Traitement Du Signal - Aix-Marseille Université

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')
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

y t x t T

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
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

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

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

Limite de fonctions continues par morceaux, dintgrale unit,
de plus en plus brves et intenses :
106

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
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

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 :
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)
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 )
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
(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
(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
(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
(5)
t 2, 2 t 3
x t
0 ailleurs
translation temporelle :
Ex.: y t x t 1
y t x t T

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
(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
(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
(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

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
(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
(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
(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
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

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
t1
x y
Ex E31
yi

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
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
( x * h) t
(2)
x h t d
x h t d
43

( 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
( x * y ) t
(2)
x y t d
48
conv1.m
conv2.m
( 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 :
52
Produit de Convolution et oprateur de rptition

54
Produit de Convolution et oprateur de rptition

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
(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
(3)
Autres exemples de systmes de traitement du signal :
69
(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
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 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
(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

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

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
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
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

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
(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
(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
(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
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
(2)
Fidlit sinusodale :
Si x t Ae
j 2 f 0 t
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
(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
(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
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
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
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


II - 22

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

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

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

Xn
1
1
x , en
T0
T0
T0
2
x t e
T0
2
j 2 n f 0t
dt
1
T0
T0
2
T0
2
x (t )
cos 2 f 0t
1
cos a b cos a b
2
1
2
cos a cos b
II - 39

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

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
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
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
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
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
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
(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

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


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

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

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

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
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
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
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
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
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

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
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
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


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


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
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
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
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
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
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)
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(t )
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
(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
(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

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
x(t ) e u t
X(f )
x(t ) e j 2 f t dt
III-39
TFexpPulse.m
J.-M. THEMLIN
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
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
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
(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
X(f )
X ( f )
(4)
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
(5)
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
(6)
X ( f ) x p (t ) cos 2 f t dt j xi (t ) sin 2 f t dt
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
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.
x(t ) A sin 2 f 0t
A
A
j f f0 j f f0
2
2
TF
III-59
J.-M. THEMLIN
Sinusodes :
TF x(t ) A sin 2 f 0t
Soit une TF imaginaire et impaire.

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
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.

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
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
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
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
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
(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 *Y f
j 2 f ' t
Y
(
f
')
e
df '
X * Y e j 2 t d
III-80
J.-M. THEMLIN
(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
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
(2)
III-82
J.-M. THEMLIN
(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
(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
(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
III-92
J.-M. THEMLIN

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)
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')
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')
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')
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')
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')
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')
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')
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
(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
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
(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
(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

passante limite )
2
Dt
1
Dt
1
Dt
3
1
Dt
(1)
1
Dt
Aliasing ou
Cest la TF temps discret !
Leakage ou
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

passante limite )
2
t
1
t
1
t
3
1
t
(1)
1
t
Aliasing ou
Cest la TF temps discret !
Leakage ou
Double priodicit
temporelle et
frquentielle
III-134
J.-M. THEMLIN
(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
(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)
Spectre dun Signal

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

Traitement Du Signal - Aix-Marseille Université

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Traitement Du Signal - Aix-Marseille Université

Transféré par

Droits d'auteur :

Formats disponibles

Introduction la thorie

& au traitement du Signal

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

Quest-ce quun Signal ?

Un signal est porteur dune information

Quest-ce quun Signal ?

Un signal est une grandeur physique porteuse dune information,

Un mme signal peut prendre diffrentes formes ou reprsentations :

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

Reprsentations dun signal

Un mme signal peut prendre diffrentes formes ou reprsentations .

Ex. : Echolocation animale

Autres types de reprsentation des signaux

est galement qualifie de reprsentation

Reprsentations mixte ( temps-frquence )

Le spectrogramme est lquivalent

Reprsentation temporelle des Signaux

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

Reprsentation temporelle dun signal sonore

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

Reprsentation temporelle dun signal sonore

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

Signal analogique vs numrique (digital)

Signal temps discret, dfini @ tk = k Te

Signal temps discret

Signal numrique : Echantillonn & quantifi

Frequency Representation of a Signal

Mathematical basis of frequency representation :

The Fourier Transform

Reprsentation frquentielle : Spectre dun Signal

Reprsentation frquentielle : Spectre dun Signal

Bruit en 1/f ou de grenaille en lectronique

Dpendance frquentielle de la tension de bruit

Texas Instruments application report slva043b : Noise Analysis in Operational Amplifier

Mesure de signaux de faible amplitude en instrumentation

La Transforme de Fourier Discrte

This is the DtFT

Densit spectrale de puissance dun signal

DSP or Signal Spectrum

Comment dfinir et valuer le spectre dun signal alatoire ?

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

Signal au sens large

Les frquences spatiales

Intervalle temporel T frquence

Intervalle spatial, une longueur Dx

Reprsentation dune image dans lespace des

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

Les oprations sur les signaux

Traitement dimages par filtrage frquentiel

Compression dimages avec perte ( JPEG standard )

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

Oprations entre deux signaux

Le produit scalaire sert comparer deux signaux

Exemple de TP : Dtection de signaux bruits

Systmes de Traitement du signal

Les Systmes de Traitement du signal

Extraire linformation contenue dans un signal :

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

Systmes de TdS : Analogiques vs Numriques

Traitement numrique des Signaux analogiques

Thorie et traitement du signal

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

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