Traitement du signal

partie II :
energie, puissance et corrélation

Prélude

Livres conseillés
J. Max & J.-L. Lacoume, Méthodes et techniques de traitement du
signal et applications aux mesures physiques (Masson, 1999)
F. Cottet, Aide-mémoire de traitement du signal (Dunod, 2000)
H. Press et al., Numerical recipes in C (Cambridge Univ. Press, 2007)

Pour me contacter
Thierry Dudok de Wit
ddwit@cnrs-orleans.fr

Site web :
https://sites.google.com/site/telecombba/

2
 Puissance, Energie

L’énergie (puissance) est une quantité importante dans le

traitement du signal
Toute transmission d’information s’accompagne de transferts
d’énergie
Beaucoup de capteurs physiques mesurent une énergie ou une
quantité quadratique

Exemple
les capteurs optiques ! mesure d’une intensité
les bolomètres ! mesure d’une énergie
compteurs d’électricité ! mesure d’une énergie
! !
W = u(t) i(t) dt = R i2 (t) dt

Puissance, Energie

Définition : on appelle
! énergie d’interaction la quantité
Euv = u(t) v ∗ (t) dt
et énergie (ou énergie propre) la quantité
! !
Eu = u(t) u∗ (t) dt = |u(t)|2 dt

Propriétés
l’énergie propre est toujours réelle et ! 0
l’énergie d’interaction peut être complexe et < 0
ces quantités ne sont pas linéaires, en général

Eu+v != Eu + Ev

4
 Identité de Parseval

Une des relations fondamentales en traitement du signal est

l’identité de Parseval (ou théorème de Parseval)

Si x(t) ! X(f )

Alors
! +∞ ! +∞
Ex = 2
|x(t)| dt = |X(f )|2 df
!−∞
+∞
−∞
! +∞
Exy = x(t) y (t) dt
∗
= X(f ) Y ∗ (f ) df
−∞ −∞

Identité de Parseval

Interprétation : L’énergie est un invariant de la transformée

de Fourier ou encore “L’énergie totale s’obtient en sommant la
contribution de toutes les harmoniques”

6
 Exercice

Que vaut l’intégrale

! +∞
sinc2 (u) du
−∞

Identité de Parseval

En raison de l’identité de Parseval, on s’intéresse souvent

davantage à la densité spectrale de puissance

Sx (f ) = |X(f )|2 ∈ R
Sxy (f ) = X(f ) Y ∗ (f ) ∈ C

qu’aux transformées de Fourier (X(f), Y(f)) elles-mêmes

8
 Exemple

Les 4 satellites CLUSTER de l’Agence Spatiale Européenne sont

chacune équipées de capteurs magnétiques qui mesurent les 3
composantes du champ magnétique

Bx(t)
By(t)

Le débit de transmission vers la Terre est limité ! on ne peut

pas tout transmettre. Que choisir ?

Exemple

Sxx(f,t)

time [hh:mm:ss]

Spectrogramme du champ électrique

enregistré par un des satellites Cluster dans la
magnétosphère terrestre 10
 Exemple

au lieu de transmettre les mesures brutes (Bx(t), By(t), Bz(t)),

on effectue la transformée de Fourier

et on ne transmet que la matrice spectrale

 
Sxx Sxy Sxz
 Syx Syy Syz 
Szx Szy Szz

qui est estimée toutes les 0.1 sec

11

Sxx(f )
 Déphasage

La densité spectrale de puissance (ou spectre d’interaction)

est utile pour calculer le déphasage entre 2 signaux

Sxy = X(f ) Y (f )∗ = |Sxy |ejφxy (f )

déphasage

Exemple : si x(t) = A cos(2πf0 t + φ1 )

y(t) = B cos(2πf0 t + φ2 )

alors φxy (f0 ) = φ1 − φ2

13

Exercice

La mesure d’un déphasage entre deux signaux u(t) et v(t) a

donné un déphasage qui vaut

f [Hz] " [rad]

0.2 0.804

0.4 1.608

Quel décalage temporel y’a-t-il entre u et v ?

u(t) est-il en avance ou en retard sur v(t) ?

14
 Exemple
& (
35'6
75'6
%

$
./012'34+

!#

!$ &

'
!% (
! "! #!! #"! $!! $"! %!! %"! &!! &"! "!!
'()*+,- %

$
./012)*304-

!$

!%

!'

!&
! !"!# !"$ !"$# !"% !"%#
()*+,- 15

Encore faut-il savoir si, pour une fréquence

donnée, il existe un lien causal entre u(t) et v(t)
! corrélation

16
 Corrélation

L’autocorrélation
= comparaison entre un signal et ses copies retardées
= indicateur de la déformation d’un signal au cours du temps
! +∞
Cx (τ ) = x(t) x∗ (t − τ ) dt
−∞

L’autocorrélation possède la dimension d’une puissance et

! +∞
Cx (0) = |x(t)|2 dt = énergie totale
−∞

17

Corrélation

L’autocorrélation satisfait toujours

Cx (0) ≥ |Cx (τ )|

pour un signal aléatoire, elle tend vers 0 pour # grand

et c’est une fonction paire

Cx (τ ) = Cx (−τ )

18
 Energie infinie

Que faire avec un signal dont l’énergie diverge (par exemple

signal péridique) ?
! ∞
|x(t)|2 dt = ∞
−∞

Dans ce cas, l’autocorrélation ne peut plus être estimée pour

toute valeur de # car
! +∞
Cx (τ ) = x(t) x∗ (t − τ ) dt
−∞

diverge

19

Energie infinie

Dorénavant, et sauf mention particulière, nous utiliserons

l’autocorrélation moyenne

! + T2
1
Cx (τ ) = lim x(t) x∗ (t − τ ) dt
T →∞ T − T2

elle possède la dimension d’une puissance

20
 Exercice

calculez l’autocorrélation des signaux suivants

x(t) = A sin(2πf0 t)
y(t) = B cos(2πf0 t)

21

Exemple : sinus

"

!(&
01)2

!!(&

!"
! " # $ % & '
)*+,-./

"
301!2*1456789:,-2

!(&

!!(&

!"
!# !"(& !" !!(& ! !(& " "(& #
!*+,-./
22
 Exercice

calculez l’autocorrélation du bruit blanc (processus aléatoire

avec valeurs successives indépendantes)

x(t) = !(t) avec ! ∼ N (0, σ 2 )

23

Exemple : bruit blanc

#
/0(1

!#

!%
! " # $ % & '
()*+,-.

"
3/0!1)0456789:+,1

!2&

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-. 24
 Exercice

calculez l’autocorrélation de

x(t) = A sin(2πf0 t) + "(t) avec " ∼ N (0, σ 2 )

25

Exemple : sinus + bruit blanc

#
/0(1

!#

!%
! " # $ % & '
()*+,-.

"
3/0!1)0456789:+,1

!2&

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-.
26
 Exemple : signal carré

"
/0(1

!"

!#
! " # $ % & '
()*+,-.

"
3 0!1)0456789:+,1

!2&

!!2&
/

!"
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-. 27

Périodicité

Bilan : La périodicité de la fonction d’autocorrélation

est égale à celle du signal de départ

28
 Exemple : ECG

#!

!
/01)*2.

!#!

!$!!
! !"# $ $"# % %"# & &"# ' '"# #
()*+,-.

$
0 6!7)89:;<=>+,

!"#

!
5

!!"#
!!"3 !!"4 !!"' !!"% ! !"% !"' !"4 !"3
!)*+,-.
29

Exemple : un autre signal ECG

'!

%!
012*+34/

!%!

!'!

!(!
! !"# $ $"# % %"# & &"# ' '"# #
)*+,-./

$
156!7*89:3;<=,-

!"#

!!"#
!$"# !$ !!"# ! !"# $ $"#
30
!*+,-./
 Exemple : oscillateur amorti

"&

"!

&
/0(1

!&

!"!
! " # $ % & '
()*+,-.

"
3/0!1)0456789:+,1

!2&

!!2&

!"
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-. 31

Exemple : milieu turbulent

#
/0(1

!#

!%
! " # $ % & '
()*+,-.

"
3 0!1)0456789:+,1

!2&

!
/

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-.
32
 Exercice

Quelle est la fonction d’autocorrélation du signal périodique

suivant ?
!
5 δ(t) si t = kT, k∈Z
x(t) =
0 sinon

33

Exemple : milieu turbulent

#
/0(1

!#

!%
! " # $ % & '
()*+,-.

"
3 0!1)0456789:+,1

!2&

!
/

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-.
34
 Durée de corrélation

Le temps nécessaire pour que l’autocorrélation tende vers 0

est appelé temps de décorrélation

Ce temps de décorrélation illustre la durée au-delà de laquelle

le processus physique n’a plus de mémoire
%

/0(1
!

!#

!%
! " # $ % & '
()*+,-.

"
3/0!1)0456789:+,1

!2&

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-.
35

Processus à mémoire

Beaucoup de processus physiques s’apparentent à des chaînes

markoviennes (ou processus de Markov)

Prenons un signal discrétisé qui est constitué d’une suite de

valeurs
{x(0), x(1), x(2), . . . , x(t)}
Ces valeurs constituent une chaîne de Markov si

! "
P x(t + 1) = a | x(0), x(1), x(2), . . . , x(t)
! "
= P x(t + 1) = a | x(t)

Chaque valeur est donc uniquement déterminée par celle qui

la précède
36
 Processus à mémoire

Parmi les processus à mémoire les plus simples il y a les

processus dits autorégressifs

x(t + 1) = α x(t) + "(t) avec " ∼ N (0, σ 2 )

t 0 1 2 3 4 5

$(t) -0.43 -1.66 0.12 0.29 -1.14 ...

x(t) 0 -0.43 -2.09 -1.97 -1.68

x(t+1) -0.43 -2.09 -1.97 -1.68 -2.82

37

Exemple : processus Markov(1)

"!

&
a=0.9
/0(1

!&
! " # $ % & '
()*+,-.

"
3/0!1)0456789:+,1

!2&

!!2&
!# !"2& !" !!2& ! !2& " "2& #
!)*+,-.
38
 Exemple

#& (
12"
12!344
#!
12!34&
12!34
"& 12!35
12!3#
"!
./'0

&
$ )
! 34$
"%( 34"%55
!& 34"%56
34"%5
"%'
34"%7
!"! ( 34"%#
/01!2

! "!! #!! $!! %!! &!!

"%& '()*+,-

"%#

"

!"%# )
!!"" !#"" !$"" " $"" #"" !""
!)*+,-. 39

Exercice

Calculez la fonction d’autocorrélation associée au processus de

Markov décrit par

x(t + 1) = a x(t) + !(t) ! ∼ N (0, σ 2 )

Déterminez successivement Cx(0), Cx(1), Cx(2), .... et trouvez à

partir de cela l’expression de Cx(#)

40
 Exemple

Fluctuations de température dans une soufflerie

#

!"(

!"'
/01!2

!
#!
!"&

!"% ,-.!/

! !#
#! !"!#
!!"!#$ !!"!# !!"!!$ ! !"!!$ !"!#$
!)*+,-.

!%
#!
!!"!#$ !!"!# !!"!!$ ! !"!!$ !"!# !"!#$
!&'()*+ 41

Exemple

Oscillateur harmonique amorti excité à des intervalles de

temps irréguliers (cloche frappée aléatoirement)

ẍ(t) + λẋ(t) + ω02 x(t) = f (t)

avec comme excitation f(t)

1

0.8

0.6
f(t)

0.4

0.2

0
0 5 10 15 20 25 30 35 40
t [sec]

Comment peut-on remonter aux valeurs de % et de &02 ?

42
 Exemple

Le signal observé a l’allure suivante :

#
./'0

!#

!%
! "! #! $! %! &!
'()*+,-

Comment déterminer la période et l’amortissement si on ne

connaît pas l’excitation f(t) ?

43

Exemple

Nous avons ẍ(t) + λẋ(t) + ω02 x(t) = f (t)

La solution de l’équation homogène s’écrit

x(t) = A e−λt/2 cos(ω0 t + φ)

On s’attend dès lors à ce que l’autocorrélation décroisse (pour

# petit) comme

Cx (τ ) ∼ e−λt/2 cos(ω0 t)

44
 Exemple

# &
3)(72)
318)5)

"%$
,-.!/&.0123456()/

"

!"%$

!# &
!!" !#$ !#" !$ " $ #" #$ !"
!&'()*+

Conclusion : l’autocorrélation permet de remonter aux

paramètres du système sans même connaître en détail
l’excitation
45

Application

L’autocorrélation est utile pour détecter un signal

périodique noyé dans du bruit

Si y(t) = x(t) + !(t) ! ∼ N (0, σ 2 )

Alors Cy (τ ) ≈ Cx (τ ) + C! (τ )

où C! (τ ) est nul sauf pour de petits #

Donc pour |#| > #0, on peur poser

Cy (τ ) ≈ Cx (τ )
46
 Application

$!

#!
)+,-./*01%2

!
signal périodique + bruit
!#!

!$!
! "!! #!!! #"!! $!!!
%&'()*%

# !3#

!3" !3!"
601!2

601!2

! !

!!3" !!3!"

!# !!3#
!$!! ! $!! !$!! ! $!!
4&%.45*! 4&%.45*! 47

Application

$!

#!
)+,-./*01%2

!#!

!$!
! "!! #!!! #"!! $!!!
%&'()*%

# !3#

!3" !3!"
601!2

601!2

! !

!!3" !!3!"

!# !!3#
!$!! ! $!! !$!! ! $!!
4&%.45*! 4&%.45*! 48
 Intercorrélation

la notion d’autocorrélation se laisse aisément généraliser à 2

variables

L’intercorrélation (cross-correlation) se définit comme

! +∞
Cxy (τ ) = x(t) y ∗ (t − τ ) dt
−∞

Pour un signal d’énergie infinie, on prendra

! + T2
1
Cxy (τ ) = lim x(t) y ∗ (t − τ ) dt
T →∞ T − T2

49

Intercorrélation

Interprétation : L’intercorrélation entre x(t) et y(t) atteint un

maximum pour un retard # si x(t)'y(t-#)

Exemple : deux signaux différents, qui se ressemblent

néanmoins
% )
/0(1
30(1
#

!
/0(12)30(1

!#

!%

!' )
! "!! #!! $!! %!! &!!
()*+,-. 50
 Intercorrélation

Les signaux se ressemblent le plus quand y(t) est décalé de 12

secondes
!=12 [sec]
#

"%(

"%'
/01!2

"%&

"%!

"

!"%!
!!"" !#$" !#"" !$" " $" #"" #$" !""
!)*+,-.

51

Intercorrélation

Confirmation
% )
/0(1
# 30(1
/0(12)30(1

"
Signaux initiaux
!#

!% )
!"" #"" $"" %"" &"" '""
()*+,-.

% )
/0(1
# 30(1)4,-56,
/0(12)30(1

"
Idem, avec y(t)
décalé de 12 sec.
!#

!% )
!"" #"" $"" %"" &"" '""
()*+,-. 52
 Intercorrélation

Exemple : deux composantes du champ magnétique dans la

magnétosphère terrestre (données du satellite AMPTE)
#! &
,
/
" ,0
,&'-.+

!"

!#! &
! "! #!! #"! $!! $"!
%&'()*+

!32

!3$
4,,5!6&'-.$+

!!3$

!!32
!1! !2! !$! ! $! 2! 1!
!&'()*+ 53

Intercorrélation

Question importante : à partir de combien la valeur

de l’intercorrélation (ou autocorrélation) peut-elle
être considérée comme significative ?

Ou encore : peut-on normaliser ces quantités ?

54
 Exercice

On considère les paires de signaux (x,y) et (x’,y’) avec

x! (t) = x(t) + a !x" = 0

y ! (t) = y(t) + a !y" = 0

Comparez les fonctions d’intercorrélation

Cxy (τ ) Cx! y! (τ )

55

Effet de la moyenne

Si on calcule la corrélation de signaux de moyenne non-nulle,

alors une constante vient s’ajouter aux résultats

Si x! (t) = x(t) + a !x" = 0

y ! (t) = y(t) + a !y" = 0

Alors Cx! (τ ) = Cx (τ ) + a
Cx! y! (τ ) = Cxy (τ ) + ab

56
 Effet de la moyenne

Dans la pratique, avant de calculer la fonction d’auto/

intercorrélation, on recentre toujours le signal en soustrayant
sa moyenne

Cx (τ ) −→ Cx! (τ ) où x! = x − #x$

Cxy (τ ) −→ Cx! y! (τ ) où x! = x − #x$, y ! = y − #y$

Dans ce cas, on peut montrer que l’inter/autocorrélation

(normalisée par la durée) au retard nul est égale à la co/
variance !
1 +T /2
Cx! (0) = lim |x$ (t)|2 dt = σx2
T →∞ T −T /2
! +T /2
1
Cx! y! (0) = lim x$ (t)y $∗ (t) dt = σxy
T →∞ T −T /2 57

Normalisation

Dans la pratique, on normalise toujours les auto/

intercorrélations pour avoir des valeurs bornées.

Pour l’autocorrélation, comme nous avons

|Cx (τ )| ≤ Cx (0)

Cx (τ )
on posera Cx (τ ) −→
Cx (0)

Pour un signal x(t) de moyenne nulle, ceci équivaut à

Cx (τ )
Cx (τ ) −→
σx2
et on a 0 ≤ |Cx (τ )| ≤ 1
58
 Normalisation

Pour l’intercorrélation, l’inégalité de Schwartz implique

|Cxy (τ )|2 ≤ Cx (0)Cy (0)

et on posera alors
Cxy (τ )
Cxy (τ ) −→ !
Cx (0)Cy (0)

Pour un signal x(t) de moyenne nulle, ceci équivaut à

Cxy (τ )
Cxy (τ ) −→
σx σy

et on a 0 ≤ |Cxy (τ )| ≤ 1
59

Ne les confondez pas !

Corrélation
! +∞
Cxy (τ ) = x(t) y(t − τ ) dt
−∞

Convolution
! +∞
(x ∗ y)(τ ) = x(τ − t) y(t) dt
−∞
! +∞
= x(t) y(τ − t) dt
−∞

60
Application : identification de la réponse impulsionnelle

61

Application : identification de la réponse impulsionnelle

Considérons un système linéaire régi par l’équation

y(t) = h(t) ∗ x(t)

x(t) système linéaire
de réponse
impulsionnelle h(t) inter-corrélateur

Cxy (τ ) =?

62
Application : identification de la réponse impulsionnelle

Nous avons

! +∞
Cyx (τ ) = y(t) x(t − τ ) dt
−∞
! +∞
= [h(t) ∗ x(t)](t) x(t − τ ) dt
−∞
! +∞
= h(τ ) ∗ x(t) x(t − τ ) dt
−∞
= h(τ ) ∗ Cx (τ )

63

Application : identification de la réponse impulsionnelle

Si le signal d’entrée est un bruit blanc, alors

Cx (τ ) = δ(τ ) ⇒ Cyx (τ ) = h(τ )

x(t) = bruit blanc

système linéaire
de réponse
impulsionnelle h(t) inter-corrélateur

Cxy (τ ) = h(τ )

64
 Un théorème important

65

Théorème de Wiener-Khintchine

Selon le théorème de Wiener-Khintchine, la transformée de

Fourier de la fonction d’autocorrélation d’un processus
aléatoire est égale à sa densité de puissance spectrale

Si x(t) ! X(f )
! ∞
et Cxx (τ ) = x(t)x(t − τ )∗ dt
−∞

alors Cxx (τ ) ! |X(f )|2

66
 Exercice

Calculez la fonction d’autocorrélation d’une suite de variables

aléatoires indépendantes (moyenne) nulle

Déterminez ensuite sa densité de puissance spectrale

67