Vous êtes sur la page 1sur 502

Introduction la thorie

& au traitement du Signal

TRAITEMENT du SIGNAL
Socit post-industrielle du 21me sicle: Socit de lInformation
et de la connaissance
Electronique & Informatique Progrs spectaculaires des
nouveaux moyens dchange et de diffusion de linformation.
Les NTIC changent les reprsentations et le fonctionnement des
socits et des citoyens, et le traitement du signal ( analogique &
numrique ) est prsent partout dans nos vies :
CD, Tlphone mobile, PC, Lecteur mp3, ADSL, TV Numrique,

Signal processing is a basic skill needed by scientists and engineers in


many fields.
Without it, they would be lost in the technological world.
Steven W. Smith,
in The Scientist and Engineers Guide to Digital Signal Processing,

Quest-ce quun Signal ?


Signum : marque, empreinte, signe

Un signal est porteur dune information

Quest-ce quun Signal ?

Un signal est une grandeur physique porteuse dune information,


fonction dune ou de plusieurs variables (discrtes ou continues) :
Exemple :

- le temps t
- les coordonnes despace x, y, z

Un mme signal peut prendre diffrentes formes ou reprsentations :


Rep. Temporelle ou spatiale : dans lespace direct
Rep. Discrte ou vectorielle : dans un espace vectoriel
Rep frquentielle : dans un espace rciproque o :
La variable t est remplace par f, la frquence au sens habituel du terme
La variable x est remplace par u, frquence spatiale

Dans un plan o t est remplac par la variable s,


via la transforme de Laplace
Dans le plan complexe o t est remplac par la variable z,
via la transforme en Z
Dans des reprsentations mixtes, par exemple temps-frquence ,
via la transforme de Gabor ou lanalyse en ondelettes,

Reprsentations dun signal

Un mme signal peut prendre diffrentes formes ou reprsentations .

Ex. : Echolocation animale


Reprsentation
temporelle

x t

temps (s)

Reprsentation
frquentielle

Autres types de reprsentation des signaux


Reprsentation discrte (ou vectorielle) des signaux
La reprsentation discrte dun signal x(t)
dfini sur [a,b] en termes de ses
composantes dans la base des signaux
fk(t) :
N

x(t ) Akk (t )
k 1

est galement qualifie de reprsentation


vectorielle, car elle permet de reprsenter
les coefficients Ak de la reprsentation
discrte de x(t) comme
les coordonnes dun vecteur dans un
espace vectoriel
appel Espace vectoriel de signaux :

Reprsentations mixte ( temps-frquence )

S f ,t

Le spectrogramme est lquivalent


dune partition musicale

f
Short-time Fourier Transform

S x ( , t ) TF a ( t ) x( )
a ( t ) x( ) e

2 j

Wit Lau & Jim Simmons, Echolocation in dolphins and bats, Physics Today, september9 2007

Reprsentation temporelle

Reprsentation temporelle des Signaux

v1 (mV)

Exemple de signal : tension v(t) fournie par une lectrode pose


sur la peau : llectrocardiogramme v(t) :
Modle dun signal 1D = Fonction mathmatique v1(t) ou
v2[n]

v2 (mV)

t (1/200 s)
t=1/200 s

11

Reprsentation temporelle dun signal sonore


Analyse des vibrations dun
roulement billes au cours de son
usure

1
4

2
5

Rfrence : Techniques de lingnieur, Dossier BM5145 Analyse vibratoire des machines


tournantes , par David AUGEIX

12

Reprsentation temporelle dun signal sonore


Analyse des vibrations dun
roulement billes au cours de son
usure

Rfrence : Techniques de lingnieur, Dossier BM5145 Analyse vibratoire des machines


tournantes , par David AUGEIX

13

Signal analogique vs numrique (digital)


Signal temps continu et valeurs relles
= Signal ANALOGIQUE

Signal temps discret, dfini @ tk = k Te


Signal temps discret,
valeurs relles

Signal temps discret


et quantifi =
Signal NUMERIQUE

14

Signal numrique : Echantillonn & quantifi

chantillonn

1
0.6 ns
9
1.810

quantifi

Te

15

Reprsentation frquentielle

Frequency Representation of a Signal

Mathematical basis of frequency representation :


variable t is replaced by f, (temporal) frequency
variable x is replaced by u, spatial frequency
Main Tool :
Fourier Transform

X(f)

x (t ) e

j 2 f t

dt

I (u , v )

i ( x , y ) e j 2 u x e j 2 v y dx dy

The Fourier Transform

X(f)

x (t ) e j 2 f t dt

Reprsentation frquentielle : Spectre dun Signal


Ex. : Sonar passif

x t

Wit Lau & Jim Simmons, Echolocation in dolphins and bats, Physics Today, september 2007

19

Reprsentation frquentielle : Spectre dun Signal


Ex. : Simulation dun sonar passif
PSignal
S
10 log 10
6 dB
B dB
PBruit

1.8
1.6

60
Signal
Noise

1.4

40

1.2
20

1
0.8

0.6
-20

0.4
-40

0.2
-60

0.1

0.2

0.3

0.4

0.5
time (s)

x t

0.6

0.7

0.8

0.9

10

20

Signal + bruit
Bruit ( le mme ) seul
Sonar-simul.m

30

40
50
60
Frequency (Hz)

70

80

90

f
20

100

Bruit en 1/f ou de grenaille en lectronique

1
DSP f C ,
f
0.8 1.3

Dpendance frquentielle de la tension de bruit


quivalente dun amplificateur oprationnel TLV2772.

Texas Instruments application report slva043b : Noise Analysis in Operational Amplifier


Circuits - http://www.ti.com/lit/an/slva043b/slva043b.pdf

Mesure de signaux de faible amplitude en instrumentation


Measure of signals with a weak intensity ( obscured by noise ) : the signal
autocorrelation reveals any sinusoidal component in the detected signal.

La Transforme de Fourier Discrte


The TFD can be used to
compute an approximation of
the TF of an analog signal h(t)
( of a limited bandwidth )

1
2
t

1
t

1
t

3
1
t

4
5

Time discretization
Aliasing

1
t

This is the DtFT

Temporal truncation
Leakage ( spectrum
widening and oscillations )

6
7

Double periodicity
In time and frequency
III-24
J.-M. THEMLIN

Densit spectrale de puissance dun signal


v t cos 2 0.1 t gnoise 1

Autocorrelation of v(t)

150
1

100

-1

50
-2

-3
0

20

40

60

80

100

120

-50
-100

3000

-50

50

100

2500

2000

DSP or Signal Spectrum


( one-sided )
of the signal v(t)

1500

1000

500

0
0.0

0.1

0.2

0.3

Frquence (Hz)

0.4

0.5

Comment dfinir et valuer le spectre dun signal alatoire ?


Dfinition de la DSP dun signal x(t) :
2
1
Px ( f ) lim E X T ( f )

T T

Thorme de Wiener-Khintchine :

Px ( f ) TF R x ( )
On a donc deux moyens dvaluer la DSP dun signal alatoire, dont la TF
de la fonction de corrlation statistique du p.a. associ au signal.

Limage : un signal 2D I(x,y)

Signal au sens large


Une photo N&B peut tre considre comme un signal I(x,y) deux
dimensions, I tant une intensit lumineuse rflchie.
Image

Image numrique

Image :
Signal 2D i(x,y)

x,y : variables
continues

x,y : variables
Discrtes
Pixels
( Picture elements )

28

Les frquences spatiales


Frquence :

Intervalle temporel T frquence

Frquence spatiale :

f=1/T

[s-1]

Intervalle spatial, une longueur Dx


frquence spatiale f=1/Dx [m-1]

/mire.m

Reprsentation dune image dans lespace des


frquences spatiales
Example : Scanning-tunneling microscopy of a point defect in graphene

i x, y

I u, v

i ( x, y )

I (u , v ) e

j 2 u x

j 2 v y

du dv

I (u , v )

i ( x , y ) e j 2 u x e j 2 v y dx dy

L. Simon et al,, J. Phys. D: Appl. Phys. 44, 464010 (2011)

30

Les oprations sur les signaux


et les systmes de traitement
des signaux

Traitement dimages par filtrage frquentiel


Image filtering depending on Spatial Frequencies :

Original

Low-pass

High-pass

Compression dimages avec perte ( JPEG standard )

Based on the quantification and drop of DCT coefficients A[u,v]


|A[u,v]|

64 x , y 8 x , y 8 x , y

mire.m

Oprations entre deux signaux


1) Produit scalaire :

2) Corrlation :
Rxy [n]

x[n m] y *[m]

x, y

x[m]

y *[m]

3) Convolution :
( x * y ) [ n]

x[n m]

y[m]

III-34
J.-M. THEMLIN

Le produit scalaire sert comparer deux signaux


t2

40

x, y x(t ) y *(t ) dt

Signal1
20

x(t)

t1

-20
-40

0.2

0.4

0.6

0.8

x, y

40
-1*Signal1

y(t)=-x(t)

20

Ex E yi

x, x 1

-20
-40

0.2

0.4

0.6

0.8

40

z(t)

x, y

x, y 1

signal2
20

x, z 0.0023

0
-20
-40

0.2

0.4

0.6

0.8

y, z 0.0023
35

time (s)

signoise.m

Exemple de TP : Dtection de signaux bruits

Impulsion radar
ou sonar

R xy ( )

x (t ) y * (t ) d t

Squence connue
( de rfrence )

r k

x n k

y * n

Squence analyser
( On teste les occurrences de la
Squence de rfrence )
I - 36

Systmes de Traitement du signal

(1)

Les oprations sur les signaux sont des oprations lmentaires de base.
Elles sont gnralement combines en TdS dans des processus plus
labors conus dans un but spcifique. On parle alors de systmes de
traitement du signal, qui utilisent ces oprations lmentaires pour
transformer un signal ( dentre ) en un autre signal ( de sortie ).

Signal dentre

Signal de sortie

37

Les Systmes de Traitement du signal

Extraire linformation contenue dans un signal :


ex.: retirer le bruit dun lectro-cardiogramme,
retirer le flou dune image, retirer les chos dans un signal audio

Mettre en forme un signal pour le transmettre sur un canal de


communication : ex.: Tlcoms : Modulation dun signal numrique
Trouver le systme qui transforme un signal de rfrence connu
en un autre signal mesur ( identification de systmes )
ex.: Prospection sismique : Analyse de la composition des couches
gologiques

38

Systmes de TdS : Analogiques vs Numriques

Systmes Analogiques

Systmes Numriques

http://premiumwanadoo.com/daniel.robert9/Digit/Digit_1T.html

39

Traitement numrique des Signaux analogiques

Echantillonnage &
Quantification

Restitution dun
signal analogique

40

Thorie et traitement du signal


Analyser et caractriser des signaux :
ex.: reconnatre un signal analogique ou numrique, crire
lexpression analytique dun signal dterministe partir dun
graphe, tracer le graphe dun signal x(t) partir de son
expression analytique, calculer un spectre X(f), un
spectrogramme Y(t,f), un histogramme, valuer ses
caractristiques statistiques ( moyenne, variance, )
Effectuer des oprations sur des signaux :
ex.: x(t)+y(t), x(t)

y(t), <x,y>, dcaler x(t-t0), concatner,

multiplexer, corrler, convoluer, Effet de ces oprations sur le


signal et son spectre.

41

Principales Fonctions du TdS


Reprsentations des signaux : temporelle, vectorielle, frquentielle

Dtection

Rception/Transmission

transmission
Rception
Reconnaissance des signaux

42

Objectifs & Comptences globales acqurir


Matriser les bases fondamentales ncessaires la comprhension et
lutilisation oprationnelle des concepts et des outils de la thorie du
signal ( analogique et numrique ) et du traitement des signaux.
Pouvoir utiliser un langage de programmation labor ( Octave ou
MatLab ) pour rsoudre des problmes concrets de traitement
numrique du signal, tels quils peuvent se poser et se rsoudre dans le
cadre dun stage en entreprise ou en laboratoire.
Comprendre le principe du fonctionnement et matriser lutilisation dun
oscilloscope numrique en particulier les aspects analyse
frquentielle ( transforme de Fourier discrte ).

Organisation du cours ( 60 heures )


Cours commun M1 Instrumentation & M1 MINELEC
Cours magistral ( ~10 sances soit environ 30 heures ) :
Mercredi matin 09h00 - 12h00 et jeudi PM 13h00 16h00
lAmphi Cabannes
TPs ( 7 TPs ) en binmes : gnralement le vendredi matin ( 9h00
12h00 ) en salles SESAO, B62 ( au-dessus de la filire ) :
dbut semaine prochaine vendredi 07/10/2016.
Voir calendrier du cours sur le site du cours, plate-forme AMETICE :
https://ametice.univ-amu.fr/course/view.php?id=24042
TDs & soutien ( 6 sances ) en groupes, dbut mi-octobre (Sem 41), dont
1 TP sur loscilloscope numrique ( aspects frquentiels DFT )
Evaluation :
Test sur le cours magistral : mercredi 16/11/2016
Evaluation continue : Rapports de TPs
Examen de TP : jeudi 12/01/2017
Examen Final : le lundi 9 janvier 2017
44

Coordonnes des Intervenants


Responsable : Prof. J.-M. THEMLIN : IM2NP UMR CNRS 7334
Bureau : Service 151 ( Aile 1, entre BJ1, 5me Niveau )
Tl. : ( 04 91 28 ) 8130 e-mail : jean-marc.themlin@univ-amu.fr
Enseignants TDs & TPs :
Laurent NONY : laurent.nony@univ-amu.fr
Laurent OTTAVIANI : laurent.ottaviani@univ-amu.fr
Stphane GRIMALDI : stephane.grimaldi@iuniv-amu.fr
Jofre PEDREGOSA : jofre.pedregosa@univ-amu.fr
Franck BOCQUET : franck.bocquet@univ-amu.fr

Site du cours : accessible via le bureau virtuel ENT ( Onglet Pdagogie


AMETICE ) avec vos identifiants reus lors de votre pr-inscription via le
web ( importants pour les TPs ! ) :
[16] M1 - SITAU1J - Traitement du Signal (J.-M. Themlin)
45

Pour un apprentissage efficace


Savoir
Prenez note de ce qui est dit et expliqu au cours
Revoyez la maison, claircissez les points incompris
Utilisez le site du cours : Objectifs des chapitres, complments,

Savoir-faire
Participez activement aux TDs & TPs

Savoir-tre :
Respect et coute des autres ( pas de bavardages ),
Respect de lenseignant : soyez attentif capter ce qui est dit au
cours, annotez les copies des diapositives, remplissez les espaces ad
hoc, participez, oubliez votre smartphone
Ponctualit : arrive lheure, respect du timing de fin de pause

46

Concepts, Outils, Dfinitions,


bases sur un signal 1D x(t)

Dimension des signaux

Dimension(s) dun Signal = Nombre de


variables indpendantes
1D
Tension ou courant lectrique variable avec le temps : v(t), i(t)
Position dun mobile le long dun rail rectiligne : x(t)
Pression atmosphrique en fonction de laltitude : p(z)

2D
Altitude du relief sur une zone donne
( courbes de niveau ) : a(x,y)
Rpartition des tempratures
sur une plaque chauffante : T(x,y)

3D
Rpartition des tempratures dans latmosphre ( isothermes ) :
T(x,y,z)
Rpartition de la pression dans latmosphre ( isobares ) : P(x,y,z)
52

Signaux 2D & 3D
Image : Signal 2D i(x,y)
Image

x,y : variables
continues

Image numrique

x,y : variables
Discrtes
Pixels
( Picture elements )

Film vido
Signal 3D i(x,y,tk)

53

Film Vido N&B (3D ou 1D)


Film vido : Signal 3D i(x,y,tk)

54

Signal Vido N&B Analogique ( 1D )

56

Caractristiques temporelles des signaux

Signaux alatoires vs dterministes

59

Signaux analogiques vs signaux numriques


Signal analogique

x t , t
x
Signal chantillonn ou temps discret

xe n x nTe
n , xe

Signal numrique ou digital

xNum n 4, 12, 6, 0,8, 22,13,1,...

xNum n int x nTe


n , xNum
60

Un signal numrique a toujours un ct analogique

xNum n 1,1, 0,1, 0, 0,1, 0,...

Un signal numrique binaire

Chaque fois quon utilise un signal numrique dans un dispositif ( pour


des calculs, le stockage, la transmission, ), ce signal sincarne
sous une forme analogique !
Le signal numrique binaire est
port par une tension analogique
v(t), qui est un signal analogique
This digital signal is often represented
by a further abstraction, which can be
more easily represented in a closed
analytic form ( here a rectangular
pulses train ), a more abstract model
Un signal numrique utilis dans un dispositif
a toujours un ct analogique !

61

Lchantillonnage idal

f
62

Condition de Shannon pour lchantillonnage


xe n x nTe
fe 1
Te

Frquence
dchantillonnage

Condition de
Shannon thorique :

fe 2 f0

f e 10 f 0

fe /2= frquence de Nyquist


Condition de
Shannon pratique :

f e f 0
fe 3 f0

fe f0
63

Conversion Analogique Numrique


Signal
Analogique

Signal
chantillonn

xe n x nTe

Signal
chantillonn
et quantifi =
Signal Numrique
ou Digital
64

Modulation par Impulsions Codes (PCM)


2) Quantification

1) Echantillonnage

3) Codage ( en ligne )

I-65

Exemple : Le Rseau Tlphonique Commut (RTC)

Numrique

Analogique

fs= 8kHz, ch. de 8 bits


Dbit binaire 64 kbit/s

Analogique

Plage de frquences occupe


par le signal tlphonique
= la Bande passante du RTC

66

Traitement numrique des Signaux analogiques

Echantillonnage &
Quantification

Restitution dun
signal analogique

67

Domaine & Dure dun Signal


Df. : Le domaine ou lintervalle de support dun signal est le
plus petit intervalle lextrieur duquel le signal est toujours nul.

69

Domaine & Dure dun Signal

(2)

Df. : Le domaine ou lintervalle de support ( ou support tout


court ) dun signal est le plus petit intervalle lextrieur duquel
le signal est toujours nul.
Df. : La dure du signal est la longueur de lintervalle de
support du signal.

Signal analogique

Signal temps discret

Domaine

t1, t2

Dure

t2 t1

n1, n1 1,..., n2 , n2 n1
n2 n1 1 Te

70

Signaux support fini ou transitoires


Transitoires : Impulsions sinusodales, rectangulaires, exponentielles :

(co)Sinusode fentre

71

Exemple de signaux dure infinie : Signaux priodiques


Df.: Un signal analogique priodique se superpose exactement luimme quand on le dcale dun multiple de sa priode.

x t x t nT , n

1
t

x t A sin 2 t nT A sin 2 n 2
T

A sin 2
T

72

Periodicit des signaux temps discret


Comparons x[n]=cos 2 f 0 n et x(t)=cos 2 f 0 t

fe 2 f0
Egalit des sinusoides
discrtes lorsque f1=f0+n,
n tant un entier

Te=1 s

Indice n ou temps (s)

fe 2 f0
Indice n ou temps (s)

73

Condition de priodicit des sinusodes discrtes


%
%
%
%
%

Dem_Discret.m ( suite )
Sinusoids are periodic
of period N
only if f0=k/N

figure(5)
subplot(2,1,1)
f0=2/10;
x=cos(2*pi*f0*n);
plot(n,x,'ro')
hold on
y=cos(2*pi*f0*m);
plot(m,y,'b')
legend('k/N=2/10')
xlabel('index n')
ylabel('x1[n] & x(t)')
axis([1,20,-1.05,1.05])
title('Periodic discrete sinus : f0 rational')
hold off

x n cos(2 nf 0 )

f0 k

subplot(2,1,2)
f0=sqrt(2)/6;
x=cos(2*pi*f0*n);
plot(n,x,'ro')
hold on
y=cos(2*pi*f0*m);
plot(m,y,'b')
legend('k/N=sqrt(2)/6')
xlabel('index n')
ylabel('x1[n] & x(t)')
axis([1,20,-1.05,1.05])
title('Aperiodic discrete sinus : f0 74
irrational')
hold off

Oprateur de rptition repT(t)


Une notation commode pour les signaux priodiques de priode T :

repT x (t )

x (t kT )

Comme on le verra plus loin, il


sexprime en terme du peigne de
Dirac via un produit de
convolution :

repT x (t ) x (t ) * T t
75

Signaux remarquables de rfrence,


& Signaux drivs

Quelques Signaux Remarquables


Signaux signe, chelon, rampe :

79

Signaux translats temporellement


Translation temporelle :

y t x t T

T>0 : retard ( droite )


T<0 : avance ( gauche )

Ex.: y t x t 1

t 2, 2 t 3
x t
0 ailleurs

80

Signaux translats temporellement


Translation temporelle :

y t x t T

T>0 : retard ( droite )


T<0 : avance ( gauche )

Ex.: y t x t 1

t 2, 2 t 3
x t
0 ailleurs
t 1 2, 2 t 1 3
x t 1
0 ailleurs

2 t 1 3 3 t 4

t 3, 3 t 4
y t x t 1
0 ailleurs

81

Signaux dilats ou contracts


Changement dchelle
temporelle :

y t x c t , c

c >1 : Contraction
c <1 : Dilatation

Ex.: y t x 2t
t 2, 2 t 3
x t
0 ailleurs

82

Signaux dilats ou contracts


Changement dchelle
temporelle :

y t x c t , c

c >1 : Contraction
c <1 : Dilatation

Ex.: y t x 2t
t 2, 2 t 3
x t
0 ailleurs

2t 2, 2 2t 3
x 2t
0 ailleurs
3
2 2t 3 1 t
2

2t 2, 1 t
y t x 2t
2
0 ailleurs

83

Signaux translats/dilats/contracts : Forme normalise


Forme normalise :

t T

y t c x
, c, d , T
d

Amplitude :
c >1 : Amplification
c <1 : Attnuation

Changement dchelle
temporelle :
d >1 : Dilatation
d <1 : Contraction
Translation temporelle :
T>0 : retard ( droite )
T<0 : avance ( gauche )

Exemple : Impulsion rectangulaire dcale

85

Signal Impulsion Rectangulaire Normalise

Exercice : Vrifiez graphiquement


cette expression

86

Signal Impulsion Rectangulaire

Exercice : Vrifiez cette expression

x T

T
2
A rect
2
T

1
A rect A
2

87

Signal Impulsion Rectangulaire

Exercice : Vrifiez cette expression

x T

T
2
A rect
2
T

1
A rect A
2

x T

x A rect 0 A

T
2
A rect
2
T

1
A rect A
2

T e
2
T
x
e A rect
2
T

1 e
A rect 0
2 T

88

Signal rectangulaire normalis :

3.5
3

z (t ) ?

2.5
2
1.5
1
0.5
0
-0.5
-6

-5

-4

-3

-2
t (s)

-1

89

Fentrage de signaux

(co)Sinusode fentre

91

Fentrage & Signal Porte


Limpulsion rectangulaire permet de localiser et disoler un segment
particulier dun signal par multiplication : cette opration sappelle le
fentrage .

92

Impulsion Triangulaire Normalise

93

Signaux sinusodaux ou cosinusodaux


1

x t A sin 2 t A sin 2 f 0t
T

2 T1 t
m Ae

94

Lexponentielle complexe
Formules dEuler ( rappel ) :
j
j
j
j
e

e
e

e
, sin( )
Ae j A cos( ) j A sin( ), cos( )
2
2j

Une exponentielle complexe est une construction mathmatique qui


reprsente la composition dun signal cosinusodal ( rel ) et dun signal
sinusodal ( imaginaire ) :

e(t ) Ae j 2 f0t A cos(2 f 0t ) j A sin(2 f 0t )


On peut la visualiser dans un espace
trois dimensions comme une trajectoire
hlicodale ( de pas gauche ou droit selon
le signe de f0 ) :
95

Lexponentielle complexe
Il est souvent utile de considrer un signal sinusodal comme la projection sur
laxe des rels ( ou imaginaire ) du plan complexe dun phaseur ou vecteur
tournant damplitude A et de vitesse angulaire =2f0, de phase lorigine :

c(t ) Ae

j ( t )

Ae

j (2 f 0t )
Im

s (t ) A cos(2 f 0t )

A j (2 f0t ) j (2 f0t )

e
e
2
A

c(t ) c* (t )
2
e c(t )

AR

c (t )

Re

96

Egalit des (co)sinusodes discrtes lorsque f1=f0+n, n entier


r

x n Ae

j 2 f0 r n

Ae

j 2 f0 n

j 2 r n

r n

Ae

j 2 f0 n

% Dem_Discret.m
% Demo on discrete sinusoids
% J.-M. THEMLIN, Nov 2005
clear all
close all
n=1:100;
% Sinusoids with f1=f0+n, n
integer
%
are the same
figure(1)
x=cos(2*pi*1.02*n);
plot(n,x,'bo')
hold on
y=cos(2*pi*2.02*n);
plot(n,y,'rx')
legend('f0=1.02','f1=2.02')
xlabel('index n')
ylabel('x1[n] & x2[n]')
hold off

Domaine utile : f 0 0,1

III-97
J.-M. THEMLIN

Condition de priodicit des (co)sinusodes discrtes


N

x n N Ae

k
j 2 n N
N

Ae

k
j 2 n
N

j 2 k n

k n

x n

98
Discrete.m

Sinus amorti ou Sinus Cardinal

sin( x)
sinc( x)
x

Exercice : Vrifiez que les zros de ce signal


sont tous les entiers relatifs sauf le zro.

99

Sinus amorti ou Sinus Cardinal


Exercice : Trouvez lexpression analytique dun sinus cardinal damplitude 5,
centr en t= -3, et dont la largeur du premier lobe est gale 4.

sin( x)
sinc( x)
x

100

Sinus amorti ou Sinus Cardinal


Exercice : Trouvez lexpression analytique dun sinus cardinal damplitude 5,
centr en t= -3, et dont la largeur du premier lobe est gale 4.

t 3
sin(
)
t 3
2
z t 5sinc(
)5
t 3
2

101

Signaux remarquables de rfrence,


& Signaux drivs ( suite )

Impulsion ou delta de Dirac (t)

105

Impulsion ou delta de Dirac (t)


Limite de fonctions continues par morceaux, dintgrale unit,
de plus en plus brves et intenses :

106

Impulsion ou delta de Dirac (t)


Limite de fonctions continues par morceaux, dintgrale unit,
de plus en plus brves et intenses :

1
t
(t ) lim rect ( )
L0 L
L
1
tL/2
(t ) lim rect (
)
L0 L
L
2
1

t
exp(
(t ) lim
2)
0
2
2
n sin( nt )
(t ) lim
n
nt

(t ) lim

exp( t )

La dimension physique de (t)


correspond linverse de la variable t
107

(t) : oprateur dchantillonnage


Limpulsion de Dirac (t), aussi nomm impulsion unit ou distribution
delta, peut tre formellement dfinie par le produit scalaire :

x 0 x,

x t t dt

Donc limpulsion de Dirac (t) est un oprateur dchantillonnage qui


restitue la valeur x(0) dune fonction ou signal x(t) continue lorigine.
Sa dimension physique est par consquent linverse de celle de la
variable dintgration.
Plus gnralement, pour tout signal x(t) continu en t=t0, on a :

x t0

x t t t dt
0

et en particulier

t dt 1

108

(t) : Oprateur dchantillonnage


Intgrale du produit dune fonction continue x(t) en t=t0 par une fonction
t t
rectangulaire r t T rect 1 0 ( qui deviendra un (t) aprs passage la limite ) :

1
T
x t0

t t
0

x
t

t
t
dt
T
x
t
rect
dt

lim

T
1

lim T
T

x t

t0 1

2T

t0 1

2T

x t dt

1
lim T x t0 x t0
T
T

t t
0
r t T rect
1
T

109

(t) : Oprateur dchantillonnage


Produit dun delta de Dirac par une fonction continue en t=0 ou t=t0 :

0 t t dt

t t0 t t t0 dt

(t ) (t ) (0) (t )
(t ) (t t 0 ) (t 0 ) (t t 0 )

110

Oprateur dchantillonnage ou Peigne de Dirac (t)


Une suite dimpulsions de Dirac dcales se rptant avec une priode T :

T (t )

(t kT )

k
k

111

Expression formelle dun signal chantillonn

xe t x t Te (t )
xe t

x nT (t nT )

xe t x n x nTe n

xe(t) est dfini pour tout t, cest donc un signal temps continu ou
analogique, la plupart du temps nul sauf aux multiples de la priode
dchantillonnage. xe(t) est une expression possible du signal x(t)
chantillonn, dont x[n] est une autre forme.
112

Caractristiques lies la Distribution des


valeurs dun signal

Signaux valeurs continues vs discrtes

115

Conversion Analogique Numrique


Signal
Analogique

Signal
chantillonn

xe n x nTe

Signal
chantillonn
et quantifi =
Signal Numrique
ou Digital
116

Quantification

117

Bruit de Quantification
Signal
chantillonn

Bruit de quantification

Signal Numrique
ou Digital

Histogramme :
Rpartition
Uniforme

118

Bruit de Quantification


eq t ,
2 2
119

Modulation par impulsions codes (PCM)

Signal analogique

Echantillonnage &
Quantification

Signal numrique
Signal numrique
binaire
Signal analogique
interprt comme
signal numrique

PCM Pulse-Coded Modulation

120

Valeur moyenne dun signal w(t) sur [t1,t2] :

x
x

t2

1
x
x t dt

t2 t1 t1
n2

1
x
x n

n2 n1 1 n n1

1
Si t1 , t2 , , alors x lim
T 2T

x t dt ,

1
et si t1 , t2 0, , alors x lim x t dt
T T
0
122

Maximum & Minimum dun Signal

xmax max x t

xmax max x n

xmin min x t

xmin min x n

[ n1 , n2 ]

[ t1 ,t2 ]

[ n1 , n2 ]

[ t1 ,t2 ]

Df. : Si

xmax et xmin

, le signal est dit born .

Exercice : Dterminez si les signaux suivants sont borns ou non-borns,


et dterminez les valeurs de leur minimum et maximum ainsi que les points
du domaine o les signaux prennent ces valeurs particulires :

x t 3 e

et y n

n4
123

Energie, Puissance et variance des Signaux

Grandeurs nergtiques dun Signal


Puissance instantane dun signal w(t):
i(t)

w(t)

Puissance instantane, pour une charge rsistive:


2

w(t ) w (t )
p (t ) w(t )i (t ) w(t )

R
R

Si w(t) est une tension lectrique ( en Volts ), w2(t) reprsente


donc la puissance instantane dissipe dans une rsistance
normalise de valeur R=1.

126

Energie sur [t1,t2] dun signal w(t) :


t2

Ew E w w (t ) dt ( signal analogique )
2

t1

n2

ou Ex E x x n Te
2

( signal temps discret )

n1

Te : Soit le signal discret provient de lchantillonnage dun signal


analogique et dans ce cas la priode dchantillonnage Te est connue,
soit on ne connat pas la priode dchantillonnage et dans ce cas on
prend par dfaut Te=1.
Lnergie totale dun signal x(t) est lnergie calcule sur la totalit
du domaine du signal x(t).
127

Estimation des caractristiques de signaux analogiques

(1)

Estimation dintgrales par la mthode des rectangles :

Largeur dun rectangle

ba N
f x dx

N k 1

k 1

f a
b a
N

f a,

f a N 1 b a f

f a b a b a

k 1

1
a
b
a

ba

f b
, k N
N

Hauteur dun rectangle

k 1

f a
b a
N

128

Estimation des caractristiques de signaux analogiques

(2)

Estimation des caractristiques de signaux analogiques partir des


signaux chantillonns correspondants :
t2

k 1

Ex x t dt
x t1
t2 t1

N k 1
N

t1
2

t 2 t1

Te
Te

2
x
n1Te k 1 Te
k 1
n2

2
x
n avec ti niTe , N n2 n1 1

n n1

Cest prcisment la dfinition de lnergie du signal chantillonn x[n].


129

Energie dun signal w(t) :

Exercice : Une tension lectrique

v t a e

, t0

est applique une rsistance de 1. Calculez lnergie dissipe


dans la rsistance soit tout simplement lnergie du signal.

Ev

v t dt
2

130

Rappel : Valeur moyenne dun signal w(t) sur [t1,t2] :

x
x

t2

1
x
x t dt

t2 t1 t1
n2

1
x
x n

n2 n1 1 n n1

1
Si t1 , t2 , , alors x lim
T 2T

x t dt ,

1
et si t1 , t2 0, , alors x lim x t dt
T T
0
132

Exercices
1) Dterminez le domaine, la dure et la valeur moyenne des signaux suivants :

1 t , t 1

x1 t
t
2 , 2 t 4
2

3t 2 , 1 t 2
x2 t
5 t , 4 t 5
1

x3 t cos 2 t , avec T 0
T

2) Calculez galement la valeur moyenne de x3(t) sur une priode T.


Que pouvez-vous en conclure ?
3) Dterminez le domaine, la dure et la valeur moyenne du signal x4(t)
Rappel :

1
x dx ln x C

t
, t0

x4 t t 2
0, ailleurs

133

Puissance moyenne dun signal w(t) sur [t1,t2] :


La puissance moyenne ou la valeur quadratique moyenne dun signal
w(t) sur lintervalle [t1,t2] ou [n1,n2] est la valeur moyenne de la
puissance instantane w2(t) sur lintervalle considr :
t2

1
2
Pw t1 , t2 w
w
(t ) dt

t2 t1 t1
2

Pw n1 , n2 w2

n2 n1 1 Te

n2

n2
1
2
2
w
n
T

w
e
n

n2 n1 1 n n1
n n1

Si lintervalle [t1,t2] concide avec le domaine du signal w(t), Pw


reprsente la puissance moyenne totale du signal w.

1
Si t1 , t2 , , alors Px lim
T 2T

x 2 t dt ,

1 2
et si t1 , t2 0, , alors Px lim x t dt
T T
0

134

Signaux analogiques priodiques vs transitoires


Signaux priodiques :

Signaux Puissance moyenne


totale finie :

Px

Signaux nergie totale finie :

Ex
Signaux Puissance moyenne
totale finie :

Px

Energy Signals

Ex

Power Signals

Signaux nergie totale infinie :

Signaux transitoires :

135

Valeur RMS dun signal w(t) sur [t1,t2] :


La valeur RMS ( Root Mean-Squared ) dun signal w(t) ( resp. w[n] )
sur lintervalle [t1,t2] ( resp. [n1,n2] ) est la racine carre de la
puissance moyenne :
t2

1
2
(t ) dt
wRMS t1 , t2 Pw t1 , t2
w

t2 t1 t1
n2
1
2
wRMS n1 , n2 Pw n1 , n2
w
n

n2 n1 1 nn1

Si lintervalle [t1,t2] concide avec le domaine du signal w(t), WRMS


reprsente la valeur RMS ( tout court ) du signal w(t).
Contrairement la puissance moyenne totale, la valeur RMS dun signal
est directement comparable avec les valeurs du signal car elle a la
mme dimension que ce dernier.
137

Rapport Signal / Bruit

N
S

dB

PSignal
s RMS
10 log 10
20 log 10

PBruit
n RMS

O s(t) est le signal utile, n(t) est le bruit ( noise )


S/NdB est une mesure relative de la puissance du signal
par rapport celle du bruit
S/NdB
+ 3 dB
+ 10 dB
+ 20 dB
- 3 dB
Inversion :

Psignal/Pbruit
2
10
100
1/2

PSignal
PBruit

VRMS Signal/VRMS Bruit


1,41
3.12
10
0,707

10

S N
dB

10

138

Signaux physiquement ralisables


Un signal issu de la mesure exprimentale dun processus physique, est dit
physiquement ralisable . Il est soumis plusieurs contraintes :

Son nergie doit tre borne ( ne peut tre infinie ) :


Son amplitude est donc ncessairement borne : max{w(t)}<+
et w(t) est non-nul sur un intervalle temporel fini

w(t) est une fonction de t continue ( linertie du systme gnrateur du


signal interdit toute discontinuit ) et valeurs relles.

Le domaine du spectre du signal W(f) est galement born : W(f) est nonnul sur un intervalle fini de frquences.

139

Signaux Non-physiquement ralisables


Des signaux non physiquement ralisables seront utiliss pour simplifier
lanalyse mathmatique de certains signaux rels.
Exemple : Train dimpulsions rectangulaires
pour modliser un signal numrique binaire :

140

Application : Le Radar

141

TP III : Dtection de Parole sur critres nergtiques


Load speech :

Entre
s[n]

Dcoupage en N blocs
Boucle sur
Les blocs :
Oui

Energie
ou ?

E > Eseuil ?

Out = 1

Non
Out = 0

Calcul
dterminer !

Dcision

142

TP III : Dtection de Parole sur critres nergtiques

143

Moyenne, Puissance et Variance


x x
Px x


2
x

t2

1
t 2 t1

x(t ) dt
t1

1
t 2 t1

x x

2
x
(
t
)
dt

t1

1
2

x(t ) x dt

t2 t1 t1

x n
n 1

n2
1

x n

n2 n1 1 n n1

t2

t2

1
x x
N

(1)

1

N
2
x

x n
n 1

n2
2
1
x n x

n2 n1 1 n n1

La variance 2 dun signal reprsente la puissance des


fluctuations du signal autour de sa valeur moyenne.
144

Dviation standard
2 x

x x

Standard.m

La dviation standard dun signal reprsente la valeur RMS des


fluctuations du signal autour de sa valeur moyenne.
146

Moyenne, Variance et Dviation standard


n2
1
x x
x n

n2 n1 1 n n1

n2
2
1
2
x
x n x

n2 n1 n n1

x 2 x

147

Rapport Signal / Bruit

N
S

dB

PSignal
s RMS
10 log 10
20 log 10

PBruit
n RMS

O s(t) est le signal utile, n(t) est le bruit ( noise )


S/NdB est une mesure relative de la puissance du signal
par rapport celle du bruit
S/NdB
+ 3 dB
+ 10 dB
+ 20 dB
- 3 dB
Inversion :

Psignal/Pbruit
2
10
100
1/2

PSignal
PBruit

VRMS Signal/VRMS Bruit


1,41
3.12
10
0,707

10

S N
dB

10

148

Rapport Signal / Bruit


Souvent, le signal utile est la valeur continue et les fluctuations du signal autour
de sa moyenne sont du bruit. Dans ce cas, le rapport Signal sur bruit scrit :

S N

dB

PSignal
x2
10 log 10
10 log 10 2
PBruit
x

Standard2.m

149

Sonar passif
Ex. : Simulation dun sonar passif
PSignal
S
10 log 10
6 dB
B dB
PBruit

1.8
1.6

60
Signal
Noise

1.4

40

1.2
20

1
0.8

0.6
-20

0.4
-40

0.2
-60

0.1

0.2

0.3

0.4

0.5
time (s)

x t

0.6

0.7

0.8

0.9

10

20

Signal + bruit
Bruit ( le mme ) seul
Sonar-simul.m

30

40
50
60
Frequency (Hz)

70

80

90

f
150

100

Puissance et Variance

Px
2
x


2
x

x x

2
x

t2

1
2

x(t ) x dt

t2 t1 t1

Px x2
Puissance P et variance 2 sont gales pour un signal valeur
151
moyenne nulle.

Puissance et Variance (1)

Px
2
x


2
x

x x

2
x

t2

1
2

x(t ) x dt

t2 t1 t1

t2

t2

t2

1
1
1
2
2
=
(
)
2
(
)

x
t
dt
x
t
dt
x
x dt

t2 t1 t1
t2 t1 t1
t2 t1 t1
Px 2 x x x2 Px x2
Puissance P et variance 2 sont gales pour un signal valeur
152
moyenne nulle.

Histogramme des valeurs dun signal

Histogramme : [Ni,Xi]

N Ni
i 1

154

Estimation de la moyenne partir de lHistogramme


1
x
N

x n
i 1

Histogramme :
Hist(Ni,Xi)
M cases centres en Xi
Ni occurences

1
x
N

N X
m 1

i
155

Estimations partir de lHistogramme


Histogramme :
M cases centres en Xi
Ni occurences

Moyenne :

Puissance :

1
x
N
1
Px
N

Ni X i

Ex Te N i X i2

Energie :

m 1

m 1

2
N
X
i i
m 1

Variance :

1
2
x
N

N X
M

m 1

156

Estimations partir de lHistogramme


Histogramme :
MatLab : [N,X]=hist(x)

M cases centres en Xi
Ni occurences

Moyenne :

Puissance :

1
x
N
1
Px
N

Ni X i

Ex Te N i X i2

Energie :

m 1

m 1

2
N
X
i i
m 1

Variance :

1
2
x
N

N X
M

m 1

158

Quizz
Signaux

Histogrammes
1

4
159

Ambigit de lhistogramme
Signaux

Histogrammes

160

Description statistique des signaux alatoires

Description statistique des signaux alatoires


Les dfinitions prcdentes sont pratiques et aisment calculables pour un signal
donn. Elles sont malheureusement insuffisantes pour caractriser compltement
un systme ou un processus physique.
En effet, pour avoir un sens, les grandeurs dcrites ici ( moyenne, puissance,
variance, ) doivent rester constantes sur toute la dure du signal considr, qui
doit donc tre stationnaire, comme dans les deux exemples ci-dessous :

Sur le plan conceptuel, on dcrit statistiquement un signal alatoire comme une


trajectoire particulire dun ensemble de trajectoires possibles, quon appelle un
processus alatoire , pour lequel moyenne et variance deviennent des
moyennes densemble ( moyennes statistiques et non plus temporelles ).
164

Signaux Stationnaires ou non-stationnaires

et constants,
signaux stationnaires

Signaux non-stationnaires

165

Processus Alatoires
Un signal = Une ralisation
( une squence ) particulire dun
ensemble
de ralisations possibles
( = un processus alatoire)

166

Esprance et Moments Statistiques


Moment dordre n
de la v.a. X :

E ( X ) n

( x ) n f X ( x ) dx

Exemple : Moment centr dordre 2 de la v.a. X :

E ( X x ) 2
Hypothse
dergodicit :

( x x ) 2 f X ( x ) dx

Densit de probabilit du
processus alatoire ( lie
lhistogramme de lensemble
des v.a. du processus )
Puissance Moyenne des
fluctuations de la v.a. autour de
la moyenne ( au sens
statistique )

n2
2
1

x n x

n2 n1 1 n n1

Valable seulement si le signal est stationnaire, elle postule lgalit des moments statistiques et
des moyennes temporelles. Elle autorise ici lestimation de la variance base sur une seule
trajectoire, condition que celle-ci soit suffisamment reprsentative du processus entier.
Lhypothse dergodicit est gnralement postule, car difficile prouver.

167

Classification des signaux

169

Formulaire du Chapitre I
Delta de Dirac, oprateur dchantillonnage :
x 0 x,

Grandeurs Statistiques :

x t t dt

x t0

x x

2 x
1
2 x
N

x n x
n 1

T (t )

g (t ) (t t 0 ) g (t0 ) (t t0 )

n2
2
1

x n x

n2 n1 1 n n1

x t t t dt

g (t ) (t ) g (0) (t )

2
1 2
x(t ) x dt
t2 t1 t1

(t kT )

Oprations sur les signaux :

P x

x * y (t ) x y t d

x x
2

( x * y ) [ n]

Estimations :

x[n m]

A partir de x[n] :

N X
m 1
M

E x Te

E x Te N i X i2

m 1
M

1
P x Ni X i2
N m 1
1 M
2 x Ni X i x
N m 1

n2

P x

n1

n2

n2

n2

x n x
n 1
1

n n1

n2

x n

x( ) y *( t )d

x n k

y *n

y t a x c t T

n n1

r k

n2

x, y x y x n y * n

x n
n 1
1

Rxy (t )

t1

x n

t2

x, y x y x(t ) y * (t ) dt

n n1

2 x
2

n2

x(t kT )

repT x (t ) x (t ) * T t

y[m]

partir de [N,X]=hist(x) :
1
x
N

repT x(t )

Grandeurs Energtiques & Statistiques :


t2

Ew E w w2 (t ) dt

n2 n1 1 n n1

1 2
x t dt
t2 t1 t1

x x

n2
1
x n

n2 n1 1 n n1

t1

n2

Ex E x x 2 n Te
n1

Pw t1 , t2 w2
Pw n1 , n2 w2

N
S

dB

x x

1 2 2
w (t ) dt
t2 t1 t1

wRMS t1 , t2 Pw t1 , t2

n2
1
w2 n

n2 n1 1 n n1

PSignal
10 log10
PBruit

s 2 (t )

2
10
log

10
n (t )

wRMS n1 , n2 Pw n1 , n2

1 2 2
w (t ) dt
t2 t1 t1
n2
1
w2 n
n2 n1 1 n n1

170

Organisation TPs du vendredi matin


SallesSESAO,A61A62(Bt.Principal,entreBJ2,6metage)
DbutVendredi7/10de9h12h
M1 Instrumentation Groupe M1TS-A : SALLE SESAO Rouge,
avec C.Moisset & J.-M.Themlin
M1 Instrumentation Groupe M1TS-B : SALLE SESAO Verte,
avec J.PEDREGOSA
M1 Instrumentation Groupe M1TS-C : SALLE SESAO Bleue,
avec L. OTTAVIANI
M1 MINELEC : SALLE SESAO Noire,

avec L. NONY
171

Oprations lmentaires sur les Signaux

Oprations lmentaires sur les signaux

(1)

t 2, 2 t 3
x t
0 ailleurs

Addition dune constante :

1
y t x t
2

y t x t c
1 t 2.5, 2 t 3
y t x t
2 0.5 ailleurs

y x c
6

Oprations lmentaires sur les signaux

(2)

t 2, 2 t 3
x t
0 ailleurs

Changement dchelle :

y t

x t
2

y c x

y t c x t
t 2
, 2t 3

y t
2
2
0 ailleurs
x t

P y c2 P x
7

Oprations lmentaires sur les signaux

(3)

t 2, 2 t 3
x t
0 ailleurs

Elvation au carr :

y t x2 t
2

t
2

, 2t 3
y t x2 t
0 ailleurs

Oprations lmentaires sur les signaux

(4)

t 2, 2 t 3
x t
0 ailleurs

y t x t

valeur absolue :
Ex.: Valeur absolue
combine avec
addition dune
constante :

y t x t

1 t 2.5 , 2 t 3
y t x t
2 0.5 ailleurs
1
2
9

Oprations lmentaires sur les signaux

(5)

t 2, 2 t 3
x t
0 ailleurs

translation temporelle :

Ex.: y t x t 1

y t x t T

T>0 : retard ( droite )


T<0 : avance ( gauche )

y n x n k , k

u 2, 2 u 3
t 3, 3 t 4
x u
y t x t 1
ailleurs
0

0 ailleurs
Posons u t 1
2 u 3 2 t 1 3 3 t 4
10

Oprations lmentaires sur les signaux

(6)

t 2, 2 t 3
x t
0 ailleurs

Inversion du temps :

Ex.: y t x t
u 2, 2 u 3
x u
0 ailleurs
Posons u t

y t x t
t 2, 3 t 2
y t x t
0 ailleurs

2 u 3 2 t 3 2 t 3
11

Oprations lmentaires sur les signaux

(7)

t 2, 2 t 3
x t
0 ailleurs

Changement dchelle
temporelle :

Ex.: y t x 2t

y t x c t , c

c >1 : Contraction
c <1 : Dilatation

y n x c k , k

u 2, 2 u 3
x u
0 ailleurs
Posons u 2t

2
t

2,
1

y t x 2t
2
0 ailleurs

3
2 u 3 2 2t 3 1 t
2
12

Cas particulier : Contraction du delta de Dirac (t)


Considrons limpulsion de Dirac (at), et calculons son intgrale :

u at
a 0

u t
a

1
1
at dt a u du a

1
t dt a

On a donc par consquent tabli lgalit suivante :


Ou encore :

t a at

1
at t
a

Qui exprime que si lon contracte (t) dun facteur a, il faut aussi
multiplier la hauteur du rectangle ( reprsentation du delta comme
1

rect ( ) ) par un facteur a pour


une limite de fonctions (t ) lim
L0 L
L

maintenir une distribution daire unit.

13

Combinaison doprations lmentaires sur les signaux

(1)

t 2, 2 t 3
x t
0 ailleurs

Ex.: y t 2 x 3
2

Changement damplitude
dcalage temporel
dilatation et inversion du temps

Exercice : Calculez lexpression analytique de ce signal et reprsentez-le

14

Combinaison doprations lmentaires sur les signaux

(1)

t 2, 2 t 3
x t
0 ailleurs

Ex.: y t 2 x 3
2


t
t
t 2 3 2 , 2 3 3

y t 2 x 3
2
2
2


0 ailleurs

t
t
3 2 1
2
2
t
t
2 3 3 1 0
2
2
2 t 0 2 t 0

or

Changement damplitude
dilatation et inversion du temps
dcalage temporel

t
t 2 1 2 t , 0 t 2

y t 2x 3 2
2

0 ailleurs

15

Combinaison doprations lmentaires sur les signaux


Procdure Graphique :
1. Mettre sous la forme normalise :

(2)

t T
y t a x

2. Effectuer le changement damplitude


3. Effectuer le changement dchelle de temps ( et ventuellement
linversion si d<0 ) en premier lieu
4. Effectuer le dcalage temporel en dernier lieu
5. Respectez lordre des oprations 3 & 4 !

16

Combinaison doprations lmentaires sur les signaux

(3)

t 2, 2 t 3
x t
0 ailleurs

Ex.: y t 2 x 3
2

1. Mettre sous la forme normalise :

y t 2 x t 6
2

2. Effectuer le changement damplitude,


avec le changement dchelle
de temps et linversion ( c<0 )
en premier lieu
3. Effectuer le dcalage temporel
en dernier lieu
17

Effet des oprations sur les caractristiques des signaux

(1)

Toutes les oprations sur un signal sont susceptibles daffecter les


caractristiques de ce signal. On va en donner quelques exemples :
Changement dchelle de temps et dure :
Soit x(t) support fini [t1,t2], soit y(t)=x(2t).
Quelle est la dure de y(t) ?

t1 t2
2 , 2

1
t2 t1
2

y(t) est non-nul sur


sa dure est de :

19

Effet des oprations sur les caractristiques des signaux

(2)

2. Changement dchelle de temps et nergie du signal :


Soit x(t) support fini [t1,t2], soit y(t)=x(-2t).
Quelle est lnergie de y(t) ?

20

Effet des oprations sur les caractristiques des signaux

(2)

2. Changement dchelle de temps et nergie du signal :


Soit x(t) support fini [t1,t2], soit y(t)=x(-2t).
Quelle est lnergie de y(t) ?

b1

b1

t1 2t t2

t1
t
t 2
2
2
t2
t1
t
2
2

b2

E y y 2 t dt x 2 2t dt

Posons u 2t
t1 u t2

b2

E y

t1
t
t 2
2
2

t1
2

y 2 t dt

t
2
2

t1
2

x 2 2t dt

t2
2

posons u 2t du 2dt

E x
1 2
1 2
E y x u du x u du
2 t2
2 t1
2
t1

t2

21

Oprations entre plusieurs signaux

(1)

Addition et Combinaison Linaire :

z t x t y t
z t Ax t By t Cw t ,

A, B, C

Ex.: Mixer Audio ( table de mixage )


Synthse et Dcomposition de signaux
Concatnation :

23

Oprations entre plusieurs signaux

(2)

Concatnation :
Ex.: Modulation par largeur dimpulsions en tlcoms
Signaux codants 0 et 1 :

Signal binaire cod :

Squence binaire :
0

1
24

Oprations lmentaires sur les Signaux :


Produit scalaire & corrlation

Produit scalaire
On peut apprcier ou mesurer le degr de similitude ou de ressemblance
entre deux signaux x(t) et y(t) dfinis sur [t1,t2] ( signaux continus ) ou
[n1,n2] ( signaux discrets ) en utilisant le
PRODUIT SCALAIRE entre x et y, dfini :
pour des signaux continus et valeurs relles ou complexes :

t2

x, y x y x(t ) y *(t ) dt
t1

Pour des signaux discrets :

* Reprsente le conjugu complexe, obtenu


en changeant le i=-1 en i dans lexpression
analytique dun signal valeurs complexes.

n2

x, y x y Te x n y * n
n1

26

Produit scalaire et nergie dun signal


Question de rflexion : Trouvez un lien, une relation entre lnergie dun
signal x(t) ( rel ou complexe ) dfini sur [t1,t2] et lopration produit
scalaire

t2

x, y x y x(t ) y *(t ) dt
t1

27

Produit scalaire et nergie dun signal


Question de rflexion : Trouvez un lien, une relation entre lnergie dun
signal x(t) ( rel ou complexe ) dfini sur [t1,t2] et lopration produit
scalaire

t2

t2

t1

t1

x, x x x x(t ) x *(t ) dt x(t ) dt Ex


2

28

Signification : Similitude entre 2 signaux


Produit scalaire entre x(t) et des signaux
yi(t) de plus en plus dcals :

x(t)

x(t)
yi(t)

Scaleo.m

yi t 2 cos 2 2.5 t i
i=1

i=2

i=3

i=4

t 0.6
rect

0.5

x(t).yi(t)

t2

110

84

10-13

-120

x y x(t ) y (t29) dt
t1

Similitude entre 2 signaux (1)


Produit scalaire entre x(t) et y1(t) et
entre x(t) et y3(t)=3y1(t) :

x(t)
yi(t)

x(t)

ccl.: Il faudrait pouvoir tenir


compte de lamplitude des
signaux laide dun produit
scalaire normalis, e.g. :

i=1,3

x y
Ex E y

x(t).yi(t)
i=1,3

Scaleo.m

110

254

t2

x y x(t ) y *(t ) dt
t1

30

Similitude entre 2 signaux (2)


Produit scalaire normalis entre x(t) et yi(t):

x(t)

Scaleo.m

x(t)
y(t)

x(t).y(t)
t2

110
0.971

84
0.713

10-13
0

-120
-1.0

254
0.713

x y x(t ) y *(t ) dt
t1

x y
Ex E31
yi

Similitude entre 2 signaux (3)


40

x, y

Signal1
20

x(t)

Ex E yi

-20
-40

0.2

0.4

0.6

0.8

x, x 1

40
-1*Signal1

y(t)=-x(t)

x, y

20

x, y 1

0
-20
-40

0.2

0.4

0.6

0.8

y, z 0.0023

40

z(t)

x, z 0.0023

signal2
20
0
-20
-40

0.2

0.4

0.6

0.8

32

time (s)

signoise.m

Corrlation ou Produit scalaire glissant


Lopration de Corrlation de 2 signaux nergie finie ( et valeurs
complexes ) x(t) et y(t) est un produit scalaire glissant dfini par :

R xy ( )

x (t ) y * (t ) d t

Rappel :
t2

x, y x y x(t ) y *(t ) dt
t1

y*(t) dcale de

Ou une dfinition quivalente ou on a simplement chang

et t :

R xy (t )

x ( ) y * ( t ) d

34

Corrlation
Corrlation croise de 2 signaux nergie finie ( valeurs complexes )
x(t) et y(t) :

R xy (t )

x ( ) y * ( t ) d

R xy k Te

x n

y * n k

Ou une autre dfinition quivalente :

R xy (t )

x ( t ) y * ( ) d

R xy k Te

Preuves :

r t

x t y * d

R xy k Te

x n k

u t

x n k

x u y * u t du
nk m

y * n Te

x y * t d

x m

y * n

y * m k

Proprits de la Corrlation
La corrlation croise nest, en gnral, pas commutative.
Preuve :

R yx (t )

y ( ) x * ( t ) d

t u

*
y (u t ) x * (u ) du x ( ) y * ( t ) d R xy
( t ) R xy (t )

Les deux oprations diffrent par une inversion du temps.

Non-commutativit de la corrlation

Correl1.m

Utilit : Dtection de signaux bruits

Squence connue
( de rfrence )

Impulsion radar
ou sonar

r k

x n k

y * n

Squence analyser
( On teste les occurrences de la
Squence de rfrence )

38

Corrlation 2D : Dtection de caractres

Fonction MatLab

xcorr2

39

Oprations lmentaires sur les Signaux :


Convolution

Produit de Convolution

x * y (t ) x y t d

( x * y ) [ n]

x[m]

y[n m]

41

Interprtation graphique de la Convolution

( x * y ) t

(1)

x y t d

x y t d

Inversion & Translation

42

Interprtation graphique de la Convolution

( x * h) t

(2)

x h t d

x h t d

43

Interprtation graphique de la Convolution


( x * h) t

(3)

x h t d x h t d

44

Exemples de Convolutions

clear all
fs=250;
T=2
t=(-T:1/fs:T);
N=length(t)
mid=floor(N/2);
z=floor(mid/2); ;
x=zeros(1,length(t));
x=rect(t-T/4,T);
subplot(3,1,1)
plot(t,x,'linewidth',2)
axis([-1.0 2.0 -0.1 1.1])
title('Convolution x(t)*h(t)')
ylabel('x(t)')
xlabel('time (s)')
y=zeros(1,length(t));
y=2*rect(t-T/8,T/2);
subplot(3,1,2)
plot(t,y,'linewidth',2)
axis([-1.0 2.0 -0.1 2.1])
ylabel('h(t)')
xlabel('time (s)')
% Normalisation d'un des signaux
x=x/sum(x);
Y=conv(x,y);
ym=max(Y);
tt=(-2*T:1/fs:2*T);
subplot(3,1,3)
plot(tt,Y,'linewidth',2)
axis([-1 T -0.1 1.1])
ylabel('x(t)*h(t)')
xlabel('time (s)')
zoom

45
conv1.m

conv2.m

Convolution : Limites de la notation

x (t t 0 ) y (t t 0 ) z (t 2t 0 )
z (t t 0 )

46

Conv2trans.m

Calcul Analytique de Convolutions

( x * y ) t

(1)

x y t d

avec x t u t
et y t e

t
T

u t

47
conv1.m

conv2.m

Calcul Analytique de Convolutions

( x * y ) t

(2)

x y t d

48
conv1.m

conv2.m

Calcul Analytique de Convolutions

( x * y ) t

u e

t
T

(2)

u t d

t 0

t
T

u t d

t 0 t

t
T

t 0 t

t 0

d e

t t
T

Tt
0
e T e e

T 1 e T u t

t 0

t
T

49
conv1.m

conv2.m

Non-commutativit de la corrlation

Correl1.m

Oprateur de rptition repT(t)


Une notation commode pour les signaux priodiques de priode T :

repT x (t )

x (t kT )

Ils peuvent sexprimer en terme


du peigne de Dirac via un produit
de convolution :

repT x (t ) x (t ) * T t
52

Produit de Convolution et oprateur de rptition


repT x (t ) x (t ) * T t

54

Produit de Convolution et oprateur de rptition


repT x (t ) x (t ) * T t

x t d
T

x (t kT ) d

x (t kT ) d

x t kT d

t t

x t kT d

x (t kT )

55

Relation Corrlation - convolution :


Relation Corrlation - convolution :

R xy (t ) x * z (t )
avec

z t y * (t )

Preuve :

x * z (t ) x ( ) z (t ) d

z t y *( t )

x ( ) y * (t ) d

x ( ) y * t d R

xy

(t )

Systmes de Traitement des Signaux

Les Systmes de Traitement du signal

Concevoir des systmes danalyse du signal :


ex.: retirer le bruit dun lectro-cardiogramme,
retirer le flou dune image, retirer les chos dans un signal audio

Mettre en forme un signal pour le transmettre sur un canal de


communication : ex.: Tlcoms : Modulation dun signal numrique
Trouver le systme qui transforme un signal de rfrence connu
en un autre signal mesur ( identification de systmes )
ex.: Prospection sismique : Analyse de la composition couches
gologiques

63

Systmes de Traitement du signal

(1)

Les oprations sur les signaux sont des oprations lmentaires de base.
Elles sont gnralement combines en TdS dans des processus plus
labors conus dans un but spcifique. On parle alors de systmes de
traitement du signal, qui utilisent ces oprations lmentaires pour
transformer un signal ( dentre ) en un autre signal ( de sortie ).

Signal dentre

Signal de sortie

64

Systmes de TdS : 2 grandes familles

Systmes Analogiques

Systmes Numriques

http://premiumwanadoo.com/daniel.robert9/Digit/Digit_1T.html

65

Schma gnral dun systme de DSP


DSP = Digital Signal Processing
PCM encoder

PCM decoder

66

Transmissions numriques : Rpteur ou rgnrateur

Intrt : Communications longue distance :


Le bruit nest pas amplifi.

I-67

Systmes de Traitement du signal (1)


Selon leur complexit, les systmes de TdS combinent plusieurs oprations
sur un ou plusieurs signaux. On les reprsente gnralement sous la
forme de schmas-blocs.
Exemple dun systme analogique de traitement du signal : Le corrlateur

68

Systmes de Traitement du signal

(3)

Autres exemples de systmes de traitement du signal :

69

Systmes de Traitement du signal

(4)

Mathmatiquement, les systmes de TdS sont des transformations ou


oprateurs ( intgro-diffrentiels ) qui agissent sur des signaux
( fonctions ) pour donner dautres signaux :

y t S x t
Ex.: Circuit R-C :

d
1
1
y t
y t
x t
dt
RC
RC
S est ici une quation diffrentielle
linaire dordre 1 ( drive premire )
coefficients constants
70

Exemples : Filtres pour le signal audio


Filtres Crossover : spare les plages de frquences dun signal audio
pour les envoyer vers les hauts-parleurs adapts ( Tweeter, midrange, woofer ).

http://electronics.howstuffworks.com/speaker.htm

72

Exemples : Compression du signal audio


Rappel : La dynamique dun signal x(t) est le rapport entre la valeur
maximale du signal et sa valeur ( positive ) significative la plus
faible ( la plus proche de zro ), souvent limite par le bruit.
Dynamique de systmes denregistrement audio :

Disque vinyle : 65 dB
Bande magntique : 55 dB
Acquisition 16 bits (CD) : 96 dB (thorique)
Acquisition 8 bits : 48 dB (thorique)

DynamiquedB
PMax _ Signal
10 log10
PMin _ Signal

Dynamique dun orchestre symphonique : 110 dB


Dynamique de loreille : 120 dB ( PMax_Signal = avion au dcollage )
Remde : Utilisation dun systme compresseur lors de
lenregistrement pour rduire la dynamique du signal ( ni
crtage des sons forts, ni dperdition des sons faibles ).

73

Exemples : Compression du signal audio


Compression du signal audio : Utilisation dun systme compresseur
lors de lenregistrement pour rduire la dynamique du signal ( ni
crtage des sons forts, ni dperdition des sons faibles ).
Mthode : Amplification non-linaire :

74
http://fr.wikipedia.org/wiki/Compresseur_(audio)

Exemples : Systmes de traitement dimages


Systmes de floutage ou daccentuation

http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip.html

75

Exemples : Systmes de traitement dimages


Systmes de rduction du bruit

http://www.ph.tn.tudelft.nl/Courses/FIP/frames/fip.html

76

Exemples : Identification de Systmes


ex.: Prospection sismique :

r t S e t

http://www.ifremer.fr/drogm_uk/Realisation/Vulgar/Sismique/sismic.htm

77

Systmes de TdS linaires et non-linaires


Une bonne partie des systmes utiliss en TdS sont dits linaires .
Tous les systmes linaires ont des proprits communes que nous
dcrirons en dtail.
Les trois principales sont lhomognit, ladditivit et linvariance
temporelle.
Les systmes de TdS qui ne vrifient pas ces proprits sont dits
non-linaires .

78

Systmes linaires : Homognit


Homognit :

Si y t S x t
alors
S a x t a y t

79

Systmes linaires : Additivit


Additivit :

Si y1 t S x1 t
et y2 t S x2 t
alors
S x1 t x2 t y1 t y2 t

80

Systmes linaires : Invariance temporelle


Invariance temporelle :

Si y t S x t
alors
S x t y t

81

Systmes linaires : Rsum des Proprits


Homognit & Additivit :

Si y1 t S x1 t
et y2 t S x2 t
alors
S a x1 t b x2 t a y1 t b y2 t

Homognit, Additivit & Invariance temporelle :

Si y1 t S x1 t

et y2 t S x2 t
alors

S a x1 t T1 b x2 t T2 a y1 t T1 b y2 t T2
82

Systmes Linaires : Exemple


t

Homognit :

S : x t

Si y t S x t
alors
S a x t a y t

x d

S ax t

a x d a x d

a x d a y t

Additivit :

Si y1 t S x1 t
et y2 t S x2 t
alors
S x1 t x2 t y1 t y2 t

S x1 t x2 t

x x d
1

x d x d
1

S x1 t S x1 t
83

Systmes Linaires : Exemple


t

Invariance temporelle :

S : x t

x d

Si y t S x t
alors

S x t T

S x t T y t T

x T d y t T

y(t)

t
T

y(t-T)

t
0

84

Systmes Non-linaires : Exemple


Homognit :

Si y t S x t
alors
S a x t a y t

S : x t x2 t
S ax t a 2 x 2 t
2

aS x t ax t

Additivit :

Si y1 t S x1 t
et y2 t S x2 t
alors
S x1 t x2 t y1 t y2 t

S x1 t x2 t x1 t x2 t

x12 t 2 x2 t x1 t x 22 t
S x1 t S x1 t
x12 t x 22 t
85

Systmes linaires : Fidlit Sinusodale

(1)

Fidlit sinusodale :

Si lentre dun systme linaire est un signal sinusodal, la sortie y(t) sera
toujours un signal sinusodal de mme frquence que le signal dentre
( par contre, la phase et lamplitude du signal peuvent varier ).

Si x t A sin 2 f 0 t ,
alors
y t S x t B sin 2 f 0 t
86

Systmes linaires : Fidlit Sinusodale

(2)

Ex.: Circuit R-C :

Si

y t

x t E cos 0t
alors
E
2
0

1 R C

cos 0t

Atan 0 RC

87

Systmes linaires : Rponses Indicielle & Impulsionnelle (1)


Rponse Indicielle :

Si

x t t

Rponse impulsionnelle :

Si

x t t

alors

alors

y t S x t Rponse Indicielle

y t S x t Rponse
Impulsionnelle
88

Systmes linaires : Rponses Indicielle & Impulsionnelle (2)


Ex.: Circuit R-C :

Rponse Indicielle :

Si

x t t
alors

RC
y t S x t 1 e

rponse impulsionnelle :

Si

x t t
alors

y t S x t

1
RC

t
RC

t
89

Systmes linaires : Rponse Impulsionnelle (1)


d(t)

hHF(t)

hLF(t)

Rponses impulsionnelles exprimentales dun systme audio, avec


les hautes frquences ( aiges ) accentues ( hHF(t) ) ou les basses
frquences accentues ( hBF(t) ).
http://en.wikipedia.org/wiki/Impulse_response

90

Systmes linaires : Rponse Impulsionnelle (2)


Si lon connat la rponse impulsionnelle dun SLIT ( Systme Linaire
Invariant dans le Temps ), on peut en dduire la rponse y(t) tout
signal dentre x(t).

S
Preuve : Soit S[d(t)]=h(t), la rponse impulsionnelle du SLIT considr :

t
t
x t

x t d

h t

IT

Homognit

Additivit

91

Systmes linaires : Rponse Impulsionnelle (2)


Si lon connat la rponse impulsionnelle dun SLIT ( Systme Linaire
Invariant dans le Temps ), on peut en dduire la rponse y(t) tout
signal dentre x(t).

S
Preuve : Soit S[d(t)]=h(t), la rponse impulsionnelle du SLIT considr :

t
t
x t

x t d

IT

Homognit

Additivit

h t
h t
x h t

x h t d

92

Systmes linaires : Rponse Impulsionnelle (3)

Additivit

x t d

Or t est une fonction paire : t t t

x t d

x t

y t

x h t d

x * h t
y(t) est la convolution entre lentre
x(t) et la rponse impulsionnelle h(t) 93

Systmes linaires : Rponse Impulsionnelle (3)

x t d

Additivit

x h t d

Or

t est une fonction paire : t t t

x t d

x h t d

x t

y t

x h t d

y t

x h t d

x * h t
y(t) est la convolution entre lentre
x(t) et la rponse impulsionnelle h(t) 94

Systmes linaires : Rponse Impulsionnelle (3bis)


Remarque : Pour ceux qui trouveraient un peu cavalier le passage x(t) :

x t d

t t

x t d x t

On propose la dmonstration alternative suivante, avec la figure associe reprsentant


x(t) ou x(u) en bleu, x(-u) en vert, et x(-(u-t), avec t=5 en rouge :

x t d

t u

x t u u du

x u t u du

x t
95

Systmes linaires : Rponse Impulsionnelle (4)


Application signal audio : On mesure la rponse impulsionnelle h(t) dune salle
de concert. Une fois h(t) connu, lacoustique de cette salle peut tre reproduite
quel que soit le signal audio dentre par convolution avec h(t) : cest le principe
des processeurs convolution, galement utiliss pour simuler la rponse dun
instrument spcifique.

y t x * h t

x h t d

h(t)

96
http://fr.audiofanzine.com/apprendre/dossiers/index,idossier,87,mao,viva_la_convolution_.html

Systmes linaires : Fidlit Sinusodale

(2)

Fidlit sinusodale :
Si lentre dun systme linaire est un signal sinusodal, la sortie y(t) sera toujours
un signal sinusodal de mme frquence que le signal dentre.

Si

x t Ae

j 2 f 0 t

y t
y t

y t AH f 0 e

j 2 f 0 t

Hf

h t e j 2 f t dt
98

Systmes linaires : Fidlit Sinusodale

(2)

Fidlit sinusodale :
Si lentre dun systme linaire est un signal sinusodal, la sortie y(t) sera toujours
un signal sinusodal de mme frquence que le signal dentre.

Si

x t Ae

j 2 f 0 t

y t

x h t d

t u

y t

h Ae

x t u h u du x t h d

j 2 f 0 t

d Ae

j 2 f 0 t

y t AH f 0 e

h e

j 2 f 0

j 2 f 0 t

x t H f0 ,

Hf

h t e j 2 f t dt

99

Systmes linaires : Fidlit Sinusodale

(3)

Fidlit sinusodale :

Si x t Ae

j 2 f 0 t

, alors y t AH f 0 e

j 2 f 0 t

Ce

j 2 f 0 t

, C

Si lentre dun systme linaire est un signal sinusodal ( exponentielle complexe ),


la sortie y(t) sera toujours un signal sinusodal de mme frquence que le signal
dentre. Cependant, lamplitude et la phase du signal de sortie peuvent tre
diffrentes de celles du signal dentre, cause du nombre H(f0), gnralement
complexe puisque :

Hf

h t e

j 2 f t

dt et

AH f 0 A H f 0 e

j Arg H f 0

100

Systmes linaires : Fonctions Propres


Fidlit sinusodale :

Si x t Ae

j 2 f 0 t

, alors y t H f 0 Ae

j 2 f 0 t

H f0 x t
C x t , C
Les signaux sinusodaux ( comme les exponentielles complexes ) sont les
fonctions propres des systmes linaires invariants dans le temps, car
elles resortent ( presque ) telles quelles dun SLIT.

101

Systmes linaires : Rponse frquentielle

(1)

Fidlit sinusodale :

Si x t Ae

j 2 f 0 t

, alors y t H f 0 Ae

j 2 f 0 t

Hf

h t e

j 2 f t

dt

Le facteur complexe H(f0) qui affecte lamplitude du signal sinusodal de


sortie dpend de la frquence f0 du signal sinusodal dentre. La fonction
H(f) en module et en phase reprsente donc la rponse en frquence
du systme une excitation sinusodale. Cest une caractristique
importante dun SLIT et on peut aisment la mesurer exprimentalement
( Q.: Comment faire ? ).
102

Systmes linaires : Rponse frquentielle

(2)

Fidlit sinusodale :

Si x t Ae

j 2 f 0 t

, alors y t H f 0 Ae

j 2 f 0 t

Hf

h t e

j 2 f t

dt

La rponse en frquence H(f) nest rien dautre que la Transforme de


Fourier de la rponse impulsionnelle h(t). La TF joue un rle fondamental
dans la thorie des SLIT.

103

Systmes linaires : Rponse frquentielle

(3)

Rponse Frquentielle H(f) :


Ex.: Circuit RC :

1
Hf
1 j 2 f RC
Hf

1
f
1 j
fc

fc

GdB 20log H f

1
2 RC

Le circuit RC dans cette configuration permet dattnuer les hautes


frquences sans trop affecter les basses. Cest un filtre passe-bas du
premier ordre, dexpression gnrale :

Hf

1
1 j

f
fc

106

Exemple : Filtre passe-bas sur le RTC


Filtre de garde avant la conversion A/D :

Numrique

Analogique

8 k Sa/s, 8 bits : 64 kbit/s

Analogique

Plage de frquences
Occupe par le signal
tlphonique ( Bande passante )

108

Systmes linaires : Rponse frquentielle

(4)

On dfinit la bande passante H(f) dun systme de TdS comme le domaine de


sa rponse frquentielle ( lintervalle en frquence sur lequel elle est nonnulle ) :
Cette dfinition est souvent relaxe, et
la BP -3dB est dfinie comme
lintervalle o :

GdB 20 log H f 3 dB

Plus tard, nous tendrons cette dfinition la bande passante dun signal
analogique, dfinie comme le domaine de sa transforme de Fourier.
109

Systmes linaires : Principe de Superposition


On peut dcomposer un signal compliqu en une somme pondre de signaux
simples , une combinaison linaire du type :

x t ai i t
i 1

Plutt que de considrer leffet dun systme S sur le signal compliqu, il suffit
de considrer leffet de S sur chacun des signaux simples. En effet, les
proprits des SLITs assurent que :

N
N
y t S x t S ai i t ai S i t
i 1
i 1
111

Systmes linaires : Synthse & Dcomposition


Exemple de dcomposition :

a0

a1
3

x t ai xi t
i 1

a2

x n ai xi n
i 1

112

Reprsentation discrte ou vectorielle des Signaux

II - 2

Ch.II : Reprsentation Discrte ou


Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 6

Rappel : Produit Scalaire entre 2 signaux


Produit scalaire entre x(t) et des signaux
yi(t) de plus en plus dcals :

x(t)

x(t)
yi(t)

Scaleo.m

x(t).yi(t)
t2

110

84

10-13

-120

x y x(t ) y *(t ) dt
t1

II - 7

Similitude ou ressemblance entre 2 signaux

x y
Ex E y

Produit scalaire normalis entre x(t) et yi(t):

x(t)

x(t)
y(t)

Scaleo.m

x(t).y(t)
t2

110

84

10-13

-120

254

x y x(t ) y *(t ) dt
t1

0.971

0.713

-1.0

0.713

x y
Ex E yi

II - 8 8

Reprsentation Discrte (vectorielle) des signaux


N

Principe :

x(t ) Ak k (t )
k 1

avec x(t) dfini sur [a,b]

ou

x(t )

A (t )
k

Ak

= Reprsentation discrte ( ou vectorielle )


du signal x(t) dans la base des

fk(t)

Les signaux qui constituent la base sont orthogonaux


et norms (voir plus loin)

Exemple : La base des exponentielles complexes sur [a,b]

k (t )

1
ba

k
j 2
t
ba
II - 9

Rappel : Produit Scalaire entre 2 signaux

(1)

On peut apprcier ou mesurer le degr de similitude ou de ressemblance


entre deux signaux x(t) et y(t) ( valeurs relles ou complexes ) dfinis
sur [t1,t2] ( signaux continus ) ou [n1,n2] ( signaux discrets ) en utilisant
le :
PRODUIT SCALAIRE entre x et y, dfini :
pour des signaux continus :

t2

x, y x y x(t ) y *(t ) dt
Pour des signaux discrets :

t1
* Reprsente le conjugu complexe, obtenu en
changeant le i=-1 en i dans lexpression
analytique du signal valeurs complexes.

n2

x, y x y x n y * n
n1

II - 10

Signaux Orthogonaux
Deux signaux

n (t ), k (t ) C

sont dits orthogonaux sur [a,b] si :

b
*

(
t
)

n k (t ) dt 0
a
Si les tous les signaux de lensemble {fn(t)} sont orthogonaux deux
deux sur [a,b], alors :

n, k :

*
k (t )

(t )
n

dt K n nk

0 kn

Kn k n

Si {Kn}={1}, les signaux {fn(t)} sont dits orthonormaux.

II - 11

Signaux de base Orthonormaux


A partir dun ensemble de signaux {fn(t)} orthogonaux deux deux sur
[a,b], pour lesquels :
b

n, k :

*
k (t )

(t )
n

0 kn
dt En nk
En k n

on construit lensemble de signaux {jn(t)} orthonormaux sur [a,b]


correspondant en normalisant les signaux de dpart :

1
n (t )
n (t )
En
On vrifie que :

b
n (t )

*
k (t )

dt
a

1
En

n ( t )

Un peu plus loin, nous dfinirons


prcisment la norme dun signal
comme la racine carre de lnergie
du signal.

1
Ek

*
k (t )

dt nk

0 k n

1 k n
II - 12

Dcomposition en Srie Orthogonale

(1)

Thorme : Un signal w(t) dfini sur [a,b] peut tre approxim


sur [a,b] par la srie orthogonale :

w ( t ) a n n ( t )

avec

n , m E n nm

dont les coefficients sexpriment :

exprime le caractre
orthogonal des signaux
de base

1
1
*
an
w(t ) n (t ) dt
w, n

En a
En
Le dveloppement en srie orthogonale constitue gnralement une
approximation du signal w(t), en particulier si le nombre de
signaux ou fonctions {fn(t)} ne sont pas en nombre suffisant ( ils ne
forment pas un ensemble complet ).
II - 13

Dcomposition en Srie Orthogonale

(2)

Dans le cas o n prend toutes les valeurs entires ncessaires pour que
les signaux ou fonctions {fn(t)} forment un ensemble complet ( i.e. le
signal w(t) sur [a,b] pourra tre reprsent avec une erreur aussi petite
que lon veut ), alors lapproximation peut devenir une galit stricte :
Si les signaux ou fonctions {fn(t)} forment un ensemble complet ( une
base ), le signal w(t) dfini et continu sur [a,b] peut tre reprsent
exactement sur [a,b] par la srie orthogonale :

w ( t ) a n n ( t )

avec

n , m E n nm

dont les coefficients sexpriment :


b

1
1
*
an
w(t )n (t ) dt
w, m

En a
En
II - 14

Expression des coefficients du dveloppement

w ( t ) a n n ( t )
b

m (t )dt
a

1
*
am
w
(
t
)

m (t )dt

Em a
II - 15

Expression des coefficients du dveloppement

w ( t ) a n n ( t )
n

b
*

m (t )dt
a
b

*
a w (t ) (t ) dt a n ann (t ) m (t ) dt
*
m

a n n (t ) m* (t ) dt
n

a E
n

nm

E m am

1
*
am
w
(
t
)

m (t )dt

Em a
II - 16

Proprits des signaux de base


N

x(t ) Akk (t )
k 1

Proprits des signaux fk(t) :

fm(t) c fn(t) )

Ils sont au minimum linairement indpendants 2 2 ( i.e.


et si possible orthogonaux 2 2.

Ils peuvent former un ensemble complet sils sont en nombre suffisant pour
reprsenter exactement le signal x(t). Dans le cas contraire, ils
fournissent une approximation du signal x(t).

II - 17

Synthse et Dcomposition du signal w(t)


Dcomposition
w (t ) An n (t )
n

Analyseur

w(t)

{An}
Synthse

Synthtiseur
II - 19

Exemple : Dveloppement en impulsions rectangulaires dcales

t k
k (t ) rect

Vrifiez quils sont


orthogonaux 2 2

Ek k , k
k

t k
x (t ) x(k ) rect

1
1
ak
x, k
Ek

x(k )

x(t )dt

Valeur moyenne

Il sagit dune reprsentation possible dun signal analogique en crneaux ,


tel quissu par exemple dun circuit de type chantillonneur bloqueur , une
tape de la conversion analogique-digitale.
II - 20

Impulsions rectangulaires dcales infiniment fines

t k
k (t ) rect

x (t )

t k
x
(
k

)
rect

x(t ) lim x (t )
0

lim k

lim

x(k )

1
t k
rect

Passage temps discret


temps continu

x(t )

x( ) (t )d

Convolution
(xd)(t)

On peut donc toujours considrer un signal x(t) comme une somme ( infinie )
dimpulsions de Dirac dcales et pondres.
II - 21

Ch.II : Reprsentation Discrte ou


Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 22

Dcomposition en srie de Fourier


N

x(t ) akk
k 1

An cos 2 n f 0t
x t

n 0
Bn sin 2 n f0t

A0

B0

A1

B1

A2

B2

A3

B3

II - 23

Srie de Fourier : Forme Complexe


Tout signal transitoire ( i.e. x(t)L2 (t1,t1+T), lespace des signaux dits
de carrs sommables , signaux nergie finie dfinis sur [t1,t1+T] )
peut tre dvelopp en srie de Fourier, o les fonctions de base sont
les exponentielles complexes considres sur [t1,t1+T] :

en (t ) e

j 2

n
t
T

x(t )

, nZ

X e (t ) X e
n n

1
1
Xn
x, en
En
T

j 2

n
t
T

t1 T

t1

x(t ) e

n
j 2 t
T

dt
II - 28

Signaux dcomposables en Srie de Fourier


Ils sont de deux types :
1) Tout signal x(t)L2 (t1,t1+T), donc nul en-dehors de lintervalle [t1,
t1+T] ( Signaux transitoires ou dure limite )

Lgalit x (t )

n
j 2 t
T

est considre seulement sur [t1, t1+T]

2) Tout signal priodique de priode T

Lgalit

x(t )

n
j 2 t
T

est considre quelque soit le temps.

II - 29

Dcomposition en srie de Fourier


N

x(t) Xn e

n
j 2 t
T

nN

k
A
cos
2 t
N n
T

k
k 0

B
sin
n 2 t
T

II - 30
http://webapps.fundp.ac.be/didactique/fourier/SF

Exemple : Synthse harmonique dun signal triangulaire priodique

x(t) Xn e
n9

n
j 2 t
T

k
An cos 2 t
T
k0

Les fonctions de base


orthogonales sur [0,T] sont
priodiques de priode T/k,
k entier naturel :

1
n (t ) 2 cos(2 n f 0 t ),
n
n=2k+1, k
II - 31

Reprsentation en SF des signaux rels :


Attention : Les Xn sont en gnral COMPLEXES !

1
1
Xn
x, en
T
T

t1 T

x(t ) e

j 2

n
t
T

dt

t1

Proprit de Symtrie Hermitienne des coefficients de la


dcomposition en SF dun signal rel :
x t

X k

t1 T

t1

x(t ) e

k
j 2 t
T

dt X k*

X k a jb
X k* a jb X k

X-k a donc le mme module et la mme partie relle que Xk


mais son argument ( sa phase ) et sa partie imaginaire sont
opposs ceux de Xk.
II - 33

Reprsentation graphique des coefficients Xk :

x1 (t )

X ke

j 2

k
t
T

n
n
j 2 t
j 2 t

T
X 0 X ne T X ne

n 1

Bilatrale : sur tout laxe des frquences ( f<0 y compris )

Unilatrale : uniquement sur les frquences positives

II - 34

Reprsentation graphique des coefficients Xk :

X-2
Re{X-2}

X-1

Xn

x1 (t )

X2
X1

X ke

j 2

k
t
T

Re{X2}

Im{X-2}

n
n
j 2 t
j 2 t
A
T
T
X ne
X ne

2 n 1

X k X
n ou f

X0
Im{X-1}

e Xk e Xk

Im{X2}

Deux exemples dune reprsentation


bilatrale ( sur f>0 et f <0 ) des
coefficients du dveloppement en SF
dun signal.

X n
X 1

f0

*
k

m Xk m Xk
X n
X 1

f0

II - 35

Exemple de calcul des coefficients SF :

Xn

1
1
x , en
T0
T0

T0
2

T
0
2

x t e j 2 n f 0 t dt

1
T0

T0
2

cos 2 f 0 t e j 2 n f 0 t dt

T0
2

x(t )
cos 2 f 0t

1
cos a b cos a b
2
1
cos a sin b sin a b sin a b
2
cos a cos b

II - 36

Exemple de calcul des coefficients SF :


Xn

x(t )
cos 2 f 0t

1
cos a b cos a b
2
1
cos a sin b sin a b sin a b
2
cos a cos b

1
1
x , en
T0
T0
1
T0
1
T0

T0
2

T0
2

x t e j 2 n f 0t dt

1
T0

T0
2

cos 2 f 0t e j 2 n f 0 t dt

T0
2

T0
2

cos 2 f 0 t cos 2 nf 0 t j sin 2 nf 0 t dt

T0
2

T0
2

cos 2 f 0 t cos 2 nf 0 t dt j

T0
2

1
T0

T0
2

cos 2 f 0 t sin 2 nf 0 t dt

T0
2

T0
T20

2
1

cos
2

n
f
t
dt

cos
2

n
f
t
dt

0
0
T

2T0 T0
0

2
2

T0
T20

2
1

j
sin
2

n
f
t
dt

sin
2

n
f
t
dt

0
0
T

2T0 T0
0

2
2

2
0

n 1
n 1

II - 37

Exemple de calcul des coefficients SF :

x(t ) V cos 2 f 0t
Xn

1
T0

2
0

T0
2

x t e j 2 n f 0t dt

T
0
2

V
T0

T0
2

cos 2 f 0 t e j 2 n f 0t dt

T0
2

n 1

X n

n 1

X 1

f0

X n

X 1

f0
II - 38

Exemple de calcul des coefficients SF :


Xn

1
1
x , en
T0
T0

T0
2

x t e

T0
2

j 2 n f 0t

dt

1
T0

T0
2

cos 2 f 0 t e j 2 n f 0 t dt

T0
2

x (t )
cos 2 f 0t
1
cos a b cos a b
2
1
cos a sin b sin a b sin a b
2
cos a cos b

II - 39

Exemple de calcul des coefficients SF :


Xn

x (t )
cos 2 f 0t
1
cos a b cos a b
2
1
cos a sin b sin a b sin a b
2
cos a cos b

1
1
x , en
T0
T0
1
T0
1
T0

T0
2

T0
2

x t e j 2 n f 0 t dt

1
T0

T0
2

cos 2 f 0 t e j 2 n f 0 t dt

T0
2

T0
2

cos 2 f 0 t cos 2 nf 0 t j sin 2 nf 0 t dt

T0
2

T0
2

T0
2

cos 2 f 0 t cos 2 nf 0 t dt j

1
T0

T0
2

cos 2 f 0 t sin 2 nf 0 t dt

T0
2

T0
T20

2
1

cos
2

n
f
t

dt

cos
2

n
f
t

dt

0
0
T

2T0 T0

0
2
2

T0
T20

2
1

j
sin 2 1 n f 0 t dt sin 2 1 n f 0 t dt

2T0 T0
T

0
2
2

1
1
2 cos j 2 sin n 1

0 n 1
1
1
cos j sin n 1
II - 40
2
2

Exemple de calcul des coefficients SF :


1
1
2 cos j 2 sin

Xn
0 n 1
1
1
cos j sin
2
2

x(t )
cos 2 f 0t

X n
X 1

f0

n 1

n 1

X n
X 1

f0
II - 41

Exemple de calcul des coefficients SF :

x(t ) sin 2 f 0t

1
j 2 n 1

C n 0 n 1
1
j
n 1
2

II - 43

Interprtation des termes du dveloppement en SF dun signal rel

x (t )

X k ek ( t )

Xke

X ke

j 2

Xke

j 2

k
t
T

X k e

k
j 2 t
T

j 2

Xke

k x t
t
T

k
j 2 t
T

k
t
T

(1)

n
n
j 2 t
j 2 t

T
X 0 X ne T X ne

n 1

Xke

j 2

k
t
T

X k*e

j 2

k
t
T

k
j 2 t

e
X
e

k
k

2e X k cos 2 t 2m X k sin 2 t
T
T
car ab aR jaI bR jbI aR bR aI bI jaI bR ja R bI
et donc

e ab e a e b m a m b

II - 44

Interprtation des termes du dveloppement en SF dun signal rel

x (t )

X k ek ( t )

Xke

k
j 2 t
T

X ke

X k e

j 2

k
t
T

(2)

n
n
j 2 t
j 2 t

T
X 0 X ne T X ne

n 1

k
j 2 t
T

k
k

2e X k cos 2 t 2m X k sin 2 t
T
T

Ak

Bk

k
k

2 X k cos X k cos 2 t 2 X k sin X k sin 2 t


T
T
k

2 X k cos 2 t X car cos a cos b sin a sin b cos a b


T

II - 45

Expressions alternatives du dveloppement en SF

x (t )

X k ek ( t )

X ke

j 2

k
t
T

(1)

n
n
j 2 t
j 2 t

T
X 0 X ne T X ne

n 1

k
k

x t X 0 2 X k cos X k cos 2 t 2 X k sin X k sin 2 t


T
T
k 1

k
k

X 0 Ak cos 2 t Bk sin 2 t
T
T
k 1

X 0 2 X k cos 2 t X
T

k 1

An 2e X n

Bn 2m X n

X 0 Ck cos 2 t k
T

k 1

Cn 2 X n

m X n

n Atan e X
n

II - 46

Expressions alternatives du dveloppement en SF

x (t )

X ke

j 2

k
t
T

(2)

n
n
j 2 t
j 2 t

T
X 0 X ne T X ne

n 1

k
k

x t X 0 Ak cos 2 t Bk sin 2 t
T
T
k 1

An 2e X n

Bn 2m X n

x t X 0 Ck cos 2

k 1

Coefficients du dvt en cos et sin

t k

Forme polaire ( Norme/phase )

http://www.falstad.com/fourier/

Cn 2 X n

m X n

n Atan e X
n

II - 47

Interprtation des termes du dveloppement en SF dun signal rel

Une composante continue X0 :

1
X0
T

(3)

t1 T

x(t )dt x

t1

Une composante dite fondamentale f0=1/T :

X 1e

j 2

t
T

X 1e

j 2

t
T

2 X 1 cos(2

1
T

t X1 )

Les harmoniques k aux frquences k f0 (k>1) :

X ke

k
j 2 t
T

X k e

k
j 2 t
T

2 X k cos(2

k
T

t Xk )
II - 49

Spectre dun Signal dcomposable en SF : Reprsentation bilatrale

x1 (t )

X ke

j 2

k
t
T

n
n
j 2 t
j 2 t
A
T
X ne T X ne

2 n 1

Spectre de raies
ou spectre discret

X k X

*
k

Composante
continue
Composante fondamentale
ou harmonique 1
Harmonique 3

Rmq : Cas particulier :


harmoniques paires
absentes : X2n+1=0
II - 50

Exemple de Synthse harmonique


Synthse dun signal
priodique en dents de scie :

N=1
N=2
N=3
N=10
N=30
II - 51

Synthse des signaux partir de leur coefficient de dvt en SF

II - 52

Importance du spectre de phase qn

http://www.sciences.univnantes.fr/sites/genevieve_tulloue/Elec/Fourier/fourier1.html

II - 53

Spectre dun Signal dcomposable en SF : Reprsentation unilatrale

k
k
k

x t X 0 Ak cos 2 t Bk sin 2 t X 0 Ck cos 2 t k


T
T
T

k 1
k 1

II - 54

Spectre dun Signal dcomposable en SF : Reprsentation unilatrale

k
k
k

x t X 0 Ak cos 2 t Bk sin 2 t X 0 Ck cos 2 t k


T
T
T

k 1
k 1

II - 55

Le Son Musical et la Dcomposition en SF


Le son est une onde de pression. Ce que l'oreille peroit, c'est la variation
de pression par rapport la pression atmosphrique. Cette grandeur
s'appelle la pression acoustique et peut-tre reprsente, en un endroit
donn de l'espace, par une fonction mathmatique ou un signal p(t).
Si le son est "musical", c'est--dire si on peut lui associer une certaine
hauteur ( = frquence de la fondamentale ), c'est que la pression
acoustique varie de manire priodique ou quasi-priodique. Dans ce cas,
on peut donc exprimer la srie de Fourier de p(t).
En acoustique, la premire composante de la srie de Fourier s'appelle le
fondamental (ou harmonique 1) les autres composantes constituent les
harmoniques.

II - 56

Quelques Sons et leur Dcomposition en SF


Voyelle a chante :

Voyelle i chante :

Son dit pur


Rmq : Seuls les modules des coefficients de la srie de Fourier (An) sont
reprsents ici, les phases tant ignores.
II - 57
http://webapps.fundp.ac.be/didactique/fourier/SF

Quelques Sons et leur Dcomposition en SF


Son dun violon :

Le nombre et l'importance relative des harmoniques dans le son d'un


instrument sont en grande partie responsables du timbre de cet instrument.
II - 59
http://webapps.fundp.ac.be/didactique/fourier/SF

Application : Codage de linformation


Couleur dans le signal vido analogique

II - 60

Application : TV analogique & Signal Vido

II - 61

Signal Vido Noir et Blanc

25 images/s
625 lignes/Image
=15625 lignes/s

Ligne

Trame={Lignes}

II - 62

Spectre discret du signal vido N&B

25 images/s
625 lignes/Image
=15625 lignes/s

Bande passante : 6 MHz

II - 63

Spectre du signal vido en bande de base

II - 64

Modulation par une cosinusode

(1)

Soit le signal x(t) dfini sur une priode T=1/f0, et considrons :

y (t ) x ( t ) cos(2 f c t ),

N
1
fc N f0
f 0
T
T

Les coefficients du dveloppement en SF de y(t) sont :

1
Yk
T

1
2T

1
2T

t1 T

t1

x(t ) cos 2
T

t e

j 2

k
t
T

dt

1
T

t1 T

t1

j 2 TN t j 2 TN t
k
j 2 t
e

e
e T dt
x(t )

t1 T
N
k
N
k
t1 T

j 2 t j 2 t
j 2 t j 2 t
T
T
T
T
e
dt x(t ) e
e
dt
x (t ) e
t1

t1
t1 T
kN
N k
t1 T
1
j 2
t
j 2
t
1
T
T
x
(
t
)
e
dt

x
(
t
)
e
dt

X kN

k N

2
t1
2
t1

II - 65

Modulation par une cosinusode

(2)

Soit le signal x(t) dfini sur une priode T, et considrons :

y (t ) x (t ) cos(2 f c t ),

N
1
fc
f 0
T
T

Les coefficients du dveloppement en SF de y(t) sont :

1
1
Yk X k N X k N
2
2
On retrouve la composante DC X0 en k=N et en k=-N :

1
1
1
YN X N N X N N X 0
2
2
2
1
Y N X 0
2

II - 66

Modulation par une cosinusode


C ontinuous -tim e s ignals

(3)
D IS C R E TE S P E C TR A

1
0.5
0.8

x(t )

rect T (t kT )

0.4

0.6

0.3

0.4

0.2

avec T 8s

0.1

0.2

0
0
-4

-2

0
Tim e (s )

-0.1
-5

0
F requenc y (H z )

1
0.5
0.5

y ( t ) x ( t ) cos( 2 4 t )

0.4
0.3

0
0.2
0.1

-0.5

0
-1
-4

-2

0
Tim e (s )

-0.1
-10

-5

0
F requenc y (H z )

II - 67
modul.m

10

Signal Vido Analogique : Codage des Couleurs

II - 68

Signal Vido Analogique Couleur


Pour coder la couleur, il faut utiliser la bande passante de 6 Mhz assigne
en 1941 au signal vido N&B, les TV N&B devant continuer fonctionner en
utilisant le signal Luminance .
Solution : On tire parti de la structure discrte du spectre du signal vido
N&B en plaant linformation couleur ( modulation par une porteuse )
dans les espaces qui sparent les harmoniques du signal vido N&B.
En pratique, le signal de chrominance est modul par une sous-porteuse
qui place sa fondamentale entre les harmoniques 227 et 228 de la sousporteuse principale ( fPorteuse-Vido+15625 Hz ). Linformation couleur possde
ainsi un spectre discret parfaitement intercal avec le spectre de la luminance
( Information N&B ).
En pratique, le signal Chrominance est double ( Diffrence bleue et
diffrence rouge ), le codage de ces deux signaux utilise une modulation
supplmentaire en phase et en amplitude.

II - 69

Spectre discret du signal vido N&B et couleur

II - 70

Multiplex composite du Signal vido N&B


Bande passante : 6 MHz / Canal assigne en 1941

http://electronics.howstuffworks.com/tv12.htm

II - 71

Reprsentation discrte ou vectorielle des Signaux

II - 75

Ch.II : Reprsentation Discrte ou


Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 76

Calcul pratique des coefficients de la SF via la TFD

1
2
3
4
5

X k X W k
kn
j 2
1 N 1
N

x n e

N n 0
1

DFT x n
N

6
7
II - 77

Calcul pratique des coefficients de la SF via la TFD


1re tape : Echantillonnage ( Sampling ) de x(t) :
Le signal x(t) est suppos priodique de priode T0.
On lchantillonne avec une priode dchantillonnage gale Dt :

x k D t x t Dt t
x k , k
Dt

II - 78

Calcul pratique des coefficients de la SF via la TFD


2me tape : Troncature ( Windowing ) :
On ne considre que la version tronque du signal chantillonn, en se
limitant N chantillons obtenus sur un intervalle temporel de longueur
T=NDt:

xW k , k 0,1, ..., N 1
Le fentrage idal a lieu sur une priode T0
ou sur un nombre entier de priodes
du signal de dpart ( suppos priodique
de priode T0 ) :

T N D t mT0
II - 79

Calcul pratique des coefficients de la SF via la TFD


3me tape : Calcul des coefficients Xk :
Les Xk sont habituellement dfinis ou calculs sur une seule priode de x(t),
mais rien nempche de les calculer sur un multiple de la priode
fondamentale T0 :

1
Xk
T0

t1 T0

t1

j 2

x (t ) e

k
t
T0

dt

ou

1
Xk
m T0

t1 m T0

j 2

x (t ) e

k
t
m T0

t1

Dans ce cas, le premier point en frquence sera situ en f= f0/m, mais ces
points ajouts ont simplement des coefficients nuls, le premier coefficient
non-nul tant toujours celui de la fondamentale en f0=1/T0.
On discrtise ensuite lexpression des Xk :

II - 80

dt

Calcul pratique des coefficients de la SF via la TFD

1
Xk
m T0

On discrtise lexpression :

N 1

1
X W k
mT0
1

mT0
1

N Dt
1

x n

j 2

k
nDt
mT0

Dt ,

t1 m T0

j 2

x (t ) e

k
t
mT0

dt

t1

avec

N D t mT0

n0

N 1

x n

j 2

k
nD t
N Dt

j 2

kn
N

Dt

n0

N 1

x n

Dt

n0

N 1

x n
n0

j 2

kn
N

DF T x n
N
II - 81

Calcul pratique des coefficients de la SF via la TFD

On peut donc crire :

1
X k X W k
DFT x n
N

A condition que :
1) Lchantillonnage du signal x(t) respecte la condition de Shannon-Nyquist
( soit chantillonn suffisamment rapidement ) :

1
1
2
Dt
T0
2) On tronque la suite x[n] sur un nombre entier de priodes :

T N D t mT0
II - 82

Calcul pratique des coefficients de la SF via la TFD

1
X k X W k
DFT x n
N
Les coefficients de la Transforme de Fourier discrte (TFD) peuvent tre ainsi
calculs trs efficacement sur un ordinateur laide de lalgorithme dit de
Transforme de Fourier Rapide ( Fast Fourier Transform ou FFT ).
En MatLab, cet algorithme est invoqu par la commande fft,
qui ralise :
N 1

X [ k 1] x[ n 1] e

j 2

k
n
N

n0

k 0,..., N 1
soit presque la TFD ces quelques diffrences prs :
II - 83

Calcul pratique des coefficients de la SF via la TFD

1
X k X W k
DFT x n
N

les vecteurs sont indexs partir de 1 en MatLab ( pas dindices ngatifs )


il faut diviser le rsultat de la fft par N pour retrouver les coefficients de la
srie de Fourier.
lcart en frquence sparant chaque point, qui vaut Df=1/mT0=1/T , nest
ni utilis, ni calcul par la fft. Pour la prsentation des rsultats, il doit
donc tre calcul explicitement.
les coefficients correspondant aux k ngatifs se situent entre lindice
(N/2)+1 et N. Pour la reprsentation usuelle centre sur la frquence
nulle, le rsultat de la fft doit tre rarrang. Le mieux pour cela est
dutiliser la fonction spcifique fftshift.
lalgorithme fft se caractrise par un maximum defficacit quand N est
une puissance de 2, et il reste assez efficace quand N est pair. Par contre,
il est inapplicable si N est un nombre premier, et dans ce cas, le calcul
utilise la dfinition brute de la TFD.
II - 84

Calcul pratique des coefficients de la SF via la TFD

1
2
3
4
5

X k X W k
kn
j 2
1 N 1
N

x n e

N n 0
1

DFT x n
N

6
7
II - 85

TFD dune fonction priodique chantillonne sur T0=mT

TFD1.m

II - 86

Ch.II : Reprsentation Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 89

Reprsentation Vectorielle des signaux


La reprsentation discrte dun signal x(t) dfini sur [a,b] en termes de ses
composantes dans la base des signaux fk(t) :
N

x(t ) Akk (t )
k 1

est galement qualifie de reprsentation vectorielle, car elle permet de


reprsenter les coefficients Ak de la reprsentation discrte de x(t) comme
les coordonnes dun vecteur dans un espace vectoriel
appel Espace vectoriel de signaux :
Proprits des signaux fk(t) :
Ils sont au minimum linairement indpendants 2 2
( i.e.

fm(t) c fn(t) ) et si possible orthogonaux 2 2.

Ils peuvent former un ensemble complet sils sont en


nombre suffisant pour reprsenter exactement le
signal x(t). Dans le cas contraire, ils fournissent une
approximation du signal x(t).

II - 90

Espace vectoriel des signaux


Un ensemble orthonorm complet {fn(t)} dfinit une base de
lespace des signaux dfinis sur un domaine D.
Cet espace de signaux muni dune base est un espace vectoriel S.

Produit scalaire :
*
2

x1 , x2 x1 (t ) x (t ) dt
D
N

x1 (t ) akk (t )
k 1
N

x2 (t ) bkk (t )
k 1

x1 , x2 ak bk*
k 1

Exercice : Dmontrez cette relation

II - 91

Proprits du produit scalaire :

x, x 0
x, x 0 x(t ) 0
x, y y , x

ax, by ab* x, y
x y , v w x, v x, w y , v y , w
x, y y , x 0

x(t) et y(t) sont orthogonaux (Dfinition)

k (t ) est orthonormal
k , j kj
x, y

x y

Ingalit de Schwartz
( galit atteinte pour x et y proportionnels )
II - 92

Norme :
2

x, x x 0
Proprits :

x 0 x S
0 pour x(t ) 0

x y x y
N

k 1

x x, x x(t ) x* (t )dt x(t ) dt Energie sur D


2

x (t ) x x * , x

II - 93

Thorme de Parseval :
2

Ex x x, x x(t ) dt
D

2
k

k 1

par le thorme de Pythagore

Energie dune composante ak

E ak k

a
k

(t )

fk(t) :
* *
k k (t )

dt a k k (t ) a

dt a k

Lnergie de x(t) sur D est gale la somme des nergies de


chacune de ses composantes dans la base orthonormale

{fk}.

Application : Compression de linformation ( voir plus loin ).


II - 94

Espace des Signaux de carr sommable


Lensemble de tous les signaux valeurs relles ou complexes dfinis sur le
domaine D et dont la norme est finie se nomme Espace des signaux ( ou
fonctions ) de carr sommable not L2(D), ou Espace de Hilbert .

x x, x

x t D
2

Lexposant 2 de L2 indique le critre de convergence utilis : dans L2, un signal


y(t) converge vers x(t) en moyenne quadratique lorsque leur distance
euclidienne tend vers 0.
Lorigine de cet espace est un signal qui est nul partout, ou presque partout,
exception faite dun ventuel nombre limit de discontinuits finies ( des points
isols ).
LEspace de Hilbert joue un rle trs important en Physique, notamment en
mcanique quantique.
II - 95

Distance euclidienne

(1)

d ( x, y ) x y

x y, x y

La distance entre deux signaux est une mesure quantitative de leur


dissemblance. Elle est nulle si les deux signaux sont identiques. Elle est trs
utilise en TdS lorsquon a besoin de comparer deux signaux ( reconnaissance
de forme, ).

Proprits :

d ( x, y ) 0 x y
d ( x, y ) 0 pour x y
d ( x, y ) d ( y, x ) x, y S
d ( x, y ) d ( x, z ) d ( z , y ) x, y, z S
d ( x,0) x

II - 96

Distance euclidienne

d ( x, y )

(2)

x y, x y
*
(
x
(
t
)

y
(
t
))
(
x
(
t
)

y
(
t
))
dt

x (t ) y (t ) dt

Cest la distance euclidienne ou distance en moyenne quadratique.


N.B. : Pour des raisons dhomognit, on peut aussi utiliser un facteur 1/D
devant lintgrale.
Dautres dfinitions de la distance sont possibles, par ex.:

d ( x, y ) x(t ) y (t ) dt
D

d ( x, y ) SUP x(t ) y (t ) t D

II - 97

Distance euclidienne

d ( x, y )

(3)

x y, x y
N

* *
(
a

b
)

(
t
)
(
a

b
)
k k k j j j (t ) dt
D k 1

j 1

k orthonorm

*
(
a

b
)
(
a

b
)
k k j j kj
k 1

j 1

0, k j
k (t ) (t ) dt 1, k j kj
*
j

car
N

*
(
a

b
)(
a

b
)
k k k k
k 1
N

k 1

bk

2
II - 98

Ch.II : Reprsentation Discrte ou


Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 99

Rappel : Corrlation croise ou inter-corrlation


On a dfini lopration de Corrlation croise de 2 signaux nergie
finie ( et valeurs complexes ) x(t) et y(t) :

R xy ( ) x , y

x (t ) y * (t ) dt

La fonction dautocorrlation dun signal nergie finie1 compare un


signal sa version dcale :

x ( ) R xx ( )

x (t ) x * (t ) dt

1:

Remarque : On peut gnraliser des signaux puissance finie en dfinissant la

fonction dautocorrlation moyenne temporellement .


II - 100

Dfinition alternative de lauto-corrlation


A partir de la fonction dautocorrlation dfinie pour un signal x(t) nergie
finie,

x ( ) x, x

x(t ) x * (t )dt

Ou obtient une dfinition quivalente ou on a simplement chang

t et t :

x (t )

x ( ) x * ( t ) d R

xx

(t )

II - 101

Exemples de fonctions dautocorrlation

II - 102
Autocorr.m

Fonction dautocorrlation dun signal de L2

x (t ) L2 ( , )
x (t ) x (t ), , version dcale droite
2

d ( x, x ) x x

x , x

x (t ) x * (t ) dt

t u

Hyp .: x t

x (u ) x * (u ) du

x x , x x
2

x 2 x, x x

x , x x , x *
Ex 2 x, x Ex

Or E x E x donc d 2 ( x , x ) 2 E x x , x

x, x Ex

Or on a dfini la fonction dautocorrlation du


signal x(t) comme :

x ( ) x , x

x (t ) x * (t ) dt

Et donc :

d ( x , x ) 2 x (0) x ( )
2

II - 103

Interprtation de la fonction dautocorrlation dun signal

d 2 ( x , x ) 2 x (0) x ( )
Plus la fonction dautocorrlation fx(t) du signal x(t) dcrot vite,
plus la distance entre x(t) et sa version dcale de t est grande.
Ce sera le cas pour un signal x(t) qui varie trs rapidement.
La fonction dautocorrlation fx(t) donne donc une ide du contenu
en frquence du signal x(t).
Dans la suite du cours, nous montrerons que la densit spectrale
de puissance dun signal ( son contenu spectral ) est donne par
la transforme de Fourier de sa fonction dautocorrlation.
Nous montrerons que cette proprit trs importante est galement
vraie pour les signaux alatoires, la fonction dautocorrlation tant
alors dfinie statistiquement ( Thorme de Wiener-Khintchine ).
II - 104

Lien entre fx(t) et le spectre de x(t)

x ( ) x , x

x (t ) x * (t ) dt

d ( x , x )
2 x (0) x ( )
II - 105
Autocorr2.m !! Corriger les amplitudes !!

Trouver les priodicits dun signal

(1)

x(t)=2cos(2p50t)+sin(3p30t)
T = 3 1/30 = 5 1/50 = 1/10 s
y(t) = xcorr(x)

II - 106

Trouver les priodicits dun signal

(2)

T0=27 jours : Priode de la


rotation solaire.
T1=13.5 jours : Priode de
temptes dans lhliosphre.
Fonctions dautocorrlation de:
v : Vitesse du vent solaire
T : Temprature
n : densit ionique

II - 107

Modulation sinusodale en Instrumentation


Mesure de lamplitude de signaux faibles ( noys dans un bruit ) :
lautocorrlation du signal de sortie fait trs bien ressortir la composante
sinusodale du signal modul.

II - 108

Exemple dautocorrlation dun signal


Autocorrlation de v(t)

v t cos 2 0.1 t gnoise 1


2

150
1

100

-1

50
-2

-3
0

20

40

60

80

100

120

-50
-100

3000

-50

50

100

2500

2000

DSP ou Spectre ( unilatral )


du signal v(t)

1500

1000

500

II - 109

0
0.0

0.1

0.2

0.3

Frquence (Hz)

0.4

0.5

Exemple : Rayonnement dun tube fluorescent

Spectre du signal v(t)

25
20
15

3.0
2.5

10

2.0
1.5

1.0
0.5

0.0
0.5

1.0

1.5
temps (s)

2.0

2.5

100

200
300
Frequency (Hz)

400

500

II - 110

Ch.II : Reprsentation Discrte ou


Vectorielle des Signaux

Dcomposition en srie orthogonale


Dcomposition en srie de Fourier
Calcul des coefficients de la SF via la TFD
Espace vectoriel des signaux dnergie finie L2
Fonction dAutocorrlation dun signal
Compression avec perte de linformation

II - 112

Rappel : Thorme de Parseval :


2

Ex x x, x x(t ) dt
D

Energie dune composante ak

E ak k

a
k

(t )

2
k

k 1

fk(t) :
* *
k k (t )

dt a k k (t ) a

dt a k

Lnergie totale de x(t) sur D est gale la somme des nergies


de chacune de ses composantes individuelles.
Application : Compression avec perte de linformation.
Principe : Aprs une dcomposition du signal, on ngligera les
composantes fk qui ont un coefficient ak faible, car akfk ne porte
quune fraction ngligeable de lnergie totale du signal x(t).
II - 113

Application : La compression dimages numriques avec pertes


Principe gnral :

c x, y
Ceux qui portent une nergie faible

Au, v
Reprsentation
discrte du signal
c[x,y]

II - 114

Compression dimages numriques avec pertes : Exemple 1D


8

c x A u u x
u 1

c x
x

c x 128

On extrait de limage une suite de 8


pixels :
c x , x 1,..., 8 0, 255

A u

Au
u
II - 115

Fonctions de base cosinusodales discrtes 1D


1re tape : Construction de 8 fonctions de base cosinusodales (1D)
discrtes :

u x
u=1

u=2

u 1
u x cos 2
x
14

u, x 1,...,8

u x

u=7

u=8

x
+1=Blanc
-1 =Noir

II - 116

mire.m

Frquence Spatiale
Frquence :

(1)

Intervalle temporel T frquence

Frquence spatiale :

f=1/T

Intervalle spatial, une longueur Dx


frquence spatiale f=1/Dx

[s-1]
[m-1]

II - 117
/mire.m

Frquence Spatiale

(2)

Filtrage dimage selon ses Frquences spatiales :

Originaux

Basses fs

Hautes fs

II - 118

Frquence Spatiale

(3)

II - 119

Dcomposition du signal en coefficients A[u]


2me tape : dtermination des coefficients A[u] du dveloppement
en terme des fonctions de base cosinusodales

c x , x 1,..., 8

u x

x
mire.m

A u c, u c x u x
x 1

A u , u 1,...,8

Version discrte de :
b

1
1
*
an
w
(
t
)

(
t
)
dt

w, m
n
K n a
Kn

II - 120

Synthse du signal partir des coefficients A[u]


La connaissance des coefficients A[u] du dveloppement permet de
retrouver le signal de dpart c[x] :

u x

A u , u 1,...,8

c x , x 1, ..., 8

A u x
u

u 1

II - 121

N7

Norme de compression dimages numriques fixes JPEG

1re tape : Division de limage en blocs de 8x8=64 pixels

II - 122

mire.m

Norme de compression dimages numriques fixes JPEG

2me tape : Construction de fonctions de base cosinusodales 2D

II - 123

mire.m

64 blocs-images de base 8x8

N x, y u x, y v x , y
x , y , u , v 1, ..., 8 N 1, ..., 64

Courbe jaune : Parcours conventionnel vers des


frquences spatiales globalement croissantes.

II - 124

Norme de compression dimages numriques fixes JPEG

3me tape : Calcul des coefficients A[u,v]

A u , v I x , y u x , y v x , y
x 1 y 1

x , y , u , v 1, ..., 8

64 x , y 8 x , y 8 x , y

II - 125

mire.m

Valeurs des coefficients A[u,v]


Lnergie du signal est concentre dans un petit nombre de coefficients A[u,v] ( Fig.
ci-dessous ). La plupart des coefficients ont une valeur proche de zro et seront mis
zro ( 1er intervalle de quantification ) lors de la quantification.

Basses frquences spatiales

|A[u,v]|

hautes frquences spatiales


II - 126

Norme de compression dimages numriques fixes JPEG

4me tape : Quantification des coefficients A[u,v]

|A[u,v]|

II - 127

mire.m

Sensibilit de lil aux frquences spatiales


Image1=Femme placide@hautes fs + homme fch@basses fs
Image2=Autoroute@hautes fs + Gratte-ciel@basses fs

Femme placide
ou homme
fch ?

Ville ou
Autoroute ?

II - 128
http://web.upmf-grenoble.fr/LPNC/LpncPerso/Permanents/PommesVision/index.htm

Sensibilit de lil aux frquences spatiales

Femme placide
ou homme
fch ?

Ville ou
Autoroute ?

De loin, lil est donc plus sensible aux frquences basses spatiales.
II - 129
http://web.upmf-grenoble.fr/LPNC/LpncPerso/Permanents/PommesVision/index.htm

Quantification des coefficients A[u,v]

(1)

Les coefficients qui ont une valeur proche de zro seront annuls lors de la
quantification. Les intervalles de quantification ( non-uniformes ) ont t dtermins une
fois pour toutes sur base de donnes psycho-visuelles tablies exprimentalement.

AQ[u,v]

Basses
frquences
spatiales

hautes
frquences
spatiales
II - 130

Quantification des coefficients A[u,v]

(2)

Les coefficients qui ont une valeur proche de zro seront annuls lors de la
quantification. Les intervalles de quantification ( non-uniformes ) ont t dtermins une
fois pour toutes sur base de donnes psycho-visuelles tablies exprimentalement.

v
A[u,v]

Basses
frquences
spatiales

u
AQ[u,v]

hautes
frquences
spatiales
II - 131

Norme de compression dimages numriques fixes JPEG

5re tape : Encodage binaire entropique


Valeurs
0
1
2
3
4

frquences Codage
44
5
3
1
1

0
1
10
11
100

II - 132

mire.m

Encodeur et dcodeur JPEG

(1)

JPEG : Joint Photographic Expert Group

II - 133

Encodeur et dcodeur JPEG

(2)

II - 134

Approximation dun bloc 8x8

I x, y A u , v u x, y v x, y
u 1 v 1

I x, y An n x, y
n 1

N 1, ..., 64

II - 135
mire.m

Compression vs qualit de limage code JPEG


Image originale 400x336 pixels non-compresse : Taille 152 kB

20%, 37kB

40%, 25kB

60%, 19kB

80%, 12kB

90%, 7kB

136
95%,II -4kB

Inconvnients de limage code JPEG

Original
75 KB

JPEG
11 KB

II - 137

Question de rflexion
La compression JPEG est-elle quivalente un filtrage passe-bas ?
Sur limage agrandie du chat ci-dessous, on constate effectivement une certaine
attnuation des contours, caractriss par des frquences spatiales leves.
Comment se fait-il que cette attnuation ne soit pas plus marque, sachant que
de nombreux coefficients Ak ( ceux qui correspondent de hautes frquences
spatiales ) ont t annuls lors de la quantification ?

Original 75 KB

JPEG 11 KB

II - 138

Rponse la Question de Rflexion


C'est vrai que la quantification des coefficients de la DCT est analogue un filtrage passe-bas. Les
bords de l'oreille du matou apparaissent effectivement moins nets sur l'agrandissement de l'image
code JPEG que sur l'original. Donc contours moins nets, mais finalement pas tant que a, car tout
dpend de la frquence ( spatiale ) de coupure utilise... Or, pour apprcier celle-ci, il faut le faire
par rapport l'tendue du spectre de l'image, et considrer le fait que le traitement s'effectue sur
des blocs de 8x8 pixels. On va voir que ce que lon appelle "filtrage passe-bas" va quand mme
"laisser passer" des frquences spatiales trs leves par rapport l'tendue ( au domaine ) du
spectre de l'image globale. Prenons l'exemple d'une image de 1024 pixels2, et supposons que lors
de la compression on choisisse d'annuler les coefficients qui correspondent la moiti des
frquences spatiales reprsentes dans un bloc 8x8, soit toutes celles dont la frquence spatiale est
suprieure 0.25 pixels-1 ( soit 2 priodes sur 8 pixels ). Or, l'chelle de l'image globale, les
frquences spatiales reprsentatives ( le spectre de l'image ) occupent une large plage qui s'tend
jusqu' des frquences spatiales d'autant plus faibles que l'image est grande. Ainsi, une variation
sinusodale lentement variable de 1 priode sur 1024 pixels correspond une frquence spatiale de
10-3 pixels-1. Le support du spectre de l'image s'tend donc grosso modo de 0.001 ( que je
prends comme limite basse ) 1 pixel-1. C'est un spectre trs large qu'il faudrait reprsenter dans
un diagramme semi-logarithmique puisqu'il couvre 3 ordres de grandeur en frquence ! Donc le fait
de travailler sur des blocs de taille trs faible limite de fait l'effet de "filtrage passe-bas" une
frquence spatiale de coupure dj trs leve ( 0.25 ici ) par rapport l'tendue du spectre de
l'image globale. Ceci relativise videmment l'effet de filtrage passe-bas, car seuls les coefficients qui
correspondent de trs hautes frquences spatiales sont annuls lors de la compression...
( A mettre sous forme graphique avec visualisation du spectre. )
II - 139

Reprsentation frquentielle des Signaux

Chapitre 3 : Reprsentation frquentielle des


Signaux ( dterministes )

x(t ) X f

x (t ) e j 2 f t dt

Masters M1 Instrumentation & M1 MINELEC


Traitement du Signal
Prof. J.-M. THEMLIN

III-4
J.-M. THEMLIN

Ch.III : Reprsentation frquentielle des Signaux

Spectre dun Signal

Spectre dun Signal


Ex. : Sonar passif

x t

III-6
J.-M. THEMLIN

Spectre dun Signal :


PCG : Phonocardiogramme :
traduit lactivit mcanique du
muscle cardiaque.

Harmoniques : informent le/la


cardiologue sur la fonctionnement
synchrone du cur D/G.

B1

B2

S.M.Debbal, Spectral analysis of the PCG signals,


The Internet Journal of Medical Technology 4 (2007)

III-7
J.-M. THEMLIN

Spectre dun Signal :

S.M.Debbal, Spectral analysis of the PCG signals,


The Internet Journal of Medical Technology 4 (2007)

III-8
J.-M. THEMLIN

Buts de lAnalyse Spectrale ou Harmonique


Quelle est la rpartition frquentielle ( spectrale ) de
lamplitude, de la puissance ou de lnergie dun signal ?
Signaux temps continu :

Signaux temps discret :

Signaux alatoires :
Signaux dterministes
puissance finie :
Signaux dterministes
nergie finie,
Signaux priodiques :

Transforme de Fourier temps discret


( TF frquence rduite )
Transforme de Fourier Discrte
( en temps et en frquence )

Srie de Fourier
Transforme de Fourier

Densit spectrale de puissance


( via la TF de la fonction dautocorrlation )
III-10
J.-M. THEMLIN

Utilit de lAnalyse Spectrale ou Harmonique


Prvenir les interfrences entre signaux : viter le recouvrement
de leur spectre
Reconnatre des signaux daprs leur spectre
Propagation et Transmission des Signaux : Choisir un milieu
appropri au spectre des signaux transmettre ( opration de
modulation ou translation frquentielle )
Conception de Systmes : Trs souvent base sur le spectre
( ex.: Brouillage sur Canal + )
Filtrage des Signaux : Soustraction du bruit, souvent localis dans
une plage de frquence fixe ( Ex.: Bruit en 1/f ).
Contrle du Son musical : ex. : Bass/Treble sur un amplificateur

III-11
J.-M. THEMLIN

Ch.III : Reprsentation frquentielle des Signaux

Spectre dun Signal

Transforme de Fourier

Rappel : Dveloppement en srie de Fourier


T

Spectre de raies
ou spectre discret

X k X k*

Df=f0=1/T

-f0

x1 (t )

j 2

k
t
T

f0=1/T

n
n
j 2 t
j 2 t
A
X ne T X ne T
2 n 1

III-13
J.-M. THEMLIN

Rappel : Dveloppement en srie de Fourier


Tout signal x(t)L2 (t1,t1+T)
peut tre dvelopp en
srie de Fourier, o les signaux
de base sont les exponentielles complexes :

x(t) Xnen (t) Xne


n

en (t ) e

n
j 2 t
T

, nZ

t T

n
j 2 t
T

n
j 2 t
11
Xn x, en x(t) e T dt
T t1

Exemple : x(t) = Train dimpulsions rectangulaires de priode T et de


largeur T/2 :
Spectre discret Xk pour un train impulsions rectangulaires
0.5

1
n
X n sinc( )
2
2
1

pour n 0

2
(1) p

pour n 2 p 1

(
2
p

1
)

pour k pair
0

0.4

0.3

Xk reels

t kT
x ( t ) rect
T
k
2

0.2

0.1

-0.1

-0.2
-20

-15

-10

-5

0
k

10

15

20

III-14
J.-M. THEMLIN

De la Srie vers la Transforme de Fourier

4s

8s

(1)

16s

Df=f0=1/T

1
n
T f0 Df df
n Df ndf f continue
T
T
III-15
J.-M. THEMLIN
SFversTF.m

De la Srie vers la Transforme de Fourier

(2)

Srie de Fourier : Signal transitoire de dure T


ou priodique de priode T

x(t )

Xe
n

n
j 2 t
T

1

n T

T
2

n
j 2 t
T

x(t) e
T

n
1
j 2 T t
dt e
avec
f0 Df
T

Transforme de Fourier : Signal puissance finie non-priodique

1
Df df
T

n
n Df ndf f continue
T

x(t )
x(t) et X(f) forment une paire de Transformes de Fourier
III-16
J.-M. THEMLIN

Transforme de Fourier inverse

(1)

x(t) et X(f) forment une paire de Transformes de Fourier

Xf

x(t ) e j 2 f t dt

x (t )

X f e j 2 f t df

Voir dmonstration plus loin

III-18
J.-M. THEMLIN

Transforme de Fourier dun signal temps continu

SF : en (t ) e
Xk

j 2

n
t
T

, nZ

1
x, ek
T

x(t )

X ( f ) e j 2 f t df

X(f )

x(t ) e j 2 f t dt

X ( f ) x , e j 2 f t
III-19
J.-M. THEMLIN

Transformes de Fourier Remarquables

j 2 f t
1
e
df t

j 2 f t
1
e
dt f

Preuves :

TF t

t e j 2 f t dt e j 2 f 0 1

et par dualit de la TF :

TF

Si x t

X ( f ), alors X t

TF

x( f )

Une proprit de la TF : voir


dmonstration plus loin

TF 1 1

1e j 2 f t df t

De mme :

TF 1 f

f e j 2 f t df e j 2 0 t 1

TF 1

1e j 2 f t dt f

III-20
J.-M. THEMLIN

Transforme de Fourier dune Impulsion Rectangulaire

t
x(t ) A rect

T
0

T0=0.1s

X( f )

x(t ) e j 2 f t dt

X( f )

TFPulse.m

III-23
J.-M. THEMLIN

Transforme de Fourier dune Impulsion Rectangulaire

t
x(t ) A rect

T
0

T0=0.1s

X( f )

x(t ) e j 2 f t dt

X(f )

T0
2

T0

A j 2 f t
j 2 f t
A e
dt
e
j 2 f

T0
2
T0
2

j 2 f

T
j 2 f
j 2 f T2

2
e
e

T
j 2 f
j 2 f T2
2
A e
e

f
j2

A sin f T AT sinc f T
0
0
0
f

III-24
TFPulse.m

J.-M. THEMLIN

Transforme de Fourier = Spectre bilatral

X(f )

x (t ) e j 2 f t dt

X ( f ) X( f )
j X( f )

X(f ) X(f ) e
TFPulse.m

j x
III-26
J.-M. THEMLIN

La TF est en gnral valeurs complexes


Exemple : Effet du dcalage dun signal

X ( f ) X( f ) j X( f )

X(f ) X(f ) e

j x ( f )

X( f )

X ( f )
X( f )

x ( f )
TFPulse.m

III-27
J.-M. THEMLIN

Conditions dexistence de la Transforme de Fourier

Une condition suffisante


pour que lintgrale de Fourier :

X(f )

x(t ) e j 2 f t dt

existe est que :

x(t) soit absolument sommable :

x(t ) dt

Lensemble de ses points de discontinuit est dnombrable.


Ce sont les conditions de Dirichlet.
On peut cependant tendre le calcul de la TF aux signaux
puissance moyenne finie, ainsi quaux abstractions mathmatiques
usuelles comme le delta de Dirac, lchelon-unitaire
III-28
J.-M. THEMLIN

Dimensions de la Transforme de Fourier

Lintgrale de Fourier :

X(f )

x(t ) e j 2 f t dt

a comme dimension celle de [x] [temps].

Ex.: Si x(t) est une tension lectrique, alors X(f) sexprime en V s.

III-29
J.-M. THEMLIN

Transforme de Fourier de Signaux Remarquables


TF

Constante :

x t A f

TF x(t ) A

Ae j 2 f t dt A 1e j 2 f t dt A f

TF

Delta de Dirac :

t t0

e j 2 f t0

TF (t t0 )

j 2 f t0
j 2 f t

(
t

t
)
e
dt

e
0

TF (t ) 1
Un signal compltement localis en temps est compltement
dlocalis dans le domaine des frquences.
III-30
J.-M. THEMLIN

Proprits de la Transforme de Fourier

(1)

Linarit de la TF :
TF

ax t b y t a X ( f ) bY ( f ), a, b

Dualit de la TF :

Si x t

TF

TF

x( f )

X ( f ), alors X t

Preuve :

x (t )

X ( f ) e j 2 f t df

x(t )

X ( f ) e j 2 f t df

Permutons f et t :

x( f )

X (t ) e j 2 f t dt

III-31
J.-M. THEMLIN

Application de la proprit de dualit de la TF

x(t ) A rect t

On sait dj que :

TF

X ( f ) AT sinc T f

En vertu de cette proprit de dualit :

Si x t

TF

X ( f ), alors X t

TF

x( f )

On peut trouver directement la TF suivante sans avoir besoin de


la recalculer explicitement :

X (t ) A sinc t

TF

x( f ) AT rect f T
AT rect T f x( f )

Rmq.: Cest lun des rares cas o lon utilise une majuscule pour
le signal temporel et une minuscule pour la TF.
III-32
J.-M. THEMLIN

Proprits de la Transforme de Fourier

(2)

Changement dchelle de temps :


TF

x at

1
f
X ( ), a
a
a
Change de signe

Preuve :

pour a<0

TF x(at )

x(at )

j 2 f t

t ' at

dt

x(t )

x(t ')

j 2 f

j 2

f
t
a

t'
a

dt '
a

1 f
dt X
a a

Rmq.: Pas de facteur 1/|a| pour x(t) puissance finie (cf supra) !
III-33
J.-M. THEMLIN

Proprits de la TF

(3)

III-34
J.-M. THEMLIN

Proprits de la Transforme de Fourier

(4)

Dcalage temporel :
TF

x t t0

X ( f )e

j 2 f t0

Preuve :

TF x(t t0 )

x(t t )
0

t 't

e j 2 f t0

j 2 f t

t ' t t0

dt

x(t ')

j 2 f t ' t0

dt '

x(t ) e j 2 f t dt e j 2 f t0 X f

De norme = 1

La norme de la TF nest donc pas affecte par un dcalage en t.


III-35
J.-M. THEMLIN

Effet du dcalage dun signal

X ( f ) X( f ) j X( f )

X ( f ) X ( f ) e j x ( f )

X( f )

X( f )
X( f )

x ( f )
TFPulse.m

III-36
J.-M. THEMLIN

Transforme de Fourier inverse : Dmonstration


x(t) et X(f) forment une paire de Transformes de Fourier

Xf

x (t )

j 2 f t

dt

x (t )

Xf

j 2 f t

df

Vrification :

x t

X f e j 2 f t df

x( ) e j 2 f d e j 2 f t df

t u

x( ) e j 2 f t df d

x(u t ) e j 2 f u du df

X ( f )e

j 2 f t

df x t

TF

car x t t0

X ( f ) e j 2 f t0

III-37
J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel (1)

x (t ) e

t /

u t , 0.2 s

x(t ) e u t

III-38
TFexpPulse.m

J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel (2)

x(t ) e u t

X(f )

x(t ) e j 2 f t dt

III-39
TFexpPulse.m

J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel (2)

x(t ) e u t

X(f )

x (t ) e j 2 f t dt

e t e j 2 f t dt

e j 2 f t dt

j 2 f

j 2 f t

j 2 f

j 2 f

0 1

III-40
TFexpPulse.m

J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel (4)

j 2 f j 2 f
X(f )

2
j 2 f j 2 f j 2 f 2 f 2
e X ( f )

m X ( f )

2 f
2

2 f

2 f
2

TFexpPulse.m

III-41
J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel (3)

x(t ) e t u t

X(f )
j 2 f
X(f )

X ( f )

2 4 2 f 2

2 f
Atan

TFexpPulse.m

III-42
J.-M. THEMLIN

Transforme de Fourier dun signal rel

(1)

Si x(t) est un signal rel, alors sa TF est hermitique i.e. :

X ( f ) X *( f )
Preuve :

X(f )

x(t ) e

j 2 f t

dt

X(f )

X ( f )

x(t ) e j 2 f t dt

x(t ) e

j 2 f t

dt

X *( f )

x *(t ) e j 2 f t dt

x * (t ) x(t )

III-45
J.-M. THEMLIN

Hermiticit de la TF dun signal rel et parit

X ( f ) X( f ) j X( f )

X ( f ) X ( f ) e j x ( f )

X( f )

X ( f ) pair
X( f )

impair

x ( f )
TFPulse.m

III-46
J.-M. THEMLIN

Dcomposition dun signal rel

(2)

Tout signal x(t) valeurs relles peut


scrire sous forme de la somme dune
partie paire et dune partie impaire :

x(t) = xp(t) + xi(t)


Il suffit de prendre :

1
x p (t ) x(t ) x(t )
2
1
xi (t ) x(t ) x( t )
2

x p (t ) x p (t )
xi (t ) xi (t )

III-47
J.-M. THEMLIN

Transforme de Fourier dun signal rel

(3)

X(f )

x(t ) e j 2 f t dt

x(t ) cos 2 f t dt j x(t ) sin 2 f t dt

x x p xi

(t ) cos 2 f t dt

x (t ) cos 2 f t dt
i

j x p (t )sin 2 f t dt j xi (t ) sin 2 f t dt

(t ) cos 2 f t dt j xi (t ) sin 2 f t dt

III-48
J.-M. THEMLIN

Transforme de Fourier dun signal rel

X(f )

(t ) cos 2 f t dt j xi (t ) sin 2 f t dt

X ( f )

(4)

(t ) cos 2 f t dt j xi (t ) sin 2 f t dt

X ( f ) x p (t ) cos 2 f t dt j xi (t )sin 2 f t dt

x t

X ( f ) X paire ( f ) j X impaire ( f )
III-49
J.-M. THEMLIN

Transforme de Fourier dun signal rel

(5)

X ( f ) X paire ( f ) j X impaire ( f )
Si x(t) est un signal valeurs relles :
- la partie relle de sa TF est paire
- la partie imaginaire de sa TF est impaire
Ces proprits se refltent dans lamplitude et la phase de la TF :

X ( f ) X p2 ( f ) X i2 ( f ) X ( f )
Xi ( f )
X ( f ) Atan
X ( f )
X p ( f )

III-50
J.-M. THEMLIN

Transforme de Fourier dun signal rel

(6)

X ( f ) x p (t ) cos 2 f t dt j xi (t ) sin 2 f t dt

X ( f ) X paire ( f ) j X impaire ( f )

Si x(t) est un signal valeurs relles et pair possde une


TF relle et paire :
x

xi t 0 X i ( f ) 0 X ( f ) X paire ( f )

Si x(t) est un signal valeurs relles et impair possde


une TF imaginaire ( pure ) et impaire :
x

x p t 0 X p ( f ) 0 X ( f ) j X impaire ( f )
III-51
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (1)

Sinusodes :

TF x(t ) A cos 2 f 0t

Soit une TF relle et paire.

Exercice : Prouver que :

x(t ) A sin 2 f 0t

A
A
j f f0 j f f0
2
2
TF

III-58
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (1)

Sinusodes :

e j 2 f 0 t e j 2 f 0 t
TF x(t ) A cos 2 f 0t A
2

La TF
englobe
la SF

j 2 f t
dt
e

A
A
j 2 f f 0 t
j 2 f f t
e
dt e 0 dt
2
2
A
A
f f0 f f0
2
2

Soit une TF relle et paire.

Exercice : Prouver que :

x(t ) A sin 2 f 0t

A
A
j f f0 j f f0
2
2
TF

III-59
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (2)

Sinusodes :

TF x(t ) A sin 2 f 0t

Soit une TF imaginaire et impaire.

Exercice : Prouver que :


TF

x(t ) A cos 2 f 0t

A j
A j
e f f0 e f f0
2
2
III-60
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (2)

Sinusodes :

e j 2 f 0 t e j 2 f 0 t
TF x(t ) A sin 2 f 0t A
2j

j 2 f t
dt
e

A
A
j 2 f f 0 t
j 2 f f 0 t

e
dt

e
dt

2 j
2 j
j

A
A
f f0 j f f0
2
2

Soit une TF imaginaire et impaire.

Exercice : Prouver que :


TF

x(t ) A cos 2 f 0t

A j
A j
e f f0 e f f0
2
2
III-61
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (2bis)

Sinusodes :

A
A
f f0 j f f0
2
2

j
j
A
A
e 2 f f0 e 2 f f0
2
2

TF x(t ) A sin 2 f 0t j

X(f)

TF imaginaire et impaire.
f)

-f0

f0

III-62
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (3)

Sinusodes ( avec Phase lorigine non-nulle ):

e j 2 f0 t e j 2 f0 t j 2 f t
TF x(t ) A cos 2 f 0t A
dt
e

A
A
j 2 f f0 t j
j 2 f f t
e
e dt e 0 e j dt
2
2
A j
A j
e f f0 e f f0
2
2
La TF nest ni purement relle, ni purement imaginaire.

III-63
J.-M. THEMLIN

Rappel : Proprits de dcalage temporel de la TF

Dcalage temporel :
TF

x t t0

X ( f )e

j 2 f t0

Preuve :

TF x(t t0 )

x(t t )
0

t 't

e j 2 f t0

j 2 f t

t ' t t0

dt

x(t ')

j 2 f t ' t0

dt '

x(t ) e j 2 f t dt e j 2 f t0 X f

De norme = 1

La norme de la TF nest donc pas affecte par un dcalage en t.


III-65
J.-M. THEMLIN

Transforme de Fourier de Signaux Continus Priodiques (4)

Sinusodes ( avec Phase lorigine non-nulle ):

Preuve alternative via la proprit de Dcalage temporel :

TF x(t ) A cos 2 f 0 t
2 f0

A
A
j 2 f 2 f 0
f f 0 f f 0 e
2

Forme normalise
A(x-T)

A
f f0 e
2

jf

j f0

f0

f0

A
f f0 e
2

jf

A
A
f f0 e
f f0 e
2
2
A
A
e j f f 0 e j f f0
2
2

f0

j f0

III-66
J.-M. THEMLIN

f0

Transforme de Fourier de Signaux Continus Priodiques (5)

x(t) continu et de priode T=1/f0 :


On peut le dvelopper en SF :

x(t )

X e (t ) X e
n n

j 2

n
t
T

1
X n x, en
T

t1 T

x (t ) e

j 2

n
t
T

t1

On prend alors la TF des deux membres :


n
j 2 t

TF x (t ) TF X n e T
n

j 2 Tn t
X nTF e

j 2 f t
j 2 Tn t j 2 Tn t j 2 f t
n

T
Or TF e

e
e
dt

1
e
dt

TF x(t )

X f n f
n

III-67
J.-M. THEMLIN

dt

Transforme de Fourier dun Peigne de Dirac

Peigne de Dirac dT(t) :

(1)

Dmonstration en deux temps :

1) Dveloppement en SF :

T (t )

X e (t ) X e
n n

n
j 2 t
T

1
Xn
x, en
T

1 j 2 Tn t
T (t ) e
n T

III-68
J.-M. THEMLIN

Transforme de Fourier dun Peigne de Dirac

Peigne de Dirac dT(t) :

(1)

Dmonstration en deux temps :

1) Dveloppement en SF :

T (t )

X e (t ) X e
n n

n
j 2 t
T

1
1
Xn
x, en
T
T

t1 T

(t ) e

n
j 2 t
T

t1

1
dt
T

t1 T

(t ) e

n
j 2 t
T

dt

t1

n
n
j 2 t
j 2 0
1
1
1
T
T
(t ) e
dt e

T
T
T

1 j 2 Tn t
T (t ) e
n T

III-69
J.-M. THEMLIN

Transforme de Fourier dun Peigne de Dirac

(2)

1 j 2 Tn t
T (t ) e
n T

2) On prend alors la TF des deux membres :

1 j 2 Tn t 1
j 2 Tn t
TF T (t ) TF e
TF e

n T
T n

j 2 Tn t j 2 f T t
n

Or TF e
dt f
1e
T

1
TF T t
T

f n f f
0

f0 f

n
III-70
J.-M. THEMLIN

TF dun peigne de Dirac

(3)

TF T (t ) f 0 f0 ( f )

III-71
J.-M. THEMLIN

Changement dchelle de temps pour x(t) priodique


Changement dchelle de temps
pour les signaux puissance finie :

TF

x at

(1)

1
f
X ( ), a
a
a

Le spectre dun signal priodique


tant discret, il est compos
dun certain nombre de raies
(fondamentale et harmoniques):

1 f n f0 1 f n f0
X

a a a a
1
a f f
Or, on connat les proprits suivantes
a
du delta de Dirac, qui expriment la
conservation de sa norme-unit
f
af
sous changement dchelle de temps :
a
Par consquent, les composantes discrtes ( y compris le terme DC ) ne
sont pas affectes par le facteur 1/|a| :

1 f n f0 1 f n f0 a
X

f n f0 f n f0

a a a a a
III-73
J.-M. THEMLIN

Changement dchelle de temps pour x(t) priodique

(2)

Spectre dun signal sinusodal :


TF

x t A sin 2 f0t

X f A
A

j
f f0 f f 0
2

X(f)

f f e f f
j

A j 2
e f f0 e 2 f f0
2

f
)

-f0

y t A sin 2 f 0 3 t x 3 t Y f

1 j f 3 f0 1 f 3 f0

3 2 3 3 3

1 j
A 3 f 3 f0 3 f 3 f0
3 2

TF

f0

X(f)

f 3 f e f 3 f
j

f
)

A j
e 2 f 3 f0 e 2 f 3 f0
2

-3f0

3f0
III-74
J.-M. THEMLIN

Transforme de Fourier et Convolution

Rappel : Interprtation graphique de la Convolution

( x * y) t

x y t d

x y t d

Inversion & Translation

III-79
J.-M. THEMLIN

Thorme de convolution

(1)

Th. De Convolution : A un produit x(t)y(t) dans lespace temporel


correspond un produit de convolution X(f)*Y(f) dans lespace des
TF
frquences :

x t y t

Preuve :

x(t ) y (t )

X ( f ) e j 2 f t df

X *Y f

j 2 f ' t
Y
(
f
')
e
df '

X * Y e j 2 t d

III-80
J.-M. THEMLIN

Thorme de convolution

(1)

Th. De Convolution : A un produit x(t)y(t) dans lespace temporel


correspond un produit de convolution X(f)*Y(f) dans lespace des
TF
frquences :

x t y t

Preuve :

x(t ) y (t )

X *Y f

X ( f ) e j 2 f t df

j 2 f ' t
Y
(
f
')
e
df '

X ( f ) Y ( f ') e

j 2 f f ' t

df df '


f f '

X ( f ) Y ( f ) e j 2 t df d


j 2 t
X ( f ) Y ( f ) df e
d

X * Y e j 2 t d

III-81
J.-M. THEMLIN

Thorme de convolution

(2)

III-82
J.-M. THEMLIN

Thorme de convolution

(3)

Th. De Convolution : A un produit de convolution (x*y)(t) dans


lespace temporel correspond un produit X(f)Y(f) dans lespace
des frquences :
TF

x t * y t

X f Y f

Preuve : A faire en exercice.

III-83
J.-M. THEMLIN

Thorme de convolution

(3)

Th. De Convolution : A un produit de convolution (x*y)(t) dans


lespace temporel correspond un produit X(f)Y(f) dans lespace
des frquences :
TF

x t * y t

Preuve :

X f Y f

TF x * y (t )

x y t d e j 2 f t dt


t u

x y u d e

j 2 f u

du

x d e j 2 f

y u e j 2 f u du

X f Y f
III-84
J.-M. THEMLIN

Thorme de convolution

(4)

III-85
J.-M. THEMLIN

Reprsentation spectrale dun signal chantillonn (1)

xe n xe t x t T t

x t t nT

TF x t T t
1
X f * f n
T
T n

1
X f n
T
T n

III-86
J.-M. THEMLIN

Reprsentation spectrale dun signal chantillonn

(2)

Dans lespace des frquences, leffet dchantillonner un signal revient


priodiser sa TF.

xe n xe t x t T t
TF

1
T

X f n

Proprit duale : La TF dun


signal priodique est un
spectre de raies ( i.e. discret ).

III-87
J.-M. THEMLIN

Thorme dchantillonnage ( Shannon-Nyquist )

Il est possible de reconstruire de faon exacte


un signal temps continu partir de ses
chantillons condition que :

le signal x(t) est un signal bande


passante limite B ( de type passe-bas ) :
2

H PB f

Xf 0 f B

rect f
fc

la frquence dchantillonnage est plus


grande que le double de la bande passante
de x(t) :

fe 1 2B
T

III-88
J.-M. THEMLIN

Cadence pratique dchantillonnage

fs < 2B

fchant > 2fmax

fs = 2B

III-89
J.-M. THEMLIN

Echantillonnage correct ( fs>2B )

Con2dis.m
III-90
J.-M. THEMLIN

Danger dun Sous-Echantillonnage : Aliasing

Con2dis.m
III-91
J.-M. THEMLIN

Danger dun Sous-Echantillonnage : Aliasing

III-92
J.-M. THEMLIN

Danger dun Sous-Echantillonnage : Aliasing


Apparition de figures de
Moir , des structures
priodiques apparentes de basse
frquence lies au souschantillonnage dun sujet
priodique ( ici, les briques ou
les tuiles ).

Avec filtre passe-bas ( anti-Moir )


:
Lorsque le sujet comporte une structure priodique ( briques, tuiles, ), celle-ci se retrouve
projete par loptique de lobjectif photo sur le capteur de lappareil photo numrique (APN).
Si la frquence spatiale de cette structure est trop leve par rapport la densit de la
matrice des capteurs ( la valeur de chaque pixel est dtermine par lintensit lumineuse
dtecte par chacun des capteurs de la matrice ), il y a sous-chantillonnage, donc
lapparition dune structure priodique de fausse priodicit, avec une frquence spatiale
apparente infrieure la ralit photographie. Ce sont ces artefacts qui donnent lieu ces
figures de Moir. Pour pallier cet effet gnant, les constructeurs dAPN intercalent
gnralement entre lobjectif et la matrice de capteurs un filtre passe-bas pour dgrader le
piqu de lobjectif, cest--dire pour flouter lgrement limage avant quelle narrive
au capteur. Cest lquivalent dun filtre de garde, puisquil empche que narrive sur le
capteur des frquences spatiales suprieures la moiti de la frquence dchantillonnage
impose par la densit des capteurs sur le dtecteur. Malheureusement, le filtre passe-bas
dgrade le piqu ( la rsolution ) de la photo. Sur certains appareils rcents, il ny a plus de
filtre passe-bas, le flou tant ralis par un lger boug contrl des lentilles de lobjectif, qui
a lavantage dtre dbrayable pour les cas o le Moir nest pas prsent ou nest pas
drangeant.

III-93
J.-M. THEMLIN

Eviter lAliasing : Filtre de Garde ( Passe-bas )

x(t)

y(t)

Le Filtre de garde ( Passe-bas ) lentre du Convertisseur CAN garantit


que B < fe/2, i.e. que le Thorme de Shannon-Nyquist est bien respect.
Pour cela, le filtre de garde ( filtre anti-aliasing ) impose une frquence
maximum B la bande passante du signal filtr y(t) afin quaucune
frquence ne puisse se replier dans la zone utile [-fe/2,fe/2] ( viter
laliasing ).
2
e

Y f

f
0 f B
2

III-94
J.-M. THEMLIN

La transforme de Fourier Discrte (DFT)

Ch.III : Reprsentation frquentielle des Signaux

Spectre dun Signal


Transforme de Fourier ( TF )
Proprits de la TF

Transforme de Fourier Discrte (DFT)

Densits spectrales

Utilit de loutil Transforme de Fourier discrte (TFD)

Evaluer des paires de TF

Calculer les coefficients dun dveloppement en SF

Estimer le spectre de signaux exprimentaux

Application : 4 exercices du TP VI : TFD

III-101
J.-M. THEMLIN

Transforme de Fourier temps discret (TFtd)

(1)

Nous savons que la TF dun signal chantillonn sexprime :

xe n xe t x t T t

X f n

T
T n
TF

En voici une autre expression, obtenue partir de la discrtisation de


lexpression de la TF dun signal continu :

X(f )

X(f )

x(t ) e j 2 f t dt

x nT

j 2 nT f

Pour un signal temps discret gnrique x[n], la priode


dchantillonnage T est souvent non-spcifie, et on la prend gale
lunit :

X(f )

x[n] e j 2 n f

III-102
J.-M. THEMLIN

Transforme de Fourier temps discret (TFtd)

(2)

La Transforme de Fourier dun signal temps discret gnrique x[n],


souvent appele Transforme de Fourier temps discret scrit :

X(f )

x[n]

j 2 n f

On peut montrer que cette fonction continue de f est priodique avec


une priode f0=1/T=1, une proprit bien en accord avec :
TF

x n xe t x t T 1 t

X f n

III-103
J.-M. THEMLIN

Exemple de TF temps discret


Discrete-tim e Fourier Transform
1

rect N [n] u[n N ] u[n N ]

0.9
0.8
0.7
0.6
x(t)

Dis c rete-tim e Fourier Trans form


25

0.5
0.4

0.3
0.2

20

0.1
0
-30

X(f)

15

0
discrete tim e

10

20

30

sin(2 N 1)f
X(f )
sin(f )

Lobe principal de largeur


L=2/(2N+1)

TFtd.m

-10

N 10

10

-5
-2

-20

-1

0
f param eter

III-105
J.-M. THEMLIN

Priodicit des Signaux temps discret

Comparaison entre x[n]=cos 2 f 0 n et x(t)=cos 2 f 0t

Identit des sinusodes


discrtes avec f1=f0+n, n
entier

III-106
J.-M. THEMLIN

Identit des sinusodes discrtes avec f1=f0+n, n entier


r

x n Ae

j 2 f 0 r n

Ae

j 2 f 0 n

j 2 r n

r n

Ae

j 2 f 0 n

% Dem_Discret.m
% Demo on discrete sinusoids
% J.-M. THEMLIN, Nov 2005
clear all
close all
n=1:100;
% Sinusoids with f1=f0+n, n integer
%
are the same
figure(1)
x=cos(2*pi*1.02*n);
plot(n,x,'bo')
hold on
y=cos(2*pi*2.02*n);
plot(n,y,'rx')
legend('f0=1.02','f1=2.02')
xlabel('index n')
ylabel('x1[n] & x2[n]')
hold off

Domaine utile : f 0 0,1

III-108
J.-M. THEMLIN

Quasi-Identit des (co)sinusodes discrtes avec f1=1-f0

% Dem_Discret.m ( suite )
%
% Sinusoids with f1=1-f0
% are almost the same : i.e.
% Cos are the same,
% Sin are out of phase
figure(2)
x=cos(2*pi*1.02*n);
subplot(2,1,1)
plot(n,x,'bo')
hold on
y=cos(2*pi*0.98*n);
plot(n,y,'rx')
legend('f0=1.02','f1=0.98')
xlabel('index n')
ylabel('x1[n] & x2[n]')
title ('Discrete cosinusods')
hold off
x=sin(2*pi*1.02*n);
subplot(2,1,2)
plot(n,x,'bo')
hold on
y=sin(2*pi*0.98*n);
plot(n,y,'rx')
legend('f0=1.02','f1=0.98')
xlabel('index n')
ylabel('x1[n] & x2[n]')
title ('Discrete sinusods')
hold off

Ajouter justification

III-109
J.-M. THEMLIN

Frquence apparente des sinusodes discrtes


% Dem_Discret.m ( suite )
%
% Apparent "frequency" of discrete sins
% Low frequencies around f0=0
% High frequencies around f0=1/2
figure(3)
x=cos(2*pi*0.02*n);
subplot(2,1,1)
plot(n,x,'bo')
hold on
y=cos(2*pi*0.98*n);
plot(n,y,'rx')
legend('f0=0.02','f1=0.98')
xlabel('index n')
ylabel('x1[n] & x2[n]')
title ('Low "frequency" near f0=0')
z=cos(2*pi*0.02*m);
plot(m,z,'g')
hold off

Ae

j 2 1 f 0 n

Ae j 2 n e j 2 f 0 n Ae j 2 f 0 n

x=cos(2*pi*0.4*n);
subplot(2,1,2)
plot(n,x,'bo')
hold on
y=cos(2*pi*0.6*n);
plot(n,y,'rx')
legend('f0=0.48','f1=0.52')
xlabel('index n')
ylabel('x1[n] & x2[n]')
title ('High "frequency" near f0=1/2')
z=cos(2*pi*0.4*m);
plot(m,z,'g')
hold off

III-110
J.-M. THEMLIN

Frquence apparente dune sinusode discrte


Basses frquences

f0=0

f0=1/16
f0=15/16

f0=1/8
f0=7/8

f0=1/2
Hautes frquences

III-111
J.-M. THEMLIN

Condition pour la priodicit des sinusodes discrtes

x n cos(2 nf 0 )
f0 k

III-112
J.-M. THEMLIN
Discrete.m

Conditions pour la priodicit des sinusodes discrtes

%
%
%
%
%

Dem_Discret.m ( suite )
Sinusoids are periodic
of period N
only if f0=k/N

figure(5)
subplot(2,1,1)
f0=2/10;
x=cos(2*pi*f0*n);
plot(n,x,'ro')
hold on
y=cos(2*pi*f0*m);
plot(m,y,'b')
legend('k/N=2/10')
xlabel('index n')
ylabel('x1[n] & x(t)')
axis([1,20,-1.05,1.05])
title('Periodic discrete sinus : f0 rational')
hold off

x n cos(2 nf 0 )

f0 k

subplot(2,1,2)
f0=sqrt(2)/6;
x=cos(2*pi*f0*n);
plot(n,x,'ro')
hold on
y=cos(2*pi*f0*m);
plot(m,y,'b')
legend('k/N=sqrt(2)/6')
xlabel('index n')
ylabel('x1[n] & x(t)')
axis([1,20,-1.05,1.05])
title('Aperiodic discrete sinus : f0
irrational')
113
hold off

Condition pour la priodicit des sinusodes discrtes

x n N Ae

k
j 2 n N
N

Ae

k
j 2 n
N

e j 2 k x n

Discrete.m
114

Transforme de Fourier Discrte (TFD)

(1)

La Transforme de Fourier Discrte dun signal temps discret


gnrique x[n] est une approximation de la Transforme de Fourier
temps discret obtenue :

x[n]

X(f )

en limitant la sommation sur n


en discrtisant le paramtre f

j 2 nf

But : Permettre le calcul sur ordinateur, n et f tant limits un nombre


fini N de valeurs, n=0,,N-1 et fk=k/N, k=0,N-1.
Soit un signal temps discret et dure limite dfini par la suite
finie :

x n x 0 , x 1 ,..., x N 1

La transforme de Fourier Discrte est dfinie par :


TFD N 1

X k

x[n]

j 2 n

k
N

n, k 0,1, ..., N 1

n 0
III-116
J.-M. THEMLIN

Transforme de Fourier Discrte (TFD)

(2)

La transforme de Fourier Discrte dun signal temps discret et dure


limite dfini par la suite finie de N chantillons :

x n x 0 , x 1 ,..., x N 1
est dfinie
par :

TFD N 1

X k

x[n]

j 2 n

k
N

n, k 0,1, ..., N 1

n0

La TFD est dfinie sur un nombre limit


f k k 0,1
N
de N valeurs du paramtre f :
Notez que le temps t et la frquence f napparaissent pas
explicitement dans la dfinition de la TFD, ils sont cachs dans les
indices n et k, qui suffisent pour un calcul numrique.

Notez que le paramtre fk=k/N est dfini entre 0 et 1, la TFD peut tre
considre comme la partie irrductible , soit une priode dun
signal X[k] tendu et priodique, de priode 1
III-117
( voir TF temps discret ).
J.-M. THEMLIN

La TF Discrte X[k] est priodique

III-118
J.-M. THEMLIN

Transforme de Fourier Discrte inverse (ITFD)


Ecriture simplifie de la TFD :
TFD N 1

X k

nk
x
[
n
]
W

avec WNnk e

j 2

nk
N

n0

La transforme de Fourier Discrte inverse est dfinie par :

1
x[ n]
N

N 1

N 1

X k W

nk
N

k 0

1
X k e
N k 0

j 2

nk
N

III-119
J.-M. THEMLIN

Double priodicit dune paire TFD - ITFD

Puisque le paramtre fk est tel que :

fk k

0,1

la TFD dcrit une seule priode de X[k] priodique ( de priode 1 ).

De mme, la TFD inverse dcrit une priode dun x[n] qui devient
implicitement lui aussi priodique, puisque sa TF est discrte !

III-120
J.-M. THEMLIN

TF Discrte : Double priodicit

III-122
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

2
3

(1)

Utilisation de la TFD pour


approximer la TF dun signal
analogique h(t) ( bande
passante limite )

Aliasing ou
recouvrement spectral

Leakage ou
talement en frquence

Double priodicit
temporelle et
frquentielle

III-123

J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

(2)

Utilisation de la TFD pour approximer la TF X(f) dun signal


analogique x(t) ( bande passante limite ) :
1) Echantillonnage ( avec une priode Dt ) :

x k Dt x t Dt t x k , k
2) Troncature ( Windowing ) :
On garde N chantillons qui dcrivent une dure T0

xW k , k 0,1,..., N 1

T0 N Dt

3) Discrtisation de la frquence :
Puisque la TF XW(f) dun signal chantillonn ( donc discret ) est
priodique ( sa priode vaut 1/Dt ), il suffit dvaluer XW(f) sur une seule
priode, et ce en N points ( autant que dchantillons ). On fixe donc
ainsi le pas en frquence Df:

1
N Df
Dt

1
1
Df

N Dt T0

III-125
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

1
N Df
Dt

3) Discrtisation de la frquence :

X(f )

x(t ) e j 2 f t dt

(3)

1
1
Df

N Dt T0

devient :

N 1

X W ( f ) f n x(k Dt )
T0

j 2

n
k Dt
N Dt

Dt

k 0

N 1

x(k Dt ) e

j 2

nk
N

Dt

k 0

N 1

Dt x(k Dt ) e

j 2

nk
N

k 0

X ( f ) XW ( f ) f n

T0

Dt DFT x k
III-126
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

(4)

Remarques importantes :
1) Lors de lchantillonnage ( avec une priode Dt ), la condition de
Shannon doit tre respecte :

2) Pas en frquence :

1
2B
Dt

Lcart Df entre deux points adjacents dans lespace des frquences


ne doit pas tre confondu avec la frquence dchantillonnage fe, la
relation entre les deux tant :

1
N Df
fe
Dt

fe 1
1
Df

N Dt N T0

III-127
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

(5)

Consquence : Plus lintervalle temporel sur lequel est dcrit le signal

est long ( plus T0=NDt est grand ), plus petit sera Df, donc meilleure
sera la rsolution en frquence sur le rsultat de la TFD, et donc mieux
on pourra distinguer ou sparer deux pics proches dans le domaine des
frquences. Plus vous voulez une rsolution en frquence leve, plus
lintervalle temporel sur lequel vous considrez le signal devra tre
long, donc plus vous aurez de points pour le calcul de la TFD (
frquence dchantillonnage fixe ) et plus celui-ci sera long.

III-128
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

Utilisation de la TFD pour


approximer la TF dun signal
analogique h(t) ( bande
passante limite )

2
Dt

1
Dt

1
Dt

3
1
Dt

(1)

1
Dt

Aliasing ou
recouvrement spectral
Cest la TF temps discret !

Leakage ou
talement en frquence

Double priodicit
temporelle et
frquentielle

III-129

J.-M. THEMLIN

Mise en uvre de la transforme de Fourier Discrte

Calcul de la TFD avec MatLab


TFD N 1

X k

x[n]

j 2

nk
N

(1)

n, k 0,1, ..., N 1

n0

La fonction fft met en uvre un algorithme de calcul trs efficace


de la TFD, appel Transforme de Fourier Rapide ou Fast Fourier
Transform . A partir dun vecteur x de N lments, linstruction
X=fft(x) ralise :
N 1

X k 1 x[ n 1] e

j 2

nk
N

n, k 0,1, ..., N 1

n 0

De mme, la fonction ifft ralise la TFD inverse :

1
x[ n 1]
N

N 1

X k 1

j 2

nk
N

n, k 0,1,..., N 1

n0
III-133
J.-M. THEMLIN

Un Outil : la Transforme de Fourier Discrte ( TFD )

Utilisation de la TFD pour


approximer la TF dun signal
analogique h(t) ( bande
passante limite )

2
t

1
t

1
t

3
1
t

(1)

1
t

Aliasing ou
recouvrement spectral
Cest la TF temps discret !

Leakage ou
talement en frquence

Double priodicit
temporelle et
frquentielle

III-134

J.-M. THEMLIN

Calcul de la TFD avec MatLab

(2)

Le rsultat de linstruction X=fft(x) est un vecteur qui reprsente les


frquences discrtes :

fk k

0,1

Les hautes frquences sont donc localises en milieu de lintervalle.


Pour retrouver lallure familire du spectre centr sur f=0, il faut donc
prendre la seconde moiti du vecteur X et la faire passer droite de la
premire, opration ralise par la fonction fftshift(X) :

III-135
J.-M. THEMLIN

Calcul de la DFT avec MatLab

x;

(3)

Notez que le premier point doit


correspondre t=0 !

X=fft(x);

X_Norm=abs(fftshift(X));

X_phase=angle(fftshift(X));

III-138TFSinc2.m
J.-M. THEMLIN

Frquence apparente dune sinusode discrte


Basses frquences

f0=0

f0=1/16
f0=15/16

f0=1/8
f0=7/8

Hautes frquences

f0=1/2
III-139
J.-M. THEMLIN

Calcul de la TFD avec MatLab

(3)

Echelle en frquence :
On connat lintervalle en frquence f : f

fe
1
1

T0 N t N

Pa consquent, les frquences limites de dbut et de fin dintervalle


symtrique sont :

N
N
fe fe
f
f , f
,
2
2
2 2
fe/2 = la frquence de Nyquist

Remarquez que les algorithmes de calcul de la TFD ne soccupent pas


de lchelle en frquence, et donc quil vous appartient dans tous les
cas de la reconstruire convenablement pour les besoins de
visualisation du spectre.
III-140
J.-M. THEMLIN

Utilisation de la TF Discrte

III-141
J.-M. THEMLIN

TF dune impulsion rectangulaire paire value avec la TFD

Question :
Pouvez-vous
retrouver la
frquence
dchantillonnage ?

TFPulse.m

III-142
J.-M. THEMLIN

Nature Priodique de la DFT ( Domaine Temporel )

III-144
J.-M. THEMLIN

Nature Priodique de la DFT ( Domaine Frquentiel )

III-145
J.-M. THEMLIN

TF dun sinus amorti (sinc) value avec la TFD

TFsinc.m

III-146
J.-M. THEMLIN

TF dun Dirac dcal

TF x (t t0 )
X(f )e

X ( f ) 1

j 2 f t0

TFDirac.m

III-147
J.-M. THEMLIN

Utilisation de la TF Discrte

III-150

TFpulse.m

TFtri.m

J.-M. THEMLIN

La DFT approxime la TF continue :


Dangers de lAliasing ( undersampling )

III-153
J.-M. THEMLIN

TFSinc2.m

Importance de la Phase dans la DFT

III-154
J.-M. THEMLIN

Lien entre TFD et TF temps discret


On sait que plus lintervalle temporel sur lequel est dcrit le signal est
long ( plus T0=Nt=mT est grand ), plus petit sera f, donc meilleure
est la rsolution en frquence sur le rsultat de la TFD, et donc mieux
on peut distinguer ou sparer deux pics proches dans le domaine des
frquences. Dans ce but, on peut donc prendre m grand.
Mais jusquo peut-on aller ? Et bien jusqu m infiniment grand, il ny a
rien qui limite la rsolution en frquence f de la DFT ( sauf en pratique
la longueur du signal numrique de dpart ). Quand f devient
suffisamment petit, la DFT redonne la Transforme de Fourier temps
discret ( TFtd ), qui est une fonction continue de f.
Ceci est apparent sur les figures du transparent suivant, qui montre
que la TFD ( toiles ) concide bien avec la Transforme de Fourier
temps discret ( traits continus ) quelle chantillonne avec un pas de f.

III-160
J.-M. THEMLIN

TFD dune fonction priodique chantillonne sur T0mT

TFD4.m

III-161
J.-M. THEMLIN

Spectre dun Signal Exprimental via la TFD : Fentrage

III-162
J.-M. THEMLIN

Nature Priodique de la DFT ( Domaine Temporel )

III-163
J.-M. THEMLIN

Calcul du Spectre dun Signal Exprimental via la TFD

III-164
J.-M. THEMLIN

Effet de la Fonction de Fentrage

III-165
J.-M. THEMLIN

Artifice du Zero-Padding
On sait que plus lintervalle temporel sur lequel est dcrit le signal est
long ( plus T0=Nt est grand ), plus petit sera f, donc meilleure est la
rsolution en frquence sur le rsultat de la TFD, et donc mieux on peut
distinguer ou sparer deux pics proches dans le domaine des
frquences. Si lon ne dispose pas dassez de points exprimentaux, on
peut ajouter ( concatner ) au signal temporel une suite de zros
( Zero-Padding ), ce qui amliore artificiellement la rsolution
en frquence de la TFD.

III-167
J.-M. THEMLIN

Spectre dun Signal Sonore ( voix ) via la TFD

NDLR : ajouter Formant du chanteur

III-168
J.-M. THEMLIN

Les Densits Spectrales (DES & DSP)

Ch.III : Reprsentation frquentielle des Signaux

Spectre dun Signal


Dcomposition en srie de Fourier
Transforme de Fourier ( TF )
Proprits de la TF

Densits spectrales
DES
TF{Rxx}

DSP
TF{Rxx}

Thorme de Parseval

(1)

Lnergie dun signal x(t) nergie finie peut tre value dans le
domaine temporel comme dans le domaine frquentiel :

x (t ) dt E x

Xf

df

Preuve ( en deux parties ) :

x y (t ) x( ) y (t )d

TF

X f Y f

Y f X* f

On choisit : y t x

TF

III-177
J.-M. THEMLIN

Thorme de Parseval
TF

Preuve de : x * t

(2)

X * f

x * t e

TF x * t

j 2 f t

dt

u t

x * u e

j 2 f u

du

x * u e j 2 f u du

j 2 f u
x u e
du

X * f

III-178
J.-M. THEMLIN

Thorme de Parseval

(3)

TF

x y (t ) x( ) y (t )d

X f Y f

TF

On choisit : y

Y f X* f

t x t
*

Par consquent, puisque :

y t x

x y (t ) x( ) x

TF

( t ) d

X f X

x ( ) x ( t ) d

Xf X

f e j 2 f t df

Relation vraie t, donc vraie pour t=0 :

x ( ) x ( ) d

f df

Xf X

x (t ) dt E x

Xf

df

III-179
J.-M. THEMLIN

Densit Spectrale Energtique


Thorme de Parseval : Lnergie dun signal x(t) ( nergie finie )
peut tre value dans le domaine temporel comme dans le domaine
frquentiel.

x (t ) dt E x

Xf

df

x f df

Densit Spectrale nergtique dun signal x(t) nergie finie :

x f

Xf

Energie totale de x(t) nergie finie :

Ex

x f df

III-180
J.-M. THEMLIN

Rappel : Corrlation croise ou inter-corrlation


A partir de la fonction dautocorrlation dfinie pour un signal x(t)
nergie finie,

x ( ) x, x

x(t ) x *(t )dt

On dfinit lopration de Corrlation croise de 2 signaux


nergie finie ( et valeurs complexes ) x(t) et y(t) :

Rxy ( )

x(t ) y *(t )dt

Ou une dfinition quivalente ou on a simplement chang

t et t :

Rxy (t )

x( ) y *( t )d

III-181
J.-M. THEMLIN

Lien entre Corrlation et Convolution


En comparant les dfinitions de la corrlation et de la convolution :

Rxy (t )

x( ) y *( t ) d

x * y t x( ) y (t ) d

On voit que :

Rxy (t ) x * z t
avec z (t ) y * t

Dans lespace des frquences :

TF Rxy (t ) X f Z f X f Y * f

car TF z (t ) TF y * t Y * f

III-182
J.-M. THEMLIN

TF de la Fonction d Autocorrlation

(1)

La transforme de Fourier de la fonction dautocorrlation dun signal


nergie finie ( et valeurs relles ou complexes ) dfinie par :

Rxx (t )

x( ) x *( t )d

sobtient en exprimant Rxx(t) sous forme dun produit de convolution :

Rxx (t ) x * z t
avec z (t ) x * t
et en appliquant le Thorme de Convolution :

TF Rxx (t ) X f Z f X f X * f X f
car

TF z (t ) TF x * t X * f
III-183
J.-M. THEMLIN

TF de la Fonction d Autocorrlation

(2)

TF Rxx (t ) X f X * f X f x f
Ccl. : La transforme de Fourier de la fonction dautocorrlation dun
signal nergie finie ( valeurs relles ou complexes ) est gale la
Densit Spectrale Energtique de x(t).

Proprit : La valeur lorigine de la fonction dautocorrlation Rxx(t)


donne lnergie totale du signal :

x( ) x *( t )d

Rxx (t )

Rxx (t )

Rxx (0)

x( ) x *( )d

j 2 f t

f
e
df

x( ) d Ex

Rxx (0)

x f df

Ex

III-184
J.-M. THEMLIN

Proprits de la Fonction d Autocorrlation


Proprit : La fonction dautocorrlation Rxx(t) possde la symtrie
Hermitienne :

Rxx (t )

x( ) x * ( t )d x( ) x *(t )d

u t

x(u t ) x * (u ) du x(u ) x *(u t ) du

R* t
xx

Consquence : Si le signal x(t) est rel, Rxx(t) lest aussi, et on a


Rxx(-t)=Rxx(t), donc la fonction dautocorrlation dun signal rel est
paire. En vertu des proprits de parit de la TF, la DSE est donc
galement relle et paire.
III-185
J.-M. THEMLIN

Calcul analytique de Rx(t) et de la DSE


Exercice : Calculez la fonction dautocorrlation et la Densit Spectrale
nergtique du signal x(t) :
at

x t e u t

t 0:

t 0:

Rxx (t )

x x t d

Rxx (t )

x x t d

1 a t
Rxx t
e
2a

III-186
J.-M. THEMLIN

Calcul analytique de Rx(t) et de la DSE


Exercice : Calculez la fonction dautocorrlation et la Densit Spectrale
de Puissance du signal x(t) :
at

x t e u t

Fonction d'Autocorrlation Rxx(t)=1/2a exp(-a|t|) de x(t)=exp(-at) u(t), a=1


0.5
0.45
0.4

1 a t
Rxx t
e
2a

0.35

Rxx(t)

0.3
0.25
0.2
0.15
0.1
0.05
0
-5

-4

-3

-2

-1

0
time (s)

III-188
J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel

x(t ) e

X( f )

x(t ) e

dt

e e

dt

e t e j 2 f t dt

j 2 f t

dt

j 2 f t

e
j 2 f

t j 2 f t

0
j 2 f t

e j 2 f t dt

0
0

j 2 f

j 2 f t

1 0
0 1
j 2 f
j 2 f

j 2 f j 2 f

j 2 f j 2 f
j 2 f j 2 f

2
2 4 2 f 2

III-189
TFexpPulse.m

J.-M. THEMLIN

Transforme de Fourier dun pulse exponentiel

Fourier Transform of an exponential pulse


1

x(t ) e

t
0.5

2
2 4 2 f 2

Phase spectrum X(f)

X(f )

Amplitude spectrum X(f)

0
-1

-0.8

-0.6

-0.4

-0.2

0
0.2
time (s)

0.4

0.6

0.8

-40

-30

-20

-10
0
10
Frequency (Hz)

20

30

40

50

-40

-30

-20

-10
0
10
Frequency (Hz)

20

30

40

50

0.4
0.2
0
-50

2
0
-2
-50

III-190
TFexpPulse.m

J.-M. THEMLIN

Densit Spectrale de Puissance

(1)

La densit Spectrale de Puissance tend la notion de DSE des


signaux puissance finie ( nergie infinie ). Elle dcrit la rpartition
de la puissance du signal dans le domaine des frquences.
Pour tablir sa dfinition, on part de la version tronque (fentre)
dun signal w(t) puissance moyenne finie :

t w t
wT t w t rect
T
0

-T
T
t
2
2
ailleurs

Sa puissance moyenne totale ( normalise ) vaut :

1
Pw lim
T T

T
2

1
lim
T T

Parseval

1
2
w(t ) dt lim wT (t ) dt
T T

WT ( f ) df lim
T

1
T

WT ( f ) df

III-192
J.-M. THEMLIN

Densit Spectrale de Puissance

(2)

La densit Spectrale de Puissance dcrit la rpartition de la puissance


du signal puissance finie w(t) dans le domaine des frquences :

Pw f

Df .

1
lim WT ( f )
T T

Son intgrale sur tout le domaine des frquences redonne la Puissance


moyenne totale normalise du signal w(t) :

Pw lim
T

1
T

WT ( f ) df Pw f df

III-193
J.-M. THEMLIN

Fonction dAutocorrlation moyenne temporellement


On peut gnraliser aux signaux puissance finie la fonction
dautocorrlation dfinie pour un signal x(t) nergie finie :

Rxx (t )

x( ) x *( t )d

La fonction dautocorrlation moyenne temporellement dun signal


w(t) puissance finie est dfinie par :

1
Rxx (t ) lim
T T

T
2

w( ) w *( t )d

T
2

Cette grandeur est gale la valeur moyenne du produit w(t) w*(t-t)


par rapport la variable tau value pour chaque temps t :

Rxx (t ) w( ) w *( t )
III-194
J.-M. THEMLIN

Thorme de Wiener-Khintchine
On peut montrer que la transforme de Fourier de la fonction
dautocorrlation moyenne temporellement dun signal puissance
finie ( valeurs relles ou complexes ) est gale la Densit
Spectrale de Puissance de w(t).

TF Rww (t ) Pw f
Il sagit dun thorme dune importance capitale en TdS,
essentiellement parce quil reste vrai pour des signaux alatoires, et
dans ce cas cest la seule faon de dfinir le spectre dun signal
alatoire, la fonction dautocorrlation du signal alatoire tant alors
dfinie statistiquement.

III-195
J.-M. THEMLIN