Support CR Signal Adel

Université de Monastir
Faculté des Sciences de Monastir

Département de Physique
Licences * Mastères * Ecoles d’ingénieurs
SUPPORT de COURS
ET EXERCICES CORRIGES
DE TRAITEMENT DE SIGNAL
Notions de base
Adel AMIMI
T ABLE DES M ATIERES
Page
Chapitre 1 T HEORIE ET TRAIT EMENT DE S IGNAL ......................... 1
Chapitre 2 A NALYSE DES SIGNAUX PERIODIQUES..................................... 14
Chapitre 3 ANALYSE DES SIGNAUX NON PERIODIQUES : ............................ 35
Chapitre 4 PRODUIT DE CONVOLUTION ET CORRELATION........................... 49
Chapitre 5 ECHANTILLONNAGE.................................................................. 64
Chapitre 6 S IGNAUX A TEMPS DISCR ET ...................................... 87
Chapitre 7 T ECHNIQUES DE MODULAT ION .................................. 95
Chapitre 8 A NALYSE DES SYSTEMES LINEAIRES INVARIANTS ........ 113

Introduction Chapitre 1
T HEORIE ET T RAITEMENT DE S IGNAL
I NTRODUCTION
Un signal est la représentation physique de l’information qu’il transporte de sa

source à son destinataire. Il sert de vecteur à une information. Il constitue la manifestation
physique d’une grandeur mesurable (courant, tension, force, température, pression, etc. Mais le
traitement du signal s’applique à tous les signaux physiques (onde acoustique, signal optique,
signal magnétique, signal radioélectrique, etc.) Le traitement d’images peut être considéré
comme une extension du traitement du signal aux signaux bidimensionnelles (images).
Généralement on classe les signaux les plus étudiés en fonction de leur origine, on distingue
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, ayant été conçus par des ingénieurs. Ils présentent des propriétés permettant
de faciliter les opérations de modulation, de démodulation, etc.
Les signaux géophysiques, tels que l’évolution de la température, de la pression, de la

vitesse d’écoulement (etc.) de fluides terrestres, les signaux acoustiques, les ondes de vibration
de l’écorce terrestre. Un cas particulier très important est l’image, variation de luminosité et de
couleur perçue par l’appareil photo ou la caméra (aujourd’hui numériques).
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.
Les signaux de communication interpersonnelle, tels la parole ou l’écriture. A

l’extrême opposé des signaux de télécommunications, ces signaux réalisent une modulation très
complexe de l’information qu’ils portent. Le modulateur et le démodulateur sont en effet un
cerveau humain.
Eléments de traitement de Signal Enseignant : Adel AMIMI 1

La théorie du signal a pour objectif fondamental la ‘description mathématique’ des
signaux. Cette représentation commode du signal permet de mettre en évidence ses principales
caractéristiques (distribution fréquentielle, énergie, etc.) et d’analyser les modifications subies
lors de la transmission ou traitement de ces signaux.
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.
Au sens mathématique : un signal est un objet mathématique fonction de une ou plusieurs

variables. On travaille généralement avec des signaux qui sont fonction d’une variable au cours
du temps : 𝑥(𝑡).
Signal : Toute entité qui véhicule une information
Exemples
 Onde acoustique  Musique

 Courant électrique délivré  Parole
par un microphone …
 Onde lumineuse Source lumineuse

 Courant électrique délivré (étoile, gaz…)
par un spectromètre
Suite de nombres Mesures physiques
photographie

Traitement du signal = procédure pour:
 Extraire l’information (filtrage, détection, estimation, analyse spectrale...)
 Mettre en forme le signal (modulation, échantillonnage….)

(Forme adaptée à la transmission ou au stockage)
 Reconnaissance des formes
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
CLASSIFICATION DES SIGNAUX

Plusieurs approches sont possibles concernant la classification des signaux, parmi celles-ci on
citera :
 La classification phénoménologique qui met l’accent sur le comportement temporel du
signal.
 La classification énergétique où l’on classe les signaux suivant qu’ils sont à énergie finie ou
à puissance finie
 La classification par le domaine des fréquences occupé par son spectre (Bande passante),
appelé aussi largeur de bande du signal.
CLASSIFICATION PHENOMENOLOGIQUE DES SIGNAUX

Dans cette classification on répartit généralement les signaux en deux classes principales et
quatre sous-classes illustrées par la figure ci-dessous :
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 : st   st  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
Signaux déterministes Signaux aléatoires
Périodiques Non périodiques Stationnaires Non stationnaires
 Sinusoïdales  Transitoires
 Complexes  Pseudopériodiques
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
Signaux à énergie finie ⇔ Puissance moyenne finie
CLASSIFICATION SPECTRALE
Pour laquelle le signal est classé par le domaine de variation de la fréquence moyenne ∆𝑓 :
∆𝑓 < 250𝐾𝐻𝑧 Signaux basses fréquences (BF)

250𝐾𝐻𝑧 < ∆𝑓 < 30𝑀𝐻𝑧 Signaux hautes fréquences (HF)
30𝑀𝐻𝑧 < ∆𝑓 < 300𝑀𝐻𝑧 Signaux très hautes fréquences (VHF)
300𝑀𝐻𝑧 < ∆𝑓 < 3𝐺𝐻𝑧 Signaux ultra hautes fréquences (UHF)
∆𝑓 > 3𝐺𝐻𝑧 Signaux super hautes fréquences (SHF)
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).
700 𝑛𝑚 < 𝜆 < 0.1 𝑚𝑚 Signal lumineux infrarouge

400 𝑛𝑚 < 𝜆 < 700 𝑛𝑚 Signal lumineux visible
10 𝑛𝑚 < 𝜆 < 400 𝑛𝑚 Signal lumineux ultraviolet
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.

Bande passante :
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.
CLASSIFICATION MORPHOLOGIQUE DES SIGNAUX
Caractéristique morphologique (signal continu ou discret). Le temps est un paramètre

important de classification. Le traitement numérique des signaux conduit à faire la distinction
entre les signaux dits à temps continus (signaux continus) et les signaux dits à temps discrets
(signaux discrets ou échantillonnés). Un autre paramètre des signaux traités est à prendre en
compte, c’est l’amplitude qui peut aussi être continue ou discrète (quantifiée). Ainsi quatre
formes de signaux, qui se retrouvent dans un système numérique de contrôle d’un processus
physique, peuvent être distinguées (figure ci-dessous) :
 Signal à amplitude et temps continus (signal analogique) : 𝑠(𝑡)
 Signal à amplitude discrète et temps continu (signal quantifié) : 𝑆𝑞(𝑡). Ce signal correspond
à celui qui est fourni à la sortie d’un circuit convertisseur numérique analogique pour la
commande d’un actionneur
 Signal à amplitude continue et temps discret (signal échantillonné) : 𝑠(𝑛𝑇𝑒 ). Ce signal,
obtenu à l’aide d’un circuit échantillonneur bloqueur, est transmis à un circuit convertisseur
analogique numérique pour obtenir un signal utilisable par un calculateur.
 signal à amplitude discrète et temps discret (signal logique ou numérique): 𝑠𝑞 (𝑛𝑇𝑒 ). Ce
dernier cas correspond en réalité à une suite de nombres codés en binaire. Ces nombres,
utilisés au sein d’un ordinateur, se transmettent sous la forme de plusieurs signaux de type
numérique 0V(0 logique) ou 5V(1 logique) se propageant en parallèle : 8 signaux pour un
nombre codé sur 8 bits.
La numérisation d’un signal est l’opération qui consiste à faire passer un signal de la
représentation dans le domaine des temps et des amplitudes continus au domaine des temps et
des amplitudes discrets. Cette opération de numérisation d’un signal peut être décomposée en
deux étapes principales : échantillonnage et quantification.
Définition de la quantification :
Quantifier une valeur 𝑥 réelle appartenant à un intervalle [−𝑥𝑚𝑎𝑥 , 𝑥𝑚𝑎𝑥 ], consiste à
remplacer cette valeur 𝑥 par la valeur 𝑄(𝑥) = 𝑥𝑛 la plus proche de 𝑥 choisie dans un ensemble
fini (ou dénombrable) de 𝑁 valeurs réelles 𝑥𝑛 , (avec 𝑛 entre 0 et 𝑁 − 1).

Amplitude
Continue Discrète
𝒙(𝒕) 𝒙𝒒 (𝒕)
t t
signal analogique signal quantifié
𝒙(𝒕𝒌 ) 𝒙𝒒 (𝒕𝒌 ) =x(k)
t t
signal signal numérique

échantillonné
SIGNAUX PARTICULIERS
 Signal sinusoïdal : 𝑠(𝑡) = 𝐴0 𝑠𝑖𝑛(𝜔0 𝑡) = 𝐴0 𝑠𝑖𝑛(2𝜋𝐹0 𝑡) = 𝐴0 𝑠𝑖𝑛 ( ) 𝑡

𝑇
2𝜋
0
Signal sin(0t) Signal cos(0t)

1 1
0.6 0.6
0.2 0.2
-0.2 -0.2
-0.6 -0.6
-1 -1
0 0
Temps Temps
 Signal exponentiel complexe : 𝑠(𝑡) = 𝑆0 𝑒𝑥𝑝(𝑗2𝜋𝐹0 𝑡)
 La fonction échelon unité ou fonction de Heaviside définie par :

𝑡
1 𝑠𝑖 𝑡≥0
𝑢(𝑡) = ∫ 𝛿(𝑢) 𝑑𝑢 = {
−∞ 0 𝑠𝑖 𝑡<0

La dérivée de 𝑢(𝑡) est nulle sur ℝ∗ et égal au pic de 𝒖(𝒕)

Dirac de poids 1 en 𝑡 = 0, en effet :
1
Echelon
𝑑𝑢(𝑡)
𝛿(𝑡) = unité temps
𝑑𝑡
0
𝑢(𝑡) permet de rendre causal n’importe quel signal.
 La rampe unitaire, notée 𝑟(𝑡) se définit comme
étant la primitive de l’échelon unitaire :
𝑡
𝑟(𝑡) = ∫ 𝑢(𝜃) 𝑑𝜃 = 𝑡. 𝑢(𝑡)
−∞
r(t)
1
Remarque : La dérivée de 𝑟(𝑡) est égal à l’échelon unitaire.
Rampe
𝑑𝑟(𝑡) unitaire t
𝑢(𝑡) = 𝑝𝑜𝑢𝑟 𝑡 ≠ 0
𝑑𝑡 0 1
 La fonction signe se définit à partir de la fonction
échelon unité par :
𝑠𝑖𝑔𝑛𝑒(𝑡) = 2𝑢(𝑡) − 1
 La fonction sinus cardinal est définie par : 𝑠(𝑡) = 𝑠𝑖𝑛𝑐(𝑡) =

sin(𝜋𝑡)
𝜋𝑡
elle vérifie :
∫ 𝑠𝑖𝑛𝑐(𝑡) = 1 𝑒𝑡 ∫ 𝑠𝑖𝑛𝑐 2 (𝑡) = 1

ℝ ℝ
 La fonction porte ou rectangle est définie par :

Π𝜃 (𝑡)
𝑡 𝜃 𝜃
𝑟𝑒𝑡 ( ) = Π𝜃 (𝑡) = 𝑢 (𝑡 + ) − 𝑢 (𝑡 − ) 1
𝜃 2 2
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
A partir de ce signal, on peut obtenir une impulsion rectangulaire de durée 𝜃 d’amplitude 𝐴

𝑡−𝜏
centré en 𝑡 = 𝜏 notée 𝐴 𝑟𝑒𝑐𝑡 ( 𝜃 ).
 Impulsion ou signal triangulaire
Le signal triangulaire, noté 𝑡𝑟𝑖(𝑡) 𝑜𝑢 Λ(𝑡) est défini par :
𝑡𝑟𝑖(𝑡) = 𝑟(𝑡 + 1) − 2𝑟(𝑡) + 𝑟(𝑡 − 1)

1 − |𝑡| 𝑠𝑖 | 𝑡| ≤ 1
tri(𝑡) = {
0 𝑠𝑖 |𝑡| > 1

Sa surface est égal à l’unité.
tri(t)
A partir de ce signal, on peut obtenir une impulsion triangulaire 1
de base 2𝑇 d’amplitude maximum 𝐴 centrée en 𝑡 = 𝜏 notée
𝑡−𝜏
𝐴 𝑡𝑟𝑖 ( ) t
𝜃
-1 1
Signal triangulaire
 L’impulsion de Dirac
On peut définir mathématiquement la fonction de Dirac en prenant la limite d’une famille

de fonction. Cette approche fait apparaître la fonction de Dirac comme une impulsion brève.
Plusieurs familles de fonctions convergent vers la fonction 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
Signal porte de largeur  Impulsion ou Pic de Dirac
La représentation graphique conventionnelle d’une impulsion de Dirac de poids 𝑓(𝑡0 ) en 𝑡0 est

une flèche verticale placée en 𝑡 = 𝑡0 de longueur proportionnelle au poids 𝑓(𝑡0 ).
PROPRIETES DE LA FONCTION DE DIRAC
𝜹(𝒕) = 𝟏 𝒔𝒊 𝒕 = 𝟎 𝜹(𝒕) = 𝟎 𝒔𝒊 𝒕 ≠ 𝟎
+∞
∫ 𝜹(𝒕) 𝒅𝒕 = 𝟏
−∞
La distribution (fonction) de Dirac est l’élément neutre de la convolution, en effet :

𝑓(𝑡) ∗ 𝛿(𝑡 − 𝑡0 ) = 𝑓(𝑡 − 𝑡0 ) Opération de décalage
𝑓(𝑡) ∙ 𝛿(𝑡) = 𝑓(0) ∙ 𝛿(𝑡)

} propriété de la Localisation
𝑓(𝑡) ∙ 𝛿(𝑡 − 𝑡0 ) = 𝑓(𝑡0 ) ∙ 𝛿(𝑡 − 𝑡0 )
 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) = ∑ 𝛿(𝑡 − 𝑘 𝑇0 ) 𝑘∈ℕ

𝑘=−∞
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 .
 Bruit : est défini comme tout phénomène perturbateur gênant la perception ou

l’interprétation d’un signal, par analogie avec les nuisances acoustiques (interférence,
bruit de fond, etc.) ; La différentiation entre le signal et le bruit est artificielle et dépend
de l’intérêt de l’utilisateur : en effet, les ondes électromagnétiques d’origine galactique
sont du bruit pour un ingénieur des télécommunications par satellites et un signal pour les
radioastronomes.
 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.

Introduction Annexe Chapitre 1
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 géophysiques, tels que l’évolution de la température, de la pression, de la vitesse

d’écoulement (etc.) de fluides terrestres, les signaux acoustiques, les ondes de vibration de
l’écorce terrestre. Un cas particulier très important est l’image, variation de luminosité et de
couleur perçue par l’appareil photo ou la caméra (aujourd’hui numériques).
 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.
 Les signaux de communication interpersonnelle, tels la parole ou l’écriture. A l’extrême opposé

des signaux de télécommunications, ces signaux réalisent une modulation très complexe de
l’information qu’ils portent. Le modulateur et le démodulateur sont en effet un cerveau humain.
On peut également classer les signaux en fonction de leur dimension. Ainsi, la plupart des
signaux ci-dessus sont représentables mathématiquement par des fonctions d’une seule variable
réelle. On les appelle donc signaux monodimensionnels. L’image, au contraire, est un signal
bi-dimensionnel. Il est également fréquent de classer les signaux en fonction de la connaissance
que l’on peut en avoir. Bien que tous les signaux soient par essence déterministes (ils sont tous
crées par des causes physiques précises, bien que parfois non mesurables), on réserve en général
le qualificatif de déterministe pour les signaux dont on peut expliquer l’allure temporelle. Les
autres signaux sont qualifiés d’aléatoire. La plupart de ces signaux (du moins ceux qui ont une
origine naturelle) sont analogiques : ils peuvent être décrits par une fonction continue de la
variable temporelle t et peuvent prendre a priori n'importe quelle valeur réelle. Il est donc
logique que les machines permettant de créer ou de modifier ces signaux aient longtemps été
elles-mêmes exclusivement analogiques. Le téléphone en est un bel exemple. Depuis quelques
décennies (tout au plus), on dispose de systèmes électroniques (CAN : convertisseurs
analogique-numérique) permettant d'échantillonner et de quantifier les signaux analogiques, les
transformant ainsi en signaux numériques. Ces derniers sont caractérisés par le fait qu'ils ne
sont définis qu'à des instants discrets (appels instants d'échantillonnage), et qu'ils ne peuvent
prendre qu'un nombre fini de valeurs discrètes. Inversement, on dispose de systèmes (CNA :
convertisseurs numérique-analogique) permettant de reconvertir un signal numérique en signal
analogique. Cette brèche entre l'analogique et le numérique a ouvert la voie vers la mise au
point de machines, numériques cette fois (c'est-à-dire basées sur l'utilisation d'un calculateur)
permettant de manipuler les signaux.
Traitement numérique du signal

Le traitement (numérique) du signal consiste en un ensemble de théories et de méthodes,
relativement indépendantes du signal traité, permettant de créer, d'analyser, de modifier, de
classifier, et finalement de reconnaître les signaux. Il s'agit donc d'une science appliquée,
puisque le signal numérique n'existe pour ainsi dire pas dans la nature. Il est une invention de
l'homme, qui a pour but principal de permettre une manipulation aisée de signaux analogiques
à l'aide de calculateurs numériques. Ses applications sont nombreuses dans des domaines aussi
variés que les télécommunications, le traitement du son musical, le traitement de la parole, le
radar, le sonar, l'étude des vibrations sismiques, le contrôle non destructif, l'ingénierie bio-
médicale, l'imagerie, l'économie (avec l'étude des séries chronologiques), etc. On peut estimer
que cette science de l'ingénieur a réellement vu le jour dans les années 60, avec la découverte
d'algorithmes rapides de calcul de la transformée de Fourier discrète par Cooley et Tukey. Les
ouvrages de base ont été publiés entre la fin des années 70 et le début des années 90. Ce n'est
que récemment, cependant, que les applications pratiques se sont multipliées, avec l'avènement
des technologies numériques (RNIS-CD-GSM-DVD-MP3, etc.) et des processeurs spécialisés
en traitement du signal (DSP : digital signal processor).
Systèmes analogiques – Systèmes numériques

Les systèmes numériques possèdent sur leurs homologues analogiques un ensemble
d’avantages décisifs :
 Simplicité. Les systèmes numériques sont intrinsèquement plus simples à analyser (et
donc à synthétiser) que les systèmes analogiques. La récurrence linéaire qui caractérise un filtre
numérique, par exemple, est accessible à un tout jeune enfant. Cette propriété des systèmes

numériques est due en partie à l’adéquation parfaite entre simulation et traitement : simuler un
traitement numérique, c’est en faire.
 Possibilités de traitement accrues. La simplicité des opérations numériques de base ne
doit pas tromper : il s’ensuit qu’il est possible de réaliser, en numérique, des opérations
beaucoup plus complexes qu’en analogique, notamment des opérations non-linéaires.
 Robustesse aux bruits. Les systèmes numériques sont par essence insensibles aux bruits
parasites électromagnétiques. Le transcodage de l’information sous forme numérique joue un
peu le rôle de « firewall ».
 Précision et stabilité. Puisque les seuls « bruits » sont liés à la précision des calculs, cette
dernière dépend uniquement du calculateur utilisé ; elle est insensible à la température et ne
varie pas avec l’âge du système.
 Flexibilité. Dans un grand nombre de systèmes numériques, le traitement est défini par
un logiciel chargé en mémoire. Il est dès lors très facile de modifier ce traitement, sans devoir
modifier la machine qui le réalise. On pense par exemple aux modems numériques actuels, qui
peuvent s’adapter facilement aux normes futures par simple reprogrammation.
En marche vers l’ « embarqué »
On assiste enfin aujourd'hui à une révolution plus silencieuse mais bien plus importante
pour l'essor du traitement du signal : celle des réseaux informatiques et des systèmes embarqués
(embedded systems). Les technologies sous-jacentes au traitement numérique des signaux
(CAN-CNA-DSP) sont en effet devenues tellement bon marché que les objets qui nous
entourent en sont progressivement équipés. L'ancien paradigme de l'unité centrale intelligente
reliée à des périphériques se trouve ainsi balayé et remplacé par une myriade de petits
calculateurs embarqués et dialoguant entre eux à l'aide de signaux portés par des réseaux
informatiques. Les caméras et appareils photos numériques, lecteurs de MP3 portables,
imprimantes autonomes, agendas électroniques, et GSM multimédia dont nous disposons
aujourd'hui ne sont que la partie visible par le grand public de ce bouleversement en marche.

Analyse des signaux périodiques Chapitre 2
ANALYSE DES SIGNAUX PERIODIQUES
DECOMPOSITION EN SERIE DE FOURIER

GENERALITES
Les séries de Fourier permettent de passer du domaine temporel au domaine fréquentiel,
on utilise principalement les séries de Fourier dans le cas des signaux périodiques, cependant il
est inexact de dire que les séries de Fourier ne peuvent être utilisées qu'en présence de signaux
périodiques, voir ci-dessous.
On ne s'étendra pas ici sur les conditions d'existence des séries de Fourier, on rappellera
simplement que la fonction doit obéir aux conditions de Dirichlet, c'est à dire être à variations
bornées.
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 cosn 0 t  et sinn 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 unetelle
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 :
∞
𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑛 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑛 𝜔0 𝑡)] (4)

𝑛=1
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 ∞
=∫ {𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑘 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑘 𝜔0 𝑡)] } 𝑐𝑜𝑠(𝑛 𝜔0 𝑡)𝑑𝑡

𝑡0 𝑘=1
𝑇0
= 𝑎
2 𝑛
D’où :
2
𝑎𝑛 = ∫ 𝑓(𝑡). cos(nω0 𝑡) 𝑑𝑡 𝑝𝑜𝑢𝑟 𝑛 ≥ 1
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
Sous cette forme, les coefficients 𝑆𝑛 et 𝜑𝑛 sont respectivement l’amplitude et la phase de la

composante de pulsation 𝑛𝜔
Interprétation physique du développement en série de Fourier :

∞
𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑛 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑛 𝜔0 𝑡)]

𝑛=1
La fonction 𝑓(𝑡) se décompose en la somme:
- Un terme constant 𝑎0 égal à la valeur moyenne du signal 𝑓(𝑡) appelé composante

continue du signal.
1 2 3 𝑛
- Une infinité de termes sinusoïdaux de fréquences , , , ⋯ ,
𝑇 𝑇 𝑇 𝑇
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
DEVELOPPEMENT EN TERMES COMPLEXES DES SERIES DE FOURIER
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.
Introduisons donc l’écriture complexe de 𝐜𝐨𝐬 𝒏𝝎𝟎 𝒕 et 𝐬𝐢𝐧 𝒏𝝎𝟎 𝒕, il vient :
𝑒 𝑗𝑛𝜔0 𝑡 +𝑒 −𝑗𝑛𝜔0 𝑡 𝑒 𝑗𝑛𝜔0 𝑡 −𝑒 −𝑗𝑛𝜔0 𝑡

𝑐𝑜𝑠(𝑛𝜔0 𝑡) = et 𝑠𝑖𝑛(𝑛𝜔0 𝑡) =
2 2𝑗
L’expression de la série de Fourier prend alors la forme suivante :

+∞
1
𝑓(𝑡) = ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡 𝑎𝑣𝑒𝑐 𝐶𝑛 = ∫ 𝑓(𝑡)𝑒 −𝑗𝑛𝜔0 𝑡 𝑑𝑡
𝑇0 𝑇0
𝑛=−∞
𝑏𝑛
𝐶𝑛 = √𝑎𝑛2 + 𝑏𝑛2 𝑒𝑡 𝜑𝑛 = 𝐴𝑟𝑐𝑡𝑔 (− )
𝑎𝑛
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
En effet le spectre en fréquence du signal représente l’amplitude du fondamental (F0 ) et des
différents harmoniques en fonction de la fréquence 𝑓 = 𝑛𝐹0 . Il est important de remarquer que

le spectre d’une fonction périodique, de période 𝑇0 , est discontinu et composé de raies dont
l’écart minimum est, sur l’axe des fréquences, 𝐹0
Exemple 1: Soit le signal 𝑆1 (𝑡) = 𝐴0 cos 2𝜋𝐹0 𝑡, on a :
𝑎0 = 0
{ 𝑎1 = 𝐴0 𝑒𝑡 𝑎𝑛 = 0 𝑝𝑜𝑢𝑟 𝑛 > 1
𝑏𝑛 = 0
Exemple 2: Soit le signal 𝑆2 (𝑡) = 𝐵0 sin 2𝜋𝐹0 𝑡, on a :
𝑏1 = 𝐵0
{ 𝑒𝑡 𝑏𝑛 = 0 𝑝𝑜𝑢𝑟 𝑛 > 1 𝑒𝑡 𝑛 ≥ 0
𝑎𝑛 = 0
+∞
𝑠(𝑡) = ∑ 𝑆(𝑛𝐹0 ) 𝑒𝑥𝑝(𝑗𝑛𝜔0 𝑡)

𝑛=−∞
1
𝑆(𝑛𝐹0 ) = 2 (𝑎𝑛 − 𝑗𝑏𝑛 ) 𝑎−𝑛 = 𝑎𝑛 𝑒𝑡 𝑏−𝑛 = −𝑏𝑛
1 𝐶𝑛
|𝑆(𝑛𝐹0 )| = √𝑎𝑛2 + 𝑏𝑛2 = 𝑆(𝑓) = ∑+∞
𝑛=−∞ 𝑆(𝑛𝐹0 ) 𝛿(𝑓 − 𝑛𝐹0 )
2 2
Les spectres des signaux 𝑆1 (𝑡) et 𝑆2 (𝑡) seront donnés par :
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
Représentation du signal cosinus Représentation du signal cosinus

dans l’espace temporel dans l’espace fréquentiel

sin(t) j S2(f)
1/F0
B0/2
B0
temps F0 fréquence
0
-F0 0
-B0
-B0/2
Représentation du signal sinus Représentation du signal sinus

dans l’espace temporel dans l’espace fréquentiel
Exemple 3:
On considère le signal 𝑠3 (𝑡) qui s'écrit:
𝑠3 (𝑡) = 3 cos(100𝜋𝑡) + 5 cos(200𝜋𝑡) + 5 sin(200𝜋𝑡) + √3 cos(400𝜋𝑡) − sin(400𝜋𝑡)

+ 4 sin(800𝜋𝑡) +
𝑆3 (𝑡) est la somme :

d'un signal de fréquence 50𝐻𝑧 (période 0,02𝑠) :𝑓1 (𝑡) = 3 cos(100𝜋𝑡)
d'un signal de fréquence 100𝐻𝑧 (période 0,01𝑠) :
𝜋
𝑓2 (𝑡) = 5 cos(200𝜋𝑡) + 5 sin(200𝜋𝑡) = 5√2 cos (200𝜋𝑡 − )
4
𝜋
𝑓3 (𝑡) = √3 cos(400𝜋𝑡) − sin(400𝜋𝑡) = 2 cos (400𝜋𝑡 + )
6
𝜋
𝑓4 (𝑡) = 4 sin(800𝜋𝑡) = 4 cos (800𝜋𝑡 − )
2
On peut écrire aussi:

𝜋 𝜋 𝜋
𝑠3 (𝑡) = 3 cos(100𝜋𝑡) + 5√2 cos (200𝜋𝑡 − ) + 2 cos (400𝜋𝑡 + ) + 4cos (800𝜋𝑡 − )
4 6 2
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:
Signal Amplitude Férquence Phase

𝑓1 (𝑡) 3 50𝐻𝑧 0
𝑓2 (𝑡) 5√2 100𝐻𝑧 𝜋⁄4
𝑓3 (𝑡) 2 200𝐻𝑧 − 𝜋⁄6
𝑓4 (𝑡) 4 400𝐻𝑧 𝜋⁄2
Spectre d'amplitude
Lorsqu'on a un signal composé d'une somme de signaux sinusoïdaux :

𝑠(𝑡) = 𝐴0 cos(𝜔0 𝑡 − 𝜑0 ) + 𝐴1 cos(𝜔1𝑡 − 𝜑1 ) + ⋯ + 𝐴𝑛 cos(𝜔𝑛 𝑡 − 𝜑𝑛 )

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
Lorsqu'on a un signal composé d'une somme de signaux sinusoïdaux :

𝑠(𝑡) = 𝐴0 cos(𝜔0 𝑡 − 𝜑0 ) + 𝐴1 cos(𝜔1𝑡 − 𝜑1 ) + ⋯ + 𝐴𝑛 cos(𝜔𝑛 𝑡 − 𝜑𝑛 )
A chaque signal correspond une amplitude 𝐴𝑘 et une pulsation 𝜔𝑘 . On va pour chaque pulsation
𝜔𝑘 tracer la phase 𝜑𝑘 on obtient un diagramme en bâtons (raies) appelé spectre de phase du
signal.
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
Amplitude phase 𝜋⁄2
𝜋 ⁄4
3
𝑓(𝐻𝑧)
𝑓(𝐻𝑧)
200
𝑓(𝐻𝑧)
50 100 400
50 100 200 −𝜋⁄6
400
Exemple 5: Signal carré
Développer en série de Fourier la fonction périodique 𝑢(𝑡) de période 𝑇 définie par :

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
D’où le développement en série de Fourier du signal carré s’écrit :
∞
4𝐴 𝑠𝑖𝑛(2𝑝 + 1)𝜔𝑡
𝑢(𝑡) = ∑
𝜋 2𝑝 + 1
𝑝=0
La valeur moyenne de ce signal est nulle (𝑎0 = 0)
Spectre d’amplitude et spectre de phase du signal 𝑢(𝑡).
4𝐴/𝜋 3𝜔 𝜔
𝜔 5𝜔 7𝜔
Spectre d’Amplitude
−𝜋⁄2
𝜔
𝜔 5𝜔 7𝜔 Spectre de phase
3𝜔
On va écrire les premiers termes du développement en série de Fourier de 𝑢(𝑡).
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
Exemple 6: Signal triangulaire
Développer en série de Fourier la fonction périodique 𝑠(𝑡) de période 𝑇 définie par :
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)
Ce signal est pair on en déduit que tous les 𝑏𝑘 sont nuls.

Calcul des 𝑎𝑘 :
𝑎0 est la valeur moyenne du signal
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
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
D’où le développement en série de Fourier de 𝑠(𝑡) s’écrit :
+∞
𝐴 4𝐴 𝑐𝑜𝑠(2𝑝 + 1)𝜔𝑡
𝑠(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
Remarques :Considérons les signaux :
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)
∞
𝑢(𝑡) = ∑
𝜋𝑇 2𝑝 + 1
𝑝=0
𝐴
La valeur moyenne de 𝑠(𝑡) est 2
En intégrant 𝑢(𝑡) on trouve :

∞ ∞
𝐴 8𝐴 −1 𝑐𝑜𝑠(2𝑝 + 1)𝜔𝑡 𝐴 8𝐴 𝑐𝑜𝑠(2𝑝 + 1)𝜔𝑡
𝑠(𝑡) = + ∑ = − ∑
2 𝜋𝑇 (2𝑝 + 1)𝜔 2𝑝 + 1 2 𝜋𝑇𝜔 (2𝑝 + 1)2
𝑝=0 𝑝=0
∞
𝐴 4𝐴 𝑐𝑜𝑠(2𝑝 + 1)𝜔𝑡
𝑠(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
On retrouve le même résultat que lorsqu’on a calculé 𝑠(𝑡) directement.
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
Interprétation physique de la formule de Bessel-Parseval

1 𝑇 2
∫ 𝑓 (𝑡)𝑑𝑡
𝑇 0
représente le carré de la valeur efficace du signal 𝑓(𝑡).
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.
Exemple d’utilisation de la formule de Bessel-Parseval en électronique :
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 :
∞
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
Amplitude de l’harmonique de rang 2 : 0

4𝐴
Amplitude de l’harmonique de rang 3 : 3𝜋
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
Utilisation en mathématiques de la formule de Bessel-Parseval

La formule de Bessel-Parseval peut permettre de trouver la somme de certaines séries :
Exemple : En utilisant le developpement en série se Fourier du signal précédent
∞
𝑢(𝑡) = ∑
𝜋 (2𝑝 + 1)
𝑝=0
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
1) On considère le signal périodique 𝑓(𝑡) de période T.
𝑇
−𝐴 𝑠𝑖 𝑡 ∈ [− , 0]
𝑓(𝑡) = { 2
𝑇
+𝐴 𝑠𝑖 𝑡 ∈ [0, ]
2
 Représenter le signal 𝑓(𝑡) dans l'espace temporel.

 Montrer que le développement en série de Fourier du signal périodique 𝑓(𝑡) est donné
par:
+∞
4𝐴 sin(2𝑛 + 1)𝜔𝑡
𝑓(𝑡) = ∑
𝜋 (2𝑛 + 1)
𝑛=−∞
 Tracer le spectre d'amplitude et de phase du signal 𝑓(𝑡).
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
 Représenter le signa 𝑔(𝑡)l dans l'espace temporel.

 Quelle est la valeur moyenne du signal 𝑔(𝑡).
 Montrer que le développement en série de Fourier du signal périodique 𝑔(𝑡) est donné
par:
+∞
𝐴 4𝐴 cos(2𝑛 + 1)𝜔𝑡
𝑔(𝑡) = − 2 ∑
2 𝜋 (2𝑛 + 1)2
𝑛=−∞
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
Le signal sinusoïdal de période T0  1 F0  redressé simple alternance, s’exprime sur une

période par :
 T
s (t )  sin(2 F0 t ) pour 0  t  0
2

s (t )  0 T0
 pour  t  T0
2
1. Représenter le signal s (t ) sur l’intervalle 0 , 3 T0  .

2. Calculer le coefficient de Fourier a 0 du signal s (t ) . Que représente le coefficient a 0 .
3. Les coefficients de Fourier a n et b n du signal s (t ) sont données par :
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 n1
a 2 p 1  0 si n impair

Donner l’expression du développement en série de Fourier du signal s (t ) de fréquence F0 .

4. En déduire une représentation unilatérale du spectre S ( f ) jusqu’à l’harmonique de
rang 6 (pour la représentation il faut préciser les fréquences et les amplitudes).
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
𝑉(𝑡) = 0 𝑠𝑖 𝑡 ∈ [− + , − ]
4 2 4 2
{ 𝐸 𝑠𝑖 𝑡 ∈ [ − , + ]
4 2 4 2
2. Calcul de la valeur moyenne 𝑉0 de 𝑉(𝑡).
− + +
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:
∞
𝑉(𝑡) = ∑[𝑎𝑘 cos(𝑘𝜔0 𝑡) + 𝑏𝑘 sin(𝑘𝜔0 𝑡)]

𝑘=1
4. Les cœfficients de Fourier 𝒃𝒏 sont donnés par :
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
5. Les expressions de 𝑏2𝑝 et 𝑏2𝑝+1.s'écrivent:
𝑏2𝑝 = 0
4𝐸 𝜋 𝜋𝜏
𝑏2𝑝+1 = sin ((2𝑝 + 1) ) . sin ((2𝑝 + 1) )
{ (2𝑝 + 1)𝜋 2 𝑇0

6. Le développement en série de Fourier de 𝑉(𝑡) est donné par:
∞
4𝐸 𝜋 𝜋𝜏
𝑉(𝑡) = ∑ sin ((2𝑝 + 1) ) . sin ((2𝑝 + 1) ) . sin((2𝑝 + 1)𝜔0 𝑡)
(2𝑝 + 1)𝜋 2 𝑇0
𝑘=1
7. Le développement de 𝑉(𝑡) jusqu’à l’harmonique de rang 6 s'écrit:
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
les fréquences que contient 𝑉(𝑡) sont 𝐹0 , 3𝐹0 𝑒𝑡 5𝐹0

8. Représentation unilatérale du spectre |𝑉(𝑡)| jusqu’à l’harmonique de rang 6
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
1. En utilisant le développement en série de Fourier du signal

∞
4𝐴 1
𝑢(𝑡) = ∑ sin[(2𝑝 + 1)𝜔0 𝑡]
𝜋 2𝑝 + 1
𝑝=0
montrer que le résultat suivant:
∞
1 𝜋2
∑ =
(2𝑝 + 1)2 8
𝑝=0

En utilisant le développement en série de Fourier du signal en dents de scie:

∞
𝐴 4𝐴 cos[(2𝑝 + 1)𝜔0 𝑡]
𝑠(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
démontrer le résultat suivant:
∞
1 𝜋2
∑ =
(2𝑝 + 1)2 96
𝑝=0
EXERCICE 5
On considère le signal 𝑔(𝑡) périodique de période 𝑇0 donné par l'allure ci-dessous:
𝑔(𝑡)
A
t
0
𝐴 𝑇
𝑔(𝑡) est défini par: 𝑔(𝑡) = 2 𝑇 𝑡 𝑠𝑖 𝑡 ∈ [0, 20 ]
0
1) Déterminer la valeur moyenne du signal 𝑔(𝑡).

2) Les coefficients de Fourier 𝑎𝑛 sont donnés par :
2𝐴
𝑎𝑛 = [𝑐𝑜𝑠(𝑛𝜋) − 1]
𝜋 2 𝑛2
Donner la décomposition en série de Fourier du signal 𝑔(𝑡).
3) Donner un développement de 𝑔(𝑡) jusqu’à l’harmonique de rang 9.
4) En utilisant la formule de Bessel-Parseval
𝑇 +∞
1 1
∫ 𝑔2 (𝑡)𝑑𝑡 = 𝑎02 + ∑(𝑎𝑛2 + 𝑏𝑛2 )
𝑇 2
0 𝑛=1
Calculer la somme suivante:

+∞
1
𝑆(𝑛) = ∑
(2𝑛 + 1)2
𝑛=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
En utilisant le développement de 𝑔(𝑡), déduire le développement en série de Fourier de 𝑣(𝑡).
Corrigé Exercice 5
On considère le signal 𝑔(𝑡) périodique de période 𝑇0 donné par l'allure ci-dessous:
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
1) Valeur moyenne du signal 𝑔(𝑡).

𝑇0 /2 𝑇0 /2
𝑇 /2
1 2 𝐴 𝐴 𝑡2 0 𝐴
𝑔𝑚𝑜𝑦 (𝑡) = ∫ 𝑔(𝑡)𝑑𝑡 = ∫ 2 𝑡 𝑑𝑡 = 4 2 [ ] =
𝑇0 𝑇0 𝑇0 𝑇0 2 −𝑇 /2 2
−𝑇0 /2 0 0
2) Les coefficients de Fourier 𝑎𝑛 sont donnés par :

2𝐴
𝑎𝑛 = [𝑐𝑜𝑠(𝑛𝜋) − 1]
𝜋 2 𝑛2
La décomposition en série de Fourier du signal 𝑔(𝑡) est donnée par :
+∞
𝑔(𝑡) = 𝑔𝑚𝑜𝑦 (𝑡) + ∑ 𝑎𝑛 𝑐𝑜𝑠(𝑛𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑛𝜔0 𝑡)

𝑛=1
Le signal 𝑔(𝑡) présente une symétrie par rapport à l’axe des ordonnées, par conséquent les
coefficients 𝑏𝑛 sont nuls.
+∞
𝑔(𝑡) = 𝑔𝑚𝑜𝑦 (𝑡) + ∑ 𝑎𝑛 𝑐𝑜𝑠(𝑛𝜔0 𝑡)

𝑛=1
+∞
𝐴 2𝐴
= + ∑ 2 2 [𝑐𝑜𝑠(𝑛𝜋) − 1]𝑐𝑜𝑠(𝑛𝜔0 𝑡)
2 𝜋 𝑛
𝑛=1
On a aussi :

𝑎𝑛 = 𝑎2𝑝 = 0 𝑝𝑜𝑢𝑟 𝑛 𝑝𝑎𝑖𝑟 𝑒𝑡 𝑎𝑛 = 𝑎2𝑝+1

−4 𝐴
= 𝑝𝑜𝑢𝑟 𝑛 𝑖𝑚𝑝𝑎𝑖𝑟
𝜋 2 (2𝑝 + 1)2
+∞
𝐴 4𝐴 𝑐𝑜𝑠((2𝑝 + 1)𝜔0 𝑡)
𝑔(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
3) Le développement de 𝑔(𝑡) jusqu’à l’harmonique de rang 9 s’écrit :

𝐴 −4 𝐴 1 1 1
𝑔(𝑡) = + 2 [𝑐𝑜𝑠𝜔0 𝑡 + 2 𝑐𝑜𝑠3𝜔0 𝑡 + 2 𝑐𝑜𝑠5𝜔0 𝑡 + 2 𝑐𝑜𝑠7𝜔0 𝑡
2 𝜋 3 5 7
1
+ 2 𝑐𝑜𝑠9𝜔0 𝑡]
9
4) En utilisant la formule de Bessel-Parseval
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
D’où la somme 𝑆(𝑛) est donnée par :

+∞
1 𝜋4
𝑆(𝑛) = ∑ =
(2𝑛 + 1)4 96
𝑛=0
5) 𝑔(𝑡) étant un signal périodique (𝑇0 ) don il peut s’écrire comme le produit de
convolution du peigne de Dirac avec la fonction définie sur une période du signal 𝑔(𝑡), d’où :
+∞ +∞
𝑔(𝑡) = 𝛿𝑇0 (𝑡) ∗ 𝑔𝑇0 (𝑡) = ∑ 𝛿(𝑡 − 𝑛𝑇0 ) ∗ 𝑔𝑇0 (𝑡) = ∑ 𝑔𝑇0 (𝑡 − 𝑛𝑇0 )
𝑛=−∞ 𝑛=−∞
6) On désigne par 𝐺(𝑓) le spectre d'amplitude de 𝑔(𝑡), calculer 𝐺(𝑓).

+∞
𝐺(𝑓) = 𝑇𝐹[𝛿𝑇0 (𝑡) ∗ 𝑔𝑇0 (𝑡)] = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑛𝐹0 ) × 𝐺𝑇0 (𝑓)

𝑛=−∞
7) Représentation du spectre d'amplitude 𝐺(𝑓) jusqu'à l'harmonique de rang 9.
|𝐺(𝑓)|
A/2
0 𝐹0 3𝐹0 5𝐹0 7𝐹0 9𝐹0
EXERCICE 6
Le développement en série de Fourier du signal 𝑠(𝑡) = 𝐴|sin(𝜔𝑡)| est donné par:

∞
2𝐴 4𝐴 cos[2𝑛𝜔0 𝑡]
𝑠(𝑡) = − 2∑
𝜋 𝜋 4𝑛2 − 1
𝑝=0
(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
On considère le signal 𝑠(𝑡) ci-dessous de période 𝑇
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).
7 Tracer le spectre d’amplitude du développement en série réelle de 𝑢(𝑡).

8 Calculer la valeur efficace du signal 𝑠(𝑡), en déduire celle de 𝑢(𝑡).
9 Pour 𝜃 quelconque, déduire du développement en série de 𝑠(𝑡) les sommes suivantes :
+∞ +∞
𝑛𝜋𝜃 𝑛𝜋𝜃
𝑆1 = ∑ 𝑠𝑖𝑛𝑐 ( ) 𝑒𝑡 𝑆2 = ∑ 𝑠𝑖𝑛𝑐 2 ( )
𝑇 𝑇
𝑛=1 𝑛=1
(faire l’approximation 𝜋 2 = 10)

10 Déterminer la valeur de 𝜃 telle que la valeur de la composante continue du signal 𝑠(𝑡)
𝐴
soit égale à 2 .
11 Pour la valeur précédente de 𝜃 tracer l’allure du signal en fonction du temps.

Analyse des signaux non périodiques Chapitre 3
ANALYSE DES SIGNAUX NON PERIODIQUES
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 1S(f) est donnée par :
+∞
𝑆(𝑓) = 𝑇𝐹[𝑠(𝑡)] = ∫ 𝑠(𝑡) 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡

−∞
Ce spectre est une fonction à valeurs complexes, les parties réelles et imaginaires du spectre
s’écrivent :
+∞ +∞
𝑅𝑒[𝑆(𝑓)] = ∫ 𝑠(𝑡) 𝑐𝑜𝑠(2𝜋𝑓𝑡) 𝑑𝑡 𝐼𝑚[𝑆(𝑓)] = − ∫ 𝑠(𝑡) 𝑠𝑖𝑛(2𝜋𝑓𝑡) 𝑑𝑡

−∞ −∞
On donnera souvent le spectre complexe en module et phase. Le module s’écrit :
|𝑆(𝑓)| = √𝑅𝑒[𝑆(𝑓)]2 + 𝐼𝑚[𝑆(𝑓)]2 Spectre d’amplitude
La phase est donnée par :

𝐼𝑚[𝑆(𝑓)]
𝜑(𝑓) = 𝐴𝑟𝑐𝑡𝑔 (− 𝑅𝑒[𝑆(𝑓)] ) Spectre de phase
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 :
+∞
𝑠(𝑡) = 𝑇𝐹 −1 [𝑆(𝑓)] = ∫ 𝑆(𝑓) 𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓

−∞
Condition d’existence de la Transformée de Fourier
Pour qu’un signal s(t) ait une transformée de Fourier, fonction de f, il faut et il suffit que :
 Le signal 𝑠(𝑡) soit borné

 L’intégrale de |𝑠(𝑡)| entre −∞ et +∞ ait une valeur finies.

 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.
PROPRIETES DE LA TRANSFORMEE DE FOURIER
Soit le signal 𝑠(𝑡) et la transformée de Fourier correspondante 𝑆(𝑓), nous écrirons :

𝑇𝐹 𝑇𝐹
𝑠(𝑡) ↔ 𝑆(𝑓) et 𝑔(𝑡) ↔ 𝐺(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.
 Translation en fréquence modulation

𝑇𝐹
𝑠(𝑡) 𝑒 −𝑗2𝜋𝑓𝑝 𝑡 ↔ 𝑆(𝑓 − 𝑓𝑝 )
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
 Différentiation dans le domaine temporel
Il est intéressant de pouvoir relier la transformée de Fourier de la dérivée d’un signal à

la transformée de Fourier du signal initial : ceci permet en effet d’obtenir élégamment
certain résultats. Si 𝑥(𝑡) admet 𝑋(𝑓) pour transformée de Fourier, et en supposant que
𝑑𝑥(𝑡)
existe et admet une transformée de Fourier alors :
𝑑𝑡
𝑑𝑠(𝑡) 𝑇𝐹 𝑑 𝑛 𝑠(𝑡) 𝑇𝐹
↔ (𝑗2𝜋𝑓)𝑆(𝑓) 𝑒𝑡 ↔ (𝑗2𝜋𝑓)𝑛 𝑆(𝑓)
𝑑𝑡 𝑑𝑡 𝑛
Pour la démonstration il suffit de revenir à la définition :

+∞
𝑥(𝑡) = ∫ 𝑋(𝑓) 𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓
−∞
𝑑𝑥(𝑡) 𝑑 +∞ 𝑗2𝜋𝑓𝑡
+∞
= ∫ 𝑋(𝑓) 𝑒 𝑑𝑓 = ∫ 𝑗2𝜋𝑓 𝑋(𝑓) 𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓 = 𝑇𝐹 −1 {𝑗2𝜋𝑓𝑋(𝑓)}
𝑑𝑡 𝑑𝑡 −∞ −∞
 Propriétés de dualité
La propriété de dualité permet d’obtenir facilement de nouvelles paires de transformées

de Fourier à partir des paires déjà connues. Cette propriété s’exprime comme suit : si
𝑥(𝑡) ⇌ 𝑋(𝑓)
alors
𝑋(𝑡) ⇌ 𝑥(−𝑓)
Ceci se montre en débutant avec l’expression de 𝑥(−𝑡) en fonction de sa 𝑇𝐹 𝑋(𝑓) :
+∞
𝑥(−𝑡) = ∫ 𝑋(𝑓) 𝑒 −𝑗2𝜋𝑡𝑓 𝑑𝑓
−∞
En échangeant maintenant les variables 𝑡 et 𝑓, on obtient :

+∞
𝑥(−𝑓) = ∫ 𝑋(𝑡) 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 ≜ 𝑇𝐹{𝑋(𝑡)}
−∞
 Propriétés de parité
𝑥(𝑡) Symétrie Temps Fréquence Conséquence

sur 𝑋(𝑓)
Réel Quelconque 𝑥(𝑡) = 𝑥 ∗ (𝑡) 𝑋(𝑓) = 𝑋 ∗ (𝑓) Re. paire, Im impaire
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
Réel pair+imaginaire impair ⇌ 𝑅é𝑒𝑙

Réel impair + imaginaire pair ⇌ 𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑖𝑟𝑒
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/
Signal porte d’amplitude unité

de largeur θ centré en zéro Fonction sinus cardinal
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 .
Distribution de Dirac : La transformée de Fourier de l'impulsion de Dirac 𝛿(𝑡) est une

fonction constante, quelque soit la fréquence, en effet:
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
+∞
𝜹𝑻𝟎 (𝒕) = ∑ 𝜹(𝒕 − 𝒏𝑻𝟎 )

𝒏=−∞
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.
CALCUL DE QUELQUES TRANSFORMEES

Afin de mieux saisir les implications de la TF, calculons les transformées de quelques signaux
importants en traitement du signal.
Exponentielle décroissante
0 𝑠𝑖 𝑡 < 0
𝑥(𝑡) = { −𝑎𝑡
𝑒 𝑠𝑖 𝑡 ≥ 0
L'application de la définition de la TF conduit à:

∞
𝑋(𝑓) = ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
0
1
d'où: 𝑋(𝑓) = 𝑎+𝑗2𝜋𝑓
Pour illustrer le théorème de l'énergie, calculons l'énergie de ce signal:
dans le domaine temporel

+∞ +∞
2 (𝑡)𝑑𝑡
1
𝑊=∫ 𝑥 =∫ 𝑒 −2𝑎𝑡 𝑑𝑡 =
−∞ 0 2𝑎
dans le domaine fréquentiel

+∞ +∞
𝑑𝑓
𝑊=∫ |𝑋(𝑓)|2 𝑑𝑓 = ∫
−∞ −∞ 𝑎2 + (2𝜋𝑓)2
+∞
1 2𝜋𝑓 1
= 𝑎𝑟𝑐𝑡𝑎𝑛 ( )| =
2𝜋𝑎 𝑎 −∞ 2𝑎
On retrouve bien entendu le même résultat dans les deux cas.
Exponentielle décroissante symétrique
𝑥(𝑡) = 𝑒 −𝑎|𝑡| − ∞ < 𝑡 < +∞

0 +∞
+𝑎𝑡 −𝑗2𝜋𝑓𝑡
𝑋(𝑓) = ∫ 𝑒 𝑒 𝑑𝑡 + ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ 0
1 −1 2𝑎
𝑋(𝑓) = + = 2
𝑎 − 𝑗2𝜋𝑓 −(𝑎 + 𝑗2𝜋𝑓) 𝑎 + (2𝜋𝑓)2
On remarque que 𝑥(𝑡) étant pair, sa transformée est réelle
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 :
𝑥(𝑡) − 1 − lim 𝑒 −𝑎|𝑡| − ∞ < 𝑡 < +∞

𝑎→0
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
Ce résultat coïncide avec la définition d’une impulsion de Dirac. La transformée de Fourier

d’un signal unité est donc une impulsion de Dirac située en 𝑓 = 0[𝐻𝑧] :
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)
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
Utilisant la TF de l'exponentielle symétrique et la propriété de modulation:
2𝑎 0 𝑠𝑖 𝑓 ≠ 𝑓0
𝑋(𝑓) = lim ={ 2
𝑎→0
𝑎2 + (2𝜋(𝑓 − 𝑓0 )) ∞ 𝑠𝑖 𝑓 = 𝑓0
La TF d'un phaseur de fréquence 𝑓0 est donc une impulsion de Dirac située en 𝑓 = 𝑓0

𝑋(𝑓) = 𝛿(𝑓 − 𝑓0 )
Signal sinusoïdal
Comme un signal sinusoïdal est constitué de 2 phaseurs conjuguées complexes (formule

d’Euler), sa TF comportera 2 impulsions de Dirac située en ±𝑓0 . Plus précisément, on aura :
1 +𝑗2𝜋𝑓 𝑡 𝑇𝐹 𝛿(𝑓 + 𝑓0 ) + 𝛿(𝑓 − 𝑓0 )

𝑥(𝑡) = 𝑐𝑜𝑠(2𝜋𝑓0 𝑡) = [𝑒 0 + 𝑒 −𝑗2𝜋𝑓0 𝑡 ] ↔ 𝑋(𝑓) =
2 2
1 𝑇𝐹 𝛿(𝑓 + 𝑓0 − 𝛿(𝑓 − 𝑓0 )
)
𝑥(𝑡) = 𝑠𝑖𝑛(2𝜋𝑓0 𝑡) = [𝑒 +𝑗2𝜋𝑓0 𝑡 − 𝑒 −𝑗2𝜋𝑓0 𝑡 ] ↔ 𝑋(𝑓) =
2𝑗 2𝑗
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
On se propose de déterminer le spectre du signal 𝑡𝑟𝑖(𝑡) = Λ(𝑡) illustré par la figure 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
On se propose de calculer le spectre du signal périodique suivant :

s(t)
A

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 2ft dt   e

  2 t 2  j 2ft  dt
 
 f  f 
2 2

On peut écrire que :  t  j 2ft    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.
TF s( t )  TF s1 ( t )T ( t )  S1 ( f )  TF T ( t )


   f /
TF T  t   Fe    f  n Fe 
2
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

Exercice 4 : Exponentielle décroissante symétrique
Ce signal est décrit par :
𝑥(𝑡) = 𝑒 −𝑎|𝑡| − ∞ < 𝑡 < +∞
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
On remarque que 𝑥(𝑡) étant pair, sa transformée est réelle.

TABLE ILLUSTREE DE QUELQUES TRANSFORMEES DE FOURIER
𝒙(𝒕) 𝑿(𝒇) |𝑿(𝒇)|
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

𝒙(𝒕) 𝑿(𝒇) |𝑿(𝒇)|
(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
impulsion unité (Dirac)
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

Convolution et Corrélation Chapitre 4
PRODUIT DE CONVOLUTION ET CORRELATION
Filtres et convolution
On s'intéresse à présent à l'étude des systèmes invariants dans le temps, ou filtres. Un

filtre est un instrument, ou un modèle physique, associant (linéairement) une excitation, ou
signal d'entrée, à un signal de sortie.
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)
Le système étant linéaire et invariant alors la réponse associée à

𝑥(𝜏)𝛿(𝑡 − 𝜏) 𝑒𝑠𝑡 𝑥(𝜏)ℎ(𝑡 − 𝜏)
donc:
𝑥(𝜏)𝛿(𝑡 − 𝜏) → 𝑥(𝜏)ℎ(𝑡 − 𝜏)
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
−∞

On en déduit alors que la réponse globale du système s'écrit, par linéarité:
+∞ +∞
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 :
𝑇𝐹[𝑠1 (𝑡) ∗ 𝑠2 (𝑡)] = 𝑆1 (𝑓) ∙ 𝑆2 (𝑓)
La transformée de Fourier du produit de deux signaux 𝑠1 (𝑡) et 𝑠2 (𝑡) est égale au produit de
convolution de leur spectres, soit :
𝑇𝐹[𝑠1 (𝑡) ∙ 𝑠2 (𝑡)] = 𝑆1 (𝑓) ∗ 𝑆2 (𝑓)
EGALITE DE PARSEVAL
De la propriété de convolution, on déduit la formule 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).

 Puissance instantanée d’un signal 𝑃(𝑡) = 𝑥(𝑡) ∙ 𝑥 ∗ (𝑡) = |𝑥(𝑡)|2
 Puissance moyenne sur une durée 𝑇 :
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.
 Puissance instantanée d’interaction de deux signaux :
𝑃𝑥𝑦 (𝑡) = 𝑥(𝑡) ∙ 𝑦 ∗ (𝑡) et 𝑃𝑦𝑥 (𝑡) = 𝑦(𝑡) ∙ 𝑥 ∗ (𝑡)
 Si 𝑥 et 𝑦 sont réel, nous avons : 𝑃𝑥𝑦 (𝑡) = 𝑃𝑦𝑥 (𝑡)
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 :
+∞ +∞
𝐸𝑥 = ∫ 𝑆𝑥𝑥 (𝑓) 𝑑𝑓 = ∫ |𝑋(𝑓)|2 𝑑𝑓

−∞ −∞

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(𝜔) = 𝐻(𝜔) ∙ 𝑋(𝜔)
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 :
𝑦(𝑡) = 𝑚(𝑡) ∗ 𝑥(𝑡) ⇔ 𝑌(𝜔) = 𝑀(𝜔) ∙ 𝑋(𝜔)
Considérons comme exemple une impulsion sinusoïdale de durée ∆𝑡
∆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.
Signaux à énergie finie
Intercorrélation de deux signaux
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
+∞
Par changement de variable 𝜃 = 𝑡 + 𝜏, on montre que

−∞
𝑐𝑥𝑦 (𝜏) = ∫ 𝑥(𝜃 − 𝜏). 𝑦(𝜃)𝑑𝜃 = 𝑐𝑦𝑥 (−𝜏)
+∞

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
+∞
qui pour un décalage nul, donne l'énergie du signal 𝑥(𝑡):

−∞
𝑐𝑥𝑦 (0) = ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑊𝑥
+∞
Corrélation de deux signaux à puissance finie

Dans ce cas, les signaux sont permanents et possèdent une énergie infiniment grande; on ne
peut donc utiliser les définitions précédentes. Pour cette catégorie de signaux, on redéfinit les
deux fonctions de corrélation comme suit:
𝑇
1 +2
𝑐𝑥𝑦 (𝜏) = lim ∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
𝑇
1 +2
𝑐𝑥𝑥 (𝜏) = lim ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
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
+∞
Ou, la puissance moyenne pour les signaux à puissance finie:
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 :
𝑐𝑥𝑥 (0) ≥ 𝑐𝑥𝑥 (𝜏)
3. La FAC est une fonction paire:
𝑐𝑥𝑥 (𝜏) = 𝑐𝑥𝑥 (−𝜏)
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 :
𝑐𝑥𝑥 (𝜏) = 𝜎 2 . 𝛿(𝑡)

Où 𝜎 2 est la variance du signal aléatoire; c'est également, la puissance du signal aléatoire.

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
FAC ne nous donne aucune information sur la phase 𝛼 du signal.
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
= 𝑐𝑥𝑥 (𝜏) + 𝑐𝑥𝑏 (𝜏) + 𝑐𝑏𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
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 :

1. En général la FIC n’est ni paire, ni impaire.

2. Le maximum de la FIC se situe à l’endroit du décalage correspondant au maximum de
similitude entre les deux signaux. Cette propriété est très utilisée pour mesurer des
temps de propagation.
3. Comme le fait de retarder 𝑦(𝑡) par rapport à 𝑥(𝑡) d’une valeur 𝜏 équivaut à avancer le
signal 𝑥(𝑡) par rapport à 𝑦(𝑡), on aura :
𝑐𝑥𝑦 (𝜏) = 𝑐𝑦𝑥 (−𝜏)
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)
2. 𝑇𝐹 (𝐶𝑥𝑦 (𝜏)) = 𝑋(𝑓) ∙ 𝑌(−𝑓)
𝑇𝐹 (𝐶𝑦𝑥 (𝜏)) = 𝑋(−𝑓) ∙ 𝑌(𝑓)
𝑇𝐹 (𝐶𝑥𝑥 (𝜏)) = 𝑋(−𝑓) ∙ 𝑋(𝑓) = |𝑋(𝑓)|2 si 𝑥(𝑡) réelle.

3. Démontrer la relation entre l’énergie 𝑊𝑐 et la fonction d’autocorrélation d’une fonction.
EXERCICE 2
1. Calculer les fonctions d’autocorrélation des fonctions suivantes
−𝑎𝑡
𝑔(𝑡) = {𝑒 𝑠𝑖 𝑡 > 0
0 𝑠𝑖 𝑡 < 0
2. Un pulse rectangulaire de largeur 𝑇 centré en 0.
3. Une suite périodique de période 𝑇1 du même pulse rectangulaire. Représentez pour :
𝑇1 > 2𝑇 et 𝑇1 < 2𝑇
EXERCICE 3
On considère le signal 𝑥(𝑡) défini par :
−𝐴 𝑠𝑖 − Δ𝑡 < 𝑡 < 0
0 𝑠𝑖 𝑡=0
𝑥(𝑡) = {
+𝐴 𝑠𝑖 0 < 𝑡 < Δ𝑡
0 𝑠𝑖 | 𝑡| ≥ Δ𝑡
1. Donner l’allure du signal temporel 𝑥(𝑡).

2. Calculer la fonction d’autocorrélation 𝐶𝑥𝑥 (𝜏) du signal 𝑥(𝑡).
3. Préciser les valeurs particulières suivantes :
𝐶𝑥𝑥 (0), 𝐶𝑥𝑥 (±Δ𝑡) 𝑒𝑡 𝐶𝑥𝑥 (±2. Δ𝑡)
Esquisser la fonction d’autocorrélation 𝐶𝑥𝑥 (𝜏).
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
La fonction de corrélation de deux signaux 𝑥(𝑡) et 𝑦(𝑡) à est définie par :
+∞ +∞
𝐶𝑥𝑥 (𝜏) = ∫−∞ 𝑥(𝑡) 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡 𝐶𝑥𝑦 (𝜏) = ∫−∞ 𝑥(𝑡) 𝑦 ∗ (𝑡 − 𝜏)𝑑𝑡
fonction d’autocorrélation fonction d’intercorrélation
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
d’où : Cxy(  )  Cyx(  )
2. 𝑇𝐹 (𝐶𝑥𝑦 (𝜏)) = 𝑋(𝑓) ∙ 𝑌(−𝑓)
Le produit de convolution des signaux x(t) et y(t) s’écrit :

+∞ +∞
𝑥(𝑡) ∗ 𝑦(𝑡) = ∫ 𝑥(𝜏) 𝑦(𝑡 − 𝜏)𝑑𝜏 = 𝐶𝑥𝑦 (𝜏) = ∫ 𝑥(𝑡 − 𝜏) 𝑦(𝜏)𝑑𝜏
−∞ −∞
par analogie avec le produit de convolution ona :
𝐶𝑥𝑦 (𝜏) = 𝑥(𝑡) ∗ 𝑦(−𝑡)
or TF x * y  TF x( t )  TF y( t ) d’après Plancherel

et 𝑇𝐹[𝑥(−𝑡)] = 𝑋(−𝑓)
d’où :
𝑇𝐹 (𝐶𝑥𝑦 (𝜏)) = 𝑇𝐹 (𝑥(𝑡) ∗ 𝑦(−𝑡)) = 𝑋(𝑓) ∙ 𝑌(−𝑓)
𝑇𝐹 (𝐶𝑦𝑥 (𝜏)) = 𝑇𝐹 (𝑦(𝑡) ∗ 𝑥(−𝑡)) = 𝑌(𝑓) ∙ 𝑋(−𝑓) = 𝑋(−𝑓) ∙ 𝑌(𝑓)
𝑇𝐹 (𝐶𝑥𝑥 (𝜏)) = 𝑇𝐹[𝑥(𝑡) ∗ 𝑥(−𝑡)] = 𝑋(𝑓) ∙ 𝑋(−𝑓) = |𝑋(𝑓)|2
Si x est réelle  𝑋(𝑓) est paire et réelle

La transformée de Fourier de la puissance spectrale d’un signal est :
𝑇𝐹 −1 (|𝑋(𝑓)|) = 𝑇𝐹 −1 [𝑋(𝑓) ∙ 𝑋 ∗ (𝑓)] = 𝑥(𝑡) ∗ 𝑥 ∗ (−𝑡)

+∞
=∫ 𝑥(𝜏) ∙ 𝑥 ∗ (𝜏 − 𝑡) 𝑑𝜏 = 𝐶𝑥𝑥 (𝑡)
−∞
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
−∞ −∞
𝑇𝐹 (𝐶𝑥𝑥 (𝜏)) = 𝑋(−𝑓) ∙ 𝑋(𝑓) = |𝑋(𝑓)|2 si 𝑥(𝑡) réelle
3. Relation entre l’énergie Wc et la fonction d’autocorrélation d’une fonction
Rappel
2
 Puissance instantanée d’un signal P( t )  x( t )  x * ( t )  x( t )
 Puissance moyenne sur une durée T0 :

1 t T0 1 t T0
P( t ,T0 )   x( t )  x * ( t ) dt    x réel ( t ) dt
2
T0 t T0 t
 
2
 Energie totale d’un signal : E x   x( t )  x * ( t ) dt   x( t ) dt
 
 Puissance instantanée d’interaction de deux signaux :
Pxy ( t )  x( t )  y * ( t ) et Pyx ( t )  y( t )  x * ( t )

 Si x et y sont réel, nous avons : Pxy ( t )  Pyx ( t )
Si x(t) a une transformée de Fourier X(  ) , on définit le spectre de puissance d’un signal ou

densité spectrale par :
2
S xx (  )  X (  )
 Energie totale :
 
2
E x   S xx (  )d   X (  ) d
 
 Densité spectrale d’interaction de deux signaux :

S xy (  )  X (  )  Y * (  )
L’énergie d’un spectre X(  ) est donnée par :

  
X (  ) d   TF Cxx(  )d
2 2
Wc   x( t ) dt   d’après l’égalité de
  
Parseval
On a :
T / 2
2
Cxx( 0 )  lim  x( t )  dt
T   T / 2
La fonction d’autocorrélation a sa valeur maximale pour   0 , d’où :
0  Cxx(  )  Cxx( 0 )
 La transformée de Fourier de la fonction d’autocorrélation d’un signal est égale à la densité

spectrale d’énergie.
 Pour un signal périodique, la transformée de Fourier de la fonction d’autocorrélation d’un
signal est égale à la densité spectrale de puissance.
Cxx(  ) mesure de la ressemblance entre x(  ) et x( t   )
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 :
nT1  mT2  T'

On aura :
1 T '/2
Cxy(  )   x( t )  y( t   ) dt
T T '/2
Soit x( t )  A sin( 2 f 0 t ) et y( t )  ( A / 2 )cos( 2 f 0 t   / 4 )

1 
Tx  Ty 
f0 f0
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 )  cos2 f ( t   )   / 4 dt
1 T /2 T /2
Cxy(  )   x ( t )  y ( t   ) dt 
T T / 2 2T T / 2
TFCxy(  )  X ( n1 )Y * ( n 2 ) avec  1  1 / T1 et  2  1 / T2
 
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

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
Représentation schématique de l'échantillonnage
Le signal est échantillonnée par un convertisseur analogique-numérique qui fonctionne à la

fréquence Fe et effectue la multiplication du signal normalisé (c’est à dire d’amplitude unité)
1
par un train d’impulsions (peigne de Dirac) d’amplitude unité et de période 𝑇𝑒 = 𝐹 .
𝑒
Le processus d’échantillonnage revient à multiplier le signal analogique 𝑠(𝑡) par une série
d’impulsions unité : le ‘signal’ obtenu est alors constitué d’une succession d’impulsions dont
la hauteur est modulée par l’amplitude du signal de départ
𝑥(𝑡)
t
𝛿𝑇𝑒 (𝑡)
1
… … …
temps
-3Te -2Te -Te 0 Te 2Te 3Te 𝑛𝑇𝑒
𝑥ො(𝑡)
t

𝑥ො(𝑡) = 𝑥(𝑡) × 𝛿𝑇𝑒 (𝑡)

+∞
𝑥ො(𝑡) = 𝑥(𝑡) × ∑ 𝛿(𝑡 − 𝑛𝑇𝑒 )

𝑛=−∞
Soit:
+∞
𝑥ො(𝑡) = ∑ 𝑥(𝑛𝑇𝑒 )
𝑛=−∞
S PECTRE DU SIGNAL ECHANTILLONNE
Le spectre du signal échantillonnée sera donnée par le produit de convolution du spectre du

signal initial avec la transformée de la suite des pics de Dirac (d’après le théorème de
Plancherel).
+∞
̂𝑋(𝑓) = 𝑇𝐹 [𝑥ො(𝑡)] = 𝑇𝐹[𝑥(𝑡) × 𝛿𝑇 (𝑡)] = 𝑋(𝑓) ∗ 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑛𝐹𝑒 )
𝑒
𝑛=−∞
On rappelle que
+∞ +∞
𝑇𝐹 [ ∑ 𝛿(𝑡 − 𝑛𝑇𝑒 )] = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑛𝐹𝑒 )

𝑛=−∞ 𝑛=−∞
On alors
+∞ +∞
̂𝑋(𝑓) = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑛𝐹𝑒 ) ∗ 𝑋(𝑓) = 𝐹𝑒 ∑ 𝑋(𝑓 − 𝑛𝐹𝑒 )
𝑛=−∞ 𝑛=−∞
Par conséquent, le spectre de l’échantillonné ̂𝑋(𝑓) s’obtient par périodisation de la transformée

1
de Fourier du signal 𝑥(𝑡) sur l’axe des fréquences avec une période égale à 𝐹𝑒 , multiplié par 𝑇 .
𝑒
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.
RESTITUTION DU SIGNAL INITIAL À PARTIR DE L’ECHANTILLONNER
Si l’on dispose du signal 𝑥ො(𝑡), peut-on retrouver le signal 𝑥(𝑡) ?
En supposant le signal initial à spectre borné par 𝑓𝑚𝑎𝑥 et la condition du théorème

d’échantillonnage remplie, il est clair que l’on peut extraire du spectre périodique de
l’échantillonné le spectre correspondant à la fréquence centrale nulle (spectre dit de base) en
𝐹
utilisant un filtre passe-bas idéal de fréquence de coupure 2𝑒 .
S(f) Sˆ (f )
f f
 fM fM  fM fM Fe
Fe
Périodisation du spectre u signal échantillonné
Sˆ ( f )
Filtre passe-bas
idéal
f
 fM fM
 Fe / 2 Fe / 2
Fe
Filtrage passe-bas idéal permettant d’extraire

le spectre de base de l’échantillonné

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 :
̂𝑋0 (𝑓) = ̂𝑋(𝑓) ∙ Π𝐹 (𝑓)

𝑒
En prenant la transformée de Fourier inverse de la relation précédente et en appliquant le

théorème de Plancherel, on obtient l’expression d’un signal temporel ayant le spectre de base
du signal échantillonné.
𝑠𝑖𝑛(𝜋𝐹𝑒 𝑡)
̂𝑥0 (𝑡) = 𝑥ො(𝑡) ∗ 𝐹𝑒 𝑠𝑖𝑛𝑐(𝐹𝑒 𝑡) = 𝐹𝑒 𝑥ො(𝑡) ∗
𝜋𝐹𝑒 𝑡
Soit :
+∞
𝑠𝑖𝑛(𝜋𝐹𝑒 (𝑡 − 𝑘𝑇𝑒 ))
̂𝑥0 (𝑡) = 𝐹𝑒 [ ∑ 𝑥(𝑘𝑇𝑒 ) ∙ ] (1)
𝜋𝐹𝑒 (𝑡 − 𝑘𝑇𝑒 )
𝑘=−∞
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 :
̂𝑋0 (𝑓) = 𝐹𝑒 𝑋(𝑓)
d’où, en appliquant la transformée de Fourier inverse à cette relation, il vient :
̂𝑥0 (𝑡) = 𝐹𝑒 𝑥(𝑡) (2)
En identifiant les expressions (1) et (2) on a :

+∞
𝑠𝑖𝑛(𝜋𝐹𝑒 (𝑡 − 𝑘𝑇𝑒 ))
𝑥(𝑡) = ∑ 𝑥(𝑘𝑇𝑒 ) ∙
𝜋𝐹𝑒 (𝑡 − 𝑘𝑇𝑒 )
𝑘=−∞
En effet cette somme de produits 𝑥(𝑘𝑇𝑒 ) et 𝑠𝑖𝑛𝑐(𝜋𝐹𝑒 (𝑡 − 𝑘𝑇𝑒 )) permet de reconstituer

exactement le signal et donc l’échantillonnage idéal, dans les conditions du théorème de
Shannon, conserve la totalité de l’information contenue dans le signal.
EFFET DE REPLIEMENT DU SPECTRE

Dans le cas où la condition du théorème de Shannon n’est pas respectée, il y a donc un
phénomène de recouvrement de spectre (folding, aliasing). Le filtre passe-bas idéal, qui
permettait de récupérer le spectre de base, ne peut plus agir efficacement dans ces conditions.
La figure ci-dessous indique ce chevauchement. C’est ainsi qu’une fréquence située dans la
zone de repliement est susceptible d’appartenir à la fois au spectre de base du signal initial et à
son spectre image décalé de 𝐹𝑒 .

Ŝ f 
repliement de spectre
f
-fmax Fe/2 Fe
Fe fmax
Recouvrement de spectre dans le cas Fe  2f m
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
On échantillonne une sinusoïde 𝑠(𝑡) = 𝑐𝑜𝑠(2𝜋𝑓0 𝑡) à la fréquence d’échantillonnage de

10 𝑘𝐻𝑧 Dessinons l’allure des échantillons (c’est-à-dire l’allure de la fonction 𝑠̂ (𝑡)
correspondante) pour des valeurs de 𝑓0 égales à:
10𝐾𝐻𝑧, 5𝐾𝐻𝑧, 6,6𝐾𝐻𝑧, 𝑒𝑡 3,3𝐾𝐻𝑧.
Pour que les graphiques possèdent des axes temporels identiques, choisissons de montrer les
600 premières µs des signaux (Figure ci dessous).
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.
 𝑝𝑜𝑢𝑟 𝑓 = 3,3𝑘𝐻𝑧 ∶ 𝑇𝑎 = 300𝜇𝑠 𝑒𝑡 𝑓𝑎 = 3,3𝐾𝐻𝑧

 𝑝𝑜𝑢𝑟 𝑓 = 5𝑘𝐻𝑧 ∶ 𝑇𝑎 = 200𝜇𝑠 𝑒𝑡 𝑓𝑎 = 5𝐾𝐻𝑧
 𝑝𝑜𝑢𝑟 𝑓 = 6,6𝑘𝐻𝑧 ∶ 𝑇𝑎 = 300𝜇𝑠 𝑒𝑡 𝑓𝑎 = 3,3𝐾𝐻𝑧
 𝑝𝑜𝑢𝑟 𝑓 = 10𝑘𝐻𝑧 ∶ 𝑙𝑒 𝑠𝑖𝑔𝑛𝑎𝑙 é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑛é 𝑠𝑒𝑚𝑏𝑙𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢 𝑑′𝑜ù 𝑓𝑎 = 0
La fréquence apparente du signal échantillonné ne correspond à la fréquence du signal 𝑠(𝑡) que

pour les fréquence 𝑓 = 3,3𝐾𝐻𝑧 𝑒𝑡 𝑓 = 5𝐾𝐻𝑧, c'est à dire lorsque la fréquence
d'échantillonnage est au moins égale au double de la fréquence du signal 𝑠(𝑡).
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
Figure (b) : Echantillonnage régulier Figure (c) : Echantillonnage moyenneur
ECHANTILLONNAGE REGULIER OU BLOQUEUR

Dans le cas de l’échantillonnage régulier, l’amplitude de chaque impulsion est constante et
égale à l’amplitude du signal au temps (𝑛𝑇𝑒 ). Ce mode correspond au cas pratique le plus
souvent mis en œuvre.
Le signal échantillonner s’écrit :
+∞
𝑆̂(𝑛𝑇𝑒 ) = ∑ 𝑠(𝑘𝑇𝑒 ) ∙ Π𝜏 (𝑡 − 𝑘𝑇𝑒 ) = [𝑠(𝑡) ∙ 𝛿𝑇𝑒 ] ∗ Π𝜏 (𝑡)

𝑘=−∞
D’où le spectre 𝑆̂(𝑓) de 𝑠̂ (𝑡) s’obtient en prenant la T.F. de la relation précédente, soit :
𝑆̂(𝑓) = [𝑆(𝑓) ∗ 𝐹𝑒 ∙ 𝛿𝐹𝑒 (𝐹)] ∙ 𝑇𝐹[Π𝜏 (𝑡)]

+∞
𝑠𝑖𝑛(𝜋𝜏𝑓)
𝑆̂(𝑓) = [𝑆(𝑓) ∗ (𝐹𝑒 ∙ ∑ 𝑆(𝑓 − 𝑘𝐹𝑒 ))] ∙ 𝜏
𝜋𝜏𝑓
𝑘=−∞
+∞
𝑆̂(𝑓) = 𝜏𝐹𝑒 ∑ 𝑆(𝑓) ∙ 𝛿(𝑓 − 𝑘𝐹𝑒 )
𝜋𝜏𝑓
𝑘=−∞
D’où :
+∞
𝑆̂(𝑓) = 𝜏𝐹𝑒 ∑ 𝑆(𝑓 − 𝑘𝐹𝑒 )
𝜋𝜏𝑓
𝑘=−∞
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 :
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
L’échantillonneur moyenneur donne des échantillons Sˆ (kTe ) correspondant à la valeur

moyenne de s(t ) prise sur une durée de l’impulsion  . Ainsi l’échantillon k s’exprime sous la
forme suivante :
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
Le signal échantillonné va donc s’exprimer sous la forme :

+∞
1
𝑆̂(𝑡) = ∑ [Π𝜏 (𝑡) ∗ 𝑠(𝑡)] ∙ 𝛿(𝑡 − 𝑘𝑇𝑒 )
𝜏
𝑘=−∞
Le spectre 𝑆̂(𝑓) de 𝑆̂(𝑡) s’obtient par T. F. en utilisant le théorème de Plancherel, soit :

+∞
𝑆̂(𝑓) = 𝐹𝑒 ∑ [ 𝑆(𝑓)] ∗ 𝛿(𝑓 − 𝑘𝐹𝑒 )
𝜋𝜏𝑓
𝑘=−∞
Ou bien :
+∞
𝑠𝑖𝑛(𝜋𝜏(𝑓 − 𝑘𝐹𝑒 ))
𝑆̂(𝑓) = 𝐹𝑒 ∑ [ 𝑆(𝑓 − 𝑘𝐹𝑒 )]
𝜋𝜏(𝑓 − 𝑘𝐹𝑒 )
𝑘=−∞
Après un filtrage passe-bas de largeur 𝐹𝑒 , la relation liant le spectre de base du signal

échantillonné 𝑆̂0 (𝑓) et celui du signal 𝑆(𝑓) est donnée par :

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
Figure (1) Figure (2)
2𝑡2 √𝜋 −(𝜋𝑓/𝛼)2
𝑥(𝑡) = 𝑒 −𝛼 ayant pour transformée de Fourier 𝑋(𝑓) = 𝑒
𝛼
1. On désire échantillonner 𝒙(𝒕) afin de le transporter sur un réseau :

(a) On se propose d’échantillonner 𝒙(𝒕) avec une fréquence d’échantillonnage 𝑭𝒆 = 𝟓𝟎𝟎𝑯𝒛
ce choix est-il judicieux ? Pourquoi ?
(b) On se propose d’échantillonner 𝒙(𝒕) avec une fréquence d’échantillonnage 𝑭𝒆 = 𝟏𝒌𝑯𝒛,
ce choix est-il judicieux ? Pourquoi ?
2. Parmi les deux solutions étudiées précédemment, choisir la fréquence d’échantillonnage
̂(𝒕)
la plus appropriée. Dans ce cas, compléter les allures des signaux 𝜹𝑻𝒆 (𝒕) et 𝒙
3. Donner l'expression de 𝒙 ̂(𝒕)

̂ (𝒇) le spectre de 𝒙
4. Soit 𝑿 ̂(𝒕), donner l’expression de 𝑿 ̂ (𝒇)
5. En déduire une représentation de 𝑿 ̂ (𝒇) sur l’intervalle [−𝟐𝑭𝒆 , 𝟐𝑭𝒆 ].
6. 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 filtre
et du signal filtré.
7. On désigne par 𝑿𝟏 (𝒇 ) le résultat de la convolution du spectre 𝑿(𝒇 ) par 𝑮(𝒇 ), avec
𝑨𝟎
𝑮(𝒇) = 𝜹(𝒇) + [𝜹(𝒇 − 𝑭𝟎 ) + 𝜹(𝒇 + 𝑭𝟎 )]
𝟐
Calculer 𝑿𝟏 (𝒇 ):
8. En déduire la représentation graphique de 𝑮(𝒇 ) et 𝑿𝟏 (𝒇 ) (On prendra 𝑭𝟎 = 𝟏, 𝟓𝒌𝑯𝒛).
9. Déterminez le signal 𝒙𝟏 (𝒕 ) obtenu par la T.F. inverse de 𝑿𝟏 (𝒇 ).
10. En déduire une représentation graphique de 𝒈(𝒕 ) et 𝒙𝟏 (𝒕 ).
𝟐 (𝒕−𝒏𝑻)𝟐
11. Montrer que le signal 𝒚(𝒕) = ∑+∞𝒏=−∞ 𝒆
−𝜶
s’écrit comme le produit de convolution
de deux signaux que l’on précisera.
12. En déduire le spectre 𝒀(𝒇).

EXERCICE 2
On considère le signal 𝑥(𝑡) = 𝑥1 (𝑡) × 𝑥2 (𝑡) avec :

𝑋0
𝑥1 (𝑡) = 2𝑑 (𝑡) 𝑒𝑡 𝑥2 (𝑡) =
[1 + 𝑐𝑜𝑠(2𝜋𝐹0 𝑡)]
2
2𝑑 (𝑡) désigne le signal porte centré à l’origine de largeur 2d et d’amplitude X0.
1
1. Donner une représentation du signal x 2 ( t ) sachant que  F0  500 Hz .
T0
2. En déduire une représentation de x( t ) sachant que d  4 ms .
3. On désigne par X 1  f  et X 2  f  les transformées de Fourier des signaux x 1 ( t ) et x 2 ( t )
respectivement, donner les expressions de X 1  f  et X 2  f  .
4. En déduire la transformée de Fourier de x( t ) , que l’on note X  f  .
sin x
5. Nous voulons échantillonner le signal x( t ) , on suppose que la fonction sin c( x ) 
x
comme nulle après le troisième passage par zéro. Représenter le spectre X  f  .
6. Déterminer graphiquement la fréquence maximale f m ax du signal. En déduire la fréquence
d’échantillonnage idéale Fe ? Justifier.
7. Quel est le nombre d’échantillons N que nous devrions relever sur la courbe.

8. Donner une représentation approximative de x( t ) signal échantillonné de x( t ) .
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)
2) Soit 𝑋1 (𝑓) et 𝑋2 (𝑓) les transformées de Fourier de 𝑥1 (𝑡) et 𝑥2 (𝑡) respectivement:

2𝑑𝜋𝑓
𝑋1 (𝑓) = 2𝑑𝐴0 sin = 2𝑑𝐴0 sinc(2𝑑𝜋𝑓)
2𝑑𝜋𝑓
𝐴0 𝐴0
𝑋2 (𝑓) = 𝛿(𝑓) + 𝛿(𝑓 ± 𝐹0 )
2 4
3) La transformée de 𝑋(𝑓) est donnée par:
𝑥(𝑡) = 𝑥1 (𝑡). 𝑥2 (𝑡)  𝑋(𝑓) = 𝑋1 (𝑓) ∗ 𝑋2 (𝑓)

𝐴0 𝐴0
𝑋(𝑓) = [ 𝛿(𝑓) + 𝛿(𝑓 ± 𝐹0 )] ∗ 2𝑑𝐴0 sinc(2𝑑𝜋𝑓)
2 4
𝑑
𝑋(𝑓) = 𝐴20 d. sinc(2𝑑𝜋𝑓) + 𝐴20 . [sinc(2𝜋𝑑(𝑓 + 𝐹0 )) + sinc(2𝜋𝑑(𝑓 − 𝐹0 ))]
2
4) d'où la représentation de 𝑋(𝑓)

𝑿(𝒇)
𝒅. 𝑨𝟐𝟎
𝒅 𝟐
.𝑨
𝟐 𝟎
f
-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
6) Soit N le nombre d'échantillons que nous devrions relever sur la courbe on a:

2𝑑 3
𝑁= = 2𝑑𝐹𝑒 = 2𝑑 [2𝐹0 + ] ⇒ 𝑁 = 4𝑑𝐹0 + 6
𝑇𝑒 𝑑
Application numérique: 𝑁 = 4.4. 10−3 . 500 + 6 ⇒ 𝑁 = 14 é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑠

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
Soit un signal x(t) transmis à travers le système ci-dessous
Echantillonneur y(t) Filtre z(t)

x(t) h(t) Passe bande
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
1. Donner une représentation graphique de l’échantillonneur 𝒉(𝒕). En déduire son expression.

2. Déterminer le spectre d’une fonction porte centré à l’origine, de largeur 𝑻𝒇 et
d’amplitude unité.
3. On désigne par 𝑿(𝒇) le spectre de 𝒙(𝒕), 𝑯(𝒇) le spectre de 𝒉(𝒕) et par 𝒀(𝒇) le spectre de
𝒚(𝒕), déterminer 𝒀(𝒇).
4. Le filtre passe bande idéalisé à un gain unitaire dans la bande de fréquence 𝑩. 𝑷. (Bande
Passante) centrée sur la fréquence d’échantillonnage 𝟐𝑭𝒆 , l’atténuation en dehors de cette
bande est totale. Donner l’allure du filtre passe bande G f  ainsi que son expression.
5. Soit 𝒁(𝒇) le spectre de 𝒛(𝒕), déterminer l’expression de 𝒁(𝒇).
6. En déduire l’expression de 𝒛(𝒕).
CORRIGE EXERCICE 3
1) L’échantillonneur ℎ(𝑡) est un signal périodique 𝑇𝑒 , il s’écrit alors comme le produit de

convolution du peigne de Dirac 𝛿𝑇𝑒 (𝑡) = ∑𝑛=+∞𝑛=−∞ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) avec le signal motif de
l’échantionneur ℎ(𝑡) qui n’est autre qu’une fonction porte centrée à l’origine, de largeur
𝑡
𝑇𝑓 et d’amplitude unitaire soit : Π𝑇𝑓 (𝑡) = 𝑟𝑒𝑡 (𝑇 )
𝑓
D’où :

𝑛=+∞ 𝑛=+∞
ℎ(𝑡) = 𝛿𝑇𝑒 (𝑡) ∗ Π 𝑇𝑓 (𝑡) = ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) ∗ Π 𝑇𝑓 (𝑡) = ∑ Π 𝑇𝑓 (𝑡 − 𝑛𝑇𝑒 )

𝑛=−∞ 𝑛=−∞
2) Le spectre d’une fonction porte centré à l’origine de largeur 𝑇𝑓 et d’amplitude unité est
donné par :
𝑇𝐹 [Π𝑇𝑓 (𝑡)] = 𝑇𝑓 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 )
3) L’expression du spectre 𝑌(𝑓) de 𝑦(𝑡) = 𝑥(𝑡) × ℎ(𝑡) est donnée par :
𝑛=+∞
𝑌(𝑓) = 𝑇𝐹[𝑥(𝑡) × ℎ(𝑡)] = 𝑇𝐹 [𝑥(𝑡) × ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) ∗ Π𝑇𝑓 (𝑡)]

𝑛=−∞
D’après le théorème de Plancherel on a :
𝑛=+∞
𝑌(𝑓) = 𝑇𝐹[𝑥(𝑡)] ∗ 𝑇𝐹 [ ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) ∗ Π 𝑇𝑓 (𝑡)]

𝑛=−∞
𝑛=+∞
𝑌(𝑓) = 𝑋(𝑓) ∗ {𝑇𝐹 [ ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 )] × 𝑇𝐹 [Π𝑇𝑓 (𝑡)]}

𝑛=−∞
Or la transformée de Fourier du peigne de Dirac est donnée par :
𝑛=+∞ 𝑛=+∞
𝑇𝐹 [ ∑ 𝛿 (𝑡 − 𝑛𝑇𝑒 )] = 𝐹𝑒 ∑ 𝛿 (𝑓 − 𝑛𝐹𝑒 )
𝑛=−∞ 𝑛=−∞
D’où :
𝑛=+∞
𝑌(𝑓) = 𝑋(𝑓) ∗ {𝐹𝑒 ∑ 𝛿 (𝑓 − 𝑛𝐹𝑒 ) × 𝑇𝑓 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 )}

𝑛=−∞
𝑛=+∞
𝑇𝑓
𝑌(𝑓) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 ) ∑ 𝛿 (𝑓 − 𝑛𝐹𝑒 ) ∗ 𝑋(𝑓)
𝑇𝑒
𝑛=−∞
Le produit de convolution étant commutatif. D’où
𝑛=+∞
𝑇𝑓
𝑌(𝑓) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 ) ∑ 𝑋 (𝑓 − 𝑛𝐹𝑒 )
𝑇𝑒
𝑛=−∞
4) Le filtre passe bande idéalisé 𝐺(𝑓) à un gain unitaire dans la bande de

fréquence B.P. (Bande Passante) centrée sur la fréquence d’échantillonnage
4𝐹𝑒 , l’atténuation en dehors de cette bande est totale. L’allure du filtre peut
être approchée par une fonction porte (vue que l’atténuation est totale) de
largeur B.P. et centrée en 4𝐹𝑒 .
Soit :
𝐺(𝑓)
1 𝐵. 𝑃.
−4𝐹𝑒 0 4𝐹𝑒
L’expression du filtre 𝐺(𝑓) est donnée par :

𝐺(𝑓) = Π𝐵.𝑃 (𝑓 + 4𝐹𝑒 ) + Π𝐵.𝑃 (𝑓 − 4𝐹𝑒 )

5) On désigne par 𝑍(𝑓) la composante du spectre de 𝑌(𝑓) après filtrage, soit :
𝑍(𝑓) = 𝑌(𝑓) × 𝐺(𝑓)
𝑛=+∞
𝑇𝑓
𝑍(𝑓) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝑇𝑓 ) ∑ 𝑋 (𝑓 − 𝑛𝐹𝑒 ) × [Π𝐵.𝑃 (𝑓 + 4𝐹𝑒 ) + Π𝐵.𝑃 (𝑓 − 4𝐹𝑒 )]
𝑇𝑒
𝑛=−∞
L’opération de filtrage de 𝑌(𝑓) par 𝐺(𝑓) ne laisse passer que les composante centrées
en ±4𝐹𝑒 soit les composantes qui correspondent à = ±4 , d’où le nouveau spectre 𝑍(𝑓)
s’écrit :
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
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)].
2) Calculer 𝑋𝐿 (𝑓) pour 𝑥(𝑡) = 𝐴𝑐𝑜𝑠(2𝜋𝐹0 𝑡)
3) En déduire une représentation graphique de |𝑋𝐿 (𝑓)| (pour cette représentation on
𝑠𝑖𝑛𝑋
suppose que la fonction est nul à partir du troisième passage par zéro)
𝑋
4) A présent le signal 𝑥𝐿 (𝑡) subit une opération d'échantillonnage idéal à la fréquence
𝑭𝒆 = 𝜶𝑭𝟎 avec 𝑳 = 𝜷𝑻𝟎
Etude dans le domaine temporel 𝜶 = 𝟒 𝒆𝒕 𝜷 = 𝟐
a) Donner une représentation graphique du signal 𝑥𝐿 (𝑡)

b) Donner l'expression du signal échantillonnée 𝑥ො𝐿 (𝑡)
𝐿 𝐿
c) En déduire une représentation graphique de 𝑥ො𝐿 (𝑡) avec 𝑘𝑇𝑒 ∈ [− 2 , 2].

𝑳
d) En déduire le nombre 𝑵 = 𝑻 d'échantillons.
𝒆
e) Comment rendre le signal discret 𝑥ො𝐿 (𝑡) causal? Donner une représentation.
Etude dans le domaine fréquentiel 𝜶 = 𝟒 𝒆𝒕 𝜷 = 𝟐
a) Déterminer l'expression de la transformée de Fourier du signal échantillonné
𝑇𝐹[𝑥ො(𝑡)] = 𝑋̂𝐿 (𝑓)
b) En déduire l'expression de 𝑋̂𝐿 (𝑓) pour 𝑛 ∈ [−1, 1].
c) Donner une représentation graphique de |𝑋̂𝐿 (𝑓)| pour 𝑛 ∈ [−1, 1] (pour cette
𝑠𝑖𝑛𝑋
représentation on suppose que la fonction est nul à partir du deuxième passage
𝑋
par zéro).
Restitution du signal 𝒙(𝒕)
a) Calculer le produit suivant : 𝑋0𝐿 (𝑓) = 𝑋̂𝐿 (𝑓) × 𝑊(𝑓)
Avec 𝑊(𝑓) = 𝑟𝑒𝑐𝑡(𝑓 + 𝐹0 ) + 𝑟𝑒𝑐𝑡(𝑓 − 𝐹0 )
b) En déduire l'expression de 𝑥0𝐿 (𝑡) = 𝑇𝐹 −1 [𝑋0𝐿 (𝑓)]
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
2) Calcul de 𝑋𝐿 (𝑓) pour 𝑥(𝑡) = 𝐴𝑐𝑜𝑠(2𝜋𝐹0 𝑡)

𝐴
𝑥(𝑡) = 𝐴𝑐𝑜𝑠(2𝜋𝐹0 𝑡) ⇒ 𝑋(𝑓) = [𝛿(𝑓 + 𝐹0 ) + 𝛿(𝑓 − 𝐹0 )]
2
D’où
𝐴
𝑋𝐿 (𝑓) = [𝛿(𝑓 ± 𝐹0 ) ∗ 𝐿𝑠𝑖𝑛𝑐(𝜋𝐿𝑓)]
2
𝐴𝐿
𝑋𝐿 (𝑓) = [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 + 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 − 𝐹0 ))]
2
3) En déduire une représentation graphique de |𝑋𝐿 (𝑓)| (pour cette représentation on

𝑠𝑖𝑛𝑋
suppose que la fonction 𝑋 est nul à partir du troisième passage par zéro)
|𝑋𝐿 (𝑓)|
𝐴𝐿/2
𝑓(𝐻𝑧)
𝐹0

4) A présent le signal 𝑥𝐿 (𝑡) subit une opération d'échantillonnage idéal à la fréquence

𝑭𝒆 = 𝜶𝑭𝟎 avec 𝑳 = 𝜷𝑻𝟎
Etude dans le domaine temporel 𝜶 = 𝟒 𝒆𝒕 𝜷 = 𝟐
a) Représentation graphique du signal 𝑥𝐿 (𝑡)
𝑥𝐿 (𝑡)
𝐴
𝑡
−𝐿/2 𝐿/2
−𝐴
b) L'expression du signal échantillonnée 𝑥ො𝐿 (𝑡) est donnée par :
𝑥ො𝐿 (𝑡) = 𝑥𝐿 (𝑡) × 𝛿𝑇𝑒 (𝑡) = ∑ 𝑥𝐿 (𝑘𝑇𝑒 )

𝑘
𝐿 𝐿
c) Une représentation graphique de 𝑥ො𝐿 (𝑡) avec 𝑘𝑇𝑒 ∈ [− 2 , 2].
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
Etude dans le domaine fréquentiel 𝜶 = 𝟒 𝒆𝒕 𝜷 = 𝟐
a) L'expression de la transformée de Fourier du signal échantillonné s’écrit :

𝑇𝐹[𝑥ො(𝑡)] = 𝑋̂𝐿 (𝑓)

+∞
𝑋𝐿 (𝑓) = 𝐹𝑒 ∑ 𝑋(𝑓 − 𝑛𝐹𝑒 )

𝑛=−∞
𝐴𝐿
Avec 𝑋𝐿 (𝑓) = [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 + 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 − 𝐹0 ))]
2
b) L'expression de 𝑋̂𝐿 (𝑓) pour 𝑛 ∈ [−1, 1] :
𝑋̂𝐿 (𝑓) = 𝐹𝑒 [𝑋𝐿 (𝑓 + 𝐹𝑒 ) + 𝑋𝐿 (𝑓) + 𝑋𝐿 (𝑓 − 𝐹𝑒 )]

D’où
𝐴𝐿
𝑋̂𝐿 (𝑓) = 𝐹𝑒 [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 ± 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 ± 3𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 ± 5𝐹0 ))]
2
c) Représentation graphique de |𝑋̂𝐿 (𝑓)| pour 𝑛 ∈ [−1, 1] (pour cette représentation on
𝑠𝑖𝑛𝑋
suppose que la fonction est nul à partir du deuxième passage par zéro).
𝑋
|𝑋̂𝐿 (𝑓)|
𝑓(𝐻𝑧)
−5𝐹0 −3𝐹0 −𝐹0 𝐹0 3𝐹0 5𝐹0
Restitution du signal 𝒙(𝒕)

a) Calcul du produit suivant : 𝑋0𝐿 (𝑓) = 𝑋̂𝐿 (𝑓) × 𝑊(𝑓)
Avec 𝑊(𝑓) = 𝑟𝑒𝑐𝑡(𝑓 + 𝐹0 ) + 𝑟𝑒𝑐𝑡(𝑓 − 𝐹0 )
𝐴𝐿
𝑋0𝐿 (𝑓) = 𝑋̂𝐿 (𝑓) × 𝑊(𝑓) = 𝐹𝑒 [𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 + 𝐹0 )) + 𝑠𝑖𝑛𝑐(𝜋𝐿(𝑓 − 𝐹0 ))]
2
b) Une expression de 𝑥0𝐿 (𝑡) = 𝑇𝐹 −1 [𝑋0𝐿 (𝑓)] peut s’écrire comme :
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
𝒙(𝒕) |𝑿(𝒇 )|
T.F.
a
1
𝒕 (𝒎𝒔) 𝒇(𝑯𝒛)
−𝑑 0 𝑑=5 0 fmax
1) Donner l’expression de 𝑿(𝒇) et préciser la valeur de 𝑓𝑚𝑎𝑥 en fonction de 𝑑.

2) On désire échantillonner le signal 𝒙(𝒕) afin de le transporter sur un réseau avec une
̂(𝒕) obtenu par
fréquence d'échantillonnage 𝑭𝒆 = 𝟒/𝒅, donnez l'expression de 𝒙
̂(𝒕) sur le
échantillonnage idéal de 𝒙(𝒕). En déduire une représentation graphique de 𝒙
domaine temporel [−𝒅, 𝒅].
3) ̂ (𝒇 ) le spectre de 𝒙
Soit 𝑿 ̂ (𝒇 ).
̂(𝒕), donner l’expression de 𝑿
4) ̂ (𝒇 ) sur le domaine fréquentiel [−𝑭𝒆 , 𝑭𝒆 ].
En déduire une représentation de 𝑿
5) ̂ (𝒇 ) précisez la nature du filtre qu'il faut
On souhaite restituer le signal 𝒙(𝒕) à partir de 𝑿
appliquer ainsi que sa fréquence de coupure. En déduire une représentation graphique du
signal filtré.
6) On désire connaître le spectre du signal périodique 𝒈(𝒕) dont la représentation temporelle
est donnée 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). Donner la représentation spectrale |𝐺(𝒇)| avec précision
dans les deux cas suivants :
a) 𝑇0 = 4𝑑
b) 𝑇0 = 8𝑑
𝒈(𝒕)
1
Figure (3)
𝒕(𝒎𝒔)
−𝑑 0 𝑑 𝑻𝟎
7) Donner l’expression du spectre 𝑿𝟏 (𝒇 ) résultat de la convolution du spectre 𝑿(𝒇 ) par

𝟏
[𝜹(𝒇 + 𝟐𝑭𝟎 ) + 𝜹(𝒇 − 𝟐𝑭𝟎 )]. En déduire une représentation graphique de 𝑿𝟏 (𝒇 )
𝟐
(On prendra 𝑭𝟎 = 𝟐𝒇𝒎𝒂𝒙 ).

8) Déterminez le signal 𝒙𝟏 (𝒕 ) obtenu par transformée de Fourier inverse de 𝑿𝟏 (𝒇 ).
9) Préciser la période 1/𝑭𝟎 du signal 𝒙𝟏 (𝒕 ) en fonction de 𝑑, en déduire une
représentation exacte de 𝒙𝟏 (𝒕 ) sur le domaine temporel [−𝒅, 𝒅].

EXERCICE 6
Soit le signal périodique suivant:

1 2𝜋
𝑥(𝑡) = 1 + cos 𝜔0 𝑡 + cos 2𝜔0 𝑡 𝑎𝑣𝑒𝑐 𝜔0 =
2 𝑇0
1- Calculer l’expression et tracer le spectre de X(v) TF de x(t)

2- Donner la fréquence d’échantillonnage de Shannon de x(t)
3- On échantillonne idéalement le signal x(t) avec une période 𝑇𝑒 = 𝑇0 + 𝑘𝛿, 𝑎𝑣𝑒𝑐 𝑘𝛿 ≪ 𝑇0 .
a. Donner l’expression mathématiques de y(t) signal échantillonné de x(t).
b. Calculer l’expression de Y(), TF du signal y(t).
c. Tracer minutieusement Y() pour un ordre de n variant de -2 à 2.
d. Comparer les allures de Y() et X(v)
e. Expliquer les conditions qu’on doit prendre sur  pour que l'on soit susceptible de
retrouver l’allure du signal initial à partir des échantillons.
4- Pour extraire l’allure X(v) nous devons effectuer un filtrage.
a. Quel type de filtre doit-on utiliser et quelle relation doit-on avoir entre sa fréquence
de coupure et la valeur de k.
b. Tracez le spectre Z(v) ainsi obtenu et donner l'expression de z(t)
c. Expliquer l'effet de k sur le signal si on suppose k variable en comparant z(t) à x(t).
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 ( )

20 0 0 20
soit x( t ) le signal échantillonné de x(t), avec une période d’échantillonnage Te  T0  
 
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)

-20 -2e -0 -e e 0 2e 20
0
Représentation du spectre échantillonné 𝑋̂(𝜈).
d’après Shannon : f m  2 0 et  e  2 f m  4 0
or  e  1 / T0   on est loin de la condition de Shannon
peut être nul

 3 0  2 0  0  0 2 30 40 50
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
Le spectre du signal échantillonné s’écrit :

𝑁
𝑛
𝑋̂(𝜈) = ∑ 𝑋 (𝜈 − )
𝑇0 + Δ
𝑛=1

distance entre pulse est :  0   e 
T0  T0  
pour éviter le recouvrement il faut que :
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

Transformée de Fourier Discrètes : TFD Chapitre 6
S IGNAUX A TEMPS DISCRET
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
Figure : Acquisition du signal numérique
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
 Signal sinusoidal : 𝑥(𝑘) = 𝑥0 𝑠𝑖𝑛(2𝜋𝑓0 𝑘 + 𝜑)
 Signal exponentiel complexe : 𝑥(𝑘) = 𝑥0 𝑒𝑥𝑝(2𝑗𝜋𝑓0 𝑘)
 La fonction échelon unité ou fonction de Heaviside définie par :
1 𝑠𝑖 𝑛≥0
𝑢(𝑛) = {
0 𝑠𝑖 𝑛<0

 La fonction signe est définit à partir de la fonction échelon unité par :
𝑠𝑖𝑔𝑛𝑒(𝑛) = 2𝑢(𝑛) − 1
 La fonction porte définie par la suite :
𝑟𝑒𝑡𝑁 (𝑛) = Π𝑁 (n) = 𝑢(𝑛 + 𝑁) − 𝑢(𝑛 − 𝑁)
 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
deux Dirac successifs, T0 est la période du peigne.

+∞
𝛿𝑇0 (𝑛) = ∑ 𝛿(𝑛 − 𝑘𝑇0 )

𝑘=−∞
T RANSFORMEE DE F OURIER D ISCRETE
D EFINITIO N
On appelle transformée de Fourier discrète (𝑇𝐹𝐷) d’une suite de 𝑁 termes

𝑥(0), 𝑥(1), ⋯ , 𝑥(𝑁 − 1), la suite de 𝑁 termes 𝑋(0), 𝑋(1), ⋯ , 𝑋(𝑁 − 1), définis par :
𝑁−1
2𝜋 𝑗 𝑘 𝑚
𝑋(𝑚) = 𝑋𝑚 = 𝜃 ∑ 𝑥(𝑘)𝑒 (− )
𝑁
𝑘=0
C’est la transformation faisant passer du signal temporel : 𝑥(𝑘) 0≤𝑘<𝑁

au signal fréquentiel : 𝑋(𝑚) 0≤𝑚<𝑁
par : 𝑋(𝑚) = 𝑇𝐹𝐷{𝑥(𝑘)}

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
𝜃 est un facteur de normalisation tout à fait arbitraire. En général, on choisit 𝜃 = 1 ou 𝜃 = 1/𝑁.

On pourrait rendre plus symétrique la 𝑇𝐹𝐷 et la 𝑇𝐹𝐷−1 en posant 𝜃 = 1/√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
C OMPARAISO N ENTRE LA TRANSFORMEE DE F OURIER ET LA TFD

Soit un signal 𝑥(𝑡) et sa transformée de Fourier 𝑋(𝑓), à la suite 𝑥(𝑛𝑇𝑒 ) pour 𝑛 ∈ [0, 𝑁 − 1]
correspond la suite 𝑇𝐹𝐷 𝑋(𝑘) pour 𝑘 ∈ [0, 𝑁 − 1] avec :

𝑁−1
𝑛𝑘
(−𝑗 2𝜋 )
𝑋(𝑘) = ∑ 𝑥(𝑛𝑇𝑒 ) 𝑒 𝑁
𝑛=0
Quel est le lien entre 𝑋(𝑓) et 𝑋(𝑘) pour 𝑘 ∈ [0, 𝑁 − 1] ?

On pose 𝑇0 = 𝑁𝑇𝑒
Dans le cas où :
- 𝑥(𝑡) est périodique de période 𝜏
- 𝑥(𝑡) est à bande limitée [−𝑓𝑚𝑎𝑥 , 𝑓𝑚𝑎𝑥 ]
- La largeur de la fenêtre 𝐹(𝑡) est égal à un multiple de 𝜏, 𝑇0 = 𝑘𝜏
𝑘
Il y a coïncidence à un facteur multiplicatif près entre 𝑋(𝑘) et 𝑋(𝑓 = 𝑇 ) :
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,
ce spectre est limité à 𝑓𝑚𝑎𝑥 .
|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.

3. L’échantillonnage du spectre à la fréquence 1/𝑇0 a pour effet de ne conserver que des

𝑇
valeurs où 𝑋𝑡𝑟 et 𝑋 coïncide au facteur 𝑇0 = 𝑁 près. C’est le seul cas où il y a identité
𝑒
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.
T RANSFORMEE DE F OURIER R APIDE
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.
Rappelons la relation permettant de 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
A LGORITHME DE LA T RANSFORMEE DE F OURIER R APIDE
L’algorithme de Cooley-Tukey, appelé aussi algorithme de réduction à base 2 dans le domaine

temporel, s’applique dans le cas où le nombre N d’échantillons x k s’exprime sous la forme 2 L
et permet alors de simplifier le problème par une décomposition dichotomique. Posons :
 km
WNmk  exp   j 2 
 N 
Cette fonction a les propriétés suivantes :
 2k m   km 
WN2mk  exp   j 2   exp   j 2   WNmk2
 N   N 2
 km
Et pour m  N 2 : WNmk  N 2   exp   j 2   exp  j     WN
mk
 N 
Pour calculer les N échantillons de la DFT, X 0 , X1 , X m , , X N 1  on utilise l’expression de

N 1
base : X m  x
k 0
k WNmk pour m  0,1, , N  1
En séparant les échantillons d’ordre pair et d’ordre impair, il vient :

N 21 N 21
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 :
Xm  X1N 2 m  WNm X 2 N 2m
Avec X1N 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
à calculer 2 transformées d’ordre N 2 et N 2 multiplications complexes pour terminer le

calcul. Si l’on considère l’opérateur papillon, représenté ci-dessous, le calcul d’une DFT
d’ordre N conduit à faire le calcul de deux DFT d’ordre N 2 et de terminer un calcul en utilisant
un opérateur papillon avec le coefficient WNm .
a A=a+ b
b A=a- b
Opérateur de base pour le calcul de la TFR
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 :
W80   W84  1 W81   W85 

2
1  j
2
W82   W86   j W831   W87  

2
1  j
2
3
Les échantillons pairs s’écrivent : X1m  x
k 0
2k W4mk pour m  0, 3
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 
W40   W42  1  W80  W84
W41   W43   j  W82  W86
Ensuite les échantillons de TFD complète sont obtenus à l’aide du calcul « papillon » avec les
coefficients W8mk
Pour 0  m  3  X m  X1m  W8m X2 m
Pour 4  m  7  X m  X1m  4  W8m  4 X2 m  4
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.
x0 X10 X0=X10+W80 X20

x2 TFD X11 X1=X11+W81 X21
x4 ordre 4 X12 X2=X12+W82 X22
x6 X13 X3=X13+W83 X23
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

Notions de Modulation Chapitre 7
TECHNIQUE DE MODULATION
I NTRODUCTION
En télécommunications, le signal transportant une information doit passer par un moyen

de transmission entre un émetteur et un récepteur. Le signal est rarement adapté à la
transmission directe par le canal de communication choisi, hertzien, filaire, ou optique. La
modulation peut être définie comme le processus par lequel le signal est transformé de sa forme
originale en une forme adaptée au canal de transmission, par exemple en faisant fluctuer les
paramètres d'amplitude et d'argument (phase/fréquence) d'une onde sinusoïdale nommée
porteuse. Le système qui effectue cette modulation, généralement électronique, est un
modulateur (voir modem). L'opération inverse permettant d'extraire le signal de la porteuse est
la démodulation.
Les premiers procédés de modulation développés sont la modulation d'amplitude et ses

variantes (bande latérale unique, avec et sans porteuse) puis les techniques de modulation de
fréquence et de phase sont apparues. Très récemment on a introduit les modulations très large
bande qui ont révolutionné le multiplexage des signaux.
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.
La modulation permet par conséquent de translater le spectre du message dans un domaine de

fréquences qui est plus adapté au moyen de propagation et d'assurer après démodulation la
qualité requise par les autres couches du dispositif.
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.

Un modem est un ensemble modulateur et démodulateur combiné donnant la possibilité une
liaison bidirectionnelle.
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 :
TRANSMISSION EN BANDE DE BASE :
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.
Un exemple de multiplex est la transmission de télévision analogique satellitaire : chaque canal

est modulé en fréquence par le signal vidéo, ce dernier contenant à la fois une sous-porteuse du
dispositif couleur (PAL en Europe) et un multiplex des sous-porteuses des divers programmes
de son TV et radios.
LES DIFFERENTES FORMES DE MODULATION

La modulation d’un signal utilise un signal sinusoïdal de fréquence 𝑓𝑝 appelé onde porteuse :
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 :
 L’Amplitude 𝐴 du signal porteur : modulation d’amplitude (𝑨𝑴).

 La fréquence 𝑓𝑝 du signal porteur : modulation de fréquence (𝑭𝑴).
 La phase 𝜙 du signal porteur : modulation de phase.
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).
Dans ce cours nous nous intéressons à la modulation d’amplitude. Les techniques de

modulations sont principalement utilisées pour véhiculer les informations (téléphonie, radio
diffusion…) mais elles sont également utilisées dans le traitement du signal.
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)
PRINCIPE DE LA MODULATION D’AMPLITUDE

La modulation d'amplitude consiste à faire fluctuer l'amplitude d'un signal de fréquence
élevée en fonction d'un signal de basse fréquence. Ce dernier est celui qui contient l'information
à transmettre (voix, par exemple, recueillie par un microphone), le premier étant le signal
porteur (qu'on nomme porteuse).
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.
Techniquement, la modulation s’effectue grâce à des circuits électroniques spécifiques : un

multiplieur (de constante multiplicative 𝑘) et un additionneur.
L’expression du signal modulé en amplitude 𝑉𝐴𝑀 (𝑡) s’écrit sous la forme suivante :
𝑉𝐴𝑀 (𝑡) = 𝐴[1 + 𝑘𝑉𝑚 (𝑡)] ∙ 𝑐𝑜𝑠(ω𝑝 𝑡 + 𝜙)

On pose :
𝑘𝑉𝑚 (𝑡) = 𝑚
où 𝑚 est nommé indice de modulation (exprimé en pour-cent de la profondeur de modulation).
On a alors comme signal de sortie :
𝑉𝐴𝑀 (𝑡) = 𝐴[1 + 𝑚 ∙ 𝑐𝑜𝑠(𝜔𝑚 𝑡)] ∙ 𝑐𝑜𝑠(ω𝑝 𝑡 + 𝜙)
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»
Le signal modulant Signal de la porteuse

1 1
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

Amplitude k=1/4
1.5
A(1+k)
1
A(1-k)
0.5 Allure du signal
modulé
0
-0.5
-A(1-k)
-1
-A(1+k) temps (ms)
-1.5
0 0.5 1 1.5 2
SURMODULATION
Si l'amplitude du signal modulant est supérieure au décalage (ceci peut arriver si on

ajoute un offset avant la multiplication) la valeur correspondante de 𝑚 est supérieure à 1. On
parle de surmodulation. Le signal résultant étant alors de la forme (on parle de "battements") :
Figure 7.1 : Détection d’un signal surmodulé
FORME DU SIGNAL MODULE

Si on observe le signal modulé pendant une durée de plusieurs périodes de l’onde porteuse, on
voit varier l’amplitude instantanée de cette onde en fonction du signal 𝑉𝑚 (𝑡). Dans le cas où
l’amplitude maximale du signal 𝑉𝑚 (𝑡) est égale à 1 l’amplitude positive de l’onde porteuse
varie de A(1  k ) à A(1  k ) et l’amplitude négative varie entre  A(1  k ) et  A(1  k ) . On
parlera d’enveloppe du signal modulé.
ETUDE SPECTRALE D’UN SIGNAL MODULE EN AMPLITUDE

Le spectre de fréquences du signal modulé est un graphe nous présentant l'amplitude de
chaque composante sinusoïdale du signal. En effet, tout signal périodique pouvant être
décomposé en somme de fonctions sinusoïdales, le signal modulé est une somme de signaux
sinusoïdaux, quoique l'expression que nous avions trouvée soit un produit.
Cas particulier : 𝑉𝑚 (𝑡) = 𝑐𝑜𝑠(𝜔𝑚 𝑡) = 𝑐𝑜𝑠(2𝜋𝑓𝑚 𝑡)
Dans ce cas particulier, le signal modulé s’écrit :
𝑉𝐴𝑀 (𝑡) = 𝐴[1 + 𝑚 ∙ 𝑐𝑜𝑠(𝜔𝑚 𝑡)] ∙ 𝑐𝑜𝑠(ω𝑝 𝑡)

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
-  + fp-fm fp fp-fm
Figure : Spectre du signal modulé

(BLI : Bande Latérale Inférieur, BLS : Bande Latérale Supérieur)
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 :

Dans ce cas général, le signal m(t) peut s’exprimer suivant sa décomposition en série de
Fourier :
N N
m (t )   i 0
a i cos i t    a cos2 f t 
i 0
i i
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   

 cos(   i ) t    cos(   i ) t  

Ak i
Soit : VAM t   A cos t   
i 0
2
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
Modulation d’amplitude sans porteuse (AM-P)

On parle de modulation d’amplitude sans porteuse dans le cas où on a disparition complète de
la raie de la porteuse. Ainsi le spectre du signal modulé se réduit à ces deux bandes latérales
supérieures et inférieures. Ce procédé de modulation est obtenu par annulation de la composante
continue, en effet le signal modulé est obtenu en effectuant le produit du signal modulant avec
la porteuse.
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)
Modulation à Bande Latérale Unique (BLU)

Afin de supprimer la redondance des signaux transmis au niveau des deux bandes latérales, on
réduit la largeur du canal pour ne transmettre qu’une bande latérale : Modulation à Bande
Latérale Unique (BLU). Ce procédé de modulation peut être réalisé à partir des signaux obtenus
lors de la modulation d’amplitude classique en filtrant la bande latérale non utilisée.
Ce type de modulation conduit à un spectre utile de largeur de bande égale ou légèrement
supérieur à  N .
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)

La démodulation d'amplitude
Il existe deux méthodes principales pour effectuer la démodulation d'un signal modulé en
amplitude, une méthode non-linéaire faisant appel à un détecteur d'enveloppe et la détection
synchrone qui utilise un circuit multiplieur.
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.
Figure 7.2 : Partie positive du signal modulé et enveloppe
Figure 7.3 : signal surmodulé
Figure 7.4 : Détecteur d’enveloppe

Détection synchrone
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
𝑦(𝑡) = 𝑥(𝑡) × 𝑒(𝑡) = (1 + 𝑚. 𝑠(𝑡))𝑠𝑖𝑛2 𝜔𝑝 𝑡

1 + 𝑐𝑜𝑠2𝜔𝑝 𝑡
= (1 + 𝑚. 𝑠(𝑡))
2
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
La démodulation synchrone consiste à réaliser le produit du signal modulé et d’un signal

auxiliaire de fréquence égale à la fréquence de l’onde porteuse. Le signal ainsi obtenu sera filtré
par un filtre passe-bas de fréquence de coupure 𝒇𝒄 = 𝟐𝒇𝒑 − 𝑩𝒎 avec 𝑩𝒎 la largeur de la bande
spectrale du signal modulant.
VAM(t) y(t) Filtre d(t) :signal démodulé

Passe-bas
Signal 𝒇𝒄 = 𝟐𝒇𝒑 − 𝑩𝒎
modulé
Vp(t) : Porteuse
Figure 7-4 : Schéma de principe de la démodulation synchrone
Les modulations angulaires (de fréquence et de phase)

Les modulations de fréquence et de phase modifient l'argument (ou angle) de l'onde sinusoïdale.
L'onde résultante garde une amplitude constante, permettant d'utiliser des amplificateurs non
linéaires et diminuant l'influence des perturbations additives (bruit impulsions et interférences).
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

instantanée. Pour cela nous faisons apparaitre la phase instantanée et nous écrivons la porteuse
sous la forme :
𝑥(𝑡) = 𝑠𝑖𝑛 𝜃(𝑡)
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 :
𝑥(𝑡) = sin (𝜔0 𝑡 + 𝑘 ∫ 𝑠(𝑢) 𝑑𝑢)

−∞
Si on prend l’exemple du signal modulant cosinusoïdal (supposé arbitrairement nul à −∞) :
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)
Figure 7-5 : Exemple de signal modulé en fréquence

En modulation de phase, c’est la phase instantanée 𝜃(𝑡) = 𝜔0 𝑡 qui sera modulé par le signal
modulant :
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 :
𝑥(𝑡) = 𝑠𝑖𝑛(𝜔0 𝑡 + 𝑘𝑠(𝑡))

Et la pulsation instantanée est dans ce cas :
𝑑𝑠(𝑡)
𝜔 = 𝜔0 + 𝑘
𝑑𝑡
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 :
On peut montrer en particulier les résultats suivants :

∞
𝑠𝑖𝑛(𝑥𝑠𝑖𝑛𝜃) = 2 ∑ 𝐽2𝑛−1 (𝑥) 𝑠𝑖𝑛[(2𝑛 − 1)𝜃]

𝑛=1
𝑐𝑜𝑠(𝑥𝑠𝑖𝑛𝜃) = 𝐽0 (𝑥) + 2 ∑ 𝐽2𝑛 (𝑥) 𝑐𝑜𝑠(2𝑛𝜃)

𝑛=1
𝑐𝑜𝑠(𝑥𝑐𝑜𝑠𝜃) = 𝐽0 (𝑥) + 2 ∑(−1)𝑛 𝐽2𝑛 (𝑥) 𝑐𝑜𝑠(2𝑛𝜃)

𝑛=1
𝑠𝑖𝑛(𝑥𝑐𝑜𝑠𝜃) = 2 ∑(−1)𝑛−1 𝐽2𝑛−1 (𝑥) 𝑠𝑖𝑛[(2𝑛 − 1)𝜃]

𝑛=1
Où 𝐽𝑛 est la fonction de Bessel de première espèce d’ordre n définies pour les ordres entiers par
le développement en série suivants :
∞
(−1)𝑘 (𝑥⁄2)𝑛+2𝑘
𝐽𝑛 (𝑥) = ∑
𝑘! (𝑛 + 𝑘)!
𝑘=0
Si 𝑥 est petit, on peut ne conserver que le premier terme de la série et :
1
𝐽𝑛 (𝑥) ≅ 𝑥𝑛
2𝑛 𝑛!
Ces relations permettent de déterminer les coefficients de la décomposition en série de Fourier

d’un signal modulé en fréquence par un signal sinusoïdal. En effet ce dernier peut s’écrire :

𝑥(𝑡) = 𝑠𝑖𝑛(𝜔0 𝑡 + 𝑚 ∙ 𝑠𝑖𝑛Ω𝑡)
𝑥(𝑡) = 𝑠𝑖𝑛𝜔0 𝑡 𝑐𝑜𝑠(𝑚 ∙ 𝑠𝑖𝑛Ω𝑡) + 𝑐𝑜𝑠𝜔0 𝑡 𝑠𝑖𝑛(𝑚 ∙ 𝑠𝑖𝑛Ω𝑡)
En utilisant les propriétés des fonctions de Bessel, il vient :
𝑥(𝑡) = 𝐽0 (𝑚) 𝑠𝑖𝑛𝜔0 𝑡
+𝐽1 (𝑚) [𝑠𝑖𝑛(𝜔0 + Ω)𝑡 − 𝑠𝑖𝑛(𝜔0 − Ω)𝑡]
+𝐽2 (𝑚) [𝑠𝑖𝑛(𝜔0 + 2Ω)𝑡 − 𝑠𝑖𝑛(𝜔0 − 2Ω)𝑡]
+𝐽1 (𝑚) [𝑠𝑖𝑛(𝜔0 + 3Ω)𝑡 − 𝑠𝑖𝑛(𝜔0 − 3Ω)𝑡]
+⋯
Le spectre est donc composé d’un nombre infini de raies qui se répartissent autour de la porteuse
à des écarts multiples de la fréquence du signal de modulation : 𝜔0 ± 𝑘Ω. L’amplitude de ces
raies ne diminue pas en général de façon régulière quand 𝑘 augmente. Pour 𝑚 = 5 on a par
exemple :
𝐽0 (5) 𝐽1 (5) 𝐽2 (5) 𝐽3 (5) 𝐽4 (5) 𝐽5 (5) 𝐽6 (5) 𝐽7 (5) 𝐽8 (5) 𝐽9 (5)
−0.177 −0.132 0.04 0.36 0.39 0.26 0.13 0.05 0.02 0.005

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
5. En déduire l’expression de 𝑉𝐴𝑀 (𝑓).

6. Donner une représentation de |𝑉𝐴𝑀 (𝑓)|.
7. A prtir du spectre |𝑉𝐴𝑀 (𝑓)| on désire gardé sa bande latérale inférieur, quel est la nature du
filtre qu’il faut appliqué, préciser sa fréquence de coupure. Quel est le nom de cette
modulation ?
8. En déduire l’allure du spectre |𝑉𝐴𝑀 (𝑓)| après filtrage.
9. Pour démoduler le signal 𝑚(𝑡) nous multiplions le signal modulé par le signal de la
porteuse, comme le montre la figure ci-dessous :
VAM(t) Y(t)
X Filtrage VD_AM(t)
Vp(t)
10. Déterminer l’expresion de 𝑌(𝑡). En déduire les fréquences de 𝑌(𝑡).

11. Préciser la nature du filtre à appliquer au signal 𝑌(𝑡) ainsi que sa fréquence de coupure
pour obtenir le signal 𝑉𝐷_𝐴𝑀 (𝑡) (qui représente le signal 𝑚(𝑡) démodulé)
Exercice 2
Soit le signal modulant : 𝑚(𝑡) = 𝑀. 𝑐𝑜𝑠(2𝜋𝑓𝑡) avec 0 < 𝑀 < 1

avec 𝑓 < 𝑓𝑝 , 𝑓𝑝 est la fréquence de la porteuse de la forme : 𝐾𝑐𝑜𝑠(2𝜋𝑓𝑝 𝑡)
1) Donner la forme du signal modulé s(t) pour une modulation AM puis AM-P, son spectre sa
représentation, et sa puissance.
2) Déterminer le rendement de chaque type de modulation pour M=1/2

3) Montrer qu’en multipliant le signal modulé par 𝑐𝑜𝑠(2𝜋𝑓𝑝 𝑡), il est possible d’en extraire le
signal modulant.
4) Une fonction périodique peut se mettre sous la forme suivante :

+∞
𝑝(𝑡) = ∑ 𝐶𝑛 𝑒𝑥𝑝(𝑗2𝜋 𝑛𝑓𝑝 𝑡)

−∞
Déterminer le spectre de 𝑝(𝑡)

Si on multiplie le signal modulé par 𝑝(𝑡) donner la forme du nouveau spectre. Discuter les
possibilités de démodulation.
Exercice 3
On considère les signaux continues 𝑚1 (𝑡) et 𝑚2 (𝑡) illustré ci-dessous :

1
𝑚1 (𝑡) = 𝑠𝑖𝑛(2𝜋𝑓1 𝑡) + 𝑠𝑖𝑛(2𝜋𝑓2 𝑡) 𝑎𝑣𝑒𝑐 𝑓1 = 100𝐻𝑧 𝑒𝑡 𝑓2 = 200𝐻𝑧
2
𝑑 𝑑
1 𝑠𝑖 𝑡 ∈ [− , ]
2 2
𝑚2 (𝑡) = 𝑑 = 5 𝑚𝑠
𝑑 𝑑
{0 𝑠𝑖 𝑡 ∉ [− 2 , 2]
1. Donner l’expression ainsi que la représentation spectrale du signal modulé |𝑋1 (𝑓)| dans le
cas d’une modulation AM du signal modulant 𝑚1 (𝑡) avec une porteuse 𝑐𝑜𝑠(10𝜋102 𝑡).
𝜋
cas d’une modulation AM-P du signal modulant 𝑚2 (𝑡) avec une porteuse 𝑐𝑜𝑠 (4 𝑑 𝑡).
sin 𝑋
Sachant que = 0 à partir du 2ème passage par zéro.
𝑋
cas d’une modulation AM à bande latérale unique du signal modulant 𝑚3 (𝑡) = 𝑚2 (𝑡) +
𝑐𝑜𝑠(600𝜋𝑡) avec une porteuse 𝑐𝑜𝑠(10𝜋102 𝑡).
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

Dans toutes les questions suivantes donner uniquement les allures demandées.
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.
On considère à présent, les signaux continues 𝑠1 (𝑡) et 𝑠2 (𝑡) illustré ci-dessous :

1
𝑠1 (𝑡) = 1 + 𝑐𝑜𝑠(2𝜋𝑓1 𝑡) + 2 𝑐𝑜𝑠(4𝜋𝑓1 𝑡) avec 𝑓1 = 100𝐻𝑧
𝑠2 (𝑡) est un signal porte de largeur 𝑑 = 5 𝑚𝑠 centré à l’origine et d’amplitude unité.
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
du 3ème passage par zéro. En déduire l’allure de |𝐻2 (𝑓)|.

8. Donner la représentation spectrale du signal modulé |𝐻3 (𝑓)| dans le cas d’une modulation
AM à bande latérale unique du signal modulant 𝑠2 (𝑡).
Corrigé Exercice 4
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.
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
La représentation spectrale du signal modulé |𝑋1(𝑓)| dans le cas d’une modulation AM du

signal modulant 𝑚1 (𝑡) avec une porteuse 𝑐𝑜𝑠(10𝜋102 𝑡)est donnée par :
1 1
𝑆1 (𝑓) = 𝛿(𝑓) + [𝛿(𝑓 + 𝑓1 ) − 𝛿(𝑓 − 𝑓1 )] + [𝛿(𝑓 + 2𝑓1 ) − 𝛿(𝑓 − 2𝑓1 )]
2 4
|𝑆1 (𝑓)|
Spectre de |𝑆1 (𝑓)|
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

Modulation AM |𝐻1 (𝑓)|
𝑓(𝐻𝑧)
100 300
𝐻2 (𝑓) = 𝒅 𝒔𝒊𝒏𝒄[𝝅𝒅(𝒇 + 𝒇𝟎 )] + 𝒅 𝒔𝒊𝒏𝒄[𝝅𝒅(𝒇 − 𝒇𝟎 )]

𝑓0 = 600𝐻𝑧 : fréquence de la porteuse
|𝑿𝟐 (𝒇)|
Modulation AM-P
𝒇(𝑯𝒛)
−𝟔𝟎𝟎 𝟎 𝟔𝟎𝟎
Modulation en BLU |𝐻3 (𝑓)| Raie de la porteuse
𝑓(𝐻𝑧)
600 700 900

Systèmes Linéaires invariants Chapitre 8
Analyse des Systèmes Linéaires Invariants
Il s’agit d’une classe de système largement utilisée en traitement du signal. On suppose

un tel système linéaire, et invariant dans le temps. L’hypothèse de linéarité conduit au principe
de superposition dû à la conservation de l’opérateur d’addition par la transformation ; cette
hypothèse simplifie grandement les études analytiques des systèmes numériques. La stratégie
générale d’analyse d’un système linéaire invariant est la suivante :
1. Décomposition du signal d’entrée en une somme de signaux ou fonctions de base.
𝑥(𝑛) = ∑ 𝑎𝑘 𝑥𝑘𝑏 (𝑛)

𝑘
2. Etude de la réponse du système pour l’ensemble des fonctions de base.
𝑦𝑘𝑏 (𝑛) = 𝑇[𝑥𝑘𝑏 (𝑛)]
3. Recomposition de la sortie en appliquant le principe de superposition.
𝑦(𝑛) = ∑ 𝑎𝑘 𝑦𝑘𝑏 (𝑛)

𝑘
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).
Représentation d’un signal
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(−2), 𝑥(−1), 𝑥(0), 𝑥(1), 𝑥(2), ⋯

On rappelle que 𝜹(𝒏) vaut 1 si 𝑛 = 0, 0 sinon; une somme de fonction 𝜹(𝒏) qui ne se
recouvre pas sur le même indice vaut soit 1, soit 0.
On peut donc écrire:
⋮
𝑥(−1) = ⋯ , +0. 𝑥(−2), 𝟏. 𝒙(−𝟏), 0. 𝑥(0), 0. 𝑥(1), 0. 𝑥(2) + ⋯
𝑥(0) = ⋯ , +0. 𝑥(−2), 0. 𝑥(−1), 𝟏. 𝒙(𝟎), 0. 𝑥(1), 0. 𝑥(2) + ⋯
𝑥(1) = ⋯ , +0. 𝑥(−2), 0. 𝑥(−1), 0. 𝑥(0), 𝟏. 𝒙(𝟏), 0. 𝑥(2) + ⋯
⋮

Le signal 𝑥(𝑛) s'écrit alors:

+∞
𝑥(𝑛) = ∑ 𝑥(𝑘)𝛿(𝑛 − 𝑘)
𝑘=−∞
Système Linéaire Invariant
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)]
+∞ +∞
𝑦(𝑛) = 𝑇 [ ∑ 𝑥(𝑘)𝛿(𝑛 − 𝑘)] = ∑ 𝑇[𝑥(𝑘)𝛿(𝑛 − 𝑘)]

𝑘=−∞ 𝑘=−∞
+∞
𝑦(𝑛) = ∑ 𝑥(𝑘)𝑇[𝛿(𝑛 − 𝑘)]

𝑘=−∞
On pose : ℎ𝑘 (𝑛) = 𝑇[𝛿(𝑛 − 𝑘)]
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:
+∞
𝑦(𝑛) = ∑ 𝑥(𝑘) ℎ(𝑛 − 𝑘)

𝑘=−∞
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:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛) = ℎ(𝑛) ∗ 𝑥(𝑛)
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)

Ce signal est représenté sur la figure (1.a)
Etudions la réponse d'un tel système à l'entrée suivante :
𝑥(𝑛) = 𝑢(𝑛) − 𝑢(𝑛 − 𝑁) 𝑝𝑜𝑢𝑟 𝑁 𝑓𝑖𝑥é
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)
𝑟é𝑝𝑜𝑛𝑠𝑒 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛𝑛𝑒𝑙𝑙𝑒 ℎ(𝑛) 𝑒𝑛𝑡𝑟é𝑒 𝑥(𝑛)
1 1
𝑭𝒊𝒈𝒖𝒓𝒆 (𝟏. 𝒂)
-10 0 10 20 30 -10 0 10 20
𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛 𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛
𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒 𝑦(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

𝑁−1
1 − 𝑎−𝑁
𝑦(𝑛) = ∑ 𝑎𝑛−𝑘 = 𝑎𝑛
1 − 𝑎−1
𝑘=0
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=−∞
Un système linéaire invariant est stable si le domaine de convergence de sa transformée en z

inclue le cercle unité.
Pour finir, un système linéaire invariant causal est stable si et seulement si tous les pôles de sa
fonction de transfert sont à l’intérieur, strictement, du cercle unité.
Causalité
Un système est causal si un changement en sortie ne précède pas un changement en entrée.

Soient deux signaux d’entrée 𝑥1 (𝑛) et 𝑥2 (𝑛) ainsi que leurs sorties respectives 𝑦1 (𝑛) et 𝑦2 (𝑛),
un système est causal si et seulement si ∃ 𝑛0 tel que si 𝑥1 (𝑛) = 𝑥2 (𝑛) pour 𝑛 < 𝑛0 alors
𝑦1 (𝑛) = 𝑦2 (𝑛) pour 𝑛 < 𝑛0 .
Un système linéaire invariant est causal si et seulement si ℎ(𝑛) = 0 pour 𝑛 < 0.
Une séquence est causale si les échantillons de cette séquence sont nuls pour 𝑛 < 0.
Equation aux différences finies
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
𝑦(𝑛) = ∑ 𝑎𝑘 𝑦(𝑛 − 𝑘) + ∑ 𝑏𝑘 𝑥(𝑛 − 𝑘)

𝑘=1 𝑘=0
Un système régit par une équation aux différences finies du type précédent est linéaire, invariant
et causal.
Si 𝑵 ≥ 𝟏 :
 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
Puisque qu’étudier un système linéaire invariant revient à étudier sa réponse impulsionnelle, le

cas particulier d’une réponse impulsionnelle mise sous la forme d’une équation aux différences
finies consiste à étudier un système linéaire d’équations, c’est-à-dire à en extraire les racines
du polynôme caractéristique. Ceci sera effectué de manière efficace en utilisant la transformée
en 𝒁.
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:
∞
𝐻(𝑒 𝑗Ω𝑛 ) = ∑ ℎ(𝑘)𝑒 −𝑗Ω𝑘

𝑘=−∞

L’équation précédente représente la modification apportée par le système et modélisée par une
amplitude complexe.
𝐻(𝑒 𝑗Ωn ) est appelé réponse fréquentielle du système caractérisé par sa réponse impulsionnelle
ℎ(𝑘). Il s’agit d’un terme complexe qui peut s’exprimer par une partie réelle ou imaginaire; on
adopte le plus souvent une représentation de type polaire où l’on fait référence au module et à
la phase de cette réponse fréquentielle :
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).
La fonction de transfert se déduit aussi à partir de la fonction de transfert en z soit:

+∞
𝐻(𝑧) = ∑ ℎ𝑛 𝑧 −𝑛 ⟹ 𝐻(𝑓) = [𝐻(𝑧)]𝑧=𝑒 𝑗2𝜋𝑓𝑇𝑒

𝑛=0
𝑇𝑒 : période d'échantillonnage de notre filtre

𝑓: la variable fréquentiel
Transformation en Z
La transformée en Z est un outil largement utilisé pour l’étude des systèmes de

traitement numérique du signal. Ce type de transformée permet de décrire aisément les signaux
à temps discret et la réponse des systèmes linéaires invariants soumis à des entrées diverses. La
transformée en Z est un outil permettant de dériver la réponse impulsionnelle d’un système
linéaire invariant décrit par une équation aux différences finies. De plus, à l’opérateur de
convolution dans le domaine temporel correspond l’opérateur multiplicatif dans le domaine de
la transformée en Z.
La transformée en Z directe d’un signal à temps discret x(n) est définie par :
+∞
𝑇𝑍[𝑥(𝑛)] = 𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛

𝑛=∞

La transformée en Z établit une correspondance entre l’espace des signaux à temps discret et
un espace de fonctions définies sur un sous-ensemble du plan complexe. On définit le plan en
𝑧 comme étant le plan complexe. La série des puissances introduite dans l’équation de définition
précédente ne converge que pour un sous-ensemble du plan complexe. Ce sous-ensemble est
appelé région de convergence ou domaine de convergence. Une région de convergence
correspond à l’ensemble des valeurs de 𝑧 telles que 𝑋(𝑧) soit définie et à valeurs finies.
Spécifier le domaine de convergence de la transformée est tout aussi important que la
transformée elle-même.
Exemples de transformée :
Soit le signal à temps discret suivant :

1 𝑠𝑖 𝑛 = 0
𝑥(𝑛) = 𝛿(𝑛) = {
0 𝑠𝑖 𝑛 ≠ 0
On a bien :
+∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛 = 𝑧 0 = 1, ∀ 𝑧 ∈ ℂ
𝑛=−∞
Pour ce premier exemple la région de convergence est ℂ.
Soit le signal à temps discret suivant : 𝑥(𝑛) = 𝛿(𝑛 − 𝑘)
On a:
𝑋(𝑧) = 𝑧 −𝑘
La région de convergence dépend ici de 𝑘.
 Si 𝒌 = 𝟎, la région de convergence est ℂ (exemple précédent).

 Si 𝒌 < 0, 𝑋(𝑧) n'est pas à valeur fini pour 𝑧 = ∞, donc la région de convergence est
ℂ − {∞}.
 Si 𝒌 > 0, 𝑋(𝑧) n'est pas à valeur fini pour 𝑧 = 0, donc la région de convergence est
ℂ − {0}.
Pour un signal à durée finie, la région de convergence correspond au plan complexe ℂ avec
l'exclusion possible de 𝑧 = 0 ou 𝑧 = ∞.
Soit le signal à temps discret suivant: 𝑥(𝑛) = 𝑎𝑛 𝑢(𝑛)
On a :
+∞ +∞
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 :
𝑋(𝑛) = 𝑎𝑋1 (𝑧) + 𝑏𝑋2 (𝑧)

Par exemple, soit 𝑥(𝑛) = cos(𝑛𝜔0 )𝑢(𝑛), on peut décomposer 𝑥(𝑛) de la manière suivante:
1 𝑗𝜔 𝑛
𝑥(𝑛) = (𝑒 0 + 𝑒 −𝑗𝜔0 𝑛 ) 𝑢(𝑛)
2
En reprenant l'exemple de 𝑥(𝑛) = 𝑎𝑛 𝑢(𝑛) avec 𝑎 = 𝑒 ±𝑗𝜔0 𝑛 , on obtient:
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
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)
La région de convergence reste inchangée, excepté l'ajout ou la suppression de 𝑧 = 0 ou 𝑧 =

∞. C'est cette propriété que vient l'utilisation d'une cellule 𝑧 pour tenir compte d'un décalage
temporel d'une unité.
 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.
 Inversion de l'axe temporel
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
 Dérivation dans l'espace
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=−∞
+∞ +∞
= −𝑧 ∑ 𝑥(𝑛)(−𝑛)𝑧 −𝑛−1 = ∑ [𝑛𝑥(𝑛)]𝑧 −𝑛

𝑛=−∞ 𝑛=−∞
Par exemple, soit 𝑥(𝑛) = 𝑛 𝑢(𝑛), on a vu précédemment que
1
𝑈(𝑧) =
1 − 𝑧 −1
On obtient alors:

𝑑
𝑋(𝑧) = −𝑧 𝑈(𝑧)
𝑑𝑧
𝑧 −2
= −𝑧 [ ]
(1 − 𝑧 −1 )2
𝑧 −1
= 𝑎𝑣𝑒𝑐 |𝑧| > 1
(1 − 𝑧 −1 )2
 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:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛) ⟹ 𝑌(𝑧) = 𝑋(𝑧) × 𝐻(𝑧)
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.

Définitions des pôles et des zéros
Les zéros d'une transformée en 𝑍, 𝐻(𝑧), sont les valeurs de 𝑧 telles que 𝐻(𝑧) = 0.
Les pôles d'une transformée en 𝑍, 𝐻(𝑧), sont les valeurs de 𝑧 telles que 𝐻(𝑧) = ∞
Si 𝐻(𝑧) est une fonction rationnelle, 𝐻(𝑧) peut alors s'écrire sous la forme suivante :
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
En supposant 𝑎0 ≠ 0 𝑒𝑡 𝑏0 ≠ 0, on peut réécrire l'équation ci-dessus
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.
Fonction de transfert d’un système linéaire invariant
On a vu qu’une manière de caractériser un système linéaire invariant consiste à étudier sa

réponse impulsionnelle ℎ(𝑛). Il est donc tout aussi légitime de caractériser un système par la
transformée en 𝑍, 𝐻(𝑧), de sa réponse impulsionnelle, encore appelée fonction de transfert du
système. Lors de l’analyse d’un système donné, on considère le plus souvent ℎ(𝑛) ou 𝐻(𝑧)
comme inconnue. A partir d’une entrée connue, 𝑥(𝑛), on observe alors la sortie 𝑦(𝑛)
caractérisée par sa transformée en 𝑍, 𝑌(𝑧). la fonction de transfert du système est alors :
𝑌(𝑧)
𝐻(𝑧) =
𝑋(𝑧)

On a vu que si 𝑥(𝑛) = 𝛿(𝑛), on obtient directement 𝑦(𝑛) = ℎ(𝑛); ce qui devient dans le plan
en 𝑍, 𝑋(𝑧) = 1 donc 𝐻(𝑧) = 𝑌(𝑧)
Si on applique cette approche au système linéaires invariants décrits par une équation aux
différences finies, le système est décrit par la relation suivante :
𝑀 𝑁
𝑦(𝑛) = ∑ 𝑏𝑘 𝑥(𝑛 − 𝑘) − ∑ 𝑎𝑘 𝑦(𝑛 − 𝑘)

𝑘=0 𝑘=1
Prenons la transformée en Z des membres de l'équation précédente :

𝑀 𝑁
𝑌(𝑧) = ∑ 𝑏𝑘 𝑧 −𝑘 𝑋(𝑧) − ∑ 𝑎𝑘 𝑧 −𝑘 𝑌(𝑧)

𝑘=0 𝑘=1
ou bien
𝑁 𝑀
−𝑘
𝑌(𝑧) [1 + ∑ 𝑎𝑘 𝑧 ] = 𝑋(𝑧) [∑ 𝑏𝑘 𝑧 −𝑘 ]
𝑘=1 𝑘=0
En posant 𝑎0 = 1, sans perdre en généralité, on a :
𝑌(𝑧) ∑𝑀
−𝑘 ∑𝑀
−𝑘
𝐻(𝑧) = = = (1.1)
𝑋(𝑧) 1 + ∑𝑁
−𝑘 ∑𝑁
−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.
Systèmes tout zéros

Un système tout zéros est un système dont la transformée en 𝑍 s’exprime sous la forme de
l’équation (1.1) avec 𝑁 = 0, c’est-à-dire pour lequel 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑁 = 0. La fonction de
transfert (1.1) devient alors:
𝑀 𝑀
−𝑘
1
𝐻(𝑧) = ∑ 𝑏𝑘 𝑧 = 𝑀 ∑ 𝑏𝑘 𝑧 𝑀−𝑘
𝑧
𝑘=0 𝑘=0
Le polynôme numérateur possède 𝑀 racines. La réponse impulsionnelle de ce système est de

type finies (RIF).
Systèmes tout pôles

Un système tout pôles est un système dont la transformée en 𝑍 s’exprime sous la forme de
l’équation (1.1) avec 𝑀 = 0, c’est-à-dire pour lequel 𝑏1 = 𝑏2 = ⋯ = 𝑏𝑀 = 0. La fonction de
transfert devient :
𝑏0 𝑏0 𝑧 𝑁
𝐻(𝑧) = =
1 + ∑𝑁
−𝑘 ∑𝑀
𝑁−𝑘
Le polynôme dénominateur possède N racines. La réponse impulsionnelle de ce système est de

type infinie (RII).
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.
Transformée inverse par intégration
Soit 𝑋(𝑧) la transformée en 𝑍 du signal 𝑥(𝑛). On définit la transformée en 𝑍 inverse, la relation

déterminant 𝑥(𝑛) à partir de 𝑋(𝑧) telle que:
1
𝑥(𝑛) = ∮ 𝑋(𝑧)𝑧 𝑛−1 𝑑𝑧
2𝜋𝑗
L'intégrale précédente consiste à sommer 𝑋(𝑧) pour des valeurs de 𝑧 prises sur un contour
fermé du plan complexe qui contient l'origine du plan tout en étant inclue dans le domaine de
convergence de la fonction.
Transformée inverse par développement en puissance
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 :
𝑦(𝑛) = 𝑦(𝑛 − 3) + 𝑥(𝑛)

On trouve aisément
1
𝐻(𝑧) =
1 − 𝑧 −3
En utilisant la limite des séries géométriques, on a:

∞
1
= ∑(𝑧 −3 )𝑘
1 − 𝑧 −3
𝑘=0
∞
𝐻(𝑧) = ∑ 𝑧 −3𝑘 = 1 + 𝑧 −3 + 𝑧 −6 + ⋯
𝑘=0
On obtient donc :
∞
ℎ(𝑛) = ∑ 𝛿(𝑛 − 3𝑘)

𝑘=0
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.
Analyse des Systèmes Linéaires Invariants par la transformée en Z
L’objet de ce paragraphe est d’étudier le comportement des systèmes linéaires invariants

par l’analyse de leur fonction de transfert décrite par une fonction en 𝒁. Il s’agit donc de
caractériser la sortie d’un système en fonction d’une entrée et de spécifier les conditions de
stabilité d’un tel système.
Réponse d’un système décrit par une fonction rationnelle
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

filtres RII (pour Réponse Impulsionnelle Infinie). Si 𝑁(𝑧) = 1, on parlera de filtre tous-pôles.
Dans le cas où 𝐷(𝑧) = 1, le filtre ne possède que des zéros. Cette famille de filtre correspond
au cas des filtres RIF (pour Réponse Impulsionnelle Finie). Celle-ci n’a pas d’équivalent en
filtrage analogique, et nous verrons que ses propriétés en font une fonction très utilisée en
traitement numérique du signal.
L’équation précédente peut également être représentée en mettant en avant les pôles et les zéros.
∏𝑁
𝑖=1(𝑧 − 𝑧𝑖 )
𝐻(𝑧) = 𝑏0 𝑁
∏𝑖=1(𝑧 − 𝑝𝑖 )
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) X(z) H2(z) Y(z)

H(z)
⋮
(a) Forme directe HM(z)
(b) Forme parallèle
X(z) Y(z)
H1(z) H2(z) ⋯ HM(z)
(c) Forme cascade
Figure 3 : Représentation sous forme de fonctions de transfert en 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
Soit le système décrit par l’équation suivante :

𝑌(𝑧) = 𝐻(𝑧)𝑋(𝑧)
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
Condition de causalité pour 𝑯(𝒛)
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.
Condition de stabilité pour 𝑯(𝒛)
On a vu que pour qu'un système linéaire invariant soit stable il suffit que sa réponse
impulsionnelle vérifie:
+∞
∑ |ℎ(𝑛)| < ∞
𝑛=−∞
Un système linéaire invariant est stable si le domaine de convergence de sa transformée en 𝑧

inclue le cercle unité. Pour finir, un système linéaire invariant causal est stable si et seulement
si tous les pôles de sa fonction de transfert sont à l’intérieur, strictement, du cercle unité.
Détermination du module et de la phase du système
Pour un système dont le domaine de convergence de sa fonction de transfert X(z) contient le

cercle unité, alors la réponse fréquentielle de ce système consiste à évaluer X(z) sur le cercle
unité, c’est-à-dire pour 𝒛 = 𝒆𝒋𝟐𝝅𝒇 .
Prenons par exemple, un système dont la fonction de transfert s’exprime sous la forme suivante:
1
𝐻(𝑧) =
1 + 0,5𝑧 −1

on a:
𝑧
𝐻(𝑧) =
𝑧 + 0,5
1
Ce système possède donc un zéro en 𝑧 = 0 et pôle en 𝑧 = − 2, en prenant 𝑧 sur le cercle unité:
𝑗2𝜋𝑓
𝑒 𝑗2𝜋𝑓
𝐻(𝑒 )=
1
𝑒 𝑗2𝜋𝑓 + 2
En précisant explicitement amplitude te phase :

𝑗2𝜋𝑓 ))
𝐻(𝑒 𝑗2𝜋𝑓 ) = |𝐻(𝑒 𝑗2𝜋𝑓 ) |𝑒 𝑗𝑎𝑟𝑔(𝐻(𝑒
On obtient alors :
1
𝐻(𝑒 𝑗2𝜋𝑓 ) =
1
𝑒 𝑗2𝜋𝑓 + 2
1
𝑎𝑟𝑔 (𝐻(𝑒 𝑗2𝜋𝑓 )) = 2𝜋𝑓 − 𝑎𝑟𝑔 (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
-1 -1/2 0 1/2 1 0.5
0.4
partie réel 0.3

o zéros 0.2
x pôles 0.1
0
0 0.1 0.2 0.3 0.4 0.5
1
Figure 4: Réponse fréquentielle, 𝑋(𝑧) = 1+0.5𝑧 −1

Evaluation d’une réponse fréquentielle
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
transfert sera donc décrite par :

(𝑧 − 1)(𝑧 + 1)
𝐻(𝑧) = 𝐴
(𝑧 − 𝑅𝑒 +𝑗 Ω0 )(𝑧 − 𝑅𝑒 −𝑗 Ω0 )
𝑧2 − 1
=𝐴
𝑧 2 − 2𝑅𝑐𝑜𝑠Ω0 𝑧 + 𝑅 2
Ou, de manière équivalente, par
1 − 𝑧2
𝐻(𝑧) = 𝐴
1 − 2𝑅𝑐𝑜𝑠Ω0 𝑧 −1 + 𝑅 2 𝑧 −2
La réponse fréquentielle vaut donc
1 − 𝑒 −𝑗2 Ω
𝐻(𝑗Ω) = 𝐴
1 − 2𝑅𝑐𝑜𝑠Ω0 𝑒 −𝑗 Ω + 𝑅 2 𝑒 −𝑗2 Ω
Comme application numérique, considérons le cas particulier où
𝐹𝑒 𝜋
𝐹0 = ⇔ Ω0 = , 𝑅 = 0.9 𝐴 = 1 − 𝑅 = 0.1
8 4
Pour un filtre passe-bande, on doit bien évidemment obtenir
𝐹𝑒
𝐻(𝑓 = 0) = 0, 𝐻( ) = 0
2
𝜋 𝜋
De plus, avec Ω0 = et 2Ω0 = 2 , il vient
4
1 − 𝑒 −𝑗𝜋/2
𝐻(𝑗Ω0 ) = 𝐴
1 − 2𝑅𝑐𝑜𝑠(𝜋/4)𝑒 −𝑗 π/4 + 𝑅 2 𝑒 −𝑗𝜋/2

1+𝑗
=𝐴
1 1
1 − √2𝑅 ( − 𝑗 ) − 𝑗𝑅 2
√2 √2
1+𝑗 1+𝑗
=𝐴 = 𝐴
1 − 𝑅(1 − 𝑗) − 𝑗𝑅 2 1 − 𝑅 + 𝑗𝑅 − 𝑗𝑅 2
Comme 𝑅 = 0.9 et 𝐴 = 1 − 𝑅, on obtient finalement
1+𝑗 1+𝑗
𝐻(𝑗F0 ) = (1 − 𝑅) =
(1 − 𝑅) + (1 + 𝑗𝑅) 1 + 𝑗0.9
Calcul et traçage de quelques réponses fréquentielles
Afin d’illustrer le calcul et le traçage de quelques réponses fréquentielles, considérons

quelques exemples de systèmes numériques décrits soit par leurs réponse impulsionnelle, soit
par leur équation récursive.
Moyenneur non causal
Un moyenneur non causal d’ordre5 est décrit par l’équation aux différences suivante :
1
𝑦(𝑛) = [𝑥(𝑛 − 2) + 𝑥(𝑛 − 1) + 𝑥(𝑛) + 𝑥(𝑛 + 1) + 𝑥(𝑛 + 2)]
5
Et sa réponse impulsionnelle est :
1
𝑠𝑖 −2 ≤𝑛 ≤ 2
ℎ(𝑛) = {5
0 𝑠𝑖𝑛𝑜𝑛
Les réponses impulsionnelle et indicielle de ce filtre sont illustrées à la figure 8.1.
Utilisant la transformation en 𝑧, on calcule aisément la fonction de transfert de ce filtre :
1 −2
𝐻(𝑧) = (𝑧 + 𝑧 −1 + 𝑧 0 + 𝑧1 + 𝑧 2 )
5
Dont la réponse fréquentielle vaut :
1 −𝑗2Ω
𝐻(𝑗Ω) = (𝑒 + 𝑒 −𝑗Ω + 𝑒 −𝑗0 + 𝑒 +𝑗Ω + 𝑒 +𝑗2Ω )
5
1
𝐻(𝑗Ω) = (1 + 2𝑐𝑜𝑠Ω + 2𝑐𝑜𝑠2Ω)
5
On constate que la réponse fréquentielle ainsi obtenue est réelle ; ceci n’est pas surprenant si
on se souvient que la réponse impulsionnelle ℎ(𝑛) considérée est paire. Le traçage de la réponse
fréquentielle de ce moyenneur (figure 8.2) montre qu’il agit comme un filtre passe-bas et qu’il
annule même la sortie pour certaines pulsations.

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
Figure 8.2 : Réponse fréquentielle d’un moyenneur non causal d’ordre 5
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

Les réponses impulsionnelle et indicielle de ce filtre sont illustrées à la figure 8.3 et on
constate que par rapport au moyenneur non causal, ces réponses temporelles sont simplement
retardées de deux échantillons.
Utilisant la transformation en 𝑧, on calcule aisément la fonction de transfert de ce filtre :
1
𝐻(𝑧) = (𝑧 0 + 𝑧 −1 + 𝑧 −2 + 𝑧 −3 + 𝑧 −4 )
5
𝑧 −2 2
𝐻(𝑧) = (𝑧 + 𝑧1 + 𝑧 0 + 𝑧 −1 + 𝑧 −2 )
5
Dont la réponse fréquentielle vaut :
𝑒 −𝑗2Ω +𝑗2Ω
𝐻(𝑗Ω) = (𝑒 + 𝑒 +𝑗Ω + 1 + 𝑒 −𝑗Ω + 𝑒 −𝑗2Ω )
5
D’où
𝑒 −𝑗2Ω
𝐻(𝑗Ω) = (1 + 2𝑐𝑜𝑠Ω + 2𝑐𝑜𝑠2Ω)
5
On constate ainsi que, à un phaseur près, la réponse fréquentielle obtenue est la même que
précédemment ; ce qui n’est pas surprenant puisque le moyenneur causal n’est qu’une version
translatée du moyenneur non causal. Les modules des deux réponses fréquentielles sont donc
les mêmes ; seul es les phases diffèrent (figure 8.4). On notera que la phase ainsi obtenue est
linéaire par rapport à la fréquence ; ce qui n’est autre que l’effet de la translation temporelle.
Filtre passe-bas d’ordre1

Un filtre passe-bas numérique d’ordre 1 peut être décrit par sa réponse impulsionnelle :
ℎ(𝑛) = 𝐴 𝑅 𝑛 𝑢(𝑛) 𝑎𝑣𝑒𝑐 𝑅 < 1
ou par sa fonction de transfert

𝐴
𝐻(𝑧) =
1 − 𝑅𝑧 −1
On en a déduit que sa réponse fréquentielle vaut :
𝐴
𝐻(𝑗Ω) =
1 − 𝑅𝑒 −𝑗Ω
De manière à avoir un gain unité pour Ω = 0, on choisit : 𝐴 = 1 − 𝑅

Cette fonction à valeur complexe peut encore être décrite par :
𝐴
𝐻(𝑗Ω) =
1 − 𝑅𝑐𝑜𝑠(Ω) + 𝑗𝑅𝑠𝑖𝑛(Ω)
Ce qui permet de calculer le module et la phase de la réponse fréquentielle :

𝐴
|𝐻(𝑗Ω)| =
2
√(1 − 𝑅𝑐𝑜𝑠(Ω)) + (𝑅𝑠𝑖𝑛(Ω))2
𝑅𝑠𝑖𝑛(Ω)
𝐴𝑟𝑔(𝐻(𝑗Ω)) = −𝑎𝑟𝑐𝑡𝑎𝑛 ( )
1 − 𝑅𝑐𝑜𝑠(Ω)
Transformées en z de fonctions usuelles
Le tableau ci dessous donne les transformées en z des fonctions utilisées en traitement

numérique du signal. 𝑇𝑒 désigne la période d'échantillonnage du signal transformé dans lequel
on a posé 𝑡 = 𝑛𝑇𝑒
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) :
ℎ(𝑛) = 0.1𝛿(𝑛) − 0.3𝛿(𝑛 − 2) + 0.5𝛿(𝑛 − 3) − 0.3𝛿(𝑛 − 4) + 0.1𝛿(𝑛 − 6)
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.
5. Tracer approximativement son module. De quel type de filtre s’agit-il ?
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)
En appliquant la relation 𝑇𝑍(𝑥(𝑛𝑘 )) = 𝑧 −𝑘 𝑇𝑍(𝑥(𝑛)), on prend la transformée de l’équation

aux différences :
𝑌(𝑧) = 0.1𝑋(𝑧) − 0.3𝑋(𝑧)𝑧 −2 + 0.5𝑋(𝑧)𝑧 −3 − 0.3𝑋(𝑧)𝑧 −4 + 0.1𝑋(𝑧)𝑧 −6
On obtient la fonction de transfert:
𝑌(𝑧)
𝐻(𝑧) = = 0.1 − 0.3𝑧 −2 + 0.5𝑧 −3 − 0.3𝑧 −4 + 0.1𝑧 −6
𝑋(𝑧)
A partir d’une transformée en Z décrite comme la somme de monômes en 𝑧 −1, la réponse
impulsionnelle du système correspond simplement aux coefficients de chacun des monômes.
ℎ(𝑛) = 0.1𝛿(𝑛) − 0.3𝛿(𝑛 − 2) + 0.5𝛿(𝑛 − 3) − 0.3𝛿(𝑛 − 4) + 0.1𝛿(𝑛 − 6)
La réponse fréquentielle du filtre se calcule en évaluant 𝐻(𝑧) sur le cercle unité, donc pour 𝑧 =
𝑒 𝑗𝜔 On obtient :

𝑗𝜔 𝑗0𝜔 −𝑗2𝜔 −𝑗3𝜔 −𝑗4𝜔 −𝑗6𝜔
𝐻(𝑒 ) = 0.1𝑒 − 0.3𝑒 + 0.5𝑒 − 0.3𝑒 + 0.1𝑒
= 0.1[𝑒 −𝑗0𝜔 + 𝑒 −𝑗6𝜔 ] − 0.3[𝑒 −𝑗2𝜔 − 𝑒 −𝑗4𝜔 ] + 0.5𝑒 −𝑗3𝜔
= 2 × [0.1𝑒 −𝑗3𝜔 cos(3𝜔) − 0.3𝑒 −𝑗3𝜔 𝑐𝑜𝑠(𝜔) + 0.5𝑒 −𝑗3𝜔 ]
= 2 × 𝑒 −𝑗3𝜔 [0.5 − 0.3𝑐𝑜𝑠(𝜔) + 0.1cos(3𝜔)]
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
0 0.1 0.2 0.3 0.4 0.5
On constate qu’il s’agit d’un filtre de type passe-haut ; notons de plus que ce filtre est à phase
linéaire.
Exercice 2: Analyse de filtre numérique RIF
Soit le filtre numérique suivant : 𝐻(𝑧) = 0.1(𝑧 −1 + 𝑧 −3 ) + 0.2𝑧 −2

On posera 𝑇𝑒 , période d’échantillonnage, égal à 1𝑠.
1. Donnez et tracez sa réponse impulsionnelle ℎ(𝑛). Quelles sont ses caractéristiques.
2. Calculez la réponse fréquentielle du système. Tracez son module et sa phase. On montrera
que la phase du filtre est linéaire. Donnez la fréquence de coupure à −3𝑑𝐵.
3. Quel type de filtre est réalisé ?
4. Donnez l’expression de la sortie 𝑦(𝑛) du filtre en fonction de l’entrée 𝑥(𝑛). Calculez et
dessinez le signal de sortie du filtre 𝑦(𝑛) pour 𝑛 = {0, ⋯ ,7} lorsque l’entrée est :
1 𝑠𝑖 𝑛 = 0, 1
𝑥(𝑛) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
Exercice 3
On considère un système discret décrit par l'équation de récurrence suivante:

𝑦(𝑛) = 𝑥(𝑛) + 𝑏 𝑦(𝑛 − 1)
1. Déterminer la fonction de transfert 𝐻(𝑧) du système.

2. Déterminer la réponse impulsionnelle du système.
3. Représenter la réponse impulsionnelle pour : 𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5.
4. Rappeler le critère de stabilité d’un système numérique. Déduire la condition sur b pour que
le système soit stable.
5. On applique à l’entrée du système une suite d’échelon {𝑥𝑛 } = {𝑈𝑛 } défini par
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
1. Donner la fonction de transfert en z

correspondant à la récurrence suivante, étudier 𝑥(𝑛) 𝑦(𝑛)
sa stabilité, et proposer une structure pour le 𝑆𝐿𝐼
SLI correspondant.
𝑦(𝑛) = 𝑥(𝑛) + 2𝑥(𝑛 − 1) + 𝑦(𝑛 − 1) + 4𝑦(𝑛 − 2)
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:
𝑦(𝑛) = 𝑥(𝑛) + 𝛼𝑦(𝑛 − 10), 𝑜ù 𝛼 > 0

On demande :
3.a) De déterminer l'expression analytique de sa réponse en fréquence
3.b) De tracer son diagramme pôles-zéro (séparer le cas 𝛼 < 1 et le cas 𝛼 > 1)
3.c) D'en déduire une esquisse du graphique du module de sa réponse en fréquence
(séparer le cas 𝛼 < 1 et le cas 𝛼 > 1)
4. A partir de l'interprétation géométrique de la 𝐹𝐹𝑇, calculer la 𝐹𝐹𝑇 𝑋(𝑘), sur 8 échantillons,
de la séquence définie par:
𝑋(0) = 𝑋(1) = 𝑋(7) = 1

{
𝑋(𝑛) = 0 𝑝𝑜𝑢𝑟 2 ≤ 𝑛 ≤ 6
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.
x(t) x(n) Système y(n) y(t)

CAN Numérique CNA
Linéaire
On notera 𝑇𝑒 et 𝐹𝑒 la période d’échantillonnage et la fréquence d’échantillonnage

respectivement. 𝑦(𝑛) le signal numérique après traitement numérique, en sortie du système,
𝑦(𝑡) le signal analogique à la sortie du CNA.
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 ?
On étudie à présente le comportement en régime sinusoïdal du système discret en appliquant à

l'entrée le signal sinusoïdal : 𝑥(𝑛) = 𝐸𝑐𝑜𝑠(𝑛𝜔𝑇𝑒 )
4) Exprimer 𝑦(𝑛) sous la forme 𝑦(𝑛) = 𝑆𝑐𝑜𝑠(𝑛𝜔𝑇𝑒 + 𝜑), S et  sont à déterminer.
𝑆
5) Tracer la fonction 𝐻 = 𝐸 en fonction de 𝑓 pour 0 ≤ 𝑓 ≤ 2𝐹𝑒 . Que peut-on dire de la réponse
en fréquence du système numérique?
6) On veut échantillonner un signal sinusoïdal s( t ) de fréquence pouvant aller jusqu'à une
valeur maximale f m . Rappeler la condition sur la fréquence d’échantillonnage Fe pour pouvoir
échantillonner s( t ) sans perte d’information. En déduire la portion utile de la réponse en
fréquence du système numérique.
7) Dans le domaine utile de fréquences, quel est le type de filtrage réalisé ? Calculer alors la
fréquence de coupure à -3 dB du filtre.
8) Tracer  en fonction de 𝑓 dans le domaine utile de fréquences. Comment appelle-t-on un
tel filtre ?
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

2) Que peut-on dire de la réponse impulsionnelle du système numérique (quand 𝑛 → ∞). En
déduire la nature du système.
3) Déterminez 𝐻(𝑧) la transformée en 𝑍 du signal ℎ(𝑛).
4) Déterminez l’expression de la sortie 𝑌(𝑧) en fonction de 𝑋(𝑧). En déduire la relation de
récurrence du système 𝑦(𝑛).
5) Déterminez la fonction de transfert fréquentielle 𝐻(𝑗𝜔) du système numérique.
6) Calculez le module |𝐻(𝑗𝜔)| de la fonction de transfert en régime sinusoïdal du système
numérique.
7) En déduire l'allure de |𝐻(𝑓)| dans le domaine utile. Quel est le type de filtrage réalisé sur
ce domaine.
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.
x(t) x(n) Système y(n) y(t)

CAN Numérique CNA
Linéaire
On notera 𝑇𝑒 et 𝐹𝑒 la période d’échantillonnage et la fréquence d’échantillonnage

respectivement. 𝑦(𝑛) le signal numérique après traitement numérique, en sortie du système,
𝑦(𝑡) le signal analogique à la sortie du CNA.
PARTIE I
Le système numérique est caractérisé par une réponse impulsionnelle qui s'écrit:
ℎ(𝑛) = 𝑎0 𝛿(𝑛) + 𝑎1 𝛿(𝑛 − 1) + 𝑎2 𝛿(𝑛 − 2) + 𝑎1 𝛿(𝑛 − 3) + 𝑎0 𝛿(𝑛 − 4)
1) Déterminez l'expression de l'équation aux différences finies de ces systèmes.

2) Que pouvez-vous dire de la causalité ? la stabilité ? et le type des ces systèmes?
3) Déterminez la fonction de transfert 𝐻(𝑧) de ces systèmes.
4) En déduire la réponse fréquentielle 𝐻(𝑗𝜔), puis l'expression de son module et de sa phase.
5) On pose Ω = 𝜔𝑇𝑒 complétez le tableau suivant:
Ω=0 Ω = 𝜋⁄2 Ω=𝜋 Ω = 2𝜋

|𝐻(𝑗Ω)|
𝐴𝑟𝑔{𝐻(𝑗Ω)}
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
8) Déterminez la fréquence de coupure 𝑓𝑐 à −3𝑑𝐵 du filtre si la fréquence d'échantillonnage

𝐹𝑒 = 40𝑘𝐻𝑧.

PARTIE II
A présent le système numérique est caractérisé par une réponse impulsionnelle numérique qui
s'écrit:
ℎ(𝑛) = 𝑎𝑛 . 𝑈(𝑛)
8) Déterminer la fonction de transfert 𝐻(𝑧) du présent système.

9) Déterminez la région de convergence de 𝐻(𝑧), en déduire une représentation graphique
de la région de convergence.
10) Déterminez la relation de récurrence du système 𝑦(𝑛).
11) Déterminez zéros et pôles du système. En déduire leur emplacement dans le plan
complexe.
A présent on considère que :

1
𝑎=−
2
12) Déterminez la fonction de transfert fréquentielle 𝐻(𝑗𝜔) du système numérique.
13) En déduire le module |𝐻(𝑗𝜔)| ainsi que la phase de la fonction de transfert du système
numérique.
14) En déduire l'allure de |𝐻(𝑓)| dans le domaine utile. Quel est le type de filtrage réalisé sur
ce domaine.
𝜔1 +𝜔2
𝜔2 −𝜔1
𝑒 −𝑗𝜔1 + 𝑒 −𝑗𝜔2 = 2 × 𝑒 −𝑗( )
On donne: 2 × 𝑐𝑜𝑠 ( )
2
Corrigé Exercice 4
𝑦(𝑛) = 𝑥(𝑛) + 2𝑥(𝑛 − 1) + 𝑦(𝑛 − 1) + 4𝑦(𝑛 − 2)

La fonction de transfert en 𝑧 est donnée par :
𝑌(𝑧) = 𝑋(𝑧) + 2𝑋(𝑧)𝑧 −1 + 𝑌(𝑧)𝑧 −1 + 4𝑌(𝑧)𝑧 −2
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
La fonction de transfert en Z inverse s’écrit :

1 − 𝑧 −1 − 4𝑧 −2
𝐻𝑖𝑛𝑣 (𝑧) =
1 + 2𝑧 −1
d'où l'équation de récurrence est donnée par :
𝑦(𝑛) = 𝑥(𝑛) − 𝑥(𝑛 − 1) − 4𝑥(𝑛 − 2) − 2𝑦(𝑛 − 1)
𝑥(𝑛) 𝑦(𝑛)
+
Z-1 Z-1
-1 + -2
Z-1
-4 +
3. Soit le système défini par la relation :

𝑦(𝑛) = 𝑥(𝑛) + 𝛼𝑦(𝑛 − 10), 𝑜ù 𝛼 > 0
La fonction de transfert en Z s′ écrit ∶
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
Si 𝛼 > 1 ⟹ système instable ⟹ pas de réponse en fréquence
3. 𝑥(0) = 𝑥(1) = 𝑥(7) = 1 𝑒𝑡 𝑥(𝑛) = 0 𝑝𝑜𝑢𝑟 2 ≤ 𝑛 ≤ 6
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
𝑋(0) = 𝑥(0) + 𝑥(1) + 𝑥(7) = 1 + 1 + 1 = 3

0
-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
𝑋(5) = 𝑋(3) 𝑋(6) = 𝑋(2) 𝑋(7) = 𝑋(1)

EXAMEN_1
EXERCICE 1
𝒙(𝒕) 𝑿(𝒇 )
a
1 T.F.
𝒕 (𝒎𝒔) 𝒇(𝑯𝒛)
0 1 3 5 6 9 10 0 fmax
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

1. Donner et tracer sa réponse impulsionnelle ℎ(𝑛). Quelles sont les caractéristiques du

système.
2. Calculer la réponse fréquentielle 𝐻(𝜔) = |𝐻(𝜔)|𝑒 𝑎𝑟𝑔(𝐻(𝜔)) du système, on note que :
𝝎𝟐 − 𝝎𝟏 𝝎𝟏 +𝝎𝟐
𝒆−𝒋𝝎𝟏 + 𝒆−𝒋𝝎𝟐 = 𝟐 𝐜𝐨𝐬 ( ) × 𝒆−𝒋( 𝟐 )
𝟐
3. Tracer le module |𝐻(𝜔)| et la phase de 𝜑(𝜔). On montrera que la phase du filtre est linéaire.
4. Donner la fréquence de coupure à −3𝑑𝐵. Quel type de filtre est réalisé ?
5. Donner l’expression de la sortie 𝑦(𝑛) du filtre en fonction de l’entrée 𝑥(𝑛).
6. Calculer et représenter le signal de sortie du filtre 𝑦(𝑛) pour 𝑛 = {0, ⋯ ,7} lorsque l’entrée
est :
𝟏 𝒔𝒊 𝒏 = 𝟎, 𝟏
𝒙(𝒏) = {
𝟎 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔
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
̂(𝒕) obtenu par échantillonnage idéal de 𝒙(𝒕) est donnée par :

1. L'expression de 𝒙
+∞
̂(𝒕) = 𝒙(𝒕). 𝜹𝑻𝒆 (𝒕) = 𝒙(𝒕). ∑ 𝜹(𝒕 − 𝒏𝑻𝒆 )

𝒙
𝒏=−∞
𝟏
𝑭𝒆 = 𝟏𝒌𝑯𝒛 ⟹ 𝑻𝒆 = = 𝟏𝒎𝒔
𝑭𝒆
̂(𝒕):
Une représentation graphique de 𝒙
x(t)
𝜹𝑻𝒆 (𝒕) ̂(𝒕)
𝒙
1 1 ≡
×
t (ms) t (ms) t (ms)
0 5 10 0 2 4 6 8 10 0 20 40 60 80 10
Signal x(t) Peigne de Dirac ̂(𝒕)

Signal échantillonnée 𝒙
̂ (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
̂ (𝒇 )
𝑿
𝒇(𝑯𝒛)
𝟎 𝒇𝒎𝒂𝒙 𝑭𝒆 𝟐𝑭𝒆 𝟑𝑭𝒆
̂ (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
8. Calcul de 𝒙𝟏 (𝒕 ) obtenu par la T.F. inverse de 𝑿𝟏 (𝒇 ).

𝟏
𝒙𝟏 (𝒕 ) = 𝑻𝑭−𝟏 { 𝑿𝟏 (𝒇 )} = 𝑻𝑭−𝟏 {𝑿(𝒇 ) ∗ [𝜹(𝒇 + 𝟐𝑭𝟎 ) + 𝜹(𝒇 − 𝟐𝑭𝟎 )]}
𝟐
𝒙𝟏 (𝒕 ) = 𝒙(𝒕 ). 𝐜𝐨𝐬(𝟐𝝅(𝟐𝑭𝟎 )𝒕)
9. Une représentation de 𝒙𝟏 (𝒕 ) est donnée par:

sp(t) x(t).Sp(t)
x(t)
1
1 1
=
t (ms) t
t (ms)
0
0 5 10
x(t)  sp(t) = x(t).sp(t)
EXERCICE 2
1. ℎ(𝑛) = 0.1[𝛿(𝑛 − 1) + 𝛿(𝑛 − 3)] + 0.2𝛿(𝑛 − 2)

Il s'agit d'un système RIF symétrique
2. Réponse fréquentielle 𝐻 du système
𝐻(Ω) = 0.2𝑒 −2𝑗Ω [1 + 𝑐𝑜𝑠Ω]
|𝐻(Ω)| = 0.2[1 + 𝑐𝑜𝑠Ω]
𝐴𝑟𝑔[𝐻(Ω)] = −2Ω ⟹ phase linéaire
3. Allure de 𝐻(Ω):
|𝑯(𝛀 )| 𝛗
𝟎 𝛀
𝟎. 𝟐
𝟎 𝑭𝒆
4. La fréquence de coupure est donnée par: 𝑓𝑐 = 182𝐻𝑧

D'après l'allure de 𝐻(Ω) il s'agit bien de l'allure d'un filtre passe bas.
5. Expression de l'équation aux différences finies:
𝑌(𝑧)
𝐻(𝑧) = = 0.1(𝑧 −1 + 𝑧 −3 ) + 0.2𝑧 −2
𝑋(𝑧)
𝒚(𝒏) = 𝑻𝒁−𝟏 [𝒀(𝒛)] = 𝟎. 𝟏[𝒙(𝒏 − 𝟏) + 𝒙(𝒏 − 𝟑)] + 𝟎. 𝟐𝒙(𝒏 − 𝟐)
6.
𝑦(0) = 𝑦(5) = 0; 𝑦(1) = 𝑦(4) = 0.1; 𝑦(2) = 𝑦(3) = 0.3
7. La fonction de transfert 𝐻(𝑧) qui admet un zéro en 𝒛 = −𝟏 et un pôle en 𝒛 = 𝟎. 𝟗 est
donnée par:
𝑌(𝑧) (𝑧 + 1) 1 + 𝑧 −1
𝐻(𝑧) = = =
𝑋(𝑧) (𝑧 − 0.9) 1 − 0.9𝑧 −1
8. Allure du module de 𝐻(𝜔) sur le domaine [−𝜋, 𝜋].
𝐻(𝜔) = 𝐻(𝑧)|𝑧=𝑒 𝑗𝜔 ⟹ 𝐻(0) =
1+1
𝐻(𝑧)|𝑧=1 = 1−0.9 = 20 |𝐻(𝜔)|
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)

FORMULAIRE MATHEMATIQUE
𝑐𝑜𝑠 2 𝑥 + 𝑠𝑖𝑛2 𝑥 = 1 𝑡𝑔(𝑥) = sin(𝑥)⁄cos(𝑥)
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
cos(2𝑎) = 𝑐𝑜𝑠 2 𝑥 − 𝑠𝑖𝑛2 𝑥 = 2𝑐𝑜𝑠 2 𝑥 − 1 sin(2𝑎) = 2 sin 𝑎 cos 𝑎
cos(2𝑎) = 1 − 2 𝑠𝑖𝑛2 𝑥 (cos 𝑎 + 𝑗𝑠𝑖𝑛 𝑎)𝑛 = cos 𝑛𝑎 + 𝑗𝑠𝑖𝑛 𝑛𝑎
𝑒 𝑗𝜔0 𝑡 = cos(𝜔0 𝑡) + 𝑗 sin(𝜔0 𝑡) 𝑒 −𝑗𝜔0 𝑡 = cos(𝜔0 𝑡) − 𝑗 sin(𝜔0 𝑡)
𝑒 𝑗𝜔0 𝑡 + 𝑒 −𝑗𝜔0 𝑡 𝑒 𝑗𝜔0 𝑡 − 𝑒 −𝑗𝜔0 𝑡

cos(𝜔0 𝑡) = sin(𝜔0 𝑡) =
2 2𝑗
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
Fonction Dérivée Différentielle Primitive
cos(𝑡) − sin(𝑡) sin(𝑡) 𝑑𝑡

∫ cos(𝑡) 𝑑𝑡 = sin(𝑡)
sin(𝑡) cos(𝑡) −cos(𝑡) 𝑑𝑡

∫ sin(𝑡) 𝑑𝑡 = −cos(𝑡)

𝛿(𝑡)𝑓(𝑡) = 𝛿(𝑡)𝑓(0) 𝛿(𝑡) ∗ 𝑓(𝑡) = 𝑓(𝑡)
𝛿(𝑡 − 𝑡0 )𝑓(𝑡) = 𝛿(𝑡 − 𝑡0 )𝑓(𝑡0 ) 𝛿(𝑡) ∗ 𝑓(𝑡 − 𝑡0 ) = 𝑓(𝑡 − 𝑡0 )
+∞
𝑃𝑒𝑖𝑔𝑛𝑒 𝑑𝑒 𝐷𝑖𝑟𝑎𝑐 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑑𝑒 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑇𝑒 ∶ 𝛿𝑇𝑒 (𝑡) = ∑ 𝛿(𝑡 − 𝑘 𝑇𝑒 )

𝑘=−∞
+∞
𝑃𝑒𝑖𝑔𝑛𝑒 𝑑𝑒 𝐷𝑖𝑟𝑎 𝑓𝑟é𝑞𝑢𝑒𝑛𝑡𝑖𝑒𝑙 𝑑𝑒 𝑝é𝑟𝑖𝑜𝑑𝑒 𝐹𝑒 ∶ 𝛿𝐹𝑒 (𝑓) = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑘𝐹𝑒 )

𝑘=−∞
Fonction Transformée de Fourier

𝟐 𝟐
𝒆−𝝅 𝒕 𝒆−𝝅 𝒇
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)
Peigne de Dirac temporel Peigne de Dirac fréquentiel
+∞ +∞
𝛿𝑇0 (𝑡) = ∑ 𝛿(𝑡 − 𝑘 𝑇0 ) 𝛿1⁄𝑇0 (𝑓) = 𝛿𝐹𝑒 (𝑓) = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑘 𝐹𝑒 )

𝑘=−∞ 𝑘=−∞

Support CR Signal Adel

Uploaded by

Copyright:

Available Formats

You might also like

Support CR Signal Adel

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Support CR Signal Adel

Uploaded by

Copyright:

Available Formats

Université de Monastir

Faculté des Sciences de Monastir

Licences * Mastères * Ecoles d’ingénieurs

Chapitre 1 T HEORIE ET TRAIT EMENT DE S IGNAL ......................... 1

Chapitre 2 A NALYSE DES SIGNAUX PERIODIQUES..................................... 14

Chapitre 3 ANALYSE DES SIGNAUX NON PERIODIQUES : ............................ 35

Chapitre 4 PRODUIT DE CONVOLUTION ET CORRELATION........................... 49

Chapitre 6 S IGNAUX A TEMPS DISCR ET ...................................... 87

Chapitre 7 T ECHNIQUES DE MODULAT ION .................................. 95

Chapitre 8 A NALYSE DES SYSTEMES LINEAIRES INVARIANTS ........ 113

T HEORIE ET T RAITEMENT DE S IGNAL

Un signal est la représentation physique de l’information qu’il transporte de sa

Les signaux de télécommunications, qui transportent l’information par modulation

Les signaux géophysiques, tels que l’évolution de la température, de la pression, de la

Les signaux de communication interpersonnelle, tels la parole ou l’écriture. A

Eléments de traitement de Signal Enseignant : Adel AMIMI 1

Au sens mathématique : un signal est un objet mathématique fonction de une ou plusieurs

Signal : Toute entité qui véhicule une information

 Onde acoustique  Musique

 Onde lumineuse Source lumineuse

Suite de nombres Mesures physiques

Eléments de traitement de Signal Enseignant : Adel AMIMI 2

Traitement du signal = procédure pour:

 Extraire l’information (filtrage, détection, estimation, analyse spectrale...)

 Mettre en forme le signal (modulation, échantillonnage….)

 Reconnaissance des formes

CLASSIFICATION DES SIGNAUX

CLASSIFICATION PHENOMENOLOGIQUE DES SIGNAUX

Signaux déterministes Signaux aléatoires

Périodiques Non périodiques Stationnaires Non stationnaires

Signaux à énergie finie ⇔ Puissance moyenne finie

∆𝑓 < 250𝐾𝐻𝑧 Signaux basses fréquences (BF)

700 𝑛𝑚 < 𝜆 < 0.1 𝑚𝑚 Signal lumineux infrarouge

Eléments de traitement de Signal Enseignant : Adel AMIMI 5

CLASSIFICATION MORPHOLOGIQUE DES SIGNAUX

Caractéristique morphologique (signal continu ou discret). Le temps est un paramètre

Eléments de traitement de Signal Enseignant : Adel AMIMI 6

signal analogique signal quantifié

𝒙(𝒕𝒌 ) 𝒙𝒒 (𝒕𝒌 ) =x(k)

signal signal numérique

 Signal sinusoïdal : 𝑠(𝑡) = 𝐴0 𝑠𝑖𝑛(𝜔0 𝑡) = 𝐴0 𝑠𝑖𝑛(2𝜋𝐹0 𝑡) = 𝐴0 𝑠𝑖𝑛 ( ) 𝑡

Signal sin(0t) Signal cos(0t)

 Signal exponentiel complexe : 𝑠(𝑡) = 𝑆0 𝑒𝑥𝑝(𝑗2𝜋𝐹0 𝑡)

 La fonction échelon unité ou fonction de Heaviside définie par :

Eléments de traitement de Signal Enseignant : Adel AMIMI 7

La dérivée de 𝑢(𝑡) est nulle sur ℝ∗ et égal au pic de 𝒖(𝒕)

 La fonction sinus cardinal est définie par : 𝑠(𝑡) = 𝑠𝑖𝑛𝑐(𝑡) =

∫ 𝑠𝑖𝑛𝑐(𝑡) = 1 𝑒𝑡 ∫ 𝑠𝑖𝑛𝑐 2 (𝑡) = 1

 La fonction porte ou rectangle est définie par :

A partir de ce signal, on peut obtenir une impulsion rectangulaire de durée 𝜃 d’amplitude 𝐴

 Impulsion ou signal triangulaire

Le signal triangulaire, noté 𝑡𝑟𝑖(𝑡) 𝑜𝑢 Λ(𝑡) est défini par :

𝑡𝑟𝑖(𝑡) = 𝑟(𝑡 + 1) − 2𝑟(𝑡) + 𝑟(𝑡 − 1)

Eléments de traitement de Signal Enseignant : Adel AMIMI 8

On peut définir mathématiquement la fonction de Dirac en prenant la limite d’une famille

Signal porte de largeur  Impulsion ou Pic de Dirac

La représentation graphique conventionnelle d’une impulsion de Dirac de poids 𝑓(𝑡0 ) en 𝑡0 est

PROPRIETES DE LA FONCTION DE DIRAC