Académique Documents
Professionnel Documents
Culture Documents
Thorie du signal
novembre 2009
1
Table des matires
1
2.5.3 Calcul de produits de convolution . . . . . . . . . . . . . . . . . . . . . 27
2
4.3.3 Sries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4.1 Distance entre deux signaux . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4.2 Produit scalaire de deux signaux . . . . . . . . . . . . . . . . . . . . . . 48
4.4.3 Approximation dun signal . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4.4 Dveloppement en sries de Fourier . . . . . . . . . . . . . . . . . . . . 48
5 Signaux certains 49
5.1 Transforme de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1.1 Dfinition et existence . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1.2 Proprits de la transforme de Fourier . . . . . . . . . . . . . . . . . . 49
5.1.3 Exemple 1 : impulsion dcroissance exponentielle . . . . . . . . . . . . 51
5.1.4 Exemple 2 : transforme de Fourier de rect(t/T ) . . . . . . . . . . . . . 52
5.1.5 Thormes de Plancherel . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1.6 Thorme de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.2 Fonctions de corrlation des signaux nergie finie . . . . . . . . . . . . . . . . 56
5.2.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.2 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.3 Relation entre corrlation et convolution . . . . . . . . . . . . . . . . . . 57
5.3 Densits spectrale et interspectrale dnergie . . . . . . . . . . . . . . . . . . . . 59
5.3.1 Densit spectrale dnergie . . . . . . . . . . . . . . . . . . . . . . . . . 59
5.3.2 Densit interspectrale dnergie (DISE) . . . . . . . . . . . . . . . . . . 59
5.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5.3.4 Drivation de la fonction de corrlation . . . . . . . . . . . . . . . . . . 61
5.4 Signaux puissance moyenne finie . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.4.1 Extension de la transforme de Fourier . . . . . . . . . . . . . . . . . . 62
5.4.2 Corrlation des signaux puissance moyenne finie . . . . . . . . . . . . 63
5.4.3 Densits spectrale et interspectrale de puissance . . . . . . . . . . . . . . 64
5.5 Signaux priodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.5.1 Transforme de Fourier dun signal priodique . . . . . . . . . . . . . . 65
5.5.2 Enveloppe spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.5.3 Fonction de corrlation de signaux priodiques de mme priode . . . . . 68
5.5.4 Densit spectrale de puissance . . . . . . . . . . . . . . . . . . . . . . . 70
5.5.5 Densit interspectrale de puissance . . . . . . . . . . . . . . . . . . . . 71
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.6.1 Proprits de la transforme de Fourier (TF) . . . . . . . . . . . . . . . . 71
5.6.2 Calcul de transformes de Fourier . . . . . . . . . . . . . . . . . . . . . 72
5.6.3 Calcul de TF et tracs de leur spectres damplitude et de phase . . . . . . 73
5.6.4 Convolution et corrlation . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.6.5 Applications des transformes de Fourier . . . . . . . . . . . . . . . . . 74
5.6.6 Auto-corrlation, densits spectrales dnergie et de puissance . . . . . . 75
5.6.7 Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6 Signaux alatoires 78
6.1 Processus, signal et variable alatoire . . . . . . . . . . . . . . . . . . . . . . . . 78
6.1.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.1.2 Signaux alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3
6.1.3 Variables alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.1.4 Vecteurs alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.1.5 Statistique dordre 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.1.6 Statistiques dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2 Stationnarit et ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2.1 Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.2.2 Ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.3 Autocorrlation et autocovariance des processus alatoires . . . . . . . . . . . . 84
6.3.1 Autocorrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.3.2 Autocovariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.3.3 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.4 Densit spectrale de puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.4.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.4.2 Thorme de Wiener-Khintchine . . . . . . . . . . . . . . . . . . . . . . 89
6.4.3 Notion de bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.5 Intercorrlation et densit interspectrale de puissance . . . . . . . . . . . . . . . 92
6.5.1 Intercorrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.5.2 Densit interspectrale de puissance . . . . . . . . . . . . . . . . . . . . 92
6.5.3 Intercovariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.5.4 Fonction de cohrence . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.6 Combinaison de signaux alatoires . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.6.1 Transformation dun vecteur alatoire . . . . . . . . . . . . . . . . . . . 93
6.6.2 Somme de signaux alatoires . . . . . . . . . . . . . . . . . . . . . . . . 94
6.6.3 Thorme de la limite centrale . . . . . . . . . . . . . . . . . . . . . . . 95
6.6.4 Fonction dintercorrlation dune somme de variables alatoires . . . . . 95
6.6.5 Densit spectrale de puissance dune somme de variables alatoires . . . 96
6.7 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.7.1 Rappels de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.7.2 Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.7.3 Somme de deux signaux alatoires . . . . . . . . . . . . . . . . . . . . . 97
6.7.4 Signal binaire cadenc . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4
7.3.1 Signal connu dans du bruit : filtrage adapt . . . . . . . . . . . . . . . . 114
7.3.2 Signal inconnu dans du bruit . . . . . . . . . . . . . . . . . . . . . . . . 116
7.3.3 Extraction dun signal alatoire dans du bruit . . . . . . . . . . . . . . . 117
7.3.4 Filtre de Wiener . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
7.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.4.1 Oprateur idal de moyenne temporelle . . . . . . . . . . . . . . . . . . 120
7.4.2 Filtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
7.4.3 Extraction dune composante continue . . . . . . . . . . . . . . . . . . . 121
7.4.4 Fonction de cohrence . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.4.5 Application de lauto-corrlation . . . . . . . . . . . . . . . . . . . . . . 122
7.4.6 Filtrage - Praccentuation et dsaccentuation . . . . . . . . . . . . . . . 123
7.4.7 Amlioration du rapport signal bruit . . . . . . . . . . . . . . . . . . . 124
5
Chapitre 1
Dfinition 1.1.1 (Signal) vient du latin signum : signe ; variation dune grandeur physique de
nature quelconque porteuse dinformation.
Un signal est donc la reprsentation physique de linformation. Sa nature physique peut tre trs
variable : acoustique, lectronique, optique, etc.
Le mot signal est pratiquement toujours associ au mot bruit. Ce dernier est utilis dans le langage
commun, mais il revt, dans la thorie du signal, un sens bien particulier.
Dfinition 1.1.2 (Bruit) vient du latin populaire brugere : braire et rugire : rugir ; perturbation
indsirable qui se superpose au signal et aux donnes utiles, dans un canal de transmission ou
dans un systme de traitement de linformation.
6
T h o r ie d e l'in fo r m a tio n
m e ssa g e s m o ts -c o d e s
c a n a l
so u rc e d - d e s tin a -
c o d e u r m e tte u r r c e p te u r
c o d e u r ta ir e
b r u it
b r u it b r u it
T h o r ie d u s ig n a l
F IG . 1.1 Position des thories de linformation et du signal dans une chane de transmission de
linformation
Dfinition 1.1.3 (RSB) Le rapport signal bruit est le rapport des puissances du signal, PS , et
du bruit, PB :
PS
RSB = , (1.1)
PB
ou, en dB :
P
S
RSBdB = 10 log , (1.2)
PB
o log est le logarithme dcimal.
Le RSB mesure donc la qualit du signal. Cest une mesure objective. Cependant, dans de
nombreux cas, en particulier ceux o loprateur humain intervient dans la chane de traitement,
cette mesure nest pas trs significative. Ceci est particulirement vrai pour les signaux audio ou
les images et les vidos. Des mesures subjectives, ou des mesures plus fines, prenant en compte les
proprits de la perception humaine doivent tre mises en oeuvre. Ceci sera abord dans le cours
de Perception (N. Guyader) en 3i3, option Images et Signaux.
7
c a n a l
d tx rx d
t b D - b r
M o d u la te u r
tx rx m o d u la te u r
p n t p n r
c o d e p se u d o - c o d e p se u d o -
a l a to ir e sy n c h ro a l a to ir e
R F R F
8
d t
t f
1 /T s
p n t
t f
1 /T n
d t . p n t
t f
1 /T n
s ig n a u x te m p o r e ls s p e c tr e s
x (t) y (t)
d
se n s d e
d p la c e m e n t
bande de base rxb = dt pnt . Si le rcepteur possde la squence pseudo-alatoire pnr = pnt avec
synchronisation, on peut restituer le message binaire par simple multiplication :
On remarque que le dstalement de spectre restitue le signal mis dans sa bande de base (il
recontracte le spectre), alors quil tale le spectre de linterfrence i. Ce principe amliore ainsi
le rapport signal bruit dans la bande de frquence du signal utile, puisque lnergie du bruit est
disperse sur une trs large bande de frquences.
9
1
0.5
0.5
1
0 50 100 150 200 250 300 350 400 450 500
0.5
0.5
1
0 50 100 150 200 250 300 350 400 450 500
60
40
20
20
500 400 300 200 100 0 100 200 300 400 500
d
= , (1.6)
v
o v est la vitesse du tapis.
En fait, on rsout le problme autrement, en cherchant pour quel retard les signaux x(t )
et y(t) sont les plus similaires. La mesure de similarit peut seffectuer grce la fonction dinter-
corrlation : Z
yx ( ) = y(t)x(t )dt, (1.7)
W
10
r (t) = s (t) + b (t) + e (t)
-
G [ b (t)]
F
a lg o .
d 'a d a p t .
o A reprsente lattnuation qui varie en 1/d2 , b(t) est un bruit et reprsente le trajet aller-retour
du signal, cest--dire :
2d
, (1.9)
c
o c reprsente la vitesse de la lumire dans lair.
Le signal s(t) tant connu, la solution consiste filtrer le signal reu r(t) avec un filtre dont
la rponse impulsionnelle h(t) a une forme adapte au signal. On montre que (voir chapitre 6) la
rponse impulsionnelle h(t) doit tre gale :
On suppose que lon dispose dune rfrence G[b(t)], version filtre du bruit b(t). Pour retouver
le signal s(t), Widrow a propos de procder par soustraction, selon le schma de la figure 1.6.
On ajuste pour cela un filtre F qui permet destimer une approximation b(t) de sorte que lerreur
e(t) = r(t) b(t) ne dpende plus de b(t). En pratique, on ajuste les paramtres du filtre F de
sorte que lerreur e(t) et le bruit b(t) soient dcorrls, cest--dire telle que :
Cette mthode a t invente par Widrow pour extraire de faon non invasive le signal lec-
trocardiographique (ECG) dun foetus dans le ventre de sa mre, laide dune lectrode place
la surface de labdomen et dune autre place sur la poitrine de la mre. Le capteur abdominal
reoit lECG du foetus - trs faible - pollu (notamment) par lECG de la mre et llectrode sur
la poitrine fournit un signal de rfrence de lECG de la mre.
11
s ig n a u x m e s u r s s o u r c e s e x tr a ite s p a r A C I
F IG . 1.7 Extraction non invasive de signaux lectrocardiographiques du foetus par ACI : signaux
mesurs ( gauche), sources indpendantes extraites ( droite)
12
L r( x ,y ) ln [ L r( x ,y ) ] filtr e ln [ r ( x ,y ) ] r ( x ,y )
ln ( .) e x p ( .)
p a sse -b a s
rence, nest plus suffisante dans ce cadre non inform, dit aveugle.
La figure 1.7 ( gauche) montre les 8 signaux recueillis par des lectrodes places sur labdo-
men dune femme enceinte [4]. On voit que lECG ( une frquence de lordre de 1 Hz) de la mre
est trs prsent sur lensemble des traces ; en revanche, il est difficile de voir lECG du foetus.
Aprs analyse en composantes indpendantes, on obtient les composantes indpendantes ( droite
sur la figure 1.7) dont certaines sont faciles interprter. En effet, on remarque que lECG de la
mre napparat que sur les 3 premires sources, et que lECG du foetus est trs nettement prsent
dans les sources 6 et 8. Les autres composantes indpendantes sont plus difficiles interprter.
Considrons le logarithme de Lr :
En supposant que Li (x, y) varie lentement spatialement par rapport la rflectance, on peut ensuite
appliquer un filtre passe-haut spatial, F , sur le signal ln Lr (x, y). Aprs filtrage, on a alors :
F [ln Lr (x, y)] = F [ln (x, y)] + F [ln Li (x, y)] F [ln (x, y)] ln (x, y). (1.17)
Pour retrouver la rflectance, il suffit ensuite dappliquer une transformation non linaire expo-
nentielle. Cette mthode, appele filtrage homomorphique, est illustre la figure 1.8.
13
signaux nD : qui peuvent recouvrir diffrentes formes, par exemple des :
signaux multi-capteurs (n capteurs) : rseaux dantennes, signaux lectroencphalogra-
phique (EEG) ou magntoencephalographique(MEG) (jusqu 250 lectrodes)
signaux multi-modaux, cest--dire relatifs plusieurs modalits physiques : signal au-
dio/vido, association de signaux EEG, MEG et IRM (imagerie en rsonance magn-
tique).
1.3.1 Contenu
Consacr la thorie du signal, ce cours dcrit les outils mathmatiques ncessaires pour
manipuler des signaux dterministes ou alatoires, cest--dire les dcrire, les caractriser et les
comparer. Le chapitre 2 dcrit les signaux et fonctions lmentaires. La classification des signaux
est prsente au chapitre 3. Le chapitre 4 montre comment les signaux peuvent tre dcrits dans
des espaces vectoriels, dits espaces de Hilbert. Le chapitre 5 est consacr ltude des signaux
certains. Les outils pour la manipulation des signaux alatoires sont lobjet du chapitre 6. Enfin, le
chapitre 7, intitul Oprateurs fonctionnels, prsente quelques mthodes classiques de traitement
du signal, comme applications des outils des chapitres prcdents.
1.3.2 Rfrences
Il existe de nombreux ouvrages de thorie du signal, en franais comme en anglais. Ce cours
sest inspir de plusieurs de ces ouvrages, et en particulier des livres suivants :
F. De Coulon, Thorie et traitement des signaux, Dunod, 1984 [3]
P. Duvaut, Traitement du signal, concepts et application, Herms, Paris, 1991 [6]
J. Max, J.-L. Lacoume, Mthodes et techniques de traitement du signal et application aux
mesures physiques, Masson, Paris, 1996 [8]
G. Blanchet, M. Charbit, Traitement numrique du signal, Herms, Paris, 1998
A. Papoulis, Probability, Random Variables and Stochastic Processes, McGraw-Hill, 1984
[9]
L. Scharf, Statistical Signal Processing : detection, estimation and time series analysis,
Addison-Wesley, 1991
Louvrage de De Coulon est daccs facile. Louvrage dA. Papoulis, bien quen anglais, est
un ouvrage de rfrence, assez facile galement. La plupart de ces ouvrages sont accessibles
la bibliothque de PolytechGrenoble ou la bibliothque inter-universitaire. Dautres ouvrages
correspondent aux mthodes de traitement du signal [10, 1]
Si vous voulez vous procurer ces ouvrages (dont certains sont puiss), vous pouvez les re-
chercher chez les vendeurs de livres doccasion ou sur les sites Internet spcialiss, gnralement
des tarifs trs attractifs.
14
1.3.3 Avertissement
La thorie du signal comporte donc un grand nombre de dfinitions et doutils nouveaux. A
chaque cours, vous devrez parfaitement assimiler de nouvelles connaissances pour tre capable de
suivre la suite du cours. Pour cela, au risque dtre trs vite dpass, vous devez :
apprendre par coeur les dfinitions,
savoir vos formules, ou au moins savoir quelles existent. Lidal serait de les connatre
aussi par coeur ; une solution pragmatique est de bien utiliser le formulaire fourni avec ce
cours, et de le personnaliser rgulirement.
15
Chapitre 2
Usuellement, on prend sgn(0) = 0 (figure 2.1 gauche). Avec cette convention, la fonction sgn
est une fonction impaire :
sgn(t) = sgn(t), t. (2.3)
s g n (t) e (t)
+ 1 + 1
t t
- 1
16
r (t)
+ 1
t
1
r e c t(t) r e c t(t/T )
1 1
t t
- 1 /2 1 /2 - T /2 T /2
Cette fonction est illustre la figure 2.1, droite. On montre facilement les relations :
(t) = 12 sgn(t) + 12
(2.5)
sgn(t) = 2(t) 1.
17
r e c t(t) r e c t(t/T )
1 1
t t
- 1 /2 1 /2 - T /2 T /2
t t
t -1 /2 t + 1 /2 t -T /2 t + T /2
rectT (t) = rect(t/T ) = (t/T + 1/2) (t/T 1/2) = (t + T /2) (t T /2). (2.8)
On remarque que laire de la fonction rectangle de largeur T vaut T . Ces deux fonctions sont illus-
tres la figure 2.3. Pour simplifier la reprsentation, on reprsentera frquemment ces fonctions
sans tenir compte des discontinuits en 1/2 ou T /2 (figure 2.4).
Une fonction rectangle de largeur unit translate de + scrit simplement rect(t ) (figure
2.5, gauche). Elle vaut 1 sur lintervalle ] 1/2, +1/2[ et 0 sur lintervalle ], 1/2[] +
1/2, +[. De faon similaire, une fonction rectangle de largeur T , translate de (figure 2.5,
droite) scrit : t
rect . (2.9)
T
La fonction rectangle est trs utile pour exprimer mathmatiquement une portion dun signal de
largeur T . Par exemple, on veut exprimer la portion du signal x(t) dans lintervalle t [t1 , t2 ]
(Figure 2.6). La fonction rectangle sur cet intervalle a pour largeur T = t2 t1 et est translate de
= (t1 + t2 )/2. On peut donc lcrire :
t t (t + t )/2
1 2
rect = rect . (2.10)
T t2 t1
Considrons maintenant le produit :
t
x(t) = x(t)rect . (2.11)
T
Par dfinition de la fonction rect, cette fonction est gale x(t) sur lintervalle t [t1 , t2 ] et nulle
en dehors.
La fonction rectangle, utilise dans le domaine frquentiel, permettra aussi de dfinir des filtres
idaux, passe-bas, passe-haut ou passe-bande.
18
r e c t[ (t-t )/T ]
1
t
t -T /2 t + T /2
x (t)
t
t -T /2 t + T /2
~
x ( t) = r e c t[ ( t- t ) /T ] .x ( t)
t
t -T /2 t + T /2
F IG . 2.7 Fonctions triangle unit ( gauche), triangle unit translate de (au milieu) et triangle
daire 2T translate de ( droite)
Notons que laire de la fonction triangle unit vaut 1 et que la largeur de son support vaut 2.
On peut galement appliquer les oprateurs de translation et dhomotthie cette fonction :
la fonction tri(t ) est une fonction triangle unit translate de + ,
la fonction tri[(t )/T ] est une fonction triangle de largeur 2T (ou daire gale T ) trans-
late de + .
Cette fonction triangle est trs usuelle. Nous verrons dans les chapitres suivants quelle inter-
vient notamment dans le rsultat du produit de convolution de deux fonctions rectangle, ou dans
lauto-corrlation dun signal rectangle.
19
d (t) d (t-t ) 2 .d ( t- t )
1 1 1
t t t
t t
le phnomne dchantillonnage.
20
d (t-t )
1
t
t
x (t)
t
t
d (t-t ) x (t) = d (t-t ) x (t-t )
t
t
F IG . 2.9 Le produit dune fonction x(t) par (t ) est gal x(t ). Le produit par une
distribution de Dirac permet de raliser une opration lmentaire dchantillonnage
Z +
= x(t0 )(t t0 )
Z +
= x(t0 ) (t t0 )
= x(t0 ). (2.16)
Peigne de Dirac
Pour chantillonner un signal avec une priode dchantillonnage rgulire T , il est pratique
de dfinir une suite dimpulsions de Dirac, priodique et de priode T . Cette distribution, appele
peigne de Dirac et note T (t), est dfinie (figure 2.10) par :
+
X
T (t) = (t kT ). (2.17)
k=
Pour chantillonner une fonction x(t), cest--dire prlver des chantillons infiniment brefs, avec
une priode T , il suffit donc deffectuer le produit de x(t) par un peigne de Dirac :
21
d T(t)
1
t
T
x (t)
t
T
d T(t) x (t)
t
T 2 T
F IG . 2.10 Peigne de Dirac de priode T (en haut). Cette distribution permet deffectuer lchan-
tillonnage rgulier (en bas) dun signal x(t) (au milieu) par simple produit ( t)x(t)
x (t) re p T { x (t)}
t t
- T T
+
X
= x(kT )(t kT ). (2.18)
k=
22
1
0.8
0.6
0.4
0.2
0.2
0.4
5 4 3 2 1 0 1 2 3 4 5
x (t) y (t)
h (t)
Sa reprsentation est donne la figure 2.12. On montre facilement les proprits suivantes :
la fonction sinus cardinal est paire : sinc(u) = sinc(u),
sinc(u) 1 lorsque u 0,
sinc(u) = 0 si sin(u) = 0, cest--dire si u = k Z .
Par ailleurs, on montre galement1 que :
Z +
sinc(u)du = 1, (2.21)
Z +
sinc2 (u)du = 1. (2.22)
2.3.1 Dfinition
Dfinition 2.3.1 (Produit de convolution) Le produit de convolution entre deux fonctions x(t) et
h(t), not par le symbole , est dfini par les intgrales :
Z +
(x h)(t) = x(u)h(t u)du (2.23)
Z +
= x(t v)h(v)dv (2.24)
= (h x)(t). (2.25)
1
lexercice est assez difficile par le thorme des rsidus, mais trs facile en utilisant le rsultats du chapitre 5
23
On retiendra que le produit de convolution est commutatif. Souvent, en traitement du signal, on
note de faon pratique la convolution de deux fonctions x(t) et h(t) sous la forme :
On utilisera cette notation par la suite, malgr quelle soit parfois ambigu comme on le verra plus
loin.
On remarque que h(t) est la rponse du filtre excit par une impulsion de Dirac, do le nom de
rponse impulsionnelle du filtre donn h(t).
2.3.2 La convolution en BD
A partir de la dfinition, on peut reprsenter lopration de convolution de deux signaux de
faon graphique simple, comme lillustre la figure 2.14.
En effet, lquation :
Z +
x(t) h(t) = x(u)h(t u)du, (2.28)
requiert la fonction x(u), la fonction h(t u), et lintgration du produit de ces deux fonctions
sur R pour chaque valeur de t.
Ainsi, h(u) est la mmoire du systme : le signal x(u) est pondr aux diffrents instants
par h(t u). Dans la figure 2.14, la forme de h(t) est exponentielle. Un filtre h(u) rponse
impulsionnelle rectangulaire, de la forme h(u) = rect(u 1/2) aurait donn une pondration
uniforme sur une fentre de dure 1.
2.3.3 Proprits
A partir de la dfinition du produit de convolution, on montre facilement que le produit de
convolution est
commutatif : x1 (t) x2 (t) = x2 (t) x1 (t),
associatif : x1 (t) (x2 (t) x3 (t)) = (x1 (t) x2 (t)) x3 (t),
distributif par rapport laddition : x1 (t) (x2 (t) + x3 (t)) = x1 (t) x2 (t) + x1 (t) x3 (t).
Ces dmonstrations sont laisses au lecteur titre dexercice.
est-il une fonction de u ou de t ? Autrement dit, lintgration porte-t-elle sur t ou sur u ? Nul ne
peut le dire !
24
x (u ) h (u )
u u
h (-u )
h (t - u )
t
y (t) = x (u )h (t - u )d u
x (u )h (t - u )
u u
t t
F IG . 2.14 Convolution en BD
25
Si ce produit est une fonction de t, u est donc un simple paramtre, et il faudrait de faon
rigoureuse, dfinir les fonctions :
x1 (t) = x(t u)
(2.30)
y1 (t) = y(u 2t)
On peut alors crire, sans ambigit :
x1 (v) = x(v u)
(2.32)
y1 (t v) = y(u 2(t v)),
do le rsultat : Z
z(t) = x(v u)y(u 2(t v))dv. (2.33)
Valeur efficace : p
xef f = Px . (2.38)
26
2.5 Exercices
2.5.1 Fonctions rectangle et triangle
Dfinitions de fonctions
Donner lquation dune fonction rectangle damplitude A, de largeur 2T centre au point
t = .
Montrer que rect(t) = (t + 1/2) (t 1/2).
Montrer que rect(t/T ) = (t + T /2) (t T /2).
Exprimer laide de seules fonctions sgn la fonction x(t) = A rect( tt0
T /2
).
Calcul dintgrales R +
Calculer lintgrale A rect( t ) dt.
R +
Calculer lintgrale A tri( t ) dt.
Calculer la valeur moyenne de x(t) = repT A rect( t ) .
Calculer la valeur moyenne de y(t) = repT A tri( t ) .
27
P+
Calculer le produit de convolution des deux fonctions x(t) =
7. P i=0 ei (t iT ) et y(t) =
2
j=0 bj (t jT ) avec b0 = 1, b1 = 1 et b2 = 1.
P4
8. Calculer le produit de convolution des deux fonctions x(t) = i=0 (t iT ) et y(t) =
T (t), avec 5T = 4T .
28
Chapitre 3
Ce chapitre considre diffrentes proprits des signaux. Ces proprits seront trs importantes
pour la classification de signaux et, en consquence, leur modlisation, les oprations possibles, la
dfinition de mesures adaptes, etc.
Un signal est le rsultat dun systme physique rel, qui est donc ralisable, ce qui induit
plusieurs proprits :
lnergie du signal est borne,
lamplitude du signal est borne,
lamplitude du signal est une fonction continue, en raison de linertie du systme,
le spectre du signal est born et tend vers 0 lorsque la frquence tend vers linfini.
3.1.2 Modle
Les modles de signaux sont des reprsentations mathmatiques (fonctions relles ou com-
plexes, fonctionnelles, etc.) qui reposent frquemment sur des hypothses simplificatrices (parfois
fausses !) mais permettant deffectuer des calculs thoriques.
Par exemple :
un chantillon dnergie finie mais infiniment bref nest pas ralisable ; il est cependant
pratique dutiliser une impulsion de Dirac pour reprsenter une impulsion de dure trs
brve,
un signal sinusodal x(t) = sin t nest pas ralisable, car un signal produit par un systme
physique rel ne peut pas exister de + ; cest cependant un modle mathmatique
trs usuel.
Le modle est donc une approximation de la ralit, dans lequel on considre les proprits
importantes dans le contexte de ltude. Lintrt du modle dpend donc de la qualit de lap-
proximation et de sa facilit demploi, dans un contexte donn.
29
3.1.3 Classes de signaux
On peut classer les signaux selon diffrentes approches, ce qui induit des recouvrements entre
les classes ainsi dfinies.
Par exemple, on peut considrer :
le caractre dterministe (ou certain) ou alatoire des signaux,
le caractre nergtique : signaux nergie finie ou puissance moyenne finie,
le caractre continu ou discret du signal x(t), cest--dire de son argument t (chantillon-
nage) ou de sa valeur (quatification),
le caractre spectral : signaux basse ou haute frquence, large bande, bande troite ; signaux
blancs ou en 1/f , etc.
la dimension des signaux :
signaux 1D : x(t) (signal reu par un microphone monophonique),
signaux 2D : I(x, y) (image, signal reu par un microphone strophonique)
signaux 3D : I(x, y, z) (image volumique en tomographie ou IRM, I(x, y, f ) (image
hyperspectrale), I(x, y, t) (squence dimages 2D),
signaux 4D ou 3D +t (squence dimages 3D, en IRM par exemple),
signaux N-D, typiquement reus par un rseaux de capteurs (rseaux dantennes, ou de
microphones).
Dfinition 3.2.2 (Signal alatoire) Un signal x(t) est alatoire si son volution est imprvisible
et ne peut tre dcrite que par des grandeurs et mthodes statistiques.
Remarque 3.2.1 La somme (ou le produit, ou toute autre opration) dun signal dterministe et
dun signal alatoire est donc un signal alatoire.
A lintrieur de chacune de ces deux grandes classes, on peut dfinir dautres proprits.
Pour les signaux dterministes, on considre :
les signaux priodiques ou non priodiques,
les signaux priodiques peuvent tre sinusodaux, composites ou pseudo-alatoires,
les signaux non-priodiques peuvent tre quasi-priodiques ou transitoires
En ce qui concerne les signaux alatoire, on peut dfinir :
les signaux stationnaires ou non stationnaires,
les signaux stationnaires peuvent tre ergodiques ou non ergodiques,
les signaux non stationnaires peuvent tre cyclo-stationnaires ou quelconques.
Lobjet de ce chapitre est de dfinir de faon prcise ces principales proprits.
30
Signaux priodiques
Dfinition 3.2.3 (Signal priodique) Un signal x(t) est priodique sil existe un rel T > 0, tel
que :
x(t) = x(t + kT ), k Z. (3.1)
Si T est le plus petit rel satisfaisant (3.1), T est appele priode du signal.
Signaux quasi-priodiques
Les signaux quasi-priodiques sont produits par la somme ou le produit de signaux sinusodaux
de priodes incommensurables, cest--dire dont le rapport nest pas rationnel. Ainsi, le signal :
2t 2t
x(t) = sin + sin , (3.2)
T1 T2
avec T1 /T2
/ Q, est quasi-priodique.
Notations complexes
Il est souvent commode de reprsenter le signal rel sinusodal :
2
x(t) = A sin t, (3.3)
T
par la partie imaginaire dune fonction exponentielle complexe :
2
z(t) = A exp j t . (3.4)
T
Lintrt de cette notation rside dans les proprits de calculs remarquables de la fonction exp.
De plus, en appliquant la formule dEuler, on peut crire (en notant z le complexe conjugu
de z) :
jA sin 2 1
T t = 2 (z(t) z (t))
(3.5)
= A2 exp j 2t T A
2 exp j 2t
T .
On peut donc voir le signal x(t) comme la composition (somme) de deux phaseurs conjugus,
lun tournant dans le sens direct la pulsation = 2/T et lautre = 2/T . Pour tenir
compte de ces rotations de sens opposs, on parle de frquences positives et ngatives, mais il
est clair que ce sont des notions purement formelles (lies au modle complexe) qui nont aucune
signification physique.
Dfinition 3.2.5 (Signal stationnaire lordre n) Un signal alatoire x(t) est stationnaire lordre
n, si ses caractristiques statistiques sont invariantes dans le temps, jusqu lordre n inclus.
31
Exemple 3.2.1 Un signal alatoire x(t) est stationnaire lordre 2, si sa moyenne, sa variance
et sa focntion dauto-corrlation ne dpendent pas du temps.
Dfinition 3.2.6 (Signal ergodique) Un signal alatoire x(t) est ergodique si les valeurs moyennes
statistiques (moyennes densemble) sont gales aux valeurs moyennes temporelles (sur une rali-
sation).
Cette proprit est trs importante en pratique, car elle permet destimer la moyenne statistique
par une moyenne temporelle sur une seule ralisation :
Z +T
1
E[x(t)] = lim x(t)dt (3.6)
T + 2T T
Les caractristiques des signaux alatoires sont mesures sur des temps dobservation finie.
En pratique, la stationarit ou lergodicit seront considres sur la fentre dobservation.
Si le diple est une simple rsistance R, chaque instant t on a v(t) = Ri(t), do lexpres-
sion :
v 2 (t)
p(t) = Ri2 (t) = . (3.8)
R
Lnergie dissipe dans le diple entre deux instants t1 et t2 vaut alors :
Z t2 Z t2 Z t2
1
W (t1 , t2 ) = p(t)dt = R i2 (t)dt = v 2 (t)dt, (3.9)
t1 t1 R t1
Dfinition 3.3.1 (Energie et puissance moyenne sur un intervalle) Par analogie, on appelle ner-
gie (normalise) ou puissance moyenne (normalise) dun signal rel x(t) sur lintervalle [t1 , t2 ],
les grandeurs suivantes : Z t2
Wx (t1 , t2 ) = x2 (t)dt, (3.11)
t1
et : Z t2
1
Px (t1 , t2 ) = x2 (t)dt. (3.12)
t2 t1 t1
p
La valeur efficace du signal x(t) est gale Px (t1 , t2 ).
32
Dans la dfinition prcdente, ladjectif normalis est prcis pour souligner que lnergie ou
la puissance sont dfinies un facteur prs qui dpend de la nature du signal (courant ou tension,
dans le cas dun signal lectrique).
Finalement, on peut dfinir lnergie totale et la puissance moyenne totale dun signal, cest-
-dire sur R :
Dfinition 3.3.2 (Energie et puissance moyenne dun signal sur R) On appelle nergie totale
ou puissance moyenne total dun signal rel x(t) les grandeurs suivantes, si elles existent :
Z +
Wx = x2 (t)dt, (3.13)
et :
Z
1 +T /2 2
Px = lim x (t)dt. (3.14)
T + T T /2
La valeur efficace du signal x(t) est gale Px .
Cas de signaux complexes. Dans le cas de signaux complexes, dans les intgrales, on remplace
x2 (t) par |x(t)|2 = x(t)x (t).
Cas des signaux priodiques. Dans le cas de signaux priodiques, la puissance moyenne totale
est gale la puissance moyenne sur une priode.
cest--dire si : Z +
|x(t)|2 dt < +. (3.16)
Les signaux nergie finie sont aussi appels signaux de carr sommable ou de carr int-
grable.
33
3.3.3 Signaux puissance moyenne finie
Dfinition 3.3.4 (Signal puissance moyenne finie) Un signal x(t), dfinie sur R, est puis-
sance moyenne finie sur cet intervalle si :
Z
1 +T /2
0 < Px = lim |x(t)|2 dt < +. (3.18)
T + T T /2
La dfinition exclut le cas de signaux puissance moyenne nulle, qui correspond des signaux
nergie finie.
Exemple 3.3.2 Le signal x(t) = sin(t) est un signal puissance moyenne finie sur R. En effet,
|x(t)|2 = sin2 (t) = (1 cos t)/2, et en intgrant :
Z +T /2
1 1
Px = lim (1 cos t)dt = (3.19)
T + T T /2 2
En revanche, lintgrale Wx diverge : le signal nest donc pas nergie finie.
3.5.2 Parit
Un signal dterministe x(t) est pair si x(t) = x(t) ; il est impair si x(t) = x(t). On peut
remarquer quil est toujours possible de dcomposer un signal x(t) en la somme dun signal pair
et dun signal impair :
x(t) = xp (t) + xi (t), (3.20)
avec : (
x(t)+x(t)
xp (t) = 2 ,
x(t)x(t) (3.21)
xi (t) = 2 .
34
X (f)
B a s s e fr q u e n c e
f
X (f)
H a u te fr q u e n c e
f
X (f)
B a n d e tr o ite
f
X (f)
B a n d e la r g e
f
3.5.3 Causalit
Dfinition 3.5.1 (Signal causal) Un signal x(t) est causal sil est nul pour toute valeur ngative
de t.
On peut montrer quun signal rel causal est donc tel que xi (t) = xp (t)sgn(t).
Exemple 3.5.1 Gnralement, un filtre ralisable, de rponse impulsionnelle h(t), est causal,
cest--dire que h(t) = 0, t < 0.
En traitement dimages, les filtres sont non causaux car la valeur filtre dun pixel I(x, y) dpend
gnralement de tous ses voisins.
3.6 Exercices
3.6.1 Classification de signaux
Soient x(t) un signal dterministe et b(t) un signal alatoire. Prciser la nature dterministe
ou alatoire des signaux suivants.
1. x1 (t) = Ax(t), o A est un gain rel
2. x2 (t) = x(t) sin t,
3. x3 (t) = x(t)(t),
4. x4 (t) = x(t) + b(t),
5. x5 (t) = |b(t)|,
6. x6 (t) = x(t)b(t),
7. x7 (t) = x(t)b(t)/|b(t)|.
35
3.6.2 Classification nergtique de signaux simples
Dterminer si les signaux suivants sont nergie finie ou puissance finie. Calculer pour
chacun lnergie et la puissance moyenne totale.
1. x1 (t) = A rect(t),
2. x2 (t) = A sin t,
3. x3 (t) = A (t) sin t,
4. x4 (t) = (t),
5. x5 (t) = A exp(at) (t), o a > 0,
6. x6 (t) = A exp(at),
7. x7 (t) = A tri(t/T ).
36
Chapitre 4
Le vecteur a = (a1 , . . . , aK )T est une reprsentation du signal x(t) dans la base = {1 (t), . . . , K (t)}.
Lopration externe est distributive par rapport laddition sur le corps C et par rapport
lopration interne dans E :
( + )x = x x et (x y) = x y. (4.3)
Un espace vectoriel E est norm si on peut dfinir une norme, cest--dire une application de
E dans R+ , qui tout vecteur ~x de E associe k~xk. La norme possde les proprits suivantes :
37
~x, k~xk 0,
k~xk = 0 ~x = ~0,
(~x, ~y ), k~x + ~y k k~xk + k~y k.
Un espace vectoriel est dit mtrique si tout couple de vecteurs (~x, ~y ) est associ un rel
d(~x, ~y ) tel que :
d(~x, ~y ) 0,
d(~x, ~y ) = 0 ~x = ~y
d(~x, ~y ) = d(~y , ~x).
La mesure d(~x, ~y ) est appele distance. Une distance usuelle est obtenue partir de la norme par :
Une suite infinie {x~n } dlments dun espace vectoriel mtrique converge vers un vecteur ~x
de cet espace si :
lim d(x~n , ~x) = 0. (4.5)
n+
Un espace vectoriel norm dans lequel toute suite est convergente est dit complet. On lappelle
aussi espace de Banach.
Dfinition 4.1.2 (Espace de Hilbert) Un espace de Hilbert est un espace vectoriel norm com-
plet (espace de Banach) dont la norme k.k dcoule dun produit scalaire ou hermitien < ., . >,
par la formule < x, x >= kxk2 .
Un espace de Hilbert est la gnralisation en dimension quelconque dun espace vectoriel eu-
clidien ou hermitien.
x(t) ~x = (x1 , . . . , xK )T ,
(4.7)
y(t) ~y = (y1 , . . . , yK )T ,
38
On peut alors dfinir la distance entre les signaux :
Par analogie, on peut dfinir la distance entre deux signaux sur un intervalle T par :
Z 1/2
d2 (x(t), y(t)) = K |x(t) y(t)|2 dt . (4.10)
T
La distance entre deux signaux x et y est alors dfinie par la distance euclidienne :
Z t2 1/2
d(x, y) = kx yk = |x(t) y(t)|2 dt . (4.14)
t1
Dans L2 (t1 , t2 ), on dit quun signal x(t) converge en moyenne quadratique vers y(t) si d(x, y)
0.
39
4.2 Fonctions orthogonales
4.2.1 Produit scalaire de signaux dans L2 (t1 , t2 )
Soient deux vecteurs ~x = (x1 , . . . , xK )T et ~y = (y1 , . . . , yK )T dans une base B, on peut
dfinir le produit scalaire des vecteurs :
K
X
~x ~y = xk yk , (4.15)
k=1
On remarque que < x, y >6=< y, x >. En revanche, cette dfinition possde la symtrie
hermitienne. On a en effet :
< x, y >=< y, x > . (4.17)
Par ailleurs, en raison de la dfinition ci-dessus et de la linarit de lintgrale, le produit
scalaire de sommes de signaux se dveloppe facilement selon la rgle de calcul :
< a1 x1 +a2 x2 , b1 y1 +b2 y2 >= a1 b1 < x1 , y1 > +a1 b2 < x1 , y2 > +a2 b1 < x2 , y1 > +a2 b2 < x2 , y2 >,
(4.18)
o a1 , a2 , b1 , b2 sont des scalaires.
Le choix de lintervalle [t1 , t2 ] est important : < x, y >= 0 dans [t1 , t2 ] nentrane pas
lorthogonalit dans tous les intervalles.
40
Dans le cas particulier ou les signaux sont orthogonaux, < x, y >= 0, la relation (4.20) se
simplifie et donne le thorme de Pythagore :
d2 (x, ky) =< x, x > +|k|2 < y, y > k < x, y > k < x, y > 0. (4.24)
< x, y >
k= . (4.25)
< y, y >
2
<x,y>
d2 (x, ky) = < x, x > + <x,y> <x,y>
<y,y> < y, y > <y,y> < x, y > <y,y> < x, y > 0
= < x, x > <x,y>
<y,y> < x, y > 0
2
= < x, x > |<x,y>|
<y,y> 0.
(4.26)
On en tire lingalit de Schwartz :
On remarque que lgalit est atteinte si et seulement si d(x, ky) = 0, cest--dire si x(t) =
ky(t).
41
4.2.5 Approximation dun signal dans L2 (t1 , t2 )
Soit un signal x(t) L2 (t1 , t2 ) de dimension K, et B = {1 (t), . . . , M (t)}, avec M < K,
une base dun sous-espace EM de L2 (t1 , t2 ). On peut dfinir dans EM une approximation dordre
M de x(t), note x(t) :
M
X
x(t) = m m (t). (4.29)
m=1
Lerreur dapproximation est dfinie par :
On peut donc dfinir la meilleure approximation x dans ce sous-espace au sens des moindres
carrs si les coefficients m sont choisis de faon minimiser la distance d(x, x).
telle que lerreur e(t) = x(t) x(t) est orthogonale m (t), m = 1, . . . , M . Considrons une
autre approximation :
XM
x(t) = m m (t), (4.33)
m=1
et calculons :
d2 (x, x) = d2 (x x, x x),
(4.34)
= kx xk2 + kx xk2 2(< x x, x x >).
P
Or, x(t) x(t) = m (m m )m (t) et < e, m >= 0, m = 1, . . . , M . Par consquent, on
a:
< x x, x x >= 0, (4.35)
do, en reportant dans (4.34) :
42
x
e = x - x
E x
M
< e, k > = 0,
< x x, x > = 0,
(4.37)
< x, x > < x, x > = 0,
< x, x > = kxk2 .
En notant :
a = (1 , . . . , K )T , et
km = < k , m > (4.40)
m = < x, m >
a = T . (4.41)
Cas dune base orthogonale. Si les {k } forment une base orthogonale, pour k 6= m, on a
km = 0 et la matrice est diagonale. On a alors simplement = T do {1 }kk = 1/kk ,
et les coefficients k sexpriment par lquation :
k < x, k >
k = = , k = 1, . . . , K. (4.42)
kk < k , k >
43
4.2.8 Qualit de lapproximation
On mesure la qualit de lapproximation par lerreur relative, que lon exprime en dB. Cette
mesure donne le rapport signal/erreur, R :
kxk2 kxk2 kxk2 1
R= 2
= 2
= 2 2
= kxk2
, (4.43)
kek kx xk kxk kxk 1 kxk 2
o la troisime galit est obtenue en appliquant le thorme de Pythagore, car kxk2 = kek2 +
kxk2 . On peut aussi exprimer cette relation en dB :
kxk2
RdB = 10 log R = 10 log 1 . (4.44)
kxk2
do (puisque kek2 0) :
K
X Z t2
|k |2 kk |x(t)|2 dt = kxk2 . (4.46)
k=1 t1
Puisque les coefficients kk =< k , k >= kk k2 > 0, cette dernire expression montre que
la qualit de lapproximation augmente avec K et on peut crire :
K
X
lim |k |2 kk = kxk2 , (4.47)
K+
k=1
qui montre que lnergie du signal est gale la somme de lnergie de ses composantes.
Cas de fonctions orthonormes. Si les fonctions k sont aussi normes, cest--dire si <
k , k >= kk = 1, on a simplement :
44
Lgalit de Parseval devient simplement :
+
X
|k |2 = kxk2 . (4.51)
k=1
k = k + 1, (4.52)
puis :
k1
X
wk (t) = vk (t) < vk , i > i (t) (4.53)
i=1
et on norme :
wk (t)
k = (4.54)
kwk k
45
1 (t)
1
t
D T
2 (t)
1
t
2 D T
D T
(t)
1 1
t
T
2 (t)
1
t
T
3 (t)
1
t
T
46
(t)
1 1
t
T
2 (t)
1
t
T
3 (t)
1
t
T
4.4 Exercices
4.4.1 Distance entre deux signaux
On considre les deux signaux :
xn (t) = A sin(2nt/T ) rect[(t T /2)/T ] et yp (t) = A cos(2pt/T ) rect[(t T /2)/T ],
(4.61)
47
o n et p sont des entiers positifs.
1. Calculer la distance euclidienne d(xn , yp ) avec K = 1, des deux signaux en fonction des
entiers n et p.
2. Calculer les normes des signaux xn (t) et yp (t).
3. En dduire que xn (t) et yp (t) sont orthogonaux.
At t T /2
x(t) = rect , (4.62)
T T
sur lintervalle [0, T ].
48
Chapitre 5
Signaux certains
Remarques.
R (5.1) existe, cest--dire si x(t) est une fonction borne et abso-
La TF existe si lintgrale
lument intgrale donc si |x(t)|dt existe.
La dimension de la variable f est [t]1 si x(t) est une fonction de t.
On note X(f ) = F{x(t)} et x(t) = F 1 {X(f )}, ou de faon abrge :
Linarit
49
Parit
x(t) X(f )
relle paire relle paire
relle impaire imaginaire impaire
imaginaire paire imaginaire paire
imaginaire impaire relle impaire
On retiendra que la TF conserve la parit. Pour une fonction paire, la nature relle ou imaginaire
nest pas change. En revanche, pour une fonction impaire, la nature est modifie.
Complexe conjugu
x (t) X (f ). (5.5)
1
x(at) X(f /a). (5.6)
|a|
On peut noter le cas particulier :
Translation sur t
dn
x(t) (j2f )n X(f ). (5.10)
dtn
50
Intgration de la variable t
Z t Z +
1
x(u)du X(f ), si x(u)du = 0. (5.11)
j2f
Calcul de X(f )
Par dfinition, on crit :
R +
X(f ) = F{x(t)} = x(t) exp(j2f t)dt
R
1 +
= 0 exp(t/
) exp(j2f
t)dt
R
1 + t (5.14)
= 0 exp (j2f t + ) dt
h i
exp ((j2f t+ t )) +
= 1 (j2f +1/ ) ,
0
do finalement :
1
X(f ) = . (5.15)
1 + j2f
Reprsentation de X(f )
X(f ) est une fonction complexe que lon peut reprsenter par son module et sa phase.
est une fonction impaire de f (Fig. 5.1, en bas). Au voisinage de 0, elle est quivalente 2f ,
et les limites sont :
limf + (X(f )) = /2
(5.18)
limf (X(f )) = +/2.
51
1
0.8
0.6
0.4
0.2
0
25 20 15 10 5 0 5 10 15 20 25
2
25 20 15 10 5 0 5 10 15 20 25
frquence f
F IG . 5.1 Module (en haut) et argument (en bas) de la transforme de Fourier de x(t) ( = 0.1s)
On retiendra que pour un signal rel, x(t), la transforme de Fourier, X(f ) est telle que :
|X(f )| est paire,
(X(f )) est impaire.
En ce qui concerne la phase, rappelons que cest une fonction impaire : elle vaut donc 0 lorsque
sinc(f T ) 0, et lorsque sinc(f T ) < 0.
On obtient donc les tracs prsents la figure 5.2.
52
f
M o d u le d e X (f)
p
f
- p
P h a s e d e X (f)
Dmonstration
On note z(t) = x(t) y(t). Par dfinition du produit de convolution, on a :
Z +
z(t) = x(u)y(t u)du. (5.23)
53
De faon similaire, on montre le thorme suivant (la dmonstration est laisse titre dexer-
cice).
Thorme 5.1.2 (Thorme de Plancherel - 2) Soient x(t) et y(t) deux signaux admettant pour
transformes de Fourier X(f ) et Y (f ) respectivement, alors :
La transforme de Fourier Y (f ) peut donc tre calcule, soit directement partir de y(t), soit par
lexpression :
Y (f ) = X(f )H(f ). (5.28)
X(f ) = (F{sinc(t)})2
= (rect(f ))2 (5.30)
= rect(f ).
x(t) = F 1 {rect(f )}
(5.31)
= sinc(t).
Ce thorme indique que lnergie est conserve dans les reprsentations en temps et en frquence.
54
Dmonstration
Calculons : Z +
I= X(f )Y (f )df. (5.34)
On remarque que lintgrale entre crochet dans la dernire expression est la transforme de Fourier
inverse de X(f ) do le rsultat :
Z +
I= y (u)x(u)du. (5.37)
55
5.2 Fonctions de corrlation des signaux nergie finie
5.2.1 Dfinitions
Dfinition 5.2.1 (Intercorrlation) Soient x(t) et y(t) deux signaux nergie finie, on appelle
fonction dintercorrlation entre x(t) et y(t) la fonction note xy ( ) dfinie par :
Z +
xy ( ) = x(t)y (t )dt. (5.43)
xy ( ) = yx ( ). (5.45)
Dfinition 5.2.2 (Autocorrlation) Soient x(t)un signal nergie finie, on appelle fonction dau-
tocorrlation de x(t) la fonction note xx ( ) dfinie par :
Z +
xx ( ) = x(t)x (t )dt. (5.46)
xx ( ) = xx ( ). (5.47)
xx ( ) = xx ( ) et xy ( ) = yx ( ). (5.48)
On en dduit notamment que lautocorrlation dun signal rel est une fonction paire.
5.2.2 Proprits
Autocorrlation
En utilisant lgalit xx ( ) = xx ( ), et en notant la fonction dautocorrlation sous la
forme xx ( ) = R( ) + jI( ), lgalit ci-dessus devient :
On en dduit donc que la partie relle de xx est paire alors que sa partie imaginaire est impaire.
56
Ingalit de Schwartz
En appliquant lingalit de Schwartz sur lintercorrlation < x, y >, on obtient :
La fonction dautocorrlation xx ( ) est donc borne par lnergie du signal x(t) et son module
est maximum en = 0.
Mathmatiquement, on peut crire une relation qui permet dexprimer la fonction de corrla-
tion comme un produit de convolution (et rciproquement). En effet,
R +
xy ( ) = x(u)y (u )du
R +
= x(u)y (( u))du (5.54)
= x( ) y ( ).
cest--dire :
xy ( ) = x( ) y ( ). (5.55)
Exemple
On considre les signaux :
En tenant compte des domaines o les fonctions chelon sont nulles, on peut expliciter xy selon
le signe de :
57
Pour > 0, on a :
R +
xy ( ) = exp(at) exp(2a(t ))dt
h i+
= exp(2a ) exp(3at)
3a (5.58)
= exp(2a ) exp(3a
3a
)
,
do le rsultat :
exp(a )
xy ( ) = , > 0. (5.59)
3a
Pour < 0, on a :
R +
xy ( ) = exp(at) exp(2a(t ))dt
0 h i+
= exp(2a ) exp(3at)
3a
(5.60)
0
1
= exp(2a ) 3a ,
do le rsultat :
exp(2a )
xy ( ) = , < 0. (5.61)
3a
Globalement, on peut crire lintercorrlation sous la forme :
exp(2a ) exp(a )
xy ( ) = ( ) + ( ). (5.62)
3a 3a
La convolution entre x(t) et y(t) scrit :
Z + Z +
x(t) y(t) = x(u)y(t u)du = exp(au)(u) exp(2a(t u))(t u)du. (5.63)
Compte tenu des domaines o les fonctions chelon sont nulles, on voit facilement que, pour t < 0,
lintgrale est nulle. Pour t > 0, on a :
Rt
x(t) y(t) = 0 exp(au) exp(2a(t u))du
Rt
= exp(2at) 0 exp(+au)du
(5.64)
= exp(2at) exp(at)1
a
= a1 (exp(at) exp(2at)).
Globalement, on peut donc crire :
1
x(t) y(t) = (exp(at) exp(2at))(t). (5.65)
a
Les deux rsultats sont prsents la figure 5.3, avec la fonction dintercorrlation (en haut)
et la convolution (en bas).
Contre-exemple
Si le signal y(t) est rel et pair, alors y ( ) = y( ) et lintercorrlation et la convolution
sont des fonctions identiques. En effet :
xy ( ) = x( ) y ( ) = x( ) y( ). (5.66)
Cette identit sera vrifie par exemple pour les fonctions :
x(t) = rect(t/T ) et y(t) = tri(t/). (5.67)
58
4
0
25 20 15 10 5 0 5 10 15 20 25
2.5
1.5
0.5
0
25 20 15 10 5 0 5 10 15 20 25
F IG . 5.3 Lintercorrlation (en haut) et la convolution (en bas) de deux signaux sont en gnral
des fonctions diffrentes
Sxx (f ) = F{x( ) x ( )}
= F{x( )}F{x ( )} (5.69)
= X(f )Y (f )
do le rsultat :
Sxx (f ) = |X(f )|2 . (5.70)
Cette expression montre que Sxx (f ) est lnergie du signal la frquence f , do le nom de den-
sit spectrale dnergie.
59
Fourier de xy ( ) :
Z +
Sxy (f ) = xy ( ) exp(j2f )d = X(f )Y (f ). (5.72)
A partir de cette dernire relation, on retrouve encore le thorme de Parseval sous sa forme
gnrale :
Z + Z +
x(t)y (t)dt = X(f )Y (f )df, (5.75)
qui indique la conservation des produits scalaires. En particulier, on remarque quune condition
suffisante pour que x(t) et y(t) soient orthogonaux est quils aient des supports frquentiels (cest-
-dire des spectres) disjoints.
5.3.3 Exemple
On considre la fonction x(t) = exp(at)(t).
Fonction dautocorrlation
La fonction dautocorrlation est gale :
Z +
xx ( ) = exp(at)(t) exp(a(t ))(t )dt. (5.76)
Pour > 0, on a :
R +
xx ( ) = exp(at) exp(a(t ))dt
h i+
= exp(a ) exp(2at)
2a (5.77)
exp(a )
= 2a .
Pour < 0, on a :
R +
xx ( ) = exp(at) exp(a(t ))dt
0 h i+
= exp(a ) exp(2at)
2a (5.78)
0
exp(a )
= 2a .
Do finalement lexpression :
1
xx ( ) = exp(a| |). (5.79)
2a
60
Densit spectrale dnergie
La densit spectrale dnergie, par dfinition, est la transforme de Fourier de la fonction
dintercorrlation :
Sxx (f ) = F{xx ( )}
1
= 2a F{exp(a| |)} (5.80)
1
= a2 +(2f )2
.
On vrifie donc bien lgalit de Parseval, cest--dire la conservation de lnergie dans les repr-
sentations du signal en temps et en frquence.
dxy ( )
X(f )Y (f )(j2f ). (5.85)
d
En associant le terme (j2f ) lune ou lautre des TF, on peut donc crire :
dxy ( ) dx( )
= y ( ) = x y ( ), (5.86)
d d
61
ou
dxy ( ) dy ( ) dy ( ) d( )
= x( ) = x( ) = x( ) y ( ) = xy ( ).
d d d( ) d
(5.87)
On peut gnraliser ces deux expressions des drives dordre quelconque.
Quoique ces signaux soient physiquement non ralisables (car ils ont une nergie infinie !)
leur reprsentation mathmatique est simple et utile dans de nombreux domaines. Par exemple,
en tlcommunications, une porteuse sinusodale de frquence f sera modlise simplement par
x(t) = A sin(2f t).
Impulsion de Dirac
(t) 1
(t t0 ) exp(j2f t0 )
(5.89)
exp(j2f0 t) (f f0 )
k k(f )
o x est la valeur moyenne du signal x(t) et x0 (t) est un signal de moyenne nulle. En drivant
x(t), on obtient :
dx(t) dx0 (t)
= = x0 (t), (5.91)
dt dt
do lcriture : Z t
x(t) = x0 (u)du + x, (5.92)
62
En utilisant les proprits de drivation de la TF, on peut crire :
do :
1
X0 (f ) = F{x0 (u)}. (5.94)
j2f
A partir de ces deux rsultats, en prenant la TF de (5.90), on peut crire :
1
F{x(t)} = F{x0 (t)} + x(f ). (5.95)
j2f
R +T /2
La moyenne ( T1 T /2 ) reste une mesure de la similarit en forme et en position des deux
signaux. Elle naltre pas les proprits montres pour les signaux nergie finie :
xy ( ) = yx ( )
|xy ( )|2 xx (0)yy (0)
(5.100)
|xx ( )| xx (0)
xy ( )| = x y ( ) = xy ( )
Attention, dans les quations prcdentes, xx (0) est gale la puissance moyenne du signal
x(t).
63
x (t)
x (t, T )
t
T /2
1
Sxx (f )df = lim |X(f, T )|2 . (5.104)
T + T
64
On peut alors calculer la DSP de x(t) comme la limite :
Le calcul de la dernire limite repose sur le fait que le lobe principal de sinc dcroit lorsque T
R +
augmente (sa largeur vaut 1/(T )) et sur lidentit sinc2 (u)du = 1. On voit que le rsultat,
Sxx (f ) = (f )/2 na rien voir avec le carr du module de la TF de x(t) :
1 (f ) 2
|X(f )|2 = + . (5.107)
j2f 2
Calculons directement la fonction dautocorrlation de x(t) :
R
1 +T /2
xx ( ) = limT + T T /2 (t)(t )dt
R +T /2
= limT + T1 dt (pour > 0) (5.108)
= 1/2.
(f )
Sxx (f ) = F{xx ( )} = . (5.109)
2
On retrouve bien le mme rsultat que par le calcul prcdent (5.106).
65
x (t)
x (t, T ) t
T
X (f, T )
X (f )
X X X
X
-1 1
0
2
f
1 /T 2 /T
F IG . 5.5 La fonction priodique x(t) (en haut), le spectre dune priode X(f, T ) (au milieu) et
le spectre X(f ) (en bas)
avec fn = n/T , et :
Z
1 t0 +T
n 1
Xn = x(t) exp j2 t dt = X(n/T, T ). (5.113)
T t0 T T
On remarque que le coefficient Xn nest autre que la transforme de Fourier dune priode du
signal la frquence fn = n/T .
Daprs la relation (5.112), le spectre dun signal priodique de priode T est donc un spectre
de raies, localises aux frquences fn = n/T et damplitude Xn = X(f )(f fn )/T . Ceci est
illustr la figure 5.5.
66
avec fn = n/T . En utilisant les proprits du produit de convolution par un Dirac, on peut alors
dvelopper Z(f ) : P
Z(f ) = X(f ) + n= Yn (f fn ),
P+ (5.116)
= n= n X(f fn ).
Y
Le spectre rsultant est donc un spectre priodis, obtenu comme la somme des spectres X(f )
dcals de n/T et pondrs par Yn
Cete fonction est priodique et son dveloppement en sries de Fourier (complexes) scrit :
+
X
T (t) = n exp(j2fn t), (5.118)
n=
avec fn = n/T et :
R
1 +T /2
n = T T /2 T (t) exp(j2fn t)dt
R
1 +T /2
= (5.119)
T T /2 T (t) exp(0)dt
1
= T,
car T (t) ne possde quune seule impulsion (en f0 = 0) dans lintervalle [T /2, +T /2]. On a
donc :
+
1 X
T (t) = exp(j2fn t). (5.120)
T n=
La transforme de Fourier est alors simplement :
+
1 X 1
F{T (t)} = (f n/T ) = 1/T (f ). (5.121)
T n= T
La transforme de Fourier dun peigne de Dirac T (t) de priode T est un peigne de Dirac
1
T 1/T (f ) de priode 1/T (Fig. 5.6).
o fn = n/T .
La fonction T1 X(f, T ) est une fonction continue de f . Cest lenveloppe spectrale des poids
des raies (f fn ) du spectre de x(t).
67
d T(t)
1
t
-T T 2 T
d 1 /T (f)
1 /T
f
1 /T 2 /T
F IG . 5.6 Peigne de Dirac T (t) de priode T (en haut) et sa transforme de Fourier (en bas), qui
est un peigne de Dirac de priode 1/T
Exemple
On considre le signal carr priodique, illustr la figure 5.7 :
1
X(f ) = Asinc(f ) (f ). (5.125)
T 1/T
Lenveloppe spectrale est donc la fonction continue :
A
sinc(f ), (5.126)
T
et la transforme de Fourier est le spectre de raies aux frquences fn = n/T dont les amplitudes
sont donnes par lenveloppe spectrale.
Pour des signaux priodiques de priode T , le calcul de la limite est inutile. Il suffit dintgrer
sur une seule priode :
Z
1 +T /2
xy ( ) = x(t)y (t )dt, (5.128)
T T /2
68
x (t)
1
t
-T -q /2 q /2 T 2 T
X (f)
A q /T
e n v e lo p p e s p e c tr a le
-1 /q 1 /q 2 /q
1 /T 2 /T
F IG . 5.7 Transforme de Fourier dun signal priodique : signal carr priodique x(t) (en haut) ;
lenveloppe spectrale du signal est un sinc (en tiret en bas), sa transforme de Fourier X(f ) est un
spectre de raies (en bas) dont les amplitudes suivent lenveloppe spectrale
ou plus gnralement :
Z t0 +T
1
xy ( ) = x(t)y (t )dt. (5.129)
T t0
Puisque les signaux x(t) et y(t) sont priodiques de priode T , on peut les dvelopper en
sries de Fourier :
P+
k
x(t) = k= k X exp j2 t ,
R T (5.130)
t +T
avec Xk = T1 t00 x(t) exp j2 Tk t ,
et :
P+ l
y(t) = l= Yl exp j2 t ,
R t0 +T T (5.131)
1 l
avec Yl = T t0 y(t) exp j2 T t .
Fonction dintercorrlation
La fonction dintercorrlation sexprime alors :
R
1 +T /2 P+ P+ k l
xy ( ) = T T /2 k= l= Xk exp j2 T t Yl exp j2 T (t ) dt,
P P R
1 + + exp j2 l +T /2 kl
= T k= X
l= k lY T T /2 exp j2 T t dt,
P P
1 + + l
= T k= l= Xk Yl exp j2 T T sinc(k l).
(5.132)
Or,
sin (k l) 1 k=l
sinc(k l) = = (5.133)
(k l) 0 k=
6 l,
69
do le rsultat :
+
X n
xy ( ) = Xn Yn exp j2 . (5.134)
n=
T
Fonction dautocorrlation
La fonction dintercorrlation est donc une fonction priodique de priode T comme le montre
lexpression (5.134) qui a la forme dun dveloppement en sries de Fourier dun signal de priode
T.
De faon similaire, on peut calculer la fonction dautocorrlation :
+
X n
+
X n
xx ( ) = Xn Xn exp j2 = |Xn |2 exp j2 , (5.135)
n=
T n=
T
qui est aussi (et pour les mmes raisons) une fonction priodique de priode T .
+
X n
xx ( ) = |Xn |2 exp j2 . (5.136)
n=
T
+
X n
Sxx (f ) = |Xn |2 f . (5.137)
n=
T
1 1
Xn = F{x(t, T )}f =n/T = X(f, T )(f n/T ). (5.138)
T T
1 X
+ n
2
Sxx (f ) = |X(f, T )| f , (5.139)
T 2 n= T
1
Sxx (f ) = |X(f, T )|2 1/T (f ). (5.140)
T2
Pour un signal priodique de priode T , la densit spectrale de puissance est donc un spectre de
raies situes aux frquences fn = n/T et denveloppe |X(f, T )|2 /T 2 .
70
5.5.5 Densit interspectrale de puissance
Par dfinition, cest la transforme de Fourier de xy ( ). Par des calculs similaires ceux
raliss pour le DSP, on trouve :
+
X n
Sxy (f ) = Xn Yn f , (5.141)
n=
T
1
Sxy (f ) = X(f, T )Y (f, T )1/T (f ). (5.142)
T2
5.6 Exercices
5.6.1 Proprits de la transforme de Fourier (TF)
Parit
On considre un signal rel x(t) que lon dcompose sous la forme dune somme dun signal
pair et dun signal impair : x(t) = xp (t) + xi (t), et on notera les TF : X(f ) = Xp (f ) + Xi (f ).
1. En dcomposant lexponentielle complexe, monter que la transforme de Fourier X(f ) est
une somme de deux intgrales.
2. Sachant que la transforme de Fourier dune fonction relle paire est une fonction relle
paire, et que celle dune fonction relle impaire est une fonction imaginaire impaire, en
dduire que Xp (f ) = Re(X(f )) et Xi (f ) = jIm(X(f )).
3. Montrer alors que le spectre damplitude |X(f )| est pair et que le spectre de phase arg(X(f ))
est impair.
71
Proprits diverses
On considre le signal x(t) dont la transforme de Fourier (TF) est note X(f ).
1. Montrer que x (t) X (f ).
1 f
2. Montrer que x(at) |a| X( a )
3. Montrer que x(t ) X(f ) exp(j2f ).
4. Montrer que x(t) exp(j2f0 t) X(f f0 ).
5. Montrer que x(t) X(f ).
dn x n
6. Montrer que dtn (t) (j2f ) X(f ).
Rt 1
7. Montrer que x(u)du j2f X(f ).
8. Montrer que x(t) y(t) X(f )Y (f ) et que x(t)y(t) X(f ) Y (f ).
2
exp(|t|) . (5.146)
2 + (2f )2
72
TF de x(t) = rect(t/T ) cos(2f0 t)
On veut calculer la transforme de Fourier de x(t) = rect(t/T ) cos(2f0 t), partir du rsultat
rect(t/T ) T sinc(f T ).
1. Exprimer le cos sous forme dune somme de termes exponentiels complexes.
2. En utilisant les proprits de translation de la variable f , montrer alors que :
t Th i
rect cos(2f0 t) sinc(T (f f0 )) + sinc(T (f + f0 )) . (5.147)
T 2
3. Tracer rect(t/T ) et sa transforme de Fourier, puis rect(t/T ) cos(2f0 t) et sa transforme
de Fourier.
TF dune impulsion dcroissance exponentielle module
On considre le signal rel x(t) = 1 exp(t/ )(t) cos(2f0 t), qui correspond une impulsion
dcroissance exponentielle module. On calculera la TF de deux manires diffrentes :
1. En crivant le cos sous forme exponentielle complexe et en utilisant les proprits de la TF,
montrer que :
1h i
x(t) X(f f0 ) + X(f + f0 ) . (5.148)
2
2. Montrer ce rsultat en exprimant la transforme de Fourier de x(t) sous forme dun produit
de convolution dans le domaine des frquences.
Fonction tri
1. Montrer que tri(t) = rect(t) rect(t).
2. En dduire que la transforme de Fourier de tri(t) est X(f ) = sinc2 (f ).
3. Calculer le module et la phase de X(f ) et les tracer.
73
5.6.4 Convolution et corrlation
On considre les signaux x(t) = exp(at)(t) et y(t) = exp(2at)(t).
1. Calculer le produit de convolution z(t) = (x y)(t).
2. Calculer la fonction dintercorrlation xy ( ).
3. Tracer les deux fonctions z(t) et xy ( ).
4. En utilisant la relation montre dans le cours entre la convolution et le corrlation, indiquer
quelle condition convolution et corrlation concident.
Calcul dnergie
Calculer lnergie totale du signal rel x(t) = t exp(t)(t) :
1. en oprant sur la reprsentation temporelle,
2. en oprant dans le domaine frquentiel, par application du thorme de Parseval.
Indications : dans la seconde mthode, on posera :
Z +
du
I2 = 2 2
, (5.154)
(1 + u )
74
5.6.6 Auto-corrlation, densits spectrales dnergie et de puissance
Exponentielle dcroissante
Soit le signal x(t) = exp(at)(t).
1. Calculer la fonction dauto-corrlation xx ( ) de x(t).
2. Calculer ensuite la densit spectrale dnergie Sxx (f ) de x(t).
3. Vrifier ensuite lgalit : Sxx (f ) = |X(f )|2 .
4. Tracer xx ( ) et Sxx (f ).
Signal rectangle
Soit le signal x(t) = A rect(t/T ).
1. Calculer et tracer la fonction dauto-corrlation xx ( ) de x(t).
2. Calculer ensuite la densit spectrale dnergie Sxx (f ) de x(t), soit en appliquant la dfini-
tion, soit en utilisant la formule de Parseval.
Signal sinusodal
Soit le signal x(t) = A cos(2f0 t ).
1. Calculer la transforme de Fourier X(f ) de x(t).
2. Reprsenter le spectre damplitude et de phase de X(f ), pour = 0 et = /2.
3. Calculer la fonction dauto-corrlation xx ( ).
4. Calculer ensuite la densit spectrale de puissance Sxx (f ) de x(t) en appliquant la dfinition.
5. Calculer ensuite la puissance moyenne totale Px partir de la fonction dauto-corrlation et
partir de la densit spectrale de puissance.
Auto-corrlation et inter-corrlation
A
On considre les deux signaux x(t) = A sin(2f0 t) et y(t) = 2 cos(2f0 t + /4).
1. Calculer la fonction dinter-corrlation xy ( ).
2. Soit z(t) = x(t) + y(t). Calculer lauto-corrlation zz ( ) du signal z(t).
3. Calculer ensuite la densit spectrale de puissance Szz (f ).
4. Par application de la formule de Parseval, calculer la puissance totale Pz du signal z(t).
75
Rptition dimpulsions de signes contraires
On considre le signal :
n t + T /4 t T /4 o
x(t) = A repT rect rect . (5.156)
1. Calculer la fonction dautocorrlation xx ( ) de x(t).
2. Tracer xx ( ) pour pour < T /4 et T /4 < < T /2.
3. Calculer la densit spectrale de puissance Sxx (f ) du signal x(t).
4. Tracer Sxx (f ).
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
5 4 3 2 1 0 1 2 3 4 5
5.6.7 Filtrage
1. On considre le signal x(t) = exp t et le filtre de rponse impulsionnelle h(t) = (3 exp(2t)
1)(t). Calculer la sortie du filtre y(t) = (x h)(t).
2. La rponse impulsionnelle dun systme linaire vaut h(t) = (t) + 2 exp(3t)(t). Cal-
culer H(f ) et la rponse au signal x(t) = 4 cos2 (2t).
3. On considre le systme de la figure 5.9, constitu dun bloc H(f ) = exp(j2f T ) et
dun amplificateur de gain a, avec |a| < 1. Lentre du filtre est le signal x(t), la sortie est
le signal y(t).
Exprimer, dans le domaine temporel, le signal en sortie de lamplificateur, puis celui la
sortie du bloc H(f ).
Exprimer ensuite y(t) en fonction de x(t) et de y(t T ).
Calculer Y (f ), transforme de Fourier de y(t). En dduire la fonction de transfert Hr (f )
du filtre rcursif dont lentre
P+est X(f ) et la sortie Y (f ).
Montrer enfin que hr (t) = n=0 an (t nT ).
76
4. Autre approche pour le filtre rcursif : calculer directement la relation entre Y (f ) et X(f ).
En dduire la fonction de transfert du filtre rcursif, Hr (f ), puis la rponse impulsionnelle
hr (t).
x (t)
+ y (t)
+
H ( f )
77
Chapitre 6
Signaux alatoires
Par dfinition, un signal alatoire ne peut pas tre dcrit par une loi mathmatique qui prdit
sa valeur chaque instant, car cette valeur nest pas prdictible analytiquement. En revanche, on
peut dcrire ses proprits laide de probabilits et de statistiques.
Mathmatiquement, un signal alatoire sera considr comme la ralisation dun processus
alatoire (random process), et la valeur prise un instant ti comme une variable alatoire.
Lintrt de la notion de signal alatoire est de permettre la modlisation de nombreux phno-
mnes, par exemple :
larrive de particules ,
le bruit thermique d lagitation thermique dans un conducteur,
les perturbations lies aux astres sans intrt pour lastrophysiciens,
les perturbations lies laction du soleil ou de brouilleurs en tlcommunications,
etc.
A laide dun oscilloscope (en AC) et en choisissant le facteur damplification maximum, on peut
observer le bruit B(t) (Fig. 6.1 droite).
V (t) B (t)
0 . 8
0 . 6
I t
0 . 4
0 . 2
Z n e r
0
- 0 . 2
- 0 . 4
- 0 . 6
- 0 . 8
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
78
Supposons que lon effectue la mme exprience sur N dispositifs similaires, on obtient N
preuves, notes B(t, j ) du processus alatoire B(t, ). Par ailleurs, lensemble des valeurs prises
par les diffrentes preuves un instant ti , correspond aux ralisations de la variable alatoire
B(ti ). Une ralisation (une preuve) est un signal alatoire de dimension infinie ; une ralisation
chantillonne est un vecteur alatoire (de dimension finie ou infinie). La figure 6.2 reprsente
quelques ralisations de ce processus alatoire.
B ( t,z )
t
z
0 . 8
0 . 6
1
0 . 4
0 . 2
- 0 . 2
- 0 . 4
- 0 . 6
0 . 8
z
- 0 . 8
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
0 . 6
0 . 4
2
0 . 2
- 0 . 2
- 0 . 4
- 0 . 6
z
- 0 . 8
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
0 . 8
0 . 6
0 . 4
3
0 . 2
- 0 . 2
z
- 0 . 4
- 0 . 6
- 0 . 8
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
B ( t i)
F IG . 6.2 Du processus alatoire B(t, ), au signal alatoire B(t, j ), au vecteur alatoire
B(tk , j ), tk = kTe , et la variable alatoire B(ti )
Processus alatoire
Dfinition 6.1.1 (Processus alatoire) Un processus alatoire (ou stochastique) est une famille
de fonctions X(t), relles ou complexes, dfinies dans un espace de probabilit, cest--dire d-
pendant de deux variables, dont lune est le temps t (usuellement, mais cela peut tre lespace
pour des images), et dont lautre est la variable de lespace des preuves .
Selon que les variables sont continues ou discrtes, on parle de processus alatoires continus
ou discrets.
Si le temps est discret en raison dun chantillonnage, on a une suite alatoire. Si le temps est
discontinu et que le signal apparat des instants alatoires, on parle de processus ponctuel.
Exemples
79
6.1.2 Signaux alatoires
Pour une ralisation i donne, le processus alatoire X(t, ) se rduit une fonction x(t, i )
que lon notera simplement xi (t) : cest un signal alatoire.
Par convention, un signal alatoire x(t) est considr comme un signal puissance moyenne
finie, dont la puissance est calcule par lquation :
Z +T /2
1
Px = lim |x(t)|2 dt. (6.2)
T + T T /2
ou de sa densit de probabilit :
d
pXi (u) = pX (u, ti ) = FX (u). (6.6)
du i
80
6.1.4 Vecteurs alatoires
Soient k dates arbitraires, t1 , t2 , . . . , tk , les variables alatoires (VA) associes, X1 , X2 , . . . , Xk ,
forment un vecteur alatoire X = (X1 , X2 , . . . , Xk )T . Ce vecteur est caractris par sa fonction
de rpartition, qui est une fonction multivariable, de k variables :
et sa densit de probabilit :
d
pXi (u) = pX (u, ti ) = FX (u). (6.12)
du i
Z +
Xi ,1 = X,1 (ti ) = E[Xi ] = u pXi (u)du. (6.13)
Z +
Xi ,n = X,n (ti ) = E[Xin ] = un pXi (u)du. (6.14)
Z +
Xi ,n = X,n (ti ) n
= E[(Xi E[Xi ]) ] = (u E[Xi ])n pXi (u)du. (6.15)
81
Moment centr de degr ou dordre 2
Ce moment sappelle la variance. Dfinie comme :
Z +
Xi ,2 = X,2 (ti ) = E[(Xi E[Xi ]) ] =2
(u E[Xi ])2 pXi (u)du, (6.16)
la variance sexprime aussi de faon gnrale partir de la moyenne et du moment (non centr)
dordre 2 :
R +
Xi ,2 = (u E[Xi ])2 pXi (u)du,
R +
= (u2 2uE[Xi ] + E[Xi ]2 ) pXi (u)du,
R + R + R + (6.17)
= u2 pXi (u)du 2E[Xi ] u pXi (u)du + E[Xi ]2 pXi (u)du
= E[Xi2 ] E[Xi ]2 .
La variance est une mesure de la dispersion de la VA autour de sa moyenne. Sa racine carre est
appele cart-type (standard deviation).
Loi gaussienne
Si la variable X suit une loi gaussienne (ou normale), de moyenne nulle et de variance 2 , sa
densit de probabilit scrit :
1 u2
pX (u) = exp 2 . (6.18)
2 2
De faon abrge, on notera X N (0, 2 ). On remarque que la densit de probabilit en u =
vaut : 1
1
pX () = exp . (6.19)
2 2
De plus, la probabilit dobserver une valeur |u| vaut :
Z +
Prob(|u| ) = pX (u)du = 0, 667. (6.20)
82
6.1.6 Statistiques dordre 2
Soit le couple de VA, X1 = X(t1 ) et X2 = X(t2 ), dont la fonction de rpartition est :
et la densit de probabilit :
2 FX (u1 , u2 )
pX (u1 , u2 ) = . (6.26)
u1 u2
On peut alors dfinir les diffrents moments du vecteur alatoire X = (X1 , X2 )T :
Dfinition 6.2.2 (Stationnarit au sens large) Un processus alatoire est dit stationnaire au sens
large (large sense) si toutes ses proprits statistiques dordre 1 et 2 sont invariantes un chan-
gement dorigine du temps.
Pour un processus alatoire stationnaire au sens strict, on a donc pXi (u) = pXj (u) = pX (u), i, j.
Par consquent, lordre 1, on a :
E[Xi ] = E[X]
2 2 . (6.31)
X i
= X
83
A lordre 2, la fonction de rpartition FX1 ,X2 (u1 , u2 ) ne dpend que de la diffrence t2 t1 =
, et par consquent on peut dfinir les fonctions dautocorrlation et dautocovariance comme :
6.2.2 Ergodisme
Dfinition 6.2.3 (Ergodicit) Un processus alatoire est dit ergodique (ergodic) si les valeurs
moyennes statistiques (densemble sur ) sont gales aux valeurs moyennes temporelles (sur une
seule ralisation) :
Z + Z
1 +T /2
E[f (X)] = f (u)pX (u)du = lim f [x(t)]dt = f (x). (6.34)
T + T T /2
La consquence de cette hypothse est trs importante en pratique. Elle permet de rempla-
cer les calculs de moments statistiques (qui supposent connues les densits de probabilit ou les
fonctions de rpartition) par les moyennes temporelles sur une seule ralisation (observation). En
pratique, faire une estimation de la moyenne temporelle sur une fentre de taille infinie est impos-
sible. Il faut se contenter dune approximation calcule sur une fentre de taille finie, qui tendra
asymptotiquement, avec la taille de la fentre, vers la moyenne temporelle.
Cette hypothse dergodicit est cependant difficile vrifier. On admettra frquemment que
les processus alatoires usuels sont ergodiques.
Contre-exemple
Soit un processus alatoire X(t, ) tel que chaque ralisation (pour i ) Xi (t) = a, o a est une
valeur tire au hasard comme ralisation dune variable alatoire A de densit pA (u).
De faon vidente, la moyenne temporelle sur une ralisation est gale :
Xi (t) = a, (6.35)
A priori, A 6= a et par consquent le processus ainsi dfini nest gnralement pas ergodique.
84
o u1 et u2 sont les valeurs prises par X(t1 ) et X(t2 ), avec t2 t1 = , respectivement.
On dfinit aussi lautocorrlation temporelle1 :
Z +T /2
1
xx ( ) = lim x(t)x(t )dt. (6.38)
T + T T /2
Rxx ( ) = xx ( ). (6.39)
En pratique,
calculer Rxx ( ) demande la connaissance de la densit de probabilit, cest--dire un mo-
dle statistique du signal et souvent un calcul thorique ;
calculer xx ( ) est impossible rigoureusement, car la ralisation x(t) nest pas connue sur
R ; on ne peut donc quen faire une estimation (approximation) sur une fentre temporelle
finie :
Z
d 1 +T /2
xx ( ) = x(t)x(t )dt, (6.40)
T T /2
d
qui vrifie limT + xx ( ) = xx ( ).
6.3.2 Autocovariance
Cest lautocorrlation du processus centr. Si celui-ci est stationnaire, on a :
6.3.3 Proprits
Dans ce paragraphe et dans la suite, on considre des processus, signaux et variables alatoires
rels. Dans le cas complexe, dans les dfinitions de lautocorrlation (6.40), le second terme, x(t
), doit tre simplement conjugu.
Parit
Les fonction dautocorrlation et dautocovariance sont paires pour des processus rels :
85
Valeur en = 0
En = 0, on a
2 2
Cxx (0) = X et Rxx (0) = X + 2X . (6.44)
La quantit Cxx (0) correspond la puissance moyenne des fluctuations du signal, alors que
Rxx (0) correspond la puissance moyenne totale.
Ingalits
Comme pour les signaux dterministes, on a les ingalits suivantes :
do lencadrement :
Rxx (0) Rxx ( ) +Rxx (0) (6.47)
Coefficient de corrlation
A partir des ingalits prcdentes, il est facile de montrer que le coefficient de corrlation
vrifie :
Cxx ( )
1 X ( ) = +1. (6.48)
Cxx (0)
Comportement pout
Pour un processus alatoire sans composante priodique, on peut montrer que la dpendance
entre X(t) et X(t ) diminue lorsque augmente. On a alors :
et
lim Rxx ( ) = lim Cxx ( ) + 2X = 2X . (6.50)
| | | |
Matrice de corrlation
Pour le vecteur alatoire X = (X1 , . . . , Xk )T on peut dfinir une matrice de corrlation dont
les lments sont les fonctions de corrlation des composantes deux deux :
86
R X X (0 ) R X X (t )
C X X (t )
m 2
X
F IG . 6.3 Allure typique de la fonction dautocorrlation statistique dun processus alatoire sans
composante priodique
Cette matrice est symtrique et chaque diagonale est constitue dlments identiques.
Dans le cas complexe, la dfinition est RXX = E[XXH ], o XH est le transpos conjugue
de X. La matrice de corrlation nest plus symtrique, mais hermitienne (on parle de symtrie
hermitienne), cest--dire : RXX )ij = RXX )ji .
Une matrice dont chaque diagonale est constitue dlments identiques sappelle matrice de
Toeplitz. Cest donc le cas de la matrice de corrlation, dans le cas de variable relle comme
complexe.
Matrice de covariance
On dfinit galement une matrice de covariance partir du vecteur alatoire centr :
Cxx (0) Cxx (Te ) Cxx ((k 1)Te )
Cxx (Te ) Cxx (0) Cxx ((k 2)Te )
CXX = .. . .. . (6.53)
. . . .
Cxx ((k 1)Te ) Cxx (Te ) Cxx (0)
Les lments de la diagonale principale sont gaux Cxx (0) = X 2 , cest--dire la variance de
X(t). Pour cette raison, cette matrice est parfois appele matrice de variance-covariance.
87
a:
E[(X(t) X(t ))2 ] = d2 (X, X )
R + R + 2
= (u1 u2 ) pX1 X2 (u1 , u2 ; )du1 du2
2 (6.54)
= 2[X Cxx ( )]
= 2X2 [1 ( )].
X
x i( t , T )
x i( t )
0 . 8
0 . 6
0 . 4
0 . 2
- 0 . 2
t
- 0 . 4
- 0 . 6
- 0 . 8
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0 1 8 0 2 0 0
- T /2 T /2
o Sxi xi (f, T ) = |Xi (f, T )|2 /T est la DSP de xi (t, T ). Cette DSP est une grandeur alatoire car
elle change pour chaque nouvelle ralisation de xi (t) : on lappelle aussi priodogramme.
88
Les proprits spectrales du processus (restreint sur T )sont donc contenues dans la moyenne
statistique (sur lensemble des ralisations) des Sxi xi (f, T ), cest--dire :
Sxx (f, T ) = Exi [Sxi xi (f, T )] = Exi [|Xi (f, T )|2 /T ] (6.59)
En pratique, Sxx (f ) ne peut pas tre calcule. Cest une quantit purement thorique. Cepen-
dant, si le signal est stationnaire et ergodique, on peut approximer la DSP par des priodogrammes
moyenns :
N N
1 X 1 X
Sxx (f ) = Sxn xn (f, T ) = |Xn (f, T )|2 . (6.61)
N NT
n=1 n=1
Dmonstration
Partons du priodogramme dun signal rel xi (t, T ) dfini au paragraphe prcdent :
1 (f, T )X (f, T ),
Sxi xi (f, T ) = TX i
Ri R
1 + +
= T i (t)xi (t )rect(t/T )rect(t /T ) exp(j2f (t
x t ))dtdt
(6.63)
Dans le terme exponentiel, t apparat avec le signe pour obtenir la TF Xi (f, T ). Puisque le
processus est stationnaire, seule la diffrence = t t compte. On pose donc le changement de
variables :
t = t
dtdt = d dt, (6.64)
t = t
car le Jacobien de la transformation vaut |J| = 1. En prenant lesprance mathmatique et en
intervertissant les oprateurs dintgration et desprance, on arrive :
89
En passant la limite quand T +, on aboutit :
Z +
Sxx (f ) = lim Sxx (f, T ) = Rxx ( ) exp(j2f )d, (6.67)
T +
tr i(t/T )
1 T +
t
-T T
F IG . 6.5 Allure de la fonction tri(t/T ) lorsque T +
Remarques
1. Ce thorme donne une dfinition unique de la DSP, valide pour des signaux certains et
alatoires.
2. Pour des signaux alatoires, ce thorme fournit une mthode pratique de calcul de la DSP.
3. Si la DSP dun signal alatoire, Sxx (f ), est connue, on peut en dduire la fonction dauto-
corrlation Rxx ( ) par transforme de Fourier inverse :
Z +
Rxx ( ) = Sxx (f ) exp(j2f )df. (6.68)
4. Pour = 0, on a : Z +
Rxx (0) = Px = Sxx (f )df, (6.69)
et si le signal est ergodique, on a :
Z + Z
1 +T /2
Rxx (0) = Sxx (f )df = lim |x(t)|2 dt. (6.70)
T + T T /2
on dduit :
Sxx (f ) = F{Cxx ( )} + 2x (f ). (6.72)
90
Le bruit DSP constante est dit blanc par analogie avec la lumire blanche qui contient toutes
les longueurs donde de la lumire visible.
Le bruit blanc correspond un modle purement thorique. En effet, il est physiquement irra-
lisable car il contient des frquences infinies et sa puissance moyenne est infinie. Cest cependant
un modle trs pratique et utile pour reprsenter des signaux dont le spectre est constant, au moins
sur une large bande de frquence.
La fonction dautocorrlation dun bruit blanc est une impulsion de Dirac (Fig. 6.6). En effet,
par transforme de Fourier inverse, on a :
1 1
SW W (f ) = RW W ( ) = ( ). (6.74)
2 2
Le bruit blanc filtr par un filtre idal de largeur de bande B (Fig. 6.7) donne un signal alatoire
G (t ) S (f)
h /2
W W W W
h /2
t f
S W W (f) S W W (f)
f f
- B B B B
F IG . 6.7 Bruit blanc filtr par des filtres idaux de largeur de bande B
Remarque
La tension de bruit thermique dans une rsistance, selon le modle de Nyquist, est un bruit
blanc dont la DSP et la puissance moyenne, sur une largeur de bande B, sont :
Z
e2 (f ) = 4kT R et P = (e2 (f )/R)df = 4kT B. (6.76)
91
6.5 Intercorrlation et densit interspectrale de puissance
6.5.1 Intercorrlation
Soient 2 processus alatoires diffrents x(t) et y(t). Posons :
x1 = x(t1 ), x2 = x(t2 ),
(6.77)
y1 = y(t1 ), y2 = y(t2 ).
Si les processus sont stationnaires et rels, leur statistique dordre 2 ne dpend que de = t1 t2 .
On peut dfinir lintercorrlation statistique par :
Z + Z +
Rxy ( ) = E[X1 Y2 ] = x1 y2 p(x1 , y2 ; )dx1 dy2 . (6.78)
1
Sxy (f ) = F{Rxy ( )} = lim E[X(f, T )Y (f, T )]. (6.80)
T + T
6.5.3 Intercovariance
La fonction dintercovariance est la fonction dintercorrlation des processus centrs :
Z + Z +
Cxy ( ) = E[(X1 X )(Y2 Y )] = (x1 X )(y2 Y )p(x1 , y2 ; )dx1 dy2 . (6.81)
En dveloppant lesprance selon les rgle de linarit de cet oprateur, on montre facilement :
Si les processus x(t) et y(t) sont statistiquement indpendants, ou simplement non corrls, on a :
Cxy ( ) = 0. (6.83)
Cxy ( )
xy ( ) = . (6.84)
x y
Ce coefficient vrifie |xy ( )| 1. Il mesure le degr de dpendance linaire entre les variables
alatoires X1 et Y2 .
92
6.5.4 Fonction de cohrence
Dfinition 6.5.1 (Fonction de cohrence) On appelle fonction de cohrence le rapport :
|Sxy (f )|2
xy (f ) = . (6.85)
Sxx (f )Syy (f )
Exemple 1
93
Exemple 2
Soit la transformation vectorielle Y = AX, avec A est une matrice rgulire. On note la
transformation inverse X = A1 Y. Le Jacobien de la transformation inverse est alors :
do :
pY (y) = | det A1 |pX (A1 y). (6.92)
Densit de probabilit
Pour cela, on dfinit la transformation linaire A suivante :
x = x
(6.93)
z = x+y
On a donc :
1 0 1 1 1 0
A= et A = . (6.94)
1 1 det A 1 1
On a donc |J| = | det A1 | = 1 et par consquent :
Dans le cas particulier o les variables X et Y sont indpendantes, la densit jointe est le produit
des densits marginales : pXY (x, z x) = pX (x)pY (z x), et on a la relation simplifie :
Z +
pZ (z) = pX (x)pY (z x)dx = (pX pY )(z). (6.97)
On retiendra que pour des variables alatoires indpendantes, la ddp de la somme est gale la
convolution des ddp marginales. Cette relation peut se gnraliser pour une somme de plus de 2
VA.
Fonction caractristique
La premire fonction caractristique X () dune VA X est la transforme de Fourier inverse
de sa densit de probabilit pX (u) :
Z +
X () = pX (u) exp(j2u)du. (6.98)
94
P
Dans le cas dune somme de n variables alatoires indpendantes : Z = i Xi , la densit de
probabilit scrit :
pZ (u) = (pX1 . . . pXn )(u), (6.99)
Z () = X1 () . . . Xn (). (6.100)
Ce thorme joue un rle important en thorie du signal, car il justifie que de nombreux phno-
mnes alatoires, rsultant de la superposition de trs nombreux phnomnes alatoires individuels
indpendants, soient modliss par une loi gaussienne.
Fonction dautocorrlation
Rzz ( ) = E[Z(t)Z(t
h )], i
= E aX(t) + bY (t) aX(t ) + bY (t )
= a2 E[X(t)X(t )] + abE[X(t)Y
(t )] + baE[Y
(t)X(t )] + b2 E[Y (t)Y (t )],
= a2 Rxx ( ) + b2 Ryy ( ) + ab Rxy ( )] + Ryx ( ) .
(6.102)
Si les VA sont indpendantes les intercovariances sont nulles et les intercorrlations se r-
duisent au produit des moyennes, do le rsultat :
De plus, si les VA ont des moyennes nulles, lquation prcdente se simplifie encore :
95
6.6.5 Densit spectrale de puissance dune somme de variables alatoires
Cest la transforme de Fourier de la fonction dauto-corrlation, cest--dire :
Szz (f ) = F{Rzz ( )} = a2 Sxx (f ) + b2 Syy (f ) + ab Sxy (f ) + Syx (f ) . (6.105)
De plus, si les VA ont des moyennes nulles, partir de la transforme de Fourier de lquation
(6.104), on obtient :
Szz (f ) = a2 Sxx (f ) + b2 Syy (f ). (6.107)
Consquences
La variance (cest--dire Rzz (0)) de la somme de 2 signaux centrs statistiquement indpen-
dants, Z(t) = aX(t) + bY (t), est gale la somme des variances de chaque terme. En effet,
daprs (6.103), au point = 0), on a :
crot proportionnellement n
(6.109)
2 crot proportionnellement n,
2
RSB n. (6.110)
2
6.7 Exercices
6.7.1 Rappels de probabilit
Moyennes et variances, indpendance
1. Soient deux signaux alatoires x(t) et y(t) de densits de probabilit pX (u) = arect[(u
2)/2] et pY (v) = b(2v)rect[(v1)/2]. Calculer a et b. Calculer ensuite la valeur moyenne,
le moment dordre deux et la variance de chaque signal.
2. Soit une variable alatoire discrte X telle que Prob(X = 2) = 0.3, Prob(X = 0) = 0.1,
Prob(X = 1) = 0.2 et Prob(X = 4) = 0.4. Calculer la moyenne, le moment dordre deux
et la variance.
3. Soient deux variables alatoires X et Y de densit de probabilit conjointe :
1 si 0 u 2 et 0 v u,
pXY (u, v) = (6.111)
0 ailleurs.
Sont-elles indpendantes ?
96
Calcul de densits de probabilit
1. Soit X une variable alatoire connue de densit pX (u). Exprimer la densit de Y = 1/X.
2. Un signal alatoire x(t) de densit de probabilit connue pX (u) est amplifi par un am-
plificateur idal de gain A. Calculer la densit de probabilit pY (v) du signal amplifi
y(t) = Ax(t).
3. Un signal alatoire x(t) de densit de probabilit connue pX (u) est pass dans un redresseur
idal. Calculer la densit de probabilit pY (v) du signal redress y(t) = |x(t)|.
4. Un signal alatoire x(t) de densit de probabilit connue pX (u) est appliqu lentre dun
systme non linaire qui dlivre y(t) = x2 (t).
5. Soient deux signaux alatoires indpendants, x(t) et y(t), de densits de probabilit mar-
ginales respectives pX (u) et pY (v). Calculer la densit de probabilit de z(t) = ax(t) +
by(t) + c o a, b et c sont trois constantes relles.
6. Une tension alatoire x(t) est uniformment distribue dans lintervalle [0, A]. Reprsenter
sa densit de probabilit, sa fonction de rpartition. Calculer la probabilit pour que sa
puissance instantane soit suprieure A2 /4 et A2 /2.
6.7.2 Stationnarit
1. Soit le processus alatoire X(t) = Y cos t + Z sin t o Y et Z sont deux variables
alatoires indpendantes moyenne nulle et de mme fonction de rpartition. Montrer que
X(t) est stationnaire au sens large mais pas au sens strict.
2. Soit le signal alatoire stationnaire x(t) et une constante. Montrer que :
y(t) = x(t) cos t nest pas stationnaire au sens large,
si est une variable alatoire uniformment rpartie sur [0, 2[, alors z(t) = x(t) cos(t+
) est stationnaire au sens large.
Densit de probabilit
On calculera la densit de probabilit de deux faons diffrentes.
Mthode 1 :
1. Calculer la fonction de rpartition, FX (u) de x(t) en fonction de pSN (u, v). En dduire la
densit de probabilit, pX (u).
2. Sachant que les variables S et N sont indpendantes, montrer que la densit sexprime sous
la forme dun produit de convolution.
Mthode 2 :
1. On pose y(t) = n(t). On associe le vecteur (x(t), y(t))T au vecteur (s(t), n(t))T par une
transformation linaire inversible, reprsente par une matrice A que lon dterminera. Cal-
culer la transformation inverse A1 .
97
2. En utilisant les rsultats du cours sur les densits de fonctions de vecteurs alatoires, calculer
la densit jointe pXY (u, v).
3. En dduire, par marginalisation, la densit pX (u).
4. Donner le rsultats sous lhypothse dindpendance de S et N .
Auto-corrlation
1. Calculer lauto-corrlation statistique RXX ( ) en fonction de RSS ( ), RN N ( ), E[N ] et
E[S].
2. Que devient cette expression si S et N sont indpendants ?
3. Que devient cette expression si lune des variables, S ou N , est en plus centre ?
Puissance du signal
Sous lhypothse dindpendance de S et N , calculer la puissance moyenne du signal, PX , et
exprimer la en fonction des moments statistiques de S et de N , dans le cas o ces variables sont
centres ou non.
Auto-corrlation
1. Calculer RXX ( ) pour | | > T
2. Pour | | < T , sachant que deux vnements exclusifs, x(t) = x(t ) ou x(t) 6=
x(t ), peuvent se produire, crire RXX ( ) en fonction de X 2 et 2 et des probabili-
X
ts Prob(x(t) = x(t )) et Prob(x(t) 6= x(t )).
3. Sachant que, dans un intervalle de dure T , les transitions sont quiprobables avec une
densit 1/T , calculer Prob(x(t) 6= x(t )). En dduire alors Prob(x(t) = x(t )).
4. Montrer que la fonction dauto-corrlation statistique scrit alors RXX ( ) = X 1 2
| |
T + 2X . En dduire la fonction dauto-covariance CXX ( ). Tracer ces fonctions.
5. Calculer et tracer la densit spectrale de puissance (DSP), SXX ( ).
98
Chapitre 7
Un systme de traitement du signal est un dispositif qui effectue sur un signal un ensemble
doprations de base, associes des blocs fonctionnels : amplification, filtrage, modulation, etc.
Le modle thorique sappelle oprateur fonctionnel (Fig. 7.1). On peut distinguer diffrents
types doprateurs :
des oprateurs linaires invariants (en temps) : ils ont la proprit dadditivit et dhomog-
nit (linaire) et de stationnarit (invariant), par exemple un filtre ;
des oprateurs paramtriques : ce sont des oprateurs qui dpendent du temps en fonction
dune grandeur ou dun signal auxiliaire (par exemple, un modulateur) ;
des oprateurs non linaires : cest une trs vaste classe sans reprsentation particulire, car
la non-linarit est une non proprit !
99
Dans cette classe doprateurs, on a en particulier :
des oprateurs de transformation orthogonale, avec des variables dentre et de sortie diff-
rentes : par exemple, loprateur de transformation de Fourier avec les variables t en entre
et f en sortie ;
des oprateurs de convolution, pour lesquels les variables dentre et de sortie sont fonction
dune mme variable indpendante : par exemple, un filtre temporel (la variable est le temps)
ou spatial (pour une image, avec la variable qui est la coordonne spatiale).
La rponse frquentielle du systme S sexprime alors, si cest possible (pas de division par 0),
par : Pm
Y (f ) bk (j2f )k
G(f ) = = Pk=0
n i
. (7.7)
X(f ) i=0 ai (j2f )
Le numrateur et le dnominateur de cette expression sont des polynmes de la variable (j2f ),
de degr m et n, respectivement. On peut donc factoriser le rapport G(f ) sous la forme :
Qm
(j2f zk )
G(f ) = Qk=1
n , (7.8)
i=1 (j2f pi )
qui fait apparatre m zros zk et n ples pi , qui sont les racines des polynmes du numrateur et
du dnominateur de G(f ).
Relation entre/sortie
Pour un signal dentre x(t) quelconque, on a :
Si le signal dentre est une impulsion de Dirac : x(t) = (t), alors on a X(f ) = 1 et G(f ) =
Y (f ), ou bien g(t) = y(t) dans le domaine temporel.
100
Cascade doprateurs de convolution
La sortie dun systme constitu de la mise en cascade de p oprateurs de convolution, g1 (t), . . . , gp (t)
scrit trs simplement :
y(t) = g1 (t) g2 (t) . . . gp (t) x(t) = g(t) x(t), (7.11)
avec g(t) = g1 (t) g2 (t) . . . gp (t), ou dans le domaine frquentiel :
Y (f ) = G1 (f )G2 (f ) . . . Gp (f )X(f ) = G(f )X(f ), (7.12)
avec G(f ) = G1 (f )G2 (f ) . . . Gp (f ).
Stabilit
Dfinition 7.1.1 (Stabilit dun filtre) Un filtre G(f ) est stable si pour toute entre borne, la
sortie est borne, cest--dire si :
Z +
|g(u)|du < . (7.13)
1 2 5
0 .8 2 0
0 .6 1 5
0 .4 1 0
0 .2 5
0 0
-4 -2 0 2 4 -4 -2 0 2 4
G (f) G -1 (f)
F IG . 7.2 Filtre G(f ) et son inverse. Les hautes frquences sont trs fortement amplifies par le
filtre G1 (f ) ce qui entrane une trs grande sensibilit au bruit en hautes frquences.
7.1.3 Dconvolution
Si x(t) est lentre dun capteur linaire, de fonction de tranfert G(f ), la sortie du capteur est
un signal y(t) = g(t) x(t) et linformation initiale est gnralement altre. On peut chercher
compenser cet effet en ralisant lopration inverse de la convolution, que lon appelle dconvolu-
tion. Puisque :
Y (f ) = G(f )X(f ), (7.14)
on propose de compenser le filtrage par filtrage inverse :
X(f ) = G1 (f )Y (f ). (7.15)
Cette ide peut savrer dlicate en pratique, car G1 (f ) nest pas ncessairement un filtre
stable. Ce filtre peut amplifier trs fortement le bruit dans des bandes de frquences o G(f ) 0,
comme lillustre la figure 7.2. En particulier si le capteur fournit un signal avec bruit additif (Fig.
7.3), la sortie du filtre de dconvolution peut diverger.
101
x (t)
G (f) G -1 (f)
b (t) d iv e r g e n c e
x 1(t) y 1(t)
G 1 (f)
x 2(t) y 2(t)
G 2 (f)
La formule des interfrences est donne pour des signaux valeurs complexes. Pour des signaux
rels, il suffit dignorer les oprateurs de conjugaison.
Dmonstration
Calculons la fonction dintercorrlation statistique :
102
Cette formule montre que les filtres linaires invariants ne mlangent pas les frquences : la
DSP des sorties la frquence f ne dpend que de la DSP des entres la frquence f et des gains
des filtres cette frquence.
Cette formule reste valable pour des signaux dterministes puissance moyenne finie.
Consquences
Pour des filtres identiques : G1 (f ) = G2 (f ) = G(f ) avec des entres et des sorties identiques
(Fig. 7.5) : x1 (t) = x2 (t) = x(t) et y1 (t) = y2 (t) = y(t), la formule des interfrences (7.20)
devient :
Syy (f ) = Sxx (f ).|G( f )|2 , (7.21)
et dans le domaine temporel :
Ryy ( ) = Rxx ( ) gg ( ), (7.22)
avec gg (0) = g( ) g ( ) soit en prenant la transforme de Fourier, G(f )G (f ) = |G(f )|2 .
x (t) y (t)
G 1 (f)= G (f)
x (t) x (t)
G 2 (f)= 1
103
Dans le cas de signaux nergie finie, on peut aussi crire des relations similaires, mais avec
les densits spectrale et interspectrale dnergie au lieu des DSP et DISP.
Autocorrlation
On se propose de trouver les relations entre les autocoorrlations de la sortie et de lentre.
Calculons lautocorrlation de la sortie, en supposant un signal dterministe :
yy ( ) = y( ) y ( ),
= [g( ) x( )] [g ( ) x ( )], (7.27)
= [g( ) g ( )] [x( ) x ( )],
do la relation :
yy ( ) = gg ( ) xx ( ). (7.28)
Intercorrlation
On calcule maintenant lintercorrlation entre lentre et la sortie du filtre :
yx ( ) = y( ) x ( ),
= [g( ) x( )] x ( ), (7.29)
= g( ) [x( ) x ( )],
do la relation :
yx ( ) = g( ) xx ( ). (7.30)
1
xx ( ) = ( ). (7.31)
2
Le signal x(t) attaque un filtre linaire invariant de rponse impulsionnelle g(t), la fonction din-
tercorrlation scrit :
yx ( ) = g( ) xx ( ),
= g( ) [( )/2], (7.32)
1
= 2 g( ).
Lintercorrlation donne donc la rponse impulsionnelle.
104
En prenant la transforme de Fourier, la DISP vaut :
1
Syx (f ) = G(f ). (7.33)
2
On peut donc en tirer la fonction de transfert :
2 2
G(f ) = Syx (f ) et g(t) = yx (t). (7.34)
Dans le cas o le processus est gaussien ou si les valeurs sont indpendantes, le calcul devient
possible :
1. processus gaussien : la sortie, somme de variables alatoires gaussiennes, est gaussienne,
2. processus blanc : la sortie est une somme de variables alatoires indpendantes, dont la loi
asymptotique est gaussienne selon le thorme de la Limite Centrale.
Exprimentalement, si le filtre est modrment slectif, la loi de sortie se rapproche dune loi gaus-
sienne. A dfaut de connatre la densit de probabilit, on peut calculer ses principaux moments :
moyenne, variance et autocorrlation notamment.
Valeur moyenne
Partons de la relation y(t) = x(t) g(t) o x(t) est un signal alatoire. La sortie y(t) est donc
aussi un signal alatoire, et sa moyenne vaut :
E[Y ] = E[x(t)
hR g(t)] i
+
= E x(u)g(t u)du
R +
= E[x(u)]g(t u)du (7.35)
R +
= X g(t u)du
R +
= X g(v)dv
= X G(0),
R +
o G(0) est la transforme de Fourier la frquence f = 0, car G(0) = g(v) exp(j2v0)dv =
R +
g(v)dv. Ce rsultat nest pas surprenant puisque G(0) reprsente le gain du systme pour les
signaux continus, et la moyenne correspond effectivement un terme continu.
Fonction dautocorrlation
Sous lhypothse que le signal x(t) est stationnaire et ergodique (ce qui implique que y(t) lest
aussi), on peut crire :
105
Daprs les relations entre autocorrlations, on a :
yy ( ) = xx ( ) gg ( ), (7.37)
Ryy ( ) = Rxx ( ) gg ( )
R + (7.38)
= Rxx (u)gg ( u)du.
Moment dordre 2
Cest la valeur quadratique moyenne, cest--dire la puissance moyenne totale du signal :
Z +
2 2 2
PY = Ryy (0) = E[Y ] = Y + Y = Rxx (u)gg (u)du. (7.39)
Or, si le filtre g(t) est rel, sa fonction dautocorrlation est une fonction paire et on peut crire :
Z +
PY = Rxx (u)gg (u)du. (7.40)
Variance
Puisque Y2 = PY 2Y , on peut crire :
R +
Y2 = Cyy (0) = Rxx (u)gg (u)du 2Y
R +
= (Cxx (u) + 2X )gg (u)du 2Y
R + R + (7.42)
= Cxx (u)gg (u)du + 2X gg (u)du 2Y
R +
= Cxx (u)gg (u)du + 2X |G(0)|2 2Y .
Or, daprs la relation entre valeurs moyennes (7.35), on dduit 2X |G(0)|2 2Y = 0 et par
consquent : Z +
Y2 = Cyy (0) = Cxx (u)gg (u)du (7.43)
Cas particuliers
Pour un filtre passe-bas sans perte, on a G(0) = 1, do :
Y = X . (7.44)
Y = 0. (7.45)
Si le signal dentre est un signal alatoire x(t), blanc, de moyenne nulle et de DSP /2, on a :
Y = 0, (7.46)
106
1
Ryy ( ) = gg ( ), (7.47)
2
et :
1
Cyy (0) = Y2 = gg (0). (7.48)
2
Quelques formules
La rponse impulsionnelle et la fonction de transfert sont :
g(t) = K(t) G(f ) = K (7.49)
La fonction de transfert G(f ) a pour caractristiques :
0 si K > 0,
|G(f )| = |K| et (G(f )) = (7.50)
sgn(f ) si K < 0.
On rappelle que la phase de G(f ) est une fonction impaire. Pour un phaseur exp(j2f0 t) de
frquence f0 > 0, linversion correspond une phase de , et pour f0 < 0 une phase de +,
do le trac (Fig. 7.8).
La fonction dautocorrlation vaut alors :
e x p (j2 p f0t)
j (G (f))
p
~ + p f0 > 0
~ - p f0 < 0 - p
gg ( ) = K 2 ( ). (7.51)
107
x (t) r e ta r d y (t) = x (t - t0)
t0
Quelques formules
La rponse impulsionnelle et la fonction de tranfert sont :
g(t) = (t t0 ) G(f ) = exp(j2f t0 ). (7.52)
La fonction de transfert G(f ) a pour caractristiques :
|G(f )| = 1 et (G(f )) = 2f t0 . (7.53)
La phase varie donc linairement avec la frquence. Ce systme est dit phase linaire, ou dpha-
seur linaire.
108
Quelques formules
La rponse impulsionnelle et la fonction de tranfert de loprateur de Hilbert sont :
1
g(t) = et G(f ) = jsgn(f ). (7.59)
t
Le module et la phase de G(f ) sont gales :
|G(f )| = 1 et (G(f )) = sgn(f ). (7.60)
2
La fonction dautocorrlation du filtre vaut :
gg ( ) = ( ). (7.61)
Or, puisque |G(f )| = 1, on a Syy (f ) = Sxx (f ) et, par transforme de Fourier inverse :
yy ( ) = xx ( ). (7.63)
Cest donc la moyenne du signal x(t) sur la fentre temporelle de largeur T : [t T, t] (que lon
peut donc crire rect((t T /2)/T )), avec une pondration gale 1/T . On peut donc crire :
Z + u (t T /2) t T /2
1 1
y(t) = x(t) = x(u)rect = x(t) rect . (7.65)
T T T T
Quelques formules
La rponse impulsionnelle et la fonction de tranfert de loprateur de moyenne temporelle
sont : t T /2
1
g(t) = rect et G(f ) = sinc(T f ) exp(jf T ). (7.66)
T T
109
La fonction dautocorrlation du filtre vaut :
1
gg ( )) = tri( /T ). (7.67)
T
On dmontre galement partir des relations gnrales :
Y = X G(0) = X , (7.68)
et : Z +
1
Y2 = Cxx ( )tri( /T )d T + 0. (7.69)
T
G ( f )
1
f
-B B g (t)
j (G (f)) 2 B
p
f t
-B B t0
- p t0 - 1 /2 B t0 + 1 /2 B
a b
Filtrage passe-bas
Pour le filte passe-bas idal (Fig. 7.12), on a un spectre damplitude |G(f )|, qui est une fonc-
tion rectangle de largeur 2B en frquence. On adjoint un retard t0 pour que le filtre soit causal (et
donc ralisable). Le retard t0 correspond au facteur exp(j2f t0 ) dans le domaine frquentiel.
On a donc : f
G(f ) = rect exp(j2f t0 ), (7.70)
2B
avec : f
|G(f )| = rect et (G(f )) = 2f t0 . (7.71)
2B
La rponse impulsionnelle (7.12) du filtre est obtenue par transforme de Fourier inverse :
110
et sa fonction dautocorrlation vaut :
gg ( ) = 2Bsinc(2B ). (7.73)
On observe que, malgr le dcalage t0 , le filtre idal g(t) nest pas causal, car g(t) =
6 0, pour
t < 0. Le dcalage permet nanmoins de faire en sorte que g(t) < , pour t < 0, et ainsi de
pouvoir raliser une approximation causale du filtre.
B B g (t) t0
G ( f )
1 2 B
2
1 .5
f 0 .5 t
- f0 f0
0
- 0 .5
- 1
- 1 .5
t0 + 1 /B t0 - 1 /B
- 2
a
0 1 2 3 4 5 6 7 8 9 1 0
Par transforme de Fourier inverse (en appliquant le thorme de Plancherel), on obtient la rponse
impulsionnelle :
g(t) = 2Bsinc(B(t t0 )) cos(2f0 t). (7.75)
On remarque que g(t) est un signal de frquence f0 , dont lamplitude suit lenveloppe 2Bsinc(B(t
t0 )) (Fig. 7.13.b). La fonction dautocorrlation est gale :
111
1 /B
g (t) g (t)
1
1 . 2
2 B
1
0 . 8
0 . 6
t t
0 . 4
0 . 2
t0 t0
0
- 0 . 2
1 /2 B
0 5 0 0 1 0 0 0 1 5 0 0 2 0 0 0 2 5 0 0 3 0 0 0 3 5 0 0 4 0 0 0 4 5 0 0
t0 - 1 /2 B t0 + 1 /2 B
a b
F IG . 7.14 Rponses impulsionnelle (a) et indicielle (b) dun filtre passe-bas idal
Dans le cas dun filtre passe-bas, compte tenu de la linarit de loprateur de filtrage, la rponse
indicielle est tout simplement lintgrale de la rponse impulsionnelle :
Z t
(t) = g(u)du. (7.78)
Cette fonction, peut aussi sexprimer laide du sinus intgral, not Si et dfini par :
Z t Z t/
sin(u)
Si(t) = du = sinc(x)dx. (7.80)
0 u 0
Le trac de la rponse P Bas (t) est donne la figure 7.14. On remarque quau point t0 , on
obtient P Bas (t0 ) = 1/2. On peut dterminer le temps de monte en mesurant lintervalle de
temps entre les intersections de la drive de la rponse en t0 , avec les droites y = 0 et y = 1.
Pour le filtre passe-bas de largeur de bande B, le temps de monte (Fig. 7.14) vaut :
1
. tm = (7.81)
2B
On retiendra que le temps de monte est linverse du double de la largeur de bande pour un
passe-bas idal.
112
Largeur de bande quivalente
gg (0)
Be = . (7.85)
2G2max
1
G(f ) = . (7.86)
1 + j2f RC
1
|G(f )|2 = . (7.87)
1 + (f /fc )2
De plus, il est facile de voir que Gmax = 1 (pour f = 0). On en dduit donc la largeur de bande :
fc
Be = . (7.89)
2
On peut aussi en dduire le temps de monte (cas passe-bas) :
1 1
tm = = . (7.90)
2Be fc
113
7.3 Dtection dun signal dans du bruit
Dans cette dernire partie, on se propose daborder les ides gnrales du filtrage linaire
optimal, et en particulier du filtrage adapte et du filtrage de Wiener.
On suppose que lon reoit un signal :
Par transforme de Fourier inverse de Sx (f ) = X(f )H(f ), on calcule la sortie du filtre sx (t), en
rponse au signal dentre x(t) :
Z +
sx (t) = X(f )H(f ) exp(j2f t)df. (7.96)
Au temps t = t0 , on a donc :
Z +
sx (t0 ) = X(f )H(f ) exp(j2f t0 )df. (7.97)
114
On sintresse cette intgrale que nous dsirons majorer. Posons maintenant :
X(f ) p
X(f )H(f ) exp(j2f t0 ) = exp(j2f t0 ) p H(f ) Snn (f ), (7.98)
Snn (f )
Or, X(f ) et Snn (f ) tant fixs (seul le filtre h(t) est inconnu), la premire intgrale dans le terme
de droite est constante.
Revenons maintenant au RSB :
R +
|s2x (t0 )| | X(f )H(f ) exp(j2f t0 )df |2
2
= R + , (7.100)
E[|sn (t0 )| ] 2
Snn (f )|H(f )| df
On en dduit que le rapport RSB est maximal si lgalit est obtenue dans la relation (7.101),
cest--dire dans lingalit de Schwartz (7.99), soit si :
p X (f )
H(f ) Snn (f ) = k. exp(j2f t0 ) p . (7.102)
Snn (f )
X (f )
H(f ) = k. exp(j2f t0 ) , (7.103)
Snn (f )
avec le RSB :
Z +
|X(f )|2
RSBopt. = df. (7.104)
Snn (f )
h (t) = x (t0 - t)
x (t)
t
t0
115
Cas o n(t) est un bruit blanc
Dans le cas o n(t) est un bruit blanc, sa densit spectrale de puissance est constante :
Snn (f ) = n0 , et le filtre optimal devient :
k
H(f ) = exp(j2f t0 )X (f ). (7.105)
n0
Par transforme de Fourier inverse, on obtient la rponse impulsionnelle :
k
h(t) = x (t0 t). (7.106)
n0
Si le signal x(t) est rel, on a simplement :
k
h(t) = x(t0 t), (7.107)
n0
avec le RSB : Z +
1 Ex
RSB = |X(f )|2 df = , (7.108)
n0 n0
o Ex est lnergie du signal x(t).
Le nom de filtre adapt provient de la forme du filtre qui est un recopie renverse (Fig. 7.16)
du signal x(t) comme le montrent les expressions (7.106) et (7.107).
Filtrage simple
Appliquons un filtrage passe-bas idal de rponse impulsionnelle h(t) = rect(t/T )/T (qui ne
dpend que du paramtre T ), la sortie du filtre vaut alors :
Z Z
1 + 1 +T /2
s(t) = y(t) rect(t/T )/T = rect(u/T )y(t u)du = y(t u)du. (7.111)
T T T /2
En posant de nouveau s(t) = sx (t) + sn (t), on peut prciser :
Z
1 +T /2
sx (t) = x(t u)du, (7.112)
T T /2
et : Z +T /2
1
sn (t) = n(t u)du. (7.113)
T T /2
On se propose ici de dterminer le paramtre T tel que lerreur destimation e(t) = s(t) x(t)
est minimale.
116
Cas dun signal constant
Si x(t) = x0 = cte et que le bruit n(t) est stationnaire, cest--dire C(t1 , t2 ) = C(t1 t2 ).
Puisque le bruit est centr (E[n(t)] = 0), on a :
Cette relation prouve que sx (t) est un estimateur non biais de x0 . La variance de lestimateur est
alors gale :
s2 = E[(s(t) x0 )2 ] = E[s2n (t)] = 1/T (7.115)
cest--dire une approximation partir de K signaux sk (t) dont les coefficients de pondration ak
sont choisis de faon minimiser lerreur quadratique moyenne :
K
X
E[e2 ] = E[(x(t) x(t))2 ] = E[(x(t) ak sk (t))2 ]. (7.117)
k=1
En observant que lesprance est assimilable un produit scalaire : < x, y >= E[xy ] (ou sim-
plement < x, y >= E[xy] pour des signaux rels), on sait (par le thorme de la projection) que
la solution optimale minimisant lerreur quadratique moyenne E[e2 ] vrifie le principe dorthogo-
nalit, cest--dire que e est orthogonal x(t). Autrement dit :
K
X
E[(x(t) ak sk (t))sk (t)] = 0, k = 1, . . . , K. (7.118)
k=1
Exemple
Soient x(t) un processus stationnaire et une constante1 , on cherche estimer le paramtre a
associ la modle du premier ordre :
117
Lerreur quadratique moyenne vaut :
Lorsque lerreur e est minimale, selon le thorme de la projection orthogonale, on sait quelle est
orthogonale x(t), cest--dire :
Rxx ()
a= . (7.124)
Rxx (0)
Rxx ( )
x(t + ) = x(t), (7.125)
Rxx (0)
avec lerreur :
E[e2 ] = E[(x(t + ) ax(t))2 ]
= Rxx (0) 2aRxx () + a2 Rxx (0) (7.126)
= Rxx (0)(1 a2 ) 2aRxx ().
En tenant compte de la valeur optimale de a (7.124), on a finalement :
R () 2 Rxx () Rxx 2 ()
xx
E[e2 ] = Rxx (0)(1 )2 Rxx () = Rxx (0) . (7.127)
Rxx (0) Rxx (0) Rxx (0)
On peut aussi trouver ce rsultat en appliquant directement le thorme de Pythagore, car e est
orthogonal x.
118
En utilisant lexpression du modle de filtre (7.128), on a :
E[(x(t) x(t))y(t )] = 0, R
R +
E[(x(t) y(t u)h(u)du)y(t )] = 0, R
R +
E[x(t)y(t )] = E[y(t u)y(t )]h(u)du), R,
(7.131)
soit finalement : Z +
Rxy ( ) = Ryy ( u)h(u)du, R. (7.132)
Cette quation intgrale sappelle quation de Wiener-Hopf et donne, si on sait la rsoudre, le filtre
optimal au sens du minimum de lerreur quadratique moyenne.
Solution
Posons :
Rxy ( ) Sxy (f )
Ryy ( ) Syy (f ) (7.133)
h(t) H(f ).
Puisque x(t) = h(t) y(t), on a :
et le filtre optimal :
Sxy (f )
H(f ) = . (7.136)
Syy (f )
Cette solution est a priori non causale, cest--dire que le filtre obtenu nest pas ralisable. On
peut donc modifier le problme pour imposer des conditions de causalit au filtre recherch. Cette
tude, prsente dans de nombreux ouvrages, ne sera pas effectue ici.
119
En combinant le rsultat (7.136) avec les deux dernires quations, on a :
Sxx (f )
H(f ) = . (7.139)
Sxx (f ) + Snn (f )
7.4 Exercices
7.4.1 Oprateur idal de moyenne temporelle
Soit x(t) = A + b(t) un signal rel alatoire, o A est une constante relle et b(t) est un
bruit blanc centr
de densit spectrale de puissance /2, et soit un filtre de rponse impulsionnelle
1 tT /2
g(t) = T rect T . La sortie du filtre moyenneur (Fig. 7.17) est note y(t).
A + b (t) y (t)
G ( f)
Statistiques du signal
Calculer la moyenne du signal y(t).
Exprimer la variance y2 de y(t) en fonction de la fonction de covariance Cxx ( ) et de la
fonction dauto-corrlation gg ( ).
Exprimer Cxx ( ) en fonction de Cbb ( ) puis Cbb ( ) partir de Sbb (f ).
Calculer la fonction dauto-corrlation gg ( ).
Montrer que la variance scrit alors y2 = /(2T ).
Auto-corrlation en sortie
Exprimer la fonction dauto-corrlation statistique Ryy ( ) en fonction de Rxx ( ) et de
gg ( ).
A partir de lexpression de gg ( ) calcule la question prcdente, et de la relation
Rxx ( ) = Cxx ( ) + A2 , montrer que Ryy ( ) scrit :
Ryy ( ) = tri( /T ) + A2 . (7.140)
2T
Tracer Ryy ( ).
7.4.2 Filtrage
On considre le signal rel x(t), stationnaire et de densit spectrale de puissance Sxx (f ) =
Xrect(f /(2B)). Soient y1 (t) et y2 (t), les signaux obtenus par filtrage de x(t) au travers des
filtres G1 et G2 , respectivement (Fig. 7.19). Les rponses impulsionnelles des filtres sont g1 (t) =
rect(t/T )/T et g2 (t) = rect(t/(2T ))/(2T ).
120
x (t) y 1(t)
G 1( f)
x (t) y 2(t)
G 2( f)
Calcul de z(t)
121
Calcul de Szz (f )
Calculer la densit spectrale de puissance du signal z(t), en fonction de Snn (f ), Sss (f ) et
G(f ). On justifiera toutes les tapes du calcul.
122
y (t)
x (t)
+ G (f)
b (t) R b y( t )
a u to -c o rr l.
Calcul de la sortie
Calculer la sortie y(t) en fonction de g, x(t) et b(t).
Autocorrlation
Montrer que la fonction dautocorrlation statistique Ryb ( ) scrit :
B
Ryb ( ) = g( ). (7.143)
2
Quel thorme avez-vous utilis ?
Application
A quoi peut servir ce montage ?
Calculs prliminaires
b (t)
x (t) y (t) x (t) + w (t)
H p ( f ) H d ( f )
123
Etablir la relation entre Hp (f ) et Hd (f ) pour que la sortie du systme soit x(t) + w(t).
Calculer la puissance E[w2 (t)] du bruit w(t) en sortie du systme.
Calcul du filtre
On forme la fonction de cot
J = E[w2 (t)] + [Py P0 ], (7.144)
qui est minimale si lnergie du bruit w(t) est minimale sous la contrainte Py = P0 , et o est un
multiplicateur de Lagrange.
On pose U (f ) = |Hd (f )|2 . Exprimer J en fonction de U (f ) puis montrer que la solution
minimisant J par rapport U (f ) est gale :
Sxx (f )
U 2 (f ) = . (7.145)
Sbb (f )
p
Dduire de (7.145), lexpression de Sxx (f ).
En utilisant le rsultat de la question prcdente, en dduire lexpression de en fonction
de P0 , Sbb (f ) et Sxx (f ).
En dduire lexpression de |Hd (f )|2 en fonction de P0 , Sbb (f ) et Sxx (f ).
Ainsi, la prise en compte des formes de spectres, supposs connus, permet damliorer le rapport
signal bruit. Cette technique est utilise de faon classique en radio-diffusion en modulation de
frquence. Si le canal est soumis un bruit blanc, la densit spectrale de puissance du bruit qui-
valent en rception a une forme parabolique, et le filtre de dsaccentuation est en 1/f . Cest donc
un filtre intgrateur pur. En pratique, on prend un simple passe-bas de type RC. En tte du canal,
il faut appliquer le filtre inverse, cest--dire un filtre drivateur. Do le nom daccentuation, car
le filtre drivateur accentue (augmente) lamplitude des frquences hautes (les aiges).
Pour amliorer le rapport signal bruit, on applique un filtre rel h(t) de fonction de trans-
fert H(f ) (Fig. 7.22). Aprs filtrage, on note y(t) et n(t) les contributions du signal et du bruit,
respectivement.
124
b (t)
Puissance du bruit
Tracer la rponse Hpb (f ) du filtre passe-bande idal. En dduire la puissance du bruit Pb .
Puissance du signal
Calculer la puissance Px du signal x(t).
125
Bibliographie
[1] G. Blanchet and M. Charbit, Traitement numrique du signal, Herms, Paris, 1998.
[2] P. Comon, Independent component analysis, a new concept ?, Signal Processing 36 (1994),
no. 3, 287314.
[7] C. Jutten and J. Hrault, Blind separation of sources, Part I : an adaptive algorithm based
on a neuromimetic architecture, Signal Processing 24 (1991), no. 1, 110.
[8] J. Max and J.-L. Lacoume, Mthodes et techniques de traitement du signal et application aux
mesures physiques, Masson, Paris, 1996.
[9] A. Papoulis, Probability, random variables and stochastic processes, McGraw-Hill, 1984.
[10] L. Scharf, Statistical signal processing : detection, estimation and time series analysis,
Addison-Wesley, 1991.
[11] B. Widrow and et al., Adaptive noise cancelling : principles and applications, Proc. IEEE 63
(1975), 16921716.
126