L3 – GB/ELN – TS

Signal

• Que signifie le mot signal ?

Théorie du Signal : Rappels – Toute entité véhiculant une information
– C’est une représentation obtenue à partir des
variations d’une grandeur physique traduite par
un capteur sous la forme de plus en plus
Pr. ZOUAGUI T. fréquente d’un signal électrique.

USTO – Faculté GE - Département d’Électronique

– Exemples :
• Tension électrique, Température, Vitesse, Pression, …
prof.zouagui@gmail.com
2

Signal Signal
ECG
• Exemples de signaux :
– Signaux biologiques, mesurés à divers endroits
du corps humain et renseignant sur son
fonctionnement : ECG, EEG, EOG ou EMG.
Signaux Biologiques
– Signaux de télécommunications, qui
transportent l’information par modulation avec
une porteuse, le plus souvent aujourd’hui sous
forme numérique.
– Signaux acoustiques : parole, musique, … EEG

3 4

1
 Système Système

• Signaux et systèmes : deux notions • Exemples de systèmes :

indissociables
• Signal : quantité physique mesurable qui
évolue en fonction d’une ou plusieurs
variables comme par exemple le temps ou
des variables d’espace Circuit électrique RLC

– Représentation mathématique de la quantité

physique observée
• Système : entité physique qui réalise une
opération sur un signal
5 6
Système d’enregistrement audio

Système Traitement du signal

Appareil Photo • Procédures ou ensemble de techniques

indépendantes du signal traité pour :
– Mettre en forme le signal (modulation, codage,
échantillonnage, …)
• Forme adaptée à la transmission et au stockage
– Extraire l’information (filtrage, détection,
Thermomètre
estimation, analyse spectrale, …)
– Analyser l’information
• Reconnaissance de formes

7 8

2
 Traitement du signal
• Appliquer un traitement ou une analyse de
l’information à un signal provenant pour la
majorité des applications du monde physique
qui nous entoure.
• Exemple de traitement :
– Supprimer l’écho des lignes téléphoniques
– Reconnaître une signature radar
– Localiser un signal noyé dans un signal bruité
–…
9 10
Système numérique de traitement
du signal
• La majorité des opérations en TS ont lieu sur
des signaux analogiques, qu’il faut convertir
sous forme numérique pour que l’on puisse
leur appliquer des opérations numériques
signal émis par
une source
11
Traitement du signal
• Science appliquée qui a pour but principal de
permettre une manipulation aisée de
signaux analogiques à l'aide de calculateurs
numériques.
• Le but du TS est d’extraire le maximum
d’information utile dans un signal perturbé
par le bruit
Bruit : Tout phénomène perturbateur pouvant gêner la perception
ou l’interprétation d’un signal
Traitement du signal
• Analyse = extraction les composantes essentielles portant
l’information ;
• Mesure = estimation d’une grandeur caractéristique avec
une certaine confiance ;
• Détection = extraction d’un signal utile du bruit (signal
présent ? absent ?) ;
• Filtrage = élimination des composantes indésirables
(souvent le bruit) ;
• Restauration = “réparation" des dégradations subies par un
signal, connaissant le système ayant provoqué la
dégradation.
• Synthèse = création d’un signal à partir de signaux
élémentaires ; 12
3
 Traitement du signal Quelles applications ?
• Codage = mise en forme du signal pour une transmission ; • Téléphonie mobile,
• Compression = réduction de la redondance d’information • Aide au diagnostic médical (EEG, ECG, …),
dans un signal pour “gagner de la place" ; imagerie médicale, …
• Modulation = adaptation d’un signal aux caractéristiques • Cartes son, synthèse musicale, …
d’une voie de transmission ou d’un support d’enregistrement; • Codage vidéo et audio en visiophonie, formats
• Segmentation = partition (découpage) d’un signal en d’échange audio et vidéo, …
segments (parties) homogènes ; • Reconnaissance de la parole,
• Reconnaissance = identification de formes appartenant à un • Vision industrielle, contrôle non destructif, …
dictionnaire (parole, images). • Suivi de cibles, radars, …
• Analyse du sous sol (ondes sismiques, recherche
pétrolière…)
13
• GPS, 14

Quelles applications ? Signaux élémentaires

Télécoms • Échelon unité

Codage MP3
transmissions
Radio
• Impulsion de Dirac (ou unité)
Télévision
Satellites
• Signal rampe
• Signal rectangle (porte)
• Signal sinusoïdal
Reconstruction d’images Compression des • Signal triangulaire
en tomographie (scanner) images JPEG, MPEG
• Fonction Signe
Compression de la
parole en téléphonie • Fonction Sinc
mobile
15 16

4
 Échelon unité Impulsion de Dirac

• L’échelon unité us(t) est un signal qui vaut 0 • Par définition δ(t) est un “signal” pour lequel
pour tous les instants négatifs et 1 pour les on a : δ (t )
temps positifs dans le cas continu. Dans le δ (t ) = 0 pour t ≠ 0 1
cas discret, us[n] vaut 0 pour les n négatifs et Amplitude ≈∞
∞
1 pour les n ≥ 0. ∫ δ (t ) dt = 1 t
−∞
Largeur → 0

– δ(t) n’a pas de durée, sa hauteur est infinie et

son aire est égale à l’unité

17
La valeur δ (0) n’est pas définie, particulièrement δ (0) ≠ ∞ 18

Impulsion de Dirac Impulsion de Dirac

• Impulsion unité (cas discret) • Propriétés du Dirac

+∞ +∞
∫ x ( t ) δ ( t ) dt = x ( 0 ) ∫ x ( t ) δ (t − t0 ) dt = x ( t0 )
−∞
−∞

• Propriétés du Dirac

x ( t ) δ ( t ) = x ( 0) δ ( t )
du (t ) t

x ( t ) δ ( t − t0 ) = x ( t0 ) δ ( t − t0 ) δ (t ) = u (t ) = ∫ δ (τ ) dτ
dt −∞

19 20

5
 Peigne de Dirac Signal rampe

• La fonction peigne de Dirac ou fonction shah  t, t ≥ 0

(ш) est une somme de fonctions de Dirac r (t ) = 
0, t < 0
espacées de T

• Relation entre la rampe et l’échelon unité :

t
r (t ) = ∫ u ( λ ) d λ 1, t ≥ 0
−∞
u (t ) = 
T T dr (t ) 0, t < 0
u (t ) =
21
dt 22

Signal rampe Signal rectangle (rect)

Pente = 1

 x(t ), t ≥ 0
x(t )u (t ) = 
0, t<0 Signal appelé aussi fenêtre ou porte
23 24

6
 Signal rectangle (rect) Signal rectangle (rect)

• Signal dont la surface est égale à l’unité. A • Relation entre le rect et l’échelon unité
partir de ce signal, on peut obtenir une
impulsion rectangulaire de durée T,
d’amplitude A centrée en t = τ notée :

pτ (t ) = u (t + τ / 2) − u (t − τ / 2)
25
26

Signal sinusoïdal Signal sinusoïdal

• Probablement le plus important des signaux

élémentaires est la sinusoïde. Dans sa forme
continue, elle est donnée par l’équation :
ou

• Le triplet sont des constantes. Elles

représentent respectivement l’amplitude, la
fréquence et la phase du signal. Ces signaux
sont périodiques et leur période est
27 28

7
 Signal triangulaire Fonction signe

 2t τ
1− t ≤
 t   τ 2
Tri   = 
τ   τ
0 t φ≥
 2

∆(t)
 1
1
 0 t >
∆(t ) =  2
1
1 − 2 t t <
-1/2 0 1/2
t
 2
29 30

Fonction Sinc Classification des signaux

• Un signal peut être classé selon différents

Fonction sinc ou sinus cardinal
Fonction sinc discrète
Fonction sinc continue
critères : sa dimensionnalité (1D, 2D, nD),
ses caractéristiques temporelles, les valeurs
qu’il peut prendre, sa prédictibilité, etc.
1. Classification dimensionnelle
2. Classification morphologique
3. Classification phénoménologique
4. Classification énergétique
31 32

8
 Classification dimensionnelle
• La classification se fait ici selon la dimension
de l’espace des valeurs prises par le signal :
• Exemples :
– Tension électrique v(t) = signal unidimensionnel
– Image statique niveaux de gris ⇔ luminance I(x,y)
= signal bidimensionnel
– Séquence d’images ⇔ I(x,y,t) = signal
tridimensionnel
• Par la suite, dans ce cours : 1 seule variable
indépendante = temps (signaux 1D) 33
Signaux à temps continu/discret
Signal à temps continu v(t) représentant
la vitesse d’une automobile
Signal à temps discret x[n] représentant
la valeur d’un produit sur le marché
35
Classification morphologique
• Signaux analogiques : signaux qui prennent
des valeurs quelconques à des instants
quelconques.
– Signaux à temps continu et à valeurs continues
• Signaux numériques : le nombre des valeurs
prises est limité, ceci à des instants discrets.
– Signaux à temps discret et à valeurs discrètes
34
Signaux à temps continu/discret
• Signaux à Temps Continu
– La variable indépendante est continue ⇒ t
– ex: la voix en fonction du temps, la pression
atmosphérique en fonction de l’altitude, etc.
• Signaux à Temps Discret
– Définis seulement pour des temps discrets.
– La variable indépendante est un ensemble
discret de valeurs ⇒ n
– ex: indice Dow-Jones du marché boursier,
études démographiques, ...
36
9
 Signaux à temps continu/discret
Quantification

Signal continu (CT) Signal discret (DT)

Support continu Espace des
valeurs continu
Echantillonnage

x (t ) x[ n]

Support discret Espace des

valeurs discret t n

Signal numérique
37 38

Classification phénoménologique Classification phénoménologique

• Signaux déterministes ou certains : ils • Signal déterministe :
peuvent être représentés par une fonction f(t) l’évolution peut être
qui permet de calculer leur valeur pour tout t parfaitement prédite par
passé ou futur; ils sont prévisibles à tout un modèle mathématique
instant t; ils ne représentent aucune approprié
information pour l’observateur. • Signal aléatoire :
comportement
• Signaux aléatoires : ils obéissent aux lois du imprévisible ⇒
hasard et leur futur est inconnu ; ils sont description statistique
Signal aléatoire Signal déterministe

imprévisibles comme le bruit; ils contiennent

Tout signal physique comporte une composante aléatoire (perturbation
de l’information. externe, phénomène quantique …)
39 40
La plupart des signaux naturels sont aléatoires.

10
 Classification énergétique Classification énergétique
• Moyenne, énergie et puissance
• Signaux à énergie finie : signaux dont – La moyenne d’un signal déterministe se définit par, avec
l’énergie dans le sens physique s’épuise dans T1 temps d’intégration : 1
T1 T∫1
m = lim x (t )dt
le temps ; tout signal physique limité dans le T1 → +∞

temps est de cette catégorie

– Cette valeur représente la composante continue du signal.
• Signaux à puissance moyenne finie : Pour un signal périodique de période T0, cette valeur se
ramène à :
signaux dont l’énergie par unité de temps est 1
T0 T∫0
m= x(t )dt
finie : signaux périodiques, signaux aléatoires
– Pour un signal à temps continu x(t), et un signal à temps
• Signaux à énergie et puissance infinies : discret x(k), leur énergie s’exprime par :
signaux théoriques ou modèles +∞
E = ∑ x(k )
2 2
mathématiques 41
E= ∫ x(t ) dt et 42
−∞ k

Classification énergétique Systèmes Linéaires et Invariants

• Pour un signal à temps continu x(t), et un • T est un système physique délivrant un signal
signal à temps discret x(k), leur puissance y(t) en réponse à une stimulation x(t)
moyenne s’exprime par : • Comment décrire la transformation temporelle
N
ou fréquentielle qu'opère T sur le signal ?
1 1
∑ x( k )
2 2
T →+∞ T ∫
P = lim x(t ) dt et P = lim • Comment obtenir des informations sur T en
N →+∞ N
T k =1

observant les réponses du système à des

signaux à énergie finie ⇔ à puissance moyenne finie stimulations extérieures?
x(t) Système y(t)=T{x(t)}
Tout signal physique Idéalisation T
exemple: signal sinusoïdal 43 Signal d'entrée Signal de sortie 44

11
 Convolution Convolution

• Intégrale de convolution • Produit de convolution

– Définit la relation entre l’entrée et la sortie d’un – Définit la relation entre l’entrée et la sortie d’un
système à temps continu (LTIC) à travers sa système à temps discret à travers sa réponse
réponse impulsionnelle impulsionnelle

Systèmes LTI entièrement caractérisés par leurs réponses impulsionnelles45 46

Convolution : Calcul de l’opération Convolution : Calcul de l’opération

• Le produit de convolution peut être résumé ∞

par les opérations suivantes : y (t ) = ∫ x(τ ) h(t − τ ) dτ

−∞
∞
y (t ) = ∫ x(τ ) h(t − τ ) dτ
−∞

1. Inversion h(τ) → h(-τ)

2. Décalage h(-τ) → h(t-τ)
3. Multiplication x(τ) ⋅ h(t-τ)
∞
4. Intégration ∫ x(τ) ⋅ h(t-τ)
-∞ 47 48

12
Convolution : Calcul de l’opération Convolution : évaluation graphique
λ correspond ici à τ
• Exemple 1 : convolution de 2 signaux ‘Rect’
causaux de même largeur T
∞
y (t ) = ∫ x(τ )h(t − τ )dτ
−∞
x(t), h(t)

4 cas sont à considérer : 1

t
0 T

49 50

Convolution : évaluation graphique Convolution : évaluation graphique

• Cas 1: t ≤ 0 • Cas 2: 0≤t ≤T

h(t − τ ) x(τ ) h(t − τ ) x(τ )

t −T t 0 T τ t −T 0 t T τ
t
y (t ) = 0 y (t ) = ∫ dτ = t
51 0 52

13
 Convolution : évaluation graphique Convolution : évaluation graphique

• Cas 3: 0 ≤ t − T ≤ T → T ≤ t ≤ 2T • Cas 4: T ≤ t −T → 2T ≤ t

x(τ ) h(t − τ ) x(τ ) h(t − τ )

0 t −T T t τ 0 T t −T t τ
T
y (t ) = ∫ dτ = T − (t − T ) = 2T − t
t −T
y (t ) = 0
53 54

Convolution : évaluation graphique Convolution : Conclusion

• Résultat de la convolution : • Réponse impulsionnelle : réponse d’un

– Signal Tri de largeur 2T
y (t ) = x(t ) ∗ h(t )
0 T
système à une impulsion de Dirac
• La relation entre l’entrée et la sortie d’un SLTI
est basée sur une opération appelée
Convolution
• Dans le cas continu, la convolution est
calculée graphiquement
2T t • Dans le cas discret, le calcul est numérique
55 56

14
 Corrélation Intercorrélation

• Mesure énergétique de la similitude de • On définit une fonction d’intercorrélation des

position et de forme entre deux signaux grandeurs x(t) et y(t) par la relation :
décalés. La définition dépend du type de
signal * signifie Conjugué

– Définition légèrement différente selon que le fait

que l’on s’intéresse à des signaux d’énergie ou • Convergence : au moins un des deux
de puissance signaux doit être à énergie finie
– Comparaison entre deux signaux différents =
• En termes mathématiques Cxy (τ ) = produit
intercorrélation (ou covariance)
– Comparaison entre deux mêmes signaux
scalaire de x(t) et y(t)
décalées = autocorrélation (ou autocovariance)
57 Projection de x(t) sur y(t) 58

Intercorrélation Intercorrélation

• Autre formulation de l’intercorrélation : • Signaux à énergie finie

+∞
+∞
Cxy (τ ) = x* ( t ) y ( t + τ ) dt C xy (τ ) = ∫ x (t ) y (t + τ )dt
*
,
∫ −∞
−∞
+∞

• L’intercorrélation entre x(t) et y(t) atteint un

C xy [n] = ∑ x*[k ] y[ k + n]
k =−∞
maximum pour un retard τ si x(t) ~ y(t-τ) ou
x(t) ~ y(t+τ) C xy ( −τ ) = C *yx (τ ) , C xy [ − n ] = C *yx [ n ]

59 60

15
 Intercorrélation Intercorrélation

• Signaux à puissance moyenne finie • Exemple : deux signaux différents, qui se

+T / 2 ressemblent néanmoins
1
C xy (τ ) = lim ∫ x* (t ) y (t + τ ) dt ,
T →∞ T
−T /2
N −1
1
C xy [ n ] = lim
N →∞ 2 N
∑ x* [ k ] y[ k + n ]
k =− N

C xy (τ ) = x* (t ) y (t + τ ) ,

C xy [ n ] = x* [ k ] y[ k + n ]
61 62

Intercorrélation Intercorrélation
• Confirmation en décalant y(t) de 12 sec. et en
• Les signaux se ressemblent le plus quand y(t)
superposant les deux signaux
est décalé de 12 sec.

63 64

16
 Autocorrélation Autocorrélation
• Définition
• Mesure la similitude de x(t) avec une version
– Comparaison entre un signal x(t) et ses copies
retardées (étude de ressemblance d’un signal décalée de x(t)
avec lui-même au cours du temps) • Ex : signal périodique → Cx périodique de
– Indicateur de la déformation du signal au cours du même période
temps maximum de ressemblance
dès que τ = multiple de la
période
+∞
Cx (τ ) = ∫ x ( t ) x ( t + τ ) dt
* Fonction d’autocorrélation
de x(t)
– τ est un paramètre de décalage permettant de −∞
trouver la meilleure correspondance entre les 2
signaux Cx (t) est maximale en t =0.
65 Rien ne ressemble plus au signal que lui même 66

Autocorrélation Autocorrélation
Généralisation de la notion
d’énergie

Cxx(0) = Ex

Exemple de fonction d’autocorrélation

67 68

17
 Coefficient d’intercorrélation
• Plus généralement, nous pouvons définir le
coefficient d’intercorrélation comme :
• Ce coefficient est normalisé
• Il quantifie le degré de ressemblance entre
x(t) et y(t-τ)
– ρ=0 : x(t) et y(t) sont totalement décorrélés
– ρ=1 : x(t) ~ y(t) (corrélation totale)
– ρ=-1 : x(t) ~ -y(t) (anticorrélation totale)
Corrélation : Conclusion
• L’autocorrélation est un outil mathématique
qui mesure les dépendances internes d’un
signal
• Corrélation croisée d’un signal par lui-même
– La corrélation de 2 objets mesure leur
dépendance réciproque
• Elle permet de détecter des régularités, des
profils répétés dans un signal comme un
signal périodique perturbé par beaucoup de
bruit
Convolution et corrélation
• Les expressions mathématiques des
fonctions de convolution et de corrélation
ont incontestablement une certaine
ressemblance. Si on a affaire à des signaux
périodiques, les expressions deviennent
quasiment identiques et on peut écrire :
Cx ( t ) = x ( t ) ∗ x ( −t )
Cxy ( t ) = x ( t ) ∗ y ( −t )
69 70
Série de Fourier
• Le temps et la fréquence sont deux bases
servant à la description des signaux. Ce sont
deux points de vue différents d’une même
réalité. Ils sont complémentaires.
• L’analyse harmonique ou fréquentielle est
l’instrument majeur de la théorie des signaux
– Le développement en séries de Fourier et plus
généralement la transformée de Fourier
permettent d’obtenir une représentation spectrale
des signaux déterministes.
71 72
18
 Série de Fourier Série de Fourier

• La décomposition en série de Fourier d’un • Il existe 3 formes de décomposition en série

signal permet d’analyser le contenu de Fourier
fréquentiel du signal et déterminer son
spectre. 1. Forme 1: Série de Fourier trigonométrique
• Jean-Baptiste Fourier découvrit qu’on pouvait 2. Forme 2: Forme compacte ou cosinus
décomposer n’importe quel signal périodique 3. Forme 3: Forme exponentielle ou complexe
en une somme de sinusoïdes.

73 74

Série de Fourier trigonométrique Série de Fourier trigonométrique

• Forme trigonométrique (Forme 1) • Forme trigonométrique (Forme 1)

a0 ∞ – Le calcul de la SF est assez long, c’est pourquoi
+ ∑ ak cos(kω0t ) + bk sin(kω0t )
ak et bk : Coefficients de Fourier réels
x (t ) =
2 k =1 on cherche généralement des propriétés de
symétrie du signal, ce qui peut simplifier
a0
Composante continue:
2
=
Fréquence fondamentale:
grandement ce calcul
– Symétrie paire: seuls les coefficients ak sont à
= , = , , ,… 2π
ω 0 = 2πf 0 = calculer (bk sont nuls)
T
– Symétrie impaire: seuls les coefficients bk sont à
= , = , , ,… calculer (ak sont nuls)

75 76

19
 Série de Fourier trigonométrique Série de Fourier exponentielle
c1
Synthèse
• Forme compacte des séries de Fourier
(Forme 2) +∞
c2
f 0 = 1/ T x(t ) = ∑ ck e jkω t 0

k =−∞
ω 0 = 2πf 0
1 T /2
ω 0 = 2π / T ck = ∫−T /2 x(t ) e − jkω0t dt
T
cn

Coefficient de Fourier
ou coefficient spectral Analyse

Tout signal périodique de puissance finie peut se

représenter sous la forme d’une combinaison linéaire
77 d’exponentielles complexes reliées harmoniquement 78

Série de Fourier exponentielle Série de Fourier exponentielle

1 • Lien avec la forme trigonométrique

• Composante continue x ( t )dt
T T∫
c0 =
– Valeur moyenne du signal sur T =

• Composante fondamentale ou 1er harmonique

= −
x fondamental ( t ) = xharm1 ( t ) = c−1e − jω0t + c1e jω0t
⇒ Signal de même fréquence que le signal périodique f0 = 1/T − = +
• kièmeharmonique
xharm− k ( t ) = c− k e− jkω0 t + ck e jkω0 t
⇒ Signal de fréquence f = kf0 Tk=T/k 79 80

20
 Existence des séries de Fourier Notion de spectre

1. Signal x(t) absolument intégrable • Spectre de raie : représentation graphique

des coefficients de Fourier
∫ | x(t ) | dt < ∞
T
2. Signal x(t) a un nombre fini de – L’ensemble des coefficients de Fourier {ck}k=-∞,+∞
discontinuités sur une période T d’un signal peuvent être tracés avec des graphes
3. Signal x(t) a un nombre fini de maxima et séparés pour le module et la phase
de minima dans une période de x(t)
• Tracé de | ck | (module) en fonction de f ou de k
• Tracé de arg (ck) ou θk (phase) en fonction de f ou de k
Conditions de Dirichlet
Johann Peter Gustav Lejeune Dirichlet, mathématicien Allemand 81 82
(13 février 1805, Düren - 5 mai 1859, Göttingen)

Notion de spectre Théorème de Parseval

• Soit x(t) un signal périodique de période T

• La puissance moyenne P du signal est définie
T /2
par : 1
T −T∫/ 2
P= x 2 (t )dt

• En exprimant le signal
∞
comme :
x(t ) = ∑ce
k =−∞
k
jkω 0t
, t ∈¡
la puissance sera aussi donnée par
∞

83
P= ∑ |c
k =−∞
k |2
84

21
 Théorème de Parseval Exemples de décomposition en
série de Fourier
• La puissance moyenne d’un signal périodique • Exemple 1 : Signal carré périodique
est égale à la somme des puissances
moyennes de toutes ses composantes
harmoniques 1
T /2 ∞
P= ∫
T −T /2
x 2
(t ) dt = ∑ | ck |2
• Exemple : k =−∞
• Pour un signal carré périodique (exemple 2)
• A partir de la figure, T = 2 d’où ω 0 = 2π / 2 = π
• x(t) satisfait les conditions de Dirichlet et donc peut
85 être décomposé en série de Fourier 86

∞ • Exemple 2 : série de Fourier trigonométrique

1 1
x(t ) = +
2
∑
k =−∞ kπ
( −1)|( k −1)/2| e jkπ t , t ∈ ¡ f(t) ∞
f ( t ) = a0 + ∑ ak cos ( 2kt ) + bk sin ( 2kt )
1
k =1
k impair e-t/2
π
2  −2 
t
1 π −

π ∫0
a0 = e 2 dt =−  e − 1 ≈ 0.504
−π 0 π π  

t
Période T = π 2 π −  2 
cos ( 2kt ) dt = 0.504 
π ∫0
ak = e 2
2 
 1 + 16k 
t
2 π −  8k 
sin ( 2kt ) dt = 0.504 
π ∫0
bk = e 2
2 
 1 + 16k 
ak et bk décroient lorsque k → ∞.

∞
 
2 (
cos ( 2kt ) + 4k sin ( 2kt ) ) 
2
f ( t ) = 0.504 1 + ∑
 k =1 1 + 16k 
87 88

22
 Résumé Transformée de Fourier

• Tout signal périodique peut être décomposé en une • La transformée de Fourier est un analogue de
somme de sinusoïdes (exponentielles complexes)
la décomposition en séries de Fourier pour
• Les coefficients de Fourier permettent de voir les
les signaux non périodiques et permet de leur
fréquences présentes dans un signal
associer un spectre en fréquences
• La représentation graphique est appelé spectre
• La décomposition en série de Fourier n’est
applicable que pour les signaux périodiques
• Une représentation fréquentielle de l’information est
souvent plus facile à interpréter que la
représentation temporelle
89 90

Des SF à la TF Transformée de Fourier

• Le passage d’un signal périodique à un signal
apériodique peut se faire en considérant que la • Définition de la TF
période T devient de plus en plus grande pour – Soit un signal non périodique x(t), la TF de x(t), si
tendre vers l’infini. On constate alors que les raies elle existe est donnée par :
spectrales distantes de 1/T se rapprochent pour se
transformer en spectre continu
• A l’évidence plus la période du signal devient plus
+∞
longue, plus les harmoniques sont resserrées dans − j 2π f t
le domaine fréquentiel, puisque la fondamentale est X(f ) = ∫ x(t ) e dt , t ∈ R, f ∈ R
−∞
à 1/T et les autres harmoniques sont à k/T
– X(f) indique la ‘quantité’ de fréquence f présente
• La Transformée de Fourier peut être vue comme la dans le signal x(t) sur l’intervalle -∞,+∞. X(f)
généralisation des séries de Fourier aux signaux
donne des informations fréquentielles sur x(t) 92
non périodiques 91

23
 Transformée de Fourier Transformée de Fourier

• Forme rectangulaire ou algébrique de la TF • X (ω ) = R (ω ) + jI (ω ) peut être exprimé

∞
− jω t sous forme polaire comme
X (ω ) = ∫ x (t ) e dt , ω ∈ ¡
−∞ X (ω ) =| X (ω ) | exp( j arg( X (ω )))
• En utilisant la formule d’Euler
∞
 ∞  • où
X (ω ) = ∫−∞ x(t ) cos(ωt )dt + j  − ∫ x(t )sin(ω t ) dt  | X (ω ) |= R 2 (ω ) + I 2 (ω )
1 4 4 2 4 43 1 4−∞ 4 4 2 4 4 43 
R (ω ) I (ω )  I (ω ) 
arg( X (ω )) = arctan  
X (ω ) = R (ω ) + jI (ω ) 93  R (ω )  94

Transformée de Fourier Théorème de Parseval

• Notations • Loi de conservation de l’énergie
1 +∞ +∞ j 2πf t
– Dans le cas où les intégrales existent, on a
x (t ) = ∫−∞ X (ω ) e
jω t
dω x(t ) = ∫ X ( f )e df
2π −∞

+∞ +∞
X (ω ) = ∫ x (t ) e
− jω t
dt X(f )= ∫ x(t )e
− j 2πf t
dt
−∞ −∞

Pulsation Fréquence

Le calcul de l’énergie d’un signal peut s’effectuer dans

le domaine temporel ou dans le domaine fréquentiel
95 96

24
TF du signal ‘Rect’ TF du signal ‘Rect’

Spectre
d’amplitude

Spectre de
phase

97 98

TF usuelles

99 100

25
 Propriétés de la TF
Somme infinie d’exponentielles
Série de Fourier complexes reliées
Signaux périodiques harmoniquement
+∞
Période T x (t ) = ∑ ck e jkω t 0
Spectre discret
ω 0 = 2π / T k =−∞
apériodique
Puissance Finie T /2
1
x ( t ) e − jkω0t dt
T −T∫/2
x (t )
ck = Ck

0 T 2T t 0 1 2 k

Transformée de Fourier TF Inverse

(Synthèse)
Signaux apériodiques
Intégrale infinie
1 +∞
Période T→ ∞ x (t ) = ∫−∞ X (ω ) e
jω t
dω d’exponentielles complexes
Énergie Finie 2π Spectre continu apériodique
+∞ X(ω)
X (ω ) = ∫ x (t ) e
− jω t
x(t)
dt
−∞
101 0 T t 102 ω
Transformée de Fourier Directe (Analyse)

Résumé Séries de Fourier - Transformées de Fourier

Signaux périodiques Spectre discret apériodique
TF : Conclusion
x(t) ω0 = 2π / T +∞
1
T /2 ck
x (t ) = ∑ ck e jkω t x ( t ) e− jkω0t dt
ck =
T −T∫/2 • TF : nouvelle transformation qui concerne les
0

k =−∞

0 T 2T t signaux non périodiques

012 k

Signaux apériodiques Spectre continu apériodique

• La TF associe à un signal x(t) un spectre X(ω) qui
+∞ X(ω)
est une expression du même signal sous forme
x(t)
x (t ) =
1
2π
+∞
∫−∞ X (ω ) e
jω t
dω X (ω ) = ∫ x (t ) e
− jω t
dt d’une somme infinie de composantes fréquentielles
−∞
(les composantes fréquentielles de cette somme
0 T t
ω sont infinitésimales, c’est-à-dire que cette somme
Signaux périodiques Spectre discret périodique est une intégrale)
2π
• Le spectre d’un signal apériodique est une fonction
x[n] 2π
1 Xk
∑ x[n]e
jk n −jk
x[n] =
n
∑ Xk e N Xk = N
...
k= N
N n= N
de ω continue
0 N 2N
01 N k
• La TF conserve l’énergie d’un signal
Signaux apériodiques Spectre continu périodique
X(e jω )
• La TF d’un signal produit de la convolution de 2
x[n] +∞
autres signaux est le produit de la TF de ces 2
x[n] = ∫ ( ) ( ) ∑ x[n] e− jω n
1 jω n
X e jω e dω X e jω =
2π 2π
n = −∞ 103 signaux 104
0 N n 0 2π ω

26