Energ Puiss

Université de Caen - UFR de Sciences
ENERGIE ET PUISSANCE
DES SIGNAUX
FONCTIONS DE CORRELATION
G.BINET MdC 61 2009 –2010

Université de Caen - UFR de Sciences
I. ENERGIE ET PUISSANCE DES SIGNAUX ..................................................................................1

I.1. SIGNAUX A ENERGIE FINIE : .............................................................................................................1
I.2. DENSITE SPECTRALE D’ENERGIE (DSE):..........................................................................................1
Théorème de Parseval pour les signaux discrets à énergie finie......................................................2
Densité spectrale d’énergie (DSE) : .................................................................................................2
Démonstration: .................................................................................................................................2
I.3. SIGNAUX A PUISSANCE MOYENNE FINIE:..........................................................................................2
I.4. DENSITE SPECTRALE DE PUISSANCE (DSP): .....................................................................................3
II. AUTOCORRELATION ET INTERCORRELATION TEMPORELLES ..................................4
II.1. SIGNAUX A ENERGIE FINIE :............................................................................................................4
Transformée de Fourier. Lien avec la DSE :....................................................................................5
Transformée en Z de la fonction de corrélation : .............................................................................6
II.2. SIGNAUX A PUISSANCE MOYENNE FINIE :........................................................................................6
Transformée de Fourier. Lien avec la DSP :....................................................................................7
Définition générale de la densité spectrale de puissance des signaux:............................................7
Transformée en Z de la fonction de corrélation: ..............................................................................8
II.3. CAS DES SIGNAUX PERIODIQUES .....................................................................................................8
III. PROPRIETES DES FONCTIONS DE CORRELATION ...........................................................9
III.1. PARITE : ........................................................................................................................................9
III.2. BORNE SUPERIEURE DE LA FONCTION DE CORRELATION : .............................................................9
Inégalité de Schwartz :......................................................................................................................9
Application aux fonctions de corrélation : .......................................................................................9
Cas de l’autocorrélation :...............................................................................................................10
III.3. LIMITE DE LA FONCTION DE CORRELATION : ...............................................................................10
IV. SIGNAUX INDEPENDANTS. COVARIANCE..........................................................................11
IV.1. NOTION D’INDEPENDANCE DES SIGNAUX : ..................................................................................11
IV.2. CONSEQUENCE SUR LA FONCTION D’INTERCORRELATION :.........................................................11
IV.3. COVARIANCE : ............................................................................................................................11
V. QUELQUES APPLICATIONS. .....................................................................................................12
V.1. EXTRACTION D’UN SIGNAL DU BRUIT PAR AUTOCORRELATION : ..................................................12
V.2. MESURE D’UN TEMPS PAR INTERCORRELATION :..........................................................................13
VI. UNE NOUVELLE APPROCHE THEORIQUE DU FILTRAGE ............................................14
VI.1. FORMULATION DU PROBLEME : ...................................................................................................14
Valeur moyenne : ............................................................................................................................14
Signaux centrés :.............................................................................................................................14
VI.2. AUTOCORRELATION DE LA SORTIE DU FILTRE :...........................................................................14
VI.3. INTERCORRELATION SORTIE-ENTREE:.........................................................................................15
VI.4. APPLICATIONS : ..........................................................................................................................16
Un petit exemple : ...........................................................................................................................16
G.BINET MdC 61 2009 –2010

Université de Caen - UFR de Sciences - Energie et puissance des signaux - 1
ENERGIE ET PUISSANCE – CORRELATION -

L'approche du filtrage par l'aspect énergie ou puissance des signaux permet d'associer des signaux
déterministes et des signaux aléatoires. Pour ces derniers, du fait de leur modélisation, c'est la seule approche
possible. Nous allons voir dans ce chapitre comment cette théorie s'adapte aux signaux discrets et établir les
résultats dans ce cas. Le cas des signaux aléatoires sera repris le cours qui leur est dédié.
I. ENERGIE ET PUISSANCE DES SIGNAUX
I.1. Signaux à énergie finie :

Ce sont les plus simples à étudier, ils comportent en particulier tous les signaux transitoires amortis.
2
Pour un signal continu, la puissance instantanée est |x(t)| . Adapté à un signal discret la puissance
2
instantanée à l'instant t=kTs est : |xk| . Par définition, l'énergie totale étant la somme de toute les puissances
instantanées, pour un signal discret elle s'écrit:
+∞
Exx = ∑x
k =−∞
k
2
Le signal est à énergie finie si cette série converge.

Cette notion est étendue à l’échange d’énergie entre deux signaux discrets x(t) et y(t) :
+∞
Exy = ∑x y
k = −∞
k k
exemples:
x(t)=δ(t) ⇒ {x0=1 ; xk≠0=0} ⇒ Exx=1.
y(t)=[e e(t) échantillonnée ; α∈R ; α>0 ] soit tel que {yk<0=0 ; yk≥0=e
-αt -αkTs
}
+∞
⇒ Eyy= ∑e
k =0
−2αkTs
= 1
1−e−2αTs
Eyx=1
I.2. Densité spectrale d’énergie (DSE):

Pour un signal discret :
+∞ +∞
x(t)= ∑
k = −∞
x k δ(t −kTs) ⇒ TF[x(t)]= ∑x e
k = −∞
k
− j2πkTsf
ou en utilisant la transformée en Z:
+∞ +∞
TZ[x(t)]= ∑x z
k = −∞
k
−k
z j
=exp( →s)
2πfT TF[x(t)]= ∑x e
k =−∞
k
− j2πkTsf
j2πfTs
La transformée de Fourier de x(t) est une fonction de e et en appelant X(z) la transformée en Z, la
j2πfTs jωTs
notation retenue pour la transformée de Fourier sera X(e ) ou X(e ).
Connaissant la transformée de Fourier (qui est périodique dans le cas d'un signal discret), nous sommes
capables de calculer les échantillons du signal par la formule d'inversion soit :
fs fs ∫
x k = 1 X(e j2πfTs )e j2πkTsf df =Ts ∫
1/ Ts
X(e j2πfTs )e j2πkTsf df
G.BINET MdC 61 EnergPuiss

2 Université de Caen - UFR de Sciences - Energie et puissance des signaux -
Théorème de Parseval pour les signaux discrets à énergie finie.

Il nous permet de calculer l’énergie d’un signal de manière équivalente dans le domaine temporel ou
dans le domaine fréquentiel :
+∞
∑x
2
∫ X(e j2πfTs ) df
2
Exx = k =1
k =−∞
fs (fs)
Ce résultat est immédiatement généralisable au cas de l’échange d’énergie entre deux signaux et définit
une densité spectrale d’énergie interspectre :
+∞
Exy = ∑ x y = f1 ∫
k = −∞
k k
s (fs )
X(e j2πfTs ) Y(e j2πfTs )df
Densité spectrale d’énergie (DSE) :

En utilisant les relations précédentes :
Par définition : Exx = 1

fs ∫(f ) Sxx(f) df
s
2
⇒ la densité spectrale d'énergie de x(t) : Sxx = X(e j2πfTs )
Pour l'échange d'énergie : Exy = 1 ∫ Sxy(f) df

fs (fs)
⇒ densité spectrale d'énergie interspectre: Sxy =X(e j2πfTs )Y(e j2πfTs )
exemples: Pour les deux fonction x(t) et y(t) du paragraphe précédent.

TF[x(t)]=1 ⇒ Sxx(f)=1.
+∞

TF[y(t)]= ∑e
k =0
−αkTs − jωkTs
e = 1
1−e−αTs e− jωTs
⇒Syy(f)= 1
1−2e−αTs cos(ωTs)+e−2αTs
Syx(f)= 1
Démonstration:
Calculons l’énergie d’un signal en faisant intervenir la transformée de Fourier :
+∞ +∞ +∞
  
Exx = ∑ x x = ∑  f1 ∫
k = −∞
k k
k = −∞ s (fs)
X(e j2πfTs )e j2πkTsf df xk = 1
  fs (fs)k =−∞ ∫ ∑
[x k e j2πkTsf ]X(e j2πfTs )df 

1  j2πfTs 2
∫ ∫ ∫
j2πfTs j2πfTs 1 1
= X(e )X(e )df = X(e ) df = S (f)df
 fs (fs)  fs (fs) fs (fs) xx
I.3. Signaux à puissance moyenne finie:

Dans le cas où la série définissant l’énergie ne converge pas, il est possible de définir une autre
catégorie de signaux : les signaux à puissance moyenne finie (sgn(t), e(t),…). Il est démontré que les signaux
aléatoires stationnaires rentrent dans cette catégorie (voir cours signal aléatoire).
En prenant un nombre de 2N+1 échantillons la puissance moyenne du signal sur cette étendue
temporelle est par définition :
+N
Pxx(N)= 1 x 2.
2N+1k =−N k ∑

Si cette série admet une limite nous avons un signal à puissance moyenne finie celle-ci étant calculable
par :
 +N 
Pxx = lim  1
N→+∞ 
2N +1 ∑
k = −N
x k 2

Cette notion est aussi généralisable à l’interaction entre deux signaux à puissance finie :
 +N 
Pxy = lim  1
N→+∞
∑
2N +1k =−N
x k yk 

Exemple:
x(t) = (échelon d'Heaviside e(t) échantillonné) ⇒ { xk<0=0 ; xk≥0=1 }
Exx = ∞ mais Pxx=1/2:

Pxx = lim  1
N→+∞ 
2N +1
+N
∑
 
x k 2 = lim  1
2 N +1
+N 
1 2= lim N +1 = 1
∑ 2N +1 2
[ ]
k =−N  N→+∞ k =0  N→+∞
I.4. Densité spectrale de puissance (DSP):

En appelant x(t,N) le signal x(t) tronqué dans l’intervalle de temps [-N,+N] soit :
x(t,N)=x(t).rect(t/NTs)
La puissance moyenne de x(t) sur l’intervalle 2NTs se réécrit :
+N +∞
Pxx(N)= 1 ∑x x = 1
2N +1k=−N k k 2N +1k =−∞ ∑
x(t,N)k x(t,N)k
En reprenant la même démarche que pour les signaux à énergie finie et en posant:
TF[x(t,N)]=X(N, e j2πfTs ) ⇒
+∞ +∞
1 
Pxx(N)= 1
2N +1k=−∞ ∑ x(t,N)k x(t,N)k = 1  ∑ ∫
2N +1k =−∞ fs (fs)
X(N,e jωTs )e j2πkTsf df x(N)k

1 +∞  1 1 
∫ ∑ ∫
j2πkTsf jωTs
= 1  [x(t,N)k e ]X(N,e )df =  X(N,e )X(N,e jωTs )df 
jωTs
2N +1 fs (fs)k =−∞  2 N +1 fs (fs) 
2
=1
fs ∫ 1
(fs) 2N +1
X(N,e jωTs ) df
Puis, par passage à la limite:

+∞
Pxx = lim 1
N →+∞ 2N +1
k = −∞
∑
x(t,N)k x(t,N)k = lim 1
N →+∞ fs ∫(fs) 2
1 X(N,e jωTs ) 2df = 1
N +1 fs ∫
(fs)
Sxx(f)df
Sous réserve de vérification de la validité de la permutation de la série et de l’intégration, nous retrouvons

une densité spectrale de puissance (DSP) :
Sxx(f)= lim 1 X(N,e jωTs ) 2

N →+∞ 2N +1
Exemple: Plus délicat à traiter

x(t) = (échelon d'Heaviside e(t) "échantillonné") ⇒ { xk<0=0 ; xk≥0=1 }
N −j(N +1)ωTs
X(N,e jωTs )= ∑e − jnωTs
=1−e − jωT
n =0 1−e s
1 1−e− j(N +1)ωTs = 0siω≠0 ⇒S (f)≈δ(f)
2
Sxx(f)= lim 
N→+∞ 2N +1 1−e− jωTs
∞siω=0
xx

Le calcul est immédiat à reprendre pour le cas de deux signaux et permet de définir la densité spectrale
de puissance interspectre comme :
+∞
Pxy = lim 1
N →+∞ 2N +1
k = −∞
∑
x(N)k y(N)k
= lim 1 ∫ 1 X(N,e jωTs )Y(N,e jωTs )df = 1

N → +∞ fs (fs) 2N +1 fs ∫ (fs )
Sxy(f)df
Sxy(f)= lim 1
N →+∞ 2N +1
[X(N,e jωTs
) Y(N,e jωTs ) ]
II. AUTOCORRELATION ET INTERCORRELATION TEMPORELLES
La définition des fonctions d’autocorrélation et d’intercorrélation est légèrement différente selon le fait
que l’on s’intéresse à des signaux à énergie finie ou à des signaux à puissance moyenne finie.
II.1. Signaux à énergie finie :

L’intercorrélation temporelle entre deux signaux discrets (corrélation mutuelle, corrélation croisée,
crosscorrélation) est définie par :
+∞
R xy(n)= ∑x
k = −∞
k+ n yk
Une interprétation physique consiste à remarquer qu’il s’agit d’une généralisation de la notion d’énergie
qui est ici calculée entre le signal y(t) et le signal x(t+nTs) version décalée de n périodes d’échantillonnage du
signal x(t). Nous retrouvons donc l’énergie pour le cas particulier où:
n=0 → Exy=Rxy(0) .
Du point de vue mathématique il suffit de remarquer qu’il s’agit d’un produit scalaire entre les vecteurs
x(t+nTs) et y(t). Il réalise la projection de l’un sur l’autre et quantifie leur degré de similitude. Ce produit scalaire
est nul lorsque les deux vecteurs sont orthogonaux : on parle d’orthogonalité entre les deux signaux. Deux
signaux orthogonaux pour n = 0 n’ont aucune « similitude ».
L’intercorrélation est dépendante du temps de manière discrète t = nTs (décalage entre les deux
signaux) => elle peut être vue elle-même comme un signal temporel discret dont les échantillons sont les
+∞
{Rxy(n)} : R xy(t)= ∑R
n = −∞
xy(n)δ(t −nTs)
L’autocorrélation est un cas particulier de comparaison d’un signal avec lui-même ou sa version décalée.
+∞ +∞
R xx (t)= ∑R
n =−∞
xx (n)δ(t −nTs) R xx(n)= ∑x
n =−∞
k +n xk
n=0 → Exx=Rxx(0)
exemples:
x(t)=δ(t) ⇒ {x0=1 ; xk≠0=0} ⇒ Rxx(0)=1 ; Rxx(n≠0)=0 ⇒ Rxx(t)=δ(t).
y(t)=[e e(t) échantillonnée ; α∈R ; α>0 ] soit {yk= e
-αt -αkTs -αkTs
e(k)} tel que {yk<0=0 ; yk≥0=e }
+∞
⇒ R yy(n)= ∑e
k = −∞
−α(k + n)Ts
e(k+n)e−αkTs e(k)
+∞ −αnTs
Pour n>0: R yy(n)= ∑e
k =0
−α(k + n)Ts −αkTs
e = e −2αT
1−e s

+∞ αnTs
Pour n<0: R yy(n)= ∑e
k =−n
−α(k + n)Ts −αkTs
e = e −2αT
1−e s
s −α n T
Soit globalement ∀n: R yy(n)= e −2αT
1−e s
+∞
intercorrélation: R yx(n)= ∑e
k =−∞
−α(k + n)Ts
e(k+n)x k =e−αnTs e(n)
Pour n≥0: R yx(n)=e−αnTs
Pour n <0: Ryx(n) = 0

Remarque:
L'auto ou l'intercorrélation sont des signaux temporels et nTs est le décalage qui peut intervenir entre les
deux signaux comparés. Ce décalage peut être aussi bien positif que négatif et donc les sommes vont bien à
priori de -∞ à +∞.
Pour un signal causal qui n'existe donc que pour t compris entre 0 et +∞, son autocorrélation elle existera
bien de -∞ à +∞.
exemple: x(t) a deux échantillons non nuls x0=1 et x1=1 ⇒ Rxx(0)=2, Rxx(1)=1, Rxx(-1)=1 les autres
valeurs de la corrélation étant nulles.
Transformée de Fourier. Lien avec la DSE :
+∞
[
TF R xy(t) = ] ∑R xy(n)e− j2πfnT s
n =−∞
+∞ +∞ +∞ +∞
= ∑∑
n = −∞k = −∞
x k+ n yk e− j2πfnTs = ∑ ∑x
n =−∞k = −∞
k + n yk e
− j2πf(k + n)Ts j2πfkTs
e
+∞ +∞ +∞  +∞ 
= ∑∑
m= −∞n = −∞
x m yk e − j2πfmTs j2πfkTs
e = ∑ ∑ 
k =−∞ m=−∞
x m e− j2πfmTs yke j2πfkTs

jωTs jωTs
=X(e ).Y(e )=Sxy(f)
exemples:
x(t)=δ(t) ⇒ {x0=1 ; xk≠0=0} ⇒ Rxx(0)=1 ; Rxx(n≠0)=0 ⇒ Rxx(t)=δ(t).
TF[Rxx]=1 ce qui est bien égal à Sxx(f).
y(t)=[e e(t) échantillonnée ; α∈R ; α>0 ] soit {yk= e
-αt -αkTs -αkTs
e(k)} tel que {yk<0=0 ; yk≥0=e }
s −α n T
R yy(n)= e −2αT
1−e s
+∞ −α n Ts
TF[R yy]= ∑ 1e−e
n = −∞
− 2αTs
e− jnωTs
 0 +∞ 
=
1−e
1
 e se
−2αTs
n = −∞
∑αn T − jnωTs
n =0
∑
+ e−αnTs e− jnωTs −1

 
 +∞ +∞ 
= −12αT  e
1−e s
1
∑
− α n Ts
e s+
jn ωT
e − α
∑
n Ts
e − jn ωTs
−1
n =044244 3 1 n =044244 3 
 série n°1 complexe conjuguée de n°1  
 
= −12αT  −α1T jωT + −α1T jωT −1
1−e s
1−e e
s s
1−e s e s 
= 1 =Syy(f)
1−2e−αTs cos(ωTs)+e−2αTs

intercorrélation:
R yx(n)=e−αnTs e(n)
+∞
TF[R yx]= ∑e
n =0
−αnTs − jnωTs
e = 1
=Syx(f)
Pour des signaux à énergie finie, la transformée de Fourier de la fonction de corrélation est égale à la
densité spectrale d’énergie :
[ ]
TF R xy(t) =X(e jωTs ).Y(e jωTs )=Sxy(f)
Dans le cas de l’autocorrélation le résultat s’écrira :
TF[R xx(t)]=X(e jωTs ).X(e jωTs )= X(e jωTs ) =Sxx(f)

2
remarque : la fonction de corrélation étant un signal discret, la DSE est une fonction continue de la
fréquence et elle est périodique. Elle ne s’étudie que sur la bande de fréquence de Shannon.
Transformée en Z de la fonction de corrélation :
La transformée en Z permet de généraliser le résultat précédent et est un outil de calcul intéressant en
particulier dans le cas du filtrage. Pour éviter les ambiguïtés de notation, nous ne développerons que le cas des
signaux réels ( xk ∈ R ∀k)
+∞ +∞ +∞
[
TZ R xy(t) = ] ∑R xy(n)z−n = ∑ ∑xk+n ykz−n
n = −∞ n = −∞k = −∞
+∞ +∞ +∞ +∞ +∞  +∞
−m 
= ∑ ∑x
n = −∞k = −∞
k + n y kz
−(n + k) k
z = ∑ ∑x
m=−∞k =−∞
m y kz
−m k
z = ∑  ∑x
k =−∞ m=−∞
mz ykz

k
=X(z).Y( 1 )
z
d’où le résultat : [ ]
TZ R xy(t) =X(z).Y( 1 )
z
Par généralisation la TZ[Rxy(t)] est aussi parfois appelée « DSE » des signaux.
Pour l’autocorrélation ce résultat devient : TZ[R xx (t)]=X(z).X( 1)

z
II.2. Signaux à puissance moyenne finie :

L’intercorrélation (corrélation mutuelle, corrélation croisée, crosscorrélation) temporelle entre deux
signaux discrets est définie en accord avec la définition de la puissance moyenne par :
+N
R xy(n)= lim 1
N →+∞ 2N +1
k =−N
∑
x k + n yk
Les interprétations sont similaires à celles présentées pour les signaux à énergie finie. Nous retrouvons
donc la puissance moyenne pour le cas particulier où :
n=0 → Pxy=Rxy(0) .
L’intercorrélation est dépendante du temps de manière discrète t=nTs => elle peut être vue elle-même
comme un signal temporel discret dont les échantillons sont les {Rxy(n)} :
+∞
R xy(t)= ∑R
n = −∞
xy(n)δ(t −nTs)
L’autocorrélation est un cas particulier de comparaison d’un signal avec lui-même ou sa version décalée.
+∞ +N
R xx (t)= ∑R
n =−∞
xx (n)δ(t −nTs) R xx(n)= lim 1
N →+∞ 2N +1
k = −N
∑
x k+ n xk n=0 → Pxx=Rxx(0)

Transformée de Fourier. Lien avec la DSP :

En faisant intervenir x(t,N) et y(t,N) les signaux x(t) et y(t) tronqués dans l’intervalle de temps [-N,+N]
soit : x(t,N)=x(t).rect(t/NTs) et y(t,N)=y(t).rect(t/NTs)
+∞ +∞ +N
[
TF R xy(t) = ] ∑R xy(n)e− j2πfnT = ∑ Nlim
s
→+∞ 2N +1 ∑ k + n k
1 
x y e− j2πfnT s
n =−∞ n = −∞ k = −N 
+∞  +∞ 
= ∑  lim 2N1+1 ∑x(t,N)
n = −∞
N →+∞
k = −∞
k + n y(t,N)k e

− j2πfnTs
+∞  + ∞  − j2πfnTs
= lim 1
N→+∞ 2N +1
n = −∞ k = −∞
∑ ∑
 x(t,N)k +n y(t,N)k e

+∞ +∞
= lim 1
N→+∞ 2N +1∑∑
n = −∞k =−∞
x(t,N)k+ n y(t,N)k e− j2πf(k +n)Ts e j2πfkTs
+∞ +∞
= lim 1 ∑ ∑x(t,N) y(t,N) e − j2πfmTs j2πfkTs
e
2N +1
N→+∞
m= −∞k =−∞
m k
+∞ + ∞
= lim 1 ∑ ∑x(t,N) y(t,N) e − j2πfmTs j2πfkTs
e
2N +1
N→+∞
k = −∞m=−∞
m k
+∞  +∞ 
= lim 1
N→+∞ 2N +1 
k = −∞ m= −∞
∑ ∑
x(t,N)m e− j2πfmTs y(t,N)ke j2πfkTs

= lim 1 X(N,e jωTs ).Y(N,e jωTs )=Sxy(f)
N→+∞ 2N +1
Pour des signaux à puissance finie, la transformée de Fourier de la fonction de corrélation est égale à la
densité spectrale de puissance :
[
TF R xy(t) = lim ] N→+∞ 2N1+1X(N,e jωT ).Y(N,e jωT )=Sxy(f)
s s
Dans le cas de l’autocorrélation le résultat s’écrira :
TF[R xx(t)]= lim 1 X(N,e jωTs ).X(N,e jωTs )= lim 1 X(N,e jωTs ) 2 =S (f)
N →+∞ 2N +1 N →+∞ 2N +1 xx
Exemple:
x(t) = (échelon d'Heaviside e(t) "échantillonné") ⇒ { xk<0=0 ; xk≥0=1 }
+∞
R xx(t) = 1 ∑ δ(t − nTs)
2 n = −∞
Sxx(f) = TF[R xx] ⇒ Sxx(f) ≈ δ(f) dans la bande de fréquences de Shannon
Transformée de Fourier
x(t),y(t) X(N,f),Y(N,f)
Le calcul mené nous donne
deux définitions ou deux manières
de calculer la DSP d’un signal. Produit et limite
Nous pouvons représenter cela sur
le schéma ci-contre.
Cependant après le calcul du
Transformée de Fourier
produit des transformées de
Rxy(t) Sxy(f)
Fourier, le passage à la limite
N→+∞ n’est pas toujours définie (fonction sign(t) par exemple).
Définition générale de la densité spectrale de puissance des signaux:
Pour l’intercorrélation : [ ]
Sxy(f)=TF R xy(t)
Pour l’autocorrélation : Sxx(f)=TF[R xx(t)]

La DSP provient par transformée de Fourier d’un signal de corrélation qui est discret. Elle dépend donc
de manière périodique de la fréquence et s’étudie ainsi uniquement dans la bande de fréquences de Shannon.
Transformée en Z de la fonction de corrélation:
Au prix de calculs un peu plus lourds en utilisant les signaux tronqués du paragraphe précédent le
résultat est identique à celui établit pour les signaux à énergie finie :
+∞
[
TZ R xy(t) =] ∑R xy(n)z−n
n =−∞
+∞  +N  +∞  +∞ 
= ∑  Nlim
n =−∞ 
1
→+∞ 2N +1 ∑
k = −N 
∑
x k + n y k z − n = 
n = −∞ 
lim 1
N→ +∞ 2N +1∑k =−∞
x(N)k+ n y(N)k z − n

+∞  +∞  +∞ +∞
= lim 1
N →+∞ 2N +1 ∑ ∑ x(N)k + n y(N)k z = Nlim
n =−∞ k =−∞ 
− n 1
∑∑
→ +∞ 2N +1
n =−∞ k =−∞
x(N)k + n y(N)k z −(n+ k)z k
+∞ +∞ +∞ +∞
= lim
N →+∞ 2N +1
1
∑∑
m = −∞ k = −∞
x(N)m y(N)k z z = lim −m k 1
N →+∞ 2N +1∑∑k =−∞ m =−∞
x(N)m y(N)k z − mz k
+∞  +∞ 
= lim 1
N →+∞ 2N +1 ∑ ∑
k =−∞ m =−∞
x(N)m z − m y(N)kz k = lim 1 X(N,z).Y(N, 1 )

N →+∞ 2N +1 z
d’où le résultat : [ ] N→+∞ 2N1+1X(N,z).Y(N, 1z )

TZ R xy(t) = lim
Par généralisation la TZ[Rxy(t)] est aussi parfois appelée « DSP » des signaux.
Pour l’autocorrélation ce résultat devient :
TZ[R xx(t)]= lim 1 X(N,z).X(N, 1 )

N→ +∞ 2N +1 z
II.3. Cas des signaux périodiques

Les signaux périodiques sont des signaux à puissance moyenne finie pour lesquels la puissance
moyenne est calculée sur un intervalle de temps fini égal à la période T0 du signal. Nous regarderons le cas de
l’autocorrélation, l’intercorrélation nécessitant l’hypothèse que les deux signaux périodiques aient même
période.
En revenant au rapport entre la période du signal et la période d’échantillonnage T0=NTs.
(N)
Pxx = 1 ∑ xk 2
N k
La fonction de corrélation est, elle aussi, périodique:

(N)
R xx(n) = 1 ∑ x k + n x k
N k
on parle ici de corrélation circulaire. La transformée de Fourier d’un signal périodique et discret est un
signal discret et périodique => la DSP d’un signal périodique discret est discrète et périodique et se calcule
rigoureusement en utilisant la TFD de la fonction de corrélation.
Sxx(f)=TFD[Rxx(t)]

III. PROPRIETES DES FONCTIONS DE CORRELATION
III.1. Parité :
+N +N
R xy(n)= lim 1
N →+∞ 2N +1
k = −N
∑
x k + n yk => R xy(−n)= lim 1
N →+∞ 2N +1
k = −N
∑
x k − n yk
+N − n
⇒ R xy(−n)= lim 1
N →+∞ 2N +1 ∑
x m ym+n =R yx(n)
m = −N − n
⇒ R xy(−n)=R yx(n)
cas particulier de l’autocorrélation :

La fonction d’autocorrélation est à priori complexe et se sépare en parties réelle et imaginaire :
R xx(n)=Re[R xx(n)]+ jIm[R xx(n)]
[ ]
R xx(−n)=R xx(n) ⇒ Re R xx(n) est paire
Im[R xx(n)]estimpaire
Si x(t) est un signal réel comme cela est le cas de beaucoup de signaux usuels, sa fonction
d’autocorrélation est nécessairement réelle. Elle est donc paire et cette remarque simplifie le calcul de celle-ci
grâce à cette symétrie.
En utilisant la propriété de la transformation de Fourier on en déduit :
Pour un signal réel la fonction de corrélation est réelle et paire et sa DSP (ou DSE) aussi.
III.2. Borne supérieure de la fonction de corrélation :

Inégalité de Schwartz :
Bien connue dans le cas des intégrales elle a aussi son équivalent pour les séries.
2
Démonstration: Pour tout α réel non négatif, 1a série ∑(a −αb )

i
i i est non négative.
∑(a −αb ) ≤∑ a −αb ≤∑ a ∑ a b +α ∑ b

2 2 2
i i i i i −2α i i
2
i =(α−α1)(α−α2)≥0
i i i i i
Le trinôme en α étant non négatif, ses deux racines sont obligatoirement complexes conjuguées : α1=β+jγ et α2β-jγ => (α-
α1)( (α-α2)=(α-β)2+γ2 toujours positif ou nul. Pour cela le discriminant doit être négatif ou nul ce qui établit l’inégalité de
Schwartz :
2
∑a b ≤∑ a b ≤∑ a .∑ b
2 2 2
i i i i i i
i i i i
Application aux fonctions de corrélation :

 +N
2
+N +N
∑ ∑ ∑
2
R xy(n) = lim ≤ lim
1 1 2
x k + n y k xk +n 2 yk
N→+∞ (2N +1) k =−N
2
 N→+∞ (2N +1) k=−N
2
k =−N
 
+N +N +N +N
2   2
lim 1
N →+∞ (2N +1) 2
k =−N
x k+ n 2∑k = −N
yk = lim 1

∑
N →+∞ 2N +1
k =−N
x k+ n 2  lim 1

N →+∞ 2N +1
k =−N
∑
yk 

∑
=R xx(0).R yy(0)
2
⇒ R xy(n) ≤R xx(0).R yy(0)
Le carré du module de la fonction d’intercorrélation est borné supérieurement par le produit des
puissances moyennes des deux signaux.

Cas de l’autocorrélation :
R xx(n) ≤R xx(0)
Le module de la fonction de corrélation est borné supérieurement par sa valeur en zéro c’est à dire par la
puissance moyenne du signal.
Si le signal est réel, la fonction de corrélation est réelle et ce sera donc la fonction de corrélation qui
aura comme borne supérieure sa valeur en zéro.
III.3. Limite de la fonction de corrélation :

Le fait que le signal soit à puissance moyenne finie implique que la transformée de Fourier de la
fonction de corrélation, qui est la DSP du signal, existe. Pour que cette transformée existe il faut que la fonction
+N
de corrélation soit absolument sommable : lim
N →+∞ ∑R
n = −N
xy(n) <∞ .
Cette condition implique deux contraintes :

• La fonction de corrélation doit être bornée. Ceci a été montré au chapitre précédent.
• Les limites de la fonction de corrélation ne peuvent être que nulles. Ceci nous amène la seconde
propriété des fonctions de corrélation : lim R xy(n)=0
n→±∞
La seconde propriété peut être légèrement étendue car elle est induite par la condition d’existence
d’une transformée de Fourier au sens des fonctions. Si on étend ceci aux distributions on peut ajouter à la
fonction de corrélation une constante.
Compte tenu des remarques et propriétés précédentes, la fonction d’intercorrélation entre deux signaux
réels et la fonction d’autocorrélation d’un signal réel ont les allures suivantes :
t t
Intercorrélation Autocorrélation
Remarque :
Tous ces résultats établis pour les fonctions de corrélation temporelles sont aussi, grâce à l'hypothèse
d'ergodicité, valables pour les fonctions de corrélation statistiques des signaux aléatoires.

IV. SIGNAUX INDEPENDANTS. COVARIANCE.
IV.1. Notion d’indépendance des signaux :

L’approche de la notion d’indépendance des signaux peut se faire de manière intuitive englobant le cas
de tous les signaux déterministes ou aléatoires.
Deux signaux x(t) et y(t) sont indépendants s’il n’y a eu aucun "lien" entre eux. Si on les compare grâce à
leur fonction d’intercorrélation le lien éventuel qui existe ne peut dépendre du décalage entre les deux
séquences ce qui peut être simplement exprimé mathématiquement par :
Signaux indépendants ⇔ Rxy(n) = cste ∀n
IV.2. Conséquence sur la fonction d’intercorrélation :

Si Rxy(n)=cste ∀n, elle est aussi égale à sa valeur moyenne <Rxy>. On peut alors écrire :
+N
R xy(n)= lim 1
N →+∞ 2N +1 ∑
k = −N
x k + n yk
+M  +N 
⇒R xy(n)=<R xy >= lim 1
M→+∞ 2M +1
n = −M 
∑ lim 1
N →+∞ 2N +1 ∑
k =−N
x k + n yk 

+N  +M  +N
= lim 1
N→+∞ 2N +1 ∑ yk lim 1
M→+∞ 2M +1 ∑x k +n = lim 1
N→+∞ 2N +1 ∑ [yk<x>]
k =−N
 m
n = −M 
 k = −N
+N
= lim 1
N→+∞ 2N +1 ∑ [yk ]<x>=<x><y>
k =−N
Pour deux signaux indépendants, la fonction d’intercorrélation est constante et égale au produit des
valeurs moyennes des signaux.
Rxy(n) = <x> <y>
Signal centré :
Un signal centré est un signal dont la valeur moyenne est nulle.
Lorsque deux signaux sont indépendants, si l’un des deux est centré, leur fonction d’intercorrélation est
nulle.
Intercorrélation entre un signal quelconque et un signal constant :
Résultat intermédiaire utile par la suite :
+N 
R xy(n)= lim 1
N→+∞ 2N +1 ∑
k = −N
x k + n yk 
⇒R xy(n)=γ<y>
xm =cste=γ 
IV.3. Covariance :
Tout signal peut être décomposé en la superposition d’un signal centré et d’un signal constant égal à sa
valeur moyenne : x(t) = xc(t) + <x>.
La fonction d’intercorrélation entre les deux signaux se décomposera comme suit :
R xy(n)=R (xc+<x>)(yc+<y>)(n)=R x cyc (n)+ R <x > yc(n)+R x c <y>(n)+R <x ><y>(n)
=R x cyc(n)+<x><yc >+<xc ><y>+<x><y>=Cxy(n)+<x><y>
Il apparaît la fonction d’intercorrélation entre les deux signaux centrés xc(t) et yc(t) qui est par définition la
fonction d’intercovariance Cxy(n) entre les deux signaux x(t) et y(t). Ce résultat est applicable à l’autocorrélation
d’un signal et on définit la fonction d’autocovariance du signal comme étant la fonction d’autocorrélation du
signal centré.

Corrélation R et covariance C sont donc liées par les relations :

Intercorrélation et intercovariance : Rxy(n) = Cxy(n) + <x><y>
2
Autocorrélation et autocovariance : Rxx(n) = Cxx(n) + |<x>|
remarque :
L’intercovariance de deux signaux indépendants est nulle. Souvent la valeur moyenne du signal a peu
d’importance et beaucoup d’applications travaillent systématiquement sur des signaux centrés.
V. QUELQUES APPLICATIONS.
Les applications de la corrélation et de la covariance sont nombreuses en filtrage et en identification.

Elles impliquent souvent une approche stochastique et la modélisation des signaux aléatoires. Ces applications
sont décrites dans d’autres chapitres. Nous nous contenterons de décrire ci-dessous les deux applications
élémentaires de l’autocorrélation et de l’intercorrélation dont le but est d’extraire un signal du bruit.
V.1. Extraction d’un signal du bruit par autocorrélation :

Nous faisons l’acquisition d’un
signal qui a été bruité lors de sa
transmission par exemple. Le bruit est
souvent à caractère aléatoire et la seule
hypothèse que l’on est amené à formuler
est que son spectre de fréquence est très
étendu et ne peut donc être supprimé par
un filtrage classique réjecteur de bande.
Si, dans l’espace des fréquences, le
spectre de puissance du bruit est étendu,
sa transformée de Fourier inverse sera
très localisée dans le domaine temporel.
On pourra donc séparer la partie
corrélation du bruit de celle du signal si
l’autocorrélation du signal est, elle,
étendue. Les signaux périodiques bruités
sont de bons candidats pour ce type de
traitement .

V.2. Mesure d’un temps par intercorrélation :

Un signal x(t) est envoyé vers une cible et un écho y(t) revient vers l’émetteur. Le temps de parcours θ
du signal permet de déterminer la distance à laquelle se situe la cible mais l’écho de retour est en général un
signal fortement bruité ce qui ne permet pas une mesure directe du temps de parcours. Cependant nous
disposons du signal émis qui est indépendant du bruit qui s’ajoute lors du parcours et l’intercorrélation permettra
de minimiser l’effet de ce bruit.
y(t)=x(t-θ)+b(t) Ryx=Rx(t-θ)x(t)+Rbx Rbx=0 ⇒ Ryx=Rx(t-θ)x(t)
Si le signal x(t) est choisi tel que sa fonction d’autocorrélation Rxx soit maximale en n=0, la fonction
d’intercorrélation Ryx sera elle maximale en nTs=θ, l’effet du bruit devenant quasiment négligeable.

VI. UNE NOUVELLE APPROCHE THEORIQUE DU FILTRAGE
Pour les systèmes linéaires invariants, la sortie y(t) peut toujours être calculée à partir de l’entrée x(t) et
de la réponse impulsionnelle h(t) du système grâce au produit de convolution discret :
y(t)=h(t)⊗x(t) ⇔ Y(z)=H(z).X(z)
C'est cette formulation qui a permis jusqu'ici de développer la théorie du filtrage. Comment reformuler le
problème si les seules grandeurs connues des signaux sont les grandeurs énergétiques ?
VI.1. Formulation du problème :
H(z)
Le signal x(t) n'est connu que par sa fonction d'autocorrélation Rxx(t). L'effet du filtre sera complètement
caractérisé si nous savons calculer deux grandeurs :
Ryy(t) la fonction d'autocorrélation de la sortie
Ryx(t) la fonction d'intercorrélation entre la sortie et l'entrée
Valeur moyenne :
La valeur moyenne du signal de sortie est la valeur moyenne du signal d’entrée multipliée par le gain
statique du filtre:
yn = ∑ h k x n - k
k
 
<y>= ∑ y =∑ ∑h n k x n -k = ∑h ∑x k =
n -k ∑ h <x> formule déjà vue en filtrage
k
n n k k 3 
n 24
1
4 k
<x>
 
<y(t)> ≡

∑h <x(t)> =
k
k H(z)
1
424 z =1
3
<x(t)>
Gain statique
Signaux centrés :
Si le signal x(t) est centré (<x> = 0), le signal de sortie y(t) le sera aussi si le gain statique du système est
fini. Puisque nous raisonnons sur des systèmes linéaires, le problème du filtrage d’un signal peut toujours se
décomposer en deux parties :
• Filtrage de la valeur moyenne par le gain statique du filtre.
• Filtrage du signal centré par le filtre.
La seconde partie est la plus intéressante et justifie le fait que nous nous intéressions plus spécialement à
des signaux centrés, le cas du signal non centré s’en déduisant aisément
VI.2. Autocorrélation de la sortie du filtre :

  
R yy(k)= ∑y
n
∑∑h x
k + n yn =
n i
i k + n −i  
 
∑h x
j
j n − j=

∑h h ∑ x
i, j
i j
n4
k + n −i x n − j = ∑h h R
i, j
i j xx (k + j−i)
1 4244 3
R xx (k + j−i)
R yy(k)== ∑h h R
i, j
i j xx (k+ j−i)

-1
En utilisant l'opérateur retard q :
R yy(k)= ∑h h R
i, j
i j xx (k + j−i)= ∑h h q
i, j
i j
−i j
q R xx(k)
 
⇒ R yy(t)=

∑h h q
i, j
i j
−i j
q  R xx(t)

Les fonctions de corrélation sont des "signaux", à partir de la formule précédente la transformée en Z
fournit une troisième formulation équivalente :
[ ]
TZ R yy =H(z).H( 1)TZ[R xx ]
z
L’inversion de la transformée en Z founit une méthode de calcul de l’autocorrélation du signal de sortie
y(t) :
[ ]
TZ R yy =H(z).H( 1)TZ[R xx ]
z
⇒R yy(k)= ∑ [z k −1
z
]
H(z).H( 1)TZ[R xx ]
résidus / pôles
Enfin, nous pouvons nous intéresser à l'analyse spectrale et la densité spectrale de puissance Syy(f) du
signal de sortie peut se déduire de Sxx(f) celle du signal d'entrée :
2
Syy(f)= H(e jωTs ) Sxx(f)
VI.3. Intercorrélation Sortie-entrée:

 
R yx(k)= ∑y
n
k+ nx n =∑∑h x
n i
i k + n −i 

xn = ∑h ∑ x
i
i k + n −i x n
n 42
1 4 43 4
R xx(k −i)
R yx(k)== ∑h R
i
i xx (k−i)
-1
En utilisant l'opérateur retard q :
R yx(k)= ∑h R
i
i xx (k −i)= ∑h q
i
i
−i
R xx(k)
 −i 
⇒ R yx(t)=

∑h qi
i  R xx(t)

En utilisant la transformée en Z :
[ ]
TZ R yx =H(z).TZ[R xx ]
L’inversion de la transformée en Z fournit une méthode de calcul de l’intercorrélation sortie-entrée :

[ ]
TZ R yx =H(z).TZ[R xx ] ⇒R yx(k)= ∑[z k −1
résidus / pôles
H(z).TZ[R xx ] ]
Enfin, nous intéresser à l'analyse spectrale et la densité spectrale de puissance interspectre Syx(f)
sortie-entrée :
Syx(f)=H(e jωTs )Sxx(f)
Remarque pratique :
Le calcul des fonctions de corrélation lorsqu’il est fait grâce à la transformée en Z nécessite l’utilisation
de la transformée en Z bilatérale. En effet ces fonctions du temps s’étendent théoriquement sur
τ=[-∞,+∞].

Dans le cas de la fonction d’autocorrélation d’un signal réel, nous avons établi sa propriété de parité et
donc le calcul peut se faire grâce à la transformation monolatérale sur [0,+∞] et complété par cette propriété de
symétrie. Il n’en est pas de même pour une fonction d’intercorrélation où les deux parties du calcul deviennent
nécessaires sauf dans certaines applications importantes où nous établirons que cette fonction est nulle pour
τ<0.
VI.4. Applications :
L'intérêt majeur de cette approche est qu'elle est la seule permettant d'aborder le traitement des
signaux aléatoires.
Dans le cas de mélange aléatoire-déterministe elle devient donc incontournable. Les applications seront
vues dans le cours du signal aléatoire.
Un petit exemple :
Prenons le cas de la réponse impulsionnelle : x(t) = δ(t)
La fonction de corrélation est immédiate :
Rxx(0) = 1
Rxx(k≠0) = 0
⇒ Rxx(t) = δ(t) ⇒ TZ[Rxx] = 1 ⇒ Sxx(f) = 1
En appliquant les formules démontrées pour l'intercorrélation sortie-entrée :
Syx(f) = H(e ω )
j Ts
Ryx(k) = hk TZ[Ryx] = H(z)
Toutes ces formules expriment la même chose : la réponse impulsionnelle permet d'obtenir la fonction de
transfert du système = elle permet d'identifier le système. Ceci était déjà bien connu.
Dans cette approche, la propriété essentielle de x(t) = δ(t) est que sa propre fonction d'autocorrélation est
δ(t). Nous verrons qu'il y a d'autres signaux qui possèdent cette propriété et de ce fait ils pourront être utilisés
pour l'identification.

Energ Puiss

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

Energ Puiss

Transféré par

Droits d'auteur :

Formats disponibles

Université de Caen - UFR de Sciences

G.BINET MdC 61 2009 –2010

I. ENERGIE ET PUISSANCE DES SIGNAUX ..................................................................................1

G.BINET MdC 61 2009 –2010

ENERGIE ET PUISSANCE – CORRELATION -

I. ENERGIE ET PUISSANCE DES SIGNAUX

I.1. Signaux à énergie finie :

Le signal est à énergie finie si cette série converge.

I.2. Densité spectrale d’énergie (DSE):

G.BINET MdC 61 EnergPuiss

Théorème de Parseval pour les signaux discrets à énergie finie.

Densité spectrale d’énergie (DSE) :

Par définition : Exx = 1

Pour l'échange d'énergie : Exy = 1 ∫ Sxy(f) df

⇒ densité spectrale d'énergie interspectre: Sxy =X(e j2πfTs )Y(e j2πfTs )

exemples: Pour les deux fonction x(t) et y(t) du paragraphe précédent.

I.3. Signaux à puissance moyenne finie:

G.BINET MdC 61 EnergPuiss

I.4. Densité spectrale de puissance (DSP):

Puis, par passage à la limite:

Sous réserve de vérification de la validité de la permutation de la série et de l’intégration, nous retrouvons

Sxx(f)= lim 1 X(N,e jωTs ) 2

Exemple: Plus délicat à traiter

G.BINET MdC 61 EnergPuiss

= lim 1 ∫ 1 X(N,e jωTs )Y(N,e jωTs )df = 1

II. AUTOCORRELATION ET INTERCORRELATION TEMPORELLES

II.1. Signaux à énergie finie :

G.BINET MdC 61 EnergPuiss

Pour n≥0: R yx(n)=e−αnTs

Pour n <0: Ryx(n) = 0

G.BINET MdC 61 EnergPuiss

Dans le cas de l’autocorrélation le résultat s’écrira :

TF[R xx(t)]=X(e jωTs ).X(e jωTs )= X(e jωTs ) =Sxx(f)

Pour l’autocorrélation ce résultat devient : TZ[R xx (t)]=X(z).X( 1)

II.2. Signaux à puissance moyenne finie :

G.BINET MdC 61 EnergPuiss

Transformée de Fourier. Lien avec la DSP :

Dans le cas de l’autocorrélation le résultat s’écrira :

Définition générale de la densité spectrale de puissance des signaux:

Pour l’autocorrélation : Sxx(f)=TF[R xx(t)]

G.BINET MdC 61 EnergPuiss

d’où le résultat : [ ] N→+∞ 2N1+1X(N,z).Y(N, 1z )

TZ[R xx(t)]= lim 1 X(N,z).X(N, 1 )

II.3. Cas des signaux périodiques

La fonction de corrélation est, elle aussi, périodique:

G.BINET MdC 61 EnergPuiss

III. PROPRIETES DES FONCTIONS DE CORRELATION

cas particulier de l’autocorrélation :

III.2. Borne supérieure de la fonction de corrélation :

Démonstration: Pour tout α réel non négatif, 1a série ∑(a −αb )

∑(a −αb ) ≤∑ a −αb ≤∑ a ∑ a b +α ∑ b

Application aux fonctions de corrélation :

G.BINET MdC 61 EnergPuiss

III.3. Limite de la fonction de corrélation :

Cette condition implique deux contraintes :

G.BINET MdC 61 EnergPuiss

IV. SIGNAUX INDEPENDANTS. COVARIANCE.

IV.1. Notion d’indépendance des signaux :

IV.2. Conséquence sur la fonction d’intercorrélation :

G.BINET MdC 61 EnergPuiss

Corrélation R et covariance C sont donc liées par les relations :

Les applications de la corrélation et de la covariance sont nombreuses en filtrage et en identification.

V.1. Extraction d’un signal du bruit par autocorrélation :