Traitement Numérique du Signal

Objectifs du cours : ce cours permet à l’étudiant

 D’acquérir le concept de conversion du signal analogique sous forme de données
numériques
 De maîtriser les étapes de prétraitement du signal analogiques avant traitement
 De comprendre les techniques de base de traitement numérique du signal et leur utilité
pour l’aide à l’interprétation du signal;

Descriptif du cours

Chapitre 1 : Signaux et systèmes discrets (définitions, échantillonnage, critère de Nyquist,

quantification, reconstruction du signal, systèmes discrets, produit de convolution, filtres FIR
et IIR)
Chapitre 2 : Transformée en Z (définition, propriétés, région de convergence, transformée en
Z inverse, théorème des résidus, applications)
Chapitre 3 : Transformée de Fourier discrète (propriétés, transformée de fourier discrète
inverse, FFT, applications)
Chapitre 4 : Représentation des filtres numériques (représentation directe, canonique, en
cascade ; représentation matricielle)
Chapitre 5 : Conception des filtres numériques ( transformation bilinéaire, filtre passe bas de
Butterworth, conception du filtre passe bas numérique).

Méthodes de contrôle de connaissance : Contrôle continu écrit (25%)

Contrôle de TP (25%)
Contrôle final écrit (50%)
 Pourquoi le traitement du signal ?

Le traitement numérique du signal concerne deux aspects :

● La représentation des signaux par des suites de nombres
● Le traitement de ces suites

Le traitement peut avoir comme but :

● L’estimation des paramètres caractéristiques d’un signal
● La transformation de ce signal en une forme beaucoup plus facile à exploiter par un expert.
Les méthodes du traitement du signal se basent sur :
● Des formules d’analyses numérique relatives à l’interpolation, l’intégration ou la
différentiation ;
● Le développement d’algorithmes sophistiqués rendu possible grâce à l’avancement de la
technologie des ordinateurs

Le traitement du signal s’implique dans de nombreux domaines d’applications notamment

en :
● Gérie biomédical
● Télécommunications
● Sonar/radar
● Sismilogie
● Traitement de la parole
● Etc…
 Chapitre 1 : Signaux et systèmes Discrets

I – Définitions :
● Un signal est une fonction qui transporte de l’information généralement sur l’état ou le
comportement d’un système physique.
Les signaux sont représentés par une fonction à 1 ou plusieurs variables.
ex. : Un signal cardiaque est un signal unidimensionnel fonction à 1 seule variable qui est le
temps.
Une image peut être représentée par une intensité, fonction de 2 variables.
● Un signal analogique est une fonction continue dans le temps.
● Un signal discret est défini à des instants discrets, les variables prennent des valeurs
discrètes.

Représentation d’un signal analogique Représentation d’un signal discret

● Un système continu dans le temps est un système pour lequel l’entrée et la sortie sont des
signaux analogiques
● Un système discret dans le temps est un système pour lequel l’entrée et la sortie sont des
signaux discrets.
● Le traitement numérique (ou digital) du signal concerne les transformations des signaux
discret en amplitude et en temps.

II – Echantillonnage des signaux analogiques

Le traitement numérique des signaux analogiques se fait en 3 étapes.
● Le signal analogique est discrétisé, c.à.d que le signal est échantillonné périodiquement et
chaque échantillon est quantifié et codé avec un nombre fini de bits. Ce procédé s’appelle la
conversion A/N (A/D).
● Les différents échantillons sont ensuite traités à l’aide d’un module de traitement numérique
du signal.
● Après traitement, le signal numérique obtenu à la sortie peut être reconverti en signal
analogique à l’aide d’un convertisseur D/A (reconstructeur restitution du signal).

Schéma synoptique
1 – Signaux analogiques :

Un signal analogique est représenté par une fonction continue dans le temps, soit x(t).
La transformée de Fourier X(Ω) de x(r) fournit le spectre en fréquence du signal =

X(Ω) =   x® e-jΩt dt

Où Ω est la fréquence radial [radian /seconde]


La fréquence en Hz ou [cycles/seconde] est f =
2
Note : Le symbole Ω est réservé pour noter la fréquence en rad/sec. Nous utilisons le symbole
w pour noter la fréquence numérique en [rad/échantillons].

a) La transformée de Fourier inverse est obtenue par la superposition de composantes

sinusoïdales :

 d
x(r) =   X(Ω) ejΩt
2
La transformée de Laplace est obtenue en posant s = jΩ

 X(s) =   x(t) e-st dt

b) Réponse d’un système linéaire à un signal d’entrée x(t)

Le système linéaire est complètement caractérisé par la fonction h(t) ; c’est la réponse
impulsionnelle du système. Etant donné x(t) et h(t), la sortie y(t) est calculée de 2 manières
- soit par le produit de convolution x(t) * h(t) dans le domaine temporel
- soit par multiplication dans le domaine fréquentiel H(Ω) . X(Ω).
où H(Ω) est la réponse en fréquence du système, définie par la transformée de fourier de h(t),

H(Ω) =   h(r) e-jΩt dt

On définit la réponse en fréquence à l’état stable (équilibre) d’un filtre comme sa réponse à
des entrées sinusoïdales ;

Ceci montre que la sortie a exactement la même forme que l’entrée. Elle est modifiée en
amplitude par la facteur H(Ω1)

2 – Echantillonnage :

Considérons un signal analogique x® ; l’échantillonnage est illustré de la manière

suivante :

x(r) est périodiquement mesuré toues les T secondes. On pose t = nT avec x = 0, 1, 2,…
T est le pas d’échantillonnage.
Si l’on compare ces 2 signaux (signal anal.) et (signal échant.) on constate que le découpage
du signal analogique introduira des fréquences hautes dans le spectre en fréquence original.
Pour voir ce qui passe on doit se poser 2 questions.
● Comment le spectre original est-il affecté par l’opération d’échantillonnage.
● Comment doit-on choisir le pas d’échantillonnage T ?
1
On définit la fréquence d’échantillonnage fs = mesurée en [échantillons/seconde].
T
fs exprime la densité des échantillons.
Donc un signal variant rapidement doit être échantillonné avec une grande vecteur de fs (T est
très petit), alors qu’un signal variant lentement peut être échantillonné avec une petite valeur
de fs.

Théorème d’échantillonnage : / Théorème de Nyquist.

Pour représenter d’une manière précise un signal x(t) par ses échantillons x(xT). 2 conditions
doivent être satisfaites.
a) Le signal x(t) doit avoir un spectre limité tel que l’ensemble des fréquences contenues
dans le signal sont < fmax
b) fs doit être choisie au moins égale à 2 fmax.
fs = 2 fmax est appelée fréquence de Nyquist
Par intuition, on peut comprendre le théorème précédent de la manière suivante.
Selon la transformée de Fourier inverse

X(r) =   X(f) e2πjft df

f max
X(r) =  Ai cos 2πft = Ai cos 2πfmin t + … + Amax cos 2πfmax
f min
Tout signal peut être exprimé comme une somme de sinusoïdes. Considérons donc
l’échantillonnage seulement de la sinusoïde la plus rapide,
1
fs T
Si fs = 8 fmax  = Ts = = 8 échantillons/cycle
f max 1 Ts
T
fs
fs = 4 fmax  = 4 échantillons/cycle
f max
fs
fs = 2 fmax  = 2 échantillons/cycle
f max
Pour représenter le signal sinusoïdal, il faut à la limite 2 échantillons/cycle.
Le cas f = fs n’est pas satisfaisant
 fs ≥ 2 fmax.
Remarque :
● Si fmax → ∞, fs → ∞ ce qui est impossible.
Donc fmax doit être finie, il résulte que le signal doit avoir un spectre borné.
● Si la plus rapide des sinusoïdes a été convenablement échantillonnée, les moins rapides le
sont également.
● Comme la plupart des signaux ne sont pas limité en fréquence, on doit rendre leur spectre
borné en effectuant un filtrage passe - bas avant d’échantillonner le signal ; La fréquence de
fs fs
coupure du filtre doit être au plus égale à (fc ≤ )
2 2
fs
a) Supposons que fs ≥ 2 fmax  ≥ fmax
2
 fs fs 
le spectre X(f) de x(r) se trouve à l’intérieur de l’intervalle  2 , 2 

 fs fs 
 2 , 2  est appelé intervalle de Nyquist.

Si x(r) = ej 2πft  X(nT) = ejπfTn = ejwn

1
On pose : w = 2πfT = 2π f
fs
f
w = 2π fréquence digitale en rd/échantillon
fs
f
est la fréquence digitale en cycle/échantillon.
fs
Représentation de l’intervalle de Nyquist

2f
w= fréquence digitale
fs
fs 2 (fs / 2
si f = -  w= = -π
2 fs
 fs
si f = +  w = +π
2
donc en unité radian/ech., l’intervalle de Nyquist devient [-π, +π].

b) Supposons que fs < 2 fmax.

Si l’on échantillonne au-dessous de la fréquence de Nyquist il est possible de perdre
d’importantes variations du signal dans le temps entre les différents instants d’échantillonnage
le signal apparaîtra plus lisse que ce qu’il l’est réellement. Il y aura confusion des fréquences
du signal.
Pour illustrer ce phénomène, considérons l’échantillonnage d’une sinusoïde de fréquence f :
x(r) = ejΩt = e2πft
en posant t = nT ; la sinusoïde échantillonnée s’écrit :
x(nT) = ejΩnT = e2πjfTn .
Ajoutons à f un multiple entier de fs

xm(nT) = ej2πnT(f±mfs) = ej2πnTf . e±j2πnmTfs = ej2πnTf .

=1
Donc x(nT) = xm(nT) pour m = 0, 1, 2, ...
Donc après échantillonnage :
x(nT) = e2πfTn = e2πj(f±fs)nT = e2πj(f±2fs)nT = …
Donc la connaissance des échantillons n’est pas suffisante pour déterminer la vraie fréquence
f de la sinusoïde.
Les fréquences : f , f ± fs , f ± 2fs , …. , f ± mfs
Sont équivalentes, aucune manière de les distinguer.
Mais si l’on observe ce signal échantillonné, on peut penser que la fréquence de la sinusoïde
est la plus petite parmi l’ensemble des fréquences. Cette fréquence est appelée fréquence
fs
apparente. Elle doit être à l’intérieur de l’interval de Nyquist [ - , fs/2 ]
2
Exemple : soit une sinusoïde de fréquence f = 10 Hz.
Choisissons fs = 12 Hz ; le signal échantillonné contiendra les fréquences :
10 , 10 ± 24 , 10 ± 36, …-26 , -14 , -2 , 10 , 22 , 34 , 46 , … Hz.
 fs fs 
Parmi ces valeurs seule la valeur -2Hz   ,  =  6 , 6 on peut penser que la
 2 2
fréquence de la sinusoïde est – 2 Hz au lieu de 10 Hz.
Note : si fs = 22 Hz → 10 Hz   611,  11
La fréquence apparente est égale à la fréquence réelle de la sinusoïde.
Exemple 2 : Représentons le sinusoïde x(r) = cos 2π ft comme un ventilateur tournant a une
fréquence de f révolution/sec.
Si ce ventilateur placé dans une chambre noire est vue à l’aide d’un éclairage stroboscopique
produisant fs flash/sec ; selon le choix de fs. Le ventilateur semblerait tourner dans la
mauvaise direction ou à la mauvaise vitesse de rotation
i) si f = 3 Hz et fs = 4 Hz
 fs fs 
 2 , 2  =  2 , 2
f 3 3
La fréquence digital w = 2π = 2π =
fs 4 2
f – fs = 3 – 4 = - 1 Hz Є  2 , 2
- 1 Hz est la fréquence perçue l’observateur aura l’impression que le ventilateur tourne en
sens inverse avec une autre vitesse de rotation.
 fs fs 
ii) f = 6Hz et fs = 12 Hz ,  2 , 2  =  6 , 6
f 1
w = 2π =π → cycle
fs 2
1
fréquence perçue ± + 12 = ± 6 Hz
2
f – fs = 6 – 12 = - 6 Hz   6 , 6
f + fs = 6 + 12 = 18 Hz
f = 6 Hz Є  6 , 6  f = ± 6 Hz Є  6 , 6
L’observateur perçoit 2 fréquences -6 Hz et 6 Hz , il perdra le sens de rotation du ventilateur.
Exemple 3 :
x(r) = 20 + 15 cos πt + 10 cos 2πt + 5 cos 3πt
t en ms , fs = 1500 Hz
 fs fs 
 2 , 2  =  750 , 750 Hz

Le terme 20 → fréquence 0 hz
1000
* 15 cos πt/t = en secondes = 15 cos 2π f t x(10-3s)  f = = 500 Hz
2
10 cos 2πt = 10 cos 2π f t x(10-3s)  f = 1000 Hz
 5 cos 3π = 5 cos 2π f t x(10-3s)  f = 1500 Hz
Après échantillonnage :
0 ± fs = ± 1500   750 , 750 mais 0   750 , 750
Donc 20 x cos 2π (o)t = 20
500 ± fs = - 1000 , 2000   750 , 750 mais 500   750 , 750
Donc 15 cos πt
1000 ± fs = - 500 , 2500  - 500   750 , 750
10 cos 2πt sera perçu comme 10 cos-πt = 10 cos πt
1500 ± fs = 0 , 300    750 , 750
5 cos 3πt sera perçue comme 5 (freq = 0)
 x(nT) = 25 + 25 cos πt

* Note :
t f
Cos 2π ft ms = cos 2π f( ) = cos 2π( )t
3 3
10 10

f 2 10 3
Cos πt = cos 2π t  π=  f = = 500 Hz
3 3 2
10 10
a) Echantillonnage/Formulation théorique
En pratique la mesure périodique de x(r) tous les T secondes ne peut être faite
instantanément. En fait la mesure se fait pendant un temps τ. ex.

Théoriquement, le signal échantillonné peut être vu comme le produit du signal x(t) et

d’une fonction s(t) qui représente un train d’impulsions de largeur τ et de période T.


S(r) =  p(t – nT) ou p est une impulsion de largeur τ
n  
 
Xe (t) = x(r). s(r) = x(r)  p(t – nT)
n  
L’opération d’échantillonnage peut-être vue comme une modulation de la porteuse s(r)
par le signal analogique x(r)
● Si le maxima des échantillons suivent le signal ; l’échantillonnage est dut naturel.
● Si la valeur de l’échantillon est maintenu et durant τ seconde : l’échantillonnage et dit
flat-top.


Xe(r) =  x(nT) p(t – nT)
n  
Lorsque τ → 0 ; on parlera d’échantillonnage idéal.

Donc s(r) =  δ(n – T) ou δ est la fonction de Dirac
n  

Xe(t) =  x(nT) δ(t – nT)
n  
b) Effet de l’échantillonnage sur le spectre du signal original calculons la transformée de
Fourier :

Xe (f) =   xe(r) e-j2πft dt

 
Xe (f) = 
  x(nT) δ(t – nT) .e-j2πft dt
n  

Xe (f) =  x(nT) e-j2πfnT dt c’est la TF. Discrète de x(nT)
n  
Remarques :
Xe(f) est une fonction périodique de f dont fs est la période
 1
 T    j2fnT = e
-j2π(f+mfs)T.n

 fs e
Ceci signifie que le spectre du signal échantillonné contient des fréquences élevées.
 - A cause de cette périodicité, l’intervalle peut être réduit à 1 seule période c.a.
 fs fs 
 2 , 2 

- Puisque s(t) est périodique , s(t) = s(t +T) ; on pet la décomposer en sens de Fourier.
2mt
 j
S(t) =  Cn e T ; Cn : coeff. De Fourier
m 
2m m
= 2π fm avec fm = freq. Des harmoniques m = 0, t1, t2
T T
1
Fs = ; le même harmonique a lieu lorsque fm = mxfs
T
m
1 T/2  j2 t
Cm =  s(t) e T dt
T T
2

m
1 T/2 j2 t
T  T
Cm = δ(t) e T dt ═> 1 δ dt = 1
Cm =
T
2

1 
Il en résulte que s(t) =  δ(t – nT) =
T
 ej2π(mfs)t
n m  
1
Xe(t) = x(t).s(t) = x(t) x
T
 ej2π(mfs)t

 1  
Xe(f) =   xe(t) e
-j2πft
dt =
T
   x(nT) e-j2πt(f-mfs)
m  
X(f – mfs)

1
Xe (f) =
T
 x (f – mfs)
m  
δ = fs – 2fmax
Si δ ≥ 0  fs ≥ 2 fmax ; il n’y a pas de recouvrement de spectre
Si δ < 0  fs < 2 fmax ; il y a chevauchement de spectres
Spectre résultant

Si T → 0 , fs → ∞ , les réplicas se déplacent vers l’∞ et il reste uniquement le

spectre original
X(f) = lim T Xe(f)
T →0

Donc X(f) = lim T Xe(f)

T →0

Dans le cas où le signal n’est pas borné en fréquence, il y aura toujours chevauchement des
spectre. Pour remédier à ce problème, il est nécessaire de fietrer le signal analogique par un
fs
fietre passe bas avec une fréquence de coupure fc ≤ arrivant de l’échantillonner.
2
Fonction de transfert du fietre idéal
fs
H(f) = 1 pour │f │≤
2
III. Quantification
C’est une discrétisation selon l’axe des ordonnées x représente une tension ou un courant.
Q est le pas de quantification.

v
Si v est la tension crête à crête du signal, est le nb.de niveaux de quantification, si b est le
Q
v
nombre de bits nécessaire pour représenter chaque niveau ; b est calculé à partir de = 2b, b
Q
nb de bits / échantillon.
On définit l’erreur de quantification e = x – xQ. On suppose qu’elle suit une distribution
 Q Q
uniforme sur l’intervalle  ,  .
 2 2
Q/2

2
e 
 E e =0
1 Q/2
Q  Q
La moyenne de e est e = e de  
2 
2 Q
2

La variance de e est var e = E e 2  - E(e2 = E e 2 

   

Q/2 2 2
1 Q
Van e =
Q  Q e de =
12

2
Ex. : On prend V = 10v.
Quel type de convertisseur doit on utiliser pour que l’erreur ne dépasse pas 3 mv.
Q
L’ecart type σ = van e = = 3 mv  Q = 3 12 . 10-3
12
 3
V 10 x 10
= 2b ≈  962,5 niveau , on arrondit la puissance de 2 la plus proche c.a.d.
Q 3 12
1024  2b = 1024  b = 10

IV. Unité de Traitement

Cette unité transformera la suite des échantillons {x(nT)}en une suite {y(nT)}.

Le processeur étant un système linéaire

Y(n) = x(n)* h(n) Y(f) = Hp(f) .X(f)
Xe(f) est une approximation du spectre original.

V. Reconstitution du signal
Après traitement numérique des données, le module de restitution convertit ces données en
signal analogique. On parlera de la conversion N/A. La reconstitution du signal peut être vue
comme un filtrage passe bas du signal échantillonné. En effet :

La reconstitution peut être effectuée en remplissant les vides entre les échantillons en
maintenant constante la valeur de l’échantillon jusqu’au prochain échantillon. Le
reconstructeur est appelé Sample/hold ou reconstructeur d’ordre zéro (échantillon bloqueur).
Si h(t) représente la réponse impulsionnelle du reconstructeur et si le signal échantillonné est
représenté par
Xe(t) =  x(nT) δ(t – nT)
n
alors le signal analogique reconstitué se ra :

Xa(t) =   h(t – t’) xe(t’) dt’


Xa(t) =   h(t – t’)  x(nT) δ(t’ – nT) dt’
n
Xa(t) =  x(nT) h(t – nT)
n

Note :
Le reconstructeur doit avoir une durée ou moins égale à T pour remplir l’intervalle entre 2
échantillons. Ex. :
Si h(t) = u(t) – u(t – T)
Dans le domaine spectral :
1
Xa(f) = H(f) . Xe(f) = H(f) .
T
 X(f – mfs)
m
H(f) est la réponse en fréquence du reconstructeur.
a) Reconstructeur idéal.
Dans le cas idéal, la reconstitution doit reproduire exactement le spectre du signal d’origine,
c.a.d. Xa(f) = X(f)
Si X(f) est un spectre borné, et si fs est choisie tel que les replicas du spectre ne se recouvrent
pas, une reconstitution fidèle peut être réalisée à l’aide d’une filtre passe bas idéal dont la
 fs
fonction de transfert est telle que H(f) = T pour f  2
0 ailleurs

Ce filtre va extraire le spectre du centre et élimine tous les autres replicas.

Malheureusement ce filtre n’est pas réalisable en pratique car sa réponse impulsionnelle n’est
pas causale.
 fs / 2 sin( fs t )
H(t) =   H(f) ej2πft df =  fs / 2 T ej2πft df =
(fst)
b) Sample/hold :
Ce constructeur génère une forme en escalier pour approcher le signal.
Cette approximation est d’autant meilleure que le pas d’échantillonnage est petit
Cependant le signal le signal reconstitué contiendra des fréquences indésirables dues au saut
brusque d’un pas à l’autre.
En effet, h(t) = u(t) – u(t – T)

 H(f) =   h(t) ej2πft dt

1 sin fT -jπfT

H(f) = (1 – e-2πjfT ) = T e
j2f fT

fs
Les fréquences indésirables sont les fréquences au delà de (freq. de Nyquist). Donc ce
2
filtre est moins performent que le filtre idéal. Pour éliminer toutes ces fréquences indésirables,
on peut ajouter un filtre passe bas avec une fréquence de coupure fs/2.

Remarque :
 fs fs 
- Après filtrage passe bas, les fréquences  ,  mais le module de H(f ) n’est pas
 2 2
fs
plat, il y a une atténuation de 4 dB lorsque la fréquence atteint .
2
Conclusion / en résumé
Un système de traitement numérique du signal nécessite
- un préfiltrage passe bas pour limiter le spectre du signal à traiter dans l’intervalle de
 fs 
Nyquist  , fs / 2
 2 
- une convension A/N (échantillonnage + quantification)
- un processeur numérique
- un convertisseur N/A
- un filtre passe bas pour éliminer les fréquences indésirables introduites par
fs
l’échantillonnage et la reconstitution avec une fréquence de coupure ≤
2
La fonction de transfert de l’ensemble s’écrit :
Ya(f) = HLPF2(f) . HRec(f) . ye(f) = HLPF2(f) . HRec(f) . Hp(f) . Xe(f)

= HLPF2(f) . HRec(f) . Hp(f) .

1
x(f )  Re plicas
T

= HLPF2(f) . HRec(f) . Hp(f) .

1
T
 
H LPF1 (f ) . Xa(f )  Re plicas
25

Pour un bon reconstructeur D/A, on doit avoir le produit

HRec(f) . HLPF2(f) = filtre idéal
= T pour – fs/2 < f < fs/2
0 ailleurs
D’autre part, si HLPFI (f) approche un filtre idéal, la réponse sera plate à l’intérieur de
 fs fs 
 2 , 2 
VI- Système Discrets
1 - Exemples de fonction discrets.

- Fonction de Dirac δ(n) = 0 n 0

1 n  0


- Echelon unité u(n) = 1 n  0 n  0,1, 2, ...

0 n  0 n   1,  2,  3, ...


On montre que u(n) =  ( k )
k  
Et δ(n) = u(n) - u(n – 1)
- Sinusoïde : x(n) = A cos (ωon + Φ)
- Exponentielle x(n) = exp(σ + jωo)n

2 – Propriétés :
- Si x(n) est périodique de période N, alos x(n + N) = x(n) n
- les fonctions exponentielles pour lesquelles σ = 0 sont des séquences sinusoïdales ayant une
2 2 2
période = si n’est pas entier, la sinusoïde sera périodique avec une période >
o o o

2

On définit l’énergie par    x (n )
n  
Produit de 2 séquences :
x(n) .y(n) = x(n).y(n) séquences produit
Si y(n) est la réponse de x(n)
alors y(n-k) est la réponse de x(n-k) k entier positif//négatif
 
y(n) =  x(k)T (n k  =  x (k ) h(n – k)
k   k  
Note : h(n) est la réponse impulsionnelle. de δ(n)
h(n – k) est la réponse impulsionnelle de δ(n-k)
Il en résulte que y(n) = x(n) *h(n) = h(n) * x(n)

Cas de 2 systèmes :
 - en cascade
- en parallèle

Stabilité : un système est dit stable si lorsque son entrée est bornée, la sortie est bornée aussi

c.a.d.  h (k ) <∞
k  
Ex : si x(n) est bornée  x (n ) < M n


x (n ) =  h (k ) x (n  k ) ≤ ∞
k  
Causalité : un système est dit causal si la réponse impulsionnelle est nulle pour n < 0.
addition :x(n) + y(n) = x(n)  y(n)séquense somme.
Multiplication par un scalaire
α. x(n)  x(n)
Retard : y(n) est la version retardée de x(n) si
y(n) = x(n - no) avec no entier représentant le retard
invariance :
- un système est défini comme une transformation unique d’une séquence x (n ) en une

séquence y(n )
y(n) = T x (n )

Principe de superposition

T ax (x)  bx (n)
1 2
   
= a T x (n ) + b T x (n )
1 2

= a y1(n) + b y2(n)
Exemple :
X(n) = a-3 δ(n + 3) + ao δ(n) + a1 δ(n – 1) + a3 δ(n – 3)

En général, x(n) =  x(k) δ(n – k) sachant que δ(n-k) = 1 pour n = k
k  

y(n) = T[x(n)] = T[  x(k) δ(n – k) ]
k  

Y(n) =  x(k) T (n  k)
k  
On appelle hk(n) la réponse impulsionnelle du système
T (n  k) = hk(n)

 y(n) =  x(k) hk(n)
k  

3 – La représentation sous forme matricielle :

y(n) =  h(n-k) x(k)
k
On pose H = hn  k et X = x (k ) Y = yn

 yo  xo 
 y1   x1 
Y =  y 2 X =  x 2  Y = HT X = XT H
. .
.  . 
.  . 

4 – Classification des filtres :

 a) ex. cas d’une filtre FIR et Causal
h = ho , h1, h2, h3
la réponse du filtre est :
m
yn =  h(k) x(n – k)
k 0
y(n) = ho xn + h1(n-1) + h2 x(n-2) + h3 x(n-3)
n=0  y(o) = ho xo
y1 = ho x1 + h1 xo
y2 = ho x2 + h1 x1 +h2 xo
y3 = ho x3 + h1 x2 + h2 x1 + h3 xo
à cause de la Causalité
 yo  ho 0 0 0 0  xo 
 y  h ho 0 0 0 x 
 1  1   1
 y 2  = h 2 h1 ho 0 0 x 2 
 y 3  h 3 h h
2 1
ho  x 3 
     

i) Calcul du produit de convolution

y(n) = x(n) * h(n) → y = HTX = XT.H
si  est la longueur de H
M est la longueur de X
 + M – 1 est la longueur de y
 =4,M=4
 + M-1 = 4 + 4 – 1 = 7
Yo = ho xo
Y1 = h1 xo + ho x1
Y2 = h2 xo + h1 x1 + ho x2
Y3 = h3 xo + h2 x1 + h1 x2 + ho x3
Y4 = h2x1 + h2 x2 + h1 x3
Y5 = h3 x2 + h2 x3
Y6 = h3 x3

j) ii) Réalisation du système

y(n) = ho x(n) + h1 x(n-1) + h2 x(n-2) + h3 x(n-3)
 b) exemple : cas d’un filtre IIR
h(n) = (0,5)n pour n ≥ 0
=0 pour n < 0
h(n) = 0,5 x (0,5)n-1 = 0,5 h(n-1) n ≥ 1
n
y(n) =  h(n-k) x(k)
k 0
k = n est la limite supérieure car h(n) est causal (k > n  h(n-k) = 0. La bruite inférieure est k
n 1
= 0 car x(k) est causal y(n) =  h(n-k) x(k) + h(o) x(n)
k 0
n 1
y(n) =  h(n-k) x(k) + x(n) ; h(o)(0,5)1
k 0
n 1
0,5 y(n-1) =  x(k) h(n-1-k) x 0,5  y(n) = 0,5 y(n-1) + x(n) appelée équation aux
k 0
différences.