Vous êtes sur la page 1sur 74

El

ements de base du Traitement du Signal


Pr. Khalid SABRI
D
epartement de Physique
Facult
e des Sciences
Universit
e Chouab Doukkali
El Jadida

1400
Pic actif

1200

signal de force verticale

Pic passif

1000
800
600
400
200

Pas2

Pas1

Pas1

Pas2

0
400

600

Annee universitaire 2011/2012


Master R
eseaux & T
el
ecoms

800

1000
Echantillons

1200

1400

1600

Table des mati`


eres
1 G
en
eralit
es
1.1 Introduction . . . . . . . . . . . . . . . .
1.2 Definitions . . . . . . . . . . . . . . . . .
1.3 Classification des signaux . . . . . . . .
1.3.1 Classification phenomenologique
1.3.2 Classification energetique . . . .
1.3.3 Classification morphologique . .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

2 Transformation de Fourier
2.1 Transformee de Fourier des fonctions periodiques. Serie de Fourier
2.1.1 Definition. Theor`eme de Fourier . . . . . . . . . . . . . . .
2.1.2 Distribution ou pic de Dirac . . . . . . . . . . . . . . . . . .
2.1.3 Representations unilaterale et bilaterale . . . . . . . . . . .
2.1.4 Exemples de signaux elementaires . . . . . . . . . . . . . .
2.1.5 Proprietes du developpement en serie de Fourier . . . . . .
2.2 Transformee de Fourier des fonctions non periodiques . . . . . . . .
2.2.1 Conditions dexistence de la transformee de Fourier . . . . .
2.2.2 Proprietes de la transformee de Fourier . . . . . . . . . . .
2.2.3 Quelques signaux supplementaires . . . . . . . . . . . . . .
3 Syst`
emes de transmission
3.1 Definition. Unite de comparaison. Bande passante
3.1.1 Definition et unite de comparaison . . . . .
3.2 Proprietes des syst`emes de transmission . . . . . .
3.2.1 Syst`emes lineaires . . . . . . . . . . . . . .
3.2.2 Syst`emes continus . . . . . . . . . . . . . .
3.2.3 Filtres et convolution . . . . . . . . . . . .
3.2.4 Proprietes de la convolution . . . . . . . . .
3.2.5 Calcul pratique de la convolution . . . . . .
3.2.6 Theor`eme de Plancherel . . . . . . . . . . .
3.2.7 Convolution des signaux periodiques . . . .
3.3 Introduction `
a la notion de correlation . . . . . . .
3.3.1 Puissance et energie des signaux . . . . . .
3.3.2 Correlation et densite spectrale . . . . . . .
3.3.3 Theor`eme de Parseval . . . . . . . . . . . .
3.4 Analyse cepstrale . . . . . . . . . . . . . . . . . . .
3.4.1 Definition . . . . . . . . . . . . . . . . . . .
3.5 Transformee de Hilbert . . . . . . . . . . . . . . . .
3.5.1 Definition . . . . . . . . . . . . . . . . . . .
1

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

3
3
4
5
5
5
6

.
.
.
.
.
.
.
.
.
.

8
8
8
9
10
12
14
15
16
17
19

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

25
25
25
27
27
27
28
30
30
31
32
33
33
34
38
38
38
40
41

3.5.2
3.5.3
3.5.4
3.5.5

Reponse frequentielle . . . . . .
Transformee de Hilbert inverse
Signal analytique . . . . . . . .
Enveloppe complexe . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

41
42
42
42

4 Filtrage des signaux analogiques


4.1 Transformee de Laplace . . . . . . . . . . . . . . . . . . .
4.1.1 Definition . . . . . . . . . . . . . . . . . . . . . . .
4.1.2 Transformee de Fourier et transformee de Laplace
4.1.3 Proprietes de la transformee de Laplace . . . . . .
4.1.4 Transformee de Laplace inverse . . . . . . . . . . .
4.2 Filtrage ou fenetrage temporel . . . . . . . . . . . . . . .
4.2.1
Principes generaux . . . . . . . . . . . . . . . . .
4.2.2 Le fenetrage temporel . . . . . . . . . . . . . . . .
4.3 Filtrage frequentiel . . . . . . . . . . . . . . . . . . . . . .
4.3.1 Theor`eme fondamental des filtres . . . . . . . . . .
4.3.2 Filtres realisables . . . . . . . . . . . . . . . . . . .
4.3.3 Les differents types de filtres . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

45
45
45
46
46
48
48
48
49
52
52
54
55

5 Annexe A : Distribution de Dirac


5.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2 Principales proprietes . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.1 Proprietes de localisation (operation de produit ) . . . . . . .
5.2.2 Proprietes delement neutre (operation de convolution ) . . .
5.2.3 Proprietes dechantillonnage avec le peigne de Dirac (produit) . .
5.2.4 Proprietes de periodisation avec le peigne de Dirac (convolution)

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

60
60
60
61
61
61
62

6 Annexe B : D
eveloppements en s
erie de Fourier

63

7 Annexe C : Transform
ees de Fourier

66

8 Annexe D : Transform
ees de Laplace

69

9 Annexe E : Fonction de transfert

71

10 Annexe F : Valeur principale de Cauchy

72

Chapitre 1

G
en
eralit
es
1.1

Introduction

Un signal est une grandeur physique qui transporte de linformation sous differentes formes.
Un signal peut vehiculer un son (onde acoustique), une image, une vibration (dune machine),
battement de coeur,. . .. Les signaux, consideres dans ce cours, sont des grandeurs electriques
variant en fonction du temps, x(t), obtenues `a laide de capteurs. Mais le traitement du signal
sapplique `a tous les signaux physiques.
Remarque : Le traitement dimages peut etre considere comme une extension du traitement du
signal aux signaux bidimensionnels (images).
Les signaux utiles sont souvent perturbes par des signaux parasites (bruit) qui les masquent
parfois compl`etement. Pour attenuer, sinon supprimer ce bruit il faut en connatre parfaitement
les caracteristiques ainsi que celles du signal utile. Cest pourquoi le traitement du signal est
une discipline tr`es mathematique. En effet, le traitement du signal fait partie des sciences de
lingenieur et est le carrefour de plusieurs disciplines : informatique, alg`ebre lineaire, probabilites
et statistiques, analyse numerique et optimisation, analyse en harmonique . . ..
Les techniques utilisees peuvent etre appliquees `a un signal analogique mais compte tenu de
leur complexite un traitement numerique simpose presque toujours. Il est rendu possible gr
ace
`a la puissance des circuits de calcul et ordinateurs modernes. De ce fait, le traitement du signal
est utilise comme outil dans de nombreux domaines : astrophysique (identification detoiles
ou galaxie), mecanique (diagnostic vibratoire), medecine (traitement du signal biomedical),
sismique (visualiser les structures geologiques en profondeur gr
ace `a lanalyse des echos dondes
sismiques), telecommunications (traitement dantennes, parole, image et video).
Cette particularite a permi au traitement du signal un enrichissement considerable tant au
niveau technique que pedagogique. Et a fait de lui une discipline, `a part enti`ere, indispensable
que tout ingenieur devra en matriser au moins les fondements.
Ce cours est une introduction au traitement du signal. Il fait largement appel `a des expressions mathematiques mais le developpement des calculs reste souvent elementaire. Le lecteur
na par consequent pas besoin dune formation de tr`es haut niveau dans ce domaine.
Avertissements La plupart des parties de ce polycopie sont difficilement comprehensibles
sans le complement donne en cours magistral.
Remerciements Quelques parties de ce polycopie sinspire du cours de F. Cottet [1], et
des ouvrages cites en reference.

1.2

D
efinitions

Le traitement du signal est une discipline indispensable de nos jours. Il a pour objet
lelaboration ou linterpretation des signaux porteurs dinformations. Son but est donc de reussir
`a extraire un maximum dinformation utile sur un signal perturbe par du bruit en sappuyant
sur les ressources de lelectronique et de linformatique.
Un signal est la representation physique de linformation, quil convoie de sa source `a son
destinataire. La description mathematique des signaux est lobjectif de la theorie du signal.
Elle offre les moyens danalyser, de concevoir et de caracteriser des syst`emes de traitement de
linformation.
Un bruit correspond `
a tout phenom`ene perturbateur genant la transmission ou linterpretation
dun signal.
Remarque : Les notions de signal et bruit sont tr`es relatives. Pour un technicien des telecommunications
qui ecoute un emetteur lointain relaye par un satellite, le signal provenant dune source astrophysique (soleil, quasar) placee malencontreusement dans la meme direction est un bruit. Mais
pour lastronome qui sinteresse `
a la source astrophysique, cest le signal du satellite qui est un
bruit.
Le rapport signal sur bruit mesure la quantite de bruit contenue dans le signal. Il sexprime par le rapport des puissances du signal PS et du bruit PN . Il est souvent donne en decibels
(dB).
 
PS
S
(1.1)
= 10 log 10
N dB
PN
Un syst`
eme est un dispositif represente par un mod`ele mathematique etablissant un lien
de cause `a effet entre des signaux dentree (excitations : commandes, consignes, perturbations)
et des signaux de sortie (reponses ou mesures).

Entree
x

Syst`eme
A

Sortie
y

Fig. 1.1 Schema dun syst`eme

On modelise un syst`eme de la facon suivante :


x un espace dentree (ou input), y un espace de sortie (ou ouput), qui peuvent etre des
espaces de fonctions (cas continu) ou de suites (cas discret).
A une application : x y qui `
a x associe y = A(x).
Exemples de syst`emes
Amplificateur ideal
Un tel syst`eme est donne par : y(t) = kx(t).
Ligne `
a retard
On a la fonction : y(t) = x(t a), a R+ .
Derivateur
Il est donne par la fonction : y(t) = x (t) = dx(t)
dt .

Un syst`eme discret
On capte la sortie yk pour lui faire subir un retard dune unite de temps. On lamplifie et
on lajoute `
a lentree. Un tel syst`eme est donne par yk = xk + ayk1 .
Un capteur est un dispositif transformant letat dune grandeur physique observee en une
grandeur utilisable, exemple : une tension electrique, une hauteur de mercure, une intensite, la
deviation dune aiguille. Les capteurs sont les elements de base des syst`emes dacquisition de
donnees. Leur mise en uvre est du domaine de linstrumentation.
Exemples de capteurs,
Un capteur photographique est un composant electronique photosensible servant `a convertir un rayonnement electromagnetique (UV, visible ou IR) en un signal electrique analogique. Deux grandes familles de capteurs sont disponibles : les CCD et les CMOS. Les
CCD sont surtout utilises dans les appareils compacts et de plus en plus delaisses dans
les reflex. Les appareils reflex quant `a eux, utilisent majoritairement des capteurs CMOS
(en 2009).
Un microphone est un dispositif de conversion des ondes sonores acoustiques dun milieu
compressible en impulsions electriques. Cest donc un capteur analogique.
Un accelerom`etre est un capteur qui, fixe `a un mobile ou tout autre objet, permet de mesurer lacceleration lineaire de ce dernier. Les applications de ce capteur sont tr`es diverses :
mesure de vitesse (par integration), mesure de deplacement (par double integration), mesure de vibration, . . .

1.3

Classification des signaux

On peut envisager plusieurs modes de classification pour les signaux suivant leurs proprietes.

1.3.1

Classification ph
enom
enologique

On consid`ere la nature de levolution du signal en fonction du temps. Il apparait deux types


de signaux :
Signaux deterministes : ou signaux certains, leur evolution en fonction du temps peut etre
parfaitement modelisee par une fonction mathematique. On retrouve dans cette classe les
signaux periodiques, les signaux transitoires, . . .
Signaux aleatoires : leur comportement temporel est imprevisible. Il faut faire appel `a leurs
proprietes statistiques pour les decrire. Si leurs proprietes statistiques sont invariantes dans
le temps, on dit quils sont stationnaires. Si au contraire leurs statistiques dependent du
temps, on dit quils sont non stationnaires, dans le cas o`
u cette dependance est periodique
en fonction du temps, on dit quils sont cyclo-stationnaires.

1.3.2

Classification
energ
etique

Rappels :
R +
Energie dun signal x(t), Wx = |x(t)|2 dt.
RT
Puissance dun signal x(t), Px = limT T1 2T |x(t)|2 dt.
2

Rq. Pour un signal periodique de periode T0 , la puissance moyenne totale est calculee sur
R T0
une periode : Px = T10 2T0 |x(t)|2 dt.

Impulsion rectangulaire A rect( Tt )

Impulsion exponentielle, A exp(at)u(t)

Fig. 1.2 Exempe de signaux `a energie finie

Echelon unitaire

Signal rectangulaire periodique

Fig. 1.3 Exempe de signaux `a puissance moyenne finie

On consid`ere lenergie des signaux. On distingue :


Signaux `
a energie finie : poss`edent une puissance moyenne nulle et une energie finie (cas
des signaux transitoires, des signaux physiques ou physiquement realisables). Ce sont des
signaux de carre sommable (ou integrable). Ex. (Figure 1.3.2) Impulsion rectangulaire
centree en zero damplitude A et de duree T , A rect( Tt ) ; Impulsion exponentielle simple
damplitude A, A exp(at)u(t).
Signaux `
a puissance moyenne finie : poss`edent une energie infinie et sont donc physiquement irrealisable (cas des signaux periodiques, des signaux physiquement irrealisables
comme les mod`eles mathematiques). Ex. (Figure 1.3) Echelon unitaire ; Signal rectangulaire periodique damplitude A et de periode T .

1.3.3

Classification morphologique

On distingue des signaux `


a variable continue et des signaux `a variable discr`ete ainsi que
ceux dont lamplitude est discr`ete ou continue.
On obtient donc 4 classes de signaux :
Signaux analogiques dont lamplitude et le temps sont continus
Signaux quantifies dont lamplitude est discr`ete et le temps continu
Signaux echantillonnes dont lamplitude est continue et le temps discret
Signaux numeriques dont lamplitude et le temps sont discrets
On appelle numerisation dun signal loperation qui consiste `a faire passer un signal de la
representation dans le domaine des temps et des amplitudes continus au domaine des temps et

Fig. 1.4 Classification morphologique


des amplitudes discrets. Cette operation de numerisation dun signal peut etre decomposee en
deux etapes principales :
echantillonnage
quantification
La restitution (ou linterpolation) constitue une autre phase qui intervient lors du passage
du signal numerique au signal analogique.
Ces trois etapes sont indissociables. En effet, le signal, etant le support physique dune
information, doit conserver au cours de ces modifications tout le contenu informatif initial. Cette
condition, ajoutee `
a la notion de co
ut limite dun syst`eme, va etre `a la base de la numerisation
des signaux et de letude du traitement numerique.

Chapitre 2

Transformation de Fourier
La transformee de Fourier1 est lun des outils, sinon loutil fondamental du traiteur de
signaux. Elle permet dassocier `
a la forme donde habituelle, la representation dun signal en
fonction de sa variable devolution, une autre representation, complementaire, dans le domaine
frequentiel.
Lutilisation de cette description frequentielle permet en outre de caracteriser simplement
les filtres lineaires, et faciliter leur etude. Apr`es avoir presente la transformee de Fourier et ses
principales proprietes, nous nous interesserons au filtrage des signaux et introduirons les notion
de convolution et de fonction de transfert, qui permettent la caracterisation des filtres, puis
nous examinerons les notions de correlation, pour des signaux deterministes, qui permettent
quant-`a-elles letude des proprietes energetiques des signaux.

2.1
2.1.1

Transform
ee de Fourier des fonctions p
eriodiques. S
erie de
Fourier
D
efinition. Th
eor`
eme de Fourier

On utilise principalement les series de Fourier dans le cas des signaux periodiques. Elles
permettent ainsi de passer facilement du domaine temporel au domaine frequentiel.
Si s(t) est une fonction de t periodique, de periode T0 (= 1/F0 ), elle peut secrire sous la
forme dune somme de fonctions sinusodales de frequences f multiple de la frequence F0 , dite
fondamentale. Soit :
+
X
[an cos(2nF0 t) + bn sin(2nF0 t)]
(2.1)
s(t) = a0 +
n=1

o`
u an et bn sont les coefficients de la serie de Fourier. Ils se calculent `a partir des relations
suivantes :
Z T0
1
s(t)dt = s(t)
a0 =
(2.2)
T0 0
avec a0 appele valeur moyenne ou composante continue,
Z T0
2
s(t) cos(2nF0 t)dt pour n > 1
(2.3)
an =
T0 0
1

Joseph Jean Fourier, mathematicien, physicien et prefet francais (1768-1830), etablit entre 1807 et 1811
la loi de Fourier sur la conduction thermique. En 1822, ses etudes sur la conduction thermique, le conduisent
`
a developper la technique de lanalyse harmonique, et en particulier un developpement de fonctions en serie
harmonique, developpement qui porte aujourdhui son nom.

et

Z T0
2
s(t) sin(2nF0 t)dt pour n > 1
T0 0
Lexpression 2.1 peut secrire aussi sous la forme dun developpement en harmoniques :
bn =

s(t) = a0 +

+
X

cn cos(2nF0 t + n )

(2.4)

(2.5)

n=1

avec
cn =

a2n + b2n et n = arctan(bn /an )

(2.6)

` partir de lexpression 2.5 nous pouvons construire la representation graphique spectrale du


A
signal dans un plan amplitude-frequence comme etant la succession des pics ou raies damplitude
cn et positionnes aux frequences nF0 (figure 2.1).

Spectre du signal s(t)


c1
c2

a0

cn

frequence f
0

F0

2F0

nF0

Fig. 2.1 Spectre en frequence dun signal periodique


D
efinition. Le spectre en frequence dun signal est constitue de la composante continue `a la
frequence nulle damplitude a0 , du fondamental `a la frequence F0 damplitude c1 et des differents
harmoniques situes aux frequences f = nF0 damplitudes respectives cn . Il est important de
remarquer que le spectre dune fonction periodique, de periode T0 (= 1/F0 ), est discontinu et
compose de raies dont lecart minimum est, sur laxe des frequences, F0 .

2.1.2

Distribution ou pic de Dirac

La distribution de Dirac2 (pic de Dirac ou encore impulsion de Dirac) peut etre vue comme
un outil symbolique permettant de formuler des expressions. Notee elle peut etre percue
comme la limite dune impulsion damplitude A et de duree 1/A lorsque A tend vers linfini.
Laire de cette impulsion est constante et egale `a 1 quel que soit A. Le pic de Dirac sera defini
comme ayant un poids ou une masse de 1 en x = 0 (figure 5.1). Dans le domaine du traitement
du signal, le pic de Dirac (x) est une distribution ou fonction qui verifie :
Z
(x)dx = 1
(2.7)
(x) = 0 pour x 6= 0 et

La distribution de Dirac poss`ede des proprietes au niveau des operations avec les fonctions : pro
Paul Adrien Maurice Dirac (8 ao
ut 1902 `
a Bristol, Angleterre - 20 octobre 1984 `
a Tallahassee, Floride, EtatsUnis) est un physicien et mathematicien britannique. Il est lun des p`eres de la mecanique quantique et a
prevu lexistence de lantimati`ere. Il est colaureat avec Erwin Schr
odinger du prix Nobel de physique de 1933
pour la decouverte de formes nouvelles et utiles de la theorie atomique.
2

impulsion

(x)

1/A

si A

Fig. 2.2 Representation de la distribution ou pic de Dirac


priete de localisation (operation de produit avec une fonction) et propriete delement neutre
(operation de convolution avec une fonction). Ces proprietes operatoires sont presentees au
fur et `a mesure des besoins et de facon compl`ete dans lannexe 5. Il est important de souligner
que, pour des raisons de facilite, les operations, faisant intervenir pics de Dirac et fonctions,
utilisent des notations identiques `
a celles utilisees pour les fonctions bien que nous soyons dans
le domaine des distributions.

2.1.3

Repr
esentations unilat
erale et bilat
erale

Lexpression 2.1 peut encore se mettre sous la forme complexe suivante :


s(t) =

+
X

S(nF0 ) exp(j2nF0 t)

(2.8)

n=

avec

1
1
S(nF0 ) = (an jbn ) =
2
T0

et

T0

s(t) exp(j2nF0 t) dt pour n > 1

(2.9)

S(0) = a0 = s(t)

(2.10)

Les valeurs negatives de n sont introduites dans un but de simplification ; mais, etant donne
que s(t) est reel, nous avons :
an = an et bn = bn
S(nF0 ) represente les composantes du spectre en frequence de s(t), grandeur en general complexe, qui a pour module :
cn
1p 2
an + b2n =
(2.11)
|S(nF0 )| =
2
2
et pour phase :


bn
(2.12)
(nF0 ) = arctan
an
En utilisant la notation mathematique du pic de Dirac decrite precedemment, le spectre en
frequence du signal est forme de pics de Dirac de poids |S(nF0 )| reparties sur tout laxe des
frequences positives et negatives. Par convention, on dessine chaque raie en lui donnant une
hauteur proportionnelle `
a son poids ou sa masse egale `a |S(nF0 )| (figure 2.3). Lexpression du
spectre S(f ) du signal est donc :
S(f ) =

+
X

n=

S(nF0 )(f nF0 )

10

(2.13)

avec
S(nF0 ) = |S(nF0 )| ej(nF0 )

(2.14)

Remarque : Ce spectre S(f ) est en general complexe forme dune partie reelle et dune

Spectre du signal s(t)


S(0)
S(nF0 )

S(nF0 )
S(2F0 )

S(F0 )

S(F0 )

S(2F0 )

frequence f
nF0

2F0

F0

F0

2F0

nF0

Fig. 2.3 Spectre en frequence dun signal periodique avec un axe des frequences de `
a
+ : representation bilaterale
partie imaginaire et devrait donc etre represente dans un syst`eme `a trois dimensions : axe des
frequences f , axe de la partie imaginaire Im{S(f )} et axe de la partie reelle Re{S(f )}.
Cette representation complexe du signal distribue donc, dans le domaine frequentiel, les
contributions du signal symetriquement de part et dautre de lorigine sur laxe des frequences :
cest la representation spectrale bilaterale S(f ) (frequences positives et negatives). Cette representation
abstraite (frequences negatives) presente lavantage de simplifier les calculs au niveau du traitement des signaux. Seule la representation unilaterale Sreel (f ) (spectres composes de frequences
positives uniquement), calculee par un developpement en serie de Fourier, est une representation
reelle qui peut etre obtenue `
a partir danalyseurs de spectres ou de transformateurs de Fourier
qui presentent le module de ce spectre.
` partir des expressions 2.5 et 2.8, on peut determiner la relation entre ces deux formes de
A
representation :
Sreel (f ) = S(f )Kreel (f )
(2.15)
o`
u Kreel (f ) (coefficient de representation reelle) est definie par :

2 si f > 0
Kreel (f ) =
1 si f = 0

0 si f < 0

(2.16)

Le concept de frequence negative na pas de signification physique. Il peut etre vu comme la


traduction du sens de rotation de la vitesse angulaire ou pulsation ( = 2f ). Ainsi la fonction
reelle cos(t) ou cos(2f t) peut etre exprimee comme la somme de deux fonctions complexes
dans le plan complexe (figure 2.4) :
1
cos(t) = (ejt + ejt )
2

11

(2.17)

Partie imaginaire
ejwt
wt

Partie reelle

-wt

2 cos(wt)

ejwt

Fig. 2.4 Introduction des frequences negatives dans lexpression des signaux

2.1.4

Exemples de signaux
el
ementaires

Signal sinusodal
Dans le cas des signaux sinusodaux ou cosinusodaux, la transformee en serie de Fourier du
signal est identique `
a sa representation mathematique.
b cas du signal s(t) = cos(2F0 t)
La decomposition en serie de Fourier est donc definie par :

a0 = 0, a1 = 1 et an = 0 pour n > 1
bn = 0 pour n > 1
Dapr`es la relation 2.9, les valeurs de S(nF0 ) non nulles sont :
1
1
S(F0 ) = (a1 jb1 ) =
2
2
1
1
1
S(F0 ) = (a1 jb1 ) = (a1 + jb1 ) =
2
2
2
Do`
u le spectre du signal, ecrit dans une representation bilaterale suivant la relation 2.14,
est :
1
S(f ) = [(f + F0 ) + (f F0 )]
(2.18)
2
La figure 2.5 represente ce signal et son spectre. Nous pouvons remarquer que, pour ce signal
reel pair, le spectre est reel pair.
b cas du signal s(t) = sin(2F0 t)
La decomposition en serie de Fourier est donc definie par :

an = 0 pour n > 0
b1 = 1 et bn = 0 pour n > 1
Dapr`es la relation 2.9, les valeurs de S(nF0 ) non nulles sont :
1
j
S(F0 ) = (a1 jb1 ) =
2
2
1
j
1
S(F0 ) = (a1 jb1 ) = (a1 + jb1 ) =
2
2
2
12

s(t) = cos(2F0 t)

(a)

1/2

Re{S(f )}
f

t
F0

F0

-1
T0

s(t) = sin(2F0 t)

(b)

Im{S(f )}

1/2
t

F0
F0
-1/2

-1
T0

Fig. 2.5 Spectres des signaux cosinusodal (a) et sinusodal (b) dans une representation bilaterale
Do`
u le spectre du signal, ecrit dans une representation bilaterale suivant la relation 2.14,
est :
j
(2.19)
S(f ) = [(f + F0 ) (f F0 )]
2
La figure 2.5 represente ce signal et son spectre. Nous pouvons remarquer que, pour ce signal
reel impair, le spectre est imaginaire impair.
Cas dun signal carr
e p
eriodique
Si nous considerons un signal rectangulaire `a alternances egales, de valeur moyenne nulle et
damplitude 1, sa transformee en serie de Fourier secrit sous la forme suivante :


4
sin(3(2F0 t)) sin(5(2F0 t))
s(t) =
+
+ ...
(2.20)
sin(2F0 t) +

3
5
ou
s(t) =

+
4 X sin(2(2n + 1)F0 t)
n=0
2n + 1

(2.21)

Le spectre bilateral du signal, compose uniquement des harmoniques impairs, a pour expression
(figure 2.6) :
+
2 X
j
S(f ) =
(f (2n + 1)F0 )
(2.22)
n= (2n + 1)
13

Nous pouvons remarquer que, pour ce signal reel impair, le spectre est imaginaire impair.

2/

Im{S(f )}

s(t)
2/(3)

2/(5)
F0

t
5F0

3F0

5F0

3F0 F0

-1

2/(3)

2/(5)

T0
2/
Fig. 2.6 Spectre dun signal carre periodique dans une representation bilaterale
Afin declaircir linfluence des harmoniques sur la synth`ese des signaux `a partir de leur
developpement en serie de Fourier. La figure 2.1.4 rapporte les resultats de syhtn`ese du signal
carre periodique pour differents nombre dharmoniques.
Nous pouvons constater que, plus le nombre dharmonique participant `a la synth`ese du
signal augmente meilleure est lapproximation du signal carre periodique.
Quelques developpements en serie de Fourier de signaux particuliers sont donnes en annexe
6.

2.1.5

Propri
et
es du d
eveloppement en s
erie de Fourier

Nous avons une correspondance unique entre la fonction x(t), son developpement en serie de
Fourier et par consequent sa representation spectrale X(f ). Nous ecrirons donc cette reciprocite
sous la forme :
F
x(t) X(f )
Propri
et
e de lin
earit
e
F
F

Etant
donne x(t) X(f ) et y(t) Y (f ), nous avons :
F

ax(t) + by(t) aX(f ) + bY (f )


avec a et b des constantes.
Propri
et
e de parit
e
Nous avons les principales proprietes de parite suivante :
si la fonction x(t) est reelle et paire, les coefficients bn du developpement en serie de
Fourier sont tous nuls et la representation spectrale X(f ) est reelle et paire.
si la fonction x(t) est reelle et impaire, les coefficients an du developpement en serie de
Fourier sont tous nuls et la representation spectrale X(f ) est imaginaire et impaire.

14

1.5

1.5

1.5

0.5

0.5

0.5

0.5

0.5

0.5

1.5

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

1.5

0.5

Fondamental

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

1.5

0.5

Fondamental + 1 harmonique

1.5

1.5

1.5

0.5

0.5

0.5

0.5

0.5

0.5

1.5

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

1.5

0.5

Fondamental + 4 harmoniques

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

1.5

0.5

Fondamental + 30 harmoniques

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

si la fonction x(t) est reelle quelconque, la representation spectrale X(f ) est complexe
avec une partie reelle paire et une partie imaginaire impaire.
Dautres proprietes utilisables sont etudiees dans le cadre de la transformee de Fourier pour les
signaux non periodiques (paragraphe 2.2.2).

Transform
ee de Fourier des fonctions non p
eriodiques

D
efinition
On peut considerer la transformee de Fourier des fonctions non-periodiques comme une
extension de la transformation precedente pour laquelle la periode est infinie (T0 ). Lintervalle de frequence F0 tend alors vers zero et le spectre devient alors une fonction continue.
En considerant les expressions 2.8 et 2.9, on a :

Z T0
+ 
X
j2nF0
j2nF0 t 1
s( )e
d
(2.23)
e
s(t) =
T0 0
n=
Apr`es le passage `
a la limite T0 , il vient :
Z
Z +
j2f t
e
s(t) =

j2f

s( )e

df

(2.24)

Do`
u, la transformee de Fourier de s(t), notee S(f ) ou F{s(t)}, et la transformee de Fourier
inverse, notee F1 {S(f )} :
Z +
F{s(t)} = S(f ) =
s(t)ej2f t dt
(2.25)

15

0.5

0.45

0.5

Fondamental + 40 harmoniques

Fig. 2.7 Synth`ese dun Signal carre periodique `a partir du developpement en serie de Fourier

2.2

0.45

Fondamental + 2 harmoniques

et
F

{S(f )} = s(t) =

S(f )ej2f t df

(2.26)

Comme pour le cas des fonctions periodiques, S(f ) est une fonction de f , en general complexe,
qui comprend donc une partie reelle Re{S(f )} et une partie imaginaire Im{S(f )} :
Z +
s(t) cos(2f t)dt
(2.27)
Re{S(f )} =

et
Im{S(f )} =

s(t) sin(2f t)dt

(2.28)

Lamplitude |S(f )| du spectre est donnee par la relation suivante :


p
|S(f )| = [Re{S(f )}]2 + [Im{S(f )}]2

(2.29)

(f ) = arctan(Im{S(f )}/Re{S(f )})

(2.30)

et la phase est :

Interpretation : X(f ) est la projection du signal sur lexponentielle complexe a` la frequence


f . Le signal est decompose sur une base continue dexponentielles complexes. Le param`etre f
sinterpr`ete comme une frequence au sens habituel (linverse dune periode) `a un detail pr`es :
existence de frequences negatives. Cest due `a la projection sur des exponentielles complexes
plut
ot que sur des sinusodes. Probl`emes mathematiques delicats : on projette sur une fonction
qui nest pas elle meme denergie finie.

2.2.1

Conditions dexistence de la transform


ee de Fourier

Pour quune fonction x(t) ait une transformee de Fourier, fonction de f definie selon lexpression 2.25, il faut et il suffit que :
x(t) soit une fonction bornee
lintegrale de
x(t) entre et + ait une valeur finie i.e. La fonction x(t) est absolument
R +
integrable |x(t)|dt < .
les discontinuites de x(t) ainsi que les maxima et minima soient en nombre fini

Sachant que |ej2f t | = 1, le module de la transformee de Fourier est borne par :


Z +
Z +
Z +


j2f t
j2f t

x(t)e
dt
|x(t)|dt
|x(t)||e
|dt =

La transformee de Fourier existe si la derni`ere integrale converge = x(t) doit appartenir `


a
L1 (R) qui est lensemble des signaux stables.
On peut remarquer que ce nest pas le cas des fonctions periodiques qui ont donc une decomposition
en serie de Fourier mais pas de transformee de Fourier du moins au sens des fonctions (les distributions permettent entre autre de repondre `a ce souci). Cette remarque se generalise au cas
des signaux `
a puissance moyenne finie.
Mais pour que la transformee de Fourier
existe et soit reciproque, il suffit que x(t)
R +de x(t)
2
soit une fonction de carre sommable i.e. |x(t)| dt < . Cela signifie que x(t), ainsi que sa
transformee de Fourier, sont `
a energie finie. Toutes les fonctions existant physiquement verifient
ces conditions parce quon les observe sur un temps fini.

16

2.2.2

Propri
et
es de la transform
ee de Fourier

Soit la fonction x(t) et la transformee de Fourier correspondante X(f ), nous ecrirons :


F

x(t) X(f )
Dans la plupart des cas, les transformees de Fourier ne sont pas calculees `a partir des relations
generales (equations 2.25 et 2.26), mais `a partir des principales proprietes de la transformee de
Fourier decrites ci-apr`es.
Lin
earit
e
F

ax(t) + by(t) aX(f ) + bY (f )


avec a et b des constantes.
Homoth
etie (figure 2.8)
F

x(at)

f
1
X( ) avec a R
|a|
a

Exemple Considerons un laser impulsionnel femtoseconde dont la duree de limpulsion


est de 10 fs (1014 s) et la longueur donde dans linfrarouge proche ( = 1m). Soit c la
vitesse de la lumi`ere, la frequence f de cette onde lumineuse est donnee par :
=

c
f

Do`
u la periode doscillation T de cette onde electromagnetique est :
T =

= 0, 33 1014 s
c

Par consequent, pendant la duree de limpulsion, il ny aura que 3 periodes doscillations. Ainsi,
nous avons un signal fortement limite dans le temps, et donc un spectre large : un laser femtoseconde nest pas monochromatique. Letude de cet exemple sera poursuivie dans le chapitre 4
en donnant la largeur spectrale et la variation de la longueur donde.
Translation
F

x(t a) X(f )ej2af avec a R


et
x(t)ej2bt

F
X(f

17

b) avec b R

Exemple Ces proprietes sappliquent aussi aux signaux periodiques, dont les spectres sont
obtenus par un developpement en serie de Fourier. Ainsi le spectre S2 (f ) du signal sinusodal
s2 (t) = sin(2F0 t) peut etre deduit du spectre S1 (f ) du signal cosinusodal s1 (t) = cos(2F0 t)

en utilisant la propriete de translation : Etant


donne, le spectre S1 (f ) (equation 2.18) :

et

1
S1 (f ) = [(f + F0 ) + (f F0 )]
2

(2.31)




T0

= cos 2F0 (t )
s2 (t) = sin(2F0 t) = cos 2F0 t
2
4

(2.32)

La propriete de translation donne :


S2 (f ) = S1 (f )ej2

T0
f
4

T0
1 j2 T0 f
4
[e
(f + F0 ) + ej2 4 f (f F0 )]
2

(2.33)

En utilisant la propriete de localisation (operation produit ) du pic de Dirac 5, il vient :


S2 (f ) =

1 j
[e 2 (f + F0 ) + ej 2 (f F0 )]
2

(2.34)

soit

j
S2 (f ) = [(f + F0 ) (f F0 )]
(2.35)
2
Ce resultat correspond `
a celui trouve directement par le developpement en serie de Fourier
(equation 2.19). Ce resultat permet de noter que les proprietes appliquees pour les spectres
obtenus par transformees de Fourier sont aussi applicables aux spectres des signaux periodiques.
Propri
et
es de parit
e
Nous retrouvons les memes proprietes de parite que pour le developpement en serie de
Fourier, augmentees de nouvelles (tableau 2.2.2). Ces proprietes doivent etre utilisees `a chaque
fois quun calcul de transformee de Fourier est realise afin de verifier si les resultats ne sont pas
faux, cest-`
a-dire incoherents par rapport `a la propriete de parite.
Signal s(t)
reel quelconque
reel pair
reel impair
imaginaire quelconque
imaginaire pair
imaginaire impair
complexe pair
complexe impair

Spectre fr
equentiel S(f )
complexe (partie reelle paire, partie imaginaire impaire)
reel pair
imaginaire impair
complexe (partie reelle impaire, partie imaginaire paire)
imaginaire pair
reel impair
complexe pair
complexe impair

Tab. 2.1 Proprietes de parite de la transformee de Fourier

D
erivation
d(x(t))
dt

F
(j2f )X(f )

et
18

dn (x(t))
dtn

F
(j2f )n X(f )

De cette propriete de derivation, on en deduit la transformee des signaux `a valeur moyenne


nulle qui facilite le calcul du spectre de signaux comme celui de la fonction echelon unite. Soit
un signal x(t) de la forme :
x(t) = A + x0 (t) avec x0 (t) de valeur moyenne nulle (x0 (t) = 0)
soit
x(t) = A +

d(x0 ( ))
d avec A la constante dintegration
d

En posant X0 (f ) la transformee de Fourier de

d(x0 (t))
,
dt

x(t) A(f ) +

il vient :

1
X (f )
j2f 0

(2.36)

Cette relation est utilisee dans le calcul de la transformee de Fourier de la fonction echelon
unite `a la fin de ce chapitre.
Int
egration dans le domaine temporel
F

si x(t) X(f ) et X(0) = 0, alors


Z

x( )d

1
X(f )
j2f

Exercice :
Dans le cas o`
u ou X(0) 6= 0, montrer que,
Z
Suggestion : Exprimer
echelon u(t).

Rt

x( )d

x( )d

1
1
X(f ) + X(0)(f )
j2f
2

sous la forme dune convolution de x(t) avec la fonction

Divers
Integration dans le domaine temporel
La fonction x(t) pouvant etre complexe, on a la relation suivante :
F
F
x(t) X(f ), alors x (t) X (f ) avec x signifiant le complexe conjugue.

2.2.3

Quelques signaux suppl


ementaires

Fonction porte ou rectangle (figure 2.9)


Le signal porte (t) ou rectangle est defini par :
(t) = 1 pour |t| 6

et (t) = 0 pour |t| >


2
2

Ce signal permet de decouper dans un signal une portion de duree finie. Cette operation
conduit `a transformer un signal theorique (representation mathematique) en un signal reel
nexistant que pendant un temps fini, correspondant au temps de mesure ou dobservation.

19

Le spectre de la fonction porte peut sobtenir directement `a partir de la definition de la


transformee de Fourier (relation 2.25) :
F { (t)} =

j2f t

(t)e

dt =

ej2f t dt =

sin (f )
ejf ejf
=
j2f
f

Soit le resultat suivant :


F { (t)} =

sin (f )
= sinc(f )
f

(x)
avec sinc(x) la fonction sinus cardinal 3 definie par : sinc(x) = sinx
Ce resultat permet dobtenir la transformee de Fourier dun pic de Dirac. Si lon consid`ere
la definition donnee en annexe 6, le pic de Dirac est le passage `a la limite dune fonction porte
de largeur et damplitude A en conservant la relation A = 1 :

(t) =

lim

{A (t)}

A+, 0,A =1

Si lon consid`ere que la limite de la transformee de Fourier est egale `a la transformee de


Fourier de la limite, nous avons :
F {(t)} =

lim

{F {A (t)}} =

A+, 0,A =1

lim

{A sinc(f )}

A+, 0,A =1

Nous obtenons ainsi le resultat suivant (figure 2.10) :

Echelon
unit
e ou fonction de Heaviside
Le signal echelon unite ou Heaviside4 , appele u(t), est defini par la relation suivante
(figure 2.11) :
u(t) = 0 pour t < 0

(2.37)

u(t) = 1 pour t 0

(2.38)

Cette fonction particuli`ere est de tr`es grande utilite car dune part elle permet de rendre
un signal quelconque x(t) causal par le produit x(t)u(t). Et dautre part elle correspond `a une
sollicitation calibree dun syst`eme qui permet dobtenir en sortie une reponse dite indicielle 4.
Afin de pouvoir calculer des spectres de signaux faisant intervenir le signal echelon unite
, il est donc imperatif de connatre son spectre U (f ).
ps.
La fonction echelon unite de Heaviside nest pas sommable, elle na pas une transformee de
Fourier au sens des fonctions, mais comme elle est bornee, elle est `a croissance lente `a linfini,
elle definie donc une distribution temperee qui a une transformee de Fourier.
3
En mathematiques, la fonction sinus cardinal est une fonction speciale definie `
a partir de la fonction trigonometrique sinus, apparaissant frequemment dans des probl`emes de physique ondulatoire, et dont le graphe est
communement appele chapeau mexicain .
4
Oliver Heaviside (18 mai 1850 - 3 fevrier 1925) etait un physicien britannique autodidacte. Il a formule `
a
nouveau et simplifie les equations de Maxwell sous leur forme actuelle utilisee en calcul vectoriel. Il a developpe
aussi la fonction de Heaviside (aussi appelee echelon ou marche), utilisee communement dans letude de syst`emes
en automatique et il a etudie la propagation des courants electriques dans les conducteurs.

20

On obtient la transformee de Fourier de lechelon unite, en utilisant le calcul de la transformee


de Fourier pour les signaux `
a valeur moyenne nulle (paragraphe 2.2.2). Le signal u(t) peut se
mettre sous la forme suivante :
1 1
u(t) = + sgn(t)
2 2
t
avec sgn(t) la fonction signe : sgn(t) = |t|
Pour faire ce calcul, nous avons besoin de connatre la transformee de Fourier de la derivee de
cette fonction signe . Cette transformee sobtient en realisant un passage `a la limite identique
`a celui de la presentation du pic de Dirac (figure 2.12). Nous obtenons ainsi le resultat suivant :

d[sgn(t)]
F
= 2(t) 2
dt

(2.39)

Do`
u la transformee de Fourier de u(t) obtenue `a partir de la transformee de Fourier dun
signal mis sous la forme dune constante et dune fonction de valeur moyenne nulle (equation
2.36) :
1
1
+ (f )
U (f ) =
j2f
2
Cette transformee est utile pour definir la notion de signal analytique et la transformee de
HILBERT.
Le signal porte (t) peut aussi sexprimer `a partir de la somme de deux fonctions
echelon unite :

(t) = u(t + ) u(t )


2
2
Fonction exponentielle d
ecroissante
Cette fonction sexprime `
a partir du signal echelon unite u(t) que nous venons detudier :
x(t) = u(t)eat
Dans ce cas, la mani`ere la plus simple de calculer le spectre est dutiliser la definition initiale
de la transformee de Fourier (relation 2.25) :
Z +
Z +
1
at j2f t
e(a+j2f )t dt =
u(t)e e
dt =
X(f ) =
(a + j2f )
0

Lannexe 7 regroupe quelques fonctions non periodiques et leurs transformees de Fourier.

21

S(f )

s(t)

t
-1

-1

1
S(f )

s(t)

4
1

t
-1

-1

1
S(f )

s(t)

1
1/4
t
-1

-1

Fig. 2.8 Representation schematique de la propriete dhomothetie de la transformee de Fourier : a = 1/4 et a = 4

22

s(t) = (t)
1
t
/2

/2
S(f ) = F { (t)}

2, 46/

2, 46/

0, 128

3/

0, 128

2/

1/

1/
0, 217

1, 43/

3/

2/
1, 43/

Fig. 2.9 Transformee de Fourier de la fonction (t), appelee porte ou rectangle

(t)

s(t)

S(f )
1

(t)
t

Fig. 2.10 Transformee de Fourier du pic de Dirac

23

U(f )

u(t)
1

1/2
t

partie imaginaire

Fig. 2.11 Transformee de Fourier de la fonction Echelon


unite de Heaviside

sgn(t)
1
t

-1
d[sgn(t)]
dt

1/

(t)

Aire = 2
t

2
Fig. 2.12 Representation du calcul par passage `a la limite de la transformee de Fourier de la
derivee de la fonction signe (traits pointilles : courbes avant passage `a la limite 0)

24

Chapitre 3

Syst`
emes de transmission
3.1
3.1.1

D
efinition. Unit
e de comparaison. Bande passante
D
efinition et unit
e de comparaison

Un syst`eme de transmission fait correspondre `a un signal dentree e(t) quelconque un signal


de sortie s(t), relation que nous notons :
S.T.

e(t) s(t)
Le signal de sortie s(t) ou reponse du syst`eme de transmission est fonction du signal dentree
e(t) et des caracteristiques du syst`eme de transmission :

Un premier moyen de caracteriser cette grandeur s(t) est de la comparer au signal dentree.
Cette comparaison se fait en general en exprimant le rapport des puissances des deux grandeurs
(de meme nature) par le logarithme `
a base 10 de leur rapport. Ce rapport est alors exprime en
bel ; mais lunite pratique est le decibel :


s(t)
(en decibel ou abreviation dB)
AdB = 10 log10
e(t)
Gain en puissance
Si on compare pour un appareil (par exemple un amplificateur), les puissances dentree et
de sortie, le rapport en puissance est :
 
Ps
AP dB = 10 log10
(3.1)
Pe
avec un gain si AP dB > 0 et un affaiblissement si AP dB < 0.
Si on exprime ce rapport en puissance en fonction des tensions Ve et Vs aux bornes des
charges resistives Re et Rs o`
u sont debites respectivement les courants Ie et Is , on obtient :


 2
 2
Is Rs
V s Re
= 10 log10 2
(3.2)
AP dB = 10 log10
Ve2 Rs
Ie Re
25

Rapport des tensions V s/V e


Gain ou affaiblissement en dB

1/10
-20

1/2
-6

1/ 2
-3

2
6

10
20

100
40

Tab. 3.1 Valeur du gain en dB pour differents rapports de tension

Dans le cas de resistances identiques (Re = Rs ), le rapport en puissance sexprimera par les
seules tensions ou courants :
 
 
Vs
Is
AP dB = 20 log10
= 20 log10
(3.3)
Ve
Ie
Gain en tension
Par convention, on adoptera pour les tensions la relation de comparaison en dB suivante :
 
Vs
AP dB = 20 log10
(3.4)
Ve
Cette convention permet dexprimer, par un meme nombre, le rapport en tension et le gain
en puissance si les resistances (ou impedances) dentree et de sortie sont identiques. Quelques
valeurs utiles sont donnees dans le tableau 3.1.1.
Bande passante
Cette comparaison des puissances ou tensions dentree et de sortie dun syst`eme de transmission est utilisee lorsque lon veut etudier linfluence dune autre grandeur : par exemple
la frequence. On consid`ere une tension sinusodale, fournissant `a lentree supposee resistive
(independante de la frequence), une puissance moyenne constante quelle que soit la frequence :
Pe constant. On etudie levolution de la puissance de sortie sur une charge resistive en fonction
de la frequence : Ps = Ps (f ). Ps passe par un maximum Psm considere comme reference.
On appellera bande passante du syst`eme de transmission la zone de frequences pour lesquelles on a :
1
Ps
ou AP dB > 3 dB
>
Psm
2

(3.5)

La bande passante `
a 3 dB est la tranche des frequences pour lesquelles laffaiblissement de la
puissance de sortie, `
a puissance entrante constante, est inferieur `a 3 dB par rapport `a sa valeur
maximale (figure 3.1).

Fig. 3.1 Definition de la bande passante `a -3 dB dun syst`eme de transmission

26

Si lon applique cette definition pour les tensions, on obtient le rapport de la tension de
sortie Vs et de la tension de sortie maximale Vsm, definie de la meme mani`ere que pour la
puissance, devant verifier la relation suivante :
1
Vs /Vsm >
2
On definit egalement une bande passante `a 6 dB pour laquelle on a :
Vs /Vsm >

3.2

1
2

Propri
et
es des syst`
emes de transmission

Nous allons nous interesser `


a des syst`emes de transmission qui poss`edent les trois proprietes
suivantes : linearite, continuite et stationnarite.

3.2.1

Syst`
emes lin
eaires

En considerant s1 (t) reponse de e1 (t) et s2 (t) reponse de e2 (t), le syst`eme de transmission


est dit lineaire si :
S.T.
a e1 (t) + b e2 (t) a s1 (t) + b s2 (t)
Il est important de remarquer que presque tous les syst`emes sont lineaires pour les faibles
signaux (premi`ere approximation). Dautre part, une des consequences de la linearite est que,
pour prevoir la reponse `
a une action quelconque, il suffit de connatre la reponse pour une
collection denombrable de signaux dentree. Un signal quelconque e(t) pouvant sexprimer sous
la forme :
+
X
[ai ei (t)]
(3.6)
e(t) =
i=1

et si (t) etant les reponses aux signaux ei (t), lextension de la propriete de linearite secrit de la
facon suivante :
+
+
X
X
S.T.
[ai si (t)]
(3.7)
[ai ei (t)] s(t) =
e(t) =
i=1

i=1

La reponse dun syst`eme lineaire est une composition (une superposition) des reponses des
entres. Le reponse de chaque entree est independante des autres. Le principe de superposition
est fondamentale `
a lanalyse des syst`emes.

3.2.2

Syst`
emes continus

Soit sn (t) la suite des reponses aux signaux dentree en (t), le syst`eme est dit continu si nous
avons la propriete suivante :
S.T.
lim en (t) lim sn (t)
(3.8)
n+

n+

Exemple. Il est interessant de noter quun integrateur pur est un syst`eme continu, mais
pas un derivateur pur . En effet considerons les signaux parametres par n de la forme :
sin(nt)
n

(3.9)

lim en (t) = 0

(3.10)

en (t) =
Nous avons le passage `
a la limite :
n+

27

Pour un syst`eme de transmission de type integrateur pur , nous avons :


Z t
Z t
1 cos(nt)
sin(nt)
dt =
en (t)dt =
sn (t) =
n
n2
0
0
et le passage `
a la limite de cette collection de signaux de sortie est :
Z t
lim en (t)dt
lim sn (t) = 0 =
0 n+

n+

(3.11)

(3.12)

Par consequent, le syst`eme de transmission de type integrateur pur est un syst`eme continu.
Pour un syst`eme de transmission de type derivateur pur , nous avons :


den (t)
d sin(nt)
sn (t) =
=
= cos(nt)
(3.13)
dt
dt
n
Il ny a donc pas de convergence des signaux de sortie (s(t) ne converge pas uniformement vers
0). Le syst`eme de transmission de type derivateur pur nest pas un syst`eme continu.
Syst`
emes stationnaires
Un syst`eme est stationnaire (ou encore invariant dans le temps) si son comportement est
independant de lorigine du temps, donc, si s(t) est la reponse `a e(t), nous avons :
S.T.

e(t ) s(t )

(3.14)

D
efinition : Les filtres sont definis comme des syst`emes de transmission lineaires, continus et
stationnaires.

3.2.3

Filtres et convolution

D
efinition
Une impulsion br`eve, injectee `
a lentree dun syst`eme de transmission lineaire, continu et
stationnaire, ne donne jamais en sortie une impulsion infiniment br`eve mais un signal de duree
finie. Cette reponse est appelee reponse impulsionnelle (ou percussionnelle) du filtre et notee
h(t). Dans le cas general pour un signal dentree quelconque, nous voulons etablir une relation
mathematique qui lie le signal dentree e(t) et le signal de sortie s(t) pour un syst`eme de
transmission possedant les trois proprietes vues precedemment que nous noterons S.T.-L.C.S.,
soit :
S.T.L.C.S.
e(t) s(t)
(3.15)
Premi`erement, h(t) etant la reponse impulsionnelle `a un signal dentree (t) (impulsion de
Dirac), la propriete de stationnarite du syst`eme de transmission etudie permet de dire que la
reponse `a un signal (tt0 ), obtenu par translation de t0 , correspond un signal de sortie h(tt0 )
ayant subi la meme translation (figure 3.2) :
S.T.L.C.S.

S.T.L.C.S.

(t) h(t) et (t t0 ) h(t t0 )

(3.16)

Si nous considerons une sollicitation de notre syst`eme de transmission par une impulsion
de type porte de largeur t et damplitude 1/t, nous obtenons une reponse que nous allons

28

Fig. 3.2 Reponse impulsionnelle dun syst`eme de transmission


noter ht (t). Le passage `
a la limite quand t 0, nous donne la reponse impulsionnelle definie
precedemment :
1
S.T.L.C.S.
t (t) ht (t) avec
t

lim {ht (t)} = h(t)

t0

(3.17)

Etant
donne les proprietes de linearite et de stationnarite de notre filtre, la reponse `a la meme
impulsion damplitude A et decalee temporellement de it est :
S.T.L.C.S.

A t (t it) A ht (t it) t

(3.18)

Soit un signal dentree quelconque e(t), on peut le decomposer en une suite dimpulsions de
largeur t (figure 3.3). Chacune de ces impulsions a une amplitude egale `a celle du signal `
a
cet instant : e(0), e(t), . . . , e(it) . . . De la meme mani`ere que pour limpulsion precedente, le
passage `a la limite de ce signal composite et (t) quand t 0, nous donne le signal dentree
e(t) :
X
et (t) =
e(it) t (t it) et lim {et (t)} = e(t)
(3.19)
t0

Fig. 3.3 Decomposition dun signal quelconque en impulsions


La reponse `
a ce signal et (t) correspond `a la somme des reponses `a toutes les impulsions de
largeur t et damplitude e(it), soit
X
X
S.T.L.C.S.
et (t) =
e(it) t (t it) st (t) =
e(it) ht (t it)t
(3.20)
i

29

Dapr`es la propriete de continuite, le passage `a la limite de ce signal composite st (t) quand


t 0, nous donne le signal sortie s(t), reponse `a e(t), soit :
Z +
e( )h(t )d
(3.21)
s(t) = lim {st (t)} =
t0

Cette integrale correspond `


a loperation dite de convolution, notee , soit :
Z +
e( )h(t )d
s(t) = e(t) h(t) =

(3.22)

La convolution exprime la reponse `a un signal quelconque a` partir de celle `a un signal type


(reponse impulsionnelle) ; la reponse depend du filtre, caracterise par h(t), et de lhistoire du
signal.
ps La convolution est loperation de traitement du signal la plus fondamentale. En effet, la
convolution indique que la valeur du signal de sortie `a linstant t est obtenue par la sommation
(integrale) ponderee des valeurs passees du signal dexcitation. La fonction de ponderation est
precisement la reponse impulsionnelle h(t).
D
efinition : Les filtres, qui sont definis comme des syst`emes de transmission lineaires,
continus et stationnaires, sont des syst`emes de convolution.

3.2.4

Propri
et
es de la convolution

Commutativit
e
x(t) y(t) = y(t) x(t)

(3.23)

Distributivit
e
Loperation de convolution est distributive par rapport a` laddition :
x(t) [y(t) + z(t)] = x(t) y(t) + x(t) z(t)

(3.24)

x(t) [y(t) z(t)] = [x(t) y(t)] z(t) = x(t) y(t) z(t)

(3.25)

Associativit
e

ement neutre
El
Lelement neutre de loperation de convolution est le pic de Dirac (t), soit :
x(t) (t) = (t) x(t) = x(t)

3.2.5

(3.26)

Calcul pratique de la convolution

Le calcul de la convolution peut etre decrit en plusieurs etapes (figure 3.4). Si lon cherche
la reponse s(t) `
a un instant donne t dun signal e(t) passant dans le filtre caracterise par la
reponse impulsionnelle h(t), il faut :
realiser la fonction h(t ) en retournant la fonction h(t) et decalant de (figure 3.5) ;
faire le produit e( )h(t ) ;
integrer la valeur de ce produit (variable ). La valeur de cette integrale est la valeur
de s(t) `
a linstant t ; pour avoir lensemble de la fonction s(t), on doit recommencer ces
operations.
30

Fig. 3.4 Visualisation de la complexite du calcul pratique de la convolution : pour chaque


point, il faut realiser le produit de deux fonctions et lintegrale de celui-ci

Fig. 3.5 Realisation de la fonction h(t ) : `a partir de la fonction h(t) faire la symetrie par
rapport `a laxe des ordonnees, puis decaler de +t sur laxe des abscisses

3.2.6

Th
eor`
eme de Plancherel

Le theor`eme de Plancherel concerne une relation tr`es importante entre la transformee de


Fourier et le produit de convolution qui senonce sous la forme suivante :
Th
eor`
eme de Plancherel : La transformee de Fourier dun produit de convolution est un
produit simple et reciproquement.
Ainsi, pour deux signaux x(t) et y(t) ayant pour transformees de Fourier respectives X(f )
et Y (f ), nous avons :
F

et

x(t) y(t) X(f ) Y (f )


F

x(t) y(t) X(f ) Y (f )

(3.27)
(3.28)

La demonstration de ce theor`eme utilise la relation de definition de la transformee de Fourier


(equation 2.25), soit :
Z +
x(t)ej2f t dt
(3.29)
F {x(t)} = X(f ) =

et

F {y(t)} = Y (f ) =

31

y(t)ej2f t dt

(3.30)

Soit le signal z(t), resultat de la convolution de x(t) et y(t), nous avons :


z(t) = x(t) y(t) =

x( )y(t )d

(3.31)

Calculons la transformee de Fourier Z(f ) de ce signal z(t) :


Z(f ) =

j2f t

z(t)e

dt =

soit
Z(f ) =

+ Z +

+ Z +

ou encore
Z(f ) =

[x(t) y(t)]ej2f t dt


x( )y(t )d ej2f t dt
j2f t

x( )y(t )e

d dt

En ecrivant ej2f t = ej2f ej2f (t ) , il vient :



Z + Z +
j2f
j2f (t )
[x( )e
] [y(t )e
]d dt
Z(f ) =

(3.32)

(3.33)

(3.34)

(3.35)

Comme les deux integrales peuvent etre inversees, nous avons :



Z +
Z +
j2f (t )
j2f
y(t )e
dt d
x( )e
Z(f ) =

(3.36)

en posant = t dans la deuxi`eme integrale, on obtient :



Z +
Z +
j2f
j2f
y()e
d d
x( )e
Z(f ) =

(3.37)

Puisque la deuxi`eme integrale est independante de , nous pouvons ecrire Z(f ) sous la forme
dun produit de deux integrales :

 Z +
Z +
j2f
j2f
y()e
d
(3.38)
x( )e
d
Z(f ) =

soit le resultat attendu : Z(f ) = X(f )Y (f )


Comme nous le verrons dans le chapitre suivant, ce theor`eme est particuli`erement important
dans letude des filtres (chapitre 4).
ps : Linteret principal du calcul du produit de convolution par transformees de Fourier est
que ces operations sont moins co
uteuses en temps pour un ordinateur que le calcul direct de
lintegrale.

3.2.7

Convolution des signaux p


eriodiques

Pour deux signaux periodiques reels x(t) et y(t) de periode T0 , on definit la convolution de
la mani`ere suivante :
Z T0
2
1
x(t) y(t) =
x( )y(t )d
(3.39)
T
T0 0
2

32

3.3
3.3.1

Introduction `
a la notion de corr
elation
Puissance et
energie des signaux

Toute transmission dinformation est liee `a une transmission denergie. Lorsque lon fait une
mesure, le processus subit toujours un prel`evement denergie de la part du dispositif de mesure.
Cette notion de puissance dun signal est donc tr`es importante. On peut caracteriser un signal
selon les crit`eres de puissance et denergie dans le plan temporel ou frequentiel.
Puissance temporelle dun signal
La puissance instantanee dun signal x(t) sexprime sous la forme :
p(t) = x(t) x (t) = |x(t)|2

(3.40)

La puissance moyenne dun signal x(t) sur une duree T0 est :


p(t, T0 ) =

1
T0

t+T0

x(t ) x (t )dt

(3.41)

Do`
u lenergie totale du signal x(t) :
Z
Z
x(t) x (t)dt =
Ex =

|x(t)|2 dt

(3.42)

Nous pouvons aussi definir la puissance instantanee dinteraction de deux signaux x(t) et
y(t) sous la forme suivante :
pxy (t) = x(t) y (t) et pyx (t) = y(t) x (t)

(3.43)

Nous pouvons remarquer que ces deux puissances pxy (t) et pyx (t) sont identiques si les
signaux x(t) et y(t) sont reels. La puissance moyenne dinteraction de deux signaux x(t) et y(t)
sur une duree T0 est donnee par :
Z t+T0
Z t+T0
1
1
pxy (t, T0 ) =
x(t ) y (t )dt et pyx (t, T0 ) =
y(t ) x (t )dt
(3.44)
T0 t
T0 t
Nous pouvons definir la puissance moyenne dinteraction de deux signaux non limites dans
le temps par les relations suivantes :

 Z t+T0
1

x(t ) y (t )dt
(3.45)
pxy (t) = lim
T0 + T0 t
et
pyx (t) =

lim

T0 +

1
T0

t+T0

y(t ) x (t )dt
t

(3.46)

Puissance fr
equentielle dun signal, densit
e spectrale
Si le signal x(t) a une transformee de Fourier X(f ), on definit le spectre de puissance dun
signal ou densite spectrale par :
Sxx (f ) = X(f ) X (f ) = |X(f )|2

33

(3.47)

Lenergie contenue dans une bande de frequence de largeur f autour dune frequence F0
est :
Z F0 +f /2
Sxx (f )df
Ex (f, F0 ) =
F0 f /2

Lenergie totale contenue dans le spectre X(f ) sexprime sous la forme :


Z +
Z +
Z +

|X(f )|2 df
X(f ) X (f )df =
Sxx (f )df =
Ex =

(3.48)

Nous pouvons aussi definir la densite spectrale dinteraction de deux signaux x(t) et y(t) de
transformees de Fourier respectives X(f ) et Y (f ) par :
Sxy (f ) = X(f ) Y (f ) et Syx (f ) = Y (f ) X (f )

3.3.2

(3.49)

Corr
elation et densit
e spectrale

D
efinition des fonctions de corr
elation pour les signaux `
a
energie finie
La fonction dautocorrelation dun signal x(t) est definie par :
Z +
x( ) x ( t)d
Rxx (t) =

(3.50)

La fonction dintercorrelation de deux signaux x(t) et y(t) est definie par :


Z +
x( ) y ( t)d
Rxy (t) =

(3.51)

Les fonctions de correlation traduisent la similitude dun signal ou de deux signaux au niveau
de la forme et de la position en fonction du param`etre de translation t. Dans le cas de la fonction
dautocorrelation, cest une etude de la ressemblance du processus avec lui-meme au cours du
temps, et, par consequent, si le signal est periodique, la fonction dautocorrelation permettra
de detecter cette periodicite.
La fonction dautocorrelation Rxx (t) poss`ede deux proprietes importantes. Pour des signaux
reels, la fonction dautocorrelation est paire, soit :
Rxx (t) = Rxx (t)
En effet si le signal x(t) est reel, nous avons :
Z
Z +

x( ) x ( t)d =
Rxx (t) =

et

Rxx (t) =

x( ) x( t)d

x( ) x( + t)d

En posant = + t, nous avons d = d ; il vient :


Z +
x( t) x()d = Rxx (t)
Rxx (t) =

Dautre part la fonction dautocorrelation a sa valeur maximale pour t = 0 :


|Rxx (t)| 6 Rxx (0)

Cette relation se comprend intuitivement par le fait que la fonction dautocorrelation etant
une analyse de la ressemblance dun signal avec lui-meme, le resultat de cette comparaison est
maximum lorsque le signal nest pas decale temporellement (t = 0), cest-`
a-dire identique `
a
lui-meme.
34

Relation avec la densit


e spectrale d
energie
Considerons la transformee de Fourier inverse de la densite spectrale dun signal x(t) quelconque :
F 1 {Sxx (f )} = F 1 {|X(f )|2 } = F 1 {X(f ) X (f )} = F 1 {X(f )} F 1 {X (f )}
soit
F

{Sxx (f )} = x(t) x (t) =

x( ) x( t)d = Rxx (t)

Do`
u la relation suivante :
Rxx (t) =

x( ) x( t)d

Sxx (f )

(3.52)

Et pour deux signaux x(t) et y(t) :


Rxy (t)

Sxy (f ) et

Ryx (t)

Syx (f )

Ainsi la transformee de Fourier de la fonction de correlation du signal represente la densite


spectrale de lenergie, cest-`
a-dire la redistribution de lenergie du signal sur laxe des frequences.
Aussi il sera souvent plus facile de calculer la fonction dautocorrelation ou dintercorrelation
dun signal en passant par son spectre ou sa densite spectrale.
Exemple : Considerons lexemple du signal porte de largeur : (t). La transformee
de Fourier de ce signal porte, calculee precedemment (paragraphe 2.2.3), est :
F { (t)} =

sin( f )
= sinc( f )
f

La densite spectrale de ce signal porte est donc :




sin( f ) 2
Sxx (f ) =
f

Etant
donne que la fonction porte est une fonction reelle et paire, la fonction dautocorrelation de ce signal sexprime sous la forme suivante :
Z +

() ( t)d
Rxx (t) = (t) (t) = (t) (t) =

Le calcul de cette integrale peut etre facilement obtenu en raisonnant sur la figure 3.6. En
effet ce calcul se resume a un calcul daire resultant de lintersection de deux rectangles. Un
rectangle correspondant au signal porte centre en = 0 et lautre rectangle correspondant
`a la fonction porte decale de t. Le resultat sexprime avec la fonction triangle, notee 2 (t),
de base egale `
a 2 et damplitude maximale 1 en t = 0 :
Rxx (t) = 2 (t)

35

Fig. 3.6 Fonction dautocorrelation de la fonction porte


Corr
elation de signaux p
eriodiques
Pour un signal periodique reel x(t) de periode T0 , on definit la correlation de la mani`ere
suivante :
Z T0
2
1
x( ) x( t) d
(3.53)
Rxx (t) =
T0 T0
2

Comme nous lavons vu dans le chapitre 2, tous les signaux periodiques peuvent sexprimer
sous la forme dun developpement en serie de Fourier (relation 2.1) :
x(t) = a0 +

+
X

[an cos(2nF0 t) + bn sin(2nF0 t)]

n=1

En appliquant la relation precedente de definition de la correlation, nous obtenons la fonction


dautocorrelation suivante :
+

Rxx (t) = a20 +

1X 2
[an + b2n ] cos(2nF0 t)
2

(3.54)

n=1

Nous pouvons effectivement conclure que la fonction dautocorrelation conserve linformation


frequence, mais pas les informations phase et amplitude. Le signal dautocorrelation poss`ede
toutes les frequences comprises dans le signal initial et uniquement ces frequences. Par contre la
representation de la fonction dautocorrelation est dautant plus distordue que le signal est riche
en harmoniques etant donne que laddition de ces signaux periodiques se fait sans coherence de
phase. Les distorsions de certains signaux riches en harmonique seront mises en evidence dans
le paragraphe suivant. Un exemple de cette distorsion est donne sur la figure 3.7.

36

Fig. 3.7 Fonction dautocorrelation dun signal formee dimpulsions de frequence fondamentale
1/T0 , mais irreguli`erement espacees
Pour deux signaux periodiques reels x(t) et y(t), on definit la correlation de la mani`ere
suivante :
Z T0
2
1
x( ) y( t) d
(3.55)
Rxy (t) =
T0 T0
2

Ainsi si ces signaux sont periodiques de meme periode T0 , ils peuvent sexprimer sous la
forme dun developpement en serie de Fourier (relation 2.8) :
x(t) =

+
X

X(nF0 )ej2nF0 t

et

y(t) =

+
X

Y (nF0 )ej2nF0 t

n=

n=

En appliquant la relation precedente de definition de la correlation, nous obtenons la fonction


dintercorrelation suivante :
Rxy (t) =

+
X

X(nF0 )Y (nF0 )ej2nF0 t

(3.56)

n=

Mais si ces signaux sont periodiques de periodes differentes T1 pour x(t) et T2 pour y(t),
ils peuvent sexprimer sous la forme des developpements en serie de Fourier suivants (relation
2.8) :
+
+
X
X
Y (nF2 )ej2nF2 t
X(nF1 )ej2nF1 t et y(t) =
x(t) =
n=

n=

En considerant la frequence F3 comme le PPCM (plus petit commun multiple de F1 et F2 ),

37

la fonction dintercorrelation est alors la suivante :


Rxy (t) =

+
X

X(npF1 )Y (nqF2 )ej2nF3 t

avec

F3 = pF1 = qF2

(3.57)

n=

La fonction dintercorrelation de deux signaux periodiques de periodes differentes est une


fonction periodique dont la frequence fondamentale est le PPCM des frequences des signaux
consideres. Si le rapport des frequences est irrationnel, alors la fonction dintercorrelation est
nulle.

3.3.3

Th
eor`
eme de Parseval

Il parat evident que lenergie totale dun signal ne depend pas de la representation choisie :
aussi elle sera la meme quil sagisse de la representation temporelle ou frequentielle. Les relations
3.42 et 3.48 permettent ainsi decrire :
Z
Z
2
|X(f )|2 df
(3.58)
|x(t)| dt =
Ex =

Dans le cas de deux signaux, nous avons :


Z
Z

x(t) y (t)dt =
Exy =
Eyx =

X(f ) Y (f )df

et

y(t) x (t)dt =

Y (f ) X (f )df

Ces relations expriment le theor`eme de Parseval.

3.4
3.4.1

Analyse cepstrale
D
efinition

Le cepstre dun signal x(t) est une transformation de ce signal du domaine temporel vers
un autre domaine analogue au domaine temporel. Pour rappeler le fait que lon effectue une
transformation inverse `
a partir du domaine frequentiel, les denominations des notions sont des
anagrammes de celles utilisees en frequentiel. Ainsi le spectre devient le cepstre, la frequence
une quefrence, un filtrage un liftrage . . .
Le cepstre a tout dabord ete defini en 1963 comme etant le resultat de la transformee de
Fourier appliquee au logarithme naturel de la transformee de Fourier du signal.
Cx ( ) = F {log(F {x(t)})}

(3.59)

Neanmoins, une autre definition apparue depuis est la transformee de Fourier inverse appliquee au logarithme de la transformee de Fourier du signal.
Cx ( ) = F 1 {log(F {x(t)})} = F 1 {log(|X(f )|) + j(f )} avec X(f ) = |X(f )|ej(f )

(3.60)

Cette seconde definition, bien que contestee, est la definition la plus repandue, voire la seule
utilisee, parmi chercheurs et professionnels du domaine du traitement du signal.

38

Cepstre complexe et cepstre r


eel
Le cepstre complexe (eq. 3.60) utilise le logarithme applique `a la valeur complexe de la
transformee de Fourier. Le cepstre complexe contient donc `a la fois linformation damplitude et
de phase du spectre du signal, ce qui va permettre notamment de reconstruire le signal de depart.
Le cepstre reel, lui, nutilise que lamplitude du spectre de ce signal, il perd donc la partie
de linformation contenue dans la phase et lon ne peut donc pas reconstruire parfaitement le
signal de depart `
a partir de ce cepstre.
Cx ( ) = F 1 {log(|X(f )|)}

(3.61)

La difference entre la definition de 1963 et celle daujourdhui vient peut-etre de l`a, la


definition de 1963 etant au depart celle du cepstre reel, lutilisation dune transformee inverse
serait simplement due `
a la generalisation aux valeurs complexes.
On peut egalement definir le Cepstre de puissance comme etant la transformee de Fourier
inverse du logarithme de la densite de puissance.
CxP ( ) = F 1 {log(Sx (f ))}

(3.62)

Propri
et
es
Le cepstre est un outil tr`es attractif dans le sens o`
u il permet de transformer un produit de
convolution en addition gr
ace au logarithme.
Considerons la relation entree sortie suivante,
y(t) = h(t) x(t).
Appliquons la transformee de Fourier,
Y (f ) = H(f )X(f ).
Le cepstre, du fait du logarithme, permet daboutir `a une somme,
Cy ( ) = Ch ( ) + Cx ( )
.
Do`
u linteret du cepstre pour beaucoup dapplication.
Applications
Le cepstre dun signal est utilise par exemple en traitement de la parole et en reconnaissance

vocale (annulation dechos). Egalement


en maintenance vibratoire des machines industrielles
(analyse des vibrations dengrenages).
Exemple
Lexemple suivant utilise le Cepstre complexe pour la detection dechos. On considere en effet
une sinusode de frequence 45Hz. On ajoute ensuite un echo damplitude egale `a la moitie de
lamplitude de la sinusode et ce apr`es 0.2 seconde. Le Cepstre complexe du signal resultant
detecte lecho `
a 0.2 seconde (voir figure 3.8)
39

1.5
1
0.5
0
0.5
1
1.5
0

0.2

0.4

0.6

0.8

1.2

0.2

0.4

0.6

0.8

1.2

0.5

0.5

Fig. 3.8 Utilisation du Cepstre complexe pour la detection dechos


Vocabulaire (Bogert 1963)
Spectre
frequence
filtrage
phase
Harmonique
Periode
Amplitude

3.5

cepstre
quefrence
liftrage
saphe
Rahmonique
Repiode
Gamnitude

Transform
ee de Hilbert

La transformee de Hilbert tient son nom du mathematicien David Hilbert1 . Cest un outil
mathematique tr`es utilise en theorie du signal pour decrire lenveloppe complexe dune grandeur
reelle modulee par un signal (voir plus loin pour plus dexplications).
En mathematiques et en theorie du signal, la transformee de Hilbert, ici note H dune
fonction `a variable reelle x(t), est obtenue par convolution du signal x(t) avec 1/(t), ce qui
donne xh (t). De plus, la transformee de Hilbert xh (t) peut etre interpretee comme la sortie dun
syst`eme lineaire invariant, de reponse impulsionnelle 1/(t), excite par lentree x(t).
1
David Hilbert (23 janvier 1862 `
a K
onigsberg[1] en Prusse-Orientale 14 fevrier 1943 `
a G
ottingen, Allemagne)
est un mathematicien allemand. Il est souvent considere comme un des plus grands mathematiciens du XXe si`ecle,
au meme titre que Henri Poincare. Il a cree ou developpe un large eventail didees fondamentales, que ce soit
la theorie des invariants, laxiomatisation de la geometrie ou les fondements de lanalyse fonctionnelle (avec les
espaces de Hilbert).

40

3.5.1

D
efinition

Voici la definition exacte de la transformee de Hilbert2 :



Z
Z

1
x( )
x( )h(t )d = vp
xh (t) = H{x} = h(t) x(t) = vp
d

t
o`
u
h(t) =

1
t

(3.63)

(3.64)

et
vp

Z

x( )h(t )d

= lim

Z

x( )h(t )d +

t+

x( )h(t )d

(3.65)

vp etant labreviation de valeur principale de Cauchy (voir annexe 10).

3.5.2

R
eponse fr
equentielle

La reponse en frequence, du filtre h(t), est purement imaginaire et secrit mathematiquement :


H(f ) = j sgn(f )

(3.66)

Xh (f ) = H(f )X(f ),

(3.67)

Ainsi :

La transformee de Hilbert a pour effet de tourner de +90 la composante de frequence


negative de s(t) et de 90 la composante de frequence positive (voir figure 3.9).

Fig. 3.9 Reponse en frequence ideal du filtre de quadrature de phase.


Exemple
cos(2f0 t)
sin(2f0 t)

sin(2f0 t)
cos(2f0 t)

(3.68)

Ceci peut etre explique de point de vue spectral i.e. multiplier la partie du spectre de frequences
negatives par j et la partie du spectre de frequences positives par j.
2

Lintegrale est determinee par la valeur principale (VP) de Cauchy car le calcul de ce produit de convolution
pose un probl`eme de convergence pour = t.

41

3.5.3

Transform
ee de Hilbert inverse

On peut remarquer que H 2 (f ) = 1. Donc si on multiplie lequation precedente par H(f )


on obtient :
X(f ) = H(f )Xh (f )
(3.69)
o`
u la transformee de Hilbert inverse apparait clairement :
x(t) = h(t) xh (t) = H{xh }(t).

3.5.4

(3.70)

Signal analytique

On appelle signal analytique associe au signal x(t), le signal complexe defini par :
xa (t) = x(t) + j xh (t)

(3.71)

dans lequel xh (t) est la transformee de Hilbert de x(t) vue precedemment. La partie imaginaire xh (t) est en quadrature avec x(t) (dephases de 2 ).
Par consequent, le spectre damplitude du signal analytique se decompose en trois partie :
Xa (f ) =
0
Xa (f ) = X(f )
Xa (f ) = 2X(f )

si f < 0
si f = 0
si f > 0

(3.72)

Aussi, on en deduit que le module de xa (t) represente lenveloppe de lamplitude du signal x(t).
q
(3.73)
|xa (t)| = x2 (t) + x2h (t)

Do`
u linteret dexploiter le concept de signal analytique pour la detection de lenveloppe dun
signal.
Exemple
On considere une sinusode de frequence 256Hz. La transformee de Hilbert du signal sin(2f0 t)
est le signal cos(2f0 t) comme le montre la figure (3.10). En effet, le signal analytique associe
au signal sin(2f0 t) a une partie reelle egale `a sin(2f0 t) et une partie imaginaire egale `
a
cos(2f0 t). Par consequent, la transformee de Fourier du signal analytique est purement
imaginaire (3.10).

3.5.5

Enveloppe complexe

Lobjectif est de representer un signal `a bande etroite x(t) en faisant apparaitre un signal `
a
bande de base.
Soit xa (t) le signal analytique associe `a x(t). Ce dernier est tel que X(f ) 6= 0 si f
[f0 B, f0 + B] [f0 B, f0 + B] avec f0 represente la frequence du centre de la bande de
largeur 2B. Par consequent, Xa (f ) = 2X(f ) si f [f0 B, f0 + B] (voir figure 3.11).
Lenveloppe complexe associee `
a x(t) est definie par,
xe (t) = u(t) + jv(t) avec Xe (f ) = Xa (f + f0 )
Par consequent xe (t) = xa (t)ej2f0 t . Ainsi, Xe (f ) 6= 0 si f [B, B] (voir figure 3.12).
Ou encore
xe (t) = (x(t) cos(2f0 t) + xh (t) sin(2f0 t)) + j (xh (t) cos(2f0 t) x(t) sin(2f0 t))
42

(3.74)

sin
TH (sin)

0.5
0
0.5
1
0

0.005

0.01

0.015

0.02

0
100
200
300
400
500
4000

3000

2000

1000

1000

2000

3000

4000

Fig. 3.10 Transformee de Fourier du signal analytique associe au signal sin(2tf0


Spectres

|Xa (f )|
|X(f )|

|X(f )|

f
f0

f0

Fig. 3.11 Representation frequentielle dun signal `a bande etroite et le signal analytique
associe
On en deduit alors les valeur de u(t) et v(t) comme suit, u(t) = x(t) cos(2f0 t)+xh (t) sin(2f0 t)
et v(t) = xh (t) cos(2f0 t) x(t) sin(2f0 t).
Le signal `
a bande limitee x(t) peut alors sexprimer en fonction de lenveloppe complexe
associee,
x(t) = Re{xa (t)} = Re{xe (t)ej2f0 t } = u(t) cos(2f0 t) v(t) sin(2f0 t)

43

(3.75)

Spectres

|Xe (f )|

|Xa (f )|

f
f0

f0

Fig. 3.12 Representation frequentielle dun signal `a bande etroite et le signal analytique
associe

44

Chapitre 4

Filtrage des signaux analogiques


4.1
4.1.1

Transform
ee de Laplace
D
efinition

Comme nous lavons vu dans le chapitre 2, la transformee de Fourier du signal non periodique
s(t) secrit sous la forme (equation 2.25) :
Z +
s(t)ej2f t dt
F{s(t)} = S(f ) =

S(f ) nexiste que si cette integrale a une valeur finie (convergente). Dans le cas contraire on peut
rendre cette integrale convergente en multipliant s(t) par et , la valeur est reelle positive et
est appelee rayon de convergence . Cela conduit `a definir une nouvelle grandeur, appelee
frequence complexe , p :
p = + j2f
(4.1)
La transformation de Laplace1 est obligatoirement appliquee `a des signaux dits causaux,
cest-`
a-dire nuls avant t = 0. (Pour les signaux non causaux, des astuces de decalages existent).
Dautre part, une forme particuli`ere de la transformee de Laplace dite transformee bilaterale
de Laplace, dans laquelle lintegration se fait `a partir de moins linfini () plut
ot qu`a partir
de zero. Elle a pour propriete de rendre les raisonnements mathematiques plus simples, moyennant quelques precautions supplementaires car elle ne converge que si la fonction `a laquelle on
lapplique tend rapidement (plus rapidement quune fonction exponentielle) vers zero pour les
valeurs dabscisses negatives.
ps : Lequivalent discret de la transformee de Laplace est la transformee en Z qui est un outil
mathematique de traitement du signal.
Si de plus on consid`ere un signal causal (nul pour t < 0), on obtient la transformee de
Laplace, notee L , :
Z +
L{s(t)} = S(p) =
s(t)ept dt
0

La transformee de Laplace est tr`es utile dans letude des regimes transitoires qui verifient le
principe de causalite. En particulier, elle sera un outil important dans letude des filtres basee
sur la reponse impulsionnelle (signal causal). Dune mani`ere generale, cette transformee est

1
Pierre-Simon de Laplace, ne le 23 mars 1749 `
a Beaumont-en-Auge et mort le 5 mars 1827 `
a Paris, est un
mathematicien, astronome et physicien francais.

45

loutil de base dans le domaine de lautomatique, cest-`


a-dire des syst`emes boucles.
En general, La transformee de Laplace permet de convertir une equation differentielle en une
equation lineaire o`
u disparaissent les formes derivees. Une telle pratique permet de transposer
le probl`eme de lespace des temps (notre monde temporel), vers un espace dit des phases (un
monde parall`ele), de le resoudre dans cet espace, puis de transposer de nouveau la solution vers
le monde reel (lespace temporel de nouveau).
Le seul but de cette presentation est de rapprocher les deux principaux outils utilises dans
le cadre des signaux continus. Dans le cas dun regime harmonique etabli, on peut remplacer p
par j2f ou j dans la transformee de Laplace. Un ensemble de transformees de Laplace est
donne en annexe 8.

4.1.2

Transform
ee de Fourier et transform
ee de Laplace

Si on a une fonction s(t) telle que s(t) = 0 pour t < 0, alors on a la relation :
F{s(t)} = L{s(t)}p=j2f

4.1.3

Propri
et
es de la transform
ee de Laplace

On retrouve les memes proprietes pour la transformation de Laplace que pour la transformation de Fourier. Soit la fonction x(t) et la transformee de Laplace X(p) de ce signal, nous
ecrirons :
L
x(t) L{x(t)} = X(p)
Les principales proprietes de la transformee de Laplace, similaires `a celles de la transformee
de Fourier, sont :
Lin
earit
e
La propriete de linearisation nous permet de trouver plus facilement la transformee de
Laplace dune fonction en la decomposant comme une combinaison des transformees de fonctions
plus simples.
L

ax(t) + by(t) aX(p) + bY (p)


avec a et b des constantes.
Homoth
etie (figure 2.8)
p
1
L
x(at) X( ) avec a > 0
a
a
Translation
L

x(t a) X(p)eap avec a R


et
x(t)ebp

L
X(p

b) avec b R

46

D
erivation
d
L

(1)n tn x(t)
et
dn (x(t))
dtn

L
pn X(p)

"

pn1 x(0) +

pour n = 1 :
d(x(t))
dt

n (X(p))

dpn

n
X

pni

i=2

L
pX(p)

di1 (x(t))
dti1

t=0+

x(0)

Int
egration
Z

et

x( )d

1
L
X(p)
p

1
x(t)
t

X()d

Transform
ee dune fonction p
eriodique
Soit x(t) une fonction periodique de periode T0 , nous avons :
x(t)

L
X(p)

1
=
1 epT0

T0

ept x(t)dt

Th
eor`
emes de la valeur initiale et de la valeur finale
Le theor`eme de la valeur initiale donne la valeur du signal `a linstant 0 en fonction de sa
transformee de Laplace :
x(0) = lim {pX(p)}
p+

Le theor`eme de la valeur finale donne la valeur du signal `a linfini en fonction de sa transformee de Laplace :
x() = lim {pX(p)}
p0

Convolution et transform
ee de Laplace
Nous avons la meme relation que pour la transformee de Fourier (paragraphe 3.2.6), soit :
L

(4.2)

x(t) y(t) X(p) Y (p)

(4.3)

x(t) y(t) X(p) Y (p)


et

47

4.1.4

Transform
ee de Laplace inverse

La transformee de Laplace inverse unilaterale s(t) dune fonction S(p) est definie par :
Z +
1
1
S(p)ept dp
L {S(p)} = s(t) =
j2
o`
u le chemin dintegration peut etre choisi quelconque dans le plan complexe `a condition de
rester dans le domaine de convergence de S(p).

4.2
4.2.1

Filtrage ou fen
etrage temporel
Principes g
en
eraux

Le terme de filtrage est habituellement utilise dans le domaine frequentiel. Aussi dans
le domaine temporel, nous parlerons plus de fenetrage, que de filtrage temporel, qui peut etre
defini comme loperation consistant `
a prelever, interrompre ou seulement attenuer un signal :

Ainsi, le signal de sortie s(t) est le produit du signal dentree e(t) et de la fonction temporelle
du filtre ou de la fenetre gfen (t) :
s(t) = gfen (t) e(t)
La modification quentrane ce fenetrage ou filtrage temporel au niveau du spectre en
frequence de e(t) est donnee en appliquant le theor`eme de Plancherel (paragraphe 3.2.6) :
F

s(t) = gfen (t) e(t) S(f ) = Gfen (f ) E(f )


Par consequent, pour un filtre de fonction temporelle gfen (t) quelconque, le spectre du signal
de sortie sera different de celui du signal dentree `a cause du produit de convolution (figure
4.1). Ainsi les actions temporelles telles que le prel`evement dun signal gfen,1 (t) (cas de toutes
mesures realisees pendant un temps fini) ou linterruption gfen,2 (t) (interrupteur monte sur le
circuit dun haut-parleur) ou encore lattenuation gfen,3 (t) (attenuation realisee pendant un
temps fini `a laide dun potentiom`etre reglant le volume du son) sont des filtres temporels qui
vont modifier le spectre du signal.
Dans le premier cas gfen,1 (t) (decoupage dune tranche temporelle dun signal), si la duree
T , dite duree de la mesure, tend vers linfini, alors gfen, gfen,1 (t) = 1 pour tout t, or :
F

gfen (t) = 1 Gfen (f ) = (f )


donc
s(t) = gfen (t) e(t) = e(t)
et
S(f ) = Gfen (f ) E(f ) = (f ) E(f ) = E(f )
Nous nobtenons ainsi aucune modification du signal.

48

Fig. 4.1 Filtrage ou fenetrage temporel

4.2.2

Le fen
etrage temporel

Lenregistrement par un appareil ou le traitement par ordinateur dun signal impose un


temps fini au signal quil soit analogique ou echantillonne. Ce probl`eme de la duree finie dun
signal est celui de la mesure.
Pour realiser une formulation de cette troncature temporelle du signal, on utilise la fonction
porte temporelle (t) de largeur . Comme nous lavons vu au chapitre 2 la transformee
de Fourier de cette fonction porte est la fonction sinus cardinal sinc( f ) (figure 4.2). Ainsi,
les relations de modifications du signal dues `a la mesure sur une duree finie sont :


sin( f )
s(t) = (t)e(t) et S(f ) =
E(f )
(4.4)
f
Linfluence de cette fenetre temporelle sur le signal et sur son spectre peut etre tr`es importante. Plus lobservation ou la mesure du signal sera longue et plus le spectre du signal sera
precis, cest-`
a-dire peu perturbe par cette fenetre temporelle physiquement inevitable.
Prenons lexemple dun signal cosinusodal pur de periode T0 . Le spectre de ce signal est
represente par deux pics de Dirac situes aux frequences F0 et F0 . Soit :
1
s(t) = cos(2F0 t) et S(f ) = [(f + F0 ) + (f F0 )]
2
En utilisant les relations precedentes, on obtient le signal mesure s(t) (cest-`
a-dire e(t)
49

Fig. 4.2 Transformee de Fourier de la fonction porte ou rectangle


tronque et limite `
a ):
s(t) = cos(2F0 t) (t)
ou
s(t) = cos(2F0 t) pour t [ /2, /2] et s(t) = 0 pour t
/ [ /2, /2]
et son spectre S(f ) :


 
sin( f )
1
S(f ) =
[(f + F0 ) + (f F0 )]
f
2
soit



sin( (f + F0 )) sin( (f F0 ))
+
S(f ) =
2
(f + F0 )
(f F0 )

Nous obtenons ainsi un spectre forme de deux fonctions de type sinc centrees sur les
frequences F0 et F0 (figures 4.3 et 4.4).

Fig. 4.3 Modification du spectre en frequence dun signal sinusodal par une troncature temporelle : (a) spectre du signal theorique infini et (b) spectre du signal tronque temporellement
Dans le cas general dun signal periodique quelconque avec un spectre forme dun ensemble
de raies de diverses importances, le fenetrage temporel, cest-`
a-dire la mesure dun tel signal,
conduit `a un spectre forme de la somme de toutes les fonctions sinc placees au niveau des
frequences existantes avec une amplitude proportionnelle `a limportance de la raie. Ce resultat
peut conduire `
a une interpretation erronee du spectre : distinction impossible de deux frequences

50

Fig. 4.4 Modification du spectre dun signal sinusodal tronque : exemple dun signal limite
`a 5 periodes, le spectre obtenu correspond `a la valeur absolue du spectre calcule
proches, localisation dune frequence sans existence reelle, . . ..
Remarque : il est donc important de constater que le spectre dun signal tronque temporellement, cest-`
a-dire mesure sur un temps fini (cas reel), va etre modifie dans le sens o`
u
chaque composante du spectre sera transformee en une forme sinc(x). Ce resultat correspond
au principe dincertitude : une connaissance compl`ete du signal sur laxe des temps conduit `
a
une determination precise dans le domaine frequentiel alors quune connaissance limitee temporellement du signal induit un flou sur la determination du spectre de ce signal.
Exemple : Considerons lexemple dej`a etudie dun laser impulsionnel femtoseconde ( =
10 fs) (paragraphe 2.2.2). La longueur donde etant dans linfrarouge proche ( = 1m), la
periode doscillation T de cette onde electromagnetique est :
T =

= 0, 33 1014 s
c

ou
F = 3 1014 Hz
Pendant la duree de limpulsion, il y aura donc 3 periodes doscillations. On peut evaluer la
largeur du lobe central du spectre en frequence et la variation de la longueur donde correspondante :
1
F = = 1014 Hz

Ainsi, comme nous lavions vu, un laser femtoseconde nest pas monochromatique ( =
0, 75m).
Comment limiter les effets du fenetrage temporel (attenuer ou laisser le lobe principal et les
lobes secondaires) !
51

De nombreuses etudes ont ete realisees afin dobtenir des fenetres temporelles minimisant
la deformation (Smoothing Windows), cest-`
a-dire possedant un spectre plus proche des caracteristiques souhaitees(fenetre de ponderation comme fenetre triangulaire ou fenetre de Bartlett, Hanning, Hamming,. . .).

4.3

Filtrage fr
equentiel

Les termes de filtre ou de filtrage sappliquent en general plus `a des syst`emes definis par
un produit dans lespace des frequences. De la meme mani`ere que dans le domaine temporel,
nous parlerons de filtrage frequentiel comme loperation consistant `a prelever, interrompre ou
seulement attenuer tout ou partie des composantes frequentielles dun signal :

Ainsi, le spectre S(f ) du signal de sortie s(t) est le produit du spectre E(f ) signal dentree
e(t) et de la fonction frequentielle du filtre H(f ).

4.3.1

Th
eor`
eme fondamental des filtres

Le theor`eme fondamental des filtres sappuie sur la definition meme des filtres comme
syst`emes de convolution. Le filtre est defini par sa reponse impulsionnelle, notee h(t), et par sa
fonction de transfert, notee H(f ) ou H(p) reciproquement transformee de Fourier ou de Laplace
de h(t). La reponse s(t) dun tel filtre `a un signal dentree e(t) est donnee par les operations
suivantes :
S(f ) = H(f ) E(f )
(4.5)
et
s(t) = e(t) h(t) =

e( )h(t )d

(4.6)

Dans la pratique, un filtre sera souvent caracterise par sa reponse indicielle, cest-`
a-dire sa
reponse `a un echelon unite u(t), signal dej`a etudie au paragraphe 2.2.3. Soit :
Z +
u( )h(t )d
(4.7)
s(t) = u(t) h(t) =

La relation de base 4.6 peut prendre differentes formes suivant les caracteristiques de e(t)
et h(t) :
52

e(t) et h(t) quelconques :


s(t) =

e( )h(t )d =

h( )e(t )d

h(t) causal ( filtre realisable : paragraphe suivant) :


Z t
s(t) =
e( )h(t )d

e(t) causal (exemple du signal u(t) echelon unite ) :


Z +
e( )h(t )d
s(t) =
0

e(t) et h(t) causaux :


s(t) =

e( )h(t )d

` partir de ces relations, il est possible de determiner la reponse `a une action ou signal
A
dentree quelconque. Mais il peut etre tr`es interessant de passer dans le domaine frequentiel
pour determiner la reponse, car loperation `a realiser est alors un produit simple. Le passage
du domaine temporel au domaine frequentiel pour le signal dentree se fait par transformee de
Fourier ou de Laplace, de meme le retour dans le domaine temporel pour le signal de sortie se
fait par les transformations inverses (le calcul de ces transformees se faisant `a partir des tables
des fonctions usuelles, des proprietes et des r`egles operatoires de base).
Soit le chemin de calcul suivant :

Une des applications les plus importantes de ce processus est le calcul de la reponse de
filtres en chane. Si n filtres, caracterises par leur reponse impulsionnelle hi (t) et leur fonction
de transfert Hi (f ) ou Hi (p), sont mis en serie, on peut les remplacer par un filtre equivalent
dont la reponse impulsionnelle peut etre calculee par :
h(t) = h1 (t) h2 (t) hi (t) hn (t)
Ce calcul est relativement difficile a` effectuer. Par contre le calcul de la fonction de transfert
equivalente sera tr`es simple :
H(f ) = H1 (f )H2 (f ) . . . Hi (f ) . . . Hn (f ) =

n
Y

Hi (f )

i=1

Il est toutefois tr`es important de noter que ce calcul nest possible que si la mise en chane
des filtres ne modifie pas leurs caracteristiques, cest-`
a-dire si limpedance de sortie du filtre est
tr`es petite par rapport `
a limpedance dentree du filtre suivant.
53

4.3.2

Filtres r
ealisables

Un filtre est realisable si sa reponse impulsionnelle h(t) est nulle pour t < 0 : car leffet
ne peut preceder la cause. Tout syst`eme physique aura donc une reponse impulsionnelle h(t)
reelle quelconque (ni paire, ni impaire), par consequent, la fonction de transfert H(f ) sera
obligatoirement complexe :
H(f ) = |H(f )|ej(f )
Le spectre S(f ) de la reponse s(t) du filtre `a un signal e(t), ayant pour transformee de
Fourier E(f ), montre que tout filtre physique realisable dephase :
S(f ) = E(f ) H(f ) = E(f ) |H(f )|ej(f )
Exemple : Il est interessant detudier le cas dun filtre passe-bas ideal de frequence de
coupure Fc . Le spectre de ce filtre peut etre modelise par la fonction porte , etudiee
precedemment, soit :
H(f ) = 2Fc (f )
La reponse impulsionnelle de ce filtre est la transformee de Fourier inverse de la fonction de
transfert, soit :
sin(2Fc t)
h(t) =
t
On constate que la reponse impulsionnelle h(t), ainsi obtenue, nest pas causale. Par consequent,
nous pouvons en deduire quun filtre passe-bas ideal nest pas realisable.
Dans le cas des filtres realisables, il est possible de calculer plus compl`etement la reponse
indicielle suivant lequation 4.6. Le filtre etant realisable, sa reponse impulsionnelle h(t) peut se
mettre sous la forme causale :
h(t) = h0 (t)u(t)
avec h0 (t) une fonction quelconque
Ainsi, nous obtenons la reponse indicielle sind (t) dun filtre realisable :
Z t
h0 ( )d
sind (t) = h(t) u(t) = [h0 (t)u(t)] u(t) =

(4.8)

Les filtres analogiques continus realisables sont construits `a partir des composants electroniques :
resistances, capacites, self-inductances et amplificateurs operationnels. Le fonctionnement de ces
filtres est caracterise par des equations integro-differentielles lineaires `a coefficients constants
entre le signal dentree e(t) et le signal de sortie s(t). En utilisant la transformee de Laplace,
cette relation donne une fonction de transfert H(p) qui est le quotient de deux polynomes :
Pm
ai pi
S(p)
= Pni=0
(4.9)
H(p) =
j
E(p)
j=0 bj p

Cette relation 4.9 peut sexprimer sous la forme dune somme ou dun produit des quatre
fonctions elementaires suivantes :
filtre passe-bas du premier ordre (paragraphe suivant) :
H1 (p) =
avec le temps de reponse.
54

1
1 + p

(4.10)

filtre passe-haut du premier ordre (paragraphe suivant) :


p
1 + p

(4.11)

1
1 + 2 p + ( p)2

(4.12)

H2 (p) =
avec le temps de reponse.
filtre passe-bas du deuxi`eme ordre :
H3 (p) =

avec le temps de reponse et le coefficient damortissement.


filtre passe-haut du deuxi`eme ordre :
H4 (p) =

( p)2
1 + 2 p + ( p)2

(4.13)

avec le temps de reponse et le coefficient damortissement.

4.3.3

Les diff
erents types de filtres

Dans le paragraphe precedent, nous avons etudie les filtres en terme de fonction de transfert,
ce qui nous a amenes `
a decliner les quatre types dequations 4.10 `a 4.13. Mais en se placant
au niveau de lutilisation du filtre frequentiel (elimination de certaines frequences), il est plus
logique de considerer les quatre types de filtres qui peuvent etre utilises : filtre passe-bas, filtre
pase-haut, filtre passe-bande et filtre coupe-bande ou rejecteur. Les courbes de gain ou gabarits
de ces filtres sont presentes sur la figure 4.5.

Fig. 4.5 Les quatre types de filtres realisables avec leurs param`etres : filtre passe-bas (a),
filtre passe-haut (b), filtre passe-bande (c) et filtre rejecteur (d)
En plus des frequences de coupure Fc haute (et/ou basse), les param`etres essentiels qui
caracterisent ces differents filtres sont :
pente des transitions : plus cette pente est forte, meilleur est le filtre, car les frequences
`a eliminer (i.e., frequences superieures `a la frequence de coupure pour un filtre passe-bas)
sont alors fortement et rapidement attenuees ;
55

ondulation de la bande passante : plus cette ondulation est faible, meilleur est le filtre,
car les frequences `
a conserver (i.e., frequences inferieures `a la frequence de coupure pour
un filtre passe-bas) sont alors peu alterees.
La realisation des filtres de type passe-bande et coupe-bande (ou rejecteur) se fait `a partir
de lassociation des fonctions de transfert de base des filtres passe-bas et passe-haut. Ainsi
considerons les deux fonctions de transfert de base donnees par les equations 4.10 et 4.11 :
filtre passe-bas de frequence de coupure Fc :
Hpassebas (f ) =

1
1 + j Ffc

filtre passe-haut de frequence de coupure Fc :


Hpassehaut(f ) =

j Ffc
1 + j Ffc

Les fonctions de transfert des filtres passe-bande et coupe-bande sexpriment par lassociation
(produit de fonctions de transferts precedentes) :
filtre passe-bande entre les frequences Fc1 et Fc2 :
Hpassebande (f ) =

j Ffc1

1 + j Ffc2 1 + j Ffc1

avec Fc1 < Fc2

filtre coupe-bande ou rejecteur entre les frequences Fc1 et Fc2 :


Hcoupebande (f ) =

j Ffc2

1 + j Ffc1 1 + j Ffc2

avec Fc1 < Fc2

Differentes fonctions de transfert peuvent etre proposees pour repondre au mieux dune part
au type de filtre demande et dautre part aux deux caracteristiques de base (pente et ondulation)
qui sont souvent lobjet dun compromis. Ainsi nous pouvons citer les deux types de filtres les
plus connus :
filtre Butterworth. Ces filtres sont bases sur une courbe de gain de la forme suivante :
s
1
|G(f )| =
1 + (f /Fc )2n
avec Fc la frequence de coupure et n lordre du filtre.
Ces filtres ont lavantage davoir une ondulation residuelle tr`es faible. En revanche la pente
dattenuation reste fonction du param`etre n, comme pour des filtres classiques n.6 dB/oct.
Des exemples dutilisation de filtres passe-bas, passe-haut et coupe bande sur la base des
filtres de Butterworth sont presentes sur les figures 4.7, 4.8 et 4.9.
filtre Tchebychev. Ces filtres sont bases sur une courbe de gain de la forme suivante :
s
1
|G(f )| =
1 + [Gn (f )]2n
Les fonctions indicees Gn (f ), appelees polynome de Tchebychev, se calculent par recurrence
a` partir de lequation suivante :
Gn+2 (f ) = f Gn+1 (f ) Gn (f ) avec G0 (f ) = 1 avec G1 (f ) =
56

f
Fc

Ces filtres presentent linconvenient davoir une ondulation residuelle faible et constante,
mais en revanche, ils poss`edent une pente dattenuation tr`es forte liee au param`etre n,
appele ordre du filtre.
En effet, les filtres de Tchebychev sont des filtres caracterises par lacceptation dune ondulation, en bande passante ou bien en bande attenuee. Dans le premier cas, on parle de filtres de
Tchebychev de type 1 ou directs. Le cond cas correspond aux filtres de Tchebychev de type 2
ou inverses. Les filtres qui presentent une ondulation `a la fois en bande passante et en bande
attenuee sont appeles filtres elliptiques. Les filtres elliptiques poss`edent trois degres de liberte,
contrairement aux autres filtres qui nen presentent que deux au maximum : leur ordre, londulation en bande passante et la raideur de la coupure, laquelle determine egalement lattenuation
minimale en bande attenuee. Dans les tables, ils apparaissent donc sous la forme : (n, , ), o`
u
n est lordre, est londulation et langle de coupure (la raideur) : = 90 correspond `a une
` = 0,
bande de transition nulle, et `
a = 0 on retrouve un filtre de Tchebychev de type 1. A
on revient `a un filtre de Tchebychev de type 2.
La figure 4.6 les fonctions de transfert de quatre filtres. Les graphes sont obtenus en utilisant
les meme param`etres et nombre de coefficients pour les differents filtres.
Butter

Chebyshev type1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0
0

0.2

0.4

0.6

0.8

0.2

Chebyshev type2
1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0
0.2

0.4

0.6

0.6

0.8

0.8

Elliptique

0.4

0.8

0.2

0.4

0.6

Fig. 4.6 Diagramme de Bode des gains des filtres : Butterworth, Tchebychev de type 1,
Tchebychev de type 2 et elliptique
Les filtres de Butterworth sont les seuls filtres lineaires dont la forme generale est similaire
pour tous les ordres (mis `
a part une pente differente dans la bande de coupure). Leur gain est
57

nettement plus constant dans la bande passante.


Les filtres elliptiques ont une pente dattenuation tr`es forte mais presentent des ondulations `
a
la fois dans la bande passante et dans la bande de coupure. Les deux filtres de Chebyshev ont
un comportement mitige i.e. `
a cheval entre les filtres de Butterworth et elliptiques. Les filtres
de Chebyshev de type 1 presentent des ondulation seulemtent dans la bande coupee. Tandis
que, Les filtres de Chebyshev de type 2 presentent des ondulation seulemtent dans la bande
passante.
Des exemples dutilisation de filtres passe-bas, passe-haut et coupe bande sur la base des
filtres de Butterworth sont presentes sur les figures suivantes.

Fig. 4.7 Comparaison des effets dun traitement par filtre passe-bas de frequence de coupure
egale `a 2,5 kHz de type Butterworth : filtre dordre 1 (a), filtre dordre 4 (b)

58

Fig. 4.8 Comparaison des effets dun traitement par filtre passe-haut de coupure egale `a 2
kHz de type Butterworth : filtre dordre 1 (a), filtre dordre 4 (b)

Fig. 4.9 Comparaison des effets dun traitement par filtre coupe-bande de type Butterworth :
filtre dordre 1 et attenuation des frequences comprises entre 4 kHz et 6 kHz
59

Chapitre 5

Annexe A : Distribution de Dirac


5.1

D
efinitions

Limpulsion de Dirac ou la distribution de Dirac peuvent etre vues comme un outil symbolique permettant de formuler des expressions. Limpulsion de Dirac ou pic de Dirac, notee
, peut etre percue comme la limite dune impulsion damplitude A et de duree 1/A lorsque A
tend vers linfini. Laire de cette impulsion est constante et egale `a 1 quel que soit A. Le pic de
Dirac sera defini comme ayant un poids ou une masse de 1 en x = 0 (figure 5.1). Dans le
domaine du traitement du signal, le pic de Dirac (x) est une distribution ou fonction qui
verifie :
Z
(x)dx = 1
(5.1)
(x) = 0 pour x 6= 0 et

impulsion

(x)

1/A

si A

Fig. 5.1 Representation de limpulsion ou pic de Dirac


Utilise pour la demonstration de lechantillonnage des signaux, le peigne de Dirac, qui
secrit PgnA (x), est une suite de pics de Dirac reguli`erement espaces de A, appele periode du
peigne de Dirac. Soit la relation de definition (figure 5.2) :
PgnA (x) =

+
X

k=

5.2

(x kA)

Principales propri
et
es

Il est important de souligner que, pour des raisons de facilite, les operations decrites ci-apr`es
utilisent des notations identiques `
a celles utilisees pour les fonctions bien que nous soyons dans
le domaine des distributions.
60

Fig. 5.2 Representation de limpulsion ou pic de Dirac

5.2.1

Propri
et
es de localisation (op
eration de produit )

Pour une fonction f (x), on a les relations suivantes :


f (x)(x) = f (0)(x) : pic de Dirac de poids f (0) en 0
et
f (x)(x a) = f (a)(x a) : pic de Dirac de poids f (a) en a
Pour deux pics de Dirac, le produit nest pas defini ; mais nous poserons les relations suivantes :
[A(x a)][B(x b)] = 0 si a 6= b

(5.2)

[A(x a)] [B(x b)] = AB(x a) si a = b

(5.3)

et

5.2.2

Propri
et
es d
el
ement neutre (op
eration de convolution )

Pour une fonction f (x), on a les relations suivantes :


f (x) (x) = f (x) : fonctionf (x)
et
f (x) (x a) = f (x a) : fonctionf (x) translatee de a
Pour deux pics de Dirac, le produit de convolution nest pas defini ; mais nous poserons la
relation suivante :
[A(x a)] [B(x b)] = AB(x b a)

5.2.3

Propri
et
es d
echantillonnage avec le peigne de Dirac (produit)

Pour une fonction f (x), on a la relation suivante :


f (x) PgnA (x) = f (x)

+
X

k=

(x kA) =

+
X

k=

f (x)(x kA) =

+
X

k=

f (kA)(x kA) (5.4)

Ainsi le peigne de Dirac echantillonne la fonction f (x) aux abscisses o`


u il existe.

61

5.2.4

Propri
et
es de p
eriodisation avec le peigne de Dirac (convolution)

Pour une fonction f (x), on a la relation suivante :


f (x) PgnA (x) = f (x)

+
X

k=

(x kA) =

+
X

k=

f (x) (x kA) =

+
X

k=

f (x kA)

(5.5)

Ainsi le peigne de Dirac periodise la fonction f (x) avec une periode A egale `a lintervalle entre
les pics de Dirac.

62

Chapitre 6

Annexe B : D
eveloppements en s
erie
de Fourier

63

64

65

Chapitre 7

Annexe C : Transform
ees de Fourier

66

67

68

Chapitre 8

Annexe D : Transform
ees de Laplace

69

70

Chapitre 9

Annexe E : Fonction de transfert

71

Chapitre 10

Annexe F : Valeur principale de


Cauchy
En mathematiques, la valeur principale de Cauchy, appelee ainsi en lhonneur de Augustin
Louis Cauchy1 , associe une valeur `
a certaines integrales impropres qui resteraient autrement
indefinies.
d
efinitions
Soit c une singularite dune fonction dune variable reelle f et supposons que pour a < c < b,
la limite suivante
lim

f (x)dx + lim

0 a

f (x)dx = L
c+

existe et est finie. Alors, on dit que lintegrale impropre de f (x) sur lintervalle existe et sa
valeur est definie par L.
Si la limite ci-dessus nexiste pas, il est toutefois possible quelle existe lorsque et tendent
vers zero en restant egaux, cest-`
a-dire si la limite
lim

Z

f (x)dx +

f (x)dx
c+

=L

existe et est finie. Dans ce cas l`


a, on appelle la limite L la valeur principale de Cauchy de
lintegrale impropre ce que lon ecrit :
v.p.

f (x)dx = L

Augustin Louis, baron Cauchy, ne `


a Paris le 21 ao
ut 1789 et mort `
a Sceaux (Hauts-de-Seine) le 23 mai 1857,

est un mathematicien francais, membre de lAcademie des sciences et professeur `


a lEcole
polytechnique.

72

Bibliographie
[1] [F. Cottet] Traitement des signaux et acquisition de donnees : Cours et exercices corriges ;
392 pages ; Dunod 3e edition (11 fevrier 2009)
ements de theorie du signal : les signaux deterministes. ELLIPSES,

[2] [J.P. Delmas] El


1991.
[3] [J. Max, J.-L. Lacoume] Methodes et techniques de traitement du signal et applications aux
mesures physiques. DUNOD, 2000.
[4] [B. Picinbono] Theorie des signaux et des syst`emes avec probl`emes resolus. DUNOD Universite, 1989.

73