Cours TS UE STI 2012 2013 Distribue

Traitement du Signal
Gerard Scorletti
To cite this version:
Gerard Scorletti. Traitement du Signal. Ecole

dingenieur. STI tc2 Traitement du Signal, Ecole
Centrale de Lyon, 2013, pp.193. <cel-00673929v2>
HAL Id: cel-00673929

https://cel.archives-ouvertes.fr/cel-00673929v2
Submitted on 16 Aug 2012 (v2), last revised 19 Jan 2013 (v3)
HAL is a multi-disciplinary open access

archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
Larchive ouverte pluridisciplinaire HAL, est

destinee au depot et à la diffusion de documents
scientifiques de niveau recherche, publies ou non,
emanant des etablissements denseignement et de
recherche francais ou etrangers, des laboratoires
publics ou prives.
Departement Electronique Electrotechnique Automatique

Equipe Automatique Traitement du Signal
Tronc Commun - UE STI
Cours STI tc2 Traitement du signal
2012-2013
Unite dEnseignement
Science et Technologie de lInformation
Traitement du signal
Version de lannee 2012-2013
Gerard Scorletti
Departement EEA, bat H9
e-mail : gerard.scorletti@ec-lyon.fr
SIGNAL, n. m. (v. 1220) secrit aussi seignal au XIIIe s. (v. 1265) ; le mot, qui correspond a`
lancien provencal sennal (1174), est un emprunt au bas latin signale signe , neutre substantive du bas latin signalis qui sert de signe , derive du latin classique signum ( signe).
Le mot apparat en francais avec des sens particuliers : quillon dune epee , sceau avec
lequel on signe un acte (v. 1260, seignau ), et cest aussi le nom dune constellation (v. 1265).
Il signifie aussi ce dont un proprietaire marque un animal , marque sur la peau (v. 1298),
gros grain de chapelet (1328), etc. Dans tous ces emplois, signal designe des signes naturels ou conventionnels qui constituent ou donnent des informations ; aujourdhui, dans lusage
courant, signal correspond a` un signe de nature conventionnelle, meme si pour les theoriciens,
le signal peut e tre forme par un signe naturel. Le mot designe en particulier (1540) un signe
convenu fait pour indiquer le moment dagir, doù la locution donner le signal (1798). Il sest
dit (1690) dun moyen utilise pour porter au loin une information ; il designe (1718) le fait
par lequel un processus commence et qui constitue un signe, un symptome de ce processus aujourdhui (XXe s.) surtout dans les emplois didactiques, par exemple en psychanalyse, signal
dangoisse.
Avec la valeur signe conventionnel , il semploie pour bouee flottante (qui marque la
place des filets) (1769), en marine dans Code international des signaux (1868), couramment
ceux qui règlent la circulation (1875, dans les chemins de fer), puis dans les telecommunications
(1933), en informatique (v. 1970). Cest un concept essentiel, a` linterieur de la notion theorique
large de signal , concernant tous les canaux de communication (signaux visuels, acoustiques,
olfactifs, surtout en e thiologie, chimiques ).
Le ROBERT, Dictionnaire Historique de la Langue Franc
aise, sous
la direction dAlain Rey, page 3504, Janvier 1999
Table des matières

1
Introduction
1.1 Le signal au service de letre humain . . . . . . . . . . .
1.2 Limportance du signal dans nos societes contemporaines
1.3 Les signaux utiles . . . . . . . . . . . . . . . . . . . . .
1.4 Plan du cours . . . . . . . . . . . . . . . . . . . . . . .
1.5 Où trouver linformation ? . . . . . . . . . . . . . . . .
1.6 Remarques sur lutilisation de ce document . . . . . . .
1.7 Remerciements . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
9
10
10
12
12
12
13
Modeliser et caracteriser un signal : Analyse en temps et en frequence

15
2.1 Introduction a` la notion de frequence . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Signaux modelises par des fonctions definies sur un intervalle T2 , T2 : series de Fourier 17
2.3 Signaux modelises par des fonctions periodiques : series de Fourier . . . . . . . 21
2.4 Signaux modelises pour des fonctions non periodiques : Transformee de Fourier . 25
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 Definition de la transformee de Fourier . . . . . . . . . . . . . . . . . . 28
2.4.3 Proprietes de la transformee de Fourier . . . . . . . . . . . . . . . . . . 29
2.4.4 Energie
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.5 Un exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Limites de la modelisation des signaux par des fonctions . . . . . . . . . . . . . 32
2.6 Au-delà des fonctions : les distributions . . . . . . . . . . . . . . . . . . . . . . 36
2.6.1 Definition des distributions . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6.2 Operations de base sur les distributions . . . . . . . . . . . . . . . . . . 39
2.6.3 Transformee de Fourier dune distribution . . . . . . . . . . . . . . . . . 42
2.6.4 Transformee de Fourier de fonctions (au sens des distributions) . . . . . 45
2.7 Exemples danalyse frequentielle . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7.1 Caracterisation de laudition humaine . . . . . . . . . . . . . . . . . . . 48
2.7.2 Description de la bande VHF . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8 Resolution dequations differentielles ou de la transformee de Fourier a` la transformee de Laplace 5
2.9 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 Annexe du chapitre : un exemple de script Matlab . . . . . . . . . . . . . . . . 56
Modeliser et caracteriser un système : Convolution et filtrage frequentiel

59
3.1 Un exemple introductif : la compression MP3 . . . . . . . . . . . . . . . . . . . 59
3.2 Filtrage frequentiel : objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Systèmes de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Produit de convolution et systèmes de convolution . . . . . . . . . . . . 62
3.3.2 Produit de convolution et distribution . . . . . . . . . . . . . . . . . . . 67
3.3.3 Sortie dun système de convolution pour une entree sinusodale : reponse harmonique 69
3
3.4
3.5
3.6
3.7
3.3.4 Produit de convolution et transformees de Fourier et de Laplace . . . . . 70

3.3.5 Système de convolution et fonction de transfert . . . . . . . . . . . . . . 72
3.3.6 Simulation dun système de convolution . . . . . . . . . . . . . . . . . . 73
Filtrage frequentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.1 Filtres analogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.2 Lideal peut-il e tre atteint ? . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.3 Filtres analogiques classiques . . . . . . . . . . . . . . . . . . . . . . . 77
Fenetrage temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Annexe du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.7.1 Un environnement e volue de simulation signaux et systèmes : Simulink 96
3.7.2 Exemple de script Matlab pour le calcul de filtres . . . . . . . . . . . . 98
Autocorrelation et intercorrelation des signaux deterministes

4.1 Energie et puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Intercorrelation et autocorrelation . . . . . . . . . . . . . . . . . . . . .
4.1.3 Densites spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1 Autocorrelation appliquee a` lextraction dinformation dun signal degrade
4.2.2 Intercorrelation appliquee a` la mesure dun temps de propagation . . . .
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
101
101
101
104
105
106
106
108
110
De lanalogique au numerique
5.1 Modelisation dun signal discret par peigne de Dirac . . . . . . . . . . . . . . .
5.1.1 Transformee de Fourier dun signal discret . . . . . . . . . . . . . . . .
5.1.2 Transformee en Z dun signal discret . . . . . . . . . . . . . . . . . . .
5.1.3 Expression dun signal discret basee sur un peigne . . . . . . . . . . . .
5.2 De la transformee de Fourier dun signal e chantillonne . . . . . . . . . . . . . .
5.3 Theorème de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.1 Lenseignement de Shannon . . . . . . . . . . . . . . . . . . . . . . . .
5.3.2 De lart de bien e chantillonner . . . . . . . . . . . . . . . . . . . . . . .
5.3.3 De lart de reconstituer un signal continu a` partir du signal e chantillonne
5.4 De la transformee de Fourier discrète aux analyseurs de spectre numeriques . . .
5.4.1 TFD pour le calcul du spectre de signaux a` support fini . . . . . . . . . .
5.4.2 TFD pour le calcul du spectre de signaux periodiques . . . . . . . . . . .
5.4.3 Principe de lanalyseur numerique de spectre . . . . . . . . . . . . . . .
5.5 En resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6 Annexe du chapitre : exemples de scripts Matlab . . . . . . . . . . . . . . . .
111
112
112
113
114
115
117
120
121
123
124
126
131
136
138
139
Filtrage numerique
6.1 Convolution discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Produit de convolution discret et systèmes de convolution discrets
6.1.2 Système de convolution discret et fonction de transfert . . . . . .
6.2 Conception de filtres a` reponse impulsionnelle infinie . . . . . . . . . . .
6.3 Conception de filtres a` reponse impulsionnelle finie . . . . . . . . . . . .
6.3.1 Conception par la methode du fenetrage . . . . . . . . . . . . . .
6.3.2 Conception par e chantillonnage frequentiel . . . . . . . . . . . .
6.4 Une remarque en guise de conclusion . . . . . . . . . . . . . . . . . . .
141
141
141
143
146
152
155
160
162
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
6.5
Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 162

6.5.1 Conception de filtres RIIs . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.5.2 Conception de filtres RIFs . . . . . . . . . . . . . . . . . . . . . . . . . 164
Des signaux deterministes aux signaux aleatoires

167
7.1 Energie et puissance pour les signaux discrets . . . . . . . . . . . . . . . . . . . 167
7.2 Signaux aleatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.2 Modelisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.2.3 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3 Modelisation dun signal par un filtre generateur . . . . . . . . . . . . . . . . . . 174
7.3.1 Filtre generateur par la methode de Yule-Walker . . . . . . . . . . . . . 174
7.3.2 La methode de Yule-Walker comme solution dun problème doptimisation 180
7.3.3 Une application des filtres generateurs : le codage LPC en traitement de la parole180
7.4 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 182
Modalites pratiques de STI tc2

DE FONCTIONNEMENT DE L EN M ERCI DE LIRE ATTENTIVEMENT LES MODALIT ES
SEIGNEMENT STI TC 2 T RAITEMENT DE S IGNAL.
Seances de TD :
1. Les differentes activites commencent a` lheure planifiee. En particulier, les responsables de TD sont autorises a` ne pas accepter les e lèves nayant pas la delicatesse de
respecter lhoraire. Dans ce cas-là, ils seront portes absents. Lenseignement de traitement du signal est suffisamment dense pour ne pas pouvoir se payer le luxe de perdre
du temps. 8 minutes de retard sur 7 seances font environ une heure en moins !
2. Un corrige des exercices traites en TD sera disponible sur le serveur pedagogique
lorsque tous les groupes de TD auront traites le sujet. Il ny aura pas de corrige pour
les travaux preparatoires.
Travail preparatoire :
1. Le travail preparatoire dune seance de TD est prepare par tous les e lèves du groupe et
presente par un (ou plusieurs) e lève(s) designe(s) par lencadrant de TD a` partir de la
liste des e lèves, le jour de la seance. Parallèlement, une ou (plusieurs) copie(s) seront
ramassees pour e valuation. En cas de travail non effectue ou dabsence non justifiee
dun e lève designe, la note sera de 0.
2. Un des exercices du test final sera pris dans lensemble des exercices des travaux
preparatoires.
3. Les presentations doivent e tre claires, precises et efficaces. Elles contribuent a` preparer
les e lèves a` la communication technique.
Le controle des connaissances de la competence Savoir se decompose en première session

en 3 parties.
1. Correction du travail preparatoire de TD (10% de la note totale).
2. Microtest : il sagit dun test de 1h lors de la 4ième seance de cours dans lequel le sujet
sera resolu par binomes (10% de la note totale).
3. Test terminal (80 % de la note totale). ATTENTION, les seuls documents autorises
sont des formulaires qui seront distribues en cours de semestre et une feuille de papier
A4 où les e lèves pourront e crire un resume de cours1 Ils rendront cette feuille avec
leur copie.
1
Un resume de cours ne doit pas comprendre delèments des TDs.
8
Après publication auprès des e lèves de la note totale, deux seances de consultation de copies
seront organisees.
Les e lèves qui desirent des precisions sur la note totale ou constatent des problèmes auront un delai de 3 semaines après la publication des notes par le Service de Scolarite pour
contacter le responsable du cours. Passe ce delai, aucun demande ne sera prise en compte.
A lissue de la seconde session, la note de Savoir sera constituee par la note de test de la
seconde session.
Assiduite : conformement au règlement de scolarite, la presence est obligatoire pour toutes
les activites de STI tc2. Si cest une condition necessaire, elle nest cependant pas suffisante
pour pleinement profiter de lenseignement de traitement du signal.
1. Toute absence doit e tre justifiee auprès de ladministration.
2. Pour la seance de microtest, en plus de la justification auprès du Service de Scolarite,
toute absence doit e tre signalee par email auprès du responsable de cours. Si ces deux
demarches sont effectuees et labsence est excusee par le Service de Scolarite, la note
finale sera calculee avec un poids de 90 % pour le test final. Sinon, la règle generale
sapplique avec une note de microtest de 0.
3. En cas dabsence non excusee par le Service de Scolarite dun e lève designe a` partir
de la liste des e lèves du groupe de TD pour presenter le travail preparatoire ou pour
donner sa copie, la note de travail preparatoire sera de 0. En cas dabsence excusee par
le Service de Scolarite, la note finale de Savoir sera calculee avec un poids de 90 %
pour le test final au lieu de 80 %.
4. En cas dabsence non excusee par le Service de Scolarite en seance de TP de 4h, lelève
ne pourra pas se presenter a` la seance de BE de 2h et aura 0 pour note de Savoir Faire
de STI tc2. En cas de presence dans la seance de TP de 4h et dabsence non excusee par
le Service de Scolarite dans la seance de BE de 2h, la note de Savoir Faire sera calculee
en prenant 0 pour note de BE. En cas dabsence excusee par le Service de Scolarite en
seance de TP de 4h, lelève pourra participer a` une autre seance a` condition quil nait
aucune activite programmee sur ce creneau et que leffectif du groupe le permette. Un
e lève ne peut se presenter en seance de BE de 2H que sil a effectue la seance de TP
4h. En fin de semestre, le responsable de lAF essaiera en fonction des possibilites
du planning dorganiser une seance de rattrapage pour le TP 4h et le BE 2h. En cas
dimpossibilite et dabsence excusee par le Service de Scolarite de lelève, lelève
naura pas de note de Savoir Faire pour lAF.
Chapitre 1
Introduction
1.1
Le signal au service de letre humain
Un signal est une grandeur qui depend du temps t. Cette grandeur est souvent physique.
La grandeur dun signal peut e tre de differents types :
Information : par exemple le son qui est une variation de la pression de lair, voir figure 1.1 ;
Cliquer pour e couter
Alleluia du Messie de Haendel
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
F IG . 1.1 Alleluia dHaendel
Energie
: par exemple la tension du secteur ;
Matière : par exemple un debit deau en un point dun canal dirrigation.
Les outils presentes dans lAction de Formation STI tc2 concernent plus particulièrement les
signaux porteurs dinformation.
Les signaux occupent une place preponderante dans la vie de tout e tre humain puisquils sont ce
qui permet a` un e tre humain de percevoir son environnement et dinteragir avec lui.
Detection Letre humain detecte les signaux issus de son environnement (sons, odeurs, images,
etc..) grace a` ces capteurs (oreilles, nez, yeux, etc...).
Traitement Il les traite et les interprète (par exemple, il isole un son particulier).
9
10
C HAPITRE 1
I NTRODUCTION
Generation Il est capable de generer des signaux a` destination de son environnement.
1.2
Limportance du signal dans nos societes contemporaines
Cest un lieu commun que daffirmer que notre societe contemporaine est la societe de linformation. Linformation y est vehiculee par les signaux. Face a` la masse des signaux quil est necessaire
de traiter, souvent en temps reel, les ingenieurs ont cree des systèmes technologiques dune grande
complexite. Ceux-ci ont envahi notre societe et font parti des objets incontournables de notre quotidien.
En reponse aux enjeux de la societe actuelle, des methodes scientifiques puissantes pour gerer
une telle complexite ont e te developpees par les chercheurs en Sciences de lIngenieur. La matrise
de ces methodes devient de plus en plus incontournable dans la pratique de lingenieur quelque
soit le domaine auquel il se destine.
Lobjectif de cet enseignement est de donner des bases scientifiques minimales prealables a`
lacquisition et a` la matrise de ces methodes. Dautre part, combinee avec les enseignements
dAutomatique, il sagit de contribuer a` lacquisition de lapproche système , incontournable
lorsquil sagit de developper des systèmes dune certaine complexite, meme si leur finalite nest
pas de gerer de linformation1
Dans le traitement de linformation, il est necessaire de
mesurer le signal, souvent a` laide de capteurs (metrologie) ;
caracteriser et extraire le signal utile (traitement du signal) ;
le transmettre par un codage adequat (traitement du signal).
Pour cela, le traitement du signal developpe des methodes basees sur la modelisation mathematique, ces methodes pouvant e tre ensuite mises en uvre en e lectronique (numerique) du signal
(realisation technologique).
1.3
Les signaux utiles
Une première classification des signaux peut e tre faite :

Signaux en temps continu ou en temps discret :
Un signal en temps continu (ou signal continu) x est defini a` chaque instant t appartenant
a` un intervalle de R, où R est lensemble des nombres reels, ou a` R tout entier2 . Un signal continu est un modèle de signal analogique. Un signal analogique correspond a` une
grandeur physique reelle qui e volue au cours du temps. Un exemple de signal analogique
est represente figure 1.1. Leur e tude est fondamentale pour lingenieur car les signaux
analogiques representent lessentiel des signaux du monde physique.
Un signal en temps discret (ou signal discret) x nest defini quà certains instants tk soit
un vecteur de valeurs reelles {x(t = tk )}. Le cas le plus important en pratique est celui où
1
Voir par exemple les Actions de Formation du semestre S8 Systèmes mecatroniques intelligents , Filtrage
adaptatif : application au controle actif de bruit ou encore Sciences de lInformation et Biologie .
2
On peut aussi definir le signal sur R auquel on a soustrait des ensembles de mesure nulle.
G. S CORLETTI
V ERSION P ROVISOIRE DU 27 JUILLET 2012
11
6
4
2
0
2
4
6
8
10
10
F IG . 1.2 Signal discret

k, (tk+1 tk ) = Constante = Ts . Le vecteur de valeurs3 se ree crit donc {x(kTs ) = xk }.
Un exemple de signal discret est presente figure 1.2.
Un signal e chantillonne est un signal discret dont les valeurs {xk }, appelees e chantillons,
sont issues (mesurees) dun signal continu4 . Ts est alors appelee periode dechantillonnage.
Un exemple de signal e chantillonne est presente figure 1.3.
Les signaux discrets sont le support de linformation qui est traitee par les systèmes
technologiques bases sur lelectronique numerique, lexemple le plus e vident e tant les
ordinateurs. Ils constituent lecrasante majorite des systèmes technologiques complexes
gerant de linformation. Leur formidable developpement ces dernières decennies a ouvert
dimmenses possibilites a` exploiter. Ils sont devenus incontournables y compris dans des
systèmes qui traditionnellement nutilisaient pas de technologies e lectroniques5 . Letude
des signaux discrets est donc fondamentale pour lingenieur car ils representent lessentiel des signaux traites par les systèmes complexes gerant linformation.
Signaux periodiques ou non. Nous allons voir dans le chapitre qui suit que les signaux continus sinusodaux constituent une classe fondamentale de signaux periodiques.
Signaux deterministes ou aleatoires. Cette distinction sera abordee en fin de cours, dans le
chapitre 7.
3
Bien que très simple, la representation par un vecteur de valeurs reelles presente linconvenient majeur detre un
objet mathematique radicalement different des fonctions qui modelisent les signaux continus. Nous verrons dans la
suite quun autre objet mathematique est generalement utilise, plus complexe quun vecteur. Neanmoins, il presente
lavantage formidable detre plus proche des fonctions : on peut ainsi batir un ensemble doutils communs aux signaux
continus et discrets.
4
Il sagit de loperation dechantillonnage. Dans un système e lectronique, cette operation est realisee par un
convertisseur Analogique Numerique ou CAN.
5
Un exemple frappant est lautomobile qui dun système purement mecanique est devenu un système
mecatronique , cest-à-dire un système qui fait massivement appel aux technologies a` la fois mecaniques et
e lectroniques (voir lAction de Formation de S8 Systèmes Mecatroniques Intelligents . De fait, une automobile
est un système qui gère de linformation.
12
C HAPITRE 1
I NTRODUCTION
x*
F IG . 1.3 Signal e chantillonne
1.4
Plan du cours
Les 6 chapitres qui suivent correspondent chacun a` un cours. Le chapitre 2 presente la modelisation et lanalyse spectrale des signaux continus (detection). Le chapitre 3 introduit une technique
de traitement importante des signaux analogiques : le filtrage frequentiel. Le chapitre 4 traite
des notions denergie et de puissance et de leur application pour lextraction dinformation des
signaux. Le chapitre 5 developpe la modelisation des signaux discrets et lechantillonnage des signaux continus. Le chapitre 6 e tend le filtrage frequentiel aux signaux discrets. Enfin le chapitre 7
est une introduction aux signaux aleatoires avec comme application la generation de signaux.
1.5
Ou` trouver linformation ?
1. Sur le serveur pedagogique, sont disponibles ce document de cours ainsi que les transparents
de cours au format e lectronique. On y trouve aussi un document de cours complementaire.
2. Dans les livres cites en reference de ce document, page 182. Un livre que le lecteur peut lire
avec grand profit est [7].
3. Sur Internet. Par exemple, les page WEB suivantes sont chaudement recommandees :
(a) Pour un cours detaille sur les differents points du traitement du signal abordes ici :
http ://www.greyc.unicaen.fr/ gbinet/COURS.html
(b) Pour les applications java illustrant differents aspects du traitement du signal :
http ://patrick.furon.free.fr/ traitementsignal/ cours tns/ PlanCoursTNS.htm
Ces sources dinformation ont servi de base a` la redaction de ce document.
1.6
Remarques sur lutilisation de ce document
Ce document contient de nombreuses notes de bas de page. Elles peuvent se regrouper en 3

categories :
Rappels de definitions parfois très e lementaires : elles sont destinees aux e lèves e trangers
qui ne connaissent pas tout le vocabulaire scientifique et technique en Francais.
G. S CORLETTI
13
Approfondissement de certains points du cours : dune part, le traitement du signal est par
nature multidisciplinaire et dautre part le volume horaire limite de lenseignement ne permet pas de developper les differents points ; certaines notes en bas de page presentent des
e lements pour aller plus loin ;
Connaissance culturelle du domaine, a` travers par exemple des bibliographies sommaires.
A certaines figures sont associes des sons : pour que cette fonctionnalite soit active, il est necessaire
de telecharger en complement du fichier .pdf du document de cours, les fichiers dextension .wav
associes.
Les applications du traitement du signal sont extremement nombreuses et variees. Vouloir
en faire une presentation exhaustive consommerait lensemble du volume horaire consacre a` cet
enseignement en interdisant de presenter les fondements scientifiques et les methodes principales
du traitement du signal, ce qui est lobjectif principal de lenseignement. Neanmoins, chaque
partie (avec les TDs associes) sera illustree par des applications :
Le chapitre 2 est illustre par la caracterisation de laudition humaine et de la bande VHF.
Le codage MP3 de part ses multiples facettes permet dillustrer les chapitres 3, 5 et 6.
Le chapitre 3 est aussi illustre par la caracterisation de lacoustique de salles, le filtrage
audio, la caracterisation de canaux de communication, la generation de notes dans les instruments de musique et la modulation damplitude (en TD).
Le chapitre 4 est illustre par le calcul de distances pour positionner un objet.
Le chapitre 5 est illustre par le calcul de spectre de signaux physiques a` partir dune acquisition lors dune experience et par une methode de compression de signaux e chantillonnes
utilisee dans les CDs audios (en TD).
Le chapitre 7 est illustre par la generation de la parole appliquee a` la telephonie mobile.
Pour plus de details, le livre [4] detaille un certain nombre dapplications du Traitement du Signal
en utilisant Matlab.
1.7
Remerciements
Je tiens a` remercier tous les lecteurs attentifs qui par leurs nombreuses et constructives remarques ont permis de fortement ameliorer la qualite de ce document ainsi que celle de tous les
supports de lenseignement Traitement du Signal, que ce soit sur le fond ou sur la forme6 les
e tudiants (plus particulièrement de la promotion 2011) et les enseignants impliques dans cet enseignement (Ronan Perrussel, Paule Blanchart, Damien Voyer, Marie-Annick Galland, Eric Blanco,
Julien Huillery, etc..).
Ce netait pas une mince tache !
14
C HAPITRE 1
I NTRODUCTION
Chapitre 2
Modeliser et caracteriser un signal :
Analyse en temps et en frequence
Pour pouvoir disposer doutils efficaces pour le traitement du signal, il est dabord necessaire
de modeliser (representer) un signal par un objet mathematique. Puisquun signal est une grandeur
qui depend du temps, une idee naturelle est de le modeliser par une fonction du temps dont le
domaine de definition est R ou un intervalle de R.
Dans ce chapitre, nous allons voir comment il est possible de caracteriser un signal represente
par une fonction du temps a` travers les notions de frequence et de spectre frequentiel. Ce qui est
remarquable, cest que cette caracterisation va mettre en e vidence que meme si la representation
des signaux par des fonctions est naturelle, elle admet de serieuses limitations. Afin daller au-delà,
une classe dobjets mathematiques generalisant les fonctions sera introduite : les distributions. Ce
chapitre est consacre aux signaux continus. Nous verrons dans le chapitre 5 consacre aux signaux
discrets que pour cette classe de signaux (hegemoniques dans les systèmes technologiques actuels)
la modelisation par les distributions est incontournable.
Le spectre frequentiel dun signal est defini a` partir de la Transformee de Fourier de ce signal. Une autre application de la Transformee de Fourier est le calcul de solution dequations
differentielles lineaires a` coefficients constants. Cependant, comme cela est discute en fin de chapitre, une extension de la Transformee de Fourier, appelee Transformee de Laplace, est un outil
plus general pour cette application.
Plan du chapitre Après une première introduction a` la notion de frequence section 2.1, en partant du principe quun signal est une fonction, la description de fonctions definies sur un intervalle
par des fonctions sinusodales est presentee dans la section 2.2. Cette description est e tendue
aux fonctions periodiques dans la section 2.3. Dans la section 2.4, cette description est e tendue a`
une classe generale de fonctions non periodiques. Neanmoins, bien que generale, cette classe ne
contient pas des fonctions representant des signaux e lementaires utiles. Si on e largit la classe afin
de les contenir, la section 2.5 illustre quun problème mathematique fondamental apparat. La notion de distribution introduite dans la section 2.6 offre une solution e legante avec pour benefice de
definir une description par fonctions sinusodales pour une classe de signaux suffisamment riche
pour nos objectifs pratiques. Les sections 2.4 et 2.6 introduisent la Transformee de Fourier qui
permet de definir le spectre frequentiel dun signal. La section 2.7 presente des premières applications du spectre frequentiel. Lutilisation de la Transformee de Fourier en conjonction avec la
Transformee de Laplace pour la resolution dequation differentielle est discutee section 2.8, ce qui
permet dillustrer les relations entre ces deux Transformees.
15
16
A NALYSE EN TEMPS ET EN FR E QUENCE
C HAPITRE 2
Introduction a` la notion de frequence
2.1
La notion de frequence est intimement liee a` une classe de signaux particuliers qui sont les
signaux modelisables par des fonctions sinusodales, cest-à-dire les fonctions de la forme :

t
A sin 2 +
T
Ces classes de signaux occupent une place importante dans la perception du son par lhomme.
Letre humain est en effet sensible a`
la frequence T1 qui correspond a` la notion de grave et daigu, voir le tableau de figures 2.1 ;
lamplitude A qui correspond a` la notion de puissance, voir le tableau de figures 2.2.

y(t) = 0.6 sin(21000t)

y(t) = 0.6 sin(22000t)
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0
0.2
0
0.2
0.4
0.4
0.6
0.6
0.8
3
t
0.8
0.6sin(22000t)
0.8
0.6sin(2 1000t)
0.6sin(2 600t)

y(t) = 0.6 sin(2600t)
x 10
0
0.2
0.4
0.6
3
t
0.8
6
3
x 10
3
t
6
3
x 10
TAB . 2.1 Sons associes a` des fonctions sinusodales de differentes frequences

y(t) = 0.2 sin(2600t)

y(t) = 0.6 sin(2600t)
0.8
0.8
0.6
0.6
0.4
0.4
0.6sin(2 600t)
0.2 sin(2 600 t)
0.2
0.2
0.2
0
0.2
0.4
0.4
0.6
0.6
0.8
0.8
3
t
6
3
x 10
3
t
6
3
x 10
TAB . 2.2 Sons associes a` des fonctions sinusodales de differentes amplitudes

Il est aussi bien connu quun son constitue a` partir dune combinaison de fonctions sinusodales
bien choisies peut produire des sons agreables à e couter. Un exemple est presente tableau 2.1.
Au-delà detre qualitativement interessant, les signaux sinusodaux presentent un interet beaucoup plus fondamental. Ils permettent une description mathematique precise de larges classes de
signaux. Nous allons expliciter ce que cela signifie dans ce chapitre.
G. S CORLETTI
17

y(t) = 0.3 (sin(2.440.t) + sin(2.554.t) + sin(2.659.t))
Son agrable
0.3(sin(2.440.t)+sin(2.554.t)+sin(2.659.t))
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
50
100
150
200
250
F IG . 2.1 Un son agreable
2.2
Signaux
elises par des fonctions definies sur un inter Tmod

valle 2 , T2 : series de Fourier
Pour T > 0, soit L2 ([ T2 ,
T
])
2
lespace des fonctions f reelles definies sur [ T2 ,

Z T
2
f (t)2 dt < .
T
]
2
telles que
T2
On peut definir le produit scalaire de deux e lements f et g de cet espace par :

Z T
2
< f, g >=
f (t)g(t)dt
T2
et la norme associee par :
v
uZ
u
kf k2 = t
T
2
f (t)2 dt.
T2
Cette norme est appelee norme L2 . La norme kf k2 sinterprète comme la racine carree de lenergie
de f . Pour ce produit scalaire, une base orthonormale {em }mZ de L2 ([ T2 , T2 ]) est definie par :
q
2
t
si m < 0
cos
2m
T
T
1
si m = 0
em =
T
2
t
si m > 0
sin
2m
T
T
Par suite, toute fonction f de L2 ([ T2 ,
f=
T
])
2
peut secrire1 :
< f, em > em .
m=
1
Sur la signification de cette e galite, voir la Remarque importante page 20.
18
C HAPITRE 2
q
1
T
em
1
< f, em >
T
2
f (t)dt
T2
2
T
T
2
T2
2
T
cos
2m Tt

t
f (t) cos 2m
T
dt
q
2
T
T
2
T2
2
T
sin 2m Tt

t
f (t) sin 2m
T
dt
TAB . 2.3 Coordonnees de f dans la base {em }mZ

a0
1
T
T
2
T2
f (t)dt
an
2
T
T
2
T2
bn

t
f (t) cos 2n
T
dt
2
T
T
2
T2

t
f (t) sin 2n
dt
T
TAB . 2.4 Coefficients an et bn

Daprès le tableau 2.3, il existe alors des reels a0 , an et bn presentes dans le tableau 2.4 tels que2
:

X
t
t
T T
, f (t) = a0 +
+ bn sin 2n
.
(2.1)
an cos 2n
t ,
2 2
T
T
n=1
Exemple 1 La fonction f dont la courbe representative est presentee figure 2.2 admet la decomposition
en serie de Fourier suivante :

t
t
t
t [1, 1] , f (t) = cos 2
+ 4 sin 2
+ 4 cos 22
.
T
T
T
Exemple 2 La figure 2.3 represente la courbe caracteristique de la fonction f definie par la
decomposition en serie de Fourier suivante, avec T = 2 :

t [1, 1] , f (t) = 1.3959 + 92.108 cos 2 Tt + 1.9081 cos 22 Tt +

+ 10.545 cos 23 Tt + 2.7034 cos 24 Tt + 3.5953 cos 25 Tt +

+ 2.7778 cos 26 Tt + 1.9838 cos 27 Tt + 2.4283 cos 28 Tt
(2.2)
On constate quen sommant quelques courbes sinusodales, une forme très e loignee dune courbe
sinusodale peut e tre obtenue.
En utilisant la formule dEuler3 , la decomposition en serie de Fourier dune fonction peut se
2
Une autre e criture de legalite (2.1) est :

T T
t ,
,
2 2

t
n sin 2n + n
f (t) = a0 +
T
n=1

appele fondamenLe terme de la somme correspondant a` n = 1, cest-à-dire sin 2 Tt + 1 , est traditionnellement

tal ; les termes de la somme correspondant a` n > 1, cest-à-dire sin 2n Tt + n , sont traditionnellement appeles
harmoniques.
3 ix
e = cos(x) + i sin(x) où i represente limaginaire pur : i2 = 1.
G. S CORLETTI
6
4
2
0
2
4
6
cos(2/Tt)
4sin(2/Tt)
4cos(2/T2t)
f(t)
8
10
1
0.5
0
t
0.5
F IG . 2.2 Representation de la fonction f par sa decomposition en serie de Fourier
150
100
50
50
100
1
0.8
0.6
0.4
0.2
0
t
0.2
0.4
0.6
0.8
F IG . 2.3 Representation de la courbe caracteristique de la fonction f definie par (2.2)
19
20
C HAPITRE 2
re-exprimer par :

T T
t ,
,
2 2
avec4
1
cn =
T
f (t) =
cn e2i T t
(2.3)
n=
T
2
f (t)e2i T t dt.
(2.4)
T2
Lequation (2.3)
appelee la decomposition en serie de Fourier (complexe) de la fonction f sur
T est
T
lintervalle 2 , 2 .
Remarque Dans le cas où la fonction f est
1. reelle : les coefficients cn sont tels que cn = cn : |cn | = |cn et arg(cn ) = arg(cn ) ;
2. paire5 : les coefficients cn sont reels ;
3. impaire6 , les coefficients cn sont imaginaires purs.
Remarque importante Legalite (2.3), ainsi que les e galites precedentes telles que (2.1), doivent
se comprendre en realite comme la convergence de la serie :
SN (t) =
N
X
cn e2i T t
n=N
vers la fonction f au sens de la norme definie sur L2 ([ T2 ,
T
])
2
lim kSN f k2 = 0

(convergence en moyenne quadratique). Cela ne signifie pas forcement que pour tout t T2 ,
lim SN (t) = f (t)
T
2

,
(convergence point par point ou ponctuelle). La convergence en moyenne quadratique nimplique

la convergence ponctuelle que pour des classes particulières de fonctions f . Une classe particulière
est celle des fonctions continues et derivables et dont la derivee est continue (classe C 1 ). Pour plus
de details, voir [10, 5].
Egalit
e de Parseval A partir des coefficients cn , lenergie de la fonction f peut e tre determinee :
Z
T
2
T2
f (t) dt = T
n=
|cn |2 .
n
et an = 2Re(cn ), bn = 2Im(cn ). Faire attention que, contrairement a` la somme (2.1), dans la
cn = an ib
2
somme (2.3), n prend des valeurs negatives.
5
f (t) = f (t).
6
f (t) = f (t).
G. S CORLETTI
2.3
21
Signaux modelises par des fonctions periodiques : series de

Fourier
On considère le cas dune fonction periodique7 reelle de periode T fp definie sur R et telle que
Z T
2
fp (t)2 dt < .
T2
Alors, daprès la section precedente,

T T
t ,
,
2 2
avec
1
cn =
T
fp (t) =
cn e2i T t
(2.5)
n=
T
2
T2
fp (t)e2i T t dt.
(2.6)
Puisque la fonction fp et les fonctions qui a` t associent e2i T t sont des fonctions periodiques de
periode T , la decomposition (2.3) est valable pour tout t R :
X
n
t R, fp (t) =
cn e2i T t .
n=
Le rapport = Tn definit une frequence, multiple de 0 = T1 ; 0 est appele frequence fondamentale

et defini avec n > 1 frequence harmonique. Puisque n est un entier relatif, dans lexpression
ci-dessus, la frequence peut e tre negative dans le cas où n est negatif.
Ce qui est remarquable dans lequation (2.5), cest quelle met en e vidence que les coefficients
de la decomposition en serie de Fourier cn caracterisent exactement 8 la fonction fp . Ils constituent ainsi un mode de representation de fp . Cest pour cela quil est commode de les representer
graphiquement. Dans le cas où les coefficients cn sont reels, ils sont representes en fonction de ;
sinon on represente |cn | en fonction de et arg(cn ) en fonction de sur deux figures separees.
Exemple 1
Soit la fonction periodique fp definie par :

1
1
1
e2i T t e2i T t
fp (t) = sin 2 t =
.
T
2i
Par identification, on a c1 = 2i , c1 = 2i et cn = 0 pour n 6= 1 et n 6= 1. On obtient alors la

representation presentee figure 2.4.
Exemple 2
A partir de la fonction rect , fonction rectangle definie par :
1 1
rect(t) = 1
t [ 2 , 2 ]
sinon
rect(t) = 0
et dont la courbe caracteristique est representee figure 2.5, on peut definir la fonction periodique
de periode T fp par :

t
T T
, fp (t) = rect
t ,
2 2
T0
avec 0 < T0 < T , voir la courbe caracteristique representee figure 2.6. Par application de (2.6),
7
8
fp (t + T ) = fp (t)
Dans le sens presente dans la Remarque importante presentee page 20.
C HAPITRE 2
1.5
|cn|
1
0.5
0
0.5
1 /T
1/T
radians
/2
arg(c )
n
/2
1/T
1/T
F IG . 2.4 Representation des coefficients cn de la serie de Fourier
1.5
rect(t)
22
0.5
0.5
1
0.5
0
t
0.5
F IG . 2.5 Courbe caracteristique de la fonction rect
G. S CORLETTI
23
1.5
T
fp(t)
0.5
T
0.5
3
0
t
F IG . 2.6 Courbe caracteristique de la fonction periodique fp

on peut alors e tablir que

T0
T0
sinc n
cn =
T
T
avec sinc la fonction sinus cardinal definie par9

sinc(x) =
sin(x)
.
x
La courbe caracteristique de cette fonction est representee figure 2.7. On notera que :
sinc(0) = 1 ;
Pour tout entier relatif non nul n, sinc(n) = 0.
Les coefficients cn sont ici reels. Avec T = 2T0 , on a la representation associee figure 2.8 où
la courbe en trait continu fin est la courbe caracteristique de la fonction sinus cardinal.
Examinons ce que donne le somme des 2N + 1 premiers termes de la decomposition en serie
de Fourier ainsi obtenue :
N
X
n
SN (t) =
cn e2i T t
n=N
pour N = 1, N = 3, N = 5 et pour N = 144, voir figure 2.9. On constate quau plus N est
important, au plus on se rapproche de la fonction periodique fp sauf10 pour les valeurs de t qui
correspondent aux discontinuites de la courbe caracteristique de fp . Lexplication se trouve dans la
Remarque importante page 20 : dans lexemple considere ici la convergence nest pas ponctuelle
mais en moyenne quadratique.
9
Si vous avez dejà croise la fonction sinus cardinal, la definition que vous avez eu a peut-etre e te differente.
Normal, il existe deux definitions de la fonction sinc legèrement differentes. Pour ce qui est de cet enseignement de
Traitement de Signal, seule la definition presentee dans cette page est consideree comme valable.
10
On parle du phenomène de Gibbs .
24
C HAPITRE 2
1.2
1
0.8
sinc(x)
0.6
0.4
0.2
0
0.2
0.4
5
0
x
F IG . 2.7 Courbe caracteristique de la fonction sinus cardinal
0.6
T0/T
0.5
0.4
c
cn
0.3
1/T
0.2
0.1
c
c9
c4
c
c5
c2
c6
0.1
0.2
5
c9
c3
F IG . 2.8 Coefficients de la serie de Fourier de la fonction periodique associee a` la fonction rect
G. S CORLETTI
25
1.5
N=1
N=3
N=5
0.5
0.5
3
0
t
N = 144
1.5
0.5
0.5
3
0
t
F IG . 2.9 Somme des N premiers termes de la decomposition en serie de Fourier avec N = 1,

N = 3 et N = 5 (haut) et N = 144 (bas)
2.4
Signaux modelises pour des fonctions non periodiques :

Transformee de Fourier
2.4.1 Introduction
Lobjectif est de rechercher une decomposition du type serie de Fourier mais dans le cas
dune fonction non periodique f appartenant a` L1 (R) L2 (R), cest-à-dire telle que :
Z
|f (t)|dt <
et
f (t)2 dt < .
Le format et les objectifs du cours ne permettant pas un developpement mathematique rigoureux11 , une première explication qualitative et rapide de ce que peut e tre la transposition de la serie
de Fourier aux fonctions non periodiques a` travers un exemple va e tre presentee dans ce qui suit.
Une fonction de L2 (R) peut e tre vue comme la limite de fonctions periodiques fT telles que

T T
t ,
, fT (t) = f (t)
2 2
pour T tendant vers linfini, voir figure 2.10. Puisque cette fonction fT admet une decomposition
en serie de Fourier, comment celle-ci e volue-t-elle quand T tend vers linfini ?
11
Pour une presentation mathematiquement rigoureuse, voir par exemple [1, 10].
26
C HAPITRE 2
f(t)
1
T
0.5
0
0.5
fTm(t)
1
0.5
0
0.5
fT(t)
1
0.5
0
0.5
T
0
t
F IG . 2.10 Fonction fT obtenue a` partir de f
G. S CORLETTI
27
On revient sur lexemple

de
la fonction presentee dans lexemple 2, page 21, avec T0 fixe :
t
t R, f (t) = rect T0 . Lexplication qui suit est avec les mains . La fonction fT
e tant periodique et de carre integrable sur une periode, elle admet daprès la section 2.3 une
decomposition en serie de Fourier :
t R,
avec
1
cn =
T
fT (t) =
cn e2i T t
(2.7)
n=
T
2
T2
fT (t)e2i T t dt.

La decomposition en serie de Fourier fait intervenir lensemble des frequences : Tn nZ où T1 est
la
equence
fr
fondamentale. Evidement on peut e crire legalite (2.7) simplement pour lintervalle
T
T
2 , 2 et comme les fonctions f et fT concide sur cet intervalle, on a alors :

X
n
T T
, f (t) =
cn e2i T t
t ,
2 2
n=
avec
1
cn =
T
T
2
f (t)e2i T t dt.
T2
Notons que cn est une fonction de Tn .

Quand T tend vers +, lensemble discret de points Tn nZ se transforme en un ensemble continu de points {}R :

Tn nZ {}R .
Par suite, la variable Tn est remplacee par la variable continue et la courbe T cn fonction de Tn
se transforme en une courbe continue fonction de . La figure 2.11 represente les coefficients de
la decomposition en serie de Fourier12 multiplies par T . En prenant successivement T = 2T0 ,
T = 4T0 , T = 8T0 et T = 16T0 , on obtient les representations associees figure 2.11. Lecart entre
deux points successifs e tant de 1/T , celui-ci tend vers 0 quand T tend vers +.
Donc, quand T tend vers +,
Z +

2it
{T cn }nZ
f (t)e
dt
ce dernier ensemble definissant une fonction notee F . Enfin,

Z +
X
n
1
2i T
t
T cn e
F ()e2it d
n=
donc, on a :
f (t) =
F ()e2it d.
12
qui ont le bon gout detre reels dans cet exemple : ce nest e videmment pas toujours le cas.
28
C HAPITRE 2
1.2
1.2
Tc
Tcn
T=4T0
0.8
0.6
0.6
cn
Tcn
T=2T0
0.8
0.4
0.4
0.2
0.2
0
0.2
0.2
0.4
5
0.4
5
1.2
Tc
1
T=8T0
T=16T0
0.8
0.8
0.6
0.6
cn
cn
1.2
Tc
0.4
0.2
0.4
0.2
0.2
0.2
0.4
5
0.4
5
F IG . 2.11 {T cn }nZ pour T = 2T0 , T = 4T0 , T = 8T0 et T = 16T0
2.4.2 Definition de la transformee de Fourier

Definition 2.4.1 La fonction F telle que
R,
F () =
f (t)e2it dt
(2.8)
est appelee transformee de Fourier de f et est notee F[f ]. On definit la transformee de Fourier
inverse, notee F 1 [F ], par
t R,
f (t) =
F ()e2it d.
Notation : f (t) F () = F[f ]().

On appelle transformation de Fourier lapplication13 notee F qui a` une fonction associe sa
transformee de Fourier (si elle existe).
Remarque Pour un signal f , F = F[f ] est appele Spectre du signal.

13
Lapplication qui a une fonction associe une fonction est appelee un operateur. Afin de les distinguer des fonctions, lapplication de loperateur F sur la fonction f est notee avec des crochets (au lieu de parenthèses) : F[f ]. La
valeur de la fonction F[f ] en est alors notee F[f ](). Lecriture F[f (t)] est a` proscrire car absurde : F sapplique
sur des fonctions ; or f (t) ne represente pas la fonction f mais sa valeur en t.
G. S CORLETTI
29
Remarque La transformee de Fourier et la transformee de Fourier inverse sont très proches

puisque leur definition implique que14 :
F 1 [F ] = F[F ].
(2.9)
On a le resultat suivant qui necessite la definition de lensemble L1 (R) : cest lensemble des
fonctions f de R dans R telles que :
Z +
|f (t)|dt < .
Theorème 2.4.1 Si f est une fonction15 de L1 (R) alors la fonction F existe, est continue et F ()
tend vers 0 quand || .
Exemple Avec T0 > 0, la fonction f definie sur R par :

t
t R, f (t) = rect
T0
appartient a` L1 (R).
Notation Dans la suite du document, afin dalleger les notations, on pourra designer la fonction f par son expression dans laquelle la variable a e te remplacee par , ce qui donne dans cet
exemple :

.
rect
T0
Il sagit ici de bien faire la difference entre la fonction f et sa valeur f (t) pour la variable t.
Exemple (suite) Daprès le theorème 2.4.1, cette fonction admet une transformee de Fourier. De
plus, par application directe de (2.8), on e tablit que sa transformee de Fourier sexprime a` laide
de la fonction sinus cardinal :

R, F rect
() = T0 . sinc(T0 )
T0
voir figure 2.12.
Remarque Meme si dans lexemple precedent la fonction F est une fonction reelle, en general,
elle est complexe. On represente graphiquement son module |F ()| en fonction de et son argument arg(F ()) en fonction de . On parle de representation spectrale.
2.4.3 Proprietes de la transformee de Fourier

Dans ce qui suit, a R, b R, f et g sont deux fonctions de L1 (R). F () represente F[f ]().
14
F est la fonction conjuguee de F , qui a` associe F (), nombre complexe conjugue de F (). Pour un nombre
complexe x + iy où x et y sont des reels, le conjugue est defini par x iy.
15
Lextension de la transformee de Fourier aux fonctions de L2 (R) peut se faire au sens des distributions car une
fonction de L2 (R) definit une distribution (temperee), voir la section 2.6.
30
C HAPITRE 2
FREQUENCE
TEMPS
2.5
1.5
T0
2
1
T sinc(T )
rect(t/T )
1.5
0.5
0.5
0
0
T0
0.5
T0/2 0
t
0.5
2/To
1/To 0 1/To2 /To
T /2
0
F IG . 2.12 Fonction rectangle et sa transformee de Fourier

2.4.3.1
Linearite
F[af + bg] = aF[f ] + bF[g]

2.4.3.2
2.4.3.3
Symetrie et conjugaison complexe
R,
i
h
F f () () = F ()
R,
F[f ()]() = F ()
Changement dechelle
R,
2.4.3.4
2.4.3.5
F[f (a)]() =
1
F
|a|
a
Translation temporelle
R,
F[f ( t0 )]() = e2it0 F ()
R,
F[e2i0 f ()]() = F ( 0 )
Modulation
G. S CORLETTI
2.4.3.6
31
Transformee de Fourier de la derivee dune fonction
La fonction f est ici supposee derivable avec sa derivee16 f L1 (R).

F[f ]() = 2iF ().
R,
Cette relation se generalise a` lordre n :
R,
2.4.3.7
F[f (n) ]() = (2i)n F ().
Consequences des proprietes
1. La partie reelle de la transformee de Fourier dune fonction reelle est paire et la partie
imaginaire est impaire.
2. Le module de la transformee de Fourier dune fonction reelle est pair et son argument est
impair.
3. La transformee de Fourier dune fonction reelle et paire est reelle et paire.
4. La transformee de Fourier dune fonction reelle et impaire est imaginaire et impaire.
2.4.4 Energie
Une fonction f de L2 (R) est dite a` e nergie finie. Lenergie est dailleurs definie par
Z
f (t)2 dt
soit kf k22 . Si de plus f appartient a` L1 (R) alors elle admet une transformee de Fourier F .
Peut-on e valuer lenergie de f a` partir de sa transformee de Fourier F ? Le theorème suivant

repond a` cette question.
Theorème 2.4.2 (Parseval Plancherel) Soit f L1 (R) L2 (R). Alors
Z
Z
2
|F ()|2 d.
f (t) dt =
Lenergie peut donc aussi se calculer a` partir de lexpression de sa transformee de Fourier F dans
lespace des frequences. La fonction |F ()|2 est appelee densite spectrale denergie.
2.4.5 Un exemple illustratif

Soit un enregistrement sonore qui a e te enregistre sur un disque vinyle a` 45 tours par minutes.
Ce signal est restitue en lisant le disque sur un tourne-disque avec une vitesse de 33 tours par
minutes. Quelle est la relation entre le spectre du signal restitue par rapport au spectre du signal
enregistre ?
Soit x le signal enregistre et x
e le signal restitue. Alors le signal restitue sexprime par x
e =
33
x(a) avec a = 45 . Il sagit donc dun changement dechelle temporelle. Par suite,
R,
F[e
x] = F[x(a)]
16
La formule qui suit peut se calculer en faisant une integration par partie a` partie de lexpression (2.8) de la
transformee de Fourier.
32
C HAPITRE 2
F IG . 2.13 Tourne-disque Teppaz http ://www.alienor.org/ARTICLES/scooters/image tournedisque.htm

Daprès la propriete de Changement dechelle :
R,
F[x(a)]() =

1
F[x]
|a|
a
Par suite,
R,
45
F[e
x]() = F[x]
33
45
33
Le signal restitue sera donc plus grave que le signal enregistre.
Le signal restitue sera dautre part plus puissant dans le sens où lenergie du signal sera
plus importante. En effet, daprès le theorème de Parseval :
2
2 Z +
Z +
Z +

45
45
2
2
e

x
e(t) dt =
|X()| d =
X 33 d.
33
=
=
En faisant le changement de variable e =
Z
45
,
33
x
e(t) dt =
on obtient
45
33
2 Z
e=
|X (e
)|2 de
.
Daprès le theorème de Parseval, on aura alors :

2 Z +
Z +
45
2
x
e(t) dt =
x(t)2 dt,
33
Doù la conclusion.
2.5
Limites de la modelisation des signaux par des fonctions
Certaines fonctions très simples et potentiellement très utiles nappartiennent pas a` lensemble
L1 (R) (ni a` lensemble L2 (R)). Un exemple simple est la fonction f definie par t R, f (t) = 1.
Quelle pourrait e tre la transformee de Fourier pour certaines de ces fonctions, si elle existe ? On
va examiner le cas de cette fonction f .
G. S CORLETTI
33
Exemple La fonction t R, f (t) = 1 peut e tre interpretee comme la limite dune sequence
de fonctions fT0 definies par
t R,
fT0 (t) = rect(t/T0 ),
quand T0 tend vers +. Pour une valeur de T0 donnee, la transformee de Fourier de la fonction fT0
est representee figure 2.12. La figure 2.14 represente la deformation du trace de la transformee de
Fourier pour des valeurs croissantes de T0 . Supposons que la transformee de Fourier fT0 converge
vers une fonction quand T0 tend vers linfini. Cette fonction que lon va noter serait alors telle
que :
1. 6= 0, () = 0 ;
2. (0) = +.
De plus, puisquon peut demontrer que

Z +
T0 . sinc(T0 )d = 1
si la fonction existe alors elle verifie probablement la propriete :

Z +
()d = 1.
Cette integrale montre quen fait ne peut pas e tre une fonction. En effet, lintegrale dune fonction nulle presque partout ( 6= 0, () = 0) ne peut valoir que 0 et ici elle vaut 1 ! ! ! Donc on est
face a` une absurdite si on fait lhypothèse que est une fonction ; est donc un objet mathematique
e trange a` definir, cela ressemble a` une fonction mais ce nest pas une fonction...
La morale de cet exemple est quil existerait certaines fonctions interessantes nappartenant
pas a` L1 (R) (ni a` L2 (R)) telles que si la transformee de Fourier existe alors cest un objet
mathematique (à definir) qui nest pas une fonction. Si ce nest pas une fonction, quel est donc cet
e trange objet ? ? ?
Exemple On va essayer dimaginer ce que pourrait e tre la transformee de Fourier inverse de la
fonction definie par , F () = 1, si elle existe. Il semble possible de definir la fonction F () = 1
comme la limite des fonctions :
R,
FT0 () = sinc(T0 )
quand T0 tends vers 0, voir la courbe caracteristique de la fonction FT0 , figure 2.15. Comme on la
vu precedemment, la transformee de Fourier inverse est donnee par :

1
t
t R, fT0 (t) =
rect
T0
T0
dont la courbe caracteristique est representee figure 2.16. Il semble que quand T0 tend vers 0, fT0
tende vers letrange objet introduit precedemment... Cet exemple met en e vidence que cet objet
semble avoir une autre propriete interessante.
Avec x une fonction continue et localement integrable, on a
Z t0 +T0 /2
1
x(t)dt
x(t0 ) = lim
T0 0 T0 t T /2
0
0
(2.10)
34
C HAPITRE 2
30
T0
T_0
T =2
0
25
T
0
T0sinc(T0)
T0sinc(T0)
20
T0
15
10
1/To
0
5
1/To
30
30
T =4
T =8
0
25
20
20
T0sinc(T0)
T0sinc(T0)
25
15
15
10
10
0
5
0
5
30
T =32
25
25
20
20
T0sinc(T0)
T0sinc(T0)
30
T =16
15
15
10
10
0
5
0
5
F IG . 2.14 Fonction rectangle et sa transformee de Fourier
G. S CORLETTI
sinc(T0)
T 0
T 0
1/To
1/To
F IG . 2.15 Courbe caracteristique de la fonction FT0
1/T0
1/T_0
1/T0rect(t/T0)
T0 0
0
T0 0
T0 0
T0
T/2
0
t
T/2
F IG . 2.16 Courbe caracteristique de la fonction fT0 (t)
35
36
C HAPITRE 2
4
3.5
3.5
x(t )
x(t )
2.5
2.5
1.5
1.5
T
0.5
0.5
t0
t0
F IG . 2.17 Fonctions x (gauche) et rect(( t0 )/T0 )x (droite)

ce qui se ree crit :
x(t0 ) =
=
lim
T0 0
1
rect((t t0 )/T0 )x(t)dt
T0
1
rect((t t0 )/T0 )x(t)dt
T0 0 T0
lim
voir figure 2.17.

Daprès ce qui precède, on aurait donc la propriete :
x(t0 ) =
2.6
(t t0 )x(t)dt.
(2.11)
Au-delà des fonctions : les distributions
En realite, est une distribution. Nous allons voir que les distributions sont des objets mathematiques qui generalisent les fonctions. Pour plus dinformations sur les distributions, se reporter,
par exemple, aux references [10, 5, 2, 3]. La theorie des distributions est due a` Laurent Schwartz,
voir figure 2.18. Pour les besoins du Traitement de Signal, après avoir defini les distributions, les
operations de base effectuees sur les fonctions puis la Transformation de Fourier sont generalisees
aux distributions.
2.6.1 Definition des distributions

Definition 2.6.1 Une fonction test de R dans C est une fonction nulle en dehors dun intervalle
borne et indefiniment derivable. On note D lensemble des fonctions tests.
Les proprietes reclamees pour les fonctions tests sont si fortes quon peut se demander si les
fonctions tests existent17 .
17
Dans ce qui suit, aussi curieux que cela puisse paratre, on peut se rendre compte que ce qui est important cest
de savoir que les fonctions tests existent et non de les determiner explicitement.
G. S CORLETTI
37
F IG . 2.18 Extrait de Laurent Schwartz, Generalisation de la notion de fonction, de derivation,

de transformation de Fourier et applications mathematiques et physiques , Annales de lUniversite de Grenoble, Tome 21 (1945), p.57-74
38
C HAPITRE 2
Courbe caractristique dune fonction test

1.2
0.6
exp(t /(t 1))
0.8
0.4
0.2
0.2
2
1.5
0.5
0
t
0.5
1.5
F IG . 2.19 Courbe caracteristique dune fonction test

Exemple Les fonctions tests existent, jen ai rencontree une :
(
t ] 1, 1[
(t) = exp
t 1 et t 1 (t) = 0
t2
t2 1
voir figure 2.19. On peut demontrer que cette fonction, qui est nulle en dehors dun support borne,
est indefiniment derivable.
Definition 2.6.2 (Distribution) Une distribution T est une application lineaire continue de D
dans C. Notation
T : D C
7 < T, >
Exemple Etant donne a R, lapplication qui a` associe (a) est une distribution appelee
impulsion de Dirac.
A travers la notion de distribution regulière, les distributions apparaissent en realite comme
une generalisation des fonctions.
Definition 2.6.3 (Distribution regulière) Une distribution T est regulière sil existe une fonction
x localement integrable telle que
< T, >=
x(t)(t)dt.
Une distribution T est dite singulière sil nexiste pas de fonction x telle que (2.12).
(2.12)
G. S CORLETTI
39
Remarque Si lobjet introduit dans lexemple page 33 e tait une fonction alors daprès la relation (2.11) :
Z +
(t a)(t)dt = (a).
La distribution regulière associee a` ( a) est telle quà une fonction test on associe la valeur
(a) : on retrouve limpulsion de Dirac ! Il apparat quen realite ( a) est une distribution qui
est singulière puisque nest pas une fonction.
Dans ce qui suit, on notera a la distribution qui a` la fonction test associe la valeur (a) et
lon sempressera de bannir les notations ( a) ou (t a) qui nont aucun sens puisque nest
pas une fonction. La distribution 0 est notee par . On associe a` a la representation graphique
presentee figure 2.20, gauche. Si est un reel alors a est la distribution qui a` la fonction test
Reprsentaion graphique de
Reprsentaion graphique de
1.2
0.8
0.6
0.4
0.2
0.2
F IG . 2.20 Representation graphique de a et de a

associe la valeur .(a) avec la representation graphique presentee figure 2.20, droite.
Remarque Une suite de distributions regulières peut converger vers une distribution qui est
singulière ; un exemple peut e tre obtenu a` partir de lexemple page 33.
Remarque Par un abus de notation et afin de limiter le nombre de notations manipulees, pour la
distribution regulière associee a` une fonction x, on utilise souvent la meme notation pour designer
la distribution regulière et la fonction associee. Afin deviter toute ambigute, avant dadopter cette
notation, on notera Tx la distribution regulière associee a` une fonction x.
2.6.2 Operations de base sur les distributions

Les operations de base sont maintenant generalisees des fonctions aux distributions. Elles sont
definies de telle facon a` ce que quand elles sont appliquees a` une distribution regulière, cest-àdire une distribution associee a` une fonction x, on obtienne la distribution regulière associee a` la
fonction resultat de loperation effectuee sur x.
40
C HAPITRE 2
Translatee dune distribution T par la constante a

constante a est la distribution notee a T definie par :
La translatee dune distribution T par la
D, < a T, >=< T, ( + a) > .

La justification vient des distributions regulières : il faut que lorsquon applique la definition de la
translatee a Tx a` la distribution regulière Tx associee a` une fonction x, on obtienne la distribution
regulière Tx(a) associee a` la translatee x( a) de la fonction x. Or
Z +
D, < Tx(a) , >=
x(t a)(t)dt
ce qui donne avec le changement de variable e

t=ta:
Z +
x(e
t)(e
t + a)de
t =< Tx , ( + a) >
D, < Tx(a) , >=
ce qui est coherent avec la definition de la translatee dune distribution par la constante a.
Changement dechelle de constante a dune distribution T On appelle changement dechelle

de constante a de la distribution T la distribution notee echa T et definie par :

1
D, < echa T, >=
< T,
>.
|a|
a
La justification vient encore des distributions regulières : il faut que lorsquon applique la definition
du changement dechelle echa Tx a` une distribution regulière Tx associee a` une fonction x, on obtienne la distribution regulière Tx(a) associee a` la fonction x(a) obtenue a` partir de la fonction x
par changement dechelle. Or
!
Z +
Z +

e
1
1
t
e
e
dt =
< Tx ,
x(t)
>
D, < Tx(a) , >=
x(at)(t)dt =
|a|
a
|a|
a
ce qui donne avec le changement de variable e

t = at :
Z +
1
D, < Tx(a) , >=
x(e
t)
|a|
!

e
1
t
de
t=
< Tx ,
>
a
|a|
a
ce qui est coherent avec la definition du changement dechelle dune distribution.
Exemple Determinons le changement dechelle dune impulsion de Dirac. Par application de la

definition :

1 0
1
< 0 ,
>=
.
< echa 0 , >=
|a|
a
|a|
a
Cette dernière quantite peut sinterpreter comme le resultat de limage de la fonction test par la
1
a0 :
distribution |a|
1
1 0
0 , > .
=<
|a|
a
|a| a
Par suite,
1
0 .
echa 0 =
|a| a
Ce qui nest pas forcement le resultat que lon aurait spontanement attendu du fait du facteur
1
|a|
G. S CORLETTI
41
Multiplication dune distribution par une fonction Pour toute distribution T et toute fonction
f indefiniment derivable, le produit f.T est une distribution definie par :
D,
< f.T, >=< T, f. > .
Nous utiliserons dans la suite la consequence de ce resultat lorsquil est applique a` la distribution
impulsion de Dirac :
f.a = f (a).a
(2.13)
Derivation dune distribution
La derivee T dune distribution T est la distribution definie par :
D, < T , >= < T, > .
(2.14)
Cette formule a e te e tablie de facon a` generaliser la derivation des fonctions aux distributions.
En effet, il est naturel de definir la derivee dune distribution regulière Tx de fonction derivable x
comme la distribution regulière Tx associee a` la fonction x . Montrons que la formule (2.14) est
coherente avec cet objectif. La distribution associee a` x secrit en effet :
Z +
D, < Tx , >=
x (t)(t)dt.
En faisant une integration par parties, on a alors :

Z +
Z +
+
x(t) (t)dt = < Tx , >,

x (t)(t)dt = [x(t)(t)]
{z
}
|
le premier terme de droite e tant nul du fait que est une fonction test.
La formule (2.14) permet ainsi detendre la notion de derivation a` des fonctions discontinues
a` travers leurs distributions regulières associees.
Exemple Soit la fonction appelee e chelon dHeaviside et definie par
t > 0, (t) = 1
t = 0, (t) est non definie
t < 0, (t) = 0
Si est considere comme une fonction alors pour t 6= 0, (t) = 0 et (0) nest pas definie. Par
contre, on peut definir la derivee de la distribution regulière associee a` :
Z +
(t)dt = (0) =< 0 , >

D, < T , >= < T , >=
0
Par suite, au sens des distributions,

T = 0 ,
ce quon note generalement de facon abusive :
= 0 .
42
C HAPITRE 2
Exemple Lexemple precedent montre quil est possible au sens des distributions de definir la
derivee dune fonction presentant des discontinuites. Une fonction qui secrit comme la somme
dune fonction derivable et dune somme de fonctions e chelons dHeaviside, par exemple :
f = g + 12
où g est derivable en est un exemple. Alors, au sens des distributions, en utilisant labus de notation, on a :
f = g + 12.
Remarque Au-delà de la generalisation de la notion de derivation aux distributions, linteret de
la derivation au sens des distributions est de permettre linversion entre limite ou somme infinie et
derivation. En effet, si, dans le cas des fonctions, il est necessaire de poser un nombre important
dhypothèses, ce nest plus le cas lorsque linversion est effectuee au sens des distributions. Dans
le cadre de ce document de cours, cette remarque sera appliquee page 116 pour e tablir la formule
sommatoire de Poisson.
2.6.3 Transformee de Fourier dune distribution

Dans le droit fil de la definition de la derivation, on peut definir la transformee de Fourier dune
distribution T par
D, < F[T ], >=< T, F[] > .
(2.15)
Puisque F[T ] est une transformee de Fourier, la fonction test est une fonction de .
Comme precedemment, cette formule peut se justifier via les distributions regulières18 : nous
allons voir que pour une distribution regulière Tx definie par une fonction x de L1 (R) L2 (R),
on retrouve bien la transformee de Fourier telle quelle a e te definie section 2.4.2. En notant que
e tant une fonction de , F[] sera une fonction19 de t :
Z +

Z +
Z +
2it
x(t)
x(t)F[](t)dt =
()e
d dt
< Tx , F[] > =
Z
2it
x(t)e
{z
F [x]()
= < TF [x] , > .

dt ()d
}
18
En realite, il y a une subtilite theorique qui na cependant pas de repercussion sur lutilisation pratique que lon
va faire de cette formule dans cet enseignement. Neanmoins, pour e tre complet, on va en souligner les grandes lignes.
La difficulte est quon peut demontrer que meme si est une fonction test, ce nest pas forcement le cas de F[].
Par suite, F[] nest pas dans le domaine de definition de T et donc lecriture < T, F[] > na pas de sens. Pour
surmonter cette difficulte, on est amene a` definir les distributions temperees. Une distribution temperee se definit de
la meme facon quune distribution si ce nest quau lieu de travailler sur lensemble des fonctions tests D on travaille
sur lensemble des fonctions a` decroissance rapide S(R). Une fonction est a` decroissance rapide si pour tout p N,
on a :
lim | p ()| = 0.
||
On a la propriete que D S(R). Un exemple de distribution temperee est limpulsion de Dirac.

Si S(R) alors F[] S(R). Par suite, si T est une distribution temperee et si S(R) alors F[] S(R)
et donc F[] appartient au domaine de definition de T .
19
Noter que dans (2.8), t et interviennent de facon symetrique dans e2it .
G. S CORLETTI
43
Par suite, avec cette definition de la transformee de Fourier dune distribution, la transformee de
Fourier de la distribution regulière associee a` x est la distribution regulière associee a` F[x].
La transformee de Fourier dune distribution conserve les proprietes de la transformee de Fourier dune fonction, voir la sous-section 2.4.3. Notamment, la transformation de Fourier definie
sur les distributions est une application lineaire et continue.
Transformee de Fourier inverse dune distribution
Elle est definie par :
< F 1 [T ], >=< T, F 1 [] > .
D,
De la definition de la transformee de Fourier et de la transformee inverse, on deduit que :

F 1 [F[T ]] = T.
(2.16)
Transformee de Fourier de limpulsion de Dirac On peut la determiner en appliquant la

definition de la transformee de Fourier dune distribution :
< F[a ], >=< a , F[] >= F[](a) =
e2ia ()d =< Te2ia , > .
Par suite,
F[a ] = Te2ia ,
ce que lon note de facon abusive :
F[a ]() = e2ia .
(2.17)
Et donc, avec a = 0,
F[] = 1.
Transformee de Fourier de la fonction 1 Cest lexemple de la page 33. Lastuce est de montrer
que F 1 [] = 1 et den deduire F[1]. Pour cela, on applique la meme demarche que precedemment
mais en utilisant la definition de la transformee de Fourier inverse.
<F
[], >=< , F
[] >= F
[](0) =
()d =< T1 , > .
Par suite, avec labus de langage usuel, F 1 [] = 1. Daprès la relation (2.16), on a alors :
F[1] = .
44
C HAPITRE 2
1.5
|F()|
0.5
0.5
F IG . 2.21 Representation du module de F () = F[sin(20 )]()

Application : determination de la transformee de Fourier de la fonction sin(20 )
sin(20 t) =
La transformee de Fourier e tant lineaire :
F[sin(20 )] =

1 2i0 t
e
e2i0 t .
2i

1
F[e2i0 ] F[e2i0 ] .
2i
Daprès la relation vue section 2.4.3.5, avec f = 1 :
F[e2i0 ] = 0 .
Par suite, F[e2i0 ] = 0 et
F[sin(20 )] =
1
( 0 ) .
2i 0
On obtient donc un spectre constitue de deux impulsions de Dirac20 , voir figure 2.21.
Exemple Calculons la transformee de Fourier de la fonction cos(20 a) a` partir de la transformee de Fourier de cos(20 ) par application de la propriete de Changement dechelle de la
transformation de Fourier presentee section 2.4.3.3.
Daprès la propriete de changement dechelle :
F[cos(20 a)] =
1
ech 1 F[cos(20 )].
a
|a|
Comme
F[cos(20 )] =
20
Et non de raies comme il est courant dentendre.
1
( + 0 ) ,
2 0
(2.18)
G. S CORLETTI
on a :
ech 1 F[cos(20 )] =
a
Et donc
45

|a|
1
(a0 + a0 ) .
ech 1 0 + ech 1 0 . =
a
a
2
2
1
(a0 + a0 ) .
(2.19)
2
Bien entendu, on aurait pu utiliser directement la formule (2.18) pour obtenir en remplacant 0 par
a0 la formule (2.19).
F[cos(20 a)] =
2.6.4 Transformee de Fourier de fonctions (au sens des distributions)

Dans la section 2.4.2, nous avons vu que la transformee de Fourier pouvait e tre definie pour
les fonctions de L1 (R). Lintroduction de la transformation de Fourier pour les distributions permet de definir la transformee de Fourier dune fonction (au sens des distributions) : par cette
expression, il faut comprendre la transformee de Fourier de la distribution regulière associee a`
la fonction (Yes !). De cette facon, on peut definir la transformee de Fourier :
les fonctions de L2 (R) ;
les fonctions localement integrables et a` croissance lente a` linfini. Une fonction f est a`
croissance lente a` linfini sil existe A > 0 et m N tels que |f (t)| A|t|m pour |t|
suffisamment grand. Les fonctions periodiques ou encore les fonctions polynomiales (telle
que la fonction 1) sont des fonctions a` croissance lente a` linfini.
2.6.4.1
Fonctions periodiques
Le cas des fonctions periodiques est particulièrement interessant. Soit fp une fonction periodique
de periode T admettant une decomposition de Fourier :
t R,
fp (t) =
cn e2i T t .
n=
A partir de la linearite et de la continuite de la transformee de Fourier, on peut demontrer que :

F[fp ] =
n=
cn F[e2i T ].
Daprès (2.17), F[e2i T ] = Tn . Doù

F[fp ] =
cn Tn .
n=
La transformee de Fourier dun signal periodique est donc discrète (non nulle seulement pour
les frequences Tn ). Si on reprend lexemple de la fonction representee figure 2.6, on obtient la
representation graphique figure 2.22, soit un spectre dimpulsions de Dirac. On en avait vu un
exemple avec la fonction sinus, voir figure 2.21.
Il est dailleurs interessant de mettre en vis-à-vis un tel spectre avec celui de la fonction motif21
correspondante, voir figure 2.24. Le spectre de fp est issu du spectre de sa fonction motif fm par
21
La fonction motif fm dune fonction periodique fp de periode T est une fonction nulle sauf sur un intervalle I
de longueur T telle que t I, fp (t) = fm (t). Un exemple est donne figure 2.23.
46
C HAPITRE 2
0.6
T0/T
0.5
0.4
c
0.3
1/T
0.2
0.1
c
c
7
0.1
0.2
5
c2
c7
c9
c3
F IG . 2.22 Spectre de la fonction periodique associee a` la fonction rect
fonction motif
0.08
0.06
0.04
0.02
0
5
10
10
t
fonction priodique
0.08
0.06
0.04
0.02
0
5
0
t
F IG . 2.23 Fonction periodique et fonction motif
G. S CORLETTI
47
FREQUENCE
TEMPS
2.5
1.5
T0
2
1
T sinc(T )
rect(t/T )
1.5
0.5
0.5
0
0
T0
0.5
1.5
T0/2 0
t
0.5
2/To
1/To 0 1/To2 /To
T /2
0
Periodisation du motif
Discretisation
0.6
T /T
T
0.5
0.4
0.5
c1
0.3
f (t)
1/T
0.2
0.1
c8
0
t
0.2
5
c9
c3
c3
c2
c2
0.1
T
0.5
3
c5
F IG . 2.24 Spectre dune fonction periodique et spectre de la fonction motif correspondante
48
C HAPITRE 2
une discretisation et un facteur dechelle de T1 . Ce facteur dechelle decoule du fait que :

1
cn =
T
2.6.4.2
T
2
T2
n
t
2i T
fp (t)e
1
dt =
T
fm (t)e2i T t dt =
n
1
Fm
.
T
T
Fonction e chelon
Dans la note de bas de page22 , on demontre que

F[] =
1
1
+ .
2i 2
Merci de bien noter le terme 21 qui est souvent oublie, avec parfois pour consequence un resultat
incorrect.
2.6.4.3
Fonction sinus cardinal

h
F sinc
Voir la demonstration en TD.
2.7
i
T
= T. rect(T ).
(2.22)
Exemples danalyse frequentielle
2.7.1 Caracterisation de laudition humaine

Dans lair, le son se propage sous la forme dune variation de pression. Le niveau du son
decoule donc de la pression acoustique exprimee en Pascal (Pa). La sensation de niveau sonore
22
Dans lexemple page 41, nous avons vu que = . Dautre part, daprès la sous section 2.4.3.6,
F[f ]() = 2iF[f ] ().
Par suite
2iF[]() = F[]() = 1.
(2.20)
Ici, il faut faire attention que les termes de cette e quation sont des distributions. On peut ainsi demontrer quau sens
des distributions :
() = 0
Par suite, la solution de lequation (2.20) secrit :
F[] =
1
+ k
2i
(2.21)
où k est une constante a` determiner. Pour determiner k, on va regarder la valeur que prend la distribution definie par
F[] pour une fonction test particulière definie par :
2
1
() = e 2
2
Cette fonction test est telle que :

t2
1
F[](t) = e 2 .
2
En utilisant cette expression de F[] et la relation (2.15), on demontre que < F[], >=
utilisant (2.21), on demontre que < F[], >= k 12 . Par suite, k = 21 .
1 .
2 2
Dautre part, en
G. S CORLETTI
49
par un auditeur humain dune composant sinusodale dun son appelee sonie depend de la pression
acoustique mais aussi de la frequence de cette composante. La figure 2.2523 represente la pression
que doit avoir un son en fonction de la frequence afin dobtenir une meme perception de volume
sonore pour un humain a` loue fine [11].
F IG . 2.25 Courbes daudition isosoniques : Pression acoustique en Pascal (ordonnee a` droite)

versus frequence (abscisse) (extrait de [11])
Au delà de son interet scientifique, la caracterisation de laudition humaine a un interet pratique important pour lingenieur : elle va permettre de definir une partie du cahier des charges
des systèmes technologiques qui vont effectuer le traitement du son pour des applications bien
determinees 24 . Ainsi, par exemple, un telephone est un système technologique dont lobjectif est
23
Lordonnee a` gauche represente le niveau sonore defini par :

P
L = 20 log
P0
avec P la pression acoustique en Pascal et P0 = 2 105 la pression acoustique de reference : elle correspond au
seuil de laudition.
24
Les limites de la perception ont e te illustrees par le peinture belge Renee Magritte, voir par exemple le tableau
50
C HAPITRE 2
de traiter la parole. La figure 2.25 nous montre que le spectre de la parole comprend des composantes comprises entre 800 Hz et 8 kHz environ. Lorsque la parole va e tre traitee par le telephone,
il est donc primordial de ne pas alterer la partie du spectre qui est dans cette gamme de frequences.
2.7.2 Description de la bande VHF

Il sagit de la bande de frequence radio qui setend de 30.525 a` 400 MHz. Elle est utilisee de
la facon decrite dans le tableau 2.5.
2.8
Resolution dequations differentielles ou de la transformee

de Fourier a` la transformee de Laplace
Problme initial
dans le domaine
temporel
Problme
dans le domaine
frquentiel
Transformation
1
Rsolution
simple
Rsolution
difficile
2
3
Solution
frquentielle
Solution
temporelle
Transformation
inverse
F IG . 2.26 Transformez votre vie !

Les proprietes de la Transformee de Fourier presentees section 2.4.3 peuvent e tre exploitees
pour la resolution dequations differentielles lineaires a` coefficients constants. Le principe est de
calculer la transformee de Fourier de la solution puis dobtenir la solution par transformee de
Fourier inverse suivant le schema presente figure 2.26. Ceci est illustre dans lexemple qui suit.
Exemple Soit lequation differentielle :
t R,
y(t)
+ ay(t) = bx(t).
(2.23)
On desire determiner la fonction y solution de cette e quation pour x = .

La Trahison des images . Lart de lingenieur est dexploiter au mieux les limites de la perception humaine. Pour
cela, il est important de les connatre.
G. S CORLETTI
Frequence
30,525 a` 32,125 MHz
30,750 a` 32,075 MHz
31,300 MHz
32,125 a` 32,500 MHz
32,500 a` 33,700 MHz
32,800 MHz
33,000 a` 34,850 MHz
34,850 a` 36,200 MHz
36,200 a` 36,400 MHz
36,400 a` 37,500 MHz
37,500 a` 38,250 MHz
39,000 a` 40,600 MHz
40,660 a` 40,700 MHz
40,995 a` 41,105 MHz
41,100 a` 41,200 MHz
41,205 a` 41,245 MHz
41,310 a` 41,475 MHz
47,000 a` 47,120 MHz
47,400 a` 47,600 MHz
47,600 a` 47,700 MHz
50,200 MHz
50,200 a` 51,200 MHz
55,750 a` 63,750 MHz
56,330 MHz
62,860 MHz
68,000 a` 68,460 MHz
68,462 a` 69,250 MHz
69,250 a` 70,000 MHz
70,250 a` 70,525 MHz
70,525 a` 70,975 MHz
70,975 a` 71,950 MHz
71,300 a` 71,800 MHz
72,200 a` 72,500 MHz
72,500 a` 73,300 MHz
73,300 a` 74,800 MHz
74,800 a` 75,200 MHz
75,200 a` 77,475 MHz
77,475 a` 80,000 MHz
80,000 a` 82,475 MHz
82,475 a` 83,000 MHz
83,000 a` 87,300 MHz
87,300 a` 87,500 MHz
87,500 a` 108,000 MHz
108,000 a` 117,950 MHz
118,000 a` 136,000 MHz
137,000 a` 138,000 MHz
138,000 a` 144,000 MHz
143,9875 a` 144,000 MHz
144,000 a` 146,000 MHz
146,000 a` 156,000 MHz
151,005 a` 152,990 MHz
152,000 a` 152,020 MHz
152,570 a` 152,655 MHz
152,990 a` 155,995 MHz
154,980 a` 155,180 MHz
155,995 a` 162,995 MHz
156,025 a` 157,425 MHz
160,625 a` 160,950 MHz
161,550 a` 162,025 MHz
162,500 a` 162,525 MHz
164,800 a` 168,900 MHz
169,410 a` 173,815 MHz
169,795 a` 173,495 MHz
173,500 a` 174,000 MHz
174,000 a` 223,000 MHz
174,000 a` 234,000 MHz
175,500 a` 178,500 MHz
183,500 a` 186,500 MHz
223,500 a` 225,000 MHz
225,000 a` 400,000 MHz
Utilisation
Reseaux prives
Appareils faible portee non specifiques
Radiomessagerie sur site
Usage militaire
Reseaux prives
Microphones sans fils
Usage militaire
Reseaux prives
Microphones sans fils
Usage militaire
Radio-astronomie
Reseaux prives
Aeromodelisme
Modelisme
Telealarme pour personnes a gees jusquau 31/12/2005
Telephones sans fils
Reseaux prives
Reseaux prives en region parisienne seulement
Reseaux prives
Liaison video sol-train, en region parisienne
Trafic amateur
Television bande I
Usage militaire
Reseaux prives
Usage militaire
Reseaux prives
Usage militaire
Reseaux prives
Modelisme
Reseaux prives
Gendarmerie nationale
Radiolocalisation aeronautique (Marker)
Reseaux prives, taxis
Gendarmerie nationale
Reseaux prives
Usage militaire
Police, pompiers, SAMU
Radiomessagerie unilaterale : alphapage, biplus ou eurosignal
Radiodiffusion FM bande II
Radio Navigation Aeronautique (VOR et ILS)
Trafic aeronautique, bande air ou aviation (frequence de detresse 121,5MHz)
Liaisons satellitaires descendantes,(Satellites Meteo)
Usage militaire
Frequence reservee vol libre
Trafic amateur, bande des 2 mètres
Trafic aeronautique (liaisons satellitaires montantes de 148MHz a` 150MHz )
Reseaux prives
Radiomessagerie sur site
Reseaux prives
Liaisons fixes dabonnes isoles
Reseaux prives en dehors des cotes
Trafic maritime et fluvial, bande VHF marine
Reseaux prives
Radiomessagerie norme ERMES
Reseaux prives
Police, pompiers, SAMU
Television bande III
DAB bande III
Microphones sans fil
Microphones sans fil
Appareils faible portee non specifiques jusquau 31/12/2005
Trafic aeronautique et liaisons satellitaires militaires
TAB . 2.5 Utilisation de la bande VHF
51
52
C HAPITRE 2
1. La première e tape consiste a` prendre la transformee de Fourier de cette e quation. La transformee de Fourier a la propriete de linearite : F[af + bg] = aF[f ] + bF[g]. Doù
F [y + ay] = F [y]
+ aF [y] .
Par la propriete sur la derivation : F[f (n) ]() = (2i)n F (), on a :
F [y]
= 2i F [y] .
Par suite, la transformee de Fourier de lequation differentielle mène a` :
(2i + a) Y () = bX().
Doù on a Y () = G()X() avec
G() =
b
.
2i + a
2. La seconde e tape consiste a` remplacer X par son expression. Daprès la sous section 2.6.4.2 :
F[] =
1
1
+ .
2i 2
Doù
1
1
+ G
2i 2
Or, daprès (2.13), page 41, G = G(0) soit b/a.
Y =G
3. La troisième e tape consiste a` faire une decomposition en e lements simples de la fonction

rationnelle Y ().
1
b
b/a
b/a
1
=
=
+
2i
2i + a 2i
2i + a 2i
par decomposition en e lements simples. Doù :
G()
Daprès le TD 1 :
Y = b/a
1
1
+
+
2i +a |2i{z
F []
2 }
1
2i +a
Doù, en prenant la transformee de Fourier inverse, on obtient :

y = b/a 1 ea .
F[ea ] =
La demarche precedente na de sens que si pour les signaux x et y, il est possible de definir
leur transformee de Fourier. Pour la fonction x = , nous savons daprès la sous section 2.6.4.2
que celle-ci est definie au sens des distributions. La fonction y correspond elle a` une fonction qui
fait intervenir le terme eat .
G. S CORLETTI
53
Dans le cas où a > 0, y appartient a` L1 (R) et donc daprès Theorème 2.4.1, il admet
forcement une transformee de Fourier.
Dans le cas où a < 0, y nappartient pas a` L1 (R) et elle nest pas a` croissance lente a` linfini.
Daprès la sous section 2.6.4, il nest donc pas e vident que x admette une transformee de
Fourier, meme au sens des distributions25 .
Par suite, la demarche appliquee dans lexemple precedent nest pas correcte dans le cas où
a < 0. Comment ladapter pour pouvoir traiter correctement cet exemple ?
Pour cela, on a recourt a` une astuce (changement de variable) qui consiste a` introduire le signal
z tel que y = e z, avec telle que > a et w tel que x = e w, dans lequation 2.23, ce qui
donne :
t R, et z(t)
+ (a + ) et z(t) = bet w(t)
soit
t R,
z(t)
+ (a + ) z(t) = bw(t).
Avec > a, les fonctions z et w appartiennent a` L1 (R) : il est alors possible de definir leur
transformee de Fourier et donc dappliquer la transformee de Fourier a` lequation ci-dessus.
Or, par definition,
Z() =
z(t)e2it dt
et y(t)e2it dt
y(t)e(+2i)t dt
Soit s = + 2i une variable complexe appelee variable de Laplace. La quantite ci-dessous

definit une fonction de s appelee Transformee de Laplace bilaterale de y :
Z +
y(t)est dt
Y (s) =
et notee Lbl [y](s). Lbl [y] est une generalisation de la transformee de Fourier F[y] qui e tait definie
par :
Z
+
F[y]() =
y(t)e2it dt
où lon a remplace 2i par la variable complexe s. Attention que lintegrale ci-dessus nest bien
definie que pour s appartenant a` un sous ensemble de C bien defini. Dans lexemple considere, le
nombre complexe s doit e tre tel que Re(s) > a où a est appele abscisse de convergence.
Definir la transformee de Laplace de y avec un abscisse de convergence de a revient donc a`
definir la transformee de Fourier de z qui est bien definie puisque z L1 (R).
Il est aussi possible de definir la transformee de Laplace monolaterale
Z +
Y (s) =
y(t)est dt
t=0
25
Et cest effectivement le cas.
54
C HAPITRE 2
Temporel
Laplace
Ensemble de definition
ea
ea
aR
1
+a
Re(s) > a
ea sin(0 )
aR
0
(+a)2 +02
Re(s) > a
ea cos(0 )
aR
+a
(+a)2 +02
Re(s) > a
TAB . 2.6 Transformees de Laplace usuelles

que lon notera dans la suite L[y]. Pour les signaux y tels que t < 0, y(t) = 0, les transformees de
Laplace monolaterale et bilaterale concident26 . Souvent, la resolution des e quations differentielles
telles que (2.23) se fait pour t 0, avec des conditions initiales donnees pour t = 0, par exemple :
(
t 0, y(t)
+ ay(t) = bx(t)
y(0) = y0
Ceci explique linteret particulier de la transformee de Laplace monolaterale. Un autre point est
que le calcul dune transformee bilaterale peut se ramener au calcul de deux transformees monolaterales car on a :
Z +
Z 0
Z +
st
st
y(t)e dt =
y(t)e dt +
y(t)est dt
st
y(t )e dt +
y(t)est dt
en faisant le changement de variable t t dans la première integrale. Ces deux termes correspondent a` deux transformees monolaterales :
Lbl [y](s) = L[y()](s) + L[y](s).
Dans la suite, on ne sinteressera donc quà la transformee de Laplace monolaterale.
Comme dans le cas de la transformee de Fourier, on peut e tablir les transformees de Laplace
(monolaterales) de fonctions usuelles ainsi que de distributions. Un certain nombre dexemples
sont presentes dans le tableau 2.6.
26
Ces signaux sont parfois appeles causaux. Cependant, cette appellation est assez trompeuse puisque la causalite
est la propriete dun système de convolution qui se traduit par le fait que la reponse impulsionnelle de ce système est
nulle pour les t < 0.
G. S CORLETTI
55
L[af + bg] = aL[f ] + bL[g]

1
L[f (a)](s) = |a|
L[f ] as
Linearite
Changement
dechelle
Translation
temporelle
L[f ( t0 )](s) = est0 L[f ](s)
Modulation
L[es0 f ](s) = L[f ] (s s0 )

L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)
Derivee
Integration
Z

1
f (u)du (s) = L[f ](s)
s
TAB . 2.7 Proprietes de la Transformation de Laplace (monolaterale)

Du fait de la proximite des deux transformees, les proprietes de la transformee de Laplace sont
similaires aux proprietes de la transformee de Fourier, voir tableau 2.7.
Exemple En appliquant la transformee de Laplace sur lequation :

(
t 0, y(t)
+ ay(t) = bx(t)
y(0) = y0
et les proprietes du tableau 2.7 de la sous section, on obtient alors :

(s + a) Y (s) y(0) = bX(s)
Daprès le tableau 2.6, on a alors
Y (s) =
1
y(0) b/a b/a
b 1
+
y(0) =
+
s+as s+a
s+a
s
Daprès le tableau 2.6, on en deduit que :

t R,
2.9
y(t) = (y(0) b/a)eat (t) + (b/a)(t).
En resume
Sil est naturel de modeliser un signal par une fonction, une approche plus satisfaisante
consiste a` modeliser un signal par une distribution, notion qui e tend la notion de fonction.
Une distribution particulière et incontournable en traitement du signal est limpulsion de
Dirac a .
56
C HAPITRE 2
Un signal peut e tre caracterise par son spectre, lanalyse frequentielle correspondant a`
letude de ce spectre. Comme nous lavons vu dans lexemple de laudition humaine, le
spectre dun signal peut permettre de determiner linformation pertinente pour une application donnee27 . Ce point est important : il sera par exemple exploite dans le chapitre suivant
pour extraire linformation utile dun signal dans le chapitre suivant.
La decomposition en serie de Fourier est un premier outil danalyse frequentielle valable
pour des fonctions definies sur un intervalle (avec certaines proprietes) et pour des fonctions
periodiques. Cependant, dans ce qui suit, sauf indication contraire, lanalyse frequentielle
se basera sur la transformee de Fourier, car elle peut e tre definie pour une classe riche de
signaux, contrairement a` la serie de Fourier, quitte a` la definir au sens des distributions.
Les spectres de signaux e lementaires ont e te e tudies a` travers des exemples :
1. Non periodiques : rect, tri28 , sinc, ...
2. Periodiques
La transformee de Fourier peut e tre utilisee pour la resolution dequations differentielles
lineaires a` coefficients constants a` condition de sassurer quelle est bien definie pour les
signaux sur lesquels elle sapplique.
La transformee de Laplace est une extension de la transformee de Fourier qui est bien definie
pour une classe de signaux plus importante que la transformee de Fourier, par exemple pour
les signaux qui ont une divergence exponentielle a` linfini. Elle permet ainsi de resoudre de
facon plus systematique les e quations differentielles.
Dans la suite du document, par convention, une lettre minuscule fait reference a` un signal
dans le domaine temporel et la meme lettre en majuscule a` sa transformee de Fourier ou de
Laplace.
2.10
Annexe du chapitre : un exemple de script Matlab
Sous Matlab, il existe deux modes de fonctionnement :

1. Soit les commandes sont tapees en ligne, sous le prompt >> dans la fenetre Matlab ;
2. Soit un fichier filename.m est cree dans lequel une suite dinstructions Matlab est
e crite. Ce fichier est ensuite execute sous Matlab. Un tel fichier est appele script. Pour
creer un nouveau script, cliquer sous la fenetre Matlab sur la première icone en haut a`
gauche. Lediteur qui est ouvert sutilise alors comme tout e diteur. Pour lexecuter, après
avoir sauvegarde le fichier, taper le nom du script (sans lextension .m) sous le prompt de
Matlab ou cliquer sur licone play de lediteur.
Conseil pratique : le second mode de fonctionnement est preferable au premier.
Dans les exemples presentes dans ce chapitre, les scripts Matlab ont essentiellement servi
a` tracer les courbes caracteristiques de fonctions. Par exemple, pour obtenir figure 2.2, la suite
dinstructions suivante permet de tracer la courbe caracteristique de la fonction (2.2) :
T
= 2;
tv = linspace(-T/2,T/2,1000);
27
28
% Initialisation de la variable T
% Cr
eation dun vecteur de 1000
el
ements
% espac
es lin
eairement dont le premier
Cest-à-dire dans le cas de laudition humain, la part du son qui est effectivement percu par un e tre humain.
Cette fonction est definie en TD.
G. S CORLETTI

%
57
vaut -T/2 et le dernier +T/2
ft = cos(2*pi/T*tv)+4*sin(2*pi/T*tv) + 4*(cos(2*pi/T*2*tv));
% Calcul des valeurs de la fonction f
% pour t prennant ses valeurs dans le
% vecteur tv
figure, % Cr
eation dune nouvelle figure
ees prises dans les vecteurs
e des points de coordonn
plot(tv, ft); % Trac
% tv et ft, les points successifs
%
etant reli
es par des segments de droite
grid on; % Affichage dune grille
hold on;
% Fige le contenu de la figure active
plot(tv,cos(2*pi/T*tv),:,tv,4*sin(2*pi/T*tv),-.,tv,
4*cos(2*pi/T*2*tv),--);
% Trace sur la figure les diff
erents termes
% de la d
ecomposition en s
erie de Fourier
Un point de syntaxe : le % definit le debut dune zone de commentaires. De plus pour avoir
dinformation sur une fonction Matlab de nom xxnom de fonction, consulter laide, par exemple
en tapant help nom de fonction sous le prompt >> dans la fenetre Matlab.
58
C HAPITRE 2
Chapitre 3
Modeliser et caracteriser un système :
Convolution et filtrage frequentiel
Dans le chapitre precedent, nous avons vu comment caracteriser un signal par lanalyse frequentielle. Dans ce chapitre, nous allons mettre a` profit cette caracterisation pour aborder une des
grandes techniques de traitement de signal permettant dextraire dun signal donne, un signal
utile : il sagit dobtenir le signal utile comme la sortie dun système de convolution (judicieusement choisi) ayant en entree le signal a` traiter (filtrage).
Les differentes notions sous-jacentes sont introduites a` travers des e lements sur la compression
MP3 dans la section 3.1. Après avoir defini loperation de filtrage frequentiel dans la section 3.2,
les systèmes et les systèmes de convolution sont ensuite definis dans la section 3.3. Leur mise en
uvre pour le filtrage est abordee dans la section 3.4 : le type de filtrage presente est qualifie de
frequentiel car base sur une caracterisation frequentielle des signaux telle que presentee dans le
chapitre precedent. Le chapitre se termine sur le fenetrage temporel presente section 3.5.
3.1
Un exemple introductif : la compression MP3
La compression est un ensemble de methodes visant a` reduire lespace necessaire a` la representation dun signal. Ce point est important que ce soit pour la transmission dun signal ou son
stockage. La compression MP31 est un algorithme de compression audio. Elle sapplique a` des
signaux sonores destines a` e tre e coutes par un e tre humain2 . De facon schematique, un signal
sonore x peut se decomposer en deux parties :
t R,
x(t) = xu (t) + xr (t)
où
1. xu est la partie utile : dans lexemple present, il sagit de la partie du son audible par
letre humain ;
2. xr est la partie inutile : dans lexemple present, il sagit de la partie du son inaudible
par letre humain.
1
La compression MP3 ou MPEG-1 Layer 3 est une technologie europeenne. Lalgorithme MPEG-1 Layer
3 decrit dans les standards ISO/CEI IS 11172-3 et ISO/CEI IS 13818-3 est soumis a` des redevances (droits commerciaux) a` Philips (entreprise neerlandaise), TDF (entreprise francaise), France Telecom (entreprise francaise), IRT
(entreprise allemande), Fraunhofer IIS (entreprise allemande) et Thomson (entreprise francaise) pour toute utilisation
ou implantation physique (notamment sur les baladeurs MP3).
2
Ce point bien quevident est en fait fondamental pour bien comprendre la compression MP3.
59
60
C HAPITRE 3
C ONVOLUTION ET F ILTRAGE
La compression MP3 est basee sur le constat que loreille humaine ne pouvant percevoir que xu ,
plutot que de coder lensemble du signal sonore x, il est simplement necessaire de coder la part
utile xu . Puisque seule la partie utile est codee, la quantite de donnees necessaire sera donc plus
faible que si lensemble du signal x e tait code.
La question est de savoir comment extraire xu a` partir du signal x. Cette question peut e tre
abordee en deux e tapes :
1. Caracterisation du signal xu : cette caracterisation se fait a` partir de lanalyse en temps et en
frequence du signal x telle quelle a e te presentee dans le chapitre precedent ;
2. Extraction de la partie utile xu : lextraction de xu se fait par des techniques de filtrage dont
le principe est presente dans ce chapitre.
F IG . 3.1 Principe du codage MP3 (extrait de http ://computer.howstuffworks.com/mp31.htm)

La caracterisation de xu est basee sur differentes règles3 dont quelques exemples sont presentees
ci-dessous :
Loreille humaine ne percoit que la partie du spectre comprise entre 20 Hz et 20 kHz environ.
On peut donc e liminer les composantes de x dont le spectre est nul dans cet intervalle de
frequences.
Si le signal peut e tre decompose en deux composantes dont le spectre est non nul dans
deux intervalles de frequences distincts et que les e nergies de ces signaux diffèrent de facon
importante, on ne peut conserver que la composante du signal presentant lenergie la plus
importante, voir figure 3.1.
En dessous dune certaine frequence, loreille humaine nest plus capable de faire la distinction spatiale du son. Il est alors plus judicieux de coder la part du signal x correspondant a`
cet intervalle de frequence en mono plutot quen stereo.
Etc..
Le point commun entre toutes ces règles est quelles sont basees sur les caracteristiques du spectre
du signal et que le signal utile peut e tre obtenu en supprimant certaines composantes spectrales
3
Qui constituent un modèle psycho-acoustique de loreille humaine.
G. S CORLETTI
61
du signal, voir figure 3.1. Lidee est de generer un signal dont le spectre est nul sur certains intervalles de frequence et qui concide avec le spectre du signal de depart sur les autres frequences.
Cette compression basee sur le spectre du signal de depart permet de diviser jusquà un facteur de
12 la quantite de donnees stockees. Merci Monsieur Fourier !
Comment extraire dun signal x un signal utile xu caracterise frequentiellement ?
3.2
Filtrage frequentiel : objectif
Pour supprimer certaines composantes spectrales dun signal, la technique utilisee est le
filtrage frequentiel.
SIGNAL
SIGNAL
0.04
???
0.06
0.04
0.02
y(t)
x(t)
0.02
0
0
0.02
0.02
0.04
0
0.04
0
10
10
SPECTRE en module
2.5
2.5
2
|Y()|
2
|X()|
4
t
SPECTRE en module
1.5
1.5
0.5
0.5
0
0
100
200
300
400
0
0
500
100
200
300
400
500
1
1
F IG . 3.2 Exemple de filtrage frequentiel : N = 1, min
= 100 Hz, max
= 400 Hz
Le filtrage frequentiel est loperation qui consiste en :

i
i
Etant donne N intervalles de frequences [min
; max
], tel que pour tout i {1, , N },
i+1
i
i
i
min < max et pour tout i {1, , (N 1)}, max < min
;
Pour tout signal x
Produire un signal y tel que :
[

i
i
,
Y () = X() ;
min
max
i
[

i
i
min
; max
R
\
, Y () = 0.
i
i
On parle de transmission dans les intervalles de frequences [min
; max
] et dattenuation pour les
frequences nappartenant pas a` ces intervalles.
Un exemple est presente figure 3.2.
62
C HAPITRE 3
Remarque Si loperation de filtrage filtrage frequentiel est definie a` partir des spectres des signaux, dans la majorite des cas, elle est realisee sur les signaux dans le domaine temporel, sans
calcul explicite de leur spectre.
Le filtrage frequentiel est fonde sur les systèmes de convolution qui sont maintenant presentes.
3.3
Systèmes de convolution
Les systèmes de convolutions sont definis a` partir du produit de convolution.
3.3.1 Produit de convolution et systèmes de convolution

3.3.1.1
Definition
Causes
Information
Energie
Matière
Effets
-
-Information
- Energie
- Matière
SYSTEME
ENTREE
SORTIE
F IG . 3.3 Système general

Un système est un processus qui transforme un ou plusieurs signaux dentree en un ou plusieurs signaux de sortie, voir figure 3.7. En Physique, un système est en general une portion de la
realite definie par une frontière et organisee en fonction dun but. En Traitement du Signal, sil est
organise en fonction dun but, il peut e tre plus virtuel : par exemple, cela peut correspondre a` un
programme informatique qui effectue des calculs a` partir dun signal pour produire un nouveau
signal.
y1
x1
- Système
x1 + x2
- Système
y1 + y2
-
y2
x2
- Système
F IG . 3.4 Additivite
Un système lineaire est un système qui obeit au principe de superposition, defini par les proprietes dadditivite et dhomogeneite :
G. S CORLETTI
63
Additivite Si pour un système, y1 est le signal de sortie correspondant au signal dentree x1 et

y2 est le signal de sortie correspondant au signal dentree x2 alors pour le signal dentree
x1 + x2 , le signal de sortie est donne par y1 + y2 , voir figure 3.4.
Homogeneite Si pour un système, y est le signal de sortie correspondant au signal dentree x
alors pour tout reel , pour le signal dentree x, le signal de sortie est donne par y, voir
figure 3.5.
x
- Système
y
- Système
F IG . 3.5 Homogeneite
Un système invariant est un système dont les paramètres sont invariants dans le temps. cela se
traduit par :
Invariance Si pour un système, y est le signal de sortie correspondant au signal dentree x alors
pour le signal dentree x( t0 ), le signal de sortie est donne par y( t0 ), voir figure 3.6.
x
- Système
x( to )
- Système
y( t0 )
-
F IG . 3.6 Invariance
Attention Le terme de système est souvent applique aux relations mathematiques qui decrivent
le comportement du système cest-à-dire qui relient les signaux de sortie aux signaux dentree :
en realite, il sagit du modèle (mathematique) du système. 4
x
-
F IG . 3.7 Système de convolution : y = h x

4
Le developpement important de linformatique a permis le developpement de puissantes methodes dingenierie,
cest-à-dire de conception des systèmes. Le système a` concevoir est dabord dimensionne, realise et e tudie sous
la forme dun modèle mathematique a` laide dun logiciel. Cette e tape a permis de fortement reduire le temps de
conception des systèmes tout en traitant des systèmes de complexite croissante.
64
C HAPITRE 3
Les systèmes de convolution sont des systèmes lineaires invariants 5 dont le comportement est
defini par une fonction h : si x est lentree et y la sortie alors
Z +
Z +
t R, y(t) =
h(t )x( )d =
h( )x(t )d = h x(t)
(3.1)
où definit le produit de convolution de h par x, voir figure 3.7. Cette operation a les proprietes
suivantes :
Commutativite h x = x h
Additivite (h1 + h2 ) x = (h1 x) + (h2 x)
Homogeneite h x = h x = (h x)
Exemple illustratif du produit de convolution On considère le signal x defini par la courbe
representee figure 3.8 a` gauche. Le système est caracterise par la fonction h definie par la courbe
representee figure 3.8 en haut. On cherche a` determiner la valeur y(t) pour t = 1.5 avec y(t) =
h x(t).
h(u)
2
1.5
h(u)
0.5
0.5
0.5
0.5
1.5
1.5
2
h()
h() et h(t) avec t=1.5
sin(4 )
0.5
0.5
0.5
1.5
2
h(t)
1.5
1.5
0.5
0.5
x( )
t=1.5
0.5
2
1.5
0.5
0.5
h(t )
1.5
h(t )x( )
h(t )x( )d = (Aire rouge fonce) - (Aire gris clair)

F IG . 3.8 Illustration du produit de convolution
5
Le terme système lineaire stationnaire est e quivalent : pour la definition des systèmes lineaires stationnaires, voir
le cours dAutomatique.
G. S CORLETTI
65
Pour cela, a` partir de la courbe caracteristique de h, on obtient la courbe caracteristique de

h(t ). La courbe caracteristique de h(t )x() est alors obtenue a` partir des courbes caracteristiques de h(t ) et de x, voir figure 3.8, a` droite. La valeur de y(1.5) est alors lintegrale
de cette fonction, ce qui revient a` soustraire laire coloriee en gris clair a` laire coloriee en rouge
fonce, figure 3.8 en bas a` droite. La courbe caracteristique de h(t ) indique que la valeur de
y(1.5) va de moins en moins dependre de la valeur de x( ) au fur et a` mesure que devient de
plus en plus inferieur a` 1.5. Puisque h(t ) est nulle pour < 0.5, la sortie y(t) ne depend pas
des valeurs de lentree anterieures de plus de 1. On parle alors de système a` memoire finie.
Cet exemple permet de comprendre pourquoi le produit de convolution est parfois appele RTMI.
Cet acronyme est base sur les differentes operations e lementaires effectuees pour obtenir le produit
de convolution :
Retournement h(u) h( )
Translation h( ) h(t )
Multiplication h(t ).x( )

Z +
h(t )x( )d
Integration
3.3.1.2
Exemples de systèmes de convolution
Le comportement dun grand nombre de systèmes physiques, sous certaines conditions dutilisation, peut e tre modelise par un système de convolution. A titre dexemple, on presente un
système e lectronique et un système mecanique.
Exemple dun circuit e lectronique Le circuit dit semi-integrateur represente figure 3.9 est un
système de convolution admettant x comme entree, y comme sortie et tel que :
t R,
y(t) = h x(t)
h(t) = e RC (t)
avec
0.2
0.2
h(t)
C
R
0.4
0.6
0.8
RC
3RC
t
F IG . 3.9 Exemple de système de convolution
66
C HAPITRE 3
zsol
zroue
F IG . 3.10 Modelisation simplifiee dune roue e quipee dun pneumatique

Exemple dun système mecanique Une modelisation simplifiee dune roue dotee de pneumatique se deplacant sur un sol inegal est donnee par :
mr zroue (t) = c(zsol (t) zroue (t)) + k(zsol (t) zroue (t))
voir figure 3.10. Le système qui admet zroue pour sortie et zsol pour entree est un système de
convolution defini par la reponse impulsionnelle :
h(t) = 2et (a cos(t) + b sin(t))
avec =
c
,
2mr
k
2mr
c
2mr
2
,a=
c
mr
et b =
2
k
c 2
c
2mr
Exercice Par application de la transformee de Laplace, retrouver lexpression de la reponse

impulsionnelle h.
3.3.1.3
Proprietes de base a` e tudier
La stabilite et la causalite sont deux proprietes quil est important detudier pour un système
de convolution.
Stabilite Un système est dit stable si pour tout signal dentree borne 6 le signal de sortie est
borne. Dans le cas dun système de convolution, le système de convolution est stable (pour tout
signal x borne, y tel que (3.1) est borne) si et seulement si h L1 (R)7 .
6
Il est possible de definir de plusieurs facons un signal borne. La plus courante est : M tel que t, |x(t)| M .
Cest la definition qui est adoptee dans ce document.
7
Dans un premier temps, montrons que si h L1 (R) alors le système de convolution est stable.
Soit un signal dentree x borne. Par suite, x borne M tel que t, |x(t)| M .
Z +
Z +
Z +

|h(u)| du.
|h(t )| |x( )|d M
h(t )x( )d
|y(t)| =
Par suite, comme h L1 (R), le signal y est borne. A partir de la definition de la stabilite, on conclut que le système
de convolution est stable.
G. S CORLETTI
67
Causalite Le système est dit causal si la valeur de la sortie y a` linstant t ne depend que des
valeurs de lentree x aux instants anterieurs a` t, t inclus. Dans le cas dun système de convolution,
lexpression (3.1) se simplifie alors en :
Z t
t R, y(t) =
h(t )x( )d.
Par suite, la fonction h est forcement telle que :

u < 0, h(u) = 0 soit u R, h(u) = h(u).(u)
Tout système physique possède la propriete de causalite. Ce qui ne veut pas dire quun système
non causal est denue dinteret pratique comme lillustre la discussion section 3.4.2, page 76.
3.3.2 Produit de convolution et distribution

Pour les objectifs du cours de traitement du signal, on ne considère que le produit de convolution entre une fonction h et limpulsion de Dirac qui peut e tre defini par :
h a (t) = h(t a).
Faire le produit de convolution de h par a revient donc a` retarder de a la fonction h. Par suite :
h = h.
(3.2)
Cette relation justifie lappellation de reponse impulsionnelle pour la fonction h. Elle offre une
methode experimentale pour determiner une approximation de la reponse impulsionnelle dun
système de convolution.
Exemple : la reponse impulsionnelle dune salle deglise Lorsquun son est e mis dans une
e glise, lacoustique particulière de ce type de salle fait que le son percu est toujours notablement
different du son e mis. On peut definir un système salle deglise qui admet pour entree le son
e mis en son sein et pour sortie le son tel quil est percu a` linterieur de cette salle. Sous lhypothèse que ce système est un système de convolution, on peut complètement le caracteriser par
la determination de sa reponse impulsionnelle. netant pas une distribution regulière, on ne peut
e videment pas creer le son correspondant. Par contre, comme cela a e te suggere dans lexemple
page 33, puisque les fonctions fT0 definies dans cet exemple convergent vers une impulsion de
Dirac quand T0 tend vers 0, on peut approcher une impulsion par une telle fonction avec T0 petit.
Cela revient a` envoyer un son très bref et très intense. On mesure alors a` laide dun micro le
son dans la salle ce qui donne la reponse impulsionnelle representee figure 3.11. Le produit de
convolution de cette reponse impulsionnelle avec un son e mis produit le son que lon percoit dans
leglise.
En faisant le produit de convolution de cette reponse impulsionnelle avec un son, on obtient le
son tel quil est effectivement percu dans la salle deglise, voir figure 3.12.
Montrons maintenant que si le système de convolution est stable alors h L1 (R).
Soit le signal dentree x = sign(h()). Comme ce signal est borne par 1 et que le système de convolution est
stable alors le signal de sortie y est borne, en particulier pour t = 0. Par suite,
Z +
|h(u)| du < .
y(0) =
Donc h L1 (R).
C HAPITRE 3

2500
2000
1500
1000
h(t)
68
500
0
500
1000
1500
0.2
0.4
0.6
0.8
F IG . 3.11 Reponse impulsionnelle dune salle deglise
Son percu
Son e mis
-
Salle
Eglise
h
hx
F IG . 3.12 Son percu dans la salle deglise
F IG . 3.13 Logiciels gratuits de convolution sonore (dits de reverberation)
G. S CORLETTI
69
A sin(20 t + )
A sin(20 t)
h
F IG . 3.14 Système de convolution en regime sinusodal

Des logiciels specialises permettent de realiser la convolution de la reponse impulsionnelle
caracteristique dune salle avec un son, voir figure 3.13.
Enfin, on peut definir le produit de convolution de deux impulsions de Dirac :
a b = a+b .
(3.3)
3.3.3 Sortie dun système de convolution pour une entree sinusodale : reponse
harmonique
Dans la mesure où dans le chapitre precedent, nous avons vu que, sous certaines hypothèses,
un signal peut se decomposer comme la somme dune infinite de sinus, voir par exemple page 28,
il est naturel de chercher a` caracteriser le comportement dun système de convolution (stable) en
e tudiant sa reponse aux signaux dentree sinusodaux, ce qui est appele reponse harmonique.
Pour cela, nous allons e tablir lexpression du signal de sortie y dun système de convolution de
reponse impulsionnelle pour un signal dentree x sinusodale :

A 2i0 t
e
e2i0 t .
t R, x(t) = A sin(20 t) =
2i
Or,
Z +
Z +
2i0
2i0 (t )
2i0 t
h( )e2i0 d = e2i0 t H(0 ).
he
(t) =
h( )e
d = e
De meme he2i0 (t) = e2i0 t H(0 ). H est la transformee de Fourier dune fonction reelle :
daprès la section 2.4.3.7, page 31, on a :
|H(0 )| = |H(0 )|
et
arg (H(0 )) = arg (H(0 )) .
Par suite,
t R, y(t) = A|H(0 )| sin (20 t + arg (H(0 ))) .
(3.4)
H, la transformee de Fourier de la reponse impulsionnelle h, est appelee la reponse frequentielle

du système de convolution. La reponse frequentielle dun système de convolution definit donc sa
reponse pour toute entree sinusodale.
Cette propriete montre que la valeur de la reponse frequentielle pour une frequence donnee
peut e tre obtenue experimentalement en appliquant a` lentree du système un signal sinusodal de
frequence et en mesurant lamplitude du signal sinusodal de sortie ainsi que son dephasage par
rapport au signal dentree. Le rapport de lamplitude de la sinusode de sortie sur lamplitude de
la sinusode dentree donne une valeur experimentale de |H()| et la difference entre les deux
dephasages, une valeur experimentale de arg(H()) :
|H(0 )| =
voir la figure 3.14.
A
A
et
arg (H(0 )) =
70
C HAPITRE 3
3.3.4 Produit de convolution et transformees de Fourier et de Laplace

Avec x et y, signaux dentree et de sortie dun système de convolution defini par la reponse
impulsionnelle h :
t R, y(t) = h x(t),
que peut-on dire du spectre Y de y par rapport au spectre X de x ?
Le signal x est relie a` son spectre X par :
t R,
x(t) =
X()e2it d
Or, daprès la section precedente, pour une valeur de donnee :

h e2i (t) = H()e2it
t R,
Par suite,
X()h e2i (t) = H()X()e2it
t R,
On en deduit que :
t R,
+
2i
h X()e
Puisque
H()X()e2it d
Doù
t R,
(t)d =
Z
Z
+
2i
X()e
{z
x
t R,
d (t) =
H()X()e2it d
}
|
{z
}
y(t)
y(t) =
Y ()e2it d
on en deduit
R,
Y () = H()X()
On a la propriete fondamentale : la transformee de Fourier du produit de convolution de deux

signaux est e gale au produit de transformees de Fourier de chaque signal, cest-à-dire :
F[f g] = F[f ].F[g].
(3.5)
Il est amusant de constater quil existe une relation symetrique a` la relation (3.5) :
F[f.g] = F[f ] F[g].
(3.6)
Si on applique (3.5) a` un système de convolution de reponse impulsionnelle h, on obtient :

y(t) = h x(t) Y () = H()X().
(3.7)
Le spectre du signal de sortie est obtenu par la multiplication du spectre du signal dentree par la
reponse frequentielle du système de convolution.
G. S CORLETTI
71
Exemple du circuit e lectronique Revenons a` lexemple page 65.

H() =
1
1 + RC2i
Des relations similaires a` (3.5) et (3.6) peuvent e tre obtenues dans le cas de la transformee de
Laplace :
L[f g] = L[f ].L[g]
(3.8)
et
L[f.g] = L[f ] L[g].
(3.9)
La propriete remarquable presentee en (3.7) a plusieurs applications importantes.
Problme initial
dans le domaine
temporel
Problme
dans le domaine
frquentiel
Transformation
1
Rsolution
simple
Rsolution
difficile
2
3
Solution
frquentielle
Solution
temporelle
Transformation
inverse
F IG . 3.15 Transformez votre vie !

Une application interessante est le calcul de la sortie dun système de convolution connaissant
le signal dentree x et la reponse impulsionnelle du système. Pour une entree donnee x, dans le
domaine temporel, le calcul de la sortie dun système de convolution par la formule (3.1) peut e tre
extremement difficile puisque la valeur de y(t) pour chaque t est obtenue par un calcul integral.
Par contre, dans le domaine frequentiel (resp. Laplace), la transformee de Fourier (resp. Laplace)
du signal de sortie est obtenue par la simple multiplication de la transformee de Fourier (resp.
Laplace) de la reponse impulsionnelle du système de convolution par la transformee de Fourier
(resp. Laplace) du signal dentree, ce qui est largement plus simple. Cest le grand benefice de
lutilisation de transformations, voir la figure 3.15.
Remarque Il sagit ici du calcul de la sortie du système de convolution pour une entree donnee.
En general, un système de convolution represente un système physique. Bien e videmment, un
système physique manipule les signaux dans le domaine temporel et non dans le domaine frequentiel, remarque de bon sens quil convient neanmoins de garder a` lesprit.
72
C HAPITRE 3
3.3.5 Système de convolution et fonction de transfert

Beaucoup de systèmes physiques sont modelises par des systèmes causaux definis par une
e quation differentielle lineaire a` coefficients constants. Ces systèmes sont-ils des systèmes de
convolution ? Pour repondre a` cette question, la transformation de Laplace est appliquee.
Soit lequation differentielle lineaire a` coefficient constant dordre n :
dn y(t)
dm x(t)
d(n1) y(t)
dy(t)
d(m1) x(t)
dx(t)
+a
y(t)
=
b
+b0 x(t)
+a
+
+a
+b
+ +b1
0
m
n1
1
m1
n
(n1)
m
(m1)
dt
dt
dt
dt
dt
dt
(3.10)
où an1 , , a0 et bn , , b0 sont des coefficients reels, où m et n sont deux entiers tels que
m n. Les conditions initiales sont nulles.
En prenant la transformee de Laplace de cette e quation differentielle et en utilisant les proprietes de la transformee de Laplace presentees dans le tableau 2.7, page 55 :
Linearite
L[af + bg] = aL[f ] + bL[g]
Derivee

L[f (n) ](s) = sn L[f ](s) sn1 f (0) + sn2 f (1) (0) + + sf (n2) (0) + f (n1) (0)
on obtient :

sn + an1 sn1 + + a1 s + a0 Y (s) = bm sm + bm1 sm1 + + b1 s + b0 X(s).
La fonction rationnelle notee F (s) et appelee fonction de transfert est definie par :
F (s) =
bm sm + bm1 sm1 + + b1 s + b0
sn + an1 sn1 + + a1 s + a0
Lentier n est appele lordre de F (s). De plus,

Y (s) = F (s)X(s)
(3.11)
Soit h la fonction telle que F = L[h]. Alors daprès la relation (3.8), lequation (3.11) est
e quivalente a` :
y = h x.
Le système defini par (3.10) est donc un système de convolution.
Il est usuel detudier les proprietes de systèmes definis par des e quations differentielles (3.10) a`
partir de la fonction de transfert F (s). Le système est stable si les racines du polynome denominateur
de F (s) : sn + an1 sn1 + + a1 s + a0 sont a` partie reelle strictement negative. Dans ce cas-là,
on a, avec H() la reponse frequentielle du système de convolution :
H() = F (2i).
G. S CORLETTI
73
3.3.6 Simulation dun système de convolution

Une grande majorite des systèmes de convolution qui sont simules sont des systèmes de convolution qui peuvent e tre defini par des e quations differentielles ou des fonctions des de transfert,
voir section 3.3.5. Un exemple est celui du pneu vu page 66 : le système est decrit par lequation
differentielle :
mr zroue (t) = c(zsol (t) zroue (t)) + k(zsol (t) zroue (t))
où zsol est lentree et zroue est la sortie. A cette e quation differentielle, on peut associer la fonction
de transfert :
cs + k
.
F (s) =
mr s2 + cs + k
La simulation de systèmes definis par des e quations differentielles ou des fonctions de transfert seffectue simplement sous Matlab avec la bote a` outils Simulink. Quelques notions
sur Simulink sont presentees en fin de chapitre, section 3.7.1, 96. Pour une presentation complète
de la simulation sous Matlab, le lecteur peut se referer avec profit au livre [8].
3.4
Filtrage frequentiel
3.4.1 Filtres analogiques

La consequence remarquable de la propriete (3.7) est quil est possible de realiser loperation
de filtrage frequentiel telle que definie section 3.2, page 61 par un système de convolution appele filtre analogique.
Rappelons que le filtrage frequentiel est loperation qui consiste en :
i
i
Etant donne N intervalles de frequences [min
; max
], tel que pour tout i {1, , N },
i+1
i
i
i
min < max et pour tout i {1, , (N 1)}, max < min
;
Pour tout signal x,
Produire un signal y tel que :
[

i
i
min
; max

,
Y () = X() ;
i
[

i
i
R
\
min max , Y () = 0.
i
Si y est la sortie dun système de convolution pour lentree x alors puisquavec H la reponse
frequentielle du système de convolution, on a :
Y () = H()X()
loperation de filtrage est realisee par le système de convolution dont la reponse frequentielle H
est telle que :
[

i
i
min
; max

,
H() = 1 ;
i
[

i
i
min
; max
, H() = 0.
R \
i
i
i
] sont appelees bandes passantes et les intervalles complementaires
; max
Les intervalles de frequences [min
bandes de rejection.
74
C HAPITRE 3
Dans la très grande majorite des cas, on considère un système de convolution defini par une
fonction de transfert (rationnelle a` coefficients constants). Cela vient du fait que, comme explique
section 3.3.5, page 72, dans ce cas-là, le système de convolution est caracterise par une e quation
differentielle. Le système de convolution peut donc e tre realise physiquement en construisant un
système physique dont le comportement dynamique est modelise par cette e quation differentielle.
Filtre passebas
Filtre passehaut
H()
H()
Filtre passebande
Filtre coupebande
H()
H()
F IG . 3.16 Reponse frequentielle de filtres ideaux

Il est classique de definir differents filtres ideaux voir figure 3.16 :
Filtre passe-bas : la bande passante est de la forme [0, c [ et la bande de rejection est de la
forme ]c , +[ ;
Filtre passe-haut : la bande de rejection est de la forme [0, c [ et la bande passante est de la
forme ]c , +[ ;
S
Filtre passe-bande : la bande de rejection est de la forme [0, 1 [ ]2 , +[ et la bande
passante est de la forme ]1 , 2 [ ;
S
Filtre coupe-bande : la bande passante est de la forme [0, 1 [ ]2 , +[ et la bande de
rejection est de la forme ]1 , 2 [.
Exemple des enceintes HIFI 3 voies Les enceintes haute fidelite de qualite sont generalement
e quipees de 3 haut-parleurs, chaque haut-parleur e tant en charge de reproduire le son dans une
gamme de frequences bien definie :
G. S CORLETTI
75
F IG . 3.17 Application du filtrage a` la HIFI

Les tweeters reproduisent les hautes frequences, typiquement les frequences superieures a`
2 kHz : le signal a` reproduire est donc envoye en entree dun filtre passe-haut afin que la
sortie de ce filtre qui alimente les tweeters soit un signal constitue par les composantes
hautes frequences du son ;
Les mediums reproduisent les moyennes frequences, typiquement les frequences dans un
intervalle [500Hz, 5kHz] : le signal a` reproduire est donc envoye en entree dun filtre passebande afin que la sortie de ce filtre qui alimente les mediums soit un signal constitue par les
composantes moyennes frequences du son ;
Les woofers reproduisent les basses frequences, typiquement les frequences inferieures a`
1 kHz : le signal a` reproduire est donc envoye en entree dun filtre passe-bas afin que la
sortie de ce filtre qui alimente les woofers soit un signal constitue par les composantes
basses frequences du son.
Une enceinte HIFI est donc e quipee de 3 filtres frequentiels qui sont realises a` laide dun circuit
delectronique analogique, voir figure 3.17.
Exemple du pneu XXX

En resume, la conception dun filtre consiste a` :
1. determiner le système de convolution dont la reponse frequentielle a les bonnes caracteristiques en terme de bande(s) passante(s), de rejection, etc.. Le système de convolution peut
e tre represente par sa reponse impulsionnelle ou de facon plus commode par sa fonction de
transfert ;
76
C HAPITRE 3
Filtre
Domaine de travail
Système manipule
x(t)
y(t)
-
H()
Realisation
temporel
Fonctionnement
X()
Y ()
-
Conception
frequentiel
Analyse
TAB . 3.1 Filtrage, temps et frequence
2. le realiser par un système technologique : cela peut e tre un système delectronique analogique, un système mecanique, mecatronique, etc... Le circuit e lectronique represente figure 3.17 est un exemple de realisation.
Cest la première e tape qui nous interesse dans ce cours. Neanmoins, la determination du filtre
doit prendre en compte le fait quil doit e tre possible de le realiser par un système technologique !
Pour ce qui est des technologies e lectroniques, ce second aspect est aborde dans le cours GE b 1.3
Systèmes e lectroniques.
Remarque Si le filtre est defini puis concu en raisonnant sur la reponse frequentielle du filtre et
le spectre des signaux, comme cela a e te remarque page 71, la mise en uvre du filtre a` travers sa
realisation technologique traite les signaux dans le domaine temporel, voir tableau 3.1.
3.4.2 Lideal peut-il e tre atteint ?

La question est maintenant de savoir sil est possible de realiser, en temps reel, par exemple
par un circuit e lectronique, un filtre ideal.
La causalite est une propriete incontournable pour effectuer le filtrage en temps reel : la sortie
y(t) est effectivement calculee a` linstant t et donc on ne dispose pas de la valeur de lentree
x(t ) pour t > t. Par exemple, il sagit du cas de figure où lon effectue une prise de son avec
un microphone et où le filtre sert a` traiter le signal au fur et a` mesure. Neanmoins, certaines
applications correspondent au filtrage en temps differe. Le filtrage en temps differe consiste a`
faire lacquisition de x(t) t puis ensuite a` determiner y connaissant ainsi lintegralite du signal
dentree. Dans ce cas-là, la causalite nest plus necessaire puisque pour calculer la valeur de y a`
linstant t, on dispose de la totalite du signal dentree x. Un exemple est le traitement dun concert
qui a precedemment e te enregistre et stocke sur un CD. Dans la suite de ce document, on ne
considèrera que le filtrage en temps reel.
Prenons le cas du filtre passe-bas (voir figure 3.16, en haut a` gauche). Il est defini par la reponse
frequentielle :

R, Hpb () = rect
.
2c
G. S CORLETTI
77
Daprès (2.22),
t R, h(t) = F 1 [Hpb ] (t) = 2c sinc(2c t).
Or une condition necessaire pour que h soit la reponse impulsionnelle dun système physique est
que le système de convolution correspondant soit causal (u < 0, h(u) = 0), ce qui nest pas
le cas. Par suite, le filtre ideal passe-bas nest pas realisable. En realite, il en est de meme pour
lensemble des filtres ideaux presentes figure 3.17.
Pourquoi un filtre ideal ne peut pas e tre causal ? Les filtres ideaux que lon a vu precedemment ont une reponse frequentielle reelle. En realite, la difficulte est quil existe une relation entre
la partie reelle de la reponse frequentielle dun filtre causal et sa partie imaginaire. En effet, le
système de convolution de reponse impulsionnelle h est causal si et seulement si :
h = h..
En prenant la transformee de Fourier de cette e galite et en utilisant la relation (3.6), on obtient
alors :
H() = H F[]().
Puisque F[]() =
1
2i
+ 21 () et daprès (3.2), on a
H=H
1
1
+ H
2i 2
Par suite8 ,
H=H
1
i
et donc
, Re (H()) = Im (H)
1
()
et
, Im (H()) = Re (H)
1
()
Fixer la partie reelle dun filtre causal revient donc a` fixer sa partie imaginaire. Par suite, on ne peut
avoir une partie imaginaire identiquement nulle sans avoir la partie reelle identiquement nulle. On
ne peut donc avoir un filtre avec une reponse frequentielle reelle qui ne soit identiquement nul9 .
3.4.3 Filtres analogiques classiques

Remarque preliminaire Afin detre homogène, dans tout le document, les reponses frequentielles sont exprimees en fonction de la frequence (unite Hertz). Il faut cependant faire attention
quen general, en traitement du signal, dans certains problèmes comme la definition de filtres
analogiques, les reponses frequentielles peuvent aussi e tre exprimees en fonction de la pulsation
= 2 (unite rad/s). En Anglais, le terme de frequency recouvre a` la fois la frequence
et la pulsation. En consequence, une frequency est exprimee soit en Hz soit en rad/s. Dans
le logiciel Matlab, suivant la fonction utilisee, lunite de la frequency est le Hertz ou le
radians/s.
1
() où H[H] est appelee la transformee
Cette relation secrit aussi H() = iH[H]() avec H[H]() = H
dHilbert de H.
9
Lideal ne peut donc pas e tre atteint mais comme a dit le philosophe il demeure un guide .
8
78
C HAPITRE 3
Gabarit pour un filtre passebas
Bande de transition
|H()|
0.8
Bande de rjection
0.6
0.4
0.2
Bande passante
0
F IG . 3.18 Gabarit sur le module de la reponse frequentielle dun filtre passe-bas

Filtres reels Contrairement aux filtres ideaux dont des exemples de reponses frequentielles
sont presentes figure 3.16, les filtres causaux doivent posseder entre une bande passante et une
bande dattenuation une bande dite de transition. Ces bandes sont en general definies a` travers un
gabarit frequentiel sur le module de la reponse frequentielle du filtre, voir par exemple pour un
filtre passe-bas figure 3.18.
Le problème de conception de filtre consiste alors a` traiter la question suivante : e tant donne
un gabarit sur le module de la reponse frequentielle du filtre a` concevoir, determiner le filtre
qui satisfait ce gabarit. Dans ce qui suit, on sinteresse aux filtres stables et causaux decrits par
des fonction de transfert F (s), rationnelles en la variable de Laplace s et a` coefficients reels, ce
qui correspond a` la reponse frequentielle F (2i). Il sagit du cas traite en Automatique : les
representations frequentielles correspondent aux diagrammes de Bode qui utilisent pulsations et
e chelles logarithmiques.
Exemple Les gabarits frequentiels sont souvent utilises dans lindustrie, voir par exemple figure 3.19 un gabarit defini par France Telecom.
F IG . 3.19 Gabarits frequentiels France Telecom
G. S CORLETTI
79
Exemple Le circuit semi integrateur presente page 65 definit un filtre passe-bas, voir figure 3.20.
Diagramme de Bode du circuit semi intgrateur

5
0.9
0.8
0.7
10
0.6
15
|H| en dB
|H()|
circuit semi integrateur

1
0.5
20
0.4
25
0.3
30
0.2
35
0.1
40
0.5
1.5
2.5
3.5
45
2
10
10
10
10
10
F IG . 3.20 Module de la reponse frequentielle du circuit semi integrateur, en fonction de la

frequence (gauche) et Module en dB en fonction de la pulsation = 2 (droite) (Bode)
Temps de groupe Le temps de groupe est une des caracteristiques importantes qui permettent
de juger de la qualite dun filtre reel pour un nombre important dapplications. Il sagit dune
des mesures decart a` lideal pour un filtre reel. Contrairement aux filtres ideaux, un filtre reel
de reponse frequentielle H introduit un dephasage () = arg(H()) qui est fonction de la
frequence , voir par exemple figure 3.21 pour le circuit semi-integrateur. Dans le domaine tem-
180
180
170
170
160
160
150
arg(H)
arg(H())
150
140
130
140
130
120
120
110
110
100
100
90
0.5
1.5
2.5
3.5
90
2
10
10
10
10
10
F IG . 3.21 Phase de la reponse frequentielle du circuit semi integrateur, en fonction de la

frequence
porel, ce dephasage entrane un retard entre le signal dentree et le signal de sortie. En effet, en
80
C HAPITRE 3
e crivant () = 2t0 (), pour un signal dentree x(t) = A sin(2t), daprès la relation (3.4),
la sortie y du filtre est donnee par :
y(t) = A|H()| sin (2(t t0 ())) .
Cela veut dire quun retard de t0 () secondes apparat entre le signal dentree et le signal de sortie
du filtre. Examinons a` travers un exemple les consequences de ce retard dependant de la frequence
dans le cas dun signal dentree plus complexe quun signal sinusodal.
x(t)
1.5
0.5
0.5
1.5
0.2
0.4
0.6
0.8
1.2
1.4
1.6
1.8
F IG . 3.22 Signal x
Exemple On considère le signal dentree x represente figure 3.22 dont lexpression est donnee
par :
t R, x(t) = sin(2t) + 0.1 sin(12t + 2).
Ce signal se decompose donc en deux composantes qui sont deux sinus a` la frequence de 1 Hertz
et de 6 Hertz. Ce signal est envoye a` lentree de deux filtres :
1. Le premier filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard t0 est constant : t0 () =
Cte ;
2. Le second filtre est tel que |H1 (6)| = |H1 (12)| = 1 et le retard t0 est tel que t0 (6) 6= t0 (12).
Les signaux de sortie obtenues sont representees figure 3.23. On voit que dans le cas du premier
filtre (gauche), le signal de sortie correspond au signal dentree retarde alors que le cas du second
filtre (droite), le signal de sortie est different du signal dentree. Cette alteration du signal est la
consequence directe du fait que t0 (6) 6= t0 (12).
Par suite, si le retard t0 nest pas constant en fonction de la frequence , la sortie du filtre, pour
des signaux autres que des signaux sinusodaux, presentera forcement une alteration par rapport a`
lentree de filtre. Ce retard est la consequence du dephasage qui est une des differences importantes
entre les filtres reelles et les filtres ideaux. De facon a` se rapprocher au mieux de lideal, il est
donc imperatif de limiter lalteration liee au dephasage. Puisque un filtre reel presente forcement
un dephasage qui, sauf cas très particuliers10 dependant de la frequence, ce que lon peut faire de
mieux est davoir une phase () qui est ou est la plus proche possible dune fonction lineaire de
10
Comme par exemple les gains constants.
G. S CORLETTI
Filtre avec temps de groupe constant
81
Filtre sans temps de gorupe constant
1.5
1.5
entre x
sortie y
0.5
0.5
0.5
0.5
1.5
0.5
1
t
1.5
1.5
0.5
1
t
1.5
F IG . 3.23 Sortie du filtre a` phase lineaire (gauche) et sortie du filtre a` phase non lineaire (droite)
la frequence de facon a` avoir un retard constant. Pour mesurer lecart a` la linearite de la phase,
on introduit le temps de groupe qui est defini par :
() =
1 d
().
2 d
En resume, un critère de qualite pour un filtre est davoir un temps de groupe proche dune
constante. Un filtre avec un temps de groupe constant est dit a` phase lineaire. Dans ce cas-là,
pour un signal quelconque, toutes ses composantes frequentielles seront transmises avec un retard
constant. Dans le cas dun filtre avec un temps de groupe non constant, des distorsions peuvent
apparatre entre le signal de sortie et le signal dentree dues au fait que le retard introduit par le
filtre sera different suivant les composantes frequentielles. Cest pour cela que dans des applications où il est necessaire de transmettre et de traiter des sons (transmission de la parole, etc..) il
est interessant dutiliser des filtres a` phase lineaires ou le plus proche possible dun filtre a` phase
lineaire. Enfin, les filtres ideaux ayant une reponse frequentielle reelle, leur temps de groupe est
constant et nul.
Filtres prototypes Les filtres sont generalement concus a` partir de filtres prototypes appeles
aussi filtres normalises qui correspondent au cas dun filtre passe-bas de frequence de coupure11
1
Hz, ce qui correspond a` une pulsation de coupure c = 1 rad/s.
c = 2
1
La determination de filtres passe-bas de frequence de coupure c 6= 2
, passe-haut, passebande ou encore coupe-bande peut se ramener a` la determination dun filtre passe-bas de frequence
de coupure c a` laide du tableau 3.2.
Les filtres les plus classiques sont brièvement presentes dans les sous sections suivantes12 .
Ils sont definis de la facon suivante. Puisquun filtre est concu pour que son module respecte
un gabarit frequentiel donne, la relation du module de la reponse frequentielle en fonction de la
frequence est dabord e tablie. Les quatre types de filtres qui sont presentes dans la suite (filtre de
Butterworth, filtre de Chebyshev de type I et II et filtre de Cauer) correspondent a` des relations
11
On appelle frequence de coupure (à -3 dB) la frequence pour laquelle le module de la reponse frequentielle du
filtre en decibels (dB) vaut le module de la reponse frequentielle du filtre dans la bande passante en decibels moins
3 decibels. Il faut faire attention quen Automatique le terme de frequence de coupure peut e tre utilise avec une
definition differente.
12
Pour des complements dinformation, voir la reference [9]
82
C HAPITRE 3
De passe-bas frequence de coupure

1
passe-bas c 6= 2
1
2
vers...
s est remplace par...

s
2c
passe-haut c
2c
s
passe-bande
s2 +4 2 1 2
2(2 1 )s
coupe-bande
2(2 1 )s
s2 +4 2 1 2
TAB . 3.2 Passage dun filtre prototype a` differents types de filtres

differentes. A partir de cette relation, lexpression de la fonction de transfert du filtre est ensuite
e tablie.
3.4.3.1
Filtres de Butterworth
Filtres de Butterworth
n=2
n=1
n=3
n=6
|F(2 i )|
0.7
1/(2)
F IG . 3.24 Filtres de Butterworth

Les filtres de Butterworth sont definis par la relation suivante :
|F (2i)|2 =
1
.
1 + ((2)2 )n
(3.12)
Cette relation a e te e tablie de facon a` assurer que :

La courbe |F (2i)| soit la plus plate possible et proche de 1 au voisinage de = 0 cesta` -dire que
|F (2i)| 1.
La frequence c =
1
2
Hz definit une frequence de coupure a` 3dB, cest-à-dire que :

1
|F (i)| = = 3dB.
2
G. S CORLETTI
83
|F (2i)| = 0.
Les reponses frequentielles obtenues pour differentes valeurs de n sont representees figure 3.24.
Noter que le choix de n influe sur la largeur de la bande de transition.
A partir de (3.12), lexpression de la fonction de transfert F (s) dordre n est obtenue comme
la fonction de transfert de gain statique e gal a` 1 et dont les poles sont les n racines a` partie
n
reelle negative de lequation polynomiale 1 + (s2 ) = 0. Les racines de ce polynome sont
uniformement reparties sur le cercle de centre 0 et de rayon 1. A titre dexemple, pour n = 2, on
obtient :
1
F (s) =
2
s + 2s + 1
voir figure 3.25.
1.2
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.2
0.8 0.6 0.4 0.2
0.2
0.4
0.6
0.8
1.2
F IG . 3.25 Localisation des poles pour un filtre de Butterworth dordre 2

Un filtre de Butterworth peut e tre realise par un système e lectronique, voir figure 3.26.
3.4.3.2
Filtres de Chebyshev
Ils sont de deux types, le type I et le type II. Les filtres de Chebyshev de type I sont definis par :
|F (2i)|2 =
où13
2 [1, 1],
1
1+
2 Cn (2)2
(3.13)
Cn (2) = cos(n cos1 (2))
2 R \ [1, 1], Cn (2) = cosh(n cosh1 (2)).
le trace de |F (2i)| en fonction de presente des oscillations dans la bande passante ;

leur amplitude depend de la valeur de , voir figure 3.27 ;
13
Contrairement aux apparences, Cn (2) est un polynome a` coefficients reels en 2. Lexpression de ce polynome peut e tre obtenu a` partir de la relation de recurrence : Cn+1 (2) = 4Cn (2) Cn1 (2) initialisee
par C0 (2) = 1 et C1 (2) = 2. Ces polynomes ont la propriete remarquable davoir n zeros dans lintervalle
[1; 1]. Ils presentent ainsi des oscillations pour 2 [1, 1] et sont monotones en dehors de cet intervalle.
84
C HAPITRE 3
F IG . 3.26 Publicite pour une realisation technologique du filtre de Butterworth
Filtres de Chebyshev type I

N=2
N=8
N=4
1
1/(1+ )
2 0.5
|F(2 i)|
0.8
0.6
0.4
0.2
1/(2)
F IG . 3.27 Filtres de Chebyshev de type I
G. S CORLETTI
pour n pair (comme sur la figure 3.27), |F (0)| = 1
1
1+2
85
; pour n impair, |F (0)| = 1.
Ici encore, n est lordre du filtre. Son choix influe sur la largeur de la bande de transition. F est
obtenue comme la fonction de transfert de gain statique e gal a` 1 et dont les poles sont repartis
dans le plan complexe sur une ellipse de centre 0 et dequation :

2
2
k
k
+
=1
sinh(u0 )
cosh(u0 )
1
avec k et k les parties reelle et imaginaire des poles et u0 = sinh n (1/) . Cette repartition des
poles sur une ellipse presente des similitudes avec celle des poles des filtres de Butterworth sur un
cercle.
Filtre de Chebyshev II n=8

1.4
1.2
|F(2 i)|
0.8
0.6
0.4
2 0.5
/(1+ )
0.2
1/(2)
F IG . 3.28 Filtres de Chebyshev de type II

Les filtres de Chebyshev de type II sont similaires aux filtres de type I sauf que les oscillations
ne sont pas dans la bande passante mais dans la bande de rejection. Leur expression est basee sur :
|F (2i)|2 =
1 2
2 Cn ( 2
)
1 2.
2
1 + Cn ( 2 )
(3.14)
Un exemple est presente figure 3.28.

3.4.3.3
Filtres elliptiques ou filtres de Cauer
Par rapport aux filtres precedents, les filtres elliptiques permettent de satisfaire un gabarit avec
un ordre plus faible14 . Les filtres elliptiques sont definis par :
|F (2i)|2 =
1
1+
2 G(2)2
(3.15)
14
Le prix a` payer est une complexite plus grande dans leur conception. Le lecteur interesse pourra lire avec profit
le chapitre 7 de la reference [9].
86
C HAPITRE 3
Filtre elliptique
1
1
0.9
0.8
|F(2 i )|
0.7
0.6
0.5
0.4
0.3
0.2
0.5
1/k1.5
2.5
F IG . 3.29 Filtre elliptique

où G(2) = sn(nsn1 (2, k), k1 ) avec sn la fonction sinus elliptique15 .
La bande de transition est fixee via k par
1
2
[1,
1
];
k
n depend de k ;
Lamplitude 1 des oscillations dans la bande passante depend de via la relation :

s
21 12
;
1 21 + 12
Lamplitude 2 des oscillations dans la bande de rejection 2 depend de et de k1 par la

relation :
1
2 = q
2
1 + k 2
1
voir figure 3.29. Ce filtre admet des oscillations a` la fois dans la bande passante et dans la bande
de rejection.
15
Le sinus elliptique est defini a` partir de la fonction :

u(, k) =
dy
1 k 2 sin2 (y)
ou plutot a` partir de la fonction inverse associee (u, k) :

sn(u, k) = sin((u, k)).
G. S CORLETTI
3.4.3.4
87
Un exemple en guise de comparaison
Le calcul des differents filtres peut se faire sous Matlab dote de la Signal processing
toolbox avec les fonctions butter, cheby1, cheby2, ellip. Pour n = 5, on obtient le resultat figure 3.30. Le script Matlab qui a permis dobtenir cette figure est presentee
section 3.7.2, page 98.
butterworth
Chebishev I
Chebishev II
Elliptique
0.8
0.6
0.4
0.2
1/(2)
F IG . 3.30 Comparaison des differents filtres pour n = 5
3.4.3.5
Exemple de mise en uvre
3.4.3.6
Filtrage frequentiel pour lextraction dun signal utile
Une application importante du filtrage frequentiel est lextraction dun signal utile 16 xu
noye dans un signal plus complexe x, a` partir de celui-ci : x peut secrire comme :
x = xu + xr
où xr est le reste du signal. Cela nest possible par cette technique de filtrage que si
1. On a des informations sur le spectre de xu et sur le spectre de xr ;
2. Les spectres de xu et de xr sont separes, cest-à-dire que les intervalles de frequences où
leur amplitude est de valeur significative sont disjoints.
Dans ce cas-là, il est possible de trouver un filtre F tel quavec pour entree x, la sortie y est telle
que y xu .
3.5
Fenetrage temporel
De facon symetrique au filtrage frequentiel, realiser un filtrage temporel , que lon designera
par le terme de fenetrage, consiste a` transmettre un signal dans certains intervalles de temps et a`
lattenuer voire le supprimer dans dautres intervalles de temps.
16
Cest-à-dire contenant une information nous interessant.
88
C HAPITRE 3
1
X
Xr
|X ()|
|X ()|
0.8
0.6
0.6
0.4
0.4
0.2
0.2
Xr
0.8
F IG . 3.31 Exemples de signaux avec spectre separe (gauche) et non separes (droite)
x(t)
-
f (t)
y(t)
-
F IG . 3.32 Fenetrage temporel

Une fenetre est un système tel que suivant lintervalle de temps, on a, avec x le signal dentree
et y le signal de sortie, soit :
Attenuation : y(t) 0 ;
Transmission : y(t) x(t).
La fenetre peut e tre defini par une fonction f telle que :
t R,
y(t) = f (t)x(t).
Exemple Un exemple de fenetre peut e tre realise par la fonction f definie par

t [0, Ta ] f (t) = 1
sinon
f (t) = 0
Cette fenetre est appelee fenetre rectangulaire17 . Le signal de sortie y correspond a` lacquisition
du signal x sur lintervalle de temps [0, Ta [, signal qui est aussi note xTa . On parle aussi de fenetre
de ponderation.
Que peut-on dire du spectre du signal xTa par rapport au spectre du signal x ? Cette question
prend tout son sens lorsquon sinteresse a` la mise en uvre experimentale du traitement du signal,
notamment pour effectuer lanalyse frequentielle dun signal reel . En effet, un signal reel
ne peut e tre mesure que sur un intervalle de temps fini, par exemple [0, Ta ]. Lobjectif de la mesure
est detudier le spectre du signal mesure x a` partir du spectre du signal de mesure xTa . Pour obtenir
des e lements de reponse, un exemple est examine. Dans un second temps, un calcul mathematique
simple permettra de repondre a` cette question.
17
Car la courbe caracteristique de f rappelle une fenetre.
G. S CORLETTI
89
Exemple Soit le signal x defini par :

t R,
x(t) = cos (20 t) + A1 cos (21 t)
avec 0 = 10 Hz, 1 = 15 Hz et A1 = 0.1. Le spectre de ce signal est donne par :

A1
1
(0 + 0 ) +
(1 + 1 )
2
2
puisque nous avons vu precedemment que :
R,
X() =
F[cos (20 )]() =
1
( + 0 ) .
2 0
Il est represente figure 3.33, gauche.
X()
0.6
0.5
0.75
0.4
0.3
0.5
0.2
0.25
0.1
0
0.1
0.25
40
30
20
10
10
20
30
40
0.2
40
30
20
10
10
20
30
40
F IG . 3.33 Spectre de x (gauche) et de xTa /2 (droite)

Le signal x a e te mesure pendant lintervalle de temps T2a , T2a , avec Ta = 1, ce qui donne
le signal xTa /2 defini par :

t
t R, xTa /2 (t) = x(t) rect
.
Ta
Le spectre de xTa /2 est represente figure 3.33, droite. On constate que si sur le spectre du signal de
depart, il e tait facile de distinguer les (deux fois) deux raies caracteristiques des deux composantes
sinusodales du signal, sur le spectre du signal mesure, du fait des oscillations introduites par le
fenetrage rectangulaire, il est difficile de retrouver ces ensembles de raies et donc de conclure a` la
presence de deux composantes sinusodales.
Le lien entre le spectre du signal xTa et le spectre du signal x est maintenant e tabli. Daprès la
relation (3.6), on a :
y(t) = f (t).x(t) Y () = F X()
Le fenetrage modifie donc le spectre dun signal. Dans lexemple precedent, la fonction f peut
e tre exprimee a` laide de la fonction rect :

t Ta /2
.
t R, f (t) = rect
Ta
90
C HAPITRE 3
Le spectre de xTa sera alors relie a` celui de x par :

XTa = Ta eiTa sinc (Ta ) X
La courbe caracteristique de la fonction |Ta sinc (Ta )| est representee figure18 3.34. Quand Ta
, elle tend vers limpulsion de Dirac et donc XTa X.
1.2Ta
Ta
0.8Ta
a
T |sinc(T )|
lobe central
0.6Ta
lobes latraux
0.4Ta
0.2Ta
1/Ta 0 1/Ta
F IG . 3.34 Spectre en amplitude dune fenetre rectangulaire
En conclusion, le spectre du signal mesure sera donc dans tous les cas different du spectre de
sa mesure. Il convient de prendre cela en compte si lobjectif de la mesure est detudier le spectre
du signal mesure a` partir du spectre du signal de mesure.
La question est : comment a` partir du signal mesure xTa obtenir un spectre plus proche du
spectre X de x que le spectre XTa de xTa ? La reponse a` cette question est basee sur le fenetrage
de xTa . Dans la suite, xTa est note plus simplement y. Pour cela, on utilise un filtre temporel defini
par la fonction w tel quavec yf defini par :
t R,
yf (t) = w(t)y(t)
le spectre Yf de yf soit plus proche du spectre X de x que le spectre Y de y lest. Une première
fenetre appelee fenetre de Hanning19 est definie par la fonction w notee whanning :

t Ta /2
2(t Ta /2)
1 1
. rect
.
(3.16)
+ cos
t R, whanning (t) =
2 2
Ta
Ta
18
Si le lecteur desire se rappeler la forme du spectre en amplitude de la fenetre rectangulaire, mon jeune neveu
conseille le moyen mnemotechnique suivant : penser a` un doigt dhonneur.
19
ou fenetre de Hann du nom du meteorologiste Australian Julis von Hann.
G. S CORLETTI
91
Fentre de Hanning
0.8
w(t)
0.6
0.4
0.2
0.2
Ta
temps t
F IG . 3.35 Fonction whanning (t) definissant la fenetre de Hanning

La courbe caracteristique de cette fonction est representee figure 3.35. On a alors
yf (t) = whanning (t).y(t)
qui se ree crit :
yf (t) =
soit
1 1
+ cos
2 2
2(t Ta /2)
Ta

. rect
t Ta /2
Ta
. rect
t Ta /2
Ta
.x(t)

1 1
2(t Ta /2)
t Ta /2
yf (t) =
+ cos
. rect
.x(t)
2 2
Ta
Ta
cest-à-dire yf (t) = whanning (t).x(t). Par suite,
Yf = Whanning X
Le signal de sortie yf de la fenetre de Hanning avec pour signal dentree y est aussi le signal
de sortie de la fenetre de Hanning avec pour entree x. On a donc remplace la fenetre rectangulaire par la fenetre de Hanning. Lamplitude du spectre de la fenetre de Hanning Whanning est
representee figure 3.36.
Le tableau 3.3 donne une comparaison entre la fenetre rectangulaire et la fenetre de Hanning.
Pour ce qui est de lamplitude du spectre des deux fenetres, le lobe lateral le plus important nest
plus quà 3% de la valeur maximale, contre 22 % dans le cas dune fenetre rectangulaire ; cependant le lobe centrale est deux fois plus e tendu.
Une amelioration de la fenetre de Hanning appelee fenetre de Hamming20 a e te proposee : elle
est definie par la fonction :

2(t Ta /2)
t Ta /2
t R, whamming (t) = + (1 ) cos
rect
.
Ta
Ta
avec = 0.54. Le lecteur attentif peut noter que pour = 0.5, la fenetre dHanning est obtenue. Par rapport a` cette dernière, le coefficient a e te optimise de facon a` diminuer le plus
possible lamplitude maximale des lobes lateraux, voir le resultat figure 3.37. Les deux fenetres
sont comparees dans le tableau 3.4.
20
du nom du mathematicien americain Richard W. Hamming.
92
C HAPITRE 3
.5Ta
lobe central
lobes latraux
.03*.5Ta
0
2/Ta
2/Ta
F IG . 3.36 Spectre en amplitude de la fenetre de Hanning
Fenetre rectangulaire

a /2
rect T
Ta
1
2
Fenetre de Hanning

Ta /2
a /2)
.
rect
+ 12 cos 2(T
Ta
Ta
Fentre rectangulaire
Fentre de Hanning
0.6
0.6
w(t)
0.8
w(t)
0.8
0.4
0.4
0.2
0.2
0.2
0.2
w(t)
Ta
Ta
temps t
temps t
1.2Ta
Ta
.5Ta
0.8Ta
Ta|sinc(Ta)|
lobe central
lobe central
0.6Ta
lobes latraux
0.4Ta
lobes latraux
0.2Ta
W ()
1/Ta 0 1/Ta
.03*.5Ta
0
2/Ta
2/Ta
TAB . 3.3 Comparaison entre la fenetre rectangulaire et la fenetre de Hanning
G. S CORLETTI
93
0.5Ta
2 /Ta
2 /Ta
F IG . 3.37 Spectre en amplitude de la fenetre de Hamming
1
2
Fenetre de Hanning

Ta /2
a /2)
.
rect
+ 12 cos 2(T
Ta
Ta
Fenetre de Hamming

Ta
2( T2a )
2
+ (1 ) cos
rect
Ta
Ta
Fentre de Hanning
Fentre de Hamming
1
1
0.8
0.8
0.6
w(t)
w(t)
0.6
0.4
0.4
0.2
0.2
0.2
Ta
w(t)
0.2
1
0.5
0.5
temps t
temps t
.5Ta
0.5Ta
lobe central
lobes latraux
.03*.5Ta
0
W ()
2/Ta
2/Ta
2 /Ta
2 /Ta
TAB . 3.4 Comparaison entre la fenetre de Hanning et la fenetre de Hamming
1.5
94
C HAPITRE 3
Exemple (suite) Lexemple presente page 89 est maintenant repris. La fenetre de Hanning est
appliquee sur le signal xTa .Son expression
definie par (3.16) pour lintervalle [0; Ta ] sadapte

Ta Ta
sans difficulte a` lintervalle 2 , 2 , ce qui donne :
w
ehanning (t) =
1 1
+ cos
2 2
2t
Ta

rect
t
Ta
Le calcul du spectre de la sortie de la fenetre de Hanning pour lentree xTa /2 donne le spectre
represente figure 3.38. On distingue de nouveau les raies qui correspondent aux deux com-
0.6
0.3
0.5
0.25
0.4
0.2
0.3
0.15
0.2
0.1
0.1
0.05
0.1
0.2
40
30
20
10
10
20
30
40
0.05
40
30
20
10
10
20
30
40
F IG . 3.38 Spectre de xTa /2 (gauche) et de xTa /2 après application dune fenetre de Hanning
(droite)
posantes sinusodales du signal. Cet exemple illustre le vif interet des fenetres temporelles pour
lanalyse frequentielle de signaux experimentaux.
F IG . 3.39 Signaux periodiques correspondant a` un piano (gauche) et a` une clarinette (droite)

(extrait de [11])
Un exemple de fenetrage temporel : la note de musique La note produite par un instrument de musique est basee sur une variation de la pression acoustique qui est periodique. Des
G. S CORLETTI
95
exemples sont presentes figure 3.39. Comme dans lexemple presente figure 2.1, le fait que le
signal soit periodique et donc avec un spectre frequentiel bien defini est important pour obtenir
un son agreable a` e couter . Le problème pratique est que la note dun instrument de musique a
forcement une duree limitee. Comme on la vu precedemment, simplement generer ce signal sur
un intervalle de temps de duree limitee revient a` pratiquer une operation de fenetrage rectangulaire. Lintervalle e tant court, la consequence est lobtention dun son dont le spectre frequentiel
peut e tre e loigne du spectre frequentiel du signal periodique correspondant. Cela se produit par
un claquement . La solution est deviter ce phenomène en appliquant une fenetre temporelle.
Cest la solution adoptee dans les instruments de musique. Une allure typique de fenetre tempoDclin
Attaque
Maintien
Chute
temps
F IG . 3.40 Fenetre temporelle dinstrument de musique

relle pour un instrument de musique est esquissee figure 3.40. Traditionnellement, on decompose
cette fenetre temporelle en 4 phases : la phase dattaque, le declin, le maintien et la chute. Il faut
noter que sur le figure 3.40, la phase dattaque et la chute sont douces ce qui nest pas sans rappeler
les fenetres dHanning/Hamming, voir tableau 3.4 21 .
On peut illustrer ce phenomène de claquement a` travers lexemple suivant. On considère
le signal defini par :
(

t [0.05; 0.1], x(t) = 0.2 sin (2.1000.t + 2
sinon
x(t) = 0
Il sagit dun signal sinusodal auquel on a applique une fenetre rectangulaire. Ce signal est
represente figure 3.41 a` gauche en haut. Si on examine son spectre en amplitude a` gauche en
bas, on constate que par rapport au spectre du signal sinusodal, le spectre est plus e tale. On applique sur ce signal x une fenetre de Hamming, ce qui donne le signal xhamming qui est represente
a` droite de la figure 3.41 avec son spectre en amplitude. En cliquant sur la figure, e couter les deux
sons correspondants.
3.6
En resume
Dans ce chapitre, loperation de filtrage frequentiel a e te presentee. Cette operation est realisee
par un filtre analogique qui est un système de convolution defini par une fonction de transfert. Il
21
Bien sur, la plupart des instruments de musique ont e te inventes avant que les techniques de fenetrage temporel
soient cree es. Comme Monsieur Jordain le personnage de la pièce de thea tre le Bourgeois Gentilhomme de Molière
faisait de la prose sans le savoir, les fabricants dinstruments de musique ont fait du fenetrage temporel sans le savoir.
Cependant, contrairement a` Monsieur Jordain, cette interpretation peut presenter un grand interet : celui de permettre
le developpement de methodes permettant une meilleure matrise des systèmes que lon concoit.
96
C HAPITRE 3

0.2
xhamming(t)
0.2
x(t)
0.1
0.1
0.2
0.1
0
0.1
0.2
0.02
0.04
0.06
0.08
temps en s
0.1
0.12
0.14
0.16
0.02
0.04
0.06
0.08
0.1
temps en s
0.12
0.14
0.16
30
50
|Xhamming()|
40
|X()|
30
20
20
10
10
0
0
0
500
1000
1500
2000
2500
Frquence en Hz
3000
3500
4000
4500
500
1000
1500
2000 2500 3000

Frquence en Hz
3500
4000
4500
F IG . 3.41 Signal sinusodal fenetre

est defini par des bandes passantes et des bandes dattenuation. Le filtrage analogique ne peut
e tre realise de facon ideale que par des filtres non causaux qui ne peuvent e tre utilises quen
temps differe. Dans le cas dun fonctionnement en temps reel, les filtres seront definis par des
gabarits sur le module de leur reponse frequentielle. Nous avons vu comment determiner un filtre
analogique satisfaisant ces gabarits. De plus, ils presentent forcement des bandes de transition et
un dephasage. Limpact de lalteration provoquee par le dephasage est mesure par le temps de
groupe.
Le fenetrage temporel permet de representer la degradation introduite lorsque lon veut approximer le spectre dun signal x defini sur R par la spectre dune mesure de ce signal sur un
intervalle de temps borne. Il offre aussi des methodes pour limiter cette degradation.
Une application importante du filtrage frequentiel est lextraction de la part utile dun signal
sous lhypothèse de separation des spectres. Si elle nest pas satisfaite, il est neanmoins possible dans un certain nombre de cas de mettre au point un filtre F ayant une telle propriete par
des techniques differentes du filtrage frequentiel. Ces techniques ne seront pas abordees dans ce
cours22 . Cependant, le chapitre 7 consacre aux signaux aleatoires presentent les notions de base
necessaires pour les aborder. Le chapitre suivant presente les bases des techniques developpees
dans le chapitre 7.
3.7
Annexe du chapitre
3.7.1 Un environnement e volue de simulation signaux et systèmes : Simulink

Simulink est un environnement de Matlab destine a` la simulation dans le domaine temporel, base sur un mode de representation graphique des systèmes sous forme de schema-blocs.
Simulink comprend des bibliothèques appelees Library qui contiennent des blocs e lementaires
permettant de construire rapidement et simplement des simulateurs de systèmes lineaires, non
lineaires (dans la library Simulink) ou encore mecaniques et e lectroniques (dans la library Simscape par exemple) ou encore Aeronautique (library Aerospace Blockset), etc... On peut ainsi
obtenir des simulateurs dynamiques de systèmes complexes incluant des outils de visualisation
22
Elles seront vus dans differents enseignements de 2A comme par exemple lAF de S7 STI a 2 Estimation et
Transmission de lInformation ou lAF de S8 ELC D-2 Filtrage adaptatif : application au controle adaptatif de
bruit .
G. S CORLETTI
97
1
s+1
Step
Transfer Fcn
Scope
F IG . 3.42 Fenetre Simulink

graphique 3D, voir les demos disponibles sous Matlab. Linteret de cet environnement deborde
largement du cadre du Traitement du signal ou du cadre de lAutomatique : par exemple, au Technocentre de Renault a` Guyancourt, chaque sous système dun vehicule developpe est accompagne
dun schema de simulation dynamique Simulink. Sur lutilisation de Matlab/Simulink, le
lecteur peut se referer avec profit au livre [8], disponible a` la bibliothèque de lEcole Centrale. La
prise de decision quest amenee a` prendre un ingenieur fait de plus en plus appel a` la modelisation
(mathematique) du problème suivi de lexploitation (au moins) en simulation du modèle obtenu.
Un exemple e lementaire de schema Simulink est presente figure 3.42.
Les blocs avec une sortie sont des generateurs de signaux. Sur lexemple, le bloc Step
genère des e chelons. On peut les parametrer a` partir dun menu ouvert en double-cliquant
sur le bloc.
Les fils vehiculent des signaux dans la direction indiquee par les flèches.
Les blocs avec une ou plusieurs entree(s) et une ou plusieurs sortie(s) transforment des signaux : ils representent des systèmes. Sur lexemple, il sagit dun système de convolution
1
de fonction de transfert s+1
. En double cliquant sur ce bloc, on obtient un menu où le premier (resp. second) champ correspond a` la liste des coefficients du polynome au numerateur
(resp. denominateur) de la fonction de transfert e crits suivant les puissances decroissantes.
Les blocs avec une ou plusieurs entree(s) absorbent des signaux pour par exemple les envoyer vers une fenetre graphique afin de les representer en fonction du temps (sur lexemple,
le bloc Scope).
Sous Matlab, Simulink peut e tre ouvert en cliquant sur un bouton en haut de la fenetre
Matlab (horloge rose avec blocs bleu et vert) ou en tapant en ligne :
>> simulink
Cela ouvre la fenetre representee figure 3.43, gauche. En cliquant sur licone feuille blanche en
haut a` droite, une nouvelle fenetre peut e tre cree e. A partir des Library (voir figure 3.43, droite,
partie de gauche), en selectionnant une library, on peut acceder a` un ensemble de blocs (partie
de droite de la fenetre). La library Sources contient les blocs qui genère des signaux, la library
Sinks les blocs qui en absorbent. Les autres libraries contiennent des blocs qui assurent des
transformations de signaux. Par exemple, on peut trouver dans la library Continuous le bloc
Transfer function de la figure 3.42.
Le lecteur est invite a` visiter les differentes librairies de Simulink. Plus que la lecture dune
documentation, cest la manipulation de cet environnement qui permet de prendre en main cet
outil : il a dailleurs e te coincu plus pour e tre apprehender de cette facon-là. Certes, lorsque lon
fait cela pour la première fois, ce nest pas forcement e vident. Cependant, si vous reussissez a`
prendre en main Simulink par vous-meme, vous serez arme pour affronter les environnements
similaires.
98
C HAPITRE 3
F IG . 3.43 Fenetre Simulink
3.7.2 Exemple de script Matlab pour le calcul de filtres

Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 3.4.3.4
et dobtenir la figure 3.30.
n = 5;
wn = 1;
% Ordre du filtre
% Pulsation de coupure en rad/s
% Calcul du filtre de Butterworth

[Bb,Ab]
= butter(n, wn,s);
% Bb est le vecteur des coefficients du polynome num
erateur dont les
ecroissante
ecrits par puissance d
% termes sont
% Ab est le vecteur des coefficients du polynome denominateur dont les
% termes sont
ecrits par puissance d
ecroissante
% Calcul de la r
eponse fr
equentielle du filtre de Butterworth
w = 0:.001:3;
equentielle est
eponse fr
% vecteur de pulsations pour lesquelles la r
% calcul
ee.
Hb = freqs(Bb, Ab, w); % Calcul de la r
eponse fr
equentielle
figure
plot(w, abs(Hb), :);
% R
epr
esentation du module de la r
eponse fr
equentielle en fonction de l
% pulsation
hold on
% Calcul du filtre de Chebyshev de type I
Rp = .5;
% Fixe lamplitude des oscillations de lamplitude de la r
eponse
% fr
equentielle dans la bande passante. unit
e dB
[Bc1,Ac1] = cheby1(n, Rp, wn, s);
% Calcul du filtre de Chebyshev analogique de type I
G. S CORLETTI
99
% Calcul de la r
eponse fr
equentielle du filtre de Chebyshev de type I
Hc1 = freqs(Bc1, Ac1, w);
% Calcul de la r
eponse fr
equentielle
plot(w, abs(Hc1));
% Calcul du filtre de Chebyshev de type II
Rs = 20;
% Permet de fixer lamplitude des oscillations de lamplitude
% de la r
eponse fr
equentielle dans la bande de r
ejection. Unit
e dB
[Bc2,Ac2] = cheby2(n, Rs, wn, s);
% Calcul du filtre de Chebyshev analogique de type II
% Calcul de la r
eponse fr
equentielle du filtre de Chebyshev de type II
Hc2 = freqs(Bc2, Ac2, w); % Calcul de la r
eponse fr
equentielle
plot(w, abs(Hc2), -.);
% Calcul du filtre elliptique
[Bce,Ace] = ellip (n, Rp, Rs, wn,s);
% Calcul de la r
eponse fr
equentielle du filtre elliptique
Hce = freqs(Bce, Ace, w);
plot(w, abs(Hce), --);
100
C HAPITRE 3
Chapitre 4
Autocorrelation et intercorrelation des
signaux deterministes
Ce chapitre est consacre a` une caracterisation des signaux basee sur lenergie et sur la puissance. Cette caracterisation permet dintroduire les notions dautocorrelation et dintercorrelation.
Ces deux notions ont des applications nombreuses. Les plus directes sont probablement :
Lextraction dinformations sur un signal utile par autocorrelation : la methode presentee
dans ce chapitre est complementaire de la methode de filtrage frequentiel presentee chapitre 3 ;
La mesure de distances et/ou de temps par intercorrelation : la methode presentee dans ce
chapitre est exploitee dans les radars, sonars et autres GPS.
4.1
Energie et puissance
4.1.1 Definition
Les differentes grandeurs discutees dans ce texte sont definies mathematiquement dans le tableau 4.1, page 102 pour les signaux continus ; les principales relations y sont e galement presentees.
Les signaux peuvent e tre classes en :
Signaux x a` e nergie Ex finie, ce qui correspond aux signaux de L2 (R) :
Z +
Ex =
|x(t)|2 dt < .
On peut les interpreter comme les signaux qui sont temporellement e phemères1 .
Signaux x a` puissance Px finie :
Px = lim
1
T
+T /2
T /2
|x(t)|2 dt
< .
Cest une classe très large de signaux. On peut les interpreter comme les signaux temporellement persistants2 .
1
2
Cette dernière phrase nest pas une definition formelle mais une interpretation qualitative.
Cette dernière phrase nest pas une definition formelle mais une interpretation qualitative.
101
102 C HAPITRE 4AUTOCORR E LATION ET I NTERCORR E LATION DES SIGNAUX D E TERMINISTES
Energie finie
Definition
Ex =
|x(t)|2 dt <
Echange
Puissance finie
Exy =
x(t)y(t)dt
Pxy = lim
|X()|2
Densite spectrale
interspectre
Sxy ()
Intercorrelation
x(t + )y(t)dt Rxy ( ) = lim
F[Rxy ] = Sxy
Autocorrelation
Rx ( ) =
+T /2
x(t)y(t)dt
T /2
1
T
+T /2
x(t + )y(t)dt
T /2
F[Rxy ] = Sxy
x(t + )x(t)dt
<
de puissance :
1
lim X(, T )Y (, T )
T T
X()Y ()
Rxy ( ) =
|x(t)|2 dt
X(, T ) = F[x. rect(/T )]
denergie :
T /2
1
T
+T /2
de puissance :
1
lim |X(, T )|2
T T
denergie :
Densite spectrale
Sx ()
1
T
Px = lim
Rx ( ) = lim
1
T
+T /2
x(t + )x(t)dt
T /2
Rx (0) = Ex
Rx (0) = Px
F[Rx ] = Sx
F[Rx ] = Sx
TAB . 4.1 Signaux continus
G. S CORLETTI
103
Par definition, la puissance dun signal a` e nergie finie est forcement nulle.
Exemples e lementaires Le signal continu x = rect est un signal a` e nergie finie dont lenergie
vaut 1. Le signal continu x = est un signal a` puissance fini dont la puissance vaut 21 .
On definit lenergie (respectivement la puissance) Exy (resp. Pxy ) e changee entre deux signaux
x et y, ce qui donne :
x et y a` e nergie finie :
Z +
x(t)y(t)dt.
Exy =
x et y a` puissance finie :
Z
1
T
Pxy = lim
+T /2
x(t)y(t)dt
T /2
On peut interpreter la quantite Exy comme le produit scalaire entre le signal x et le signal y.
Intuitivement, un produit scalaire donne un degre de similitude entre deux e lements. Pour deux
signaux lenergie dechange mesure-t-elle bien leur similitude ?
Exemple Pour donner des e lements de reponse, on prend les deux signaux x et y representes
figure 4.1. Ces deux signaux sont a` e nergie finie. Le signal y est en realite le signal x decale dans
1.5
x(t)
0.5
0.5
5
t
10
5
t
10
1.5
y(t)
0.5
0.5
F IG . 4.1 Signaux x et y

le temps. Pour ces deux signaux, Exy = 0 : on ne retrouve pas cette similitude dans lenergie
dechange. Pour la voir apparatre, il aurait fallu calculer le produit scalaire, en decalant un des
deux signaux de telle facon a` ce que leurs motifs concident : doù la notion dintercorrelation
introduite ci-dessous.
4.1.2 Intercorrelation et autocorrelation

Lenergie (resp. la puissance) e changee obtenue en decalant le premier signal de secondes
est appelee intercorrelation Rxy ( ) : il sagit donc dune generalisation de lenergie (resp. la puissance) e changee. Pour les signaux continus a` e nergie finie :
Z +
x(t + )y(t)dt.
R, Rxy ( ) =
Mathematiquement, cela sinterprète comme le produit scalaire entre le premier signal decale et le
second signal. Comme precedemment discute, un produit scalaire entre deux vecteurs mesurant un
degre de similitude entre ces deux vecteurs, lintercorrelation est une mesure de similitude entre
deux signaux.
Deux signaux x et y seront independants sil ny a aucun lien entre eux. Sil existe un lien alors
celui-ci doit dependre du decalage temporel entre ces deux signaux. Ils seront donc independants
si :
R, Rxy ( ) = constante.
On peut montrer que dans ce cas, lintercorrelation est e gale au produit de la moyenne de x par la
moyenne de y. Si la moyenne dun des deux signaux est nulle alors lintercorrelation est nulle.
Letude de la similitude dun signal x avec lui-meme revient a` determiner lintercorrelation de
ce signal avec lui-meme. On parle dautocorrelation : elle est notee Rx .
Si x est a` e nergie finie :
Z +
x(t + )x(t)dt.
R, Rx ( ) =
Si x est a` puissance finie :

R,
Rx ( ) = lim
1
T
+T /2
x(t + )x(t)dt
T /2
Lautocorrelation en = 0 correspond a` lenergie (resp. la puissance) du signal : Rx (0) = Ex

(resp. Rx (0) = Px ).
Propriete Lautocorrelation dun signal periodique est periodique et paire.
Exemples Pour le signal continu x defini par
t R,
x(t) = A sin(20 t + )
on a :
A2
cos(20 )
(4.1)
2
Rx est bien une fonction periodique de frequence 0 . Par contre, elle est independante du dephasage
.
R,
Rx ( ) =
G. S CORLETTI
105
Exercice Etablir lexpression (4.1).
4.1.3 Densites spectrales

Pour les signaux a` e nergie finie, daprès le theorème de Parseval Plancherel (theorème 2.4.2,
page 31), il est possible de calculer lenergie dun signal a` partir de son spectre :
Z +
Z +
2
|X()|2 d.
|x(t)| dt =
Ex =
Lenergie est donc obtenue en integrant Sx () = |X()|2 qui est appelee Densite Spectrale
dEnergie ou DSE. Elle sinterprète comme la repartition de lenergie en fonction de la frequence3 .
On peut demontrer que la DSE dun signal correspond a` la transformee de Fourier de lautocorrelation de ce signal4 :
Sx = F[Rx ].
Dans le cas de signaux (continus) a` puissance finie la Densite Spectrale de Puissance ou DSP5 se
definit par :
1
Sx () = lim |X(, T )|2
T T
avec X(, T ) = F[x. rect(/T )](), ce qui correspond au spectre de x sur lequel on a applique
une fenetre rectangulaire. De plus, on a Sx = F[Rx ].
La transformee de Fourier de lintercorrelation correspond a` la densite spectrale interspectre
denergie qui est definie par le produit des spectres en amplitude de la transformee de Fourier des
signaux x et y (fenetres pour deux signaux a` puissance finie) :
X()Y ()
et
1
X(, T )Y (, T )
T T
lim
Ces grandeurs ont un grand interet pour letude dun système de convolution : lorsque x et
y sont respectivement lentree et la sortie du système de convolution continu, on a, voir le tableau 4.2 :
La densite spectrale interspectre de x et y est le produit de la reponse frequentielle du
système de convolution par la densite spectrale de x :
Syx () = H()Sx ().
La densite spectrale de y est le produit de la reponse frequentielle en amplitude au carre du
système de convolution par la densite spectrale de x :
Sy () = |H()|2 Sx ().
3
4
Tout comme |x(t)|2 donne la repartition de lenergie en fonction du temps.

Z +
x(t + )x(t)dt = x x()( ).
Rx ( ) =
Par suite, en prenant la transformee de Fourier de legalite precedente :

F[Rx ]() = X().X() = |X()|ei arg(X()) .|X()|ei arg(X()) = |X()|2 .
5
Ne pas confondre DSP et DSP : DSP en Anglais signifie Digital Signal Processing : traitement de signal digital...

Continu
y =hx
Syx () = H()Sx ()
Sy () = |H()|2 Sx ()
TAB . 4.2 Systèmes de convolution continus et densites spectrales
4.2
Quelques applications
4.2.1 Autocorrelation appliquee a` lextraction dinformation dun signal

degrade
Un signal x est transmis puis mesure par un système dacquisition. Ces differentes operations
entranent en general la degradation du signal initial. Le signal mesure xm peut e tre represente
par :
t R, xm (t) = x(t) + b(t)
où le signal b represente leffet de la degradation du signal. Le signal x est normalement un signal sinusodal de frequence inconnue. Le signal xm est represente figure 4.2. On constate que la
degradation est telle quil est difficile de distinguer un signal sinusodal. La question est donc de
savoir si le signal sans degradation (cest-à-dire x) e tait bien periodique, sinusodal et si oui quelle
e tait sa periode.
Une première idee serait dappliquer les methodes de filtrage frequentiel presentees chapitre 3.
Cependant, elles ne peuvent sappliquer que si les spectres des signaux x et b sont separes, hypothèse qui est peu probablement verifiee et en tous les cas nest pas verifiable. Une hypothèse
plus realiste est de supposer que les signaux x et b sont independants car resultant de systèmes physiques differents. On peut alors exploiter les proprietes de lautocorrelation et de lintercorrelation.
Supposons que le signal mesure secrive sous la forme :
t R,
xm (t) = A sin(20 t + ) + b(t)
où b est un signal independant. Si le signal a effectivement cette structure alors son autocorrelation
sexprime par :
A2
R, Rxm ( ) =
cos(20 t) + Rb ( ).
2
Exercice Demontrer ce resultat.

A laide de Matlab, il est possible de calculer une estimation de lautocorrelation Rx ( ) a` partir
de la mesure du signal, voir figure 4.3. On observe que lautocorrelation calculee a` partir du
G. S CORLETTI
Signal bruit
4
3
2
1
0
1
2
3
4
50
100
150
200
t
250
300
350
400
F IG . 4.2 Signal mesure
Autocorrlation du signal bruit

4
3.5
3
2.5
2
1.5
1
0.5
0
0.5
1
500
F IG . 4.3 Autocorrelation Rxm
500
107

2
signal presente bien une composante sinusodale A2 cos(20 ) a` laquelle se superpose une valeur
importante en = 0. Le signal b serait alors tel que :
(
R \ {0}, Rb ( ) = 0
Rb (0) 6= 0
Comment sinterprète-il ? Le signal b est correle avec lui-meme mais nest pas correle avec luimeme decale dans le temps. Ceci indiquerait que ce signal ne presente pas de structure ou propriete
particulière (periodique, etc..). Cela est coherent avec le fait que ce signal represente la degradation
introduite par des sources multiples (systèmes de transmission, systèmes de mesure, etc..). Le reste
de la courbe representee figure 4.3 est une fonction cosinus damplitude 0.5 et de periode 50 s.
1
Cela correspondrait a` un signal sinusodal 0 = 50
Hz damplitude A telle que :
A2
= 0.5
2
soit A = 1.
4.2.2 Intercorrelation appliquee a` la mesure dun temps de propagation
Cible
F IG . 4.4 Determination dune distance : exemple dapplications (seconde figure extraite de

http ://www.outilpro.com, troisième de http ://axiomcafe.fr/la-revolte-des-papillons]
Lintercorrelation est souvent appliquee pour la determination dun temps de propagation. Ceci
est exploite par exemple par les radars et les sonars ou encore les telemètres et les chauve-souris,
voir Figure 4.4. Linteret est là de determiner la distance a` laquelle se trouve un objet appele cible.
Pour cela, on e met un signal x sous la forme dune onde. Après reflexion, un e cho y revient vers
lemetteur, voir figure 4.4. Le principe est que connaissant la vitesse de propagation de londe,
le temps e coule entre lemission et la reception permet de determiner la distance. Cependant, la
presence de bruit dans le signal y rend difficile la mesure du temps, voir figure 4.5. Si on calcule
a` partir des valeurs de x et de y lautocorrelation de x et lintercorrelation entre x et y, on obtient
les courbes representees figure 4.6.
G. S CORLETTI
109
5
4
0.8
y(t)
x(t)
0.6
1
0
0.4
0.2
2
1000
2000
3000
4000
5000
1000
2000
3000
4000
5000
F IG . 4.5 Signal x e mis et y recu
10
x 10
12
x 10
9
10
()
XY
6
5
3
2
2
0
1
0
1000
800
600
400
200
200
400
600
800
1000
2
1000
800
600
400
200
200
400
F IG . 4.6 Autocorrelation de x et Intercorrelation entre x et y
600
800
1000

Interpretons ces resultats. On fait lhypothèse que
t R,
y(t) = ax(t tp ) + b(t)
avec a < 1 un coefficient dattenuation, avec tp le temps de parcours pour effectuer laller-retour
et b un signal de valeur moyenne nulle et independant de x. On a alors :
R,
Rxy ( ) = aRx ( + tp )
Exercice Demontrer ce resultat.

Par suite, lintercorrelation Rxy , a` un facteur multiplicatif près, correspond a` Rx translatee de
tp . On deduit donc de la figure 4.6, droite que tp = 600.
4.3
Conclusion
Dans ce chapitre, a e te presentee une methode qui peut sappliquer a` lextraction des informations sur un signal utile. Elle est complementaire des methodes presentees dans le chapitre 3 puisque les hypothèses de mise en uvre sont differentes. Cependant, ses possibilites sont
moindres puisquon nextrait pas totalement le signal : par exemple dans le cas dun signal sinusodal a` extraire, si on peut determiner sa frequence, on ne peut pas determiner son dephasage.
Les signaux consideres dans ce chapitre sont dits deterministes : un signal x est dit deterministe
si, a` chaque instant t, sa valeur x(t) peut e tre determinee de facon certaine par un modèle mathematique. Exemple :
t R, x(t) = A sin(2t).
Il est clair que ces signaux ne peuvent pas representer lensemble des signaux reels. Nous verrons
dans le chapitre 7 que les signaux aleatoires constituent un ensemble de signaux plus satisfaisant de ce point de vue là. Le grand interet est que la notion denergie a` puissance finie permet
detendre les methodes presentees dans ce chapitre aux signaux aleatoires. Le plus grand realisme
des signaux aleatoires permettra en plus daborder dans le chapitre 7 une methode de generation
de son qui sera appliquee a` la telephonie mobile.
Chapitre 5
De lanalogique au numerique
F IG . 5.1 Principe de la compression MP3

Dans le chapitre 3, lintroduction du filtrage frequentiel a e te motivee par la compression MP3
où il est necessaire de selectionner les composantes dun signal appartenant a` certains intervalles
de frequences, voir figure 5.1. Cependant, le filtrage frequentiel qui a e te presente ne peut sappliquer quaux signaux en temps continu (ce qui comprend les signaux analogiques). La compression
MP3 seffectue en realite sur des signaux e chantillonnes qui sont un cas particulier de signaux en
temps discret, voir figure 5.2. Peut-on e tendre le filtrage frequentiel aux signaux discrets et plus
particulièrement aux signaux e chantillonnes ?
x*
F IG . 5.2 Signal e chantillonne

Dautre part, dans de nombreuses experiences, il est necessaire de determiner experimentalement
111
112
D E LA NALOGIQUE AU N UM E RIQUE
C HAPITRE 5
le spectre dun signal physique (donc analogique) a` partir de la mesure faite par un système dacquisition, cette mesure se presentant en general comme un signal discret. Est-il possible a` partir
de ce signal discret destimer le spectre du signal analogique de depart ?
Pour donner des e lements de reponse a` ces questions, ce chapitre va sinteresser a` differentes
questions intermediaires :
1. Comment peut-on modeliser mathematiquement un signal discret (section 5.1) ? Comment
se definit la transformee de Fourier et de Laplace dun signal e chantillonne ? Nous verrons
dans la section 5.1 tout linteret des distributions.
2. Comment la transformee de Fourier dun signal e chantillonne est-elle reliee a` la transformee
de Fourier du signal analogique correspondant (section 5.2) ? La question est liee au fait
que lon veut determiner le spectre de signaux de la nature (analogique) en utilisant des
systèmes technologiques manipulant des signaux e chantillonnes.
3. Comment correctement e chantillonner un signal analogique ? La question est de choisir la periode dechantillonnage Ts de facon a` ce que le signal e chantillonne ait autant
dinformation que le signal analogique correspondant (section 5.3).
4. Comment estimer le spectre dun signal analogique a` partir de son signal e chantillonne sur
un intervalle de temps borne ? Il sagit ici de presenter les principes de fonctionnement
des analyseurs de spectre (numeriques). Pour cela, la transformee de Fourier discrète sera
introduite et son application a` cette question sera presentee dans la section 5.4.
5.1
Modelisation dun signal discret par peigne de Dirac
Dans le chapitre 2, la relation (2.13) a e te presentee : pour une fonction x,

x.t0 = x(t0 ).t0 .
Limpulsion de Dirac permet donc d extraire 1 la valeur dun signal (analogique) x a` un instant
donne t0 . Il semble envisageable de ladapter pour modeliser le signal e chantillonne {x(kTs )}k
issu de lechantillonnage a` la periode Ts du signal analogique x puisquechantillonner un signal
analogique consiste a` extraire ses valeurs aux instants kTs .
Le signal e chantillonne prend la valeur x(kTs ) a` linstant kTs : lidee est de le modeliser par
une impulsion de Dirac kTs ponderee par x(kTs ). Lensemble du signal e chantillonne peut e tre
alors represente par une distribution x , voir figure 5.3 :
x =
x(kTs ).kTs .
(5.1)
k=
5.1.1 Transformee de Fourier dun signal discret

On peut obtenir lexpression de la transformee de Fourier de la distribution distribution definie
par (5.1). Par linearite et continuite de la transformation, on obtient alors :
F[x ] =
1
+
X
x(kTs )F[kTs ].
k=
Cest le cote appareil photo de limpulsion de Dirac.
G. S CORLETTI
113
Modlisation dun signal discret avec peigne de Dirac

6
0
*
2
4
8
10
1
x(t)
xk
0.5
0
t
0.5
10
1
0.5
0
t
0.5
F IG . 5.3 Signal e chantillonne et modelisation avec peigne de Dirac

Daprès (2.17), on a F[kTs ]() = e2ikTs . Par suite, la transformee de Fourier dun signal
discret sexprime par :
R,
F[x ]() =
+
X
x(kTs )e2ikTs .
(5.2)
k=
Pour memoire, pour le signal analogique x, on avait :

Z +
x(t)e2it dt.
R, F[x]() =
t=
Noter que les deux expressions ont une structure similaire.
5.1.2 Transformee en Z dun signal discret

On peut obtenir lexpression de la transformee de Laplace de la distribution definie par (5.1).
En procedant comme pour la transformee de Fourier, on obtient, pour s C telle que lexpression
ci-dessous est bien definie :
+
X
L[x ](s) =
x(kTs )ekTs s .
k=
En posant z = eTs s , on definit ainsi la transformee en Z 2 (voir figure 5.4) du signal discret x :
Z[x ](z) =
+
X
x(kTs )z k
(5.3)
k=
Elle est aussi notee X(z). La variable z joue pour les signaux discrets le role de la variable de
Laplace s pour les signaux continus. Cette definition correspond a` la transformee en Z bilaterale.
2
La transformee en Z dun signal discret e tant une serie infinie, la question se pose de la convergence de cette
serie et donc de lexistence de la transformee en Z. La serie ne converge que pour certaines valeurs de z, ces valeurs
formant dans le plan complexe un anneau.
114
C HAPITRE 5
F IG . 5.4 Dun Z qui veut dire... Laplace (au changement de variable près z = eTs s )
De meme, on peut definir une transformee en Z monolaterale :
Z[x ](z) =
+
X
x(kTs )z k .
(5.4)
k=0
Linearite La transformee en Z est lineaire : pour a et b deux reels :

Z[ax + by ] = aZ[x ] + bZ[y ].
Translation temporelle Soit le signal discret y qui correspond au signal discret x retarde de
r periodes dechantillonnage. Il est alors defini par :
y =
k=
x ((k r)Ts ) .kTs
où r est un entier naturel. Alors, dans le cas de la transformee en Z bilaterale :

Y (z) = z r X(z)
et de la transformee en Z monolaterale :
Y (z) = z r X(z) +
r
X
i=1
xi z (ri)
5.1.3 Expression dun signal discret basee sur un peigne

Exploitons maintenant le fait que le signal discret {x(kTs )}k est obtenu par e chantillonnage du
signal continu x. Le gros interet de la modelisation dun signal e chantillonne basee sur limpulsion
de Dirac est que la valeur x(kTs ) peut e tre directement obtenue du signal x par multiplication par
limpulsion de Dirac kTs , ce qui correspond a` la relation (2.13) cest-à-dire :
x(kTs ).kTs = x.kTs .
G. S CORLETTI
115
(5.1) se ree crit alors :
x = x.
+
X
kTs .
k=
En introduisant la notation de peigne de Dirac, voir figure 5.53 :

Peigne de Dirac
1.5
x*
0.5
0.5
3Ts
2Ts
Ts
0
t
Ts
2 Ts
3 Ts
F IG . 5.5 Peigne de Dirac
PgnTs =
+
X
kTs ,
k=
on a alors :
x = x.PgnTs .
(5.5)
Avec cette modelisation, un signal e chantillonne sexprime comme le signal continu multiplie par
un peigne de Dirac.
Remarque Si on assimile un signal a` une scène, on peut faire le parallèle entre lextraction de la
valeur du signal a` un instant donne avec la prise dune photographie, limpulsion de Dirac jouant le
role de lobturateur de lappareil photographique. Dans le meme ordre didee, lechantillonnage
dun signal analogique se rapproche de la prise de vue cinematographique, le peigne de Dirac
permettant de reproduire laction dune camera video (qui par exemple enregistre 25 images/s).
5.2
De la transformee de Fourier dun signal e chantillonne
Nous allons maintenant relier la transformee de Fourier dun signal e chantillonne a` la transformee de Fourier du signal analogique dont il est issu. En partant de la relation (5.5), la transformee dun signal e chantillonne sexprime par :
F[x ] = F[x.PgnTs ] = F[x] F[PgnTs ].
3
La representation graphique de cette distribution suggère lallure dun peigne (renverse), doù le nom de peigne
de Dirac.
116
C HAPITRE 5
Or
F
"
+
X
+
X
kTs =
k=
k=
F [kTs ] =
+
X
e2ikTs .
k=
Daprès la formule sommatoire de Poisson

+
X
+
1 X
k.
=
Ts k= Ts
2ikTs
k=
Par suite,
F
"
+
X
kTs
k=
Avec la notation peigne de Dirac, on obtient :
+
1 X
k.
=
Ts k= Ts

1
F PgnTs = Pgn 1 .
Ts
Ts
Par suite,
1
Pgn 1 .
Ts
Ts
F[x ] = F[x]
4
Soit f la fonction periodique de periode 1 definie par :

t [0, 1],
1
f (t) = (t )2 .
2
Au sens des distributions, cette fonction peut e tre derivee deux fois. La derivee première f est une fonction periodique
de periode 1 telle que :
1
t ]0, 1[, f (t) = 2(t ).
2
La derivee seconde est alors donnee par :
+
X
p
f = 2 + 2
p=
puisque f presente une discontinuite de valeur 2 pour t prenant des valeurs entières relatives.
Dautre part, la fonction f admet la decomposition en serie de Fourier suivante :
+
t R, f (t) =
X 1
1
cos(2nt).
12
2 n2
1
Il est ici licite de deriver la somme infinie terme a` terme puisquon opère au sens des distributions, voir la remarque
page 42 ou encore la reference [2, Page 13]. Par suite,
f =4
+
X
cos(2n) = 2
+
X
k=
ei2k 2.
Par suite, en e galant les deux expressions de la derivee seconde de f , on obtient la formule de Poisson :
+
X
ei2k =
k=
En faisant le changement dechelle t
t
Ts ,
+
X
p .
p=
on obtient :
+
X
k=
i2k Ts
= Ts
+
X
p=
pTs .
G. S CORLETTI
117
Avec X () = F[x ]() et X() = F[x](), on a alors :

R,

+
1 X
m
X () =
.
X
Ts m=
Ts
(5.6)
Cette relation occupe une place centrale en traitement (numerique)5 du signal. Cette relation implique que :
La transformee de Fourier dun signal discret est periodique de periode
En effet,
R,
1
+
Ts
En posant m = m 1, on a alors :
R,
1
+
Ts
1
.
Ts

+
1 X
1
m
=
.
X +
Ts m=
Ts Ts

+
1 X
m
=
= X ().
X
Ts m =
Ts
i
h
Pour e tudier le spectre dun signal discret, il suffit donc de le connatre sur lintervalle 2T1 s , 2T1 s ,
le reste e tant deduit de ce motif par periodisation et multiplication par un facteur. Pour le signal continu dont le spectre multiplie par 1/Ts est represente figure 5.6, le spectre du signal
e chantillonne correspondant est represente figure 5.7, gauche.
5.3
Theorème de Shannon
Le spectre X du signal e chantillonne est donc obtenu, a` un facteur multiplicatif près T1s

1
en superposant le spectre X du signal analogique a` X + Ts , le spectre X decale de T1s , a`

X + T2s , le spectre X decale de T2s , etc.. Un cas très interessant est celui où
1. Le support de X est lintervalle6 [max , max ], voir figure 5.6 : cela definit un motif ;
2. max
1
.
2Ts
Dans ce cas-là, quand on construit le spectre X en additionnant les differents spectres T1s X
decales de multiples de T1s (periodisation de T1s X), les motifs correspondant aux differents spectres
ne se recouvrent pas, voir figure 5.7, gauche. Par suite, la fonction motif definie par :
h
i
Ts X ()
2T1 s , 2T1 s
i
h
R \ 1 , 1
0
2Ts 2Ts
est alors en realite X, la transformee de Fourier du signal x. Puisquun signal est complètement caracterise par son spectre et que dans ce cas, il est possible dobtenir le spectre du signal analogique
a` partir du spectre du signal e chantillonne : on peut donc theoriquement reconstituer le signal analogique a` partir du signal e chantillonne correspondant. Le spectre du signal e chantillonne et le
5
Le terme numerique fait reference a` la branche du traitement du signal consacree aux signaux discrets et notamment e chantillonnes.
6
max est le plus petit reel positif tel que R \ [max , max ], X() = 0.
118
C HAPITRE 5
1/T X()
0.8
0.6
0.4
0.2
max
max
F IG . 5.6 Spectre 1/Ts X a` support borne [max , max ]

h
i
spectre du signal correspondant concidant sur lintervalle 2T1 s , 2T1 s , le signal analogique peut
e tre obtenu a` partir du signal e chantillonne par application dun filtre passe-bas ideal de frequence
de coupure 2T1 s . Nous discuterons plus en details de cette demarche dans ce qui suit.
1.2
1
*
|X ()|
0.8
|X*()|
X*()
0.8
0.6
0.6
0.4
0.4
0.2
0.2
max
max
0
3/(2Ts)
1/(2Ts) max 0
1/(2Ts)
max
3/(2Ts)
3/(2Ts)
1/(2Ts)
1/(2Ts)
3/(2Ts)
F IG . 5.7 Spectre dun signal e chantillonne sans (gauche) et avec (droite) recouvrement
Par contre, dans le cas où max > 2T1 s , la periodisation de T1s X entrane un recouvrement des
differents motifs, voir figure 5.7, droite. La consequence est que :

1
1
, X() 6= Ts X ().
,

2Ts
2Ts
Il nest donc plus possible de reconstituer le signal analogique a` partir du signal e chantillonne.
Les deux cas sont illustres par la figure 5.7. Lapplication de la reconstitution dans le cas du
recouvrement produit alors un signal different du signal analogique de depart, voir figure 5.8. Les
differents cas de figure sont representes figure 5.9.
G. S CORLETTI
119
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)
Spectre en amplitude
spectre
reconstitu
0.8
Spectre initial
0.6
0.4
0.2
max
max
1/(2Ts)
1/(2Ts)
F IG . 5.8 Spectre du signal analogique de depart et spectre du signal analogique reconstitue en

cas de recouvrement de spectre
max 12 s
Filtre passebas
1.2
H()
1
Ts
1/TsX()
0.4
0.6
0.4
0.2
0
3/(2Ts)
1/(2Ts)
max
1/(2Ts) max 0
3/(2Ts)
0
1/2
1/2
0.2
max
max
max > 21 s
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)
Filtre passebas
H()
1
spectre
reconstitu
Ts
1
X*()
0.8
0.6
0.4
1/TsX(+1/Ts)
1/TsX(2/Ts)
1/TsX(1/Ts)
1/TsX()
0.2
max
max
0
3/(2Ts)
1/(2Ts)
1/(2Ts)
3/(2Ts)
0
1/2
1/2
F IG . 5.9 Differents cas de figure
0.8
0.6
X*()
X ()
0.8
0.8
Spectre initial
0.6
0.4
0.2
max
max
1/(2Ts)
1/(2Ts)
120
C HAPITRE 5
Support
Frequence
dechantillonnage
(Hz)
GSM
Mini DV
CD audio
8000
32000,48000
44100
TAB . 5.1 Frequences dechantillonnage pour le son dans differents systèmes grand public
5.3.1 Lenseignement de Shannon

Theorème 5.3.1 (Theorème de Shannon) 7 Un signal x reel dont le support de la transformee
de Fourier est contenu dans lintervalle [max , max ] est entièrement determine par ses valeurs
en kTs où k est un entier relatif si, avec s = T1s :
max < 12 s s > 2max
(5.7)
La frequence 2max est la frequence dechantillonnage critique. Elle indique la frequence dechantillonnage
minimale dun signal analogique necessaire pour conserver linformation utile dans le signal
e chantillonne. Dans le cas dun signal sinusodal, cela correspond a` e chantillonner au minimum
deux valeurs par periode. La frequence 21 s est souvent appelee frequence de Nyquist ou frequence
de Shannon.
Remarque En pratique, le support du spectre dun signal x nest generalement pas limite a` un
intervalle [max , max ] fini, ce qui correspond a` max = + : la condition (5.7) du theorème de
Shannon ne peut donc pas e tre satisfaite. Par contre, on a generalement :
lim |X()| = 0.
||+
exp
exp
exp
Par suite, il existe une frequence max
finie telle que : R\[max
, max
], |X()| 0. Il est
donc possible dappliquer le theorème de Shannon de facon approchee en prenant la condition :
exp
s 2max
.
Le tableau 5.1 donne des ordres de grandeur des frequences dechantillonnage utilisees dans les
systèmes grand public pour les signaux sonores.
Exemple On e chantillonne le signal analogique : t R, x(t) = sin(2t) a` la frequence
dechantillonnage s = 1.05 Hz. Le resultat obtenu est represente figure 5.10. Interpreter.
7
Claude Shannon (1916-2001) est un ingenieur e lectricien et mathematicien americain. Il est particulièrement
connu pour le developpement de la theorie de linformation au sein des Laboratoires Bell - Bell Telephone Laboratories ou AT&T Bell Laboratories. Ils font actuellement partie du centre de recherche et developpement dAlcatelLucent. Le theorème presente ici est aussi appele theorème de Nyquist-Shannon, car Harry Nyquist qui travaillait
aussi au sein des laboratoires Bell avait avant Shannon ennonce ce resultat. Claude Shannon est sans aucun doute lun
des pères fondateurs de la science du signal. La diversite de ses travaux y compris les plus ludiques illustre bien
luniversalite et la versatilite de cette science. Son memoire de Master (equivalent du TFE centralien) a permis de
developper lutilisation de lalgèbre de Boole pour letude des circuits a` relais. Sa thèse a dautre part e te consacree
a` une approche algebrique de la genetique de Mendel. Ses travaux les plus fameux portent sur lelaboration dune
theorie mathematique de la communication. Cependant, a` cote de cela, il a mene des travaux sur la jonglerie (son
dernier article scientifique sintitule Scientific aspects of juggling) ou il a encore e labore une machine resolvant le
Rubiks cube.
G. S CORLETTI
121
x(t)
x
k
0.8
0.6
0.4
signaux
0.2
0.2
0.4
0.6
0.8
10
15
temps t
20
25
30
F IG . 5.10 Signal analogique x (trait continu) et signal e chantillonne (points) a` s = 1.05 Hz

Exercice On considère le signal sinusodal x defini par :
t R,
x(t) = sin(2.1000.t).
On e chantillonne ce signal a` la frequence s = 44100Hz, ce qui donne le signal e chantillonne xTs

dechantillon xk où Ts = 1s s.
1. La condition du theoreme de Shannon est-elle satisfaite ? Si oui, quelle en est la consequence ?
u N est un entier naturel a` partir du signal e chantillonne

2. On construit un signal discret yN
Ts o`
xTs de la facon suivante :

k, yk = xN k
ce qui revient a` prendre un e chantillon sur N de {xk }k . On parle de sous-echantillonnage
et
ou down sampling en Anglais. On envoie vers un haut parleur les signaux xTs , y10T
s
y30Ts , voir le tableau 5.2. Ecouter le resultat obtenu. Que constatez-vous ? Interpretez les
differences notables qui apparaissent entre certains signaux en vous inspirant des raisonnements effectues dans cette section. Le lecteur interesse pourra generer ces signaux grace au
schema Simulink represente figure 5.11 et disponible sur le serveur pedagogique.
xTs
y10T
s
y30T
s
TAB . 5.2 Sons associes aux signaux xTs , y10T

et y30T
s
s
5.3.2 De lart de bien e chantillonner

Les signaux analogiques a` e chantillonner ne sont pas les signaux physiques eux-memes mais
leur mesure par des capteurs. Tout phenomène de mesure saccompagne dun alteration que lon
122
C HAPITRE 5
BFFT
Spectrum
Scope
To Audio
Device
10
Sine Wave
Downsample
AppliShannonSinus 10.wav
To Wave File
xk
txk
F IG . 5.11 Schema Simulink pour generer les sons
x*
mesure de x
CAPTEUR
F IG . 5.12 Effet du bruit
Ts
G. S CORLETTI
123
appelle generalement bruit : la consequence est que meme si le support du spectre du signal
est bien borne et de la forme [max , max ], il est improbable que le support du spectre de la
mesure du signal soit borne, un bruit modifiant de facon notable le spectre du signal en hautes
frequences, voir figure 5.12. La solution est dintroduire un filtre passe-bas avant lechantillonnage
de frequence de coupure max , voir figure 5.13. Ce filtre qui est forcement analogique est appele
filtre anti-repliement. Il permet deviter le recouvrement et e limine leffet des bruits en hautes
frequences.
b(t)
x(t)
mesure de x(t)
Ts
CAPTEUR
F IG . 5.13 Principe de la chane dacquisition dun signal continu et de sa transformation en

signal e chantillonne
5.3.3 De lart de reconstituer un signal continu a` partir du signal e chantillonne

On suppose que la condition (5.7) du theorème de Shannon est satisfaite. Comme on la vu
dans la section precedente, la reconstitution du signal continu a` partir du signal e chantillonne est
basee sur le fait que
La transformee de Fourier du signal continu est e gale a` la transformee de Fourier du signal
e chantillonne multipliee par la reponse frequentielle dun filtre passe-bas ideal de frequence
de coupure s :
R, X() = Ts X () rect (Ts ) .
En utilisant la transformee de Fourier inverse, x = F 1 [X], cette expression devient dans
le domaine temporel :
x = Ts x s sinc(s ) =
et donc
t R,
x(t) =
+
X
k=
+
X
k=
x(kTs ).kTs sinc(s )
x(kTs ) sinc (s (t kTs )) .
Cette dernière formule donne une methode explicite pour determiner le signal analogique x
connaissant tous les e chantillons x(kTs ) : x est obtenu a` partir du signal e chantillonne par application dun filtre ideal passe-bas de frequence de coupure 12 s , voir figure 5.14. Elle souffre de
plusieurs inconvenients majeurs. Dune part, pour obtenir la valeur de x a` linstant t, x(t), il est
necessaire de connatre tous les e chantillons x(kTs ), y compris ceux qui sont après linstant t et
donc dans le futur. La reconstruction nest donc pas causale, ce qui est coherent avec lutilisation
dun filtre passe-bas ideal : nous avons vu dans le chapitre precedent que linconvenient majeur de
ce filtre est quil nest pas causal. De plus, le nombre total dechantillons necessaires pour le calcul
124
C HAPITRE 5
x(t)
x(t)
Ts
F IG . 5.14 Principe de la reconstitution dun signal continu a` partir du signal e chantillonne

de x(t) est infini ! Une telle expression ne peut donc e tre utile quappliquee en temps differe8 sur
des signaux possedant un nombre fini dechantillons non nuls. La seance de TD 5 est consacree
a` letude dune methode applicable en temps reel et e conomique en nombre de calcul a` effectuer pour reconstituer une approximation du signal analogique a` partir du signal e chantillonne
correspondant. Cette methode est par exemple appliquee dans les lecteurs CD.
5.4
De la transformee de Fourier discrète aux analyseurs de

spectre numeriques
Dans les chapitres precedant, nous avons vu limportance de lanalyse spectrale pour la caracterisation des signaux, cette analyse reposant sur la determination de la transformee de Fourier
du signal. Cest pour cela que lanalyse spectrale est utilisee dans de nombreuses applications liees
par exemple au traitement du son (par exemple codage MP3), a` letude du comportement vibratoire de systèmes mecaniques, etc... La question de sa mise en uvre pratique est donc cruciale.
Dans les exemples academiques danalyse spectrale que nous avons pu aborder, il sagissait de signaux pour lesquels on avait une expression analytique explicite. De plus, ces signaux
e taient e lementaires : lexpression analytique e tait alors suffisamment simple pour permettre de
determiner par calcul formel la transformee de Fourier du signal.
Malheureusement, les applications sont en general beaucoup trop complexes pour quune telle
demarche puisse e tre appliquee : souvent, on ne connait pas dexpression analytique du signal et si
on en connaissait une9 , elle serait probablement beaucoup trop complexe pour pouvoir determiner
par calcul formel sa transformee de Fourier. Puisque le calcul formel ne peut pas e tre mis en
uvre, il est necessaire de recourir au calcul numerique.
Un cas typique dapplication est la realisation de lanalyse spectrale dun signal physique
a` partir de son acquisition (ou mesure). La situation est resumee par la figure 5.15. Un signal
physique est un signal analogique, cest-à-dire une fonction x definie sur R (trait fin sur la figure).
Il est mesure au cours dune experience qui dure un temps Ta : cela permet de definir la fonction
xTa qui est supposee e tre nulle en dehors de lintervalle de temps sur lequel la mesure a e te
effectuee et e gal a` x sur lintervalle de temps de mesure (trait e pais sur la figure). Cependant,
la mesure e tant effectuee par un dispositif technologique, au vu des technologies actuelles, le
signal mesure sera en realite le signal discret xTa obtenu par e chantillonnage du signal xTa (les
8
Le calcul des valeurs x(t) nest fait que quand tous les e chantillons x(kTs ) ont e te mesures : la consequence
pratique est que le valeur x(t) ne peut e tre calculee quà un instant t1 > t.
9
A supposer quelle existe.
G. S CORLETTI
125
1.5
0.5
0.5
1.5
x
2
2.5
10
10
20
30
40
50
60
70
80
F IG . 5.15 Mesure xTa dun signal physique x (trait fin)
90
100
126
C HAPITRE 5
e chantillons du signal discret sont les points rouges de la figure). Puisque lon ne dispose que du
signal discret xTa pour estimer le spectre du signal x, se posent deux questions :
1. Peut-on estimer correctement le spectre de x a` partir de xTa ? Si oui, sous quelles conditions ?
2. Comment calculer efficacement le spectre dun signal discret a` support temporel borne tel
que xTa ?
Pour repondre a` la première question, il est necessaire de comparer les spectres de x, xTa et
Comme cela a e te e tudie dans la section 3.5, page 87, le passage de x a` xTa correspond a`
une operation de fenetrage rectangulaire, ce qui entrane forcement une degradation du spectre,
degradation qui peut e tre diminuee par application sur le signal xTa dune fenetre adaptee telle
que la fenetre de Hanning ou la fenetre de Hamming. Le spectre du signal correspondant xTa
auquel un fenetrage approprie a e te applique constitue une estimation du spectre de x. Nous verrons dans la sous-section 5.4.3 que le fenetrage peut e tre effectue sur le signal xTa obtenu après
e chantillonnage de xTa . Enfin, daprès la section precedente, si la periode dechantillonnage peut
e tre choisie conformement au theorème 5.3.1 (Theorème de Shannon), le spectre de xTa peut e tre
complètement reconstitue a` partir du spectre de xTa . En conclusion, il est donc possible dobtenir
une estimation du spectre de x a` partir de xTa , a` condition de choisir une periode dechantillonnage
qui satisfait le Theorème de Shannon et deffectuer une operation de fenetrage sur xTa .
xTa .
La seconde question est abordee dans la sous-section suivante. Pour lingenieur, lefficacite
est un e lement crucial pour la mise en uvre de lanalyse spectrale : le spectre du signal doit
e tre calcule avec un cout le plus faible possible, le cout e tant mesure par le nombre doperations
arithmetiques effectuees. Or le nombre dechantillons non nuls de xTa peut e tre extremement
important. Par exemple, comme nous lavons vu en introduction du chapitre 3, la mise en uvre
de la compression MP3 est basee sur des analyses spectrales effectuees sur le son a` compresser
decoupe par intervalles de temps. Daprès le tableau 5.1, la periode dun signal sonore pour un
CD est de 44100 Hz, ce qui veut dire quune minute de musique sur 1 CD est representee par
N = 2 millions 646 milles e chantillons ! Pour que la compression MP3 sexecute en un temps
raisonnable, il est donc imperatif de diminuer au maximum le cout de lanalyse spectrale.
Comme la relation entre le spectre de x et le spectre de xTa dans la section 3.5 ainsi que le
traitement a` appliquer a` xTa pour obtenir un signal dont le spectre est une meilleure estimation du
spectre de x que celle donnee par le spectre de xTa , la sous-section suivante va e tudier lestimation
efficace du spectre de xTa a` partir des e chantillons de xTa . De facon a` alleger les notations, xTa est
note x, ce qui revient a` supposer que x est un signal a` support temporel borne.
5.4.1 TFD pour le calcul du spectre de signaux a` support fini

Soit un signal continu x tel que t R\[0, Ta [, x(t) 0. Ce signal est mesure et e chantillonne
avec une periode dechantillonnage Ts sur lintervalle de temps [0, Ta [. Le temps dacquisition Ta
du signal est suppose e tre un multiple entier de Ts : Ta = N Ts . Le signal e chantillonne obtenu est
donne par :
+
N
1
X
X
x =
x(kTs ).kTs =
x(kTs ).kTs .
k=
k=0
Daprès (5.2), la transformee de Fourier du signal e chantillonne est donnee par :

R,
F[x ]() =
N
1
X
k=0
x(kTs )e2ikTs .
(5.8)
G. S CORLETTI
127
Cas ou` il ny a pas repliement de spectre En labsence de repliement, daprès la section 5.3,

1
1

, X() = Ts X ()
,
2Ts 2Ts
et donc (5.8) donne :

1
1
,

,
2Ts 2Ts
X() = Ts
N
1
X
x(kTs )e2ikTs .
(5.9)
k=0
2T1 s , 2T1 s
Lexpression (5.9) montre comment il est possible de calculer pour toute valeur de
,
la valeur du spectre du signal continu a` la frequence a` partir des e chantillons {x(kTs )}k{0, ,(N 1)} .
Dans la suite, x(kTs ) est plus succinctement note xk .
En pratique, les calculs seffectuant sur un ordinateur ou sur
on ne calcule
h
h un microprocesseur,
1
1
n
X() que pour un nombre fini (pair) N de valeurs de 2Ts , 2Ts : = N Ts = Tna pour
n { N2 , . . . ,
N
2
1}, ce qui donne :

N
N
1 , X () |
,...,
2
2
=
= Ts
n
= Tn
N Ts
a
N
1
X
kn
xk e2i N .
|k=0 {z
Xn
(5.10)
Le calcul de N points du spectre de x se ramène donc au calcul de {Xn }n{ N ,..., N 1} a` un

2
2
facteur multiplicatif près. De plus, Xn+N = Xn . En effet,
Xn+N =
N
1
X
xk e2ik
(n+N )
N
k=0
N
1
X
xk e2ik N = Xn
k=0
On en deduit que :
{Xn }n{ N ,..., 1} = {Xn }n{ N ,..., (N 1)} .
2
Par suite, calculer {Xn }n{ N ,..., N 1} se ramène a` calculer {Xn }n{0,..., (N 1)} .
2
{Xn }n{0,..., (N 1)} est appelee Transformee de Fourier Discrète10 de {xk }k{0,..., (N 1)} .
Notation
{xk } {Xn }
Transformation directe
Xn =
N
1
X
kn
xk e2i N
(5.11)
k=0
Transformation inverse
N 1
kn
1 X
xk =
Xn e2i N
N n=0
(5.12)
10
On prendra soin de ne pas confondre une Transformee de Fourier Discrète et la Transformee de Fourier dun
Signal Discret telle que definie par (5.2).
128
C HAPITRE 5
Nombre de multiplications complexes
Partant de {xk }k{0, , (N 1)} , le calcul de {Xn }n{0, , (N 1)} seffectue a` partir de (5.11) a` laide
dun nombre fini doperations arithmetiques. Neanmoins, en pratique, N peut e tre (très) grand.
Daprès le tableau 5.1, la periode dechantillonnage dun signal sonore pour un CD est de 44100 Hz,
ce qui veut dire quune minute de musique sur 1 CD est representee par N = 2 millions 646 milles
e chantillons et une heure 10 minutes correspond a` N = 185 millions 220 mille e chantillons. Le
calcul numerique de la Transformee de Fourier Discrète {Xn }n{0,..., (N 1)} par la formule (5.11)
coute (N 1)2 multiplications complexes, le cout des additions e tant negligeable par rapport au
cout des multiplications. Pour N grand, le temps de calcul est très long, ce qui limite fortement
linteret pratique de ce calcul. Afin de remedier a` ce problème, plutot que dutiliser navement
les formules (5.11) et (5.12), un algorithme efficace appele Transformee de Fourier Rapide (TFR
ou FFT en Anglais) a e te developpe. Il sapplique dans le cas où N est une puissance11 de 2.
Lalgorithme FFT permet de calculer la Transformee de Fourier Discrète {Xn }n{0,..., (N 1)} en
effectuant N2 log2 (N ) où log2 represente le logarithme de base 2, ce qui fait un nombre de multiplications complexes qui augmente beaucoup moins vite avec N , voir figure 5.16
2500
TFD
FFT
2000
1500
1000
500
0
0
10
20
30
40
50
F IG . 5.16 Cout du calcul de la TFD par (5.11) versus FFT

Une minute de musique sur 1 CD etant representee par N = 2 millions 646 mille e chantillons,
le calcul numerique de la Transformee de Fourier Discrète par la formule (5.11) coute plus de 7
1012 multiplications complexes alors que le calcul par FFT coute moins de 3 107 multiplications
complexes soit une difference dordre de grandeur de 100 000 ! Lalgorithme FFT est programme
sous Matlab avec la fonction fft12 :
>> help fft
FFT Discrete Fourier transform.
FFT(X) is the discrete Fourier transform (DFT) of vector X. For
matrices, the FFT operation is applied to each column. For N-D
arrays, the FFT operation operates on the first non-singleton
dimension.
11
Il existe M tel que N = 2M . Si ce nest pas le cas, il suffit de completer {xk } par 2M N zeros où M est le
plus petit entier tel que M log2 (N ).
12
Sous Matlab, lindice du premier e lement dun vecteur est toujours 1 et jamais 0.
G. S CORLETTI
129
(...)
For length N input vector x, the DFT is a length N vector X,
with elements
N
X(k) =
sum x(n)*exp(-j*2*pi*(k-1)*(n-1)/N), 1 <= k <= N.
n=1
The inverse DFT (computed by IFFT) is given by
N
x(n) = (1/N) sum X(k)*exp( j*2*pi*(k-1)*(n-1)/N), 1 <= n <= N.
k=1
La fonction fft permet aussi de traiter des problèmes où N nest pas une puissance de 2, comme
lexemple qui suit. Dans ce cas, elle est moins efficace ce qui nest pas genant pour lexemple car
il est de petite dimension.
Bilan
Lintervalle entre deux points frequentiels de X() calcules par (5.10) est N1Ts = T1a ;
s = T1s est la largeur de lintervalle frequentiel sur lequel des valeurs de X sont calculees ;
La mesure de N e chantillons temporels xk permet de determiner N points du spectre X
de x.

Le calcul des e chantillons n N2 , . . . , N2 1 , X NnTs se ramène au calcul de la transformee de Fourier discrète {Xn }n{0, , (N 1)} voir la formule (5.10) et la discussion associee. On
a alors :
N

X () |
= Ts Xn+N
n 2 , . . . , 1
= NnT
s

N
1
X
()
|
= Ts Xn
n
0,
.
.
.
,
n
= N T
La demarche de mise en uvre est resumee figure 5.17.
Exemple Considerons le signal x defini par

t R,
x(t) = t2 e3t (t)
où est lechelon dHeaviside. Sa courbe representative est representee figure 5.18. La fonction
est strictement decroissante, de limite e gale a` 0 quand t tend vers linfini. On peut considerer que
pour t 5, x(t) 0. Par suite, on choisit Ta = 5s. Ce signal est e chantillonne avec une periode
dechantillonnage Ts = 18 s soit s = 8 Hz, voir figure 5.18. Avec N = 40, on a bien Ta = N Ts .
Dans cet exemple, la transformee de Fourier du signal x peut e tre calculee de facon litterale :
R,
X() =
2
.
(2i + 3)3
(5.13)
Pour > 0, |X()| est une fonction strictement decroissante de . De plus, |X(1/(2Ts ))| =
1.2334 104 0. Par suite, on peut considerer que la condition du theorème de Shannon
(condition 5.7, page 120) est satisfaite. Le spectre en amplitude |X ()| du signal e chantillonne
est represente en noir figure 5.19.
de {Ts Xn }n{0, , (N 1)} est representee en bleu
Lamplitude

figure 5.19, lamplitude de X NnTs en rouge pour n N2 , . . . , 1 et en bleu pour n
130
C HAPITRE 5
Echantillonnage
Calcul de TFD
Estimation
spectre
F IG . 5.17 Demarche de mise en uvre de la TFD
Priode dchantillonnage T =0.125s

s
0.07
0.06
t2e3t(t)
0.05
0.04
0.03
0.02
0.01
F IG . 5.18 Signal t2 e3t (t)
G. S CORLETTI
131
0.08
Transforme de Fourier du
signal chantillonn
0.07
0.06
0.05
TX
s n
pour n 0,..., (N1)

0.04
0.03
0.02
0.01
0
12
0
Frquence en Hertz
12
F IG . 5.19 Spectre en amplitude |X ()| du signal e chantillonne

n
0, . . . , 1 . On constate que les valeurs de X N Ts calculees par la transformee de Fourier
discrète concident bien avec les valeurs obtenues a` partir de (5.13).

N
2
Cas ou` il a repliement de spectre Cependant, dans le cas où le support dun signal continu est
un intervalle borne, le support de sa transformee de Fourier nest pas borne. Il y a donc forcement
repliement de spectre. On a alors :

n
nN
= s X
+
s X
m
Xn =
s X
T
Ta
a
m=
m6=0
|
{z
}
terme de repliement

Neanmoins, on peut sarranger pour que son effet sur lestimation de X Tna via lutilisation de
la TFD soit pratiquement faible.
+
X
nN
n
m
Ta
Ta
n
Ta
5.4.2 TFD pour le calcul du spectre de signaux periodiques

Nous allons voir que lutilisation de la transformation de Fourier discrète permet de determiner
lintegralite du spectre dun signal continu periodique. Cest le grand avantage de ce cas-là par
rapport au cas traite dans la sous-section precedente. Cependant, pour les applications pratiques,
le cas precedent est beaucoup plus interessant, ce que motivera lexemple de cette sous-section.
Dans la sous section 2.6.4.1, page 45, nous avons vu que :
La transformee de Fourier dun signal periodique est discrète.
Un signal periodique x correspond a` la periodisation dun signal motif xmotif , voir figure 5.20 : la
transformee de Fourier du signal periodique est alors obtenue, a` un coefficient multiplicatif près,
par la discretisation de la transformee de Fourier de la fonction motif. Cela se retrouve dans les
132
C HAPITRE 5
fonction motif
0.08
0.06
0.04
0.02
0
5
10
10
t
fonction priodique
0.08
0.06
0.04
0.02
0
5
0
t
xmotif T
xmotif
xmotif T
F IG . 5.20 Fonction periodique et fonction motif : x = xmotif PgnT
G. S CORLETTI
133
expressions mathematiques. Avec T la periode du signal periodique, un signal periodique x est

reliee au motif xmotif par :
x = xmotif PgnT .
En prenant la transformee de Fourier de cette expression, on obtient :
1
F[x] = F[xmotif ]. Pgn 1 .
T
T
(5.14)
Pour un signal periodique de periode T , la transformee de Fourier est discrète avec un pas de T1 .
Dautre part, nous avons vu quun signal e chantillonne avec une periode dechantillonnage de Ts
a une transformee de Fourier periodique de periode T1s . Doù le tableau 5.3.
Signal
Domaine
Spectre
Temps Frequence
Periode
1
Ts
Pas
Ts
1
T
TAB . 5.3 Temps frequence pour un signal periodique e chantillonne

La relation (5.14) permet de reduire le calcul de la transformee de Fourier dune fonction
periodique a` celle de sa fonction motif xmotif . Or xmotif est une fonction a` support borne de
longueur T . Si on procède a` lacquisition de N e chantillons {xk }k{0, ,(N 1)} avec une periode
dechantillonnage Ts telle que le temps dacquisition Ta = N Ts soit e gal a` la periode T du signal
periodique x, daprès la section precedente (equation (5.9)), on a, en labsence de repliement de
spectre :
N
1
h
i
X
1
1
2Ts , 2Ts ,
xk e2ikTs
Xmotif () = Ts
k=0
Sinon
Xmotif () = 0
Par suite, puisque X = Xmotif . T1 Pgn 1 et pour N pair,
T
1
X = Xmotif .
T
+
X
n 1
T
n=

+
1
1 X
Xmotif n
n 1
=
T
T n=
T
+2

1
1 X
1
Xmotif n
=
T
Ta n T
N
n= 2
+N
1
2
X
n
Ts X
2ik
N 1
=
xk e
nT
T
N k=0
n= 2
|
{z
}
Xn
134
C HAPITRE 5
En conclusion, en labsence de repliement de spectre, pour un signal x periodique de periode

T e chantillonne periode Ts telle que T = N Ts , le calcul de la TFD associee permet de determiner
lintegralite du spectre de x :
N
+2
Ts X
X=
Xn n 1
T
T
N
n=
ce qui dun point de vue theorique est remarquable.
Exemple Soit le signal periodique de periode T = 1s definie par :

1
t R, x(t) = sin 2 t .
T
Le signal est e chantillonne avec Ts = 0.1s et on fait lacquisition de N = 10 e chantillons. Par
suite, Ta defini par Ta = N Ts est tel que Ta = T . Le calcul de la transformee de Fourier discrète
par la fonction Matlab fft donne le resultat presente figure 5.21. Le resultat est bien coherent
avec F[x] : en effet, nous avons vu dans le chapitre 2 que
i
i
F[x] = 1 1 .
2 T
2 T
0.6
1
sin(2 t/T)
sin(2 kT /T)
0.8
0.5
0.6
0.4
0.4
n
T /T|X |
0.2
0.3
0
0.2
0.2
0.4
1/T
0.6
0.1
0.8
1
0.2
0.4
0.6
0.8
F IG . 5.21 x et
4
6
Frquence =n/T
10
Ts
|Xn |
T
Maintenant imaginons que nous ne connaissions pas exactement la frequence du signal periodique : la periode Ts est alors choisie telle que Ta 6= T , par exemple, avec Ts = 0.11s, Ta = 1.1 s.
La figure 5.22 presente le resultat obtenu. On constate quune modification de seulement 10% de
Ts a des effets importants. En realite, la transformee discrète representee figure 5.22 correspond
au spectre du signal periodique dont le motif est defini par :

1
t [0, Ta [, xmotif (t) = sin 2 t
T
G. S CORLETTI
135
0.7
sin(2 t/T)
sin(2 kT /T)
0.8
0.6
0.6
0.5
0.4
T /T|X |
0.2
0.4
0
0.2
0.4
0.3
0.2
0.6
0.1
0.8
0.2
0.4
0.6
0.8
F IG . 5.22 x et
Ts
|Xn |
T
avec T 6= N Ts
1
0.8
0.6
0.4
0.2
motif
0.2
0.4
0.6
0.8
1
0.2
0.4
0.6
0.8
F IG . 5.23 Fonction motif pour Ts = 0.11s
4
6
Frquence =n/T
10
136
C HAPITRE 5
soit ce qui est represente sur la figure 5.23, ce qui ne correspond plus au motif dune fonction
sinusodale : il est donc normal de ne plus avoir le spectre dune fonction sinusodale.
En pratique, comme on ne connait pas forcement exactement la periode dun signal periodique
a` e tudier13 , on traite un signal periodique comme un signal quelconque, tel que cela est decrit dans
la sous section suivante.
5.4.3 Principe de lanalyseur numerique de spectre
F IG . 5.24 Analyseur de spectre numerique Tektronix (Source photo http ://www.tek.com)
Sine Wave
ZeroOrder
Hold
FFT
Spectrum
Scope
F IG . 5.25 Analyseur de Spectre sous Simulink

Un analyseur numerique de spectre est un appareil delectronique numerique servant a` estimer le spectre dun signal mesure sur un intervalle de temps borne. Un exemple est presente figure 5.24. Sous Simulink (avec la librairie Signal Processing Blockset), lequivalent
de lanalyseur de spectre est le Spectrum Scope, voir figure 5.25.
Les differentes e tapes de lanalyse experimentale du spectre sont representees figure 5.26.
13
Lobjectif de lanalyse spectrale peut e tre justement de determiner cette periode !
G. S CORLETTI
137
b(t)
mesure de x
Ts
CAPTEUR
STOCKAGE de N
chantillons x
k
transmission de
N chantillons
FENETRE de
PONDERATION
transmission de
N chantillons pondrs
Calcul de
FFT
transmission de
N valeurs de TFD
Estimation du spectre de
x
F IG . 5.26 Etapes de lanalyse experimentale du spectre
138
C HAPITRE 5
1. Le signal x est e chantillonne en temps reel avec une periode Ts qui a e te choisie de facon
adequate, voir section 5.3.
2. Les e chantillons {xk } obtenus sont stockes dans une memoire de capacite N : cette memoire
contient a` chaque instant les N derniers e chantillons xk de x.
3. Toutes les mTs secondes, avec m N , les N e chantillons stockes sont transmis de facon a`
effectuer une operation de fenetrage temporel.
4. Après fenetrage, la TFD est calculee pour les N e chantillons transmis xk par application de
lalgorithme FFT, voir section 5.4.1.
5. A partir du calcul de la TFD, une estimation du spectre de x est obtenue et est represente
graphiquement.
Pour mettre en uvre le fenetrage temporel sur un signal discret, il suffit de considerer une version
discrète des fenetres. En notant que Ta = N Ts et que lon sinteresse aux temps t = kTs , on a
après simplifications :
Hanning
Hamming
(
(
k {0, , (N 1)} , wk =
Sinon,
1
2
wk = 0
12 cos 2 Nk
k {0, , (N 1)} , wk = (1 ) cos 2 Nk

Sinon,
wk = 0
Les fonctions Matlab hanning et hamming donnent, pour un N donne, le vecteur des coefficients wk , k {0, , (N 1)}.
Remarques
1. Les e tapes 3 a` 5 sont executees toutes les mTs secondes : une serie de TFDs est donc
calculee, deux TFDs successives ayant en commun N m e chantillons. Il y a donc un
recouvrement14 des deux ensembles dechantillons.
2. Des variantes sont possibles. Par exemple, lestimation du spectre de x peut e tre faite non
pas a` partir dun seule TFD mais en faisant la moyenne de plusieurs TFDs.
3. Lutilisation dun analyseur de spectre ou du bloc Spectrum Scope ne peut donner de
resultat correct que si
La periode dechantillonnage ;
La fenetre de ponderation ;
Le nombre dechantillons N pour la TFD ;
lintervalle de temps mTs entre deux TFDs
sont correctement choisis. Ce document de cours vous a presente tous les e lements disponible pour ce choix : il ne vous reste plus quà reflechir...
5.5
En resume
Afin dameliorer linteractivite de lenseignement, le lecteur est invite a` e crire le resume de ce

chapitre de cours en completant le tableau 5.4 : merci dy indiquer quelles sont relations entre le
spectre dun signal analogique x, le spectre du signal e chantillonne x et la TFD correspondant.
14
En Anglais, overlap.
G. S CORLETTI
SPECTRE
Signal continu
Signal discret
Signal discret
139
TFD
TAB . 5.4 Tableau de relations entre les spectres a` completer
5.6
Annexe du chapitre : exemples de scripts Matlab
Pour lexemple page 129, le script Matlab ci-dessous permet dobtenir la figure 5.18 et la
figure 5.19.
% Trac
e de la courbe representative de x(t)
Ts = .125;
tfinal = 5;
t = 0:.01:(tfinal-Ts);
xt = t.2.*exp(-3*t);
figure, plot(t, xt);
hold on
% Trac
e sur la m
eme figure des
echantillons
kTs = 0:Ts:(tfinal-Ts);
N = length(kTs);
xkTs = kTs.2.*exp(-3*kTs);
stem(kTs, xkTs, .)
140
C HAPITRE 5
% Calcul de la TFD
Xn = fft(xkTs);
% Repr
esentation des points du module du spectre X
a partir du calcul de la TFD
% obtenu `
figure, stem( (0:(N-1))/N/Ts, Ts*abs(Xn), b. )
hold on
% Trac
e sur la m
eme figure de la courbe caract
eristique
% du module du spectre X
freq = (-1/2/Ts):.01:(+1/2/Ts);
Xfreq = 2*abs(1./(sqrt(-1)*2*pi*freq+3).3);
plot(freq-1/Ts,Xfreq,k- ); plot(freq,Xfreq,k- );
plot(freq+1/Ts,Xfreq,k-)
stem( ((-N/2):-1)/N/Ts, Ts*abs(Xn((N/2+1):N)), r.)
Chapitre 6
Filtrage numerique
Le filtrage frequentiel est une operation importante en traitement du signal. Dans le chapitre 3,
section 3.4, nous avons e tudie le filtrage frequentiel analogique, ce qui correspond a` un système de
convolution continu. Neanmoins, une part importante et toujours croissante de systèmes technologiques incorpore des systèmes delectronique numerique, ces systèmes incluant de nombreuses
operations de filtrage. Dans ce contexte, le filtrage frequentiel numerique est largement plus utilise
que le filtrage frequentiel analogique. Par exemple, le filtrage qui est effectue lors de la compression MP3 est en realite un filtrage numerique et non analogique. Cependant, les filtres analogiques
restent incontournables pour realiser des filtres anti-repliements ou encore1 pour des applications
pour lesquelles la rapidite est très importante.
Ce chapitre sinteresse donc au filtrage frequentiel numerique qui travaille sur des signaux
discrets. Après avoir defini les systèmes de convolution discrets (section 6.1), la conception de
deux grandes classes de filtres sera abordee : les filtres a` Reponse Impulsionnelle Infinie ou filtres
RIIs (section 6.2) et les filtres a` Reponse Impulsionnelle Finie ou filtres RIFs (section 6.3).
6.1
Convolution discrète
6.1.1 Produit de convolution discret et systèmes de convolution discrets

Tout comme les systèmes de convolution continus (chapitre 3) e taient associes au filtrage
analogique, la mise au point de systèmes de filtrage numerique est basee sur les systèmes de
convolution discrets definis par la distribution :
h =
+
X
hi iTs
i=
qui, a` une entree

x =
+
X
xm mTs
m=
associe la sortie
y =
+
X
n=
1
Ce qui est de moins en moins vrai.
141
yn nTs
142
C HAPITRE 5
telle que
y = h x .
(6.1)
Ts designe ici la periode dechantillonnage.

A partir de lequation (6.1), peut-on trouver une relation qui lie directement les yn , hi et xm ? Pour
cela, on a :
+
+
X
X
y = h x =
hi xm iTs mTs
m= i=
+
+
X
X
hi xm (i+m)Ts
m= i=
+
X
n=
Par suite, puisque y =
+
X
+
X
hi xni
i=
nTs .
yn nTs ,
n=
yn =
+
X
hi xni .
i=
Cette expression definit le produit de convolution discret ainsi que le système de convolution
discret associe.
Exemple Soit le signal discret x = . Il peut sexprimer par x0 = 1 et xm = 0 pour m 6= 0. Par
suite, la sortie y = h x est donnee par :
yn =
+
X
hi xni = hn .
i=
h est bien la reponse impulsionnelle du système de convolution.

On parle de système de convolution :
Causal si
i < 0,
hi = 0.
a` Reponse Impulsionnelle Finie sil existe imin imax tels que

i < imin , hi = 0
et
i > imax , hi = 0.
Abreviation en Francais RIF et en Anglais FIR.

a` Reponse Impulsionnelle Infinie sil nest pas a` reponse impulsionnelle finie. Abreviation en
Francais RII et en Anglais IIR.
Remarque Un système de convolution continu defini par une fonction de transfert F (s) reelle
rationnelle en s ne peut pas avoir une reponse impulsionnelle finie. Une reponse impulsionnelle
finie est donc une specificite des systèmes discrets.
G. S CORLETTI
143
6.1.2 Système de convolution discret et fonction de transfert

Soient x et y tels que y = h x . Nous avons vu dans la sous section 5.1.2 que la transformee en Z des signaux discrets sobtenait a` partir de leur transformation de Laplace suivi du
changement de variable z = eTs s . Par suite, avec L qui represente la transformee de Laplace et en
utilisant (3.5), page 70 :
L[y ] = L[h ]L[x ]
se ree crit :
Y (z) = F (z)X(z)
avec
F (z) = L
+
X
hi iTs
i=
+
X
i=
hi L (iTs ) =
+
X
iTs s
hi e
i=
+
X
hi z i .
(6.2)
i=
F (z) definit la fonction de transfert associee au système de convolution discret. Dans le cas dun
RIF :
iX
max
F (z) =
hi z i .
i=imin
Dans beaucoup de cas de systèmes de convolution causal a` RII, la fonction F (z) peut sexprimer
de la facon suivante :
nb
X
bj z j
F (z) =
j=0
na
X
(6.3)
al z
l=0
avec a0 = 1. Le système de convolution discret correspond a` la fonction de transfert F (z) est

stable si les racines du polynome au denominateur de F :
na
X
al z l
l=0
sont de module strictement inferieur a` 1. Les racines de ce polynome sont appelees poles de la
fonction de transfert.
Linteret de la formulation (6.3) apparat lorsque lon revient dans le domaine temporel. En
effet, Y (z) = F (z)X(z) se ree crit :
!
!
nb
na
X
X
al z l Y (z) =
bj z j X(z)
j=0
l=0
soit
na
X
al z Y (z) =
nb
X
bj z j X(z)
j=0
l=0
Or, daprès la sous section 5.1.2, z l Y (z) est la transformee en Z du signal discret
n=+
X
n=
ynl nTs .
(6.4)
144
C HAPITRE 5
Lequation (6.4) est donc obtenue par transformee en Z de :

na
X
al
l=0
n=+
X
ynl nTs
n=
nb
X
n=+
X
bj
(6.5)
nTs
(6.6)
xnj nTs
n=
j=0
ce qui se ree crit en e changeant les sommations :

n=+
X
n=
na
X
al ynl
l=0
nTs =
nb
X
n=+
X
n=
bj xnj
j=0
ce qui mène a` :
na
X
al ynl =
nb
X
bj xnj .
(6.7)
j=0
l=0
Puisque a0 = 1, on obtient ainsi la relation de recurrence :

yn =
nb
X
j=0
bj xnj
na
X
al ynl .
(6.8)
l=1
Lequation (6.2) elle correspond a` la definition du produit de convolution :

yn =
+
X
hi xni .
i=
Levaluation de yn a` partir de cette e quation demande un nombre infini doperations alors que
levaluation de yn par lequation (6.8) nen demande quun nombre fini.
Remarque Lequation (6.7) peut e tre directement obtenue a` partir de lequation (6.4) en replacant
les termes du type z l Y (z) par ynl .
Exercice Le système de convolution defini par la fonction de transfert F (z) = z + z 1 est-il

causal ?
La reponse frequentielle H dun système de convolution discret est la transformee de Fourier
de sa reponse impulsionnelle h . Par suite, la reponse frequentielle H est periodique de periode
1
. Si un système de convolution discret, causal et stable, est defini par une fonction de transfert
Ts
F (z) alors
R, H () = F (e2iTs ).
XXXXX
On peut e tablir un parallèle entre les fonctions de transfert continues et les fonctions de transfert
discrètes, voir le tableau 6.1 et la figure 6.1.
G. S CORLETTI
Continu
Z
Produit de convolution
Discret
h( )x(t )d
s
Fc (s)
F (z)
z=eTs s
poles de Fc (s)
a` partie reelle < 0
poles de F (z)
de module < 1
F (e2iTs )
Fc (2i)
Reponse frequentielle
hi xni
i=
s= T1 ln(z)
Fonction de transfert
Stabilite
+
X
145
TAB . 6.1 Parallèle continu discret
1.5
/T
1.5
0.5
0.5
0.5
0.5
z=eTs s
1
/T
1.5
s= T1
s
1.5
2
2
1.5
0.5
0.5
1.5
ln(z)
2
2
1.5
0.5
0.5
1.5
F IG . 6.1 Localisation des poles des fonctions de tranfert continu et discrète correspondantes
146
6.2
C HAPITRE 5
Conception de filtres a` reponse impulsionnelle infinie
Dans la sous section 3.4.3, page 77, nous avons e tudie la conception de filtres frequentiels
continus. Lidee est de concevoir un filtre frequentiel discret en utilisant les relations qui existent
entre les systèmes continus et les systèmes discrets. Pour cela, on va adopter la demarche suivante :
1. Conception dun filtre continu qui respecte le gabarit frequentiel a` satisfaire : le resultat de
cette e tape est une fonction de transfert continue Fc (s) ;
2. Determination dune fonction de transfert discrète F (z) equivalente a` Fc (s).
La première e tape ayant e te traitee dans la sous-section 3.4.3, nous nous interessons a` la seconde
e tape.
Daprès le tableau 6.1, on aura e quivalence avec F (z) definie par

1
F (z) = Fc
ln(z) .
Ts
Fc (s) e tant une fonction reelle rationnelle en s, la fonction de transfert F (z) ainsi obtenue ne le
sera pas en z. Or pour pouvoir realiser une fonction de transfert discrète, il faut y associer une
e quation de recurrence (6.8), ce qui ne peut se faire que si F (z) est une fonction reelle rationnelle
en z, cest-à-dire de la forme (6.3). Il faut donc trouver une autre methode.
Lidee est de remplacer z = eTs s s = T1s ln(z) par une relation rationnelle entre s et z (appelee
transposition), de facon a` ce que, quand s est remplacee par cette expression de z dans Fc (s), la
fonction F (z) soit rationnelle en z. De plus, le choix de la transposition doit assurer que la fonction
de transfert continue de depart et la fonction de transfert discrète obtenue soient e quivalentes. Par
e quivalente, il faut comprendre que :
1. La fonction de transfert discrète equivalente est stable si et seulement si la fonction de
transfert continu lest : un filtre ne peut e tre que stable ;
2. Les reponses frequentielles associees aux deux fonctions de transfert doivent concider au
mieux : la finalite dun filtre est de respecter un gabarit frequentiel.
Plusieurs transpositions sont classiquement considerees :
Rectangles inferieurs s
Rectangles superieurs s
z1
Ts
z1
Ts z
Transformation bilineaire s
2 z1
Ts z+1
soit z
1+ T2s s
1 T2s s
Elles sont obtenues a` partir de lestimation de lintegrale dun signal continu calculee a` partir
du signal discret issu de lechantillonnage de ce signal continu. Lintegration est un système de
convolution avec h = . De plus, si y est lintegrale du signal continu x nul pour t < 0 alors

t 0, y(t)
= x(t)
y(0) = 0
Par suite, en prenant la Transformee de Laplace (monolaterale), on obtient
F (s) =
Y (s)
1
= .
X(s)
s
G. S CORLETTI
Signal a` integrer
147
Rectangles inferieurs
1
x
x*
x*
0.9
1
0.8
0.7
0.8
0.6
0.5
0.6
0.4
0.4
0.3
0.2
0.2
0.1
10
Rectangles superieurs
Trapèzes
x
x*
x*
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
10
10
F IG . 6.2 Differentes methodes dapproximation de lintegrale
10
148
C HAPITRE 5
La methode des rectangles inferieurs (respectivement superieurs) consiste a` approcher lintegrale a` linstant kTs par la somme de lapproximation de lintegrale a` linstant precedent (k 1)Ts
et de la surface du rectangle ayant pour base Ts et pour hauteur lamplitude du signal x en
t = (k 1)Ts (resp. en t = kTs ), voir figure 6.2. Dans la methode des trapèzes (qui correspond a` la transformation bilineaire), le rectangle est remplace par le trapèze defini figure 6.2. Soit
ya lapproximation de lintegrale. Alors dans le cas des rectangles inferieurs :
yak = yak1 + Ts xk1 (1 z 1 )Ya (z) = Ts z 1 X(z)
Formellement, lapproximation de
1
s
par
Ts
z1
revient a` remplacer s par
Ya (z)
X(z)
Ts
z1
z1
.
Ts
Exercice Etablir les formules pour les autres methodes.

La transformation bilineaire est aussi appelee transformation de Tustin. Avec les deux premières
transpositions, la stabilite de la fonction de transfert F (z) obtenue a` partir de Fc (s) nest pas
forcement e quivalente a` la stabilite de Fc (s), ce qui nest pas le cas de la troisième puisquavec
cette transposition :
Re(s) < 0 |z| < 1
voir la figure 6.3. Les deux premières transpositions sont donc e liminees. Appelons Fb (z) la fonction de transfert discrète obtenue a` partir de Fc (s) par la transformation bilineaire. Que peuton dire de la reponse frequentielle de Fb (z) par rapport a` la reponse frequentielle de Fc (s) ? La
reponse frequentielle de Fc (s) est obtenue en remplacant s par 2icont où cont est la frequence
pour le temps continu. La reponse frequentielle de Fb (z) est obtenue en remplacant z par e2iTs .
Si Fb (z) avait e te obtenue en remplacant s par T1s ln(z) alors on aurait forcement cont et qui
correspondent. Par contre, ici comme
s
2 z1
Ts z + 1
on a, après simplification2 :
cont =
1
Ts
tan (Ts ) =
1
arctan (Ts cont )
Ts
(6.9)
Au voisinage de = 0, on a au premier ordre3 : cont . La courbe representative de cont en

fonction de est presentee figure 6.4 pour Ts = 1s. On constate que cont pour 0.1 Hz,
soit 5 fois moins que la frequence 2T1 s . De plus,

1
cont [0, +[ 0,
2Ts
Moralite, les spectres de Fb (z) et de Fc (s) vont e tre très proches en basses frequences. Ils vont
differer quand la frequence crot. La deformation est decrite par la relation (6.9).
2
Posons
2 z1
.
Ts z + 1
Ici w joue le role de la variable de Laplace s. Par suite, pour passer dans le domaine frequentiel, on pose w = 2icont
et z = e2iTs . La relation precedente secrit alors :
w=
2icont =
2
2 eiTs eiTs
2 e2iTs 1
=
=
i tan (Ts )
2iT
s + 1
Ts e
Ts eiTs + eiTs
Ts
ce qui donne la relation (6.9).

3
Au voisinage de x=0, tan(x) x.
G. S CORLETTI
Rectangles inferieurs
149
z1
Ts
+1
Rectangles superieurs
z1
Ts z
+1
Transformation bilineaire
2 z1
Ts z + 1
+1
F IG . 6.3 Zone de localisation des poles de la fonction de transfert discrète obtenue par transposition dune fonction de transfert continue stable
150
C HAPITRE 5
Trac de
cont
Trac de cont en fonction de pour Ts=1s
en fonction de pour T =1s

s
20
0.7
18
0.6
16
14
0.5
cont
cont
12
10
0.4
0.3
8
6
0.2
4
0.1
2
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
F IG . 6.4 Trace de cont =
1
Ts
Exemple Avec Ts = 1 s et
Fc (s) =
0.1
0.2
0.3
0.4
0.5
0.6
0.7
tan (Ts ) (zoom en 0 a` droite)
1
12s + 1
on obtient :
z+1
.
25z 23
La relation entre leurs reponses frequentielles en module est presentee figure 6.5.
Fb (z) =
Mise en uvre pour la conception de filtres Le gabarit frequentiel que doit satisfaire le filtre
numerique est defini en fonction de la frequence . Cependant, voir page 77, on concoit dans une
première e tape un filtre continu, le filtre frequentiel discret e tant ensuite obtenu par transposition
du filtre continu en utilisant la transformation bilineaire. Comme les reponses frequentielles sont
deformees lors de loperation de transposition, il est necessaire de choisir pour la conception du
filtre continu un gabarit frequentiel qui soit relie au gabarit frequentiel du filtre numerique par la
transformation bilineaire.
Le processus de conception du filtre numerique presente en debut de section est donc modifie
de la facon suivante :
1. Transposition du gabarit frequentiel dans le domaine frequentiel cont a` laide des relations (6.9) ;
2. Conception du filtre continu Fc (s) qui satisfait le gabarit frequentiel ainsi obtenu par les
methodes de la sous section 3.4.3, page 77 ;
3. Transposition par la transformation bilineaire du filtre Fc (s) en le filtre numerique F (z)
recherche en utilisant les relations definissant la transformation bilineaire.
Exemple de conception de filtre numerique On souhaite concevoir un filtre numerique passebas de periode Ts = 0.005 s qui verifie le gabarit frequentiel defini par :
Une bande passante : [0, c ] avec c = 50 Hz ;
Une bande de transition assez courte : moins de 10 Hz ;
Des oscillations sont permises dans la bande passante, damplitude inferieure a` 0.056 ;
Dans la bande de rejection, lamplitude doit e tre inferieure a` 0.1.
1.5
151
cont
1.5
cont
G. S CORLETTI
0.44
0.44
2
0.5
|F (2 i
c
0
0
0
)|
cont
0.1 0.2 0.3 0.4 0.5 0.6
0.5
|F (e
0.0303
2 i
)|
1
0
0
0.3
0.5 0.6
F IG . 6.5 Relation entre les reponses frequentielles en module dune fonction de transfert continu
et de sa transposition par la transformation bilineaire
152
C HAPITRE 5
Le filtre continu correspondant devra verifier le gabarit transforme par la relation (6.9) ce qui
revient a` modifier la bande passante et la bande de transition :
La frequence c = 50 Hz est remplace par ccont = T1 s tan (Ts c ) ce qui donne ccont =
63.66 Hz ;
La bande de transition [50, 60] est remplace par la bande [63.66, 87.62] Hz.
Un filtre elliptique Fc (s) est mis au point a` laide des fonctions Matlab ellipord et
ellip. On obtient :
0.09998(s2 + 2.206 105 )(s2 + 7.934 105 )
.
Fc (s) = 2
(s + 396s + 1.105 105 )(s2 + 58.05s + 1.679 105 )
Son spectre en amplitude est represente en pointilles figure 6.6. Lapplication de la transformation
2 i T
Spectre en amplitude de F(e

s) en fonction de
et de F (2 i
) en fonction de
c
cont
cont
1
2 i T
|F(e
s)|
|F (2 i
)|
0.9
cont
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
10
20
30
40
50
63.7 70
cont
80
90
100
F IG . 6.6 Reponses frequentielles en module de Fc (2icont ) en fonction de cont et de F (e2iTs )

en fonction de
bilineaire (fonction Matlab bilinear) permet dobtenir le filtre numerique correspondant :
0.24099(z 2 + 1.329z + 1)(z 2 + 0.3187z + 1)
.
F (z) = 2
(z 0.2311z + 0.2613)(z 2 + 0.04472z + 0.8677)
On peut verifier sur la figure 6.6 que ce filtre respecte bien le gabarit frequentiel desire. Le script
Matlab permettant sa conception est presente dans la section 6.5.
6.3
Conception de filtres a` reponse impulsionnelle finie
Un inconvenient majeur des filtres RII est que leur phase nest pas une fonction affine en la
frequence , voir, par exemple, la phase du filtre concu dans lexemple precedent et representee
G. S CORLETTI
153
figure 6.7. Or, comme cela a e te discute page 79, il est souhaitable que la phase () dun filtre
2 i T
Phase de F(e
) avec T =200s
2 i T
arg(F(e
)) en radians
3
0
20
40
60
80
100
F IG . 6.7 Reponse frequentielle en phase (radians) de F (e2iTs ) en fonction de

soit une fonction affine en la frequence , cest-à-dire que le temps de groupe :
() =
1 d
()
2 d
(6.10)
soit constant. Le gros interet des filtres RIFs est quil est possible de les concevoir en leur imposant
un temps de groupe constant. Les classes de filtres RIFs a` temps de groupe constant considerees
correspondent a` des filtres RIFs dont les N e chantillons non nuls de la reponse impulsionnelle h
presentent une symetrie ou une anti-symetrie4 par rapport5 a` Ts , voir la figure 6.8.
Les filtres RIFs presentent deux autres avantages importants :
1. Ils sont forcement stables puisque tous leurs poles sont forcement en 0. En effet,
F (z) =
iX
max
hi z i =
iX
max
hi z imax i
i=imin
i=imin
z imax
2. Ils peuvent e tre realises efficacement par des systèmes delectronique numerique (voir figure 6.9) et leur fonctionnement est moins sensible aux erreurs liees a` la precision finie6 .
4
Sachant quen pratique, lordre dun filtre RIF peut e tre de plusieurs centaines, linteret de cette (anti) symetrie
est de limiter le nombre de coefficients a` stocker au moment de la mise en uvre du filtre.
5
= Ts (N 21) .
6
Sur les ordinateurs et les systèmes delectronique en general, les nombres reels sont representes par des
nombres binaires. Cette representation peut e tre a` virgule flottante ou a` virgule fixe. Par exemple, dans le cas dune
representation a` virgule fixe en complement a` 2, un nombre reel est represente par n + m bits (prenant la valeur 0 ou
1), n bits bn1 , , b0 codant la partie entière et m bits b1 , , bm codant la partie fractionnaire tels que :
i=(n2)
X = bn1 2n1 +
bi 2i
i=m
Il apparait quon ne peut exactement coder que certains nombres reels appartenant a` lintervalle [2n1 , 2n1
2m ]. Une erreur apparat donc dans le codage des nombres reels. De plus, des erreurs vont apparatre dans le resultat
154
C HAPITRE 5
c
F IG . 6.8 Guy Binet
F IG . 6.9 Realisation possible dun filtre FIR
G. S CORLETTI
155
Linconvenient majeur des filtres RIFs par rapport aux filtres RIIs est que pour satisfaire un gabarit
frequentiel donne, un filtre RIF sera dordre beaucoup plus important quun filtre RII. Dans ce qui
suit, on sinteresse a` la conception dun filtre de la forme :
F (z) =
N
1
X
hi z i .
i=0
Contrairement aux filtres a` reponse impulsionnelle infinie, les filtres a` reponse impulsionnelle
finie ne peuvent pas e tre concus par transposition de filtres continus. En effet, daprès la remarque
page 142, un filtre continu ne peut avoir une reponse impulsionnelle finie. Il est donc necessaire
de trouver une methode alternative qui va e tre une methode directe7 .
6.3.1 Conception par la methode du fenetrage

La methode est presentee pour la conception dun filtre passe-bas. Un filtre passe-bas ideal de
frequence de coupure c peut e tre defini par la reponse frequentielle presentee figure 6.10. Daprès
la sous-section 3.4.2, la reponse indicielle correspondante est donnee par :
h (t) = 2c sinc(2c t).Ts PgnTs
et donc
k Z,
hk = 2c Ts sinc(2c kTs ).
(6.11)
Comme en continu8 cette reponse impulsionnelle nest pas causale, voir la figure 6.11 avec Ts =
10 s et c = 8T1 s . De plus, elle est de longueur infinie. Lidee est de
1. Tronquer cette reponse impulsionnelle de facon symetrique (pourquoi ?) en considerant plus
que les 2M + 1 e chantillons {hk }k{M,...,M } , voir figure 6.12, gauche ;
qui
2. La translater vers la droite de facon a` obtenir une nouvelle reponse impulsionnelle h
sera causale :

k = hkM
k {0, . . . , 2M } h
k = 0
sinon
h
voir figure 6.12, droite.

La symetrie de la reponse impulsionnelle obtenue indique bien que le temps de groupe est constant.
La reponse frequentielle du filtre RIF F (z) finalement obtenue est representee figure 6.13.
doperations arithmetiques sur des representations a` virgule fixe en complement a` 2.
Imaginons quon desire calculer les e chantillons de la sortie y dun filtre pour lentree x. Dans le cas où le filtre
est RII, lechantillon yn peut e tre calcule a` partir de lequation de recurrence (6.8) :
yn =
nb
X
k=0
bk xnk
na
X
al ynl .
l=1
On voit quil y a risque de propagation des erreurs de calcul puisque yn depend de ynl . Dans le cas dun filtre RIF,
yn peut e tre calcule a` partir de lequation :
N
1
X
hi xni .
yn =
i=0
Dans ce cas là, puisque yn ne depend pas de ynl , il ny a pas de risque de propagation des erreurs.
Par suite, les erreurs introduites par les representations binaires et par les operations arithmetiques sur ces
representations binaires sont plus critiques dans le cas dun filtre RII que dun filtre RIF.
7
Cest-à-dire sans passer par lintermediaire dun filtre continu via une operation de transposition. De telles
methodes existent aussi pour la conception de filtres continus. Cependant, elles sortent du cadre de ce cours.
8
Voir la sous section 3.4.2.
156
C HAPITRE 5
Filtre passebas discret

F(e2 i Ts)
s/2
/2 c
F IG . 6.10 Reponse frequentielle dun filtre passe-bas discret ideal
Rponse impulsionnelle
0.03
0.025
0.02
0.015
0.01
0.005
0.005
0.01
50
40
30
20
10
0
k
10
20
30
40
50
F IG . 6.11 Reponse impulsionnelle dun filtre passe-bas discret ideal
G. S CORLETTI
Rponse impulsionnelle tronque avec M=24
Rponse impulsionnelle tronque et translate
0,3
0,3
0,2
0,2
0,1
0,1
40
30
20
10
0
k
10
20
30
40
0,1
50
20
10
10
20
30
40
F IG . 6.12 Reponse impulsionnelle tronquee (gauche) puis translatee (droite)
0.5
2 i T
|F(e
)|
1.5
arg(F(e2 i Ts)) en radians
0,1
50
157
0.005
0.005
0.0125
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.02
0.025
0.03
0.035
0.04
0.045
0.05
2
0.01
0.015
F IG . 6.13 Reponse frequentielle du filtre passe-bas RIF
50
60
158
C HAPITRE 5
On observe de petites oscillations au niveau du spectre en amplitude. Quelle est leur origine ?
Nous sommes face a` un phenomène bien connu puisque nous lavons dejà rencontre en continu
dans le chapitre 3, section 3.5, page 87, ou encore dans le chapitre 5, sous section 5.4.3, page 136.
Tout comme en continu, en discret, le fait de tronquer la reponse impulsionnelle revient a` effectuer une operation de filtrage temporel avec une fenetre rectangulaire : la reponse frequentielle
correspondant a` la reponse impulsionnelle tronquee consiste alors en le produit de convolution
par la reponse frequentielle de la reponse impulsionnelle initiale par la reponse frequentielle de
la fenetre rectangulaire, voir la figure 3.34, page 90. La degradation est dautant plus importante
que la reponse frequentielle de la fenetre seloigne de celle de limpulsion de Dirac. Nous avons
vu, sous-section 5.4.3 quil y avait des fenetres plus interessantes de ce point de vue là : la fenetre
dHanning et la fenetre de Hamming. En discret, leur expression est donnee par, avec N la longueur de la fenetre de troncature en periode dechantillonnage :

2k
k
1
fk = (1 ) cos
rect
.
N
N
2
avec = 0.5 pour la fenetre de Hanning et = 0.54 pour la fenetre de Hamming. Dautres
fenetres sont possibles : triangulaire, Blackman, Kaiser, etc. - voir la litterature specialisee. La
Rponse impulsionnelle tronque fentre rectangulaire

1.5
0.3
20
15
10
0
5
10
15
20
k
Rponse impulsionnelle tronque fentre de Hamming
25
20
15
10
0
k
10
15
20
25
0.005
0.005
0.0125
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.02
0.025
0.03
0.035
0.04
0.045
0.05
2
0
2
2 i T
0.1
0.2
arg(F(e
)) en radians
0.3
0.1
25
0.5
2 i T
0.1
0.1
25
|F(e
)|
0.2
0.01
0.015
F IG . 6.14 Conception du filtre RIF avec fenetre de Hamming

fenetre de Hamming est utilisee pour lexemple precedent : sur la figure 6.14, a` gauche, on peut
observer la reponse impulsionnelle tronquee avec la fenetre de Hamming ; a` droite est presentee
la reponse frequentielle du filtre RIF finalement obtenu a` partir de cette reponse impulsionnelle
tronquee. On observe que les oscillations ont effectivement disparues.
Si on observe levolution de la phase en fonction de la frequence, on remarque quelle varie
lineairement. Daprès la formule (6.10), le temps de groupe est denviron 240 secondes. Par suite,
pour tout signal sinusodal applique a` lentree du filtre, le signal de sortie presentera un retard
denviron 240 secondes et cela quelque soit la frequence du signal sinusodal. Pour observer ce
phenomène, on realise le schema Simulink represente figure 6.15. On determine les sorties du
filtre RIF pour deux entrees sinusodales correspondant a` deux frequences differentes : 0 = 0.01
Hz et 0 = 0.005 Hz. On constate que dans les deux cas, il y a bien un retard de 240 secondes
entre le debut de lapplication du signal dentree et letablissement du signal de sortie.
G. S CORLETTI
159
hktronc(z)
1
Sine Wave
Scope
Discrete Filter
Scope 1
F IG . 6.15 Simulation du filtre RIF
Entree sinus 0 = 0.01 Hz
Entree sinus 0 = 0.005 Hz
1
0.8
0.6
0.5
0.4
0.2
0
0.2
0.4
0.5
0.6
0.8
200
400
600
800
1000
100
200
300
400
500
600
700
800
900
1000
F IG . 6.16 Sorties (bleu) correspondant a` deux entrees sinusodales a` deux frequences differentes
160
C HAPITRE 5
On peut traiter dautres filtres ideaux en les exprimant comme des combinaisons lineaires
de filtres passe-bas. Par exemple, si on considère le filtre passe-bande decrit figure 6.17, il peut
e tre exprime comme un filtre passe-bas de frequence de coupure 2 moins un filtre passe-bas de
frequence de coupure 1 . Une autre approche a e te discutee page 81.
Filtre passebande discret
0
/2
s
/2
s
F IG . 6.17 Reponse frequentielle dun filtre passe-bande discret ideal
6.3.2 Conception par e chantillonnage frequentiel

La methode qui a e te presentee dans la sous-section precedente est basee sur le fait que lon
soit capable de calculer litteralement9 lexpression de la reponse impulsionnelle a` partir de sa
reponse frequentielle, ce qui peut e tre difficile voire impossible pour des reponses frequentielles
de forme complexe. Dans ce cas-là, il est possible de substituer a` cette e tape le calcul numerique
de la reponse impulsionnelle par TFD inverse en faisant appel a` ce qui a e te presente dans la
section 5.4. La reponse impulsionnelle va e tre obtenue en :
1. Echantillonnant N points de la reponse frequentielle ;
2. Calculant, a` partir de ces e chantillons, les N points de la reponse impulsionnelle correspondante a` laide de la transformee de Fourier inverse.
G. S CORLETTI
Echantillonnage de la rponse frquentielle, N=32
Mise en forme pour le calcul de la TFD inverse
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0.06
0.04
0.02
0.02
161
0.04
0.06
0.01
Rponse impulsionnelle obtenu par TFD inverse
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.1
Rponse frquentielle du RIF par TFD inverse
0.3
1.5
|F(e2 i Ts)|
0.25
0.2
0.5
0.15
0
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.005
0.01
0.015
0.02
0.025
0.03
0.035
0.04
0.045
0.05
0.1
arg(F(e2 i Ts))
0.05
0
0.05
0.1
10
15
20
k
25
30
35
F IG . 6.18 Differentes e tapes de la conception par e chantillonnage frequentiel

La reponse impulsionnelle sera donc naturellement tronquee. Cette demarche est mise en uvre
sur lexemple de filtre passe-bas de la sous section precedente et defini par la figure 6.11. Les
resultats sont presentes figure 6.18.
La première sous-figure en haut a` gauche represente la reponse frequentielle du filtre passebas ideal de frequence de coupure c = 0.0125 Hz e chantillonnee par 32 points. Afin de pouvoir
appliquer la transformee de Fourier discrète (inverse), il est necessaire de constituer un vecteur
qui contienne les valeurs de la reponse frequentielle pour les frequences positives, puis les valeurs
de la reponse frequentielle pour les frequences negatives (voir la section 5.4) : cette operation de
permutation donne la sous-figure en haut a` droite. On calcule ensuite la transformee de Fourier
discrète inverse, ce qui donne un vecteur contenant un premier vecteur des valeurs de la reponse
impulsionnelle pour les temps positifs puis un second vecteur des valeurs de la reponse impulsionnelle pour les temps negatifs. En permutant ces deux vecteurs, on obtient la reponse impulsionnelle qui après translation temporelle (comme dans la sous-section precedente) donne la sous
figure en bas a` gauche. Sa reponse frequentielle est representee en bas a` droite. Le resultat peut
e tre ameliore en appliquant a` la reponse impulsionnelle calculee une fenetre de Hamming, voir
discussion sous-section precedente.
Linteret dune telle approche est de permettre daborder des gabarits frequentiels de forme
excentrique, voir le cas traite figure 6.19.
9
Cest-à-dire e tablir une relation explicite entre les e chantillons hk de la reponse impulsionnelle h et lindice k
telle que (6.11).
162
C HAPITRE 5
Echantillonnage de la rponse frquentielle, N=32
Mise en forme pour le calcul de la TFD inverse
1
chantillonnage
rponse frquentille dsire
0.9
0.9
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
4
0.5
1.5
2.5
0.5
1.5
2.5
Rponse impulsionnelle obtenu par TFD inverse

0.7
1.2
0.6
2 i T
)|
|F(e
0.5
0.4
0.8
0.6
0.4
0.2
0.3
0
0.2
arg(F(e2 i Ts))
0.1
0
0.1
0.2
0.3
10
15
20
25
30
35
2
0
2
F IG . 6.19 Differentes e tapes de la conception par e chantillonnage frequentiel
6.4
Une remarque en guise de conclusion
Dans la section 6.5, sont presentes des scripts Matlab qui permette la conception et lanalyse
de filtre frequentiel discrets. Ils font appel a` des fonctions de la Signal Processing Toolbox qui
regroupe un ensemble de fonctions Matlab specialisees dans le traitement du signal. Cette bote
a` outils propose aussi une interface graphique appelee fdatool qui permet de plus confortablement concevoir les filtres numeriques, voir figure 6.20. Ce qui est presente dans ce document de
cours permet de comprendre la majorite des methodes associees a` cette interface graphique.
6.5
Annexe du chapitre : exemples de script Matlab
6.5.1 Conception de filtres RIIs

Le programme Matlab ci-dessous permet de calculer les differents filtres de lexemple page 150
et dobtenir la figure 6.6. Sur le choix de Rp et de Rs, voir section 3.7.2.
Rp = .5;
Rs = 20;
nupass = 50; % fr
equence de fin de bande passante
nustop = 60; % fr
equence de d
ebut de bande de r
ejection
Ts = 1/200; % P
eriode d
echantillonnage
% Caract
eristique des gabarits en temps continu
G. S CORLETTI
163
F IG . 6.20 Interface graphique fdatool de Matlab
nucontpass = 1/pi/Ts * tan(pi*Ts*nupass);

nucontstop = 1/pi/Ts * tan(pi*Ts*nustop);
% G
en
eration du vecteur de 0 `
a la fr
equence de Shannon
% avec un pas de 0.1
nu=0:.1:1/2/Ts;
nucont = 0:.1:1000;
% Calcul de lordre du filtre elliptique et de sa pulsation
% de coupure pour satisfaire le gabarit fr
equentiel
[n, wn] = ellipord(2*pi*nucontpass, 2*pi*nucontstop, Rp, Rs, s);
% Calcul des coefficients des polyn
omes num
erateur et d
enominateur
% du filtre elliptique
[Bc, Ac] = ellip(n, Rp, Rs, wn, s);
% Transposition par la bilin
eaire
[Bb, Ab] = bilinear(Bc, Ac, 1/Ts);
%Calcul des r
eponses fr
equentielles
Hc = freqs(Bc, Ac, 2*pi*nucont);
Hb = freqz(Bb, Ab, nu, 1/Ts);
% Trac
e des modules des r
eponses fr
equentielles
figure, plot(nu, abs(Hb)), hold on, plot(nucont, abs(Hc), g--);
164
C HAPITRE 5
% Choix des variations en abscisses et en ordonn

ees
axis([0, 100, 0, 1]);
6.5.2 Conception de filtres RIFs

Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 6.3.1.
Ts
= 10;
nu_c = 1/8/Ts;
% Repr
esentation de 99 points de la r
eponse impulsionnelle du filtre
ee
etis
eal discr
% passe-bas id
N
= 50;
k = -(N-1):(N-1);
hk = 2*nu_c*sinc(2*nu_c*k*Ts)*Ts;
figure, stem(k,hk);
% Troncature pour ne conserver que 49 points
M = 24
ktronc = -(M):(M);
hktronc = 2*nu_c*sinc(2*nu_c*ktronc*Ts)*Ts;
figure, stem(ktronc,hktronc);
% Translation vers la droite
figure, stem(ktronc+M,hktronc);
hold on
stem((2*M+1):3*M, zeros(1,M));
% R
eponse fr
equentielle du filtre RIF
[Hz,F] = freqz(hktronc,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hz));
subplot(212), plot(F, angle(Hz));
% Am
elioration du r
esultat par fen
etre de Hamming
% Coefficients de la fen
etre de Hamming
f_k = hamming(2*M+1);
% Application de la fen
etre de Hamming aux coefficients
% du filtre RIF
hktronchamming = f_k(:).*hktronc(:);
figure,
subplot(211), stem(ktronc,hktronc),
subplot(212), stem(ktronc,hktronchamming)
% R
eponse fr
equentielle du filtre RIF fen
etr
e
[Hzhamming,F] = freqz(hktronchamming,1,1000,1/Ts);
figure,
G. S CORLETTI
165
subplot(211), plot(F, abs(Hzhamming));

subplot(212), plot(F, angle(Hzhamming));
Le programme Matlab ci-dessous permet de calculer les differents filtres de la section 6.3.2.
Ts
= 10;
% p
eriode d
echantillonnage
nu_c = 1/8/Ts; % fr
equence de coupure du filtre passe-bas
nu_s = 1/Ts;
% Nombre total de points
echantillonn
es sur la r
eponse fr
equentielle
Mtot = 25;
% Echantillonnage de la r
eponse fr
equentielle
% Pour lintervalle [-nu_s, +nu_s]
nu_ech = linspace(-nu_s/2,+nu_s/2, Mtot+1);
% On
elimine la fr
equence nu_s
nu_ech = nu_ech(1:Mtot);
% Dans lexpression ci-dessous
%
(-nu_c <= nu_ech) : comparaison terme `
a terme du vecteur -nu_c
%
et du vecteur nu_ech. Le r
esultat est un
ement
el
eme
eme longueur avec le ii`
%
vecteur de m
%
qui vaut 1 si -nu_c(i) <= nu_ech(i), 0 sinon
%
.* : effectue la multiplication terme `
a terme de deux vecteurs
X_ech = (-nu_c <= nu_ech).*(nu_ech <= nu_c);
% Repr
esentation de la r
eponse fr
equentielle
echantillonn
ee
figure, stem(nu_ech, X_ech,o);
% le vecteur X_ech est d

ecompos
e en deux : [X_ech_moins, X_ech_plus]
% avec X_ech_moins qui contient les valeurs de la r
eponse fr
equentielle
es :
egatives. Les deux vecteurs sont alors permut
equences n
% pour les fr
% X_ech_swap = [X_ech_plus, X_ech_moins]
X_ech_swap = fftshift(X_ech);
figure, stem(linspace(0,+nu_s,Mtot), X_ech_swap,o);
% Calcul de la transform
ee de Fourier discr`
ete inverse
xn = ifft(X_ech_swap);
% Permutation des deux moiti
es du vecteur xn
xn_swap = ifftshift(xn);
xn_swap = [xn_swap, xn_swap(1)];
% Repr
esentation de la r
eponse impulsionnelle obtenue
figure, stem(0:(Mtot),xn_swap,o);
% Repr
esentation de la r
eponse fr
equentielle
[Hzfft,F] = freqz(xn_swap,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hzfft));
subplot(212), plot(F, angle(Hzfft));
166
C HAPITRE 5
Lexecution de ce script Matlab permet dobtenir la figure 6.18.
Chapitre 7
Des signaux deterministes aux signaux
aleatoires
La première partie de ce chapitre est consacree a` la caracterisation des signaux deterministes
discrets basee sur lenergie et sur la puissance, caracterisation qui avait e te presentee dans le cas
des signaux continus chapitre 4. Dans les deux cas, cette caracterisation est importante car elle
sapplique aussi aux signaux aleatoires qui seront introduits dans la seconde partie de ce chapitre.
Le chapitre se termine sur linteret des signaux aleatoires pour la modelisation des signaux reels
avec une application a` la telephonie mobile.
7.1
Energie et puissance pour les signaux discrets
Energie et puissance ont e te traitees dans le chapitre 4 dans le cas des signaux continus. Le
tableau 7.1 et le tableau 7.2 resument les memes resultats mais pour les signaux discrets.
7.2
Signaux aleatoires
Les signaux aleatoires sont definis dans le cas continu. Les signaux aleatoires discrets peuvent
e tre definis de facon similaire.
7.2.1 Definition
Un signal continu x est dit deterministe si, a` chaque instant t, sa valeur x(t) peut e tre determinee
de facon certaine par un modèle mathematique. Exemple :
t R,
x(t) = A sin(2t).
Un signal x est dit aleatoire ou stochastique si a` chaque instant t, sa valeur x(t) ne peut pas e tre
determinee de facon certaine car dependante du hasard. Cette incertitude provient dun manque
dinformation ou de limpossibilite de modeliser un phenomène du fait de sa trop grande complexite. Un signal aleatoire est aussi appele processus aleatoire. On le note x(t, ) :
t est (generalement) la variable de temps ;
est la variable de lensemble des possibles : elle indique quà chaque instant t, x(t, ) est
une variable aleatoire (reelle).
167
168
C HAPITRE 7
S IGNAUX D E TERMINISTES ET S IGNAUX A L E ATOIRES

Energie finie
Definition
Ex =
+
X
k=
Echange
Exy =
|xk |2 <
+
X
Puissance finie
Px = lim
denergie :
Densite spectrale

interspectre
2s , 2s , Sxy ()
denergie :
Rxy
Intercorrelation
+
X
=
Rxy (n)nTs
X (, N ) = F[x . rect(/(N Ts ))]

de puissance :
1
X(, N )Y (, N )
lim
N 2N + 1
X ()Y ()
Rxy (n) =
xk+n .yk
Rxy (n) = lim
k=
n=
F[Rxy ] = Sxy
Autocorrelation
+
X
Rx =
Rx (n)nTs
n=
Rx (n) =
+
X
xk+n .xk
de puissance :
1
lim
|X(, N )|2
N 2N + 1
|X ()|2
+
X
<
1
xk .yk
2N + 1 k=N
k=
+N
X
Pxy = lim
xk .yk
Densit

se spectrale
2 , 2s , Sx ()
+N
X
1
|xk |2
2N + 1 k=N
+N
X
1
xk+n .yk
2N + 1 k=N
F[Rxy ] = Sxy
Rx (n) = lim
k=
+N
X
1
xk+n .xk
2N + 1 k=N
Rx (0) = Ex
Rx (0) = Px
F[Rx ] = Sx
F[Rx ] = Sx
TAB . 7.1 Signaux discrets

Discret
y = h x
Syx () = H ()Sx ()
Sy () = |H ()|2 Sx ()
TAB . 7.2 Systèmes de convolution discrets et densites spectrales
G. S CORLETTI
169
40
30
20
10
0
10
20
30
40
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
40
30
20
10
0
10
20
30
40
30
20
10
10
20
30
40
F IG . 7.1 A quoi peut ressembler un signal aleatoire ?
7.2.2 Modelisation
7.2.2.1
Rappels sur les variables aleatoires
Une variable aleatoire reelle X est une application de lensemble des possibles dans un ensemble inclus dans R. Elle est caracterisee par une fonction de repartition FX qui est la probabilite
pour que X soit inferieure ou e gale a` un reel x :
FX (x) = Prob(X x).
La densite de probabilite pX mène a` la probabilite pour que la variable aleatoire X prenne des
valeurs comprises entre x et x + dx :
pX (x)dx = Prob(x X x + dx) = dFX (x)
Elle satisfait la relation :
pX (x)dx = 1. Deux densites classiques sont la loi uniforme et la
loi gaussienne, voir le tableau 7.3.

Une variable aleatoire est caracterisee par ses moments E[XN ] dordre N definis par :
N
E[X ] =
xN pX (x)dx.
Les deux premiers moments sont importants :

N = 1 : premier moment ou moyenne statistique1 ;
N = 2 : second moment : il permet de definir la variance :

V [X] = E (X E[X])2 .
La moyenne sur toutes les valeurs possibles de la variable aleatoire.
170
C HAPITRE 7
Loi uniforme

1
rect x(b+a)/2
pX (x) = ba
ba
Loi gaussienne
1 e
2
pX (x) =
(xm)2
2 2
Loi uniforme
Loi gausienne
1/(ba)
b
x
m
x
m+
TAB . 7.3 Densites de probabilite classiques

Loi
pX
uniforme

x(b+a)/2
1
rect
ba
ba
gaussienne
1 e
2
(xm)2
2 2
Moyenne
b+a
2
Variance
(ba)2
12
TAB . 7.4 Premiers moments de lois classiques

On demontre que :
V [X] = E[X2 ] E[X]2 .
Des exemples de moments sont donnes tableau 7.4. On voit quune loi gaussienne est complètement definie par ses deux premiers moments. Si deux variables aleatoires X et Y sont independantes2 alors
E[XN YM ] = E[XN ]E[YM ].
Pour N = M = 1, on obtient la correlation statistique : XY = E[XY].
7.2.2.2
Signaux aleatoires stationnaires
Pour un signal aleatoire x, en notant X(t) la variable aleatoire x(t, ), on peut definir :
lautocorrelation comme la correlation statistique entre les valeurs du signal en deux instants t1 et t2 :
x (t1 , t2 ) = E[X(t1 )X(t2 )].
2
pX (x|y) = pX (x).
G. S CORLETTI
171
lintercorrelation comme la correlation statistique entre la valeur dun premier signal x en

un instant t1 et la valeur dun second signal y en un instant t2 :
xy (t1 , t2 ) = E[X(t1 )Y(t2 )].
Puisquun signal aleatoire x est une variable aleatoire qui depend du temps, ses differents moments dependent du temps. Par exemple :
E[X(ti )] = mx (ti )
et
V [X(ti )] = x (ti )2 .
Si on desire determiner une valeur experimentale des moments, il est alors necessaire de repeter
plusieurs fois la meme experience au cours de laquelle le signal x sera mesure. Le temps represente
ici le temps e coule par rapport au debut de lexperience. Par exemple, la valeur mx (ti ) sera estimee
en faisant la moyenne des valeurs x(ti , ) sur lensemble des experiences, voir la figure 7.2.
F IG . 7.2 Determination experimentale de la moyenne
Stationnarite On appelle signal stationnaire un signal pour lequel les moments sont independants
du temps. Pour ce signal, toutes les variables aleatoires X(ti ) ont meme densite de probabilite px .
La fonction dautocorrelation ne depend plus que de t1 t2 :
x (t1 , t2 ) = x (t1 t2 ).
Un signal aleatoire est stationnaire au sens large si seules la moyenne mx et la variance x2 sont
independantes du temps.
Ergodicite Dans le cas dun signal reel dont on a procede a` une seule acquisition lors dune
experience 0 , le problème est de determiner ses differentes caracteristiques statistiques : mx , x2 ,
etc.. Une idee est que si un signal aleatoire est stationnaire, il est possible davoir une estimation de
la moyenne et de la variance en integrant sur le temps t a` partir des valeurs x(t, 0 ) correspondant
a` cette seule acquisition :
Z T
Z T
2
2
1
1
2
mx lim
x(t, 0 )dt et x lim
(x(t, 0 ) mx )2 dt.
T + T T
T + T T
2
2
172
C HAPITRE 7
Par suite, par exemple, on remplace lestimation de la moyenne decrite figure 7.2 par lestimation
decrite figure 7.3.
F IG . 7.3 Notion dergodicite

Sil est legitime de proceder comme cela, on dit que le signal verifie lhypothèse dergodicite.
Un signal aleatoire stationnaire est dit ergodique si
Z T
2
1
N
E[X ] = lim
x(t, 0 )N dt
T + T T
2
ce qui sexprime pour un signal discret par :
E[XN ] = lim
+n
X
1
xN
2n + 1 k=n k
De meme :
x ( ) = Rx ( )
et
xy ( ) = Rxy ( ).
De plus, on peut demontrer qu

Un signal aleatoire stationnaire et ergodique est necessairement a` puissance finie.
Par suite, la classe des signaux a` puissance finie permet donc de traiter a` la fois de signaux
deterministes et de signaux aleatoires.
7.2.2.3
Un signal aleatoire stationnaire et ergodique important : le bruit blanc
Un bruit blanc3 est le signal aleatoire stationnaire et ergodique dont la densite spectrale de
puissance Sx est constante4 , ce qui est e quivalent a` ce que son autocorrelation X = Rx soit une
3
Ladjectif blanc vient de lanalogie avec la lumière blanche dont la puissance est aussi uniformement repartie sur
tout le spectre.
4
Cette affirmation est assez contradictoire et meme incorrecte puisque, dun cote, on affirme que le bruit est un
signal a` puissance finie (car ergodique) et, de lautre, on affirme que sa DSP est constante sur tout le spectre ce
G. S CORLETTI
Densit spectrale de puissance dun bruit blanc
173
Autocorrlation dun bruit blanc
S ()
R ()
F IG . 7.4 Bruit blanc

impulsion de Dirac X = X (0), voir figure 7.4. Puisque son autocorrelation est nulle partout
sauf en = 0, la valeur du signal a` un instant donne na pas de lien avec la valeur du signal a`
un autre instant. Par suite, levolution de ce signal est complètement impredictible. Un bruit blanc
discret se definit de la meme facon.
Le bruit blanc peut e tre utilise pour modeliser des signaux physiques comme les bruits dorigine thermique qui interviennent dans une chane de transmission ou encore les erreurs darrondi
dans un système delectronique numerique. Cependant, un bruit blanc a` bande spectrale limitee
est un modèle de signaux physiques plus plausible. Il est defini par la limitation de sa densite
spectrale de puissance sur une bande de frequence [max , max ] :

R, Sx () = S0 rect
.
2max
Par suite,
R,
Rxx ( ) = 2max S0 sinc (2max ) .
Remarque On associe souvent le terme de gaussien5 a` un bruit blanc. Attention, un bruit blanc
peut ne pas e tre gaussien tout comme un signal aleatoire gaussien nest pas forcement un bruit
blanc.
7.2.3 Quelques applications

Dans la sous section 4.2, page 106, ont e te presentees une application de lautocorrelation a`
lextraction dun signal et une application de lintercorrelation a` la mesure dun temps de propagation. Dans ces deux applications, un signal b a e te introduit pour prendre en compter la
qui implique quil est a` puissance infinie et nest donc pas pratiquement realisable ! Lintroduction de la notion de
bruit a e te motivee par la representation dun signal physique qui a la propriete davoir une densite spectrale de
puissance constante sur une très large gamme de frequences [big , big ], tellement large quon ne peut pas acceder
physiquement a` des frequences superieures a` big et que de fait on peut considerer la densite de puissance constante
sur lensemble des frequences. Cest pour cela que pour cette première introduction au Traitement du Signal, nous
jetterons un voile pudique sur cette contradiction. Dans lenseignement dapprofondissement de seconde annee de
Traitement du Signal, la definition correcte dun bruit blanc sera presentee.
5
cest-à-dire loi de probabilite gaussienne.
174
C HAPITRE 7
degradation introduite par la transmission, la mesure ou encore la propagation dun signal. Les
e lements presentes dans cette section permettent de proposer une representation plus adequate de
b : de part la discussion ci-dessus, b est representable par un bruit blanc.
7.3
Modelisation dun signal par un filtre generateur
Considerons un système de convolution discret dont lentree x est un signal aleatoire stationnaire ergodique. Daprès le tableau 7.2,
R,
Syx () = H ()Sx ().
Puisque x (k) = Rx (k) et xy (k) = Rxy (k) et que F[Rx ] = Sx et F[Rxy ] = Sxy , on a alors :
yx (n) =
X
i
hi x (n i).
Dans le cas où x est un bruit blanc alors cette relation devient :
yx (n) = hn x (0).
Par suite, a` un facteur multiplicatif, la fonction dintercorrelation entre le signal dentree et le
signal de sortie correspond a` la reponse impulsionnelle du filtre. Les caracteristiques statistiques
du signal aleatoire de sortie y sont donc uniquement determinees par la reponse impulsionnelle
du filtre discret.
7.3.1 Filtre generateur par la methode de Yule-Walker
bruitblanc
y -
F IG . 7.5 Notion de filtre generateur

Cette remarque est le fondement dune methode de modelisation de signaux aleatoires comme
la reponse dun filtre discret a` un bruit blanc de variance 1. Un tel filtre est appele filtre generateur
ou filtre formeur. La question est comment a` partir de lacquisition dechantillons dun signal
discret y determiner le filtre generateur correspondant, cest-à-dire le filtre tel que pour une
realisation du bruit blanc appliquee en entree, la sortie soit y . Par simplicite, on sinteresse a`
la recherche dun filtre causal de fonction de transfert F (z) sans zero de la forme :
F (z) =
1+
b0
n
F
X
i=1
.
ai z
G. S CORLETTI
175
Il est appele modèle AR (Auto Regressif). Lequation de recurrence correspondante secrit alors6 :
yk +
nF
X
ai yki = b0 xk .
(7.1)
i=1
Lorsque lon dispose de lacquisition des e chantillons du signal y , il est possible de calculer lautocorrelation y (n). Nous allons voir comment a` laide de lequation de recurrence il est
possible de relier les coefficients ai du filtre a` determiner et lautocorrelation y (n). Pour cela :
!
nF
X
yk+n yk +
ai yki = b0 yk+n xk
i=1
Ce qui donne :
"
E yk+n yk +
nF
X
ai yk+n yki = E[b0 yk+n xk ]
i=1
Doù
E[yk+n yk ] +
nF
X
ai E[yk+n yki ] = b0 E[yk+n xk ]
i=1
et donc :
y (n) +
nF
X
ai y (n + i) = b0 yx (n).
i=1
Or nous avons vu precedemment que : yx (n) = hn x (0). Doù :

n Z,
y (n) +
nF
X
ai y (n + i) = b0 hn x (0).
(7.2)
i=1
Lidee est dexploiter cette e quation pour calculer les ai . Or les hn ne sont pas connus puisque
ce sont les e chantillons de la reponse impulsionnelle du filtre que lon recherche. Cependant, on
recherche un filtre causal, ce qui implique que pour n < 0, hn = 0. Par suite, en ne choisissant
que les e quations (7.2) qui correspondent a` n < 0, on obtient :
n < 0,
y (n) +
nF
X
ai y (n + i) = 0.
(7.3)
i=1
Puisquil y a nF coefficients inconnus ai , en utilisant la propriete y (n) = y (n), en e crivant

sous forme matricielle (7.3) pour n {nF , . . . , 1}, on obtient le système lineaire de nF
e quations a` nF inconnues suivant :
a =
avec
y (0)
y (1)
y (2)
y (3)
y (4)
y (nF 2)
y (nF 1)
y (1)
y (0)
y (1)
y (2)
y (3)
y (nF 3)
y (nF 2)
y (2)
y (1)
y (0)
y (1)
y (2)
y (nF 4)
y (nF 3)
y (2)
y (1)
y (0)
y (1)
y (2)
y (2)
y (1)
y (0)
y (1)
y (2)
y (1)
y (0)
y (nF
y (nF
y (nF
y (nF
y (nF
y (1)
y (0)
1)
2)
3)
4)
5)
6
Cette e quation permet dexpliquer pourquoi ce modèle est appele auto regressif : il vient du fait que yk est obtenu
par regression lineaire des yki , i allant de 1 a` nF .
176
et
C HAPITRE 7
a=
a1
a2
a3
..
.
..
.
..
.
..
.
anF
et
y (1)
y (2)
..
.
..
.
y (nF 3)
y (nF 2)
y (nF 1)
y (nF )
Ce système dequations lineaires est connu sous le nom dequations de Yule-Walker7 , nom qui
est aussi associe a` la methode dobtention du filtre F (z). Pour les amateurs, la matrice est une
matrice de Toeplitz : dans ce cas-là, lalgorithme de Levinson permet de resoudre efficacement ce
système dequations lineaires.
Une fois le vecteur a calcule, le filtre generateur est donne par :
F (z) =
1+
b0
nF
X
.
ai z
i=1
Une estimation de la densite spectrale de puissance est alors donnee par, avec X (0) = 1 :
b20
Sy () =
2
nF

X

ai e2kiTs .
1 +

k=1
Exemple On a fait lacquisition dun signal discret represente figure 7.6 avec Ts = 1s. Lanalyse
spectrale par TFD presente un spectre en amplitude plus important au voisinage de la frequence
= 0.015 Hz. A partir de cette acquisition, un filtre generateur du second ordre est recherche par
la methode de Yule Walker a` laide de la fonction Matlab aryule. On obtient :
F (z) =
1.06
.
1 1.9670z 1 + 0.9768z 2
Cette fonction de transfert admet pour poles : 0.9835 0.0976i. Par la relation s =
poles en temps continu correspondants sont 0.0118 0.0989i ce qui correspond8
1
Ts
ln(z), les
Sir Gilbert Thomas Walker fut entre les deux guerres un meteorologue dans les Indes britanniques. Sa
preoccupation e tait de prevoir les pluies de mousson. Pour cela, il sest interesse aux travaux du statisticien britannique George Udny Yule qui avait developpe un modèle AR dordre nF = 2 pour e tudier le phenomène des taches
solaires. Sir Walker a e tendu son approche au modèle AR dordre nF quelconque.
8
Un système du second ordre de gain statique unite (sans zero) est defini par la fonction de transfert :
Gc (s) =
02
s2 + 20 s + 0 2
où quand les deux poles sont complexes conjugues, ]0, 1[. 0 est appele pulsation propre ou pulsation naturelle et
coefficient damortissement.
La reponse temporelle a` un e chelon dun système du second ordre est definie par deux paramètres (voir la figure
7.9) qui sont directement lies a` la valeur de la pulsation propre 0 et de lamortissement :
G. S CORLETTI
Echantillons du signal discret Ts=1
177
Zoom sur [2000, 3000]

150
200
100
100
50
0
50
100
100
200
2000
4000
6000
150
2000
8000 10000
2200
2400
2600
2800
3000
F IG . 7.6 Acquisition dun signal discret
Analyse spectrale sur 892 chantillons par TFD
Analyse spectrale sur 892 chantillons par TFD
4
Module
Module
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
F IG . 7.7 Analyse spectrale
Depassement pour un chelon en fonction de lamortissement

100
90
80
Depassement en pourcent
70
60
50
40
30
20
10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
F IG . 7.8 Relation entre lamortissement et le depassement de la reponse a` un e chelon de la

boucle fermee
178
C HAPITRE 7
Reponse dun systeme du second ordre

1.4
1.5
1.2
Depassement
1.05
1
0.95
0.8
0.6
0.4
0.5
0.2
0
0
0.5
temps du premier
maximum
1.5
2
0
Time (sec.)
10
12
te
F IG . 7.9 Reponse dun second ordre
Bode Diagrams
ksi = 0,01
20
ksi = 0,1
0
Phase (deg); Magnitude (dB)
Amplitude
ksi = 1
20
40
0
ksi = 0,01
50
100
ksi = 1
150
ksi = 0,1
0
10
10
10
Frequency (rad/sec)
F IG . 7.10 Diagramme de Bode de fonctions de transfert du second ordre
14
16
18
20
G. S CORLETTI
179
a` une pulsation naturelle de 0.0996 rad/s soit une frequence naturelle de 0.0159 Hz. Ce filtre
generateur est donc coherent avec lanalyse spectrale de depart. Dautre part, le spectre en amplitude de F est represente figure 7.11. Là encore, on ne peut que noter la coherence9 .
|F(e2 i Ts)|
0.1
0.2
0.3
|F(e2 i Ts)| Zoom
0.4
0.5
0.005
0.01
0.015
0.02
F IG . 7.11 Spectre en amplitude de F (z)
Depassement : defini par

Depassement =
Valeur maximale Valeur finale

Valeur finale
soit
D1 % = 100
Valeur maximale Valeur finale

,
Valeur finale
il est une fonction decroissante de (voir figure 7.8) :

D1 = e
12
(7.4)
Temps du premier maximum :

tmax =
Temps detablissement :
te
p
0 1 2
p
3 ln( 1 2 )
0
(7.5)
(7.6)
Ces caracteristiques sont obtenues a` partir de lexpression de la reponse indicielle y(t) en fonction du temps :
avec =
1 2
p

e0 t
cos 0 t 1 2
y(t) = 1 p
1 2
La reponse frequentielle est representee figure 7.10. Pour 12 , le trace du module presente un maximum de
p
1
1 2 a` la pulsation 0 1 2 2 . De plus, on a |Gc (j0 )| = 2
.
1
9
Pour generer le signal temporel figure 7.6 a` partir de la fonction de transfert F , il serait necessaire de connatre
la realisation du bruit blanc quil est necessaire dappliquer en entree du filtre.
180
C HAPITRE 7
7.3.2 La methode de Yule-Walker comme solution dun problème doptimisation

Un examen attentif de lequation de recurrence (7.1) associee au filtre generateur permet dinterpreter la methode de Yule-Walker comme la solution dun problème doptimisation. Lequation
(7.1) secrit :
nF
X
ai yki = b0 xk .
yk +
i=1
Supposons que lon se place a` linstant (k1)Ts et quà cet instant ainsi quaux instants precedents
(k 2)Ts , . . . , (k nF )Ts , on connaisse les e chantillons du signal y . Lequation de recurrence
permet de relier la valeur de la sortie yk a` linstant kTs a` ces valeurs :
yk =
nF
X
ai yki + b0 xk .
i=1
Lidee est que lon peut utiliser cette relation pour, e tant a` linstant (k 1)Ts , predire la valeur
de la sortie y a` linstant kTs . La difficulte est que lechantillon xk nest pas connu a` linstant
(k 1)Ts . De plus, le signal x est un bruit blanc et nous avons vu quun bruit blanc est un signal
dont levolution temporelle est totalement imprevisible. Par suite, il ny a aucun espoir de predire
la valeur de lechantillon de x a` linstant kTs si on se place a` linstant (k 1)Ts . Une prediction
a` linstant (k 1)Ts notee yek de la valeur yk est donc effectuee en negligeant le terme b0 xk :
yek =
nF
X
ai yki
i=1
ce qui engendre lerreur : ek = yek yk = b0 xk . On a ainsi defini une variable aleatoire Ek . On

peut demontrer que les coefficients ai obtenus par la methode de Yule-Walker sont tels que la
variance de lerreur V [Ek ] soit minimisee10 . De plus, V [Ek ] = b20 V [X]. Par suite, la variance du
bruit dentree e tant 1, on peut deduire de V [Ek ] la valeur de b0 .
Au-delà de permettre le calcul de b0 , ce qui semble e tre une simple re-interpretation est en
realite lidee fondamentale dun ensemble important de methodes de filtrages numeriques11 .
7.3.3 Une application des filtres generateurs : le codage LPC en traitement

de la parole
La synthèse dun filtre generateur par lapproche de Yule-Walker est le fondement theorique
du codage LPC (Acronyme anglais pour Linear Predictive Coding)12 utilise dans des methodes
classiques de traitement de la parole. Le codage LPC est au cur dun très grand nombre de
systèmes technologiques grand public tels que les systèmes de transmission de la parole en
telephonie mobile (GSM) ou par satellite. Lidee est de representer un signal vocal comme la
reponse dun filtre a`
Un bruit blanc si le son est non voise ;
10
cest-à-dire tels que la variance de lerreur V [Ek ] soit la plus faible possible.
Il sagit des techniques e voquees section 3.6, page 95.
12
Lacronyme anglais LPC ne doit pas e tre confondu avec lacronyme francais LPC : Langage Parle Complete.
Le langage parle complete est un langage gestuel utilise pour communiquer avec les sourds. Ce qui est amusant, cest
que les deux LPCs sont deux codages differents utilises pour la transmission de la parole !
11
G. S CORLETTI
181
Un train dimpulsions si le son est voise.

Un son voise est un son qui est produit par les cordes vocales et qui possède une structure harmonique, voir figure 7.12.
F IG . 7.12 Son voise ou non, source http ://tcts.fpms.ac.be/cours/1005-07-08/speech

La mise en uvre pour la transmission de la voix consiste a` mesurer avec une frequence
dechantillonnage s (8kHZ en telephonie mobile) le signal vocal et a` proceder toutes les 10
millisecondes a`
1. Sur le signal mesure lors des 30 millisecondes e coulees sur lesquelles une fenetre de Hamming a e te appliquee, la modelisation par un filtre generateur par lapproche de YuleWalker13 (calcul des coefficients du filtre generateur) ;
2. Transmission des coefficients ai du filtre generateur avec lindication du signal dentree a`
appliquer14 ;
3. Au niveau du recepteur, reconstitution du signal vocal en calculant la sortie du filtre generateur.
Pour s = 8kHz, on utilise des filtres dordre nF = 10. En telephonie mobile (GSM), ce qui est
transmis ce nest donc plus le signal sonore mais par tranche de temps les coefficients du filtre
generateur. Linteret du codage LPC est de permettre la compression de linformation : la transmission des coefficients du filtre generateur engendre un debit dinformation beaucoup plus faible
que la transmission du signal lui-meme15 .
Exercice Essayer destimer leconomie realisee en appliquant cette methode par rapport a` une
transmission directe du son.
13
Ainsi quune analyse spectrale pour determiner si le son est voise ou non et si oui la frequence du train dimpulsions.
14
Bruit blanc ou train dimpulsions avec sa frequence
15
Pour plus de details sur le traitement de la parole en generale et le codage LPC en particulier, voir par exemple
le site WEB : http ://tcts.fpms.ac.be/cours/1005-07-08/speech
182
7.4
C HAPITRE 7
Annexe du chapitre : exemples de script Matlab
Le programme Matlab ci-dessous permet de traiter lexemple presente dans la sous-section 4.2.1.
% Signal p
eriodique sous-jacent
lk = 50000;
k = 1:lk;
ck = cos(2*pi*k/50);
% G
en
eration du bruit
rd = rand(1,lk); % Calcul dun vecteur de lk valeurs
ees au sort suivant une loi uniforme
% tir
rd = rd - mean(rd); % On retranche la moyenne du vecteur
% Signal bruit
e
ckb = 6*rd+ck;
% Repr
esentation des
echantillons en fonction de leur
% indice
figure, plot(ckb(1:400))
% Calcul de lautocorrelation du signal
corr_ckb = xcorr(ckb, unbiased);
% Repr
esentation de lautocorrelation
figure,
plot(-(lk-1):(lk-1),corr_ckb)
axis([-500, 500, -1, 4])
grid on
Bibliographie
[1] M. Brancovan. Distributions transformation de Fourier et de Laplace. Les Presses de lENSTA, 1990.
[2] M. Doisy. Distributions - operations et derivees. In Techniques de lingenieur, page AF 144, 2004.
Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon, format e lectronique.
[3] M. Doisy. Distributions - convolution et transformee de Fourier. In Techniques de lingenieur, page AF
145, 2005. Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon, format e lectronique.
[4] T. Dutoit and F. Marques. Applied Signal Processing, A MATLAB-Based Proof of Concept. Springer,
2009. Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon, cote 621.382 DUT.
[5] C. Gasquet and P. Witomski. Analyse de Fourier et applications, filtrage, calcul numerique, ondelettes. Sciences sup. Dunod, 2003. Disponible a` la bibliothèque Michel Serres, Ecole Centrale de
Lyon, cote 515.2 GAS.
[6] F. Gilles. Analyse spectrale. Technosup-Supelec, 2001. Disponible a` la bibliothèque Michel Serres,
Ecole Centrale de Lyon, cote 621.382 2 FLE.
[7] E.W. Kamen and B.S. Heck. Fundamentals of Signals and Systems using the WEB and MATLAB.
Pearson Prentice Hall, 2007. Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon,
cote 621.382 2 KAM.
[8] H. Klee and R. Allen. Simulation of Dynamic Systems. CRC Press, 2011. Disponible a` la bibliothèque
Michel Serres, Ecole Centrale de Lyon, cote 003.3 KLE.
[9] T.W. Parks and C.S. Burrus. Digital Filter Design. Topics in Digital Signal Processing. John Wiley
and Sons, New York, 1987.
[10] L. Schwartz. Methodes mathematiques pour les sciences physiques. Enseignement des sciences.
Hermann, 1965. Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon, cote 514.7 Sch.
[11] E. Tisserand, J.F. Pautex, and P. Schweitzer. Analyse et Traitement des Signaux. Sciences sup. Dunod.
Disponible a` la bibliothèque Michel Serres, Ecole Centrale de Lyon, cote 621.382 2 TIS.
183

Cours TS UE STI 2012 2013 Distribue

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

Cours TS UE STI 2012 2013 Distribue

Transféré par

Droits d'auteur :

Formats disponibles

Traitement du Signal

To cite this version:

Gerard Scorletti. Traitement du Signal. Ecole

HAL Id: cel-00673929

HAL is a multi-disciplinary open access

Larchive ouverte pluridisciplinaire HAL, est

Departement Electronique Electrotechnique Automatique

Table des mati`eres

Modeliser et caracteriser un signal : Analyse en temps et en frequence

Modeliser et caracteriser un syst`eme : Convolution et filtrage frequentiel

3.3.4 Produit de convolution et transformees de Fourier et de Laplace . . . . . 70

Autocorrelation et intercorrelation des signaux deterministes

Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 162

Des signaux deterministes aux signaux aleatoires

Modalites pratiques de STI tc2

Le controle des connaissances de la competence Savoir se decompose en premi`ere session

Un resume de cours ne doit pas comprendre del`ements des TDs.

Le signal au service de letre humain

F IG . 1.1 Alleluia dHaendel

Generation Il est capable de generer des signaux a` destination de son environnement.

Limportance du signal dans nos societes contemporaines

Les signaux utiles

Une premi`ere classification des signaux peut e tre faite :

V ERSION P ROVISOIRE DU 27 JUILLET 2012

F IG . 1.2 Signal discret

F IG . 1.3 Signal e chantillonne

Ou` trouver linformation ?

Remarques sur lutilisation de ce document

Ce document contient de nombreuses notes de bas de page. Elles peuvent se regrouper en 3

V ERSION P ROVISOIRE DU 27 JUILLET 2012

Ce netait pas une mince tache !

A NALYSE EN TEMPS ET EN FR E QUENCE

Introduction a` la notion de frequence

Cliquer pour e couter

Cliquer pour e couter

Cliquer pour e couter

TAB . 2.1 Sons associes a` des fonctions sinusodales de differentes frequences

Cliquer pour e couter

Cliquer pour e couter

0.2 sin(2 600 t)

TAB . 2.2 Sons associes a` des fonctions sinusodales de differentes amplitudes

V ERSION P ROVISOIRE DU 27 JUILLET 2012

Cliquer pour e couter

F IG . 2.1 Un son agreable

Pour T > 0, soit L2 ([ T2 ,

lespace des fonctions f reelles definies sur [ T2 ,

On peut definir le produit scalaire de deux e lements f et g de cet espace par :

et la norme associee par :

Par suite, toute fonction f de L2 ([ T2 ,

Sur la signification de cette e galite, voir la Remarque importante page 20.

A NALYSE EN TEMPS ET EN FR E QUENCE

TAB . 2.3 Coordonnees de f dans la base {em }mZ

TAB . 2.4 Coefficients an et bn

Une autre e criture de legalite (2.1) est :

V ERSION P ROVISOIRE DU 27 JUILLET 2012

F IG . 2.2 Representation de la fonction f par sa decomposition en serie de Fourier

F IG . 2.3 Representation de la courbe caracteristique de la fonction f definie par (2.2)

A NALYSE EN TEMPS ET EN FR E QUENCE

2. paire5 : les coefficients cn sont reels ;

3. impaire6 , les coefficients cn sont imaginaires purs.

vers la fonction f au sens de la norme definie sur L2 ([ T2 ,

(convergence point par point ou ponctuelle). La convergence en moyenne quadratique nimplique

V ERSION P ROVISOIRE DU 27 JUILLET 2012

Signaux modelises par des fonctions periodiques : series de