UNIVERSITE IBN ZOHR DEPARTEMENT

FACULTE DES DE PHYSIQUE

SCIENCES - AGADIR L.E.T.S.M.P

Licence en Sciences Physiques

Parcours Electronique

Cours de Traitement du Signal

Hicham SAYLANI

Année universitaire 2020 - 2021

Table des matières

1 Généralités 3
1.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Bruit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3 Capteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4 Système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Classification des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Classification phénoménologique . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Classification énergétique . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.3 Classification spectrale . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.4 Classification morphologique . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Opérations de base sur les signaux . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.2 Fonctions de corrélation . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Séries de Fourier 9
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Série de Fourier de base . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2 Série de Fourier en cosinus . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.3 Série de Fourier complexe . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.4 Spectres d’amplitudes et de phases . . . . . . . . . . . . . . . . . . 11
2.2 Analyse de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Synthèse de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4 Fonctions de corrélation de signaux périodiques . . . . . . . . . . . . . . . 18
2.4.1 Fonction d’intercorrélation . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Fonction d’autocorrélation . . . . . . . . . . . . . . . . . . . . . . . 19

3 Transformée de Fourier 21
3.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Propriétés de la TF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Transformée de Fourier de signaux usuels . . . . . . . . . . . . . . . . . . . 23
3.4 TF et fonctions de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.1 Signaux à énergie finie . . . . . . . . . . . . . . . . . . . . . . . . . 28

3
 3.4.2 Signaux à puissance moyenne finie . . . . . . . . . . . . . . . . . . . 29

4 Introduction à l’analyse spectrale numérique 31

4.1 Spectre d’un signal à temps discret . . . . . . . . . . . . . . . . . . . . . . 32
4.1.1 Signal échantillonné . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.2 Spectre d’un signal échantillonné . . . . . . . . . . . . . . . . . . . 33
4.1.3 Théorème d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . 35
4.1.4 Transformée de Fourier à temps discret . . . . . . . . . . . . . . . . 36
4.2 Transformée de Fourier Discrète (TFD) . . . . . . . . . . . . . . . . . . . . 37
4.2.1 TFD directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.2 TFD inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.3 Formulation matricielle de la TFD . . . . . . . . . . . . . . . . . . 39
4.2.4 Transformée de Fourier rapide . . . . . . . . . . . . . . . . . . . . . 42
4.2.5 TFD en pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.3 TFD et produit de convolution . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.1 Produit de convolution de signaux à temps discret . . . . . . . . . . 46
4.3.2 Théorème de Plancherel pour les signaux à temps discret . . . . . . 48
4.4 TFD et fonctions d’intercorrélation . . . . . . . . . . . . . . . . . . . . . . 52
4.5 TFD et identité de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Bibliographie 55
Introduction

Ce polycopié de cours de traitement du signal est destiné aux étudiants du parcours

Electronique de la Licence en Sciences Physiques. Il comporte quatre chapitres. Le premier
est sous forme de généralités sur le traitement du signal. Les chapitres 2 et 3 traitent
l’analyse spectrale de signaux analogiques (à temps continu). Le quatrième et dernier
chapitre concerne l’analyse spectrale de signaux numériques (à temps discret).

La possession de ce polycopié ne dispense pas l’étudiant de la présence aux séances

de cours. Beaucoup d’informations complémentaires sont données pendant ces séances.
Il s’agit en effet de figures illustratrices, démonstrations et exemples supplémentaires, en
plus de quelques interprétations physiques en relation avec les différentes notions abordées
dans ce cours.

1
2 TABLE DES MATIÈRES
Chapitre 2

Séries de Fourier

Introduction
De nos jours, l’analyse fréquentielle est un outil fondamental dans l’étude des si-
gnaux. Appelée aussi analyse harmonique ou analyse de Fourier, elle doit son nom au
mathématicien français Joseph Fourier 1 , qui a été le premier à proposer une nouvelle
représentation pour les signaux autre que la représentation temporelle. En effet, l’idée de
base de sa théorie est que n’importe quel signal périodique peut s’écrire comme une somme
de signaux périodiques élémentaires qui sont des signaux sinusoı̈daux ayant des fréquences
multiples de la fréquence fondamentale du signal périodique en question. Chaque signal
élémentaire est caractérisé, en plus de sa fréquence, par son amplitude et sa phase. Bien
que son idée a vu le jour au début pour résoudre un problème qui relève du domaine de
transfert de chaleur, elle a tout de suite trouvé son application dans différents domaines
dont le domaine de l’électronique. La nouvelle représentation des signaux qu’il a proposée
est donc une représentation spectrale qui est équivalente à celle temporelle dans le sens
où plusieurs calculs sur le signal, effectués à la base dans le domaine temporel, peuvent
très bien être effectués dans le domaine spectral.

2.1 Séries de Fourier

2.1.1 Série de Fourier de base
Soit x(t) un signal périodique de période T0 = f10 . Alors le Développement en Série de
Fourier en Cosinus et Sinus (DSF) du signal x(t) s’écrit :
+∞ +∞
a0 X X
x(t) = + ak cos (2πkf0 t) + bk sin (2πkf0 t), (2.1)
2 k=1 k=1

où :
— f0 = T10 est la fréquence fondamentale du signal x(t),
— a20 est la valeur moyenne (ou composante continue) du signal x(t),
— ak et bk sont les cœfficients de Fourier réels du DSF du signal x(t) qui sont définis
respectivement par les deux relations suivantes :
1. Joseph Fourier (1768-1830) : Mathématicien et physicien français. Il est connu pour ses travaux
sur la décomposition de fonctions périodiques en séries trigonométriques convergentes, appelées séries de
Fourier, et leur application au problème de la propagation de la chaleur.

9
10 CHAPITRE 2. SÉRIES DE FOURIER
Z
2
ak = x(t) cos (2πkf0 t) dt, ∀k > 0 (2.2)
T0 T0
Z
2
bk = x(t) sin (2πkf0 t) dt, ∀k > 1 (2.3)
T0 T0

2.1.2 Série de Fourier en cosinus

En utilisant la relation trigonométrique suivante :
√
  
−B
A · cos (φ) + B · sin (φ) = A2 + B 2 · cos φ + arctan , (2.4)
A

on peut écrire :
  
−bk
q
2 2
ak cos (2πkf0 t) + bk sin (2πkf0 t) = ak + bk · cos 2πkf0 t + arctan . (2.5)
ak

Ainsi, le DSF de la relation (2.1) nous donne :

+∞
a0 X
x(t) = + ak cos (2πkf0 t) + bk sin (2πkf0 t)
2 k=1
+∞ q   
a0 X
2 2 −bk
= + ak + bk · cos 2πkf0 t + arctan
2 k=1
ak
+∞
X
= A0 + Ak cos (2πkf0 t + αk ) (2.6)
k=1

où :  
a0 −bk
q
A0 = , Ak = a2k + b2k et αk = arctan (2.7)
2 ak
L’expression (2.6) porte le nom de Développement en Série de Fourier en Cosinus
(DSF en Cosinus) du signal x(t).

Remarques :
— Le DSF en Cosinus revient à considérer que le signal périodique x(t) est créé de
manière équivalente par une infinité de générateurs sinusoı̈daux.
— La représentation spectrale qui correspond à ce développement est une représentation
unilatérale.

2.1.3 Série de Fourier complexe

En utilisant les formules d’Euler suivantes :
e+jφ + e−jφ e+jφ − e−jφ
cos (φ) = et sin (φ) = (2.8)
2 2j
on peut écrire :
1 1
ak cos (2πkf0 t) + bk sin (2πkf0 t) = (ak − jbk ) ej2πkf0 t + (ak + jbk ) e−j2πkf0 t (2.9)
2 2
2.1. SÉRIES DE FOURIER 11

Ainsi, le DSF de la relation (2.1) nous donne :

+∞
a0 X
x(t) = + ak cos (2πkf0 t) + bk sin (2πkf0 t)
2 k=1
+∞
a0 X 1 1
= + (ak − jbk ) e+j2πkf0 t + (ak + jbk ) e−j2πkf0 t
2 k=1
2 2
+∞
X 1
= (ak − jbk ) e+j2πkf0 t
k=−∞
2
+∞
X
= X(jk).e+j2πkf0 t (2.10)
k=−∞

où :
1
X(jk) = (ak − jbk ) , k ∈ Z. (2.11)
2
En utilisant les relations (2.2) et (2.3) on obtient :
Z
1
X(jk) = x(t)e−j2πkf0 t dt, k ∈ Z. (2.12)
T0 T0

L’expression (2.10) porte le nom de Développement en Série de Fourier Complexe

(DSF Complexe) du signal x(t) puisque les cœfficients X(jk) sont complexes.

Remarques :
— Le DSF Complexe est souvent plus facile à utiliser lors des calculs mathématiques 2 .
— La représentation spectrale qui correspond à ce développement est une représentation
bilatérale.
— La détermination de ce développement nous permet de retrouver les autres DSF. En
effet, le tableau 2.1 regroupe toutes les relations reliant ces différents développements.
Ainsi, pour la suite du cours, on retiendra essentiellement le DSF Complexe.

2.1.4 Spectres d’amplitudes et de phases

2.1.4.1 Spectres unilatéraux
Les spectres unilatéraux d’un signal périodique x(t) se déduisent directement de son
DSF en Cosinus donné par :
+∞
X
x(t) = A0 + Ak cos (2πkf0 t + αk ) (2.13)
k=1

Le mot unilatéral traduit le fait que dans ce développement la variable k est telle que
k ∈ Z+ .

2. Que ce soit à la main ou en utilisant une machine.

12 CHAPITRE 2. SÉRIES DE FOURIER

a0
k=0 2
A0 X(0)

k>0 {ak , bk } {Ak , αk } X(±jk)

ak ak +Ak · cos (αk ) +2<{X(jk)}
bk bk −Ak · sin (αk ) −2={X(jk)}
p
Ak a2k + b2k Ak 2|X(jk)|
   
={X(jk)}
αk arctan −b ak
k
αk arctan <{X(jk)}
1 1
X(+jk) (a
2 k
− j · bk ) A
2 k
· e+jαk X(+jk)
X(−jk) 1
(a
2 k
+ j · bk ) 1
A
2 k
· e−jαk X(−jk)

Table 2.1 – Relations entre les 3 représentations de Fourier.

Définitions :

1. Le spectre unilatéral d’amplitude d’un signal périodique x(t) est la fonction qui à
chaque indice k > 0 fait correspondre le cœfficient Ak de son DSF en Cosinus.
2. Le spectre unilatéral de phase d’un signal périodique x(t) est la fonction qui à
chaque indice k > 0 fait correspondre la phase αk de son DSF en Cosinus.

2.1.4.2 Spectres bilatéraux

Les spectres bilatéraux d’un signal périodique x(t) se déduisent directement de son
DSF Complexe qui peut s’écrire :
+∞
X
x(t) = X(jk)e+j2πkf0 t
k=−∞
−1
X +∞
X
= X(jk)e+j2πkf0 t + X(0) + X(jk)e+j2πkf0 t
k=−∞ k=1
−1   +∞  
X A|k| −jα|k| +j2πkf0 t X Ak +jαk +j2πkf0 t
= ·e e + A0 + ·e e (2.14)
k=−∞
2 k=1
2

Le mot bilatéral traduit le fait que dans ce développement la variable k est telle que k ∈ Z,
contrairement au cas du DSF en Cosinus.

Définitions :

1. Le spectre bilatéral d’amplitude d’un signal périodique x(t) est la fonction qui à
chaque indice k ∈ Z fait correspondre le module du cœfficient de Fourier X(jk)
A
égal à 2|k| .
2. Le spectre bilatéral de phase d’un signal périodique x(t) est la fonction qui à chaque
indice k ∈ Z fait correspondre l’argument de X(jk) égal à αk .
2.1. SÉRIES DE FOURIER 13

Figure 2.1 – Relations vectorielles entre les 3 représentations de Fourier.

Propriétés :
— Les spectres bilatéraux d’amplitude sont toujours des fonctions paires :
Ak
|X(jk)| = |X(−jk)| = , ∀k > 1 (2.15)
2
— Les spectres bilatéraux de phases sont toujours des fonctions impaires :
∠X(+jk) = −∠X(−jk), ∀k > 1 (2.16)
— Pour le cas particulier de la composante continue du signal on a :
X(0) = A0 et ∠X(0) = {0, π} (2.17)

2.1.4.3 Coefficients spectraux et symétries des signaux

Les propriétés de symétrie d’un signal périodique apportent des simplifications à ses
DSF. En effet, on montre que :
— un signal pair est représenté uniquement par des cosinus et on a :
bk = −2={X(jk)} = 0 et αk = {0, ±π} (2.18)
— un signal impair est représenté uniquement par des sinus et on a :
π
ak = 2<{X(jk)} = 0 et αk = {± } (2.19)
2
3
— un signal à symétrie demi-onde ne possède pas d’harmoniques paires :
X(jk) = 0, ∀ k pair (2.20)
3. Un signal à symétrie demi-onde est tel qu’une rotation autour de l’axe des abscisses de l’alternance
positive permet de reproduire l’alternance négative et vis-versa (exemples : signal sinusoidal, signal carré,
signal trangulaire).
14 CHAPITRE 2. SÉRIES DE FOURIER

2.2 Analyse de Fourier

2.2.1 Définition
L’analyse de Fourier d’un signal périodique, de période T0 = f10 , consiste à déterminer
les cœfficients de l’un de ses trois DSF. Ces cœfficients peuvent être vues comme les
composantes de ce signal dans l’une des bases de Fourier, dont les éléments sont :

1. les fonctions sinusoı̈dales cos(2πkf0 t) et sin(2πkf0 t) dans le cas du DSF de base ;

2. les fonctions sinusoı̈dales cos(2πkf0 t + αk ) dans le cas du DSF en Cosinus ;

3. les fonctions exponentielles complexes e+j2πkf0 t dans le cas du DSF Complexe.

Comme mentionné ci-dessus, il est plus simple d’utiliser le DSF Complexe pour faire
l’analyse de signaux périodiques.

2.2.2 Exemples
2.2.2.1 Suite d’impulsions rectangulaires
Une Suite d’Impulsions Rectangulaires (SIR) est un signal périodique x(t) dont le
motif de base xT 0 (t) est une fonction porte de durée T0 et d’amplitude A qui s’écrit :
xT 0 (t) = A.Π∆t (t). Ce signal est représenté par la figure 2.2. Pour faire son analyse dans
la base complexe de Fourier il suffit de calculer ses cœfficients de Fourier complexes X(jk).
On a donc :
Z
1
X(jk) = x(t)e−j2πkf0 t dt
T0 T0
Z ∆t
A + 2 −j2πkf0 t
= e dt
T0 − ∆t2

A −1 
−j2πkf0 ∆t +j2πkf0 ∆t

= · · e 2 −e 2
T0 j2πkf0
∆t sin(πkf0 ∆t)
= A· · (2.21)
T0 πkf0 ∆t

D’où, au final :
∆t
X(jk) = A sinc(πkf0 ∆t) (2.22)
T0

Nous constatons donc que les cœfficients de Fourier X(jk) sont réels. Ce résultat est
attendu puisque le signal x(t) est pair. Dans la figure 2.3 on représente donc ces cœfficients.
Quant aux spectres bilatéraux d’amplitude et de phase, ils sont représentés dans la figure
2.4.
D’après la figure 2.3 on constate que :

— Plus les impulsions sont étroites par rapport à la période T0 , plus le spectre s’étale.
1
— Le premier passage par 0 se fait à la fréquence ∆t
.
— Les raies spectrales sont espacées de ∆f = f0 = T10 .
2.2. ANALYSE DE FOURIER 15

Figure 2.2 – Suite d’impulsions rectangulaires (SIR).

Figure 2.3 – Cœfficients de Fourier complexes d’une SIR.

Figure 2.4 – Spectres bilatéraux d’amplitude et de phase d’une SIR.

2.2.2.2 Suite d’impulsions triangulaires

Une Suite d’Impulsions Triangulaires (SIT) est un signal périodique x(t) dont le motif
de base xT 0 (t) est une fonction triangulaire de durée T0 qui s’écrit : xT 0 (t) = A.Λ∆t (t). Ce
signal est représenté par la figure 2.5. On montre que les cœfficients de Fourier complexes
X(jk) de ce signal sont donnés par :
∆t
X(jk) = A sinc2 (πkf0 ∆t) (2.23)
T0
16 CHAPITRE 2. SÉRIES DE FOURIER

Figure 2.5 – Suite d’impulsions triangulaires (SIT).

2.3 Synthèse de Fourier

2.3.1 Définition

La synthèse de Fourier d’un signal périodique consiste à faire sa reconstruction à partir

de ses composantes dans l’une des bases de Fourier. Ce n’est autre que l’opération inverse
de l’analyse de Fourier.

Exemple pratique : La synthèse sonore

En effet, il existe un instrument de musique électronique qui permet de synthétiser

(ou générer) une multitude de sons, imitant ainsi de vrais instruments de musique. Ce
instrument porte d’ailleurs le nom de synthétiseur.

Ainsi, il suffit de connaitre les cœfficients de Fourier d’un signal pour pouvoir le re-
construire. Si on connait par exemple les cœfficients complexes X(jk) d’un signal x(t)
périodique de période T0 = f10 alors sa synthèse consiste à réaliser la somation suivante :

+∞
X
x(t) = X(jk) e+j2πkf0 t (2.24)
k=−∞

Cependant, en pratique on ne peut sommer qu’un nombre fini N de signaux (cor-

respondant à N harmoniques). Il s’agit donc d’une approximation du signal x(t), notée
xN (t), qu’on appelle approximation à l’ordre N de x(t) et qui est définie par :

+N
X
xN (t) = X(jk) e+j2πkf0 t (2.25)
k=−N

Nous avons donc :

x(t) = lim xN (t) (2.26)

N →+∞
2.3. SYNTHÈSE DE FOURIER 17

2.3.2 Exemples
2.3.2.1 Synthèse d’une SIR
Connaissant le spectre X(jk) d’une SIR, donné par la relation (2.22), la relation de
synthèse (2.25) nous donne :
+N
X
xN (t) = X(jk) e+j2πkf0 t
k=−N
+N
∆t X
= A sinc(πkf0 ∆t) e+j2πkf0 t
T0 k=−N
+N
!
∆t X
= A 1+2 sinc(πkf0 ∆t) · cos (2πkf0 t) (2.27)
T0 k=1

La figure 2.6 illustre la synthèse d’une SIR centrée avec ∆t = T0 /2 et A = 2, pour

différentes valeurs de N . On constate bien que plus N augmente plus on s’approche du
signal qu’on veut synthétiser.

Figure 2.6 – Synthèse d’une suite d’impulsions rectangulaires.

2.3.2.2 Synthèse d’une SIT

Connaissant le spectre X(jk) d’une SIT, donné par la relation (2.23), la relation de
synthèse (2.25) nous donne :
+N
X
xN (t) = X(jk) e+j2πkf0 t
k=−N
+N
∆t X
= A sinc2 (πkf0 ∆t) e+j2πkf0 t
T0 k=−N
+N
!
∆t X
= A 1+2 sinc2 (πkf0 ∆t) · cos (2πkf0 t) (2.28)
T0 k=1

La figure 2.7 illustre la synthèse d’une SIT centrée avec ∆t = T0 /2 et A = 2, pour

différentes valeurs de N . On constate bien que plus N augmente plus on s’approche du
signal qu’on veut synthétiser.
Cependant, on constate que pour le même nombre d’harmoniques N = 5, la synthèse
de la SIT est nettement meilleure que celle de la SIR qui présente des ondulations.
18 CHAPITRE 2. SÉRIES DE FOURIER

Par ailleurs, on montre que même si on augmente N , ces ondulations persistent et se

concentrent au niveau des points de discontinuité de la SIR. En effet, ce comportement,
connu par phénomène de Gibbs, est dû à l’existence de ces discontinuités dans le signal.

Figure 2.7 – Synthèse d’une suite d’impulsions triangulaires.

2.4 Fonctions de corrélation de signaux périodiques

2.4.1 Fonction d’intercorrélation
On rappelle que pour deux signaux à puissance moyenne finie x(t) et y(t) quelconques,
la fonction d’intercorrélation, notée Cxy (τ ), est définie par :
Z + T2
1
Cxy (τ ) = lim x(t)y ∗ (t − τ )dt (2.29)
T →+∞ T − T2

Dans le cas où x(t) et y(t) sont deux signaux périodiques de même période T0 la fonction
d’intercorrélation est définie par :
T0
Z +
1 2
Cxy (τ ) = x(t)y ∗ (t − τ )dt (2.30)
T0 T
− 20

Théorème 2.1
La fonction d’intercorrélation de deux signaux périodiques x(t) et y(t) de période
T0 = f10 est une fonction périodique de même période qui s’écrit :

+∞
X
Cxy (τ ) = Xk Yk∗ e+j2πkf0 τ , (2.31)
k=−∞

où Xk et Yk sont respectivement les cœfficients de Fourier complexes de x(t) et y(t).

Preuve :
1
Soient x(t) et y(t) deux signaux périodiques de période T0 = f0
. Donc on peut écrire :

+∞
X m=+∞
X
+j2πkf0 t
x(t) = Xk e et y(t) = Ym e+j2πmf0 t (2.32)
k=−∞ m=−∞
2.4. FONCTIONS DE CORRÉLATION DE SIGNAUX PÉRIODIQUES 19

x(t)y ∗ (t − τ )dt on obtient :

R
En calculant l’intégrale T0
Z Z XX
∗
x(t)y (t − τ )dt = Xk Ym∗ e+j2π(k−m)f0 t · e+j2πkf0 τ dt
T0 T0 k m
+∞
X +∞
X Z
= Xk Ym∗ e+j2πkf0 τ e+j2π(k−m)f0 t dt (2.33)
k=−∞ m=−∞ T0
| {z }
Ikm

Or on a :  R
T0
dt = T0 pour k = m
Ikm = (2.34)
0 6 m
pour k =

Ainsi, on obtient pour la fonction d’intercorrélation l’expression suivante :

T0 +∞
Z +
1 2 X
Cxy (τ ) = x(t)y ∗ (t − τ )dt = Xk Yk∗ e+j2πkf0 τ (2.35)
T0 T
− 20 k=−∞

La fonction d’intercorrélation Cxy (τ ) est donc bien une fonction périodique de période
T0 , et l’expression (2.35) n’est autre son DSF complexe. D’autre part, en évaluant cette
fonction d’intercorrélation en τ = 0 on obtient la relation suivante, connue par l’identité
de Parseval pour les signaux périodiques :
Z +∞
1 ∗
X
x(t)y (t)dt = Xk Yk∗ (2.36)
T0 T0 k=−∞

2.4.2 Fonction d’autocorrélation

La fonction d’autocorrélation d’un signal périodique x(t) de période T0 , notée Cxx (τ ),
est définie par :
Z + T0
1 2
Cxx (τ ) = x(t)x∗ (t − τ )dt (2.37)
T0 − 20
T

Le théorème suivant est une conséquence directe du théorème 2.1.

Théorème 2.2
1
La fonction d’autocorrélation d’un signal périodique x(t) de période T0 = f0
est une
fonction périodique de même période qui s’écrit :
+∞
X
Cxy (τ ) = |Xk |2 e+j2πkf0 τ , (2.38)
k=−∞

où les Xk sont les cœfficients de Fourier complexes de x(t).

Ainsi, la fonction d’autocorrélation d’un signal périodique de période T0 est une fonc-
tion qui conserve l’information période mais pas l’information phase et amplitude.
20 CHAPITRE 2. SÉRIES DE FOURIER

En évaluant la fonction d’autocorrélation du signal x(t) en τ = 0 et en exploitant les

relations (2.37) et (2.38) on obtient le théorème suivant, appelé théorème de la puissance
ou théorème de Parseval.

Théorème 2.3 (M.A. Parseval )

La puissance moyenne d’un signal x(t) périodique de période T0 ayant pour spectre
complexe X(jk) = Xk peut se calculer aussi bien dans le domaine temporel que dans
le domaine spectral comme suit :
T0 +∞
Z +
1 2 X
Px = |x(t)|2 dt = |Xk |2 (2.39)
T0 T
− 20 k=−∞

En exploitant la relation entre les cœfficients de Fourier Xk et Ak d’un signal périodique,

on peut très bien exprimer sa puissance moyenne en fonction des cœfficients Ak comme
suit :
+∞
X
Px = |Xk |2
k=−∞
+∞
X
2
= X(0) + 2 |Xk |2
k=1
+∞
X 2
Ak
= A20 +2
k=1
2
+∞
1 X
= A20 + A2k (2.40)
2 k=1