FORMULAIRE POUR LA THÉORIE DU SIGNAL

Christian JUTTEN

Laboratoire GIPSA, Département Signal et Images (CNRS, INPG, UJF), Grenoble, France
Christian.Jutten@inpg.fr

1. FORMULES TRIGONOMÉTRIQUES 2. MODÈLES MATHÉMATIQUES DE SIGNAUX

1.1. Somme et différence d’angles 2.1. Signaux simples

• sin(α + β) = sin α cos β + cos α sin β, • rect[(t−τ )/T ] : fonction rectangle centrée sur τ , d’amplitude
• sin(α − β) = sin α cos β − cos α sin β, 1 et de largeur T (l’aire vaut T ),

• cos(α + β) = cos α cos β − sin α sin β, • tri[(t−τ )/T ] : fonction triangle centrée sur τ , d’amplitude
1 et de largeur 2T (l’aire vaut T ),
• cos(α − β) = cos α cos β + sin α sin β.
• δ(t) : distribution de Dirac, satisfaisant δ(t) = 0 pour
1.2. Expression en fonction des angles doubles R +∞
t 6= 0, et −∞ δ(t)dt = 1,
• 2 sin2 α = 1 − cos 2α,
sin(πu)
• sinc(u) = πu : sinus cardinal de u (son aire vaut
• 2 cos2 α = 1 + cos 2α, 1).
• 2 sin α cos α = sin 2α.
2.2. Opérateur de répétition
1.3. Produits de fonctions trigonométriques
• repT (.) : répétition de . avec une période T ,
• 2 sin α sin β = cos(α − β) − cos(α + β),
P+∞
• 2 cos α cos β = cos(α − β) + cos(α + β), • repT (x(t)) = k=−∞ x(t − kT ),

• 2 sin α cos β = sin(α − β) + sin(α + β). • repT (δ(t)) = δT (t) =

P+∞
δ(t − kT ) : peigne de
k=−∞
Dirac.
1.4. Somme et différence de fonctions trigonométriques
• sin α + sin β = 2 sin[(α + β)/2] cos[(α − β)/2], 2.3. Opérateur de convolution
• sin α − sin β = 2 sin[(α − β)/2] cos[(α + β)/2], Définition
• cos α + cos β = 2 cos[(α + β)/2] cos[(α − β)/2], R +∞
• x(t) ∗ y(t) = (x ∗ y)(t) = −∞
x(u)y(t − u)du =
• cos α − cos β = −2 sin[(α + β)/2] sin[(α − β)/2]. R +∞
x(t − v)y(v)dv,
−∞

1.5. Formes exponentielles • x(t) ∗ y(t − t0 ) =

R +∞
x(u)y(t − u − t0 )du = (x ∗
−∞
• exp(jα) = cos α + j sin α, avec j 2 = −1, y)(t − t0 ),
exp(jα)−exp(−jα) R +∞
• sin α = 2j , • x(t) ∗ y(at + b) = x(u)y(a(t − u) + b)du
−∞
exp(jα)+exp(−jα)
• cos α = 2 . Propriétés

1.6. Développements limités • Commutativité : x(t) ∗ y(t) = y(t) ∗ x(t),

• sin α = α − α3 /3! + α5 /5! . . . + (−1)p α2p+1 /(2p + • Associativité : [x(t)∗y(t)]∗z(t) = x(t)∗[y(t)∗z(t)] =

1)! + . . ., x(t) ∗ y(t) ∗ z(t),
• cos α = 1− α2 /2! + α4 /4! . . . + (−1)p α2p /(2p)! + . . .,
• Distributivité par rapport à l’addition : x(t) ∗ [y(t) +
• exp α = 1 + α + α2 /2! + . . . + αk /k! + . . .. z(t)] = x(t) ∗ y(t) + x(t) ∗ z(t)
2.4. Propriétés de la distribution de Dirac δ(t) 4.5. Développement en séries de Fourier (DSF) dans L2 (t1 , t1 +
R +∞ T)
• x(t0 ) = −∞ x(t)δ(t − t0 )dt
On utilise ψk (t) = exp j2π Tk t .


• x(t) ∗ δ(t) = x(t),
P+∞
• x(t) = k=1 αk exp j2π Tk t ,


• x(t) ∗ δ(t − t0 ) = x(t − t0 ),
R t +T
• λkk = t11 | exp j2π Tk t |2 dt = T ,


• x(t − t1 ) ∗ δ(t − t2 ) = x(t − t1 − t2 ),
R t1 +T
• δ(at) = |a|−1 δ(t). • αk = λ1kk hx, exp j2π Tk t i = 1


T t1
x(t) exp −
j2π Tk t dt.

3. VALEUR MOYENNE TEMPORELLE, ÉNERGIE

ET PUISSANCE
5. TRANSFORMÉES DE FOURIER
R +T /2
• x̄ = limT →+∞ T1 −T /2 x(t)dt : moyenne.
5.1. Transformée de fonctions sommables
Signaux réels
R des fonctions x(t) bornées et absolument sommables
Pour
R +∞ ( |x(t)|dt < +∞), on définit la transformée de Fourier (TF),
• Wx = −∞ x2 (t)dt : énergie,
notée X(f ) :
1
R +T /2
• Px = limT →+∞ T −T /2
x2 (t)dt : puissance. Z +∞
x(t) ⇋ X(f ) = x(t) exp(−j2πf t)dt.
Signaux complexes −∞
R +∞
• Wx = −∞ |x(t)|2 dt : énergie, De même, étant donnée X(f ), on peut calculer x(t) par trans-
formée de Fourier inverse :
1
R +T /2
• Px = limT →+∞ T −T /2
|x(t)|2 dt : puissance. Z +∞
X(f ) ⇌ x(t) = X(f ) exp(+j2πf t)df.
−∞
4. REPRÉSENTATION VECTORIELLE
5.2. Notations
On considère des signaux x(t) et y(t) dans l’espace L2 (t1 , t2 ).
On notera
4.1. Distance euclidienne • x(t) ⇋ X(f ),
hR i1/2
t2
• d(x, y) = kx − yk = t1
|x(t) − y(t)|2 dt • X(f ) = F{x(t)} : transformée de Fourier,

• d(x, y)2 = kxk2 + kyk2 − 2ℜhx, yi • x(t) = F −1 {X(f )} : transformée de Fourier inverse.
hR i
t
• kxk2 = t12 |x(t)|2 dt , 5.3. Propriétés

• hx, yi =
R t2
x(t)y ∗ (t)dt. • La TF est linéaire : ax(t) + by(t) ⇋ aX(f ) + bY (f )
t1
• La TF conserve la parité.
4.2. Inégalité de Schwartz
• Si la fonction x(t) est réelle (imaginaire, resp.) im-
• |hx, yi|2 ≤ hx, xi.hy, yi, paire, X(f ) est imaginaire (réelle, resp.) impaire.
R 2 R
 t t Rt
•  t12 x(t)y ∗ (t)dt ≤ t12 |x(t)|2 dt. t12 |y(t)|2 dt.

5.4. Règles de calculs
Soit une fonction x(t), telle que x(t) ⇋ X(f ).
4.3. Orthogonalité de x(t) et y(t)
Rt • x(−t) ⇋ X(−f ) : retournement temporel,
• hx, yi = t12 x(t)y ∗ (t)dt = 0.
• x∗ (t) ⇋ X ∗ (−f ) : complexe conjuguée,
4.4. Développement sur une base orthogonale {ψk (t)}
P+∞ • x(at) ⇋ |a|−1 X(f /a) : effet Doppler,
• x(t) = k=1 αk ψk (t),
• x(t − t0 ) ⇋ X(f ) exp(−j2πf t0 ) : translation tem-
Rt
• αk = λ1kk hx, ψk i = λ1kk t12 x(t)ψk∗ (t)dt, porelle,
Rt
• λkk = hψk , ψk i = kψk k2 = t12 |ψk (t)|2 dt, • x(t) exp(j2πf0 t) ⇋ X(f −f0 ) : translation en fréquence
ou modulation,
Rt P+∞
• t12 |x(t)|2 dt = k=1 |αk |2 λkk . • dn
⇋ (j2πf )n X(f ) : dérivation sur t.
dtn x(t)
Soient deux fonctions x(t) et y(t), telles que x(t) ⇋ X(f ) et 5.8.2. Transformées de Fourier
y(t) ⇋ Y (f ), on montre le Théorème de Plancherel :
Les transformées de Fourier de signaux périodiques sont des
• x(t) ∗ y(t) ⇋ X(f )Y (f ), spectres de raies, aux fréquences n/∆, dont l’enveloppe spec-
trale est la transformée de Fourier d’une période du signal di-
• x(t)y(t) ⇋ X(f ) ∗ Y (f ). visée par la période ∆.
P+∞
• X(f ) = n=−∞ Xn δ(f − n/∆), avec Xn défini ci-
5.5. Transformées de Fourier de quelques signaux usuels
dessus,
• rect(t/T ) ⇋ T sinc(f T ) : fonction rectangle, P+∞
• Y (f ) = n=−∞ Yn δ(f − n/∆), avec Yn défini ci-
• tri(t/T ) ⇋ T sinc2 (f T ) : fonction triangle, dessus.
1
• exp(−at)ǫ(t) ⇋ a+j2πf : impulsion exponentielle 5.8.3. Transformées de signaux périodiques usuels
unilatérale,
• cos(2πf0 t) ⇋ 21 [δ(f + f0 ) + δ(f − f0 )] : signal cosi-
2a
• exp(−a|t|) ⇋ a2 +(2πf )2 : impulsion exponentielle nusoïdal,
double,
• sin(2πf0 t) ⇋ 2j [δ(f + f0 ) − δ(f − f0 )] : signal sinu-
2 2
• exp(−πt ) ⇋ exp(−πf ) : impulsion gaussienne, soïdal,
2πf0
• exp(−at) sin(2πf0 t)ǫ(t) ⇋ (a+j2πf )2 +(2πf0 )2 : sinu- • exp(j2πf0 t) ⇋ δ(f − f0 ) : phaseur à la fréquence f0 ,
soïde amortie, P 1
P
• k δ(t−k∆) ⇋ ∆ n δ(f −n/∆) : peigne de Dirac,
a+j2πf0
• exp(−at) cos(2πf0 t)ǫ(t) ⇋ (a+j2πf )2 +(2πf0 )2 : cosi- 1
nusoïde amortie. • δ∆ (t) ⇋ ∆ δ1/∆ (f ) : peigne de Dirac avec les nota-
tions abrégées,
P+∞ P+∞
5.6. Transformées de Fourier de distributions • n=−∞ Xn exp(j2πnt/∆) ⇋ n=−∞ Xn δ(f −n/∆):
1 δ(f ) signal x(t) périodique,
• ǫ(t) ⇋ j2πf + 2 : échelon unité,
P+∞
• Arep∆ {rect(t/θ} ⇋ n=−∞ Xn δ(f −n/∆) avec Xn =
1
• sgn(t) ⇋ : fonction signe, Aθ
∆ sinc(nθ/∆).
jπf

• δ(t) ⇋ 1 : impulsion de Dirac,

6. CORRÉLATIONS ET DENSITÉS SPECTRALES
• k ⇋ kδ(f ) : constante.
6.1. Signaux à énergie finie
5.7. Transformée de Fourier de signaux à moyenne non 6.1.1. Auto- et inter-corrélation
nulle R +∞
• Auto-corrélation : Γxx (τ ) = −∞
x(t)x∗ (t − τ )dt,
• Soit x(t) = x̄ + x0 (t) où x̄ est la moyenne de x(t), on
F {x′0 (t)} R +∞
a F{x(t)} = j2πf + x̄δ(f ), • Inter-corrélation : Γxy (τ ) = −∞
x(t)y ∗ (t − τ )dt.

• ǫ(t) ⇋ 12 δ(f ) + 1
j2πf , 6.1.2. Relation entre corrélation et convolution
1
• sgn(t) ⇋ jπf . • Γxy (τ ) = x(τ ) ∗ y ∗ (−τ ).

5.8. Transformées de Fourier de signaux périodiques 6.1.3. Propriétés des fonctions de corrélation

Soient deux signaux x(t) et y(t), périodiques de même péri- • Symétrie hermitienne :
ode ∆.
◦ Γxy (τ ) = Γ∗yx (−τ ),
◦ Γxx (τ ) = Γ∗xx (−τ ),
5.8.1. Développement en séries de Fourier (DSF)
Les signaux étant périodiques, si les conditions de Diriclet • Bornes
sont satisfaites, on peut calculer les DSF de x(t) et y(t) : ◦ Cas général : |Γxy (τ )|2 ≤ Γxx (0)Γyy (0),
P+∞
• x(t) = n=−∞ Xn exp(j2πnt/∆), ◦ Pour x(t) = y(t) : |Γxx (τ )| ≤ Γxx (0),
R +∆/2
avec Xn = [ −∆/2 x(t) exp(−j2πnt/∆)dt]/∆, ◦ Γxx (0) ∈ R est l’énergie du signal.
P+∞ • Dans le cas de signaux réels, la fonction d’autocorrélation
• y(t) = n=−∞ Yn exp(j2πnt/∆),
R +∆/2 est paire et maximale en 0, où Γxx (0) est l’énergie du
avec Yn = [ −∆/2 y(t) exp(−j2πnt/∆)dt]/∆. signal.
6.1.4. Densité spectrale d’énergie • Inter-corrélation
R +∞ R +∆/2
• Γxx (τ ) ⇋ Sxx (f ) = −∞ Γxx (τ ) exp(−j2πf τ )dτ , ◦ Γxy (τ ) = 1
∆ x(t)y ∗ (t − τ )dt,
−∆/2
R t0 +∆
• Sxx (f ) = |X(f )|2 : densité spectrale d’énergie, ◦ Γxy (τ ) = 1
∆t0
x(t)y ∗ (t − τ )dt,
R +∞ P+∞
• Γxy (τ ) ⇋ Sxy (f ) = −∞ Γxy (τ ) exp(−j2πf τ )dτ : ◦ Γxy (τ ) = n=−∞ Xn Yn∗ exp(j2πnτ /∆), en util-
densité inter-spectrale d’énergie, isant le DSF de x(t) et y(t).

• Sxy (f ) = X(f )Y (f )∗ ,
6.3.2. Densités spectrale et inter-spectrale de puissance
6.1.5. Relations de Parseval Les densités spectrale et inter-spectrale de puissance sont les
R +∞ R +∞ transformées de Fourier de fonctions périodiques de périodes
• −∞ x(t)y ∗ (t)dt = −∞ X(f )Y ∗ (f )df , ∆. On obtient donc des spectres de raies, aux fréquences
R +∞ R +∞ k/∆, dont l’enveloppe spectrale est la transformée de Fourier
• −∞ |x(t)|2 dt = −∞ |X(f )|2 df , ou, pour le cas τ =
d’une période de la fonction de corrélation divisée par la péri-
0, R +∞ ode ∆.
Γxy (0) = −∞ Sxx (f )df : énergie du signal.
• Densité spectrale
6.1.6. Dérivation de la fonction de corrélation P+∞
◦ Sxx (f ) = n=−∞ |Xn |2 δ(f − n/∆), en util-
dΓxy (τ )
• dτ = Γx′ y (τ ) = −Γxy′ (τ ) isant le DSF de x(t),
1 2
◦ Sxx (f ) = ∆2 |X(f, ∆)| δ1/∆ (f ),
avec
6.2. Signaux à puissance moyenne finie X(f, ∆) = F{x(t, ∆)} = F{rect((t)/∆)x(t)}.
6.2.1. Fonctions de corrélation • Densité inter-spectrale
R +T /2
• Γxx (τ ) = limT →∞ T1 −T /2 x(t)x∗ (t − τ )dt : auto- P+∞ ∗
◦ Sxy (f ) = n=−∞ Xn Yn δ(f − n/∆), en util-
corrélation, isant le DSF de x(t),
R +T /2 1 ∗
• Γxy (τ ) = limT →∞ T1 −T /2 x(t)y ∗ (t − τ )dt : inter- ◦ Sxy (f ) = ∆2 X(f, ∆)Y (f, ∆)δ1/∆ (f ),
avec
corrélation. X(f, ∆) = F{x(t, ∆)} = F{rect((t)/∆)x(t)}
et Y (f, ∆) = F{y(t, ∆)} = F{rect((t)/∆)y(t)}.
6.2.2. Densités spectrale et interspectrale de puissance
6.3.3. Relations de Parseval
• Sxx (f ) = F{Γxx (τ )} : densité spectrale de puissance, R +∞ P+∞
• Px = Γxx (0) = −∞ Sxx (f )df = n=−∞ |Xn |2 .
• Sxy (f ) = F{Γxy (τ )} : densité inter-spectrale de puis-
sance,
7. SIGNAUX ALÉATOIRES
• Sxx (f ) = limT →∞ T1 |X(f, T )|2 , avec
X(f, T ) = F{x(t, T )} = F{rect(t/T )x(t)}. 7.1. Variables aléatoires
7.1.1. Densités de probabilité
6.2.3. Relation de Parseval
R +∞ On note pX (u) la densité d’une variable aléatoire (VA) X.
• Px = Γxx (0) = −∞ Sxx (f ).
• Si X et Y sont deux VA indépendantes, la densité de la
6.3. Signaux périodiques VA Z = X + Y est : pZ (u) = (pX ∗ py )(u),

Soient deux signaux x(t) et y(t), périodiques de même péri- • Si Y = f (X), avec f inversible,
ode ∆. pY (u) = pX (f −1 (u))/|f ′ (f −1 (u))|

6.3.1. Fonctions de corrélation 7.1.2. Moments

Les auto et inter-corrélations sont périodiques de période ∆, Moyenne d’une VA continue ou discrète
et on peut les calculer par intégration sur une période ∆. R +∞
• µ1 = E[X] = −∞ upX (u)du,
• Auto-corrélation P
R +∆/2 • µ1 = E[X] = i ui Pr(X = ui ).
1
◦ Γxx (τ ) = ∆ −∆/2
x(t)x∗ (t − τ )dt,
R t0 +∆ Moment d’ordre k d’une VA continue ou discrète
1
◦ Γxx (τ ) = ∆ t0
x(t)x∗ (t − τ )dt, R +∞
P+∞ • µk = E[X k ] = −∞ uk pX (u)du,
◦ Γxx (τ ) = |Xn |2 exp(j2πnτ /∆), en util-
n=−∞
• µk = E[X k ] = i uki Pr(X = ui ).
P
isant le DSF de x(t).
Moment centré d’ordre k d’une VA continue ou discrète 7.3. Auto-corrélation
R +∞
• µ′k = E[(X − µ1 )k ] = −∞ (u − µ1 )k pX (u)du, On note de façon générale Xi = x(ti ) la VA associée au
processus aléatoire x(t) pour t = ti .
• µ′k = E[(X − µ1 )k ] = − µ1 )k Pr(X = ui ).
P
i (ui
7.3.1. Auto-corrélation statistique
Variance : c’est le moment centré d’ordre 2. On la note
fréquemment σ 2 plutôt que µ′2 . Cas général
R +∞ RR
• σ 2 = µ′2 = E[(X − µ1 )2 ] = −∞ (u − µ1 )2 pX (u)du, • RXX (t1 , t2 ) = E[X1 X2 ] = x1 x2 p(x1 , x2 )dx1 dx2 .

• σ 2 = µ′2 = E[(X −µ1 )2 ] =

P 2 Cas d’un signal stationnaire, en notant τ = t1 − t2
i (ui −µ1 ) Pr(X = ui ).
RR
Relation entre variance et moments d’ordre 1 et 2 • RXX (τ ) = E[X(t)X(t−τ )] = x1 x2 p(x1 , x2 )dx1 dx2 .

Les VA sont orthogonales ssi RXX (τ ) = 0.

• σ 2 = E[(X − µ1 )2 ] = E[X 2 ] − E[X]2 = µ2 − µ21 .

7.3.2. Auto-covariance statistique

7.1.3. Distributions de quelques lois usuelles
C’est l’auto-corrélation des processus aléatoires centrés. On
• Pr(k) = Cnk pk (1 − p)n−k : loi Binomiale, de la VA
la note CXX (τ ).
somme de n VA binaires, avec p = Pr(X = x1 ) et
Cas général
1 − p = Pr(X = x0 ),
an
• CXX
R R(t1 , t2 ) = E[(X1 − E(X1 ))(X2 − E(X2 ))]
• Pr(n) = n! exp(−a) : loi de Poisson de paramètre = (x1 − E(X1 ))(x2 − E(X2 ))p(x1 , x2 )dx1 dx2
a > 0, = RXX (t1 , t2 ) − E(X1 )E(X2 ).
 
(u−m)2
• p(u) = √1 exp − : loi gaussienne de Cas d’un signal stationnaire, en notant τ = t1 − t2
2πσ 2σ 2
moyenne m et de variance σ , notée N (m, σ 2 ).
2
• CXX
R R(τ ) = E[(X(t) − E(X))(X(t − τ ) − E(X))]
= x1 x2 p(x1 , x2 )dx1 dx2
7.2. Vecteurs aléatoires = RXX (τ ) − E(X)2 .
7.2.1. Densités de probabilité Les VA sont non corrélées ssi CXX (τ ) = 0.
On note pX (u1 , . . . , un ) la densité d’un vecteur aléatoire (VcA)
X de dimension n. 7.3.3. Cas de processus ergodiques et stationnaires
Soit Y = f (X), avec f inversible. On note f −1 la transfor-
Dans ce cas, on peut remplacer les moyennes statistiques par
mation inverse, |Jf −1 | son jacobien et (f −1 )i la composante
des moyennes temporelles, car on a asymptotiquement :
i de la transformation f −1 :
R T /2
• pY (u1 , . . . , un ) = • RXX (τ ) = limT →∞ T1 −T /2 x(t)x(t−τ )dt = ΓXX (τ ).
pX ((f −1 )1 (u1 ), . . . , (f −1 )n (un ))|Jf −1 |.
7.3.4. Coefficient de corrélation
Dans le cas d’une transformation linéaire Y = AX où A est
une matrice régulière et u = (u1 , . . . , un )T : Par définition, c’est l’auto-covariance normalisée, notée ρX (τ ) :
CXX (τ ) CXX (τ )
• pY (u1 , . . . , un ) = • ρX (τ ) = CXX (0) = 2
σX
.
pX (A−1 u)| det A−1 |.

Dans le cas de la somme Z = X + Y de deux variables 7.3.5. Propriétés pour les signaux réels
aléatoires, la densité pZ (u) vaut : Les fonction d’auto-corrélation et d’auto-covariance ont les
R propriétés intéressantes pour des processus aléatoires réels.
• pZ (u) = pXY (x, u − x)dx,
De plus, en τ = 0, on a les relations énergétiques.
R
• pZ (u) = pX (x)pY (u − x)dx = (pX ∗ pY )(u), si X • elles sont paires,
et Y sont des VA indépendantes.
• le maximum est atteint en τ = 0 :
7.2.2. Théorème de la limite centrale
◦ |CXX (τ )| ≤ CXX (0)
Théorème 7.2.1 La distribution statistique d’une somme de ◦ |RXX (τ )| ≤ RXX (0)
n variables aléatoires indépendantes, possédant la même loi 2
◦ CXX (0) = σX ,
tend asymptotiquement vers une distribution gaussienne quelle
2
que soit la distribution des termes individuels. ◦ RXX (0) = σX + µ2X .
7.4. Densité spectrale de puissance (DSP)
Pour un processus aléatoire x(t), on ne peut pas calculer di-
rectement la transformée de Fourier, puisque x(t) ne peut pas
être décrit. Par conséquent, on ne peut pas calculer directe-
ment sa DSP. On peut en revanche calculer sa fonction d’auto-
corrélation par une moyenne statistique ou temporelle, et en
déduire sa DSP en appliquant le théorème ci-dessous.
7.4.1. Théorème de Wiener-Kintchine
Le théorème de Wiener-Kintchine établit le lien entre la fonc-
tion d’auto-corrélation et la DSP pour des signaux aléatoires.
Théorème 7.4.1 La DSP d’un processus aléatoire station-
naire au sens large est le transformée de Fourier de sa fonc-
tion d’auto-corrélation :
Z +∞
SXX (f ) = RXX (τ ) exp(−j2πf τ )dτ.
−∞
7.4.2. Conséquence
Si on connaît la DSP SXX (f ) d’un processus aléatoire x(t),
on peut déduire la fonction d’auto-corrélation par transformée
de Fourier inverse :
Z +∞
RXX (τ ) = SXX (f ) exp(j2πf τ )df.
−∞
On peut aussi l’exprimer en fonction de l’auto-covariance, car
RXX (τ ) = CXX (τ ) + µ2X :
SXX (f ) = F{CXX (τ )} + µ2X δ(f ).
En τ = 0, on a :
R +∞
• RXX (0) = PX = −∞
SXX (f )df .
Si le processus est aussi ergodique, on a
R T /2
• RXX (0) = limT →∞ T1 −T /2 |x(t)|2 dt
R +∞
= −∞ SXX (f )df .
7.4.3. Bruit blanc
Définition 7.4.2 On appelle bruit blanc un processus aléa-
toire b(t) dont la densité spectrale de puissance est constante,
∀f :
SBB (f ) = η/2.
Par transformée de Fourier inverse, on déduit la fonction d’auto-
corrélation d’un bruit blanc b(t) :
RBB (τ ) = F −1 {SXX (f )} = δ(τ )η/2.
7.5. Inter-corrélation et densité inter-spectrale
7.5.1. Inter-corrélation et inter-covariance
On définit les fonctions d’inter-corrélation :
• RXY (t1 , t2 ) = E[X(t1 )Y (t2 )] (cas général)
• RXY (τ ) = E[X(t)Y (t − τ )] (cas stationnaire).
et d’inter-covariance :
• CXY (t1 , t2 ) = E[(X(t1 ) − µX )(Y (t2 ) − µY )]
= RXY (t1 , t2 ) − E[X(t1 ))E(Y (t2 )] (cas général),
• CXY (τ ) = E[(X(t) − µX )(Y (t − τ ) − µY )]
= RXY (τ ) − µX µY (cas stationnaire).
7.5.2. Coefficient d’inter-corrélation
Le coefficient d’inter-corrélation est défini par :
CXY (τ )
• ρXY (τ ) = σX σ Y .
7.5.3. Densité inter-spectrale
La densité inter-spectrale de puissance est la transformée de
Fourier de la fonction d’inter-corrélation :
• SXY (f ) = F{RXY (τ )}.
7.5.4. Cohérence
|SXY (f )|2
• γXY (f ) = SXX (f )SY Y (f ) .
La cohérence est proche de 1 si les signaux x(t) et y(t) sont
liés par une relation linéaire (filtre). Dans le cas d’une relation
non linéaire ou en présence d’un bruit additif, la cohérence
devient très inférieure à 1.
8. FILTRES LINÉAIRES INVARIANTS
On considère un filtre de réponse impulsionnelle g(t) et en
fréquence G(f ), dont les signaux d’entrée et de sortie sont
x(t) et y(t), respectivement.
• Y (f ) = G(f )X(f ) = X(f )G(f ),
• y(t) = (g ∗ x)(t) = (x ∗ g)(t).
Pour une cascade de filtres, on a g(t) = (g1 ∗ g2 ∗ . . . ∗ gn )(t)
ou, en fréquence, G(f ) = G1 (f )G2 (f ) . . . Gn (f ).
8.1. Formule des interférences
On considère deux filtres de réponses impulsionnelles g1 (t) et
g2 (t) et de réponses en fréquence (TF) G1 (f ) et G2 (f ), dont
les signaux d’entrée sont x1 (t) et x2 (t), et de sortie y1 (t) et
y2 (t).
• SY1 Y2 (f ) = SX1 X2 (f )G1 (f )G∗2 (f ).
8.2. Relation entrée-sortie des DSP
En conséquence de la formule des interférences, on a pour les
DSP :
• SY Y (f ) = |G(f )|2 SXX (f ),
• SY X (f ) = G(f )SXX (f ).
8.3. Relation entrée-sortie entre corrélations
En conséquence des formules entre DSP, par transformée de
Fourier inverse, on a pour les auto-corrélations :
• RY Y (τ ) = Γgg (τ ) ∗ RXX (τ ) pour des signaux aléa-
toires, et
• ΓY Y (τ ) = Γgg (τ ) ∗ ΓXX (τ ) si les signaux sont er-
godiques, ou certains à puissance moyenne finie ou à
énergie finie (attention aux définitions de Γ).
et pour les inter-corrélations :
• RY X (τ ) = g(τ ) ∗ RXX (τ ), pour des signaux aléa-
toires, et
• ΓY X (τ ) = g(τ )∗ΓXX (τ ) si les signaux sont ergodiques,
ou certains à puissance moyenne finie ou à énergie finie
(attention aux définitions de Γ).
9.2. Opérateur de moyenne temporelle
• g(t) = rect((t − T /2)/T ),
• G(f ) = sinc(T f ) exp(−jπf T ),
• µy = G(0)µX = µX (moyenne),
• Γgg (τ ) = tri(τ /T )/T (auto-corrélation).
9.3. Opérateur de filtrage passe-bas idéal
Le filtre causal de largeur de bande B n’étant pas réalisable,
on décale g(t) de t0 .
• G(f ) = rect[f /(2B)] exp(−j2πf t0 ),
avec |G(f )| = rect[f /(2B)] et φ(G(f )) = −2πf t0 ,
• g(t) = 2Bsinc[2B(t − t0 )],
• Γgg (τ ) = 2Bsinc[2Bτ ] (auto-corrélation).

9.4. Opérateur de filtrage passe-bande idéal

8.4. Statistiques en sortie d’un opérateur de filtrage
Le filtre causal de largeur de bande B, centré sur les fréquences
On considère y(t) = (g ∗ x)(t). Les statistiques de y(t) sup- ±f0 n’étant pas réalisable, on décale g(t) de t0 .
posé stationnaire et ergodique sont :
• G(f ) =
• µY = µX G(0) (moyenne), rect[f /B] exp(−j2πf t0 ) ∗ [δ(f − f0 ) + δ(f + f0 )],
avec |G(f )| = rect[f /(2B)] et φ(G(f )) = −2πf t0 ,
• PYR = RY Y (0)
= R RXX (τ )Γgg (τ )dτ • g(t) = 2Bsinc[2B(t − t0 )] cos(2πf0 t),
= SXX (f )|G(f )|2 df (moment d’ordre 2),
• Γgg (τ ) = 2Bsinc[Bτ ] cos(2πf0 τ ) (auto-corrélation).
• σY2 R=
CY Y (0) = PY − µ2X
= CXX (τ )Γgg (τ )dτ (variance) 10. FILTRE ADAPTÉ
• SY X (f ) = G(f )SXX (f ) (auto-corrélation). Problème : concevoir un filtre h(t) qui détecte un signal x(t)
connu dans une observation bruitée, x(t) + n(t), où n(t) est
8.4.1. Filtre passe-bas sans perte un bruit de DSP SN N (f ), avec le meilleur rapport signal/bruit
au temps t0 . On note y(t) = (x + n) ∗ h(t) la sortie du filtre
G(0) = 1 et la moyenne en sortie : µY = µX . h(t).
Le filtre optimal est le filtre adapté (au signal x(t)) :
8.4.2. Filtre passe-haut
X ∗ (f )
H(f ) = k exp(−j2πf t0 ), (1)
G(0) = 0 et la moyenne en sortie µY = 0. SN N (f )
avec le rapport S/B :
8.4.3. Signal d’entrée blanc, centré et de DSP η/2
+∞
 S 2 |X(f )|2
Z
moyenne en sortie : µY = 0, = df. (2)
B −∞ SN N (f )
auto-corrélation de l’entrée : ΓXX (τ ) = δ(τ )η/2,
auto-corrélation en sortie : RY Y (τ ) = Γgg (τ )η/2, Dans le cas où le bruit n(t) est un bruit blanc de DSP égale à
variance : σY2 = Γgg (0)η/2. N0 :
H(f ) = k ′ X ∗ (f ) exp(−j2πf t0 ), (3)
9. AUTRES OPÉRATEURS ou, dans le domaine temporel :

9.1. Opérateur de retard t0 h(t) = k ′ x∗ (t0 − t), (4)

• g(t) = δ(t − t0 ), avec le rapport S/B :

+∞
• G(f ) = exp(−j2πf t0 ), soit |G(f )| = 1  S 2 1
Z
= |X(f )|2 df. (5)
et φ(G(f )) = −2πf t0 (phase linéaire), B N0 −∞

• Γgg (τ ) = δ(τ ) (auto-corrélation). Pour un signal x(t) réel, on a simplement h(t) = k ′ x(t0 − t).