Vous êtes sur la page 1sur 113

Ecole Supérieure en Génie Electrique et

Energétique Oran

Cours de Théorie et Traitement de


Signal

Dr. Fatima TAHRI

Janvier 2018
AVANT–PROPOS

Ce document est un support de cours destiné aux étudiants en 3ème année de la formation
d'ingénieur d'état en électrotechnique. Mais bien entendu il peut être utilisé par tout ceux en
1er cycle ou 2ème cycle LMD.
En plus c’est un document de base en matière de théorie et traitement de signal pour les post-
graduants, qui désirent approfondir leurs connaissances.

Dans le cadre de ce cours, nous nous intéressons principalement au traitement de signal qui
est une discipline indispensable de nos jours. Il a pour objet l’élaboration ou l’interprétation
des signaux porteurs d’information.

Dr. Fatima TAHRI


TABLE DES MATIERES

Chapitre I. GENERALITES SUR LES SIGNAUX


I.1 Introduction 01
I.2. Signal 01
I.3. Théorie du signal 01
I.4. Le traitement de signal 01
I.5. Système 02
I.6. Types de signal 02
I.7. Signal causal 03
I.8. Classification énergétique 03
I.9. Classification morphologique 05
I.10. Classification spectrale 06
I.11. Représentation temporelle/fréquentielle (spectre) 07
I.12. Bruit 08
Chapitre II. LES SIGNAUX DETERMINISTES
II.1. Introduction 09
II.2. Fonction signe 09
II.3. Echelon unité (échelon de Heaviside) 09
II.4. Fonction de Rampe 09
II.5. Fonction Rectangulaire 09
II.6. Fonction Triangulaire 10
II.7. Impulsion de Dirac 11
II.8. Sinus cardinal 12
II.9. Systèmes 13
Chapitre III. CONVOLUTION ET CORRELATION
III.1. Introduction 15
III.2. Convolution 15
III.3. Propriétés 18
III.3.3. Distributivité 19
III4. Corrélation 20
III.5. Relation entre la corrélation et la convolution 22
III.6. Propriétés 23
Chapitre IV. ANALYSE DE FOURIER
IV.1.Introduction 24
IV.2. L’analyse de Fourier 24
i
TABLE DES MATIERES

IV.3. Transformation de Fourier des fonctions périodiques : série de Fourier 24


IV. 4. Transformation de Fourier des fonctions 33
IV.5. Transformée de Fourier des signaux élémentaires 39
IV.6. Produit d’une fonction périodique par un signal à énergie finie 41
Chapitre V. Transformée de Laplace
V.1. Introduction 43
V.2. Définition de la transformée de Laplace : 43
V.3. Domaine de convergence (Dp) 45
V.4. Propriétés usuelles de la transformée de Laplace 46
V.5. Tableau des transformées de Laplace 48
V.6. Transformée inverse de Laplace 49
Chapitre VI. L’ECHANTILLONNAGE
VI. 1. Introduction 54
VI.2. Principe de l’échantillonnage 54
VI.3. Echantillonnage idéal d’un signal analogique 55
VI.4. La transformée de Fourier d’un signal échantillonné 56
VI.5. Problème d’échantillonnage 57
VI.6. Echantillonnage et recouvrement du spectre 58
VI.7. Enoncé du théorème de Shannon 60
VI.8. Quantification 62
VI.9. Transformée de Fourier Discrète 64
Chapitre VII. LA TRANSFORMEE EN Z
VII.1. Introduction 69
VII.2. Définition 1 69
VII.3. Définition 2 69
VII.4. La transformée en z des signaux discrets standards 69
VII.5. Propriétés de la transformée en Z 71

VII.6. Transformée inverse en Z 74

VII.7. La convolution et la transformée en Z 76

Chapitre VII. LES FILTRES ANNALOGIQUES


VIII.1. Introduction 78
VIII.2. Caractéristiques de base 78
VIII.3. Filtres passe-bas 80
VIII.3.1. Circuit RL série 81

ii
TABLE DES MATIERES

VIII.3.2. Circuit RC série 83


VIII.3.3. Les courbes de Bode 84
VIII.4. Filtres passe-haut 86
VIII.5. Filtres passe-bande 89
VIII.5.1. Caractéristiques 89
VIII.5.2. Circuit RLC série 89
VIII.6. Filtres coupe-bande 91
VIII.6.1. Filtre coupe-bande RLC série 91
ANNEXES
Annexe A 94
Annexe B1 95
Annexe B2 96
Bibliographies 97

iii
Chapitre I

GENERALITES SUR LES SIGNAUX


GENERALITES SUR LES SIGNAUX

I.1 Introduction :

Dans ce chapitre, quelques définitions et notions élémentaires d’énergie et de puissance sont


introduites afin de fixer les objectifs de ce cours.

I.2. Signal :

Une grandeur physique dépendant du temps ou d’autre variable, véhicule une information utile a
l’observateur

Exemple : un bip sonore  le son.

La lumière  onde lumineuse.

La musique  acoustique  un morceau ou une chanson.

La photographie  l’image  les portraits d’une personne.

Remarque : le rôle majeur du signal c’est la communication dans les disciplines tel que :
automatique, informatique et électrique.

I.3. Théorie du signal :

La théorie du signal est l’ensemble des outils conceptuels qui permettent de construire des
modèles théoriques basés sur les lois physiques exprimés en langage mathématique pour fournir
une représentation du signal.

I.4. Le traitement de signal :

C’est la discipline ou technique qui s’appuyant sur les ressources de l’électronique, de


l’informatique et de la physique appliquée, qui a pour objet l’élaboration ou l’interprétation des
signaux porteurs de l’information.

Domaine d’application : le traitement de signal trouve sont champ d’application dans les
domaines concerner par la perception, la transmission ou l’exploitation de ses informations.

Exemple : analyse biomédicale, géo physique, astronomie, traitement d’image etc…

En électrotechnique : vibration d’une machine tournante, fluctuation des charges d’un réseau
électrique, perturbation électromagnétique.

1
GENERALITES SUR LES SIGNAUX

Remarque : Les signaux que nous étudions sont des grandeurs qui évoluent avec le temps. La
variable peut ne pas être «t». ex : un signal optique est une fonction du temps et de l’espace.

I.5. Système :

Figure I.1. Schéma universel d’un système de structure indifférente (boite noire).

Exemple : système de transmission (par satellite).

Système de transformation (amplificateur, codeur, décodeur,…).

I.6. Types de signal :

Les signaux peuvent être distingués en deux grandeurs catégories

x(t)

x(t1)
I.6.1. Signaux déterministes :

Se sont des signaux dont l’évolution en fonction du


x(t1)
temps, peut être parfaitement décrit par un model
mathématique.
t1 t2
I.6.2. Signaux aléatoires :

Se sont des signaux dont le comportement est imprévisible pour leur description, on utilise la
description physique. On distingue également dans chacune des deux classes des signaux
analogiques et des signaux numériques.

2
GENERALITES SUR LES SIGNAUX

I.7. Signal causal :

Un signal causal est tout signal nul pour toutes les valeurs nulles du temps, on dit qu’un système
est causal si sa réponse est nulle pour t  0 .

I.8. Classification énergétique :

a) Signaux à énergie finie :

u  t   Ri  t 

L’énergie dissipée pendant une durée donnée  t1 , t2 

t2
u 2 t  t2
E dt   Ri 2  t  dt
t1 R t1

Le plus souvent, on considère l’énergie normalisée, dans ce cas R  1

t2 t2
E   u 2  t dt   i 2  t  dt
t1 t1

t2
E   s 2  t dt
t1

Si s  t  est complexe

t2 t2
E   s  t  s  t  dt   s  t  dt
 2

t1 t1

* : c’est le conjugué.

x  a  jb , x*  a  jb

Définition : on appelle un signal à énergie finie non nulle tout signal dont l’énergie reste
finie quand l’intervalle considéré varie de  a 


s t 
E   s  t  dt  
2

 A

L’énergie est toujours positive


t

3
GENERALITES SUR LES SIGNAUX

Exemple :

s  t   Ae
a t
,a0

 
E   s  t  dt   Ae
2 2
a t
dt
 

Le signal est à énergie finie
0
2 at A2
E  A  e dt  A  e
2 2 at 2
dt 
 0 a

Remarque : les signaux d’énergie finie sont tout les signaux de type transitoire, qu’il soit
déterministes ou aléatoires.

b) Signaux à puissance moyenne finie :

Nombreux signaux importants ne vérifient pas la condition précédente, a savoir :

 Les signaux périodiques.


 Les signaux aléatoires permanant.
 Les signaux quasi périodiques x  t    sin i t 
i

Ces signaux sont caractérisés par leur puissance moyenne.

La puissance moyenne d’un signal s  t  quelconque dans un intervalle de temps  t1 , t2 

est égale à :

1 t2
s  t  dt
2
P 
t2  t1 t1

Définition : on dit qu’un signal s  t  est à une puissance moyenne finie non nulle, un signal pour

le quel l’équation précédente reste finie de 0 a 

T
1 2
0  P  lim  s  t  dt  
2

T T
2

Remarque : les signaux à puissance moyenne fini ne sont pas des signaux physiquement
réalisables.

4
GENERALITES SUR LES SIGNAUX

Exemple :

Soit un signal s  t   5V pour   t   , est ce que c’est un signal de puissance ou

d’énergie ?


E   25dt  


T
1 2 1
P  lim  25dt  lim 25 T   25W c’est un signal de puissance.
T  T T T  T

2

I.9. Classification morphologique :

Dans cette famille, on prend en compte les différentes étapes sous les quelles un signal se
présente

Figure I.2. Schéma d’une chaine de mesure et de traitement.

a) Signal analogique (continu) : c’est un signal dont l’amplitude et le temps sont continu.

f  t   (Fonction mathématique).

La variable ‘t’ varie de façon continue.

t   la valeur du signal à cet instant f  t  .

Exemple : f  t   a cos t   

a : amplitude.

  2 f : pulsation.
5
GENERALITES SUR LES SIGNAUX

 : phase.

x (t)
b) Signal échantillonné : un signal
échantillonné est un signal dont
l’amplitude est continue et le temps
t
discret.

c) Signal quantifié : c’est un signal dont


l’amplitude est discrète et le temps est
continu. La quantification à chaque x (n T e ) Te

amplitude donne une valeur quantifiée


xq  t  prise parmi un ensemble fini
t= n T e

d’une valeur discrète.

d) Signal numérique :
x (t)

Un signal numérique est un signal


échantillonné et quantifié (discret en
amplitude et en temps). t

x q (t)

I.10. Classification spectrale :

Se fait selon la distribution du spectre d’énergie sur


l’axe de fréquence x  f   . x  f 

La bande de fréquence B  f 2  f1 .

On aura donc :

1. Signaux de basse fréquence f


 f2  f1 f1 f2

6
GENERALITES SUR LES SIGNAUX

x  f 

2. Signaux de haute fréquence

f
 f2  f1 f1 f2

x  f 

3. Signaux à bande étroite

f
 f2  f1 f1 f2

x  f 
4. Signaux à large bande

f
 f2  f1 f1 f2

I.11. Représentation temporelle/fréquentielle (spectre):

En plus de sa description temporelle, le signal peut avoir une représentation fréquentielle


(spectrale) à travers son spectre qu’on obtient à l’aide d’un outil puissant qui est la
transformée de Fourier TF.

TF
x t   X  f   
(Spectre du signal)
réel complexe


X  f    x  t e  j 2 f t dt  X  f  e j  f  dt


7
GENERALITES SUR LES SIGNAUX

X  f  : Amplitude

  : Phase
 f

I.12. Bruit:

Tout signal perturbateur gênant la perception ou l’interprétation d’un signal est considéré
comme bruit.

Rapport signal/bruit :

C’est une mesure de degré de contamination du signal par un bruit. On le note :


Ps  puissance du signal
 
Pb  puissance du bruit

 puissance du signal
 dB  10 Log10
 puissance du bruit

8
Chapitre II

LES SIGNAUX DETERMINISTES


LES SIGNAUX DETERMINISTES

II.1. Introduction :

L’évolution des signaux déterministes ou certains en fonction du temps peut être parfaitement
modélisé par une fonction mathématique. On l’utilise pour alléger la représentation
mathématique de certains signaux rencontrés souvent en théorie du signal.

II.2. Fonction signe : Sgn(t)

1 t0
sgn  t    1
 1 t  0
t

-1

II.3. Echelon unité (échelon de Heaviside) :


u(t)
1 t  0
u t    1
0 t  0
t

II.4. Fonction de Rampe :


r(t)
t t  0
r t   
0 t  0 1

t
1
II.5. Fonction Rectangulaire :

rect(t)

t
-1/2 1/2

On l’appelle également Fenêtre

 t  
x  t   A.rect  
 T 

A : Amplitude.

9
LES SIGNAUX DETERMINISTES

 : Centre de symétrie. x t 

T : Largeur.

On peut définir la fonction rectangulaire en fonction de


T   T t
l’échelon 
2 2

 1  1
rect  t   u  t    u  t  
 2  2

Exemple : représenter x  t  graphiquement :


x t 
 t 3
x  t   10.rect  
 4  10

1 3 5 t

tri  t 
II.6. Fonction Triangulaire :

1
1  t t 0
Tri  t   
0 t 0

1 1 t

 t   x t 
x  t   A.tri  
 T 

A : Amplitude. A

 : Centre de symétrie.
 T   T t
T : La demi-largeur.
2T

10
LES SIGNAUX DETERMINISTES

II.7. Impulsion de Dirac :


 t 
Impulsion de Dirac  Distribution de Delta

 Impulsion unité
t
Elle peut être définie par le produit scalaire : 0


x  t  ,   t    x  t .  t  dt  x  0  (II.1)


  t  : est un opérateur d’échantillonnage

x t 

x  t1    t  t1 

t t
0 t1 0 t1

A

x  t  ,   t  t1    x  t .  t  t1  dt  x  t1 
 0 t
T
Dans l’équation (II.1) si x  t   1 F t 
1
 0

     t  dt  0 t  0
   t  dt  1  u  t    


    t  dt  1 t  0 t
 0 

lim F  t     t 
 0

du  t 
  t  
dt

Pratiquement l’impulsion du Dirac peut être considérer comme une fonction rectangulaire de
surface unité dont la durée tend vers zéro.

11
LES SIGNAUX DETERMINISTES

II.7.1. Produit d’une fonction continue par une impulsion de Dirac :

x  t  .  t   x  0  .  t  (II.2)

x  t  .  t  t0   x  t0  .  t  t0  (II.3)

II.7.2. Peigne de Dirac :

On appelle peigne de Dirac une succession périodique d’impulsions de Dirac.

 t 

 t    t  t0 

 kT 2T T T 2T 3T kT t0

 T  t      t  kT 
k 

T : est période de peigne.

Cette suite est parfois appelée fonction d’échantillonnage ou train d’impulsions.

De l’équation (II.2) et (II.3) on peut avoir :


x  t  . T  t    x  kT  .  t  kT  (II.4)
k 

II.8. Sinus cardinal :


sin c  

C’est le rapport entre une fonction sinusoïdale 1


et son argument :

sin  
sin c    sin    
  0


2 1 1 2

12
LES SIGNAUX DETERMINISTES

II.9. Systèmes :

II.9.1. Définition d’un Système :

Mathématiquement un système est un opérateur, ou une transformation qui à partir d’un signal
d’entrée x  t  fournit un signal de sortie y  t  .

On note y  t   T  x  t  

II.9.2. Système linéaire:

Un système T est linéaire si :


R
R

a1  , a2  , T  a1 x1  t   a2 x2  t    a1T  x1  t    a2T  x2  t   (II.5)


 
y1  t  y2  t 

II.9.3. Système invariant:

Un système est dit invariant dans le temps si et seulement si :


R

T  x  t  t0   y  t  t0  ; t0  (II.6)

Un décalage à l’entrée correspond le même décalage à la sortie.

x  t  t0  y  t  t0 


13
LES SIGNAUX DETERMINISTES

x t  x  t  t0 

y t  y  t  t0 

t t

14
Chapitre III

CONVOLUTION ET CORRELATION
CONVOLUTION ET CORRELATION

III.1. Introduction :

La convolution et la corrélation sont des concepts physiques significatifs dans plusieurs domaines
scientifiques.
Elles jouent un rôle important dans l’analyse et le traitement des signaux.

III.2. Convolution :
III.2.1. Définition :
Le produit de convolution entre deux fonctions f  t  et g  t  est défini de la façon suivante :

f  t   g  t    f  .g  t    d (III.1)


Le produit de convolution exprime la quantité de recouvrement d’une fonction f lorsqu’on la


déplace sur une autre fonction g : c’est un mélangeur de fonction. C’est un outil important en TDS
(traitement des signaux).

De même le signal de sortie y  t  d’un système linéaire causal est donné par le produit de
convolution du signal d’entré x  t  par la réponse impulsionnelle du système h  t  .

Dans le cas discret :

x n y n  x n  h n


h n 
  x  k .h  n  k 


III.2.2. Représentation graphique du produit de convolution :

En examinant le produit de convolution suivant :

y t   x t   h t 
 (III.2)
  x  .h  t    d


On peut énumérer les différentes étapes et opérations intervenant dans le produit de convolution :

1. La variable t est remplacé par  .


2. On prend la symétrie de h   par rapport à l’axe des ordonnes h    h   
15
CONVOLUTION ET CORRELATION

3. Cette fonction h    est ensuite translatée vers la droite d’une quantité t h     h  t   


4. On fait le produit x   par h  t   
5. Le produit de convolution est une fonction du temps t , est doit être évalué pour   t  
.

Exemple :

t2
Soit x  t   h  t   rect  
 4 

x t  y t 
h t 

Calculer y  t 

x t  x  

h t  h  

16
CONVOLUTION ET CORRELATION

2ème étape

3ème étape

h    h t  

 

4ème et 5ème étape

h t   x  

1 er cas :
t  0  y  t   0 (il n’y a aucune section entre les deux).

17
CONVOLUTION ET CORRELATION

2ème cas :
t
0  t  4  y  t    1.d  t
0

ème
3 cas :
4
t  4  y  t    1.d  8  t
t 4

t  4  4  t  8  y t   0
0 t0
 t 0t 4

y t   x t   h t   
8  t 4  t  8
 0 t 8

t4
y  t   4tri  
 4 

t2 t2 t4


rect    rect    4tri  
 4   4   4 

III.3. Propriétés :
III.3.1. Commutativité :
Le produit de convolution est commutatif
y t   x t   h t   h t   x t  (III.3)


x  t   h  t    x  .h  t    d (III.4)


18
CONVOLUTION ET CORRELATION

Si on pose :
 d  dM

t    M     , M   (III.5)
   , M  

L’équation (III.4) devient :


 x  t  M .h  M  dM 


  x  t  M .h  M  dM  (III.6)


 h t   x t 

III.3.2. Associativité :

x t  y t 
h1  t  h2  t 

x t  y t 
h t 

y t   x t   h t 
 x  t    h1  t   h2  t   (III.7)
  x  t   h1  t    h2  t 

III.3.3. Distributivité :
Cette propriété est la conséquence de la linéarité des intégrales.
y  t   x  t   h1  t   x  t   h2  t 
(III.8)
 x  t    h1  t   h2  t  

Grâce à cette propriété, on peut dire que la mise en parallèle de deux systèmes de réponse
impulsionnelle h1  t  et h2  t  est équivalente à un système dont la réponse impulsionnelle h  t  est

la somme des deux réponses h1  t  et h2  t  .

19
CONVOLUTION ET CORRELATION

h1  t 

x t  x  t   h1  t   x  t   h2  t 
+

h2  t 

x t  y t 
h  t   h1  t   h2  t 

III4. Corrélation :
III.4.1. Principe de la corrélation :
En traitement de signaux, il est souvent nécessaire de comparer deux signaux, cela peut se faire de
plusieurs manières.
La méthode qui est la plus utilisée consiste à une mesure de leur similitude de forme et de position
en faisant translater l’un des signaux par rapport à l’autre mathématiquement. Cette opération est un
produit scalaire.

III.4.2. Définition de la corrélation :


C’est la relation réciproque qui indique le degré de similitude entre deux fonctions (signaux).
a) Fonction d’inter-corrélation dans le cas des signaux énergétiques :
On appelle fonction d’inter corrélation notée Rxy   en anglais (cross corrélation), la fonction

permettant la mesure de la similitude entre deux signaux x  t  et y  t  .



Rxy    x* , y   x*  t . y  t    dt (III.9)


Avec x*  t  le conjugué de x  t  .

y  y  t  est translaté d’une quantité  .

20
CONVOLUTION ET CORRELATION

Cas discret :

Rxy  k    x*  n . y  n  k  (III.10)
n 

Cas particulier :
Si nous somme dans les signaux réels

Rxy     x  t . y  t    dt (III.11)


b) Fonction d’auto-corrélation dans le cas des signaux énergétiques :


Cette opération permet de comparer un signal x  t  avec lui-même durant l’intervalle de temps t

dont l’un des signaux est décalé (translaté) d’une certaine quantité   y  t   x  t  .

Rx     x* , x    x*  t .x  t    dt (III.12)


Cas discret :

Rx  k    x*  n  .x  n  k  (III.13)


c) Relation entre énergie et fonction d’autocréation :


 
Ex   x  t  dt   x*  t  x  t  dt  Rx  0 
2
(III.14)
 

La valeur à l’origine d’une fonction d’auto-corrélation représente l’énergie du signal :


Ex  Rx  0  (III.15)

d) Fonction d’inter-corrélation dans le cas des signaux à puissance moyenne finie :


T
1 2
Rxy    lim  x*  t  y  t    dt (III.16)
T  T T

2

21
CONVOLUTION ET CORRELATION

e) Fonction d’auto-corrélation dans le cas des signaux à puissance moyenne finie :


T
1 2
Rx    lim  x*  t  x  t    dt (III.17)
T  T T

2

T
1 2
Px  lim  x*  t  x  t  dt  Rx  0  (III.18)
T  T T

2

III.5. Relation entre la corrélation et la convolution :


 

 z    x    y     x  t . y   t  dt

 
(III.19)
 Rxy     x*  t  . y  t    dt
 

Si on pose M  t
t    M  

t    M  
 dt  dM

L’équation (III.20) devient :



Rxy     x*   M  y   M  dM
 (III.20)
 x     y  
*

Dans le cas des signaux réels : Rxy    x     y  

La différence entre la fonction d’inter-corrélation Rxy   et la convolution des deux fonctions se

trouve au niveau de la fonction qui est inversé par rapport au temps. Dans le cas des fonctions
réelles et paires, la convolution et la corrélation sont équivalent.
Si x   réel et paire alors : Rxy    x    y   .

22
CONVOLUTION ET CORRELATION

III.6. Propriétés :
a) La symétrie :
Si les signaux sont complexes :
Rxy    R*yx    (III.21)

Dans le cas où les signaux sont réels :


Rxy    Ryx    (III.22)

Remarque : pour une fonction d’autocorrélation, on peut dire que pour un signal réel :
Rx    Rx    (III.23)

Cela veut dire que la fonction d’autocorrélation Rx   est une fonction réelle paire.

b) La périodicité :
Si un signal x  t  est périodique d’une période T alors Rx   est aussi périodique de la même

période.
x  t   x  t  kT   Rx    Rx   kT  (III.24)

c) Additivité :
z  t   x  t   y  t   Rz  
(III.25)
Rz    Rx    Ry    Rxy    Ryx  

Cas particulier :
Si x  t  et y  t  sont indépendants (il n’y’a aucune ressemblance entre les deux)

 Rxy    Ryx    0
(III.26)
 Rz    Rx    Ry  

23
Chapitre IV

ANALYSE DE FOURIER
ANALYSE DE FOURIER

IV.1.Introduction:

Jean Baptiste Joseph Fourier (1768-1830), plus communément appelé Joseph Fourier, est un
mathématicien et physicien français connu pour ses travaux sur la décomposition des fonctions
périodiques en séries trigonométriques convergentes appelées séries de Fourier et leurs
applications au problème de la propagation de la chaleur.

IV.2. L’analyse de Fourier :

L’analyse de Fourier est l’outil mathématique principal qui permet le passage de la


représentation temporelle à la représentation fréquentiel. On effet ce passage permet de
décomposer un signal en éléments sinusoïdaux, chaque sinusoïde représente une fréquence, ce
qui permet d’obtenir les renseignements sur la distribution fréquentielle.

IV.3. Transformation de Fourier des fonctions périodiques : série de Fourier :

La transformée et la série de Fourier permet de donner une autre représentation des signaux très
intéressante pour la théorie de l’information du signal. Cette décomposition exponentielle ou
trigonométrique permet d’exprimer le signal en fonction de ses harmoniques. L'analyse de
Fourier est très utilisée en électricité comme en physique.

IV.3.1. Définition du spectre d’un signal :

Le spectre d’un signal n’est rien d’autre que la représentation en fréquence des sinusoïdes qui le
compose.

Une sinusoïde x  t   A sin t   

A : Amplitude

  2 f : Pulsation

 :La phase

La représentation de l’amplitude en fonction de f  spectre d’amplitude.

La représentation de la phase en fonction de f  spectre de phase.

24
ANALYSE DE FOURIER

IV. 3.2. Les harmoniques :

On appelle les différentes sinusoïdes qui composent le signal harmonique. On le numérote en


fonction de leurs fréquences.

L’harmonique numéro n à une fréquence égale à n multiple celle de la fréquence de départ


(fondamentale).

L’harmonique n=1 s’appelle le fondamentale.

IV. 3.3. Première forme de la décomposition en série de Fourier (série de Fourier


trigonométrique condensé) :

Un signal x  t  périodique de fréquence f 0 peut s’écrire comme la somme :

D’un terme constant  c’est la valeur moyenne.

Plus, un nombre (infini) de sinusoïdes de fréquences multiple de f 0 se sont les harmoniques

Première forme de la décomposition en série de Fourier :


x  t   x   Cn .cos  n0t  n  (IV.1)
n 1

IV. 3.4. Série de Fourier trigonométrique (d’Euler) :

La deuxième forme de la décomposition en série de Fourier :


x  t   x    an .cos  n0t   bn .sin  n0t   (IV.2)
n 1

1
Avec 0  2 f 0 , T0 
f0

T0
1 2
x   x  t  dt  xT0
T0 T0
(IV.3)
2

T0
2 2
an   xT  t .cos  n0t  dt
T0 T0 0
(IV.4)
2

25
ANALYSE DE FOURIER

T0
2 2
bn   xT  t .sin  n0t  dt
T0 T0 0
(IV.5)
2

Par identification entre (IV.1) et (IV.2) et en utilisant l’identité


cos      cos  cos   sin  sin  , On obtient :

an  Cn cos n  (IV.6)

Et bn  Cn sin n  (IV.7)

Z  an  jbn  Cn e  jn (IV.8)

Z  Cn  Cn  an2  bn2 (IV.9)

b 
n   Arg  Z    Arctg  n  (IV.10)
 an 

Propriété :

1) Si x  t  est paire  x  t   x  t    bn  0 t

2) Si x  t  est impaire  x  t    x  t    an  0 t

3) Si on ajoute une constante à x  t  , c’est la valeur moyenne qui change et non pas an et

bn .

4) Si on change l’origine des temps de x  t  , le spectre de phase est modifié et non pas le

spectre d’amplitude.

IV. 3.5. Forme complexe de la série de Fourier :

3ieme forme de série de Fourier :


x  t    Cn e j n0 t (IV.11)


Cn sont les coefficients de la série de Fourier complexe. La suite des coefficients complexes Cn

constituent le spectre (raies) du signal périodique x  t  .

26
ANALYSE DE FOURIER

e j  cos   j sin  (IV.12)


x  t    Cn  cos n0t  j sin n0t  (IV.13)
n 

T0
1 2
Cn   x  t  e  j n0 t dt (IV.14)
T0 T0
2

Si n  2

x  t   C2  cos 20t  j sin 20t   C1  cos 0t  j sin 0t   C0
(IV.15)
C1  cos 0t  j sin 0t   C2  cos 20t  j sin 20t 

x  t   C2  C2  cos 20t  C1  C1  cos 0t  C0  j C2  C2  sin 20t  j C1  C1  sin 0t
      
a2 a1 a0 b2 b1

x  t   a0  a1 cos 0t  a2 cos 20t  b1 sin 0t  b2 sin 20t (IV.16)


x  t   a0    an cos n0t  bn sin n0t  (IV.17)
n 1

1 1
an  Cn  C n   x  t e  jn0t dt   x  t e jn0t dt (IV.18)
TT TT

1
 x  t e 0  e 0  dt
jn t  jn t
an  (IV.19)
TT

2
an 
TT
 x  t cos  n0t dt (IV.20)

2
bn  j  Cn  C n    x  t  sin  n0t  dt (IV.21)
TT

1
a0  C0 
TT
 x  t  dt (IV.22)

an  jbn an  jbn
Cn  C n  (IV.23)
2 2

27
ANALYSE DE FOURIER

Propriété :

Si x  t  est réel  An , Bn réels  C n  Cn*

Si x  t  pair  Bn  0 n  C n  Cn

Si x  t  impair  An  0 n  C n  Cn

Exemple :

x  t  est une tension en sortie d’un circuit  f 0  50 Hz 

Cn  v  n  rd 

C5

C1


C2

2

f  Hz  C2  f  Hz 

C3 2

Spectre d’amplitude Spectre de phase


(Spectre discret) (Spectre discret)
On peut remarquer qu’on obtient des raies correspondantes aux harmoniques 1,2,3,….pour les
autres fréquences les sinusoïdes ne sont pas définis, on dit que le spectre est discret c’est le cas
de tout les signaux périodiques.

IV. 3.6. Condition d’existence de la série de Fourier :

 Le signal x  t  doit être périodique.

 La condition de convergence x  t    .

28
ANALYSE DE FOURIER

Application :

Calculer a0 , an et bn

2
La période est : T  2s ; la pulsation est :     ; f  t  est une fonction paire : bn  0 .
T

La valeur moyenne est :


1 1 10 11
a0   f  t dt   f  t dt   f  t dt
T 1 2 1 20

t   1, 0 et t   0,1

f  t   at  b  f  t   3t  3 f  t   ct  d  f  t   3t  3

D’où :
0

 3t  3dt   t 2  3t  
10 1 3 3
 2 2
2 1  1 4

 3t  3dt   t 2  3t  


11 1 3 3
 2 2
20 0 4

a0  3  3  3 a0  3
4 4 2 2

2 T0 21
an   f  t .cos  2 n f 0 t  dt  an   f  t .cos  2n t  dt
T0 0 T 1

x(t)
0 1
an    3t  3.cos  n t  dt    3t  3.cos  n t  dt
1 0

En intégrant par partie, on trouve


3  3 
1   1   1   1 
n n
an  2 
 n    n 
2   T
t

29
ANALYSE DE FOURIER

6 1   1n 
D’où : an 
 n 
2  

Exemple :

Soit un signal x  t    T  t 

1. Décomposer ce signal en série de Fourier complexe.


2. Déterminer les coefficients de la série de Fourier trigonométrique.
3. Tracer le spectre de ce signal.

1) x  t    Cn e j n0 t


T T
1 2 1 2 1 1
    t  e dt  y  0      t  t0  y  t  dt  y  t0 
 j n 0 t  j n 0 t
Cn   x t e dt     car
T T T T yt 
T T
2 2

1 1 2 2 1
2) an  Cn  C n    an  a0  C0 
T T T T T

1 1
bn  0  j  Cn  C n   j     0
T T 

T
2 2 2 2
Sinon an     t  cos  n0t  dt  cos  0  
T T T T
2

1
On remarque que dans ce cas que Cn  quel que soit n cela veut dire que les Cn sont
T
réels (phase nulle).
an

Cn 2
T
1
1 T
T
nf 0

nf 0

n

nf 0

30
ANALYSE DE FOURIER

IV. 3.7. Limitation de la série de Fourier :

La série de Fourier s’applique uniquement aux signaux :

 périodiques (intégrale sur une période)


 Continue
 Non aléatoire

IV. 3.8. L’égalité de Parseval

L'égalité de Parseval dite parfois théorème de Parseval est une formule fondamentale de la
théorie des séries de Fourier.

Dans de nombreuses applications physiques (courant électrique par exemple), cette formule peut
s'interpréter comme suit : l'énergie totale s'obtient en sommant les contributions des
différents harmoniques.

L'énergie totale d'un signal ne dépend pas de la représentation choisie : fréquentielle ou


temporelle.

 
E   x  t  dt   X  f  df
2 2

 

Soit f une fonction périodique continue par morceaux.


a0    an cos  nt   bn sin  nt   , est sa série de Fourier, alors on a :
n 1

1 
1T 2

T0
f  t  dt  a02   an2  bn2
2 n 1
  Remarque : l’intégrale peut être prise sur n’importe quel

intervalle de longueur T.

En utilisant la forme complexe des séries de Fourier, on montre que l’égalité de Parseval s’écrit
aussi :
1T 2 
f  t  dt   Cn
2

T0 n 

La formule de Parseval permet de calculer la somme de certaines séries numériques.

Exemple :

On considère la fonction périodique de période 2 définie comme suit :


31
ANALYSE DE FOURIER

 1 sur
f t   
0;  
1 sur  ; 2 

f t 

2  2 t

Cette fonction est monotone par morceaux et bornée. Calculons ses coefficients de Fourier:
10 

a0     1 dt   dt   0
   0 

10 

an     1 cos  nt  dt   cos  nt  dt   0
   0 

10 
 2
bn     1 sin  nt  dt   sin  nt  dt   1  cos n 
   0  n

 0, si n est pair

Soit : bn   4
 n , si n est impair

La série de Fourier de la fonction considérée s’écrit donc :

4  sin t sin 3t sin  2 p  1 t 


f t      ...  
 1 3 2 p 1 

La formule de Parseval donne alors :

1 2 2 1 
 f  t  dt   bn2
2 0 2 n 0

On avait obtenu le développement en série de Fourier :


sin   2n  1 t 
4

n  0  2n  1 

La formule de Parseval donne alors :


32
ANALYSE DE FOURIER

1 2 2 1 
 f  t  dt   bn2
2 0 2 n 0

1 2 2
Or :
2 0
 f  t  dt  1

2
1  2 1   4  8  1
Et :  bn      2 
2 n 0 2 p 0   2 p  1    p 0  2 p  1
2

Et donc :

 1 2
 
 2 p  1
2
p 0 8

1 1 1 2
C'est-à-dire : 1    ... 
32 52 7 2 8

IV. 4. Transformation de Fourier des fonctions :

La transformée de fourrier permet d’obtenir une représentation en fréquence (représentation


spectrale) des signaux déterministes, continus et non périodiques. Elle exprime la répartition
fréquentielle de l’amplitude et de la phase des signaux considérés.

IV.4.1. Calcul du spectre par la transformée de Fourier :

C’est une forme complexe de la variable f définie par ;


X  f   TF  x  t     x  t  e  j 2 ft dt


X  f  indique quelle quantité de fréquence f est présente dans le signal x  t  sur l’intervalle

,  .

X  f  est une fonction de f, généralement complexe :

X  f   R  X  f   j.I  X  f   X  f  .e j  f 
 X  f  cos   f    j X  f  .sin   f  

Le module est l’amplitude du spectre :

33
ANALYSE DE FOURIER

X  f   R  X  f    I  X  f  
2 2

 Im  X  f   
L’argument   f   arg  X  f    arctg   
 Re  X  f   
   

La transformation inverse est donnée par :

T .F 1

x  t   TF 1  X  f 


x  t    X  f .e j 2 f t .df


1 
x t    X  .e .d avec   2 f  d   2 df
j t

2 

Application :

T T

2 2

1. Calculer la transformée de Fourier de x  t   rectT  t  ;

2. Représenter le spectre de x  t  .


X  f   TF  x  t    rectT  t .e  j 2 ft .dt

T
2 1
  1.e  j 2 ft .dt   e  j fT  e j fT 

T j 2 f
2

1  j  j sin  
Or : sin   e  e  et sinc  
2j 
34
ANALYSE DE FOURIER

1 1
D’où X  f   .sin  fT   T . .sin  fT   T .sinc  fT 
f  fT

D’où X  f   T .sinc  fT  Xf


T
Représentation de X  f  :

f
2 1 1 2
T T T T

IV.4.2. Dualité temps fréquence :

La symétrie des transformations directe et inverse montre l’existence d’une dualité entre l’espace
temps et l’espace fréquence.

TF
x(t) X(f)

Espace Espace
temps 1 fréquence
TF

Cette dualité joue un rôle fondamental dans la plupart des méthodes de traitement de signal.

IV.4.3. Comparaison entre série de Fourier et transformée de Fourier :

Soit un signal x  t  quelconque et soit une portion de ce signal

35
ANALYSE DE FOURIER

x  t , T  comprise dans l’intervalle t  T


2

rect  tT 

T T
2 2

 T
x  t , T   x  t  .rect t

En développant en série de Fourier cette portion du signal, on trouve les résultats suivants :

 x t , T   C exp j 2 nf t
    n  0 



T
1 2
Cn   x  t , T  exp   j 2 nf 0t  dt
 T T
 2

Seulement en prenant la décomposition de série de Fourier x  t , T  , on suppose que ce signal est

périodique de période T.

RepT  x  t , T 

T T
2 2

Rep T  x  t , T  : représente la répétition de x  t , T 

36
ANALYSE DE FOURIER

Or pour obtenir notre signal de départ x(t) il faut augmenter la fenêtre d’observation.

Autrement dit, On fait tomber T vers l’infini.

x  t   lim x  t , T 
T 

 lim   Cn exp  j 2 nf 0t  
T   n 
  T  
  1 2  
 lim   x  t , T  exp   j 2 nf 0t  dt  exp  j 2 nf 0t  
T   n  T T
   2 
 

1
 T  df

Si T   nf 0  f

 


  
x  t    df   x  t  exp   j 2 ft  dt  exp  j 2 ft 
 


X f 

x  t    X  f  exp  j 2 ft  df


En conclusion, on peut dire que la TF est une généralisation de la SF en cas des signaux non
périodique.

IV.4.4. Conclusion :

Pratiquement tous les signaux physiquement réalisables, ont une TF.


Pour les signaux qui ne possède pas la TF, une transformation de même type a été développé
c’est la transformée de Laplace.

IV.4.5. Propriété de la transformée de Fourier :


a) Linéarité :
f  t  
TF
F  f 
g  t  
TF
G  f 
af  t   bg  t  
TF
 aF  f   bG  f 

37
ANALYSE DE FOURIER

b) Changement d’échelle du temps :


f  t  
TF
F  f 

f  at  
TF

1
a
F f
a  
Cette propriété montre qu’une dilatation de l’échelle du temps conduit a une compression de
l’échelle de fréquence et inversement.

c) Translation dans le temps :


f  t  
TF
F  f 
Si f  t  t0  
TF
 F  f  e  j 2 ft0
f  t  t0  
TF
 F  f  e  j 2 ft0

Cette propriété montre qu’une translation d’un signal dans le domaine temporelle n’influe rien
sur son spectre d’amplitude, seul la phase est affectée d’un déphasage liée à cette translation.

d) Translation fréquentiel :

F  f    f t 
1
TF

Si F  f  f 0    f  t  e j 2 f 0 t
1
TF

F  f  f 0    f  t  e  j 2 f 0 t
1
TF

e) Dérivation temporelle :
f  t  
TF
F  f 

f  t    F  f e j 2 ft df


df  t  d 
  F  f e j 2 ft df
dt dt 
df  t  

dt
  F f 
 dt
e 
d j 2 ft
df 
df  t  
  F  f  j 2 f  e j 2 ft df
dt 

df  t 

TF
 F  f  j 2 f 
dt
d n f t 
 F  f  j 2 f 
n
Cas générale : n

TF

dt

38
ANALYSE DE FOURIER

f) Dérivation fréquentielle :

F  f    f t 
1
TF

d nF  f 
 f  t   j 2 t 
1 n
n

TF

df
g) Convolution :
x  t   h  t  
TF
 X  f  .H  f 

x  t  .h  t  
TF
 X  f H  f 

h) TF d’un signal conjugué :


f  t  
TF
F  f 
f *  t  
TF
 F*  f 

IV.5. Transformée de Fourier des signaux élémentaires :


Le signal : s  t  Transformée de Fourier du signal : S  f 

Constante A t A  f 

 t  1

Peigne de Dirac    t  nT  1  n
n  f  
n T  T

 t   e  j 2 f 
Echelon unité U  t  1
  f 
1
2 j 2 f

t A .sinc  f  
A.rect  
 

t  AT .sinc2  fT 
A.tri  
T 

e  j 2 f 0 t   f  f0 

e j 2 f 0 t   f  f0 

Application :

Calculer et représenter la transformée de Fourier d’un signal sinusoïdale s  t  d’amplitude S et

de fréquence f 0 telle que : s  t   S .cos  2 f 0t  .

39
ANALYSE DE FOURIER

 
S  f    s  t  e  j 2 f0t dt  S .  cos  2 f 0t  e  j 2 ft dt
 

e j 2 f 0 t  e  j 2 f 0 t
Or cos  2 f 0t  
2

  j 2 f0t   j 2 ft
e  e  j 2 f 0 t S   j 2 f0t  j 2 ft 

S  f   S.    e dt    e .e dt   e  j 2 f0t .e j 2 ft dt 
  2  2    

S   j 2  f0  f t 
 j 2  f 0  f  t  S    j 2  f  f0 t 

e  0  dt 
 j 2 f  f t
   e dt   e dt     e dt  
2     2    

Sinon sans calculer l’intégrale, en utilisant le tableau de transformation de Fourier ci-dessus.

S
S f    f  f 0     f  f 0  
2

S
TF  S .cos  2 f 0t      f  f 0     f  f 0  
2

S(t) S(f)

S S/2

t  f0 f0 f

Remarque :

La transformée de Fourier d’une fonction cosinus de fréquence f 0 et d’amplitude S, est la

somme de deux impulsions de Dirac centrée sur les fréquences  f 0 et  f 0 ; et d’amplitude la

moitié de celle du signal : S .


2

La transformée de Fourier d’une fonction sinus de fréquence f 0 et d’amplitude S , est la somme

de deux impulsions de Dirac centrée sur les fréquences  f 0 avec une amplitude S et sur  f 0
2

avec une amplitude  S .


2

40
ANALYSE DE FOURIER

IV. 6. Produit d’une fonction périodique par un signal à énergie finie :

Soit x  t  un signal à énergie finie et soit y  t  un signal périodique

x  t   E. f
y  t   y  t  nT 
z t   x t .y t 
z  f   X  f  Y  f 

Puisque y  t  est un signal périodique alors on peut le décomposer en S.F.

 n
n
j 2 t
y  t    Cn e T

TF
 Y  f    Cn  f  
n n  T

 n
Z  f   X  f    Cn  f  
n  T
  n 
  Cn  X  f     f   
n   T 

 n
Z  f    Cn X  f  
n  T

Conclusion :

On peut dire que le spectre d’un signal temporel obtenu à partir du produit d’un signal à énergie
finie avec un signal périodique est :

- Un signal d’énergie
n
- Une combinaison entre les deux signaux avec x  t  décalé par un pas régulier de sur
T
l’axe des fréquences.

Application :

Soit un signal à énergie finie x  t  et soit un signal périodique y  t   cos  2 f 0t 

z  t   x  t  .cos  2 f 0t 
Z  f  ??

41
ANALYSE DE FOURIER

cos 2 f 0t TF cos 2 f 0t

 f0 f0

 

 e j 2 f 0 t  e  j 2 f 0 t  A j 2 f 0 t  j 2 f 0 t
A cos  2 f 0t   A    e e 
 2  2

1 j 2 f 0 t 1
cos  2 f 0t    e  e  j 2 f0t  
TF
   f  f 0     f  f 0  
2 2

1
Z  f   X  f     f  f 0     f  f 0  
2
1
Z  f    X  f     f  f 0   X  f     f  f 0  
2

1
Zf   X  f  f 0   X  f  f 0  
2

42
Chapitre V

TRANSFORMEE DE LAPLACE
TRANSFORMEE DE LAPLACE

V.1. Introduction :

La transformée de Laplace est une technique très utilisée dans la résolution des problèmes
d’engineering comme pour la transformée de Fourier. Cette transformation permet d'associer, à
toute fonction f(t), une fonction F(p) d'une variable complexe P    j . Elle permet de
remplacer les opérations analytiques de dérivation et d'intégration par des opérations algébriques.
Cette propriété facilite la résolution des équations différentielles.

V.2. Définition de la transformée de Laplace :

Pour remédier à l’inexistence de la TF de certaines fonctions, l’idée pour rendre l’intégrale


convergente, c’est de multiplier la fonction x  t  par une fonction correctrice exp   t  avec

comme condition l’existence d’une valeur réel  telle que :



 x  t  .e dt  
 t

 (V.1)

 : est appelé abscisse de convergence c’est une grandeur réelle et positive.



TL  x  t    x  t  e  t .e  j 2 ft dt


  x  t  e   j 2 f t dt (V.2)


Si on pose p    j 2 f


TL  x  t    x  t  e  pt dt  X  p 
 (V.3)

La variable p est appelé fréquence complexe et des fois elle est notée s

Remarque importante :

Cette équation représente la transformée de Laplace bilatérale (intégration de  à  )



Ce que nous appelons mono latérale c’est X  p    x  t  e  pt dt
0

La TL trouve sont intérêt dans l’étude des régimes transitoires des signaux physiquement
réalisables qui justement sont nuls pour t  0 .

La TL est un outil très utilisé par les physiciens et les mécaniciens.

43
TRANSFORMEE DE LAPLACE

Exemple 1
0 pour t  0
Calculer la TL de l’échelon unité : x  t   u  t   
1 pour t  0


 e  pt 
TL u  t    1e  pt 1
dt    
0   p 0 p

1
U  p 
p

Exemple 2
Soit à calculer TL  f   t  connaissant TL  f  t   .

On a TL  f  t   F  p    e  pt f  t  dt
0

En utilisant l’intégration par partie, on aura :


u  f t  dv  e  pt dt

e  pt
du  f   t  dt v Or :  uv   u v  uv   uv  uv   u v
p


 e  pt  1   pt
 F  p   e  pt
f  t dt   f  t     e f   t  dt
0   p 0 p 0
f 0
TL  f   t 
1
 F  p  
p p
TL  f   t   pF  p   f  0 
Si la condition initiale est nulle  f  0   0  , alors :

TL  f   t   pF  p 

De même, si toutes les conditions initiales sont nulles  f  0   f   0   f   0   ....  0  , alors :


 
TL f n  t   p n F  p 

Dans ce cas là, l’équation différentielle (pour un système linéaire) liant l’entrée e  t  à la sortie
s  t  est :

dn d dk d
an n
s  t   ...  a1 s  t   a0 s  t   bk k
e  t   ...  b1 e  t   b0e  t  s’écrit, en utilisant la
dt dt dt dt
transformée de Laplace :

an p n S  p   ...  a1 pS  p   a0 S  p   bk p k E  p   ...  b1 pE  p   b0 E  p 

44
TRANSFORMEE DE LAPLACE

bk p k  ...  b0 S  p   TL s  t 
 S  p  E  p avec
an p n  ...  a0 E  p   TL e  t 

e t  s t 

1
jC
S  p  E  p
1
R
jC

V.3. Domaine de convergence (Dp) :

Si la valeur complexe p appartient au domaine de convergence Dp , cela indique que X  p 


existe.

Si p  Dp  X  p  existe

Définition :

1) On dit que l’intervalle de Laplace converge si :


 

 x  t  e dt   x  t  e dt  
 pt  t

0 0 (V.4)

Si t   , x  t  e  t  0 , l’intégrale de Laplace est convergente (ce si est vrais sous certaine


condition de x  t  )

2) Fonction d’ordre exponentiel :

On dit que x  t  est d’ordre exponentiel s’il existe un nombre réel  0 et un nombre positif
finie M tel que :

lim x  t  e  0t  M
t 
(V.5)

Toute fonction bornée est une fonction d’ordre exponentiel (tous les signaux physiques sont
d’ordre exp).

45
TRANSFORMEE DE LAPLACE

V.4. Propriétés usuelles de la transformée de Laplace

a) Linéarité :

Si a et b sont constants, on a :

TL  f  t   F  p  
 TL af  t   bg  t   aF  p   bG  p 
TL  g  t   G  p  

  
Car :  e  pt af  t   bg  t dt  a  e  pt f  t  dt  b  e  pt g  t  dt
0 0 0

En particulier :

TL  f  t   jg  t   TL  f  t   j.TL  g  t 
et TL Kf  t   K .TL  f  t  (V.6)

b) Dérivation :

Voir l’exemple 2, ci-dessus

TL  f   t   pF  p   f  0 

f  0  , représente la valeur de f  t  lorsque t  0 par valeur positive puisque f  t  n’est pas


définie pour t  0 .

D’une manière générale, on peut écrire :

 dn  r 2n
TL  n f  t    p n F  p    p 2 n  r f  r  n 1  0 
 dt  r  n 1

d  r  n 1 f  t 
Avec : f  r  n 1
0 
dt  r  n 1 t 0

 d2 
TL  2 f  t    p 2 F  p   pf  0   f   0 
 dt 
Exemple :
d 3

TL  3 f  t    p 3 F  p   p 2 F  0   pf   0   f   0 
 dt 

46
TRANSFORMEE DE LAPLACE

c) Intégration :

t 
Soit à calculer TL   f  t  dt   TL  P  t  , P  t  désignant une primitive de f  t  pour t > 0.
0 


On a : TL P  t     e P  t  dt
 pt

0
En utilisant l'intégration par partie, on aura :

u  P t  dv  e pt dt
e pt
du  P '  t  dt v dt  uv   uv  uv   uv  uv   uv
p


 e  pt  1   pt
 TL  p  t    e  pt
p  t dt   p  t     e p  t  dt
0   p 0 p 0
p 0 1   pt
 TL  p  t     e f  t  dt
p p 0
p 0
 TL  p  t   TL  f  t  
1
p p

En général :
t t t  1
TL    ... f  t  dt n   n TL  f  t 
0 0 0  p (V.7)

En supposant nulles toutes les primitives de f(t) quand t  0 par valeurs positives.

d) Changement d'échelle :

Un changement de l’échelle des temps se traduit par le changement de la variable "

t  kt ou t  k ".
t

On a :

TL  f  kt    e  pt k  kt dt
0

du
Posant : kt  u  du  kdt  dt 
k
Donc :
1   p uk 1  p
TL  f  kt    e f  u  du  F  
k 0 k k

47
TRANSFORMEE DE LAPLACE

f  t  
TL
 F  p

f  at  
TL

1
a
F p
a  
 1  TL
f  t    aF  ap 
a 

e) Translation temporelle :

f  t  
TL
 F  p
f  t  T  
TL
 F  p  e  pT

f) Translation fréquentielle (complexe) :

F  p    f t 
1
TL

F  p  a    f  t  e  at
1
TL

V.5. Tableau des transformées de Laplace :

f  t  (causal) F  p Dp
 t  1 , 

U t  1
p
0, 
e atU  t  1   Re  a  ,  
pa
tU  t  1 2
p
0, 
t n U t  n! 0, 
p n 1
sin 0t  .U  t  0 0, 
p  02
2

sin 0t  .e atU  t  0   Re  a  ,  


 p  a 
2 2
0

cos 0t  .U  t  p 0, 


p  02
2

cos 0t  .e atU  t  pa   Re  a  ,  


 p  a 
2 2
0

48
TRANSFORMEE DE LAPLACE

V.6. Transformée inverse de Laplace :

Dans le cas d’un problème de système mécanique ou électrique, on se trouve généralement en


présence d’un système d’équations différentielles le plus souvent linéaire à coefficient constant
portant sur les fonctions réelles du temps.

Les entrées e  t  représentent les actions par exemple différence de potentiel, courant,
force…agissants sur le système.

Les sorties y  t  sont des fonctions mesurées résultantes de la présence des entrées et de la
constitution du système.

Grâce à la TL, on passe d’un problème portant sur le domaine temporelle à un problème portant
sur le domaine de la variable complexe p, après avoir obtenu la solution du problème. Il est
nécessaire d’inverser cette transformation pour obtenir la solution ayant pour domaine de temps.
C’est la transformée de Laplace inverse. On la note TL1 ou L1 . Toute la complication est de
déterminer la TL-1.

Si F  p  est la Transformée de Laplace d’une fonction f  t  , on a :


1 
f  t   TL1  F  p    F  p  e dp
pt
t  0
j 2 

Cette méthode est difficile à utiliser et on préfère généralement :


 soit recourir aux tables de Transformées de Laplace. Dans ce cas, F  p  est

immédiatement reconnaissable dans la table,


 soit, lorsque la fonction F  p  n'apparait pas dans la table, décomposer F  p  en

fractions partielles et écrire F  p  en termes de fonctions simples de p pour lesquels la

Transformée de Laplace est toujours connue.


A noter que cette manière simple de trouver la transformée inverse est basée sur le fait qu’il
existe une correspondance unique entre la fonction temporelle et sa transformée inverse de
Laplace du fait de la continuité de la fonction temporelle.


Soit F  p   TL f  t  
Si F  p  peut être décomposée en termes distincts : F  p   F1  p   F2  p   ...  Fn  p  et Si les

transformées inverses sont disponibles,


TL1  F  p   TL1 F1  p   TL1 F2  p   ...  TL1 Fn  p 
Alors :
 f1  t   f 2  t   ...  f n  t 

49
TRANSFORMEE DE LAPLACE

V.6.1. Détermination de la TL-1 par décomposition en éléments simples :

Cette technique est très utilisée par les physiciens, car elle permet d’utiliser la table de
transformation.
m
 bi p i n  m
S  p  i 0

i  an  1
n
 i
a p
i 0

Cette technique est basée sur trois étapes essentielles :

a) 1ère étape calcule les racines du polynôme X  p 

n
Résoudre l’équation  ai p i  0 pour déterminer les racines
i 0

n L
 ai p i    p  ri  i
n

i 0 i 1

ri : sont les racines du polynôme

ni : c’est le nombre de racine égale a ri (racine simple, double)

L : c’est le nombre totale des racines.

m m
 bi p i  bi p i
S  p  i 0
n
 L
i 0

 ai p   p  ri 
i ni

i 0 i 1

b) 2eme étape : les tables de décomposition :

Cas des racines simples :


m
 bi p i
S  p  L
i 0
nm
  p  ri 
ni

i 1

A11 A21 A31 ALi


 bn     ... 
 p  r1   p  r2   p  r3   p  rL 
ALi : sont les inconnues à trouver.

50
TRANSFORMEE DE LAPLACE

Remarque :
B  p
Dans le cas où le degré de B  p   degré de A  p  dont F  p   , il faut alors diviser le
A p
numérateur par dénominateur, ensuite appliquer la méthode des fractions partielles.

Exemple :

p3
Trouver la Transformée Inverse de F  p   2 pôles distincts : p  1, p  2
 p  1 p  2 
Cas des racines doubles :
m
 bi p i
S  p  L
i 0
nm On suppose que la deuxième racine est double
  p  ri 
ni

i 1

A11 A21 A22 A31 ALi


 bn      ... 
 p  r1   p  r2   p  r2   p  r3 
2
 p  rL 

c) 3eme étape : calcule de TL-1 :

Grâce à la table de transformation.

Pour terminer nous dirons que toute la difficulté réside dans la première étape surtout comme
l’ordre de l’équation est supérieur à 4, pour cela plusieurs méthodes de résolution dite
numériques peuvent être envisagées :

Exemple :

p2  2 p  2
S  p  2
p  3p  2

Trouver s  t  ?

1er étape :

X  p   p2  3 p  2
 r  1
X  p   0  p2  3 p  2  0   1
r2  2

2eme étape :

A11 A21  A11  ?


S  p   bn   
 p  1  p  2   A21  ?

51
TRANSFORMEE DE LAPLACE

bn  p  1 p  2   A11  p  2   A21  p  1 p2  2 p  2


S  p  
 p  1 p  2   p  1 p  2 
A11  1
A21  2

1
1 2 TL
S  p  1   s  t     t   e t  2e 2t
p 1 p  2

Exemple d’un circuit électrique :

i t 

w t 
x t  y t 

Etablir l’équation différentielle qui lie y  t  à x  t 

Si x  t   2et , déterminer y  t 

R  1M  , C  1 F , Vco  1V

 x  t   y  t   w  t 

 y  t   Ri  t 
1t
w  t    i   d
C0

 1t
 x  t   y  t    i   d  Vco
C0

 y t  Ri t  i t  y  t 
    
R

dx  t  dy  t  1
y  t   pX  p   x  0   pY  p   y  0  
TL 1
  Y  p
dt dt RC RC

2
x  t   2e  t  X  p  
1 p
x  0   lim x  t   2V
t 0

52
TRANSFORMEE DE LAPLACE

 1t 
y  0   lim y  t   lim  x  t    i   d  Vco 
t 0 t 0
 C0 
 x  0   Vco  1V

2p 1
Y  p  
 p  1 p 1
2

A11 A12 1  A11  2


   
p  1  p  1 2
p 1  A12  2

y  t   2t et  et

La Table des principales transformées de Laplace et leurs propriétés est présentée dans
l’Annexe A.

53
Chapitre VI

L’ECHANTILLONNAGE
L’ECHANTILLONNAGE

VI. 1. Introduction :

La plupart des signaux physiques porteurs d’information sont de nature analogique (amplitude et
temps continus) qui exigent un traitement spécifique.

De nos jour et avec les progrès de l’électronique numérique conversion analogique numérique
(C.A.N) et conversion numérique analogique (C.N.A) des fonctions complexes telle que le
filtrage, la corrélation, la convolution… sont réalisables sous forme de carte autonome à base de
D.S.P (digital signal processing) grâce à un micro-ordinateur. Ce type de traitement donne des
résultats plus fiables que le traitement à base de signal analogique. De ce fait il faut discrétiser le
signal c’est l’opération d’échantillonnage.

Figure VI.1. Chaine de mesure et de contrôle.

VI.2. Principe de l’échantillonnage :

Figure VI.2. Schéma de principe d’un échantillonneur.

I  1  se  t   s  t 
I  2  se  t   0

54
L’ECHANTILLONNAGE

Principe de base d’un échantillonneur est réalisé comme le montre la figure (VI.2). Cet
1
interrupteur s’ouvre et se ferme périodiquement à la fréquence f e 
Te

L’opération d’échantillonnage peut engendrer des déformations du signal (perte d’information)


s  t  et se  t  doivent contenir la même information.

se  t  Est une suite d’impulsion périodique d’une période Te .

VI.3. Echantillonnage idéal d’un signal analogique :

D’après le principe de l’échantillonnage on peut le schématiser comme suit :

f  t      t  nTe 
n

f  t  : fonction d’échantillonnage.

Dans le cas d’un échantillonnage idéal f  t  n’est qu’une suite d’impulsion de Dirac qui

représente l’ouverture et la fermeture d’interrupteur.

55
L’ECHANTILLONNAGE

se  t   s  t      t  nTe 
n
(VI.1)
  s  nTe   t  nTe 
n

Echantillonnage idéal est caractérisé par une suite d’impulsions de Dirac périodique ( Te
échantillonnage régulier) dont l’air de chaque impulsion est égal à l’amplitude du signal
analogique s  t  à l’instant d’échantillonnage.

VI.4. La transformée de Fourier d’un signal échantillonné :

Echantillonnage temporelle 
TF
 ?

se  t   s  t  .   t  nTe  (VI.2)
n

1  n

TF
 Se  f   S  f    f   (VI.3)
n Te  Te 

1
Fe 
Te

Se  f   Fe S  f      f  nFe  (VI.4)
n

Se  f   Fe  S  f  nFe  (VI.5)
n

56
L’ECHANTILLONNAGE

s t  s f 

t f
 Fmax Fmax

 Te  t    Fe  f 

Te Fe
t f


se  t   Se  f 

t f
 Fe  Fmax Fmax Fe

TF
Echantillonnage Temporel  périodicité du spectre

Le spectre de X e  f  est celui de X  f  ‘’périodisé’‘ avec une période


fréquentielle Fe

L’échantillonnage dans le domaine temporel se traduit par une


‘’périodisation’‘ de période Fe dans le domaine fréquentiel.

Le spectre du signal échantillonné est formé par une suite du spectre du signal analogique (le
spectre du signal analogique se répète périodiquement sur l’axe des fréquences avec une période
1
Fe  ).
Te

VI.5. Problème d’échantillonnage :

x t  x  nTe  y  nTe  y t 

En étudiant le schéma bloque d’une chaine de traitement et de commande, on s’aperçoit que


deux questions peuvent se poser.

57
L’ECHANTILLONNAGE

1) Quelle doit être la valeur de Te pour avoir un signal échantillonné représentant le plus

fidèlement le signal x  t  .

2) Comment doit être choisi le filtre de reconstitution pour obtenir un signal analogique

y  t  le plus représentatif possible.

- Pour ce qui est pour la première question, la solution a été donnée par le théorème
1
Shannon, il faut respecter la condition Fe  2 Fmax , Te  Tmax .
2

Fmax : étant la fréquence maximal de signal analogique.

VI.6. Echantillonnage et recouvrement du spectre :

Le signal doit posséder un spectre borné pour qu’on puisse le reconstituer à partir de sa version
échantillonnée à condition que la fréquence Fe  2 Fmax
Xf
On considère que x(t) est un signal réel dont le spectre est
borné en fréquence, de fréquence maximale Fmax.

 f  Fmax , X  f   0 Fmax Fmax f

Question : que devient le spectre Xe( f ) en fonction de Fe ?

n 
X e  f   Fe .  X  f  nFe  (VI.6)
n 

Cas 1 : Fe  2 Fmax

Xe  f 

Fe
n  1 n0 n 1

Fe Fmax Fmax Fe f

58
L’ECHANTILLONNAGE

Les motifs élémentaires de X e  f  sont disjoints (pas de recouvrement des motifs)

Le motif principal (n = 0) est égal au spectre de x(t). Comme les motifs sont disjoints, on peut
extraire X( f ) grâce à un filtre passe-bas idéal et donc reconstituer intégralement le signal x(t) à
partir de la connaissance de son échantillonné xe(t).
Cas 2 : Fe  2 Fmax

Xe  f 

Fe

Fe Fmax Fmax Fe f

Les motifs élémentaires de |Xe( f )| se recouvrent. On parle de repliement de spectres.


A cause du chevauchement des motifs élémentaires constituant le spectre Xe( f ) du signal
échantillonné, il n'est pas possible de récupérer le spectre X( f ) par un filtrage approprié (le
recouvrement empêche de trouver le signal d’origine). Il n'est donc pas possible de reconstruire
le signal initial x(t) à partir de la connaissance de son échantillonné xe(t).
Question : quelle est la condition sur Fe pour qu'à partir du signal échantillonné xe(t), on puisse
reconstruire intégralement x(t) ?
Fe  2 Fmax pas de recouvrement de spectre  extraction de X  f  par filtrage passe-bas idéal

Fe  2 Fmax repliement de spectre  impossibilité de récupérer X  f  par filtrage

Par conséquent, pour que la répétition périodique du spectre de xe(t) ne déforme pas le spectre
X  f  répété, il faut et il suffit que Fe  2 Fmax (appliquer le théorème de Shannon)

59
L’ECHANTILLONNAGE

Conclusion :

Le signal doit posséder un spectre borné pour qu’on puisse le reconstituer à partir de sa version
échantillonnée, à condition que la fréquence Fe  2 Fmax

VI.7. Enoncé du théorème de Shannon :

La condition nécessaire et suffisante pour échantillonner un signal sans perte d'information est
que la fréquence d'échantillonnage Fe soit supérieure ou égale au double de la fréquence
maximale du signal. Plus précisément, si on note Fmax la fréquence maximale du signal, il faut et
il suffit que : Fe  2 Fmax .

VI.7.1. Echantillonnage idéal :

L'échantillonnage idéal suppose l'utilisation d'une impulsion infiniment brève permettant


d'extraire la valeur instantanée x(nTe) à l'instant nTe.
C'est donc l'application de la distribution   t  nTe  au signal continu x(t) :

Par définition : xe  nTe    x  .   nTe  d x t 


x  nTe 

On remarque que : x  t     t    x  .   t  d on


déduit alors xe  nTe   x  t     t  t nT


e   t  nTe 
L'échantillonneur est assimilable à un filtre de réponse
impulsionnelle   t  nTe t

VI.7.2. Echantillonnage réel :

En pratique, on n'a pas une impulsion infiniment brève et


l'échantillonneur est assimilable à un filtre de réponse x t 
impulsionnelle h(-t). h  t  nTe 

nTe t
T

60
L’ECHANTILLONNAGE

VI.7.2.1. Expression d'un échantillon réel :


xe  nTe   x  t   h  t  t  nT
e
(VI.7)
xe  nTe    x  t   h  t     t  nTe 

D'où l'expression du signal échantillonné réel :


xe  t    x  t   h  t      t  nTe  (VI.8)
n 

Sachant que le peigne de Dirac n’est pas une fonction physiquement réalisable. Ce la veut dire
qu’un échantillonnage avec ce type de fonction ne peut être réalisable. Par contre on sait qu’une
Dirac peut être assimilée à :

 t 

1

t

  t   lim   t 
 0

Un échantillonnage réel périodique d’un signal analogique s  t  est obtenu, en multipliant se

signal par une fonction d’échantillonnage f  t  périodique de période Te d’impulsion

rectangulaire d’amplitude unité et de durée  .

f t 

t
f  t   Re ctTe   t
 

61
L’ECHANTILLONNAGE

s t 

f t 

t

se  t 

t
se  t   s  t  .Re ctTe  
 
(VI.9)
 t 
se  t   s  t  .  Re ct       t  nTe  
   n 

 Se  f   S  f    sinc  f    Fe    f  nFe  


TF

 n  (VI.10)
Se  f   Fe S  f    sinc  nFe    f  nFe 
n

Se  f   Fe  sinc  nFe  S  f  nFe  (VI.11)


n

Le spectre d’un signal échantillonné réellement, est constitué d’une suite de motif S  f  qui se

répète périodiquement sur l’axe de fréquence avec une période Fe . Ces motifs spectraux sont

pondérés par un facteur qui dépend de la densité d’impulsion ( Fe ) et qui varie en fonction de n
selon une loi en sinc.

VI.8. Quantification :

L’opération de quantification consiste à attribuer un nombre binaire à toute valeur prélevée au


signal lors de l’échantillonnage.
62
L’ECHANTILLONNAGE

C’est le CAN (convertisseur analogique numérique) qui réalise cette opération.

Chaque niveau de tension est codé sur p bits, chaque bit pouvant prendre deux valeurs (0 ou 1).
Donc un convertisseur à p bits possède 2p niveaux de quantification.

Considérons un CAN 4 bits, il n’y a donc que 24 = 16 valeurs possibles attribuables à toutes les
valeurs prélevées lors de l’échantillonnage.

L’opération se fait donc avec une perte d’information d’autant plus grande que p est petit.

Le schéma ci-dessous représente une partie de la caractéristique de transfert d’un convertisseur 4


bits ; à tous les niveaux de tension d’un même palier, le convertisseur fait donc correspondre un
seul et même nombre binaire :

Figure VI.3. Caractéristique de transfert d’un CAN- Quantification à 4 bits.

q est le pas de quantification : il correspond à la plus petite variation de tension que le


convertisseur peut coder. On voit bien que plus q est faible, meilleure sera la précision de
codage.

Pour une quantification par défaut, où xn = nq si x est compris entre nq et (n+1)q, l’erreur
commise appelée bruit de quantification est donnée sur le graphe ci-dessous :

63
L’ECHANTILLONNAGE

xn  t 

  t   x  t   xn  t 
Figure VI.4. Bruit de quantification d’un signal échantillonné.

VI.9. Transformée de Fourier Discrète :

VI.9.1. Passage de la TF a la TFD :


Il suffit de savoir que tout signal analogique x(t) est acquis à un rythme régulier dicté par la
période d'échantillonnage Te et qu'il est stocké en mémoire d'ordinateur. Ces signaux x[n] sont
des signaux numériques obtenus _a l'aide d'un convertisseur analogique-numérique (fgure 3.1) et
tels que :
x  n  x  t  t  nTe

Te
x t  x  n   x  t  nTe 

x t  x  n

t n

Figure VI.5. Acquisition numérique d'un signal analogique.

64
L’ECHANTILLONNAGE


X  f    x  t  e  j 2 ft dt (VI.12)


1) on numérise x  t   x  n 

2) on prend une durée d’observation du signal

Soit n   0 à N  1

N 1
3) X  f    x  n  e  j 2 fn
n 0

1 2 3 N 1
4) soit f  , , ,...
N N N N

k
f 
N

 k  N 1
k
 j 2 n
X     x n e N

 N  n 0

Par normalisation, on note :

N 1 2
j
X  k    x  n e k   0, N  1
kn
N
(VI.13)
n 0

La TFD inverse est donnée par :

2
1 N 1
x  n    X  k e N n   0, N  1
j kn
(VI.14)
N k 0

2
j
On note WN  e N

L’équation (VI.13) devient :

N 1
X  k    x  n WNkn , X : vecteur, x : vecteur, W : matrice
n 0

1 N 1
 x n   X  k WN kn (VI.15)
N k 0

65
L’ECHANTILLONNAGE

Notation matricielle :

X  W x et x  W 1 X

Remarque : la matrice W possède des propriétés très intéressantes qui permettent de vérifier une
méthode de calcule de la TFD. Cette méthode est appelée transformée de Fourier rapide FFT
(Fast Fourier transform).

Exemple :

Calculer la DFT du signal suivant : x  n   1, 2,1, 0

Dans ce cas-ci, on a N  4 , et donc selon la définition de la TFD, e j 2 kn N  e j kn 2 . On calcule


les valeurs :

k  0 : X DFT  0   x  n  e0  1  2  1  0  4
3

n 0

k  1: X DFT 1   x  n  e  j n 2  1  2e  j 2  e  j  0   j 2
3

n 0

k  2 : X DFT  2   x  n  e  j n  1  2e  j  e  j 2  0  0
3

n 0

k  3 : X DFT 3   x  n  e  j 3 n 2  1  2e  j 3 2  e  j 3  0  j 2
3

n 0

X FTD  4,  j 2, 0, j 2

VI.9.2. Transformée de Fourier rapide FFT (Fast Fourier transformer) :

N 1 2
j
X  k    x  n WNkn avec WN  e N
et x  n  , n   0, N  1
n 0

Le calcul directe exige un nombre d’opérations élevé, c’est pour cette raison qu’on à recourt a
l’algorithme de la FFT.

Le nombre de multiplication : N .N  N 2 .

Le nombre d’addition : N  N  1 addition complexe.

66
L’ECHANTILLONNAGE

La découverte de la transformée rapide de Fourier en 1965 par Cooley et Tukey a été d'une
importance majeure pour le traitement du signal car elle a permis d'envisager l'analyse spectrale
numérique de signaux de longue durée en des temps raisonnablement courts. L'algorithme de
Cooley et Tukey a très vite été connu sous le nom de transformation rapide de Fourier.
Il ne faut pas se méprendre sur la signification de la FFT : l'algorithme FFT n'est pas une
nouvelle transformation. Ce n'est rien d'autre qu'un moyen rapide d'obtenir les mêmes résultats
que ceux fournis par la TFD.

VI.9.3. Principe de la FFT :


On prend les échantillons x  n  et on les divise en 2 parties :

x  2n   Échantillons de rang pair.

x  2n  1  Échantillons de rang impair

X (0 )
X (2 )
.
X (0 ) .
X (1 )
. X (N -2 )
.
.
.
. X (1 )
X (3 )
X (N -1 ) .
.

X (N -1 )

Exemple N=8

X(0)
X(2) N
X(0) X(6) 2
X(1) X(6)
.
.
.
.
.
X(1)
N
X(7) X(3)
X(5) 2
X(7)

67
L’ECHANTILLONNAGE

N N
1 1
N 1
X  k    x  n W   x  2n  W   x  2n  1WN 2 n 1k
2 2
nk 2 nk
N N
n 0 n 0 n 0

X  k   X1  k   W X 2  k 
k
N

 N  N  N
N
k
X  k    X 1  k    WN 2 X 2  k  
 2  2  2

A la fin pour N=8

Méthode directe : il faut N2=64 multiplications et N(N-1)=56 additions

N
Méthode de FFT nécessite que log 2 N =12 multiplications et N log 2 N  24 additions
2

68
Chapitre VII

LA TRANSFORMEE EN Z
LA TRANSFORMEE EN Z

VII.1. Introduction :

La transformé en Z est utilisée pour simplifier les opérations des équations de différence.
Elle est utilisée comme un outil dans l’analyse et la conception des systèmes échantillonnés
discrets, elle permet de simplifier la solution d’un problème de système discret par la conversion
des équations de différence d’un système en équation algébriques et la convolution en une
multiplication.

Elle joue le même rôle que la transformée de Laplace pour les systèmes continus.

VII.2. Définition 1:

Soit la séquence causale  x0 , x1 , x2 ,...xn ... sa transformée en Z est définit :

X  z   x0  x1 z 1  x2 z 2  ...xn z  n  ...
 
  xn z  n   x  nT  z  n
n 0 n 0

La variable z 1 est un opérateur de retard

T : temps d’échantillonnage

VII.3. Définition 2:

Soit le train d’impulsions représentant un signal discret :

x  t   x0  t   x1  t  T   x2  t  2T   ...xn  t  nT   ...



  xn  t  nT  n
n 0 0 T 2T 3T
Sa transformée de Laplace :

X  s   x0  x1e  sT  x2 e 2 sT  ...xn e  nsT  ...



  xn  e  sT 
n

n 0

L’opération z est définit par :

z  e sT

VII.4. La transformée en z des signaux discrets standards :

Les identités suivantes vont être utilisées pour définir les transformées en z des signaux discrets
standards :

69
LA TRANSFORMEE EN Z

k
1  a k 1
a
n 0
n

1 a
; a 1

1

n 0
an 
1 a
; a 1

VII.4.1. Impulsion unitaire (Dirac) : 1


1, n  0
x n   n  
0, n  0 n
-1 0 1
En utilisant la Définition 1

X  z   1  0 z 1  0 z 2  ...  1

x  t     t   transformée de Laplace X  s   1

VII.4.2. Echelon échantillonné :

Soit la séquence : un n  0  1,1,1,1,...


En utilisant la définition 1

U  z   1  z 1  z 2  z 3  ...  z  n  ... 1

  z n n
n 0 -1 0 1 2 3
En utilisant les identités déjà vu :

1
U  z 
1  z 1
z
 si z  1
z 1

VII.4.3. Exponentiel :

x  t   e  t u  t 

x  n   e  nT   e  T 
n

a n , n  0
x n   avec a  e  T 1 a a2
 0 , n  0 a3
X  z   1  az 1  a 2 z 2  ...  a n z  n  ... n
  n -1 0 1 2 3
  a n z  n    az 1 
n 0 n0

70
LA TRANSFORMEE EN Z

En utilisant les identités déjà établies :

1 z
U  z  1

1  az za

VII.5. Propriétés de la transformée en Z :

VII.5.1. Linéarité :

Z  f1  n    f 2  n    F1  z    F2  z 

Exemple :

Soit la séquence causale :

f  n   2 1 n   4  n  , n  0,1, 2...

F  z   Z 2  1 n   4  n   2Z 1 n   4Z   n 
2z 6z  4
 4
z 1 z 1

VII.5.2. Retard temporel :

Z  f  n  k   z  k F  z 

 z  k  f  m z  m  z  k  f   k  z k  ...   f  m z  m 
 

m  k  m 0 
 z  k  f   k  z k  ...  F  z  

Dans le cas ou f  k   ...  0  Z  f  n  k   z  k F  z 

Exemple 1:

4, n  2,3...
f n  
 0, n  0,1...

F  z   Z 4  1 n  2   4 z 2 Z 1 n 
4z 4
 z 2 
z  1 z  z  1

71
LA TRANSFORMEE EN Z

Exemple 2:

Z  y  n  2    y  n  2 z  n
n 0

 z 2  y  m z  m
m 2

 z 2  y  2  z 2  y  1 z1   y  m z  m 

 m 0 

 
Dans le cas ou y  2   y  1  0  Z  y  n  2   z 2   y  m z  m   z 2Y  z 
 m 0 

VII.5.3. Avance temporel :

Z  f  n  1  zF  z   zf  0 
Z  f  n  k   z k F  z   z k f  0   z k 1 f 1  ...  zf  k  1

Z  f  n  1   f  n  1 z  n
n 0

 z  f  n  1 z  n 1
n 0

On additionne et on soustrait la condition initiale f  0 

 
Z  f  n  1  z   f  0    f  n  1 z  n 1   f  0  

 n 0  

On change l’indice de la sommation à m  n  1 , et on réécrit la transformée en Z :

  
Z  f  n  1  z    f  m  z  m   f  0  
  m 0  
 zF  z   zf  0 

Exemple :

La séquence causale :

 f  n   4,8,16,...
La séquence peut être écrite :

 f  n   2 n2
 g  n  2  , n  0,1, 2,....

Où g  n  est une fonction exponentielle : g  n   2n , n  0,1, 2...

En utilisant la propriété de l’avance temporelle :

72
LA TRANSFORMEE EN Z

F  z   z 2G  z   z 2 g  0   zg 1
z 4z
 z2  z2  2z 
z2 z2

VII.5.4. Multiplication avec un exponentiel :

 
Z a  n f  n   F  az 

 
 a  n f  n z  n   f  n  az   F  az 
n

n 0 n 0

Exemple :

Soit la séquence exponentielle :

g  n   e nT , n  0,1, 2,...

La transformée en Z d’un échelon échantillonnée :

 
1 1
F  z   1  z 1 
1  z 1

Et g  n    e T   1
n

En appliquant la propriété de la multiplication par un exponentiel :

Z eT  n

f  n   1  eT z

 
1 1
 

z
z  e  T

VII.5.5. Différence complexe :


m
 d 

Z n f nm
   z  F  z 
 dz 

Exemple : Trouver la transformée en Z de la séquence d’une rampe échantillonné.

g  n   n, n  0,1, 2,...

La transformée en Z d’un échelon échantillonné.

z
f n  1  F  z  
z 1

Or g  n   n 1

73
LA TRANSFORMEE EN Z

Si on applique la propriété de la différence complexe :

 d  z 
Z n  1    z  
 z  1  z  z
  z
 dz   z  1   z  1  z  1
2 2

VII.6. Transformée inverse en Z :

Pour revenir au domaine temporel, on utilise la transformée inverse en Z

VII.6.1. Décomposition en fraction :

Exemple :

z 1
F z 
z  0.3 z  0.02
2

En va prendre en premier F  z  z

F z z 1

z 
z z 2  0.3 z  0.02 
F z A B C
  
z z z  0.1 z  0.2

F z 1
A z  F  0   50
z z 0
0.02

F z 1  0.1
B   z  0.1   90
z z 0.1
 0.1 0.1

F z 1  0.2
C   z  0.2    40
z z 0.2
 0.2  0.1

50 z 90 z 40 z
Ainsi : F  z    
z  z  0.1 z  0.2

En utilisant la table :

50  n   90  0.1n  40  0.2 n ;n  0


F n  
 0 ;n  0

Il est à noter que F  0   50  90  40  0


74
LA TRANSFORMEE EN Z

 90  0.1n  40  0.2 n ;n 1


Donc on peut écrire : F  n   
 0 ;n 1

VII.6.2. Cas des racines multiples :

Pour une fonction F  z  avec des racines multiples

N z r A1i n Aj
F z    
 z  z1 
r
 z  zj 
n
i 1  z  z1 
r 1i
j  r 1 z  z j
j  r 1

Les coefficients pour des racines multiples sont données par :

1 d i 1
i 1 
z  z1  F  z 
r
A1,i  , i  1, 2,...r
 i  1! dz zz 1

Exemple :

1
F z 
z  z  0.5 
2

F z 1 A A A A4
  113  122  13 
z z  z  0.5  z
3
z z z  0.5

Où :

F z 1
A11  z 3   2
z z 0
z  0.5 z 0

1 d 3 F z d 1 1
A12  z    4
1! dz z z 0 dz z  0.5 z 0  z  0.5 2
z 0

1 d 2 3 F z 1 d 1 1  1 2 
A13  z    8
2! dz 2
z z 0 2 dz  z  0.5 2 2  z  0.5 3
z 0 z 0

F z 1
A4   z  0.5   8
z z  0.5
z3 z  0.5

75
LA TRANSFORMEE EN Z

1 8z
Ainsi : F  z     2 z 2  4 z 1  8
z  z  0.5  z  0.5
2

8  0.5 n  2  n  2   4  n  1  8  n  ; n  0
f n  
 0; n  0

Evaluation de f  n  pour n  0,1, 2,...

f 0  8  8  0
f 1  8  0.5   4  0
f  2   8  0.5   2  0
2

Donc on peut écrire :

 0.5 n 3 ; n  3
f n  
 0; n  0

On peut utiliser le théorème de retard Z  g  n  k   z  k g  z  , en écrivant :

z
F z  z 3
z  0.5

VII.7. La convolution et la transformée en Z :

y  n   x  n   h  n    h  k x  n  k 
M

k 0


Y  z    h k  z k X  z  
M

k 0

   h  k z  k  X  z   H  z  X  z 
M

 k 0 

y  n  x  n   h  n  
Z
Y  z   H  z  X  z 

Exemple :

Soit :

x  n   2  n   3  n  2  4  n  3
h  n     n   2  n  1    n  2

76
LA TRANSFORMEE EN Z

Calculer y  n  x  n  h  n

La transformée en Z de x  n et h  n

X  z   2  3 z 2  4 z 3
H  z   1  2 z 1  z 2

On calcule Y  z  par une multiplication directe :

 
Y  z   2  3 z 2  4 z 3 1  2 z 1  z 2 
 2  4 z 1  z 2  2 z 3  5 z 4  4 z 5

On peut maintenant déduire y  n  facilement :

y  n   2  n   4  n  1    n  2
 2  n  3  5  n  4  4  n  5

La multiplication polynomiale peut être utilisée pour remplacer la convolution de séquence,


lorsque nous travaillons dans le domaine Z.

Le tableau de la transformée en Z et le tableau des opérations sur les transformées en Z, sont


présentés dans l’annexe B.

77
Chapitre VIII

LES FILTRES ANALOGIQUES


LES FILTRES ANALOGIQUES

VIII.1. Introduction :
Un filtre est un système ou un programme dont le rôle est de modifier le contenu spectral des
signaux le traversant. Le but peut être d'extraire une partie de l'information contenue dans le
signal ou d'éliminer des parasites le perturbant…
Un filtre analogique est plus souvent un sélecteur de fréquences alors que les filtres numériques
ont comme but plus général de transformer le signal (sélecteur de fréquences, fabrication
d'échos, transformation de la voix…).
Nous intéresserons dans ce cours qu'au filtrage analogique passif, basse fréquence ou haute
fréquence. On rencontre ces filtres dans de nombreux domaines :
- radiocommunication : sélection de bande…
- analyse spectrale
- élimination de bruit
- sélecteur de fréquences en sortie de mélangeur, oscillateur ou autre circuit non linéaire
- …etc
Les technologies utilisées en filtrage analogique sont très nombreuses et dépendent en général de
la gamme de fréquences concernée.

- En dessous de quelques MHz, les filtres actifs utilisant des amplificateurs opérationnels (AOP)
sont très utilisés. Ils ont l'avantage de ne pas nécessiter de bobine dont le prix, l'encombrement
ou le poids sont importants à fréquence basses.
- En haute fréquence, au-delà de quelques MHz, les filtres passifs utilisant des condensateurs et
des bobines deviennent intéressants. En hyperfréquence, de 1 à 100 GHz, c'est pratiquement la
seule technologie utilisable. A ces fréquences, les composants peuvent être soudés sur des
circuits imprimés.
On se concentre dans ce chapitre sur une analyse des quatre types de filtres : passe-bas, passe-
haut, bande passante, et filtre coupe-bande. On verra aussi une méthode pour tracer la réponse de
ces filtres en fonction de la fréquence, soit le diagramme de Bode.

VIII.2. Caractéristiques de base :


On présente ici certaines caractéristiques de base des filtres. Pour accomplir ceci, on se sert de la
fonction de transfert du circuit, où on considère l'entrée et la sortie comme étant des tensions. On
Vs
cherche donc la fonction de transfert H  s   du circuit.
Ve

78
LES FILTRES ANALOGIQUES

VIII.2.1. Bande passante : C'est l'étendue des fréquences entre lesquelles un signal à l'entrée
passe à la sortie.
VIII.2.2. Bande atténuée : C'est l'étendue de fréquences où l'amplitude d'un signal est atténuée
de sorte qu'il n'apparait pas à la sortie.
Les filtres sont caractérisés selon leur réponse en fréquence. La variation de l'amplitude en
fonction de la fréquence est le critère le plus important. On peut voir les différents types de
filtres à la figure (VIII.1) et (VIII.2).

H  j  H  j 

c  c 

Figure VIII.1. Filtre passe bas et passe haut.

Les courbes idéales de la figure (VIII.1) précédente montrent les deux premiers types de filtres
principaux, le filtre passe-bas et le filtre passe-haut, qui ont tous deux une bande passante et une
bande atténuée. La fréquence qui sépare les deux bandes est appelée la fréquence de coupure c .
Le nom de ces filtres vient de la région dans laquelle les fréquences passent de l'entrée à la sortie
: pour un passe-bas, ce sont les fréquences les plus faibles que la fréquence de coupure qui
passent, tandis que pour le passe-haut, ce sont les fréquences les plus élevées qui passent. Les
termes bas et haut, ils ne font référence qu'à la fréquence de coupure.

Les deux autres types de filtres de la figure (VIII.2), ont deux fréquences de coupure. Le filtre
passe-bande permet de passer seulement les fréquences entre les deux fréquences de coupure ; le
filtre à rejet (ou filtre coupe-bande) laisse passer tout sauf ce qui est entre les deux fréquences de
coupure.

79
LES FILTRES ANALOGIQUES

H  j  H  j 

c1 c 2  c1 c 2 

Figure VIII.2. Filtre passe bande et rejet.

VIII.3. Filtres passe-bas :


Filtre
Un filtre passe bas laisse passer les basses fréquences et arrête les Ve Passe-bas Vs

fréquences élevées. La figure (VIII.3) montre la réponse d'un


H
filtre passe bas idéal, c'est la courbe qui représente le gain en
Vs I
tension H  en fonction de la fréquence. fc s'appelle la
Ve
fréquence de coupure. La bande passante est l'intervalle de
fc f
fréquence 0, fc  La bande coupée est constituée de toutes les

fréquences supérieures à fc. Toute onde sinusoïdale à l'entrée du filtre et dont la fréquence se
situe dans la bande passante apparaîtra à la sortie du filtre. Mais toute onde sinusoïdale dont la
fréquence est supérieure à fc est complètement atténuée par le filtre.

Ve  f  Vs  f 
Filtre
Ve Passe-bas Vs

fc f fc f

Figure VIII.3. Spectres des signaux d'entrée et de sorties d'un filtre passe-bas.

80
LES FILTRES ANALOGIQUES

Les filtres réels ont une réponse semblable à celle représentée sur la figure (VIII.4). Par
définition la fréquence de coupure est la fréquence est la
H
1
fréquence à la quelle l'amplitude de sortie est à de la I
2
valeur maximale:

fc f
Figure VIII.4. Filtre passe-bas.
1
H  jc   H max (VIII.1) réel
2

Le plus souvent, on préfère représenter la réponse du filtre par le gain en dB GdB  20 Log10 H
avec une échelle logarithmique pour l'axe des fréquences. La fréquence de coupure correspond
alors à une chute du gain de 3dB.

Figure VIII.5. Diagramme de Bode d’un Filtre passe-bas.

On analysera ici deux filtres passifs, soit le filtre RL série et RC série.

VIII.3.1. Circuit RL série :


Le circuit du filtre RL série est montré à la figure (VIII.6). L'entrée du circuit est une tension
sinusoïdale de fréquence variable. La sortie du circuit est la tension aux bornes de la résistance.

81
LES FILTRES ANALOGIQUES

Vi R Vo

Figure VIII.6. Filtre passe-bas (RL série).

On peut maintenant analyser le circuit RL série pour déterminer sa fréquence de coupure. On


cherche alors la fonction de transfert du filtre:
di  t 
Vi  t   L  Vo  t 
dt
Vo  t 
Vo  t   R.i  t   i  t   (VIII.2)
R
L dVo  t 
Vi  t   .  Vo  t 
R dt
L
Vi  p   . p.Vo  p   Vo  p  (VIII.3)
R
Vo  p  1
 (VIII.4)
Vi  p  L
1 .p
R
Vo  p  R L
H  p   (VIII.5)
Vi  p  pR L

R L
H  p  (VIII.6)
pR L
Pour étudier la réponse en fréquence, on fait la substitution p  j :
R L
H  j   (VIII.7)
j  R L
On sépare cette dernière équation en deux parties : une pour l'amplitude, et l'autre pour la phase.
R L
H  j  
2   R L
2

(VIII.8)
 L 
  j    tan 1  
 R 

82
LES FILTRES ANALOGIQUES

A l'aide de l'équation (VIII.1), on peut calculer la fréquence de coupure de ce filtre:


1 R L
H  j   1  2 (VIII.9)
   R L
2
2

Et on résout pour obtenir :


R
c  (VIII.10)
L
Cette équation donne un résultat important: on peut choisir la fréquence de coupure qu'on veut en
faisant un choix approprié de R et L.

VIII.3.2. Circuit RC série :


Un circuit RC série peut aussi servir de filtre passe-bas. Dans ce cas-ci, la sortie est sur la
capacitance et non la résistance, contrairement au circuit RL série. Le circuit est montré à la
figure (VIII.7).

Vi C Vo

Figure VIII.7. Filtre passe-bas (RC série).

Vi  t   R.i  t   Vo  t 
1 dV  t 
Vo  t    i  t .dt  i  t   C o (VIII.11)
C dt
dV  t 
Vi  t   R.C. o  Vo  t 
dt
Vi  p   R.C . p.Vo  p   Vo  p  (VIII.12)

Vo  p  1
 (VIII.13)
Vi  p  1  R.C. p

Vo  p  1 RC
H  p   (VIII.14)
Vi  p  p  1 RC

On fait la substitution p  j pour obtenir l'amplitude de la fonction de transfert:


83
LES FILTRES ANALOGIQUES

1 RC
H  j   (VIII.15)
  1 RC 
2 2

Si on compare la fonction de transfert obtenue pour le circuit RL et pour le circuit RC, on obtient
la forme générale suivante :
c
H  p  (VIII.16)
p  c
N'importe quel circuit ayant une fonction de transfert de la même forme que l’équation
précédente agira comme un filtre passe-bas.
Une autre relation importante à propos des deux filtres présentés est la relation entre la fréquence
de coupure et la constante de temps. En effet, si on compare la constante de temps des circuits
RL et RC série et leur fréquence de coupure, on obtient :
1
 (VIII.17)
c
VIII.3.3. Les courbes de Bode :

Les courbes de Bode d’un filtre sont tout simplement les courbes illustrant la variation en
fonction de la fréquence du module et de la phase de la fonction de transfert.
Pour le gain G, on préfère tracer le gain en décibel GdB  20 log  H  avec une échelle

logarithmique sur l'axe des fréquences. Le tracé de cette courbe est rendu très simple par le
comportement asymptotique de GdB quand f  0 et quand f   et aussi par la

connaissance de GdB au point f  f c

Si on prend H o  1 pour faciliter l’écriture :

1 1
H  j   Avec : c 
 RC
1 j
c

1
H    H  j   (VIII.18)
2
 
1  
 c 

On définie le gain en décibel : GdB  20 log H  j 

84
LES FILTRES ANALOGIQUES

 
 
   
2

GdB  20 log 
1
  20 log 1     10 log 1  u
2
  (VIII.19)
     c 
2

 1   
  c  

 f
Avec u  
c f c


On représente le gain en décibel non pas en fonction de (ou  ou f ) mais en fonction de
c


log (la plage de fréquence pouvant s’étendre de quelques Hz à 106 Hz et plus)
c

Si  petit devant c alors GdB  0


Si  grand devant c alors GdB  20 log droite de pente 20dB par décade.
c

Figure VIII.8. Courbe de réponse GdB d’un Filtre passe-bas (RC série).


Les deux asymptotes se coupent pour 0  20 log c'est-à-dire pour   c ;
c

1 1
Pour   c , H    et GdB  20 log  3dB .
2 2
La pulsation de coupure à 3dB du filtre est par définition la pulsation telle que :

GdB c   3dB

Les signaux de pulsations   c sont transmis en sortir avec une atténuation inferieure à 3 dB ;

Les signaux de pulsations   c sont transmis en sortir avec une atténuation supérieure à 3 dB ;

85
LES FILTRES ANALOGIQUES

Idéalement, on considérera que le filtre laisse passer une pulsation  si l’atténuation en sortie est
inferieure à 3 dB.
La Bande passante de ce filtre, c'est-à-dire l’ensemble des pulsations qu’il laisse passer, est donc
0, c  .
Représentation de la courbe de phase :
L’argument de la fonction de transfert est appelé phase
    arg H  j 

  
 0  arg 1  j    arctan   (VIII.20)
 c   c 
 
On présente la phase non pas en fonction de (ou  ou f) mais en fonction de log (la
c c

plage de fréquence pouvant s’étendre de quelques Hz à 106 Hz et plus)


Si  petit devant c alors   0


Si  grand devant c alors   
2

Si   c alors   
4

Figure VIII.9. Courbe de phase d’un Filtre passe-bas (RC série).

VIII.4. Filtres passe-haut :


Le premier filtre passe-haut étudié est le filtre RC série, illustré par la figure ci-dessous. La
configuration est presque la même que le filtre passe-bas, sauf qu'on a échangé la résistance et la
capacitance.
La sortie est sur la résistance.

86
LES FILTRES ANALOGIQUES

Vi R Vo

Figure VIII.10 Filtre passe-haut RC série).

On fait la même analyse qualitative de ce circuit : à basses fréquences, la capacitance agit


comme un circuit ouvert, et donc aucune tension n'apparaît pas sur la résistance; à hautes
fréquences, la capacitance agit comme un court-circuit, et donc toute la tension apparaît à la
résistance.
La fonction de transfert du circuit de la figure (VIII.10) est :

p
H  p  (VIII.21)
p  1 RC
Ce qui donne, en termes de fréquence,

j
H  j   (VIII.22)
j  1 RC

L'amplitude de la fonction de transfert est :


H  j   (VIII.23)
  1 RC 
2 2

Si on résout l'équation de l'amplitude pour obtenir la fréquence de coupure, on obtient :


1
c  (VIII.24)
RC
 c
H  j   (VIII.25)
1   c 
2

GdB  20 log H  j 

    2 
 20 log  10 log 1     (VIII.26)
c   c  
 

87
LES FILTRES ANALOGIQUES


Si  petit devant c alors GdB  20 log
c
2
 
Si  grand devant c alors GdB  20log  10log    0
c  c 

Figure VIII.11. Courbe de réponse GdB d’un Filtre passe-haut (RC série).


Les deux asymptotes se coupent pour 0  20 log c'est-à-dire pour   c pulsation de
c

coupure à 3dB .
La bande passante de ce filtre, c'est-à-dire l’ensemble des pulsations qu’il laisse passer, est donc

c ,  .

Représentation de la courbe de phase :

    arg H  j 

     
 arg  j   arg 1  j    arctan (VIII.27)
 c   c  2 c

Figure VIII.12. Courbe de phase d’un Filtre passe-haut (RC série).

88
LES FILTRES ANALOGIQUES

VIII.5. Filtres passe-bande :


Un filtre passe-bande est un filtre ne laissant passer qu’une bande ou intervalle de fréquences
compris entre une fréquence de coupure basse et une fréquence de coupure haute du filtre. Ce
genre de filtre est un peu plus complexe que les autres filtres, c’est une association en cascade
d’un passe-haut et d’un passe-bas.
Les filtres passe-bande sont constitués de deux parties :
Une partie qui fait chuter la tension de sortie à basse fréquence,
Une partie qui fait chuter la tension de sortie à haute fréquence.

VIII.5.1. Caractéristiques :
Les filtres passe-bande ont quelques caractéristiques additionnelles comparativement aux filtres
passe-bas et passe-haut. Ces paramètres sont :
a. Fréquence centrale 0 : C'est la fréquence à laquelle la fonction de transfert du filtre est
purement réelle. On l'appelle aussi la fréquence de résonance. La fréquence centrale est la
moyenne géométrique des fréquences de coupure, 0  c1c 2 . Pour un filtre passe-bande,

l'amplitude de la fonction de transfert est maximale à la fréquence centrale.


b. Largeur de bande  : C'est la largeur de la bande passante.
c. Facteur de qualité Q : C'est le rapport entre la fréquence centrale et la largeur de bande. Le
facteur de qualité est une mesure de la largeur de la bande passante, indépendamment de la
fréquence centrale.
VIII.5.2. Circuit RLC série :
Le filtre passe-bande RLC série. Comme les autres types de circuits, on peut faire une analyse
qualitative en premier pour vérifier le fonctionnement de ce circuit.
Noter que la sortie du filtre est aux bornes de la résistance.

C L

R Vo
Vi

Figure VIII.13. Filtre passe-bande RLC série

89
LES FILTRES ANALOGIQUES

La fonction de transfert de ce circuit est :

p  R L
H  p  (VIII.28)
p  p  R L   1 LC
2

Comme d'habitude, on remplace p  j pour obtenir l'amplitude en fonction de la fréquence :

  R L
H  j   (VIII.29)
1 LC       R L  
2 2
2

Et le déphasage est :

   R L 
  j   90  tan 1  2 
(VIII.30)
 1 LC   

La figure suivante montre la réponse typique d'un filtre passe-bande. Les fréquences de coupure
sont définies par les points où l'amplitude atteint 0.707 de la valeur maximale.
H  j 

c1 0 c 2

Figure VIII.14. Réponse en fréquence d'un filtre passe-bande RLC serie

On peut maintenant calculer les cinq paramètres qui caractérisent le filtre passe-bande. En
premier, la fréquence centrale est définie comme étant la fréquence où la fonction de transfert est
purement réelle. Ceci se produit au point ou l'impédance de la capacitance annule celle de
l'impédance, soit
j
j L  0 (VIII.31)
C

90
LES FILTRES ANALOGIQUES

On résout pour obtenir :

1
0  (VIII.32)
LC
Les fréquences de coupure sont calculées de la même façon que d'habitude, on calcule  pour
H  j   1 2.

Les deux fréquences de coupure sont :


2
R  R   1 
c1       
2L  2 L   LC 
(VIII.33)
2
R  R   1 
c 2      
2L  2 L   LC 

La largeur de bande du filtre est la différence entre c 2 et c1 . On trouve donc :

R
  c 2  c1  (VIII.34)
L

VIII.6. Filtres coupe-bande :

Le dernier type de filtre étudié est le filtre coupe-bande. Ce genre de filtre permet de tout passer
à la sortie sauf certaines fréquences. Un exemple d'application est un filtre qui permet d'éliminer
un canal TV d'une transmission.

VIII.6.1. Filtre coupe-bande RLC série :


Le premier circuit étudié est le circuit RLC série, montré à la figure (VIII.15) Il s'agit du même
circuit que le passe-bande, sauf que la sortie est prise aux bornes de l'inductance et la capacitance
en série.
R

L Vo
Vi
C

Figure VIII.15. Filtre à élimination de bande RLC série.

91
LES FILTRES ANALOGIQUES

La fonction de transfert de ce circuit est :

pL  1 pC p 2  1 LC
H  p   2 (VIII.35)
R  pL  1 pC p  p  R L   1 LC 

Et on obtient l'amplitude en remplaçant p  j :

1 LC   2
H  j   (VIII.36)
1 LC       R L  
2 2
2

Et le déphasage,
   R L 
  j    tan 1  2 
(VIII.37)
 1 LC   
H  j 

c1 0 c 2
Figure VIII.16. Réponse typique d'un filtre à élimination de bande RLC série.

La fréquence centrale du filtre est la même que celle du filtre passe-bande,

1
0  (VIII.38)
LC

Les fréquences de coupure sont les même que celle du filtre passe-bande. Les deux fréquences
de coupure sont :

2
R  R   1 
c1       
2L  2 L   LC 
(VIII.39)
2
R  R   1 
c 2      
2L  2 L   LC 

92
LES FILTRES ANALOGIQUES

La largeur de bande du filtre est la différence entre c 2 et c1 . On trouve donc :

R
  c 2  c1  (VIII.40)
L
La forme générale d'un filtre coupe-bande est :

p 2  02
H  p  (VIII.41)
p 2  p   02

93
ANNEXES
ANNEXE A

Annexe A : Table des principales transformées de Laplace et leurs propriétés

Table des Transformées de Propriétés des Transformées de Laplace


Laplace
f  t   t  0  F  p   TL  f  t  f t  t  0 F  p   TL  f  t 
f t  
 t  1  e f  t  dt
 pt

U t  1 1 f1  t   2 f 2  t  1F1  p   2 F2  p 
p
1 df  t  pF  p   f  0 
t
p2 dt
n
n! d f t 
2
p 2 F  p   pf  0   f  0 
t
p n 1 dt 2
1 d n f t  r 2 n d  r n1 f  0 
e  at
p F  p   p
n 2 nr
.
pa dt n r  n 1 dt  r n1
t t t
F  p
  ... f  t .dt
n
1
te at 00 0 pn
 p  a
2
(Avec conditions
initiales nulles)
n! f  kt  1  p
t n e  at .F  
 p  a
n 1
k k
a t k.F  kp 
1  e  at p  p  a
f 
k
ba e f t 
 at
F  p  a
e at  ebt
 p  a  p  b 
 f t   e p .F  p 
sin t 
p  2 Pour  t   
2

p t
F1  p  .F2  p 
cos t 
p  2
2  f1  t   . f 2   d
0

2 p t. f  t  
d
F  p
t .sin t 
p 
2
2
 2 dp

 f  t  fonction périodique de période T


p 
2 2
 f1  t  fonction définie sur la 1ère période de f  t 
t .cos t 
p 
2
2
 2 F1  p 
F  p 
1  e pT

e at .sin t 
 p  a  2
2

pa
e at .cos t 
 p  a  2
2

94
ANNEXE B

Annexe B1 : Tableau de la Transformée en Z

x n X  z  en z 1 X  z  en z

  n 1 1

1 z
u n
1  z 1 z 1

1 z
n.u  n 
1  z   z  1
2 2
1

z
a n .u  n 
1
 1  az 1   z  a

a az
na .u  n 
n
 1  az 1 
2

 z  a
2

1  z 1 cos 0  z 2  z cos 0 


cos 0 n  u  n  1  2 z 1 cos 0   z 2 z 2  2 z cos 0   1

z 1 sin 0  z sin 0 


sin 0 n  u  n  1  2 z cos 0   z
1 2
z  2 z cos 0   1
2

1  az 1 cos 0 
a cos 0 n  u  n 
n z 2  az cos 0 
1  2az cos 0   a z
1 2 2
z 2  2az cos 0   a 2

az 1 sin 0 
a n sin 0 n  u  n  1  2az 1 cos 0   a 2 z 2 az sin 0 
z  2az cos 0   a 2
2

95
ANNEXE B

Annexe B2 : Tableau des opérations sur les transformées en Z

Opération sur Opération sur la


transformée
les suites
en z
ax  n   by  n  aZ  x  n   bZ  y  n 

Z  x  n  k  z  k Z  x  n 
k 1
Z  x  n  k  z k Z  x  n    x  j z k
j 0

Z  x  n  * y  n  Z  x  n  Z  y  n 

Z  x  n   z a 

Z an x  n 

Z nx  n  Z  x  n 
d
z
dz

Z nk x  n    d 
k

  z  Z  x  n 
 dz 

96
BIBLIOGRAPHIES
BIBLIOGRAPHIES

BIBLIOGRAPHIES

[1] F. Cottet, “Traitement des signaux et acquisition de données : Cours et exercices corrigés”,
3ème édition, Dunod Édition, 2009.

[2] Y. Duroc, “L'essentiel en théorie et traitement du signal - Signaux déterministes et


aléatoires, continus et discrets”, Ellipses Marketing 2011.

[3] A. Palamides, A. Veloni, “Signals and Systems Laboratory with MATLAB”, Taylor &
Francis Group, CRC Press 2011.

[4] B. Boulet, “Fundamentals of Signals and Systems”, Copyright 2006 Career & Professional
Group, a division of Thomson Learning.

[5] M, Hayes, “Schaum’s Outline of Digital Signal Processing”, Mc Graw-Hill, New York,
1999.

[6] F. Auger, “Introduction à la théorie du signal et de l'information: Cours et exercices”,


Editions Technip, Collection Sciences et technologies, 2000.

[7] J. Max, J. L. Lacoume, “Méthodes et techniques de traitement du signal”,


Dunod; édition : 5, Sciences Sup collection, 2004.

[8] P. Courmontagne, “Ingénierie du signal : Théorie et pratique”, Ellipses Marketing édition,


Technosup collection, 2005.

[9] E. Tisserand, J. F. Pautex, P. Schweitzer, “Analyse et traitement des signaux, Méthodes et


applications au son et à l'image”, Dunod 2ème édition, Sciences Sup Collection, 2009.

[10] M. Bellanger, P. Aigrain , “Traitement numérique du signal : Théorie et pratique”,


Dunod; 8e édition, Sciences Sup Collection, 2006.

[11] D. Coulon, “Théorie et traitement des signaux”, édition : Presses Polytechniques et


Universitaires Romandes (PPUR), Collection : P U Polytec Rom, 2000.

[12] A. Yger, “Théorie et analyse du signal : Cours et initiation pratique via MATLAB et
SCILAB”, Editeur : Ellipses Marketing Collection : Universités mathématiques, 1999.

[13] S. Radhakrishnan Practicing, “Signals and Systems Laboratory using MATLAB: Signals
and Systems Introduction and implementation using MATLAB”, LAP Lambert Academic
Publishing, 2011.

[14] G. Binet, T. Ahmed Ali , “Traitement du Signal Représentation des Signaux et


Systèmes Continus”, Ellipses Marketing édition, Références sciences Collection, 2016.

97
BIBLIOGRAPHIES

[15] P. Nayman , “Bases et techniques avancées en traitement du signal - Du capteur à la


mesure”, Ellipses Marketing édition, Collection : Formations & Techniques, 2017.

[16] M. Benidir, “Théorie et traitement du signal, tome 2 : Méthodes de base pour l'analyse et
le traitement du signal”, Dunod édition, Collection : Sciences Sup, 2004.

98