Académique Documents
Professionnel Documents
Culture Documents
SIGNAUX CONTINUS
Support de cours
1
Signaux continus Professeur K.BENKIRANE
SIGNAUX CONTINUS
Plan :
Mot(s) clé(s) :
2
Signaux continus Professeur K.BENKIRANE
3
Signaux continus Professeur K.BENKIRANE
I .DEFINITIONS
1. SIGNAL
(Signal) vient du latin signum : signe; variation d’une grandeur physique de nature
quelconque porteuse d’information. C’est l’entité qui sert à véhiculer une
information.
Exemples
2. BRUIT (Noise):
Remarque :
La notion de bruit est relative, elle dépend du contexte ; l’exemple classique est
celui du technicien en télécom et de l'astronome :
4
Signaux continus Professeur K.BENKIRANE
Exemple :
– Pour un opérateur sonar, le signal utile est émis par les navires et les sous-
marins, lorsque les poissons et les crustacés émettent des signaux qui sont des
perturbations pour le signal utile, donc des bruits,
A noter qu’un signal aléatoire ne veut pas signifier bruit ; Exemple : Transmettre
la parole sur des câbles d’alimentation 50Hz. L’information est la parole qui est
un signal aléatoire, alors que le bruit gênant est déterministe, c’est une sinusoïde
50Hz.
Le rapport signal à bruit R S/B est le rapport de puissance du signal, P S , sur celle
du bruit, P B , il mesure la qualité du signal:
𝑃𝑃𝑆𝑆 𝑃𝑃𝑆𝑆
𝑅𝑅𝑆𝑆/𝐵𝐵 = , 𝑅𝑅𝑆𝑆/𝐵𝐵 (𝑑𝑑𝑑𝑑) = 10log� �
𝑃𝑃𝐵𝐵 𝑃𝑃𝐵𝐵
5
Signaux continus Professeur K.BENKIRANE
Définition
1) Pair, impair
Un signal est pair si : x(t ) = x(−t )
Un signal est impair si : x(t ) = − x(−t )
Remarque : Tout signal réel peut être décomposé en une partie paire et
une partie impaire : x(t ) = x p (t ) + xi (t )
2) Dimensionnelle
On classe les signaux de point de vue dimensionnel
- signaux à 1D (unidimensionnels) : signal audio, mesure électrique, signal
reçu par une électrode en biomédical.
– signaux 2D (bidimensionnels) : image, représentation temps-fréquence
des signaux,
– signaux 2D+t : séquences vidéo,
– signaux 3D : objets3D (tomographie, etc.),
6
Signaux continus Professeur K.BENKIRANE
4) Morphologique
7
Signaux continus Professeur K.BENKIRANE
5) Énergétique
Energie et Puissance
Dans le cas des signaux déterministes à temps continu, une classification est
faite autour des notions d’énergie et de puissance.
• L’énergie d’un signal x(t), fonction complexe de la variable réelle t, est la
quantité E définie par :
+∞
𝑬𝑬 = � |𝒙𝒙(𝒕𝒕)|𝟐𝟐 𝒅𝒅𝒅𝒅
−∞
𝑻𝑻
𝟏𝟏 +𝟐𝟐
𝑷𝑷 = � |𝒙𝒙(𝒕𝒕)|𝟐𝟐 𝒅𝒅𝒅𝒅
𝑻𝑻 −𝑻𝑻
𝟐𝟐
8
Signaux continus Professeur K.BENKIRANE
6) Classification spectrale
Suivant la fréquence moyenne Fmoy = ( Fmax − Fmin ) / 2 , on peut distinguer deux types
de signaux :
- 250 𝐾𝐾𝐾𝐾𝐾𝐾 < 𝐹𝐹𝑚𝑚𝑚𝑚𝑚𝑚 < 30 𝑀𝑀𝑀𝑀𝑀𝑀 : signaux hautes fréquences (HF)
- 30 𝑀𝑀𝑀𝑀𝑀𝑀 < 𝐹𝐹𝑚𝑚𝑚𝑚𝑚𝑚 < 300 𝑀𝑀𝑀𝑀𝑀𝑀 : signaux très hautes fréquences (VHF)
- 300 𝑀𝑀𝑀𝑀𝑀𝑀 < 𝐹𝐹𝑚𝑚𝑚𝑚𝑚𝑚 < 3 𝐺𝐺𝐺𝐺𝐺𝐺 : signaux ultra hautes fréquences (UHF)
Un signal est dit causal s'il est nul pour toute valeur négative du temps :
9
Signaux continus Professeur K.BENKIRANE
B) SIGNAUX USUELS
1. Fonction signe
- 1, si t < 0
sgn(t) = , sgn(0) peut prendre 1
1, si t > 0
sgn(t)
0
toute valeur comprise entre -1 et 1, mais
-1
généralement on prend sgn(0) = 0
0
0, si t < 0
u(t) = , par convention u (0) = 1 / 2
1, si t > 0 1
u(t)
On peut montrer facilement que :
0
-10 -5 0 5 10
1 1
u(t) = sgn(t) + , sgn(t) = 2u (t ) − 1
2 2
3. Fonction rampe
0, si t < 0 10
r(t) =
t, si t ≥ 0
r(t)
t
Ou d’une autre manière : r(t) = ∫ u (τ )dτ 0
0 5
−∞
𝒕𝒕
4. Fonction rectangle :𝝅𝝅𝑻𝑻 (𝒕𝒕) = 𝒓𝒓𝒓𝒓𝒓𝒓𝒓𝒓( )
𝑻𝑻
C’est une porte rectangulaire d’ouverture T
Et d’amplitude 1.
Exemple : T=1
10
Signaux continus Professeur K.BENKIRANE
𝒕𝒕
5. Fonction triangle : ∆𝑻𝑻 (𝒕𝒕) = 𝒕𝒕𝒕𝒕𝒕𝒕( )
𝑻𝑻
C’est une porte triangulaire de demi-ouverture T
Et d’amplitude 1 en t=0.
Exemple : T=1
1 - t , si t < t ≤ 1 1
tri(t) =
tri(t)
0, sinon
6. Impulsion de Dirac
0, si t ≠ 0
δ (t) = (1/T)rect(t/T)
+ ∞, si t = 0 1/T
+∞ 0
∫ δ (t )dt = 1
0
Elle vérifie :
−∞
Propriétés :
x(t )δ (t ) = x(0)δ (t )
x(t )δ (t − t 0 ) = x(t 0 )δ (t − t 0 )
+∞
11
Signaux continus Professeur K.BENKIRANE
12
Signaux continus Professeur K.BENKIRANE
sin(πt )
sin c(t ) =
πt
sin c(t ) = 1 si t = 0
x = [ x, ones(1,2001)];
1.5
x = [ x, zeros(1,1000)];
plot(t,x); 1
xlabel('Temps (t)');
ylabel('x(t)');
axis([-0.2,0.2, -0.5, 1.5]);
0
-0.5
-0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2
Temps (t)
1) Inversion ou Retournement
Inverser un signal s(t) revient à le représenter en s(-t).
Exemple :
13
Signaux continus Professeur K.BENKIRANE
2) Translation
𝑠𝑠(𝑡𝑡 − 𝜏𝜏) est une translation de s(t) de 𝜏𝜏:
si 𝜏𝜏 > 0, vers les t positifs
si 𝜏𝜏 < 0, vers les t négatifs
Exemple :
Pour une fenêtre de largeur T , d’amplitude A et de retard τ :
T T
0, si t < − + τ et t > + τ
Arect[(t-τ)/T]
t -τ
2 2 A
Arect( )=
T A, si t < T + τ et t > − T + τ
2 2
0
0 τ-T/2 τ τ+T/2
A.tri[(t-τ)/T] A
t -τ 1 - t - τ , si t − τ ≤ T
tri( )=
T 0, sinon 0
0 τ-T τ τ+T
3) Inversion et Translation
4) Convolution
On appelle produit de convolution de deux signaux x(t) et y(t), et noté :
x(t)*y(t), l’expression :
+∞
𝑥𝑥(𝑡𝑡) ∗ 𝑦𝑦(𝑡𝑡) = � 𝑥𝑥(𝜏𝜏). 𝑦𝑦(𝑡𝑡 − 𝜏𝜏)𝑑𝑑𝑑𝑑
−∞
Propriétés :
L’impulsion de Dirac représente l’élément neutre de la convolution :
𝒙𝒙(𝒕𝒕) ∗ 𝜹𝜹(𝒕𝒕) = 𝒙𝒙(𝒕𝒕)
La convolution est commutative :
𝒙𝒙(𝒕𝒕) ∗ 𝒚𝒚(𝒕𝒕) = 𝒚𝒚(𝒕𝒕) ∗ 𝒙𝒙(𝒕𝒕)
La convolution est associative :
𝒙𝒙(𝒕𝒕) ∗ 𝒚𝒚(𝒕𝒕) ∗ 𝒛𝒛(𝒕𝒕) = �𝒙𝒙(𝒕𝒕) ∗ 𝒚𝒚(𝒕𝒕)� ∗ 𝒛𝒛(𝒕𝒕) = 𝒙𝒙(𝒕𝒕) ∗ (𝒚𝒚(𝒕𝒕) ∗ 𝒛𝒛(𝒕𝒕))
14
Signaux continus Professeur K.BENKIRANE
Exemple
Calculer le produit de convolution des signaux suivants
15
Signaux continus Professeur K.BENKIRANE
Exemple 2
𝝅𝝅𝑻𝑻 (𝒕𝒕) ∗ 𝝅𝝅𝑻𝑻 (𝒕𝒕) = 𝑻𝑻∆𝑻𝑻 (𝒕𝒕)
Remarque :
Pour les signaux à puissance finie, la convolution s’écrit :
𝑻𝑻
𝟏𝟏 𝟐𝟐
𝒛𝒛(𝒕𝒕) = 𝒙𝒙(𝒕𝒕) ∗ 𝒚𝒚(𝒕𝒕) = 𝐥𝐥𝐥𝐥𝐥𝐥 � 𝐱𝐱(𝛕𝛕 ). 𝐲𝐲(𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝛕𝛕
𝑻𝑻→+∞ 𝑻𝑻 𝑻𝑻
−
𝟐𝟐
Si, de plus les signaux sont périodiques de même période T 0 .
𝑻𝑻𝟎𝟎
𝟏𝟏 𝟐𝟐
𝒛𝒛(𝒕𝒕) = 𝒙𝒙(𝒕𝒕) ∗ 𝒚𝒚(𝒕𝒕) = � 𝐱𝐱(𝛕𝛕 ). 𝐲𝐲(𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝛕𝛕
𝑻𝑻𝟎𝟎 𝑻𝑻
− 𝟎𝟎
𝟐𝟐
5) Corrélation
16
Signaux continus Professeur K.BENKIRANE
a) Intercorrélation
+∞ +∞
𝜞𝜞𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝜸𝜸𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = � 𝐱𝐱(𝐭𝐭 ). 𝐲𝐲 ∗ (𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝐭𝐭 = � 𝐱𝐱(𝐭𝐭 + 𝛕𝛕). 𝐲𝐲 ∗ (𝐭𝐭 )𝐝𝐝 𝐭𝐭
−∞ −∞
b) Autocorrélation
+∞ +∞
𝜞𝜞𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝜸𝜸𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = � 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 (𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝐭𝐭 = �
∗
𝐱𝐱(𝐭𝐭 + 𝛕𝛕). 𝐱𝐱 ∗ (𝐭𝐭 )𝐝𝐝 𝐭𝐭
−∞ −∞
Propriétés
• Pour les signaux réels la fonction C xx est paire,
𝑪𝑪𝒙𝒙𝒙𝒙 (−𝒕𝒕) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝒕𝒕)
+∞
• 𝑪𝑪𝒙𝒙𝒙𝒙 (𝟎𝟎) = ∫−∞ 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 ∗ (𝐭𝐭 )𝐝𝐝 𝐭𝐭 = 𝐄𝐄𝐱𝐱 Energie de x(t)
𝑻𝑻
𝟏𝟏 𝟐𝟐
𝜞𝜞𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝜸𝜸𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝐥𝐥𝐥𝐥𝐥𝐥 � 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 ∗ (𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝐭𝐭
𝑻𝑻→+∞ 𝑻𝑻 −𝑻𝑻
𝟐𝟐
Si de plus x(t) et y(t) sont périodiques, de même période T 0
17
Signaux continus Professeur K.BENKIRANE
𝑻𝑻𝟎𝟎
𝟏𝟏 𝟐𝟐
𝜞𝜞𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝜸𝜸𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = � 𝐱𝐱(𝐭𝐭 ). 𝐲𝐲 ∗ (𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝐭𝐭
𝑻𝑻𝟎𝟎 −𝑻𝑻𝟎𝟎
𝟐𝟐
𝑻𝑻𝟎𝟎
𝟏𝟏 𝟐𝟐
𝜞𝜞𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝜸𝜸𝒙𝒙𝒙𝒙 (𝝉𝝉) = 𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = � 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 ∗ (𝐭𝐭 − 𝛕𝛕 )𝐝𝐝 𝐭𝐭
𝑻𝑻𝟎𝟎 −𝑻𝑻𝟎𝟎
𝟐𝟐
Remarque : Pour 𝜏𝜏 = 0,
𝑻𝑻 𝑻𝑻
𝟏𝟏 𝟐𝟐 𝟏𝟏 𝟐𝟐
𝑪𝑪𝒙𝒙𝒙𝒙 (𝟎𝟎) = 𝐥𝐥𝐥𝐥𝐥𝐥 � 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 ∗ (𝐭𝐭)𝐝𝐝 𝐭𝐭 = 𝐥𝐥𝐥𝐥𝐥𝐥 � |𝐱𝐱(𝐭𝐭)|𝟐𝟐 𝐝𝐝 𝐭𝐭
𝑻𝑻→+∞ 𝑻𝑻 −𝑻𝑻 𝑻𝑻→+∞ 𝑻𝑻 −𝑻𝑻
𝟐𝟐 𝟐𝟐
= 𝐏𝐏𝐱𝐱(𝐭𝐭) 𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏 𝐝𝐝𝐝𝐝 𝐱𝐱(𝐭𝐭)
𝑻𝑻𝟎𝟎 𝑻𝑻𝟎𝟎
𝟏𝟏 𝟐𝟐 𝟏𝟏 𝟐𝟐
𝑪𝑪𝒙𝒙𝒙𝒙 (𝟎𝟎) = � 𝐱𝐱(𝐭𝐭 ). 𝐱𝐱 ∗ (𝐭𝐭)𝐝𝐝 𝐭𝐭 = � |𝐱𝐱(𝐭𝐭)|𝟐𝟐 𝐝𝐝 𝐭𝐭 = 𝐏𝐏𝐱𝐱(𝐭𝐭) 𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏𝐏 𝐝𝐝𝐝𝐝 𝐱𝐱(𝐭𝐭)
𝑻𝑻𝟎𝟎 −𝑻𝑻𝟎𝟎 𝑻𝑻𝟎𝟎 −𝑻𝑻𝟎𝟎
𝟐𝟐 𝟐𝟐
𝑻𝑻
𝟏𝟏 𝟐𝟐
𝑪𝑪𝒙𝒙𝒙𝒙 (𝟎𝟎) = 𝐥𝐥𝐥𝐥𝐥𝐥 � 𝐱𝐱(𝐭𝐭 ). 𝐲𝐲 ∗ (𝐭𝐭)𝐝𝐝 𝐭𝐭 = 𝐏𝐏𝐱𝐱𝐱𝐱(𝐭𝐭) 𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢
𝑻𝑻→+∞ 𝑻𝑻 −𝑻𝑻
𝟐𝟐
𝑻𝑻𝟎𝟎
𝟏𝟏 𝟐𝟐
𝑪𝑪𝒙𝒙𝒙𝒙 (𝟎𝟎) = � 𝐱𝐱(𝐭𝐭 ). 𝐲𝐲 ∗ (𝐭𝐭)𝐝𝐝 𝐭𝐭 = 𝐏𝐏𝐱𝐱𝐱𝐱(𝐭𝐭) 𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢𝐢
𝑻𝑻𝟎𝟎 −𝑻𝑻𝟎𝟎
𝟐𝟐
𝟐𝟐
�𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉)� ≤ 𝑪𝑪𝒙𝒙 (𝟎𝟎). 𝑪𝑪𝒚𝒚 (𝟎𝟎)
18
Signaux continus Professeur K.BENKIRANE
I- REPRESENTATION FREQUENTIELLE
2π
Soit un signal s(t) périodique, de période T0 = 2πf 0 = . Ce signal peut être
ω0
développé sous la forme :
+∞
s(t) = a0 + ∑ an cos(nω0t ) +bn sin(nω0t )
n =1
T0 / 2 T0 / 2 T0 / 2
1 2 2
Avec : a0 =
T0 ∫ s(t )dt , an =
−T0 / 2 T0 ∫ s
−T / 2
(t ) cos( n ω 0 t )dt , bn =
T0 ∫ s(t ) sin(nω t )dt
−T0 / 2
0
0
Remarques
T0 / 2
4
Si le signal est pair, s(t) = s (−t ) , bn = 0 , an =
T0 ∫ s(t ) cos(nω t )dt
0
0
19
Signaux continus Professeur K.BENKIRANE
T0 / 2
4
Si le signal est impair, s(t) = − s (−t ) , a n = 0 , bn =
T0 ∫ s(t ) sin(nω t )dt
0
0
Exemple :
Le signal est centré, sa valeur moyenne est nulle, donc a 0 = 0 . De même le signal
est impair, donc a n = 0 .
T0 / 2
{ }
T0
bn =
2
∫ 1 sin( nω t )dt − ∫ sin( nω0t )dt = =
2
[− cos(nω0t )]T00 / 2 + [cos(nω0t )]TT00 / 2
T0 nω 0
0
T0 0 T0 / 2
2 2π T0 2π 2π T0
= − (cos(n ) − 1) + cos(n T0 ) − cos(n )
T0 n 2π / T0 T0 2 T0 T0 2
=
1
{[1 − cos(nπ )] + [1 − cos(nπ )]}
nπ
Si n est pair, bn = 0
4
Si n est impair, bn =
nπ
4 1 1
Donc : s(t) = sin(ω0 t ) + sin(3ω0 t ) + sin(5ω 0 t )
π 3 5
1 1
0 .. 0 ..
-1 -1
0 T/2 T 0 T/2 T
20
Signaux continus Professeur K.BENKIRANE
0 ..
-1
0 T/2 T
0 ..
-1
0 T/2 T
1.5
1
1
0 .. ..
0.5
-1
0
0 T/2 T 0 f0 3f0 5f0 7f0
Représentation unilatérale
+∞
+∞
an bn
s(t) = a0 + ∑ a n2 + bn2 cos(nω0 t ) + a n2 + bn2 sin( nω 0 t ) .
n =1 a n2 + bn2 an2 + bn2
an bn
Posons : X n = , Yn = ⇒ X n2 + Yn2 = 1
a +b
2
n
2
n a +b2
n
2
n
21
Signaux continus Professeur K.BENKIRANE
Donc :
+∞
s(t) = a0 + ∑ an2 + bn2 {cos(φn ) cos(nω 0 t ) + sin(φn ) sin( nω 0 t )}
n =1
+∞
s(t) = a0 + ∑ an2 + bn2 {cos(nω 0 t − φ n )}
n =1
Yn b sin(φ n ) b
Et comme = n = = tan(φ n ) ⇒ φ n = arctan n
X n a n cos(φ n ) an
+∞
Le spectre de raies est représenté par deux figures, une pour le module et
l’autre pour la phase du spectre.
+∞
𝑇𝑇0
1
𝑐𝑐𝑛𝑛 = ∫2
𝑇𝑇0 𝑠𝑠(𝑡𝑡)𝑒𝑒 −𝑗𝑗𝑗𝑗 𝜔𝜔 0 𝑡𝑡 𝑑𝑑𝑑𝑑
𝑇𝑇0 −
2
Expression de c n en fonction de a n et b n :
Remarque:
Théorème de Parseval
Spectres
1
• Spectre d amplitude : |𝑐𝑐𝑛𝑛 | = �𝑎𝑎𝑛𝑛2 + 𝑏𝑏𝑛𝑛2 = 𝑓𝑓(𝑓𝑓)
2
1
• Spectre de puissance : |𝑐𝑐𝑛𝑛 |2 = (𝑎𝑎𝑛𝑛2 + 𝑏𝑏𝑛𝑛2 ) = 𝑓𝑓(𝑓𝑓)
2
𝑏𝑏𝑛𝑛
• Spectre de phase : 𝐴𝐴𝐴𝐴𝐴𝐴(𝑐𝑐𝑛𝑛 ) = 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 �− � = 𝑓𝑓(𝑓𝑓)
𝑎𝑎 𝑛𝑛
Exemple:
Spectre d’amplitude
23
Signaux continus Professeur K.BENKIRANE
Autre exemple
24
Signaux continus Professeur K.BENKIRANE
2. Transformée de Fourier
2.1 Définition
+∞
S ( f ) = ∫ s (t )e − j 2πft dt
−∞
jf = + j∞
∫ S ( f )e
j 2πft
s (t ) = df
jf = − j∞
2.2 Propriétés
-Signaux réels
-Parité
-Linéarité
25
Signaux continus Professeur K.BENKIRANE
s (t ) = as1 (t ) + bs 2 (t ) ⇔ S ( f ) = aS1 ( f ) + bS 2 ( f )
1 f
s (at ) ⇔ S
a a
- Translation temporelle
s (t − t 0 ) ↔ S ( f )e − j 2πft0
s (t )e j 2πf 0 t ↔ S ( f − f 0 )
N N
y (t ) = ∑ s k (t )e j 2πf k t ↔ ∑ S k ( f − f k )
k =1 k =1
-Dérivation
dn
n
s (t ) ↔ ( j 2πf ) n S ( f )
dt
-Convolution
26
Signaux continus Professeur K.BENKIRANE
x(t ) ∗ y (t ) ↔ X ( f ) ⋅ Y ( f )
-Involution
s (−t ) ↔ S ∗ ( f )
s ∗ (t ) ↔ S ∗ (− f )
Résumé récapitulatif des propriétés de la transformée de Fourier
𝑡𝑡
Exemple 1 : Fenêtre rectangulaire d'ouverture T : 𝑠𝑠(𝑡𝑡) = 𝜋𝜋𝜃𝜃 (𝑡𝑡) = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 � �
𝜃𝜃
27
Signaux continus Professeur K.BENKIRANE
𝑋𝑋(𝑓𝑓) = 𝜃𝜃𝜃𝜃𝜃𝜃𝜃𝜃𝜃𝜃(𝜋𝜋𝜋𝜋𝜋𝜋)
On notera que le spectre d’un signal apériodique à énergie finie est continu.
Spectre d’amplitude :
𝟏𝟏
|𝑺𝑺(𝒇𝒇)| =
�𝒂𝒂𝟐𝟐 + (𝟐𝟐𝟐𝟐𝟐𝟐)𝟐𝟐
Spectre de phase :
𝟐𝟐𝟐𝟐𝟐𝟐
𝝋𝝋𝒔𝒔 (𝒇𝒇) = −𝒂𝒂𝒂𝒂𝒂𝒂𝒂𝒂𝒂𝒂 � 𝒂𝒂
�
28
Signaux continus Professeur K.BENKIRANE
TF(1) = δ(f)
29
Signaux continus Professeur K.BENKIRANE
+∞
Exemple
30
Signaux continus Professeur K.BENKIRANE
Ainsi, le spectre est constitué de raies espacées de 1/T 2 et dont l’amplitude est
donnée par un sinus cardinal : c’est un spectre discret.
Exemple 2
31
Signaux continus Professeur K.BENKIRANE
1
4 0.2π
0
An
φn
2
-1
-0.45π
0 -2
0 2 4 6 0 2 4 6
La forme complexe :
e jω 0 t 1
s(t) = 4 + 3 + e j 0.2π e j 3ω0t + e − j 0.45π e j 5ω0t
2 2
− jω 0 t
3e 1
+ + e − j 0.2π e − j 3ω0t + e + j 0.45π e − j 5ω0t
2 2
2
4
Cn
φn
0
2
0 -2
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
∞
Ps = ∑C = 4 2 + 2(1.5 2 + 12 + 0.5 2 ) = 23V 2
2
n
n = −∞
32
Signaux continus Professeur K.BENKIRANE
33
Signaux continus Professeur K.BENKIRANE
34
Signaux continus Professeur K.BENKIRANE
35
Signaux continus Professeur K.BENKIRANE
36
Signaux continus Professeur K.BENKIRANE
Exemple
Soit à représenter la densité spectrale du signal suivant :
𝑡𝑡
𝑠𝑠(𝑡𝑡) = 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 � �
𝑇𝑇
𝑆𝑆(𝑓𝑓) = 𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇𝑇(𝜋𝜋𝜋𝜋𝜋𝜋)
Théorème de Wiener-Khintchine
+∞
𝑆𝑆𝑥𝑥𝑥𝑥 (𝑓𝑓) = � 𝐶𝐶𝑥𝑥𝑥𝑥 (𝜏𝜏) 𝑒𝑒 −𝑗𝑗 2𝜋𝜋𝜋𝜋𝜋𝜋 𝑑𝑑𝑑𝑑
−∞
+∞
𝐶𝐶𝑥𝑥𝑥𝑥 (𝜏𝜏) = � 𝑆𝑆𝑥𝑥𝑥𝑥 (𝑓𝑓) 𝑒𝑒 𝑗𝑗 2𝜋𝜋𝜋𝜋𝜋𝜋 𝑑𝑑𝑑𝑑
−∞
37
Signaux continus Professeur K.BENKIRANE
+∞ +∞
𝐶𝐶𝑥𝑥𝑥𝑥 (0) = � |x(t)|2 d t = Ex =� |X(f)|2 d f Energie de x(t)
−∞ −∞
C'est pour cette raison que, 𝑆𝑆𝑥𝑥𝑥𝑥 (𝑓𝑓)(= |X(f)|2 ) est appelée : densité spectrale
d'énergie ou spectre d'énergie du signal x(t).
𝑇𝑇𝑇𝑇 −1 {𝑆𝑆𝑥𝑥𝑥𝑥 (𝑓𝑓)} = 𝑇𝑇𝑇𝑇 −1 {|𝑋𝑋(𝑓𝑓)|2 } = 𝑇𝑇𝑇𝑇 −1 {𝑋𝑋(𝑓𝑓). 𝑋𝑋 ∗ (𝑓𝑓)} = 𝐶𝐶𝑥𝑥𝑥𝑥 (𝜏𝜏)
En effet
+∞
−1 ∗
𝑇𝑇𝑇𝑇 �𝑋𝑋(𝑓𝑓). 𝑋𝑋 (𝑓𝑓)� = 𝑥𝑥(𝑡𝑡) ∗ 𝑥𝑥 ∗ (−𝑡𝑡)
=� x(t ). x ∗ (t − τ )d t = 𝐶𝐶𝑥𝑥𝑥𝑥 (𝜏𝜏)
−∞
Pour 𝜏𝜏 = 0, on obtient :
𝑇𝑇
+∞
1 2
Px(t) = 𝐶𝐶𝑥𝑥𝑥𝑥 (0) = lim � |x(t)|2 d t = � 𝑆𝑆𝑥𝑥𝑥𝑥 (𝑓𝑓) 𝑑𝑑𝑑𝑑
𝑇𝑇→+∞ 𝑇𝑇 −𝑇𝑇 −∞
2
Remarque :
+∞
𝑪𝑪𝒙𝒙𝒙𝒙 (𝝉𝝉) = � 𝑺𝑺𝒙𝒙𝒙𝒙 (𝒇𝒇) 𝒆𝒆𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋 𝒅𝒅𝒅𝒅
−∞
+∞
38
Signaux continus Professeur K.BENKIRANE
Exemple :
En développant, on a :
𝐴𝐴 𝑗𝑗𝑗𝑗
𝑐𝑐1 = −𝑐𝑐−1 = 𝑒𝑒
2𝑗𝑗
𝐴𝐴2 𝐴𝐴2
𝛾𝛾𝑠𝑠 (𝑓𝑓) = 𝛿𝛿(𝑓𝑓 − 𝑓𝑓0 ) + 𝛿𝛿(𝑓𝑓 + 𝑓𝑓0 )
4 4
39
Signaux continus Professeur K.BENKIRANE
Le système est dit linéaire si à l'entrée : 𝒆𝒆(𝒕𝒕) = ∑𝒊𝒊 𝒂𝒂𝒊𝒊 𝒆𝒆𝒊𝒊 (𝒕𝒕) correspond la
réponse : 𝒔𝒔(𝒕𝒕) = ∑𝒋𝒋 𝒃𝒃𝒋𝒋 𝒔𝒔𝒋𝒋 (𝒕𝒕)
Il est dit invariant dans le temps si :
à l'entrée e(t-t 0 ) correspond la sortie s(t-t 0 ).
Le système linéaire est défini temporellement par sa réponse impulsionnelle h(t),
et fréquentiellement par sa réponse harmonique (fonction de transfert) H(f)
On appelle réponse impulsionnelle d’un système, la réponse du système à l’entrée
particulière e(t) =δ(t).
40
Signaux continus Professeur K.BENKIRANE
41
Signaux continus Professeur K.BENKIRANE
42
Signaux continus Professeur K.BENKIRANE
𝜑𝜑(𝜔𝜔)
𝑡𝑡𝜑𝜑 = −
𝜔𝜔
Il représente le temps correspondant à la phase, pour une fréquence donnée. Le
retard de groupe est défini par :
𝑑𝑑𝑑𝑑(𝜔𝜔)
𝑡𝑡𝑔𝑔 = −
𝑑𝑑𝑑𝑑
Il traduit la variation de la phase par rapport à la fréquence.
Si la phase n’est pas constante en fonction de la fréquence, cela se traduit par
une déformation du signal ; en effet, les composantes harmoniques ne subissent
pas toutes le même retard. Si la phase est linéaire, 𝑡𝑡𝑔𝑔 est constant et le signal ne
subit pas de déformation. Or, dans de nombreux cas, la phase φ(ω) est définie
par une fonction "arctg", et donc n’est pas linéaire. Le retard de groupe,
également temps de propagation de groupe, correspond au temps mis par
l’énergie du signal pour traverser le filtre.
4) Filtres réels
Contrairement aux filtres idéaux, les filtres causaux doivent posséder entre une
bande passante et une bande d’atténuation une bande dite de transition. Ces
bandes sont en général définies a travers un gabarit fréquentiel sur le module
de la réponse fréquentielle du filtre, voir par exemple pour un filtre passe-bas.
43
Signaux continus Professeur K.BENKIRANE
𝟏𝟏
𝑯𝑯(𝒇𝒇) =
𝒇𝒇 𝒏𝒏
𝟏𝟏 + �𝒋𝒋 �
𝒇𝒇𝒄𝒄
𝟏𝟏
|𝑯𝑯(𝒇𝒇)| =
𝟐𝟐𝟐𝟐
�𝟏𝟏 + � 𝒇𝒇 �
𝒇𝒇𝒄𝒄
Où n est l’ordre du filtre,
44
Signaux continus Professeur K.BENKIRANE
45
Signaux continus Professeur K.BENKIRANE
46
Signaux continus Professeur K.BENKIRANE
Les filtres elliptiques sont caractérisés par des oscillations à la fois dans la
bande passante et dans la bande coupée. Ils permettent d’obtenir une
décroissance plus rapide que les 2 types précédents, avec un ordre inférieur.
Ceci au détriment dune complexité plus grande de conception. Ses coefficients
peuvent être déterminés par des méthodes numériques.
47
Signaux continus Professeur K.BENKIRANE
n = 5; % Ordre du filtre
wn = 1; % Pulsation de coupure en rad/s
% Calcul du filtre de Butterworth
[Bb,Ab] = butter(n, wn,’s’);
% Bb est le vecteur des coefficients du polynome num´erateur dont les
% termes sont ´ecrits par puissance d´ecroissante
% Ab est le vecteur des coefficients du polynome denominateur dont les
% termes sont ´ecrits par puissance d´ecroissante
% Calcul de la r´eponse fr´equentielle du filtre de Butterworth
w = 0:.001:3;
% vecteur de pulsations pour lesquelles la r´eponse fr´equentielle est
% calcul´ee.
Hb = freqs(Bb, Ab, w); % Calcul de la r´eponse fr´equentielle
figure
plot(w, abs(Hb), ’:’);
% R´epr´esentation du module de la r´eponse fr´equentielle en fonction de la
% pulsation
hold on
% Calcul du filtre de Chebyshev de type I
Rp = .5;
% Fixe l’amplitude des oscillations de l’amplitude de la r´eponse
% fr´equentielle dans la bande passante. unit´e dB
[Bc1,Ac1] = cheby1(n, Rp, wn, ’s’);
% Calcul du filtre de Chebyshev analogique de type I
48
Signaux continus Professeur K.BENKIRANE
49
Signaux continus Professeur K.BENKIRANE
1) Fenêtrage
1.a) Définition
De façon symétrique au filtrage fréquentiel, réaliser un « filtrage temporel »,
que l’on désignera par le terme de fenêtrage, consiste a transmettre un signal
dans certains intervalles de temps et a l’atténuer voire le supprimer dans
d’autres intervalles de temps.
Ainsi, pour observer un signal sur une durée finie, on le multiplie par une
fonction fenêtre d'observation 𝒉𝒉(𝒕𝒕) (également appelée fenêtre de pondération
0T
50
Signaux continus Professeur K.BENKIRANE
2t T
⎧ si t ∈ �0, �
⎪ T 2
h(t) = 2(T − t) T
⎨ si t ∈ � , T�
⎪ T 2
⎩ 0 sinon
c) Fenêtre de Hann :
Elle est décrite par l’expression suivante :
𝑡𝑡
ℎ(𝑡𝑡) = �0.5 − 0.5 cos �2𝜋𝜋 𝑇𝑇� 𝑠𝑠𝑠𝑠 𝑡𝑡 ∈ [0, 𝑇𝑇]
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
d) Fenêtre de Hamming :
Elle est décrite par l’expression suivante :
𝑡𝑡
ℎ(𝑡𝑡) = � 0.54 − 0.46 cos �2𝜋𝜋 � 𝑠𝑠𝑠𝑠 𝑡𝑡 ∈ [0, 𝑇𝑇]
𝑇𝑇
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
e) Fenêtre de Blackman :
Elle est décrite par l’expression suivante :
𝑡𝑡 𝑡𝑡
ℎ(𝑡𝑡) = �0.42 − 0.5 cos �2𝜋𝜋 𝑇𝑇� + 0.08 cos �4𝜋𝜋 𝑇𝑇� 𝑠𝑠𝑠𝑠 𝑡𝑡 ∈ [0, 𝑇𝑇]
0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠
51
Signaux continus Professeur K.BENKIRANE
Bande
Perte au pire des cas
Fenêtre Lobe2aire (dB) Pente (dB/oct) passante
(dB)
(bins)
Rectangulaire -13 -6 1.21 3.92
Triangulaire -27 -12 1.78 3.07
Hann -32 -18 2.00 3.18
Hamming -43 -6 1.81 3.10
Blackman-
-67 -6 1.81 3.45
Harris 3
52
Signaux continus Professeur K.BENKIRANE
0 0 0 0
0 200 400 600 0 200 400 600 0 200 400 600 0 200 400 600
spectre de hanning spectre de blackman spectre de bartlett spectre de hamming
300 300 300 300
0 0 0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
sin(t)*hann sin(t)*blackman sin(t)*hamming sin(t)*bartlett
1 1 1 1
0 0 0 0
-1 -1 -1 -1
0 200 400 600 0 200 400 600 0 200 400 600 0 200 400 600
spectre de sin*hann spectre de sin*blackman
150 150 spectre de sin*hamming spectre de sin*bartlett
150 150
100 100
100 100
50 50 50 50
0 0 0 0
0 100 200 300 400 500 0 100 200 300 400 500 0 100 200 300 400 500 0 100 200 300 400 500
53
Signaux continus Professeur K.BENKIRANE
fenêtre rectangulaire
2
0
0 100 200 300 400 500 600
spectre rectangulaire
1000
500
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
sin(t)*rect
1
-1
0 100 200 300 400 500 600
spectre de sin*rect
400
200
0
0 50 100 150 200 250 300 350 400 450 500
2) Echantillonnage
54
Signaux continus Professeur K.BENKIRANE
a) Echantillonnage idéal
Le signal échantillonné idéalement x e (t) s’écrit :
+∞ +∞
𝑥𝑥𝑒𝑒 (𝑡𝑡) = 𝑥𝑥(𝑡𝑡). ш𝑇𝑇𝑇𝑇 = 𝑥𝑥(𝑡𝑡). � 𝛿𝛿(𝑡𝑡 − 𝑛𝑛𝑇𝑇𝑒𝑒 ) = � 𝑥𝑥(𝑛𝑛𝑇𝑇𝑒𝑒 )𝛿𝛿(𝑡𝑡 − 𝑛𝑛𝑇𝑇𝑒𝑒 )
𝑛𝑛=−∞ 𝑛𝑛=−∞
Remarques :
55
Signaux continus Professeur K.BENKIRANE
Exemple : la parole.
Le spectre des sons audibles s'étend jusqu'à environ20kHz. Dans le cas des CD
audio, le signal est échantillonné à 44.1 kHz, alors que dans le cas du téléphone
numérique le signal est échantillonné à 8 kHz seulement. En effet, en téléphonie,
on estime que le message est compréhensible pourvu que les composantes basses
fréquences soient transmises correctement alors que l’on veut conserver tous les
harmoniques pour avoir un son de qualité en audio. On limite ainsi le spectre à
22.05 kHz pour un CD audio et à 4 kHz pour la téléphonie (3.4kHz en pratique).
56
Signaux continus Professeur K.BENKIRANE
Le spectre X(f) du signal analogique x(t) peut être facilement extrait du spectre
Xe(f) par troncature c.a.d. en multipliant celui-ci par une fenêtre carrée
d'amplitude 1 et qui s'étend de –fe /2 à + fe /2.
𝑓𝑓
𝑋𝑋(𝑓𝑓) = 𝑇𝑇𝑒𝑒 . 𝑋𝑋𝑒𝑒 (𝑓𝑓). 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟( )
𝑓𝑓𝑓𝑓
57
Signaux continus Professeur K.BENKIRANE
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02
2-% Echantillonage
clear
close all
Fe=8000; %Frq d'échantillonage
Fo=50; %Frq du signal
t1=2/Fo; %Abscisse de 2eme periode
k=[0:1/Fe:t1]; %Le nombre de d'echantillons
s= sin (2*pi*Fo*k); %Le signal
plot(k,s); %Traçage du signal
N=length(s);
f=[0:N-1]*Fe/N; % L'echelle en frequence
F1=fft(z); %FFT du signal bruité
F2=fft(s); %FFT du sinus
58
Signaux continus Professeur K.BENKIRANE
200
150
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000
200
150 X: 49.84
Y: 160.2
100
50
0
0 1000 2000 3000 4000 5000 6000 7000 8000
c) Echantillonnage réel
59
Signaux continus Professeur K.BENKIRANE
𝑘𝑘=+∞
𝜏𝜏
𝑋𝑋𝑒𝑒 (𝑓𝑓) = � 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠(𝑘𝑘𝑘𝑘𝑓𝑓𝑒𝑒 ). 𝑋𝑋(𝑓𝑓 − 𝑘𝑘𝑓𝑓𝑒𝑒 )
𝑇𝑇𝑒𝑒
𝑘𝑘=−∞
Remarque :
3) Modulation
60
Signaux continus Professeur K.BENKIRANE
𝒎𝒎𝒎𝒎
𝒔𝒔𝑨𝑨𝑨𝑨 (𝒕𝒕) = 𝑨𝑨. 𝒄𝒄𝒄𝒄𝒄𝒄(𝛀𝛀 𝐭𝐭) + [𝒄𝒄𝒄𝒄𝒄𝒄(𝛀𝛀 + 𝛚𝛚)𝒕𝒕 + 𝒄𝒄𝒄𝒄𝒄𝒄(𝛀𝛀 − 𝛚𝛚)𝒕𝒕]
𝟐𝟐
𝐀𝐀
𝐒𝐒𝐀𝐀𝐀𝐀 (𝐟𝐟) = �𝛅𝛅�𝐟𝐟 − 𝐟𝐟𝐩𝐩 � + 𝛅𝛅�𝐟𝐟 + 𝐟𝐟𝐩𝐩 ��
𝟐𝟐
𝐦𝐦𝐦𝐦
+ �𝛅𝛅�𝐟𝐟 − 𝐟𝐟𝐩𝐩 − 𝐟𝐟𝐁𝐁𝐁𝐁 � + 𝛅𝛅�𝐟𝐟 + 𝐟𝐟𝐩𝐩 − 𝐟𝐟𝐁𝐁𝐁𝐁 � + 𝛅𝛅�𝐟𝐟 − 𝐟𝐟𝐩𝐩 + 𝐟𝐟𝐁𝐁𝐁𝐁 �
𝟒𝟒
+ 𝛅𝛅�𝐟𝐟 + 𝐟𝐟𝐩𝐩 + 𝐟𝐟𝐁𝐁𝐁𝐁 ��
61
Signaux continus Professeur K.BENKIRANE
62
Signaux continus Professeur K.BENKIRANE
Les signaux aléatoires sont des signaux qu’on ne peut prédire complètement
avant de les avoir observés. Ils sont à opposer aux signaux déterministes, qui,
moyennant la donnée d’un certain nombre de conditions initiales, sont
parfaitement prévisibles. Les signaux aléatoires, comme les signaux
déterministes peuvent servir de support physique à l’information.
Exemples : bruits en électronique (thermiques, de grenaille, etc.) ; fluctuations
observées dans les résultats de la mesure d’un paramètre physique ; signaux de
parole; signaux biologiques : EEG, ECG, Bourse ...
Un signal aléatoire X(t, ξ) peut être considéré sous deux points de vue :
Le point de vue temporelle
Le point de vue statistique
63
Signaux continus Professeur K.BENKIRANE
Remarque :
2. Définition
Une variable aléatoire X est une quantité dont la valeur x dépend du hasard
par l’intermédiaire d’une loi de probabilité ou une distribution p X (x).
𝑥𝑥
𝐹𝐹𝑋𝑋 (𝑥𝑥) = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃[𝑋𝑋 ≤ 𝑥𝑥] = 𝑝𝑝(𝑋𝑋 ≤ 𝑥𝑥) = � 𝑝𝑝(𝑥𝑥) . 𝑑𝑑𝑑𝑑
−∞
Au lieu de dresser la liste des évènements possibles, affectés chacun de
leur probabilité, on préfère souvent exprimer la probabilité pour que la
variable aléatoire soit inférieure à 1 seuil.
Densité de probabilité :
La densité de probabilité p x mène à la probabilité pour que la variable aléatoire X
prenne des valeurs comprises entre x et x + dx :
𝑝𝑝𝑋𝑋 (𝑥𝑥)𝑑𝑑𝑑𝑑 = 𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃(𝑥𝑥 ≤ 𝑋𝑋 ≤ 𝑥𝑥 + 𝑑𝑑𝑑𝑑) = 𝑑𝑑𝑑𝑑𝑋𝑋 (𝑥𝑥)
64
Signaux continus Professeur K.BENKIRANE
65
Signaux continus Professeur K.BENKIRANE
Exemple :
4. Corrélation statistique
Pour un instant t 0 fixé, le processus aléatoire X(t, ξ) devient une variable
aléatoire X(t 0 , ξ)
Γ𝑥𝑥 (𝜏𝜏 ) = R 𝑥𝑥𝑥𝑥 (𝑡𝑡1 , 𝑡𝑡2 , ξ) = 〈𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)〉 = 𝐸𝐸[𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)]
66
Signaux continus Professeur K.BENKIRANE
5. Ergodisme
Un processus aléatoire est dit ergodique lorsque les moyennes temporelles de
tous les échantillons existent et sont indépendantes de l’échantillon.
Un signal aléatoire est dit ergodique si ses valeurs moyennes statistiques sont
identiques à ses valeurs moyennes temporelles.
Les moyennes temporelles se confondent avec les moments statistiques :
𝑇𝑇
1 2
< 𝑥𝑥 >= lim � 𝑥𝑥(𝑡𝑡). 𝑑𝑑𝑑𝑑 = 𝐸𝐸[𝑋𝑋]
𝑇𝑇→∞ 𝑇𝑇 −𝑇𝑇
2
𝑇𝑇
1 2
< 𝑥𝑥 2 >= lim � 𝑥𝑥 2 (𝑡𝑡). 𝑑𝑑𝑑𝑑 = 𝐸𝐸[𝑋𝑋 2 ]
𝑇𝑇→∞ 𝑇𝑇 −𝑇𝑇
2
𝑇𝑇
1 2
< 𝑋𝑋(𝑡𝑡, 𝜉𝜉0 ) >= lim � 𝑋𝑋(𝑡𝑡, 𝜉𝜉0 ). 𝑑𝑑𝑑𝑑 = 𝐸𝐸[𝑋𝑋(𝑡𝑡, 𝜉𝜉0 )]
𝑇𝑇→∞ 𝑇𝑇 −𝑇𝑇
2
𝑇𝑇
1 2
Γ𝑥𝑥𝑥𝑥 (𝜏𝜏, ξ0 ) = 〈𝑋𝑋(𝑡𝑡, ξ0 ). 𝑋𝑋(𝑡𝑡 − 𝜏𝜏, ξ0 )〉 = lim � 𝑋𝑋(𝑡𝑡, ξ0 ). 𝑋𝑋(𝑡𝑡 − 𝜏𝜏, ξ0 )𝑑𝑑𝑑𝑑
𝑇𝑇→∞ 𝑇𝑇 −𝑇𝑇
2
= 𝐸𝐸[𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)]
67
Signaux continus Professeur K.BENKIRANE
Autocorrélation statistique
La fonction d’autocorrélation statistique d’un signal aléatoire X(t) est définie
par :
Γ𝑥𝑥 (𝜏𝜏 ) = R 𝑥𝑥𝑥𝑥 (𝑡𝑡1 , 𝑡𝑡2 , ξ) = 〈𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)〉 = 𝐸𝐸[𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)]
+∞ +∞
Γ𝑥𝑥 (𝑡𝑡1 , 𝑡𝑡2 ) = � � 𝑋𝑋(𝑡𝑡1 ) . 𝑋𝑋(𝑡𝑡2 ). 𝑝𝑝(𝑥𝑥1 , 𝑡𝑡1 ; 𝑥𝑥2 , 𝑡𝑡2 ) 𝑑𝑑𝑥𝑥1 𝑑𝑑𝑥𝑥2
−∞ −∞
= 〈𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)〉 = 𝐸𝐸[𝑋𝑋(𝑡𝑡1 , ξ). 𝑋𝑋(𝑡𝑡2 , ξ)]
68
Signaux continus Professeur K.BENKIRANE
+∞
𝑹𝑹𝒙𝒙 (𝝉𝝉) = � 𝑺𝑺𝒙𝒙 (𝒇𝒇) 𝒆𝒆𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋𝒋 𝒅𝒅𝒅𝒅
−∞
On aura alors :
+∞
𝟐𝟐
𝑬𝑬�𝑿𝑿 � = 𝑹𝑹𝒙𝒙 (𝟎𝟎) = � 𝑺𝑺𝒙𝒙 (𝒇𝒇) 𝒅𝒅𝒅𝒅
−∞
Exemple 1
On considère le signal aléatoire défini par :
𝐴𝐴 𝑒𝑒𝑒𝑒 𝜔𝜔 sont des constantes, alors que la phase 𝜑𝜑 est une variable aléatoire
répartie uniformément sur [0, 2Π]
On s’intéresse au signal sinusoïdal à phase aléatoire Φ. Étudions la stationnarité
et l’ergodisme de X(t). Le caractère aléatoire de X(t) est uniquement dû à la
variable aléatoire Φ dont on cherchera sa densité de probabilité.
69
Signaux continus Professeur K.BENKIRANE
𝑋𝑋(𝑡𝑡) = 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴[∅(𝑡𝑡)] ≤ 𝑥𝑥
70
Signaux continus Professeur K.BENKIRANE
71
Signaux continus Professeur K.BENKIRANE
72
Signaux continus Professeur K.BENKIRANE
Exemple 2
Considérons le signal aléatoire défini par :
𝑋𝑋(𝑡𝑡) = 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴(𝜔𝜔𝜔𝜔)
Le moment d’ordre 2 n’est pas indépendant du temps. Le signal n’est donc pas
stationnaire.
• Maintenant, comparons ces moyennes statistiques aux moyennes
temporelles évaluées sur un échantillon :
73
Signaux continus Professeur K.BENKIRANE
Exemple 3
Le signal est donc stationnaire d’ordre 2. Il est évident que les moments
d’ordres supérieurs sont également indépendants du temps, il est donc
stationnaire au sens strict.
• Calcul des moyennes temporelles
Or
74
Signaux continus Professeur K.BENKIRANE
Pour 𝜏𝜏 positif, le premier cas correspond à 𝑡𝑡𝑛𝑛 < 𝑡𝑡 < 𝑡𝑡𝑛𝑛 +1 − 𝜏𝜏 , et pour t négatif
cela correspond à 𝑡𝑡𝑛𝑛 + 𝜏𝜏 < 𝑡𝑡 < 𝑡𝑡𝑛𝑛 +1 . Nous sommes donc dans le premier cas si t se
trouve dans un intervalle de temps de largeur de ∆𝑡𝑡 − 𝜏𝜏. Nous pouvons donc
écrire :
75
Signaux continus Professeur K.BENKIRANE
76
Signaux continus Professeur K.BENKIRANE
Une source binaire x(t) émet un bit par T seconde (débit binaire D=1/T
bits/s). 0 correspond à une tension x 0 et 1 à une tension x 1 .
𝑓𝑓
𝑆𝑆𝑥𝑥 (𝑓𝑓) = 𝜎𝜎𝑋𝑋2 𝑇𝑇𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 2 � � + 〈𝑥𝑥〉2 𝛿𝛿(𝑓𝑓)
𝐷𝐷
Avec 〈𝑥𝑥〉 = 𝑝𝑝. 𝑥𝑥0 + (1 − 𝑝𝑝)𝑥𝑥1 et 𝜎𝜎𝑋𝑋2 = 𝑝𝑝. 𝑥𝑥02 + (1 − 𝑝𝑝). 𝑥𝑥12 − 〈𝑥𝑥〉2
77
Signaux continus Professeur K.BENKIRANE
La puissance d’un tel processus étant infinie celui-ci n’est pas réalisable
physiquement :
+∞
� 𝑺𝑺𝑿𝑿 (𝒇𝒇) 𝒅𝒅𝒅𝒅 = ∞
−∞
Deux cas se présentent selon que la borne inférieure est nulle ou non.
Spectre de type passe-bas
𝐹𝐹1 = 0 𝑒𝑒𝑒𝑒 𝐵𝐵𝐹𝐹 = 𝐹𝐹2
Nous avons :
𝐵𝐵
𝑅𝑅𝑋𝑋 (𝜏𝜏) = ∫−𝐵𝐵𝐹𝐹 𝐴𝐴𝑒𝑒 𝑗𝑗 2𝜋𝜋𝜋𝜋𝜋𝜋 𝑑𝑑𝑑𝑑 = 2𝐴𝐴𝐵𝐵𝐹𝐹 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠(2𝜋𝜋𝐵𝐵𝐹𝐹 𝜏𝜏)
𝐹𝐹
Densité spectrale d’un bruit blanc à Fonction d’autocorrélation d’un bruit blanc à
bande passante limitée du type passe-bas bande passante limitée du type passe-bas
78
Signaux continus Professeur K.BENKIRANE
Densité spectrale d’un bruit blanc à bande Fonction d’autocorrélation d’un bruit blanc
passante limitée du type passe-bande à bande passante limitée du type passe-bande
+∞
𝑅𝑅𝑥𝑥 (𝜏𝜏) = � 𝑆𝑆𝑥𝑥 (𝑓𝑓) 𝑒𝑒 𝑗𝑗 2𝜋𝜋𝜋𝜋𝜋𝜋 𝑑𝑑𝑑𝑑
−∞
79
Signaux continus Professeur K.BENKIRANE
BIBLIOGRAPHIE
80
Signaux continus Professeur K.BENKIRANE
81