Tds Udm Nov2011c

Haute Ecole d'Ingnierie et de Gestion du Canton de Vaud
Traitement des Signaux

UdM - novembre 2011
Prof. Freddy Mudry
"La science, son got est amer au dbut mais la fin, plus doux que le miel"
(Plat dcor pigraphique XI-XIIme sicle, Iran ou Transoxiane Le Louvre - Arts de l'Islam)
Informations concernant le cours de
Traitements des Signaux

Prof. F. Mudry UdM / FST novembre 2011
` lissue de ce cours, l Objectifs A etudiant sera en mesure de : 1. Ma triser les s eries de Fourier : repr esentations spectrales et calcul de la puissance. 2. Analyser et mettre en pratique les relations temps-fr equence dans le cadre de lanalyse spectrale. 3. D ecrire di erents types de signaux et expliquer leurs fonctions de corr elation ainsi que leurs densit es spectrales de puissance. valuer les eets de l 4. E echantillonnage et de la quantication. valuer et calculer le comportement dun syst` 5. E eme num erique dans les domaines temporel et fr equentiel.. ` lissue des quatre s A eances de travaux pratiques en laboratoire, l etudiant sera en outre capable de : 1. Ma triser un outil de programmation tel que Matlab. 2. Synth etiser et analyser des signaux. 3. Visualiser, d ecrire et analyser le spectre dun signal quelconque. 4. Programmer un ltre num erique et illustrer son comportement. crire en ligne un rapport succint mais complet de son travail. 5. E Remarques 1. Le temps accord e pour les expos es et exercices du cours TdS est de 46 p eriodes r eparties sur cinq semaines. Il est bien clair que le programme propos e ci-apr` es constitue une ligne directrice et que le rythme du cours peut etre l eg` erement modi e selon les circonstances. 2. Dans la mesure du possible, les cours et exercices sont donn es en alternance durant deux p eriodes. 3. Les corrig es dexercices sont donn es dans un fascicule ` a part. An dapprendre ` a r esoudre les exercices propos es de mani` ere personnelle et ind ependante, celui-ci ne devrait pas etre consult e pendant les s eances dexercices. 4. Les tests ecrits sont constitu es de probl` emes similaires ` a ceux propos es comme exercices. Le seul document autoris e pour les TE est le formulaire TdS remis en annexe du polycopi e. 5. Lexamen de n dunit e TdS se fera sous forme ecrite et durera deux heures.
Sem 1
Projet de programme ` a raison de 30hCM, 12hTD, 4hTE et 16hTP Dates Cours Sujets NH CM TDE 31 oct CM S eries de Fourier 2 2 CM S eries de Fourier 2 4 CM Transformation de Fourier 2 6 TD 3 3 7 nov CM Analyse spectrale 2 8 CM Analyse spectrale 2 10 CM Signaux et corr elation 2 12 TD 3 6 TP1 Synth` ese et analyse des SP 4 14 nov CM Signaux et corr elation 2 14 chantillonnage CM E 2 16 chantillonnage CM 2 18 E TD 3 9 TE1 2 11 TP2 Num erisation des signaux 4 5 d ec CM Signaux num eriques 2 20 CM Signaux num eriques 2 22 CM R eponses temporelles 2 24 TD 3 14 TP3 R ealisation de ltres num eriques 4 12 d ec CM R eponses fr equentielles 2 26 CM Filtres num eriques 2 28 CM TD 2 30 TE2 2 16 TP4 Phonocardiogramme 4 Examen 4
Bibliographie g en erale
Traitement des signaux 1. B.P. Lathi : Signal Processing and Linear Systems, Berkeley-Cambridge Press, 1998 2. B.P. Lathi : Linear Systems and Signals, Berkeley-Cambridge Press, 1992 3. F. de Coulon : Th eorie et traitement des signaux, PPR, 1984 4. A. Spataru : Fondements de la th eorie de la transmission de linformation, PPR, 1987 5. A.V. Oppenheim, A.S. Willsky : Signals and Systems, Prentice-Hall, 1983
Traitement num erique des signaux 1. B. Porat : A Course in Digital Signal Processing, J. Wiley, 1997 2. J.H. McClellan, R.W. Schafer, M.A. Yoder : DSP First, Prentice Hall, 1999 3. J.G. Proakis, D.G. Manolakis : Digital Signal Processing, MacMillan, 2` eme edition, 1992 4. C.S. Burrus et al. : Computer-Based Exercises for Signal Processing, PrenticeHall, 1994 5. V.K. Ingle, J.G. Proakis : Digital Signal Processing Using MatLab, PWS, 1997 6. E.C. Ifeachor, B.W. Jervis : Digital Signal Processing, Addison-Wesley, 1993
Filtres analogiques et num eriques 1. M. Labarr` ere et al. : Le ltrage et ses applications, Cepadues Editions, 1982 2. R. Bo te, H. Leich : Les ltres num eriques, Masson, 1980 3. R. Miquel : Le ltrage num erique par microprocesseurs, Editests, 1985 4. H. Lam : Analog and Digital Filters, Prentice Hall, 1979 5. T.W. Parks, C.S. Burrus : Digital Filter Design, J. Wiley, 1987 6. Ch.S. Williams : Designing Digital Filters, Prentice-Hall, 1986
Analyse spectrale num erique 1. Hewlett-Packard : The Fundamentals of Signal Analysis, Application Note 243, 1981 2. R.B. Randall : Frequency Analysis, Bru el-Kjaer, 1987 3. C.S. Burrus, T.W. Parks : DFT / FFT and convolution algorithms, J. Wiley, 1985 4. R.W. Ramirez : The FFT Fundamentals and Concepts, Prentice-Hall, 1985
iv
Traitement de la parole 1. R. Boite et all : Traitement de la parole, PPUR, 2000 2. Deller, Proakis, Hansen : Discrete Time Processing of Speech Signals, Macmillan, 1993 3. S. Saito, K. Nakata : Fundamentals of Speech Signal Processing, Academic Press, 1985 4. L.R. Rabiner, R.W. Schafer : Digital Signal Processing of Speech, PrenticeHall, 1978 Pour le plaisir des yeux et de lesprit 1. Warusfel Andr e : Les nombres et leurs myst` eres, Seuil 1961 2. Stewart Ian : Does God Play Dice ? the new mathematics of chaos, Penguin, 1989 3. Stewart Ian : Dieu joue-t-il aux d es ? les nouvelles math ematiques du chaos, Flammarion, 1993 4. Dunham William : Euler, the master of us all, The Mathematical Association of America, 1999 5. Maor Eli : To Innity and Beyond : a cultural history of the innity, Birkh auser, 1986 6. Klein Etienne : Il etait sept fois la r evolution - Albert Einstein et les autres, Flammarion, 2005 7. Klein Etienne : La physique quantique, Dominos Flammarion, 1996 8. Hawking Stephen : Une br` eve histoire du temps, Flammarion, 1988 9. Reeves Hubert : Malicorne : r eexions dun observateur de la nature, Seuil, 1990 10. ThuanTrinh Xuan : Le chaos et lharmonie : la fabrication du r eel, folio essais, Gallimard, 1998 11. Davis Ph.J, Hersh R. : Lunivers math ematique, Bordas 1985 12. Ekeland Ivan : Le Calcul, lImpr evu : les gures du temps de Kepler ` a Thom, Seuil, 1984 13. Conway John : The Book of Numbers, Copernicus, 1996 14. Fivaz Roland : Lordre et la volupt e, PPR 1989 15. Lesieur Marcel : La turbulence, Grenoble PUG 1994
Quelques adresses Internet

D emonstrations interactives 1. http ://www.jhu.edu/signals/ 2. http ://image-1.rose-hulman.edu/yoder/bookcd/visible/contents/cover.htm 3. http ://www.engin.umich.edu/group/ctm/home.text.htm
Livre et divers 1. http ://www.dspguide.com/pdfbook.htm 2. http ://www.redcedar.com/learndsp.htm 3. http ://www.dspguru.com/info/tutor/other.htm Logiciels gratuits 1. http ://www.sysquake.com 2. http ://www.dspguru.com/sw/opendsp/mathclo.htm 3. http ://www-rocq.inria.fr/scilab/scilab.htm
vi
vii
Table des mati` eres

tude des signaux analogiques E
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
I.
1
3 3 3 4 4 7 8 9 9 11 11 13 13 16 16 18 20 20 20 22 22 25 25 25 26 27 27 29 31 31 34 34 37
1. Analyse des signaux p eriodiques 1.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Deux repr esentations pour un seul signal . . . . . . . . . 1.3. S eries de Fourier . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. D enition de la s erie de Fourier . . . . . . . . . . . 1.3.2. S erie de Fourier en cosinus . . . . . . . . . . . . . . 1.3.3. S erie de Fourier complexe . . . . . . . . . . . . . . 1.3.4. Relations entre les trois repr esentations de Fourier 1.4. Th eor` eme de la puissance ou de Parseval . . . . . . . . . . 1.5. Spectres damplitudes et de phases . . . . . . . . . . . . . 1.5.1. Spectres unilat eraux et bilat eraux . . . . . . . . . . 1.5.2. Coecients spectraux et sym etries des signaux . . 1.5.3. Exemple de repr esentations spectrales dun signal 1.6. Suite dimpulsions . . . . . . . . . . . . . . . . . . . . . . 1.6.1. Suite dimpulsions rectangulaires . . . . . . . . . . 1.6.2. Suite dimpulsions triangulaires . . . . . . . . . . . 1.6.3. Suite dexponentielles d ecroissantes . . . . . . . . . 1.7. Reconstruction des signaux . . . . . . . . . . . . . . . . . 1.7.1. Synth` ese dun signal . . . . . . . . . . . . . . . . . 1.7.2. Ph enom` ene de Gibbs . . . . . . . . . . . . . . . . . 1.7.3. Importance de la phase . . . . . . . . . . . . . . . 1.8. Quelques th eor` emes utiles . . . . . . . . . . . . . . . . . . 1.8.1. D ecalage temporel . . . . . . . . . . . . . . . . . . 1.8.2. Modulation damplitude . . . . . . . . . . . . . . . 1.8.3. Rotation autour de lordonn ee . . . . . . . . . . . . 1.9. Calcul de quelques spectres . . . . . . . . . . . . . . . . . 1.9.1. Suite dimpulsions composites . . . . . . . . . . . . 1.9.2. SIR d ecal ee . . . . . . . . . . . . . . . . . . . . . . 1.10. R eponse dun syst` eme lin eaire . . . . . . . . . . . . . . . . 1.10.1. Analyse de la r eponse dun ltre passe-bas . . . . . 1.11. R eponse dun syst` eme non-lin eaire . . . . . . . . . . . . . 1.11.1. Distorsion due ` a une diode . . . . . . . . . . . . . . 1.12. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . .
ix
Table des mati` eres 2. Analyse des signaux non p eriodiques 2.1. Transformation de Fourier . . . . . . . . . . . . . . . . . 2.1.1. Passage de la s erie ` a la transformation de Fourier 2.1.2. TF directe et inverse . . . . . . . . . . . . . . . . nergie dun signal non permanent . . . . . . . . 2.1.3. E 2.1.4. Propri et es de la transformation de Fourier . . . . 2.2. Exemples de spectres continus . . . . . . . . . . . . . . . 2.2.1. Spectre dune impulsion rectangulaire . . . . . . 2.2.2. Spectres dun sinus amorti . . . . . . . . . . . . 2.2.3. Spectres de deux impulsions rectangulaires . . . 2.3. Calcul de quelques transform ees . . . . . . . . . . . . . . 2.3.1. Exponentielle d ecroissante . . . . . . . . . . . . . 2.3.2. Exponentielle d ecroissante sym etrique . . . . . . 2.3.3. Signal constant unit e. . . . . . . . . . . . . . . . 2.3.4. Saut unit e. . . . . . . . . . . . . . . . . . . . . . 2.3.5. Phaseur . . . . . . . . . . . . . . . . . . . . . . . 2.3.6. Signal sinuso dal . . . . . . . . . . . . . . . . . . 2.3.7. Impulsion sinuso dale . . . . . . . . . . . . . . . . 2.4. Quelques conclusions . . . . . . . . . . . . . . . . . . . . 2.4.1. TF des signaux p eriodiques . . . . . . . . . . . . 2.4.2. Relations avec la transformation de Laplace . . . 2.5. Extension de la transformation de Fourier . . . . . . . . 2.6. Table illustr ee de quelques transform ees de Fourier [2] . . 2.7. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . 49 49 49 51 52 52 52 52 54 57 58 58 59 59 60 60 62 62 64 64 64 65 70 73 83 83 84 84 86 87 87 90 90 91 91 92 92 93 95 97 97 97 98 98 100
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . .
l 3. E ements danalyse spectrale num erique 3.1. Passage de la TF ` a la TFD . . . . . . . . . . . . . . . . . . . 3.1.1. Signaux continus non-p eriodiques (TF) . . . . . . . 3.1.2. Signaux discrets de dur ee innie (TFi) . . . . . . . . 3.1.3. Signaux discrets de dur ee nie (TFf) . . . . . . . . . 3.1.4. Discr etisation de la fr equence (TFD) . . . . . . . . . 3.2. Relations temps-fr equence . . . . . . . . . . . . . . . . . . . . 3.2.1. Analyse spectrale avec Matlab . . . . . . . . . . . . . . 3.2.2. Pulsation normalis ee . . . . . . . . . . . . . . . . . . . 3.3. Transformation de Fourier discr` ete . . . . . . . . . . . . . . . 3.3.1. D enition de la TFD . . . . . . . . . . . . . . . . . . 3.3.2. TFD dun signal p eriodique . . . . . . . . . . . . . . . 3.3.3. TFD et FFT . . . . . . . . . . . . . . . . . . . . . . . 3.4. Relations entre les domaines analogique et num erique . . . . . 3.4.1. Calcul et analyse dune TFD . . . . . . . . . . . . . . 3.5. Spectre dune sinuso de . . . . . . . . . . . . . . . . . . . . . . 3.5.1. Le nombre de p eriodes enregistr ees est un entier . . . . 3.5.2. Le nombre de p eriodes enregistr ees nest pas un entier 3.6. Fen etres dobservation . . . . . . . . . . . . . . . . . . . . . . 3.6.1. Quatre fen etres usuelles . . . . . . . . . . . . . . . . . 3.6.2. Eet dune fen etre . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Table des mati` eres 3.6.3. Choix dune fen etre . . . . . . . . . . . . . 3.6.4. Fen etrage et traitement dimages . . . . . . 3.7. Exemple 1 : analyse spectrale el ementaire . . . . . 3.8. Exemple 2 : reconstruction dun signal . . . . . . . 3.9. Exemple 3 : analyse spectrale d etaill ee . . . . . . . 3.9.1. Donn ees . . . . . . . . . . . . . . . . . . . . 3.9.2. Signal temporel . . . . . . . . . . . . . . . . 3.9.3. Param` etres dacquisition . . . . . . . . . . . 3.9.4. Analyse spectrale . . . . . . . . . . . . . . . 3.9.5. Estimation des amplitudes . . . . . . . . . . 3.9.6. D etail du calcul des signaux et des spectres 3.10. Exercices . . . . . . . . . . . . . . . . . . . . . . . 4. Description et comparaison des signaux 4.1. Classication des signaux . . . . . . . . . . . . 4.1.1. Classication ph enom enologique . . . . nergie et puissance des signaux . . . . 4.1.2. E 4.1.3. Signaux num eris es . . . . . . . . . . . . 4.2. Quatre signaux types . . . . . . . . . . . . . . . 4.2.1. Signaux d eterministes temporaires . . . 4.2.2. Signaux permanents p eriodiques . . . . 4.2.3. Signaux permanents al eatoires . . . . . . 4.2.4. Signaux permanents quasi-p eriodiques . 4.3. Comparaison des signaux . . . . . . . . . . . . 4.3.1. Corr elation de signaux ` a energie nie . . 4.3.2. Corr elation de signaux ` a puissance nie 4.4. Propri et es et calcul num erique . . . . . . . . . . 4.4.1. Propri et es de lautocorr elation . . . . . . 4.4.2. Exemples dautocorr elation . . . . . . . 4.4.3. Propri et es de lintercorr elation . . . . . 4.4.4. Calcul num erique de la corr elation . . . 4.5. Rapport signal sur bruit (SNR) . . . . . . . . . 4.6. Trois applications de la corr elation . . . . . . . 4.6.1. Le radar . . . . . . . . . . . . . . . . . . 4.6.2. La mesure dun d ebit . . . . . . . . . . . 4.6.3. La mesure du rythme cardiaque . . . . . 4.7. Description des signaux al eatoires . . . . . . . 4.7.1. Tension equivalente de bruit . . . . . . . 4.8. Syst` emes lin eaires et densit es spectrales . . . . 4.8.1. Signaux ` a energie nie . . . . . . . . . . 4.8.2. Signaux ` a puissance nie . . . . . . . . . 4.9. Signaux, spectres et statistique . . . . . . . . . 4.10. Quelques exemples . . . . . . . . . . . . . . . . 4.11. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 102 103 106 108 108 109 109 110 113 114 118 125 125 125 126 128 128 130 131 132 132 132 133 135 137 137 138 139 141 142 143 143 144 147 148 152 153 153 154 154 157 161
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
tude des signaux et syst` II. E emes num eriques

chantillonnage et reconstruction des signaux analogiques 5. E 5.1. Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2. Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . 5.2.1. Types de signaux . . . . . . . . . . . . . . . . . . 5.2.2. Quantication dun signal : exemple . . . . . . . . chantillonnage des signaux analogiques . . . . . . 5.2.3. E 5.3. Analyse fr equentielle . . . . . . . . . . . . . . . . . . . . . 5.3.1. Spectre dun peigne de Dirac . . . . . . . . . . . . 5.3.2. Spectre dun signal echantillonn e . . . . . . . . . . 5.4. Recouvrement spectral . . . . . . . . . . . . . . . . . . . 5.4.1. Quelques exemples . . . . . . . . . . . . . . . . . . 5.5. Th eor` eme de l echantillonnage . . . . . . . . . . . . . . . . 5.5.1. Filtre antirecouvrement . . . . . . . . . . . . . . . 5.5.2. Exemple . . . . . . . . . . . . . . . . . . . . . . . . 5.6. Quantication dun signal echantillonn e . . . . . . . . . . 5.6.1. Quantication uniforme . . . . . . . . . . . . . . . 5.6.2. Bruit de quantication . . . . . . . . . . . . . . . 5.6.3. Rapport signal sur bruit . . . . . . . . . . . . . . 5.6.4. SNR de quelques signaux . . . . . . . . . . . . . . 5.6.5. Non lin earit e du convertisseur . . . . . . . . . . . . 5.6.6. Conclusion . . . . . . . . . . . . . . . . . . . . . . 5.7. Choix dun ltre et de la fr equence d echantillonnage . . . 5.8. Reconstruction du signal . . . . . . . . . . . . . . . . . . 5.8.1. Convertisseur NA . . . . . . . . . . . . . . . . . . 5.8.2. Interpolateur id eal . . . . . . . . . . . . . . . . . . 5.8.3. R eponses impulsionnelle et fr equentielle dun CNA 5.8.4. Filtre de reconstruction ou de lissage . . . . . . . . 5.9. Analyse qualitative dune cha ne A-N N-A . . . . . . . . 5.9.1. Echantillonnage sans ltre antirecouvrement . . . . chantillonnage avec ltre antirecouvrement . . . . 5.9.2. E 5.9.3. Eet du convertisseur NA . . . . . . . . . . . . . 5.9.4. Reconstruction du signal analogique . . . . . . . . 5.9.5. Correcteur damplitude . . . . . . . . . . . . . . . 5.10. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Description des signaux et syst` emes num eriques 6.1. Signaux num eriques . . . . . . . . . . . . . . . . . 6.1.1. Quelques signaux fondamentaux . . . . . . 6.1.2. P eriodicit e des signaux num eriques . . . . . 6.2. Syst` emes num eriques . . . . . . . . . . . . . . . . . 6.2.1. Exemples de syst` eme num eriques . . . . . . 6.2.2. Sch ema fonctionnel dun syst` eme num erique 6.2.3. Propri et es des syst` emes . . . . . . . . . . . 6.2.4. Interconnexions des syst` emes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
169
171 . 171 . 172 . 172 . 173 . 174 . 175 . 176 . 177 . 177 . 180 . 187 . 188 . 188 . 190 . 190 . 191 . 193 . 193 . 195 . 196 . 197 . 199 . 199 . 200 . 201 . 203 . 203 . 203 . 203 . 203 . 206 . 206 . 207 213 . 213 . 214 . 215 . 217 . 217 . 220 . 220 . 224
. . . . .
. . . . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
. . . . . . . .
xii
Table des mati` eres 6.2.5. Conclusions . . . . . . . . . . . . . . . . . . 6.3. R eponse impulsionnelle et produit de convolution . 6.3.1. Syst` emes causaux . . . . . . . . . . . . . . . 6.3.2. R ealisation dun produit convolution . . . . 6.3.3. Une application : linterpolation num erique 6.4. Syst` emes d ecrits par des equations r ecursives . . . . 6.4.1. Quelques exemples . . . . . . . . . . . . . . 6.5. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 225 227 228 231 232 235 237
7. R eponses des syst` emes num eriques 7.1. R eponse temporelle des syst` emes lin eaires . . . . . . . . 7.1.1. R esolution dune equation r ecursive . . . . . . . . 7.1.2. Solution de l equation homog` ene . . . . . . . . . 7.1.3. Solution particuli` ere . . . . . . . . . . . . . . . . 7.1.4. Solution g en erale . . . . . . . . . . . . . . . . . . 7.1.5. G en eralisation . . . . . . . . . . . . . . . . . . . 7.2. Stabilit e des syst` emes num eriques . . . . . . . . . . . . . 7.3. Instants caract eristiques . . . . . . . . . . . . . . . . . . 7.4. Transformation en z . . . . . . . . . . . . . . . . . . . . 7.4.1. D enition . . . . . . . . . . . . . . . . . . . . . . 7.4.2. Calcul de quelques transform ees . . . . . . . . . . 7.4.3. Quelques propri et es de la transformation en z . . 7.4.4. Equation aux di erences et fonction de transfert . 7.5. R eponse fr equentielle des syst` emes LTI . . . . . . . . . . 7.5.1. Fonction de transfert et r eponse fr equentielle . . 7.5.2. P oles, z eros et r eponse fr equentielle . . . . . . . . 7.5.3. TFD et r eponse fr equentielle . . . . . . . . . . . 7.6. Calcul et tra cage de quelques r eponses fr equentielles . . . 7.6.1. Moyenneur non causal . . . . . . . . . . . . . . . 7.6.2. Moyenneur causal . . . . . . . . . . . . . . . . . 7.6.3. Filtre passe-bas dordre 1 . . . . . . . . . . . . . 7.6.4. Filtre passe-bas dordre 2 . . . . . . . . . . . . . 7.7. Analyse et r ealisation dun ltre . . . . . . . . . . . . . . 7.7.1. Calcul de la r eponse temporelle du ltre . . . . . 7.7.2. Calcul de la r eponse fr equentielle . . . . . . . . . 7.7.3. Comment r ealiser ce ltre ? . . . . . . . . . . . . 7.8. Classication des syst` emes num eriques . . . . . . . . . . 7.8.1. Syst` emes non r ecursifs (dits RIF, FIR ou MA) . . 7.8.2. Syst` emes r ecursifs (dits RII, IIR ou ARMA) . . . 7.8.3. Caract eristiques des ltres FIR et IIR . . . . . . 7.9. Exercices . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
241 . 241 . 241 . 242 . 242 . 243 . 243 . 245 . 245 . 247 . 247 . 248 . 249 . 250 . 251 . 251 . 252 . 254 . 256 . 256 . 256 . 258 . 261 . 263 . 263 . 265 . 266 . 268 . 269 . 269 . 270 . 271
xiii
III. Travaux pratiques

8. Analyse de signaux p eriodiques 8.1. Analyse temporelle . . . . . . . . . . 8.1.1. Cr eation de quelques signaux 8.1.2. Valeurs moyennes, puissance . 8.1.3. Analyse des r esultats . . . . . 8.2. Analyse spectrale . . . . . . . . . . . 8.3. Reconstruction dun signal . . . . . . 8.4. Annexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
277
279 . 280 . 280 . 280 . 281 . 281 . 282 . 282 285 . 285 . 285 . 285 . 285 . 287 . 287 . 287 . 288 . 288 . 289 . 290 291 291 291 292 293 295 295 295 296 296
9. Signaux et syst` emes num eriques 9.1. Num erisation des signaux analogiques . . . . . . chantillonnage des signaux analogiques . . . . 9.2. E 9.2.1. Signal sinuso dal . . . . . . . . . . . . . 9.2.2. Signal audio . . . . . . . . . . . . . . . . 9.2.3. Signal modul e en fr equence . . . . . . . 9.3. R eponse temporelle des syst` emes num eriques . . 9.3.1. Produit de convolution . . . . . . . . . . 9.3.2. R eponses impulsionnelles et temporelles 9.3.3. Equations aux di erences . . . . . . . . 9.4. R eponse fr equentielle des syst` emes num eriques . 9.5. Annexe . . . . . . . . . . . . . . . . . . . . . . 10.Synth` ese et r ealisation dun ltre 10.1. Introduction . . . . . . . . . . 10.2. Synth` ese . . . . . . . . . . . . 10.3. Analyse . . . . . . . . . . . . 10.4. R ealisation . . . . . . . . . . 11.Analyse et r ealisation dun 11.1. Introduction . . . . . . 11.2. Mise en oeuvre . . . . 11.3. Travail a ` eectuer . . . 11.4. Fichier Matlab . . . . num erique . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
phonocardiogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
. . . .
IV. Annexes
12.Formulaire Signaux et syst` emes 12.1. Syst` emes analogiques . . . . . . 12.2. Signaux analogiques . . . . . . chantillonnage des signaux . . 12.3. E 12.4. Signaux et syst` emes num eriques 12.5. Analyse spectrale num erique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
301
. . . . . 303 303 304 305 306 309
xiv
Premi` ere partie . tude des signaux analogiques E
1. Analyse des signaux p eriodiques

1.1. Introduction
Lanalyse harmonique ou fr equentielle est linstrument majeur de la th eorie des signaux. Le d eveloppement en s eries de Fourier et, plus g en eralement, la transformation de Fourier permettent dobtenir une repr esentation spectrale des signaux d eterministes. Celle-ci exprime la r epartition de lamplitude, de la phase, de l energie ou de la puissance des signaux consid er es en fonction de la fr equence. Les calculs et mises en forme des r esultats ` a venir sont grandement facilites si lon ma trise et sait utiliser les relations suivantes : B (1.1) A cos() + B sin() = A2 + B 2 cos + atg A 1 T ej
2 1 1 (sin()2 d = (sin(2 f t + )2 dt = 2 0 2 t0 2 cos() = ej + ej = cos() + j sin() 2j sin() = ej ej t0 +T
(1.2)
(1.3)
1.2. Deux repr esentations pour un seul signal

Le temps et la fr equence sont deux bases servant ` a la description des signaux. Ce sont deux points de vue di erents dune m eme r ealit e ; ils sont compl ementaires. Il est important de bien comprendre les relations qui existent entre ces deux bases ; cest le but de ce chapitre. Une grandeur sinuso dale est d ecrite par l equation x(t) = A cos(2f0 t + ) (1.4)
Son evolution temporelle est contenue dans le mot cos ; d` es lors, on sait que le signal x(t) ondule avec une forme pr ecise x ee par la fonction cosinus. Cependant, des informations suppl ementaires sont donn ees : lamplitude A, la phase et la fr equence f0 . Ce sont ces informations qui sont fournies par la repr esentation fr equentielle ou spectrale. Comme le temps et la fr equence sont les deux composantes de la description dun m eme signal, une sinuso de devrait etre repr esent ee dans un espace a ` trois dimensions (g. 1.1). Une telle repr esentation etant mal pratique, on la remplace par ses projections sur les plans temporel et fr equentiel.
1. Analyse des signaux p eriodiques Dans la projection sur laxe du temps, on retrouve le dessin bien connu dune sinuso de, alors que la projection sur laxe des fr equences conduit ` a une raie situ ee en f = f0 et de hauteur A. Comme cette projection ne fournit que lamplitude A, il est n ecessaire, pour la fr equence consid er ee, de donner egalement la phase . Ces deux diagrammes portent le nom de spectres damplitudes et de phases. Consid erons un signal compos e de deux sinuso des x(t) = A cos(2f0 t 1 ) + A cos(4f0 t ) 2 2 4 (1.5)
La gure 1.2a illustre le comportement temporel de ce signal et de ses deux composantes. La gure 1.2b montre ce qui se passe alors dans lespace des fr equences. On notera que la somme des deux sinuso des dans lespace temps conduit egalement ` a la somme des spectres damplitudes et de phases.
1.3. S eries de Fourier

L el ement fondamental de lanalyse de Fourier est constitu e par le fait quun signal p eriodique peut etre d ecompos e en une somme dondes sinuso dales. Une illustration de la construction dun signal p eriodique non-sinuso dal est donn ee ` a la gure 1.3 : le signal r esultant est la somme de trois sinuso des dont la fr equence est chaque fois un multiple de la fondamentale f0 .
1.3.1. D enition de la s erie de Fourier

Consid erons un signal p eriodique x(t) de p eriode T = 1/f0 . Son d eveloppement en s erie de Fourier est alors le suivant a0 bk sin(2kf0 t) x(t) = + ak cos(2kf0 t) + 2 k=1 k=1

(1.6)
o` u f0 = 1/T est la fr equence fondamentale du signal, a0 /2 est la valeur moyenne ou composante continue et ak , bk sont les coecients de Fourier du d eveloppement en cosinus et sinus. Les coecients de Fourier ak et bk se calculent comme suit ak bk 2 = T 2 = T
+T /2
x(t) cos(2kf0 t)dt,

T /2 +T /2
k0 k1
(1.7) (1.8)
x(t) sin(2kf0 t)dt,

T /2
N.B. : Cette repr esentation qui sert de point de d epart au d eveloppement en s eries de Fourier na aucun int er et en traitement du signal ; elle est remplac ee par la s erie en cosinus et la s erie complexe.
x(t) = A cos (2 f0 t + )
+A
-A
Domaine temporel
T 0
f0 = 1/T
Domaine frquentiel f
Amplitude + A
Phase
f 0 f0 0 /2
f0
Figure 1.1.: Descriptions temporelle et fr equentielle dune sinuso de
Sinusoides de frquences f0 et 2f0 1.5 1 0.5 0 0.5 1 1.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Somme de 2 sinusoides 1.5 1 0.5 0 0.5 1 1.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
900
A/2
900
A/2 f0 f 2 f0
450 f
f0
450 f -450 -900 Cosinusode d'amplitude A/2 et de phase -450

2 f0 f
-450 -900 Cosinusode d'amplitude A et de phase -900
900 450 f
f0 2 f0 f0 2 f0 f
-450 -900 Signal priodique non-sinusodal
Figure 1.2.: Repr esentation de la somme de deux sinuso des de fr equences di erentes dans les domaines temporel et fr equentiel

2 1 0 1 2 1 0 1 2 x (t)
1
2 1 0 1 2 1 0
0.25+x (t)
1
2 1 0 1 2 1 0
x2(t)
2 1 0 1 1 2 2 1 0
0.25+x1(t)+x2(t)
2 1 0 1 2 1 0
x3(t)
2 1 0 1 1 2 2 1 0
0.25+x1(t)+x2(t)+x3(t)
Figure 1.3.: Construction dun signal p eriodique non-sinuso dal
1.3.2. S erie de Fourier en cosinus

Prenant en compte la relation trigonom etrique suivante A cos(x) + B sin(x) = A2 + B 2 cos x + arctan B A (1.9)
on voit que le d eveloppement en s erie de Fourier peut egalement s ecrire
x(t) = A0 +
k=1
Ak cos(2kf0 t + k )
(1.10)
avec A0 =
a0 2
Ak =
2 a2 k + bk
k = arctan
bk ak
(1.11)
Cette s erie en cosinus est extr emement importante car elle correspond ` a la description bien connue des signaux en r egime sinuso dal permanent o` u lon repr esente un courant ou une tension par leur amplitude et leur phase. Dun point de vue pratique, cela revient ` a consid erer que le signal x(t) est cr e e de mani` ere equivalente par une innit e de g en erateurs sinuso daux. La repr esentation spectrale qui lui est associ ee porte le nom de spectre unilat eral. Une illustration en est donn ee ` a la gure 1.4. On y voit une onde p eriodique en dents de scie qui peut etre reconstruite par une superposition dondes sinuso dales. Cette superposition peut etre pr esent ee dans lespace temps ou, de mani` ere equivalente et plus explicite, dans lespace des fr equences.

1 1
0.5 x(t) et xc(t) xk(t) 0 0.5 temps 1 1.5
0.5
0.5
0.5
1 0.5
1 0.5
0.5 temps
1.5
0.7 0.6 0.5 Ak k 0 2 4 6 8 frequence [f / f0] 10 0.4 0.3 0.2 0.1 0
4 6 8 frequence [f / f0]
10
Figure 1.4.: Onde en dents de scie, composantes et spectres damplitudes et de phases
1.3.3. S erie de Fourier complexe

Se souvenant des relations dEuler : 1 (exp(+jx) + exp(jx)) cos(x) = 2 1 sin(x) = (exp(+jx) exp(jx)) 2j
(1.12) (1.13)
on montre ais ement que la s erie de Fourier peut etre transform ee en une s erie de Fourier complexe
x(t) =
k=
X (jk ) exp(+j 2kf0 t)
(1.14)
Les coecients X (jk ) sont alors complexes et valent X (jk ) = 1 T

+T /2
x(t) exp(j 2kf0 t)dt

T /2
< k < +
(1.15)
La repr esentation spectrale graphique qui lui est associ ee porte le nom de spectre bilat eral. Pour la suite du cours, on retiendra essentiellement cette description car elle est analytiquement plus int eressante que la forme en cosinus. On remarquera au passage que la formule dEuler remplace les fonctions sinus et cosinus par des exponentielles a ees phaseurs. Ces pha` exposant imaginaire appel seurs ne sont rien dautres que des fonctions complexes oscillant cosinuso dalement sur laxe r eel et sinuso dalement sur laxe imaginaire.
1.4. Th eor` eme de la puissance ou de Parseval
1.3.4. Relations entre les trois repr esentations de Fourier

Les relations existant entre les trois repr esentations de Fourier sont pr esent ees et illustr ees par le tableau et le graphe vectoriel de la gure 1.5. Ce graphe est important car il permet de voir en un coup doeil les relations simples liant les trois repr esentations spectrales. On retiendra egalement la relation existant entre les coecients spectraux et la valeur ecace dune composante spectrale Ak Ak,eff = = 2 |X (jk )| 2 (1.16)
` ce stade, il est important de souligner que, partant dun signal connu Remarque A x0 (t), on commence par faire lanalyse de ce signal en calculant ses coecients de Fourier A(k ), (k ) ou X (jk ). Puis, une fois ceux-ci connus, en calculant la somme de Fourier, on fait la synth` ese du signal x(t). Et, comme le verra plus loin, dans certains cas (ph enom` ene de Gibbs), le signal synth etique x(t) ne sera pas exactement egal a x ( t ). ` 0
1.4. Th eor` eme de la puissance ou de Parseval

Dans lespace temps, la d enition de la puissance moyenne normalis ee est la suivante 1 P = T
+T /2 2 x2 (t)dt = Xef f T /2
(1.17)
On notera que cette d enition co ncide avec celle du carr e de la valeur ecace du signal x(t). La puissance normalis ee ne sexprime donc pas en [W], mais en [V2 ] ou [A2 ] selon que le signal est une tension ou un courant electrique. Le th eor` eme de Parseval montre que la puissance normalis ee dun signal peut se calculer aussi bien dans le domaine temporel que dans le domaine fr equentiel. En eet, comme dans lespace des fr equences, le signal x(t)) est repr esent e par des g en erateurs damplitude Ak , il sensuit que la puissance totale est egale ` a la somme des puissances fournies par chaque g en erateur. On en d eduit alors :
2 P = Xef f = k=0
Pk = A2 0+
k=1
1 2 A = Pdc + Pac 2 k
= X (0) +
k=1
1 (2 |X (jk )|)2 = |X (jk )|2 2 k=
De ces r esultats, on conclut que la puissance peut se calculer avec lune ou lautre des equations (1.18) a ` (1.21) et que le carr e de la valeur ecace dun signal est egal ` a la somme des carr es des valeurs ecaces de chacune de ses composantes.
1. Analyse des signaux p eriodiques k=0 k>0 ak bk a0 /2 {ak , bk } ak bk A0 {Ak , k } +Ak cos(k ) Ak sin(k ) X (0) X (jk ) +2 Re{X (jk )} 2 Im{X (jk )}
Ak k
2 a2 k + bk
Ak k arctan
2|X (jk )| Im{X (+jk )} Re{X (+jk )}
arctan
bk ak
1 A 2 k 1 A 2 k
X (+jk ) X (jk )
1 2 1 2
(ak jbk ) (ak + jbk )
exp(+jk ) exp(jk )
X (+jk ) X (jk )
Im -bk Ak R
-bk/2 X(+jk) C +k k +ak/2 X(-jk) +bk/2 +ak
Re
Ak Ak,eff = = 2 |X (jk )| 2 Figure 1.5.: Relations entre les trois repr esentations spectrales
10
1.5. Spectres damplitudes et de phases 1 P = T

+ +T /2 2 x2 (t) dt Xef f T /2 +
(1.18)
P =
k=
|X (jk )| = X (0) + 2
k=1
|X (jk )|2
(1.19)
P =
A2 0
1 + 2
A2 k
k=1
(1.20) (1.21)
2 2 2 P Xef f = Xdc + Xac
` ce stade, il est int A eressant de rappeler ce que valent les puissances des trois signaux usuels que sont le carr e, le sinus et le triangle ` a valeur moyenne nulle (Pdc = 0) et damplitude A : x(t) = A sqr (2f t) Pac = x(t) = A sin (2f t) Pac x(t) = A tri (2f t) Pac A2 1 A2 = 2 A2 = 3 (1.22) (1.23) (1.24)
1.5. Spectres damplitudes et de phases

1.5.1. Spectres unilat eraux et bilat eraux
La description de x(t) avec les fonctions cosinuso dales conduit aux spectres unilat eraux damplitudes et de phases (Ak et k ) du signal x(t). Ici, les fr equences sont positives ou nulles car le compteur k des harmoniques varie de 0 a + (gure 1.6). ` La description de x(t) avec les fonctions complexes conduit aux spectres bilat eraux damplitudes et de phases (|X (jk )| et X (jk )). Ici, les fr equences sont n egatives et positives car le compteur k varie de ` a +. Dans le cas des spectres bilat eraux, on notera que les spectres damplitudes sont toujours des fonctions paires car on a |X (+jk )| = |X (jk )| = Ak , k=0 2 (1.25)
alors que les spectres de phases sont toujours des fonctions impaires. On a en eet X (+jk ) = X (jk ) = k , k = 0 Pour le cas particulier de la composante continue du signal, on a |X (0)| = A0 , X (0) = 0, (1.26)
11
Signaux 1 0.6 0.4 0.5 0.2 0 1 1 0 1 0 5
Spectres bilatraux 0.6 0.4 0.2 0 0 5 5
Spectres unilatraux
0.6 0.4
0.6 0.4 0.2 0 5 0 5 5 0 5
0.5 0.2 0 1 1 0 1 0
0.6 0.4
0.6 0.4 0.2 0 5 0 frquence 5 5 0 frquence 5
0.5 0.2 0 1 0 temps 1 0
Signaux carr e: dents-de-scie : sinus redress e:
P
1 2 1 3 1 2
X (0)
1 2 1 2 2
X (jk ) j +j
1 k
si k est impair, 0 sinon < k < + < k < +
(1)k 2k
2 (4k2 1)
Figure 1.6.: Quelques signaux avec leurs puissance et spectres damplitudes uniet bilat eraux
12
1.5.2. Coecients spectraux et sym etries des signaux

Si lon tient compte des sym etries du signal, le calcul des s eries de Fourier est simpli e. On d emontre en eet ais ement les propri et es suivantes : une fonction paire est repr esent ee par des cosinus seulement ; on a alors : k = 0, Im{X (jk )} = 0 (1.27)
une fonction impaire est repr esent ee par des sinus seulement ; on a alors : k = , Re{X (jk )} = 0 (1.28) 2 une fonction ` a sym etrie demi-onde ne poss` ede pas dharmoniques pairs : X (jk ) = 0, si k est pair (1.29) Les fonctions ` a sym etrie demi-onde sont telles quune rotation autour de labscisse de lalternance positive ou n egative permet de reproduire lautre alternance (gure 1.7).
1.5 1 0.5 0 0.5 1 1.5 0 1 2 3
Figure 1.7.: Exemple dune fonction ` a sym etrie demi-onde
1.5.3. Exemple de repr esentations spectrales dun signal

Consid erant le signal x(t) = 3 + 2 cos(2f0 t) 3.464 sin(2f0 t) + 2 sin(6f0 t + /4) on souhaite le d ecrire dans les repr esentations spectrales uniet bi-lat erales. La simple observation de lexpression de x(t) montre que ce signal est constitu e dune composante DC et de deux composantes AC dordre 1 et 3. Utilisant les r` egles de trigonom etrie, on obtient la forme en cosinus : x(t) = 3 + 2 cos(2f0 t) 3.464 sin(2f0 t) + 2 sin(6f0 t + ) 4 ( 3 . 464) = 3 + 22 + 3.4642 cos 2f0 t + arctan + 2 cos 6f0 t + 2 4 2 = 3 + 4 cos(2 1 f0 t + /3) + 2 cos(2 3 f0 t /4) = A0 + A1 cos(2f0 t + 1 ) + A3 cos(6f0 t + 3 )
13
1. Analyse des signaux p eriodiques Cette expression est la forme math ematique de la repr esentation spectrale unilat erale de laquelle on d eduit imm ediatement les composantes spectrales unilat erales A0 0 A1 1 A2 2 A3 3 = = = = 3 0 4 + /3 0 0 2 /4
Appliquant les r` egles dEuler ` a lexpression en cosinus, on obtient la forme complexe : x(t) = 3 + 2 exp (+j (2f0 t + /3)) + 2 exp (j (2f0 t + /3)) +1 exp (+j (6f0 t /4)) + 1 exp (j (6f0 t /4)) = 3 + 2 exp(+j/3) exp (+j 2f0 t) + 2 exp(j/3) exp (j 2f0 t) +1 exp(j/4) exp (+j 6f0 t) + 1 exp(+j/4) exp (j 6f0 t) = X (0) + X (+j 1) exp (+j 2f0 t) + X (j 1) exp (j 2f0 ) +X (+j 3) exp (+j 6f0 t) + X (j 3) exp (j 6f0 t) Cette expression est la forme math ematique de la repr esentation spectrale bilat erale de laquelle on tire imm ediatement les composantes spectrales bilat erales X (0) X (j 1) X (j 2) X (j 3) = = = = 3 = 30 2 exp(j/3) = 2 /3 00 1 exp(j/4) = 1 /4
De la lecture de ces descriptions d ecoule imm ediatement le trac e des spectres damplitudes et de phases dans les deux repr esentations spectrales (gure 1.8). On notera que, pour k = 0, les amplitudes du spectre bilat eral sont 2 fois plus petites que celles du spectre unilat eral. Les puissances et valeurs ecaces associ ees ` a ce signal se calculent ais ement ` a partir du spectre unilat eral. An de pouvoir pr eciser les unit es, on admet que le signal x(t) est une tension electrique ; on a alors :
2 2 Pdc = A2 0 = 3 = 9 Vdc
Pac =
1 2
A2 k =
k 1
1 2 4 + 0 + 22 = 10 V2 ac 2
P = Pdc + Pac = 19 V2 ef f Xdc = A0 = 3 Vdc
Xef f = Xac = P =
19 = 4.36 Vef f 10 = 3.16 Vac
Pac =
14
Signal temporel 10 5 x(t) 0 5 0
0.5
1.5
2 temps
2.5
3.5
Spectres unilatraux 4 2 0 2 0 k f0 2 |X(jk)| A

k
Spectres bilatraux 4 2 0 2 0 k f0 2
1 /X(jk) / 2 0 k f0 2 0.5 k / 0 0.5 1
1 0.5 0 0.5 1 2 0 k f0 2
Figure 1.8.: Repr esentations spectrales dun signal p eriodique
15
1.6. Suite dimpulsions

1.6.1. Suite dimpulsions rectangulaires
La suite dimpulsions rectangulaires (SIR) est un signal particuli` erement important car elle appara t dans de nombreuses applications telles que l echantillonnage, la valuons donc la s modulation dimpulsions, etc. E erie de Fourier complexe de la SIR x(t) repr esent ee ` a la gure 1.9.
x(t) A
A t/T t -T 0 t/2 T
Figure 1.9.: Suite dimpulsions rectangulaires Par d enition des coecients complexes X (jk ), on a X (jk ) = 1 T
+T /2
x(t) exp(j 2kf0 t)dt avec f0 =

T /2
1 T
En tenant compte de la d enition de la SIR si t/2 < t < +t/2 A xT (t) = 0 sinon il vient X (jk ) = A +t/2 exp(j 2kf0 t)dt T t/2 A 1 t t = exp(j 2kf0 ) exp(+j 2kf0 ) T j 2kf0 2 2
(1.30)
Les relations dEuler permettent de passer de la di erence des exponentielles ` a un sinus et d ecrire ces coecients sous la forme X (jk ) = A t sin(kf0 t) T kf0 t (1.31)
16
X(jk) A t/T
1/T = f0
f = k f0 0 -1/t +1/t
| X(jk) |
f = k f0 0 /_X(jk) +
f = k f0 0
Figure 1.10.: Descriptions spectrales dune suite dimpulsions rectangulaires : a) spectre complexe (ici purement r eel car la SIR est paire) b) spectres damplitudes et de phases
17
1. Analyse des signaux p eriodiques On notera que lamplitude du spectre X (jk ) est x ee par la valeur moyenne ou composante DC (k = 0) de la SIR car la fonction sin(x)/x tend vers 1 lorsque x tend vers 0. De plus, et comme on pouvait sy attendre, les coecients de Fourier sont purement r eels puisque le signal est pair. Leur enveloppe (gure 1.10a) est une fonction en sin(x)/x qui porte le nom de sinus cardinal d eni comme suit sinc(x) sin(x) x (1.32)
Le spectre dune SIR s ecrit donc sous une des deux formes suivantes X (jk ) = A t t sin(kf0 t) =A sinc(kf0 t) T kf0 t T (1.33)
On remarquera que plus les impulsions sont etroites par rapport a eriode T , plus ` la p le spectre s etale. En eet, le premier passage par z ero se fait ` a la fr equence 1/t. Par contre, la distance entre raies spectrales ne change pas puisquelle est egale ` a linverse de la p eriode de la SIR f0 = 1/T . Il est fr equent que le spectre dun signal soit complexe. Dans ce cas, sa repr esentation dans un plan ne peut se faire quau travers du tra cage distinct des spectres damplitudes et de phases (gure 1.10b). On peut relever au passage que la puissance totale dune SIR vaut P = 1 T
+T /2
x2 (t) dt = A2
T /2
t T
(1.34)
et que le premier lobe du spectre dune SIR en contient environ le 90%.
1.6.2. Suite dimpulsions triangulaires

Il existe une autre suite dimpulsions qui est egalement tr` es importante en t el ecommunications ; il sagit de la suite dimpulsions triangulaires (SIT). Le signal x(t) et son spectre X (jk ) sont repr esent es ` a la gure 1.11. An que les surfaces de la SIR et de la SIT soient egales, la largeur ` a la base du triangle est egale ` a 2t. Lexpression de X (jk ) est alors la suivante t X (jk ) = A T La puissance totale dune SIT vaut 1 P = T
+T /2 T /2
sin(kf0 t) kf0 t
(1.35)
1 x (t) dt = 2 T
2
t 0
A t t
dt =
2 2 t A 3 T
(1.36)
18

x(t)
t -T t 0 +t +T
X(jk) A t/T
f = k f0 -1/ t 0 +1/ t
Figure 1.11.: Suite dimpulsions triangulaires avec son spectre

1 0.8 |(X(jf)| 0 1 temps [msec] 2 0.6 x(t) 0.4 0.2 0 1 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 frquence [kHz] 8 10
0 20 / X(jf) 40 60 80 0 2 4 6 frquence [kHz] 8 10
Figure 1.12.: Suite dexponentielles d ecroissantes ( spectrale
T ) et sa repr esentation
19
1.6.3. Suite dexponentielles d ecroissantes

Consid erons une exponentielle qui se r ep` ete p eriodiquement aux instants kT (gure 1.12) x(t) = A exp(t/ ) si 0 t < T
Le calcul de son spectre se fait en appliquant la d enition de X (jk ) X (jk ) = 1 T A = T A = T

T
x(t) exp(j 2kf0 t)dt

0 T
exp(t/ ) exp(j 2kf0 t)dt

0 T 0
1 exp t( + j 2kf0 ) dt
T
1 + j 2kf0 ) A exp t( = 1 T ( + j 2kf0 )
A T exp ( + j 2kf0 T ) 1 T (1 + j 2kf0 )
En admettant que la constante de temps est beaucoup plus petite que la p eriode T , on permet ` a lexponentielle de revenir ` a z ero ` a la n de chaque p eriode. Dans ce cas, le premier terme entre crochets est beaucoup plus petit que 1 et peut etre n eglig e. On obtient alors le r esultat int eressant suivant X (jk ) = A 1 si T (1 + j 2kf0 ) T (1.37)
On peut relever que dans ce r esultat on trouve la fonction de transfert dun ltre passe-bas dordre 1 pond er ee par le rapport A T . La repr esentation des raies spectrales damplitudes (gure 1.12) co ncidera donc, ` a un coecient pr` es, avec le module de la r eponse fr equentielle de ce ltre alors que celle des phases seront les m emes. Dans le cas o` u P = T , la puissance totale dune SIE vaut 1 T
T
x2 (t) dt =
0
1 T
(A exp(t/ ))2 dt =
0
A2 2 T
(1.38)
1.7. Reconstruction des signaux

1.7.1. Synth` ese dun signal
On se souvient que, connaissant le spectre X (jk ), on peut toujours reconstruire une approximation dordre N du signal temporel. Dans le cas dune suite dimpulsions
20
1.7. Reconstruction des signaux rectangulaires cela donne

+N
xN (t) =
k=N
X (jk ) exp(+j 2kf0 t)

+N
sin(kf0 t) t exp(+j 2kf0 t) = A T k=N kf0 t t = A T x(t) Pour la suite dimpulsions triangulaires, on a de m eme
+N +N
1+2
k=1
sin(kf0 t) cos(2kf0 t) kf0 t
xN (t) =
k=N
X (jk ) exp(+j 2kf0 t) t T k=N 1+2

k=1 +N
= A
sin(kf0 t) kf0 t
+N
exp(+j 2kf0 t)
2
t = A T x(t)
sin(kf0 t) kf0 t
cos(2kf0 t)
Signal carr e sym etrique Dans ce cas, la valeur moyenne est nulle (A0 = 0) et lamplitude correspondante A de la SIR vaut 2. Comme le rapport cyclique t/T vaut 0.5, le sinus cardinal sannule pour k pair. Il vient alors : 1 xN (t) = 2 2 = 2
+N
0+2
k=1
sin(kf0 t) cos(2kf0 t) kf0 t
2 2 2 cos(2f0 t) cos(6f0 t) + cos(10f0 t) + 3 5 x(t)
Signal triangulaire sym etrique Dans ce cas, la valeur moyenne est nulle (A0 = 0) et lamplitude correspondante A de la SIT vaut 2. Comme le rapport cyclique t/T vaut 0.5, le sinus cardinal sannule pour k pair. Il vient alors : 1 xN (t) = 2 2 = 2 x(t)
+N
0+2
k=1
sin(kf0 t) kf0 t 2 3
2
cos(2kf0 t) cos(6f0 t) + 2 5
2
cos(2f0 t) +
cos(10f0 t) +
21
1. Analyse des signaux p eriodiques Une illustration de la synth` ese de ces deux signaux est donn ee ` a la gure 1.13. On constate que, contrairement au signal triangulaire, la convergence est tr` es lente pour le signal carr e.
1.5 N=1 1 0.5 0 0.5 1 1.5 5 0 5 1 0.5 0 0.5 1 1.5 5 0 5 1.5 N=3 1 0.5 0 0.5 1 1.5 5 0 5 1.5 N=5
1.5 N=1 1 0.5 0 0.5 1 1.5 5 0 5
1.5 N=3 1 0.5 0 0.5 1 1.5 5 0 5
1.5 N=5 1 0.5 0 0.5 1 1.5 5 0 5
Figure 1.13.: Synth` ese de signaux triangulaire et carr e par laddition successive des harmoniques
1.7.2. Ph enom` ene de Gibbs

En g en eral, lorsquon reconstruit un signal x(t) ` a partir de ses coecients de Fourier :
N N
xN (t) =
k=N
X (jk ) exp(j 2kf0 t) = A0 +

k=1
Ak cos(2kf0 t + k )
(1.39)
on remarque une convergence rapide vers le signal original au fur et ` a mesure que N augmente. Cependant, cela nest plus vrai lorsque le signal poss` ede des discontinuit es dordre 0. Il appara t alors, ` a lendroit de la discontinuit e, des oscillations que lon d esigne sous le nom de ph enom` ene de Gibbs. Lamplitude du d epassement du a ces oscillations est egale au 9% de lamplitude de la discontinuit e (gure 1.14). `
1.7.3. Importance de la phase

Il est fr equent en traitement du signal de ne parler que des spectres damplitudes et de d elaisser quelque peu les spectres de phases. Cette attitude est due au fait que
22
1.7. Reconstruction des signaux

1.2 1 0.8 0.6 0.4 0.2 0 0.2 4 2 0 2 4 xN(t) avec N=3 1.2 1 0.8 0.6 0.4 0.2 0 0.2 4 2 0 2 4 xN(t) avec N=7
1.2 1 0.8 0.6 0.4 0.2 0 0.2 4 2 0 2 4 xN(t) avec N = 19
1.2 1 0.8 0.6 0.4 0.2 0 0.2 4 2 0 2 4 xN(t) avec N = 79
Figure 1.14.: Illustration du ph enom` ene de Gibbs
lors du ltrage de signaux audio, on se contente de modier le spectre damplitudes car loreille est peu sensible aux distorsions de phase. Cependant, lorsque lon d esire conserver la forme dun signal, en particulier dans le cas du ltrage dimages, il est tr` es important de ne pas n egliger le spectre de phases. Un exemple en est donn e ` a la gure 1.15 o` u une s erie de photos bas ees sur le portrait de Joseph Fourier illustre limportance de la phase dans la reconstitution des signaux. 1. Limage du haut de la gure est le portrait de Joseph Fourier. 2. Au centre, on y voit les spectres damplitudes et de phases de limage de Fourier ; les niveaux de gris correspondent ` a la valeur de ces fonctions. 3. Les deux images du bas sont des images reconstruites par transformation inverse. Pour construire celle de gauche, on a utilis e le spectre damplitudes et remplac e le spectre de phases par un spectre de phases nulles. Pour celle de droite, on a fait linverse : le spectre de phases a et e conserv e alors que le spectre damplitudes a et e remplac e par des amplitudes constantes. De ces illustrations, on en d eduit que la phase contient une part importante de linformation concernant la forme dun signal. Les deux derni` eres images illustrent particuli` erement bien ce fait puisque le portrait initial ne peut pas etre reconstruit avec un seul des deux spectres.
23
original
module
phase
TF inverse du module
TF inverse de la phase
Figure 1.15.: Transformations de Fourier directes et inverses dune image
24
1.8. Quelques th eor` emes utiles
1.8. Quelques th eor` emes utiles

1.8.1. D ecalage temporel
Il est fr equent en analyse des signaux de devoir d ecaler temporellement un signal x(t) ; on obtient alors un nouveau signal y (t) = x(t + td ). Ce d ecalage td peut e tre positif (signal avanc e ) ou n e gatif (signal retard e ) (g. 1.16). On montre alors quentre les espaces temps et fr equences, il existe la relation suivante : y (t) = x(t + td ) Y (jk ) = exp(+j 2kf0 td )X (jk )
x(t) x(t+t1) x(t-t1)
(1.40)
td > 0 t -t1 0 +t1 -t1 0 t
td < 0 t 0 +t1
Figure 1.16.: D ecalage temporel : signal original, signal avanc e, signal retard e Comme le module du phaseur exp(+j 2kf0 td ) vaut toujours un, il sensuit que seul le spectre de phases est modi e par un d ecalage temporel. On a donc : |Y (jk )| = |X (jk )| , k = k + 2kf0 td (1.41)
` un d A ecalage temporel correspond une phase variant lin eairement avec la fr equence.
1.8.2. Modulation damplitude

Il est fr equent en t el ecommunications de devoir emettre des signaux dont le spectre a et e pr ealablement d eplac e dans un domaine de fr equences permettant la transmission des messages par ondes electromagn etiques. Une des possibilit es consiste ` a moduler lamplitude de la porteuse p(t) ` a laide du message m(t). La modulation damplitude est g en eralement obtenue par la multiplication des deux signaux entre eux (gure 1.17) x(t) = m(t) p(t) (1.42)
Dans le cas particulier o` u la porteuse p(t) est une fonction sinuso dale, on peut la remplacer par deux phaseurs de fr equence fp gr ace aux formules dEuler 1 (exp(+j 2fp t) + exp(j 2fp t)) 2 On a donc aaire, de mani` ere plus fondamentale, ` a une multiplication du message m(t) par un phaseur : cos(2fp t) = x(t) = m(t) p(t) = m(t) exp(j 2fp t) (1.43)
25

Modulation damplitude 1 0.4 0.5 |M(jf)| m(t) Spectres
0.2
0 0 1 0.5 0 0.5 1 0 1 0.5 0 0.5 1 0 1 temps 2 3 |X(jf)| x(t) 1 2 3 |P(jf)| p(t) 1 2 3
0 20
10
10
20
0.4
0.2
0 20
10
10
20
0.4
0.2
0 20
10
0 frquence
10
20
Figure 1.17.: Modulation damplitude : signaux et spectres On montre alors ais ement la propri et e suivante : x(t) = exp(j 2fp t) m(t) X (jk ) = M (j (kf0 fp )) (1.44)
` une multiplication par un phaseur dans le domaine temporel A correspond un d ecalage dans lespace des fr equences. La gure 1.17 illustre la modulation damplitude dune porteuse de fr equence 10kHz par un signal triangulaire de fr equence 1kHz. Au niveau fr equentiel, on voit tr` es bien que le spectre original situ e autour de la fr equence nulle est d eplac e autour des fr equences de la porteuse 10kHz avec une amplitude r eduite de moiti e. On notera que le signal modul e x(t) nest p eriodique que si le rapport des fr equences fp /f0 est rationnel.
1.8.3. Rotation autour de lordonn ee

La rotation dun signal autour de son ordonn ee est d ecrite par y (t) = x(t). Dans ce cas, on montre que y (t) = x(t) Y (jk ) = X (jk ) = X (jk ) (1.45)
` une rotation du signal temporel autour de lordonn A ee correspond le conjugu e complexe dans le domaine fr equentiel.
26
1.9. Calcul de quelques spectres Par exemple, si lon sint eresse ` a une suite p eriodique dexponentielles croissantes d ecrite par x(t)|T = A exp(+t/ ) si 0 t < T son spectre se calcule ais ement ` a partir de celui de la suite dexponentielles d ecroissantes xo (t)|T = A exp(t/ ) si 0 t < T Xo (jk ) = A On voit en eet que lon a x(t) = xo (t) donc X (jk ) = Xo (jk ) = A 1 si T (1 j 2kf0 ) T 1 si T (1 + j 2kf0 ) T
1.9. Calcul de quelques spectres

Le but de ce paragraphe est de montrer, au travers de quelques exemples simples, comment on calcule, trace et interpr` ete les spectres dun signal.
1.9.1. Suite dimpulsions composites

Consid erant le signal de la gure 1.18a, on aimerait calculer ses composantes spectrales et obtenir son approximation dordre 3. La r esolution de ce probl` eme est imm ediate d` es linstant o` u lon remarque que le signal x(t) est compos e dune somme de deux SIR x1 (t) et x2 (t) dont les caract eristiques sont, respectivement, leur largeur : t1 = 0.25[msec], t2 = 0.5[msec], et leur amplitude : A1 = 1 [V ], A2 = 2 [V ]. Utilisant la propri et e de lin earit e des s eries de Fourier, on a : x(t) = x1 (t) + x2 (t) X (jk ) = X1 (jk ) + X2 (jk ) (1.46)
Comme le signal x(t) et ses deux SIR constitutives sont paires, leurs spectres sont r eels sin(k/4) t1 sin(kf0 t1 ) = 0.25 X1 (jk ) = A1 T kf0 t1 k/4 X2 (jk ) = A2 t2 sin(kf0 t2 ) sin(k/2) = 1.00 T kf0 t2 k/2 sin(k/4) sin(k/2) + 1.00 k/4 k/2
X (jk ) = X1 (jk ) + X2 (jk ) = 0.25
Le calcul de quelques composantes spectrales fournit les valeurs num eriques suivantes :
27
x(t) = x (t) + x (t)

1 2
3 2.5 2 1.5 1 0.5 0 0.4 0.2 X1(jf) 1.2 1 0.8 0.6 0.4 0.2 0 0.2 10 0 f [kHz] 10 1.2 1 0.8 0.6 0.4 0.2 0 0.2 10 0 f [kHz] 10 0 0.2 0.4 0.6 temps [msec] X2(jf) 1.2 1 0.8 0.6 0.4 0.2 0 0.2 10 0 f [kHz] 10 0.8 1 1.2 1.4 x1(t) x (t)
2
X(jf)=X1(jf) + X2(jf)
Signaux x(t) et x3(t) 3 2.5 2 1.5 1 0.5 0 0.4 0.2 0 0.2 0.4 0.6 temps [msec] 0.8 1 1.2 1.4
Figure 1.18.: Suite dimpulsions composites : a) les signaux temporels b) les spectres respectifs c) la reconstruction dordre 3
28
1.9. Calcul de quelques spectres
k X1 (jk ) X2 (jk ) X (jk ) Ak k
-5 -0.045 0.127 +0.082
-4 0 0 0
-3 +0.075 -0.212 -0.137
-2 +0.159 0.00 +0.159
-1 +0.225 +0.637 +0.862
0 +0.25 1.00 1.25 1.25
+1 +0.225 0.637 +0.862 1.724 0.00
+2 +0.159 0.00 +0.159 0.318 0.00
+3 +0.075 -0.212 -0.137 0.274
+4 0 0 0 0 0
+5 -0.045 0.127 +0.082 0.164 0.00
La gure 1.18c repr esente lapproximation dordre 3 du signal d ecrite par :
x(3) (t) = 1.25 + 1.724 cos(2f0 t) + 0.318 cos(4f0 t) + 0.274 cos(6f0 t + ) ` titre dexercice, on peut montrer que les puissances des signaux x(t) et x(3) (t) A 2 2 valent respectivement Px = 3.25 Vef f , Px(3) = 3.14 Vef f .
1.9.2. SIR d ecal ee

Consid erons le cas dune SIR non centr ee d emarrant ` a linstant t = 0, de largeur t et de p eriode T (gure 1.19a). Dans ce cas, la SIR est retard ee dune demi-largeur dimpulsion et le temps de d ecalage vaut donc td = t/2. Partant dune SIR centr ee et utilisant le th eor` eme du retard, on obtient : X (jk ) = A t sin(kf0 t) t exp(j 2kf0 ) T kf0 t 2 (1.47)
Si lon d esigne X (jk ) par le produit de 3 facteurs X (jk ) = X0 X1 (jk ) X2 (jk ), le spectre damplitudes sobtient en eectuant le produit des modules |X (jk )| = |X0 | |X1 | |X2 | t sin(kf0 t) = A 1 T kf0 t alors que le spectre de phases est obtenu en sommant les phases : X (jk ) = X0 + X1 + X2 = 0 + (0; ) + (kf0 t) Consid erant que lon a t = 0.1 [msec], T = 1 [msec], la combinaison de ces termes spectraux est illustr ee par la gure 1.19. Comme attendu, on constate que le d ecalage temporel du signal ne modie pas le spectre damplitudes, mais introduit une phase variant lin eairement avec la fr equence.
29
1 0.8 x(t) 0.6 0.4 0.2 0 0.2

0.1 |X(jk)|
0.2
0.4 0.6 temps [msec]
0.8
1.2
0.05
0 30 4 /SIR centree 2 0 2 4 30 5 /Decalage
20
10
10
20
30
20
10
10
20
30
5 30 5 /SIR decalee
20
10
10
20
30
5 30
20
10
0 frequence [kHz]
10
20
30
Figure 1.19.: SIR d emarrant ` a linstant t = 0 et son spectre
30
1.10. R eponse dun syst` eme lin eaire
1.10. R eponse dun syst` eme lin eaire

Consid erons, comme exemple, un ltre attaqu e par une SIR (gure 1.20a). Comme ce signal est p eriodique, on retrouvera ` a la sortie du circuit un signal p eriodique y (t) de m eme p eriode T0 . La d ecomposition de ces 2 signaux en s erie de Fourier donnera les spectres X (jk ) et Y (jk ) qui seront li es lun ` a lautre par la r eponse fr equentielle G(j ) du ltre.
x(t)
y(t)
x(t)
G(j)
y(t)
1 0.8 0.6 0.4 0.2 0
|X(jk)| |Y(jk)| |G(jf)|
10 12 frquence [Hz]
14
16
18
20
Figure 1.20.: R eponses temporelle et fr equentielle dun ltre ` a une SIR Comme les signaux p eriodiques sont repr esent es par des ondes sinuso dales de fr equences kf0 et que les syst` emes lin eaires conservent la fr equence des signaux appliqu es, on retrouve pour Y (jk ) des raies spectrales situ ees aux m emes fr equences que celles de X (jk ) (gure 1.20b). De plus, lamplitude et la phase de ces raies spectrales sont li ees au signal dentr ee par la relation bien connue Y (j ) = G(j ) X (j ). Dans le cas de signaux p eriodiques, la pulsation est un multiple de la fondamentale 2f0 . On a donc Y (jk ) = X (jk ) G(j )|=2kf0 (1.48)
1.10.1. Analyse de la r eponse dun ltre passe-bas

Consid erant le circuit L-R de la gure 1.21 et la SIR qui lui est appliqu ee, on aimerait : 1. conna tre la fonction de transfert de ce ltre et sa constante de temps ;
31
1. Analyse des signaux p eriodiques 2. calculer la composante continue U2,dc ; 3. esquisser le signal de sortie u2 (t) en tenant compte des valeurs num eriques L = 100 [mH ], R = 100 [] ; 4. calculer le spectre U2 (jk ) ; 5. calculer les valeurs ecaces U1,ef f , U2,ef f , U2,ac,ef f ; 6. estimer la valeur de cr ete de londulation u2,ac (t).
[V] 10 u1(t) L
u1(t)
u2(t)
0 0.2
1.0
t [ms]
Figure 1.21.: Analyse de la r eponse dun ltre passe-bas Solution :
32
1.10. R eponse dun syst` eme lin eaire .
33
1.11. R eponse dun syst` eme non-lin eaire

La caract eristique essentielle des syst` emes non-lin eaires est de d eformer les signaux sinuso daux. Le signal de sortie est donc p eriodique non-sinuso dal. Il sen suit que son spectre est constitu e dun grand nombre de raies spectrales, alors qu` a lentr ee il ny avait quune seule raie. Dans la pratique, il est important de pouvoir chirer cette d eformation puisque les amplicateurs r eels, quelle que soit leur qualit e, poss` edent des non-lin earit es. On mesure cette d eformation ` a laide du taux de distorsion harmonique (TDH). Celui-ci est d eni comme le rapport de la valeur ecace des harmoniques dordre sup erieur a 1 avec la valeur ecace du premier harmonique ` T DH = Xef f (k > 1) = Xef f (k = 1) X 2 (2) + X 2 (3) + X 2 (4) + X 2 (1) (1.49)
1.11.1. Distorsion due ` a une diode

Consid erons comme exemple de syst` eme non lin eaire, une diode ` a laquelle on applique une tension sinuso dale superpos ee ` a une tension continue (gure 1.22) u(t) = U0 + U (t) = U0 + A sin(2f0 t) Cette diode est caract eris ee par la loi exponentielle bien connue ID = IS eUD /nVT 1 Admettant les valeurs num eriques suivantes U0 = 0.5 [V ], A = 0.05 [V ], f0 = 100 [Hz ] IS = 10 [pA], n = 1, VT = 26 [mV ] on d esire : 1. calculer I0 , Imax et Imin 2. esquisser u(t) et i(t) 3. calculer U (jk ) et I (jk ) 4. calculer le TDH du courant. Solution : 1. Le calcul de I0 , Imax et Imin se fait par simple application num erique de l equation de la diode ; on obtient alors : a) le courant au point de fonctionnement I0 = 2.54 mA ; b) sa valeur maximum Imax = 17.2 mA ; c) sa valeur minimum Imin = 0.36 mA. (1.50)
34
1.11. R eponse dun syst` eme non-lin eaire

i(t)
u(t) uD(t) U0
Figure 1.22.: Circuit ` a diode 2. La simulation temporelle avec Spice a donn e les r esultats de la gure 1.23. On y voit que la variation sinuso dale de la tension de la diode (50 mV) autour du point de fonctionnement (500 mV) entra ne une variation non sinuso dale du courant caract eris e par les valeurs calcul ees ci-dessus. 3. Lanalyse spectrale obtenue par FFT (Fast Fourier Transform) donne les r esultats suivants. a) La tension de la diode ne contient que 2 raies spectrales (gure 1.24a) : i. la composante DC : Udc = 0.5 V ; ii. la composante AC : U1 = 50 mV . b) Le courant non sinuso dal est compos e dun grand nombre de raies spectrales dont les 10 premi` eres sont les plus signicatives (gure 1.24b). On y trouve en particulier i. la composante DC : Idc = 5.41 mA ; ii. la composante fondamentale : I1 = 7.43 mA. 4. Le calcul du taux de distorsion se fait en appliquant la d enition du TDH : T DH = = X 2 (2) + X 2 (3) + X 2 (4) + X 2 (1)
3.142 + 0.942 + 0.222 + 0.0412 + 0.00652 + 7.432 = 44 %
Cette valeur elev ee est le signe de la forte d eformation de la sinuso de caus ee par la variation exponentielle du courant.
35
Figure 1.23.: Tension et courant de la diode
Figure 1.24.: Spectres unilat eraux de la tension et du courant de la diode
36
1.12. Exercices
1.12. Exercices
SF 1 Consid erant les 2 signaux suivants pour lesquels f0 = 1 [kHz ] : x1 (t) = 6 2 cos(2f0 t) + 3 sin(2f0 t) x2 (t) = 4 + 1.8 cos(2f0 t + /3) + 0.8 sin(6f0 t) 1. dessinez leurs spectres damplitude et de phase unilat eraux et bilat eraux ; 2. ecrivez x1 (t) et x2 (t) sous forme de s erie de Fourier complexe. SF 2 Utilisez les formules dEuler pour montrer que la s erie de Fourier du signal suivant cos (10f0 t) x(t) = 1 + cos 2f0 t + 6 est d ecrite par les harmoniques 4, 5 et 6. Pour ce faire : 1. remplacez chaque fonction cosinus par deux phaseurs ; eectuez le produit ; 2. ecrivez x(t) sous la forme dune somme de phaseurs ; 3. que valent les coecients X (jk ) non-nuls ? 4. dessinez les spectres bilat eraux et unilat eraux damplitude et de phase ; 5. calculez sa puissance. SF 3 Consid erant un signal p eriodique de p eriode T = 20 [ms] d ecrit par son spectre bilat eral X (jk ) : k X (jk ) |X | X 0 2 1 3 j 2 2 +1 j 3
retrouvez sa description temporelle en cosinus apr` es avoir rempli les cases libres du tableau. Calculez les valeurs de Xdc , Xac et P . SF 4 ` partir des spectres damplitude et de phase dune SIR vus au cours, A
1. calculez les spectres complexes des deux signaux Ex SF4 ; 2. esquissez leurs spectres bilat eraux damplitude et de phase. SF 5 Consid erant les spectres unilat eraux Ex SF5 dun signal x(t) :
1. donnez lexpression de x(t) ; 2. dessinez son spectre bilat eral ; 3. calculez ses valeurs ecaces AC et totale.
37
10 8 x1(t) [V] 6 4 2 0 0 2 4 6 8 10 12 14 16 18
6 4 x2(t) [V] 2 0 2 4
8 t [ms]
10
12
14
16
18
Figure 1.25.: Ex SF 4
5 4 3 Ak [V] 2 1 0 0 1 2 3 4 5
0.6 0.4 0.2 k / 0 0.2 0.4 0 1 2 f [kHz] 3 4 5
38
1.12. Exercices SF 6 Consid erant les trois signaux x1 (t), x2 (t), x3 (t) de p eriode T = 1 ms d ecrits par leurs spectres respectifs (tableau Ex SF6) : 1. donnez lexpression temporelle correspondant ` a leur repr esentation ; 2. ecrivez ces expressions ` a laide de cosinus seulement ; 3. dessinez leurs spectres damplitude et de phase uniet bilat eraux ; 4. calculez la puissance de chacun des trois signaux. x1 (t) k ak bk k Ak k k X (jk ) 0 +2 0 1 0 0 5 1 +5 +4 1 3 /3 1 4 j3 2 -2 +3 2 0 0 2 0 3 +1 1 3 2 +/2 3 2 j 4 0 0 4 0 0 4 0
x2 (t)
x3 (t)
Table 1.1.: Ex SF 6
tant donn SF 7 E e un signal caract eris e par les propri et es suivantes : 1. x(t) est r eel et impair ; 2. x(t) est p eriodique avec T = 2 [msec] ; 3. X (jk ) = 0 pour |k | > 1 ; 4. P = 1 ; trouvez deux signaux satisfaisant ` a ces propri et es. SF 8 Consid erant le signal x(t) = 2 + sin(2f0 t) + 0.25 cos(6f0 t) 1. ecrivez x(t) dans les formes cosinus et complexe ; 2. donnez les composantes spectrales dans les trois repr esentations : {ak , bk } , {Ak , k } , {X (jk )}
3. v eriez que la puissance de ce signal calcul ee a esentations ` laide des trois repr donne le m eme r esultat ; 4. comment calculeriez-vous la puissance dans lespace temps ? voyez-vous des moyens de simplier ce calcul ? si oui, le r esultat est imm ediat. SF 9 On consid` ere une SIR damplitude A = 2 [V ], de p eriode T = 1 [ms] de largeur t = 0.2 [ms] ; cette SIR est avanc ee de T /4 par rapport ` a une SIR centr ee : 1. esquissez x(t) ; 2. calculez son spectre X (jk ) ; 3. esquissez les spectres bilat eraux damplitude et de phase ; 4. calculez la puissance de cette SIR.
39
1. Analyse des signaux p eriodiques SF 10 Consid erant la suite dimpulsions impaires de la gure Ex SF10 :
1. le spectre sera-t-il r eel, imaginaire ou complexe ; 2. calculez ses coecients de Fourier complexes ; 3. quelle est la puissance de ce signal ? 4. dans le cas o` u A = 10 [V ], T = 10 [ms] et t = 1 [ms], esquissez les spectres bilat eraux damplitude et de phase.
10 5 x(t) [V] 0 5 10 2 0 A 2 4 6 t [ms] 8 10 12 14 t + t +A
SF 11 On consid` ere un signal p eriodique x(t) retard e dune valeur tr par rapport au signal original x0 (t). Montrez que : 1. son spectre complexe vaut X (jk ) = X0 (jk ) ej 2kf0 tr ; 2. son spectre damplitude nest pas modi e; 3. son spectre de phase vaut X = X0 2kf0 tr .
SF 12 Esquissez avec soin les spectres bilat eraux damplitude et de phase des signaux Ex SF12a et Ex SF12b. Expliquez les di erences apparaissant entre les spectres.
SF 13 Partant dune SIR, calculez le spectre dun signal carr e damplitude A = 5 V et de p eriode T = 1 ms. Faites de m eme pour un signal triangulaire ` a partir de la SIT.
SF 14 Consid erant les quatre signaux de la gure Ex SF14 damplitude A, de p eriode T , de largeur et constante de temps t = = 0.2 T : 1. calculez leur valeur ecace ; 2. a ecroissantes, utilisez deux ` partir du spectre dune suite dexponentielles d th eor` emes propos es dans le cours pour trouver les spectres des signaux x2 (t) et x4 (t).
40
1.12. Exercices
1 x1(t) [V]
0.5
0 0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
1 x2(t) [V]
0.5
0 0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
0.5 x (t) [V]
0.5 0.2 0 0.2 0.4 0.6 t [ms] 0.8 1 1.2 1.4
Figure 1.28.: Ex SF 12a
0.6 0.4 0.2 x (t) [V] 0 0.2 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
0.6 0.4 0.2 x (t) [V] 0 0.2 0.4 0.2 0 0.2 0.4 0.6 t [ms] 0.8 1 1.2 1.4
Figure 1.29.: Ex SF 12b
41

1 0.5 x1(t) 0 0.5 1 0 0.5 1 1.5 x2(t) 1 0.8 0.6 0.4 0.2 0 1 0.5 0 0.5 1
1 1 0.8 x3(t) x4(t) 0 0.5 t [ms] 1 1.5 0.6 0.4 0.2 0 0 1 0.5 0 t [ms] 0.5 1 0.8 0.6 0.4 0.2
Figure 1.30.: Ex SF 14 SF 15 Consid erant une SIR centr ee de p eriode T = 100 [s], de largeur t = 20 [s] et damplitude A = 10 [V ], 1. calculez le pourcentage de puissance comprise dans le premier lobe du sinus cardinal ; 2. admettant que cette SIR est appliqu ee ` a un ltre passe-bas dordre 1 dont la fonction de transfert est H(jf ) = 1 , 1 + jf /fc fc = 10 [kHz ]
que valent lamplitude et la phase des composantes 10 kHz, 40 kHz et 150 kHz ? SF 16 Un ltre passe-bas RC r ealis e avec R = 1 [k ] et C = 0.1 [F ] est attaqu e par un signal carr e u1 (t) de p eriode T = 1 ms et damplitude comprise entre 0 et 20 V : 1. esquissez le signal de sortie u2 (t) et le courant i(t) ; 2. pour chacun des 3 signaux u1 (t), u2 (t), i(t), calculez leurs valeurs DC, ecace totale et ecace AC. SF 17 Soit un ltre RC passe-bas dont la constante de temps est mal connue. On lui applique une SIR x(t) damplitude A = 10 [V ], de p eriode T = 20 [ms] et de largeur t = 1 [ms]. 1. que valent les composantes continues des signaux dentr ee et de sortie ?
42
1.12. Exercices 2. quelle est la fonction de transfert H (j ) du circuit ; 3. que valent les spectres bilat eraux X (jk ) et Y (jk ) ? 4. admettant que la constante de temps est de lordre de 2 ms, esquissez les signaux dentr ee x(t) et de sortie y(t) ; estimez la valeur maximum de y(t) ; 5. pour la fr equence f = 5 f0 , lanalyseur spectral du signal de sortie fournit le coecient complexe Y (j 5) = 0.0659 j 0.154 ; calculez lamplitude et largument de la fonction de transfert pour cette fr equence ; 0 (R ep. : |H | = 0.37, H = 68 ) 6. que valent la constante de temps et la fr equence de coupure du ltre ? (R ep. : = 1.6 [ms], fc = 100 [Hz ]) SF 18 Pour identier un syst` eme lin eaire poss edant une r esonance, on injecte dans celui-ci une SIR x(t) de p eriode T. La sortie sera donc p eriodique et son spectre Y (jk ) sera constitu e de raies distantes de 1/T. An dobtenir une image spectrale repr esentative du syst` eme H (j ), il faut que les raies spectrales soient en nombre susant et que le premier lobe de la SIR couvre le domaine de fr equences d esir e ( 10 fres ). On demande de d eterminer les param` etres T et t dune SIR permettant de mesurer la r eponse harmonique dun circuit LC-R dont on conna t approximativement les valeurs L 1 mH, C 0.1 F, R 20 . Pour ce faire : 1. esquissez H(f) dans un diagramme lin eaire, 2. pr ecisez le nombre de raies spectrales BF et HF que vous estimez n ecessaires ; 3. estimez la distance inter-spectrale n ecessaire pour observer le pic de r esonance ; 4. calculez T et t ; adoptez des valeurs enti` eres ; 5. si lamplitude des impulsions est de 10 V, quelle est lamplitude de la raie spectrale situ ee pr` es de la r esonance fres ? pr` es de 5 fres ? 6. pour ces m emes fr equences, quelles sont les amplitudes des raies mesur ees ` a la sortie du ltre LC-R ? SF 19 Un circuit RC de r esistance R = 1 k et de capacit e C = 1 F est attaqu e par une SIR u1 (t) damplitude E = 10 V , de largeur t = 0.2 ms et de p eriode T = 1 ms : 1. quelles sont les valeurs moyennes de u1 (t) et u2 (t) ; 2. que vaut la constante de temps du circuit ? 3. esquissez u2 (t) ; 4. calculez Z (j ) et I (jkf0 ) ; 5. quelle est la puissance dissip ee dans la r esistance ?
43
1. Analyse des signaux p eriodiques SF 20 Un circuit redresseur double alternance suivi dun ltre RC (R et C en parall` ele avec le pont redresseur) est utilis e pour r ealiser une conversion AC-DC. Tenant compte des hypoth` eses simplicatrices suivantes le courant i(t) est consid er e comme une suite dimpulsions rectangulaires de largeur t beaucoup plus petite que la p eriode T = 10 ms ; la r eactance du condensateur est n egligeable par rapport ` a la r esistance de charge R. dessinez le sch ema du circuit puis : 1. calculez les coecients de Fourier U (jk ) de la tension de sortie u(t) ; 2. calculez la puissance de chaque harmonique ; 3. calculez une borne sup erieure pour la puissance dondulation, sachant que
k=1
2 1 = k2 6
4. calculez le taux dondulation maximum ; 5. si lon veut un taux dondulation inf erieur ` a 0.1, quelle capacit e faut-il choisir lorsque la r esistance R vaut 100 ? 6. estimez lamplitude du g en erateur u1 (t) pour que Udc 15 V . SF 21 Un circuit non lin eaire de type parabolique est mod elis e par la caract eristique de transfert suivante : u2 (t) = u1 (t) + u2 1 (t) Sachant quon lui applique une tension sinuso dale u1 (t) = A sin(t) : 1. d eterminez les composantes spectrales que lon obtient ` a la sortie ; 2. quelle est la puissance normalis ee P2 du signal de sortie ? 3. que vaut-elle par rapport ` a celle du signal dentr ee P1 ? 4. faites lA.N. avec A = 10 V, = 2 100 rad/s, = 1, = 0.2 1/V 5. esquissez u2 (t) ; quel est son taux de distorsion harmonique ? SF 22 Consid erant les deux signaux ci-dessous : x1 (t) = cos x2 (t) = cos 2 t+ 3 6 + sin 4 t+ 5 2
2 4 20 t+ + sin t+ + sin t 3 6 5 2 7 pr ecisez si ces signaux sont p eriodiques ou non. Pour cela, il vous faut trouver : 1. les fr equences constitutives de chaque signal, 2. les rapports existant entre ces fr equences, 3. la fr equence fondamentale si elle existe, 4. les harmoniques pr esents.
44
1.12. Exercices SF 23 : Les deux signaux de la gure Ex SF23 caract eris es par A1 = 2 V, A2 = 5 V, t = 0.2 ms, = 0.1 ms, T = 1 ms T = 1 ms
passent au travers dun ltre passe-bas id eal de fr equence de coupure fc = 4.5 kHz . Apr` es avoir rappel e ce quest la r eponse fr equentielle dun ltre passe-bas id eal, 1. calculez les puissances Px1 , Px2 de chacun des signaux dentr ee ; 2. calculez les puissances Py1 , Py2 de chacun des signaux de sortie.
2 5 4 3 2 1 1 0 1
1 x (t) x2(t) 0 0.5 t [ms] 1 1.5
0.5
0 t [ms]
0.5
SF 24 A cause de son taux de variation limit e (slew-rate), un amplicateur op erationnel transforme un sinus en un signal triangulaire sym etrique damplitude A. Calculez le taux de distorsion de cette d eformation.
SF 25 Un signal sinuso dal damplitude 10V et de fr equence 1 kHz est appliqu ea ` un ltre RC passe-bas de fr equence de coupure 2 kHz. Calculez le TDH du signal de sortie.
SF 26 On applique un signal sinuso dal damplitude 0.1V et de fr equence 10 kHz ` a un amplicateur inverseur de gain 100. Visuellement, le signal de sortie semble parfaitement sinuso dal. Cependant, une analyse spectrale a fourni les composantes Ak du tableau ci-dessous. Calculez la valeur ecace du signal de sortie et son TDH. k Ak [V] 0 81e-3 1 6.46 2 87e-6 3 0.105 4 55e-6 5 2.66e-3 6 58e-6 7 213e-6 8 57e-6 9 48e-6
SF 27 La gure Ex SF27 pr esente une sinuso de x(t) damplitude 10V et une sinuso de y (t) satur ee ` a 9V avec les spectres correspondants. Sachant que les composantes spectrales unilat erales fournies par lanalyseur spectral sont les suivantes :
45
1. Analyse des signaux p eriodiques k Ax (k ) [dB ] Ay (k ) [dB ] Ax (k ) [V ] A y ( k ) [V ] 1 0.0 0.33 3 30.0 5 33.2 7 33.8 9 50.7
1. calculez les amplitudes spectrales unilat erales et compl etez le tableau ; 2. calculez les valeurs ecaces des deux signaux ; 3. calculez le TDH de y (t) ; 4. expliquez pourquoi les harmoniques pairs du signal y (t) sont nuls.
Signaux temporels et frequentiels 10 x(t) et y(t) 5 0 5 Usat = 9[V] 10 0 0 X(f) [dB] 20 40 60 80 0 Y(f) [dB] 20 40 60 80 0 1000 2000 3000 4000 5000 6000 frequence [Hz] 7000 8000 9000 10000 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 0.2 0.4 0.6 0.8 1 temps [s] 1.2 1.4 1.6 1.8 x 10 2
3
46
Bibliographie
[1] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA, 1992 [2] A.V. Oppenheim, A.S. Willsky, Signals and Systems, Prentice-Hall, 1983
47
2. Analyse des signaux non p eriodiques

2.1. Transformation de Fourier
2.1.1. Passage de la s erie ` a la transformation de Fourier
Le passage dun signal p eriodique ` a un signal ap eriodique peut se faire en consid erant que la p eriode T devient de plus en plus grande pour tendre vers linni. On constate alors que les raies spectrales distantes de 1/T se rapprochent pour se transformer en spectre continu. Mais en m eme temps, lamplitude de celui-ci diminue pour tendre vers z ero. Une illustration en est donn ee (gure 2.1) pour une suite dimpulsions rectangulaires dont la p eriode augmente alors que la largeur reste constante. Comme la surface de limpulsion reste constante alors que la p eriode augmente, lamplitude Xdc du sinus cardinal ne cesse de d ecro tre pour tendre vers z ero. Partant dun signal p eriodique d ecrit par
+
xT (t) =
k
X (jk ) exp(+j 2 kf0 t)
X (jk ) =
1 T
+T /2
xT (t) exp(j 2 kf0 t)dt,

T /2
kZ
on evite lannulation de X (jk ) lorsque T en consid erant la fonction

+T /2
T X (jk ) =
T /2
xT (t) exp(j 2 kf0 t)dt
` partir des correspondances suivantes A T , f0 df, kf0 f, T X (jk ) X (jf ) on voit que la s erie de Fourier discr` ete devient une fonction continue. Cette fonction X (jf ) est une densit e spectrale damplitude qui, par d enition, est la transform ee de Fourier du signal ap eriodique x(t) :
+
X (jf )
x(t) exp(j 2 f t)dt,
f R
49
x(t) 1 0.2 0.1 0 0 0 1 1 2 3 0.1
X(jk) 0.2 0.1 0 0.1
T X(jk)
0.5
10
15
10
15
0.2 0.1 0
0.2 0.1 0 0.1
0.5
0 0 1 1 2 3
0.1
10
15
10
15
0.2 0.1 0
0.2 0.1 0 0.1
0.5
0 0 1 2 temps 3
0.1
5 10 frquence
15
5 10 frquence
15
Figure 2.1.: Passage de la s erie de Fourier ` a la densit e spectrale
50
2.1. Transformation de Fourier La transform ee inverse sobtient en consid erant la fonction p eriodique pour laquelle la p eriode T tend vers linni ; on a alors :
+
x(t) =
k
X (jk ) exp(+j 2 kf0 t) 1 (T X (jk )) exp(+j 2 kf0 t) T T k lim

+ T +
= Lorsquon passe ` a la limite
lim
(T X (jk )) exp(+j 2 kf0 t) f0

k
T , T X (jk ) X (jf ), f0 df, kf0 f on obtient la d enition de la transformation inverse de Fourier

+
x(t)
X (jf ) exp(+j 2f t) df
Il est important de noter que les unit es de X (jf ) ne sont pas les m emes que celles du signal original x(t). Dans le cas o` u x(t) est une tension electrique, sa transform ee X (jf ) sexprime en [V/Hz].
2.1.2. TF directe et inverse

Les deux relations que nous venons de d emontrer constituent les transformations de Fourier directe et inverse. On constate que les descriptions temporelle et spectrale sont parfaitement sym etriques :
+
x(t) =
+
X (jf ) exp(+j 2f t) df x(t) exp(j 2f t) dt
(2.1) (2.2)
X (jf ) =
En notation abr eg ee, on d ecrira ces deux transformations par les op erateurs T F { } et T F I { }. La correspondance r eciproque s ecrit alors : x(t) = T F I {X (jf )} T F {x(t)} = X (jf ) Si la fonction x(t) ne poss` ede pas de sym etries particuli` eres, sa densit e spectrale damplitude X (jf ) est une fonction complexe : x(t) X (jf ) = Xr (f ) + jXi (f ) Les densit es spectrales du module et de la phase valent alors : |X (jf )| X (f ) =
2 (f ) + X 2 (f ) Xr i
(2.3)
(2.4) (2.5)
X (jf ) (f ) = arctan
Xi ( f ) Xr (f )
51
nergie dun signal non permanent 2.1.3. E

Dans le cas des signaux non permanents, on prendra garde ` a parler de leur energie et non pas de leur puissance, car celle-ci est nulle si lon consid` ere une dur ee inniment longue. De mani` ere similaire ` a ce que lon a vu pour les signaux p eriodiques, on peut calculer l energie dun signal ap eriodique aussi bien dans le domaine temporel que dans domaine fr equentiel :
+
W =
+
x2 (t) dt
V2 sec V2 /Hz
(2.6) (2.7)
W =
|X (jf )|2 df
Lexpression de l energie dun signal x(t) dans le domaine des fr equences entra ne la d enition de la densit e spectrale d energie Sx (f ) : Sx (f ) |X (jf )|2 = X (jf ) X (jf ) V2 /Hz2 (2.8)
On notera que ses unit es sexpriment en [V2 /Hz2 ] lorsque le signal est une tension.
2.1.4. Propri et es de la transformation de Fourier

Parmi le grand nombre de propri et es associ ees ` a la transformation de Fourier, on retiendra particuli` erement celles qui ont le plus dint er et en traitement du signal. Elles sont pr esent ees dans le tableau 2.1.
2.2. Exemples de spectres continus

Pour illustrer lutilisation de la transform ee de Fourier, calculons les densit es spectrales de trois signaux particuliers.
2.2.1. Spectre dune impulsion rectangulaire

Consid erons une impulsion x(t) de largeur t et damplitude A centr ee en t = 0 (gure 2.2). Par d enition de la transformation de Fourier, on a :
+
X (jf ) =
x(t) exp(j 2 f t)dt
En tenant compte de la d enition de limpulsion rectangulaire centr ee : t 0 si |t| > 2 x(t) = t A si |t| 2
(2.9)
52
a) lin earit e
ax(t) + by (t)
aX (jf ) + bY (jf )
b) d ecalage
x(t + td )
X (jf ) exp(+j 2f td )
c) amortissement
x(t) exp(at), x(t) causal
X (j 2f + a)
d) modulation
x(t) exp(+j 2f0 t)
X (j (f f0 ))
e) d erivation
dx(t) dt
j 2f X (jf )
1 1 X (jf ) + X (0) (f ) j 2f 2 x(t)dt

+
f) int egration
avec X (0) =
x(t)dt
h(t) x(t) g) convolution h(t) x(t)
H (jf ) X (jf ) H (jf ) X (jf )
h) energie
W =
x2 (t)dt
W =
|X (jf )|2 df
j) valeurs ` a lorigine
x(t = 0) =
X (jf )df
X (f = 0) =
x(t)dt
k) rotation Oy
y (t) = x(t)
Y (jf ) = X (jf ) = X (jf )
l) fonction paire
x(t) = x(t)
X (jf )
m) fonction impaire
x(t) = x(t)
X (jf )
n) sym etrie
y (t) = X (t)
Y (jf ) = x(jf ) 53
Table 2.1.: Quelques propri et es de la transformation de Fourier
2. Analyse des signaux non p eriodiques il vient :

+t/2
X (jf ) =
t/2
A exp(j 2 f t)dt A exp(j 2 f t) j 2f

+t/2 t/2
= = =
A t t exp(j 2 f ) exp(+j 2 f ) j 2f 2 2 A exp(+j f t) exp(j f t) f 2j
Utilisant la formule dEuler : sin u = on obtient nalement : X (jf ) = A t sin(f t) = A t sinc(f t) f t (2.10) exp(+ju) exp(ju) 2j
Comme on pouvait sy attendre, la densit e spectrale damplitude dune impulsion rectangulaire centr ee en t = 0 est bien d ecrite par un sinus cardinal. De plus, comme limpulsion rectangulaire x(t) est paire, sa densit e spectrale damplitude Y (jf ) est une fonction r eelle. Enn, on remarquera (gure 2.2) que le spectre passe par z ero chaque fois que le sinus cardinal sannule, cest-` a-dire, chaque fois que la fr equence est un multiple de 1/t. Le spectre de cette impulsion illustre deux points importants concernant les signaux de dur ee limit ee (gure 2.3) : Un signal de courte dur ee poss` ede un spectre large bande. Un spectre etroit correspond ` a un signal de longue dur ee.
2.2.2. Spectres dun sinus amorti

tudions, comme deuxi` E eme exemple, la transform ee de Fourier dune sinuso de de fr equence fp d ecroissant exponentiellement au cours du temps (gure 2.4). Son equation s ecrit : 0, si t < 0 (2.11) A exp(at) sin(2fp t), si t 0
y (t) =
54
1 0.8 x(t) 0.6 0.4 0.2 0 0.2 10 8 6 4 2 0 temps 2 4 6 8 10
4 3 X(jf) 2 1 0 1 1
0.8
0.6
0.4
0.2
0 frquence
0.2
0.4
0.6
0.8
Figure 2.2.: Impulsion rectangulaire et sa densit e spectrale damplitude
A = 1, t = 10 1.2 1 0.8 X1(jf) 5 0 A = 5, t = 2 6 5 4 X2(jf) x2(t) 3 2 1 0 0 2 1 10 5 0 temps 5 10 5 0 frquence 5 10 8 6 4 2 5 10 x1(t) 0.6 0.4 0.2 0 0 2 0.2 10 5 0 5 10 8 6 4 2
Figure 2.3.: Le contenu spectral dune impulsion d epend fortement de sa dur ee
55
2. Analyse des signaux non p eriodiques Partant de la d enition de la transform ee de Fourier, on calcule sa densit e spectrale damplitude :
+
Y (jf ) =

y (t) exp(j 2f t)dt A exp(at) sin(2fp t) exp(j 2f t)dt

0
= =
0
A exp(at)
exp(+j 2fp t) exp(j 2fp t) exp(j 2f t)dt 2j
Cette int egrale ne contient que des exponentielles ; elle est tr` es simple ` a calculer. Apr` es r eduction des deux primitives a eme d enominateur, on obtient : ` un m 2fp C (2.12) Y (jf ) = A (a + j 2f )2 + (2fp )2
1 A = 1.0 0.5 y(t) fp = 4.0 a = 0.25 0
0.5
5 temps
10
2 1.5 |Y(jf))| 1 0.5 0
10
0 frquence
10
Figure 2.4.: Sinus amorti et le module de sa densit e spectrale damplitude On remarquera que la densit e spectrale damplitude Y (jf ) est une fonction complexe car la sinuso de d ecroissante y (t) ne poss` ede pas de sym etrie particuli` ere. La gure 2.4 pr esente le sinus amorti et le module de sa densit e spectrale damplitude. On peut egalement noter les deux valeurs particuli` eres suivantes f =0: Y (0) = A a2 2fp + (2fp )2 A 2fp a a + j 4fp A 2fp A j 2a si a 2 fp
f = fp :
Y (jfp ) =
si a
2 fp
56
2.2.3. Spectres de deux impulsions rectangulaires

Consid erons un signal constitu e de deux impulsions damplitude A plac ees sym etriquement en t0 /2 (gure 2.5). Ce signal poss` ede un spectre qui se calcule facilement a partir de celui dune impulsion centr ee en t = 0 et ` a laide du th eor` eme du d eca` lage. Comme le signal z (t) est la somme de 2 impulsions d ecal ees de t0 /2, z (t) = x(t + t0 /2) + x(t t0 /2) on a : Z (jf ) = A t donc Z (jf ) = 2 A t sin(f t) cos(f t0 ) f t (2.14) t0 t0 sin(f t) exp(+j 2f ) + exp(j 2f ) f t 2 2 (2.13)
De plus, par rapport ` a ce qui va suivre, il est int eressant de consid erer egalement la densit e spectrale d energie : Sz (f ) |Z (jf )|2 = 2 A t sin(f t) cos(f t0 ) f t
2
(2.15)
Les densit es spectrales damplitude et d energie sont repr esent ees ` a la gure 2.5.
1 z(t) 0.5 (a) 0 10 2 1 Z(jf) 0 1 (b) 2 2 1.5 1 0.5 0 0.5 1 1.5 2 8 6 4 2 0 2 4 6 8 10
4 Sz(f) 3 2 1 0 2 (c) 1.5 1 0.5 0 0.5 1 1.5 2
Figure 2.5.: Deux impulsions rectangulaires sym etriques (a) avec ses densit es spectrales damplitude (b) et d energie (c)
57
2.3. Calcul de quelques transform ees

An de mieux saisir les implications de la TF, calculons les transform ees de quelques signaux importants en traitement du signal.
2.3.1. Exponentielle d ecroissante

Dans ce cas, x(t) vaut x(t) = exp(at) (t) = 0 si t < 0 (2.16) exp(at) si t 0
2
4 1 0.8 |X(jf)| x(t 0.6 0.4 0.2 0 0 2 4 temps 6 1 3 / X(jf) 2 0 frquence 2
0 frquence
Figure 2.6.: Exponentielle d ecroissante et ses spectres (module et phase) Lapplication de la d enition de la TF conduit ` a:
+
X (jf ) =
0
exp(at) exp(j 2f t)dt
do` u:
1 (2.17) a + j 2f Pour illustrer le th eor` eme de l energie, calculons l energie de ce signal dans le domaine temporel : X (jf ) =
+ +
W =
x2 (t) dt =
0
exp(2at) dt =
1 2a
et dans le domaine fr equentiel :

+ +
W =
|X (jf )|2 df =
+
a2
df + (2f )2
1 2f arctan 2a a
1 2a
On retrouve bien entendu le m eme r esultat dans les deux cas.
58
2.3.2. Exponentielle d ecroissante sym etrique

Ce signal est d ecrit par : x(t) = exp(a |t|) , < t < + (2.18)
4 1 0.8 |X(jf)| x(t) 0.6 0.4 0.2 0 5 0 temps 5 1 3 / X(jf) 2 0 frquence 2
0 frquence
Figure 2.7.: Exponentielle sym etrique et ses spectres (module et phase) De mani` ere plus explicite, on peut encore l ecrire sous la forme x(t) = exp(+at) (t) + exp(at) (t) On a alors :
0
(2.19)
X (jf ) =
exp(+at) exp(j 2f t) dt +
0
exp(at) exp(j 2f t) dt
do` u: X (jf ) = 01 2a 10 + = 2 a j 2f (a + j 2f ) a + (2f )2 (2.20)
On remarquera que x(t) etant pair, sa transform ee est r eelle.
2.3.3. Signal constant unit e

Le signal constant unit e vaut simplement 1 quelque soit t (, +). Au sens des limites, il peut etre d ecrit ` a partir de lexponentielle sym etrique : x(t) = 1 = lim exp(a |t|) , < t < +
a0
(2.21)
Ce passage par la limite est n ecessaire car le signal constant nest pas int egrable en valeur absolue et sa transform ee de Fourier ne peut donc pas etre calcul ee ` a partir de sa d enition. Par contre, partant de lexponentielle sym etrique, on a : 0 si f = 0 2a X (jf ) = lim 2 = a0 a + (2f )2 si f = 0
59
2. Analyse des signaux non p eriodiques Ce r esultat co ncide avec la d enition dune impulsion de Dirac. La TF dun signal unit e est donc une impulsion de Dirac situ ee en f = 0 : X (jf ) = (f ) (2.22)
2.3.4. Saut unit e

Le calcul de la TF dun saut unit e (t) (gure 2.8) n ecessite egalement quelques pr ecautions, car ce signal nest pas int egrable en valeur absolue. Mais, constatant que lon a : 1 = (t) + (t) et d esignant la TF de (t) par E (jf ), il vient : T F {1} = (f ) = E (jf ) + E (jf ) = 2 Er (jf ) De ce r esultat, on en d eduit que la partie r eelle Er (jf ) vaut (f )/2. Il reste encore ` a trouver la partie imaginaire de E (jf ). Pour ce faire, on peut remarquer que le saut unit e peut egalement s ecrire sous la forme : 0 si t < 0 (2.23) (t) = lima0 exp(at) si t 0 dont la transform ee ( equation 2.17) est purement imaginaire et vaut 1/(j 2f ). On obtient donc nalement : 1 1 E (jf ) = Er (jf ) + j Ei (jf ) = (f ) + 2 j 2f (2.24)
2.3.5. Phaseur
Pour calculer sa TF, consid erons le fait quun phaseur de fr equence f0 peut s ecrire comme suit : x(t) = exp(+j 2f0 t) = lim exp(a |t|) exp(+j 2f0 t)
a0
(2.25)
Utilisant la TF de lexponentielle sym etrique ( equation 2.20) et la propri et e de modulation, on a : 0 si f = f0 2a = X (jf ) = lim a0 a2 + (2 (f f ))2 0 si f = f
0
La TF dun phaseur de fr equence f0 est donc une impulsion de Dirac situ ee en f = f0 : X (jf ) = (f f0 ) (2.26)
60
x(t) 1 Saut unit 2 1.5 0.5 1 0.5 0 5 1 Cosinus 0.5 0 0.5 1 5 1 0.5 Sinus 0 0.5 1 5 0 0 t 5 2 0.5 0 0 5 2 1 0.5 0 5 0 2 1
|X(jf)| 2 1 0 1 0 2 2 2 2 1 0 1 0 2 2 2 2 1 0 1 0 f 2 2 2
X(jf)
0 f
Figure 2.8.: Signaux et densit es spectrales dun saut unit e, dun cosinus et dun sinus
61
2.3.6. Signal sinuso dal

Comme un signal sinuso dal est constitu e de 2 phaseurs conjugu es complexes (loi dEuler), sa TF comportera 2 impulsions de Dirac situ ee en f0 . Plus pr ecis ement, on aura : x(t) = cos(2f0 t) = (f f0 ) + (f + f0 ) 1 +j 2f0 t e + ej 2f0 t X (jf ) = 2 2 (2.27)
x(t) = sin(2f0 t) =
(f f0 ) (f + f0 ) 1 +j 2f0 t e ej 2f0 t X (jf ) = 2j 2j (2.28)
La premi` ere TF est r eelle, car la cosinuso de est paire, alors que la deuxi` eme TF est imaginaire car la sinuso de est impaire. On notera que les modules des densit es spectrales sont les m emes et que seuls di` erent leurs arguments (gure 2.8).
2.3.7. Impulsion sinuso dale

Parmi les propri et es des transformations de Laplace et Fourier, nous avons vu qu` a un produit de convolution dans le domaine temporel correspond un produit simple dans le domaine complexe : y (t) = h(t) x(t) Y (jf ) = H (jf ) X (jf ) (2.29)
Linverse de cette proposition est egalement vraie et elle est tr` es pratique pour ` calculer le spectre de signaux modul es en amplitude. Elle sexprime 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 (jf ) = M (jf ) X (jf ) (2.30)
Consid erons comme exemple une impulsion sinuso dale de dur ee t (g. 2.9c) t cos(2f0 t) si |t| < 2 y (t) = t 0 si |t| 2 Voyant que ce signal est equivalent a de permanente ` la multiplication dune sinuso (g. 2.9a) par une impulsion de largeur t (g. 2.9b), on a : t 1 si |t| < 2 y (t) = m(t) x(t) = m(t) cos(2f0 t) avec m(t) = t 0 si |t| 2
62
2 1 1.5 0 1 2 1 0 1 2 0 10 2 1 1.5 m(t) 0 1 2 1 0 1 2 0 10 2 1 1.5 0 1 2 1 0 temps 1 2 0 10 5 0 frquence 5 10 Y(f) x(t) 1 0.5 5 0 5 10 M(f) 1 0.5 5 0 5 10 X(f) x(t) 1 0.5
Figure 2.9.: Impulsion sinuso dale et son spectre
63
2. Analyse des signaux non p eriodiques Sachant que les spectres des signaux x(t) et m(t) valent respectivement X (jf ) = 1 ( (f + f0 ) + (f f0 )) 2 M (jf ) = A t sinc(f t)
et que la convolution entre une fonction et une impulsion de Dirac reproduit la fonction ` a lendroit o` u se situe limpulsion, on voit que le spectre de limpulsion sinuso dale vaut A t (sinc((f + f0 ) t) + sinc((f f0 ) t)) Y (jf ) = M (jf ) X (jf ) = 2 On constate ainsi que le spectre dune impulsion sinuso dale de dur ee t est constitu e de deux sinus cardinaux situ es en +f0 et f0 (gure 2.9c).
2.4. Quelques conclusions

2.4.1. TF des signaux p eriodiques
Du paragraphe pr ec edent, on retiendra que la transformation de Fourier sapplique egalement ` a des signaux p eriodiques, cest-` a-dire ` a des signaux de puissance moyenne nie. Dans ce cas, les raies spectrales de la s erie de Fourier sont remplac ees par des impulsions de Dirac.
2.4.2. Relations avec la transformation de Laplace

Les d enitions des transform ees de Fourier et Laplace montrent une forte similitude. On a en eet + X (jf ) =
+
x(t) exp(j 2 f t)dt s = + j 2f
X (s) =
0
x(t) exp(s t) dt avec
Si on a d eni des transformations si proches, mais malgr e tout distinctes, cest que tous les signaux ne sont pas transformables de Fourier et/ou de Laplace. En eet, lexistence de ces transformations entra nent les restrictions suivantes : pour la transformation de Fourier, il faut que le signal soit int egrable en valeur absolue et que le nombre de ses discontinuit es soit ni :
+
|x(t)| dt <
pour la transformation de Laplace, il faut que :

+
x(t)est dt <
autrement dit, il faut que le signal x(t) pond er e par une exponentielle amortie soit int egrable en valeur absolue.
64
2.5. Extension de la transformation de Fourier Des deux points ci-dessus, il d ecoule que les signaux temporaires (` a energie nie) et les signaux permanents p eriodiques ou non (` a puissance ne) poss` edent une transform ee de Fourier mais pas n ecessairement une transform ee de Laplace. Ainsi en est-il de lexponentielle sym etrique et, au sens des limites, des signaux p eriodiques. Par contre, des signaux d emarrant en t = 0 tels quune rampe x(t) = a t (t), une parabole x(t) = a t2 (t), ne sont pas transformables de Fourier, alors quils poss` edent une transform ee de Laplace. Il existe dautre part des signaux qui poss` edent les deux transform ees ; par exemple, les signaux amortis d emarrant en t = 0. Et dautres qui nen poss` edent aucune ; par exemple x(t) = a t pour < t < +. On trouvera en n de chapitre une table illustr ee des transform ees de Fourier tir ee de louvrage de F. de Coulon [2].
2.5. Extension de la transformation de Fourier

Le spectre d energie des deux impulsions etudi ees ` a la section 2.2.3 montre une grande similitude avec la gure de diraction de Fraunhofer due ` a deux fentes etroites (gure 2.10). En r ealit e, il sagit bien plus que dune similitude car on montre en physique que toute gure de diraction est la transform ee de Fourier de lobjet qui en est la cause. De cette analogie, on d eduit que la notion de transformation de Fourier peut etre etendue ` a des espaces ` a plusieurs dimensions. Cette transformation de Fourier mul tidimensionnelle est d enie de mani` ere similaire ` a celle que nous avons etudi ee jusqu` a pr esent
+
x(t) X (jf )
x(t) exp (j 2 f t) dt
(2.31)
avec f repr esentant la fr equence des oscillations, cest-` a-dire le nombre de p eriodes par unit e de temps. Cette fr equence est mesur ee en [Hz] ou, de mani` ere plus fondamentale, en [1/sec]. Dans le cas particulier dune image (espace ` a deux dimensions), on a aaire ` a une intensit e lumineuse i fonction des coordonn ees x et y i = i(x, y ) Sa transform ee de Fourier est alors d enie comme suit
+ +
(2.32)
i(x, y ) I (jfx , jfy )

i(x, y ) exp (j 2 fx x) exp (j 2 fy y ) dx dy
(2.33) Ici, les fr equences spatiales fx et fy repr esentent le nombre de p eriodes par unit e de longueur mesur ees en [1/m]. Une illustration des spectres spatiaux (ou des gures de diraction) douvertures circulaire et carr ee est donn ee ` a la gure 2.11 ; on y
65
1 z(t) 0.5 (a) 0 10 2 1 Z(jf) 0 1 (b) 2 2 1.5 1 0.5 0 0.5 1 1.5 2 8 6 4 2 0 2 4 6 8 10
4 Sz(f) 3 2 1 0 2 (c) 1.5 1 0.5 0 0.5 1 1.5 2
Figure 2.10.: a) Deux impulsions rectangulaires et leurs spectres damplitudes et d energie b) Figure de diraction caus ee par deux ouvertures etroites [3]
66
2.5. Extension de la transformation de Fourier
1 g(x,y) 0.5 0 50 50 0 y 50 50 x 0 g(x,y)
1 0.5 0 50 50 0 y 50 50 x 0
1 G(fx,fy) G(fx,fy) 5 0 fy 5 5 f
x
1 0.5 0
0.5 0
0.5 5 0
0.5 5 5 0 fy 5 5 f
x
Original
Passehaut
Passebas
Figure 2.11.: a) Transform ees de Fourier spatiales dun rond et dun carr e b) Filtrage spatial de la lettre A avec un masque qui ne laisse passer que les hautes ou les basses fr equences
67
2. Analyse des signaux non p eriodiques reconna t la fonction sinus cardinal distribu ee dans lespace des fr equences spatiales fx et fy . Comme nous venons de le voir, la notion de transformation de Fourier sapplique a des fonctions bidimensionnelles. On imagine donc ais ement que les principes de ` ltrage bien connus en electronique peuvent s etendre de la m eme mani` ere ` a des signaux multidimensionnels. Une illustration en est donn ee ` a la gure 2.11 o` u lon voit comment lapplication de masques dans le domaine fr equentiel permet dextraire les bords de limage (ltrage passe-haut) ou de d efocaliser limage (ltrage passe-bas). On notera quun ltrage r ealis e avec un masque constitu e simplement de 0 ou 1 nest pas optimum car il entra ne les eets de franges bien visibles sur les images.
A
Figure 2.12.: Alphabet de Fourier (partiel) avec le mot ` a d ecouvrir Une exp erience amusante consiste a ` lire un texte dans lespace de Fourier si, au pr ealable, on sest familiaris e avec les spectres bidimensionnels des majuscules de lalphabet (gure 2.12). Quelques instants dobservation montrent quil est possible
68
2.5. Extension de la transformation de Fourier de reconna tre les lettres de lalphabet simplement ` a partir de leur transform ee de Fourier spatiale. Dans cette gure, seules vingt images de lalphabet sont pr esent ees dans lordre alphab etique ; les lettres manquantes peuvent etre retrouv ees en essayant de se repr esenter leur spectre. Apr` es avoir trouv e les lettres manquantes, on peut rechercher le mot ecrit avec cet alphabet.
69
2.6. Table illustr ee de quelques transform ees de Fourier [2]
70
2.6. Table illustr ee de quelques transform ees de Fourier [2]
71
72
2.7. Exercices
2.7. Exercices
` partir de la seule observation du signal temporel de la gure 2.13, pr TF 1 A ecisez ce que vaut sa densit e spectrale en f = 0 puis calculez et esquissez sa transform ee de Fourier.
1.5
x(t)
0.5
0 8 6 4 2 0 2 temps [msec] 4 6 8
Figure 2.13.: Exercice TF1
TF 2 Partant de la TF dune impulsion rectangulaire et de la propri et e dint egration, calculez les TF de x(t) et y (t) (gure 2.14). Apr` es calculs, vous remarquerez que Y (jf ) peut s ecrire sous la forme dun sinc2 . TF 3 Partant de la TF dune impulsion et dun saut unit e, trouvez celle de z (t) (gure 2.14). Est-il possible de trouver Z (jf ) ` a partir de Y (jf ) ? Vous pouvez v erier votre r esultat en calculant Z (jf = 0) qui doit etre egal ` a t/2. TF 4 Soit un signal carr e p eriodique sym etrique (` a valeur moyenne nulle) damplitude A. Esquissez 1. le signal x(t) ; 2. le spectre que lon obtient avec les s eries de Fourier ; 3. le spectre que lon obtient avec la transformation de Fourier. TF 5 Consid erant le signal x(t) = exp(a |t|), calculez et esquissez x(t) et X (jf ), puis v eriez les 2 egalit es suivantes :
+ +
a) X (0) =
x(t)dt ,
b) x(0) =
X (jf )df
73

1 x(t) 0 1 400 1 y(t) 0.5 0 400 1 z(t) 0.5 0 400
200
200
400
600
200
200
400
600
200
0 200 temps [msec]
400
600
Figure 2.14.: Exercices TF2 et TF3 TF 6
fr equence 1 la partie r eelle de X (jf ) est nulle
temps
la partie imaginaire de X (jf ) est nulle
il existe un d ecalage t0 tel que exp(j 2f t0 )X (jf ) est r eel
il existe un d ecalage t0 tel que exp(j 2f t0 )X (jf ) est imaginaire
X (jf ) est continu
1. Consid erant les cinq propri et es fr equentielles du tableau ci-dessus, exprimez leur equivalent temporel dans la colonne de droite. 2. Pour chacun des signaux temporels de la gure 2.15, quelles sont les propri et es du tableau qui sy appliquent ?
74
2.7. Exercices 3. Construisez un signal qui ne poss` ede aucune des cinq propri et es mentionn ees dans le tableau.
1 0.5 0 0.5 1 6 1 0.5 0 0.5 1 6 1 0 4 2 0 2 4 (c) 6 6 1 0.5 0 0.5 1 6 1 (e) 0.5 0.5 0 0.5 0 6 4 2 0 2 4 6 1 6 4 2 0 2 4 (d) 6 0.5 (a) 1 (b)
4 (f)
0.8
0.6 x(t) 0.4 0.2 0 2 1 0 1 temps [msec] 2 3 4
TF 7 Soit X (jf ) la transform ee de Fourier du signal x(t) de la gure 2.16. Sans calculer explicitement X (jf ), recherchez :
75
2. Analyse des signaux non p eriodiques 1. la densit e spectrale de phase de X (jf ) ; 2. la valeur de X (f = 0) ; + 3. la valeur de X (jf )df ; 4. la valeur de
+
|X (jf )|2 df .
TF 8 Connaissant la TF dune sinuso de amortie d emarrant en t = 0 2f0 X (jf ) = (a + j 2f )2 + (2f0 )2 1. calculez la TF dune sinuso de non amortie d emarrant ` a linstant t = 0 ; 2. esquissez les modules des spectres X (jf ), Y (jf ) et celui dune sinuso de permanente ; 3. discutez les di erences existant entre ces trois spectres. TF 9 On applique une exponentielle d ecroissante u1 (t) = U0 exp(at) (t), damortissement a = 100 [1/sec] ` a un ltre passe-bas de constante de temps = 1 [msec] ; 1. calculez la TF U2 (jf ) de la tension de sortie u2 (t) du ltre ; 2. utilisez le tableau des transform ees pour d eduire lexpression temporelle de u2 (t). TF 10 Soit un message m(t) = A cos(2f1 t) modul e en amplitude par une porteuse sinuso dale p(t) = sin(2f0 t) : 1. calculez la TF du signal modul e x(t) = m(t) p(t) = A sin(2f0 t) cos(2f1 t) ; 2. esquissez le spectre du signal modul e |X (jf )| si f1 = 10 [kHz] et f0 = 800 [kHz] ; 3. idem 2) lorsque le signal m(t) poss` ede un spectre continu |M (jf )|triangulaire et non-nul entre 2 [kHz] et 10 [kHz]. TF 11 Soit le signal : u(t) = U0 cos(2f0 t) 0 si |t| t0 si |t| > t0
1. esquissez u(t) ; 2. calculez sa TF U (jf ) ; 3. esquissez |U (jf )| pour U0 = 1 [V],
T = 1/f0 = 1 [msec],
t0 = 10 [msec].
Ce signal correspond ` a lobservation dune fonction sinuso dale pendant une dur ee nie 2t0 . On remarquera, une fois le calcul eectu e, que lanalyse spectrale dune sinuso de pendant une dur ee nie revient a remplacer les raies spectrales situ ees en ` f = f0 par la fonction sinus cardinal.
76
2.7. Exercices TF 12 Soit la fonction : u(t) = 1. esquissez u(t) ; 2. calculez sa TF U (jf ) ; 3. esquissez U (jf ) et la TF dune impulsion rectangulaire de m eme dur ee ; 4. observez les di erences.
1 2
[1 cos(2f0 t)] 0
si |t| si |t| >
T 2 T 2
TF 13 Connaissant la transform ee E (jf ) dun saut unit e (t), calculez la transform ee S (jf ) de la fonction signe s(t).
TF 14 Montrez quun produit simple dans lespace des fr equences correspond ` a un produit de convolution dans lespace temps :
+
Y (jf ) = X (jf ) H (jf )
y (t) = x(t) h(t) =
x()h(t )d
Pour d emontrer ce r esultat important et bien connu, vous pouvez dabord exprimer la TFI de Y (jf ) :
+ +
y (t) =
Y (jf )exp(+j 2f t)df =
H (jf )X (jf )exp(+j 2f t)df
puis y introduire la TF de x(t) :

+
X (jf ) =
x()exp(j 2f )d
TF 15 Consid erant la r eponse dun ltre h(t) dont le spectre est le suivant : si |f | 100 [Hz] 1 H (jf ) = 0 sinon 1. esquissez H (jf ) ; 2. calculez, puis esquissez h(t) ; 3. ce signal correspond ` a la r eponse impulsionnelle du ltre d ecrit par H (jf ); ce ltre est-il r ealisable ? pourquoi ?
77
2. Analyse des signaux non p eriodiques TF 16 Consid erant un signal u(t) dont le spectre est le suivant : 1 1. esquissez U (jf ) ; 2. calculez puis esquissez u(t) ; 3. que vaut son energie ? 0 si 100 [Hz] |f | 200 [Hz] sinon
U (jf ) =
TF 17 Utilisez la transformation de Fourier pour trouver le courant circulant dans un circuit RC s erie sachant que le signal appliqu e est un saut de tension damplitude E.
TF 18 On applique une fonction signe u1 (t) damplitude E ` a un ltre RC passebas. 1. utilisez la transformation de Fourier pour trouver la tension de sortie ; 2. esquissez u1 (t) et u2 (t).
TF 19 On applique une exponentielle sym etrique u1 (t) = U0 exp(a |t|) ` a un ltre passe-bas de constante de temps . 1. avant de vous lancer dans les calculs, esquissez u1 (t) et imaginez ce que peut etre u2 (t) ; 2. calculez la tension de sortie du ltre. La marche ` a suivre est la m eme que celle utilis ee avec la transformation de Laplace : d ecomposition en somme de fractions simples puis recherche des coecients par identication avec des transform ees connues.
TF 20 On applique une exponentielle d ecroissante u1 (t) = U0 exp(at) (t) ` a un ltre passe-bas id eal de fr equence de coupure fc . 1. exprimez U1 (jf ) et U2 (jf ) ; esquissez leur module ; 2. en admettant U0 = 10 [V ] et a = 1000 [1/sec], calculez les energies E1 et E2 des signaux dentr ee et de sortie lorsque : . (a) fc = 1 [kHz] ; (b) fc = 2a
78
2.7. Exercices TF 21 On applique ` a un ltre passe-bas de constante de temps = 1 [msec] un signal u1 (t) dont le spectre est d eni par : si 100 [Hz ] <= |f | <= 300 [Hz] 1 [V/Hz] U1 (jf ) = 0 sinon 1. exprimez la fonction de transfert H (jf ) du ltre ; que vaut sa fr equence caract eristique fc ? 2. esquissez U1 (jf ), H (jf ) et U2 (jf ) pour 500 [Hz] < f < +500 [Hz] ; 3. quelles sont les energies E1 et E2 des signaux dentr ee et de sortie ? 4. comment evoluera E2 si la constante de temps diminue ? 5. comment calculeriez-vous u2 (t) ? Ne faites pas les calculs, mais pr ecisez point par point votre d emarche ; essayez dentrevoir les dicult es de ce calcul. TF 22 On applique ` a un ltre passe-bas de constante de temps = RC = 10 [msec] une tension exponentielle u1 (t) = 10 exp(at) (t) avec a = 1000 [1/sec]. 1. esquissez u1 (t) et u2 (t) ; 2. calculez les energies contenues dans les signaux dentr ee et de sortie. 1 TF 23 On applique une impulsion de Dirac (t) ` a un ltre passe-bande dont la fonction de transfert vaut : H (jf ) = D0 jf f0 1 + D0 jf + f0
jf f0 2
D0
1 Q0
1. esquissez les spectres des signaux dentr ee et de sortie ; 2. exprimez l energie du signal de sortie contenue dans la bande passante f sachant que : 1 1 = 0.1 f0 = = 1 [kHz ] D0 Q0 2 LC f fi,s = 1 + 1 + 4Q2 f = f0 D0 0 2 TF 24 Consid erant le spectre X (jf ) de la gure 2.17 constitu e dun sinus cardinal 3 damplitude X (0) = 2 10 et de 2 impulsions de Dirac de surface 1/2, trouvez puis esquissez le signal x(t) correspondant.
1. Si le calcul de lint egrale d enie n ecessaire pour obtenir l energie vous para t trop dicile, essayez la d emarche suivante : a) esquissez la fonction ` a int egrer ; b) estimez des limites raisonnables pour la valeur de l energie ; c) ` a laide dun petit programme (une douzaine de lignes), int egrez num eriquement la densit e spectrale d energie. Si le nombre de pas est susant, le r esultat obtenu sera tout ` a fait satisfaisant.
79

20 x 10
4
15
10 X(jf)
1/2
1/2
5 4
1 0 1 frquence [kHz]
Figure 2.17.: Exercice TF24 TF 25 A partir du signal x(t) = exp(at) (t), trouvez le spectre de y (t) = sgn(t).
80
Bibliographie
[1] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA, 1992 [2] F. de Coulon, Th eorie et traitement des signaux, Presses polytechniques romandes, Lausanne, 1984 [3] M. Alonso, E.J. Finn, Physique g en erale : champs et ondes, Editions p edagogiques, Montr eal, 1970
81
l 3. E ements danalyse spectrale num erique

3.1. Passage de la TF ` a la TFD
L echantillonnage des signaux analogiques est etudi e en d etail par ailleurs. Pour ce qui suit, il sut de savoir que tout signal analogique x(t) est acquis a ` un rythme r egulier dict e par la p eriode d echantillonnage Te et quil est stock e en m emoire dordinateur. Ces signaux x[n] sont des signaux num eriques obtenus ` a laide dun convertisseur analogique-num erique (gure 3.1) et tels que x[n] = x (t)|t=n Te
x(t)
Te Signal analogique
(3.1)
x[n] = x(t=nTe)
x(t) A
x[n]
Signal chantillonn
N
t n
Figure 3.1.: Acquisition num erique dun signal analogique Le passage de la transformation de Fourier (TF) des signaux analogiques x(t) ` a la transformation de Fourier discr` ete (TFD) des signaux num eris es x[n] fait intervenir trois op erations : l echantillonnage du signal analogique ; la limitation de la dur ee de lenregistrement de ce signal ; la discr etisation de la fr equence pour lanalyse spectrale num erique. Ces trois op erations, apparemment anodines, ont des cons equences dont il est important d evaluer l etendue. Pour m emoire, on rappelle trois propri et es de la transformation de Fourier dont on aura besoin par la suite : au produit simple dans un espace correspond un produit de convolution dans lautre x(t) y (t) X (jf ) Y (jf ) (3.2) x(t) y (t) X (jf ) Y (jf ) (3.3)
83
ements danalyse spectrale num 3. El erique la TF dun peigne dimpulsions de Dirac est egalement un peigne de Dirac 1 f (f ) (3.4) Te e la TF dune impulsion rectangulaire damplitude A et de largeur t est un sinus cardinal Te (t) A rect(t/t) A t sin(f t) = A t sinc(f t) f t (3.5)
An de concr etiser au mieux les relations existant entre les espaces temps et fr equence, on consid erera par la suite que les signaux etudi es sont fournis sous la forme dune tension electrique que lon echantillonne r eguli` erement pendant une dur ee nie avant de calculer num eriquement son contenu spectral. Ainsi, pour chaque equation, on pourra pr eciser les unit es des r esultats obtenus.
3.1.1. Signaux continus non-p eriodiques (TF)

Un signal analogique x(t) et sa densit e spectrale X (jf ) sont reli es entre eux par les relations + X (jf ) = x(t) =
x(t) exp(j 2f t)dt

+
[V sec] [V]
(3.6) (3.7)
Ces transformations directe et inverse montrent ` a l evidence, la parfaite sym etrie ` cette sym qui relie les espaces temps et fr equence (gure 3.2.a). A etrie correspond la propri et e suivante : a un signal temporel continu non p eriodique correspond un ` spectre continu non p eriodique.
3.1.2. Signaux discrets de dur ee innie (TFi)

On consid` ere ici que le signal continu x(t) (gure 3.2.a) est echantillonn e tous les multiples de la p eriode d echantillonnage Te . Cette op eration d echantillonnage peut etre repr esent ee math ematiquement par la multiplication du signal x(t) avec un peigne dimpulsions de Dirac distantes de Te (gure 3.2.b) x (t = nTe ) = x(t) Te (t) (3.8)
On obtient ainsi une suite dimpulsions de Dirac pond er ees par les valeurs x (t = nTe ) (gure 3.2.c) ; celles-ci repr esentent alors le signal discret x[n] = x(t = nTe ). Dans lespace fr equentiel, le peigne de Dirac temporel Te (t) devient un peigne de Dirac p eriodique fe (gure 3.2.b) (f ) T F {Te (t)} = 1 f (f ) Te e (3.9)
84
3.1. Passage de la TF ` a la TFD
TF
/ Te
TFi
TFf
TFD
Figure 3.2.: Passage de la TF ` a la TFD [1]
85
ements danalyse spectrale num 3. El erique Comme le produit simple dans lespace temps conduit ` a un produit de convolution entre les spectres X(jf) et (f ) (gure 3.2.c), on constate que : a un signal echantillonn e ou discret correspond un spectre ` continu et p eriodique fe . Le calcul du spectre Xe (jf ) dun signal discret x[n] se fait ` a partir de la d enition de la transformation de Fourier des signaux continus ( equation 3.6). On obtient alors
+
Xe (jf ) = Te
n=
x[n] exp(j 2f nTe )
[V sec]
(3.10)
Partant de ce spectre Xe (jf ), on peut bien entendu revenir au signal temporel x[n] :
+fe /2
x[n] =
fe /2
Xe (jf ) exp(+j 2f nTe ) df
[V], < n < +
(3.11)
3.1.3. Signaux discrets de dur ee nie (TFf)

Dans le cas o` u lon d esire traiter num eriquement un signal, le nombre de valeurs x[n] ne peut pas etre inniment grand. On est donc contraint ` a ne prendre en compte quune partie du signal original. Math ematiquement, cette op eration de troncation revient ` a multiplier le signal x(t) par une fen etre rectangulaire w(t) de largeur T (gure 3.2.d). ` cette multiplication dans lespace temps correspond un produit de convolution A dans lespace des fr equences entre le spectre du signal X (jf ) et le spectre en sinus cardinal de la fen etre w(t). Il en r esulte une d eformation du spectre original caus ee par les ondulations du sinus cardinal (gure 3.2.e). Le signal x(t) est enregistr e pendant une dur ee nie T en echantillonnant N valeurs du signal x(t). On a donc T = N Te . La suite de valeurs discr` etes xN [n] ainsi obtenue sera enum er ee avec le compteur temporel n compris entre 0 et N 1 et le spectre du signal tronqu e se calcule alors comme suit
N 1
Xe,N (jf ) = Te
n=0
xN [n] exp(j 2f nTe )
[V sec]
Il est bien clair que les N valeurs temporelles peuvent sobtenir par transformation inverse de Xe,N (jf )
+fe /2
xN [n] =
fe /2
Xe,N (jf ) exp(+j 2f nTe )df
[V], 0 n N 1
Remarque Par la suite, aucune distinction ne sera faite entre xN [n] et x[n] dune part, et Xe,N (jf ) et Xe (jf ) dautre part, car le contexte permettra toujours de
86
3.2. Relations temps-fr equence savoir si la longueur N de la suite consid er ee est nie ou non ; les 2 relations cidessus s ecriront alors
N 1
Xe (jf ) = Te
n=0 +fe /2
x[n] exp(j 2f nTe )
[V sec]
(3.12)
x[n] =
fe /2
Xe (jf ) exp(+j 2f nTe )df
[V]
(3.13)
3.1.4. Discr etisation de la fr equence (TFD)

An de pouvoir calculer num eriquement un spectre, il est evidemment n ecessaire de discr etiser la fr equence. En divisant le domaine fr equentiel en N intervalles, lincr ement fr equentiel vaut f = fe /N et les fr equences analys ees, au nombre de N , sont : f = k f = k fe /N (3.14) Cette discr etisation de la fr equence nest rien dautre quun echantillonnage dans le domaine spectral et les r esultats des op erations d echantillonnage et de multiplication vues plus haut pour lespace temps sappliquent egalement dans lespace des fr equences (gure 3.2.f et 3.2.g) et conduisent ` a la propri et e suivante : a la discr etisation du domaine spectral correspond un signal ` temporel p eriodique. Tout se passe comme si la dur ee dacquisition T correspondait a eriode du ` une p signal temporel x[n]. Le spectre consid er e` a pr esent est donc un spectre discret que lon ecrit X [jk ] avec 0 k N 1. Tenant compte des relations temps-fr equence, largument du phaseur s ecrit j 2 f nTe = j 2 k f nTe = j 2 k kn fe nTe = j 2 N N (3.15)
Le spectre X [jk ] et le signal temporel x[n] se calculent alors comme suit

N 1
X [jk ] = Te
n=0
x[n] exp
N 1
j 2kn N j 2kn N
[V sec] 0 k N 1
(3.16)
1 x[ n ] = N Te
X [jk ] exp +
k=0
[V] 0 n N 1
(3.17)
3.2. Relations temps-fr equence

Comme les domaines temporel et fr equentiel sont discr etis es avec le m eme nombre de points N , on peut relever que
87
ements danalyse spectrale num 3. El erique 1. lespace du temps est caract eris e par la dur ee de lenregistrement T et par lincr ement temporel t (qui nest autre que la p eriode d echantillonnage Te ) tel que T t Te = (3.18) N 2. lespace des fr equences est caract eris e par lincr ement fr equentiel f et la fr equence maximum fmax qui nest autre que la fr equence d echantillonnage fe fe fmax = (3.19) f = N N Ces deux relations ayant en commun la p eriode d echantillonnage Te et son inverse la fr equence d echantillonnage, on a t Te 1 fe T 1 = N N f (3.20)
On en d eduit donc trois relations importantes liant les domaines temporel et fr equentiel 1 T 1 1 fmax fe = t Te 1 t f = N f = (3.21) (3.22) (3.23)
De plus, comme le spectre dun signal echantillonn e est p eriodique fe , on d enit la fr equence de Nyquist fN comme etant la limite du domaine danalyse spectrale fN = fe 2 (3.24)
Les relations que nous venons de voir peuvent se traduire par les propri et es suivantes. 1. Lincr ement fr equentiel f est linverse de la dur ee temporelle T . 2. La p eriode spectrale fmax = fe est linverse de lincr ement temporel t. 3. Le domaine danalyse spectrale se limite au domaine de Nyquist compris entre fe /2 fN . 4. Pour un nombre donn e de points N , il nest pas possible davoir simultan ement une tr` es bonne d enition temporelle (t petit) et une tr` es bonne d enition fr equentielle (f petit). Une illustration des relations existant entre les domaines temporel et fr equentiel est donn ee dans la gure 3.3.
88
3.2. Relations temps-fr equence
x(t), x[n]
t=Te=1/fe t = nt 0
T = Nt
N-1
Nt 0 t = T e tmax = T
f 0
|Xe(jf)|, |X[jk]| f
fmax = fe Nf f
fe = 1/ T e = N f
fe /2
0 1/2 0 N-1
fe
1 2
f = kf k f / fe
Figure 3.3.: Relations temps fr equence
89
ements danalyse spectrale num 3. El erique
3.2.1. Analyse spectrale avec Matlab

Dans la section suivante, on pr ecisera ce quest la transformation de Fourier discr` ete ou FFT (Fast Fourier Transform). Mais par rapport ` a ce que nous venons de voir, il vaut la peine de montrer ici combien lanalyse spectrale dun signal x(t) est simple ` a faire. Dans Matlab, elle se r eduit aux cinq lignes du programme cidessous consacr ees au domaine fr equentiel. Le r esultat graphique en est pr esent e` a la gure 3.4. % domaine temporel Te = 0.1e-3; tmin = -10e-3; tmax = 10e-3; tn = tmin:Te:tmax - Te; T0 = 2e-3; xn = 5*cos(2*pi*tn/T0 + pi/3) + 2*sin(6*pi*tn/T0 - pi/4); % domaine fr equentiel fe = 1/Te; duree = tmax - tmin; df = 1/duree; ff = 0:df:fe-df; Xjf = fft(xn) / length(xn); % graphes subplot(2,1,1); plot(tn,xn); xlabel(temps [sec]); ylabel(x(t)); subplot(2,1,2); stem(ff, abs(Xjf)); xlabel(fr equence [Hz]); ylabel(|X(jf)|);
3.2.2. Pulsation normalis ee

Dans ce qui pr ec` ede, on a constamment vu appara tre un phaseur faisant intervenir largument j 2 n f Te : exp (j 2 n f Te ) Il est donc naturel de chercher ` a all eger l ecriture en d enissant la pulsation num erique ou normalis ee qui sexprime en radians (gure 3.3) : 2 f Te = 2 f [rad] fe (3.25)
Comme le spectre de base est compris entre fe /2, on voit que la pulsation normalis ee prendra ses valeurs entre et que les transformations de Fourier s ecrivent :
+
Xe (j ) = Te
n=
x[n] exp(jn)
[V sec]
(3.26)
90
3.3. Transformation de Fourier discr` ete

10
5 x(t)
10 0.01
0.008
0.006
0.004
0.002
0 0.002 temps [sec]
0.004
0.006
0.008
0.01
3 2.5 2 |X(jf| 1.5 1 0.5 0 0 1000 2000 3000 4000 5000 6000 frquence [Hz] 7000 8000 9000 10000
Figure 3.4.: R esultats dune analyse spectrale simple x[n] = 1 2

+
Xe (j ) exp(+jn)d
[V]
(3.27)
3.3. Transformation de Fourier discr` ete

3.3.1. D enition de la TFD
En observant les relations (3.16) et (3.17), on constate que, mis ` a part le changement de signe du phaseur et les coecients pr ec edant la somme, les calculs du spectre X [jk ] ou du signal x[n] se font de la m eme mani` ere. Ceci conduit ` a d enir les algorithmes des transformations de Fourier discr` etes directe ou inverse comme suit :
N 1
XD [jk ]
n=0 N 1
x[n] exp
j 2kn N j 2kn N
[V]
0k N 1
(3.28)
xD [n]
k=0
XD [jk ] exp +
[V]
0nN 1
(3.29)
Comme ces deux d enitions ne di` erent que par le signe de lexponentielle qui pond` ere les signaux x[n] et XD [jk ], on voit quun m eme algorithme peut etre utilis e pour les transformations de Fourier directe et inverse. Alors les r esultats de la TFD ainsi d enie sont reli es aux spectres et signaux r eels par les relations suivantes : X [jk ] = Te XD [jk ] (3.30)
91
ements danalyse spectrale num 3. El erique xD [ n ] (3.31) N La gure 3.5 illustre le passage du domaine analogique au domaine num erique o` u lon a, dun c ot e, des signaux et des spectres continus alors que de lautre, on na que des valeurs num eriques stock ees en RAM. x[n] =
3.3.2. TFD dun signal p eriodique

Nous avons vu que le passage de la TF ` a la TFD peut modier de mani` ere sensible les r esultats de lanalyse spectrale ` a cause de la troncation. Par contre, si le signal temporel x(t) est p eriodique, on peut se trouver dans la situation id eale o` u les raies spectrales du signal xT (t) sont en parfaite co ncidence avec les raies analys ees par la TFD. Pour remplir cette condition, il sut denregistrer tr` es exactement une ou plusieurs p eriodes du signal temporel. En comparant les d enitions de la d ecomposition en s erie de Fourier : 1 T
+T /2
XSF [jk ] =
xT (t) exp
T /2
j 2kt T
dt
[V]
(3.32)
xT (t) =
k=
XSF [jk ] exp +
j 2kt T
[V]
(3.33)
avec celles de la TFD ( equations 3.28 et 3.29 ), on voit alors appara tre les relations suivantes : XD [jk ] N xD [n] xT (t = nTe ) = N XSF [jk ] = (3.34) (3.35)
3.3.3. TFD et FFT

La d ecouverte de la transformation rapide de Fourier en 1965 par Cooley et Tukey [3] a et e dune importance majeure pour le traitement du signal car elle a permis denvisager lanalyse spectrale num erique de signaux de longue dur ee en des temps raisonnablement courts. Lalgorithme de Cooley et Tukey a tr` es vite e t e connu sous le nom de transformation rapide de Fourier et il est g e n e ralement d esign e par son appellation anglo-saxonne : FFT (Fast Fourier Transform). Il est ais e de voir que le nombre dop erations arithm etiques (sommes et produits) n ecessit ees par la TFD dune suite de longueur N est proportionnel ` a N 2 . Ce qui, pour une suite de longueur 1000, conduit a ` calculer 1000000 de sinus et cosinus suivis dune addition et dune multiplication ; les temps de calcul deviennent tr` es vite prohibitifs..
92
3.4. Relations entre les domaines analogique et num erique Lalgorithme de la FFT utilise le fait que lop eration de la TFD globale peut etre d ecompos ee en la TFD de s equences de plus en plus courtes. Il en d ecoule alors que le nombre total dop erations est bien inf erieur ` a celui impos e par la simple application de lalgorithme de la TFD. En contrepartie, le nombre de points analys es N doit etre une puissance de 2. Le nombre dop erations demand ees par le nouvel algorithme est alors fortement diminu e et il vaut Nop N log2 (N ) (3.36)
Ainsi, pour transformer 1024 points, le nouvel algorithme demande environ cent fois moins de temps que la TFD : N2 N 1024 = = = 102.4 Nop log2 (N ) 10 Il ne faut pas se m eprendre sur la signication de la FFT : lalgorithme FFT nest pas une nouvelle transformation. Ce nest rien dautre quun moyen rapide dobtenir les m emes r esultats que ceux fournis par la TFD. Di erents algorithmes de FFT sont pr esent es dans le livre de Burrus et Parks [4].
3.4. Relations entre les domaines analogique et num erique

En conclusion et en r esum e de ce que nous venons de voir dans le d etail, la gure 3.5 illustre le passage du domaine analogique au domaine num erique. Linterface entre les domaines analogique et num erique est r ealis ee par un echantillonneur qui acquiert les signaux ` a un rythme x e par la p eriode d echantillonnage Te 1/fe . On peut noter que, du c ot e analogique, on a des signaux et des spectres continus (ou discrets si x(t) est p eriodique) reli es entre eux par la transformation de Fourier alors que du c ot e num erique, on na que des valeurs num eriques x[n] stock ees en RAM sur lesquelles on travaille avec lalgorithme de la TFD ou de la FFT pour obtenir X [jk ] (gure 3.5). Si on consid` ere, comme on la vu dans la gure 3.2, que la partie enregistr ee x[n] du signal analogique x (t = nTe ) repr esente une p eriode du signal num erique, on voit alors que lanalyse spectrale num erique se ram` ene tout simplement ` a la s erie complexe XSF (jk ) de Fourier et que la connaissance des relations suivantes susent pour lanalyse spectrale dun signal analogique dont on a enregistr e N valeurs ` a la fr equence fe = 1/Te : XD [jk ] F F T (x[n]) xD [n] = IF F T (XD [jk ]) XSF (jk ) = F F T (x[n]) xD [n] XD [jk ] = x[ n ] = N N N 1 fe = N Te N (3.37) (3.38)
f = 0, k f, fe f avec f =
(3.39)
93
Figure 3.5.: Illustration des relations entre les domaines analogiques et num eriques
94
Interface et discrtisation Domaine numrique Te
0 1 2
Domaine analogique
x(t) x[n] XD[jk]
TFD
t x(t) |X(jf)|
A
x[n]
0 1 2
N
N-1
N-1
F
f
0
RAM
t = Te = t t = nTe T N-1 0 n-1 f f = k f 0 k-1 f = k N-1 fe 1 1 = = T NTe N fe f n t
T 1 = N fe x[ n] =
N-1
1 N
k= 0
XD[ jk] exp +j 2 kn N
)
TFD
N-1
x(t ) =
X(jf) exp ( +j 2 ft) df
XD[ jk] =
X(j f) =
x(t) exp( -j2 f t) dt
kn x[n] exp (- j 2 N ) n= 0
avec XSF( j k) =
XD[ jk] N
3.4. Relations entre les domaines analogique et num erique
3.4.1. Calcul et analyse dune TFD

An dillustrer lusage de ces relations consid erons la suite suivante x[n] = {0, 1, 2, 3} qui pourrait provenir, par exemple, de l echantillonnage dune rampe. Comme la p eriode d echantillonnage nest pas donn ee, on admet Te = 1 sec. De cette donn ee el ementaire, on en d eduit imm ediatement N = 4, f = 1 = 0.25 Hz N Te (3.40) (3.41)
tn = 0, 1, 2, 3 sec,
fk = 0, 0.25, 0.5, 0.75 Hz
Il y a donc quatre echantillons temporels et quatre raies spectrales d ecrites par

3
XD [jk ] = T F D(x[n]) =
n=0
x[n] e
j 2kn/N
avec
k = 0, , 3
(3.42)
Avant de se lancer dans le calcul de XD [jk ], il est est int eressant de noter que ej 2kn/N = ejk /2 On obtient ainsi pour k = 0, ejk /2 = 1 ; avec n = 0, 1, 2, 3 XD [j 0] = 0 1 + 1 1 + 2 1 + 3 1 = 6 pour k = 1, ejk /2 = ej/2 = j ; avec n = 0, 1, 2, 3 XD [j 1] = 0 e0j/2 + 1 e1j/2 + 2 e2j/2 + 3 e3j/2 = 0 1 + 1 (j ) + 2 (1) + 3 (+j ) = 2 + 2j pour k = 2, ejk /2 = ej = 1 ; avec n = 0, 1, 2, 3 XD [j 2] = 0 e0j + 1 e1j + 2 e2j + 3 e3j = 0 1 + 1 (1) + 2 (+1) + 3 (1) = 2 pour k = 3, ejk /2 = ej 3/2 = +j ; avec n = 0, 1, 2, 3 XD [j 3] = 0 e0j 3/2 + 1 e1j 3/2 + 2 e2j 3/2 + 3 e3j 3/2 = 0 1 + 1 (+j ) + 2 (1) + 3 (j ) = 2 2j Par simple TFD (ou FFT) directe ou inverse, on bascule ainsi dun domaine a ` lautre et lon a 6 0 0 1 2 + 2 j 1 it x[n] = x[n] = 2 2 t XD [jk ] = 2 2 2j 3 3 Le passage de la TFD XD [jk ] ` a la s erie de Fourier bilat erale XSF [jk ] se fait en divisant le r esultat de la TFD par le nombre de points de la suite x[n] apr` es avoir
n
95
ements danalyse spectrale num 3. El erique redistribu e les composantes spectrales sup erieures ` a fe /2 entre fe /2 et 0. Cette redistribution se fait simplement avec la fonction fftshift : 6 2 0.5 2 + 2 j 2 2j tshift 1 XSF [jk ] = 0.5 0.5j XD [jk ] = 2 6 1.5 N 2 2j 2 + 2j 0.5 + 0.5j On notera ici la situation particuli` ere de la premi` ere composante qui na pas de composante sym etrique (un conjugu e complexe comme pour la deuxi` eme composante). En eet, lorsque N est pair , cette composante se situe sur la fr equence de Nyquist fe /2 et sa valeur sera toujours r eelle comme la composante DC. Ce qui fait, que lors du passage ` a la description (Ak , k ), les composantes DC et de Nyquist ne doivent pas etre multipli ees par le facteur 2.
k ou n x[n] XD [jk ] XSF [jk ] Ak k ? -4 ? 6 -3 ? -2+2j -2 ? -2 -1 ? -2-2j -0.5-0.5j 0 0 6 1.5 1.5 0 1 1 -2+2j -0.5+0.5j 2/ 2 +3/4 2 2 -2 -0.5 0.5 + 3 3 -2-2j 4 ? 6 5 ? -2+2j ?
Table 3.1.: R esultats de lanalyse spectrale de la suite x[n] = {0, 1, 2, 3}

4 7 6 3 |Xbi [jk]| 0 1 2 instants n 3 4 x[n] 5 4 3 2 1 0 1 0 2 1 0 1 frquence k f 2 3
4 3 x[n], x(t) 2 1 0 1 1
3 4 temps: t, n t
Figure 3.6.: R esultats dune TFD Les valeurs int eressantes sont r eunies dans le tableau 3.1 ; les cases vides sont non signicatives. Les points dinterrogation rappellent quapr` es echantillonnage,
96
3.5. Spectre dune sinuso de on ne sait rien du signal original hormis les valeurs ainsi obtenues. Connaissant les (Ak , k ), on peut alors calculer le signal continu qui, au sens de Fourier, passe par les points echantillonn es x(t) = 1.5 + 3 2 cos 2f0 t + 4 + 0.5 cos (4f0 t + ) , f0 = 1 = 0.25 Hz N Te (3.43)
Dans la gure 3.6, on peut observer les points echantillonn es (graphe a) et le spectre bilat eral correspondant (graphe b). En revenant au domaine temporel, il est important de se souvenir que, vu par lalgorithme TFD, le signal x[n] est consid er e p eriodique comme le montre egalement la reconstruction au sens de Fourier du signal x(t) (graphe c).
3.5. Spectre dune sinuso de

Il est important de bien comprendre que, dans toute analyse num erique des signaux, on est contraint denregistrer une dur ee nie du signal et que cette dur ee nie peut conduire ` a des eets ind esirables lors de lanalyse. On a vu que la FFT travaille sur un bloc complet d echantillons consid er e comme p eriodique. Cela ne pose aucun probl` eme dans le cas dun signal transitoire si celui a le temps de revenir ` a 0 avant la n de lenregistrement. Par contre, dans le cas de signaux permanents, les choses peuvent se compliquer sensiblement. Pour le voir, consid erons deux situations pouvant appara tre lors de lenregistrement dun signal p eriodique tel quune sinuso de.
3.5.1. Le nombre de p eriodes enregistr ees est un entier

La gure 3.7a illustre un enregistrement de dur ee 10 ms contenant exactement 10 p eriodes dune onde sinuso dale permanente damplitude 1 et de p eriode 1 ms. Dans ce cas, le signal enregistr e, consid er e p eriodique par la FFT, co ncide avec le signal r eel (une sinuso de permanente) et aucune modication de linformation nest introduite. Le r esultat de lanalyse FFT pour cette situation conrme ce que lon attend, ` a savoir que son spectre est constitu e dune raie spectrale bien d enie et situ ee en 1 kHz. Les deux raies suppl ementaires que lon peut observer en 3 et 5 kHz sont dues aux distorsions du signal sinuso dal fourni par le g en erateur.
3.5.2. Le nombre de p eriodes enregistr ees nest pas un entier

Dans ce cas, la FFT analyse un signal qui poss` ede une transition brusque au raccordement du d ebut et de la n de lenregistrement. Cette transition poss` ede un contenu spectral hautes-fr equences qui peut masquer une partie du spectre r eel.
97
ements danalyse spectrale num 3. El erique La gure 3.7b montre un enregistrement contenant 10.25 p eriodes dune onde sinuso dale permanente damplitude 1 et de p eriode 1 ms. Dans ce cas, le signal enregistr e, consid er e p eriodique par la FFT, ne co ncide pas avec le signal r eel (une sinuso de permanente) et son spectre s etale dans tout le domaine spectral. Cette dispersion de la puissance du signal dans tout le domaine fr equentiel porte le nom d etalement spectral. Il est important de r ealiser que le ph enom` ene d etalement spectral est du a la ` non-co ncidence des valeurs initiale et nale de la dur ee enregistr ee. Dans le cas de la gure 3.7b, ces eets de bords sont tels quils masquent compl` etement les composantes spectrales dordre 3 et 5 du signal. Pour eviter ces eets de bords, il faut sattacher ` a enregistrer exactement un nombre entier de p eriodes du signal et, dans le cas o` u cela nest pas possible, il faut ramener les deux bords ` a une valeur identique ` a laide dune fen etre qui modie aussi peu que possible le spectre r eel.
N priodes 1 0.5 x(t) 0 0.5 1 0 5 temps [ms] 10 1 0.5 0 0.5 1 0 5 temps [ms] 10 N + 1/4 priodes
0 20 XdB (f) 40 60 80 0 2 4 6 frquence [kHz] 8 10
0 20 40 60 80 0 2 4 6 frquence [kHz] 8 10
Figure 3.7.: Signal sinuso dal et son spectre
3.6. Fen etres dobservation

3.6.1. Quatre fen etres usuelles
Les fen etres utilis ees en analyse spectrale sont nombreuses et elles ont et e etudi ees extensivement par F.J. Harris [2]. On se contente ici de mentionner quatre fen etres
98
3.6. Fen etres dobservation fr equemment appliqu ees ` a lenregistrement dun signal. Elles sont d enies comme suit : Fen etre rectangulaire w r [n] = 1 Fen etre de Hann wc [n] = 0.5 1 cos 2 n N pour 0n<N (3.45) pour 0 n < N (3.44)
Fen etre de Hamming wh [n] = 0.54 0.46 cos 2 n N pour 0n<N (3.46)
Fen etre de Blackman wb [n] = 0.42 0.5 cos 2 n N + 0.08 cos 4 n N pour 0n<N (3.47)
Rectangle 1 0.8 wc(t) wr(t) 0.6 0.4 0.2 0 0.5 0 0.5 1 1.5 1 0.8 0.6 0.4 0.2 0 0.5 0
Hann
0.5
1.5
Hamming 1 0.8 wh(t) wb(t) 0.6 0.4 0.2 0 0.5 0 0.5 temps 1 1.5 1 0.8 0.6 0.4 0.2 0 0.5 0
Blackman
0.5 temps
1.5
Figure 3.8.: Fen etres dobservation
99
3.6.2. Eet dune fen etre

Pour bien saisir leet des fen etres dans le domaine spectral, on consid` ere ici les deux situations pr esent ees plus haut auxquelles on appliquera les fen etres de Hann, de Hamming et de Blackman (gure 3.9). Le nombre de p eriodes enregistr ees est un entier Dans ce cas id eal (gure 3.9a), on peut relever quelques di erences spectrales l eg` eres. 1. Les raies spectrales du signal original sont egalement pr esentes quelle que soit la fen etre choisie. 2. Gr ace au maintien dune l eg` ere discontinuit e temporelle, la fen etre de Hamming ore les raies spectrales les plus etroites. 3. La fen etre de Blackman qui est la plus etroite temporellement, fournit, comme attendu, des raies spectrales plus larges. Le nombre de p eriodes enregistr ees nest pas un entier Dans la gure 3.9b, on a repris lenregistrement contenant 10.25 p eriodes. Les r esultats spectraux obtenus montrent a l e vidence leet de ces 3 fen e tres : ` 1. la fen etre de Hann fournit un spectre tout a ` fait satisfaisant sans diminuer fortement l etalement spectral ; cest pourquoi le spectre est un peu large ` a la base ; 2. la fen etre de Hamming fournit un spectre etroit mais, ` a cause de leet de bord r esiduel, l etalement spectral nest pas susamment r eduit et il masque les deux autres composantes spectrales ; 3. la fen etre de Blackman donne le meilleur r esultat gra de ` la double cosinuso ce a qui masque bien les eets de bord ; les raies spectrales sont alors etroites et bien d enies.
3.6.3. Choix dune fen etre

Le choix dune fen etre est un compromis entre une bonne d enition spectrale (spectre etroit) et un etalement spectral aussi faible que possible (douceur de la fen etre). Qualitativement, leurs caract eristiques peuvent etre r esum ees comme suit. 1. La fen etre rectangulaire ne modie pas lenregistrement ; cest celle que lon utilisera dans le cas de signaux transitoires ou non permanents et, dans le cas de signaux p eriodiques, lorsque lon est su eriodes r que le nombre de p enregistr ees est un entier. 2. La fen etre en cosinus, dite de Hann, est math ematiquement la plus simple et elle ore de bons r esultats dans le cas de composantes spectrales pas trop proches. 3. La fen etre en cosinus relev e, dite de Hamming, n elimine pas compl` etement l etalement spectral. Elle ore en contre partie une meilleure d enition spectrale mais ne permet pas de voir des composantes spectrales de faibles amplitudes.
100
3.6. Fen etres dobservation
Hann 1 0.5 x(t) 0 0.5 1 0 5 temps [ms] 10 1 0.5 0 0.5 1 0
Hamming 1 0.5 0 0.5 1 5 temps [ms] 10 0
Blackman
5 temps [ms]
10
0 20 XdB (f) 40 60 80 0 5 frquence [kHz] Hann 1 0.5 x(t) 0 0.5 1 0 5 temps [ms] 10 10
0 20 40 60 80 0 5 frquence [kHz] Hamming 1 0.5 0 0.5 1 0 5 temps [ms] 10 10
0 20 40 60 80 0 5 frquence [kHz] Blackman 1 0.5 0 0.5 1 0 5 temps [ms] 10 10
0 20 XdB (f) 40 60 80 0 5 frquence [kHz] 10
0 20 40 60 80 0 5 frquence [kHz] 10
0 20 40 60 80 0 5 frquence [kHz] 10
Figure 3.9.: Eet des fen etres dobservation avec : (a) 10 p eriodes enti` eres ; (b) 10.25 p eriodes
101
ements danalyse spectrale num 3. El erique 4. La fen etre de Blackman, constitu ee de deux cosinus, att enue tr` es fortement les eets de bord et permet ainsi de bien distinguer des raies spectrales proches et de faibles amplitudes.
3.6.4. Fen etrage et traitement dimages

Tout ce qui vient d etre dit pour des signaux temporels est bien entendu valable pour des signaux bidimensionnels tels que des images. Et, en plus, visuellement parlant, les artefacts apparaissent de mani` ere evidente. Comme illustration, consid erons une image compos ee de grains de riz (gure 3.10).
Figure 3.10.: Deux images (colonne de gauche) et leur transform ee de Fourier respective (colonne de droite) ; a) sans fen etrage, b) avec fen etrage En eectuant une FFT bidimensionnelle sur cette image, on voit appara tre une ligne claire verticale indiquant un contenu spectral fort selon laxe Oy alors quaucune discontinuit e ne semble appara tre dans limage originale. En eectuant la m eme op eration apr` es un fen etrage en cosinus, la ligne verticale a disparu. Do` u cela peut-il bien provenir ?
102
3.7. Exemple 1: analyse spectrale el ementaire En observant attentivement la gure originale, il semble que la partie inf erieure de limage soit l eg` erement plus sombre que le haut. Pour sen assurer, formons, comme le voit la fonction FFT, une image constitu ee de deux p eriodes selon Ox et Oy (gure 3.11). Cette juxtaposition, equivalente ` a celle que voit la FFT, montre ` a l evidence une variation brusque dintensit e selon laxe Oy , cause de la ligne verticale dans lespace de Fourier, alors quil ny en a pratiquement pas selon laxe Ox. De plus, en observant bien limage de Fourier, on peut noter que la d enition spectrale sest am elior ee gr ace au fen etrage. [R ef : http ://blogs.mathworks.com/steve/2009/12/04/fourier-transformvisualization-using-windowing/]
Figure 3.11.: Une image et sa r eplication selon Ox et Oy
3.7. Exemple 1 : analyse spectrale el ementaire

Donn ees On consid` ere ici un signal temporel fortement bruit e (SNR 0 dB) qui semble contenir une oscillation p eriodique dont on souhaite conna tre la teneur (gure 3.12). Analyse temporelle De lenregistrement, on tire 1. la composante DC du signal et sa valeur ecace AC Xdc = 0.045 Xac = 1.42
2. la p eriode d echantillonnage Te et sa dur ee T Te = 20 s T = 20 ms
3. le domaine danalyse spectrale fN et la d enition spectrale f fN = 1 1 fe = = 25 kHz 2 2 Te f = 1 = 50 Hz T
103
Enregistrement temporel et Analyse spectrale 5
x(t)
T = tmax=20 [ms], 5 0 2 4 6
t = Te = 20 [s] 8 10 t [ms] 12 14 16 18 20
1 0.8 |Xu(jf)| 0.6 0.4 0.2 0 0 5 fmax = 1/ t = 50 [kHz] fe = fmax = 50 [kHz] fN = fe/ 2 = 25 [kHz] f = 1/ tmax = 50 [Hz] 10 15 f [kHz] 20 25 |Xu(jf)|
1 0.8 0.6 0.4 0.2 0 0 1 2 f [kHz] 3 4 5
Figure 3.12.: Illustration de lanalyse spectrale avec : a) lenregistrement temporel ; b) son spectre damplitudes pour 0 f fe /2 = 25 kHz ; c) un zoom spectral entre 0 et 5 kHz
104
3.7. Exemple 1 : analyse spectrale el ementaire Analyse spectrale Le programme des calculs temporels et spectraux se r esume aux quelques lignes pr esent ees ci-dessous.
% lecture de lenregistrement enreg = load(enreg.txt); tt = enreg(:,1); xt = enreg(:,2); Xdc = mean(xt) Xac = std(xt) % analyse temporelle Npts = length(xt); dt = tt(2) - tt(1) duree = Npts * dt % analyse spectrale df = 1/duree, fmax = 1/dt ff = 0:df:fmax-df; Xjf = fft(xt)/Npts; % spectre unilat eral Ndemi = round(Npts/2); fk = ff(1:Ndemi); Ak = 2*abs(Xjf(1:Ndemi)); Ak(1) = abs(Xjf(1)); % composante DC ak = angle(Xjf(1:Ndemi)); subplot(2,1,1); stem(f,Ak,.); % estimation du rapport signal/bruit (SNR) Px = Xdc^2 + Xac^2; % puissance du signal + bruit = 2.023 A1 = 1.02; A2 = 0.85; % amplitudes mesur ees Px0 = (A1^2 + A2^2)/2; % puissance du signal original = 0.88 Pn = Px - Px0; % puissance du bruit = 1.14 SNR = 10*log10(Px0/Pn) % SNR = -1.12 dB
Les spectres damplitudes, pr esent es dans la gure 3.12, montrent que deux raies spectrales s el` event clairement au-dessus du niveau de bruit situ e aux environs de 0.3. Ces deux raies spectrales ont une amplitude et une fr equence valant respectivement A1 A2 1.02 0.85 f1 = 1.25 kHz 25 Hz f2 = 1.40 kHz 25 Hz
La pr ecision des fr equences mesur ees est egale ` a la moiti e de la d enition spectrale f .
105
3.8. Exemple 2 : reconstruction dun signal

Donn ees An danalyser et illustrer les r esultats fournis par la TFD, on consid` ere ici un signal connu x(t) = A1 sin(2f1 t) + A2 sin(2f2 t) + A3 sin(2f 3 t + /4) constitu e de trois sinuso des damplitudes A1 = 1 A2 = 0.8 A3 = 0.5 et de fr equences harmoniques f1 = 50 Hz f2 = 150 Hz f3 = 250 Hz
Ce signal original est perturb e par un bruit important car le SN R ne vaut que +5 dB. Avec cet exemple, on souhaite : 1. montrer que, malgr e la pr esence dun fort bruit, il est possible de retrouver le signal original (tout au moins partiellement) ; 2. attirer lattention sur le fait que dune raie spectrale peuvent na tre deux raies spectrales proches si lincr ement fr equentiel nest pas un diviseur exact des fr equences pr esentes.
Signal + Bruit 4 0.25 2 0.2 0 0.15 0.1 2 0.05 4 0 50 100 150 temps [ms] Signal reconstruit 4 4 200 0 0 100 200 300 frquence [Hz] Signal original 400 500 Analyse de Fourier
50
100 150 temps [ms]
200
50
100 150 temps [ms]
200
Figure 3.13.: Analyse spectrale et extraction des signaux
106
3.8. Exemple 2: reconstruction dun signal Analyse temporelle Le signal bruit e a et e enregistr e avec une p eriode d echantillonnage Te = 0.2 ms et il a une dur ee T = 210 ms (gure 3.13a). Ceci permet de pr evoir que le domaine des fr equences est caract eris e par : la fr equence de Nyquist fe = 2500 Hz fN = 2 la d enition spectrale 1 1 = = 4.76 Hz T 210 ms On notera que la dur ee enregistr ee T = 210 ms conduit a enition spectrale ` une d f = 4.76 Hz qui nest pas un sous-multiple des composantes spectrales. Cela fait que lon sera dans limpossibilit e de trouver la valeur exacte des fr equences originales. Id ealement, on aurait du ee de 200 ms permettant ainsi prendre une dur davoir une d enition spectrale de 5 Hz. On pourrait bien entendu r eduire la dur ee de lenregistrement a 200 ms, mais ce nest pas le but recherch e . ` f = Analyse spectrale Lobservation du spectre obtenu apr` es fen etrage (gure 3.13b) montre que les trois raies spectrales sont bien visibles. Mais, on doit cependant constater que ces raies se sont d edoubl ees ` a cause de la d enition spectrale nonenti` ere et de lutilisation de la fen etre dobservation. Le programme donn e ci-dessous permet de rechercher ces raies spectrales. Les fr equences mesur ees ` a 2.4 Hz pr` es sont f11 = 47.6 Hz f12 = 52.4 Hz f21 = 147.6 Hz f22 = 152.4 Hz f31 = 247.6 Hz f32 = 252.4 Hz Leurs amplitudes et phases respectives valent A11 = 0.453 A12 = 0.432 A21 = 0.368 A22 = 0.334 A31 = 0.198 A32 = 0.185 avec Ak = 2 |X (jk )| k = X (jk ) 11 = 0.151 rad 12 = +2.98 rad 21 = 2.87 rad 22 = 0.275 rad 31 = +0.372 rad 32 = 2.65 rad
Reconstruction du signal original Connaissant les amplitudes et phases des composantes spectrales, il est ais e de reconstruire le signal non bruit e: xr (t) =
k
Ak cos (2fk t + k )
Malgr e leet de la fen etre dobservation utilis ee avant deectuer la FFT et le fait quil y ait six fr equences au lieu de trois, le signal ainsi extrait (gure 3.13c) reproduit assez bien lallure du signal original (gure 3.13d).
107
ements danalyse spectrale num 3. El erique Programme danalyse et recherche des composantes spectrales Le programme ayant permis dobtenir ces r esultats se r esume aux quelques lignes pr esent ees cidessous.
% signal bruit e yt = xt+nt; Npts = length(yt); % analyse spectrale avec une fen^ etre de Hann yht = yt.*hann(Npts); Yjf = fft(yht)/Npts; df = 1/tmax; fmax = 1/dt; ff = 0:df:fmax-df; % recherche de N raies spectrales Nraies = 6; Yjf_tempo = Yjf(1:end/2); for kn = 1:Nraies [Ymax, kf(kn)] = max(abs(Yjf_tempo)); Yjf_tempo(kf(kn)) = 0; % mise ` a z ero de la valeur trouv ee end; % reconstruction xtr = zeros(size(yt)); for kn = 1:Nraies Xrjf = Yjf(kf(kn)); fr = ff(kf(kn)); xtr = xtr + Xrjf*exp(+j*2*pi*fr*tt) + conj(Xrjf)*exp(-j*2*pi*fr*tt); end; % valeurs des composantes spectrales fr = ff(kf) Ar = 2*abs(Yjf(kf)) ar = angle(Yjf(kf))
3.9. Exemple 3 : analyse spectrale d etaill ee

3.9.1. Donn ees
` partir de lobserOn consid` ere ici un signal permanent observ e` a loscilloscope. A vation visuelle du signal, on d esire choisir les param` etres dacquisition qui permettront ensuite dextraire toutes les informations possibles. Lacquisition se fera avec un convertisseur analogique-num erique 8 bits, 2 V.
108

Acquisition: 10000 points, fe = 5000 [Hz]; CAN: 2 [V], 8 bits 1/2LSB, 2 1 x(t) 0 1 2 2 1 x(t) 0 1 2 2 1 x[n] 0 1 2 0 0.005 0.01 0.015 temps [sec] 0.02 0.025 0.03 0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0 0.005 0.01 0.015 0.02 0.025 0.03
Figure 3.14.: Signal analys e
3.9.2. Signal temporel

Le signal x(t) observ e` a loscilloscope (gure 3.14a) appara t comme une sinuso de caract eris ee par son amplitude A 1.7 V et sa p eriode T0 3.68 msec. Cependant, une observation de plus longue dur ee (gure 3.14b) montre un ph enom` ene de battement de p eriode Tb 0.45 sec ou de fr equence fb = 1 Tb 2.2 Hz
On en d eduit que ce signal est compos e dau moins deux sinuso des de fr equences tr` es proches f1 1 T0 272 Hz f2 = f1 fb 270 ou 274 Hz
et damplitudes fort di erentes car la variation damplitude de x(t) est faible.
3.9.3. Param` etres dacquisition

An davoir une d enition temporelle raisonnable, on choisit t Te T0 = 0.35 msec 10 0.2 msec
109
ements danalyse spectrale num 3. El erique et on en d eduit la fr equence d echantillonnage fe = 1 = 5 kHz t
La gure 3.14c pr esente une partie du signal num erique ainsi acquis. Comme il faut pouvoir distinguer deux raies distantes de fb d enition spectrale susamment ne f fb = 0.5 Hz 4 2 Hz, on choisira une
Sachant que la r esolution fr equentielle est inversement proportionnelle ` a la dur ee dacquisition, on en tire 1 tacq = = 2 sec f Le nombre de points acquis vaudra donc Npts = 1 1 = = 10 000 f t 0.5 Hz 0.2 ms
Lensemble des valeurs acquises est repr esent e` a la gure 3.14b.
3.9.4. Analyse spectrale

Utilisation de la FFT On a vu plus haut que lalgorithme FFT exige un nombre de points egal ` a une puissance de 2. Lorsque cela nest pas le cas, on compl` ete la suite de valeurs acquises par une succession de z eros permettant datteindre un nombre de valeurs egal ` a la puissance de 2 la plus proche (gure 3.15a). Du point de vue de lanalyse de Fourier, cela ne change rien aux r esultats fournis ; seule la r esolution spectrale est am elior ee. Dans notre cas, on passera donc de Npts = 10 000 ` a Nf f t = 16 384 et la r esolution fr equentielle passera ainsi de f = a ` f = 5000 fe = = 0.5 Hz Npts 10 000
fe 5000 = = 0.305 Hz Nf f t 16 384
etre rectangulaire Dans ce cas, lanalyse spectrale de la suite de valeurs acFen quises x[n] fournit les spectres pr esent es dans les gures 3.15b et 3.17a. Le spectre ainsi obtenu fait appara tre une seule raie spectrale aux environs de 270 Hz et, contrairement a ce que lon attendait, il ny a pas de deuxi` eme raie spectrale. Ma` nifestement, celle-ci est masqu ee par l etalement spectral du au nombre non entier de p eriodes.
110

Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz] 2 Fentre rectangulaire 1 x[n] wr[n]
2000
4000
6000
8000
10000
12000
14000
16000
20 Xr(f) [dB]
40
60
80
500
1000
1500
2000
2500 3000 frquence [Hz]
3500
4000
4500
5000
Figure 3.15.: Signal et spectre damplitudes, fen etre rectangulaire Fen etre de Blackman On est donc amen ea etrer le signal acquis en le multi` fen pliant par une fonction att enuant les eets de bord dus ` a lacquisition eectu ee. On choisit ici dutiliser la fen etre de Blackman d enie comme suit : wb [n] = 0.42 0.5 cos 2 n Npts + 0.08 cos 4 n Npts pour 0 n < Npts
Du point de vue num erique, on analysera donc le signal xw [n] = x[n] wb [n] Apr` es avoir compl et e le signal fen etr e par des z eros pour atteindre une puissance de 2 (gure 3.16a), on obtient les r esultats pr esent es dans les gures 3.16b et 3.17b o` u le niveau de bruit caus e par l etalement spectral a pratiquement disparu.
tant donn Zoom fr equentiel E e la haute d enition spectrale, obtenue au prix dun long enregistrement, les echelles globales ne permettent pas de voir le d etail des raies attendues. Il faut donc zoomer sur la zone int eressante. On voit alors tr` es nettement que la fen etre rectangulaire (gure 3.17a) est totalement incapable de fournir les informations attendues alors quavec la fen etre de Blackman (gure 3.17b), on retrouve bien la deuxi` eme fr equence recherch ee et on peut m eme apercevoir la pr esence dune troisi` eme composante spectrale damplitude encore plus faible, qui n etait absolument pas perceptible au niveau temporel.
111
Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz] 2 Fentre de Blackman 1 x[n] wh[n]
2000
4000
6000
8000
10000
12000
14000
16000
20 Xh(f) [dB]
40
60
80
500
1000
1500
2000
3500
4000
4500
5000
Figure 3.16.: Signal et spectre damplitudes, fen etre de Blackman
Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz] 0 Fentre rectangulaire 20 Xr(f) [dB]
40
60
80 250
260
270
280
290
300
310
320
330
340
350
0 Fentre de Blackman 20 Xh(f) [dB]
40
60
80 250
260
270
280
290
320
330
340
350
Figure 3.17.: Agrandissement spectral
112
3.9.5. Estimation des amplitudes

Le spectre damplitudes de la gure 3.17b permet de mesurer les fr equences des trois composantes spectrales du signal x(t) et les amplitudes relatives des raies spectrales. k 1 2 3 fk 272 Hz 274 Hz 277 Hz Xk,dB -7.6 -32.2 -52 Xk,dB X1,dB 0 -24.6 -44.4 Xk /X1 1 0.059 0.006
Il est important de noter que les amplitudes spectrales d ependent de la fen etre choisie et que seules leurs valeurs relatives peuvent en etre d eduites Xk = 10(Xk,dB X1,dB )/20 X1 Pour obtenir la valeur r eelle des amplitudes, on peut passer par l egalit e de Parseval : Pac 1 = T
T
x2 ac (t) dt
0
=
k=1
A2 A2 k = 1 2 2
1+
A2 A1
A3 A1
A4 A1
Ce qui donne dans notre cas Pac = A2 A2 1 1 + 0.0592 + 0.0062 = 1.00352 1 2 2
` partir du signal acquis, on calcule ais A ement sa puissance : Pac 1 = N

N 1
(x[n] x )2 = var(x[n]) = 1.45

n=0
On en d eduit alors la valeur de A1 et celles des autres composantes : A1 = 2 Pac = 1.70 1.00352
A2 = 0.059 A1 = 0.1 A3 = 0.006 A1 = 0.01 Remarque Une correction des amplitudes spectrales tenant compte de la fen etre utilis ee nest possible que si le signal acquis poss` ede exactement un nombre entier de p eriodes. Si cette condition est remplie, il sut alors de diviser les amplitudes spectrales par la valeur moyenne de la fen etre : Ak Ak /(w). Ce calcul doit etre evit e si lon nest pas su r que la condition est remplie.
113
3.9.6. D etail du calcul des signaux et des spectres

Le chier cr e e pour g en erer le signal x(t), calculer et tracer les spectres dans diff erentes conditions est donn e ci-dessous. Bien quil puisse para tre volumineux au premier abord (beaucoup de lignes sont consacr ees au tra cage uniquement), les parties essentielles de ce chier sont simplement : LSB de non lin earit e 1. la conversion analogique- num erique 2 V avec Nbits 1 2 (on admet que celle-ci entra ne la perte dun bit) : Ucan = 4; Nbits = 8; xn = Ucan*round((xn0/Ucan)*(2^(Nbits-1))/2^(Nbits-1); 2. le fen etrage : wk = (blackman(length(xn))); xnwk = xn.*wk; 3. lajout de z eros et le calcul du spectre : Nfft = 2^ceil(log2(length(xn))); xnwk = [xnwk, zeros(1,Nfft-length(xn))]; Xjfh = fft(xnwk)/length(xnwk);
Initialisation Le programme d ebute par linitialisation des param` etres et la cr eation du signal vu sur l ecran de loscilloscope
% analyse spectrale clear all; close all; format compact; clc; % parametres du signal amp1 = 1.7; amp2 = 0.1; amp3 = 0.01; f1 = 271.828; f2 = f1+2; f3 = f1+5; % oscilloscope tosc = 0.03; kosc = 2000; dt = tosc/kosc; tt = 0:dt:tosc-dt; xt0 = amp1*sin(2*pi*tt*f1)+amp2*cos(2*pi*tt*f2)+amp3*sin(2*pi*tt*f3);
Acquisition num erique Il se poursuit avec lacquisition et la conversion sur une dur ee plus longue
% acquisition tacq = 2; Te = 0.2e-3; tn = 0:Te:tacq-Te; xn0 = amp1*sin(2*pi*tn*f1)+amp2*cos(2*pi*tn*f2)+amp3*sin(2*pi*tn*f3); % conversion +/- 2V avec Nbits et +/- 1/2LSB de non linearite Ucan = 4; Nbits = 8; xn = Ucan*round(xn0/Ucan*2^(Nbits-1))/2^(Nbits-1);
114
3.9. Exemple 3: analyse spectrale d etaill ee Calcul des spectres Une fois les signaux acquis, on peut calculer leurs spectres et acher des informations
% calcul des spectres Nfft = 2^ceil(log2(length(xn))) % fenetres rectangulaire et de Blackman wr = ones(size(xn)); wk = (blackman(length(xn))); xnwr = xn.*wr; xnwk = xn.*wk; % ajout de zeros xnwr = [xnwr, zeros(1,Nfft-length(xnwr))]; xnwk = [xnwk, zeros(1,Nfft-length(xnwk))]; % fft Xjfr = fft(xnwr)/length(xn); Xjfh = fft(xnwk)/length(xn); % domaine spectral fmax = 1/Te; df = fmax/Nfft; ff = 0:df:fmax-df; % infos Nbits, tacq, Te, fmax, df Pac = var(xn) Npoints = round(tacq/Te), Nfft
Graphes On trace les signaux acquis

% graphes temporels figure; subplot(3,1,1); plot(tt,xt0); grid; axis([0,tosc,-2,2]) texte = [Acquisition: , num2str(round(tacq/Te)), points,]; texte = [texte, f_e = , num2str(1/Te,4), [Hz];]; texte = [texte, CAN: \pm , num2str(Ucan/2,2), [V], ]; texte = [texte, , num2str(Nbits,2), bits \pm 1/2LSB,]; title(texte); ylabel(x(t)); subplot(3,1,2) plot(tn,xn); grid; axis([0,tacq,-2,2]) ylabel(x(t)); subplot(3,1,3); % zoom plot(tn,xn,.); grid; axis([0,tosc,-2,2]) ylabel(x[n]); xlabel(temps [sec]); print -deps ansptemps.eps
ainsi que les spectres apr` es fen etrage
115

% spectres figure; % fenetre rectangulaire subplot(2,1,1); plot(xnwr); grid; axis([0,Nfft,-2,2]) texte = [Spectres damplitudes: \Deltaf = ,num2str(df,3), [Hz],] ; texte = [texte, f_N = , num2str(fmax/2), [Hz]]; title(texte); ylabel(x[n] \cdot w_r[n]); legend(Fen^ etre rectangulaire); subplot(2,1,2); plot(ff, 20*log10(abs(Xjfr))); grid; axis([0,fmax,-80,0]); ylabel(X_r(f) [dB]); xlabel(fr equence [Hz]); print -deps anspwr.eps figure; % fenetre de Blackman subplot(2,1,1); plot(xnwk); grid; axis([0,Nfft,-2,2]) texte = [Spectres damplitudes: \Deltaf = ,num2str(df,3), [Hz],] ; texte = [texte, f_N = , num2str(fmax/2), [Hz]]; title(texte); ylabel(x[n] \cdot w_h[n]); legend(Fen^ etre de Blackman); subplot(2,1,2); plot(ff, 20*log10(abs(Xjfh))); grid; axis([0,fmax,-80,0]); ylabel(X_h(f) [dB]); xlabel(fr equence [Hz]); print -deps anspwk.eps
Zoom Les d etails sont mis en evidence

% zoom spectral fz1 = 250; fz2 = 350; % domaine interessant dbmax = 80; figure; subplot(2,1,1); plot(ff, 20*log10(abs(Xjfr))); hold on; axis([fz1,fz2,-dbmax,0]); grid; title(texte); ylabel(X_r(f) [dB]); legend(Fen^ etre rectangulaire); subplot(2,1,2); plot(ff, 20*log10(abs(Xjfh))); axis([fz1,fz2,-dbmax,0]); grid; ylabel(X_h(f) [dB]); xlabel(fr equence [Hz]);
116
3.9. Exemple 3: analyse spectrale d etaill ee

legend(Fen^ etre de Blackman); print -deps anspzoom.eps
117
3.10. Exercices
TFD 0 1. Montrez que le passage de lanalogique vers le num erique se fait bien avec les deux relations discr` etes X [jk ] et x[n] de la gure 3.5. 2. Consid erant la suite de quatre valeurs x[n] = {0, 2, 4, 0}, calculez son spectre X [jk ]. Dessinez la suite x[n] et un signal analogique p eriodique x(t) lui correspondant. 3. Calculez le signal p eriodique xF (t) correspondant ` a la suite x[n] au sens de Fourier. TFD 1 Lanalyse spectrale, par la FFT, dun signal x[n] constitu e de N = 8 valeurs a fourni le spectre discret XD [jk ] partiellement donn e dans le tableau ci-dessous. 1. Compl etez le tableau sachant que fe = 1 [kHz]. 2. Vu par le processeur FFT, le signal temporel x[n] est-il continu, discret, p eriodique ? 3. Que valent x[n = 0] et Xdc ? 4. Quelle est lexpression permettant de calculer x[n] ? Montrez quelle peut s ecrire sous la forme 1 x[n] = 8
7
XD [jk ] exp j
k=0
k n 4
5. Calculez quelques valeurs de x[n].
k ou n fk [kHz] XD [jk ] |XD [jk ]| XD [jk ] Ak k x[ n ]
0 2
1 1+j
2 1j
3 +j
4 1
10
TFD 2 On souhaite calculer le spectre dune impulsion rectangulaire de largeur t = 3 [msec] et damplitude A = 5 [V]. Pour ce faire, on acquiert 8 points a ` la fr equence fe = 1 [kHz]. 1. Admettant que l echantillonnage commence a ` lapparition du anc montant, dessinez x(t) et x[n]. Discutez les valeurs choisies pour x[n] lorsque n = 0 et n = 3.
118
3.10. Exercices 2. Que vaut la dur ee dacquisition tmax ? 3. Quel sera le domaine spectral analys e ; que vaudra lincr ement de fr equence f ? 4. Calculez XD [jk ] pour k = 0 et k = 2 ; quel est le domaine de variation du compteur k des fr equences ? 5. Validez votre r esultat en analysant la valeur de XD [jk = 0].
TFD 3
Consid erant la suite de valeurs x[n] ci-dessous :
n x[n]
m 0
m+1 0
3 0
2 0.5
1 1
0 1
+1 1
+2 0.5
+3 0
+m1 0
1. Esquissez x[n] et une fonction x(t) passant par ces points. 2. Calculez XD [jk ] ; sa valeur d epend-elle de la longueur N = 2m de la suite ? 3. Quest ce qui change si on ajoute des z eros pour doubler le nombre d echantillons ?
TFD 4 On consid` ere un signal x(t) = cos(2 f0 t) + cos(4 f0 t) de p eriode T0 = 1 ms. Sachant que ce signal est echantillonn e pendant une p eriode ` a la fr equence fe = 8 f0 : 1. Calculez et dessinez la suite de valeurs x[n]. 2. Compl etez le tableau ci-dessous avec x[n] et le spectre bilat eral fourni par la d ecomposition en s erie de Fourier puis justiez les r esultats XD [jk ] fournis par la la FFT en pr ecisant la relation qui les lie. 3. On echantillonne le signal x(t) sur 4 p eriodes ; que donnera la FFT ?
n ou k x[n]
+1
+2
+3
XSF [jk ]
XD [jk ]
119
ements danalyse spectrale num 3. El erique TFD 5 On echantillonne une exponentielle d ecroissante x(t) = A exp(t/ ) (t) o` u A = 5 [V], = 5 [msec] avec une p eriode d echantillonnage Te = 1 [msec]. 1. Que vaut la densit e spectrale X (jf ) du signal x(t) ? 2. Calculez la suite des valeurs x[n] ; exprimez la sous la forme x[n] = A rn . 3. Calculez la TF Xe (jf ) de la suite inniment longue x[n]. 4. On ne prend en compte que les 16 premi` eres valeurs de la suite x[n] et on annule les autres ; que vaut Xe,N (jf ). 5. Consid erant la suite temporelle tronqu ee xN [n] avec N = 16, on discr etise laxe des fr equences. Que vaut lincr ement fr equentiel ? Calculez le spectre discret XD [jk ]. 6. Que valent, pour chacun des spectres ci-dessus (X (jf ), Xe (jf ), Xe,N (jf ), XD [jk ]), les composantes spectrales lorsque f = 0 ? AnSp 1 Lors de lanalyse spectrale dun signal echantillonn e x[n], les param` etres N, Te , tmax et fe , f sont reli es entre eux ; la donn ee de deux dentre eux sut pour xer tous les param` etres de lanalyse. Rappelez ces relations puis compl etez le tableau ci-dessous. N 40 50 100 2 msec 1 msec Te 1 msec 10 msec 10 Hz 20 Hz 1 sec 5 msec AnSp 2 1 2 3 4 une une une une 5 kHz 1 kHz tmax f 50 Hz fe 2 kHz
30
On doit faire lanalyse spectrale num erique des signaux suivants sinuso de r eponse indicielle impulsion rectangulaire suite dimpulsions rectangulaires 5 6 7 8 une impulsion triangulaire un signal chirp (wobul e) une exponentielle d ecroissante un signal triangulaire p eriodique
Pour chacun des signaux : 1. Esquissez leur allure temporelle. 2. Choisissez-vous une fen etre rectangulaire ou en cosinus ? 3. Pr ecisez les raisons de votre choix.
120
3.10. Exercices AnSp 3 On consid` ere ici le signal x(t) = 3 + 4 cos(2f0 t) + 2 sin(4f0 t), f0 = 100 Hz
repr esent ea e deux p eriodes. Sachant quon sou` la gure 3.18 dont on a enregistr haite obtenir num eriquement son spectre X [jk ], on l echantillonne avec une p eriode Te = 1 msec. 1. Dessinez les points echantillonn es x[n]. Quelle fen etre faut-il utiliser avant lanalyse spectrale ? 2. Que valent N, tmax , fe , f ? 3. Quelles raies spectrales seront pr esentes ? Quel sera le nombre de valeurs spectrales analys ees ? 4. Donnez les fr equences, les amplitudes et les phases de chaque valeur spectrale X [jk ], k = 0, , N 1. 5. Quel serait le r esultat de lanalyse spectrale si lon avait echantillonn e six p eriodes au lieu de deux ?
10
4 x(t) 2 0 2 4 0
10 temps [ms]
12
14
16
18
20
Figure 3.18.: Ex AnSp 3
AnSp 4
On consid` ere le signal
x(t) = 1 + 5 sin (2fa t) + 2 sin (2fb t) , fa = 1 [kHz], fb = 1.5 [kHz] 1. Quelle est la p eriode de ce signal ? Dessinez le spectre unilat eral de x(t). Que valent Xdc et Xac ? 2. Son enregistrement a et e eectu e avec une p eriode d echantillonnage de 125 sec pendant exactement 10 msec. a) Quel sera le domaine danalyse spectrale et sa r esolution.
121
ements danalyse spectrale num 3. El erique b) Pensez-vous devoir utiliser une fen etre dobservation ? Si oui, laquelle choisissez-vous et pourquoi ? c) Les raies spectrales fournies par la FFT seront-elles situ ees aux fr equences attendues ? Sinon, pr ecisez la valeur de ces fr equences. 3. Idem 2), si lenregistrement a dur e exactement 11 msec.
122
Bibliographie
[1] Randall R.B., Frequency Analysis, Bru el & Kjaer, 1987 [2] Frederic J. Harris : On the use of windows for harmonic analysis with DFT, Proceedings of IEEE, vol. 66, no.1, january 1978 [3] Cooley J.W., Tukey J.W., An Algorithm for the Machine Calculation of Complex Fourier Series, Mathematics of Computation, Vol. 19, April 1965 [4] Burrus C.S., Parks T.W., DFT/FFT and Convolution Algorithms. John Wiley & Sons, New York, 1985 [5] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA, 1992
123
4. Description et comparaison des signaux

Ce chapitre pr esente et analyse quelques signaux types avant de d enir et illustrer lutilisation des fonctions dauto- et dintercorr elation au travers de trois exemples concrets. Il se termine par une pr esentation succincte des signaux al eatoires, de quelques mod` eles associ es et de leurs relations spectrales et temporelles.
4.1. Classication des signaux

Sans entrer dans les d etails de la classication des signaux, il faut mentionner que plusieurs approches sont possibles. Parmi celles-ci, on en citera deux : la classication ph enom enologique qui met laccent sur le comportement temporel du signal ; la classication energ etique o` u lon classe les signaux suivant quils sont a energie ` nie ou ` a puissance nie.
Signaux
Dterministes
Alatoires
Priodiques
Non priodiques
Stationnaires
Non stationnaires
Figure 4.1.: Classication ph enom enologique des signaux
4.1.1. Classication ph enom enologique

Dans cette classication, on r epartit g en eralement les signaux en deux classes principales et quatre sous-classes illustr ees par la gure 4.1. Dans les deux classes principales, on trouve : les signaux d eterministes dont l evolution temporelle parfaitement d enie peut etre pr edite par un mod` ele math ematique appropri e;
125
4. Description et comparaison des signaux les signaux al eatoires qui ont un comportement temporel impr evisible et dont la description ne peut se faire quau travers dobservations statistiques. Parmi les signaux d eterministes (gure 4.2.1), on distingue : les signaux p eriodiques dont la forme se r ep` ete r eguli` erement ; les signaux pseudo-al eatoires qui sont des signaux p eriodiques mais avec, a e` lint rieur de la p eriode, un comportement al eatoire ; les signaux quasi-p eriodiques qui r esultent dune somme de sinuso des dont le rapport des p eriodes nest pas rationnel ; les signaux non-p eriodiques ; ils sont essentiellement repr esent es par des signaux transitoires dont lexistence est eph em` ere. Parmi les signaux al eatoires (gure 4.2.2), on distingue : les signaux stationnaires dont les caract eristiques statistiques ne changent pas au cours du temps (p.ex : le bruit electronique) ; les signaux non-stationnaires dont le contenu statistique evolue au cours du temps (p.ex. : la parole).
nergie et puissance des signaux 4.1.2. E

Consid erant la puissance moyenne Px ou l energie totale Wx des signaux, on observe que ceux-ci peuvent alors etre class es dans une des deux cat egories suivantes : 1. Les signaux ` a energie nie tels que Wx < alors que Px = 0 Dans cette cat egorie, on rencontre tous les signaux temporaires quils soient d eterministes ou al eatoires. 2. Les signaux ` a puissance nie tels que Px < alors que Wx Cette cat egorie englobe les signaux p eriodiques, quasi-p eriodiques et les signaux permanents al eatoires ou non. Suivant les caract eristiques des signaux, on calculera donc soit leur puissance Px , soit leur energie Wx . Selon Parseval, ce calcul peut, bien entendu, se faire dans le domaine temporel Px = lim Wx = lim ou dans celui des fr equences :
+
1 T T
+T /2
x2 (t)dt
T /2 +T /2
V2 V2 sec
(4.1) (4.2)
x2 (t)dt
T /2
Px =
+
Rxx (f ) df Sxx (f ) df
V2 V2 sec
(4.3) (4.4)
Wx = a condition davoir ` a sa disposition `
126
4.1. Classication des signaux

(a) 1 0.5 0 0.5 1 5 0 5 1 0.5 0 0.5 1 5 0 5 (b)
(c) 1 0.5 0 0.5 1 5 0 temps 5 1 0.5 0 0.5 1 5
(d)
0 temps
(a) 1 0 1 5 4 3 2 1 0 (b) 1 0 1 5 4 3 2 1 0 (c) 1 0 1 5 4 3 2 1 0 temps 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Figure 4.2.: 1) Quatre signaux d eterministes : (a) p eriodique, (b) pseudo-al eatoire, (c) quasi-p eriodique, (d) non-permanent. 2) Trois signaux al eatoires : (a) bruit blanc (spectre inniment large et constant), (b) bruit large bande (spectre de largeur nie), (c) bruit non-stationnaire.
127
4. Description et comparaison des signaux la densit e spectrale de puissance Rxx (f ) qui sexprime en [V2 /Hz] ou la densit e spectrale d energie Sxx (f ) dont les unit es sont [V2 /Hz2 ]. On notera que, pour le calcul de la puissance des signaux p eriodiques, la dur ee dint egration T sera prise egale ` a une p eriode T0 du signal. On se souviendra egalement que la puissance moyenne Px dun signal x(t) est, par d enition, egale au carr e de sa valeur ecace
2 Px Xef f
Enn, il faut relever que certains signaux th eoriques nappartiennent ` a aucune des deux cat egories pr esent ees ci-dessus. Cest le cas, par exemple, de lexponentielle x(t) = eat pour t s etendant de ` a +.
4.1.3. Signaux num eris es

Dans le cas o` u les signaux etudi es proviennent de signaux analogiques x(t) num eris es pendant une dur ee T = N Te , on remplace les int egrales par des sommes et lincr ement temporel dt par la p eriode d echantillonnage Te . On montre alors ais ement que lon obtient :
N 1 2 x2 [n] Xef f n=0 N 1
Px =
1 N
V2
(4.5)
Wx = Te
n=0
x2 [n]
V2 sec
(4.6)
4.2. Quatre signaux types

An de clarier les choses, consid erons comme exemple des signaux-types (gure 4.3) illustrant les quatre classes de signaux : 1. D eterministes temporaires tels que lexponentielle amortie x1 (t) ou les signaux p eriodiques de dur ee nie. 2. Permanents et p eriodiques tels que le signal carr e x2 (t). 3. Permanents quasi-p eriodiques tels que le signal x3 (t) constitu e de quatre composantes spectrales non rationnelles. 4. Al eatoires stationnaires permanents tels que x4 (t) pour lequel il nexiste pas de description temporelle.
128
1 x1(t) 0.5 0 5 1 x2(t) 0 1 5 1 x3(t) 0 1 5 1 x4(t) 0 1 5 0 5 10 15 20 25
10
15
20
25
10
15
20
25
10 temps
15
20
25
Figure 4.3.: Quatre signaux types : (a) d eterministe temporaire, (b) d eterministe permanent p eriodique, (c) quasi-p eriodique permanent, (d) al eatoire a bande etroite `
129
4.2.1. Signaux d eterministes temporaires

Les signaux d eterministes temporaires tels que x1 (t) sont des signaux a ` puissance moyenne nulle mais energie nie. Ils poss` edent un spectre continu d eni par leur densit e spectrale damplitude. Celle-ci nest autre que la transform ee de Fourier du signal :
+
X (jf ) =
x(t) exp(j 2f t) dt
[V sec] = [V/Hz]
(4.7)
Leur energie se calcule soit au niveau temporel

+
Wx =
x2 1 (t) dt
V2 sec
soit dans le domaine fr equentiel

+
Wx =
Sx (f ) df
V2 sec
(4.8)
a partir de la densit e spectrale d energie Sx (f ) exprim ee en [V2 /Hz2 ]. Dans le cas ` des signaux temporaires, on peut montrer que la densit e spectrale d energie est li ee a la densit e spectrale damplitude par la relation ` Sx (f ) = X (jf ) X (jf ) = |X (jf )|2 V2 /Hz2 (4.9)
Exemple Lexponentielle d ecroissante x1 (t) = A exp(at) (t) poss` ede une puissance moyenne nulle et une energie nie : P1 = lim
+T /2
1 T T
+T /2
x2 1 (t) dt = 0
T /2
W1 = lim
x2 1 (t) dt =
T /2
A2 A2 = < 2a 2
V2 sec
(4.10)
Cette energie peut egalement se calculer dans le domaine fr equentiel. En eet, comme au signal x1 (t) = A exp(at) (t) correspond la densit e spectrale damplitude A (4.11) X1 (jf ) = a + j 2f on peut calculer sa densit e spectrale d energie S1 (f ) : S1 (f ) = |X1 (jf )|2 = puis son energie
+ +
A a + j 2f
A2 a2 + (2f )2
V2 /Hz2
(4.12)
W1 =
2
S1 (f ) df = 2f a
+
A2 df a2 + (2f )2 V2 sec
(4.13) (4.14)
A = atg 2a
A2 = 2a
130
4.2.2. Signaux permanents p eriodiques

Un signal d eterministe permanent est un signal p eriodique dont la puissance est nie et l energie innie. Sa description spectrale peut se faire gr ace ` a la transform ee de Fourier du signal
+
X (jf ) =
x(t) exp(j 2f t) dt
[V sec]
(4.15)
Pour tous signaux p eriodiques, on obtient alors une densit e spectrale damplitude constitu ee dimpulsions de Dirac. Ces impulsions correspondent aux raies spectrales du signal p eriodique qui, comme on le sait, poss` ede un spectre discret. Pluto t que de travailler avec les impulsions de Dirac, il est alors plus simple et plus pratique den rester a eries de Fourier ` la description bien connue des s X (jk ) = 1 T
+T /2
x(t) exp(j 2kf0 t) dt

T /2
[V]
(4.16)
La puissance des signaux p eriodiques se calcule soit au niveau temporel Px = soit dans le domaine fr equentiel
+
1 T
+T /2
x2 (t) dt
T /2
[V2 ]
(4.17)
Px =
k=
|X (jk )|2
V2
(4.18)
Exemple Le signal carr e x2 (t) damplitude A pos` ede une puissance nie et une energie innie : P2 = lim 1 T T
+T /2 2 x2 2 (t) dt = A < T /2 +T /2
V2
(4.19)
W2 = lim
x2 2 (t) dt
T /2
Dans le domaine fr equentiel, partant des composantes de Fourier du signal carr e p eriodique damplitude A et ` a valeur moyenne nulle X (jk ) = 2A t sin(kf0 t) sin(k/2) =A = T kf0 t k/2
+ +
0
2A k
si k pair si k impair
(4.20)
on peut calculer, sa densit e spectrale de puissance R2 (f ) R2 (f ) =
|X (jk )|2 = 2
k=1,3,5,
2A (f kf0 ) k
V2 /Hz
(4.21)
Partant de celle-ci, il vient

+ +
P2 =
R2 (f ) df = 2
k=1,3,5,
2A k
= A2
V2 ef f
(4.22)
131
4.2.3. Signaux permanents al eatoires

Un signal permanent est un signal dont la puissance est nie et l energie innie. Parmi ceux-ci, on trouve essentiellement les signaux al eatoires tels que x4 (t). Ces signaux nont pas de transform ee de Fourier car leur int egrale en valeur absolue est innie
+
|x(t)| dt
(4.23)
On devra donc tenter de trouver une mod elisation spectrale par une approche diff erente de celles vues jusquici. Cest ce que lon verra ` a la section 4.7. Par contre, si lon est en possession dune suite de valeurs enregistr ees de dur ee nie T = N t, on peut calculer la puissance et le spectre damplitudes X (jf ) de cette suite x[n] = x(t = n t) : Px 1 N
N 1 N 1
x2 [n]
n=0
V2
(4.24)
X (jf )
1 N
x[n] exp(j 2f nt)

n=0
[V]
(4.25)
4.2.4. Signaux permanents quasi-p eriodiques

Un signal permanent tel que le signal x3 (t) est constitu e de quatre composantes spectrales dont les fr equences sont dans un rapport irrationnel. Cela signie que, malgr e la pr esence de fr equences discr` etes, le signal nest pas p eriodique ; on doit alors le consid erer comme un signal al eatoire permanent. Lestimation de la puissance et de son spectre se fera donc comme ci-dessus ` a partir dune suite de valeurs enregistr ees.
4.3. Comparaison des signaux

La corr elation est utilis ee dans les radars, les sonars, les communications num eriques, la d etection de signaux noy es 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 r ef erence x(t) et le signal ` a analyser y (t). Il faut alors trouver une op eration math ematique permettant de comparer ces signaux et den mesurer la ressemblance ou la corr elation. Ceci se fait simplement en eectuant lint egrale du produit des signaux que lon d ecale progressivement lun par rapport ` a lautre
+
rxy ( ) =
x(t) y (t + ) dt
(4.26)
132
4.3. Comparaison des signaux On obtient alors une op eration math ematique qui, de par sa forme, est tr` es proche de la convolution. Cependant, contrairement ` a la convolution qui permet de calculer le signal de sortie dun ltre lin eaire, la corr elation sert ` a mesurer le degr e de ressemblance de deux signaux et dextraire des informations qui, dans une large mesure, d ependent de lapplication consid er ee. Deux illustrations en sont donn ees dans les gures 4.4 et 4.5. Dans la premi` ere, on compare deux signaux dont la superposition (maximum de ressemblance) appara t apr` es un d ecalage temporel egal ` a 0.8. Dans la deuxi` eme, on compare un signal chirp (signal sinuso dal dont la fr equence varie lin eairement avec le temps) avec sa version d ecal ee. On y voit que la corr elation dun tel signal avec sa version d ecal ee poss` ede un maximum tr` es bien d eni ` a lendroit correspondant exactement au d ecalage des deux signaux.
Exemple de corrlation 1 y(t) 0.5 0 1 1 x(t), y(t+) 0 1 1 1 x(t) y(t+) 0 1 1 0.1 rxy(+) 0
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
0.1 0 0.2 0.4 0.6 0.8 1 temps 1.2 1.4 1.6 1.8 2
Figure 4.4.: Intercorr elation de deux signaux
4.3.1. Corr elation de signaux ` a energie nie

Intercorr elation de deux signaux Consid erant deux signaux x(t) et y (t) ` a energie nie, on d enit la fonction dintercorr elation (c) comme lint egrale du produit du signal x(t) avec le signal y (t) d ecal e dune valeur : + rxy ( ) =
x(t) y (t + ) dt
V2 sec
(4.27)
133

Exemple de corrlation 1 y(t) 0 1 0 1 x(t), y(t+) 0.5 1 1.5 2 2.5 3
1 1 x(t) y(t+) 0 1
0.5
1.5
2.5
0 0.4 0.2 0 0.2 0
0.5
1.5
2.5
rxy(+)
0.5
1.5 temps
2.5
Figure 4.5.: Autocorr elation dun signal chirp Par changement de variable = t + , on montre que
+
rxy ( ) =
x( ) y () d = ryx ( )
(4.28)
On voit ainsi que la fonction rxy ( ) est aussi la version retourn ee de ryx ( ) autour de lordonn ee Oy . Comme on peut le constater, les fonctions dintercorr elation
+
x(t) y (t + ) dt = rxy ( )
et de convolution
x() y (t ) d = x(t) y (t)
sont formellement tr` es proches. On montre quelles sont reli ees entre elles par : rxy ( ) = x( ) y ( ) V2 sec (4.29)
Cette relation valable dans lespace temps a bien entendu son equivalent dans lespace des fr equences que lon d esigne sous le nom de densit e interspectrale d energie : Rxy (jf ) = X (jf ) Y (jf ) V2 / Hz2 (4.30)
134
4.3. Comparaison des signaux Autocorr elation dun signal Dans le cas particulier o` u y (t) = x(t), on obtient la fonction dautocorr elation (fac) du signal x(t) :
+
rxx ( ) =
x(t) x(t + ) dt
V2 sec
(4.31)
qui, pour un d ecalage nul, donne l energie du signal x(t) :

+
rxx (0) =
x(t)2 dt Wx
(4.32)
4.3.2. Corr elation de signaux ` a puissance nie

Dans ce cas, les signaux sont permanents et poss` edent une energie inniment grande ; on ne peut donc pas utiliser les d enitions pr ec edentes. Pour cette cat egorie de signaux, on red enit les deux fonctions de corr elation comme suit : rxy ( ) = lim 1 T T
+T /2
x(t) y (t + ) dt
T /2
V2
(4.33)
1 rxx ( ) = lim T T
+T /2
x(t) x(t + ) dt
T /2
V2
(4.34)
Dans le cas dun d ecalage nul, on trouve la puissance du signal x(t) : 1 rxx (0) = lim T T
+T /2 2 x(t)2 dt Xef f = Px T /2
V2
(4.35)
Il est dautre part evident que si les signaux sont p eriodiques, lint egration se fera sur une p eriode seulement. La gure 4.6 montre des fonctions dautocorr elation repr esentatives de quelques signaux al eatoires. On y trouve successivement trois signaux dont les puissances sont les m emes, ` a savoir 0.2 V2 ef f : un bruit blanc gaussien : son caract` ere non pr evisible est manifeste et il est conrm e par l etroitesse du pic de la fac. un bruit ` a large bande : ce signal a et e obtenu en ltrant passe-bas le bruit blanc. Son contenu spectral moins etendu fait quil est raisonnablement possible de pr evoir une valeur future pas trop eloign ee. Une mesure de cet horizon de pr evision est donn ee par la largeur ` a mi-hauteur du pic de la fac. un bruit ` a bande etroite : ce signal a et e obtenu en ltrant le bruit blanc ` a laide dun ltre passe-bande. Son contenu fr equentiel etroit se manifeste par un comportement oscillant de mani` ere assez r eguli` ere. Cette pseudo-p eriodicit e est encore plus facile ` a d eterminer ` a laide de sa fac : elle se mesure par la distance s eparant le pic central du premier pic lat eral.
135
x(t) 0.2 1 0.1 0 1 2 1 0 1 2 (a) 0 0.1 0.2 2 0.2 1 0.1 0 1 2 1 0 1 2 (b) 0 0.1 0.2 2 0.2 1 0.1 0 1 2 1 0 temps 1 2 (c) 0 0.1 0.2 2 1 1 1
rxx()
0 dcalage
Figure 4.6.: Quelques signaux et leur fonction dautocorr elation
136
4.4. Propri et es et calcul num erique

4.4.1. Propri et es de lautocorr elation
On rappellera tout dabord que la fonction dautocorr elation consiste ` a d ecaler un signal par rapport ` a lui-m eme, puis ` a int egrer le produit des deux. On montre alors ais ement que la fonction dautocorr elation poss` ede les propri et es suivantes : 1. Lorsque le d ecalage temporel est nul ( = 0), la fac est egale ` a l energie du signal pour les signaux ` a energie nie :
+
rxx (0) =
x(t)2 dt Wx
(4.36)
ou, ` a la puissance moyenne pour les signaux ` a puissance nie : rxx (0) = lim 1 T T
+T /2
x(t)2 dt Px
T /2
2. Comme la correspondance entre les deux signaux ne peut pas etre aussi forte que lorsque les signaux se superposent exactement cela entra ne que la fac est maximum pour un d ecalage nul. On a donc : rxx (0) rxx ( ) 3. La fac est une fonction paire : rxx ( ) = rxx ( ) (4.38) (4.37)
4. La fac dun bruit blanc (ainsi appel e par analogie ` a la lumi` ere blanche constitu ee de toutes les fr equences lumineuses) est une impulsion de Dirac. En eet, le bruit blanc etant form e dune multitude de fr equences poss edant la m eme puissance, il en r esulte un signal variant si rapidement que sa valeur pr esente est ind ependante des valeurs pass ees et que sa valeur est non nulle pour = 0 seulement. On a donc : rxx ( ) = 2 (t) (4.39) o` u 2 est la variance du signal al eatoire ; cest egalement, comme on la vu plus haut, la puissance du signal al eatoire. 5. La fac dun signal p eriodique quelconque est une fonction p eriodique paire. Consid erons comme exemple le signal x(t) = A sin(t + ). On a alors : rxx ( ) = = do` u: 1 T A2 T
+T /2
x(t) x(t + ) dt
T /2 +T /2
sin(t + ) sin( (t + ) + ) dt
T /2
A2 cos( ) (4.40) 2 On remarque ainsi que lamplitude de cette fac est la puissance A2 /2 du signal x(t) et que la fac ne nous donne aucune information sur la phase du signal. rxx ( ) =
137
4. Description et comparaison des signaux 6. Dans le cas dun signal x(t) perturb e par du bruit n(t), il est possible de retrouver la fac du signal non perturb e. Consid erant y (t) = x(t) + n(t), on a en eet : 1 ryy ( ) = lim T T 1 = lim T T
+T /2
(x(t) + n(t)) (x(t + ) + n(t + )) dt

T /2 +T /2
(x(t) x(t + ) + n(t) n(t + )

T /2
+ x(t) n(t + ) + n(t) x(t + )) dt = rxx ( ) + rnn ( ) + rxn ( ) + rnx ( ) do` u: ryy ( ) = rxx ( ) + rnn ( ) + rxn ( ) + rnx ( ) (4.41) Dans le cas o` u le signal x(t) et le bruit n(t) ne sont pas corr el es, on a bien entendu rxn ( ) = 0 = rnx ( ) ; ce qui donne nalement : ryy ( ) = rxx ( ) + rnn ( ) (4.42)
De plus, comme g en eralement la fac rnn ( ) du bruit tend rapidement vers 0, on voit que, pour un d ecalage susamment grand, il restera la fac rxx ( ) du signal x(t). Une illustration de cette derni` ere propri et e (gure 4.7) montre comment lautocorr elation permet dextraire un signal noy e dans un bruit blanc. Dans cette gure, le signal est une sinuso de damplitude 1 volt et le bruit blanc poss` ede une valeur ecace de 5 volt. Le signal extrait est reconnaissable mais encore perturb e par du bruit. Comme ce bruit r esiduel diminue avec la racine carr ee du nombre d echantillon, on voit quon peut diminuer le bruit en augmentant le nombre d echantillons enregistr es.
4.4.2. Exemples dautocorr elation

La fonction dintercorr elation est tr` es souvent utilis ee pour d etecter la pr esence dun message et mesurer un temps de propagation. Dans ce but, le signal emis est choisi de mani` ere ` a ce que le pic de sa fonction dautocorr elation soit tr` es bien d eni. Les signaux le plus souvent utilis e sont les signaux chirp (` a fr equence variable au cours du temps) et les s equences binaires pseudo-al eatoires. Autocorr elation dun signal chirp Le signal chirp est un signal sinuso dal dont la fr equence (ou la pulsation) varie lin eairement avec le temps. Il est d eni comme suit x(t) = A sin((t) + )
138

Signal + bruit avec 20000 chantillons 20 10 x(t) 0 10 20 30 20 rxx() 10 0 5 1 0.5 rxx() 0 4 3 2 1 0 1 2 3 4 5 0 1 2 3 4 5 6 7 8 9 10
0.5 1 5 4 3 2 1 0 dcalage 1 2 3 4 5
Figure 4.7.: Extraction dun signal avec laide de lautocorr elation avec (t) =
0
(t) dt 0 t tmax
(t) = min +
max min t tmax
Sa fonction dautocorr elation poss` ede un maximum tr` es bien d eni correspondant 2 a la puissance du signal qui vaut A /2 (gure 4.8a). ` Autocorr elation dune SBPA Une s equence binaire pseudo-al eatoire (SBPA) est une succession de valeurs binaires (g en eralement 1) dont la distribution temporelle poss` ede un caract` ere al eatoire pendant une certaine dur ee et qui ensuite se r ep` ete p eriodiquement. Sa fonction dautocorr elation poss` ede egalement un pic tr` es bien d eni egal ` a la puissance A2 du signal (gure 4.8b).
4.4.3. Propri et es de lintercorr elation

Comme pour la fonction dautocorr elation, on se contentera d enoncer les propri et es des fonctions dintercorr elation : 1. En g en eral la c nest ni paire, ni impaire.
139

Signal chirp 1
0.5 x(t)
0.5
0.1
0.2
0.3
0.4
0.5 temps
0.6
0.7
0.8
0.9
Autocorrlation dun signal chirp 0.5 0.4 0.3 rxx() 0.2 0.1 0 0.1 0.2 0.5 0.4 0.3 0.2 0.1 0 dcalage 0.1 0.2 0.3 0.4 0.5
Squence binaire pseudoalatoire 1 0.5 s[n] 0 0.5 1 0 50 100 temps n Autocorrlation dune SBPA 1.2 1 0.8 rss [m] 0.6 0.4 0.2 0 0.2 100 50 0 dcalage m 50 100 150 200 250
Figure 4.8.: Fonctions dautocorr elation dun signal chirp et dune SBPA
140
4.4. Propri et es et calcul num erique 2. Le maximum de la c se situe ` a lendroit du d ecalage correspondant au maximum de similitude entre les deux signaux. Cette propri et e est tr` es utilis ee pour mesurer des temps de propagation. 3. Comme le fait de retarder y (t) par rapport ` a x(t) dune valeur equivaut ` a avancer le signal x(t) par rapport ` a y (t), on aura : rxy ( ) = ryx ( ) (4.43)
4. Si les deux signaux sont p eriodiques de m eme p eriode, la c sera egalement p eriodique.
4.4.4. Calcul num erique de la corr elation

Le calcul num erique dune corr elation se fait en rempla cant lint egrale par la somme du produit des valeurs echantillonn ees avec une p eriode constante unit e. Dans le cas o` u lon a susamment de points ` a disposition, on peut calculer la somme sur N points sans atteindre les limites des signaux enregistr es. On a alors : 1 rxy [m] = N
N 1
x[n] y [n + m]
n=0
V2 ,
N m +N
(4.44)
Dans le cas o` u lon souhaite utiliser toutes les valeurs ` a disposition, le nombre de points intervenant dans la somme diminue au fur et ` a mesure que le d ecalage augmente. Pour eviter de biaiser le r esultat de la corr elation, on la calcule alors comme suit : 1 rxy [m] = N |m|
N |k|
x[n] y [n + m]
n=0
V2 ,
0mN 1
(4.45)
Mais alors, on voit bien que, m augmentant, le nombre de points ` a disposition N |m| diminue. Ce qui, statistiquement, rend le r esultat de lintercorr elation plus incertain dans les extr emit es de la fonction (voir gure 4.8b). ` cette fonction dintercorr A elation correspond son image fr equentielle Rxy [jk ] que lon obtient apr` es TFD des signaux num eris es x[n] et y [n] : Rxy [jk ] = 1 X [jk ] Y [jk ] N V2 (4.46)
o` u k est le compteur fr equentiel tel que f =k fe k = 0, , N 1 N (4.47)
141
4.5. Rapport signal sur bruit (SNR)

Comme on va le voir plus loin, les fonctions de corr elation sont tr` es puissantes pour extraire un signal x(t) masqu e par un bruit n(t). An de chirer pr ecis ement la qualit e (mauvaise ou non) dun signal, on utilise la notion de rapport signal/bruit (Signal to Noise Ratio ) d enie comme suit : SN RdB = 10 log Px Pn = 20 log Xef f Nef f [dB] (4.48)
Un SNR egal ` a 0 dB, signie que la puissance Pn du bruit est egale ` a celle du signal Px ou, de mani` ere equivalente, que Xef f = Nef f .
Quelques valeurs SNR pour x(t) + n(t) 5 0 5 5 0 5 5 0 0 5 SNR = 0 [dB] 0 0.2 0.4 0.6 0.8 1 2 0.5 200 20 100 0 0 20 SNR = 20 [dB] 0 0.2 0.4 0.6 temps t 0.8 1 100 0.5 0 dcalage P0 = Px + Pn Px 0.5 0 SNR = 20 [dB] 0 0.2 0.4 0.6 0.8 1 SNR = 40 [dB] 0 0.2 0.4 0.6 0.8 1 2 0 2 0.5 2 0 2 0.5 4 2 P0 = Px + Pn Px Autocorrlation de x(t) + n(t)
0.5
0.5
0.5
Figure 4.9.: Illustrations de quelques valeurs SNR Dans la gure 4.9, la colonne de gauche montre un signal sinuso dal auquel est ajout e un bruit de plus en plus fort. M eme si visuellement on observe quun SNR de 40dB est presque ind etectable, il est important de savoir quen pratique il est fr equent dexiger une qualit e de signaux dont les SNR sont sup erieurs ` a 60dB, voire 96dB en haute-d elit e audio. Malheureusement, il nest pas rare de devoir traiter des signaux dont le SNR est inf erieur ` a 0dB et dans ces cas l` a, comme on le verra, les fonctions de corr elation sont extr ement utiles. Enn, comme on la vu dans la section pr ec edente, les fonctions dintercorr elation sont nulles pour des signaux ind ependants, non corr el es. Ainsi, dans le cas dun signal x(t) perturb e par un bruit additif n(t) ind ependant, la fonction dautocorr e-
142
4.6. Trois applications de la corr elation lation est simplement egale ` a la somme des deux fac rx+n ( ) = rxx ( ) + rxn ( ) + rnx ( ) + rnn ( ) = rxx ( ) + rnn ( ) (4.49)
On voit alors que la puissance de deux signaux ind ependants est egale ` a la somme des puissances individuelles car rx+n (0) = Ptot = rxx (0) + rnn (0) = Px + Pn (4.50)
Ce qui permet parfois, lorsque le signal x(t) est p eriodique, destimer les deux puissances et den d eduire la valeur du SNR comme le montre la colonne de droite de la gure 4.9.
4.6. Trois applications de la corr elation

4.6.1. Le radar
Comme exemple illustratif, imaginons le principe du radar avec lequel on d esire d etecter la pr esence ou non dun avion puis conna tre la distance ` a laquelle il se trouve.
Signal mis 1 0.5 0 0.5 1 0 100 200 300 400 500 600 700 800 900 1000
Signal reu en prsence de lavion 0.1 0.05 0 0.05 0.1 0 100 200 300 400 500 Instants n 600 700 800 900 1000
Figure 4.10.: Signaux emis et re cus par un radar Le radar emet un signal chirp x(t) et capte en retour l echo y (t) renvoy e par lavion (gure 4.10). Sil ny a pas davion dans la zone couverte par le radar, le signal re cu
143
4. Description et comparaison des signaux y (t) est constitu e dun bruit n(t) seulement. De plus, il est evident que si un avion est pr esent, le signal y (t) re cu en retour consiste en une version att enu ee, retard ee, et fortement bruit ee du signal emis x(t). Ainsi, le signal re cu peut etre d ecrit par : y (t) = A x(t td ) + n(t) avec : A = une fonction datt enuation d ependant de la distance et de la forme de lavion td = le temps mis par londe pour faire son aller et retour n(t) = le bruit additif capt e par lantenne et g en er e par l electronique du radar. Pratiquement, le signal re cu est tellement perturb e par le bruit quune analyse visuelle ne permet pas de d eceler la pr esence ou labsence dun signal r e echi par lavion (gure 4.10). Les gures 4.11a et 4.11b illustrent le principe de lutilisation dun signal chirp pour d etecter un avion et mesurer sa distance. Consid erons les deux situations suivantes : 1. Absence dun avion : Le signal re cu y (t) est fortement att enu e et perturb e. Seule une intercorr elation entre x(t) et y (t) permet de savoir si un avion est pr esent ou non. Dans ce dernier cas, aucun pic bien distinct nappara t dans le graphe (gure 4.11a). 2. Pr esence dun avion : Ici, lintercorr elation fait appara tre un pic tr` es etroit se d egageant nettement au-dessus du bruit de fond (gure 4.11b). On notera que ce pic est l eg` erement d ecal e vers la droite par rapport ` a la position centrale ; ce d ecalage correspond au temps daller et retour du signal emis. Une fois ce temps d etermin e, on peut calculer la distance de lavion par rapport au radar.
4.6.2. La mesure dun d ebit

On pr esente ici un d ebitm` etre industriel r ealis e par lInstitut dAutomatisation Industrielle de la heig-vd. Le principe, de m eme que sa r ealisation, en est tr` es simple. Une cam era fournit r eguli` erement des images dun ux de granul es (gure 4.12). En eectuant la comparaison par intercorr elation de deux images successives, on obtient un point lumineux se situant aux coordonn ees du d eplacement y (t). Connaissant la section A du conduit, on peut calculer le d ebit au cours du temps : Q(t) = A y (t) t
La seule dicult e de cette mesure r eside dans le temps n ecessaire pour calculer lintercorr elation en temps r eel. En eet, si lon imagine que lon dispose dimages de 100x400 pixels, on doit traiter 40000 pixels par intercorr elation ; ce qui entra ne un nombre dop erations valant environ Nop
2 Npxl = 16 108
M eme avec un DSP tr` es performant (Tclock 10 ns), il nest pas possible de fournir une information en moins dune seconde. Par contre, en utilisant la FFT on peut
144
4.6. Trois applications de la corr elation

Signal reu en labscence de lavion 0.1 0.05 0 0.05 0.1 0 100 200 300 400 500 600 700 800 900 1000
5 4 3 2 1 0 1
x 10
Intercorrlation en labscence de lavion
2 500
400
300
200
100
0 dcalage m
100
200
300
400
500
Signal reu en prsence de lavion 0.1 0.05 0 0.05 0.1 0 100 200 300 400 500 600 700 800 900 1000
5 4 3 2 1 0 1
x 10
Intercorrlation en prsence de lavion
2 500
400
300
200
100
0 Instants n
100
200
300
400
500
Figure 4.11.: a) Intercorr elation entre un signal chirp et du bruit b) Intercorr elation entre un signal chirp et du bruit corr el e
145
Figure 4.12.: Interface du d ebitm` etre de granul es
146
4.6. Trois applications de la corr elation esp erer fournir des r esultats dans le temps imparti car celle-ci demande beaucoup moins dop erations Nop Npxl log2 (Npxl ) 40 103 15 = 6 105
Lalgorithme de calcul est alors le suivant 1) 2) 3) 4) 5) 6) acquisition de image1 acquisition de image2 FFT bidimensionnelle de image1 et image2 => IMG1 et IMG2 calcul de Rxy = conj(IMG1) * IMG2 FFT inverse pour obtenir rxy recherche des coordonn ees du maximum dintensit e
Une fois ces calculs eectu es, il reste encore susamment de temps pour calculer le d ebit actuel, lisser cette valeur, acher les images, etc (gure 4.12).
4.6.3. La mesure du rythme cardiaque

On sint eresse ici a ` la mesure automatique des pulsations cardiaques a ` laide de moyens simples : un st ethoscope muni dune capsule microphonique et la carte-audio dun PC permettant denregistrer le son caract eristique des battements cardiaques.
Figure 4.13.: Analyse dun signal phonocardiographique
147
4. Description et comparaison des signaux Dun point de vue spectral, ces pulsations de tr` es basse-fr equence (environ une pulsation par seconde) modulent un soue basse-fr equence situ e aux environs de 100 Hz (modulation damplitude). Cest ce qui rend le son audible puisque loreille humaine nentend pas les sons inf erieurs ` a 20 Hz. Comme le rythme cardiaque est p eriodique, on peut esp erer, gr ace ` a lautocorr elation, eliminer le bruit environnant et faire appara tre clairement la p eriode du rythme cardiaque. Cependant, ` a cause des perturbations li ees ` a la mesure, les choses ne sont pas aussi simples et, tr` es vite, on se rend compte que la recherche de lenveloppe du signal mesur e sera bien plus fructueuse. Les di erentes etapes ` a parcourir pour obtenir le rythme cardiaque avec un bon taux de r eussite sont illustr ees par la gure 4.13. Apr` es acquisition du signal x0 (t) ` a laide de la carte son dun PC (fe = 8 kHz) et sa sauvegarde dans un chier *.wav, on peut, avec Matlab, eectuer les calculs ci-dessous : 1. elimination des fr equences inint eressantes par ltrage passe-bande du signal entre 60 et 500 Hz xf (t) ; 2. limitation des amplitudes du signal ` a 3 o` u est l ecart-type ou valeur ecace du signal ltr e xlim (t) ; 3. recherche de lenveloppe du signal ; celle-ci sobtient de mani` ere similaire ` a la d emodulation damplitude par le redressement du signal et son ltrage passebas xenv (t) ; 4. autocorr elation de lenveloppe rxx ( ) ; 5. recherche du maximum de rxx ( ) situ e dans le domaine des pulsations cardiaques ordinaires ; pour des pulsations comprises entre 50 et 200 puls/min, le premier pic se trouvera entre 1.2 et 0.3 secondes. Cet exemple montre, ` a l evidence, combien lautocorr elation est puissante pour extraire une information noy ee dans du bruit.
4.7. Description des signaux al eatoires

Par d enition, les signaux al eatoires ne peuvent pas etre d ecrits analytiquement. On peut cependant tenter de les classer dans une des trois cat egories types qui sont : les bruits ` a large bande dans lesquels toutes les fr equences sont pr esentes ` a amplitudes egales (gure 4.14a) ; les bruits ` a bande limit ee dans lesquels les composantes hautes fr equences sont nulles (gure 4.14b) ; les bruits color es dans lesquels toutes les fr equences sont pr esentes mais avec des amplitudes d ecroissantes (gure 4.14c). Comme aucune description analytique nest possible pour les signaux al eatoires, on tente den extraire des moyennes temporelles en observant leurs fonctions dautocorr elation (fac) illustr ees ` a la gure 4.15. On voit alors que la fac du premier signal est extr emement etroite ; on la mod elise par une impulsion de Dirac. La deuxi` eme fac rappelle une fonction en sinus cardinal. Enn, dans la partie non bruit ee, la troisi` eme peut etre mod elis ee par une exponentielle d ecroissante sym etrique.
148
Bruits: (a) large bande (b) bande limite (c) color 1 0.5 0 0.5 1 5 1 0.5 0 0.5 1 5 1 0.5 0 0.5 1 5 4 3 2 1 0 t 1 2 3 4 5 (c) 4 3 2 1 0 1 2 3 4 5 (b) 4 3 2 1 0 1 2 3 4 5 (a)
Figure 4.14.: Trois signaux al eatoires types
1 0.5 0 0.5 5 1 0.5 0 0.5 5 1 0.5 0 0.5 5
(a)
(b)
(c)
Figure 4.15.: Fonctions dautocorr elation des trois bruits types
149
4. Description et comparaison des signaux On d enit alors la densit e spectrale de puissance Rxx (jf ) comme etant la transform ee de Fourier de la fonction dautocorr elation rxx ( ) : rxx ( ) = lim
+
1 T T
+T /2
x(t) x(t + ) dt
T /2
V2
(4.51) (4.52)
Rxx (jf ) =
rxx ( ) exp(j 2f ) d
V2 sec = V2 /Hz
Lobservation de la densit e spectrale de puissance (gure 4.16a) des trois signaux permet den d eduire quelques propri et es et de d enir des mod` eles repr esentant aussi bien que possible chacune des trois densit es spectrales de puissance (gure 4.16b). Le bruit blanc ` a densit e spectrale constante et bande innie Il contient toutes les fr equences de ` a + et sa densit e spectrale de puissance est constante. Il est alors repr esent e par Rxx (f ) = A2 < f < + V2 V2 /Hz (4.53) (4.54) dont la fac est une impulsion de Dirac : rxx ( ) = A2 ( ) Le th eor` eme de Parseval nous dit alors que sa puissance est innie. Comme cela nest pas possible, on pr ef` ere travailler avec un mod` ele plus r ealiste, le bruit ` a densit e spectrale constante et a bande limit e e ` Le bruit ` a densit e spectrale constante et bande limit ee Il contient toutes les fr equences de fmax ` a +fmax . Sa puissance nie est souvent d esign ee par la variance 2 2 qui nest autre que le carr e de la valeur ecace Xef statistique x f du signal. Ce bruit est alors repr esent e par 2 x si fmax < f < +fmax V2 /Hz 2 fmax (4.55) Rxx (f ) = 0 sinon dont la fac vaut
2 rxx ( ) = x
sin(2 fmax ) 2 fmax
< < +
V2
(4.56)
Le bruit color e` a puissance nie Il contient toutes les fr equences de ` a +. 2 Mais sa puissance x est nie car son contenu spectral diminue assez rapidement avec la fr equence. Un mod` ele souvent utilis e est le suivant : 2 1 < f < + V2 /Hz (4.57) Rxx (f ) = x 2 fc f 1+ f c dont la fac vaut
2 rxx ( ) = x ea | |
< < + [1/sec]
V2
(4.58) (4.59)
avec a = 2 fc
150
(a)
0.5
0 5 1 4 3 2 1 0 1 2 3 4 5
(b)
0.5
0 5 1 4 3 2 1 0 1 2 3 4 5
(c)
0.5
0 5 1 4 3 2 1 0 f 1 2 3 4 5
(a)
0.5
0 5 4 3 2 1 0 1 2 3 4 5
(b)
0.5
0 5 4 3 2 1 0 1 2 3 4 5
(c)
0.5
0 5 4 3 2 1 0 f 1 2 3 4 5
Figure 4.16.: a) Densit es spectrales de puissance des trois bruits types b) Trois mod` eles simples pour les repr esenter
151
4.7.1. Tension equivalente de bruit

Il est int eressant de relever que, pour les composants semiconducteurs, la donn ee de la densit e spectrale de puissance R(f ) est remplac ee par une tension equivalente de bruit qui nest autre que la racine carr ee de la densit e spectrale de puissance : en (f ) R(f ) V Hz (4.60)
Figure 4.17.: Tension equivalente de bruit a ee dun LF 411 ` lentr Par exemple, les caract eristiques de lamplicateur op erationnel LF411 (g. 4.17) montrent que, dans les basses fr equences (f < 30 Hz), le spectre du bruit d ecro t a raison de 10 [dB] par d ecade environ (icker noise = bruit de grenaille) et quil ` reste pratiquement constant au del` a de 300 Hz. Il vaut alors : nV en = 25 Hz f > 300 [Hz]
Connaissant cette valeur, on peut ainsi estimer la valeur ecace du bruit dans un domaine de fr equences donn e. Sint eressant, par exemple, au domaine de fr equences 1 kHz < f < 100 kHz la puissance du bruit vaut
f2
Pn =
f1
e2 n (f ) df
18 e2 n f = 625 10
V2 99 kHz = 6.2 1011 [V2 ef f ] Hz
Ce qui correspond ` a une tension ecace de bruit denviron 8Vef f pr esente ` a lentr ee de lamplicateur op erationnel.
152
4.8. Syst` emes lin eaires et densit es spectrales
4.8. Syst` emes lin eaires et densit es spectrales

Il est tr` es fr equent que lon doive etudier des signaux reli es entre-eux par le passage au travers dun syst` eme lin eaire, par exemple un ltre. Celui-ci etant d ecrit par sa r eponse impulsionnelle h(t) ou sa r eponse fr equentielle H (jf ), les signaux dentr ee x(t) et de sortie y (t) sont alors reli es entre eux par le produit de convolution
+
y (t) =
h() x(t ) d
(4.61)
On sint eresse ici ` a pr eciser, en particulier aux niveaux des unit es, quelles sont les relations temporelles et fr equentielles entre des signaux ` a energie nie ou ` a puissance nie.
4.8.1. Signaux ` a energie nie

Ce sont les signaux dont la TF existe car ils sont int egrables en valeur absolue
+
|x(t)| dt <
(4.62)
Il sagit g en eralement de signaux temporaires ou ` a d ecroissance rapide. On d enit alors les densit es spectrales damplitude (DSA) des signaux x(t) et y (t)
+
X (jf ) =
+
x(t) exp(j 2 f t) dt [V/Hz]
Y (jf ) =
y (t) exp(j 2 f t) dt [V/Hz]
et lon a Y (jf ) = H (jf ) X (jf ) Pour ces signaux, les fonctions de corr elation se calculent comme suit
+
(4.63)
rxy ( ) =
x(t) y (t + ) dt [V sec]
(4.64)
et on peut montrer que les relations suivantes sont vraies : Rxx (f ) = X (jf ) X (jf ) [V2 /Hz2 ] Rxy (jf ) = X (jf ) Y (jf ) = |X (jf )|2 H (jf ) [V2 /Hz2 ] Ryy (f ) = |H (jf )|2 Rxx (f ) [V2 /Hz2 ] (4.65) (4.66) (4.67)
153
4.8.2. Signaux ` a puissance nie

La TF de ces signaux nexiste pas car leur energie est innie. Il sagit g en eralement de signaux al eatoires permanents. On les mod elise alors par leur fonction dautocorr elation 1 +T /2 x(t) x(t + ) dt [V2 ] (4.68) rxx ( ) = lim T T T /2 et on d enit leur densit e spectrale de puissance (DSP) Rxx (f ) comme la transform ee de Fourier de la fonction dautocorr elation
+
Rxx (f ) =
rxx ( ) exp(j 2 f ) d [V2 /Hz]
(4.69)
Lorsque les signaux x(t) et y (t) sont reli es entre eux par une op eration de ltrage lin eaire, le produit de convolution relie egalement les fonctions de corr elation entre elles et lon a : + rxy ( ) =
h() rxx ( ) d [V2 ] V2 /Hz
(4.70) (4.71)
Rxy (jf ) = T F (rxy ( ) = H (jf ) Rxx (f ) o` u Rxy (jf ) est la densit e interspectrale de puissance.
Le tableau 4.1 r eunit les relations existant entre les signaux, les fonctions de corr elation et les densit es spectrales damplitudes (DSA) ou de puissance (DSP). nergie nie E [unit es] entr ee syst` eme sortie relations Puissance nie [unit es] entr ee syst` eme sortie relations Domaine temporel signaux x(t), y (t) [V] x(t) h(t) y (t) y (t) = h(t) x(t) Corr elation [V2 ] rxx ( ) h( ) rxy ( ) rxy ( ) = h( ) rxx ( ) DSA T F (x(t), y (t)) [V/Hz] X (jf ) H (jf ) Y (jf ) Y (jf ) = H (jf ) X (jf ) DSP [V2 /Hz] Rxx (f ) H (jf ) Rxy (jf ) Rxy (jf ) = H (jf ) Rxx (f ) Ryy (f ) = |H (jf )|2 Rxx (f )
Table 4.1.: Relations temporelles et fr equentielles
4.9. Signaux, spectres et statistique

La page suivante, tir ee de louvrage de F. de Coulon [2], illustre les propri et es temporelles, spectrales et statistiques de quelques signaux. Comme on la d ej` a dit
154
4.9. Signaux, spectres et statistique plus haut, ces descriptions ne sont que des points de vue di erents dune m eme r ealit e : le signal temporel x(t). Ces points de vue sont compl ementaires et cest le but du traitement des signaux de les relier entre eux et den tirer ecacement le maximum dinformation.
155
Figure 4.18.: Descriptions temporelle, spectrale et statistique de signaux typiques [2]
156
4.10. Quelques exemples
4.10. Quelques exemples

Exemple 1 : Signal temporaire On applique une exponentielle d ecroissante u1 (t) = U0 exp(at) (t) ` a un ltre passebande id eal. On demande : 1. Dessinez la r eponse fr equentielle du ltre. 2. Esquissez les densit es spectrales damplitude |U1 (jf )| et |U2 (jf )|. 3. Que valent les densit es spectrales d energie S1 (f ) et S2 (f ) ? 4. Calculez les energies W1 et W2 des signaux dentr ee et de sortie. 5. A.N. : U0 = 10 [V], Solution : a = 24 000 [1/sec], f1 = 4 [kHz], f2 = 6 [kHz]
157
4. Description et comparaison des signaux Exemple 2 : Signal al eatoire permanent Un op erateur vous informe quil a mesur e ` a la sortie dun amplicateur un bruit large bande dont la valeur ecace vaut U1,ef f = 0.01 [Vef f ]. 1. Quelle est la puissance P1 de ce bruit ? Linformation apport ee par lop erateur est-elle signicative et susante ? 2. Apr` es discussion, celui-ci pr ecise que cette mesure a et e eectu ee avec un voltm` etre ` a vraie valeur ecace dont la bande passante est de 100 kHz. Choisissez un mod` ele de densit e spectrale de puissance correspondant. 3. Esquissez R1 (f ) et calculez sa valeur. 4. La sortie de cet amplicateur est branch ee sur un ltre passe-bas id eal dont la fr equence de coupure est x ee a 1 kHz. Esquissez la densit e spectrale de ` puissance R2 (f ) du bruit apr` es le ltre. 5. Quelle valeur ecace U2,ef f mesurerez-vous apr` es le ltre ? Solution :
158
4.10. Quelques exemples Exemple 3 : Signal al eatoire permanent ` la sortie dun amplicateur dont la bande passante est de 100 [kHz], on mesure A un bruit de 10 [mVef f ]. On ltre ce bruit avec un ltre RC passe-bas r ealis e avec R = 1.6 [k] et C = 100 [nF]. 1. Choisissez un mod` ele de densit e spectrale de puissance R1 (f ) du bruit de sortie de lamplicateur et calculez sa valeur. 2. Calculez la fr equence de coupure du ltre passe-bas. 3. Esquissez sur un m eme diagramme les densit es spectrales de puissance R1 (f ) et R2 (f ) pr esentes ` a lentr ee et ` a la sortie du ltre RC. 4. Quelle sera la valeur ecace de la tension ` a la sortie du ltre RC ? Solution :
159
4. Description et comparaison des signaux Exemple 4 : Signal temporaire On applique une impulsion de tension damplitude E et de largeur t ` a un ltre passe-bande LC-R caract eris e par sa fr equence de r esonance f0 et son facteur de qualit e Q0 . Admettant que la largeur de limpulsion est beaucoup plus petite que les temps caract eristiques du ltre : 1. Esquissez u1 (t) et u2 (t) ainsi que |U1 (jf )| et |U2 (jf )|. 2. Calculez U1 (jf ) et U2 (jf ). 3. Calculez l energie W1 du signal dentr ee. 4. Calculez l energie W2 du signal de sortie du ltre. 5. A.N. : E = 10 [V], Solution : t = 10 [sec], f0 = 1 [kHz], Q0 = 10.
160
4.11. Exercices
4.11. Exercices
Correl 0 Consid erant deux signaux num eriques x(n) et y (n) d enis comme suit :
n x(n) y (n)
0 0
0 0 0
1 0 0
2 0 0
3 0 0
4 0 0
5 1 0
6 2 0
7 3 4
8 4 3
9 0 2
10 0 1
11 0 0
12 0 0
13 0 0
14 0 0
0 0
calculez et repr esentez la fonction dintercorr elation

+
rxy (m) =
n=
x(n) y (n + m)
4 x(n) 2 0 0 2 4 6 8 10 12 14 16 18 20
4 y(n) 2 0 0 2 4 6 8 10 12 14 16 18 20
30 rxy(m) 20 10 0 10
0 n, m
10
Figure 4.19.: Exercice Corr 0
161
4. Description et comparaison des signaux Correl 1 Consid erant le signal x(t) d eni comme suit : A si t < t < 0 t=0 0 si x(t) = +A si 0 < t < t 0 si |t| t
on demande : 1. esquissez x(t) ; 2. calculez sa fonction dautocorr elation pour les valeurs particuli` eres suivantes = 0, t, 2t ; 3. esquissez la fonction rxx ( ), < < +.
Correl 2 Consid erant les 3 signaux suivants : une exponentielle d ecroissante x(t) damplitude A et de constante de temps 1 , une impulsion rectangulaire y (t) centr ee en t = 0, damplitude A et de largeur t, une impulsion triangulaire z (t) centr ee en t = 0, damplitude A et de base 2t, on demande : 1. esquissez ces 3 signaux ; 2. calculez des valeurs particuli` eres de leur fonction dautocorr elation ; 3. calculez leur fonction dautocorr elation pour compris entre + et ; 4. esquissez ces fonctions. Remarque Le calcul de la troisi` eme fonction nest pas simple ; sans entrer dans le d etail des calculs, imaginez comment vous devriez vous y prendre pour le faire. Correl 3 Calculez la fonction dintercorr elation des signaux x(t) et h(t) de lexercice Corr 3. Avant de vous lancer dans les calculs, imaginez o` u se situera le maximum de la fonction. Esquissez le r esultat de lintercorr elation.
x(t) 1 t 0 T
h(t)
t 0 2T
162
4.11. Exercices Correl 4 On souhaite conna tre la fonction dintercorr elation des signaux h2 (t) et h1 (t) de lexercice Corr 4 :
+
r21 ( ) =
h2 (t) h1 (t + ) dt
Pour cela : 1. imaginez tout dabord lendroit o` u se situera le maximum de la c ; 2. montrez que, pour les points particuliers suivants = {2t, t, 0, +t}, t t on a, respectivement, h21 ( ) = 0, A2 , A2 ,0 ; 3 6 3. pourquoi, comme il est pr ecis e dans la remarque ci-dessous, le calcul est-il plus simple lorsque est compris entre 0 et t ? 4. que pensez-vous des r esultats graphiques obtenus avec Matlab (gure 4.21) ?
Ex.CR4 1 h1(t)
0.5
0 5 1 h2(t) 4 3 2 1 0 1 2 3 4 5
0.5
0 5 4 3 2 1 0 1 2 3 4 5
0.4 r21() 0.2 0 5 4 3 2 1 0 temps [t] 1 2 3 4 5
Remarque Pour donner une id ee de ce que repr esente lapproche analytique, voici le calcul de la partie la plus simple correspondant au d ecalage avanc e de h1 (t + ) avec compris entre 0 et t. Comme lon a : r21 ( ) =
+
h2 (t) h1 (t + ) dt
il faut commencer par d ecrire les 2 fonctions suivantes : h2 (t) = A t t h1 (t + ) = A 1 t+ t
163
4. Description et comparaison des signaux valables pour 0 < t < t, respectivement, < t < t . Puis, tenant compte des parties nulles, il vient :
t
r21 ( ) =
0 t
h2 (t) h1 (t + ) dt A tA t t+ t 2 t t t t t 1 dt dt
= = = A t
0 2
t 0
A2 t2 t3 t2 t 2 3t 2t 0 2 (t )2 (t )3 A 1 = t 2 t 3t 2 (t + ) = A2 (t ) 6 t2 Ce qui donne en particulier les 2 valeurs suivantes : r21 ( = 0) = A2 t 6 r21 ( = t) = 0
SAL 1
Sachant quun signal al eatoire x(t) d ecrit par sa fac

2 rxx ( ) = x exp (a | |)
avec a = 2fc
poss` ede la densit e spectrale de puissance suivante Rxx (f ) =

2 x fc
1 1+
f fc 2
on demande de calculer sa puissance de deux mani` eres di erentes. Que vaut-elle ?

2 R eponse : Px = x
SAL 2
Sachant quun bruit x(t) dont la fac vaut rxx ( ) = 104 V2 exp (a | |) avec a = 1000 sec1
passe au travers dun ltre passe-bande id eal caract eris e par ses deux fr equences de coupure fi = 100 [Hz] et fs = 200 [Hz], on demande de calculer les valeurs ecaces des signaux dentr ee x(t) et de sortie y (t). R eponse : Ux,ef f = 10 mV, Uy,ef f = 3.3 mV
164
4.11. Exercices SAL 3 On consid` ere un bruit large-bande x(t) dont la densit e spectrale de puissance est constante et vaut Rxx (f ) = R0 = 106 V2 /Hz Sachant que le signal x(t) passe au travers dun ltre RC passe-bas r ealis e avec R = 1 k et C = 1 nF, calculez la valeur ecace du bruit y (t) en sortie du ltre. R eponse : Py = fc R0 , Uy,ef f = 700 mV SAL 4 Idem SAL 3, mais avec un ltre CR passe-haut. Au vu du r esultat obtenu, quel est le probl` eme ? Que pensez-vous de Rxx (f ) ? Rappel :
x2 1+x2
dx = x atan(x)
SAL 5 On consid` ere un bruit x(t) de puissance moyenne Px = 102 V2 ef f . Admettant que sa densit e spectrale de puissance Rxx (f ) puisse etre d ecrite par une fonction triangulaire de hauteur R0 et de base 2f0 = 20 kHz, calculez la valeur de R0 apr` es avoir dessin e Rxx (f ). R eponse : R0 = Px /f0 = 106 V2 /Hz SAL 6 Admettant quun signal al eatoire de puissance Px est d ecrit par la densit e spectrale de puissance suivante 2 f0 si f0 < f < +f0 R0 |f | f0 Rxx (f ) = 0 sinon calculez la valeur de R0 apr` es avoir dessin e Rxx (f ). P /f0 R eponse : R0 = 3 2 x SAL 7 On admet quun signal x(t) poss` ede une densit e spectrale de la forme Rxx (f ) = R0 1+ 1
f f0 2,
< f < +
Sachant que la tension ecace du signal x(t) vaut Uef f , calculez R0 . R eponse : R0 = Px / (f0 )
165
Bibliographie
[1] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA, 1992 [2] F. de Coulon, Th eorie et traitement des signaux, Presses polytechniques romandes, Lausanne, 1984 [3] M. Alonso, E.J. Finn, Physique g en erale : champs et ondes, Editions p edagogiques, Montr eal, 1970
167
Deuxi` eme partie . tude des signaux et syst` E emes num eriques
169
chantillonnage et reconstruction 5. E des signaux analogiques

Dans ce chapitre, les approches temporelle et fr equentielle de l echantillonnage sont analys ees en d etail de mani` ere ` a bien mettre en evidence le recouvrement spectral qui conduit au th eor` eme de Shannon. Puis, les eets de la quantication, la notion de rapport signal sur bruit (SNR) sont etudi es de mani` ere ` a conduire au meilleur choix dun ltre anti-repliement.
5.1. Introduction
La plupart des signaux que lon doit traiter et analyser tels que la parole, les signaux biologiques, sismiques, radars, audio ou vid eo sont analogiques par nature. Cest-` a-dire quils sont fonction dune variable continue, le temps, et queux-m emes varient de mani` ere continue. Ces signaux peuvent etre trait es analogiquement ` a laide de ltres par exemple. Les signaux dentr ee et de sortie sont alors analogiques (gure 5.1).
x(t)
Systme analogique
y(t)
Figure 5.1.: Traitement analogique dun signal x(t) Souvent, pour des raisons de simplicit e, de pr ecision, de stockage de linformation, de exibilit e, etc, un traitement num erique equivalent est possible et pr ef erable. On utilise alors des convertisseurs analogiques-num eriques (CAN) et num eriquesanalogiques (CNA) pour relier au processeur num erique les signaux analogiques dentr ee et de sortie. Le sch ema correspondant est donn e` a la gure 5.2.
x(t)
A N
x[n]
Systme numrique
y[n]
N A
y(t)
Figure 5.2.: Traitement num erique dun signal analogique x(t)
171
5. Echantillonnage et reconstruction des signaux analogiques Conceptuellement, on peut consid erer la conversion AN comme un processus faisant intervenir trois actions successives : l echantillonnage ` a p eriode xe Te , la quantication du signal et son codage. Pratiquement, ces op erations sont eectu ees dans un m eme el ement, le convertisseur AN, qui re coit le signal analogique et le convertit en un signal discret quanti e. De m eme pour la conversion NA, les op erations implicitement r ealis ees sont la quantication et le maintien de la valeur num erique pendant une p eriode d echan` ceci sajoute g tillonnage. A en eralement un ltrage passe-bas des escaliers g en er es par le convertisseur NA.
Te xa(t) x(t) Filtre xe(t)
CAN
Q x[n] P y[n] N A yq(t) y(t) Filtre
Figure 5.3.: D etail dune cha ne analogique-num erique-analogique La gure 5.3 pr esente les el ements qui interviennent lors du traitement num erique dun signal analogique. On y trouve un ltre antirecouvrement (on verra plus loin sa raison d etre), un echantillonneur command e par une horloge de p eriode Te , un quanticateur Q, un processeur num erique P, un convertisseur NA et un ltre de lissage.
5.2. Analyse temporelle

5.2.1. Types de signaux
De mani` ere g en erale, les signaux peuvent etre class es dans les cat egories suivantes : 1. Signaux continus en temps et en amplitude : x(t). On les appelle egalement signaux analogiques (gure 5.4a) ; ils proviennent g en eralement de processus physiques. 2. Signaux discrets en temps, continus en amplitude : xe (t = nTe ). Ce sont les signaux echantillonn es (gure 5.4b). Ils ne sont d enis qu` a des instants d etermin es multiples de la p eriode d echantillonnage Te , mais leur amplitude peut varier de mani` ere continue. 3. Signaux discrets en temps et en amplitude : xq [n]. De tels signaux sont quanti es en amplitude ; ils ne peuvent prendre que des valeurs d etermin ees, g en eralement, multiples dun pas de quantication. Ce sont les valeurs num eriques fournies par les convertisseurs analogiques-num eriques (CAN). Ils ne sont d enis quaux instants d echantillonnage et correspondent aux signaux num eriques (gure 5.4c).
172

Temps continu x(t)
Signal analogique Te
discret xe(t=nTe)
Signal chantillonn
continue
A
(a) t
(b) t
Amplitude
Q
xq(t)
Signal numrique maintenu Te
xq[n]
Signal numrique
discrte
N A
(d) t (c) n
Figure 5.4.: Divers types de signaux 4. Signaux continus en temps, discrets en amplitude : xq (t). Ce sont des signaux quanti es similaires ` a ceux d ecrits en 3, dont la valeur est maintenue par un bloqueur dordre z ero entre 2 p eriodes d echantillonnage (gure 5.4d). Ces signaux correspondent ` a ceux fournis par les convertisseurs num eriquesanalogiques (CNA).
5.2.2. Quantication dun signal : exemple

Donn ee On consid` ere un convertisseur AN 8 bits travaillant entre 0 et 5.12 V avec un codage par arrondi et une p eriode d echantillonnage Te = 0.5 [msec]. Le signal dentr ee est une exponentielle amortie : x(t) = U0 exp(t/ ) (t) Question 1. Tracez la caract eristique du convertisseur et les graphes x(t) et xq [n]. 2. Quelles valeurs obtiendra-t-on pour xe [n], xq [n] et q [n]. R eponse Le codage sur 8 bits par arrondi transforme le domaine de conversion de la tension dentr ee 0 5.12 [V ] en 28 = 256 valeurs num eriques discr` etes avec U0 = 1 [V ] = 1 [ms]
173
5. Echantillonnage et reconstruction des signaux analogiques un pas de quantication de 20 [mV] (gure 5.5a). L echantillonnage et la quantication du signal sont repr esent es dans la gure 5.5b. Le tableau suivant donne les di erentes valeurs demand ees avec les erreurs relatives caus ees par la quantication :
n xe [n] xq [n] q [n] q [n] %

q 256 255 254 5.12 5.10 5.08
0 1.000 1.00 50 0.00
1 0.6065 0.60 30 1.08
2 0.3679 0.36 18 2.15
3 0.2231 0.22 11 1.39
4 0.1353 0.14 7 +3.47
5 0.0821 0.08 4 2.56
6 0.0498 0.04 2 19.7
7 0.0302 0.04 2 +32.5
8 0.0183 0.02 1 +9.29
xq
0.9
0.8
(a)
0.7
(b)
0.6
3 2 1 0
0.06 0.04
0.5
0.4
0.3
0.02 x
0.01 0.03 0.05 5.09
0.2
0.1
5.11
[V]
0 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 x 10
3
temps [sec]
Figure 5.5.: Quantication et echantillonnage
chantillonnage des signaux analogiques 5.2.3. E

Le signal dentr ee x(t), dont lamplitude varie au cours du temps, est appliqu e a un echantillonneur pour etre transform e en une suite de valeurs r eguli` erement ` espac ees. Cette suite de valeurs est repr esentative du signal dentr ee dans la mesure o` u la p eriode d echantillonnage est compatible avec la rapidit e du signal. Envisag e dans le domaine temporel (gure 5.6), on peut consid erer que le processus d echantillonnage revient math ematiquement ` a multiplier le signal analogique x(t) par une suite dimpulsions de Dirac Te (t) de p eriode Te , appel e "peigne de Dirac". Le signal echantillonn e xe (t) peut alors etre repr esent e par lexpression : xe (t) = x(t) Te (t) (5.1)
La fonction ainsi obtenue est une suite dimpulsions de Dirac dont la surface est modul ee par le signal x(t). Bien entendu, il sagit l` a dun mod` ele math ematique facilitant lanalyse de l echantillonnage et qui, dun point de vue pratique, donne heureusement des r esultats pas trop di erents de ce que lon obtient avec un echantillonneur r eel.
174
5.3. Analyse fr equentielle

x(t)
Te(t)
1
t Te xe(t) = x(t) . Te(t)
chantillonnage dun signal Figure 5.6.: E Si on veut respecter la forme du signal, il est important davoir des impulsions susamment proches les unes des autres. Dans le cas contraire, il nest plus possible de voir les variations les plus rapides du signal ` a traiter. Ceci conduit ` a une ambigu t e, car rien nexclut que les points echantillonn es du signal A puissent appartenir ` a un autre signal B contenant des fr equences plus elev ees (gure 5.7).
x(t)
A
t Te
Figure 5.7.: Ambigu t e due ` a l echantillonnage
5.3. Analyse fr equentielle

Comme le choix de la p eriode d echantillonnage Te d epend de la rapidit e du signal, donc de son spectre, il est n ecessaire danalyser le comportement de l echantillonneur egalement dans le domaine fr equentiel.
175
5. Echantillonnage et reconstruction des signaux analogiques Nous venons de voir que l echantillonnage dun signal analogique est mod elis e dans lespace temps par la multiplication du signal x(t) par un peigne temporel de Dirac Te (t). Or, on sait qu` a une multiplication temporelle correspond, dans lespace des fr equences, une convolution fr equentielle entre le spectre X (jf ) du signal x(t) et celui du peigne de Dirac D(jf ) : xe (t) = x(t) Te (t) Xe (jf ) = X (jf ) D(jf ) (5.2)
5.3.1. Spectre dun peigne de Dirac

Te(t) 1 t 0
Te
D(jf) = 1 fe(f) Te 1/Te f
fe
Figure 5.8.: Peigne dimpulsions de Dirac et son spectre
Propri et e Le spectre dun peigne temporel de Dirac Te (t) de p eriode Te est un peigne fr equentiel de Dirac fe (f ) de p eriode fe = 1/Te et damplitude 1/Te . D emonstration Comme la suite dimpulsions Te (t) est un signal p eriodique, on peut la d ecrire par sa d ecomposition en s erie de Fourier :
+
Te (t) =
k=
D(jk ) exp (+j 2 kfe t)
avec
fe =
1 Te
o` u D(jk ) repr esente les coecients de Fourier de Te (t) qui valent : D(jk ) 1 Te
+Te /2
(t) exp (j 2 kfe t) dt =

Te /2
1 Te
0+
(t) 1 dt =
0
1 Te
Ce qui, en terme de transformation de Fourier, s ecrit egalement D(jf ) = 1 f (f ) Te e (5.3)
et donne un peigne fr equentiel de Dirac. Une repr esentation graphique en est donn ee a la gure 5.8. `
176
5.4. Recouvrement spectral
5.3.2. Spectre dun signal echantillonn e

On a vu ci-dessus que le spectre dun signal echantillonn e se calcule en eectuant la convolution entre les spectres X (jf ) et D(jf ) et que ce dernier est un peigne de Dirac de p eriode spectrale fe . Comme la convolution entre une impulsion de Dirac et une fonction continue reproduit la valeur de la fonction a u se situe ` lendroit o` limpulsion de Dirac, on voit que le spectre de base X (jf ) est r ep et e en tous les multiples de la fr equence d echantillonnage fe . On a donc : 1 Xe (jf ) = X (jf ) D(jf ) = Te
+
X (j (f m fe ))
m=
(5.4)
Ce r esultat tr` es important montre que le spectre dun signal echantillonn e est la somme dune r ep etition p eriodique du spectre du signal analogique X (jf ) (gure 5.9) et que la p eriode de ce spectre est egale ` a la fr equence d echantillonnage fe .
x(t) X(f)
xe(t)
Xe(f)
Te
t -fe +fe
Figure 5.9.: L echantillonnage dun signal analogique provoque la r ep etition de son spectre
chantillonnage dune sinuso E de Consid erant un signal sinuso dal x(t) de fr equence f0 = 3 [kHz ] echantillonn e` a la fr equence fe = 8 [kHz ], on obtient les points echantillonn es x(nTe ) repr esent es ` a la gure 5.10a. Malgr e le faible nombre de points obtenus (quatre points pour une p eriode et demie), le signal x(t) est univoquement d eni du point de vue de Fourier. Le spectre original et sa r ep etition font appara tre des raies spectrales se trouvant aux fr equences m fe f0 = 3, 5, 11, 13, 19, . On en d eduit que, dans la bande de base qui s etend de 0 ` a fe /2 = 4 [kHz ], il ny a quune seule raie spectrale situ ee en f0 = 3 [kHz ]. Cest la raie correspondant au signal original (gure 5.10b).

` cause de la r A ep etition du spectre de base autour des multiples de fe , on imagine ais ement que les spectres vont se superposer si la fr equence d echantillonnage
177
5. Echantillonnage et reconstruction des signaux analogiques

1 0.5 x(t), x(n Te) 0 0.5 1 0 0.05 0.1 0.15 0.2 0.25 temps [ms] 0.3 0.35 0.4 0.45 0.5
0.5 0.4 |X (jf)| 0.3 0.2 0.1 0 15 10 fe 5 0 frquence [kHz] 5 +fe 10 15
chantillonnage dune sinuso Figure 5.10.: E de (fe > 2 f0 ) devient trop petite. La gure 5.11 illustre cette situation dans les domaines temporel et spectral. En r eduisant la fr equence d echantillonnage, on diminue la distance entre les spectres qui, pour nir, se recouvrent. Cette superposition correspond ` a la somme des spectres qui conduit ` a une d eformation irr ecup erable du spectre initial : il nest plus possible de reconstituer le signal x(t) ` a partir du spectre ainsi obtenu. Il est donc important de ne pas oublier que l echantillonnage dun signal nest pas une op eration aussi anodine quelle para t. Si la p eriode d echantillonnage est trop petite, cela peut modier gravement le signal temporel per cu apr` es echantillonnage. Comme le montre la gure 5.12, une sinuso de de fr equence elev ee peut etre per cue comme un signal de fr equence beaucoup plus faible. Le recouvrement spectral illustr e par les gures 5.11 et 5.13 peut egalement etre interpr et e comme un repliement du spectre autour de fe /2. Cette fr equence particuli` erement importante fN = fe /2 porte le nom de fr equence de Nyquist et elle d elimite le domaine danalyse compris entre fe /2. Ainsi que le montre la gure 5.13, les valeurs obtenues par superposition des spectres peuvent appartenir aussi bien ` a une sinuso de de 2 kHz qu` a celle de 6, 10 ou 14 kHz. Ce qui fait que si lon ny prend pas garde, la fr equence r eelle 6 kHz est per cue comme un signal basse-fr equence de 2 kHz. Tout se passe comme si les signaux de fr equences 6, 10 ou 14 kHz etaient per cus comme un seul signal de fr equence 2 kHz. En analysant la gure 5.13, on voit que les raies spectrales apparentes dues ` a l echantillonnage se situent en fapp = m fe fk , m=0 (5.5)
et que, si la fr equence d echantillonnage nest pas assez elev ee, elles peuvent se retrouver dans la bande de base fe /2 < f < +fe /2. Un exemple de repliement spectral bien connu est le ph enom` ene observ e au cin ema lorsquun chariot equip e de roues ` a rayons se d eplace. La sc` ene lm ee est
178
x(t)
X(f)
xe(t)
Xe(f)
Te
t -fe +fe Xe,k(f)
xe(t)
Te
t -fe
xe(t)
Xe(f) = Xe,k(f)
Te
t -fe +fe
chantillonnage et recouvrement spectral Figure 5.11.: E
1 0.5 0 0.5 1 0 2 4 6 8 10 12 14 16 18 20
Figure 5.12.: Sinuso de fortement sous- echantillonn ee
179
16k -16k 14k 12k fe = 8k -8k 4 -6k 6k -6 -2 2 6 8 f [kHz] 10k X(f)
-4k
-2k
2k
4k = fe/2
-fe
-fe/2
fe/2
fe
Figure 5.13.: Illustration du recouvrement spectral echantillonn ee par la cam era ` a raison de 24 images par secondes. Lorsque le chariot d emarre et acc el` ere, la fr equence du signal repr esent e par la rotation des rayons augmente et ` a un moment d epasse la fr equence de Nyquist (12 images par seconde). D` es cet instant, la vitesse de rotation semble diminuer, sannuler et m eme devenir n egative. Linformation contenue dans limage est fauss ee par le recouvrement spectral et ne correspond plus ` a la r ealit e. Il sagit de leet stroboscopique bien connu.
5.4.1. Quelques exemples

Sous- echantillonnage dune sinuso de Donn ee On consid` ere un signal sinuso dal x(t) de fr equence f0 = 5 [kHz } que lon echantillonne avec une fr equence fe = 8 [kHz ]. Questions 1. Dessinez la fonction x(t) et les points echantillonn es x(t = nTe ). 2. Calculez la fr equence apparente fapp du signal x[n] = x(t = nTe ). 3. Dessinez la sinuso de basse-fr equence passant par les points echantillonn es. 4. Calculez et dessinez le spectre du signal echantillonn e. R eponses Les courbes demand ees sont calcul ees et dessin ees avec Matlab a ` laide des commandes ci-dessous : % param` etres des signaux fo = 5e3; fe = 8e3; To = 1/fo; Te = 1/fe; % calcul de x(t)
180
5.4. Recouvrement spectral tmax dt = tt = xt =

1 0.5 x(t), x(n Te) 0 0.5 1 0 0.05 0.1 0.15 0.2 0.25 temps [ms] 0.3 0.35 0.4 0.45 0.5
= 5e-3; kmax = 500; tmax/kmax; 0:dt:tmax; sin (2*pi* tt/To);
0.5 0.4 |Xe(jf)| 0.3 0.2 0.1 0 15 10 f

e
0 frquence [kHz]
+f
10
15
Figure 5.14.: Sous- echantillonnage dune sinuso de
La fr equence apparente vaut fapp = |f0 fe | = 3 [kHz ]. Comme elle se situe en dessous de la fr equence de Nyquist fN = fe /2 = 4 [kHz ], elle sera associ ee ` a la pr esence dune oscillation de p eriode 0.33 [ms] qui nexiste pas en r ealit e (gure 5.14). % signal apparent fapp = fo - fe; xta = sin (2*pi * tt * fapp); % echantillonnage de x(t) tn = 0:Te:tmax; xn = sin (2*pi * tn/To); % tra cage dans le domaine temporel subplot(2,1,1); h1 = plot (tt, xt); grid; set(h1,LineWidth,2); hold on; plot(tn, xn, o, tt, xta, -); xlabel (temps [sec]); Le spectre original et sa r ep etition font appara tre des raies se trouvant aux fr equences suivantes :
181
5. Echantillonnage et reconstruction des signaux analogiques k = 1, m = 0, 1, 2, 3 +m fe f0 m fe f0 0 5 5 1 +3, +13 3, 13 2 +11, +21 11, 21 3 +19, +29 19, 29 ... ... ...
On en d eduit linformation erron ee que, dans la bande de base allant de 0 ` a fe /2 = 4 [kHz ], il ny a quune raie spectrale : celle correspondant au signal apparent de fr equence fapp = 3 [kHz ] (gure 5.14). chantillonnage dun signal carr E e Consid erons un signal carr e de p eriode T0 = 1 [ms] dont on sait que son spectre est constitu e de raies situ ees en tous les multiples impairs de la fondamentale f0 = 1 [kHz ]. Ce signal est echantillonn ea equence fe = 12.8 [kHz ]. ` la fr Comme le rapport entre fe = 12.8 [kHz ] et f0 = 1 [kHz ] nest pas entier ; le recouvrement spectral fait appara tre de mani` ere evidente des raies parasites en des fr equences inattendues (gure 5.15). Ces raies apparentes se situent en fapp = m fe k f0 En ne consid erant que les premiers spectres lat eraux (m = 1), on peut calculer les fr equences apparentes suivantes fapp = 12.8 (1, 3, 5, 7, 9, 11, 13, 15, ) De mani` ere plus d etaill ee, cela donne :
m = 1, k = 1,
+12.8+( ) +12.8 ( ) 12.8+( ) 12.8 ( )
1
+13.8 +11.8 11.8 13.8
3
+15.8 +9.8 9.8 15.8
5
+17.8 +7.8 7.8 17.8
7
+19.8 +5.8 5.8 19.8
9
+21.8 +3.8 3.8 21.8
11
+23.8 +1.8 1.8 23.8
13
+25.8 0.2 +0.2 25.8
15
+27.8 2.2 +2.2 27.8
17
+29.8 4.2 +4.2 29.8
Les valeurs mises en gras correspondent aux fr equences apparentes que lon retrouve dans la bande de base comprise entre 0 et fN = fe /2 = 6.4 [kHz ]. chantillonnage dune suite dimpulsions rectangulaires E An de mieux comprendre comment un spectre est modi e par le recouvrement spectral, on consid` ere une SIR de p eriode T0 = 1 [ms] et de largeur t = 0.2 [ms]. Cette SIR est echantillonn ee ` a la fr equence fe = 16 [kHz ] On sait que le spectre de la SIR est constitu e de raies situ ees en des multiples de la ` fondamentale f0 = 1 [kHz ] sannulant pour tous les multiples de 1/t = 5 [kHz ]. A cause de l echantillonnage, ce spectre devient p eriodique fe . Une illustration en est donn ee dans la gure 5.16 o` u lon a repr esent e
182

Signal chantillonn xe(t) 1 0.5 x(t) 0 0.5 1 0 1 2 3 4 5 temps [ms] 6 7 8 9 10
Spectre thorique (o) et spectre d au repliement spectral () 0 1 f0 = 1 3 5 20 13 30 11 9 7 7 9 11 13 fe/2 = 6.4
10 |X(jf)| [dB]
40
6 8 frquence [kHz]
10
12
14
chantillonnage dun signal carr Figure 5.15.: E e le signal temporel x(t) et les valeurs echantillonn ees xe (n) ; le spectre de base X (jf ) et son enveloppe (sinus cardinal) ; le spectre de base X (jf ) et ses copies en f = fe ; le spectre Xe (jf ) du signal echantillonn e qui provient de la somme des spectres pr ec edents. Comme le spectre du signal echantillonn e est la somme de tous les spectres d ecal es en m fe , on voit que le spectre r esultant est compos e du spectre original auquel viennent sajouter les raies spectrales des spectres lat eraux. Dans cet exemple o` u nous avons choisi un rapport entier entre fe et f0 egal ` a 16, les raies spectrales se superposent alors exactement. Si bien que lon observe des raies situ ees ` a lendroit o` u on les attend. Le risque est alors grand de ne pas voir que les amplitudes des raies spectrales sont fauss ees par le recouvrement spectral. En particulier, si lon consid` ere la raie spectrale dordre 4, on voit que le r esultat du a l echantillonnage sera la somme des composantes dordre +20, 12, (fe 4), +36, ` 28, (2 fe 4) ... dues aux d ecalages spectraux fe , 2fe , etc. On voit donc que, de mani` ere g en erale, le repliement spectral fait appara tre en la fr equence fk = k f0 des composantes spectrales provenant de k f0 m fe . ` titre informatif, voici le code Matlab cr A e e pour analyser l echantillonnage de la SIR. % cr eation dune p eriode 1. 2. 3. 4.
183
1 x(t), xe(t) 0.5 0 2.5
1.5
0.5
0.5
1.5
2.5
X(jf)
0.2 0.1 0 20 0.3 0.2 0.1 0 15 10 5 0 5 10 15 20 15 10 5 0 5 10 15 20
Xe(jf)
X(j(f kfe))
20 0.3 0.2 0.1 0 20
f /2
e
+f /2
e
15
10
0 t, f
10
15
20
chantillonnage dune SIR Figure 5.16.: E
184
5.4. Recouvrement spectral T0 = 1; delta = 1/5; k0 = 256; dt = T0/k0; t0 = -T0/2:dt:T0/2-dt; xt0 = (t0>(-delta/2)) & (t0<(+delta/2)); % cr eation de Nper p eriodes Nper = 5; tt = -Nper*T0/2:dt:Nper*T0/2-dt; xt = []; for k1 = 1:Nper, xt = [xt,xt0]; end; % e chantillonnage tous les ndt points ndt = 16; Te = ndt*dt; tn = tt(1:ndt:length(tt)); xn = xt(1:ndt:length(xt)); % spectre de xt (analogique) duree = max(tt)-min(tt)+dt; fmax = 1/dt; df = 1/duree; ff = -fmax/2:df:fmax/2-df; Xjf = fftshift(fft(xt))/length(xt); Xf = abs(Xjf); % spectre th eorique de xt (enveloppe) Xjfth = delta/T0*sinc(ff*delta/T0); % spectre de xn fe = 1/Te; Nfft = length(xn); dfe = fe/Nfft; ffe = -fe/2:dfe:fe/2-dfe; Xejf = fftshift(fft(xn))/Nfft; % graphes subplot(4,1,1); plot(tt,xt,tn,xn,.); subplot(4,1,2); stem(ff,Xf,k.); hold on; plot(ff,abs(Xjfth)); subplot(4,1,3); stem(ff,Xf,k.); hold on; stem(ff-fe,Xf,b.); stem(ff+fe,Xf,r.); subplot(4,1,4); stem(ffe,abs(Xejf),.); hold on; plot(ff,abs(Xjfth));
185
5. Echantillonnage et reconstruction des signaux analogiques chantillonnage dune exponentielle d E ecroissante Donn ee Une exponentielle d ecroissante damplitude A = 10 V , de constante de temps = 0.2 msec est echantillonn ee avec Te = /2 = 0.1 msec. Question Calculez le contenu spectral du signal echantillonn e pour f = 0 et f = fc en se limitant a leet des 2 premiers spectres lat e raux seulement. ` R eponse Sachant que le signal x(t) = A exp(t/ ) (t) poss` ede le spectre suivant X (jf ) = A 1 + j 2 f
le spectre du signal echantillonn e xe (t) vaut : Xe (jf ) = 1 Te

+
X (j (f k fe ))
k=
1 = Te
A 1 + j 2 (f k fe ) k=
1 0.8 0.6 0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 temps [sec] 0.6 0.7 0.8 0.9 x 10 1
3
x(t) x[n]
x 10 2
1.5
X(f) Xe(f)
0.5
0 10
10
frquence [kHz]
chantillonnage dune exponentielle amortie et son spectre Figure 5.17.: E
186
5.5. Th eor` eme de l echantillonnage La m ethode la plus simple pour calculer Xe (jf ) consiste ` a utiliser Matlab. Dans le calcul qui suit, on notera que pour des raisons d echelle, la p eriode d echantillonnage nest pas prise en compte dans le calcul des spectres. % parametres A = 10.0; tau = 0.2e-3; fc = 1/(2*pi*tau); Te = tau/2; fe = 1/Te; % spectre original en f = 0 et f = fc: f = [0, fc]; Xf0 = A*tau ./ (1 + j*2*pi * f*tau) Xfm = abs (Xf0) >> Xfm = 0.2000e-3 0.1414e-3 % repetition spectrale % spectre original Xf0 = A*tau ./ (1 + j*2*pi * f*tau) % spectres dus ` a fe Xfp1 = A*tau ./ (1 + j*2*pi * (f + fe)*tau); Xfm1 = A*tau ./ (1 + j*2*pi * (f - fe)*tau); % spectres dus a ` 2fe Xfp2 = A*tau ./ (1 + j*2*pi * (f + 2*fe)*tau); Xfm2 = A*tau ./ (1 + j*2*pi * (f - 2*fe)*tau); % spectre r esultant Xfe = Xf0 + Xfm1 + Xfp1 + Xfm2 + Xfp2 Xfem = abs (Xfe) >> Xfem = 0.2031e-3 0.1415e-3 % erreurs relatives erreurs = (Xfem - abs(Xf0)) ./ abs(Xf0) >> erreurs = 0.0157 0.0008 Cet echantillonnage de lexponentielle amortie avec Te = /2 conduit donc aux erreurs relatives suivantes : 1.57% pour lamplitude de la composante continue 0.08% pour lamplitude ` a la fr equence de coupure (fc = 796 [Hz ]). Une illustration de la somme de ces spectres est donn ee ` a la gure 5.17.
5.5. Th eor` eme de l echantillonnage

Les exemples ci-dessus ont montr ea evidence que les r esultats fournis par lanalyse ` l dun signal echantillonn e peuvent etre gravement modi es si lon ny prend pas garde. En 1948, Shannon a montr e que, pour eviter ces probl` emes, il sut de
187
5. Echantillonnage et reconstruction des signaux analogiques satisfaire lin egalit e suivante : fe > 2 fmax Te < Tmin 2 (5.6)
Ce th eor` eme s enonce egalement de la mani` ere suivante : Un signal x(t) peut etre repr esent e de mani` ere univoque par une suite de valeurs echantillonn ees si la fr equence d echantillonnage fe est au moins 2 fois plus elev ee que la plus grande des fr equences contenues dans le signal. En pratique, on limite, avant echantillonnage, le spectre du signal avec un ltre passe-bas analogique dont la fr equence de coupure d epend de la bande passante utile. An de laisser un peu despace pour la bande de transition du ltre antirecouvrement, on choisira : fe (3 5) fmax Te Tmin 35 (5.7)
Plus de d etails seront donn es dans la section 5.7.
5.5.1. Filtre antirecouvrement

En g en eral, les fr equences pr esentes dans un signal s etendent sur un domaine plus etendu que ce qui est utile pour le message ` a transmettre. Suivant la qualit e atten due pour celui-ci, on limite plus ou moins le domaine fr equentiel sur lequel portera le traitement du signal. Connaissant ce domaine dint er et, d elimit e par la fr equence fmax , on pourra eviter le recouvrement spectral en ltrant analogiquement le signal x(t) avant son echantillonnage. Comme il nest pas possible, avec un ltre r eel, de supprimer totalement les fr equences sup erieures ` a fmax , on est amen e ` a accepter leet dun l eger recouvrement spectral. La gure 5.18 illustre le recouvrement spectral que lon obtient avec des ltres de Butterworth dont la r eponse fr equentielle et le recouvrement spectral sont d ecrits par H (f ) = 1+ 1
f fc 2m
Hfe (f ) = H (f fe ) = 1+
1
f fe fc 2m
(5.8)
5.5.2. Exemple
Donn ee Consid erons un signal x(t), ` a spectre constant dans une large bande de fr equence que lon ltre passe-bas avec un ltre de Butterworth dordre m = 6 et de fr equence de coupure fc = 1 [kHz ]. Dans ce qui suit, on souhaite estimer la valeur de la fr equence d echantillonnage fe n ecessaire pour que leet du recouvrement spectral ` a la fr equence de coupure fc soit inf erieur ` a 1%.
188
5.5. Th eor` eme de l echantillonnage

Filtres de Butterworth dordre m
0
10
20
30
Module [dB]
40
m=4
m=4
50
60
m=6
m=6
70
80
m=8
m=8
90
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
frquence [fe]
Figure 5.18.: Recouvrement spectral pour un ltre de Butterworth (fe = 4 fc ) Solution Puisque en f eponse fr equentielle du ltre = fc , lamplitude de la r de Butterworth vaut 1/ 2 = 0.707, lamplitude due au recouvrement spectral en cet endroit devra etre inf erieure ` a 1% de 0.707 ; cest-` a-dire, 0.00707 = 1/141 (gure 5.19).
0 10
0.707 H(f) H(ffe)
H(f) [dB]
20 30 40 50 60 0 500 1000 1500 2000 2500 3000
1/141
frquence [Hz]
Figure 5.19.: Eet du ltre antirecouvrement dordre 6 avec fe = 3.28 fc Ne consid erant que le premier spectre lat eral, leet du recouvrement est d ecrit par la r eponse fr equentielle centr ee en +fe : 1 1 = lorsque f = fc Hf e (f ) = H (f fe ) = 12 141 f fe 1 + fc
189
5. Echantillonnage et reconstruction des signaux analogiques On a donc : 1+ fc fe fc

12
=1+
fe fc fc
12
= 1412 = 2 104
De cette equation, on tire : fe = 1 + 2 104

1/12
fc
= 3.28 fc = 3.28 [kHz ] Remarque Il est important de relever que ce r esultat provient dune estimation bas ee sur les modules des spectres alors que, pour etre exact, il aurait fallu travailler avec les spectres complexes (voir lexemple du paragraphe 5.4.1).
5.6. Quantication dun signal echantillonn e

5.6.1. Quantication uniforme
Le convertisseur AN eectue la num erisation dun signal analogique apr` es echantillonnage et d elivre des s equences num eriques cod ees avec un pas de quantication Q d ependant du nombre de bits du convertisseur. Dans le cas dune loi de quantication uniforme o` u les valeurs cod ees sont obtenues par arrondi dans le domaine de conversion CAN du convertisseur, on a : Q= CAN 2n (5.9)
Consid erant pour la suite que le CAN travaille avec n bits entre +Umax et Umax (gure 5.20), on a CAN = 2 Umax et le pas de quantication vaut alors CAN 2 Umax Umax = = n1 (5.10) n n 2 2 2 Le pas de quantication Q rapport e au domaine de conversion CAN d enit la r esolution du convertisseur Q= RCAN Q CAN = 1 = 1 LSB 2n (5.11)
On dit, de mani` ere equivalente, que la r esolution est egale au poids du bit le plus faible du convertisseur. Lorsque les valeurs cod ees sont obtenues par arrondi, lerreur due au codage se r epartit uniform ement autour de la droite de conversion id eale et la caract eristique de codage est celle repr esent ee ` a la gure 5.20. Dans le domaine de quantication, lerreur maximum due ` a la quantication vaut alors : EQ = Q Umax = n 2 2
190
5.6. Quantication dun signal echantillonn e Par exemple, si lon consid` ere un CAN 4 bits travaillant entre 8 [V], on aura CAN = 16 [V] Q= 2 8 [V] = 1.00 [V] 24 EQ = 0.50 [V] RCAN = 1 16
En observant attentivement la gure 5.20, on voit que le domaine de conversion s etend plus pr ecis ement de Umin = 8 0.5 = 8.5 [V] ` a Umax = +8 0.5 = 7.5 [V]. Ce qui donne bien evidemment CAN = 16 [V]. Remarque Il est important de bien distinguer entre r esolution et pr ecision dun convertisseur. G en eralement, ces deux grandeurs sont du m eme ordre. On peut cependant tr` es bien imaginer lexemple dun convertisseur 4 bits qui aura une r esolution de 1/16 = 6.25% alors que les 16 valeurs fournies par le convertisseur peuvent etre pr ecises ` a 0.1%.
10 original codage erreur
Sortie code
10 10
10
Tension dentre
Figure 5.20.: Loi de quantication uniforme et signal derreur pour un convertisseur 4 bits travaillant entre 8[V]
5.6.2. Bruit de quantication

Nous venons de voir que lop eration de quantication remplace chaque valeur du signal x(t = nTe ) par une approximation. Leet de cette approximation revient, math ematiquement, ` a superposer au signal dorigine x(t) un signal derreur e(t) que lon appelle le bruit de quantication. Lamplitude maximum de ce signal derreur est EQ = Q/2 (gure 5.21). Sa puissance est une mesure de la d egradation que subit le signal.
191

10 original codage bruit
Amplitude
10
0.2
0.4
0.6
0.8
1.2
temps
Figure 5.21.: Num erisation et bruit de quantication dun signal analogique ne d ebordant pas le domaine du CAN Si le pas de quantication est beaucoup plus petit que lamplitude du signal x(t), on peut raisonnablement admettre que le signal derreur est constitu e de segments de droite compris entre Q/2 et de dur ee variable t (gure 5.21). L equation d ecrivant ce signal derreur el ementaire s ecrit alors : e(t) = et sa puissance moyenne vaut : PQ = = 1 t 1 t
+t/2
t t Q t pour t+ t 2 2
e2 (t) dt
t/2 +t/2 t/2
Q t t 1 2 3
dt
3
1 = t
Q t
t 2
Ce qui donne nalement le r esultat bien connu pour une distribution statistique uniforme : 2 EQ Q2 PQ = = (5.12) 3 12 La valeur ainsi obtenue est une estimation de la puissance du bruit de quantication susante pour la plupart des cas r eels. Si lon exprime cette puissance par rapport au nombre de bits du convertisseur, on obtient : PQ = 1 12 2 Umax 2n
2
Umax 2n 3
192
5.6. Quantication dun signal echantillonn e La puissance du bruit de quantication PQ permet de calculer la valeur ecace du bruit de quantication qui vaut : Qef f = Q PQ = 12 (5.13)
Le spectre du signal derreur est plus dicile ` a evaluer. Mais dans la plupart des cas, les conditions sont remplies pour que la densit e spectrale du bruit de quantication puisse etre consid er ee constante.
5.6.3. Rapport signal sur bruit

Lorsque quun signal est perturb e par du bruit, il est n ecessaire de chirer limportance de cette perturbation par rapport au signal. On introduit alors la notion de rapport signal sur bruit (SNR = Signal to Noise Ratio) d eni comme le quotient entre la valeur ecace du signal Xef f et celle du bruit Nef f : SN R Xef f Nef f (5.14)
Dans notre cas, le bruit est du a la quantication du signal. On a donc Nef f = Qef f ` avec Qef f = Q/ 12. Le rapport signal sur bruit dun convertisseur vaut alors : SN R = X Xef f = 2n1 12 ef f Umax Q/ 12 (5.15)
Exprim e en dB, ce rapport signal sur bruit vaut : SN RdB 20 log(SN R) = (n 1) 20 log(2) + 10 log(12) + 20 log do` u: Xef f Umax
Xef f < 6 n + 4.8 dB (5.16) Umax On voit ainsi que le rapport signal sur bruit dun convertisseur A-N d epend de son domaine de conversion et de la valeur ecace du signal. Comme lamplitude de celui-ci ne doit pas d epasser le domaine du convertisseur si lon veut eviter des saturations, on voit que le SNR sera toujours inf erieur ` a 6n + 4.8 dB. SN RdB = 6 n + 4.8 dB + 20 log
5.6.4. SNR de quelques signaux

Signal sinuso dal pleine echelle Dans le cas particulier o` u le signal analogique est une sinuso de damplitude egale a la tension maximum Umax du convertisseur AN, on a : ` 1 Umax Xef f = = 2n1 Q 2 2
193
5. Echantillonnage et reconstruction des signaux analogiques Le rapport signal sur bruit maximum que lon peut avoir apr` es quantication vaut alors : Xef f 2n1 Q/ 2 n1 SN Rmax = = = 6 2 Qef f Q/ 12 Exprim e en dB, ce rapport devient : SN Rmax, dB 20 log(SN R) = (n 1) 20 log(2) + 10 log(6) 6 (n 1) + 7.8 dB do` u SN Rmax, dB 6 n + 1.8 dB si A = Umax (5.17) Il est important de se rappeler que ce r esultat nest valable que pour une sinuso de dont lamplitude couvre toute la plage du convertisseur AN et quil repr esente le SNR maximum possible pour un convertisseur donn e. Ainsi, pour un convertisseur 8 bits, le rapport signal sur bruit maximum vaut environ 50 dB. Ceci est susant pour la plupart des applications industrielles, mais pas du tout en haute-d elit e o` u lon d esire un rapport dau moins 96 dB. Dans ce cas, 16 bits sont n ecessaires avec un convertisseur dexcellente lin earit e. Dans le cas plus g en eral o` u lamplitude A du signal sinuso dal est inf erieure a ` Umax , on aura : Umax A Umax (5.18) SN RdB 6 n + 1.8 dB 20 log A Signal triangulaire pleine echelle Dans le cas particulier o` u le signal analogique est un triangle damplitude egale ` a la tension maximum Umax du convertisseur AN, on montre ais ement (voir exercices) que le rapport signal sur bruit obtenu apr` es quantication vaut au maximum : SN Rmax, dB = 6 n si A = Umax (5.19)
Dans le cas plus g en eral o` u lamplitude A du signal triangulaire est inf erieure ` a Umax , on aura : SN RdB 6 n 20 log Umax A A Umax (5.20)
Signal ` a distribution gaussienne Dans le cas o` u lon peut admettre que la distribution statistique dun signal quelconque est gaussienne, on montre que le risque de d epassement du domaine de conversion est inf erieur ` a 5% si Xef f 0.3% si Xef f Umax 2 Umax 3
194
5.6. Quantication dun signal echantillonn e En consid erant ce dernier cas (satisfaisant dun point de vue pratique), on a : SN Rmax, dB = 6 n + 4.8 dB 20 log 3 = 6 n 4.7 dB si Xef f = Umax 3
Dans ce cas, plus g en eral que celui du signal sinuso dal, on voit que le rapport signal sur bruit ne d epassera pas 43 dB pour un convertisseur 8 bits. Une illustration de la quantication de trois signaux types est donn ee dans la gure 5.22.
Sinus
1 0.5 1 0.5 0 0.5 1 0 0.5 1 0 0.5 1
Triangle
1 0.5 0 0.5 1 0
Bruit
Signaux
0 0.5 1
0.5
temps
temps
temps
1 0.5 0 0.5 1 0 0.5 1 0 0.5 1
1 0.5 0 0.5 1 0 0.5 1
Quantification 4 bits
0.5 0 0.5 1
SNR
theor
= 26 dB
24 dB
19 dB
Figure 5.22.: Quantication avec 4 bits de trois signaux types
5.6.5. Non lin earit e du convertisseur

Jusqu` a pr esent, on a consid er e des convertisseurs AN parfaits, exempts de toute erreur de lin earit e ; cela signie que la relation sortie-entr ee est d ecrite par une droite et que les pas de quantication se r epartissent r eguli` erement le long de cette droite. Or dans la r ealit e, la relation sortie-entr ee nest jamais exactement lin eaire. Une illustration en est donn ee ` a la gure 5.23. En g en eral, la valeur absolue de la di erence entre la courbe r eelle et la droite id eale ne d epasse pas un demi LSB. Dans ce cas, lerreur de non lin earit e est au maximum equivalente ` a la perte dun bit de poids faible. On admet alors, de mani` ere conservative, que le nombre de bits eectif est diminu e de 1 nef f = n 1
195
5. Echantillonnage et reconstruction des signaux analogiques Ce qui conduit aux r esultats globaux suivants RN L = 1 2nef f = 1 2n1 , QN L = Umax Umax = n2 n 1 ef f 2 2 (5.21)
On voit ainsi que le rapport signal sur bruit calcul e jusquici est r eduit dun facteur 2 ou de 6 dB. Le rapport signal sur bruit est alors corrig e de la mani` ere suivante : SN RN L, dB
Convertisseur linaire
SN RdB 6 dB
Convertisseur non linaire
(5.22)
Sortie code 4 bits
Sortie code 4 bits

0.5 0 0.5 1
0.5
0.5
Tension dentre
1 1
Tension dentre
x(t), yq,NL(t)
0.5 0 0.5 1
0.5
0.5
x(t), yq(t)
0.5
0.5
1 1
1 1
0.5
0.5
temps
temps
Figure 5.23.: Eet dune non-lin earit e Signaux sinus triangle bruit gaussien SN Rmax [dB] 6n + 1.8 6n 6n 4.7 SN Rmax avec NL [dB] 6n 4 6n 6 6n 11
Table 5.1.: Limite des convertisseurs AN
5.6.6. Conclusion
Les situations que lon vient danalyser peuvent se r esumer dans le tableau 5.1. De celui-ci, on notera que de mani` ere g en erale, une conversion AN r eelle peut dicilement fournir un rapport signal sur bruit sup erieur ` a 6(n 1) dB m eme si
196
5.7. Choix dun ltre et de la fr equence d echantillonnage la plage du convertisseur est utilis ee dans sa totalit e. On retiendra donc la relation suivante SN R < 6 n 6 [dB ] (5.23) comme repr esentative de ce que lon peut obtenir au mieux dans des situations r eelles. Quelques de valeurs de SNR Comme nous venons de le voir, le traitement num erique des signaux introduit des erreurs dont on peut estimer la valeur. Celles-ci ne seront acceptables que si elles ne d epassent pas des limites psycho-physiologiques g en eralement connues. En t el ephonie par exemple, il est important et susant que les locuteurs puissent se reconna tre au son de leurs voix. Comme les fr equences fondamentales pr esentes dans les voix humaines d epassent rarement 1 kHz, on admet quune bande passante de 4 kHz est susante pour laisser passer les harmoniques n ecessaires. Cette bande passante permet de xer la fr equence d echantillonnage utilis ee en t el ephonie num erique ` a 8 kHz. De plus, de mani` ere ` a ce que la voix num eris ee ne soit pas trop granulaire, une dynamique de 50 dB est demand ee : des convertisseurs 8 bits sont g en eralement accept es. Applications T el ephonie Mesures industrielles Audio num erique Multim` etre num erique Dynamique 50 dB 70 dB 96 dB > 100 dB Nombre de bits 8 12 16 18
Table 5.2.: Quelques valeurs SNR typiques En audio de haute qualit e, les limites que lon souhaite atteindre sont x ees par les capacit es de loreille humaine ; la dynamique et la bande passante demand ees sont donc bien plus elev ees quen t el ephonie. Ainsi, pour reproduire la qualit e sonore dune salle de concert, on exige une bande passante de 20 kHz et une dynamique de plus de 80 dB car cela correspond au rapport entre le volume sonore dun grand orchestre et le bruit de fond dune salle silencieuse.
5.7. Choix dun ltre et de la fr equence d echantillonnage

Nous venons de voir que, lors dune conversion AN, deux eets n egatifs apparaissent : 1. le recouvrement spectral caus e par limpossibilit e davoir un ltre id eal ; 2. la limitation du rapport signal sur bruit due ` a la r esolution du convertisseur.
197
5. Echantillonnage et reconstruction des signaux analogiques G en eralement le nombre de bits et la bande passante n ecessaires sont x es par lapplication ; il reste donc ` a trouver la fr equence d echantillonnage fe et lordre n du ltre antirecouvrement. Le crit` ere le plus fr equemment admis pour trouver ces deux valeurs est le suivant : Leet du recouvrement doit etre inf erieur ` a la r esolution li ee a la quantication et ` a la non lin earit e du convertisseur CAN. ` Admettant que lon utilise un ltre passe-bas de Butterworth dordre m et de fr equence de coupure fc , on aura, a emit e de la bande passante (f = fc ), une ` lextr att enuation du recouvrement spectral valant (voir section 5.5.1) H (f fe )|f =fc = 1+ 1
fc fe fc 2m
On a vu que la r esolution dun convertisseur AN ` a n bits poss edant une nonLSB vaut pratiquement lin earit e de 1 2 R 1 2n1
Admettant qu` a la fr equence de coupure le recouvrement spectral doit etre inf erieur a la r esolution du convertisseur, il vient ` 1+ do` u: 1+ fc fe fc fc fe fc fc fe fc Ce qui donne nalement : fe > fc 1 + 2n1
1/m 2m
fc fe fc
2m
> 2n1
>
2m
2n1 2n1
>
m
> 2n1
(5.24)
Le tableau 5.3 donne le rapport fe /fc pour di erents ltres de Butterworth et convertisseurs AN entach es dune non lin earit e de 1 LSB. On notera que si lon 2 souhaite utiliser un ltre dordre 2 seulement avec un convertisseur 8 bits, il faut choisir une fr equence d echantillonnage 13 fois sup erieure ` a la fr equence de coupure. Alors que, si lon adopte un ltre dordre 8, une fr equence d echantillonnage 3 ` a5 fois sup erieure a la fr e quence de coupure sut suivant le nombre de bits du CAN. ` Cest pourquoi, admettant que l echantillonneur est pr ec ed e dun ltre antirecouvrement dordre 8, on propose g en eralement une fr equence d echantillonnage telle que fe (3 5) fc (5.25)
198
5.8. Reconstruction du signal Ordre m du ltre 2 4 5 6 7 8 Nombre de bits n du 8 10 12 14 13 24 47 92 4.4 5.8 7.7 10.6 3.7 4.5 5.6 7.1 3.3 3.9 4.6 5.5 3.0 3.5 4.0 4.7 2.9 3.2 3.6 4.1 CAN 16 182 14.5 9.0 6.7 5.5 4.7
Table 5.3.: Rapport fe /fc en fonction de lordre du ltre (Butterworth) et du convertisseur analogique num erique (n bits 1 LSB) 2
5.8. Reconstruction du signal

5.8.1. Convertisseur NA
Le convertisseur NA convertit un signal num erique en un signal analogique. Son but est de fournir un signal continu entre chaque echantillon. Cette op eration consiste ` a r ealiser une interpolation continue entre les valeurs num eriques fournies par le processeur ` a chaque p eriode d echantillonnage. On peut imaginer di erents interpolateurs allant du simple au compliqu e: linterpolateur dordre 0 qui maintient constante la valeur num erique fournie ; linterpolateur dordre 1 qui relie lin eairement deux valeurs num eriques successives ; linterpolateur dordre 2 qui relie paraboliquement trois valeurs num eriques successives ; linterpolateur id eal qui remplace chaque valeur num erique par un sinus cardinal. Linterpolateur le plus simple est celui dordre z ero et cest egalement celui qui est r ealis e par un convertisseur num erique-analogique classique. Il est souvent d esign e sous le nom de bloqueur dordre z ero.
8
amplitude
8 0 1 2 3 4 5 6 7 8 9 10
temps
Figure 5.24.: Interpolation dordre z ero r ealis ee par un convertisseur NA
199
5.8.2. Interpolateur id eal

Dans l enonc e du th eor` eme d echantillonnage, Shannon a egalement donn e son corollaire qui pr ecise quun signal x(t) peut etre reconstruit ` a partir des valeurs echantillonn ees en utilisant la fonction dinterpolation suivante : g (t) = sin ( fe t) ( fe t) (5.26)
Cela signie que le signal peut etre reconstruit avec une somme de sinus cardinaux temporels centr es sur les instants d echantillonnage t = n Te et damplitudes egales aux valeurs echantillonn ees x[n] :
+
xa (t) =
n=
x[n]
sin ( fe (t n Te )) ( fe (t n Te ))
(5.27)
Une illustration de cette interpolation est donn ee ` a la gure 5.25. On notera que cette interpolation id eale nest pratiquement r ealisable quen temps di er e et de mani` ere approch ee seulement.
Interpolateur idal
1 0.5 0 0.5 3 1 0.5 0 0.5 3 1 0.5 0 0.5 3
temps [Te]
Figure 5.25.: Reconstruction dun signal triangulaire ` a laide dun interpolateur id eal Une comparaison entre les r esultats fournis par linterpolateur dordre z ero et linterpolateur id eal peut etre faite en observant les reconstructions illustr ees ` a la gure 5.26. Comme le signal original poss` ede une discontinuit e, cela conduit a un eet de ` Gibbs assez prononc e. Dans le cas dun signal sans discontinuit e echantillonn e assez rapidement, la reconstruction est presque parfaite.
200
5.8. Reconstruction du signal

Interpolateur dordre zro
1.2 1 0.8 0.6 0.4 0.2 0 0.2 0 50 100 150 200 250 300
Interpolateur idal
1.2 1 0.8 0.6 0.4 0.2 0 0.2 0 50 100 150 200 250 300
temps
chantillonnage et reconstruction dune rampe Figure 5.26.: E
5.8.3. R eponses impulsionnelle et fr equentielle dun CNA

Le bloqueur dordre z ero fournit un signal analogique en escalier dont chaque niveau est egal ` a la valeur du signal num erique. Fondamentalement, cela signie que le signal x[n] est remplac e par une suite dimpulsions rectangulaires damplitude variable. ` cette op A eration de maintien de la valeur x[n] correspond un op erateur lin eaire dont la r eponse impulsionnelle h(t) est une impulsion damplitude 1 et de dur ee Te (gure 5.27 ) : 1 0 si 0 t < Te (5.28) sinon
h(t) =
La r eponse en fr equence dun tel op erateur est la transform ee de Fourier H (jf ) de sa r eponse impulsionnelle h(t) : H (jf ) = Te sin ( f Te ) exp (j f Te ) ( f Te ) (5.29)
Sa repr esentation bien connue est rappel ee ` a la gure 5.28. Pour comparaison, on y a superpos e en traitill e la r eponse fr equentielle dun interpolateur id eal. On notera que le CNA agit comme un ltre passe-bas entre 0 et fe /2 et quil sera bon den tenir compte lors de la reconstruction du signal analogique.
201
1 0.8 (t) 0.6 0.4 0.2 0 5 4 3 2 1 0 1 2 3 4 5
1 0.8 h(t) 0.6 0.4 0.2 0 5 4 3 2 1 0 temps [Te] 1 2 3 4 5
Figure 5.27.: R eponse impulsionnelle dun bloqueur dordre z ero
Te x 1 0.8
CNA idal
module
0.6 0.4 0.2 0 5
frquence [fe]
1 0.5
phase /
0 0.5 1 5 4 3 2 1 0 1 2 3 4 5
frquence [fe]
Figure 5.28.: R eponse fr equentielle dun interpolateur dordre z ero
202
5.9. Analyse qualitative dune cha ne A-N N-A
5.8.4. Filtre de reconstruction ou de lissage

On peut se rapprocher dun signal analogique plus habituel en eliminant les escaliers du signal xs (t) cr e e par le CNA. Pour cela, on fait suivre le convertisseur dun ltre passe-bas, dit de reconstruction ou de lissage. La bande passante de celui-ci doit etre susante pour laisser passer linformation contenue dans la bande de base du signal num erique. Comme celui-ci s etend de 0 ` a fe /2, les ltres antirecouvrement et de reconstruction sont g en eralement les m emes.

Une illustration des di erents points etudi es dans ce chapitre est donn ee dans les gures qui suivent. On y d ecrit ` a laide de graphiques les eets du ltre antirecouvrement (FAR), de linterpolateur dordre z ero (CNA) et celui du ltre de lissage (FL). Les signaux rencontr es correspondent a ema fonctionnel suivant : ` ceux du sch
x0(t)
FAR
x(t)
A N
x[n]
Systme numrique
y[n]
N A
ys(t)
FL
y(t)
Figure 5.29.: Cha ne de traitement des signaux
chantillonnage sans ltre antirecouvrement 5.9.1. E

La gure 5.30 montre le signal x0 (t) echantillonn e sans ltrage pr ealable et son spectre. On y voit en particulier combien le spectre damplitude Xe (f ) r esultant s eloigne du spectre original X0 (f ).
chantillonnage avec ltre antirecouvrement 5.9.2. E

La gure 5.31 montre le signal x(t) echantillonn e avec un ltre antirecouvrement et son spectre. On y voit en particulier que le spectre damplitude Xe (f ) r esultant est tr` es proche, entre 0 et fc , du spectre original X0 (f ).
5.9.3. Eet du convertisseur NA

La gure 5.32 montre le signal echantillonn e et son spectre ainsi que celui du bloqueur dordre 0 qui nest autre que le premier lobe de la fonction sinus cardinal. Il est bien clair que ce spectre, qui est aussi la r eponse fr equentielle du bloqueur, va modier le spectre du signal y [n] appliqu e au CNA.
203
0.2 Signal x0(t) 0.15 0.1
1.2 1 0.8 0.6 Spectre de x0(t)
0.05 0.4 0 0.05 X0(f) 0.2 0 10 20 30 40 0 0 0.2 0.4 0.6 0.8 1
0.2 Signal x[n] 0.15 0.1
1.2 1 0.8 0.6 Spectre de x[n]
0.05 0.4 0 0.05 0.2 0 10 20 temps [Te] 30 40 0 0 0.2
Xe(f)
0.4 0.6 frquence [fe]
0.8
chantillonnage sans ltre antirecouvrement Figure 5.30.: E
0.2 Signal filtr x(t) 0.15 0.1
1.2 1 0.8 0.6 Spectres
0.05 0.4 0 0.05 0.2 X(f) 0 10 20 30 40 0 0 0.2 0.4
FAR
X0(f) 0.6 0.8 1
0.2 Signal x[n] 0.15 0.1
1.2 1 0.8 0.6 Spectre Xe(f)
0.05 0.4 0 0.05 0.2 0 10 20 temps [Te] 30 40 0 0 0.2 X0(f) 0.4 0.6 frquence [fe] 0.8 1
chantillonnage avec ltre antirecouvrement Figure 5.31.: E
204
0.2 Signal y[n] 0.15 0.1
1.2 1 0.8 0.6 Spectre de y[n]
0.05 0.4 0 0.05 0.2 0 10 20 30 40 0 0 0.2 0.4 Y(f) 0.6 0.8 1
1.2 1 0.8 0.6 0.4 0.2 0 0 1 2 3 temps [Te] 4 5 Bloqueur
1.2 1 0.8 0.6 B(f) 0.4 0.2 0 0 0.2 0.4 0.6 frquence [fe] 0.8 1 Spectre du bloqueur
Figure 5.32.: Signal num erique et bloqueur dordre 0
0.2 Signal ys(t) 0.15 0.1
1.2 1 0.8 0.6
0.05 0.4 0 0.05 0.2 0 10 20 30 40 0 0 0.2 Ys(f) = Y(f) B(f)
0.4
0.6
0.8
0.2 Signal y(t) 0.15 0.1
1.2 1 0.8 0.6 Spectres
0.05 0.4 0 0.05 0.2 0 10 20 temps [Te] 30 40 0 0 Y(f) 0.2
FL
X(f) 0.4 0.6 frquence [fe] 0.8 1
Figure 5.33.: Reconstruction sans et avec ltre de lissage
205
5.9.4. Reconstruction du signal analogique

La gure 5.33 montre le signal en escalier et son spectre Ys (f ) = Y (f ) B (f ) qui provient du produit entre le spectre de y [n] et la r eponse fr equentielle du bloqueur. An d eliminer les escaliers de ys (t), on fait suivre le CNA dun ltre passe-bas identique au ltre antirecouvrement puisque les fr equences sup erieures ` a fe /2 ne contiennent aucune information int eressante.
5.9.5. Correcteur damplitude

Il est fr equent de compl eter ce ltre passe-bas par un correcteur damplitude accentuant les fr equences elev ees. Ce correcteur, de r eponse fr equentielle 1/B (f ) pour f compris entre 0 et fe /2, est construit de mani` ere ` a compenser le comportement passe-bas du bloqueur. On obtient alors une r eponse fr equentielle Y (f ) X (f ) proche de celle du signal original.
206
5.10. Exercices
5.10. Exercices
Ech 1 : Consid erant un signal dont le spectre est repr esent e ` a la gure 5.34, d eterminez la fr equence d echantillonnage minimum pour quil ny ait pas de recouvrement spectral. Admettant fe = 16 [kHz ], 1. dessinez le spectre du signal echantillonn e pour f compris entre 2. que faut-il faire pour eviter le recouvrement spectral ? 3. dessinez le nouveau spectre ; quel en est lavantage ?
16kHz ;
X(jf) [V/Hz]
0.1
0.05
0 20 15 10 5 0 f [kHz] 5 10 15 20
Figure 5.34.: Exercice 1
Ech 2 : On consid` ere un signal xa (t) = cos(2 1000 t) : 1. que valent sa p eriode T0 et sa fr equence f0 ? 2. esquissez xa (t) sur 3 p eriodes au moins et dessinez son spectre Xa (jf ) ; 3. marquez les points d echantillonnage de xa (t) lorsque Te = T0 /4 ; esquissez le spectre Xe (jf ) ; analysez x[n] et Xe (jf ) ; 4. faites de m eme lorsque Te = 3 T /4 ; quelle sinuso de passe parmi ces points ? concluez ; 5. dans le cas o` u Te = T0 /2, il se passe quelque chose de particulier ; analysez et commentez.
Ech 3 : On consid` ere une SIR damplitude A = 10 [V ], de p eriode T0 = 1 [msec] et de largeur t = T0 /4 que lon echantillonne avec Te = T0 /20 ; 1. esquissez x(t)et xe (t) ; 2. esquissez X (jf ) et Xe (jf ) ; 3. que valent X (jf ) et Xe (jf ) pour f = 3 [kHz ] ? R ep. : Xe (+j 3) = X (+j 3) + X (j 17) + X (+j 23) +
207
5. Echantillonnage et reconstruction des signaux analogiques Ech 4 : Soit un signal en dents de scie damplitude comprise entre A = 5 [V ], de p eriode T0 = 1 [msec] que lon echantillonne avec la fr equence fe = 8 [kHz ] ; 1. esquissez x(t)et xe (t) ; 2. sachant que X (jk ) = (1)k+1 A/(jk ), k = 0, esquissez X (jf ) et Xe (jf ) ; 3. que valent X (jf ) et Xe (jf ) pour f = 1 [kHz ] ? Ech 5 : Consid erant le signal analogique 4 cos(380 t) + 16 sin 600 t + xa (t) = 2 cos(100 t) + 5 sin 250 t + 6 4 1. quelle valeur minimum faut-il choisir pour fe si lon veut respecter le th eor` eme d echantillonnage ? 2. soit fe = 3 fe,min , esquissez les spectres damplitudes et de phases du signal xe (t). Ech 6 : Un signal analogique xa (t) = cos(2 240 t) + 3 cos 2 540 t + 6
est echantillonn e` a raison de 600 echantillons par seconde. 1. que vaut la fr equence de Nyquist fN = fe /2 ? 2. si elles existent, que valent les fr equences apparentes fapp ? 3. si x(n) est restitu ea ` laide dun convertisseur NA suivi dun ltre passe-bas id eal tel que fc = fe /2, que vaut le signal reconstruit ya (t) ? Ech 7 : Consid erant un signal carr e` a valeur moyenne nulle de p eriode T0 = 1 [ms] et damplitude A = 1 [V ] que lon echantillonne ` a la fr equence fe = 9.8 [kHz ], on demande : 1. Quelles sont les fr equences et amplitudes des raies spectrales du signal analogique ? Esquissez le spectre damplitudes. 2. Quelle est la largeur de la bande de base ? Quelles sont les composantes spectrales r eelles pr esentes dans la bande de base ? 3. Quelles sont les fr equences apparentes pr esentes dans la bande de base ? 4. Quelles sont les amplitudes de chacune de ces raies ? 5. Les r esultats de lanalyse spectrale sont donn es dans la gure 5.35 ; associez les num eros des composantes spectrales th eoriques aux raies spectrales obtenues apr` es echantillonnage. Ech 8 : Consid erant une exponentielle d ecroissante x(t) = eat (t) que lon echantillonne avec une fr equence fe , montrez que le spectre du signal echantillonn e vaut : 1 2 (a + j 2f ) Xe (jf ) = + a + j 2f k=1 (a + j 2f )2 + (2 kfe )2
+
208
5.10. Exercices
Signal chantillonn x (t)
e
1 0.5 x(t) 0 0.5 1 0 1 2 3 4 5 temps [ms] 6 7 8 9 10
Spectre thorique (o) et spectre d au repliement spectral () 0 f0 = 1 10 |X(jf)| [dB]
20
30
40
0.5
1.5
2.5 3 frquence [kHz]
3.5
4.5
5 fN
Figure 5.35.: Echantillonnage et repliement spectral pour un signal carr e AnNa 1 : Consid erant quun signal est echantillonn e` a 40kHz et num eris e avec 16 bits, quelle est la dur ee denregistrement que lon peut stocker dans 1 Moct ? AnNa 2 : Un ltre num erique est constitu e des el ements suivants : un convertisseur AN ` a 12 bits avec un temps de conversion de 5s, un processeur DSP de 16 bits avec un cycle dhorloge de 50ns, un convertisseur NA ` a 12 bits avec un temps d etablissement de 0.5s. Calculez la bande passante maximum que peut traiter ce ltre sachant que pour chaque valeur echantillonn ee le DSP calcule le signal de sortie avec l equation suivante :
19
y (n) =
m=0
h(m) x(n m)
en eectuant une multiplication et une addition en un seul cycle dhorloge. AnNa 3 : Un signal sinuso dal damplitude 6 V est num eris e` a laide dun convertisseur 16 bits. Sachant que celui-ci travaille entre 10 V et quil est ent ach e dune 1 non-lin earit e de 2 LSB, calculez : 1. sa r esolution et son pas de quantication ; 2. les valeurs ecaces du signal et du bruit de quantication ; 3. le rapport signal sur bruit du signal num eris e.
209
5. Echantillonnage et reconstruction des signaux analogiques AnNa 4 : On echantillonne un signal sinuso dal damplitude 5 V avec un CAN 16 1 bits / 10 V enta ch e dune de non-lin e arit e de 2 LSB. Est-il possible de garantir un SNR dau moins 90 dB ? AnNa 5 : On echantillonne un signal analogique x(t) = 4 cos(2 300 t) 2 cos(2 900 t) [V ] avec un convertisseur AN 16 bits travaillant entre 5 V qui poss` ede une non lin ea1 eriques du CAN sont transmises ` a travers une ligne rit e de 2 LSB. Les valeurs num 4 dont le d ebit est de 10 oct/sec. On demande : 1. y a-t-il repliement spectral ? 2. que valent la r esolution et le pas de quantication du convertisseur ? 3. que vaut la puissance du signal x(t) ? quelle est sa valeur ecace ? 4. que vaut le rapport signal sur bruit de conversion AN ? AnNa 6 : On utilise un ltre analogique passe-bas de Butterworth dordre 6 et de fr equence de coupure 4 kHz comme ltre antirepliement. Consid erant que le signal echantillonn e est perturb e par une composante spectrale damplitude A =5 V et de fr equence f0 = 8 kHz, on demande : 1. quelle fr equence d echantillonnage faut-il choisir pour que le repliement de la perturbation se fasse en f fc ? 2. quelle sera lamplitude Ar du signal repli e en f = fc ? AnNa 7 : On utilise un ltre analogique passe-bas de Butterworth dordre 3 1 LSB comme ltre antirepliement en amont dun convertisseur AN 12 bits avec 2 de non lin earit e. Sa fr equence de coupure fc est x ee ` a 8 kHz. 1. quelle est la r esolution du convertisseur comprenant la quantication et la non-lin earit e; 2. esquissez la r eponse fr equentielle du ltre et celle caus ee par le repliement spectral ; 3. calculez la fr equence d echantillonnage n ecessaire pour que laaiblissement du repliement spectral en f = fc soit inf erieur ` a la r esolution du convertisseur. R ep. : fe = 13.7 fc AnNa 8 : Un signal x(t) sinuso dal damplitude A = 10 [V] de fr equence f = 1 [kHz] est echantillonn e tr` es rapidement (` a 1 [MHz], par exemple) ` a laide dun convertisseur analogique-num erique 4 bits travaillant entre 10 [V]. 1. esquissez les signaux x(t), xe [n], xq (t) ; 2. esquissez lerreur de quantication e(t) ; 3. quelle est la valeur ecace de ce bruit de quantication ? 4. que vaut le SNR ?
210
5.10. Exercices AnNa 9 : On remplace le signal sinuso dal de lexercice pr ec edent par un signal triangulaire de m emes amplitude et fr equence. Quest ce qui change ?
211
6. Description des signaux et syst` emes num eriques

Ce chapitre d ecrit tout dabord les signaux num eriques au travers de quelques exemples fondamentaux. Il sattarde ensuite sur la description des syst` emes num eriques et de leurs propri et es. Puis, consid erant les syst` emes lin eaires et temporellement invariants (LTI), on d enit le produit de convolution avant danalyser en d etail sa r ealisation et quelques applications telles que linterpolation num erique. On termine enn par la description des mod` eles r ecursifs de quelques syst` emes fondamentaux.
6.1. Signaux num eriques

Les signaux num eriques sont math ematiquement repr esent es par des s equences de nombres not ees x[n] pour < n < +. Dans le cas o` u la s equence provient de l echantillonnage p eriodique dun signal continu x(t), on aura : x[n] = x(n Te ) Les signaux discrets sont souvent repr esent es graphiquement (gure 6.1). Bien que labscisse soit dessin ee de mani` ere continue, il est important de noter que la s equence x[n] nest d enie que pour n entier. Pour n non entier, x[n] est simplement non d enie.
0.6 0.4 signal x[n] 0.2 0 0.2 0.4 10 5 0 instants n 5 10 15
Figure 6.1.: Graphe dun signal num erique
213
6.1.1. Quelques signaux fondamentaux

Parmi linnit e de s equences que lon peut imaginer, il y en a quelques unes qui sont fondamentales pour lanalyse des signaux et des syst` emes. Ce sont : 1. Limpulsion unit e d enie par : [n] = 1 si n = 0 0 si n = 0 (6.1)
Un aspect important de cette s equence est quelle peut servir ` a d enir nimporte quelle autre s equence. En eet, toute s equence (telle que celle de la gure 6.1) peut etre consid er ee comme une somme dimpulsions d ecal ees [nk ] et damplitude x[k ]. La suite x[n] peut donc etre d ecrite par lexpression suivante :
+
x[n] =
k=
x[k ] [n k ]
(6.2)
2. Le saut unit e d eni par : [n] = De mani` ere equivalente, on a :

+
1 si n 0 0 si n < 0
(6.3)
[n] =
k=0
[n k ]
(6.4)
Inversement, limpulsion unit e peut etre d ecrite par la di erence de deux sauts unit es : [n] = [n] [n 1] (6.5) 3. Lexponentielle num erique d ecrite par : x[n] = Rn [n] (6.6)
Dans le cas o` u 0 < R < 1, on obtient une exponentielle d ecroissante alors que pour |R| > 1, lamplitude de la s equence ne cesse daugmenter avec n. 4. La sinuso de d ecrite par : x[n] = cos (n 0 + ) avec 0 = 2 f0 Te . 5. La suite complexe g en eralement d ecrite par une exponentielle num erique dont largument est complexe : x[n] = (a + jb)n [n] (6.7)
214
6.1. Signaux num eriques En rempla cant largument a + jb par sa repr esentation polaire b a + jb = a2 + b2 arctan R exp(j 0 ) a on obtient x[n] = Rn exp(jn 0 ) [n]
(6.8)
Gra equence est une oscillation a ` la relation dEuler, on voit que cette s ` ce a valeurs complexes dont lamplitude varie exponentiellement avec le temps n. Lenveloppe sera croissante si R > 1 et d ecroissante si R < 1. 6. Le phaseur de pulsation 0 : x[n] = exp (jn 0 )
1 0 1 10 1 0 1 10 1 0 1 10 1 0 1 10 5 0 5 10 15 5 Sinusode 0 5 10 15 5 Exponentielle 0 5 10 15 5 Saut unit 0 5 10 15 Impulsion unit
(6.9)
Figure 6.2.: Quelques signaux fondamentaux Les s equences exponentielle, sinuso dale et complexe d ecrites ci-dessus sont particuli` erement importantes dans lanalyse des syst` emes lin eaires. On notera que pour les signaux discrets, la pulsation normalis ee 0 se mesure en radians par echantillon et non pas en radians par seconde comme pour la pulsation 0 des signaux continus.
6.1.2. P eriodicit e des signaux num eriques

Du point de vue de la p eriodicit e, il existe une di erence importante entre signaux continus et discrets. Dans le cas de ces derniers, la p eriodicit e existe si : x[n] = x[n + N ]
215
6. Description des signaux et syst` emes num eriques o` u N est un entier repr esentant la p eriode de la s equence. Ce qui, pour une sinuso de discr` ete, s ecrit : x[n] = A cos (n0 + ) = A cos (n0 + N 0 + ) Comme la sinuso de est p eriodique 2 , on doit avoir N 0 = k 2 Or ceci nest possible que si 0 / est rationnel. Consid erons comme exemple le cas o` u 0 = 1. On a alors N = 2 k ; ce qui nest pas possible car N et k sont des entiers et que est irrationnel. Par contre, si 0 = 3/11, on a alors : N 0 = N 3/11 = k 2 N= 22 k 3 (6.10)
et la plus petite valeur de N satisfaisant cette equation est 22 lorsque k vaut 3. Ces deux valeurs signient quil faut 22 echantillons pour retrouver la valeur de d epart (une p eriode num erique) et que cette p eriode num erique contient 3 p eriodes du signal analogique echantillonn e. On voit donc que les s equences sinuso dales nont pas n ecessairement la m eme p eriode que leur correspondant analogique et, suivant la valeur de 0 , elles peuvent m eme ne pas etre p eriodiques du tout.
Sinus numrique de pulsation 3 / 11 1 0.5 0 0.5 1 0 5 10
Tanl
Tnum
15 20 25
Sinus numrique de pulsation 1 1 0.5 0 0.5
Tanl
1 0 5 10
Tnum
15 20 25
Figure 6.3.: P eriodes num erique et analogique
216
6.2. Syst` emes num eriques On doit encore rappeler le fait que linterpr etation des hautes et basses fr equences est di erente pour les signaux discrets ou continus. En eet, pour une sinuso de analogique, loscillation sera dautant plus rapide que la pulsation 0 est elev ee. Dans le cas du signal discret x[n] = A cos (n0 + ), loscillation sera dautant plus rapide que 0 se rapproche de et elle deviendra plus lente si 0 varie de ` a 2 . Cette deuxi` eme partie correspond au ph enom` ene de repliement spectral. En fait, ` a cause de la p eriodicit e des spectres des signaux discrets, ce qui se passe autour de = 2 est indistinguable de ce qui se passe autour de = 0.
6.2. Syst` emes num eriques

Un syst` eme num erique est une fonction ou un algorithme pr ed eni qui op` ere sur un signal num erique (appel e lentr ee ou lexcitation) et qui produit un autre signal num erique nomm e la sortie ou la r eponse du syst` eme. Un tel syst` eme est d eni math ematiquement comme un op erateur ou une transformation qui modie une s equence dentr ee x[n] en une s equence de sortie y [n]. On peut repr esenter cette transformation par un op erateur T tel que y [n] = T {x[n]} et en donner l equation ou son sch ema fonctionnel (section 6.2.2).
6.2.1. Exemples de syst` eme num eriques

Quelques syst` emes simples Consid erons des syst` emes simples d ecrits par les equations du tableau 6.1. A chacun de ces syst` emes, on applique ` a linstant n = 0 le signal : x[n] = { 0, 1, 2, 3, 4, 5, 0, 0, 0, 0, } Les r eponses de chacun des syst` emes sont alors les suivantes : 1. L equation (a) repr esente le syst` eme identit e qui restitue simplement le signal quon lui applique : y [n] = { 0, 0, 0, 1, 2, 3, 4, 5, 0, 0, 0, 0, } 2. L equation (b) repr esente un d ecalage arri` ere dun pas : y [n] = { 0, 0, 0, 0, 1, 2, 3, 4, 5, 0, 0, 0, } 3. Dans le cas (c), le signal est avanc e dun pas : y [n] = { 0, 0, 1, 2, 3, 4, 5, 0, 0, 0, 0, 0, } 4. La sortie du syst` eme (d) fournit ` a chaque instant la valeur maximum du signal consid er e aux instants pr esent (n), pr ec edent (n 1) et suivant (n + 1) : y [n] = { 0, 0, 1, 2, 3, 4, 5, 5, 5, 0, 0, 0 }
217
y [n] = x[n]
y [n] = x[n 1]
y [n] = x[n + 1]
y [n] = max {x[n 1], x[n], x[n + 1]}
y [n] =
x[k ]
y [n] = x[n] x[n 1]
quations d Table 6.1.: E ecrivant des syst` emes num eriques 5. Le syst` eme (e) repr esente un accumulateur qui fait la somme des valeurs qui apparaissent au cours du temps : y [n] = { 0, 0, 0, 1, 3, 6, 10, 15, 15, 15, 15, 15 } 6. Le syst` eme (f) eectue la di erence entre la valeur actuelle et la pr ec edente ; ce qui, num eriquement, correspond a la d e rivation analogique : ` y [n] = { 0, 0, 0, 1, 1, 1, 1, 1, 5, 0, 0 }
Moyenneur glissant Un moyenneur glissant dordre 5 est d eni par l equation : y [n] = 1 (x[n 2] + x[n 1] + x[n] + x[n + 1] + x[n + 2]) 5 (6.11)
Ce syst` eme fournit ` a chaque instant n la valeur moyenne des 5 echantillons x[n] entourant et correspondant ` a la position n. Un tel op erateur est fr equemment utilis e pour att enuer des uctuations et mettre ainsi en evidence une tendance ` a moyen terme. Une illustration en est donn ee par la gure 6.5 repr esentant lenregistrement dune temp erature. On notera que ce moyenneur centr e sur linstant n est un syst` eme non causal ; cest-` a-dire que pour pouvoir lutiliser, il est n ecessaire davoir pr ealablement ` a sa disposition les valeurs ` a traiter. Si lon d esirait eectuer ce traitement en temps r eel
218
6 5 (a) 4 3 2 1 0 1 2 0 2 4 6 8
6 5 (b) 4 3 2 1 0 1 2 0 2 4 6 8
6 5 (c) 4 3 2 1 0 1 2 0 2 4 6 8
6 5 (d) 4 3 2
20 6 (e) 15 4 2 10 0 2 (f)
1 0 1
5 4 0 2 0 2 4 6 8 2 0 2 4 6 8 6 2 0 2 4 6 8
Figure 6.4.: R eponses des syst` emes consid er es
30 20 x[n] 10 0 5
10
15
20
25
30
35
40
0.2 h[n10] 0.1 0 0.1 5 30 20 y[n] 10 0 5
10
15
20
25
30
35
40
10
15 20 instants n
25
30
35
40
Figure 6.5.: Lissage de l evolution dune temp erature
219
6. Description des signaux et syst` emes num eriques (syst` eme causal), on ne pourrait calculer la moyenne glissante que sur les 5 points les plus r ecents : y [n] = 1 (x[n] + x[n 1] + x[n 2] + x[n 3] + x[n 4]) 5 (6.12)
6.2.2. Sch ema fonctionnel dun syst` eme num erique

Un syst` eme num erique peut etre d ecrit, comme on la vu, par la donn ee dune e quation liant le signal de sortie au signal dentr e e. On peut e galement, et cest fr equemment le cas, repr esenter ces syst` emes ` a laide de diagrammes fonctionnels. Ceux-ci illustrent alors graphiquement les op erations eectu ees sur le signal dentr ee ainsi que les connexions les reliant. Les plus fr equentes sont laddition de 2 valeurs (), la multiplication de 2 signaux entre eux (), la multiplication dun signal par un coecient (), le d ecalage avant (z ) et le d ecalage arri` ere (z 1 ). Deux illustrations de sch emas fonctionnels sont pr esent ees dans la gure 6.6. Le premier des deux sch emas correspond ` a l equation non lin eaire suivante : y [n] = 0.5 (x1 [n] + x1 [n 1]) x2 [n] + 0.9 y [n 1] dans laquelle on trouve un moyenneur causal dordre 2 (premier cadre) et un ltre passe-bas dordre 1 (deuxi` eme cadre). Le deuxi` eme sch ema fonctionnel illustre une equation aux di erences lin eaire dordre 2 y [n] = b0 x[n] + b1 x[n 1] + b2 x[n 2] a1 y [n 1] a2 y [n 2] repr esentant un ltre r ecursif dordre 2.
6.2.3. Propri et es des syst` emes

Suivant leurs propri et es, on peut classer les syst` emes de la fa con suivante : 1. Syst` eme statique Un syst` eme statique ou sans m emoire est un syst` eme dont la sortie y [n] ne d epend que du signal dentr ee ` a linstant n. Par exemple : y [n] = a x[n] + n x[n]2 2. Syst` eme dynamique Inversement, un syst` eme tenant compte de ce qui sest pass e ou se passera est dit dynamique ou avec m emoire : y [n] = 1 (x[n 1] + x[n] + x[n + 1]) 3
220
z-1 x1[n]
x1[n-1]
Filtre passe-bas dordre 1
0.5
Moyenneur dordre 2
y[n] 0.9 z-1
x2[n]
y[n-1]
x[n]
z-1
x[n-1]
z-1
x[n-2]
b0
b1
b2 y[n]
- a2 - a1
y[n-2]
z-1
y[n-1]
z-1
Figure 6.6.: Deux exemples de sch emas fonctionnels
221
6. Description des signaux et syst` emes num eriques 3. Syst` eme lin eaire Un syst` eme lin eaire satisfait au principe de superposition : y [n] = T {a x1 [n] + b x2 [n]} = a T {x1 [n]} + b T {x2 [n]} = y 1 [n] + y 2 [n] 4. Syst` eme temporellement invariant Un syst` eme invariant dans le temps est un syst` eme pour lequel un d ecalage temporel sur le signal dentr ee conduit ` a un signal de sortie simplement d ecal e de la m eme valeur : si T {x[n]} = y [n] alors T {x[n + d]} = y [n + d] De mani` ere equivalente, un syst` eme est dit temporellement invariant lorsquon peut croiser les op erations de d ecalage et de transformation sans modier le signal de sortie. On a alors : yD,T [n] = yT,D [n] On notera que tous les syst` emes d ecrits par une equation aux di erences ` a coecients constants sont temporellement invariants. 5. Syst` eme causal Un syst` eme est causal si la s equence de sortie ne d epend que des valeurs actuelles ou pass ees de la s equence dentr ee. 6. Syst` eme stabl e Un syst` eme est stable si, quelle que soit la s equence damplitude nie appliqu ee ` a lentr ee, sa sortie ne devient pas inniment grande. On notera que les propri et es mentionn ees ci-dessus sont des propri et es li ees aux syst` emes et sont ind ependantes des s equences appliqu ees ` a ceux-ci. Remarque Il est important de ne pas oublier que la grande libert e oerte lors de la r ealisation des syst` emes num eriques peut parfois conduire ` a des pi` eges. Ainsi en est-il de la succession des op erations eectu ees sur un signal. En eet, on a pris lhabitude avec les syst` emes analogiques deectuer des op erations dans lordre qui nous convient sachant que le r esultat est th eoriquement ind ependant de lordre des op erations de ltrage. Cela etait possible parce que les syst` emes analogiques r eels sont pratiquement tous lin eaires et temporellement invariants par nature. Or, avec les syst` emes num eriques, les op erations que lon peut souhaiter faire ne sont limit ees que par notre imagination et certaines dentre elles conduisent ` a des r esultats qui d ependent de la succession des op erations eectu ees. Il est donc tr` es important de v erier si les op erations avec lesquelles on agit sur un signal sont temporellement invariantes ou non.
222
6.2. Syst` emes num eriques Quelques exemples Laccumulateur Un accumulateur d eni par la relation :
n
y [n] =
k=
x[ k ]
(6.13)
correspond ` a lop eration analogique dint egration. Cest un syst` eme lin eaire. On notera que si on lui applique une impulsion unit e [n], sa sortie sera un saut unit e [n]. Si on lui applique un saut unit e, sa sortie ne cessera daugmenter lin eairement avec n et tendra vers linni. Laccumulateur nest donc pas un syst` eme stable. Di erences avant et arri` ere La di erence entre 2 valeurs successives est l equivalent de la d erivation analogique. On peut eectuer la di erence avant d enie par la relation : y [n] = x[n + 1] x[n] (6.14) Elle nest evidemment pas causale ; ce qui est par contre le cas pour la di erence arri` ere : y [n] = x[n] x[n 1] (6.15) Op erateur quadratique An dillustrer ce quest un syst` eme invariant temporellement, consid erons lop erateur quadratique : y [n] = x2 [n] (6.16)
Si lon eectue dabord l el evation au carr e puis le d ecalage temporel, on obtient : x[n] x2 [n] x2 [n d] = yT,D [n] Dans le cas o` u lon eectue le d ecalage puis la contraction, on obtient : x[n] x[n d] x2 [n d] = yD,T [n] Comme les deux r esultats sont identiques, le syst` eme est temporellement invariant. Sous- echantillonnage Cette op eration tr` es fr equente en traitement num erique des signaux nest pas invariante temporellement. Pour le voir, consid erons une situation o` u lon ne prend quun echantillon sur deux : y [n] = x[2n] Si lon eectue dabord la contraction puis le d ecalage temporel, on obtient : x[n] x[2n] x[2n d] = yT,D [n] Dans le cas o` u lon eectue le d ecalage puis la contraction, on obtient : x[n] x[n d] x[2(n d)] = yD,T [n] (6.17)
223
6. Description des signaux et syst` emes num eriques Comme le r esultat d epend de lordre des op erations, le syst` eme nest pas temporellement invariant. Le tableau 6.2 rassemble les propri et es de quelques op erations fr equemment effectu ees en traitement num erique des signaux et mentionne si les op erations sont lin eaires (L), invariantes temporellement (I), causales (C), stables (S) et si elles n ecessitent une m emoire (M). Quelques op erations sont laiss ees ` a lanalyse du lecteur. Op erations Di erence avant Di erence arri` ere Accumulation Amplication Moyenneur centr e Contraction temporelle Sous- echantillonnage Rotation autour de Oy Multiplication temporelle Op eration quadratique Amplication et d ecalage quations E x[n + 1] x[n] x[n] x[n 1] n x[k ] a x[n] (x[n + 1] + x[n] + x[n 1]) /3 x[n2 ] x[2n] x[n] n x[n] x2 [n] a x[n] + b, b = 0 L O O O O O I O O O O O C N O O O N S O O N O O M O O O N O
a b c d e f g h j k l
Table 6.2.: Propri et es de quelques transformations
6.2.4. Interconnexions des syst` emes

Comme pour les syst` emes analogiques, les syst` emes num eriques peuvent etre interconnect es pour former des syst` emes plus complexes. Pour ce faire, on a deux possibilit es : les connecter en cascade ou en parall` ele (gure 6.7). Lors dune connexion en cascade, on a les relations suivantes : y1 [n] = H1 {x[n]} y [n] = H2 {H1 {x[n]}} y [n] = H2 {y1 [n]} Lors dune connexion en parall` ele, on a les relations suivantes : y [n] = y1 [n] + y2 [n] y [n] = H1 {x[n]} + H2 {x[n]}
Et cest seulement dans le cas o` u les syst` emes sont lin eaires et temporellement invariants que lon pourra ecrire comme on a lhabitude de le faire avec les syst` emes continus : y [n] = (H1 H2 ) {x[n]} = (H2 H1 ) {x[n]} y [n] = (H1 + H2 ) {x[n]} = H1 {x[n]} + H2 {x[n]}
224
6.3. R eponse impulsionnelle et produit de convolution

y1[n]
H1 x[n] y1[n] y2[n] x[n]
H1
H2
y[n]
H2
y2[n]
Figure 6.7.: Interconnexions de 2 syst` emes en cascade ou en parall` ele
6.2.5. Conclusions
Comme nous venons de le voir, les syst` emes lin eaires et temporellement invariants (syst` emes LTI) constituent une classe importante des syst` emes et cest seulement sur les syst` emes LTI que lon peut appliquer les notions de r eponse impulsionnelle, de produit de convolution et de fonction de transfert.

Parmi lensemble des r eponses temporelles dun syst` eme, il en est une qui permet de calculer toutes les autres : cest la r eponse impulsionnelle que lon obtient en appliquant ` a un syst` eme LTI une impulsion unit e [n]. Cette r eponse particuli` ere est d esign ee par h[n] : h[n] T { [n]} (6.18) On a vu au d ebut de ce chapitre quun signal quelconque x[n] peut etre consid er e comme une suite dimpulsions damplitude variable :
+
x[n] =
k=
x[k ] [n k ]
(6.19)
Puisque les syst` emes que nous examinerons d` es a esent sont lin eaires et temporel` pr lement invariants, la r eponse de ceux-ci au signal x[n] sera constitu ee dune somme de r eponses dues ` a chaque impulsion x[k ] [n k ] : yk [n] = T {x[k ] [n k ]} = x[k ] h[n k ] Ce qui, en tenant compte de lensemble des impulsions, conduit ` a:
+ +
(6.20)
y [n] = T {x[n]} =
k=
y k [n] =
k=
x[k ] h[n k ]
(6.21)
Cette relation importante porte le nom de produit de convolution num erique. Les op erations que nous venons deectuer peuvent etre d ecrites et r esum ees dans la
225
6. Description des signaux et syst` emes num eriques suite de relations suivantes [n] h[n] [n k ] h[n k ] x[k ] [n k ] x[k ] h[n k ] x[ k ] [ n k ] x[k ] h[n k ] x[n] y [n] qui sont illustr ees par la gure 6.8.
[n] 1 0.5 0 5 0 5 10 [n1] 1 0.5 0 5 0 5 10 [n2] 1 0.5 0 5 6 4 2 0 5 0 5 n 10 15 20 0 5 10 15 20 1 0.5 0 5 6 4 2 0 5 0 5 n 10 15 20 0 5 10 15 20 15 20 1 0.5 0 5 0 5 10 h[n2] 15 20 15 20 1 0.5 0 5 0 5 10 h[n1] 15 20 h[n]
x[n] = k x[k] [nk] avec x[k] = [k]
y[n] = k x[k] h[nk]
Figure 6.8.: Illustration du produit de convolution Un simple changement de variable permet de montrer que le produit de convolution est commutatif :
+ +
y [n] =
k=
x[k ] h[n k ] =
k=
h[k ] x[n k ]
(6.22)
Ce r esultat s ecrit symboliquement sous la forme : y [n] = x[n] h[n] = h[n] x[n] (6.23)
Lint er et du produit de convolution r eside dans le fait quun syst` eme LTI est totalement caract eris e par sa r eponse impulsionnelle h[n] et que le calcul de la r eponse
226
6.3. R eponse impulsionnelle et produit de convolution a un signal quelconque peut alors se faire en restant dans le domaine temporel. ` On notera que le produit de convolution est le r esultat direct de la lin earit e et de linvariance temporelle ; il ne peut donc sappliquer quaux syst` emes LTI.
6.3.1. Syst` emes causaux

Syst` emes ` a r eponse impulsionnelle innie Dans le cas o` u le syst` eme consid er e est causal, sa r eponse impulsionnelle h[n] ne peut pas pr ec eder linstant de lapplication du signal x[n] au syst` eme ; elle est donc nulle si n < 0. Consid erant que lon applique le signal x[n] ` a linstant n = 0, on a donc :
+n +n
y [n] =
k=0
x[k ] h[n k ] =
k=0
h[k ] x[n k ]
0 n < +
(6.24)
Syst` emes ` a r eponse impulsionnelle nie De plus, dans le cas tr` es fr equent de syst` emes causaux ` a r eponse impulsionnelle de dur ee nie (syst` emes RIF), la r eponse impulsionnelle est nulle pour n < 0 et pour n N . Alors, consid erant que x[n < 0] = 0, la r eponse impulsionnelle est de longueur N et la r eponse du syst` eme ` a un signal quelconque x[n] se calcule avec :
N 1
y [n] =
k=0
h[k ] x[n k ]
0 n < +
(6.25)
Le sch ema fonctionnel correspondant ` a cette equation est repr esent e` a la gure 6.9 1 (on notera lusage de lop erateur z qui eectue un d ecalage arri` ere).
x[n]
z-1
x[n-1]
z-1
x[n-2]
z-1
x[n-3]
z-1
x[n-N+1]
h[0]
h[1]
N-1
h[2]
h[3]
h[N-1] y[n]
h[k] x[n-k]
k=0
Figure 6.9.: Repr esentation du produit de convolution Il est important de bien comprendre les op erations sousjacentes ` a l equation de convolution
N 1
y [n] =
k=0
h[k ] x[n k ]
227
6. Description des signaux et syst` emes num eriques On voit que lon doit tout dabord retourner le signal dentr ee x[k ] (ici, un saut unit e) autour de lordonn ee an dobtenir x[k ] (gure 6.10). Puis, ` a chaque instant n on devra : 1. d ecaler x[k ] en n pour obtenir x[n k ] ; 2. eectuer sa multiplication avec h[k ] pour obtenir h[k ] x[n k ] ; 3. sommer la suite de valeurs ainsi obtenues.https ://www.cia.gov/library/publications/theworld-factbook/geos/ni.html La gure 6.10 illustre la situation pour n = 10 et lon voit que la somme des valeurs successives vaut :
10
h[k ] x[n k ] = 1 + 0.9 + 0.92 + + 0.910 = 6.86 = y [10]

k=0
Convolution entre x[k] et h[k] pour n=10 1 x[nk], n=10 0.5 0 5 1 h[k] 0.5 0 5 1 0.5 0 5 10 y[n] = h[k] x[nk] 5 0 5
10
15
20
25
30
10
15 h[k] x[nk]
20
25
30
y[10] = h[k] x[nk] = 6.86 0 5 10 instants k 15 20 25 30
10
15
20
25
30
Figure 6.10.: Illustration du calcul dun produit de convolution
6.3.2. R ealisation dun produit convolution

Consid erant la gure 6.9, on voit que pour calculer un produit de convolution il faut avoir ` a sa disposition les suites de valeurs h[k ] et x[n k ]. Cela n ecessite donc deux espaces-m emoire de longueur N . Dans le premier (g en eralement une EPROM), on stockera les valeurs de la r eponse impulsionnelle h[k ] avec 0 k N 1 caract erisant le syst` eme que lon souhaite r ealiser. Dans le deuxi` eme, qui sera constamment mis ` a jour (g en eralement une RAM), on gardera les N derni` eres valeurs du signal dentr ee x[n] (gure 6.11).
228
x(t)
t N-1 Te x(t) A N x[n]
y[n] =
x[n-k] h[k]
k=0
FAR
1 1 1 1 1 1 1 1
h[0] h[1] h[2] h[3]
x[n-k]
h[k]
Figure 6.11.: Sch ema technologique dune convolution num erique
n k Tp
0 0 0 0 0 0 0 0 RAM
N-1
N-1
h[N-1]
k EPROM
xn[k]
N-1
hn[k] y[n] N A y(t) FL y(t)
xn[k] hn[k] k=0
229
6. Description des signaux et syst` emes num eriques Comme exemple illustratif, imaginons que lon souhaite r ealiser un equivalent num erique dun ltre passe-bas analogique dont la r eponse impulsionnelle h(t) et la sortie y (t) sont d ecrites par : h(t) = 1 t/ e
t
pour
t0
y (t) =
0
h() x(t ) d
dont l equivalent num erique s ecrit :

n
y [n] =
k=0
Te h[k ] x[n k ]
On notera que dans cette expression, la p eriode d echantillonnage Te multiplie la r eponse impulsionnelle h[k ] dont les unit es sont linverse du temps. De mani` ere a normaliser la r e ponse impulsionnelle num e rique par rapport a T , on la d e nit ` ` e comme suit : h[n] Te h(t = nTe ) (6.26) Ce qui dans notre cas particulier devient : h[n] = Te En posant : R = eTe / la r eponse impulsionnelle du ltre num erique passe-bas dordre 1 s ecrit donc : h[n] = Te n R pour n0 (6.27) Te Te / 1 n Te / e = e
n
En limitant la longueur de la r eponse impulsionnelle aux N premi` eres valeurs et admettant que le contenu de la RAM a et e initialis e` a z ero, la r eponse ` a un signal quelconque se calcule alors comme suit :
N 1
y [n] =
k=0 N 1
h(k ) x[n k ]
y [n] =
k=0
Te k R x[ n k ]
Une traduction algorithmique du produit de convolution pourrait etre la suivante : {initialisation des variables} tau = 1e-3 Te = 1e-4 R = exp(-Te/tau) N = 100
230
6.3. R eponse impulsionnelle et produit de convolution {initialisation des tableaux} for k =0:N-1 xn(k) = 0 hn(k) = (Te/tau)*R^k end {calcul et envoi du signal de sortie yn} repeat x0 = AnalogInput {initialisation et calcul de la somme} yn = x0*hn(0) for k = 1:N-1 do yn = yn + xn(k) * hn(k) end AnalogOutput (yn) {mise ` a jour du tableau xn(k)} for k = N-1:-1:1 do xn(k) = xn(k-1) end xn(0) = x0 until stop
6.3.3. Une application : linterpolation num erique

Une application int eressante du produit de convolution consiste en lagrandissement (zoom) dune suite de valeurs par interpolation num erique. Parmi le grand nombre dinterpolations possibles, on en pr esente trois : les interpolations constante, lin eaire et parabolique. La premi` ere maintient la valeur consid er ee, la deuxi` eme relie deux points successifs par un segment de droite et enn la derni` ere relie ces deux points par des arcs de parabole. Un interpolateur dordre N remplace chaque valeur dune suite x[n] (sauf la derni` ere) par N nouvelles valeurs. Du point de vue de la convolution, une fonction dinterpolation est un op erateur que lon d ecrit par sa r eponse impulsionnelle h[n]. Son application a une suite x[n] de va` leurs num eriques remplace chacune de celles-ci par, respectivement, une constante, deux segments de droite ou trois arcs de parabole (gure 6.12). Ces fonctions dinterpolation de longueur 2 N doivent valoir 1 au centre et 0 aux extr emit es. Elles sont d ecrites respectivement par les expressions suivantes : h0 [n] = 1 si |n| N/2 0 si N/2 < |n| N (6.28) (6.29)
N | n| pour |n| N h1 [n] = N 2 2 N 2 (n + N ) si N < n < N/2 2 2 1 N si N/2 n +N/2 h2 [n] = 2 n 2 (n N )2 si +N/2 < n < +N N2
(6.30)
231

1
0.5
0 N 0 +N
0.5
0 N 0 +N
0.5
0 N 0 +N
Figure 6.12.: R eponses impulsionnelles de trois interpolateurs La gure 6.13 illustre leet des interpolateurs dordre N = 15 appliqu es ` a trois impulsions damplitude 1, 4 et 2. On y voit tr` es bien que chaque impulsion est remplac ee par une fonction dinterpolation et que la somme de celles-ci conduit au r esultat global repr esent e par les points interpol es. Il est important de noter que pour utiliser la convolution en tant quinterpolateur, il faut au pr ealable ins erer entre les valeurs ` a interpoler un nombre de z eros egal ` a N 1. Ainsi, avant deectuer le produit de convolution pour obtenir la suite interpol ee y [n] = h[n] x0 [n] on doit remplacer la suite x[n] = {0, 1, 4, 2} par une nouvelle suite valant x0 [n] = {0, 0, 0, 0, , 1, 0, 0, 0, , 4, 0, 0, 0, , 2} (6.32) (6.31)
Puis, an d eliminer les eets de bords, on enl` evera du r esultat de cette convolution les N valeurs extr emes obtenues de part et dautre de la suite originale x0 [n]. La gure 6.14 montre les r esultats des trois interpolations appliqu ees ` a une suite de valeurs oscillantes amorties. On notera que le choix dune fonction dinterpolation nest pas anodin car il peut conduire ` a une repr esentation erron ee du signal analogique enregistr e. La gure 6.15 illustre le r esultat de ces trois m emes interpolations appliqu ees ` a une image agrandie dun facteur huit.
6.4. Syst` emes d ecrits par des equations r ecursives

Dans la section pr ec edente, nous avons analys e les syst` emes lin eaires et temporellement invariants (LTI). Ces syst` emes etaient repr esent es par leur r eponse impulsionnelle h[n] et lobtention de la r eponse y [n] ` a un signal dentr ee quelconque faisait
232
6.4. Syst` emes d ecrits par des equations r ecursives
4 2 0 0 5 10 15 20 25 30 35 40 45
4 2 0 0 5 10 15 20 25 30 35 40 45
4 2 0 0 5 10 15 20 25 30 35 40 45
Figure 6.13.: R eponses individuelle et globale de trois interpolateurs dordre 15
10
0 0 20 40 60 80 100 120
10
0 0 20 40 60 80 100 120
10
0 0 20 40 60 80 100 120
Figure 6.14.: Trois interpolations dune m eme suite de valeurs
233
Figure 6.15.: Agrandissement dune image par interpolation constante, lin eaire ou parabolique
234
6.4. Syst` emes d ecrits par des equations r ecursives appel au produit de convolution. Dans le calcul de celui-ci nintervient que le signal dentr ee x[n] et h[n] ( equation non r ecursive). Cette mani` ere de faire n ecessite, pour chaque instant n, le calcul complet de y [n] sans utiliser des r esultats pr ec edemment calcul es :
N 1
y [n] =
k=0
h(k ) x[n k ]
Dans les quelques exemples qui suivent, on montre quil est g en eralement assez facile de trouver une equation utilisant des r esultats obtenus pr ealablement. Le syst` eme est alors d ecrit, de mani` ere equivalente, par une equation r ecursive.
6.4.1. Quelques exemples

Accumulateur Un accumulateur causal est repr esent e par l equation :
n
y [n] =
k=0
x[ k ]
(6.33)
On voit imm ediatement que ce r esultat peut etre r ecrit sous la forme :
n
y [n] =
k=0 n1
x[ k ]
=
k=0
x[k ] + x[n]
donc : y [n] = y [n 1] + x[n] Cette derni` ere equation nest autre que la forme r ecursive de laccumulateur. Filtre passe-bas On a vu plus haut que la r eponse dun ltre passe-bas dordre 1 pouvait etre d ecrite par :
N 1
(6.34)
y [n] =
k=0
Te k R x[ n k ]
(6.35)
Ce r esultat peut egalement s ecrire comme suit :

N 1
y [n] =
k=0
Te Te k R x[n k ] =
N 1
R k x[ n k ]
k=0
= =
Te
R0 x[n] + R1 x[n 1] + R2 x[n 2] + R0 x[n 1] + R1 x[n 2] + R2 x[n 3)] +
Te Te x[ n ] + R
235
6. Description des signaux et syst` emes num eriques Ce qui donne nalement la forme r ecursive suivante : y [n] = Te x[n] + R y [n 1] (6.36)
On voit ainsi que le calcul de la r eponse y [n], qui dans lapproche non r ecursive demande pour chaque instant n le calcul de N multiplications et additions, peut e e par une equation r ecursive ne demandant quune multiplication et tre remplac une addition.
x[n] y[n] x[n] Te y[n] R z-1 Accumulateur 1/(n+1) Moyenneur cumulatif x[n] y[n] z-1 Filtre passe-bas (R < 1)
z-1 n
Figure 6.16.: Sch emas fonctionnels : (a) dun accumulateur, (b) dun ltre passebas, (c) dun moyenneur cumulatif
Moyenne cumul ee Consid erons le calcul dune moyenne que lon souhaite evaluer a lapparition de chaque nouvel echantillon : ` 1 y [n] = n+1
n
x[ k ]
k=0
(6.37)
En multipliant les 2 membres de l equation par n + 1, on obtient :

n n1
(n + 1) y [n] =
k=0
x[ k ] = x[ n ] +
k=0
x[ k ]
Ce qui peut egalement s ecrire sous la forme : y [n] = 1 n+1 x[n] + n 1 n

n1
x[ k ]
k=0
236
6.5. Exercices pour donner nalement 1 (x[n] + n y [n 1]) (6.38) n+1 Les sch emas fonctionnels correspondant ` a chacun de ces 3 syst` emes sont illustr es par la gure 6.16. y [n] = Conclusion Ces quelques exemples ont montr e que bien des op erations lin eaires peuvent etre ramen ees ` a des equations r ecursives et qualors le nombre dop erations a eectuer est fortement r eduit. `
6.5. Exercices
SNB 1 Esquissez les signaux suivants x1 [n] = [n 2] x2 [n] = + [n + 1] + [n] x3 [n] = 2 [n + 2] [3 n] x4 [n] = 0.9n [n] x5 [n] = sin(n/6) x6 [n] = sin(n/8) [n]
SNB 2 Esquissez le signal x[n] = {..., 0, 0, -1, 0, 1, 2, 3, 0, 0, 0,...} puis faites de m eme avec les signaux suivants y1 [n] = x[n 2] y2 [n] = x[3 n] y3 [n] = x[n + 1] [n] y4 [n] = x[n] [n] y5 [n] = x[n + 1] [n] y6 [n] = x[3 n] [n 2]
SNB 3 Trouvez les expressions math ematiques d ecrivant les signaux de la gure SNB 3. SNB 4 Consid erant les fonctions oscillantes ci-dessous, donnez pour chacune dentre-elles la pulsation normalis ee 0 , la p eriode num erique N et le nombre de p eriodes analogiques par p eriode num erique. x1 [n] = cos(n /20) x2 [n] = cos(n 3/8) x3 [n] = cos(n 13/8 /3) x4 [n] = exp(j n /4 /2) x5 [n] = 3 sin(5 n + /6) x6 [n] = cos(n 3/10) sin(n /10) + 3 cos(n /5)
SNC 1 On consid` ere un syst` eme temporellement invariant auquel on applique successivement les signaux dentr ee x1 [n], x2 [n] (gure SNC 1). A ces signaux distincts correspondent les suites y1 [n], y2 [n]. 1. Quelle est la r eponse impulsionnelle du syst` eme ? 2. D eterminez si le syst` eme est lin eaire ou non. 3. Donnez son equation aux di erences et dessinez son sch ema fonctionnel.
237
x1[n] 2 1.5 1 0.5 0 5 0 x3[n] 1 0.8 0.6 0.4 0.2 0 0.2 5 0 5 10 ..... 1, 0.9, 0.81, 0.73, 0.656, ..... 1 0.8 0.6 0.4 0.2 0 0.2 5 0 5 10 ..... 0 1 2 5 0 3 2 1
x2[n]
5 x4[n]
10
1, 0.9, 0.81, 0.73, 0.656, .....
.....
10
Figure 6.17.: Ex. SNB 3
x1[n] 2 1.5 1 0.5 0 5 0 x2[n] 2 1.5 1 0.5 0 5 0 5 10 4 3 2 1 0 5 0 5 10 4 3 2 1 0 5 0
y1[n]
5 y2[n]
10
10
Figure 6.18.: Ex. SNC 1
238
6.5. Exercices SNC 2 On consid` ere un syst` eme LTI causal d ecrit par sa r eponse impulsionnelle h[n] = {4, 3, 2, 1, 0, 0, 0, } n 0 et les signaux dentr ee suivants x1 [n] = [n 1] x2 [n] = +2 [n] [n 1] x3 [n] = [n] [n 5] x4 [n] = [n + 5]
Esquissez ces signaux xk [n] et les r eponses respectives yk [n] apr` es les avoir calcul ees avec le produit de convolution. tant donn SNC 3 E e la r eponse impulsionnelle causale h[n 0] = {0, 1, 1, 1, 1, 2, 2, 0, 0, } dun syst` eme LTI, dessinez cette r eponse puis calculez et esquissez sa r eponse a ` x[n] = [n]. De quel ltre sagit-il ? SNC 4 Utilisez le produit de convolution pour calculer la r eponse indicielle dun syst` eme causal et LTI d ecrit par sa r eponse impulsionnelle h[n] = 0.8n [n]. SNC 5 On consid` ere un syst` eme d ecrit par l equation aux di erences suivantes y [n] = 2 x[n 1] + 1 3 y [n 1] y [n 2] 4 8
Dessinez son sch ema fonctionnel et calculez sa r eponse impulsionnelle sachant que les CI sont nulles. SNC 6 Trouvez la r eponse impulsionnelle h[n] dun syst` eme causal LTI qui a r epondu avec le signal y [n] au signal appliqu e x[n] (gure SNC 6).
x[n] 3 2.5 2 1.5 1 0.5 0 5 0 5 10 1 2 3 5 0 5 10 2 1 0 y[n]
Figure 6.19.: Ex. SNC 6 Remarque : Ce calcul, qui porte le nom dop eration de d econvolution, se fait de mani` ere r ecursive directement ` a partir de la d enition du produit de convolution.
239
6. Description des signaux et syst` emes num eriques SNC 7 On souhaite appliquer une interpolation en cosinus dordre 4 ` a la s equence num erique x[n] = {1, 6, 3}. Pour ce faire, 1. calculez litt eralement la r eponse impulsionnelle h[n] en cosinus telle que h[0] = 1 et h[N ] = 0 ; 2. calculez les valeurs num eriques de h[n] ; 3. cr eez la suite x0 [n] et calculez la suite interpol ee y [n]. R ep. : h[n] = h[n] x0 [n] h1 [n] h6 [n] h3 [n] y [n] 0 1 1 0 1 1 2 1 + cos 0.5 0 0.5 3 3.5 n N avec N n +N 1 6 0 6 0 6 0.8535 0 5.1213 0.4394 5.5607 0.5 0 3 1.5 4.5 0.1465 0 0.8787 2.5606 3.4393 0 3 0 3 3
0.1465 0 0.8535 0.8787 1.7322
0.8535 0 0.1465 5.1213 5.2678
240
7. R eponses des syst` emes num eriques

Nous avonsvu dans le chapitre pr ec edent quun syst` eme num erique peut etre d ecrit par une equation aux di erences. De mani` ere g en erale, cest celle-ci qui est implant ee dans un processeur an de r ealiser en temps r eel la fonction souhait ee. An que les calculs se fassent dans un temps tr` es court, on utilise de pr ef erence un processeur sp ecialis e pour le traitement de signaux (Digital Signal Processor = DSP) qui, en un cycle dhorloge (tclock 10 ns) va chercher deux variables, eectue leur produit et ajoute le r esultat dans un registre. Cependant, avant dimplanter dans un DSP un syst` eme ou un ltre num erique sous la forme dun algorithme, il est n ecessaire danalyser et comprendre le comportement de celui-ci. Pour ce faire, on doit pouvoir au pr ealable : d ecrire le syst` eme consid er e par sa r eponse impulsionnelle ou par une equation aux di erences ; repr esenter ce syst` eme avec une fonction de transfert ; pr evoir la stabilit e du syst` eme num erique ; calculer les r eponses temporelle et fr equentielle du syst` eme.
7.1. R eponse temporelle des syst` emes lin eaires

7.1.1. R esolution dune equation r ecursive
` titre introductif, consid A erons l equation lin eaire suivante : y [n] 0.9y [n 1] + 0.2y [n 2] = x[n] 0.8n dont on recherchera la solution pour n 0 en tenant compte des deux conditions initiales : y [1] = 0, y [0] = 0. La d emarche ` a suivre pour r esoudre cette equation aux di erences est la m eme que celle utilis ee pour r esoudre les equations di erentielles ` a coecients constants. Cest-` a-dire quil faut : 1. rechercher la solution g en erale yh [n] de l equation homog` ene ; 2. rechercher une solution particuli` ere yp [n] de l equation non-homog` ene ; 3. en d eduire la solution g en erale y [n] = yh [n] + yp [n] ; 4. calculer les coecients ind etermin es en tenant compte des conditions initiales.
241
ponses des syst` 7. Re emes num eriques
7.1.2. Solution de l equation homog` ene

On sait que la solution g en erale dune equation di erentielle ` a coecients constants pt est une somme dexponentielles de la forme e . Il en va de m eme pour une equation aux di erences ` a coecients constants ; mais dans ce cas, lexponentielle num en rique sera de la forme . On recherchera donc une solution g en erale de l equation homog` ene en posant : yh [n] = C n o` u est une constante, complexe ou non, et C une constante r eelle. En portant cette solution dans l equation homog` ene, on obtient : C n 0.9 C n1 + 0.2 C n2 = 0 En mettant en evidence le terme commun C n2 , on obtient une equation quadratique en qui est l equation caract eristique de l equation aux di erences : 2 0.9 + 0.2 = 0 dont les racines sont : 1 = +0.4 2 = +0.5 La solution g en erale de l equation homog` ene s ecrit alors :
n yh [n] = C1 n 1 + C2 2 = C1 0.4n + C2 0.5n
7.1.3. Solution particuli` ere

La solution particuli` ere de l equation aux di erences est du m eme type que la fonction du second membre de l equation ; dans notre cas, on posera : yp [n] = C3 n 3 avec 3 = 0.8
En portant cette solution dans l equation aux di erences, il vient :

1 2 = n C 3 n 3 1 0.9 3 + 0.2 3 3
Apr` es simplication par n , on en tire le coecient C3 : C3 = 1 1 0.9 0.81 + 0 .2 0.82 = 16 3
La solution particuli` ere vaut donc : yp [n] = 16 0.8n 3
242
7.1. R eponse temporelle des syst` emes lin eaires
7.1.4. Solution g en erale

La solution g en erale y [n] = yh [n] + yp [n] de l equation aux di erences compl` ete s ecrit donc : y [n] = C1 0.4n + C2 0.5n + 16 0.8n 3
Les coecients C1 et C2 se calculent en tenant compte des conditions initiales. Celles-ci nous permettent d ecrire deux equations alg ebriques : y [1] = 0 = C1 0.41 + C2 0.51 + = 2.5 C1 + 2.0 C2 + y [0] = 0 = C1 0.40 + C2 0.50 + = C1 + C2 + dont les solutions sont : 16 3 16 0.80 3 20 3 16 0.81 3
40 24 C2 = 3 3 La solution g en erale de l equation aux di erences pour n 0 est donc : C1 = + y [n] = 1 (+24 0.4n 40 0.5n + 16 0.8n ) 3
7.1.5. G en eralisation
On peut g en eraliser ce que nous venons de voir en consid erant l equation dordre N : y [n] + a1 y [n 1] + + aN y [n N ] = b0 x[n] + b1 x[n 1] + + bM x[n M ] (7.1) dont on cherchera la solution en tenant compte des N conditions initiales. Solution de l equation homog` ene La solution dune equation aux di erences lin eaire et ` a coecients constants est du type : yh [n] = C n (7.2) En portant cette solution dans l equation aux di erences, on obtient une equation caract eristique dont les racines d eterminent la forme de la solution g en erale. Celle-ci d epend des trois cas suivants.
243
ponses des syst` 7. Re emes num eriques Racines r eelles et distinctes equation aux di erences Chaque terme n i avec i = 1, 2, , M est une solution de l homog` ene. La solution g en erale est une combinaison lin eaire de tous ces termes :
n n yh [n] = C1 n 1 + C 2 2 + + C M M
(7.3)
Les coecients Ci sont des constantes x ees par les conditions initiales. Racines complexes conjugu ees Soit 1,2 = a jb, deux racines complexes de l equation caract eristique. Alors, la solution yh [n] est une combinaison lin eaire de chaque racine elev ee ` a la puissance n : yh [n] = C1 (a + jb)n + C2 (a jb)n On peut egalement ecrire les racines sous forme polaire : a jb = R ej avec : R= On a donc (a jb)n = R ej a2 + b 2
n
= atan
b a
= Rn (cos(n) j sin(n))
Comme les coecients de l equation aux di erences sont r eels, la solution lest egalement. Cela signie que les termes imaginaires se simplieront et que lon obtiendra nalement : yh [n] = A1 Rn cos(n) + A2 Rn sin(n) =
2 n A2 1 + A2 R cos n + atan
A2 A1
Le r esultat g en eral est alors le suivant : yh [n] = A Rn cos (n + ) (7.4)
Les conditions initiales permettront de calculer les valeurs de A1 et A2 ou celles de A et . Racines multiples Si la racine est de multiplicit e m telle que 1 = 2 = = m , on pose : yh [n] = C1 + C2 n + + Cm nm1 n 1 Ici egalement, les coecients C1 ` a Cm seront x es par les conditions initiales. (7.5)
244
7.2. Stabilit e des syst` emes num eriques Solution particuli` ere La solution particuli` ere yp [n] a la m eme forme que le second membre de l equation aux di erences x[n]. Comme exemple, on peut rappeller les cas particuliers suivants :
x[n] = A yp [n] = C x[n] = A n yp [n] = C n x[n] = A cos(n + ) yp [n] = C cos(n + )
7.2. Stabilit e des syst` emes num eriques

Nous venons de voir que la dynamique de la r eponse dun syst` eme d epend directement des racines de son equation caract eristique. Comme la r eponse du syst` eme est n erieur d ecrite par des exponentielles , il sut que le module de la racine soit inf a lunit e pour que cette r eponse tende vers z ero au fur et ` a mesure que n augmente. ` Comme on le verra plus loin, les racines de l equation caract eristique ne sont autres que les p oles de la fonction de transfert repr esentant le syst` eme. On parlera donc indi eremment de p oles du syst` eme ou de racines de l equation caract eristique. Conclusion Un syst` eme num erique est stable si toutes les racines de son equation caract eristique sont ` a lint erieur du cercle de rayon unit e (gure 7.1), alors quun syst` eme analogique nest stable que si ses p oles sont ` a partie r eelle n egative.
7.3. Instants caract eristiques

On conna t limportance des param` etres dynamiques dun syst` eme pour evaluer son comportement temporel. Dans le cas des syst` emes analogiques, on sait que, si les p oles p1,2 sont complexes conjugu es ` a partie r eelle n egative, la solution homog` ene yh (t) est une fonction sinuso dale amortie telle que : yh (t) = C exp t cos 2 t + T
avec et T repr esentant la constante de temps et la p eriode doscillation de l evolution temporelle du signal. On montre ais ement que ces deux temps caract eristiques valent respectivement : = 1 Re {p1,2 } T = 2 2 = |Im {p1,2 }|
Dans le cas des syst` emes num eriques, il est egalement int eressant d evaluer des instants caract eristiques Kc et Kp correspondant ` a la constante de temps et ` a la
245
Figure 7.1.: P oles et r eponses impulsionnelles dun syst` eme num erique
246
7.4. Transformation en z p eriode doscillation T . Il est important de noter ici que Kc et Kp sont des valeurs sans unit e, multiples de la p eriode d echantillonnage Te du signal consid er e. Ces instants caract eristiques sont d enis de la m eme mani` ere que les param` etres continus et T : 1. Linstant Kc est celui pour lequel lamplitude Rn a diminu e ou augment e dune Kc 1 valeur egale a e . On a donc R = e . En prenant le logarithme naturel de ` cette egalit e, on obtient : Kc = 1 1 = ln(R) |ln(R)| (7.6)
2. La p eriode Kp dune oscillation est telle que Kp = 2 . On en tire donc : 2 (7.7) Comme la dur ee du r egime transitoire est egale a ` environ cinq fois la constante de temps, on a : 5 (7.8) Ktr 5 Kc = |ln(R)| et le nombre doscillations visibles pendant cette dur ee vaudra : Kp = Nosc = Ktr 5 = Kp 2 |ln(R)| |ln(R)| (7.9)
7.4. Transformation en z
La transformation en z fait pour les syst` emes num eriques ce que la transformation de Laplace fait pour les syst` emes continus. En particulier, elle permet la repr esentation des syst` emes num eriques lin eaires ` a laide dune fonction de transfert H (z ) dont les p oles sont les racines de l equation caract eristique.
7.4.1. D enition
La transformation en z sapplique ` a une suite de nombres x[n] au travers de la d enition suivante :
+
X (z ) = Z {x[n]} =
n=0
x[n] z n
(7.10)
On peut montrer que cette d enition d ecoule de la transformation de Laplace dun signal analogique x(t) :
+
X (s) =
t=0
x(t) est dt
En eet, consid erant que x[n] est la repr esentation echantillonn ee de x(t), on peut remplacer lint egrale par une somme. Il vient alors :
+ +
X (s)
n=0
x(n Te ) es nTe Te = Te
n=0
x(n Te ) esTe
247
ponses des syst` 7. Re emes num eriques En d enissant la variable z par z e+sTe (7.11) et en attribuant ` a la p eriode d echantillonnage Te la valeur unitaire, on obtient :
+
X (z ) =
n=0
x[ n ] z n
Ce r esultat sert de d enition ` a la transformation en z . On notera que la d enition de la variable z correspond ` a celle de lop erateur de d ecalage avant egal ` a une p eriode d echantillonnage Te et que lop` erateur de d ecalage arri` ere ou de retard est naturellement z 1 esTe (7.12)
7.4.2. Calcul de quelques transform ees

Impulsion unit e Elle est d enie par : 1 si n = 0 [n] = 0 si n = 0 En appliquant la d enition de la transformation en z , on obtient :
0
D(z ) = Z { [n]} =
n=0
1 z n = 1
(7.13)
Saut unit e Il est d eni par : 1 si n 0 0 si n < 0
[n] =
En appliquant la d enition de la transformation en z , on obtient :

+
E (z ) = Z { [n]} =
n=0
z n
Cette somme est celle dune suite g eom etrique (z 1 ) qui est nie si |z 1 | < 1. Dans ce cas, la somme de la suite g eom etrique vaut : E (z ) = 1 z = 1 z 1 z1 si z 1 < 1 (7.14)
248
7.4. Transformation en z Exponentielle Celle-ci est d enie par y [n] = n [n] Alors : Y (z ) = Z {
n + +
[n]} =
n=0
=
n=0
z 1
Cette equation repr esente la somme dune suite g eom etrique de raison ( z 1 ) qui 1 est nie si | z | < 1. Dans ce cas, la somme de la suite g eom etrique vaut : Y (z ) = 1 z = 1 1z z X (z ) 1
z z 1 z (z 1)2 z z z 2 cos 0 z z 2 2 cos 0 z +1 sin 0 z z 2 2 cos 0 z +1 z 2 cos 0 z z 2 2 cos 0 z +2 sin 0 z z 2 2 cos 0 z +2
si
z 1 < 1
(7.15)
x[n] n 0 [n] [n] n n cos(n 0 ) sin(n 0 ) n cos(n 0 ) n sin(n 0 )
x(t) t 0 (t) (t) t exp(a t) cos(0 t) sin(0 t) exp(a t) cos(0 t) exp(a t) sin(0 t)
X (s) 1
1 s 1 s2 1 s+ a s 2 s2 +0 0 2 s2 +0 s 2 (s+a)2 +0 0 2 (s+a)2 +0
Table 7.1.: Quelques transform ees en z et de Laplace
7.4.3. Quelques propri et es de la transformation en z

La transformation en z poss` ede des propri et es similaires ` a celles de la transformation de Laplace. Seules quelques unes sont rappel ees ci-apr` es sans d emonstration. 1. lin earit e: Z {a x[n] + b y [n]} = a X (z ) + b Y (z ) 2. d ecalage temporel : Z {x[n + d]} = z +d X (z ) (7.17) (7.16)
249
ponses des syst` 7. Re emes num eriques 3. amortissement : Z {n x[n]} = X 4. valeur initiale : x[0] = X (z )|z 5. valeur nale (si le syst` eme est stable) : x[] = (z 1) X (z )|z=1 (7.20) (7.19) z
(7.18)
quation aux di 7.4.4. E erences et fonction de transfert

Nous avons vu quun syst` eme pouvait etre d ecrit par une equation aux di erences dordre N :
N M
y [n] +
k=1
ak y [ n k ] =
k=0
bk x [ n k ]
(7.21)
On notera au passage que lordre M de la partie non-homog` ene de l equation nest pas n ecessairement egal ` a celui de la partie homog` ene. Son sch ema fonctionnel est repr esent e` a la gure 7.2.
x[n] z-1 x[n-1] z-1 x[n-2] z-1 x[n-M]
b0
b1
M
b2
N
bM y[n]
y[n] =
bk x[n-k] -
ak y[n-k]
k=1
k=0
- aN
- a2
- a1
y[n-N]
z-1
y[n-2] (b)
z-1
y[n-1]
z-1
y[n]
Figure 7.2.: Sch ema fonctionnel dune equation aux di erences Dans le cas particulier des syst` emes dordre 2, on a donc y [n] + a1 y [n 1] + a2 y [n 2] = b0 x[n] + b1 x[n 1] + b2 x[n 2] (7.22)
Utilisant la propri et e de lin earit e, la transformation en z de l equation aux di erences se calcule ais ement et donne : Y (z ) + a1 z 1 Y (z ) + a2 z 2 Y (z ) = b0 X (z ) + b1 z 1 X (z ) + b2 z 2 X (z )
250
7.5. R eponse fr equentielle des syst` emes LTI En mettant en evidence Y (z ) et X (z ), il vient : Y (z ) 1 + a1 z 1 + a2 z 2 = X (z ) b0 + b1 z 1 + b2 z 2 Comme le rapport des grandeurs de sortie Y (z ) et dentr ee X (z ) d enit la fonction de transfert H (z ), on obtient : H (z ) Y (z ) b0 + b1 z 1 + b2 z 2 = X (z ) 1 + a1 z 1 + a2 z 2 (7.23)
En multipliant num erateur et d enominateur par z 2 , cette fonction de transfert peut encore s ecrire sous la forme equivalente : H (z ) = b0 z 2 + b1 z + b2 z 2 + a1 z + a2 (7.24)
On remarque alors que le d enominateur de H (z ) nest autre que l equation caract eristique de l equation aux di erences repr esentant le syst` eme : 2 + a1 + a2 = 0 (7.25)
La recherche des po equivalente ` a la recherche des racines les de H (z ) est donc de l equation caract eristique. On notera que la forme de H (z ) en z 1 est dite de r ealisation ( equ. 7.23) alors que celle en z est dite analytique ( equ. 7.24) .
7.5. R eponse fr equentielle des syst` emes LTI

7.5.1. Fonction de transfert et r eponse fr equentielle
On a vu plus haut que la variable z correspond ` a lop erateur davance z = esTe avec s = + j (7.26)
Comme dans le cas dune r eponse fr equentielle on travaille en r egime sinuso dal permanent, la variable de Laplace vaut simplement s = j et la variable z devient alors z = ejTe = ej avec Te = 2f /fe (7.27) La variable = 2 f /fe est la pulsation normalis ee d enie entre + et ; elle repr esente les fr equences comprises entre +fe /2 et fe /2. On voit donc que pour calculer une r eponse fr equentielle, il sut de remplacer la variable z par la valeur se situant sur le cercle de rayon unit e et dargument = 2f /fe . Ainsi, de la fonction de transfert H (z ) = b0 z 2 + b 1 z + b2 z 2 + a1 z + a2 (7.28)
251
ponses des syst` 7. Re emes num eriques on tire la r eponse fr equentielle H (j ) = b0 e+j 2 + b1 e+j + b2 e+j 2 + a1 ej + a2 (7.29)
Dans le cas o` u la fonction de transfert est d ecrite avec lop erateur de retard z 1 H (z ) = on a bien evidemment H (j ) = b0 + b1 ej + b2 ej 2 1 + a1 ej + a2 ej 2 (7.31) b0 + b1 z 1 + b2 z 2 1 + a1 z 1 + a2 z 2 (7.30)
Les r eponses fr equentielles pour f = 0, f = fe /4 et f = fe /2 se calculent ais ement car on a f = 0 = 0 z = +1 fe = 4 2 fe f= = 2 Ce qui donne pour une cellule biquadratique f= z = +j z = 1
H (jf )|f =0 = H (z )|z=+1 = H (jf )|f =fe /4 = H (z )|z=j =
b0 + b1 + b2 1 + a1 + a2 b0 b2 + j b1 1 a2 + j a1 b0 b1 + b2 1 a1 + a2
(7.32) (7.33) (7.34)
H (jf )|f =fe /2 = H (z )|z=1 =
7.5.2. P oles, z eros et r eponse fr equentielle

Toute fonction de transfert peut etre d ecrite ` a laide des p oles et z eros qui sont les racines des d enominateur et num erateur : b0 z 2 + b1 z + b2 (z z1 ) (z z2 ) H (z ) = 2 =A z + a1 z + a2 (z p1 ) (z p2 ) (7.35)
Comme la variable z parcourt le cercle unit e de 0 ` a quand la fr equence varie de 0a eponse fr equentielle saaiblit si la fr equence ` fe /2 (gure 7.3), on voit que la r est proche des z eros car (z zk ) samenuise et quelle passe par un maximum lorsque la fr equence se situe aux environs des po les car (z pk ) diminue. La conguration po eros dun ltre passe-bande ainsi que sa r eponse fr equentielle les-z sont repr esent ees ` a la gure 7.3. Une bonne interpr etation de la signication des p oles et z eros permet ainsi d evaluer facilement une r eponse fr equentielle.
252
7.5. R eponse fr equentielle des syst` emes LTI

Im +fe/4 p1 z2 +fe/2 -fe/2 p2 -fe/4 z1 f0
H(f)
f=0
Re 0 f0 fe/2
Figure 7.3.: P oles, z eros et r eponse fr equentielle dun ltre passe-bande valuation dune r E eponse fr equentielle Consid erons comme exemple un ltre passe-bande d ecrit par une fonction de transfert dordre 2 (z z1 ) (z z2 ) H (z ) = A (z p1 ) (z p2 ) et caract eris e par les points suivants. 1. Il ne doit pas laisser passer la fr equence nulle qui se situe en z = +1 dans le plan complexe ; on doit donc avoir un z ero en cet endroit, do` u z1 = +1 2. Il doit bloquer les signaux de fr equence fe /2 qui se situe en z = 1 ; on a donc z2 = 1 3. Il doit laisser passer la fr equence centrale f0 qui correspond ` a deux p oles situ es en p1,2 = R ej 0 (7.36) avec la pulsation normalis ee 0 = 2
f0 fe
et R < 1 pour que le ltre soit stable.
La fonction de transfert sera donc d ecrite par H (z ) = A (z 1) (z + 1) (z Re+j 0 ) (z Rej 0 ) z2 1 = A 2 z 2R cos 0 z + R2
ou, de mani` ere equivalente, par H (z ) = A 1 z 2 1 2R cos 0 z 1 + R2 z 2 (7.37)
253
ponses des syst` 7. Re emes num eriques La r eponse fr equentielle vaut donc H (j ) = A 1 ej 2 1 2R cos 0 ej + R2 ej 2 (7.38)
Comme application num erique, consid erons le cas particulier o` u f0 = fe /8 0 = /4, R = 0.9, A = 1 R = 0.1
Pour un ltre passe-bande, on doit bien evidemment obtenir H (f = 0) = 0, H (f = fe /2) = 0
De plus, avec 0 = /4 et 20 = /2, il vient 1 ej/2 H ( j 0 ) = A 1 2R cos(/4) ej/4 + R2 ej/2 1+j = A 1 1 1 2R jR2 j 2 2 = A 1+j 1+j = A 1 R (1 j ) jR2 1 R + jR jR2
Comme R = 0.9 et A = 1 R, on obtien nalement H (jf0 ) = (1 R) 1+j 1+j = = 1.05 + 0.053 [rad] (1 R)(1 + jR) 1 + j 0.9
7.5.3. TFD et r eponse fr equentielle

Sachant que les transformations de Fourier directe et inverse dune suite de valeurs num eriques sont d enies par :
X (j ) =
n=
x[n] exp(jn)
+
(7.39)
x[ n ] =
1 2
X (j ) exp(+jn) d
(7.40)
il est possible de calculer la r eponse fr equentielle H (j ) en transformant de Fourier soit la r eponse impulsionnelle h[n], soit l equation aux di erences. Comme illustration, appliquons ces deux approches ` a un syst` eme dordre 1. Syst` eme d ecrit par une r eponse impulsionnelle En transformant de Fourier la r eponse impulsionnelle h[n] dun syst` eme num erique dordre 1, h[n] = A Rn [n] 0<R<1
254
7.5. R eponse fr equentielle des syst` emes LTI on obtient la r eponse fr equentielle H (j ) suivante
H (j ) =
n=
h[n] ejn A Rn ejn

n=0
= =
n=0
A R ej
Lobservation de ce r esultat nous montre que lon a aaire ` a une suite g eom etrique. Se souvenant que la somme dune suite g eom etrique innie de raison r vaut :
rn =
n=0
1 1r
si |r| < 1
(7.41)
on peut calculer ais ement H (j ) : H (j ) = A 1 1 R ej si |R| < 1 (7.42)
Syst` eme d ecrit par une equation aux di erences On a vu quun syst` eme num erique dordre 1 peut egalement etre d ecrit par une equation r ecursive : y [n] = A x[n] + R y [n 1] Les propri et es de lin earit e et de d ecalage de la transformation de Fourier permettent d ecrire imm ediatement Y (j ) = A X (j ) + R ej Y (j ) En regroupant les termes communs, puis en eectuant leur rapport, on obtient la fonction de transfert du syst` eme ou sa r eponse fr equentielle : A Y (j ) = H (j ) X (j ) 1 R ej Comme on pouvait sy attendre, les deux expressions de la r eponse fr equentielle sont identiques ; elles ne d ependent pas de la m ethode de calcul utilis ee. Relation avec la transformation en z Les r esultats que nous venons de calculer peuvent egalement sobtenir directement a partir des transform ees en z des fonctions et signaux consid er es en rempla cant ` j lop erateur davance z par son equivalent fr equentiel e . Ainsi, dans le cas de la r eponse impulsionnelle z h[n] = A Rn [n] H (z ) = A zR on obtient ej 1 H (j ) = H (z )|z=ej = A j =A e R 1 Rej
255
7.6. Calcul et tra cage de quelques r eponses fr equentielles

An dillustrer le calcul et le tra cage de quelques r eponses fr equentielles, consid erons quelques exemples de syst` emes num eriques d ecrits soit par leur r eponse impulsionnelle, soit par leur equation r ecursive.
7.6.1. Moyenneur non causal

Un moyenneur non causal dordre 5 est d ecrit par l equation aux di erences suivante : 1 y [n] = x [n 2] + x[n 1] + x[n] + x[n + 1] + x[n + 2] (7.43) 5 et sa r eponse impulsionnelle est : si 2 n 2 1/5 h[n] = 0 sinon
(7.44)
Les r eponses impulsionnelle et indicielle de ce ltre sont illustr ees a ` la gure 7.4. Utilisant la transformation en z , on calcule ais ement la fonction de transfert de ce ltre : 1 2 H (z ) = z + z 1 + z 0 + z 1 + z 2 5 dont la r eponse fr equentielle vaut H (j ) = do` u: H (j ) = 1 j 2 e + ej + ej 0 + e+j + e+j 2 5 (7.45) 1 1 + 2 cos() + 2 cos(2) 5
On constate que la r eponse fr equentielle ainsi obtenue est r eelle ; ceci nest pas surprenant si on se souvient que la r eponse impulsionnelle h[n] consid er ee est paire. Le tra cage de la r eponse fr equentielle de ce moyenneur (gure 7.5) montre quil agit comme un ltre passe-bas et quil annule m eme la sortie pour certaines pulsations.
7.6.2. Moyenneur causal

Un moyenneur causal dordre 5 est d ecrit par l equation aux di erences suivantes : 1 y [n] = x [n] + x[n 1] + x[n 2] + x[n 3] + x[n 4] (7.46) 5
256
1 0.8 h[n] 0.6 0.4 0.2 0 5 4 3 2 1 0 1 2 3 4 5
1 0.8 y[n] 0.6 0.4 0.2 0 5 4 3 2 1 0 Instants n 1 2 3 4 5
Figure 7.4.: R eponses impulsionnelle et indicielle dun moyenneur non causal dordre 5
1 H(j)
0.5
0 3 2 1 0 1 2 3
1 |H(j)|
0.5
0 3 4 2 /H(j) 0 2 4 3 2 1 0 Pulsation normalise [rad] 1 2 3 2 1 0 1 2 3
Figure 7.5.: R eponse fr equentielle dun moyenneur non causal dordre 5
257
ponses des syst` 7. Re emes num eriques et sa r eponse impulsionnelle est : si 0n4 1/5 h[n] = 0 sinon
(7.47)
Les r eponses impulsionnelle et indicielle de ce ltre sont illustr ees ` a la gure 7.4 et on constate que, par rapport au moyenneur non causal, ces r eponses temporelles sont simplement retard ees de deux echantillons. Utilisant la transformation en z , on calcule ais ement la fonction de transfert de ce ltre : H (z ) = 1 0 z + z 1 + z 2 + z 3 + z 4 5 z 2 2 = z + z 1 + z 0 + z 1 + z 2 5
dont la r eponse fr equentielle vaut H (j ) = do` u: H (j ) = e

j 2
ej 2 +j 2 e + e+j + 1 + ej + ej 2 5 (7.48)
1 + 2 cos() + 2 cos(2)
On constate ainsi que, ` a un phaseur pr` es, la r eponse fr equentielle obtenue est la m eme que pr ec edemment ; ce qui nest pas surprenant puisque le moyenneur causal nest quune version translat ee du moyenneur non causal. Les modules des deux r eponses fr equentielles sont donc les m emes ; seules les phases di` erent (gure 7.7). On notera que la phase ainsi obtenue est lin eaire par rapport ` a la fr equence ; ce qui nest autre que leet de la translation temporelle.
7.6.3. Filtre passe-bas dordre 1

On a vu plus haut quun ltre passe-bas num erique dordre 1 etait d ecrite par sa r eponse impulsionnelle h[n] = A Rn [n] R < 1 ou par sa fonction de transfert H (z ) = A 1 R z 1
On en a d eduit que sa r eponse fr equentielle vaut : H (j ) = A 1 R ej (7.49)
258
1 0.8 h[n] 0.6 0.4 0.2 0 2 0 2 4 6 8 10
1 0.8 y[n] 0.6 0.4 0.2 0 2 0 2 4 Instants n 6 8 10
Figure 7.6.: R eponses impulsionnelle et indicielle dun moyenneur causal dordre 5
1 0.8 |H(j)| 0.6 0.4 0.2 0 0.2 3 2 1 0 1 2 3
2 /H(j)
0 Pulsation normalise [rad]
Figure 7.7.: R eponse fr equentielle dun moyenneur causal dordre 5
259
1.2 1 0.8 h[n] 0.6 0.4 0.2 0 0 5 10 15 20
1.2 1 0.8 y[n] 0.6 0.4 0.2 0 0 5 10 Instants n 15 20
Figure 7.8.: R eponses impulsionnelle et indicielle dun ltre passe-bas dordre 1
1 0.8 |H(j)| 0.6 0.4 0.2 0 0.2 3 2 1 0 1 2 3
2 /H(j)
0 1 Pulsation normalise [rad]
Figure 7.9.: R eponse fr equentielle dun ltre passe-bas dordre 1
260
7.6. Calcul et tra cage de quelques r eponses fr equentielles De mani` ere ` a avoir un gain unit e pour = 0, on choisit A=1R (7.50)
Cette fonction ` a valeur complexe peut encore etre d ecrite par : H (j ) = A 1 R cos() + jR sin() (7.51)
Ce qui permet de calculer le module et la phase de la r eponse fr equentielle : |H (j )| = A (1 R cos()) + (R sin()) H (j ) = arctan
2 2
(7.52)
R sin() (7.53) 1 R cos() Les r eponses temporelles et fr equentielles sont pr esent ees dans les gures 7.8 et 7.9.
7.6.4. Filtre passe-bas dordre 2

Prenons, comme nouvel exemple, un ltre passe-bas num erique dordre deux avec r esonance d ecrit par sa r eponse impulsionnelle h[n] = A Rn sin (n 0 ) [n] R<1 (7.54)
Les r eponses impulsionnelle et indicielle de ce ltre sont repr esent ees dans la gure 7.10. La transform ee en z de h[n] (voir tableau 7.1) donne la fonction de transfert H (z ) = A R sin 0 z R sin 0 z 1 = A z 2 2R cos 0 z + R2 1 2R cos 0 z 1 + R2 z 2
dont on tire la r eponses fr equentielle H (j ) = A qui pour = 0 donne un gain H (j 0) = A R sin (0 ) 1 2R cos (0 ) + R2 R sin (0 ) ej 1 2R cos (0 ) ej + R2 ej 2 (7.55)
De mani` ere ` a avoir un gain unit e pour = 0, on choisit A= 1 2R cos (0 ) + R2 R sin (0 ) (7.56)
Il est egalement possible de retrouver cette r eponse fr equentielle ` a partir de la donn ee des p oles du ltre. Cette approche, tr` es simple, est laiss ee comme exercice.
261
0.5 h[n] 0 0.5
10
15
20
1.5
1 y[n] 0.5 0 0 5 10 Instants n 15 20
Figure 7.10.: R eponses impulsionnelle et indicielle dun ltre passe-bas dordre 2
2 1.5 |H(j)| 1 0.5 0 3 2 1 0 1 2 3
2 /H(j)
0 1 Pulsation normalise [rad]
Figure 7.11.: R eponse fr equentielle dun ltre passe-bas dordre 2
262
7.7. Analyse et r ealisation dun ltre

Dans cette section, on souhaite illustrer les di erentes etapes ` a parcourir pour analyser et r ealiser un ltre num erique. Pour cela, consid erons un ltre d ecrit par la fonction de transfert suivante : H (z ) = 0.21 z 1 1 1.6 z 1 + 0.81 z 2
et etudions ses r eponses temporelle et fr equentielle.
7.7.1. Calcul de la r eponse temporelle du ltre

Nous avons vu que le comportement dynamique dun ltre num erique est d etermin e par les instants caract eristiques Kc et Kp et que leurs valeurs se calcule ` a partir des p oles de la fonction de transfert H (z ). P oles et r eponse temporelle En multipliant num erateur et d enominateur de H (z ) par z 2 , on obtient la forme canonique n ecessaire pour lanalyse : H (z ) = 0.21 z2 z 1.6 z + 0.81
On calcule ais ement les p oles de cette fonction de transfert qui valent : 1 p1,2 = 1.6 1.62 4 0.81 2 = 0.8 j 0.412 = 0.9 ej 0.476 Comme ces p oles sont complexes et de module inf erieur ` a 1, on en d eduit que la r eponse transitoire, cest-` a-dire la solution homog` ene de l equation aux di erences, comportera une oscillation amortie du type : yh [n] = C Rn cos(n + ) ce qui, en tenant compte des valeurs num eriques, donne : yh [n] = C 0.9n cos(0.476 n + ) Instants caract eristiques La r eponse etant oscillante, il faut rechercher la constante de temps Kc et la p eriode doscillation Kp : Kc = 1 = 9.5 |ln(0.9)| Kp = 2 = 13.2 0.476
263
ponses des syst` 7. Re emes num eriques On aura donc une dur ee du r egime transitoire valant Ktr 5 Kc = 47.5 instants
et un nombre doscillations visibles denviron Nosc Ktr Kp 3.6 oscillations
Rponses temporelles dun filtre numrique 0.5 0.4 0.3 0.2 h[n] 0.1 0 0.1 0.2 0 5 10 15 20 25 30 35 40 45 50
1.5 y[n]
0.5
10
15
20
25 n Te
30
35
40
45
50
Figure 7.12.: R eponses impulsionnelle et indicielle du ltre
valuation de la r E eponse indicielle ` un saut unit A e dont limage est X (z ) = 1 z = 1 1z z1
correspond la r eponse indicielle suivante Y (z ) = X (z ) H (z ) = z 0.21 z 2 z 1 z 1.6 z + 0.81
Dans cette r eponse, on retrouve naturellement les deux p oles (p1,2 = 0.9 ej 0.476 ) dus au ltre, plus un p ole (p3 = +1) du e appliqu e` a lentr ee. L evolution au saut unit
264
7.7. Analyse et r ealisation dun ltre temporelle sera donc celle d ecrite pr ec edemment, ` a laquelle on doit ajouter un terme constant A correspondant au po le p : 3 y [n] = A + C 0.9n cos(0.476 n + ) Ces informations peuvent etre compl et ees par les valeurs initiale et nale que lon calcule en utilisant le th eor` eme des valeurs limites : y [0] = Y (z )|z = 0 y [] = (z 1) Y (z )|z=1 = 0.21 =1 1 1.6 + 0.81
La gure 7.12 illustre les r eponses impulsionnelle et indicielle de ce ltre. On remarquera que toutes les valeurs calcul ees ci-dessus sont conrm ees par ces graphes.
7.7.2. Calcul de la r eponse fr equentielle

Partant de la fonction de transfert du ltre H (z ) = 0.21 z 0.21 z 1 = 2 1 2 1 1.6 z + 0.81 z z 1.6 z + 0.81
on obtient lexpression de la r eponse fr equentielle en rempla cant la variable z par le +j phaseur e ; il vient alors : H (j ) = 0.21 ej 0.21 e+j = 1 1.6 ej + 0.81 ej 2 e+j 2 1.6 e+j + 0.81
Quelques valeurs particuli` eres On a vu plus haut que H (jf )|f =0 = H (z )|z=+1 H (jf )|f =fe /4 = H (z )|z=+j H (jf )|f =fe /2 = H (z )|z=1 Ce qui donne dans notre cas H (j 0) = H (jfe /4) = 0.21 = +1 = 10 1 1.6 + 0.81
+j 0.21 = 0.129 + j 0.015 = 0.130 3.02 1 + 0.81 j 1.6 0.21 = 0.06 = 0.06 1 + 1.6 + 0.81
H (jfe /2) =
265
ponses des syst` 7. Re emes num eriques Tra cage de la r eponse fr equentielle Le calcul et le tra cage de cette r eponse fr equentielle se fait avantageusement avec laide de Matlab. Dans ce cas, il faut d ecrire la fonction de transfert avec lop erateur davance z 0.21 z H (z ) = 2 z 1.6 z + 0.81 Le calcul et tra cage se fait ensuite avec les commandes suivantes : % donnees: num = [0, 0.21, 0]; den = [1, -1.6, 0.81]; % reponse frequentielle fe = 1; Npoints = 500; [Hjf, ff] = freqz(num,den,Npoints,fe); % tracage figure; subplot(2,1,1); plot(ff, 20*log10(abs(Hjf))); grid on; title(R eponse fr equentielle dun filtre num erique); ylabel(|H(jf)|); axis([0,0.5,-30,+10]); subplot(2,1,2); plot(ff,angle(Hjf)*180/pi); grid on; ylabel(/H(jf)); xlabel(f / f_e); La gure 7.13 pr esente le module et la phase de la r eponse fr equentielle du ltre. On y retrouve bien les trois valeurs particuli` eres H (0) = 10 H (jfe /4) = 0.130 3.02 = 17.7 dB 3.02 H (fe /2) = 0.06 = 24 dB
7.7.3. Comment r ealiser ce ltre ?

Une fois le comportement du ltre analys e et v eri e, il reste ` a le r ealiser. Pour cela, on implantera l equation aux di erences correspondant au ltre d esir e dans un processeur num erique. Puis on devra bien entendu le relier au monde analogique a laide des convertisseurs AN et NA et des ltres dantirepliement (FAR) et de ` lissage (FL) (gure 7.14). L equation aux di erences du ltre est d eduite directement de la fonction de transfert 0.21 z 1 Y (z ) = H (z ) = X (z ) 1 1.6 z 1 + 0.81 z 2
266
Rponse frquentielle dun filtre numrique 10
0 HdB(f)
10
20
30
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
50 H(jf)
100
150
200
0.05
0.1
0.15
0.2
0.25 f / fe
0.3
0.35
0.4
0.45
0.5
Figure 7.13.: R eponse fr equentielle du ltre
Te x0(t) x(t)
FAR
A N
x[n]
Systme numrique
y[n]
N A
ys(t)
FL
y(t)
Figure 7.14.: Sch ema bloc dun ltre num erique
267
ponses des syst` 7. Re emes num eriques En eet, les produits crois es de cette equation donnent : Y (z ) 1.6 z 1 Y (z ) + 0.81 z 2 Y (z ) = 0.21 z 1 X (z ) Ce qui, par transformation inverse, correspond a equation ` l y [n] 1.6 y [n 1] + 0.81 y [n 2] = 0.21 x[n 1] Algorithmiquement, cette equation s ecrit plut ot sous la forme suivante y [n] = 0.21 x[n 1] + 1.6 y [n 1] 0.81 y [n 2] Cest cette equation aux di erences qui sera implant ee dans le processeur et ex ecut ee ` a chaque nouvel instant d echantillonnage Te . Le code r ealisant ce ltre pourrait s ecrire comme suit : % initalisation des constantes b0 = 0.0; b1 = +0.21; b2 = 0.0; a1 = -1.6; a2 = +0.81; % initalisation des variables xn1 = 0.0; xn2 = 0.0; % valeurs anciennes de x[n] yn1 = 0.0; yn2 = 0.0; % valeurs anciennes de y[n] % operation de filtrage (xn0, yn0: valeurs actuelles) repeat xn0 = AnalogInput; yn0 = b0*xn0 + b1*xn1 + b2*xn2 - a1*yn1 - a2*yn2; AnalogOutput(yn0); % mise a jour des 2 piles xn et yn yn2 = yn1; yn1 = yn0; xn2 = xn1; xn1 = xn0; until stop;
7.8. Classication des syst` emes num eriques

Au travers des sections pr ec edentes, nous avons vu di erentes formes de repr esentation des syst` emes num eriques : equations aux di erences, sch emas fonctionnels et fonctions de transfert. Les divers exemples ont permis de montrer que la r eponse dun syst` eme peut se calculer en prenant en compte le signal dentr ee seulement ou les signaux dentr ee et de sortie simultan ement. De ces deux possibilit es d ecoule une classication des syst` emes quil est important de conna tre. Ces deux classes de repr esentations des syst` emes lin eaires sont souvent d esign ees avec des acronymes anglo-saxons qui seront utilis es par la suite.
268
7.8. Classication des syst` emes num eriques
7.8.1. Syst` emes non r ecursifs (dits RIF, FIR ou MA)

La r eponse y [n] dun syst` eme causal non r ecursif dordre N se calcule uniquement ` a partir du signal dentr ee x[n]. Son equation aux di erences est rappel ee ci-dessous et sa repr esentation fonctionnelle est donn ee ` a la gure 7.15a.
N
y [n] =
k=0
bk x[n k ] = b0 x[n] + b1 x[n 1] + b2 x[n 2] + + bN x[n N ] (7.57)
On peut remarquer que sa r eponse impulsionnelle correspond aux coecients bk ; elle est donc de longueur nie N . Ainsi le calcul de y [n] revient-il ` a convoluer le signal dentr ee et la r eponse impulsionnelle h[k ] bk du syst` eme lin eaire. On peut egalement observer que ce syst` eme eectue une pond eration des valeurs du signal dentr ee et que cela correspond ` a une moyenne glissante (moving average). Ces syst` emes sont donc d esign es avec lacronyme RIF (R eponse Impulsionnelle Finie) ou FIR (Finite Impulse Response) ou MA (Moving Average) et leur fonction de transfert s ecrit H (z ) = b0 + b1 z 1 + b2 z 2 + + bN z N (7.58)
De par leur structure, les syst` emes FIR sont toujours stables, mais ils demandent passablement de temps de calcul car la longueur de la r eponse impulsionnelle dun tel syst` eme est g en eralement tr` es elev ee (N > 100).
7.8.2. Syst` emes r ecursifs (dits RII, IIR ou ARMA)

La r eponse y [n] dun syst` eme causal r ecursif dordre N se calcule ` a partir du signal dentr ee x[n] et des valeurs pr ec edentes de la sortie y [n k ]. Son equation aux di erences est rappel ee ci-dessous et sa repr esentation fonctionnelle est donn ee ` a la gure 7.15b.
M N
y [n] =
k=0
bk x [ n k ]
k=1
ak y [ n k ]
(7.59)
On peut remarquer que ces syst` emes ont une r eponse impulsionnelle inniment longue et quils sont d ecrits par leur fonction de transfert H (z ) = b0 + b1 z 1 + b2 z 2 + + bM z M 1 + a1 z 1 + a2 z 2 + + aN z N (7.60)
On observe ainsi que le d enominateur de cette fonction de transfert repr esente une R eponse Impulsionnelle Innie RII ou IIR (Innite Impulse Response) ou Auto Regressive (AR) et que son num erateur d ecrit une moyenne glissante (Moving Average MA). Do` u lappellation ARMA (Auto Regressive and Moving Average). G en eralement, lordre dun syst` eme IIR est peu elev e (N = 1 10) et il est r ealis e en pla cant en s erie des cellules biquadratiques (cellules IIR dordre 2). Il est donc tr` es ecace en temps de calcul mais, de par sa structure r ecursive, il peut devenir instable.
269
7.8.3. Caract eristiques des ltres FIR et IIR

Les qualit es (indiqu ees en gras) et les d efauts des ltres FIR et IIR sont pr esent es dans le tableau de la gure 7.15.
x[n] z-1 x[n-1] z-1 x[n-2] z-1 x[n-M]
b0
b1
M
b2
bM y[n]
y[n] =
bk x[n-k]
k=0
(a)
x[n]
z-1
x[n-1]
z-1
x[n-2]
z-1
x[n-M]
b0
b1
M
b2
N k=1
bM y[n]
y[n] =
bk x[n-k] - ak y[n-k]
k=0
- aN
- a2
- a1
y[n-N]
z-1
y[n-2] (b)
z-1
y[n-1]
z-1
y[n]
Caract eristiques s electivit e ordre nombre dop erations m emoire n ecessaire temps de propagation constant (phase lin eaire) stabilit e nombre de bits n ecessaires pr ecision des coecients cycles limites ltres adaptatifs
Filtres FIR ou MA faible elev e elev e elev ee naturellement r ealisable absolue raisonnable raisonnable aucun possibles
Filtres IIR ou ARMA elev ee faible faible faible impossible au sens strict limit ee elev e elev ee pr esents diciles
Figure 7.15.: Sch emas fonctionnels et caract eristiques des ltres FIR et IIR
270
7.9. Exercices
7.9. Exercices
SNT 1 Consid erant les syst` emes num eriques suivants y1 [n] = x[n] + x[n 4] + x[n 8]
6
y2 [n] =
k=0
x[n k ]
6
y3 [n] = n
k=0
x[ n k ] avec y4 [2] = y4 [1] = 0
y4 [n] = x[n] + y4 [n 1] 0.5y4 [n 2]
dessinez leur sch ema fonctionnel ainsi que leurs r eponses impulsionnelle et indicielle. SNT 2 Consid erant le sch ema fonctionnel dun ltre num erique (gure SNT 2), crivez son 1. E equation aux di erences et sa r eponse impulsionnelle. 2. Dessinez les r eponses impulsionnelle et indicielle. 3. Ce ltre est-il r ecursif ? Quelle est son action ?
x[n] z-1 z-1 z-1 z-1 z-1
-5
-3
-2
Figure 7.16.: Ex. SNT 2
y[n]
crivez l SNT 3 E equation aux di erences dun moyenneur causal dordre 5 et dessinez sa r eponse y [n] au signal x[n] = [n] [n 10]. SNT 4 On souhaite r ealiser l equivalent num erique dun ltre analogique passebas dordre 1. Pour cela : 1. Consid erez l equation di erentielle du ltre analogique RC dy (t) + y (t) = x(t) dt
et remplacez la d eriv ee par une di erentielle nie pour obtenir l equation aux di erences du ltre num erique. 2. Utilisez vos r esultats et calculez les coecients du ltre num erique dont la fr equence de coupure se situe aux environs de 1kHz alors que le signal dentr ee est echantillonn e` a fe = 10 kHz. Dessinez son sch ema fonctionnel.
271
ponses des syst` 7. Re emes num eriques 3. Calculez les premiers points de sa r eponse indicielle et comparez ` a celle du ltre analogique. 4. Que valent en particulier y [0] et y [] ? Comparez ` a y (0) et y (). Justiez les di erences. Que se passe-t-il si on augmente la fr equence d echantillonnage ? SNT 5 On consid` ere deux ltres num eriques d ecrits par y [n] = x[n] + 1.2y [n 1] 0.4y [n 2] y [n] = x[n] x[n 1] + 1.2y [n 1] 0.4y [n 2] Que valent y [0] et y [] si x[n] = [n] ? Quelle est la fonction de chaque ltre ? SNT 6 Consid erant six syst` emes num eriques lin eaires d ecrits par leurs equations aux di erences : 1 2 3 4 5 6 y [n] = x[n] + 0.8 y [n 1] y [n] = x[n] 0.8 y [n 1] y [n] = x[n] + 1.2 y [n 1] y [n] = x[n] 1.2 y [n 1] y [n] = x[n] + 1 y [n 1] 0.8 y [n 2] y [n] = x[n] + 1.2 y [n 1] 0.32 y [n 2]
1. Calculez et dessinez leurs racines dans le plan complexe ; o` u se situent-elles par rapport au cercle unit e? 2. Calculez les instants caract eristiques Kc , Kp et Nosc pour chaque cas. 3. Donnez lexpression g en erale de leur r eponse transitoire et esquissez leur r eponse indicielle. SNT 7 Calculez la r eponse indicielle dun syst` eme num erique d ecrit par y [n] = x[n] + 1.6 y [n 1] 0.75 y [n 2] avec y [0] = y [1] = 0
En particulier, que valent y [0], y [], Ktrans et Nosc ? SNTZ 1 Calculez la transform ee en z de la suite suivante y [n] = {10, 8, 6, 4, 2, 0, 0, }, SNTZ 2 Consid erant un ltre num erique d ecrit par y [n] = x[n] + 1.7 y [n 1] 0.72 y [n 2] 1. Calculez sa fonction de transfert H (z ). 2. Calculez la dur ee du r egime transitoire et le nombre doscillations visibles. 3. Admettant x[n] = [n], esquissez y [n] apr` es avoir calcul e y [0] et y []. n0
272
7.9. Exercices SNTZ 3 R epondez aux questions de lexercice pr ec edent pour y [n] = x[n] + 1.2 y [n 1] 0.75 y [n 2] SNTZ 4 Consid erant la r eponse indicielle dun syst` eme d ecrit par H (z ) = z1 z 2 1.6 z + 0.81
calculez la dur ee du r egime transitoire et le nombre doscillations visibles ainsi que les valeurs y [0] et y []. Esquissez y [n]. SNTZ 5 Quelle est la fonction de transfert H (z ) dun ltre dont la r eponse impulsionnelle est d ecrite par h[n] = exp nTe sin (n 2f0 Te ) (n)
lorsque Te = 1 msec, = 10 msec, f0 = 100 Hz ? R ep. : h[n] = Rn sin(n0 ) H (z ) = 0.53 z 1.46 z + 0.82
z2
SNF 1 Consid erant un moyenneur pond er e d ecrit par l equation aux di erences suivante qui accorde plus dimportance aux valeurs r ecentes y [n] = 1 (3x[n] + 2x[n 1] + x[n 2]) 6
1. Dessinez son sch ema ainsi que ses r eponses impulsionnelles et indicielle. 2. Calculez sa r eponse fr equentielle H (j ). 3. Que valent |H (j )| et H (j ) si f = 0, fe /4, fe /2 ? 4. Esquissez |H (j )| et H (j ) pour < < + . SNF 2 Un ltre passe-bas dordre 1 est d ecrit par y [n] = x[n 1] + 0.9y [n 1] 1. Dessinez son sch ema fonctionnel. 2. Calculez sa r eponse fr equentielle H (j ). 3. Que valent |H (j )| et H (j ) lorsque f = 0, fe /4, fe /2 ? 4. Esquissez |H (j )| et H (j ) pour < < + .
273
ponses des syst` 7. Re emes num eriques SNF 3 Consid erant un ltre dordre 2 d ecrit par y [n] = R sin (0 ) x[n 1] + 2R cos (0 ) y [n 1] R2 y [n 2] avec R = 0.8 et 0 = /4. 1. Calculez sa r eponse fr equentielle H (j ). 2. Que valent |H (j )| et H (j ) si f = 0, fe /4, fe /2 ? 3. Esquissez |H (j )| et H (j ) pour < < + . Quel type de ltre est ainsi r ealis e?
SNF 4 Un ltre num erique biquadratique est d ecrit par l equation aux di erences suivante y [n] = a0 x[n] + a1 x[n 1] + a2 x[n 2] b1 y [n 1] b2 y [n 2] 1. Dessinez son sch ema fonctionnel. 2. Calculez sa r eponse fr equentielle H (j ). 3. Que valent |H (j )| et H (j ) si f = 0, fe /4, fe /2 ? 4. Quelles conditions faut-il satisfaire pour que le ltre soit : a) un ltre passe-bas de gain unit e? b) un ltre passe-haut de gain unit e?
SNF 5 On applique un signal sinuso dal permanent x(t) = 5 sin(2 1kHz t) ` a un ltre num erique d ecrit par y [n] = 0.1 x[n] + 0.9 y [n 1]. Sachant que fe = 10 kHz, que vaut le signal analogique y (t) obtenu apr` es conversion NA ?
SNF 6
Consid erant un moyenneur non causal centr e dordre 5 :
crivez son 1. E equation aux di erences et dessinez son sch ema fonctionnel. 2. Calculez sa r eponse fr equentielle H (j ) et ecrivez-la ` a laide de fonctions en cosinus seulement. 3. Que valent H (0) et H ( ) ? Y a-t-il des pulsations pour lesquelles H (j ) sannule ?
SNF 7 Calculez puis esquissez les r eponses indicielle y [n] et fr equentielle H (j ) dun ltre d ecrit par sa r eponse impulsionnelle h[n] = A {10, 8, 6, 4, 2, 0, 0, }, n 0, A=1
Que doit valoir A pour que le gain de ce ltre soit egal ` a 1?
274
7.9. Exercices SNF 8 Consid erant un ltre num erique d ecrit par y [n] = x[n] + 1.7 y [n 1] 0.72 y [n 2] 1. Calculez sa fonction de transfert H (z ) et sa r eponse fr equentielle H (j ). 2. Recherchez les valeurs num eriques de H (j ) lorsque f = 0, fe /4, fe /2. 3. Esquissez |H (j )|. SNF 9 R ep etez lexercice pr ec edent pour un ltre num erique d ecrit par y [n] = x[n] x[n 1] + 1.2 y [n 1] 0.72 y [n 2] SNF 10 Consid erant le sch ema fonctionnel du ltre num erique de lexercice SNT 2 pour lequel la r eponse impulsionnelle vaut h[n] = {+2, +3, +5, 5, 3, 2, 0, 0, }, n = 0, 1, 2, 3,
1. Calculez sa fonction de transfert H (z ) et sa r eponse fr equentielle H (j ). crivez cette derni` 2. E ere avec un phaseur et une somme de sinus. crivez le module et la phase de H (j ). Observez-alors que la phase est 3. E lin eaire ; expliquez a posteriori pourquoi cette phase doit etre lin eaire. 4. Esquissez le module et la phase de H (j ) apr` es avoir calcul e les valeurs particuli` eres pour f = 0, fe /4, fe /2, 3fe /4, fe .
275
Troisi` eme partie . Travaux pratiques
277
8. Analyse de signaux p eriodiques

Le but de ce travail pratique est dapprendre ` a g en erer et analyser des signaux dans les domaines temporels et fr equentiels. Pour ce faire, vous cr eerez des signaux p eriodiques tels que les suites dimpulsions rectangulaires (sir), triangulaires (sit), exponentielles (sie) et oscillantes amorties (sinam) pour les analyser ensuite.
1 x1(t) 0 1 5 4 x2(t) 2 0 5 2 x3(t) 1 0 5 2 x4(t) 0 2 5 1 x5(t) 0.5 0 0.5 5 0 5 10 temps [ms] 15 20 25
10
15
20
25
10
15
20
25
10
15
20
25
10
15
20
25
Figure 8.1.: Exemples de signaux
Commencez par lire la section 8.4 et observez ` a quel point il est simple de cr eer des signaux p eriodiques o` u, sauf pour la sit, deux lignes de code susent. Copiez dans votre r epertoire de travail les fonctions sir.m, sit.m, sie.m, sinam.m g en eratrices de quelques signaux utiles. Puis, dans la fen etre de commandes Matlab, tapez help sir.m ou autres pour voir comment on utilise ces fonctions.
279

8.1.1. Cr eation de quelques signaux
crivez un chier signaux_a.m dans lequel vous calculerez et tracerez les signaux E de la gure 8.1. Puis : 1. G en erez un vecteur temps constitu e de N = 1000 valeurs comprises entre tmin et tmax . 2. Pour chacun des signaux, d enissez les param` etres tdec , T0 , rc, , Tp ainsi que lamplitude A et le d ecalage en ordonn ee. 3. Calculez et tracez les cinq signaux. 4. Modiez les valeurs des param` etres ; est-ce que tout se passe bien ? est-il raisonnable de prendre des valeurs faibles pour N ?
8.1.2. Valeurs moyennes, puissance

Pour m emoire, on rappelle que la puissance dun signal peut etre calcul ee dans les domaines temporel ou fr equentiel (th eor` eme de Parseval) Px = 1 T
t0 +T +
x2 (t) dt =
t0 k
|X (jk )|2
(8.1)
et que la puissance totale dun signal est egale a ` la somme des puissances DC et AC
2 2 Px = Pdc + Pac = Xdc + Xac
(8.2)
On en d eduit alors que la puissance et la valeur ecace de la composante alternative valent 2 (8.3) Pac = Px Xdc , Xac = Pac Comme les signaux que lon traite avec Matlab sont des grandeurs analogiques num eris ees, il est important de d enir comment on calcule les valeurs associ ees aux signaux analogiques x(t) ou num eriques x[n] : la composante continue ou valeur moyenne du signal Xdc 1 = T
t0 +T
x(t) dt,
t0
1 Xdc = N
N 1
x[n]
n=0
(8.4)
la puissance normalis ee du signal 1 t0 +T 2 1 Px = x (t) dt, Px = x2 [n] (8.5) T t0 N n=0 An dobtenir les param` etres caract eristiques de vos signaux, ecrivez une fonction fournissant ces valeurs : function [Xdc, Xac, Px] = ParamSignal (xt); Quatre lignes de codes susent si vous employez les deux fonctions el ementaires, mais tr` es utiles, que sont sum et length.
N 1
280
8.2. Analyse spectrale
8.1.3. Analyse des r esultats

Pour chacun des signaux ci-dessus, 1. rappelez lexpression des valeurs th eoriques des param` etres Px , Pdc , Pac ; tirez-en Xef f , Xdc , Xac et calculez leur valeur avec Matlab ; 2. utilisez votre fonction ParamSignal.m pour calculez les valeurs mesur ees sur vos signaux ; 3. a esultats aux valeurs th eoriques et expli` laide dun tableau, comparez ces r quez les di erences eventuelles. Sinus Xdc th eor. Xdc mes. Xac th eor. Xac mes. Triangle Exponentielle Impulsion Sinus amorti
8.2. Analyse spectrale

Le travail qui est demand e dans cette section sinspire directement du chapitre consacr e ` a lanalyse spectrale num erique. Vous devez donc commencer par relire son contenu et vous attachez plus particuli` erement aux deux premiers exemples danalyse spectrale. Une fois cela fait, copiez dans votre r epertoire de travail le chier enreg_signaux.txt et cr eez un nouveau chier signaux_c.m dans lequel vous eectuerez les op erations et analyses suivantes. 1. Chargez le chier enregistr e et extrayez les informations utiles mesure = load(enreg_signaux.txt); tt = mesure(:,1); xt = mesure(:,2); N = length(xt); dt = tt(2) - tt(1); duree = N * dt; 2. Tracez et observez le signal x(t) ; a) que valent sa puissance et ses valeurs moyenne et ecace ? b) que valent la dur ee du signal et sa p eriode d echantillonnage ? c) que vaudront lincr ement fr equentiel et la fr equence maximum du spectre ? 3. Calculez le vecteur f [k ] des fr equences et le spectre X [jk ] du signal x(t)]. V eriez que la puissance calcul ee avec X [jk ] donne bien le m eme r esultat que celle calcul ee avec x(t)]. 4. Tracez (subplot(2,1,k)) les spectres damplitudes unitlat eraux Ak et Aw,k avec des axes satisfaisants ; observez et analysez ; a) pouvez-vous mettre en evidence des composantes spectrales ? b) que valent leurs fr equence, amplitude et phase ? c) quelle est lincertitude sur la valeur des fr equences ? d) commentez lallure du contenu spectral.
281
8. Analyse de signaux p eriodiques ` partir des composantes spectrales choisies comme signicatives, reconstrui5. A sez le signal original xo (t) et calculez sa valeur ecace ainsi que le rapport signal sur bruit (SNR) de lenregistrement propos e. Rappel : SN R = 10 log Pxo Ptot
8.3. Reconstruction dun signal

Comme on la vu dans lanalyse de Fourier, la reconstruction ou synth` ese dun signal se fait ` a partir de ses K composantes spectrales X (jk ) :
+K
x(K ) (t) =
k=K
X (jk ) exp (+j 2kf0 t)
(8.6)
En pr ealable ` a votre travail, rappelez ce que valent les spectres dune SIR et dune SIT puis ouvrez un chier signaux_b.m dans lequel vous cr eerez des signaux de p eriode T0 = 1 ms et dapproximation K = 5, 10, 20. Pour cela : 1. Construisez les trois signaux p eriodiques suivants pour une dur ee 5T0 : a) un signal triangulaire similaire a ` celui de la gure 8.1 ; b) une SIR centr ee caract eris ee par A = 5, t = 0.2 ms ; c) un signal carr e d emarant au anc montant et damplitude comprise entre -2.5 et +2.5. 2. Pour chacun des signaux tracez les trois approximations (subplot(3,1,k)) ; observez-les et concluez. 3. Pour chacun des trois signaux, calculez leur puissance dans les domaines temporel et fr equentiel. Comparez et expliquez les di erences.
8.4. Annexe
Voici les chers Matlab permettant de g en erer les signaux particuliers d enis en introduction. Vous noterez ` a quel point la fonction modulo est utile pour g en erer des signaux p eriodiques. Suites dimpulsions rectangulaires (sir.m)
function [x] = sir(temps, T0, rc); % sir(temps, T0, rc) % Calcul dune suite dimpulsions rectangulaires damplitude 1,dur ee 5T_{0} % de rapport cyclique rc demarrant lorsque temps = 0 % Parametres: % temps = variable temporelle
282
8.4. Annexe
% rc = rapport cyclique = 0.5 par defaut % Exemple dutilisation: % xt = amplitude * sir((temps+decalage),T0, rc); % valeurs par defaut if nargin == 2, rc = 0.5; end; tm = mod(temps,T0); % rampe comprise entre 0 et T0 x = tm/T0 < rc; % x = 1 ou 0
Suites dimpulsions triangulaires (sit.m)

function [x] = sit(temps, T0, rc); % sit(t, T0, rc) % Calcul dune suite dimpulsions % p eriode T0, de rapport cyclique % Parametres: % temps = variable % T0 = p eriode % rc = rapport cyclique = 0.5 par % Exemple dutilisation: % xt = amplitude * sit(temps, T0,
triangulaires damplitude 1, de rc demarrant lorsque temps = 0
defaut rc);
% verification des parametres dentree if nargin == 2, rc = 0.5; end; % valeur par defaut if (rc > 1)|(rc < 0) error(Le rapport cyclique doit etre compris entre 0 et 1); end; % creation du signal x = 0 x = zeros(size(temps)); tm = mod(temps,T0); % rampe comprise entre 0 et T0 % creation des triangles k1 = find(tm/T0 < rc/2); x(k1) = tm(k1)/T0; % rampe positive 0 ... rc/2 k2 = find((tm/T0 >= rc/2)&(tm/T0 < rc)); x(k2) = rc - tm(k2)/T0; % rampe negative rc/2 ... 0 % normalisation x = x/max(x);
Suites dimpulsions exponentielles amorties (sie.m)

function [x] = sie(temps, T0, tau); % sie(temps, T0, tau) % Calcul dune suite dimpulsions exponentielles damplitude 1, % de constante de temps tau demarrant lorsque temps = 0 % Parametres: % temps = variable temporelle % T0 = periode % tau = constante de temps % Exemple dutilisation:
283

% xt = amplitude * sie(temps+decal, T0, tau);
tm = mod(temps,T0); % rampe comprise entre 0 et T0 x = exp(-tm/tau);
Suite de sinuso des amorties (sinam.m)

function [y] = sinam(temps, T0, tau, Tp); % sinam(temps, T0, tau, Tp) % Calcul dune suite de sinusoides amorties de periode Tp, % damortissement tau se repetant avec la periodicite T0 % Utilisation: % yt = amplitude * sinam(temps+decal, T0, tau, Tp); tm = mod(temps,T0); % rampe comprise entre 0 et T0 y = exp(-tm/tau).*sin(2*pi*tm/Tp);
284
9. Signaux et syst` emes num eriques

9.1. Num erisation des signaux analogiques
Lorsquon analyse et/ou traite signaux par programmation (Matlab ou autres), ces signaux sont par d enition num eriques. Au sens strict, on ne peut donc plus parler de signaux analogiques. Cependant, on se permet de le faire si lincr ement temporel utilis e pour les d ecrire est beaucoup plus petit que le temps caract eristique minimum du signal. Dans tout ce qui suit, il est donc extr emement important de bien distinguer au niveau des variables entre les signaux analogiques num eris es xt ( equivalent de x(t)) et les signaux echantillonn es xn ( equivalent de x[n]) qui sont tous deux num eriques. Dans le premier cas, on choisira un nombre elev e de points de mani` ere ` a avoir un incr ement temporel dt tr` es petit alors que dans le deuxi` eme cas, lincr ement temporel Te sera x e par la fr equence d echantillonnage qui doit respecter le th eor` eme de Shannon ; g en eralement, le nombre de points sera beaucoup moins elev e que dans le premier cas. Une illustration en est donn ee dans la gure 9.1.
chantillonnage des signaux analogiques 9.2. E

9.2.1. Signal sinuso dal
Construisez un signal x(t) de p eriode T0 = 1 ms de dur ee tmax = 20 ms avec un incr ement temporel de 20 s. Tracez ce signal (plot(tt,xt)) dans une fen etre subplot chantillonnez ce signal avec les fr (5,1,1). E equences d echantillonnage fe valant 4kHz, 2kHz, 1.1kHz, 0.9kHz et tracez (plot(tn,xn)) les signaux x[n] dans les fen etres (5,1,k). Observez et concluez.
9.2.2. Signal audio

Dans cette section, vous allez cr eer un son pur echantillonn e ` a 8 kHz durant 1 ` seconde. A laide de la carte-son, vous ecouterez plusieurs sons dont les 9 fr equences sont comprises entre 800 Hz et 7200 Hz. Pour ce faire, cr eez une boucle for k1 = 1:9 dans laquelle vous g en erez les signaux sinuso daux de fr equence f0 = k1*800 et damplitude 1 ; tracez les graphes correspondants avec subplot(3,3,k1); plot(tn(1:80),xn(1:80)); ylabel(num2str(f0));
285
2 2
2 x 10
3
3
2 20
10
10
20
30
2 2
0 1 temps [s]
2 x 10
3
3
2 20
10
0 10 temps [t/Te]
20
30
% signal analogique num eris e tmin = -2e-3; tmax = +10e-3; Npts = 1000; dt = (tmax - tmin)/Npts; tt = tmin:dt:tmax-dt; A = 2; T0 = 1e-3; xt = A*sin(2*pi*tt/T0); subplot(2,2,1); plot(tt,xt); subplot(2,2,2); plot(tt,xt,.); xlabel(temps [s]);
% signal echantillonn e tmin = -2e-3; tmax = +10e-3; fe = 8000; Te = 1/fe; tn = tmin:Te:tmax-Te; A = 2; T0 = 1e-3; xn = A*sin(2*pi*tn/T0); subplot(2,2,3); plot(tn/Te,xn,.); subplot(2,2,4); plot(tn/Te,xn,tn/Te,xn,.); xlabel(temps [t/Te]);
Figure 9.1.: Exemple de signal num eris e ou echantillonn e
286
9.3. R eponse temporelle des syst` emes num eriques ecoutez le signal avec soundsc(xn,fe); pause(2); Connaissant la fr equence d echantillonnage et la dur ee du signal, calculez les fr equences fk du spectre num erique ; r ep etez les op erations ci-dessus en tra cant les spectres Xjk dans une nouvelle gure : Xjk = fft(xn)/Npts; subplot(3,3,k1); plot(fk,abs(Xjk)) ; ecoutez, observez et concluez.
9.2.3. Signal modul e en fr equence

Dans cette section vous g en ererez un signal dont la fr equence varie lin eairement au cours du temps (signal chirp). Apr` es avoir trac e le signal et son evolution spectrale, vous pourrez l ecouter et conclure ce point consacr e` a l echantillonnage des signaux. 1. Sachant quun signal chirp est d ecrit par x(t) = sin((t)) = sin 2 f1 t + calculez sa fr equence instantan ee f (t) = Consid erant que lon choisit 0 t tmax = 1 [sec] f1 = 100 [Hz] fe = 8 [kHz] = 8000 [Hz/sec] 1 1 d(t) (t) 2 2 dt 2 t 2
2. 3. 4.
5.
calculez les fr equences fmin , fmax . A quel instant t, la fr equence vaudra-t-elle 4 kHz ? Tracez ` a la main l evolution de la fr equence f (t) ; imaginez lallure du signal x(t). Que se passera-t-il danormal ` a l ecoute de ce signal ? Calculez le signal x[n] ; tracez-le avec la fonction large_plot.m (voir en annexe). Dans une nouvelle gure, tracez son spectrogramme specgram(xn,Nfft,fe), avec le code des couleurs colorbar et Nfft valant 128 ou 256. Quest-ce qui change avec 128 et 256 ? coutez le signal et concluez. E
9.3. R eponse temporelle des syst` emes num eriques

9.3.1. Produit de convolution
On a vu que la r eponse temporelle dun syst` eme lin eaire causal peut se calculer avec le produit de convolution suivant
min(n,N 1)
y [n] =
k=0
h[k ] x[n k ],
n = 0, 1, 2, 3,
287
9. Signaux et syst` emes num eriques La fonction conv existe bien entendu dans Matlab. Cependant, an de bien comprendre lalgorithme de convolution, vous cr eerez votre propre fonction [yn] = myconv(hn,xn). Pour cela : 1. Calculez ` a la main la convolution entre xn = [1,2,3,4] et hn = [5,6] ; quelle est la longueur du r esultat yn ? 2. Quest ce qui change si on augmente la longueur de xn avec des 0 (par exemple, xn = [1,2,3,4,0,0]) ? crivez un chier myconv.m dont la premi` 3. E ere ligne sera function [yn] = myconv(hn,xn); crivez la double 4. D enissez les longueurs des signaux dont vous aurez besoin. E boucle for vous permettant de calculer yn(n). 5. Testez votre fonction avec les signaux d enis au point 1.
9.3.2. R eponses impulsionnelles et temporelles

On d esire d ecouvrir le comportement de syst` emes d ecrits par les r eponses impulsionnelles suivantes : h1n h2n h3n h4n h5n h6n = = = = = = [1 1 1 [5 4 3 [1 2 3 [1 2 3 0.7^n; [3.27, 1 1]; 2 1]; 4 5 4 3 2 1]; 4 5 -5 -4 -3 -2 -1]; % n = 0...10; -0.7^n]; % n = 0...10;
Pour ce faire : 1. Tracez ces r eponses impulsionnelles avec subplot(3,2,k); plot(hkn,.) ; observez et commentez. 2. Dans une nouvelle gure, calculez et tracez leur r eponse yn = conv(xn,hnk) a un signal carr e xn = [0,ones(1,20),zeros(1,20)]. ` 3. Observez et analysez ces r eponses ; ` a quels types de ltres a-t-on aaire ? 4. Quelles sont les longueurs de xn et yn ? Justiez leur valeur. 5. Que faut-il faire pour que le gain des ltres passe-bas soit egal ` a 1?
quations aux di 9.3.3. E erences

Un ltre ou syst` eme num erique dordre 2 est d ecrit de mani` ere g en erale par une equation aux di erences telle que y [n] + a1 y [n 1] + a2 y [n 2] = b0 x[n] + b1 x[n 1] + b2 x[n 2] ou par sa fonction de transfert H (z ) b0 + b1 z 1 + b2 z 2 Y (z ) = X (z ) 1 + a1 z 1 + a2 z 2
288
9.4. R eponse fr equentielle des syst` emes num eriques crivez une fonction [yn] = filtre_ed2(b,a,xn) vous permettant de calcu1. E ler la r eponse temporelle dun ltre d ecrit par les vecteurs a et b de longueur 2. 2. Consid erant un ltre d ecrit par a = [1,-1.4,+0.45] et b = [1,2,1], calculez ses p oles et ses z eros. 3. Quel sera le comportement transitoire du syst` eme ? Que faut-il faire pour que le gain du ltre soit egal ` a 1? 4. Calculez et tracez sa r eponse ` a xn = [0, ones(1,50)]. 5. Observez et commentez ; de quel type de ltre sagit-il ? 6. R ep etez les points 2 ` a 5 lorsque a) a = [1,-1.4,+0.7] et b = [1,2,1]; b) a = [1,-1.4,+0.9] et b = [1,-2,1]; c) a = [1,-1.4,+0.45] et b = [1,-2,1]; d) a = [1,-1.4,+0.7] et b = [1,-2,1]; e) a = [1,-0.7,0] et b = [1,0,0]; 7. Comparez vos r esultats avec ceux fournis par la fonction filter(b,a,x) de Matlab.
9.4. R eponse fr equentielle des syst` emes num eriques

Connaissant la fonction de transfert dun syst` eme num erique H (z ) b0 + b1 z 1 + b2 z 2 Y (z ) = X (z ) 1 + a1 z 1 + a2 z 2
on peut facilement calculer sa r eponse fr equentielle en rempla cant lop erateur de 1 retard z par sa transform ee de Fourier exp(j ) o` u est la pulsation normalis ee 2f Te = 2 On obtient alors H (j ) Y (j ) b0 + b1 ej + b2 ej 2 = X (j ) 1 + a1 ej + a2 ej 2 f fe +
crivez une fonction [H] = myfreqz(b,a,W) permettant de calculer la r 1. E eponse fr equentielle dun syst` eme num erique dordre 2. 2. Calculez et tracez les modules et phases des r eponses fr equentielles des ltres num eriques etudi es plus haut. 3. Comparez vos r esultats ` a ceux fournis par la fonction freqz(b,a,W) de Matlab.
289
9.5. Annexe
Voici le code du chier large plot.m qui permet de tracer des enregistrements de longue dur ee. function [] = large_plot(x,y); % [] = large_plot(x,y); % plot a graph on 10 sub-graphs Npts = length(x); Ndiv = 10; Npdiv = round(Npts/Ndiv); min_y = min(y); max_y = max(y); for kk = 1:Ndiv deb = 1+Npdiv*(kk-1); fin = deb+Npdiv-1; subplot(Ndiv,1,kk); plot(x(deb:fin),y(deb:fin)); axis([x(deb),x(fin),min_y,max_y]); end;
290
10. Synth` ese et r ealisation dun ltre num erique

10.1. Introduction
Une cellule biquadratique est d ecrite par la fonction de transfert g en erale H (z ) b0 + b1 z 1 + b2 z 2 Y (z ) = X (z ) 1 + a1 z 1 + a2 z 2
Celle-ci permet, suivant les valeurs des coecients bm et am , de r ealiser les ltres de base passe-bas, passe-haut, passe-bande et coupe-bande. Par transformation inverse de cette fonction de transfert, on obtient l equation aux di erences y [n] = b0 x[n] + b1 x[n 1] + b2 x[n 2] a1 y [n 1] a2 y [n 2] On voit ainsi que tous ces ltres peuvent etre r ealis es ` a laide dune seule fonction a laquelle on transmet les coecients correspondants au ltre souhait e ` function [yn] = equ_diff_num2(bm, am, xn); On demande : 1. Calculez les gains Adc et AfN de la cellule biquadratique sachant que fN = fe /2. 2. Quelles sont les conditions pour r ealiser a) un ltre passe-bas tel que Adc = 1 et AfN = 0 ? b) un ltre passe-haut tel que Adc = 0 et AfN = 1 ? c) un ltre passe-bande tel que Adc = 0 et AfN = 0 ?
10.2. Synth` ese

La synth` ese dun ltre num erique consiste en la recherche dune fonction de transfert H (z ) satisfaisant ` a un cahier des charges donn e. Dans le cadre de ce TP, on souhaite r ealiser un ltre passe-bande dordre 2 de fr equence centrale f0 = 100 Hz alors que la fr equence d echantillonnage vaut fe = 2 kHz. An dassurer la stabilit e et la s electivit e du ltre, on placera ses p oles sur
291
10. Synth` ese et r ealisation dun ltre num erique un cercle de rayon r = 0.98. Puis on ajustera son gain A0 de mani` ere ` a ce que |H (jf0 )| = 1. Sachant que z et f sont reli es entre eux par z = esTe = e
j 2f Te
montrez que les correspondances suivantes sont vraies f z tant donn E e le cahier des charges : 1. Que doivent valoir H (f = 0) et H (f = fe /2) ? 2. Dessinez la position des po eros de ce ltre dans le plan complexe. les et z Tirez-en les valeurs de z1,2 et p1,2 sachant que la fonction de transfert du ltre dordre 2 s ecrit (z z1 ) (z z2 ) H (z ) = A0 ( z p1 ) ( z p2 ) 3. Calculez le gain A0 de mani` ere ` a ce que |H (jf0 )| = 1. crivez la fonction de transfert sous la forme dun rapport de deux trino 4. E mes. 0 +1 f0 e
j/10
fe /2 1
10.3. Analyse
Analyse fr equentielle 1. Calculez puis tracez la r eponse fr equentielle du ltre entre 0 et f2 /2. 2. Que valent les fr equences de coupure inf erieure fi et sup erieure fs ? Sa bande passante ? 3. Quelles seront les amplitudes et les phases du signal de sortie aux fr equences 50Hz, 100Hz et 150Hz ? Analyse temporelle 1. Recherchez les instants caract eristiques de ce ltre. 2. Connaissant la p eriode d echantillonnage Te , calculez la dur ee de son r egime transitoire. crivez la fonction de transfert avec lop 3. E erateur de retard z 1 . Tirez-en l equation aux di erences du ltre. 4. Calculez sa r eponse indicielle puis tracez-la avec plot(nn*Te, yn, .-). Mesurez la dur ee du r egime transitoire et sa p eriode doscillation.
292
10.4. R ealisation
10.4. R ealisation
La r ealisation dun ltre avec Matlab consiste ` a simuler le comportement de celui-ci en admettant que le signal dentr ee x[n] provient dun convertisseur AN. Connaissant cette suite de valeurs x[n], on peut la faire passer par le processeur num erique sachant que celui-ci est repr esent e par l equation aux di erences. Pour ce faire, on demande : 1. Calculez la suite x[n] sachant que le signal dentr ee x(t) est une sinuso de sin (2f t) de fr equence f = 50 Hz durant 150 msec. 2. Connaissant l equation aux di erences, calculez la r eponse y [n] du ltre. 3. Tracez cette r eponse avec plot(nn*Te, yn, .-). 4. Observez la partie transitoire de cette r eponse ; mesurez sa p eriode et son amplitude en r egime permanent. 5. Commentez vos observations en prenant en compte les r esultats de lanalyse. R ep etez les points ci-dessus pour les fr equences f = 100 Hz et f = 150 Hz.
293
11. Analyse et r ealisation dun phonocardiogramme

11.1. Introduction
On sint eresse ici ` a la mesure automatique des pulsations cardiaques ` a laide de moyens simples : un st ethoscope muni dune capsule microphonique et la carte-audio dun PC permettant denregistrer le son caract eristique des battements cardiaques. On sait que loreille humaine nentend pas les sons inf erieurs ` a 20Hz. Or, nous sommes capables d ecouter le coeur battre ` a une p eriode denviron une seconde, ou a une fr equence denviron un Hz. Cela est possible car le signal est rendu audible ` par un soue (un bruit) basse-fr equence situ e aux environs de 100 Hz dont lamplitude varie en fonction des pulsations cardiaques. Dun point de vue technique, on a aaire ` a une modulation damplitude. Comme le rythme cardiaque est p eriodique, on peut esp erer, gr ace ` a lautocorr elation, eliminer le bruit environnant et faire appara tre clairement la p eriode du rythme cardiaque. Cependant, ` a cause des perturbations li ees ` a la mesure, les choses ne sont pas aussi simples et, tr` es vite, on se rend compte quil vaut mieux travailler avec lenveloppe du signal car cest elle qui contient linformation utile et pas le signal lui-m eme. Ainsi, avant de se lancer sur un chemin peu balis e, il vaut mieux commencer par sinterroger sur le but ` a atteindre et eliminer ce qui est inutile en se posant les questions suivantes : dans quels domaines temporel et spectral se situe linformation recherch ee ? doit-on consid erer les fortes amplitudes ? dans quelle zone temporelle se situent les pulsations cardiaques ordinaires ?
11.2. Mise en oeuvre

En ecoutant les pulsations cardiaques ` a laide dun st ethoscope, on remarque que linformation (le rythme cardiaque) se situe aux environs du Hz et quon lentend gr ace ` a un bruit BF situ e vers la centaine de Hz. Il est donc inutile de conserver des fr equences sup erieures ` a 500Hz ; de m eme, en eliminant les fr equences inf erieures ` a 60Hz, on supprime les perturbations caus ees par le r eseau electrique. Lobservation du signal temporel montre que celui-ci est marqu e par de forts pics damplitudes qui ne semblent pas reli es directement au rythme cardiaque. Si lon admet que la distribution du bruit est gaussienne, on sait que la probabilit e davoir
295
11. Analyse et r ealisation dun phonocardiogramme des amplitudes sup erieures ` a 3 est quasiment nulle et que de telles amplitudes ne sont pas signicatives. On peut ainsi envisager rechercher la fr equence cardiaque en suivant la d emarche suivante : 1. acquisition dun signal x0 (t) ` a laide de la carte son dun PC (fe = 8 kHz) et sauvegarde dans un chier *.wav ; 2. cr eation dun chier Matlab avec lequel on tracera et traitera le signal acquis x0 (t) ; 3. elimination des fr equences inint eressantes par ltrage passe-bande du signal entre 60 et 500 Hz xf (t) ; 4. limitation des amplitudes du signal ` a 3 o` u est l ecart-type ou valeur ecace du signal ltr e xlim (t) ; 5. recherche de lenveloppe du signal ; celle-ci sobtient de mani` ere similaire ` a la d emodulation damplitude par le redressement du signal et son ltrage passebas xenv (t) ; 6. autocorr elation de lenveloppe rxx ( ) ; 7. recherche du maximum de rxx ( ) situ e dans le domaine des pulsations cardiaques ordinaires ; pour des pulsations comprises entre 50 et 200 puls/min, le premier pic se trouvera entre 1.2 et 0.3 secondes. La gure 11.1 illustre les r esultats obtenus en parcourant ces di erentes etapes ; on obtient ainsi le rythme cardiaque avec un taux de r eussite raisonnable.
11.3. Travail ` a eectuer

1. Avant le TP, enregistrez votre propre pouls ` a la fr equence d echantillonnage fe = 8 kHz pendant environ dix secondes ` a laide dun st ethoscope muni dune capsule microphonique. 2. Puis, editez un chier Matlab en vous inspirant de celui pr esent e ci-dessous. 3. Avancez progressivement dans votre programme en vous arr etant ` a chaque e tape de mani` e re a pouvoir observer et analyser le r e sultat de chaque action. ` 4. Modiez des param` etres pour voir et comprendre leur eet. 5. Nh esitez pas ` a ouvrir dautres voies que celle propos ee ; soyez imaginatif et cr eatif. 6. Sur internet, recherchez le fonctionnement de la d etection denveloppe. Puis commentez sa mise en application dans le programme ci-dessous.
11.4. Fichier Matlab

% mesure du rythme cardiaque clear all; close all; clc;
296
11.4. Fichier Matlab
Figure 11.1.: Analyse dun signal phonocardiographique
format compact; % %% lecture du signal fichier = mon_stetho.wav; [xt0,fs,bits] = wavread(fichier); % %% initialisation T_anl = 5; % dur ee danalyse xt0 = xt0(1:round(T_anl*fs)); xt0 = xt0 - mean(xt0); dt = 1/fs; duree = length(xt0)*dt; tt = 0:dt:duree-dt; % %% observation du signal et de son spectre figure; subplot(2,2,1); plot(tt, xt0); ............. subplot(2,2,5); spectrogram(xt0,hamming(256),220,512,fs,yaxis); ............. return
297
11. Analyse et r ealisation dun phonocardiogramme % %% filtrage passe-bande fc = [60, 500]; % fr equences de coupure du filtre Wn = fc/(fs/2); % pulsation normalis ee [b,a] = butter(6, Wn); % filtre de Butterworth dordre 6 xt = filter(b,a,xt0); subplot(2,2,3); plot(tt, xt); ............. return % %% limitation de lamplitude a ` 3*sigma Xac = sqrt(var(xt)); A_lim = 3*Xac; xtl = xt; kf = find(abs(xtl) > A_lim ); xtl(kf) = A_lim*sign(xt(kf)); subplot(2,2,2); plot(tt, xtl); ............. return % %% enveloppe xte = xtl.^2; % redressement quadratique xte = A_lim*xte/max(abs(xte)); tau = 10e-3; p1 = exp(-1/fs/tau); % FPB dordre 1 xte = filter([1-p1,0], [1, -p1], xte); xte = filter([1-p1,0], [1, -p1], xte); subplot(2,2,4); plot(tt, xte); ............. return % %% correlation de lenveloppe long_corr = T_anl*fs; % n secondes [rxx, kx] = xcorr(xte-mean(xte), long_corr); rxx = (rxx/max(rxx)); k0 = max(find(kx<=0)); rxx = rxx(k0:end); % on ne garde que rxx(tau>=0) t_rx = (0:length(rxx)-1)/fs; subplot(2,2,6); plot(t_rx, rxx); ............. return % %% recherche de la valeur du RC
298
11.4. Fichier Matlab ...............
299
Quatri` eme partie . Annexes
301
12. Formulaire Signaux et syst` emes

12.1. Syst` emes analogiques
Produit de convolution pour des syst` emes causaux
t t
y (t) =
0
h() x(t ) d =
0
x() h(t ) d
Transformation de Laplace (t) cos(t) 1 s s2 s + 2 exp(at) sin(t) 1 s+a + 2
s2
x(t 0) = s X (s)|s Formes canoniques de Bode et de Laplace 1+ s + 1 s 1 1+
x(t ) = s X (s)|s0
1 s + Q0 n
s n
2 s2 + 2n s + n
1 2 Q0
Stabilit e et instants caract eristiques stabilit e = Re (pk ) < 0 5 , Nosc = ttrans Tp Im (pk ) Re (pk ) 1 2 , Tp = , ttrans |Re (pk )| |Im (pk )|
R eponse indicielle dun syst` eme dordre 2 Y (s) = X (s) G(s) = D ( s ) = 0 p 1 ,2

2 1 n 2 s s2 + 2n s + n 1 = n jn 1 2 jp 1 t5% 3 et opt = 2
si < 1
303
12. Formulaire Signaux et syst` emes Syst` emes contre-r eactionn es Gbf (s) Gw (s) Y (s) G(s) = W (s) 1 + G(s)H (s)
12.2. Signaux analogiques

Valeurs ecaces des signaux carr es, sinuso daux et triangulaires damplitude A A Xcar, ef f = A = , 1 A Xsin, ef f = , 2 A Xtri, ef f = , 3 avec Xdc = 0
Signaux p eriodiques d evelopp es en s eries de Fourier

+
x(t) =
k=
X (jk ) exp (+j 2kf0 t) avec X (jk ) =
1 T
t0 +T
x(t) exp (j 2kf0 t) dt

t0
X (j 0) A0 = Ak = 2 |X (jk )| x(t) = A0 + Ak cos (2kf0 t + k ) avec k=1 k = X (jk )
SIR centr ee damplitude A, de p eriode T et de largeur t X (jk ) = A t sin (k f0 t) t =A sinc (k f0 t) T k f0 t T
SIT centr ee damplitude A, de p eriode T et de largeur 2t t T sin (k f0 t) k f0 t

2
X (jk ) = A
=A
t sinc2 (k f0 t) T
SIE damplitude A, de p eriode T et de constante de temps X (jk ) = A + j 2kf0 T ) 1 exp ( T T (1 + j 2kf0 ) A 1 T 1 + j 2k f0 si T
304
12.3. Echantillonnage des signaux Quelques propri et es des s eries de Fourier puissance : 1 P T
t0 +T +
x (t) dt =
t0
|X (jk )|2 = Pdc + Pac
2 2 P Xef f = A0 +
1 2
2 2 A2 k = Xdc + Xac k=1
d ecalage : modulation : rotation Oy :
y (t) = x (t + td )
Y (jk ) = exp (+j 2kf0 td ) X (jk ) X (jk ) = M (j (kf0 fp ))
x(t) = exp (j 2fp t) m(t) y (t) = x(t)
Y (jk ) = X (jk )
Signaux non p eriodiques (transformation de Fourier)

+ +
x(t) =
X (jf ) =
x(t) exp(j 2f t) dt
convolution : energie : valeurs ` a lorigine :
x(t) h(t) H (jf ) X (jf ),

+ +
h(t) x(t) H (jf ) X (jf ) V2 sec ou V2 /Hz

+
W =
x2 (t) dt =
+
|X (jf )|2 df
x(t = 0) =
X (jf ) df,
X (f = 0) =
x(t) dt
Impulsion rectangulaire damplitude A et de largeur t x(t) = A rect t t X (jf ) = At sin (f t) = At sinc (f t) f t
Filtre passe-bas id eal : H (jf ) = 1 H (jf ) = rect f 2f
si f < f < +f sin (2 f t) = 2f sinc (2f t) 2 f t
h(t) = 2f
chantillonnage des signaux 12.3. E

Signaux echantillonn es xe (t) = x(t) Te (t) Xe (jf ) = X (jf ) D(jf ) = 1 Te
+
X (j (f m fe ))
m=
305
12. Formulaire Signaux et syst` emes recouvrement spectral : th eor` eme de Shannon : fapp = |m fe f | < fe > 2 fmax , fe , 2 m>1 (3 5) fmax
pratiquement : fe
ltre anti-recouvrement (le plus souvent de type Butterworth dordre m = 8) : 1 1+

f fc 2m
H (f ) =
Bruit de quantication dun convertisseur n bits Umax CAN = n1 , n 2 2 Q Qef f = , 12 Xef f Qef f
Q=
SN R
non lin earit e = perte du bit LSB (de moindre poids)
SN Rmax [dB] 6 nbits 6
(y compris la perte du bit LSB)
12.4. Signaux et syst` emes num eriques

Transformation en z (syst` emes causaux)
+
X (z ) =
n=0
x[ n ] z n ,
z = d ecalage avant
Y (z ) = H (z ) X (z )
N 1
y [n] = h[n] x[n] =

k=0
h[k ] x[n k ]
0n<
y [n = 0] = Y (z )|z ,
y [n ] = (z 1) Y (z )|z=1
306
12.4. Signaux et syst` emes num eriques x[n] n 0 [n] [n] n n cos(n 0 ) sin(n 0 ) n cos(n 0 ) n sin(n 0 ) X (z ) 1
z z 1 z (z 1)2 z z z 2 cos 0 z z 2 2 cos 0 z +1 sin 0 z z 2 2 cos 0 z +1 z 2 cos 0 z z 2 2 cos 0 z +2 sin 0 z z 2 2 cos 0 z +2
x(t) t 0 (t) (t) t exp(a t) cos(0 t) sin(0 t) exp(a t) cos(0 t) exp(a t) sin(0 t)
X (s) 1
1 s 1 s2 1 s+ a s 2 s2 +0 0 2 s2 +0 s 2 (s+a)2 +0 0 2 (s+a)2 +0
Produit de convolution (syst` emes causaux RIF de longueur N)

N 1 N 1
y [n] =
k=0
x[k ] h[n k ] =
k=0
h[k ] x[n k ]
0n<
H (z )
Y (z ) = h[0] + h[1] z 1 + h[2] z 2 + X (z )
quations aux di E erences (syst` emes causaux RII dordre N) y [n] + a1 y [n 1] + a2 y [n 2] + = b0 x[n] + b1 x[n 1] + b2 x[n 2] +
H (z )
Y (z ) b0 + b1 z 1 + b2 z 2 + b0 z N + b1 z N 1 + b2 z N 2 + = = X (z ) 1 + a1 z 1 + a2 z 2 + z N + a1 z N 1 + a2 z N 2 +
Sch ema fonctionnel (ordre 2)
307
12. Formulaire Signaux et syst` emes

(partie non rcursive) x[n] z-1 x[n-1] z-1 x[n-2]
b0
b1
b2 y[n]
- a2 - a1
y[n-2]
z-1
y[n-1]
z-1
(partie rcursive)
Stabilit e et instants caract eristiques (ordre 2) p oles de H (z ) D(z ) = z 2 + a1 z + a2 = 0 do` u p1,2 = a jb = R exp(j ) b avec R = a2 + b2 , = atan a stabilit e | pk | = R < 1 1 |ln(R)| 2 Ktr 5 Kc = 5 |ln(R)|
Kc =
Kp =
Nosc =
Ktr 5 = Kp 2 |ln(R)|
Fonctions de transfert et r eponses fr equentielles (ordre 2) H (j ) = H (z )|z=e+j = b0 e+j 2 + b1 e+j + b2 b0 + b1 ej + b2 ej 2 = 1 + a1 ej + a2 ej 2 e+j 2 + a1 ej + a2
b0 + b1 + b2 1 + a1 + a2 fe fe b0 + j b1 + b2 f= = z = +j H f = = 4 2 4 1 + j a1 + a2 fe fe b0 b1 + b2 f= = z = 1 H f = = 2 2 1 a1 + a2 f = 0 = 0 z = +1 H (f = 0) =
308
Domaine analogique
Interface et discrtisation
Domaine numrique
x(t) Te
0 1 2
x[n]
XD[jk]
TFD
t x(t)
A
x[n]
0 1 2
|X(jf)| RAM f t = Te = t t = nTe T N-1 t 0 n-1 f f = k f 0 k-1 f = k N-1 fe f

N-1
N
N-1
N-1
F
T 1 = N fe x[ n] =
N-1
1 N
k= 0
XD[ jk] exp +j 2 kn N
)
TFD
12.5. Analyse spectrale num erique
x(t ) = n
X(jf) exp ( +j 2 f t) df
12.5. Analyse spectrale num erique
Figure 12.1.: Analyse spectrale num erique

XD[ jk] = fe 1 1 = = T NTe N
avec XSF( j k) =
X(j f) =
x(t) exp ( -j 2 f t) dt
kn x[n] exp (- j 2 N ) n= 0 XD[ jk] N
309

Tds Udm Nov2011c

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tds Udm Nov2011c

Transféré par

Droits d'auteur :

Formats disponibles

Haute Ecole d'Ingnierie et de Gestion du Canton de Vaud

Traitement des Signaux

Prof. Freddy Mudry

Informations concernant le cours de

Traitements des Signaux

Quelques adresses Internet

Table des mati` eres

Table des mati` eres

tude des signaux et syst` II. E emes num eriques

Table des mati` eres

III. Travaux pratiques

Premi` ere partie . tude des signaux analogiques E

1. Analyse des signaux p eriodiques

1.2. Deux repr esentations pour un seul signal

1.3. S eries de Fourier

1.3.1. D enition de la s erie de Fourier

x(t) cos(2kf0 t)dt,

x(t) sin(2kf0 t)dt,

1.3. S eries de Fourier

Figure 1.1.: Descriptions temporelle et fr equentielle dune sinuso de

1. Analyse des signaux p eriodiques

450 f -450 -900 Cosinusode d'amplitude A/2 et de phase -450

-450 -900 Cosinusode d'amplitude A et de phase -900

-450 -900 Signal priodique non-sinusodal

1.3. S eries de Fourier

Figure 1.3.: Construction dun signal p eriodique non-sinuso dal

1.3.2. S erie de Fourier en cosinus

on voit que le d eveloppement en s erie de Fourier peut egalement s ecrire

1. Analyse des signaux p eriodiques

0.5 x(t) et xc(t) xk(t) 0 0.5 temps 1 1.5

0.7 0.6 0.5 Ak k 0 2 4 6 8 frequence [f / f0] 10 0.4 0.3 0.2 0.1 0

Figure 1.4.: Onde en dents de scie, composantes et spectres damplitudes et de phases

1.3.3. S erie de Fourier complexe

X (jk ) exp(+j 2kf0 t)

Les coecients X (jk ) sont alors complexes et valent X (jk ) = 1 T

x(t) exp(j 2kf0 t)dt

1.4. Th eor` eme de la puissance ou de Parseval

1.3.4. Relations entre les trois repr esentations de Fourier

1.4. Th eor` eme de la puissance ou de Parseval

1 (2 |X (jk )|)2 = |X (jk )|2 2 k=

2|X (jk )| Im{X (+jk )} Re{X (+jk )}

(ak jbk ) (ak + jbk )

-bk/2 X(+jk) C +k k +ak/2 X(-jk) +bk/2 +ak

1.5. Spectres damplitudes et de phases 1 P = T

2 2 2 P Xef f = Xdc + Xac

1.5. Spectres damplitudes et de phases

1. Analyse des signaux p eriodiques

Signaux 1 0.6 0.4 0.5 0.2 0 1 1 0 1 0 5

Spectres bilatraux 0.6 0.4 0.2 0 0 5 5

0.6 0.4 0.2 0 5 0 5 5 0 5

0.6 0.4 0.2 0 5 0 frquence 5 5 0 frquence 5

0.5 0.2 0 1 0 temps 1 0

Signaux carr e: dents-de-scie : sinus redress e:

si k est impair, 0 sinon < k < + < k < +

1.5. Spectres damplitudes et de phases

1.5.2. Coecients spectraux et sym etries des signaux

Figure 1.7.: Exemple dune fonction ` a sym etrie demi-onde

1.5.3. Exemple de repr esentations spectrales dun signal

P = Pdc + Pac = 19 V2 ef f Xdc = A0 = 3 Vdc

19 = 4.36 Vef f 10 = 3.16 Vac

1.5. Spectres damplitudes et de phases

Signal temporel 10 5 x(t) 0 5 0

Spectres unilatraux 4 2 0 2 0 k f0 2 |X(jk)| A

1 /X(jk) / 2 0 k f0 2 0.5 k / 0 0.5 1