Académique Documents
Professionnel Documents
Culture Documents
Thorie du signal
Cours de deuxime anne (3i4) du dpartement 3i
novembre 2009
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
6
6
7
8
8
10
10
11
12
13
13
14
14
14
15
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
16
16
16
17
17
17
19
19
20
20
23
23
24
24
24
26
27
27
27
2.5.3
27
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
29
29
29
29
30
30
30
30
31
32
32
33
34
34
34
34
34
35
35
35
36
36
36
37
37
37
37
38
38
39
40
40
40
40
41
42
42
43
44
44
45
45
45
45
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
47
47
47
48
48
48
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
49
49
49
49
51
52
53
54
56
56
56
57
59
59
59
60
61
62
62
63
64
65
65
67
68
70
71
71
71
72
73
74
74
75
76
6 Signaux alatoires
6.1 Processus, signal et variable alatoire . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.2 Signaux alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
78
78
78
80
4.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5 Signaux certains
5.1 Transforme de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Dfinition et existence . . . . . . . . . . . . . . . . . . . . . .
5.1.2 Proprits de la transforme de Fourier . . . . . . . . . . . . .
5.1.3 Exemple 1 : impulsion dcroissance exponentielle . . . . . . .
5.1.4 Exemple 2 : transforme de Fourier de rect(t/T ) . . . . . . . .
5.1.5 Thormes de Plancherel . . . . . . . . . . . . . . . . . . . . .
5.1.6 Thorme de Parseval . . . . . . . . . . . . . . . . . . . . . .
5.2 Fonctions de corrlation des signaux nergie finie . . . . . . . . . . .
5.2.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.2 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.3 Relation entre corrlation et convolution . . . . . . . . . . . . .
5.3 Densits spectrale et interspectrale dnergie . . . . . . . . . . . . . . .
5.3.1 Densit spectrale dnergie . . . . . . . . . . . . . . . . . . . .
5.3.2 Densit interspectrale dnergie (DISE) . . . . . . . . . . . . .
5.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.4 Drivation de la fonction de corrlation . . . . . . . . . . . . .
5.4 Signaux puissance moyenne finie . . . . . . . . . . . . . . . . . . . .
5.4.1 Extension de la transforme de Fourier . . . . . . . . . . . . .
5.4.2 Corrlation des signaux puissance moyenne finie . . . . . . .
5.4.3 Densits spectrale et interspectrale de puissance . . . . . . . . .
5.5 Signaux priodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5.1 Transforme de Fourier dun signal priodique . . . . . . . . .
5.5.2 Enveloppe spectrale . . . . . . . . . . . . . . . . . . . . . . .
5.5.3 Fonction de corrlation de signaux priodiques de mme priode
5.5.4 Densit spectrale de puissance . . . . . . . . . . . . . . . . . .
5.5.5 Densit interspectrale de puissance . . . . . . . . . . . . . . .
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.1 Proprits de la transforme de Fourier (TF) . . . . . . . . . . .
5.6.2 Calcul de transformes de Fourier . . . . . . . . . . . . . . . .
5.6.3 Calcul de TF et tracs de leur spectres damplitude et de phase .
5.6.4 Convolution et corrlation . . . . . . . . . . . . . . . . . . . .
5.6.5 Applications des transformes de Fourier . . . . . . . . . . . .
5.6.6 Auto-corrlation, densits spectrales dnergie et de puissance .
5.6.7 Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6.2
6.3
6.4
6.5
6.6
6.7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
80
81
81
83
83
83
84
84
84
85
85
88
88
89
90
92
92
92
92
93
93
93
94
95
95
96
96
96
97
97
98
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
99
99
99
100
101
102
104
105
107
107
108
108
109
110
114
7.4
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
114
116
117
118
120
120
120
121
122
122
123
124
Chapitre 1
Signal et bruit
T h o r ie d e l'in fo r m a tio n
m e ssa g e s
so u rc e
m o ts -c o d e s
c o d e u r
m e tte u r
b r u it
c a n a l
r c e p te u r
b r u it
d c o d e u r
d e s tin a ta ir e
b r u it
T h o r ie d u s ig n a l
F IG . 1.1 Position des thories de linformation et du signal dans une chane de transmission de
linformation
Dfinition 1.1.3 (RSB) Le rapport signal bruit est le rapport des puissances du signal, PS , et
du bruit, PB :
PS
RSB =
,
(1.1)
PB
ou, en dB :
RSBdB = 10 log
o log est le logarithme dcimal.
P
S
PB
(1.2)
Le RSB mesure donc la qualit du signal. Cest une mesure objective. Cependant, dans de
nombreux cas, en particulier ceux o loprateur humain intervient dans la chane de traitement,
cette mesure nest pas trs significative. Ceci est particulirement vrai pour les signaux audio ou
les images et les vidos. Des mesures subjectives, ou des mesures plus fines, prenant en compte les
proprits de la perception humaine doivent tre mises en oeuvre. Ceci sera abord dans le cours
de Perception (N. Guyader) en 3i3, option Images et Signaux.
1.1.2
Les mots signal et information sont communs dans le langage courant. Dans le monde scientifique, ces mots ont des significations bien prcises : en particulier, thorie de linformation, thorie
du signal et traitement du signal correspondent des notions diffrentes, illustres la figure 1.1
dans le cadre dune chane de communications. De faon encore plus gnrale :
la thorie du signal est lensemble des outils mathmatiques qui permet de dcrire les signaux et les bruits mis par une source, ou modifis par un systme de traitement,
la thorie de linformation est lensemble des outils mathmatiques qui permet de dcrire la
transmission de messages vhiculs dune source vers un destinataire,
le traitement du signal est lensemble des mthodes et des algorithmes qui permet dlaborer
ou dinterprter les signaux porteurs dinformation. Plus prcisment :
laboration : codage, modulation, changement de frquence,
interprtation : dcodage, dmodulation, filtrage, dtection, identification, etc.
Actuellement, les mthodes de traitement sont presquen totalit numriques, ce qui suppose :
un chantillonnage temporel, et une reprsentation des signaux en temps discret,
7
tx
t
p n
c a n a l
M o d u la te u r
c o d e p se u d o a l a to ir e
tx
rx
R F
rx
D m o d u la te u r
R F
d
b
p n
sy n c h ro
c o d e p se u d o a l a to ir e
1.2.1
d
t
t
p n
1 /T
d t . p n
f
s
f
t
1 /T
f
s ig n a u x te m p o r e ls
1 /T
n
s p e c tr e s
y (t)
d
se n s d e
d p la c e m e n t
(1.3)
(1.4)
(1.5)
On remarque que le dstalement de spectre restitue le signal mis dans sa bande de base (il
recontracte le spectre), alors quil tale le spectre de linterfrence i. Ce principe amliore ainsi
le rapport signal bruit dans la bande de frquence du signal utile, puisque lnergie du bruit est
disperse sur une trs large bande de frquences.
9
1
0.5
0
0.5
1
50
100
150
200
250
300
350
400
450
500
50
100
150
200
250
300
350
400
450
500
20
500
400
300
200
100
100
200
300
400
500
1
0.5
0
0.5
1
60
40
20
0
1.2.2
d
,
v
(1.6)
1.2.3
Filtre adapt
Cette mthode trs connue de traitement du signal permet de dtecter la prsence dun signal
connu s(t) dans du bruit. Elle est utilise dans de nombreux systmes. Par exemple, dans le cas
dun radar, on cherche dtecter la prsence dun objet. Pour cela, une antenne mettrice envoie
un signal s(t). En prsence dun objet une distance d, le signal s(t) est rflchi par lobjet. Sur
10
e (t)
a lg o .
d 'a d a p t .
(1.8)
o A reprsente lattnuation qui varie en 1/d2 , b(t) est un bruit et reprsente le trajet aller-retour
du signal, cest--dire :
2d
,
(1.9)
c
o c reprsente la vitesse de la lumire dans lair.
Le signal s(t) tant connu, la solution consiste filtrer le signal reu r(t) avec un filtre dont
la rponse impulsionnelle h(t) a une forme adapte au signal. On montre que (voir chapitre 6) la
rponse impulsionnelle h(t) doit tre gale :
h(t) = s(t).
1.2.4
(1.10)
On mesure un signal s(t) pollu par un bruit additif b(t), non corrl avec s(t) :
r(t) = s(t) + b(t),
(1.11)
On suppose que lon dispose dune rfrence G[b(t)], version filtre du bruit b(t). Pour retouver
le signal s(t), Widrow a propos de procder par soustraction, selon le schma de la figure 1.6.
On ajuste pour cela un filtre F qui permet destimer une approximation b(t) de sorte que lerreur
e(t) = r(t) b(t) ne dpende plus de b(t). En pratique, on ajuste les paramtres du filtre F de
sorte que lerreur e(t) et le bruit b(t) soient dcorrls, cest--dire telle que :
Reb ( ) = E[e(t)b(t )] = 0,
(1.12)
Cette mthode a t invente par Widrow pour extraire de faon non invasive le signal lectrocardiographique (ECG) dun foetus dans le ventre de sa mre, laide dune lectrode place
la surface de labdomen et dune autre place sur la poitrine de la mre. Le capteur abdominal
reoit lECG du foetus - trs faible - pollu (notamment) par lECG de la mre et llectrode sur
la poitrine fournit un signal de rfrence de lECG de la mre.
11
s o u r c e s e x tr a ite s p a r A C I
s ig n a u x m e s u r s
F IG . 1.7 Extraction non invasive de signaux lectrocardiographiques du foetus par ACI : signaux
mesurs ( gauche), sources indpendantes extraites ( droite)
1.2.5
Dans le cas o il nest pas possible de disposer dune rfrence du bruit, la mthode de Widrow
est impuissante. Au milieu des annes 80, il a t montr que ce problme pouvait tre rsolu
pourvu de disposer dau moins autant dobservations (capteurs) que de sources et de supposer
que les diffrents signaux sparer sont statistiquement indpendants (et non plus simplement
dcorrls). Cette mthode, connue sous le nom danalyse en composantes indpendantes (ACI ou
ICA pour independent component analysis [7, 2]), est trs intressante par son trs large domaine
dapplications : tlcommunications, biomdical, rhaussement de parole, imagerie hyperspectrale
en tldtection et astrophysique, rseaux de capteurs intelligents, etc.
Dans le cas le plus simple, on peut supposer que les mlanges sont linaires et on observe :
x(t) = As(t),
(1.13)
L r( x ,y )
ln ( .)
ln [ L r( x ,y ) ]
filtr e
p a sse -b a s
ln [ r ( x ,y ) ]
e x p ( .)
r ( x ,y )
1.2.6
Filtrage homomorphique
La luminance, Lr (x, y), dun point (x, y) dun objet illumin par une lumire incidenteLi (x, y),
sexprime comme le produit de deux quantits positives :
Lr (x, y) = (x, y)Li (x, y),
(1.15)
(1.16)
En supposant que Li (x, y) varie lentement spatialement par rapport la rflectance, on peut ensuite
appliquer un filtre passe-haut spatial, F , sur le signal ln Lr (x, y). Aprs filtrage, on a alors :
F [ln Lr (x, y)] = F [ln (x, y)] + F [ln Li (x, y)] F [ln (x, y)] ln (x, y).
(1.17)
Pour retrouver la rflectance, il suffit ensuite dappliquer une transformation non linaire exponentielle. Cette mthode, appele filtrage homomorphique, est illustre la figure 1.8.
1.2.7
Les signaux prsentent une grande diversit, en particulier en ce qui concerne la dimension.
Or, avec lvolution des technologies (capteurs, calculateurs, etc.), le traitement de signal traite de
plus en plus frquemment de signaux multidimentionnels. Au-del du signal 1D : signal audio,
mesure lectrique, signal reu par une lectrode en biomdical, on sintresse des :
signaux 2D : image, reprsentation temps-frquence des signaux,
signaux 2D + t : squences vido,
signaux 3D : objets 3D (tomographie, etc.),
signaux 3D + t : squence dobjets 3D (tomographie, etc.),
13
1.3.1
Contenu
Consacr la thorie du signal, ce cours dcrit les outils mathmatiques ncessaires pour
manipuler des signaux dterministes ou alatoires, cest--dire les dcrire, les caractriser et les
comparer. Le chapitre 2 dcrit les signaux et fonctions lmentaires. La classification des signaux
est prsente au chapitre 3. Le chapitre 4 montre comment les signaux peuvent tre dcrits dans
des espaces vectoriels, dits espaces de Hilbert. Le chapitre 5 est consacr ltude des signaux
certains. Les outils pour la manipulation des signaux alatoires sont lobjet du chapitre 6. Enfin, le
chapitre 7, intitul Oprateurs fonctionnels, prsente quelques mthodes classiques de traitement
du signal, comme applications des outils des chapitres prcdents.
1.3.2
Rfrences
1.3.3
Avertissement
15
Chapitre 2
Fonction signe
Dfinition 2.1.1 (Fonction Signe) La fonction signe, note sgn est une fonction relle de la variable relle dfinie par :
+1, si t > 0,
(2.1)
sgn(t) =
1, si t < 0.
Par convention, on dfinit :
sgn(0) = c0 , avec 1 c0 +1.
(2.2)
Usuellement, on prend sgn(0) = 0 (figure 2.1 gauche). Avec cette convention, la fonction sgn
est une fonction impaire :
sgn(t) = sgn(t), t.
+ 1
s g n (t)
(2.3)
+ 1
t
e (t)
- 1
F IG . 2.1 Fonctions signe, sgn(t), et chelon, (t)
16
+ 1
r (t)
t
1
r e c t(t)
1
t
- 1 /2
- T /2
1 /2
r e c t(t/T )
t
T /2
2.1.2
Dfinition 2.1.2 (Fonction chelon unit) La fonction chelon unit, ou simplement chelon ou
fonction de Heaviside, note , est une fonction relle de la variable relle dfinie par :
+1, si t > 0,
(2.4)
(t) =
0, si t < 0,
avec, par convention, (0) = 1/2.
Cette fonction est illustre la figure 2.1, droite. On montre facilement les relations :
(t) = 12 sgn(t) + 12
(2.5)
sgn(t) = 2(t) 1.
2.1.3
Fonction rampe
Dfinition 2.1.3 (Fonction rampe) La fonction rampe, note r, est une fonction relle de la variable relle dfinie par :
Z t
(u)du.
(2.6)
r(t) =
2.1.4
Dfinition 2.1.4 (Fonction rectangle unit) La fonction rectangle, ou fonction porte, de largeur
1, note rect, est une fonction relle de la variable relle dfinie par :
rect(t) = (t + 1/2) (t 1/2).
On remarque que laire de la fonction rectangle de largeur unit vaut 1.
17
(2.7)
r e c t(t)
1
t
- 1 /2
r e c t(t/T )
t
- T /2
1 /2
T /2
r e c t(t-t )
1
t + 1 /2
t -1 /2
r e c t[ (t-t )/T ]
t -T /2
t + T /2
(2.8)
On remarque que laire de la fonction rectangle de largeur T vaut T . Ces deux fonctions sont illustres la figure 2.3. Pour simplifier la reprsentation, on reprsentera frquemment ces fonctions
sans tenir compte des discontinuits en 1/2 ou T /2 (figure 2.4).
Une fonction rectangle de largeur unit translate de + scrit simplement rect(t ) (figure
2.5, gauche). Elle vaut 1 sur lintervalle ] 1/2, +1/2[ et 0 sur lintervalle ], 1/2[] +
1/2, +[. De faon similaire, une fonction rectangle de largeur T , translate de (figure 2.5,
droite) scrit :
t
rect
.
(2.9)
T
La fonction rectangle est trs utile pour exprimer mathmatiquement une portion dun signal de
largeur T . Par exemple, on veut exprimer la portion du signal x(t) dans lintervalle t [t1 , t2 ]
(Figure 2.6). La fonction rectangle sur cet intervalle a pour largeur T = t2 t1 et est translate de
= (t1 + t2 )/2. On peut donc lcrire :
rect
t
T
= rect
t (t + t )/2
1
2
.
t2 t1
(2.10)
(2.11)
Par dfinition de la fonction rect, cette fonction est gale x(t) sur lintervalle t [t1 , t2 ] et nulle
en dehors.
La fonction rectangle, utilise dans le domaine frquentiel, permettra aussi de dfinir des filtres
idaux, passe-bas, passe-haut ou passe-bande.
18
r e c t[ (t-t )/T ]
t -T /2
t + T /2
x (t)
t -T /2
~
t + T /2
x ( t) = r e c t[ ( t- t ) /T ] .x ( t)
t -T /2
t + T /2
tr i(t)
1
t -1
tr i(t-t )
t + 1
t -T
tr i[ (t-t )/T ]
t + T
F IG . 2.7 Fonctions triangle unit ( gauche), triangle unit translate de (au milieu) et triangle
daire 2T translate de ( droite)
2.1.5
Fonction triangle
Dfinition 2.1.6 (Fonction triangle) La fonction triangle unit, note tri, est une fonction relle
de la variable relle dfinie par :
1 | t | si | t | 1,
(2.12)
tri(t) =
0
sinon.
Notons que laire de la fonction triangle unit vaut 1 et que la largeur de son support vaut 2.
On peut galement appliquer les oprateurs de translation et dhomotthie cette fonction :
la fonction tri(t ) est une fonction triangle unit translate de + ,
la fonction tri[(t )/T ] est une fonction triangle de largeur 2T (ou daire gale T ) translate de + .
Cette fonction triangle est trs usuelle. Nous verrons dans les chapitres suivants quelle intervient notamment dans le rsultat du produit de convolution de deux fonctions rectangle, ou dans
lauto-corrlation dun signal rectangle.
d (t)
1
t
d (t-t )
t
2 .d ( t- t )
t
2.2.1
Distribution de Dirac
Dfinition 2.2.1 (Impulsion de Dirac) La distribution ou impulsion de Dirac, note (t), vrifie :
(t) = 0, si t 6= 0,
R +
(2.13)
(u)du
= 1.
1
(t) = limT 0 T tri(t/T )
1
(t) = limT 0 T rect(t/T )
)
.
(t) = limT 0 T1 sinc(t/T ) = limT 0 sin(t/T
t
2.2.2
(2.14)
Reprsentation
La distribution de Dirac, (t), se reprsente par une flche verticale damplitude 1 localise en
t = 0 (figure 2.8, gauche). Sa version translate de , note (t ), est reprsente la figure
2.8, au milieu.
(2.15)
20
d (t-t )
1
x (t)
t
F IG . 2.9 Le produit dune fonction x(t) par (t ) est gal x(t ). Le produit par une
distribution de Dirac permet de raliser une opration lmentaire dchantillonnage
Z
x(t0 )(t t0 )
Z +
(t t0 )
= x(t0 )
=
= x(t0 ).
(2.16)
Peigne de Dirac
Pour chantillonner un signal avec une priode dchantillonnage rgulire T , il est pratique
de dfinir une suite dimpulsions de Dirac, priodique et de priode T . Cette distribution, appele
peigne de Dirac et note T (t), est dfinie (figure 2.10) par :
T (t) =
+
X
k=
(t kT ).
(2.17)
Pour chantillonner une fonction x(t), cest--dire prlver des chantillons infiniment brefs, avec
une priode T , il suffit donc deffectuer le produit de x(t) par un peigne de Dirac :
xe (t) = x(t)T (t)
+
X
(t kT )
= x(t)
k=
+
X
k=
x(t)(t kT )
21
d T(t)
t
T
x (t)
t
T
d T(t) x (t)
2 T
F IG . 2.10 Peigne de Dirac de priode T (en haut). Cette distribution permet deffectuer lchantillonnage rgulier (en bas) dun signal x(t) (au milieu) par simple produit ( t)x(t)
re p
x (t)
t
{ x (t)}
- T
+
X
k=
x(kT )(t kT ).
(2.18)
+
X
k=
x(t kT )
(2.19)
sin(u)
.
u
22
(2.20)
0.8
0.6
0.4
0.2
0.2
0.4
5
x (t)
y (t)
h (t)
sinc2 (u)du = 1.
(2.22)
2.3.1
Dfinition
Dfinition 2.3.1 (Produit de convolution) Le produit de convolution entre deux fonctions x(t) et
h(t), not par le symbole , est dfini par les intgrales :
Z +
x(u)h(t u)du
(2.23)
(x h)(t) =
=
x(t v)h(v)dv
= (h x)(t).
1
(2.24)
(2.25)
lexercice est assez difficile par le thorme des rsidus, mais trs facile en utilisant le rsultats du chapitre 5
23
(2.26)
On utilisera cette notation par la suite, malgr quelle soit parfois ambigu comme on le verra plus
loin.
Si x(t) est la distribution de Dirac (t), on a simplement :
y(t) = (t) h(t) = h(t).
(2.27)
On remarque que h(t) est la rponse du filtre excit par une impulsion de Dirac, do le nom de
rponse impulsionnelle du filtre donn h(t).
2.3.2
La convolution en BD
requiert la fonction x(u), la fonction h(t u), et lintgration du produit de ces deux fonctions
sur R pour chaque valeur de t.
Ainsi, h(u) est la mmoire du systme : le signal x(u) est pondr aux diffrents instants
par h(t u). Dans la figure 2.14, la forme de h(t) est exponentielle. Un filtre h(u) rponse
impulsionnelle rectangulaire, de la forme h(u) = rect(u 1/2) aurait donn une pondration
uniforme sur une fentre de dure 1.
2.3.3
Proprits
2.3.4
(2.29)
est-il une fonction de u ou de t ? Autrement dit, lintgration porte-t-elle sur t ou sur u ? Nul ne
peut le dire !
24
x (u )
h (u )
u
u
h (-u )
u
h (t - u )
u
t
y (t) =
x (u )h (t - u )
u
F IG . 2.14 Convolution en BD
25
x (u )h (t - u )d u
Si ce produit est une fonction de t, u est donc un simple paramtre, et il faudrait de faon
rigoureuse, dfinir les fonctions :
x1 (t) = x(t u)
y1 (t) = y(u 2t)
(2.30)
(2.31)
(2.32)
(2.33)
Wx =
t2
x2 (t)dt,
(2.36)
t1
1
t2 t1
t2
x2 (t)dt =
t1
Valeur efficace :
xef f =
26
p
Px .
Wx
,
t2 t1
(2.37)
(2.38)
2.5 Exercices
2.5.1
Dfinitions de fonctions
Donner lquation dune fonction rectangle damplitude A, de largeur 2T centre au point
t = .
Montrer que rect(t) = (t + 1/2) (t 1/2).
Montrer que rect(t/T ) = (t + T /2) (t T /2).
T /2
).
Exprimer laide de seules fonctions sgn la fonction x(t) = A rect( tt0
Calcul dintgrales
R +
Calculer lintgrale A rect( t ) dt.
R +
Calculer lintgrale A tri( t ) dt.
Calculer la valeur moyenne de x(t) = repT A rect( t ) .
Calculer la valeur moyenne de y(t) = repT A tri( t ) .
2.5.2
sin(u)
u
2.5.3
1. Calculer et tracer les produits de convolution des fonctions x(t) et y(t) suivantes :
x(t) = A[(t + t0 ) + (t t0 )] et y(t) = B((t) + 12 [(t + t1 ) + (t t1 )])
t
x(t) = cos ( t
T ) rect( T ) et y(t) = A T (t).
2. Calculer le produit de convolution de x(t) = A (t) avec le filtre h(t) =
exp(t/ ) (t).
7. P
Calculer le produit de convolution des deux fonctions x(t) =
2
j=0 bj (t jT ) avec b0 = 1, b1 = 1 et b2 = 1.
P+
28
i=0
ei (t iT ) et y(t) =
P4
iT ) et y(t) =
i=0 (t
Chapitre 3
Signaux ralisables
Un signal est le rsultat dun systme physique rel, qui est donc ralisable, ce qui induit
plusieurs proprits :
lnergie du signal est borne,
lamplitude du signal est borne,
lamplitude du signal est une fonction continue, en raison de linertie du systme,
le spectre du signal est born et tend vers 0 lorsque la frquence tend vers linfini.
3.1.2
Modle
Les modles de signaux sont des reprsentations mathmatiques (fonctions relles ou complexes, fonctionnelles, etc.) qui reposent frquemment sur des hypothses simplificatrices (parfois
fausses !) mais permettant deffectuer des calculs thoriques.
Par exemple :
un chantillon dnergie finie mais infiniment bref nest pas ralisable ; il est cependant
pratique dutiliser une impulsion de Dirac pour reprsenter une impulsion de dure trs
brve,
un signal sinusodal x(t) = sin t nest pas ralisable, car un signal produit par un systme
physique rel ne peut pas exister de + ; cest cependant un modle mathmatique
trs usuel.
Le modle est donc une approximation de la ralit, dans lequel on considre les proprits
importantes dans le contexte de ltude. Lintrt du modle dpend donc de la qualit de lapproximation et de sa facilit demploi, dans un contexte donn.
29
3.1.3
Classes de signaux
On peut classer les signaux selon diffrentes approches, ce qui induit des recouvrements entre
les classes ainsi dfinies.
Par exemple, on peut considrer :
le caractre dterministe (ou certain) ou alatoire des signaux,
le caractre nergtique : signaux nergie finie ou puissance moyenne finie,
le caractre continu ou discret du signal x(t), cest--dire de son argument t (chantillonnage) ou de sa valeur (quatification),
le caractre spectral : signaux basse ou haute frquence, large bande, bande troite ; signaux
blancs ou en 1/f , etc.
la dimension des signaux :
signaux 1D : x(t) (signal reu par un microphone monophonique),
signaux 2D : I(x, y) (image, signal reu par un microphone strophonique)
signaux 3D : I(x, y, z) (image volumique en tomographie ou IRM, I(x, y, f ) (image
hyperspectrale), I(x, y, t) (squence dimages 2D),
signaux 4D ou 3D +t (squence dimages 3D, en IRM par exemple),
signaux N-D, typiquement reus par un rseaux de capteurs (rseaux dantennes, ou de
microphones).
Dfinitions
Dfinition 3.2.1 (Signal certain) Un signal x(t) est certain (ou dterministe) sil peut tre dcrit
par un modle mathmatique.
Dfinition 3.2.2 (Signal alatoire) Un signal x(t) est alatoire si son volution est imprvisible
et ne peut tre dcrite que par des grandeurs et mthodes statistiques.
Remarque 3.2.1 La somme (ou le produit, ou toute autre opration) dun signal dterministe et
dun signal alatoire est donc un signal alatoire.
A lintrieur de chacune de ces deux grandes classes, on peut dfinir dautres proprits.
Pour les signaux dterministes, on considre :
les signaux priodiques ou non priodiques,
les signaux priodiques peuvent tre sinusodaux, composites ou pseudo-alatoires,
les signaux non-priodiques peuvent tre quasi-priodiques ou transitoires
En ce qui concerne les signaux alatoire, on peut dfinir :
les signaux stationnaires ou non stationnaires,
les signaux stationnaires peuvent tre ergodiques ou non ergodiques,
les signaux non stationnaires peuvent tre cyclo-stationnaires ou quelconques.
Lobjet de ce chapitre est de dfinir de faon prcise ces principales proprits.
3.2.2
Signaux dterministes
Comme nous lavons dj soulign, ces signaux peuvent tre simplement modliss par des
fonctions mathmatiques.
30
Signaux priodiques
Dfinition 3.2.3 (Signal priodique) Un signal x(t) est priodique sil existe un rel T > 0, tel
que :
x(t) = x(t + kT ), k Z.
(3.1)
Si T est le plus petit rel satisfaisant (3.1), T est appele priode du signal.
Quelques exemples de signaux priodiques : les signaux sinusodaux, la somme ou le produit
de signaux sinusodaux dont le rapport des priodes est rationel (T1 /T2 Q).
Signaux quasi-priodiques
Les signaux quasi-priodiques sont produits par la somme ou le produit de signaux sinusodaux
de priodes incommensurables, cest--dire dont le rapport nest pas rationnel. Ainsi, le signal :
2t
2t
x(t) = sin
+ sin
,
(3.2)
T1
T2
avec T1 /T2
/ Q, est quasi-priodique.
Notations complexes
2
t,
T
(3.3)
(3.4)
Lintrt de cette notation rside dans les proprits de calculs remarquables de la fonction exp.
De plus, en appliquant la formule dEuler, on peut crire (en notant z le complexe conjugu
de z) :
1
jA sin 2
z (t))
T t = 2 (z(t)
(3.5)
2t
A
exp
.
= A2 exp j 2t
T
2
T
On peut donc voir le signal x(t) comme la composition (somme) de deux phaseurs conjugus,
lun tournant dans le sens direct la pulsation = 2/T et lautre = 2/T . Pour tenir
compte de ces rotations de sens opposs, on parle de frquences positives et ngatives, mais il
est clair que ce sont des notions purement formelles (lies au modle complexe) qui nont aucune
signification physique.
3.2.3
Signaux alatoires
Dfinition 3.2.4 (Signal stationnaire) Un signal alatoire x(t) est stationnaire, si ses caractristiques statistiques sont invariantes dans le temps.
Dfinition 3.2.5 (Signal stationnaire lordre n) Un signal alatoire x(t) est stationnaire lordre
n, si ses caractristiques statistiques sont invariantes dans le temps, jusqu lordre n inclus.
31
Exemple 3.2.1 Un signal alatoire x(t) est stationnaire lordre 2, si sa moyenne, sa variance
et sa focntion dauto-corrlation ne dpendent pas du temps.
Dfinition 3.2.6 (Signal ergodique) Un signal alatoire x(t) est ergodique si les valeurs moyennes
statistiques (moyennes densemble) sont gales aux valeurs moyennes temporelles (sur une ralisation).
Cette proprit est trs importante en pratique, car elle permet destimer la moyenne statistique
par une moyenne temporelle sur une seule ralisation :
Z
1
E[x(t)] = lim
T + 2T
+T
x(t)dt
(3.6)
Les caractristiques des signaux alatoires sont mesures sur des temps dobservation finie.
En pratique, la stationarit ou lergodicit seront considres sur la fentre dobservation.
Dfinitions
(3.7)
Si le diple est une simple rsistance R, chaque instant t on a v(t) = Ri(t), do lexpression :
v 2 (t)
p(t) = Ri2 (t) =
.
(3.8)
R
Lnergie dissipe dans le diple entre deux instants t1 et t2 vaut alors :
W (t1 , t2 ) =
t2
p(t)dt = R
t1
t2
i2 (t)dt =
t1
1
R
t2
v 2 (t)dt,
(3.9)
t1
t2
p(t)dt.
(3.10)
t1
Dfinition 3.3.1 (Energie et puissance moyenne sur un intervalle) Par analogie, on appelle nergie (normalise) ou puissance moyenne (normalise) dun signal rel x(t) sur lintervalle [t1 , t2 ],
les grandeurs suivantes :
Z
t2
Wx (t1 , t2 ) =
x2 (t)dt,
(3.11)
t1
et :
Z t2
1
x2 (t)dt.
t2 t1 t1
p
La valeur efficace du signal x(t) est gale Px (t1 , t2 ).
Px (t1 , t2 ) =
32
(3.12)
Dans la dfinition prcdente, ladjectif normalis est prcis pour souligner que lnergie ou
la puissance sont dfinies un facteur prs qui dpend de la nature du signal (courant ou tension,
dans le cas dun signal lectrique).
Finalement, on peut dfinir lnergie totale et la puissance moyenne totale dun signal, cest-dire sur R :
Dfinition 3.3.2 (Energie et puissance moyenne dun signal sur R) On appelle nergie totale
ou puissance moyenne total dun signal rel x(t) les grandeurs suivantes, si elles existent :
Wx =
x2 (t)dt,
(3.13)
et :
Z
1 +T /2 2
Px = lim
x (t)dt.
T + T T /2
(3.14)
Cas de signaux complexes. Dans le cas de signaux complexes, dans les intgrales, on remplace
x2 (t) par |x(t)|2 = x(t)x (t).
Cas des signaux priodiques. Dans le cas de signaux priodiques, la puissance moyenne totale
est gale la puissance moyenne sur une priode.
3.3.2
Dfinition 3.3.3 (Signal nergie finie) Un signal x(t) est nergie finie si lintgrale suivante
existe,
Z +
|x(t)|2 dt,
(3.15)
Wx =
cest--dire si :
|x(t)|2 dt < +.
(3.16)
Les signaux nergie finie sont aussi appels signaux de carr sommable ou de carr intgrable.
Exemple 3.3.1 Le signal x(t) = rect(t/T ) est un signal nergie finie :
Wx =
|x(t)| dt =
+T /2
dt = T.
T /2
(3.17)
3.3.3
Dfinition 3.3.4 (Signal puissance moyenne finie) Un signal x(t), dfinie sur R, est puissance moyenne finie sur cet intervalle si :
Z
1 +T /2
|x(t)|2 dt < +.
(3.18)
0 < Px = lim
T + T T /2
La dfinition exclut le cas de signaux puissance moyenne nulle, qui correspond des signaux
nergie finie.
Exemple 3.3.2 Le signal x(t) = sin(t) est un signal puissance moyenne finie sur R. En effet,
|x(t)|2 = sin2 (t) = (1 cos t)/2, et en intgrant :
1
Px = lim
T + T
+T /2
T /2
(1 cos t)dt =
1
2
(3.19)
La nature continue ou discrte dun signal x(t) peut tre considre pour lamplitude ou pour
la variable t. Si lamplitude du signal est discrte on parle de quantification (quantization). Si la
discrtisation concerne la variable t, on parle dchantillonnage (sampling).
3.5.2
Parit
Un signal dterministe x(t) est pair si x(t) = x(t) ; il est impair si x(t) = x(t). On peut
remarquer quil est toujours possible de dcomposer un signal x(t) en la somme dun signal pair
et dun signal impair :
x(t) = xp (t) + xi (t),
(3.20)
avec :
xp (t) =
xi (t) =
34
x(t)+x(t)
,
2
x(t)x(t)
.
2
(3.21)
X (f)
B a s s e fr q u e n c e
f
X (f)
H a u te fr q u e n c e
f
X (f)
B a n d e tr o ite
f
X (f)
B a n d e la r g e
f
3.5.3
Causalit
Dfinition 3.5.1 (Signal causal) Un signal x(t) est causal sil est nul pour toute valeur ngative
de t.
On peut montrer quun signal rel causal est donc tel que xi (t) = xp (t)sgn(t).
Exemple 3.5.1 Gnralement, un filtre ralisable, de rponse impulsionnelle h(t), est causal,
cest--dire que h(t) = 0, t < 0.
En traitement dimages, les filtres sont non causaux car la valeur filtre dun pixel I(x, y) dpend
gnralement de tous ses voisins.
3.6 Exercices
3.6.1
Classification de signaux
Soient x(t) un signal dterministe et b(t) un signal alatoire. Prciser la nature dterministe
ou alatoire des signaux suivants.
1. x1 (t) = Ax(t), o A est un gain rel
2. x2 (t) = x(t) sin t,
3. x3 (t) = x(t)(t),
4. x4 (t) = x(t) + b(t),
5. x5 (t) = |b(t)|,
6. x6 (t) = x(t)b(t),
7. x7 (t) = x(t)b(t)/|b(t)|.
35
3.6.2
Dterminer si les signaux suivants sont nergie finie ou puissance finie. Calculer pour
chacun lnergie et la puissance moyenne totale.
1. x1 (t) = A rect(t),
2. x2 (t) = A sin t,
3. x3 (t) = A (t) sin t,
4. x4 (t) = (t),
5. x5 (t) = A exp(at) (t), o a > 0,
6. x6 (t) = A exp(at),
7. x7 (t) = A tri(t/T ).
3.6.3
3.6.4
Soit b(t) un bruit blanc large bande. Indiquer si les signaux suivants sont des signaux basses
frquences (BF), hautes frquences (HF), large bande ou bande troite.
1. x1 (t) = Ab(t), o A est un gain rel,
2. x2 (t) = A sin t.
36
Chapitre 4
Reprsentation discrte
On peut reprsenter un signal sur une base de signaux (fonctions) dtermins, k (t), k =
1, . . . , K :
K
X
ak k (t).
(4.1)
x(t) =
k=1
Le vecteur a = (a1 , . . . , aK )T est une reprsentation du signal x(t) dans la base = {1 (t), . . . , K (t)}.
Remarque 4.1.1
Dans le cas gnral, la base est de dimension infinie ;
Pour certaines classes de signaux, on peut chercher des approximations comportant un
nombre limit de signaux de base k (t) ;
La reprsentation discrte a est lunique moyen daborder le traitement numrique du signal.
4.1.2
Dfinition 4.1.1 (Espace vectoriel) Etant donn un corps commutatif C dlment neutre 0 et e,
on dit quun ensemble E muni dune opration interne (note ) et dune opration externe dont
le domaine doprateurs est C, a une structure despce vectoriel sur C si :
E est un groupe commutatif pour son opration interne,
lopration externe est telle que, pour tout x E et tout C et C, on ait :
()x = (x)
et
ex = x,
(4.2)
Lopration externe est distributive par rapport laddition sur le corps C et par rapport
lopration interne dans E :
( + )x = x x
et
(x y) = x y.
(4.3)
~x, k~xk 0,
k~xk = 0 ~x = ~0,
(~x, ~y ), k~x + ~y k k~xk + k~y k.
Un espace vectoriel est dit mtrique si tout couple de vecteurs (~x, ~y ) est associ un rel
d(~x, ~y ) tel que :
d(~x, ~y ) 0,
d(~x, ~y ) = 0 ~x = ~y
d(~x, ~y ) = d(~y , ~x).
La mesure d(~x, ~y ) est appele distance. Une distance usuelle est obtenue partir de la norme par :
d(~x, ~y ) = k~x ~y k
(4.4)
Une suite infinie {x~n } dlments dun espace vectoriel mtrique converge vers un vecteur ~x
de cet espace si :
lim d(x~n , ~x) = 0.
(4.5)
n+
Un espace vectoriel norm dans lequel toute suite est convergente est dit complet. On lappelle
aussi espace de Banach.
Dfinition 4.1.2 (Espace de Hilbert) Un espace de Hilbert est un espace vectoriel norm complet (espace de Banach) dont la norme k.k dcoule dun produit scalaire ou hermitien < ., . >,
par la formule < x, x >= kxk2 .
Un espace de Hilbert est la gnralisation en dimension quelconque dun espace vectoriel euclidien ou hermitien.
Les diffrentes mtriques possibles (distances) dfinissent divers types de convergence.
4.1.3
Espace de signaux
K
X
ak k (t),
(4.6)
k=1
4.1.4
(4.7)
(4.8)
X
k
|xk yk |2
1/2
Par analogie, on peut dfinir la distance entre deux signaux sur un intervalle T par :
1/2
Z
.
|x(t) y(t)|2 dt
d2 (x(t), y(t)) = K
(4.9)
(4.10)
K
X
k=1
xk yk ,
(4.12)
4.1.5
Lensemble des signaux nergie finie (ou de carr sommable) sur un intervalle [t1 , t2 ] forme
un espace not L2 (t1 , t2 ) dont la norme est dfinie par :
kxk =
Z
t2
t1
|x(t)|2 dt
1/2
(4.13)
(4.14)
t1
0.
Dans L2 (t1 , t2 ), on dit quun signal x(t) converge en moyenne quadratique vers y(t) si d(x, y)
Lexposant 2 dans L2 (t1 , t2 ) indique la mtrique utilise et non pas la dimension.
39
~x ~y =
xk yk ,
(4.15)
k=1
On remarque que < x, y >6=< y, x >. En revanche, cette dfinition possde la symtrie
hermitienne. On a en effet :
< x, y >=< y, x > .
(4.17)
Par ailleurs, en raison de la dfinition ci-dessus et de la linarit de lintgrale, le produit
scalaire de sommes de signaux se dveloppe facilement selon la rgle de calcul :
< a1 x1 +a2 x2 , b1 y1 +b2 y2 >= a1 b1 < x1 , y1 > +a1 b2 < x1 , y2 > +a2 b1 < x2 , y1 > +a2 b2 < x2 , y2 >,
(4.18)
o a1 , a2 , b1 , b2 sont des scalaires.
4.2.2
Fonctions orthogonales
En gomtrie euclidienne, deux vecteurs sont orthogonaux si leur produit scalaire est nul. Par
analogie, on dira que deux signaux sont orthogonaux si leur produit scalaire est nuel, cest--dire
si :
Z
t2
< x, y >=
x(t)y(t) dt = 0.
(4.19)
t1
Le choix de lintervalle [t1 , t2 ] est important : < x, y >= 0 dans [t1 , t2 ] nentrane pas
lorthogonalit dans tous les intervalles.
4.2.3
Le lien entre distance euclidienne et produit scalaire est vident dans lespace L2 (t1 , t2 ). En
effet :
d2 (x, y) =
=
=
=
=
=
R t2
Rtt12
t1
< x y, x y >,
< x, x > < y, x > < x, y > + < y, y >,
kxk2 + kyk2 (< x, y > + < x, y > ),
kxk2 + kyk2 2(< x, y >).
40
(4.20)
Dans le cas particulier ou les signaux sont orthogonaux, < x, y >= 0, la relation (4.20) se
simplifie et donne le thorme de Pythagore :
d2 (x, y) = kx yk2 = kxk2 + kyk2 .
4.2.4
(4.21)
Ingalit de Schwartz
Thorme 4.2.1 Deux signaux, x(t) et y(t) de L2 (t1 , t2 ) vrifient lingalit suivante, dite ingalit de Schwartz :
| < x, y > |2 < x, x >< y, y >,
(4.22)
t2
t1
2 Z
x(t)y (t)dt
t2
t1
|x(t)| dt
t2
t1
|y(t)|2 dt.
(4.23)
(4.24)
< x, y >
.
< y, y >
(4.25)
(4.26)
(4.27)
t2
t1
2 Z
x(t)y (t)dt
t2
t1
|x(t)| dt
t2
t1
|y(t)|2 dt.
(4.28)
On remarque que lgalit est atteinte si et seulement si d(x, ky) = 0, cest--dire si x(t) =
ky(t).
41
4.2.5
e(t) = x(t) x
(t),
(4.30)
(4.31)
4.2.6
Thorme de la projection
Soit lapproximation :
x
(t) =
M
X
m m (t),
(4.32)
m=1
et calculons :
d2 (x, x
) = d2 (x x
, x
x
),
(4.34)
= kx x
k2 + k
xx
k2 2(< x x
, x
x
>).
P
Or, x
(t) x
(t) = m (m m )m (t) et < e, m >= 0, m = 1, . . . , M . Par consquent, on
a:
<xx
, x
x
>= 0,
(4.35)
do, en reportant dans (4.34) :
d2 (x, x
) = kx x
k2 + k
xx
k2 ,
qui est minimale si et seulement si x
(t) = x
(t).
42
(4.36)
e = x - x
x
4.2.7
Lorsque lerreur e = x x
est minimale, compte tenu de son orthogonalit avec k , et compte
tenu de lexpression de x
, on peut crire :
< e, k >
<xx
, x
>
< x, x
><x
, x
>
< x, x
>
=
=
=
=
0,
0,
0,
k
xk2 .
(4.37)
< x, m >=< x
, m >, m = 1, . . . , K.
En notant :
(4.38)
k k (t), on a, m = 1, . . . , K :
P
< x, m > = P
< k k k , m >
=
k k < k , m > .
a
= (1 , . . . , K )T , et
km = < k , m >
m = < x, m >
(4.39)
(4.40)
(4.41)
Cas dune base orthogonale. Si les {k } forment une base orthogonale, pour k 6= m, on a
km = 0 et la matrice est diagonale. On a alors simplement = T do {1 }kk = 1/kk ,
et les coefficients k sexpriment par lquation :
k =
< x, k >
k
=
,
kk
< k , k >
43
k = 1, . . . , K.
(4.42)
4.2.8
Qualit de lapproximation
On mesure la qualit de lapproximation par lerreur relative, que lon exprime en dB. Cette
mesure donne le rapport signal/erreur, R :
R=
kxk2
kxk2
kxk2
1
,
=
=
=
2
2
2
2
k
xk2
kek
kx x
k
kxk k
xk
1 kxk
2
(4.43)
o la troisime galit est obtenue en appliquant le thorme de Pythagore, car kxk2 = kek2 +
k
xk2 . On peut aussi exprimer cette relation en dB :
k
xk2
RdB = 10 log R = 10 log 1
.
kxk2
4.2.9
(4.44)
Les coefficients k de lapproximation optimale au sens des moindres carrs sont donns par
(4.42).
Lerreur dapproximation sexprime :
do (puisque kek2 0) :
kek2 = kxk2 k
xk2
R t2
P
2
= t1 |x(t)|2 dt K
k=1 |k | kk ,
K
X
k=1
|k |2 kk
t2
t1
|x(t)|2 dt = kxk2 .
(4.45)
(4.46)
Puisque les coefficients kk =< k , k >= kk k2 > 0, cette dernire expression montre que
la qualit de lapproximation augmente avec K et on peut crire :
lim
K+
K
X
k=1
|k |2 kk = kxk2 ,
(4.47)
|k |2 kk = kxk2 ,
(4.48)
qui montre que lnergie du signal est gale la somme de lnergie de ses composantes.
Cas de fonctions orthonormes. Si les fonctions k sont aussi normes, cest--dire si <
k , k >= kk = 1, on a simplement :
k = k =< x, k >,
k = 1, . . .
(4.49)
44
(4.50)
4.2.10
|k |2 = kxk2 .
(4.51)
On suppose que lon dispose dune base non orthogonale {v1 , . . . , vK }. On se propose de
construire une base orthonormale {1 , . . . , K } en suivant la procdure suivante :
1. On pose w1 (t) = v1 (t) puis on norme 1 =
w1 (t)
kw1 k .
On initialise k = 1
2. On calcule :
k = k + 1,
(4.52)
k1
X
(4.53)
puis :
wk (t) = vk (t)
i=1
et on norme :
k =
wk (t)
kwk k
(4.54)
4.3.1
4.3.2
t kT
T
(4.55)
(t)
1
D T
2
(t)
t
2 D T
D T
(t)
1
t
T
(t)
t
T
3
(t)
T
46
(t)
1
t
T
(t)
t
T
(t)
T
4.3.3
Sries de Fourier
Tout signal de L2 (t1 , t1 + T ) peut tre dvelopp en sries de Fourier, partir de signaux de
base de forme exponentielle complexe :
t
k (t) = exp j2k
,
(4.56)
T
telles que k 6= j, < k , j >= 0, et < k , k >= T .
En notant Xk (au lieu de k ) le k-ime coefficient, on a :
x(t) =
k=+
X
k=
avec :
t
Xk exp j2k
,
T
(4.57)
Z
1 t1 +T
t
Xk =
dt.
(4.58)
x(t) exp j2k
T t1
T
Cette dernire expression est obtenue en appliquant les rsultats du paragraphe (4.2) :
R t +T
R t +T
<x,k >
k>
= <x,
= T1 t11 x(t)k (t)dt = T1 t11 x(t) exp(j2k Tt )dt. (4.59)
Xk = <
kk
k ,k >
Les coefficients sont classs dans lordre croissant des harmoniques : k est de priode T /k.
La srie est infinie et on peut crire lgalit de Parseval :
Z
k=+
X
1 t1 +T
Px =
|Xk |2 .
(4.60)
|x(t)|2 dt =
T t1
k=
4.4 Exercices
4.4.1
et
47
4.4.2
Soient les deux signaux rels x1 (t) = cos(2t/T 1 ) et x2 (t) = sin(2t/T 2 ), sur le
domaine temporel t1 t t1 + T . On pose R= 2 1 . On rappelle que le produit scalaire de
+
deux signaux x1 (t) et x2 (t) est not hx1 , x2 i = x1 (t)x2 (t)dt.
1. Calculer le produit scalaire des deux signaux sur le domaine temporel.
2. Pour quelles valeurs de ces deux fonctions sont-elles orthogonales sur le domaine temporel ? Ce rsultat dpend-il de t1 ? Pourquoi ?
3. Calculer la norme des deux signaux. En dduire leur nergie sur le domaine temporel.
4. En dduire la distance euclidienne entre les deux signaux. Que vaut cette distance dans le
cas particulier o les signaux sont orthogonaux ?
4.4.3
On dsire approximer le signal x(t) = rect(t 1/2) laide de 3 fonctions de base k (t) =
exp(kt) pour k {1, 2, 3}. On utilisera les rsultats et les notationsR du cours. On rappelle que
+
le produit scalaire de deux signaux x1 (t) et x2 (t) est not hx1 , x2 i = x1 (t)x2 (t)dt.
1. A partir du cours, donner la relation donnant lapproximation, en exprimant les paramtres
kl et k en fonction des produits scalaires.
2. Calculer les coefficients kl et k .
3. En dduire la matrice et le vecteur .
4. Calculer la matrice 1 et en dduire les coefficents k et lapproximation x
(t)
5. Calculer lerreur quadratique kek2 , puis le rapport Signal/Erreur : R = kxk2 /kek2 en grandeur normale et en dB.
4.4.4
t T /2
At
,
rect
T
T
48
(4.62)
Chapitre 5
Signaux certains
5.1 Transforme de Fourier
5.1.1
Dfinition et existence
Dfinition 5.1.1 (Transforme de Fourier) Soit un signal certain x(t), sa transforme de Fourier (TF) est une fonction complexe de la variable relle f dfinie par :
X(f ) = F{x(t)} =< x, exp(j2f t) >=
(5.1)
Remarques.
La TF existe si lintgrale
R (5.1) existe, cest--dire si x(t) est une fonction borne et absolument intgrale donc si |x(t)|dt existe.
La dimension de la variable f est [t]1 si x(t) est une fonction de t.
On note X(f ) = F{x(t)} et x(t) = F 1 {X(f )}, ou de faon abrge :
x(t) X(f ).
5.1.2
(5.3)
Soient deux signaux x(t) et y(t) admettant pour transformes de Fourier, X(f ) et Y (f ), respectivement, on peut facilement vrifier les proprits suivantes (les dmonstrations sont laisses
titre dexercice).
Linarit
x(t) + y(t) X(f ) + Y (f ).
49
(5.4)
Parit
x(t)
relle paire
relle impaire
imaginaire paire
imaginaire impaire
X(f )
relle paire
imaginaire impaire
imaginaire paire
relle impaire
On retiendra que la TF conserve la parit. Pour une fonction paire, la nature relle ou imaginaire
nest pas change. En revanche, pour une fonction impaire, la nature est modifie.
Transforme dun signal rel
La transforme de Fourier dun signal rel x(t) est une fonction complexe X(f ) telle que :
son module |X(f )| est une fonction paire de f ,
sa phase (X(f )) est une fonction impaire de f .
Complexe conjugu
x (t) X (f ).
(5.5)
1
X(f /a).
|a|
(5.6)
(5.7)
(5.8)
Translation sur t
(5.9)
(5.10)
Intgration de la variable t
Z
1
X(f ), si
x(u)du
j2f
x(u)du = 0.
(5.11)
5.1.3
(5.12)
x(t)y(t) X(f ) Y (f ).
(5.13)
On considre le signal x(t) = 1 exp(t/ )(t). Ce signal reprsente la dcharge dun condensateur de capacit C dans une rsistance R (telle que RC = ), mais aussi la rponse dun filtre
passe-bas du premier ordre (filtre RC) une impulsion de Dirac. Les spectres associs aux deux
systmes sont donc identiques.
Calcul de X(f )
Par dfinition, on crit :
R +
x(t) exp(j2f t)dt
R
1 +
exp(t/
) exp(j2f
0
t)dt
R
t
1 +
= 0 exp (j2f t + ) dt
i
h
exp ((j2f t+ t )) +
,
= 1
(j2f +1/ )
X(f ) = F{x(t)} =
=
(5.14)
do finalement :
X(f ) =
1
.
1 + j2f
(5.15)
Reprsentation de X(f )
X(f ) est une fonction complexe que lon peut reprsenter par son module et sa phase.
Le module est calcul selon sa dfinition :
p
|X(f )| = X(f )X (f ) = p
1
1 + (2f )2
(5.16)
(X(f )) = arctan(2f ),
(5.17)
est une fonction impaire de f (Fig. 5.1, en bas). Au voisinage de 0, elle est quivalente 2f ,
et les limites sont :
limf + (X(f )) = /2
(5.18)
limf (X(f )) = +/2.
51
1
0.8
0.6
0.4
0.2
0
25
20
15
10
20
15
10
10
15
20
25
0
5
frquence f
10
15
20
25
2
1
0
1
2
25
F IG . 5.1 Module (en haut) et argument (en bas) de la transforme de Fourier de x(t) ( = 0.1s)
On retiendra que pour un signal rel, x(t), la transforme de Fourier, X(f ) est telle que :
|X(f )| est paire,
(X(f )) est impaire.
5.1.4
exp(jf T )exp(jf T )
j2f
sin(f T )
f
T /2
(5.19)
=
= T sinc(f T ).
De faon abrge, on a donc :
(5.20)
(5.21)
En ce qui concerne la phase, rappelons que cest une fonction impaire : elle vaut donc 0 lorsque
sinc(f T ) 0, et lorsque sinc(f T ) < 0.
On obtient donc les tracs prsents la figure 5.2.
52
f
M o d u le d e X (f)
- p
P h a s e d e X (f)
5.1.5
Thormes de Plancherel
Thorme 5.1.1 (Thorme de Plancherel - 1) Soient x(t) et y(t) deux signaux admettant pour
transformes de Fourier X(f ) et Y (f ) respectivement, alors :
x(t) y(t) X(f )Y (f ).
(5.22)
Dmonstration
On note z(t) = x(t) y(t). Par dfinition du produit de convolution, on a :
Z +
x(u)y(t u)du.
z(t) =
(5.23)
u)du
exp(j2f t)dt
Z +
i
h
R +
y(t u) exp(j2f t)dt du.
= x(u)
|
{z
}
TF de y(tu)
(5.24)
Or, lintgrale entre crochets dans la dernire expression est la transforme de Fourier de y(t u),
cest--dire, en utilisant la rgle de translation par rapport la variable t, Y (f ) exp(j2f u).
Donc on a :
R +
Z(f ) = x(u)Y (f ) exp(j2f u)du
R +
(5.25)
= Y (f ) x(u) exp(j2f u)du
= X(f )Y (f ).
53
De faon similaire, on montre le thorme suivant (la dmonstration est laisse titre dexercice).
Thorme 5.1.2 (Thorme de Plancherel - 2) Soient x(t) et y(t) deux signaux admettant pour
transformes de Fourier X(f ) et Y (f ) respectivement, alors :
x(t)y(t) X(f ) Y (f ).
(5.26)
(5.27)
La transforme de Fourier Y (f ) peut donc tre calcule, soit directement partir de y(t), soit par
lexpression :
Y (f ) = X(f )H(f ).
(5.28)
Application du thorme de Plancherel au calcul de convolutions
On veut calculer le produit de convolution :
x(t) = sinc(t) sinc(t).
(5.29)
(5.30)
5.1.6
(5.31)
Thorme de Parseval
Thorme 5.1.3 (Thorme de Parseval) Soient x(t) et y(t) deux signaux admettant pour transformes de Fourier X(f ) et Y (f ) respectivement, alors :
Z
x(t)y (t)dt =
X(f )Y (f )df,
(5.32)
|x(t)|2 dt =
(5.33)
Ce thorme indique que lnergie est conserve dans les reprsentations en temps et en frquence.
54
Dmonstration
Calculons :
I=
X(f )Y (f )df.
(5.34)
I=
hZ
X(f )
i
y (t) exp(j2f t)dt df.
(5.35)
i
hR
+
y
(u)
exp(j2f
u)du
df,
X(f
)
i
R + h R +
= y (u) X(f ) exp(j2f u)df du.
R +
I =
(5.36)
On remarque que lintgrale entre crochet dans la dernire expression est la transforme de Fourier
inverse de X(f ) do le rsultat :
I=
y (u)x(u)du.
(5.37)
et I2 =
sinc(t)dt
sinc2 (t)dt.
(5.38)
y (t) = 1 = y(t) Y (f ) = (f ).
(5.39)
sinc(t)dt =
(5.40)
(5.41)
sinc (t)dt =
55
rect2 (f )df = 1.
(5.42)
Dfinitions
Dfinition 5.2.1 (Intercorrlation) Soient x(t) et y(t) deux signaux nergie finie, on appelle
fonction dintercorrlation entre x(t) et y(t) la fonction note xy ( ) dfinie par :
xy ( ) =
x(t)y (t )dt.
(5.43)
(5.44)
(5.45)
Dfinition 5.2.2 (Autocorrlation) Soient x(t)un signal nergie finie, on appelle fonction dautocorrlation de x(t) la fonction note xx ( ) dfinie par :
xx ( ) =
x(t)x (t )dt.
(5.46)
(5.47)
(5.48)
On en dduit notamment que lautocorrlation dun signal rel est une fonction paire.
5.2.2
Proprits
Autocorrlation
En utilisant lgalit xx ( ) = xx ( ), et en notant la fonction dautocorrlation sous la
forme xx ( ) = R( ) + jI( ), lgalit ci-dessus devient :
R( ) + jI( ) = R( ) jI( ).
(5.49)
On en dduit donc que la partie relle de xx est paire alors que sa partie imaginaire est impaire.
Pour = 0, on a en particulier xx (0) = xx (0), donc xx (0) R et vaut :
xx (0) =
x(t)x (t)dt =
|x(t)|2 dt > 0.
(5.50)
Ingalit de Schwartz
En appliquant lingalit de Schwartz sur lintercorrlation < x, y >, on obtient :
| < x, y > |2 < x, x >< y , y >,
(5.51)
(5.52)
(5.53)
La fonction dautocorrlation xx ( ) est donc borne par lnergie du signal x(t) et son module
est maximum en = 0.
5.2.3
La similarit dcriture entre corrlation et convolution (par exemple, ces deux quantits sexpriment sous forme dun produit scalaire) ne doit pas tromper. Il faut faire attention aux variables
dintgration et aux variables des fonctions obtenues.
Dans la convolution, t reste la variable et une des fonction est renverse (y(tu)) par rapport
la variable dintgration u. Dans la corrlation, le dcalage est la variable de la fonction rsultat.
La corrlation mesure la ressemblance entre les fonctions x(t) et y(t) selon le dcalage .
La convolution formalise linteraction (filtrage) entre les fonctions x(t) et y(t).
Mathmatiquement, on peut crire une relation qui permet dexprimer la fonction de corrlation comme un produit de convolution (et rciproquement). En effet,
R +
xy ( ) = x(u)y (u )du
R +
= x(u)y (( u))du
= x( ) y ( ).
(5.54)
xy ( ) = x( ) y ( ).
(5.55)
cest--dire :
Exemple
On considre les signaux :
x(t) = exp(at)(t) et
y(t) = exp(2at)(t),
(5.56)
(5.57)
En tenant compte des domaines o les fonctions chelon sont nulles, on peut expliciter xy selon
le signe de :
57
Pour > 0, on a :
xy ( ) =
R +
(5.58)
exp(a )
> 0.
3a
(5.59)
(5.60)
)
,
exp(2a ) exp(3a
3a
do le rsultat :
xy ( ) =
Pour < 0, on a :
xy ( ) =
R +
0
1
,
= exp(2a ) 3a
do le rsultat :
exp(2a )
, < 0.
3a
Globalement, on peut crire lintercorrlation sous la forme :
xy ( ) =
xy ( ) =
exp(a )
exp(2a )
( ) +
( ).
3a
3a
(5.61)
(5.62)
Compte tenu des domaines o les fonctions chelon sont nulles, on voit facilement que, pour t < 0,
lintgrale est nulle. Pour t > 0, on a :
Rt
x(t) y(t) = 0 exp(au) exp(2a(t u))du
Rt
= exp(2at) 0 exp(+au)du
(5.64)
= exp(2at) exp(at)1
a
= a1 (exp(at) exp(2at)).
Globalement, on peut donc crire :
1
(exp(at) exp(2at))(t).
(5.65)
a
Les deux rsultats sont prsents la figure 5.3, avec la fonction dintercorrlation (en haut)
et la convolution (en bas).
x(t) y(t) =
Contre-exemple
Si le signal y(t) est rel et pair, alors y ( ) = y( ) et lintercorrlation et la convolution
sont des fonctions identiques. En effet :
xy ( ) = x( ) y ( ) = x( ) y( ).
(5.66)
et
58
y(t) = tri(t/).
(5.67)
4
3
2
1
0
25
2.5
20
15
10
10
15
20
25
20
15
10
10
15
20
25
2
1.5
1
0.5
0
25
F IG . 5.3 Lintercorrlation (en haut) et la convolution (en bas) de deux signaux sont en gnral
des fonctions diffrentes
Dfinition 5.3.1 (Densit spectrale dnergie) Soient x(t) un signal nergie finie et xx ( )
sa fonction dautocorrlation, on appelle densit spectrale dnergie la fonction note Sxx (f ),
transforme de Fourier de xx ( ) :
Sxx (f ) =
xx ( ) exp(j2f )d.
(5.68)
(5.69)
(5.70)
do le rsultat :
Cette expression montre que Sxx (f ) est lnergie du signal la frquence f , do le nom de densit spectrale dnergie.
En utilisant le thorme de Parseval, on peut crire :
Z
5.3.2
Sxx (f )df =
|x(t)|2 dt = Ex .
(5.71)
Dfinition 5.3.2 Soient x(t) et y(t) deux signaux nergie finie et xy ( ) leur fonction dautocorrlation, on appelle densit interspectrale dnergie la fonction note Sxy (f ), transforme de
59
Fourier de xy ( ) :
Z
Sxy (f ) =
xy ( ) exp(j2f )d = X(f )Y (f ).
(5.72)
(5.73)
X(f )Y (f )df.
(5.74)
A partir de cette dernire relation, on retrouve encore le thorme de Parseval sous sa forme
gnrale :
Z +
Z +
x(t)y (t)dt =
X(f )Y (f )df,
(5.75)
qui indique la conservation des produits scalaires. En particulier, on remarque quune condition
suffisante pour que x(t) et y(t) soient orthogonaux est quils aient des supports frquentiels (cest-dire des spectres) disjoints.
5.3.3
Exemple
(5.76)
Pour > 0, on a :
xx ( ) =
R +
exp(a )
.
2a
(5.77)
Pour < 0, on a :
R +
(5.78)
1
exp(a| |).
2a
(5.79)
xx ( ) =
=
exp(a )
2a .
Do finalement lexpression :
xx ( ) =
60
|X(f )| df =
|x(t)|2 dt.
(5.81)
R +
Ex = |X(f )|2 df
R +
df
= a2 +(2f
)2
R
+
df
= a12 1+(2f
/a)2
R
1 a + du
= a2 2 1+u2
h
i
1
arctan(u)
= 2a
(5.82)
R +
Ex = |x(t)|2 dt
R +
= 0 [exp(at)]2 dt
R +
= 0 exp(2at)dt
h
i+
= exp(2at)
2a
(5.83)
1
2a .
1
2a .
On vrifie donc bien lgalit de Parseval, cest--dire la conservation de lnergie dans les reprsentations du signal en temps et en frquence.
5.3.4
A partir du rsultat :
xy ( ) X(f )Y (f ),
(5.84)
(5.85)
En associant le terme (j2f ) lune ou lautre des TF, on peut donc crire :
dxy ( )
dx( )
=
y ( ) = x y ( ),
d
d
61
(5.86)
ou
dy ( ) d( )
dy ( )
dxy ( )
= x( )
= x( ) y ( ) = xy ( ).
= x( )
d
d
d( ) d
(5.87)
On peut gnraliser ces deux expressions des drives dordre quelconque.
5.4.1
Les signaux puissance moyenne finie ne satisfont pas aux critres simples de convergence de
la transforme de Fourier. Pour une analyse rigoureuse (qui ne sera pas faite ici, voir le cours de
mathmatiques), il faut utiliser la notion de distribution et dintgrale au sens de Lebesgue. Nous
rappelons ci-dessous les principaux rsultats que nous utiliserons couramment par la suite.
Impulsion de Dirac
(t)
(t t0 )
exp(j2f0 t)
k
1
exp(j2f t0 )
(f f0 )
k(f )
(5.89)
(5.90)
o x
est la valeur moyenne du signal x(t) et x0 (t) est un signal de moyenne nulle. En drivant
x(t), on obtient :
dx(t)
dx0 (t)
=
= x0 (t),
(5.91)
dt
dt
do lcriture :
Z
t
x(t) =
x0 (u)du + x
,
o x
joue le rle dune constante dintgration.
62
(5.92)
1
F{x0 (u)}.
j2f
(5.93)
(5.94)
1
F{x0 (t)} + x
(f ).
j2f
(5.95)
1 1
+ sgn(t).
2 2
(5.96)
1
1
j2f F{(t)} + 2 (f )
1
1
j2f + 2 (f ).
(5.97)
F{sgn(t)} =
=
5.4.2
(5.98)
Le produit scalaire, dfini pour les signaux nergie finie, nest pas applicable pour les signaux
puissance moyenne finie, car lintgrale ne converge pas ! Pour les signaux puissance moyenne
finie, on dfinit donc la corrlation de faon un peu diffrente :
1
T + T
xy ( ) = lim
+T /2
T /2
x(t)y (t )dt.
(5.99)
R +T /2
La moyenne ( T1 T /2 ) reste une mesure de la similarit en forme et en position des deux
signaux. Elle naltre pas les proprits montres pour les signaux nergie finie :
xy ( )
|xy ( )|2
|xx ( )|
xy ( )|
yx ( )
xx (0)yy (0)
xx (0)
x y ( ) = xy ( )
(5.100)
Attention, dans les quations prcdentes, xx (0) est gale la puissance moyenne du signal
x(t).
63
x (t)
x (t, T )
T /2
5.4.3
Dfinition 5.4.1 (Densit spectrale de puissance) Soit x(t) un signal puissance moyenne finie,
on appelle densit spectrale de puissance (DSP) la transforme de Fourier de sa fonction dautocorrlation :
Z
+
Sxx (f ) = F{xx ( )} =
xx ( ) exp(j2f )d.
(5.101)
(5.102)
Px = limT +
=
(5.103)
1
|X(f, T )|2 .
T + T
(5.104)
R +T /4
T /4 exp(j2f t)dt
exp(j2f T /4)exp(j2f T /4)
exp(j2f T /4)
j2f
T /4)
exp(j2f T /4) sin(2f
f
exp(j2f T /4)sinc(f T /2) T2 .
64
(5.105)
(5.106)
(5.107)
xx ( ) = limT +
=
= 1/2.
(5.108)
(f )
.
2
(5.109)
Soit x(t) un signal priodique de priode T . Sil satisfait les conditions de Diriclet, on peut le
dvelopper en sries de Fourier :
n
Xn exp j2 t ,
T
n=
(5.111)
+
X
n
Xn f
Xn (f fn ),
=
T
n=
n=
(5.112)
x(t) =
+
X
+
X
65
x (t)
x (t, T )
t
T
X (f, T )
f
X
-1
X (f )
0
1 /T
X
1
X
2
2 /T
F IG . 5.5 La fonction priodique x(t) (en haut), le spectre dune priode X(f, T ) (au milieu) et
le spectre X(f ) (en bas)
avec fn = n/T , et :
1
Xn =
T
t0 +T
t0
1
n
x(t) exp j2 t dt = X(n/T, T ).
T
T
(5.113)
On remarque que le coefficient Xn nest autre que la transforme de Fourier dune priode du
signal la frquence fn = n/T .
Daprs la relation (5.112), le spectre dun signal priodique de priode T est donc un spectre
de raies, localises aux frquences fn = n/T et damplitude Xn = X(f )(f fn )/T . Ceci est
illustr la figure 5.5.
(5.114)
+
X
Yn (f fn ),
n=
66
(5.115)
avec fn = n/T . En utilisant les proprits du produit de convolution par un Dirac, on peut alors
dvelopper Z(f ) :
P
Z(f ) = X(f ) +
n= Yn (f fn ),
P+
(5.116)
=
Y
n= n X(f fn ).
Le spectre rsultant est donc un spectre priodis, obtenu comme la somme des spectres X(f )
dcals de n/T et pondrs par Yn
Transforme de Fourier dun peigne de Dirac (oprateur dchantillonnage)
Soit T (t) le peigne de Dirac de priode T :
T (t) =
+
X
(t nT ).
(5.117)
n=
Cete fonction est priodique et son dveloppement en sries de Fourier (complexes) scrit :
T (t) =
+
X
n exp(j2fn t),
(5.118)
n=
avec fn = n/T et :
n =
=
=
R
1 +T /2
T T /2 T (t) exp(j2fn t)dt
R
1 +T /2
T T /2 T (t) exp(0)dt
1
T,
(5.119)
car T (t) ne possde quune seule impulsion (en f0 = 0) dans lintervalle [T /2, +T /2]. On a
donc :
+
1 X
T (t) =
exp(j2fn t).
(5.120)
T n=
La transforme de Fourier est alors simplement :
+
1
1 X
(f n/T ) = 1/T (f ).
F{T (t)} =
T n=
T
(5.121)
La transforme de Fourier dun peigne de Dirac T (t) de priode T est un peigne de Dirac
1
T 1/T (f ) de priode 1/T (Fig. 5.6).
5.5.2
Enveloppe spectrale
On peut formaliser un signal priodique de priode T comme la rptition dun signal x(t, T )
( nergie finie) avec un dcalage temporel de T , que lon peut crire :
x(t) = repT {x(t, T )} = x(t, T ) T (t).
(5.122)
(5.123)
o fn = n/T .
La fonction T1 X(f, T ) est une fonction continue de f . Cest lenveloppe spectrale des poids
des raies (f fn ) du spectre de x(t).
67
d T(t)
1
-T
2 T
T
1 /T
1 /T
(f)
1 /T
2 /T
F IG . 5.6 Peigne de Dirac T (t) de priode T (en haut) et sa transforme de Fourier (en bas), qui
est un peigne de Dirac de priode 1/T
Exemple
On considre le signal carr priodique, illustr la figure 5.7 :
x(t) = repT {Arect(t/)} = Arect(t/) T (t).
(5.124)
1
(f ).
T 1/T
(5.125)
(5.126)
et la transforme de Fourier est le spectre de raies aux frquences fn = n/T dont les amplitudes
sont donnes par lenveloppe spectrale.
5.5.3
On rappelle que pour des signaux puissance moyenne finie, x(t) et y(t), la fonction dintercorrlation est dfinie par :
1
xy ( ) = lim
+
+/2
/2
x(t)y (t )dt.
(5.127)
Pour des signaux priodiques de priode T , le calcul de la limite est inutile. Il suffit dintgrer
sur une seule priode :
Z
1 +T /2
x(t)y (t )dt,
(5.128)
xy ( ) =
T T /2
68
x (t)
1
-q /2
-T
q /2
X (f)
A q /T
2 T
e n v e lo p p e s p e c tr a le
f
1 /q
-1 /q
1 /T
2 /q
2 /T
F IG . 5.7 Transforme de Fourier dun signal priodique : signal carr priodique x(t) (en haut) ;
lenveloppe spectrale du signal est un sinc (en tiret en bas), sa transforme de Fourier X(f ) est un
spectre de raies (en bas) dont les amplitudes suivent lenveloppe spectrale
ou plus gnralement :
1
xy ( ) =
T
t0 +T
t0
x(t)y (t )dt.
(5.129)
Puisque les signaux x(t) et y(t) sont priodiques de priode T , on peut les dvelopper en
sries de Fourier :
P+
k
t
,
X
exp
j2
x(t) =
k= k
T
(5.130)
R
t +T
avec Xk = T1 t00 x(t) exp j2 Tk t ,
et :
y(t) =
avec
Yl
l
Y
exp
j2
t
,
l
l=
T
R t0 +T
l
y(t)
exp
j2
t
.
T
t0
P+
1
T
(5.131)
Fonction dintercorrlation
La fonction dintercorrlation sexprime alors :
xy ( ) =
=
=
Or,
R
P+
1 +T /2 P+
l
k
k=
l= Xk exp j2 T t Yl exp j2 T (t )
T T /2
R
P
P
+T /2
+
+
1
kl
exp j2 l
exp
j2
X
Y
t
dt,
k=
l= k l
T
T T /2
T
P
P
+
+
1
l
k=
l= Xk Yl exp j2 T T sinc(k l).
T
sinc(k l) =
sin (k l)
=
(k l)
69
1 k=l
0 k=
6 l,
dt,
(5.132)
(5.133)
do le rsultat :
xy ( ) =
n
Xn Yn exp j2 .
T
n=
+
X
(5.134)
Fonction dautocorrlation
La fonction dintercorrlation est donc une fonction priodique de priode T comme le montre
lexpression (5.134) qui a la forme dun dveloppement en sries de Fourier dun signal de priode
T.
De faon similaire, on peut calculer la fonction dautocorrlation :
xx ( ) =
+
X
n
n
Xn Xn exp j2 =
|Xn |2 exp j2 ,
T
T
n=
n=
+
X
(5.135)
qui est aussi (et pour les mmes raisons) une fonction priodique de priode T .
5.5.4
Par dfinition, on rappelle que la densit spectrale de puissance est la transforme de Fourier
de la fonction dautocorrlation. Or, selon (5.134), cette dernire scrit :
xx ( ) =
n
|Xn |2 exp j2 .
T
n=
+
X
(5.136)
n
|Xn |2 f
.
T
n=
+
X
(5.137)
1
1
F{x(t, T )}f =n/T = X(f, T )(f n/T ).
T
T
(5.138)
+
n
1 X
2
|X(f,
T
)|
,
T 2 n=
T
(5.139)
1
|X(f, T )|2 1/T (f ).
T2
(5.140)
Pour un signal priodique de priode T , la densit spectrale de puissance est donc un spectre de
raies situes aux frquences fn = n/T et denveloppe |X(f, T )|2 /T 2 .
70
5.5.5
Par dfinition, cest la transforme de Fourier de xy ( ). Par des calculs similaires ceux
raliss pour le DSP, on trouve :
Sxy (f ) =
n
Xn Yn f
,
T
n=
+
X
(5.141)
1
X(f, T )Y (f, T )1/T (f ).
T2
(5.142)
5.6 Exercices
5.6.1
Parit
On veut montrer les proprits de parit de la transforme de Fourier (TF). On considre un
signal complexe x(t) = x1 (t) + jx2 (t) dont on note la transforme de Fourier X(f ) = R(f ) +
jI(f ).
1. Exprimer R(f ) et I(f ) sous forme dintgrales fonction de x1 (t), x2 (t), sin(2f t) et
cos(2f t).
2. Cas dun signal x(t) rel. Ecrire les formes simplifies de R(f ) et I(f ). Calculer ensuite
R(f ) et I(f ). Montrer alors que X(f ) = X(f ) .
3. Discuter ensuite le cas particulier dun signal rel pair et dun signal rel impair.
4. Cas dun signal x(t) imaginaire pur. Ecrire les formes simplifies de R(f ) et I(f ). Calculer
ensuite R(f ) et I(f ). Montrer alors que X(f ) = X(f ) .
5. Discuter ensuite le cas particulier dun signal imaginaire pair et dun signal rel impair.
Proprits diverses
On considre le signal x(t) dont la transforme de Fourier (TF) est note X(f ).
1. Montrer que x (t) X (f ).
2. Montrer que x(at)
f
1
|a| X( a )
6. Montrer que
7. Montrer que
dn x
n
dtn (t) (j2f ) X(f ).
Rt
1
x(u)du j2f X(f ).
5.6.2
1
, pour > 0.
+ j2f
(5.143)
2. Montrer que :
rect(t/T ) T sinc(f T ).
(5.144)
j
j
si f < 0,
si f > 0.
(5.145)
72
2
.
+ (2f )2
(5.146)
(5.147)
2. Montrer ce rsultat en exprimant la transforme de Fourier de x(t) sous forme dun produit
de convolution dans le domaine des frquences.
5.6.3
2. Calculer ensuite la phase de X(f ) et la tracer dans les trois cas : t0 < T /2, t0 = T /2
et t0 > T /2. On tiendra compte que le spectre de phase dun signal rel est une fonction
impaire.
Fonction tri
1. Montrer que tri(t) = rect(t) rect(t).
5.6.4
Convolution et corrlation
5.6.5
sin 3 sin(t )
d.
(5.149)
2. En utilisant la relation :
x (t)y(t)dt =
X (f )Y (f )df,
(5.150)
sinc(f )df = 1,
(5.151)
sinc2 (f )df = 1,
(5.152)
(5.153)
Calcul dnergie
Calculer lnergie totale du signal rel x(t) = t exp(t)(t) :
1. en oprant sur la reprsentation temporelle,
2. en oprant dans le domaine frquentiel, par application du thorme de Parseval.
Indications : dans la seconde mthode, on posera :
Z +
du
I2 =
,
2 2
(1 + u )
(5.154)
74
1
.
1 + u2
(5.155)
5.6.6
Exponentielle dcroissante
Soit le signal x(t) = exp(at)(t).
1. Calculer la fonction dauto-corrlation xx ( ) de x(t).
2. Calculer ensuite la densit spectrale dnergie Sxx (f ) de x(t).
3. Vrifier ensuite lgalit : Sxx (f ) = |X(f )|2 .
4. Tracer xx ( ) et Sxx (f ).
Signal rectangle
A
2
cos(2f0 t + /4).
(5.156)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
5
5.6.7
Filtrage
4. Autre approche pour le filtre rcursif : calculer directement la relation entre Y (f ) et X(f ).
En dduire la fonction de transfert du filtre rcursif, Hr (f ), puis la rponse impulsionnelle
hr (t).
x (t)
+
H ( f )
a
F IG . 5.9 Filtre rcursif.
77
y (t)
Chapitre 6
Signaux alatoires
Par dfinition, un signal alatoire ne peut pas tre dcrit par une loi mathmatique qui prdit
sa valeur chaque instant, car cette valeur nest pas prdictible analytiquement. En revanche, on
peut dcrire ses proprits laide de probabilits et de statistiques.
Mathmatiquement, un signal alatoire sera considr comme la ralisation dun processus
alatoire (random process), et la valeur prise un instant ti comme une variable alatoire.
Lintrt de la notion de signal alatoire est de permettre la modlisation de nombreux phnomnes, par exemple :
larrive de particules ,
le bruit thermique d lagitation thermique dans un conducteur,
les perturbations lies aux astres sans intrt pour lastrophysiciens,
les perturbations lies laction du soleil ou de brouilleurs en tlcommunications,
etc.
Exemple
Considrons une diode Zner polarise par un courant I en rgime davalanche une temprature T0 (Fig. 6.1 gauche). La tension aux bornes du composant est une tension avec de fortes
fluctuations que lon peut modliser par :
V (t) = VZ + B(t).
(6.1)
A laide dun oscilloscope (en AC) et en choisissant le facteur damplification maximum, on peut
observer le bruit B(t) (Fig. 6.1 droite).
V (t)
Z n e r
B (t)
0
. 8
. 6
. 4
. 2
t
0
- 0
. 2
- 0
. 4
- 0
. 6
- 0
. 8
0
Supposons que lon effectue la mme exprience sur N dispositifs similaires, on obtient N
preuves, notes B(t, j ) du processus alatoire B(t, ). Par ailleurs, lensemble des valeurs prises
par les diffrentes preuves un instant ti , correspond aux ralisations de la variable alatoire
B(ti ). Une ralisation (une preuve) est un signal alatoire de dimension infinie ; une ralisation
chantillonne est un vecteur alatoire (de dimension finie ou infinie). La figure 6.2 reprsente
quelques ralisations de ce processus alatoire.
B ( t,z )
z
z
z
3
. 8
0
. 6
0
. 4
0
. 8
0
. 6
0
. 4
0
1
-
. 8
0
. 6
0
. 4
0
. 2
t
0
. 2
. 4
. 6
. 8
0
. 2
0
. 2
. 4
. 6
. 8
0
. 2
0
. 2
. 4
. 6
. 8
0
B ( t i)
Processus alatoire
Dfinition 6.1.1 (Processus alatoire) Un processus alatoire (ou stochastique) est une famille
de fonctions X(t), relles ou complexes, dfinies dans un espace de probabilit, cest--dire dpendant de deux variables, dont lune est le temps t (usuellement, mais cela peut tre lespace
pour des images), et dont lautre est la variable de lespace des preuves .
Selon que les variables sont continues ou discrtes, on parle de processus alatoires continus
ou discrets.
Si le temps est discret en raison dun chantillonnage, on a une suite alatoire. Si le temps est
discontinu et que le signal apparat des instants alatoires, on parle de processus ponctuel.
Exemples
processus gaussiens : processus continus,
processus de Poisson : processus ponctuels,
processus chantillonns : processus discrets.
79
6.1.2
Signaux alatoires
Pour une ralisation i donne, le processus alatoire X(t, ) se rduit une fonction x(t, i )
que lon notera simplement xi (t) : cest un signal alatoire.
Par convention, un signal alatoire x(t) est considr comme un signal puissance moyenne
finie, dont la puissance est calcule par lquation :
1
Px = lim
T + T
+T /2
T /2
|x(t)|2 dt.
(6.2)
1
f (x) = lim
T + T
+T /2
x(t)dt,
(6.3)
f (x(t))dt.
(6.4)
T /2
6.1.3
+T /2
T /2
Variables alatoires
Par ailleurs, chaque instant ti , le processus alatoire X(t, ) se rduit une variable alatoire
X(ti , ), note simplement X(ti ) ou Xi , dont le comportement ncessite la connaissance de sa
fonction de rpartition :
FXi (u) = FX (u, ti ) = Prob(Xi u),
(6.5)
ou de sa densit de probabilit :
pXi (u) = pX (u, ti ) =
d
FX (u).
du i
(6.6)
N
1 X
Xn ,
N + N
lim
(6.7)
n=1
upX (u)du.
(6.8)
80
f (u)pX (u)du.
(6.9)
6.1.4
Vecteurs alatoires
(6.10)
6.1.5
Statistique dordre 1
(6.11)
et sa densit de probabilit :
pXi (u) = pX (u, ti ) =
d
FX (u).
du i
(6.12)
u pXi (u)du.
(6.13)
un pXi (u)du.
(6.14)
Xi ,n = X,n (ti ) =
E[Xin ]
Xi ,n
X,n (ti )
= E[(Xi E[Xi ]) ] =
81
(6.15)
X,2 (ti )
= E[(Xi E[Xi ]) ] =
(6.16)
la variance sexprime aussi de faon gnrale partir de la moyenne et du moment (non centr)
dordre 2 :
R +
Xi ,2 = (u E[Xi ])2 pXi (u)du,
R +
= (u2 2uE[Xi ] + E[Xi ]2 ) pXi (u)du,
R +
R +
R +
(6.17)
= u2 pXi (u)du 2E[Xi ] u pXi (u)du + E[Xi ]2 pXi (u)du
= E[Xi2 ] E[Xi ]2 .
La variance est une mesure de la dispersion de la VA autour de sa moyenne. Sa racine carre est
appele cart-type (standard deviation).
Loi gaussienne
Si la variable X suit une loi gaussienne (ou normale), de moyenne nulle et de variance 2 , sa
densit de probabilit scrit :
1
u2
pX (u) =
(6.18)
exp 2 .
2
2
De faon abrge, on notera X N (0, 2 ). On remarque que la densit de probabilit en u =
vaut :
1
1
.
(6.19)
pX () =
exp
2
2
De plus, la probabilit dobserver une valeur |u| vaut :
Z +
pX (u)du = 0, 667.
(6.20)
Prob(|u| ) =
(6.21)
(6.22)
1/2
+1/2
u2 du =
1/2
1
.
12
(6.23)
1
.
12
(6.24)
6.1.6
Statistiques dordre 2
(6.25)
et la densit de probabilit :
pX (u1 , u2 ) =
2 FX (u1 , u2 )
.
u1 u2
(6.26)
(6.27)
(6.28)
ainsi que la fonction dautocovariance, qui nest autre que la fonction dautocorrlation des variables centres :
Z + Z +
(u1 E[X1 ])(u2 E[X2 ])pX (u1 , u2 )du1 du2 .
Cxx (t1 , t2 ) = E[(X1 E[X1 ])(X2 E[X2 ])] =
(6.29)
(6.30)
2 .
Si t1 = t2 , on a videmment Cxx (t1 , t1 ) = X
1
Stationnarit
Dfinition 6.2.1 (Stationnarit au sens strict) Un processus alatoire est dit stationnaire au sens
strict (strict sense) si toutes ses proprits statistiques sont invariantes un changement dorigine
du temps.
Dfinition 6.2.2 (Stationnarit au sens large) Un processus alatoire est dit stationnaire au sens
large (large sense) si toutes ses proprits statistiques dordre 1 et 2 sont invariantes un changement dorigine du temps.
Pour un processus alatoire stationnaire au sens strict, on a donc pXi (u) = pXj (u) = pX (u), i, j.
Par consquent, lordre 1, on a :
E[Xi ] = E[X]
2
2 .
X
= X
i
83
(6.31)
(6.32)
A partir (6.30) et de (6.31), on vrifie que lautocovariance et lautocorrlation sont lies par la
relation :
Cxx ( ) = Rxx ( ) E[X]2 .
(6.33)
6.2.2
Ergodisme
Dfinition 6.2.3 (Ergodicit) Un processus alatoire est dit ergodique (ergodic) si les valeurs
moyennes statistiques (densemble sur ) sont gales aux valeurs moyennes temporelles (sur une
seule ralisation) :
Z
Z +
1 +T /2
f [x(t)]dt = f (x).
f (u)pX (u)du = lim
E[f (X)] =
(6.34)
T + T T /2
La consquence de cette hypothse est trs importante en pratique. Elle permet de remplacer les calculs de moments statistiques (qui supposent connues les densits de probabilit ou les
fonctions de rpartition) par les moyennes temporelles sur une seule ralisation (observation). En
pratique, faire une estimation de la moyenne temporelle sur une fentre de taille infinie est impossible. Il faut se contenter dune approximation calcule sur une fentre de taille finie, qui tendra
asymptotiquement, avec la taille de la fentre, vers la moyenne temporelle.
Cette hypothse dergodicit est cependant difficile vrifier. On admettra frquemment que
les processus alatoires usuels sont ergodiques.
Contre-exemple
Soit un processus alatoire X(t, ) tel que chaque ralisation (pour i ) Xi (t) = a, o a est une
valeur tire au hasard comme ralisation dune variable alatoire A de densit pA (u).
De faon vidente, la moyenne temporelle sur une ralisation est gale :
Xi (t) = a,
(6.35)
(6.36)
A priori, A 6= a et par consquent le processus ainsi dfini nest gnralement pas ergodique.
Autocorrlation
84
(6.37)
+T /2
T /2
x(t)x(t )dt.
(6.38)
(6.39)
En pratique,
calculer Rxx ( ) demande la connaissance de la densit de probabilit, cest--dire un modle statistique du signal et souvent un calcul thorique ;
calculer xx ( ) est impossible rigoureusement, car la ralisation x(t) nest pas connue sur
R ; on ne peut donc quen faire une estimation (approximation) sur une fentre temporelle
finie :
Z
1 +T /2
d
(
)
=
x(t)x(t )dt,
(6.40)
xx
T T /2
6.3.2
d
qui vrifie limT +
xx ( ) = xx ( ).
Autocovariance
(6.41)
6.3.3
Proprits
Dans ce paragraphe et dans la suite, on considre des processus, signaux et variables alatoires
rels. Dans le cas complexe, dans les dfinitions de lautocorrlation (6.40), le second terme, x(t
), doit tre simplement conjugu.
Parit
Les fonction dautocorrlation et dautocovariance sont paires pour des processus rels :
Rxx ( ) = Rxx ( )
1
et Cxx ( ) = Cxx ( ).
on note que la dfinition suppose implicitement que le signal est puissance moyenne finie
85
(6.43)
Valeur en = 0
En = 0, on a
2
Cxx (0) = X
2
et Rxx (0) = X
+ 2X .
(6.44)
La quantit Cxx (0) correspond la puissance moyenne des fluctuations du signal, alors que
Rxx (0) correspond la puissance moyenne totale.
Ingalits
Comme pour les signaux dterministes, on a les ingalits suivantes :
|Rxx ( )| Rxx (0)
(6.45)
(6.46)
do lencadrement :
Rxx (0) Rxx ( ) +Rxx (0)
(6.47)
(6.49)
(6.50)
| |
et
| |
| |
(6.51)
X X
(0 )
m
2
X X
(t )
C
X X
(t )
F IG . 6.3 Allure typique de la fonction dautocorrlation statistique dun processus alatoire sans
composante priodique
Si les instants dchantillonnage ti sont rguliers, de la forme ti = t1 + (i 1)Te , o Te est la
priode dchantillonnage, on a :
Rxx (0)
Rxx (Te )
Rxx (Te )
Rxx (0)
(6.52)
RXX =
.
..
..
..
.
.
.
Rxx ((k 1)Te )
Rxx (Te )
Rxx (0)
Cette matrice est symtrique et chaque diagonale est constitue dlments identiques.
Dans le cas complexe, la dfinition est RXX = E[XXH ], o XH est le transpos conjugue
de X. La matrice de corrlation nest plus symtrique, mais hermitienne (on parle de symtrie
hermitienne), cest--dire : RXX )ij = RXX )ji .
Une matrice dont chaque diagonale est constitue dlments identiques sappelle matrice de
Toeplitz. Cest donc le cas de la matrice de corrlation, dans le cas de variable relle comme
complexe.
Matrice de covariance
On dfinit galement une matrice de covariance partir du vecteur alatoire centr :
Cxx (0)
Cxx (Te )
Cxx (Te )
Cxx (0)
CXX =
.
..
..
.
.
.
.
.
Cxx (Te )
Cxx (0)
(6.53)
2 , cest--dire la variance de
Les lments de la diagonale principale sont gaux Cxx (0) = X
X(t). Pour cette raison, cette matrice est parfois appele matrice de variance-covariance.
a:
E[(X(t) X(t ))2 ] =
=
=
=
d2 (X, X )
R + R +
2
(u1 u2 ) pX1 X2 (u1 , u2 ; )du1 du2
2
2[X Cxx ( )]
2 [1 ( )].
2X
X
(6.54)
Dfinition
Comme pour les signaux certains puissance moyenne finie, la transforme de Fourier dune
ralisation xi (t) dun processus alatoire nexiste pas, car lintgrale :
Z +
|xi (t)|dt
(6.55)
ne converge pas.
On peut dfinir la densit spectrale de puissance (DSP) comme la limite de la DSP sur une
fentre de largeur T , lorsque T +, si la limite existe. Soit xi (t) une ralisation dun processus
alatoire X(t, ), notons :
xi (t, T ) = xi (t)rect(t/T ),
(6.56)
sa restriction sur une fentre de largeur T centre sur lorigine (Fig. 6.4), qui vrifie videmment :
limT + xi (t, T ) = xi (t).
x i( t , T )
.
0
x i( t )
4
2
0
8
0
- T /2
T /2
t
2
(6.57)
(6.58)
o Sxi xi (f, T ) = |Xi (f, T )|2 /T est la DSP de xi (t, T ). Cette DSP est une grandeur alatoire car
elle change pour chaque nouvelle ralisation de xi (t) : on lappelle aussi priodogramme.
88
Les proprits spectrales du processus (restreint sur T )sont donc contenues dans la moyenne
statistique (sur lensemble des ralisations) des Sxi xi (f, T ), cest--dire :
Sxx (f, T ) = Exi [Sxi xi (f, T )] = Exi [|Xi (f, T )|2 /T ]
(6.59)
h |X (f, T )|2 i
i
.
T
(6.60)
En pratique, Sxx (f ) ne peut pas tre calcule. Cest une quantit purement thorique. Cependant, si le signal est stationnaire et ergodique, on peut approximer la DSP par des priodogrammes
moyenns :
N
N
1 X
1 X
Sxn xn (f, T ) =
|Xn (f, T )|2 .
(6.61)
Sxx (f ) =
N
NT
n=1
6.4.2
n=1
Thorme de Wiener-Khintchine
Thorme 6.4.1 (Thorme de Wiener-Khintchine) La densit spectrale de puissance dun processus alatoire stationnaire au sens large est la transforme de Fourier de sa fonction dautocorrlation :
Z
+
Sxx (f ) =
(6.62)
Dmonstration
Partons du priodogramme dun signal rel xi (t, T ) dfini au paragraphe prcdent :
Sxi xi (f, T ) =
=
1
(f, T )X (f, T ),
i
TX
Ri R
1 + +
x
T i (t)xi (t )rect(t/T )rect(t /T ) exp(j2f (t
t ))dtdt
(6.63)
Dans le terme exponentiel, t apparat avec le signe pour obtenir la TF Xi (f, T ). Puisque le
processus est stationnaire, seule la diffrence = t t compte. On pose donc le changement de
variables :
t = t
dtdt = d dt,
(6.64)
t = t
car le Jacobien de la transformation vaut |J| = 1. En prenant lesprance mathmatique et en
intervertissant les oprateurs dintgration et desprance, on arrive :
Sxx (f, T ) = E[Sxi xi (f, T )],
R + R +
= T1 E[x
hRi (t)xi (t )]rect(t/T )rect[(t i )/T ] exp(j2f )dtd,
R
+
1 +
= T Rxx ( ) rect(t/T )rect[(t )/T ]dt exp(j2f )d.
(6.65)
Or, le terme entre crochets est la fonction dautocorrlation de rect(t/T ) qui vaut T tri( /T ). Do
finalement :
Z
+
Sxx (f, T ) =
89
(6.66)
(6.67)
tr i(t/T )
1
-T
4. Pour = 0, on a :
Rxx (0) = Px =
Sxx (f )df,
(6.69)
(6.70)
(6.71)
Sxx (f ) = F{Cxx ( )} + 2x (f ).
(6.72)
on dduit :
6.4.3
Dfinition 6.4.1 (Bruit blanc) On appelle bruit blanc un processus alatoire W dont la densit
spectrale de puissance est constante, f :
1
SW W (f ) = = cte.
2
90
(6.73)
Le bruit DSP constante est dit blanc par analogie avec la lumire blanche qui contient toutes
les longueurs donde de la lumire visible.
Le bruit blanc correspond un modle purement thorique. En effet, il est physiquement irralisable car il contient des frquences infinies et sa puissance moyenne est infinie. Cest cependant
un modle trs pratique et utile pour reprsenter des signaux dont le spectre est constant, au moins
sur une large bande de frquence.
La fonction dautocorrlation dun bruit blanc est une impulsion de Dirac (Fig. 6.6). En effet,
par transforme de Fourier inverse, on a :
1
1
SW W (f ) = RW W ( ) = ( ).
2
2
(6.74)
Le bruit blanc filtr par un filtre idal de largeur de bande B (Fig. 6.7) donne un signal alatoire
h /2
W W
(t )
h /2
t
W W
(f)
f
SW W (f )df = B.
(6.75)
W W
- B
(f)
B
W W
(f)
f
f
B
B
F IG . 6.7 Bruit blanc filtr par des filtres idaux de largeur de bande B
Remarque
La tension de bruit thermique dans une rsistance, selon le modle de Nyquist, est un bruit
blanc dont la DSP et la puissance moyenne, sur une largeur de bande B, sont :
e2 (f ) = 4kT R
et P =
91
(
e2 (f )/R)df = 4kT B.
(6.76)
Intercorrlation
(6.77)
Si les processus sont stationnaires et rels, leur statistique dordre 2 ne dpend que de = t1 t2 .
On peut dfinir lintercorrlation statistique par :
Rxy ( ) = E[X1 Y2 ] =
+ Z +
(6.78)
Rxy ( ) = xy ( ) = lim
6.5.2
+T /2
T /2
x(t)y(t )dt.
(6.79)
T + T
6.5.3
(6.80)
Intercovariance
+ Z +
En dveloppant lesprance selon les rgle de linarit de cet oprateur, on montre facilement :
Cxy ( ) = Rxy ( ) X Y .
(6.82)
Si les processus x(t) et y(t) sont statistiquement indpendants, ou simplement non corrls, on a :
Cxy ( ) = 0.
(6.83)
Cxy ( )
.
x y
(6.84)
Ce coefficient vrifie |xy ( )| 1. Il mesure le degr de dpendance linaire entre les variables
alatoires X1 et Y2 .
92
6.5.4
Fonction de cohrence
|Sxy (f )|2
.
Sxx (f )Syy (f )
(6.85)
Soient un vecteur alatoire X = (X1 , . . . , Xk )T , et Y le vecteur alatoire obtenue par application dune transformation f sur X : Y = f (X). Les proprits statistiques (densit de probabilit,
etc.) du vecteur Y sont diffrentes de celles du vecteur X, mais peuvent sen dduire.
En effet, considrons la transformation :
y1 = f1 (x1 , . . . , xk ),
..
(6.86)
.
yk = fk (x1 , . . . , xk ),
et soit g la transformation inverse, cest--dire telle que X = g(Y). On a alors :
pY (y1 , . . . , yk ) = |J|pX (x1 , . . . , xk ),
(6.87)
Exemple 1
J=
x1
y1
...
..
.
xk
y1
x1
yk
..
.
...
xk
yk
(6.88)
do :
1
|J| = ,
a
1 y b
.
pY (y) = pX
a
a
93
(6.89)
(6.90)
Exemple 2
Soit la transformation vectorielle Y = AX, avec A est une matrice rgulire. On note la
transformation inverse X = A1 Y. Le Jacobien de la transformation inverse est alors :
|J| = | det A1 | = 1/| det A|,
(6.91)
(6.92)
do :
6.6.2
1 0
1 1
et A
1
=
det A
(6.93)
1 0
1 1
(6.94)
(6.95)
(6.96)
Dans le cas particulier o les variables X et Y sont indpendantes, la densit jointe est le produit
des densits marginales : pXY (x, z x) = pX (x)pY (z x), et on a la relation simplifie :
Z +
pX (x)pY (z x)dx = (pX pY )(z).
(6.97)
pZ (z) =
On retiendra que pour des variables alatoires indpendantes, la ddp de la somme est gale la
convolution des ddp marginales. Cette relation peut se gnraliser pour une somme de plus de 2
VA.
Fonction caractristique
La premire fonction caractristique X () dune VA X est la transforme de Fourier inverse
de sa densit de probabilit pX (u) :
Z +
pX (u) exp(j2u)du.
(6.98)
X () =
94
i Xi ,
la densit de
(6.99)
6.6.3
(6.100)
(6.101)
6.6.4
= a2 E[X(t)X(t )] + abE[X(t)Y
(t )] + baE[Y
(t)X(t )] + b2 E[Y (t)Y (t )],
(6.102)
Si les VA sont indpendantes les intercovariances sont nulles et les intercorrlations se rduisent au produit des moyennes, do le rsultat :
Rzz ( ) = a2 Rxx ( ) + b2 Ryy ( ) + 2abX Y .
(6.103)
De plus, si les VA ont des moyennes nulles, lquation prcdente se simplifie encore :
Rzz ( ) = a2 Rxx ( ) + b2 Ryy ( ).
95
(6.104)
6.6.5
(6.105)
(6.106)
De plus, si les VA ont des moyennes nulles, partir de la transforme de Fourier de lquation
(6.104), on obtient :
Szz (f ) = a2 Sxx (f ) + b2 Syy (f ).
(6.107)
Consquences
La variance (cest--dire Rzz (0)) de la somme de 2 signaux centrs statistiquement indpendants, Z(t) = aX(t) + bY (t), est gale la somme des variances de chaque terme. En effet,
daprs (6.103), au point = 0), on a :
Rzz (0) = a2 Rxx (0) + b2 Ryy (0).
(6.108)
P
La VA somme de n VA de mme moyenne et de mme variance, Z(t) = ( i Xi (t)) est telle que :
crot proportionnellement
2 crot proportionnellement
n
n,
(6.109)
2
n.
2
(6.110)
6.7 Exercices
6.7.1
Rappels de probabilit
1 si 0 u
0 ailleurs.
Sont-elles indpendantes ?
96
2 et 0 v u,
(6.111)
5. Soient deux signaux alatoires indpendants, x(t) et y(t), de densits de probabilit marginales respectives pX (u) et pY (v). Calculer la densit de probabilit de z(t) = ax(t) +
by(t) + c o a, b et c sont trois constantes relles.
6. Une tension alatoire x(t) est uniformment distribue dans lintervalle [0, A]. Reprsenter
sa densit de probabilit, sa fonction de rpartition. Calculer la probabilit pour que sa
puissance instantane soit suprieure A2 /4 et A2 /2.
6.7.2
Stationnarit
6.7.3
On considre le signal alatoire x(t) = s(t)+n(t), o s(t) et n(t) sont deux signaux alatoires
de densits de probabilit connues, notes pS (u) et pN (v), et de densit jointe pSN (u, v).
Densit de probabilit
On calculera la densit de probabilit de deux faons diffrentes.
Mthode 1 :
1. Calculer la fonction de rpartition, FX (u) de x(t) en fonction de pSN (u, v). En dduire la
densit de probabilit, pX (u).
2. Sachant que les variables S et N sont indpendantes, montrer que la densit sexprime sous
la forme dun produit de convolution.
Mthode 2 :
1. On pose y(t) = n(t). On associe le vecteur (x(t), y(t))T au vecteur (s(t), n(t))T par une
transformation linaire inversible, reprsente par une matrice A que lon dterminera. Calculer la transformation inverse A1 .
97
2. En utilisant les rsultats du cours sur les densits de fonctions de vecteurs alatoires, calculer
la densit jointe pXY (u, v).
3. En dduire, par marginalisation, la densit pX (u).
4. Donner le rsultats sous lhypothse dindpendance de S et N .
Auto-corrlation
1. Calculer lauto-corrlation statistique RXX ( ) en fonction de RSS ( ), RN N ( ), E[N ] et
E[S].
2. Que devient cette expression si S et N sont indpendants ?
3. Que devient cette expression si lune des variables, S ou N , est en plus centre ?
Puissance du signal
Sous lhypothse dindpendance de S et N , calculer la puissance moyenne du signal, PX , et
exprimer la en fonction des moments statistiques de S et de N , dans le cas o ces variables sont
centres ou non.
6.7.4
On considre un signal binaire cadenc, x(t), qui met un nouveau symbole toutes les T
secondes. Ce signal prend deux valeurs, x0 (t) et x1 (t), avec les probabilits p0 et p1 . Les symboles
successifs sont supposs indpendants.
Distribution et moments de x(t)
1. Donner la distribution pX (u) du signal x(t).
2. Calculer lesprance E[X] du signal x(t).
3. Calculer E[X 2 ].
Auto-corrlation
1. Calculer RXX ( ) pour | | > T
2. Pour | | < T , sachant que deux vnements exclusifs, x(t) = x(t ) ou x(t) 6=
2 et 2 et des probabilix(t ), peuvent se produire, crire RXX ( ) en fonction de X
X
ts Prob(x(t) = x(t )) et Prob(x(t) 6= x(t )).
3. Sachant que, dans un intervalle de dure T , les transitions sont quiprobables avec une
densit 1/T , calculer Prob(x(t) 6= x(t )). En dduire alors Prob(x(t) = x(t )).
2
4. Montrer que la fonction dauto-corrlation statistique scrit alors RXX ( ) = X 1
| |
+ 2X . En dduire la fonction dauto-covariance CXX ( ). Tracer ces fonctions.
T
5. Calculer et tracer la densit spectrale de puissance (DSP), SXX ( ).
Chapitre 7
x (t)
y (t) = S { x (t)}
S
Proprits
(7.1)
ai S{xi (t)}.
(7.2)
(7.3)
7.1.2
Soient S un systme linaire invariant coefficients constant, et x(t) et y(t) = S{x(t)} les
signaux dentre et de sortie de cet oprateur. Le systme S est alors caractris par une relation
de la forme :
m
n
X
X
dk
di
bk k x(t),
(7.4)
ai i y(t) =
dt
dt
i=0
k=0
qui correspond une quation diffrentielle coefficients constants. On peut rsoudre cette quation dans lespace de Fourier en utilisant la rgle de drivation :
dk
x(t) (j2f )k X(f ).
dtk
(7.5)
ai (j2f ) Y (f ) =
m
hX
k=0
i
bk (j2f )k X(f ).
(7.6)
La rponse frquentielle du systme S sexprime alors, si cest possible (pas de division par 0),
par :
Pm
bk (j2f )k
Y (f )
G(f ) =
.
(7.7)
= Pk=0
n
i
X(f )
i=0 ai (j2f )
qui fait apparatre m zros zk et n ples pi , qui sont les racines des polynmes du numrateur et
du dnominateur de G(f ).
Relation entre/sortie
Pour un signal dentre x(t) quelconque, on a :
Y (f ) = G(f )X(f ),
(7.9)
(7.10)
Si le signal dentre est une impulsion de Dirac : x(t) = (t), alors on a X(f ) = 1 et G(f ) =
Y (f ), ou bien g(t) = y(t) dans le domaine temporel.
100
(7.11)
(7.12)
2 5
0 .8
2 0
0 .6
1 5
0 .4
1 0
0 .2
5
0
-4
-2
G (f)
0
4
-4
-2
-1
(f)
F IG . 7.2 Filtre G(f ) et son inverse. Les hautes frquences sont trs fortement amplifies par le
filtre G1 (f ) ce qui entrane une trs grande sensibilit au bruit en hautes frquences.
7.1.3
Dconvolution
Si x(t) est lentre dun capteur linaire, de fonction de tranfert G(f ), la sortie du capteur est
un signal y(t) = g(t) x(t) et linformation initiale est gnralement altre. On peut chercher
compenser cet effet en ralisant lopration inverse de la convolution, que lon appelle dconvolution. Puisque :
Y (f ) = G(f )X(f ),
(7.14)
on propose de compenser le filtrage par filtrage inverse :
X(f ) = G1 (f )Y (f ).
(7.15)
Cette ide peut savrer dlicate en pratique, car G1 (f ) nest pas ncessairement un filtre
stable. Ce filtre peut amplifier trs fortement le bruit dans des bandes de frquences o G(f ) 0,
comme lillustre la figure 7.2. En particulier si le capteur fournit un signal avec bruit additif (Fig.
7.3), la sortie du filtre de dconvolution peut diverger.
101
x (t)
G (f)
-1
(f)
b (t)
d iv e r g e n c e
x 1(t)
G
x 2(t)
G
(f)
(f)
y 1(t)
y 2(t)
7.1.4
Thorme 7.1.1 (Formule des interfrences) Soient deux filtres de rponses impulsionnelles G1 (f )
et G2 (f ) dont les signaux dentres puissance moyenne finie sont respectivement x1 (t) et x2 (t),
et les signaux de sorties y1 (t) et y2 (t), alors on a :
Sy1 y2 (f ) = Sx1 x2 (f )G1 (f )G2 (f )
(7.16)
La formule des interfrences est donne pour des signaux valeurs complexes. Pour des signaux
rels, il suffit dignorer les oprateurs de conjugaison.
Dmonstration
Calculons la fonction dintercorrlation statistique :
RY1 ,Y2 ( ) =
=
=
=
=
=
(RX1 ,X2 g1 )( + 2 ) g2 (2 ) d2 .
(7.17)
(7.18)
(7.19)
(7.20)
Cette formule montre que les filtres linaires invariants ne mlangent pas les frquences : la
DSP des sorties la frquence f ne dpend que de la DSP des entres la frquence f et des gains
des filtres cette frquence.
Cette formule reste valable pour des signaux dterministes puissance moyenne finie.
x 1(t)= x (t)
x 2(t)= x (t)
(f)= G (f)
1
(f)= G (f)
2
y 1(t)= y (t)
y 2(t)= y (t)
Consquences
Pour des filtres identiques : G1 (f ) = G2 (f ) = G(f ) avec des entres et des sorties identiques
(Fig. 7.5) : x1 (t) = x2 (t) = x(t) et y1 (t) = y2 (t) = y(t), la formule des interfrences (7.20)
devient :
Syy (f ) = Sxx (f ).|G( f )|2 ,
(7.21)
et dans le domaine temporel :
Ryy ( ) = Rxx ( ) gg ( ),
(7.22)
x (t)
x (t)
G
G
(f)= G (f)
(f)= 1
y (t)
x (t)
(7.23)
(7.24)
xx ( ) = lim
x(t)x (t )dt et yx ( ) = lim
y(t)x (t )dt.
T + T T /2
T + T T /2
(7.25)
103
Dans le cas de signaux nergie finie, on peut aussi crire des relations similaires, mais avec
les densits spectrale et interspectrale dnergie au lieu des DSP et DISP.
7.1.5
Soit un systme de rponse impulsionnelle g(t), attaqu par une signal dentre x(t), la sortie
est un signal y(t) tel que :
y(t) = g(t) x(t).
(7.26)
Selon la nature ( nergie ou puissance finie, certaine ou dterministe) des signaux, lautocorrlation ou lintercorrlation sont dfinies de faons diffrentes mais les relations ci-dessous restent
valables.
Autocorrlation
On se propose de trouver les relations entre les autocoorrlations de la sortie et de lentre.
Calculons lautocorrlation de la sortie, en supposant un signal dterministe :
yy ( ) = y( ) y ( ),
= [g( ) x( )] [g ( ) x ( )],
= [g( ) g ( )] [x( ) x ( )],
(7.27)
yy ( ) = gg ( ) xx ( ).
(7.28)
do la relation :
Intercorrlation
On calcule maintenant lintercorrlation entre lentre et la sortie du filtre :
yx ( ) = y( ) x ( ),
= [g( ) x( )] x ( ),
= g( ) [x( ) x ( )],
(7.29)
yx ( ) = g( ) xx ( ).
(7.30)
do la relation :
(7.31)
Le signal x(t) attaque un filtre linaire invariant de rponse impulsionnelle g(t), la fonction dintercorrlation scrit :
yx ( ) = g( ) xx ( ),
= g( ) [( )/2],
(7.32)
1
= 2 g( ).
Lintercorrlation donne donc la rponse impulsionnelle.
104
(7.33)
7.1.6
2
Syx (f )
et g(t) =
2
yx (t).
(7.34)
(7.35)
R +
o G(0) est la transforme de Fourier la frquence f = 0, car G(0) = g(v) exp(j2v0)dv =
R +
g(v)dv. Ce rsultat nest pas surprenant puisque G(0) reprsente le gain du systme pour les
signaux continus, et la moyenne correspond effectivement un terme continu.
Fonction dautocorrlation
Sous lhypothse que le signal x(t) est stationnaire et ergodique (ce qui implique que y(t) lest
aussi), on peut crire :
Rxx ( ) = xx ( )
et Ryy ( ) = yy ( ).
105
(7.36)
(7.37)
Moment dordre 2
Ryy ( ) = Rxx ( ) gg ( )
R +
= Rxx (u)gg ( u)du.
(7.38)
Or, si le filtre g(t) est rel, sa fonction dautocorrlation est une fonction paire et on peut crire :
Z +
Rxx (u)gg (u)du.
(7.40)
PY =
(7.41)
Variance
Puisque Y2 = PY 2Y , on peut crire :
R +
Y2 = Cyy (0) = Rxx (u)gg (u)du 2Y
R +
= (Cxx (u) + 2X )gg (u)du 2Y
R +
R +
= Cxx (u)gg (u)du + 2X gg (u)du 2Y
R +
= Cxx (u)gg (u)du + 2X |G(0)|2 2Y .
(7.42)
Or, daprs la relation entre valeurs moyennes (7.35), on dduit 2X |G(0)|2 2Y = 0 et par
consquent :
Z +
Cxx (u)gg (u)du
(7.43)
Y2 = Cyy (0) =
Cas particuliers
Pour un filtre passe-bas sans perte, on a G(0) = 1, do :
Y = X .
(7.44)
(7.45)
Si le signal dentre est un signal alatoire x(t), blanc, de moyenne nulle et de DSP /2, on a :
Y = 0,
106
(7.46)
et :
1
Ryy ( ) = gg ( ),
2
(7.47)
1
Cyy (0) = Y2 = gg (0).
2
(7.48)
Cet oprateur est reprsent la figure 7.7. Si K > 1, loprateur est un amplificateur ; si
K prend les deux valeurs K = 0 ou K = 1, cest un commutateur ouvert ou ferm ; pour 0 <
K < 1, cest un attnuateur. Les valeurs ngatives correspondent une fonction dinverseur (K =
1 ou plus gnralement une amplificateur ou un attnuateur avec inversion, cest--dire un
changement de phase de [2k].
x (t)
y (t) = K x (t)
K
Quelques formules
La rponse impulsionnelle et la fonction de transfert sont :
g(t) = K(t) G(f ) = K
La fonction de transfert G(f ) a pour caractristiques :
|G(f )| = |K| et (G(f )) =
0
sgn(f )
(7.49)
si K > 0,
si K < 0.
(7.50)
On rappelle que la phase de G(f ) est une fonction impaire. Pour un phaseur exp(j2f0 t) de
frquence f0 > 0, linversion correspond une phase de , et pour f0 < 0 une phase de +,
do le trac (Fig. 7.8).
La fonction dautocorrlation vaut alors :
e x p (j2 p f0t)
~ + p
~ - p
j (G (f))
p
f0 > 0
f0 < 0
- p
107
(7.51)
x (t)
y (t) = x (t - t0)
r e ta r d
t0
7.2.2
Oprateurs de retard
(7.52)
(G(f )) = 2f t0 .
(7.53)
La phase varie donc linairement avec la frquence. Ce systme est dit phase linaire, ou dphaseur linaire.
La fonction dautocorrlation du filtre est :
Z +
(u t0 )(u t0 )du = ( ).
gg ( ) =
(7.54)
x (t)
(
y (t) = x (t)
7.2.3
Oprateur de Hilbert
Cet oprateur, not H, est utile pour la construction de signaux analytiques. Pour un signal
dentre x(t), la sortie de loprateur sera note y(t) = x
(t) (Fig. 7.10). Par dfinition, on a :
Z +
1
1
x(u)
x
(t) =
.
(7.55)
du = x(t)
t u
t
Dans le domaine des frquences, on a :
) = X(f )F
X(f
n o
1
t ,
(7.56)
(7.57)
et :
sgn(f )).
2
Loprateur de Hilbert conserve le module mais ralise un dphasage pur de /2.
)) = (X(f )) + (jsgn(f )) = (X(f ))
(X(f
108
(7.58)
Quelques formules
La rponse impulsionnelle et la fonction de tranfert de loprateur de Hilbert sont :
g(t) =
1
t
et G(f ) = jsgn(f ).
(7.59)
(7.60)
(7.61)
(7.62)
Or, puisque |G(f )| = 1, on a Syy (f ) = Sxx (f ) et, par transforme de Fourier inverse :
yy ( ) = xx ( ).
(7.63)
x (t)
m o y e n n e
y (t) = x (t,T )
7.2.4
Cet oprateur (Fig. 7.11) transforme le signal dentre x(t) en un signal note x
(t, T ) :
1
y(t) = x
(t, T ) =
T
x(u)du.
(7.64)
tT
Cest donc la moyenne du signal x(t) sur la fentre temporelle de largeur T : [t T, t] (que lon
peut donc crire rect((t T /2)/T )), avec une pondration gale 1/T . On peut donc crire :
y(t) = x
(t) =
1
T
u (t T /2)
t T /2
1
x(u)rect
= x(t) rect
.
T
T
T
(7.65)
Quelques formules
La rponse impulsionnelle et la fonction de tranfert de loprateur de moyenne temporelle
sont :
t T /2
1
g(t) = rect
et G(f ) = sinc(T f ) exp(jf T ).
(7.66)
T
T
109
1
tri( /T ).
T
(7.67)
7.2.5
1
=
T
(7.68)
Cxx ( )tri( /T )d T + 0.
(7.69)
Un filtre idal est un oprateur qui permet la transmission sans distorsion du signal dans une
largeur de bande B, appele bande passante.
G ( f )
1
-B
p
-B
j (G (f))
- p
f
2 B
g (t)
f
t0 - 1 /2 B
t0
t
t0 + 1 /2 B
b
F IG . 7.12 Oprateur de filtrage passe-bas idal
Filtrage passe-bas
Pour le filte passe-bas idal (Fig. 7.12), on a un spectre damplitude |G(f )|, qui est une fonction rectangle de largeur 2B en frquence. On adjoint un retard t0 pour que le filtre soit causal (et
donc ralisable). Le retard t0 correspond au facteur exp(j2f t0 ) dans le domaine frquentiel.
On a donc :
f
G(f ) = rect
exp(j2f t0 ),
(7.70)
2B
avec :
f
et (G(f )) = 2f t0 .
(7.71)
|G(f )| = rect
2B
La rponse impulsionnelle (7.12) du filtre est obtenue par transforme de Fourier inverse :
g(t) = 2Bsinc(2B(t t0 )),
110
(7.72)
(7.73)
On observe que, malgr le dcalage t0 , le filtre idal g(t) nest pas causal, car g(t) =
6 0, pour
t < 0. Le dcalage permet nanmoins de faire en sorte que g(t) < , pour t < 0, et ainsi de
pouvoir raliser une approximation causale du filtre.
G ( f )
1
g (t)
B
2 B
f0
- f0
t0
2
1 .5
1
0 .5
0
- 0 .5
- 1
- 1 .5
- 2
t0 + 1 /B
1
t0 - 1 /B
3
1 0
(7.74)
Par transforme de Fourier inverse (en appliquant le thorme de Plancherel), on obtient la rponse
impulsionnelle :
g(t) = 2Bsinc(B(t t0 )) cos(2f0 t).
(7.75)
On remarque que g(t) est un signal de frquence f0 , dont lamplitude suit lenveloppe 2Bsinc(B(t
t0 )) (Fig. 7.13.b). La fonction dautocorrlation est gale :
gg ( ) = 2Bsinc(B ) cos(2f0 ).
(7.76)
2 B
g (t)
1
t0 - 1 /2 B
a
t0
. 2
. 8
0
. 6
0
. 4
0
. 2
1 /B
g (t)
1
0
- 0
t0 + 1 /2 B
. 2
0
t0
0
t
0
1 /2 B
b
2
F IG . 7.14 Rponses impulsionnelle (a) et indicielle (b) dun filtre passe-bas idal
Dans le cas dun filtre passe-bas, compte tenu de la linarit de loprateur de filtrage, la rponse
indicielle est tout simplement lintgrale de la rponse impulsionnelle :
Z t
g(u)du.
(7.78)
(t) =
(7.79)
Cette fonction, peut aussi sexprimer laide du sinus intgral, not Si et dfini par :
Z t/
Z t
sin(u)
sinc(x)dx.
du =
Si(t) =
u
0
0
(7.80)
Le trac de la rponse P Bas (t) est donne la figure 7.14. On remarque quau point t0 , on
obtient P Bas (t0 ) = 1/2. On peut dterminer le temps de monte en mesurant lintervalle de
temps entre les intersections de la drive de la rponse en t0 , avec les droites y = 0 et y = 1.
Pour le filtre passe-bas de largeur de bande B, le temps de monte (Fig. 7.14) vaut :
1
.
(7.81)
2B
On retiendra que le temps de monte est linverse du double de la largeur de bande pour un
passe-bas idal.
tm =
Or, gg (0) =
R +
gg (0)
.
2G2max
(7.85)
1
.
1 + j2f RC
(7.86)
1
.
1 + (f /fc )2
(7.87)
|G(f )|2 df =
1
df =
1 + (f /fc )2
fc
du = fc .
1 + u2
(7.88)
De plus, il est facile de voir que Gmax = 1 (pour f = 0). On en dduit donc la largeur de bande :
Be =
fc
.
2
(7.89)
1
1
=
.
2Be
fc
h (t)
(7.90)
s ( t ) = x ( t )
113
(7.91)
(7.92)
(7.93)
soit maximum.
7.3.1
On suppose que lon connait le signal x(t) et sa transforme de Fourier X(f ) et que la DSP
du bruit n(t) vaut Snn (f ).
Calcul du filtre optimal
A partir de sn (t) = (n h)(t), on peut crire :
Ssn sn (f ) = Snn (f )|H(f )|2 ,
do lon tire la puissance du bruit en sortie de filtre :
Z
Z +
E[|sn (t)|2 ] =
Ssn sn (f )df =
(7.94)
(7.95)
Par transforme de Fourier inverse de Sx (f ) = X(f )H(f ), on calcule la sortie du filtre sx (t), en
rponse au signal dentre x(t) :
Z +
sx (t) =
X(f )H(f ) exp(j2f t)df.
(7.96)
Au temps t = t0 , on a donc :
sx (t0 ) =
114
(7.97)
p
X(f )
exp(j2f t0 ) p
H(f ) Snn (f ),
Snn (f )
2 Z
X(f )H(f ) exp(j2f t0 )df
|X(f )|2
df.
Snn (f )
(7.98)
(7.99)
Or, X(f ) et Snn (f ) tant fixs (seul le filtre h(t) est inconnu), la premire intgrale dans le terme
de droite est constante.
Revenons maintenant au RSB :
|
|s2x (t0 )|
=
2
E[|sn (t0 )| ]
R +
|X(f )|2
df = cte.
Snn (f )
(7.100)
(7.101)
On en dduit que le rapport RSB est maximal si lgalit est obtenue dans la relation (7.101),
cest--dire dans lingalit de Schwartz (7.99), soit si :
p
X (f )
H(f ) Snn (f ) = k. exp(j2f t0 ) p
.
Snn (f )
(7.102)
H(f ) = k. exp(j2f t0 )
avec le RSB :
RSBopt. =
X (f )
,
Snn (f )
(7.103)
|X(f )|2
df.
Snn (f )
(7.104)
h (t) = x (t0 - t)
x (t)
t0
115
k
x(t0 t),
n0
h(t) =
avec le RSB :
RSB =
1
n0
|X(f )|2 df =
(7.105)
(7.106)
(7.107)
Ex
,
n0
(7.108)
7.3.2
On suppose maintenant que y(t) = x(t) + n(t), o x(t) est inconnu et n(t) est un bruit de
moyenne nulle et dautocorrlation (donc aussi dautocovariance) C(t1 , t2 ).
De ces hypothses, on tire donc :
E[y(t)] = x(t),
(7.109)
(7.110)
et :
E[x2 (t)],
Si C(t, t)
lnergie du bruit est trs faible par rapport celle du signal et y(t) est une
bonne estimation de x(t). Dans le cas contraire, il faut trouver quelque chose de plus astucieux.
Filtrage simple
Appliquons un filtrage passe-bas idal de rponse impulsionnelle h(t) = rect(t/T )/T (qui ne
dpend que du paramtre T ), la sortie du filtre vaut alors :
Z
Z
1 +
1 +T /2
s(t) = y(t) rect(t/T )/T =
rect(u/T )y(t u)du =
y(t u)du. (7.111)
T
T T /2
En posant de nouveau s(t) = sx (t) + sn (t), on peut prciser :
Z
1 +T /2
sx (t) =
x(t u)du,
T T /2
et :
1
sn (t) =
T
(7.112)
+T /2
T /2
n(t u)du.
(7.113)
On se propose ici de dterminer le paramtre T tel que lerreur destimation e(t) = s(t) x(t)
est minimale.
116
(7.114)
Cette relation prouve que sx (t) est un estimateur non biais de x0 . La variance de lestimateur est
alors gale :
s2 = E[(s(t) x0 )2 ] = E[s2n (t)] = 1/T
(7.115)
7.3.3
On considre le signal y(t) = x(t) + n(t) o x(t) et n(t) sont deux signaux alatoires stationnaires.
Estimation qui minimise lerreur quadratique
On cherche une solution de la forme :
x
(t) =
K
X
ak sk (t),
(7.116)
k=1
cest--dire une approximation partir de K signaux sk (t) dont les coefficients de pondration ak
sont choisis de faon minimiser lerreur quadratique moyenne :
E[e2 ] = E[(x(t) x
(t))2 ] = E[(x(t)
K
X
ak sk (t))2 ].
(7.117)
k=1
En observant que lesprance est assimilable un produit scalaire : < x, y >= E[xy ] (ou simplement < x, y >= E[xy] pour des signaux rels), on sait (par le thorme de la projection) que
la solution optimale minimisant lerreur quadratique moyenne E[e2 ] vrifie le principe dorthogonalit, cest--dire que e est orthogonal x
(t). Autrement dit :
E[(x(t)
K
X
ak sk (t))sk (t)] = 0,
k=1
k = 1, . . . , K.
(7.118)
(7.119)
Exemple
Soient x(t) un processus stationnaire et une constante1 , on cherche estimer le paramtre a
associ la modle du premier ordre :
x
(t + ) = ax(t).
1
117
(7.120)
(7.121)
Lorsque lerreur e est minimale, selon le thorme de la projection orthogonale, on sait quelle est
orthogonale x
(t), cest--dire :
E[(x(t + ) x
(t + ))
x(t + )] = aE[(x(t + ) ax(t))x(t)] = 0.
(7.122)
(7.123)
Rxx ()
.
Rxx (0)
(7.124)
Rxx ( )
x(t),
Rxx (0)
(7.125)
(7.126)
R () 2
Rxx ()
Rxx 2 ()
xx
)2
Rxx () = Rxx (0)
.
Rxx (0)
Rxx (0)
Rxx (0)
(7.127)
On peut aussi trouver ce rsultat en appliquant directement le thorme de Pythagore, car e est
orthogonal x
.
7.3.4
Filtre de Wiener
Modle de filtre
On cherche une solution sous la forme dun filtre linaire h(t) dont lentre est le signal y(t) =
x(t) + n(t) :
Z
+
x
(t) =
y(t u)h(u)du.
(7.128)
(7.129)
R.
(7.130)
soit finalement :
Rxy ( ) =
R,
(7.131)
Ryy ( u)h(u)du,
R.
(7.132)
Cette quation intgrale sappelle quation de Wiener-Hopf et donne, si on sait la rsoudre, le filtre
optimal au sens du minimum de lerreur quadratique moyenne.
Solution
Posons :
Rxy ( ) Sxy (f )
Ryy ( ) Syy (f )
h(t) H(f ).
(7.133)
Rxy ( ) = Ryy ( ) h( ),
(7.134)
Puisque x
(t) = h(t) y(t), on a :
et en prenant la transforme de Fourier :
Sxy (f ) = Syy (f )H(f ),
(7.135)
et le filtre optimal :
H(f ) =
Sxy (f )
.
Syy (f )
(7.136)
Cette solution est a priori non causale, cest--dire que le filtre obtenu nest pas ralisable. On
peut donc modifier le problme pour imposer des conditions de causalit au filtre recherch. Cette
tude, prsente dans de nombreux ouvrages, ne sera pas effectue ici.
Cas particulier dun bruit additif non corrl
Si le bruit n(t) est centr et non corrl avec x(t), cest--dire Rxn ( ) = 0, R, on peut
crire :
Sxy (f ) = F{Rxy ( )}
R +
= F{ x(t)y(t )dt}
R +
(7.137)
= F{ x(t)(x(t ) + n(t ))dt}
R +
= F{ x(t)x(t )dt}
= Sxx (f ).
Calculons maintenant la DSP du signal y(t) :
Syy (f ) =
=
=
=
=
F{Ryy ( )}
R +
F{ y(t)y(t )dt}
R +
F{ (x(t) + n(t))(x(t ) + n(t ))dt}
R +
F{ [x(t)x(t ) + n(t)n(t )]dt}
Sxx (f ) + Snn (f ).
119
(7.138)
Sxx (f )
.
Sxx (f ) + Snn (f )
(7.139)
7.4 Exercices
7.4.1
Soit x(t) = A + b(t) un signal rel alatoire, o A est une constante relle et b(t) est un
bruit blanc centr
densit spectrale de puissance /2, et soit un filtre de rponse impulsionnelle
de
tT /2
1
g(t) = T rect
. La sortie du filtre moyenneur (Fig. 7.17) est note y(t).
T
A + b (t)
G ( f)
y (t)
tri( /T ) + A2 .
2T
(7.140)
Tracer Ryy ( ).
7.4.2
Filtrage
x (t)
x (t)
G 1( f)
y 1(t)
G 2( f)
y 2(t)
7.4.3
f
sinc2 (T f )(1 + cos(f T ))2 X.
2B
(7.141)
On considre le montage de la figure 7.19, dans laquelle s(t) est un signal dterministe, n(t)
est un bruit stationnaire non corrl avec s(t). Le filtre G est un filtre de rponse impulsionnelle
g(t) = rect((t T /2)/T )/T .
n (t)
s (t)
n (t) + s (t)
y (t)
G (f)
- 1
- s (t)
Calcul de z(t)
Exprimer z(t) en fonction de g(t), s(t), et n(t).
121
z (t)
Calcul de Szz (f )
Calculer la densit spectrale de puissance du signal z(t), en fonction de Snn (f ), Sss (f ) et
G(f ). On justifiera toutes les tapes du calcul.
Calcul avec un filtre moyenneur
Le filtre G(f ) a pour rponse impulsionnelle g(t) = rect((t T /2)/T )/T . Tracer g(t) et
calculer G(f ). En dduire lexpression de la densit spectrale Szz (f ).
Comportement asymptotique du filtre
Si le paramtre du filtre T +, que deviennent le module du filtre G(f ) et la sortie z(t)
du filtre, en supposant que la DSP de s(t) vaut Sss (f ) = s2 (f ) ?
7.4.4
Fonction de cohrence
|Sxy (f )|2
.
Sxx (f )Syy (f )
(7.142)
7.4.5
Application de lauto-corrlation
On considre le montage de la figure 7.20. Le signal x(t) et le bruit b(t) sont supposs stationnaires, ergodiques et non corrls. On suppose que b(t) est un bruit blanc de densit spectrale de
puissance Sbb (f ) = B/2.
122
x (t)
y (t)
G (f)
b (t)
a u to -c o rr l.
R b y( t )
B
g( ).
2
(7.143)
7.4.6
Un signal audio x(t), suppos stationnaire lordre deux et de densit spectrale de puissance
connue Sxx (f ), est transmis sur un canal soumis un bruit b(t), centr, stationnaire au second
ordre et de densit spectrale de puissance connue, Sbb (f ). Pour amliorer le rapport signal bruit,
on propose dintercaler le systme de filtrage (Fig. 7.21), constitu dun filtre de praccentuation
avant lentre du canal, et dun filtre de dsaccentuation en sortie du canal. On note Hp (f ) et
Hd (f ) les transformes de Fourier des deux filtres. On dsire que la sortie du systme soit x(t) +
w(t), o w(t) est la contribution filtre du bruit b(t), avec une puissance de bruit aussi petite
que possible puissance du signal fixe. Pour cela, on impose que la puissance du signal y(t) =
hp (t) x(t) en sortie du filtre praccentuateur soit gale P0 .
Calculs prliminaires
x (t)
H
( f )
y (t)
b (t)
H
d
( f )
x (t) + w (t)
Etablir la relation entre Hp (f ) et Hd (f ) pour que la sortie du systme soit x(t) + w(t).
Calculer la puissance E[w2 (t)] du bruit w(t) en sortie du systme.
Calcul du filtre
On forme la fonction de cot
J = E[w2 (t)] + [Py P0 ],
(7.144)
qui est minimale si lnergie du bruit w(t) est minimale sous la contrainte Py = P0 , et o est un
multiplicateur de Lagrange.
On pose U (f ) = |Hd (f )|2 . Exprimer J en fonction de U (f ) puis montrer que la solution
minimisant J par rapport U (f ) est gale :
U 2 (f ) =
Sxx (f )
.
Sbb (f )
(7.145)
p
Dduire de (7.145), lexpression de Sxx (f ).
7.4.7
Un signal sinusodal x(t) = A cos(2f0 t) de frquence f0 connue est transmis le long dun
canal bruit dont la sortie est x(t) + b(t) o b(t) est un bruit blanc de densit spectrale de puissance constante Sbb (f ) = B0 /2, filtr par un filtre passe-bande idal, Hpb (f ), centr sur f0 et
de largeur de bande f .
Pour amliorer le rapport signal bruit, on applique un filtre rel h(t) de fonction de transfert H(f ) (Fig. 7.22). Aprs filtrage, on note y(t) et n(t) les contributions du signal et du bruit,
respectivement.
124
b (t)
x (t)
H (f)
y (t) + n (t)
125
Bibliographie
[1] G. Blanchet and M. Charbit, Traitement numrique du signal, Herms, Paris, 1998.
[2] P. Comon, Independent component analysis, a new concept ?, Signal Processing 36 (1994),
no. 3, 287314.
[3] F. de Coulon, Thorie et traitement des signaux, Dunod, Paris, 1984.
[4] L. De Lathauwer, D. Callaerts, B. De Moor, and J. Vandewalle, Fetal electrocardiogram
extraction by source subspace separation, IEEE Signal Processing Athos workshop on Highorder statistics (HOS) (Begur, Spain), 1995, pp. 134138.
[5] R. C. Dixon, Spread spectrum systems, John Wiley, New-York, 1976.
[6] P. Duvaut, Traitement du signal, concepts et applications, Herms, Paris, 1991.
[7] C. Jutten and J. Hrault, Blind separation of sources, Part I : an adaptive algorithm based
on a neuromimetic architecture, Signal Processing 24 (1991), no. 1, 110.
[8] J. Max and J.-L. Lacoume, Mthodes et techniques de traitement du signal et application aux
mesures physiques, Masson, Paris, 1996.
[9] A. Papoulis, Probability, random variables and stochastic processes, McGraw-Hill, 1984.
[10] L. Scharf, Statistical signal processing : detection, estimation and time series analysis,
Addison-Wesley, 1991.
[11] B. Widrow and et al., Adaptive noise cancelling : principles and applications, Proc. IEEE 63
(1975), 16921716.
126