Traitement Signal - ELMq

1
I Généralités
1°) - Définitions.
Le signal est la représentation physique d'un phénomène qui
évolue dans le temps ou dans l'espace.
Le traitement du signal (T.S) est une discipline technique

qui a pour objet l'élaboration, la détection et l'interprétation des
signaux porteurs d'informations.
Cette discipline s'appuie sur la théorie du signal qui donne

une description mathématique des signaux. Cette théorie fait
essentiellement appel à l'algèbre linéaire, l'analyse
fonctionnelle, l'électricité et l'étude des processus aléatoires.
Historiquement, le traitement des signaux apparaît au début

d u XX ième s i è c l e , e n m ê m e t e m p s q u e l ' é l e c t r o n i q u e ( F L E M I N G ,
1905, détection et amplification de signaux faibles). On peut
c e p e n d a n t n o t e r d e s p r e m i e r s t r a v a u x a u XIXième a v e c l ' i n v e n t i o n d u
télégraphe électrique (MORSE, COOKE, WHEATSTONE, 1830),
du téléphone (BELL, 1876) et de la radio (MARCONI, POPOV,
1895).
Hormis la contribution apportée par FOURIER (1822,

Travaux sur la propagation de la chaleur), la théorie du signal
apparaît en 1930 avec les premiers travaux de WIENER et
KINTCHINE sur les processus aléatoires, et ceux de NYQUIST et
HARTLEY sur la quantité d'informations transmise sur une voie
télégraphique.
Les contributions essentielles, au traitement du signal et à

la théorie du signal n'interviennent qu'après la seconde guerre
mondiale. Invention du transistor en 1948, travaux de SHANNON
sur la communication, de WIENER sur le filtrage optimal et de
SCHWARTZ sur les distributions.
Les applications du traitement du signal sont nombreuses (

Télécommunication, Géophysique, Reconnaissance des formes,
Biomédical, Acoustique, etc...).
Exemples
* Contrôle Radar: Ici l'analyse fréquentielle joue un rôle

fondamental.
2
* Codage de la Parole: La reconnaissance de la parole nécessite
le traitement d'une grande quantité de données. Le codage permet
de réduire cette quantité, en éliminant les redondances et en
conservant l'information utile.
* Les Télécommunications : Si les 17 Millions d'abonnés au

téléphone étaient reliés 2 à 2 il faudrait (17M)2/2 câbles.
Heureusement les travaux sur la modulation, l'échantillonnage et
la transmission permettent d'émettre, sur une même voie, des
milliers de messages.
2°) - Classification des signaux.

Il existe différents modes de classification :
a) Morphologique : On distingue ici les signaux qui prennent

des valeurs à chaque instant t (Signal continu ) et les signaux qui
n ' o n t d e v a l e u r s q u ' à c e r t a i n s i n s t a n t s ti ( S i g n a l d i s c r e t ) .
x(t) x(t)
t0
t t
t1 0
Continu Discret
b) Spectrale : On classe les signaux suivant la bande de

fréquences qu'ils occupent.
x(t) x(t)
t t
Signal à variations lentes Signal à variations rapides

Signal "Basses Fréquences" Signal "Hautes Fréquences"
c) Energétique : Les signaux peuvent être à énergie finie ou

à puissance moyenne finie.
3
Les signaux à énergie finie vérifient la condition :
+∞
∫ x( t ) dt < + ∞
2
Wx =
−∞
On dit aussi qu'ils sont de carré sommable. Les signaux à support

borné, c'est à dire de durée limitée, sont à énergie finie.
Les signaux à puissance moyenne finie sont tels que :
⎡1 T
⎤
∫
2
0 < Px = lim ⎢ 2
T x(t) dt ⎥ < +∞
T→∞ T −
⎣ 2 ⎦
Les signaux périodiques sont à puissance moyenne finie.
Remarques :
- U n s i g n a l à é n e r g i e f i n i e a u n e p u i s s a n c e m o y e n n e n u l l e ( Px = 0 ) .
-Un signal à puissance moyenne finie (non nulle) possède une
é n e r g i e Wx i n f i n i e .
On définit, par ailleurs :

- La puissance instantanée ( d'interaction ).
Px ( t ) = x ( t ) x* ( t )
Pxy ( t ) = x( t ) y* ( t )
- La puissance moyenne (d'interaction) sur une durée T.
1 t0 + T
Px ( t 0 , T) =
T ∫ t0
x( t ) x * ( t ) dt
1 t0 + T
Pxy ( t 0 , T) =
T ∫t0
x( t ) y * ( t ) dt
- L'énergie moyenne (d'interaction) sur une durée T.
Wx ( t 0 , T) = T Px ( t 0 , T)
Wxy ( t 0 , T) = T Pxy ( t 0 , T)
d) Typologique : On distingue ici les signaux suivant que

leur évolution est déterministe ou aléatoire.
Signal déterministe : Un signal déterministe peut être prédit par

un modèle mathématique connu. On distingue deux sous classes :
- Les signaux périodiques x(t) = x(t + T).
- Les signaux non - périodiques.
4
Signal Aléatoire : Le signal aléatoire a un comportement
imprévisible. On le décrit grâce à des outils statistiques (
densité de probabilités, moyenne, variance,...).
3°) - Quelques signaux importants.

- P o r t e : Π T (t)
2
⎧ ⎡ T T⎤
⎪1 si t ∈ ⎢- ,
Π T (t) = ⎨ ⎣ 2 2 ⎥⎦
2 ⎪⎩ 0 Ailleurs
Π T (t)
2
1
t
-T T
2 2
- Echelon d'Heavyside : u(t)
⎧1 si t ≥ 0
u( t ) = ⎨
⎩0 si t < 0
u(t)
1
t
- Signe : sgn(t)
⎧ 1 si t > 0
⎪
sgn( t ) = ⎨ 0 si t = 0
⎪- 1 si t < 0
⎩
5
sgn(t)
1
t
-1
- T r i a n g u l a i r e : ΛT (t)
⎧ t
⎪1 - si t < T
Λ T (t) = ⎨ T
⎪⎩ 0 Ailleurs
ΛT (t)
t
-T T
- Gaussienne : g(t)
− t2
1 2σ y2
g( t ) = e
σ y 2π
g(t)
1
M=
σy 2π
61 % M
t
σy
- Sinus Cardinal : sinc(t)
sin( t )
sinc( t ) =
t
6
sinc(t)
- Règle de l'Hopital :
Soient f(t) et g(t) deux fonctions continues et dérivables en t0 et

telles que :
lim{f ( t )} = lim{ g( t )} = 0 (resp ± ∞)
t → t0 t → t0
Alors:
⎧ f (t) ⎫ ⎧ f ' (t) ⎫
lim⎨ ⎬ = lim⎨ ⎬
⎩
t → t 0 g( t )
⎭ ⎩
t → t 0 g' ( t )
⎭
Exemple :
⎧ sin( t ) ⎫
lim⎨ ⎬ = lim{cos( t )} = 1
t → 0⎩ t ⎭ t→0
7
II Séries et transformée de FOURIER
On présentera dans ce chapitre les principaux outils

mathématiques nécessaires au traitement des signaux.
1°) - Séries de FOURIER.

C o n s i d é r o n s l e s f o n c t i o n s gn (t) d é f i n i e s p a r :
nt
+ 2 πj 1
g n (t) = e T
= e + 2 πjnν0 t avec, ν 0 = et n ∈ Ζ
T
On peut facilement montrer que ces fonctions sont orthogonales,

c'est à dire :
1 ⎧0 si n ≠ m
g n ( t ), g *m ( t ) =
T ∫ ( T)
g n ( t ) g *m (t) dt = ⎨
⎩1 si n = m
Dem :
T ( n − m) t
1 2 πj
*
g n ( t ), g ( t )
m =
T ∫ -
2
T
2
e T
dt
1 sinπ(n - m) ⎧0 si n ≠ m
g n ( t ), g *m ( t ) = (e πj( n − m) − e − πj( n − m) ) = = ⎨
2 πj(n - m) π(n - m) ⎩1 si n = m
Soit f(t) un signal périodique de période T (T>0). Si f(t)

possède un nombre fini de sauts sur une période, alors il existe
u n e s u i t e Cn t e l l e q u e :
+∞ +∞ nt
∑C ∑C
+ 2 πj
T
f (t) = n g n (t) = ne
n= - ∞ n= - ∞
Cette série converge vers f(t), si f(t) est continue en t. Elle

1
converge vers f (t+ ) + f (t− ) , s i f ( t ) p o s s è d e u n s a u t e n t . L e s C n
2
sont couramment appelées raies, composantes ou harmoniques du
signal et se calculent par projection:
nt
1 − 2 πj
Cn = f ( t ), g *n ( t ) =
T ∫
( T)
f (t) e T
dt
8
1
T ∫(T)
- C0 : c o m p o s a n t e c o n t i n u e = f ( t ) dt
- C1 : 1ére H a r m o n i q u e o u f o n d a m e n t a l e d u s i g n a l f ( t ) .
- C n : c o n t r i b u t i o n d e l a n ième h a r m o n i q u e .
Propriétés :
- S i f ( t ) r é e l l e a l o r s C n = C*− n (f (t) = f * ( t ))
- S i f ( t ) r é e l l e e t p a i r e a l o r s Cn r é e l ( f (t) = f * ( t ) = f (-t))
- S i f ( t ) r é e l l e e t i m p a i r e a l o r s C n i m a g i n a i r e ( f (t) = - f (-t) = f * ( t ) )
Note : L'expression entre parenthèses est une indication pour la

démonstration.
Exemples :
A
1 ) S o i t C n u n e s u i t e d é f i n i e p a r : C1 = C −1 = et C n = 0 , si n ≠ (1,-1) .
2
Déterminer f(t)?
+∞ nt
A t t
2 πt
∑C
+ 2 πj 2 πj − 2 πj
T T T
f (t) = n e = (e + e ) = A cos( )
n = -∞ 2 T
2) On considère le signal carré périodique f(t) défini par :
f(t)
1
t
-T −τ τ T
2 2 2
2
Calculer son spectre.

τ
⎡ − 2 πj ntT ⎤ 2
⎢e ⎥−τ
1
T
− 2 πj
nt
1
+τ
− 2 πj
nt
1 ⎣ ⎦
∫ ∫
2 T 2 T 2
Cn = −T f (t) e dt = −τ e dt =
T T T n
2 2 − 2 πj
T
⎛ nτ ⎞
sin ⎜ 2π ⎟
Cn =
1 ⎝ 2T ⎠ = τ sinc (π nτ )
T πn T T
T
9
- L e s i n c c o n s t i t u e l ' e n v e l o p p e d e s Cn
Cn
-1 1
τ τ n
-1 1 T
T T
Relation de PARSEVAL :
La relation de PARSEVAL montre qu'il y a "conservation" de

la puissance Pf lorsque l'on passe d'une représentation temporelle
à une représentation fréquentielle. En effet, on a :
+∞ 2
1
∫ ∑C
2
*
Pf =< f(t), f (t) > f (t) dt = n
T ( T)
n = −∞
Dem :
+∞ +∞
1
Pf =
T ∫ (T)
*
f(t) f ( t ) dt = ∑ ∑C
n = -∞ m = -∞
n C *m < g n ( t ), g *m ( t ) >
m 2
d ' o ù : Pf = ∑
n = −∞
Cn
Exemple :
+∞ 2
2πt A2
D a n s l e c a s d u s i g n a l A cos(
T
) l a p u i s s a n c e e s t Pf = ∑
n = −∞
Cn =
2
On trouve souvent la décomposition en séries de FOURIER

sur une base de fonctions sinus et cosinus :
+∞
a0 ⎡ n n ⎤
f (t) =
2
+ ∑ ⎢⎣a
n =1
n cos(2 π
T
t) + b n sin(2 π t) ⎥
T ⎦
Dem :
+∞ n
⎡ n +∞
− 2 πj t ⎤
n
∑ Cne ∑ ⎢ n
+ 2 πj t + 2 πj t
⎥
T T T
f (t) = C= C0 +
e + C -n e
n = -∞ n = 1 ⎣ ⎦
+∞
⎡ t t ⎤
f (t) = C 0 + ∑ ⎢(C n +C − n ) cos(2 πn ) + j (C n - C − n ) sin(2 πn ) ⎥
n =1 ⎣ T T ⎦
d'où :
10
2 2πnt
an = Cn + C− n =
T ∫( T )
f ( t ) cos(
T
) dt
2 2πnt
bn = j (C n - C − n ) = ∫
T ( T)
f ( t ) sin(
T
) dt
1
Cn = (a - j b n )
2 n
L e s p e c t r e d u s i g n a l , r e p r é s e n t é p a r l e s Cn , p e u t ê t r e d é c o m p o s é
en :
1
- Un spectre d'amplitude = Cn = a 2n + b 2n
2
2
- Un spectre de puissance = Cn
− bn
- Un spectre de phase = Arg(C n ) = Arctg( )
an
Remarques
- L a d é c o m p o s i t i o n e n Cn i n t r o d u i t l a n o t i o n d e " f r é q u e n c e s
négatives ". Ces fréquences n'ont aucun sens physique, elles
permettent uniquement de simplifier le calcul.
- Dans le cas où le signal f(t) est réel, le spectre d'amplitude est

s y m é t r i q u e c a r C n = C *− n d ' o ù C n = C − n .
2°) - Distributions.
Nous nous intéresserons, dans ce paragraphe, à la
distribution de DIRAC. Pour de plus amples renseignements sur
la théorie des distributions, on pourra consulter les ouvrages L.
SCHWARTZ et E. ROUBINE.
Les distributions généralisent la notion de fonctions

numériques, en simplifiant certaines opérations effectuées par
l'analyse classique.
L a d i s t r i b u t i o n d e D I R A C , n o t é e δ( t ) , t i e n t u n e p l a c e
particulièrement importante en traitement du signal. En effet,
elle intervient dans un grand nombre d'applications telles que
l'échantillonnage, la modulation ou le filtrage.
La distribution de DIRAC est aussi appelée Pic ou Impulsion

de DIRAC. Certains auteurs parlent abusivement de "fonction" de
DIRAC et la définissent par :
11
⎧ δ ( t ) = 0 si t ≠ 0
⎪⎪
⎨δ ( t ) = + ∞ si t = 0
⎪ +∞
⎪⎩ ∫- ∞ δ ( t ) dt = 1
Cette définition n'a aucun sens car une fonction presque partout
nulle serait d'aire nulle.
Une approche "plus rigoureuse" consiste à considérer la

d i s t r i b u t i o n d e D I R A C c o m m e l a l i m i t e d e f o n c t i o n s fn ( t ) d ' a i r e
unitaire et de support borné :
⎧ + ∞ f ( t ) dt = 1
⎪∫- ∞ n
⎨
[
⎪ δ( t ) = lim f n ( t ) ]
⎩ n → +∞
On peut prendre par exemple une suite de fonctions rectangles :
f (t)
n
n
2
1 t
-1
n n
Il est évident qu'au passage à la limite on obtient un

"rectangle infiniment étroit et infiniment haut", mais dont l'aire
reste unitaire.
S i l ' o n c e n t r e l e s f o n c t i o n s fn ( t ) a u t o u r d ' u n point t0

( f n ( t - t 0 )) , l a l i m i t e d o n n e u n p i c d e D I R A C d é c a l é .
δ (t- to )
δ (t)
t t
0 to
Propriétés
- Produit par une fonction f(t) :
δ ( t ) f ( t ) = f ( 0) δ ( t )
δ( t − t 0 ) f ( t) = f ( t 0 ) δ( t − t 0 )
12
Cela signifie que l'aire associée au pic de DIRAC n'est plus
u n i t a i r e , m a i s v a u t f ( 0 ) o u f ( t0) .
- Intégration :
D'après les résultats précédents on a :

+∞ +∞
∫−∞
δ ( t - t 0 ) f ( t ) dt = ∫
−∞
δ ( t - t 0 ) f ( t 0 ) dt = f (t 0 )
et bien sûr
+∞ +∞
∫−∞
δ ( t ) dt = ∫ −∞
δ ( t - t 0 ) dt = 1
Pour en terminer avec les distributions, on citera le peigne

de Dirac, noté |_ I _ |T ( t ) . Cette distribution est constituée d'une
suite d'impulsions de Dirac, régulièrement espacées d'une durée
T.
(t)
T
t
-3T -2T -T 0 T 2T 3T
+∞
|_ I _ |T ( t ) = ∑ δ(t
n = −∞
−nT)
Le produit de cette distribution par une fonction f(t) donne

une suite d'impulsions de Dirac d'aire égale à f(nT) :
+∞ +∞
f ( t ) |_ I_ |T ( t ) = f ( t ) ∑ δ( t
n = −∞
- nT) = ∑ f ( nT) δ(t
n = −∞
- nT)
O n p o s e : fe ( t ) = f ( t ) | _ I_ |T ( t )
O n d i t q u e fe ( t ) e s t u n e f o n c t i o n é c h a n t i l l o n n é e .
13
t (t)
-2T -T 0 T 2T T
t
-2T -T 0 T 2T
3°) - Transformée de FOURIER (TF).

La transformation de FOURIER est une extension de la
décomposition en série de FOURIER, mais pour des signaux
quelconques. Intuitivement on peut considérer un signal non
p é r i o d i q u e c o m m e u n s i g n a l d o n t l a p é r i o d e T → +∞ . Ainsi la
somme discrète et le facteur 1/T intervenant dans la
décomposition en série de FOURIER deviennent respectivement
une intégrale, et une petite variation de fréquence df. On définit
la Transformée de Fourier (TF), notée X(f), du signal x(t) par:
∫−∞ x( t ) e−2πjft dt
+∞
TF { x( t )} = X( f ) =
= ∫ X( f ) e +2 πjft df
+∞
TF -1
{ X( f )} = x(t)
−∞
X(f) est la superposition d'une infinité de raies qui

s'étendent, dans le domaine fréquentiel, de −∞ à +∞.
Exemple :
C o n s i d é r o n s l a f o n c t i o n p o r t e x ( t ) = ∏ τ (t)
2
⎧ ⎡- τ τ⎤
⎪1 si t ∈ ⎢ ,
x( t ) = ⎨ ⎣ 2 2 ⎥⎦
⎪⎩ 0 Ailleurs
On a :
τ
+∞
X( f ) = ∫−∞
x( t ) e − 2 πjft
dt = ∫ −
2
τ e − 2 πjft dt
2
τ
[e − 2 πjft
] 2
−τ
sin( πfτ)
τ sinc( πfτ)
2
X( f ) = = =
− 2 πjf πf
14
X(f)
x(t) τ
−τ t f
τ -1 1
2 2 τ τ
Notation :
Dans la suite du cours, les signaux seront représentés par

des minuscules x, s, f, etc..., les TF correspondantes par des
majuscules X, S, F, etc ... Le temps par la variable t ou τ et la
fréquence par f ou ν
Définitions :
- S p e c t r e d ' a m p l i t u d e = X( f )
2
- S p e c t r e ( o u d e n s i t é s p e c t r a l e ) d e p u i s s a n c e = X( f )
⎛ Im {X( f )} ⎞⎟
- Spectre de phase = Arctg ⎜ = ϕ( f )
⎝ Re {X( f )} ⎠
Remarques :
- Il est souvent plus aisé d'interpréter certains phénomènes

physiques dans le domaine fréquentiel. C'est l'intérêt essentiel de
la TF (Ex: poursuite Radar).
- L a s y m é t r i e e n t r e l a TF e t l a TF-1 montre l'existence d'une

dualité entre temps et fréquences. Toutes les informations
contenues dans le signal sont contenues dans le spectre.
- La dimension des variables t et f est la seconde et le Hertz.

C e p e n d a n t o n p e u t a u s s i e x p r i m e r c e l a e n m è t r e e t m è t r e -1 , o n
parle alors de fréquences spatiales.
Conditions d'existence de la TF
Une fonction f(t) admet pour transformée de FOURIER la

fonction F(f) si :
a) f(t) bornée
∫-∞
+∞
b) f ( t ) dt existe
c) les discontinuités de f(t) sont en nombre limité.
Une grande partie des signaux étudiés répondent à ces

conditions. Ceci est dû, en partie, au fait qu'ils sont observés sur
une durée finie.
15
Attention ces conditions ne sont pas nécessaires lorsqu'il

s'agit de distributions. Les fonctions périodiques ou les
d i s t r i b u t i o n s δ( t ) e t |_ I_ |T ( t ) o n t d e s T F .
Propriétés :
- L i n é a r i t é : TF e t TF −1 s o n t d e s o p é r a t e u r s l i n é a i r e s .
TF
∀ λ ∈ C , λ x(t) + y(t) ⇔−1 λ . X(f ) + Y(f )
TF
- Similitude : Une dilatation dans le domaine temporel correspond

à une contraction dans le domaine fréquentiel
1 ⎛f⎞
∀ a ∈ R , f(at) ⇔ F⎜ ⎟
a ⎝ a⎠
Dem :
En posant at = t'
⎛f⎞
+∞ 1 +∞ − 2 πj⎜ ⎟ t ' 1 ⎛f⎞
∫−∞
f (at ) e − 2 πjft
dt = Signe(a )
a ∫ -∞
f (t' ) e ⎝ a⎠
dt ' = F⎜ ⎟
a ⎝ a⎠
- Translations :
TF
x( t - t 0 ) ⇔ exp( −2 πjft 0 ) X( f )
TF − 1
X( f - f 0 ) ⇔ exp( +2 πjf 0 t ) x( t )
Dem :
En posant t - t 0 = t'
+∞ +∞
∫−∞
x( t - t 0 ) e − 2 πjft dt = e − 2 πjft 0 ∫
−∞
x( t ' ) e − 2 πjft ' dt ' = e − 2 πjft 0 X( f )
Démonstration identique pour la translation de fréquence.
- Dérivation en temps :
dx( t )
⇔ 2 πjf X( f )
dt
d n x( t )
⇔ (2 πjf) n X( f )
dt n
Dem:
16
n
d x( t )
=
dn [∫ -∞
+∞
X( f ) e 2 πjft df ] = ∫
+∞
X( f )
d n (e 2 πjft )
df
dt n d tn -∞ d tn
d n x( t )
= TF − 1 { (2 πjf ) n X( f )}
dt n
- Dérivation en fréquence :
dX( f ) TF −1
⇔ - 2 πjt x( t )
df TF
n
d X( f )
⇔ (-2 πjt ) n x( t )
df n
- Parité :
Si x(t) est un signal réel et pair alors son spectre X(f) est réel et
pair.
Dem :
t' = - t
+∞ +∞ ↓ +∞
X (f ) = ∫ x ( t )e − 2 πjft
dt = ∫ x (− t )e − 2 πjft
dt = ∫ x ( t ' )e −2 πj( − f ) t dt '
−∞ −∞ −∞
X(f ) = X( −f ) → X(f ) pair

*
X(f ) = ⎡ ∫ x ( t )e −2 πjft dt ⎤ = X(f )* → X(f ) réel
+∞
⎢⎣ -∞ ⎥⎦
Si x(t) est réel et impair, son spectre X(f) est imaginaire et

impair.
- Si x(t) est de carré sommable alors X(f) est de carré sommable
Les transformées à connaître
x( t ) = δ ( t ) ⇔ X( f ) = 1
x( t ) = 1 ⇔ X( f ) = δ ( f )
x( t ) = e + 2 πjf0 t ⇔ X( f ) = δ ( f - f 0 )
x( t ) = δ ( t - t 0 ) ⇔ X( f ) = e − 2 πjft 0
x( t ) =
1 jϕ 0
cos(2 πf 0 t + ϕ 0 ) ⇔ X( f ) =
2
e δ ( f - f 0 ) + e − jϕ 0 δ( f + f 0 ) [ ]
x( t ) = sin(2 πf 0 t + ϕ 0 ) ⇔ X( f ) =
1 jϕ 0
2j
e δ ( f - f 0 ) - e − jϕ 0 δ ( f + f 0 ) [ ]
1 1 +∞ n
x ( t ) = | _ I_ |T ( t ) ⇔ X ( f ) = | _ I_ | 1 ( f ) = ∑ δ (f - )
T T
T n = −∞ T
Ces fonctions seront utilisées fréquemment, par la suite.
Relation de PARSEVAL
17
Cette relation est comparable à celle qui existe pour des

signaux périodiques.
Soit x(t) un signal de carré sommable (ou à énergie finie ) et

qui admet X(f) pour TF, on a :
+∞ 2 +∞ 2
Wx = ∫
−∞
x( t ) dt = ∫ −∞
X( f ) df
Dem :
∫ [∫ ][∫ ]
+∞ 2 +∞ +∞ +∞ *
∫−∞
x( t ) dt =
−∞ −∞
X( f ) e 2 πjft
df
−∞
X( f ' ) e 2 πjf ' t
df ' dt =
∫ ∫
-∞
+∞ +∞
-∞
X( f ) X * ( f ' ) [∫ +∞
−∞ ]
e − 2 πjt ( f ' − f ) dt df df '
L'expression entre crochets est égale à la TF de la fonction unité

, c a l c u l é e à l a f r é q u e n c e f ' - f , s o i t δ( f '− f ) :
+∞ +∞
[∫ +∞
]
2
∫−∞
x( t ) dt = ∫
−∞
X( f )
−∞
X * ( f ' )δ ( f '− f )df ' df
avec :
+∞
∫−∞
X * ( f ' )δ ( f − f ' )df ' = X * ( f )
d ' où :
+∞ 2 +∞ 2
∫−∞
x( t ) dt = ∫
−∞
X( f ) df
2
X( f ) est appelée densité spectrale d'énergie ou parfois,
abusivement, densité spectrale de puissance. On peut montrer de
la même façon que, pour deux signaux x(t) et y(t), l'énergie
d ' i n t e r a c t i o n Wxy v é r i f i e l a r e l a t i o n :
+∞ +∞
Wxy = ∫ −∞
x( t ) y * (t) dt = ∫−∞
X(f)Y * ( f ) df
18
III Convolution et Corrélation
1°) - Convolution.
La convolution est un opérateur fondamental en traitement
du signal. Il provient de la théorie des systèmes linéaires et
invariants. Soit h(t) la réponse impulsionnelle du filtre, c'est à
dire la réponse du filtre lorsque l'entrée est un impulsion de
Dirac:
FILTRE
δ(t) h(t)
La relation entre une entrée quelconque x(t) et la sortie y(t)

du filtre est la convolution:
+∞
y(t) = x( t ) * h( t ) = ∫−∞
x( u) h(t - u) du
Filtre de réponse
x(t) Impulsionnelle y(t)
h(t)
Interprétation
S o i t h1 ( t ) l a r é p o n s e d u s y s t è m e à u n e i m p u l s i o n d e l a r g e u r Δt
1
et de hauteur . h 1 ( t ) Δt e s t d o n c l a r é p o n s e à u n e i m p u l s i o n d e
Δt
l a r g e u r Δt e t d e h a u t e u r u n i t é .
Décomposons le signal x(t) en une suite d'impulsions de

h a u t e u r x ( 0 ) , x ( Δt ) , x ( 2 Δt ) , . . . , x ( k Δt ) .
x(t)
x(0) x(kΔ t)
Δt kΔt
t
La contribution apportée par chaque impulsion de hauteur

x ( i Δt ) e s t :
19
y ( 0 ) = x ( 0 ) h 1 ( t − 0) Δt ; y ( Δt ) = x ( Δt ) h 1 ( t - Δt ) Δt ; . . . ; y ( i Δt ) = x ( i Δt ) h 1 ( t - iΔt ) Δt .
En appliquant le principe de superposition, la sortie à

l'instant t est donnée par :
+∞
y( t ) = ∑ x( kΔt ) h ( t
k = -∞
1 - kΔt ) Δt
S i Δt d e v i e n t t r è s p e t i t a l o r s l ' i m p u l s i o n t e n d v e r s u n p i c d e
D i r a c e t , p a r c o n s é q u e n t , l a r é p o n s e h1 (t) t e n d v e r s l a r é p o n s e
impulsionnelle h(t). On trouve pour y(t):
+∞
y( t ) = ∫ −∞
x( u) h( t − u) du
Propriétés
- Commutativité : x(t)*g(t) = g(t)*x(t)

- Distributivité : [x(t) + s(t)]*g(t) = x(t)*g(t) + s(t)*g(t)
- Associativité : [x(t)*s(t)]*g(t) = x(t)*[s(t)*g(t)]
+∞
- δ( t ) é l é m e n t n e u t r e : δ( t ) * g ( t ) = ∫ δ(u)g ( t - u ) du = g ( t )
-∞
- δ( t − t 0 ) é l é m e n t d e t r a n s l a t i o n :
+∞
δ( t − t 0 ) * g ( t ) = ∫ δ(u − t 0 )g ( t - u ) du = g ( t - t 0 )
-∞
- Dérivation : (x(t)*y(t))' = x'(t)*y(t) = x(t)*y'(t)
On en déduit que la convolution par le peigne de Dirac

|_ I_ |T ( t ) a p o u r e f f e t d e p é r i o d i s e r l e s i g n a l . E n e f f e t :
⎡ +∞ ⎤ +∞ +∞
| _ I_ | T ( t ) * g( t ) = ⎢ ∑ δ ( t − nT) ⎥ * g( t ) =
⎣ n = −∞ ⎦
∑ [δ( t − nT) * g( t )]
n = −∞
= ∑ g( t − nT)
n = −∞
Exemple :
⎡− T T⎤
Soit g(t) un signal défini sur l'intervalle ⎢ . Le produit de
2 ⎥⎦
,
⎣ 2
c o n v o l u t i o n |_ I_ |T ( t ) * g ( t ) r e s t i t u e u n s i g n a l p é r i o d i q u e :
g(t) g(t)* (t)

T
-T
2
t t
T
2
- Produit de convolution de Dirac:

20
δ( t − t 1 ) * δ( t − t 2 ) = δ( t − t 1 − t 2 )
Exemple :
Soit x( t ) = ∏ T
2
( t ) et g( t ) = ∏ T
( t − T) . Calculons y(t) .
x(t) g(t)
1 1
t t
-T T 2T
2 2
d'où :
g(t-u)
u
t-2T t
et :
y(t) = x(t) * g(t)
t
-T T 3T 5T
2 2 2
2
Théorème de PLANCHEREL
Soient x(t) et y(t) deux signaux ayant pour transformée X(f)

et Y(f). PLANCHEREL a démontré que :
TF( x( t ) * y( t ) ) = X( f )Y( f )
TF( x( t ) y( t ) ) = X( f ) * Y( f )
Dem :
21
⎡ +∞ ⎤ ⎡ +∞ ⎤
TF{ x( t ) * y( t )} =
+∞ +∞
∫−∞ ⎣⎢ ∫_ ∞
x( u) y( t − u) du⎥ e − 2 πjtf dt =
⎦ ∫
−∞
x( u) ⎢ ∫ y( t − u) e − 2 πjtf dt ⎥ du
⎣ _∞ ⎦
⎡ +∞ ⎤
TF{ x( t ) * y( t )} =
+∞
∫−∞
x( u) ⎢ ∫ y( τ) e − 2 πjfτ dτ ⎥ e − 2 πjfu du = X( f )Y( f )
⎣ _∞ ⎦
La seconde relation se démontre de la même façon.
Application :
Ce théorème est utilisé dans de nombreuses applications.

Prenons l'exemple du téléphone où le problème est de transmettre
simultanément et sur un même canal de transmission un grand
nombre de messages.
Considérons, dans un premier temps, un message x(t) qui

occupe la bande [-4KHz, 4KHz] (bande passante de la voix
humaine définie par les Télécommunications). Comment translater
son spectre X(f) autour des fréquences fo et -fo?. Pour réaliser
c e l a i l s u f f i t d e m u l t i p l i e r x ( t ) p a r cos( 2 πf0 t ) . D ' a p r è s l e t h é o r è m e
de PLANCHEREL on a :
⎡ δ( f − f 0 ) + δ( f + f 0 ) ⎤
y( t ) = x( t ) cos(2 πf 0 t) ⇔ Y( f ) = X( f ) * ⎢ ⎥
⎣ 2 ⎦
X( f − f 0 ) X( f + f 0 )
y( t ) = x( t ) cos(2 πf 0 t) ⇔ Y( f ) = +
2 2
X(f)
f
-4 KHz 4 KHz
Y(f)
X(f-fo) X(f+fo)
f
-fo-4 -fo -fo+4 fo-4 fo fo+4
Cette opération est appelée modulation d'amplitude sans

porteuse ( MASP ), bien que fo soit appelée porteuse. Il existe
d'autres types de modulations (fréquence, phase,...). On pourra
consulter sur ce point l'ouvrage de A.SPÃTARU.
22
En conclusion, si l'on désire transmettre simultanément et
s u r u n e m ê m e l i g n e l e s s i g n a u x x1 ( t ) , x 2 ( t ) , .. , x n ( t ) , i l s u f f i t d e
construire le signal y(t) :
y( t ) = x 1 ( t ) cos(2 πf 1 t ) + . . + x n ( t ) cos( 2 πf n t )
o ù f1 , f2 ,..., f n s o n t l e s p o r t e u s e s a s s o c i é e s à x1 ( t ) , x 2 ( t ) , .. , x n ( t ) .
Y(f)
X 2(f-f2)
X 1(f-f1) 2 X 3(f-f3)
2
2
f
-f3 -f2 -f1 f1 f2 f3
E n r é c e p t i o n , p o u r r e t r o u v e r l e m e s s a g e xi ( t ) , i l f a u t f i l t r e r
y ( t ) p a r u n f i l t r e p a s s e - b a n d e [ fi − 4 KHz , fi + 4 KHz ] p u i s d é m o d u l e r l e
signal de sortie du filtre ( translation du spectre autour de
l'origine des fréquences ) afin que le message soit audible.
Relation entre série de Fourier et TF
Soient x(t) un signal périodique de période T et xT ( t ) l e

signal tronqué sur une période défini par :
⎧ ⎡_ T T ⎡
⎪x( t ) si t ∈ ⎢
2 ⎢⎣
,
x T (t) = ⎨ ⎣ 2
⎪⎩ 0 Ailleurs
On a :
x( t ) = x T ( t ) * | _ I_ |T ( t )
d'où :
1
X( f ) = X ( f ) | _ I_ | 1 ( f )
T T T
Soit encore :
+∞
1 ⎛ n⎞ ⎛ n⎞
(1) X( f ) =
T
∑X
n = −∞
T ⎜ ⎟ δ⎜ f −
⎝ T⎠ ⎝
⎟
T⎠
De plus le signal x(t) étant périodique, il s'écrit aussi :

23
+∞ +∞
⎛ n⎞
n
∑ Cne ∑C
2 πj t
(2) x( t ) = T
et X( f ) = δ⎜ f − ⎟
n = −∞ n = −∞
n
⎝ T⎠
En comparant les expressions ( 1 ) et ( 2 ) on trouve :
⎛ n⎞
XT ⎜ ⎟
⎝ T⎠
Cn =
T
Le spectre du signal périodique est donc obtenu, à un facteur

près, après échantillonnage du spectre du signal tronqué.
2°) - Corrélation.
Soient x(t) et y(t) deux signaux à énergie finie, la fonction
d ' i n t e r c o r r é l a t i o n C xy ( τ ) est définie par :
+∞
C xy ( τ) = ∫
-∞
x( t ) y * ( t − τ) dt
Ce produit scalaire mesure les similitudes en forme et

position des signaux. Ces similitudes peuvent évoluer au cours du
t e m p s τ . O n r e m a r q u e d e p l u s , q u e C xy ( τ ) r e s t i t u e l ' é n e r g i e
d ' i n t e r a c t i o n e n t r e l e s s i g n a u x x ( t ) e t y(t - τ ) .
S i C xy ( τ ) = 0 o n d i t q u e l e s s i g n a u x x ( t ) e t y ( t ) s o n t d é c o r r é l é s
ou orthogonaux.
Exemple
Un radar émet une impulsion sinusoïdale x(t) sur un objet fixe et

reçoit le signal bruité y(t).
x(t) y(t)
Objet
Radar
Emetteur - Récepteur
24
x(t) y(t)
t t
T
C xy (t)
L e m a x i m u m τ0 d o n n e l a d i s t a n c e à l ' o b j e t . E n e f f e t s i v0 e s t l a
vitesse de propagation de l'onde on a :
v0τ0
d = ← trajet Aller et Retour
2
S i x ( t ) = y ( t ) , C xx ( τ ) e s t a p p e l é f o n c t i o n d ' a u t o c o r r é l a t i o n d u
signal x(t).
Propriétés
- La fonction d'intercorrélation vérifie la relation :
C xy ( τ) = C *yx ( − τ)
Dem :
*
= ⎡⎢∫ x * ( t '+ τ) y( t ' ) dt '⎤⎥
+∞ +∞
C xy ( τ) = ∫-∞
x( t ) y * ( t − τ) dt
↑
t - τ = t'
⎣ −∞ ⎦
[∫ ]
+∞ *
C xy ( τ) = y( t ' ) x * ( t '−( − τ)) dt '
−∞
d'où:
C xy ( τ) = C *yx ( − τ)
O n e n d é d u i t q u e C xx ( τ ) e s t à s y m é t r i e h e r m i t i e n n e :
C xx ( τ) = C *xx ( − τ)
Et si x(t) est réel sa fonction d'autocorrélation est paire.
- L ' é n e r g i e t o t a l e Wx d ' u n s i g n a l x ( t ) e s t :
+∞ 2
Wx = ∫-∞
x( t ) dt = C xx (0) > 0
25
-Le théorème de Cauchy-Schwartz conduit aux relations suivantes
C xx ( τ) ≤ C xx (0) ∀τ
2
C xy ( τ) ≤ C xx (0)C yy (0) ∀τ
Théorème de Wiener-Kintchine
Soient x(t) et y(t) deux signaux à énergie finie. La TF de la

fonction d'intercorrélation est égale à la densité interspectrale
d'énergie (ou densité spectrale mutuelle ).
{
TF C xy ( τ) } = S xy ( f ) = X( f )Y * ( f )
Dem :
{
TF C xy ( τ) } = ∫ -∞
+∞
C xy ( τ)e − 2 πjfτ dτ = S xy ( f )
⎡ ⎤
⎡ + ∞x( t ) y * ( t − τ) dt ⎤ e − 2 πjfτ dτ = ⎢ dτ ⎥ dt
+∞ +∞ +∞
S xy ( f ) = ∫
−∞ ⎢⎣ ∫- ∞ ⎥⎦ ∫ −∞
x( t ) ∫ y ( t − τ ) e
⎢ -∞
* − 2 πjfτ
⎥
⎢⎣ ↑
t' = t - τ ⎥⎦
+∞ +∞
S xy ( f ) = ∫
−∞
x( t ) e − 2 πjft dt ∫ −∞
y * ( t ' ) e + 2 πjft ' dt '
[∫ ]
+∞ *
S xy ( f ) = X( f ) y( t ' ) e − 2πjft ' dt ' = X( f ) Y * ( f )
−∞
2
S i x ( t ) = y ( t ) a l o r s S xx ( f ) = X( f ) .
S xx ( f ) e s t l a d e n s i t é s p e c t r a l e d ' é n e r g i e . C ' e s t u n e f o n c t i o n r é e l l e
positive.
Relation Convolution - Corrélation
S i C xy ( τ ) e s t l ' i n t e r c o r r é l a t i o n d e s s i g n a u x x ( t ) e t y ( t ) a l o r s :
C xy ( τ) = x( τ ) * y * ( − τ )
Dem :
{
TF C xy ( τ) } = S xy ( f ) = X( f ) Y * ( f )
d'où
C xy ( τ) = TF − 1 S xy ( f ) { } = x( t ) * TF − 1 {Y * ( f )}
avec
26
TF − 1 {Y * ( f )} = [∫ ]
+∞ +∞ *
∫
−∞
Y * ( f )e 2 πjfτ df =
−∞
Y( f )e 2 πjf ( − τ ) df = y * ( − τ)
3°) - Cas des signaux à puissance moyenne finie.

Dans le cas où les signaux sont à puissance moyenne finie,
la convolution s'écrit :
⎧1 T
⎫
x( t ) * y( t ) = lim ⎨
T → +∞ T
∫ −
2
T x( u) y( t − u) du⎬
⎩ 2 ⎭
De même la corrélation est définie par :
⎧1 T ⎫
C xy (τ ) = lim ⎨
T →+∞⎩ T
∫−2T x( t ) y* ( t − τ ) dt ⎬
2 ⎭
Si de plus les x(t) et y(t) sont périodiques et de même

p é r i o d e T0 , o n p e u t s i m p l i f i e r l e s e x p r e s s i o n s p r é c é d e n t e s :
T0
1
x( t ) * y ( t ) =
T0 ∫−
2
T0 x( u) y( t − u) du
2
T0
1
C xy ( τ) =
T0 ∫−
2
T0 x( t ) y * ( t − τ ) dt
2
Densité interspectrale de puissance
La TF de la fonction d'intercorrélation de deux signaux à

puissance moyenne finie est appelée densité interspectrale de
p u i s s a n c e S xy ( f )
{
TF C xy ( τ) } = S xy ( f )
Soient x(t,T) et y(t,T) deux signaux à énergie finie définis par :
⎧ ⎡ T T⎤ ⎧ ⎡ T T⎤
⎪x( t ) si t ∈
x( t , T) = ⎨ ⎢⎣ 2 2 ⎥⎦ et y( t , T) = ⎪⎨y( t ) si t ∈
− , ⎢⎣− 2 , 2 ⎥⎦
⎪⎩ 0 Ailleurs ⎪⎩ 0 Ailleurs
x(t) et y(t) sont tels que :
x( t ) = lim {x( t , T)} et y( t ) = lim { y( t , T)}

T → +∞ T → +∞
Soient X(f,T) et Y(f,T) les transformées de x(t,T) et y(t,T).

On démontre que:
27
⎧ X( f , T) Y * ( f , T) ⎫
S xy ( f ) = lim ⎨ ⎬
T → +∞
⎩ T ⎭
Dem :
L a p u i s s a n c e t o t a l e Pxy e s t :
+∞
(1) Pxy = ∫
-∞
S xy ( f ) df
Mais aussi :
T
1 1 +∞
Pxy = lim
T → +∞ T ∫-
2
T x( t ) y * ( t ) dt = lim
T → +∞ T ∫
-∞
x( t , T)y * ( t , T) dt
2
d'où, en appliquant la relation de PARSEVAL pour les signaux à

énergie finie x(t,T) et y(t,T) :
1 +∞
(2) Pxy = lim
T → +∞ T ∫-∞
X( f , T)Y * ( f , T) df
En identifiant (1) et (2) :
⎧ X( f , T)Y * ( f , T) ⎫
S xy ( f ) = lim ⎨ ⎬
T→∞
⎩ T ⎭
Si x(t) = y(t), la densité spectrale de puissance est:
⎧1 2⎫
S xx ( f ) = lim ⎨ X( f , T) ⎬
T → +∞ ⎩ T ⎭
4°) - Analyse spectrale.

L'analyse spectrale des signaux tient une place importante
dans un grand nombre d'applications ( Télécommunications,
Géophysique, Biochimie,..). On peut citer comme exemple,
l'analyse spectrale de signaux de parole qui fournit une
indication sur le sexe du locuteur. En effet, les signaux de parole
sont en grande partie voisés (quasi-périodiques). La hauteur de la
fréquence fondamentale est d'environ 100-150 Hz pour un homme,
150-250 Hz pour une femme et peut aller jusqu'à 400 Hz pour un
enfant.
Un autre exemple est celui de la poursuite d'une cible

mobile. Le signal réfléchi par la cible fournit des informations
sur la vitesse et la position de l'objet.
Ambiguïté: Durée d'un signal-Largeur spectrale.

28
En théorie un signal de durée finie ( support borné ) possède
un spectre de largeur infinie ( support infini ). Corrélativement,
un spectre à support borné correspond à un signal de durée
illimitée.
Expérimentalement, le problème est le suivant: "Comment

étudier un signal, sur une durée limitée T ( donc avec un spectre
à support infini ), avec un instrument qui a une bande passante
finie ?". Il est évident que, si la puissance du signal décroît
rapidement en fonction de la fréquence, on a intérêt à utiliser un
instrument dont la bande passante est très supérieure à la bande
utile du signal. L'effet du filtrage ( passage du signal dans
l'instrument ) est alors réduit.
La notion de bande utile est liée à l'application. Soit x(t) un

s i g n a l d ' é n e r g i e t o t a l e Wx e t d e d e n s i t é s p e c t r a l e d ' é n e r g i e S xx ( f ) .
O n d é f i n i t l a b a n d e u t i l e Bu p a r :
1 +∞
ΔF =
Wx ∫
−∞
f 2 S xx ( f ) df
et
Bu = 2 α ΔF avec α choisi arbitrairement.
Sxx(f)
ΔF
Bu
f
D e m ê m e o n d é f i n i t l a d u r é e u t i l e Du d ' u n s i g n a l x ( t ) p a r :
D u = 2βT avec β choisi arbitrairement.

et :
1 +∞
T =
Wx ∫
−∞
t 2 x 2 ( t ) dt
29
2
x (t)
Du
t
En utilisant la relation de Cauchy-Schwartz on en déduit la

relation d'incertitude :
B u D u ≥ Cte
Cette relation montre qu'un signal (resp. un spectre) à

fluctuations rapides possède un spectre (resp. un signal) large.
Dem :
En utilisant la relation de Cauchy-Schwartz :
2 2
+∞ dx( t ) +∞ 2 +∞ dx( t )
∫ −∞
t x( t )
dt
dt ≤ ∫-∞
t 2 x( t ) dt ∫
-∞ dt
dt
En intégrant par partie, on trouve :
[ t x 2 ( t )] − ∞ −
+∞ dx( t ) 1 +∞ 1 +∞ Wx
∫−∞
t x( t )
dt
dt =
2 2 ∫
−∞
x 2 ( t ) dt = -
2
de plus :
2
+∞ dx( t ) +∞
∫−∞ dt
dt = 4 π 2 ∫
−∞
f 2 S xx (f) df = 4 π 2 Wx ΔF 2
d'où :
Wx2
≤ Wx T 2 4 π 2 Wx ΔF 2
4
1 αβ
4TΔF ≥ d' où D u Bu ≥
π π
Fenêtres d'observation.
L'analyse d'un signal ne peut s'effectuer que sur une durée

f i n i e t 0 , t1 . S i x ( t ) e s t l e s i g n a l i n i t i a l , l e s i g n a l o b s e r v é s ( t )
s'écrit :
30
s(t) = x(t)f(t)
o ù f ( t ) e s t n u l l e e n d e h o r s d e t 0 , t1 . f ( t ) est appelée fenêtre

d'observation ou fonction de pondération.
Exemple : Fenêtre rectangulaire
[
⎪⎧1 si t ∈ t 0 , t 1
f (t) = ⎨
]
⎪⎩ 0 Ailleurs
x(t) s(t) = x(t) f(t)
t1
t t
t0
La fenêtre idéale est celle qui ne modifiera pas le spectre

X(f) du signal x(t), c'est à dire telle que :
S( f ) = X( f ) * F( f ) = X( f )
on en déduit :
F( f ) = δ ( f ) ⇒ f ( t ) = 1
L a f o n c t i o n u n i t é ( f ( t ) = 1) d é f i n i e s u r ] −∞,+∞[ n ' e s t p a s u n e
fenêtre. On en déduit cependant que la transformée de Fourier
d'une fenêtre "satisfaisante", c'est à dire modifiant peu X(f), doit
s'approcher du pic de Dirac.
La fonction Porte ∏ T
2
(t) , a p p e l é e a u s s i f e n ê t r e n a t u r e l l e f u t l a
première utilisée. Sa transformée P(f) est :
⎡ ⎤
P(f) = TF⎢∏ T ( t ) ⎥ = T sinc( πfT)
⎣ 2 ⎦
P(f) est constitué d'un lobe principal et de lobes

secondaires. Comme on le verra, toutes les transformées de
Fourier de fenêtres de pondération possèdent un lobe principal et
des lobes secondaires .
31
P(f) Lobe principal
f1
f
1
T
Lobes secondaires
Pour restituer au mieux le spectre X(f), il faut que le lobe

principal soit le plus étroit possible. De plus pour éviter une
dispersion (leakage) de l'énergie vers des fréquences éloignées,
il faut que les lobes secondaires soient faibles.
Pour comparer les différentes fenêtres on utilise

essentiellement deux critères:
- La largeur de Bande à mi-hauteur : B

- L ' a m p l i t u d e r e l a t i v e d u 1er l o b e s e c o n d a i r e : Q
P( f 1 )
Q = 20 Log 10
P(0)
O ù P ( f1 ) e s t l ' a m p l i t u d e m a x i m a l e d u 1er l o b e s e c o n d a i r e .
1
Dans le cas de la fenêtre naturelle on trouve B = et Q= -13 dB.
T
B définit la résolution ou pouvoir séparateur du spectre. Si
X ( f ) e s t c o n s t i t u é d e d e u x r a i e s a u x f r é q u e n c e s t r è s p r o c h e s f1 e t
f2 ( f1 − f2 < B ) , i l n e s e r a p a s p o s s i b l e d e l e s d i s t i n g u e r .
S(f)
f
f1 f2
La fenêtre naturelle est peu utilisée, en analyse spectrale,

car elle présente des lobes secondaires de forte amplitude. Un
32
très grand nombre de fenêtres ont été proposées. Celles ci sont
généralement choisies en fonction de l'application.
Fenêtre de Bartlett (1950): Elle correspond à la fonction triangle

Λ T (t) :
2
⎧ t ⎡ T T⎤
⎪1 - 2 si t ∈ ⎢- ,
Λ T (t) = ⎨ T ⎣ 2 2 ⎥⎦
2 ⎪⎩ 0 Ailleurs
avec:
2
Λ T (t) =
T
∏ T
4
(t) * ∏ T
4
(t)
2
d'où:
⎧⎪ ⎫⎪ T ⎛ T⎞
TF⎨Λ T ( t ) ⎬ = sinc 2 ⎜ πf ⎟
⎪⎩ 2 ⎪⎭ 2 ⎝ 2⎠
2
On a: B = et Q = -26 dB
T
Fenêtre de Hanning : (J. VAN HANN)
Elle est définie par :
⎧ 1 2 πt ⎡ T T⎤
⎪H N ( t ) = (1 + cos ) si t ∈ ⎢- , ⎥
⎨ 2 T ⎣ 2 2⎦
⎪⎩ H N ( t ) = 0 Ailleurs
2
B = et Q = -32 dB
T
H N (t)
t
-T T
2 2
1 1 ⎛ 1⎞ 1 ⎛ 1⎞ ⎧ ⎫
H N (f ) = P( f ) + P⎜ f + ⎟ + P⎜ f − ⎟ , avec: P( f ) = TF⎨∏ T ( t ) ⎬
2 4 ⎝ T⎠ 4 ⎝ T⎠ ⎩ 2 ⎭
33
Fenêtre de Hamming : R.W. HAMMING a étudié une famille de
fonctions définies par:
⎧ 2 πt ⎡ T T⎤
⎪H m ( t ) = α + (1 - α ) cos( ) si t ∈ ⎢- , ⎥
⎨ T ⎣ 2 2⎦
⎪⎩ H m ( t ) = 0 Ailleurs
2
L a v a l e u r d e α q u i m i n i m i s e Q e s t α= 0 , 5 4 . O n a a l o r s B = et
T
1
Q = -52 dB . P o u r α = , on retrouve la fenêtre de HANNING.
2
5°) - Filtrage.
Soit S un filtre de réponse impulsionnelle h(t). Soient x(t)
l'entrée de ce filtre et y(t) la sortie :
y(t)=h(t)*x(t) et Y(f)=H(f)X(f)
On appelle réponse indicielle, la réponse du filtre à un

échelon.
⎧ 1 si t ≥ 0
h(t) * u(t) avec u(t) = ⎨
y ind ( t ) =
⎩0 ailleurs
La réponse indicielle s'obtient en intégrant la réponse
impulsionnelle. En effet :
+∞ +∞
y ind ( t ) = ∫
-∞
u( τ) h( t − τ) dτ = ∫
0
h( t − τ) dτ
∫
t
y ind ( t ) = h( t ' ) dt '
↑ -∞
t' = t - τ
d'où :
∫
t
y ind ( t ) = h( t ' ) dt '
-∞
H(f) est la fonction de transfert et H(0), le gain statique du

filtre.
Un filtre est dit réalisable si sa réponse impulsionnelle est
c a u s a l e ( h(t) = 0 , ∀ t < 0 ) . C e c i t r a d u i t l e f a i t q u ' i l n e p e u t y
avoir d'effets avant la cause.
On appelle réponse harmonique, la réponse du filtre à une

entrée de type :
x( t ) = e 2 πjf0 t
alors :
y( t ) = e 2 πjf0 t * h( t )
d'où :
34
Y(f) = δ(f-fo)H(f) = H(fo) δ(f-fo)
soit, après transformation inverse :
y( t ) = H(f 0 )e 2 πjf0 t = H ( f 0 ) x( t )
y( t ) = H ( f 0 ) e jϕ ( f0 ) x( t )
Cette relation est intéressante pour l'identification des

systèmes. En effet, lorsque le filtre est inconnu ( Boite Noire ),
i l s u f f i t d e f a i r e v a r i e r f0 e t d ' o b s e r v e r l a s o r t i e y ( t ) p o u r
connaître les caractéristiques fréquentielles du filtre ( H(f ) ,
0 )
ϕ( f 0 ) .
Dérivation :
Soit y(t) la sortie d'un filtre, de réponse impulsionnelle h(t).
y' (t) = x' (t) * h(t) = x(t) * h' (t)
Dem :
TF{ y' ( t )} = Y( f ).2 πjf = 2 πjf . X( f ). H ( f )
{
⎧⎪TF − 1 [2 πjf . X( f )] H ( f )
et ⎨ − 1
}= x' ( t ) * h( t )
{
⎪⎩TF [2 πjf . H ( f )] X( f ) }= h' ( t ) * x( t )
Stabilité :
Un filtre est stable si pour toute entrée bornée, la sortie

reste bornée. On peut montrer qu'une condition nécessaire et
suffisante pour qu'un filtre soit stable est que sa réponse
impulsionnelle soit absolument intégrable :
+∞
∫ −∞
h( τ) dτ existe .
Filtres cascades :
C o n s i d é r o n s N f i l t r e s F1 , F2 , .., FN de réponse impulsionnelle

h1 ( t ) , h 2 ( t ) , .. , h N ( t ) .
x(t) h 1 (t) h 2 (t) h 3 (t) hN(t) y(t)
N
y( t ) = x( t ) * h 1 ( t ) * h 2 ( t ) * . . . * h N ( t ) et Y ( f ) = X( f ) ∏ H (f )
i = 1
i
35
L a d é f i n i t i o n d e l a f r é q u e n c e d e c o u p u r e Fc e s t :
En Traitement du signal :
Fc est telle que : ∀ f > Fc ; H ( f ) = 0 .
En Automatique :
Fc e s t t e l l e q u e : H ( Fc ) = 1 .
En Electronique :
F c e s t t e l l e q u e : H ( Fc )
2
=
(
Max H ( f )
2
) . (Voir section Filtrage)
2
Cours Traitement de Signal AII21
Chapitre 4 : La tsformée de Laplace
Filtrage des signaux déterministes à

temps continu
I . Introduction
En électronique, on a besoin de traiter des signaux provenant de différentes sources (capteurs de
température, signaux audio…).
Un bruit indésirable provenant soit du canal de transmission, soit des composants qui constituent le
circuit électronique, peut se superpose à ces signaux.
II. La fonction filtrage

Le filtrage d’un signal électrique est l’opération qui consiste à séparer les composantes spectrales de ce
signal selon leurs fréquences.
Exemple :
L’antenne d’un récepteur radio simple capte plusieurs signaux provenant de différents émetteurs.
Le signal d’entrée est constitué de la somme de plusieurs signaux émis et seule l’utilisation d’un filtre
passe-bande permet de récupérer le signal correspondant à la station choisie.
On peut conclure qu’un filtre est un circuit qui apporte une modification de l’amplitude et (ou) de la
phase des composantes spectrales d’un signal, donc c’est un sélecteur de fréquence et de fréquence et la
bande de fréquence transmise s’appelle la bande passante du filtre.
On classe les filtres en deux grandes familles :
Les filtres analogiques réalisés à partir de composants passifs (résistance, inductance,

condensateur) ou actifs.
Les filtres numériques réalisés à partir de structure intégrée micro programmable.
_________________________________________________________________________________
26
III. Filtre analogique

III .1. Filtre idéal
Un filtre idéal transmet sans déformation tout signal dont la fréquence appartient à la bande passante.
On peut classer les filtres en quatre catégories selon les fréquences favorise et atténués.
III .1.1. Filtre passe-bas

Permet le passage de des fréquences inférieurs à une limite appelée fréquence de coupure fc ,cette
fréquence est définie comme la fréquence pour laquelle l’amplitude du signal est atténuée de -3 db.
Vs /Ve
f
fc
Figure (3. 1) : Gabarit du filtre passe-bas.
III .1.2. Filtre passe-haut

Permet le passage des fréquences supérieures à la fréquence de coupure fc .
Vs /Ve
f
fc
Figure (3. 2) : Gabarit du filtre passe-haut.
III .1.3. Filtre passe-bande

Permet le passage d’un signal de fréquence comprise entre une fréquence de coupure basse notée fcB et
une fréquence de coupure haute notée fCH .
Vs /Ve
f
fCB fCH
Figure (3.3) : Gabarit du filtre passe-bande.
_________________________________________________________________________________
27
III .1.4. Filtre coupe-bande

On dit aussi réjecteur de bande .c’est un filtre qui permet le passage de tous les fréquences sauf celle
comprises à l’intérieur de l’intervalle [fCB , fCH ]
Vs /Ve
f
fCB fCH
Figure ( 3. 4) : Gabarit du filtre coupe-bande.
IV. Fonction de transfert

Le comportement d’un filtre est défini par l’étude fréquentielle de la fonction de transfert entre la
tension de sortie et la tension d’entrée du filtre. On le caractérise par l’amplification et le déphasage
qu’il apporte sur les différents harmoniques du signal d’entrée.
e(t) Filtre s(t)
Figure ( 3. 5) : Représentation de l’ entrée et la sortie d’un filtre .
IV.1. Fonction de transfert d’un filtre passe-bas de premier ordre :

La fonction de transfert d’un filtre passe –bas de premier ordre :
(2) 4 4
* (2) = = *(+,) = =
3(2) 1 + 52 1 + + ,
,
-
Module : |*(+,)| =
√ '/0 1 0
Phase : ᵩ = arg (H(jω))= - arctg (ωT)

IV.2. Fonction de transfert d’un filtre passe-haut de premier ordre :
La fonction de transfert d’un filtre passe –bas de premier ordre :
4 4
*(2) = *(+,) = =
1 % 52 1 % + ,
,
_________________________________________________________________________________
28
IV. 3. Fonction de transfert d’un filtre passe-bande de second ordre :

La fonction de transfert d’un filtre passe-bande de second ordre est :
9
<;
H(p) = <
: ' ;.8 ' ;
67 67
avec 67 : la pulsation propre ;
8 : Coefficient d’amortissement ;
K : Gain statique.
IV.4. Exemple d’application :

Exemple 1 :
Soit le circuit RC de la figure ci-dessous :
i(t) R
Ve(t) c Vs(t)
Figure (3.6) : Filtre RC.
a- Déterminer la fonction de transfert de ce montage.

b- Déduire la nature de ce filtre.
c- Déterminer vs(t) pour un signal d’entré ve(t) = 2 + cos (2πf1.t) + cos (2πf2.t) .
d- On donne : f1 = 2khz, f2 = 5khz et la fréquence de coupure de ce filtre fc = 3.14khz.
Réponse :
a-
L’équation de maille donne : v e (t ) = Ri (t ) + v s ( t )
d v s
De plus, pour le condensateur C, on a : i = C .
d t
dvs
On en tire : RC + vs = ve .
dt
La transformée de Laplace de cette expression en supposant que le condensateur est initialement
déchargé à t = 0 :
RCpV s ( p ) + V s ( p ) = Ve ( p )
_________________________________________________________________________________
29
=>(?)
" (2) =
=@(?)
La fonction de transfert de ce montage est :
AB(2) AB(2) 1
"(2) = = =
RCpV s ( p ) + V s ( p ) (C 2 + 1)AB(2) (C 2 + 1)
:
D(<) =
EF<':
D’où
b-
= L avec , =
HIJ/ ' ' K L
F(p) = F(jω) = HI
M
C’est l’équation d’un filtre passe- bas de premier ordre.
c-
On a ve(t) = 2 + cos (2πf1.t) + cos (2πf2.t)
2 =2. cos (2π(0).t) ; f1 =2 Khz < fc = 3.14khz et f2 =5 Khz > fc = 3.14khz .
D’où vs(t) = 2 + cos (2πf1.t)
Exemple 2 :
Soit le circuit RC de la figure ci-dessous :
i(t)
c
Ve(t) R Vs(t)
Figure (3.7) : Filtre RC.

a- Déterminer la fonction de transfert de ce montage.
b- Déduire la nature de ce filtre.
Réponse :
L’équation de maille donne :

TL
v (t) − Ri(t) − v (t) = 0
e C Ve (p) - RI(p) – Vc(p) =0
PQR ( )
De plus, pour le condensateur C, on a : N(O) =
P
P
Or on sait que : S TP $(O)U = 2. SV$ (O)W = 2. "(2)
TL
I = C .p VC
_________________________________________________________________________________
30
A@ % X % CX = 0 A@ = ( + C)X
I? I?
D’où
=Z H
= \ = \
=[ 'H '
Or H(p) =
]^ _R^
Donc *(+,) = \ = L a b , = HI
' K M
_R`L L
C’est l’équation d’un filtre passe- haut de premier ordre.
V. Notions de linéarité, stationnarité, causalité et stabilité des filtres
Il existe plusieurs types de systèmes qui peuvent être classés selon leur représentation, leurs réponses,
et leurs comportements. Chaque classe de système possède ses propres outils d’étude, d’analyse et de
synthèse.
A titre d’exemple :
Les systèmes linéaires, les systèmes continus, les systèmes échantillonnés(ou discrets).
V. 1. Linéarité
Un système est linéaire s’il possède la propriété suivante :

Si s1 (t ) est la sortie obtenue en appliquant e1 (t ) et s 2 (t ) est la sortie obtenue en appliquant
l’entrée e2 (t ) , alors pour tout α réel et pour tout β réel, en appliquant l’entrée :
αe1 (t ) + βe2 (t ) , le système génère la sortie : αs1 (t ) + βs 2 (t ) .
e1(t) s1(t)
Système
e2(t) s2(t)
Système
αe1 (t ) + βe2 (t ) Système αs1 (t ) + βs2 (t )
Figure (3. 8) : Système linéaire.

Cette propriété des systèmes linéaires est aussi appelée principe de superposition.
V. 2. Stationnarité
La stationnarité est l’invariance dans le temps.
On dit qu'un système est invariant lorsque les caractéristiques de comportement ne se
modifient pas dans le temps.
La réponse du système à un signal e(t ) différé d'un temps T est la même que la réponse s (t )
du système mais différée de T.
_________________________________________________________________________________
31
Entrée Entrée
e(t) e(t-T)
s(t)
T
Sortie Sortie
s(t) s(t-T)
s(t)
Figure (3.9) : Système invariant.
Si les coefficients de l’équation différentielle reliant l’entrée à la sortie sont constants alors le système
est stationnaire.
V. 3. Causalité :
Pour tout système causal, la cause précède la conséquence, donc l’entrée précède toujours la sortie.
Si le système est causal alors la réponse impulsionnelle est égale à zéro si t<0
V.4. Stabilité :
Un système est stable si pour toutes les entrées bornées, les sorties sont bornées, excité par une
impulsion de Dirac, le système partant de l’état de repos revient à sa position initiale après un certain
temps.
_________________________________________________________________________________
32
Le Filtrage analogique
1. ROLE
Il n’est pas un système électronique qui ne fasse appel à, au moins, un filtre. La

plupart en comporte en grande quantité.
Le filtrage est une forme de traitement de signal, obtenu en envoyant le signal à travers
un ensemble de circuits électroniques, qui modifient son spectre de fréquence et/ou sa phase
et donc sa forme temporelle.
Il peut s‘agir soit :
- d’éliminer ou d’affaiblir des fréquences parasites indésirables

- d’isoler dans un signal complexe la ou les bandes de fréquences utiles.
Applications :
f systèmes de télécommunication (téléphone, télévision, radio, transmission de

données…)
f systèmes d’acquisition et de traitement de signaux physiques (surveillance
médicale, ensemble de mesure, radars… )
f alimentation électrique….
2.DIFFERENTS TYPES DE FILTRES

On classe les filtres en deux grandes familles : ANALOGIQUE et NUMERIQUE.
Les filtres numériques sont réalisés à partir de structure intégrée microprogrammable

(DSP). Ils sont totalement intégrables, souples et performants.
Ils sont utilisés chaque fois que c’est possible. Ils sont pour l’instant limités à des fréquences
pas trop élevées ( < 100MHz ).
On ne les utilisera pas si on doit limiter la consommation et ils nécessitent un pré-filtrage pour
éviter le repliement spectral avant la numérisation du signal et un post-filtre de lissage.
Les filtres analogiques se divisent eux mêmes en plusieurs catégories :
- les filtres passifs qui font appels essentiellement à des inductances de haute qualité
et des condensateurs. Jusque dans les années 70, c’était les seuls filtres conçus. Ils
sont actuellement utilisés pour les hautes fréquences. (utilisation de quartz)
- les filtres actifs sont constitués de condensateurs, de résistances et d’éléments

actifs qui sont essentiellement des AIL. Ils sont moins encombrants, faciles à
concevoir et moins coûteux que les filtres passifs mais restent limités en fréquence
( < 1MHz à cause de l’AIL). Ils consomment plus et nécessitent une source
d’alimentation.
Remarque :
Depuis le début des années 80 sont apparus des filtres actifs à capacité commutée. Ils
permettent de programmer la fréquence de coupure et d’être intégrable.
Les filtres analogiques

1
TYPE COMPOSANTS SPECIFITES
f Signaux numérisés
Filtre f F < 100MHz
Circuits logiques intégrés
numérique f convient en grande série
f entièrement programmable
Circuit discret L et C, f F élevée

Filtres passifs Composants piézoélectriques f pas d’alimentation
(quartz) f non intégrable
f F < 1 MHz
Filtres actifs AIL, R et C f besoin d’alimentation
f tension filtrée faible < 12V
f F < qq MHz
Filtres à
AIL, Interrupteur commandé MOS, f besoin d’alimentation
capacité
R et C intégré f intégrable
commutée
f fréquence programmable
2.1.Filtres à capacité commutée

Un des plus connus est le MF10
Phase 1 :S1 fermé, S2 ouvert : u c = v1 et Q1 = C ⋅ v1

Phase 2 :S1 ouvert, S2 fermé : u c = v 2 et Q2 = C ⋅ v 2
Sur un cycle (une période de la fréquence de commutation des interrupteurs), il a circulé entre
∆Q
. ∆Q = C (v1 − v 2 ) et ∆t = on a alors i = C (v1 − v 2 ) f
1
v1 et v 2 ∆Q = Q1 − Q2 ; or i =
∆t f
1 1
donc v1 − v 2 = i ⋅ = Req ⋅ i avec Req = .Si f varie, alors Req varie : cela va nous
Cf Cf
permettre de réaliser des filtres adaptatifs.

2
2.2.Calculateur
Le cœur du montage peut être composé d’un DSP, d’un microprocesseur ou d’une structure
câblée (FPGA ou CPLD).
Contraintes :
1
• Respect du théorème de Shannon ( Te = )
fe
• Le temps de calcul Tc doit être plus petit que Te . Plus Tc se rapproche de Te , plus on
déphase la sortie vis-à-vis du signal d’entrée.
3.RAPPELS SUR LA THEORIE DU FILTRAGE
3.1.Notion de fonction de transfert
Le comportement d’un filtre est défini par l’étude

V1 V2 fréquentielle de la fonction de transfert entre la tension
H de sortie et la tension d’entrée du filtre
V2
H ( jω ) =
V1
H dB = 20•log V2 ϕ = Argument [H ( jω )]
V1
3.2.Notion de fonction d’atténuation
Parfois, on préfère définir un filtre par rapport à l’atténuation qu’il amène sur la grandeur
d’entrée :
1 V1
A( jω ) = =
H ( jω ) V 2
3.3.Filtre réel – Gabarit
Un filtre idéal présente :

- un affaiblissement nul dans la bande de fréquence que l’on désire conserver
(Bande passante)
- un affaiblissement infini dans la bande que l’on désire éliminer (Bande atténuée)
Il est impossible pratiquement de réaliser de tels filtres. Aussi se contente-t-on d’approcher

cette réponse idéale en :
- conservant l’atténuation A inférieure à Amax dans la bande passante
- conservant l’atténuation A supérieure à Amin dans la bande atténuée
Cela conduit ainsi à définir un gabarit définissant des zones interdites et des zones
dans lesquelles devront impérativement se situer les graphes représentant l’atténuation du
filtre en fréquence.
Suivant le type de réponse que l’on désire obtenir, on est amené à définir 4 familles de
filtres :

3
Passe-bas Passe-haut
A(dB) A(dB)
f f
fp fa fa fp
Passe-bande
Coupe-bande
A(dB) A(dB)
f f
fa- fP- fP+ fa+ fP- fa- fa+ fP+
3.4.Notion de sélectivité et de bande relative
Au lieu de conserver explicitement les fréquences frontières comme paramètres de calcul, il

est plus simple et plus parlant de leur substituer les paramètres équivalents (mais sans
dimension ) que sont la sélectivité k et la largeur de bande relative B.
Fréquence de
Type de filtre Sélectivité k Bande relative B
référence
fp
Passe-bas fp
fa
fa
Passe-haut fa
fp
f p+ − f p− f p+ − f p−
Passe-bande fo
f a+ − f a− fo
f a+ − f a− f a+ − f a−
Coupe-bande fo
f p+ − f p− fo
Pour un filtre très sélectif, k tend vers 1.

4
3.5.Notion de temps de propagation de groupe
dϕ
Il est défini par : τ=
dω
Il caractérise le retard apporté par le filtre sur les différents harmoniques du signal d’entrée.
Pour ne pas apporter de distorsion, il faut que chaque harmonique soit déphasé de ϕ
proportionnel à ω .
Remarque : pour un signal audio, il faut qu’il soit constant
3.6. Représentation en diagramme de Bode
3.6.1. Convention de la représentation
Elles sont au nombre de deux :

• l’échelle des fréquences ou des pulsations est logarithmique
• la courbe de module est graduée en décibels : db ( H dB = 20•log V2 )
V1
3.6.2. Graduation logarithmique de la fréquence
Dans ce type de graduation il y a autant de distance entre 1 et 2 qu’entre 2 et 4 et qu’entre 20

et 40. Dans ce type de graduation, le 0 n’apparaît jamais, il est rejeté à l’infini à gauche. On
peut graduer cet abscisse en fréquence, en pulsation, en pulsation réduite ou en p.
3.6.3. Représentation sur des échelles semi-log
Le module en décibel et l’argument sont représentés sur du papier semi logarithmique :

graduation linéaire en ordonnée et logarithmique en abscisse. Mais en réalité, le fait de tracer
la relation H dB = 20•log V2 va conférer au système une représentation « log - log ».
V1
3.6.4. Représentation sur des échelles semi-log
Ce type de représentation représente un double avantage :

• Elle permet de faire une compression des données en préservant la représentation des
faibles valeurs.
• Tout monôme ( f ( x ) = ax n ) se représente par une droite dont la pente dépend de son
degré.
On profite également des propriétés du log en ordonnée, le produit se traduisant par une
somme : les sommes graphiques sont très faciles à traiter.
3.6.5. Caractéristique de l’argument
Elle n’est pas touchée en ordonné, l’abscisse est toujours logarithmique. La propriété de
l’argument (argument de A.B=arg A+ arg B) se traduit par une somme graphique dans bode.

5
4. FILTRE PASSIF
4.1. Filtre passif pédagogique
4.1.1. Filtre passe bas
4.1.1.1. Constitution
4.1.1.2. Fonction de transfert
Vs 1
=
Ve 1 + jRCω
Vs 1
=
Ve L
1+ jω
R
4.1.1.3. Forme générale
Vs A 1 R
= . Par identification on trouve : A = 1 et ω 0 = ou ω 0 = .
Ve ω RC L
1+ j
ω0
4.1.1.4. Représentation
Vs 1
Module : =
Ve ⎛ω ⎞
2
1 + ⎜⎜ ⎟⎟
⎝ ω0 ⎠
⎛ Vs ⎞ ⎛ω ⎞ ⎛ω⎞
Argument : ϕ = arg⎜ ⎟ = arctg (0 ) − arctg ⎜⎜ ⎟⎟ = − arctg ⎜⎜ ⎟⎟
⎜ Ve ⎟ ⎝ ω0 ⎠ ⎝ ω0 ⎠
⎝ ⎠
4.1.1.5. Le module
⎛ ⎞
⎜ ⎟
⎜ ⎟ ⎡ ⎛ ω ⎞2 ⎤ ⎡ ⎛ω 2
⎤
Vs
⎜ 1 ⎟ 1 ⎞
En décibel : = 20 log = −20 ⋅ ⋅ log ⎢1 + ⎜⎜ ⎟⎟ ⎥ = −10 log ⎢1 + ⎜⎜ ⎟⎟ ⎥
Ve ⎜ 2 ⎟ 2 ⎢⎣ ⎝ ω 0 ⎠ ⎥⎦ ⎢⎣ ⎝ ω 0 ⎠ ⎥⎦
db ⎛ ω
⎜ 1+ ⎜ ⎟ ⎟ ⎞
⎜ ⎜ω ⎟ ⎟
⎝ ⎝ 0⎠ ⎠
Vs
Limite en 0 : lim = 0 : on a une asymptote horizontale à − 0db .
ω →0 V
e
db

6
2
Vs Vs ⎛ω ⎞ ⎛ω ⎞
Limite à l’infini : lim = −∞ : ≈ − 10 log⎜⎜ ⎟⎟ = −20 log⎜⎜ ⎟⎟
ω →∞ Ve
db
Ve ω → ∞
db
⎝ ω0 ⎠ ⎝ ω0 ⎠
Si on parcourt une décade : de ω à 10ω :
ω ⎛ω ⎞
: − 20 log⎜⎜ ⎟⎟
ω0 ⎝ ω0 ⎠
10ω ⎛ 10ω ⎞ ⎛ω ⎞ ⎛ω ⎞
: − 20 log⎜⎜ ⎟⎟ = −20 log⎜⎜ ⎟⎟ − 20 log 10 = −20 log⎜⎜ ⎟⎟ − 20
ω0 ⎝ ω0 ⎠ ⎝ ω0 ⎠ ⎝ ω0 ⎠
Le passage d’une décade à l’autre retire 20db à l’asymptote : nous avons une asymptote à
− 20db / décade
Remarque :
- si on multiplie par 2 la fréquence, la pente est la même mais s’exprime par
− 6db / octave = −20db / décade .
ω
- La droite asymptotique passe par 0db pour = 1 (mais pas la courbe réelle).
ω0
ω Vs ⎛ 1 ⎞
Pour la courbe réelle : pour = 1, = − 10 log(2 ) = 20 log⎜ ⎟ = −3db
ω0 Ve ⎝ 2⎠
db
4.1.1.6. L’argument
Limite en 0 : lim ϕ = 0 : on a une asymptote horizontale en 0

ω →0
ω π
Pour = 1, ϕ = −
ω0 4
π π
Limite à l’infini : lim ϕ = − : on a une asymptote horizontale en − .
ω →∞ 2 2
4.1.1.7. Tracés
H ( jω ) dB
log ω
arg H ( jω ) log ω

7
4.1.1.8. Pulsation de coupure
Dans la pratique, la coupure n’est pas aussi nette que dans les filtres idéaux. On considère que
la pulsation de coupure est atteinte si l’atténuation a diminué d’un certain nombre de db par
rapport au plateau. Par référence aux filtres du premier ordre, le calcul de la pulsation de
coupure ω c se fait, sauf précision contraire, pour une atténuation de − 3db .
Vs Vs
H ( jω c ) dB = = − 3db .
Ve Ve
db à ωc db au plateau
2
Vs
2
Vs Ve
=
plateau
Cela revient au calcul suivant sans les décibels : .
Ve 2
ωc
Si la coupure est calculée à − 6db , la division sera par 4 au lieu de 2.

On ne doit pas confondre coupure et cassure. Pour un premier ordre :
2
Vs
Vs 1 Ve 1 ⎛ ωc ⎞
2
= =
plateau
= : on en tire que ⎜⎜ ⎟⎟ = 1 , c-a-d que ω c = ω 0 .
⎝ ω0
2
Ve ⎛ ω ⎞ 2 2 ⎠
db à ωc
1 + ⎜⎜ c ⎟⎟
⎝ ω0 ⎠
Dans un premier ordre, pulsations de coupure ( ω c ) et cassure ( ω 0 ) sont confondues. Pour les
filtres d’ordre supérieur, ω c < ω 0 .

8
4.1.2. Filtre passe bas du deuxième ordre RLC

1
Vs jCω 1
= =
Ve
R + jLω +
1 1 + jRCω − LCω 2
jCω

A
2
ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
Par identification on obtient :
m: coefficient d’amortissement et ω 0 est la pulsation propre. On remarque que L et C règle

ω 0 et que si R est variable de 0 à l’infini ω 0 et m sont pratiquement indépendants.
4.1.2.4. Étude du polynôme du dénominateur
4.1.2.4.1. Factorisation
2
⎛ω ⎞ ω ω
− ⎜⎜ ⎟⎟ + 2mj + 1 est un polynôme du second degré en j que l’on peut chercher à
⎝ ω0 ⎠ ω0 ω0
⎛ ω ⎞⎛ ω ⎞
factoriser sous la forme ⎜⎜1 + j ⎟⎟⎜⎜1 + j ⎟⎟ , avec ω1 et ω2 réels. Par identification , on
⎝ ω1 ⎠⎝ ω 2 ⎠
( )
montre que : ω1, 2 = ω 0 m ± m 2 − 1 si m ≥ 1 .

9
Si m ≥ 1 , ω 0 = ω1ω 2 est la moyenne géométrique de ω1 et ω2 . Sur une échelle
logarithmique, ω1 et ω2 seront placés de part et autre de ω 0 et de façon symétrique.
4.1.2.4.2. Intérêt de la factorisation

Vs 1 1
Si m ≥ 1 , on peut écrire : = ⋅ .
Ve ω ω
1+ j 1+ j
ω1 ω2
⎛ ⎛ ω ⎞ ⎞⎟
2 ⎛ ⎛ ω ⎞ ⎞⎟
2
Vs ⎜ ⎜
Soit en décibel : = − 20 log⎜ 1 + ⎜⎜ ⎟⎟ ⎟ − 20 log⎜ 1 + ⎜⎜ ⎟⎟ ⎟ .
Ve
db
⎜
⎝ ⎝ ω1 ⎠ ⎟⎠ ⎜
⎝ ⎝ ω 2 ⎠ ⎟⎠
Pour le module en db on peut additionner deux courbes du premier ordre dont on peut donner
les diagrammes asymptotiques.

10
⎛ Vs ⎞
Pour l’argument on a : ϕ = arg⎜ ⎟ = − arctg ⎛⎜ ω ⎞⎟ − arctg ⎛⎜ ω ⎞
⎟⎟ :
⎜ Ve ⎟ ⎜ω ⎟ ⎜ω
⎝ ⎠ ⎝ 1⎠ ⎝ 2 ⎠

11
4.1.2.4.3. Surtension
Si m < 1 on ne peut pas factoriser, on ne peut travailler qu’avec un diagramme asymptotique à

deux asymptotes (horizontale à − 0db et puis une droite à − 40db / décade ).
On constate que, suivant les valeurs de m, on peut assister à une surtension en sortie due à des
conditions de fonctionnement proches d’un phénomène de résonance.
⎛ Vs ⎞ 1 1
Remarque : si on prend ω = ω 0 , alors ⎜ ⎟ = =
⎜ Ve ⎟ 2
⎝ ⎠ ω =ω 0 ω ⎛ω ⎞ 2mj
1 + 2mj −⎜ ⎟⎟
ω 0 ⎜⎝ ω 0 ⎠
1
On peut constater que si m < alors la valeur efficace de Vs > Ve . On aura
2
aussi Vs et Ve en quadrature. On peut alors extraire m : on remarque que pour
1 Ve
cette pulsation m = . En pratique, le détection de 2 signaux en quadrature
2 Vs
est facile, ce qui permet en un point de mesure de déterminer ω 0 et m .
Pour étudier le phénomène de surtension, il suffit d’analyser les variations de notre fonction
de transfert et de détecter un extremum. On montre que cette surtension est possible si
1 Vs 1
m≤ , il a lieu pour ω = ω max = ω 0 1 − 2m 2 et ce maximum vaut = .
2 Ve
ω =ω max
2 m 1 − m 2

12
En récapitulatif :
1
m 0 1 ∞
2
Décomposable non non non non oui oui oui
ω1 ω0 (
ω0 m − m − 1
2
) 0
ω2 ω0 ω (m +
0 m2 − 1) ∞
Surtension oui oui oui non non non non
ωmax ω0 ω0 1 − 2m 2
0
1
Maximum ∞ 1
2m 1 − m 2

13
4.1.3. Filtre passe bas du deuxième ordre par la mise en cascade de 2 premier ordre

Vs 1
On montre que =
Ve 1 + 3 jRCω + ( jRCω )2
A 1 3
Par identification à 2
on trouve : ω 0 = et m = .
ω ⎛ ω ⎞ RC 2
1 + 2mj + ⎜⎜ j ⎟⎟
ω0 ⎝ ω0 ⎠
On peut donc le mettre sous la forme :
Vs 1 1 3− 5 3+ 5
= ⋅ avec de ω1 = et ω2 = .
Ve ω ω 2 RC 2 RC
1+ j 1+ j
ω1 ω2
4.1.3.3. Tracés

14
4.1.4. Filtre passe haut du premier ordre

Vs jRCω
=
Ve 1 + jRCω
L
Vs ω
j
= R
Ve L
1+ j ω
R

15
ω
A. j
Vs ω0 1 R
= . Par identification on trouve : A = 1 et ω 0 = ou ω 0 = .
Ve ω RC L
1+ j
ω0
4.1.4.4. Tracés
⎛ Vs ⎞ π π
Argument : ϕ = arg⎜ ⎟ = − arctg ⎛⎜ ω ⎞
⎟⎟ . Il suffit d’ajouter au terme d’un passe bas.
⎜ Ve ⎟ 2 ⎜ω
⎝ ⎠ ⎝ 0 ⎠ 2

16
4.1.5. Filtre passe haut du deuxième ordre

Vs − LCω 2
=
Ve 1 + jRCω − LCω 2

2
⎛ ω ⎞
A.⎜⎜ j ⎟⎟
Vs ⎝ ω 0 ⎠
= 2
.
Ve ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
1 R C
Par identification on trouve : A = 1 et ω 0 = et m = .
LC 2 L
4.1.5.4. Tracés
⎡⎛ 2
⎞
2 2⎤
Vs ⎛ω ⎞ ⎛ω ⎞ ⎟ + 4m 2 ⎛⎜ ω ⎞ ⎥
= 40 log⎜⎜ ⎟⎟ − 10 log ⎢⎜1 − ⎜⎜ ⎟⎟ ⎜ω ⎟⎟
Ve ⎝ ω0 ⎠ ⎢⎜ ⎝ ω 0 ⎠ ⎟ ⎝ 0 ⎠ ⎥⎥
db ⎢⎣⎝ ⎠ ⎦
C’est la somme du passe bas du deuxième ordre avec une droite de + 40db / décade passant
ω
par 0db pour = 1.
ω0

17
Pour l’argument, le numérateur amène un déphasage de π par rapport au filtre passe bas du
deuxième ordre.

18
Pour différentes valeurs de m on obtient :
4.1.6. Filtre passe-bande
Les filtres passe-bande sont constitués de deux parties :
- une partie qui fait chuter la tension de sortie à basse fréquence,
- une partie qui fait chuter la tension de sortie à haute fréquence.
On pourra avoir un passe-bande avec :
- un circuit RLC,
- une association en cascade d’un passe-haut et d’un passe-bas,
- des montages spécifiques.

19
4.1.6.2. Fonction de transfert, forme générale
ω
j
Vs ω0
= A 2
Ve ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
4.1.6.3. Déterminations et caractérisations
4.1.6.3.1. Pulsations de coupure
La bande passante est la plage des fréquences ou de pulsations comprise entre les fréquences
ou les pulsations de coupure. Ces deux valeurs marquent la bande passante du filtre.
Vs
Les pulsations de coupure sont calculées à partir de la valeur maximale de .
Ve
Vs
La pulsation ω max permettant d’accéder au maximum s’obtient en transformant :
Ve
Vs A A
= =
Ve ω0 ω ⎛ ω ω0 ⎞
+ 2m + j j ⎜⎜ − ⎟⎟ + 2m
jω ω0 ω
⎝ 0 ω ⎠
⎛ Vs ⎞ A
Le maximum est atteint pour ω = ω max = ω 0 , alors ⎜ ⎟ = .
⎜ Ve ⎟
⎝ ⎠ ωmax 2m
La calcul des pulsations de coupure ω Ci se fait généralement à − 3db . Ainsi on a :
2
Vs
2
Vs A2 Ve A2
=
plateau
2
= = 2.
Ve ⎛ ω Ci ω 0 ⎞ 2 8m
ω Ci ⎜⎜ − ⎟⎟ + 4m 2
⎝ ω 0 ω Ci ⎠
Par résolution de l’équation (équation du 2nd ordre) on obtient :
ω C1 = ω 0 ( (1 + m ) − m) et ω
2
C2 = ω0 ( (1 + m ) + m)
2
On peut remarquer que : ω C1ω C 2 = ω 0 . Le maximum se produit pour la moyenne

2
géométrique des 2 pulsations de coupure.

20
4.1.6.3.2. Sélectivité du filtre
Une grandeur importante pour un filtre passe bande est sa sélectivité. Elle est notée par le
ω0 ω0 1
coefficient de qualité Q = =
(( ) ) ((
ω C 2 − ω C1 ω 0 1 + m + m − ω 0 1 + m − m 2m
2 2
=
) )
4.1.6.4. Passe bande RLC
On a la fonction de transfert :
Vs R jRCω
= =
Ve
R + jLω +
1 1 + jRCω − LCω 2
jCω
ω
j
ω0
Par identification à la forme canonique : A 2
on a :
ω ⎛ ω⎞
1 + 2mj +⎜ j ⎟
ω0 ⎜⎝ ω0 ⎟⎠
1 R C C
ω0 = , m= et A = R = 2m .
LC 2 L L
ω
Toutes les courbes passent au point 0db pour = 1 : c’est la résonance série de courant où
ω0
les impédances de L et C s’annulent réciproquement, l’ensemble L et C se comportent comme
un fil et Vs = Ve .

21
Toutes les courbes n’ont pas le même diagramme asymptotique. Par exemple, si m ≥ 1 , on
ω
2mj
peut écrire :
Vs
Ve ⎛
=
ω ⎞⎛
ω0
ω ⎞
(
avec ω1, 2 = ω 0 m ± m 2 − 1 . )
⎜⎜1 + j ⎟⎟⎜⎜1 + j ⎟
⎝ ω1 ⎠⎝ ω 2 ⎟⎠
Pour m = 2 , on a un système à quatre asymptotes :
4.1.6.5. Passe bande par association d’un passe haut et d’un passe bas
Vs jRCω
On obtient la fonction de transfert suivante : = .
1 + 3 jRCω + ( jRCω )
2
Ve

22
ω
j
ω0
Par identification à la forme canonique : A 2
ω ⎛ ω⎞
1 + 2mj +⎜ j ⎟
ω0 ⎜⎝ ω0 ⎟⎠
1 3
avec : ω 0 = , m = et A = 1 .
RC 2
4.1.6.6. Pont de Wien
Vs jRCω
On obtient la fonction de transfert suivante : = ; c-a-d la fonction
1 + 3 jRCω + ( jRCω )
2
Ve
de transfert résultant de l’ association d’un passe haut et d’un passe bas.
4.1.7. Filtre réjecteur de bande : le circuit bouchon


Vs − LCω 2 + 1
=
Ve L
1 + j ω − LCω 2
R
2
⎛ ω ⎞
1 + ⎜⎜ j ⎟⎟
⎝ ω 0 ⎠
A 2
ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
1 1 L
Par identification à la forme canonique on obtient : : ω 0 = , m= et A = 1 .
LC 2R C
4.1.7.4. Tracés
ω
Les diagrammes ci-dessous on été calculés pour m = 1 . La valeur à = 1 est en réalité à
ω0
ω0 1
− ∞ . Le coefficient de qualité Q = ≅ 0,5 = .
ω c 2 − ω c1 2m

23
L’argument :

24
4.1.8. Passe tout
4.1.8.1. Fonction
On cherche à déphaser le signal de sortie par rapport au signal d'entrée.
4.1.8.2. Montage

⎛ 1 ⎞ ⎛ ⎞
⎜ ⎟ ⎜ ⎟
Vs = V1 − V2 = Ve ⋅ ⎜
jCω ⎟ −V ⋅⎜ R ⎟ = V ⋅ ⎛⎜ 1 − jRCω ⎞⎟
e ⎜ ⎟
⎜ 1 ⎟ e ⎜ 1 ⎟ ⎝ 1 + jRCω ⎠
⎜R+ ⎟ ⎜R+ ⎟
⎝ jCω ⎠ ⎝ jCω ⎠

25
Dont on tire:
Vs
= 1 = cste
Ve
⎛ Vs ⎞
Arg ⎜ ⎟ = −2 ⋅ arctan(R ⋅ C ⋅ ω ) = ϕ
⎜ Ve ⎟
⎝ ⎠
La tension de sortie est donc déphasée par rapport à la tension d'entrée.
ω
1− j
ω0
A
ω
1+ j
ω0
4.1.8.5. Application: ligne à retard
Si le signal d'entrée est périodique de fréquence f, si sa décomposition en série de Fourier
est telle que les harmoniques les plus significatives s'arrêtent au rang i et enfin si
1 ω
iω = i 2πf << , on a alors ϕ ≅ −2 RCω = − . Avec :
RC ω'
ve (t ) = E 0 + E1 sin (ωt + θ1 ) + E 2 sin (2ωt + θ 2 ) + ... + Ei sin (iωt + θ i )
On a :
⎛ ω⎞ ⎛ ω⎞ ⎛ ω⎞
v s (t ) = E 0 + E1 sin⎜ ωt + θ1 − ⎟ + E 2 sin⎜ 2ωt + θ 2 − 2 ⎟ + ... + E i sin ⎜ iωt + θ i − i ⎟
⎝ ω' ⎠ ⎝ ω' ⎠ ⎝ ω' ⎠
⎛ ⎛ 1⎞ ⎞ ⎛ ⎛ 1⎞ ⎞ ⎛ ⎛ 1⎞ ⎞
= E 0 + E1 sin ⎜⎜ ω ⎜ t − ⎟ + θ1 ⎟⎟ + E 2 sin ⎜⎜ 2ω ⎜ t − ⎟ + θ 2 ⎟⎟ + ... + E i sin ⎜⎜ iω ⎜ t − ⎟ + θ i ⎟⎟
⎝ ⎝ ω' ⎠ ⎠ ⎝ ⎝ ω' ⎠ ⎠ ⎝ ⎝ ω' ⎠ ⎠
= 2 RC : v s (t ) = v e (t − 2 RC )
1
On constate que le signal de sortie est décalé dans le temps de
ω'

26
4.1.9. Tableau des formes canoniques
Type Forme canonique

Passe bas du 1er ordre A
ω
1+ j
ω0
Passe bas du 2nd ordre A
2
ω ⎛ ω ⎞
m: coefficient d’amortissement 1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
Passe haut du 1er ordre ω
A. j
ω0
ω
1+ j
ω0
Passe haut du 2nd ordre ⎛ ω ⎞
2
A.⎜⎜ j ⎟⎟
⎝ ω0 ⎠
2
ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
Passe bande ω
j
ω0
ω0 A
Facteur de qualité Q =
2
ω ⎛ ω ⎞
ω c 2 − ω c1 1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
Coupe bande (réjecteur) ⎛ ω ⎞
2
1 + ⎜⎜ j ⎟⎟
ω0 ⎝ ω 0 ⎠
Facteur de qualité Q = A 2
ω c 2 − ω c1 ω ⎛ ω ⎞
1 + 2mj +⎜ j ⎟
ω 0 ⎜⎝ ω 0 ⎟⎠
Passe tout ω
1− j
ω0
A
ω
1+ j
ω0
2
ω ⎛ ω ⎞ ⎛ ω ⎞⎛ ω ⎞
Le terme 1 + 2mj +⎜ j ⎟ peut se mettre sous la forme : ⎜⎜1 + j ⎟⎟⎜⎜1 + j ⎟ avec
ω 0 ⎜⎝ ω 0 ⎟⎠ ⎝ ω1 ⎠⎝ ω 2 ⎟⎠
( )
ω1, 2 = ω 0 m ± m 2 − 1 si m ≥ 1 .
1
De plus, si m ≤ alors on montre pour que pour un passe bas ou un passe haut du 2nd ordre
2
Vs 1
il va y avoir une surtension en sortie à ω max = ω 0 1 − 2m 2 : = .
Ve
ω =ω max
2m 1 − m 2

27
36
IV Echantillonnage
1°) - Echantillonnage idéal.

L'évolution constante, observée depuis 15 ans dans le
domaine des circuits intégrés, a transformé le monde des
applications. En effet, la puissance des calculateurs, et plus
particulièrement des processeurs spécialisés en traitement du
signal, permet de traiter numériquement un grand nombre de
problèmes. Rendant obsolètes certains traitements analogiques.
De plus le numérique autorise des opérations interdites en
analogique (Filtrage Non-Causal, modulation temporelle, ...).
Cette numérisation du signal nécessite dans un premier

temps l'échantillonnage du signal puis sa quantification .
- L'échantillonnage correspond à une discrétisation en temps

du signal.
- La quantification permet d'associer une valeur numérique à
l'échantillon prélevé. C'est une discrétisation en amplitude. Les
valeurs discrètes obtenues sont codées sur un ou plusieurs bits.
x(t)
t
-Te Te 2Te
L'objectif du traitement numérique du signal est d'extraire

les informations contenues dans le signal analogique initial x(t).
Il est donc impératif de conserver ces informations après
échantillonnage. Pour cela nous étudierons les différentes
opérations temporelles et fréquentielles effectuées.
Soient x(t) le signal analogique et xe ( t ) le signal

é c h a n t i l l o n n é . S o i e n t Te l a p é r i o d e d ' é c h a n t i l l o n n a g e e t Fe = 1 Te l a
f r é q u e n c e d ' é c h a n t i l l o n n a g e . L e s i g n a l xe ( t ) e s t o b t e n u p a r
multiplication de x(t) par un peigne de Dirac.
+∞
x e ( t ) = x( t ) | _ I_ |T ( t ) = x( t ) ∑ δ( t - n Te )
-∞
37
d'où :
+∞
x e (t) = ∑ x( nT )δ( t - n T )
n = -∞
e e
Pour ne perdre aucune information, il faut que cette

t r a n s f o r m a t i o n ( x( t ) → x e ( t ) ) s o i t r é v e r s i b l e .
D é t e r m i n o n s l e s p e c t r e Xe ( f ) d u s i g n a l xe ( t ) :
X e (f ) = TF{x e ( t )} = TF{x ( t ) | _I_ |Te ( t )}

+∞
⎛ n ⎞
X e (f ) = X(f ) * TF{| _I_ |Te ( t )} = X(f ) *
1
∑ δ⎜⎜ f − T ⎟⎟
Te n = −∞ ⎝ e ⎠
1 +∞
⎛ n ⎞
X e (f ) = ∑ X(f ) * δ⎜⎜ f − T ⎟⎟
Te n = −∞ ⎝ e ⎠
1 +∞
⎛ n⎞
X e (f ) =
Te
∑ X⎜⎝ f
n = −∞
− ⎟
Te ⎠
C e t t e r e l a t i o n m o n t r e q u e Xe ( f ) e s t o b t e n u e , à u n f a c t e u r p r è s
( 1 Te ) , p a r u n e s i m p l e p é r i o d i s a t i o n e n f r é q u e n c e d u s p e c t r e X( f ) .
L e s p e c t r e e s t r e p r o d u i t t o u s l e s Fe = 1 Te . C e t t e p é r i o d i s a t i o n p e u t
s'effectuer suivant trois cas de figures:
1 ° ) : X( f ) e s t à s u p p o r t b o r n é , s a f r é q u e n c e d e c o u p u r e e s t Fc e t
Fe > 2 Fc .
X(f) Te Xe(f)
f f
-Fc Fc -2Fe -Fe -Fc Fc Fe 2Fe
On constate qu'au prix d'un simple filtrage passe-bas idéal,

d e f r é q u e n c e d e c o u p u r e Fe / 2 , o n r e t r o u v e X( f ) , d o n c x ( t ) :
Les informations initiales ne sont pas perdues.

L a t r a n s f o r m a t i o n ( x( t ) → x e ( t ) ) e s t r é v e r s i b l e .
On a correctement échantillonné le signal.
2 ° ) : X( f ) e s t à s u p p o r t b o r n é , s a f r é q u e n c e d e c o u p u r e e s t Fc et
Fe < 2 Fc
38
X(f) Te Xe(f)
f f
-Fc Fc -2Fe -Fe Fe 2Fe
I l e s t c l a i r q u e l e s p e c t r e i n i t i a l X( f ) e s t d é f o r m é . On ne peut pas
o b t e n i r X( f ) à p a r t i r d e X e ( f ) , d o n c :
Les informations initiales sont perdues.

La transformation est irréversible.
On a mal échantillonné le signal.
Remarque :
S i a p r è s l ' é c h a n t i l l o n n a g e l e s s p e c t r e s t r a n s l a t é s X( f ) s e
chevauchent, on dit qu'il y a repliement spectral, recouvrement
spectral ou encore "aliasing".
3 ° ) : X( f ) e s t à s u p p o r t n o n - b o r n é .
Dans ce cas, il est évident qu'il y aura repliement spectral.
X(f) Te Xe(f)
f f
Il apparaît donc impossible d'échantillonner un tel signal.
En pratique, on filtrera le signal x(t) par un filtre passe bas

d e f r é q u e n c e d e c o u p u r e Fc , p u i s o n é c h a n t i l l o n n e r a l e s i g n a l d e
s o r t i e d u f i l t r e à u n e f r é q u e n c e Fe > 2 Fc .
x(t) Filtre y(t) ye (t)

Passe-Bas
Fc Echantillonneur Fe
T H E O R E M E D E S H A N N O N : " U n s i g n a l x ( t ) à s p e c t r e X( f )
borné sur l'intervalle [-Fc,Fc] est correctement échantillonné si
Fe > 2 Fc . "
Exemple :
x( t ) = cos(2πFo t ) ⇒ Fc = Fo et Fe > 2 Fo .
39
2°) - Reconstruction du signal.

P o u r r e t r o u v e r x ( t ) à p a r t i r d u s i g n a l é c h a n t i l l o n n é xe ( t ) , on
s u p p o s e r a q u e l e s i g n a l a é t é c o r r e c t e m e n t é c h a n t i l l o n n é ( Fe > 2 Fc
) . D é t e r m i n e r x ( t ) r e v i e n t à i s o l e r X( f ) d a n s X e ( f ) . C e c i est
p o s s i b l e e n m u l t i p l i a n t X e ( f ) p a r u n e p o r t e e n f r é q u e n c e ∏ Fe ( f ) de
2
h a u t e u r Te :
X( f ) = Te X e ( f ) ∏ Fe
2
(f )
(f) Te Xe(f)
Fe
2 1
f
-2Fe -Fe -Fe Fe Fe 2Fe
2 2
⎧ ⎫
x( t ) = TF − 1 {X( f )} = Te TF − 1 ⎨X e ( f ) ∏ Fe ( f )⎬
⎩ 2 ⎭
⎧ ⎫
x( t ) = Te x e ( t ) * TF − 1 ⎨∏ Fe ( f ) ⎬
⎩ 2 ⎭
+∞
x( t ) = Te ∑ x( nT )δ( t
n = −∞
e − nTe ) * Fe sinc ( π Fe t )
+∞
x( t ) = ∑ x( nT ) (δ( t
n = −∞
e − nTe ) * sinc ( π Fe t ))
d'où :
+∞
x( t ) = ∑ x( nT ) sinc (π
n = −∞
e Fe ( t − nTe ))
C'est la formule d'interpolation de SHANNON.
Remarques :
1°) Cette formule n'est pas utilisable en temps réel car elle
nécessite la connaissance à l'instant t de tous les échantillons
(−∞ → + ∞ ) .
2°)Sur-échantillonner n'apporte aucune information
supplémentaire.
3 ° ) L e s f o n c t i o n s s n ( t ) = sinc ( π Fe ( t − nTe )) s o n t o r t h o g o n a l e s . O n e n
déduit que toute fonction à spectre borné [-Fc,Fc] peut être
d é c o m p o s é e s u r l a b a s e {s n ( t )} .
40
4 ° ) E n s u p p o s a n t sn ( t ) t r è s p e t i t l o r s q u e n c r o î t , o n a p p r o c h e l a
formule d'interpolation en tronquant la formule à un petit nombre
d'échantillons.
N
∑ x( nT ) sinc (π Fe ( t − nTe ))
2
x( t ) ≈ e
N
n=−
2
Formule de POISSON
S o i t X( f ) l a T F d e x ( t ) . S o i t T u n r é e l q u e l c o n q u e , o n a :
+∞ +∞
1 ⎛ q⎞
∑ x( pT)
p = −∞
=
T
∑ X⎜⎝ T ⎟⎠
q = −∞
Dem :
+∞ +∞
+∞
∑
p = −∞
x( pT) = ∑∫
p = −∞
−∞
X( f ) e 2 πjfpT df
+∞
+∞ ⎡ +∞ ⎤
∑ x( pT) = ∫−∞
X( f ) ⎢ ∑ e 2 πjfpT ⎥ df
p = −∞ ⎣ p = −∞ ⎦
avec
+∞ +∞
I( f ) = ∑e 2 πjfpT
⇒ TF −1
{I( f )} = ∑ δ( t + pT) = | _ I_ |T ( t )
p = −∞ p = −∞
Par suite
+∞
⎛ q⎞
I( f ) = TF{| _ I_ |T ( t )} =
1 1
T
| _ I_ |T ( f ) =
T
∑ δ⎜⎝ f
q = −∞
− ⎟
T⎠
d ' où :
+∞ +∞
1 +∞ ⎛ q⎞
∑
p = −∞
x( pT) =
T
∑∫
q = −∞
−∞
X( f ) δ⎜ f − ⎟ df
⎝ T⎠
Soit
+∞ +∞
1 ⎛ q⎞
∑ x( pT)
p = −∞
=
T
∑ X⎜⎝ T ⎟⎠
q = −∞
3°) - Sous-échantillonnage.
On appelle sous-échantillonnage, l'échantillonnage d'un
signal à une fréquence inférieure à celle de SHANNON, c'est à
d i r e t e l l e q u e Fe < 2 Fc . C e c i n ' e s t p o s s i b l e q u e d a n s l e c a s
suivant.
Soit x(t) un signal dont le spectre est nul en dehors des

b a n d e s [ − F0 − B , − F0 + B ] ∪ [ F0 − B , F0 + B ] . ( E x : M o d u l a t i o n d ' a m p l i t u d e
d e p o r t e u s e F0 ) .
41
X(f)
X_ X+
-Fo-B -Fo -Fo+B Fo-B Fo Fo+B

f
O n s u p p o s e q u e F0 >> B , l e s i g n a l e s t d i t à b a n d e é t r o i t e .
Selon SHANNON, on devrait échantillonner x(t) avec une
fréquence Fe > 2 ( F0 + B ) . C e p e n d a n t , o n p e u t e x p l o i t e r l a n u l l i t é
d e s s p e c t r e s e n t r e l e s b a n d e s [ − F0 − B , − F0 + B ] e t [ F0 − B , F0 + B ] , e n
t r a n s l a t a n t l e s m o t i f s X+ e t X− d a n s c e t t e b a n d e e t e n p r e n a n t s o i n
q u e X+ e t X− n e s e c h e v a u c h e n t p a s .
S u p p o s o n s q u e l a k ième t r a n s l a t é e d e X − p r é c è d e X + , s a n s
r e c o u v r e m e n t , e t q u e l a k +1ième t r a n s l a t é e s u i v e X + , t o u j o u r s s a n s
recouvrement :
X(f)
kFe Fe
X_ X+
-Fo-B -Fo -Fo+B Fo-B Fo Fo+B f
kFe-Fo+B (k+1)Fe-Fo-B
Les bornes de ces translatées doivent vérifier les relations :
⎧ k Fe − F0 + B < F0 − B
⎨
⎩( k + 1) Fe − F0 − B > F0 + B
S o i t p o u r Fe , l a c o n d i t i o n :
2 ( F0 + B) 2 ( F0 − B)
< Fe <
k +1 k
2 ( F0 + B) 2 ( F0 − B)
Il faut de plus que : <
k +1 k
On obtient la condition suivante sur k:

42
F0 − B
k < avec k ∈ N
2B
Exemple :
2,01 10 6 1, 99 10 6
6
S i F0 = 10 Hz et B = 5 10 Hz 3
alors k<99,5 et < Fe < .
k +1 k
Si k = 99 ⇒ 20 , 100 KHz < Fe < 20 , 101 Khz

Si k = 24 ⇒ 80 , 04 KHz < Fe < 82 , 9 Khz
4°) - Echantillonnage pratique.

En pratique, l'échantillonnage ne peut être réalisé par une
i m p u l s i o n d e D i r a c . L ' é c h a n t i l l o n x e ( kTe ) e s t d o n c o b t e n u p a r
intégration du signal x(t) multiplié par une impulsion de largeur
θ a u t o u r d e kTe .
θ
kTe +
x e ( kTe ) = ∫ kTe −
θ
2
x( t ) h( t − kTe ) dt
2
où h(t) est une impulsion de forme quelconque et nulle en dehors

⎡ θ θ⎤
d e l ' i n t e r v a l l e ⎢−
2 ⎥⎦
, :
⎣ 2
h(t)
t
−θ θ
2 2
d'où :
+∞
x e ( kTe ) = ∫−∞
x( t ) h( t − kTe ) dt = C xh ( kTe ) = x( τ) * h( − τ) τ = kT
e
C e t t e r e l a t i o n i n d i q u e q u e t o u t e s l e s v a l e u r s x e ( kTe ) s o n t
portées par la fonction g(t)=x(t)*h(-t). Le signal discret xe(t) est
obtenu par échantillonnage idéal de g(t):
x e (t) = [ x( t ) * h( − t ) ] | _ I_ |Te ( t )
g(t) peut être considéré comme la sortie d'un filtre, de

réponse impulsionnelle h(-t), excité par x(t). La transformée de
F o u r i e r d e xe ( t ) s ' é c r i t :
43
1 +∞
⎛ n⎞
X e ( f ) = ( X( f ) H * ( f )) *
Te
∑ δ⎜⎝ f
n = −∞
− ⎟
Te ⎠
1 +∞
⎛ n ⎞ *⎛ n⎞
X e (f ) =
Te
∑ X⎜⎝ f
n = −∞
− ⎟ H ⎜f −
Te ⎠ ⎝
⎟
Te ⎠
L e s p e c t r e X e ( f ) e s t o b t e n u p a r p é r i o d i s a t i o n d u p r o d u i t X( f ) H * ( f ) .
R e m a r q u e : S i h ( t ) = δ (t) , o n r e t r o u v e l ' é c h a n t i l l o n n a g e i d é a l .
Comme θ est petit, h(t) a un spectre H(f) étendu. Il suffit

donc que la variation de H(f) soit faible pour que X(f) soit peu
modifié.
X(f)
H(f)
f
-Fc Fc
X(f) H(f)
Cas de l'échantillonneur moyenneur
1
D a n s c e c a s h( t ) =
θ
∏ θ2 ( t ) e t H( f ) = sin c ( π f θ) .
P o s o n s : θ = λ Te avec λ ∈ [0 , 1] e t Fe = 2αFc avec α > 1
On veut que la distorsion sur X(f) due à H(f), soit inférieure

à 1 % , p o u r l a f r é q u e n c e Fc . C ' e s t à d i r e :
X( Fc ) - X( Fc ) H ( Fc )
< 1%
X( Fc )
Soit:
1 − H ( Fc ) < 1 %
⎛ πλ ⎞
1 − sinc ( π Fc θ) = 1 − sinc⎜ ⎟ < 1 %
⎝ 2α ⎠
⎛ πλ ⎞
d ' o ù sinc ⎜ ⎟ > 0,99
⎝ 2α ⎠
ou encore par développement limité :
1 ⎛ πλ ⎞ λ
2
1 - ⎜ ⎟ > 0,99 ⇔ < 0,16

6 ⎝ 2α ⎠ α
44
Exemple : Si on échantillonne à la limite de SHANNON on a :
α = 1 soit λ < 0,16
L'ouverture θ d e l a p o r t e n e p e u t d o n c ê t r e s u p é r i e u r à λ Te , s o i t
0,16 Te .
1
θ < 0,16 Te et Te =
2 Fc
θ < 0,16 Te Te
λ max 1
S i p a r c o n t r e , o n a λ max = 1 alors α = et θ = Te avec Te =
0,16 13,2 Fc
Application
Une application de l'échantillonneur moyenneur est la

Modulation par Impulsions Codées (MIC). Pour diminuer les coûts
de la transmission téléphonique de signaux numérique, on utilise
un même échantillonneur pour plusieurs voies. On procède de la
façon suivante :
- soient Te l a p é r i o d e d'échantillonnage, θ le temps

d'ouverture de la porte et m1 ( t ), m2 ( t ), ..., m N ( t ) l e s s i g n a u x à
transmettre.
m1(t) m (t)
2
Te + θ
t t
0 Te θ
m3(t)
t
2θ
45
A c h a q u e f i n d ' a c q u i s i t i o n d ' u n é c h a n t i l l o n d u m e s s a g e mi ( t )
l ' é c h a n t i l l o n n e u r c o m m u t e s u r l e m e s s a g e mi +1 ( t ) . O n u t i l i s e a i n s i
l ' é c h a n t i l l o n n e u r d u r a n t t o u t e l a p é r i o d e Te ( = 1 2 5 μ s ) . S i θ = 4 μ s
T
a l o r s l e n o m b r e d e s i g n a u x t r a n s m i s e s t N = e = 30 + 1. C e s y s t è m e
θ
est appelé MIC 30 Voies ( + 1 voie de synchronisation ).
Reconstitution pratique du signal :
De même que l'échantillonnage idéal est irréalisable, la

reconstitution du signal x(t) à partir de la formule d'interpolation
de Shannon est impossible. On utilise donc des interpolateurs
plus simples. Appelons y(t) le signal reconstitué.
Interpolateur d'ordre 0 ou "Bloqueur ".
y(t) est constant par morceaux.
x(t)
y(t)
t
Te
y( t ) = x e ( kTe ) [
pour t ∈ kTe , ( k + 1) Te [
ou encore :
+∞
⎛ Te ⎞
y( t ) = ∑x
k = −∞
e ( kTe ) ∏ Te ⎜ t − kTe −
2 ⎝ 2⎠
⎟
Posons
⎛ Te ⎞
h( t ) = ∏ Te
2
⎜t −
⎝ 2⎠
⎟ alors :
+∞
y( t ) = ∑x
k = −∞
e ( kTe ) h ( t − kTe )
+∞
y( t ) = ∑x
k = −∞
e ( kTe ) δ ( t − kTe ) * h( t )
y( t ) = x e ( t ) * h( t )
d'où :
Y( f ) = X e ( f ) H ( f )
46
Comme pour l'échantillonnage pratique, on remarque que
Xe ( f ) e s t m o d i f i é p a r H ( f ) . L a d i s t o r s i o n s e r a d ' a u t a n t p l u s f a i b l e
que le spectre H(f ) (= sinc ( π f Te ) sera étendu, c'est à dire que Te
sera petit. On a donc, dans ce cas, intérêt à sur-échantillonner le
signal ( Fe>>2Fc ).
Remarque : Pour avoir Y(f)=X(f), il faut que H(f) soit une porte
de demi-largeur Fe/2. Par conséquent, h(t) doit être un sinus
cardinal. On retrouve la formule d'interpolation de SHANNON.
Interpolateur d'ordre 1.
Les points sont reliés par une droite.
⎡ x e (( k + 1) Te ) − x e ( kTe ) ⎤
y( t ) = x e ( kTe ) + ⎢ ⎥ ( t − kTe )
⎣ Te ⎦
x(t)
y(t)
t
47
V Transformée de Fourier Discrète (T.F.D)
1°) - Transformée de Fourier d'un signal

périodique et discret.
S o i t x ( t ) u n s i g n a l d é f i n i a u x i n s t a n t s kTe , p é r i o d i q u e e t d e
p é r i o d e T = NTe :
⎧ +∞
⎪x( t ) = ∑ x(kTe ) δ(t - kTe )
⎨ k = -∞
⎪⎩ x( t + NTe ) = x(t)
L e s i g n a l t r o n q u é s u r u n e p é r i o d e , xT ( t ) , s ' é c r i t :
N −1
x T (t) = ∑
k=0
x(kTe ) δ ( t − kTe )
d'où
N −1 +∞
x(t) = x T ( t ) * ⎣⊥⎦ T (t) = ∑
k=0
x(kTe ) δ ( t − kTe ) * ∑ δ(t - nT)
n = -∞
Alors
N -1
1 +∞
⎛ n ⎞
X(f) = ∑ x(kT ) e
k=0
e
- 2 πjfkTe
NTe
∑
n = -∞
δ⎜ f -
⎝
⎟
NTe ⎠
1 +∞
⎡ N -1 nk
⎤ ⎛ n ⎞
∑ ⎢ ∑ x(kTe ) e
- 2 πj
⎥ δ⎜ f - NT ⎟
N
X( f ) =
NTe n = -∞ ⎣k = 0 ⎦ ⎝ e⎠
N -1 kn
∑
- 2 πj
N
S o i t X( n) = x(kTe ) e
k=0
1 +∞
⎛ n ⎞
X( f ) =
NTe
∑ X(n) δ⎜⎝ f
n = -∞
- ⎟
NTe ⎠
Comme prévu, le spectre n'est défini qu'aux fréquences

1 1
multiples de = ( car le signal est périodique (T) ). De plus
NTe T
l e s i g n a l x ( t ) é t a n t d i s c r e t ( Te ) , l e s p e c t r e e s t p é r i o d i q u e e t d e
1
période = Fe
Te
Dem :
48
⎛ 1⎞ 1 +∞
⎛ ( N − n) ⎞
X⎜ f + ⎟ =
⎝ Te ⎠ NTe
∑
n = -∞
X(n) δ⎜ f +
⎝ NTe ⎠
⎟
Si N-n=-n'
⎛ 1⎞ 1 +∞
⎛ n' ⎞
X⎜ f +
⎝
⎟ =
Te ⎠ NTe
∑
n' = - ∞
X(n'+N) δ⎜ f -
⎝
⎟
NTe ⎠
Avec
N -1 k N -1 n' k
∑ ∑
- 2 πj(n'+N) - 2 πj
X( n '+ N ) = x(kTe ) e N
= x(kTe ) e N
k=0 k=0
d'où
X( n'+ N ) = X(n' )
et
⎛ 1⎞
X⎜ f + ⎟ = X(f)
⎝ Te ⎠
Conclusion : Le spectre X(f) est entièrement défini par les raies

X(n), pour n variant de 0 à N-1.
X(f)
n
0 1 N-1 N NTe
2°) - Transformée de Fourier Discrète (TFD).

Définition : La transformée de Fourier discrète, sur N points, du
signal discret x(k) est définie par :
N -1
T F D N {x(k)} = X(n) = ∑ x(k) W - nk
N
k=0
2 πj
N
avec WN = e = Facteur de Rotation.
Remarque : Les notations x(k) (échantillonnage temporel) et

X(n) (échantillonnage fréquentiel) sont abusives. On devrait
écrire:
49
⎧ x( kTe ) 1 1
⎨ a v e c Δf = =
⎩X( n Δf ) NTe T
Δf e s t l ' é c a r t e n t r e d e u x raies du spectre. Δf est appelé

résolution ou pas en fréquence
Propriétés
N
. WNN k = 1; WN2 = -1
N
k
. WN2 = (-1) k ; WNα k = WNk
α
- L a T F D N {x( k )} e s t p é r i o d i q u e s u r N p o i n t s .
- La formule d'inversion est donnée par :
N -1
{X( n)} = T F D I N {X( n)} =
1
x( k ) = T F D -1
N
N
∑
n=0
X( n) WN+ nk
On en déduit que x(k) = x(k+N).
- Si x(k) est réel alors :
N -1
X( N - n) = X(-n) = ∑
k=0
x(k) WN+ nk
*
⎡ N -1 ⎤
X( N - n) = ⎢ ∑ x(k) WN-nk ⎥
⎣k = 0 ⎦
X( N - n) = X(n) *
Cette propriété est particulièrement importante pour les

applications, car elle permet de diviser par 2 le temps de calcul.
En effet, la connaissance de X(n) pour n allant de 0 à N/2 suffit à
calculer X(n), pour tout n.
Lien entre TF et TFD
Hélas, les signaux physiques ne sont pas aussi coopératifs

(discrets et périodiques). Ils sont le plus souvent quelconques
(continus et apériodiques). Pour étudier ces signaux, à l'aide
d'une TFD, il faut procéder à un échantillonnage, une troncature,
puis une périodisation du signal. On peut alors appliquer la
T.F.D. Ces trois opérations ont pour effet de modifier le spectre
X(f) du signal x(t).
Ex : S i x ( t ) = e − at u( t ) , a v e c a > 0 e t u ( t ) = é c h e l o n , a l o r s :
50
1 1
X( f ) = et X( f ) =
a + 2πjf a 2 + 4π 2 f 2
Signal Spectre
x(t) X(f)
t f
A p r è s é c h a n t i l l o n n a g e à u n e p é r i o d e Te :
(t) 1 1 (f)
xe (t) = x(t) Te Xe (f) = X(f)*
Te Te
t f
0 Te -Fe Fe
Recouvrement spectral
Après troncature du signal sur N points :
xeTr (t) = xe(t) NTe ( t - NTe ) XeTr (f) = Xe(f)* sinc

2 2
t f
0 Te (N-1)Te
" Clapotis " dû à la convolution par le sinus cardinal
Après périodisation du signal:

51
xeTr (t) * (t) 1 1 (f)
NTe XeTr (f)
NTe
NTe
t 1 (N-1)Te f
0 Te NTe 0
NTe NTe
Remarques :
- Si le signal est déjà à durée limitée alors, le clapotis disparaît,

seul le phénomène de recouvrement subsiste.
- Pour atténuer les clapotis on utilise en pratique des fenêtres de
pondération discrètes (Cf Ch.III-4: Analyse spectrale) telles que:
1 ⎡ ⎛ 2 πk ⎞ ⎤
⎢1 - cos⎜ ⎟ , k ∈ 0, N -1
⎝ N ⎠ ⎥⎦
. H a n n i n g = w( k) =
2 ⎣
k -N / 2
. Bartlett = w(k) = 1 - , k ∈ 0, N -1
N / 2
L a t r a n s f o r m é e X p ( n) d u s i g n a l x ( k ) p o n d é r é e s t :
N -1
X p ( n) = ∑
k=0
w(k) x(k) WN-nk
Cas des signaux continus périodiques
Prenons l'exemple du signal x(t) défini par :
x( t ) = cos(2 π f 0 t ) a l o r s X( f ) =
1
2
[
δ (f - f 0 ) + δ (f + f 0 ) . ]
A p r è s t r o n c a t u r e d u s i g n a l , s u r u n e d u r é e T = N Te , l e s p e c t r e
X ( f ) e s t l a s o m m e d e d e u x s i n u s c a r d i n a u x c e n t r é s e n f0 e t − f0 .
A p r è s é c h a n t i l l o n n a g e à u n e f r é q u e n c e Fe , l e s p e c t r e d e v i e n t
périodique. X(f) est finalement représenté, sur la bande de
f r é q u e n c e [ 0 , Fe ] , p a r :
52
X(f)
N
2
f
Fo Fe-Fo
1 1
Fo - Fo +
NTe NTe
Deux cas se présentent pour le calcul de la T.F.D.
p
S i f0 = , a v e c p e n t i e r ∈ [0, N - 1] , a l o r s l e s p e c t r e X ( n ) e s t
N Te
donné par :
⎧⎪ N
si n = p ou n = N - p
X( n) = ⎨ 2
⎩⎪ 0 Ailleurs
D a n s c e c a s l a p ième c o m p o s a n t e c o r r e s p o n d e x a c t e m e n t à l a
n
f r é q u e n c e f0 . L e s r a i e s é l o i g n é e s d e correspondent alors aux
N Te
zéros du sinus cardinal.
p
S i f0 ≠ , ∀ p ∈ N.
N Te
Dans ce cas X(n) correspond à un échantillonnage de X(f),
tel que :
X(n)
N
2
n
p-1 Fo p NTe
NTe NTe
Conclusion: La TF et TFD de ce signal périodique sont

p
i d e n t i q u e s , à u n t e r m e d ' a m p l i t u d e p r è s , s i f0 = . C'est à dire si
N Te
53
l'on tronque le signal sur un nombre entier de périodes (T =
N Te = p T0 ) .
3°) - Convolution discrète.

Comme nous le verrons, dans le chapitre suivant, il existe un
algorithme de calcul rapide de la TFD appelé Transformée de
Fourier Rapide (TFR). Nous allons essayer, dans ce paragraphe,
de déterminer une relation entre convolution et TFD. Cette
relation permet de considérablement diminuer le temps de calcul
de la convolution, si l'on utilise la TFR.
Cas des signaux périodiques.
Soient x(k) et y(k) deux signaux périodiques et de période

N. Le produit de convolution de ces signaux est donné par :
N -1
z( k ) = x(k) * y(k) = ∑
i=0
x(i) y(k - i)
On peut montrer que la TFD de z(k) est :
Z( n) = T F D {z(k)} = X(n) Y(n)

Dem :
N -1
⎡ N -1 ⎤
Z( n) = T F D {z(k)} = ∑ ⎢∑ x(i) y(k - i) ⎥ WN-n k
k = 0 ⎣i = 0 ⎦
N -1
⎡ N -1 ⎤
Z( n) = ∑ x(i) ⎢ ∑ y(k - i) WN-n k ⎥
i=0 ⎣k = 0 ⎦
Posons k - i = k'
N -1
⎡ N -1- i ⎤
Z( n) = ∑ x(i) ⎢ ∑ y(k' ) WN-n k' ⎥ WN-n i
i=0 ⎣ k' = -i ⎦
soit S :
N -1- i -1 N -1- i
S = ∑
k' = -i
y(k' ) WN-n k' = ∑
k' = -i
y(k' ) WN-n k' + ∑
k=0
y(k' ) WN-1
Comme y(k') est périodique sur N points
N -1 N -1- i
S = ∑
k' = N - i
y(k' ) WN-n k' + ∑
k' = 0
y(k' ) WN-n k'
d'où
54
N -1
S = ∑
k' = 0
y(k' ) WN-n k' = Y(n)
Par suite :
N -1
Z( n) = ∑
i=0
x(i) WN-n i Y(n) = X(n) Y(n)
On peut donc calculer le produit de convolution à partir du

calcul de trois TFD, dont une inverse:
{
z( k ) = T F D -1 T F D{x( k )} T F D{ y( k )} }
Cas des signaux à durée finie.
S o i e n t xT ( k ) e t yT ( k ) d e u x s i g n a u x d é f i n i s r e s p e c t i v e m e n t s u r
Nx e t Ny p o i n t s . P o u r c a l c u l e r l e p r o d u i t d e c o n v o l u t i o n , à l ' a i d e
d e l a r e l a t i o n p r é c é d e n t e , i l f a u t p é r i o d i s e r xT ( k ) e t yT ( k ) s u r u n e
même période N. On pourra alors calculer les TFD sur les signaux
périodiques et en déduire z(k). Le problème est : "Comment
choisir N?".
Prenons l'exemple de deux signaux définis par:
⎧2 si k ∈ [0,5] ⎧1 si k ∈ [0,5]
x T ( k) = ⎨ ; y T (k) = ⎨
⎩ 0 Ailleurs ⎩ 0 Ailleurs
A v e c Te = 1 e t N x = N y = 6
xT (k) yT (k)
2
1
k k
0 1 5 6 0 1 5 6
et :
z T (k) = xT (k) * yT (k)
12
k
0 1 5 6 10
zT ( k ) e s t d é f i n i s u r N ( = 1 1 ) p o i n t s . C ' e s t à d i r e a v e c N = N x + N y - 1 .
Soient x(k) et y(k) les signaux périodiques.
55
- Si N = 11
x(k) y(k)
1
k k
0 1 5 6 11 0 1 5 6 11
d'où :
z(k) = x(k) * y(k)
12
k
0 1 5 6 10
10
A v e c z( k ) = ∑ i=0
x(i) y(k - i)
- Si N = 6
x(k) y(k)
k k
0 1 5 6 11 0 1 5 6 11
5
d ' o ù z( k ) = ∑ x(i) y(k - i) = 12
i=0
z(k) = x(k) * y(k)
12
k
0 1 5 6 11
- A l ' é v i d e n c e l e p r o d u i t d e c o n v o l u t i o n e s t b i a i s é s i N < N x + N y -1
- S i N > N x + N y -1 a l o r s z ( k ) e s t n u l l e p o u r k ∈ N x + N y , N
En conclusion pour calculer le produit de convolution de signaux

à durée finie il faut:
56
P r o l o n g e r xT ( k ) e t yT ( k ) p a r d e s z é r o s j u s q u ' à
k = N - 1 = Nx + Ny - 2.
Calculer les TFD des deux nouveaux signaux.
Calculer la TFD inverse du produit.
En principe le signal z(k) est réel, mais la TFD inverse
restitue, le plus souvent, un signal complexe dont la partie
imaginaire est non-nulle (très petite). Ceci est dû aux
erreurs d'arrondis durant le calcul.
Cas des signaux à énergie finie .
Soient x(k) et y(k) deux signaux à énergie finie. Le produit

de convolution z(k) est donné par :
+∞
z( k ) = x(k) * y(k) = ∑
i = -∞
x(i) y(k - i).
On peut se ramener au calcul par TFD si l'un des signaux est à

durée finie. On utilise alors la technique dite de convolution
sectionnée (Cf.KUNT).
4°) - Corrélation.
Les relations et propriétés de la corrélation sont analogues à
celles établies pour la convolution. Si x(k) et y(k) sont à énergie
finie :
+∞
C xy (k) = ∑
i = -∞
x(i) y * (i - k).
Si x(k) et y(k) sont périodiques et de même période N
N −1
C xy (k) = ∑
i=0
x(i) y * (i - k).
On peut montrer dans ce cas que :
{ }
S xy ( n) = T F D N C xy ( k ) = X( n)Y * ( n)
Si les signaux x(k) et y(k) sont à durée finie,

l ' i n t e r c o r r é l a t i o n C xy ( k ) s ' o b t i e n t e n c a l c u l a n t l e s T F D d e x ( k ) e t
y ( k ) s u r N p o i n t s , a v e c N = N x + N y -1 .
S xy ( n) = T F D N {x( k )} T F D *N { y( k )}

Traitement Signal - ELMq

Transféré par

Informations du document

Titre original

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

Traitement Signal - ELMq

Transféré par

Droits d'auteur :

Formats disponibles

1

Le traitement du signal (T.S) est une discipline technique

Cette discipline s'appuie sur la théorie du signal qui donne

Historiquement, le traitement des signaux apparaît au début

Hormis la contribution apportée par FOURIER (1822,

Les contributions essentielles, au traitement du signal et à

Les applications du traitement du signal sont nombreuses (

* Contrôle Radar: Ici l'analyse fréquentielle joue un rôle

* Les Télécommunications : Si les 17 Millions d'abonnés au

2°) - Classification des signaux.

a) Morphologique : On distingue ici les signaux qui prennent

b) Spectrale : On classe les signaux suivant la bande de

Signal à variations lentes Signal à variations rapides

c) Energétique : Les signaux peuvent être à énergie finie ou

Les signaux à énergie finie vérifient la condition :

On dit aussi qu'ils sont de carré sommable. Les signaux à support

Les signaux à puissance moyenne finie sont tels que :

Les signaux périodiques sont à puissance moyenne finie.

On définit, par ailleurs :

- La puissance moyenne (d'interaction) sur une durée T.

- L'énergie moyenne (d'interaction) sur une durée T.

d) Typologique : On distingue ici les signaux suivant que

Signal déterministe : Un signal déterministe peut être prédit par

3°) - Quelques signaux importants.

- Echelon d'Heavyside : u(t)

- Sinus Cardinal : sinc(t)

Soient f(t) et g(t) deux fonctions continues et dérivables en t0 et

II Séries et transformée de FOURIER

On présentera dans ce chapitre les principaux outils

1°) - Séries de FOURIER.

On peut facilement montrer que ces fonctions sont orthogonales,

Soit f(t) un signal périodique de période T (T>0). Si f(t)

Cette série converge vers f(t), si f(t) est continue en t. Elle

Note : L'expression entre parenthèses est une indication pour la

2) On considère le signal carré périodique f(t) défini par :

Calculer son spectre.

La relation de PARSEVAL montre qu'il y a "conservation" de

On trouve souvent la décomposition en séries de FOURIER

- Dans le cas où le signal f(t) est réel, le spectre d'amplitude est

Les distributions généralisent la notion de fonctions

La distribution de DIRAC est aussi appelée Pic ou Impulsion

Une approche "plus rigoureuse" consiste à considérer la

On peut prendre par exemple une suite de fonctions rectangles :

Il est évident qu'au passage à la limite on obtient un

S i l ' o n c e n t r e l e s f o n c t i o n s fn ( t ) a u t o u r d ' u n point t0

- Produit par une fonction f(t) :

D'après les résultats précédents on a :

Pour en terminer avec les distributions, on citera le peigne

Le produit de cette distribution par une fonction f(t) donne

3°) - Transformée de FOURIER (TF).

X(f) est la superposition d'une infinité de raies qui

Dans la suite du cours, les signaux seront représentés par

- Il est souvent plus aisé d'interpréter certains phénomènes

- L a s y m é t r i e e n t r e l a TF e t l a TF-1 montre l'existence d'une

- La dimension des variables t et f est la seconde et le Hertz.

Une fonction f(t) admet pour transformée de FOURIER la

Une grande partie des signaux étudiés répondent à ces

Attention ces conditions ne sont pas nécessaires lorsqu'il

- Similitude : Une dilatation dans le domaine temporel correspond

Démonstration identique pour la translation de fréquence.

X(f ) = X( −f ) → X(f ) pair

Si x(t) est réel et impair, son spectre X(f) est imaginaire et

- Si x(t) est de carré sommable alors X(f) est de carré sommable

- Commutativité : x(t)g(t) = g(t)x(t)

- Dérivation : (x(t)y(t))' = x'(t)y(t) = x(t)*y'(t)