Cours Classification Fin

CHAPITRE 3
Représentation Vectorielle des Signaux
1- Représentation discrète des signaux

Le principe d'une représentation discrète d'un signal x(t) est basé sur le développement de
celui-ci en une combinaison linéaire de fonctions connues k(t) ; k=1,2,...,n
Les n coefficients constituent une représentation discrète du signal qui dépend de l'ensemble
de fonctions k(t) choisies. Ceci constitue le fondement de l'analyse des signaux.
L'intérêt d'un tel mode de description est triple :
- Un choix adéquat des fonctions k(t) peut favoriser la mise en évidence de propriétés
particulières du signal et faciliter l'étude des transformations qu'il subit au cours de sa
propagation dans un système physique donné en particulier lorsque celui-ci est linéaire.
- La représentation discrète est tout naturellement associée à l'image d'un vecteur dans un espace
de dimension n (éventuellement infinie), ce qui permet d'interpréter géométriquement des
notions assez difficiles à visualiser autrement telles que celle de distance, de produit scalaire,
d'orthogonalisation, d'intercorrélation de deux signaux.
- La représentation discrète est le seul moyen d'aborder le traitement d'un signal par voie
numérique.
a) Définition d'un espace vectoriel

On sait qu'un espace vectoriel est un ensemble d'éléments satisfaisant aux propriétés
suivantes : la somme de deux éléments et le produit d'un élément par un scalaire (réel ou complexe)
sont également des élément de l'ensemble.
Un espace vectoriel linéaire de dimension n est généré par une base formée de n vecteurs
linéairement indépendant : tout vecteur x de l'espace correspond ainsi à une unique combinaison
linéaire des vecteurs de la base. Il existe une infinité de bases possibles.
Un espace vectoriel est nommé si a tout vecteur x est associée une norme, notée |x|
nombre réel, positif, nul si x est l'origine, qui est une généralisation de la notion de longueur.
L'espace est dit métrique si à tout couple d'élément (x, y) est associé un nombre d(x, y), réel positif
nul si x = y que l'on appelle la distance de ces éléments. La métrique usuelle est d(x, y) = x-y.
b) Rappel sur la transformation de Laplace
b-1 Définition de la transformée de Laplace
La transformée bilatérale de Laplace d’une fonction f(t) définie pour t (-, ) est donnée par :

VII ( s )   v(t ) e  st dt

où s est une variable complexe s =  + j. Étant donné les bornes infinies cette définition n’a de
sens que si l’intégrale est convergente.
b-2 Définition de la transformée de Laplace Inverse

La transformée inverse de Laplace est définie par :
1   j
v (t ) 
2 j   j
VII ( s ) e st ds
Cette intégrale ne reproduit la fonction initiale v(t) que si elle est effectuée dans le domaine du plan
complexe de la variable s où VII(s) est définie.
NB : si v(t) est une fonction causale, c. à d. v(t) = 0 pour t (-, 0-), alors la définition ci-dessus
devient

VI ( s )    v(t ) e  st dt
0
qui est appelée la transformée unilatérale de Laplace. La même formule d’inversion reste valide et
reproduit la fonction causale v(t).
b-3 Conditions d’existence de la Transformée bilatérale de Laplace

Une condition suffisante pour que l’intégrale définissant la transformée bilatérale de Laplace soit
convergente est qu’elle puisse être bornée par une intégrale convergente. Or on a
  

v(t ) e  st dt   v(t ) e  st dt   v(t ) e  t dt .
 
S’il existe M positif et  et  réels tel que
M et t0
v(t )   t
M e t0
v(t) est dite d’ordre exponentiel. Nous pouvons écrire

 0 


v (t ) e t dt   Me(   )t dt  
 0
Me(  )t dt
On vérifiera facilement que ces deux dernières intégrales convergent si  <  <  (fig. 2.1) qui est
donc une condition suffisante d’existence de la transformée bilatérale de Laplace. Si la variable s
appartient au domaine du plan complexe défini par les abscisses  et , V(s) existe ainsi que son
inverse. Pour évaluer cette transformée inverse il faut toutefois évaluer l’intégrale sur une droite
verticale dans le domaine de convergence qui vient d’être défini.
Figure 2.1
c) Rappel sur la transformation intégrale de Fourrier
L'analyse harmonique est l'instrument majeur de la théorie du signal. La TF, généralisé par
l'emploi des distributions permet d'obtenir une représentation spectrale des signaux déterministe.
Celle-ci exprime la répartition fréquentielle de l'amplitude, de la phase, de l'énergie et de la

puissance des signaux considérés. Comme sera illustré plus loin, la transformation intégrale de
Fourrier peut être envisagée comme une généralisation de la notion de développement en série
orthogonale de fourrier.
c-1 Série de Fourrier

De tous les développements orthogonaux d'un signal sur une intégrale de durée T, celui qui a
la plus grande importance théorique est celui de Fourier,
Tout signal x(t) peut être exprimé par une combinaison linéaire de fonctions exponentielles
complexe en remplaçants ici l'indice k par n positifs qui forment un ensemble complet de fonctions
orthogonales sur l'intervalle (t1,t1+T).
t1  T 
2jkt 2jkt
Xk   x(t ) exp( T
)dt x(t)   X k exp( T
)
t1 k  
Ces coefficients présentent l'intérêt d'être naturellement harmoniques à des fréquences fn=n/T et
conduisent à la notion classique du spectre fréquentiel bilatéral d'un signal.
Si la fonction x(t) est réelle, les coefficients Xn et X-n sont conjugués complexes.
c-2 Transformé de Fourrier
Soit x(t) un signal déterministe, sa transformée de fourrier est une fonction généralement
complexe de la variable f définie par :

X(f )  Fx ( t )  x , exp( j2ft X(f )   x(t ) exp( j 2ft )dt

La Transformation inverse :

x ( t )  F1X(f )  x, exp( j2ft x (t )   X(f ) exp( j2ft)df

Il est généralement préférable, en traitement des signaux, d'exprimer la transformée de

fourrier d'un signal en fonction de la fréquence f, plutôt qu'en fonction de la pulsation w=2f
comme c'est l'usage en théorie des circuits. Si on désire représenter cette transformée en fonction de
la pulsation w on a respectivement la transformée direct et inverse données par :
 1 
F [v(t)] = V ( )   v (t ) e  j t dt et F-1 [V(w)]= v(t ) 
 2 

V ( ) e j t d
c-3 Dualité temps fréquence

La symétrie des transformations directe et inverse montre l'existence d'une dualité entre
l'espace temps (t) et l'espace fréquence f. Cette dualité joue un rôle fondamental dans la plus part
des méthodes de traitement des signaux.
En résume : si X(f) est la transformée de Fourier de x(t) alors X(t)  x(-f)
Preuve :

j 2ft
On sait que : f(t) =  X ( f )e df


 j 2f
si on remplace t par - on obtient : x( )   X ( f )e df

et en échangeant  et f, on a : x(-f)=F(X())
c-4 L'existence de la transformée de Fourrier

1) Toutes les fonctions de carré intégrable "donc tous les signaux à énergie finie" possèdent une
transformée de fourrier qui est également une fonction de carré sommable.
- Comme cité plus haut, le développement en série de fonctions orthogonales d'un signal pris dans
un intervalle fini est un moyen d'analyse précieux.
Le développement en série de fourrier d'un signal périodique peut donner directement la TF,
en tenant compte de la relation.

k
X (f )   X k (f  T )
k  
Ainsi, la transformée de Fourrier d'un signal périodique apparaît comme une combinaison
k
linéaire de masses ponctuelles localisées aux fréquences discrète f k  k  Z . On dit
T
qu'il s'agit d'un spectre de raies.
2) Toute fonction s(t) périodique de période T (s(t+nT) = s(t) n  N) est représentée par une infinité
m 1
de coefficients de fourrier aux fréquences harmoniques entier espacés de f  .
T T
Elle est restituée par son développement en série de fourrier pour t < T/2.

m
s (t )  C
k  
m exp( j 2
T
)
Cm
S(f) apparaît comme la forme limite de la densité spectrale de raies définie par  CmT lorsque
f
T ======  ie f  df .

s (t )  Lim s(t ,T ) 
T 
Lim  C
T  
m exp( j 2mft )
1 T /2 
s (t )  Lim    s(t , T ) exp( j 2mft )dt  exp( j 2mft )
T      T T / 2 

   
s (t )   df   s (t ) exp( j 2ft )dt  exp( j 2ft )   S ( f ) exp( j 2ft )df
    
c- 6 Propriétés élémentaires
Posons s (t )  S ( f )
1) Linéarité
 s (t )   S ( f )
i
i i
i
i i
2) Symétrie
s (t )  S ( f )
3) Changement d'échelles
1 f 1 t
s (t )  S( ) s( )  S (  . f )
   
4) Translation (théorème du retard)
s(t  t0 )  S ( f ) exp( j 2ft0 ) exp( j 2f 0t ) s(t )  S ( f  f 0 )
5) Modulation
1
sin( 2f 0t ) s(t )  S ( f  f0 )  S ( f  f 0 )
2j
1
cos(2f 0t ) s (t )  S ( f  f 0 )  S ( f  f 0 )
2
6) conjugaison
s* (t )  S ( f ) s  (t )  S  ( f )
7) Différentiations
k
d k s (t )
  j 2f  S ( f )
k
 j 2f k s(t )  d S( f )
dt k
df k
8) Intégration lorsque s(0)=0

S( f )


s(t )dt 
j 2f
9) Théorème des Moments

1 dkS
 t s(t )dt 
k
(0)
 j 2 df k
9) Convolution
La transformation de Fourrier transforme la convolution en multiplication et la multiplication en
convolution.
Fx ( t ) y( t )  X(f ) * Y(f ) Fx ( t ) * y( t )  X(f )Y(f )

- Exemple
- Pulsation rectangulaire
rect(t) ===== sinc(t)
sinc(t) =====rect(f)
- Spectre de phase
Impulsion rectangulaire décalée
- Fonction d'autocorrélation



 xy ( )  x* , y    x(u ) y(  u )du

 *
 xy ( )   xy (  )
- Fonction d'intercorrélation

 


   x(u ) x(  u)du

 x(u) x(  u)du 

*
 x ( )  x , x  x ( )  x , x 
*
 
La valeur a l'origine t=0 de la fonction d'autocorrélation est égale à l'énergie du signal.


 *
 x (0)  x , x  x  2
 wx   x(u)
2
du

- Extension de la TF
Les signaux à puissance finie ne satisfont pas les critères de convergences usuels de la TF.
Cette méthode d'analyse ne peut être envisagée rigoureusement dans ce cas qu'en élargissant le
champ d'application de la TF appelé distribution.
Le résultat essentiel de la théorie des distributions pour l'analyse des signaux est la
correspondance :
 (t )  1 (f)  1   (t )
 (t  t0 )  exp( j 2ft0 )  exp( j 2ft0 )   (t  t0 )
- Théorème de Parseval
1

   2
2 2
 x(k ) 
2 2
 x ( ) d   X (f ) df

 X ( f ) df
  
1
2
- Fonction d'inter corrélation

 
 x() y (t  )d   x( ) x (t   )d pour t=0 E

*
 xy ( t )  x (t )  *
x   x (0) l'énergie du système.
 
- Spectre d'énergie : ou densité spectrale d'énergie : D.S

2
Sx ( f )  X (f )
La transformée de la fonction d'auto corrélation d'un signal noté Sx (f ) est appelée spectre d'énergie
ou densité spectrale d'énergie.
- Influence de la troncature d'un signal sur son spectre:

xT(t)=x(t)RectT(t) XT(f)=X(f)*Tsinc(fT)
Puisque le support XT(f) est la somme de celui de X(f) et sinc(f) (déjà va en produit de
convolution). Donc la troncature temporelle s'accompagne d'un élargissement fréquentielle et celui-
ci est d'autant plus fort que T est petit.
- EXEMPLE
1I(t)  (f)
exp(j2f0t)  (f-f0)
a aT
xT (t )  exp( j 2f 0 t )  exp( j 2f 0 t )  XT ( f )  sin c( f  f 0 )  sin c( f  f0 )
2 2
Table des propriétés de la Transformée de Fourier
Propriété Fonction Transformée

 v1(t) +  v2(t)
Linéarité  V1(f) +  V2(f)
 et  sont des constantes
Dualité V(t) v(-f)
1 f
Échelle de temps v(at); a est une constante V( )
a a
Décalage dans le temps v(t - t0) V(f) e  j 2t0 f
Décalage en fréquence e j0t v(t) V(f - f0)

Valeur initiales de v(t) v(0)  V ( f )df


Valeur initiales de V(f)  v  t  dt

V(0)
Dérivation dans le temps v(n) (t) (j2f)n V(f)

Dérivation en fréquence (-j2t)n v(t) V(n) (f)
t
V ( )
Intégration dans le temps  v( )

d
j
  V (0)  ( )
Fonctions conjuguées v*(t) V*(-f)


Multiplication dans le temps v1(t) v2(t)  V1 ( )V2 ( f   )d


Multiplication en fréquence  v ( )

1 v2 (t -  ) d V1(f) V2(f)
Réflexion x(-t) X(-f)

 
2 2
Relation de Parseval  v(t ) dt   V( f ) df
 
Exemple de la Transformée de Fourier :
x(t) X(f)
e-t u(t) 1
  j 2f
te- t u(t) 1
(  j 2f ) 2
|t| 2
2
(t) 1I(f)
1 (f)
u(t) 1
 ( ) 
j
RectT(t) T sinc(Tf)
TriT(t) { Tsinc(Tf)}2
sin 0t u(t)  

  -  0  -     0    2 0 2
2j 0 - 
cos 0t    -  0       0  
sin 0t j     0  -   -  0  
e-at sin 0t u(t) 0
 a  j    02
2
Echantillonnage et Reconstitution
Introduction
Lors du paragraphe de classification des signaux, on a mis le point sur des signaux discrets
et des signaux continus, ce chapitre sera dédié au passage d'un type de signaux à l'autre
continu- numérique et numérique-continu. L’opération de passage d’un signal continue à un signal
numérique se fait par un échantillonnage suivi d’une quantification alors que le passage inverse est
réalisé par la reconstitution.
Echantillonnage
Signal Continue Signal Discret

Reconstitution
1- L'ÉCHANTILLONNAGE
1.1 INTRODUCTION
L'opération d'échantillonnage consiste à prélever l'information contenue dans le signal
continu tous les kTe. Te est dite période d'échantillonnage. On appelle aussi
échantillonnage
x(t) x1 x2 x3 ….. xn
x(Te) x(2Te) x(3Te) x(nTe)
En pratique cette opération est réalisée à l'aide d'un convertisseur analogique-numérique, qui est
symbolisé par:
T
x(t) x1 x2 x3 ….. xn
x(Te) x(2Te) x(3Te) x(nTe)
On supposera dans la suite que x(t) est définie pour t=kTe.
Mathématiquement, cette opération est similaire a une multiplication du signal x(t) par l’opérateur
peigne de dirac T(t); comme nous l’avons défini au chapitre 1 , il est constitue par une série de
dirac espacées de T.

 T (t )    (t  nT )
n 
1.2 EFFET DE L’OPERATION D’ECHANTILLONNAGE
Afin de mettre en relief les effets de cette opération d’échantillonnage sur l’information contenue
dans le signal analogique de départ, une comparaison entre les deux transformées de fourier des
deux signaux analogique et numérique est nécessaire. Notons par X(v) et X(f) les transformées
respectives du signal analogique x(t) et du signal x(n) échantillonnée .
On pose: X (v) = F(xn) et X(f) = F(x(t)) et que si x(t) est intégrable


X(f )   x(t ) exp( j 2ft )dt


X (v )   x n exp( j 2nv)

Considérons le signal continu x*(t) définie par :


x * (t )   x (t ) (t  nTe )

x*(t) contient toute l'information relative à la séquence xn. x* (t) peut s'écrire :

x * (t )  x(t )  (t  nTe )

  
X * ( f )  F [ x * (t )]  X ( f ) * F   (t  nTe )
  

1 n
X *( f )  X ( f )*
Te
 ( f  T )
 e
La représentation spectrale X* (f) est périodique et elle est obtenue en répétant X(f) tous les 1/Te.
Considérons le signal x(t) dont la représentation spectrale est donnée par la figure suivante :
|X(f)|
1
0 .8
0 .6
0 .4
0 .2
0
-4 0 -2 0 0 20 40
Fréquence (Hz) f
Il faut remarquer que le spectre du signal s’étend sur l’intervalle [-fm=-32 fm=32].
Donc, le choix de fe supérieur a 2fm=80 donnera un spectre sans repliement spectral comme illustre
par la figure suivante :
Te |X*(f)|
1
0 .5
0
-2 0 0 -1 5 0 -1 0 0 -5 0 0 50 100 150 200
Fréquence (Hz) f
Alors que, le choix de fe inférieur a 2fm égale a 60 par exemple donnera un spectre avec repliement
spectral comme illustre par la figure suivante :
Te |X*(f)| 1
0 .8
0 .6
Repliement du spectre
0 .4
0 .2
0
-1 5 0 -1 0 0 -5 0 0 50 100 150
Fréquence (Hz) f
Figure représentant seulement le spectre de X(f) décalé sans la sommation.
*
Te |X (f)|
1
0 .8
0 .6
0 .4
0 .2
-1 5 0 -1 0 0 -5 0 0 50 100 150
Fréquence (Hz) f
Figure représentant seulement le spectre de X(f) décalé avec la sommation.
|X*(f)| |X*(f)|
d'autre part, Repliement du spectre f
  
X * ( f )  F [ x * (t )]    x(nTe ) (t  nTe ) exp( j 2ft )dt
 
 
X * ( f )   x(nTe )   (t  nTe ) exp( j 2ft )dt
 

X * ( f )   x( nTe ) exp( j 2fnTe )

Remarque : la notation intégrale est en toute théorie incorrecte et l'on devrait noter :

X *( f )   x(nTe ) (t  nTe ), exp( j 2fnTe )

d'où X * ( f )  X (v ) pour v f
1 
n 
X (v )   X ( f ) *   ( f  )  v  f
 Te  Te 
La représentation spectrale d'un signal discret, lorsque celui-ci est issu d'un signal continu,
s'obtient à partir de la représentation spectrale du signal continu, décalé tous les 1/Te et en
additionnant les éventuelles zones de recouvrement.
 1 1 
Lorsque le spectre du signal continu n'est pas borné et contenu dans la zone  ,  , on
 2T 2T 
dit qu'il y a repliement du spectre.
1.3 RECONSTITUTION IDÉALE ET THÉORÈME DE SHANNON

Le problème posé est le suivant, peut-on reconstituer le signal x(t) à partir du signal discret xn.
Cette question, transposée dans le domaine spectral peut encore s'annoncer, peut on isoler X(f) à
partir de la représentation spectrale du signal discret.
Dans le cas ou il y a de repliement de spectre il est impossible d'isoler X(f), ou plus

exactement impossible d'isoler 1/TeX(f) en multipliant X*(f) par Rect(1/Te)(f) avec Rect(1/Te)(f)=1
pour |f|<1/2Te, est égale à zéro ailleurs.
|X*(f)|
Rect(f)
|X*(f)|
X (f )
T
-1/2T 1/2T f
par suite on a le théorème de Shannon.
1.4 THÉORÈME DE SHANNON

Un signal continu, à spectre borné contenu dans la bande  f m , f m , peut être théoriquement
1
reconstitué à partir de prélèvements effectués à une période telle que : Te  .
2 fm
La valeur limite de la fréquence d'échantillonnage 2fm s'appelle la fréquence de Shannon ou encore

Nyquist. Il y a lieu de remarquer qu'un signal à spectre borné doit être à support temporel infini, et
en suite que la reconstitution idéale nécessite un filtrage fréquentiel parfait qui est physiquement
irréalisable.
Le théorème de Shannon est donc purement mathématique, et ne pourra jamais s'appliquer

rigoureusement en pratique. Il permet toutefois de choisir la période d'échantillonnage Te de
manière à ne pas perdre beaucoup d'information.
2- CONSIDÉRATIONS PRATIQUES
2-1 RECONSTITUTION ANALOGIQUE PRATIQUE
Filtre Anti-repliement
Afin d'éviter le repliement du spectre, il est indispensable d’être sure que le spectre du signal à
échantillonner ne contient aucune valeur non nulle en dehors de la bande des fréquences [-f e/2 fe/2].
Afin d’être sure de l’hypothèse sur laquelle s’est fait le choix de la fréquence d’échantillonnage, il
serait indispensable d'introduire un pré-filtrage du signal analogique avant de procéder à
l'échantillonnage.
Le filtre Anti-repliement (ou filtre de garde) parfait serait un filtre passe-bas idéal de bande passante
B = fe/2. Tout filtre anti-repliement réel comporte une bande de transition qui reporte la bande
passante limite BM au delà de la bande passante effective.
Nous allons voir dans les séances suivants qu'on spécifie les caractéristiques d’un filtre avec un
gabarit en donnant des paramètres:
p : L’ondulation en bande passant p Dernière fréquence passante
a : première fréquence atténuée a : L’ondulation en bande atténuée.
2-2 RECONSTITUTION ANALOGIQUE PRATIQUE

Ce problème de reconstitution se pose en pratique dans une liaison numérique analogique à la sortie
d'un calculateur. Cette opération est réalisée à l'aide de convertisseur numérique analogique. Ces
convertisseurs sont en fait des filtres encore appelés bloqueurs et le plus courant est le bloqueur
d'ordre zéro.
Comme nous l’avons déjà vu il faut faire passer le signal échantillonné xe(t) dans un filtre passe-bas
pour obtenir le signal continu x(t). On développe ici l’équivalent de cette opération dans le domaine
du temps.
Soit la fréquence d’échantillonnage la fréquence de Nyquist (2fm échantillons par seconde)
1
Te 
2 fm

1 n
On peut écrire Xe( f ) 
Te
X(f T )
 e
x(t) est reconstruite par un filtrage passe-bas de xe(t), i.e. par le passage de xe(t) dans un filtre ayant
comme fonction de transfert
H ( f )  Te rect 2 / Te ( f )
H(f)
Te
-2/Te 0 2/Te f
Soit la sortie du filtre y(t). Nous avons
Y(f) = Xe(f) H(f) = X(f)
D’où y(t) = x(t).
xe Filtre y(t)
Il est intéressant de visualiser ce processus de reconstruction de x(t) à partir de xe(t). Pour ceci re-
marquons que
y(t)=x(t)*h(t) ou h(t) n est rien d’autre que la Transformée de fourier inverse de H(f). h(t)=F-1(H(f))
h(t) est la réponse impulsionnelle du filtre
t T m
h(t )  sin c( ) h(t )  Sa  m t 
Te 
2t
c. à d. x(t )  xe (t ) * sin c( )
Te
Donc on peut reconstruire f(t) de ses échantillons si on effectue la convolution du signal échan-
tillonné fe(t) avec une fonction d’échantillonnage Sinc(mt).
Interprétation graphique :
Notons que rigoureusement, cette opération n’est pas faisable puisque la réponse impulsionnelle du
filtre idéal et non-causale et s’étend jusqu’à moins l’infini dans le temps. Pour reproduire exacte-
ment le signal, il faudrait commencer au temps t = -  ce qui introduit un retard infini. En pratique
on devra se contenter d’une reconstruction approximative du signal.
En toute théorie ces filtres ont eu comme entrée un signal discret et en sortie un signal continu et
n'entrent pas dans la catégorie de systèmes linéaires envisagés jusqu'à présent.
xn Filtre y(t)
On peut résoudre ce problème, en considérant, non pas le signal discret mais le signal continu x*(t).
On sait que ces deux signaux ont la même représentation spectrale et contiennent donc la même
information. ho(t)
xn ho(t) xo(t)
1/Te
t
le bloqueur d'ordre zéro à la réponse impulsionnelle ho(t)


Ainsi pour un signal x * ( t )   x (nT )( t  nT) à l'entrée d'un tel filtre, la sortie sera une suite de

réponse impulsionnelle (à une constante x(nT) près) décalées de T.
xo(t)
xo(t)
x(t)
Voyons les conséquences fréquentielles de ce blocage.

xo(t)=x*(t)*ho(t)
 T SinfT 
X 0 ( f )  X * ( f ) exp( j 2f )T
 2 fT 
X 0 (f ) sin fT
 X * (f )
T fT
|Xo(f)|
f
-1/Te 1/Te
Plus 1/Te est grand, moins il y aura d'erreur sur la reconstitution du signal.
Relation énergétique :
Soit un signal continu d'énergie finie et de spectre borné.
2
E   x 2 ( t )dt   X * (f ) df
Soit xn, le signal discret issu de x(t) par échantillonnage à une période T vérifiant le théorème de
SHANNON T < 1/ 2fm. xn est alors un signal discret à énergie finie.
1

2T
 x 2n  T 
2
X * ( v) dv
1

2T
Quelle est la relation liant l'énergie en continu à l'énergie du signal discret?
Le théorème de SHANNON étant vérifié :

1 1 1
X(f )  X( v) | v=f Si  f 
T 2T 2T
X(f) = 0 en dehors de la bande
1 1
 
 2T 2T
2 2 2
d'où  X(f ) df   X(f ) df  T 2  X( v) dv
 1 1
 
2T 2T
 
 x(t ) dt  T x n
2 2
 
Si le théorème de SHANNON n'est pas vérifié, cette relation est seulement approximative.
On aboutit à des relations d'un même type dans le cas de signaux à puissance finie.
1
0 .5
0
-4 0 -2 0 0 20 40
1
0 .5
0
-2 0 0 -1 5 0 -1 0 0 -5 0 0 50 100 150 200
0 .8
0 .6
0 .4
0 .2
0
-1 5 0 -1 0 0 -5 0 0 50 100 150
Transformation de Fourrier Discrète
Introduction
La transformation de fourrier des signaux numériques, telles qu'elle a été définie et étudiée
précédemment n'est d'aucun intérêt pour un traitement numérique. Ceci provient, d'une part, de
l'existence d'une variable continue -analogique- représentant la fréquence et d'autre part, de la
nécessité de faire intervenir un nombre infini d'échantillons du signal.
Vu l'importance considérable de cette transformation en traitement de signaux, il est nécessaire

de la mettre sous une forme pratiquement utilisable. Cette forme est appelée TFD est sera dénotée par
TFD. Dans la suite et après une étude de la TFD nous allons montrer l'intérêt de cette dernière en
mettant l'accent sur la technique de calcul ou d'algorithmes rapides et efficaces.
- Rappels

X (f )   x (k ) exp( j2fk) (1)
k  
1
2
x (k )   X(f ) exp( j2fk)df (2)
1

2
X(f) est périodique de période 1, généralement c'est une fonction complexe de la variable f.
- Problèmes : les difficultés associées aux relations (1) et (2) :
a) f est continue d'ou l'impossibilité de faire usage d'un système de traitement numérique.
b) x(k) est une série d'une infinité d'éléments qu'on ne peut pas traiter numériquement.
- Solutions
- Limiter la durée du signal x(k).
- Remplacer la variable continue f par une variable discrète, mais il faut faire attention à ces deux
opérations pour ne pas obtenir des résultats erronés.
Le remplacement de f par une variable discrète peut s'écrire : f = nf où f est l'incrément utilisé sur
l'axe des fréquences fn=n  f est appelé fréquence harmonique de la TFD.
X(f) est périodique de période 1 donc on peut diviser une période en N incrément et on a :
 f =1/N
Si on décide de travailler avec la période -1/2, 1/2, N=-N/2, -N/2 + 1 ....., N/2-1.
Compte tenu de la discrétisation de la fréquence, x(k) est approximée par une somme donnée par
Traitement du Signal IIEA 20
l'équation (3).
N
1
2 n
x (k )   X(n ) exp( j2
N
k) (3)
N
n 
2
La valeur exacte est dénotée par xp(k)

N
1
2 n
x p (k )   X(n ) exp( j2
N
k) (4)
N
n 
2
Ainsi : x (k )  x p ( k )
On doit chercher pour quelles conditions cette relation devient l'identité.

2 2
On note : WN  exp( j ) WNnk  exp( j nk )
N N
WNk  l  WNl WNk WNk  lN  WNk (5)
- Propriétés et valeurs spéciales
lN
k
N WN2   WN
WNlN  1 WN2  1 WN 2   WNk 2
N
Pour k=lN WNlN  1 1
N
Pour les autres, la somme vectorielle de N racines nième de l'unité est toujours nulle, car ces racines
sont séparées les unes des autres par un incrément angulaire 2/N.
Maintenant, de la même façon que pour les signaux continus la série de Fourier est un spectre discret
qui décrit une fonction finie dans le temps, ou son extension (répétition) périodique, la Série Discrète
de Fourier (SDF) décrit le spectre d'une séquence finie x(n). Elle est définie comme l'échantillonnage
de la transformée de Fourier X(f). Autrement dit, la Série Discrète de Fourier d'une séquence n'est que
l'échantillonnage de la transformée de Fourier. Pour une séquence x[n] de N points la SDF n'est en ef-
fet que l'échantillonnage uniforme en N points de X(f). Remarquons toutefois que dans le contexte
des fonctions discrètes le mot échantillonnage ne veut pas
4 dire échantillonnage idéal par un peigne
5 3
d'impulsions, mais plutôt, une discrétisation comme
6 lecture de valeurs.
2
N = 16
7 1
8 0
9 15
Traitement du Signal IIEA 10 14 21

11 13
12
Le cercle unitaire est ainsi échantillonné en N points uniformément espacés (voir figure pour N = 16).
Nous remarquons que la SDF est périodique, puisque pour m entier,
2 2
j  k  mN  j k
e N
e N
La Transformée Discrète de Fourier (TDF) n'est que la période de base de la SDF. Autrement dit, la
TDF n'est que la séquence X[k]; k = 0, 1, , N – 1.
Il n'est donc pas nécessaire d'attribuer un nouveau symbole à la TDF. Il sera sous-entendu que X[k]
représente la SDF ou la TDF vu que la première n'est que la répétition périodique de la seconde. Si
nous avons besoin de différencier entre les deux nous écrirons X  k  pour dénoter la SDF et X[k]
pour la TDF.
Nous avons donc la définition de la TDF:
N -1 2
j nk
X k    x n  e N
; k  0,1, , N -1
n0
2
La transformée inverse se trouve en multipliant les deux côtés par e j N r . Nous avons
2 N -1 2
j kr j k  n -r 
X k  e N
  x n e N
n 0
Prenons la somme des deux côtés par rapport à k
N -1 2 N -1 N -1 2
j kr j k  n -r 
 X k  e
k 0
N

k 0
 x n e
n0
N
N -1 N -1 2
j k  n -r 
  x  n  e N
n0 k 0
Or, pour m entier nous avons

2
N -1 j km  N pour m  pN ; p entier
e N

k 0 0 autrement
d'où
2
N -1 j k  n -r   N pour n  r  pN ; p entier
e N

k 0 0 autrement

c. à d.
N -1 2
j kr
 X k  e
k 0
N
 Nx  r 
Remplaçons r par n nous avons la transformée inverse
N -1 2
1 j nk
x  n 
N
 X k  e
k 0
N
- QUALITÉ DE L'APPROXIMATION
On remarque d'après la relation (5) que WN nk est périodique de période N. Ainsi xp(k) est périodique
alors que x(k) n'est pas supposé être périodique. Pour trouver la relation liant x(k) et xp(k) on
substitue Xn(n) dans la relation (4)
N
1
2   n  n
x p (k )     x (l) exp( j2 N k) exp( j2 N k )
N l   
n 
2
N
1
 2
 n  n
x p (k )   x(l)  exp( j2 N k ) exp( j2 N (l  k ))
l   N 
n 
2
L'expression entre crochets vaut 1 pour l-k=iN et 0 ailleurs


x p (k )   x (iN  k )
i  
Cette relation indique que xp(k) est obtenue par répétition périodique de période N du signal x(k).
La transformé de Fourrier, inverse aussi bien que directe d'une fonction échantillonnée est une
fonction périodique dont la période est l'inverse de la période d'échantillonnage.
Transformée de Fourier Discrète des signaux périodiques
Pour des signaux apériodiques à durée limitée à N la TF devient :

k 0  N 1
X (f )   x (k ) exp( j2fk )
k k 0
cette relation peut être mise sous la forme :

k 0  N 1
N N
X ( n)  
k  k0
x(k )W N nk avec : n
2
,...
2
1
La transformation inverse est donnée par :

N
1
1 2
x (k ) 
N
 X(n)WNnk k  k 0 ,... k0  N  1
N
k 
2
Par ce volet, nous avons donné la TFD pour un signal périodique à durée finie N.
Si le calcul de x(k) est réalisé pour les autres k on obtient alors un signal périodique donné par :

x p (k )   x (iN  k )
i  
On peut obtenir par extraction de la période de xp(k) correspondant à l'intervalle où x(k) est non nulle.
A cet effet, on peut utiliser le signal rectangulaire rect N(k) ou toute version translatée de celui-
ci : x(k)=xp(k) rectN(k-k0)
Comme on connaît à priori cet intervalle, on peut écrire :
 x (k ) k0  k  k0  N  1
x p (k )  
0 ailleurs
Remarque :
Dans le cas ou on a que X(n) Pour -N/2 < n < N/2 sans autre information préalable sur le signal x(k).
On ne peut pas décider s'il s'agit d'un signal périodique ou d'un signal à durée limitée.
Si N est connue, il faut aussi connaître k0 pour déterminer l'intervalle k 0 , k 0  N  1 .

Par la relation précédente, on obtient seulement une permutation cyclique des échantillons de x(k).
Exemple :
soit le signal : x (k )  a k rect N (k ) a0
N 1 N  nN
a k WN nk X(n )  1  a WN 1 aN
sa TFD X(n )   
k 0 1  a WN n 1  a WN n
Les spectres d'amplitude et de phase s'obtiennent on remplaçant WN par son expression :
1 aN 1 aN
X(n )  X(n ) 
n n n
1  a cos(2 )  ja sin( 2 ) 1  a 2  2a cos(2 )
N N N
 n 
 a sin( 2 ) 
 x (n)  arg( X ( n))  arctg  N 
 a cos( 2 n )  1 
 
 N 
Exemple:
Soit x  n   cos nBRN  n  , où RN  n   U  n  - U  n - N 
La transformée en z est
N -1 N -1

X  z    cos nBz  n  1/ 2 e jBn  e  jBn z  n 
n 0 n 0
soit a  e jB
N -1

X  z    a n z  n  a*n z  n 
n 0
 1 - a N z  N 1 - a*N z  N 
 1/ 2  1
 
 1-a z 1 - a* z 1 
X(z) peut se réduire en la forme

1 - cos B z 1 - cos NB z  N  cos  N -1 B  z
  N 1
X  z 
1 - 2 cos B z 1  z 2
La transformée de Fourier est donnée par
1 - a N e jN  1 - a* N e jN  
 
X e j  1/ 2   j

1 - a * e  j 

 1-ae
L'étudiant peut vérifier que X e

j
 
peut s'écrire sous la forme
N
 
X e j 
2
   - B       B 
où
sin  N  / 2 
    e
 j  N -1  / 2
N sin   / 2 
La fonction     est montrée à la figure suivante pour N = 8. Elle ressemble à la fonction

d'échantillonnage. Nous remarquons que la T.F. ressemble à la transformée de Fourier continue d'un
sinus continu tronqué.

La transformée discrète de Fourier TDF est donnée par:
 j 2 k 
X k   X  e N 
 
N   2   2 
   k - B   k  B 
2   N   N 
Pour le cas spécial, où l'intervalle N contient un nombre exact de cycles, nous avons
2
B m ; m  0,1, 2,
N
N   2   2    N / 2  k  m et k  N - m
X k     N  k - m      N  k  m     
2      0 autrement
La SDF comme nous l’avons vu, n’est que la répétition périodique de X(k).
La TDF contient donc deux impulsions discrète, l'une à k = m, l'autre à k = N – m.
Nous nous rappelons que la série de Fourier d'une sinusoïde continue tronquée a, en général, la forme
de deux fonctions d'échantillonnage échantillonnée, et que si l'intervalle d'analyse est multiple de sa
période la série de Fourier produit un spectre qui ne contient que deux impulsions. Nous venons de
voir que pour les signaux discrets la TDF (et donc la SDF) ont les mêmes formes que la série de
Fourier du sinus continu.
Exemple:
v  t   cos  25 t  RT  t 
où RT  t   u  t  - u  t - T  .
Soit une fréquence d'échantillonnage fE de 100 échantillons par seconde. Évaluer la TDF si T = 1.28
sec.
1
f E  100 Hz   0, 01 sec
fE
T 1, 28
N   128
 0, 01

v  n   cos  25  n  RN  n 
 cos  0, 25 n  RN  n 
 2 128 
 cos    0, 25 n  RN  n 
 128 2 
 2 
 cos   16n  RN  n 
 N 
1  j 16 n  j N 16n 
2 2
 e N e  ; n  0,1,⋯ , N - 1
2 
Or
N 1 2
1 j nk
v  n  V k  e N
; n  0,1,⋯ , N  1
N k 0
D'où
1 1 N
V 16   V 16   64
N 2 2
De plus
N
V  N  16   V 16 
2
c. à d.
 N / 2  64 ; k  16,112
V k   
0 autrement
2e méthode:
Fréquence continue   25
Fréquence discrète     0, 25
V k 
16 32 64 112 127
  2 correspond à k = N
  0, 25 correspond à k = N/8 = 128/8 = 16
Transformée de Fourier Discrète des signaux périodiques

N 1
X p (f )   x p (k ) exp( j2fk )
k 0 0
xp(f) périodique de période 1.

N 1 N 1
nk  N N 
X p (n )   x p (k ) exp( j2
N
)   x p ( k ) WN  nk n   ,  1
k 0 0 k 0
0
 2 2 
La transformation inverse :
N N
1 1
1 2 nk 1 2 nk
x p (k )   X p (n ) exp( j2 )  X p (n ) WN k  0, N  1
N N N N N
n  n 
2 2
Remarque : L'importance du rôle joué par la TFD en traitement numérique du signal est énormément
renforcée par l'existence d'un algorithme de calcul rapide, ces algorithmes sont basés sur les propriétés
de symétrie (dues aux signaux réels) pour éviter des calculs redondants.
Principales propriétés de la transformée de fourrier discrètes

Si la durée de x1 est N1 celle de x2 est N2 la durée du signal est N=Max (N1, N2)
Si, par exemple, N1>N2 , on doit calculer les deux TFD avec N=N1 ainsi X2(n) sera la TFD du signal
x2(n) prolongée par N1-N2 échantillons nuls .
TRANSFORMATION EN Z
- INTRODUCTION
La Transformée de Fourier TF est un outil précieux en Traitement du Signal Numérique et

Analogique sur les deux plans théorique et expérimental. Toutefois, dans certains problèmes, surtout
dans ceux qui sont orientés vers l'analyse et la synthèse de systèmes de traitement (par exemple en
filtrage numérique) les limites des capacités de la TF sont vites atteintes, le besoin ainsi créé d'un outil
plus puissant est comblé, principalement sur le plan théorique, par la TF à laquelle elle peut
s'identifier dans un cas particulier. Par sa nature générale, la T en Z permet, par exemple, de
représenter un signal possédant une infinité d'échantillons par un ensemble fini de nombres. Ces
nombres, caractérisant complètement le signal, permettent de le reconstituer entièrement.
Ce chapitre présentera la transformation en Z, les conditions de son existence et les différentes

méthodes qui permettent de calculer la transformation inverse. On étalera aussi les propriétés de la T
en Z ainsi que les relations qui existe en TF et T en Z et TL.

Finalement, on définit : fonction de transfert d'un système linéaire. On étudie ces conditions de
causalité et de stabilité dans le plan des Z.
A - TRANSFORMATION EN Z
1- Définition
La Transformée en Z X(z) d'un signal x(k) est définie par :

X ( z )   x(k )z  k (1)

où z variable complexe ou X(z) est une fonction complexe de la variable z.
(Forme analytique série de Laurent : toute les dérivées sont des fonctions continues de z)
On utilise souvent la notation :
X ( z )  Z ( x(k )) (2)
Remarque : La Transformée en Z est dite bilatérale vu, que la sommation s'étend à tous les entiers k .
Dans l'étude des signaux et systèmes causals on utilise la Transformée en Z unilatérale définie par :

X ( z)   x(k )z  k (3)
k 0
La définition (3) est considérée comme un cas particulier.
2 - Existence de la T en Z
Il est clair que le problème majeur sera celui de la convergence. On appellera domaine de
convergence pour un signal donné, l'ensemble des valeurs de z pour lesquelles la série (1) converge.
- Critère de Cauchy :
Une série du type :

U k  U 0  U1  U 2  U 3  ... Un ...
k 0

converge si la condition suivante est satisfaite :
1
Lim U k k 1
k 
on va décomposer (1) en deux parties :
1 
X ( z)   x(k )z  k   x(k )z  k X ( z )  X1( z )  X 2 ( z )
k   k 0
L'application du critère de Cauchy donne :
1 1
Lim x(k ) z k k
1 puis Lim x (k ) k z 1  1
k  k 
1
Soit Rx   Lim x(k ) k la série X2(z) converge alors pour |z|>Rx-. Avec le changement de variable l=-
k 
1
Rx   1
k on montre que X1(z) converge pour |z| < . Avec .
Lim x( k ) k
k 
ainsi, la série (1) converge en général dans un anneau du plan complexe z donné par:
0  Rx -< |z| < Rx +  
Im[z]
Rx-
Traitement du Signal IIEA Rx + 30

Région de convergence
Re[z]
Résumé : A tout signal x(t) on peut associer de façon formelle une transformée en

X ( z )   x(k )z  k

On peut associer à cette série formelle une fonction de la variable complexe z que nous noterons
également X(z). Si z appartient au domaine de convergence de cette série.
Ce domaine de Convergence est un disque ouvert limité par R 1 et R2 ou R1<R2. R2 est le rayon de CV
de la série x(-k) z-k pour k < 0 et 1/R 1 est le rayon de Convergence de la série entière x(k) z k pour k >
0.
Les rayons de Convergence peuvent être nuls, finie ou infinis. Le domaine de Convergence fait partie
intégrante de la définition de la Transformée en z car en général, chaque expression données X(Z) est
la Transformée en Z de plusieurs signaux x(k) si on ne précise pas son domaine de Convergence.
Les rayons r1 et r2 dépendent de la séquence x(n). En particulier, nous avons les 4 cas suivants:
Cas 1 : Séquence de durée finie
Pour une séquence de durée  n1 , n2  finie et nulle ailleurs nous avons:
n2
V  z    v  n z n
n  n1
Nous avons convergence si v  n    pour n1  n  n2 . La convergence existe alors pour toute valeur
de z sauf: z =  pour n1 < 0 et z = 0 pour n2 > 0, i.e. la région de convergence est 0 < z <  et peut
inclure z = 0 ou z = .
Cas 2 : Séquence de droite

Une séquence de droite est une séquence qui est nulle pour n < n1. Nous avons

V  z    v  n z n
n  n1
La région de convergence est définie comme l'extérieur d'un cercle:
z  r1
sauf z =  si n1 < 0; voir figure suivante :
Pour une séquence causale n1  0, la région de convergence comprend z = .
Cas 3 : Séquence de gauche
Une séquence de gauche est celle qui est nulle pour n > n2 une valeur finie. Nous avons
n2
V  z   v  n z
n 
n
c. à d.

V  z   v  m  z
m  n2
m
On a alors le même résultat que pour le cas 2 avec n remplacée par –n et z par z-1. La région de
convergence est l'intérieur d'un cercle,
z  r2
sauf z = 0 si n2 > 0; voir figure suivante :
Si la transformée en z d'une séquence de gauche converge pour z = 0 la séquence est zéro pour n >
0.

Cas 4 : Séquence générale de deux côtés
Pour une séquence générale de deux côtés, nous avons:


X z   x n z
n 
n
 1
  x  n zn   x n z n
n 0 n 
convergence convergence
z  r1 z  r2
Le premier terme a un domaine de convergence z  r1 , le deuxième a un domaine z  r2 . Donc il

y aura convergence seulement si r1 < r2 et le domaine de convergence sera l'anneau
r1  z  r2
La figure suivante montre quelques séquences et leurs domaines de convergence.

Exemple 1
Dans ce cas, le calcul de la somme est simplifié par l'apparition d'une progression géométrique
de raison z-1 . Si on utilise les relations Rn- et Rn+ , on trouve Rn-=1, Rn+=+ .
Exemple 2 :
Soit le signal x(k) = ak u(k) a>0.
Exemple 3 :
Soit x(k) = ak, Rn-=Rn+ = a absence du domaine de convergence a < z< a

irréalisable.
Exemple 4 : Soit v  n  n an u  n
Pour calculer V(z) utilisant le théorème de convolution en z, écrivons

f1  n   n u  n 
f2  n   an u  n 
Nous avons

F1  z    n z  n
n0
Pour évaluer cette somme notons que


1
z
n 0
n

1 - z 1
; z 1
Décrivons les deux côtés nous avons

 z 2
  n  z  n1  ; z 1
1 - z 
2
1
n 0
D'où

z 1
F1  z    n z  n  z 1
1 - z 
2
1
n0
De plus
1
F2  z   ; z a
1 - a z 1
D'où
1 z
V z  i F  y  F  y  y
1 2
1
dy
2 j
1 z 1 y y 1dy
 i
2 j 1 - z y  1 - a y 1
2
1
1 zy dy

2 j i  y - z   y - a 
C
2
z
Le contour d'intégration se trouve dans le domaine commun de convergence de F1   et F2(y), c. à
 y

z
d. 1 et y a
y
c. à d. a y  z
L'intégrale a deux pôles dans le plan y: un double à y = z, z étant constante durant l'intégration, et un
simple à y = a.
Comme le montre la figure précédente, le contour d'intégration est alors un cercle qui passe entre ces
deux pôles et qui contient le pôle y = a. D'où
 zy 
V  z    res. de à y  a 
 y - z  y - a
2
 
za
 ; z  a
 z - a
2
où
a z 1
V  z  ; z  a
 
2
1 - a z 1
Exemple 5 : Soit v  n   a n sin bn u  n 


V  z    a n sin bn z  n
n 0
1  n jbn  n
 
 a e z - a ne jbn z  n
2j 0

Nous avons:
1 
 


 a e jb z 1  -  a e
n n
-jb 1
 z
2 j  0 0 
1  1 1 
  jb 1
-  jb 1 
;
2 j 1 - a e z 1-ae z 
convergence: a e  jb z 1  1
c. à d. z a
Après quelque manipulations algébrique, nous pouvons écrire:
a sin b z 1
V  z 
1 - 2a cos b z 1  a 2 z 2
z a
voir figure suivante :
Et pareillement, nous pouvons montrer que:
Z 1 - a cos b z 1
a n cos bn u  n  s
1 - 2a cos b z 1  a 2 z 2
z a
Nous remarquons que la transformée d'un exponentiel réel e u  n  a un pôle dans le plan z sur l'axe
n
réel à une distance e de l'origine. La transformée d'une séquence an a un pôle à z = a. Celle de en
cos n a deux pôles situés à z  e  j  et e  j  .

Pour une séquence qui est la somme de séquences exponentielles de droite la région de convergence
est alors l'extérieur du cercle qui passe par le pôle (les pôles) du plus grand rayon parmi les
composantes. Pareillement, pour une séquence de gauche qui est la somme des composantes
exponentielles la région de convergence est l'intérieur du cercle des pôles du plus petit rayon.
Finalement pour une séquence de deux côtés, la région de convergence, quand elle existe, est un
anneau borné par deux cercles. Le plus grand cercle est le plus petit cercle des pôles de la partie
gauche de la séquence. Le plus petit cercle de l'anneau est le plus grand cercle des pôles de la partie
droite de la séquence.
3. La transformée en z inverse

La transformée en z inverse peut être développée comme suit: Nous avons V  z    v  n z
n 
n

k-1
Multiplions les deux côtés par z et intégrons, nous avons i V  z  z dz i
k -1
 v n z
n 
 n  k -1
dz
Si la série est convergente nous pouvons renverser l'ordre de sommation et intégration:
i V  z  z dz 
k -1
 i v  n  z
n 
 n  k -1
dz
Mais, selon le théorème d'intégration de Cauchy:
 2 j ; k  0
i z dz  
k -1
C 0 k0
i V  z  z
k -1
dz  2 j v  k  et v  n   1 V  z  z n -1dz
2 j iC
où C encercle l'origine. D'où
C
où C se trouve dans le domaine de convergence et encercle l'origine.
Si V(z) est rationnelle il est convenable d'utiliser le théorème des résidus pour évaluer cette
dernière équation. Nous écrivons
v  n     résidus de V  z  z n -1 à ses poles

ˆ dedans C 
F  z
Si V  z  z est une fonction rationnelle en z nous pouvons écrire V  z  z 
n -1 n -1
 z - z0 
m
où V  z  z a m pôles à z = z0 et F(z) n'a pas de pôles à z = z0. Les résidus de V  z  z à z = z0 sont

n -1 n -1

1  d m -1F  z  
donnés par Re s V  z  z n -1
à z  z0    
 m - 1!  d z m-1  z  z 0
En particulier, pour le cas d'un pôle simple Re s V  z  z à z  z0   F  z0 

n 1
Exemple: Soit
2 - 1, 25 z 1
V z  ; z  0,75
1 - 1, 25 z 1  0,375 z 2
Nous avons
2 - 1, 25 z 1
V  z  ; z  0, 75
 
1 - 0,5 z 1 1 - 0, 75 z 1 
v n 
1  2 - 1, 25 z  z dz
1 n 1
2 j iC 1 - 0,5 z 1 - 0, 75 z 

1 1
1  2 z - 1, 25 z n dz
2 j iC

 z - 0,5  z - 0, 75 
La région de convergence implique une séquence de droite. De plus
V  z z   2
d'où la séquence est causale, c. à d. v(n) = 0 pour n < 0. Le cercle C contient deux pôles seulement
pour n  0; la figure ci-dessous explicite le cas.


v  n    res. de
 2 z - 1, 25  z n
à z  0,5
  z - 0,5 z - 0, 75
 res. de
 2 z - 1, 25 z n 
à z  0, 75
 z - 0,5 z - 0, 75  
  2  0,5 - 1, 25  0,5  n  2  0, 75 - 1, 25  0, 75 n 
   u  n
 0,5 - 0, 75 0, 75 - 0,5 

  0,5    0,75  u  n 
n n

Exemple:
Soit
1,5 z
V  z  ;0,5  z  2
z - 2,5 z  1
2
La région de convergence implique une séquence de deux côtés. Utilisant une expansion en fractions
A B
partielles, nous écrivons V z  
z - 2 z - 0,5
Où A   z - 2  V  z   z  2  2 et B   z - 0,5 V  z   z 0,5  0,5
2 0,5
V  z   ; 0,5  z  2
z - 2 z - 0,5
Le premier terme correspond à une séquence de gauche, le deuxième correspond à une de droite.
Écrivons V  z   Vg  z   Vd  z 
2
Où Vg  z   z 2
z-2
0,5
Vd  z   z  0,5
z - 0,5
Considérons d'abord Vd(z), nous avons
Vd     0
d'où la séquence est causale, i.e. vd(n) = 0 pour n < 0; et les pôles de la transformée inverse
1 0,5 z n -1
vd  n   i dz
2 j C  z - 0,5
devraient être vérifiés uniquement pour n  0.
Pour n > 0 le contour C contient un seul pôle à z = 0,5 et
 0,5 z n -1 
vd  n    res. de à z  0,5
 z - 0,5 
 0,5  0,5    0,5 

n 1 n
n0
Pour n = 0 le contour C contient deux pôles, à z = 0 et z = 0,5, comme illustré ci-dessous.
 0,5 
vd  n    res. de à z  0
 z  z - 0,5 
 0,5 
  res. de à z  0,5
 z  z - 0,5  
 1  1  0
vd  n    0,5  u  n - 1
n
Considérons maintenant Vg(z). Nous avons Vg(0) = 1, d'où la séquence vg(n) est nulle pour n > 0.
1 2 z n -1
Maintenant, pour vg  n   i dz
2 j C
z-2
le contour C contient un pôle à z = 0, sa multiplicité dépendant de n. Pour n = 0 ce pôle est simple et
 2 
vg  n    res. de à z  0  1 ; n  0
 z  z - 2 
Pour n = -1 le pôle à z = 0 est un pôle double.
 2 
vg  n    res. de 2 à z  0
 z  z - 2 
 d 2 
  0,5 ; n  1
 dz z - 2  z  0
Pour n = -2
 1 d 2 2  1d 2 
vg  n       
 2 dz z - 2  z 0 2  dz  z - 2   z  0
2 2
1  2  2  z - 2  
    22 ; n  2
2   z - 2 4
 z  0

On peut montrer que
vg  n   2n ; n0
c. à d.
vg  n   2n u   n 
Finalement nous avons
v  n    0,5  u  n - 1  2n u  n 
n
Il est intéressant de remarquer que nous pouvons calculer v(n) comme
1 1,5 z n dz
v n  i
2 j  z - 2  z - 0,5
directement, sans utiliser l'expansion en fractions partielles pour séparer la partie gauche de la partie
droite de la séquence. L'étudiant est conseillé de résoudre ce problème utilisant cette méthode.
Nous remarquons aussi que l'existence d'un zéro multiple complique le calcul de la partie gauche
1
de la séquence. Nous pouvons simplifier le développement si nous utilisons la substitution z
x
1
dans v n  i V  z  z
n -1
dz
2 j C
Nous avons alors

1 1
v n  j V  x  x
 n -1
dx
2 j C2
où le contour d'intégration est ici dans le sens de l'horloge.

1 1
Nous avons alors v n  i V  x  x
 n -1
dx
2 j C2
Notons que si le contour C est un cercle de rayon r, le contour C2 est un cercle de rayon 1/r, et que les

pôles de V(z) qui étaient à l'intérieur de C dans le plan z deviennent à l'extérieur dans le plan x et vice
versa.
Comme exemple, appliquons cette méthode pour évaluer la transformée inverse de Vg(z) de
2
l'exemple précédent. Nous avons Vg  z   z 2
z -2
1 2
vt  n   i 1/ x  - 2 x
 n -1
dx
2 j C2
1 2 x  n

2 j i
C2
1 - 2x
dx
Le contour C2 est montré à la figure 6.11. Il contient un pôle à x = 0,5 pour n  0. D'où
 xn 
vg  n    res. de à x  0,5
 x - 0,5 
  0,5 
n
 2n ; n0
c. à d. vg  n   2 u  n  comme déjà trouvé.

n
Inversion par une longue division

Une autre méthode pour évaluer la transformée inverse est celle de la longue division.
Exemple: Soit
a z 1
V z  z a
1 - a 1 z
Effectuons une longue division

a z 1  1  a 1 z  a 2 z 2 ⋯
1 - a 1 z a z 1
a z 1 - 1
1
1 - a 1 z
a 1 z
a 1 z - a 2 z 2
⋯
1
D'où V  z   az 1  1  a 1 z  a 2 z 2  ⋯  a
n 
n n
z
v  n   a n u 1 - n 
Inversion par une expansion en série

Dans cette méthode nous exprimons V(z) comme une somme de séries
n2
V  z    v  n z n
n  n1
Rappelons nous que

n2
1 - x n2 - n1 1
 x n  x n1
n  n1 1-x
; x 1
Si de plus nous connaissions la région de convergence nous pouvons identifier v(n).

Exemple:
e 2 z 3 e 3  z 3
V z  
z - e  1 - e   z
e   z  e 
Nous écrivons
1 1
V  z   e 2 z 2  1
 e3  z 3
1-e z 1 - e  z
 
 e    e z 
n n
 
 z 1
n 2 n 3
 3
 e  z 
m
  e n z  n 
n 2 m 

; e   z  e 

c. à d.
v  n   e  nu  n  2   e  nu  3 - n 
Propriétés de la Transformées en z
Séquence Transformée R.C

1. d [ n] 1 All z
1
2. u[n] z 1
1 - z 1
z -m
3. u[n - m] z >1
1 - z -1
-1
4. u[-n - 1] z 1
1 - z -1
d [ n - m] All z plane except z  0 (if
5. z -m m> 0) or z   (if m < 0 )
1
6. a nu[n] z 
1 - a z -1
1
7. -a n u[-n - 1] z 
1 - a z -1
a z -1
8. na nu[n] z 
(1 - a z )
2
-1
z2 + z
9. 2
n u[n] z >1
( z - 1)
3
a z -1
10. - na u[- n - 1]
n
z 
(1 - a z )
2
-1
1 -  cos  0  z 1
11. [cos W 0 n] u[ n] z 1
1 -  2 cos  0  z 1  z 2
sin  0  z 1
12. [sin W 0 n] u[n] z 1
1 -  2 cos  0  z 1  z 2

1 -  r cos  0  z 1
13.  r n cos  0 n  u  n  z r
1 -  2r cos  0  z 1  r 2 z 2
 r sin  0 n  u  n 
n  r sin  0  z 1 z r
14.
1 -  2r cos  0  z 1  r 2 z 2
z[ z - cosh (a )]
15. cosh ( na ) u[n]
z - 2 z cosh (a ) + 1
2
z sinh (a )
16. sinh ( na ) u[ n]
z 2 - 2 z cosh (a ) + 1
z
17. na n -1u[n]
( z - a)
2
n ( n - 1) ... ( n - m + 1) n -m z
18. a u[n]
( z - a)
m +1
m!

Chapitre 8
Filtres et filtrage analogiques et numériques
Introduction
Les méthodes de synthèse des filtres récursifs sont souvent issues de travaux antérieurs sur les filtres
analogiques: il existe de nombreuses formes de filtres aux propriétés variées adaptées à certaines
applications. On peut exploiter ces modèles de filtre analogique et les transférer dans le domaine des
filtres numériques en effectuant une transformation affine (passage du plan de Laplace au plan z).
Le présent chapitre, porte sur le sujet des filtres continus particulièrement Butherworth et Tchebychev.
Les filtres numériques sont abordés sous leurs deux formes récursives et non récursives ainsi que leur
synthèse à partir filtres continus. La stabilité, la conversion de bandes de fréquences sont aussi parmi
les sujets étudiés.
1- Les Filtres de Butterworth

Le module de réponse fréquentielle d'un filtre de Butterworth d'ordre n est donnée par :
2 H 02
H ( w) 
1   2 w 2n
Lorsque  = 1, on a affaire à un filtre de Butterworth standard. Lorsque ≠ 1, on a affaire à un filtre de
Butterworth généralisé. L'allure du module de la réponse fréquentielle d'un tel filtre est représentée
par la figure 1. Les points à souligner sont le caractère monotone décroissant de H(w) et l'atténuation
qui tend vers 6 dB par octave ou 20 dB par décade lorsque w tend vers l'infini. Mentionnons aussi que
la fréquence de coupure normalisée wc est toujours égale à 1 rad/s.
La fonction de transfert d'un filtre de Butterworth d'ordre n peut se mettre sous l'une ou l'autre forme
suivante :
H0 H0
H (s)   n
( s  p1 )( s  p 2 )..( s  p n ) s  a n1s n 1  ...  a0
Module

Pulsation normalisée w rad/s
Fig. 1 Module de la réponse fréquentielle de filtres de Butterworth passe-bas normalisées.
Lorsque  = 1 et dans ce cas seulement, les coefficients du dénominateur forment une suite centro-
symétrique. La valeur de ces coefficients ainsi que des pôles est donnée dans les deux tableaux
suivants, toujours pour le cas  = 1.
Pôles d'un filtre de Butterworth normalisée, = 1.

Ordre du filter* Pôles Ordre du filter* pôles
2 -0.70711  j0.70711 3 -0.50000  j0.86603
4 -0.38268  j0.92388 5 -0.30902  j0.95106
-0.92388  j0.38268 -0.80902  j0.58779
6 -0.25882  j0.96593 7 -0.22252  j0.97493
-0.70711  j0.70711 -0.62349  j0.78183
-0.96593  j0.25882 -0.90097  j0.43388
8 -0.19509  j0.98079 9 -0.17365  j0.98481
-0.55557  j0.83147 -0.50000  j0.86603
-0.83147  j0.55557 -0.76604  j0.64279
-0.98079  j0.19509 -0.93969  j0.34202
*Tous les filtres d'ordre impair ont également un pôle en s = -1
Coefficients du dénominateur de H(s), filtre de Butterworth normalisée,  = 1. Le dénominateur est de

la forme :
s n  a n1s n1  ...a1 s  a0
où an = 1, nous pouvons déduire les valeurs des coefficients ai pour différentes valeurs de n dans la
table suivante :
n a1 a2 a3 a4 a5 a6
2 1.414
3 2 2
4 2.613 3.414 2.613
5 3.236 5.236 5.236 3.236
6 3.864 7.464 9.142 7.464 3.864
7 4.494 10.098 14.592 14.592 10.098 4.494
L'ordre d'un filtre de Butterworth passe-bas normalisée peut également être déterminée à l'aide de
l'abaque donnée par la figure 2, quelle que soit la valeur de .
2- Calcul de l’ordre n du filtre

La fonction de transfert contient deux inconnus: l'ordre n du filtre et la largeur de bande c.
Deux équations sont requises en général pour calculer n et c. L'approche sera mieux illustrée par un
Exemple:
Concevoir un filtre Butterworth pour obtenir les spécifications suivantes :
Frequence Attenuation d’amplitude

10 KHz  1 dB
15 KHz  60 dB
 
 H0  1
Nous pouvons écrire 20 log10
 H ( j 2 10 4 ) 
 
 
 H0   60
et 20 log10
 H ( j 2 15.10 4 ) 
 
 H0 
d'où 20 log10  4 2 n .5 
1
 H 0 /(1  (2 10 / wc ) ) 
i.e. 1  (2 10 4 / wc ) 2 n  10.1
d'où 1  (2 15.10 4 / wc ) 2n  10 6
Ainsi, nous avons (2 10 4 / wc ) 2n  10.1  1  .259 et (2 15.10 4 / wc ) 2n  10 6  1  10 6
Divisons les deux équations précédentes (3 / 2) 2 n  10 6 / .259
d'où n = 18.7 . Or n est entier nous prenons alors n = 19.
Substituons dans (4) nous avons  c  2.09  10  r / s i.e. fc = 10.45 KHz.

4
Le spectre d'amplitude est montré à la Figure suivante :

Nous remarquons l'ordre élevé du filtre, ce qui est dû aux spécifications relativement exigeantes.
Utilisation des abaques

L'exemple qui suit montre l'utilisation des abaques annexées au chapitre pour le calcul de l'ordre d'un
filtre.
15 n=19
n=18
n=17
1. 5
Notes sur la forme de Butterworth avec   1

2 H 02
Écrivons H  ( w) 
1   2 w 2n
2 H 02
et H ( w) 
1  w 2n
2 2
Nous voyons que H  ( w)  H ( w) w 1 / n w
H  ( s)  H ( s ) w 1 / n s
H0 H0
 n
n
D'où
 s  pi   s  pi
i 1 w 1/ n
s i 1
H0 /  H0 / 
 n
n
 s   1 / n pi  s  qi
i 1 w 1 / n s i 1
H 02 H 02

n n
 s  pi   s  pi
i 1 w 1/ n
s i 1
qi   1 / n pi
Les pôles sont
i.e. se trouvent sur un cercle de rayon -1/n pi
Nous remarquons que les abaques fonctionnent pour toute valeur de , tandis que les tables
s'appliquent au cas  = 1 seulement. Ceci est facile à voir: notons que les pôles dans les tables se
trouvent sur le cercle unitaire.
En remplaçant s par 1/n s s  1/n s
La fonction de transfert H(s) peut être obtenue de H(s) fournie par la table.
Exemple: Concevoir un Butterworth ayant:
Fluctuation: Max 1 dB dans la bande passante
Atténuation  30 dB à  = 3

Nous avons ici   1 puisque  = 1 implique que l'atténuation est 3 dB à  = 1.
 H (0) 
a) Solution analytique 1ere condition 20 log10   1
 H (1) 
 
H0
20 log10   1
 H (1   2 ) .5 
 0 
1   2  10 0.05  112
.
1   2  1.26   2  0.26 ;   0.51
2e condition: 20 log10 ( H (0) / H (3) )  30
 
H (0) H0
Écrivons    101.5
H (3)  H 0 (1   2 3 2n ) .5 
 
1  0.26  32 n  31.62
1  0.26  32 n  1000
32n  3842.3
2n log10 3  log10 3842.3  3.58
2n  3.58 / 0.48  7.5
n  3.75  n  4
b) Solution utilisant les abaques:
ABP  atténuation à la fin de la bande passante
A  atténuation à une fréquence (normalisée)

3- Filtres de Chebychev
La fonction de Butterworth, étant monotone et maximalement "plate" à  = 0, produit la
meilleure approximation de la bande passante. Toutefois, pour un ordre de filtre n donné, elle ne
produit pas la meilleure approximation du spectre idéal entier Figure 2. En effet, une transition plus
rapide entre la bande passante et celle d'arrêt peut être obtenue si des oscillations sont permises en
approximant la bande passante. C'est ce qu'effectue le filbre Chebyschev.
Module de la réponse fréquentielle
Pulsation normalisée w
Fig. 2 Module de la réponse fréquentielle de filtres de Chebychev passe-bas normalisées.
Le module de réponse fréquentielle d'un filtre de Chebychev d'ordre n est défini par :
2 H02
H ( w) 
1   2 C n2 ( w)
ou Cn(w) est le polynôme de Chebychev d'ordre n dont la définition est la suivante :
cos(n cos 1 w), 0  w 1

C n ( w)  
 cosh(n cosh 1 w), 1 w
L'allure du module de la réponse fréquentielle d'un tel filtre est représentée par la figure 2. Les points
à souligner sont le caractère monotone décroissant de H(w) pour  = 1 et l'atténuation qui tend vers 6
dB par octave ou 20 dB par décade lorsque w tend vers l'infini.
Par contre, lorsque 0≥ w _ 1, le module de la réponse fréquentielle oscille entre les valeurs H0 et H=
H 0 / 1   2 , le nombre d'oscillations étant égal à n=2. L'amplitude de ces oscillations est souvent
désignée par le terme de ronflement du filtre. Mentionnons enfin que la fréquence de coupure
normalisée wc est toujours égale à 1 rad/s.
La fonction de transfert d'un filtre de Chebychev d'ordre n peut se mettre sous la forme suivante :
Kn
H (s)  n
s  bn1 s n 1  ...  b1 s  b0
ou, par identification, Kn est égal à b0H0 lorsque n est impair et à b0 H 0 / 1   2 lorsque n est pair. La
valeur des coefficients bi pour différentes valeurs du ronflement et différentes valeurs de n est donnée
au tableau ci-dessous.
Coefficients du dénominateur de H(s), filtre de Chebychev normalisé. Le dénominateur est de la

forme :
s n  bn1s n1  ...  b1s  b0
Exemple:
Concevoir un filtre Chebychev ayant les mêmes spécifications imposées dans l'exemple précédent.
Frequence Attenuation d’amplitude

10 kHz =1 dB
15 kHz 60 dB
L'énoncé du problème impose une fluctuation maximum de 1 dB entre les fréquences 0 et
10kHz. Puisqu'elles fluctuations d'un filtre Chebychev s'étendent de  = 0 à    c = 1, prenons c =
2  (10 kHz) i.e. c = 2 104 r/s.
Nous avons

 2 
 H ( w) max 
10 log10  101.5
 2 
 H ( w ) 
2 2
Puisque H (w) max =1 et H ( w)  1 / 1   2 , nous avons 10 log 1   1
2
2  10 0.1  1  0.259
où
 0.51
De plus
1
10 log10  60
HFj I
2
3
H2 K
i.e.
af
10 log10 1 2 Cn2 1.5  60
D'où
af
Cn2 1.5 
10 6  1
 2
 3.86  10 6
af c h
Cn 1.5  cosh n cosh 1 1.5  1.963  10 3
a f
cosh n  0.9624  1.963  10 3
n  0.9624  cosh 1 1.963  10 3  8.275
i.e. n = 8.6
Nous prenons n = 9
e j
1/ n
 2  ℓn 1  1/ 2  1/   0.1587
sinh  2  0.1594 ; cosh  2  1.013
Les pôles normalisés de H(s) se trouvent à
sk = k + jk
F2k  1  I  0.1594
 k   sin
H9 2 K ; k  0,1,2, ⋯, n  1

les k sont négatifs, les pôles étant dans le demi plan gauche.
F2k  1  I  1.013
 k  cos
H9 2 K
En remplaçant s par s/c, les vrais pôles (non-normalisés) se trouvent à:
sk   k  j k
où
F2k  1  I
 k   0.319  10 4  sin
H9 2 K
 cosF
2k  1  I
 k  2.029  10 4
H9 2 K
L'ellipse a un axe mineur de longueur    c sinh  2  0.319  10 
4
et un axe majeur de longueur    c cosh  2  2.029  10 

4
La fonction de transfert du filtre est donnée par
af
H s 
1
a
s  si f
8
i0
af
H s 
 9c
a
s  si f
8
i0
2
Nous remarquons que n étant impaire, H(0) = 1. Si n était paire, alors H (0)  1 / 1   2 .

L'ordre d'un filtre de Chebychev passe-bas normalisé peut également être déterminé à l'aide de
l'abaque donnée par la figure 4, quelle que soit la valeur de .

4- Transformation de bandes de fréquences
a) Introduction
À partir des filtres passe-bas nous pouvons obtenir des filtres passe-bande, passe-haut,
passe-bande et stop-bande. Dénotons par p = r + j la fréquence du filtre passe-bas, et par s =  + j
la fréquence du filtre désiré, nous pouvons utiliser une transformation générale p = w(s). Considérons
maintenant quelques transformations élémentaires.
b) Transformation d’un filtre passe-bas a stop-bande

s
Considérons la transformation p  w s 
s  12
2

pour s = j, nous avons 
 2
2
1
La figure 7.15 montre qu'un spectre passe-bas est converti en un spectre de bande d'arrêt.
Nous avons 12   2   
1  1  4 212
d'où 
2

Les fréquences de coupure b et n dans la figure, s'obtiennent en mettant  = 1 et  = -1.
Nous obtenons
1  1  412
b 
2
1  1  412
n 
2
D'où
 b n  12 i.e. 1  b n
et
 n  b  1
Pour dénormaliser le filtre ainsi obtenu voir la section suivante.
c) Transformation d’un filtre passe-bas a passe-bande

s 2  12
Considérons la transformation p
s
 2  12
d'où, pour s = j, nous obtenons 

Nous pouvons alors montrer que
1  1  412
n 
2
1  1  412
b 
2
1   b n
et n - b = 1.
Sachant b et n la fréquence 1 est ainsi obtenue. En remplaçant la variable p du filtre passe
bas par w(s) le filtre passe bande est obtenu. La dénormalisation est ensuite effectuée comme nous

l'avons vu auparavant. (Voir aussi la section suivante, section 7.7).
d) Transformation d’un filtre passe-bas a passe-haut

Ici nous utilisons la transformation
p = w(s) = 1/s
D'où j = -j/
et  = -1/
La figure 7.16 montre l'allure H(j)des filtres Butterworth et Chebychev ainsi transformés
en des filtres passe-haut. Nous remarquons que sous sa forme normalisée la fonction de transfert d'un
filtre passe-bas est fonction de la variable s. La transformation passe-bas à passe-bande est effectuée
en remplaçant s par
s 2  12
s
s
Ainsi, le filtre passe-bande obtenu est normalisé en fonction de s. Pour obtenir ensuite le filtre
(passe-bande) dénormalisé nous procédons comme auparavant, remplaçant s par
s
s
c

Autrement, nous pouvons dénormaliser le filtre passe-bas avant de le transformer en un filtre
passe-haut.
Dans ce cas, la fonction de transfert du filtre est fonction de s la variable dénormalisée. La
transformation est alors effectuée en remplaçant s par
s  12
s
s
Nous pouvons vérifier que ces deux approches mènent au même résultat puisque
s 1
s et 1  ,
c c
1 s 2  12 s 2 c2  12 c2 2 12

d'où s  
c s s  c2 s
La section suivante, section 7.7 présente une approche pratique et simple pour effectuer la
conversion et dénormalisation des filtres. Elle est basée sur les concepts que nous venons d'étudier
mais, de plus, elle est présentée sous forme de procédures simplifiées.
Exemple: Utilisant le filtre passe-bas Butterworth, déjà conçu au premier exemple de ce chapitre,
concevoir un filtre passe-bande centré à la fréquence 50 KHz.
Nous avons 1 = 2   50  103 r/s et nous avons déjà trouvé la fréquence de coupure de c du
filtre passe-bas
c = 2.09  104 et fc = 10.45 KHz
D'où
 b  n  12   2  1010
 n  b  2.09 104 
Résolvons ces deux équations nous trouvons
 n2  2.09 104   n   2  1010  0
d'où  n  11.10  104  ; f n  55.5 KHz

et  b  45.05  2 103 r/s ; f n  55.5 KHz
La fonction de transfert du filtre passe-bas a été trouvée,
 2.09 10  
19
4
H s  19
P. Bas s  s 
i 1
i
où
j  2 i 18  / 38
si  2.09 104  e ; i  0,1,⋯ ,19
Remplaçons s par:
s 2  12 s 2  1010  2

s s
Nous avons
 2.09 10  
19
4
H  s  19
 2 1010  2 
 
i 1  s
 si 

 2.09 10   s
19
4 19
 19
  s  s s  10  
i 1
2
i
10 2
Nous remarquons que la fonction de transfert du filtre passe-bande a 38 pôles et 19 zéros.
Remarquons de plus que si la transformation
1
s
s
qui produit un filtre passe-haut à partir du filtre passe-bas est plutôt appliquée, elle mènera à une
fonction de transfert ayant 19 pôles et 19 zéros.
e) Transformation d’un filtre Passe-bas normalisé à Passe-bande

Partant d'un filtre passe-bas normalisé ayant une fonction de transfert HP.Bas(s) nous désirons
obtenir la fonction de transfert HP.Bande(s) d'un filtre passe-bande ayant une fréquence centrale 1, une
largeur de bande B r/s. Nous pouvons choisir l'une des deux méthodes suivantes:
Méthode 1:
À partir du filtre passe-bas normalisé donné nous obtenons un filtre passe-bande normalisé
correspondant utilisant la transformation
s2 + 1
s¬
bs
B
où   = largeur de bande normalisée du filtre passe-bande.
1
Ainsi nous obtenons
 s2  1 
H(s) = H 
 s 
P.Bande P.Bas
normalisé normalisé
Écrivons
s2  1
p
s
et mettons p = j et s = j nous obtenons
1 2

 
Substituons pour  =  1 nous obtenons les fréquences correspondantes b et n. En particulier, nous
avons
 n  b   et  b n  1
Ainsi cette transformation produit un filtre passe-bande ayant une largeur de bande de 1 et une
fréquence centrale de .
b) Nous dénormalisons le filtre passe-bande ainsi obtenu en utilisant la transformation
s
s
1
Ceci produit un filtre passe-bande ayant une largeur de bande B et une fréquence centrale 1.
n - b = B
n b = 12
Nous obtenons ainsi la fonction de transfert
H(s) = H(s/1)
P. bande P. bande
dénorm. normal.
  s / 1  2  1 
= H 
   s / 1  
 
P. Bas norm.
 s 2  12 
= H 
 1 s 
P. Bas norm.
 s 2  12 
= H 
 s 
P. Bas norm.
Méthode 2
Nous utilisons directement la transformation qui produit le filtre passe-bande dénormalisé sans
passer par celui normalisé. Nous voyons de la méthode 1 qu'il s'agit de la transformation
s 2  12
s ,
Bs
d'où comme avant
 s 2  12 
H(s) = H 
 Bs 
P. bande P. bande
dénorm. Norm.
Transformation d’un filtre Passe-bas dénormalisé à passe-bande dénormalisé
Nous venons de voir que

H  s  H  s
P.Bande P.Bas s 2  12
s
dénorm. norm. Bs
Or,
H  s  H  s
P.Bas P.Bas s
s
dénorm. norm. c
i.e.
H  s  H  s
P.Bas P.Bas
s  c s
norm. dénorm.
D'où
H  s   H  s  
 
P.Bande P.Bas 
s 2  12
dénorm. dénorm. s   c s  s 

Bs
H
P.Bas
 s 2  12
dénorm. s  c  
Bs
D'où, la transformation de passe-bas dénormalisé à passe-bande dénormalisé s'écrit
 c  s 2  12 
s
Bs
Nous notons que les tables des filtres (voir annexe 2 et Huelsman par exemple) sont listées en
fonction de la largeur de bande normalisée .
Exemple: De la page 75 de Huelsman un filtre Chebychev normalisé ayant fréquence centrale de 1,
atténuation de 0.5 dB, largeur de bande (normalisée)  = 0.1 et n = 8 nous avons
s8
H s 
   
P.Bande 1.04  0.04s  s 0.958  0.04 s  s 1.11  0.025s  s 0.9  0.02s  s
2 2 2 2

Pour obtenir une fréquence centrale 1 = 2  1000 r/s nous utilisons
s s
s 
1 2  1000
La largeur de bande ainsi obtenue est:
B = 1 = 2  100 r/s
Exemple: Obtenir un filtre passe-bande ayant une fréquence centrale de 1 et une largeur de bande de
0.05 r/s. Le filtre passe-bas correspondant est d'ordre 2 et une largeur de bande de c = 1.
La fonction de transfert du filtre passe-bas est
1
H  s  2
P.Bas s  1.414 s  1
Nous utilisons la transformation
s2  1
s
s
où  = 0.05; d'où
1
H  s  2
 s 1 
2
 s2  1 
P.Bande    1.414   1
 0.05s   0.05s 
1
=
s  0.0707 s  2.002 s 2  0.707 s1
4 3
Ceci est vérifié par la table 2.4-3a de Huelsman avec n = 4 et BW = 0.05.
f) Transformation d’un filtre passe-bas à stop-bande

a) Pareillement au cas précédent nous utilisons la transformation
s
s
s 1
2
Écrivons
s
p
s 1
2

Et mettons p = j et s = j, comme auparavant, nous trouvons que
2 4  
h 
2
d'où
 h  b  
h b  1
c'est-à-dire d'une fréquence centrale de 1 et une largeur de bande normalisée .
b) Pour dénormaliser ce filtre afin d'obtenir une fréquence centrale, nous mettons
s
s
1
Nous pouvons combiner les deux étapes a) et b) en une seule étape:
s
  s / 1 
s
s s s
1
s    
2
s 1
s 1  s / 1   1
2 2
1s Bs
i.e. s  2
s  1 s  12
2 2
d'où
 Bs 
H  s  H  2 2 
B.Arret P.Bas  s  1 
dénorm. norm.
g) Conversion Passe-Bas à Passe-haut

Pour la conversion passe-bas normalisé à passe-haut normalisé nous mettons
1
s
s
Ensuite pour dénormaliser le filtre passe-haut ainsi obtenu afin d'obtenir une fréquence de coupure de
s
c nous mettons s
c
D'où la transformation totale, qui pourrait être effectuée d'un coup s'écrit:
s
1ss 1
c 
s 
 s  s
 c
s s
c
i.e. s
s
 
H s  H  c 
et
P.Haut P.Bas  s 
Exemple:
Soit un filtre passe-bas Chebychev d'ordre n = 3 et atténuation maximum de la bande passante de 1dB
table 2-2 - 2c.p. 36 Huelsman donne
1
H  s 
 0.9942  0.4942s  s 2   s  0.494 
Soit à convertir ce filtre à un filtre passe-haut avec fréquence de coupure de 1 KHz. Nous utilisons la
transformation
1
H  s 
 1 1 1 
P.H.  0.9942  0.4942  2    0.494 
(norm.)  s s s 
s3
=
 
0.9942 s 2  0.4942 s  1 1  0.494 s 
s3
=

0.9942  0.494 s 2  0.497 s  1.005  2.024  s 
2.036 s 3
=
 
s 2  0.497 s  1.005  2.024  s 
qui se vérifie bien contre la Table 2.4 - 16, Huelsman.
s s
Mettons s 
 c 2 1000
Nous avons

3
 s 
2.036  
 2  1000 
H  s 
 s 
2
s  s 
P.Haut    0.497  1.005   2.024 
(dénorm.)  2 1000  2  1000   2 1000 

Fig. 3 Abaque pour la détermination de l'ordre d'un filtre de Butterworth normalisé (d'après Anatol I.
Zverev, Handbook of Filter Synthesis, John Wiley & Sons, New York, NY, 1967).
Fig. 4 Abaque pour la détermination de l'ordre d'un filtre de Chebychev normalisé (d'après AnatolI.
Zverev, Handbook of Filter Synthesis, John Wiley & Sons, New York, NY, 1967).

5- Filtre numérique
Ce paragraphe sur les filtres numériques aussi bien récursif que non récursifs et les différentes
méthodes de leur synthèse. La première partie montre les différentes structures des filtres. La
deuxième discute les différentes méthodes de synthèse de filtre numérique (définir ses
caractéristiques), partant d'un filtre analogique.
a) Description d’un filtre numérique

Equation aux différences
Comme tout système linéaire discret un filtre est défini par une équation de différence dans le
domaine de "temps" et par une fonction de transfert au domaine de z.
Un filtre numérique est décrit par une équation aux différences de la forme
N M
 bk y  n  k    ak x  n  k 
k 0 k 0
où x(n) et y(n) sont respectivement son entrée et sa sortie.
Nous pouvons réécrire cette équation sous la forme
N M
b0 y  n    bk y  n  k    ak x  n  k 
k 1 k 0
Normalement b0 est égal à 1 et les autres bk sont négatifs. Nous pouvons toujours diviser l'équation
par b0 pour obtenir
N M
bk a
y  n    y n  k    k x n  k 
k 1 b0 k  0 b0
posons ck=-bk/b0 et ck=-ak/b0
Dans la dernière équation nous obtenons

N M
y  n    ck y  n  k    d k x  n  k 
k 1 k 0
Transformons en z nous avons

N M
Y  z    ck z  k Y  z    d k z  k X  z 
k 1 k 0
La fonction de transfert du filtre s'écrit

M
Y  z d k zk
H  z   k 0
X  z N
1   ck z  k
k 1
Nous étudions maintenant quelques réalisations des filtres qui sont décrits par l'équation de
différences et la fonction de transfert.
b) Diagramme de fluence
Première forme directe
Un filtre réalisant les équations () et () est montré à la figure .1 par un diagramme de fluence.
Dans cette figure, une flèche entre deux nœuds avec une valeur marquée à côté représente une
fonction de transfert entre ces nœuds donnée par la valeur indiquée.
Un nœud auquel plusieurs flèches convergent est un sommateur qui effectue la somme des
signaux à la sortie des flèches respectives. Un nœud d'où sortent plusieurs flèches est un point de
branchement. Une flèche avec z-1 écrit à côté signifie un élément de retard, puisque sa sortie et z-1 fois
son entrée dans le domaine de z. La structure montrée à la figure .1 s'appelle la première forme
directe.
Première forme directe transposee
De la théorie des systèmes, un système linéaire ayant un diagramme de fluence correspondant
à une fonction de transfert aura la même fonction de transfert si tous les sens de flèches sont

renversés. Une telle opération effectuée sur le diagramme de fluence de la figure .1 mène à une
transposition de ce diagramme. Le diagramme qui résulte est montré à la figure 2.
Deuxième forme directe
Les équations (7.14) et (7.16) peuvent être réécrites sous la forme
N

W  z   X  z    ck W  z  z  k 
k 1
M
et 
Y  z    dk W  z  z k 
k 0
La figure 7.4 montre une structure d'un filtre correspondant à ces équations; ou M est prise égale à N.
Nous notons que cette structure a un nombre minimum d'éléments de retard, à savoir, N pour
un système d'ordre N.
Deuxième forme directe
Nous pouvons réécrire l'équation 7.6 sous la forme
N
Y  z    d k X  z   ck Y  z  z  k  d 0 X  z 
k 1
N
y  n    d k x  n  k   ck y  n  k   d 0 x  n 
k 1
La figure 7.4 montre un filtre réalisant ces équations.
Cette même structure peut être obtenue par une transposition du diagramme de fluence de la
figure .3. La transposition s'effectue par un renversement des sens de flèches.
6- Les filtres à réponse impulsionnelle finie (RIF) filtres non récursifs

Les filtres à réponse impulsionnelle finie (RIF) sont aussi connus sous le nom "filtres-non-
récursifs" pour les distinguer des filtres que nous avons traités ci-avant et qui contiennent des boucles
de retour. Puisque leur réponse impulsionnelle est finie, leur fonction de transfert n'a que des zéros.
L'absence de boucle de retour signifie une absence d'accumulation des erreurs de troncation et
d'arrondissement. Toutefois, leur réponse impulsionnelle n'est qu'une approximation d'une réponse
impulsionnelle infinie.
La fonction de transfert d'un filtre RIF s'écrit
N 1
H  z    h  n  z n
n 0
Nous avons
N 1
Y  z    h  k  z k X  z 
k 0
N 1
y n   h k  x n  k 
k 0
une réalisation d'un tel filtre est montrée à la Figure 7.9.

Encore, nous pouvons écrire
N 1
y n   x k  h n  k 
k 0
ce qui mène à la structure décrite par la figure 7.10.
Les filtres à réponse impulsionnelle finie peuvent être conçus de telle façon que leur phase soit
linéaire. Soit
h(n) = h(N - 1 - n)
N 1
H  z    h  n  z n
n 0
Pour N paire

H  z   h  0 z0  z    h 1  z  z   
  N 1 1  N 2
 ⋯  h  N / 2  1  z  
  N / 21 N /2
z
  h n  z  z  
N / 2 1
n  N 1 n
n 0
Pour N impaire

H  z   h  0 z 0  z   ⋯  h   N  1 / 2  1 z 
  N 1  N 3 / 2
z
  N 1 / 2

 h   N  1 / 2   z   
 N 1 / 2
 
N 3 / 2
  h  n  z  z  
  h   N  1 / 2  z 
n  N 1 n  N 1 / 2
n 0
On peut vérifier la linéarité de phase:
Pour N paire
   h  n  e 
N / 2 1
 j  N 1 n 
H e j   j n
e
n 0
 h  n e 
N / 2 1
 j  N 1 / 2  j  n   N 1 / 2   j  n  N 1 / 2 
e e
n 0
N / 2 1
e
 j  N 1 / 2
 2h  n  cos  n   N  1 / 2
n 0
 
H e j    N  1 / 2   ; une phase linéaire.
Pour N impaire
 N  3 / 2
 
H e j  h  N  1 / 2  e    e  
 j N 1 / 2 j N 1 / 2
 2h  n  cos  n   N  1 / 2
n0
 
H e j    N  1 / 2   ; linéaire.
7- Les filtres à réponse impulsionnelle infinie (récursifs)
Il est possible dans un cas particulier de réaliser des filtres dont la réponse impulsionnelle a un
nombre infini d'échantillons, mais ceci nécessite l'expression de la sortie du filtre sous la forme d'une
équation récurrente liant y(t) aux échantillons précédemment calculés y(t-1), y(t-2),…et aux
échantillons du signal d'entrée, x(t), x(t-1), x(t-2). Considérons par exemple l'équation récurrente
suivante, en supposant que les valeurs des conditions initiales y(-1), y(-2), …, y(-p) sont nulles:

K L
y ( n)   bk x(n  k )  al y(n  l )
k 0 l 0
On définit les polynômes
K L
B( z )   bk z k
A( z )   al z l ou a0=1
k 0 l 0
Si on connait la valeur de la transformée en z de x(t), on peut calculer la transformée en z de

l'équation récurrente
  K L 
Y ( z)   y (k ) z  p     k b x ( p  k )   al y( p  l )z  p
p   p   k 0 l 1 
qu'on peut aussi écrire
 K  ( p l ) 
L
Y ( z)    k b z k
x ( p  k ) z ( p  k )
  l a z l
y ( p  l )z 
p    k 0 l 1 
K L
Y ( z)   bk z k X ( z)  al z l Y ( z)
k 0 l 1
et en remarquant que la valeur de la transformée en de l'opérateur retard est on obtient
B( z )
Y ( z)  X ( z)
A( z )
Dans le domaine des transformées en z, la réponse du filtre n'est plus un polynôme mais une
fraction rationnelle. Dans ce cas le filtre n'est pas toujours stable. Nous verrons dans un prochain
paragraphe une méthode pour analyser la stabilité d'un filtre récursif (autre terme pour nommer les
filtres à réponse impulsionnelle infinie). L'écriture complète de la transformée Y(z) nécessite la
connaissance des valeurs des conditions initiales x(-q),…,x(-1), y(-p),…,y(-1) que nous avions
supposées égales à zéro. La transformée en z du signal xk(t) égal à x(t-k) pour t >=0 et nul pour t<0 est
données par la formule connue sous le nom du théorème de l'avance
X k ( z )  z k X ( z )  x(1) z k 1  x(2) z k  2  ....  x( k )

que nous noterons sous sous la forme
X k ( z )  z k X ( z )  x( z, k )
où X(z) est la transformée en z du signal causal x(0), x(1),…,x(t),…
De même
Yl ( z )  z l Y ( z )  y (1) z l 1  y (2) z l  2  ....  y (l )
que nous noterons sous sous la forme
Yl ( z )  z l Y ( z )  y ( z , l )
La transformée en z de l'équation récurrente prenant en compte les conditions initiales s'écrit
   
K L
Y ( z)   bk z k X ( z )  x( z, k )  al z l Y ( z)  y( z, l )
k 0 l 1
soit
Les conditions initiales se traduisent par des modifications du numérateur de la fonction de

transfert mais ne modifient pas les pôles qui, eux ne proviennent que des pôles de X(z) et A(z).
8- Synthèse de filtres numériques

Nous étudions ici les deux méthodes principales pour concevoir un filtre numérique à partir
d'un filtre continu. Ces deux méthodes sont celles d'invariance à l'impulsion et de la transformation
bilinéaire.

a) Invariance de l’impulsion
Soit Hc(s) la fonction de transfert d'un filtre continu. Notre but est de calculer une fonction de
transfert H(z) d'un filtre discret qui s'approcherait en performance le plus possible du filtre continu.
Selon la méthode d'invariance à l'impulsion, nous n'avons qu'à échantillonner la réponse
impulsionnelle du filtre continu, prendre le signal discret ainsi obtenu comme étant la réponse
impulsionnelle du filtre discret. La transformée en z de cette réponse impulsionnelle est donc la
fonction de transfert recherchée.
Soit hc(t) la réponse impulsionnelle du filtre continu, i.e. hc(t) = L-1 [Hc(s)]
La réponse impulsionnelle du filtre discret est définie alors comme
h(n) = Thc(nT) ,
et la fonction de transfert H(z) est donnée par
H(z) = Z[h(n)]
En particulier, soit
n
Ak
Hc  s   
k 1 s  sk
alors
n
hc  t    Ak e sk t u  t 
k 1
n
h  n    Ak e sk nT u  n 
k 1
et
n
A
H  z   k
k 1 1 e sk T
z 1
Nous notons que si le spectre du filtre analogique est assez étroit en largeur de bande la
technique que nous venons de voir produirait un filtre dont la réponse en fréquence pourrait s'écrire
1  
 
H e j 
T
H c  j  (voir l'échantillonnage idéal)
 T 

Si la fréquence d'échantillonnage est élevée (T ) le gain du filtre sera très élevé. Pour cette
raison, en pratique, une multiplication par T est effectuée en utilisant l'approche de l'invariance à
l'impulsion. Nous écrivons alors
h(n) = T hc(nT)
N
Ak
H z  T  1 e
k 1
sk T
Z 1
plutôt que les relations correspondantes que nous venons d'obtenir.

Exemple :
s  c0
Soit Hc  s  
s  b1 s  b0
2
Soit p et p* les racines du dénominateur et p = - + jB. Nous avons
s  c0
Hc  s  

 s  p  s  p 
A A
 
s  p s  p
p  c0
où A
p  p
hc  t   A e pt  A e p t

D'où
 2 A e  t cos  Bt  A  u  t 

h  n   T A e pnT  A e p nT


 T 2T A e  nT cos  BnT  A  u  n 
 A A 
H z  T   
 1 e z
pT 1
1  e p T z 1 


Écrivons a = ept nous avons

 A A 
H  z  T  1
  1 
 1 a z 1 a z 
T
 A  A    A a  A a z
   1
1  a z  1  a z 
1  1
Ce que nous pouvons ré-écrire sous la forme
T  2 Ar  2 A a cos  A  a  z  1
H  z  2
1  2ar z 1  a z 2
Ar  Re  A
où
A  Arg  A
ar  e T cos BT
Mais
a  e T , a  BT
2 A T cos A  2 A T e T cos  A  BT  z 1

d'où H  z 
1  2 e T cos BT Z 1  e 2 t Z 2
Une réalisation de H(z) est montrée à la figure .
Des filtres d'ordre plus élevé peuvent être construits utilisant ce filtre du deuxième ordre, et
d'autres plus simples du premier ordre.
b) Transformation bilinéaire
Comme nous l'avons vu un filtre idéal n'est pas réalisable puisque sa réponse impulsionnelle
s'étend à (-). Nous avons de plus vu que les approximations Butterworth, Chebychev, mènent à des
filtres dont le spectre s'étend à  =  . Selon le théorème de Nyquist, aucune fréquence

d'échantillonnage de hc(t) serait donc suffisante pour éviter le recouvrement ("aliasing") des spectres.
La méthode d'invariance à l'impulsion produira donc une distorsion dans le sens que le spectre du
filtre discret et le résultat de recouvrements des spectres du filtre continu.
La méthode de la transformation bilinéaire évite le recouvrement des spectres en transformant
d'abord l'axe j de - à +  tel que l'axe devient le cercle unitaire, la fréquence  = 0 devient le point
z =1, et les fréquences   deviennent le point z =-1.
Une telle transformation qui convertit des cercles (lignes comprises) en cercles s'appelle une
transformation conforme ("conformal mapping")
La transformation bilinéaire est effectuée en remplaçant s par
2 1  z 1
s
T 1  z 1
1  T / 2  s
i.e. z
1  T / 2  s
Mettons s  j et z  r e j
1  j T / 2  
nous avons re j 
1  j T / 2  
Nous voyons que  = 0 se transforme en z = 1, et  =   en z = -1, que
z  r  1 et que
2 j arctgt T  / 2 
e j  e
d'où   2 arctgt T  / 2 
et    2 / T  tgt   / 2 
La figure montre  en fonction de  pour T = 1. Nous remarquons que tout l'axe j est ainsi
comprimé en l'intervalle  = - à  = . Cette compression peut être vue comme une distorsion et
est le prix que nous payons pour éviter le recouvrement des spectres.
La figure 7.18 montre aussi que la fréquence de coupure c d'un filtre continu se transforme en

une fréquence de coupure différente à savoir  c  2 arctgt T  c / 2  pour le filtre numérique.
Pour obtenir une fréquence de coupure c donnée pour le filtre numérique nous devions donc
concevoir le filtre continu comme ayant une fréquence de coupure
2
c  tgt   c / 2 
T
Cette opération s'appelle "pré-déformation" ("pre-warping")
Un filtre continu ayant une fonction de transfert de la forme
a s i
H  s  i 1
m
b s
i 1
1
se transforme en

n
 a 1  z  / 1  z 
i
1 1
H z  i 1
m
 b  i  z  / 1  z 
i 1
i
1 1
c) Stabilité des filtres récursifs
Nous supposerons que le filtre étudié est causal. Pour qu'un filtre soit stable, il faut que la somme des
modules des échantillons de sa réponse impulsionnelle soit finie

 h( k ) M
k 0
Le module de la transformée en z, H(z) calculé pour z>1vérifie
 
H ( z)   h( k ) z  k   h( k ) M
k 0 k 0
Le module de H(z) doit donc être borné pour z>1. H(z) ne doit pas avoir de pôles à l'extérieur du
cercle de rayon unité. Un filtre récursif ne sera stable que si tous ses pôles sont à l'intérieur du cercle
de rayon un. Dans le cas des fonctions de transfert causales et rationnelles de degré fini, si les pôles
sont tous à l'intérieur du cercle de rayon 1, une décomposition en éléments simples et un calcul de
transformée en z inverse montre que la réponse impulsionnelle est alors une somme d'exponentielles
décroissantes: le filtre est toujours stable.
Remarque. Exactement comme dans le cas des filtres à réponse impulsionnelle finie, la position des
zéros de la fonction de transfert (les racines du polynôme numérateur) n'influence pas la stabilité du
filtre.
d) Réponse en fréquence d'un filtre
En particulier, si on fixe z=ej (sur le cercle de rayon un), on obtient le cas particulier de la
transformée de Fourier. Ainsi, pour amplifier, atténuer, déphaser un signal, il suffira de trouver les
coefficients de la réponse impulsionnelle du filtre h(t), ou de sa réponse en fréquence H(ejw) définie en
module et en phase pour toutes les fréquences entre - et  et de programmer un calculateur
numérique pour effectuer le calcul de convolution. Il faut en général respecter deux conditions, le

filtre doit être causal et stable.
e) Filtre à déphasage minimal
Si zqB’(z) a toutes ses racines à l'intérieur du cercle de rayon un on obtient un filtre qui retarde moins
le signal que tous les filtres B’(z) tels que
B ' (e j )  B (e j )
mais pour lesquels zqB’(z) a au moins une racine à l'extérieur du cercle de rayon un: pour chacune des
racines z0 de B(z), le remplacement de z0 par 1/ z0* ne modifie pas la forme du module de B(z) qu’au
facteur 1/z0 près:
1  j 1
1 e  z 0  e  j
z0 z0
1
 1  z 0 e j
z0
1
 1  z 0 e  j
z0
Le filtre dont la réponse impulsionnelle est composé des deux échantillons [1, -z0] retarde
moins le signal que le filtre composé des deux échantillons [-z0, 1]: en moyenne le premier le retarde
au plus d'un ``demi-échantillon'' tandis que le second le retarde au moins d'un demi-échantillon. De
plus, le filtre récursif inverse aura tous ses pôles à l'intérieur du cercle de rayon un; ce sera un filtre
stable.

Cours Classification Fin

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Classification Fin

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE 3

Représentation Vectorielle des Signaux

1- Représentation discrète des signaux

L'intérêt d'un tel mode de description est triple :

a) Définition d'un espace vectoriel

b) Rappel sur la transformation de Laplace

b-1 Définition de la transformée de Laplace

b-2 Définition de la transformée de Laplace Inverse

b-3 Conditions d’existence de la Transformée bilatérale de Laplace

S’il existe M positif et  et  réels tel que

v(t) est dite d’ordre exponentiel. Nous pouvons écrire

c) Rappel sur la transformation intégrale de Fourrier

Celle-ci exprime la répartition fréquentielle de l'amplitude, de la phase, de l'énergie et de la

c-1 Série de Fourrier

Il est généralement préférable, en traitement des signaux, d'exprimer la transformée de

c-3 Dualité temps fréquence

En résume : si X(f) est la transformée de Fourier de x(t) alors X(t)  x(-f)

c-4 L'existence de la transformée de Fourrier

Fx ( t ) y( t )  X(f ) * Y(f ) Fx ( t ) * y( t )  X(f )Y(f )

 x(u) x(  u)du 

La valeur a l'origine t=0 de la fonction d'autocorrélation est égale à l'énergie du signal.

- Fonction d'inter corrélation

 x() y (t  )d   x( ) x (t   )d pour t=0 E

- Spectre d'énergie : ou densité spectrale d'énergie : D.S

- Influence de la troncature d'un signal sur son spectre:

Propriété Fonction Transformée

Dérivation dans le temps v(n) (t) (j2f)n V(f)

Fonctions conjuguées v*(t) V*(-f)

Réflexion x(-t) X(-f)

sin 0t u(t)  

Signal Continue Signal Discret

On pose: X (v) = F(xn) et X(f) = F(x(t)) et que si x(t) est intégrable

Considérons le signal continu x*(t) définie par :

1.3 RECONSTITUTION IDÉALE ET THÉORÈME DE SHANNON

Dans le cas ou il y a de repliement de spectre il est impossible d'isoler X(f), ou plus

1.4 THÉORÈME DE SHANNON

La valeur limite de la fréquence d'échantillonnage 2fm s'appelle la fréquence de Shannon ou encore

Le théorème de Shannon est donc purement mathématique, et ne pourra jamais s'appliquer

p : L’ondulation en bande passant p Dernière fréquence passante

a : première fréquence atténuée a : L’ondulation en bande atténuée.

2-2 RECONSTITUTION ANALOGIQUE PRATIQUE

Soit la fréquence d’échantillonnage la fréquence de Nyquist (2fm échantillons par seconde)

Soit la sortie du filtre y(t). Nous avons

Y(f) = Xe(f) H(f) = X(f)

D’où y(t) = x(t).

h(t) est la réponse impulsionnelle du filtre

le bloqueur d'ordre zéro à la réponse impulsionnelle ho(t)

Voyons les conséquences fréquentielles de ce blocage.

SHANNON T < 1/ 2fm. xn est alors un signal discret à énergie finie.

Quelle est la relation liant l'énergie en continu à l'énergie du signal discret?

Le théorème de SHANNON étant vérifié :

Vu l'importance considérable de cette transformation en traitement de signaux, il est nécessaire

La valeur exacte est dénotée par xp(k)

On doit chercher pour quelles conditions cette relation devient l'identité.

Traitement du Signal IIEA 10 14 21

Nous avons donc la définition de la TDF:

Prenons la somme des deux côtés par rapport à k

Or, pour m entier nous avons

Traitement du Signal IIEA 22

Remplaçons r par n nous avons la transformée inverse

L'expression entre crochets vaut 1 pour l-k=iN et 0 ailleurs

Transformée de Fourier Discrète des signaux périodiques

Pour des signaux apériodiques à durée limitée à N la TF devient :

cette relation peut être mise sous la forme :

Fonctions conjuguées v(t) V(-f)