Vous êtes sur la page 1sur 183

D epartement Electronique Electrotechnique Automatique

Equipe Automatique Traitement du Signal


Tronc Commun - UE STI
Cours STI tc2 Traitement du signal
2012-2013
Unit e dEnseignement
Science et Technologie de lInformation
Traitement du signal
Version de lann ee 2012-2013
G erard Scorletti
D epartement EEA, b at H9
e-mail : gerard.scorletti@ec-lyon.fr
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
2
SIGNAL, n. m. (v. 1220) s ecrit aussi seignal au XIIIe s. (v. 1265) ; le mot, qui correspond ` a
lancien provencal sennal (1174), est un emprunt au bas latin signale signe , neutre substan-
tiv e du bas latin signalis qui sert de signe , d eriv e du latin classique signum (signe).
Le mot apparat en francais avec des sens particuliers : quillon dune ep ee , sceau avec
lequel on signe un acte (v. 1260, seignau), et cest aussi le nom dune constellation (v. 1265).
Il signie aussi ce dont un propri etaire marque un animal , marque sur la peau (v. 1298),
gros grain de chapelet (1328), etc. Dans tous ces emplois, signal d esigne des signes natu-
rels ou conventionnels qui constituent ou donnent des informations ; aujourdhui, dans lusage
courant, signal correspond ` a un signe de nature conventionnelle, m eme si pour les th eoriciens,
le signal peut etre form e par un signe naturel. Le mot d esigne en particulier (1540) un signe
convenu fait pour indiquer le moment dagir, do` u la locution donner le signal (1798). Il sest
dit (1690) dun moyen utilis e pour porter au loin une information ; il d esigne (1718) le fait
par lequel un processus commence et qui constitue un signe, un sympt ome de ce processus au-
jourdhui (XXe s.) surtout dans les emplois didactiques, par exemple en psychanalyse, signal
dangoisse.
Avec la valeur signe conventionnel , il semploie pour bou ee ottante (qui marque la
place des lets) (1769), en marine dans Code international des signaux (1868), couramment
ceux qui r` eglent la circulation (1875, dans les chemins de fer), puis dans les t el ecommunications
(1933), en informatique (v. 1970). Cest un concept essentiel, ` a lint erieur de la notion th eorique
large de signal , concernant tous les canaux de communication (signaux visuels, acoustiques,
olfactifs, surtout en ethiologie, chimiques).
Le ROBERT, Dictionnaire Historique de la Langue Francaise, sous
la direction dAlain Rey, page 3504, Janvier 1999
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Table des mati` eres
1 Introduction 9
1.1 Le signal au service de l etre humain . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Limportance du signal dans nos soci et es contemporaines . . . . . . . . . . . . . 10
1.3 Les signaux utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Plan du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 O` u trouver linformation ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6 Remarques sur lutilisation de ce document . . . . . . . . . . . . . . . . . . . . 12
1.7 Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Mod eliser et caract eriser un signal : Analyse en temps et en fr equence 15
2.1 Introduction ` a la notion de fr equence . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2 Signaux mod elis es par des fonctions d enies sur un intervalle
_

T
2
,
T
2

: s eries de Fourier 17
2.3 Signaux mod elis es par des fonctions p eriodiques : s eries de Fourier . . . . . . . 21
2.4 Signaux mod elis es pour des fonctions non p eriodiques : Transform ee de Fourier . 25
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.2 D enition de la transform ee de Fourier . . . . . . . . . . . . . . . . . . 28
2.4.3 Propri et es de la transform ee de Fourier . . . . . . . . . . . . . . . . . . 29
2.4.4

Energie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4.5 Un exemple illustratif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Limites de la mod elisation des signaux par des fonctions . . . . . . . . . . . . . 32
2.6 Au-del` a des fonctions : les distributions . . . . . . . . . . . . . . . . . . . . . . 36
2.6.1 D enition des distributions . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.6.2 Op erations de base sur les distributions . . . . . . . . . . . . . . . . . . 39
2.6.3 Transform ee de Fourier dune distribution . . . . . . . . . . . . . . . . . 42
2.6.4 Transform ee de Fourier de fonctions (au sens des distributions) . . . . . 45
2.7 Exemples danalyse fr equentielle . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.7.1 Caract erisation de laudition humaine . . . . . . . . . . . . . . . . . . . 48
2.7.2 Description de la bande VHF . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8 R esolution d equations diff erentielles ou de la transform ee de Fourier ` a la transform ee de Laplace 50
2.9 En r esum e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.10 Annexe du chapitre : un exemple de script Matlab . . . . . . . . . . . . . . . . 56
3 Mod eliser et caract eriser un syst` eme : Convolution et ltrage fr equentiel 59
3.1 Un exemple introductif : la compression MP3 . . . . . . . . . . . . . . . . . . . 59
3.2 Filtrage fr equentiel : objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.3 Syst` emes de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.3.1 Produit de convolution et syst` emes de convolution . . . . . . . . . . . . 62
3.3.2 Produit de convolution et distribution . . . . . . . . . . . . . . . . . . . 67
3.3.3 Sortie dun syst` eme de convolution pour une entr ee sinusodale : r eponse harmonique 69
3
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
4
3.3.4 Produit de convolution et transform ees de Fourier et de Laplace . . . . . 70
3.3.5 Syst` eme de convolution et fonction de transfert . . . . . . . . . . . . . . 72
3.3.6 Simulation dun syst` eme de convolution . . . . . . . . . . . . . . . . . . 73
3.4 Filtrage fr equentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.1 Filtres analogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.4.2 Lid eal peut-il etre atteint ? . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.4.3 Filtres analogiques classiques . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 Fen etrage temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.6 En r esum e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.7 Annexe du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.7.1 Un environnement evolu e de simulation signaux et syst` emes : Simulink 96
3.7.2 Exemple de script Matlab pour le calcul de ltres . . . . . . . . . . . . 98
4 Autocorr elation et intercorr elation des signaux d eterministes 101
4.1 Energie et puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.1 D enition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.1.2 Intercorr elation et autocorr elation . . . . . . . . . . . . . . . . . . . . . 104
4.1.3 Densit es spectrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2.1 Autocorr elation appliqu ee ` a lextraction dinformation dun signal d egrad e 106
4.2.2 Intercorr elation appliqu ee ` a la mesure dun temps de propagation . . . . 108
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5 De lanalogique au num erique 111
5.1 Mod elisation dun signal discret par peigne de Dirac . . . . . . . . . . . . . . . 112
5.1.1 Transform ee de Fourier dun signal discret . . . . . . . . . . . . . . . . 112
5.1.2 Transform ee en Z dun signal discret . . . . . . . . . . . . . . . . . . . 113
5.1.3 Expression dun signal discret bas ee sur un peigne . . . . . . . . . . . . 114
5.2 De la transform ee de Fourier dun signal echantillonn e . . . . . . . . . . . . . . 115
5.3 Th eor` eme de Shannon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.3.1 Lenseignement de Shannon . . . . . . . . . . . . . . . . . . . . . . . . 120
5.3.2 De lart de bien echantillonner . . . . . . . . . . . . . . . . . . . . . . . 121
5.3.3 De lart de reconstituer un signal continu ` a partir du signal echantillonn e 123
5.4 De la transform ee de Fourier discr` ete aux analyseurs de spectre num eriques . . . 124
5.4.1 TFD pour le calcul du spectre de signaux ` a support ni . . . . . . . . . . 126
5.4.2 TFD pour le calcul du spectre de signaux p eriodiques . . . . . . . . . . . 131
5.4.3 Principe de lanalyseur num erique de spectre . . . . . . . . . . . . . . . 136
5.5 En r esum e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.6 Annexe du chapitre : exemples de scripts Matlab . . . . . . . . . . . . . . . . 139
6 Filtrage num erique 141
6.1 Convolution discr` ete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.1.1 Produit de convolution discret et syst` emes de convolution discrets . . . . 141
6.1.2 Syst` eme de convolution discret et fonction de transfert . . . . . . . . . . 143
6.2 Conception de ltres ` a r eponse impulsionnelle innie . . . . . . . . . . . . . . . 146
6.3 Conception de ltres ` a r eponse impulsionnelle nie . . . . . . . . . . . . . . . . 152
6.3.1 Conception par la m ethode du fen etrage . . . . . . . . . . . . . . . . . . 155
6.3.2 Conception par echantillonnage fr equentiel . . . . . . . . . . . . . . . . 160
6.4 Une remarque en guise de conclusion . . . . . . . . . . . . . . . . . . . . . . . 162
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
5
6.5 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 162
6.5.1 Conception de ltres RIIs . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.5.2 Conception de ltres RIFs . . . . . . . . . . . . . . . . . . . . . . . . . 164
7 Des signaux d eterministes aux signaux al eatoires 167
7.1 Energie et puissance pour les signaux discrets . . . . . . . . . . . . . . . . . . . 167
7.2 Signaux al eatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.1 D enition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.2.2 Mod elisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.2.3 Quelques applications . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.3 Mod elisation dun signal par un ltre g en erateur . . . . . . . . . . . . . . . . . . 174
7.3.1 Filtre g en erateur par la m ethode de Yule-Walker . . . . . . . . . . . . . 174
7.3.2 La m ethode de Yule-Walker comme solution dun probl` eme doptimisation 180
7.3.3 Une application des ltres g en erateurs : le codage LPC en traitement de la parole180
7.4 Annexe du chapitre : exemples de script Matlab . . . . . . . . . . . . . . . . . 182
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
6
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Modalit es pratiques de STI tc2
MERCI DE LIRE ATTENTIVEMENT LES MODALIT

ES DE FONCTIONNEMENT DE LEN-
SEIGNEMENT STI TC2 TRAITEMENT DE SIGNAL.
S eances de TD :
1. Les diff erentes activit es commencent ` a lheure plani ee. En particulier, les respon-
sables de TD sont autoris es ` a ne pas accepter les el` eves nayant pas la d elicatesse de
respecter lhoraire. Dans ce cas-l` a, ils seront port es absents. Lenseignement de traite-
ment du signal est sufsamment dense pour ne pas pouvoir se payer le luxe de perdre
du temps. 8 minutes de retard sur 7 s eances font environ une heure en moins !
2. Un corrig e des exercices trait es en TD sera disponible sur le serveur p edagogique
lorsque tous les groupes de TD auront trait es le sujet. Il ny aura pas de corrig e pour
les travaux pr eparatoires.
Travail pr eparatoire :
1. Le travail pr eparatoire dune s eance de TD est pr epar e par tous les el` eves du groupe et
pr esent e par un (ou plusieurs) el` eve(s) d esign e(s) par lencadrant de TD ` a partir de la
liste des el` eves, le jour de la s eance. Parall` element, une ou (plusieurs) copie(s) seront
ramass ees pour evaluation. En cas de travail non effectu e ou dabsence non justi ee
dun el` eve d esign e, la note sera de 0.
2. Un des exercices du test nal sera pris dans lensemble des exercices des travaux
pr eparatoires.
3. Les pr esentations doivent etre claires, pr ecises et efcaces. Elles contribuent ` a pr eparer
les el` eves ` a la communication technique.
Le contr ole des connaissances de la comp etence Savoir se d ecompose en premi` ere session
en 3 parties.
1. Correction du travail pr eparatoire de TD (10% de la note totale).
2. Microtest : il sagit dun test de 1h lors de la 4i` eme s eance de cours dans lequel le sujet
sera r esolu par bin omes (10% de la note totale).
3. Test terminal (80 % de la note totale). ATTENTION, les seuls documents autoris es
sont des formulaires qui seront distribu es en cours de semestre et une feuille de papier
A4 o` u les el` eves pourront ecrire un r esum e de cours
1
Ils rendront cette feuille avec
leur copie.
1
Un r esum e de cours ne doit pas comprendre d el` ements des TDs.
7
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
8
Apr` es publication aupr` es des el` eves de la note totale, deux s eances de consultation de copies
seront organis ees.
Les el` eves qui d esirent des pr ecisions sur la note totale ou constatent des probl` emes au-
ront un d elai de 3 semaines apr` es la publication des notes par le Service de Scolarit e pour
contacter le responsable du cours. Pass e ce d elai, aucun demande ne sera prise en compte.
A lissue de la seconde session, la note de Savoir sera constitu ee par la note de test de la
seconde session.
Assiduit e : conform ement au r` eglement de scolarit e, la pr esence est obligatoire pour toutes
les activit es de STI tc2. Si cest une condition n ecessaire, elle nest cependant pas sufsante
pour pleinement proter de lenseignement de traitement du signal.
1. Toute absence doit etre justi ee aupr` es de ladministration.
2. Pour la s eance de microtest, en plus de la justication aupr` es du Service de Scolarit e,
toute absence doit etre signal ee par email aupr` es du responsable de cours. Si ces deux
d emarches sont effectu ees et labsence est excus ee par le Service de Scolarit e, la note
nale sera calcul ee avec un poids de 90 % pour le test nal. Sinon, la r` egle g en erale
sapplique avec une note de microtest de 0.
3. En cas dabsence non excus ee par le Service de Scolarit e dun el` eve d esign e ` a partir
de la liste des el` eves du groupe de TD pour pr esenter le travail pr eparatoire ou pour
donner sa copie, la note de travail pr eparatoire sera de 0. En cas dabsence excus ee par
le Service de Scolarit e, la note nale de Savoir sera calcul ee avec un poids de 90 %
pour le test nal au lieu de 80 %.
4. En cas dabsence non excus ee par le Service de Scolarit e en s eance de TP de 4h, l el` eve
ne pourra pas se pr esenter ` a la s eance de BE de 2h et aura 0 pour note de Savoir Faire
de STI tc2. En cas de pr esence dans la s eance de TP de 4h et dabsence non excus ee par
le Service de Scolarit e dans la s eance de BE de 2h, la note de Savoir Faire sera calcul ee
en prenant 0 pour note de BE. En cas dabsence excus ee par le Service de Scolarit e en
s eance de TP de 4h, l el` eve pourra participer ` a une autre s eance ` a condition quil nait
aucune activit e programm ee sur ce cr eneau et que leffectif du groupe le permette. Un
el` eve ne peut se pr esenter en s eance de BE de 2H que sil a effectu e la s eance de TP
4h. En n de semestre, le responsable de lAF essaiera en fonction des possibilit es
du planning dorganiser une s eance de rattrapage pour le TP 4h et le BE 2h. En cas
dimpossibilit e et dabsence excus ee par le Service de Scolarit e de l el` eve, l el` eve
naura pas de note de Savoir Faire pour lAF.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 1
Introduction
1.1 Le signal au service de l etre humain
Un signal est une grandeur qui d epend du temps t. Cette grandeur est souvent physique.
La grandeur dun signal peut etre de diff erents types :
Information : par exemple le son qui est une variation de la pression de lair, voir gure 1.1 ;
Cliquer pour ecouter
0 1 2 3 4 5 6 7 8 9
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
Alleluia du Messie de Haendel
FIG. 1.1 Alleluia dHaendel


Energie : par exemple la tension du secteur ;
Mati` ere : par exemple un d ebit deau en un point dun canal dirrigation.
Les outils pr esent es dans lAction de Formation STI tc2 concernent plus particuli` erement les
signaux porteurs dinformation.
Les signaux occupent une place pr epond erante dans la vie de tout etre humain puisquils sont ce
qui permet ` a un etre humain de percevoir son environnement et dinteragir avec lui.
D etection L etre humain d etecte les signaux issus de son environnement (sons, odeurs, images,
etc..) gr ace ` a ces capteurs (oreilles, nez, yeux, etc...).
Traitement Il les traite et les interpr` ete (par exemple, il isole un son particulier).
9
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
10 CHAPITRE 1 INTRODUCTION
G en eration Il est capable de g en erer des signaux ` a destination de son environnement.
1.2 Limportance du signal dans nos soci et es contemporaines
Cest un lieu commun que dafrmer que notre soci et e contemporaine est la soci et e de linforma-
tion. Linformation y est v ehicul ee par les signaux. Face ` a la masse des signaux quil est n ecessaire
de traiter, souvent en temps r eel, les ing enieurs ont cr e e des syst` emes technologiques dune grande
complexit e. Ceux-ci ont envahi notre soci et e et font parti des objets incontournables de notre quo-
tidien.
En r eponse aux enjeux de la soci et e actuelle, des m ethodes scientiques puissantes pour g erer
une telle complexit e ont et e d evelopp ees par les chercheurs en Sciences de lIng enieur. La matrise
de ces m ethodes devient de plus en plus incontournable dans la pratique de ling enieur quelque
soit le domaine auquel il se destine.
Lobjectif de cet enseignement est de donner des bases scientiques minimales pr ealables ` a
lacquisition et ` a la matrise de ces m ethodes. Dautre part, combin ee avec les enseignements
dAutomatique, il sagit de contribuer ` a lacquisition de lapproche syst` eme , incontournable
lorsquil sagit de d evelopper des syst` emes dune certaine complexit e, m eme si leur nalit e nest
pas de g erer de linformation
1
Dans le traitement de linformation, il est n ecessaire de
mesurer le signal, souvent ` a laide de capteurs (m etrologie) ;
caract eriser et extraire le signal utile (traitement du signal) ;
le transmettre par un codage ad equat (traitement du signal).
Pour cela, le traitement du signal d eveloppe des m ethodes bas ees sur la mod elisation math emati-
que, ces m ethodes pouvant etre ensuite mises en uvre en electronique (num erique) du signal
(r ealisation technologique).
1.3 Les signaux utiles
Une premi` ere classication des signaux peut etre faite :
Signaux en temps continu ou en temps discret :
Un signal en temps continu (ou signal continu) x est d eni ` a chaque instant t appartenant
` a un intervalle de R, o` u R est lensemble des nombres r eels, ou ` a R tout entier
2
. Un si-
gnal continu est un mod` ele de signal analogique. Un signal analogique correspond ` a une
grandeur physique r eelle qui evolue au cours du temps. Un exemple de signal analogique
est repr esent e gure 1.1. Leur etude est fondamentale pour ling enieur car les signaux
analogiques repr esentent lessentiel des signaux du monde physique.
Un signal en temps discret (ou signal discret) x nest d eni qu` a certains instants t
k
soit
un vecteur de valeurs r eelles x(t = t
k
). Le cas le plus important en pratique est celui o` u
1
Voir par exemple les Actions de Formation du semestre S8 Syst` emes m ecatroniques intelligents , Filtrage
adaptatif : application au contr ole actif de bruit ou encore Sciences de lInformation et Biologie .
2
On peut aussi d enir le signal sur R auquel on a soustrait des ensembles de mesure nulle.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 11
1 2 3 4 5 6 7 8 9 10
10
8
6
4
2
0
2
4
6
k
x
k


FIG. 1.2 Signal discret
k, (t
k+1
t
k
) = Constante = T
s
. Le vecteur de valeurs
3
se r e ecrit donc x(kT
s
) = x
k
.
Un exemple de signal discret est pr esent e gure 1.2.
Un signal echantillonn e est un signal discret dont les valeurs x
k
, appel ees echantillons,
sont issues (mesur ees) dun signal continu
4
. T
s
est alors appel ee p eriode d echantillonnage.
Un exemple de signal echantillonn e est pr esent e gure 1.3.
Les signaux discrets sont le support de linformation qui est trait ee par les syst` emes
technologiques bas es sur l electronique num erique, lexemple le plus evident etant les
ordinateurs. Ils constituent l ecrasante majorit e des syst` emes technologiques complexes
g erant de linformation. Leur formidable d eveloppement ces derni` eres d ecennies a ouvert
dimmenses possibilit es ` a exploiter. Ils sont devenus incontournables y compris dans des
syst` emes qui traditionnellement nutilisaient pas de technologies electroniques
5
. L etude
des signaux discrets est donc fondamentale pour ling enieur car ils repr esentent lessen-
tiel des signaux trait es par les syst` emes complexes g erant linformation.
Signaux p eriodiques ou non. Nous allons voir dans le chapitre qui suit que les signaux conti-
nus sinusodaux constituent une classe fondamentale de signaux p eriodiques.
Signaux d eterministes ou al eatoires. Cette distinction sera abord ee en n de cours, dans le
chapitre 7.
3
Bien que tr` es simple, la repr esentation par un vecteur de valeurs r eelles pr esente linconv enient majeur d etre un
objet math ematique radicalement diff erent des fonctions qui mod elisent les signaux continus. Nous verrons dans la
suite quun autre objet math ematique est g en eralement utilis e, plus complexe quun vecteur. N eanmoins, il pr esente
lavantage formidable d etre plus proche des fonctions : on peut ainsi b atir un ensemble doutils communs aux signaux
continus et discrets.
4
Il sagit de lop eration d echantillonnage. Dans un syst` eme electronique, cette op eration est r ealis ee par un
convertisseur Analogique Num erique ou CAN.
5
Un exemple frappant est lautomobile qui dun syst` eme purement m ecanique est devenu un syst` eme
m ecatronique , cest-` a-dire un syst` eme qui fait massivement appel aux technologies ` a la fois m ecaniques et
electroniques (voir lAction de Formation de S8 Syst` emes M ecatroniques Intelligents . De fait, une automobile
est un syst` eme qui g` ere de linformation.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
12 CHAPITRE 1 INTRODUCTION
x x *
FIG. 1.3 Signal echantillonn e
1.4 Plan du cours
Les 6 chapitres qui suivent correspondent chacun ` a un cours. Le chapitre 2 pr esente la mod elisa-
tion et lanalyse spectrale des signaux continus (d etection). Le chapitre 3 introduit une technique
de traitement importante des signaux analogiques : le ltrage fr equentiel. Le chapitre 4 traite
des notions d energie et de puissance et de leur application pour lextraction dinformation des
signaux. Le chapitre 5 d eveloppe la mod elisation des signaux discrets et l echantillonnage des si-
gnaux continus. Le chapitre 6 etend le ltrage fr equentiel aux signaux discrets. Enn le chapitre 7
est une introduction aux signaux al eatoires avec comme application la g en eration de signaux.
1.5 O` u trouver linformation ?
1. Sur le serveur p edagogique, sont disponibles ce document de cours ainsi que les transparents
de cours au format electronique. On y trouve aussi un document de cours compl ementaire.
2. Dans les livres cit es en r ef erence de ce document, page 182. Un livre que le lecteur peut lire
avec grand prot est [7].
3. Sur Internet. Par exemple, les page WEB suivantes sont chaudement recommand ees :
(a) Pour un cours d etaill e sur les diff erents points du traitement du signal abord es ici :
http ://www.greyc.unicaen.fr/ gbinet/COURS.html
(b) Pour les applications java illustrant diff erents aspects du traitement du signal :
http ://patrick.furon.free.fr/ traitementsignal/ cours tns/ PlanCoursTNS.htm
Ces sources dinformation ont servi de base ` a la r edaction de ce document.
1.6 Remarques sur lutilisation de ce document
Ce document contient de nombreuses notes de bas de page. Elles peuvent se regrouper en 3
cat egories :
Rappels de d enitions parfois tr` es el ementaires : elles sont destin ees aux el` eves etrangers
qui ne connaissent pas tout le vocabulaire scientique et technique en Francais.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 13
Approfondissement de certains points du cours : dune part, le traitement du signal est par
nature multidisciplinaire et dautre part le volume horaire limit e de lenseignement ne per-
met pas de d evelopper les diff erents points ; certaines notes en bas de page pr esentent des
el ements pour aller plus loin ;
Connaissance culturelle du domaine, ` a travers par exemple des bibliographies sommaires.
Acertaines gures sont associ es des sons : pour que cette fonctionnalit e soit active, il est n ecessaire
de t el echarger en compl ement du chier .pdf du document de cours, les chiers dextension .wav
associ es.
Les applications du traitement du signal sont extr emement nombreuses et vari ees. Vouloir
en faire une pr esentation exhaustive consommerait lensemble du volume horaire consacr e ` a cet
enseignement en interdisant de pr esenter les fondements scientiques et les m ethodes principales
du traitement du signal, ce qui est lobjectif principal de lenseignement. N eanmoins, chaque
partie (avec les TDs associ es) sera illustr ee par des applications :
Le chapitre 2 est illustr e par la caract erisation de laudition humaine et de la bande VHF.
Le codage MP3 de part ses multiples facettes permet dillustrer les chapitres 3, 5 et 6.
Le chapitre 3 est aussi illustr e par la caract erisation de lacoustique de salles, le ltrage
audio, la caract erisation de canaux de communication, la g en eration de notes dans les ins-
truments de musique et la modulation damplitude (en TD).
Le chapitre 4 est illustr e par le calcul de distances pour positionner un objet.
Le chapitre 5 est illustr e par le calcul de spectre de signaux physiques ` a partir dune acqui-
sition lors dune exp erience et par une m ethode de compression de signaux echantillonn es
utilis ee dans les CDs audios (en TD).
Le chapitre 7 est illustr e par la g en eration de la parole appliqu ee ` a la t el ephonie mobile.
Pour plus de d etails, le livre [4] d etaille un certain nombre dapplications du Traitement du Signal
en utilisant Matlab.
1.7 Remerciements
Je tiens ` a remercier tous les lecteurs attentifs qui par leurs nombreuses et constructives re-
marques ont permis de fortement am eliorer la qualit e de ce document ainsi que celle de tous les
supports de lenseignement Traitement du Signal, que ce soit sur le fond ou sur la forme
6
les
etudiants (plus particuli` erement de la promotion 2011) et les enseignants impliqu es dans cet ensei-
gnement (Ronan Perrussel, Paule Blanchart, Damien Voyer, Marie-Annick Galland, Eric Blanco,
Julien Huillery, etc..).
6
Ce n etait pas une mince t ache !
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
14 CHAPITRE 1 INTRODUCTION
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 2
Mod eliser et caract eriser un signal :
Analyse en temps et en fr equence
Pour pouvoir disposer doutils efcaces pour le traitement du signal, il est dabord n ecessaire
de mod eliser (repr esenter) un signal par un objet math ematique. Puisquun signal est une grandeur
qui d epend du temps, une id ee naturelle est de le mod eliser par une fonction du temps dont le
domaine de d enition est R ou un intervalle de R.
Dans ce chapitre, nous allons voir comment il est possible de caract eriser un signal repr esent e
par une fonction du temps ` a travers les notions de fr equence et de spectre fr equentiel. Ce qui est
remarquable, cest que cette caract erisation va mettre en evidence que m eme si la repr esentation
des signaux par des fonctions est naturelle, elle admet de s erieuses limitations. An daller au-del` a,
une classe dobjets math ematiques g en eralisant les fonctions sera introduite : les distributions. Ce
chapitre est consacr e aux signaux continus. Nous verrons dans le chapitre 5 consacr e aux signaux
discrets que pour cette classe de signaux (h eg emoniques dans les syst` emes technologiques actuels)
la mod elisation par les distributions est incontournable.
Le spectre fr equentiel dun signal est d eni ` a partir de la Transform ee de Fourier de ce si-
gnal. Une autre application de la Transform ee de Fourier est le calcul de solution d equations
diff erentielles lin eaires ` a coefcients constants. Cependant, comme cela est discut e en n de cha-
pitre, une extension de la Transform ee de Fourier, appel ee Transform ee de Laplace, est un outil
plus g en eral pour cette application.
Plan du chapitre Apr` es une premi` ere introduction ` a la notion de fr equence section 2.1, en par-
tant du principe quun signal est une fonction, la description de fonctions d enies sur un intervalle
par des fonctions sinusodales est pr esent ee dans la section 2.2. Cette description est etendue
aux fonctions p eriodiques dans la section 2.3. Dans la section 2.4, cette description est etendue ` a
une classe g en erale de fonctions non p eriodiques. N eanmoins, bien que g en erale, cette classe ne
contient pas des fonctions repr esentant des signaux el ementaires utiles. Si on elargit la classe an
de les contenir, la section 2.5 illustre quun probl` eme math ematique fondamental apparat. La no-
tion de distribution introduite dans la section 2.6 offre une solution el egante avec pour b en ece de
d enir une description par fonctions sinusodales pour une classe de signaux sufsamment riche
pour nos objectifs pratiques. Les sections 2.4 et 2.6 introduisent la Transform ee de Fourier qui
permet de d enir le spectre fr equentiel dun signal. La section 2.7 pr esente des premi` eres appli-
cations du spectre fr equentiel. Lutilisation de la Transform ee de Fourier en conjonction avec la
Transform ee de Laplace pour la r esolution d equation diff erentielle est discut ee section 2.8, ce qui
permet dillustrer les relations entre ces deux Transform ees.
15
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
16 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
2.1 Introduction ` a la notion de fr equence
La notion de fr equence est intimement li ee ` a une classe de signaux particuliers qui sont les
signaux mod elisables par des fonctions sinusodales, cest-` a-dire les fonctions de la forme :
Asin
_
2
t
T
+
_
Ces classes de signaux occupent une place importante dans la perception du son par lhomme.
L etre humain est en effet sensible ` a
la fr equence
1
T
qui correspond ` a la notion de grave et daigu, voir le tableau de gures 2.1 ;
lamplitude Aqui correspond ` a la notion de puissance, voir le tableau de gures 2.2.
Cliquer pour ecouter
y(t) = 0.6 sin(2600t)
0 1 2 3 4 5 6
x 10
3
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
0
.6
s
in
(2

6
0
0
t)
Cliquer pour ecouter
y(t) = 0.6 sin(21000t)
0 1 2 3 4 5 6
x 10
3
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
0
.6
s
in
(2

1
0
0
0
t)
Cliquer pour ecouter
y(t) = 0.6 sin(22000t)
0 1 2 3 4 5 6
x 10
3
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
0
.6
s
in
(2

2
0
0
0
t)
TAB. 2.1 Sons associ es ` a des fonctions sinusodales de diff erentes fr equences
Cliquer pour ecouter
y(t) = 0.2 sin(2600t)
0 1 2 3 4 5 6
x 10
3
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
0.2 sin(2 600 t)
Cliquer pour ecouter
y(t) = 0.6 sin(2600t)
0 1 2 3 4 5 6
x 10
3
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t
0
.6
s
in
(2

6
0
0
t)
TAB. 2.2 Sons associ es ` a des fonctions sinusodales de diff erentes amplitudes
Il est aussi bien connu quun son constitu e ` a partir dune combinaison de fonctions sinusodales
bien choisies peut produire des sons agr eables ` a ecouter. Un exemple est pr esent e tableau 2.1.
Au-del` a d etre qualitativement int eressant, les signaux sinusodaux pr esentent un int er et beau-
coup plus fondamental. Ils permettent une description math ematique pr ecise de larges classes de
signaux. Nous allons expliciter ce que cela signie dans ce chapitre.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 17
Cliquer pour ecouter
y(t) = 0.3 (sin(2.440.t) + sin(2.554.t) + sin(2.659.t))
0 50 100 150 200 250
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t
0
.
3
(
s
i
n
(
2

.
4
4
0
.
t
)
+
s
i
n
(
2

.
5
5
4
.
t
)
+
s
i
n
(
2

.
6
5
9
.
t
)
)
Son agrable
FIG. 2.1 Un son agr eable
2.2 Signaux mod elis es par des fonctions d enies sur un inter-
valle
_

T
2
,
T
2

: s eries de Fourier
Pour T > 0, soit L
2
([
T
2
,
T
2
]) lespace des fonctions f r eelles d enies sur [
T
2
,
T
2
] telles que
_ T
2

T
2
f(t)
2
dt < .
On peut d enir le produit scalaire de deux el ements f et g de cet espace par :
< f, g >=
_ T
2

T
2
f(t)g(t)dt
et la norme associ ee par :
|f|
2
=

_
_ T
2

T
2
f(t)
2
dt.
Cette norme est appel ee norme L
2
. La norme |f|
2
sinterpr` ete comme la racine carr ee de l energie
de f. Pour ce produit scalaire, une base orthonormale e
m

mZ
de L
2
([
T
2
,
T
2
]) est d enie par :
e
m
=
_

_
_
2
T
cos
_
2m
t
T
_
si m < 0
1

T
si m = 0
_
2
T
sin
_
2m
t
T
_
si m > 0
Par suite, toute fonction f de L
2
([
T
2
,
T
2
]) peut s ecrire
1
:
f =

m=
< f, e
m
> e
m
.
1
Sur la signication de cette egalit e, voir la Remarque importante page 20.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
18 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
e
m
1

T
_
2
T
cos
_
2m
t
T
_
_
2
T
sin
_
2m
t
T
_
< f, e
m
>
1

T
_ T
2

T
2
f(t)dt
_
2
T
_ T
2

T
2
f(t) cos
_
2m
t
T
_
dt
_
2
T
_ T
2

T
2
f(t) sin
_
2m
t
T
_
dt
TAB. 2.3 Coordonn ees de f dans la base e
m

mZ
a
0
a
n
b
n
1
T
_ T
2

T
2
f(t)dt
2
T
_ T
2

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

T
2
f(t) sin
_
2n
t
T
_
dt
TAB. 2.4 Coefcients a
n
et b
n
Dapr` es le tableau 2.3, il existe alors des r eels a
0
, a
n
et b
n
pr esent es dans le tableau 2.4 tels que
2
:
t
_

T
2
,
T
2
_
, f(t) = a
0
+

n=1
_
a
n
cos
_
2n
t
T
_
+ b
n
sin
_
2n
t
T
__
. (2.1)
Exemple 1 La fonction f dont la courbe repr esentative est pr esent ee gure 2.2 admet la d ecomposition
en s erie de Fourier suivante :
t [1, 1] , f(t) = cos
_
2
t
T
_
+ 4 sin
_
2
t
T
_
+ 4 cos
_
22
t
T
_
.
Exemple 2 La gure 2.3 repr esente la courbe caract eristique de la fonction f d enie par la
d ecomposition en s erie de Fourier suivante, avec T = 2 :
t [1, 1] , f(t) = 1.3959 + 92.108 cos
_
2
t
T
_
+ 1.9081 cos
_
22
t
T
_
+
+ 10.545 cos
_
23
t
T
_
+ 2.7034 cos
_
24
t
T
_
+ 3.5953 cos
_
25
t
T
_
+
+ 2.7778 cos
_
26
t
T
_
+ 1.9838 cos
_
27
t
T
_
+ 2.4283 cos
_
28
t
T
_
(2.2)
On constate quen sommant quelques courbes sinusodales, une forme tr` es eloign ee dune courbe
sinusodale peut etre obtenue.
En utilisant la formule dEuler
3
, la d ecomposition en s erie de Fourier dune fonction peut se
2
Une autre ecriture de l egalit e (2.1) est :
t
_

T
2
,
T
2
_
, f(t) = a
0
+

n=1

n
sin
_
2n
t
T
+
n
_
Le terme de la somme correspondant ` a n = 1, cest-` a-dire sin
_
2
t
T
+
1
_
, est traditionnellement appel e fondamen-
tal ; les termes de la somme correspondant ` a n > 1, cest-` a-dire sin
_
2n
t
T
+
n
_
, sont traditionnellement appel es
harmoniques.
3
e
ix
= cos(x) + i sin(x) o` u i repr esente limaginaire pur : i
2
= 1.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 19
1 0.5 0 0.5 1
10
8
6
4
2
0
2
4
6
t


cos(2/Tt)
4sin(2/Tt)
4cos(2/T2t)
f(t)
FIG. 2.2 Repr esentation de la fonction f par sa d ecomposition en s erie de Fourier
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1
100
50
0
50
100
150
t
FIG. 2.3 Repr esentation de la courbe caract eristique de la fonction f d enie par (2.2)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
20 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
r e-exprimer par :
t
_

T
2
,
T
2
_
, f(t) =

n=
c
n
e
2i
n
T
t
(2.3)
avec
4
c
n
=
1
T
_ T
2

T
2
f(t)e
2i
n
T
t
dt. (2.4)
L equation (2.3) est appel ee la d ecomposition en s erie de Fourier (complexe) de la fonction f sur
lintervalle
_

T
2
,
T
2

.
Remarque Dans le cas o` u la fonction f est
1. r eelle : les coefcients c
n
sont tels que c
n
= c
n
: [c
n
[ = [c
n
et arg(c
n
) = arg(c
n
) ;
2. paire
5
: les coefcients c
n
sont r eels ;
3. impaire
6
, les coefcients c
n
sont imaginaires purs.
Remarque importante L egalit e (2.3), ainsi que les egalit es pr ec edentes telles que (2.1), doivent
se comprendre en r ealit e comme la convergence de la s erie :
S
N
(t) =
N

n=N
c
n
e
2i
n
T
t
vers la fonction f au sens de la norme d enie sur L
2
([
T
2
,
T
2
]) :
lim
N
|S
N
f|
2
= 0
(convergence en moyenne quadratique). Cela ne signie pas forc ement que pour tout t
_

T
2
,
T
2

,
lim
N
S
N
(t) = f(t)
(convergence point par point ou ponctuelle). La convergence en moyenne quadratique nimplique
la convergence ponctuelle que pour des classes particuli` eres de fonctions f. Une classe particuli` ere
est celle des fonctions continues et d erivables et dont la d eriv ee est continue (classe c
1
). Pour plus
de d etails, voir [10, 5].

Egalit e de Parseval A partir des coefcients c


n
, l energie de la fonction f peut etre d etermin ee :
_ T
2

T
2
f(t)
2
dt = T

n=
[c
n
[
2
.
4
c
n
=
a
n
ib
n
2
et a
n
= 2Re(c
n
), b
n
= 2Im(c
n
). Faire attention que, contrairement ` a la somme (2.1), dans la
somme (2.3), n prend des valeurs n egatives.
5
f(t) = f(t).
6
f(t) = f(t).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 21
2.3 Signaux mod elis es par des fonctions p eriodiques : s eries de
Fourier
On consid` ere le cas dune fonction p eriodique
7
r eelle de p eriode T f
p
d enie sur Ret telle que
_ T
2

T
2
f
p
(t)
2
dt < .
Alors, dapr` es la section pr ec edente,
t
_

T
2
,
T
2
_
, f
p
(t) =

n=
c
n
e
2i
n
T
t
(2.5)
avec
c
n
=
1
T
_ T
2

T
2
f
p
(t)e
2i
n
T
t
dt. (2.6)
Puisque la fonction f
p
et les fonctions qui ` a t associent e
2i
n
T
t
sont des fonctions p eriodiques de
p eriode T, la d ecomposition (2.3) est valable pour tout t R :
t R, f
p
(t) =

n=
c
n
e
2i
n
T
t
.
Le rapport =
n
T
d enit une fr equence, multiple de
0
=
1
T
;
0
est appel e fr equence fondamentale
et d eni avec n > 1 fr equence harmonique. Puisque n est un entier relatif, dans lexpression
ci-dessus, la fr equence peut etre n egative dans le cas o` u n est n egatif.
Ce qui est remarquable dans l equation (2.5), cest quelle met en evidence que les coefcients
de la d ecomposition en s erie de Fourier c
n
caract erisent exactement
8
la fonction f
p
. Ils consti-
tuent ainsi un mode de repr esentation de f
p
. Cest pour cela quil est commode de les repr esenter
graphiquement. Dans le cas o` u les coefcients c
n
sont r eels, ils sont repr esent es en fonction de ;
sinon on repr esente [c
n
[ en fonction de et arg(c
n
) en fonction de sur deux gures s epar ees.
Exemple 1 Soit la fonction p eriodique f
p
d enie par :
f
p
(t) = sin
_
2
1
T
t
_
=
e
2i
1
T
t
e
2i
1
T
t
2i
.
Par identication, on a c
1
=
i
2
, c
1
=
i
2
et c
n
= 0 pour n ,= 1 et n ,= 1. On obtient alors la
repr esentation pr esent ee gure 2.4.
Exemple 2 A partir de la fonction rect , fonction rectangle d enie par :
_
_
_
t [
1
2
,
1
2
] rect(t) = 1
sinon rect(t) = 0
et dont la courbe caract eristique est repr esent ee gure 2.5, on peut d enir la fonction p eriodique
de p eriode T f
p
par :
t
_

T
2
,
T
2
_
, f
p
(t) = rect
_
t
T
0
_
avec 0 < T
0
< T, voir la courbe caract eristique repr esent ee gure 2.6. Par application de (2.6),
7
f
p
(t +T) = f
p
(t)
8
Dans le sens pr esent e dans la Remarque importante pr esent ee page 20.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
22 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
1 /T 0 1/T
0.5
0
0.5
1
1.5
1/T 0 1/T

0

|c
n
|
arg(c
n
)
/2
/2
radians
FIG. 2.4 Repr esentation des coefcients c
n
de la s erie de Fourier
1 0.5 0 0.5 1
0.5
0
0.5
1
1.5
t
r
e
c
t
(
t
)
FIG. 2.5 Courbe caract eristique de la fonction rect
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 23
3 2 1 0 1 2 3
0.5
0
0.5
1
1.5
t
f
p
(
t
)
T
T
0
FIG. 2.6 Courbe caract eristique de la fonction p eriodique f
p
on peut alors etablir que
c
n
=
T
0
T
sinc
_
n
T
0
T
_
avec sinc la fonction sinus cardinal d enie par
9
sinc(x) =
sin(x)
x
.
La courbe caract eristique de cette fonction est repr esent ee gure 2.7. On notera que :
sinc(0) = 1 ;
Pour tout entier relatif non nul n, sinc(n) = 0.
Les coefcients c
n
sont ici r eels. Avec T = 2T
0
, on a la repr esentation associ ee gure 2.8 o` u
la courbe en trait continu n est la courbe caract eristique de la fonction sinus cardinal.
Examinons ce que donne le somme des 2N + 1 premiers termes de la d ecomposition en s erie
de Fourier ainsi obtenue :
S
N
(t) =
N

n=N
c
n
e
2i
n
T
t
pour N = 1, N = 3, N = 5 et pour N = 144, voir gure 2.9. On constate quau plus N est
important, au plus on se rapproche de la fonction p eriodique f
p
sauf
10
pour les valeurs de t qui
correspondent aux discontinuit es de la courbe caract eristique de f
p
. Lexplication se trouve dans la
Remarque importante page 20 : dans lexemple consid er e ici la convergence nest pas ponctuelle
mais en moyenne quadratique.
9
Si vous avez d ej` a crois e la fonction sinus cardinal, la d enition que vous avez eu a peut- etre et e diff erente.
Normal, il existe deux d enitions de la fonction sinc l eg` erement diff erentes. Pour ce qui est de cet enseignement de
Traitement de Signal, seule la d enition pr esent ee dans cette page est consid er ee comme valable.
10
On parle du ph enom` ene de Gibbs .
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
24 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
5 4 3 2 1 0 1 2 3 4 5
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
x
s
i
n
c
(
x
)
FIG. 2.7 Courbe caract eristique de la fonction sinus cardinal
5 4 3 2 1 0 1 2 3 4 5
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6

c
n
c
0
c
1
c
2
c
4
c
3
c
6
c
5
c
8
c
7
c
9
c
1
c
2
c
3
c
4
c
5
c
6
c
7
c
8
c
9
1/T
T
0
/T
FIG. 2.8 Coefcients de la s erie de Fourier de la fonction p eriodique associ ee ` a la fonction rect
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 25
3 2 1 0 1 2 3
0.5
0
0.5
1
1.5
t


N=1
N=3
N=5
3 2 1 0 1 2 3
0.5
0
0.5
1
1.5
t
N = 144
FIG. 2.9 Somme des N premiers termes de la d ecomposition en s erie de Fourier avec N = 1,
N = 3 et N = 5 (haut) et N = 144 (bas)
2.4 Signaux mod elis es pour des fonctions non p eriodiques :
Transform ee de Fourier
2.4.1 Introduction
Lobjectif est de rechercher une d ecomposition du type s erie de Fourier mais dans le cas
dune fonction non p eriodique f appartenant ` a L
1
(R) L
2
(R), cest-` a-dire telle que :
_
+

[f(t)[dt < et
_
+

f(t)
2
dt < .
Le format et les objectifs du cours ne permettant pas un d eveloppement math ematique rigou-
reux
11
, une premi` ere explication qualitative et rapide de ce que peut etre la transposition de la s erie
de Fourier aux fonctions non p eriodiques ` a travers un exemple va etre pr esent ee dans ce qui suit.
Une fonction de L
2
(R) peut etre vue comme la limite de fonctions p eriodiques f
T
telles que
t
_

T
2
,
T
2
_
, f
T
(t) = f(t)
pour T tendant vers linni, voir gure 2.10. Puisque cette fonction f
T
admet une d ecomposition
en s erie de Fourier, comment celle-ci evolue-t-elle quand T tend vers linni ?
11
Pour une pr esentation math ematiquement rigoureuse, voir par exemple [1, 10].
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
26 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
0
0.5
0
0.5
1
f
(
t
)
0
0.5
0
0.5
1
f
T
m
(
t
)
0
0.5
0
0.5
1
t
f
T
(
t
)
T
T
FIG. 2.10 Fonction f
T
obtenue ` a partir de f
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 27
On revient sur lexemple de la fonction pr esent ee dans lexemple 2, page 21, avec T
0
x e :
t R, f(t) = rect
_
t
T
0
_
. Lexplication qui suit est avec les mains . La fonction f
T
etant p eriodique et de carr e int egrable sur une p eriode, elle admet dapr` es la section 2.3 une
d ecomposition en s erie de Fourier :
t R, f
T
(t) =

n=
c
n
e
2i
n
T
t
(2.7)
avec
c
n
=
1
T
_ T
2

T
2
f
T
(t)e
2i
n
T
t
dt.
La d ecomposition en s erie de Fourier fait intervenir lensemble des fr equences :
_
n
T
_
nZ
o` u
1
T
est
la fr equence fondamentale.

Evidement on peut ecrire l egalit e (2.7) simplement pour lintervalle
_

T
2
,
T
2

et comme les fonctions f et f


T
concide sur cet intervalle, on a alors :
t
_

T
2
,
T
2
_
, f(t) =

n=
c
n
e
2i
n
T
t
avec
c
n
=
1
T
_ T
2

T
2
f(t)e
2i
n
T
t
dt.
Notons que c
n
est une fonction de
n
T
.
Quand T tend vers +, lensemble discret de points
_
n
T
_
nZ
se transforme en un en-
semble continu de points
R
:

_
n
T
_
nZ

R
.
Par suite, la variable
n
T
est remplac ee par la variable continue et la courbe Tc
n
fonction de
n
T
se transforme en une courbe continue fonction de . La gure 2.11 repr esente les coefcients de
la d ecomposition en s erie de Fourier
12
multipli es par T. En prenant successivement T = 2T
0
,
T = 4T
0
, T = 8T
0
et T = 16T
0
, on obtient les repr esentations associ ees gure 2.11. L ecart entre
deux points successifs etant de 1/T, celui-ci tend vers 0 quand T tend vers +.
Donc, quand T tend vers +,
Tc
n

nZ

__
+

f(t)e
2it
dt
_
R

ce dernier ensemble d enissant une fonction not ee F. Enn,

n=
1
T
Tc
n
e
2i
n
T
t

_
+

F()e
2it
d
donc, on a :
f(t) =
_
+

F()e
2it
d.
12
qui ont le bon go ut d etre r eels dans cet exemple : ce nest evidemment pas toujours le cas.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
28 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
5 4 3 2 1 0 1 2 3 4 5
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2

T
c
n
Tc
n
T=2T
0
5 4 3 2 1 0 1 2 3 4 5
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2

c
n
Tc
n
T=4T
0
5 4 3 2 1 0 1 2 3 4 5
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2

c
n
Tc
n
T=8T
0
5 4 3 2 1 0 1 2 3 4 5
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2

c
n
Tc
n
T=16T
0
FIG. 2.11 Tc
n

nZ
pour T = 2T
0
, T = 4T
0
, T = 8T
0
et T = 16T
0
2.4.2 D enition de la transform ee de Fourier
D enition 2.4.1 La fonction F telle que
R, F() =
_
+

f(t)e
2it
dt (2.8)
est appel ee transform ee de Fourier de f et est not ee T[f]. On d enit la transform ee de Fourier
inverse, not ee T
1
[F], par
t R, f(t) =
_
+

F()e
2it
d.
Notation : f(t) F() = T[f]().
On appelle transformation de Fourier lapplication
13
not ee T qui ` a une fonction associe sa
transform ee de Fourier (si elle existe).
Remarque Pour un signal f, F = T[f] est appel e Spectre du signal.
13
Lapplication qui a une fonction associe une fonction est appel ee un op erateur. An de les distinguer des fonc-
tions, lapplication de lop erateur T sur la fonction f est not ee avec des crochets (au lieu de parenth` eses) : T[f]. La
valeur de la fonction T[f] en est alors not ee T[f](). L ecriture T[f(t)] est ` a proscrire car absurde : T sapplique
sur des fonctions ; or f(t) ne repr esente pas la fonction f mais sa valeur en t.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 29
Remarque La transform ee de Fourier et la transform ee de Fourier inverse sont tr` es proches
puisque leur d enition implique que
14
:
T
1
[F] = T[F]. (2.9)
On a le r esultat suivant qui n ecessite la d enition de lensemble L
1
(R) : cest lensemble des
fonctions f de R dans R telles que :
_
+

[f(t)[dt < .
Th eor` eme 2.4.1 Si f est une fonction
15
de L
1
(R) alors la fonction F existe, est continue et F()
tend vers 0 quand [[ .
Exemple Avec T
0
> 0, la fonction f d enie sur R par :
t R, f(t) = rect
_
t
T
0
_
appartient ` a L
1
(R).
Notation Dans la suite du document, an dall eger les notations, on pourra d esigner la fonc-
tion f par son expression dans laquelle la variable a et e remplac ee par , ce qui donne dans cet
exemple :
rect
_

T
0
_
.
Il sagit ici de bien faire la diff erence entre la fonction f et sa valeur f(t) pour la variable t.
Exemple (suite) Dapr` es le th eor` eme 2.4.1, cette fonction admet une transform ee de Fourier. De
plus, par application directe de (2.8), on etablit que sa transform ee de Fourier sexprime ` a laide
de la fonction sinus cardinal :
R, T
_
rect
_

T
0
__
() = T
0
. sinc(T
0
)
voir gure 2.12.
Remarque M eme si dans lexemple pr ec edent la fonction F est une fonction r eelle, en g en eral,
elle est complexe. On repr esente graphiquement son module [F()[ en fonction de et son argu-
ment arg(F()) en fonction de . On parle de repr esentation spectrale.
2.4.3 Propri et es de la transform ee de Fourier
Dans ce qui suit, a R, b R, f et g sont deux fonctions de L
1
(R). F() repr esente T[f]().
14
F est la fonction conjugu ee de F, qui ` a associe F(), nombre complexe conjugu e de F(). Pour un nombre
complexe x + iy o` u x et y sont des r eels, le conjugu e est d eni par x iy.
15
Lextension de la transform ee de Fourier aux fonctions de L
2
(R) peut se faire au sens des distributions car une
fonction de L
2
(R) d enit une distribution (temp er ee), voir la section 2.6.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
30 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
TEMPS FR

EQUENCE
0
0.5
0
0.5
1
1.5
t
r
e
c
t
(
t
/
T
0
)
T
0
T
0
/2 T
0
/2
2/To 1/To 0 1/To2 /To
0.5
0
0.5
1
1.5
2
2.5

T
0
s
i
n
c
(
T
0

)
T
0
FIG. 2.12 Fonction rectangle et sa transform ee de Fourier
2.4.3.1 Lin earit e
T[af + bg] = aT[f] + bT[g]
2.4.3.2 Sym etrie et conjugaison complexe
R, T
_
f()
_
() = F()
R, T[f()]() = F()
2.4.3.3 Changement d echelle
R, T[f(a)]() =
1
[a[
F
_

a
_
2.4.3.4 Translation temporelle
R, T[f( t
0
)]() = e
2it
0
F ()
2.4.3.5 Modulation
R, T[e
2i
0

f()]() = F (
0
)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 31
2.4.3.6 Transform ee de Fourier de la d eriv ee dune fonction
La fonction f est ici suppos ee d erivable avec sa d eriv ee
16
f

L
1
(R).
R, T[f

]() = 2iF ().


Cette relation se g en eralise ` a lordre n :
R, T[f
(n)
]() = (2i)
n
F ().
2.4.3.7 Cons equences des propri et es
1. La partie r eelle de la transform ee de Fourier dune fonction r eelle est paire et la partie
imaginaire est impaire.
2. Le module de la transform ee de Fourier dune fonction r eelle est pair et son argument est
impair.
3. La transform ee de Fourier dune fonction r eelle et paire est r eelle et paire.
4. La transform ee de Fourier dune fonction r eelle et impaire est imaginaire et impaire.
2.4.4

Energie
Une fonction f de L
2
(R) est dite ` a energie nie. L energie est dailleurs d enie par
_

f(t)
2
dt
soit |f|
2
2
. Si de plus f appartient ` a L
1
(R) alors elle admet une transform ee de Fourier F.
Peut-on evaluer l energie de f ` a partir de sa transform ee de Fourier F ? Le th eor` eme suivant
r epond ` a cette question.
Th eor` eme 2.4.2 (Parseval Plancherel) Soit f L
1
(R) L
2
(R). Alors
_

f(t)
2
dt =
_

[F()[
2
d.
L energie peut donc aussi se calculer ` a partir de lexpression de sa transform ee de Fourier F dans
lespace des fr equences. La fonction [F()[
2
est appel ee densit e spectrale d energie.
2.4.5 Un exemple illustratif
Soit un enregistrement sonore qui a et e enregistr e sur un disque vinyle ` a 45 tours par minutes.
Ce signal est restitu e en lisant le disque sur un tourne-disque avec une vitesse de 33 tours par
minutes. Quelle est la relation entre le spectre du signal restitu e par rapport au spectre du signal
enregistr e ?
Soit x le signal enregistr e et x le signal restitu e. Alors le signal restitu e sexprime par x =
x(a) avec a =
33
45
. Il sagit donc dun changement d echelle temporelle. Par suite,
R, T[ x] = T[x(a)]
16
La formule qui suit peut se calculer en faisant une int egration par partie ` a partie de lexpression (2.8) de la
transform ee de Fourier.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
32 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
FIG. 2.13 Tourne-disque Teppaz http ://www.alienor.org/ARTICLES/scooters/image tourne-
disque.htm
Dapr` es la propri et e de Changement d echelle :
R, T[x(a)]() =
1
[a[
T[x]
_

a
_
Par suite,
R, T[ x]() =
45
33
T[x]
_
45
33

_
Le signal restitu e sera donc plus grave que le signal enregistr e.
Le signal restitu e sera dautre part plus puissant dans le sens o` u l energie du signal sera
plus importante. En effet, dapr` es le th eor` eme de Parseval :
_
+

x(t)
2
dt =
_
+
=
[

X()[
2
d =
_
45
33
_
2
_
+
=

X
_
45
33

2
d.
En faisant le changement de variable =
45
33
, on obtient
_
+

x(t)
2
dt =
_
45
33
_
2
_
+
=
[X ( )[
2
d .
Dapr` es le th eor` eme de Parseval, on aura alors :
_
+

x(t)
2
dt =
_
45
33
_
2
_
+

x(t)
2
dt,
Do` u la conclusion.
2.5 Limites de la mod elisation des signaux par des fonctions
Certaines fonctions tr` es simples et potentiellement tr` es utiles nappartiennent pas ` a lensemble
L
1
(R) (ni ` a lensemble L
2
(R)). Un exemple simple est la fonction f d enie par t R, f(t) = 1.
Quelle pourrait etre la transform ee de Fourier pour certaines de ces fonctions, si elle existe ? On
va examiner le cas de cette fonction f.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 33
Exemple La fonction t R, f(t) = 1 peut etre interpr et ee comme la limite dune s equence
de fonctions f
T
0
d enies par
t R, f
T
0
(t) = rect(t/T
0
),
quand T
0
tend vers +. Pour une valeur de T
0
donn ee, la transform ee de Fourier de la fonction f
T
0
est repr esent ee gure 2.12. La gure 2.14 repr esente la d eformation du trac e de la transform ee de
Fourier pour des valeurs croissantes de T
0
. Supposons que la transform ee de Fourier f
T
0
converge
vers une fonction quand T
0
tend vers linni. Cette fonction que lon va noter serait alors telle
que :
1. ,= 0, () = 0 ;
2. (0) = +.
De plus, puisquon peut d emontrer que
_
+

T
0
. sinc(T
0
)d = 1
si la fonction existe alors elle v erie probablement la propri et e :
_
+

()d = 1.
Cette int egrale montre quen fait ne peut pas etre une fonction. En effet, lint egrale dune fonc-
tion nulle presque partout ( ,= 0, () = 0) ne peut valoir que 0 et ici elle vaut 1 ! ! ! Donc on est
face ` a une absurdit e si on fait lhypoth` ese que est une fonction ; est donc un objet math ematique
etrange ` a d enir, cela ressemble ` a une fonction mais ce nest pas une fonction...
La morale de cet exemple est quil existerait certaines fonctions int eressantes nappartenant
pas ` a L
1
(R) (ni ` a L
2
(R)) telles que si la transform ee de Fourier existe alors cest un objet
math ematique (` a d enir) qui nest pas une fonction. Si ce nest pas une fonction, quel est donc cet
etrange objet ? ? ?
Exemple On va essayer dimaginer ce que pourrait etre la transform ee de Fourier inverse de la
fonction d enie par , F() = 1, si elle existe. Il semble possible de d enir la fonction F() = 1
comme la limite des fonctions :
R, F
T
0
() = sinc(T
0
)
quand T
0
tends vers 0, voir la courbe caract eristique de la fonction F
T
0
, gure 2.15. Comme on la
vu pr ec edemment, la transform ee de Fourier inverse est donn ee par :
t R, f
T
0
(t) =
1
T
0
rect
_
t
T
0
_
dont la courbe caract eristique est repr esent ee gure 2.16. Il semble que quand T
0
tend vers 0, f
T
0
tende vers l etrange objet introduit pr ec edemment... Cet exemple met en evidence que cet objet
semble avoir une autre propri et e int eressante.
Avec x une fonction continue et localement int egrable, on a
x(t
0
) = lim
T
0
0
1
T
0
_
t
0
+T
0
/2
t
0
T
0
/2
x(t)dt (2.10)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
34 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
1/To 1/To
0



T_0

T
0
s
i
n
c
(
T
0

)
T
0
T
0
T
0

T
0

5 0 5
0
5
10
15
20
25
30

T
0
s
i
n
c
(
T
0

)
T
0
=2
5 0 5
0
5
10
15
20
25
30

T
0
s
i
n
c
(
T
0

)
T
0
=4
5 0 5
0
5
10
15
20
25
30

T
0
s
i
n
c
(
T
0

)
T
0
=8
5 0 5
0
5
10
15
20
25
30

T
0
s
i
n
c
(
T
0

)
T
0
=16
5 0 5
0
5
10
15
20
25
30

T
0
s
i
n
c
(
T
0

)
T
0
=32
FIG. 2.14 Fonction rectangle et sa transform ee de Fourier
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 35
1/To 1/To
0



1

s
i
n
c
(
T
0

)
1
T
0
0 T
0
0
FIG. 2.15 Courbe caract eristique de la fonction F
T
0
T/2 0 T/2
0

1/T_0

t
1
/
T
0
r
e
c
t
(
t
/
T
0
)
T
0
1/T
0
T
0
0
T
0
0
T
0
0
FIG. 2.16 Courbe caract eristique de la fonction f
T
0
(t)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
36 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
0 1 2 3 4 5 6 7 8
0
0.5
1
1.5
2
2.5
3
3.5
4
t
0
x(t
0
)
T
0
0 1 2 3 4 5 6 7 8
0
0.5
1
1.5
2
2.5
3
3.5
4
t
0
x(t
0
)
T
0
FIG. 2.17 Fonctions x (gauche) et rect(( t
0
)/T
0
)x (droite)
ce qui se r e ecrit :
x(t
0
) = lim
T
0
0
_
+

1
T
0
rect((t t
0
)/T
0
)x(t)dt
=
_
+

lim
T
0
0
1
T
0
rect((t t
0
)/T
0
)x(t)dt
voir gure 2.17.
Dapr` es ce qui pr ec` ede, on aurait donc la propri et e :
x(t
0
) =
_
+

(t t
0
)x(t)dt. (2.11)
2.6 Au-del ` a des fonctions : les distributions
En r ealit e, est une distribution. Nous allons voir que les distributions sont des objets math ema-
tiques qui g en eralisent les fonctions. Pour plus dinformations sur les distributions, se reporter,
par exemple, aux r ef erences [10, 5, 2, 3]. La th eorie des distributions est d ue ` a Laurent Schwartz,
voir gure 2.18. Pour les besoins du Traitement de Signal, apr` es avoir d eni les distributions, les
op erations de base effectu ees sur les fonctions puis la Transformation de Fourier sont g en eralis ees
aux distributions.
2.6.1 D enition des distributions
D enition 2.6.1 Une fonction test de Rdans C est une fonction nulle en dehors dun intervalle
born e et ind eniment d erivable. On note T lensemble des fonctions tests.
Les propri et es r eclam ees pour les fonctions tests sont si fortes quon peut se demander si les
fonctions tests existent
17
.
17
Dans ce qui suit, aussi curieux que cela puisse paratre, on peut se rendre compte que ce qui est important cest
de savoir que les fonctions tests existent et non de les d eterminer explicitement.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 37
FIG. 2.18 Extrait de Laurent Schwartz, G en eralisation de la notion de fonction, de d erivation,
de transformation de Fourier et applications math ematiques et physiques , Annales de lUniver-
sit e de Grenoble, Tome 21 (1945), p.57-74
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
38 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
2 1.5 1 0.5 0 0.5 1 1.5 2
0.2
0
0.2
0.4
0.6
0.8
1
1.2
t
e
x
p
(
t
2
/
(
t
2

1
)
)
Courbe caractristique dune fonction test
FIG. 2.19 Courbe caract eristique dune fonction test
Exemple Les fonctions tests existent, jen ai rencontr ee une :
_
t ] 1, 1[ (t) = exp
_
t
2
t
2
1
_
t 1 et t 1 (t) = 0
voir gure 2.19. On peut d emontrer que cette fonction, qui est nulle en dehors dun support born e,
est ind eniment d erivable.
D enition 2.6.2 (Distribution) Une distribution T est une application lin eaire continue de T
dans C. Notation
T : T C
< T, >
Exemple Etant donn e a R, lapplication qui ` a associe (a) est une distribution appel ee
impulsion de Dirac.
A travers la notion de distribution r eguli` ere, les distributions apparaissent en r ealit e comme
une g en eralisation des fonctions.
D enition 2.6.3 (Distribution r eguli` ere) Une distribution T est r eguli` ere sil existe une fonction
x localement int egrable telle que
< T, >=
_
+

x(t)(t)dt. (2.12)
Une distribution T est dite singuli` ere sil nexiste pas de fonction x telle que (2.12).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 39
Remarque Si lobjet introduit dans lexemple page 33 etait une fonction alors dapr` es la rela-
tion (2.11) :
_
+

(t a)(t)dt = (a).
La distribution r eguli` ere associ ee ` a ( a) est telle qu` a une fonction test on associe la valeur
(a) : on retrouve limpulsion de Dirac ! Il apparat quen r ealit e ( a) est une distribution qui
est singuli` ere puisque nest pas une fonction.
Dans ce qui suit, on notera
a
la distribution qui ` a la fonction test associe la valeur (a) et
lon sempressera de bannir les notations (a) ou (t a) qui nont aucun sens puisque nest
pas une fonction. La distribution
0
est not ee par . On associe ` a
a
la repr esentation graphique
pr esent ee gure 2.20, gauche. Si est un r eel alors
a
est la distribution qui ` a la fonction test
0 a
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Reprsentaion graphique de
a
0 a
0





Reprsentaion graphique de
a

FIG. 2.20 Repr esentation graphique de


a
et de
a
associe la valeur .(a) avec la repr esentation graphique pr esent ee gure 2.20, droite.
Remarque Une suite de distributions r eguli` eres peut converger vers une distribution qui est
singuli` ere ; un exemple peut etre obtenu ` a partir de lexemple page 33.
Remarque Par un abus de notation et an de limiter le nombre de notations manipul ees, pour la
distribution r eguli` ere associ ee ` a une fonction x, on utilise souvent la m eme notation pour d esigner
la distribution r eguli` ere et la fonction associ ee. An d eviter toute ambigut e, avant dadopter cette
notation, on notera T
x
la distribution r eguli` ere associ ee ` a une fonction x.
2.6.2 Op erations de base sur les distributions
Les op erations de base sont maintenant g en eralis ees des fonctions aux distributions. Elles sont
d enies de telle facon ` a ce que quand elles sont appliqu ees ` a une distribution r eguli` ere, cest-` a-
dire une distribution associ ee ` a une fonction x, on obtienne la distribution r eguli` ere associ ee ` a la
fonction r esultat de lop eration effectu ee sur x.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
40 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
Translat ee dune distribution T par la constante a La translat ee dune distribution T par la
constante a est la distribution not ee
a
T d enie par :
T, <
a
T, >=< T, ( + a) > .
La justication vient des distributions r eguli` eres : il faut que lorsquon applique la d enition de la
translat ee
a
T
x
` a la distribution r eguli` ere T
x
associ ee ` a une fonction x, on obtienne la distribution
r eguli` ere T
x(a)
associ ee ` a la translat ee x( a) de la fonction x. Or
T, < T
x(a)
, >=
_
+

x(t a)(t)dt
ce qui donne avec le changement de variable

t = t a :
T, < T
x(a)
, >=
_
+

x(

t)(

t + a)d

t =< T
x
, ( + a) >
ce qui est coh erent avec la d enition de la translat ee dune distribution par la constante a.
Changement d echelle de constante a dune distribution T On appelle changement d echelle
de constante a de la distribution T la distribution not ee ech
a
T et d enie par :
T, < ech
a
T, >=
1
[a[
< T,
_

a
_
> .
La justication vient encore des distributions r eguli` eres : il faut que lorsquon applique la d enition
du changement d echelle ech
a
T
x
` a une distribution r eguli` ere T
x
associ ee ` a une fonction x, on ob-
tienne la distribution r eguli` ere T
x(a)
associ ee ` a la fonction x(a) obtenue ` a partir de la fonction x
par changement d echelle. Or
T, < T
x(a)
, >=
_
+

x(at)(t)dt =
1
[a[
_
+

x(

t)
_

t
a
_
d

t =
1
[a[
< T
x
,
_

a
_
>
ce qui donne avec le changement de variable

t = at :
T, < T
x(a)
, >=
1
[a[
_
+

x(

t)
_

t
a
_
d

t =
1
[a[
< T
x
,
_

a
_
>
ce qui est coh erent avec la d enition du changement d echelle dune distribution.
Exemple D eterminons le changement d echelle dune impulsion de Dirac. Par application de la
d enition :
< ech
a

0
, >=
1
[a[
<

0
,
_

a
_
>=
1
[a[

0
a
_
.
Cette derni` ere quantit e peut sinterpr eter comme le r esultat de limage de la fonction test par la
distribution
1
|a|

0
a
:
1
[a[

0
a
_
=<
1
[a[

0
a
, > .
Par suite,
ech
a

0
=
1
[a[

0
a
.
Ce qui nest pas forc ement le r esultat que lon aurait spontan ement attendu du fait du facteur
1
|a|
!
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 41
Multiplication dune distribution par une fonction Pour toute distribution T et toute fonction
f ind eniment d erivable, le produit f.T est une distribution d enie par :
T, < f.T, >=< T, f. > .
Nous utiliserons dans la suite la cons equence de ce r esultat lorsquil est appliqu e ` a la distribution
impulsion de Dirac :
f.
a
= f(a).
a
(2.13)
D erivation dune distribution La d eriv ee T

dune distribution T est la distribution d enie par :


T, < T

, >= < T,

> . (2.14)
Cette formule a et e etablie de facon ` a g en eraliser la d erivation des fonctions aux distributions.
En effet, il est naturel de d enir la d eriv ee dune distribution r eguli` ere T
x
de fonction d erivable x
comme la distribution r eguli` ere T
x
associ ee ` a la fonction x

. Montrons que la formule (2.14) est


coh erente avec cet objectif. La distribution associ ee ` a x

s ecrit en effet :
T, < T
x
, >=
_
+

(t)(t)dt.
En faisant une int egration par parties, on a alors :
_
+

(t)(t)dt = [x(t)(t)]
+

. .
0

_
+

x(t)

(t)dt = < T
x
,

>,
le premier terme de droite etant nul du fait que est une fonction test.
La formule (2.14) permet ainsi d etendre la notion de d erivation ` a des fonctions discontinues
` a travers leurs distributions r eguli` eres associ ees.
Exemple Soit la fonction appel ee echelon dHeaviside et d enie par
_

_
t > 0, (t) = 1
t = 0, (t) est non d enie
t < 0, (t) = 0
Si est consid er e comme une fonction alors pour t ,= 0,

(t) = 0 et

(0) nest pas d enie. Par


contre, on peut d enir la d eriv ee de la distribution r eguli` ere associ ee ` a :
T, < T

, >= < T

>=
_
+
0

(t)dt = (0) =<


0
, >
Par suite, au sens des distributions,
T

=
0
,
ce quon note g en eralement de facon abusive :

=
0
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
42 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
Exemple Lexemple pr ec edent montre quil est possible au sens des distributions de d enir la
d eriv ee dune fonction pr esentant des discontinuit es. Une fonction qui s ecrit comme la somme
dune fonction d erivable et dune somme de fonctions echelons dHeaviside, par exemple :
f = g + 12
o` u g est d erivable en est un exemple. Alors, au sens des distributions, en utilisant labus de nota-
tion, on a :
f

= g

+ 12.
Remarque Au-del` a de la g en eralisation de la notion de d erivation aux distributions, lint er et de
la d erivation au sens des distributions est de permettre linversion entre limite ou somme innie et
d erivation. En effet, si, dans le cas des fonctions, il est n ecessaire de poser un nombre important
dhypoth` eses, ce nest plus le cas lorsque linversion est effectu ee au sens des distributions. Dans
le cadre de ce document de cours, cette remarque sera appliqu ee page 116 pour etablir la formule
sommatoire de Poisson.
2.6.3 Transform ee de Fourier dune distribution
Dans le droit l de la d enition de la d erivation, on peut d enir la transform ee de Fourier dune
distribution T par
T, < T[T], >=< T, T[] > . (2.15)
Puisque T[T] est une transform ee de Fourier, la fonction test est une fonction de .
Comme pr ec edemment, cette formule peut se justier via les distributions r eguli` eres
18
: nous
allons voir que pour une distribution r eguli` ere T
x
d enie par une fonction x de L
1
(R) L
2
(R),
on retrouve bien la transform ee de Fourier telle quelle a et e d enie section 2.4.2. En notant que
etant une fonction de , T[] sera une fonction
19
de t :
< T
x
, T[] > =
_
+

x(t)T[](t)dt =
_
+

x(t)
__
+

()e
2it
d
_
dt
=
_
+

__
+

x(t)e
2it
dt
_
. .
F[x]()
()d
= < T
F[x]
, > .
18
En r ealit e, il y a une subtilit e th eorique qui na cependant pas de r epercussion sur lutilisation pratique que lon
va faire de cette formule dans cet enseignement. N eanmoins, pour etre complet, on va en souligner les grandes lignes.
La difcult e est quon peut d emontrer que m eme si est une fonction test, ce nest pas forc ement le cas de T[].
Par suite, T[] nest pas dans le domaine de d enition de T et donc l ecriture < T, T[] > na pas de sens. Pour
surmonter cette difcult e, on est amen e ` a d enir les distributions temp er ees. Une distribution temp er ee se d enit de
la m eme facon quune distribution si ce nest quau lieu de travailler sur lensemble des fonctions tests T on travaille
sur lensemble des fonctions ` a d ecroissance rapide o(R). Une fonction est ` a d ecroissance rapide si pour tout p N,
on a :
lim
||
[
p
()[ = 0.
On a la propri et e que T o(R). Un exemple de distribution temp er ee est limpulsion de Dirac.
Si o(R) alors T[] o(R). Par suite, si T est une distribution temp er ee et si o(R) alors T[] o(R)
et donc T[] appartient au domaine de d enition de T.
19
Noter que dans (2.8), t et interviennent de facon sym etrique dans e
2it
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 43
Par suite, avec cette d enition de la transform ee de Fourier dune distribution, la transform ee de
Fourier de la distribution r eguli` ere associ ee ` a x est la distribution r eguli` ere associ ee ` a T[x].
La transform ee de Fourier dune distribution conserve les propri et es de la transform ee de Fou-
rier dune fonction, voir la sous-section 2.4.3. Notamment, la transformation de Fourier d enie
sur les distributions est une application lin eaire et continue.
Transform ee de Fourier inverse dune distribution Elle est d enie par :
T, < T
1
[T], >=< T, T
1
[] > .
De la d enition de la transform ee de Fourier et de la transform ee inverse, on d eduit que :
T
1
[T[T]] = T. (2.16)
Transform ee de Fourier de limpulsion de Dirac On peut la d eterminer en appliquant la
d enition de la transform ee de Fourier dune distribution :
< T[
a
], >=<
a
, T[] >= T[](a) =
_
+

e
2ia
()d =< T
e
2ia, > .
Par suite,
T[
a
] = T
e
2ia,
ce que lon note de facon abusive :
T[
a
]() = e
2ia
. (2.17)
Et donc, avec a = 0,
T[] = 1.
Transform ee de Fourier de la fonction 1 Cest lexemple de la page 33. Lastuce est de montrer
que T
1
[] = 1 et den d eduire T[1]. Pour cela, on applique la m eme d emarche que pr ec edemment
mais en utilisant la d enition de la transform ee de Fourier inverse.
< T
1
[], >=< , T
1
[] >= T
1
[](0) =
_
+

()d =< T
1
, > .
Par suite, avec labus de langage usuel, T
1
[] = 1. Dapr` es la relation (2.16), on a alors :
T[1] = .
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
44 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
0
0.5
0
0.5
1
1.5

0
|F()|
FIG. 2.21 Repr esentation du module de F() = T[sin(2
0
)]()
Application : d etermination de la transform ee de Fourier de la fonction sin(2
0
)
sin(2
0
t) =
1
2i
_
e
2i
0
t
e
2i
0
t
_
.
La transform ee de Fourier etant lin eaire :
T[sin(2
0
)] =
1
2i
_
T[e
2i
0

] T[e
2i
0

]
_
.
Dapr` es la relation vue section 2.4.3.5, avec f = 1 :
T[e
2i
0

] =

0
.
Par suite, T[e
2i
0

] =

0
et
T[sin(2
0
)] =
1
2i
(

0
) .
On obtient donc un spectre constitu e de deux impulsions de Dirac
20
, voir gure 2.21.
Exemple Calculons la transform ee de Fourier de la fonction cos(2
0
a) ` a partir de la trans-
form ee de Fourier de cos(2
0
) par application de la propri et e de Changement d echelle de la
transformation de Fourier pr esent ee section 2.4.3.3.
Dapr` es la propri et e de changement d echelle :
T[cos(2
0
a)] =
1
[a[
ech1
a
T[cos(2
0
)].
Comme
T[cos(2
0
)] =
1
2
(

0
+

0
) , (2.18)
20
Et non de raies comme il est courant dentendre.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 45
on a :
ech1
a
T[cos(2
0
)] =
1
2
_
ech1
a

0
+ ech1
a

0
_
. =
[a[
2
(
a
0
+
a
0
) .
Et donc
T[cos(2
0
a)] =
1
2
(
a
0
+
a
0
) . (2.19)
Bien entendu, on aurait pu utiliser directement la formule (2.18) pour obtenir en remplacant
0
par
a
0
la formule (2.19).
2.6.4 Transform ee de Fourier de fonctions (au sens des distributions)
Dans la section 2.4.2, nous avons vu que la transform ee de Fourier pouvait etre d enie pour
les fonctions de L
1
(R). Lintroduction de la transformation de Fourier pour les distributions per-
met de d enir la transform ee de Fourier dune fonction (au sens des distributions) : par cette
expression, il faut comprendre la transform ee de Fourier de la distribution r eguli` ere associ ee ` a
la fonction (Yes !). De cette facon, on peut d enir la transform ee de Fourier :
les fonctions de L
2
(R) ;
les fonctions localement int egrables et ` a croissance lente ` a linni. Une fonction f est ` a
croissance lente ` a linni sil existe A > 0 et m N tels que [f(t)[ A[t[
m
pour [t[
sufsamment grand. Les fonctions p eriodiques ou encore les fonctions polynomiales (telle
que la fonction 1) sont des fonctions ` a croissance lente ` a linni.
2.6.4.1 Fonctions p eriodiques
Le cas des fonctions p eriodiques est particuli` erement int eressant. Soit f
p
une fonction p eriodique
de p eriode T admettant une d ecomposition de Fourier :
t R, f
p
(t) =

n=
c
n
e
2i
n
T
t
.
A partir de la lin earit e et de la continuit e de la transform ee de Fourier, on peut d emontrer que :
T[f
p
] =

n=
c
n
T[e
2i
n
T

].
Dapr` es (2.17), T[e
2i
n
T

] =
n
T
. Do` u
T[f
p
] =

n=
c
n

n
T
.
La transform ee de Fourier dun signal p eriodique est donc discr` ete (non nulle seulement pour
les fr equences
n
T
). Si on reprend lexemple de la fonction repr esent ee gure 2.6, on obtient la
repr esentation graphique gure 2.22, soit un spectre dimpulsions de Dirac. On en avait vu un
exemple avec la fonction sinus, voir gure 2.21.
Il est dailleurs int eressant de mettre en vis-` a-vis un tel spectre avec celui de la fonction motif
21
correspondante, voir gure 2.24. Le spectre de f
p
est issu du spectre de sa fonction motif f
m
par
21
La fonction motif f
m
dune fonction p eriodique f
p
de p eriode T est une fonction nulle sauf sur un intervalle I
de longueur T telle que t I, f
p
(t) = f
m
(t). Un exemple est donn e gure 2.23.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
46 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
5 4 3 2 1 0 1 2 3 4 5
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6

c
0
c
1
c
2
c
4
c
3
c
6
c
5
c
8
c
7
c
9
c
1
c
2
c
3
c
4
c
5
c
6
c
7
c
8
c
9
1/T
T
0
/T
FIG. 2.22 Spectre de la fonction p eriodique associ ee ` a la fonction rect
5 0 5 10
0
0.02
0.04
0.06
0.08
t
fonction motif
5 0 5 10
0
0.02
0.04
0.06
0.08
t
fonction priodique
FIG. 2.23 Fonction p eriodique et fonction motif
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 47
TEMPS FR

EQUENCE
0
0.5
0
0.5
1
1.5
t
r
e
c
t
(
t
/
T
0
)
T
0
T
0
/2 T
0
/2
2/To 1/To 0 1/To2 /To
0.5
0
0.5
1
1.5
2
2.5

T
0
s
i
n
c
(
T
0

)
T
0
P eriodisation du motif Discr etisation
3 2 1 0 1 2 3
0.5
0
0.5
1
1.5
t
f
p
(
t
)
T
T
0
5 4 3 2 1 0 1 2 3 4 5
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6

c
0
c
1
c
2
c
4
c
3
c
6
c
5
c
8
c
7
c
9
c
1
c
2
c
3
c
4
c
5
c
6
c
7
c
8
c
9
1/T
T
0
/T
FIG. 2.24 Spectre dune fonction p eriodique et spectre de la fonction motif correspondante
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
48 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
une discr etisation et un facteur d echelle de
1
T
. Ce facteur d echelle d ecoule du fait que :
c
n
=
1
T
_ T
2

T
2
f
p
(t)e
2i
n
T
t
dt =
1
T
_
+

f
m
(t)e
2i
n
T
t
dt =
1
T
F
m
_
n
T
_
.
2.6.4.2 Fonction echelon
Dans la note de bas de page
22
, on d emontre que
T[] =
1
2i
+
1
2
.
Merci de bien noter le terme
1
2
qui est souvent oubli e, avec parfois pour cons equence un r esultat
incorrect.
2.6.4.3 Fonction sinus cardinal
T
_
sinc
_

T
__
= T. rect(T). (2.22)
Voir la d emonstration en TD.
2.7 Exemples danalyse fr equentielle
2.7.1 Caract erisation de laudition humaine
Dans lair, le son se propage sous la forme dune variation de pression. Le niveau du son
d ecoule donc de la pression acoustique exprim ee en Pascal (Pa). La sensation de niveau sonore
22
Dans lexemple page 41, nous avons vu que

= . Dautre part, dapr` es la sous section 2.4.3.6,


T[f

]() = 2iT[f] ().


Par suite
2iT[]() = T[]() = 1. (2.20)
Ici, il faut faire attention que les termes de cette equation sont des distributions. On peut ainsi d emontrer quau sens
des distributions :
() = 0
Par suite, la solution de l equation (2.20) s ecrit :
T[] =
1
2i
+k (2.21)
o` u k est une constante ` a d eterminer. Pour d eterminer k, on va regarder la valeur que prend la distribution d enie par
T[] pour une fonction test particuli` ere d enie par :
() =
1

2
e

2
2
Cette fonction test est telle que :
T[](t) =
1

2
e

t
2
2
.
En utilisant cette expression de T[] et la relation (2.15), on d emontre que < T[], >=
1
2

2
. Dautre part, en
utilisant (2.21), on d emontre que < T[], >= k
1

2
. Par suite, k =
1
2
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 49
par un auditeur humain dune composant sinusodale dun son appel ee sonie d epend de la pression
acoustique mais aussi de la fr equence de cette composante. La gure 2.25
23
repr esente la pression
que doit avoir un son en fonction de la fr equence an dobtenir une m eme perception de volume
sonore pour un humain ` a loue ne [11].
FIG. 2.25 Courbes daudition isosoniques : Pression acoustique en Pascal (ordonn ee ` a droite)
versus fr equence (abscisse) (extrait de [11])
Au del` a de son int er et scientique, la caract erisation de laudition humaine a un int er et pra-
tique important pour ling enieur : elle va permettre de d enir une partie du cahier des charges
des syst` emes technologiques qui vont effectuer le traitement du son pour des applications bien
d etermin ees
24
. Ainsi, par exemple, un t el ephone est un syst` eme technologique dont lobjectif est
23
Lordonn ee ` a gauche repr esente le niveau sonore d eni par :
L = 20 log
_
P
P
0
_
avec P la pression acoustique en Pascal et P
0
= 2 10
5
la pression acoustique de r ef erence : elle correspond au
seuil de laudition.
24
Les limites de la perception ont et e illustr ees par le peinture belge Ren ee Magritte, voir par exemple le tableau
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
50 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
de traiter la parole. La gure 2.25 nous montre que le spectre de la parole comprend des compo-
santes comprises entre 800 Hz et 8 kHz environ. Lorsque la parole va etre trait ee par le t el ephone,
il est donc primordial de ne pas alt erer la partie du spectre qui est dans cette gamme de fr equences.
2.7.2 Description de la bande VHF
Il sagit de la bande de fr equence radio qui s etend de 30.525 ` a 400 MHz. Elle est utilis ee de
la facon d ecrite dans le tableau 2.5.
2.8 R esolution d equations diff erentielles ou de la transform ee
de Fourier ` a la transform ee de Laplace
Pr obl me i ni t i al
dans l e domai ne
t empor el
Sol ut i on
t empor el l e
Pr o b l me
dans l e domai ne
f r quent i el
Sol ut i on
f r quent i el l e
Rs ol ut i on
di f f i ci l e
Rs ol ut i on
s i mpl e
Tr ans f or mat i on
Tr ans f or mat i on
i nv er s e
1
2
3
FIG. 2.26 Transformez votre vie !
Les propri et es de la Transform ee de Fourier pr esent ees section 2.4.3 peuvent etre exploit ees
pour la r esolution d equations diff erentielles lin eaires ` a coefcients constants. Le principe est de
calculer la transform ee de Fourier de la solution puis dobtenir la solution par transform ee de
Fourier inverse suivant le sch ema pr esent e gure 2.26. Ceci est illustr e dans lexemple qui suit.
Exemple Soit l equation diff erentielle :
t R, y(t) +ay(t) = bx(t). (2.23)
On d esire d eterminer la fonction y solution de cette equation pour x = .
La Trahison des images . Lart de ling enieur est dexploiter au mieux les limites de la perception humaine. Pour
cela, il est important de les connatre.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 51
Fr equence Utilisation
30,525 ` a 32,125 MHz R eseaux priv es
30,750 ` a 32,075 MHz Appareils faible port ee non sp eciques
31,300 MHz Radiomessagerie sur site
32,125 ` a 32,500 MHz Usage militaire
32,500 ` a 33,700 MHz R eseaux priv es
32,800 MHz Microphones sans ls
33,000 ` a 34,850 MHz Usage militaire
34,850 ` a 36,200 MHz R eseaux priv es
36,200 ` a 36,400 MHz Microphones sans ls
36,400 ` a 37,500 MHz Usage militaire
37,500 ` a 38,250 MHz Radio-astronomie
39,000 ` a 40,600 MHz R eseaux priv es
40,660 ` a 40,700 MHz Appareils faible port ee non sp eciques
40,995 ` a 41,105 MHz A eromod elisme
41,100 ` a 41,200 MHz Mod elisme
41,205 ` a 41,245 MHz T el ealarme pour personnes ag ees jusquau 31/12/2005
41,310 ` a 41,475 MHz T el ephones sans ls
47,000 ` a 47,120 MHz R eseaux priv es
47,400 ` a 47,600 MHz R eseaux priv es en r egion parisienne seulement
47,600 ` a 47,700 MHz R eseaux priv es
50,200 MHz Liaison vid eo sol-train, en r egion parisienne
50,200 ` a 51,200 MHz Trac amateur
55,750 ` a 63,750 MHz T el evision bande I
56,330 MHz Liaison vid eo sol-train, en r egion parisienne
62,860 MHz Liaison vid eo sol-train, en r egion parisienne
68,000 ` a 68,460 MHz Usage militaire
68,462 ` a 69,250 MHz R eseaux priv es
69,250 ` a 70,000 MHz Usage militaire
70,250 ` a 70,525 MHz R eseaux priv es
70,525 ` a 70,975 MHz Usage militaire
70,975 ` a 71,950 MHz R eseaux priv es
71,300 ` a 71,800 MHz Appareils faible port ee non sp eciques
72,200 ` a 72,500 MHz Mod elisme
72,500 ` a 73,300 MHz R eseaux priv es
73,300 ` a 74,800 MHz Gendarmerie nationale
74,800 ` a 75,200 MHz Radiolocalisation a eronautique (Marker)
75,200 ` a 77,475 MHz R eseaux priv es, taxis
77,475 ` a 80,000 MHz Gendarmerie nationale
80,000 ` a 82,475 MHz R eseaux priv es
82,475 ` a 83,000 MHz Usage militaire
83,000 ` a 87,300 MHz Police, pompiers, SAMU
87,300 ` a 87,500 MHz Radiomessagerie unilat erale : alphapage, biplus ou eurosignal
87,500 ` a 108,000 MHz Radiodiffusion FM bande II
108,000 ` a 117,950 MHz Radio Navigation A eronautique (VOR et ILS)
118,000 ` a 136,000 MHz Trac a eronautique, bande air ou aviation (fr equence de d etresse 121,5MHz)
137,000 ` a 138,000 MHz Liaisons satellitaires descendantes,(Satellites M et eo)
138,000 ` a 144,000 MHz Usage militaire
143,9875 ` a 144,000 MHz Fr equence r eserv ee vol libre
144,000 ` a 146,000 MHz Trac amateur, bande des 2 m` etres
146,000 ` a 156,000 MHz Trac a eronautique (liaisons satellitaires montantes de 148MHz ` a 150MHz )
151,005 ` a 152,990 MHz R eseaux priv es
152,000 ` a 152,020 MHz Radiomessagerie sur site
152,570 ` a 152,655 MHz Appareils faible port ee non sp eciques
152,990 ` a 155,995 MHz R eseaux priv es
154,980 ` a 155,180 MHz Liaisons xes dabonn es isol es
155,995 ` a 162,995 MHz R eseaux priv es en dehors des c otes
156,025 ` a 157,425 MHz Trac maritime et uvial, bande VHF marine
160,625 ` a 160,950 MHz Trac maritime et uvial, bande VHF marine
161,550 ` a 162,025 MHz Trac maritime et uvial, bande VHF marine
162,500 ` a 162,525 MHz Trac maritime et uvial, bande VHF marine
164,800 ` a 168,900 MHz R eseaux priv es
169,410 ` a 173,815 MHz Radiomessagerie norme ERMES
169,795 ` a 173,495 MHz R eseaux priv es
173,500 ` a 174,000 MHz Police, pompiers, SAMU
174,000 ` a 223,000 MHz T el evision bande III
174,000 ` a 234,000 MHz DAB bande III
175,500 ` a 178,500 MHz Microphones sans l
183,500 ` a 186,500 MHz Microphones sans l
223,500 ` a 225,000 MHz Appareils faible port ee non sp eciques jusquau 31/12/2005
225,000 ` a 400,000 MHz Trac a eronautique et liaisons satellitaires militaires
TAB. 2.5 Utilisation de la bande VHF
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
52 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
1. La premi` ere etape consiste ` a prendre la transform ee de Fourier de cette equation. La trans-
form ee de Fourier a la propri et e de lin earit e : T[af + bg] = aT[f] + bT[g]. Do` u
T [ y + ay] = T [ y] + aT [y] .
Par la propri et e sur la d erivation : T[f
(n)
]() = (2i)
n
F (), on a :
T [ y] = 2i T [y] .
Par suite, la transform ee de Fourier de l equation diff erentielle m` ene ` a :
(2i +a) Y () = bX().
Do` u on a Y () = G()X() avec
G() =
b
2i + a
.
2. La seconde etape consiste ` a remplacer X par son expression. Dapr` es la sous section 2.6.4.2 :
T[] =
1
2i
+
1
2
.
Do` u
Y = G
1
2i
+
1
2
G
Or, dapr` es (2.13), page 41, G = G(0) soit b/a.
3. La troisi` eme etape consiste ` a faire une d ecomposition en el ements simples de la fonction
rationnelle Y ().
G()
1
2i
=
b
2i +a
1
2i
=
b/a
2i + a
+
b/a
2i
par d ecomposition en el ements simples. Do` u :
Y = b/a
_
_
_
_

1
2i +a
+
1
2i
+
1
2

. .
F[]
_
_
_
_
Dapr` es le TD 1 :
T[e
a
] =
1
2i +a
Do` u, en prenant la transform ee de Fourier inverse, on obtient :
y = b/a
_
1 e
a
_
.
La d emarche pr ec edente na de sens que si pour les signaux x et y, il est possible de d enir
leur transform ee de Fourier. Pour la fonction x = , nous savons dapr` es la sous section 2.6.4.2
que celle-ci est d enie au sens des distributions. La fonction y correspond elle ` a une fonction qui
fait intervenir le terme e
at
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 53
Dans le cas o` u a > 0, y appartient ` a L
1
(R) et donc dapr` es Th eor` eme 2.4.1, il admet
forc ement une transform ee de Fourier.
Dans le cas o` u a < 0, y nappartient pas ` a L
1
(R) et elle nest pas ` a croissance lente ` a linni.
Dapr` es la sous section 2.6.4, il nest donc pas evident que x admette une transform ee de
Fourier, m eme au sens des distributions
25
.
Par suite, la d emarche appliqu ee dans lexemple pr ec edent nest pas correcte dans le cas o` u
a < 0. Comment ladapter pour pouvoir traiter correctement cet exemple ?
Pour cela, on a recourt ` a une astuce (changement de variable) qui consiste ` a introduire le signal
z tel que y = e

z, avec telle que > a et w tel que x = e

w, dans l equation 2.23, ce qui


donne :
t R, e
t
z(t) + (a + ) e
t
z(t) = be
t
w(t)
soit
t R, z(t) + (a + ) z(t) = bw(t).
Avec > a, les fonctions z et w appartiennent ` a L
1
(R) : il est alors possible de d enir leur
transform ee de Fourier et donc dappliquer la transform ee de Fourier ` a l equation ci-dessus.
Or, par d enition,
Z() =
_
+

z(t)e
2it
dt
=
_
+

e
t
y(t)e
2it
dt
=
_
+

y(t)e
(+2i)t
dt
Soit s = + 2i une variable complexe appel ee variable de Laplace. La quantit e ci-dessous
d enit une fonction de s appel ee Transform ee de Laplace bilat erale de y :
Y (s) =
_
+

y(t)e
st
dt
et not ee L
bl
[y](s). L
bl
[y] est une g en eralisation de la transform ee de Fourier T[y] qui etait d enie
par :
T[y]() =
_
+

y(t)e
2it
dt
o` u lon a remplac e 2i par la variable complexe s. Attention que lint egrale ci-dessus nest bien
d enie que pour s appartenant ` a un sous ensemble de C bien d eni. Dans lexemple consid er e, le
nombre complexe s doit etre tel que Re(s) > a o` u a est appel e abscisse de convergence.
D enir la transform ee de Laplace de y avec un abscisse de convergence de a revient donc ` a
d enir la transform ee de Fourier de z qui est bien d enie puisque z L
1
(R).
Il est aussi possible de d enir la transform ee de Laplace monolat erale
Y (s) =
_
+
t=0
y(t)e
st
dt
25
Et cest effectivement le cas.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
54 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
Temporel Laplace Ensemble de d enition
1 C

a
e
a
C

e
a

1
+a
Re(s) > a
a R
e
a
sin(
0
)

0
(+a)
2
+
2
0
Re(s) > a
a R
e
a
cos(
0
)
+a
(+a)
2
+
2
0
Re(s) > a
a R
TAB. 2.6 Transform ees de Laplace usuelles
que lon notera dans la suite L[y]. Pour les signaux y tels que t < 0, y(t) = 0, les transform ees de
Laplace monolat erale et bilat erale concident
26
. Souvent, la r esolution des equations diff erentielles
telles que (2.23) se fait pour t 0, avec des conditions initiales donn ees pour t = 0, par exemple :
_
t 0, y(t) +ay(t) = bx(t)
y(0) = y
0
Ceci explique lint er et particulier de la transform ee de Laplace monolat erale. Un autre point est
que le calcul dune transform ee bilat erale peut se ramener au calcul de deux transform ees mono-
lat erales car on a :
_
+

y(t)e
st
dt =
_
0

y(t)e
st
dt +
_
+
0
y(t)e
st
dt
=
_
+
0
y(t

)e
st

dt

+
_
+
0
y(t)e
st
dt
en faisant le changement de variable t t

dans la premi` ere int egrale. Ces deux termes corres-


pondent ` a deux transform ees monolat erales :
L
bl
[y](s) = L[y()](s) +L[y](s).
Dans la suite, on ne sint eressera donc qu` a la transform ee de Laplace monolat erale.
Comme dans le cas de la transform ee de Fourier, on peut etablir les transform ees de Laplace
(monolat erales) de fonctions usuelles ainsi que de distributions. Un certain nombre dexemples
sont pr esent es dans le tableau 2.6.
26
Ces signaux sont parfois appel es causaux. Cependant, cette appellation est assez trompeuse puisque la causalit e
est la propri et e dun syst` eme de convolution qui se traduit par le fait que la r eponse impulsionnelle de ce syst` eme est
nulle pour les t < 0.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 55
Lin earit e L[af + bg] = aL[f] + bL[g]
Changement L[f(a)](s) =
1
|a|
L[f]
_
s
a
_
d echelle
Translation L[f( t
0
)](s) = e
st
0
L[f](s)
temporelle
Modulation L[e
s
0

f](s) = L[f] (s s
0
)
D eriv ee L[f
(n)
](s) = s
n
L[f](s)
_
s
n1
f(0) +s
n2
f
(1)
(0) + + sf
(n2)
(0) +f
(n1)
(0)
_
Int egration L
__

0
f(u)du
_
(s) =
1
s
L[f](s)
TAB. 2.7 Propri et es de la Transformation de Laplace (monolat erale)
Du fait de la proximit e des deux transform ees, les propri et es de la transform ee de Laplace sont
similaires aux propri et es de la transform ee de Fourier, voir tableau 2.7.
Exemple En appliquant la transform ee de Laplace sur l equation :
_
t 0, y(t) +ay(t) = bx(t)
y(0) = y
0
et les propri et es du tableau 2.7 de la sous section, on obtient alors :
(s + a) Y (s) y(0) = bX(s)
Dapr` es le tableau 2.6, on a alors
Y (s) =
b
s + a
1
s
+
1
s + a
y(0) =
y(0) b/a
s +a
+
b/a
s
Dapr` es le tableau 2.6, on en d eduit que :
t R, y(t) = (y(0) b/a)e
at
(t) + (b/a)(t).
2.9 En r esum e
Sil est naturel de mod eliser un signal par une fonction, une approche plus satisfaisante
consiste ` a mod eliser un signal par une distribution, notion qui etend la notion de fonction.
Une distribution particuli` ere et incontournable en traitement du signal est limpulsion de
Dirac
a
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
56 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
Un signal peut etre caract eris e par son spectre, lanalyse fr equentielle correspondant ` a
l etude de ce spectre. Comme nous lavons vu dans lexemple de laudition humaine, le
spectre dun signal peut permettre de d eterminer linformation pertinente pour une applica-
tion donn ee
27
. Ce point est important : il sera par exemple exploit e dans le chapitre suivant
pour extraire linformation utile dun signal dans le chapitre suivant.
La d ecomposition en s erie de Fourier est un premier outil danalyse fr equentielle valable
pour des fonctions d enies sur un intervalle (avec certaines propri et es) et pour des fonctions
p eriodiques. Cependant, dans ce qui suit, sauf indication contraire, lanalyse fr equentielle
se basera sur la transform ee de Fourier, car elle peut etre d enie pour une classe riche de
signaux, contrairement ` a la s erie de Fourier, quitte ` a la d enir au sens des distributions.
Les spectres de signaux el ementaires ont et e etudi es ` a travers des exemples :
1. Non p eriodiques : rect, tri
28
, sinc, ...
2. P eriodiques
La transform ee de Fourier peut etre utilis ee pour la r esolution d equations diff erentielles
lin eaires ` a coefcients constants ` a condition de sassurer quelle est bien d enie pour les
signaux sur lesquels elle sapplique.
La transform ee de Laplace est une extension de la transform ee de Fourier qui est bien d enie
pour une classe de signaux plus importante que la transform ee de Fourier, par exemple pour
les signaux qui ont une divergence exponentielle ` a linni. Elle permet ainsi de r esoudre de
facon plus syst ematique les equations diff erentielles.
Dans la suite du document, par convention, une lettre minuscule fait r ef erence ` a un signal
dans le domaine temporel et la m eme lettre en majuscule ` a sa transform ee de Fourier ou de
Laplace.
2.10 Annexe du chapitre : un exemple de script Matlab
Sous Matlab, il existe deux modes de fonctionnement :
1. Soit les commandes sont tap ees en ligne, sous le prompt >> dans la fen etre Matlab;
2. Soit un chier filename.m est cr e e dans lequel une suite dinstructions Matlab est
ecrite. Ce chier est ensuite ex ecut e sous Matlab. Un tel chier est appel e script. Pour
cr eer un nouveau script, cliquer sous la fen etre Matlab sur la premi` ere ic one en haut ` a
gauche. L editeur qui est ouvert sutilise alors comme tout editeur. Pour lex ecuter, apr` es
avoir sauvegard e le chier, taper le nom du script (sans lextension .m) sous le prompt de
Matlab ou cliquer sur lic one play de l editeur.
Conseil pratique : le second mode de fonctionnement est pr ef erable au premier.
Dans les exemples pr esent es dans ce chapitre, les scripts Matlab ont essentiellement servi
` a tracer les courbes caract eristiques de fonctions. Par exemple, pour obtenir gure 2.2, la suite
dinstructions suivante permet de tracer la courbe caract eristique de la fonction (2.2) :
T = 2; % Initialisation de la variable T
tv = linspace(-T/2,T/2,1000); % Creation dun vecteur de 1000 elements
% espaces lineairement dont le premier
27
Cest-` a-dire dans le cas de laudition humain, la part du son qui est effectivement percu par un etre humain.
28
Cette fonction est d enie en TD.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 57
% vaut -T/2 et le dernier +T/2
ft = cos(2
*
pi/T
*
tv)+4
*
sin(2
*
pi/T
*
tv) + 4
*
(cos(2
*
pi/T
*
2
*
tv));
% Calcul des valeurs de la fonction f
% pour t prennant ses valeurs dans le
% vecteur tv
figure, % Creation dune nouvelle figure
plot(tv, ft); % Trace des points de coordonnees prises dans les vecteurs
% tv et ft, les points successifs
% etant relies par des segments de droite
grid on; % Affichage dune grille
hold on; % Fige le contenu de la figure active
plot(tv,cos(2
*
pi/T
*
tv),:,tv,4
*
sin(2
*
pi/T
*
tv),-.,tv,
4
*
cos(2
*
pi/T
*
2
*
tv),--);
% Trace sur la figure les differents termes
% de la decomposition en serie de Fourier
Un point de syntaxe : le % d enit le d ebut dune zone de commentaires. De plus pour avoir
dinformation sur une fonction Matlab de nom xxnom de fonction, consulter laide, par exemple
en tapant help nom de fonction sous le prompt >> dans la fen etre Matlab.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
58 CHAPITRE 2 ANALYSE EN TEMPS ET EN FR

EQUENCE
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 3
Mod eliser et caract eriser un syst` eme :
Convolution et ltrage fr equentiel
Dans le chapitre pr ec edent, nous avons vu comment caract eriser un signal par lanalyse fr equen-
tielle. Dans ce chapitre, nous allons mettre ` a prot cette caract erisation pour aborder une des
grandes techniques de traitement de signal permettant dextraire dun signal donn e, un signal
utile : il sagit dobtenir le signal utile comme la sortie dun syst` eme de convolution (judicieu-
sement choisi) ayant en entr ee le signal ` a traiter (ltrage).
Les diff erentes notions sous-jacentes sont introduites ` a travers des el ements sur la compression
MP3 dans la section 3.1. Apr` es avoir d eni lop eration de ltrage fr equentiel dans la section 3.2,
les syst` emes et les syst` emes de convolution sont ensuite d enis dans la section 3.3. Leur mise en
uvre pour le ltrage est abord ee dans la section 3.4 : le type de ltrage pr esent e est quali e de
fr equentiel car bas e sur une caract erisation fr equentielle des signaux telle que pr esent ee dans le
chapitre pr ec edent. Le chapitre se termine sur le fen etrage temporel pr esent e section 3.5.
3.1 Un exemple introductif : la compression MP3
La compression est un ensemble de m ethodes visant ` a r eduire lespace n ecessaire ` a la repr esen-
tation dun signal. Ce point est important que ce soit pour la transmission dun signal ou son
stockage. La compression MP3
1
est un algorithme de compression audio. Elle sapplique ` a des
signaux sonores destin es ` a etre ecout es par un etre humain
2
. De facon sch ematique, un signal
sonore x peut se d ecomposer en deux parties :
t R, x(t) = x
u
(t) +x
r
(t)
o` u
1. x
u
est la partie utile : dans lexemple pr esent, il sagit de la partie du son audible par
l etre humain ;
2. x
r
est la partie inutile : dans lexemple pr esent, il sagit de la partie du son inaudible
par l etre humain.
1
La compression MP3 ou MPEG-1 Layer 3 est une technologie europ eenne. Lalgorithme MPEG-1 Layer
3 d ecrit dans les standards ISO/CEI IS 11172-3 et ISO/CEI IS 13818-3 est soumis ` a des redevances (droits com-
merciaux) ` a Philips (entreprise n eerlandaise), TDF (entreprise francaise), France T el ecom (entreprise francaise), IRT
(entreprise allemande), Fraunhofer IIS (entreprise allemande) et Thomson (entreprise francaise) pour toute utilisation
ou implantation physique (notamment sur les baladeurs MP3).
2
Ce point bien qu evident est en fait fondamental pour bien comprendre la compression MP3.
59
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
60 CHAPITRE 3 CONVOLUTION ET FILTRAGE
La compression MP3 est bas ee sur le constat que loreille humaine ne pouvant percevoir que x
u
,
plut ot que de coder lensemble du signal sonore x, il est simplement n ecessaire de coder la part
utile x
u
. Puisque seule la partie utile est cod ee, la quantit e de donn ees n ecessaire sera donc plus
faible que si lensemble du signal x etait cod e.
La question est de savoir comment extraire x
u
` a partir du signal x. Cette question peut etre
abord ee en deux etapes :
1. Caract erisation du signal x
u
: cette caract erisation se fait ` a partir de lanalyse en temps et en
fr equence du signal x telle quelle a et e pr esent ee dans le chapitre pr ec edent ;
2. Extraction de la partie utile x
u
: lextraction de x
u
se fait par des techniques de ltrage dont
le principe est pr esent e dans ce chapitre.
FIG. 3.1 Principe du codage MP3 (extrait de http ://computer.howstuffworks.com/mp31.htm)
La caract erisation de x
u
est bas ee sur diff erentes r` egles
3
dont quelques exemples sont pr esent ees
ci-dessous :
Loreille humaine ne percoit que la partie du spectre comprise entre 20 Hz et 20 kHz environ.
On peut donc eliminer les composantes de x dont le spectre est nul dans cet intervalle de
fr equences.
Si le signal peut etre d ecompos e en deux composantes dont le spectre est non nul dans
deux intervalles de fr equences distincts et que les energies de ces signaux diff` erent de facon
importante, on ne peut conserver que la composante du signal pr esentant l energie la plus
importante, voir gure 3.1.
En dessous dune certaine fr equence, loreille humaine nest plus capable de faire la distinc-
tion spatiale du son. Il est alors plus judicieux de coder la part du signal x correspondant ` a
cet intervalle de fr equence en mono plut ot quen st er eo.
Etc..
Le point commun entre toutes ces r` egles est quelles sont bas ees sur les caract eristiques du spectre
du signal et que le signal utile peut etre obtenu en supprimant certaines composantes spectrales
3
Qui constituent un mod` ele psycho-acoustique de loreille humaine.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 61
du signal, voir gure 3.1. Lid ee est de g en erer un signal dont le spectre est nul sur certains inter-
valles de fr equence et qui concide avec le spectre du signal de d epart sur les autres fr equences.
Cette compression bas ee sur le spectre du signal de d epart permet de diviser jusqu` a un facteur de
12 la quantit e de donn ees stock ees. Merci Monsieur Fourier !
Comment extraire dun signal x un signal utile x
u
caract eris e fr equentiellement ?
3.2 Filtrage fr equentiel : objectif
Pour supprimer certaines composantes spectrales dun signal, la technique utilis ee est le
ltrage fr equentiel.
SIGNAL
0 2 4 6 8 10
0.04
0.02
0
0.02
0.04
t
x
(
t
)
? ? ?
- -
SIGNAL
0 2 4 6 8 10
0.04
0.02
0
0.02
0.04
0.06
t
y
(
t
)
SPECTRE en module
0 100 200 300 400 500
0
0.5
1
1.5
2
2.5
3

|
X
(

)
|
SPECTRE en module
0 100 200 300 400 500
0
0.5
1
1.5
2
2.5
3

|Y
(

)
|
FIG. 3.2 Exemple de ltrage fr equentiel : N = 1,
1
min
= 100 Hz,
1
max
= 400 Hz
Le ltrage fr equentiel est lop eration qui consiste en :
Etant donn e N intervalles de fr equences [
i
min
;
i
max
], tel que pour tout i 1, , N,

i
min
<
i
max
et pour tout i 1, , (N 1),
i
max
<
i+1
min
;
Pour tout signal x
Produire un signal y tel que :
_

_

_
i
_

i
min
;
i
max

, Y () = X() ;
R
_
i
_

i
min
;
i
max

, Y () = 0.
On parle de transmission dans les intervalles de fr equences [
i
min
;
i
max
] et datt enuation pour les
fr equences nappartenant pas ` a ces intervalles.
Un exemple est pr esent e gure 3.2.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
62 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Remarque Si lop eration de ltrage ltrage fr equentiel est d enie ` a partir des spectres des si-
gnaux, dans la majorit e des cas, elle est r ealis ee sur les signaux dans le domaine temporel, sans
calcul explicite de leur spectre.
Le ltrage fr equentiel est fond e sur les syst` emes de convolution qui sont maintenant pr esent es.
3.3 Syst` emes de convolution
Les syst` emes de convolutions sont d enis ` a partir du produit de convolution.
3.3.1 Produit de convolution et syst` emes de convolution
3.3.1.1 D enition
SYSTEME
- -
-
- -
-
Information Information
Energie Energie
Mati` ere Mati` ere
ENTREE SORTIE
Causes Effets
FIG. 3.3 Syst` eme g en eral
Un syst` eme est un processus qui transforme un ou plusieurs signaux dentr ee en un ou plu-
sieurs signaux de sortie, voir gure 3.7. En Physique, un syst` eme est en g en eral une portion de la
r ealit e d enie par une fronti` ere et organis ee en fonction dun but. En Traitement du Signal, sil est
organis e en fonction dun but, il peut etre plus virtuel : par exemple, cela peut correspondre ` a un
programme informatique qui effectue des calculs ` a partir dun signal pour produire un nouveau
signal.
Syst` eme
- -
x
1
+ x
2
y
1
+ y
2
Syst` eme
Syst` eme
-
-
-
-
x
1
x
2
y
1
y
2

FIG. 3.4 Additivit e


Un syst` eme lin eaire est un syst` eme qui ob eit au principe de superposition, d eni par les pro-
pri et es dadditivit e et dhomog en eit e :
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 63
Additivit e Si pour un syst` eme, y
1
est le signal de sortie correspondant au signal dentr ee x
1
et
y
2
est le signal de sortie correspondant au signal dentr ee x
2
alors pour le signal dentr ee
x
1
+ x
2
, le signal de sortie est donn e par y
1
+ y
2
, voir gure 3.4.
Homog en eit e Si pour un syst` eme, y est le signal de sortie correspondant au signal dentr ee x
alors pour tout r eel , pour le signal dentr ee x, le signal de sortie est donn e par y, voir
gure 3.5.
Syst` eme
- -
x
y
Syst` eme
- -
x
y

FIG. 3.5 Homog en eit e


Un syst` eme invariant est un syst` eme dont les param` etres sont invariants dans le temps. cela se
traduit par :
Invariance Si pour un syst` eme, y est le signal de sortie correspondant au signal dentr ee x alors
pour le signal dentr ee x( t
0
), le signal de sortie est donn e par y( t
0
), voir gure 3.6.
Syst` eme
- -
x( t
o
) y( t
0
)
Syst` eme
- -
x
y

FIG. 3.6 Invariance


Attention Le terme de syst` eme est souvent appliqu e aux relations math ematiques qui d ecrivent
le comportement du syst` eme cest-` a-dire qui relient les signaux de sortie aux signaux dentr ee :
en r ealit e, il sagit du mod` ele (math ematique) du syst` eme.
4
h
- -
x
y
FIG. 3.7 Syst` eme de convolution : y = h x
4
Le d eveloppement important de linformatique a permis le d eveloppement de puissantes m ethodes ding enierie,
cest-` a-dire de conception des syst` emes. Le syst` eme ` a concevoir est dabord dimensionn e, r ealis e et etudi e sous
la forme dun mod` ele math ematique ` a laide dun logiciel. Cette etape a permis de fortement r eduire le temps de
conception des syst` emes tout en traitant des syst` emes de complexit e croissante.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
64 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Les syst` emes de convolution sont des syst` emes lin eaires invariants
5
dont le comportement est
d eni par une fonction h : si x est lentr ee et y la sortie alors
t R, y(t) =
_
+

h(t )x()d =
_
+

h()x(t )d = h x(t) (3.1)


o` u d enit le produit de convolution de h par x, voir gure 3.7. Cette op eration a les propri et es
suivantes :
Commutativit e h x = x h
Additivit e (h
1
+ h
2
) x = (h
1
x) + (h
2
x)
Homog en eit e h x = h x = (h x)
Exemple illustratif du produit de convolution On consid` ere le signal x d eni par la courbe
repr esent ee gure 3.8 ` a gauche. Le syst` eme est caract eris e par la fonction h d enie par la courbe
repr esent ee gure 3.8 en haut. On cherche ` a d eterminer la valeur y(t) pour t = 1.5 avec y(t) =
h x(t).
h(u)
0.5 0 0.5 1 1.5 2
0.5
0
0.5
1
1.5
2
u
h
(
u
)

2 1.5 1 0.5 0 0.5 1 t=1.5 2


1.5
1
0.5
0
0.5
1
1.5

s
in
(
4


)
2 1.5 1 0.5 0 0.5 1 1.5 2
0.5
0
0.5
1
1.5
2

h
(

)
e
t h
(
t

)
a
v
e
c
t=
1
.5
h()
h(t)
x() h(t ) = h(t )x()
_
+

h(t )x()d = (Aire rouge fonc e) - (Aire gris clair)


FIG. 3.8 Illustration du produit de convolution
5
Le terme syst` eme lin eaire stationnaire est equivalent : pour la d enition des syst` emes lin eaires stationnaires, voir
le cours dAutomatique.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 65
Pour cela, ` a partir de la courbe caract eristique de h, on obtient la courbe caract eristique de
h(t ). La courbe caract eristique de h(t )x() est alors obtenue ` a partir des courbes ca-
ract eristiques de h(t ) et de x, voir gure 3.8, ` a droite. La valeur de y(1.5) est alors lint egrale
de cette fonction, ce qui revient ` a soustraire laire colori ee en gris clair ` a laire colori ee en rouge
fonc e, gure 3.8 en bas ` a droite. La courbe caract eristique de h(t ) indique que la valeur de
y(1.5) va de moins en moins d ependre de la valeur de x() au fur et ` a mesure que devient de
plus en plus inf erieur ` a 1.5. Puisque h(t ) est nulle pour < 0.5, la sortie y(t) ne d epend pas
des valeurs de lentr ee ant erieures de plus de 1. On parle alors de syst` eme ` a m emoire nie.
Cet exemple permet de comprendre pourquoi le produit de convolution est parfois appel e RTMI.
Cet acronyme est bas e sur les diff erentes op erations el ementaires effectu ees pour obtenir le produit
de convolution :
Retournement h(u) h()
Translation h() h(t )
Multiplication h(t ).x()
Int egration
_
+

h(t )x()d
3.3.1.2 Exemples de syst` emes de convolution
Le comportement dun grand nombre de syst` emes physiques, sous certaines conditions duti-
lisation, peut etre mod elis e par un syst` eme de convolution. A titre dexemple, on pr esente un
syst` eme electronique et un syst` eme m ecanique.
Exemple dun circuit electronique Le circuit dit semi-int egrateur repr esent e gure 3.9 est un
syst` eme de convolution admettant x comme entr ee, y comme sortie et tel que :
t R, y(t) = h x(t) avec h(t) = e
t
RC
(t)
x
y
R
R
C
0 RC 3RC
1
0.8
0.6
0.4
0.2
0
0.2
t
h
(
t
)
FIG. 3.9 Exemple de syst` eme de convolution
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
66 CHAPITRE 3 CONVOLUTION ET FILTRAGE
zsol
z r o u e
FIG. 3.10 Mod elisation simpli ee dune roue equip ee dun pneumatique
Exemple dun syst` eme m ecanique Une mod elisation simpli ee dune roue dot ee de pneuma-
tique se d eplacant sur un sol in egal est donn ee par :
m
r
z
roue
(t) = c( z
sol
(t) z
roue
(t)) +k(z
sol
(t) z
roue
(t))
voir gure 3.10. Le syst` eme qui admet z
roue
pour sortie et z
sol
pour entr ee est un syst` eme de
convolution d eni par la r eponse impulsionnelle :
h(t) = 2e
t
(a cos(t) +b sin(t))
avec =
c
2m
r
, =
_
k
2m
r

_
c
2m
r
_
2
, a =
c
m
r
et b =
k
c

c
2
2m
2
r

.
Exercice Par application de la transform ee de Laplace, retrouver lexpression de la r eponse
impulsionnelle h.
3.3.1.3 Propri et es de base ` a etudier
La stabilit e et la causalit e sont deux propri et es quil est important d etudier pour un syst` eme
de convolution.
Stabilit e Un syst` eme est dit stable si pour tout signal dentr ee born e
6
le signal de sortie est
born e. Dans le cas dun syst` eme de convolution, le syst` eme de convolution est stable (pour tout
signal x born e, y tel que (3.1) est born e) si et seulement si h L
1
(R)
7
.
6
Il est possible de d enir de plusieurs facons un signal born e. La plus courante est : M tel que t, [x(t)[ M.
Cest la d enition qui est adopt ee dans ce document.
7
Dans un premier temps, montrons que si h L
1
(R) alors le syst` eme de convolution est stable.
Soit un signal dentr ee x born e. Par suite, x born e M tel que t, [x(t)[ M.
[y(t)[ =

_
+

h(t )x()d

_
+

[h(t )[ [x()[d M
_
+

[h(u)[ du.
Par suite, comme h L
1
(R), le signal y est born e. A partir de la d enition de la stabilit e, on conclut que le syst` eme
de convolution est stable.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 67
Causalit e Le syst` eme est dit causal si la valeur de la sortie y ` a linstant t ne d epend que des
valeurs de lentr ee x aux instants ant erieurs ` a t, t inclus. Dans le cas dun syst` eme de convolution,
lexpression (3.1) se simplie alors en :
t R, y(t) =
_
t

h(t )x()d.
Par suite, la fonction h est forc ement telle que :
u < 0, h(u) = 0 soit u R, h(u) = h(u).(u)
Tout syst` eme physique poss` ede la propri et e de causalit e. Ce qui ne veut pas dire quun syst` eme
non causal est d enu e dint er et pratique comme lillustre la discussion section 3.4.2, page 76.
3.3.2 Produit de convolution et distribution
Pour les objectifs du cours de traitement du signal, on ne consid` ere que le produit de convolu-
tion entre une fonction h et limpulsion de Dirac qui peut etre d eni par :
h
a
(t) = h(t a).
Faire le produit de convolution de h par
a
revient donc ` a retarder de a la fonction h. Par suite :
h = h. (3.2)
Cette relation justie lappellation de r eponse impulsionnelle pour la fonction h. Elle offre une
m ethode exp erimentale pour d eterminer une approximation de la r eponse impulsionnelle dun
syst` eme de convolution.
Exemple : la r eponse impulsionnelle dune salle d eglise Lorsquun son est emis dans une
eglise, lacoustique particuli` ere de ce type de salle fait que le son percu est toujours notablement
diff erent du son emis. On peut d enir un syst` eme salle d eglise qui admet pour entr ee le son
emis en son sein et pour sortie le son tel quil est percu ` a lint erieur de cette salle. Sous lhy-
poth` ese que ce syst` eme est un syst` eme de convolution, on peut compl` etement le caract eriser par
la d etermination de sa r eponse impulsionnelle. n etant pas une distribution r eguli` ere, on ne peut
evidement pas cr eer le son correspondant. Par contre, comme cela a et e sugg er e dans lexemple
page 33, puisque les fonctions f
T
0
d enies dans cet exemple convergent vers une impulsion de
Dirac quand T
0
tend vers 0, on peut approcher une impulsion par une telle fonction avec T
0
petit.
Cela revient ` a envoyer un son tr` es bref et tr` es intense. On mesure alors ` a laide dun micro le
son dans la salle ce qui donne la r eponse impulsionnelle repr esent ee gure 3.11. Le produit de
convolution de cette r eponse impulsionnelle avec un son emis produit le son que lon percoit dans
l eglise.
En faisant le produit de convolution de cette r eponse impulsionnelle avec un son, on obtient le
son tel quil est effectivement percu dans la salle d eglise, voir gure 3.12.
Montrons maintenant que si le syst` eme de convolution est stable alors h L
1
(R).
Soit le signal dentr ee x = sign(h()). Comme ce signal est born e par 1 et que le syst` eme de convolution est
stable alors le signal de sortie y est born e, en particulier pour t = 0. Par suite,
y(0) =
_
+

[h(u)[ du < .
Donc h L
1
(R).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
68 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Cliquer pour ecouter
0 0.2 0.4 0.6 0.8 1
1500
1000
500
0
500
1000
1500
2000
2500
t
h
(
t
)
FIG. 3.11 R eponse impulsionnelle dune salle d eglise
Salle
- -
Son emis
Son percu
x
Eglise
h
h x
FIG. 3.12 Son percu dans la salle d eglise
FIG. 3.13 Logiciels gratuits de convolution sonore (dits de r everb eration)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 69
h
- -
Asin(2
0
t) A

sin(2
0
t + )
FIG. 3.14 Syst` eme de convolution en r egime sinusodal
Des logiciels sp ecialis es permettent de r ealiser la convolution de la r eponse impulsionnelle
caract eristique dune salle avec un son, voir gure 3.13.
Enn, on peut d enir le produit de convolution de deux impulsions de Dirac :

a

b
=
a+b
. (3.3)
3.3.3 Sortie dun syst` eme de convolution pour une entr ee sinusodale : r eponse
harmonique
Dans la mesure o` u dans le chapitre pr ec edent, nous avons vu que, sous certaines hypoth` eses,
un signal peut se d ecomposer comme la somme dune innit e de sinus, voir par exemple page 28,
il est naturel de chercher ` a caract eriser le comportement dun syst` eme de convolution (stable) en
etudiant sa r eponse aux signaux dentr ee sinusodaux, ce qui est appel e r eponse harmonique.
Pour cela, nous allons etablir lexpression du signal de sortie y dun syst` eme de convolution de
r eponse impulsionnelle pour un signal dentr ee x sinusodale :
t R, x(t) = Asin(2
0
t) =
A
2i
_
e
2i
0
t
e
2i
0
t
_
.
Or,
h e
2i
0

(t) =
_
+

h()e
2i
0
(t)
d = e
2i
0
t
_
+

h()e
2i
0

d = e
2i
0
t
H(
0
).
De m eme he
2i
0

(t) = e
2i
0
t
H(
0
). H est la transform ee de Fourier dune fonction r eelle :
dapr` es la section 2.4.3.7, page 31, on a :
[H(
0
)[ = [H(
0
)[ et arg (H(
0
)) = arg (H(
0
)) .
Par suite,
t R, y(t) = A[H(
0
)[ sin (2
0
t + arg (H(
0
))) . (3.4)
H, la transform ee de Fourier de la r eponse impulsionnelle h, est appel ee la r eponse fr equentielle
du syst` eme de convolution. La r eponse fr equentielle dun syst` eme de convolution d enit donc sa
r eponse pour toute entr ee sinusodale.
Cette propri et e montre que la valeur de la r eponse fr equentielle pour une fr equence donn ee
peut etre obtenue exp erimentalement en appliquant ` a lentr ee du syst` eme un signal sinusodal de
fr equence et en mesurant lamplitude du signal sinusodal de sortie ainsi que son d ephasage par
rapport au signal dentr ee. Le rapport de lamplitude de la sinusode de sortie sur lamplitude de
la sinusode dentr ee donne une valeur exp erimentale de [H()[ et la diff erence entre les deux
d ephasages, une valeur exp erimentale de arg(H()) :
[H(
0
)[ =
A

A
et arg (H(
0
)) =
voir la gure 3.14.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
70 CHAPITRE 3 CONVOLUTION ET FILTRAGE
3.3.4 Produit de convolution et transform ees de Fourier et de Laplace
Avec x et y, signaux dentr ee et de sortie dun syst` eme de convolution d eni par la r eponse
impulsionnelle h :
t R, y(t) = h x(t),
que peut-on dire du spectre Y de y par rapport au spectre X de x?
Le signal x est reli e ` a son spectre X par :
t R, x(t) =
_
+

X()e
2it
d
Or, dapr` es la section pr ec edente, pour une valeur de donn ee :
t R, h e
2i
(t) = H()e
2it
Par suite,
t R, X()h e
2i
(t) = H()X()e
2it
On en d eduit que :
t R,
_
+

h X()e
2i
(t)d =
_
+

H()X()e
2it
d
Do` u
t R, h
_
+

X()e
2i
d
. .
x
(t) =
_
+

H()X()e
2it
d
. .
y(t)
Puisque
t R, y(t) =
_
+

Y ()e
2it
d
on en d eduit
R, Y () = H()X()
On a la propri et e fondamentale : la transform ee de Fourier du produit de convolution de deux
signaux est egale au produit de transform ees de Fourier de chaque signal, cest-` a-dire :
T[f g] = T[f].T[g]. (3.5)
Il est amusant de constater quil existe une relation sym etrique ` a la relation (3.5) :
T[f.g] = T[f] T[g]. (3.6)
Si on applique (3.5) ` a un syst` eme de convolution de r eponse impulsionnelle h, on obtient :
y(t) = h x(t) Y () = H()X(). (3.7)
Le spectre du signal de sortie est obtenu par la multiplication du spectre du signal dentr ee par la
r eponse fr equentielle du syst` eme de convolution.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 71
Exemple du circuit electronique Revenons ` a lexemple page 65.
H() =
1
1 +RC2i
Des relations similaires ` a (3.5) et (3.6) peuvent etre obtenues dans le cas de la transform ee de
Laplace :
L[f g] = L[f].L[g] (3.8)
et
L[f.g] = L[f] L[g]. (3.9)
La propri et e remarquable pr esent ee en (3.7) a plusieurs applications importantes.
Pr obl me i ni t i al
dans l e domai ne
t empor el
Sol ut i on
t empor el l e
Pr o b l me
dans l e domai ne
f r quent i el
Sol ut i on
f r quent i el l e
Rs ol ut i on
di f f i ci l e
Rs ol ut i on
s i mpl e
Tr ans f or mat i on
Tr ans f or mat i on
i nv er s e
1
2
3
FIG. 3.15 Transformez votre vie !
Une application int eressante est le calcul de la sortie dun syst` eme de convolution connaissant
le signal dentr ee x et la r eponse impulsionnelle du syst` eme. Pour une entr ee donn ee x, dans le
domaine temporel, le calcul de la sortie dun syst` eme de convolution par la formule (3.1) peut etre
extr emement difcile puisque la valeur de y(t) pour chaque t est obtenue par un calcul int egral.
Par contre, dans le domaine fr equentiel (resp. Laplace), la transform ee de Fourier (resp. Laplace)
du signal de sortie est obtenue par la simple multiplication de la transform ee de Fourier (resp.
Laplace) de la r eponse impulsionnelle du syst` eme de convolution par la transform ee de Fourier
(resp. Laplace) du signal dentr ee, ce qui est largement plus simple. Cest le grand b en ece de
lutilisation de transformations, voir la gure 3.15.
Remarque Il sagit ici du calcul de la sortie du syst` eme de convolution pour une entr ee donn ee.
En g en eral, un syst` eme de convolution repr esente un syst` eme physique. Bien evidemment, un
syst` eme physique manipule les signaux dans le domaine temporel et non dans le domaine fr equen-
tiel, remarque de bon sens quil convient n eanmoins de garder ` a lesprit.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
72 CHAPITRE 3 CONVOLUTION ET FILTRAGE
3.3.5 Syst` eme de convolution et fonction de transfert
Beaucoup de syst` emes physiques sont mod elis es par des syst` emes causaux d enis par une
equation diff erentielle lin eaire ` a coefcients constants. Ces syst` emes sont-ils des syst` emes de
convolution ? Pour r epondre ` a cette question, la transformation de Laplace est appliqu ee.
Soit l equation diff erentielle lin eaire ` a coefcient constant dordre n :
d
n
y(t)
dt
n
+a
n1
d
(n1)
y(t)
dt
(n1)
+ +a
1
dy(t)
dt
+a
0
y(t) = b
m
d
m
x(t)
dt
m
+b
m1
d
(m1)
x(t)
dt
(m1)
+ +b
1
dx(t)
dt
+b
0
x(t)
(3.10)
o` u a
n1
, , a
0
et b
n
, , b
0
sont des coefcients r eels, o` u m et n sont deux entiers tels que
m n. Les conditions initiales sont nulles.
En prenant la transform ee de Laplace de cette equation diff erentielle et en utilisant les pro-
pri et es de la transform ee de Laplace pr esent ees dans le tableau 2.7, page 55 :
Lin earit e
L[af + bg] = aL[f] +bL[g]
D eriv ee
L[f
(n)
](s) = s
n
L[f](s)
_
s
n1
f(0) +s
n2
f
(1)
(0) + + sf
(n2)
(0) +f
(n1)
(0)
_
on obtient :
_
s
n
+ a
n1
s
n1
+ +a
1
s + a
0
_
Y (s) =
_
b
m
s
m
+ b
m1
s
m1
+ + b
1
s + b
0
_
X(s).
La fonction rationnelle not ee F(s) et appel ee fonction de transfert est d enie par :
F(s) =
b
m
s
m
+ b
m1
s
m1
+ + b
1
s +b
0
s
n
+a
n1
s
n1
+ + a
1
s + a
0
Lentier n est appel e lordre de F(s). De plus,
Y (s) = F(s)X(s) (3.11)
Soit h la fonction telle que F = L[h]. Alors dapr` es la relation (3.8), l equation (3.11) est
equivalente ` a :
y = h x.
Le syst` eme d eni par (3.10) est donc un syst` eme de convolution.
Il est usuel d etudier les propri et es de syst` emes d enis par des equations diff erentielles (3.10) ` a
partir de la fonction de transfert F(s). Le syst` eme est stable si les racines du polyn ome d enominateur
de F(s) : s
n
+a
n1
s
n1
+ +a
1
s +a
0
sont ` a partie r eelle strictement n egative. Dans ce cas-l` a,
on a, avec H() la r eponse fr equentielle du syst` eme de convolution :
H() = F(2i).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 73
3.3.6 Simulation dun syst` eme de convolution
Une grande majorit e des syst` emes de convolution qui sont simul es sont des syst` emes de convo-
lution qui peuvent etre d eni par des equations diff erentielles ou des fonctions des de transfert,
voir section 3.3.5. Un exemple est celui du pneu vu page 66 : le syst` eme est d ecrit par l equation
diff erentielle :
m
r
z
roue
(t) = c( z
sol
(t) z
roue
(t)) +k(z
sol
(t) z
roue
(t))
o` u z
sol
est lentr ee et z
roue
est la sortie. A cette equation diff erentielle, on peut associer la fonction
de transfert :
F(s) =
cs + k
m
r
s
2
+ cs + k
.
La simulation de syst` emes d enis par des equations diff erentielles ou des fonctions de trans-
fert seffectue simplement sous Matlab avec la bote ` a outils Simulink. Quelques notions
sur Simulink sont pr esent ees en n de chapitre, section 3.7.1, 96. Pour une pr esentation compl` ete
de la simulation sous Matlab, le lecteur peut se r ef erer avec prot au livre [8].
3.4 Filtrage fr equentiel
3.4.1 Filtres analogiques
La cons equence remarquable de la propri et e (3.7) est quil est possible de r ealiser lop eration
de ltrage fr equentiel telle que d enie section 3.2, page 61 par un syst` eme de convolution ap-
pel e ltre analogique.
Rappelons que le ltrage fr equentiel est lop eration qui consiste en :
Etant donn e N intervalles de fr equences [
i
min
;
i
max
], tel que pour tout i 1, , N,

i
min
<
i
max
et pour tout i 1, , (N 1),
i
max
<
i+1
min
;
Pour tout signal x,
Produire un signal y tel que :
_

_

_
i
_

i
min
;
i
max

, Y () = X() ;
R
_
i
_

i
min
;
i
max

, Y () = 0.
Si y est la sortie dun syst` eme de convolution pour lentr ee x alors puisquavec H la r eponse
fr equentielle du syst` eme de convolution, on a :
Y () = H()X()
lop eration de ltrage est r ealis ee par le syst` eme de convolution dont la r eponse fr equentielle H
est telle que :
_

_

_
i
_

i
min
;
i
max

, H() = 1 ;
R
_
i
_

i
min
;
i
max

, H() = 0.
Les intervalles de fr equences [
i
min
;
i
max
] sont appel ees bandes passantes et les intervalles compl ementaires
bandes de r ejection.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
74 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Dans la tr` es grande majorit e des cas, on consid` ere un syst` eme de convolution d eni par une
fonction de transfert (rationnelle ` a coefcients constants). Cela vient du fait que, comme expliqu e
section 3.3.5, page 72, dans ce cas-l` a, le syst` eme de convolution est caract eris e par une equation
diff erentielle. Le syst` eme de convolution peut donc etre r ealis e physiquement en construisant un
syst` eme physique dont le comportement dynamique est mod elis e par cette equation diff erentielle.
0

0



1

Filtre passebas

c
H()
0

0



1

Filtre passehaut

c
H()
0

0



1

Filtre passebande

2
H()

1
0

0



1

Filtre coupebande

2
H()

1
FIG. 3.16 R eponse fr equentielle de ltres id eaux
Il est classique de d enir diff erents ltres id eaux voir gure 3.16 :
Filtre passe-bas : la bande passante est de la forme [0,
c
[ et la bande de r ejection est de la
forme ]
c
, +[ ;
Filtre passe-haut : la bande de r ejection est de la forme [0,
c
[ et la bande passante est de la
forme ]
c
, +[ ;
Filtre passe-bande : la bande de r ejection est de la forme [0,
1
[

]
2
, +[ et la bande
passante est de la forme ]
1
,
2
[ ;
Filtre coupe-bande : la bande passante est de la forme [0,
1
[

]
2
, +[ et la bande de
r ejection est de la forme ]
1
,
2
[.
Exemple des enceintes HIFI 3 voies Les enceintes haute d elit e de qualit e sont g en eralement
equip ees de 3 haut-parleurs, chaque haut-parleur etant en charge de reproduire le son dans une
gamme de fr equences bien d enie :
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 75
FIG. 3.17 Application du ltrage ` a la HIFI
Les tweeters reproduisent les hautes fr equences, typiquement les fr equences sup erieures ` a
2 kHz : le signal ` a reproduire est donc envoy e en entr ee dun ltre passe-haut an que la
sortie de ce ltre qui alimente les tweeters soit un signal constitu e par les composantes
hautes fr equences du son ;
Les m ediums reproduisent les moyennes fr equences, typiquement les fr equences dans un
intervalle [500Hz, 5kHz] : le signal ` a reproduire est donc envoy e en entr ee dun ltre passe-
bande an que la sortie de ce ltre qui alimente les m ediums soit un signal constitu e par les
composantes moyennes fr equences du son ;
Les woofers reproduisent les basses fr equences, typiquement les fr equences inf erieures ` a
1 kHz : le signal ` a reproduire est donc envoy e en entr ee dun ltre passe-bas an que la
sortie de ce ltre qui alimente les woofers soit un signal constitu e par les composantes
basses fr equences du son.
Une enceinte HIFI est donc equip ee de 3 ltres fr equentiels qui sont r ealis es ` a laide dun circuit
d electronique analogique, voir gure 3.17.
Exemple du pneu XXX
En r esum e, la conception dun ltre consiste ` a :
1. d eterminer le syst` eme de convolution dont la r eponse fr equentielle a les bonnes caract eristi-
ques en terme de bande(s) passante(s), de r ejection, etc.. Le syst` eme de convolution peut
etre repr esent e par sa r eponse impulsionnelle ou de facon plus commode par sa fonction de
transfert ;
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
76 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Filtre Domaine de travail Syst` eme manipul e
R ealisation
Fonctionnement
temporel
h
- -
x(t) y(t)
Conception
Analyse
fr equentiel
H()
- -
X() Y ()
TAB. 3.1 Filtrage, temps et fr equence
2. le r ealiser par un syst` eme technologique : cela peut etre un syst` eme d electronique ana-
logique, un syst` eme m ecanique, m ecatronique, etc... Le circuit electronique repr esent e -
gure 3.17 est un exemple de r ealisation.
Cest la premi` ere etape qui nous int eresse dans ce cours. N eanmoins, la d etermination du ltre
doit prendre en compte le fait quil doit etre possible de le r ealiser par un syst` eme technologique !
Pour ce qui est des technologies electroniques, ce second aspect est abord e dans le cours GE b 1.3
Syst` emes electroniques.
Remarque Si le ltre est d eni puis concu en raisonnant sur la r eponse fr equentielle du ltre et
le spectre des signaux, comme cela a et e remarqu e page 71, la mise en uvre du ltre ` a travers sa
r ealisation technologique traite les signaux dans le domaine temporel, voir tableau 3.1.
3.4.2 Lid eal peut-il etre atteint ?
La question est maintenant de savoir sil est possible de r ealiser, en temps r eel, par exemple
par un circuit electronique, un ltre id eal.
La causalit e est une propri et e incontournable pour effectuer le ltrage en temps r eel : la sortie
y(t) est effectivement calcul ee ` a linstant t et donc on ne dispose pas de la valeur de lentr ee
x(t

) pour t

> t. Par exemple, il sagit du cas de gure o` u lon effectue une prise de son avec
un microphone et o` u le ltre sert ` a traiter le signal au fur et ` a mesure. N eanmoins, certaines
applications correspondent au ltrage en temps diff er e. Le ltrage en temps diff er e consiste ` a
faire lacquisition de x(t) t puis ensuite ` a d eterminer y connaissant ainsi lint egralit e du signal
dentr ee. Dans ce cas-l` a, la causalit e nest plus n ecessaire puisque pour calculer la valeur de y ` a
linstant t, on dispose de la totalit e du signal dentr ee x. Un exemple est le traitement dun concert
qui a pr ec edemment et e enregistr e et stock e sur un CD. Dans la suite de ce document, on ne
consid` erera que le ltrage en temps r eel.
Prenons le cas du ltre passe-bas (voir gure 3.16, en haut ` a gauche). Il est d eni par la r eponse
fr equentielle :
R, H
pb
() = rect
_

2
c
_
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 77
Dapr` es (2.22),
t R, h(t) = T
1
[H
pb
] (t) = 2
c
sinc(2
c
t).
Or une condition n ecessaire pour que h soit la r eponse impulsionnelle dun syst` eme physique est
que le syst` eme de convolution correspondant soit causal (u < 0, h(u) = 0), ce qui nest pas
le cas. Par suite, le ltre id eal passe-bas nest pas r ealisable. En r ealit e, il en est de m eme pour
lensemble des ltres id eaux pr esent es gure 3.17.
Pourquoi un ltre id eal ne peut pas etre causal ? Les ltres id eaux que lon a vu pr ec edem-
ment ont une r eponse fr equentielle r eelle. En r ealit e, la difcult e est quil existe une relation entre
la partie r eelle de la r eponse fr equentielle dun ltre causal et sa partie imaginaire. En effet, le
syst` eme de convolution de r eponse impulsionnelle h est causal si et seulement si :
h = h..
En prenant la transform ee de Fourier de cette egalit e et en utilisant la relation (3.6), on obtient
alors :
H() = H T[]().
Puisque T[]() =
1
2i
+
1
2
() et dapr` es (3.2), on a
H = H
1
2i
+
1
2
H
Par suite
8
,
H = H
1
i
et donc
, Re (H()) = Im(H)
1

() et , Im(H()) = Re (H)
1

()
Fixer la partie r eelle dun ltre causal revient donc ` a xer sa partie imaginaire. Par suite, on ne peut
avoir une partie imaginaire identiquement nulle sans avoir la partie r eelle identiquement nulle. On
ne peut donc avoir un ltre avec une r eponse fr equentielle r eelle qui ne soit identiquement nul
9
.
3.4.3 Filtres analogiques classiques
Remarque pr eliminaire An d etre homog` ene, dans tout le document, les r eponses fr equentiel-
les sont exprim ees en fonction de la fr equence (unit e Hertz). Il faut cependant faire attention
quen g en eral, en traitement du signal, dans certains probl` emes comme la d enition de ltres
analogiques, les r eponses fr equentielles peuvent aussi etre exprim ees en fonction de la pulsation
= 2 (unit e rad/s). En Anglais, le terme de frequency recouvre ` a la fois la fr equence
et la pulsation. En cons equence, une frequency est exprim ee soit en Hz soit en rad/s. Dans
le logiciel Matlab, suivant la fonction utilis ee, lunit e de la frequency est le Hertz ou le
radians/s.
8
Cette relation s ecrit aussi H() = iH[H]() avec H[H]() = H
1

() o` u H[H] est appel ee la transform ee


dHilbert de H.
9
Lid eal ne peut donc pas etre atteint mais comme a dit le philosophe il demeure un guide .
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
78 CHAPITRE 3 CONVOLUTION ET FILTRAGE
0 1
0
0.2
0.4
0.6
0.8
1

|
H
(

)
|
Gabarit pour un filtre passebas
Bande passante
Bande de transition
Bande de rjection
FIG. 3.18 Gabarit sur le module de la r eponse fr equentielle dun ltre passe-bas
Filtres r eels Contrairement aux ltres id eaux dont des exemples de r eponses fr equentielles
sont pr esent es gure 3.16, les ltres causaux doivent poss eder entre une bande passante et une
bande datt enuation une bande dite de transition. Ces bandes sont en g en eral d enies ` a travers un
gabarit fr equentiel sur le module de la r eponse fr equentielle du ltre, voir par exemple pour un
ltre passe-bas gure 3.18.
Le probl` eme de conception de ltre consiste alors ` a traiter la question suivante : etant donn e
un gabarit sur le module de la r eponse fr equentielle du ltre ` a concevoir, d eterminer le ltre
qui satisfait ce gabarit. Dans ce qui suit, on sint eresse aux ltres stables et causaux d ecrits par
des fonction de transfert F(s), rationnelles en la variable de Laplace s et ` a coefcients r eels, ce
qui correspond ` a la r eponse fr equentielle F(2i). Il sagit du cas trait e en Automatique : les
repr esentations fr equentielles correspondent aux diagrammes de Bode qui utilisent pulsations et
echelles logarithmiques.
Exemple Les gabarits fr equentiels sont souvent utilis es dans lindustrie, voir par exemple -
gure 3.19 un gabarit d eni par France Telecom.
FIG. 3.19 Gabarits fr equentiels France Telecom
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 79
Exemple Le circuit semi int egrateur pr esent e page 65 d enit un ltre passe-bas, voir gure 3.20.
0 0.5 1 1.5 2 2.5 3 3.5 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

|
H
(

)
|
circuit semi integrateur
10
2
10
1
10
0
10
1
10
2
45
40
35
30
25
20
15
10
5
0
5

|
H
|

e
n

d
B
Diagramme de Bode du circuit semi intgrateur
FIG. 3.20 Module de la r eponse fr equentielle du circuit semi int egrateur, en fonction de la
fr equence (gauche) et Module en dB en fonction de la pulsation = 2 (droite) (Bode)
Temps de groupe Le temps de groupe est une des caract eristiques importantes qui permettent
de juger de la qualit e dun ltre r eel pour un nombre important dapplications. Il sagit dune
des mesures d ecart ` a lid eal pour un ltre r eel. Contrairement aux ltres id eaux, un ltre r eel
de r eponse fr equentielle H introduit un d ephasage () = arg(H()) qui est fonction de la
fr equence , voir par exemple gure 3.21 pour le circuit semi-int egrateur. Dans le domaine tem-
0 0.5 1 1.5 2 2.5 3 3.5 4
90
100
110
120
130
140
150
160
170
180

a
r
g
(
H
(

)
)
10
2
10
1
10
0
10
1
10
2
90
100
110
120
130
140
150
160
170
180

a
r
g
(
H
)
FIG. 3.21 Phase de la r eponse fr equentielle du circuit semi int egrateur, en fonction de la
fr equence
porel, ce d ephasage entrane un retard entre le signal dentr ee et le signal de sortie. En effet, en
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
80 CHAPITRE 3 CONVOLUTION ET FILTRAGE
ecrivant () = 2t
0
(), pour un signal dentr ee x(t) = Asin(2t), dapr` es la relation (3.4),
la sortie y du ltre est donn ee par :
y(t) = A[H()[ sin (2(t t
0
())) .
Cela veut dire quun retard de t
0
() secondes apparat entre le signal dentr ee et le signal de sortie
du ltre. Examinons ` a travers un exemple les cons equences de ce retard d ependant de la fr equence
dans le cas dun signal dentr ee plus complexe quun signal sinusodal.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
1.5
1
0.5
0
0.5
1
1.5
x(t)
FIG. 3.22 Signal x
Exemple On consid` ere le signal dentr ee x repr esent e gure 3.22 dont lexpression est donn ee
par :
t R, x(t) = sin(2t) + 0.1 sin(12t + 2).
Ce signal se d ecompose donc en deux composantes qui sont deux sinus ` a la fr equence de 1 Hertz
et de 6 Hertz. Ce signal est envoy e ` a lentr ee de deux ltres :
1. Le premier ltre est tel que [H
1
(6)[ = [H
1
(12)[ = 1 et le retard t
0
est constant : t
0
() =
Cte ;
2. Le second ltre est tel que [H
1
(6)[ = [H
1
(12)[ = 1 et le retard t
0
est tel que t
0
(6) ,= t
0
(12).
Les signaux de sortie obtenues sont repr esent ees gure 3.23. On voit que dans le cas du premier
ltre (gauche), le signal de sortie correspond au signal dentr ee retard e alors que le cas du second
ltre (droite), le signal de sortie est diff erent du signal dentr ee. Cette alt eration du signal est la
cons equence directe du fait que t
0
(6) ,= t
0
(12).
Par suite, si le retard t
0
nest pas constant en fonction de la fr equence , la sortie du ltre, pour
des signaux autres que des signaux sinusodaux, pr esentera forc ement une alt eration par rapport ` a
lentr ee de ltre. Ce retard est la cons equence du d ephasage qui est une des diff erences importantes
entre les ltres r eelles et les ltres id eaux. De facon ` a se rapprocher au mieux de lid eal, il est
donc imp eratif de limiter lalt eration li ee au d ephasage. Puisque un ltre r eel pr esente forc ement
un d ephasage qui, sauf cas tr` es particuliers
10
d ependant de la fr equence, ce que lon peut faire de
mieux est davoir une phase () qui est ou est la plus proche possible dune fonction lin eaire de
10
Comme par exemple les gains constants.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 81
0 0.5 1 1.5 2
1.5
1
0.5
0
0.5
1
1.5
t
Filtre avec temps de groupe constant
0 0.5 1 1.5 2
1.5
1
0.5
0
0.5
1
1.5
t
Filtre sans temps de gorupe constant


entre x
sortie y
FIG. 3.23 Sortie du ltre ` a phase lin eaire (gauche) et sortie du ltre ` a phase non lin eaire (droite)
la fr equence de facon ` a avoir un retard constant. Pour mesurer l ecart ` a la lin earit e de la phase,
on introduit le temps de groupe qui est d eni par :
() =
1
2
d
d
().
En r esum e, un crit` ere de qualit e pour un ltre est davoir un temps de groupe proche dune
constante. Un ltre avec un temps de groupe constant est dit ` a phase lin eaire. Dans ce cas-l` a,
pour un signal quelconque, toutes ses composantes fr equentielles seront transmises avec un retard
constant. Dans le cas dun ltre avec un temps de groupe non constant, des distorsions peuvent
apparatre entre le signal de sortie et le signal dentr ee dues au fait que le retard introduit par le
ltre sera diff erent suivant les composantes fr equentielles. Cest pour cela que dans des applica-
tions o` u il est n ecessaire de transmettre et de traiter des sons (transmission de la parole, etc..) il
est int eressant dutiliser des ltres ` a phase lin eaires ou le plus proche possible dun ltre ` a phase
lin eaire. Enn, les ltres id eaux ayant une r eponse fr equentielle r eelle, leur temps de groupe est
constant et nul.
Filtres prototypes Les ltres sont g en eralement concus ` a partir de ltres prototypes appel es
aussi ltres normalis es qui correspondent au cas dun ltre passe-bas de fr equence de coupure
11

c
=
1
2
Hz, ce qui correspond ` a une pulsation de coupure
c
= 1 rad/s.
La d etermination de ltres passe-bas de fr equence de coupure
c
,=
1
2
, passe-haut, passe-
bande ou encore coupe-bande peut se ramener ` a la d etermination dun ltre passe-bas de fr equence
de coupure
c
` a laide du tableau 3.2.
Les ltres les plus classiques sont bri` evement pr esent es dans les sous sections suivantes
12
.
Ils sont d enis de la facon suivante. Puisquun ltre est concu pour que son module respecte
un gabarit fr equentiel donn e, la relation du module de la r eponse fr equentielle en fonction de la
fr equence est dabord etablie. Les quatre types de ltres qui sont pr esent es dans la suite (ltre de
Butterworth, ltre de Chebyshev de type I et II et ltre de Cauer) correspondent ` a des relations
11
On appelle fr equence de coupure (` a -3 dB) la fr equence pour laquelle le module de la r eponse fr equentielle du
ltre en d ecibels (dB) vaut le module de la r eponse fr equentielle du ltre dans la bande passante en d ecibels moins
3 d ecibels. Il faut faire attention quen Automatique le terme de fr equence de coupure peut etre utilis e avec une
d enition diff erente.
12
Pour des compl ements dinformation, voir la r ef erence [9]
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
82 CHAPITRE 3 CONVOLUTION ET FILTRAGE
De passe-bas fr equence de coupure
1
2
vers... s est remplac e par...
passe-bas
c
,=
1
2
s
2
c
passe-haut
c
2
c
s
passe-bande
s
2
+4
2

2
2(
2

1
)s
coupe-bande
2(
2

1
)s
s
2
+4
2

2
TAB. 3.2 Passage dun ltre prototype ` a diff erents types de ltres
diff erentes. A partir de cette relation, lexpression de la fonction de transfert du ltre est ensuite
etablie.
3.4.3.1 Filtres de Butterworth
0
0




1
0.7

|
F
(
2

)
|
Filtres de Butterworth


n=2
n=1
n=3
n=6
1/(2)
FIG. 3.24 Filtres de Butterworth
Les ltres de Butterworth sont d enis par la relation suivante :
[F(2i)[
2
=
1
1 + ((2)
2
)
n
. (3.12)
Cette relation a et e etablie de facon ` a assurer que :
La courbe [F(2i)[ soit la plus plate possible et proche de 1 au voisinage de = 0 cest-
` a-dire que
[F(2i)[ 1.
La fr equence
c
=
1
2
Hz d enit une fr equence de coupure ` a 3dB, cest-` a-dire que :
[F(i)[ =
1

2
= 3dB.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 83
[F(2i)[ = 0.
Les r eponses fr equentielles obtenues pour diff erentes valeurs de n sont repr esent ees gure 3.24.
Noter que le choix de n inue sur la largeur de la bande de transition.
A partir de (3.12), lexpression de la fonction de transfert F(s) dordre n est obtenue comme
la fonction de transfert de gain statique egal ` a 1 et dont les p oles sont les n racines ` a partie
r eelle n egative de l equation polyn omiale 1 + (s
2
)
n
= 0. Les racines de ce polyn ome sont
uniform ement r eparties sur le cercle de centre 0 et de rayon 1. A titre dexemple, pour n = 2, on
obtient :
F(s) =
1
s
2
+

2s + 1
voir gure 3.25.
1.2 1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 1.2
1.2
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
FIG. 3.25 Localisation des p oles pour un ltre de Butterworth dordre 2
Un ltre de Butterworth peut etre r ealis e par un syst` eme electronique, voir gure 3.26.
3.4.3.2 Filtres de Chebyshev
Ils sont de deux types, le type I et le type II. Les ltres de Chebyshev de type I sont d enis par :
[F(2i)[
2
=
1
1 +
2
C
n
(2)
2
(3.13)
o` u
13
_
2 [1, 1], C
n
(2) = cos(ncos
1
(2))
2 R [1, 1], C
n
(2) = cosh(ncosh
1
(2)).
le trac e de [F(2i)[ en fonction de pr esente des oscillations dans la bande passante ;
leur amplitude d epend de la valeur de , voir gure 3.27 ;
13
Contrairement aux apparences, C
n
(2) est un polyn ome ` a coefcients r eels en 2. Lexpression de ce po-
lyn ome peut etre obtenu ` a partir de la relation de r ecurrence : C
n+1
(2) = 4C
n
(2) C
n1
(2) initialis ee
par C
0
(2) = 1 et C
1
(2) = 2. Ces polyn omes ont la propri et e remarquable davoir n z eros dans lintervalle
[1; 1]. Ils pr esentent ainsi des oscillations pour 2 [1, 1] et sont monotones en dehors de cet intervalle.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
84 CHAPITRE 3 CONVOLUTION ET FILTRAGE
FIG. 3.26 Publicit e pour une r ealisation technologique du ltre de Butterworth
0
0
0.2
0.4
0.6
0.8
1

|
F
(
2

)
|
Filtres de Chebyshev type I


N=2
N=8
N=4
1/(1+
2
)
0.5
1/(2)
FIG. 3.27 Filtres de Chebyshev de type I
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 85
pour n pair (comme sur la gure 3.27), [F(0)[ = 1
1

1+
2
; pour n impair, [F(0)[ = 1.
Ici encore, n est lordre du ltre. Son choix inue sur la largeur de la bande de transition. F est
obtenue comme la fonction de transfert de gain statique egal ` a 1 et dont les p oles sont r epartis
dans le plan complexe sur une ellipse de centre 0 et d equation :
_

k
sinh(u
0
)
_
2
+
_

k
cosh(u
0
)
_
2
= 1
avec
k
et
k
les parties r eelle et imaginaire des p oles et u
0
=
sinh
1
(1/)
n
. Cette r epartition des
p oles sur une ellipse pr esente des similitudes avec celle des p oles des ltres de Butterworth sur un
cercle.
0
0
0.2
0.4
0.6
0.8
1
1.2
1.4

|
F
(
2

)
|
Filtre de Chebyshev II n=8
/(1+
2
)
0.5
1/(2)
FIG. 3.28 Filtres de Chebyshev de type II
Les ltres de Chebyshev de type II sont similaires aux ltres de type I sauf que les oscillations
ne sont pas dans la bande passante mais dans la bande de r ejection. Leur expression est bas ee sur :
[F(2i)[
2
=

2
C
n
(
1
2
)
2
1 +
2
C
n
(
1
2
)
2
. (3.14)
Un exemple est pr esent e gure 3.28.
3.4.3.3 Filtres elliptiques ou ltres de Cauer
Par rapport aux ltres pr ec edents, les ltres elliptiques permettent de satisfaire un gabarit avec
un ordre plus faible
14
. Les ltres elliptiques sont d enis par :
[F(2i)[
2
=
1
1 +
2
G(2)
2
(3.15)
14
Le prix ` a payer est une complexit e plus grande dans leur conception. Le lecteur int eress e pourra lire avec prot
le chapitre 7 de la r ef erence [9].
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
86 CHAPITRE 3 CONVOLUTION ET FILTRAGE
0 0.5 1 1.5 2 2.5 3
0

0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

|
F
(
2

)
|
Filtre elliptique
1
1

2
1/k
FIG. 3.29 Filtre elliptique
o` u G(2) = sn(nsn
1
(2, k), k
1
) avec sn la fonction sinus elliptique
15
.
La bande de transition est x ee via k par
1
2
[1,
1
k
] ; n d epend de k ;
Lamplitude
1
des oscillations dans la bande passante d epend de via la relation :
=

2
1

2
1
1 2
1
+
2
1
;
Lamplitude
2
des oscillations dans la bande de r ejection
2
d epend de et de k
1
par la
relation :

2
=
1
_
1 +

2
k
2
1
voir gure 3.29. Ce ltre admet des oscillations ` a la fois dans la bande passante et dans la bande
de r ejection.
15
Le sinus elliptique est d eni ` a partir de la fonction :
u(, k) =
_

0
dy
_
1 k
2
sin
2
(y)
ou plut ot ` a partir de la fonction inverse associ ee (u, k) :
sn(u, k) = sin((u, k)).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 87
3.4.3.4 Un exemple en guise de comparaison
Le calcul des diff erents ltres peut se faire sous Matlab dot e de la Signal processing
toolbox avec les fonctions butter, cheby1, cheby2, ellip. Pour n = 5, on ob-
tient le r esultat gure 3.30. Le script Matlab qui a permis dobtenir cette gure est pr esent ee
section 3.7.2, page 98.
0
0
0.2
0.4
0.6
0.8
1


butterworth
Chebishev I
Chebishev II
Elliptique
1/(2)
FIG. 3.30 Comparaison des diff erents ltres pour n = 5
3.4.3.5 Exemple de mise en uvre
3.4.3.6 Filtrage fr equentiel pour lextraction dun signal utile
Une application importante du ltrage fr equentiel est lextraction dun signal utile
16
x
u
noy e dans un signal plus complexe x, ` a partir de celui-ci : x peut s ecrire comme :
x = x
u
+ x
r
o` u x
r
est le reste du signal. Cela nest possible par cette technique de ltrage que si
1. On a des informations sur le spectre de x
u
et sur le spectre de x
r
;
2. Les spectres de x
u
et de x
r
sont s epar es, cest-` a-dire que les intervalles de fr equences o` u
leur amplitude est de valeur signicative sont disjoints.
Dans ce cas-l` a, il est possible de trouver un ltre F tel quavec pour entr ee x, la sortie y est telle
que y x
u
.
3.5 Fen etrage temporel
De facon sym etrique au ltrage fr equentiel, r ealiser un ltrage temporel , que lon d esignera
par le terme de fen etrage, consiste ` a transmettre un signal dans certains intervalles de temps et ` a
latt enuer voire le supprimer dans dautres intervalles de temps.
16
Cest-` a-dire contenant une information nous int eressant.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
88 CHAPITRE 3 CONVOLUTION ET FILTRAGE
0
0
0.2
0.4
0.6
0.8
1

|X
*
(
)|


X
u
X
r
0
0
0.2
0.4
0.6
0.8
1

|X
*
(
)|


X
u
X
r
FIG. 3.31 Exemples de signaux avec spectre s epar e (gauche) et non s epar es (droite)
f(t)
- -
x(t) y(t)
FIG. 3.32 Fen etrage temporel
Une fen etre est un syst` eme tel que suivant lintervalle de temps, on a, avec x le signal dentr ee
et y le signal de sortie, soit :
Att enuation : y(t) 0 ;
Transmission : y(t) x(t).
La fen etre peut etre d eni par une fonction f telle que :
t R, y(t) = f(t)x(t).
Exemple Un exemple de fen etre peut etre r ealis e par la fonction f d enie par
_
t [0, T
a
] f(t) = 1
sinon f(t) = 0
Cette fen etre est appel ee fen etre rectangulaire
17
. Le signal de sortie y correspond ` a lacquisition
du signal x sur lintervalle de temps [0, T
a
[, signal qui est aussi not e x
T
a
. On parle aussi de fen etre
de pond eration.
Que peut-on dire du spectre du signal x
T
a
par rapport au spectre du signal x ? Cette question
prend tout son sens lorsquon sint eresse ` a la mise en uvre exp erimentale du traitement du signal,
notamment pour effectuer lanalyse fr equentielle dun signal r eel . En effet, un signal r eel
ne peut etre mesur e que sur un intervalle de temps ni, par exemple [0, T
a
]. Lobjectif de la mesure
est d etudier le spectre du signal mesur e x ` a partir du spectre du signal de mesure x
T
a
. Pour obtenir
des el ements de r eponse, un exemple est examin e. Dans un second temps, un calcul math ematique
simple permettra de r epondre ` a cette question.
17
Car la courbe caract eristique de f rappelle une fen etre.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 89
Exemple Soit le signal x d eni par :
t R, x(t) = cos (2
0
t) +A
1
cos (2
1
t)
avec
0
= 10 Hz,
1
= 15 Hz et A
1
= 0.1. Le spectre de ce signal est donn e par :
R, X() =
1
2
(

0
+

0
) +
A
1
2
(

1
+

1
)
puisque nous avons vu pr ec edemment que :
T[cos (2
0
)]() =
1
2
(

0
+

0
) .
Il est repr esent e gure 3.33, gauche.
40 30 20 10 0 10 20 30 40
0.25
0
0.25
0.5
0.75
1

X()
40 30 20 10 0 10 20 30 40
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6

FIG. 3.33 Spectre de x (gauche) et de x


T
a
/2
(droite)
Le signal x a et e mesur e pendant lintervalle de temps
_

T
a
2
,
T
a
2

, avec T
a
= 1, ce qui donne
le signal x
T
a
/2
d eni par :
t R, x
T
a
/2
(t) = x(t) rect
_
t
T
a
_
.
Le spectre de x
T
a
/2
est repr esent e gure 3.33, droite. On constate que si sur le spectre du signal de
d epart, il etait facile de distinguer les (deux fois) deux raies caract eristiques des deux composantes
sinusodales du signal, sur le spectre du signal mesur e, du fait des oscillations introduites par le
fen etrage rectangulaire, il est difcile de retrouver ces ensembles de raies et donc de conclure ` a la
pr esence de deux composantes sinusodales.
Le lien entre le spectre du signal x
T
a
et le spectre du signal x est maintenant etabli. Dapr` es la
relation (3.6), on a :
y(t) = f(t).x(t) Y () = F X()
Le fen etrage modie donc le spectre dun signal. Dans lexemple pr ec edent, la fonction f peut
etre exprim ee ` a laide de la fonction rect :
t R, f(t) = rect
_
t T
a
/2
T
a
_
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
90 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Le spectre de x
T
a
sera alors reli e ` a celui de x par :
X
T
a
=
_
T
a
e
iT
a
sinc (T
a
)
_
X
La courbe caract eristique de la fonction [T
a
sinc (T
a
)[ est repr esent ee gure
18
3.34. Quand T
a

, elle tend vers limpulsion de Dirac et donc X
T
a
X.
0 1/Ta 1/Ta
0
0.2Ta
0.4Ta
0.6Ta
0.8Ta
Ta
1.2Ta

T
a
|
s
i
n
c
(
T
a

)
|
lobe central
lobes latraux
FIG. 3.34 Spectre en amplitude dune fen etre rectangulaire
En conclusion, le spectre du signal mesur e sera donc dans tous les cas diff erent du spectre de
sa mesure. Il convient de prendre cela en compte si lobjectif de la mesure est d etudier le spectre
du signal mesur e ` a partir du spectre du signal de mesure.
La question est : comment ` a partir du signal mesur e x
T
a
obtenir un spectre plus proche du
spectre X de x que le spectre X
T
a
de x
T
a
? La r eponse ` a cette question est bas ee sur le fen etrage
de x
T
a
. Dans la suite, x
T
a
est not e plus simplement y. Pour cela, on utilise un ltre temporel d eni
par la fonction w tel quavec y
f
d eni par :
t R, y
f
(t) = w(t)y(t)
le spectre Y
f
de y
f
soit plus proche du spectre X de x que le spectre Y de y lest. Une premi` ere
fen etre appel ee fen etre de Hanning
19
est d enie par la fonction w not ee w
hanning
:
t R, w
hanning
(t) =
_
1
2
+
1
2
cos
_
2(t T
a
/2)
T
a
__
. rect
_
t T
a
/2
T
a
_
. (3.16)
18
Si le lecteur d esire se rappeler la forme du spectre en amplitude de la fen etre rectangulaire, mon jeune neveu
conseille le moyen mn emotechnique suivant : penser ` a un doigt dhonneur.
19
ou fen etre de Hann du nom du m et eorologiste Australian Julis von Hann.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 91
0 Ta
0.2
0
0.2
0.4
0.6
0.8
1
temps t
w
(
t)
Fentre de Hanning
FIG. 3.35 Fonction w
hanning
(t) d enissant la fen etre de Hanning
La courbe caract eristique de cette fonction est repr esent ee gure 3.35. On a alors
y
f
(t) = w
hanning
(t).y(t)
qui se r e ecrit :
y
f
(t) =
_
1
2
+
1
2
cos
_
2(t T
a
/2)
T
a
__
. rect
_
t T
a
/2
T
a
_
. rect
_
t T
a
/2
T
a
_
.x(t)
soit
y
f
(t) =
_
1
2
+
1
2
cos
_
2(t T
a
/2)
T
a
__
. rect
_
t T
a
/2
T
a
_
.x(t)
cest-` a-dire y
f
(t) = w
hanning
(t).x(t). Par suite,
Y
f
= W
hanning
X
Le signal de sortie y
f
de la fen etre de Hanning avec pour signal dentr ee y est aussi le signal
de sortie de la fen etre de Hanning avec pour entr ee x. On a donc remplac e la fen etre rectan-
gulaire par la fen etre de Hanning. Lamplitude du spectre de la fen etre de Hanning W
hanning
est
repr esent ee gure 3.36.
Le tableau 3.3 donne une comparaison entre la fen etre rectangulaire et la fen etre de Hanning.
Pour ce qui est de lamplitude du spectre des deux fen etres, le lobe lat eral le plus important nest
plus qu` a 3% de la valeur maximale, contre 22 % dans le cas dune fen etre rectangulaire ; cepen-
dant le lobe centrale est deux fois plus etendu.
Une am elioration de la fen etre de Hanning appel ee fen etre de Hamming
20
a et e propos ee : elle
est d enie par la fonction :
t R, w
hamming
(t) =
_
+ (1 ) cos
_
2(t T
a
/2)
T
a
__
rect
_
t T
a
/2
T
a
_
.
avec = 0.54. Le lecteur attentif peut noter que pour = 0.5, la fen etre dHanning est ob-
tenue. Par rapport ` a cette derni` ere, le coefcient a et e optimis e de facon ` a diminuer le plus
possible lamplitude maximale des lobes lat eraux, voir le r esultat gure 3.37. Les deux fen etres
sont compar ees dans le tableau 3.4.
20
du nom du math ematicien am ericain Richard W. Hamming.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
92 CHAPITRE 3 CONVOLUTION ET FILTRAGE
2/Ta 0 2/Ta
0
.5Ta
.03*.5Ta
lobe central
lobes latraux
FIG. 3.36 Spectre en amplitude de la fen etre de Hanning
Fen etre rectangulaire Fen etre de Hanning
w rect
_
T
a
/2
T
a
_ _
1
2
+
1
2
cos
_
2(T
a
/2)
T
a
__
. rect
_
T
a
/2
T
a
_
w(t)
0 Ta
0.2
0
0.2
0.4
0.6
0.8
1
temps t
w
(t)
Fentre rectangulaire
0 Ta
0.2
0
0.2
0.4
0.6
0.8
1
temps t
w
(t)
Fentre de Hanning
W()
0 1/Ta 1/Ta
0
0.2Ta
0.4Ta
0.6Ta
0.8Ta
Ta
1.2Ta

T
a
|
s
i
n
c
(
T
a

)
|
lobe central
lobes latraux
2/Ta 0 2/Ta
0
.5Ta
.03*.5Ta
lobe central
lobes latraux
TAB. 3.3 Comparaison entre la fen etre rectangulaire et la fen etre de Hanning
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 93
2 /Ta 0 2 /Ta
0
0.5Ta

FIG. 3.37 Spectre en amplitude de la fen etre de Hamming


Fen etre de Hanning Fen etre de Hamming
w
_
1
2
+
1
2
cos
_
2(T
a
/2)
T
a
__
. rect
_
T
a
/2
T
a
_ _
+ (1 ) cos
_
2(
T
a
2
)
T
a
__
rect
_

T
a
2
T
a
_
w(t)
0 Ta
0.2
0
0.2
0.4
0.6
0.8
1
temps t
w
(t)
Fentre de Hanning
1 0.5 0 0.5 1 1.5 2
0.2
0
0.2
0.4
0.6
0.8
1
temps t
w
(t)
Fentre de Hamming
W()
2/Ta 0 2/Ta
0
.5Ta
.03*.5Ta
lobe central
lobes latraux
2 /Ta 0 2 /Ta
0
0.5Ta

TAB. 3.4 Comparaison entre la fen etre de Hanning et la fen etre de Hamming
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
94 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Exemple (suite) Lexemple pr esent e page 89 est maintenant repris. La fen etre de Hanning est
appliqu ee sur le signal x
T
a
. Son expression d enie par (3.16) pour lintervalle [0; T
a
] sadapte
sans difcult e ` a lintervalle
_

T
a
2
,
T
a
2

, ce qui donne :
w
hanning
(t) =
_
1
2
+
1
2
cos
_
2t
T
a
__
rect
_
t
T
a
_
.
Le calcul du spectre de la sortie de la fen etre de Hanning pour lentr ee x
T
a
/2
donne le spectre
repr esent e gure 3.38. On distingue de nouveau les raies qui correspondent aux deux com-
40 30 20 10 0 10 20 30 40
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6

40 30 20 10 0 10 20 30 40
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3

FIG. 3.38 Spectre de x


T
a
/2
(gauche) et de x
T
a
/2
apr` es application dune fen etre de Hanning
(droite)
posantes sinusodales du signal. Cet exemple illustre le vif int er et des fen etres temporelles pour
lanalyse fr equentielle de signaux exp erimentaux.
FIG. 3.39 Signaux p eriodiques correspondant ` a un piano (gauche) et ` a une clarinette (droite)
(extrait de [11])
Un exemple de fen etrage temporel : la note de musique La note produite par un instru-
ment de musique est bas ee sur une variation de la pression acoustique qui est p eriodique. Des
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 95
exemples sont pr esent es gure 3.39. Comme dans lexemple pr esent e gure 2.1, le fait que le
signal soit p eriodique et donc avec un spectre fr equentiel bien d eni est important pour obtenir
un son agr eable ` a ecouter . Le probl` eme pratique est que la note dun instrument de musique a
forc ement une dur ee limit ee. Comme on la vu pr ec edemment, simplement g en erer ce signal sur
un intervalle de temps de dur ee limit ee revient ` a pratiquer une op eration de fen etrage rectangu-
laire. Lintervalle etant court, la cons equence est lobtention dun son dont le spectre fr equentiel
peut etre eloign e du spectre fr equentiel du signal p eriodique correspondant. Cela se produit par
un claquement . La solution est d eviter ce ph enom` ene en appliquant une fen etre temporelle.
Cest la solution adopt ee dans les instruments de musique. Une allure typique de fen etre tempo-
Ch u t e
Ma i n t i e n
At t a q u e
D c l i n
t e mp s
FIG. 3.40 Fen etre temporelle dinstrument de musique
relle pour un instrument de musique est esquiss ee gure 3.40. Traditionnellement, on d ecompose
cette fen etre temporelle en 4 phases : la phase dattaque, le d eclin, le maintien et la chute. Il faut
noter que sur le gure 3.40, la phase dattaque et la chute sont douces ce qui nest pas sans rappeler
les fen etres dHanning/Hamming, voir tableau 3.4
21
.
On peut illustrer ce ph enom` ene de claquement ` a travers lexemple suivant. On consid` ere
le signal d eni par :
_
t [0.05; 0.1], x(t) = 0.2 sin
_
(2.1000.t +

2
_
sinon x(t) = 0
Il sagit dun signal sinusodal auquel on a appliqu e une fen etre rectangulaire. Ce signal est
repr esent e gure 3.41 ` a gauche en haut. Si on examine son spectre en amplitude ` a gauche en
bas, on constate que par rapport au spectre du signal sinusodal, le spectre est plus etal e. On ap-
plique sur ce signal x une fen etre de Hamming, ce qui donne le signal x
hamming
qui est repr esent e
` a droite de la gure 3.41 avec son spectre en amplitude. En cliquant sur la gure, ecouter les deux
sons correspondants.
3.6 En r esum e
Dans ce chapitre, lop eration de ltrage fr equentiel a et e pr esent ee. Cette op eration est r ealis ee
par un ltre analogique qui est un syst` eme de convolution d eni par une fonction de transfert. Il
21
Bien s ur, la plupart des instruments de musique ont et e invent es avant que les techniques de fen etrage temporel
soient cr e ees. Comme Monsieur Jordain le personnage de la pi` ece de th e atre le Bourgeois Gentilhomme de Moli` ere
faisait de la prose sans le savoir, les fabricants dinstruments de musique ont fait du fen etrage temporel sans le savoir.
Cependant, contrairement ` a Monsieur Jordain, cette interpr etation peut pr esenter un grand int er et : celui de permettre
le d eveloppement de m ethodes permettant une meilleure matrise des syst` emes que lon concoit.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
96 CHAPITRE 3 CONVOLUTION ET FILTRAGE
Cliquer pour ecouter
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
0.2
0.1
0
0.1
0.2
x
(
t)
temps en s
0 500 1000 1500 2000 2500 3000 3500 4000 4500
0
10
20
30
40
50
|X
(

)
|
Frquence en Hz
Cliquer pour ecouter
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16
0.2
0.1
0
0.1
0.2
x
h
a
m
m
in
g
(
t
)
temps en s
0 500 1000 1500 2000 2500 3000 3500 4000 4500
0
10
20
30
|
X
h
a
m
m
in
g
(

)
|
Frquence en Hz
FIG. 3.41 Signal sinusodal fen etr e
est d eni par des bandes passantes et des bandes datt enuation. Le ltrage analogique ne peut
etre r ealis e de facon id eale que par des ltres non causaux qui ne peuvent etre utilis es quen
temps diff er e. Dans le cas dun fonctionnement en temps r eel, les ltres seront d enis par des
gabarits sur le module de leur r eponse fr equentielle. Nous avons vu comment d eterminer un ltre
analogique satisfaisant ces gabarits. De plus, ils pr esentent forc ement des bandes de transition et
un d ephasage. Limpact de lalt eration provoqu ee par le d ephasage est mesur e par le temps de
groupe.
Le fen etrage temporel permet de repr esenter la d egradation introduite lorsque lon veut ap-
proximer le spectre dun signal x d eni sur R par la spectre dune mesure de ce signal sur un
intervalle de temps born e. Il offre aussi des m ethodes pour limiter cette d egradation.
Une application importante du ltrage fr equentiel est lextraction de la part utile dun signal
sous lhypoth` ese de s eparation des spectres. Si elle nest pas satisfaite, il est n eanmoins pos-
sible dans un certain nombre de cas de mettre au point un ltre F ayant une telle propri et e par
des techniques diff erentes du ltrage fr equentiel. Ces techniques ne seront pas abord ees dans ce
cours
22
. Cependant, le chapitre 7 consacr e aux signaux al eatoires pr esentent les notions de base
n ecessaires pour les aborder. Le chapitre suivant pr esente les bases des techniques d evelopp ees
dans le chapitre 7.
3.7 Annexe du chapitre
3.7.1 Un environnement evolu e de simulation signaux et syst` emes : Simulink
Simulink est un environnement de Matlab destin e ` a la simulation dans le domaine tem-
porel, bas e sur un mode de repr esentation graphique des syst` emes sous forme de sch ema-blocs.
Simulink comprend des biblioth` eques appel ees Library qui contiennent des blocs el ementaires
permettant de construire rapidement et simplement des simulateurs de syst` emes lin eaires, non
lin eaires (dans la library Simulink) ou encore m ecaniques et electroniques (dans la library Sim-
scape par exemple) ou encore A eronautique (library Aerospace Blockset), etc... On peut ainsi
obtenir des simulateurs dynamiques de syst` emes complexes incluant des outils de visualisation
22
Elles seront vus dans diff erents enseignements de 2A comme par exemple lAF de S7 STI a 2 Estimation et
Transmission de lInformation ou lAF de S8 ELC D-2 Filtrage adaptatif : application au contr ole adaptatif de
bruit .
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 97
Transfer Fcn
1
s+1
Step Scope
FIG. 3.42 Fen etre Simulink
graphique 3D, voir les demos disponibles sous Matlab. Lint er et de cet environnement d eborde
largement du cadre du Traitement du signal ou du cadre de lAutomatique : par exemple, au Tech-
nocentre de Renault ` a Guyancourt, chaque sous syst` eme dun v ehicule d evelopp e est accompagn e
dun sch ema de simulation dynamique Simulink. Sur lutilisation de Matlab/Simulink, le
lecteur peut se r ef erer avec prot au livre [8], disponible ` a la biblioth` eque de lEcole Centrale. La
prise de d ecision quest amen ee ` a prendre un ing enieur fait de plus en plus appel ` a la mod elisation
(math ematique) du probl` eme suivi de lexploitation (au moins) en simulation du mod` ele obtenu.
Un exemple el ementaire de sch ema Simulink est pr esent e gure 3.42.
Les blocs avec une sortie sont des g en erateurs de signaux. Sur lexemple, le bloc Step
g en` ere des echelons. On peut les param etrer ` a partir dun menu ouvert en double-cliquant
sur le bloc.
Les ls v ehiculent des signaux dans la direction indiqu ee par les ` eches.
Les blocs avec une ou plusieurs entr ee(s) et une ou plusieurs sortie(s) transforment des si-
gnaux : ils repr esentent des syst` emes. Sur lexemple, il sagit dun syst` eme de convolution
de fonction de transfert
1
s+1
. En double cliquant sur ce bloc, on obtient un menu o` u le pre-
mier (resp. second) champ correspond ` a la liste des coefcients du polyn ome au num erateur
(resp. d enominateur) de la fonction de transfert ecrits suivant les puissances d ecroissantes.
Les blocs avec une ou plusieurs entr ee(s) absorbent des signaux pour par exemple les en-
voyer vers une fen etre graphique an de les repr esenter en fonction du temps (sur lexemple,
le bloc Scope).
Sous Matlab, Simulink peut etre ouvert en cliquant sur un bouton en haut de la fen etre
Matlab (horloge rose avec blocs bleu et vert) ou en tapant en ligne :
>> simulink
Cela ouvre la fen etre repr esent ee gure 3.43, gauche. En cliquant sur lic one feuille blanche en
haut ` a droite, une nouvelle fen etre peut etre cr e ee. A partir des Library (voir gure 3.43, droite,
partie de gauche), en s electionnant une library, on peut acc eder ` a un ensemble de blocs (partie
de droite de la fen etre). La library Sources contient les blocs qui g en` ere des signaux, la library
Sinks les blocs qui en absorbent. Les autres libraries contiennent des blocs qui assurent des
transformations de signaux. Par exemple, on peut trouver dans la library Continuous le bloc
Transfer function de la gure 3.42.
Le lecteur est invit e ` a visiter les diff erentes librairies de Simulink. Plus que la lecture dune
documentation, cest la manipulation de cet environnement qui permet de prendre en main cet
outil : il a dailleurs et e coincu plus pour etre appr ehender de cette facon-l` a. Certes, lorsque lon
fait cela pour la premi` ere fois, ce nest pas forcement evident. Cependant, si vous r eussissez ` a
prendre en main Simulink par vous-m eme, vous serez arm e pour affronter les environnements
similaires.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
98 CHAPITRE 3 CONVOLUTION ET FILTRAGE
FIG. 3.43 Fen etre Simulink
3.7.2 Exemple de script Matlab pour le calcul de ltres
Le programme Matlab ci-dessous permet de calculer les diff erents ltres de la section 3.4.3.4
et dobtenir la gure 3.30.
n = 5; % Ordre du filtre
wn = 1; % Pulsation de coupure en rad/s
% Calcul du filtre de Butterworth
[Bb,Ab] = butter(n, wn,s);
% Bb est le vecteur des coefficients du polynome numerateur dont les
% termes sont ecrits par puissance decroissante
% Ab est le vecteur des coefficients du polynome denominateur dont les
% termes sont ecrits par puissance decroissante
% Calcul de la reponse frequentielle du filtre de Butterworth
w = 0:.001:3;
% vecteur de pulsations pour lesquelles la reponse frequentielle est
% calculee.
Hb = freqs(Bb, Ab, w); % Calcul de la reponse frequentielle
figure
plot(w, abs(Hb), :);
% Representation du module de la reponse frequentielle en fonction de la
% pulsation
hold on
% Calcul du filtre de Chebyshev de type I
Rp = .5;
% Fixe lamplitude des oscillations de lamplitude de la reponse
% frequentielle dans la bande passante. unite dB
[Bc1,Ac1] = cheby1(n, Rp, wn, s);
% Calcul du filtre de Chebyshev analogique de type I
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 99
% Calcul de la reponse frequentielle du filtre de Chebyshev de type I
Hc1 = freqs(Bc1, Ac1, w); % Calcul de la reponse frequentielle
plot(w, abs(Hc1));
% Calcul du filtre de Chebyshev de type II
Rs = 20;
% Permet de fixer lamplitude des oscillations de lamplitude
% de la reponse frequentielle dans la bande de rejection. Unite dB
[Bc2,Ac2] = cheby2(n, Rs, wn, s);
% Calcul du filtre de Chebyshev analogique de type II
% Calcul de la reponse frequentielle du filtre de Chebyshev de type II
Hc2 = freqs(Bc2, Ac2, w); % Calcul de la reponse frequentielle
plot(w, abs(Hc2), -.);
% Calcul du filtre elliptique
[Bce,Ace] = ellip (n, Rp, Rs, wn,s);
% Calcul de la reponse frequentielle du filtre elliptique
Hce = freqs(Bce, Ace, w);
plot(w, abs(Hce), --);
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
100 CHAPITRE 3 CONVOLUTION ET FILTRAGE
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 4
Autocorr elation et intercorr elation des
signaux d eterministes
Ce chapitre est consacr e ` a une caract erisation des signaux bas ee sur l energie et sur la puis-
sance. Cette caract erisation permet dintroduire les notions dautocorr elation et dintercorr elation.
Ces deux notions ont des applications nombreuses. Les plus directes sont probablement :
Lextraction dinformations sur un signal utile par autocorr elation : la m ethode pr esent ee
dans ce chapitre est compl ementaire de la m ethode de ltrage fr equentiel pr esent ee cha-
pitre 3 ;
La mesure de distances et/ou de temps par intercorr elation : la m ethode pr esent ee dans ce
chapitre est exploit ee dans les radars, sonars et autres GPS.
4.1 Energie et puissance
4.1.1 D enition
Les diff erentes grandeurs discut ees dans ce texte sont d enies math ematiquement dans le ta-
bleau 4.1, page 102 pour les signaux continus ; les principales relations y sont egalement pr esent ees.
Les signaux peuvent etre class es en :
Signaux x ` a energie E
x
nie, ce qui correspond aux signaux de L
2
(R) :
E
x
=
_
+

[x(t)[
2
dt < .
On peut les interpr eter comme les signaux qui sont temporellement ephem` eres
1
.
Signaux x ` a puissance P
x
nie :
P
x
= lim
T
_
1
T
_
+T/2
T/2
[x(t)[
2
dt
_
< .
Cest une classe tr` es large de signaux. On peut les interpr eter comme les signaux tempo-
rellement persistants
2
.
1
Cette derni` ere phrase nest pas une d enition formelle mais une interpr etation qualitative.
2
Cette derni` ere phrase nest pas une d enition formelle mais une interpr etation qualitative.
101
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
102 CHAPITRE 4AUTOCORR

ELATION ET INTERCORR

ELATION DES SIGNAUX D

ETERMINISTES
Energie nie Puissance nie
D enition E
x
=
_
+

[x(t)[
2
dt < P
x
= lim
T
_
1
T
_
+T/2
T/2
[x(t)[
2
dt
_
<
Echange E
xy
=
_
+

x(t)y(t)dt P
xy
= lim
T
_
1
T
_
+T/2
T/2
x(t)y(t)dt
_
Densit e spectrale
S
x
()
d energie :
[X()[
2
de puissance :
lim
T
1
T
[X(, T)[
2
X(, T) = T[x. rect(/T)]
Densit e spectrale
interspectre
S
xy
()
d energie :
X()Y ()
de puissance :
lim
T
1
T
X(, T)Y (, T)
Intercorr elation R
xy
() =
_
+

x(t + )y(t)dt R
xy
() = lim
T
_
1
T
_
+T/2
T/2
x(t + )y(t)dt
_
T[R
xy
] = S
xy
T[R
xy
] = S
xy
Autocorr elation R
x
() =
_
+

x(t + )x(t)dt R
x
() = lim
T
_
1
T
_
+T/2
T/2
x(t + )x(t)dt
_
R
x
(0) = E
x
R
x
(0) = P
x
T[R
x
] = S
x
T[R
x
] = S
x
TAB. 4.1 Signaux continus
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 103
Par d enition, la puissance dun signal ` a energie nie est forc ement nulle.
Exemples el ementaires Le signal continu x = rect est un signal ` a energie nie dont l energie
vaut 1. Le signal continu x = est un signal ` a puissance ni dont la puissance vaut
1
2
.
On d enit l energie (respectivement la puissance) E
xy
(resp. P
xy
) echang ee entre deux signaux
x et y, ce qui donne :
x et y ` a energie nie :
E
xy
=
_
+

x(t)y(t)dt.
x et y ` a puissance nie :
P
xy
= lim
T
_
1
T
_
+T/2
T/2
x(t)y(t)dt
_
On peut interpr eter la quantit e E
xy
comme le produit scalaire entre le signal x et le signal y.
Intuitivement, un produit scalaire donne un degr e de similitude entre deux el ements. Pour deux
signaux l energie d echange mesure-t-elle bien leur similitude ?
Exemple Pour donner des el ements de r eponse, on prend les deux signaux x et y repr esent es
gure 4.1. Ces deux signaux sont ` a energie nie. Le signal y est en r ealit e le signal x d ecal e dans
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
1.5
2
t
x
(
t)
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
1.5
2
t
y
(
t)
FIG. 4.1 Signaux x et y
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
104 CHAPITRE 4AUTOCORR

ELATION ET INTERCORR

ELATION DES SIGNAUX D

ETERMINISTES
le temps. Pour ces deux signaux, E
xy
= 0 : on ne retrouve pas cette similitude dans l energie
d echange. Pour la voir apparatre, il aurait fallu calculer le produit scalaire, en d ecalant un des
deux signaux de telle facon ` a ce que leurs motifs concident : do` u la notion dintercorr elation
introduite ci-dessous.
4.1.2 Intercorr elation et autocorr elation
L energie (resp. la puissance) echang ee obtenue en d ecalant le premier signal de secondes
est appel ee intercorr elation R
xy
() : il sagit donc dune g en eralisation de l energie (resp. la puis-
sance) echang ee. Pour les signaux continus ` a energie nie :
R, R
xy
() =
_
+

x(t + )y(t)dt.
Math ematiquement, cela sinterpr` ete comme le produit scalaire entre le premier signal d ecal e et le
second signal. Comme pr ec edemment discut e, un produit scalaire entre deux vecteurs mesurant un
degr e de similitude entre ces deux vecteurs, lintercorr elation est une mesure de similitude entre
deux signaux.
Deux signaux x et y seront ind ependants sil ny a aucun lien entre eux. Sil existe un lien alors
celui-ci doit d ependre du d ecalage temporel entre ces deux signaux. Ils seront donc ind ependants
si :
R, R
xy
() = constante.
On peut montrer que dans ce cas, lintercorr elation est egale au produit de la moyenne de x par la
moyenne de y. Si la moyenne dun des deux signaux est nulle alors lintercorr elation est nulle.
L etude de la similitude dun signal x avec lui-m eme revient ` a d eterminer lintercorr elation de
ce signal avec lui-m eme. On parle dautocorr elation : elle est not ee R
x
.
Si x est ` a energie nie :
R, R
x
() =
_
+

x(t + )x(t)dt.
Si x est ` a puissance nie :
R, R
x
() = lim
T
_
1
T
_
+T/2
T/2
x(t + )x(t)dt
_
Lautocorr elation en = 0 correspond ` a l energie (resp. la puissance) du signal : R
x
(0) = E
x
(resp. R
x
(0) = P
x
).
Propri et e Lautocorr elation dun signal p eriodique est p eriodique et paire.
Exemples Pour le signal continu x d eni par
t R, x(t) = Asin(2
0
t + )
on a :
R, R
x
() =
A
2
2
cos(2
0
) (4.1)
R
x
est bien une fonction p eriodique de fr equence
0
. Par contre, elle est ind ependante du d ephasage
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 105
Exercice Etablir lexpression (4.1).
4.1.3 Densit es spectrales
Pour les signaux ` a energie nie, dapr` es le th eor` eme de Parseval Plancherel (th eor` eme 2.4.2,
page 31), il est possible de calculer l energie dun signal ` a partir de son spectre :
E
x
=
_
+

[x(t)[
2
dt =
_
+

[X()[
2
d.
L energie est donc obtenue en int egrant S
x
() = [X()[
2
qui est appel ee Densit e Spectrale
dEnergie ou DSE. Elle sinterpr` ete comme la r epartition de l energie en fonction de la fr equence
3
.
On peut d emontrer que la DSE dun signal correspond ` a la transform ee de Fourier de lauto-
corr elation de ce signal
4
:
S
x
= T[R
x
].
Dans le cas de signaux (continus) ` a puissance nie la Densit e Spectrale de Puissance ou DSP
5
se
d enit par :
S
x
() = lim
T
1
T
[X(, T)[
2
avec X(, T) = T[x. rect(/T)](), ce qui correspond au spectre de x sur lequel on a appliqu e
une fen etre rectangulaire. De plus, on a S
x
= T[R
x
].
La transform ee de Fourier de lintercorr elation correspond ` a la densit e spectrale interspectre
d energie qui est d enie par le produit des spectres en amplitude de la transform ee de Fourier des
signaux x et y (fen etr es pour deux signaux ` a puissance nie) :
X()Y () et lim
T
1
T
X(, T)Y (, T)
Ces grandeurs ont un grand int er et pour l etude dun syst` eme de convolution : lorsque x et
y sont respectivement lentr ee et la sortie du syst` eme de convolution continu, on a, voir le ta-
bleau 4.2 :
La densit e spectrale interspectre de x et y est le produit de la r eponse fr equentielle du
syst` eme de convolution par la densit e spectrale de x :
S
yx
() = H()S
x
().
La densit e spectrale de y est le produit de la r eponse fr equentielle en amplitude au carr e du
syst` eme de convolution par la densit e spectrale de x :
S
y
() = [H()[
2
S
x
().
3
Tout comme [x(t)[
2
donne la r epartition de l energie en fonction du temps.
4
R
x
() =
_
+

x(t +)x(t)dt = x x()().


Par suite, en prenant la transform ee de Fourier de l egalit e pr ec edente :
T[R
x
]() = X().X() = [X()[e
i arg(X())
.[X()[e
i arg(X())
= [X()[
2
.
5
Ne pas confondre DSP et DSP : DSP en Anglais signie Digital Signal Processing : traitement de signal digital...
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
106 CHAPITRE 4AUTOCORR

ELATION ET INTERCORR

ELATION DES SIGNAUX D

ETERMINISTES
Continu
y = h x
S
yx
() = H()S
x
()
S
y
() = [H()[
2
S
x
()
TAB. 4.2 Syst` emes de convolution continus et densit es spectrales
4.2 Quelques applications
4.2.1 Autocorr elation appliqu ee ` a lextraction dinformation dun signal
d egrad e
Un signal x est transmis puis mesur e par un syst` eme dacquisition. Ces diff erentes op erations
entranent en g en eral la d egradation du signal initial. Le signal mesur e x
m
peut etre repr esent e
par :
t R, x
m
(t) = x(t) +b(t)
o` u le signal b repr esente leffet de la d egradation du signal. Le signal x est normalement un si-
gnal sinusodal de fr equence inconnue. Le signal x
m
est repr esent e gure 4.2. On constate que la
d egradation est telle quil est difcile de distinguer un signal sinusodal. La question est donc de
savoir si le signal sans d egradation (cest-` a-dire x) etait bien p eriodique, sinusodal et si oui quelle
etait sa p eriode.
Une premi` ere id ee serait dappliquer les m ethodes de ltrage fr equentiel pr esent ees chapitre 3.
Cependant, elles ne peuvent sappliquer que si les spectres des signaux x et b sont s epar es, hy-
poth` ese qui est peu probablement v eri ee et en tous les cas nest pas v eriable. Une hypoth` ese
plus r ealiste est de supposer que les signaux x et b sont ind ependants car r esultant de syst` emes phy-
siques diff erents. On peut alors exploiter les propri et es de lautocorr elation et de lintercorr elation.
Supposons que le signal mesur e s ecrive sous la forme :
t R, x
m
(t) = Asin(2
0
t +) +b(t)
o` u b est un signal ind ependant. Si le signal a effectivement cette structure alors son autocorr elation
sexprime par :
R, R
x
m
() =
A
2
2
cos(2
0
t) +R
b
().
Exercice D emontrer ce r esultat.
A laide de Matlab, il est possible de calculer une estimation de lautocorr elation R
x
() ` a partir
de la mesure du signal, voir gure 4.3. On observe que lautocorr elation calcul ee ` a partir du
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 107
0 50 100 150 200 250 300 350 400
4
3
2
1
0
1
2
3
4
t
Signal bruit
FIG. 4.2 Signal mesur e
500 0 500
1
0.5
0
0.5
1
1.5
2
2.5
3
3.5
4

Autocorrlation du signal bruit


FIG. 4.3 Autocorr elation R
x
m
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
108 CHAPITRE 4AUTOCORR

ELATION ET INTERCORR

ELATION DES SIGNAUX D

ETERMINISTES
signal pr esente bien une composante sinusodale
A
2
2
cos(2
0
) ` a laquelle se superpose une valeur
importante en = 0. Le signal b serait alors tel que :
_
R 0, R
b
() = 0
R
b
(0) ,= 0
Comment sinterpr` ete-il ? Le signal b est corr el e avec lui-m eme mais nest pas corr el e avec lui-
m eme d ecal e dans le temps. Ceci indiquerait que ce signal ne pr esente pas de structure ou propri et e
particuli` ere (p eriodique, etc..). Cela est coh erent avec le fait que ce signal repr esente la d egradation
introduite par des sources multiples (syst` emes de transmission, syst` emes de mesure, etc..). Le reste
de la courbe repr esent ee gure 4.3 est une fonction cosinus damplitude 0.5 et de p eriode 50 s.
Cela correspondrait ` a un signal sinusodal
0
=
1
50
Hz damplitude A telle que :
A
2
2
= 0.5
soit A = 1.
4.2.2 Intercorr elation appliqu ee ` a la mesure dun temps de propagation
Ci bl e
x
y
FIG. 4.4 D etermination dune distance : exemple dapplications (seconde gure extraite de
http ://www.outilpro.com, troisi` eme de http ://axiomcafe.fr/la-revolte-des-papillons]
Lintercorr elation est souvent appliqu ee pour la d etermination dun temps de propagation. Ceci
est exploit e par exemple par les radars et les sonars ou encore les t el em` etres et les chauve-souris,
voir Figure 4.4. Lint er et est l` a de d eterminer la distance ` a laquelle se trouve un objet appel e cible.
Pour cela, on emet un signal x sous la forme dune onde. Apr` es r eexion, un echo y revient vers
l emetteur, voir gure 4.4. Le principe est que connaissant la vitesse de propagation de londe,
le temps ecoul e entre l emission et la r eception permet de d eterminer la distance. Cependant, la
pr esence de bruit dans le signal y rend difcile la mesure du temps, voir gure 4.5. Si on calcule
` a partir des valeurs de x et de y lautocorr elation de x et lintercorr elation entre x et y, on obtient
les courbes repr esent ees gure 4.6.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 109
0 1000 2000 3000 4000 5000
0
0.2
0.4
0.6
0.8
1
t
x
(
t
)
0 1000 2000 3000 4000 5000
3
2
1
0
1
2
3
4
5
t
y
(
t
)
FIG. 4.5 Signal x emis et y recu
1000 800 600 400 200 0 200 400 600 800 1000
0
1
2
3
4
5
6
7
8
9
10
x 10
3

R
x
1000 800 600 400 200 0 200 400 600 800 1000
2
0
2
4
6
8
10
12
x 10
3

R
X
Y
(
)
FIG. 4.6 Autocorr elation de x et Intercorr elation entre x et y
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
110 CHAPITRE 4AUTOCORR

ELATION ET INTERCORR

ELATION DES SIGNAUX D

ETERMINISTES
Interpr etons ces r esultats. On fait lhypoth` ese que
t R, y(t) = ax(t t
p
) +b(t)
avec a < 1 un coefcient datt enuation, avec t
p
le temps de parcours pour effectuer laller-retour
et b un signal de valeur moyenne nulle et ind ependant de x. On a alors :
R, R
xy
() = aR
x
( + t
p
)
Exercice D emontrer ce r esultat.
Par suite, lintercorr elation R
xy
, ` a un facteur multiplicatif pr` es, correspond ` a R
x
translat ee de
t
p
. On d eduit donc de la gure 4.6, droite que t
p
= 600.
4.3 Conclusion
Dans ce chapitre, a et e pr esent ee une m ethode qui peut sappliquer ` a lextraction des in-
formations sur un signal utile. Elle est compl ementaire des m ethodes pr esent ees dans le cha-
pitre 3 puisque les hypoth` eses de mise en uvre sont diff erentes. Cependant, ses possibilit es sont
moindres puisquon nextrait pas totalement le signal : par exemple dans le cas dun signal si-
nusodal ` a extraire, si on peut d eterminer sa fr equence, on ne peut pas d eterminer son d ephasage.
Les signaux consid er es dans ce chapitre sont dits d eterministes : un signal x est dit d eterministe
si, ` a chaque instant t, sa valeur x(t) peut etre d etermin ee de facon certaine par un mod` ele math ema-
tique. Exemple :
t R, x(t) = Asin(2t).
Il est clair que ces signaux ne peuvent pas repr esenter lensemble des signaux r eels. Nous verrons
dans le chapitre 7 que les signaux al eatoires constituent un ensemble de signaux plus satisfai-
sant de ce point de vue l` a. Le grand int er et est que la notion d energie ` a puissance nie permet
d etendre les m ethodes pr esent ees dans ce chapitre aux signaux al eatoires. Le plus grand r ealisme
des signaux al eatoires permettra en plus daborder dans le chapitre 7 une m ethode de g en eration
de son qui sera appliqu ee ` a la t el ephonie mobile.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 5
De lanalogique au num erique
FIG. 5.1 Principe de la compression MP3
Dans le chapitre 3, lintroduction du ltrage fr equentiel a et e motiv ee par la compression MP3
o` u il est n ecessaire de s electionner les composantes dun signal appartenant ` a certains intervalles
de fr equences, voir gure 5.1. Cependant, le ltrage fr equentiel qui a et e pr esent e ne peut sappli-
quer quaux signaux en temps continu (ce qui comprend les signaux analogiques). La compression
MP3 seffectue en r ealit e sur des signaux echantillonn es qui sont un cas particulier de signaux en
temps discret, voir gure 5.2. Peut-on etendre le ltrage fr equentiel aux signaux discrets et plus
particuli` erement aux signaux echantillonn es ?
x x *
FIG. 5.2 Signal echantillonn e
Dautre part, dans de nombreuses exp eriences, il est n ecessaire de d eterminer exp erimentalement
111
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
112 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
le spectre dun signal physique (donc analogique) ` a partir de la mesure faite par un syst` eme dac-
quisition, cette mesure se pr esentant en g en eral comme un signal discret. Est-il possible ` a partir
de ce signal discret destimer le spectre du signal analogique de d epart ?
Pour donner des el ements de r eponse ` a ces questions, ce chapitre va sint eresser ` a diff erentes
questions interm ediaires :
1. Comment peut-on mod eliser math ematiquement un signal discret (section 5.1) ? Comment
se d enit la transform ee de Fourier et de Laplace dun signal echantillonn e ? Nous verrons
dans la section 5.1 tout lint er et des distributions.
2. Comment la transform ee de Fourier dun signal echantillonn e est-elle reli ee ` a la transform ee
de Fourier du signal analogique correspondant (section 5.2) ? La question est li ee au fait
que lon veut d eterminer le spectre de signaux de la nature (analogique) en utilisant des
syst` emes technologiques manipulant des signaux echantillonn es.
3. Comment correctement echantillonner un signal analogique ? La question est de choi-
sir la p eriode d echantillonnage T
s
de facon ` a ce que le signal echantillonn e ait autant
dinformation que le signal analogique correspondant (section 5.3).
4. Comment estimer le spectre dun signal analogique ` a partir de son signal echantillonn e sur
un intervalle de temps born e ? Il sagit ici de pr esenter les principes de fonctionnement
des analyseurs de spectre (num eriques). Pour cela, la transform ee de Fourier discr` ete sera
introduite et son application ` a cette question sera pr esent ee dans la section 5.4.
5.1 Mod elisation dun signal discret par peigne de Dirac
Dans le chapitre 2, la relation (2.13) a et e pr esent ee : pour une fonction x,
x.
t
0
= x(t
0
).
t
0
.
Limpulsion de Dirac permet donc d extraire
1
la valeur dun signal (analogique) x ` a un instant
donn e t
0
. Il semble envisageable de ladapter pour mod eliser le signal echantillonn e x(kT
s
)
k
issu de l echantillonnage ` a la p eriode T
s
du signal analogique x puisqu echantillonner un signal
analogique consiste ` a extraire ses valeurs aux instants kT
s
.
Le signal echantillonn e prend la valeur x(kT
s
) ` a linstant kT
s
: lid ee est de le mod eliser par
une impulsion de Dirac
kT
s
pond er ee par x(kT
s
). Lensemble du signal echantillonn e peut etre
alors repr esent e par une distribution x

, voir gure 5.3 :


x

k=
x(kT
s
).
kT
s
. (5.1)
5.1.1 Transform ee de Fourier dun signal discret
On peut obtenir lexpression de la transform ee de Fourier de la distribution distribution d enie
par (5.1). Par lin earit e et continuit e de la transformation, on obtient alors :
T[x

] =
+

k=
x(kT
s
)T[
kT
s
].
1
Cest le c ot e appareil photo de limpulsion de Dirac.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 113
1 0.5 0 0.5 1
10
8
6
4
2
0
2
4
6
t


x(t)
x
k
1 0.5 0 0.5 1
10
8
6
4
2
0
2
4
6
t
x
*
Modlisation dun signal discret avec peigne de Dirac


FIG. 5.3 Signal echantillonn e et mod elisation avec peigne de Dirac
Dapr` es (2.17), on a T[
kT
s
]() = e
2ikT
s

. Par suite, la transform ee de Fourier dun signal


discret sexprime par :
R, T[x

]() =
+

k=
x(kT
s
)e
2ikT
s

. (5.2)
Pour m emoire, pour le signal analogique x, on avait :
R, T[x]() =
_
+
t=
x(t)e
2it
dt.
Noter que les deux expressions ont une structure similaire.
5.1.2 Transform ee en Z dun signal discret
On peut obtenir lexpression de la transform ee de Laplace de la distribution d enie par (5.1).
En proc edant comme pour la transform ee de Fourier, on obtient, pour s C telle que lexpression
ci-dessous est bien d enie :
L[x

](s) =
+

k=
x(kT
s
)e
kT
s
s
.
En posant z = e
T
s
s
, on d enit ainsi la transform ee en Z
2
(voir gure 5.4) du signal discret x

:
Z[x

](z) =
+

k=
x(kT
s
)z
k
(5.3)
Elle est aussi not ee X(z). La variable z joue pour les signaux discrets le r ole de la variable de
Laplace s pour les signaux continus. Cette d enition correspond ` a la transform ee en Z bilat erale.
2
La transform ee en Z dun signal discret etant une s erie innie, la question se pose de la convergence de cette
s erie et donc de lexistence de la transform ee en Z. La s erie ne converge que pour certaines valeurs de z, ces valeurs
formant dans le plan complexe un anneau.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
114 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
FIG. 5.4 Dun Z qui veut dire... Laplace (au changement de variable pr` es z = e
T
s
s
)
De m eme, on peut d enir une transform ee en Z monolat erale :
Z[x

](z) =
+

k=0
x(kT
s
)z
k
. (5.4)
Lin earit e La transform ee en Z est lin eaire : pour a et b deux r eels :
Z[ax

+ by

] = aZ[x

] + bZ[y

].
Translation temporelle Soit le signal discret y

qui correspond au signal discret x

retard e de
r p eriodes d echantillonnage. Il est alors d eni par :
y

k=
x((k r)T
s
) .
kT
s
o` u r est un entier naturel. Alors, dans le cas de la transform ee en Z bilat erale :
Y (z) = z
r
X(z)
et de la transform ee en Z monolat erale :
Y (z) = z
r
X(z) +
r

i=1
x
i
z
(ri)
5.1.3 Expression dun signal discret bas ee sur un peigne
Exploitons maintenant le fait que le signal discret x(kT
s
)
k
est obtenu par echantillonnage du
signal continu x. Le gros int er et de la mod elisation dun signal echantillonn e bas ee sur limpulsion
de Dirac est que la valeur x(kT
s
) peut etre directement obtenue du signal x par multiplication par
limpulsion de Dirac
kT
s
, ce qui correspond ` a la relation (2.13) cest-` a-dire :
x(kT
s
).
kT
s
= x.
kT
s
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 115
(5.1) se r e ecrit alors :
x

= x.
+

k=

kT
s
.
En introduisant la notation de peigne de Dirac, voir gure 5.5
3
:
3Ts 2Ts Ts 0 Ts 2 Ts 3 Ts
0.5
0
0.5
1
1.5
t
x
*
Peigne de Dirac


FIG. 5.5 Peigne de Dirac
Pgn
T
s
=
+

k=

kT
s
,
on a alors :
x

= x.Pgn
T
s
. (5.5)
Avec cette mod elisation, un signal echantillonn e sexprime comme le signal continu multipli e par
un peigne de Dirac.
Remarque Si on assimile un signal ` a une sc` ene, on peut faire le parall` ele entre lextraction de la
valeur du signal ` a un instant donn e avec la prise dune photographie, limpulsion de Dirac jouant le
r ole de lobturateur de lappareil photographique. Dans le m eme ordre did ee, l echantillonnage
dun signal analogique se rapproche de la prise de vue cin ematographique, le peigne de Dirac
permettant de reproduire laction dune cam era vid eo (qui par exemple enregistre 25 images/s).
5.2 De la transform ee de Fourier dun signal echantillonn e
Nous allons maintenant relier la transform ee de Fourier dun signal echantillonn e ` a la trans-
form ee de Fourier du signal analogique dont il est issu. En partant de la relation (5.5), la trans-
form ee dun signal echantillonn e sexprime par :
T[x

] = T[x.Pgn
T
s
] = T[x] T[Pgn
T
s
].
3
La repr esentation graphique de cette distribution sugg` ere lallure dun peigne (renvers e), do` u le nom de peigne
de Dirac.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
116 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Or
T
_
+

k=

kT
s
_
=
+

k=
T [
kT
s
] =
+

k=
e
2ikT
s

.
Dapr` es la formule sommatoire de Poisson
4
+

k=
e
2ikT
s

=
1
T
s
+

k=
k
T
s
.
Par suite,
T
_
+

k=

kT
s
_
=
1
T
s
+

k=
k
T
s
.
Avec la notation peigne de Dirac, on obtient :
T
_
Pgn
T
s

=
1
T
s
Pgn 1
T
s
.
Par suite,
T[x

] = T[x]
1
T
s
Pgn 1
T
s
.
4
Soit f la fonction p eriodique de p eriode 1 d enie par :
t [0, 1], f(t) = (t
1
2
)
2
.
Au sens des distributions, cette fonction peut etre d eriv ee deux fois. La d eriv ee premi` ere f

est une fonction p eriodique


de p eriode 1 telle que :
t ]0, 1[, f

(t) = 2(t
1
2
).
La d eriv ee seconde est alors donn ee par :
f

= 2 + 2
+

p=

p
puisque f

pr esente une discontinuit e de valeur 2 pour t prenant des valeurs enti` eres relatives.
Dautre part, la fonction f admet la d ecomposition en s erie de Fourier suivante :
t R, f(t) =
1
12

+

1
1

2
n
2
cos(2nt).
Il est ici licite de d eriver la somme innie terme ` a terme puisquon op` ere au sens des distributions, voir la remarque
page 42 ou encore la r ef erence [2, Page 13]. Par suite,
f

= 4
+

1
cos(2n) = 2
+

k=
e
i2k
2.
Par suite, en egalant les deux expressions de la d eriv ee seconde de f, on obtient la formule de Poisson :
+

k=
e
i2k
=
+

p=

p
.
En faisant le changement d echelle t
t
T
s
, on obtient :
+

k=
e
i2k

T
s
= T
s
+

p=

pT
s
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 117
Avec X

() = T[x

]() et X() = T[x](), on a alors :


R, X

() =
1
T
s
+

m=
X
_

m
T
s
_
. (5.6)
Cette relation occupe une place centrale en traitement (num erique)
5
du signal. Cette relation im-
plique que :
La transform ee de Fourier dun signal discret est p eriodique de p eriode
1
T
s
.
En effet,
R, X

_
+
1
T
s
_
=
1
T
s
+

m=
X
_
+
1
T
s

m
T
s
_
.
En posant m

= m1, on a alors :
R, X

_
+
1
T
s
_
=
1
T
s
+

=
X
_

m

T
s
_
= X

().
Pour etudier le spectre dun signal discret, il suft donc de le connatre sur lintervalle
_

1
2T
s
,
1
2T
s
_
,
le reste etant d eduit de ce motif par p eriodisation et multiplication par un facteur. Pour le si-
gnal continu dont le spectre multipli e par 1/T
s
est repr esent e gure 5.6, le spectre du signal
echantillonn e correspondant est repr esent e gure 5.7, gauche.
5.3 Th eor` eme de Shannon
Le spectre X

du signal echantillonn e est donc obtenu, ` a un facteur multiplicatif pr` es


1
T
s
en superposant le spectre X du signal analogique ` a X
_
+
1
T
s
_
, le spectre X d ecal e de
1
T
s
, ` a
X
_
+
2
T
s
_
, le spectre X d ecal e de
2
T
s
, etc.. Un cas tr` es int eressant est celui o` u
1. Le support de X est lintervalle
6
[
max
,
max
], voir gure 5.6 : cela d enit un motif ;
2.
max

1
2T
s
.
Dans ce cas-l` a, quand on construit le spectre X

en additionnant les diff erents spectres


1
T
s
X
d ecal es de multiples de
1
T
s
(p eriodisation de
1
T
s
X), les motifs correspondant aux diff erents spectres
ne se recouvrent pas, voir gure 5.7, gauche. Par suite, la fonction motif d enie par :
_

_

_

1
2T
s
,
1
2T
s
_
T
s
X

()
R
_

1
2T
s
,
1
2T
s
_
0
est alors en r ealit e X, la transform ee de Fourier du signal x. Puisquun signal est compl` etement ca-
ract eris e par son spectre et que dans ce cas, il est possible dobtenir le spectre du signal analogique
` a partir du spectre du signal echantillonn e : on peut donc th eoriquement reconstituer le signal ana-
logique ` a partir du signal echantillonn e correspondant. Le spectre du signal echantillonn e et le
5
Le terme num erique fait r ef erence ` a la branche du traitement du signal consacr ee aux signaux discrets et notam-
ment echantillonn es.
6

max
est le plus petit r eel positif tel que R [
max
,
max
], X() = 0.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
118 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
0
0
0.2
0.4
0.6
0.8
1

1
/
T
s
X
(

max

max
FIG. 5.6 Spectre 1/T
s
X ` a support born e [
max
,
max
]
spectre du signal correspondant concidant sur lintervalle
_

1
2T
s
,
1
2T
s
_
, le signal analogique peut
etre obtenu ` a partir du signal echantillonn e par application dun ltre passe-bas id eal de fr equence
de coupure
1
2T
s
. Nous discuterons plus en d etails de cette d emarche dans ce qui suit.
3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
0
0.2
0.4
0.6
0.8
1
1.2

X
*
(

max

max

s

s

s
3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
0
0.2
0.4
0.6
0.8
1

|
X
*
(

)
|

max

max

s

s

s
|X
*
()|
FIG. 5.7 Spectre dun signal echantillonn e sans (gauche) et avec (droite) recouvrement
Par contre, dans le cas o` u
max
>
1
2T
s
, la p eriodisation de
1
T
s
X entrane un recouvrement des
diff erents motifs, voir gure 5.7, droite. La cons equence est que :

_

1
2T
s
,
1
2T
s
_
, X() ,= T
s
X

().
Il nest donc plus possible de reconstituer le signal analogique ` a partir du signal echantillonn e.
Les deux cas sont illustr es par la gure 5.7. Lapplication de la reconstitution dans le cas du
recouvrement produit alors un signal diff erent du signal analogique de d epart, voir gure 5.8. Les
diff erents cas de gure sont repr esent es gure 5.9.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 119
1/(2Ts) 0 1/(2Ts)
0
0.2
0.4
0.6
0.8
1

S
p
e
c
t
r
e

e
n

a
m
p
l
i
t
u
d
e
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)

max

max
spectre
reconstitu
Spectre initial
FIG. 5.8 Spectre du signal analogique de d epart et spectre du signal analogique reconstitu e en
cas de recouvrement de spectre

max

1
2

s
3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
0
0.2
0.4
0.6
0.8
1
1.2

X
* (
)

max

max

s

s

s

0

0



Ts

Filtre passebas
1/2
s
1/2
s
H()

0
0
0.2
0.4
0.6
0.8
1

1
/T
s
X
(
)

max

max

max
>
1
2

s
3/(2Ts) 1/(2Ts) 0 1/(2Ts) 3/(2Ts)
0
0.2
0.4
0.6
0.8
1

X * ()
max max
s s s
X*()
1/TsX(+1/Ts)
1/TsX()
1/TsX(1/Ts) 1/TsX(2/Ts)

0

0



Ts

Filtre passebas
1/2
s
1/2
s
H()

1/(2Ts) 0 1/(2Ts)
0
0.2
0.4
0.6
0.8
1

S
p
e
c
tre
e
n
a
m
p
litu
d
e
Signal analogique et signal reconstitu partir de lchantillonn (recouvrement)

max

max
spectre
reconstitu
Spectre initial
FIG. 5.9 Diff erents cas de gure
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
120 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Support GSM Mini DV CD audio
Fr equence
d echantillonnage 8000 32000,48000 44100
(Hz)
TAB. 5.1 Fr equences d echantillonnage pour le son dans diff erents syst` emes grand public
5.3.1 Lenseignement de Shannon
Th eor` eme 5.3.1 (Th eor` eme de Shannon)
7
Un signal x r eel dont le support de la transform ee
de Fourier est contenu dans lintervalle [
max
,
max
] est enti` erement d etermin e par ses valeurs
en kT
s
o` u k est un entier relatif si, avec
s
=
1
T
s
:

max
<
1
2

s

s
> 2
max
(5.7)
La fr equence 2
max
est la fr equence d echantillonnage critique. Elle indique la fr equence d echantillonnage
minimale dun signal analogique n ecessaire pour conserver linformation utile dans le signal
echantillonn e. Dans le cas dun signal sinusodal, cela correspond ` a echantillonner au minimum
deux valeurs par p eriode. La fr equence
1
2

s
est souvent appel ee fr equence de Nyquist ou fr equence
de Shannon.
Remarque En pratique, le support du spectre dun signal x nest g en eralement pas limit e ` a un
intervalle [
max
,
max
] ni, ce qui correspond ` a
max
= +: la condition (5.7) du th eor` eme de
Shannon ne peut donc pas etre satisfaite. Par contre, on a g en eralement :
lim
||+
[X()[ = 0.
Par suite, il existe une fr equence
exp
max
nie telle que : R[
exp
max
,
exp
max
], [X()[ 0. Il est
donc possible dappliquer le th eor` eme de Shannon de facon approch ee en prenant la condition :

s
2
exp
max
.
Le tableau 5.1 donne des ordres de grandeur des fr equences d echantillonnage utilis ees dans les
syst` emes grand public pour les signaux sonores.
Exemple On echantillonne le signal analogique : t R, x(t) = sin(2t) ` a la fr equence
d echantillonnage
s
= 1.05 Hz. Le r esultat obtenu est repr esent e gure 5.10. Interpr eter.
7
Claude Shannon (1916-2001) est un ing enieur electricien et math ematicien am ericain. Il est particuli` erement
connu pour le d eveloppement de la th eorie de linformation au sein des Laboratoires Bell - Bell Telephone Labora-
tories ou AT&T Bell Laboratories. Ils font actuellement partie du centre de recherche et d eveloppement dAlcatel-
Lucent. Le th eor` eme pr esent e ici est aussi appel e th eor` eme de Nyquist-Shannon, car Harry Nyquist qui travaillait
aussi au sein des laboratoires Bell avait avant Shannon ennonc e ce r esultat. Claude Shannon est sans aucun doute lun
des p` eres fondateurs de la science du signal. La diversit e de ses travaux y compris les plus ludiques illustre bien
luniversalit e et la versatilit e de cette science. Son m emoire de Master ( equivalent du TFE centralien) a permis de
d evelopper lutilisation de lalg` ebre de Boole pour l etude des circuits ` a relais. Sa th` ese a dautre part et e consacr ee
` a une approche alg ebrique de la g en etique de Mendel. Ses travaux les plus fameux portent sur l elaboration dune
th eorie math ematique de la communication. Cependant, ` a c ot e de cela, il a men e des travaux sur la jonglerie (son
dernier article scientique sintitule Scientic aspects of juggling) ou il a encore elabor e une machine r esolvant le
Rubiks cube.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 121
0 5 10 15 20 25 30
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
temps t
s
ig
n
a
u
x


x(t)
x
k
FIG. 5.10 Signal analogique x (trait continu) et signal echantillonn e (points) ` a
s
= 1.05 Hz
Exercice On consid` ere le signal sinusodal x d eni par :
t R, x(t) = sin(2.1000.t).
On echantillonne ce signal ` a la fr equence
s
= 44100Hz, ce qui donne le signal echantillonn e x

T
s
d echantillon x
k
o` u T
s
=
1

s
s.
1. La condition du th eoreme de Shannon est-elle satisfaite ? Si oui, quelle en est la cons equence ?
2. On construit un signal discret y

NT
s
o` u N est un entier naturel ` a partir du signal echantillonn e
x

T
s
de la facon suivante :
k, y
k
= x
Nk
ce qui revient ` a prendre un echantillon sur N de x
k

k
. On parle de sous- echantillonnage
ou down sampling en Anglais. On envoie vers un haut parleur les signaux x

T
s
, y

10T
s
et
y

30T
s
, voir le tableau 5.2. Ecouter le r esultat obtenu. Que constatez-vous ? Interpr etez les
diff erences notables qui apparaissent entre certains signaux en vous inspirant des raisonne-
ments effectu es dans cette section. Le lecteur int eress e pourra g en erer ces signaux gr ace au
sch ema Simulink repr esent e gure 5.11 et disponible sur le serveur p edagogique.
Cliquer pour ecouter
x

T
s
Cliquer pour ecouter
y

10T
s
Cliquer pour ecouter
y

30T
s
TAB. 5.2 Sons associ es aux signaux x

T
s
, y

10T
s
et y

30T
s
5.3.2 De lart de bien echantillonner
Les signaux analogiques ` a echantillonner ne sont pas les signaux physiques eux-m emes mais
leur mesure par des capteurs. Tout ph enom` ene de mesure saccompagne dun alt eration que lon
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
122 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
xk
txk
To Wave File
AppliShannonSinus 10.wav
To Audio
Device
Spectrum
Scope
BFFT
Sine Wave
Downsample
10
FIG. 5.11 Sch ema Simulink pour g en erer les sons
me s ur e de x x * x
b
+
+
C AP T E UR
Ts
FIG. 5.12 Effet du bruit
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 123
appelle g en eralement bruit : la cons equence est que m eme si le support du spectre du signal
est bien born e et de la forme [
max
,
max
], il est improbable que le support du spectre de la
mesure du signal soit born e, un bruit modiant de facon notable le spectre du signal en hautes
fr equences, voir gure 5.12. La solution est dintroduire un ltre passe-bas avant l echantillonnage
de fr equence de coupure
max
, voir gure 5.13. Ce ltre qui est forc ement analogique est appel e
ltre anti-repliement. Il permet d eviter le recouvrement et elimine leffet des bruits en hautes
fr equences.
me s ur e de x( t ) x( t )
b( t )
+
+
C AP T E UR
x
k
Ts
FIG. 5.13 Principe de la chane dacquisition dun signal continu et de sa transformation en
signal echantillonn e
5.3.3 De lart de reconstituer un signal continu ` a partir du signal echantillonn e
On suppose que la condition (5.7) du th eor` eme de Shannon est satisfaite. Comme on la vu
dans la section pr ec edente, la reconstitution du signal continu ` a partir du signal echantillonn e est
bas ee sur le fait que
La transform ee de Fourier du signal continu est egale ` a la transform ee de Fourier du signal
echantillonn e multipli ee par la r eponse fr equentielle dun ltre passe-bas id eal de fr equence
de coupure
s
:
R, X() = T
s
X

() rect (T
s
) .
En utilisant la transform ee de Fourier inverse, x = T
1
[X], cette expression devient dans
le domaine temporel :
x = T
s
x


s
sinc(
s
) =
+

k=
x(kT
s
).
kT
s
sinc(
s
)
et donc
t R, x(t) =
+

k=
x(kT
s
) sinc (
s
(t kT
s
)) .
Cette derni` ere formule donne une m ethode explicite pour d eterminer le signal analogique x
connaissant tous les echantillons x(kT
s
) : x est obtenu ` a partir du signal echantillonn e par appli-
cation dun ltre id eal passe-bas de fr equence de coupure
1
2

s
, voir gure 5.14. Elle souffre de
plusieurs inconv enients majeurs. Dune part, pour obtenir la valeur de x ` a linstant t, x(t), il est
n ecessaire de connatre tous les echantillons x(kT
s
), y compris ceux qui sont apr` es linstant t et
donc dans le futur. La reconstruction nest donc pas causale, ce qui est coh erent avec lutilisation
dun ltre passe-bas id eal : nous avons vu dans le chapitre pr ec edent que linconv enient majeur de
ce ltre est quil nest pas causal. De plus, le nombre total d echantillons n ecessaires pour le calcul
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
124 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
x( t ) x
k
Ts
x( t )
FIG. 5.14 Principe de la reconstitution dun signal continu ` a partir du signal echantillonn e
de x(t) est inni ! Une telle expression ne peut donc etre utile quappliqu ee en temps diff er e
8
sur
des signaux poss edant un nombre ni d echantillons non nuls. La s eance de TD 5 est consacr ee
` a l etude dune m ethode applicable en temps r eel et economique en nombre de calcul ` a effec-
tuer pour reconstituer une approximation du signal analogique ` a partir du signal echantillonn e
correspondant. Cette m ethode est par exemple appliqu ee dans les lecteurs CD.
5.4 De la transform ee de Fourier discr` ete aux analyseurs de
spectre num eriques
Dans les chapitres pr ec edant, nous avons vu limportance de lanalyse spectrale pour la ca-
ract erisation des signaux, cette analyse reposant sur la d etermination de la transform ee de Fourier
du signal. Cest pour cela que lanalyse spectrale est utilis ee dans de nombreuses applications li ees
par exemple au traitement du son (par exemple codage MP3), ` a l etude du comportement vibra-
toire de syst` emes m ecaniques, etc... La question de sa mise en uvre pratique est donc cruciale.
Dans les exemples acad emiques danalyse spectrale que nous avons pu aborder, il sagis-
sait de signaux pour lesquels on avait une expression analytique explicite. De plus, ces signaux
etaient el ementaires : lexpression analytique etait alors sufsamment simple pour permettre de
d eterminer par calcul formel la transform ee de Fourier du signal.
Malheureusement, les applications sont en g en eral beaucoup trop complexes pour quune telle
d emarche puisse etre appliqu ee : souvent, on ne connait pas dexpression analytique du signal et si
on en connaissait une
9
, elle serait probablement beaucoup trop complexe pour pouvoir d eterminer
par calcul formel sa transform ee de Fourier. Puisque le calcul formel ne peut pas etre mis en
uvre, il est n ecessaire de recourir au calcul num erique.
Un cas typique dapplication est la r ealisation de lanalyse spectrale dun signal physique
` a partir de son acquisition (ou mesure). La situation est r esum ee par la gure 5.15. Un signal
physique est un signal analogique, cest-` a-dire une fonction x d enie sur R (trait n sur la gure).
Il est mesur e au cours dune exp erience qui dure un temps T
a
: cela permet de d enir la fonction
x
T
a
qui est suppos ee etre nulle en dehors de lintervalle de temps sur lequel la mesure a et e
effectu ee et egal ` a x sur lintervalle de temps de mesure (trait epais sur la gure). Cependant,
la mesure etant effectu ee par un dispositif technologique, au vu des technologies actuelles, le
signal mesur e sera en r ealit e le signal discret x

T
a
obtenu par echantillonnage du signal x
T
a
(les
8
Le calcul des valeurs x(t) nest fait que quand tous les echantillons x(kT
s
) ont et e mesur es : la cons equence
pratique est que le valeur x(t) ne peut etre calcul ee qu` a un instant t
1
> t.
9
A supposer quelle existe.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 125
10 0 10 20 30 40 50 60 70 80 90 100
2.5
2
1.5
1
0.5
0
0.5
1
1.5
t


x
T
a
x
FIG. 5.15 Mesure x

T
a
dun signal physique x (trait n)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
126 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
echantillons du signal discret sont les points rouges de la gure). Puisque lon ne dispose que du
signal discret x

T
a
pour estimer le spectre du signal x, se posent deux questions :
1. Peut-on estimer correctement le spectre de x ` a partir de x

T
a
? Si oui, sous quelles condi-
tions ?
2. Comment calculer efcacement le spectre dun signal discret ` a support temporel born e tel
que x

T
a
?
Pour r epondre ` a la premi` ere question, il est n ecessaire de comparer les spectres de x, x
T
a
et
x

T
a
. Comme cela a et e etudi e dans la section 3.5, page 87, le passage de x ` a x
T
a
correspond ` a
une op eration de fen etrage rectangulaire, ce qui entrane forc ement une d egradation du spectre,
d egradation qui peut etre diminu ee par application sur le signal x
T
a
dune fen etre adapt ee telle
que la fen etre de Hanning ou la fen etre de Hamming. Le spectre du signal correspondant x
T
a
auquel un fen etrage appropri e a et e appliqu e constitue une estimation du spectre de x. Nous ver-
rons dans la sous-section 5.4.3 que le fen etrage peut etre effectu e sur le signal x

T
a
obtenu apr` es
echantillonnage de x
T
a
. Enn, dapr` es la section pr ec edente, si la p eriode d echantillonnage peut
etre choisie conform ement au th eor` eme 5.3.1 (Th eor` eme de Shannon), le spectre de x
T
a
peut etre
compl` etement reconstitu e ` a partir du spectre de x

T
a
. En conclusion, il est donc possible dobtenir
une estimation du spectre de x ` a partir de x

T
a
, ` a condition de choisir une p eriode d echantillonnage
qui satisfait le Th eor` eme de Shannon et deffectuer une op eration de fen etrage sur x

T
a
.
La seconde question est abord ee dans la sous-section suivante. Pour ling enieur, lefcacit e
est un el ement crucial pour la mise en uvre de lanalyse spectrale : le spectre du signal doit
etre calcul e avec un co ut le plus faible possible, le co ut etant mesur e par le nombre dop erations
arithm etiques effectu ees. Or le nombre d echantillons non nuls de x

T
a
peut etre extr emement
important. Par exemple, comme nous lavons vu en introduction du chapitre 3, la mise en uvre
de la compression MP3 est bas ee sur des analyses spectrales effectu ees sur le son ` a compresser
d ecoup e par intervalles de temps. Dapr` es le tableau 5.1, la p eriode dun signal sonore pour un
CD est de 44100 Hz, ce qui veut dire quune minute de musique sur 1 CD est repr esent ee par
N = 2 millions 646 milles echantillons ! Pour que la compression MP3 sexecute en un temps
raisonnable, il est donc imp eratif de diminuer au maximum le co ut de lanalyse spectrale.
Comme la relation entre le spectre de x et le spectre de x
T
a
dans la section 3.5 ainsi que le
traitement ` a appliquer ` a x
T
a
pour obtenir un signal dont le spectre est une meilleure estimation du
spectre de x que celle donn ee par le spectre de x
T
a
, la sous-section suivante va etudier lestimation
efcace du spectre de x
T
a
` a partir des echantillons de x

T
a
. De facon ` a all eger les notations, x
T
a
est
not e x, ce qui revient ` a supposer que x est un signal ` a support temporel born e.
5.4.1 TFD pour le calcul du spectre de signaux ` a support ni
Soit un signal continu x tel que t R[0, T
a
[, x(t) 0. Ce signal est mesur e et echantillonn e
avec une p eriode d echantillonnage T
s
sur lintervalle de temps [0, T
a
[. Le temps dacquisition T
a
du signal est suppos e etre un multiple entier de T
s
: T
a
= NT
s
. Le signal echantillonn e obtenu est
donn e par :
x

=
+

k=
x(kT
s
).
kT
s
=
N1

k=0
x(kT
s
).
kT
s
.
Dapr` es (5.2), la transform ee de Fourier du signal echantillonn e est donn ee par :
R, T[x

]() =
N1

k=0
x(kT
s
)e
2ikT
s

. (5.8)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 127
Cas o` u il ny a pas repliement de spectre En labsence de repliement, dapr` es la section 5.3,

_

1
2T
s
,
1
2T
s
_
, X() = T
s
X

()
et donc (5.8) donne :

_

1
2T
s
,
1
2T
s
_
, X() = T
s
N1

k=0
x(kT
s
)e
2ikT
s

. (5.9)
Lexpression (5.9) montre comment il est possible de calculer pour toute valeur de
_

1
2T
s
,
1
2T
s
_
,
la valeur du spectre du signal continu ` a la fr equence ` a partir des echantillons x(kT
s
)
k{0, ,(N1)}
.
Dans la suite, x(kT
s
) est plus succinctement not e x
k
.
En pratique, les calculs seffectuant sur un ordinateur ou sur un microprocesseur, on ne calcule
X() que pour un nombre ni (pair) N de valeurs de
_

1
2T
s
,
1
2T
s
_
: =
n
NT
s
=
n
T
a
pour
n
N
2
, . . . ,
N
2
1, ce qui donne :
n
_

N
2
, . . . ,
N
2
1
_
, X () [
=
n
NT
s
=
n
T
a
= T
s
N1

k=0
x
k
e
2i
kn
N
. .
X
n
. (5.10)
Le calcul de N points du spectre de x se ram` ene donc au calcul de X
n

N
2
,...,
N
2
1

` a un
facteur multiplicatif pr` es. De plus, X
n+N
= X
n
. En effet,
X
n+N
=
N1

k=0
x
k
e
2ik
(n+N)
N
=
N1

k=0
x
k
e
2ik
n
N
= X
n
On en d eduit que :
X
n

N
2
,..., 1

= X
n

N
2
,..., (N1)

.
Par suite, calculer X
n

N
2
,...,
N
2
1

se ram` ene ` a calculer X


n

n{0,..., (N1)}
.
X
n

n{0,..., (N1)}
est appel ee Transform ee de Fourier Discr` ete
10
de x
k

k{0,..., (N1)}
.
Notation
x
k
X
n

Transformation directe
X
n
=
N1

k=0
x
k
e
2i
kn
N
(5.11)
Transformation inverse
x
k
=
1
N
N1

n=0
X
n
e
2i
kn
N
(5.12)
10
On prendra soin de ne pas confondre une Transform ee de Fourier Discr` ete et la Transform ee de Fourier dun
Signal Discret telle que d enie par (5.2).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
128 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Partant de x
k

k{0, , (N1)}
, le calcul de X
n

n{0, , (N1)}
seffectue ` a partir de (5.11) ` a laide
dun nombre ni dop erations arithm etiques. N eanmoins, en pratique, N peut etre (tr` es) grand.
Dapr` es le tableau 5.1, la p eriode d echantillonnage dun signal sonore pour un CDest de 44100 Hz,
ce qui veut dire quune minute de musique sur 1 CD est repr esent ee par N = 2 millions 646 milles
echantillons et une heure 10 minutes correspond ` a N = 185 millions 220 mille echantillons. Le
calcul num erique de la Transform ee de Fourier Discr` ete X
n

n{0,..., (N1)}
par la formule (5.11)
co ute (N 1)
2
multiplications complexes, le co ut des additions etant n egligeable par rapport au
co ut des multiplications. Pour N grand, le temps de calcul est tr` es long, ce qui limite fortement
lint er et pratique de ce calcul. An de rem edier ` a ce probl` eme, plut ot que dutiliser navement
les formules (5.11) et (5.12), un algorithme efcace appel e Transform ee de Fourier Rapide (TFR
ou FFT en Anglais) a et e d evelopp e. Il sapplique dans le cas o` u N est une puissance
11
de 2.
Lalgorithme FFT permet de calculer la Transform ee de Fourier Discr` ete X
n

n{0,..., (N1)}
en
effectuant
N
2
log
2
(N) o` u log
2
repr esente le logarithme de base 2, ce qui fait un nombre de multi-
plications complexes qui augmente beaucoup moins vite avec N, voir gure 5.16
0 10 20 30 40 50
0
500
1000
1500
2000
2500
N
N
o
m
b
r
e

d
e

m
u
l
t
i
p
l
i
c
a
t
i
o
n
s

c
o
m
p
l
e
x
e
s


TFD
FFT
FIG. 5.16 Co ut du calcul de la TFD par (5.11) versus FFT
Une minute de musique sur 1 CD etant repr esent ee par N = 2 millions 646 mille echantillons,
le calcul num erique de la Transform ee de Fourier Discr` ete par la formule (5.11) co ute plus de 7
10
12
multiplications complexes alors que le calcul par FFT co ute moins de 310
7
multiplications
complexes soit une diff erence dordre de grandeur de 100 000 ! Lalgorithme FFT est programm e
sous Matlab avec la fonction fft
12
:
>> help fft
FFT Discrete Fourier transform.
FFT(X) is the discrete Fourier transform (DFT) of vector X. For
matrices, the FFT operation is applied to each column. For N-D
arrays, the FFT operation operates on the first non-singleton
dimension.
11
Il existe M tel que N = 2
M
. Si ce nest pas le cas, il suft de compl eter x
k
par 2
M
N z eros o` u M est le
plus petit entier tel que M log
2
(N).
12
Sous Matlab, lindice du premier el ement dun vecteur est toujours 1 et jamais 0.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 129
(...)
For length N input vector x, the DFT is a length N vector X,
with elements
N
X(k) = sum x(n)
*
exp(-j
*
2
*
pi
*
(k-1)
*
(n-1)/N), 1 <= k <= N.
n=1
The inverse DFT (computed by IFFT) is given by
N
x(n) = (1/N) sum X(k)
*
exp( j
*
2
*
pi
*
(k-1)
*
(n-1)/N), 1 <= n <= N.
k=1
La fonction fft permet aussi de traiter des probl` emes o` u N nest pas une puissance de 2, comme
lexemple qui suit. Dans ce cas, elle est moins efcace ce qui nest pas g enant pour lexemple car
il est de petite dimension.
Bilan
Lintervalle entre deux points fr equentiels de X() calcul es par (5.10) est
1
NT
s
=
1
T
a
;

s
=
1
T
s
est la largeur de lintervalle fr equentiel sur lequel des valeurs de X sont calcul ees ;
La mesure de N echantillons temporels x
k
permet de d eterminer N points du spectre X
de x.
Le calcul des echantillons n
_

N
2
, . . . ,
N
2
1
_
, X
_
n
NT
s
_
se ram` ene au calcul de la trans-
form ee de Fourier discr` ete X
n

n{0, , (N1)}
voir la formule (5.10) et la discussion associ ee. On
a alors :
_

_
n
_

N
2
, . . . , 1
_
X () [
=
n
NT
s
= T
s
X
n+N
n
_
0, . . . ,
N
2
1
_
X () [
=
n
NT
s
= T
s
X
n
La d emarche de mise en uvre est r esum ee gure 5.17.
Exemple Consid erons le signal x d eni par
t R, x(t) = t
2
e
3t
(t)
o` u est l echelon dHeaviside. Sa courbe repr esentative est repr esent ee gure 5.18. La fonction
est strictement d ecroissante, de limite egale ` a 0 quand t tend vers linni. On peut consid erer que
pour t 5, x(t) 0. Par suite, on choisit T
a
= 5s. Ce signal est echantillonn e avec une p eriode
d echantillonnage T
s
=
1
8
s soit
s
= 8 Hz, voir gure 5.18. Avec N = 40, on a bien T
a
= NT
s
.
Dans cet exemple, la transform ee de Fourier du signal x peut etre calcul ee de facon litt erale :
R, X() =
2
(2i + 3)
3
. (5.13)
Pour > 0, [X()[ est une fonction strictement d ecroissante de . De plus, [X(1/(2T
s
))[ =
1.2334 10
4
0. Par suite, on peut consid erer que la condition du th eor` eme de Shannon
(condition 5.7, page 120) est satisfaite. Le spectre en amplitude [X

()[ du signal echantillonn e


est repr esent e en noir gure 5.19. Lamplitude de T
s
X
n

n{0, , (N1)}
est repr esent ee en bleu
gure 5.19, lamplitude de X
_
n
NT
s
_
en rouge pour n
_

N
2
, . . . , 1
_
et en bleu pour n
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
130 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Ec ha nt i l l onna ge Ca l c u l d e TFD
Es t i ma t i on
s pect r e
FIG. 5.17 D emarche de mise en uvre de la TFD
0 1 2 3 4 5
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
t
t
2
e

3
t

(
t
)
Priode dchantillonnage T
s
=0.125s
FIG. 5.18 Signal t
2
e
3t
(t)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 131
12 4 0 4 12 8 8
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
Frquence en Hertz
S
p
e
c
t
r
e

e
n

a
m
p
l
i
t
u
d
e
Transforme de Fourier du
signal chantillonn
T
s
X
n

pour n 0,..., (N1)
FIG. 5.19 Spectre en amplitude [X

()[ du signal echantillonn e


_
0, . . . ,
N
2
1
_
. On constate que les valeurs de X
_
n
NT
s
_
calcul ees par la transform ee de Fourier
discr` ete concident bien avec les valeurs obtenues ` a partir de (5.13).
Cas o` u il a repliement de spectre Cependant, dans le cas o` u le support dun signal continu est
un intervalle born e, le support de sa transform ee de Fourier nest pas born e. Il y a donc forc ement
repliement de spectre. On a alors :
X
n
=
+

m=

s
X
_
n
T
a
m
nN
T
a
_
=
s
X
_
n
T
a
_
+

m=0

s
X
_
n
T
a
m
nN
T
a
_
. .
terme de repliement
N eanmoins, on peut sarranger pour que son effet sur lestimation de X
_
n
T
a
_
via lutilisation de
la TFD soit pratiquement faible.
5.4.2 TFD pour le calcul du spectre de signaux p eriodiques
Nous allons voir que lutilisation de la transformation de Fourier discr` ete permet de d eterminer
lint egralit e du spectre dun signal continu p eriodique. Cest le grand avantage de ce cas-l` a par
rapport au cas trait e dans la sous-section pr ec edente. Cependant, pour les applications pratiques,
le cas pr ec edent est beaucoup plus int eressant, ce que motivera lexemple de cette sous-section.
Dans la sous section 2.6.4.1, page 45, nous avons vu que :
La transform ee de Fourier dun signal p eriodique est discr` ete.
Un signal p eriodique x correspond ` a la p eriodisation dun signal motif x
motif
, voir gure 5.20 : la
transform ee de Fourier du signal p eriodique est alors obtenue, ` a un coefcient multiplicatif pr` es,
par la discr etisation de la transform ee de Fourier de la fonction motif. Cela se retrouve dans les
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
132 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
5 0 5 10
0
0.02
0.04
0.06
0.08
t
fonction motif
5 0 5 10
0
0.02
0.04
0.06
0.08
t
fonction priodique
x
motif

T
x
motif
x
motif

T
FIG. 5.20 Fonction p eriodique et fonction motif : x = x
motif
Pgn
T
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 133
expressions math ematiques. Avec T la p eriode du signal p eriodique, un signal p eriodique x est
reli ee au motif x
motif
par :
x = x
motif
Pgn
T
.
En prenant la transform ee de Fourier de cette expression, on obtient :
T[x] = T[x
motif
].
1
T
Pgn 1
T
. (5.14)
Pour un signal p eriodique de p eriode T, la transform ee de Fourier est discr` ete avec un pas de
1
T
.
Dautre part, nous avons vu quun signal echantillonn e avec une p eriode d echantillonnage de T
s
a une transform ee de Fourier p eriodique de p eriode
1
T
s
. Do` u le tableau 5.3.
Signal Spectre
Domaine Temps Fr equence
P eriode T
1
T
s
Pas T
s
1
T
TAB. 5.3 Temps fr equence pour un signal p eriodique echantillonn e
La relation (5.14) permet de r eduire le calcul de la transform ee de Fourier dune fonction
p eriodique ` a celle de sa fonction motif x
motif
. Or x
motif
est une fonction ` a support born e de
longueur T. Si on proc` ede ` a lacquisition de N echantillons x
k

k{0, ,(N1)}
avec une p eriode
d echantillonnage T
s
telle que le temps dacquisition T
a
= NT
s
soit egal ` a la p eriode T du signal
p eriodique x, dapr` es la section pr ec edente ( equation (5.9)), on a, en labsence de repliement de
spectre :
_

_

_

1
2T
s
,
1
2T
s
_
, X
motif
() = T
s
N1

k=0
x
k
e
2ikT
s

Sinon X
motif
() = 0
Par suite, puisque X = X
motif
.
1
T
Pgn 1
T
et pour N pair,
X =
1
T
X
motif
.
_
+

n=

n
1
T
_
=
1
T
+

n=
X
motif
_
n
1
T
_

n
1
T
=
1
T
+
N
2

n=
N
2
X
motif
_
n
1
T
a
_

n
1
T
=
T
s
T
+
N
2

n=
N
2
_
_
_
_
_
_
N1

k=0
x
k
e
2ik
n
N
. .
X
n
_
_
_
_
_
_

n
1
T
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
134 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
En conclusion, en labsence de repliement de spectre, pour un signal x p eriodique de p eriode
T echantillonn e p eriode T
s
telle que T = NT
s
, le calcul de la TFD associ ee permet de d eterminer
lint egralit e du spectre de x :
X =
T
s
T
+
N
2

n=
N
2
X
n

n
1
T
ce qui dun point de vue th eorique est remarquable.
Exemple Soit le signal p eriodique de p eriode T = 1s d enie par :
t R, x(t) = sin
_
2
1
T
t
_
.
Le signal est echantillonn e avec T
s
= 0.1s et on fait lacquisition de N = 10 echantillons. Par
suite, T
a
d eni par T
a
= NT
s
est tel que T
a
= T . Le calcul de la transform ee de Fourier discr` ete
par la fonction Matlab fft donne le r esultat pr esent e gure 5.21. Le r esultat est bien coh erent
avec T[x] : en effet, nous avons vu dans le chapitre 2 que
T[x] =
i
2

1
T

i
2
1
T
.
0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t


sin(2 t/T)
sin(2 kT
s
/T)
0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
Frquence =n/T
T
s
/
T
|
X
n
|
1/T
FIG. 5.21 x et
T
s
T
[X
n
[
Maintenant imaginons que nous ne connaissions pas exactement la fr equence du signal p eriodi-
que : la p eriode T
s
est alors choisie telle que T
a
,= T, par exemple, avec T
s
= 0.11s, T
a
= 1.1 s.
La gure 5.22 pr esente le r esultat obtenu. On constate quune modication de seulement 10% de
T
s
a des effets importants. En r ealit e, la transform ee discr` ete repr esent ee gure 5.22 correspond
au spectre du signal p eriodique dont le motif est d eni par :
t [0, T
a
[, x
motif
(t) = sin
_
2
1
T
t
_
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 135
0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t


sin(2 t/T)
sin(2 kT
s
/T)
0 2 4 6 8 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
Frquence =n/T
T
s
/
T
|
X
n
|
FIG. 5.22 x et
T
s
T
[X
n
[ avec T ,= NT
s
0 0.2 0.4 0.6 0.8 1
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t
x
m
o
t
if
FIG. 5.23 Fonction motif pour T
s
= 0.11s
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
136 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
soit ce qui est repr esent e sur la gure 5.23, ce qui ne correspond plus au motif dune fonction
sinusodale : il est donc normal de ne plus avoir le spectre dune fonction sinusodale.
En pratique, comme on ne connait pas forc ement exactement la p eriode dun signal p eriodique
` a etudier
13
, on traite un signal p eriodique comme un signal quelconque, tel que cela est d ecrit dans
la sous section suivante.
5.4.3 Principe de lanalyseur num erique de spectre
FIG. 5.24 Analyseur de spectre num erique Tektronix (Source photo http ://www.tek.com)
ZeroOrder
Hold
Spectrum
Scope
FFT
Sine Wave
FIG. 5.25 Analyseur de Spectre sous Simulink
Un analyseur num erique de spectre est un appareil d electronique num erique servant ` a esti-
mer le spectre dun signal mesur e sur un intervalle de temps born e. Un exemple est pr esent e -
gure 5.24. Sous Simulink (avec la librairie Signal Processing Blockset), l equivalent
de lanalyseur de spectre est le Spectrum Scope, voir gure 5.25.
Les diff erentes etapes de lanalyse exp erimentale du spectre sont repr esent ees gure 5.26.
13
Lobjectif de lanalyse spectrale peut etre justement de d eterminer cette p eriode !
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 137
me s ur e de x x
b( t )
+
+
C AP T E UR
Ts
S T OCKAGE d e N
chant i l l ons

F ENETRE d e
P ONDE R AT I ON
x
k
x
k
t r a ns mi s s i on de
N c ha nt i l l ons
Ca l c ul de
F F T
t r a ns mi s s i on de
N c ha nt i l l ons pond r s
Es t i ma t i on du s pe c t r e de
x
t r a ns mi s s i on de
N va l e ur s de TFD
FIG. 5.26 Etapes de lanalyse exp erimentale du spectre
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
138 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
1. Le signal x est echantillonn e en temps r eel avec une p eriode T
s
qui a et e choisie de facon
ad equate, voir section 5.3.
2. Les echantillons x
k
obtenus sont stock es dans une m emoire de capacit e N : cette m emoire
contient ` a chaque instant les N derniers echantillons x
k
de x.
3. Toutes les mT
s
secondes, avec m N, les N echantillons stock es sont transmis de facon ` a
effectuer une op eration de fen etrage temporel.
4. Apr` es fen etrage, la TFD est calcul ee pour les N echantillons transmis x
k
par application de
lalgorithme FFT, voir section 5.4.1.
5. A partir du calcul de la TFD, une estimation du spectre de x est obtenue et est repr esent e
graphiquement.
Pour mettre en uvre le fen etrage temporel sur un signal discret, il suft de consid erer une version
discr` ete des fen etres. En notant que T
a
= NT
s
et que lon sint eresse aux temps t = kT
s
, on a
apr` es simplications :
Hanning
_
k 0, , (N 1) , w
k
=
1
2

1
2
cos
_
2
k
N
_
Sinon, w
k
= 0
Hamming
_
k 0, , (N 1) , w
k
= (1 ) cos
_
2
k
N
_
Sinon, w
k
= 0
Les fonctions Matlab hanning et hamming donnent, pour un N donn e, le vecteur des coef-
cients w
k
, k 0, , (N 1).
Remarques
1. Les etapes 3 ` a 5 sont ex ecut ees toutes les mT
s
secondes : une s erie de TFDs est donc
calcul ee, deux TFDs successives ayant en commun N m echantillons. Il y a donc un
recouvrement
14
des deux ensembles d echantillons.
2. Des variantes sont possibles. Par exemple, lestimation du spectre de x peut etre faite non
pas ` a partir dun seule TFD mais en faisant la moyenne de plusieurs TFDs.
3. Lutilisation dun analyseur de spectre ou du bloc Spectrum Scope ne peut donner de
r esultat correct que si
La p eriode d echantillonnage ;
La fen etre de pond eration ;
Le nombre d echantillons N pour la TFD;
lintervalle de temps mT
s
entre deux TFDs
sont correctement choisis. Ce document de cours vous a pr esent e tous les el ements dispo-
nible pour ce choix : il ne vous reste plus qu` a r e echir...
5.5 En r esum e
An dam eliorer linteractivit e de lenseignement, le lecteur est invit e ` a ecrire le r esum e de ce
chapitre de cours en compl etant le tableau 5.4 : merci dy indiquer quelles sont relations entre le
spectre dun signal analogique x, le spectre du signal echantillonn e x

et la TFD correspondant.
14
En Anglais, overlap.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 139
SPECTRE Signal discret TFD
Signal continu
Signal discret X
TAB. 5.4 Tableau de relations entre les spectres ` a compl eter
5.6 Annexe du chapitre : exemples de scripts Matlab
Pour lexemple page 129, le script Matlab ci-dessous permet dobtenir la gure 5.18 et la
gure 5.19.
% Trace de la courbe representative de x(t)
Ts = .125;
tfinal = 5;
t = 0:.01:(tfinal-Ts);
xt = t.2.
*
exp(-3
*
t);
figure, plot(t, xt);
hold on
% Trace sur la meme figure des echantillons
kTs = 0:Ts:(tfinal-Ts);
N = length(kTs);
xkTs = kTs.2.
*
exp(-3
*
kTs);
stem(kTs, xkTs, .)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
140 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
% Calcul de la TFD
Xn = fft(xkTs);
% Representation des points du module du spectre X
% obtenu `a partir du calcul de la TFD
figure, stem( (0:(N-1))/N/Ts, Ts
*
abs(Xn), b. )
hold on
% Trace sur la meme figure de la courbe caracteristique
% du module du spectre X
freq = (-1/2/Ts):.01:(+1/2/Ts);
Xfreq = 2
*
abs(1./(sqrt(-1)
*
2
*
pi
*
freq+3).3);
plot(freq-1/Ts,Xfreq,k- ); plot(freq,Xfreq,k- );
plot(freq+1/Ts,Xfreq,k-)
stem( ((-N/2):-1)/N/Ts, Ts
*
abs(Xn((N/2+1):N)), r.)
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 6
Filtrage num erique
Le ltrage fr equentiel est une op eration importante en traitement du signal. Dans le chapitre 3,
section 3.4, nous avons etudi e le ltrage fr equentiel analogique, ce qui correspond ` a un syst` eme de
convolution continu. N eanmoins, une part importante et toujours croissante de syst` emes techno-
logiques incorpore des syst` emes d electronique num erique, ces syst` emes incluant de nombreuses
op erations de ltrage. Dans ce contexte, le ltrage fr equentiel num erique est largement plus utilis e
que le ltrage fr equentiel analogique. Par exemple, le ltrage qui est effectu e lors de la compres-
sion MP3 est en r ealit e un ltrage num erique et non analogique. Cependant, les ltres analogiques
restent incontournables pour r ealiser des ltres anti-repliements ou encore
1
pour des applications
pour lesquelles la rapidit e est tr` es importante.
Ce chapitre sint eresse donc au ltrage fr equentiel num erique qui travaille sur des signaux
discrets. Apr` es avoir d eni les syst` emes de convolution discrets (section 6.1), la conception de
deux grandes classes de ltres sera abord ee : les ltres ` a R eponse Impulsionnelle Innie ou ltres
RIIs (section 6.2) et les ltres ` a R eponse Impulsionnelle Finie ou ltres RIFs (section 6.3).
6.1 Convolution discr` ete
6.1.1 Produit de convolution discret et syst` emes de convolution discrets
Tout comme les syst` emes de convolution continus (chapitre 3) etaient associ es au ltrage
analogique, la mise au point de syst` emes de ltrage num erique est bas ee sur les syst` emes de
convolution discrets d enis par la distribution :
h

=
+

i=
h
i

iT
s
qui, ` a une entr ee
x

=
+

m=
x
m

mT
s
associe la sortie
y

=
+

n=
y
n

nT
s
1
Ce qui est de moins en moins vrai.
141
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
142 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
telle que
y

= h

. (6.1)
T
s
d esigne ici la p eriode d echantillonnage.
A partir de l equation (6.1), peut-on trouver une relation qui lie directement les y
n
, h
i
et x
m
? Pour
cela, on a :
y

= h

=
+

m=
+

i=
h
i
x
m

iT
s

mT
s
=
+

m=
+

i=
h
i
x
m

(i+m)T
s
=
+

n=
_
+

i=
h
i
x
ni
_

nT
s
.
Par suite, puisque y

=
+

n=
y
n

nT
s
,
y
n
=
+

i=
h
i
x
ni
.
Cette expression d enit le produit de convolution discret ainsi que le syst` eme de convolution
discret associ e.
Exemple Soit le signal discret x

= . Il peut sexprimer par x


0
= 1 et x
m
= 0 pour m ,= 0. Par
suite, la sortie y

= h

est donn ee par :


y
n
=
+

i=
h
i
x
ni
= h
n
.
h

est bien la r eponse impulsionnelle du syst` eme de convolution.


On parle de syst` eme de convolution :
Causal si
i < 0, h
i
= 0.
` a R eponse Impulsionnelle Finie sil existe i
min
i
max
tels que
i < i
min
, h
i
= 0 et i > i
max
, h
i
= 0.
Abr eviation en Francais RIF et en Anglais FIR.
` a R eponse Impulsionnelle Innie sil nest pas ` a r eponse impulsionnelle nie. Abr eviation en
Francais RII et en Anglais IIR.
Remarque Un syst` eme de convolution continu d eni par une fonction de transfert F(s) r eelle
rationnelle en s ne peut pas avoir une r eponse impulsionnelle nie. Une r eponse impulsionnelle
nie est donc une sp ecicit e des syst` emes discrets.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 143
6.1.2 Syst` eme de convolution discret et fonction de transfert
Soient x

et y

tels que y

= h

. Nous avons vu dans la sous section 5.1.2 que la trans-


form ee en Z des signaux discrets sobtenait ` a partir de leur transformation de Laplace suivi du
changement de variable z = e
T
s
s
. Par suite, avec L qui repr esente la transform ee de Laplace et en
utilisant (3.5), page 70 :
L[y

] = L[h

]L[x

]
se r e ecrit :
Y (z) = F(z)X(z)
avec
F(z) = L
_
+

i=
h
i

iT
s
_
=
+

i=
h
i
L(
iT
s
) =
+

i=
h
i
e
iT
s
s
=
+

i=
h
i
z
i
. (6.2)
F(z) d enit la fonction de transfert associ ee au syst` eme de convolution discret. Dans le cas dun
RIF :
F(z) =
i
max

i=i
min
h
i
z
i
.
Dans beaucoup de cas de syst` emes de convolution causal ` a RII, la fonction F(z) peut sexprimer
de la facon suivante :
F(z) =
n
b

j=0
b
j
z
j
n
a

l=0
a
l
z
l
(6.3)
avec a
0
= 1. Le syst` eme de convolution discret correspond ` a la fonction de transfert F(z) est
stable si les racines du polyn ome au d enominateur de F :
n
a

l=0
a
l
z
l
sont de module strictement inf erieur ` a 1. Les racines de ce polyn ome sont appel ees p oles de la
fonction de transfert.
Lint er et de la formulation (6.3) apparat lorsque lon revient dans le domaine temporel. En
effet, Y (z) = F(z)X(z) se r e ecrit :
_
n
a

l=0
a
l
z
l
_
Y (z) =
_
n
b

j=0
b
j
z
j
_
X(z)
soit
n
a

l=0
a
l
z
l
Y (z) =
n
b

j=0
b
j
z
j
X(z) (6.4)
Or, dapr` es la sous section 5.1.2, z
l
Y (z) est la transform ee en Z du signal discret
n=+

n=
y
nl

nT
s
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
144 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
L equation (6.4) est donc obtenue par transform ee en Z de :
n
a

l=0
a
l
_
n=+

n=
y
nl

nT
s
_
=
n
b

j=0
b
j
_
n=+

n=
x
nj

nT
s
_
(6.5)
ce qui se r e ecrit en echangeant les sommations :
n=+

n=
_
n
a

l=0
a
l
y
nl
_

nT
s
=
n=+

n=
_
n
b

j=0
b
j
x
nj
_

nT
s
(6.6)
ce qui m` ene ` a :
n
a

l=0
a
l
y
nl
=
n
b

j=0
b
j
x
nj
. (6.7)
Puisque a
0
= 1, on obtient ainsi la relation de r ecurrence :
y
n
=
n
b

j=0
b
j
x
nj

n
a

l=1
a
l
y
nl
. (6.8)
L equation (6.2) elle correspond ` a la d enition du produit de convolution :
y
n
=
+

i=
h
i
x
ni
.
L evaluation de y
n
` a partir de cette equation demande un nombre inni dop erations alors que
l evaluation de y
n
par l equation (6.8) nen demande quun nombre ni.
Remarque L equation (6.7) peut etre directement obtenue ` a partir de l equation (6.4) en replacant
les termes du type z
l
Y (z) par y
nl
.
Exercice Le syst` eme de convolution d eni par la fonction de transfert F(z) = z + z
1
est-il
causal ?
La r eponse fr equentielle H

dun syst` eme de convolution discret est la transform ee de Fourier


de sa r eponse impulsionnelle h

. Par suite, la r eponse fr equentielle H

est p eriodique de p eriode


1
T
s
. Si un syst` eme de convolution discret, causal et stable, est d eni par une fonction de transfert
F(z) alors
R, H

() = F(e
2iT
s
).
XXXXX
On peut etablir un parall` ele entre les fonctions de transfert continues et les fonctions de transfert
discr` etes, voir le tableau 6.1 et la gure 6.1.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 145
Continu Discret
Produit de convolution
_
+

h()x(t )d
+

i=
h
i
x
ni
Fonction de transfert F
c
(s)
s=
1
T
s
ln(z)

z=e
T
s
s

F(z)
Stabilit e
p oles de F
c
(s)
` a partie r eelle < 0
p oles de F(z)
de module < 1
R eponse fr equentielle F
c
(2i) F(e
2iT
s
)
TAB. 6.1 Parall` ele continu discret
2 1.5 1 0.5 0 0.5 1 1.5 2
2
1.5
1
0.5
0
0.5
1
1.5
2
/T
s
/T
s
z=e
T
s
s

s=
1
T
s
ln(z)

2 1.5 1 0.5 0 0.5 1 1.5 2


2
1.5
1
0.5
0
0.5
1
1.5
2
FIG. 6.1 Localisation des p oles des fonctions de tranfert continu et discr` ete correspondantes
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
146 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
6.2 Conception de ltres ` a r eponse impulsionnelle innie
Dans la sous section 3.4.3, page 77, nous avons etudi e la conception de ltres fr equentiels
continus. Lid ee est de concevoir un ltre fr equentiel discret en utilisant les relations qui existent
entre les syst` emes continus et les syst` emes discrets. Pour cela, on va adopter la d emarche suivante :
1. Conception dun ltre continu qui respecte le gabarit fr equentiel ` a satisfaire : le r esultat de
cette etape est une fonction de transfert continue F
c
(s) ;
2. D etermination dune fonction de transfert discr` ete F(z) equivalente ` a F
c
(s).
La premi` ere etape ayant et e trait ee dans la sous-section 3.4.3, nous nous int eressons ` a la seconde
etape.
Dapr` es le tableau 6.1, on aura equivalence avec F(z) d enie par
F(z) = F
c
_
1
T
s
ln(z)
_
.
F
c
(s) etant une fonction r eelle rationnelle en s, la fonction de transfert F(z) ainsi obtenue ne le
sera pas en z. Or pour pouvoir r ealiser une fonction de transfert discr` ete, il faut y associer une
equation de r ecurrence (6.8), ce qui ne peut se faire que si F(z) est une fonction r eelle rationnelle
en z, cest-` a-dire de la forme (6.3). Il faut donc trouver une autre m ethode.
Lid ee est de remplacer z = e
T
s
s
s =
1
T
s
ln(z) par une relation rationnelle entre s et z (appel ee
transposition), de facon ` a ce que, quand s est remplac ee par cette expression de z dans F
c
(s), la
fonction F(z) soit rationnelle en z. De plus, le choix de la transposition doit assurer que la fonction
de transfert continue de d epart et la fonction de transfert discr` ete obtenue soient equivalentes. Par
equivalente, il faut comprendre que :
1. La fonction de transfert discr` ete equivalente est stable si et seulement si la fonction de
transfert continu lest : un ltre ne peut etre que stable ;
2. Les r eponses fr equentielles associ ees aux deux fonctions de transfert doivent concider au
mieux : la nalit e dun ltre est de respecter un gabarit fr equentiel.
Plusieurs transpositions sont classiquement consid er ees :
Rectangles inf erieurs s
z1
T
s
Rectangles sup erieurs s
z1
T
s
z
Transformation bilin eaire s
2
T
s
z1
z+1
soit z
1+
T
s
2
s
1
T
s
2
s
Elles sont obtenues ` a partir de lestimation de lint egrale dun signal continu calcul ee ` a partir
du signal discret issu de l echantillonnage de ce signal continu. Lint egration est un syst` eme de
convolution avec h = . De plus, si y est lint egrale du signal continu x nul pour t < 0 alors
_
t 0, y(t) = x(t)
y(0) = 0
Par suite, en prenant la Transform ee de Laplace (monolat erale), on obtient
F(s) =
Y (s)
X(s)
=
1
s
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 147
Signal ` a int egrer Rectangles inf erieurs
0 1 2 3 4 5 6 7 8 9 10
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1


x
x
*
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1


x
x
*
Rectangles sup erieurs Trap` ezes
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1


x
x
*
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1


x
x
*
FIG. 6.2 Diff erentes m ethodes dapproximation de lint egrale
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
148 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
La m ethode des rectangles inf erieurs (respectivement sup erieurs) consiste ` a approcher lint egra-
le ` a linstant kT
s
par la somme de lapproximation de lint egrale ` a linstant pr ec edent (k 1)T
s
et de la surface du rectangle ayant pour base T
s
et pour hauteur lamplitude du signal x en
t = (k 1)T
s
(resp. en t = kT
s
), voir gure 6.2. Dans la m ethode des trap` ezes (qui corres-
pond ` a la transformation bilin eaire), le rectangle est remplac e par le trap` eze d eni gure 6.2. Soit
y

a
lapproximation de lint egrale. Alors dans le cas des rectangles inf erieurs :
y
a
k
= y
a
k1
+ T
s
x
k1
(1 z
1
)Y
a
(z) = T
s
z
1
X(z)
Y
a
(z)
X(z)
=
T
s
z1
Formellement, lapproximation de
1
s
par
T
s
z1
revient ` a remplacer s par
z1
T
s
.
Exercice Etablir les formules pour les autres m ethodes.
La transformation bilin eaire est aussi appel ee transformation de Tustin. Avec les deux premi` eres
transpositions, la stabilit e de la fonction de transfert F(z) obtenue ` a partir de F
c
(s) nest pas
forc ement equivalente ` a la stabilit e de F
c
(s), ce qui nest pas le cas de la troisi` eme puisquavec
cette transposition :
Re(s) < 0 [z[ < 1
voir la gure 6.3. Les deux premi` eres transpositions sont donc elimin ees. Appelons F
b
(z) la fonc-
tion de transfert discr` ete obtenue ` a partir de F
c
(s) par la transformation bilin eaire. Que peut-
on dire de la r eponse fr equentielle de F
b
(z) par rapport ` a la r eponse fr equentielle de F
c
(s) ? La
r eponse fr equentielle de F
c
(s) est obtenue en remplacant s par 2i
cont
o` u
cont
est la fr equence
pour le temps continu. La r eponse fr equentielle de F
b
(z) est obtenue en remplacant z par e
2iT
s
.
Si F
b
(z) avait et e obtenue en remplacant s par
1
T
s
ln(z) alors on aurait forc ement
cont
et qui
correspondent. Par contre, ici comme
s
2
T
s
z 1
z + 1
on a, apr` es simplication
2
:

cont
=
1
T
s
tan (T
s
) =
1
T
s
arctan (T
s

cont
) (6.9)
Au voisinage de = 0, on a au premier ordre
3
:
cont
. La courbe repr esentative de
cont
en
fonction de est pr esent ee gure 6.4 pour T
s
= 1s. On constate que
cont
pour 0.1 Hz,
soit 5 fois moins que la fr equence
1
2T
s
. De plus,

cont
[0, +[
_
0,
1
2T
s
_
Moralit e, les spectres de F
b
(z) et de F
c
(s) vont etre tr` es proches en basses fr equences. Ils vont
diff erer quand la fr equence crot. La d eformation est d ecrite par la relation (6.9).
2
Posons
w =
2
T
s
z 1
z + 1
.
Ici w joue le r ole de la variable de Laplace s. Par suite, pour passer dans le domaine fr equentiel, on pose w = 2i
cont
et z = e
2iT
s
. La relation pr ec edente s ecrit alors :
2i
cont
=
2
T
s
e
2iT
s
1
e
2iT
s
+ 1
=
2
T
s
e
iT
s
e
iT
s
e
iT
s
+e
iT
s
=
2
T
s
i tan (T
s
)
ce qui donne la relation (6.9).
3
Au voisinage de x=0, tan(x) x.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 149
Rectangles inf erieurs s
z 1
T
s
+ 1
Rectangles sup erieurs s
z 1
T
s
z
+ 1
Transformation bilin eaire s
2
T
s
z 1
z + 1
+ 1
FIG. 6.3 Zone de localisation des p oles de la fonction de transfert discr` ete obtenue par transpo-
sition dune fonction de transfert continue stable
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
150 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
2
4
6
8
10
12
14
16
18
20

c
o
n
t
Trac de
cont
en fonction de pour T
s
=1s
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7

c
o
n
t
Trac de
cont
en fonction de pour T
s
=1s
FIG. 6.4 Trac e de
cont
=
1
T
s
tan (T
s
) (zoom en 0 ` a droite)
Exemple Avec T
s
= 1 s et
F
c
(s) =
1
12s + 1
on obtient :
F
b
(z) =
z + 1
25z 23
.
La relation entre leurs r eponses fr equentielles en module est pr esent ee gure 6.5.
Mise en uvre pour la conception de ltres Le gabarit fr equentiel que doit satisfaire le ltre
num erique est d eni en fonction de la fr equence . Cependant, voir page 77, on concoit dans une
premi` ere etape un ltre continu, le ltre fr equentiel discret etant ensuite obtenu par transposition
du ltre continu en utilisant la transformation bilin eaire. Comme les r eponses fr equentielles sont
d eform ees lors de lop eration de transposition, il est n ecessaire de choisir pour la conception du
ltre continu un gabarit fr equentiel qui soit reli e au gabarit fr equentiel du ltre num erique par la
transformation bilin eaire.
Le processus de conception du ltre num erique pr esent e en d ebut de section est donc modi e
de la facon suivante :
1. Transposition du gabarit fr equentiel dans le domaine fr equentiel
cont
` a laide des rela-
tions (6.9) ;
2. Conception du ltre continu F
c
(s) qui satisfait le gabarit fr equentiel ainsi obtenu par les
m ethodes de la sous section 3.4.3, page 77 ;
3. Transposition par la transformation bilin eaire du ltre F
c
(s) en le ltre num erique F(z)
recherch e en utilisant les relations d enissant la transformation bilin eaire.
Exemple de conception de ltre num erique On souhaite concevoir un ltre num erique passe-
bas de p eriode T
s
= 0.005 s qui v erie le gabarit fr equentiel d eni par :
Une bande passante : [0,
c
] avec
c
= 50 Hz ;
Une bande de transition assez courte : moins de 10 Hz ;
Des oscillations sont permises dans la bande passante, damplitude inf erieure ` a 0.056 ;
Dans la bande de r ejection, lamplitude doit etre inf erieure ` a 0.1.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 151
0 0.1 0.2 0.3 0.4 0.5 0.6
0
0.44
1
1.5

c
o
n
t
0 0.5 1
0
1
1.5
0.44
|F
c
(2 i
cont
)|

c
o
n
t
0 0.5 0.6 0.3
0
1
0.5

|
F
b
(
e
2

)
|
0.0303
1
2
3
FIG. 6.5 Relation entre les r eponses fr equentielles en module dune fonction de transfert continu
et de sa transposition par la transformation bilin eaire
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
152 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Le ltre continu correspondant devra v erier le gabarit transform e par la relation (6.9) ce qui
revient ` a modier la bande passante et la bande de transition :
La fr equence
c
= 50 Hz est remplac e par
cont
c
=
1
T
s
tan (T
s

c
) ce qui donne
cont
c
=
63.66 Hz ;
La bande de transition [50, 60] est remplac e par la bande [63.66, 87.62] Hz.
Un ltre elliptique F
c
(s) est mis au point ` a laide des fonctions Matlab ellipord et
ellip. On obtient :
F
c
(s) =
0.09998(s
2
+ 2.206 10
5
)(s
2
+ 7.934 10
5
)
(s
2
+ 396s + 1.105 10
5
)(s
2
+ 58.05s + 1.679 10
5
)
.
Son spectre en amplitude est repr esent e en pointill es gure 6.6. Lapplication de la transformation
0 10 20 30 40 50 70 80 90 100 63.7
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Spectre en amplitude de F(e
2 i T
s) en fonction de
et de F
c
(2 i
cont
) en fonction de
cont


|F(e
2 i T
s)|
|F
c
(2 i
cont
)|

c

c
cont
FIG. 6.6 R eponses fr equentielles en module de F
c
(2i
cont
) en fonction de
cont
et de F(e
2iT
s
)
en fonction de
bilin eaire (fonction Matlab bilinear) permet dobtenir le ltre num erique correspondant :
F(z) =
0.24099(z
2
+ 1.329z + 1)(z
2
+ 0.3187z + 1)
(z
2
0.2311z + 0.2613)(z
2
+ 0.04472z + 0.8677)
.
On peut v erier sur la gure 6.6 que ce ltre respecte bien le gabarit fr equentiel d esir e. Le script
Matlab permettant sa conception est pr esent e dans la section 6.5.
6.3 Conception de ltres ` a r eponse impulsionnelle nie
Un inconv enient majeur des ltres RII est que leur phase nest pas une fonction afne en la
fr equence , voir, par exemple, la phase du ltre concu dans lexemple pr ec edent et repr esent ee
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 153
gure 6.7. Or, comme cela a et e discut e page 79, il est souhaitable que la phase () dun ltre
0 20 40 60 80 100
3
2
1
0
1
2
3

a
r
g
(
F
(
e
2


i

T
s
)
)

e
n

r
a
d
i
a
n
s
Phase de F(e
2 i T
s) avec T
s
=200s
FIG. 6.7 R eponse fr equentielle en phase (radians) de F(e
2iT
s
) en fonction de
soit une fonction afne en la fr equence , cest-` a-dire que le temps de groupe :
() =
1
2
d
d
() (6.10)
soit constant. Le gros int er et des ltres RIFs est quil est possible de les concevoir en leur imposant
un temps de groupe constant. Les classes de ltres RIFs ` a temps de groupe constant consid er ees
correspondent ` a des ltres RIFs dont les N echantillons non nuls de la r eponse impulsionnelle h

pr esentent une sym etrie ou une anti-sym etrie


4
par rapport
5
` a

T
s
, voir la gure 6.8.
Les ltres RIFs pr esentent deux autres avantages importants :
1. Ils sont forc ement stables puisque tous leurs p oles sont forc ement en 0. En effet,
F(z) =
i
max

i=i
min
h
i
z
i
=
i
max

i=i
min
h
i
z
i
max
i
z
i
max
.
2. Ils peuvent etre r ealis es efcacement par des syst` emes d electronique num erique (voir -
gure 6.9) et leur fonctionnement est moins sensible aux erreurs li ees ` a la pr ecision nie
6
.
4
Sachant quen pratique, lordre dun ltre RIF peut etre de plusieurs centaines, lint er et de cette (anti) sym etrie
est de limiter le nombre de coefcients ` a stocker au moment de la mise en uvre du ltre.
5
= T
s
(N1)
2
.
6
Sur les ordinateurs et les syst` emes d electronique en g en eral, les nombres r eels sont repr esent es par des
nombres binaires. Cette repr esentation peut etre ` a virgule ottante ou ` a virgule xe. Par exemple, dans le cas dune
repr esentation ` a virgule xe en compl ement ` a 2, un nombre r eel est repr esent e par n +m bits (prenant la valeur 0 ou
1), n bits b
n1
, , b
0
codant la partie enti` ere et m bits b
1
, , b
m
codant la partie fractionnaire tels que :
X = b
n1
2
n1
+
i=(n2)

i=m
b
i
2
i
Il apparait quon ne peut exactement coder que certains nombres r eels appartenant ` a lintervalle [2
n1
, 2
n1

2
m
]. Une erreur apparat donc dans le codage des nombres r eels. De plus, des erreurs vont apparatre dans le r esultat
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
154 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
FIG. 6.8 Guy Binet c _
FIG. 6.9 R ealisation possible dun ltre FIR
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 155
Linconv enient majeur des ltres RIFs par rapport aux ltres RIIs est que pour satisfaire un gabarit
fr equentiel donn e, un ltre RIF sera dordre beaucoup plus important quun ltre RII. Dans ce qui
suit, on sint eresse ` a la conception dun ltre de la forme :
F(z) =
N1

i=0
h
i
z
i
.
Contrairement aux ltres ` a r eponse impulsionnelle innie, les ltres ` a r eponse impulsionnelle
nie ne peuvent pas etre concus par transposition de ltres continus. En effet, dapr` es la remarque
page 142, un ltre continu ne peut avoir une r eponse impulsionnelle nie. Il est donc n ecessaire
de trouver une m ethode alternative qui va etre une m ethode directe
7
.
6.3.1 Conception par la m ethode du fen etrage
La m ethode est pr esent ee pour la conception dun ltre passe-bas. Un ltre passe-bas id eal de
fr equence de coupure
c
peut etre d eni par la r eponse fr equentielle pr esent ee gure 6.10. Dapr` es
la sous-section 3.4.2, la r eponse indicielle correspondante est donn ee par :
h

(t) = 2
c
sinc(2
c
t).T
s
Pgn
T
s
et donc
k Z, h
k
= 2
c
T
s
sinc(2
c
kT
s
). (6.11)
Comme en continu
8
cette r eponse impulsionnelle nest pas causale, voir la gure 6.11 avec T
s
=
10 s et
c
=
1
8T
s
. De plus, elle est de longueur innie. Lid ee est de
1. Tronquer cette r eponse impulsionnelle de facon sym etrique (pourquoi ?) en consid erant plus
que les 2M + 1 echantillons h
k

k{M,...,M}
, voir gure 6.12, gauche ;
2. La translater vers la droite de facon ` a obtenir une nouvelle r eponse impulsionnelle

h

qui
sera causale :
_
k 0, . . . , 2M

h
k
= h
kM
sinon

h
k
= 0
voir gure 6.12, droite.
La sym etrie de la r eponse impulsionnelle obtenue indique bien que le temps de groupe est constant.
La r eponse fr equentielle du ltre RIF F(z) nalement obtenue est repr esent ee gure 6.13.
dop erations arithm etiques sur des repr esentations ` a virgule xe en compl ement ` a 2.
Imaginons quon d esire calculer les echantillons de la sortie y

dun ltre pour lentr ee x. Dans le cas o` u le ltre


est RII, l echantillon y
n
peut etre calcul e ` a partir de l equation de r ecurrence (6.8) :
y
n
=
n
b

k=0
b
k
x
nk

n
a

l=1
a
l
y
nl
.
On voit quil y a risque de propagation des erreurs de calcul puisque y
n
d epend de y
nl
. Dans le cas dun ltre RIF,
y
n
peut etre calcul e ` a partir de l equation :
y
n
=
N1

i=0
h
i
x
ni
.
Dans ce cas l` a, puisque y
n
ne d epend pas de y
nl
, il ny a pas de risque de propagation des erreurs.
Par suite, les erreurs introduites par les repr esentations binaires et par les op erations arithm etiques sur ces
repr esentations binaires sont plus critiques dans le cas dun ltre RII que dun ltre RIF.
7
Cest-` a-dire sans passer par linterm ediaire dun ltre continu via une op eration de transposition. De telles
m ethodes existent aussi pour la conception de ltres continus. Cependant, elles sortent du cadre de ce cours.
8
Voir la sous section 3.4.2.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
156 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
0

0



1

Filtre passebas discret


F(e
2 i T
s)

c

c

s
/2

s
/2
FIG. 6.10 R eponse fr equentielle dun ltre passe-bas discret id eal
50 40 30 20 10 0 10 20 30 40 50
0.01
0.005
0
0.005
0.01
0.015
0.02
0.025
0.03
k
h
k
Rponse impulsionnelle
FIG. 6.11 R eponse impulsionnelle dun ltre passe-bas discret id eal
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 157
50 40 30 20 10 0 10 20 30 40 50
0,1
0
0,1
0,2
0,3
k
Rponse impulsionnelle tronque avec M=24
20 10 0 10 20 30 40 50 60
0,1
0
0,1
0,2
0,3
k
Rponse impulsionnelle tronque et translate
FIG. 6.12 R eponse impulsionnelle tronqu ee (gauche) puis translat ee (droite)
0 0.005 0.02 0.025 0.03 0.035 0.04 0.045 0.05 0.0125
0
0.5
1
1.5

|
F
(
e
2


T
s
)
|
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
2
0
2

a
r
g
(
F
(
e
2


T
s
)
)

e
n

r
a
d
i
a
n
s
FIG. 6.13 R eponse fr equentielle du ltre passe-bas RIF
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
158 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
On observe de petites oscillations au niveau du spectre en amplitude. Quelle est leur origine ?
Nous sommes face ` a un ph enom` ene bien connu puisque nous lavons d ej` a rencontr e en continu
dans le chapitre 3, section 3.5, page 87, ou encore dans le chapitre 5, sous section 5.4.3, page 136.
Tout comme en continu, en discret, le fait de tronquer la r eponse impulsionnelle revient ` a effec-
tuer une op eration de ltrage temporel avec une fen etre rectangulaire : la r eponse fr equentielle
correspondant ` a la r eponse impulsionnelle tronqu ee consiste alors en le produit de convolution
par la r eponse fr equentielle de la r eponse impulsionnelle initiale par la r eponse fr equentielle de
la fen etre rectangulaire, voir la gure 3.34, page 90. La d egradation est dautant plus importante
que la r eponse fr equentielle de la fen etre s eloigne de celle de limpulsion de Dirac. Nous avons
vu, sous-section 5.4.3 quil y avait des fen etres plus int eressantes de ce point de vue l` a : la fen etre
dHanning et la fen etre de Hamming. En discret, leur expression est donn ee par, avec N la lon-
gueur de la fen etre de troncature en p eriode d echantillonnage :
f
k
=
_
(1 ) cos
_
2k
N
__
rect
_
k
N

1
2
_
.
avec = 0.5 pour la fen etre de Hanning et = 0.54 pour la fen etre de Hamming. Dautres
fen etres sont possibles : triangulaire, Blackman, Kaiser, etc. - voir la litt erature sp ecialis ee. La
25 20 15 10 5 0 5 10 15 20 25
0.1
0
0.1
0.2
0.3
k
Rponse impulsionnelle tronque fentre rectangulaire
25 20 15 10 5 0 5 10 15 20 25
0.1
0
0.1
0.2
0.3
k
Rponse impulsionnelle tronque fentre de Hamming
0 0.005 0.0125 0.02 0.025 0.03 0.035 0.04 0.045 0.05
0
0.5
1
1.5

|
F
(
e
2


T
s
)
|
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
4
2
0
2
4

a
r
g
(
F
(
e
2


T
s
)
)

e
n

r
a
d
i
a
n
s
FIG. 6.14 Conception du ltre RIF avec fen etre de Hamming
fen etre de Hamming est utilis ee pour lexemple pr ec edent : sur la gure 6.14, ` a gauche, on peut
observer la r eponse impulsionnelle tronqu ee avec la fen etre de Hamming ; ` a droite est pr esent ee
la r eponse fr equentielle du ltre RIF nalement obtenu ` a partir de cette r eponse impulsionnelle
tronqu ee. On observe que les oscillations ont effectivement disparues.
Si on observe l evolution de la phase en fonction de la fr equence, on remarque quelle varie
lin eairement. Dapr` es la formule (6.10), le temps de groupe est denviron 240 secondes. Par suite,
pour tout signal sinusodal appliqu e ` a lentr ee du ltre, le signal de sortie pr esentera un retard
denviron 240 secondes et cela quelque soit la fr equence du signal sinusodal. Pour observer ce
ph enom` ene, on r ealise le sch ema Simulink repr esent e gure 6.15. On d etermine les sorties du
ltre RIF pour deux entr ees sinusodales correspondant ` a deux fr equences diff erentes :
0
= 0.01
Hz et
0
= 0.005 Hz. On constate que dans les deux cas, il y a bien un retard de 240 secondes
entre le d ebut de lapplication du signal dentr ee et l etablissement du signal de sortie.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 159
Sine Wave
Scope1
Scope
Discrete Filter
hktronc(z)
1
FIG. 6.15 Simulation du ltre RIF
Entr ee sinus
0
= 0.01 Hz Entr ee sinus
0
= 0.005 Hz
0 200 400 600 800 1000
1
0.5
0
0.5
1
0 100 200 300 400 500 600 700 800 900 1000
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
FIG. 6.16 Sorties (bleu) correspondant ` a deux entr ees sinusodales ` a deux fr equences diff erentes
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
160 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
On peut traiter dautres ltres id eaux en les exprimant comme des combinaisons lin eaires
de ltres passe-bas. Par exemple, si on consid` ere le ltre passe-bande d ecrit gure 6.17, il peut
etre exprim e comme un ltre passe-bas de fr equence de coupure
2
moins un ltre passe-bas de
fr equence de coupure
1
. Une autre approche a et e discut ee page 81.
0

0



1

Filtre passebande discret

1

s
/2

s
/2
FIG. 6.17 R eponse fr equentielle dun ltre passe-bande discret id eal
6.3.2 Conception par echantillonnage fr equentiel
La m ethode qui a et e pr esent ee dans la sous-section pr ec edente est bas ee sur le fait que lon
soit capable de calculer litt eralement
9
lexpression de la r eponse impulsionnelle ` a partir de sa
r eponse fr equentielle, ce qui peut etre difcile voire impossible pour des r eponses fr equentielles
de forme complexe. Dans ce cas-l` a, il est possible de substituer ` a cette etape le calcul num erique
de la r eponse impulsionnelle par TFD inverse en faisant appel ` a ce qui a et e pr esent e dans la
section 5.4. La r eponse impulsionnelle va etre obtenue en :
1. Echantillonnant N points de la r eponse fr equentielle ;
2. Calculant, ` a partir de ces echantillons, les N points de la r eponse impulsionnelle correspon-
dante ` a laide de la transform ee de Fourier inverse.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 161
0.06 0.04 0.02 0 0.02 0.04 0.06
0
0.2
0.4
0.6
0.8
1

Echantillonnage de la rponse frquentielle, N=32


0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
0
0.2
0.4
0.6
0.8
1

Mise en forme pour le calcul de la TFD inverse


0 5 10 15 20 25 30 35
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
0.3
k
Rponse impulsionnelle obtenu par TFD inverse
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
0
0.5
1
1.5

|
F
(
e
2

i
T
s
)
|
Rponse frquentielle du RIF par TFD inverse
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
2
0
2

a
r
g
(
F
(
e
2

i
T
s
)
)
FIG. 6.18 Diff erentes etapes de la conception par echantillonnage fr equentiel
La r eponse impulsionnelle sera donc naturellement tronqu ee. Cette d emarche est mise en uvre
sur lexemple de ltre passe-bas de la sous section pr ec edente et d eni par la gure 6.11. Les
r esultats sont pr esent es gure 6.18.
La premi` ere sous-gure en haut ` a gauche repr esente la r eponse fr equentielle du ltre passe-
bas id eal de fr equence de coupure
c
= 0.0125 Hz echantillonn ee par 32 points. An de pouvoir
appliquer la transform ee de Fourier discr` ete (inverse), il est n ecessaire de constituer un vecteur
qui contienne les valeurs de la r eponse fr equentielle pour les fr equences positives, puis les valeurs
de la r eponse fr equentielle pour les fr equences n egatives (voir la section 5.4) : cette op eration de
permutation donne la sous-gure en haut ` a droite. On calcule ensuite la transform ee de Fourier
discr` ete inverse, ce qui donne un vecteur contenant un premier vecteur des valeurs de la r eponse
impulsionnelle pour les temps positifs puis un second vecteur des valeurs de la r eponse impul-
sionnelle pour les temps n egatifs. En permutant ces deux vecteurs, on obtient la r eponse impul-
sionnelle qui apr` es translation temporelle (comme dans la sous-section pr ec edente) donne la sous
gure en bas ` a gauche. Sa r eponse fr equentielle est repr esent ee en bas ` a droite. Le r esultat peut
etre am elior e en appliquant ` a la r eponse impulsionnelle calcul ee une fen etre de Hamming, voir
discussion sous-section pr ec edente.
Lint er et dune telle approche est de permettre daborder des gabarits fr equentiels de forme
excentrique, voir le cas trait e gure 6.19.
9
Cest-` a-dire etablir une relation explicite entre les echantillons h
k
de la r eponse impulsionnelle h

et lindice k
telle que (6.11).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
162 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
4 3 2 1 0 1 2 3 4
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

Echantillonnage de la rponse frquentielle, N=32




chantillonnage
rponse frquentille dsire
0 1 2 3 4 5 6 7
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1

Mise en forme pour le calcul de la TFD inverse


0 5 10 15 20 25 30 35
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
k
Rponse impulsionnelle obtenu par TFD inverse
0 0.5 1 1.5 2 2.5 3
0
0.2
0.4
0.6
0.8
1
1.2

|
F
(
e
2


i

T
s
)
|
0 0.5 1 1.5 2 2.5 3
2
0
2

a
r
g
(
F
(
e
2


i

T
s
)
)
FIG. 6.19 Diff erentes etapes de la conception par echantillonnage fr equentiel
6.4 Une remarque en guise de conclusion
Dans la section 6.5, sont pr esent es des scripts Matlab qui permette la conception et lanalyse
de ltre fr equentiel discrets. Ils font appel ` a des fonctions de la Signal Processing Toolbox qui
regroupe un ensemble de fonctions Matlab sp ecialis ees dans le traitement du signal. Cette bote
` a outils propose aussi une interface graphique appel ee fdatool qui permet de plus confortable-
ment concevoir les ltres num eriques, voir gure 6.20. Ce qui est pr esent e dans ce document de
cours permet de comprendre la majorit e des m ethodes associ ees ` a cette interface graphique.
6.5 Annexe du chapitre : exemples de script Matlab
6.5.1 Conception de ltres RIIs
Le programme Matlab ci-dessous permet de calculer les diff erents ltres de lexemple page 150
et dobtenir la gure 6.6. Sur le choix de Rp et de Rs, voir section 3.7.2.
Rp = .5;
Rs = 20;
nupass = 50; % frequence de fin de bande passante
nustop = 60; % frequence de debut de bande de rejection
Ts = 1/200; % Periode dechantillonnage
% Caracteristique des gabarits en temps continu
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 163
FIG. 6.20 Interface graphique fdatool de Matlab
nucontpass = 1/pi/Ts
*
tan(pi
*
Ts
*
nupass);
nucontstop = 1/pi/Ts
*
tan(pi
*
Ts
*
nustop);
% Generation du vecteur de 0 `a la frequence de Shannon
% avec un pas de 0.1
nu=0:.1:1/2/Ts;
nucont = 0:.1:1000;
% Calcul de lordre du filtre elliptique et de sa pulsation
% de coupure pour satisfaire le gabarit frequentiel
[n, wn] = ellipord(2
*
pi
*
nucontpass, 2
*
pi
*
nucontstop, Rp, Rs, s);
% Calcul des coefficients des polynomes numerateur et denominateur
% du filtre elliptique
[Bc, Ac] = ellip(n, Rp, Rs, wn, s);
% Transposition par la bilineaire
[Bb, Ab] = bilinear(Bc, Ac, 1/Ts);
%Calcul des reponses frequentielles
Hc = freqs(Bc, Ac, 2
*
pi
*
nucont);
Hb = freqz(Bb, Ab, nu, 1/Ts);
% Trace des modules des reponses frequentielles
figure, plot(nu, abs(Hb)), hold on, plot(nucont, abs(Hc), g--);
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
164 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
% Choix des variations en abscisses et en ordonnees
axis([0, 100, 0, 1]);
6.5.2 Conception de ltres RIFs
Le programme Matlab ci-dessous permet de calculer les diff erents ltres de la section 6.3.1.
Ts = 10;
nu_c = 1/8/Ts;
% Representation de 99 points de la reponse impulsionnelle du filtre
% passe-bas ideal discretisee
N = 50;
k = -(N-1):(N-1);
hk = 2
*
nu_c
*
sinc(2
*
nu_c
*
k
*
Ts)
*
Ts;
figure, stem(k,hk);
% Troncature pour ne conserver que 49 points
M = 24
ktronc = -(M):(M);
hktronc = 2
*
nu_c
*
sinc(2
*
nu_c
*
ktronc
*
Ts)
*
Ts;
figure, stem(ktronc,hktronc);
% Translation vers la droite
figure, stem(ktronc+M,hktronc);
hold on
stem((2
*
M+1):3
*
M, zeros(1,M));
% Reponse frequentielle du filtre RIF
[Hz,F] = freqz(hktronc,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hz));
subplot(212), plot(F, angle(Hz));
% Amelioration du resultat par fenetre de Hamming
% Coefficients de la fenetre de Hamming
f_k = hamming(2
*
M+1);
% Application de la fenetre de Hamming aux coefficients
% du filtre RIF
hktronchamming = f_k(:).
*
hktronc(:);
figure,
subplot(211), stem(ktronc,hktronc),
subplot(212), stem(ktronc,hktronchamming)
% Reponse frequentielle du filtre RIF fenetre
[Hzhamming,F] = freqz(hktronchamming,1,1000,1/Ts);
figure,
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 165
subplot(211), plot(F, abs(Hzhamming));
subplot(212), plot(F, angle(Hzhamming));
Le programme Matlab ci-dessous permet de calculer les diff erents ltres de la section 6.3.2.
Ts = 10; % periode dechantillonnage
nu_c = 1/8/Ts; % frequence de coupure du filtre passe-bas
nu_s = 1/Ts;
% Nombre total de points echantillonnes sur la reponse frequentielle
Mtot = 25;
% Echantillonnage de la reponse frequentielle
% Pour lintervalle [-nu_s, +nu_s]
nu_ech = linspace(-nu_s/2,+nu_s/2, Mtot+1);
% On elimine la frequence nu_s
nu_ech = nu_ech(1:Mtot);
% Dans lexpression ci-dessous
% (-nu_c <= nu_ech) : comparaison terme `a terme du vecteur -nu_c
% et du vecteur nu_ech. Le resultat est un
% vecteur de meme longueur avec le ii`eme element
% qui vaut 1 si -nu_c(i) <= nu_ech(i), 0 sinon
% .
*
: effectue la multiplication terme `a terme de deux vecteurs
X_ech = (-nu_c <= nu_ech).
*
(nu_ech <= nu_c);
% Representation de la reponse frequentielle echantillonnee
figure, stem(nu_ech, X_ech,o);
% le vecteur X_ech est decompose en deux : [X_ech_moins, X_ech_plus]
% avec X_ech_moins qui contient les valeurs de la reponse frequentielle
% pour les frequences negatives. Les deux vecteurs sont alors permutes :
% X_ech_swap = [X_ech_plus, X_ech_moins]
X_ech_swap = fftshift(X_ech);
figure, stem(linspace(0,+nu_s,Mtot), X_ech_swap,o);
% Calcul de la transformee de Fourier discr`ete inverse
xn = ifft(X_ech_swap);
% Permutation des deux moities du vecteur xn
xn_swap = ifftshift(xn);
xn_swap = [xn_swap, xn_swap(1)];
% Representation de la reponse impulsionnelle obtenue
figure, stem(0:(Mtot),xn_swap,o);
% Representation de la reponse frequentielle
[Hzfft,F] = freqz(xn_swap,1,1000,1/Ts);
figure, subplot(211), plot(F, abs(Hzfft));
subplot(212), plot(F, angle(Hzfft));
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
166 CHAPITRE 5 DE LANALOGIQUE AU NUM

ERIQUE
Lex ecution de ce script Matlab permet dobtenir la gure 6.18.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Chapitre 7
Des signaux d eterministes aux signaux
al eatoires
La premi` ere partie de ce chapitre est consacr ee ` a la caract erisation des signaux d eterministes
discrets bas ee sur l energie et sur la puissance, caract erisation qui avait et e pr esent ee dans le cas
des signaux continus chapitre 4. Dans les deux cas, cette caract erisation est importante car elle
sapplique aussi aux signaux al eatoires qui seront introduits dans la seconde partie de ce chapitre.
Le chapitre se termine sur lint er et des signaux al eatoires pour la mod elisation des signaux r eels
avec une application ` a la t el ephonie mobile.
7.1 Energie et puissance pour les signaux discrets
Energie et puissance ont et e trait ees dans le chapitre 4 dans le cas des signaux continus. Le
tableau 7.1 et le tableau 7.2 r esument les m emes r esultats mais pour les signaux discrets.
7.2 Signaux al eatoires
Les signaux al eatoires sont d enis dans le cas continu. Les signaux al eatoires discrets peuvent
etre d enis de facon similaire.
7.2.1 D enition
Un signal continu x est dit d eterministe si, ` a chaque instant t, sa valeur x(t) peut etre d etermin ee
de facon certaine par un mod` ele math ematique. Exemple :
t R, x(t) = Asin(2t).
Un signal x est dit al eatoire ou stochastique si ` a chaque instant t, sa valeur x(t) ne peut pas etre
d etermin ee de facon certaine car d ependante du hasard. Cette incertitude provient dun manque
dinformation ou de limpossibilit e de mod eliser un ph enom` ene du fait de sa trop grande com-
plexit e. Un signal al eatoire est aussi appel e processus al eatoire. On le note x(t, ) :
t est (g en eralement) la variable de temps ;
est la variable de lensemble des possibles : elle indique qu` a chaque instant t, x(t, ) est
une variable al eatoire (r eelle).
167
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
168 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
Energie nie Puissance nie
D enition E
x
=
+

k=
[x
k
[
2
< P
x
= lim
N
_
1
2N + 1
+N

k=N
[x
k
[
2
_
<
Echange E
xy
=
+

k=
x
k
.y
k
P
xy
= lim
N
_
1
2N + 1
+N

k=N
x
k
.y
k
_
Densit e spectrale

_

s
2
,

s
2

, S
x
()
d energie :
[X

()[
2
de puissance :
lim
N
1
2N + 1
[X(, N)[
2
X

(, N) = T[x

. rect(/(NT
s
))]
Densit e spectrale
interspectre

_

s
2
,

s
2

, S
xy
()
d energie :
X

()Y

()
de puissance :
lim
N
1
2N + 1
X(, N)Y

(, N)
Intercorr elation
R
xy
=
+

n=
R
xy
(n)
nT
s
R
xy
(n) =
+

k=
x
k+n
.y
k
R
xy
(n) = lim
N
_
1
2N + 1
+N

k=N
x
k+n
.y
k
_
T[R
xy
] = S
xy
T[R
xy
] = S
xy
Autocorr elation
R
x
=
+

n=
R
x
(n)
nT
s
R
x
(n) =
+

k=
x
k+n
.x
k
R
x
(n) = lim
N
_
1
2N + 1
+N

k=N
x
k+n
.x
k
_
R
x
(0) = E
x
R
x
(0) = P
x
T[R
x
] = S
x
T[R
x
] = S
x
TAB. 7.1 Signaux discrets
Discret
y

= h

S
yx
() = H

()S
x
()
S
y
() = [H

()[
2
S
x
()
TAB. 7.2 Syst` emes de convolution discrets et densit es spectrales
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 169
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
40
30
20
10
0
10
20
30
40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
40
30
20
10
0
10
20
30
40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
40
30
20
10
0
10
20
30
FIG. 7.1 A quoi peut ressembler un signal al eatoire ?
7.2.2 Mod elisation
7.2.2.1 Rappels sur les variables al eatoires
Une variable al eatoire r eelle X est une application de lensemble des possibles dans un en-
semble inclus dans R. Elle est caract eris ee par une fonction de r epartition F
X
qui est la probabilit e
pour que Xsoit inf erieure ou egale ` a un r eel x :
F
X
(x) = Prob(X x).
La densit e de probabilit e p
X
m` ene ` a la probabilit e pour que la variable al eatoire X prenne des
valeurs comprises entre x et x +dx :
p
X
(x)dx = Prob(x X x +dx) = dF
X
(x)
Elle satisfait la relation :
_
+

p
X
(x)dx = 1. Deux densit es classiques sont la loi uniforme et la
loi gaussienne, voir le tableau 7.3.
Une variable al eatoire est caract eris ee par ses moments E[X
N
] dordre N d enis par :
E[X
N
] =
_
+

x
N
p
X
(x)dx.
Les deux premiers moments sont importants :
N = 1 : premier moment ou moyenne statistique
1
;
N = 2 : second moment : il permet de d enir la variance :
V [X] = E
_
(XE[X])
2

.
1
La moyenne sur toutes les valeurs possibles de la variable al eatoire.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
170 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
Loi uniforme Loi gaussienne
p
X
(x) =
1
ba
rect
_
x(b+a)/2
ba
_
p
X
(x) =
1

2
e

(xm)
2
2
2
a b
0
1/(ba)
x
Loi uniforme
m
0





x
Loi gausienne
m+ m
TAB. 7.3 Densit es de probabilit e classiques
Loi uniforme gaussienne
p
X
1
ba
rect
_
x(b+a)/2
ba
_
1

2
e

(xm)
2
2
2
Moyenne
b+a
2
m
Variance
(ba)
2
12

2
TAB. 7.4 Premiers moments de lois classiques
On d emontre que :
V [X] = E[X
2
] E[X]
2
.
Des exemples de moments sont donn es tableau 7.4. On voit quune loi gaussienne est compl` ete-
ment d enie par ses deux premiers moments. Si deux variables al eatoires Xet Ysont ind ependan-
tes
2
alors
E[X
N
Y
M
] = E[X
N
]E[Y
M
].
Pour N = M = 1, on obtient la corr elation statistique :
XY
= E[XY].
7.2.2.2 Signaux al eatoires stationnaires
Pour un signal al eatoire x, en notant X(t) la variable al eatoire x(t, ), on peut d enir :
lautocorr elation comme la corr elation statistique entre les valeurs du signal en deux ins-
tants t
1
et t
2
:

x
(t
1
, t
2
) = E[X(t
1
)X(t
2
)].
2
p
X
(x[y) = p
X
(x).
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 171
lintercorr elation comme la corr elation statistique entre la valeur dun premier signal x en
un instant t
1
et la valeur dun second signal y en un instant t
2
:

xy
(t
1
, t
2
) = E[X(t
1
)Y(t
2
)].
Puisquun signal al eatoire x est une variable al eatoire qui d epend du temps, ses diff erents mo-
ments d ependent du temps. Par exemple :
E[X(t
i
)] = m
x
(t
i
) et V [X(t
i
)] =
x
(t
i
)
2
.
Si on d esire d eterminer une valeur exp erimentale des moments, il est alors n ecessaire de r ep eter
plusieurs fois la m eme exp erience au cours de laquelle le signal x sera mesur e. Le temps repr esente
ici le temps ecoul e par rapport au d ebut de lexp erience. Par exemple, la valeur m
x
(t
i
) sera estim ee
en faisant la moyenne des valeurs x(t
i
, ) sur lensemble des exp eriences, voir la gure 7.2.
FIG. 7.2 D etermination exp erimentale de la moyenne
Stationnarit e On appelle signal stationnaire un signal pour lequel les moments sont ind ependants
du temps. Pour ce signal, toutes les variables al eatoires X(t
i
) ont m eme densit e de probabilit e p
x
.
La fonction dautocorr elation ne d epend plus que de t
1
t
2
:

x
(t
1
, t
2
) =
x
(t
1
t
2
).
Un signal al eatoire est stationnaire au sens large si seules la moyenne m
x
et la variance
2
x
sont
ind ependantes du temps.
Ergodicit e Dans le cas dun signal r eel dont on a proc ed e ` a une seule acquisition lors dune
exp erience
0
, le probl` eme est de d eterminer ses diff erentes caract eristiques statistiques : m
x
,
2
x
,
etc.. Une id ee est que si un signal al eatoire est stationnaire, il est possible davoir une estimation de
la moyenne et de la variance en int egrant sur le temps t ` a partir des valeurs x(t,
0
) correspondant
` a cette seule acquisition :
m
x
lim
T+
1
T
_ T
2

T
2
x(t,
0
)dt et
2
x
lim
T+
1
T
_ T
2

T
2
(x(t,
0
) m
x
)
2
dt.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
172 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
Par suite, par exemple, on remplace lestimation de la moyenne d ecrite gure 7.2 par lestimation
d ecrite gure 7.3.
FIG. 7.3 Notion dergodicit e
Sil est l egitime de proc eder comme cela, on dit que le signal v erie lhypoth` ese dergodicit e.
Un signal al eatoire stationnaire est dit ergodique si
E[X
N
] = lim
T+
1
T
_ T
2

T
2
x(t,
0
)
N
dt
ce qui sexprime pour un signal discret par :
E[X
N
] = lim
n
_
1
2n + 1
+n

k=n
x
N
k
_
.
De m eme :

x
() = R
x
() et
xy
() = R
xy
().
De plus, on peut d emontrer qu
Un signal al eatoire stationnaire et ergodique est n ecessairement ` a puissance nie.
Par suite, la classe des signaux ` a puissance nie permet donc de traiter ` a la fois de signaux
d eterministes et de signaux al eatoires.
7.2.2.3 Un signal al eatoire stationnaire et ergodique important : le bruit blanc
Un bruit blanc
3
est le signal al eatoire stationnaire et ergodique dont la densit e spectrale de
puissance S
x
est constante
4
, ce qui est equivalent ` a ce que son autocorr elation
X
= R
x
soit une
3
Ladjectif blanc vient de lanalogie avec la lumi` ere blanche dont la puissance est aussi uniform ement r epartie sur
tout le spectre.
4
Cette afrmation est assez contradictoire et m eme incorrecte puisque, dun c ot e, on afrme que le bruit est un
signal ` a puissance nie (car ergodique) et, de lautre, on afrme que sa DSP est constante sur tout le spectre ce
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 173
0
0


Densit spectrale de puissance dun bruit blanc

S
x
()
0
0


Autocorrlation dun bruit blanc

R
x
()
FIG. 7.4 Bruit blanc
impulsion de Dirac
X
=
X
(0), voir gure 7.4. Puisque son autocorr elation est nulle partout
sauf en = 0, la valeur du signal ` a un instant donn e na pas de lien avec la valeur du signal ` a
un autre instant. Par suite, l evolution de ce signal est compl` etement impr edictible. Un bruit blanc
discret se d enit de la m eme facon.
Le bruit blanc peut etre utilis e pour mod eliser des signaux physiques comme les bruits dori-
gine thermique qui interviennent dans une chane de transmission ou encore les erreurs darrondi
dans un syst` eme d electronique num erique. Cependant, un bruit blanc ` a bande spectrale limit ee
est un mod` ele de signaux physiques plus plausible. Il est d eni par la limitation de sa densit e
spectrale de puissance sur une bande de fr equence [
max
,
max
] :
R, S
x
() = S
0
rect
_

2
max
_
.
Par suite,
R, R
xx
() = 2
max
S
0
sinc (2
max
) .
Remarque On associe souvent le terme de gaussien
5
` a un bruit blanc. Attention, un bruit blanc
peut ne pas etre gaussien tout comme un signal al eatoire gaussien nest pas forc ement un bruit
blanc.
7.2.3 Quelques applications
Dans la sous section 4.2, page 106, ont et e pr esent ees une application de lautocorr elation ` a
lextraction dun signal et une application de lintercorr elation ` a la mesure dun temps de pro-
pagation. Dans ces deux applications, un signal b a et e introduit pour prendre en compter la
qui implique quil est ` a puissance innie et nest donc pas pratiquement r ealisable ! Lintroduction de la notion de
bruit a et e motiv ee par la repr esentation dun signal physique qui a la propri et e davoir une densit e spectrale de
puissance constante sur une tr` es large gamme de fr equences [
big
,
big
], tellement large quon ne peut pas acc eder
physiquement ` a des fr equences sup erieures ` a
big
et que de fait on peut consid erer la densit e de puissance constante
sur lensemble des fr equences. Cest pour cela que pour cette premi` ere introduction au Traitement du Signal, nous
jetterons un voile pudique sur cette contradiction. Dans lenseignement dapprofondissement de seconde ann ee de
Traitement du Signal, la d enition correcte dun bruit blanc sera pr esent ee.
5
cest-` a-dire loi de probabilit e gaussienne.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
174 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
d egradation introduite par la transmission, la mesure ou encore la propagation dun signal. Les
el ements pr esent es dans cette section permettent de proposer une repr esentation plus ad equate de
b : de part la discussion ci-dessus, b est repr esentable par un bruit blanc.
7.3 Mod elisation dun signal par un ltre g en erateur
Consid erons un syst` eme de convolution discret dont lentr ee x

est un signal al eatoire station-


naire ergodique. Dapr` es le tableau 7.2,
R, S
yx
() = H

()S
x
().
Puisque
x
(k) = R
x
(k) et
xy
(k) = R
xy
(k) et que T[R
x
] = S
x
et T[R
xy
] = S
xy
, on a alors :

yx
(n) =

i
h
i

x
(n i).
Dans le cas o` u x

est un bruit blanc alors cette relation devient :

yx
(n) = h
n

x
(0).
Par suite, ` a un facteur multiplicatif, la fonction dintercorr elation entre le signal dentr ee et le
signal de sortie correspond ` a la r eponse impulsionnelle du ltre. Les caract eristiques statistiques
du signal al eatoire de sortie y

sont donc uniquement d etermin ees par la r eponse impulsionnelle


du ltre discret.
7.3.1 Filtre g en erateur par la m ethode de Yule-Walker
F
- -
bruit
blanc
y

FIG. 7.5 Notion de ltre g en erateur


Cette remarque est le fondement dune m ethode de mod elisation de signaux al eatoires comme
la r eponse dun ltre discret ` a un bruit blanc de variance 1. Un tel ltre est appel e ltre g en erateur
ou ltre formeur. La question est comment ` a partir de lacquisition d echantillons dun signal
discret y

d eterminer le ltre g en erateur correspondant, cest-` a-dire le ltre tel que pour une
r ealisation du bruit blanc appliqu ee en entr ee, la sortie soit y

. Par simplicit e, on sint eresse ` a


la recherche dun ltre causal de fonction de transfert F(z) sans z ero de la forme :
F(z) =
b
0
1 +
n
F

i=1
a
i
z
i
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 175
Il est appel e mod` ele AR (Auto R egressif). L equation de r ecurrence correspondante s ecrit alors
6
:
y
k
+
n
F

i=1
a
i
y
ki
= b
0
x
k
. (7.1)
Lorsque lon dispose de lacquisition des echantillons du signal y

, il est possible de calcu-


ler lautocorr elation
y
(n). Nous allons voir comment ` a laide de l equation de r ecurrence il est
possible de relier les coefcients a
i
du ltre ` a d eterminer et lautocorr elation
y
(n). Pour cela :
y
k+n
_
y
k
+
n
F

i=1
a
i
y
ki
_
= b
0
y
k+n
x
k
Ce qui donne :
E
_
y
k+n
y
k
+
n
F

i=1
a
i
y
k+n
y
ki
_
= E[b
0
y
k+n
x
k
]
Do` u
E[y
k+n
y
k
] +
n
F

i=1
a
i
E[y
k+n
y
ki
] = b
0
E[y
k+n
x
k
]
et donc :

y
(n) +
n
F

i=1
a
i

y
(n + i) = b
0

yx
(n).
Or nous avons vu pr ec edemment que :
yx
(n) = h
n

x
(0). Do` u :
n Z,
y
(n) +
n
F

i=1
a
i

y
(n + i) = b
0
h
n

x
(0). (7.2)
Lid ee est dexploiter cette equation pour calculer les a
i
. Or les h
n
ne sont pas connus puisque
ce sont les echantillons de la r eponse impulsionnelle du ltre que lon recherche. Cependant, on
recherche un ltre causal, ce qui implique que pour n < 0, h
n
= 0. Par suite, en ne choisissant
que les equations (7.2) qui correspondent ` a n < 0, on obtient :
n < 0,
y
(n) +
n
F

i=1
a
i

y
(n + i) = 0. (7.3)
Puisquil y a n
F
coefcients inconnus a
i
, en utilisant la propri et e
y
(n) =
y
(n), en ecrivant
sous forme matricielle (7.3) pour n n
F
, . . . , 1, on obtient le syst` eme lin eaire de n
F
equations ` a n
F
inconnues suivant :
a =
avec
=
_

y
(0)
y
(1)
y
(2)
y
(n
F
1)

y
(1)
y
(0)
y
(1)
y
(2)
y
(n
F
2)

y
(2)
y
(1)
y
(0)
y
(1)
y
(2)
y
(n
F
3)

y
(3)
y
(2)
y
(1)
y
(0)
y
(1)
y
(n
F
4)

y
(4)
y
(3)
y
(2)
y
(1)
y
(0)
y
(1)
y
(n
F
5)

y
(2)
y
(1)
y
(0)

y
(n
F
2)
y
(n
F
3)
y
(n
F
4)
y
(1)

y
(n
F
1)
y
(n
F
2)
y
(n
F
3)
y
(2)
y
(0)
_

_
6
Cette equation permet dexpliquer pourquoi ce mod` ele est appel e auto r egressif : il vient du fait que y
k
est obtenu
par r egression lin eaire des y
ki
, i allant de 1 ` a n
F
.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
176 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
et
a =
_

_
a
1
a
2
a
3
.
.
.
.
.
.
.
.
.
.
.
.
a
n
F
_

_
et =
_

y
(1)

y
(2)
.
.
.
.
.
.

y
(n
F
3)

y
(n
F
2)

y
(n
F
1)

y
(n
F
)
_

_
Ce syst` eme d equations lin eaires est connu sous le nom d equations de Yule-Walker
7
, nom qui
est aussi associ e ` a la m ethode dobtention du ltre F(z). Pour les amateurs, la matrice est une
matrice de Toeplitz : dans ce cas-l` a, lalgorithme de Levinson permet de r esoudre efcacement ce
syst` eme d equations lin eaires.
Une fois le vecteur a calcul e, le ltre g en erateur est donn e par :
F(z) =
b
0
1 +
n
F

i=1
a
i
z
i
.
Une estimation de la densit e spectrale de puissance est alors donn ee par, avec
X
(0) = 1 :
S
y
() =
b
2
0

1 +
n
F

k=1
a
i
e
2kiT
s

2
.
Exemple On a fait lacquisition dun signal discret repr esent e gure 7.6 avec T
s
= 1s. Lanalyse
spectrale par TFD pr esente un spectre en amplitude plus important au voisinage de la fr equence
= 0.015 Hz. A partir de cette acquisition, un ltre g en erateur du second ordre est recherch e par
la m ethode de Yule Walker ` a laide de la fonction Matlab aryule. On obtient :
F(z) =
1.06
1 1.9670z
1
+ 0.9768z
2
.
Cette fonction de transfert admet pour p oles : 0.9835 0.0976i. Par la relation s =
1
T
s
ln(z), les
p oles en temps continu correspondants sont 0.0118 0.0989i ce qui correspond
8
7
Sir Gilbert Thomas Walker f ut entre les deux guerres un m et eorologue dans les Indes britanniques. Sa
pr eoccupation etait de pr evoir les pluies de mousson. Pour cela, il sest int eress e aux travaux du statisticien bri-
tannique George Udny Yule qui avait d evelopp e un mod` ele AR dordre n
F
= 2 pour etudier le ph enom` ene des t aches
solaires. Sir Walker a etendu son approche au mod` ele AR dordre n
F
quelconque.
8
Un syst` eme du second ordre de gain statique unit e (sans z ero) est d eni par la fonction de transfert :
G
c
(s) =

2
0
s
2
+ 2
0
s +
0
2
o` u quand les deux p oles sont complexes conjugu es, ]0, 1[.
0
est appel e pulsation propre ou pulsation naturelle et
coefcient damortissement.
La r eponse temporelle ` a un echelon dun syst` eme du second ordre est d enie par deux param` etres (voir la gure
7.9) qui sont directement li es ` a la valeur de la pulsation propre
0
et de lamortissement :
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 177
0 2000 4000 6000 8000 10000
200
100
0
100
200
k
x
k
Echantillons du signal discret T
s
=1
2000 2200 2400 2600 2800 3000
150
100
50
0
50
100
150
k
x
k
Zoom sur [2000, 3000]
FIG. 7.6 Acquisition dun signal discret
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0
1
2
3
4
5
6
7

M
o
d
u
le
Analyse spectrale sur 892 chantillons par TFD
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02
0
1
2
3
4
5
6
7

M
o
d
u
le
Analyse spectrale sur 892 chantillons par TFD
FIG. 7.7 Analyse spectrale
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
10
20
30
40
50
60
70
80
90
100
Depassement pour un chelon en fonction de lamortissement

D
e
p
a
s
s
e
m
e
n
t

e
n

p
o
u
r
c
e
n
t
FIG. 7.8 Relation entre lamortissement et le d epassement de la r eponse ` a un echelon de la
boucle ferm ee
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
178 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
Time (sec.)
A
m
p
l
i
t
u
d
e
0 0.5 1 1.5 2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Depassement

temps du premier
maximum
Reponse dun systeme du second ordre
0 2 4 6 8 10 12 14 16 18 20
0
0.5
0.95
1
1.05
1.5
t
e
FIG. 7.9 R eponse dun second ordre
Frequency (rad/sec)
P
h
a
s
e

(
d
e
g
)
;

M
a
g
n
i
t
u
d
e

(
d
B
)
Bode Diagrams
40
20
0
20
ksi = 0,01
ksi = 0,1
ksi = 1

10
0
10
1
10
2
150
100
50
0
ksi = 1
ksi = 0,01
ksi = 0,1

FIG. 7.10 Diagramme de Bode de fonctions de transfert du second ordre
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 179
` a une pulsation naturelle de 0.0996 rad/s soit une fr equence naturelle de 0.0159 Hz. Ce ltre
g en erateur est donc coh erent avec lanalyse spectrale de d epart. Dautre part, le spectre en ampli-
tude de F est repr esent e gure 7.11. L` a encore, on ne peut que noter la coh erence
9
.
0 0.1 0.2 0.3 0.4 0.5
0




|F(e
2 i T
s)|
0 0.005 0.01 0.015 0.02
0




|F(e
2 i T
s)| Zoom
FIG. 7.11 Spectre en amplitude de F(z)
D epassement : d eni par
D epassement =
Valeur maximale Valeur nale
Valeur nale
soit
D
1
% = 100
Valeur maximale Valeur nale
Valeur nale
,
il est une fonction d ecroissante de (voir gure 7.8) :
D
1
= e

1
2
(7.4)
Temps du premier maximum :
t
max
=

0
_
1
2
(7.5)
Temps d etablissement :
t
e

3 ln(
_
1
2
)

0
(7.6)
Ces caract eristiques sont obtenues ` a partir de lexpression de la r eponse indicielle y(t) en fonction du temps :
y(t) = 1
e

0
t
_
1
2
cos
_

0
t
_
1
2

_
avec =

1
2
.
La r eponse fr equentielle est repr esent ee gure 7.10. Pour
1

2
, le trac e du module pr esente un maximum de
1
2

1
2
` a la pulsation
0
_
1 2
2
. De plus, on a [G
c
(j
0
)[ =
1
2
.
9
Pour g en erer le signal temporel gure 7.6 ` a partir de la fonction de transfert F, il serait n ecessaire de connatre
la r ealisation du bruit blanc quil est n ecessaire dappliquer en entr ee du ltre.
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
180 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
7.3.2 La m ethode de Yule-Walker comme solution dun probl` eme doptimi-
sation
Un examen attentif de l equation de r ecurrence (7.1) associ ee au ltre g en erateur permet din-
terpr eter la m ethode de Yule-Walker comme la solution dun probl` eme doptimisation. L equation
(7.1) s ecrit :
y
k
+
n
F

i=1
a
i
y
ki
= b
0
x
k
.
Supposons que lon se place ` a linstant (k1)T
s
et qu` a cet instant ainsi quaux instants pr ec edents
(k 2)T
s
, . . . , (k n
F
)T
s
, on connaisse les echantillons du signal y

. L equation de r ecurrence
permet de relier la valeur de la sortie y
k
` a linstant kT
s
` a ces valeurs :
y
k
=
n
F

i=1
a
i
y
ki
+ b
0
x
k
.
Lid ee est que lon peut utiliser cette relation pour, etant ` a linstant (k 1)T
s
, pr edire la valeur
de la sortie y ` a linstant kT
s
. La difcult e est que l echantillon x
k
nest pas connu ` a linstant
(k 1)T
s
. De plus, le signal x est un bruit blanc et nous avons vu quun bruit blanc est un signal
dont l evolution temporelle est totalement impr evisible. Par suite, il ny a aucun espoir de pr edire
la valeur de l echantillon de x

` a linstant kT
s
si on se place ` a linstant (k 1)T
s
. Une pr ediction
` a linstant (k 1)T
s
not ee y
k
de la valeur y
k
est donc effectu ee en n egligeant le terme b
0
x
k
:
y
k
=
n
F

i=1
a
i
y
ki
ce qui engendre lerreur : e
k
= y
k
y
k
= b
0
x
k
. On a ainsi d eni une variable al eatoire E
k
. On
peut d emontrer que les coefcients a
i
obtenus par la m ethode de Yule-Walker sont tels que la
variance de lerreur V [E
k
] soit minimis ee
10
. De plus, V [E
k
] = b
2
0
V [X]. Par suite, la variance du
bruit dentr ee etant 1, on peut d eduire de V [E
k
] la valeur de b
0
.
Au-del` a de permettre le calcul de b
0
, ce qui semble etre une simple re-interpr etation est en
r ealit e lid ee fondamentale dun ensemble important de m ethodes de ltrages num eriques
11
.
7.3.3 Une application des ltres g en erateurs : le codage LPC en traitement
de la parole
La synth` ese dun ltre g en erateur par lapproche de Yule-Walker est le fondement th eorique
du codage LPC (Acronyme anglais pour Linear Predictive Coding)
12
utilis e dans des m ethodes
classiques de traitement de la parole. Le codage LPC est au cur dun tr` es grand nombre de
syst` emes technologiques grand public tels que les syst` emes de transmission de la parole en
t el ephonie mobile (GSM) ou par satellite. Lid ee est de repr esenter un signal vocal comme la
r eponse dun ltre ` a
Un bruit blanc si le son est non vois e ;
10
cest-` a-dire tels que la variance de lerreur V [E
k
] soit la plus faible possible.
11
Il sagit des techniques evoqu ees section 3.6, page 95.
12
Lacronyme anglais LPC ne doit pas etre confondu avec lacronyme francais LPC : Langage Parl e Compl et e.
Le langage parl e compl et e est un langage gestuel utilis e pour communiquer avec les sourds. Ce qui est amusant, cest
que les deux LPCs sont deux codages diff erents utilis es pour la transmission de la parole !
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
G. SCORLETTI VERSION PROVISOIRE DU 27 JUILLET 2012 181
Un train dimpulsions si le son est vois e.
Un son vois e est un son qui est produit par les cordes vocales et qui poss` ede une structure harmo-
nique, voir gure 7.12.
FIG. 7.12 Son vois e ou non, source http ://tcts.fpms.ac.be/cours/1005-07-08/speech
La mise en uvre pour la transmission de la voix consiste ` a mesurer avec une fr equence
d echantillonnage
s
(8kHZ en t el ephonie mobile) le signal vocal et ` a proc eder toutes les 10
millisecondes ` a
1. Sur le signal mesur e lors des 30 millisecondes ecoul ees sur lesquelles une fen etre de Ham-
ming a et e appliqu ee, la mod elisation par un ltre g en erateur par lapproche de Yule-
Walker
13
(calcul des coefcients du ltre g en erateur) ;
2. Transmission des coefcients a
i
du ltre g en erateur avec lindication du signal dentr ee ` a
appliquer
14
;
3. Au niveau du r ecepteur, reconstitution du signal vocal en calculant la sortie du ltre g en era-
teur.
Pour
s
= 8kHz, on utilise des ltres dordre n
F
= 10. En t el ephonie mobile (GSM), ce qui est
transmis ce nest donc plus le signal sonore mais par tranche de temps les coefcients du ltre
g en erateur. Lint er et du codage LPC est de permettre la compression de linformation : la trans-
mission des coefcients du ltre g en erateur engendre un d ebit dinformation beaucoup plus faible
que la transmission du signal lui-m eme
15
.
Exercice Essayer destimer l economie r ealis ee en appliquant cette m ethode par rapport ` a une
transmission directe du son.
13
Ainsi quune analyse spectrale pour d eterminer si le son est vois e ou non et si oui la fr equence du train dimpul-
sions.
14
Bruit blanc ou train dimpulsions avec sa fr equence
15
Pour plus de d etails sur le traitement de la parole en g en erale et le codage LPC en particulier, voir par exemple
le site WEB : http ://tcts.fpms.ac.be/cours/1005-07-08/speech
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
182 CHAPITRE 7 SIGNAUX D

ETERMINISTES ET SIGNAUX AL

EATOIRES
7.4 Annexe du chapitre : exemples de script Matlab
Le programme Matlab ci-dessous permet de traiter lexemple pr esent e dans la sous-section 4.2.1.
% Signal periodique sous-jacent
lk = 50000;
k = 1:lk;
ck = cos(2
*
pi
*
k/50);
% Generation du bruit
rd = rand(1,lk); % Calcul dun vecteur de lk valeurs
% tirees au sort suivant une loi uniforme
rd = rd - mean(rd); % On retranche la moyenne du vecteur
% Signal bruite
ckb = 6
*
rd+ck;
% Representation des echantillons en fonction de leur
% indice
figure, plot(ckb(1:400))
% Calcul de lautocorrelation du signal
corr_ckb = xcorr(ckb, unbiased);
% Representation de lautocorrelation
figure,
plot(-(lk-1):(lk-1),corr_ckb)
axis([-500, 500, -1, 4])
grid on
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2
Bibliographie
[1] M. Brancovan. Distributions transformation de Fourier et de Laplace. Les Presses de lENSTA, 1990.
[2] M. Doisy. Distributions - op erations et d eriv ees. In Techniques de ling enieur, page AF 144, 2004.
Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon, format electronique.
[3] M. Doisy. Distributions - convolution et transform ee de Fourier. In Techniques de ling enieur, page AF
145, 2005. Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon, format electronique.
[4] T. Dutoit and F. Marques. Applied Signal Processing, A MATLAB-Based Proof of Concept. Springer,
2009. Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon, c ote 621.382 DUT.
[5] C. Gasquet and P. Witomski. Analyse de Fourier et applications, ltrage, calcul num erique, onde-
lettes. Sciences sup. Dunod, 2003. Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de
Lyon, c ote 515.2 GAS.
[6] F. Gilles. Analyse spectrale. Technosup-Sup elec, 2001. Disponible ` a la biblioth` eque Michel Serres,
Ecole Centrale de Lyon, c ote 621.382 2 FLE.
[7] E.W. Kamen and B.S. Heck. Fundamentals of Signals and Systems using the WEB and MATLAB.
Pearson Prentice Hall, 2007. Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon,
c ote 621.382 2 KAM.
[8] H. Klee and R. Allen. Simulation of Dynamic Systems. CRC Press, 2011. Disponible ` a la biblioth` eque
Michel Serres, Ecole Centrale de Lyon, c ote 003.3 KLE.
[9] T.W. Parks and C.S. Burrus. Digital Filter Design. Topics in Digital Signal Processing. John Wiley
and Sons, New York, 1987.
[10] L. Schwartz. M ethodes math ematiques pour les sciences physiques. Enseignement des sciences.
Hermann, 1965. Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon, c ote 514.7 Sch.
[11] E. Tisserand, J.F. Pautex, and P. Schweitzer. Analyse et Traitement des Signaux. Sciences sup. Dunod.
Disponible ` a la biblioth` eque Michel Serres, Ecole Centrale de Lyon, c ote 621.382 2 TIS.
183
c
e
l
-
0
0
6
7
3
9
2
9
,

v
e
r
s
i
o
n

2

-

1
6

A
u
g

2
0
1
2