 𝑡) 𝑎𝑣𝑒𝑐 𝑚(𝑡) = { 2
∆𝑡
0 𝑠𝑖 |𝑡| ≥
2
Sachant que les spectres des signaux 𝑥(𝑡) et 𝑚(𝑡) valent respectivement
1
𝑋(𝑗 ∙ 𝑓) = {𝛿(𝑓 + 𝑓0 ) + 𝛿(𝑓 − 𝑓0 )}
2
𝑀(𝑗 ∙ 𝑓) = 𝐴 ∙ ∆𝑡 ∙ 𝑠𝑖𝑛𝑐(𝜋𝑓∆𝑡)
Et que la convolution entre une fonction et une impulsion de Dirac reproduit la fonction à
l’endroit où se situe l’impulsion, on voit que le spectre de l’impulsion sinusoïdale vaut :
𝐴 ∙ ∆𝑡
𝑌(𝑓) = 𝑀(𝑓) ∗ 𝑋(𝑓) = (𝑠𝑖𝑛𝑐(𝜋(𝑓 + 𝑓0 )∆𝑡) + 𝑠𝑖𝑛𝑐(𝜋(𝑓 − 𝑓0 )∆𝑡))
2
On constate ainsi que le spectre d’une impulsion sinusoïdale de durée ∆𝑡 est constitué de deux
sinus cardinaux situés en +𝑓0 et −𝑓0
APPLICATIONS
Exercice 1
1. Déterminer l’expression du signal Λ(𝑡) sur les intervalles 1, 0 et 0, 1 , sachant qu’il est
nul ailleurs.
𝑑Λ
2. Déterminer l’expression = Λ′(𝑡), la dérivée du signal Λ(𝑡). En déduire que ( t ) s’écrit
𝑑𝑡
1 1
en fonction de Π (𝑡 + 2) et Π (𝑡 − 2), sachant que Π(𝑡) = 𝑟𝑒𝑐𝑡(𝑡) représente le signal
porte donné par la figure 2.
3. Déterminer Π(𝑓) = 𝑇𝐹[Π(𝑡)] du signal porte de la figure 2.
1 1
4. En déduire les spectres des signaux Π (𝑡 + 2) et Π (𝑡 − 2).
5. Déterminer la transformée de Fourier du signal Λ(𝑡). Donner l’allure de son spectre.
(t) (t)
A A
t t
-1 0 1 -1/2 0 1/2
Figure 1 Figure 2
Exercice 2
f / 2
On considère le signal s1 (t ) e t , son spectre est donné par : S1 (f )
2 2
e
1. Déterminer le signal s( t ) produit de convolution de s1 ( t ) avec le peigne de Dirac de période
T0 .
2. En déduire le spectre S(f ) du signal s( t ) .
3. Quelle est la nature du spectre S(f ) .
4. Donner l’allure du spectre S(f ) .
Exercice 3
Sachant que :
T
sin ( f ) sin0 ( f )
(t )
TF
sin c( f )
f f
T0 (t )
TF
F0 F0 (t ) F0 f nF
n
0
Corrigé Exercice 2
2 t 2
Calcul de la transformée de Fourier de la fonction s1 ( t ) e
On a : TF s 1 ( t ) S 1 ( f ) e
2 2
t
e j 2ft dt e
2 t 2 j 2ft dt
f f
2 2
On peut écrire que : t j 2ft t j
2 2
, d’où :
S1 ( f ) e
t j f / f /
2 2
dt on pose :
t j
f
z
d’où : dz dt dt dz
f / z
S1 ( f ) e z e
f /
2 2 2 2
d’où : dz e e dz
z f /
2
S1 ( f )
2
or on a le résultat : e 1 e
2) s( t ) s 1 ( t ) T ( t ) e t nT e t nT
2 2 2 2
t t
n n
or : s( t ) ( t t 0 ) s( t t 0 )
2
2 t nT
d’où : s( t ) e
n
Tout signal périodique s'écrit comme le produit de convolution du peigne de Dirac avec le
signal 'motif' défini sur une période centré en zéro.
Or on a : S1 ( f ) e et
n
f /
Fe f nFe 1
S (f)
TF s( t ) S ( f )
2
e 1 / T ( f )
Te
S1 ( f )
S( f ) 1/ T ( f )
Te
On a alors :
0 +∞
+𝑎𝑡 −𝑗2𝜋𝑓𝑡
𝑋(𝑓) = ∫ 𝑒 𝑒 𝑑𝑡 + ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ 0
1−0 0−1 2𝑎
𝑋(𝑓) = + = 2
𝑎 − 𝑗2𝜋𝑓 −(𝑎 + 𝑗2𝜋𝑓) 𝑎 + (2𝜋𝑓)2
T
1
𝑡 sin(𝜋𝑓𝑇)
t 𝑟𝑒𝑐𝑡 ( ) 𝑇 f
𝑇 𝜋𝑓𝑇 -1
-T/2 0 T/2 0T
= 𝑇𝑠𝑖𝑛𝑐(𝜋𝑓𝑇)
impulsion rectangulaire
1 T
𝑡 𝑇𝑠𝑖𝑛𝑐 2 (𝜋𝑓𝑇)
t 𝑡𝑟𝑖 ( ) f
𝑇
-T 0 T 0 T-1
impulsion triangulaire
1/a
1
−𝑎𝑡 1
𝑒 𝜖(𝑡) 1/√2𝑎
t f
𝑎 + 𝑗2𝜋𝑓
0 1/a 0 𝑎/2𝜋
impulsion exponentielle
1 2/a
𝑒 −𝑎|𝑡| 2𝑎
t f
𝑎2 + (2𝜋𝑓)2 1/a
-1/a 0 1/a 0 𝑎/2𝜋
double exponentielle
1
1
2 2 1
0.4 𝑒 −𝜋𝑡 𝑒 −𝜋𝑓
t
0.4
f
-1 0 1
-1 0 1
impulsion gaussienne
1
𝑒 −𝑎𝑡 sin(2𝜋𝑓0 𝑡) 𝜖(𝑡) 2𝜋𝑓0
t f
0 (𝑎 + 𝑗2𝜋𝑓)2 + (2𝜋𝑓0 )2
T -f0 0 f0
sinusoïde amortie
t
𝑒 −𝑎𝑡 cos(2𝜋𝑓0 𝑡) 𝜖(𝑡) 𝑎 + 𝑗2𝜋𝑓 f
0 T -f0 0 f0
(𝑎 + 𝑗2𝜋𝑓)2 + (2𝜋𝑓0 )2
cosinusoïde amortie
(𝑎𝑏)−1
1 1
t (𝑒 −𝑎𝑡 − 𝑒 −𝑏𝑡 ) f
𝑏−𝑎 (𝑎 + 𝑗2𝜋𝑓)(𝑏 + 𝑗2𝜋𝑓)
0 0
impulsion rectangulaire
1 1
𝛿(𝑡) 1
t f
0 0
K K
𝐾 𝐾 𝛿(𝑓)
t f
0 1/a 0
Constante
1
𝑢(𝑡) 1 1
t 𝛿(𝑓) + ½
f
2 𝑗2𝜋𝑓
0 0
Saut unité
1 1
t
𝑡 𝑠𝑖 𝑓 ≠ 0 1
𝑠𝑔𝑛(𝑡) = {𝑗𝜋𝑓
-1 |𝑡| 0 𝑠𝑖 𝑓 = 0 f
0
fonction signe
1
𝑡 ∆
−
∆ ∆
t 𝑐𝑜𝑠(2𝜋𝑓0 𝑡)𝑟𝑒𝑡 ( ) {𝑠𝑖𝑛𝑐(∆(𝑓 + 𝑓0 )) f
2 2 ∆ 2
0
+ 𝑠𝑖𝑛𝑐(∆(𝑓 − 𝑓0 ))} -f0 f0
Impulsion cosinusoïdale
1
1 1
t 2 2
0 cos(2𝜋𝑓0 𝑡) 1 f
[𝛿(𝑓 + 𝑓0 ) + 𝛿(𝑓 − 𝑓0 )]
2 −𝑓0 0 𝑓0
Signal cosinusoïdal
Filtres et convolution
x(t) y(t)
h(t)
Un système est linaire s'il justifie du principe de superposition la réponse à une somme pondérée
d'excitations est égale à la somme pondérée des réponses aux excitations individuelles:
∑ 𝛼𝑖 𝑥𝑖 (𝑡) → ∑ 𝛼𝑖 𝑦𝑖 (𝑡)
𝑖 𝑖
Le système est invariant dans le temps si la réponse ne dépend pas de l'instant d'application: si
𝑦(𝑡) est la sortie correspondant à une entrée 𝑥(𝑡), la réponse associée à 𝑥(𝑡 − 𝑡0 ) est
𝑦(𝑡 − 𝑡0 ) appelle réponse réponse impulsionnelle (RI), souvent notée ℎ(𝑡), la réponse du
système à l'application d'une impulsion de Dirac 𝛿(𝑡):
𝛿(𝑡) h(t)
(t) h(t)
Or, le signal 𝑥(𝑡) peut s'écrire comme une somme infinie de composantes 𝑥(𝜏) sur une base
d'impulsions de Dirac:
+∞
𝑥(𝑡) = ∫ 𝑥(𝜏)𝛿(𝑡 − 𝜏)𝑑𝜏
−∞
+∞ +∞
𝑦(𝑡) = ∫ 𝑥(𝜏)ℎ(𝑡 − 𝜏)𝑑𝜏 = ∫ 𝑥(𝑡 − 𝜏)ℎ(𝜏)𝑑𝜏 = 𝑥(𝑡) ∗ ℎ(𝑡)
−∞ −∞
Cette relation est appelée convolution entre 𝑥 et ℎ et l'opération est notée 𝑥(𝑡) ∗ ℎ(𝑡), pour
montrer que le résultat de la convolution est évaluée à l'instant t et que la variable 𝜏 est
simplement une variable muette qui disparait lors de l'intégration. L'intégrale précédente est
appelée intégrale de convolution; elle permet d'associer à toute entrée 𝑥(𝑡) la sortie du système
𝑦(𝑡), celui-ci est caractérisé par sa réponse impulsionnelle ℎ(𝑡).
THEOREME DE PLANCHEREL
La transformée de Fourier du produit de convolution de deux signaux 𝑠1 (𝑡) et 𝑠2 (𝑡) est égale
au produit des transformées de Fourier, soit :
La transformée de Fourier du produit de deux signaux 𝑠1 (𝑡) et 𝑠2 (𝑡) est égale au produit de
convolution de leur spectres, soit :
EGALITE DE PARSEVAL
+∞ +∞
∫ |𝑠(𝑡)|2 𝑑𝑡 = ∫ |𝑆(𝑓)|2 𝑑𝑓
−∞ −∞
Le premier terme de cette égalité est par définition l’énergie du signal, |𝑆(𝑓)|2 s’interprète
comme la distribution de l’énergie le long de l’axe des fréquences. On lui donne ainsi le nom
de densité spectrale d’énergie (d.s.e).
𝑇 ⁄2 𝑇 ⁄2
1 1 2
𝑃(𝑡, 𝑇) = lim ∫ 𝑥(𝑡) ∙ 𝑥 ∗ (𝑡) 𝑑𝑡 = lim ∫ 𝑥 2 (𝑡) 𝑑𝑡 = 𝑋𝑒𝑓𝑓
𝑇→∞ 𝑇 𝑇→∞ 𝑇
−𝑇 ⁄2 −𝑇 ⁄2
On notera que cette définition coïncide avec celle du carré de la valeur efficace du signal 𝑥(𝑡).
On dira que celui-ci est à puissance finie si 𝑃𝑥 < ∞. Cette catégorie englobe les signaux
périodiques, quasi-périodiques et les signaux aléatoires permanents. Dans le cas où le signal est
périodique, la durée d’intégration 𝑇 est prise égale à une période du signal.
Certain signaux théoriques n’appartiennent à aucune de ces catégories ;c’est le cas par exemple
de l’exponentielle :
𝑥(𝑡) = 𝑒 −𝑎𝑡 −∞< 𝑡 <∞
+∞ +∞
Energie totale d’un signal : 𝐸𝑥 = ∫−∞ 𝑥(𝑡) ∙ 𝑥 ∗ (𝑡) 𝑑𝑡 = ∫−∞ |𝑥(𝑡)|2 𝑑𝑡
On dira que ce signal est à énergie finie si 𝐸𝑥 < ∞. Dans cette catégorie, on rencontre tous les
signaux temporellement éphémères qu’ils soient déterministes ou aléatoires.
Si 𝑥(𝑡) a une transformée de Fourier 𝑋(𝑓), on définit le spectre de puissance d’un signal ou
densité spectrale par :
𝑆𝑥𝑥 (𝑓) = |𝑋(𝑓)|2
Energie totale :
+∞ +∞
Impulsion sinusoïdale
Parmi les propriétés des transformations de Laplace et Fourier, nous avons vu qu’à un produit
de convolution dans le domaine temporel correspond un produit simple dans le domaine
complexe :
L’inverse de cette proposition est également vraie et elle est très pratique pour calculer le
spectre de signaux modulés en amplitude. Elle s’exprime comme suit. A un produit simple dans
le domaine temporel correspond un produit de convolution dans le domaine complexe :
∆𝑡
𝑐𝑜𝑠(2𝜋𝑓0 𝑡) 𝑠𝑖 |𝑡| <
𝑦(𝑡) = { 2
∆𝑡
0 𝑠𝑖 |𝑡| ≥
2
Voyant que ce signal est équivalent à la multiplication d’une sinusoïde permanente par une
impulsion de largeur ∆𝑡, on a :
∆𝑡
1 𝑠𝑖 |𝑡| <
𝑦(𝑡) = 𝑚(𝑡) ∗ 𝑥(𝑡) = 𝑚(𝑡) ∙ 𝑐𝑜𝑠(2𝜋𝑓0 𝑡) 𝑎𝑣𝑒𝑐 𝑚(𝑡) = { 2
∆𝑡
0 𝑠𝑖 |𝑡| ≥
2
Sachant que les spectres des signaux 𝑥(𝑡) et 𝑚(𝑡) valent respectivement :
𝛿(𝑓 + 𝑓0 ) + 𝛿(𝑓 − 𝑓0 )
𝑋(𝑓) =
2
𝑀(𝑓) = 𝐴 ∙ ∆𝑡 ∙ 𝑠𝑖𝑛𝑐(𝜋𝑓∆𝑡)
Et que la convolution entre une fonction et une impulsion de Dirac reproduit la fonction à
l’endroit où se situe l’impulsion, on voit que le spectre de l’impulsion sinusoïdale vaut :
𝐴 ∙ ∆𝑡
𝑌(𝑓) = 𝑀(𝑓) ∗ 𝑋(𝑓) = {𝑠𝑖𝑛𝑐(𝜋(𝑓 + 𝑓0 )∆𝑡) + 𝑠𝑖𝑛𝑐(𝜋(𝑓 − 𝑓0 )∆𝑡)}
2
On constate ainsi que le spectre d’une impulsion sinusoïdale de durée ∆𝑡 est constitué de deux
sinus cardinaux en +𝑓0 et −𝑓0 .
Corrélation
Une opération mathématique qui, de par sa forme, est très proche de la convolution est
la fonction de corrélation de deux signaux. Cependant, contrairement à la convolution, le but
de la corrélation est de mesurer le degré de ressemblance de ces signaux et d’extraire des
informations qui, dans une large mesure, dépendent de l’application considérée. La corrélation
est utilisée dans les radars, les sonars, les communications numériques, la détection de signaux
noyés dans du bruit, la mesure de temps de transmission, le GPS (Global Positioning System),
etc. Dans chaque cas, on dispose de deux fonctions : le signal de référence 𝑥(𝑡) et le signal reçu
𝑦(𝑡). Il faut alors trouver une opération mathématique permettant de comparer ces signaux et
d’en mesurer la ressemblance ou corrélation. Ceci se fait simplement en effectuant l’intégrale
du produit des signaux que l’on décale progressivement l’un par rapport à l’autre.
Considérant deux signaux 𝑥(𝑡) et 𝑦(𝑡) à énergie finie, on définit la fonction d’intercorrélation
(FIC) comme l’intégrale du produit du signal 𝑥(𝑡) avec le signal 𝑦(𝑡) décalé d’une valeur 𝜏 :
−∞
𝑐𝑥𝑦 (𝜏) = ∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
+∞
On voit ainsi que la fonction 𝑐𝑥𝑦 (𝜏) est aussi la version retournée de 𝑐𝑦𝑥 (𝜏) autour de l'ordonnée
𝑂𝑦.
Comme on peut le constater, les fonctions d'intercorrélation
−∞
∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
+∞
et de convolution
−∞
∫ 𝑥(𝜃). 𝑦(𝑡 − 𝜃)𝑑𝑡 = 𝑥(𝑡) ∗ 𝑦(𝑡)
+∞
sont formellement très proche. On montre qu'elles sont reliées entre elles par:
𝑐𝑥𝑦 (𝜏) = 𝑥(−𝜏) ∗ 𝑦(𝜏)
Cette relation valable dans l'espace temps a bien entendu son équivalent dans l'espace des
fréquences.
𝐶𝑥𝑦 (𝑗𝑓) = 𝑋 ∗ (𝑗𝑓). 𝑌(𝑗𝑓)
Autocorrélation d'un signal
Dans le cas particulier où 𝑦(𝑡) = 𝑥(𝑡), on obtient la fonction d'autocorrélation (FAC) du signal
𝑥(𝑡):
−∞
𝑐𝑥𝑥 (𝜏) = ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
+∞
Dans le cas d'un décalage nul, on trouve avec l'autocorrélation la puissance du signal 𝑥(𝑡):
𝑇
1 +2 2
𝑐𝑥𝑥 (0) = lim ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑋𝑒𝑓𝑓 = 𝑃𝑥
𝑇→∞ 𝑇 −𝑇
2
Il est d’autre part évident que si les signaux sont périodiques, l’intégration se fera sur une
période seulement.
Propriétés de l'autocorrélation
On rappellera tout d’abord que la fonction d’autocorrélation consiste à décaler un signal par
rapport à lui-même, puis à intégrer le produit des deux. On montre alors aisément que la
fonction d’autocorrélation possède les propriétés suivantes :
1. Lorsque le décalage temporel est nul (𝜏 = 0), la (FAC) est égale à l'énergie du signal
pour les signaux à énergie finie:
−∞
𝑐𝑥𝑥 (0) = ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑊𝑥
+∞
𝑇
1 +2
𝑐𝑥𝑥 (0) = lim ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑃𝑥
𝑇→∞ 𝑇 −𝑇
2
2. Comme la correspondance entre les 2 signaux ne peut pas être aussi forte que lorsque
les signaux se superposent exactement cela entraîne que la FAC est maximum pour un décalage
nul. On a donc :
4. La FAC d’un bruit blanc (ainsi appelé par analogie à la lumière blanche constituée de
toutes les fréquences lumineuses) est une impulsion de Dirac. En effet, le bruit blanc étant formé
d’une multitude de fréquences possédant la même puissance, il en résulte un signal variant si
rapidement que sa valeur présente est indépendante des valeurs passées et que sa valeur est non
nulle pour 𝜏 = 0 seulement. On a donc :
5. La FAC d’un signal périodique quelconque est une fonction périodique paire.
Considérons comme exemple le signal 𝑥(𝑡) = 𝐴 𝑠𝑖𝑛(𝜔 𝑡 + 𝛼). On a alors :
𝑇
1 +2
𝑐𝑥𝑥 (𝜏) = ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
𝑇 −𝑇
2
𝑇
𝐴2 +2
= ∫ 𝑠𝑖𝑛(𝜔 𝑡 + 𝛼). 𝑠𝑖𝑛(𝜔 (𝑡 + 𝜏) + 𝛼)𝑑𝑡 = 𝑃𝑥
𝑇 −𝑇
2
d'où:
𝐴2
𝑐𝑥𝑥 (𝜏) = cos(𝜔 𝜏)
2
𝐴2
On remarque ainsi que l'amplitude de cette FAC est la puissance du signal 𝑥(𝑡) et que la
2
6. Dans le cas d'un signal 𝑥(𝑡) perturbé. Considérant 𝑦(𝑡) = 𝑥(𝑡) + 𝑏(𝑡), on a en effet:
𝑇
1 +2
𝑐𝑦𝑦 (𝜏) = lim ∫ (𝑥(𝑡) + 𝑏(𝑡)). (𝑥(𝑡 + 𝜏) + 𝑏(𝑡 + 𝜏))𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
𝑇
1 +2
= lim ∫ (𝑥(𝑡). 𝑥(𝑡 + 𝜏) + 𝑥(𝑡). 𝑏(𝑡 + 𝜏) + 𝑏(𝑡)𝑥(𝑡 + 𝜏) + 𝑏(𝑡)𝑏(𝑡 + 𝜏))𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
d'où:
𝑐𝑦𝑦 (𝜏) = 𝑐𝑥𝑥 (𝜏) + 𝑐𝑥𝑏 (𝜏) + 𝑐𝑏𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
Dans le cas où le signal 𝑥(𝑡) et le bruit 𝑏(𝑡) ne sont pas corrélés, on a bien entendu:
𝑐𝑥𝑏 (𝜏) = 𝑐𝑏𝑥 (𝜏) = 0
ce qui donne finalement:
𝑐𝑦𝑦 (𝜏) = 𝑐𝑥𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
De plus, comme généralement la FAC du bruit 𝑐𝑏𝑏 (𝜏) tend rapidement vers 0, on voit que pour
un décalage suffisamment grand, il restera la FAC 𝑐𝑥𝑥 (𝜏) du signal 𝑥(𝑡).
Propriétés de l'intercorrélation
Comme pour la fonction d’autocorrélation, on se contentera d’énoncer les propriétés des
fonctions d’intercorrélation :
4. Si les deux signaux sont périodiques de même période, la FIC sera également
périodique.
APPLICATIONS
EXERCICE 1
Soit 𝑋(𝑓) la transformée de Fourier de 𝑥(𝑡), montrer que
1. 𝐶𝑥𝑦 (𝜏) = 𝐶𝑦𝑥 (−𝜏)
−𝐴 𝑠𝑖 − Δ𝑡 < 𝑡 < 0
0 𝑠𝑖 𝑡=0
𝑥(𝑡) = {
+𝐴 𝑠𝑖 0 < 𝑡 < Δ𝑡
0 𝑠𝑖 | 𝑡| ≥ Δ𝑡
EXERCICE 4
Soit :
𝐴 𝜋
𝑥(𝑡) = 𝐴𝑠𝑖𝑛(2𝜋𝑓0 𝑡) 𝑒𝑡 𝑦(𝑡) = 𝑐𝑜𝑠 (2𝑓0 𝑡 + )
2 4
Déterminer:
1. La fonction d’intercorrélation de 𝑥(𝑡) et 𝑦(𝑡).
2. La fonction d’autocorrélation de 𝑧(𝑡) = 𝑥(𝑡) + 𝑦(𝑡)
3. La densité spectrale de puissance 𝑆𝑧𝑧 (𝑓) du signal 𝑧(𝑡). En déduire la puissance totale
𝑊𝑧 𝑑𝑒 𝑧(𝑡).
EXERCICE 5
Nous voulons détecter la présence d’un signal périodique 𝑝(𝑡) noyé dans un bruit 𝑏(𝑡), et
non restituer sa forme. Nous ignorons sa période 𝑇1 . Nous avons donc à manipuler un signal
𝑥(𝑡) = 𝑝(𝑡) + 𝑏(𝑡). On suppose que 𝑝(𝑡) = 0 𝑒𝑡 𝑏(𝑡) = 0.
1. Calculer 𝐶𝑥𝑥 (𝜏) en fonction des différentes fonctions de corrélation entre 𝑝 et 𝑏. Réécriver
𝐶𝑥𝑥 (𝜏) en supposant 𝑝 et 𝑏 indépendants.
2. Calculer la fonction d’autocorrélation pour :
2𝜋
𝑥(𝑡) = 𝐴𝑐𝑜𝑠(𝜔𝑡) + 𝑏(𝑡) 𝑎𝑣𝑒𝑐 𝜔=
𝑇1
Que ce passe t-il si 𝑇 temps de corrélation était très grand. Conclure
3. Connaissant la période 𝑇1 du signal 𝑝(𝑡). Etudier la fonction d’intercorrélation de 𝑥(𝑡)
avec un autre signal périodique 𝑘(𝑡) de période 𝑇1 . Conclure sur les termes d’erreur.
Eléments de correction
EXERCICE 1
+∞ +∞
𝐶𝑥𝑥 (𝜏) = ∫−∞ 𝑥(𝑡) 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡 𝐶𝑥𝑦 (𝜏) = ∫−∞ 𝑥(𝑡) 𝑦 ∗ (𝑡 − 𝜏)𝑑𝑡
Pour deux signaux périodique réels 𝑥(𝑡) et 𝑦(𝑡) de période 𝑇, on définit la corrélation de la
manière suivante :
1 𝑇⁄2
𝐶𝑥𝑦 (𝜏) = ∫ 𝑥(𝑡) ∙ 𝑦(𝑡 − 𝜏)𝑑𝑡
𝑇 −𝑇⁄2
1. Cxy( ) Cyx( )
1 T /2
Cyx( ) y( t ) x( t ) dt on pose u t du dt
T T / 2
1 T /2 1 T /2
Cyx( ) y( u ) x( u ) du x( u ) y( u ) du Cxy( )
T T / 2 T T / 2
Pour des signaux réelle, la fonction d’autocorrélation est paire, soit la définition pour un signal
x(t) réel :
Cxx( ) x( t ) x * ( t ) dt x( t ) x( t ) dt
+∞ +∞
∗ (𝑡
𝐶𝑥𝑦 (𝜏) = ∫ 𝑥(𝑡) ∙ 𝑥 − 𝜏) 𝑑𝑡 = ∫ 𝑥(𝑡) ∙ 𝑥(𝑡 − 𝜏) 𝑑𝑡
−∞ −∞
Rappel
2
Puissance instantanée d’un signal P( t ) x( t ) x * ( t ) x( t )
Pxy ( t ) x( t ) y * ( t ) et Pyx ( t ) y( t ) x * ( t )
Parseval
On a :
T / 2
2
Cxx( 0 ) lim x( t ) dt
T T / 2
0 Cxx( ) Cxx( 0 )
EXERCICE 4
1. La fonction d’intercorrélation de deux fonctions périodiques de période différente soit x(t)
de période T1et y(t) de période T2.
On peut considérer que l’on réalise à l’aide de ces deux fonctions x(t) et y(t) deux nouvelles
fonctions x’(t) et y’(t) qui auront des périodes nT1 et mT2 telles que :
Pour que la fonction d’intercorrélation Cxy( ) puisse exister il faut qu’il y ait une fréquence
de battement T nTx mT y , pour écrire :
A2
sin( 2 f 0 t ) cos2 f ( t ) / 4 dt
1 T /2 T /2
Cxy( ) x ( t ) y ( t ) dt
T T / 2 2T T / 2
or : X ( n 1 ) Y * ( n 2 ) X ( l 1 ) y * ( m 2 ) ( l 1 ) ( m 2 )
l m
On a : ( t t1 ) ( t t 2 ) ( t 2 t1 )
( t t1 ) ( t t 2 ) si t1 t 2
Pr opriété
( t 2 t1 ) 0 si t1 t 2
d’où : X ( n 1 ) Y * ( n 2 ) X ( l 1 ) y * ( m 2 ) ( l 1 m 2 )
l m
Ceci montre bien que la densité spectrale d’interaction deux signaux de fréquences
fondamentales 1 et 2 ne peut exister que pour des fréquences k ' telles que :
l 1 m 2 k '
f0
dans ce cas : n f0 m ( nf 0 ) ( mf 0 / ) 0
Eléments de traitement de Signal Enseignant : Adel AMIMI 63
Echantillonnage Chapitre 5
E CHANTILLONNAGE
I NTRODUCTION
Les signaux numériques peuvent être crées directement par un système numérique (un
processeur, sous toutes ses formes actuelles). On parle alors de synthèse numérique (comme
dans le cas de la synthèse d'images ou de sons numériques). La plupart du temps, cependant, ils
sont obtenus par échantillonnage de signaux analogiques.
L'échantillonnage d'un signal analogique représenté par une fonction 𝑥(𝑡) consiste à construire,
à partir de 𝑥(𝑡), un signal à temps discret 𝑥(𝑛) = 𝑥(𝑛𝑇𝑒 ) obtenu en mesurant la valeur de 𝑥(𝑡)
1
toutes les 𝑇𝑒 = secondes:
𝐹𝑒
𝑥(𝑛) = 𝑥(𝑛𝑇𝑒 )
x(t) x(n)
Fe
𝑥(𝑡)
t
𝛿𝑇𝑒 (𝑡)
1
… … …
temps
-3Te -2Te -Te 0 Te 2Te 3Te 𝑛𝑇𝑒
𝑥ො(𝑡)
t
𝑥ො(𝑡) = ∑ 𝑥(𝑛𝑇𝑒 )
𝑛=−∞
+∞
̂𝑋(𝑓) = 𝑇𝐹 [𝑥ො(𝑡)] = 𝑇𝐹[𝑥(𝑡) × 𝛿𝑇 (𝑡)] = 𝑋(𝑓) ∗ 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑛𝐹𝑒 )
𝑒
𝑛=−∞
On rappelle que
+∞ +∞
Il est important de remarquer que la fonction ̂𝑋(𝑓) est périodique, c’est à dire que
l’échantillonnage à introduit une périodicité dans l’espace des fréquences, ce qui constitue une
caractéristique fondamentale des signaux échantillonnées.
S(f)
S(t)
f
t
Echantillonnage T.F.
Sˆ (f )
Sˆ (t )
f
t
Fe 2 Fe 2
THEOREME DE SHANNON
A partir du spectre représenter ci-dessous, nous pouvons faire une première remarque : pour
que la répétition périodique du spectre du signal échantillonnée ne déforme pas le motif répété,
il faut et il suffit que la fréquence de répétition 𝐹𝑒 , qui est la fréquence d’échantillonnage, soit
égale ou supérieure à deux fois la fréquence maximale du signal initial 2𝑓𝑚𝑎𝑥 c’est le théorème
de l’échantillonnage ou aussi appelé théorème de Shannon
𝑭𝒆 ≥ 𝟐𝒇𝒎𝒂𝒙
𝐹𝑒
Pour une fréquence d’échantillonnage fixée et égale à 𝐹𝑒 , la fréquence limite , appelée
2
fréquence de Shannon ou fréquence de Nyquist ou encore fréquence de repliement (folding
frequency), correspond à la fréquence maximale admissible dans le spectre du signal afin
d’éviter les distorsions du spectre de l’échantillonné.
S(f) Sˆ (f )
f f
fM fM fM fM Fe
Fe
Sˆ ( f )
Filtre passe-bas
idéal
f
fM fM
Fe / 2 Fe / 2
Fe
La fonction réalisée par le filtre passe-bas idéal (ou fonction porte), s’écrit Π𝐹𝑒 (𝑓) ou bien
𝑓
𝑟𝑒𝑡 (𝐹 ). La transformée de Fourier inverse de cette fonction est la fonction 𝑠𝑖𝑛𝑐(𝐹𝑒 𝑡), on peut
𝑒
donc exprimer le spectre de base de l’échantillonné sous la forme suivante :
Si l’on considère le spectre ̂𝑋0 (𝑓) par rapport au spectre initial 𝑋(𝑓), on a un spectre isolé qui
est identique à celui du spectre du signal initial à une constante près 𝐹𝑒 , soit :
Ŝ f
repliement de spectre
f
-fmax Fe/2 Fe
Fe fmax
Le terme de repliement spectral est d’ailleurs tout à fait justifié (plus encore que celui de
recouvrement). En effet, tout se passe comme si la partie de 𝑋(𝑓) inférieure à 𝐹𝑒 /2 se trouvait
additionnée à la partie de ce même 𝑋(𝑓) supérieure à 𝐹𝑒 /2, repliée autour de 𝐹𝑒 /2 et conjuguée.
Exemple
𝑓0 = 10𝑘𝐻𝑧 𝑇0 = 100𝜇𝑠
t(µs)
𝑓𝑎 = 0 𝑇𝑎 → ∞
0
100 200 300 400 500 600
t(µs)
𝑓0 = 5𝑘𝐻𝑧 𝑇0 = 200𝜇𝑠
100 300 500
0
200 400 600 𝑓𝑎 = 5𝑘𝐻𝑧 𝑇𝑎 = 200𝜇𝑠
𝑓0 = 6,6𝑘𝐻𝑧 𝑇0 = 150𝜇𝑠
100 200 400 500 t(µs)
0 300 𝑓𝑎 = 3,3𝑘𝐻𝑧 𝑇𝑎 = 300𝜇𝑠
600
𝑓0 = 3,3𝑘𝐻𝑧 𝑇0 = 300𝜇𝑠
100 200 400 500 t(µs)
0 300
600 𝑓𝑎 = 3,3𝑘𝐻𝑧 𝑇𝑎 = 300𝜇𝑠
Les signaux apparents échantillonnés sont représentés en pointillés sur la figure ci-dessus.
On peut alors lire les fréquences apparentes 𝑓𝑎 des signaux échantillonnées.
ECHANTILLONNAGE REEL
L’échantillonnage idéal impliquant des impulsions infiniment courtes n’est
qu’approximativement réalisable. Dans la pratique on utilisera des impulsions de durée courtes
mais finies. Le signal échantillonnée réel sera constitué alors d’une suite d’impulsions distantes
de Te (période d’échantillonnage) et de largeur (durée de l’impulsion). L’amplitude de ces
impulsions sera fonction du procédé d’échantillonnage utilisé :
Echantillonneur suiveur (naturel) : l’amplitude égale à 𝑥(𝑡) pendant la durée 𝜏 (figure a).
Echantillonneur bloqueur (régulier) : l’amplitude constante égale à 𝑥(𝑛𝑇𝑒 ) (figure b)
Echantillonneur moyenneur: l’amplitude égale à la moyenne de 𝑥(𝑡) sur l’intervalle 𝜏, figure c
Ŝ(t)
Ŝ(t)=s(
t)
Figure (a) : Echantillonnage naturel
s(t)
temps
0
Te T
f
Ŝ(nTe)=s(nTe)
Ŝ(t) Ŝ(t)
Ŝ(nTe)=
s(t) s(t)
0 temps 0 temps
↔ ↔
Te Tf Te Tf
D’où le spectre 𝑆̂(𝑓) de 𝑠̂ (𝑡) s’obtient en prenant la T.F. de la relation précédente, soit :
Le spectre initial est extrait par un filtre passe-bas de largeur 𝐹𝑒 . La relation liant le spectre de
base du signal échantillonné 𝑆̂0 (𝑓) et le signal 𝑆(𝑓) est donnée par :
𝑠𝑖𝑛(𝜋𝜏𝑓)
𝑆̂0 (𝑓) = 𝜏𝐹𝑒 𝑆(𝑓)
𝜋𝜏𝑓
Outre le facteur 𝜏𝐹𝑒 , le spectre 𝑆̂0 (𝑓) n’est pas identique au spectre initial 𝑆(𝑓) puisque son
amplitude est modulée par la fonction 𝑠𝑖𝑛𝑐(𝜋𝜏𝑓).
L’échantillonnage régulier introduit donc une déformation par rapport à l’échantillonnage idéal
ou naturel. Cette distorsion reste petite dans le cas où la durée de la porte d’échantillonnage est
faible devant la période 𝑇𝑒 . Par exemple pour une fréquence d’échantillonnage de 20𝑘𝐻𝑧 et
une durée de l’impulsion d’échantillonnage de 5𝜇𝑠 (rapport de 10), la distorsion sur le spectre
à la fréquence de 1𝑘𝐻𝑧 n’est que de 2%.
ECHANTILLONNEUR MOYENNEUR
1 𝑘𝑇𝑒+𝜏⁄2
𝑆̂(𝑘𝑇𝑒 ) = ∫ 𝑠(𝑡) 𝑑𝑡
𝜏 𝑘𝑇𝑒−𝜏⁄2
En utilisant la fonction porte, la relation précédente peut s’écrire sous la forme suivante :
1 𝑘𝑇𝑒+𝜏⁄2
̂
𝑆(𝑘𝑇𝑒 ) = ∫ Π (𝑡 − 𝑘𝑇𝑒 ) 𝑠(𝑡) 𝑑𝑡
𝜏 𝑘𝑇𝑒−𝜏⁄2 𝜏
Cette expression représente le produit de convolution de 𝑠(𝑡) et Π𝜏 (𝑡) au temps 𝑘𝑇𝑒 , d’où :
1
𝑆̂(𝑘𝑇𝑒 ) = [Π𝜏 (𝑡) ∗ 𝑠(𝑡)] ∙ 𝛿(𝑡 − 𝑘𝑇𝑒 )
𝜏
Ou bien :
+∞
𝑠𝑖𝑛(𝜋𝜏(𝑓 − 𝑘𝐹𝑒 ))
𝑆̂(𝑓) = 𝐹𝑒 ∑ [ 𝑆(𝑓 − 𝑘𝐹𝑒 )]
𝜋𝜏(𝑓 − 𝑘𝐹𝑒 )
𝑘=−∞
𝑠𝑖𝑛(𝜋𝜏𝑓)
𝑆̂0 (𝑓) = 𝐹𝑒 𝑆(𝑓)
𝜋𝜏𝑓
Conclusion :
Il est important de remarquer que les échantillonnages bloqueur et moyenneur seront d’autant
plus proches de l’échantillonnage idéal que la durée de l’impulsion d’échantillonnage sera
faible devant la période du signal correspondant à la fréquence maximale contenue dans le
signal échantillonné.
APPLICATIONS
EXERCICE 1
Soit le signal 𝒙(𝒕) représenté par la figure (1), son spectre 𝑿(𝒇 ) obtenu par transformée de
Fourier est représenté en figure (2).
𝑿(𝒇)
𝒙(𝒕)
1 T.F.
𝒕 (𝒎𝒔) 𝒇(𝒌𝑯𝒛)
-5 0 5 0 0,5
2𝑡2 √𝜋 −(𝜋𝑓/𝛼)2
𝑥(𝑡) = 𝑒 −𝛼 ayant pour transformée de Fourier 𝑋(𝑓) = 𝑒
𝛼
EXERCICE 2
CORRIGE EXERCICE 2
𝑋0
𝑥1 (𝑡) = 2𝑑 (𝑡) 𝑒𝑡 𝑥2 (𝑡) =
[1 + 𝑐𝑜𝑠(2𝜋𝐹0 𝑡)]
2
𝑑 = 4𝑚𝑠, 𝐹0 = 500𝐻𝑧 ⇒ 𝑇0 = 2𝑚𝑠
1) Représentation graphique de x2(t), x1(t) et x(t)
x1(t)
A0
d=4ms
x(t)
t
A0
-d d
𝐴0 t(ms)
𝑥2 (𝑡) = (1 + cos(2𝜋𝐹0 𝑡))
2
-4 0 4
A0
t
Allures de x2(t), x1(t) et x(t)
2𝑑𝜋𝑓
𝑋1 (𝑓) = 2𝑑𝐴0 sin = 2𝑑𝐴0 sinc(2𝑑𝜋𝑓)
2𝑑𝜋𝑓
𝐴0 𝐴0
𝑋2 (𝑓) = 𝛿(𝑓) + 𝛿(𝑓 ± 𝐹0 )
2 4
𝑑
𝑋(𝑓) = 𝐴20 d. sinc(2𝑑𝜋𝑓) + 𝐴20 . [sinc(2𝜋𝑑(𝑓 + 𝐹0 )) + sinc(2𝜋𝑑(𝑓 − 𝐹0 ))]
2
-F0 0 F0
3/2d
1/d 𝟑
1/2 𝒇𝒎𝒂𝒙 = 𝑭𝟎 +
𝟐𝒅
d
|𝑿(𝒇)|
𝒅. 𝑨𝟐𝟎
𝒅 𝟐
.𝑨
𝟐 𝟎
f
-F0 0 F0
3/2d
1/d 𝟑
𝒇𝒎𝒂𝒙 = 𝑭𝟎 +
1/2 𝟐𝒅
d
5) D'après la représentation graphique de 𝑋(𝑓) on a:
3
𝑓𝑚𝑎𝑥 = 𝐹0 +
2𝑑
3
D'après le théorème de Shannon il faut que : 𝐹𝑒 ≥ 2𝑓𝑚𝑎𝑥 𝑠𝑜𝑖𝑡 𝐹𝑒 = 2𝑓𝑚𝑎𝑥 = 2𝐹0 + 𝑑
7) D'où une représentation approximative de x (t ) signal échantillonné de x(t ) .
̂(𝒕)
𝒙
A0
t(ms)
-4 0 4
̂(𝒕) 14 échantillons sur l'intervalle [−𝒅, 𝒅]
signal échantillonnée 𝒙
EXERCICE 3
L’échantillonneur 𝒉(𝒕) d’amplitude unité est réalisé par un interrupteur qui s’ouvre et se
ferme périodiquement à la fréquence 𝑭𝒆 = 𝟐𝟎𝑯𝒛 avec un temps de fermeture 𝑻𝒇 = 𝟐𝟎𝒎𝒔
Tf 20 ms
CORRIGE EXERCICE 3
D’où :
𝑇𝐹 [ ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 )] = 𝐹𝑒 ∑ 𝛿 (𝑓 − 𝑛𝐹𝑒 )
𝑛=−∞ 𝑛=−∞
D’où :
𝑛=+∞
−4𝐹𝑒 0 4𝐹𝑒
𝑇𝑓
𝑍(𝑓) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 ) × [𝑋(𝑓 + 4𝐹𝑒 ) + 𝑋(𝑓 − 4𝐹𝑒 )]
𝑇𝑒
6) L’expression de 𝑧(𝑡) est donnée par une opération de transformée de Fourier inverse,
d’où :
𝑇𝑒
𝑧(𝑡) = 𝑇𝐹 −1 {𝑍(𝑓)} = 𝑇𝐹 −1 { 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 ) × [𝑋(𝑓 + 4𝐹𝑒 ) + 𝑋(𝑓 − 4𝐹𝑒 )]}
𝑇𝑓
𝑇𝑓
𝑧(𝑡) = 𝑇𝐹 −1 { 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 )} ∗ 𝑇𝐹 −1 { [𝑋(𝑓 + 4𝐹𝑒 ) + 𝑋(𝑓 − 4𝐹𝑒 )]}
𝑇𝑒
1
𝑧(𝑡) = Π (𝑡) ∗ 𝑇𝐹 −1 { 𝑋(𝑓) ∗ [𝛿(𝑓 + 4𝐹𝑒 ) + δ(𝑓 − 4𝐹𝑒 )]}
𝑇𝑒 𝑇𝑓
1
𝑧(𝑡) = Π 𝑇𝑓 (𝑡) ∗ [𝑥(𝑡) × 2𝑐𝑜𝑠(2𝜋𝐹0 𝑡)] 𝑎𝑣𝑒𝑐 𝐹0 = 4𝐹𝑒
𝑇𝑒
𝑥(𝑡)
𝑧(𝑡) = 2𝑐𝑜𝑠(2𝜋𝐹0 𝑡) ∗ Π 𝑇𝑓 (𝑡)
𝑇𝑒
EXERCICE 4
CORRIGE EXERCICE 4
On considère un signal continue 𝑥(𝑡), et le signal 𝑥𝐿 (𝑡) correspondant à 𝑥(𝑡) mais
𝐿 𝐿
réduit à l'intervalle [− 2 , 2].
𝑡
𝑥𝐿 (𝑡) = 𝑥(𝑡) ∙ 𝑟𝑒𝑐𝑡 ( )
𝐿
1) On désigne par 𝑋(𝑓) le spectre de 𝑥(𝑡), déterminer le spectre 𝑋𝐿 (𝑓) = 𝑇𝐹[𝑥𝐿 (𝑡)].
𝑡
𝑋𝐿 (𝑓) = 𝑇𝐹[𝑥𝐿 (𝑡)] = 𝑇𝐹 [𝑥(𝑡) ∙ 𝑟𝑒𝑐𝑡 ( )] = 𝑋(𝑓) ∗ 𝐿𝑠𝑖𝑛𝑐(𝜋𝐿𝑓)
𝐿
|𝑋𝐿 (𝑓)|
𝐴𝐿/2
𝑓(𝐻𝑧)
𝐹0
𝑥𝐿 (𝑡)
𝐴
𝑡
−𝐿/2 𝐿/2
−𝐴
𝑥ො𝐿 (𝑡)
𝐴
𝑡
−𝐿/2 𝐿/2
𝑳
d) Le nombre 𝑵 = 𝑻 d'échantillons s’écrit :
𝒆
𝑳
𝑵= = 𝑳 𝑭𝒆 = 𝟐 𝑻𝟎 × 𝟒𝑭𝟎 = 𝟖 é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏𝒔
𝑻𝒆
Graphiquement on a 𝑁 = 9 échantillons
e) Pour rendre 𝑥ො𝐿 (𝑡) causal en le retardant d’une longueur 𝑡 = 𝐿/2 d’où la
représentation.
𝑥ො𝐿 (𝑡)
𝐴
𝑡
0 𝐿
−𝐴
|𝑋̂𝐿 (𝑓)|
𝑓(𝐻𝑧)
−5𝐹0 −3𝐹0 −𝐹0 𝐹0 3𝐹0 5𝐹0
𝐴𝐿
𝑋0𝐿 (𝑓) = 𝑋̂𝐿 (𝑓) × 𝑊(𝑓) = 𝐹𝑒 [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 + 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 − 𝐹0 ))]
2
𝐴𝐿
𝑥0𝐿 (𝑡) = 𝑇𝐹 −1 [𝐹𝑒 [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 + 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 − 𝐹0 ))]]
2
𝐴𝐿𝐹𝑒
𝑥0𝐿 (𝑡) = 𝑇𝐹 −1 [ 𝑠𝑖𝑛𝑐(𝜋𝐿𝑓) ∗ 𝛿(𝑓 ± 𝐹0 )]
2
𝑥0𝐿 (𝑡) = 𝐹𝑒 × Π𝐿 (𝑡)𝐴𝑐𝑜𝑠(2𝜋𝐹0 𝑡)
EXERCICE 5
Soit le signal 𝒙(𝒕) représenté par la figure (1), son spectre 𝑿(𝒇 ) obtenu par transformée de
Fourier est représenté en figure (2).
𝒙(𝒕) |𝑿(𝒇 )|
T.F.
Eléments de traitement de Signal Enseignant : Adel AMIMI 81
Echantillonnage Chapitre 5
a
1
𝒕 (𝒎𝒔) 𝒇(𝑯𝒛)
−𝑑 0 𝑑=5 0 fmax
𝒈(𝒕)
1
Figure (3)
𝒕(𝒎𝒔)
−𝑑 0 𝑑 𝑻𝟎
EXERCICE 6
CORRIGE EXERCICE 6
2 1 4
1. Calcul de la transformée de Fourier de x( t ) 1 cos t cos t
T0 2 T0
On a : x( t ) 1
2
1 j 2 t / T0
e 1
e j 2 t / T0 e j 4 t / T0 e j 4 t / T0
4
d’où :
1 1
𝑋(𝜈) = 𝛿(𝜈) + [𝛿(𝜈 − 𝜈0 ) + 𝛿(𝜈 + 𝜈0 )] + [𝛿(𝜈 − 2𝜈0 ) + 𝛿(𝜈 + 2𝜈0 )]
2 4
1
avec 0
T0
d’où le spectre de X( )
X ( )
20 0 0 20
x( t ) x( t ) Pgn ( t ) avec Pgn ( t ) Te ( t mTe ) ( T0 ) t m( T0 )
m m
Pgn ( )
Te T0
m m m
X ( ) X ( ) X ( ) X
Te T0 T0
m
X ( ) X
T0
Il est important de remarquer que la fonction X ( ) est périodique, c’est à dire que
l’échantillonnage a introduit une périodicité dans l’espace des fréquences, ce qui constitue une
caractéristique fondamentale des signaux échantillonnés.
L’opération d’échantillonnage telle qu’elle vient d’être décrite et que l’on désigne par
échantillonnage idéal, peut sembler peu réaliste, dans la mesure où il apparaît difficile dans la
réalité d’atteindre, de manipuler ou de restituer une valeur d’un signal à un instant ponctuel.
Les échantillonneurs réels possèdent un certain temps d’ouverture.
Représentation de X ( )
̂ (𝝂)
𝑿
m=-2 m=-1 Filtre m=0 m=1 m=2
(0-e)
-20 -2e -0 -e e 0 2e 20
0
Représentation du spectre échantillonné 𝑋̂(𝜈).
d’après Shannon : f m 2 0 et e 2 f m 4 0
3 0 2 0 0 0 2 30 40 50
0 e
e / 2
b) Condition sur pour la restitution du signal initial
L’échantillonnage a introduit une périodicité du spectre dans l’espace des fréquences ;
restituer le signal d’origine, c’est supprimer cette périodicité, c’est à dire éliminer les bandes
images, opération qui peut être réalisée à l’aide d’un filtre passe bas dont la fonction de transfert
H(f) vaut 1/e jusqu'à la fréquence 𝜈𝑒 ⁄2 et 0 aux fréquences supérieures. En sortie d’un tel filtre
apparaît un signal continu, qu’il est possible d’exprimer en fonction de ses échantillons.
D'après la représentation de 𝑋̂(𝜈) on voit bien qu'on peut extraire le spectre dit de base (centré
en zéro) 𝑋(𝜈) en utilisant l'opération de filtrage, et on a:
1 1
0 e
T0 T0 T0 T0 T0 T0
La distance entre pulse est :
2
il faut que 2 0 e
1 1 T
e 0
2 e T0 T0 2 4
T0
pour éviter le phénomène de repliement de spectre il faut que
4
a0 n 2
Cas général , soit x( t ) cos n t
2 1 T0
le spectre de x(t) s ‘écrit :
𝑁
𝑎0 1
𝑋(𝜈) = 𝛿(𝜈) + ∑ [𝛿(𝜈 + 𝑛𝜈0 ) + 𝛿(𝜈 − 𝑛𝜈0 )]
2 2𝑛
𝑛=1
n
n 0 e e
1 1 T0
2 T0 T0 2 T0 2n
2.
Echantillonneur
y(t) z(t)
x(t) X
Oscilloscope
Pgn(t) Filtre passe bas
F( )
Pgn(t) m 1 / 2T0
T0
m m
On a : Z( ) X ( ) F( )
1 n 1 n
Il faut que m e e m e
2 T0 (T0 ) 2 T0 (T0 )
avec e 1 / T0
T0 mT02
d’où : m T0 ( T0 ) T0 n
T0 m n
rapprochement en fréquence au lieu de 1 / T0 on a entre les pics, donc z(t) est
T0 ( T0 )
une réplique de x(t) mais dilaté dans le temps, d’où :
1 1 2
Z( ) ( )
2 T0 ( T0 ) 4 T0 ( T0 )
d’où :
2 1 2 2
z (t ) 1 cos t cos t
T0 (T0 ) 2 T0 (T0 )
z( t ) x( at ) avec a
T0
Cas où m 1 MHz et 0 5 MHz
T 0 ,2 s T0 mT02
0 0 ,05 s 7 ,310 2 s
4 4 T0 m n
2,5
x(t)
Spectre de Z
2
1,5 z(t)
1
0 2
fe 0,5
T0 ( T0 )
m
-6
0,5 1 1,5 2 *10
période
I NTRODUCTION
Dans la nature les signaux dépendent de manière continue du temps. Dans les systèmes
modernes de traitement du signal, ces signaux sont souvent échantillonnés pour produire des
signaux à temps discret accessibles aux méthodes numériques de traitement. La première étape
consiste à mesurer, à intervalles réguliers, la valeur du signal 𝑥(𝑡) que l’on veut manipuler. La
suite des valeurs numériques 𝑥(𝑘) = 𝑥(𝑘𝑇𝑒 ) ainsi obtenue sera désignée par signal numérique
1
ou plus simplement par signal. 𝑇𝑒 est appelée la période d’échantillonnage et 𝐹𝑒 = 𝑇 la
𝑒
fréquence d’échantillonnage.
La figure ci-dessous illustre la chaîne d’acquisition d’un signal numérique
Période
T
x(t) d’échantillonnage
Signal
original Mesure Signal numérique
Acquisition
Il est clair que la fréquence d’échantillonnage doit être suffisamment élevée si l’on ne veut pas
perdre trop d’information sur le signal (condition de Shannon vérifié).
SIGNAUX PARTICULIERS
1 𝑠𝑖 𝑛≥0
𝑢(𝑛) = {
0 𝑠𝑖 𝑛<0
𝑠𝑖𝑔𝑛𝑒(𝑛) = 2𝑢(𝑛) − 1
L’impulsion de Dirac
Propriétés de la fonction de Dirac :
1 𝑠𝑖 𝑛 = 0
𝛿(𝑛) = {
0 𝑠𝑖 𝑛 ≠ 0
Peigne de Dirac
C’est une suite infinies de fonctions de Dirac régulièrement espacées. Si T0 est l’intervalle entre
D EFINITIO N
𝑁−1
2𝜋 𝑗 𝑘 𝑚
𝑋(𝑚) = 𝑋𝑚 = 𝜃 ∑ 𝑥(𝑘)𝑒 (− )
𝑁
𝑘=0
Ce n’est pas une approximation sophistiquée de 𝑋(𝑓), mais elle est très utilisée en pratique sous
le nom de 𝑇𝐹𝐷 car il existe un algorithme de calcul efficace appelé 𝐹𝐹𝑇 (FAST Fourier
Transform) ou 𝑇𝐹𝑅 (Transformée de Fourier rapide).
La 𝑇𝐹𝐷 est par ailleurs utilisée, lorsque l’on travaille avec des suites numériques sans lien avec
un signal physique, pour définir une représentation de la suite sur une base de fonctions
fréquentielles.
En pratique, les 𝑁 termes 𝑥(𝑘) peuvent être 𝑁 échantillons d’un signal analogique
échantillonné : 𝑥(𝑘) = 𝑥(𝑘𝑇𝑒 ), et les 𝑋(𝑚) correspondre à une approximation (à un facteur
multiplicatif 𝑇𝑒 près) de la transformée de Fourie de ce signal aux 𝑁 points de fréquence
𝑘𝐹𝑒
𝑓𝑘 = avec 𝑘 entre 0 et 𝑁 − 1, c’est-à-dire 𝑓 entre 0 et 𝐹𝑒 .
𝑁
Si les 𝑁 échantillons ont été prélevés avec une fréquence d’échantillonnage 𝐹𝑒 , la durée du
signal échantillonnée, sur laquelle a été calculée la transformée de Fourier discrète, est donnée
par :
𝑁
𝜏 = 𝑁𝑇𝑒 =
𝐹𝑒
En conséquence, le spectre de ce signal échantillonnée, composé de N termes, est calculé sur
un domaine fréquentiel [0, 𝐹𝑒 ] avec une précision ou distance fréquentiel entre points égale à :
1 1 𝐹𝑒
∆𝑓 = = =
𝜏 𝑁𝑇𝑒 𝑁
De même que pour la transformée de Fourier d’un signal continu, on peut définir une
transformation inverse qui s’écrit :
𝑁−1
1 𝑗2𝜋 𝑚 𝑘
𝑇𝐹𝐷 −1 {𝑋(𝑚)}
= 𝑥𝑘 = ∑ 𝑋𝑚 𝑒 (+ 𝑁 )
𝑁
𝑚=0
𝑁−1
𝑛𝑘
(−𝑗 2𝜋 )
𝑋(𝑘) = ∑ 𝑥(𝑛𝑇𝑒 ) 𝑒 𝑁
𝑛=0
𝑇0 𝑘 𝑘
𝑋(𝑘) = 𝑋 ( ) = 𝑁𝑋 ( )
𝑇𝑒 𝑇0 𝑇0
1
En effet, 𝑥(𝑡) étant périodique de période 𝜏 a un spectre formé de raies distants de 𝜏 , de plus,
|𝑋(𝑓)|
1
1/𝜏
𝑓
−𝑓𝑚𝑎𝑥 𝑓𝑚𝑎𝑥
Les trois opérations qui conduisent à la suite 𝑋(𝑘) auront les conséquences suivantes :
1
1. L’échantillonnage de 𝑥(𝑡) à 𝐹𝑒 rend périodique le spectre et le multiplie par 𝑇 .
𝑒
|𝑋̂(𝑓)|
1
1/𝜏
𝑓
−𝑓𝑚𝑎𝑥 𝑓𝑚𝑎𝑥 𝐹𝑒
2. La troncation de 𝑥ො(𝑡) par une fenêtre de largeur 𝑇0 a pour effet de convoluer le spectre
avec un sinus cardinal qui s’annule tous les 1/𝑇0 avec 𝑇0 = 𝑘 𝜏.
𝑘
entre la 𝑻𝑭𝑫 et la 𝑻𝑭 au facteur 𝑁 près, aux 𝑁 points de calcul 𝑇 avec 𝑘 ∈ [0, 𝑁 − 1].
0
𝑘
Dans tous les autres cas, la 𝑻𝑭𝑫 diffère de 𝑻𝑭 aux points 𝑇 . L’erreur est introduite :
0
- Par recouvrement de spectre si 𝑋(𝑓) n’est pas à support limité, erreur que l’on
minimise en augmentant 𝐹𝑒 .
- Par les ondulation dues à la troncature par la fonction fenêtre si 𝑥(𝑡) n’est pas
périodique ou à durée limitée : erreur que l’on peut chercher à atténuer en choisissant
une fenêtre autre que la fenêtre rectangulaire (fenêtre de Hanning par exemple) et
en augmentant autant que possible la largeur de fenêtre.
- Pour les deux premières raisons à la fois si 𝑥(𝑡) n’est ni à durée limitée ni à bande
limitée.
- Même si 𝑥(𝑡) est périodique et à bande limitée, on introduit une erreur si la fenêtre
de troncature n’a pas une durée égale à un multiple de la période car la troncature
introduit alors de fortes discontinuités.
La transformée de Fourier rapide TFR ou FFT (Fast Fourier Transform) est simplement un
algorithme permettant de réduire le nombre d’opérations, pour calculer la TFD.
𝑁−1
𝑘𝑚
𝑋𝑚 = ∑ 𝑥𝑘 𝑒 (− 𝑗2𝜋 )
𝑁 𝑝𝑜𝑢𝑟 𝑚 ∈ {0, 1, ⋯ , 𝑁 − 1}
𝑘=0
Les opérations à effectuer pour obtenir ces 𝑁 valeurs de la transformée de Fourier discrète dans
le cas de N échantillons du signal initial sont :
N N N2 multiplication complexes
N N 1 additions complexes
Etant donné que la durée d’exécution d’une addition est négligeable devant la durée d’une
multiplication, le coût de calcul de la TFD va donc essentiellement dépendre du temps de
réalisation d’une multiplication.
Il existe différent algorithme de Transformée de Fourier Rapide. Le plus connu et le plus utilisé
est celui de Cooley-Tukey (appelé aussi entrelacement temporel). Le nombre des
N
multiplications complexes est log 2 N
2
Le gain en fonction du nombre d’échantillons est important, sachant que le calcul de TFD se
fait généralement sur un minimum de 512 ou 1024 échantillons et que le temps de calcul d’une
multiplication est prépondérant par rapport à l’addition, le temps de calcul d’une TFD par FFT
peut être réduit d’un facteur supérieur à 100
N 2N
N 2 log 2 N
2 log 2 N
2k m km
WN2mk exp j 2 exp j 2 WNmk2
N N 2
km
Et pour m N 2 : WNmk N 2 exp j 2 exp j WN
mk
N
N 21 N 21
Xm x i 0
2i
m 2i
W
N x
i 0
2 i 1 WNm 2i 1
Ou bien :
N 2 1 N 2 1
Xm i 0
x 2i WNm 2i WNm x
i 0
2 i 1 WNm 2i
Ce résultat montre que les échantillons X m de la DFT d’ordre N s’exprime sous forme de deux
DFT d’ordre N 2 :
Avec X1N 2 m transformée d’ordre N 2 effectuée sur les échantillons d’ordre pair et X2 N 2 m
transformée d’ordre N 2 effectuée sur les échantillons d’ordre impair. Ainsi nous avons donc
a A=a+ b
b A=a- b
Pour illustrer ce principe nous allons considérer la cas où N 8 . Pour calculer la TFD nous
disposons de 8 échantillons temporels avec k 0, 7 et nous allons calculer les 8 échantillons
fréquentiels X m avec m 0, 7. L’expression, utilisée pour calculer les X m , en fonction des
𝑥𝑘 est la suivante :
7
km
Xm x
k 0
k W8mk avec W8mk exp j
4
Seuls les 8 premiers valeurs de W8mk sont différentes puisque cette fonction est identique
modulo 8, soit :
Eléments de traitement de Signal Enseignant : Adel AMIMI 94
Transformée de Fourier Discrètes : TFD Chapitre 6
3
Les échantillons impairs s’écrivent : X 2m x
k 0
2k 1 W4mk pour m 0, 3
km
Avec les 4 valeurs de la fonction W4mk exp j
2
Ensuite les échantillons de TFD complète sont obtenus à l’aide du calcul « papillon » avec les
coefficients W8mk
Les coefficients des expressions, donnant X1m et X1m , étant très simples( 1 ou j), la méthode
de découpage peut se limiter à cette étape et conserver ainsi comme premier calcul des TFD
d’ordre 4, d’où la représentation schématique du calcul de la TFR.
x1 X20
X4=X10-W80 X20
x3 TFD X21
X5=X11-W81 X21
x5 ordre 4 X22
x7 X6=X12-W82 X22
X23
X7=X13-W83 X23
Représentation schématique du calcul de la TFR après un premier
découpage dichotomique de la TFD
TECHNIQUE DE MODULATION
I NTRODUCTION
BUT
La modulation et la démodulation sont une étape dans la communication d'une
information entre deux utilisateurs. A titre d'exemple, pour faire communiquer deux utilisateurs
de courriels par une ligne téléphonique, des logiciels, un ordinateur, des protocoles, un
modulateur et un démodulateur sont nécessaires. La ligne téléphonique est le canal de
transmission, sa bande passante est réduite, il est affecté d'atténuation et de distorsions. La
modulation convertit les informations binaires issues des protocoles et des logiciels, en tension
et courant dans la ligne. Le type de modulation employé doit être adapté d'une part au signal
(dans ce cas numérique), aux performances demandées (taux d'erreur), ainsi qu'aux
caractéristiques de la ligne.
L'objectif des modulations analogiques est d'assurer la qualité suffisante de transmission d'une
information analogique (voix, musique, image) dans les limites du canal utilisé et de
l'application.
L'objectif des modulations numériques est d'assurer un débit maximum de données binaires,
avec un taux d'erreur acceptable par les protocoles et correcteurs amont et aval. Dans
l'empilement des protocoles OSI (architecture standard des télécommunications numériques),
la modulation est l'élément principal de la couche physique.
TYPES DE TRANSMISSION
Le spectre du signal que l’on désire transmettre doit être compris dans la bande passante
du support de la voie de transmission si l’on veut avoir une réception correcte sans
déformation par le support.
Si le support de la voie de transmission a une très large bande passante par rapport au
signal à transmettre, il est évident que l’utilisation de la voie de transmission n’est pas
optimisée.
A partir de ces deux remarques on distingue deux techniques de transmission de signaux :
les signaux sont transmis tels qu’ils sortent de la source, c’est à dire dans leur bande de
fréquence originale. Cette technique est utilisée chaque fois que le milieu de transmission
convient au sens des domaines fréquentiels et que les conditions économiques permettent de
consacrer un support physique à chaque communication.
Systèmes de modulation
Lorsque plusieurs informations ou signaux indépendants passent dans un même canal, en
utilisant diverses modulations ou sous-porteuses, on parle de "système de modulation".
Ainsi en télévision, le son est transmis par la modulation d'amplitude d'une première porteuse,
l'image par modulation d'amplitude à bande latérale réduite sur une porteuse principale, et la
composante couleur par modulation de fréquence ou de phase d'une sous-porteuse. On parlera
alors de système PAL par exemple
Multiplexage
Le processus de modulation peut inclure des transmissions multiplexées à travers un moyen de
propagation commun, c'est-à-dire des transmissions simultanées de messages différents ayant
des spectres disjoints durant la propagation.
Un des types de multiplexage est le multiplexage par division de fréquence, processus dans
lequel chaque message module une porteuse haute-fréquence, et l'ensemble des porteuses sont
transmises simultanément à travers le même médium.
ω𝑝
𝑉𝑝 = 𝐴𝑐𝑜𝑠(ω𝑝 𝑡 + 𝜙) 𝑓𝑝 =
2𝜋
Ce signal ou onde porteuse 𝑉𝑝 est utilisé pour transmettre le signal ‘‘informatif’’ en modifiant
l’une de ses caractéristiques, ces modifications peuvent affectés :
N.B. : la fréquence de la porteuse 𝑓𝑝 est en général très supérieure à la plus haute fréquence 𝑓𝑚
du signal à transmettre (Le modulant)
Il est possible dans certains cas d’associer deux types de modulation (par exemple la modulation
d’amplitude et de phase).
MODULATION D’AMPLITUDE
La modulation d’amplitude est le procédé le plus ancien, il consiste à faire varier linéairement
l’amplitude du signal à moduler (généralement appelé porteuse) en fonction du signal modulant.
La modulation sert à transmettre un signal 𝑚(𝑡) (source) à l’aide d’un autre signal 𝑉𝑝 (𝑡)
(porteuse) d’une fréquence plus élevée. Il est évident que tous les postes émetteurs de radio
utilisent une plage de fréquences audibles (compris entre 20 Hz et 20 kHz) pour nous faire
entendre leurs programmes. Donc si tous les émetteurs envoyaient directement ces fréquences,
nous n’aurions que du bruit à la réception. En attribuant à chacun une porteuse différente, à la
réception nous choisissons le programme voulu en sélectionnant sa porteuse (définie par sa
fréquence ou par sa longueur d’onde ). Il suffit alors de démoduler le signal pour avoir accès
à l’information d’origine.
𝐶
𝜆= 𝐶 = 300 ∙ 106 𝑚/𝑠 𝑣𝑖𝑡𝑒𝑠𝑠𝑒 𝑑𝑒 𝑙𝑎 𝑙𝑢𝑚𝑖è𝑟𝑒
𝑓
La modulation est également utilisée pour des liaisons numériques (ordinateurs, fax) sur des
lignes analogiques (la porteuse étant un signal analogique. On parle souvent de modem
(modulateur-démodulateur)
Le principe est simple : il repose sur la multiplication du signal porteur par le signal de basse
fréquence (signal modulant) assujetti à un décalage (offset) judicieusement choisi.
Supposons que l’onde porteuse étant définie par 𝑉𝑝 = 𝐴𝑐𝑜𝑠(ω𝑝 𝑡 + 𝜙) et le signal modulant
𝑉𝑚 (𝑡) soit périodique vérifiant la propriété suivante : |𝑉𝑚 (𝑡)|𝑚𝑎𝑥 ≤ 1.
L’expression du signal modulé en amplitude 𝑉𝐴𝑀 (𝑡) s’écrit sous la forme suivante :
On voit sur cette expression le terme constant de décalage (ici ramené à 1, mais en fait égal à
𝑉𝑝 ). L’indice de modulation devant rester inférieur (ou égal) à 1, sous peine de «sur-
modulation»
0.5 0.5
0 0
-0.5 -0.5
temps (ms)
-1 -1
0 0.5 1 1.5 2 0 0.5 1 1.5 2
-0.5
-A(1-k)
-1
-A(1+k) temps (ms)
-1.5
0 0.5 1 1.5 2
SURMODULATION
Soit :
𝐴𝑚
𝑉𝐴𝑀 (𝑡) = 𝐴𝑐𝑜𝑠(ω𝑝 𝑡) + 𝑐𝑜𝑠(𝜔𝑚 𝑡) ∙ 𝑐𝑜𝑠(ω𝑝 𝑡)
2
𝐴𝑚
𝑉𝐴𝑀 (𝑡) = 𝐴𝑐𝑜𝑠(ω𝑝 𝑡 + 𝜙) + [𝑐𝑜𝑠(𝜔𝑝 + ω𝑚 )𝑡 + 𝑐𝑜𝑠(𝜔𝑝 − ω𝑚 )𝑡]
2
Le spectre de fréquence du signal modulé est un graphe nous présentant l’amplitude de chaque
composante du signal. En effet, tout signal périodique est décomposable en une somme de
fonctions sinusoïdales, le signal modulé est lui-même une somme de signaux sinusoïdaux.
Amplitude
Amplitude
Porteuse
A A
BLI BLS
k A/2 k A/2
Fréquence Fréquence
Le spectre se compose donc de trois raies : ω𝑝 (raie de l’onde porteuse), 𝜔𝑝 − ω𝑚 (raie latérale
inférieure) et 𝜔𝑝 + ω𝑚 (raie latérale supérieure). La largeur spectrale occupée par le spectre est
de 2ω.
En pratique, le signal à moduler balaye une certaine plage de fréquences, l’allure du spectre de
fréquence est donnée par la figure ci-dessus.
L’énergie délivrée par l’émetteur est répartie par les trois composantes du spectre : la porteuse
et les deux bandes latérales. Il y a donc gaspillage de puissance puisque l’information utile n’est
contenue que dans les bandes latérales et encombrement de l’espace puisque les deux bandes
contiennent la même information.
La première solution, consiste à supprimer la porteuse ce qui permet d’économiser de l’énergie.
Cette solution est appelée modulation sans porteuse.
La deuxième solution, consiste à ne transmettre que la bande latérale unique (BLU), on
supprime alors l’une des deux bandes et la porteuse.
Cas général :
Cette décomposition est supposée limitée aux N 1 premiers termes, soit pour i N , ai 0
Donc nous avons un spectre borné qui peut être représenté de façon continue en supposant les
raies très proches, c’est à dire la différence entre les i très petite en supposant ki k ai ,
l’expression du signal modulé est donnée par :
N
VAM t A 1
ki 0
i cos( i t ) cos t
Cette représentation conduit à une densité spectrale se présentant sous la forme d’une raie
centrale de fréquence identique au cas précédent et de deux bandes latérales s’étendant de
à N (bande latérale supérieure) et de N à (bande latérale inférieure. La largeur
spectrale est donc de 2 N . Ainsi si l’on désire transporter par un même canal plusieurs
informations de type basse fréquence (BF), l’écart minimal entre les porteuses doit être de 2 N
Amplitude
BLI BLS
k A/2
Fréquence
- +
VAM(f)
M(f)
2Bm
f f
-Bm Bm -fp 0 fp
0
Spectre du signal modulant Spectre du signal modulé (AM-P)
Amplitude
Filtre
passe-bas
BLI BLS
k A/2
Fréquence
-N +N
VAM(f)
M(f)
f f
-Bm Bm -fp 0 fp
0
Spectre du signal modulant Spectre du signal modulé (BLU)
Détecteur d'enveloppe
On utilise un circuit redresseur non-linéaire, en général une simple diode, qui permet d'extraire
la partie positive du signal modulé (voir figure 7-2), on appelle ce circuit un détecteur. Un filtre
passe-bas éliminera la composante haute fréquence et permettra d'extraire l'enveloppe du signal
modulé (voir un exemple de schéma symbolique à la figure 7-4). Si le taux de modulation est
inférieur ou égal à un, cette enveloppe est le signal modulant. Si le signal est surmodulé, une
distorsion sera alors observée (voir figure 7-3) car c'est alors la valeur absolue du signal
modulant qui est extraite.
Il faut disposer dans le récepteur d'un signal synchronisé sur la porteuse: 𝑒𝑝 (𝑡) = 𝑠𝑖𝑛 𝜔𝑝 𝑡, ce
signal est multiplié par le signal modulé reçu
Un simple filtre passe-bas élimine la composante à la pulsation 2𝜔𝑝 et ne laisse passer que la
composante continue qui fournit directement, à un offset et à un facteur de gain près, le signal
modulant 𝑠(𝑡) (voir le schéma symbolique à la figure 7-4).
1 + 𝑚. 𝑠(𝑡)
2
ou encore
Vp(t) : Porteuse
1. La modulation de fréquence (FM) sert à restituer la composante continue du signal, elle est
utilisée en radiodiffusion haute fidélité (bande"FM"), en diffusion de télévision par satellite, et
en transmission analogique d'images (radiofacsimilé, SSTV).
2. La modulation de phase (PM) est utilisée en radiotéléphonie VHF et UHF. Une modulation
de phase précédée d'un filtrage étant équivalente à une modulation de fréquence, c'est aussi une
autre façon de moduler en fréquence en radiotéléphonie.
Il est généralement possible d’inscrire le signal que l’on souhaite transmettre sur la variable
‘‘fréquence’’ de la porteuse. Si cette fréquence doit varier, il convient de définir sa valeur
La pulsation instantanée 𝜔(𝑡) sera définie comme la dérivée de la phase instantanée 𝜃(𝑡).
𝑑𝜃
𝜔(𝑡) =
𝑑𝑡
Cette définition fait coïncider la pulsation instantanée avec 𝜔0 dans le cas classique d’une
pulsation constante, car 𝜃(𝑡) = 𝜔0 𝑡. Si la pulsation est modulée par un signal
𝑠(𝑡) 𝑎𝑙𝑜𝑟𝑠 𝑜𝑛 𝑎𝑢𝑟𝑎 :
𝑑𝜃
= 𝜔0 + 𝑘 𝑠(𝑡)
𝑑𝑡
Et donc :
𝑡
𝜃(𝑡) = 𝜔0 𝑡 + 𝑘 ∫ 𝑠(𝑢) 𝑑𝑢
−∞
Le signal modulé en fréquence s’écrira donc :
𝑠(𝑡) = cos Ω𝑡
Le coefficient 𝑘 sera noté Δ𝜔 il correspond à l’amplitude de l’excursion en fréquence
instantanée du signal modulé qui s’écrit alors:
Δ𝜔
𝑥(𝑡) = sin (𝜔0 𝑡 + sin Ωt)
Ω
Δ𝜔
Le quotient caractérise la profondeur de modulation on l’appelle indice de modulation :
Ω
Δ𝜔
𝑚=
Ω
Et alors :
𝑥(𝑡) = sin(𝜔0 𝑡 + 𝑚 ∙ sin Ωt)
𝜃(𝑡) = 𝜔0 𝑡 + 𝑘 𝑠(𝑡)
𝑘 est toujours appelé indice de modulation. Il apparaît que ce procédé ne diffère pas
fondamentalement du précédent, il suffit de remplacer le signal modulant par sa dérivée pour
passer de la modulation de fréquence à la modulation de phase. Le signal modulé en phase
s’écrit alors :
L’analyse fréquentielle des signaux modulés en fréquence ou en phase est plus difficile que
celle des signaux modulés en amplitude car elle fait appel à des fonctions spéciales, les
fonctions de Bessel.
Fonctions de Bessel :
1
𝐽𝑛 (𝑥) ≅ 𝑥𝑛
2𝑛 𝑛!
APPLICATIONS
Exercice 1
𝜔
On souhaite transmettre un signal modulant 𝑚(𝑡) = 𝑐𝑜𝑠 ( 20 𝑡) en utilisant la technique de
modulation d’amplitude avec une porteuse 𝑉𝑝 (𝑡) = 𝑐𝑜𝑠(4𝜋𝑓𝑝 𝑡) et une composante continue
U DC 2V .
Avec : 0 2 f m
1. Déterminer l’expression du signal modulé 𝑉𝐴𝑀 (𝑡).
2. Quelles sont les fréquences présentes dans le signal 𝑉𝐴𝑀 (𝑡).
3. Quelle est la nature du spectre du signal modulé ? Justifier.
4. On désigne par𝑀(𝑓) le spectre de 𝑚(𝑡) et par 𝑉𝐴𝑀 (𝑓) spectre du signal modulé, montrer
que 𝑉𝐴𝑀 (𝑓) peut se mettre sous la forme suivante :
1
𝑉𝐴𝑀 (𝑓) = 2𝑉𝑝 (𝑓) + [𝑀(𝑓 + 2𝑓𝑝 ) + 𝑀(𝑓 − 2𝑓𝑝 )]
2
VAM(t) Y(t)
X Filtrage VD_AM(t)
Vp(t)
Exercice 2
Exercice 3
3. Donner l’expression ainsi que la représentation spectrale du signal modulé |𝑋3 (𝑓)| dans le
cas d’une modulation AM à bande latérale unique du signal modulant 𝑚3 (𝑡) = 𝑚2 (𝑡) +
𝑐𝑜𝑠(600𝜋𝑡) avec une porteuse 𝑐𝑜𝑠(10𝜋102 𝑡).
4. Donner l’expression ainsi que la représentation spectrale du signal modulé |𝑋4 (𝑓)| dans le
cas d’une modulation AM-P du signal modulant 𝑚4 (𝑡) = 𝑚2 (𝑡). 𝑐𝑜𝑠(2𝜋6. 102 𝑡) avec une
sin 𝑋
porteuse 𝑐𝑜𝑠(4𝜋103 𝑡). Sachant que = 0 à partir du 3ème passage par zéro.
𝑋
Exercice 4
On considère le spectre de fréquence des signaux continues 𝒎𝟏 (𝒕) et 𝒎𝟐 (𝒕) illustré par la
figure ci-dessous :
M1(f) M2(f)
1 1
f(kHz) f(kHz)
0 100 0 200
1. Donner la représentation spectrale du signal modulé 𝑿𝟏 (𝒇) dans le cas d’une modulation
AM du signal modulant 𝑚1 (𝑡) avec une porteuse 𝒄𝒐𝒔𝟒𝝅𝟏𝟎𝟓 𝒕.
2. Donner la représentation spectrale du signal modulé 𝑿𝟐 (𝒇) dans le cas d’une modulation
AM-P du signal modulant 𝒎𝟐 (𝒕) avec une porteuse 𝒄𝒐𝒔𝟒𝝅𝟏𝟎𝟓 𝒕.
3. Donner la représentation spectrale du signal modulé 𝑿𝟑 (𝒇) dans le cas d’une modulation
AM à bande latérale unique du signal modulant 𝒎𝟐 (𝒕) avec une porteuse 𝒄𝒐𝒔𝟒𝝅𝟏𝟎𝟓 𝒕.
4. On désigne par 𝑆1 (𝑓) le spectre de 𝑠1 (𝑡), donner l’expression 𝑆1 (𝑓). En déduire l’allure de
𝑆1 (𝑓).
5. On désigne par 𝑆2 (𝑓) le spectre de 𝑠2 (𝑡), donner l’expression 𝑆2 (𝑓). En déduire l’allure de
𝑆2 (𝑓).
6. Donner l’expression spectrale du signal modulé 𝐻1 (𝑓) dans le cas d’une modulation AM du
signal modulant 𝑠1 (𝑡) avec une porteuse 𝑐𝑜𝑠(6𝜋102 𝑡). En déduire l’allure de |𝐻1 (𝑓)|.
7. Donner l’expression spectrale du signal modulé 𝐻2 (𝑓) dans le cas d’une modulation AM-P
sin 𝑋
du signal modulant 𝑠2 (𝑡) avec une porteuse 𝑐𝑜𝑠(12𝜋102 𝑡). Sachant que = 0 à partir
𝑋
Corrigé Exercice 4
X1(f)
f(kHz)
-200 100 200 300
La représentation spectrale du signal modulé 𝑿𝟐 (𝒇) dans le cas d’une modulation AM-P du
signal modulant 𝒎𝟐 (𝒕) avec une porteuse 𝒄𝒐𝒔𝟒𝝅𝟏𝟎𝟓 𝒕.
X2(f)
f(kHz)
100 300 500
la représentation spectrale du signal modulé 𝑿𝟑 (𝒇) dans le cas d’une modulation AM à bande
latérale unique du signal modulant 𝒎𝟐 (𝒕) avec une porteuse 𝒄𝒐𝒔𝟒𝝅𝟏𝟎𝟓 𝒕.
X3(f)
f(kHz)
-400 200 400
1 1
𝑆1 (𝑓) = 𝛿(𝑓) + [𝛿(𝑓 + 𝑓1 ) − 𝛿(𝑓 − 𝑓1 )] + [𝛿(𝑓 + 2𝑓1 ) − 𝛿(𝑓 − 2𝑓1 )]
2 4
𝑓(𝐻𝑧)
𝑓1 2𝑓1
𝒔𝒊𝒏(𝝅𝒇𝒅)
𝑺𝟐 (𝒇) = 𝒅 𝒔𝒊𝒏𝒄(𝝅𝒇𝒅) = 𝒅
𝝅𝒇𝒅
𝑺𝟐 (𝒇)
𝒇
𝟏
𝒅
𝟎
1
𝐻1 (𝑓) = [𝛿(𝑓 + 𝑓0 ) − 𝛿(𝑓 − 𝑓0 )] + [𝛿(𝑓0 + 𝑓1 ) − 𝛿(𝑓0 − 𝑓1 )]
2
1
+ [𝛿(𝑓0 + 2𝑓1 ) − 𝛿(𝑓0 − 2𝑓1 )]
4
𝑓0 = 300𝐻𝑧 : fréquence de la porteuse
𝑓(𝐻𝑧)
100 300
𝒇(𝑯𝒛)
−𝟔𝟎𝟎 𝟎 𝟔𝟎𝟎
𝑓(𝐻𝑧)
600 700 900
L’intérêt d’une telle approche est de s’appuyer sur un ensemble de fonctions de base possédant
des caractéristiques intéressantes connues (fonction ±(n) et l’exponentiel complexe par
exemple).
Appliquons le premier point énuméré précédemment en utilisant des signaux 𝜹 comme fonction
de base. Soit 𝑥(𝑛) un signal numérique quelconque que l’on cherche à représenter uniquement
avec un ensemble de fonctions 𝜹(𝒏).
Développons le signal 𝑥(𝑛) :
𝑥(𝑛) = ∑ 𝑥(𝑘)𝛿(𝑛 − 𝑘)
𝑘=−∞
Soit maintenant un système linéaire (SL) transformant un signal d'entrée 𝑥(𝑛) en un signal de
sortie 𝑦(𝑛):
𝑦(𝑛) = 𝑇[𝑥(𝑛)]
+∞ +∞
+∞
En plus d'être linéaire, si le système est invariant, ℎ𝑘 (𝑛) ne dépend plus de 𝑘, donc
ℎ(𝑛) = 𝑇[𝛿(𝑛)]
Pour un système linéaire invariant (SLI), on obtient alors la relation suivante entre le signal
d'entrée et de sortie:
+∞
Un Système Linéaire Invariant est donc entièrement caractérisé par sa réponse impulsionnelle
ℎ(𝑛). Cette opération d'accumulation de termes multiplicatifs porte le nom de convolution et
se note ∗, on a:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛)
Par simple changement de variable sous le signe somme, il est simple de montrer qu'il s'agit
d'un opération commutative, on a alors:
Exemple de convolution
Soit la réponse impulsionnelle ℎ(𝑛) d'un système linéaire invariant telle que:
𝑎𝑛 𝑠𝑖 𝑛 ≥ 0
ℎ(𝑛) = {
0 𝑠𝑖 𝑛 < 0
ou encore :
ℎ(𝑛) = 𝑎𝑛 𝑢(𝑛)
On trouvera sur la figure (1.a) la réponse impulsionnelle ℎ(𝑛) et sur la figure (1.b) une
représentation du signal de sortie 𝑦(𝑛)
1 1
𝑭𝒊𝒈𝒖𝒓𝒆 (𝟏. 𝒂)
-10 0 10 20 30 -10 0 10 20
𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛 𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛
𝑭𝒊𝒈𝒖𝒓𝒆 (𝟏. 𝒃)
-10 0 10 20 30
𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛
1. Pour 𝒏 < 0
ℎ(𝑛 − 𝑘) et 𝑥(𝑛) n'ont aucun échantillon non nuls en commun donc 𝑦(𝑛) = 0 pour
𝑛 < 0.
2. Pour 0 ≤ 𝒏 < 𝑵
On a un recouvrement d'échantillons non nuls pour 0 ≤ 𝒌 < 𝑛, donc pour 0 ≤ 𝒏 < 𝑵
𝑛
𝑛−𝑘
1 − 𝑎 −(𝑛+1)
𝑛
𝑦(𝑛) = ∑ 𝑎 =𝑎
1 − 𝑎−1
𝑘=0
3. Pour 𝒏 ≥ 𝑵
On a 𝑛 recouvrements d'échantillons non nuls pour 0 ≤ 𝒌 < 𝑁 donc pour 𝒏 ≥ 𝑵, on a
Stabilité
Un système est stable si à une entrée bornée correspond une sortie bornée. Soit h(n) la réponse
impulsionnelle d’un système linéaire invariant, la condition de stabilité d’un tel système s’écrit
:
+∞
∑ |ℎ(𝑛)| < ∞
𝑛=−∞
Causalité
Les équations de convolutions développées au cours des paragraphes précédents font intervenir
des sommes infinies de termes. Si la réponse impulsionnelle possède un nombre infini de termes
il est difficilement envisageable de mettre en œuvre cette convolution sur un calculateur. Mais,
il cependant possible pour certaines classes de réponses impulsionnelles infinies de développer
la convolution sous la forme d’une récursion. La relation entre l’entrée et la sortie est une
combinaison linéaire à coefficients constants (et en nombre fini) des échantillons d’entrée et de
sortie.
Une équation aux différences finies peut s’écrire sous la forme :
𝑁 𝑀
Un système régit par une équation aux différences finies du type précédent est linéaire, invariant
et causal.
Si 𝑵 ≥ 𝟏 :
Eléments de traitement de Signal Enseignant : Adel AMIMI 117
Systèmes Linéaires invariants Chapitre 8
un échantillon de sortie au temps 𝑛, 𝑦(𝑛) dépend des 𝑵 précédents échantillons de
sortie 𝑦(𝑛 − 1) ⋯ 𝑦(𝑛 − 𝑁),
un tel système est dit récursif,
la réponse impulsionnelle est infinie (RII), ou IIR en anglais (Infinite Impulse
Response).
Si 𝑵 = 𝟎 :
la sortie y(n) dépend seulement de l’entrée courante x(n) et de ses M échantillons
précédents,
le système est dit non-récursif,
la réponse impulsionnelle est finie (RIF), ou FIR en anglais (Finite Impulse
Response).
La réponse impulsionnelle d’un système RIF est donnée par :
ℎ(𝑛) = ∑ 𝑏𝑘 𝛿(𝑛 − 𝑘)
𝑘=0
Représentation fréquentielle
Au cours du paragraphe précédent, nous avons vu que les systèmes linéaires invariants
ont des propriétés, notamment le principe de superposition, qui conduisent à des solutions
analytiques simples. Si on applique une sinusoïde à l’entrée d’un système LI la sortie est elle
aussi sinusoïdale et de même pulsation. Les amplitudes et phases dépendent par contre des
caractéristiques du système. Il est donc possible d’analyser le comportement d’un système
linéaire invariant par l’observation de l’évolution des paramètres d’une série de sinusoïdes.
C’est cette propriété qui rend si intéressante l’utilisation de la transformée de Fourier pour
l’étude des systèmes LI. Soit l’entrée 𝑥(𝑛) = 𝑒 𝑗𝜔𝑛𝑇 = 𝑒 𝑗Ω𝑛𝑇 pour −∞ < 𝑛 < +∞ d’un
système linéaire invariant de réponse impulsionnelle ℎ(𝑘). La sortie peut alors s’écrire :
∞ ∞
𝑗Ω(𝑛−𝑘) 𝑗Ω𝑛
𝑦(𝑛) = ∑ ℎ(𝑘)𝑒 ⟹ 𝑦(𝑛) = 𝑒 ∑ ℎ(𝑘)𝑒 −𝑗Ω𝑘
𝑘=−∞ 𝑘=−∞
en posant:
∞
𝑗Ω𝑛 )]
𝐻(𝑒 𝑗Ω𝑛 ) = |𝐻(𝑒 𝑗Ω𝑛 )|𝑒 𝑗arg[𝐻(𝑒
La définition de la réponse fréquentielle d’un système linéaire invariant montre qu’il s’agit
d’une fonction périodique de période 2𝜋. Cela veut dire qu’à deux entrées identiques mais à
une pulsation double le système répond d’une manière identique. Puisque 𝐻(𝑒 𝑗Ω𝑛 ) est une
fonction périodique, elle peut être représentée par une série de Fourier. En fait l’équation de
définition fait apparaître 𝐻(𝑒 𝑗Ω𝑛 ) comme une série de Fourier où les coefficients sont ℎ(𝑘).
Transformation en Z
La transformée en Z directe d’un signal à temps discret x(n) est définie par :
+∞
Exemples de transformée :
On a bien :
+∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛 = 𝑧 0 = 1, ∀ 𝑧 ∈ ℂ
𝑛=−∞
On a:
𝑋(𝑧) = 𝑧 −𝑘
Pour un signal à durée finie, la région de convergence correspond au plan complexe ℂ avec
l'exclusion possible de 𝑧 = 0 ou 𝑧 = ∞.
On a :
Eléments de traitement de Signal Enseignant : Adel AMIMI 120
Systèmes Linéaires invariants Chapitre 8
+∞ +∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛 = ∑ 𝑎𝑛 𝑧 −𝑛
𝑛=−∞ 𝑛=0
+∞
1
= ∑(𝑎𝑧 −1 )𝑛 =
1 − 𝑎𝑧 −1
𝑛=0
La série précédente converge si et seulement si |𝑎𝑧 −1 | < 1, c'est-à-dire ssi |𝑎| < |𝑧|. La figure
ci-dessous représente la région de convergence dans le plan complexe. Si 𝑎 = 1, on obtient le
cas particulier de l'échelon unité. La transformée en 𝑧 de l'échelon est donc :
1
𝑈(𝑧) = , |𝑧| > 1
1 − 𝑧 −1
Im
Domaine de convergence
a Ré
0
1
Figure 2 : Domaine de convergence, 𝑋(𝑧) = 1−𝑎𝑧 −1
Propriétés de la transformée en z
Linéarité:
Soient deux signaux à temps discret 𝑥1 (𝑛) et 𝑥2 (𝑛) ayant pour transformées en 𝑧 respectives
𝑋1 (𝑧) et 𝑋2 (𝑧). Soit le signal 𝑥(𝑛) = 𝑎𝑥1 (𝑛) + 𝑏𝑥2 (𝑛).
La définition de transformée en 𝑧 conduit directement à la relation suivante :
1 1 1 1 1 − cos(𝜔0 )𝑧 −1
𝑋(𝑧) = ( )+ ( )=
2 1 − 𝑒 𝑗𝜔0 𝑧 −1 2 1 − 𝑒 −𝑗𝜔0 𝑧 −1 1 − 2cos(𝜔0 )𝑧 −1 + 𝑧 −2
Décalage temporel
Eléments de traitement de Signal Enseignant : Adel AMIMI 121
Systèmes Linéaires invariants Chapitre 8
Soit un signal 𝑥(𝑛) de transformée en 𝑍, 𝑋(𝑧). Soit 𝑘, un indice temporel quelconque et 𝑥′(𝑛) =
𝑥(𝑛 − 𝑘), on obtient simplement à partir de la définition de la transformée:
𝑋′(𝑧) = 𝑧 −𝑘 𝑋(𝑧)
Facteur d'échelle en z
Soit un signal 𝑥(𝑛) de transformée en 𝑍, 𝑋(𝑧) avec 𝑟1 < |𝑧| < 𝑟2 pour région de
convergence. Soit 𝑥 ′ (𝑛) = 𝑎𝑛 𝑥(𝑛), on a alors:
𝑧
𝑋 ′ (𝑧) = 𝑋 ( )
𝑎
avec |𝑎|𝑟1 < |𝑧| < |𝑎|𝑟2 pour région de convergence.
Soit 𝑥(𝑛) avec 𝑋(𝑧) pour transformée et 𝑟1 < |𝑧| < 𝑟2 pour région de convergence. Soit
𝑥 ′ (𝑛) = 𝑥(−𝑛), on a alors:
1
𝑋 ′ (𝑧) = 𝑋 ( )
𝑧
1 1
avec 𝑟 < |𝑧| < 𝑟 comme région de convergence.
1 2
Soit 𝑥(𝑛) avec 𝑋(𝑧) pour transformée. Soit 𝑥 ′ (𝑛) = 𝑛𝑥(𝑛) on a alors:
𝑑
𝑋 ′ (𝑧) = −𝑧 𝑋(𝑧)
𝑑𝑧
La région de convergence reste inchangée.
+∞
𝑑 𝑑
𝑋 ′ (𝑧) = −𝑧 𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛
𝑑𝑧 𝑑𝑧
𝑛=−∞
+∞ +∞
Convolution
Soient 𝑥1 (𝑛)et 𝑥2 (𝑛) avec pour transformées en Z respectives 𝑋1 (𝑧) et 𝑋2 (𝑧). Soit 𝑥(𝑛) =
𝑥1 (𝑛) ∗ 𝑥2 (𝑛), on a alors:
𝑋(𝑧) = 𝑋1 (𝑧). 𝑋2 (𝑧)
Démonstration:
+∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛
𝑛=−∞
+∞ +∞
= ∑ [ ∑ 𝑥1 (𝑘)𝑥2 (𝑛 − 𝑘)] 𝑧 −𝑛
𝑛=−∞ 𝑘=−∞
+∞ +∞
= ∑ 𝑥1 (𝑘) [ ∑ 𝑥2 (𝑛 − 𝑘) 𝑧 −𝑛 ]
𝑘=−∞ 𝑛=−∞
+∞
= ( ∑ 𝑥1 (𝑘) 𝑧 −𝑘 ) 𝑋2 (𝑧)
𝑘=−∞
= 𝑋1 (𝑧) 𝑋2 (𝑧)
Pour calculer la convolution de deux signaux, il peut être intéressant de multiplier les
transformées respectives de deux signaux convolués et de rechercher la transformées en Z
inverse de la transformée résultante.
Soit 𝑦(𝑛) la sortie d'un système linéaire invariant de réponse impulsionnelle ℎ(𝑛) soumis à
l'entrée 𝑥(𝑛), on a alors:
Une convolution dans l'espace à temps discret lui correspond une convolution dans l'espace
complexe z et vice versa.
Transformées en Z rationnelles
Cette classe de fonction correspond aux systèmes linéaires invariants décrits par une équation
aux différences finies.
𝑁(𝑧) 𝑏0 + 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑀 𝑧 −𝑀 ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = = =
𝐷(𝑧) 𝑎0 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁 ∑𝑁
𝑘=0 𝑎𝑘 𝑧
−𝑘
𝑏0 𝑧 −𝑀 (𝑧 − 𝑧1 ) ⋯ (𝑧 − 𝑧𝑀 ) 𝑧 −𝑀 ∏𝑀
𝑘=1(𝑧 − 𝑧𝑘 )
𝐻(𝑧) = −𝑁
= 𝛼 −𝑁 𝑁
𝑎0 𝑧 (𝑧 − 𝑝1 ) ⋯ (𝑧 − 𝑝𝑁 ) 𝑧 ∏𝑘=1(𝑧 − 𝑝𝑘 )
Il vient alors:
𝐻(𝑧) possède 𝑀 zéros finis en 𝑧1 ⋯ 𝑧𝑀
𝐻(𝑧) possède 𝑁 pôles finis en 𝑝1 ⋯ 𝑝𝑁
Si 𝑁 > 𝑀, 𝐻(𝑧) possède 𝑁 − 𝑀 zéros en 𝑧 = 0
Si 𝑁 < 𝑀, 𝐻(𝑧) possède 𝑀 − 𝑁 pôles en 𝑧 = 0
Il peut aussi y avoir des pôles ou zéros en 𝑧 = ∞ selon que 𝐻(𝑧) = 0 ou 𝐻(𝑧) = ∞
En suivant la notation précédente, 𝐻(𝑧) est complètement déterminé par la position de ses pôles
𝑏
et de ses zéros ainsi que par le facteur d'amplitude 𝛼 = 𝑎0 . Les pôles et zéros reflètent le
0
comportement du système (ou signal) tandis que le facteur 𝛼 n'intervient que sur l'amplitude
des signaux. 𝐻(𝑧) peut donc être représenté sous la forme d'un graphique modélisant la position
des pôles et des zéros dans le plan complexe. Par définition, la région de convergence de 𝐻(𝑧)
exclue tous les pôles de cette fonction.
𝑌(𝑧)
𝐻(𝑧) =
𝑋(𝑧)
𝑌(𝑧) ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘 ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = = = (1.1)
𝑋(𝑧) 1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘 ∑𝑁
𝑘=0 𝑎𝑘 𝑧
−𝑘
L’équation (1.1) met en évidence qu’un système linéaire invariant décrit par une équation aux
différences finies a une fonction de transfert dont la transformée en 𝑍 est une fonction
rationnelle. Ceci montre l’intérêt de l’étude des transformées en 𝑍 s’écrivant sous la forme de
polynômes rationnels.
𝑀 𝑀
−𝑘
1
𝐻(𝑧) = ∑ 𝑏𝑘 𝑧 = 𝑀 ∑ 𝑏𝑘 𝑧 𝑀−𝑘
𝑧
𝑘=0 𝑘=0
𝑏0 𝑏0 𝑧 𝑁
𝐻(𝑧) = =
1 + ∑𝑁
𝑘=1 𝑎𝑘 𝑧
−𝑘 ∑𝑀
𝑘=0 𝑎𝑘 𝑧
𝑁−𝑘
Transformée en Z inverse
A partir d'une liste de transformées en Z de signaux élémentaires connus, il peut être efficace
de retrouver des signaux temporels à partir de transformées dérivées des opérateurs et propriétés
décrits précédemment. Cependant, lorsque la transformée ne peut facilement s'écrire comme la
combinaison de transformées élémentaires, il reste les techniques générales de transformation
inverse :
L'intégration sur un contour fermé.
Le développement en puissance de 𝑧 et de 𝑧 −1
Le développement en fractions élémentaires.
S'il est possible d'écrire 𝑋(𝑧) comme une série de puissances en 𝑧 −1 , l'unicité de la
transformation directe conduit à prendre les coefficients de la série pour le signal temporel.
Si 𝑋(𝑧) = ∑+∞
𝑛=−∞ 𝐶𝑛 𝑧
−𝑛
𝑎𝑙𝑜𝑟𝑠 𝑥(𝑛) = 𝐶𝑛
On cherche par exemple la réponse impulsionnelle d'un système décrit par l'équation aux
différences finies suivante :
𝐻(𝑧) = ∑ 𝑧 −3𝑘 = 1 + 𝑧 −3 + 𝑧 −6 + ⋯
𝑘=0
On obtient donc :
∞
Il s'agit ici d'un cas simple d'utilisation des séries géométriques. En général, le développement
de 𝑋(𝑧) en puissance de 𝑧 −1 est un calcul assez long, difficile et fastidieux.
Ce mode de représentation est le plus usuel. Il permet de lier l’entrée et la sortie dans le plan 𝑧
par 𝑌 (𝑧) = 𝐻(𝑧)𝑋(𝑧). On posera dans la suite
𝑁(𝑧) ∑𝑁
𝑖=0 𝑎𝑖 𝑧
−𝑖
𝐻(𝑧) = =
𝐷(𝑧) 1 + ∑𝑁
𝑖=1 𝑏𝑖 𝑧
−𝑖
où 𝑁(𝑧) est le polynôme du numérateur de la fonction de transfert, tandis que 𝐷(𝑧) est son
dénominateur. 𝑁 est ici l’ordre du filtre. Dans le cas où 𝐻(𝑧) possède des pôles, on parlera de
où 𝒑𝒊 sont les pôles et zi sont les zéros de H(z). On rappelle ici que la stabilité du filtre sera
déterminé par l’appartenance des pôles au cercle unité (i.e.|𝑝𝑖 | < 1), et que des zéros
appartenant au cercle unité caractériseront un filtre à minimum de phase. La figure 3 montre
plusieurs versions de représentations de H(z). La forme directe (figure 3.a) peut être
décomposée en produit ou en somme de fonctions de transfert d’ordre inférieur, généralement
d’ordre 2. L’équation 2.1 et la figure 3.b représentent la forme parallèle, tandis que l’équation
2.2 et la figure 3.c représentent la forme cascade.
H1(z)
X(z) Y(z)
H1(z) H2(z) ⋯ HM(z)
𝑀 𝑀 −2
𝑏0 + 𝑏1 𝑧 −1 + 𝑏2 𝑧
𝐻(𝑧) = ∑ 𝐻𝑖 (𝑧) = ∑ (2.1)
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2
𝑖=1 𝑖=1
𝑀 𝑀 −2
𝑏0 + 𝑏1 𝑧 −1 + 𝑏2 𝑧
𝐻(𝑧) = ∏ 𝐻𝑖 (𝑧) = ∏ (2.2)
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2
𝑖=1 𝑖=1
Il s'agit de caractériser 𝑦(𝑛). On suppose que 𝐻(𝑧) peut s'écrire sous la forme d'une fraction
de polynômes en z, c'est à dire:
𝑁(𝑧)
𝐻(𝑧) =
𝐷(𝑧)
Causalité et Stabilité
Au début du chapitre caractérisant les systèmes à temps discret, on a vu qu’un système linéaire
invariant est causal si et seulement si sa réponse impulsionnelle ℎ(𝑛) est nulle si 𝑛 < 0.
Un système linéaire invariant est causal si et seulement si le domaine de convergence de sa
transformée en 𝑧 est l’extérieur d’un cercle de rayon 𝑟 < ∞ incluant 𝑧 = ∞. Ainsi, 𝐻(𝑧) =
𝑧 2 a une région de convergence : ℂ − ∞ qui est extérieur à un cercle de rayon 0 mais excluant
𝑧 = ∞. Donc le système est non causal.
On a vu que pour qu'un système linéaire invariant soit stable il suffit que sa réponse
impulsionnelle vérifie:
+∞
∑ |ℎ(𝑛)| < ∞
𝑛=−∞
𝑗2𝜋𝑓
𝑒 𝑗2𝜋𝑓
𝐻(𝑒 )=
1
𝑒 𝑗2𝜋𝑓 + 2
la double figure 4 représente sur sa partie gauche la position des pôles et des zéros de la fonction
de transfert (un pôle est indiqué par le symbole ×, et un zéro par le symbole 𝒐) et sur sa partie
droite la réponse fréquentielle du système : module et phase pour 0 ≤ Ω = 2𝜋𝑓 ≤ 𝜋
L’évolution du module de la réponse fréquentielle nous montre qu’il-y-a atténuation des
contributions dues au basses fréquences par rapport aux hautes fréquences. Le comportement
de ce système est donc celui d’un filtre passe-haut.
partie 2
1.8
Imaginaire 1.6
1 1.4
1.2
1
0.8
0 0.3
0.1 0.2 0.4 0.5
0 ×
0.7
-1 0.6
0.4
0
0 0.1 0.2 0.3 0.4 0.5
1
Figure 4: Réponse fréquentielle, 𝑋(𝑧) = 1+0.5𝑧 −1
Considérons comme exemple un filtre passe-bande décrit par une fonction de transfert
d’ordre2
(𝑧 − 𝑧1 )(𝑧 − 𝑧2 )
𝐻(𝑧) = 𝐴
(𝑧 − 𝑝1 )(𝑧 − 𝑝2 )
Et caractérisé par les points suivants :
1. Il ne doit pas laisser passer la fréquence nulle qui se situe en 𝑧 = +1 dans le plan
complexe ; on doit donc avoir un zéro en cet endroit, d’où
𝑧1 = +1
2. Il doit bloquer les signaux de fréquence 𝐹𝑒 /2 qui se situe en 𝑧 = −1 ; on a donc :
𝑧2 = −1
3. Il doit laisser passer la fréquence centrale 𝐹0 qui correspond à deux pôle situés en
𝑝1,2 = 𝑅𝑒 ±𝑗 Ω0
𝐹
Avec la pulsation normalisée Ω0 = 2𝜋 𝐹0 𝑒𝑡 𝑅 < 1 pour que le filtre soit stable la fonction de
𝑒
1 − 𝑒 −𝑗𝜋/2
𝐻(𝑗Ω0 ) = 𝐴
1 − 2𝑅𝑐𝑜𝑠(𝜋/4)𝑒 −𝑗 π/4 + 𝑅 2 𝑒 −𝑗𝜋/2
ℎ(𝑛)
0.2 𝑛
0
−5 −4 −3 −2 −1 𝟎 1 2 3 4 5
𝟏
𝟎. 𝟖
𝑦(𝑛) 𝟎. 𝟔
𝟎. 𝟒
𝟎. 𝟐 𝒏
𝟎
−𝟓 −𝟒 −𝟑 −𝟐 −𝟏 𝟎 𝟏 𝟐 𝟑 𝟒 𝟓
Figure 8.1 : Réponse impulsionnelle et indicielle d’un moyenneur non causal d’ordre 5
𝐻(𝑗Ω) 0.5
𝑛
0
−3 −2 −1 𝟎 1 2 3
|𝐻(𝑗Ω)|𝟎. 𝟓
𝒏
𝟎
𝟎
Moyenneur causal
Un moyenneur causal d’ordre 5 est décrit par l’équation aux différences suivantes :
1
𝑦(𝑛) = [𝑥(𝑛) + 𝑥(𝑛 − 1) + 𝑥(𝑛 − 2) + 𝑥(𝑛 − 3) + 𝑥(𝑛 − 4)]
5
Et sa réponse impulsionnelle est :
1
𝑠𝑖 0 ≤ 𝑛 ≤ 4
ℎ(𝑛) = {5
0 𝑠𝑖𝑛𝑜𝑛
𝐴
𝐻(𝑗Ω) =
1 − 𝑅𝑒 −𝑗Ω
𝐴
𝐻(𝑗Ω) =
1 − 𝑅𝑐𝑜𝑠(Ω) + 𝑗𝑅𝑠𝑖𝑛(Ω)
𝐴
|𝐻(𝑗Ω)| =
2
√(1 − 𝑅𝑐𝑜𝑠(Ω)) + (𝑅𝑠𝑖𝑛(Ω))2
𝑅𝑠𝑖𝑛(Ω)
𝐴𝑟𝑔(𝐻(𝑗Ω)) = −𝑎𝑟𝑐𝑡𝑎𝑛 ( )
1 − 𝑅𝑐𝑜𝑠(Ω)
𝒙(𝒏) 𝑿(𝒛)
𝛿(𝑛) 1
𝛿(𝑛 − 𝑘) 𝑧 −𝑘
𝑢(𝑛) 𝑧
𝑧−1
𝑎𝑛 𝑧
𝑧−𝑎
𝑒 −𝑎𝑛𝑇𝑒 𝑧
𝑧 − 𝑒 −𝑎𝑇𝑒
sin(𝜔0 𝑛𝑇𝑒 ) 𝑧 sin(𝜔0 𝑇𝑒 )
𝑧 2 − 2𝑧 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 1
cos(𝜔0 𝑛𝑇𝑒 ) 𝑧[𝑧 − cos(𝜔0 𝑇𝑒 )]
𝑧2 − 2𝑧 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 1
𝑒 −𝑎𝑛𝑇𝑒 sin(𝜔0 𝑛𝑇𝑒 ) 𝑧 𝑒 −𝑎𝑇𝑒 sin(𝜔0 𝑇𝑒 )
𝑧 2 − 2𝑧 𝑒 −𝑎𝑇𝑒 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 𝑒 −2𝑎𝑇𝑒
𝑒 −𝑎𝑛𝑇𝑒 cos(𝜔0 𝑛𝑇𝑒 ) 𝑧 2 − 𝑧𝑒 −𝑎𝑇𝑒 cos(𝜔0 𝑇𝑒 )
𝑧 2 − 2𝑧 𝑒 −𝑎𝑇𝑒 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 𝑒 −2𝑎𝑇𝑒
Applications
Exercice 1: Analyse d’un filtre numérique RIF
Soit un filtre RIF défini par sa réponse impulsionnelle h(n) :
1. Donner les expressions de l’équation aux différences finies ainsi que la fonction de transfert
en Z.
2. Tracer la réponse impulsionnelle ℎ(𝑛) du filtre.
3. Calculer la réponse fréquentielle 𝐻(𝑒 𝑗Ω ) du filtre. Déterminer son module et sa phase. On
note que :
Ω1 +Ω2 Ω2 − Ω1
𝑒 −𝑗Ω1 + 𝑒 −𝑗Ω2 = 2 × 𝑒 −𝑗( )
2 × cos ( )
2
𝑓
On désigne par 𝛺 = 2𝜋𝑓𝑇𝑒 = 2𝜋 𝐹 pulsation réduite.
𝑒
𝜋
4. Donner les valeurs du module en Ω = 0, 2 , 𝜋, 2𝜋.
Corrigé Exercice 1
Un retard d’une période 𝑇𝑒 du signal analogique correspond à un décalage de 1 de l’indice
temporel du signal numérique. On obtient comme équation aux différences finies la relation
suivante :
𝑦(𝑛) = 0.1𝑥(𝑛) − 0.3𝑥(𝑛 − 2) + 0.5𝑥(𝑛 − 3) − 0.3𝑥(𝑛 − 4) + 0.1𝑥(𝑛 − 6)
Puisque seul le terme mis en facteur est complexe, le module et la phase du filtre viennent
facilement :
|𝐻(𝑒 𝑗𝜔 )| = 1 − 0.6 cos(𝜔) + 0.2cos(3𝜔)
𝐴𝑟𝑔 (𝐻(𝑒 𝑗𝜔 )) = −3𝜔
On constate qu’il s’agit d’un filtre de type passe-haut ; notons de plus que ce filtre est à phase
linéaire.
1 𝑠𝑖 𝑛 = 0, 1
𝑥(𝑛) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
Exercice 3
0 𝑠𝑖 𝑛 < 0
𝑈(𝑛) = {
1 𝑠𝑖 𝑛 ≥ 0
Déterminer et représenter la réponse indicielle {𝑦𝑛 } du système dans le cas où il est stable
(𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5)
6. Déterminer la fonction de transfert 𝐻(𝑗). Déduire le module H ( j ) et la phase ( ) .
7. Déduire les allures de H ( j ) et de ( ) pour 𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5. Discuter le nature
du système dans chaque cas (𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5).
Exercice 4
2. Donner l'équation de récurrence du SLI inverse (celui qui produirait 𝑥(𝑛) en sortie si on
lui présentait 𝑦(𝑛) en entrée) et proposer une structure.
3. Soit le système défini par la relation:
PROBLEME 1
Soit 𝑥 (𝑡 ) le signal analogique entrant dans le CAN et 𝑥(𝑛) le signal numérique sortant du
CAN et entrant dans le système numérique supposé linéaire et invariant dans le temps.
PARTIE I
Le système numérique est caractérisé par une réponse impulsionnelle qui s'écrit:
0 𝑠𝑖 𝑛 = 0 𝑒𝑡 𝑛 = 2
1
ℎ(𝑛) = { 𝑠𝑖 𝑛 = 1 𝑒𝑡 𝑛 = 3
2
0 ∀𝑛 >3
1) Déterminez l'équation aux différences finis 𝑦(𝑛) de ce système.
2) En déduire la fonction de transfert H(Z ) de ce système
3) Que pouvez-vous dire de sa causalité ? sa stabilité ? Est-ce un système à réponse
impulsionnelle finie ou infinie ?
PARTIE II
A présent le système numérique est caractérisé par une réponse impulsionnelle numérique qui
s'écrit:
1
ℎ(𝑛) = 𝑒 −𝑛 𝑇𝑒/𝜏
𝜏
𝜏
1) Représentez ℎ(𝑛) dans le cas où 𝜏 = 1𝑚𝑠 𝑒𝑡 𝑇𝑒 =
4
PROBLEME 2
Soit 𝑥 (𝑡 ) le signal analogique entrant dans le CAN et 𝑥(𝑛) le signal numérique sortant du
CAN et entrant dans le système numérique supposé linéaire et invariant dans le temps.
PARTIE I
Le système numérique est caractérisé par une réponse impulsionnelle qui s'écrit:
6) Sachant que les coefficients 𝑎0 , 𝑎1 , 𝑎2 sont positifs, déduire quel type de filtre peut être
réalisé par ℎ(𝑛)? justifiez votre réponse.
7) Calculez les coefficients 𝑎0 , 𝑎1 , 𝑎2 à partir du système suivant:
𝑎2 + 2𝑎1 + 2𝑎0 = 1
1
{ 𝑎2 − 2𝑎0 =
2
𝑎2 + 2𝑎0 − 2𝑎1 = 0
𝜔1 +𝜔2
𝜔2 −𝜔1
𝑒 −𝑗𝜔1 + 𝑒 −𝑗𝜔2 = 2 × 𝑒 −𝑗( )
On donne: 2 × 𝑐𝑜𝑠 ( )
2
Corrigé Exercice 4
𝑌(𝑧) 1 + 2 𝑧 −1 𝑧2 + 2 𝑧
𝐻(𝑧) = = =
𝑋(𝑧) 1 − 𝑧 −1 − 4𝑧 −2 𝑧2 − 𝑧 − 4
Stabilité :
1±√17
Les pôle de 𝐻(𝑧) sont les racines de l'équation 𝑧 2 − 𝑧 − 4 = 0 soit 𝑧1 , 𝑧2 = 2
1 ± √17
𝑧1 , 𝑧2 = | |>1 ⟹ 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑖𝑛𝑠𝑡𝑎𝑏𝑙𝑒
2
La structure du système est donnée par :
𝑥(𝑛) 𝑦(𝑛)
1 +
Z-1 Z-1
2 + 1
Z-1
+ 4
𝑥(𝑛) 𝑦(𝑛)
+
Z-1 Z-1
-1 + -2
Z-1
-4 +
1
𝐻(𝑧) =
1 − 𝛼 𝑧 −10
H(z) n'admet pas de zéro
Les pôles s’écrivent :
1
𝑧 −10 = ⟹ 𝑧 −10 = 𝛼
𝛼
10 2𝜋
si 𝑧 = 𝑟𝑒 𝑗𝜃 ⟹ 𝑟 10 𝑒 𝑗10𝜃 = 𝛼 ⟹ 𝑟 = √𝛼 𝑒𝑡 𝜃 = 𝑘 10
𝑠𝑖 𝛼 < 1
partie
Imaginaire
1
× × pôles
× ×
× ×
0
× ×
× ×
-1
×
-1 -1/2 0 1/2 1
partie réel
𝑠𝑖 𝛼 > 1 ⟹ 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑖𝑛𝑠𝑡𝑎𝑏𝑙𝑒
𝑠𝑖 𝛼 < 1
exemple pour 𝛼 = 0,6
10 1
𝑀𝑎𝑥 = = 2.5 ⟹ 7.96𝑑𝐵
1−𝛼
0 1
𝑚𝑖𝑛 = = 0.652 ⟹ −4.082𝑑𝐵
1+𝛼
-10
0 0.5 1
2𝜋
La réponse en fréquence est maximale lorsque 𝜃 = 𝑘 10 et est minimale lorsque le
dénominateur est maximum, soit lorsque 𝑒 𝑗 10 𝜃 = −1
𝑁−1
2𝜋
𝑋(𝑘) = ∑ 𝑥(𝑛)𝑒 −𝑗 𝑛𝑘 𝑁
𝑘=0
où 𝑁 = 8 dans notre cas; 𝑘 est entier et vraie de 0 à 7.
Nous avons donc:
1 o : zéro
-1
-1 -0.5 0 0.5 1
partie réel
1
𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(1) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 8 + 𝑥(7)𝑒 −𝑗7 8
0
= 1 + √2
𝑥(7)
-1
-1 -0.5 0 0.5 1
1 𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(2) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 2 8 + 𝑥(7)𝑒 −𝑗7×2 8 =1
0
-1 𝑥(7)
-1 -0.5 0 0.5 1
1
𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(3) = 𝑥(0) + 𝑥(1)𝑒 −𝑗3 8 + 𝑥(7)𝑒 −𝑗3×7 8
0
= 1 − √2
-1 𝑥(7)
-1 -0.5 0 0.5 1
𝑥(1) 2𝜋 2𝜋
𝑥(0) 𝑋(4) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 4 8 + 𝑥(7)𝑒 −𝑗4×7 8
0
𝑥(7) = −1
-1
-1 -0.5 0 0.5 1
EXERCICE 1
Soit le signal 𝒙(𝒕) représenté par la figure (1), son spectre 𝑿(𝒇 ) obtenu par transformée de
Fourier est représenté en figure (2).
𝒙(𝒕) 𝑿(𝒇 )
a
1 T.F.
𝒕 (𝒎𝒔) 𝒇(𝑯𝒛)
0 1 3 5 6 9 10 0 fmax
Figure (1) Figure (2)
2. On désire échantillonner le signal 𝒙(𝒕) afin de le transporter sur un réseau avec une
fréquence d'échantillonnage 𝑭𝒆 = 𝟏𝒌𝑯𝒛, donnez l'expression de 𝒙 ̂(𝒕) obtenu par
échantillonnage idéal de 𝒙(𝒕). En déduire une représentation graphique de 𝒙 ̂(𝒕).
̂ ̂
̂(𝒕), donner l’expression de 𝑿(𝒇 ).
2. Soit 𝑿(𝒇 ) le spectre de 𝒙
3. En déduire une représentation de 𝑿 ̂ (𝒇 ) sur l’intervalle [𝟎, 𝟑𝑭𝒆 ] (pour cette représentation
on prendra 𝑭𝒆 = 𝟐𝒇𝒎𝒂𝒙 ).
4. On souhaite restituer le signal 𝒙(𝒕) à partir de 𝑿 ̂ (𝒇 ) précisez la nature du filtre qu'il faut
appliquer ainsi que sa fréquence de coupure. En déduire une représentation graphique du signal
filtré.
5. On désire connaître le spectre du signal périodique 𝒈(𝒕) dont la représentation temporelle
est donné par la figure (3). Il s'agit en fait d'un signal périodique dont le "motif" répété est le
signal 𝒙(𝒕) décrit figure (1). Donnez la représentation spectrale approximative de ce signal et
justifier.
𝒈(𝒕)
1
Figure (3)
𝒕(𝒎𝒔)
0 10 20 30
𝟏
6. Donnez 𝑿𝟏 (𝒇 ) le résultat de la convolution du spectre 𝑿(𝒇 ) par [𝜹(𝒇 + 𝟐𝑭𝟎 ) +
𝟐
𝜹(𝒇 − 𝟐𝑭𝟎 )].
7. En déduire la représentation graphique de 𝑿𝟏 (𝒇 ) (On prendra 𝑭𝟎 = 𝟐𝒇𝒎𝒂𝒙 ).
8. Déterminez le signal 𝒙𝟏 (𝒕 ) obtenu par la T.F. inverse de 𝑿𝟏 (𝒇 ).
9. En déduire une représentation de 𝒙𝟏 (𝒕 ).
EXERCICE 2
Un système numérique est caractérisé par une fonction de transfert en 𝒛 qui s'écrit:
𝑯(𝒛) = 𝟎. 𝟏(𝒛−𝟏 + 𝒛−𝟑 ) + 𝟎. 𝟐𝒛−𝟐
7. A présent le système numérique est caractérisé par une fonction de transfert 𝐻(𝑧) qui
admet un zéro en 𝑧 = −1 et un pôle 𝑧 = 0.9. Donner l'expression de 𝐻(𝑧).
8. On désire représenter le module de 𝐻(𝜔) sur le domaine [−𝜋, 𝜋], donner les valeurs de
𝐻(0) 𝑒𝑡 𝐻(𝜋) sachant que 𝑇𝑒 = 1. En déduire l'allure de |𝐻(𝜔)|. Quel est le type de filtrage
réalisé.
9. Déterminer l'équation aux différences finies du système.
CORRIGE EXAMEN_1
EXERCICE 1
0 5 10 0 2 4 6 8 10 0 20 40 60 80 10
̂ (𝒇 ) le spectre de 𝒙
2. Soit 𝑿 ̂ (𝒇 ) 'écrit:
̂(𝒕), l’expression de 𝑿
+∞
̂ (𝒇 ) = 𝑻𝑭{𝒙
𝑿 ̂(𝒕)} = 𝑻𝑭{𝒙(𝒕). 𝜹𝑻𝒆 (𝒕)} = 𝑿(𝒇) ∗ 𝑭𝒆 𝜹𝑭𝒆 (𝒇) = 𝑭𝒆 ∑ 𝑿(𝒇) ∗ (𝜹(𝒕 − 𝒏𝑻𝒆 )
𝒏=−∞
+∞
̂ (𝒇 ) = 𝑭𝒆 ∑ 𝑿(𝜹(𝒕 − 𝒏𝑻𝒆 )
𝑿
𝒏=−∞
̂ (𝒇 ) sur l’intervalle [𝟎, 𝟑𝑭𝒆 ] est donnée par :
3. Une représentation de 𝑿
Eléments de traitement de Signal Enseignant : Adel AMIMI 146
Systèmes Linéaires invariants Chapitre 8
̂ (𝒇 )
𝑿
𝒇(𝑯𝒛)
̂ (𝒇 ) il faut appliquer un
4. Pour restituer le signal 𝒙(𝒕) à partir de 𝑿 ̂ (𝒇 )
𝑿
filtre passe bas de fréquence de coupure 𝑓𝐶 = 𝐹𝑒 /2 suivi d'une
transformée de Fourier inverse.
𝒇(𝑯𝒛)
𝟎 𝒇𝒎𝒂𝒙
5. Le spectre d’un signal périodique est un
spectre de raies, par conséquent le spectre du signal
périodique de la figure (3) est donné par :
𝒇(𝑯𝒛)
𝟎 𝒇𝒎𝒂𝒙 𝑭𝒆
𝟏
6. Soit 𝑿𝟏 (𝒇 ) le résultat de la convolution du spectre 𝑿(𝒇 ) par 𝟐 [𝜹(𝒇 + 𝟐𝑭𝟎 ) + 𝜹(𝒇 − 𝟐𝑭𝟎 )].
𝟏 𝟏
𝑿𝟏 (𝒇 ) = 𝑿(𝒇 ) ∗ [𝜹(𝒇 + 𝟐𝑭𝟎 ) + 𝜹(𝒇 − 𝟐𝑭𝟎 )] = {𝑿(𝒇 + 𝟐𝑭𝟎 ) + 𝑿(𝒇 − 𝟐𝑭𝟎 )}
𝟐 𝟐
7. La représentation graphique de 𝑿𝟏 (𝒇 ) est donnée par (On prendra 𝑭𝟎 = 𝟐𝒇𝒎𝒂𝒙 ).
𝑿𝟏 (𝒇 )
𝒇(𝑯𝒛)
−𝟐𝑭𝟎 𝟎 𝑭𝟎 𝟐𝑭𝟎
sp(t) x(t).Sp(t)
x(t)
1
1 1
=
t (ms) t
t (ms)
0
0 5 10
EXERCICE 2
|𝑯(𝛀 )| 𝛗
𝟎 𝛀
𝟎. 𝟐
𝟎 𝑭𝒆
𝐻(𝜋) = 0 20
𝜔
Il s'agit bien de l'allure d'un filtre
−𝜋 𝜋
passe-bas sur le domaine [0, 𝜋]
9. L'équation aux différence finie du système est donnée par:
𝑌(𝑧) = 𝑋(𝑧) + 𝑧 −1 𝑋(𝑧) + 0.9𝑧 −1 𝑌(𝑧)
𝒚(𝒏) = 𝒙(𝒏) + 𝒙(𝒏 − 𝟏) + 𝟎. 𝟗𝒚(𝒏 − 𝟏)
cos(𝑎 + 𝑏) = cos 𝑎 cos 𝑏 − sin 𝑎 sin 𝑏 sin(𝑎 + 𝑏) = sin 𝑎 cos 𝑏 + sin 𝑏 cos 𝑎
cos(𝑎 − 𝑏) = cos 𝑎 cos 𝑏 + sin 𝑎 sin 𝑏 sin(𝑎 − 𝑏) = sin 𝑎 cos 𝑏 − sin 𝑏 cos 𝑎
𝜋 𝜋
𝑐𝑜𝑠 ( − 𝑥) = sin(𝑥) 𝑐𝑜𝑠 (𝑥 + ) = −sin(𝑥)
2 2
𝜋 𝜋
𝑠𝑖𝑛 ( − 𝑥) = cos(𝑥) 𝑠𝑖𝑛 (𝑥 + ) = cos(𝑥)
2 2
𝜋 𝜋
𝑡𝑔 ( − 𝑥) = cotg(𝑥) 𝑡𝑔 (𝑥 + ) = −cotg(𝑥)
2 2
𝜋 √3 𝜋 √2 𝜋 1
cos ( ) = cos ( ) = cos ( ) =
6 2 4 2 3 2
𝜋 1 𝜋 √2 𝜋 √3
sin ( ) = sin ( ) = sin ( ) =
6 2 4 2 3 2
+∞
+∞
𝒆−𝒂 𝒕
𝟐
𝝅𝟐 𝟐 𝟐
[ ] 𝒆−𝝅 𝒇 /𝒂
𝒂
cos(2𝜋𝑎𝑡) 1
[𝛿(𝑓 + 𝑎) + 𝛿(𝑓 − 𝑎)]
2
sin(2𝜋𝑎𝑡) 𝑗
[𝛿(𝑓 + 𝑎) − 𝛿(𝑓 − 𝑎)]
2
t sin(𝜋𝑓𝜏)
rect ( ) = Πτ (𝑡) = 𝜏𝑠𝑖𝑛𝑐(𝜋𝑓𝜏)
τ 𝜋𝑓
𝐴𝛿(𝑡) 𝐴
𝐴 𝐴𝛿(𝑓)
+∞ +∞