Tns CM Elec 2021

Cours
Traitement N u m é r i q u e du Signal
M. Frikel
1 A - ENSICAEN - E P A
Table des matières
1 Les signaux discrets 5

1.1 Généralités - Signal - Mesure - Capteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Généralités sur les signaux : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Classification des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.3 Modélisation des signaux-Théorie du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 Systèmes - Filtres : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Applications du TNS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1 Domaines d’applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Signaux discrets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Signaux continus, discrets, échantillonnés : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.2 Signaux élémentaires - distributions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.3 signaux discrets et périodiques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Analyse fréquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.1 Transformée de Fourier : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4.2 Application aux signaux périodiques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5 Application aux signaux discrets : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.6 Reconstruction d’un signal échantillonné : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Signaux discrets et périodiques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.8 Signaux réels : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.9 Transformée de Fourier, transformée de Laplace et transformée en Z : . . . . . . . . . . . . . . . . . 19
2 Transformée de Fourier discrète : TFD et principe des analyseurs de spectre ”numériques” 21

2.1 Transformée de Fourier Discrète. Définition mathématique : . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Estimation de la transformée des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Principe : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2 Cas général : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3 Signaux périodiques : TFD et série de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1 Signaux périodiques, signaux discrets : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Signaux échantillonnés et périodiques : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.1 lien avec la série de Fourier : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Quelques applications de la TFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.5.1 Amélioration de la précision fréquentielle : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5.2 Interpolation temporelle : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2
2.6 Analyseur de spectre - Fenêtres de pondération. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1 Analyseur de spectre ”numérique” (principe) : . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.2 Élargissement des raies : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.6.3 Exemple d’une sinusoı̈de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.6.4 Limite de résolution : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.6.5 Utilisation d’une fenêtre : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3 Les systèmes discrets 45

3.1 Etude des systèmes discrets. Discrétisation-Numérisation . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.1 Système discret, filtres : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.2 Système discret-Système numérique : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2 Systèmes discrets linéaires invariants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.1 Linéarité. Equation récurrente : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.2 Récursivité. Forme récursive. Forme non récursive : . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.3 Invariance temporelle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.2.4 Causalité : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3.1 Opérateur retard : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3.2 Réponse impulsionnelle : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3.3 Convolution discrète : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4 Utilisation de la transformée en Z : Fonction de transfert . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4.1 Résolution des équations aux différences : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4.2 Fonction de transfert : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.5 Inversion de la transformée en Z analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.1 Division selon les puissances de z −1 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.2 Résolution de l’équation aux différences : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.5.3 Décomposition en éléments simples : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.6 Méthode des résidus : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.6.1 Stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.6.2 Mode dominant - Mode auxiliaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.7 Théorèmes de la valeur initiale et finale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.8 Analyse fréquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.8.1 Justification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.8.2 Réponse harmonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.8.3 Analyse sommaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4 Filtres à réponses impulsionnelle infinie - Filtres RII 63

4.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Fonction de transfert (Rappels) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.2 Principe de la transposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Approximation de la dérivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.1 Approximations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.2 Qualité de l’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3 Invariance impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.1 Principe de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.2 Qualité de l’approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3
4.4 Transposition par bloqueur d’ordre N . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.4.2 Bloqueur d’ordre 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4.3 Autres bloqueurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.5 Transposition par pôles et zéros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.6 Transformation bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.6.1 Transformation bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.6.2 Qualité de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.6.3 Transformation avec pré-décalage (transformation de Tustin) . . . . . . . . . . . . . . . . . . 79
4.6.4 Equivalence discret-continu] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Filtres à réponse impulsionnelle finie : Filtres RIF ( FIR en notation anglo-saxonne) 81

5.1 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1.1 Fonction de transfert (rappels) : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1.2 Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.1.3 Forme Récusrsive : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2 Filtres à phase linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.1 Intérêt d’une phase linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2.2 Conditions d’obtention d’une phase linéaire : . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3 Synthèse par la méthode des fenêtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2 Problème général de la troncature par une fenêtre de pondération : . . . . . . . . . . . . . . . 85
5.3.3 Fenêtre rectangulaire : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.3.4 Autres fenêtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 FILTRES PASSE-HAUT, PASSE-BANDE, COUPE-BANDE . . . . . . . . . . . . . . . . . . . . . . 95
5.4.1 Filtre passe-tout : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4.2 Filtre passe-haut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4.3 Filtre passe-bande : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4.4 Filtre coupe-bande : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Chapitre 1
Les signaux discrets
1.1 Généralités - Signal - Mesure - Capteurs

1.1.1 Généralités sur les signaux :
Un signal est une grandeur physique accessible à la mesure. En général, un signal dépend des coordonnées d’espace
(l’endroit où il se situe et le temps) soit {x, y, z, t}. On attribue à un signal des propriétés élémentaires comme
l’intensité, la puissance, l’énergie ... Ce sont ces grandeurs auxquelles sont sensibles les capteurs qui constituent
l’instrument de mesure du signal.
Un capteur mesure l’un des aspects du signal par exemple :
Signal électrique intensité (ampères), tension (volts), puissance (watts).

Signal thermique intensité (◦ C, Kelvin), énergie (calorie ou joule ).
Signal lumineux intensité (lumen), puissance (watts), énergie (joules)...
Mélange chimique concentration (mol/l), acidité (pH), taux de calcaire( tH).
Signal magnètique(tesla)
Signal barométrique (hectopascal)
Vitesse d’un mobile (m/s,rd/s) accélération...
etc ...
Bon nombre de capteurs sont aussi en général des transducteurs c’est à dire qu’ils transforment la grandeur physique
étudiée en une autre grandeur physique éventuellement proportionnelle et plus aisée à traiter avec les outils modernes
d’où la grande vogue des signaux électriques (tensions ou courants).
1.1.2 Classification des signaux
Les signaux sont classables selon des grands groupes de propriétés :
• Signaux continus ou discrets.
• Signaux périodiques ou non.
• Signaux déterministes ou aléatoires.
5
1.1.3 Modélisation des signaux-Théorie du signal
Afin de pouvoir prévoir des comportements ou de concevoir des appareils susceptibles de modifier, d’analyser les
signaux il est intéressant de les modéliser grâce à des outils mathématiques les plus puissants possibles.
La modélisation du signal peut se faire grâce à des ”fonctions” mathématiques plus ou moins compliquées décrivant
la manière dont le signal évolue dans l’espace et le temps s(x, y, z, t). Pour l’étude d’un signal en un point de
l’espace la fonction sera uniquement dépendante du temps : s(t). Si le signal est une image statique formée par
exemple sur une barrette CCD, la fonction devient s(x). S’il s’agit d’une image statique : s(x, y), d’une image
à 3 dimensions (hologramme,...) : s(x, y, z). Si ces images sont animées on retrouve soit s(x, t) soit s(x, y, t) soit
s(x, y, z, t). L’étude du signal de manière élémentaire se fait sur des fonctions d’une seule variable s(t) ou s(x). La
généralisation à plusieurs dimensions utilise les mêmes concepts, seule est ajoutée un peu de complexité.
1.1.4 Systèmes - Filtres :
Les signaux sont traités par des systèmes ou filtres dont le but est de les modifier pour leur conférer certaines
propriétés ou d’en extraire des informations. De même que les signaux, les systèmes se classent en grandes catégories :
continus ou discrets. Dans l’une et l’autre de ces catégories le cas particulier des systèmes linéaires invariants
par translation (SLI, LTI) est particulièrement intéressant car nous disposons pour l’étude de ceux-ci d’outils
mathématiques performants tout en restant d’approche relativement aisée.
Outils mathématiques :
Type Modélisation Analyse fréquentielle

Signaux continus Fonctions - Distribution δ(t) Transformée de Fourier des
fonctions et des distributions
signaux discrets Distributions Transformée de Fourier des
Systèmes continus convolution - Transformée de Laplace Transformée de Fourier des
Systèmes discrets Convolution discrète - Transformée en Z Transformée de Fourier des
Signaux aléatoires Moments statistiques - corrélations statis- Transformée de Fourier des
tiques fonctions et des distributions
Signaux périodiques Série de Fourier et transformée de Fourier
discrète
1.2 Applications du TNS

Domicile sur la route Au Bureau
Télévision à la demande Téléphone mobile Vidéoconférence
Jeu Vidéo Radar et Sonar Modems
DVD, HDTV, CD, DAB GPS Fax
Réalité Virtuelle Automobile WiFi
Réseaux Commande vocale ATM, ISDN, PBX, ADSL
Electroménager Modems sans-fil Téléphone
... ... ...
1.2.1 Domaines d’applications
• Graphisme et imagerie, rotation 3D, vision, reconnaissance de formes, restauration d’images, stations de
travail, animation, cartographie
6
Musique
1
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 20 40 60 80 100
Temps (s)
• Communication homme machine, synthèse, transformation texte-parole et inverse, reconnaissance de parole,

identification et vérification du locuteur
• Musique, numérique, MIDI, échantillonneurs (samplers), synthétiseurs, mélangeurs, réverbération et écho,

effets spéciaux, filtrage, enregistrement (DAT)
• Télécommunications, codage et restauration de la parole, courrier vocal, télécopie, audionumérique (CD,

DAB), TV numérique, compression et transmission d’images, cryptage et protection, transmission de données,
télé informatique, annulation d’écho, codage à débit réduit, télé et visioconférence, téléphonie cellulaire, ...
• Défense, systèmes d’armes, surveillance, guidage, navigation
• Instrumentation, capteurs, métrologie, analyse spectrale, génération de signaux, analyses de transitoires
• Biophysique, génie biomédical, EEG, ECG, radiographie, tomographie, scintigraphie, gammagraphie, échographie,
aide aux handicapés, ...
• Acoustique, aérienne, sous-marine, sonar, ultrasons, nuisances
• Géophysique, sismique, de surface, océanographique, télédétection
• Electromagnétisme, radar, radionavigation, optique, astrophysique
• Automobile injection électronique, ABS, positionnement global, commande d’assiette adaptative
1.2.2 Exemples
- Compact Disc Audio :

Échantillonnage à 44.1 kHz sur 16 bits des deux voies : 1.41 Mbit/s
Information + correction d’erreurs, contrôle et affichage : 4.32 Mbit/s
90 dB de rapport Signal à Bruit et de séparation stéréo (contre 60 et 30 dB)
- Annulation d’écho :
Réseau téléphonique utilisant les satellites géostationnaires (540ms)
Téléphone main libre en voiture (écho + bruit)
Téléconfèrence
réponse impulsionnelle de la salle
7
Effets : écho, Larsen, réverbération
problème de déconvolution
- Télécommunications : détection de tonalité
1.3 Signaux discrets

1.3.1 Signaux continus, discrets, échantillonnés :
Signal continu :
Classe de signaux largement étudiée dans les cours précédents. Un signal continu est connu à chaque instant t sauf
en un nombre de points de mesure nulle (discontinuités de première espèce).
Les signaux élémentaires ont déjà été largement étudiés :
l’échelon d’Heaviside e(t) e−at e(t) te(t) cos (ωt + ϕ) ej2πf t ...
Signal discret :
Un signal discret n’est connu qu’à certains instants tk soit un tableau de valeurs numériques x(t = tk ). Le cas le
plus simple et le plus important est celui ou : (tk+1 − tk ) = cste = Ts ∀ k.
Le signal est alors connu par sa série de valeurs contenues dans un tableau {x(kTs )} ≡ {xk }.
La représentation d’un signal discret par un tableau de valeurs {xk } n’est pas vraiment satisfaisante car un tableau
n’est pas un objet mathématique aisé à manipuler tel quel en comparaison avec les fonctions.
Nous allons voir ensuite comment lui associer un modèle mathématique plus intéressant à manipuler.
Signal échantillonné :
Un signal échantillonné est un signal discret dont les valeurs {xk } sont prélevées (mesurées) sur un signal continu.
Par convention cela se schématise comme suit :
Signal discret
t = kTs
Signal continu Signal échantillonné
échantillonneur
8
Signal Continu
1
0.8
0.6
0.4
0.2
Amplitude
0
−0.2
−0.4
−0.6
−0.8
−1
0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01
Temps (s)
Signal Discret (Fs=200Hz)

1
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01
Temps (s)
Signal Discret (Fs=800Hz)

1
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01
Temps (s)
1.3.2 Signaux élémentaires - distributions :
Nous verrons par la suite que les signaux discrets et périodiques sont intimement liés. Pour palier à l’insuffisance de
la modélisation par un tableau de valeurs et ainsi pouvoir manipuler les signaux discrets de manière analytique il
est intéressant d’utiliser la théorie des distributions de Laurent Schwartz (1915-2002). Cette même théorie permet
de modéliser les signaux périodiques et constitue ainsi un excellent outil pour l’étude globale des signaux discrets.
9
Par ailleurs rappelons que c’est la seule approche satisfaisante pour l’étude de la dérivation généralisée dans le cas
des signaux continus ayant des discontinuités de première espèce.
Il n’est pas nécessaire de reprendre les détails de cette théorie développée dans les cours de mathématiques mais
simplement de rappeler les quelques résultats élémentaires qui nous intéressent.
Deux signaux fondamentaux seront ainsi utilisés :
δ(t) P gnTs (t)
t t
−2Ts −T s Ts 2Ts
La distribution de Dirac δ(t) Le peigne de Dirac

+∞
X
P gnTs (t) = δ(t − nTs )
n=−∞
Propriétés mathématiques fondamentales de la distribution de Dirac :
parité δ(−t) = δ(t)

1
facteur d’échelle δ(at) = ( )δ(t) avec a ∈ R
|a|
produit d’une fonction par δ(t) x(t).δ(t − t0 ) = x(t0 ).δ(t − t0 )
produit de convolution d’une fonction δ(t) x(t) ⊗ δ(t − t0 ) = x(t − t0 )
Le produit de deux distributions de Dirac n’existe pas δ(t − t1 ).δ(t − t2 ) n’a pas de sens
Le produit de convolution de deux distributions δ(t − t1 ) ⊗ δ(t − t2 ) = δ(t − t1 − t2 )
Transformée de Fourier T F [δ(t)] = 1
Ces propriétés ne dépendent bien évidemment pas de la variable (ici le temps t), nous pouvons l’utiliser dans tout
autre espace comme celui des fréquences :
par exemple y(f ) ⊗ δ(f − f0 ) = y(f − f0 ) ce qui représente la translation fréquentielle.
Propriété mathématique fondamentale du peigne de Dirac :
Le peigne de Dirac est une distribution périodique nous savons calculer sa transformée de Fourier :
" +∞
# +∞ +∞
X 1 X k X
TF δ(t − nTs ) = δ(f − ) = fs δ(f − kfs ) (1.1)
n=−∞
Ts Ts
k=−∞ k=−∞
”La transformée d’un peigne de Dirac est un peigne de Dirac”.

1
Attention au coefficient fs = .
Ts
Représentation des signaux périodiques :
Un signal périodique est constitué par une fonction motif xm (t) = x(t). La modélisation complète du signal est
obtenue en périodisant à la période T0 le motif xm (t) puis en superposant les composantes obtenues soit :
+∞
X
x(t) = xm (t − nT0 ) (1.2)
n=−∞
10
Un cas particulier très utilisé pour les représenter est de définir xm (t) pour t ∈ [0, T0 ] (ou tout autre intervalle de
largeur T0 ) et nulle en dehors de la période T0
La convolution par la distribution de Dirac fournissant la représentation d’une translation, nous aurons :
+∞
X +∞
X
x(t) = xm (t − nT0 ) = xm (t) ⊗ δ(t − nT0 ) (1.3)
n=−∞ n=−∞
Périodicité ≡ convolution par un peigne de Dirac.

Remarque : ceci est aussi valable pour tout autre variable que t en particulier la fréquence f .
Représentation des signaux discrets et des signaux échantillonnés :
Par définition, la modélisation mathématique d’un signal discret est effectuée par un peigne de Dirac pondéré par
les échantillons du signal :
+∞
X
x(t) = xk δ(t − kTs ) (1.4)
k=−∞
Un signal échantillonné est un signal discret obtenu à partir d’un signal continu dont on prélève les valeurs à
intervalles de temps réguliers Ts (période d’échantillonnage) :
+∞
X +∞
X
xe (t) = xk δ(t − kTs ) = x(t) δ(t − kTs ) (1.5)
k=−∞ k=−∞
Echantillonnage ≡ produit simple par un peigne de Dirac.
Un problème pratique pour l’échantillonnage :

Certains signaux continus, en tout cas leur représentation mathématique (signaux définis presque partout sauf en
un ensemble de points de mesure nulle), présentent des discontinuités de première espèce : e(t), signal carré,...
Les propriétés d’une de ces discontinuités à t = t0 sont :
• A l’instant t0 le signal n’est pas connu. Seule hypothèse : sa valeur est bornée.
• f (t+ + −
0 ) = lim[f (t0 + ε)] 6= f (t0 ) = lim[f (t0 − ε)] et ∆f (t0 ) = f (t0 ) − f (t0 )
ε→0 ε→0
• La dérivée n’existe qu’au sens des distributions : f ′ (t0 ) = ∆f (t0 )δ(t − t0 ).
Que se passe-t-il si nous échantillonnons un tel signal à l’instant t = t0 ? La valeur de l’échantillon ne peut être
f (t0 ) qui n’existe pas. Si nous considérons la discontinuité en t0 comme un cas limite, selon le cas choisi la valeur
sera f (t− + − +
0 ), f (t0 ), 1/2f (t0 ) + f (t0 ). Ce raisonnement est purement théorique.
11
Si nous nous intéressons au problème pratique, l’échantillonnage est réalisé par un circuit électronique type SAH
(sample and hold), convertisseur analogique-numérique,,... Quelque soit le circuit utilisé, entre l’instant où il reçoit
l’ordre d’effectuer l’échantillonnage et l’instant de réalisation, il y aura toujours un retard (mêeme extrémement
faible : qqs ns ou µs).. Cette façon de voir les choses nous amène donc à considérer que la valeur de l’échantillon
en t0 sera systématiquement f (t+
0 ).
Sauf indication contraire nous choisirons par la suite cette valeur. Ce n’est en aucun cas rigoureux et nous parlerons
alors de ”convention d’échantillonnage réel”.
1.3.3 signaux discrets et périodiques :
Un signal peut être à la fois échantillonné et périodique. Sa représentation devient simple lorsque le nombre
d’échantillons dans une période est entier soit : T0 = N.Ts avec N entier.
Sa représentation peut se faire de trois façons complètement équivalentes :
"N −1 # +∞
X X
Motif discret périodisé xed = xk δ(t − kTs ) ⊗ δ(t − nT0 )
k=0 n=−∞
" N −1
# +∞
X X
Motif continu échantillonné et périodisé xed = x(t) δ(t − kTs ) ⊗ δ(t − nT0 )
k=0 n=−∞
" +∞
# N −1
X X
Motif continu périodisé et échantillonné xed = xm (t) ⊗ δ(t − nT0 ) . δ(t − kTs )
n=−∞ k=0
1.4 Analyse fréquentielle

1.4.1 Transformée de Fourier :
L’analyse de Fourier largement utilisée dans le domaine du signal permet de décomposer une fonction sur une base
d’exponentielles :
Transformation directe :
12
Z +∞
T F [x(t)] = X(f ) = x(t)e−j2πf t dt
−∞
Transformation inverse :
Z +∞
−1
TF [X(f )] = x(t) = X(f )ej2πf t df
−∞
Cette transformée définie au sens des fonctions de L(1) est étendue aux distributions tempérées avec les résultats
suivants :
• Translation temporelle → Déphasage fréquentiel

T F [δ(t − t0 )] = e−j2πf t0
|T F [δ(t − t0 )]| = 1
• Déphasage temporel - Translation fréquentielle

T F ej2πf0 t = δ(f − f0 )
La dérivation généralisée appliquée aux séries de Fourier à termes complexes permet d’établir les formules de
Poisson :
+∞
X +∞
X 1
e−j2πf nT0 = f0 δ(f − nf0 ); avec f0 = (1.6)
n=−∞ n=−∞
T0
Ce qui permet d’établir les formules déjà rappelées pour le peigne de Dirac (avec f0 .T0 = 1) :
" +∞
# +∞ +∞
X X X
TF δ(t − nT0 ) = e−j2πf nT0 = f0 δ(f − nf0 )
n=−∞ n=−∞ n=−∞
" +∞
# +∞
X X
−1
TF δ(f − nf0 ) = T0 δ(t − nT0 ) (1.7)
n=−∞ n=−∞
1.4.2 Application aux signaux périodiques :
Spectre discret (méthode no1) :

Un signal périodique possède une décomposition en série de Fourier à termes complexes :
+∞
X
x(t) = Cn ej2πnf0 t
n=−∞
Z
1
avec Cn = x(t)ej2πnf0 t dt
T0 (T0 )
+∞
X +∞
X

T F [x(t)] = Cn T F ej2πnf0 t = Cn δ(f − nf0 ) (1.8)
n=−∞ n=−∞
d’où le résultat important suivant : la transformée de Fourier d’un signal périodique est discrète.
Signal périodique ⇐⇒ TF discrète
13
Spectre discret (méthode no 2) :
En utilisant l’expression du signal périodique défini à partir de sa fonction motif xm (t) :
" +∞
# +∞
X X
T F [x(t)] = T F xm (t) ⊗ δ(t − nT0 ) = f0 Xm (f ). δ(f − nf0 ) (1.9)
n=−∞ n=−∞
Le résultat est toujours un peigne de Dirac pondéré =⇒ la transformée de Fourier est discrète.
Lien série-transformée de Fourier :
Les deux méthodes précédentes sont équivalentes et aboutissent bien sûr à la même conclusion. En comparant les
deux résultats il vient :
Cn = f0 Xm (nf0 )
Ce résultat nous permet de concevoir différemment le coefficient de décomposition en série de Fourier à termes
complexes : le coefficient Cn est obtenu par discrétisation fréquentielle d’intervalle f0 de la transformée de Fourier
du motif du signal périodique multipliée par f0 .
Cas particulier des sinusoı̈des :
Les sinusoı̈des peuvent être exprimées par les formules d’Euler :
ej2πf0 t + e−j2πf0 t
cos (2πf0 t) =
2
1 1
T F [cos (2πf0 t)] = δ(f − f0 ) + δ(f + f0 )
2 2
Re
1 1
2 2
−f0 0 f0
Im
ej2πf0 t − e−j2πf0 t
sin (2πf0 t) =
2j
1 1
T F [sin (2πf0 t)] = δ(f − f0 ) − δ(f + f0 )
2j 2j
14
Re
1
2
0
−f0 f0
1
2
Im
1.5 Application aux signaux discrets :

Signaux discrets (méthode no 1) :
+∞
X
x(t) = xk δ(t − kTs )
k=−∞
+∞
X
T F [x(t)] = xk e−j2πkTs f (1.10)
k=−∞
C’est une série de Fourier à termes complexes dans le domaine des fréquences =⇒ T F [x(t)] est une fonction
périodique de la fréquence f .
Signal discret ⇐⇒ TF périodique
Conséquence :
Les xk sont des coefficients de décomposition en série de Fourier à termes complexes nous pouvons donc les retrouver
à partir de la transformée de Fourier :
Z Z
1 j2πkTs f
X(f ) = T F [x(t)] ⇒ X(f )e df = Ts X(f )ej2πkTs f df
fs (fs ) (1/Ts )
Signaux échantillonnés (méthode no 2) :

Cette propriété peut être établie de manière plus élégante en faisant intervenir les distributions. Le signal échantillonné
x(t) est obtenu à partir du signal continu xc (t).
+∞
X +∞
X
x(t) = xk δ(t − kTs ) = xc (t). δ(t − kTs )
k=−∞ k=−∞
(1.11)
+∞
X +∞
X
T F [x(t)] = Xc (f ) ⊗ fs δ(f − nfs ) = fs Xc (f − nfs ) (1.12)
n=−∞ n=−∞
15
Nous retrouvons ainsi la périodicité du spectre.
Bande de fréquence de Shannon :
Pour étudier le spectre d’un signal discret, il suffit de le connaı̂tre sur une période fréquentielle de durée fs le reste
du spectre étant obtenu par
périodisation
de ce motif. Par convention, nous utiliserons la bande de fréquence de
fs fs 1 1
Shannon (ou de Nyquist) − , ≡ − , . L’utilisation de fréquences normalisées justifiant la notation
2 2 2Ts 2Ts
1 1
abrégée − , .
2 2
Pour les calculs, bon nombre de logiciels utilisent la bande de fréquences [0, fs ] soit [0, 1] en fréquences normalisées.
Ceci sera utilisé en particulier avec la transformée discrète (TFD) et son algorithme rapide (FFT).
Phénomène de recouvrement fréquentiel : (repliement, folding, aliasing)
Si le spectre fs Xc (f ) est plus étendu que la bande de Shannon, la périodisation va introduire un recouvrement dont
la conséquence est que X(f ) 6= fs Xc (f ) ce qui interdit par simple filtrage (troncature fréquentielle) de retrouver le
signal continu d’origine.
T h é o r è m e de Shannon
(1916-2001)
C’est le premier résultat fondamental de la théorie des signaux
discrets.
Si on appelle fM la fréquence maximale du spectre Xc (f ) du signal
continu, celui-ci pourra ^etre retrouvé sans distorsion si on respecte
la condition :
1
fs ≥ 2.fM ⇒ Ts ≤ (1.13)
2.fM
1
est la période d’échantillonnage critique (pour un signal
2.fM
sinusoı̈dal, 2 échantillons par période).
Remarque :
En pratique, pour un grand nombre de signaux, le spectre de Fourier n’est pas limité mais tend asymptotiquement
vers 0 lorsque f → +∞. Dans ce cas, fM = +∞ et il est impossible de respecter rigoureusement la condition
16
de Shannon. On peut quand même chercher à la respecter approximativement par exemple en négligeant dans le
spectre toutes les fréquences pour lesquelles le module de la transformée de Fourier du signal est inférieur à α% de
son maximum.
Conséquences expérimentales :
Expérimentalement il est nécessaire de supprimer toutes les fréquences supérieures fM en particulier celles qui
peuvent être dues à des bruits. Il faut donc de procéder au préalable à un filtrage du signal par un filtre passe-bas :
le filtre anti-repliement. Ce filtre ne peut être évidemment réalisé que de manière analogique puisqu’il précède
l’échantillonnage.
Signal continu Signal continu filtré Signal échantillonné
échantillonneur
Filtre Analogique
passe-bas
anti-repliement
Principe d’une chaı̂ne d’acquisition d’un signal continu et de sa transformation en signal discret
Système Fréquence d’échantillonnage

GSM 8000 Hz
Mini DV 32000Hz, 48000 Hz
Cd Audio 44100 Hz
DVD Vidéo 48000 Hz
HD Vidéo 96000 Hz
1.6 Reconstruction d’un signal échantillonné :

Celle-ci est théoriquement possible si la condition d’échantillonnage de Shannon a été respectée. Il suffit de faire le
raisonnement suivant :
• Isoler le spectre du signal continu dans la bande de Shannon :
1 f
Xc (f ) = .X(f ).rect( ) (1.14)
fs fs
• Effectuer la transformation de Fourier inverse : xc (t) = T F −1 [Xc (f )]
1 sin (πfs t)
xc (t) = x(t) ⊗ fs
fs πfs t
+∞
X sin (πfs t)
xc (t) = xk δ(t − kTs ) ⊗ (1.15)
πfs t
k=−∞
17
En utilisant la propriété de la distribution exposée précédemment, nous établissons le théorème :
+∞
X sin (πfs (t − kTs ))
xc (t) = xk (1.16)
πfs (t − kTs )
k=−∞
Connaissant les échantillons xk nous sommes donc capables de reconstituer le signal. Il y a cependant un in-
convénient : cette reconstruction n’est pas causale puisque, à un instant t donné, il nous faut tous les échantillons
y compris ceux qui interviennent dans le futur. Elle nécessite le calcul avec tous les échantillons qui peuvent être
en nombre infini ⇒ temps de calcul prohibitif.
Cette technique peut néanmoins être utilisée en temps différé sur des signaux possédant un nombre limité d’échantillons.
Dans la pratique nous levons ces inconvénients en s’adressant à des techniques de reconstruction approximatives
mais causales et de temps de calcul raisonnable.
La formule exprime quand même le fait théorique important qui est que, si on respecte la condition de Shannon,
le signal échantillonné possède la totalité des ”informations” contenues dans le signal continu.
1.7 Signaux discrets et périodiques :

Ils seront étudiés en détail dans le chapitre sur la transformée de Fourier discrète. Compte tenu des chapitres
précédents, le spectre aura les deux propriétés de périodicité et de discrétisation.
Temporel Transformée de Fourier
Signal discret périodique
Signal périodique discrète
Signal périodique et discret discrète et périodique
1.8 Signaux réels :

Signaux dont la mesure est exprimée par un nombre réel (xk ∈ R) c’est à dire la grande majorité des signaux traités
dans la pratique. Que le signal soit discret ou continu leur spectre a les mêmes propriétés générales. Ce sont ces
propriétés déjà établies dans le cas continu qui sont ici brièvement rappelées.
Propriétés de la transformée de Fourier d’un signal réel :
Utilisons les propriétés de la transformée de Fourier (cf preuve en fin de paragraphe) :
X(f ) = T F [x(t)]
h i
X(−f ) = T F x(t) = T F [x(−t)]
Pour un signal x(t) réel :
– T F [x(t)] = X(f ) = A(f ) + jB(f ) où A(f ) et B(f ) sont réels

– X(−f ) = A(−f ) + jB(−f ) = T F [x(t)] = A(f ) − jB(f )
⇒ La transformée de Fourier d’un signal réel est telle que :
• sa partie réelle A(f ) est paire
• sa partie imaginaire B(f ) est impaire.
18
X(f ) peut être exprimée aussi sous la forme module-argument : X(f ) = |X(f )|ejϕ(f )
Cas du module : |X(f )|2 = |A(f )|2 + |B(f )|2 = |X(−f )|2
Cas de l’argument : ϕ(f ) = Arg[X(f )] = Arctg[B(f )/A(f )] = −Arg[X(−f )]
⇒La transformée de Fourier d’un signal réel est telle que :
• le module |X(f )| est pair
• l’argument Arg[X(f )] est impair.
Application au calcul de la transformée de Fourier d’un signal réel :

Dans le cas d’un signal réel et discret, il suffit de calculer la transformée de Fourier sur la moitié de la bande de
Shannon [0 ; 0.5] l’autre partie [-0.5 ; 0] ou [0.5 ; 1] étant complétée :
• par symétrie pour le module qui est pair.
• par antisymétrie pour l’argument qui est impair.
Cas particulier d’un signal pair :

Si x(t) est pair ⇒ la transformée de Fourier est paire : X(f ) = X(−f ).
Si de plus il est réel ⇒ seul A(f ) existe ⇒ X(f ) est réel.
La transformée de Fourier d’un signal réel et pair est réelle et paire.
Cas particulier d’un signal impair :
Si x(t) est impair ⇒ la transformée de Fourier est impaire : X(f ) = −X(−f ).
Si de plus il est réel ⇒ seul B(f ) existe X(f ) est imaginaire.
La transformée de Fourier d’un signal réel et impair est imaginaire et impaire.
Annexe : propriétés de la transformée de Fourier d’un signal réel :
Cas de signaux continus :
Z +∞
T F [x(t)] = X(f ) = x(t)e−j2πf t dt
−∞
Z +∞ Z +∞ h i Z +∞
j2πf t
X(−f ) = x(t)e dt = x(t)e−j2πf t dt = T F x(t) = x(−t)e−j2πf t dt = T F [x(−t)]
−∞ −∞ −∞
Cas de signaux discrets :
"+∞ # +∞
X X
T F [x(t)] = T F xk δ(t − kTs ) = X(f ) = xk e−j2πkTs f
−∞ −∞
+∞
X +∞
X h i X+∞
X(−f ) = xk ej2πkTs f = xk ej2πkTs f = T F x(t) = x−k e−j2πkTs f = T F [x(−t)]
−∞ −∞ −∞
1.9 Transformée de Fourier, transformée de Laplace et transformée

en Z :
Ce sujet est plus largement discuté dans l’étude de la transformation en Z dont nous rappelons ici les points
essentiels.
19
La transformée de Fourier n’existe que pour les signaux de L(1) (ensemble des signaux stables). En continu, elle
a été généralisée par la transformée de Laplace (moyennant quelques conditions de convergence) et l’extension de
cette transformation de Laplace peut se faire avec précautions aux distributions et en particulier à la distribution
de Dirac. Nous sommes ainsi en mesure de l’étendre à l’étude des signaux discrets.
Z +∞
T L[x(t)] = X(p = σ + jω) = x(t)e−pt dt (1.17)
0
au sens des fonctions.

T L[δ(t)] = 1 T L[δ(t − τ )] = e−pτ pour les distributions.
+∞
X
k=−∞
+∞
X
T L[x(t)] = xk e−kpTs (1.18)
k=−∞
La transformée de Laplace d’un signal discret ne se met plus sous forme polynomiale comme dans le cas continu
ce qui nous fait perdre un outil puissant. Pour le retrouver un changement de variable complexe suffit et amène à
définir la transformée en Z d’un signal discret :
= epTs
z
+∞
X
T L[x(t)] = xk e−kpTs
k=−∞
+∞
X
T Z[x(t)] = xk z −k
k=−∞
Le passage de cette transformée en Z à la transformée de Fourier se fait en posant z = ejwTs et n’est possible que
si le cercle unité appartient à l’anneau de convergence de la transformée en Z étudiée (cf : notions de base sur la
transformée en Z)
20
Chapitre 2
Transformée de Fourier discrète : TFD et principe
des analyseurs de spectre ”numériques”
La transformée de Fourier discrète est la transformée de Fourier ”exacte” d’un signal périodique et discret. Elle est
très simple à calculer à partir de séries mathématiques limitées et ce calcul s’implante facilement sur calculateur
ou circuit spécialisé (DSP) avec un algorithme FFT (Fast Fourier Transform) permettant d’en accélérer le temps
de calcul de plusieurs centaines de fois. Moyennant quelques précautions d’emploi, elle permet d’approximer en
un temps record la transformée de Fourier d’un signal continu à partir de sa version échantillonnée d’où le grand
intérêt de cette transformation pour les ingénieurs, scientifiques et traiteurs de signaux.
2.1 Transformée de Fourier Discrète. Définition mathématique :

Mathématiquement, la transformée de Fourier discrète est une transformation qui fait correspondre deux séries de
données de N points chacune :
{xk } ↔ {Xn } avec k, n entiers ≥ 0 n’appartenant pas à [0; N − 1]
Transformation directe :
"N −1 #
X
−j2π k.n
Xn = xk e N (2.1)
k=0
Transformation inverse :
"N −1 #
1 X
j2π k.n
xk = Xn e N (2.2)
N n=0
Réalisation pratique : Pour calculer ces séries il existe un algorithme de transformée de Fourier rapide ou FFT
(Fast Fourier Transform) qui dans le cas où N = 2M est particulièrement performant (en utilisant cet algorithme
pour N = 1024, le temps de calcul est divisé par un facteur environ 1000 par rapport à l’utilisation directe de la
définition. Implanté sur des ordinateurs ou réalisations à base de processeurs actuels, il dure moins d’une µs). Cet
algorithme très célèbre est largement étudié dans les cours d’informatique et d’algorithmique.
21
2.2 Estimation de la transformée des signaux
2.2.1 Principe :
Echantillonnons à la période Ts un signal continu xc (t) pendant un temps d’acquisition Ta . Ce temps d’acquisition
dure N échantillons d’où la relation : Ta = N.Ts
Le signal échantillonné est :
+∞
X N
X −1
x(t) = xc (t) δ(t − kTs ) = xk δ(t − kTs ) (2.3)
k=−∞ k=0
xk = xc (kTs ) xc (t ≥ N Ts ) = 0
En prenant la transformée de Fourier des deux membres :
+∞
X
T F [x(t)] = Xc (f ) ⊗ fs . δ(f − kfs )
k=−∞
+∞
X
X(f ) = fs .Xc (f − kfs )
k=−∞
22
N
X −1
T F [x(t)] = xk e−j2π.f kTs (2.4)
k=0
Cette relation rappelle le fait que le spectre est continu et périodique. Si nous calculons N points de ce spectre pour
fs
les fréquences f = n. avec n ∈ [0; N − 1] en absence de repliement nous obtenons N points du spectre fréquentiel
N
tels que :
N
X −1
fs
fs Xc (n ) = T F [x(t)] = xk e−j2π.f kTs = Xn (2.5)
N
k=0
fs 1
en remarquant que =
N Ta
nous obtenons donc, si l’effet du repliement est négligeable une bonne approximation de la transformée de Fourier
du signal :
n
Xn ≈ fs .Xc ( ) (2.6)
Ta
1
• est l’intervalle entre deux points fréquentiels ou pas fréquentiel.
Ta
1
• est la largeur de la bande [0; 1] sur laquelle est effectuée l’estimation
Ts
23
• Nous mesurons N points en temporel et estimons ainsi N points en fréquentiel.
2.2.2 Cas général :
+∞
X N
X −1
n kN
f s Xc ( − )= xk e−j2π.f kTs = Xn (2.7)
Ta Ta
k=−∞ k=0
n X n kN
Xn = f s Xc ( )+ f s Xc ( − ) (2.8)
Ta Ta Ta
k6=0
Xn = terme ”principal” + terme de repliement.
△
!
Il faut donc soigneusement éviter le repliement
24
2.3 Signaux périodiques : TFD et série de Fourier
2.3.1 Signaux périodiques, signaux discrets :
Signaux périodiques :
Un signal périodique possède une décomposition en série de Fourier à termes complexes :
+∞
X
x(t) = Cn ej2π.nf0 t = Xn (2.9)
n=−∞
Z
avec Cn = x(t)e−j2π.nf0 t dt
(T0 )
+∞
X +∞
X

⇒ T F [x(t)] = Cn T F ej2π.nf0 t = Cn δ(f − nf0 ) (2.10)
n=−∞ n=−∞
⇒ la transformée de Fourier d’un signal périodique est discrète : Signal périodique ⇔ TF discrète
Signaux discrets : Un signal échantillonné x(t) est obtenu à partir d’un signal continu xc (t).
+∞
X
x(t) = xk δ(t − kTs ) (2.11)
k=−∞
+∞
X
T F [x(t)] = xk e−j2π.kTs f
k=−∞
+∞
X
= Xc (f ) ⊗ fs δ(f − nfs )
n=−∞
+∞
X
T F [x(t)] = fs Xc (f − nfs ) (2.12)
n=−∞
⇒ la transformée de Fourier d’un signal discret est périodique : Signal discret ⇔ TF périodique
2.4 Signaux échantillonnés et périodiques :

Hypothèse : Le nombre N d’échantillons par période est supposé entier :
1
T0 = N.Ts ⇒ f0 .Ts = .
N
Transformation de Fourier directe :
Le signal périodique et échantillonné peut être modélisé par un motif discret de durée T0 = N.Ts périodisé :
"N −1 # +∞
X X
xep (t) = xk δ(t − kTs ) ⊗ δ(t − nT0 ) (2.13)
k=0 n=−∞
25
"N −1 # +∞
X X
−j2πkf Ts
T F [xep (t)] = Xep (f ) = xk e .f0 δ(f − nf0 )
k=0 n=−∞
+∞
"N −1 #
X X
−j2πknf0 Ts
= f0 xk e δ(f − nf0 )
n=−∞ k=0
+∞
"N −1 #
X X
−j2π kn
= f0 xk e N δ(f − nf0 ) (2.14)
n=−∞ k=0
{xk } étant la série d’échantillons du motif du signal échantillonné périodique, nous voyons apparaı̂tre sa transformée
de Fourier discrète {Xn } et :
"N −1 #
X
−j2π kn
Xn = xk e N (2.15)
k=0
+∞
X
⇒ T F [xep (t)] = Xep (f ) = f0 Xn δ(f − nf0 )
n=−∞
Remarques :
• Xn est la transformée de Fourier du motif temporel échantillonné prise pour la valeur f = n.f0 .
• Xn+αN = Xn ∀α la TF est périodique de période fréquentielle N.f0 = fs soit la largeur de la bande de

Shannon. (propriété déjà vue, typique d’un signal discret).
• La TF est échantillonnée avec la périodicité fréquentielle f0 (propriété d’un signal périodique).
Transformation de Fourier inverse :

La procédure est la même que pour la transformée directe puisque nous avons un spectre à la fois discret et
périodique. La transformée de Fourier Xep (f ) est donc un motif fréquentiel de largeur fs échantillonné à la cadence
f0 et périodisé à la distance fs . Ceci peut s’écrire mathématiquement sous la forme :
"N −1 #
X
−j2π kn
Xn = xk e N
k=0
26
"N −1 # +∞
X X
Xep (f ) = f0 Xn δ(f − nf0 ) ⊗ δ(f − kfs )
n=0 k=−∞
La transformation de Fourier inverse donne :
"N −1 # +∞
X X
T F −1 [Xep (f )] = f0 Xn ej2πnf0 t .Ts δ(t − kTs )
n=0 k=−∞
+∞
"N −1 #
X X
= f0 Ts Xn ej2πnf0 kTs δ(t − kTs )
k=−∞ n=0
+∞
"N −1 #
1 X X
j2π nk
= Xn e N δ(t − kTs )
N n=0
k=−∞
+∞
X
= xep (t) = xk δ(t − kTs ) (2.16)
k=−∞
d’où l’expression de la transformée de Fourier discrète inverse (TFD−1 ) :
"N −1 #
1 X
j2π kn
xk = Xn e N (2.17)
N n=0
Conclusion :
La transformée de Fourier Discrète (TFD) est la manière rigoureuse de calculer la transformée de
Fourier d’un signal à la fois périodique et discret. La TFD et sa transformation inverse permettent
de relier les échantillons {xk } du motif du signal périodique aux échantillons {Xn } du motif de
sa transformée de Fourier.
2.4.1 lien avec la série de Fourier :
Un signal périodique se décompose en série de Fourier et nous pouvons l’échantillonner en prenant N échantillons
par période T0 = N.Ts :
" +∞
#
X
j2πmf0 t
xp (t) = Cm e (2.18)
m=−∞
+∞
X mk
⇒ xk = xp (t = kTs ) = Cm e−j2π N
m=−∞
"N −1 # "N −1 " +∞ # #

1 X X X
−j2π kn j2π km −j2π kn
Xn = xk e N = Cm e N e N (2.19)
N m=−∞
k=0 k=0
D’où la relation :
27
+∞ h
" #
N
X −1 X i +∞
X N
X −1
j2π k(m−n) j2π k(m−n)
Xn = Cm e N = Cm e N
k=0 m=−∞ m=−∞ k=0

 
+∞
X (m−n) sin (π(m − n)) 
= Cm ejπ(m−n) e−jπ N (2.20)
m=−∞ sin π (m−n)
N
Le coefficient de Cm est tel que :
sin (π(m − n))

=0 pour m − n 6= αN et =N pour m − n = αN
sin π (m−n)
N
d’où :
+∞
X X
Xn = N.Cn+αN = N.Cn + N.Cn+αN
α=−∞ α6=0
Terme principal + terme de repliement

Dans certaines conditions liées à l’absence de repliement subsiste seul le terme principal correspondant à α = 0 et
on aura la relation :
Xn ≈ N.Cn (2.21)
Application pratique :
La TFD des échantillons d’un signal périodique est une évaluation du coefficient de décomposition en série de Fourier
à termes complexes de ce signal. Cette estimation sera rigoureuse si nous respectons lors de l’échantillonnage la
condition de Shannon. Par ailleurs il ne faut pas oublier la condition T0 = N.Ts c’est à dire un nombre entier
d’échantillons dans une période du signal (le non respect, de cette condition est vu plus tard dans le chapitre V)
Nous disposons ainsi d’une méthode numérique de calcul de la série de Fourier permettant de remplacer le calcul
d’une intégrale par celui d’une série de nombre finis de termes.
2.5 Quelques applications de la TFD

Une fois les acquisitions du signal réalisées, il n’est pas toujours possible de les recommencer. Pour obtenir des
”données” supplémentaires sur le signal, il n’est pas théoriquement nécessaire de reprendre l’acquisition car, si
l’échantillonnage a été correctement effectué, le théorème de reconstruction prouve que le signal échantillonné
contient autant ”d’indications” que le signal continu d’origine. Les ”données” recherchées peuvent ainsi être obtenues
directement à partir du fichier. De nombreuse applications utilisent ce fait cependant, elles sont déduites des deux
grandes méthodes d’interpolation permettant d’augmenter soit la précision fréquentielle soit la précision temporelle.
28
2.5.1 Amélioration de la précision fréquentielle :
Problème :
Un signal a été échantillonné en respectant la condition de Shannon. Nous avons acquis N points de ce signal qui,
grâce à la TFD, nous ont permis d’obtenir une estimation de sa transformée de Fourier en N points répartis dans
fs
la bande de fréquences de Shannon. Nous avons montré que l’écart entre deux de ces points adjacents est de
N
constituera ainsi notre précision fréquentielle.
Cette précision ne nous convient pas et nous souhaitons l’améliorer sans pour autant reprendre l’expérience. Est-ce
possible ?
Interpolation fréquentielle (”zero padding”) :
Le problème précédent est possible et même trivial. Il suffit d’avoir rempli une condition : éviter une troncature
temporelle lors de l’acquisition du signal.
Le temps d’acquisition du signal est T0 = N.Ts . Nous évitons la troncature si à t = T0 le signal est terminé c’est à
dire supposé pratiquement nul. Pour augmenter la précision fréquentielle il faut diminuer f0 soit augmenter T0 . Si
le signal n’a pas été tronqué lors de la première acquisition, augmenter T0 revient à faire l’acquisition d’échantillons
supplémentaires de valeur nulle. Inutile de refaire une manipulation pour cela, il suffit de les ajouter à la fin du
fichier de données. Donc pour augmenter la précision fréquentielle, il suffit d’ajouter autant de zéros que souhaité
en fin de fichier (”zéro padding”) puis de traiter celui-ci.
fs
• premier fichier N points → précision fréquentielle .
N
fs
• deuxième fichier N points + M zéros → nouvelle précision fréquentielle N +M .
2.5.2 Interpolation temporelle :
C’est le même problème que précédemment mais en permutant le rôle du temps et des fréquences. Cependant cela
n’est pas évident au premier abord et nous allons tenter de montrer ce résultat ainsi que les dispositions pratiques
qui permettent de l’obtenir.
Problème :
Un signal a été échantillonné en respectant la condition de Shannon et nous avons acquis N points de ce signal. En
réalité ce nombre de points est insuffisant et nous voulons des points ”intermédiaires”. Pour obtenir ce résultat, il
faudrait recommencer l’acquisition avec une période d’échantillonnage plus faible cependant, le signal échantillonné
contenant toutes les informations du signal continu, il doit suffire pour retrouver ces échantillons et éviter de refaire
l’expérience.
Propriétés de base :
Nous avons un signal continu xc (t) échantillonné à une période Ts1 pendant un temps d’acquisition T0 = N.Ts1 ce
qui nous donne le signal x1 (t).
Supposons le même signal xc (t) échantillonné à la période Ts2 pendant le même temps T0 = M.N.Ts2 . Ceci donne
un autre signal x2 (t) possédant M fois plus d’échantillons que x1 (t).
Quelles sont les points communs et les différences entre x1 (t) et x2 (t) ?
• Les deux signaux proviennent du même signal continu xc (t) et ont même durée T0 ⇒ l’intervalle entre les
1
échantillons fréquentiels est le même dans les deux cas = f0 = .
T0
29
1
• Pour les deux la condition de Shannon est supposée respectée ⇒ Ts2 < Ts1 < , (fmax étant la plus
2fmax
haute fréquence du spectre de xc (t)).
1 N
• La largeur de la bande de Shannon pour x1 (t) est = .
Ts1 T0
1 M.N
• La largeur de la bande de Shannon pour x2 (t) est = soit M fois plus large que celle associée à
Ts2 T0
x1 (t). Le théorème de Shannon étant respecté dans les deux cas, le spectre de x2 (t) est donc le même que
celui de x1 (t) mais sur une bande de Shannon plus large ⇒ le spectre de x2 (t) est le spectre de x1 (t) complété
par des zéros.
Nous retrouvons ici l’analogie avec le ”zéro padding” : pour interpoler un signal temporel, il suffit de suréchantillonner
à la période désirée et de faire en sorte que son spectre de fréquence soit complété par des zéros.
Exemple :
xc (t) = t2 exp(−3.t) avec T0 = 3s.
Ce signal à la forme ci-dessous :
En choisissant : Ts1 = 0.15s, Ts2 = 0.05s
⇒ N = 20 M = 3
Les spectres et bandes de Shannon associées sont les suivants :

Interpolation temporelle :
Il faut donc changer de période d’échantillonnage, la diminuer. La méthode est basée sur la propriété que nous
venons de voir et se fait en trois étapes illustrées par l’exemple choisi :
étape 1 : Echantillonnage du signal à la période Ts1 conformément au théorème de Shannon.
Etape 2 :
Changement de période d’échantillonnage, nous intercalons (M −1) zéros entre les échantillons du fichier → nouvelle
Ts1
période d’échantillonnage Ts2 = et extension de la bande de fréquence de Shannon.
M
En effet, les données numériques sont inchangées (des zéros ne donnent rien dans la TFD).
Soit x(t) le signal échantillonné à la période Ts1 (N échantillons) et y(t) le signal obtenu avec des zéros intercalés
donc de période d’échantillonnage Ts2 (M.N échantillons).
30
y(t) est tel que : yp = xk pour p = M.k et yp = 0 pour p 6= M.k
le calcul de la TFD nous donne :
"N −1 #
X
−j2π kn
Xn = xk e N n ∈ [0; N − 1] (2.22)
k=0
"M.N −1 #
X pq
Yq = yp e−j2π MN n ∈ [0; M.N − 1] (2.23)
p=0
les seuls échantillons yp non nuls étant pour p = M.k nous pouvons effectuer le changement de variable et :
"N −1 #
X
−j2π M.kq
Yq = yM.k e MN n ∈ [0; M.N − 1] (2.24)
k=0
le nouveau signal ainsi obtenu a donc même transformée de Fourier que le précédent, seule la bande de fréquence
de Shannon est changée puisque multipliée par M . Nous représentons donc M bandes de Shannon du signal x(t).
1
Etape 3 : Nous effectuons un filtrage passe-bas de fréquence de coupure =largeur de la bande de Shannon
2.Ts1
du premier signal ⇒ nous mettons à zéro les échantillons fréquentiels ajoutés.
Réalisation pratique :
31
Signal continu Filtre Analogique Signal continu filtré Signal x1 (t) discret
passe-bas
xc (t) anti-repliement Ts1
échantillonneur
Filtre passe-bas Zéros intercalés
Stockage x1 (t)
échantillonné à Ts1
Ts2 anti-repliement
Zéros
32
Signal − Ts = 0,4 s FFT signal
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 −1 −0.5 0 0.5 1
Temps en secondes Fréquences en Hz
signal+zéro padding FFT signal + zéros padding
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 10 20 30 −1 −0.5 0 0.5 1
Temps en secondes Fréquences en Hz
Applications
C’est une méthode de compression du signal discret, il suffit de stocker juste
les données nécessaires correspondant à une période d’échantillonnage Ts1 voisine
de l’échantillonnage critique. Si un besoin d’échantillons se fait ressentir, la
technique ci-dessus permet de les retrouver en temps réel.
L’un des domaines d’utilisation de ce procédé est le CD audio. A l’heure
actuelle, un enregistrement musical est effectué à la limite de la fréquence de
Shannon mais cela est insuffisant pour obtenir une restitution satisfaisante car
il faut reconstruire un signal continu en temps réel. Pour cela, à la lecture
du CD il est procédé à une interpolation avec M = 8 pour fournir le signal de
qualité satisfaisante. Le stockage sur le CD y a quand m^ eme gagné ce facteur 8.
33
Signal − Ts = 0,4 s TFD du signal
1 1
0.5 0.5
0 0
0 1 2 3 4 −2 0 2
Fréquences en Hz
Signal + zéros interpolés Signal + zéros interpolés
1 1
0.5 0.5
0 0
0 1 2 3 4 −2 0 2
Fréquences en Hz
Signal + zéros interpolés + signal interpolé Signal + zéros interpolés + filtrage
1 1
0.5 0.5
0 0
0 1 2 3 4 −2 0 2
Fréquences en Hz
2.6 Analyseur de spectre - Fenêtres de pondération.

2.6.1 Analyseur de spectre ”numérique” (principe) :
Au chapitre III nous avons montré que si nous calculons la TFD des échantillons d’un signal continu xc (t) de
transformée de Fourier Xc (f ),celle-ci nous donne :
X
Xn = fs Xc (nf0 ) + fs Xc (nf0 − kN f0 )
k6=0
terme principale + terme de repliement
Si l’effet du repliement est négligeable, la TFD devient une bonne approximation de la transformée de Fourier du
signal :
Xn ≈ fs Xc (nf0 )
Déjà discuté, le résultat précédent montre que :
• La TFD appliquée à un signal quelconque permet d’avoir une estimation de la valeur de sa transformée de
fs
Fourier en N points distants de f0 = .
N
• Pour cela, la TFD permet de remplacer une intégrale par une série à nombre fini de termes ce qui est une
méthode numérique qui s’implante très facilement sur calculateur, microprocesseur ou processeur de signal
(DSP).
34
• Il a été développé des algorithmes mathématiques dits FFT (Fast Fourier Transform) qui accélèrent le temps
de calcul dans certains cas par des facteurs 100 voire 1000 et calculer une TFD sur 1024 points peut être
une opération qui ne prend que quelques µs. De ce fait, la TFD et FFT sont devenus des outils puissants de
traitement de signal.
Nous avons ici tous les ingrédients permettant de développer un appareil performant pour l’analyse de Fourier :
analyseur de spectre.
2.6.2 Élargissement des raies :
Cas des sinusoı̈des : Le signal dont le spectre de fréquences est le plus simple est le signal sinusoı̈dal de période
1 1
Tp . Son spectre ne contient théoriquement que deux raies aux fréquences et − . Ceci est montré sur la figure
Tp Tp
ci-dessous.
Pour obtenir ce résultat, nous avons utilisé un temps d’acquisition Ta du signal égal à un nombre entier de fois la
période Tp de la sinusoı̈de. Si cette condition n’est pas vérifiée nous obtenons le résultat suivant : nous ne retrouvons
plus deux raies mais un spectre dit élargi.
Explication : L’un des résultats fondamentaux de l’analyse Fourier est le principe d’incertitude. Si DT est
l’étalement de la distribution d’énergie dans le temps et DF l’étalement associé dans le domaine fréquentiel nous
savons que :
1
∆t.∆f ≥
4π
Nous pouvons traduire cette relation par : plus un signal est étendu dans le domaine temporel, moins il le sera
dans le domaine fréquentiel. L’utilisation de la TFD implique un nombre fini d’échantillons et donc un signal de
durée finie. Pour les signaux de longue durée (signaux tendant asymptotiquement vers une valeur non nulle, signaux
périodiques...) l’utilisation de la TFD introduira une troncature temporelle plus ou moins importante dont l’effet
peut être indésirable sur les raies du spectre du signal.
2.6.3 Exemple d’une sinusoı̈de
Ce type de signal très étendu dans le temps donne théoriquement lieu à un spectre avec deux raies spectrales de
largeur nulle (étalement fréquentiel faible).
35
xc (t) = a.cos (2πfp t)
a j2πfp t
xc (t) = e + e−j2πfp t
2
a
T F [(xc (t)] = (δ(f − fp ) + δ(f + fp ))
2
Si nous estimons son spectre grâce à une TFD calculée sur N points, cela revient à effectuer une troncature sur
l’intervalle de temps Ta = N.Ts ce qui limite l’étalement temporel du signal et doit conduire à un étalement
fréquentiel.
Le signal tronqué modélisable avec l’utilisation d’une fonction porte est :

t
x(t) = a.cos (2πfp t) .P
Ta

t t − Ta /2
P = rect
Ta Ta

t sin (πf Ta )
TF P = Ta .e−jπf Ta
Ta πf Ta
Le signal réel et sa transformée de Fourier seront :

t − Ta /2
x(t) = xc (t).rect
Ta

sin (πf Ta )
T F [x(t)] = T F [x(t)] ⊗ Ta .e−jπf Ta
πf Ta
a sin (πf Ta )
X(f ) = (δ(f − fp ) + δ(f + fp )) ⊗ Ta .e−jπf Ta
2 πf Ta

aTa sin (π(f − f )T
p a ) sin (π(f + fp )Ta )
T F [x(t)] = e−jπ(f −fp )Ta + e−jπ(f +fp )Ta (2.25)
2 π(f − fp )Ta π(f + fp )Ta
La troncature d’un signal sinusoı̈dal a deux conséquences :
• Plutôt que deux raies ”fines”, nous trouvons des raies ”élargies” correspondant aux deux sinus cardinaux. La
2 2
largeur du lobe central (prise entre les deux premiers minima nuls) des raies est 2∆f = = .
Ta (N Ts )
• Outre ce phénomène d’élargissement de la raie, il apparaı̂t des lobes latéraux que nous pourrions être tentés
d’interpréter comme d’autres raies présentes au pied de la raie principale (phénomène d’apodisation des raies
par troncature). Pour un sinus cardinal, le premier lobe secondaire a une amplitude relative d’environ 22%
ce qui est loin d’être négligeable.
Cas général : Un signal quelconque est une superposition de signaux sinusoı̈daux et l’utilisation de la TFD a deux
conséquence sur les raies spectrales :
• Un élargissement d’autant plus grand que la troncature est importante. Cela nous limite dans la séparation
(la résolution) de raies voisines.
• L’apparition de raies secondaires qui peuvent cacher des raies principales d’une autre composante du signal.
36
2.6.4 Limite de résolution :
Si le signal est composé de deux sinusoı̈des de fréquences voisines :
x(t) = a1 cos (2πf1 t) + a2 cos (2πf2 t) (2.26)
Le spectre de ce signal doit comporter deux raies qui vont se trouver élargies par la troncature du signal. Quand
peut-on dissocier (séparer) ces deux raies ? Nous pouvons estimer cela en utilisant un critère correspondant à un
cas limite : c’est le critère de résolution de Rayleigh.
Critère : Deux raies d’un spectre sont considérées comme séparables, si le maximum de l’une correspond au
premier minimum nul de l’autre.
En appelant 2∆f la ”largeur” d’une raie prise par convention comme étant l’écart entre les fréquences correspondant
aux deux premiers minima nuls encadrant le maximum de la raie, la limite de résolution sera donc telle que
|f2 − f0 | = ∆f.
Ceci est illustré par les figures suivantes (elles correspondent à des raies avec fenêtre de Hamming étudiée ensuite).
37
2.6.5 Utilisation d’une fenêtre :
Pour éviter ces inconvénients, nous pouvons réaliser une troncature avec pondération des échantillons : fenêtre de
pondération. La fenêtre doit être choisie de manière à ce que sa transformée de Fourier ait un lobe central le plus
étroit possible et des lobes latéraux d’amplitude la plus faible possible. Le compromis entre ces deux exigences est
réalisé par un certain nombre de fenêtres : Hanning, Hamming, etc.
2 2
Fenêtre rectangulaire : C’est la troncature simple, son lobe central est de largeur 2∆f = = et
(N T0 ) (N Ts )
l’amplitude du premier lobe de l’ordre de 22%.
38
L’effet des lobes latéraux se met en évidence sur le traitement d’un signal composé de deux raies théoriquement
résolues mais d’amplitudes de rapport 10. La TFD donne le résultat ci contre où la ”petite” raie est non détectable.
4
Fenêtre de Hanning : Fenêtre dite en ”cosinus”, son lobe central est de largeur 2∆f = et son premier
(N Ts )
lobe latéral d’amplitude relative d’environ 3%.

2πt
f (t) = 0.5 + 0.5cos
T0

1 1 1 1 sin (πf T0 )
T F [f (t)] = F (f ) = δ(f ). δ(f − ) + δ(f + ) ⊗ [T0 (2.27)
2 4 T0 T0 πf T0
Nous perdons un facteur 2 en résolution spectrale mais l’importance des lobes latéraux est moindre ce qui permet
par rapport à la troncature de mieux séparer les raies d’amplitudes différentes. Ceci est montré sur la figure ci-contre
qui reprend le traitement par TFD avec fenêtre de Hanning de l’exemple précédent de deux raies théoriquement
résolues et d’amplitudes de rapport 10
4
Fenêtre de Hamming : Dite en ”cosinus rehaussé”, son lobe central est de largeur 2∆f = et ses lobes
(N Ts )
latéraux d’amplitude relative inférieure à 1%.

2πt t
f (t) = α + (1 − α)cos rect (2.28)
T0 T0
39
Le paramètre α est ajusté pour minimiser les lobes latéraux en particulier le second ⇒ α = 0.54 :

2πt t
f (t) = 0.54 + 0.46cos rect (2.29)
T0 T0
Tout en concédant toujours un facteur 2 sur la résolution de la fenêtre rectangulaire, l’importance des lobes latéraux
est moindre ce qui améliore le résultat de la fenêtre de Hanning pour la détection de raies d’amplitudes différentes.
La figure ci-contre reprend le traitement par TFD de l’exemple de deux raies théoriquement résolues et d’amplitudes
de rapport 10 avec une fenêtre de Hamming
Autres fenêtres : De nombreuses autres fenêtres ont été développées. Elles sont aussi utilisées dans les méthodes de
synthèse des filtres RIF. Elles sont traitées à ce niveau, les analyseurs de spectre se contentant largement de celles
que nous venons d’étudier. Signalons une fenêtre dite à ”toit plat” (flat top) utilisée dans les analyseurs de spectre
travaillant par TFD. Lors de la restitution du spectre, et donc des différentes raies, l’utilisation d’une fenêtre peut
introduire une incertitude sur la mesure de l’amplitude de la raie. Pour comparer avec précision les amplitudes des
diverses raies d’un spectre, il vaut mieux utiliser une fenêtre de pondération qui les préserve : c’est le rôle de cette
fenêtre à ”toit plat”.
Caractéristiques des principales fenêtres de pondération :
40
Type de fenêtre Largeur spectrale ∆f Amplitude du 1er lobe
1
Rectangulaire N Ts -13 dB (22%)
2
Triangulaire N Ts -25 dB
2
Hanning N Ts -31 dB
2
Hamming N Ts -40 dB
41
FENETRE RECTANGULAIRE Transformée de Fourier de la Fenêtre
1
1
0.5 0.5
0 0
−1 0 1 2 −10 −5 0 5 10
Fréquence normalisée en Hz
FENETRE HANNING Transformée de Fourier de la Fenêtre
1
1
0.5 0.5
0 0
−1 0 1 2 −10 −5 0 5 10
FENETRE HAMMING Transformée de Fourier de la Fenêtre
1
1
0.5 0.5
0 0
−1 0 1 2 −10 −5 0 5 10
42
FENETRE BLACKMAN Transformée de Fourier de la Fenêtre
1 1
0.5 0.5
0 0
−1 0 1 2 −10 −5 0 5 10
FENETRE gausswin Transformée de Fourier de la Fenêtre
1 1
0.5 0.5
0 0
−1 0 1 2 −10 −5 0 5 10
FENETRE FLATTOP Transformée de Fourier de la Fenêtre
1 1
0.5 0.5
0
0
−1 0 1 2 −10 −5 0 5 10
43
Transformée de Fourier des différentes Fenêtres
1
Rectangle
0.9 Hanning
Hamming
0.8 Blackman
Gaussien
0.7 Flat
0.6
0.5
0.4
0.3
0.2
0.1
0
−10 −5 0 5 10
44
Chapitre 3
Les systèmes discrets
3.1 Etude des systèmes discrets. Discrétisation-Numérisation

3.1.1 Système discret, filtres :
Un système discret répond à la définition générale des systèmes : ensemble qui introduit une relation entre ses
signaux d’entrée et signaux de sortie. Ici, tous ces signaux sont discrets. L’une des méthodes d’étude de l’action
des systèmes discrets étant l’approche fréquentielle (utilisation de la transformée de Fourier) nous parlons alors de
filtrage. Ainsi, nous utiliserons indifféremment de manière équivalente le terme de système discret ou celui de filtre
discret.
Nous développerons le cas monovariable SISO (Single Input Single Output) :
S y s t è m e
x(t) y(t)
+∞
X
k=−∞
+∞
X
y(t) = yn δ(t − nTs ) (3.1)
n=−∞
Relation de filtrage : yn = f ({xk }, {yn6=m }.
3.1.2 Système discret-Système numérique :
Les signaux physiques sont transformés en signaux discrets par échantillonnage. Ensuite, pour traiter ces signaux,
nous utilisons des machines qui sont soit de simples microprocesseurs, des processeurs dédiés au traitement du
signal (DSP : Digital Signal Processor), des ordinateurs, etc....Tous ces systèmes comportent une partie acquisition
du signal à base de convertisseurs analogique → numériqe (CAN = Convertisseur Analogique Numérique ou ADC
= Analog to Digital Converter) et de convertisseurs numériqe → analogique (CNA = Convertisseur Numérique
45
Analogique ou DAC = Digital to Analog Converter). Comme l’indique le nom de ces composants, le signal continu
(analogique) est numérisé (digitalisé) ce qui recouvre deux opérations :
• Une discrétisation par échantillonnage à une période Ts .
• Une numérisation : la valeur de l’échantillon devant être traitée par des composants travaillant en binaire, elle
est codée soit en virgule fixe soit en virgule flottante sur un nombre fini de bits. Ce type de codage comporte
une perte de précision par arrondi des données. C’est le problème de la quantification liée à la numération
binaire à nombre fini de bits.
Le traitement du signal se fait alors sur ces données : traitement des données (ou filtrage des données). Compte
tenu des remarques précédentes il y a deux aspects dans ce traitement :
• Un aspect filtrage où le filtre est un système qui agit sur des grandeurs d’entrée pour les traiter et fournir des
grandeurs de sortie. Agissant sur des signaux discrets le filtre est un système discret.
• Un aspect numérisation : la numérisation introduit sur les coefficients du filtre un effet d’arrondi ce qui génère
des imperfections de fonctionnement. Ces effets peuvent être parfois préjudiciables au bon fonctionnement
du filtre. Le filtre conçu, la réalisation peut se faire de plusieurs manières ou structures. D’un point de vue
théorique toutes ces structures sont équivalentes mais elles sont plus ou moins sensibles aux erreurs commises
par quantification des coefficients et cela justifie le choix d’une structure par rapport à une autre.
En résumé : Filtre numérique = système discret+numérisation.

L’ambition de ce chapitre est de donner les notions nécessaires pour l’étude des systèmes discrets l’aspect numérisation
n’étant pas étudié.
3.2 Systèmes discrets linéaires invariants

3.2.1 Linéarité. Equation récurrente :
Un système est linéaire s’il répond au principe de superposition :

Si y1 (t) = f [x1 (t)] et y2 (t) = f [x2 (t)] x(t) = α1 x1 (t) + α2 x2 (t)
alors f [x(t)] = f [α1 x1 (t) + α2 x2 (t)] = α1 f [x1 (t)] + α2 f [x2 (t)] = α1 y1 (t) + α2 y2 (t) = y(t) ∀α1 et α2 ∈ C.
En conséquence, pour un système linéaire, la relation ”entrée → sortie” yn = f ({xk , ym 6= n}) est une relation
linéaire du type équation récurrente (ou équation aux différences) :
X X
yn = bk xn−k − am yn−m
k m6=0
terme récursif
ou avec la convention a0 = 1
X X
am yn−m = bk xn−k (3.2)
m k
Les {bk } et {am } étant les coefficients de l’équation récurrente.
46
0.1
Son initial
0.08 Son filtré
0.06
0.04
0.02
son
−0.02
−0.04
−0.06
−0.08
0 0.5 1 1.5 2 2.5
échantillons x 10
4
Figure 3.1 – Exemple de débruitage d’un signal par filtrage
3.2.2 Récursivité. Forme récursive. Forme non récursive :
La récursivité est, dans la modélisation mathématique, la dépendance du signal yn vis à vis de ses valeurs aux
X
autres instants soit le terme am yn−m
m6=0
expression non récursive, exemple : yn = xn + a1 yn−1
avec yn−1 = xn−1 + a1 yn−2 ⇒ yn = xn + a1 xn−1 + a21 yn−2
puis yn−2 = xn−2 + a1 yn−3 ⇒ yn = xn + a1 xn−1 + a21 xn−2 + a31 yn−3
yn−3 = xn−3 + a1 yn−4 ⇒ yn = xn + a1 xn−1 + a21 xn−2 + a31 xn−3 + a41 yn−4
En poursuivant le procédé à l’infini yn ne dépend plus que des xn−i mais dans une expression comportant à priori
une infinité de termes.
Nous pouvons appliquer ceci à tout système en exprimant les yn−m pour m 6= 0 grâce à l’équation récurrente
elle-même ce qui amènera à une équation non récurrente. La relation d’entrée-sortie du système a donc une forme
récursive déjà évoquée et aussi une forme non récursive :
X
yn = hi xn−i (3.3)
i
Les {hi } sont les coefficients de cette forme. Ils sont appelés aussi séquence de pondération du système et sont
étroitement liés aux {bk } et {am }. Comme nous l’établirons par la suite ils ont pour le système une signification
particulière puisqu’ils sont les échantillons de sa réponse impulsionnelle.
47
Signal foetus estimé
2.5
2
1.5
1
0.5
0
−0.5
5 10 15
Temps en secondes
Signal électrocardiogramme mère seule
2.5
2
1.5
1
0.5
0
−0.5
10 12 14 16 18 20
Temps en secondes
Figure 3.2 – Exemple d’extraction d’un ECG de Foetus de celui de la mère par filtrage
3.2.3 Invariance temporelle.
L’invariance temporelle (ou invariance par translation) est liée à la propriété du système d’avoir une relation
entrée-sortie indépendante du temps :
y(t) = f [x(t)] ⇒ y(t − τ ) = f [x(t − τ )] ∀τ ∈ R
Pour un système linéaire, cela implique que les coefficients {hi }, {bk } et {am } sont indépendants du temps.
3.2.4 Causalité :
La cause précède la conséquence. Pour un système causal, les équations récurrentes auront donc nécessairement la
forme :
+∞
X +∞
X +∞
X
am yn−m = bk xn−k yn = hi xn−i (3.4)
m=0 k=0 i=0
La causalité permet de calculer immédiatement à un instant t = nTs la valeur yn de la sortie du système puisque
toutes les données nécessaires sont connues. Ce n’est pas le cas pour un système non causal puisque celui-ci nécessite
la connaissance de l’entrée du système à des instants suivant celui où on opère.
Ces notions sont souvent associées à celle de temps réel :
48
Système causal ⇒ temps réel
Système non causal ⇒ temps différé
3.3 Analyse temporelle

3.3.1 Opérateur retard :
La réponse temporelle d’un système est connue si nous sommes capables de calculer ses échantillons {yn } en
temps réel ou différé. Ceci est donc directement lié à la connaissance de l’équation récurrente sous l’une de ses
formes. Ces formes peuvent être simplifiées mathématiquement en utilisant l’opérateur retard temporel défini par :
q −1 x(t) = x(t − Ts ) ou d’une manière plus générale q −d x(t) = x(t − dTs ).
Ces relations sont étendues aux échantillons du signal soit : q −1 xn = xn−1 et q −r xn = xn−r et permettent de
formaliser les équations récurrentes en faisant intervenir des opérateurs fonctions de q −1 .
X X X
am q −m yn = bk q −k xn yn = hi q −i xn (3.5)
m k i
" # " #
X X
−m −k
am q y(t) = bk q x(t)
m k

A q −1 y(t) = B q −1 x(t) (3.6)
" #
X
yn = hi q −i x(t)
i

y(t) = H q −1 x(t) (3.7)
3.3.2 Réponse impulsionnelle :
Elle correspond à une entrée x(t) = δ(t) ⇒ x0 = 1, xk6=0 = 0.

En utilisant la forme non recursive n = i ⇒ yn = hn
Les échantillons de la réponse impulsionnelle sont les coefficients de l’équation récurrente du système mise sous
forme non récursive.
La réponse impulsionnelle est donc une caractéristique du système et cela permet de les classer en deux catégories :
max
X
• Filtres à réponse impulsionnelle finie : filtres RIF. La suite {hi } comporte un nombre fini : yn hi xn−i
i=min
• Filtres a réponse impulsionnelle infinie : filtres RII. La suite {hi } comporte un nombre infini d’échantillons
hi ⇒ au moins l’une des bornes min ou max est infinie (le plus souvent min = 0 et max = +∞).
49
3.3.3 Convolution discrète :
X
La relation entrée-sortie yn = hi xn−i provient du produit de convolution. En effet un système est caractérisé
i
par sa réponse impulsionnelle h(t) et nous pouvons écrire :
h(t) = h(t) ⊗ δ(t) (3.8)
+∞
X
Pour une excitation quelconque : x(t) = xm δ(t − mTs )
−∞
Le système étant linéaire et invariant, la réponse à x(t) peut s’écrire :
+∞
X X X
y(t) = yn δ(t − nTs ) = h(t) ⊗ xm δ(t − mTs ) = h(t) ⊗ xm δ(t − mTs ) = h(t) ⊗ x(t)
−∞ m m
Nous retrouvons un résultat caractéristique des systèmes linéaires invariants : la sortie y(t) est le produit de
convolution de la réponse impulsionnelle h(t) par l’entrée x(t). L’équation qui permet de calculer les échantillons du
X
signal de sortie est yn = hi xn−i et constitue la convolution discrète étudiée lors des propriétés de la transformée
i
en Z.
En résumé :
Cas general des SLI continus ou discrets : ce sont des systèmes dits de convolution ⇒ le calcul de la sortie y(t) se
fait par un produit de convolution.
Cas particulier des SLI discrets : le calcul des échantillons {yn } de y(t) se fait par le produit de convolution discret.
3.4 Utilisation de la transformée en Z : Fonction de transfert

3.4.1 Résolution des équations aux différences :
Forme en z −1
Elle est obtenue par utilisation de l’outil transformée en Z sur les équations récurrentes décrites avec l’opérateur
retard.
Exemple :
Pour illustrer la démarche prenons l’exemple de :
yn = xn + a1 yn−1
En utilisant l’opérateur retard :
y(t) − a1 q −1 y(t) = x(t)
Puis la transformée en Z :

Y (z) − a1 z −1 Y (z) + y(−1) = X(z)
ce qui fait intervenir la condition initiale y(−1).
50
En arrangeant les termes :
1 a1 y(−1) B(z −1 ) CI(z −1 )

Y (z) = X(z) + = X(z) +
a1 − z −1 a1 − z −1 A(z −1 ) A(z −1 )
La méthode générale est identique :
équation récurrente en q −1 :
" # " #
X X
am q −m y(t) = bk q −k x(t)
m k
Transformation en Z :
" # " #
X X
−m −1 −k
am z Y (z) − CI(z )= bk z X(z)
m k
CI(z −1 ) : conditions initiales

B(z −1 ) CI(z −1 )
⇒ Y (z) = X(z) +
A(z −1 ) A(z −1 )
régime forcé + régime libre
Par convention, les coefficients sont normalisés par le coefficient a0 donc a0 = 1. Cette forme est directement liée
aux équations récurrentes et on passe aisément de l’un à l’autre en faisant la correspondance q −1 ↔ z −1 en absence
de conditions initiales.
Forme en z : Pour étudier les signaux avec la transformée en Z, il est nécessaire de passer à une forme polynomiale
en z et non en z −1 .
En reprenant l’exemple :
z a1 zy(−1)
Y (z) = X(z) +
z − a1 z − a1
Soit, dans le cas général :
B(z) CI(z)
Y (z) = X(z) + (3.9)
A(z) A(z)
Il y a un lien évident entre B(z −1 ) et B(z) ainsi qu’entre A(z −1 ) et A(z). Bon nombre d’auteurs utilisent une
simplification d’écriture commode en écrivant B(z) au lieu de B(z) et A(z) au lieu de A(z). D’un point de vue
strictement mathématique B(z) et A(z) ne sont bien sûr pas déduits de B(z −1 ) et A(z −1 ) par le simple changement
de z −1 en z et la notation est donc l’objet de confusions pour des néophytes. Pour passer d’une forme à l’autre
B(z) B(z −1 )
il faut utiliser la relation = . Nous utiliserons cette pratique et il faudra ainsi interpréter les choses
A(z) A(z −1 )
comme A(z) ≡ forme en z du numérateur et A(z −1 ) ≡ forme en z −1 du numérateur. Il en sera de même pour B(z)
et B(z −1 )
La forme en z est la seule à prendre en compte pour utiliser la transformée en Z et définir les pôles et les zéros du
système.
51
Régime libre , régime forcé : Dans la solution temporelle, la transformée en Z fait apparaı̂tre 2 termes qui
se superposent (propriété des systèmes linéaires) l’un dépendant des conditions initiales du problème et l’autre de
l’excitation x(t) du système.
Le régime libre est la partie de la solution qui ne dépend que des conditions initiales. La transformée en Z du régime
libre a comme pôles les racines de DH (z) soit les pôles du système. Les modes associés ne dépendront donc que de
la nature du système étudié.
Le régime forcé est la partie de la solution faisant intervenir l’excitation. La transformée en Z de cette fraction de
solution a deux types de pôles :
• Ceux provenant des racines de A(z) = pôles du système.
• Ceux provenant des racines de Dx (z) dénominateur de X(z) = pôles de l’excitation.

Le régime forcé est une caractéristique du système s’il n’y a pas de pôles de l’excitation soit, cas le plus simple,
X(z) = 1 ⇒ x(t) = δ(t). C’est la réponse impulsionnelle.
Régime transitoire, Régime permanent : Dans de nombreux cas, les pôles de l’excitation sont différents de
ceux du système et le régime forcé pourra alors se séparer en deux termes : régime transitoire et régime permanent.
A l’intérieur du régime forcé, il y a des modes qui proviennent des pôles du système : ils constituent le régime
transitoire.
Il y a des modes qui proviennent des pôles de l’excitation x(t) : ils forment le régime permanent.
3.4.2 Fonction de transfert :
La fonction de transfert H(z) est définie avec conditions initiales nulles :
B(z) CI(z)
H(z) = ⇒ Y (z) = H(z)X(z) + (3.10)
A(z) A(z)

En utilisant l’expression non récursive de l’équation aux différences sans conditions initiales :
" # " #
X X
y(t) = hi q −i x(t) ⇒ Y (z) = hi z −i X(z)
i i
La fonction de transfert prend donc deux formes principales :

" # P
X B(z −1 ) −k
−1 −i k bk z
H(z )= hi z = = P
i
A(z −1 ) [ m am z −m ]
Si x(t) = δ(t) ⇒ X(z) = 1 ⇒ Y (z) = H(z).

Avec la même discussion que sur B et A on utilisera indifféremment une notation H(z −1 ) ou H(z).
La fonction de transfert H(z) est la T Z de la réponse impulsionnelle du système avec conditions initiales nulles.
remarque : Au premier abord, la connaissance de la fonction de transfert ne permet d’obtenir que le régime forcé
mais comme elle permet de remonter à l’équation récurrente par la démarche inverse de celle adoptée pour l’établir,
elle nous permet aussi d’atteindre le régime libre.
52
Exemple :
1
H(z) = → y(t) − ay(t − 1) = x(t)
1 − az −1
→ T Z : Y (z) − a[z −1 Y (z) + y(−1)] = X(z)
azy(−1)
→ régime libre Y (z) = z−a
3.5 Inversion de la transformée en Z analyse temporelle

Dans ce paragraphe, nous nous contentons de rappeler les techniques établies dans tout cours d’étude de la trans-
formée en Z.
Pour les SLI les fonctions étudiées se mettent sous forme d’un rationnel de polynômes :
N (z)
X(z) =
D(z)
et nous n’étudierons que ce cas correspondant à 99, 9% des applications en ingénierie.
La transformée en Z utilisée est la transformée monolatérale qui ne fournit que la partie causale d’un signal soit
t ≥ 0).
+∞
X −1
X +∞
X
X(z) = xk z −k = xk z −k + xk z −k
k=−∞ k=−∞ k=0
partie anticausale + partie causale
3.5.1 Division selon les puissances de z −1 :
SiX(z) est une fraction rationnelle de deux polynômes en z, il suffit de la mettre sous forme d’une fraction rationnelle
de deux polynômes en z −1 et d’effectuer la division ce qui nous donne les échantillons par identification avec la
définition de la T Z.
+∞
X
T Z[x(t)] = X(z) = xk z −k (3.11)
k=0
z z −1 z −1
X(z) = ⇒ X(z) = =
(z − a)(z − b) (1 − az −1 )(1 − bz −1 ) (1 − (a + b)z −1 + abz −2 )
z −1 1 − (a + b)z −1 + abz −2
0 + (a + b)z −2 − abz −3
z −1 + (a + b)z −2 + (a2 + ab + b2 )z −3 + ...
−abz −3 + (a + b)2 z −3 − ab(a + b)z −4
⇒ x0 = 0 x1 = 1 x2 = a + b x3 = a2 + ab + b2 ...
Nous ressortons ainsi la valeur de chaque échantillon sans faire apparaı̂tre une expression analytique générale. C’est
une méthode qui est plus intéressante avec des expressions à coefficients numériques, les coefficients
53
3.5.2 Résolution de l’équation aux différences :
+∞
X N (z −1 )
X(z) = xk z −k = (3.12)
D(z −1 )
k=0
+∞
X
⇒ D(z −1 ) xk z −k = N (z −1 )
k=0
Les coefficients des polynômes D et N sont connus et on retrouve les xk en identifiant les deux membres :
z z −1 z −1
X(z) = ⇒ X(z) = −1 −1
=
(z − a)(z − b) (1 − az )(1 − bz ) (1 − (a + b)z −1 + abz −2 )
+∞
X
(1 − (a + b)z −1 + abz −2 ) xk z −k = z −1 (3.13)
k=0
termes de degré 0 ⇒ x0 = 0
termes de degré 1 ⇒ −(a + b)x0 + x1 = 1 ⇒ x1 = 1
termes de degré 2 ⇒ abx0 − (a + b)x1 + x2 = 0 ⇒ x2 = a + b
termes de degré 3 ⇒ abx1 − (a + b)x2 + x3 = 0 ⇒ x3 = (a + b)2 − ab
Cette méthode peut être intéressante dans des cas simples mais se trouve elle aussi vite limitée dans son application.
3.5.3 Décomposition en éléments simples :
Le passage de X(z) = T Z[x(t)] à x(t) peut se faire à partir des éléments de base contenus dans les tables :
décomposition en éléments simples.
Pôles, zéros :
X +∞
t z
L’élément de base de la méthode est : T Z[α Ts ] = = αk z −k avec α complexe.
z−α
k=0
N (z)
La fonction X(z) est sous forme polynomiale : X(z) = . Nous pouvons définir :
D(z)
• les pôles zi tels que D(z) = 0. C’est l’équation caractéristique associée à X(z). Cela permet d’écrire : D(z) =
Y
K1 (z − zi ).
i
Y
• les zéros zk tels que N (z) = 0. Cela permet d’écrire : N (z) = K2 (z − zk ).
k
Q
(z − zk )
• la forme pôles et zéros de X(z) : X(z) = K Qk
i (z − zi )
Décomposition, modes :
Si le degré de N (z) est inférieur ou égal à celui de D(z) nous pouvons écrire dans le cas où tous les pôles sont
simples :
X Ci z
X(z) = décomposition en éléments simples de X(z).
i
z − zi
54

X(z)
Le calcul de Ci se fait par Ci = (z − zi )
z z=zi
X
k
L’inversion sera telle que : xk = Ci zi chaque terme de la somme est un mode de X(z).
i
Exemple :
z
X(z) =
(z − a)(z − b)

1 z z
X(z) =
a − b (z − a) (z − b)
1 k
xk = a − bk
a−b
Pôles simples réels : zi est réel.

Si zi est complexe et si les coefficients des polynômes N (z) et D(z) sont réels (cas des problèmes correspondant à
la réalité), zi est aussi pôle du système et le coefficient de décomposition en éléments simples associé sera Ci .
Dans la solution temporelle apparaı̂trons les termes :
Xk = ... + Ci zik + C i z ki + ...
en posant
Zi = | Zi | ejωi Ts et Ci =| Ci | ejϕi

Xk = ...+ | Zi |k | Ci | (ejωi kTs ejϕi )+ | Ci | (e−jωi kTs e−jϕi ) + ....
Xk = 2 | Ci || Zi |k cos (ωi kTs + ϕi ) + ...
les deux pôles complexes conjugués correspondent à un mode sinusoı̈dal amorti si |zi | < 1 ou divergent si |zi | > 1.
Pôles multiples :
Dans l’équation caractéristique D(z) = 0, il se peut que zi soit une racine multiple d’ordre m.
⇒ D(z) = (.....).(z − zi )m .(....).
Dans ce cas la décomposition en éléments simples est un peu plus délicate :
Ci,1 z Ci,2 z 2 Ci,m z m

X(z) = ... + + + ... + + ....
z − zi z − zi z − zi
Le calcul des coefficients Ci,q est réalisable en prenant des cas particuliers (z = 0, z → ∞, ...) mais cette méthode
est vite limitée et ne s’applique véritablement bien que pour m = 2. Pour une multiplicité plus grande il y a une
formulation générale que nous ne justifierons pas ici :

1 dm−q m X(z)
Ci,q = (z − zi )
(m − q)! dpm−q z z=zi

X(z)
Nous vérifions aisément que pour q = m : Ci,q = (z − zi )m
z z=zi
55

X(z)
de même que pour une multiplicité m = 1 : Ci = (z − zi )
z z=zi
Exemple :
t/T s
g(t) = t.x(t) etx(t) = zi avec zi réel.
xk = zik
et gk = kTs zik .
z
X(z) = et, en appliquant le théorème de la dérivation
(z − zi )

d z zzi Ts
G(z) = −zTs =
dz (z − zi ) (z − zi )2
Utilisons ce résultat :
Un pôle zi de multiplicité 2 correspond aux échantillons (à quelques coefficients près) : (k.zik ).
Le mode correspondant est donc une puissance zik multipliée par un temps échantillonné k. La croissance comparée
des deux fonctions pour k → +∞ donne priorité à zik (pour |zi| 6= 1) et nous retrouvons ainsi en partie le cas d’un
pôle simple :
• si | zi |< 1 ⇒ mode amorti.
• si | zi |> 1 ⇒ mode divergent
• si | zi |= 1 ⇒ ce qui était un mode borne dans le cas du pôle simple devient un mode divergent d’amplitude
donnée par k.
Généralisation :
Le calcul précédent peut être généralisé à un pôle zi de multiplicité m quelconque. Sans détailler, nous pouvons
rapidement retracer les grandes lignes du raisonnement :
(...) Ci,1 z Ci,2 z 2 Ci,m z m

X(z) = ... + + + ... + + ....
...(z − zi )m ... z − zi z − zi z − zi
Ceci donne comme échantillons :
xk = ... + (.)zik + (.)k.zik + .... + (.)k m−1 zik + ...

xk = ... + [(.) + (.)k. + ... + (.)k m−1 ]zik + ...
où (.) désigne des coefficients à calculer.

Si nous appelons mode associé au pôle de multiplicité m le terme :
[(.) + (.)k. + ... + (.)k m−1 ]zik = Pm−1 (k).zik
il est constitué du produit d’un polynôme en k(Pm−1 (k)) d’ordre (m − 1) par la puissance zik .
Pour les limites asymptotiques lorsque k → +∞ nous aurons les trois points suivants :
• si |zi | < 1 ⇒ mode amorti.
• si |zi | > 1 ⇒ mode divergent.
• si |zi | = 1 ⇒ ce qui était un mode borne dans le cas du pôle simple devient un mode divergent d’amplitude
bornée par Pm−1 (k) equivalent a k m−1 lorsque k → +∞.
56
3.6 Méthode des résidus :
Méthode de calcul beaucoup plus puissante que la décomposition en éléments simples. Elle permet de calculer en 1
seule fois l’ensemble du mode associé à un pôle multiple. D’un point de vue pratique elle nécessite des calculs qui sont
toujours plus simples que ceux impliqués par la décomposition en éléments simples et elle dispense de l’apprentissage
fastidieux de résultats tabulés. C’est donc une méthode à utiliser de préférence lorsque nous sommes obligés de
faire nous même le calcul à la main.
Basée sur la méthode des résidus, il est établi que :

1 d(m−1)
Residus[F (z)]z=zi = [(z − zi )m F (z)] (3.14)
(m − 1)! dz (m−1) z=zi
La fonction que l’on intègre est F (z) = z n−1 X(z), les points singuliers intervenant dans le calcul des résidus sont
ses pôles. Le calcul d’un échantillon par la méthode des résidus se fait donc par :
X
1 d(m−1)
xn = [(z − zi )m z n−1 X(z)] (3.15)
(m − 1)! dz (m−1) z=zi
/poles z n−1 X(z)
Le résidu par rapport à un pôle de la fonction z n−1 X(z) fournit le mode associé à ce pôle.
Calcul pratique des résidus : La méthode des résidus est une méthode simple à utiliser
malgré la forme peu ”attractive” de sa formule. Pour calculer un résidu il faut :
1. multiplier X(z) par z n−1

2. enlever la singularité sur laquelle nous calculons : multiplication par (z − zi )m
3. faire la dérivée d’ordre m − 1
1
4. ajouter un facteur
m−1
5. faire z = zi
De toutes ces opérations c’est la dérivation de l’étape 3 qui est la plus compliquée.
Toujours se simplifier le travail : Les points singuliers intervenant dans le calcul des résidus peuvent être de deux
origines : les pôles de X(z) et éventuellement des pôles à l’origine provenant du terme en z n−1 si celui-ci n’a pas
été simplifié par X(z).
Exemple :
1
X(z) =
(z − a)(z − b)
avec a et b réels.
z n−1
z n−1 X(z) =
(z − a)(z − b)
pour n > 0 deux pôles simples z1 = a et z2 = b ⇒ deux résidus à calculer.
57
an−1
résidu en z = a :
(a − b)
bn−1
résidu en z = b :
(b − a)
⇒ solution pour n ≥ 1 :
an−1 bn−1 an−1 − bn−1

xn = + =
(a − b) (b − a) (a − b)
pour n = 0 trois pôles simples z1 = a et z2 = b et z3 = 0 ⇒ trois résidus à calculer.
1
résidu en z = a :
a(a − b)
1
résidu en z = b :
b(b − a)
1
résidu en z = 0 :
ab
⇒ solution pour n = 0 :
1 1 1
x0 = + + =0
a(a − b) b(b − a) ab
Une simple remarque permet d’éviter les états d’âme et de savoir quels sont les termes qu’il est utile de calculer.
Repartons de l’hypothèse où X(z) est sous forme rationnel polynomial :
Pnb
N (z) bk z k
X(z) = = Pk=0
na i
D(z) i=0 ai z
na et nb sont respectivement les degrés du dénominateur et du numérateur.

Nous pouvons nous ramener à une forme en z −1 en factorisant z nb au numérateur et z na au dénominateur
3.6.1 Stabilité
Lors de l’étude de l’inversion de la T Z nous avons établi qu’il existe une représentation par pôles et zéros telle que :
- Zéros du système ≡ Racines du numérateur N (z) = 0 → {zk }.
- Pôles du système ≡ Racines du dénominateur D(z) = 0 → {zi }.
Q
(z − zk )
H(z) = K Qk (3.16)
i (z − zi )
A un pôle zi simple ou multiple nous pouvons associer un mode qui diverge si |zi | > 1 et converge si |zi | < 1.
Pour un pôle complexe, on lui associe son complexe conjugué ce qui fait apparaı̂tre un mode oscillant amorti ou
divergent selon la valeur de |zi |.
La réponse impulsionnelle ou une réponse libre sont caractéristiques du système. Dans ces réponses nous avons la
superposition de tous les modes du système associés à ses pôles. Pour que le système soit stable, il faut que tous
ses modes le soient et donc que tous les pôles du système soient situés à l’intérieur du cercle unité.
Un système linéaire invariant discret est asymptotiquement stable lorsque

tous les pôles de sa fonction de transfert sont situés à l’intérieur du cercle
unité du plan z.
Nous aurons les trois situations suivantes :
58
• Tous les pôles sont à l’intérieur du cercle unité : le système est dit strictement stable.
• Un ou plusieurs pôles de multiplicité simple sont situés sur le cercle unité : le système est à la limite de
stabilité ou stabilité au sens large.
• Un ou plusieurs pôles sont situés à l’extérieur du cercle unité : système instable. Autre conséquence un filtre
RIF a tous ses pôles à l’origine et sera donc toujours stable.
3.6.2 Mode dominant - Mode auxiliaire
Dans le cas de modes amortis, plusieurs modes peuvent se superposer dans l’expression temporelle. Il est évident
que lorsque k → +∞ le mode qui a tendance à subsister est celui qui est le moins amorti et nous le qualifieront de
dominant.
• lors de la comparaison de deux modes, on appellera mode dominant celui dont l’expression s’amortit le plus
lentement. L’autre sera qualifié de mode auxiliaire.
• le mode dominant correspond donc à un ou des pôles plus proches du cercle unité que dans le cas d’un mode
auxiliaire. Par extension on parle aussi de pôle(s) dominant(s) et de pôle(s) auxiliaire(s).
3.7 Théorèmes de la valeur initiale et finale

Ce théorème n’a de sens que pour la transformée monolatérale. La valeur initiale étant la condition x0 , le théorème
vient immédiatement de la définition :
x0 = lim X(z)
z→+∞
Par contre le théorème de la valeur finale est donné par :
x+∞ = lim [(z − 1)X(z)]

z→1
3.8 Analyse fréquentielle

L’analyse fréquentielle est liée à une des propriétés essentielles des SLI continus et discrets : ej2πf t est valeur propre
du système.
3.8.1 Justification
x(t) = ej2πf t ⇒ y(t) = f [ej2πf t ]
Le système étant invariant, pour une valeur de t fixée :
x(t − τ ) = ej2πf (t−τ ) ⇒ y(t − τ ) = f [ej2πf (t−τ ) ]
ej2πf t est une constante vis à vis de t et comme le système est linéaire :
59
y(t − τ ) = f [ej2πf (t−τ ) ] = ej2πf t f [ej2πf τ ] = ej2πf t y(−τ ) ⇒ ej2πf t
est valeur propre de la transformation. Ceci est vrai quelque soit t et aussi pour la valeur particulière τ = 0 :
⇒ y(t) = ej2πf t y(0) lorsque x(t) = ej2πf t
Lorsque l’entrée du SLI comporte une seule fréquence f la sortie ne comporte, elle aussi, que cette fréquence. Nous
pouvons donc étudier le comportement du système sur l’ensemble des fréquences f : analyse harmonique, le signal
d’entrée étant décomposé sur la base des ej2πf t ce qui est le rôle de la transformation de Fourier.
3.8.2 Réponse harmonique
C’est la réponse du système lorsque l’entrée ne comporte qu’une seule fréquence.
xm = ej2πf mTs
X
yn = hi xn−i (3.17)
i
" #
X X
yn = hi ej2πf (n−i)Ts = hi e−j2πf iTs ej2πf nTs = H(e−j2πf Ts )ej2πf nTs (3.18)
i i
Le signal de sortie est à la même fréquence que celui d’entrée. L’amplitude et la phase ont été modifiées par le
système par le facteur H(e−jωTs ) qui est la transmittance du système ou sa fonction de transfert isochrone. On
vérifie aisément un second résultat du filtrage linéaire :
La transmittance est la transformée de Fourier de la réponse impulsionnelle du système.
X
h(t) = hi δ(t − iTs )
i
X
T F [h(t)] = hi e−j2πif Ts = H(ej2πf Ts ) (3.19)
i
Usuellement on sépare la transmittance sous la forme module-argument :

H(ej2πf Ts ) = A(f )ejϕ(f ) . Module A(f ) = |H(ej2πf Ts )| Phase ϕ(f ) = Arg[H(ej2πf Ts )].
Ces grandeurs peuvent être représentées sur les diagrammes habituels de Bode, de Nyquist, etc....
Cependant il y a une différence essentielle avec le continu due au fait que h(t) est un signal discret et sa transformée
de Fourier H(e−j2πf Ts ) est donc périodique.
Pour les diagrammes de représentation fréquentielle, nous nous contentons de la représenter dans la bande de
fréquences de Shannon [−1/2, 1/2] ou plutôt [0, 1] en fréquences normalisées ceci impliquant une échelle de fréquences
linéaire plutôt que logarithmique. Le lien avec la transformée en Z est immédiat : H(z = ej2πf Ts )
A partir de la transmittance nous pouvons retrouver les échantillons temporels de la réponse impulsionnelle du
système en appliquant le résultat général des signaux discrets :
Z Z
1
hi = H(j2πf Ts )ej2πif Ts df = Ts H(j2πf Ts )ej2πif Ts df (3.20)
fs (fs ) (1/Ts )
60
3.8.3 Analyse sommaire
Elle utilise la forme pôles et zéros du système et permet une analyse rapide, souvent qualitative des caractéristiques
du système. On reprend l’analogie entre les complexes et leur représentation géométrique vectorielle.
M
Plan Complexe z
ωTs
Zi
b
b
Pi x
O ω=0
Dans le plan complexe on associe :
−−→
1. z → vecteur OM .
2. z = ejωTs ⇒ M sur le cercle unité

−−→
3. Zéro αi → vecteur OZi
−−→
4. (z − αi ) → vecteur Zi M
−−→
5. pôle βj → vecteur OPj
−−−→
6. (z − βj ) → vecteur Pj M
Q j2πf Ts
j2πf Ts (e − αi )
H(e ) = K i j2πf Ts
Q (3.21)
j (e − βj )
Q
Zi M
|H(ej2πf Ts )| = A(f ) = K Q i
j Pj M
X −→ −−→ X −→ −−−→
ϕ(f ) = (Ox, Zi M ) − (Ox, Pj M )
i j
61
De l’expression du module nous tirons les remarques suivantes :
1. un zéro ou un pôle à l’origine n’influent pas sur le module de la réponse fréquentielle.
2. Un zéro sur le cercle unité introduit une annulation du module pour la fréquence correspondant à OZi
3. Un zéro au voisinage du cercle unité introduit une atténuation dans le module de la réponse en fréquence.
Atténuation d’autant plus importante que le zéro est proche du cercle unité.
4. Un pôle sur le cercle unité introduit une résonance infinie dans le module de la réponse en fréquence pour la
−−→
fréquence correspondant à OPj .
5. Un pôle au voisinage du cercle unité introduit une résonance d’autant plus importante dans le module de la
réponse en fréquence que le pôle est proche du cercle unité.
A partir de ces remarques, dans le cas d’un nombre faible de pôles et zéros, nous aurons une idée des atténuations ou
des résonances introduites par un système. On peut aussi avoir une idée de son comportement général : passe-bas,
passe-haut ou passe-bande. Elles peuvent aussi être utilisées pour mener à bien une synthèse sommaire des filtres.
62
Chapitre 4
Filtres à réponses impulsionnelle infinie - Filtres
RII
Les méthodes de synthèse de ces filtres se classent en deux catégories :
1. Les méthodes de transposition : elles partent du principe que le problème de la synthèse des filtres a déjà été
largement développé dans le domaine du signal continu. Il a été établi plusieurs méthodes d’approximation
polynômiale d’un gabarit aboutissant aux filtres de Butterworth, Tchebychev, Cauer, Legendre....Le filtrage
des signaux discrets reprend ces méthodes en cherchant simplement une technique de passage du continu au
discret qui préserverai au mieux les caractéristiques du filtre.
2. Les méthodes directes : elles cherchent à faire une synthèse directe dans le domaine discret à partir du gabarit.
Ce sont des méthodes itératives basées sur la minimisation d’un critère comme celui des moindres carrés utilisé
par l’algorithme de Fletcher et Powel.
L’ambition de ce chapitre se limite à l’étude des seules méthodes de transposition.
4.1 Propriétés
4.1.1 Fonction de transfert (Rappels)
Un filtre RII est un système linéaire invariant discret dont le comportement entrée-sortie est caractérisé par les
coefficients {gi } de sa réponse impulsionnelle.
x(t) S y s t è m e y(t)
g(t) → G(z)
Le calcul de la sortie se fait grâce au produit de convolution discret et la transformée en Z permet de définir sa
fonction de transfert G(z).
+∞
X
k=−∞
63
+∞
X
y(t) = yn δ(t − nTs ) (4.1)
n=−∞
+∞
X
yn = gi xn−i
i=−∞
+∞
X
G(z) = gi z −i (4.2)
i=−∞
Dans cette première forme, la suite des {gi } est illimitée et cette forme est donc inadaptée à une implantation du
filtre (même pour des filtre causaux où la somme débute en i = 0).
La seconde description sous forme de fraction rationnelle des polynômes A(z) et B(z) de dimension finie menant à
l’équation récurrente est celle qui fournit la base de l’implantation du filtre :
Pnb
bk z −k B(z)
G(z) = Pnk=0
a −m
= (4.3)
m=0 a m z A(z)
nk
X na
X
yn = bk xn−k − am xn−m (4.4)
k=0 m=0
Le premier terme de cette description correspond à une moyenne mobile M A et le second est un terme autorégressif
AR d’où l’appellation de filtres ARMA (AR si le numérateur est restreint à b0 ) pour ce type de filtres.
La fonction de transfert peut se mettre aussi sous forme factorisée pôles et zéros :
- Zéros du système ≡ Racines du numérateur B(z) = 0 → {zj }.
- Pôles du système ≡ Racines du dénominateur A(z) = 0 → {zi }.
Q
j (z − zj )
G(z) = K Q (4.5)
i (z − zi )
Cette forme est aussi pratique pour réaliser une analyse fréquentielle rapide des caractéristiques du filtre.
Nous devrons toujours nous assurer que la méthode de synthèse utilisée aboutit à un filtre stable soit : |zi | < 1. Si
le filtre continu est stable, la stabilité théorique du filtre discret est en général assurée cependant, dans le cas de
pôles au voisinage du cercle unité ceux-ci peuvent se retrouver translatés en dehors de ce cercle à la suite d’arrondis
numériques.
4.1.2 Principe de la transposition
Nous supposons posséder un filtre continu dont la fonction de transfert isochrone H(jω) constitue une approximation
satisfaisante du gabarit du filtre recherché. Il nous reste à chercher le filtre discret de transfert isochrone G(ejωTs )
équivalent.
H(p) → G(z)
64
Il nous faut une méthode à laquelle nous imposons les contraintes suivantes :
- Être simple.
- Faire en sorte que G(ejωTs ) soit la plus proche possible de H(jω).
- Obtenir une fonction de transfert discrète G(z) qui puisse s’implanter sous forme d’équation récurrente ce qui
nécessite une forme de rapport de polynômes B(z)/A(z).
La transposition peut être en toute rigueur parfaite puisque nous savons faire le passage du plan Z au plan p par
1
le changement de variable : z = epTs ⇔ p = Ln(z).
Ts
Cependant cette transposition ne permet pas de conserver le caractère polynomial de la fonction de transfert, il
faut donc rechercher des méthodes d’approximation.
4.1.3 Exemple
Afin d’illustrer et comparer l’ensemble des différentes méthodes, nous utiliserons pour toutes un exemple de trans-
position d’un filtre continu de type sélecteur de fréquence. Les caractéristiques de ce filtre sont les suivantes :
- Fonction de transfert :
ω02 2.25
H(p) =2 2 = 2
p + 2ξω0 p + ω0 p + 0.3p + 2.25
p
- ω0 = 1.5rd/s ; ξ = 0.1 ⇒ résonance pour ωr = ω0 1 − ξ 2
Soit ωr = 1.492rd/s ≃ ω0 . Nous aurons donc une fréquence de résonance très proche de f0 = 0.237Hz ≃ 0.24Hz.
- Gain statique : H(0) = 1
- Gain à la résonance : |H(wr )| = 5.
- Limite vers les hautes fréquences : |H(+∞)| = 0.
- Pôles de H(p) p1,2 = −0.15 ± j1.4925
Le module de la fonction de transfert isochrone est porté sur toutes les courbes d’illustration. Dans tous les cas, la
période d’échantillonnage est choisie Ts = 1s.
4.2 Approximation de la dérivée

La variable complexe de Laplace p, est associée à la dérivée temporelle d/dt. Nous pouvons chercher à approximer
cette dérivée de manière discrète et lui associer un opérateur polynomial en q −1 ce qui substituera à la variable
complexe p une fonction polynomiale D(z).
4.2.1 Approximations
Nous savons très bien approximer une dérivée de courbe par la méthode des rectangles à un instant t = kTs . Parmi
les approximations possibles, les trois plus élémentaires sont :
- Dérivée ”arrière” (backward) :
d xk − xk−1
x(t) ∼
=
dt Ts
1 − z −1 z−1
p→ =
Ts zTs
65
- Dérivée ”avant” (forward) :
d xk+1 − xk
x(t) ∼
=
dt Ts
z−1
p→
Ts
- Dérivée ”centrale” :
d xk+1 − xk1
x(t) ∼
=
dt 2Ts
z − z −1 z2 − z
p→ =
2Ts 2zTs
Remarque : la première approximation est causale ce qui n’est pas le cas des deux dernières.
4.2.2 Qualité de l’approximation
Pour avoir une idée de la qualité de la méthode, il suffit de comparer les caractéristiques fréquentielles des deux
fonctions complexes :p, associée à la dérivée rigoureuse et (1 − z −1 )/Ts associée à son approximation discrète.
En fréquentiel :
- p = jω ⇒ |jω| = ω et arg(jω) = π/2. Résultat classique du dérivateur.

1 − z −1 1 − e−jωTs 2j −j ωTs ωTs
- p → D(z) = ⇒ D(jω) = = e 2 sin
Ts Ts Ts 2

1 ωTs π ωTs
⇒ | D(jω) |= sin et Arg(D(jω)) = −
Ts 2 2 2
La comparaison des modules et des arguments est indiquée ci-dessous :
De l’examen des courbes nous pouvons conclure :
- L’approximation des modules est correcte vers les basses fréquences, mais nettement moins bonne vers les hautes
fréquences.
- L’approximation de la phase est peu satisfaisante.
66
La méthode utilisée aura donc l’avantage de la simplicité de mise en oeuvre, mais la transposition ne peut qu’être
médiocre surtout vers les fréquences élevées de la bande de Shannon.
Avec l’exemple proposé :
2.25 z−1
H(p) = p=
p2 + 0.3p + 2.25 z
2.25z 2
G(z) = (4.6)
3.55z 2 − 2.3z + 1
Soit un système discret ayant un zéro double et deux pôles z1,2 = 0.3239 ± j0.4204.
La réponse en fréquence donnée ci-dessous n’est pas dans ce cas satisfaisante :
67
4.3 Invariance impulsionnelle
4.3.1 Principe de la méthode
Une autre idée pour réaliser la transposition continu-discret est de se rappeler qu’un système est caractérisé par
sa réponse impulsionnelle. Nous pouvons donc prendre comme système discret celui dont la réponse impulsionnelle
est la version échantillonnée de celle du système continu d’origine. D’un point de vue mathématique l’opération est
donc simple : pour un système continu de réponse impulsionnelle h(t) et de fonction de transfert H(p) on obtiendra
un système discret de fonction de transfert G(z) correspondant à une réponse impulsionnelle g(t)
+∞
X
g1 (t) = h(t) δ(t − kTs ) (4.7)
k=−∞
et H (p = T L[h(t)]) ⇒ G1 (z) = T Z[g1(t)] = T Z[T L−1[H(p)]]

Il faut se rappeler que ce que nous voulons voir coı̈ncider au mieux, ce sont non pas les réponses impulsionnelles
mais les réponses fréquentielles. Lors de l’étude des systèmes discrets il a été établi que, pour une pulsation
d’échantillonnage ωs :
+∞
jωTs 1 X
G(e )= H(j(ω − kωs )) (4.8)
Ts
k=−∞
68
Cette expression rappelle que, lors d’une discrétisation, nous avons une périodisation du spectre qui donne lieu
éventuellement à un phénomène de repliement. Si la condition d’échantillonnage (ici de discrétisation) de Shannon
est respectée, ce phénomène n’a pas lieu. La réponse fréquentielle du système discret coı̈ncide donc, dans la bande
de fréquences de Shannon, avec celle du système continu cependant il y a un coefficient 1/Ts entre les deux introduit
par l’échantillonnage. Un coefficient Ts annulera cet effet.
G(z) = Ts .T Z[T L−1[H(p)]]
Dans les cas simples, cette opération peut être très rapide avec l’utilisation de tables ayant en regard les T L et TZ
des fonctions usuelles. Pour les fonctions de transfert H(p) d’ordre supérieur ou égal à trois, une décomposition de
H(p) en éléments simples du premier et du second ordre sera nécessaire pour utiliser les tables.
4.3.2 Qualité de l’approximation
Pour comparer le filtre discret au filtre continu d’origine, il suffit de comparer leurs réponses fréquentielles G(ejωTs )
et H(jω) dans la bande de fréquence de Shannon. Nous venons de rappeler que la transposition du filtre continu
par la méthode de l’invariance impulsionnelle ne peut se faire que si la réponse en fréquence de ce filtre respecte
la condition de Shannon : 2wmax < ws . Il est rare que cette condition soit rigoureusement respectée car en général
H(jω) ne tend vers zéro qu’asymptotiquement et la transposition introduira donc plus ou moins d’écart dans les
réponses fréquentielles. Pour les filtres continus de type passe-haut, cette condition n’est à coup sûr pas vérifiée et
la méthode ne peut donner de résultat satisfaisant. C’est une méthode qu’il vaut mieux réserver à des filtres ayant
un comportement passe-bas ou passe-bande. M.
Exemple :
2.25
H(p) =
p2 + 0.3p + 2.25
invariance impulsionnelle ↓
1.292z 2
G(z) =
z 2 − 0.13416z + 0.7396
Soit un système discret ayant un zéro double et deux pôles z1,2 = 0.0671 ± j0.8574 d’où une résonance pour
ωTs = Arctg(0.8574/0.0671) ⇒ ωr = 1.493rd/s
4.4 Transposition par bloqueur d’ordre N

4.4.1 Principe
Nous avons un filtre continu dont le comportement est conforme à ce que nous attendons pour des signaux continus :
s(t) = h(t) ⊗ h(t) ⇔ S(p) = H(p).E(p)
Comment obtenir le même comportement pour des signaux discrets x(t) et y(t) obtenus respectivement par
échantillonnage de e(t) et s(t) ?
y(t) = g(t) ⊗ x(t) ⇔ Y (z) = G(z).X(z)
69
Nous pouvons imaginer le scénario suivant :
• Le signal continu e(t) est échantillonné ce qui donne le signal x(t).
• Le signal discret x(t) est mis en forme par un dispositif de transfert B(p) pour donner un nouveau signal
continu eb(t).
• Le signal continu eb(t) est filtré par le filtre continu de transfert H(p) qui fourni le signal continu de sortie
s(t).
• Ce signal de sortie s(t) est échantillonné pour fournir le signal discret y(t).
Le système qui relie x(t) discret à y(t) discret a pour fonction de transfert G(z) et le système qui relie e(t) continu à
s(t) continu a pour fonction de transfert H(p). La condition évidente pour que ces systèmes aient des comportements
fréquentiels identiques est que eb(t) = e(t). C’est le rôle du système de transfert B(p) qui est un système hybride
puisqu’il transforme un signal discret en un signal continu. Aucun système linéaire ne peut remplir cette condition
et nous sommes donc amenés à envisager une approximation eb(t) ≈ e(t)
70
4.4.2 Bloqueur d’ordre 0
Un des dispositifs les plus simples pour reconstruire approximativement un signal continu. Il suffit de maintenir le
signal à sa valeur xk entre les instant kTs et (k + 1)Ts : blocage du signal entre les deux instants d’échantillonnage.
Un bloqueur d’ordre 0 est donc un dispositif qui transforme une impulsion en un signal maintenu pendant une
période d’échantillonnage. Sa réponse impulsionnelle b0 (t) et sa fonction de transfert B0 (p) sont donc les suivantes :
1
b0 (t) = u(t) − u(t − Ts ) ⇒ B0 (p) = (1 − epTs )
p
La fonction de transfert ainsi obtenue est la fonction de transfert échantillonnée-bloquée notée G(z) = B0 H(z).
Son expression s’établit comme suit :
- La réponse temporelle du système continu de transfert B0 (p)H(p) est

−1 −1 H(p) pTs −1 H(p) −1 pTs H(p)
TL [B0 (p)H(p)] = T L (1 − e ) = T L − TL e
p p p
71

−1 −1 H(p)
T L [B0 (p)H(p)] = f (t) − f (t − Ts ), avec f (t) = T L
p
- Si nous échantillonnons l’entrée et la sortie de ce système, on obtient le système discret de fonction de transfert
G(z) :

H(p)
G(z) = T Z[f (t) − f (t − Ts )] = (1 − z −1 )T Z[f (t)] = (1 − z −1 )T Z T L−1
p
⇒ Transposition avec bloqueur d’ordre 0 :

H(p)
G(z) = (1 − z −1 )T Z T L−1
p
Exemple :
2.25
H(p) =
p2 + 0.3p + 2.25
Bloqueur d′ orde 0↓
0.8464z + 0.7597
G(z) =
z 2 − 0.1347z + 0.7408
Soit un système discret ayant un zéro en -0.897 qui aura donc pour effet d’atténuer vers les hautes fréquences et
deux pôles z1,2 = 0.0671 ± j0.8574 d’où une résonance pour ωTs = Arctg( 0.8574 / 0.0671 ) ⇒ ωr = 1.493rd/s
Avantage de la méthode :
72
Le bloqueur d’ordre zéro ajoute un filtrage fréquentiel passe-bas sur le filtre continu :
1
B0 (p) = (1 − epTs )
p
sin (ωTs /2)
⇒ B0 (jω) = Ts (e−jωTs /2 )
ωTs /2
sin (ωTs /2)
⇒ |B0 (jω)| = |Ts . |
ωTs /2
Ce filtrage passe-bas minimise les effets d’un éventuels du repliement dû à la discrétisation ce qui peut être vu
comme une amélioration par rapport à la méthode de l’invariance impulsionnelle.
Remarque 1 :
Le calcul de la fonction de transfert échantillonnée-bloquée G(z) fait intervenir l’échantillonnage de f(t) qui est
la réponse indicielle du système continu. Si le filtre continu est strictement propre (le degré du numérateur de sa
fonction de transfert est inférieur au degré de son dénominateur), la valeur de la réponse indicielle en t = 0 est :

H(p)
f (0) = lim p =0
p→+∞ p
Le premier échantillon non nul de l’échantillonnage de f (t) est f (Ts ) ⇒ on peut factoriser dans la fonction de
transfert échantillonnée-bloquée un terme en z −1 qui correspond dans la réponse impulsionnelle du filtre discret à
un retard d’une période d’échantillonnage G(z) = z −1 G ∗ (z). G(z) est de la forme :
Remarque 2 :
Lors de l’application d’un signal de commande à un système continu par l’intermédiaire d’un convertisseur numérique-
analogique, ce convertisseur a un effet de bloqueur d’ordre 0. Du point de vue de l’échantillonné, le système com-
mandé est donc constitué de ce bloqueur suivi du procédé continu. Le modèle discret de l’ensemble est donc un
modèle avec bloqueur d’ordre 0 systématiquement utilisé par les automaticiens.
b1 z −1 + b2 z −2 + b3 z −3 + · · ·
G(z) = h1 z −1 + h2 z −2 + · · · =
a1 z −1 + a2 z −2 + a3 z −3 + · · ·
4.4.3 Autres bloqueurs
Bloqueur d’ordre 1 :
73
Plutôt que de bloquer simplement le signal échantillonné entre deux périodes d’échantillonnage, une meilleure
approximation ê(t) peut être obtenue en maintenant pendant l’intervalle [kTs , (k +1)Ts ] la pente à l’instant t = kTs .
On utilise alors un bloqueur d’ordre 1 dont la fonction de transfert est une fonction triangle T ri(t/Ts ). La même
démarche que pour le bloqueur d’ordre 0 permet de calculer la fonction échantillonnée-bloquée d’ordre 1 :

(1 − z −1 )2 −1 H(p)
G(z) = T Z T L
z −1 Ts p2
Bloqueurs d’ordre 2,3,... :
Obtenus en maintenant le signal pendant une période d’échantillonnage avec des approximations polynômiales
d’ordre n¿1. Les expressions de calcul deviennent plus complexes, ces cas sont peu intéressants pour les applications.
Bloqueur exponentiel :
Le principe est toujours le même avec un maintient du signal assuré par une fonction exponentielle.
4.5 Transposition par pôles et zéros

Un filtre est rigoureusement caractérisé par la position de ses pôles et ses zéros dans le plan p (en continu) ou dans
le plan z (en discret). La donnée de ces points singuliers permet de calculer la fonction de transfert du système à
une constante près. Cette constante est précisée par une donnée supplémentaire par exemple le gain statique.
1
L’idée de cette méthode de transposition est : la transposition z = epTs ⇔ p = Ln(z) n’est pas applicable pour
Ts
conserver à la fonction de transfert une forme polynomiale, elle est par contre applicable sur les points singuliers
que sont les pôles et les zéros. La transposition par pôles et zéros calcule la fonction de transfert discrète G(z) ayant
comme points singuliers les transposés rigoureux des points singuliers de la fonction de transfert continue H(p).
Q
(p − pn )
H(p) = Kp Qn
(p − pk )
Qk
(z − zn )
G(z) = Kd Qn (4.9)
k (z − zk )
La transposition des points singuliers étant faite par : zn = epn Ts , zk = epk Ts et l’ajustement du coeifficient K − d
par l’ajustement du gain statique par exemple : H(0) = G(1) (ou tout autre point de la réponse en fréquence).
La plus part des filtre transposés par cette méthode étant des filtres passe-bas dont la fonction de transfert est
strictement propre, nous pouvons renforcer ce caractère passe-bas en discret en annulant la fonction de tranfert
fs
pour la plus haute fréquence possible c’est à dire .
2
Pour cela il suffit d’ajouter un ou des zéros en z = −1.
La méthode se résume donc ainsi :
74
1. A partir des zéros {pn } de H(p) nous calculons les zéros {zn } de G(z).
2. A partir des pôles {pk } de H(p) nous calculons les pôles {zk } de G(z).
3. Nous renforçons le caractère passe-bas en complétant l’ensemble des zéros {pj } par autant de zéros que
possible en z = −1 tout en conservant à G(z) son caractère propre (degré du numérateur égal au degré du
dénominateur).
4. On ajuste le coefficient Kd par identité des transferts en un point fréquentiel donné, par exemple en réalisant
l’égalité des gains statiques.
Exemple :
2.25
H(p) =
p2 + 0.3p + 2.25
K(z + 1)2
G(z) = (4.10)
z 2 − 0.1347z + 0.7408
Soit un système discret ayant :
1. deux pôles transposés z1,2 = 0.0671 ± j0.8574 d’où une résonance pour ωTs = Arctg(0.8574/0.0671) ⇒ ωr =
1.493rd/s
2. pas de zéro à transposer : caractère passe-bas complété en plaçant deux zéros en z = −1.
3. Le coefficient K est ajusté pour avoir un module de 5 à la résonance.
Validité de la méthode :
Sur le plan théorique, cette méthode est plus difficile à justifier que les précédentes. L’expérience permet de constater
que c’est la méthode de transposition qui conserve le mieux les variations de phase et elle donc particulièrement
indiquée dans la transposition de filtres continus obtenus à partir des fonctions de Bessel.
Remarque :
Lors des applications, il a été remarqué que l’invariance impulsionnelle et la méthode avec bloqueur d’ordre zéro
donnent comme pôles de la fonction de transfert discrète les pôles transposés de ceux de la fonction de transfert
continue. Les trois méthodes diffèrent essentiellement par les zéros du filtre discret et donnent des résultats très
proches. Le premier défaut de la méthodes des rectangles est justement une mauvaise transposition des pôles du
filtre continu ce qui explique qu’elle soit beaucoup plus approximative.
4.6 Transformation bilinéaire

4.6.1 Transformation bilinéaire
Principe : Hormis les méthodes d’approximation de la dérivée, les autres méthodes se révèlent rapidement lourdes
au niveau du calcul, nous ne pouvons envisager les réaliser ”à la main” et cela demande des moyens de calcul.
La transformation bilinéaire consiste à rechercher une méthode simple d’approximation de la dérivée ayant de
meilleures performances que celles que nous avons étudiées. L’approximation de la dérivée par la méthode des
rectangle est satisfaisante pour une fréquence nulle mais se dégrade vers les moyennes et hautes fréquences.
1
Dans la transposition z = z pTs ⇔ p = Ln(z), nous allons rechercher, pour conserver le caractère polynomial
Ts
des fonctions de transfert, une approximation par développement limité de z autour de z = 1 (basses fréquences).
75
z = 1 + ε, ⇒ ε = z − 1
1 1
p= Ln(z) ≈ Ln(1 + ε)
Ts Ts
ε z−1
p= =
Ts Ts
nous retrouvons ici la la méthode des rectangles ”avant”.
La transformation bilinéaire utilise une meilleure approximation de z autour de 1 :
1+ε z−1
z= ⇒ ε=
1−ε z+1

1 1 1+ε 1
p= Ln(z) = Ln = Ln (1 + ε) − Ln (1 − ε)
Ts Ts 1−ε Ts

1 ε2 ε3 ε2 ε3 1
p≈ ε− + + ... − −ε − − + ... = [2ε − ...]
Ts 2! 3! 2! 3! Ts
En conservant que les termes du premier ordre on obtient l’approximation suivante :
76
1 2ε 2 z−1 2 1 − z −1
p= Ln(z) ≈ = =
Ts Ts Ts z + 1 Ts 1 + z −1
La transformation bilinéaire est une approximation de la dérivée telle que :
2 z−1 2 1 − z −1
p → =
Ts z + 1 Ts 1 + z −1
Approximation de l’intégration :
Les méthodes des rectangles ont été présentées comme des approximations de la dérivée par une dérivée ”numérique”,
nous allons montrer que la transformation bilinéaire peut être interprétée comme une approximation de l’intégration
par un intégrateur ”numérique”.
Z t
d 1
La variable complexe p est associée à la dérivée dt , son inverse p sera donc associé à l’intégration : I(t) = x(u)du.
0
A l’instant t = kTs , nous pouvons appoximer cette intégration par :
Xk + Xk−1
Ik = Ik−1 + Ts
2
L’équation récurrente correspondant est :
Ts
1 − q −1 Ik = 1 + q −1 xk
2
Ce qui revient à exprimer le fait que nous remplaçons la variable complexe p1 par : T2s z−1 z+1 =
2 1−z −1
Ts 1+z −1 , soit
2 z−1 2 1 − z −1
p → = , ce qui est bien la proposition de l’approximation bilinéaire.
Ts z + 1 Ts 1 + z −1
4.6.2 Qualité de la méthode
Comme pour les méthodes des rectangles, nous allons comparer les propriétés fréquentielles de la variable complexe
p associée à la dérivation exacte et D(z) celle utilisée par la transformation bilinéaire.
En fréquentiel :
- p = jω ⇒ |jω| = ω et arg(jω) = π2 . Résultat classique du dérivateur.
2 z−1 jωTs
- p → D(z) = ⇒ D(jω) = T2s eejωTs −1+1
Ts z + 1
2 2jsin(ωTs /2) 2j
Qu’on peut l’écrire sous la forme : D(jω) = Ts 2cos(ωTs /2) = Ts tg (ωTs /2)
2 π
|D(jω)| = Ts tg (ωTs /2) et Arg [D(jω)] = 2.
Une première remarque évidente : l’accord des phases est parfait. Qu’en est-il des modules ? Ceux-ci sont représentés
sur le graphe ci-dessous :
Nous mettons en évidence la propriété essentielle de cette transformation : elle effectue une compression des
fréquences en faisant correspondre à la bande ”continue” [0 ; +∞] la demi-bande de Shannon [0; 0.5]. Ce décalage
fréquentiel est plus important vers les hautes fréquences pour devenir négligeable vers les fréquences basses.
77
Il a deux conséquences :
• En comprimant toutes les fréquences dans la bande de Shannon, il assure l’absence totale de repliement.
• Le décalage fréquentiel ne préserve pas tout à fait les caractéristiques du filtre continu. En effet si nous
concevons un filtre sélecteur de fréquence centré sur la pulsation ω0 , le filtre discret effectuera bien la même
opération mais autour de la fréquence décalée ω1 telle que

2 ω1 T s 2 ω0 T s
ω0 = tg ⇔ ω1 = Arctg
Ts 2 Ts 2
Exemple :
2.25 0.3285(z + 1)2

H(p) = − bilinéaire → G(z) =
p2 + 0.3p + 2.25 z 2 − 0.511z + 0.825
Soit un système discret ayant :
1. Deux pôles z1,2 = 0.2555 ± j0.8715, d’où une hrésonance pour ωTs i= Arctg (0.8715/0.2555) ⇒ une résonance
décalée ωr = 1.2857 rd/s qui est bien égale à T2s Arctg(1.5 Ts /2) .
2. Deux zéros en z = −1.
78
4.6.3 Transformation avec pré-décalage (transformation de Tustin)
Le décalage fréquentiel est un inconvénient dans certains cas comme ceux des filtres sélecteurs ou réjecteurs de
fréquence. Pour palier à cet inconvénient nous adoptons la démarche suivante :
1. Conception du filtre continu pour la pulsation ω0 requise → H(p).
2. Décalage fréquentiel
de ses caractéristiques vers les hautes fréquences autour de la pulsation ω∗0 telle que
2 ω0 T s
ω∗0 = tg H(p) → H(p.ω0 /ω∗0 ).
Ts 2
3. Discrétisation du filtre qui décalera les caractéristiques vers les basses fréquences telles que :

2 ω ∗0 Ts 2 ω0 T s
ω1 = Arctg = Arctg tg
Ts 2 Ts 2
H(p.ω0 /ω∗0 ) → G(z).
Remarque : ce décalage ne peut ^

etre réalisé que pour une seule fréquence.
Exemple :

ωr
Pour le prédécalage ωr = 1.495 rd/s → ω∗r = 1.8539 rd/s → ω∗r = 0.806 : soit le changement de p en 0.806 p.
2.25 2.25
H(p) = − prédacalage → H(p) =
p2 + 0.3p + 2.25 2
0.6496p + 0.2418p + 2.25
79
2.25 0.422(z + 1)2
H(p) = − bilinéaire → G(z) = 2
0.6496p2 + 0.2418p + 2.25 z − 0.1307z + 0.8126
Soit un discret ayant :
1. Deux pôles z1,2 = 0.0654 ± j0, 9024 d’où une résonance pour ωTs = Arctg(0.9024/0.0654) ⇒ une résonance
ωr = 1.4895 rd/s qui est bien celle désirée.
2. Deux zéros en z = −1
4.6.4 Equivalence discret-continu]
La transformation bilinéaire est une méthode intéressante pour passer du continu à un équivalent discret. Elle permet
éventuellement de traiter des problèmes comme étant ceux du continu puis d’implanter la solution technique sur
des outils travaillant en discret (ordinateurs, processeurs).
Elle peut être aussi utilisée dans l’autre sens c’est à dire pour faire éventuellement le passage du discret à un
équivalent continu. Dans ce cas bien sûr nous utilisons :
Ts
1+ 2 p
G(z) → H(p) avec z = Ts
1− 2 p
80
Chapitre 5
Filtres à réponse impulsionnelle finie : Filtres RIF
( FIR en notation anglo-saxonne)
5.1 Propriétés
5.1.1 Fonction de transfert (rappels) :
Un filtre FIR est un système linéaire invariant discret dont le comportement entrée-sortie est caractérisé par les
coefficients {hi } de sa réponse impulsionnelle. Le calcul de la sortie se fait grâce au produit de convolution discret
et la transformée en Z permet de définir sa fonction de transfert H(z).
x(t) SYSTEME y(t)
h(t) → H(z)
+∞
X
x(t) = xk δ(t − kTs ) (5.1)
k=−inf ty
+∞
X
y(t) = yn δ(t − nTs ) (5.2)
n=−inf ty
max
X max
X
=⇒ yn = hi xn−i et H(z) = hi z −i
i=min i=min
La suite des {hi} est limitée par i ∈ [min, max]. Le calcul de la sortie yn consiste à prendre les échantillons de x(t)
dans une fenêtre de dimension finie, de pondérer par les hi , puis d’effectuer la somme : c’est une moyenne pondérée.
Cette opération se réalise à chaque instant t = nTs et, pour passer à l’instant suivant, on décale d’une période
d’échantillonnage la fenêtre d’acquisition : la moyenne pondérée est mobile. Cela justifie les noms parfois utilisés
de filtre à moyenne mobile ou de filtre MA (Mobile Average).
Pôles et zéros :
En supposant max > 0 nous pouvons factoriser z −max dans l’expression de la fonction de transfert :
81
max
X Pmax max−i
i=min hi z
H(z) = z −max hi z max−i =
i=min
z max
Cette forme montre que les seuls pôles possibles pour un filtre FIR sont des pôles à l’origine (z = 0) et la conséquence
importante est que ces filtres sont assurément stables.
5.1.2 Exemples :
h(t) h(t) h(t)
t t t
H(z) = 1 + z −1 + z −2 + z −3 + z −4 H(z) = 12 z −1 + z −2 + 21 z −3 H(z) = 12 z + 1 + 12 z −1

1 2 1 1 2 1
z 4 +z 3 +z 2 +z+1 2 z +z+ 2 2 z +z+ 2
H(z) = z4 H(z) = z3 H(z) = z
5.1.3 Forme Récusrsive :
Pour certaibs filtres FIR, on peut trouver une forme récursive équivalente au calcul de la série. Par exemple :
1 − z −m zm − 1
H(z) = 1 + z −1 + z −2 + z −3 + · · · + z −m+2 + z m +1 = −1
= m
1−z z (z − 1)
Cette forme fait apparaı̂tre ici un pôle en z = 1 mais cela n’est qu’une apparence car celui-ci est compensé par le
zéro en z = 1.
Les formes récursives peuvent avoir un intérêt pratique lors de la programmation. Pour le filtre précédent en prenant
par exemple m = 50, nous pouvons le programmer sous les deux formes :
1. Forme directe : yn = xn + xn−1 + xn−2 + xn−3 + xn−4 + xn−5 ... + xn−47 + xn−48 + xn−49 une somme de 50
termes.
2. Forme récursive : yn = xn − xn−50 + yn−1 une somme de 3 termes.
La forme récursive peut cependant avoir des inconvénients dûs à la numérisation et à l’approximation sur les
coefficients. Ces erreurs se propagent et s’amplifient parfois dangereusement avec la récursivité.
5.2 Filtres à phase linéaire

5.2.1 Intérêt d’une phase linéaire
Le but du filtrage est d’extraire d’un signal x(t) un autre signal y(t) en enlevant une partie b(t) que nous pouvons
appelé bruit.
Lors de la transmission d’un signal par un SLI on peut raisonner dans le domaine temporel par le produit de
convolution : y(t) = h(t) ⊗ x(t) ou par l’analyse fréquentielle grâce à la transformation de Fourier : Y (ejωTs ) =
H(ejωTs ).X(ejωTs ).
Dans une approche fréquentielle, pour les composantes du spectre de b(t). nous devons avoir H(ejωTs ) = 0. Par
ailleurs il est souhaité de retrouver intégralement le signal y(t) avec le minimum de déformation et donc pour les
fréquences de son spectre avoir une transmittance H(ejωTs ) = 1.
82
Pour un signal x(t) dont on connaı̂t le spectre X(ejωTs ) le filtrage par un système de transmittance H(ejωTs ) se
traduit mathématiquement par les équations :
H(ejωTs ) = A(ejωTs ) ejϕ(f ) et Y (ejωTs ) = H(ejωTs ) X(ejωTs ) (5.3)

Z + 2T1
s
yn = Ts A(ejωTs ) ejϕ(f ) X(ejωTs )ej2πf nTs df (5.4)
1
− 2T s
Si on se contente de filtrer au voisinage d’une fréquence µ la phase peut être approximée par un développement
limité au premier ordre :
dϕ
ϕ(f ) = ϕ(η) + 2π(f − η) |f =η (5.5)
df
Z 1
+ 2T s dϕ
⇒ yn = Ts A(ejωTs )X(ejωTs )ejϕ(η) ej2π(f −η) df |f =η ej2πf nTs df (5.6)
1
− 2T s
Z 1
+ 2T s
jϕ(η)
= Ts e A(ejωTs )X(ejωTs )e−j2π(f −η)τ (η) ej2πf nTs df (5.7)
1
− 2T s
Le filtre introduit un retard τ (η) = − dϕ

df |f =η . Ce temps τ est le temps de groupe (ou retard de groupe) pour les
fréquences voisines de η.
Si le signal x(t) n’a pas un spectre confiné aux alentours d’une seule fréquence, les différents ”groupes” de fréquences
sont transmis avec des retards différents ce qui donnera une distorsion lors de la reconstitution de yn . Cet in-
convénient est évité si le temps de groupe est indépendant de la fréquence soit la condition :
dϕ
τ (η) = − |f =η = cste ⇒ ϕ(f ) = ϕ0 − 2πf τ
df
⇁ il faut une phase linéaire.
Une approche plus directe et moins physique permet d’aboutir au résultat :
Z 1
+ 2T Z 1
+ 2T
s s
jωTs jωTs jϕ(f j2πf nTs
yn = Ts A(e )X(e )e e df = A(ejωTs )X(ejωTs )ej(2πf nTs +ϕ(f ) df (5.8)
1 1
− 2T s
− 2T s
Z + 2T1s Z + 2T1s
ϕ(f )
= Ts A(ejωTs )X(ejωTs )ej2πf (nTs + 2πf df = Ts A(ejωTs )X(ejωTs )ej2πf (nTs +τ (f ) df (5.9)
− 2T1s − 2T1s
Il apparaı̂t le terme de retard τ (f ) = − ϕ(f )

2πf qui n’introduira pas de distorsion (retard identique quelque soit la
fréquence) si τ (f ) = cste soit la condition de phase linéaire :
ϕ(f ) = ϕ0 − 2πf τ
Z 1
+ 2T s
yn = Ts ejϕ0 A(ejωTs )X(ejωTs )e−j2πf nTs df (5.10)
1
− 2T s
83
5.2.2 Conditions d’obtention d’une phase linéaire :
Deux hypothèses :
1. Le filtre est à phase linéaire.
2. Le filtre est réalisé avec des coefficients {hn } réels.
La phase linéaire ϕ(f ) = ϕ0 − 2πf τ peut s’obtenir d’une infinité de façons mais, en vue de la réalisation pratique,
deux cas particuliers sont importants : ϕ0 = 0 et ϕ0 = −π/2.
Z 1
+ 2T s
hn = Ts ejϕ0 A(ejωTs )ej2πf nTs e−j2πf τ df (5.11)
1
− 2T s
où A(ejωTs ) est le module de H(ejωTs ) et donc réel. Si on exprime h(t + τ ), les coefficients restent réels :
Z + 2T1s
hn+ Tτs = Ts ejϕ0 A(ejωTs )ej2πf nTs df
− 2T1s
" Z 1
# " Z 1
#
+ 2T s
+ 2T s
hn+ Tτs = Ts ejϕ0 A(ejωTs )cos(2πf nTs ) df + jTs ejϕ0 A(ejωTs )sin(2πf nTs ) df (5.12)
1 1
− 2T s
− 2T s
5.3 Synthèse par la méthode des fenêtres

La synthèse est menée sur le cas particulier du filtre passe-bas, les autres filtres pouvant s’en déduire par simple
transposition.
5.3.1 Principe
Le filtre passe-bas idéal est complètement défini par son gabarit fréquentiel idéal :

f
H ejωTs = rect
2fB

1 H ejωTs
− f2s −fB fB
fs
2
84
La réponse impulsionnelle du filtre peut se calculer :
Z +1/2Ts +fB j2πf nTs

hn = Ts H ejωTs ej2πf nTs df = Ts int−fB
e df
−1/2Ts
ej2πf nTs fB sin(2πfB nTs )

hn = Ts | = 2fB Ts (5.13)
j2πnTs −fB 2πfB nTs
Le gabarit idéal demande un filtre avec des échantillons hn tels que n ∈ [−∞, +∞], ce qui n’est pas une réponse
impulsionnelle finie.
Nous devons donc nous contenter d’une approximation en ne retenant qu’un nombre fini de coefficients : la réponse
impulsionnelle finie est obtenue par troncature du résultat du cas idéal. La troncature simple est la troncature par
fenêtre rectangulaire, d’autres troncatures peuvent être envisagées par pondération des échantillons. Nous sommes
confrontés avec le problème du choix de la fenêtre de troncature et les deux soucis contradictoires : obtenir la
meilleure approximation possible avec la fenêtre la plus simple possible.
5.3.2 Problème général de la troncature par une fenêtre de pondération :
En notant hr (t) la réponse impulsionnelle finie obtenue par pondération et troncature de la réponse idéale h(t) par
une fenêtre fe (t) :

hr (t) = h(t).fe (t) ⇒ Hr e(jωTs ) = H e(jωTs ) ⊗ Fe e(jωTs )

Pour un gabarit passe-bas idéal, H e(jωTs ) est égal à 1 pour f ∈ [−fB , fB ], d’où :
+fB
Hr ejωTs = int−fB
Fe (f − µ) dµ = intff +f f +fB
−fB Fe (η) dη = int0
B
Fe (η) dη − int0f −fB Fe (η) dη (5.14)
Nous appelons fonctions intégrale de la fenêtre : F I(a) = inta0 Fe (η) dη

Hr ejωTs = intf0 +fB Fe (η) dη − int0f −fB Fe (η) dη = F I(f + fB ) − F I(f − fB ) (5.15)
⇒ Le spectre du filtre RIF réel n’est pas exactement le gabarit mais la différence entre deux fonctions intégrales
de la fenêtre.
5.3.3 Fenêtre rectangulaire :
C’est la troncature simple où la fonction de fenêtre est une fonction rectangle, sa transformée de Fourier un sinus
cardinal et la fonction intégrale une superposition de sinus intégral (SI) :

t sin(πf ϑ)
fe (t) = rect ⇒ T F [fe (t)] = Fe (f ) = ϑ
θ πf ϑ
Z a
sin(u)
Par définition SI(a) = du
0 u
85
Z α Z α
sin(πηϑ)
F I(α) = F (η)dη = ϑ dη
0 0 πηϑ
Z πηϑ
1 sin(πηϑ) 1
F I(α) = d(πηϑ) = SI(παϑ)
π 0 πηϑ π
1
Hr (f ) = [SI (π(f + fB )ϑ] − SI (π(f − fB )ϑ]] (5.16)
π
Les fonctions sinus cardinal et sinus intégral sont rappelées ci-après et ont les propriétés suivantes :
Sinus cardinal : sinc(0) = 1 sinc(πx) = 0 ⇒ x = [1, 2, 3, ...] parité : sinc(−πx) = sinc(πx)
bf Sinus Intégral : SI(0) = 0 x → +∞ SI(πx) → π/2 parité : SI(−πx) = −SI(πx)
La fonction fréquentielle réelle du filtre sera donc :

L’examen de la réponse en fréquence permet de mettre en évidence les points essentiels suivants :
• Une bande passante de largeur [0, f − B − ∆f /2] avec des dépassements (ou ”oscillations”) en bande passante
caractérisés par leur maximum δ1 et leur resserrement δf .
• Une bande coupée de largeur [fB + ∆f /2; fs /2] avec des dépassements (ou ”oscillations”) en bande coupée
caractérisés par leur maximum δ2 et leur resserrement δf.
• Une bande de transition de largeur ∆f : [fB − ∆f /2; fB + ∆f /2]. ∆f est caractéristique de la ”rapidité” de
la coupure entre bande passante et bande coupée.
86
Figure 5.1 – Réponse en fréquence du filtre FIR : Troncature par une fenêtre rectangle
Le filtre idéal souhaité est tel que δ1 = δ2 = 0 et ∆f = 0. Ces paramètres vont être une manière d’évaluer la qualité
de l’approximation réalisée selon le choix de fenêtre effectué.
Pour la fenêtre rectangulaire afin de conserver l’échantillon en t = 0 et une symétrie paire à la réponse impulsionnelle,
nous choisirons un filtre constitué d’un nombre impair N + 1 d’échantillons. La largeur de la fenêtre de troncature
est donc θ = N Ts . Les paramètres de qualité de l’approximation sont :
• Les dépassements δ1 et δ2 sont identiques et correspondent au maximum de la fonction SI qui est indépendant
du nombre d’échantillons. Quelque soit N , ces dépassements subsisterons : c’est le phénomène de Gibbs lié au
fait qu’une série peut converger en énergie vers une fonction sans que l’on aie la convergence uniforme. Leur
importance est liée à la surface des lobes latéraux de Fe (f ) transformée de Fourier de la fonction de fenêtre
de troncature. Pour le SI/π le premier dépassement vaut 0.09 soit δ1 = δ2 = 21dB (exprimé positivement
par convention sachant qu’il s’agit bien d’une atténuation).
• δf , le resserrement des dépassements en bande passante ou coupée, dépend de la distance entre les maxima
de la fonction SI et donc de la distance entre les valeurs qui annulent la fonction Fe (f ). Pour le sinus cardinal
cela correspond à δx = 2 = δ(f θ) = δf.θ ⇒ δf = 2/(N Ts ) = (2/N )(1/Ts ). Si on élargit la fenêtre de
troncature, N augmente et ces ”oscillations” se resserrent.
• ∆f , la largeur de la bande de transition est caractérisée par deux fois la distance entre l’origine et le premier
maximum de la fonction SI : c’est aussi deux fois la distance entre le maximum et le premier point nul de
la fonction Fe (f ) soit la largeur du lobe central. Pour le sinus cardinal ∆x = 2 = ∆(f θ) = ∆f.θ ⇒ ∆f =
2/θ = 2/(N Ts ) = (2/N )(1/Ts ). Augmenter le nombre de points améliorera aussi ce paramètre.
Les figures ci-dessous montrent les diverses étapes de la conception d’un filtre passe-bas avec fenêtre rectangulaire :
87
5.3.4 Autres fenêtres
Nous pouvons étudier les autres fenêtres possibles comme étant une amélioration par rapport à la fenêtre rectan-
gulaire. Comment agir sur les paramètres de qualité du filtre ?
L’étude du cas de la fenêtre rectangulaire nous a donné de précieuses indications qualitatives :
• La largeur ∆f de la bande de transition est directement liée à la largeur du lobe central de Fe(f) transformée
de Fourier de la fonction de fenêtre.
88
• Les dépassements en bande passante ou coupée sont directement liés à l’importance des lobes latéraux de la
fonction Fe (f ).
Fenêtre triangulaire (Bartlett)

t 2t 2t
fe (t) = T ri = rect ⊗
θ θ θ
2
ϑ sin (πϑf /2)
T F [fe (t)] = Fe (f ) = (5.17)
2 πϑf /2
La transformée de Fourier fait intervenir le carré de la transformée de Fourier d’une fenêtre rectangulaire de largeur
moitié ⇒ le lobe central sera deux fois plus large et les lobes latéraux d’amplitude plus faible. On aura moins
d’oscillations en bande passante au prix d’une pente de coupure deux fois plus faible.
Fenêtre de Hann (ou Hanning)
Fenêtre en ”cosinus” d’allure proche de la fenêtre triangulaire :
89

2πt t
fe (t) = 0.5 + 0.5cos rect
θ θ
2
1 1 1 1 sin (πϑf )
T F [fe (t)] = Fe (f ) = δ(f ) + δ f− +δ f + ⊗
2 4 θ θ πϑf
ϑ sin (πϑf ) ϑ sin (πϑ(f − 1/θ)) ϑ sin (πϑ(f + 1/θ))
Fe (f ) = + + (5.18)
2 πϑf 4 πϑ(f − 1/θ) 4 πϑ(f + 1/θ)
Une plus forte atténuation des lobes latéraux ce qui diminuera les dépassements en bande-passante.
Fenêtre de Hamming :
Devant les résultats très satisfaisants de la pondération avec fenêtre de Hanning, on peut rechercher une meilleure
optimisation de ses performances en choisissant :

2πt t
fe (t) = α + (1 − α)cos rect (5.19)
θ θ
Le paramètre α est ajusté pour minimiser les lobes latéraux en particulier le second
90

2πt t
α = 0.54 ⇒ fe (t) = 0.54 + 0.46cos rect (5.20)
θ θ
communément appelé ”Cosinus rehaussé”.
N+1=15 ∆f = 4/N = 0.28 fB = 0.25 δ1 = δ2 = 53dB
91
Fenêtre de Blackman :
Elle poursuit l’optimisation en ajoutant des termes supplémentaires à la fonction de fenêtre :
M
X
2πmt t
fe (t) = am cos rect (5.21)
m=0
θ θ
M
X
avec am = 1 et θ = M.Ts
m=0
Ce qui, avec trois coefficients donne :

2πt 4πt t
fe (t) = 0.42 + 0.5cos + 0.08cos rect (5.22)
θ θ θ
Les lobes latéraux de la transformée de Fourier sont bien atténués au prix d’un lobe central élargi.
Remarque :
Tous les cas précédents peuvent être inclus dans celui-ci :
1. Fenêtre rectangulaire : α = 1 ; β = γ = 0.
2. Fenêtre de Hanning : α = β = 0.5; γ = 0.
3. Fenêtre de Hamming : α = 0.54; β = 0.46 ; γ = 0.
92
Fenêtre de Kaiser :
Kaiser utilise des fonctions sphéroı̈dales. Intervient un paramètre β d’atténuation des lobes latéraux qui optimise
le rapport des énergies du lobe central et du second lobe qui s’exprime à partir du choix αdB de l’atténuation du
premier lobe (en énergie) et ∆f la largeur de la bande de transition :
α−8
N= +1 (5.23)
14.357∆f
93
et,
β = 0.1102(α − 8.7) si α > 50

β = 0.5842(α − 21)0.4 + 0.07886(α − 21) si 21 < α < 50 (5.24)
94
5.4 FILTRES PASSE-HAUT, PASSE-BANDE, COUPE-BANDE
5.4.1 Filtre passe-tout :
Un filtre passe-tout a une réponse en fréquence H(f ) = 1 quelque soit f . Sa réponse impulsionnelle est donc
h(t) = δ(t) soit h0 = 1 et hi6=0 = 0.
5.4.2 Filtre passe-haut
Il correspond à une réponse en fréquence telle que Hpasse−haut/f c = Hpasse−tout − Hpasse−bas/f c et donc la réponse
temporelle est telle que hpasse−haut = hpasse−tout − hpasse−bas . La fonction passe-tout étant simple et connue, la
synthèse du filtre passe-haut de fréquence de coupure fc se ramène à la synthèse d’un filtre passe-bas de fréquence
de coupure fc dont il suffira de changer le signe des coefficients de la réponse impulsionnelle et d’ajouter 1 au
coefficient h0 ainsi obtenu.
H(f )
− f2s −fc fc
fs
2
5.4.3 Filtre passe-bande :
Ce filtre possède deux fréquences de coupure fc1 et fc2 . Sa réponse en fréquence est telle que :
Hpasse−bande/f c1/f c2 = Hpasse−bas/f c2 − Hpasse−bas/f c1
Sa synthèse se ramène ainsi à celle de deux filtres passe-bas.
H(f )
−fc2 −fc1 fc1 fc2

− f2s fs
2
5.4.4 Filtre coupe-bande :
Ce filtre possède deux fréquences de coupure fc1 et fc2 . Sa réponse en fréquence est telle que :
Hcoupe−bande/f c1/f c2 = Hpasse−tout − Hpasse−bande/f c1/f c2 = Hpasse−tout − Hpasse−bas/f c2 + Hpasse−bas/f c1
Sa synthèse se ramène ainsi à celle de deux filtres passe-bas.
95
H(f )
−fc2 −fc1 fc1 fc2

− f2s fs
2
96
97
Bibliographie
[1] Guy BINET, Notes de cours de Traitement Numérique du signal, Université de Caen Basse-Normandie.
98

Langue

Tns CM Elec 2021

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

Tns CM Elec 2021

Transféré par

Droits d'auteur :

Formats disponibles

Cours

1 Les signaux discrets 5

2 Transformée de Fourier discrète : TFD et principe des analyseurs de spectre ”numériques” 21

3 Les systèmes discrets 45

4 Filtres à réponses impulsionnelle infinie - Filtres RII 63

5 Filtres à réponse impulsionnelle finie : Filtres RIF ( FIR en notation anglo-saxonne) 81

1.1 Généralités - Signal - Mesure - Capteurs

Signal électrique intensité (ampères), tension (volts), puissance (watts).

1.1.2 Classification des signaux

Les signaux sont classables selon des grands groupes de propriétés :

• Signaux continus ou discrets.

• Signaux périodiques ou non.

• Signaux déterministes ou aléatoires.

1.1.4 Systèmes - Filtres :

Type Modélisation Analyse fréquentielle

1.2 Applications du TNS

1.2.1 Domaines d’applications

• Communication homme machine, synthèse, transformation texte-parole et inverse, reconnaissance de parole,

• Musique, numérique, MIDI, échantillonneurs (samplers), synthétiseurs, mélangeurs, réverbération et écho,

• Télécommunications, codage et restauration de la parole, courrier vocal, télécopie, audionumérique (CD,

• Défense, systèmes d’armes, surveillance, guidage, navigation

• Instrumentation, capteurs, métrologie, analyse spectrale, génération de signaux, analyses de transitoires

• Acoustique, aérienne, sous-marine, sonar, ultrasons, nuisances

• Géophysique, sismique, de surface, océanographique, télédétection

• Electromagnétisme, radar, radionavigation, optique, astrophysique

• Automobile injection électronique, ABS, positionnement global, commande d’assiette adaptative

- Compact Disc Audio :

1.3 Signaux discrets

Signal continu Signal échantillonné

Signal Discret (Fs=200Hz)

Signal Discret (Fs=800Hz)

1.3.2 Signaux élémentaires - distributions :

δ(t) P gnTs (t)

La distribution de Dirac δ(t) Le peigne de Dirac

Propriétés mathématiques fondamentales de la distribution de Dirac :

parité δ(−t) = δ(t)

”La transformée d’un peigne de Dirac est un peigne de Dirac”.

Périodicité ≡ convolution par un peigne de Dirac.

Echantillonnage ≡ produit simple par un peigne de Dirac.

Un problème pratique pour l’échantillonnage :

• La dérivée n’existe qu’au sens des distributions : f ′ (t0 ) = ∆f (t0 )δ(t − t0 ).

1.3.3 signaux discrets et périodiques :

1.4 Analyse fréquentielle

• Translation temporelle → Déphasage fréquentiel

• Déphasage temporel - Translation fréquentielle

1.4.2 Application aux signaux périodiques :

Spectre discret (méthode no1) :

1.5 Application aux signaux discrets :

Signaux échantillonnés (méthode no 2) :

Signal continu Signal continu filtré Signal échantillonné

Système Fréquence d’échantillonnage

1.6 Reconstruction d’un signal échantillonné :

• Isoler le spectre du signal continu dans la bande de Shannon :

• Effectuer la transformation de Fourier inverse : xc (t) = T F −1 [Xc (f )]

1.7 Signaux discrets et périodiques :

1.8 Signaux réels :

Pour un signal x(t) réel :

– T F [x(t)] = X(f ) = A(f ) + jB(f ) où A(f ) et B(f ) sont réels

⇒ La transformée de Fourier d’un signal réel est telle que :

• sa partie réelle A(f ) est paire

• sa partie imaginaire B(f ) est impaire.

• le module |X(f )| est pair