Vous êtes sur la page 1sur 128

LMENTS DE TRAITEMENT DU

SIGNAL
G. BAUDOIN et J.-F. B ERCHER
cole Suprieure dIngnieurs en lectrotechnique et lectronique

Septembre 1998 version 0.89


C HAPITRE I

Table des matires

I Table des matires 3

I Transforme de Fourier et tutti quanti 7


1 Premires dfinitions autour de la transforme de Fourier . . . . . . . . . . . . . . . . . . . . 7
2 Principales proprits de la transforme de F OURIER . . . . . . . . . . . . . . . . . . . . . . 10
3 Impulsion de D IRAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1 Applications et consquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1.1 Transforme de F OURIER dune impulsion retarde . . . . . . . . . . . . . 16
3.1.2 Transforme de F OURIER dun signal continu . . . . . . . . . . . . . . . . 17
3.1.3 Transforme de F OURIER dune exponentielle complexe . . . . . . . . . . 17
3.1.4 Transforme de F OURIER des fonctions trigonomtriques . . . . . . . . . . 18
3.1.5 Transforme de F OURIER de la fonction Signe . . . . . . . . . . . . . . . . 18
3.1.6 Transforme de F OURIER de lchelon unit . . . . . . . . . . . . . . . . . 18
3.2 Relation entre srie et transforme de F OURIER . . . . . . . . . . . . . . . . . . . . . 18
3.3 Relations dincertitude pour les signaux dnergie finie . . . . . . . . . . . . . . . . . 20
4 Convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.1 Filtres et convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Causalit et stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3 Interprtation graphique de la convolution . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4 Rponse en frquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4.1 Consquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5 Fonctions de corrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1 Dfinitions et proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1.2 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Densits spectrale dnergie et de puissance . . . . . . . . . . . . . . . . . . . . . . . 28
5.3 Relation corrlation-convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
5.4 Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

II chantillonnage et quantification 33
1 chantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.1 Premire dmonstration du thorme de Shannon . . . . . . . . . . . . . . . . . . . . 34
1.2 Seconde dmonstration du thorme de Shannon . . . . . . . . . . . . . . . . . . . . 35
1.3 Rappel sur le lemme de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2 Quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.1 Dfinition de la quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2 Quantification Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.3 Caractristique de quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.4 Caractristique de lerreur de quantification, cas de la quantification uniforme . . . . . 40
2.5 Dynamique dun quantificateur uniforme N bits . . . . . . . . . . . . . . . . . . . . 41
Page 4 Chapitre I. Table des matires

2.6 Quantification Non-Uniforme, quantification logarithmique . . . . . . . . . . . . . . 42


2.6.1 Loi de compression expansion . . . . . . . . . . . . . . . . . . . . . . . . 43
2.6.2 Approximations par segments des lois de compression A et . . . . . . . . 43
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

III Transforme de Fourier discrte : TFD et TFR 47


1 Transforme de Fourier Discrte : TFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.1 Dfinition de la TFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
1.2 Inversion de la TFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.3 Lien entre la transforme de Fourier et la TFD . . . . . . . . . . . . . . . . . . . . . 48
1.4 Comparaison entre la transforme de Fourier et la TFD . . . . . . . . . . . . . . . . . 50
1.5 Fentres de pondration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
1.5.1 Fentres rectangulaires, triangulaires et paraboliques . . . . . . . . . . . . . 52
1.5.2 Fentres Fentres dtruisant par addition algbrique, les lobes secondaires de
la fentre rectangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.5.3 Autres fentres : Gauss, Kaiser, Dolph-Chebychev . . . . . . . . . . . . . . 54
1.6 Problmes de visualisation de la TFD . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.7 Proprits de la TFD et convolution circulaire . . . . . . . . . . . . . . . . . . . . . . 56
1.7.1 Thorme de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1.7.2 Thorme de la convolution discrte . . . . . . . . . . . . . . . . . . . . . 57
1.7.3 Thorme du retard circulaire . . . . . . . . . . . . . . . . . . . . . . . . . 58
2 Transforme de Fourier Rapide TFR, Fast Fourier transform FFT . . . . . . . . . . . . . . . . 59
2.1 FFT avec entrelacement temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.2 FFT avec entrelacement frquentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3 Bit reversal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.4 Formulation matricielle de lalgorithme de Cooley-Tukey . . . . . . . . . . . . . . . . 64
2.5 Autres algorithmes de FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.6 Utilisation de la FFT pour la convolution rapide . . . . . . . . . . . . . . . . . . . . . 68
2.7 Calcul de convolution par section dune des suites . . . . . . . . . . . . . . . . . . . 69
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

IV Signaux alatoires 71
1 Description dun signal alatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1.1 Description complte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
1.2 Description partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
1.2.1 Description un instant . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
1.2.2 Description deux instants . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2 Proprits fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.1 Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.2 Ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.3 Le syndrome gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.4 Signaux alatoires temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3 Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie . . . . 77
3.1 Analyse dans le domaine temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1.1 Dfinitions et proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.1.2 Notion de bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2 Transformation des fonctions alatoires par filtrage . . . . . . . . . . . . . . . . . . . 80
3.2.1 Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.2 Transformation de la moyenne . . . . . . . . . . . . . . . . . . . . . . . . 80
3.2.3 Thorme, ou formule des interfrences . . . . . . . . . . . . . . . . . . . 81
3.3 Analyse dans le domaine frquentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.4 La reprsentation de Cramr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.5 Bruit blanc temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4 Un exemple dapplication : le filtrage adapt . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Page 5

4.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Maximisation du rapport signal--bruit . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3 Approche probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.4 Notes sur le choix du signal test, signaux pseudo-alatoires . . . . . . . . . . . . . . . 91
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

V Introduction au filtrage numrique 97


1 Systmes linaires discrets invariants en temps . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.1.1 Linarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.1.2 Invariance en temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.2 Rponse impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
1.3 Relation entre-sortie, convolution discrte . . . . . . . . . . . . . . . . . . . . . . . 99
1.4 Rponse en frquence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
1.5 Rponse une entre frquence pure . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
1.5.1 Relation entre les transformes de Fourier de lentre et de la sortie . . . . . 100
1.6 Fonction de transfert en z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
1.6.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
1.6.2 Relation entre les transformes en z de lentre et de la sortie dun filtre. . . 101
2 Quelques rappels sur la transforme en z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.1 Domaine de convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
2.2 Linarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.3 Thorme du retard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.4 Thorme de la convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.5 Thorme de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2.6 Thorme de la valeur initiale et de la valeur finale . . . . . . . . . . . . . . . . . . . 103
2.7 Intgration et drivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
2.8 Inversion de la transforme en z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3 Fonctions de transfert rationnelles en z, FIR, IIR . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.1 Calcul de la rponse impulsionnelle dun filtre RII . . . . . . . . . . . . . . . . . . . 106
3.1.1 Rappel sur le thorme des rsidus . . . . . . . . . . . . . . . . . . . . . . 106
4 Causalit et stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.1 Causalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2 Stabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.2.1 1ere condition ncessaire et suffisante de stabilit . . . . . . . . . . . . . . 107
4.2.2 2eme condition ncessaire et suffisante de stabilit . . . . . . . . . . . . . . 107
4.2.3 Stabilit des FIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5 Etude des filtres numriques lmentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2 Etude des zros de transmission . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.1 Cas dune cellule dordre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.2.2 Cas dune cellule dordre deux . . . . . . . . . . . . . . . . . . . . . . . . 109
5.3 Cellule FIR dordre un . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.3.3 Cellules spciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4 Cellule FIR dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4.2 Etude des extrma du module de la fonction de transfert en frquence . . . . 112
5.4.3 inversion du module des zros, polynme rciproque de H(z) . . . . . . . . 114
5.4.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.4.5 Changement du signe du coefficient b1 , changement de z en -z . . . . . . . 114
5.5 Cellule IIR dordre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.5.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Page 6 Chapitre I. Table des matires

5.5.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116


5.6 Cellule IIR dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.6.1 Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5.6.2 Etude des extrma du module de la fonction de transfert en frquence . . . . 118
5.6.3 Inversion du module des zros, polynme rciproque de H(z) . . . . . . . . 119
5.6.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.6.5 Changement du signe du coefficient a1 , changement de z en -z . . . . . . . 120
6 Structures des filtres numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.1 Structures directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.2 Structures directes non canoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.3 structures directes canoniques DN et ND . . . . . . . . . . . . . . . . . . . . . . . . 121
6.4 Structures dcomposes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.4.1 Structures cascade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.4.2 Structures parallles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

Index 127
C HAPITRE I

TRANSFORME DE FOURIER ET TUTTI QUANTI

L A TRANSFORME DE F OURIER 1 est lun des outils, sinon loutil fondamental du traiteur de signaux. Elle
permet dassocier la  forme donde  habituelle, la reprsentation dun signal en fonction de sa variable
dvolution, une autre reprsentation, complmentaire, dans le domaine frquentiel.
Lutilisation de cette description frquentielle permet en outre de caractriser simplement les filtres li-
naires, et faciliter leur tude. Aprs avoir prsent la transforme de F OURIER et ses principales proprits,
nous nous intresserons au filtrage des signaux et introduirons les notion de convolution et de fonction de trans-
fert, qui permettent la caractrisation des filtres, puis nous examinerons les notions de corrlation, pour des
signaux dterministes, qui permettent quant--elles ltude des proprits nergtiques des signaux. Les prin-
cipaux lments seront alors en place pour aborder, dans la suite du cours, le problme de lchantillonnage,
la caractrisation des signaux alatoires, puis quelques lments dintroduction au traitement numrique des
signaux.

1 Premires dfinitions autour de la transforme de Fourier


On sintresse une fonction x de la variable t, x(t). Cette fonction peut tre valeurs complexes, et
dpend dune variable t, qui, ventuellement, pourrait tre une variable vectorielle. Dans le cadre de ce cours,
on sintressera essentiellement au cas dune variable t scalaire, et il sera souvent commode de considrer t
comme le temps, la fonction x(t) reprsentant alors lvolution temporelle dun signal. Notons cependant que
t ne reprsente pas ncessairement le temps, et que lon peut tudier le comportement de signaux suivant une
variable despace, suivant une concentration, etc. . .
Une fonction x(t) quelconque, non priodique, peut se dcomposer sous la forme dune intgrale de F OU -
RIER, selon
 +
x(t) = X(f ) ej2f t df ,

o  +
X(f ) = x(t) ej2f t dt.

On dit que x(t) et X(f ) forment une paire de transformes de F OURIER, ce qui est not par

x(t) X(f ).

La transforme de F OURIER existe si les trois conditions de D IRICHLET sont vrifies (il sagit de condi-
tions suffisantes mais pas ncessaires) :

1. x(t) possde un nombre fini de discontinuits sur tout intervalle fini,

2. x(t) possde un nombre fini de maxima et de minima sur tout intervalle fini,

1. Joseph Jean F OURIER, mathmaticien, physicien et prfet franais (1768-1830), tablit entre 1807 et 1811 la loi de F OURIER
sur la conduction thermique. En 1822, ses tudes sur la conduction thermique, le conduisent dvelopper la technique de lanalyse
harmonique, et en particulier un dveloppement de fonctions en srie harmonique, dveloppement qui porte aujourdhui son nom.
Page 8 Chapitre I. Transforme de Fourier et tutti quanti

3. x(t) est absolument intgrable, cest--dire


 +
|x(t)| dt < +.

En effet, si x(t) est absolument intgrable, alors


 +  +
j2f t
|x(t) e | dt < |x(t)| dt < +

(car |x(t) ej2f t | = |x(t)| |ej2f t | < |x(t)|).

Il est important de noter que tous les signaux dnergie finie, cest--dire tous les signaux de L2 ,
 +
|x(t) ej2f t |2 dt < +

admettent une transforme de F OURIER.


La transforme de F OURIER est une fonction complexe, qui pourra tre exprime sous la forme

X(f ) = |X(f )|ej(f ) = A(f ) + jB(f ),

o |X(f )| et (f ) sont respectivement les module et phase de X(f ), avec



|X(f )| = A(f )2 + B(f )2 ,
B(f )
(f ) = arctg .
A(f )

Exemple 1 Impulsion rectangulaire.


On note rectT (t) limpulsion rectangulaire dfinie par

1 si t [T /2, T /2],
rectT (t) =
0 ailleurs.

On cherche alors calculer la transforme de F OURIER de x(t) = ArectT (t). Il suffit dcrire la dfinition
de la transforme de F OURIER :
 T /2
X(f ) = TF {ArectT (t)} = A ej2f t dt,
T /2

soit
 T
ej2f t 2
1  jf T 
X(f ) = A =A e ejf T
j2f T2
j2f

et enfin
sin(f T ) 
X(f ) = AT = AT sinc (f T ).
f T

o sinc (.) est la fonction sinus cardinal. On notera que la transforme de F OURIER obtenue est purement
relle, et paire (nous verrons plus loin, 9 que ceci est vrifi pour tous les signaux rels et pairs). Par ailleurs,
cette transforme sannule pour f T = k, soit tous les f = k/T ; sauf pour k = 0, puisque sinc (x) = 1
pour x 0.
1. Premires dfinitions autour de la transforme de Fourier Page 9

rectT (x)

A/2

0
-3T/2 -T -T/2 0 T/2 T 3T/2

AT sinc (f T )
AT

AT/2

-6/T -5/T -4/T -3/T -2/T -1/T 0 1/T 2/T 3/T 4/T 5/T 6/T

Exemple 2 Exponentielles.
Soit les fonctions x1 (t) = exp (at) u(t) et x2 (t) = exp (at) u(t), avec a un rel positif, et u(t) lchelon.
Alors

 +
1
X1 (f ) = TF {x1 (t)} = e(a+j2f )t dt = .
0 a + j2f

De la mme faon, on obtient

1
X2 (f ) = TF {x2 (t)} = .
a j2f
Page 10 Chapitre I. Transforme de Fourier et tutti quanti

1
eax (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2

1
eax (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2 -1.5 -1 -0.5 0

2 Principales proprits de la transforme de F OURIER

Proprit 1 La transforme de F OURIER est une transformation linaire : si

x1 (t) X1 (f )

x2 (t) X2 (f )

alors, c1 , c2 C,
c1 x1 (t) + c2 x2 (t) c1 X1 (f ) + c2 X2 (f )

2. Principales proprits de la transforme de F OURIER Page 11

Exercice 1 : En vous servant des rsulats donns dans lexemple2 et de la proprit de linarit, montrez
que les transformes de F OURIER de

g1 (t) = exp (a|t|) = exp (at) u(t) + exp (at) u(t)
g2 (t) = exp (a|t|) sign(t) = exp (at) u(t) exp (at) u(t)

valent respectivement
2a
G1 (f ) =
a2 + (2f )2
j4f
G2 (f ) =
a2 + (2f )2

Reprsentez les module et phase de G1 (f ) et G2 (f ), et examinez ce que deviennent ces paires de trans-
formes de F OURIER lorsque a 0.

1
e|a|x (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

1
eax u(x) eax u(x) (a = 2)
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

Proprit 2 Proprit dchelle.


Lorsque lon effectue une contraction ou une dilatation temporelle, on a

1 f
x(at) X .
|a| a
Page 12 Chapitre I. Transforme de Fourier et tutti quanti

Cette proprit se montre directement partir de la dfinition de la transforme de F OURIER.

Proprit 3 Retard temporel.


Cette proprit permet de donner la transforme de F OURIER dune fonction retarde en fonction de la trans-
forme de F OURIER du signal initial et dun terme de retard :

x(t t0 ) X(f )ej2f t0 .



nouveau, cette proprit sobtient directement en utilisant la dfinition de la transforme :
 +
TF {x(t t0 )} = x(t t0 ) ej2f t dt;

En notant que ej2f t = ej2f (tt0 ) ej2f t0 , il vient alors


 +
TF {x(t t0 )} = x(t t0 )ej2f (tt0 ) ej2f t0 dt,

soit  +
TF {x(t t0 )} = ej2f t0 x(t t0 )ej2f (tt0 ) dt = ej2f t0 X(f ).

Proprit 4 Dplacement frquentiel.


Cette proprit est analogue (ou plutt duale de) la proprit du retard temporel : on effectue une  modula-
tion  du signal temporel, la frquence f0 , cette modulation entranant alors un dplacement (retard) dans le
domaine frquentiel :
ej2f0 t x(t) X(f f0 ).

Application : modulation damplitude
On considre le signal modul en amplitude x(t),

x(t) = A cos (2f0 t)m(t),

o m(t) est le message.


En dcomposant le cosinus en la somme de deux exponentielles complexes de frquences f0 et f0 , i.e., on
a
A  j2f0 t 
x(t) = e m(t) + ej2f0 t m(t) ,
2
et en utilisant la proprit de dplacement frquentiel, il vient immdiatement
A
X(f ) = [M (f f0 ) + M (f + f0 )] ,
2
o M (f ) est la transforme de F OURIER du message m(t).

Proprit 5  Moyennes  .
On appelle ici  moyennes  les intgrales des fonctions sur tout leur domaine dexistence. On a alors les deux
relations suivantes :
 +
X(0) = x(t)dt,

 +
x(0) = X(f )df.

Pour se convaincre de ces deux relations, il suffit dcrire les dfinitions des transformes de F OURIER directe
et inverse, dans lesquelles on prendra, respectivement, f = 0 et t = 0. partir de lexpression de la TF, on a
ainsi trs simplement lintgrale de la fonction considre. Notons que X(0) a une signification prcise : cest
la composante frquentielle la frquence nulle, cest--dire la composante continue du signal.
2. Principales proprits de la transforme de F OURIER Page 13

Proprit 6 Diffrentiation dans le domaine temporel.


Il est intressant de pouvoir relier la transforme de F OURIER de la drive dun signal la transforme de
F OURIER du signal initial : ceci permet en effet dobtenir lgamment certain rsultats. Si x(t) admet X(f )
pour transforme de F OURIER, et en supposant que dx(t)/dt existe et admet une transforme de F OURIER,
alors
dx(t)
j2f X(f ).
dt
Pour sen convaincre, il suffit, comme souvent, de revenir la dfinition :
 +
x(t) = X(f ) ej2f t df ,

 +
dx(t) d
= X(f ) ej2f t df ,
dt dt
 +
= j2f X(f ) ej2f t df ,

1
= TF {j2f X(f )}.
Plus gnralement, et sous rserve dexistence de la drive considre et de sa TF,
dn x(t)
(j2f )n X(f ).
dtn

Proprit 7 Intgration dans le domaine temporel.


En supposant que X(0) = 0, on montre (exercice) que
 t
1
x( )d X(f ).
j2f

Proprit 8 Proprit de dualit.


La proprit de dualit permet dobtenir facilement de nouvelles paires de transformes de F OURIER partir
des paires dj connues. Cette proprit sexprime comme suit : si
x(t) X(f ),

alors
X(t) x(f ).

Ceci se montre en dbutant avec lexpression de x(t) en fonction de sa TF X(f ) :
 +
x(t) = X(f ) ej2tf df ,

en changeant maintenant les variables t et f , on obtient
 +

x(f ) = X(t) ej2f t dt = TF {X(t)}.

Exemple :
On a vu que
ArectT (t) AT sinc (f T ).

Si lon a maintenant calculer la transforme de F OURIER inverse dune fonction porte en frquence, ArectB (f ),
il suffit dinvoquer cette proprit de dualit pour crire
AB sinc (tB) ArectB (f ),

et la fonction sinus cardinal tant paire, on en dduit
AB sinc (tB) ArectB (f ).

Ceci montre que la transforme de F OURIER dun sinus cardinal, en temps, est une fonction porte en frquence.
Page 14 Chapitre I. Transforme de Fourier et tutti quanti

Proprit 9 Proprits de conjuguaison et symtries.


Comme prcdemment, on considre une paire de transformes de F OURIER :

x(t) X(f ).

Lorsque x(t) est une fonctions valeurs complexes, on a

x (t) X (f ) .

Ceci se vrifie en partant de la dfinition de la transforme de F OURIER :


 +

TF {x (t)} = x (t) ej2f t dt,

 +
= x(t) ej2tf dt ,


= X (f ).

Par ailleurs, pour tout signal x(t), on a


x(t) X(f ) .

Cette dernire relation se vrifie directement en crivant la transforme de F OURIER de x(t) :
 +
TF {x(t)} = x(t) ej2f t dt,

et en effectuant le changement de variable t t, on obtient


 +
TF {x(t)} = x(t) ej2tf dt,

= X(f ).

En utilisant les deux dernires relations encadres, on obtient enfin

x (t) X (f ) .

En rsum,
x(t) X(f )

x(t) X(f )

x (t) X (f )


x (t) X (f )

Ces diffrentes relations permettent de donner toutes les relations de symtrie de la transforme de F OU -
RIER. Pour commencer, on notera la proprit de symtrie hermitienne vrifie par la transforme de F OURIER
des signaux rels :
X(f ) = X (f )

on en dduit que, si x(t) est rel, alors

la partie relle de X(f ) est paire,

la partie imaginaire de X(f ) est impaire,

le module de X(f ), |X(f )| est pair,

la phase de X(f ), (f ) est impaire.


3. Impulsion de D IRAC Page 15

Dautre part, si x(t) est pair ou impair (x(t) nest pas ici ncessairement rel), on peut crire

[pair] x(t) = x(t) X(f ) = X(f ) [pair]



[impair] x(t) = x(t) X(f ) = X(f ) [impair]

Le tableau suivant rsume enfin les diffrentes proprits de symtrie :

x(t) symtrie temps frquence consquence sur X(f )


rel quelconque x(t) = x (t) X(f ) = X (f ) Re. paire, Im. impaire
rel pair x(t) = x (t) = x(t) X(f ) = X (f ) = X(f ) relle et paire
rel impair x(t) = x (t) = x(t) X(f ) = X (f ) = X(f ) imaginaire pur et impair
imaginaire quelconque x(t) = x (t) X(f ) = X (f ) Re. impaire, Im. paire
imaginaire pair x(t) = x (t) = x(t) X(f ) = X (f ) = X(f ) imaginaire et pair
imaginaire impair x(t) = x (t) = x(t) X(f ) = X (f ) = X(f ) rel et impair

Enfin, on a
Rel pair + imaginaire impair Rel

Rel impair + imaginaire pair Imaginaire

3 Impulsion de D IRAC
La transformation de F OURIER ne sapplique strictement quaux signaux qui vrifient les conditions de
D IRICHLET. Il serait agrable dtendre le formalisme afin de pouvoir dfinir une transforme de F OURIER
pour les signaux de puissance moyenne finie2 , et de retrouver la srie de F OURIER comme cas particulier de la
transforme de F OURIER.
Cette extension est possible en utilisant la thorie des distributions, et en particulier la distribution de D I -
RAC. La distribution de D IRAC est une distribution, et nous devrions faire alors appel aux rsultats de la thorie
des distributions. Ceci sort du cadre de ce cours, et peut-tre du cadre dun cours de traitement du signal, et
nous nous contenterons ici dune approche heuristique. Pour une approche rigoureuse, on pourra se reporter
louvrage de L. S CHWARTZ 3
On appelle impulsion de D IRAC la fonction (t)

0 si t = 0,
(t) =
+ pour t = 0,

et telle que  +
(t)dt = 1.

Limpulsion de D IRAC est ainsi  une impulsion infiniment fine, damplitude infinie, et daire unit .

Consquence :
Limpulsion de D IRAC joue le rle dune fonction indicatrice lorsquelle intervient dans une intgration. En
2. Les signaux dnergie finie sont les signaux tels que
 +
Ex = |x(t)|2 dt < +,

o Ex dsigne lnergie du signal. Lensemble des signaux dnergie finie est lespace L2 .
Les signaux de puissance moyenne finie sont les signaux qui vrifient
 T /2
1
Px = lim |x(t)|2 dt < +,
T + T T /2

o Px dsigne la puissance moyenne. On notera que ces signaux ne sont pas ncessairement absolument intgrables. Lensemble des
signaux de puissance moyenne finie est souvent not L2 (T ).
3. L. S CHARTZ,  T HORIE DES DISTRIBUTIONS 
Page 16 Chapitre I. Transforme de Fourier et tutti quanti

effet, limpulsion de D IRAC est nulle sauf lorsque son argument est nul, auquel cas, son amplitude est infinie,
mais son  aire  unit. Ainsi, on peut crire que x(t)(t t0 ) = x(t0 )(t t0 ). Par consquent,
 +
x(t)(t t0 )dt = x(t0 ).

On en dduit alors que lon a, dune faon gnrale,


 +


x(t) = x( )(t )d ,

+


avec x( ) = x(t)(t )dt.

Lensemble des fonctions { : (t )}, paramtr par forme une base orthonormale (infinie et non
dnombrable), et lon peut comprendre x( ) comme une composante du signal X sur cette base. En effet,

x( ) =< X , >,

et x(t) sobtient comme la somme infinie des vecteurs de base pondrs par les composantes de X :
 +
x(t) = x( )(t )d.

laide des rsultats prcdents, il est facile dexprimer la transforme de F OURIER de limpulsion de
D IRAC, qui vaut simplement :
 +
TF {(t)} = (t) ej2f t dt,

j20
= e = 1.

La transforme de F OURIER de limpulsion de D IRAC est donc une fonction constante, quelque soit la
frquence :
(t) 1 f.

On peut voir (interprter) limpulsion de D IRAC comme la limite dune fonction porte. cet effet, consi-
drons la fonction porte de largeur ! et damplitude 1/! (afin que son aire soit unit), (1/!)rect (t). nous avons
vu que la transforme de F OURIER de cette fonction vaut

1
! sinc (f !) = sinc (f !).
!

Lorsque ! 0, (1/!) rect (t) (t), et sinc (f !) 1.

3.1 Applications et consquences


Munis de ces quelques rsultats, on peut rechercher les transformes de F OURIER de quelques fonctions qui
nadmetteraient pas de TF au sens habituel. Ce faisant, on pourra donner un nouvel clairage la transforme
de F OURIER.

3.1.1 Transforme de F OURIER dune impulsion retarde

Par simple application de la proprit 3 (retard temporel), on peut crire que

(t ) ej2f .

La transforme de F OURIER dune impulsion de D IRAC place en t = est une exponentielle complexe.
3. Impulsion de D IRAC Page 17

3.1.2 Transforme de F OURIER dun signal continu


On recherche la transforme de F OURIER dun signal constant, cest--dire dun signal continu (au sens
 lectronique , pas au sens mathmatique). Nous avons vu que TF {(t)} = 1. En utilisant la proprit de
dualit proprit 8, on en dduit que

TF {1} = (f ) = (f ).

La transforme de F OURIER dun signal constant est donc une raie, ou une masse, la frquence nulle.

3.1.3 Transforme de F OURIER dune exponentielle complexe


La proprit de modulation, proprit 4,

ej2f0 t x(t) X(f f0 ).



implique alors, en prenant x(t) = 1, que

ej2f0 t (f f0 ),

cest--dire une impulsion de D IRAC dans le domaine frquentiel, la frquence f = f0 4 . Cette relation, que
nous rcrivons en terme de TF  
TF ej2f0 t = (f f0 ),
est trs importante : elle indique en effet que les exponentielles complexes sont orthogonales deux deux
 +
ej2f0 t ej2f t dt = (f f0 ),

cest--dire que les exponentielles complexes forment une base orthogonale5 , au sens du produit scalaire habi-
tuel 
< x, y >= x(t)y (t)dt.

Rappelons qualors, si les ef (t) = ej2f t sont les vecteurs de base, on peut exprimer tout signal x(t) par la
dcomposition 
x(t) = < x, ef (t) > ef (t)dt,

o < x, ef (t) > est la composante de x(t) pour le vecteur ef (t) dans le dveloppement, soit la projection de
x(t) sur ef (t). La transforme de F OURIER consiste donc simplement calculer les composantes du dvelop-
pement de x(t) sur cette base :
 +
X(f ) =< x, ef (t) >= x(t) ej2f t dt,

et la dcomposition du signal sur la base des exponentielles complexes est la transforme de F OURIER inverse
 +
x(t) = X(f ) ej2f t df .

On dispose ainsi de deux bases de reprsentation pour les signaux : la base des impulsions de D IRAC de
retard croissant, et la base des exponentielles complexes de frquence croissante. On vrifie aisment que les
vecteurs de base sont lis par une transforme de F OURIER! Plus exactement, la transforme de F OURIER est
la transformation qui permet de passer dune base lautre. Par ailleurs, comme nous le vrifierons plus loin,
4. Notons que lon peut aussi tablir simplement ce rsultat en utilisant la proprit de dualit partir de

(t ) ej2f .

5. Une autre base : on a dj not que lensemble des impulsions de D IRAC dcales forme une base orthogonale de lespace des
signaux.
Page 18 Chapitre I. Transforme de Fourier et tutti quanti

le produit scalaire se conserve dans ces deux reprsentations, cest--dire que lon a, en dsignant par X et Y
deux signaux, indpendamment de leur base de reprsentation,
 
< X , Y >= x(t)y (t)dt = X(f )Y (f )df.

Cette dernire relation est la relation de PARSEVAL-P LANCHEREL.

3.1.4 Transforme de F OURIER des fonctions trigonomtriques


Pour dterminer la TF des fonctions sinusodales, il suffit dappliquer les formules dE ULER :

ej2f0 t + ej2f0 t
cos (2f0 t) = ,
2
ej2f0 t ej2f0 t
sin (2f0 t) = ,
2j

et il vient alors
1
cos (2f0 t) [(f f0 ) + (f + f0 )] ,
2
1
sin (2f0 t) [(f f0 ) (f + f0 )] .
2j

3.1.5 Transforme de F OURIER de la fonction Signe


On montre (cf Exercices) que
1
TF {Signe(t)} =
jf

3.1.6 Transforme de F OURIER de lchelon unit


Lchelon unit peut tre exprim comme la somme u(t) = 1/2[Signe(t) + 1], o lon a suppos que
u(0) = 1/2. Dans ce cas,

1 1
TF {u(t)} = TF {Signe(t)} + TF {1},
2 2
1 1
= + (f ).
j2f 2

Cette transforme est utile pour dfinir la notion de signal analytique et la transforme de H ILBERT.

3.2 Relation entre srie et transforme de F OURIER


Soit x(t) une fonction priodique de priode T0 . On a alors


+
x(t) = xT0 (t mT0 ),
m=

o xT0 (t) est le  motif de base , de dure T0 . Le signal x(t) tant priodique, de priode T0 , il admet une
dcomposition en srie de F OURIER, sous la forme :


+
x(t) = cn ej2nf0 t ,
n=

o f0 = 1/T0 et 
1
cn = xT0 (t)ej2nf0 t dt.
T0 [T0 ]
3. Impulsion de D IRAC Page 19

On dduit immdiatement de cette relation que


1
cn = XT (nf0 ),
T0 0
o XT0 (f ) est la transforme de F OURIER de xT0 (t). On a alors


+
1 +
x(t) = xT0 (t mT0 ) = XT (nf0 )ej2nf0 t .
m=
T0 n= 0

On en dduit donc que la transforme de F OURIER de x(t) scrit alors

1 +  
TF {x(t)} = XT0 (nf0 )TF ej2nf0 t ,
T0 n=

soit
1 +
X(f ) = TF {x(t)} = XT (nf0 )(f f0 ) .
T0 n= 0

La transforme de F OURIER dun signal priodique de priode T0 est donc une constitue dimpulsions de
D IRAC, situes tous les multiples de f0 , et dont le poids est la transforme de F OURIER du motif de base,
la frquence considre. La priodicit dans le domaine temporel conduit une transforme de F OURIER
constitue de raies.
X(f )
x(t)

t f
T0

t f
En prenant enfin xT0 (t) = (t), on obtient les formules de P OISSON :


+
1 +
(t mT0 ) = ej2nf0 t ;
m=
T0 n=

puis, en crivant et en galant les transformes de F OURIER de chacun des deux membres :


+
1 +
ej2f mT0 t = (f nf0 ) ;
m=
T0 n=

soit enfin

+ 
1 +
(t mT0 ) (f nf0 ) .
T0
m= n=

Cette relation montre que la transforme de F OURIER dun peigne de D IRAC est galement un peigne de
D IRAC, ces deux peignes tant de pas inversement proportionnel.
Page 20 Chapitre I. Transforme de Fourier et tutti quanti

3.3 Relations dincertitude pour les signaux dnergie finie


Nous avons vu que la TF dune porte est dautant plus large que la porte est troite. En fait, on voit ainsi
qu un signal de dure limite correspond une TF support infini, et rciproquement (exemple des fonctions
sinusodales). On ne peut pas trouver de fonction qui soit support limit simultanment dans les deux do-
maines. Mieux encore, plus une fonction est  concentre  dans un domaine, plus elle est  tale  dans le
domaine dual. Ces constations sont quantifies par les relations dincertitude, appeles ainsi en rfrence aux
relations dincertitude de G ABOR-H EISENBERG.
Lnergie dun signal est dfinie par
 +
Ex = |x(t)|2 dt,

et lon montrera plus loin dans le cours, que lon a (relation de PARSEVAL)
 +  +
Ex = |x(t)| dt =
2
|X(f )|2 df.

On peut alors considrer


|x(t)|2 |X(f )|2
et
Ex Ex
comme des densits de probabilit et dfinir les moments de ces densits :
 +


1
t = t|x(t)|2 dt  temps moyen ,
Ex 
+

1
f = f |X(f )|2 df  frquence moyenne  ,
Ex

et on dfinit alors les  variances  par


 +


1
2
(t) = (t t)2 |x(t)|2 dt  temps moyen ,
Ex 
+

1
(f )2 = (f f)2 |X(f )|2 df  frquence moyenne  ,
Ex

Sans perte de gnralit, on choisit une origine des temps et des frquences telles quet = 0 et f = 0.
On considre maintenant la fonction de positive suivante :
 +  2
 dx(t) 
 
I() =  dt + tx(t) dt 0,

soit, aprs dveloppement,


 +    +  +
 dx(t) 2 dx(t)
I() = 2   dt + 2 tx(t) dt + |tx(t)|2 dt,
 dt  dt

ou  +    +  +
 dx(t) 2 d|x(t)|2
I() = 2   dt + t dt + |tx(t)|2 dt.
 dt  dt

Les relations sur la transforme de F OURIER dune drive et la relation de PARSEVAL fournissent :
1.
 +    +
 dx(t) 2
  dt = |j2f X(f )|2 df = 42 (f )2 Ex ,
 dt 

2.
 +  +  +
d|x(t)|2
t dt = t|x(t)| 2
+ |x(t)|2 dt = Ex ,
dt

en supposant que t|x(t)|2 0 quand t + ;


4. Convolution Page 21

3.
 +
t2 |x(t)|2 dt = (t)2 Ex .

Il reste donc  
I() = 2 4 2 (f )2 + + (t)2 Ex 0.
La fonction considre tant toujours de mme signe, le discriminant doit donc tre ngatif, ce qui conduit

1
t f .
4

Le produit dure moyenne bande moyenne est ainsi born infrieurement, ce qui induit une relation din-
certitude, du type G ABOR-H EISENBERG entre les deux domaines. Il nest pas possible de trouver de signal
qui soit support limit simultanment dans les deux domaines. Qui plus est, la relation prcdente permet de
quantifier cette remarque et dexhiber les signaux  limites .
En effet, les signaux qui sont conjointement les plus  compacts  sont ceux qui permettent datteindre la
borne, cest--dire les signaux tels que t f = 1/4. ce sont les signaux tels que
 
I(0 ) = 20 4 2 (f )2 + 0 + (t)2 Ex = 0,

soit
dx(t)
0 + tx(t) = 0.
dt
Ce sont les signaux gaussiens :
t2
2
x(t) = Ae 0 ,
dont la transforme de F OURIER est galement gaussienne :
2
X(f ) = Ae0 f .

4 Convolution
4.1 Filtres et convolution
laide des lments prcdemment introduits, nous pouvons maintenant commencer nous intresser
ltude des systmes linaires invariants dans le temps, ou filtres. Un filtre est un instrument, ou un modle
physique, associant (linairement) une excitation, ou signal dentre, un signal de sortie.

x(t) y(t)
h(t)

Un systme est linaire sil justifie du principe de superposition : la rponse une somme pondre dex-
citations est gale la somme pondre des rponses aux excitations individuelles :
 
i xi (t) i yi (t).
i i

Le systme est invariant dans le temps si la rponse ne dpend pas de linstant dapplication : si y(t) est la sortie
correspondant une entre x(t), la rponse associe x(tt0 ) est y(tt0 ). On appelle rponse impulsionnelle
(RI), souvent note h(t), la rponse du systme lapplication dune impulsion de D IRAC (t) :

(t) h(t)
h(t)
Page 22 Chapitre I. Transforme de Fourier et tutti quanti

Le systme tant linaire et invariant, alors la rponse associe x( )(t ) est x( )h(t ).
x( )(t ) x( )h(t ).
Or, nous avons vu que lon peut crire tout signal x(t) comme une somme infinie de  composantes  x( ) sur
une base dimpulsions de D IRAC :  +
x(t) = x( )(t )d.

On en dduit alors que la rponse globale du systme scrit, par linarit :
 +
y(t) = x( )h(t )d = [x h](t).

Cette relation est appele convolution entre x et h, et lopration est note [xh](t), pour montrer que le rsultat
de la convolution est valu linstant t et que la variable est simplement une variable muette qui disparait
lors de lintgration. Lintgrale prcdente est appele intgrale de convolution ; elle permet dassocier toute
entre x(t) la sortie du sytme y(t), celui-ci tant caractris par sa rponse impulsionnelle h(t).
On peut encore illustrer loprateur convolution de la faon suivante : on dcompose lentre x(t) en une
somme dimpulsions rectangulaires damplitude x( ) et de largeur :

x(t) +

+
k= x(k )p (t k )

(...)

(...)

On note p limpulsion de largeur et damplitude 1/ . Lentre peut ainsi tre approche par

+
x(k )p (t k ).
k=
4. Convolution Page 23

Notons maintenant h la rponse du systme limpulsion p . Alors, la sortie, linstant t, scrit comme
la superposition de toutes les rponses :


+
y(t) = x(k )h (t k ).
k=

En faisant enfin tendre vers 0, on a

p (t) (t), h (t) h(t).

On retrouve alors la relation de convolution prcdente :


 +
y(t) = x( )h(t )d.

On notera que lopration de convolution est commutative :

[h x](t) = [x h](t) .

En effet, si on pose  = t , alors


 +
y(t) = x(t  )h(  )d  .

4.2 Causalit et stabilit


Un filtre est dit causal, si la sortie ne dpend que des valeurs de lentre prcdent la sortie. En dautres
termes,  leffet ne prcde pas la cause . Dans ces conditions, il est clair que h(t) = 0 pour t < 0. Alors,
 +
y(t) = [x h](t) = h( )x(t )d
0
 t
= x( )h(t )d.

pour un systme causal.


Il est clair quun systme oprant en temps rel doit tre causal. Lorsquun systme peut travailler en temps
diffr, laide dune entre stocke, il nest pas ncessaire que le systme soit causal.
Un filtre est dit stable si toute entre borne correspond une sortie borne. On parle alors de stabilit BIBO
(pour  Borned Input Borned Output ). Si x(t) est born, |x( )| M, , et
 + 
 
|y(t)|  h( )x(t )d  ,

 +
|h( )x(t )| d,

 +
M |h( )| d,

et la sortie est borne si le filtre est stable, cest--dire


 +
|h( )| d + .
0

On notera que cette condition nous permettra de dfinir la transforme de F OURIER de h(t), note H(f ), que
nous identifierons la fonction de transfert du filtre.
Page 24 Chapitre I. Transforme de Fourier et tutti quanti

4.3 Interprtation graphique de la convolution


La convolution entre deux signaux x(t) et y(t) scrit
 +
[x y](t) = x(u)y(t u)du.

Le calcul de la convolution consiste donc calculer la surface du produit x(u)y(t u). Le signal y(t u) est
simplement le signal initial y(u), retourn dans le temps pour donner y(u), puis translat de t.
En calculant alors lensemble des surfaces obtenues en faisant  glisser  y, cest--dire pour tous les dca-
lages de t, on obtient le produit de convolution pour tout t :
x(u)

u
y(u)

u
x(u)
y(t u)

t u

111
000 [x y](t)

000
111
000
111 t
u

t
4.4 Rponse en frquence
La convolution permet de dcrire la sortie dun filtre caractris par sa rponse impulsionnelle. Un filtre peut
galement tre caractris dans le domaine frquentiel, ce qui nous amnera retrouver la notion de fonction
de transfert et donner les relations liant les descriptions temporelles et frquentielles dun systme linaire.
Considrons un systme de rponse impulsionnelle h(t) et dentre
x(t) = X0 ej2f0 t .
La sortie est donne par
 +
y(t) = h( )X0 ej2f0 (t ) d,

 +
= X0 ej2f0 t h( )ej2f0 d.

On reconnait l lexpression de la transforme de F OURIER de h( ) : le gain complexe ou la fonction de transfert
H(f ) du systme
 +
H(f0 ) = h( ) ej2f0 d .

4. Convolution Page 25

La sortie scrit alors simplement


y(t) = X0 ej2f0 t H(f0 ).

Pour un systme linaire excit par une exponentielle complexe de frquence f0 , on obtient en sortie le mme
signal, au facteur H(f ) complexe prs. Ceci donne lintrt de la transforme de F OURIER : les exponentielles
complexes sont les fonctions propres des systmes linaires invariants, et H(f0 ) joue le rle de la valeur propre
associe.
Considrons maintenant un signal x(t) quelconque. On peut exprimer x(t) comme une somme infinie
dexponentielles complexes (il sagit simplement de la transforme de F OURIER inverse) :
 +
x(t) = X(f ) ej2f t df .

chacune des composantes X(f ) ej2f t correspond alors une sortie X(f )H(f ) ej2f t , et, par superposition,
 +
y(t) = X(f )H(f ) ej2f t df .

On en dduit que la transforme de F OURIER de la sortie, Y (f ), vaut simplement :

Y (f ) = X(f )H(f ) .

La description temporelle, en terme de produit de convolution, se transforme donc en un produit simple dans le
domaine de F OURIER. Encore une des richesses de la description frquentielle ;

[x y](t) X(f )Y (f ) .

On vrifie facilement que rciproquement,

x(t)y(t) [X Y ](f ) .

En effet, si on exprime la transforme de F OURIER inverse du produit de convolution [X Y ](f ),


 +  +
1
TF {[X Y ](f )} = X(u)Y (f u) ej2f t df du.

En dcomposant ej2f t en ej2(f u)t ej2ut , lintgrale double devient


 +  +
X(u) ej2ut Y (f u) ej2(f u)t df du,

et en reconnaissant que
 +
y(t) = Y (f u) ej2(f u)t df,

il vient
TF {[X Y ](f )}1 = x(t)y(t).

La transformation du produit de convolution en produit simple par transforme de F OURIER, et rciproquement


constituent le thorme de P LANCHEREL

[x y](t) X(f )Y (f ),

x(t)y(t) [X Y ](f ).

Ce thorme a plusieurs consquences importantes.


Page 26 Chapitre I. Transforme de Fourier et tutti quanti

4.4.1 Consquences
La transforme de F OURIER de x(t)y (t) vaut
 +

x(t)y (t) X(u)Y (u f ) du,

car TF {y (t)} = Y (f ). On en dduit que


 +  +
j2f t
x(t)y (t) e dt = X(u)Y (u f ) du,

soit, pour f = 0,
 +  +

x(t)y (t) dt = X(u)Y (u) du .

Cette relation indique que le produit scalaire se conserve dans les diffrentes bases de reprsentation des
signaux. Cette proprit est appele thorme de P LANCHEREL-PARSEVAL . En utilisant cette relation avec
y(t) = x(t), on obtient
 +  +
|x(t)| dt =
2
|X(f )|2 df ,

qui est quant--elle une relation de conservation de lnergie. Il sagit de la relation de PARSEVAL.
En posant enfin y(t) = x(t ), on obtient
 +  +

x(t)x (t ) dt = X(u)X (u) ej2u du

 +
= |X(f )|2 ej2f df.

La fonction  +

Rxx ( ) = x(t)x (t ) dt

est appele fonction dautocorrlation. On a vu ci-dessus que
 +
Rxx ( ) = |X(f )|2 ej2f df,

cest--dire que la transforme de F OURIER de Rxx ( ) est simplement le module carr de la TF de x(t). On
peut vrifier aisment que si  +

Rxy ( ) = x(t)y (t ) dt

est la fonction dintercorrlation entre x(t) et y(t), alors,
 +
TF {Rxy ( )} = Rxy ( ) ej2f d = X(f )Y (f ).

Ainsi,

 +

Rxy ( ) = x(t)y (t ) dt X(f )Y (f ),

 +

Rxx ( ) = x(t)x (t ) dt |X(f )|2 .

Les fonctions de corrlation sont utilises dans nombre dapplications de traitement du signal. Les deux
dfinitions que nous avons donnes ci-dessus sont les dfinitions des fonctions de corrlation pour les signaux
dterministes et dnergie finie. Nous verrons plus loin dans ce cours lutilit des fonctions de corrlation pour
lanalyse des signaux alatoires. Pour le moment nous allons analyser les principales proprits des fonctions
de corrlation et leurs consquences, pour des signaux dterministes.
5. Fonctions de corrlation Page 27

5 Fonctions de corrlation
Les fonctions de corrlation, ou dintercorrlation, permettent de comparer des signaux distincts en fonction
du  retard  entre les signaux. La transforme de F OURIER des fonctions de corrlation est le spectre (linter-
spectre) de dnergie ou puissance du ou des signaux considrs. Les fonctions de corrlation soont donc utiles
pour tudier la  ressemblance  de diffrents signaux (dans le domaine temporel), et la rpartition de lner-
gie ou de la puissance en fonction de la frquence. Les principales applications des fonctions de corrlation
prennent place dans le cadre des signaux alatoires.

5.1 Dfinitions et proprits


5.1.1 Dfinitions
Pour des signaux dnergie finie, on dfinit
 +

Rxy ( ) = x(t)y (t ) dt,

 +

Rxx ( ) = x(t)x (t ) dt.

Pour des signaux de puissance moyenne finie, on dfinit, de manire analogue,



 1
Rxy ( ) = lim x(t)y (t ) dt,
T + T [T ]

 1
Rxx ( ) = lim x(t)x (t ) d.
T + T [T ]

5.1.2 Proprits
Proprits de symtrie

Par simple application des dfinitions, on pourra (exercice) vrifier les proprits de symtrie suivantes :

Rxy ( ) = Ryx ( ), Symtrie hermitienne

Rxx ( ) = Rxx ( ).

Pour des signaux rels, on aura alors

Rxy ( ) = Ryx ( ),
Rxx ( ) = Rxx ( ).

Distributivit
La proprit de distributivit permet de simplifier notablement certains calculs : si

m
x(t) = i xi (t)
i=1
n
y(t) = j yj (t)
j=1

alors

m 
n
Rxy ( ) = i j Rxi yj ( ).
i=1 j=1

Par linarit de la transforme de F OURIER, on aura galement



m 
n  
TF {Rxy ( )} = i j TF Rxi yj ( ) .
i=1 j=1
Page 28 Chapitre I. Transforme de Fourier et tutti quanti

Maximum

Lingalit de S CHWARTZ
| < x, y > |2 < x, x >< y, y >,
entrane que
|Rxy ( )|2 Rxx (0)Ryy (0).
On en dduit que
|Rxx ( )| Rxx (0).
La valeur Rxx (0) constitue donc un maximum maximorum de la fonction dautocorrlation.

Signification de Rxx (0)


Pour le retard nul,  +
Rxx (0) = |x(t)|2 dt

reprsente lnergie du signal (pour des signaux nergie finie) ;

1
Rxx (0) = lim |x(t)|2 dt
T + T [T ]

reprsente la puissance du signal (pour des signaux de puissance moyenne finie).

5.2 Densits spectrale dnergie et de puissance


On appelle densit spectrale de puissance (pour les signaux de puissance moyenne finie) ou densit spectrale
dnergie (pour les signaux dnergie finie) la transforme de F OURIER des fonctions de corrlation

Sxy (f ) = TF {Rxy ( )}, interspectre

Sxx (f ) = TF {Rxx ( )}, spectre, ou autospectre.

Dans le cas des signaux dterministes tudis jusqu prsent, nous avons vu que

Sxy (f ) = TF {Rxy ( )} = X(f )Y (f ),

si les signaux considrs sont des signaux dnergie finie. Dans le cas des signaux de puissance moyenne finie,
on montre que (exercice)
1
Sxy (f ) = lim XT (f )YT (f ),
T + T

o XT (f ) reprsente la transforme de F OURIER dfinie sur une dure T . Ces deux relations ne sont valables
que pour des signaux certains. Pour des signaux alatoires, les densits spectrales, seront des quantits positives
diffrentes. Il sagit l de densits spectrales de puissance, puisque
 +  +
PXY = x(t)y (t) dt = Sxy (f ) df,

 +  +
PXX = |x(t)|2 dt = Sxx (f ) df.

5.3 Relation corrlation-convolution


Lintercorrlation scrit  +

Rxy ( ) = x(t)y (t ) dt.

Pour ne pas jeter trop de trouble, remplaons la variable muette t par u et exprimons lintercorrlation pour un
retard t :  +
Rxy (t) = x(u)y (u t) du.

5. Fonctions de corrlation Page 29

La convolution entre x et y scrit quant--elle


 +
[x y](t) x(u)y(t u) du.

On voit donc que la corrlation nest autre quune convolution dans laquelle y(t) a t  retourn dans le temps
et conjugu. Si on pose alors

y () (t) = y(t),
on a alors simplement
 
Rxy ( ) = x y () ( ).

Pour la fonction de corrlation, on parle alors de carr de convolution. laide de cette constatation, on peut
retrouver la plupart des proprits des corrlations partir des celles de la convolution. Par exemple, le thorme
de P LANCHEREL fournit   
Sxy (f ) = TF x y () ( ) = X(f )Y (f ).
Remarquons encore que si y(t) est une fonction relle et paire, i.e. y() (t) = y(t), alors convolution et
corrlation sont confondues.

5.4 Filtrage
Soit y(t) la sortie du filtre de rponse impulsionnelle h(t), excit par une entre x(t)

x(t) y(t)
h(t)

On a alors
y(t) = [x h](t).
Il est clair que lon a alors
y () (t) = y(t) = [x h](t),
et on vrifie que
y () (t) = [x() h() ](t).
Lautocorrlation de la sortie vaut alors
 
Ryy ( ) = x h x() h() ( ),
 
Ryy ( ) = h x x() h() ( ),
 
Ryy ( ) = h Rxx h() ( ),
en utilisant la commutativit de la convolution. On retiendra la dernire relation, qui lie lautocorrlation de la
sortie dun filtre lautocorrlation de son entre
 
Ryy ( ) = h Rxx h() ( ) .

Par transforme de F OURIER, on en dduit que


Syy (f ) = H(f )Sxx (f )H (f ),
soit
Syy (f ) = |H(f )|2 Sxx (f ) .
La densit spectrale de la sortie est donc gale la densit spectrale de lentre, mise en forme par le module
carr de la fonction de transfert. De la mme manire, on peut vrifier que
Ryx ( ) = [h Rxx ] ( ) ,
soit
Syx (f ) = H(f )Sxx (f ) .
Page 30 Chapitre I. Transforme de Fourier et tutti quanti

EXERCICES ET PROBLMES
Exercice 1 : On considre le signal x(t) priodique de priode T suivant :

a) Dvelopper x(t) en srie de F OURIER.

b) Tracer le module du spectre de x(t) (T = 0.1 sec)

c) Soit y(t) = x(t T /2) x(t). Dessiner y(t). Quel est le dveloppement en srie de F OURIER de y(t)?

Exercice 2 : On considre le systme suivant x(t) y(t),


avec x(t) = cos(2f0 t) avec f0 =100Hz.

a) Quel est le dveloppement en srie de F OURIER de x(t)?

b) Quel est le dveloppement en srie de F OURIER de y(t)?

c) Tracer les spectres de x(t) et y(t).

d) Quel pourcentage de la puissance de y(t) est compris dans la bande [-100,+100] (Hz)?

Exercice 3 : Soit x(t) = exp(at)ech(t) (ech(t) est lchelon unit (fonction de Heaviside) et a > 0)

a) Calculer la transforme de Fourier de x(t). Tracer son spectre.

b) y(t) = x(t) + x(t). Dessiner y(t), calculer la TF de y(t), tracer le spectre correspondant. tudier
lim(y(t)) et lim(Y (f )) lorsque a 0 ;
c) z(t) = x(t) x(t). Dessiner z(t), calculer la TF de z(t), tracer le spectre correspondant. tudier
lim(z(t) et lim(Z(f )) lorsque a 0. ;

Exercice 4 : On considre x(t) suivant :

a) Calculer la TF de x(t)
t
b) soit y(t) = 0 x(u)du. Tracer y(t). Calculer Y (f ) =TF(y(t)) en utilisant la proprit sur lintgration .

c) Donner lexpression du signal xT (t) obtenu par priodisation de x(t). Quelle est la TF de xT (t)? Com-
parer le resultat celui obtenu pour lexercice 1 c).
5. Fonctions de corrlation Page 31

Exercice 5 : On considre le filtre passe bas de rponse impulsionnelle h(t) = exp(at)ech(t). On met
lentre de ce filtre le signal x(t) suivant (tudi prcdemment)

a) Comment scrit y(t), le signal obtenu par filtrage de x(t) par h(t).

b) Quelle est la TF du signal y(t).

c) Tracer le module du spectre de y(t) (T =1,a=10).

Exercice 6 : (modulation damplitude)


Soit x(t) = cos(2f1 t) + 2 cos(2f2 t), avec f1 =100 Hz et f2 =200 Hz
a) Quelle est la TF de x(t)?

b) On module la porteuse f0 =1000 Hz en amplitude par x(t): y(t) = x(t) cos(2f0 t). (modulation AM
sans porteuse). Que vaut Y (f )? Tracer les spectres de x(t) et y(t).

c) On dmodule y(t) en le multipliant par la porteuse cos(2f0 t) et en filtrant le signal rsultant z(t) par
un filtre passe bas. Quel est le spectre du signal z(t) ? Quelle doit tre la frquence de coupure de ce
filtre pour rcuprer le spectre du signal modulant x(t) ? Interprter les oprations de modulation et
dmodulation par des convolutions dans le domaine frquentiel.

Exercice 7 : (signal analytique)


On considre le signal x(t) rel et sa transforme de F OURIER X(f ). On cherche construire le signal z(t)
sous la forme z(t) = x(t) + jy(t) dont le spectre soit nul pour les frquences ngatives et gal 2X(f ) pour
les frquences positives, i.e. Z(f ) = 2X(f )ech(f ) (avec ech(f ) lchelon de Heaviside en frquence).

a) Trouver lexpression de Y (f ) en fonction de X(f ) (on crira ech(f ) en fonction de signe(f ) la fonction
signe).

b) Trouver lexpression de y(t) en fonction de x(t). Cette relation (liant y(t) x(t)) sappelle la Transfor-
me de Hilbert , on la note Hi : y(t) = Hi(x(t)).

c) Calculer la Transforme de Hilbert de x(t) = cos(2f0 t) et le signal analytique correspondant.

Exercice 8 : (autocorrlation)
Soit x(t) rel, de fonction dautocorrlation RXX ( ) et de densit spectrale SXX (f ). Soit y(t) = x(t +
t0) x(t t0).
a) Calculer la fonction dautocorrlation de y(t).

b) Calculer sa densit spectrale.


Page 32 Chapitre I. Transforme de Fourier et tutti quanti

c) Traiter lexemple x(t) = rectT (t) et t0 = T /2.

Exercice 9 : (autocorrlation) :
Montrer que lautocorrlation de x(t) = exp(jat2 ), RXX ( ) est nulle pour diffrent de 0.
Le signal Re(x(t)) = cos(at2 ) est appel chirp et est utilis comme signal radar en raison de la proprit
vue ci-dessus.

Exercice 10 : (intercorrlation)
Soient deux signaux rels x(t) et y(t) identiques un retard et un affaiblissement prs : y(t) = ax(t t0 ).
On connait lnergie de x(t) ; Ex = RXX (0). Comment dterminer laffaiblissement a et le retard t0 ?

Problme I : (Transforme de Hilbert)


On rappelle que :  

1 (f ) f j
Echelon(t)
2


Signe(t) j
  f ,

1 j

2 (t) + t Echelon(f )



j Signe(f )
t
o dsigne le fait que les deux fonctions mises en relation forment une paire de transformes de Fourier.

On note
XH (f ) = jSigne(f)X(f ).
1 Montrez graphiquement que
1
Z(f ) = [X(f ) + jXH (f )]
2
est un signal qui ne possde pas de frquences ngatives.
2 Montrez que
xH (t) = TF1 {XH (f )},
peut tre vu comme la sortie dun filtre, dont vous donnerez la rponse impulsionnelle h(t).
On appelle transforme de Hilbert la transformation reliant xH (t) et x(t) :
xH (t) = TH{x(t)}.
3 Donnez lexpression de z(t) en fonction de x(t) et de TH{x(t)}. En raisonnant partir des transformes
de Fourier, montrer que
TH{TH{x(t)}} = x(t).
Donnez alors lexpression de la transforme de Hilbert de z(t). Dduisez en lexpression de x(t) en fonction
de z(t) et de TH{z(t)}.
On considre maintenant un systme de rponse impulsionnelle g(t). Si ce systme est causal, alors
1
g(t) = g(t)Echelon(t) = [1 + Signe(t)] g(t).
2
4 Montrez que dans ces conditions,
G(f ) = jTH{G(f )}.
En dcomposant G(f ) en ses parties relle et imaginaire, notes respectivement GR (f ) et GI (f ), montrez que

GR (f ) = TH{GI (f )},
GI (f ) = TH{GR (f )}.

Ces relations sont les relations de Bayard et Bode. Elles indiquent que la TF dun systme causal nest pas
quelconque, et quil suffit de connatre la partie relle ou la partie imaginaire pour caractriser compltement
le systme.
C HAPITRE II

CHANTILLONNAGE ET QUANTIFICATION

A UJOURD HUI de plus en plus souvent, le traitement des signaux se fait sous forme numrique. Le num-
rique prsente en effet un grand nombre davantages tels que :

la reproductibilit des systmes,


labsence de drive en temps ou en temprature,

labsence de rglages compliqus,


la possibilit de traitements adaptatifs . . .

Dautre part, les performances des processeurs numriques samliorent trs rapidement :

augmentation de leur vitesse


diminution de leur consommation

diminution de leur cot

A la frontire entre le traitement numrique et le traitement analogique, les circuits capacits commutes
oprent sur des signaux chantillonns, mais non numriss. Lintrt de ces systmes, en plus de leur faible
consommation est leur grande densit dintgration.

Lingnieur a donc choisir entre 3 types de ralisations techniques :

analogique
chantillonn
numrique

et son choix se fera sur des critres de :

cot de dveloppement

consommation
cot des composants
performances souhaites : en particulier rapport signal bruit exig

Dans le cas dune solution chantillonne ou numrique, il faut rpondre aux questions suivantes :

quelle frquence chantillonner les signaux?

quel type de quantification choisir?


sur combien de bits numriser?

Rpondre ces questions est le but de ce chapitre.


Page 34 Chapitre II. chantillonnage et quantification

1 chantillonnage
Thorme 1 Thorme de Shannon
Lorsquun signal x(t) a un spectre support born [X(f ) = 0 pour |f | > fmax ], il est possible dchan-
tillonner ce signal sans perdre dinformation : il suffit pour cela de choisir une frquence dchantillonnage
fe > 2fmax . On pourra alors reconstruire x(t) parfaitement partir des chantillons x(nTe ), avec Te = 1/fe .

1.1 Premire dmonstration du thorme de Shannon


Cette premire dmonstration ne ncessite pas lutilisation de la notion de distribution mais elle est assez
lourde.
Soit un signal x(t) dont le spectre est support born, cest--dire que sa transforme de Fourier X(f ) est
telle que X(f ) = 0 pour |f | > fmax .

x(t) |X(f)|

t -fmax fmax f
On fabrique le signal XR (f ) partir de X(f ) en rptant X(f ) avec la priode F 2fmax .

|XR(f)|

-fmax 0 fmax f
-F F

XR (f ) tant priodique de priode F , on peut calculer sa srie de Fourier.


+
f
XR (f ) = Cn ej2 n F , (II.1)
n=

F
2
1 f
avec Cn = XR (f )ej2 n F df
F
F2
 
F F
pour f , XR (f ) = X(f )
2 2
+ F2
 
+
1 j2 n Ff 1 f
Do Cn = X(f )e df = X(f )ej2 n F df
F F
F2

On reconnat ici la transforme de Fourier inverse de X(f ), cest--dire x(t), calcule au point t = Fn :

1 n
Cn = x
F F
1. chantillonnage Page 35

et en remplaant Cn par sa valeur dans lexpression (II.1) :



+ 
1 n f
XR (f ) = x ej2 n F
n=
F F
  
XR (f ) si f F2 , F2
Ainsi X(f ) =
0 ailleurs
X(f ) est donc parfaitement dfini par la connaissance des valeurs de x(t) aux instants t = Fn . Il en est de mme
de x(t). Le thorme de Shannon est ici dmontr.

Explicitons la relation liant x(t) et les valeurs x(Fn ) :


+ F2 + F2   

+   
+
j2 f t j2 f t 1 n j2 n Ff
x(t) = X(f )e df = XR (f )e df = x e ej2 f t df
F n=
F
F2 F2

F

+  +
2
1 n n
Soit : x(t) = x ej2 f (t F ) df
F n=
F
F2


+ n   
x(t) = 1
F x F sinc F t n
F
n=

O lon note :
sin(x)
sinc(x) =
x
En rsum, si F > 2fmax , la connaissance de la suite x(n/F ) est suffisante pour dterminer parfaitement x(t)
ou X(f ) et :

+ n   n 
x(t) = 1
F x F sinc F t F
n=
 1  n  j2 n Ff
+
Fx F e si |f | fmax
X(f ) = n=

0 ailleurs

1.2 Seconde dmonstration du thorme de Shannon


Cette dmonstration utilise la notion de distribution.

x(t) |X(f)|

t -fmax fmax f
Le signal x(t) chantillonn la frquence fe = 1/Te peut tre reprsent par la distribution xe (t) :

+ 
+
xe (t) = x(nTe )(t nTe ) = x(t) (t nTe ).
n= n=

La transforme de Fourier de cette distribution est Xe (f ) :


 + 

Xe (f ) = X(f ) T F (t nTe )
n=
Page 36 Chapitre II. chantillonnage et quantification

La thorie des distributions (lemme de Poisson) permet de montrer que :


 + 
 1 + n
TF (t nTe ) = (f )
n=
Te n= Te
(voir dmonstration au paragraphe suivant) ce que lon formule gnralement par : la transforme de Fourier
dun peigne dimpulsions de Dirac est un peigne dimpulsions de Dirac.
1
1/Te

Te t 1/Te f
   
1 + n 1 + n
Xe (f ) = X(f ) f = X f .
Te n= Te Te n= Te
La transforme de Fourier de la distribution Xe (t) est donc une distribution Xe (f ) priodique, de priode 1/Te .

|Xe(f)|

-1/Te 1/Te 2/Te f

Deux cas peuvent se prsenter suivant la valeur de Te :


1er cas :
1
2fmax
Te
On a alors recouvrement de spectre, "aliasing" dans la littrature anglo-saxone, et il est gnralement impossible
de recontruire le signal de dpart sans erreur :

|Xe(f)|

f
-1/Te 1/Te 2/Te
|Xe(f)|

1/Te 2/Te f
1. chantillonnage Page 37

2me cas :
1
> 2fmax
Te
|Xe(f)|

f
-1/Te -fmax 0 fmax 1/Te
Il ny a pas de recouvrement de spectre, Te Xe (f ) et X(f ) concident entre 1/2Te et 1/2Te .
Pour reconstruire x(t) partir de xe (t), il suffit alors de faire passer xe (t) dans un filtre passe-bas idal de
fonction de transfert H(f ) : 
f
H(f ) = Te rect
fe
H(f)

Te

-1/2Te 1/2Te f
fe
La sortie y(t) de ce filtre passe-bas vrifie :
Y (f ) = H(f )Xe (f ) = X(f ),
cest--dire :
y(t) = x(t)
Le thorme de Shannon est ici dmontr, on peut reconstruire parfaitement x(t) partir du signal chan-
tillonn xe (t).
Explicitons la relation liant x(t) et les chantillons x(nTe ) :
y(t) = x(t)
y(t) = xe (t) 7 h(t)
h(t) = T F I ((H(f )) = fe Te sinc (fe t) = sinc (fe t)

+
y(t) = x(nTe ) (t nTe ) 7 sinc (fe t)
n=

+
y(t) = x(nTe )sinc (fe (t nTe ))
n=

+
x(t) = y(t) = x(nTe )sinc (fe (t nTe ))
n=

Exercice 1 : Soit x(t) = 2cos(2f0 t) chantillonn fe = 4f0 . Calculer la transforme de Fourier du


signal chantillonn xe (t).
Page 38 Chapitre II. chantillonnage et quantification

Corrig :
2
X(f ) = ((f f0 ) + (f + f0 ))
2

+
Xe (f ) = 4f0 ( (f f0 (1 + 4k)) + (f + f0 (1 + 4k)))
k=

f0
Exercice 2 : Calculer la transforme de Fourier du mme signal chantillonn fe = 2 .

Corrig :


f0 +
Xe (f ) = 2 (f kfe )
2 k=

Exercice 3 : Soit x(t) support spectral born et fmax la frquence maximale. On chantillonne x(t)
fe = 2fmax et on bloque chaque chantillon pendant une dure Te = f1e . crire le signal y(t) chan-
tillonn bloqu et calculer sa transforme de Fourier.

Corrig :


+
y(t) = x(kTe )rectTe (t kTe )
k=


+
y(t) = rectTe (t) 7 x(t) (f kfe )
k=

+
Y (f ) = sinc(f Te ) X(f kfe )
k=

1.3 Rappel sur le lemme de Poisson


La srie de Fourier de la distribution peigne de Dirac

+
P (t) = (t nTe )
n=

est un peigne de Dirac :


 
1 + n
P (f ) = f
Te n= Te
P (t) est une distribution priodique, de priode Te . Sa srie de Fourier est forme des coefficients cn tels que :
1  t  1
cn = t=0 , ej2 n Te =
Te Te


+
1 j2 n Tt
P (t) = e e
T
n= e
2. Quantification Page 39

La transforme de Fourier de P (t) est donc :

 
1 + n
P (f ) = f
Te n= Te

En conclusion :


+ 
+
1 j2 n Tt
P (t) = (t nTe ) = e e

n=
T
n= e
TF

+  
1 + n
P (f ) = ej2 nTe f = f
n=
Te n= Te

2 Quantification
On se limite ici la quantification scalaire, cest dire la quantification dun chantillon isol. On dis-
tingue plusieurs types de quantification scalaire, en particulier

la quantification uniforme,

la quantification non uniforme, comme la conversion de type logarithmique.

2.1 Dfinition de la quantification


Quantifier une valeur x relle appartenant un intervalle [xmax , xmax ], consiste remplacer cette valeur
x par la valeur Q(x) = xn la plus proche de x choisie dans un ensemble fini (ou dnombrable) de N valeurs
relles notes xn , (avec n entre 0 et N 1).

x Q Q(x)=xn

xn+3

xn+2

xn+1
x
xn

xn-1

La valeur quantifie de x : Q(x) est donne par :

x [xn , xn+1 ]
Si |x xn | < |x xn+1 | Q(x) = xn
Si |x xn | > |x xn+1 | Q(x) = xn+1
xn + xn+1
Si x = Q(x) = xn ou xn+1 selon les systmes.
2
Page 40 Chapitre II. chantillonnage et quantification

2.2 Quantification Uniforme


Si tous les intervalles [xn , xn+1 [ ont mme longueur, la quantification est dite uniforme et la constante q
dfinie par q = |xn xn+1 | est appele pas de quantification ou quantum.
Le pas de quantification q peut sexprimer en fonction des valeurs extrmes xmax par :
2xmax
q=
2N
o N est le nombre de valeurs de quantification.

2.3 Caractristique de quantification


Cest la courbe donnant Q(x) en fonction de x. Dans le cas dune quantification uniforme, cette courbe a
lallure suivante :
Q(x)

x
-q/2 q/2 3q/2
-q

La quantification uniforme est, de ce fait, parfois appele quantification linaire.

2.4 Caractristique de lerreur de quantification, cas de la quantification uniforme


On sintresse dans ce paragraphe uniquement au cas de la quantification uniforme.
On appelle erreur de quantification e la diffrence entre x et Q(x).

e = x Q(x)

Lors de la quantification, deux sortes derreur peuvent tre commises : lerreur de granulation et lerreur de
saturation.
Une erreur de saturation se produit lorsque lamplitude de lchantillon convertir est suprieure en valeur
absolue xmax . Cette erreur est dautant plus gnante quelle nest pas borne, on cherche donc minimiser la
probabilit de saturation. On dfinit le facteur de surcharge, not , comme le rapport entre la valeur maximale
du convertisseur xmax et lcart type des chantillons convertir, not x :
xmax
=
x
La probabilit de saturation pD dpend de la valeur de .
Pour des chantillons x gaussiens :

= 2 pD = 0.045
= 4 pD = 0.00006
Lorsque les chantillons sont damplitude infrieure xmax en valeur absolue, lerreur de quantification est
appele erreur de granulation. Cette erreur est borne. Si la quantification seffectue par arrondi au plus proche
voisin, lerreur de granulation eg en valeur absolue est infrieure q/2.

eg = x Q(x)
2. Quantification Page 41

q
|eg |
2
Sous lhypothse, relativement gnrale, que eg est uniformment rpartie entre q/2 et q/21 , on peut calculer
la valeur moyenne et lcart type de cette erreur. La densit de probabilit de eg (note p(eg )) est dessine
ci-dessous :

p(eg)

1/q

-q/2 q/2 eg
q

Sous cette hypothse :


q q
+ 2 + 2
1
E(eg ) = eg p(eg )deg = eg deg = 0
q
q2 2q
q q
! + 2 + 2
1 q2
E e2g = g2 = e2g p(eg )deg = e2g deg =
q 12
2q q2

q2 1 x2max
Et enfin g2 = =
12 3 22N
Avec les mmes hypothses, Le rapport (not RSBdB ) entre la puissance du signal x2 et la puissance de lerreur
de granulation g2 , peut sexprimer en dcibels par la relation suivante o N reprsente le nombre de bits du
convertisseur :
 
x2
RSBdB = 10 log10 et en remplaant g2 par sa valeur en fonction de xmax et N
g2
! !
RSBdB 10 log10 x2 + 6N 10 log10 x2max + 10 log10 (3)
RSBdB 6N + 10 log 10 (3) 20 log10 ()

Le rapport signal sur bruit en dB dpend donc de faon linaire de la puissance du signal en dB. Il est dautant
plus grand que la puissance du signal est grande.

2.5 Dynamique dun quantificateur uniforme N bits


Appelons codeur un systme effectuant une quantification uniforme (arrondi au plus proche voisin) puis
une numrisation sur N bits. La dynamique D du codeur est dfinie par :

S
Den dB = 10 log10
B
S est la puissance de crte du codeur , cest--dire puissance de la sinusode damplitude maximale co-
dable sans crtage,

1. Cette hypothse est raliste si le pas de quantification est faible devant la dynamique du signal et si le signal occupe relativement
uniformment cette dynamique
Page 42 Chapitre II. chantillonnage et quantification

q 2
B est la puissance du bruit de quantification : B = 12
Calcul de S la puissance crte du codeur :
Un codeur N bits peut convertir sans saturation des valeurs x comprises entre xmax et xmax avec 2xmax =
(2N 1)q. De ce fait :
 2
1 2N 1
S = q 22N 3 q 2
2 2
  
S 22N 3 q 2
DdB 10 log10 10 log10 q2
B
12

3
DdB 10 log10 (2 2N
) + 10 log10
2
RSBdB (6N + 1.76) dB
Rajouter 1 bit au convertisseur revient rajouter 6 dB la dynamique. Il sagit l dune formule bien connue
des concepteurs de systmes dacquisition.
Conclusion : choix du pas de quantification et du nombre de bits de codage
On choisira le pas de quantification q en fonction de la prcision dsire lors de la conversion et le nombre de
bits N en fonction de la dynamique du signal coder.

Exercice 4 : Quel est la frquence dchantillonnage et le nombre de bits ncessaires pour numriser un
signal audio avec un convertisseur uniforme, sachant que loreille humaine peroit les sons jusqu 20
Khz, et que lon souhaite une prcision de 0,5% sur les amplitudes comprises entre 0, 5%VF S et VF S o
VF S reprsente lamplitude pleine chelle du convertisseura ? On supposera quil ny a jamais crtage .
On note N le nombre de bits du convertisseur uniforme.
a
FS = Full Scale

Corrig :

fmax = 20 Khz fe 40 Khz

q
2, 5102 103 VF S et VF S = 2N 1 q
2

2N
0, 4105

N = 16

Il faut donc numriser le signal une frquence dchantillonnage de 40 Khz sur 16 bits, ce qui donne
un dbit de 640 Kbps (Kilo bits par seconde).

2.6 Quantification Non-Uniforme, quantification logarithmique


Avec une quantification uniforme, la prcision absolue est la mme pour les petites et les grandes valeurs.
Il est parfois plus intressant de travailler avec une prcision relative peu prs constante. Cest le cas pour les
signaux de parole, loreille ayant une sensibilit logarithmique.

Quantification logarithmique La quantification de type logarithmique permet dobtenir un rapport signal


sur bruit de quantification peu prs constant quelque soit la puissance du signal.
Lcart entre les valeurs de quantification nest pas constant. Il crot logarithmiquement en fonction de
lamplitude du signal quantifier.
Une quantification logarithmique peut se raliser par une compression des amplitudes suivie dune quanti-
fication uniforme, puis dune expansion des amplitudes.
2. Quantification Page 43

2.6.1 Loi de compression expansion

y=C(x) z Expansion
x Quantification Q(x)=C1(z)
Compression
uniforme

La loi de compression est note C(x). La loi dexpansion est lopration inverse.

xmax x xmax y = C(x) x = C 1 (y)

La loi de compression doit approcher une fonction logarithme. Deux lois sont utilises en pratique: la loi A et
la loi . Ces deux lois sont appliques dans les codecs : circuits de conversion analogique numrique pour la
tlphonie. La loi A est applique en Europe, la loi aux USA et au Japon.
La figure suivante reprsente les deux fonctions de compression ainsi obtenues. On saperoit quelles sont
pratiquement superposes. Sur la figure, on a normalis xmax 1.

C(x)
1

0.9

0.8

0.7
Lois de compression A et
0.6

0.5

0.4

0.3

0.2

0.1

0
0 0.2 0.4 0.6 0.8 1

La loi A est dfinie par la relation suivante :

Ax
Pour |x| < 1
A C(x) =
1 + log(A)
1 + log(Ax)
Pour |x| 1
A C(x) =
1 + log(A)
Avec A = 87.6

2.6.2 Approximations par segments des lois de compression A et

Pour leur ralisation matrielle les lois A et sont approches par des segments de droite. La loi A est
approche par une courbe 13 segments, et la loi par une courbe 15 segments. Elles sont appliques dans
ce cas l avec une numrisation sur 8 bits.
En ce qui concerne la loi A, la pente du premier segment passant par lorigine, est de 16. Puis les pentes des
segments successifs sont obtenues par divisions successives par deux. La pente du dernier segment vaut donc
1/4.
Page 44 Chapitre II. chantillonnage et quantification

La courbe suivante reprsente la loi A 13 segments. L encore xmax est normalis 1.

0.9

0.8

0.7

0.6

0.5

0.4 Loi A 13 segments


Cadran positif
0.3

0.2

0.1

0
0 1/8 1/4 1/2 1

1/32 1/16
1/64

La numrisation est faite sur 8 bits :

S A B C 1 2 3 4
1 bit 3 bits donnant 4 bits donnant la position
de signe le numro du sur le segment
segment

Le rapport signal sur bruit de quantification obtenu avec la loi A est constant sur une large plage de signal.
Dans le cas de la conversion sur 8 bits, on peut remarquer que les petits signaux sont amplifis par un facteur
16 avant dtre convertis, ce qui revient diviser par 16 le pas de quantification, cest--dire utiliser 12 bits
de quantification (gain de 4 bits). Par contre pour les grands signaux, le pas de quantification est multipli par
4 par rapport un convertisseur 8 bits uniforme, on perd donc 2 bits.
Cette mthode donne des rsultats qualitatifs (notion subjective) comparables une quantification linaire sur
12 bits.

Le signal tlphonique tant chelonn 8 KHz, une conversation tlphonique correspond un dbit binaire
de : 8000 x 8 = 64 Kbs1 (Kilo bits par seconde).
2. Quantification Page 45

EXERCICES ET PROBLMES

Exercice 1 : Quelle est la capacit mmoire ncessaire pour stocker une trame dimages vido, sachant que
la largeur de bande du signal est de 6 Mhz, que lon transmet 50 trames par seconde et que lon souhaite une
image noir et blanc 256 niveaux de gris?

Exercice 2 : Quelle est la capacit mmoire ncessaire pour stocker une minute de signal tlphonique, sa-
chant que ce signal a une frquence maximale de 4KHz et quon le mmorise en respectant le thorme de
Shannon et en utilisant la loi A 8 bits par chantillon?

Exercice 3 : On considre un signal x(t) de transforme de Fourier X(f).


1re question :
Calculer la transforme de Fourier du signal obtenu en chantillonnant x(t) la frquence fe et en bloquant
chaque chantillon pendant Te . (Te = f1e priode dchantillonnage) (sortie dun Convertisseur Numrique
Analogique par exemple).
1.2

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80 90 100

2me question :
Calculer la transforme de Fourier du signal z(t) obtenu partir de x(t) de la manire suivante : toutes les Te
secondes pendant T2e secondes on laisse passer le signal et pendant les T2e secondes suivantes on force zro la
sortie :
1.2

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70 80 90 100

3me question :
Quelle est la fonction de transfert du filtre de lissage idal dans le premier cas?

Exercice 4 : Calculer la puissance du bruit de quantification (appel e) dans le cas dune quantification uni-
forme sur N bits. On appellera q le pas de quantification, VF S : la tension pleine chelle du quantificateur. Le
Page 46 Chapitre II. chantillonnage et quantification

signal quantifier x tant un signal de valeur maximale Vmax (|x| Vmax ) de densit de probabilit uniforme.
N.B. Ne pas faire dhypothse simplificatrice.

Exercice 5 : On chantillonne le signal x(t) = cos(2fo t) (avec fo = 1 KHz) la frquence fe = 500 Hz.
Puis on filtre le signal chantillon par un filtre passe bas idal de frquence de coupure gale 700 Hz, de
fonction de transfert H(f ) = rect700 (f ). On appelle y(t) le signal de sortie du filtre.
Calculer y(t).

Problme I :
1) noncez la condition de Shannon sur lchantillonnage dun signal bande limite.
2) On considre le signal rel x(t) de type passe-bande : X(f ) existe pour |f | ]Fo B, Fo + B[.

a) quelle frquence peut-on chantillonner ce signal en respectant la condition de Shannon?


b) Si on chantillonne la frquence limite de Shannon et si les chantillons sont cods sur 8 bits, quel est le
dbit (en bits/s) ncessaire pour la transmission de ce signal?
3) On chantillonne finalement la frquence FE = Fo /2.
a) Donnez lexpression du signal chantillonn xE (t).
b) Donnez lexpression de la transforme de Fourier XE (f )
c) Quelle condition doit respecter B pour quil ny ait pas de recouvrement?
d) En supposant cette condition vrifie, reprsentez le module de XE (f ).
e) Quel est maintenant le dbit ncessaire (toujours en codant sur 8 bits)?
4) On pose Fo = KB, o K est un nombre entier >1. quelle frquence minimale peut-on alors chantillon-
ner? Combien obtient-on alors de  motifs  entre 0 etFo ? Reprsentez XE (f ) pour K = 6.
5) On suppose que x(t) a une transforme de Fourier passe-bande, centre sur Fo et de largeur 2B, avec
(K + 1)B > Fo KB. noncez un thorme de Shannon gnralis pour ces signaux.
6) On isole le motif passe-bas, f [FE /2, FE /2], laide du filtre passe-bas idal de rponse en frquence
rectFE (f ). Reprsentez le module de la transforme de Fourier XB (f ) du signal ainsi obtenu xB (t). Calculez
la rponse impulsionnelle h(t) du filtre.
7) Montrez que lon retrouve le signal initial en filtrant xE (t) par un filtre de rponse impulsionnelle h (t) =
2 cos(2Fo t)h(t). Reprsentez le module de la transforme de Fourier de cette rponse impulsionnelle.
C HAPITRE III

TRANSFORME DE FOURIER DISCRTE : TFD


ET TFR

L ORSQU ON dsire calculer la transforme de Fourier dune fonction x(t) laide dun ordinateur, ce
dernier nayant quun nombre fini de mots de taille finie, on est amen :
discrtiser la fonction temporelle,
tronquer la fonction temporelle,
discrtiser la fonction frquentielle.


+
X(f ) = x(t)ej2f t dt

En approchant lintgrale par une somme daires de rectangles de dure Te et en limitant la dure dintgration
lintervalle [0, (N 1)Te ], on obtient :
(N 1)

X(f ) Te x(nTe )ej2f nTe
n=0

Ce qui donne pour les valeurs de frquences fk = kfe /N :


(N 1) (N 1)
 nk  nk
X(fk ) Te x(nTe )ej2 f T
N e e Te x(nTe )ej2 N

n=0 n=0

Ce nest pas une approximation sophistique de X(f ), mais elle est trs utilise en pratique sous le nom de
TFD car il existe un algorithme de calcul efficace appel FFT (Fast Fourier Transform) ou TFR (Transforme
de Fourier rapide).

La TFD est par ailleurs utilise, lorsque lon travaille avec des suites numriques sans lien avec un signal
physique, pour dfinir une reprsentation de la suite sur une base de fonctions frquentielles.

1 Transforme de Fourier Discrte : TFD


1.1 Dfinition de la TFD
On appelle transforme de Fourier discrte dune suite de N termes x(0), x(1), . . . , x(N 1), la suite de
N termes X(0), X(1), . . . , X(N 1), dfinis par

N 1
nk
X(k) = x(n)ej2 N

n=0

En pratique, les N termes x(n) peuvent tre N chantillons dun signal analogique chantillonn :
xn = x(nTe ), et les N termes X(k) correspondre une approximation ( un facteur multiplicatif Te prs) de la
transforme de Fourier de ce signal aux N points de frquence fk = kfe /N , avec k entre 0 et N 1, cest
dire f entre 0 et fe .
Page 48 Chapitre III. Transforme de Fourier discrte : TFD et TFR

1.2 Inversion de la TFD


1
1 N nk
x(n) = X(k)ej2 N
N k=0
En effet, calculons :
1 1
N 1 
1 N nk 1 N 
j2 ik nk
A = X(k)ej2 N = x(i)e N ej2 N
N k=0 N k=0 i=0
1
N 1 
1 
N  (ni) k
A = x(i) ej2 N
N i=0 k=0

N 1
(ni) k 1 ei2 (ni)
si i = n ej2 N = ni =0
k=0 1 ei2 N


N 1 
N 1
(ni) k
j2
si i = n e N = 1=N
k=0 k=0
1
N 1 
1 
N  (ni) k 1
A = x(i) ej2 N = x(n)N
N i=0 k=0
N
A = x(n) c.q.f.d.

1.3 Lien entre la transforme de Fourier et la TFD


Soit x(t) un signal analogique continu.
1. On chantillonne x(t) fe = 1/Te .

+
x(t) xe (t) = x(nTe ) (t nTe ) = x(t)P (t)
n=

o P (t) est la  fonction peigne  :



+  
TF 1 + n
P (t) = (t nTe )
P (f ) = f
n=
Te n= Te
Lchantillonnage rend le spectre priodique et peut entraner un phnomne de  recouvrement de spectre  ou
aliasing.
x(t) |X(f)|

t f
xe(t) |Xe(f)|
1/Te

t -1/Te 1/Te f

2. On tronque la suite xe (nTe ) en ne conservant quun nombre fini N de termes pour obtenir le signal xtr (t)
form des chantillons : x(0) . . . x((N 1)Te ) :

N 1
xtr (t) = xe (t)F (t) = x(nTe ) (t nTe )
n=0
xtr (t) = x(t)P (t)F (t)
1. Transforme de Fourier Discrte : TFD Page 49

o F (t) est une fonction fentre de dure N Te


  
1 si t T2e , T0 Te
2
F (t) =
0 sinon
o T0 = N Te .
F(t) |F(f)|
1
T0

-Te/2 T0-Te/2 t f
xtr(t) |Xtr(f)|

t f

La convolution avec un sinus cardinal introduit des ondulations sur le spectre. Elles sont appels  ripples  en
anglais.

N 1
Xtr (f ) = x(nTe )ej2 f nTe
n=0

3. On chantillonne Xtr (f ) 1/T0


On obtient alors N valeurs diffrentes espaces de 1/T0 entre 0 et 1/Te , car T0 = N Te . Cette dernire
opration rend priodique la  fonction  dans le temps. Appelons xc (t) la fonction rsultante.

+  
+  
n n n
Xc (f ) = Xtr (f ) f = Xtr f
n=
T0 n=
T0 T0
N 1  

+  nk n
j2
Xc (f ) = x(kTe )e N f
n= k=0
T0


+
xc (t) = T0 xtr (t nT0 )
n=
xc (t) et Xc (f ) sont deux distributions chantillonnes relies par la transformation de Fourier.

xc(t) |Xc(f)|

Te

1/NTe

T0=NTe t fe=1/Te f

On obtient donc une correspondance entre N points dans le domaine temporel xc (nTe ) et N points dans le
domaine frquentiel Xc (n/T0 ), pour n entre 0 et N 1. De plus :
xc (nTe ) = T0 x(nTe ) pour n [0, N 1]
 
N 1
k nk
Xc = x(nTe )ej2 N
T0 n=0
Page 50 Chapitre III. Transforme de Fourier discrte : TFD et TFR

cest--dire que la suite Xc (k) = Xc (k/T0 ) est prcisment la TFD de la suite x(n) = x(nTe ).

1.4 Comparaison entre la transforme de Fourier et la TFD


Soit un signal x(t) et sa transforme de Fourier X(f ) .
la suite x(nTe ) pour n [0, (N 1)] correspond la suite TFD X(k) pour k [0, (N 1)] avec :


N 1
nk
X (k) = x(nTe )ej2 N

n=0

Quel est le lien entre X(f ) et X(k) pour k [0, (N 1)]?

On pose T0 = N Te .

Dans le cas o :

x(t) est priodique de priode ,

x(t) est bande limite [fmax , fmax ],

la largeur de la fentre F (t) est gale un multiple de , T0 = k ,

et la frquence dchantillonnage fe = 1/Te est suprieure 2 fmax .

Il y a concidence un facteur multiplicatif prs entre X(k) et X(f = k/T0 ) :


 
T0 k k
X(k) = X =NX
Te T0 T0

En effet, x(t) tant priodique de priode a un spectre form de raies distantes de 1/ . De plus, ce spectre est
limit fmax .

|X(f)|

1 1/

-fmax fmax f

Les trois oprations qui conduisent la suite X(k) auront les consquences suivantes :

1. Lchantillonnage de x(t) fe rend priodique le spectre et le multiplie par 1/Te .

|Xe(f)|

1/Te 1/

-fmax fmax fe f
1. Transforme de Fourier Discrte : TFD Page 51

2. La troncation de xe (t) par une fentre de largeur T0 a pour effet de convoluer le spectre avec un sinus
cardinal qui sannule tous les 1/T0 avec T0 = k .

|Xtr(f)|

T0/Te

f
fe

3. Lchantillonnage du spectre la frquence 1/T0 a pour effet de ne conserver que des valeurs o Xtr et
X concident au facteur T0 /Te = N prs. Cest le seul cas o il y a identit entre la TFD et la TF au
facteur N prs, aux N points de calcul k/T0 avec k [0, (N 1)].
Dans tous les autres cas, la TFD diffre de la TF aux points k/T0 . Lerreur est introduite :
par recouvrement de spectre si X(f ) nest pas support limit, erreur que lon minimise en augmentant
fe .

par les ondulations dues la troncature par la fonction fentre si x(t) nest pas priodique ou dure limi-
te : erreur que lon peut chercher attnuer en choisissant une fentre autre que la fentre rectangulaire
(fentre de Hanning par exemple) et en augmentant autant que possible la largeur de la fentre.

pour les deux premires raisons la fois si x(t) nest ni dure limite ni bande limite

mme si x(t) est priodique et bande limite, on introduit une erreur si la fentre de troncature na pas
une dure gale un multiple de la priode car la troncature introduit alors de fortes discontinuits (voir
la figure suivante).

x(t) xc(t)

t t

1.5 Fentres de pondration


De nombreuses fentres de pondration ont t proposes pour lanalyse spectrale. Ces fentres sont uti-
lises pour limiter (tronquer) la dure temporelle du signal x(t) analyser. En notant x(t) le signal, F (t) la
fentre, et xtr (t) le signal tronqu, on obtient la relation suivante :

xtr (t) = x(t)F (t)

et dans le domaine frquentiel :


Xtr (f ) = X(f ) 7 F (f )
Page 52 Chapitre III. Transforme de Fourier discrte : TFD et TFR

Pour une mme dure temporelle N Te , on compare les diffrentes fentres essentiellement par leurs propits
frquentielles. Idalement, on aimerait que la troncation du signal en temps ne modifie pas son contenu frquen-
tiel, cest- -dire que X(f ) = Xtr (f ), ce qui suppose que F (f ) = (f = 0). En pratique, ce nest pas possible
et les fentres F (f ) prsentent un lobe principal de largeur non nulle centr autour de la frquence nulle et en
gnral des lobes secondaires de hauteur non nulle. On peut caractriser une fentre par des paramtres tels
que:

La largeur du lobe principal, mesure 3 dB dattnuation par rapport lamplitude en f = 0, ou bien


mi-hauteur.

La hauteur maximale des lobes seconadaires (quand ils existent).

Ces paramtres influencent respectivement la rsolution et la dynamique de lanalyse spectrale.


La rsolution est la capacit distinguer 2 frquences proches. La dynamique est la capacit mesurer des
composantes frquentielles damplitudes trs diffrentes sans que la plus forte ne masque la plus faible.
De manire gnrale, la largeur du lobe principal est inversement proportionnelle la dure temporelle de
la fentre.

1.5.1 Fentres rectangulaires, triangulaires et paraboliques

Fentre rectangulaire Fr (t)


Une fentre rectangulaire Fr (t) centre de dure N Te scrit en temps et en frquence :

Fr (t) = rectN Te (t)


sin 2f N Te /2
Fr (f ) =
2f N T2e

La transform de Fourier de la fentre rectangulaire, prsente des lobes secondaires importants qui ne
dcroissent quen f1 . Le lobe secondaire le plus haut nest qu -13 dB en dessous de lamplitude en
f = 0.

Fentre triangulaire Ft (t) et fentre parabolique Fp (t)


La fentre triangulaire Ft (t) (appele aussi fentre de Bartlett) et la fentre parabolique Fp (t) se dduisent
simplement de la fentre rectangulaire par lvation au carr ou au cube de Fr (f ). Les transformes de
Fourier ainsi obtenues dcroissent donc en f12 et en f13 . elles sont respectivement gales :
 2  3
sin N T4 sin E T6e
Ft () = ou Fp () =
N T4e N T6e

De plus, lamplitude maximum des lobes secondaires est -26 db en dessous du lobe principal dans le
cas de Ft (), et -39 db dans le cas de Fp (). Par contre, le lobe principal est, dans les 2 cas, plus large
que pour la fentre rectangulaire.
Dterminons les expressions temporelles de Ft () et de Fp () :

Ft () = Fr () Fr ()

donc 
2| t |
Ft (t) = Fr (t) Fr (t) = 1
N Te
et
Fp () = Ft () Fr ()

donc  2
t
Fp (t) = Ft (t) Fr (t) = 1
N Te
1. Transforme de Fourier Discrte : TFD Page 53

La figure suivante reprsente la fentre triangulaire.

F(t) |F(f)|

NTe t f

La figure suivante reprsente la fentre parabolique.

F(t)
|F(f)|

f
NTe t

1.5.2 Fentres Fentres dtruisant par addition algbrique, les lobes secondaires de la fentre rectan-
gulaire

Dautres fentres intressantes sobtiennent en dtruisant les lobes secondaires de la fentre rectangulaire,
par addition algbrique. On peut citer dans cette catgorie la fentre cosinusodale, les fentres de Hanning, de
Hamming, de Blackman.

Fentre cosinusode Fc (t)


Lexpression algbrique de la fentre cosinusode est :
  
1 1 1
Fc (f ) = FR f + FR f +
2 2N Te N Te

t
Fc (t) = Fr (t) cos
N Te

Les lobes secondaires de Fc (f ) sont plus faibles que ceux de Fr (f ); ainsi lamplitude maximum de ces
lobes est 34 db en dessous de lamplitude en f = 0 et leur dcroissance est en 1/f2 . Par contre, le lobe
principal est plus large.

Fentre de Hanning FH
Nous avons vu prcdemment comment, par une combinaison algbrique de deux fonctions dduites
de Fr (f ) par des dcalages en frquence, on pouvait diminuer lamplitude des lobes secondaires mais
en augmentant la bande de transition. On peut encore diminuer lamplitude des lobes secondaires en
augmentant le nombre de fonctions combines algbriquement. Cest le cas pour la fentre de Hanning
(voir la figure suivante).

F(t) |F(f)|

f
NTe t
Page 54 Chapitre III. Transforme de Fourier discrte : TFD et TFR

Lexpression algbrique de la fentre de Hanning est (en notant T0 = N Te ) :


 
1 1 1 1 1
FH (f ) = FR (f ) + FR f + FR f +
2 4 T 4 T0
  0
1 t
FH (t) = 1 + cos 2 pour t [T0 /2, T0 /2]
2 T0
FH (t) = 0 ailleurs.

Lamplitude maximum des lobes secondaires est alors gale -44 db (en dessous du lobe principal); ils
dcroissent en f13 . Le lobe principal est presque 2 fois plus large que pour la fentre rectangulaire.

Fentre de Hamming Fhm


On peut amliorer les rsultats obtenus par la fentre prcdente en modifiant les pondrations de Fr (f ),
Fr (f 1/N Te ) et Fr (f + 1/N Te ) :

Fhm (f ) = 0.56 Fr (f ) + 0.22 [Fr (f 1/N Te ) + Fr (f + 1/N Te )]

Dans ce cas, la dcroissance des lobes secondaires est toujours en 1/f3 mais lamplitude maximum de
ces lobes est -60 db sous le lobe principal.
Lexpression temporelle Fhm (t)de la fentre de Hamming scrit :

Fhm (t) = 0, 56 + 0, 44 cos(2 t/N Te ) N Te


2 < t < N Te
2
= 0 ailleurs

Fentre de Blackman FB (t)


Pour diminuer encore lamplitude des lobes secondaires, on peut combiner :
Fr (f ), Fr (f 1/N Te ), Fr (f 2/N Te ), Fr (f + 2/N Te ), Fr (f + 1/N Te ) selon la loi suivante :

FB (f ) = 0, 42 Fr (f ) + 0, 25 [Fr (f 1/N Te ) + Fr (f + 1/N Te )]


+ 0, 08 [Fr (f 2/N Te ) + Fr (f + 2/N Te )]

La dcroissance des lobes secondaires est en f15 ; lamplitude maximum des lobes secondaires est -87
db en dessous du lobe principal; Le lobe principal est 2 fois plus large que pour la fentre rectangulaire.
Lexpression temporelle de la fentre est :

FB (t) = 0, 42 + 0, 5 cos(2t/N Te ) + 0, 08 cos(4t/N Te ) N Te


2 < t < N Te
2
ou 0 ailleurs

1.5.3 Autres fentres : Gauss, Kaiser, Dolph-Chebychev


Fentre de Gauss Fg (t)
Pour supprimer totalement les lobes de la transforme de Fourier de la fentre rectangulaire, on peut
utiliser une fentre telle que sa transforme de Fourier Fg (f ) soit une exponentielle
 
(N Te /2)2
Fg () = exp
4k

Le paramtre k est li ladispersion de lexponentielle en prenant comme variable rduite u =


N Te /2. est alors gal 2k. On pourra donc rgler la dispersion de Fg (f ), cest--dire la largeur de
la bande de transition en faisant varier k.
" #
Cherchons lexpression temporelle de cette fonction : Fg (t) = exp 4k(t/N Te )2 , une constante
prs puisque la transforme de Fourier conserve la loi gaussienne :
1. Transforme de Fourier Discrte : TFD Page 55

 
t2 2
exp ( ) exp ( )
2 2

La fentre gaussienne a donc pour expression :


 
Fg (t) = exp 4k(t/M T )2 si | t | < N Te /2

Fg (t) = 0 si | t | > N Te /2

Le paramtre k permet de raliser un compromis entre londulation en bande attnue et la largeur de la


bande de transition, ce que ne permettaient pas de faire les fentres dcrites prcdemment.

Fentre de Kaiser FK (t)


Cette fentre est une des plus efficaces : sa transforme de Fourier FK (f ) a pour expression
 $ 
2 sin V 2 Va2
FK (V ) = $
I0 (Va ) V 2 Va2
$
o V = f N Tr , Va = fa N Te , V 2 Va2 peut tre complexe et I0 (x) est la fonction de Bessel modifie
de premire espce.
Cette fonction dpend dun paramtre Va qui permet de diminuer lamplitude des lobes secondaires mais
qui augmente la largeur du lobe principal. Dans la plupart des applications, une valeur de Va comprise
entre 4/ et 9/ conviendra.

4/ < Va < 9/

Lexpression temporelle de la fentre de Kaiser, transforme de Fourier inverse de FK (f ) est


 $ 
I0 V a 1 (2t/N Te )2
FK (t) = si | t | < N Te /2
I0 ( V a)

FK (t) = 0 ailleurs

Comparaison avec la fentre de Hamming:


Pour obtenir une bande de transition gale celle de la fentre de Hamming, il suffit dimposer
que le
premier zro de la fonction FK (f ) corresponde V = 2, cest--dire dimposer que Va = 3 puisque le
premier zro est solution de lquation V 2 Va2 = 1. Dans ces conditions, la fentre de Kaiser a 99,8
% de son nergie dans le lobe principal alors que la fentre de Hamming na que 96,3 % de son nergie
dans ce lobe ; par consquent, londulation en bande attnue sera meilleure dans le cas de la fentre de
Kaiser.
Comparaison avec la fentre de Blackman:
On peut obtenir la mme largeur de lobe principal
avec la fentre de Kaiser, en positionnant le premier
zro V = 3, cest--dire en faisant Va = 2 2. A nouveau, londulation en bande attnue est infrieure
dans le cas de la fentre de Kaiser.

Fentre de Dolph-Chebychev FD
La fentre de Doph-Tchebychev est celle qui est ralise le meilleur compromis largeur du lobe principal,
hauteur des lobes secondaires.
Lexpression mathmatique de cette fentre exprime dans le domaine frquentiel est :
" #
cos P cos1 ( cos f Te )
FD (f ) =
ch [P arg ch()]
Page 56 Chapitre III. Transforme de Fourier discrte : TFD et TFR

o P = N-1, N impair.
Le paramtre permet de rgler lamplitude des ondulations.
les fonctions cos(x) et cos1 (x) sont des fonctions complexes.
Lamplitude maximum des ondulations est lie au paramtre par la relation

1
=
ch [ P arg ch() ]

Lexpression temporelle de cette fentre na pas une forme simple ; la meilleure faon de lobtenir tant
de calculer la transforme de Fourier inverse de FD (f ) en utilisant la transforme de Fourier discrte.

Dans tous les cas, nombre N de coefficients constant, on devra raliser un compromis entre lamplitude
des ondulations et la largeur du lobe principal. Il faudra choisir entre une moins grande dispersion ou une
meilleure rsolution.

1.6 Problmes de visualisation de la TFD


Quand on lui prsente un graphe discret, lil ralise une interpolation entre les points du dessin. Cette
interpolation est dautant plus russie que les points sont rapprochs.
Pour observer la fois un  beau signal x(n) et un  beau spectre, on ne peut visualiser le mme  buffer.
Pour le graphe temporel, on a intrt ce que Te << T0 mais si Te << T0 alors 1/Te sera trop grand par
rapport 1/T0 et lil aura du mal interpoler le graphe frquentiel
. Pour amliorer le graphe frquentiel on peut rajouter des 0 la suite x(n), on ne change rien au rsultat
mais on augmente T0 /Te .
On appelle cette opration  zero-padding  en anglais.
Exemple : soit x(t) dont la frquence de Shannon (2fmax ) est 128 Hz =fSH

1. pour visualiser en  temps , on chantillonne une dure T 1024 Hz = 8 fSH

2. pour visualiser le spectre, on chantillonne 128 Hz une dure gale 8 T en rajoutant des 0 la suite
x(n).

On aura alors le mme nombre de points sur une priode de signal et de spectre et les deux graphes seront
bien visualiss.

1.7 Proprits de la TFD et convolution circulaire


Elles sont analogues celles de la Transforme de Fourier, mais il faut prendre en compte une notion de
priodicit des squences.

1.7.1 Thorme de Parseval


Le thorme de Parseval, sous sa forme discrte, scrit :

 1 1
N
1 N
|x(nTe )|2 = |X(k)|2
n=0
N k=0

Dmonstration :

1 1
N 1 1


N
1 N  
N
nl
2j nk
2
|x(nTe )| = Xk e N Xl e2j N
n=0
N 2 n=0 k=0 l=0
1 1 1
 N 1 

N
1  
N N  n(kl)
2
|x(nTe )| = Xk Xl 2j
e N

n=0
N2 k=0 l=0 n=0
1. Transforme de Fourier Discrte : TFD Page 57

Or :

N 1
n(kl) 1 e2j(kl)
Si k = l e2j N = =0
n=0
e2j(kl)/N

N 1
n(kl)
Et si k=l e2j N =N
n=0
On en dduit :
1 1 N 1
 N 1  1

N
1 N   n(kl) 1 N
2
|x(nTe )| = 2 Xk Xl e2j N
= |Xk |2
n=0
N k=0 l=0 n=0
N k=0

1.7.2 Thorme de la convolution discrte


Avant de prsenter les rsultats concernant la convolution discrte, on a besoin de dfinir les notions de
convolution circulaire et de convolution linaire.

Convolution circulaire :
Soit 2 suites priodiques (x(n)) et (y(n)) de priode N . La convolution circulaire de ces 2 suites donne la
suite (z(n)) de priode N dfinie par :
N 1 

(z(n)) = (x(n)) (y(n)) = x(i)y(n i) pour n [0, N 1] ,
i=0

o la notation ||n i|| signifie (n i) modulo N .

Convolution linaire :

La convolution linaire dune priode de (x(n)) et dune priode de (y(n)) conduit quant--elle une suite
(u(n)) de longueur 2N 1 valant :
N 1 

(u(n)) = (x(n)) (y(n)) = x(i)y(n i) pour n [0, 2N 1]
i=0

EXEMPLE :
Soit les suites (x(n)) et (y(n)) priodiques de priode N = 3, telles que

x(n) = y(n) = 1 pour n entre 0 et 2.

La suite (z(n)), convolution circulaire des suites (x(n)) et (y(n)) est priodique de priode N = 3, et vaut
z(n) = 3 pour n entre 0 et 2. La suite (u(n)), convolution linaire des suites (x(n)) et (y(n)) est de dure
2N 1 = 5, et vaut :
z(0) = 1, z(1) = 2, z(2) = 3, z(3) = 2, z(4) = 1.
La suite (z(n)) peut sobtenir en rptant priodiquement la suite (u(n)) avec la priode N .

Une priode de xn Une priode yn

Une priode zn Suite un


Page 58 Chapitre III. Transforme de Fourier discrte : TFD et TFR

Suite zn obtenue en rendant un priodique

Thorme de la convolution discrte circulaire La TFD de la suite (z(n)) convolution circulaire de 2 suites
priodique (x(n)) et (y(n)) de priode N , est le produit des TFD des suites (x(n)) et (y(n)) :
z(n) = x(n) y(n) T F D(z(n)) = T F D(x(n))T F D(y(n)) (III.1)
o le symbole reprsente la convolution circulaire.

Rciproquement, la suite p(n) produit des suites x(n) et y(n), a pour TFD une suite P (k) qui est la convolu-
tion circulaire des suites X(k) et Y (k) :
p(n) = x(n)y(n) P (k) = X(k) Y (k)
avec P (k) = T F D(p(n)), X(k) = T F D(x(n)), Y (k) = T F D(y(n)).

Dmonstration de (III.1)
N 1 

(z(n)) = (x(n)) (y(n)) = x(i)y(n i) pour n [0, N 1]
i=0
1
 1
1 N


N 
N 
j2 ni ni
Z(n) = z(i)e N = x(k)y(i k) ej2 N
i=0 i=0 k=0
 1
1 N
 1
N 1 

N  n(ik) 
N  nik
j2 nk j2 j2 nk j2
Z(n) = x(k)e N y(i k)e N = x(k)e N y(i k)e N

i=0 k=0 i=0 k=0


N 1  N 1 
 
j2 nk j2 nk
Z(n) = x(k)e N y(k)e N = X(n)Y (n)
k=0 k=0
Relation entre convolution discrte linaire et convolution continue

Soit x(t) et y(t) de dures finies. La convolution de x(t) avec y(t) scrit u(t) :

+
u(t) = x( )y(t )d

chantillonnons x(t) et y(t) fe = 1/Te . On obtient alors P chantillons pour x et Q chantillons pour y.
On peut approcher lintgrale u(t) par la mthode de lintgration rectangulaire (de pas Te ). La suite vn
ainsi obtenue (au terme multiplicatif Te prs) correspond une convolution discrte linaire (et non circulaire)
des suites x(n) et y(n).

P +Q1
v(n) = x(k)y(n k)
k=0

1.7.3 Thorme du retard circulaire


Soit la suite x(n) priodique, de priode N .

Soit la suite yn obtenue en retardant x(n) de ko chantillons. La suite y(n) est priodique de priode N et
sa TFD Y (k) se dduit de celle de x(n) par :
Y (k) = X(k)ej2kko /N
o Y (k) et X(k) sont les TFD de x(n) et y(n).
2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 59

2 Transforme de Fourier Rapide TFR, Fast Fourier transform FFT


La Transforme de Fourier Rapide (note par la suite FFT) est simplement une TFD calcule selon un algo-
rithme permettant de rduire le nombre doprations et, en particulier, le nombre de multiplications effectuer.
Il faut noter cependant, que la rduction du nombre doprations arithmtiques effectuer, nest pas synonyme
de rduction du temps dexcution. Tout dpend de larchitecture du processeur qui excute le traitement.
Pour calculer une TFD, on doit calculer N valeurs X(k) :


N 1
nk
X(k) = x(n)ej2 N

n=0

et ceci pour k [0, N 1].


Si on effectue le calcul directement sans algorithme efficace, on doit effectuer :

N2 multiplications complexes
N (N 1) additions complexes

Il existe diffrents algorithmes de FFT. Le plus connu est srement celui de Cooley-Tukey (appel aussi
entrelacement temporel ou  decimation in time ) qui rduit

N
log2 (N ) le nombre de multiplications.
2

Il existe deux versions de lalgorithme :

FFT avec entrelacement temporel,

FFT avec entrelacement frquentiel.

Lalgorithme ncessite que N soit une puissance de 2. Le principe de lalgorithme consiste dcomposer le
calcul de la TFD dordre N = 2l en l tapes successives.

2.1 FFT avec entrelacement temporel


Illustrons tout dabord la mthode par un exemple pour N = 4.

Les donnes sont notes x(n) et la suite TFD X(n).


La notation w reprsente ej2/N , cest-- dire ej2/4 . On peut remarquer que wN = 1 et wN/2 = 1.
Pour N = 4, w4 = 1 et w2 = 1.

la suite TFD scrit :

X(0) = x(0) + x(1) + x(2) + x(3) = (x(0) + x(2)) + (x(1) + x(3))


X(1) = x(0) + w1 x(1) + w2 x(2) + w3 x(3) = (x(0) x(2)) + w1 (x(1) x(3))
X(2) = x(0) + w2 x(1) + w4 x(2) + w6 x(3) = (x(0) + x(2)) (x(1) + x(3))
X(3) = x(0) + w3 x(1) + w6 x(2) + w9 x(3) = (x(0) x(2)) w1 (x(1) x(3))

Les donnes (x(0), x(1), . . . , x(N 1)) sont regroupes en 2 paquets : un paquet form des donnes dindices
pairs (x(0), x(2), . . . , x(N 2)) et un paquet form des donnes dindices impairs (x(1), x(3), . . . , x(N 1)).
Soit pour N = 4, un paquet (x(0), x(2)) et un paquet (x(1), x(3)).
Puis sur chaque paquet on effectue une DFT dordre N/2 et on combine les rsultats de ces 2 DFT pour obtenir
Page 60 Chapitre III. Transforme de Fourier discrte : TFD et TFR

celle dordre N . Ce qui donne, toujours pour N = 4 :

x0 TFD Y0 = x0+x2 X0=Y0+Z0=x0+x1+x2+x3


ordre
x2 Y1 = x0 - x2 X1=Y1+w1Z1=x0+w1x1-x2-w1x3
N/2=2
w1

x1 TFD Z0 = x1+x3 X2=Y0 - Z0=x0 - x1+x2 - x3


ordre
x3 Z1 = x1 - x3 X3=Y1 - w1Z1=x0 - w1x1 - x2 +w1x3
N/2=2 w 1

Pour obtenir les 4 valeurs X(k), il suffit donc de calculer 2 DFT dordre N/2 = 2 et de combiner les rsultats
2 2 laide dune addition et dune multiplication au maximum, pour chaque valeur X(k). Cette tape est
appele tage de  papillons  , pour des raisons videntes lies la forme du schma de calcul. Ce rsultat se
gnralise toute valeur valeur de N multiple de 2. En effet :


N 1
nk
X(k) = x(n)ej2 N
n=0
N/21 N/21
  2(i+1)k
j2 2ik
X(k) = x(2i)e N + x(2i + 1)ej2 N

i=0 i=0
N/21 N/21
 ik
j2 N/2 k  ik
j2 N/2
X(k) = x(2i)e + ej2 N x(2i + 1)e
i=0 i=0
N/21 N/21
 ik
j2 N/2  ik
j2 N/2
X(k) = y(i)e + wk z(i)e
i=0 i=0

On note y(i) = x(2i) et z(i) = x(2i + 1), pour i [0, (N/2 1)]. On remarque que les 2 termes de la somme
donnant X(k) se dduisent directement des 2 TFD dordre N/2 des suites y(i) et z(i) de N/2 points. On note
ces TFD Y (k) et Z(k).

Ainsi pour k N/2 1, les 2 termes de la somme se dduisent des termes de rang k de Y (k) et Z(k) :

N/21 N/21
 j2 ik  j2 ik
X(k) = y(i)e N/2 + wk z(i)e N/2 = Y (k) + wk Z(k)
i=0 i=0

Pour k [N/2, (N 1)], on peut crire k = k + N/2, avec k [0, (N/2 1)]. De plus, comme quelque soit
i entier ej2i = 1, on peut dduire X(k) des termes de rang k N/2 des 2 TFD Y (k) et Z(k) :

N/21 N/21
 j2 ik  j2 ik
N/2 k N/2
X(k) = y(i)e +w z(i)e
i=0 i=0
N/21 N/21
 j2
i(k +N/2)  j2
i(k +N/2)
N/2 k N/2
X(k) = y(i)e +w z(i)e
i=0 i=0
N/21 N/21
 j2 ik  j2 ik
X(k) = y(i)e N/2 + wk z(i)e N/2

i=0 i=0
X(k) = Y (k N/2) + w Z(k N/2) k

En conclusion, pour tout N multiple de 2, on peut calculer chaque terme X(k) de la TFD dordre N en
combinant, laide dau plus 1 multiplication et 1 addition, 2 termes des TFD dordre N/2 des 2 suites y(i) et
2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 61

z(i) de longueur N/2, formes respectivement des termes dindices pairs et des termes dindices impairs de la
suite x(n). En notant Y (k) et Z(k) les TFD dordre N/2 de ces suites on peut crire :
 
N
Pour k 0, 1 X(k) = Y (k) + wk Z(k)
2
 
N
Pour k ,N 1 X(k) = Y (k N/2) + wk Z(k N/2)
2
On appelle  papillon  , ltape de calcul consistant calculer 2 points de la TFD dindices distants de N/2, par
exemple X(k) et X(k + N/2) avec k [0, N/2 1]. Le calcul de ce couple de valeurs de la TFD dordre N
utilise le couple de valeurs Y (k) et Z(k) des TFD dordre N/2 :
  
N X(k) = Y (k) + wk Z(k)
Pour k 0, 1
2 X(k + N/2) = Yk + wk+N/2 Z(k) = Y (k) wk Z(k)

Chaque papillon ncessite 1 multiplication et 2 additions ou soustractions.

Ainsi tout TFD dordre N multiple de 2, peut se calculer laide de 2 TFD dordre N/2 et dun tage de
N/2 papillons.

La complexit de calcul, pour la TFD dordre N est donc gale celle de 2 TFD dordre N/2 plus celle
de N/2 papillons. Si on suppose que les TFD dordre N/2 sont calcules directement (sans algorithme effi-
cace), on peut dire que :

Le calcul dune TFD dordre N pair, avec cet algorithme, demande :


!
2 N 2 = N 2 multiplications complexes
Le calcul de 2 TFD dordre N/2 : 2 2! !
2 N N 1 = N N 1 additions complexes
2 2 2

N
2 multiplications complexes
Le calcul de N/2 papillons :
N additions/soustractions

Soit un total de 
N2 N
2 + 2 multiplications complexes
N2
2 additions complexes
au lieu de: 
N2 multiplications complexes
N (N 1) additions complexes
pour le calcul direct.
Ainsi pour N = 4, on a besoin de 10 multiplications et de 8 additions/soustractions complexes au lieu de
16 multiplications et de 12 additions/soustractions complexes.

Si N/2 est un multiple de 2, on peut ritrer la mthode pour le calcul des 2 TFD dordre N/2. Chaque
TFD dordre N/2 est alors calcule laide de 2 TFD dordre N/4 et de N/4 papillons, ce qui donne au total
4 TFD dordre N/4 plus 2 tages de N/2 papillons.

Dune manire plus gnrale si N est une puissance de 2, N = 2l , on peut ritrer la mthode l fois et calculer
la TFD dordre N laide de l tages de N/2 papillons, avec l = log2 (N ). La complexit de calcul dune TFD
dordre N devient alors celle de l tages de N/2 papillons, soit :

l N2 = log2 (N ) N2 multiplications complexes
l N = log2 (N )N additions complexes

Cet algorithme est lalgorithme de FFT avec entrelacement temporel (base 2) de Cooley-Tukey.
Page 62 Chapitre III. Transforme de Fourier discrte : TFD et TFR

Ainsi pour N = 1024 = 21 0, le calcul direct demande : 1024x1024 multiplications et 1024x1023 additions,
alors que le calcul avec lalgorithme de FFT demande : 10x512 multiplications et 10x1024 additions. Dans ce
cas, lalgorithme divise environ par 200 le nombre doprations effectuer. Lefficacit de la FFT augmente
avec N .

Pour N = 4, le schma complet de lalgorithme est le suivant :

x0 Y0 = x0+x2 X0=Y0+Z0=x0+x1+x2+x3

x2 Y1 = x0 - x2 X1=Y1+w1Z1=x0+w1x1-x2-w1x3
w1

x1 Z0 = x1+x3 X2=Y0 - Z0=x0 - x1+x2 - x3

x3 Z1 = x1 - x3 1
X3=Y1 - w1Z1=x0 - w1x1 - x2 +w1x3
w

On remarque sur ce schma que les donnes x(n) en entre sont dsordonnes, alors que celles de sortie X(k)
sont dans lordre naturel. De ce fait cet algorithme de FFT sappelle FFT avec entrelacement temporel. On verra
par la suite quil existe un algorithme symtrique appel FFT avec entrelacement frquentiel.

Pour lalgorithme de FFT en base 2 avec entrelacement temporel, un papillon lmentaire, ltage i (en
numrotant de 1 l = log2 (N )), a la forme suivante :

Uk Vk

Uk + N / 2(l-i+1) Vk + N/2
(l-i+1)

Entre de ltage i w(k,i) Sortie de ltage i

A ltape i, les indices des termes associs dans un papillon sont spars de Ni , Ni tant la taille des DFT
intervenant ltape i, cest dire Ni = 2i1 = 2l l/2(li+1) = N/2(li+1) .
Le terme w(i,k) vaut :
k
j2 2N j2 Nk Ni k2li
w(i,k) = e i = e 2 = w

2.2 FFT avec entrelacement frquentiel


Cet algorithme est symtrique du prcdent. Les donnes temporelles x(n) restent dans lordre naturel,
mais les rsultats X(k) sont dsordonns.
Le principe consiste encore dcomposer le calcul de la TFD dordre N = 2l en l tapes successives. Mais
le regroupement de donnes se fait diffremment.

Illustrons la mthode par un exemple pour N = 4.


Les donnes frquentielles (X(0), X(1), . . . , X(N 1)) sont regroupes en 2 paquets : un paquet form
des donnes dindices pairs (X(0), X(2), . . . , X(N 2)) et un paquet form des donnes dindices impairs
(X(1), X(3), .., X((N 1))). Soit pour N=4, un paquet (X(0), X(2)) et un paquet (X(1), X(3)).
Pour N = 4, on peut crire :

X(0) = x(0) + x(1) + x(2) + x(3) = (x(0) + x(2)) + (x(1) + x(3))


2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 63

X(2) = x(0) + w2 x(1) + w4 x(2) + w6 x(3) = (x(0) + x(2)) (x(1) + x(3))


 
X(1) = x(0) + w1 x(1) + w2 x(2) + w3 x(3) = (x(0) x(2)) + w1 (x(1) x(3))
 
X(3) = x(0) + w3 x(1) + w6 x(2) + w9 x(3) = (x(0) x(2)) w1 (x(1) x(3))

Pour obtenir chaque paquet de rsultats frquentiels, on effectue une DFT dordre N/2 sur des donnes rsultant
dune tape de papillons sur les donnes x(n).

x0 TFD X0
ordre
x1 X2
N/2=2
w0

x2 TFD X1
ordre
x3 X3
N/2=2
w1

On a donc un tage de 2 papillons suivi dun tage de 2 DFT dordre N/2 = 2.

Ce rsultat se gnralise tout valeur de N multiple de 2. En effet :


N 1
nk
X(k) = x(n)ej2 N
n=0
N/21
 
N 1
n2i n2i
X(2i) = x(n)ej2 N + x(n)ej2 N

n=0 n=N/2
N/21 N/21
 ni
j2 N/2  j2 mi
X(2i) = x(n)e + x(m + N/2)e N/2

n=0 m=0
N/21
 ni
j2 N/2
X(2i) = (x(n) + x(n + N/2)) e
n=0

Ainsi les N/2 termes X(k) de rang pair sont gaux aux termes de la TFD dordre N/2 de la suite de N/2
valeurs (x(n) + x(n + N/2)), avec n entre 0 et N/2 1 .

De mme pour les termes X(k) de rang impair :


 nk
X(k) = x(n)ej2 N
n
N/21
 
N 1
n(2i+1) n(2i+1)
X(2i + 1) = x(n)ej2 N + x(n)ej2 N

n=0 n=N/2
N/21 N/21
 n ni
j2 N/2  m mi
j2 N/2
X(2i + 1) = x(n)ej2 N e x(m + N/2)ej2 N e
n=0 m=0
N/21
 ni
j2 N/2
X(2i + 1) = wn (x(n) x(n + N/2)) e
n=0

les N/2 termes X(k) de rang impair sont gaux aux termes de la TFD dordre N/2 de la suite de N/2 valeurs
wn (x(n) x(n + N/2)), avec n entre 0 et N/2 1.

Dune manire gnrale si N est une puissance de 2 : N = 2l , on peut ritrer la mthode l fois et calcu-
ler la TFD dordre N laide de l tages de N/2 papillons., avec l = log2 (N ). La complexit de calcul dune
Page 64 Chapitre III. Transforme de Fourier discrte : TFD et TFR

FFT avec entrelacement frquentiel est identique celle de la FFT avec entrelacement temporel.

Pour lalgorithme de FFT en base 2 avec entrelacement frquentiel, un papillon lmentaire, ltage i (en
numrotant de 1 l = log2 (N )), a la forme suivante :

Uk Vk

Uk + N / 2i Vk + N/2
i

Entre de ltage i w(k,i) Sortie de ltage i

A ltape i, Les indices des termes associs dans un papillon sont spars de Ni , Ni tant la taille des DFT
intervenant ltape i, cest dire Ni = N/2i . Et le terme w(i,k) vaut :
j2 k k2i i1
w(i,k) = e 2Ni
= ej2 2N = wk2

2.3 Bit reversal


On remarque que dans les 2 cas prcdents : FFT avec entrelacement temporel et FFT avec entrelacement
frquentiel, lordre entrelac est obtenu partir de lordre naturel en appliquant une technique dite du  bit
reversal .
Cette technique consiste crire en binaire lindice dans lordre naturel puis retourner lordre des bits
pour obtenir la reprsentation binaire de lindice correspondant dans lordre entrelac.
Par exemple pour N = 4 :

indices reprsentation reprsentation indices


ordre naturel binaire retourne ordre entrelac
0 00 00 0
1 01 10 2
2 10 01 1
3 11 11 3

2.4 Formulation matricielle de lalgorithme de Cooley-Tukey


On utilise les mmes notations que prcdemment :

N = 2l
2
w = ej N . On utilise le fait que wN = 1 et que wN/2 = 1
On illustre lalgorithme pour le cas N = 8, l = 3. Et on prsente lalgorithme avec entrelacement frquentiel.
On calcule la TFD de la suite x(n) avec n [0, 7]

On note la suite transforme X(n) avec n [0, 7]


7
nk 
7
X(n) = x(k)ej2 N = x(k)wnk
k=0 k=0

On dcompose les indices n et k (qui sont compris entre 0 et 7) en base 2 :

n = n2 22 + n1 21 + n0 20
k = k2 22 + k1 21 + k0 20
2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 65

On effectue le produit nk en dveloppant selon k, (Il suffirait de dvelopper selon n pour obtenir lalgorithme
avec entrelacement temporel) :
2 1
wnk = wnk2 2 wnk1 2 wnk0
2 +n 1 2 2 +n 1 1 2 +n 1
wnk = w(n2 2 1 2 +n0 )k2 2
w(n2 2 1 2 +n0 )k1 2
w(n2 2 1 2 +n0 )k0

w8 = 1
2 1 +n 1 2 +n 1
wnk = wn0 k2 2 w(n1 2 0 )k1 2
w(n2 2 1 2 +n0 )k0


7
X(n) = x(k)wnk
k=0


1 
1 
1
2 1
X(n) = x(k2 , k1 , k1 )wn0 k2 2 w(2n1 +n0 )k1 2 w(4n2 +2n1 +n0 )k0
k0 =0 k1 =0 k2 =0

On a ainsi dcompos la sommation unique sur k en 3 = log2 (8) sommations sur k0 , k1 , k2 .

Si on effectue la sommation sur k2 , on obtient un terme :


1
2
x1 (n0 , k1 , k0 ) = x(k2 , k1 , k0 )wn0 k2 2
k2 =0
x1 (n0 , k1 , k0 ) = x(0, k1 , k0 ) + x(1, k1 , k0 )w4n0

Si lon considre lensemble des valeurs x1 que lon peut obtenir en donnant aux indices n0 , k1 , k0 toutes les
valeurs possibles, on obtient 8 valeurs x1 (n) avec n [0, 7] qui vrifient les relations :

x1 (i) = x(i) + w0 x(i + 4) pour i3


x1 (i + 4) = x(i) w x(i + 4) 0

avec i = n0 22 + k1 2 + k0

On peut regrouper les valeurs de x1 2 par 2 pour former des paires duales que lon calcule partir de 2 noeuds
de mme indice de ltape prcdente. Les indices de 2 noeuds duaux tant espacs de 4 = N/2l . Lensemble
des relations prcdentes peut scrire sous la forme matricielle :

x1 (0) 1 0 0 0 w0 0 0 0 x(0)
w0
x1 (1) 0 1 0 0 0 0 0 x(1)

x1 (2) 0 0 1 0 0 0 w0 0 x(2)

x1 (3) 0 0 0 1 0 0 0 w0 x(3)
=
x1 (4) 1 0 0 0 w0 0 0 0 x(4)


x1 (5) 0 1 0 0 0 w 0 0 0 x(5)

x1 (6) 0 0 1 0 0 0 w0 0 x(6)
x1 (7) 0 0 0 1 0 0 0 w0 x(7)

Ces relations peuvent aussi se reprsenter sous la forme graphique de  papillons  :

x(0) -w0 x1(0)


w0
x(1) -w 0 x1(1)
w0
x(2) -w0
x1(2)
w0
x(3) 0
x1(3)
-w w0
x(4) x1(4)
x(5) x1(5)
x(6) x1(6)
x(7) x1(7)
Page 66 Chapitre III. Transforme de Fourier discrte : TFD et TFR

La deuxime tape est la sommation sur k1 :


1
x2 (n0 , n1 , k0 ) = x1 (n0 , k1 , k0 )w(2n1 +n0 )2k1
k1 =0
x2 (n0 , n1 , k0 ) = x1 (n0 , 0, k0 ) + x1 (n0 , 1, k0 )w4n1 +2n0
avec w4n1 = (1)n1

En donnant aux indices n0 , n1 , k0 toutes les valeurs possibles on obtient les relations duales :

x2 (i) = x1 (i) + w2n0 x1 (i + 2) pour i3


x2 (i + 2) = x1 (i) w 2n0
x1 (i + 2)
avec i = 4n0 + k0 cest dire n1 = 0

Les valeurs de x2 se calculent 2 par 2 partir des 2 valeurs de x1 de mmes indices de ltape prcdente. Les
noeuds duaux tant espacs de N/22 = 2. Les relations prcdentes correspondent la forme matricielle :

x2 (0) 1 0 w0 0 0 0 0 0 x1 (0)
w0
x2 (1) 0 1 0 0 0 0 0 x1 (1)

x2 (2) 1 0 w 0 0 0 0 0 0 x1 (2)

x2 (3) 0 1 0 w0 0 0 0 0 x1 (3)
=
x2 (4) 0 0 0 0 1 0 w2 0 x1 (4)


x2 (5) 0 0 0 0 0 1 0 w2 x1 (5)

x2 (6) 0 0 0 0 1 0 w2 0 x1 (6)
x2 (7) 0 0 0 0 0 1 0 w2 x1 (7)

Ces relations peuvent aussi se reprsenter sous la forme graphique de papillons :

x1(0) w0 x2(0)
x1(1) w 0 x2(1)
x1(2) -w0 x2(2)
x1(3) -w0 x2(3)
x1(4) w2 x2(4)
x1(5) w2
x2(5)
x1(6) x2(6)
-w2
x1(7) x2(7)
-w2

Lexposant de w dans les relations prcdentes est obtenu en divisant logiquement i par 2 et en retournant le
rsultat.

Enfin la troisime tape est la sommation sur k0 qui conduit la relation :


1
x3 (n0 , n1 , n2 ) = x2 (n0 , n1 , k0 )w(4n2 +2n1 +n0 )k0
k0 =0

x3 (n0 , n1 , n2 ) = x2 (n0 , n1 , 0) + x2 (n0 , n1 , 1)w(4n2 +2n1 +n0 )


avec w4n2 = (1)n2

Ce qui conduit aux relations duales :

x3 (i) = x2 (i) + w2n1 +n0 x2 (i + 1)


x3 (i + 1) = x2 (i) w2n1 +n0 x2 (i + 1) pour i pair
avec i = 4n0 + 2n1

Les valeurs de x3 se calculent 2 par 2 partir des 2 valeurs de x2 de mmes indices de ltape prcdente.
Les noeuds duaux tant espacs de N/23 = 1. Lexposant de w sobtient en divisant logiquement i par 1 et en
retournant le rsultat.
2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 67

Les relations prcdentes correspondent la forme matricielle :



x3 (0) 1 w0 0 0 0 0 0 0 x2 (0)
1 w0
x3 (1) 0 0 0 0 0 0 x2 (1)

x3 (2) 0 0 1 w2 0 0 0 0 x2 (2)

x3 (3) 0 0 1 w2 0 0 0 0 x2 (3)
=
x3 (4) 0 0 0 0 1 w1 0 0 x2 (4)


x3 (5) 0 0 0 0 1 w1 0 0 x2 (5)

x3 (6) 0 0 0 0 0 0 1 w3 x2 (6)
x3 (7) 0 0 0 0 0 0 1 w3 x2 (7)

Relations qui se reprsentent graphiquement par :

x2(0) w0 x3(0)
-w0
x2(1) x3(1)
x2(2) -w2 x3(2)
-w2
x2(3) x3(3)
x2(4) W1 -w1 x3(4)
x2(5) x3(5)
x2(6) w3 3 x3(6)
-w
x2(7) x3(7)

Cette dernire suite de valeurs est gale la suite cherche X(n) mais dans le dsordre :

X(n2 , n1 , n0 ) = x3 (n0 , n1 , n2 )

En rsum :
X(0) x3 (0) 1 w0 0 0 0 0 0 0
1 w0
X(4) x3 (1) 0 0 0 0 0 0

X(2) x3 (2) 0 0 1 w2 0 0 0 0

X(6) x3 (3) 0 0 1 w2 0 0 0 0
= = x
X(1) x3 (4) 0 0 0 0 1 w1 0 0


X(5) x3 (5) 0 0 0 0 1 w1 0 0

X(6) x3 (6) 0 0 0 0 0 0 1 w3
X(7) x3 (7) 0 0 0 0 0 0 1 w3

1 0 w0 0 0 0 0 0 1 0 0 0 w0 0 0 0 x(0)
w0 w0
0 1 0 0 0 0 0 0 1 0 0 0 0 0 x(1)

1 0 w0 0 0 0 0 0 0 0 1 0 0 0 w0 0 x(2)

0 1 0 w0 0 0 0 0 0 0 0 1 0 0 0 w0 x(3)
x
0 0 0 0 1 0 w2 0 1 0 0 0 w0 0 0 0 x(4)


0 0 0 0 0 1 0 w2 0 1 0 0 0 w0 0 0 x(5)

0 0 0 0 1 0 w2 0 0 0 1 0 0 0 w0 0 x(6)
0 0 0 0 0 1 0 w2 0 0 0 1 0 0 0 w0 x(7)

x(0) -w0 x1(0) w0 x3(0)


w0 x2(0) w0
x(1) -w0
-w0
w0
x1(1) w0 x2(1) x3(1)
x(2) -w0 x1(2) x3(2)
w0 -w0 x2(2) -w2
x(3) x1(3) -w2
x3(3)
-w0 w0 -w0 x2(3)
x(4) x1(4) x3(4)
w2
x2(4) w1 -w1
x(5) x1(5) x3(5)
w2 x2(5)
x(6) x1(6) x3(6)
-w2 x2(6) w3 3
x(7) x1(7) -w
x3(7)
-w2 x2(7)

La mthode illustre pour N = 8 se gnralise pour tout N puissance de 2.


Page 68 Chapitre III. Transforme de Fourier discrte : TFD et TFR

2.5 Autres algorithmes de FFT


Il existe de nombreux autres algorithme de FFT, qui sappliquent par exemple au cas o N nest pas une
puissance de 2.
Lorsque N est une puissance de 4, on peut appliquer un algorithme de FFT en base 4, plus efficace que
lalgorithme en base 2. Le nombre doprations ncessaires tant alors de :

log4 (N ) 3N
4 multiplications complexes
log4 (N )N additions complexes

2.6 Utilisation de la FFT pour la convolution rapide


Soit la suite (u(n)) convolution de la suite (x(n)), de dure P, et de la suite (y(n)), de dure Q. :

1
P
u(n) = x(i)y(n i)
i=0

la suite (u(n)) a pour dure P + Q 1.


On peut calculer directement les (P+Q-1) valeurs de la suite (u(n)). Ce calcule ncessite P (Q + 1) multi-
plications pour (Q P ). Si P et Q sont grands, il peut tre efficace de faire ce calcul par FFT.
Pour cela, on complte par des zros les suites (x(n)) et (y(n)) de faon quelles aient toutes les deux N
points, o N est une puissance de 2 telle que N P + Q 1.
Appelons (xl (n)) et (yl (n)) les suites prolonges par des zros.
La suite (zl (n)) = (xl (n)) (yl (n)) concide avec la suite (u(n)) sur ses P + Q 1 premiers points.
Pour calculer la suite (u(n)), il suffit donc de :

1. complter les suites (x(n)) et (y(n)) par des zros pour quelles aient N points, avec N P + Q 1.

2. Calculer par FFT les suites Xl (k) et Yl (k) : DFT des suites (xl (n)) et (yl (n)).

3. Calculer la suite Zl (k) produit des suites Xl (k) et Yl (k) :Zl (k) = Xl (k) Yl (k)

4. Calculer la suite zl (n) par FFT inverse de Zl (k)

5. Identifier (u(n)) avec les P + Q 1 premiers points de zl (n).

Le nombre doprations effectuer est de :


3 FFT (directes ou inverses) de N points + N multiplications complexes, cest dire :

3
2N log2 (N ) + N multiplications complexes
N log2 (N ) additions complexes

Ce quil faut comparer au calcul direct : P (Q + 1) multiplications et additions relles.

Exemple numrique : P = Q = 500


On choisirait N = 1024.
Le calcul direct demanderait 500 x 501 multiplications et additions relles.
Le calcul par FFT demanderait environ 1500 x 10 + 1000 soit 16000 multiplications complexes. Une multipli-
cation complexe demandant 4 multiplications relles, on constate que le gain de calcul par FFT serait de :

500 500
4
16000 4
2. Transforme de Fourier Rapide TFR, Fast Fourier transform FFT Page 69

2.7 Calcul de convolution par section dune des suites


Souvent lune des suites est beaucoup plus courte que lautre. Le calcul peut alors se faire en sectionnant la
suite la plus longue en sous-suites.
Appelons (x(n)) la suite courte de longueur P et (y(n)) la suite longue de longueur Q.
(y(n)) est coupe en suites de longueur M > P .
La convolution totale de (x(n)) et (y(n)) est obtenue en sommant correctement les convolutions de (x(n))
avec les sous-suites de (y(n)). Ces petites convolutions sont calcules par exemple par FFT. Le rsultat concide
sur P +M 1 premiers points avec les bonnes valeurs. Les petites convolutions se superposent 2 2 sur (P 1)
points.

x(n)

y1(n)

u1(n)

y2(n)

u2(n)

y3(n)

u3(n)
u(n) = x(n) * y(n)

Cette mthode permet de limiter la taille de la mmoire ncessaire.


Page 70 Chapitre III. Transforme de Fourier discrte : TFD et TFR

EXERCICES ET PROBLMES

Exercice 1 : Calculer la transforme de Fourier discrte de la suite (xn ) forme de N = 8 points (n ! [0,7]),
obtenue en chantillonnant la frquence fe = 16 Hz le signal x(t) :

x(t) = 2 sin(8t) + 8 cos(4t)

Exercice 2 : Calculer la TFD de la suite xn suivante :


xn est forme de N = 24 points obtenus en chantillonnant le signal x(t) = 3 sin(8t) + 4 cos(6t) la
frquence fe = 24 Hz.

Exercice 3 : Comparer le rsultat de la convolution linaire et de la convolution circulaire des 2 suites xn


et yn suivantes :

xn = 1 pour 0n3
xn = 0 pour n
/ [0, 3]

yn = 2 pour 0n3
yn = 0 pour n
/ [0, 3]

On appellera zn le rsultat de la convolution linaire :


3
zn = xk ynk
k=0

et tn le rsultat de la convolution circulaire :


3
tn = xk ynk
k=0

o n k signifie n-k modulo N = 4.

Exercice 4 : Pour N = 4, la TFD de la suite : x0 , x1 , x2 , x3 scrit : X0 , X1 , X2 , X3 avec :


3
nk
Xk = xn ej2 4

k=0

x0 X0
x X

1) Ecrire la matrice de passage du vecteur 1 au vecteur 1 . On notera w = e2j 4 .
x2 X2
x3 X3
2) Quel est le nombre de multiplications et dadditions effectuer pour effectuer le calcul de la TFD sans algo-
rithme particulier?
3) Chercher dcomposer le calcul en 2 tapes pour diminuer le nombre doprations globales. Par exemple,
commencer par grouper les indices pairs et les indices impairs sparment.
C HAPITRE IV

SIGNAUX ALATOIRES

D E LA MME MANIRE quune variable alatoire est un ensemble de valeurs caractris par une loi de
probabilit, on appellera signal alatoire, ou processus alatoire un ensemble de fonctions auquel on
adjoint une loi de probabilit.
Existe-il des signaux naturels qui soient intrinsquement alatoires ? La plupart des phnomnes non-
quantiques peuvent tre dcrits laide dquations de la physique : le jeu de pile ou face, si lon connat
les caractristiques physiques de la pice, limpulsion donne, la densit et la composition de lair, la temp-
rature, la pression atmosphrique, la gravit locale, est un jeu dont le rsultat est parfaitement prvisible. De
mme pour le tirage du loto. Simplement le systme dpendant dun trop grand nombre de variables et de
paramtres devient trop compliqu dcrire. Dautres exemples sont le signal de parole, llectromyogramme
ou la mesure de lactivit crbrale, dont on peut esprer quils ne rsultent pas de  tirages au hasard , sont
caractriss comme des signaux alatoires. Dautres signaux sont impossibles caractriser a priori. Il sagit
en particulier dun message transmis sur une ligne tlphonique (ou autre) : du point de vue du rcepteur, ce
signal est alatoire jusqu sa rception. En effet si ce signal tait dj connu du rcepteur, son contenu informa-
tionnel serait nul et il serait inutile de le transmettre. Ainsi, on pourra modliser comme des signaux alatoires
les signaux dont le processus de production est trop compliqu dcrire, ou mconnu, ou des signaux pour
lesquels lala provient de la propre incertitude de lobservateur. partir dun modlisation probabiliste, il faut
alors esprer que lon pourra aboutir une caractrisation intressante et des outils de traitement qui pourront
permettre dextraire de linformation des signaux alatoires.

Notation :
On notera X(t, ) un signal alatoire X. Il sagit dun ensemble de fonctions de la variable t, cet ensemble
tant index par la variable . Un signal alatoire est une quantit bivarie, dpendant la fois du temps t et de
lpreuve . Lorsque lpreuve est fixe, par exemple = i , on obtient une ralisation du processus alatoire
que lon notera X(t, i ) ou plus simplement xi (t). Lorsque la variable t est fixe, le processus alatoire se
rduit alors une simple variable alatoire. En considrant le processus pour t = ti , on obtient ainsi une
variable alatoire X(ti , ), que lon notera Xi (), ou Xi . Enfin, on notera xi les valeurs prises par la variable
alatoire Xi .

1 Description dun signal alatoire


Les signaux alatoires pourront tre caractriss par le biais de deux types de description : une description
complte qui permet de caractriser compltement le processus, mais qui ncessite une connaissance norme,
et une caractrisation partielle, partir des moments du processus alatoire.

1.1 Description complte


X(t, ) est connu si t1 , t2 , . . . , tk , et k, on connat la loi conjointe

pX1 ,X2 ,...,Xk (x1 , x2 , . . . , xk ),

o X1 , X2 , . . . , Xk sont les variables alatoires associes aux k instants : X(t1 , ), X(t2 , ), . . . , X(tk , ). En
fait, ceci est quivalent dire que lon connat X(t, ) si lon connat les lois de toutes les variables alatoires
Page 72 Chapitre IV. Signaux alatoires

X(ti , ), ainsi que toutes les interactions entre ces variables, et ceci i. . . La connaissance avoir est donc
gigantesque, et le plus souvent inaccessible, et lon devra se contenter dune description partielle.

1.2 Description partielle


1.2.1 Description un instant
On dit que X(t, ) est connu un instant, si, t1 , on connat la loi de la variable alatoire X(t1 , ). Celle-
ci est simplement une variable alatoire au sens habituel, que lon peut en gnral (si ceux-ci existent et hors
quelques cas de figures exceptionnels) caractriser laide des moments.

Moments : on notera

mX (t1 ) = E {X(t1 , )} = x1 pX1 (x1 )dx1 (IV.1)
..
. 
(n)
mX (t1 ) = E {X(t1 , ) } = n
xn1 pX1 (x1 )dx1 (IV.2)

Rappelons avec force que E {} dsigne lesprance mathmatique, que lintgrale est prise sur le domaine
de variation de l amplitude  de X1 , cest--dire de X(t, ) considr linstant fix t1 . Lcriture

E {X(t, )} = X(t)p(X(t, )dt,

(trop) souvent rencontre dans des copies, indique une incomprhension attristante et constitue une erreur
impardonnable.

1.2.2 Description deux instants


On dit que X(t, ) est connu deux instants, si, t1 , t2 , on connat la loi conjointe des variables alatoires
X(t1 , ) et X(t2 , ) :
pX1 ,X2 (x1 , x2 ) est connue t1 , t2 .
La connaissance deux instants ncessite donc de connatre le lien statistique entre X(t1 , ) et X(t2 , ).
Notion de covariance :
On appelle  
CX (t1 , t2 ) = E {X(t1 )X(t2 ) } = x1 x2 pX1 ,X2 (x1 , x2 )dx1 dx2

fonction de covariance. 1 Il sagit dans le cas gnral dune fonction bivarie qui permet de quantifier un certain
 lien statistique  entre les variables alatoires X1 et X2 . Dans la mesure o largument de lesprance math-
matique fait intervenir le produit de deux variables alatoires, et est donc homogne un  carr , on parlera
de caractrisation lordre 2.

Remarque : En gnral, on ne peut pas exprimer la distribution conjointe pX1 ,X2 (x1 , x2 ) en fonction des dis-
tributions pX1 (x1 ) et pX2 (x2 ), sauf dans le cas o les variables sont indpendantes. On a alors
pX1 ,X2 (x1 , x2 ) = pX1 (x1 )pX2 (x2 ),
et la fonction de covariance scrit simplement
CX (t1 , t2 ) = E {X(t1 )X(t2 ) } = E {X(t1 )} E {X(t2 ) } ,
soit CX (t1 , t2 ) = mX (t1 )mX (t2 ) .
Lorsquun tel signal est centr, cest--dire de valeur moyenne nulle, alors C(t1 , t2 ) = 0, pour t1 = t2 . Ce type
de signal alatoire est appel bruit blanc (au sens strict).

1. En toute rigueur, il faudrait rserver le terme de covariance la formule prcdente applique des signaux centrs, pour lesquels
on a alors simplement une extension de la notion de variance dune variable deux variables alatoires. Il sagit ici dune fonction
puisque ces deux variables dpendent respectivement de t1 et t2 . Lorsque les signaux ne sont pas centrs, on pourrait parler de moment
dordre 2 crois.
2. Proprits fondamentales Page 73

2 Proprits fondamentales
2.1 Stationnarit
La stationnarit est une proprit particulirement importante pour lanalyse des signaux alatoires.

Dfinition 1 On dit quun signal alatoire est stationnaire si ses proprits statistiques sont invariantes par
translation dans le temps.

En ce qui concerne la description complte, ceci se traduit par

pX(t1 ),X(t2 ),...,X(tk ) = pX(t1 ),X(t2 ),...,X(tk ) ,

et si = tk ,
pX(t1 ),X(t2 ),...,X(tk ) = pX(t1 tk ),X(t2 tk ),...,X(0) .

La distribution conjointe ne dpend plus alors que de k 1 paramtres, au lieu des k paramtres initiaux. Ceci
va se prolonger la description partielle : les moments, qui dpendent dans le cas gnral de linstant considr,
deviennent des quantits indpendantes du temps dans le cas stationnaire. La fonction de covariance CX (t1 , t2 )
devient quant--elle une quantit dpendant uniquement de lcart entre t1 et t2 .
Pour la description partielle un instant, on a ainsi

pX(t1 ) = pX(t1 ) = . . . = pX(0) .

Toutes les variables X(ti , ) possdent ainsi la mme loi un instant. Par suite,

(n)
E {X(t1 )n } = E {X(t1 )n } = . . . = mX .

On en dduit donc que tous les moments sont indpendants du temps.


deux instants, la distribution conjointe ne dpend que de lcart entre les deux instants et non des instants
eux-mmes :
pX(t1 ),X(t2 ) = pX(t1 t2 ),X(0) .

On en dduit donc que

CX (t1 , t2 ) = E {X(t1 )X(t2 ) } = E {X(t1 t2 )X(0) } = E {X(0)X(t2 t1 ) } = E {X(t)X(t ) } ,

avec t quelconque et = t1 t2 . La covariance devient une fonction de corrlation, qui ne dpend que de
lcart de temps. On pose
RX ( ) = E {X(t)X(t ) } .

On peut vrifier la stationnarit en calculant tous les moments, tous les ordres. Ceci nest pas forcment
utilisable, et on se contentera souvent dtudier une stationnarit au sens faible (par opposition la stationnarit
stricte), en dfinissant une stationnarit lordre 1 le moment dordre 1 est indpendant du temps, et une
stationnarit lordre 2 moment dordre 1 et fonction de covariance invariants par translation dans le temps.

Exercice 1 : Si
X(t, ) = A() cos(2f0 t),
o A() est une variable gaussienne centre et de variance 2 , vrifiez que X(t, ) est stationnaire
lordre 1 mais pas lordre 2.
Page 74 Chapitre IV. Signaux alatoires

2.2 Ergodisme
Lergodisme est une proprit trs souvent employe, mais non vrifiable, lexception de quelques do-
maines de la physique. En traitement du signal, lergodisme sera le plus souvent un postulat, ncessaire pour
travailler.
On considre un signal alatoire X(t, ). On note xi (t) les diffrentes ralisations de ce signal. On dfinit

1
xni  = lim xi (t)n dt,
T + T [T ]

la moyenne temporelle prise sur la ralisation i, durant toute son histoire. De la mme manire, on dfinit les
moyennes temporelles du signal alatoire X(t, ) par

1
X(t, )n  = lim X(t, )n dt.
T + T [T ]

Dans le cas gnral, cette moyenne est une variable alatoire, (n) () dont les ralisations sont les xni . De la
mme faon, on dfinit des moyennes temporelles croises, comme

1
X(t, )X(t , ) = lim X(t, )X(t , )dt.
T + T [T ]

Dfinition 2 Le signal X(t, ) est dit ergodique si les moyennes temporelles sont des nombres certains.

Cette proprit entrane donc, puisque . est une variable certaine, que toutes les  ralisations  prennent la
mme valeur. En ce qui concerne les moments, on a ainsi X(t, )n  qui est un nombre certain, ce qui entrane
xn1  = xn2  = . . . = xnk . On notera (n) ce nombre.

Il est dune grande importance pratique davoir la fois stationnarit et ergodisme. En effet, dans ce cas de
figure, les moyennes densemble (les esprances mathmatique) et les moyennes temporelles sont gales.

Exemple (moments).
On a 
1
X(t, )n  = lim X(t, )n dt.
T + T [T ]

Si le signal alatoire est ergodique, alors X(t, )n  est un nombre certain et

E {X(t, )n } = X(t, )n  = (n) .

Par consquent,

1
(n) = X(t, )n  = lim E {X(t, )n } dt,
T + T [T ]

1
= lim E {X(t, )n } dt,
T + T [T ]
(n)
= E {X(t, )n } = mX ,

o la dernire ligne a t crite en utilisant le fait que E {X(t, )n } ne dpend pas du temps si X(t, ) est
stationnaire.
Dans le cas stationnaire et ergodique, on a donc

1
E {X(t, )n } = lim X(t, )n dt,
T + T [T ]

ce qui signifie que lon peut calculer les esprances mathmatiques en effectuant des moyennes temporelles sur
des ralisations quelconques du signal. Ceci est dune grande importance pratique, car il est rare que lon dis-
pose de plusieurs ralisations du processus (et encore moins dune infinit), et de sa distribution de probabilit.
2. Proprits fondamentales Page 75

Notons cependant quil est au moins aussi rare que lon dispose de ralisations du signal de + ; on
ne pourra donc pas calculer exactement la valeur des moyennes par la formule prcdente. On se contentera
dapprocher le rsultat par des moyennes temporelles sur la dure o est connu une ralisation du processus.
On parle alors destimation.

Exemple (covariance).
On a 
1
X(t, )X(t , ) = lim X(t, )X(t , )dt.
T + T [T ]

Si le signal est ergodique, il vient



1
X(t, )X(t , ) = lim E {X(t, )X(t , )} dt,
T + T [T ]

et par stationnarit,
E {X(t, )X(t , )} = RX ( )
est indpendant du temps t. Dans ce cas, on obtient

X(t, )X(t , ) = E {X(t, )X(t , )} = RX ( ),

soit finalement

1
RX ( ) = E {X(t, )X(t , )} = lim X(t, )X(t , )dt.
T + T [T ]

2.3 Le syndrome gaussien


Le signal alatoire gaussien est dduit de la variable alatoire gaussienne. Le signal alatoire gaussien est
trs important en traitement du signal en raison de sa facilit demploi, de loptimalit des mthodes du second
ordre pour les signaux gaussiens, et par son omniprsence lie au(x) thorme(s) central limite.
On rappelle que X(t, ) est connu, au sens de la description complte, si lon connat la distribution
conjointe
pX(t1 ),X(t2 ),...,X(tk ) (x1 , x2 , . . . , xk ) t1 , t2 , . . . , tk et k.
Le signal est un processus gaussien si tous les X(ti , ) sont des variables alatoires gaussiennes. Or on sait
quune variable alatoires gaussienne est entirement caractrise par ses deux premiers moments. La descrip-
tion un instant ncessitera donc de connatre mX (t) t, tandis que la description deux instants impose
de connatre CX (t1 , t2 ) t1 , t2 . dans le cas dun processus stationnaire, ceci se rduit la connaissance de la
moyenne mX et de la fonction dautocorrlation RX ( ).
En introduisant le vecteur X() de dimension k

X()t = [X(t1 , ), X(t2 , ), . . . , X(tk , )],

la distribution du vecteur gaussien X() est


- .
1 1
pX (x) =  exp (x mX )t R1 (x mX ) ,
(2) det R
k 2

mX = E {X()} = [mX (t1 ), mX (t2 ), . . . , mX (tk )]t ,


= mX [1, 1, . . . , 1]t dans le cas stationnaire,

et

E {Xc (t1 , )Xc (t1 , ) } E {Xc (t1 , )Xc (t2 , ) } . . . E {Xc (t1 , )Xc (tk , ) }

E {Xc (t2 , )Xc (t1 , ) } E {Xc (t2 , )Xc (t2 , ) } . . . E {Xc (t2 , )Xc (tk , ) }
R= E {X c ()X c ()} =
.. .. .. ,

. . .
E {Xc (tk , )Xc (t1 , ) } E {Xc (tk , )Xc (t2 , ) } . . . E {Xc (tk , )Xc (tk , ) }

Page 76 Chapitre IV. Signaux alatoires

o X c dsigne le signal centr : Xc = X mX . On obtient finalement



RX (0) RX (t2 t1 ) . . . RX (tk t1 )

RX (t1 t2 ) RX (0) . . . RX (tk t2 )
R=
.. .. ..

. . .
RX (t1 tk ) RX (t2 tk ) . . . RX (0)

dans le cas stationnaire. Le terme mX est la moyenne du vecteur gaussien X(), et R est la matrice de corrla-
tion. La distribution p(X()) nest autre que la distribution conjointe des k variables alatoires X(t1 , ), X(t2 , ), . . . , X(tk
Par consquent, si lon connat la moyenne mX (t) et la fonction de covariance CX (t1 , t2 ), ou la moyenne mX
et la fonction de corrlation RX ( ) du processus (dans le cas stationnaire), on est capable dcrire la distribu-
tion conjointe, et ceci quelque soient les ti et pour nimporte quelle dimension k. Ainsi, dans le cas gaussien,
la connaissance de la moyenne et de la fonction de covariance suffit caractriser entirement le processus.

Une autre dfinition du processus gaussien est

Dfinition 3 Le processus X(t, ) est un processus gaussien si, quelque soit la fonction g(t),

Z() = g(t)X(t, )dt

est une variable gaussienne.

On peut dduire de cette dfinition une proprit fondamentale des processus gaussiens : le caractre gaussien
se conserve par transformation linaire. En dautres termes, si lentre dun filtre linaire est gaussienne, alors
la sortie du filtre est galement gaussienne.
Supposons donc que Y (t, ) est la sortie dun filtre de rponse impulsionnelle h(t) et dentre X(t, ).
Cette sortie sexprime donc sous la forme du produit de convolution
 +
Y (t, ) = (X h)(t, ) = h(t )X(, )d.

partir de la sortie Y (t, ), on forme la variable alatoire Z selon



Z= g(t)Y (t, )dt.

En crivant Y (t, ) en fonction de X(t, ) et h(t), il vient alors


  +
Z= g(t)h(t )X(, )dtd,

et en intgrant par rapport t et en posant alors


 +
w( ) = g(t)h(t )dt,

il reste simplement 
Z= w( )X(, )d.

Si X(, ) est, par hypothse, un signal alatoire gaussien, alors Z est une variable gaussienne, par dfinition et
daprs la relation prcdente. Z ayant t introduit comme une transformation de Y (t, ), avec g quelconque,
on en dduit que Y (t, ) est un processus alatoire gaussien.
Ainsi, puisque le filtrage dun processus gaussien conserve le caractre gaussien, il nous restera examiner
comment se transforment la moyenne et la fonction de corrlation, ces deux quantits suffisant dcrire un
processus gaussien stationnaire. Nous examinerons ces points dans quelques paragraphes.
Limportance des signaux alatoires gaussiens, outre leur facilit dutilisation lie la manipulation de
seulement deux moments, provient galement de limportance quantitative des signaux gaussiens, lie au(x)
thormes(s) central limite. Il existe en effet un certain nombre de thormes qui indiquent quun mlange de
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 77

variables alatoires, tend, lorsque le nombre de variables dans le mlange augmente, vers une distribution gaus-
sienne. Ces thormes se distinguent par les hypothses faites sur les lois des variables, leurs liens statistiques
ou des hypothses sur les conditions de mlange. Une formulation simple est la suivante :
Thorme 2 Soit
1 N
YN = Xi ,
N i=1
o Xi sont des variables alatoires indpendantes et de mme loi. Alors, lorsque N +, la variable YN
tend vers une variable alatoire gaussienne de moyenne m et de variance 2 /N , si m et 2 sont les moyenne
et variance commune des variables Xi .
Ceci indique, que comme cest souvent le cas en pratique, lorsquun signal alatoire est compos par la super-
position dun grand nombre de  signaux lmentaires , alors le signal rsultant est bien approxim par une
distribution gaussienne. Rappelons quil existe dautres thormes limite qui prennent en compte des combinai-
sons linaires quelconques de variables, qui peuvent tre lis, et dont les distributions peuvent tre diffrentes.

2.4 Signaux alatoires temps discret


partir des signaux alatoires prcdemment dfinis  temps continu  , cest--dire que la variable dvo-
lution t prend ses valeurs dans IR, on dfinit des signaux alatoires  temps discret , ou la variable dvolution
n prend ses valeurs dans un ensemble discret, N, par exemple. Rappelons que sil est commode dappeler t et
n des variables temporelles, celles-ci ne sont pas ncessairement homognes un temps : t et n peuvent repr-
senter une distance, un volution dune intensit de stimulation ou autre.
On note X(n, ) un signal alatoire X, un ensemble de fonctions de la variable n, cet ensemble tant
index par la variable . On notera x(n) une ralisation du processus alatoire et on dsignera par xi (n) ou
X(n, i ) une ralisation particulire, obtenue pour = i . Lorsque n est fix, le processus alatoire se rduit
alors une simple variable alatoire. Le processus alatoire temps discret ne se rduit pas une collection de
variables alatoires indpendantes ; ces variables alatoires peuvent tre lies les unes aux autres, par le biais
dune fonction de la variable dvolution n.
Un signal alatoire temps discret peut tre construit directement temps discret, ou tre intrinsquement
de nature discrte, ou peut rsulter de lchantillonnage dun signal alatoire temps continu.
Les notions de description complte et partielles, les dfinitions des moments et covariance, les proprits
de stationnarit, dergodisme se transposent directement partir du cas continu, un trs faible amnagement
de notation prs. Nous poursuivrons donc la prsentation en donnant les rsultats pour ces deux classes de
signaux alatoires, et en donnant les argumentations et exemples en se plaant tantt dans un cas, tantt dans
lautre.

3 Proprits nergtiques des signaux alatoires stationnaires de puissance


moyenne finie
Les proprits nergtiques des signaux alatoires stationnaires sont dcrites laide des moments dordre
deux, cest--dire des fonctions dauto et dintercorrlation, dans le domaine temporel, et laide des densits
spectrales de puissance, dans le domaine de Fourier.

3.1 Analyse dans le domaine temporel


Les notions importantes sont ici les notions de fonctions de corrlation et leurs proprits.

3.1.1 Dfinitions et proprits


Dfinition 4 Si X(t, ) et Y (t, ) sont deux processus alatoires conjointement stationnaires, les fonctions
dintercorrlation et dautocorrlation sont dfinies par

 1
RXY ( ) = E {X(t, )Y (t , )} = lim X(t, )Y (t , )dt,
erg T + T [T ]

 1
RXX ( ) = E {X(t, )X (t , )} = lim X(t, )X (t , )dt,
erg T + T [T ]
Page 78 Chapitre IV. Signaux alatoires

et, temps discret, par

 1 N
RXY (k) = E {X(n, )Y (n k, )} = lim X(n, )Y (n k, ),
erg N + N
n=0
 1 N
RXX (k) = E {X(n, )X (n k, )} = lim X(n, )X (n k, ).
erg N + N
n=0

Notons que si on note Ech loprateur dchantillonnage et Corr loprateur de corrlation, alors on a

Corr[Ech[X(t, )]] = Ech[Corr[X(t, )]];

et cest bien heureux, car les corrlateurs analogiques ne courent pas les rues.

Les fonctions de corrlation jouissent dun certain nombre de proprits que nous rappelons ci-dessous.

1. (Symtrie hermitienne)

RY X ( ) = E {Y (t, )X (t , )} = E {Y (t + , )X (t, )} = E {X(t, )Y (t + , )} = RXY



( ).

On dit que lintercorrlation est symtrie hermitienne.

2. (Parit). En appliquant la proprit de symtrie hermitienne lautocorrlation, on obtient



RXX ( ) = RXX ( ).

3. (Centrage). Si mX est la moyenne de X(t, ), en dfinissant par Xc (t, ) = X(t, ) mX le signal


centr, on a
RXX ( ) = RXc Xc ( ) + m2X .

4. (Autocorrlation et puissance). Pour un retard nul, on a


  
1
RXX (0) = E |X(t, )|2 = lim |X(t, )|2 dt = PX .
erg T + T [T ]

La fonction dautocorrlation prise pour le retard nul, RXX (0), est simplement la puissance du signal.
On en dduit dailleurs que RXX (0) > 0.

5. (Maximum). partir de lingalit de Schwartz,

| < x, y > |2 < x, x >< y, y >,

et en utilisant < x1 , x2 >= E {X1 (t)X2 (t)} comme produit scalaire, on dduit que

(a) |RY X ( )|2 RXX (0)RY Y (0), ,


(b) |RXX ( )| RXX (0), ,

Exercice/
2 : Au sens 0
du produit scalaire dfini ci-dessus, dmontrez lingalit de Schwartz en dvelop-
pant E |X + Y | en un polynme en et en notant que ce polynme est toujours positif. partir de
2

cette ingalit, retrouvez les deux proprits de maximum.

6. La fonction dautocorrlation est dfinie non ngative :



i RXX (i j )j 0, i, j.
i j
/  0
Ceci stablit en dveloppant E | i i X(i )|
2 , qui est une quantit positive.
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 79

En reprenant cette dmarche, on peut tudier


-  .
E | X(t, ) exp (j2f t)dt|2 ,

expression qui ncessiterait quelques prcautions dcriture (la transforme de Fourier dun processus
alatoire stationnaire na pas de sens). En dveloppant tout de mme, on a
-  .
E X(t, ) exp (j2f t)dt X (t , ) exp (j2f t )dt
 
/ 0
= E X(t, )X(t , ) exp (j2f (t t ))dtdt
 
= RXX (t t ) exp (j2f (t t ))dtdt ,

soit, en posant t t = ,


SXX (f ) = RXX ( ) exp (j2f )d 0.

On en dduit donc que la transforme de Fourier de la fonction dautocorrlation est toujours posi-
tive. On dit aussi que le caractre dfini non ngatif se conserve par transforme de Fourier. Ce rsultat
constitue le thorme de Bochner.

7. (Mmoire). On a vu que |RXX ( )| RXX (0). On appelle

 RXX ( ) E {X(t, )X (t , )}
c ( ) = =$
RXX (0) E {|X(t, )|2 } E {|X (t , )|2 }

le coefficient de corrlation, dont on vrifie aisment quil est compris entre -1 et 1. Il sagit en fait de
la fonction dautocorrlation normalise par rapport son maximum. Lorsquau bout dun temps tc le
coefficient de corrlation devient nul, le processus est dit mmoire finie.

3.1.2 Notion de bruit blanc

Un bruit blanc est un modle de signal alatoire  limite  que lon rencontrera trs souvent. Le bruit blanc
est un bruit corrlation microscopique, cest--dire quentre deux instants, si proches soient-ils, c ( ) = 0.
On pose, par dfinition,
 N0
RXX ( ) = ( ),
2
o ( ) est la distribution de Dirac. On peut noter ds prsent que la transforme de Fourier de cette fonction
dautocorrlation, que lon a dj note SXX (f ), est une constante, damplitude N0 /2.

N0
SXX (f ) = T F [RXX ( )] = .
2

Par ailleurs, en se souvenant que RXX (0) reprsente la puissance moyenne du signal, on constate que le bruit
blanc possde une puissance moyenne infinie. . . Il sagit donc dun modle dlicat manipuler.
On peut distinguer plusieurs types de bruit blanc : si toutes les variables alatoires que lon peut extraire
du signal sont indpendantes, le bruit est blanc, puisque lindpendance entrane la dcorrlation. Par contre,
toutes les variables peuvent tre dcorrles sans tre ncessairement indpendantes. On parlera alors de bruit
blanc au sens fort (ou au sens strict), dans le premier cas et de bruit blanc lordre deux dans le second. Notons
quil existe un certain nombre de situations intermdiaires.

Exercice 3 : Montrez quun bruit blanc est ncessairement de valeur moyenne nulle.
Page 80 Chapitre IV. Signaux alatoires

Exercice 4 : On considre un signal alatoire U (t, ) nexistant que sur lintervalle de temps [0, T ] ; et
on sintresse au signal priodique

X(t, ) = RepT [U (t, )] = U (t kT, ).
k

1. Montrez que RU U ( ) = 0 pour


/ [T, T ].

2. Montrez que RXX ( ) est une fonction priodique de priode T et exprimez RXX ( ) en fonction
de RU U ( ).

Exercice 5 : On considre le signal alatoire temps discret X(n, ), dautocorrlation RXX (k), et on
dfinit
Z(n, ) = X(n, ) + aX(n n0 , ).
Calculez la fonction dautocorrlation de Z(n, ).

3.2 Transformation des fonctions alatoires par filtrage


On tudie ici comment sont transforms les signaux alatoires, ou plus exactement leurs caractristiques,
lors dun filtrage linaire. On sintressera dabord la reprsentation temporelle, transformation de la moyenne
et des fonctions de corrlation, et tablirons la formule des interfrences et ses consquences, puis nous exami-
nerons la transformation des caractristiques du signal dans le domaine frquentiel.

3.2.1 Rappel
On rappelle quun filtre est un systme linaire invariant dans le temps (stationnaire), que lon peut dcrire
par une quation diffrentielle coefficients constants ou par une intgrale de convolution. temps continu, si
X(t, ) est lentre du filtre de rponse impulsionnelle h(t), on a
 
Y (t, ) = (X h)(t, ) = X(u, )h(t u)du = h(u)X(t u, )du.

temps discret, si X(n, ) est lentre du filtre de rponse impulsionnelle h(n), on a


 
Y (n, ) = (X h)(n, ) = X(m, )h(n m) = h(m)X(n m, ).
m m

3.2.2 Transformation de la moyenne


On note mY la moyenne de la sortie du filtre, et on effectue le calcul temps discret.
 1
  
mY = E {Y (n, )} = E h(m)X(n m, ) = h(m)E {X(n m, )} = mX h(m).
m m m

La moyenne de la sortie est donc simplement la moyenne du signal dentre affecte du facteur m h(m). Or
si lon considre la transforme de Fourier H(f ) de h(m),

H(f ) = h(m) exp {j2f m}
m

(transforme de Fourier frquence continue), on note que pour la frquence nulle, on retrouve

H(0) = h(m).
m
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 81

Ainsi, la moyenne en sortie scrit



mY = mX H(0) = mX h(m).
m

La moyenne de la sortie du filtre est la moyenne de lentre, multiplie par le gain complexe (la fonction de
transfert) pour la frquence nulle.

Exercice 6 : Montrez que pour un signal alatoire temps continu, on a les formules analogues :

mY = mX H(0) = mX h(u)du.

3.2.3 Thorme, ou formule des interfrences

La trs importante formule des interfrences permet de relier lintercorrlation entre les sorties de deux
filtres, aux intercorrlations des entres de ces filtres. La figureIV.1 dcrit le dispositif exprimental.

Y1 (n, ) = (X1 h1 )(n, ),
Y2 (n, ) = (X2 h2 )(n, ),

X1 (n)
- h1 (n)
Y1 (n)
-

X2 (n)
- h2 (n)
Y2 (n)
-

F IG . IV.1 - Dispositif pour la formule des interfrences

Calculons lintercorrlation entre Y1 (n) et Y2 (n) :

RY1 Y2 (m) = E {Y1 (n, )Y2 (n m, ))} = E {(X1 h1 )(n, ))(X2 h2 )(n m, ))} .

Les deux produits de convolution scrivent


 
(X1 h1 )(n, )) = X1 (u, )h1 (n u) = h1 (u, )X1 (n u, ),

u 
u
(X2 h2 )(n m, )) = X2 (v, ))h2 (n m v) = h2 (v)X2 (n m v, ),
v v

et
 
RY1 Y2 (m) = E{ X1 (n u, )h1 (u) X2 (n m v, )h2 (v)}
u v

= E{ X1 (n u, )h1 (u)X2 (n m v, )h2 (v)}
u v

= h1 (u)RX1 X2 (m + v u)h2 (v).
u v
Page 82 Chapitre IV. Signaux alatoires

En effectuant la somme sur u, on voit apparatre un produit de convolution entre h1 et RX1 X2 , exprim en
(m + v) :

RY1 Y2 (m) = (h1 RX1 X2 )(m + v)h2 (v)
v
 ()
= (h1 RX1 X2 )(m + v)h2 (v),
v

()
o lon a pos h2 (v) = h2 (v). Dans cette relation apparat nouveau un produit de convolution, cette
()
fois-ci entre (h1 RX1 X2 ) et h2 :
 ()
RY1 Y2 (m) = (h1 RX1 X2 )(m + v)h2 (v)
v
 ()
= (h1 RX1 X2 )(m v  )h2 (v  )
v
!
()
= h1 RX1 X2 h2 (m).

On en dduit donc la formule des interfrences :


!
()
RY1 Y2 (m) = h1 RX1 X2 h2 (m) .

Exercice 7 : tablir la mme relation en continu.


Consquences

1. Considrons non plus deux filtres, mais un filtre unique (voir figure IV.2). On peut appliquer la formule
des interfrences, en prenant 
X1 = X2 = X,
h1 = h2 = h.

X(n, ) Y (n, )
- h(n) -

F IG . IV.2 - Filtre unique

Les deux sorties sont videmment gales, Y1 = Y2 = Y , et lon obtient


!
RY Y (m) = h RXX h() (m) .

2. On cherche maintenant tablir lexpression de lintercorrlation sortie-entre dun filtre RY X (m). Pour
cela, on peut appliquer la formule des interfrences avec un premier filtre dentre X(n, ), de rponse
impulsionnelle h(n) et de sortie Y (n, ), et un second filtre unitaire, cest--dire dentre X(n, ) de
rponse impulsionnelle (n) et donc de sortie X(n, ). On considre ainsi :


X1 = X2 = X,

Y = Y,
1

Y 2 = X, h1 = h,


h2 = .
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 83

Dans ce cas, lapplication de la formule des interfrences fournit :

RY X (m) = (h RXX ) (m) .

Lintercorrlation sortie-entre sexprime donc comme un filtrage de lautocorrlation de lentre, ce


filtrage tant analogue celui-qui lie la sortie et lentre du filtre.

Application : identification de rponse impulsionnelle

La manire classique didentifier une rponse impulsionnelle consiste recueillir la sortie du filtre une
impulsion de Dirac. . . Ceci ncessite donc dtre capable de gnrer une impulsion de Dirac ; or il nest vi-
demment pas possible de gnrer une telle impulsion, qui devrait tre de largeur nulle et damplitude infinie.
Par ailleurs, si la sortie du filtre est bruite, la rponse impulsionnelle ainsi identifie sera inexploitable.

n
X(t, ) Y (t, ) Z(t, )
- h(t) -+ -
6

B(t, )

F IG . IV.3 - Mesure de la rponse impulsionnelle dun filtre bruit

Si lon prend pour X(t, ) un bruit blanc, il est possible didentifier la rponse impulsionnelle : en effet, si
X(t, ) est blanc, RXX (, ) = N0 /2( ), et

N0 N0
RY X ( ) = h ( ) = h( ).
2 2
Lorsque la sortie est bruite, par exemple par un bruit B(t, ) tel que

Z(t, ) = Y (t, ) + B(t, ),

o lon supposera B(t, ) non corrl lentre X(t, ) (ces deux quantits nont pas de raison particulire
dtre corrles entre elles, dautant plus quon est matre de lentre), on peut appliquer la mme dmarche :
RZX ( ) = E {Z(t, )X (t , )} = E {(Y
! (t, ) + B(t, ))X (t , )}
= RY X ( ) + RBX ( ) = h N20 ( ) = N20 h( );

puisque RBX ( ) = 0 (non corrlation). Les rsultats restent donc inchangs en dpit de la prsence dun bruit
additif non corrl lentre. La mthode didentification de rponse impulsionnelle par intercorrlation sortie-
entre est insensible un bruit dobservation. Par ailleurs, elle ne ncessite pas lapplication dune impulsion
de Dirac impossible raliser. Il restera cependant gnrer un bruit blanc, ce qui peut tre aussi difficile (i.e.
impossible) que la gnration dune impulsion de Dirac. Il est possible de se contenter dun bruit blanc dans
la bande du filtre (nous donnerons plus loin la signification de cette expression), o on peut travailler temps
discret, o, comme nous le verrons galement, il est possible de gnrer un bruit blanc discret.

Exercice 8 : Considrez le problme de lidentification dun filtre dans lequel la sortie et lentre sont
perturbes par un bruit additif : si on applique X(t, ) au filtre, lentre relle est X1 (t, ) = X(t, ) +
B1 (t, ) , et la sortie observe est Z(t, ) = Y (t, ) + B2 (t, ), o Y (t, ) est la sortie lie X1 (t, )
et B2 (t, ) est un bruit dobservation. Vous supposerez que X(t, ) est blanc, que X(t, ), B1 (t, ) et
B2 (t, ) sont non corrls. Dans ces conditions, montrez que lidentification de la rponse impulsionnelle
par intercorrlation est possible.
Page 84 Chapitre IV. Signaux alatoires

3.3 Analyse dans le domaine frquentiel


En repartant de la formule des interfrences
!
()
RY1 Y2 (m) = h1 RX1 X2 h2 (m),

on obtient simplement, aprs transforme de Fourier,

SY1 Y2 (f ) = H1 (f )SX1 X2 (f )H2 (f ) ,

o SY1 Y2 (f ), SX1 X2 (f ), H1 (f ) et H2 (f ) sont respectivement les transformes de Fourier de RY1 Y2 (m), RX1 X2 (m),
h1 (m) et h2 (m). 2

Consquences :

1. En prenant Y1 = Y2 = Y , X1 = X2 = X et H1 = H2 = H, cest--dire que lon considre un seul


filtre, il vient
SY Y (f ) = SXX (f )|H(f )|2 .

2. Si H1 (f ) et H2 (f ) sont deux filtres disjoints en frquence, alors

SY1 Y2 (f ) = 0.

On en dduit que
RY1 Y2 ( ) = TF[SY1 Y2 (f )]1 = TF[0]1 = 0.
si les filtres sont disjoints en frquence, lintercorrlation des sorties est nulle.

Application Considrons deux filtres parfaits autour de deux frquences pures f1 et f2 , de mme entre
X(t, ). On a Y1 (t, ) = X(f1 , ) exp (j2f1 t), et Y2 (t, ) = X(f2 , ) exp (j2f2 t) 3 . Dans ces
conditions,
RY1 Y2 (0) = E {X(f1 , )X (f2 , )} exp (j2(f1 f2 )t) = 0,
soit
E {X(f1 , )X (f2 , )} = 0.
On dit que les composantes spectrales sont dcorrles.

Notion de densit spectrale de Puissance


La densit spectrale de puissance reprsente la rpartition de la puissance du signal dans le domaine frquen-
tiel. Il sagit exactement de la mme notion que celle de densit de probabilit : lorsque lon veut calculer
probabilit quune variable alatoire X appartienne un certain intervalle [x1 , x2 ], il suffit dintgrer la densit
de probabilit de la variable entre ces deux bornes :
 x2
Pr(X [x1 , x2 ]) = pX (x)dx.
x1

Si on appelle DXX (f ) la densit spectrale de puissance dun signal alatoire X(t, ), alors la puissance du
signal porte par les composantes frquentielles comprises entre f1 et f2 scrit
 f2
PXX (f [f1 , f2 ]) = DXX (f )df.
f1

Ds lors, la puissance totale du signal scrit


 +
PXX = DXX (f )df.

2. La transforme de F OURIER de h (t) vaut H (f ).


3. Cette criture nest pas rigoureuse, car la transforme de Fourier nest pas dfinie pour des signaux alatoires stationnaires. Il
faudrait ici utiliser la reprsentation de C RAMR voir 3.4.
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 85

Or on sait que, pour un signal stationnaire et ergodique,


   +T
1
PXX = E |X(t, )|2 = RXX (0) = lim |X(t, )|2 dt.
T + 2T T

Par ailleurs, 
RXX ( ) = SXX (f ) exp (j2f ) df,

soit, pour = 0, 
RXX (0) = PXX = SXX (f ) df.

La transforme de Fourier SXX (f ) de la fonction dautocorrlation est ainsi une bonne candidate pour tre la
densit spectrale de puissance. Notons cependant, cette dernire relation ne prouve pas quelle le soit.
Considrons un filtre parfait, dont le module de la fonction de transfert est damplitude un dans une bande
f centre sur une frquence f0 , et nul ailleurs :

f f
|H(h)| = 1 pour f [f0 2 , f0 + 2 ]
|H(h)| = 0 ailleurs.

Notons Y (t, ) = (hX)(t, ) la rponse de ce filtre une entre X(t, ). La puissance de la sortie est donne
par 
PY Y = RY Y (0) = SY Y (f ) df,

or la formule des interfrences fournit

SY Y (f ) = SXX (f )|H(f )|2 ,

avec les conditions sur le module de H(f ) donnes prcdemment. On obtient donc
 f0 + f
f f 2
PY Y (f [f0 , f0 + ]) = SXX (f ) df,
2 2 f0 f
2

ce qui correspond bien la dfinition de la densit spectrale de puissance : la puissance pour les composantes
spectrales comprises dans un intervalle est bien gale lintgrale de la densit spectrale de puissance sur
cet intervalle. Si f est suffisamment faible, on pourra considrer la densit spectrale de puissance SXX (f )
comme approximativement constante sur lintervalle, et

f f
PY Y (f [f0 , f0 + ])  SXX (f0 )f.
2 2
Cette dernire relation indique que la densit spectrale de puissance doit sexprimer en Watts par Hertz. Par
ailleurs, lorsque f tend vers 0, la puissance recueillie est de plus en plus faible. Pour f = 0, la puissance
obtenue est ainsi normalement nulle, sauf si la densit spectrale elle-mme est constitue par une  masse  de
Dirac (de largeur nulle mais damplitude infinie) la frquence considre.
Notons que le filtre que nous avons dfini ci-dessus nest dfini, par commodit de prsentation, que pour
les frquences positives. Sa fonction de transfert ne vrifie donc pas la proprit de symtrie hermitienne des
signaux rels : la rponse impulsionnelle associe est donc complexe et la sortie Y (t, ) galement complexe.
En restaurant cette symtrie, cest--dire en imposant H(f ) = H (f ), ce qui entrane (notez le module de f )

|H(f )| = 1 pour |f | [f0 f
2 , f0 + f
2 ]
|H(f )| = 0 ailleurs,

la puissance en sortie est


 f0 + f  f0 + f
2 2
PY Y = SXX (f ) df + SXX (f ) df.
f0 f
2
f0 f
2
Page 86 Chapitre IV. Signaux alatoires

La densit spectrale de puissance dun signal alatoire rel est une fonction paire, ce qui conduit enfin
 f0 + f
2
PY Y = 2 SXX (f ) df,
f0 f
2

relation qui indique que la puissance se partage quitablement dans les frquences positives et ngatives.

Exemple :

Considrons le cas dune sinusode amplitude et phase alatoire

X(t, ) = A() sin(2f0 t + ()),

o A() est une variable alatoire centre de variance 2 et () uniformment rpartie sur [0, 2], indpen-
dante de A(). La fonction dautocorrlation de ce signal vaut

2
RXX ( ) = cos(2f0 ).
2
Par transforme de Fourier, on obtient la densit spectrale :

2
SXX (f ) = [(f + f0 ) + (f f0 )].
4
Enfin, en intgrant la densit spectrale

2 2
[(f + f0 ) + (f f0 )]df = ,
4 2

on retrouve la puissance de la sinusode, 2 /2, comme il se doit.

Les fonctions de corrlation et les densits spectrales de puissance forment des paires de transformes de
Fourier :

SXX (f ) RXX ( ),

SXY (f ) RXY ( ),

o SXX (f ), SXY (f ) sont les densits spectrale de puissance et de puissance dinteraction, respectivement. Ces
relations constituent le thorme de Wiener-Kintchine-Einstein.

3.4 La reprsentation de Cramr


Un processus alatoire stationnaire X(t, ) nadmet pas de transforme de Fourier. En effet, si le processus
 +
est stationnaire, il est dfini sur tout IR, et |X(t, )|dt ne converge pas. Il est ainsi impossible de dfinir
la transforme de Fourier dun processus stationnaire au sens habituel. Il est cependant possible dassocier aux
signaux alatoires stationnaires au sens large une reprsentation spectrale : cest la reprsentation de Cramr.
Cette reprsentation fait intervenir la thorie de la mesure. On peut reprsenter un processus alatoire selon la
transforme de Fourier inverse
 +
X(t, ) = exp (j2f t) dZ(f, ).

La quantit dZ(f, ) est appele incrment spectral. On notera quil sagit dun signal alatoire dpendant de
la variable f . Lorsque le processus est stationnaire au sens large, lincrment spectral possde les proprits
suivantes :

1. lincrment est moyenne nulle


E {dZ(f, )} = 0,
3. Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie Page 87

2. les incrments des frquences diffrentes sont dcorrls

E {dZ(f1 , )dZ(f2 , ) } = 0 si f1 = f2 ,

3. la densit spectrale de puissance est lie la valeur moyenne du module carr de lincrment spectral
 
E |dZ(f, )|2 = SXX (f )df.

Lincrment spectral dZ(f, ) est ainsi un processus de moyenne nulle et dcorrl. On peut le considrer
comme un bruit blanc ( lordre 2) dans le domaine frquentiel (pas de corrlation, sauf pour le retard nul). La
seconde proprit constitue la formulation rigoureuse indiquant la proprit de dcorrlation des composantes
spectrales. / 0
On retrouve le lien entre puissance et densit spectrale de puissance en calculant E |X(t, |2 en terme
des incrments spectraux :
  - +  + .

E |X(t, | 2
= E exp (j2f1 t) dZ(f1 , ) exp (j2f2 t) dZ(f2 , )
 +
 +

= exp (j2(f1 f2 )t) E {dZ(f1 , )dZ(f2 , ) }.


En tenant compte de la proprit de dcorrlation, lintgrande nest non nul que pour f = f1 = f2 , et
   +    +
E |X(t, | 2
= E |dZ(f, )| 2
= SXX (f )df.

3.5 Bruit blanc temps discret


Nous avons dj not limpossibilit de disposer dun bruit blanc thorique temps continu, puisquun
tel signal devrait tre corrlation microscopique, prsenter une densit spectrale de puissance constante pour
toutes les frquences, et par suite une puissance infinie. Notons aussi que ce signal serait aussi variance
infinie. . . Il sagit donc dun modle mathmatique commode mais irraliste.
Il est par contre possible de gnrer sans difficult un bruit blanc temps discret. Pour illustrer ceci (ce nest
pas une mthode de construction), considrons un signal alatoire dont la bande est constante sur la zone de
frquence [B/2, B/2] et nulle ailleurs. Ce sera par exemple un signal de bande suffisamment large que lon
aura limit entre B/2 et B/2. Notons N0 lamplitude de la densit spectrale de puissance. Ce signal a pour
fonction de corrlation la transforme de Fourier inverse de la densit spectrale de puissance que nous venons
de dfinir, soit
N0 sin(B )
RXX ( ) = TF1 [ rectB (f )] = N0 B .
2 B
Le signal X(t, ) tant bande limite par construction, il est possible de lchantillonner, ce que lon effectue
la frquence de Shannon, cest--dire avec Fe = B. Dans ces conditions, la fonction de corrlation du signal
aprs chantillonnage X(n, ), est la fonction de corrlation du signal temps continu, chantillonne au
rythme F e :
sin(k)
RXX (kTe ) = N0 B .
k
Il est ais de voir que cette fonction de corrlation nest non nulle que pour k = 0, et que lon a

RXX (0) = N0 B.

On notera aussi
RXX (k) = N0 B(k),
o (k) reprsente cette fois-ci le symbole de Kronecker, le  Dirac temps discret , qui vaut un lorsque
son argument est nul, et est nul sinon. Le signal que nous venons de dfinir possde donc des chantillons
dcorrls, prsente une variance finie N0 B. Du point de vue spectral, lchantillonnage a priodis le spectre
initial tous les F e = B. Le spectre de dpart tant constant dans la bande [B/2, B/2], cette priodisation,
la limite du recouvrement, conduit un spectre constant pour toutes les frquences. Ce signal prsente ainsi
toutes les caractristiques du bruit blanc.
Page 88 Chapitre IV. Signaux alatoires

4 Un exemple dapplication : le filtrage adapt


4.1 Contexte
En sonar ou en radar, on cherche localiser une  cible  (vocabulaire consacr) cette cible peut tre le
sol, un btiment, une interface (en sismique rflexion) ou un avion ennemi (pour les guerriers). Pour cela, on
procde de la faon suivante : on met un signal s(t), qui parcourt la distance d jusqu la cible, sur laquelle
il est rflchi en direction dun rcepteur. Le rcepteur est souvent coupl lmetteur, et reoit alors le signal
attnu, retard et bruit
Y (t, ) = as(t t0 ) + B(t, ).
Lattnuation a est suppose connue ; le bruit additif est en gnral suppos gaussien, pas ncessairement blanc,
et il sagit de dterminer le retard t0 , correspondant au temps daller-retour, t0 = 2d/c.

4.2 Maximisation du rapport signal--bruit


Considrons simplement pour le moment le modle

Y (t, ) = x(t) + B(t, ).

Lapproche habituelle consiste rechercher minimiser leffet du bruit dobservation. On cherche alors
construire un filtre h(t) tel que le rapport signal--bruit en sortie soit maximal, un instant T , appel instant de
dcision. Cet instant T devra tre dfini pour que lobservation ait t effectue et que le filtre ait agi.
Notons Z(t, ) la sortie du filtre de rponse impulsionnelle h(t). On a alors

Z(t, ) = (h Y )(t, ) = (h x)(t) + (h B)(t, ).

On crit ainsi la sortie comme la somme de la sortie non-bruite et de la contribution du bruit. Le rapport
signal--bruit vaut ainsi
|(h x)(t)|2
(t) = ,
E {|(h B)(t, )|2 ]}
o le numrateur reprsente la puissance instantane de la sortie non bruite et le dnominateur la puissance
lie au bruit. On value ce rapport signal--bruit linstant de dcision T .

|(h x)(T )|2


(T ) = .
E {|(h B)(T, )|2 ]}
En dveloppant les produits de convolution, on obtient
 +
| h(u)x(T u)du|2
(T ) =   .
+
E | h(u)B(T u, )du|2 ]

En ce qui concerne tout dabord le dnominateur, il sagit l de la puissance dun signal alatoire la sortie
dun filtre, et lon a donc
   +  +
E |(h B)(t, )| ] =
2
SB  B  (f )df = 2
|H(f )|2 df,

o 2 est la puissance du bruit dentre.


Lingalit de Schwartz permet de majorer le numrateur :
 +  +  +
| h(u)x(T u)du|2 |h(u)|2 du |x (T u)|2 du,

avec galit lorsque les vecteurs h(u) et x (T u) sont colinaires. Lgalit de Parseval-Plancherel, qui
exprime la conservation du produit scalaire entrane que
 +  +
|h(u)|2 du = |H(f )|2 df.

4. Un exemple dapplication : le filtrage adapt Page 89

On en dduit donc que le rapport signal--bruit est major selon


 +
|x (T u)|2 du Ex
(T ) 2
= 2,

o Ex est lnergie du signal x(t). Lgalit est atteinte lorsque h(u) et x (T u) sont colinaires, cest--dire

h(u) = kx (T u) ,

o k est une constante arbitraire. Le filtre optimal maximisant le rapport signal--bruit en sortie, linstant T ,
est ainsi le filtre dont la rponse impulsionnelle la copie retourne et dcale dans le temps du signal que lon
cherche retrouver. En ce sens, le filtre est adapt au signal.
La relation de filtrage de Y (t, ) avec une copie retourne quivaut en fait effectuer une intercorrlation
(au sens dterministe). En effet,
 +  +
z(t) = h(u)y(t u)du = x (T u)y(t u)du
 
+ +

= x (T + v)y(t + v)dv = x (T t + v)y(v)dv,

soit
z(t) = Ryx (T t).
Le rcepteur optimal consiste donc calculer lintercorrlation entre le signal reu y(t) et le signal attendu
x(t). On parle alors souvent de rcepteur corrlation.

Application en Sonar-Radar

Dans le dveloppement prcdent, on a suppos connatre x(t). Or, dans le contexte sonar-radar, le signal
dtecter est as(t t0 ), o a et t0 sont inconnus. On utilisera alors comme filtre adapt le filtre adapt s(t),
soit
h(t) = ks (T t).
Dans ce cas, la sortie du filtre est, en terme dintercorrlation, Rys (T t). En reprenant avec

y(t) = as(t t0 ) + b(t),

on obtient
z(t) = Rys (T t) = aRss (T + t0 t) + Rbs (T t).
Leffet du filtrage est alors de minimiser le terme de bruit Rbs (T t). Par ailleurs, on sait que lautocorrlation
est maximale en 0. Dans notre cas de figure, la sortie z(t) sera maximale pour t = T + t0 . partir de ce
maximum, on peut alors dduire la valeur du retard t0 et la valeur du facteur dchelle a. Le choix du signal
s est important : on cherchera ce quil prsente un pic dautocorrlation Rss trs prononc, afin de localiser
facilement le maximum et permettre ventuellement la dtection simultane de plusieurs chos.

4.3 Approche probabiliste


Il nest pas forcment ncessaire de rechercher une maximisation du rapport signal--bruit pour faire appa-
ratre le filtre adapt. On peut poser le problme en termes probabilistes et rechercher la distribution a posteriori
du retard t0 compte tenu des observations.
Les donnes du problme sont alors lquation dobservation

y(n) = as(n n0 ) + b(n). (IV.3)

et le signal mis s(n).


On rappelle la rgle de BAYES qui lie la probabilit a priori p(x), la vraisemblance p(y|x) et la distribution
a posteriori p(x|y) :
p(x|y) p(y|x)p(x). (IV.4)
Page 90 Chapitre IV. Signaux alatoires

Dans ce problme de rception, on sintresse dterminer le retard r partir des observations y(n) et de
la connaissance du signal mis s(n). On cherchera donc tablir lexpression de la distribution a posteriori
p(r|y(n)).
On suppose que le bruit additif est gaussien, centr, de variance 2 . La probabilit dobserver y si le retard
est connu (cest--dire alors que s(n r) est connu), est alors donne par
 
1 (y(n) s(n r)t (y(n) s(n r)
p(y|r) = exp . (IV.5)
2 2 2 2

En prenant pour r une distribution uniforme entre 1 et N , la distribution a posteriori est simplement
 
(y(n) s(n r)t (y(n) s(n r)
p(r|y) exp , (IV.6)
2 2

avec y(n) = [y(n), y(n 1), . . . , y(n N + 1)]t .


Il ne reste plus qu dvelopper largument de lexponentielle pour obtenir le rsultat que nous souhaitons
tablir :

(y(n) s(n r)t (y(n) s(n r) = y t (n)y(n) 2y t (n)s(n r) + st (n r)s(n r) ; (IV.7)

Les termes yt (n)y(n) et st (n r)s(n r) reprsentent lnergie du signal reu et du signal mis, et ne
dpendent par du retard r (sous rserve quon ait une dure dobservation N suffisante pour avoir un motif
complet de s dans les deux vecteurs y(n) et s(n r)). Dveloppons le troisime terme :


N 1
y (n)s(n r) =
t
y(n i)s(n i r). (IV.8)
i=0

On reconnat dans cette dernire relation lexpression de lintercorrlation entre y et s, pour le retard r.
La distribution a posteriori du retard sexprime donc comme

Rys (r)
p(r|y) exp . (IV.9)
2

La distribution du retard, compte tenu des observations, est donc lexponentielle de lintercorrlation, pondre
par linverse de la variance du bruit additif gaussien. Pour tracer cette distribution a posteriori, il faudra donc
calculer cette intercorrlation pour tous les retards possibles, puis en prendre lexponentielle.

On peut aller un peu plus loin. En effet, dans une exprience de sonar, on rpte lmission avec une
priode T = M Te , o M est le nombre de points obtenus sur la dure T avec un chantillonnage la priode
Te . En collectant les donnes sous la forme de K vecteurs de M points, on peut penser intuitivement que lon
amliorera le rsultat de lestimation en moyennant les intercorrlations calcules sur les diffrentes tranches.
Ceci se formule ainsi :
p(y 1 , y 2 , . . . , y K |r) = p(y 1 |r)p(y 2 |r) . . . p(y K |r), (IV.10)
en supposant que les  bruits  sont indpendants de tranche tranche. On en dduit alors que

p(r|y 1 , y 2 , . . . , y K ) p(y 1 |r)p(y 2 |r) . . . p(y K |r)p(r) (IV.11)

Compte tenu de la forme exponentielle de p(yi |r), on obtient finalement


K 
 Ry s (r)
p(r|y1 , y 2 , . . . , y K ) exp i
, (IV.12)
i=1
2

relation qui indique bien que lon a intrt moyenner, ou plus exactement sommer les intercorrlations calcu-
les sur les diffrentes tranches. Le processus est constructif, et la distribution a posteriori devient alors de plus
en plus pique.
4. Un exemple dapplication : le filtrage adapt Page 91

4.4 Notes sur le choix du signal test, signaux pseudo-alatoires


Il nest pas possible, laide dun ordinateur, de gnrer une suite alatoire. Mme avec la monte en puis-
sance des processeurs, etc, un ordinateur nen reste pas moins foncirement dterministe, et heureusement. . . Il
est cependant possible de gnrer des suites pseudo-alatoires, qui prsentent en pratique, du point de vue de
lutilisateur, les caractristiques dun signal alatoire.
Un tel gnrateur peut tre ralis en utilisant un registre dcalage boucl sur lui mme. ce gnrateur
fournit alors des suites pseudo-alatoires de 0 et de 1. On dfinit les bouclages du registre de manire ce que
la suite obtenue soit de longueur maximale. Pour un registre de n bits, on obtient ainsi une suite de longueur
2n 1.
Les bouclages optimaux sont donns par des polynmes particuliers. Le polynme P (x) = x4 + x + 1
est lun de ceux-ci. Les suites obtenues sont priodiques, et permettent de parcourir tous les tats possibles du
registre. La valeur initiale du registre dcalage est la  graine  . Les coefficients des premiers polynmes sont
donns ci-dessous :
(1,0)
(2,1,0)
(3,1,0)
(4,1,0)
(5,2,0)
(6,1,0)
(7,1,0)
(8,4,3,2,0)
(9,4,0)
(10,3,0)
(11,2,0)
(12,6,4,1,0)
(13,4,3,1,0)
...
2
On montre que la corrlation calcule sur une priode complte vaut Rxx (0) = AN , et Rxx (k) = NN+1 2
2 A .
Page 92 Chapitre IV. Signaux alatoires

EXERCICES ET PROBLMES

Exercice 1 :
On considre le processus alatoire x(t) dfini par x(t) = B()+A() cos (2f0 t + ()) o A(), B(),
et () sont des variables alatoires
/ 20
indpendantes, () est /une 0variable uniformment distribue entre 0 et
2, et on note E {A} = mA , E A = e2A , E {B} = mB , E B 2 = e2B . Calculez la moyenne et la fonction
dautocorrlation de x(t). Le signal x(t) est-il faiblement stationnaire lordre 2?

Exercice 2 :
Soit x(n) un signal alatoire temps discret faiblement stationnaire du second ordre. On dfinit

y(n) = x(n) cos (2f0 n + ()) ,


z(n) = x(n) cos (2(f0 + )n + ())

o () est une variable uniformment distribue entre 0 et 2, indpendante de x(n). On note mX et RXX (k)
la moyenne et la fonction dautocorrlation de x(n).
Montrez que y(n) et z(n) sont faiblement stationnaires dordre deux, et que y(n) + z(n) nest par contre
pas stationnaire dordre 2.

Exercice 3 :
On cherche prdire lvolution dun signal stationnaire discret x(n) partir de ses valeurs prcdentes
x(n 1), en formant lestimation x(n) = ax(n 1). / 0
Dterminez la valeur optimale de a qui minimise lerreur quadratique moyenne E |x(n) x(n)|2 ?.
De la mme manire, on pourra chercher prdire x(n) partir de p valeurs prcdentes selon x(n) =
p
i=1 ai x(n i).

Exercice 4 : Soit un filtre RC passif passe-bas du premier ordre, avec R la rsistance et C la capacit. Lentre
du filtre est un signal alatoire blanc, centr, de densit spectrale de puissance N o/2. Calculez la moyenne,
la densit spectrale de puissance, et la puissance du signal de sortie y(t). Donnez galement la bande de bruit
quivalente.

On utilisera le fait que la primitive de 1/(a2 + x2 ) est a1 arctg(x/a).

Exercice 5 :
Soit un processus alatoire discret x(n) blanc et centr, de variance 2 . On dfinit deux nouveaux signaux
alatoires y(n) et z(n) par les relations

y(n) = x(n) + bx(n 1),


z(n) = x(n) + az(n 1),

avec a < 1. Calculez les moments dordre 1 et 2 de y(n) et z(n). On pourra admettre que E {x(n)z(n k)} =
0 pour k > 0.
4. Un exemple dapplication : le filtrage adapt Page 93

Exercice 6 : Soit un filtre passe-bas idal de fonction de transfert H(f ), H(f ) = 1 pour |f | B/4 et 0
ailleurs. Lentre du filtre est un processus alatoire gaussien x(t) de moyenne mX et de densit spectrale de
puissance SXX (f ), avec SXX (f ) = 1 pour |f | B/2 et 0 ailleurs. Calculez la variance de x(t), la moyenne,
la variance et la fonction dautocorrlation de la sortie du filtre y(t). Donnez la loi de y(t).

Problme I : Soit le signal, dfini pour n [0, N 1]

x(n) = A cos(2mo n/N + ),

o
A est une variable alatoire gaussienne, centre, de variance 2 ,

est une variable alatoire distribue uniformment sur [0, 2]

A et sont indpendantes.
1) Montrez que  
TFD ej2mo n/N = (m mo ),
o (u) = 1 si u = 0, et 0 sinon.
2) Calculez la moyenne de x(n).
3) Calculez la fonction dautocorrlation RXX (k) de x(n).
4) Calculez la transforme de Fourier discrte X(m) de x(n).
5) Le signal X(m) est-il certain ou alatoire? Calculez la moyenne de X(m).
6) Donnez |X(m)|2 .
7) Calculez la moyenne de |X(m)|2 .
8) Calculez la TFD de RXX (k), et comparez la au rsultat prcdent.
9) On considre maintenant le signal

x(n) = g(n) cos(2mo n/N + ),

avec n [0, N 1], et o g(n) est une fonction alatoire, indpendante de .


a) Calculez lautocorrlation de x(n),
b) dduisez en sa densit spectrale de puissance, en fonction de la densit spectrale de puissance de g, Sgg (f ).

Rappels :
cos a cos b = 12 [cos a + b + cos a b]
jx jx
cos x = e +e 2
N 1 n 1q N
n=0 q = 1q

Problme II :
On considre le schma de la figure 1, o X(t, ) est un signal alatoire stationnaire et ergodique, fT (t) une
fonction dterministe (certaine), et h(t) la rponse impulsionnelle du systme. On notera XT (t, ) le produit
fT (t)X(t, ).
Question 1 :
1-a Donnez lautocorrlation de la sortie, RY Y ( ), et lintercorrlation sortie-entre RY X ( ) en fonction de
lautocorrlation de lentre RXX et de la rponse impulsionnelle h.
Page 94 Chapitre IV. Signaux alatoires

n n
X(t, ) X1 (t, ) Y (t, ) Z(t, )
- + - h(t) -+ -
6 6

B1 (t, ) B2 (t, )

F IG . IV.4 - Filtre bruit en entre et en sortie

1-b Dans le cas o h(t) = exp (j2f0 t), donnez lexpression de la sortie Y (t, ), et montrez que Y (0, ) =
XT (f0 , ), la transforme de Fourier de XT (t, ) la frquence f0 .

1-c Toujours dans le cas o h(t) = exp/(j2f0 t), donnez


0
lexpression de lautocorrlation de la sortie,
RY Y ( ) et montrez que RY Y (0) = E |XT (f0 )|2 .
Question 2 :

En notant toujours XT (t, ) = fT (t)X(t, ), et en dfinissant



RXX ( ) = XT (t, )XT (t , )dt,

2-a montrez que  


E RXX ( ) = g( )RXX ( ),
o g( ) est une fonction dont vous donnerez lexpression. Reprsentez g( ) lorsque fT (t) = rectT (t/T ).

2-b En utilisant lgalit de Plancherel-Parseval, montrez que


 
x(t)y (t )dt = X(f )Y (f )ej2f df,

et dduisez en que la transforme de Fourier de Rxy ( ) vaut X(f )Y (f ), o X(f ) et Y (f ), sont respec-
tivement les transformes de Fourier de x(t) et y(t).4

2-c Dduisez en que  


SXX (f ) = TF RXX ( ) = |XT (f )2 .

2-d Montrez que     


E SXX (f ) = TF E RXX ( ) = G(f ) SXX (f ),
o G(f ) est la transforme de Fourier de g( ) et SXX (f ) la densit spectrale de lentre X(t, ).

Question 3 :
Dans le cas o fT (t) = rectT (t/T ), donnez G(f ), et reprsentez SY Y (f ), si
X(t, ) est un bruit blanc de densit spectrale de puissance N0 /2,

X(t, ) est une sinusode phase alatoire, uniforme sur [0, 2[, de frquence f0 .
Question 4 :

4-a Donnez la densit spectrale de la sortie, SY Y (f ), en fonction de la densit spectrale de lentre, SXX (f ),
de G(f ), et de la fonction de transfert H(f ).
4. Les x et y donns dans les deux dernires relations sont des signaux  gnraux  : ce ne sont pas ncessairement X(t, ) et
Y (t, ).
4. Un exemple dapplication : le filtrage adapt Page 95

4-b Considrons maintenant


fT (t) = rectT (t/T ) exp (j2f1 t) .
On notera dans la suite XT (f, ) la transforme de Fourier du produit rectT (t/T )X(t, ).

Montrez que SY Y (f ) = SXT XT (f0 f1 ), (cf 1-b)


exprimez SY Y (f ) en fonction de SXX (f ),
donnez Y (t, ) et Y (0, ),
montrez enfin que SY Y (f ) = |XT (f0 f1 , )|2 = |Y (t, )|2 , (cf 2-c)

5 quoi peut servir le dispositif


-
X(t, )

x
6
- h(t)
Y (t, )
-

fT (t)
F IG . IV.5 - Systme considr

dans lequel on peut faire varier la frquence f1 ? Quel serait lintrt dajouter une intgration suppl-
mentaire en sortie?

Problme III : (Squence alatoire binaire)

Soit une srie de variables alatoires binaires indpendantes {ak }, pour k = ... On a

Pr(ak = 0) = 1/2,
Pr(ak = 1) = 1/2,

cest--dire une densit de probabilit


1
p(ak ) = [(ak ) + (ak 1)] ,
2
o ( ) est limpulsion de Dirac.
1 Calculez
E {ak } ,
Var{ak }
o E { } dsigne lesprance mathmatique, et Var{ } la variance.
2 On dfinit un signal alatoire x(t) selon


x(t) = ak (t kTb ),
k=

o Tb est la  priode bit . On supposera que les ak sont indpendants entre eux.
Reprsentez une ralisation (quelconque) de ce signal alatoire.

3 On considre un filtre de rponse impulsionnelle s(t), o s(t) est une fonction dterministe dfinie sur
[0, Tb ]. On note y(t) la sortie de ce filtre soumis lentre x(t).
Donnez lexpression gnrale de y(t).
Page 96 Chapitre IV. Signaux alatoires

titre dillustration, on considrera s(t) = rectTb /2 (t Tb /4) rectTb /2 (t 3Tb /4), cest--dire

s(t) = 1 pour t [0, Tb /2]
(IV.13)
s(t) = 1 pour t [Tb /2, T ]

Reprsentez graphiquement la sortie du filtre pour la ralisation

{. . . a0 = 1, a1 = 0, a2 = 0, a3 = 0, a4 = 1, . . .}.

4 Calculez la moyenne statistique de y(t), E {y(t)} (on demande ici lexpression gnrale en fonction de
s(t)). Reprsentez E {y(t)} dans le cas particulier (IV.13). Ce signal est-il stationnaire? Dans le cas particulier,
donnez galement la moyenne temporelle de y(t).

5 Lorsquon le systme nest pas synchrone, on ne connat pas les instants dapparition du signal, et on
modlise le signal comme


y(t) = ak s(t kTb + ),
k=

o est une variable alatoire uniforme sur [0, Tb ]. On considrera que les {ak } et sont indpendants. On
notera quune somme infinie dintgrales dfinies

sur des intervalles conscutifs est une intgrale dfinie sur
[, ], et on notera ma = E {ak }, et ms = s(u)du. Calculez la moyenne statistique de x(t). Ce signal
est-il stationnaire?

6 En utilisant le mme modle de signal que pour la question prcdente, montrez que

1 
RY Y ( ) = Raa (k)RSS ( kTb ),
Tb k=

o Raa (k) reprsente la lautocorrlation ventuelle des ak . Cette expression de la fonction de corrlation pour
un  code en ligne  rendu stationnaire par lintroduction de la variable , est appel formule de B ENETT.
C HAPITRE V

INTRODUCTION AU FILTRAGE NUMRIQUE

C E CHAPITRE dfinit la notion de filtrage numrique et prsente les proprits gnrales des filtres num-
riques. Il tudie par ailleurs les cellules de filtrage lmentaires dordre 1 et 2.
On appelle filtre numrique un systme discret linaire et invariant en temps, oprant sur des signaux
discrets.
Un signal discret (xn ) est une suite prenant ses valeurs dans R, le plus souvent, parfois dans C.
Les premiers filtres numriques ont servi simuler des filtres analogiques sur ordinateurs. Les suites den-
tre et de sortie du filtre sont alors dpourvues de tout support physique.

xn yn
Filtre numrique

Puis on a ralis des systmes discrets travaillant sur des signaux physiques chantillonns et numriss. Dans
ce cas, en notant Te la priode dchantillonnage, les valeurs de la suite (xn ) valent : xn = x(nTe ).
fe

x(t) Filtre C xn yn C Filtre y(t)


anti A N de
repliement N Filtre numrique lissage
A

Il faut alors que les performances attendues du filtre numrique soient cohrentes avec la prcision de la conver-
sion analogique numrique.
Si fe est peu suprieure 2fmax (fmax tant la frquence maximale du signal x(t)), le filtre antireplie-
ment de spectre peut tre assez difficile raliser. Il pourra alors tre intressant de surchantillonner lentre
analogique, ce qui simplifie le filtre antirepliement analogique en largissant sa bande de transition. On sous-
chantillonnera ensuite le signal numrique en lui appliquant un filtre antirepliement numrique.

Les principaux avantages des filtres numriques sont les suivants :


Ils sont reproductibles sans rglages,

Ils sont programmables,

Ils ne drivent pas, ni en temps ni en temprature,

On peut les rendre facilement adaptatifs (dans ce cas l, le systme nest plus invariant en temps),

Ils permettent de raliser des filtres phase parfaitement linaire,


Leurs principaux inconvnients sont :
Leur consommation (par comparaison aux circuits analogiques passifs),

Leur limitation en frquence : ils sont limits par la frquence des convertisseurs analogiques numriques
et par la vitesse des oprateurs de calcul numrique comme les multiplieurs.
Page 98 Chapitre V. Introduction au filtrage numrique

Leur cot (mais ce dernier point nest pas toujours vrai).

Les fonctions des filtres numriques sont analogues celles des filtres analogiques. On les utilise en gnral
dans le but dattnuer une ou plusieurs bandes de frquences. On parle de :

filtres passe-bas quand on attnue les hautes frquences,

filtres passe-haut quand on attnue les basses frquences,

filtres coupe-bande quand on attnue une bande de frquences,

filtres passe-bande quand on favorise une bande de frquences.

Un autre rle des filtres est de corriger la fonction de transfert dun canal qui introduit de la distortion. Dans
ce cas le canal est dit dispersif et le filtre est appel galiseur.

1 Systmes linaires discrets invariants en temps

xn yn
Filtre numrique

1.1 Dfinition
Un filtre numrique est un systme discret linaire invariant en temps. Il associe la suite dentre (xn ) une
suite de sortie (yn ).

1.1.1 Linarit

Soit 2 suites x1 (n) et x2 (n) avec les sorties correspondantes y1 (n) et y2 (n). Dire que le systme est linaire
signifie que :

1 R
1 x1 (n) + 2 x2 (n) 1 y1 (n) + 2 y2 (n)
2 R

1.1.2 Invariance en temps

Soit la suite x(n) et la sortie correspondante y(n), dire que le systme est invariant en temps signifie qu
la suite x(n n0 ) correspond la sortie y(n n0 ), et ceci quelque soit n0 .

1.2 Rponse impulsionnelle


La rponse impulsionnelle dun systme discret linaire invariant en temps est la rponse du filtre une
entre impulsion un . Cette rponse impulsionnelle est gnralement note hn .
La suite impulsion un est dfinie par :


n < 0 un = 0
u0 = 1

n > 0 un = 0

un hn
n=0 Filtre numrique
1. Systmes linaires discrets invariants en temps Page 99

1.3 Relation entre-sortie, convolution discrte


Soit une entre quelconque xn , on va montrer que la sortie correspondante yn peut sexprimer comme une
convolution discrte de lentre xn et de la rponse impulsionnelle hn .
Toute suite xn , peut scrire laide de suites impulsionnelles unk sous la forme :

+
xn = xk unk
k=

xn
=
n=-1 n=0 n=1 n=2

x-1un+1

n=-1 n=0 n=1 n=2 +

x0un

n=-1 n=0 n=1 n=2 +

x1un-1

n=-1 n=0 n=1 n=2 +

x2un-2

n=-1 n=0 n=1 n=2

Daprs linvariance en temps du filtre, la sortie correspondant une entre unk (note sortie(unk )) est la
suite hnk .
Daprs la linarit du filtre, la sortie du filtre yn pour une entre xn vaut :

+ 
+
yn = xk sortie(unk ) = xk hnk
k= k=

Do :

+ 
+
yn = xk hnk = hk xnk
k= k=

La relation liant hn et xn est appele convolution discrte de la suite xn avec la suite hn .


La sortie dun filtre est donc le produit de convolution de lentre du filtre avec la rponse impulsionnelle
du filtre.
En analogique, la convolution navait pas dutilit pratique pour la ralisation dun filtre. En numrique,
cette relation sera, dans certains cas, mise en uvre explicitement pour la ralisation du filtre.

1.4 Rponse en frquence


1.5 Rponse une entre frquence pure
Soit une entre xn ne contenant quune frquence f0 (soit une seule pulsation 0 = 2f0 ).

xn = ej0 nTe

On a suppos ici que xn tait la suite obtenue par chantillonnage la priode Te du signal analogique x(t) =
ej0 t , mais on pourrait raisonner de mme sur une suite numrique xn = ej0 n .
Page 100 Chapitre V. Introduction au filtrage numrique

La sortie yn correspondante se calcule par la relation de convolution :


+ 
+ 
+ 
+
yn = xk hnk = hk xnk = hk ej0 (nk)Te = ej0 nTe hk ej0 kTe
k= k= k= k=

yn = xn H(0 )
Avec :

+
H(0 ) = hk ej0 kTe
k=

Pour une entre ne contenant quune frquence, la sortie est proportionnelle lentre, cest dire que lon
retrouve la mme frquence la sortie du filtre. Le coefficient de proportionnalit H(0 ) est complexe. Son
module est le coefficient qui multiplie lamplitude relle de lentre, et son argument est langle de dphasage
de lentre.
H(0 ) = |H(0 )| ej arg(H(0 )) = A(0 )ej(0 )
Et pour xn = ej0 nTe , la sortie scrit yn = A(0 )ej(0 nTe +(0 )) .

Les suites xn = ej0 nTe sont les fonctions propres des filtres numriques.

La fonction H() est la transforme de Fourier temps discret de la suite hn . Elle est appele la fonction
de transfert en frquence du filtre.

H() est une fonction priodique de priode 2/Te . On notera fe = 1/Te .

Linverse dune transforme de Fourier temps discret H() est donne par :

1 e
f
hn = 2fe H()ejnTe d
fe

1.5.1 Relation entre les transformes de Fourier de lentre et de la sortie


Soit une suite dentre xn quelconque et sa transforme de Fourier X(). La sortie yn a pour transforme
de Fourier Y ().

+
yn = hk xnk
k=


+ 
+
X() = xn ejnTe Y () = yn ejnTe
n= n=


+ 
+ 
+ 
+ 
+
Y () = yn ejnTe = hk xnk ejnTe = hk xnk ej(nk)Te ejkTe
n= n= k= n= k=


+ 
+
Y () = hk ejkTe xnk ej(nk)Te = H()X()
k= nk=

Y () = H()X()
On peut donc caractriser un filtre numrique soit par sa rponse impulsionnelle hn soit par sa fonction de
transfert en frquence H(), qui est la transforme de Fourier de la suite hn .

En pratique on sintressera souvent au module de la fonction de transfert H, ce module caractrisant lat-


tnuation ou le gain du filtre pour chaque frquence.
1. Systmes linaires discrets invariants en temps Page 101

Le dphasage introduit par le filtre pour chaque frquence sera not :

() = arg (H ())

Lorsque ce dphasage est proportionnel : () = kTe alors le filtre ne dforme pas les signaux dans la
bande passante.
En effet soit par exemple :

xn = a1 cos(2f1 nTe + 1 ) + a2 cos(2f2 nTe + 2 )

En supposant que f1 et f2 soient dans la bande passante avec un gain unit pour la fonction de transfert, on peut
crire :

yn = a1 cos(2f1 nTe + 1 + (f1 )) + a2 cos(2f2 nTe + 2 + (f2 ))


yn = a1 cos(2f1 nTe + 1 + 2kf1 Te ) + a2 cos(2f2 nTe + 2 + 2kf2 Te )
yn = a1 cos(2f1 Te (n + k) + 1 ) + a2 cos(2f2 Te (n + k) + 2 ) = x(n + k)

La sortie est donc gale lentre retarde de -k chantillons.


On appelle regard de groupe cette valeur kTe .
Dans le cas gnral, on dfinit le retard de groupe () par :

()
() =

Le retard de groupe reprsente un retard introduit par le filtre pour chaque frquence.
Lorsque la phase est linaire, le retard de groupe est constant.
Dans de nombreuses applications, en particulier en transmission de donnes il est important de ne pas
dformer le signal utile et on utilisera des filtres phase linaire.
Dans dautres cas, on cherchera obtenir un retard de groupe aussi petit que possible.

1.6 Fonction de transfert en z


1.6.1 Dfinition
On tudie les proprits dun filtre analogique laide de H(p), sa fonction de transfert en p, qui est la
transforme de Laplace de sa rponse impulsionnelle.
De mme, on tudie les proprits dun filtre numrique, laide de H(z), sa fonction de transfert en z, qui
est la transforme en z de sa rponse impulsionnelle hn .


+
H(z) = hn z n
n=

On remarquera que H() est la restriction de H(z) au cercle unit (|z|=1) :


+
H() = hn ejnTe = H(z)|z=ejTe
n=

1.6.2 Relation entre les transformes en z de lentre et de la sortie dun filtre


On rappelle que la trasnforme en z dune suite xn est dfinie comme la limite dune srie de Laurent
lorsque cette srie converge.
On notera respectivement X(z), Y(z) et H(z) les transformes en z de lentre xn , de la sortie yn et de la
rponse impulsionnelle hn .


+ 
+ 
+
X(z) = xn z n H(z) = hn z n Y (z) = yn z n
n= n= n=
Page 102 Chapitre V. Introduction au filtrage numrique


+
yn = hk xnk
k=



+ 
+ 
+ 
+
Y (z) = hk xnk z n = hk xnk z k z (nk)
n= k= n= k=


+ 
+
Y (z) = hk z k xm z m = X(z)H(z)
k= m=nk=
Y (z) = X(z)H(z)

En rsum pour un filtre numrique, on peut crire :


k=+ 
k=+
yn = xk hnk = hk xnk
k= k=

Y () = H()X()

Y (z) = X(z)H(z)

2 Quelques rappels sur la transforme en z


2.1 Domaine de convergence
Le critre de Cauchy permet dtudier lexistence de la transforme en z :
 + 
  
+
  1
 xn  < |xn | < + si lim |xn | n < 1
  n
n=0 n=0

Squences causales :
Une squence xn est dite causale si elle est nulle pour n < 0.
Pour une squence causale, la transforme en z est monolatrale :


+
X(z) = xn z n
n=0

X(z) existe si :
 1 1 1
lim xn z n  n < 1 cest dire si lim |xn | n |z|1 < 1 soit |z| > R+ = lim |xn | n
n n n

La transforme en z dune suite causale est donc dfinie lextrieur dun cercle de rayon R+ .

Squences anticausales :
Une squence xn est dite anticausale si elle est nulle pour n 0.
Pour une squence anticausale, la transforme en z scrit:
1
 
+
X(z) = xn z n = xn z n
n= n=1

X(z) existe si :
1 1 1
lim |xn z n | n < 1 cest dire si lim |xn | n |z| < 1 soit |z| < R = lim |xn | n
n n n

La transforme en z dune suite anticausale est donc dfinie lintrieur dun cercle de rayon R .

Suite quelconque
2. Quelques rappels sur la transforme en z Page 103

Une suite quelconque xn est la somme dune suite causale x+ et dune suite anticausale x :


xn = x+
n + xn avec :

n = xn si n 0
x+ x
n = xn si n < 0
et
x+
n =0 si n < 0 x+
n =0 si n 0

La transforme en z dune suite quelconque est donc dfinie dans une couronne :R+ < |z| < R , quand cette
couronne existe.

2.2 Linarit

1 et 2 T Z(1 x1 (n) + 2 x2 (n)) = 1 T Z(x1 (n)) + 2 T Z(x2 (n))

2.3 Thorme du retard



+
Cas de la transforme en z bilatrale X(z) = xn z n
n=

T Z(xn ) = X(z) T Z(xnk ) = z k X(z)


+
Cas de la transforme en z monolatrale X(z) = xn z n
n=0
Il faut alors tenir compte des conditions initiales.

T Z(xn ) = X(z)    
 + 1
 
+ 
T Z(xnk ) = z k xnk z (nk) = z k xm z m = z k X(z) + z k xm z m
n=0   m=k m=k

k
T Z(xnk ) = z k X(z) + xn z nk
n=1

2.4 Thorme de la convolution


Soit zn la suite obtenue par convolution de 2 suites xn et yn : zn = xn * yn
on utilise les notations : X(z) = T Z(xn ) Y (z) = T Z(yn ) Z(z) = T Z(zn ) O TZ signifie transforme
en z monolatrale.
Et on montre facilement que :
Z(z) = X(z)Y (z)

2.5 Thorme de Parseval

fe


+  2
1 1
|xn |2 = X(z)X(z 1 )z 1 dz = |X(f )|2 df
n=
2j fe
Cercle unit f2e

2.6 Thorme de la valeur initiale et de la valeur finale

lim xn = lim X(z)pour une suite causale


n0 z+
lim xn = lim (1 z 1 )X(z)
n+ z1
Page 104 Chapitre V. Introduction au filtrage numrique

2.7 Intgration et drivation


 

n
1
TZ xi = 1z 1 X(z)
i=

T Z (xn xn1 ) = (1 z 1 )X(z)

2.8 Inversion de la transforme en z


Linverse de la transforme en z est donne par :
1 
xn = 2j X(z)z n1 dz
Cercle unit
Pour montrer cette relation, on calcule dabord lintgrale :

z n dzo C reprsente le cercle unit.
C

En remplaant z par z = rej , avec r=1, et dz par dz = ej d, lintgrale devient :


 2
n
z dz = j ejn ej d
C 0

Si n = 1 alors :
2
ej(n1)2 1
j ejn ej d = j =0
j(1 n)
0
Et si n=1
2 2
j j
j e e d = j d = 2j
0 0
En conclusion :
 n
z dz = 2j si n=1
 n
C
z dz = 0 si n = 1
C

Do pour X(z) :
  
+ 
+ 
X(z)z n1 dz = xk z k z n1 dz = xk z nk1 dz = 2j xn
k= k=
cercle unit Cercle unit Cercle unit
Do : 
1
xn = X(z)z n1 dz
2j
cercle unit

3 Fonctions de transfert rationnelles en z, FIR, IIR


En gnral, on utilisera des filtres dont la fonction de transfert est rationnelle. H(z) scrit alors comme le
rapport dun numrateur N(z) et dun dnominateur D(z) polynmes en z1 .


Q
bi z i
N (z) i=0
H(z) = D(z) = P
1+ ak z k
k=1
3. Fonctions de transfert rationnelles en z, FIR, IIR Page 105

On a normalis a0 1.
Dans la suite de ce polycopi, on se limitera, sauf exception, ces filtres.
Ces filtres sont simples raliser. La sortie yn scrit en fonction des entres et des sorties prcdentes
laide dune quation de rcurrence coefficients constants.
En effet :
H(z) = N (z) Y (z)
D(z) = X(z) Y (z)D(z) = X(z)N z)


P 
Q
Y (z) + ak z k Y (z) = bi z i X(z)
k=1 i=0

Do par transforme en z inverse :


P 
Q
yn + ak ynk = bi xni
k=1 i=0


Q 
P
yn = bi xni ak ynk
i=0 k=1

Cette quation de rcurrence coefficients constants permet de raliser simplement le filtre. Il y a bien sr
dautres structures de ralisation possibles, mais elles utilisent, de mme, des multiplieurs, des additionneurs et
des mmoires.
La figure suivante reprsente une cellule de filtrage dordre 2 (P=Q=2). Sur la figure, les rectangles entourant
z 1 reprsentent un retard dun chantillon.

b0
xn yn

z-1 b1 -a1 z-1

z-1 z-1
b2 -a2

On aurait pu considrer, de faon plus gnrale des fonctions de transfert H(z) rationnelles contenant des puis-
sances de z positives, ce qui correspondrait des filtres non causaux (voir dfinition ci-dessous).

On distingue 2 types de filtres : les filtres RII Rponse Impulsionnelle Infinie et les filtres RIF Rponse
Impulsionnelle Finie.

Les filtres RII ont la forme gnrale H(z) = N (z)


D(z) avec D(z) = 1.

Les filtres RII sont dits rcursifs car le calcul de la sortie yn linstant n fait intervenir les valeurs de P
sorties prcdentes ynk .
Les filtres RII sont caractriss par les ples et les zros de leur fonction de transfert H(z).

Les filtres RIF ont un dnominateur D(z) gal 1. Ils sont caractriss par leurs seuls zros.
La rponse impulsionnelle des filtres RIF est de longueur finie (do leur nom) puisque :


Q 
+
n
/ [0, Q 1] hn = 0
i n
H(z) = bi z = hn z
i=0 n=
n [0, Q 1] hn = bn

La rponse impulsionnelle hn dun filtre RIF na donc quun nombre fini de valeurs non nulles, et hn concide
Page 106 Chapitre V. Introduction au filtrage numrique

avec les coefficients bn de lquation de rcurrence. En conclusion, pour un filtre RIF :


Q
H(z) = bi z i
i=0

Q
yn = bi xni
i=0

3.1 Calcul de la rponse impulsionnelle dun filtre RII


On peut, quand le filtre est de type RII, calculer sa rponse impulsionnelle de diffrentes faons :
soit en appliquant la formule de la transforme en z inverse et utilisant le thorme des rsidus,
soit en effectuant une division polynomiale de N(z) par D(z),

soit, quand les ples de D(z) sont simples, en utilisant la somme de la srie gomtrique

+
1
qn = pour |q| < 1
n=0
1q

3.1.1 Rappel sur le thorme des rsidus


Lintgrale sur un contour ferm C dune fonction complexe holomorphe F(z) rationnelle vaut :
 
F (z)dz = 2j Rsidu(zi )
C ples zi dans C
O zi est un ple de F(z).

N (z) N (z)
Et pour F (z) = D(z) = 2
P
(1zi z 1 )
i=1

Si zi est un ple simple :


rsidu(zi ) = lim (z zi )F (z)
zzi

Si zi est un ple multiple dordre k :


!
1 k1 (z zi )k F (z)
rsidu(zi ) = lim
zzi (k 1)! z k1
Exemple :

1
Soit H(z) = 1+a1 z 1

Calcul de hn par identification avec une srie gomtrique


Lorsque |a1 | < 1 (on verra par la suite que cette condition est ncessaire pour que le filtre soit stable) on peut
crire :
1 
+ !n 
+
1
H(z) = 1
= a 1 z = hn z n
1 + a1 z n=0 n=
Et par identification : 
hn = 0 pour n < 0
hn = (a1 )n pour n 0
Calcul de hn par transforme en z inverse
Pour cet exemple, la formule de la transforme en z inverse nous donne :
 !
1
hn = H(z)z n1 dz = Residupoura1 H(z)z n1 = lim (z + a1 )H(z)z n1 = (a1 )n
2j za1
C
4. Causalit et stabilit Page 107

4 Causalit et stabilit
4.1 Causalit
Un filtre numrique est dit causal, si sa rponse impulsionnelle hn est nulle pour n < 0.
Sa transforme en z converge alors lextrieur dun cercle.

Un filtre numrique est dit anticausal, si sa rponse impulsionnelle hn est nulle pour n 0.
Sa transforme en z converge alors lintrieur dun cercle.

4.2 Stabilit
On dira quun filtre numrique est stable, si toute entre borne xn correspond une sortie yn borne.
Pour toute suite ( xn ) borne :
 
M n |xn | < M M n |yn | < M

4.2.1 1ere condition ncessaire et suffisante de stabilit

Une condition ncessaire et suffisante de stabilit scrit :



+
|hn | < A
n=

Cest une condition suffisante car :



+
yn = hk xnk

k= 
 + 
   
+
|yn | =  hk xnk  |h | |x |
k=  k= k nk

+
|xn | < M |yn | < M |hk | < M A
k=

Cest une condition ncessaire. Un contre exemple suffit le montrer. Ainsi lentre borne xn , gale 1 si
hn est positif et -1 si hn est ngatif, gnre une sortie y0 non borne :

+ 
+
Si xn = signe(hn ) alors y0 = xn hn = |hn | non borne
n= n=

4.2.2 2eme condition ncessaire et suffisante de stabilit

Lorsque le filtre est causal et que sa fonction de transfert est rationnelle,


il existe une autre condition ncessaire et suffisante de stabilit :
il faut et il suffit que tous les ples du H(z) soient lintrieur du cercle unit.

Rciproquement pour un filtre anticausal de fonction de transfert rationnelle,


une condition ncessaire et suffisante de stabilit est que
tous les ples du H(z) soient lextrieur du cercle unit.

Dmonstration dans le cas causal :


H(z) rationnelle peut se dcomposer en K lments simples correspondant des ples simples ou multiples.
La rponse impulsionnelle h(n) est la somme de K termes hi (n) gaux aux transfomes en z inverses des
lments de la dcomposition pour les ples zi .

Ai
Pour un ple simple zi , en notant 1zi z 1
llment correspondant de la dcomposition de H(z) en lments
simples, on a :
Ai z n1
hi (n) = lim (z zi ) = Ai zin
zzi 1 zi z 1
Page 108 Chapitre V. Introduction au filtrage numrique

Et la somme des valeurs absolues de hi (n) est borne si et seulement si |zi | < 1.

Ai (z)
De mme pour un ple zi multiple dordre k, en notant (1zi z 1 )k
llment correspondant de la dcompo-
sition de H(z) en lments simples, on a :
!
1 k1 Ai (z)z n+k1
hi (n) = = Bi (zi )
(k 1)! z k1

O Bi (zi) est un plynome de degr n+k-1 au maximum.


Et la somme des valeurs absolues de hi (n) est borne si et seulement si |zi | < 1.

4.2.3 Stabilit des FIR

On remarquera que les filtres FIR ont comme seul ple z=0 et que ce ple est lintrieur du cercle unit.
Les filtres FIR sont donc toujours stables. Cest une des raisons pour lesquelles ils sont trs utiliss en filtrage
adaptatif. En effet, les coefficients dun filtre adaptatif varient chaque nouvel chantillon, il faut donc vrifier
la stabilit du filtre chaque nouvel chantillon. Mais pour un filtre RIF, cette vrification est inutile.

5 Etude des filtres numriques lmentaires


5.1 Introduction
Cette section prsente les caractristiques des cellules lmentaires de filtrage FIR et IIR dordre un et deux.
La connaissance du comportement de ces filtres est importante car trs souvent, les filtres dordre lev sont
raliss par lassociation en cascade ou en parallle de ces cellules lmentaires.
Pour cette section, dans les tracs de fonction de transfert, laxe des frquences sera limit la plage
[0, fe /2] et on normalisera fe /2 1.
Avant dtudier les cellules lmentaires de filtrage le chapitre commence par une analyse des zros de
transmission.

5.2 Etude des zros de transmission


Les filtres FIR et les filtres IIR possdant un numrateur peuvent prsenter des zros de transmission, cest
dire que leur fonction de transfert frquentielle peut sannuler pour certaines valeurs de frquence.
La fonction de transfert en frquence correspondant aux valeurs prises par la fonction de transfert en z
lorsque z volue sur le cercle unit, un zro de transmission correspond aussi un zro de la fonction de
transfert H(z) et ce zro, not zi , est situ sur le cercle unit.
Son module vaut un et son argument i :
zi = eji
Cet argument i correspond un zro de transmission pour une pulsation et une frquence f telles que
= 2f et :

z = ejTe = ej2f Te
i
z = zi f = fe
2

5.2.1 Cas dune cellule dordre 1

Dans le cas dune cellule FIR dordre 1 ou dun numrateur dordre 1 pour un filtre IIR, le polynme dordre
un en z1 scrit :
N (z) = b0 + b1 z 1
Le zro de N(z) vaut z0 = bb01 , il est rel. Comme le module de z0 vaut 1, les seules solutions sont : z0 = 1 et
z0 = 1. Les zros de transmission ne peuvent avoir lieu qu la frquence nulle ou la frquence fe /2.
5. Etude des filtres numriques lmentaires Page 109

Les seuls polynmes dordre un prsentant des zros de transmissions sont de la forme:

N (z) = b0 (1 + z 1 )
N (z) = b0 (1 z 1 )

Cest dire que b0 et b1 sont gaux ou opposs.

Les figures suivantes reprsentent :

Les zros de H(z) dans le plan z, pour les deux types de fonctions zro de transmission lordre un.
Les zros sont matrialiss par des cercles sur cette figure.

Les deux fonctions de transfert possibles (en module) lordre un, possdant un zro de transmission
soit en f = 0 soit en f = fe /2.

90
Module de H(f)
1
120 60
0.9

0.8
150 30
0.7

0.6
Zro en fe/2
180 0 0.5

0.4

0.3
210 330
0.2
Zro en f=0
0.1
240 300
270 0
0 0.2 0.4 0.6 0.8 1
positions possibles des zros de H(z) Frquences normalises

5.2.2 Cas dune cellule dordre deux

Dans le cas dune cellule FIR dordre deux ou dun numrateur dordre deux pour un filtre IIR, le polynme
dordre deux en z1 scrit :
N (z) = b0 + b1 z 1 + b2 z 2

Les coefficients de N(z) sont rels, les zros sont donc imaginaires conjugus et scrivent :

z1 = ej1
z2 = z1 = ej1

Et

N (z) = b0 (1 z1 z 1 )(1 z1 z 1 )
N (z) = b0 (1 2 cos 1 z 1 + z 2 )

Les coefficients b0 et b2 sont donc gaux.


La figure suivante reprsente le cas de 2 zros darguments 1 = 3 et 2 = 3 , ce qui correspond un
Page 110 Chapitre V. Introduction au filtrage numrique

zro de transmission en fe /6.


90
Module de H(f)
120 60 3

2.5
150 30

180 0
1.5

1
210 330
0.5

240 300
270 0
0 0.2 0.4 0.6 0.8 1
positions possibles des zros de H(z) frquences

5.3 Cellule FIR dordre un


5.3.1 Gnralits
La cellule causale FIR dordre un a pour fonction de transfert en z, le polynme H(z) suivant :
H(z) = b0 + b1 z 1
La fonction H(z) na pas de ple lextrieur du cercle unit, elle est donc stable.

Comme pour tous les FIR, la rponse impulsionnelle est facile calculer par identification avec la dfinition :

n=P
H(z) = hn z n = b0 + b1 z 1 on dduit que n hn = bn et en particulier ici:
n=0

h0 = b0
h1 = b1
hn = 0 si n
/ [0, 1]
La fonction de transfert en frquence  est obtenue partir de H(z) par la relation :
H(e j2f Te
) = H(z)/z = e j2f Te
. Cette fonction sera note un peu abusivement H(f) par la suite.

H(f ) = b0 + b1 ej2f Te
Son module, sa phase et son temps de propagation de groupe (f ) valent :
|H(f )|2 = b20 + b21 + 2b0 b1 cos(2f Te )

b1 sin(2f Te )
(f ) = arctg
b0 + b1 cos(2f Te )
1 (f ) b1 + b0 cos(2f Te )
(f ) = = b1 2
2 f b0 + b21 + 2b0 b1 cos(2f Te )
Le module est une fonction monotone sur la demi priode [0, fe /2] et les valeurs extrmes sont :
|H(0)| = |b0 + b1 | avec (0) = 0
  !
 f  fe
H( 2e ) = |b0 b1 | avec 2 =0

Si les deux coefficients sont de mmes signes, le filtre est un passe bas. Et rciproquement, si les deux coeffi-
cients sont de signes opposs, le filtre est un passe haut. En effet ce changement de signe revient changer z en
- z, cest dire f en f2e f .

Ltude de la fonction (f ) montre que (f ) 2 .


5. Etude des filtres numriques lmentaires Page 111

5.3.2 Exemple
Les courbes suivantes illustrent une cellule dordre un de coefficients b0 = 0.6 et b1 = 0.4.
module de H(f) phase de H(f) temps de groupe
1 0 0.5
0.9 -0.1
0.8 0
-0.2
0.7
0.6 -0.3 -0.5
0.5 -0.4
0.4 -0.5 -1
0.3
-0.6
0.2 -1.5
0.1 -0.7
00 0.5 1 -0.8 0 0.5 1 -2 0 0.5 1
frquence frquence frquence

Les courbes suivantes illustrent une cellule dordre un de coefficients b0 = 0.6 et b1 = 0.4.
module de H(f) phase de H(f) temps de groupe
1 0.8 0.5
0.9 0.7
0.8 0
0.6
0.7 -0.5
0.6 0.5
0.5 0.4 -1
0.4 0.3
0.3 -1.5
0.2
0.2 -2
0.1 0.1
00 0.5 1 00 0.5 1 -2.5 0 0.5 1
frquence frquence frquence

5.3.3 Cellules spciales


Deux cellules dordre un sont particulirement intressantes parce quelles possdent des zros de trans-
mission :
H(z) = b0 (1+ z 1 ) qui sannule pour la frquence fe /2 et H(z) = b0 (1 z 1 ) qui sannule pour la frquence
0.

Dautre part si b0 = b1 la phase scrit:



(f ) = f Te
2
et le temps de propagation de groupe est constant. Il vaut Te /2.

Si b0 = b1 la phase scrit :
(f ) = f Te
Cette phase est linaire et le temps de propagation de groupe est constant. Il vaut Te /2.

5.4 Cellule FIR dordre 2


5.4.1 Gnralits
La cellule causale FIR dordre deux a pour fonction de transfert en z, le polynme H(z) suivant :

H(z) = b0 + b1 z 1 + b2 z 2

La fonction H(z) na pas de ple lextrieur du cercle unit elle est donc stable.
Page 112 Chapitre V. Introduction au filtrage numrique

Comme pour tous les FIR, la rponse impulsionnelle est facile calculer par identification avec la dfinition :

n=p
H(z) = hn z n = b0 + b1 z 1 + b2 z 2 on dduit que n hn = bn et en particulier ici:
n=0

h0 = b0
h1 = b1
h2 = b2
hn = 0 si n
/ [0, 1, 2]

La fonction de transfert en frquence


 est obtenue partir de H(z) par la relation :
H(ej2f Te ) = H(z)/z = ej2f Te . Cette fonction sera note un peu abusivement H(f) par la suite :

H(f ) = b0 + b1 ej2f Te + b2 ej4f Te

Le polynme H(z) en z1 possde deux zros. Si les deux zros sont rels, le filtre peut tre considr comme
form de deux cellules dordre un en cascade. Nous nous intressons, dans ce chapitre seulement au cas dune
"vraie" cellule dordre deux possdant deux zros complexes. Comme les coefficients bi sont rels, ces zros
sont complexes conjugus. Appelons z1 et z2 ces zros. On peut les crire en coordonnes polaires sous la
forme :

z1 = r1 ej1
z2 = z1 = r1 ej1
H(z) = b0 (1 z1 z 1 )(1 z2 z 1 )

En identifiant les deux critures de H(z), on dduit les relations liant les coefficients bi aux coordonnes polaires
des zros.

b1 = b0 (z1 + z1 ) = 2b0 r1 cos(1 )


b2 = b0 z1 z1 = b0 r12

Le module, la phase et le temps de propagation de groupe de la fonction de transfert en frquence peuvent


sexprimer en fonction des coordonnes polaires des zros. Ils valent :
 2  2
   
|H(f )|2 = b20 1 z1 ej2f Te  1 z 1 ej2f Te 
 2  2
   
|H(f )|2 = b20 1 r1 ej(2f Te 1 )  1 r1 ej(2f Te +1 ) 
! !
|H(f )|2 = b20 1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )
 
r1 sin(2f Te 1 ) r1 sin(2f Te + 1 )
(f ) = arctg + arctg
1 r1 cos(2f Te 1 ) 1 r1 cos(2f Te + 1 )
1 (f )
(f ) =
2 f
(1 + r12 ) [cos(1 ) cos(2f Te ) r1 ] r1 [cos(4f Te ) + cos(21 ) 2r1 cos(1 ) cos(2f Te )]
(f ) = 2r1 " #" #
1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )

Pour une cellule dordre 2, la fonction (f ) est en valeur absolue infrieure .

5.4.2 Etude des extrma du module de la fonction de transfert en frquence


Pour tudier les extrmas de |H(f )|, il faut tudier sa drive par rapport f. Lorsque cette drive sannule,
la fonction |H(f )| passe par un extrmum. Pour trouver les valeurs de f o H(f f
)
= 0, on drive H(f )2 et
on tudie pour quelle valeur de f, cette drive sannule sans que H(f ) sannule.

|H(f )|2 |H(f )|  


= 2 |H(f )| = b20 4Te r1 sin(2f Te ) (1 + r12 ) cos(1 ) 2r1 cos(2f Te )
f f
5. Etude des filtres numriques lmentaires Page 113

Dans lintervalle [0, fe /2], cette drive sannule lorsque :


Soit sin(2f T e) sannule, cest dire pour f = 0 et f = fe /2.

Soit (1 + r12 ) cos(1 ) 2r1 cos(2f Te ) sannule, cest dire pour une frquence fR telle que :

(1 + r12 ) cos(1 ) (b0 + b2 )b1


cos(2fR Te ) = =
2r1 4b2 b0
   
 (1+r12 ) cos(1 )   (b0 +b2 )b1 
Ce dernier cas nest possible que si :  2r1  1 ou, ce qui revient au mme :  4b2 b0  1.

Ces zros sont des zros de H(f )


f et non de H(f ), sauf dans le cas trivial o r1 = 1 et 1 = 0.

Dautre part la drive de |H(f )| par rapport f est ngative pour f < fR puis positive pour f > fR . La
frquence fR , quand elle existe, correspond donc forcment un minimum de |H(f )|. Une cellule FIR dordre
deux peut donc prsenter une antirsonance.

1 f e
Si r1 est proche de 1, la frquence fR est proche de 2 . Il y a galit si r1 = 1.

La valeur de |H(f )| pour f = fR vaut :


 
 
|H(fR )| = b0 (1 r1 )2 sin 1 

Comme on la vu prcdemment si r1 = 1, la cellule possde un zro de transmission qui correspond au mini-


mum de |H(f )|.

Soit BR la largeur de bande mi-hauteur de cette antirsonance.

BR = |f+ f |

o f et f+ sont les frquences pour lesquelles |H(f )|2 = 2 |H(fR )|2 , lorsque ces frquences existent. On peut
crire |H(f )|2 sous la forme dun polynme dordre 2 en cos(2f Te ) :

|H(f )|2 = 4r12 cos(2f Te )2 4r1 (1 + r12 )cos(1 )cos(2f Te ) + 2r1 2 cos(21 ) + (1 + r12 )2

Pour |H(f )|2 = (1 r12 )2 sin(1 )2 le discrimant du polynme est nul et on retrouve la solution correspondant
(1+r12 )cos(1 )
la frquence de rsonnance cos(2fR Te = 2r1 .

Pour |H(f )|2 = 2 |H(fR )|2 = 2(1 r12 )2 sin(1 )2 , le polynme scrit :

4r12 cos(2f Te )2 4r1 (1 + r12 )cos(1 )cos(2f Te ) + cos(21 ) + (1 + r14 ) + 2r12 = 0

le discriminant scrit :
!
= 16r12 (1 + r12 )2 cos(1 )2 16r12 cos(21 ) + (r14 + 1) + 2r12 = 16r12 (1 r12 )2 sin(1 )2

Le discriminant est positif, on en dduit 2 expressions pour les racines potentielles :

(1 r12 ) sin 1
cos(2f+ Te ) = cos(2fR Te )
2r1
(1 r12 ) sin 1
cos(2f Te ) = cos(2fR Te ) +
2r1
Ces 2 racines nexistent que si :
 
 (1 r12 ) sin 1 

cos(2fR Te )  1
 2r1 
 
 (1 r12 ) sin 1 

cos(2fR Te ) +  1
 2r1 
Page 114 Chapitre V. Introduction au filtrage numrique

Toutes les situations sont possibles : les 2 racines existent, une seule racine existe, ou bien aucune des 2 nexiste.
Dans le cas o les 2 conditions sont vrifies, cest dire o les 2 racines existent, on peut calculer une ap-
proximation de la largeur de bande de lantirsonance. A partir des valeurs de cos(2f+ Te ) et de cos(2f Te ,
on dduit que, pour r1 1 :

(1 r12 )sin(1 )
cos(2f+ Te )cos(2f+ Te ) = 2 sin(2(fR +B/2)Te )sin(BTe ) 2sin(1 )BTe 2
2r1
Do :
(1 r)
BR fe

5.4.3 inversion du module des zros, polynme rciproque de H(z)


Les cellules FIR dordre 2 dfinies par les fonctions de transfert H(z) et Hr (z) = z 2 H(z 1 ) possdent des
ples de mmes arguments 1 et 1 mais de modules inverses r1 et 1/r1 . Elles prsentent (si les conditions
dantirsonance sont vrifies) une antirsonance pour la mme frquence fR . Ces deux fonctions de transfert
ont le mme module mais :

r (f ) = 4f Te (f )
r (f ) = 2Te (f )

Les filtres numriques dont les zros sont lintrieur du cercle unit sont dits phase minimale.

5.4.4 Exemple
Les figures suivantes reprsentent la fonction de transfert H(f) en module, en phase, en temps de propagation
de groupe ainsi que la position des zros de H(z), pour les valeurs : r1 = 0.95 1 = /3, ce qui correspond
H(z) = 1 0.95z 1 + 0.9025z 2 .
La frquence dantirsonance fR est telle que :
2fR Te = 1.0464, ce que lon peut comparer 1 = 3 = 1.0472.

module de H(f) phase de H(f)


3 2

2 1

1 0

0 -1
0 0.5 1 0 0.5 1
frquence frquence

temps de groupe 90
10 120 60
150 30
0
180
0
-10
210 330
-20 240 300
0 0.5 1 270
frquence
position des zros

5.4.5 Changement du signe du coefficient b1 , changement de z en -z


Si lon change le signe de b1 , ou ce qui revient au mme z en -z, le filtre change de type, les valeurs de
H(0) et de H(fe /2) sont inverses. Dans lexemple ci-dessus, le filtre est plutt un passe haut (dans le sens
que H(f = 0) < H(f = fe /2). Si on remplace b1 = 0.95 par b1 = 0.95, le filtre rsultant est un passe
bas. Changer le signe de b1 revient remplacer 1 par 1 . Si les angles des zros (en valeur absolue) sont
5. Etude des filtres numriques lmentaires Page 115

infrieurs /2 le filtre est un passe haut. Si les angles des zros (en valeur absolue) sont suprieurs /2 le
filtre est un passe bas.
En fait changer z en -z, revient multiplier z par ej . Dans le domaine frquentiel, multiplier ej2f Te par ej , re-
vient remplacer ej2f Te par ej2(f +fe /2)Te . Remplacer z par -z est donc quivalent une translation de fe /2
dans le domaine frquentiel, et ceci quelque soit H(z). Un passe-bas devient un passe-haut et rciproquement.

5.5 Cellule IIR dordre 1


5.5.1 Gnralits
La cellule causale IIR dordre 1 a pour fonction de transfert en z, le polynme H(z) suivant :

1
H(z) =
a0 + a1 z 1

Par la suite, on normalise le terme constant du dnominateur de H(z) 1, a0 = 1.

Pour que la fonction H(z) soit stable et causale, il faut quelle nait pas de ple lextrieur du cercle unit. Or
le ple de cette cellule vaut a1 . Une condition ncessaire et suffisante de stabilit de cette cellule causale est
que |a1 | < 1.

La rponse impulsionnelle peut se calculer par la formule dinversion de la transforme en z, savoir:



1
hn = H(z)z n1 dz
2j
cercle unit

ou par identification de H(z) avec la somme dune srie gomtrique de raison q = a1 z 1 :






H(z) = hn z n = qn = (a1 )n z n
n=0 n=0 n=0

Do lon dduit que :

n 0 hn = (a1 )n
n < 0 hn = 0

La figure su ivante visualise lallure de hn pour a1 positif et a1 ngatif.

rponse impulsionnelle
1

0.8

0.6 a1<0
0.4

0.2

-0.2

-0.4 a1>0
-0.6

-0.8
0 5 10 15 20
indice n

La fonction de transfert en frquence est obtenue partir de H(z) par la relation :


 
H(ej2f Te ) = H(z)/z = ej2f Te
Page 116 Chapitre V. Introduction au filtrage numrique

. Cette fonction sera note un peu abusivement H(f) par la suite.

1
H(f ) =
1 + a1 ej2f Te

Pour le calcul de ses caractristiques principales, il suffit de reprendre les rsultats obtenus pour la cellule FIR.
Son module, sa phase et son temps de propagation de groupe (f ) valent :

1
|H(f )|2 =
1 + a21 + 2a1 cos(2f Te )

a1 sin(2f Te )
(f ) = arctg
1 + a1 cos(2f Te )
1 (f ) a1 + cos(2pif Te )
(f ) = = a1
2 f 1 + a21 + 2a1 cos(2pif Te )

Le module est une fonction monotone sur la demi priode [0, fe /2] et les valeurs extrmes sont :

1
|H(0)| = avec (0) = 0
|1 + a1 |
  
 
H( fe ) =
1
avec
fe
=0
 2  |1 a1 | 2

Si les deux coefficients sont de mmes signes, le filtre est un passe-haut. Et rciproquement, si les deux coeffi-
cients sont de signes opposs, le filtre est un passe-bas.
On remarque que pour une cellule dordre 1, le dphasage introduit par la cellule est infrieur ou gal /2.

5.5.2 Exemple

Les courbes suivantes illustrent une cellule dordre un de coefficients a0 = 0.6 et a1 = 0.4 :

module de H(f) phase de H(f) temps de groupe


6 0.8 2
5 0.7
0.6 1.5
4 0.5 1
3 0.4
0.3 0.5
2
0.2 0
1 0.1
00 0.5 1 00 0.5 1 -0.50 0.5 1
frquences frquences frquences

Les courbes suivantes illustrent une cellule dordre un de coefficients a0 = 0.6 et a1 = 0.4 :

module de H(f) phase de H(f) temps de groupe


6 0 2.5
5 -0.1 2
-0.2
4 -0.3 1.5
3 -0.4 1
2 -0.5 0.5
-0.6
1 -0.7 0
00 0.5 1 -0.80 0.5 1 -0.50 0.5 1
frquences frquences frquences
5. Etude des filtres numriques lmentaires Page 117

5.6 Cellule IIR dordre 2


5.6.1 Gnralits
La cellule causale IIR dordre deux a pour fonction de transfert en z, le polynme H(z) suivant :
1
H(z) =
1 + a1 z 1 + a2 z 2
On a, comme pour la cellule dordre 1, normalis a0 1.
La fonction H(z)causale est stable si et seulement si ses ples sont lintrieur du cercle unit, cest dire sont
de module infrieur 1.
La fonction H(z) possde deux ples. Si les deux ples sont rels, le filtre peut tre considr comme
form de deux cellules dordre un en cascade. Nous nous intressons, dans ce chapitre seulement au cas dune
 vraie  cellule dordre deux possdant deux ples complexes. Comme les coefficients ai sont rels ces ples
sont complexes conjugus. Appelons z1 et z2 ces ples. On peut les crire en coordonnes polaires sous la
forme :
z1 = r1 ej1
z2 = z1 = r1 ej1
1
H(z) =
(1 z1 z 1 )(1
z2 z 1 )
En identifiant les deux critures de H(z), on dduit les relations liant les coefficients ai aux coordonnes polaires
des ples.
a1 = (z1 + z1 ) = 2r1 cos(1 )
a2 = z1 z1 = r12
La rponse impulsionnelle peut se calculer par la formule dinversion de la transform e en z, ou par identifica-
tion de H(z) avec des sommes de sries gomtriques.
 
1 n1 1 z n1
hn = H(z)z dz =
2j 2j (1 z1 z 1 )(1 z1 z 1 )
cercle unit cercle unit

hn = rsidus(H(z)zn1 )
ples de H(z)
   n
z1n+1 z n+1 r1 sin [(n + 1)1 ]
n 0 hn = + 1 =
z1 z1 z1 z1 sin 1
n < 0 hn = 0
La figure suivante reprsente les rponses impulsionnelles pour r1 = 0.95 et 1 = /3 (ce qui correspond un
coefficient a1 < 0) ainsi que pour r1 = 0.95 et 1 = 2/3 (ce qui correspond un coefficient a1 > 0).

rponse impulsionnelle rponse impulsionnelle


1 1
0.8 0.8
0.6 0.6
a1<0 a1>0
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-10 50 100 -10 50 100
indice n indice n
Page 118 Chapitre V. Introduction au filtrage numrique

La fonction de transfert en frquence est obtenue partir de H(z) par la relation :


 
H(ej2f Te ) = H(z)/z = ej2f Te .

Comme prcdemment cette fonction sera note un peu abusivement H(f).


1
H(f ) =
1 + a1 ej2f Te + a2 ej4f Te
Le module, la phase et le temps de propagation de groupe de la fonction de transfert en frquence peuvent
sexprimer en fonction des coordonnes polaires des ples, il suffit de reprendre et de modifier correctement
les rsultats obtenus pour la cellule FIR. Ils valent :
1
|H(f )|2 = 2 2
|1 z1 ej2f Te | |1 z 1 ej2f Te |
1
|H(f )|2 =    
1 r1 ej(2f Te 1 ) 2 1 r1 ej(2f Te +1 ) 2
1
|H(f )|2 =   
1+ r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )
 
r1 sin(2f Te 1 ) r1 sin(2f Te + 1 )
(f ) = arctg arctg
1 r1 cos(2f Te 1 ) 1 r1 cos(2f Te + 1 )
1 (f )
(f ) =
2 f
(1 + r12 ) [cos(1 ) cos(2f Te ) r1 ] r1 [cos(4f Te ) + cos(21 ) 2r1 cos(1 ) cos(2f Te )]
(f ) = 2r1 " #" #
1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )

5.6.2 Etude des extrma du module de la fonction de transfert en frquence


Les calculs qui ont dj t faits pour la cellule FIR dans le paragraphe prcdent peuvent tre repris ici. La
drive de |H(f )| par rapport f scrit:
" #
|H(f )|2 |H(f )| 4Te r1 sin(2f Te ) 2(1 + r12 ) cos(1 ) 2r1 cos(2f Te )
= 2 |H(f )| =  2  2
f f 1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )

Dans lintervalle [0, fe ], cette drive sannule lorsque :

Soit sin(2f T e) sannule, cest dire pour f = 0 et f = fe /2.

Soit 2(1 + r12 ) cos(1 ) 2r1 cos(2f Te ) sannule, cest dire pour une frquence fR telle que :

(1 + r12 ) cos(1 ) (b0 + b2 )b1


cos(2fR Te ) = =
2r1 4b2 b0
Ce dernier cas nest possible que si :
 
 (1 + r 2 ) cos( ) 
 1 
 1
1
 2r1 

ou, ce qui revient au mme :  


 (b0 + b2 )b1 
 1
 4b b 
2 0

Dautre part, inversement au cas des FIR la drive de |H(f )| par rapport f est positive pour f < fR puis n-
gative pour f > fR . La frquence fR , quand elle existe, correspond donc forcment un maximum de |H(f )|.
Une cellule IIR dordre deux ne peut donc prsenter quune rsonance, alors quune cellule FIR dordre deux
ne peut prsenter quune antirsonance. La frquence fR est appele frquence de rsonnance.
5. Etude des filtres numriques lmentaires Page 119

1 f e
Si r1 est proche de 1, la frquence fR est proche de 2 . Il y a galit si r1 = 1.

La valeur de |H(f )| pour f = fR vaut :

1
|H(fR )| =
|(1 r1 )2 sin 1 |

Si r1 = 1, la cellule est un rsonateur pur ou oscillateur, la limite de stabilit (cette stabilit tant dfinie par
le fait qu une entre borne correspond une sortie borne).

Soit BR la largeur de bande mi-hauteur de cette antirsonance :

BR = |f+ f |

o f et f+ sont les frquences pour lesquelles |H(f )|2 = |H(fR )|2 /2.

(1 r12 ) sin 1
cos(2f+ Te ) = cos(2fR Te )
2r1
(1 r12 ) sin 1
cos(2f Te ) = cos(2fR Te ) +
2r1

Do lon dduit (comme pour les FIR dordre 2) que, pour r1 1 :

(1 r)
BR fe

5.6.3 Inversion du module des zros, polynme rciproque de H(z)

La cellule IIR dordre deux ayant des ples de mme argument et de module 1/r1 prsentera une rsonance
pour la mme frquence fR . En fait cette cellule a une fonction de transfert Hr (z) en z 1 qui est le polynme
rciproque de H(z).
1
Hr (z) = = z 2 H(z 1 )
a2 + a1 z 1 + z 2

H(f ) et Hr (f ) ont le mme module mais :

r (f ) = 4f Te (f )
r (f ) = 2Te (f )

5.6.4 Exemple

Les figures suivantes reprsentent la fonction de transfert H(f) en module, en phase, en temps de propagation
de groupe ainsi que la position des zros de H(z), pour les valeurs : r1 = 0.95 1 = /3, ce qui correspond :

1
H(z) =
1 0.95z 1 + 0.9025z 2
Page 120 Chapitre V. Introduction au filtrage numrique

La frquence de rsonance fR est telle que :



2fR Te = 1.0464, ce que lon peut comparer 1 = 3 = 1.0472

module de H(f) phase de H(f)


15 1

10 0

5 -1

0 -2
0 0.5 1 0 0.5 1
frquence frquence

temps de groupe
20 120 60
150 30
10
180 0
0
210 330
-10 240 300
0 0.5 1 270
frquence position des ples

5.6.5 Changement du signe du coefficient a1 , changement de z en -z


Si lon change le signe de a1 , le filtre change de type, les valeurs de H(0) et de H(fe /2) sont inverses.
Dans lexemple ci-dessus, le filtre est plutt un passe-bas (dans le sens que H(f = 0) > H(f = fe /2)). Si
on remplace a1 = 0.95 par a1 = 0.95, le filtre rsultant est un passe-haut. Changer le signe de a1 revient
remplacer 1 par 1 . Si les angles des zros (en valeur absolue) sont infrieurs /2 le filtre est un passe
bas. Si les angles des zros (en valeur absolue) sont suprieurs /2 le filtre est un passe haut.
Changer le signe de a1 , revient remplacer z par -z. Et comme on la vu prcdemment pour la cellule FIR
dordre 2, cela revient effectuer une translation de fe /2 dans le domaine frquentiel.

6 Structures des filtres numriques


Il nest pas dans lobjectif de ce document de prsenter de faon trs approfondie les structures possibles
dimplantation de filtres numriques. On se limite aux approches les plus classiques.

6.1 Structures directes


Les structures directes correspondent des implantations dans lesquelles les valeurs des coefficients de
lquation de rcurrence interviennent explicitement. Pour des raisons de simplicit, on se limite ici lordre 2,
mais les concepts prsents stendent sans difficult un ordre quelconque. Soit lquation de rcurrence dun
filtre numrique IIR dordre 2 :

2 
2
yn = bk xnk ak ynk
k=0 k=1

Pour implanter ce filtre, il suffit que le systme de traitement soit capable deffectuer des multiplications, des
additions et des retards ou mise en mmoire. Les retards dans le cas dun systme temps rel peuvent tre mis
en oeuvre par lintermdiaire de registres dcalage cadencs la frquence dchantillonnage des signaux.

6.2 Structures directes non canoniques


La structure directe la plus simple consiste mmoriser 4 chantillons : les 2 derniers chantillons des suites
dentre et de sortie (xn1 , xn2 , yn1 , yn2 ) et , pour chaque chantillon xn de la suite dentre effectuer les
oprations suivantes, pour calculer lchantillon correspondant de la suite de sortie yn :

effectuer les produits des 3 valeurs xn , xn1 , xn2 par les coefficients du numrateur de H(z) b0 , b1 , b2 ,
6. Structures des filtres numriques Page 121

effectuer les produits des 2 valeurs yn1 , yn2 par les coefficients du dnominateur de H(z) a1 , a2 ,

puis cumuler les 5 produits, avec un signe positif pour les coefficients bi et un signe ngatif pour les
coefficients ai

enfin mettre jour les mmoires xn1 , xn2 , yn1 , yn2 pour prparer le calcul de la sortie suivante yn+1

La figure suivante reprsente cette structure directe :

b0
xn yn

z-1 b1 -a1 z-1

z-1 z-1
b2 -a2

6.3 structures directes canoniques DN et ND

La structure directe prsente prcdemment nest pas canonique, dans le sens o elle nutilise pas un
nombre minimum de mmoires.
Il est possible de raliser le mme filtre dordre 2 avec seulement 2 cases mmoire. Les structures canoniques
DN et ND sont des structures directes utilisant explicitement les coefficients ai , bi et ne ncessitant que 2 cases
mmoire pour 1 filtre dordre 2.
Structure canonique DN
1
La structure canonique DN ralise le filtre en calculant dabord la sortie du filtre de fonction de transfert D(z)
puis la sortie du filtre de fonction de transfert N (z). Do le nom destructure DN.
On peut crire :

Y (z) = H(z)X(z)
N (z)
Y (z) = X(z)
D(z)
X(z)
Y (z) = N (z)
D(z)

Soit :

X(z)
W (z) =
D(z)
Y (z) = W (z)N (z)

Ces relations peuvent se rsumer par le schma suivant :

wn
xn 1/D(z) N(z) yn
Page 122 Chapitre V. Introduction au filtrage numrique

La structure canonique DN correspond finalement limplantation suivante :


b0
wn
xn yn

z-1
-a1 b1

z-1
-a2 b2

Structure canonique ND
La structure canonique ND est la structure duale (au sens de la thorie des graphes) de la structure DN. Elle doit
son nom au fait que les coefficients du numrateur bi interviennent en amont des coeffcients du dnominateur
ai .
Les quations qui caractrisent cette structure sont :
un = b1 xn a1 yn
vn = b2 xn a2 yn
yn = b0 xn + un1 + vn2
La structure canonique ND correspond finalement limplantation suivante :
b0
xn yn

z-1
b1 -a1

z-1
b2 -a2

Cette structure est la plus frquemment utilise dans les circuits intgrs spcifiques pour le filtrage numrique.

6.4 Structures dcomposes


Les structures dcomposes nutilisent pas explicitement les coefficients ai , bi dans limplantation du filtre.
elles se caractrisent par une dcomposition de la fonction de transfert H(z) de degr N , en lments de degr
plus faible, 1 ou 2 en gnral.
Ces structures peuvent permettre dobtenir de meilleures performances pour une implantation en prcision finie,
en terme de sensibilit la quantification des coefficients ou en terme de bruit de calcul.

6.4.1 Structures cascade


La structure cascade se caractrise par une dcomposition de H(z) en un produit de termes Hi (z) dordre
1 ou 2, selon que les ples sont rels ou complexes. La fonction globale de filtrage H(z) est ralise par une
cascade de cellules de filtrage Hi (z) dodre 1 ou 2.
3
K
H(z) = Hi (z) avec
i=0
bi,0 + bi,1 z 1 + bi,2 z 2
Hi (z) =
1 + ai,1 z 1 + ai,2 z 2
6. Structures des filtres numriques Page 123

Les cellules Hi (z) est implante sous une forme canonique DN ou ND. La figure suivante reprsente limplan-
tation cascade dun filtre dordre 5, dont le dnominateur possde 1 ple rel et 2 ples complexes conjugus.

H(z)

xn H1(z) H2(z) H3(z) yn

Pour une fonction H(z) donne, il existe plusieurs implantations cascade possibles, selon la faon dont on
groupe les ples et les zros pour former les cellules Hi (z) et selon la faon dont on ordonne ces cellules. Ainsi
pour la fonction H(z) dordre 5 du schma prcdent, existe-t-il 12 ralisations cascade diffrentes (si on impose
de grouper le zro rel avec le ple rel). Ces ralisations ne sont pas quivalentes en terme de performances
pour une implantation en prcision finie.

6.4.2 Structures parallles


La structure parallle se caractrise par une dcomposition de H(z) en un une somme dlments simples
Hk (z) dordre 1 ou 2, selon que les ples sont rels ou complexes. La fonction globale de filtrage H(z) est
ralise par une somme de sortie de cellules de filtrage Hk (z) dodre 1 ou 2, attaques par la mme entre xn .


L
H(z) = Hk (z) avec
k=0
bk,0 + bk,1 z 1
Hk (z) =
1 + ak,1 z 1 + ak,2z 2

Les cellules Hk (z) est implante sous une forme canonique DN ou ND. La figure suivante reprsente limplan-
tation cascade dun filtre dordre 5, dont le dnominateur possde 1 ple rel et 2 ples complexes conjugus.

H(z)

xn H1(z) + yn

H2(z)

H3(z)

Les structures cascade et parallles ont des perfomances assez proches pour une implantation en pcision finie.
Toutefois, on peut remarquer que la structure parallle ne permet pas aussi facilement que la structure cascade
conserver les zros de transmission aprs quantification des coefficients des cellules Hi (z).
La structure cascade se prte bien une implantation squentielle. La structure parallle permet une implanta-
tion parallle des oprateurs de calcul conduisant une plus grande vitesse dexcution.

Ils existent de nombreuses autres structures dcomposes, comme la structure treillis, ou les filtres dondes.
Ces structures ne seront pas dveloppes ici. La thorie de la reprsentation dtat permet de comprendre le
passage dune structure une autre et de comparer ces structures.
Page 124 Chapitre V. Introduction au filtrage numrique

EXERCICES ET PROBLMES

Exercice 1 : On considre un systme linaire discret stationnaire de rponse impulsionnelle:

1
hn = pour 0n3 et h(n)=0 ailleurs
n+1
a) Donnez lquation aux diffrences permettant de calculer la sortie y(n) pour une entre quelconque x(n).
b) Calculez la sortie du filtre pour x(n) = an , pour a=0.5, 0 n 3 et x(n)=0 ailleurs.
c) Calculez la sortie stationnaire correspondant lentre x(n) = cos(2n/4)..

Exercice 2 : Soit les systmes de fonction de transfert :

1
H1 (z) =
1 1.16z 1 + 0.92z 2
H2 (z) = 1 1.16z 1 + 0.92z 2

Donnez les quations aux diffrences correspondantes, et calculez les rponses impulsionnelles associes.

Exercice 3 : On considre le systme dquation aux diffrences :

y(n) = x(n) + y(n 1) 0.5y(n 2)

a) Calculez la transforme en z Y(z) monolatrale de y(n), et dmontrez la relation:

Y (z) = H(z)X(z) + P (z)

o P(z) dpend des conditions initiales. On posera y(-1)=a et y(-2)=b.


b) Calculez les ples et les zros de H(z). Dcomposez H(z) en une somme de deux fractions rationnelles du
premier ordre. Dduisez en la rponse impulsionnelle du systme (vous supposerez que celui-ci est causal). Le
systme est-il stable?
c) Donnez la sortie y(n) du systme soumis lentre x(n) = exp(j2f0 nTe ), pour n 0 et 0 si n 0. Vous
commencerez par calculer la TZ X(z) de x(n), puis vous rechercherez la transforme inverse de H(z)X(z) (on
supposera les conditions initiales nulles).
d) Donnez le module de la rponse en frquence H(f ). Calculez la valeur de la frquence de rsonnance et
tracez lallure de la rponse en frquence.
e) Donnez une structure dimplantation de ce filtre.

Exercice 4 : Donnez lquation aux diffrences ralise par la structure suivante. Vous utiliserez pour cela la
variable intermdiaire w(n).

b0
wn
xn yn

z-1
-a1 b1

z-1
-a2 b2
6. Structures des filtres numriques Page 125

Problme I :
Question 1 : On considre lquation aux diffrences

y(n) = x(n 1) + x(n) + x(n + 1).

1-a Mettre cette quation aux diffrences sous la forme dune convolution discrte, donnez la rponse impul-
sionnelle h(n) du filtre dentre x(n) et de sortie y(n).

1-b Donnez la fonction de transfert H(z) de ce filtre.

1-c Donnez la rponse en frquence H(f ). Vous pourrez chercher faire apparatre un cosinus.

1-d Dduisez en le module de H(f ) et sa phase (f ). Reprsentez |H(f )|, en prcisant clairement le domaine
de variation de f .

Question 2 : Si lentre est


x(n) = A cos (2f0 n + ), avec f0 = 1/3,
quelle est la sortie du filtre?

Question 3 : Lentre est maintenant un bruit blanc temps discret, centr, dautocorrlation

RXX (k) = PB si k = 0,
RXX (k) = 0 sinon.

3-a Quelle est la moyenne statistique mY de la sortie y(n) du filtre?

3-b Calculez lautocorrlation de la sortie RY Y (k).

Question 4 : La sortie du filtre y(n) est maintenant bruite par un bruit additif b(n), centr et dautocorrlation
RBB (k), indpendant de x(n), et par consquent de y(n)

z(n) = y(n) + b(n).

On dispose par ailleurs dun signal de rfrence (sortie dun capteur) w(n), centr, corrl b(n) et indpendant
de y(n). On peut donc interprter b(n) comme la sortie dun filtre h2 (n) dentre w(n) :

b(n) = (h2 w)(n).

4-a Donnez la relation qui relie lintercorrlation RBW (k), lautocorrlation RW W (k) et la rponse impul-
sionnelle h2 (k) (cours).

4-b Calculez lintercorrlation RZW , et montrez que si w(n) est blanc centr de variance 1, on en dduit
alors la rponse impulsionnelle h2 (n).

4-c Expliquez alors quoi sert le dispositif

et donnez lexpression de r(n).


Page 126 Chapitre V. Introduction au filtrage numrique

4-d On a considr ci-dessus que w(n) tait un bruit blanc. Si tel nest pas le cas, et si sa densit spectrale
de puissance SW W (f ) est connue, montrez que 
$ le signal w (n) obtenu comme la sortie dun filtre de
fonction de transfert en frquence G(f ) = 1/ SW W (f ) (on notera g(n) sa rponse impulsionnelle) est
un bruit blanc de variance unit. Comment faut-il alors modifier le dispositif prcdent?
Index

chantillonnage, . . . . . . . . . . . . . . . . . . . . . . . . 33, 34 Fonction de transfert, . . . . . . . . . . . . . . . . . . . . 25


Thorme de Shannon, . . . . . . . . . . . . . . . . . . 34 Fonctions propres, . . . . . . . . . . . . . . . . . . . . . . 25
Rponse impulsionnelle, . . . . . . . . . . . . . . . . .22
Aliasing, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Anticaulsalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 Filtres Numriques, 97, Rponse impulsionnelle98
Attnuation, . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Bruit blanc, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
temps discret, . . . . . . . . . . . . . . . . . . . . . . . . . 87 Convolution discrte, . . . . . . . . . . . . . . . . . . . . 99
Dphasage, . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Causalit, . . . . . . . . . . . . . . 102, . . . . . . . . . . . . . . 107 Fonction de transfert en frquence, . . . . . . 100
Convolution, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21, 21 Fonction de transfert en z, . . . . . . . . . . . . . . 101
Convolution graphique, . . . . . . . . . . . . . . . . . .24 Invariance en temps, . . . . . . . . . . . . . . . . . . . . 98
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 Linarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Relation de PARSEVAL, . . . . . . . . . . . . . . . . . 26 Rponse en frquence, . . . . . . . . . . . . . . . . . . 99
Thorme de P LANCHEREL, . . . . . . . . . . . . . 25 Retard de groupe, . . . . . . . . . . . . . . . . . . . . . . 101
Thorme de P LANCHEREL-PARSEVAL, . . 26 Transforme en z, . . . . . . . . . . . . . . . . . . . . . . 101
Convolution circulaire, . . . . . . . . . . . . . . . . . . . . . . 57 Filtres numriques
Convolution discrte, . . . . . . . . . . . . . . . . . . . . . . . . 57 tude des extrma, . . . . . . . . . . . . . . . . . . . . . 112
Convolution circulaire, . . . . . . . . . . . . . . . . . . 57 Antirsonnance, . . . . . . . . . . . . . . . . . . . . . . . 113
Convolution rapide, . . . . . . . . . . . . . . . . . . . . . . . . . 68 Causalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Cellule IIR Dordre 2, . . . . . . . . . . . . . . . . . . 117
Densits spectrale, 28 Cellule IIR ordre 1, . . . . . . . . . . . . . . . . . . . . 115
(dterministes) , . . . . . . . . . . . . . . . . . . . . . . . . 28 Cellules lmentaires, . . . . . . . . . . . . . . . . . . 108
Densit spectrale de puissance, . . . . . .84, . . . . . . 87 Extrma de la cellule dordre 2, . . . . . . . . . 118
FIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Ergodisme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Frquence de rsonnance, . . . . . . . . . . . . . . 118
Fentres de pondration, . . . . . . . . . . . . . . . . . . . . . 51 IIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Fentre cosinusode, . . . . . . . . . . . . . . . . . . . . 53 Largeur de bande la rsonnance, . . . . . . .113
Fentre de Blackman, . . . . . . . . . . . . . . . . . . . 54 Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Fentre de Dolph-Chebychev, . . . . . . . . . . . . 55 Structures, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Fentre de Gauss, . . . . . . . . . . . . . . . . . . . . . . . 54 Structures canoniques, . . . . . . . . . . . . . . . . . 121
Fentre de Hamming, . . . . . . . . . . . . . . . . . . . 54 Structures cascade, . . . . . . . . . . . . . . . . . . . . .122
Fentre de Hanning, . . . . . . . . . . . . . . . . . . . . . 53 Structures dcomposes, . . . . . . . . . . . . . . . 122
Fentre de Kaiser, . . . . . . . . . . . . . . . . . . . . . . . 55 Structures directes, . . . . . . . . . . . . . . . . . . . . .120
Fentre parabolique, . . . . . . . . . . . . . . . . . . . . 52 Structures DN, . . . . . . . . . . . . . . . . . . . . . . . . 121
Fentre rectangulaire, . . . . . . . . . . . . . . . . . . . 52 Structures ND, . . . . . . . . . . . . . . . . . . . . . . . . 122
Fentre triangulaire, . . . . . . . . . . . . . . . . . . . . . 52 Structures parallles, . . . . . . . . . . . . . . . . . . . 123
FFT, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 Zros de transmission, . . . . . . . . . . . . . . . . . 108
Algorithme de Cooley-Tukey, . . . . . . . . . . . . 59 FIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Bit reversal, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 tude des extrma, . . . . . . . . . . . . . . . . . . . . . 112
Convolution rapide, . . . . . . . . . . . . . . . . . . . . . 68 Antirsonnance, . . . . . . . . . . . . . . . . . . . . . . . 113
Entrelacement frquentiel, . . . . . .59, . . . . . . 62 FIR Dordre 1, . . . . . . . . . . . . . . . . . . . . . . . . 110
Entrelacement temporel, . . . . . . . . . . . . . . . . . 59 FIR ddordre 2, . . . . . . . . . . . . . . . . . . . . . . . . 111
Papillon, 60, . . . . . . . . . . 61, . . . . . . . . . . 63, 64 Fonction de covariance, . . . . . . . . . . . . . . . . . . . . . . 72
Filtrage adapt, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 Fonction de transfert en z, . . . . . . . . . . . . . . . . . . 101
Filtres, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21, 21 Fonctions de corrlation, 26, . . . . . . . . . . . . . . . . . 77
Causalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 (dterministes) Rxx (0), . . . . . . . . . . . . . . . . . . 28
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 (dterministes) Dfinition, . . . . . . . . . . . . . . . 27
Page 128 INDEX

(dterministes) Introduction, . . . . . . . . . . . . . 26 Thorme de la convolution, . . . . . . . . . . . . 103


(dterministes) Proprits, . . . . . . . . . . . . . . . 27 Transforme de F OURIER, 7
Dfinitions (signaux alatoires), . . . . . . . . . . 77 Dfinitions, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Relation convolution-corrlation, . . . . . . . . . 28 Lien avec les sries de F OURIER, . . . . . . . . . 18
Formule dinterpolation, . . . . . . . . . . . . . . . . . . . . . 37 Transforme de Fourier Discrte
Formule de Poisson, . . . . . . . . . . . . . . . . . . . . . . . . . 36 Thorme de la convolution, . . . . . . . . . . . . . 58
Formule des interfrences, . . . . . . . .81, . . . . . . . . 84 Thorme de Parseval, . . . . . . . . . . . . . . . . . . 56
Thorme du retard circulaire, . . . . . . . . . . . 58
IIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 Visualisation, . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
tude des extrma de la cellule dordre2 Zero-padding, . . . . . . . . . . . . . . . . . . . . . . . . . . 56
fin, 118 Transforme de Fourier discrte
Cellule dordre 1, . . . . . . . . . . . . . . . . . . . . . . 115 Fentres de pondration , . . . . . . . . . . . . . . . . 51
Cellule dordre 2, . . . . . . . . . . . . . . . . . . . . . . 117 FFT, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Frquence de rsonnance, . . . . . . . . . . . . . . 118 Inversion de la TFD, . . . . . . . . . . . . . . . . . . . . 48
Impulsion de D IRAC, . . . . . . . . . . . . . . . . . . . . 15, 15 Recouvrement de spectre, . . . . . . . . . . . . . . . .48
Applications, . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 Transforme de Fourier rapide, . . . . . . . . . . . 59
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 transforme de Fourier discrte, . . . . . . . . . . . . . . 47
Transforme de Fourier rapide, . . . . . . . . . . . . . . . 59
Moments, . . . . . . . . . . . . . . . 72, . . . . . . . . . . . . . . . 74
Algorithme de Cooley-Tukey, . . . . . . . . . . . . 59
Quantification, . . . . . . . . . . . . . 33, . . . . . . . . . . . . . 39 Bit reversal, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Erreur de quantification, . . . . . . . . . . . . . . . . . 40 Convolution rapide, . . . . . . . . . . . . . . . . . . . . . 68
Logarithmique, . . . . . . . . . . . . . . . . . . . . . . . . . 42 Entrelacement frquentiel, . . . . . .59, . . . . . . 62
Non uniforme, . . . . . . . . . . . . . . . . . . . . . . . . . . 42 Entrelacement temporel, . . . . . . . . . . . . . . . . . 59
uniforme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 Papillon, . . . . . . . . . . . . 61, . . . . . . . . . . . . 63, 64
Transforme en z, . . . . . . . . . . . . . . . . . . . . . 101, 102
Residu, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 Domaine de convergence, . . . . . . . . . . . . . . 102
Rponse impulsionnelle, . . . . . . . . . . . . . . . . . . . . . 98 Inversion, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Rsidu Monolatrale, . . . . . . . . . . . . . . . . . . . . . . . . . 102
Thorme des rsidus, . . . . . . . . . . . . . . . . . .106 Srie de Laurent, . . . . . . . . . . . . . . . . . . . . . . 101
Recouvrement de spectre, . . . . . . . . . . . . . . . . . . . . 48 Thorme de la valeur initiale et de la valeur
Relations dincertitude, . . . . . . . . . . . . . . . . . . . . . . 20 finale, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
Retard circulaire, . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 Thorme de Parseval, . . . . . . . . . . . . . . . . . 103
Rponse impulsionnelle, . . . . . . . . . . . . . . . . . . . . . 22

Signal alatoire, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Caractrisation lordre 2, . . . . . . . . . . . . . . . 72
Description, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Filtrage, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
gaussien, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
temps discret, . . . . . . . . . . . . . . . . . . . . . . . . . 77
Signaux alatoires
Ergodisme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Stationnarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Stationnarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Systmes linaires discrets invariants en temps, 98

TFD, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Thorme de Parseval, . . . . . . . . . . . . . . . . . . . . . . . 56
Thorme de Shannon
Formule dinterpolation, . . . . . . . . . . . . . . . . . 37
Thorme de Shannon, . . . . . . . . . . . . . . . . . . . . . . 34
Transfome en z
Thorme du retard, . . . . . . . . . . . . . . . . . . . 103
Transform en z