3.

Les filtres à réponse impulsionnelle infinie (RII)

3.1. Présentation

Les RII sont des systèmes LIT

Ils sont à "mémoire infinie", c ’est-à-dire qu ’ils gardent pendant un
temps infini la mémoire du signal d ’entrée, grâce à une boucle de
retour

Principal intérêt : permettent des fonctions de filtrage + sélectives
que les RIF (cf. # coefficients)

Inconvénients : Possibilité d ’avoir des filtres instables, phase non
linéaire, pbs de réalisation

1

La réponse d'un filtre RII à un signal x(n) est :
L K
y(n) = ∑ a x(n − l ) − ∑ b y (n − k )
l =0
l
k =1
k

D’où la fonction de transfert :

L L

∑a z
l =0
l
−l
∏ (1 − Z z
l =1
l
−1
)
H(z) = K
= a0 K
1 + ∑ bk z − k ∏ (1 − Pk z −1
)
k =1 k =1

Zl ( 1 ≤ l ≤ L ) et Pk ( 1 ≤ k ≤ K ) étant respectivement les zéros et

les pôles de H(z).

2
3.2. La cellule du premier ordre

Soit le système qui à x(n) fait correspondre y(n) :

y(n) = a0 x(n) – b1 y(n-1)

La réponse du système à une impulsion δ(n) est :

y(-1) = 0 y(0) = a0 y(1) = - b1 a0 y(n) = (- b1)n a0

On voit que l ’on garde 1 trace de δ(n) durant 1 temps infini.

La condition de convergence :
∞

∑b
n
1 < ∞ soit b1 < 1
n =0

3

La TF de ce filtre est :
a
H (ω ) =
0

1 + b1 e− jω

L ’amplitude est donnée par :
2
2 a0
H (ω ) =
1 + 2b1 cos(ω ) + b1
2

et la phase :  − b1 sin(ω ) 
ϕ (ω ) = Arctg  
 1 + b1 cos(ω ) 

4
 Exemple d ’utilisation d ’un RII du premier ordre

imaginons que l’on reçoive :

x(n) = C + w(n), où w(n) est un bruit blanc gaussien centré.

1.5

1.4

1.3

1.2

1.1

0.9

0.8

0.7

0.6

0.5
0 100 200 300 400 500 600 700 800 900 1000

5

Pour estimer la constante C on fait une moyenne du signal à l’aide
des échantillons successifs : on réalise un RIF
N −1
1
ɵ
Par exemple : C (n) =
N
∑ x(n − m)
m= 0

pour une estimation précise, on moyenne sur un grand nombre

d’échantillons

=> complexité calculatoire (mémoires, additions) importante

On peut aussi, de manière plus efficace, faire une estimation
récursive à l’aide d’une cellule RII du premier ordre.
a0
H ( z) = avec par exemple b1 = - 0.99
1 + b1 z −1
Pour a0, on peut choisir de ne pas amplifier la fréquence 0 (gain
statique, H(1) = 1), d’où a0 = 0.01.
6

La réponse en fréquence de ce filtre est :

Magnitude Response (dB)

-10

-20

-30

-40

-50
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized frequency (Nyquist == 1)

-20
Phase (degrees)

-40

-60

-80

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized frequency (Nyquist == 1)

7

Le signal de sortie y(n) est une estimation récursive de C :

démo (iir1_ld.m)
1.4

1.2

0.8

0.6

0.4

0.2

0
0 100 200 300 400 500 600 700 800 900 1000
8
 3.3. Caractéristiques générales des RII

Équation générale :
L K
y(n)=∑al x(n−l)−∑bk y(n−k)
l =0 k =1

∑ l
a
l =0
z −l

La TZ s’écrit : H(z) = K
1 + ∑ bk z −k
k =1

Les racines du numérateur : « zéros » du filtre

Les racines du dénominateur : « pôles » du filtre

Condition de stabilité : pôles à l ’intérieur du cercle unité

9
 3.4. Synthèse des RII

Comme pour les RIF, les RII sont utilisés souvent pour mettre en
forme 1 signal

=> généralement, pour satisfaire à des conditions imposées dans le
domaine fréquentiel

H (ν ) approche au mieux la fonction Hi (ν ) représentant le filtre idéal

La synthèse des filtres analogiques ayant été très développée, la
synthèse des RII s ’appuie sur la conversion continu-discret.

Pour cela, une règle de transformation entre la représentation

Laplacienne et la transformée en z (p = f(z))

10

Cette fonction doit vérifier plusieurs conditions :
• si le filtre analogique de départ est stable, il faut que sa
transformée numérique soit stable
• de la première condition, on en déduit que le demi plan Re(p) < 0
doit se transformer en l’intérieur du cercle unité
• l’axe imaginaire doit se transformer en |z| = 1.

on essaye de trouver une équivalence pour l’intégration :
Y ( p) 1
=
X ( p) p

L’intégrale de la fonction x(t) peut être approchée (méthode des
trapèzes) par :
x(t)+ x(t −dt)
y(t)≈ y(t −dt)+ T
2

11

On a alors :
1 T 1 + z −1
=
p 2 1 − z −1
Cette transformation est appelée transformation bilinéaire,
et la réciproque s’écrit :
1 + pT / 2
z=
1 − pT / 2
Examinons la transformation de l’axe imaginaire p = jω :

1+ jωT /2 (1+ jωT /2)

2
jϕ(z)
z= = = z e
1− jωT /2 1+(ωT /2)2

D’après cette formule, |z| = 1 et ϕ(z) = 2 arctg (ωT / 2)

=> correspondance entre les deux domaines de stabilité
12

Attention, relation non linéaire entre les fréquences analogiques et
numériques.

Cette relation est donnée par :

1+ jπfaT
e
2πf nT
=
1− jπfaT
On a aussi :
2πfnT =2arctg(πfaT )
Et donc :
fa = 1 tg(πfnT )
πT

13

Résumé : la transformation bilinéaire est une règle de
transformation entre la représentation Laplacienne et la
transformée en z

=> permet de transformer un filtre analogique prototype en sa
contrepartie numérique

Les filtres analogiques prototypes sont construits en se donnant une
fonction A2(ω) avec ω = 2πf, avec :

A2(ω) = |F(jω)|2 = F(jω)F(−jω)

on en déduit :
 p
A   = F(p)F(−p).
2

 j

14

filtre de Butterworth

1
A2(ω) = où m est un entier
1+ ω 2m

 p 1
Ainsi A   =
2
.
 j  1 + (−1) p
m 2m

Caractéristiques : Pas d'ondulations dans la bande passante

et atténuée mais bande de transition est très large

15

Filtre de Tchebycheff :

1
A2(ω) =
1 + ε 2Tm2 (ω )

Tm(ω) est le polynôme de Tchebycheff de degré m :

T0(ω) = 1, T1(ω) =ω, Tm + 1(ω) = 2ωTm(ω) - Tm - 1(ω) avec m > 0

 filtre de Cauer, ou elliptique

1
A2(ω) =
1 + ε 2 Rm2 (ω , L)
R m (ω,L) est une fonction rationnelle de Tchebycheff
16

Récapitulatif :
Le choix de l ’un ou l ’autre de ces filtres résulte du compromis :
bande de transition, taux d'ondulation dans la bande passante et atténuée

A(ω ) A( ω ) A(ω )

1
√ 1+ ε
2

1
√ 1+ ε 2 + L2

ω
0 1 0 1 0 1

Butterworth Tchebycheff Elliptique

17
Synthèse d ’un filtre analogique

Les fonctions de transferts sont données pour des filtres passe-bas

normalisés (ωc = 1)
 transformation passe-bas normalisé en passe-bas
t(p) = p/ωc
 transformation passe-bas normalisé en passe-haut
t(p) = ωc/p
 transformation passe-bas normalisé en passe-bande
p 2 + ω c1ω c 2
t(p) =
p(ω c 2 − ω c1 )

 transformation passe-bas normalisé en coupe-bande

p (ω c 2 − ω c1 )
t(p) =
p 2 + ω c1ω c 2 18
Démarche de numérisation

Pour synthétiser un RII satisfaisant aux contraintes imposées, on

utilise la démarche suivante :
1) Déterminer le cahier des charges en terme de fréquence pour le
filtre à réaliser
2) Déterminer la fréquence d’échantillonnage
3) Ajuster les fréquences en utilisant la conversion
4) En déduire le filtre prototype convenable
5) Numériser en utilisant la transformation bilinéaire
6) Eventuellement ajuster le gain statique

19

Exemple :
On veut réaliser un filtre avec les caractéristiques suivantes :
• passe-bas avec une fréquence de coupure de 0.1 Hz
• fréquence d’échantillonnage 1 Hz
• atténuation à 0.3 Hz d’au moins 40 dB avec une ondulation
maximale dans la bande de 1 dB.

Les fréquences analogiques sont 0.1034 et 0.4381.

=> Il nous faut un filtre tel que l’atténuation soit d’au moins 40 dB
lorsque la fréquence est multipliée par 4.
Ces performances sont réalisées par un filtre de Tchebychev d’ordre 3
(donné par des tables)

20

la réponse en fréquence normalisée s’écrit :
1
H a ( p) =
(1 + 2.023 p)(1 + 0.497 p + 1.006 p 2 )

La pulsation de coupure vaut 2π *0.103 (on remplace p par p/ωc)

On trouve, par transformée bilinéaire :

0.01135 + 0.034 z −1 + 0.034 z −1 + 0.01135 z −3

H n (z) =
1 − 2.104 z −1 + 1.774 z − 2 − 0.524 z −3

21
 Implantation des RII

Comme les RIF, les RII sont réalisés à l ’aide de fonctions simples
de multiplications, additions et mises en mémoire.

La fonction de transfert d'un filtre RII est décomposée en produit

ou somme de cellules élémentaires du premier ou du second ordre :

1 + a1 z −1 + a 2 z −2 N ( z)
H(z) = a0 −1 −2
= a0 .
1 + b1 z + b2 z D( z )

22

On adopte la structure suivante :
a0
+ u(n) +

x(n) y(n)
+ +

-1
z

-b1 a
1

+ + +
+

z -1

-b2 a2

Ainsi : u(n) = a0x(n) − b1u(n − 1) − b2u(n − 2)

X ( z)
soit : U(z) = a0
D( z )
et y(n) = u(n) + a1u(n − 1) + a2u(n − 2)
soit : Y(n) = N(z)U(z). 23

La décomposition en éléments du 1er ordre et du deuxième ordre
présente un grand intérêt pratique :
Elle permet de réduire le nombre de bits nécessaires à l ’implantation

Comme pour les RIF, on recherche un compromis entre performances et

coût

On cherche à déterminer le nombre de coefficients nécessaires pour
satisfaire un gabarit donné

24
 |H|
filtre idéal

1 + δ1 filtre réel
1 1 − δ1
gabarit

δ2

0
ν
ν1 ν2 1/2 1

Comme pour les RIF :

 2   4 
Ne ≈ 1.08 ln10  
 δ δ  10  π∆ν
ln ( )
sin 2πν 1 
 1 2 

Ne≈ 2 ln10 1
3 ∆ν
(
10δ1δ 2
) 25

=> conduit à des valeurs beaucoup plus faible que pour les RIF

Pour le nombre de bits :

1  1   1 
bc ≈ lb  + lb  + lb 
 δ1   ∆ν   sin (2πν 1 ) 

Les RII demandent plus de bits que les RIF (possibilité d ’instabilité)

26
Réalisation de filtres RII et RIF par des filtres en treillis

La structure de treillis apparaît dans l ’analyse et la synthèse de la

parole, pour la simulation du conduit vocal, ou dans des systèmes
de prédiction linéaire.

Elle permet de réaliser des RIF ou des RII

27
Considérons les deux structures élémentaires suivantes:
+
x p-1 (n) x p(n)
+
kp

x p-1 (n) x p(n)

kp
up-1(n) u p(n)
kp
+

up-1(n) z -1 u p (n)
+

+
x p-1 (n) x p (n)
-
kp

x p-1 (n) x p(n)

kp
up-1(n) u p(n)
kp
+
up-1(n) z -1 u p(n)
+
28
Pour la première structure :

xp(n) = xp-1(n) + kpup - 1(n − 1)

up(n) = kpxp-1(n) + up-1(n − 1)

Ainsi : Xp(z) = Xp-1(z) + kpz-1Up-1(z) et Up(z) = kpXp-1(z) + z-1Up-1(z).

Pour la seconde structure :

xp-1(n) = xp(n) - kpup-1(n − 1)

up(n) = kp xp -1(n) + up-1(n − 1)

Ainsi : Xp - 1(z) = Xp(z) - kpz-1Up - 1(z) et Up(z) = kpXp - 1(z) + z-1Up - 1(z).

29
Les relations sur les transformées en z sont donc identiques pour les deux structures.
Matriciellement, on peut écrire:

 X p ( z)   1 k p z −1  X p −1 ( z ) 
    
 U ( z)  =  k z  U p −1 ( z ) 
−1 
 p   p

Si k p ≠ 1 :
 X p −1 ( z )  1  1 − k p  X p ( z ) 
 =   
 U ( z)  1 − k 2 − k z z  U p ( z ) 

 p −1  p  p

30
 Considérons maintenant les deux systèmes suivants:

x0 (n) x (n) x (n) xN(n)

1 2
entrée
x(n) k1 k2 k3 kN
u (n) u 1(n) u 2(n) u N(n)
0

x 0(n) x 1(n) x (n) x (n)

2 N
sortie
y(n) k1 k2 k3 k
N
u 0(n) u (n) u (n) u N(n)
1 2

31
Pour le premier : x(n) = x0(n) = u0(n) et y(n) = xN(n).

 X N ( z)   N  1 k p z −1  X 0 ( z ) 
Or :   = ∏   
−1  


 U N ( z )   p =1  k p z  U 0 ( z ) 

On peut donc écrire :

Y(z) = XN(z) = AN(z)X(z) et UN(z) = BN(z)X(z)

où AN(z) et BN(z) sont des polynômes en z-1 de degré N.

N N
Soit : AN(z) = ∑ aN ( p)z
p =0
−p
et BN(z) = ∑N
b (
p =0
p ) z −p
.

32
Pour le second système :

x(n) = xN(n) et y(n) = x0(n) = u0(n).

Ainsi : X(z) = XN(z) = AN(z)Y(z) et UN(z) = BN(z)Y(z).

Le premier système réalise la fonction de transfert :

N
H(z) = AN(z) = ∑ N
a
p =0
( p ) z −p

Le second système réalise la fonction de transfert :

1 1
H(z) = = N
(filtre RII purement récursif).
AN ( z )
∑a
p =0
N ( p)z − p

33
  An ( z )   n  1 k p z −1  A0 ( z ) 
Notons :   = ∏   
−1   


 Bn ( z )   p =1  k p z  B0 ( z ) 
n n
Avec : A0(z) = B0(z) = 1 et An(z) = ∑a
p =0
n ( p)z −p
et Bn(z) = ∑ b ( p)z
p =0
n
−p
;

on démontre par récurrence sur n ≥ 1 que :

• degré(An) = degré(Bn) = n

• bn(p) = an(n - p) pour 1 ≤ p ≤ n − 1

• bn(0) = an(n) = kn

• bn(n) = an(0) = 1

• an(p) = an - 1(p) + knan - 1(n - p) pour 1 ≤ p ≤ n − 1.

Ces relations permettent de construire A1(z), A2(z) ... jusqu'à AN(z) à partir des
coefficients k1, k2, ... kN. Pour cela, on fait varier n de 1 à N.

34
Réciproquement, on peut démontrer que:
• kn = an(n)
1
• an - 1(p) = (an ( p ) − an (n) − an (n − p ) ) pour 1 ≤ p ≤ n - 1.
1 − a n (n)
2

A partir de AN(z),
• on construit AN-1(z), AN-2(z), ... jusqu'à A1(z)
• on en déduit successivement kN, kN-1, ..., k1. Pour cela, on fait varier n de N à 1.

Les deux propriétés suivantes sont équivalentes:

• Les zéros de AN(z) ont un module strictement inférieur à 1.
• Pour 1 ≤ n ≤ N k n < 1.
1
On obtient ainsi un critère simple de stabilité de la fonction de transfert H(z) =
AN ( z )
réalisée par le second système.
35
 Application du filtre en treillis à la synthèse de la parole
• Les propriétés d'un signal de parole permettent de réduire la quantité
d'information le caractérisant.

• Ainsi, on modélise le conduit vocal par un filtre en treillis réalisant la

1
fonction de transfert H(z) = .
AN ( z )

• L'entrée de ce filtre est un train d'impulsions ou un bruit aléatoire selon

la nature du son (voisé ou non voisé).

36
 On obtient alors le synthétiseur suivant :

Générateur
de
bruit Gain
Filtre Parole
en CN/A
synthétique
treillis
Générateur
d'impulsions

Fréquence Commande kn
fondamentale voisée Puissance
non voisée 1≤n≤N

Les paramètres de commande évoluent dans le temps, notamment les coefficients kn du filtre en treillis.

L’intérêt d'utiliser ce type de filtre est le contrôle simple de la stabilité (|kn|< 1 pour 1 ≤ n ≤ N).
L'interpolation linéaire entre deux vecteurs de coefficients kn respectant la stabilité donne aussi un filtre
stable ce qui ne serait pas forcément le cas avec les coefficients aN(p) du polynôme AN(z).
37
4. Les signaux analytiques

Les signaux analytiques sont utilisés dans les opérations de :

 modulation et de démodulation des signaux
 multiplexage des fréquences
 pré-traitement (pour analyse temps-fréquence)
 calcul d'enveloppe

Définition : signal dont la représentation spectrale ne contient pas de

composantes aux fréquences négatives

=> Signaux complexes, reliés par la transformée de Hilbert

38
Soit un signal x(n) = xr(n) + j xi(n)

tel que X(ν) = 0 pour ν < 0

ll est clair que : xr(n) = 0.5 ( x(n) + j x*(n) )

et : xi(n) = (0.5/j) ( x(n) - j x*(n) )

39

La TF de xr(n) est :
Xr(ν) = 0.5 ( X(ν) + X*(-ν) )
De même,
Xi(ν) = - 0.5 j ( X(ν) - X*(-ν) )

Comme X(ν) = 0 pour ν < 0,

Xr(ν) = 0.5 X(ν) pour ν > 0

et Xr(ν) = 0.5 X*(-ν) pour ν < 0

On en déduit que : Xi(ν) = - j Xr(ν) pour ν > 0

et Xi(ν) = j Xr(ν) pour ν < 0

40
=> Xi(ν) à partir de Xr(ν) par une rotation de π/2 des composantes

L’opération de mise en quadrature est aussi appelé transformée de Hilbert

Le signal de sortie est appelé alors signal analytique (! sens math.)

Qi(ν)

j Q(ν)

Gabarit

ν
1/2 1

-j
41
 x r (n)
Mise en quadrature :
x(n)

Q(z)
x i (n)

Le filtre Q(ν), appelé filtre de quadrature, peut être construit par

troncature d ’une séquence infinie
1
0 2
h( n) = ∫ 1
j e jωn dν + ∫ (− j ) e jωn dν
0
−
2
2  πn 
Il vient : h(n ) = sin 2   Pour n ≠ 0 et h(0) = 0
πn  2 
42

Dans la pratique, le filtre de quadrature est causal et de dimension finie

Souvent, on recherche Q(z) à phase linéaire

x r (n)
-k
z
x(n)

Q(z)
x i (n)

43
Application au calcul d'enveloppe

1
Si xr(n) = A(n) cos(2π*f*n) 0.5
Re
Im
0 Abs
avec A "lent" -0.5

-1

xi(n) ~ A(n) sin(2π*f*n) 100 200 300 400 500 600 700 800 900 1000

1
Env.
Abs
1

1
100 200 300 400 500 600 700 800 900 1000
-15
x 10
5
Env - Abs

-5

100 200 300 400 500 600 700 800 900 1000

44