Modulations numriques

Notes de Cours
Densit spectrale de puissance
Olivier Rioul
L
A DENSIT SPECTRALE DE PUISSANCE est un outil fondamental pour ltude
des processus alatoires, en traitement du signal, et en communications
numriques. Dans ce document on rappelle dabord les notions vues pour des
signaux temps-discret, puis onprsente le cas des signaux analogiques ( temps
continu). Ces signaux sont en gnral valeurs complexes. Le cadre habituel est
celui des signaux stationnaires au second ordre, mais on peut tendre la notion
de densit spectrale de puissance au cas de signaux cyclostationnaires an de
calculer le spectre dun signal modul par une modulation linaire.
1 Processus alatoire temps discret
Un processus alatoire (appel aussi stochastique) est une suite {X
n
} de va-
riables alatoires qui reprsentent des chantillons dun signal, ou des symboles
dinformation transmettre dans un systme de communication numrique. La
description mathmatique prcise dun processus {X
n
} est due Kolmogorov
(thorme de consistance, 1933).
Lindice n est temporel, il reprsente le temps discret. Si on se donne une
priode de rfrence T alors X
n
arrive linstant nT. Par exemple, un signal
alatoire X(t ) chantillonn avec une priode dchantillonnage T fournit des
chantillons X
n
= X(nT). En communications numriques, les symboles din-
formations X
n
sont transmis (moduls) avec un intervalle de dure constante
= T sparant lmission de deux symboles successifs ; T est appele priode-
symbole.
1.1 Moyenne, stationnarit, ergodicit
Pour ltude des processus temps discret il est important de pouvoir dnir
la notion de moyenne de X
n
. Deux dnitions sont possibles :
La moyenne densemble (aussi appele moyenne spatiale ou esprance) :
E(X
n
) =
_
x dP
X
n
(x)
1
qui porte sur la distribution de probabilit de X
n
. Cette moyenne est d-
terministe (non alatoire), mais dpend en gnral du temps.
La moyenne temporelle
< X >= lim
N
1
2N +1
n=N

n=N
X
n
(moyenne sur le temps, ici temps pass et futur). Cette moyenne est ind-
pendante du temps, mais est en gnral alatoire.
On est souvent amen faire des hypothses sur le processus pour simplier
lutilisation de ces moyennes :
Pour un processus stationnaire (dont les proprits alatoires sont inva-
riantes par translation temporelle), la moyenne densemble =E(X
n
) ne
dpendpas dutemps. Elle nest cependant pas toujours gale la moyenne
temporelle < X >.
Pour unprocessus i.i.d. (symboles X
n
indpendants et identiquement dis-
tribus), qui est ncessairement stationnaire, on a la loi (forte) des grands
nombres (Kolmogorov,1928) :
1
2N+1
n=N

n=N
X
n
p.s. quand N
(convergence presque sre), autrement dit les moyennes densemble et
temporelle concident < X >=E(X
n
) presque srement.
Pour un processus stationnaire ergodique
1
(les vnements invariants par
translation temporelle sont de probabilit nulle ou = 1), on a la loi forte
des grands nombres (Thorme ergodique de Birkhoff,1931) et on peut
donc identier < X >=E(X
n
) p.s.
1.2 Transforme de Fourier
On note {x
n
} une ralisation possible du processus {X
n
}. La transforme de
Fourier temps-discret (TFTD) de {x
n
} est dnie comme une srie de Fourier
X( f ) =

n
x
n
e
2j nf T
Cest une fonction priodique de priode (frquentielle) =
1
T
. On peut retrouver
lchantillon x
n
partir de X( f ) comme le coefcient de la srie de Fourier :
x
n
=T
_
(
1
T
)
X( f )e
2j nf T
d f
1
Cette notion provient de la physique mcanique (ergodique signie conservation de lhamil-
tonien qui reprsente lnergie) et nest utile que pour des processus stationnaires, o il sert
tablir la loi des grands nombres mme pour des symboles dpendants. (Un processus i.i.d. est
trivialement stationnaire ergodique par la loi du tout ou rien de Kolmogorov, 1933).
2
ole symbole (
1
T
) dsigne unintervalle quelconque de longueur
1
T
(savoir lequel
na pas dimportance puisque la fonction intgre est
1
T
-priodique).
La dnition mathmatique prcise de la TFTD est facile pour des rali-
sations sommables (

n
|x
n
| < ), mais ce nest certainement pas le cas dune
ralisation dun processus mme stationnaire (par exemple lorsque les X
n
=1
i.i.d.). La dnition gnrale se fait au sens des distributions pour des suites {x
n
}
tempres ( croissance lente).
1.3 Energie et puissance
Lnergie de {x
n
} est, par dnition, la quantit E =

n
|x
n
|
2
. Si cette nergie
est nie, on a la relation de Plancherel :

n
|x
n
|
2
=T
_
(
1
T
)
|X( f )|
2
d f
qui montre que T|X( f )|
2
est une densit spectrale (=frquentielle) dnergie
(d.s.e.). Lorsque {x
n
} est une ralisation dun processus alatoire, ces notions
dnergie et de densit dnergie sont clairement inadaptes. Dabord, parce
que lnergie est innie en gnral (penser lexemple des X
n
= 1 i.i.d.), et
ensuite parce que |X( f )|
2
est une quantit alatoire dont on ne peut pas faire
grand chose.
Pour ces raisons, on prfre caractriser la puissance (nergie par unit de
temps) du processus, et prendre des valeurs moyennes.
On dit souvent que la puissance instantane de X
n
est |X
n
|
2
. En fait, lors-
quona une rfrence temporelle T (priode-symbole) cette quantit reprsente
(par exemple en communications numriques) lnergie pour un intervalle de
dure =T, et par consquent, la puissance dans cet intervalle est enfait =
1
T
|X
n
|
2
.
Comme cette quantit est alatoire, on tudie sa valeur moyenne. On a vu deux
dnitions possibles de la puissance moyenne :
Moyenne spatiale
1
T
E(|X
n
|
2
)
Moyenne temporelle lim
N
1
2N+1

|n|N
1
T
|X
n
|
2
.
qui concident pour un processus stationnaire ergodique. Dans le cas gnral,
on peut dnir la puissance moyenne comme une double moyenne (spatiale et
temporelle) :
P
moy
=
1
T
lim
N
1
2N +1
E
_

|n|N
|X
n
|
2
_
Cette puissance moyenne nest biendnie dans la mesure ocette limite existe.
Cest toujours le cas pour unprocessus stationnaire car alors E(|X
n
|
2
) ne dpend
pas du temps n et donc
P
moy
=
1
T
E(|X
n
|
2
)
(Onutilise souvent cette formule ensupposant (implicitement) la stationnarit.)
3
1.4 Densit spectrale de puissance
Pour dnir la densit spectrale de puissance (d.s.p.) du processus {X
n
}, on
applique la relation de Plancherel dans la dnition de la puissance moyenne :
P
moy
= lim
N
1
2N +1
E
_
_
(
1
T
)
|X
N
( f )|
2
d f
_
=
_
(
1
T
)
lim
N
1
2N +1
E(|X
N
( f )|
2
) d f
o
X
N
( f ) =

|n|N
X
n
e
2j nf T
est la transforme de Fourier du processus tronqu (N, N). Il vient alors na-
turellement la dnition suivante de la densit spectrale de puissance (d.s.p.) :
S( f ) = lim
N
1
2N +1
E(|X
N
( f )|
2
)
Cette d.s.p. nest bien dnie dans la mesure o cette limite existe. Noter que
dans ce cas, S( f ) est bien positive 0, et reprsente bien une densit spec-
trale (=frquentielle) de puissance puisque quil faut lintgrer sur les frquences
pour obtenir la puissance moyenne :
P
moy
=
_
(
1
T
)
S( f ) d f
Cette formule sera dun intrt pratique considrable pour valuer des puis-
sances moyennes (une fois quon saura calculer la d.s.p. grce au thorme de
Wiener-Khintchine, voir ci-dessous).
La fonction S( f ) sappelle aussi le spectre du processus (on a utilis la lettre
S comme spectre ). Il y a une relation forte avec la notion mathmatique
de spectre (valeurs propres) doprateurs particuliers (comme ceux de noyaux
toeplitziens, lis la notion de ltrage).
1.5 Thorme de Wiener-Khintchine
On se limite dans ce paragraphe aux processus stationnaires, et on cherche
exprimer de faon la plus simple possible le spectre S( f ) en fonction des carac-
tristiques (moments) du processus.
En reportant la dnition de X
N
( f ) dans celle de S( f ), il vient
S( f ) = lim
N
1
2N +1
E(|

|n|N
X
n
e
2j nf T
|
2
)
= lim
N
1
2N +1
E(

|n|N

|m|N
X
n
X

m
e
2j nf T
e
2j mf T
)
= lim
N
1
2N +1

|n|N

|m|N
E(X
n
X

m
)e
2j (nm) f T
4
La quantit E(X
n
X

m
) est un coefcient de corrlation du processus {X
n
}. Si le
processus est stationnaire, ce coefcient reste le mme par translation (n, m)
(n+M, m+M) et donc (faire M =m) ne dpend que de la diffrence nm entre
les deux instants. On dit plus gnralement que le processus est stationnaire
lordre 2 (ou faiblement stationnaire) si on a cette proprit.
Notons
r
k
=E(X
n
X

nk
) (indpendant de n)
le kime coefcient de corrlation de {X
n
} de sorte que E(X
n
X

m
) = r
nm
. On
peut alors faire le changement de variable (m, n) (k =n m, n) dans lexpres-
sion du spectre :
S( f ) = lim
N
1
2N +1

|k|2N
r
k
e
2j k f T

n
1
La somme

1 porte sur les indices n tels que |n| N et |n k| N, ce qui fait
un total de 2N +1|k| indices. Cette somme vaut donc 2N +1|k| :
S( f ) = lim
N

|k|2N
r
k
_
1
|k|
2N+1
_
e
2j k f T
Lorsque les r
k
sont sommables (

k
|r
k
| <) on trouve facilement la limite (par
convergence domine) :
S( f ) =

k=
r
k
e
2j k f T
Ce rsultat, obtenu par Wiener (1930) et Khintchine (1934) montre que la d.s.p.
S( f ) est la transforme de Fourier de la squence de corrlation {r
k
}. Par transfor-
me de Fourier inverse :
r
k
=T
_
(
1
T
)
S( f )e
2j k f T
d f
Noter quon retrouve bien pour k =0 :
P
moy
=
1
T
E(|X
n
|
2
) =
r
0
T
=
_
(
1
T
)
S( f )d f
1.6 Raies spectrales
Le thorme de Wiener-Khintchine nest valable que pour des bons pro-
cessus stationnaires (suite r
k
sommable, qui implique S( f ) continue et borne),
mais onne sarrte pas ces difcults endnissant S( f ) comme tant la trans-
forme de Fourier de la suite {r
k
}. Par lingalit de Cauchy-Schwarz, il est facile
de voir que |r
k
| r
0
, donc la suite r
k
est borne, et S( f ) est toujours bien dni
au sens des distributions pour tout processus (faiblement) stationnaire.
5
Voici un exemple ou on a besoin de la dnition gnrale de S( f ) au sens
des distributions. Supposons que les X
n
soient de moyenne non nulle :
=E(X
n
)
(indpendant du temps n par stationnarit). Les coefcients de covariance du
processus, sont, par dnition :
c
k
=E
_
(X
n
)(X
nk
)

_
.
Ce sont les coefcients de corrlationduprocessus centr {X
n
}. Si onsuppose
que la suite c
n
est sommable, la d.s.p. du processus centr est continue et vaut
S
c
( f ) =

k
c
k
e
2j k f T
par le thorme de Wiener-Khintchine.
Le processus {X
n
} lui mme a pour coefcients de corrlationr
k
=E(X
n
X

nk
)
et on voit facilement en dveloppant la formule donnant c
k
que c
k
= r
k
||
2
.
On peut donc dnir S( f ) comme la transforme de Fourier des r
k
:
S( f ) =

k
r
k
e
2j k f T
=S
c
( f ) +||
2

k
e
2j k f T
Cette d.s.p. nest dnie quau sens des distributions :

k=
e
2j k f T
est la
transforme de Fourier du peigne de Dirac

k
(t kT) (voir ci-dessous la d-
nition de la TF pour des signaux analogiques x(t )), et on montre que cest un
peigne de Dirac en frquence :

k
e
2j k f T
=
1
T

k
( f
k
T
)
(relation de Poisson) qui est bien
1
T
-priodique. Finalement
S( f ) =S
c
( f ) +
||
2
T

k
( f
k
T
)
On interprte cette formule en disant que le spectre du processus admet des
raies spectrales (impulsions de Dirac enfrquence) damplitude
||
2
T
aux frquences
multiples de
1
T
.
La puissance moyenne se retrouve en intgrant sur une priode (
1
T
) :
P
moy
=
_
(
1
T
)
S( f )d f =
_
(
1
T
)
S
c
( f )d f +
||
2
T
=
c
0
+||
2
T
=
r
0
T
comme on sy attendait.
6
1.7 Formule de ltrage
Lorsquun processus stationnaire au second ordre {X
n
} est ltr par un ltre
de rponse impulsionnelle {h
n
} (dterministe !), la sortie du ltre est le proces-
sus donn par le produit de convolution
Y
n
=(X h)
n
=

m
X
m
h
nm
La sortie {Y
n
} est aussi stationnaire au second ordre. Pour le voir, on calcule les
coefcients de corrlation :
E(Y
n
Y

nk
) =E(

p
X
m
X

p
h
nm
h

nkp
)
=

p
r
xx
mp
h
nm
h

nkp
o r
xx
k
est le kime coefcient de corrlation de lentre {X
n
}. On peut faire le
changement de variable l =mp :
E(Y
n
Y

nk
) =

l
r
xx
l

m
h
nm
h

nm+l k
=

l
r
xx
l

m
h
m
h

m+l k
ce qui montre bien que r
y y
k
=E(Y
n
Y

nk
) est indpendant de n.
On en dduit facilement le spectre S
y y
( f ) de la sortie en fonction de celui
S
xx
( f ) de lentre. Notons

h
n
=h

n
(de transforme de Fourier = H

( f )). Alors :
r
y y
k
=

l
r
xx
l
(h

h)
kl
=(r
xx
h

h)
k
La transforme de Fourier transforme produit de convolution en produit :
S
y y
( f ) =S
xx
( f )H( f )

H( f ) =S
xx
( f )H( f )H

( f )
do la formule de ltrage pour les processus stationnaires au second ordre :
S
y y
( f ) =|H( f )|
2
S
xx
( f )
Cette formule est dun intrt pratique considrable pour valuer la puissance
moyenne en sortie dun ltre par la relation
P
y
=
_
(
1
T
)
|H( f )|
2
S
xx
( f ) d f .
Exercice On considre une d.s.p. S( f ) dnie comme la TFTD de la squence
de corrlation {r
k
}. Montrer que r
k
= r

k
et en dduire que S( f ) est toujours
valeurs relles.
Retrouver le fait que S( f ) 0 en utilisant la formule de ltrage lorsque le
processus est ltr par un ltre de rponse frquentielle trs slective en fr-
quence. (Prendre H( f ) =1 pour | f +
k
T
f
0
| < et tout k entier, H( f ) =0 ailleurs,
et montrer que
_
f
0
+
f
0

S( f ) d f 0 puis faire tendre vers zro.)

7
2 Processus alatoire temps continu
Un processus alatoire (=stochastique) temps continu est une fonction
alatoire X(t ) (variable alatoire pour chaque t R) qui reprsente un signal
analogique, par exemple un signal transmis sur un canal en communications
numriques. Lindice t reprsente videmment le temps (continu). Ltude spec-
trale dun tel processus se calque aisment sur le cas discret trait ci-dessus. Je
reprends brivement les notions essentielles :
Deux dnitions de la moyenne sont possibles :
La moyenne densemble (spatiale) :
E(X(t )) =
_
x dP
X
t
(x)
qui est dterministe (non alatoire), mais dpend en gnral du temps.
La moyenne temporelle
< X >= lim
A
1
2A
_
A
A
X(t ) dt
qui est indpendante du temps, mais en gnral alatoire.
Pour un processus stationnaire (dont les proprits alatoires sont invariantes
par translation temporelle), la moyenne densemble =E(X(t )) ne dpend pas
du temps. Si ce processus est ergodique, on peut identier < X >=E(X(t )) p.s.
Onnote x(t ) une ralisationpossible duprocessus X(t ). Pour viter la confu-
sion avec la notation employe pour la transforme de Fourier, le processus
alatoire sera galement not {x(t )} (avec une lettre minuscule).
La transforme de Fourier de x(t ) est
X( f ) =
_

x(t )e
2j f t
On peut retrouver x(t ) partir de X( f ) par la formule dinversion :
x(t ) =
_

X( f )e
2j f t
d f
La dnition gnrale de la transforme de Fourier se fait au sens des distribu-
tions pour des distributions x(t ) tempres.
2.1 Puissance moyenne
Lnergie de x(t ) (en Joules) est, par dnition, la quantit E =
_
|x(t )|
2
dt . Si
cette nergie est nie, on a la relation de Plancherel :
_

|x(t )|
2
dt =
_

|X( f )|
2
d f
qui montre que |X( f )|
2
est une densit spectrale (=frquentielle) dnergie (d.s.e.).
Lorsque x(t ) est une ralisation dun processus alatoire, ces notions dnergie
8
et de densit dnergie sont inadaptes, parce que lnergie est innie en g-
nral, et parce que |X( f )|
2
est une quantit alatoire dont on ne peut pas faire
grand chose. On prfre donc caractriser la puissance (nergie par unit de
temps) du processus, et prendre des valeurs moyennes.
La puissance instantane de x(t ) est |x(t )|
2
. Comme cette quantit est ala-
toire, on tudie sa valeur moyenne :
Moyenne spatiale E(|x(t )|
2
)
Moyenne temporelle lim
A
1
2A
_
A
A
|x(t )|
2
dt .
qui concident pour un processus stationnaire ergodique. Dans le cas gnral,
on peut dnir la puissance moyenne comme une double moyenne (spatiale et
temporelle) :
P
moy
= lim
A
1
2A
E
_
_
A
A
|x(t )|
2
dt
_
Cette puissance moyenne (enWatts) nest biendnie dans la mesure ocette li-
mite existe. Cest toujours le cas pour unprocessus stationnaire car alors E(|x(t )|
2
)
ne dpend pas du temps t et donc
P
moy
=E(|x(t )|
2
)
(Onutilise souvent cette formule ensupposant (implicitement) la stationnarit.)
2.2 Densit spectrale de puissance
Pour dnir la densit spectrale de puissance (d.s.p.) du processus {x(t )}, on
applique la relation de Plancherel dans la dnition de la puissance moyenne :
P
moy
= lim
A
1
2A
E
_
_

|X
A
( f )|
2
d f
_
=
_

lim
A
1
2A
E(|X
A
( f )|
2
) d f
o
X
A
( f ) =
_
A
A
x(t )e
2j f t
dt
est la transforme de Fourier du processus tronqu (A, A). Il vient alors natu-
rellement la dnition suivante de la densit spectrale de puissance (d.s.p.) :
S( f ) = lim
A
1
2A
E(|X
A
( f )|
2
)
Cette d.s.p. nest bien dnie dans la mesure o cette limite existe. Noter que
dans ce cas, S( f ) est bien positive 0, et reprsente bien une densit spec-
trale (=frquentielle) de puissance puisque quil faut lintgrer sur les frquences
pour obtenir la puissance moyenne :
P
moy
=
_

S( f ) d f
9
Cette formule sera dun intrt pratique considrable pour valuer des puis-
sances moyennes. La fonction S( f ) sappelle aussi le spectre du processus (on
a utilis la lettre S comme spectre ).
2.3 Thorme de Wiener-Khintchine
On se limite dans ce paragraphe aux processus stationnaires. En reportant la
dnition de X
A
( f ) dans celle de S( f ), il vient
S( f ) = lim
A
1
2A
E(

_
A
A
x(t )e
2j f t
dt

2
)
= lim
A
1
2A
E(
_
A
A
_
A
A
x(t )x

(u)e
2j f t
e
2j f u
dt du)
= lim
A
1
2A
_
A
A
_
A
A
E(x(t )x

(u))e
2j f (t u)
dt du
La quantit E(x(t )x

(u)) est un coefcient de corrlation du processus {x(t )}. Si

le processus est stationnaire, il reste le mme par translation (t , u) (t +, u +
) et donc ne dpend que de la diffrence t u entre les deux instants. On dit
plus gnralement que le processus est stationnaire lordre 2 (ou faiblement
stationnaire) si on a cette proprit.
Notons
r () =E(x(t )x

(t )) (indpendant de t )
la fonction de corrlation de {x(t )} de sorte que E(x(t )x

(u)) =r (t u). On peut

alors faire le changement de variable (t , u) ( = t u, t ) dans lexpression du
spectre :
S( f ) = lim
A
1
2A
_
2A
2A
r ()e
2j f
_
dt d
Lintgrale
_
dt porte sur les valeurs t tels que |t | A et |t | A, soit un inter-
valle de longueur 2A|| ; cette intgrale vaut donc 2A|| :
S( f ) = lim
A
_
2A
2A
r ()
_
1
||
2A
_
e
2j f
d
Lorsque r () est intgrable (
_
|r ()| < ) on trouve facilement la limite (par
convergence domine) :
S( f ) =
_

r ()e
2j f
d
Ce rsultat, obtenu par Wiener (1930) et Khintchine (1934) montre que la d.s.p.
S( f ) est la transforme de Fourier de la fonction de corrlation r (). Par transfor-
me de Fourier inverse :
r () =
_

S( f )e
2j f
d f
10
Noter quon retrouve bien pour =0 :
P
moy
=E(|x(t )|
2
) =r (0) =
_
S( f )d f
Le thorme de Wiener-Khintchine nest valable que pour des bons proces-
sus stationnaires (fonction r () intgrable, qui implique S( f ) continue et bor-
ne), mais on ne sarrte pas ces difcults en dnissant S( f ) comme tant la
transforme de Fourier de r (). Par lingalit de Cauchy-Schwarz, il est facile de
voir que |r ()| r (0), donc la suite r (t ) est borne (donc tempre), et S( f ) est
toujours bien dni au sens des distributions pour tout processus (faiblement)
stationnaire.
Exercice : Montrer sur un exemple que S( f ) peut prsenter des raies spectrales
(diracs en frquence) pour un processus de moyenne non nulle.
2.4 Bruit blanc
On dit que le processus b(t ) est blanc lorsque son spectre est constant sur
toutes les frquences. La puissance moyenne totale est donc innie, et on carac-
trise les proprits spectrales de ce bruit en dnissant N
0
comme la puissance
par unit de frquence (en Watts par Hertz).
Par tradition, on ne compte la largeur de bande que dans les frquences po-
sitives. Par consquent, un signal bande limite B est tel que son spectre S( f )
est support =(B, B). Pour notre bruit blanc, N
0
est donc dni de telle sorte
que la puissance moyenne du bruit dans une largeur de bande
2
B vaut N
0
B. On
a donc
N
0
B =
_
B
B
S( f )d f
et comme S( f ) est constant, cette constante doit tre
S( f ) =
N
0
2
Par transforme de Fourier inverse, il vient
r () =
N
0
2
( f )
ce qui est en accord avec le fait que la puissance moyenne r (0) est innie, et
montre que deux chantillons de bruit des instants diffrents sont toujours
dcorrls : E(b(t )b(u)) =0 pour t =u.
2
La convention est diffrente dans le cas dun bruit blanc complexe, si celui-ci est dni
comme la reprsentation en bande de base (enveloppe complexe) dun bruit bande troite.
11
2.5 Formule de ltrage
Lorsquun processus stationnaire au second ordre x(t ) est ltr par un ltre
de rponse impulsionnelle h(t ) (dterministe !), la sortie dultre est le processus
donn par le produit de convolution
y(t ) =(x h)(t ) =
_
x(u)h(t u) du
La sortie y(t ) est aussi stationnaire au second ordre. Pour le voir, on calcule la
corrlation :
E(y(t )y

(t )) =E(
__
x(u)x

(v)h(t u)h

(t v) dudv)
=
__
r
xx
(u v)h(t u)h

(t v) dudv
o r
xx
() est la fonction de corrlation de lentre {x(t )}. On peut faire le chan-
gement de variable =u v :
E(y(t )y

(t )) =
_
r
xx
()
_
h(t u)h

(t u +) dud
=
_
r
xx
()
_
h(u)h

(u +) dud
ce qui montre bien que r
y y
() =E(y(t )y

(t )) est indpendant de t .
On en dduit facilement le spectre S
y y
( f ) de la sortie en fonction de celui
S
xx
( f ) de lentre. Notons

h(t ) = h

(t ) (de transforme de Fourier = H

( f )).
Alors :
r
y y
() =
_
r
xx
()(h

h)() =(r
xx
h

h)()
La transforme de Fourier transforme produit de convolution en produit :
S
y y
( f ) =S
xx
( f )H( f )

H( f ) =S
xx
( f )H( f )H

( f )
do la formule de ltrage pour les processus stationnaires au second ordre :
S
y y
( f ) =|H( f )|
2
S
xx
( f )
Cette formule est dun intrt pratique considrable pour valuer la puissance
moyenne en sortie dun ltre par la relation
P
y
=
_
|H( f )|
2
S
xx
( f ) d f .
Exercice On considre une d.s.p. S( f ) dnie comme la transforme de Fou-
rier de la fonction de corrlation r (). Montrer que r () = r

() et en dduire
que S( f ) est toujours valeurs relles. Retrouver le fait que S( f ) 0 en utilisant
la formule de ltrage lorsque le processus est ltr par un ltre de rponse fr-
quentielle trs slective en frquence. (Prendre H( f ) = 1 pour | f f
0
| < , = 0
ailleurs, et montrer que
_
f
0
+
f
0

S( f ) d f 0 puis faire tendre vers zro.)

12
3 Processus alatoire cyclostationnaire
Un processus alatoire {x(t )} est cyclostationnaire si ses proprits alatoires
se rptent priodiquement au cours du temps. A lordre 2, cela signie que la
corrlation
r (, t ) =E(x(t )x

(t ))
est priodique en t : r (, t ) =r (, t +T). Un exemple important (voir ci-dessous)
est le signal modul par une modulationlinaire, T est alors la priode-symbole.
On a vu que la puissance moyenne du processus est dnie par
P
moy
= lim
A
1
2A
E
_
_
A
A
|x(t )|
2
dt
_
= lim
n
1
2nT
_
nT
nT
E(|x(t )|
2
)dt
Comme le processus est cyclostationnaire, E(|x(t )|
2
) = r (0, t ) est priodique de
priode T, et donc
P
moy
=
1
T
_
(T)
E(|x(t )|
2
)dt
o (T) dsigne un intervalle quelconque de priode T. La puissance moyenne
sobtient donc en moyennant E(|x(t )|
2
) sur une priode.
3.1 Extension du thorme de Wiener-Khintchine
Bien quen gnral un processus cyclostationnaire nest pas stationnaire, on
aimerait tendre aux processus cyclostationnaires (ausecondordre) le proprit
de Wiener-Khintchine sur la densit spectrale de puissance, dnie par :
S( f ) = lim
A
1
2A
E(|X
nT
( f )|
2
) = lim
n
1
2nT
E(|X
nT
( f )|
2
)
En reportant la dnition de X
nT
( f ) dans celle de S( f ), il vient (mme calcul
que ci-dessus pour les processus stationnaires) :
S( f ) = lim
n
1
2nT
_
nT
nT
_
nT
nT
E(x(t )x

(u))e
2j f (t u)
dt du
On peut alors faire le changement de variable (t , u) ( = t u, t ) en notant
r (, t ) =E(x(t )x

(t )) (priodique en t ) :
S( f ) = lim
n
1
2nT
_
2nT
2nT
e
2j f
_
I
r (, t )dt d
Lintgrale en t porte sur un intervalle de longueur 2nT ||. Si (k 1)T || <
kT, cet intervalle contient 2nk priodes (mais pas 2nk +1) et on peut crire
_
I
r (, t )dt =(2n k)
_
(T)
r (, t )dt +R
13
o le reste R est born par :
|R|
_
(T)
|r (, t )|dt .
Dnissons la fonctionde corrlationduprocessus cyclostationnaire par la moyenne
sur une priode :
r () =
1
T
_
(T)
r (, t )dt =
1
T
_
(T)
E(x(t )x

(t ))dt
Enparticulier P
moy
=r (0). Enreportant dans lexpressionde la d.s.p., ontrouve :
S( f ) = lim
n
_
2nT
2nT
e
2j f
_
_
1

T
T
2n
_
r () +
R
2nT
_
d
Si
_
(T)
|r (, t )|dt , et donc r (), est intgrable, le reste R est born par une fonction
intgrable : |R|
_
(T)
|r (, t )|dt , et par convergence domine :
S( f ) =
_

r ()e
2j f
d
Le thorme de Wiener-Khintchine reste donc valable pour les processus cy-
clostationnaires, condition de moyenner des corrlations sur une priode : la
d.s.p. S( f ) est la transforme de Fourier de la fonction de corrlation r (). Par
transforme de Fourier inverse :
r () =
_

S( f )e
2j f
d f
Noter quon retrouve bien pour =0 :
P
moy
=
1
T
_
(T)
E(|x(t )|
2
)dt =r (0) =
_
S( f )d f
3.2 Stationnarisation par dphasage alatoire
Une approche pour calculer le spectre dunprocessus cyclostationnaire {x(t )}
est de dnir
x

(t ) =x(t +)
o est une phase alatoire, indpendante de x(t ), qui suit une distribution de
probabilit uniforme p() =
1
T
dans un intervalle de longueur T. Cela revient
gommer la rfrence temporelle (origine des temps) sur {x(t )}. On constate alors
que le processus {x

(t )} est stationnaire au second ordre : En effet, la moyenne

densemble tant effectue aussi sur la phase , on a :
E(x(t +)x

(t +)) =
_
(T)
E(x(t +)x

(t +))p()d
=
1
T
_
(T)
E(x(t )x

(t ))dt
14
qui ne dpend que de . Ainsi la fonction de corrlation du processus {x

(t )} =
{x(t +)} sidentie la dnition prcdente de r () obtenue en moyennant
E(x(t )x

(t )) sur une priode.

Ce procd de dphasage alatoire est un peu articiel, mais pratique. Par
exemple, il est clair, par le thorme de Wiener-Khintchine, que le spectre du
processus stationnaris {x

(t )} est la transforme de Fourier de la fonction dau-

tocorrlation moyenne r (). Cependant cette approche seule ne permet pas de
montrer que ce spectre sidentie au spectre du processus cyclostationnaire {x
n
}
suivant la dnition gnrale quon a donne. Cela ressort du calcul fait dans le
paragraphe prcdent.
3.3 Exemple : modulation linaire
Une modulation linaire consiste associer une suite de symboles {a
n
} un
signal tel que chaque symbole dinformation a
n
est mis linstant t =nT, port
par la forme donde h(t nT). Par superposition linaire le signal modul (mis
dans un canal de transmission) est
x(t ) =

n
a
n
h(t nT)
Encommunications numriques, la suite de symboles est modlise par unpro-
cessus alatoire stationnaire temps-discret {A
n
} dont la suite {a
n
} est une ra-
lisation. Le signal modul x(t ) peut donc ce voir comme un processus alatoire
temps continu x(t ) =

n
A
n
h(t nT) dont on cherche calculer le spectre
S
xx
( f ).
La formule donnant x(t ) est une sorte de produit de convolution qui m-
lange les cas discret et continu. Si on chantillonne x(t ), on obtient un produit
de convolution x(mT) =

n
A
n
h((mn)T) qui est le rsultat dune ltrage du
processus stationnaire {A
n
}. Par la formule de ltrage, il admet donc une d.s.p.
gale |H( f )|
2
S
aa
( f ), o S
aa
( f ) dsigne la d.s.p. des symboles {A
n
} et o H( f )
est la TFTD de la suite h(nT). Mais cette formule ne donne pas le spectre du
processus temps continu {x(t )}, seulement celui de ses chantillons.
Par ailleurs, on peut voir x(t ) comme un produit de convolution temps-
continu :
x(t ) =

n
a
n
(t nT) h(t ) =a h(t )
o a(t ) =

n
a
n
(t nT) est untraindimpulsions de Dirac portant les symboles.
Ainsi x(t ) rsulte du ltrage de rponse impulsionnelle h(t ) appliqu a(t ). Si
maintenant on applique la formule de ltrage on aurait S
xx
( f ) =|H( f )|
2
S

aa
( f )
o S

aa
( f ) dsigne la d.s.p. du processus {a(t )} (et non du processus temps
discret {A
n
}).
Cependant cette denire formule nest pas applicable puisque ni {a(t )}, ni
15
{x(t )} ne sont stationnaires. En effet, la corrlation
E(x(t )x

(t )) =E
_
n
a
n
h(t nT)

m
a

m
h

(t mT )
_
=

m
E(a
n
a

m
)h(t nT)h

(t mT )
=

k
r
aa
k

n
h(t nT)h

(t nT +kT )
dpend du temps t . Par contre, elle est priodique en t de priode T, ce qui
montre que le processus {x(t )} est cyclostationnaire. On doit donc pouvoir cal-
culer le spectre S
xx
( f ) grce authorme de Wiener-Khintchine tenduaux pro-
cessus cyclostationnaires.
3.4 Formule de Bennett
La fonction de corrlation du processus cyclostationnaire x(t ) =

n
A
n
h(t
nT) est dnie par la moyenne sur une priode :
r () =
1
T
_
(T)
E(x(t )x

(t )) dt
=
1
T

k
r
aa
k

n
_
T
0
h(t nT)h

(t nT +kT ) dt
=
1
T

k
r
aa
k

n
_
(n+1)T
nT
h(t )h

(t +kT ) dt
=
1
T

k
r
aa
k
_

h(t )h

(t +kT ) dt
Notons

h(t ) =h

(t ) (de transforme de Fourier = H

( f )). Alors :
r () =
1
T

k
r
aa
k
(h

h)(kT)
Daprs le thorme de Wiener-Khintchine tendu aux processus cyclostation-
naires, le spectre S
xx
( f ) est la tranforme de Fourier de r () :
S
xx
( f ) =
_
1
T

k
r
aa
k
(h

h)(kT)e
2j f
d
=
1
T

k
r
aa
k
e
2j k f T
_
(h

h)(kT)e
2j f (kT)
d
=
1
T

k
r
aa
k
e
2j k f T

_
(h

h)(t )e
2j f t
dt
On reconnat la d.s.p. des symboles :
S
aa
( f ) =

k
r
aa
k
e
2j k f T
16
et le deuxime facteur est la transforme de Fourier du produit de convolution
h

h(t ), cest dire le produit H( f )H

( f ) = |H( f )|
2
. Finalement le spectre du
signal modul est donn par la formule :
S
xx
( f ) =
1
T
|H( f )|
2
S
aa
( f )
quon appelle parfois formule de Bennett (1958).
Noter que le spectre des symboles S
aa
( f ) peut prsenter des raies spectrales
(voir ci-dessus) :
S
aa
( f ) =S
c
aa
( f ) +
||
2
T

k
( f
k
T
)
lorsque ces symboles sont de moyenne =0. Dans ce cas la formule de Bennett
devient :
S
xx
( f ) =
1
T
|H( f )|
2
S
c
aa
( f ) +
||
2
T
2

k
|H(
k
T
)|
2
( f
k
T
)
Le choix du ltre H( f ) permet dattnuer voire de supprimer des raies spectrales
lorsque H(
k
T
) =0.
3.5 Puissance moyenne dmission
La formule de Bennet est dun trs grand intrt pratique : elle permet de
dterminer la puissance moyenne dmission
P
moy
=
1
T
_
|H( f )|
2
S
aa
( f ) d f
quil serait difcile de dterminer directement en partant de lexpression tem-
porelle x(t ) =

n
a
n
h(t nT) et en calculant r (0) =
1
T
_
(T)
E(|x(t )|
2
)dt .
Si, comme cest souvent le cas, on suppose les symboles A
n
i.i.d. centrs de
puissance moyenne

2
a
T
=
E(|A
n
|
2
)
T
, alors on a immdiatement S
aa
( f ) = E(|A
n
|
2
)
et
P
moy
=
E(|A
n
|
2
)
T
_
|H( f )|
2
d f =
E(|A
n
|
2
)
T
_
|h(t )|
2
dt
par la relationde Plancherel. Cela revient dire que la puissance moyenne mise
est gale lnergie moyenne de la forme donde A
n
h(t nT) qui porte un sym-
bole, rapporte la priode T :
P
moy
=
1
T
E
_
|A
n
h(t nT)|
2
dt
On retient souvent cette rgle pour calculer simplement la puissance moyenne
mise.
Si les symboles sont i.i.d. mais de moyenne =0, alors S
c
aa
( f ) =
2
a
=E(|A
n
|
2
)
||
2
et la formule de Bennett donne
S
xx
( f ) =
E(|A
n
|
2
) ||
2
T
|H( f )|
2
+
||
2
T
2

k
|H(
k
T
)|
2
( f
k
T
)
17
Une partie
||
2
T
de la puissance moyenne
E(|A
n
|
2
)
T
par symbole est redistribue sur
des raies spectrales. En intgrant :
P
moy
=
E(|A
n
|
2
) ||
2
T
_
|h(t )|
2
dt +
||
2
T
2

k
|H(
k
T
)|
2
Exercice Enutilisant la relationde Poisson

k
e
2j kt /T
=T

k
(t kT), mon-
trer que

k
|H(
k
T
)|
2
=T

k
r (kT)
o on a not r (t ) =h(t )

h(t ). Montrer que r (0) =
_
|h(t )|
2
dt et en dduire
P
moy
=
E(|A
n
|
2
)
T
_
|h(t )|
2
dt +
||
2
T

k=0
r (kT)
Que se passe-t-il si r (kT) = 0 pour k = 0 ? Retrouver ce rsultat directement
laide du critre de Nyquist sur R( f ) =|H( f |
2
.
18
Cadre priv } sans modications
Par le tlchargement ou la consultation de ce document, lutilisateur accepte la licence dutilisation qui y est
attache, telle que dtaille dans les dispositions suivantes, et sengage la respecter intgralement.
La licence confre lutilisateur un droit dusage sur le document consult ou tlcharg, totalement ou en partie, dans
les conditions dnies ci-aprs, et lexclusion de toute utilisation commerciale.
Le droit dusage dni par la licence est limit un usage dans un cadre exclusivement priv. Ce droit comprend :
le droit de reproduire le document pour stockage aux ns de reprsentation sur un terminal informatique unique,
le droit de reproduire le document en un exemplaire, pour copie de sauvegarde ou impression papier.
Aucune modication du document dans son contenu, sa forme ou sa prsentation, ni aucune redistribution en tout ou
partie, sous quelque forme et support que ce soit et notamment par mise en rseau, ne sont autorises.
Les mentions relatives la source du document et/ou son auteur doivent tre conserves dans leur intgralit.
Le droit dusage dni par la licence est personnel, non exclusif et non transmissible. Tout autre usage que ceux pr-
vus par la licence est soumis autorisation pralable et expresse de lauteur : sitepedago@enst.fr