Vous êtes sur la page 1sur 70

Université Ibn Tofail

Faculté des Sciences

Département Physique

niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :
niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :
niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :
niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :
niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :

SMP S6

Auteur :

Mohamed LHARCH

M. LHARCH

niversit é Ibn Tofail Facult é des Sciences D é partement Physique SMP S6 Auteur :

2014/2015

Bibliographie 1. É. Tisserand, J.-F. Pautex, P. Schweitzer, "Analyse et traitement des signaux Méthodes et
Bibliographie
1. É. Tisserand, J.-F. Pautex, P. Schweitzer, "Analyse et traitement des signaux Méthodes
et applications au son et à l’image" ; DUNOD 2008 2 ème édition
2. F. Cottet, "Aide mémoire traitement des signaux" ; DUNOD 2005;
3. M. Bellanger, " TRAITEMENT NUMÉRIQUE DU SIGNAL Théorie et pratique" ;
DUNOD 2006 8 ème édition;
4. F. de Coulon, "TRAITE d’ELECTRICITE vol VI -Théorie et Traitement des Signaux" ;
Presses polytechniques et universitaires romandes 1998;
5. F. Luxereau, "Compression du signal audiovisuel" ; DUNOD 2008;
6. R.K. R. Yarlagadda, " Analog and Digital Signals and Systems" ; SPRINGER 2010;
7. K. B. Howell, " Principles of Fourier Analysis" ; CHAPMAN & HALL/CRC 2001;
8. S. W. Smith, " The Scientist and Engineer's Guide to Digital Signal Processing " ; 2 nd éd.
California Technical Publishing 1997-1999;
SMP S6
M. LHARCH
Bibliographie 9. M. Corinthios, " Signals, Systems, Transforms, and Digital Signal Processing with MATLAB" ;
Bibliographie
9. M. Corinthios, " Signals, Systems, Transforms, and Digital Signal Processing with
MATLAB" ; CRC Press 2009.
10. E. A. Lee, P. Varaiya, "Structure and Interpretation of Signals and Systems" ; Addison-
Wesley 2011;
11. P. Brémaud, "Mathematical Principles of Signal Processing Fourier and Wavelet
Analysis"; SPRINGER 2002;
12. R. J. Schilling, S. L. Harris, "Fundamentals of Digital Signal Processing Using
MATLAB" ; Cengage Learning 2010;
13. W. J. Witteman, "Detection and Signal Processing Technical Realization" ; SPRINGER
2006;
14. M. KUNT, " Traitement numérique des signaux" ; Dunod.
SMP S6
M. LHARCH

1 –?????????????????????????

????Définitions

Signaux

Évolution d’une « grandeur physique » traduisant le comportement d'un système

Signal

Support d'information

Ex. de grandeurs

Origine des signaux

Tension et courant électrique, pression acoustique, intensité lumineuse

Capteurs (thermomètre, dynamomètre…)

Bruit

Phénomène perturbateur du point de vue de l'observateur

Exemples

onde acoustique

 

courant électrique délivré par un microphone

musique, parole…courant électrique délivré par un microphone

suite de nombres

mesures physiquessuite de nombres

SUPPORT

INFORMATION

????Théorie du signal

Chaîne de transmission d'information

Système

physique en

évolution

signal

Codage Canal Récepteur Sources de « bruit »
Codage
Canal
Récepteur
Sources de « bruit »

Détection

Exploitation

Traitement du signal : SIGNAL + BRUIT

Traitement du signal

Classes de problèmes

Transformation destinée à élaborer ou interpréter les signaux

? Génération ou interprétation de signaux

? Détection, estimation, déconvolution

Signal sinusoïdal

T : période (s)

?=

1

T

(

Hz

)

?=2??(rad/s)

T : période ( s ) ? = 1 T ( Hz ) ? = 2

Signal périodique non sinusoïdal

Hz ) ? = 2 ?? ( rad / s ) Signal périodique non sinusoïdal Signal
Hz ) ? = 2 ?? ( rad / s ) Signal périodique non sinusoïdal Signal

Signal non périodique

? : période (m)

k =

2 ?

?

(

rad/m

)

phase à l’origine ?

( m ) k = 2 ? ? ( rad / m ) phase à l’origine

+

Superposition de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =1/T

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =
de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

de signaux sinusoïdaux de fréquence n . ? 0 , n entier et ? 0 =

+

Filtrage?

????Signal?périodique

???? Signal ? périodique yx = ( ) cos x + 1 cos2 x + 1

yx =

(

)

cos

x+

1

cos2

x+

1

cos3

x

2 4

1/T
1/T

????Signal non périodique

T????

2 – Signaux et systèmes linéaires

Classification des signaux

Phénoménologique ; Énergétique ; Spectrale ; Morphologique.

Quelques signaux et opérations élémentaires

Impulsion de Dirac ou Fonction ? ; Fonction signe ; Saut unité ou

échelon d’Heaviside ; Signal rampe unité ; Signal rectangulaire ou Porte ou Créneau ; Signal triangulaire ; Suite périodique d’impulsions.

Systèmes linéaires et invariants

Systèmes ; Réponse impulsionnelle ; Convolution.

2.1 – Classification des signaux

Périodique, pair, impair?

????????????????????????

Périodique, pair, impair ? ??????????????? ????? ? ? ? ? xt = ? x ? t

xt =?x?t

Dimensionnelle

? ??????????????? ????? ? ? ? ? xt = ? x ? t Dimensionnelle Nombre de

Nombre de variables libres

Exemples :

? Tension électrique V(t) = signal unidimensionnel.

? Image statique noir et blanc ? brillance B(x,y) = signal bi-dimensionnel.

Phénoménologique

B(x,y) = signal bi-dimensionnel. Phénoménologique Évolution déterministe ou aléatoire ? Signal

Évolution déterministe ou aléatoire

? Signal déterministe (certain) : évolution « temporelle » peut être parfaitement prédite par

un modèle mathématique approprié ;

? Signal aléatoire : comportement imprévisible

? description statistique.

s 1 s 2
s
1
s
2

() t

() t

Énergétique

statistique . s 1 s 2 () t () t Énergétique Énergie finie ou puissance moyenne

Énergie finie ou puissance moyenne finie

t Énergétique Énergie finie ou puissance moyenne finie Tout signal physique ? Signaux d’énergie finie ?

Tout signal physique

? Signaux d’énergie finie

? +?

??

()

st

2 dt <?

?????????????

E

Idéalisation exemple : signal sinusoïdal

? Signaux de puissance moyenne finie

lim

T ??

1

T

?

T

st dt <?

()

2

?

()

pt

?????????????

P

T

?????????????????

P moyenne

? puissance instantanée

? puissance moyenne sur T

Spectrale

P moyenne ? puissance instantanée ? puissance moyenne sur T Spectrale Fréquences (basses…) et bande (large…)

Fréquences (basses…) et bande (large…)

morphologique

morphologique pas d'échantillonnage Signal analogique original Signal numérisé pas de quantification ? Signaux
pas d'échantillonnage
pas d'échantillonnage

Signal analogique original

Signal numérisé

pas de quantification

? Signaux analogiques (infinité d'états), dépend d'une variable continue ;

? Signaux numériques (nbre limité d'états), les valeurs de la grandeur sont quantifiées.

2.2 – Quelques signaux élémentaires

sgn(t) 1 -1 sgn() = t
sgn(t)
1
-1
sgn() =
t

t

t r(t) 1
t
r(t)
1

1

pour

r(t)=tH(t)

t ? 0

sgn() = t t t r(t) 1 1 pour r ( t ) = tH (

A

A
A
A
A

??T/2

?

?+T/2

1 1 pour r ( t ) = tH ( t ) t ? 0 A

()

x(t)

? t ???

?

?

?

?

?

?

T

xt = A ? ?

H(t) 1 1 + sgn() t Ht = () 2 ?(t) 1 -0,5 0,5 ?
H(t)
1
1 + sgn() t
Ht =
()
2
?(t)
1
-0,5
0,5
?
1
?
?
()
t
=
Ht
?
+
?
?
?
?
?
?
2
?
?(t)
1
-1
1
?? 1
t
,
? ?
? t
()
= ?
?
0,
? ?

?

Ht ?

?

?

?

t

t

? 1

> 1

1

?

2

? ?

? ?

x(t) A ??T/2 ? ?+T/2 ? t ??? xt = A ? ? () ?
x(t)
A
??T/2
? ?+T/2
? t ???
xt = A ? ?
()
?
?
?
?
?
T
?

Impulsion de Dirac ou Fonction delta

Définition

()

xt

0

=

? ?

??

xt t ?t dt

+

0

(

)

()

delta Définition () xt 0 = ? ? ?? xt t ? t dt + 0

=

? ?

??

()

sin ct =

xt ?t t dt

?

0

()

(

)

sin( t

?

)

?

t

g

T

« Construction »

()

t = T ?

?

?

? ?

t

?

?

??

? 1/ T ?

?

?

?

?

T

   
? ?? ? 1/ T ? ? ? ? ? T     1/T ? T
? ?? ? 1/ T ? ? ? ? ? T     1/T ? T

1/T

?

T??

?(t)

T ? ? ? ? ? T     1/T ? T ?? ? ( t
T ? ? ? ? ? T     1/T ? T ?? ? ( t
T ? ? ? ? ? T     1/T ? T ?? ? ( t
T ? ? ? ? ? T     1/T ? T ?? ? ( t
T ? ? ? ? ? T     1/T ? T ?? ? ( t
T ? ? ? ? ? T     1/T ? T ?? ? ( t

2.2 – Quelques opérations élémentaires

Translation

f(t)
f(t)
g(t)=f(t??)
g(t)=f(t??)
?
?

Opérateur de répétition

T +? rep xt ( ()) = ? x ( t kT ? ) T
T
+?
rep xt
(
())
=
? x
(
t kT
?
)
T
k =??
Échantillonnage
+?
x
(t)
=
?
xkT
( )?(t
?
kT
)
e
e
e
+?
k =??
=
? x
(t)?(t
?
kT
)
e

k=??

Peigne de Dirac

k =?? = ? x (t)?(t ? kT ) e k = ?? Peigne de Dirac
k =?? = ? x (t)?(t ? kT ) e k = ?? Peigne de Dirac
k =?? = ? x (t)?(t ? kT ) e k = ?? Peigne de Dirac
k =?? = ? x (t)?(t ? kT ) e k = ?? Peigne de Dirac

T

(

? T
?
T

() t

=

+?

?

k =??

? kT ) e k = ?? Peigne de Dirac T ( ? T () t

?t kT

?

)

x (t) x T (k ) e e x(t) T e kT e
x
(t)
x T
(k
)
e
e
x(t)
T
e
kT
e

2.3

– Systèmes linéaires et invariants

Systèmes

? Toute entité ou appareil qui effectue une transformation sur un signal.

e(t)

qui effectue une transformation sur un signal. e ( t ) Système s ( t )

Système

Système

s(t)

Système s ( t )
transformation sur un signal. e ( t ) Système s ( t ) ? Différentes situations

? Différentes situations expérimentales peuvent être décrites par ce schéma :

? S = système conçu pour réaliser une opération spécifique sur le signal filtrage, échantillonnage, amplification, modulation…

? S = système physique étudié en mesurant sa réponse, s(t), à une « excitation » e(t) stabilité, temps de réponse, absorption, émission…

? Exemples : amplificateur idéal, ligne à retard…

? Propriétés : linéarité, invariance (ou stationnarité), causalité

et = a?e t

i

i

()

?

()

i

et =e t?T

0

()

(

)

et = a ? e t i i () ? () i et = e t

et = a ? e t i i () ? () i et = e t

st = a?s t

i

i

()

?

()

i

st =s t?T

0

()

(

)

2.3 – SLI : réponse impulsionnelle, convolution

Réponse impulsionnelle h(t)

réponse du système lorsqu’il est soumis à une impulsion de Dirac ?(t)

Réponse d’un SLI à un signal quelconque

? Signal quelconque e(t)

? succession « d’impulsions » e?(t) d’amplitude variable

? d’autant plus vraie que la durée des impulsions est courte.

?

? Réponse à une impulsion : h(t)

e(t) e?(t)
e(t)
e?(t)
SLI! e? () t e? n ? () t ? e t h t?? ?
SLI!
e?
() t
e?
n
?
() t
?
e t h t??
?
().
(
)
0
e ? t.h t??
()
(
1 )
n
n
0
t
t
? 1
? n

Réponse d’un SLI à un signal quelconque

e?(t)
e?(t)

t

? ht?? ?e ? ( ) ? ( ) ? t
?
ht?? ?e ?
(
)
?
(
)
?
t

? le signal de sortie est produit par la superposition des réponses à toutes les impulsions

? Propriétés :

? Interprétation :

+? st () = ? e ?h(t ?)d? ( ) ? = e(t) h(t) ?
+?
st
()
= ?
e ?h(t ?)d?
(
)
?
=
e(t) h(t)
?
??
e(t)?h(t)=h(t)?e(t)
+?
st
()
= ?
h ? et??
(
)
(
)d?
??

« poids » de’e(t-?) dans’s(t)

signal’d entrée’? secondes’avant’t

Construction’du’signal’de’sortie’à un’instant’t 0 donné

e?(t) e?(t) ? ? h t () h t () t t ? t t
e?(t)
e?(t)
?
?
h t
()
h t
()
t
t
?
t
t 0
?t
t 0
i ? 1
i
e?(t)
e?(t)
?
?
h t
()
h t
()
t
t
?
t
t 0
t 0
i + 1
t 0
t
0

? à l’instant t 0 , la p e impulsion contribue d’autant plus au signal de sortie que sa réponse « impulsionnelle » est élevée au bout des ?t p qui la sépare de t 0

2.3 – SLI : exemples de convolution

Exemples

? convolution d'un signal porte par lui-même

Exemples ? convolution d'un signal porte par lui-même +? x? ?x? ( ) ( ) =
+? x? ?x? ( ) ( ) = ? x(t)x( ? ? t)dt ??
+?
x? ?x?
(
)
(
)
=
? x(t)x(
?
?
t)dt
??
t
t

x?t?

xt ?? t?t

()

(

0 )

?
?
? ? t)dt ?? t x ? t ? x t ? ? t ? t

t

x(t)x(??t)

x? ?x? ( ) ( ) ?
x? ?x?
(
)
(
)
?
? t?t ( ) x t ??t?t () ( ) x(t) 0 0 t T+t
? t?t
(
)
x t ??t?t
()
(
)
x(t)
0
0
t
T+t
T
0
0

Les signaux déterministes

I. Analyse des signaux périodiques

1. Introduction :

L'analyse harmonique ou fréquentielle est l'instrument majeur de la théorie des signaux. Le développement en séries de Fourier et, plus généralement, la transformation de Fourier permettent d'obtenir une représentation spectrale des signaux déterministes. Celle-ci exprime la répartition de l'amplitude, de la phase, de l'énergie ou de la puissance des signaux considérés en fonction de la fréquence.

2. Séries de Fourier :

L'élément fondamental de l'analyse de Fourier est constitué par le fait qu'un signal

périodique

de

Weierstrass).

peut

être

décomposé

en

une

somme

d'ondes

sinusoïdales

(théorème

a) Définitions

Considérons un signal périodique x(t) de période T = 1/f 0 . Son développement en série de Fourier est alors le suivant :

Série de Fourier réel :

x ( )

t ?

A

0

2

?

??

?

n ? 1

A

n

?

cos(2

nf t

?

0

)

?

??

?

n ? 1

Avec :

A ?

n

2 T

T

0

0

?

0

( )

x t

?

cos(2

nf t

?

0

)

Et

B ?

n

Où T 0 =1/f 0

2 T

T

0

0

?

0

( )

x t

?

sin(2

nf t

?

0

)

B

n

?

sin(2

nf t

?

0

b) Série de Fourier complexe :

)

(1.1)

(1.2)

(1.3)

Un signal périodique peut aussi être décomposé sous forme d’exponentielle complexe comme suit

x(t)

?

??

?

C

n

???

Avec :

C ?

n

1 T

T

0

?

0

n

?

Exp(i2 nf t)

?

0

( )

x t

?

Exp

(

?

i

2

nf t

?

0

Où T 0 =1/f 0 et -????????

 

(1.4)

)

(1.5)

????????????

??????????????????????????

d) Relations entre les trois représentations de Fourier:

Les relations existant entre les trois représentations de Fourier sont présentées et illustrées par le tableau et le graphe vectoriel de la figure 1.2. Ce graphe est important car il permet de voir en un coup d'œil les relations simples liant les trois représentations spectrales. On retiendra également la relation existant entre les coefficients spectraux et la valeur efficace d'une composante spectrale

et la valeur efficace d'une composante spectrale Figure 1.2.: Relations entre les trois représentations

Figure 1.2.: Relations entre les trois représentations spectrales

3. Théorème de la puissance ou de Parseval :

Dans l'espace temps, la définition de la puissance moyenne normalisée est la suivante

P ?

1

T

T

?

0

( )

x t

2

dt

?

X

2

eff

(1.9)

On notera que cette définition coïncide avec celle du carré de la valeur efficace du signal x(t). La puissance normalisée ne s'exprime donc pas en [W], mais en [V 2 ] ou [A 2 ] selon que le signal est une tension ou un courant électrique. Le théorème de Parseval montre que la puissance normalisée d'un signal peut se calculer aussi bien dans le domaine temporel que dans le domaine fréquentiel. En effet, comme dans l'espace des fréquences, le signal x(t) est représenté par des générateurs d'amplitude A k , il s'ensuit que la puissance totale est égale à la somme des puissances fournies par chaque générateur. On en déduit alors :

? ?? 2 P= X ? ? P ? A ? 0 ? eff k
? ??
2
P= X
?
?
P
?
A
?
0 ?
eff
k
k ? 0
k ? 1
??
1
?
2
?
?
X(0)
2 ?
?
2.
X(jk)
?
2
k ? 1

1 P

A

k

2

?

P

dc

?

2 ac

??

?

k ? 1

X(jk)

2

D’où : le carré de la valeur efficace d'un signal est égal à la somme des carrés des valeurs efficaces de chacune de ses composantes.

SMP S6

M. LHARCH

Page 3

La représentation spectrale graphique qui lui est associée porte le nom de spectre bilatéral. Pour la suite du cours, on retiendra essentiellement cette description car elle est analytiquement plus intéressante que la forme en cosinus.

c) Série de Fourier en cosinus :

Prenant en compte la relation trigonométrique suivante :

Acos(x)+ B sin(x)=

? ? 2 2 A + B cos x+ arctan ? ? ? ? ?
?
?
2
2
A
+ B
cos x+ arctan ?
?
?
?
?

- B ? ?

?

?

A ? ?

?

(1.6)

on voit que le développement en série de Fourier peut également s'écrire :

x(t)= A

0

Avec

A

0

?

a

0

2

?

;

?

?

k ? 1

A

A cos 2?kf t +? ? ? k 0 k 2 2 ? a +b
A cos 2?kf t +?
?
?
k
0
k
2
2
?
a
+b
;
k
k
k

?

k

? -b

k

?

a

k

? arctan ?

?

?

?

?

?

(1.7)

(1.8)

Cette série en cosinus est extrêmement importante car elle correspond à la description bien connue des signaux en régime sinusoïdal permanent ou l'on représente un courant ou une tension par leur amplitude et leur phase. D'un point de vue pratique cela revient à considérer que le signal x(t) est crée de manière équivalente par une infinité de générateurs sinusoïdaux. La représentation spectrale qui lui est associée porte le nom de spectre unilatéral.

Une illustration en est donnée à la figure 1.1. On y voit une onde périodique en dents de scie qui peut être reconstruite par une superposition d'ondes sinusoïdales. Cette superposition peut être présentée dans l'espace temps ou, de manière équivalente et plus explicite, dans l'espace des fréquences.

et plus explicite, dans l'espace des fréquences. Figure 1.1.: Onde en dents de scie, composantes et

Figure 1.1.: Onde en dents de scie, composantes et spectres d'amplitudes et de phases

SMP S6

M. LHARCH

Page 2

Phénomène de Gibbs En général, lorsqu'on reconstruit un signal x(t) à partir de ses coefficients de Fourier :

x (t)=

N

N

?

??

k

N

X(jk)exp(j2 kf t

?

0

) ?

A

0

?

N

?

? 1

k

?

A cos 2

k

kf t +

?

0

?

k

?

(1.10)

On remarque une convergence rapide vers le signal original au fur et à mesure que N augmente. Cependant, cela n'est plus vrai lorsque le signal possède des discontinuités d'ordre 0. Il apparaît alors, à l'endroit de la discontinuité, des oscillations que l'on désigne sous le nom de phénomène de Gibbs. L'amplitude du dépassement dû à ces oscillations est égale au 9% de l'amplitude de la discontinuité.

est égale au 9% de l'amplitude de la discontinuité. Figure 1.5.: Illustration du phénomène de Gibbs

Figure 1.5.: Illustration du phénomène de Gibbs

6. Propriétés de la série de Fourier :

a. Décalage temporel.

Il est fréquent en analyse des signaux de devoir décaler temporellement un signal x(t) ; on obtient alors un nouveau signal y(t) = x(t + t d ). Ce décalage t d peut être positif (signal avancé) ou négatif (signal retardé) (fig. 1.16). On montre alors qu'entre les espaces temps et fréquences, il existe la relation suivante :

y(t) ? x(t ? t

d

)

?

Y(jk) ? X ( jk).exp(j2?kf t

0

d

(1.11)

Comme le module du phaseur exp(+j2?kf 0 t d ) vaut toujours un, il s'ensuit que seul le spectre de phases est modifié par un décalage temporel. On a donc :

Y(jk)

?

X

(

jk

)

.

;

?

k

??

k

? 2

kf t

?

0

d

Remarque :

A un décalage temporel correspond une phase variant linéairement avec la fréquence.

b.

Rotation autour de l’ordonnée

La rotation d'un signal autour de son ordonnée est décrite par y(t) = x(-t). Dans ce cas, on montre que

y(t) ? x(-t)

?

Y(jk) ? X (? jk) ? X *( jk)

(1.12)

à une rotation du signal temporel autour de l'ordonnée correspond le conjugué complexe dans le domaine fréquentiel.

SMP S6

M. LHARCH

Page 5

4. Spectres d’amplitude et phase :

La description de x(t) avec les fonctions cosinusoïdales conduit aux spectres unilatéraux d'amplitudes et de phases (A k et ? k ) du signal x(t). Les fréquences sont positives ou nulles car le compteur k des harmoniques varie de 0 à +? (figure 1.3). La description de x(t) avec les fonctions complexes conduit aux spectres bilatéraux d'amplitudes et de phases (|X(jk)| et ?X(jk)). Ici, les fréquences sont négatives et positives car le compteur k varie de -? à +?. Dans le cas des spectres bilatéraux, on notera que les spectres d'amplitudes sont toujours des fonctions paires car on a

X(jk)

?

X(-jk)

A k ? ; 2
A
k
?
;
2

k

?

0

alors que les spectres de phases sont toujours des fonctions impaires. On a en effet

? X(jk)

? ?

-

X(-jk)

?? ;

k

k

?

0

Pour le cas particulier de la composante continue du signal, on a

X(0)

?

A

0

,

?

X(0)

?

0,?

continue du signal, on a X(0) ? A 0 , ? X(0) ? 0, ? Figure

Figure 1.3.: Quelques signaux avec leurs puissance et spectres d'amplitudes uni et bilatéraux

5. Reconstitution des signaux :

On se souvient que, connaissant le spectre X(jk), on peut toujours reconstruire une approximation d'ordre N du signal temporel. Une illustration de la synthèse de ces deux signaux est donnée à la figure 1.4. On constate que, contrairement au signal triangulaire, la convergence est très lente pour le signal carré.

la convergence est très lente pour le signal carré. Figure 1.4.: Synthèse de signaux triangulaire et

Figure 1.4.: Synthèse de signaux triangulaire et carré par l'addition successive des harmoniques

SMP S6

M. LHARCH

Page 4

cette déformation à l'aide du taux de distorsion harmonique (TDH). Celui-ci est défini comme le rapport de la valeur efficace des harmoniques d'ordre supérieur à 1 avec la valeur efficace du premier harmonique :

TDH ?

X

eff

(

k ?

1)

X

eff

(

k ?

1)

?

2 2 2 X (2) ? X (3) ? X (4) ? 2 X (1)
2
2
2
X
(2)
?
X
(3)
?
X
(4)
?
2
X
(1)

(1.15)

II. Analyse des signaux non périodiques

1. Transformée de Fourier :

a. Passage de la série à la transformée de Fourier :

Le passage d'un signal périodique à un signal apériodique peut se faire en considérant que la période T devient de plus en plus grande pour tendre vers l'infini. On constate alors que les raies spectrales distantes de 1/T se rapprochent pour se transformer en spectre continu. Mais en même temps, l'amplitude de celui-ci diminue pour tendre vers zéro. Une illustration en est donnée (figure 1.7) pour une suite d'impulsions rectangulaires dont la période augmente alors que la largeur reste constante. Comme la surface de l'impulsion reste constante alors que la période augmente, l'amplitude X dc du sinus cardinal ne cesse de décroître pour tendre vers zéro. Partant d'un signal périodique décrit par :

x

T

(t)

T X

.

(

?

jk

??

?

k ???

X ( jk)

?

Exp(i2

kf t)

?

0

)

?

T

? ?

2

T

2

( ).

x t

Exp

(

?

i

kf t

2?

0

)

dt

; k

??

A partir des correspondances suivantes

T

??

;

f

0

?

df

;

kf

0

?

f

; TX(jk)

?

X(jf)

.

On voit que la série de Fourier discrète devient une fonction continue. Cette fonction X(jf) est une densité spectrale d'amplitude qui, par définition, est la transformée de Fourier du signal apériodique x(t) :

?? T.X ( jk) ? ? x(t).Exp( ? i2 kf t)dt ? ; f ??
??
T.X ( jk)
?
?
x(t).Exp( ? i2 kf t)dt
?
;
f
??
0
??

Figure 1.7.: Passage de la série de Fourier à la densité spectrale

SMP S6

M. LHARCH

Page 7

c. Compression-dilatation temporelle

La compression ou dilatation temporelle d'un signal est décrite par y(t) = x(at). Dans ce cas, on montre que

y(t)

?

x(at

) ?

Y(jk)

?

1

a
a

X

( jk

2

? kf

0

a

)

(1.13)

? Si a>1 on une dilation temporelle, ceci correspond à une compression du spectre de fréquences ;

? Si a<1 on a une compression temporelle, ce qui donne un spectre dilaté en fréquences.

Remarque :

Une dilatation temporelle du signal engendre une compression de son spectre fréquentiel et inversement.

7. Réponse d'un système linéaire

Considérons, comme exemple, un filtre attaqué par une SIR (figure 1.6a). Comme ce signal est périodique, on retrouvera à la sortie du circuit un signal périodique y(t) de même période T 0 . La décomposition de ces 2 signaux en série de Fourier donnera les spectres X(jk) et Y (jk) qui seront liés l'un à l'autre par la réponse fréquentielle G(j?) du filtre.

par la réponse fréquentielle G(j ? ) du filtre. Figure 1.6.: Réponses temporelle et fréquentielle d'un

Figure 1.6.: Réponses temporelle et fréquentielle d'un filtre à une SIR

Comme les signaux périodiques sont représentés par des ondes sinusoïdales de fréquences kf 0 et que les systèmes linéaires conservent la fréquence des signaux appliqués, on retrouve pour Y (jk) des raies spectrales situées aux mêmes fréquences que celles de X(jk) (figure 1.6b). De plus, l'amplitude et la phase de ces raies spectrales sont liées au signal d'entrée par la relation bien connue Y (j?) = G(j?) . X(j?). Dans le cas de signaux périodiques, la pulsation ? est un multiple de la fondamentale 2?f 0 . On a donc :

Y(jk)

?

X

(

jk

).

G

(

j

)

?

?

?

2

kf

?

0

(1.14)

8. Les systèmes non linéaires (distorsion) :

La caractéristique essentielle des systèmes non-linéaires est de déformer les signaux sinusoïdaux. Le signal de sortie est donc périodique non-sinusoïdal. Il s'en suit que son spectre est constitué d'un grand nombre de raies spectrales, alors qu'à l'entrée il n'y avait qu'une seule raie. Dans la pratique, il est important de pouvoir chiffrer cette déformation puisque les amplificateurs réels, quelle que soit leur qualité, possèdent des non-linéarités. On mesure

SMP S6

M. LHARCH

Page 6

S

x

(

f

)

?

X

(

f

)

2

?

*

X(f).X (f)

;

en V

2

/

Hz

2

(1.24)

d. Propriétés de la transformation de Fourier

Parmi le grand nombre de propriétés associées à la transformation de Fourier, on retiendra particulièrement celles qui ont le plus d'intérêt en traitement du signal. Elles sont présentées dans le tableau 2.1.

Linéarité

 

Ax(t)+by(t)

 

aX(f) + bY(f)

 

Décalage

 

X(t+t d )

 

X(f).exp(j2?f t d )

 

Amortissement

X(t).exp(-at) ; x(t) causal

 

X(j2?f+a)

 

Modulation

x(t) exp(+j2?f 0 t)

 

X (f - f 0 )

 

dérivation

 

dx(t)

 

j2?f X(f)

 
 

dt

 

Intégration

 

t

 

1

 

1

 

?

x(?)d?

 

X

(

f

) ?

X

(0).

?

(

f

)

 

j

2

f

?

2

??

   
   

?

?

-

??

 

avec

X(0)

x(t)dt

 
 

?

 

Convolution

 

x

(

t

)

( )

? h t

 

X

(

f

).

H

(

f

)

x

(

t

).

( )

h t

X

(

f

)

?

H

(

f

)

Valeur à l’origine

 

?

-

??

X(f)df

?

 

??

 

x(t

?

0)

?

 

X(f

?

0)

?

?

-

?

x(t)dt

 

Rotation Oy

 

y(t)=x(-t)

 

Y(f)=X(-f)=X * (f)

 

Fonction paire

 

x(t)=x(-t)

 

X(f) réel pur

 

Fonction impaire

 

x(t)=-x(-t)

 

X(f) imaginaire pur

 

2. Exemples de spectres continus :

Pour illustrer l'utilisation de la transformée de Fourier, calculons les densités spectrales de trois signaux particuliers.

a. Spectre d’une impulsion rectangulaire :

Considérons une impulsion x(t) de largeur ?t et d'amplitude A centrée en t = 0 (figure 1.8). Par définition de la transformation de Fourier, on a :

X ( jf ) ?

??

?

??

x(t).Exp(?i2?kft)dt

En tenant compte de la définition de l'impulsion rectangulaire centrée :

x ( t )

?

?

?

?

?

?

?

?

0

A

il vient :

si

si

? t t ? 2 ? t t ? 2
?
t
t
?
2
?
t
t
?
2

SMP S6

M. LHARCH

Page 9

La transformée inverse s'obtient en considérant la fonction périodique pour laquelle la période T tend vers l'infini; on a alors :

( )

x t

?

??

?

k ???

X

(

jk

)

?

( 2

Exp i

kf t

?

0

)

?

?

lim

T

???

lim

T

???

??

?

k

???

??

1

T

T X

.

(

jk

?

T . X

(

jk

)

?

k

???

Lorsqu'on passe à la limite :

T

??

;

f

0

?

df

;

)

?

( 2

Exp i

kf t

?

0

)

( 2

Exp i

kf t

?

0

).

f

0

kf

0

?

f

; TX(jk)

?

X(jf)

et la somme devient une intégrale. On obtient la définition de la transformation inverse de Fourier

x(t)

?

??

?

??

b. TF direct et inverse :

X ( jf ).Exp(i2 kf t)df

?

0

;

f

??

Les deux relations que nous venons de démontrer constituent les transformations de Fourier directe et inverse. On constate que les descriptions temporelle et spectrale sont parfaitement symétriques :

x(t) ?

??

?

??

X ( jf ).Exp(i2

kf t)df

?

0

X ( jf ) ?

??

?

??

x(t).Exp(?i2 kf t)dt

?

0

(1.16)

(1.17)

En notation abrégée, on décrira ces deux transformations par les opérateurs TF{} et TFI{}. La correspondance réciproque s'écrit alors :

x(t) ? TFI?X ( jf )?? X ( jf ) ? TF?x(t)?

(1.18)

Si la fonction x(t) ne possède pas de symétries particulières, sa densité spectrale d'amplitude X(jf) est une fonction complexe :

x(t)

?

X ( f )

?

X

r

( f )

?

iX

im

( f )

(1.19)

Les densités spectrales du module et de la phase valent alors :

X

(

f

)

?

X

(

f

?

X

(

f

)

)

??

(

f

)

?

X

2

r (

f

)

 

X

2

(

f

)

?

im

?

arctan(

X

im

(

f

)

X

r

(

f

)

c. Energie d'un signal non permanent

(1.20)

(1.21)

Dans le cas des signaux non permanents, on prendra garde à parler de leur énergie et non pas de leur puissance, car celle-ci est nulle si l'on considère une durée infiniment longue. De manière similaire à ce que l'on a vu pour les signaux périodiques, on peut calculer l'énergie d'un signal apériodique aussi bien dans le domaine temporel que dans domaine fréquentiel :

W

?

W ?

??

?

?

??

??

??

2

x

X

( )

t

(

f

dt

) 2 df

; en V

;

en V

2

.

s

(1.22)

 

2 /

Hz

(1.23)

L'expression de l'énergie d'un signal x(t) dans le domaine des fréquences entraîne la définition de la densité spectrale d'énergie S x (f) :

SMP S6

M. LHARCH

Page 8

X

(

jf

)

?

?

??

?

??

? ??

0

x ( t ).

Exp

A

exp(

?

(

?

j

2

ft ) dt

?

?

? ??

0

at

)

exp(2

f

?

p

t

)

?

?

exp(

A

exp( ? 2

)sin(2

at

f

?

?

p

t

)

?

f

?

p

t

).

Exp

(

?

j

Exp

(

?

j

2

ft ) dt

?

2 j

.

2

ft ) dt

?

Cette intégrale ne contient que des exponentielles ; elle est très simple à calculer. Après réduction des deux primitives à un même dénominateur, on obtient :

X

(

jf

) ?

A

2

f

?

p

(

a

?

j

2

f

?

)

2

?

(2

f

?

p

)

2

? C

(1.26)

) ? A 2 f ? p ( a ? j 2 f ? ) 2

Figure 1.9.: Sinus amorti et le module de sa densité spectrale d'amplitude.

On remarquera que la densité spectrale d'amplitude Y(jf) est une fonction complexe car la sinusoïde décroissante y(t) ne possède pas de symétrie particulière. La figure 1.9 présente le sinus amorti et le module de sa densité spectrale d'amplitude. On peut également noter les deux valeurs particulières suivantes :

f

f

?

?

0

f

p

:

:

Y(0)

Y(f

p

2

f

?

p

)

?

a

A

2

? (2

2

f

?

p

f

?

p

)

2

2

A

f

?

p

?

A

A

?

?

a

a

? 4

j

f

?

p

j

2

a

si

si

a

a

??

??

2

f

?

p

2

f

?

p

c. Spectres de deux impulsions rectangulaires

Considérons un signal constitué de deux impulsions d'amplitude A placées symétriquement en ±t 0 /2 (figure 2.5). Ce signal possède un spectre qui se calcule facilement à partir de celui d'une impulsion centrée en t = 0 et à l'aide du théorème du décalage. Comme le signal z(t) est la somme de 2 impulsions décalées de ±t 0 /2, z(t) = x(t + t 0 /2) + x(t - t 0 /2) On a :

? j

) ?

?

?

sin(

f

?

?

t

f

?

?

t

2

f

?

t

0

2

)

?

?

?

?

2 A

?

t

sin(

f

?

?

t

)

f

?

?

t

Z(jf )

? A ?

t

exp(

?

j

2

f

?

2

)

?

t

0

exp(

cos(

ft

?

0

)

SMP S6

M. LHARCH

Page 11

X

(

jf

)

?

?

?

2

t

2

t

?

?

?

?

A . Exp

(

?

j

2

ft ) dt

?

? A ?

?

?

f

j

2

?

exp(

? j

2

f

?

?

t

2

??

A

j

2

f

?

?

exp(

? j

2

) ? exp(

j

2

f

?

? t ?

?

?

)

2

ft

?

?

?

?

t

?

2

t

2

?

?

A

exp(

j

)

f ? t ?

?

exp(

?

j

f ?

?

t

)

?

f

?

2 j

A

. ? t .

sin(

f

? t

?

)

f

? t

?

??

(1.25)

Comme on pouvait s'y attendre, la densité spectrale d'amplitude d'une impulsion rectangulaire centrée en t=0 est bien décrite par un sinus cardinal. De plus, comme l'impulsion rectangulaire x(t) est paire, sa densité spectrale d'amplitude Y(jf) est une fonction réelle. Enfin, on remarquera (figure 1.8) que le spectre passe par zéro chaque fois que le sinus cardinal s'annule, c'est-à-dire, chaque fois que la fréquence est un multiple de

1/?t.

chaque fois que la fréquence est un multiple de 1/ ? t. Figure 1.8.: Impulsion rectangulaire

Figure 1.8.: Impulsion rectangulaire et sa densité spectrale d'amplitude.

Le spectre de cette impulsion illustre deux points importants concernant les signaux de durée limitée :

? Un signal de courte durée possède un spectre large bande.

? Un spectre étroit correspond à un signal de longue durée.

b. Spectre d’un sinus amorti :

Etudions, comme deuxième exemple, la transformée de Fourier d'une sinusoïde de fréquence f p décroissant exponentiellement au cours du temps (figure 1.9). Son équation s'écrit :

( ) ?

x t

? 0

?

si

t ?

0

?

Aexp(-at)sin(2 f t)

?

p

si

t ? 0

Partant de la définition de la transformée de Fourier, on calcule sa densité spectrale

d'amplitude :

SMP S6

M. LHARCH

Page 10

? pour la transformation de Fourier, il faut que le signal soit intégrable en valeur absolue et que le nombre de ses discontinuités soit fini :

??

?

??

x(t) dt ???

? pour la transformation de Laplace, il faut que :

??

?