Christian JUTTEN

Thorie du signal

Cours de deuxime anne (3i4) du dpartement 3i

Universit Joseph Fourier - Polytech Grenoble

novembre 2009

1
Table des matires

1 Introduction la thorie du signal 6

1.1 Thorie du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Signal et bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 De la thorie du signal au traitement du signal . . . . . . . . . . . . . . . 7
1.2 Thorie et traitement du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Communication talement de spectre [5] . . . . . . . . . . . . . . . . . 8
1.2.2 Mesure par corrlation . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Filtre adapt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.4 Filtrage de Widrow [11] . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.5 Sparation aveugle de sources [7] . . . . . . . . . . . . . . . . . . . . . 12
1.2.6 Filtrage homomorphique . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.7 Vers un traitement multidimentionnel . . . . . . . . . . . . . . . . . . . 13
1.3 Organisation du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Contenu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.2 Rfrences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.3 Avertissement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 Signaux, fonctions et oprateurs de base 16

2.1 Signaux usuels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Fonction signe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.2 Fonction chelon unit . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.3 Fonction rampe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.4 Fonction rectangle ou porte . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.5 Fonction triangle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2 Impulsion de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.1 Distribution de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.2 Proprits et rgles opratoires . . . . . . . . . . . . . . . . . . . . . . . 20
2.3 Produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 La convolution en BD . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.3 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3.4 Commentaire sur les notations . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Valeurs caractristiques dun signal . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.1 Fonctions rectangle et triangle . . . . . . . . . . . . . . . . . . . . . . . 27
2.5.2 Proprits des produits de convolution . . . . . . . . . . . . . . . . . . . 27

1
 2.5.3 Calcul de produits de convolution . . . . . . . . . . . . . . . . . . . . . 27

3 Classification des signaux 29

3.1 Signaux physiques et modles . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.1 Signaux ralisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2 Modle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.3 Classes de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2 Signaux certains et alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.2 Signaux dterministes . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.3 Signaux alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3 Energie et puissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.1 Dfinitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3.2 Signaux nergie finie . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.3 Signaux puissance moyenne finie . . . . . . . . . . . . . . . . . . . . 34
3.4 Classification spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Autres proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5.1 Variables continues ou discrtes . . . . . . . . . . . . . . . . . . . . . . 34
3.5.2 Parit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5.3 Causalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6.1 Classification de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6.2 Classification nergtique de signaux simples . . . . . . . . . . . . . . . 36
3.6.3 Puissance moyenne dun signal priodique . . . . . . . . . . . . . . . . 36
3.6.4 Classification spectrale des signaux . . . . . . . . . . . . . . . . . . . . 36

4 Reprsentation vectorielle de signaux 37

4.1 Espace de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.1 Reprsentation discrte . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.2 Espace vectoriel de fonctions . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.3 Espace de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.4 Distance entre deux signaux . . . . . . . . . . . . . . . . . . . . . . . . 38
4.1.5 Espace L2 des signaux nergie finie . . . . . . . . . . . . . . . . . . . 39
4.2 Fonctions orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.1 Produit scalaire de signaux dans L2 (t1 , t2 ) . . . . . . . . . . . . . . . . 40
4.2.2 Fonctions orthogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.3 Produit scalaire et distance euclidienne . . . . . . . . . . . . . . . . . . 40
4.2.4 Ingalit de Schwartz . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.2.5 Approximation dun signal dans L2 (t1 , t2 ) . . . . . . . . . . . . . . . . 42
4.2.6 Thorme de la projection . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.2.7 Calcul des coefficients k optimaux au sens des moindres carrs . . . . . 43
4.2.8 Qualit de lapproximation . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.9 Cas dune base orthogonale . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2.10 Construction dune base orthonormale par la procdure de Gram-Schmidt 45
4.3 Exemples de fonctions orthogonales . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3.1 Fonctions rectangulaires dcales . . . . . . . . . . . . . . . . . . . . . 45
4.3.2 Fonctions orthogonales de Rademacher et de Walsh . . . . . . . . . . . . 45

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

7 Oprateurs fonctionnels et techniques de corrlation 99

7.1 Oprateurs linaires invariants . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.1.1 Proprits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
7.1.2 Systmes linaires invariants coefficients constants . . . . . . . . . . . 100
7.1.3 Dconvolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.1.4 Formule des interfrences . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.1.5 Corrlation entre/sortie dun oprateur de convolution . . . . . . . . . . 104
7.1.6 Statistique du signal en sortie dun oprateur de convolution . . . . . . . 105
7.2 Autres oprateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2.1 Multiplication par une constante . . . . . . . . . . . . . . . . . . . . . . 107
7.2.2 Oprateurs de retard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.2.3 Oprateur de Hilbert . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.2.4 Oprateur de moyenne temporelle . . . . . . . . . . . . . . . . . . . . . 109
7.2.5 Oprateur de filtrage idal . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Dtection dun signal dans du bruit . . . . . . . . . . . . . . . . . . . . . . . . . 114

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

Introduction la thorie du signal

La thorie du signal : quest-ce que cest ? quels sont ces objectifs ?

Lobjet de ce chapitre est de rpondre ces questions, au travers de quelques dfinitions et

surtout de quelques exemples.

1.1 Thorie du signal

1.1.1 Signal et bruit
Consultons dabord le Petit Larousse sur le sens du mot signal.

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.

Le bruit (noise en anglais) dpendra trs fortement du contexte. Par exemple :

pour un oprateur sonar, le signal utile est mis par les navires et les sous-marins, alors que
les poissons et les crustacs mettent des signaux qui sont des perturbations pour le signal
utile, donc des bruits,
rciproquement, pour loprateur sonar dun btiment de pche, le signal utile est celui mis
par les bancs de poissons, les autres signaux sont donc des perturbations et constituent donc
du bruit.
Ainsi, il apparat vident quun problme fondamental en traitement du signal sera dextraire
le signal utile du bruit. La difficult du problme dpend en particulier de la proportion entre signal
et bruit. Ceci est mesure par le rapport signal bruit (RSB, ou SNR en anglais pour signal noise
ratio).

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.

1.1.2 De la thorie du signal au traitement du signal

Les mots signal et information sont communs dans le langage courant. Dans le monde scienti-
fique, ces mots ont des significations bien prcises : en particulier, thorie de linformation, thorie
du signal et traitement du signal correspondent des notions diffrentes, illustres la figure 1.1
dans le cadre dune chane de communications. De faon encore plus gnrale :
la thorie du signal est lensemble des outils mathmatiques qui permet de dcrire les si-
gnaux et les bruits mis par une source, ou modifis par un systme de traitement,
la thorie de linformation est lensemble des outils mathmatiques qui permet de dcrire la
transmission de messages vhiculs dune source vers un destinataire,
le traitement du signal est lensemble des mthodes et des algorithmes qui permet dlaborer
ou dinterprter les signaux porteurs dinformation. Plus prcisment :
laboration : codage, modulation, changement de frquence,
interprtation : dcodage, dmodulation, filtrage, dtection, identification, etc.
Actuellement, les mthodes de traitement sont presquen totalit numriques, ce qui sup-
pose :
un chantillonnage temporel, et une reprsentation des signaux en temps discret,

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

F IG . 1.2 Communication talement de spectre

la numrisation du signal par conversion analogique/numrique, ce qui implique une

quantification du signal.
Ces aspects seront dvelopps dans le cours de traitement numrique du signal (D. Pellerin),
au second semestre.

1.2 Thorie et traitement du signal

Les outils de la thorie du signal et de traitement du signal sappliquent de nombreux do-
maines, ds quun capteur mesure une grandeur physique porteuse dinformation, qui est perturbe
(par du bruit ou le systme de mesures) et qui devra tre traite pour en extraire linformation utile.
Les mthodes de traitement du signal permettent dimaginer des mthodes plus sres, plus
fiables, plus rapides pour analyser et transmettre des signaux. Dans le domaine des communica-
tions, talement de spectre, GSM, etc. en sont des exemples reprsentatifs.
Dans la suite, nous proposons quelques exemples.

1.2.1 Communication talement de spectre [5]

Considrons le systme de traitement de la figure 1.2. Lmetteur envoie un message dt , qui
est cod par multiplication avec un signal pseudo-alatoire pnt . Le rsultat est un signal en bande
de base, not txb , qui est ensuite modul par une porteuse radio-frquence RF et fourni le signal
transmis tx. A la rception, le signal reu rx est dabord dmodul pour produire un signal en
bande de base rxb . En multipliant rxb par le signal pseudo-alatoire pnr , on peut reconstituer le
message dr .
Regardons ce systme plus en dtails, en faisant abstraction des blocs de modulation et de
dmodulation. Considrons le signal transmettre, dt , binaire valeurs dans {1, +1}, de du-
re symbole Ts , soit de frquence-symbole fs = 1/Ts . On dispose par ailleurs dune squence
binaire pseudo-alatoire (trs facile gnrer avec un registre dcalage correctement cbl) de
frquence-bit fn = 1/Tn = kfs o k N et k grand.
Le principe de ltalement de spectre (spectrum spreading) est montr la figure 1.3. Le signal
mis, dt a un spectre relativement troit, dont la forme est un sinus cardinal au carr (voir dans la
suite de ce cours) dont le lobe principal a une largeur 2/Ts . Le signal pseudo-alatoire, pnt a un
spectre de forme similaire, beaucoup plus large, de largeur gale 2/Tn . Le produit txb = dt pnt
a un encombrement spectral trs similaire au signal pseudo-alatoire. Ainsi, comme lindique le
nom de la mthode, le signal est tal sur un spectre trs large par cette opration. A la rception,
si la transmission est sans bruit et aprs dmodulation suppose idale, on reoit le signal en

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

F IG . 1.3 Principe dune communication talement de spectre

x (t) y (t)
d

se n s d e
d p la c e m e n t

F IG . 1.4 Dispositif de mesure de vitesse dun tapis convoyeur

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 :

rxb pnr = (dt pnt ) pnr

= dt (pnt pnt ) (1.3)
= dt .

Cette tape constitue le dstalement de spectre (spectrum despreading). Si la transmission et la

modulation/dmodulation ont entran des perturbations (interfrences) i, on reoit :

rxb = dt pnt + i. (1.4)

Le dstalement de spectre donne alors (toujours en supposant pnr = pnt ) :

rxb pnr = (dt pnt ) pnr + i pnr

(1.5)
= dt + i pnt .

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

F IG . 1.5 Signaux x(t) et y(t) et leur intercorrlation

1.2.2 Mesure par corrlation

On cherche mesurer la vitesse de dplacement dun tapis convoyeur dobjets, matires
premires, fruits, etc. Pour cela, on place deux capteurs (camras ou capteurs ultra-sons, par
exemple) deux position prcises, spares dune distance d. Ces capteurs fournissent des si-
gnaux x(t) et y(t). Bien sr, ces deux signaux doivent se ressembler, un retard prs : le signal
y(t) doit tre approximativement gal au signal x(t) retard de , cest--dire x(t ) y(t).
Le retard permet de dduire la vitesse du tapis, par la relation :

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

o W est la fentre dintgration. Linter-corrlation tant maximale lorsque la similarit est la

plus grande, la dtermination de se fera en recherchant la position du maximum de la courbe
yx ( ).

1.2.3 Filtre adapt

Cette mthode trs connue de traitement du signal permet de dtecter la prsence dun signal
connu s(t) dans du bruit. Elle est utilise dans de nombreux systmes. Par exemple, dans le cas
dun radar, on cherche dtecter la prsence dun objet. Pour cela, une antenne mettrice envoie
un signal s(t). En prsence dun objet une distance d, le signal s(t) est rflchi par lobjet. Sur

10
 r (t) = s (t) + b (t) + e (t)

-
G [ b (t)]
F
a lg o .
d 'a d a p t .

F IG . 1.6 Principe de la mthode de soustraction de bruit de Widrow

lantenne rceptrice, on obtient donc un signal r(t) :

r(t) = As(t 2 ) + b(t), (1.8)

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 :

h(t) = s(t). (1.10)

1.2.4 Filtrage de Widrow [11]

On mesure un signal s(t) pollu par un bruit additif b(t), non corrl avec s(t) :

r(t) = s(t) + b(t), (1.11)

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 :

Reb ( ) = E[e(t)b(t )] = 0, . (1.12)

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)

1.2.5 Sparation aveugle de sources [7]

Dans le cas o il nest pas possible de disposer dune rfrence du bruit, la mthode de Widrow
est impuissante. Au milieu des annes 80, il a t montr que ce problme pouvait tre rsolu
pourvu de disposer dau moins autant dobservations (capteurs) que de sources et de supposer
que les diffrents signaux sparer sont statistiquement indpendants (et non plus simplement
dcorrls). Cette mthode, connue sous le nom danalyse en composantes indpendantes (ACI ou
ICA pour independent component analysis [7, 2]), est trs intressante par son trs large domaine
dapplications : tlcommunications, biomdical, rhaussement de parole, imagerie hyperspectrale
en tldtection et astrophysique, rseaux de capteurs intelligents, etc.
Dans le cas le plus simple, on peut supposer que les mlanges sont linaires et on observe :

x(t) = As(t), (1.13)

o x est le vecteur de n observations (mlanges), s est le vecteur de p sources (avec p n, et au

plus une source gaussienne) et A est une matrice de mlange suppose de rang plein (rgulire,
dans le cas n = p). On montre alors quen ne connaissant que T chantillons des observations,
x(t), t = 1, . . . , T , on peut estimer une matrice de sparation B en minimisant un critre dind-
pendance des sources estimes y(t) = Bx(t). En ralit, on montre que la matrice de sparation
satisfait :
BA = DP, (1.14)
o D et P sont une matrice diagonale et une matrice de permutation, respectivement. Ce rsultat
indique que lon peut sparer les sources, mais quon ne peut les retrouver qu une permutation
prs et qu un facteur dchelle (un gain) prs.
Sans entrer dans les dtails, divers critres peuvent tre utiliss pour exprimer lindpendance
mutuelle des sources estimes, par exemple linformation mutuelle du vecteur de sortie I(y). De
faon gnrale, la mise en oeuvre de ce critre exige lutilisation de statistiques dordre suprieur
2. Autrement dit, la dcorrlation, suffisante dans la mthode de Widrow qui requiert une rf-

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

F IG . 1.8 Principe du filtrage homomorphique

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.

1.2.6 Filtrage homomorphique

La luminance, Lr (x, y), dun point (x, y) dun objet illumin par une lumire incidenteLi (x, y),
sexprime comme le produit de deux quantits positives :

Lr (x, y) = (x, y)Li (x, y), (1.15)

o (x, y) est la rflectance du point de coordonne (x, y) de lobjet. Frquemment, la luminance

de la lumire incidente nest pas uniforme sur lobjet, et on observe un gradient de luminance d
la position de la source. Pour isoler la rflectance, il faut donc liminer la composante Li (x, y).

Considrons le logarithme de Lr :

ln Lr (x, y) = ln (x, y) + ln Li (x, y). (1.16)

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.

1.2.7 Vers un traitement multidimentionnel

Les signaux prsentent une grande diversit, en particulier en ce qui concerne la dimension.
Or, avec lvolution des technologies (capteurs, calculateurs, etc.), le traitement de signal traite de
plus en plus frquemment de signaux multidimentionnels. Au-del du signal 1D : signal audio,
mesure lectrique, signal reu par une lectrode en biomdical, on sintresse des :
signaux 2D : image, reprsentation temps-frquence des signaux,
signaux 2D + t : squences vido,
signaux 3D : objets 3D (tomographie, etc.),
signaux 3D + t : squence dobjets 3D (tomographie, etc.),

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 Organisation du document

Ce cours suppose des connaissances solides en mathmatiques pour lingnieur : lalgbre li-
naire, lintgration, loprateur de convolution, la transforme de Fourier et les probabilits sont
les principaux outils quil convient de matriser.

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

Signaux, fonctions et oprateurs de base

Ce chapitre prsente la description mathmatique de signaux lmentaires, souvent idaux

(en ce sens quil ne sont pas ralisables physiquement) mais trs pratiques pour la description de
modles mathmatiques. Tous ces modles seront largement utiliss dans la suite de ce cours, et
de faon plus gnrale en traitement du signal et des images.

2.1 Signaux usuels

2.1.1 Fonction signe
Dfinition 2.1.1 (Fonction Signe) La fonction signe, note sgn est une fonction relle de la va-
riable relle dfinie par :

+1, si t > 0,
sgn(t) = (2.1)
1, si t < 0.

Par convention, on dfinit :

sgn(0) = c0 , avec 1 c0 +1. (2.2)

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

F IG . 2.1 Fonctions signe, sgn(t), et chelon, (t)

16
 r (t)
+ 1
t
1

F IG . 2.2 Fonction rampe, r(t)

r e c t(t) r e c t(t/T )
1 1

t t
- 1 /2 1 /2 - T /2 T /2

F IG . 2.3 Fonctions rectangle, de largeur unit ( gauche) et de largeur T ( droite)

2.1.2 Fonction chelon unit

Dfinition 2.1.2 (Fonction chelon unit) La fonction chelon unit, ou simplement chelon ou
fonction de Heaviside, note , est une fonction relle de la variable relle dfinie par :

+1, si t > 0,
(t) = (2.4)
0, si t < 0,

avec, par convention, (0) = 1/2.

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.

2.1.3 Fonction rampe

Dfinition 2.1.3 (Fonction rampe) La fonction rampe, note r, est une fonction relle de la va-
riable relle dfinie par :
Z t
r(t) = (u)du. (2.6)

2.1.4 Fonction rectangle ou porte

Dfinition 2.1.4 (Fonction rectangle unit) La fonction rectangle, ou fonction porte, de largeur
1, note rect, est une fonction relle de la variable relle dfinie par :

rect(t) = (t + 1/2) (t 1/2). (2.7)

On remarque que laire de la fonction rectangle de largeur unit vaut 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

F IG . 2.4 Reprsentations simplifies des fonctions rectangle de largeur unit et de largeur T

r e c t(t-t ) r e c t[ (t-t )/T ]

1 1

t t
t -1 /2 t + 1 /2 t -T /2 t + T /2

F IG . 2.5 Fonctions rectangle de largeur unit et de largeur T , translates de

Dfinition 2.1.5 (Fonction rectangle de largeur T ) La fonction rectangle, ou fonction porte, de

largeur T , note rectT , est une fonction relle de la variable relle dfinie par :

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 . 2.6 Utilisation de la fonction rectangle pour prlever un morceau de signal

tr i(t) tr i(t-t ) tr i[ (t-t )/T ]

1 1 1
t t t
-1 1 t -1 t t + 1 t -T t t + T

F IG . 2.7 Fonctions triangle unit ( gauche), triangle unit translate de (au milieu) et triangle
daire 2T translate de ( droite)

2.1.5 Fonction triangle

Dfinition 2.1.6 (Fonction triangle) La fonction triangle unit, note tri, est une fonction relle
de la variable relle dfinie par :

1 | t | si | t | 1,
tri(t) = (2.12)
0 sinon.

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.

2.2 Impulsion de Dirac

La notion de distribution est un complment mathmatique indispensable de la notion de fonc-
tion, notament pour dcrire des vnements infiniment brefs mais de puissance finie non nulle ou

19
 d (t) d (t-t ) 2 .d ( t- t )
1 1 1
t t t
t t

F IG . 2.8 Distributions de Dirac : unit ( gauche), translate de (au milieu), translate de et

damplitude 2 ( droite)

le phnomne dchantillonnage.

2.2.1 Distribution de Dirac

Dfinition 2.2.1 (Impulsion de Dirac) La distribution ou impulsion de Dirac, note (t), vrifie :

(t) = 0, si t 6= 0,
R + (2.13)
(u)du = 1.

On peut voir la distribution de Dirac comme la limite de fonctions, par exemple :

1
(t) = limT 0 T tri(t/T )
1
(t) = limT 0 T rect(t/T ) (2.14)

(t) = limT 0 T1 sinc(t/T ) = limT 0 sin(t/T
t
)
.

2.2.2 Proprits et rgles opratoires

Reprsentation
La distribution de Dirac, (t), se reprsente par une flche verticale damplitude 1 localise en
t = 0 (figure 2.8, gauche). Sa version translate de , note (t ), est reprsente la figure
2.8, au milieu.

Produit dune fonction par un Dirac

Le produit dun fonction x(t) par une distribution de Dirac (t t0 ) scrit :

x(t)(t t0 ) = x(t0 )(t t0 ), (2.15)

car la distribution (t t0 ) est nulle partout sauf en t = t0 .

Le produit dune fonction x(t) par la distribution de Dirac (t t0 ) permet donc de prlever
une valeur (chantillon) de la fonction x(t), plus prcisment la valeur x(t0 ) en t = t0 .

Calcul de lintgrale dun produit avec un Dirac

En appliquant la rgle du produit par une distribution de Dirac, on peut calculer facilement
lintgrale dun produit dune fonction par un Dirac :
Z +
I = x(t)(t t0 )

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 :

xe (t) = x(t)T (t)

 X + 
= x(t) (t kT )
k=
+
X
= x(t)(t kT )
k=

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

F IG . 2.11 Priodisation dun signal avec loprateur repT (t)

+
X
= x(kT )(t kT ). (2.18)
k=

Priodisation dun signal

A partir dun morceau de taille finie x(t), on introduit aussi un oprateur de rptition, repT {x(t)},
qui permet de priodiser un signal avec une rriode de rptition T :
+
X
repT {x(t)} = x(t kT ) (2.19)
k=

Fonction sinus cardinal

Cette fonction est trs courante en traitement du signal o elle intervient comme transforme
de Fourier dune fonction rectangle. Une fonction rectangle permet de reprsenter par exemple des
oprateurs idaux de filtrage. La fonction sinus cardinal, note sinc(u), est dfinie :
sin(u)
sinc(u) = . (2.20)
u

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

F IG . 2.12 Reprsentation graphique de la fonction sinc(u)

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

F IG . 2.13 Filtrage dun signal x(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 Produit de convolution

Loprateur de convolution est aussi trs courant. Il est associ lopration de filtrage dun
signal x(t) par un filtre de rponse impulsionnelle h(t) (figure 2.13). La sortie du filtre, y(t), vaut
alors y(t) = x(t) h(t).

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 :

(x h)(t) = x(t) h(t). (2.26)

On utilisera cette notation par la suite, malgr quelle soit parfois ambigu comme on le verra plus
loin.

Si x(t) est la distribution de Dirac (t), on a simplement :

y(t) = (t) h(t) = h(t). (2.27)

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.

2.3.4 Commentaire sur les notations

En traitement du signal, la notation usuelle de la convolution de deux signaux, x(t) y(t), ne
prte pas confusion dans les cas simples. En revanche, pour des fonctions avec des arguments
plus complexes, cette notation peut devenir ambigu. Par exemple, le produit de convolution :

x(t u) y(u 2t) (2.29)

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 :

z(t) = R(x1 y1 )(t)

(2.31)
= x1 (v)y1 (t v)dv.

Or, daprs le changement de fonctions (2.30), on peut crire :

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)

Cette fonction est bien une fonction de t, dpendant du paramtre u.

De faon similaire, on pourrait aussi crire, en utilisant la commutativit du produit de convo-
lution :
z(t) = R(y1 x1 )(t)
= R y1 (v )x1 (t v )dv (2.34)
= y(u 2v )x(t v u)dv .
En posant t v = v, on vrifie facilement, aprs changement de variable, que les deux intgrales
(2.33) et (2.34) sont identiques.

2.4 Valeurs caractristiques dun signal

Soit un signal x(t) dfini sur un intervalle [t1 , t2 ]. On peut le caractriser par les grandeurs
suivantes :
Valeur moyenne :
Z t2
1
x= x(t)dt, (2.35)
t2 t1 t1
Valeur quadratique, ou nergie :
Z t2
Wx = x2 (t)dt, (2.36)
t1

Valeur quadratique moyenne, ou puissance :

Z t2
1 Wx
Px = x2 (t)dt = , (2.37)
t2 t1 t1 t2 t1

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 ) .

Calculer la valeur moyenne x, la valeur quadratique V Qx , la valeur quadratique moyenne x2 et la

valeur efficace V Ex de la fonction x(t) = A tri(t/T ) sur lintervalle [T, +T ].
R + sin(u)
Montrer que sinc(u)du = 1 o sinc(u) = u (On utilisera la mthode de rsidus. Cet
exercice est assez long et difficile).

2.5.2 Proprits des produits de convolution

Montrer les proprits suivantes :
x(t) (t) = (t) x(t) = x(t),
x(t) (t t0 ) = x(t t0 ),
x(t t1 ) (t t2 ) = x(t t1 t2 ),
(at) = (t)
|a| .

Montrer les proprits de commutativit, dassociativit et de distributivit par rapport lad-

dition de loprateur de convolution.

2.5.3 Calcul de produits de convolution

1. Calculer et tracer les produits de convolution des fonctions x(t) et y(t) suivantes :
x(t) = A[(t + t0 ) + (t t0 )] et y(t) = B((t) + 12 [(t + t1 ) + (t t1 )])
x(t) = cos ( t t
T ) rect( T ) et y(t) = A T (t).
1
2. Calculer le produit de convolution de x(t) = A (t) avec le filtre h(t) = exp(t/ ) (t).
3. Calculer le produit de convolution rect(t/T ) rect(t/T ).
4. Calculer le produit de convolution rect(t/T1 ) rect(t/T2 ), avec T1 > T2 .
5. Calculer le produit de convolution x(t) = sin ( 2t
T ) et de y(t) = rect(t/).
6. Calculer le produit de convolution x(t) = tri( Tt ) et de y(t) = rect(t/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

Classification des signaux

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.

3.1 Signaux physiques et modles

3.1.1 Signaux ralisables

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).

3.2 Signaux certains et alatoires

3.2.1 Dfinitions
Dfinition 3.2.1 (Signal certain) Un signal x(t) est certain (ou dterministe) sil peut tre dcrit
par un modle mathmatique.

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.

3.2.2 Signaux dterministes

Comme nous lavons dj soulign, ces signaux peuvent tre simplement modliss par des
fonctions mathmatiques.

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.

Quelques exemples de signaux priodiques : les signaux sinusodaux, la somme ou le produit

de signaux sinusodaux dont le rapport des priodes est rationel (T1 /T2 Q).

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.

3.2.3 Signaux alatoires

Dfinition 3.2.4 (Signal stationnaire) Un signal alatoire x(t) est stationnaire, si ses caractris-
tiques statistiques sont invariantes dans le temps.

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.

3.3 Energie et puissance

3.3.1 Dfinitions
En lectricit, on dfinit la puissance instantane, p(t), dans un diple, comme le produit de la
tension v(t) par le courant i(t) circulant dans le diple :

p(t) = v(t)i(t). (3.7)

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

et la puissance moyenne sur lintervalle est gale :

Z t2
W (t1 , t2 ) 1
P (t1 , t2 ) = = p(t)dt. (3.10)
t2 t1 t2 t1 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.

3.3.2 Signaux nergie finie

Dfinition 3.3.3 (Signal nergie finie) Un signal x(t) est nergie finie si lintgrale suivante
existe,
Z +
Wx = |x(t)|2 dt, (3.15)

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.

Exemple 3.3.1 Le signal x(t) = rect(t/T ) est un signal nergie finie :

Z + Z +T /2
2
Wx = |x(t)| dt = dt = T. (3.17)
T /2

Sa puissance moyenne Px est donc nulle.

Consquence. Un signal nergie finie a une puissance moyenne nulle.

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.

3.4 Classification spectrale

Lanalyse spectrale, par transforme de Fourier (TF), conduit considrer le spectre des si-
gnaux, cest--dire leur reprsentation dans le domaine frquentiel, comme une reprsentation
duale, quivalente dun point de vue de linformation contenue.
On appelle largeur de bande, B = f2 f1 , le domaine des frquences o le spectre a des
valeurs non nulles.
Un signal dont le spectre est nul en dehors dune bande de frquence donne est appel signal
bande limite, ou signal spectre support born.
La figure 3.1 donne quelques exemple de signaux bande limite.

3.5 Autres proprits

3.5.1 Variables continues ou discrtes
La nature continue ou discrte dun signal x(t) peut tre considre pour lamplitude ou pour
la variable t. Si lamplitude du signal est discrte on parle de quantification (quantization). Si la
discrtisation concerne la variable t, on parle dchantillonnage (sampling).

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

F IG . 3.1 Quelques exemples de spectres de signaux bande limite

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 ).

3.6.3 Puissance moyenne dun signal priodique

On considre le signal priodique x(t) = A sin(2t/T0 ).
1. Calculer la puissance moyenne, P (t, T ), du signal sur un intervalle de mesure T .
2. Montrer que la puissance moyenne, lorque T +, est gale celle calcule sur une
priode T0 .
3. Pour quelles autres valeurs de lintervalle de mesure, obtient-on le mme rsultat ?

3.6.4 Classification spectrale des signaux

Soit b(t) un bruit blanc large bande. Indiquer si les signaux suivants sont des signaux basses
frquences (BF), hautes frquences (HF), large bande ou bande troite.
1. x1 (t) = Ab(t), o A est un gain rel,
2. x2 (t) = A sin t.

36
Chapitre 4

Reprsentation vectorielle de signaux

4.1 Espace de signaux

4.1.1 Reprsentation discrte
On peut reprsenter un signal sur une base de signaux (fonctions) dtermins, k (t), k =
1, . . . , K :
XK
x(t) = ak k (t). (4.1)
k=1

Le vecteur a = (a1 , . . . , aK )T est une reprsentation du signal x(t) dans la base = {1 (t), . . . , K (t)}.

Remarque 4.1.1 Dans le cas gnral, la base est de dimension infinie ;

Pour certaines classes de signaux, on peut chercher des approximations comportant un
nombre limit de signaux de base k (t) ;
La reprsentation discrte a est lunique moyen daborder le traitement numrique du si-
gnal.

4.1.2 Espace vectoriel de fonctions

Dfinition 4.1.1 (Espace vectoriel) Etant donn un corps commutatif C dlment neutre 0 et e,
on dit quun ensemble E muni dune opration interne (note ) et dune opration externe dont
le domaine doprateurs est C, a une structure despce vectoriel sur C si :
E est un groupe commutatif pour son opration interne,
lopration externe est telle que, pour tout x E et tout C et C, on ait :

()x = (x) et ex = x, (4.2)

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)

Le nombre de vecteurs de la base est appel dimension de lespace.

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 :

d(~x, ~y ) = k~x ~y k (4.4)

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.

Les diffrentes mtriques possibles (distances) dfinissent divers types de convergence.

4.1.3 Espace de signaux

Soit EK un espace de dimension K et B = {1 (t), . . . , K (t)} une base de cet espace.
Tout signal x(t) a une reprsentation unique dans la base B :
K
X
x(t) = ak k (t), (4.6)
k=1

o les ak sont lments de R ou de C.

Les coefficients (a1 , . . . , aK ) dfinissent un point de coordonne (a1 , . . . , aK ) par rapport
la base B : (1 , . . . , K ) est donc une reprsentation du signal x(t) par rapport la base B.

4.1.4 Distance entre deux signaux

La reprsentation vectorielle de signaux dans un espace vectoriel mtrique permet de comparer
des signaux en mesurant leur distance.
Soient deux signaux x(t) et y(t) dont les reprsentations (dans la mme base B) sont :

x(t) ~x = (x1 , . . . , xK )T ,
(4.7)
y(t) ~y = (y1 , . . . , yK )T ,

38
On peut alors dfinir la distance entre les signaux :

d(x(t), y(t)) = d(~x, ~y ). (4.8)

Par exemple, si d est la distance euclidienne, on a simplement :

X 1/2
d(x(t), y(t)) = d(~x, ~y ) = |xk yk |2 . (4.9)
k

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

o K est une constante de normalisation. Typiquement K = 1 ou K = 1/T . Cette distance est

appele distance en moyenne quadratique.
On peut bien sr dfinir dautres distances, par exemple :
R
d1 (x(t), y(t)) = K T |x(t) y(t)|dt,
 R 1/p
dp (x(t), y(t)) = K T |x(t) y(t)|p dt , (4.11)
d (x(t), y(t)) = KT sup{|x(t) y(t)|; t T }.

Pour des signaux binaires, on utilise la distance de Hamming :

K
X
dH (x(t), y(t)) = xk yk , (4.12)
k=1

o xk et yk sont des lments de {0, 1} et reprsente loprateur OU exclusif. Cette distance

mesure le nombre de bits diffrents entre x et y.

4.1.5 Espace L2 des signaux nergie finie

Lensemble des signaux nergie finie (ou de carr sommable) sur un intervalle [t1 , t2 ] forme
un espace not L2 (t1 , t2 ) dont la norme est dfinie par :
Z t2 1/2
kxk = |x(t)|2 dt . (4.13)
t1

Le carr de la norme, kxk2 , est donc gal lnergie du signal.

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.

Lexposant 2 dans L2 (t1 , t2 ) indique la mtrique utilise et non pas la dimension.

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

o indique la conjugaison complexe.

Par analogie, soient deux signaux x(t) et y(t), lments de L2 (t1 , t2 ), on peut dfinir le produit
scalaire par :
Z t2
< x, y >= x(t)y(t) dt. (4.16)
t1

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.

4.2.2 Fonctions orthogonales

En gomtrie euclidienne, deux vecteurs sont orthogonaux si leur produit scalaire est nul. Par
analogie, on dira que deux signaux sont orthogonaux si leur produit scalaire est nuel, cest--dire
si : Z t2
< x, y >= x(t)y(t) dt = 0. (4.19)
t1

Le choix de lintervalle [t1 , t2 ] est important : < x, y >= 0 dans [t1 , t2 ] nentrane pas
lorthogonalit dans tous les intervalles.

4.2.3 Produit scalaire et distance euclidienne

Le lien entre distance euclidienne et produit scalaire est vident dans lespace L2 (t1 , t2 ). En
effet :
R t2
d2 (x, y) = |x(t) y(t)|2 dt,
Rtt12 h ih i
= t1 x(t) y(t) x(t) y(t) dt,
= < x y, x y >, (4.20)
= < x, x > < y, x > < x, y > + < y, y >,
= kxk2 + kyk2 (< x, y > + < x, y > ),
= kxk2 + kyk2 2(< x, y >).

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, y) = kx yk2 = kxk2 + kyk2 . (4.21)

4.2.4 Ingalit de Schwartz

Thorme 4.2.1 Deux signaux, x(t) et y(t) de L2 (t1 , t2 ) vrifient lingalit suivante, dite inga-
lit de Schwartz :
| < x, y > |2 < x, x >< y, y >, (4.22)

ou, sous forme intgrale :

Z t2 2 Z t2 Z t2
  2
 x(t)y (t)dt |x(t)| dt |y(t)|2 dt. (4.23)
t1 t1 t1

Lgalit est obtenue si et seulement si x(t) = ky(t).

Soient deux signaux, x(t) et y(t) de L2 (t1 , t2 ), et k un scalaire de R ou de C. Le carr de la

distance entr ex et ky est la quantit positive, k :

d2 (x, ky) =< x, x > +|k|2 < y, y > k < x, y > k < x, y > 0. (4.24)

Ceci est en particulier vrai pour :

< x, y >
k= . (4.25)
< y, y >

En reportant dans (4.24), on a alors :

 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 :

| < x, y > |2 < x, x >< y, y >, (4.27)

ou, sous forme intgrale :

Z t2 2 Z t2 Z t2
  2
 x(t)y (t)dt |x(t)| dt |y(t)|2 dt. (4.28)
t1 t1 t1

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 :

e(t) = x(t) x(t), (4.30)

et on appelle erreur quadratique la quantit :

kek2 = d2 (x, x). (4.31)

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).

4.2.6 Thorme de la projection

Thorme 4.2.2 (Thorme de la projection) La distance d(x, x) entre x(t) et son approxima-
tion x(t) est minimale si lerreur dapproximation e(t) = x(t)x(t) est orthogonale aux fonctions
m (t), cest--dire x(t) elle-mme.

On peut reprsenter graphiquement ce rsultat par le schma de la figure 4.1.

Dmonstration. Soit lapproximation :

M
X
x(t) = m m (t), (4.32)
m=1

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) :

d2 (x, x) = kx xk2 + kx xk2 , (4.36)

qui est minimale si et seulement si x(t) = x(t).

42
 x
e = x - x

E x
M

F IG . 4.1 Reprsentation graphique du thorme de la projection orthogonale

4.2.7 Calcul des coefficients k optimaux au sens des moindres carrs

Lorsque lerreur e = x x est minimale, compte tenu de son orthogonalit avec k , et compte
tenu de lexpression de x, on peut crire :

< e, k > = 0,
< x x, x > = 0,
(4.37)
< x, x > < x, x > = 0,
< x, x > = kxk2 .

Pour chaque produit scalaire :

< x x, m >=< e, m >= 0 < x, m >=< x, m >, m = 1, . . . , K. (4.38)

P
Or, en substituant dans (4.38) x par son expression x(t) = k k k (t), on a, m = 1, . . . , K :
P
< k k k , m >
< x, m > = P
(4.39)
= k k < k , m > .

En notant :
a = (1 , . . . , K )T , et
km = < k , m > (4.40)
m = < x, m >

les termes gnraux de la matrice et du vecteur , les K quations scrivent T a = , soit

puisque T est inversible (car les k forment une base)

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

4.2.9 Cas dune base orthogonale

Les coefficients k de lapproximation optimale au sens des moindres carrs sont donns par
(4.42).
Lerreur dapproximation sexprime :
kek2 = kxk2 kxk2
Rt P (4.45)
= t12 |x(t)|2 dt K 2
k=1 |k | kk ,

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

autrement dit, lerreur dapproximation kek2 tend asymptotiquement vers 0.

Cette limite traduit lgalit de Parseval :
+
X
|k |2 kk = kxk2 , (4.48)
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 :

k = k =< x, k >, k = 1, . . . (4.49)

Lapproximation scrit alors :

X
x(t) = < x, k > k (t). (4.50)
k

44
Lgalit de Parseval devient simplement :
+
X
|k |2 = kxk2 . (4.51)
k=1

4.2.10 Construction dune base orthonormale par la procdure de Gram-Schmidt

On suppose que lon dispose dune base non orthogonale {v1 , . . . , vK }. On se propose de
construire une base orthonormale {1 , . . . , K } en suivant la procdure suivante :
w1 (t)
1. On pose w1 (t) = v1 (t) puis on norme 1 = kw1 k . On initialise k = 1
2. On calcule :

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

3. On rpte ltape (2) jusqu k = K.

Dans la procdure ci-dessus, on remarque que wk est la diffrence entre le vecteur vk et sa
projection orthogonale sur lespace de dimension k 1 engendr par les k 1 premiers vecteurs
{1 , . . . , k1 }. Cette diffrence, en application du thorme de la projection, est donc orthogo-
nale aux k 1 vecteurs {1 , . . . , k1 } prcdemment calculs. Ltape de normalisation permet
ensuite dobtenir des vecteurs norms.

4.3 Exemples de fonctions orthogonales

Il existe de nombreuses familles de fonctions orthogonales. Nous en donnons ici quelques
exemples.

4.3.1 Fonctions rectangulaires dcales

Ce sont des fonctions de la forme [Fig. 4.2) :
 t kT 
k (t) = rect . (4.55)
T

4.3.2 Fonctions orthogonales de Rademacher et de Walsh

La figure (4.3) prsente les trois premires fonctions de Rademacher.
La figure (4.4) prsente les trois premires fonctions de Walsh.

45
 1 (t)
1

t
D T
2 (t)
1

t
2 D T
D T

F IG . 4.2 Fonctions rectangulaires dcales

(t)
1 1

t
T

2 (t)
1
t
T

3 (t)
1
t
T

F IG . 4.3 Fonctions de Rademacher

46
 (t)
1 1

t
T

2 (t)
1
t
T

3 (t)
1
t
T

F IG . 4.4 Fonctions de Walsh

4.3.3 Sries de Fourier

Tout signal de L2 (t1 , t1 + T ) peut tre dvelopp en sries de Fourier, partir de signaux de
base de forme exponentielle complexe :
 t
k (t) = exp j2k , (4.56)
T
telles que k 6= j, < k , j >= 0, et < k , k >= T .
En notant Xk (au lieu de k ) le k-ime coefficient, on a :
k=+
X  t
x(t) = Xk exp j2k , (4.57)
T
k=
avec : Z
1 t1 +T  t
Xk = x(t) exp j2k dt. (4.58)
T t1 T
Cette dernire expression est obtenue en appliquant les rsultats du paragraphe (4.2) :
<x,k > R t +T R t +T
Xk = < k ,k >
= <x,
kk
k>
= T1 t11 x(t)k (t)dt = T1 t11 x(t) exp(j2k Tt )dt. (4.59)
Les coefficients sont classs dans lordre croissant des harmoniques : k est de priode T /k.
La srie est infinie et on peut crire lgalit de Parseval :
Z k=+
X
1 t1 +T
Px = |x(t)|2 dt = |Xk |2 . (4.60)
T t1
k=

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.

4.4.2 Produit scalaire de deux signaux

Soient les deux signaux rels x1 (t) = cos(2t/T 1 ) et x2 (t) = sin(2t/T 2 ), sur le
domaine temporel t1 t t1 + T . On pose R= 2 1 . On rappelle que le produit scalaire de
+
deux signaux x1 (t) et x2 (t) est not hx1 , x2 i = x1 (t)x2 (t)dt.
1. Calculer le produit scalaire des deux signaux sur le domaine temporel.
2. Pour quelles valeurs de ces deux fonctions sont-elles orthogonales sur le domaine tem-
porel ? Ce rsultat dpend-il de t1 ? Pourquoi ?
3. Calculer la norme des deux signaux. En dduire leur nergie sur le domaine temporel.
4. En dduire la distance euclidienne entre les deux signaux. Que vaut cette distance dans le
cas particulier o les signaux sont orthogonaux ?

4.4.3 Approximation dun signal

On dsire approximer le signal x(t) = rect(t 1/2) laide de 3 fonctions de base k (t) =
exp(kt) pour k {1, 2, 3}. On utilisera les rsultats et les notationsR du cours. On rappelle que
+
le produit scalaire de deux signaux x1 (t) et x2 (t) est not hx1 , x2 i = x1 (t)x2 (t)dt.
1. A partir du cours, donner la relation donnant lapproximation, en exprimant les paramtres
kl et k en fonction des produits scalaires.
2. Calculer les coefficients kl et k .
3. En dduire la matrice et le vecteur .
4. Calculer la matrice 1 et en dduire les coefficents k et lapproximation x(t)
5. Calculer lerreur quadratique kek2 , puis le rapport Signal/Erreur : R = kxk2 /kek2 en gran-
deur normale et en dB.

4.4.4 Dveloppement en sries de Fourier

Vrifier que pour les fonctions exponentielles complexes k (t) = exp(j2kt/T ), on a
effectivement k 6= l, < k , l >= 0, et < k , k >= T .
Dvelopper en srie de Fourier le signal

At  t T /2 
x(t) = rect , (4.62)
T T
sur lintervalle [0, T ].

48
Chapitre 5

Signaux certains

5.1 Transforme de Fourier

5.1.1 Dfinition et existence
Dfinition 5.1.1 (Transforme de Fourier) Soit un signal certain x(t), sa transforme de Fou-
rier (TF) est une fonction complexe de la variable relle f dfinie par :
Z +
X(f ) = F{x(t)} =< x, exp(j2f t) >= x(t) exp(j2f t)dt. (5.1)

Dfinition 5.1.2 (Transforme de Fourier inverse) On appelle transforme de Fourier inverse

la relation :
Z +
x(t) = F 1 {X(f )} =< X, exp(j2f t) >= X(f ) exp(j2f t)df. (5.2)

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 :

x(t) X(f ). (5.3)

5.1.2 Proprits de la transforme de Fourier

Soient deux signaux x(t) et y(t) admettant pour transformes de Fourier, X(f ) et Y (f ), res-
pectivement, on peut facilement vrifier les proprits suivantes (les dmonstrations sont laisses
titre dexercice).

Linarit

x(t) + y(t) X(f ) + Y (f ). (5.4)

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.

Transforme dun signal rel

La transforme de Fourier dun signal rel x(t) est une fonction complexe X(f ) telle que :
son module |X(f )| est une fonction paire de f ,
sa phase (X(f )) est une fonction impaire de f .

Complexe conjugu

x (t) X (f ). (5.5)

Changement dchelle sur t

1
x(at) X(f /a). (5.6)
|a|
On peut noter le cas particulier :

x(t) X(f ). (5.7)

Translation sur t

x(t ) X(f ) exp(j2f ). (5.8)

Translation sur f ou modulation

x(t) exp(j2f0 t) X(f f0 ). (5.9)

Drivation par rapport la variable 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

Convolution (thormes de Plancherel)

x(t) y(t) X(f )Y (f ). (5.12)

x(t)y(t) X(f ) Y (f ). (5.13)

5.1.3 Exemple 1 : impulsion dcroissance exponentielle

On considre le signal x(t) = 1 exp(t/ )(t). Ce signal reprsente la dcharge dun conden-
sateur de capacit C dans une rsistance R (telle que RC = ), mais aussi la rponse dun filtre
passe-bas du premier ordre (filtre RC) une impulsion de Dirac. Les spectres associs aux deux
systmes sont donc identiques.

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.

Le module est calcul selon sa dfinition :

p 1
|X(f )| = X(f )X (f ) = p . (5.16)
1 + (2f )2
Cest une fonction paire de f (Fig. 5.1, en bas).

Largument, par dfinition, est gal :

(X(f )) = arctan(2f ), (5.17)

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.

5.1.4 Exemple 2 : transforme de Fourier de rect(t/T )

On considre la fonction x(t) = rect(t/T ).

Calcul de la transforme de Fourier

Calculons sa transforme de Fourier :
R +
X(f ) = x(t) exp(j2f t)dt
R +T /2
= T /2 exp(j2f t)dt
h i+T /2
1
= j2f exp(j2f t)
T /2 (5.19)
exp(jf T )exp(jf T )
= j2f
sin(f T )
= f
= T sinc(f T ).

De faon abrge, on a donc :

x(t) = rect(t/T ) X(f ) = T sinc(f T ). (5.20)

Reprsentation graphique du module et de la phase de X(f )

La TF X(f ) tant relle, le module nest autre que la valeur absolue :

|X(f )| = T |sinc(f T )|. (5.21)

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)

F IG . 5.2 Module et phase de la transforme de Fourier de la fonction x(t) = rect(t/T ) (T = 0.1s

5.1.5 Thormes de Plancherel

Thorme 5.1.1 (Thorme de Plancherel - 1) Soient x(t) et y(t) deux signaux admettant pour
transformes de Fourier X(f ) et Y (f ) respectivement, alors :

x(t) y(t) X(f )Y (f ). (5.22)

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)

Calculons la transforme de Fourier de z(t) :

R + h R + i
Z(f ) = x(u)y(t u)du exp(j2f t)dt
h Z + i
R +
= x(u) y(t u) exp(j2f t)dt du. (5.24)
| {z }
TF de y(tu)
Or, lintgrale entre crochets dans la dernire expression est la transforme de Fourier de y(t u),
cest--dire, en utilisant la rgle de translation par rapport la variable t, Y (f ) exp(j2f u).
Donc on a : R +
Z(f ) = x(u)Y (f ) exp(j2f u)du
R +
= Y (f ) x(u) exp(j2f u)du (5.25)
= X(f )Y (f ).

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 :

x(t)y(t) X(f ) Y (f ). (5.26)

Application du thorme de Plancherel en filtrage

Soit un filtre de rponse impulsionnelle h(t). La rponse au signal x(t) est le signal y(t) :

y(t) = x(t) h(t). (5.27)

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)

Application du thorme de Plancherel au calcul de convolutions

On veut calculer le produit de convolution :

x(t) = sinc(t) sinc(t). (5.29)

Pour cela, on prend la transforme de Fourier :

X(f ) = (F{sinc(t)})2
= (rect(f ))2 (5.30)
= rect(f ).

En prenant la transforme de Fourier inverse, on obtient finalement x(t) :

x(t) = F 1 {rect(f )}
(5.31)
= sinc(t).

5.1.6 Thorme de Parseval

Thorme 5.1.3 (Thorme de Parseval) Soient x(t) et y(t) deux signaux admettant pour trans-
formes de Fourier X(f ) et Y (f ) respectivement, alors :
Z + Z +
x(t)y (t)dt = X(f )Y (f )df, (5.32)

et dans le cas particulier y(t) = x(t) :

Z + Z +
|x(t)|2 dt = |X(f )|2 df. (5.33)

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)

Puisque Y (f ) est la transforme de Fourier de y (t), on peut crire :

Z + hZ + i
I= X(f ) y (t) exp(j2f t)dt df. (5.35)

On pose t = u, puis en intervertissant les intgrales, on arrive :

hR
R + i
+
I = X(f ) y (u) exp(j2f u)du df,
R + h R + i (5.36)
= y (u) X(f ) exp(j2f u)df du.

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)

Application du thorme de Parseval au calcul dintgrales

On veut calculer les deux intgrales suivantes :

Z + Z +
I1 = sinc(t)dt et I2 = sinc2 (t)dt. (5.38)

Pour calculer I1 , on utilise la relation (5.32), en posant :

x(t) = sinc(t) X(f ) = rect(f ),

(5.39)
y (t) = 1 = y(t) Y (f ) = (f ).

Lquation (5.32) devient :

Z + Z +
sinc(t)dt = rect(f )(f )df = 1. (5.40)

Pour calculer I2 , on pose :

x(t) = sinc(t) X(f ) = rect(f ),

(5.41)
y (t) = sinc(t) Y (f ) = rect(f ).

En reportant dans lgalit de Parseval (5.32), on a :

Z + Z +
2
sinc (t)dt = rect2 (f )df = 1. (5.42)

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)

On peut remarquer que xy ( ) est gal au le produit scalaire :

xy ( ) =< x, y > . (5.44)

Par ailleurs, en raison de la symtrie hermitienne, on a < x, y >=< y , x > , do la relation :

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)

En raison de la symtrie hermitienne, on a la relation :

xx ( ) = xx ( ). (5.47)

Pour des signaux rels, xy ( ) et xx ( ) sont rels et satisfont :

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 :

R( ) + jI( ) = R( ) jI( ). (5.49)

On en dduit donc que la partie relle de xx est paire alors que sa partie imaginaire est impaire.

Pour = 0, on a en particulier xx (0) = xx (0), donc xx (0) R et vaut :

Z + Z +

xx (0) = x(t)x (t)dt = |x(t)|2 dt > 0. (5.50)

On retiendra donc que, xx (0), lautocorrlation en = 0 est gale lnergie du signal.

56
Ingalit de Schwartz
En appliquant lingalit de Schwartz sur lintercorrlation < x, y >, on obtient :

| < x, y > |2 < x, x >< y , y >, (5.51)

que lon peut crire :

|xy ( )|2 xx (0)yy (0). (5.52)
Dans le cas particulier o x(t) = y(t), on a :

|xx ( )| xx (0). (5.53)

La fonction dautocorrlation xx ( ) est donc borne par lnergie du signal x(t) et son module
est maximum en = 0.

5.2.3 Relation entre corrlation et convolution

La similarit dcriture entre corrlation et convolution (par exemple, ces deux quantits sex-
priment sous forme dun produit scalaire) ne doit pas tromper. Il faut faire attention aux variables
dintgration et aux variables des fonctions obtenues.
Dans la convolution, t reste la variable et une des fonction est renverse (y(tu)) par rapport
la variable dintgration u. Dans la corrlation, le dcalage est la variable de la fonction rsultat.
La corrlation mesure la ressemblance entre les fonctions x(t) et y(t) selon le dcalage .
La convolution formalise linteraction (filtrage) entre les fonctions x(t) et y(t).

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 :

x(t) = exp(at)(t) et y(t) = exp(2at)(t), (5.56)

o a est un rel positif.

Par dfinition, lintercorrlation scrit :
Z + Z +
xy ( ) = x(t)y(t )dt = exp(at)(t) exp(2a(t ))(t )dt. (5.57)

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

5.3 Densits spectrale et interspectrale dnergie

5.3.1 Densit spectrale dnergie
Dfinition 5.3.1 (Densit spectrale dnergie) Soient x(t) un signal nergie finie et xx ( )
sa fonction dautocorrlation, on appelle densit spectrale dnergie la fonction note Sxx (f ),
transforme de Fourier de xx ( ) :
Z +
Sxx (f ) = xx ( ) exp(j2f )d. (5.68)

En utilisant lexpression de lautocorrlation (5.55), on a :

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.

En utilisant le thorme de Parseval, on peut crire :

Z + Z +
Sxx (f )df = |x(t)|2 dt = Ex . (5.71)

5.3.2 Densit interspectrale dnergie (DISE)

Dfinition 5.3.2 Soient x(t) et y(t) deux signaux nergie finie et xy ( ) leur fonction dauto-
corrlation, on appelle densit interspectrale dnergie la fonction note Sxy (f ), transforme de

59
Fourier de xy ( ) :
Z +
Sxy (f ) = xy ( ) exp(j2f )d = X(f )Y (f ). (5.72)

De faon similaire et vidente, on a, en permutant les signaux :

Syx (f ) = Y (f )X (f ) = Sxy (f ). (5.73)

Pour = 0, en prenant la transforme de Fourier inverse de la DISE, on a :

Z + Z +
xy (0) = X(f )Y (f ) exp(j2f 0)df = X(f )Y (f )df. (5.74)

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
.

Vrification de lgalit de Parseval

On doit donc vrifier que :
Z + Z +
2
|X(f )| df = |x(t)|2 dt. (5.81)

Puisque |X(f )|2 = Sxx (f ), la premire intgrale vaut :

R +
Ex = |X(f )|2 df
R + df
= a2 +(2f )2
R + df
= a12 1+(2f /a)2
R
1 a + du (5.82)
= a2 2 1+u2
h i
1
= 2a arctan(u)

1
= 2a .

La seconde intgrale vaut :

R +
Ex = |x(t)|2 dt
R +
= 0 [exp(at)]2 dt
R +
= 0 exp(2at)dt (5.83)
h i+
= exp(2at)
2a 0
1
= 2a .

On vrifie donc bien lgalit de Parseval, cest--dire la conservation de lnergie dans les repr-
sentations du signal en temps et en frquence.

5.3.4 Drivation de la fonction de corrlation

A partir du rsultat :
xy ( ) X(f )Y (f ), (5.84)
et en utilisant les proprits de drivation de la TF par rapport la variable temporelle, on a :

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.

5.4 Signaux puissance moyenne finie

On sintresse dans ce paragraphe aux signaux puissance moyenne finie (non nulle), cest--
dire vrifiant : Z
1 +T /2
0 < Px = lim |x(t)|2 dt < +. (5.88)
T + T T /2

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).

5.4.1 Extension de la transforme de Fourier

Les signaux puissance moyenne finie ne satisfont pas aux critres simples de convergence de
la transforme de Fourier. Pour une analyse rigoureuse (qui ne sera pas faite ici, voir le cours de
mathmatiques), il faut utiliser la notion de distribution et dintgrale au sens de Lebesgue. Nous
rappelons ci-dessous les principaux rsultats que nous utiliserons couramment par la suite.

Impulsion de Dirac

(t) 1
(t t0 ) exp(j2f t0 )
(5.89)
exp(j2f0 t) (f f0 )
k k(f )

Signaux valeur moyenne nulle

Tout signal x(t) peut scrire sous la forme :

x(t) = x + x0 (t), (5.90)

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)

o x joue le rle dune constante dintgration.

62
 En utilisant les proprits de drivation de la TF, on peut crire :

F{x0 (t)} = j2f X0 (f ), x, (5.93)

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

Exemple 1 : calcul de la TF dun chelon

Soit x(t) = (t). On peut crire cette fonction sous la forme x + x0 (t). En effet,
1 1
(t) = + sgn(t). (5.96)
2 2
Or, x0 (t) = (t), donc en appliquant le rsultat (5.95), on arrive :
1 1
F{(t)} = j2f F{(t)} + 2 (f )
1 1 (5.97)
= j2f + 2 (f ).

Exemple 2 : calcul de la TF de la fonction sgn(t)

Soit la fonction x(t) = sgn(t). Cette fonction est moyenne nulle (x = 0) et x(t) = x0 (t).
On calcule la drive x0 (t) = 2(t) (saut damplitude 2 en t = 0) do le rsultat :
1
F{sgn(t)} = j2f F{2(t)}
1 (5.98)
= jf .

5.4.2 Corrlation des signaux puissance moyenne finie

Le produit scalaire, dfini pour les signaux nergie finie, nest pas applicable pour les signaux
puissance moyenne finie, car lintgrale ne converge pas ! Pour les signaux puissance moyenne
finie, on dfinit donc la corrlation de faon un peu diffrente :
Z +T /2
1
xy ( ) = lim x(t)y (t )dt. (5.99)
T + T T /2

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

F IG . 5.4 La fonction x(t) = (t) (plein) et sa restriction x(t, T ) (tirets)

5.4.3 Densits spectrale et interspectrale de puissance

Dfinition 5.4.1 (Densit spectrale de puissance) Soit x(t) un signal puissance moyenne finie,
on appelle densit spectrale de puissance (DSP) la transforme de Fourier de sa fonction dauto-
corrlation : Z +
Sxx (f ) = F{xx ( )} = xx ( ) exp(j2f )d. (5.101)

Relation entre DSP et X(f )

Pour les signaux x(t) puissance moyenne finie, la DSP nest pas gale au carr du module
de la transforme de Fourier X(f ). On peut cependant trouver une relation asymptotique.
En effet, soit x(t) un signal puissance moyenne finie, on note x(t, T ) = x(t)rect(t/T ) la
portion du signal de largeur T centre sur lorigine et x(t, T ) X(f, T ). Ainsi x(t, T ) est un
signal nergie finie dont on peut calculer la DSE :

Sxx (f, T ) = |X(f, T )|2 . (5.102)

En utilisant le thorme de Parseval, on a :

R
1 +T /2 2
R +
Px = limT + T RT /2 |x(t)| dt = Sxx (f )df,
+ R + (5.103)
= limT + T1 |x(t, T )|2 dt = limT + T1 |X(f, T )|2 df.

En identifiant les intgrandes des derniers termes, on a donc :

1
Sxx (f )df = lim |X(f, T )|2 . (5.104)
T + T

Exemple : chelon unit

On considre le signal puissance moyenne finie x(t) = (t) dont la transforme de Fourier
est X(f ) = 1/(j2f ) + (f )/2.
Calculons la DSP de x(t), partir du signal dnergie finie x(t, T ) = rect((t T /4)/(T /2))
(Fig. 5.4). Commenons par calculer la TF de x(t, T ) :
R +T /4
X(f, T ) = exp(j2f T /4) T /4 exp(j2f t)dt
exp(j2f T /4)exp(j2f T /4)
= exp(j2f T /4) j2f (5.105)
= exp(j2f T /4) sin(2f
f
T /4)

= exp(j2f T /4)sinc(f T /2) T2 .

64
On peut alors calculer la DSP de x(t) comme la limite :

Sxx (f ) = limT + T1 |X(f, T )|2

2
= limT + T1 T4 sinc2 (f T /2)
(5.106)
= 12 limT + T4 sinc2 (f T /2)
= (f
2 .
)

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.

Compte tenu de la parit de xx ( ), on a donc xx ( ) = 1/2, do la DSP :

(f )
Sxx (f ) = F{xx ( )} = . (5.109)
2
On retrouve bien le mme rsultat que par le calcul prcdent (5.106).

Densit interspectrale de puissance

Dfinition 5.4.2 (Densit spectrale de puissance) Soient x(t) et y(t) deux signaux puissance
moyenne finie, on appelle densit interspectrale de puissance (DSP) la transforme de Fourier de
leur fonction dintercorrlation :
Z +
Sxy (f ) = F{xy ( )} = xy ( ) exp(j2f )d. (5.110)

5.5 Signaux priodiques

5.5.1 Transforme de Fourier dun signal priodique
Soit x(t) un signal priodique de priode T . Sil satisfait les conditions de Diriclet, on peut le
dvelopper en sries de Fourier :
+
X  n 
x(t) = Xn exp j2 t , (5.111)
n=
T

dont la transforme de Fourier scrit :

+
X  n
+
X
X(f ) = Xn f = Xn (f fn ), (5.112)
n=
T n=

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.

Transforme de Fourier dun signal modul

Soit z(t) = x(t)y(t) le produit dune fonction priodique y(t) par un signal nergie finie
x(t) (modulation). En utilisant le thorme de Plancherel, sa transforme de Fourier est gale :
Z(f ) = X(f ) Y (f ). (5.114)
Puisque y(t) est priodique de priode T , sa transforme de Fourier Y (f ) scrit :
+
X
Y (f ) = Yn (f fn ), (5.115)
n=

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

Transforme de Fourier dun peigne de Dirac (oprateur dchantillonnage)

Soit T (t) le peigne de Dirac de priode T :
+
X
T (t) = (t nT ). (5.117)
n=

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).

5.5.2 Enveloppe spectrale

On peut formaliser un signal priodique de priode T comme la rptition dun signal x(t, T )
( nergie finie) avec un dcalage temporel de T , que lon peut crire :
x(t) = repT {x(t, T )} = x(t, T ) T (t). (5.122)
Daprs cette formalisation, on en dduit la TF :
X(f ) = X(f, T ) T1 1/T (f )
P+ 1 (5.123)
= n= T X(fn , T )(f fn ),

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 :

x(t) = repT {Arect(t/)} = Arect(t/) T (t). (5.124)

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

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.

5.5.3 Fonction de corrlation de signaux priodiques de mme priode

On rappelle que pour des signaux puissance moyenne finie, x(t) et y(t), la fonction dinter-
corrlation est dfinie par :
Z +/2
1
xy ( ) = lim x(t)y (t )dt. (5.127)
+ /2

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 .

5.5.4 Densit spectrale de puissance

Par dfinition, on rappelle que la densit spectrale de puissance est la transforme de Fourier
de la fonction dautocorrlation. Or, selon (5.134), cette dernire scrit :

+
X  n 
xx ( ) = |Xn |2 exp j2 . (5.136)
n=
T

En prenant la transforme de Fourier, on a donc :

+
X  n
Sxx (f ) = |Xn |2 f . (5.137)
n=
T

Or, les coefficients Xn sont calculs selon la relation :

1 1
Xn = F{x(t, T )}f =n/T = X(f, T )(f n/T ). (5.138)
T T

Lexpression (5.137) devient :

1 X
+  n
2
Sxx (f ) = |X(f, T )| f , (5.139)
T 2 n= T

que lon peut crire laide dun peigne de Dirac :

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

que lon peut crire laide dun peigne de Dirac :

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 veut montrer les proprits de parit de la transforme de Fourier (TF). On considre un

signal complexe x(t) = x1 (t) + jx2 (t) dont on note la transforme de Fourier X(f ) = R(f ) +
jI(f ).
1. Exprimer R(f ) et I(f ) sous forme dintgrales fonction de x1 (t), x2 (t), sin(2f t) et
cos(2f t).
2. Cas dun signal x(t) rel. Ecrire les formes simplifies de R(f ) et I(f ). Calculer ensuite
R(f ) et I(f ). Montrer alors que X(f ) = X(f ) .
3. Discuter ensuite le cas particulier dun signal rel pair et dun signal rel impair.
4. Cas dun signal x(t) imaginaire pur. Ecrire les formes simplifies de R(f ) et I(f ). Calculer
ensuite R(f ) et I(f ). Montrer alors que X(f ) = X(f ) .
5. Discuter ensuite le cas particulier dun signal imaginaire pair et dun signal rel impair.

Proprits des spectres damplitude et de phase dun signal rel

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 ).

5.6.2 Calcul de transformes de Fourier

Transformes de Fourier par calcul direct
1. Montrer que :
1
exp(t)(t) , pour > 0. (5.143)
+ j2f
2. Montrer que :
rect(t/T ) T sinc(f T ). (5.144)
En dduire la transforme de Fourier de rect[(t t0 )/T ].

Calculs utilisant les proprits de base de la TF

TF du signal impair x(t) = 1/t
On veut calculer la transforme de Fourier de x(t) = 1/t.
R +
1. Montrer que X(f ) = j sin(2f t
t)
dt.
R +
2. En utilisant lidentit sinc(u)du = 1, montrer que :

j si f < 0,
X(f ) = (5.145)
j si f > 0.

3. En dduire la transforme de Fourier de la fonction sgn.

TF du signal pair x(t) = exp(|t|)
On veut calculer la transforme de Fourier de x(t) = exp(|t|).
1. Montrer que la fonction 2 exp(t)(t) est la somme dune partie paire xp (t) = exp(|t|)
et dune partie impaire xi (t) que lon dterminera.
2. En utilisant les proprits de parit de la transforme de Fourier dun signal rel, et le rsultat
1
exp(t)(t) +j2f , montrer alors que :

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.

5.6.3 Calcul de TF et tracs de leur spectres damplitude et de phase

Fonction rect non dcale
On veut calculer la transforme de Fourier de la fonction rect avec ou sans dcalage, et tra-
cer ses spectres damplitude et de phase. On utilisera sans le montrer le rsultat : rect(t/T )
T sinc(f T ).
1. Tracer approximativement la fonction X(f ). Calculer les spectres damplitude et de phase ;
2. En tenant compte des proprits de parits des spectres damplitude (pair) et de phase (im-
pair), tracer approximativement les spectres damplitude et de phase.

Fonction rect dcale de t0

A partir du rsultat : rect(t/T
 ) T sinc(f T ) et des proprits de la TF, calculer la transforme
tt0
de Fourier de : x(t) = rect T .
1. Calculer le spectre damplitude X(f ). Le tracer.
2. Calculer ensuite la phase de X(f ) et la tracer dans les trois cas : t0 < T /2, t0 = T /2
et t0 > T /2. On tiendra compte que le spectre de phase dun signal rel est une fonction
impaire.

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.

5.6.5 Applications des transformes de Fourier

Calcul dune intgrale
Calculer lintgrale : Z +
sin 3 sin(t )
I(t) = d. (5.149)
t

Calcul dintgrale de la fonction sinc

1. Montrer que sinc(t) sinc(t) = sinc(t).
2. En utilisant la relation :
Z + Z +

x (t)y(t)dt = X (f )Y (f )df, (5.150)

calculer les trois intgrales : Z +

sinc(f )df = 1, (5.151)

Z +
sinc2 (f )df = 1, (5.152)

Z +
sinc3 (f )df = 3/4. (5.153)

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 )

et on montrera la relation de rcurrence : 2I2 = I1 . On rappelle galement que :

1
(arctan(u)) = . (5.155)
1 + u2

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).

Suite dimpulsions priodiques

On considre le signal x(t) = repT {Arect(t/)}.
1. Calculer la fonction dauto-corrlation xx ( ) de x(t).
2. Tracer xx ( ) pour < T /2 et pour > T /2.
3. Calculer la densit spectrale de puissance Sxx (f ) du signal x(t).
4. Tracer Sxx (f ).

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

F IG . 5.8 Fonction sinc2 (u)

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 )

F IG . 5.9 Filtre rcursif.

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.

6.1 Processus, signal et variable alatoire

6.1.1 Exemple
Considrons une diode Zner polarise par un courant I en rgime davalanche une temp-
rature T0 (Fig. 6.1 gauche). La tension aux bornes du composant est une tension avec de fortes
fluctuations que lon peut modliser par :

V (t) = VZ + B(t). (6.1)

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

F IG . 6.1 Dispositif de gnration de bruit ( gauche) et tension de bruit observe ( droite)

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

processus gaussiens : processus continus,

processus de Poisson : processus ponctuels,
processus chantillonns : processus discrets.

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

A partir de x(t), on peut dfinir la moyenne temporelle du signal :

Z +T /2
1
x = lim x(t)dt, (6.3)
T + T T /2

ou de toute fonction de celui-ci :

Z +T /2
1
f (x) = lim f (x(t))dt. (6.4)
T + T T /2

6.1.3 Variables alatoires

Par ailleurs, chaque instant ti , le processus alatoire X(t, ) se rduit une variable alatoire
X(ti , ), note simplement X(ti ) ou Xi , dont le comportement ncessite la connaissance de sa
fonction de rpartition :
FXi (u) = FX (u, ti ) = Prob(Xi u), (6.5)

ou de sa densit de probabilit :

d
pXi (u) = pX (u, ti ) = FX (u). (6.6)
du i

Pour valuer la moyenne X de la variable alatoire X, on peut calculer la moyenne de N

preuves :
N
1 X
X = lim Xn , (6.7)
N + N
n=1

ou, si lon connat la loi de probabilit de X, lesprance mathmatique :

Z +
E[X] = upX (u)du. (6.8)

De mme, on peut dfinir la variable alatoire Y = f (X) et sa moyenne :

Z +
E[Y ] = E[f (X)] = f (u)pX (u)du. (6.9)

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 :

FX (u1 , . . . , uk ) = Prob(X1 u1 , . . . , Xk uk ). (6.10)

Cette fonction caractrise les statistiques dordre k du processus alatoire X(t, ).

De faon gnrale, on sintresse des statistiques :
dordre 1 : variable alatoire une date donne ti ,
dordre 2 : vecteur alatoire 2 dimensions, pour tudier les statistiques jointes de deux VA
deux dates diffrentes.

6.1.5 Statistique dordre 1

Soit Xi la VA relle correspondant aux valeurs du processus alatoire X(t, ) linstant ti . Sa
fonction de rpartition est note :

FXi (u) = FX (u, ti ) = Prob(Xi u), (6.11)

et sa densit de probabilit :

d
pXi (u) = pX (u, ti ) = FX (u). (6.12)
du i

On peut alors dfinir les diffrents moments statistiques.

Moyenne, ou moment dordre 1

Z +
Xi ,1 = X,1 (ti ) = E[Xi ] = u pXi (u)du. (6.13)

Moment de degr ou dordre n

Z +
Xi ,n = X,n (ti ) = E[Xin ] = un pXi (u)du. (6.14)

Moment centr de degr ou dordre n

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)

Loi uniforme dans lintervalle [1/2, +1/2]

Soit X une variable alatoire uniforme sur lintervalle [1/2, +1/2]. La densit est donc gale
1 sur cet intervalle et 0 en dehors :
pX (u) = rect(u). (6.21)
Cette variable est centre, ce que lon vrifie en calculant sa moyenne :
Z + Z +1/2
E[X] = upX (u)du = udu = 0. (6.22)
1/2

Le moment dordre deux se calcule aisment :

Z + Z +1/2
2 2 1
E[X ] = u pX (u)du = u2 du = . (6.23)
1/2 12
Puisque la VA est centre, la variance est aussi gale au moment dordre 2 :
1
2 = E[X 2 ] E[X]2 = E[X 2 ] = . (6.24)
12

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 :

FX (u1 , u2 ) = Prob(X1 u1 , X2 u2 ), (6.25)

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 :

m,n = E[X1m X2n ]. (6.27)

En particulier, pour comparer les variables alatoires, on utilise la fonction dautocorrlation

statistique : Z Z
+ +
Rxx (t1 , t2 ) = E[X1 X2 ] = u1 u2 pX (u1 , u2 )du1 du2 , (6.28)

ainsi que la fonction dautocovariance, qui nest autre que la fonction dautocorrlation des va-
riables centres :
Z + Z +
Cxx (t1 , t2 ) = E[(X1 E[X1 ])(X2 E[X2 ])] = (u1 E[X1 ])(u2 E[X2 ])pX (u1 , u2 )du1 du2 .

(6.29)
En utilisant les proprits de linarit de lintgration, on peut crire :
h i
Cxx (t1 , t2 ) = E (X1 E[X1 ])(X2 E[X2 ])
h i
= E X1 X2 E[X1 ]X2 X1 E[X2 ] + E[X1 ]E[X2 ] (6.30)
= E[X1 X2 ] E[X1 ]E[X2 ]
= Rxx (t1 , t2 ) E[X1 ]E[X2 ].
2 .
Si t1 = t2 , on a videmment Cxx (t1 , t1 ) = X1

6.2 Stationnarit et ergodisme

6.2.1 Stationnarit
Dfinition 6.2.1 (Stationnarit au sens strict) Un processus alatoire est dit stationnaire au sens
strict (strict sense) si toutes ses proprits statistiques sont invariantes un changement dorigine
du temps.

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 :

Rxx (t1 , t2 ) = Rxx ( )

(6.32)
Cxx (t1 , t2 ) = Cxx ( ).
A partir (6.30) et de (6.31), on vrifie que lautocovariance et lautocorrlation sont lies par la
relation :
Cxx ( ) = Rxx ( ) E[X]2 . (6.33)

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)

alors que la moyenne densemble vaut :

E[Xi (t)] = E[A] = A . (6.36)

A priori, A 6= a et par consquent le processus ainsi dfini nest gnralement pas ergodique.

6.3 Autocorrlation et autocovariance des processus alatoires

6.3.1 Autocorrlation
Pour un processus stationnaire, lautocorrlation statistique est dfinie par :
Z + Z +
Rxx ( )) = E[X(t)X(t )] = u1 u2 pX1 ,X2 (u1 , u2 )du1 du2 , (6.37)

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

Sous lhypothse dergodicit, on a donc :

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 :

Cxx ( ) = E[(X(t) E[X])(X(t ) E[X])] = Rxx ( ) E[X]2 . (6.41)

Dfinition 6.3.1 (Coefficient dautocorrlation) On appelle coefficient de corrlation lautoco-

variance normalise :
Cxx ( ) Cxx ( )
X ( ) = 2 = . (6.42)
X Cxx (0)

De faon vidente, on a X (0) = 1.

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 :

Rxx ( ) = Rxx ( ) et Cxx ( ) = Cxx ( ). (6.43)

1
on note que la dfinition suppose implicitement que le signal est puissance moyenne finie

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 :

|Rxx ( )| Rxx (0) et |Cxx ( )| Cxx (0). (6.45)

Pour montrer la premire ingalit, on crit :

E[(X(t) X(t ))2 ] = E[X 2 (t) + X 2 (t ) 2X(t)X(t )],

(6.46)
= 2[Rxx (0) Rxx ( )] 0,

do lencadrement :
Rxx (0) Rxx ( ) +Rxx (0) (6.47)

Lautre ingalit peut tre dmontre de faon similaire.

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 :

lim Cxx ( ) = 0, (6.49)

| |

et
lim Rxx ( ) = lim Cxx ( ) + 2X = 2X . (6.50)
| | | |

La fonction dautocorrlation suit donc lallure de la figure 6.3.

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 :

RXX = E[XXT ]. (6.51)

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

Si les instants dchantillonnage ti sont rguliers, de la forme ti = t1 + (i 1)Te , o Te est la

priode dchantillonnage, on a :

Rxx (0) Rxx (Te ) Rxx ((k 1)Te )
Rxx (Te ) Rxx (0) Rxx ((k 2)Te )

RXX = .. .. .. . (6.52)
. . .
Rxx ((k 1)Te ) Rxx (Te ) Rxx (0)

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.

Interprtation des fonctions dautocorrlation et dautocovariance

Les fonctions dautocorrlation et dautocovariance peuvent tre interprtes de faon simi-
laire celle prsente pour les signaux dterministes, cest--dire comme une mesure de ressem-
blance entre signaux.
En effet, les esprances mathmatiques peuvent tre considres comme des produits scalaires
associs des variables alatoires.
De plus, la valeur quadratique moyenne statistique de X(t) X(t ) sinterprte en termes
dorthogonalit. Pour un processus centr (X = 0), en notant X(t) = X et X(t ) = X , on

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

Cette distance sannulle si et seulement si X ( ) = 1, cest--dire si et seulement si = 0. Les

variables X(t) et X(t ) sont non corrles pour les valeurs de telles que Cxx ( ) = 0, le carr
2 . Les variables X(t) et X(t ) sont orthogonales si R ( ) = 0.
de la distance vaut alors 2X xx

6.4 Densit spectrale de puissance

6.4.1 Dfinition
Comme pour les signaux certains puissance moyenne finie, la transforme de Fourier dune
ralisation xi (t) dun processus alatoire nexiste pas, car lintgrale :
Z +
|xi (t)|dt (6.55)

ne converge pas.
On peut dfinir la densit spectrale de puissance (DSP) comme la limite de la DSP sur une
fentre de largeur T , lorsque T +, si la limite existe. Soit xi (t) une ralisation dun processus
alatoire X(t, ), notons :
xi (t, T ) = xi (t)rect(t/T ), (6.56)
sa restriction sur une fentre de largeur T centre sur lorigine (Fig. 6.4), qui vrifie videmment :
limT + xi (t, T ) = xi (t).

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

F IG . 6.4 Restriction xi (t, T ) dune ralisation xi (t) dun processus alatoire

La fonction xi (t, T ) ( nergie finie) admet en gnral une transforme de Fourier :

R +
xi (t, T ) Xi (f, T ) = xi (t, T ) exp(j2f t)dt
R +T /2 (6.57)
= T /2 xi (t) exp(j2f t)dt.

La puissance moyenne de xi (t, T ) est donne par :

Z Z +
1 + 2
Pxi ,T = |Xi (f, T )| df = Sxi xi (f, T )df, (6.58)
T

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)

La DSP du processus alatoire complet est alors dfinie comme la limite :

h |X (f, T )|2 i
i
Sxx (f ) = lim Exi . (6.60)
T + T

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

6.4.2 Thorme de Wiener-Khintchine

Thorme 6.4.1 (Thorme de Wiener-Khintchine) La densit spectrale de puissance dun pro-
cessus alatoire stationnaire au sens large est la transforme de Fourier de sa fonction dautocor-
rlation : Z +
Sxx (f ) = Rxx ( ) exp(j2f )d. (6.62)

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 :

Sxx (f, T ) = E[Sxi xi (f, T )],

R + R +
= T1 E[x hRi (t)xi (t )]rect(t/T )rect[(t i )/T ] exp(j2f )dtd,
R
1 + +
= T Rxx ( ) rect(t/T )rect[(t )/T ]dt exp(j2f )d.
(6.65)
Or, le terme entre crochets est la fonction dautocorrlation de rect(t/T ) qui vaut T tri( /T ). Do
finalement : Z +
Sxx (f, T ) = Rxx ( )tri( /T ) exp(j2f )d. (6.66)

89
En passant la limite quand T +, on aboutit :
Z +
Sxx (f ) = lim Sxx (f, T ) = Rxx ( ) exp(j2f )d, (6.67)
T +

car tri( /T ) 1 lorsque T + (Fig. 6.5).

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

De plus, partir de la relation entre autocorrlation et autocovariance :

Rxx ( ) = Cxx ( ) + 2x , (6.71)

on dduit :
Sxx (f ) = F{Cxx ( )} + 2x (f ). (6.72)

6.4.3 Notion de bruit blanc

Dfinition 6.4.1 (Bruit blanc) On appelle bruit blanc un processus alatoire W dont la densit
spectrale de puissance est constante, f :
1
SW W (f ) = = cte. (6.73)
2

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

F IG . 6.6 Fonction dautocorrlation ( gauche) et densit spectrale de puissance ( droite) dun

bruit blanc

dont la puissance moyenne totale est finie et vaut :

Z +
P = R(0) = SW W (f )df = B. (6.75)

Ceci reste valable pour un filtre passe-bande (Fig. 6.7, droite).

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)

Si les processus sont ergodiques, on a aussi :

Z +T /2
1
Rxy ( ) = xy ( ) = lim x(t)y(t )dt. (6.79)
T + T T /2

6.5.2 Densit interspectrale de puissance

On dfinit la densit interspectrale de puissance (DISP) comme la transforme de Fourier de
la fonction dautocorrlation statistique :

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 :

Cxy ( ) = Rxy ( ) X Y . (6.82)

Si les processus x(t) et y(t) sont statistiquement indpendants, ou simplement non corrls, on a :

Cxy ( ) = 0. (6.83)

On appelle fonction dintercovariance normalise, ou coefficient dintercorrlation, le rapport :

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 )

Les processus x(t) et y(t) sont dits incohrents la frquence f0 si xy (f0 ) = 0.

Si xy (f0 ) = 1, x(t) et y(t) sont dits parfaitement cohrents la frquence f0 .
Une fonction de cohrence infrieure 1 indique soit la prsence dun bruit, soit une relation
non linaire entre x(t) et y(t).

6.6 Combinaison de signaux alatoires

6.6.1 Transformation dun vecteur alatoire
Soient un vecteur alatoire X = (X1 , . . . , Xk )T , et Y le vecteur alatoire obtenue par applica-
tion dune transformation f sur X : Y = f (X). Les proprits statistiques (densit de probabilit,
etc.) du vecteur Y sont diffrentes de celles du vecteur X, mais peuvent sen dduire.
En effet, considrons la transformation :

y1 = f1 (x1 , . . . , xk ),

.. (6.86)
.

yk = fk (x1 , . . . , xk ),

et soit g la transformation inverse, cest--dire telle que X = g(Y). On a alors :

pY (y1 , . . . , yk ) = |J|pX (x1 , . . . , xk ), (6.87)

o |J| est le Jacobien de la transformation g, cest--dire le dterminant de la matrice Jacobienne,

de terme gnral {J}ij = xi /yj :
 x1 x1 
 ... 
 y1 yk 
 .. .. 
J= . . . (6.88)
 
 xk
... xk 
y1 yk

Exemple 1

Soit la transformation scalaire Y = aX +b, avec a 6= 0. On en dduit la transformation inverse

X = Y /a b/a. Le Jacobien de la transformation inverse est donc :
1
 
|J| =  , (6.89)
a
do : 1 y b
 
pY (y) =  pX . (6.90)
a a

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 :

|J| = | det A1 | = 1/| det A|, (6.91)

do :
pY (y) = | det A1 |pX (A1 y). (6.92)

6.6.2 Somme de signaux alatoires

Soit Z = X +Y la somme de deux variables alatoires. On se propose de dterminer la densit
de probabilit de Z, en supposant connue la densit de probabilit jointe, pXY , de X et Y .

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 :

pXZ (x, z) = pXY (x, z x). (6.95)

En intgrant par rapport x, on obtient la densit de probabilit marginale de Z :

Z + Z +
pZ (z) = pXZ (x, z)dx = pXY (x, z x)dx. (6.96)

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)

et la fonction caractristique de la somme est simplement le produit des fonctions caractristiques :

Z () = X1 () . . . Xn (). (6.100)

6.6.3 Thorme de la limite centrale

Thorme 6.6.1 (Thomme de la limite centrale) La distribution statistique dune somme de n
variables alatoires indpendantes, possdant la mme loi de probabilit, tend asymptotiquement
(lorsque n +) vers une distribution gaussienne, quelle que soit la distribution des variables
individuelles.

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.

Dans le cas particulier de la somme de n signaux

P gaussiens Xi de moyenne Xi et de mme
2 , on a rigoureusement pour la loi Z =
variance X i Xi :
X
2
pS (u) N ( Xi , nX ). (6.101)
i

6.6.4 Fonction dintercorrlation dune somme de variables alatoires

Soit le signal alatoire Z(t) = aX(t) + bY (t).

Fonction dautocorrlation

Par dfinition, la fonction dautocorrlation de Z scrit :

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 :

Rzz ( ) = a2 Rxx ( ) + b2 Ryy ( ) + 2abX Y . (6.103)

De plus, si les VA ont des moyennes nulles, lquation prcdente se simplifie encore :

Rzz ( ) = a2 Rxx ( ) + b2 Ryy ( ). (6.104)

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)

Si les VA sont indpendantes, partir de la transforme de Fourier de (6.103) les intercovariances

sont nulles et les intercorrlations se rduisent au produit des moyennes, do le rsultat :

Szz (f ) = a2 Sxx (f ) + b2 Syy (f ) + 2abX Y (f ). (6.106)

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 :

Rzz (0) = a2 Rxx (0) + b2 Ryy (0). (6.108)

P
La VA somme de n VA de mme moyenne et de mme variance, Z(t) = ( i Xi (t)) est telle que :

crot proportionnellement n
(6.109)
2 crot proportionnellement n,

do un rapport signal/fluctuations qui varie 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.

6.7.3 Somme de deux signaux alatoires

On considre le signal alatoire x(t) = s(t)+n(t), o s(t) et n(t) sont deux signaux alatoires
de densits de probabilit connues, notes pS (u) et pN (v), et de densit jointe pSN (u, v).

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.

6.7.4 Signal binaire cadenc

On considre un signal binaire cadenc, x(t), qui met un nouveau symbole toutes les T
secondes. Ce signal prend deux valeurs, x0 (t) et x1 (t), avec les probabilits p0 et p1 . Les symboles
successifs sont supposs indpendants.

Distribution et moments de x(t)

1. Donner la distribution pX (u) du signal x(t).
2. Calculer lesprance E[X] du signal x(t).
3. Calculer E[X 2 ].

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 ( ).

Cas dun signal x(t) symtrique x0 = 1 et x1 = 1, symboles quiprobables p0 = p1 = 1/2

1. Pour ce signal particulier, calculer la distribution de probabilit, la moyenne et le moment
dordre 2, la fonction dauto-corrlation et la densit spectrale de puissance.

98
Chapitre 7

Oprateurs fonctionnels et techniques

de corrlation

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 !

x (t) y (t) = S { x (t)}

S

F IG . 7.1 Oprateur fonctionnel S. Lentre est x(t), la sortie y(t) = S{x(t)}

7.1 Oprateurs linaires invariants

7.1.1 Proprits
Soient S un oprateur linaire invariant et x(t) un signal de la forme :
X
x(t) = ai xi (t). (7.1)
i

Si loprateur S est linaire, on a :

X
y(t) = S{x(t)} = ai S{xi (t)}. (7.2)
i

Si loprateur S est invariant, on a :

y(t ) = S{x(t )}. (7.3)

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).

7.1.2 Systmes linaires invariants coefficients constants

Soient S un systme linaire invariant coefficients constant, et x(t) et y(t) = S{x(t)} les
signaux dentre et de sortie de cet oprateur. Le systme S est alors caractris par une relation
de la forme :
Xn Xm
di dk
ai i y(t) = bk k x(t), (7.4)
dt dt
i=0 k=0
qui correspond une quation diffrentielle coefficients constants. On peut rsoudre cette qua-
tion dans lespace de Fourier en utilisant la rgle de drivation :
dk
x(t) (j2f )k X(f ). (7.5)
dtk
Lquation (7.4) devient alors :
hX
n i hX
m i
i
ai (j2f ) Y (f ) = bk (j2f )k X(f ). (7.6)
i=0 k=0

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 :

Y (f ) = G(f )X(f ), (7.9)

cest--dire, par transforme de Fourier inverse :

y(t)) = (g x)(t). (7.10)

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

F IG . 7.3 Si le capteur est bruit, la sortie du filtre de dconvolution risque de diverger

x 1(t) y 1(t)
G 1 (f)

x 2(t) y 2(t)
G 2 (f)

F IG . 7.4 Les deux filtres, et leurs signaux dentre et de sortie

7.1.4 Formule des interfrences

Thorme 7.1.1 (Formule des interfrences) Soient deux filtres de rponses impulsionnelles G1 (f )
et G2 (f ) dont les signaux dentres puissance moyenne finie sont respectivement x1 (t) et x2 (t),
et les signaux de sorties y1 (t) et y2 (t), alors on a :

Sy1 y2 (f ) = Sx1 x2 (f )G1 (f )G2 (f ) (7.16)

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 :

RY1 ,Y2 ( ) = E[y1 (t)y2 (t )],

= E[(x1 g1 )(t) (x2 g2 )(t )],
R + R +
= E[ x1 (t 1 )g1 (1 )d1 x2 (t 2 )g2 (2 )d2 ],
R + R + (7.17)
= E[x1 (t 1 )x2 (t 2 )] g1 (1 )g2 (2 ) d1 d2 ,
R R
+ +
= RX1 ,X2 ( + 2 1 ) g1 (1 )g2 (2 ) d1 d2 ,
R
+
= (RX1 ,X2 g1 )( + 2 ) g2 (2 ) d2 .

En posant le changement de variable 2 = , do d2 = d, on a :

Z +
RY1 ,Y2 ( ) = (RX1 ,X2 g1 )( ) g2 () d. (7.18)

En posant maintenant g2# () = g2 (), la dernire expression scrit encore comme :

RY1 ,Y2 ( ) = (RX1 ,X2 g1 g2# )( ) = RX1 ,X2 ( ) g1 ( ) g2 ( ). (7.19)

En prenant la transforme de Fourier, on obtient la formule des interfrences :

SY1 ,Y2 (f ) = SX1 ,X2 (f ).G1 (f ).G2 (f ). (7.20)

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.

x 1(t)= x (t) y 1(t)= y (t)

G 1 (f)= G (f)

x 2(t)= x (t) y 2(t)= y (t)

G 2 (f)= G (f)

F IG . 7.5 Avec deux filtres identiques, et mmes signaux dentre et de sortie

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

F IG . 7.6 Deux filtres identiques, dont un est le filtre identit

Si G1 (f ) = G(f ) et G2 (f ) = 1 (Fig. 7.6), la formule des interfrences (7.20) devient :

Syx (f ) = Sxx (f ).G(f ), (7.23)
et dans le domaine temporel (par transforme de Fourier inverse de (7.23) :
Ryx ( ) = Rxx ( ) g( ). (7.24)

Cas de signaux dterministes puissance moyenne finie ou nergie finie

On peut crire des relations similaires pour des signaux dterministes puissance moyenne fi-
nie, en remplaant les fonctions dautocorrlation ou dintercorrlation statistiques par les moyennes
temporelles xx ( ) et yx ( ) :
Z Z
1 +T /2 1 +T /2
xx ( ) = lim x(t)x (t )dt et yx ( ) = lim y(t)x (t )dt.
T + T T /2 T + T T /2
(7.25)

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.

7.1.5 Corrlation entre/sortie dun oprateur de convolution

Soit un systme de rponse impulsionnelle g(t), attaqu par une signal dentre x(t), la sortie
est un signal y(t) tel que :
y(t) = g(t) x(t). (7.26)
Selon la nature ( nergie ou puissance finie, certaine ou dterministe) des signaux, lautocorr-
lation ou lintercorrlation sont dfinies de faons diffrentes mais les relations ci-dessous restent
valables.

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)

Application lidentification dun systme linaire invariant

Soit x(t) un bruit blanc de DSP Sxx (f ) = /2, la fonction dautocorrlation de x(t) vaut :

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)

7.1.6 Statistique du signal en sortie dun oprateur de convolution

En gnral, la densit de probabilit (ou la fonction de rpartition) en sortie dun oprateur de
convolution est impossible dterminer analytiquement. En effet, chaque valeur tant une com-
binaison linaire de valeurs passes (si le filtre est causal) gnralement non indpendantes, la loi
conjointe ncessaire pour calculer la densit de probabilit de la sortie nest pas connue.

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 :

Rxx ( ) = xx ( ) et Ryy ( ) = yy ( ). (7.36)

105
Daprs les relations entre autocorrlations, on a :

yy ( ) = xx ( ) gg ( ), (7.37)

ou bien sous forme statistique :

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)

De plus, en appliquant le thorme de conservation du produit scalaire, on peut crire :

Z + Z +
PY = Rxx (u)gg (u)du = Sxx (f )|G(f )|2 df. (7.41)

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)

Pour un filtre passe-haut, on a G(0) = 0 et par consquent :

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

7.2 Autres oprateurs

7.2.1 Multiplication par une constante
Cet oprateur est reprsent la figure 7.7. Si K > 1, loprateur est un amplificateur ; si
K prend les deux valeurs K = 0 ou K = 1, cest un commutateur ouvert ou ferm ; pour 0 <
K < 1, cest un attnuateur. Les valeurs ngatives correspondent une fonction dinverseur (K =
1 ou plus gnralement une amplificateur ou un attnuateur avec inversion, cest--dire un
changement de phase de [2k].

x (t) y (t) = K x (t)

K

F IG . 7.7 Oprateur de multiplication par un facteur K

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

F IG . 7.8 Phase de loprateur de multiplication pour K < 0

gg ( ) = K 2 ( ). (7.51)

107
 x (t) r e ta r d y (t) = x (t - t0)
t0

F IG . 7.9 Oprateur retard

7.2.2 Oprateurs de retard

Cet oprateur (Fig. 7.9) intervient ds quil y a propagation dun signal.

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.

La fonction dautocorrlation du filtre est :

Z +
gg ( ) = (u t0 )(u t0 )du = ( ). (7.54)

x (t) y (t) = x (t)

(
H

F IG . 7.10 Oprateur de Hilbert

7.2.3 Oprateur de Hilbert

Cet oprateur, not H, est utile pour la construction de signaux analytiques. Pour un signal
dentre x(t), la sortie de loprateur sera note y(t) = x(t) (Fig. 7.10). Par dfinition, on a :
Z 1
1 + x(u)
x(t) = du = x(t) . (7.55)
t u t
Dans le domaine des frquences, on a :
n o
1
X(f ) = X(f )F t , (7.56)
= X(f )(jsgn(f )).
Le module et la phase de la fonction de transfert satisfont donc :
|X(f )| = |X(f )|, (7.57)
et :

(X(f )) = (X(f )) + (jsgn(f )) = (X(f )) sgn(f )). (7.58)
2
Loprateur de Hilbert conserve le module mais ralise un dphasage pur de /2.

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)

Pour le montrer, utilisons la formule des interfrences :

Syy (f ) = |G(f )|2 Sxx (f ). (7.62)

Or, puisque |G(f )| = 1, on a Syy (f ) = Sxx (f ) et, par transforme de Fourier inverse :

yy ( ) = xx ( ). (7.63)

Or, on sait quen gnral, pour un filtre g(t), on a la relation yy ( ) = gg ( ) xx ( ). On en

dduit donc que gg ( ) = ( ).

x (t) y (t) = x (t,T )

m o y e n n e

F IG . 7.11 Oprateur de moyenne temporelle

7.2.4 Oprateur de moyenne temporelle

Cet oprateur (Fig. 7.11) transforme le signal dentre x(t) en un signal note x(t, T ) :
Z t
1
y(t) = x(t, T ) = x(u)du. (7.64)
T tT

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

7.2.5 Oprateur de filtrage idal

Un filtre idal est un oprateur qui permet la transmission sans distorsion du signal dans une
largeur de bande B, appele bande passante.

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

F IG . 7.12 Oprateur de filtrage passe-bas idal

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 :

g(t) = 2Bsinc(2B(t t0 )), (7.72)

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

F IG . 7.13 Oprateur de filtrage passe-bande idal

Filtre passe-bande idal

La fonction de transfert du filtre passe-bande idal, de largeur de bande B centre sur f0 , est
reprsente la figure 7.13. Pour avoir une approximation causale, on dcale aussi par un temps
t0 , cest--dire quon multiplie la TF par le facteur exp(j2f t0 ). Le filtre est la somme de deux
fonctions rectangle de largeur B, centre sur f0 . On peut lcrire :

G(f ) = rect(f /B) exp(j2f t0 ) [(f + f0 ) + (f f0 )]. (7.74)

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 :

gg ( ) = 2Bsinc(B ) cos(2f0 ). (7.76)

Temps de monte du filtre passe-bas idal

La rponse impulsionnelle g(t) dun filtre est gale la sortie y(t) obtenue pour une entre
x(t) = (t).
La rponse indicielle est la rponse un chelon (t). Or, limpulsion de Dirac et lchelon
unit sont lis la relation :
d(t)
(t) = . (7.77)
dt

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)

Pour le filtre passe-bas idal, on obtient donc :

Z t
P Bas (t) = 2B sinc(2B(u t0 ))du. (7.79)

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.

Temps de monte dun filtre passe-bande

Pour un filtre passe-bande, le temps de monte est calcul par rapport la rponse lexci-
tation x t) = (t) cos(2f0 t), o f0 est la frquence centrale de la bande passante du filtre. On
admettra quil est quivalent (et plus simple) de considrer lintgrale de lenveloppe de la r-
ponse impulsionnelle. Pour le filtre passe-bande idal, cette enveloppe est dcrite par la relation
2Bsinc[B(t t0 )]. Par un calcul similaire au calcul ralis pour le filtre passe-bas, on trouve un
temps de monte :
1
tm = . (7.82)
B
On retiendra que le temps de monte est linverse de la bande passante pour un filtre passe-
bande idal.

112
Largeur de bande quivalente

En lectronique, on dfinit la largeur de bande 3dB, cest--dire la gamme de frquences

telle que :
|G(f )|2 1
. (7.83)
G2max 2
On dfinit aussi la largeur de bande quivalente, Be , dun bruit blanc, comme la largeur de bande
dun bruit blanc de densit spectrale de puissance G2max qui fournit la mme puissance totale que
G(f ), cest--dire :
Z +
2
2Be Gmax = |G(f )|2 df. (7.84)

R +
Or, gg (0) = |G(f )|2 df , donc la bande quivalente sexprime par la relation :

gg (0)
Be = . (7.85)
2G2max

Par exemple, prenons le filtre R C du premier ordre, de rponse impulsionnelle :

1
G(f ) = . (7.86)
1 + j2f RC

En posant fc = 1/(2RC), on a donc :

1
|G(f )|2 = . (7.87)
1 + (f /fc )2

Calculons maintenant lintgrale :

Z + Z + Z +
1 fc
gg (0) = |G(f )|2 df = df = du = fc . (7.88)
1 + (f /fc )2 1 + u2

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

y (t) = x (t) + n (t) s ( t ) = x ( t )

h (t)

F IG . 7.15 Dtection dun signal dans du bruit par filtrage

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 :

y(t) = x(t) + n(t), (7.91)

o x(t) est un signal utile et n(t) est un bruit additif.

Diffrentes approches sont possibles selon le niveau de connaissance sur x(t) :
x(t) est connu,
x(t) est certain mais inconnu,
x(t) est alatoire, de densit spectrale de puissance connue.
Dans le cadre du filtrage linaire optimal, on cherche une solution sous la forme dun filtre
linaire h(t) (Fig. 7.15).
La sortie s(t) sexprime alors :

s(t) = (y h)(t) = sx (t) + sn (t), (7.92)

avec sx (t) = (x h)(t) et sn (t) = (n h)(t).

On cherche le filtre h(t) tel qu un instant t0 fix, le rapport S/B instantan :
|sx (t)|2
(7.93)
E[|sn (t)|2 ]
soit maximum.

7.3.1 Signal connu dans du bruit : filtrage adapt

On suppose que lon connait le signal x(t) et sa transforme de Fourier X(f ) et que la DSP
du bruit n(t) vaut Snn (f ).

Calcul du filtre optimal

A partir de sn (t) = (n h)(t), on peut crire :

Ssn sn (f ) = Snn (f )|H(f )|2 , (7.94)

do lon tire la puissance du bruit en sortie de filtre :

Z + Z +
E[|sn (t)|2 ] = Ssn sn (f )df = Snn (f )|H(f )|2 df. (7.95)

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 )

et appliquons lingalit de Schwartz :

Z + 2 Z +
|X(f )|2
Z +
 
 X(f )H(f ) exp(j2f t0 )df  df. |H(f )|2 Snn (f )df. (7.99)
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

et en utilisant lquation (7.99), on a :

Z +
|s2x (t0 )| |X(f )|2
df = cte. (7.101)
E[|sn (t0 )|2 ] Snn (f )

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 )

Le filtre optimal est donc tel que :

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 )

Ce filtre sappelle filtre adapt au signal x(t).

h (t) = x (t0 - t)
x (t)

t
t0

F IG . 7.16 Filtre h(t) adapt un signal rel x(t)

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).

7.3.2 Signal inconnu dans du bruit

On suppose maintenant que y(t) = x(t) + n(t), o x(t) est inconnu et n(t) est un bruit de
moyenne nulle et dautocorrlation (donc aussi dautocovariance) C(t1 , t2 ).
De ces hypothses, on tire donc :
E[y(t)] = x(t), (7.109)
et :
x2 = E[n2 (t)] = C(t, t). (7.110)
Si C(t, t) E[x2 (t)],
lnergie du bruit est trs faible par rapport celle du signal et y(t) est une
bonne estimation de x(t). Dans le cas contraire, il faut trouver quelque chose de plus astucieux.

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 :

E[s(t)] = sx (t) = x0 . (7.114)

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)

7.3.3 Extraction dun signal alatoire dans du bruit

On considre le signal y(t) = x(t) + n(t) o x(t) et n(t) sont deux signaux alatoires station-
naires.

Estimation qui minimise lerreur quadratique

On cherche une solution de la forme :
K
X
x(t) = ak sk (t), (7.116)
k=1

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

On en dduit alors (thorme de Pythagore) que :

E[e2 ] = E[(x(t) x(t))2 ] = E[x2 (t)] E[x2 (t)]. (7.119)

Exemple
Soient x(t) un processus stationnaire et une constante1 , on cherche estimer le paramtre a
associ la modle du premier ordre :

x(t + ) = ax(t). (7.120)

1
si > 0, le problme est appel prdiction

117
Lerreur quadratique moyenne vaut :

E[e2 ] = E[(x(t + ) x(t + ))2 ] = E[(x(t + ) ax(t))2 ]. (7.121)

Lorsque lerreur e est minimale, selon le thorme de la projection orthogonale, on sait quelle est
orthogonale x(t), cest--dire :

E[(x(t + ) x(t + ))x(t + )] = aE[(x(t + ) ax(t))x(t)] = 0. (7.122)

En dveloppant la dernire expression, on obtient :

E[(x(t + )x(t)] = aE[(x(t)x(t)], (7.123)

soit en tenant compte de la stationnarit de x(t) :

Rxx ()
a= . (7.124)
Rxx (0)

Lestimation optimale au sens de la minimisation de lerreur quadratique moyenne (MMSE pour

minimisation of the mean square error) est alors simplement :

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.

7.3.4 Filtre de Wiener

Modle de filtre
On cherche une solution sous la forme dun filtre linaire h(t) dont lentre est le signal y(t) =
x(t) + n(t) : Z +
x(t) = y(t u)h(u)du. (7.128)

La meilleure estimation, au sens de lerreur quadratique moyenne, doit conduire minimiser :

E[e2 ] = E[(x(t) x(t))2 ]. (7.129)

En appliquant le principe dorthogonalit, on a donc :

E[(x(t) x(t))y(t )] = 0, R. (7.130)

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 :

Rxy ( ) = Ryy ( ) h( ), (7.134)

et en prenant la transforme de Fourier :

Sxy (f ) = Syy (f )H(f ), (7.135)

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.

Cas particulier dun bruit additif non corrl

Si le bruit n(t) est centr et non corrl avec x(t), cest--dire Rxn ( ) = 0, R, on peut
crire :
Sxy (f ) = F{Rxy ( )}
R +
= F{ x(t)y(t )dt}
R +
= F{ x(t)(x(t ) + n(t ))dt} (7.137)
R +
= F{ x(t)x(t )dt}
= Sxx (f ).
Calculons maintenant la DSP du signal y(t) :
Syy (f ) = F{Ryy ( )}
R +
= F{ y(t)y(t )dt}
R +
= F{ (x(t) + n(t))(x(t ) + n(t ))dt} (7.138)
R +
= F{ [x(t)x(t ) + n(t)n(t )]dt}
= Sxx (f ) + Snn (f ).

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)

F IG . 7.17 Filtrage dun signal par un filtre moyenneur.

Calcul du gain complexe G(f )

Tracer g(t). Calculer le gain complexe du filtre 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)

F IG . 7.18 Filtrage dun signal par deux filtres moyenneurs.

Densits spectrales de puissance

Exprimer les densits spectrales de puissance de y1 (t) et y2 (t), en fonction de Sxx (f ), et

G1 (f ) ou G2 (f ).

Densit spectrale de puissance de y(t)

On considre maintenant le signal somme : y(t) = y1 (t) + y2 (t).

Calculer la fonction dautocorrlation statistique de y(t).
En dduire sa densit spectrale de puissance, Syy (f ), en fonction de Sxx (f ), Sy1 y1 (f ),
Sy2 y2 (f ), G1 (f ) et G2 (f ). Quel thorme utilisez-vous pour faire ce calcul ?
Calculer les transformes de Fourier des filtres G1 (f ) et G2 (f ), et montrer que la densit
spectrale de y(t) se met sous la forme :
 f 
Syy (f ) = Xrect sinc2 (T f )(1 + cos(f T ))2 X. (7.141)
2B

7.4.3 Extraction dune composante continue

On considre le montage de la figure 7.19, dans laquelle s(t) est un signal dterministe, n(t)
est un bruit stationnaire non corrl avec s(t). Le filtre G est un filtre de rponse impulsionnelle
g(t) = rect((t T /2)/T )/T .

n (t) + s (t) y (t)

n (t)
+ G (f)
z (t)
+
s (t) - s (t)
- 1

F IG . 7.19 Filtrage passe-bas.

Calcul de z(t)

Exprimer z(t) en fonction de g(t), s(t), et n(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.

Calcul avec un filtre moyenneur

Le filtre G(f ) a pour rponse impulsionnelle g(t) = rect((t T /2)/T )/T . Tracer g(t) et
calculer G(f ). En dduire lexpression de la densit spectrale Szz (f ).

Comportement asymptotique du filtre

Si le paramtre du filtre T +, que deviennent le module du filtre G(f ) et la sortie z(t)
du filtre, en supposant que la DSP de s(t) vaut Sss (f ) = s2 (f ) ?

7.4.4 Fonction de cohrence

La fonction de cohrence est dfinie par le rapport :
|Sxy (f )|2
xy (f ) = . (7.142)
Sxx (f )Syy (f )

Cas de deux signaux filtrs

On considre un signal x(t), stationnaire au second ordre et ergodique, et y(t) le rsultat du
filtrage de x(t) par un filtre linaire invariant de rponse impulsionnelle g(t).
Exprimer lintercorrlation xy ( ) en fonction de xx ( ) et de g. En dduire lexpression
de la densit interspectrale de puissance Sxy (f ).
Exprimer la fonction dautocorrlation yy ( ) en fonction de gg ( ) et de xx ( ). En d-
duire la densit spectrale de puissance Syy (f ).
A partir des rsultats des deux questions prcdentes, calculer la fonction de cohrence, et
montrer que son module est gale 1.

Cas dun signal bruit

On considre un signal x(t), stationnaire au second ordre et ergodique, et y(t) = (g x)(t) +
b(t) o g(t) est un filtre linaire invariant et b(t) est un bruit non corrl avec x(t).
Exprimer lintercorrlation xy ( ) en fonction de xx ( ) et de g. En dduire lexpression
de la densit interspectrale de puissance Sxy (f ).
Calculer la densit spectrale de puissance Syy (f ) en fonction de G(f ), Sxx (f ) et Sbb (f ).
A partir des rsultats des deux questions prcdentes, exprimer la fonction de cohrence en
fonction du rapport Sbb (f )/Syy (f ). Montrer qu la frquence f , le module de la cohrence
est proche de 1 si le rapport signal bruit est trs grand et chute si le rapport signal bruit
diminue.

7.4.5 Application de lauto-corrlation

On considre le montage de la figure 7.20. Le signal x(t) et le bruit b(t) sont supposs station-
naires, ergodiques et non corrls. On suppose que b(t) est un bruit blanc de densit spectrale de
puissance Sbb (f ) = B/2.

122
 y (t)
x (t)
+ G (f)

b (t) R b y( t )
a u to -c o rr l.

F IG . 7.20 Autocorrlation et filtrage.

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 ?

7.4.6 Filtrage - Praccentuation et dsaccentuation

Un signal audio x(t), suppos stationnaire lordre deux et de densit spectrale de puissance
connue Sxx (f ), est transmis sur un canal soumis un bruit b(t), centr, stationnaire au second
ordre et de densit spectrale de puissance connue, Sbb (f ). Pour amliorer le rapport signal bruit,
on propose dintercaler le systme de filtrage (Fig. 7.21), constitu dun filtre de praccentuation
avant lentre du canal, et dun filtre de dsaccentuation en sortie du canal. On note Hp (f ) et
Hd (f ) les transformes de Fourier des deux filtres. On dsire que la sortie du systme soit x(t) +
w(t), o w(t) est la contribution filtre du bruit b(t), avec une puissance de bruit aussi petite
que possible puissance du signal fixe. Pour cela, on impose que la puissance du signal y(t) =
hp (t) x(t) en sortie du filtre praccentuateur soit gale P0 .

Calculs prliminaires

b (t)
x (t) y (t) x (t) + w (t)
H p ( f ) H d ( f )

F IG . 7.21 Systme de praccentuation et dsaccentuation.

Calculer la puissance Py du signal Y (t) en sortie du filtre de praccentuation Hp (f ), en

fonction de Hp (f ) et de Sxx (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 ).

Calcul des rapports signaux bruit

En reportant le dernier rsultat dans lexpression de E[w2 (t)] calcule la question 3, ex-
primer E[w2 (t)] en fonction de P0 , Sbb (f ) et Sxx (f ).
Calculer le rapport signal bruit sans correction, sc = Px /Pb et la rapport signal avec
correction ac = Px /Pw .
Calculer le gain G de rapport signal bruit d aux filtres de praccentuation et dsaccentua-
tion, et montrer en utilisant lingalit de Schwartz, que ce rapport est suprieur 1 une
condition que lon prcisera.

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).

7.4.7 Amlioration du rapport signal bruit

Un signal sinusodal x(t) = A cos(2f0 t) de frquence f0 connue est transmis le long dun
canal bruit dont la sortie est x(t) + b(t) o b(t) est un bruit blanc de densit spectrale de puis-
sance constante Sbb (f ) = B0 /2, filtr par un filtre passe-bande idal, Hpb (f ), centr sur f0 et
de largeur de bande f .

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)

x (t) y (t) + n (t)

H (f)

F IG . 7.22 Amlioration du rapport signal bruit par filtrage.

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).

Rapport signal bruit en entre

En dduire le rapport signal bruit en entre e = Px /Pb .

DSP et puissance du signal aprs filtrage

Exprimer Syy (f ) en fonction de H(f ) et Sxx (f ).
Calculer la fonction dauto-corrlation xx ( ) du signal x(t) puis sa densit spectrale de
puissance Sxx (f ).
Le filtre h(t) tant rel, montrer que |H(f )|2 est paire. En dduire la relation entre les DSP
du signal avant et aprs filtrage sachant que le filtre h(t) est un filtre rel.
Calculer alors la puissance Py du signal en sortie du filtre.

DSP et puissance du bruit aprs filtrage

Exprimer Snn (f ) en fonction de H(f ) et Sbb (f ).
Montrer alors que la puissance Pn du bruit en sortie du filtre est le produit de Pb et dune
intgrale que lon dterminera.

Gain du rapport signal bruit

Calculer alors le rapport signal bruit en sortie de ce filtre, s .
Calculer le gain G = s /e du rapport signal bruit aprs filtrage.

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.

[3] F. de Coulon, Thorie et traitement des signaux, Dunod, Paris, 1984.

[4] L. De Lathauwer, D. Callaerts, B. De Moor, and J. Vandewalle, Fetal electrocardiogram

extraction by source subspace separation, IEEE Signal Processing Athos workshop on High-
order statistics (HOS) (Begur, Spain), 1995, pp. 134138.

[5] R. C. Dixon, Spread spectrum systems, John Wiley, New-York, 1976.

[6] P. Duvaut, Traitement du signal, concepts et applications, Herms, Paris, 1991.

[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