Académique Documents
Professionnel Documents
Culture Documents
Phy308aA 5 C1
Phy308aA 5 C1
CONVOLUTION ET
CORRELATION
Z ∞
s(t) = h(t) ∗ g(t) = h(τ )g(t − τ )dτ (5.1)
−∞
La sommation sous l’intégrale s’effectue sur la variable τ ce qui montre que le signal
ainsi obtenu est une fonction de t et non pas un nombre comme c’est le cas lorsque l’on
effectue un produit scalaire.
Pour calculer un produit de convolution, il faut conserver le premier signal, trouver
le symétrique du second par rapport à l’axe des ordonnées puis décaler ce signal du
temps t, multiplier les deux signaux obtenus et finalement intégrer le résultat.
N
X −1
s(n) = h(n) ∗ g(n) = h(k)g(n − k) (5.2)
k=0
Les signaux h et g sont tous deux définis sur l’intervalle [0, N − 1]. Toutefois dans
l’opération de retournement du signal g l’indice n − k sera susceptible de courir de
53
54 CHAPITRE 5. CONVOLUTION ET CORRELATION
[−N + 1, N − 1]. Comme g n’est défini que sur l’intervalle [0, N − 1] il importe de se
fixer les règles de calcul et ces règles peuvent être différentes selon l’objectif que l’on se
fixe.On voit bien que si l’on part du signal g retourné, ce signal restera en coïncidence
avec le signal h non retourné tant que n appartiendra à l’intervalle [0, 2N − 1]. La
dimension du signal convolué est donc 2N − 1 si les signaux de départ sont tous deux
de dimension N . Une façon claire d’établir cette propriété est de considérer que le signal
g n’existe que si la quantité n − k appartient à l’intervalle [0, N − 1] avec k contenu
dans le même intervalle.
Supposons que k soit égal soit à l’indice k = 0 soit à l’indice k = N − 1. Le signal
g(n − k) existera si
½
06n6N −1
⇐⇒ 0 6 n 6 2N − 2
06n−N +1 6N −1
ce qui conduit bien à un signal convolué de dimension 2N − 1
Pour effectuer le calcul numérique on adopte les règles suivantes
Règle n◦ 1
On réalise l’opération en considérant que dans la somme contenue dans l’équation
5.2 les échantillons ayant un indice en dehors de l’intervalle [0, N − 1] seront nuls. Le
problème ne se pose évidemment pas pour h mais clairement pour g.
On a alors
N−1
X
s(n) = h(n) ∗ g(n) = h(k)g(n − k) avec n ∈ [0, 2N − 2] (5.3)
k=0
Règle n◦ 2
On réalise l’opération en considérant que les échantillons en dehors de l’intervalle
[0, N − 1] ont même valeur que ceux contenus dans l’intervalle ce qui correspond à
périodiser le signal retourné.
Règle n◦ 3
On fait le calcul sur un intervalle moitié de la dimension du signal ce qui revient
indirectement à utiliser la règle 2.
Il est clair que les règles proposées pour ce calcul ne conduisent pas toutes au même
résultat. Ceci sera discuté ultérieurement.
L’exemple qui suit permet de comprendre comment s’effectue le produit de convo-
lution dans le cas de signaux numériques. On considèrera les signaux suivants :
n 0 1 2
/ dim h = 3
h(n) 1 2 3
et
n 0 1 2
/ dim g = 3
g(n) 1 1 2
3.0 3.0
2.5 2.5
2.0 2.0
h(n)
g(n)
1.5 1.5
1.0 1.0
0.5 0.5
0.0 0.0
0 1 2 0 1 2
n n
Fig. 5.1 —
que g(n − k) pour n = 0.Au cours de cette opération on obtient le symétrique de g par
rapport à l’axe des ordonnées. En effet pour le vérifier il suffit de poser K = −k et l’on
voit immédiatement que
−k 0 −1 −2
g(−k) 1 1 2
Si l’on se fixe la règle n◦ 1 de calcul on voit que l’on ne conservera dans le signal
retourné que g(0) pour effectuer la sommation contenue dans le produit de convolution.
Le premier échantillon du signal convolué sera donc
2
X
s(0) = h(k)g(−k) = h(0)g(0) = 1 (5.4)
k=0
n 0 1 2 3 4
s(n) 1 3 7
56 CHAPITRE 5. CONVOLUTION ET CORRELATION
Z ∞
h(t) ∗ g(t) = h(τ )g(t − τ )dτ (5.7)
−∞
en posant t0 = t − τ il vient
Z −∞ Z ∞
0
h(t) ∗ g(t) = − h(t − t )g(t)dt = g(t)h(t − t0 )dt = g(t) ∗ h(t) (5.8)
∞ −∞
Z ∞
h(t) ∗ g(−t) = g(−t) ∗ h(t) = g(−τ )h(t − τ )dτ (5.9)
−∞
soit
Z
h(t) ∗ g(−t) = h(τ )g(τ − t)dτ (5.12)
5.1. PRODUIT DE CONVOLUTION. 57
Linéaire et distributivité
Z ∞
h(t) ∗ δ(t) = h(τ )δ(t − τ )dτ = h(t) (5.14)
−∞
La convolution par un pic de Dirac renvoie donc le signal dans son entier. Il en résulte
que convoluer un signal par une distribution de Dirac décalée permet de translater le
signal. En effet :
G X XZ
s(t) ∗ (t) = s(t) ∗ δ(t − n) = s(τ )δ(t − n − τ )dτ (5.16)
n n
X
= s(t − n) (5.17)
n
Z ∞
T.F.(s(t) ∗ r(t)) = [s(t) ∗ r(t)] e−2πjf t dt (5.18)
−∞
RR
= s(τ )r(t − τ )e−2πjf t dtdτ
R R
= s(τ ) r(t − τ )e−2πjf t dtdτ
R R
= s(τ ) r(t − τ )e−2πjf (t−τ ) dte−2πjf τ dτ
R R
= s(τ )e−2πjf τ dτ r(u)e−2πjf u du
= S(f ).R(f )
d’où
Théorème de Plancherel
La transformée de Fourier du produit de convolution de deux signaux s(t) et r(t) est
égale au produit des transformées de Fourier de ces deux signaux.
Remarques :
Il est possible de calculer le produit de convolution de deux signaux en calculant la
transformation de Fourier inverse :
Z ∞
T.F. [r(t).s(t)] = r(t)s(t)e−2πjf t dt (5.21)
−∞
RR 2πjf t −2πjf t dt
R ∞ R(fR)e∞ df s(t)e
=
0
= −∞ R(f ) −∞ s(t)e−2πj(f −f )t dtdf
R∞
= −∞ R(f )S(f − f 0 )df
= R(f ) ∗ S(f )
d’où
Montrons en effet que le signal [1, −1] transforme le signal {s(n)} en sa dérivée par
convolution :
60 CHAPITRE 5. CONVOLUTION ET CORRELATION
P
r(n) = s(n) ∗ f (n) = s(i)f (n − i) avec dimf = 2
i
0 n
n−i= ⇔ i=
1 n−1
s(n) − s(n − 1)
r(n) = (5.24)
n − (n − 1)
Z ∞ Z ∞
∗
Csr (τ ) = s(t) ⊗ r(t) = s(t)r (t − τ )dt = s(t + τ )r∗ (t)dt (5.25)
−∞ −∞
Cette fonction s’appelle aussi fonction d’intercorrélation entre les signaux s(t) et
r(t). Physiquement la fonction de corrélation est obtenue en décalant l’un des signaux,
en multipliant le signal décalé par l’autre signal et puis en intégrant le produit obtenu.
Si le signal s(t) = r(t) quel que soit t alors on obtient la fonction d’autocorrélation
du signal soit :
5.2. FONCTION DE CORRÉLATION 61
Z ∞
Css (τ ) = s(t)s∗ (t − τ )dt = s(t) ⊗ s(t) (5.26)
−∞
Z ∞
Css (0) = s(t)s∗ (t)dt (5.27)
−∞
qui n’est rien d’autre que l’énergie contenue dans le signal. On peut démontrer que
la fonction d’autocorréaltion vérifie :
Si les signaux ne sont pas à énergie finie mais à puissance moyenne finie, on définit
la fonction de corrélation sur un intervalle T par :
Z t+T
1
Csr (τ ) = limT →∞ s(t)r∗ (t − τ )dt (5.28)
T t
Z t+T
1
Csr (τ ) = s(t)r∗ (t − τ )dt (5.29)
T t
Signaux numériques
Pour des signaux numériques (que l’on supposera réels) définis par {s(n)} et {r(n)}
et tels que dim(s) = N et dim(r) = M , on définit la fonction de corrélation par :
N−1
X
Csr (n) = s(m)r(m − n) avec n ∈ [0, M + N − 1] (5.30)
m=0
N−1
X
Csr (n) = s(m + n)r(m) (5.31)
m=0
Z ∞
Csr (τ ) = s(t) ⊗ r(t) = s(t)r∗ (t − τ )dt (5.32)
−∞
R∞ ∗ (−(τ
= −∞ s(t)r − t))dt = s(τ ) ∗ r∗ (−τ )
∗
Csr (τ ) = Crs (−τ ) (5.34)
en effet :
∗
Crs (−τ ) = [r(−τ ) ∗ s∗ (−τ )]∗ = r∗ (−τ ) ∗ s(τ ) = s(τ ) ∗ r∗ (−τ ) = Csr (τ ) (5.35)
R∞ ∗ R
−2πjf τ dτ = ∞ r ∗ (t)e2πjf t dt
T.F. [r∗ (−τ )] = −∞ r (−τ )e
hR i∗ −∞
∞
= −∞ r(t)e−2πjf t dt = R∗ (f )
soit
ce qui traduit de façon très claire l’identité de Parseval. L’énergie contenue dans un
signal est identique que l’on se place dans le domaine fréquentiel ou temporel.
Dans le cas des signaux de puissance moyenne finie, on parle de densité spectrale
de puissance.
Css (τ )
γ= (5.40)
Css (0)
et par :
Csr (τ )
γ=p (5.41)
Css (0)Crr (0)
Le degré d’auto-cohérence permet de savoir si le signal s reste corrélé avec lui-même
après un décalage temporel de durée τ .