Université Tunis El Manar, Faculté des sciences de Tunis

Département Informatique

Cours
présentée par : Dr Hanen BOUHADDA JOMNI
Anné universitaire : 2022/2023

Discipline / Spécialité : Classe préparatoire /MI

Traitement du signal
"La connaissance s'acquiert par l'expérience, tout le reste n'est que de l'information."
Albert Einstein
Table des matières

1 Introduction 11

Introduction 11
1.1 Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.2 Fonctions de la TS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.3 Classication des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.3.1 Classication dimensionnelle . . . . . . . . . . . . . . . . . . . . . . . 16

1.3.2 Classication phénoménologique . . . . . . . . . . . . . . . . . . . . 17

1.3.3 Classication énergétique . . . . . . . . . . . . . . . . . . . . . . . . 17

1.3.4 Classication morphologique . . . . . . . . . . . . . . . . . . . . . . 18

1.3.5 Classication spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4 Signaux théoriques standards . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4.1 Fonction signe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

1.4.2 Fonction Échelon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.4.3 Fonction Porte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.4.4 Fenêtre triangulaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.4.5 Fonction Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.4.6 Peigne de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.4.7 Fonction Sinus cardinal . . . . . . . . . . . . . . . . . . . . . . . . . 22

1.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.6 Questions de cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 Filtrage linéaire 25
TABLE DES MATIÈRES

2.3 La série de Fourier et transformée de Fourier . . . . . . . . . . . . . . . . . 32

2.3.1 Série de Fourier des signaux périodiques . . . . . . . . . . . . . . . . 32

2.3.2 Série de Fourier en cosinus . . . . . . . . . . . . . . . . . . . . . . . . 32

2.3.3 Transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 35

2.4 Signaux à énergie nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.4.1 Notion de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

2.4.2 Densité spectrale d'énergie . . . . . . . . . . . . . . . . . . . . . . . . 43

2.5 Signaux à puissance nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.5.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.5.2 Propriétés de la fonction de corrélation . . . . . . . . . . . . . . . . . 46

2.5.3 Fonction d'autocorrélation et DSP de signaux périodiques . . . . . . 48

2.6 Relation convolution corrélation . . . . . . . . . . . . . . . . . . . . . . . . 48

3 Échantillonnage et reconstruction des signaux 51

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.2 Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.1 Types de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

3.2.2 Signal binaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.2.3 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.2.4 La quantication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.2.5 Choix d'un ltre et de la fréquence d'échantillonnage . . . . . . . . . 58

3.2.6 Le codage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.3 Reconstruction du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.3.1 Convertisseur N-A . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.3.2 Interpolateur idéal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.3.3 Filtre de reconstruction ou de lissage . . . . . . . . . . . . . . . . . . 61

4
TABLE DES MATIÈRES

4 Signaux et systèmes numériques 63

4.1 Rappel les ltres analogiques . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.2 Transformée en z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.2.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.2.2 Propriétés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.3 Filtres numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3.1 Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

5
TABLE DES MATIÈRES

6
Liste des tableaux

7
LISTE DES TABLEAUX

8
Table des gures

1.1 Schéma générale d'une communication radio. . . . . . . . . . . . . . . . . . 11

1.2 Les transformations subissent par un signal radio. . . . . . . . . . . . . . . . 13

1.3 Chaine de transmission globale. . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.4 Relations entrée/sortie en présence de perturbations. . . . . . . . . . . . . . 14

1.5 Synthèse de signaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.6 Modulation d'amplitude. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.7 La chaîne de traitement de l'information et le TS. . . . . . . . . . . . . . . . 15

1.8 Chaîne de transmission numérique. . . . . . . . . . . . . . . . . . . . . . . . 16

1.9 Signaux déterministes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.10 Fonction signe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.11 Fonction Échelon. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.12 Fonction porte de largeur 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.13 Fonction triangulaire. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.14 Impulsion de Dirac et peigne de Dirac. . . . . . . . . . . . . . . . . . . . . . 22

1.15 La fonction Sinus Cardinal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.1 Système linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.2 Linéarité d'un système SLIT . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.3 Invariance d'un système SLIT . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.4 Réponse fréquentielle d'un SLIT. . . . . . . . . . . . . . . . . . . . . . . . . 27

9
TABLE DES FIGURES

2.5 Réponse impulsionnelle d'un SLIT. . . . . . . . . . . . . . . . . . . . . . . . 28

2.6 Relation entrée/sortie d'un SLIT. . . . . . . . . . . . . . . . . . . . . . . . . 29

2.7 Causalité d'un ltre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.8 Échantillonnage de la fonction x(t). . . . . . . . . . . . . . . . . . . . . . . . 32

2.9 Relations entre les 3 représentations spectrales. . . . . . . . . . . . . . . . . 34

2.10 Module et phase de Xn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.11 TF de x(t). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

2.12 Choix du Fe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.13 Fonction d'autocorrélation et la densité spectrale d'énergie. . . . . . . . . . 44

3.1 Traitement analogique/numérique d'un signal x(t). . . . . . . . . . . . . . . 51

3.2 Divers types de signaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.3 Échantillonnage idéal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.4 Loi de quantication uniforme et signal d'erreur pour un convertisseur 4 bits. 56

3.5 Numérisation d'un signal analogique et bruit de quantication. . . . . . . . 57

3.6 Reconstruction d'un signal triangulaire à l'aide d'un interpolateur idéal. . . 61

4.1 Les ltres classiques. L'axe horizontal représente la dimension fréquentielle,

l'axe vertical le module de la fonction de ltrage |G(f )|. . . . . . . . . . . . 64

4.2 Notion de Transformée en Z d'un signal numérique. . . . . . . . . . . . . . . 65

4.3 Transformée en Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

10
Chapitre 1

Introduction

1.1 Contexte

Initialement appliqué aux télécommunications, le traitement du signal se retrouve à

présent dans tous les domaines nécessitant d'analyser et transformer de l'information nu-
mérique. Le téléphone, la radio et la télévision ont motivé l'élaboration d'algorithmes de
ltrage linéaires permettant de coder des sons ou des images, de les transmettre, et de
supprimer certains bruits de transmission.

Figure 1.1  Schéma générale d'une communication radio.

c'est l'ensemble des méthodes et des algorithmes qui permet d'élaborer ou d'interpréter

11
1.1. CONTEXTE

les signaux porteurs d'information. Plus précisément :

 élaboration : codage, modulation, changement de fréquence,
 interprétation : décodage, démodulation, ltrage, détection, identication, etc.
Actuellement, les méthodes de traitement sont presque en totalité numériques, ce qui sup-
pose :
 un échantillonnage temporel, et une représentation des signaux en temps discret,
 la numérisation du signal par conversion analogique/numérique, ce qui implique une
quantication du signal.
Un signal : est une grandeur qui dépend du temps t. Cette grandeur est souvent physique.
La grandeur d'un signal peut être de diérent type (information, énergie, matière, ...).
 Onde acoustique : courant délivré par un microphone (parole, musique, ...)
 Signaux biologiques : EEG, ECG
 Tension aux bornes d'un condensateur en charge
 Signaux géophysiques : vibrations sismiques
 Finances : cours de la bourse
 Débit d'une source d'eau
 Images
 Vidéos
D'un émetteur à un récepteur le signal subit plusieurs transformations tel que le montre la
gure 1.2 et gure 1.3.

12
1.1. CONTEXTE

Figure 1.2  Les transformations subissent par un signal radio.

Figure 1.3  Chaine de transmission globale.

13
1.2. FONCTIONS DE LA TS

On distingue plusieurs classications des signaux :

 Signaux en temps continu ou en temps discret
 Signaux périodiques ou non.
 Signaux déterministes ou aléatoires
Bruit : Tout phénomène perturbateur pouvant gêner la perception ou l'interprétation d'un
signal.

Figure 1.4  Relations entrée/sortie en présence de perturbations.

1.2 Fonctions de la TS

Créer : Élaboration de signaux

 Synthèse : création de signaux par combinaison de signaux élémentaires.

Figure 1.5  Synthèse de signaux.

14
1.2. FONCTIONS DE LA TS

 Modulation : adaptation du signal au canal de transmission

Figure 1.6  Modulation d'amplitude.

Analyser : Interprétation des signaux par extraction du signal utile d'un bruit de fond, puis
on procède à l'identication. Transformer : adapter le signal aux besoins
 Filtrage : élimination de certaines composantes tel que détection de craquements sur
un enregistrement, détection de bruit sur une image, annulation d'écho,...
 Codage et compression (Jpeg, mp3, mpeg4, etc.)
Pour conclure La gure 1.7 résume se qu'est le traitement du signal par contre la gure
1.8 représente une chaine de transmission numérique.

Figure 1.7  La chaîne de traitement de l'information et le TS.

15
1.3. CLASSIFICATION DES SIGNAUX

Figure 1.8  Chaîne de transmission numérique.

1.3 Classication des signaux

1.3.1 Classication dimensionnelle

On peut classer les signaux suivant leurs dimensions :

 Signal monodimensionnel 1D : x(t) est un signal qui évolue en fonction d'un seul
paramètre, pas forcément le temps. Par exemple : signal reçu par un microphone
monophonique.
 Signal bidimensionnel 2D : f (x, y). Par exemple : image, signal reçu par un micro-
phone stéréophonique.
 Signal tridimensionnel 3D : f (x, y, z). Par exemple : séquence d'images 2D.
 Signaux 4D ou 3D + t : Par exemple : séquence d'images 3D.
 Signaux N − D : les signaux sont typiquement reçus par un réseau de capteurs. Par
exemple : réseaux d'antennes, ou de microphones.

16
1.3. CLASSIFICATION DES SIGNAUX

1.3.2 Classication phénoménologique

On peut aussi classer les signaux suivant leurs caractères. Il peut être à caractère certain
(ou déterministe) ou aléatoire (ou stochastique).
 Signaux déterministes : Signaux dont l'évolution en fonction du temps t peut être par-
faitement décrite grâce à une description mathématique ou graphique.On distingue
les signaux périodiques, apériodique et transitoire.

Figure 1.9  Signaux déterministes.

 Signaux réels : C'est un signal représentant une grandeur physique. Son modèle ma-
thématique est une fonction réelle.
 Signaux aléatoires : Signaux dont l'évolution temporelle est imprévisible et dont on
ne peut pas prédire la valeur à un temps t. La description est basée sur les propriétés
statistiques des signaux (moyenne, variance, loi de probabilité)

1.3.3 Classication énergétique

Dans cette classication, nous distinguons les signaux satisfaisant la condition d'énergie
nie et ceux qui présentant une puissance moyenne nie et une énergie innie.
On rappel pour un signal x(t) dénit sur [−∞, +∞] et T0 un intervalle de temps
 Energie d'un signal x(t)
+∞
Z
E= |x(t)|2 dt (1.1)
−∞

17
1.4. SIGNAUX THÉORIQUES STANDARDS

 Puissance moyenne de x(t)

T0
+ 2
Z
1
P = lim |x(t)|2 dt (1.2)
T0 =∞ T0
T0
− 2

Les signaux à énergie nie ont une puissance moyenne nulle. Généralement, ces si-
gnaux représentent une grandeur physique. Les signaux à énergie innie ont une puissance
moyenne non nulle. Comme le cas des signaux périodiques

1.3.4 Classication morphologique

Dans cette classication, nous distinguons quatre types de signaux suivant la variable
t (continu ou discret) :
 Signal analogique : le signal à amplitude et temps continus.
 Signal quantié : le signal à amplitude discret et temps continu.
 Signal échantillonné : le signal à amplitude continue et temps discret.
 Signal numérique : le signal à amplitude discret et temps discret.

1.3.5 Classication spectrale

Les signaux sont aussi classer suivant leur répartition énergétique en fonction de la
fréquence :
 Signaux de basses fréquences.
 Signaux de hautes fréquences.
 Signaux à bande étroite.
 Signaux à large bande.

1.4 Signaux théoriques standards

1.4.1 Fonction signe

La fonction signe sgn(t) est une fonction mathématique qui extrait le signe d'un nombre
réel, c'est-à-dire que l'image d'un nombre par cette application est 1 si le nombre est

18
1.4. SIGNAUX THÉORIQUES STANDARDS

strictement positif, 0 si le nombre est nul, et −1 si le nombre est strictement négatif :

−1, pourt < 0
sgn(t) = { α, pour t = 0
1, pour t > 0
(1.3)

Avec α quelconque (par convention α = 0) on a alors :

t
sgn(t) = ∨ t 6= 0 (1.4)
|(t)|

Figure 1.10  Fonction signe.

1.4.2 Fonction Échelon

La fonction échelon permet d'exprimer l'établissement instantané d'un régime continu.

Elle est représentée par la gure 1.11 et l'équation 1.5.
1, pour t > 0
Γ(t) = { 0, pour t < 0
α, pourt = 0
(1.5)

Avec α quelconque (par convention α = 0) on a alors :

19
1.4. SIGNAUX THÉORIQUES STANDARDS

Figure 1.11  Fonction Échelon.

1.4.3 Fonction Porte

La fonction Porte (ou rectangule) se note Π . Elle a pour amplitude 1 sur l'intervalle
et est nulle ailleurs. 1.12
 1 1
−2; 2]

1
0, si |t| > 2
1
rect(t) = { 1, pour |t| < 2
1
α, pour |t| = 2
(1.6)

Avec α quelconque (par convention α = 21 ) on a alors :

Figure 1.12  Fonction porte de largeur 1 .

1.4.4 Fenêtre triangulaire

Le fenêtre triangulaire permet de convertir un signal à support temporel innie en un

signal à support temporel ni.
|t|
1− L , pour −L≤t<L
∆L (t) = {
0, pour ailleur

20
1.4. SIGNAUX THÉORIQUES STANDARDS

Figure 1.13  Fonction triangulaire.

1.4.5 Fonction Dirac

L'impulsion de Dirac est équivalente à une fonction porte dont la largeur tend vers 0
et la hauteur à l'inni, à surface constante égale à 1. Sa dénition est donc la suivante :
1
lim a Π2a (t) = δ(t) (1.7)
a→0 2a
On peut également dénir l'impulsion de Dirac sous la forme :
+∞, pourt = 0
δ(t) = {
0, pour t ∈ R∗
(1.8)

L'impulsion au temps t0 se note δ(t − t0 ), une représentation temporelle est donnée à la

gure 1.14. Le Dirac possède plusieurs propriétés fondamentales pour le traitement du
signal :

+∞
Z
δ(t) = 1
−∞
x(t)δ(t − t0 ) = x(t0 )δ(t − t0 )
+∞
Z
δ(a) = e−iat dt
−∞

L'impulsion de Dirac δ(t) est une distribution (ce n'est pas une fonction au sens clas-
sique).

1.4.6 Peigne de Dirac

Lorsque plusieurs impulsions de Dirac se répètent à une période T , on obtient alors un

peigne de Dirac. 1.14
+∞
(1.9)
X
ωT = δ(t − nT )
n=−∞

21
1.4. SIGNAUX THÉORIQUES STANDARDS

Impulsion de dirac

Fonction d’échantillonnage

Figure 1.14  Impulsion de Dirac et peigne de Dirac.

Ce peigne représente l'opérateur d'échantillonnage à la cadence T0 ,car le produit s(t) ×

ωT 0 (t) correspond au prélèvement régulier d'une suite d'échantillons espacés de T0 secondes.

1.4.7 Fonction Sinus cardinal

Le sinus cardinal est dénit par l'équation 1.10 et est représenté par la gure 1.15
sin(t)
pourt ∈ R∗ sinc(t) = (1.10)
t

22
1.5. CONCLUSION

Figure 1.15  La fonction Sinus Cardinal.

1.5 Conclusion

Pour conclure, a l'aide d'une formulation mathématique adéquate, le traitement du

signal à pour principales fonctions :
 Filtrer : éliminer d'un signal des composantes indésirables,
 Détecter : Extraire une composante utile d'un signal et/ou du bruit de fond qui lui
est superposé,
 Analyser : Isoler les composantes et les caractéristiques essentielles d'un signal pour
mieux en comprendre la nature,
 Mesurer : Estimer la valeur d'une grandeur caractéristique associée au signal.
 Régénérer : Redonner à un signal qui a été distordu sa forme initiale.
 Identier : Classer un signal observé.
 Synthétiser : Créer un signal de forme appropriée.
 Moduler : Modier les caractéristiques d'un signal pour l'adapter à une voie de trans-
mission ou un support d'enregistrement.
 Codage : Traduire le signal en langage numérique, réduire les redondances d'infor-
mations et lutter contre l'inuence du bruit.

1.6 Questions de cours

1. Exprimer la fonction échelon en fonction de sgn(t)

2. Exprimer la fonction porte en fonction de Γ(t)

23
1.6. QUESTIONS DE COURS

3. Tracer la fonction (porte) A.rect( t−τ

T )

24
Chapitre 2

Filtrage linéaire

2.1 Introduction

De nombreux systèmes physiques peuvent être schématisés du point de vue de la théorie

du signal par un lien entre le signal d'entrée x et le signal de sortie y , voir gure 2.1.

Figure 2.1  Système linéaire .

Cette correspondance entre l'entrée et la sortie sera notée y = H(x). Ce type de repré-
sentation qui ne prend pas en compte les composantes internes du système est qualiée de
représentation externe. Certains systèmes ont des propriétés particulièrement importantes
et simples. Tout système linéaire et invariant (Système Linéaire Invariant Temporellement
SLIT) vérie les propriétés suivantes :
 Linéarité : voir gure 2.2

Figure 2.2  Linéarité d'un système SLIT .

25
2.2. CARACTÉRISATION D'UN SLIT

 Invariance temporelle : voir gure 2.3

Figure 2.3  Invariance d'un système SLIT .

En général, un système est un ltre dont le but est :

 Sélectionner des parties du signal contenant une information pertinente
 Éliminer du bruit
 Adoucir un signal, éliminer des valeurs aberrantes
 Séparer plusieurs composantes d'un signal
Il se trouve que H est une convolution : on a appelle ltre tout système de convolution.
Si le ltre est destiné à recevoir essentiellement des signaux continus en temps on parle
de ltrage analogique. Naturellement un tel ltre peut aussi recevoir des impulsions. Si
le ltre est destiné à recevoir uniquement des signaux discrets, on parle alors de ltrage
digital ou encore numérique.

2.2 Caractérisation d'un SLIT

2.2.1 Réponse fréquentielle H(f )

Tout système est caractérisé par une réponse en fréquence tel que le montre la gure
2.4

26
2.2. CARACTÉRISATION D'UN SLIT

Figure 2.4  Réponse fréquentielle d'un SLIT.

2.2.2 Réponse impulsionnelle h(t)

La réponse impulsionnelle d'un SLIT, notée h, est la limite de la réponse du système à

une entrée qui tend vers la distribution δ . La réponse impulsionnelle caractérise parfaite-
ment le système tel que le montre la gure 2.5. Pour mieux comprendre la relation entre
l'entrée et la sortie du SLIT soit 2.6, 2.1

27
2.2. CARACTÉRISATION D'UN SLIT

Figure 2.5  Réponse impulsionnelle d'un SLIT.

+∞
Z
y(t) = x(τ )h(t − τ )dτ = [x ∗ h](t) (2.1)
−∞

Comme on peut écrire 2.2

y(t) = x(t) ∗ h(t) (2.2)

C'est bien le produit de convolution entre x et h et là on reviens sur la dénition de ltre

comme étant tout système de convolution.
Si x(t) est la distribution de Dirac δ(t), on a simplement :

x(t) ∗ δ(t) = x(t) (2.3)

x(t) ∗ δ(t − t0 ) = x(t − t0 ) (2.4)

Quelques propriétés du produit de convolution sont données par le tableau suivant.

28
2.2. CARACTÉRISATION D'UN SLIT

Figure 2.6  Relation entrée/sortie d'un SLIT.

29
2.2. CARACTÉRISATION D'UN SLIT

2.2.3 Notion de causalité

Les systèmes physiques réels sont causaux. Cela veut dire que la sortie du système ne
peut pas varier avant que l'on ait appliqué l'entrée. Avec un SLIT causal on a h(t) = 0
pour t < 0. Dans certains calculs théoriques nous utiliserons des ltres non causaux. C'est
une liberté qui permet de simplier les calculs mais il est bien clair que ces systèmes non
causaux sont non réalisables physiquement par exemple un ltre passe-bas idéal.
Pour rendre causal un ltre non causal, soit la réponse impulsionnelle du SLIT suivante 2.7
La première étape consiste à tronquer temporellement la réponse impulsionnelle et puis on
décale temporellement la réponse impulsionnelle tronquée.

30
2.2. CARACTÉRISATION D'UN SLIT

Figure 2.7  Causalité d'un ltre.

2.2.4 Échantillonnage et quantication du signal analogique

1. Échantillonnage et quantication : Les variations du signal analogique contiennent

trop d'information pour les systèmes d'acquisition numériques. Il est donc nécessaire
de discrétiser le signal sur l'échelle des temps et celle des amplitudes.

2. Discrétisation temporelle : x(t) devient x(kTe ) avec k ∈ N et Te la période d'échan-

tillonnage est égale à l'inverse de la fréquence d'échantillonnage fe . Pour un échan-
tillonnage temporel idéal xe (t) = x(t).ωTe (t) où ωTe (t) est la fonction peigne de Dirac.
On a alors :

+∞
(2.5)
P
xe (t) = x(t)δ(t − kTe )
n=−∞
+∞
P
= x(kTe )δ(t − kTe )
n=−∞
= xe (t)ωT0

31
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

Figure 2.8  Échantillonnage de la fonction x(t).

2.3 La série de Fourier et transformée de Fourier

2.3.1 Série de Fourier des signaux périodiques

Tout signal de période T0 = 1/f0 peut se décomposer en une somme de fonctions

sinusoïdales de fréquences fn = nf0 multiples de la fréquence fondamentale. Soit :
+∞
a0 X
x(t) = + (an cos(2πnf0 t) + bn sin(2πnf0 t)) (2.6)
2
n=1

avec an et bn sont les coecients de la série de Fourier. a0 est appelé valeur moyenne ou
composante continue du signal. Ils sont déterminées à partir des relations suivantes :

ZT0
2
a0 = x(t)dt (2.7)
T0
0

ZT0
2
an = x(t) cos(2πnf0 t)dt (2.8)
T0
0

ZT0
2
bn = x(t) sin(2πnf0 t)dt (2.9)
T0
0

2.3.2 Série de Fourier en cosinus

Prenant en compte la relation trigonométrique suivante :

−B
(2.10)
p
A cos(x) + B sin(x) = A2 + B 2 . cos(x + arctan( )
A

32
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

on voit que le développement en série de Fourier peut également s'écrire :

+∞
(2.11)
X
x(t) = A0 + (An cos(2πnf0 t + αn )
n=1

Avec A0 = 2 ,
a0
a2n + b2n et αn = arctan( −b
p
An = an )
n

Cette série en cosinus est extrêmement importante car elle correspond à la description bien
connue des signaux en régime sinusoïdal permanent où l'on représente un courant ou une
tension par leur amplitude et leur phase.
L'équation 2.6 peut s'écrire sous forme de décomposition en somme d'exponentielles ou
encore sous forme bilatérale avec fréquences positives et négatives tel que 2.16
+∞
(2.12)
X
x(t) = (Xn exp(j2πnf0 t))
n=−∞

tZ
0 +T
1
Xn = x(t) exp(−j2πnf0 t)dt (2.13)
T
t0

Se souvenant des relations d'Euler :

e+jx + e−jx
cos(x) = (2.14)
2
e+jx − e−jx
sin(x) = (2.15)
2
on montre que la série de Fourier peut être transformée en une série de Fourier complexe :
+∞
(2.16)
X
x(t) = (X(j.n) exp(j2πnf0 t))
n=−∞

Les coecients X(jn) sont alors complexes et valent :

T
Z2
1
X(j.n) = x(t).e−(j2πnf0 t) dt (2.17)
T
−T
2

33
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

Figure 2.9  Relations entre les 3 représentations spectrales.

2.3.2.1 Quelques propriétés des coecients de Fourier

si x(t) est un réelle alors Xn = X−n

∗ tout en rappelant que (a + jb)∗ = (a − jb) En

Figure 2.10  Module et phase de Xn .

général, |Xn | tend vers 0 quand n tend vers l'inni . Pour n positive on a 2.18.

1
Xn = (an + jbn ) (2.18)
2
Alors que X0 = a0 /2 représente la composante continue du signal.
Le calcul de la puissance dans le domaine temporel et spectral est donné par l'identité de
Parseval 2.19.

tZ
0 +T +∞
1
(2.19)
X
P = |x(t)|2 d(t) = Xef
2
f = |Xn |2
T n=−∞
t0

Le théorème de Parseval montre que la puissance normalisée d'un signal peut se calculer
aussi bien dans le domaine temporel que dans le domaine fréquentiel. En eet, comme dans
l'espace des fréquences, le signal x(t)) est représenté par des générateurs d'amplitude An ,
il s'ensuit que la puissance totale est égale à la somme des puissances fournies par chaque

34
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

générateur.
Démonstration :
+∞ +∞
2
X X 1
P = Xef f = Pn = A20 + A2n = Pdc + Pac
n=−∞
2
n=1
+∞
X 1
= X(0)2 + (2. |X(jn)|2
n=−∞
2
+∞
X
= |X(jn)|2
n=−∞

Pour conclure, le carré de la valeur ecace d'un signal est égal à la somme des carrés des
valeurs ecaces de chacune de ses composantes.

2.3.3 Transformée de Fourier

Nous avons vu que les signaux périodiques pouvaient être représentés en fréquence
à partir de leur décomposition en série de Fourier. La transformée de Fourier peut se
généraliser à des signaux non-périodiques.

2.3.3.1 Dénition

Soit x(t) un signal quelconque, on note X(f ) ou T F (x(t)) sa transformée de Fourier

telle que :

+∞
Z
X(f ) = T F (x(t)) = x(t) exp(−j2πf t)dt (2.20)
−∞

Inversement, on peut dénir une transformée de Fourier inverse T F −1 telle que 2.21 :

+∞
Z
x(t) = T F −1
(X(f )) = X(f ) exp(j2πf t)dt (2.21)
−∞

X(f ) est une fonction complexe même si x(t) est réel. La transformée de Fourier contient
donc une partie réelle et une partie imaginaire et est représentée facilement grâce à son
module et à son argument : |X(f )| est appelé spectre d'amplitude et arg(X(f )) le spectre
de phase du signal. La variable f s'appelle la fréquence dont l'unité est le Hertz.
La représentation complète d'une transformée de Fourier nécessite 2 graphiques : le module

35
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

et la phase, ou bien la partie réelle et le partie imaginaire.

Ainsi, la transformée de Fourier est un opérateur mathématique qui permet d'analyser et
de représenter un signal dans le domaine fréquentiel. La TF ne modie pas le signal mais
permet seulement de l'observer selon diérents points de vue (temporel ou fréquentiel). Il
est important de retenir que x(t) et X(f ) sont deux descriptions équivalentes du même
signal. Ces deux fonctions contiennent la même information il s'agit juste de deux descrip-
tions dans des domaines diérents. X(f ) apporte des informations sur le système physique
à l'origine du signal. Elle permet par exemple de diérentier un son de trompette d'un son
trombone, ou bien encore diérentes ondes cérébrales, plus facilement qu'en observant le
signal dans le domaine temporel. Le contenu spectral d'un signal est en eet assimilable à
sa  carte d'identité .

2.3.3.2 Propriétés de la transformée de Fourier

 Linéarité :
ax(t) + by(t) ⇔ aX(f ) + bY (f ) (2.22)

 Produit de convolution :

x(t).y(t) ⇔ X(f ) ∗ Y (f ) (2.23)

x(t) ∗ y(t) ⇔ X(f ).Y (f ) (2.24)

Une multiplication dans un domaine correspond ainsi à un produit de convolution

dans l'autre.
 Retard temporel et fréquentiel :

x(t − t0 ) ⇔ X(f ). exp(−j2πf t0 ) (2.25)

x(t). exp(j2πf0 t) ⇔ X(f − f0 ) (2.26)

 l'identité de Parseval pour les signaux à énergie nie ; Soit E l'énergie du signal. On
peut écrire :

+∞
Z +∞
Z
E= 2
|x(t)| dt = |X(f )|2 df (2.27)
−∞ −∞

36
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

Dans les tableaux suivants nous présenterons les propriétés de la TF ainsi que quelques
transformée de Fourier usuelles.

37
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

38
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

2.3.3.3 Allure générale d'un signal et de sa TF

D'une façon générale, si x(t) est très pointu, sa TF sera très étalée et inversement
si x(t) est très étalé, sa TF sera très pointue comme le montre la gure 2.11.

39
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

Figure 2.11  TF de x(t).

2.3.3.4 TF de signaux périodiques

Soit x(t) un signal périodique de période T ainsi, x(t) est décomposable en série de
Fourier.

+∞
n
(2.28)
X
x(t) = (Xn exp(j2π t))
n=−∞
T
+∞
n
(2.29)
X
X(f ) = Xn δ(f − )
n=−∞
T
Une fonction périodique présente un spectre de raies espacées de 1/T . Le calcul du spectre
de xe (t) donne
+∞
(2.30)
P
xe (t) = x(K.Te )δ(t − kTe )
k=−∞
+∞
P
= x(t)δ(t − kTe )
k=−∞
+∞
P
= x(t) δ(t − kTe )
k=−∞

40
2.3. LA SÉRIE DE FOURIER ET TRANSFORMÉE DE FOURIER

+∞
(2.31)
P
Xe (f ) = X(f ) ∗ T F δ(t − kTe )
k=−∞
+∞
1 P k
= X(f ) ∗ Te δ(f − Te )
k=−∞
+∞
1 P k
Xe (f ) = Te X(f − Te )
k=−∞

On note bien que

Figure 2.12  Choix du Fe .

 si Fe < 2.B avec B = bande du signal on parle de recouvrement (ou repliement) de

spectre. 2.12
 si Fe > 2.B reconstitution de x(t) par ltrage possible si pas de repliement de spectre.

41
2.4. SIGNAUX À ÉNERGIE FINIE

2.4 Signaux à énergie nie

2.4.1 Notion de corrélation

 Si un signal varie lentement : ce signal est pauvre en hautes fréquences

 Si un signal varie lentement : le signal va ressembler à une version décalée de lui-
même : x(t) ressemblera à x(t + t0 )

42
2.4. SIGNAUX À ÉNERGIE FINIE

Cette notion de ressemblance est dite fonction de corrélation quand la dénit pour les
signaux à énergie nie comme étant 2.32
+∞
Z
Rxx (τ ) = Kxx (τ ) = x(t)x∗ (t − τ )dt (2.32)
−∞

La fonction d'intercorrélation donne une quantité liée à la similitude entre deux signaux
2.33
+∞
Z
Rxy (τ ) = Kxy (τ ) = x(t)y ∗ (t − τ )dt (2.33)
−∞

2.4.2 Densité spectrale d'énergie

On dénit aussi la densité spectrale d'énergie donnée par l'équation 2.34

+∞
Z +∞
Z
2
E= |x(t)| dt = valeurf inie = |X(f )|2 df
−∞ −∞

|X(f )|2 = X ∗ (f )X(f ) = T F [x∗ (−t)]T F [x(t)] = T F [x(−t)∗ x(t)]

|X(f )|2 = T F [x(−t)∗ x(t)] = T F [Kxx (t)]

Sxx (f ) = |X(f )|2 = densitspectraled0 nergie = T F [Kxx (t)]

+∞
Z
Sxx (f ) = Sx (f ) = Kxx (t) exp(−j2πf t)dt (2.34)
−∞

Soit la gure suivante2.13

43
2.4. SIGNAUX À ÉNERGIE FINIE

Figure 2.13  Fonction d'autocorrélation et la densité spectrale d'énergie.

Le tableau suivant donne les propriétés de la corrélation et la DSE

44
2.4. SIGNAUX À ÉNERGIE FINIE

45
2.5. SIGNAUX À PUISSANCE FINIE

2.5 Signaux à puissance nie

2.5.1 Dénition

Pour les signaux à puissance nie on a

T
Z+ 2
1
P uissance = lim |x(t)|2 dt = valeurf inie (2.35)
T =∞ T
− T2

Sachant que ce ci est vrai pour les

 Signaux physiquement réalisables
 Signaux apériodiques
Pour ces signaux les deux fonctions d'autocorrelation et d'intercorrelation sont données
respectivement par les équations 2.36 et 2.37

T
Z+ 2
1
Kxx (τ ) = lim x(t)x∗ (t − τ )dt (2.36)
T =∞ T
− T2

T
Z+ 2
1
Kxy (τ ) = lim x(t)y ∗ (t − τ )dt (2.37)
T =∞ T
− T2

2.5.2 Propriétés de la fonction de corrélation

Les propriétés de la fonction de corrélation sont résumées dans le tableau suivant

La fonction de corrélation mesure la ressemblance de deux signaux et donc leur richesse
temporelle. Par analogie avec le cas des signaux à énergie nie on dénira la Densité
Spectrale de Puissance comme étant

+∞
Z
Sx (f ) = Kxx (t) exp(−j2πf t)dt (2.38)
−∞

+∞
Z
Kxx (0) = P uissancedex(t) = Sx (f )df (2.39)
−∞

46
2.5. SIGNAUX À PUISSANCE FINIE

−f2
Z +f2
Z
P uissanceentref1 etf2 = Sxx (f )d(f ) + Sxx (f )df (2.40)
−f1 +f1

Les propriétés de la Densité Spectrale de Puissance (DSP) sont résumées par le tableau
suivant.

47
2.6. RELATION CONVOLUTION CORRÉLATION

2.5.3 Fonction d'autocorrélation et DSP de signaux périodiques

La fonction d'autocorrélation d'un signal périodique est périodique de même période.

Ainsi, la densité spectrale de puissance d'un signal périodique est un spectre de raies es-
pacées de k/T .
Soit :

+∞
n
(2.41)
X
x(t) = (Xn exp(j2π t))
n=−∞
T
Avec T la période.

+∞
n
(2.42)
X
Kxx (τ ) = |Xn |2 exp(j2π τ )
n=−∞
T
+∞
n
(2.43)
X
Sx (f ) = |Xn |2 δ(f − )
n=−∞
T

2.6 Relation convolution corrélation

L'intercorrélation s'écrit
+∞
Z
Kxy (τ ) = x(t)y ∗ (t − τ )dt (2.44)
−∞

Remplaçons la variable t par u et exprimons l'intercorrélation par un retard t :

+∞
Z
Kxy (t) = x(u)y ∗ (u − t)du (2.45)
−∞

La convolution entre x et y s'écrit comme :

+∞
Z
[x ∗ y](t) = x(u)y(t − u)du (2.46)
−∞

On remarque bien que la corrélation n'est autre qu'une convolution dans laquelle y(t) a
été retourné dans le temps et conjugué. Soit en posant :

y − (t) = y(−t) (2.47)

48
2.6. RELATION CONVOLUTION CORRÉLATION

On aura simplement,
Rxy (τ ) = Kxy (τ ) = [x ∗ y (−)∗ ](τ ) (2.48)

49
2.6. RELATION CONVOLUTION CORRÉLATION

50
Chapitre 3

Échantillonnage et reconstruction des

signaux

3.1 Introduction

La plupart des signaux que l'on doit traiter et analyser tels que la parole, les signaux
biologiques, sismiques, radars, audio ou vidéo sont analogiques par nature. C'est-à-dire
qu'ils sont fonction d'une variable continue, le temps, et qu'eux-mêmes varient de manière
continue. Ces signaux peuvent être traités analogiquement à l'aide de ltres par exemple.
Les signaux d'entrée et de sortie sont alors analogiques. Voir gure 3.1

Figure 3.1  Traitement analogique/numérique d'un signal x(t).

Souvent, pour des raisons de simplicité, de précision, de stockage de l'information, de

exibilité, etc, un traitement numérique équivalent est possible et préférable. On utilise

51
3.2. ANALYSE TEMPORELLE

alors des convertisseurs analogiques-numériques (CAN) et numériques-analogiques (CNA)

pour relier au processeur numérique les signaux analogiques d'entrée et de sortie.voir gure
3.1

3.2 Analyse temporelle

3.2.1 Types de signaux

De manière générale, les signaux peuvent être classés dans les catégories suivantes :
 Signaux continus en temps et en amplitude : x(t). On les appelle également signaux
analogiques (gure 2.2a) ; ils proviennent généralement de processus physiques.
 Signaux discrets en temps, continus en amplitude : xe (t = nTe ). Ce sont les signaux
échantillonnés (gure 2.2b). Ils ne sont dénis qu'à des instants déterminés multiples
de la période d'échantillonnage Te , mais leur amplitude peut varier de manière
continue.
 Signaux discrets en temps et en amplitude : xq [n]. De tels signaux sont quantiés
en amplitude ; ils ne peuvent prendre que des valeurs déterminées, généralement,
multiples d'un pas de quantication. Ce sont les valeurs numériques fournies par
les convertisseurs analogiques-numériques (CAN). Ils ne sont dénis qu'aux instants
d'échantillonnage et correspondent aux signaux numériques (gure 2.2c).
 Signaux continus en temps, discrets en amplitude : xq (t). Ce sont des signaux quan-
tiés similaires à ceux décrits dans l'élément d'avant , dont la valeur est maintenue
par un bloqueur d'ordre zéro entre 2 périodes d'échantillonnage (gure 2.2d). Ces
signaux correspondent à ceux fournis par les convertisseurs numériques-analogiques
(CNA).

52
3.2. ANALYSE TEMPORELLE

Figure 3.2  Divers types de signaux.

3.2.2 Signal binaire

Le signal binaire présente l'avantage d'être peu sensible aux perturbations, les valeurs
possibles de tension étant très distinctes. Ce type de signal ore la possibilité d'un traite-
ment informatisé, un ordinateur ne pouvant eectuer des opérations que sur des nombres
binaires. Tout signal doit être numérisé avant d'être exploité ou modié informatiquement.
En revanche un signal recomposé à partir de sa version numérique présente des  éche-
lettes  donc n'est pas une copie conforme du signal analogique de départ. Un système
numérique est constitué de nombreux composants électroniques formant un circuit élec-
trique complexe. À l'image des deux états possibles d'un courant électrique (il passe ou il
ne passe pas), un système numérique utilise le langage binaire : un  0  pour une tension
basse (ou un courant qui ne passe pas) et un  1  pour tension haute (ou un courant qui
passe).

3.2.3 Échantillonnage

Correspond à un prélèvement pendant un temps inniment court des valeurs de x(t) à

t = nTe

53
3.2. ANALYSE TEMPORELLE

Figure 3.3  Échantillonnage idéal.

3.2.3.1 Modélisation mathématique

L'échantillonnage correspond à la multiplication de x(t) par un peigne de Dirac ωTe (t)

xe (t) = x(t).ωTe (t)
+∞
X
= x(t). δ(t − nTe )
n=−∞

+∞
En utilisant la propriété x(t).δ(t−t0 ) = x(t0 ).δ(t−t0 ), on obtient xe (t) =
P
x(nTe )δ(t−
n=−∞
nTe )

3.2.3.2 théorème de Shannon

La condition nécessaire et susante pour échantillonner un signal sans perte d'infor-

mation est que la fréquence d'échantillonnage Fe soit supérieure ou égale au double de la
fréquence maximale du signal. Plus précisément, si on note Fmax la fréquence maximale
du signal, il faut et il sut que : Fe ≥ 2.Fmax . Pour Fe xée, F2e est appelée fréquence de
Nyquist : c'est la fréquence maximale admissible du signal pour éviter les distorsions de
spectre.

3.2.4 La quantication

Approximer chaque valeur du signal échantillonné xe (t) par un multiple entier d'une
quantité élémentaire Q appelée "pas de quantication" ou quantum. Si Q est constant

54
3.2. ANALYSE TEMPORELLE

quelle que soit l'amplitude du signal, on parle de quantication uniforme.

3.2.4.1 Principe

Il existe principalement deux modes de quantication

 par arrondi : si N − 1
.Q ≤ xe (t) < (N + 21 ).Q alors à xe (t) on associe le code N


2

ou la valeur N.Q
 par troncature : si N.Q ≤ xe (t) < (N + 1).Q alors à xe (t) on associe le code N ou la
valeur N.Q
La quantication introduit une erreur modélisable mathématiquement, et que l'on peut
considérer comme une variable aléatoire. Pour conclure la quantication est une approxi-
mation d'une amplitude continue par une amplitude discrète : On fait correspondre à
l'amplitude de chaque échantillon une valeur d'un ensemble de 2n valeurs possibles.

3.2.4.2 Pas de quantication

Le convertisseur A-N eectue la numérisation d'un signal analogique après échantillon-

nage et délivre des séquences numériques codées avec un pas de quantication Q dépendant
du nombre de bits du convertisseur. Dans le cas d'une loi de quantication uniforme ou
les valeurs codées sont obtenues par arrondi dans le domaine de conversion ∆CAN du
convertisseur, on a :
∆CAN
Q= (3.1)
2n
Considérant pour la suite que le CAN travaille avec n bits entre +Umax et −Umax , on a
∆CAN = 2Umax et le pas de quantication vaut alors

∆CAN 2Umax Umax

Q= = = n−1 (3.2)
2n 2n 2

Le pas de quantication Q rapporté au domaine de conversion ∆CAN dénit la résolution

du convertisseur
Q 1
RQ = = (3.3)
∆CAN 2n
On dit, de manière équivalente, que la résolution est égale au poids du bit le plus faible du
convertisseur. Lorsque les valeurs codées sont obtenues par arrondi, l'erreur due au codage
se répartit uniformément autour de la droite de conversion idéale et la caractéristique de

55
3.2. ANALYSE TEMPORELLE

codage est celle représentée à la gure 3.4. Dans le domaine de quantication, l'erreur
maximum due à la quantication vaut alors :
Q Umax
EQ = = (3.4)
2 2n

Figure 3.4  Loi de quantication uniforme et signal d'erreur pour un convertisseur 4 bits.

1. Exemple : Par exemple, si l'on considère un CAN 4 bits travaillant entre ±8[V ], on
aura
∆CAN = 16[V ] Q= 16[V ]
24
= 1.00[V ] EQ = 0.50[V ] RCAN = 1
16 En
observant attentivement la gure 3.4, on voit que le domaine de conversion s'étend plus
précisément de Umin = −8 − 0.5 = −8.5[V ] à Umax = +8 − 0.5 = 7.5[V ]. Ce qui donne
bien évidemment ∆CAN = 16[V ].

3.2.4.3 Bruit de quantication

Nous venons de voir que l'opération de quantication remplace chaque valeur du signal
x(t = nT e) par une approximation. L'eet de cette approximation revient, mathémati-
quement, à superposer au signal d'origine x(t) un signal d'erreur e(t) que l'on appelle le
bruit de quantication. L'amplitude maximum de ce signal d'erreur est EQ = Q
2 tel que
le montre la gure 3.5. Sa puissance est une mesure de la dégradation que subit le signal.

56
3.2. ANALYSE TEMPORELLE

Si le pas de quantication est beaucoup plus petit que l'amplitude du signal x(t), on peut
raisonnablement admettre que le signal d'erreur est constitué de segments de droite com-
pris entre ± Q2 et de durée variable ∆t (gure 3.5). L'équation décrivant ce signal d'erreur
élémentaire s'écrit alors

Figure 3.5  Numérisation d'un signal analogique et bruit de quantication.

Q ∆t ∆t
e(t) = .t − ≤t≤+ (3.5)
∆t 2 2

et sa puissance moyenne vaut :

+ ∆t
2
Z
1
PQ = |e(t)|2 dt
∆t
− ∆t
2

+ ∆t
Z 2 (3.6)
1 Q 2
= ( .t) dt
∆t ∆t
− ∆t
2

1 Q 2 1 ∆t 3
= .( .t) . .2( )
∆t ∆t 3 2
Ce qui donne nalement le résultat bien connu pour une distribution statistique uniforme :
EQ2
Q2
PQ = 3 = 12 La valeur ainsi obtenue est une estimation de la puissance du bruit de
quantication susante pour la plupart des cas réels. Si l'on exprime cette puissance par

57
3.2. ANALYSE TEMPORELLE

rapport au nombre de bits du convertisseur, on obtient : PQ = 1 2.Umax 2

12 .( 2n ) = ( 2Unmax
√ )2
. 3

La puissance du bruit de quantication PQ permet de calculer la valeur ecace du bruit

de quantication qui vaut :
√Q .
p
Qef f = PQ = 12

3.2.4.4 Rapport signal sur bruit

Lorsque qu'un signal est perturbé par du bruit, il est nécessaire de chirer l'importance
de cette perturbation par rapport au signal. On introduit alors la notion de rapport signal
sur bruit (SNR : Signal to Noise Ratio) déni comme le quotient entre la valeur ecace du
signal Xef f et celle du bruit Nef f :
Xef f
SN R = Nef f

Dans notre cas, le bruit est dû à la quantication du signal. On a donc Nef f = Qef f avec
Qef f = √Q . Le rapport signal sur bruit d'un convertisseur vaut alors :
12

Xef f √ Xef f
SN R = = 2n−1 12 (3.7)
√Q Umax
12

Exprimé en [dB], ce rapport signal sur bruit vaut :

SN RdB = 20log(SN R)
ef fX
= (n − 1).20.log(2) + 10log(12) + 20log( Umax )
ef fX
SN R ≈ 6.n + 4, 8[dB] + 20log( Umax )

On voit ainsi que le rapport signal sur bruit d'un convertisseur A − N dépend de son
domaine de conversion et de la valeur ecace du signal.

3.2.5 Choix d'un ltre et de la fréquence d'échantillonnage

Lors d'une conversion A-N, deux eets négatifs apparaissent :

 le recouvrement spectral causé par l'impossibilité d'avoir un ltre idéal ;
 la limitation du rapport signal sur bruit due à la résolution du convertisseur.

58
3.3. RECONSTRUCTION DU SIGNAL

Généralement le nombre de bits et la bande passante nécessaires sont xés par l'applica-
tion ; il reste donc à trouver la fréquence d'échantillonnage fe et l'ordre n du ltre anti-
recouvrement(Connaissant ce domaine d'intérêt, délimité par la fréquence fmax , on pourra
éviter le recouvrement spectral en ltrant analogiquement le signal x(t) avant son échan-
tillonnage. Comme il n'est pas possible, avec un ltre réel, de supprimer totalement les
fréquences supérieures à fmax , on est amené à accepter l'eet d'un léger recouvrement
spectral). Le critère le plus fréquemment admis pour trouver ces deux valeurs est le sui-
vant : L'eet du recouvrement doit être inférieur à la résolution liée à la quantication et
à la non linéarité du convertisseur CAN.
1
fe > fc .(1 + (2n−1 ) m ) (3.8)

Avec m est l'ordre du ltre On notera que si l'on souhaite utiliser un ltre d'ordre 2
seulement avec un convertisseur 8bits, il faut choisir une fréquence d'échantillonnage 13
fois supérieure à la fréquence de coupure fc . Alors que, si l'on adopte un ltre d'ordre
8, une fréquence d'échantillonnage 3 à 5 fois supérieure à la fréquence de coupure sut
suivant le nombre de bits du CAN. C'est pourquoi, admettant que l'échantillonneur est
précédé d'un ltre anti-recouvrement d'ordre 8, on propose généralement une fréquence
d'échantillonnage telle que :
fe = (3...5).fmax

3.2.6 Le codage

Les 2n niveaux quantiés vont être codés par des valeurs numériques (une suite de n
bits).

3.3 Reconstruction du signal

3.3.1 Convertisseur N-A

Le convertisseur N-A convertit un signal numérique en un signal analogique. Son but

est de fournir un signal continu entre chaque échantillon. Cette opération consiste à réaliser
une interpolation continue entre les valeurs numériques fournies par le processeur à chaque

59
3.3. RECONSTRUCTION DU SIGNAL

période d'échantillonnage. On peut imaginer diérents interpolateurs allant du simple au

compliqué :
 l'interpolateur d'ordre 0 qui maintient constante la valeur numérique fournie ;
 l'interpolateur d'ordre 1 qui relie linéairement deux valeurs numériques successives ;
 l'interpolateur d'ordre 2 qui relie paraboliquement trois valeurs numériques succes-
sives ;
 l'interpolateur idéal qui remplace chaque valeur numérique par un sinus cardinal.
L'interpolateur le plus simple est celui d'ordre zéro et c'est également celui qui est réalisé
par un convertisseur numérique-analogique classique. Il est souvent désigné sous le nom de
bloqueur d'ordre zéro.

3.3.2 Interpolateur idéal

Dans l'énoncé du théorème d'échantillonnage, Shannon a également donné son corol-

laire qui précise qu'un signal x(t) peut être reconstruit à partir des valeurs échantillonnées
en utilisant la fonction d'interpolation suivante :

sin(π.fe .t)
g(t) = (3.9)
π.fe .t
Cela signie que le signal peut être reconstruit avec une somme de sinus cardinaux tempo-
rels centrés sur les instants d'échantillonnage t = nT e et d'amplitudes égales aux valeurs
échantillonnées x[n] voir gure 3.6 :
sin(π.fe .(t − n.Te ))
(3.10)
X
xa (t) = x[n].
π.fe .(t − n.Te )

60
3.3. RECONSTRUCTION DU SIGNAL

Figure 3.6  Reconstruction d'un signal triangulaire à l'aide d'un interpolateur idéal.

3.3.3 Filtre de reconstruction ou de lissage

On peut se rapprocher d'un signal analogique plus habituel en éliminant les escaliers
du signal xs (t) crée par le CNA. Pour cela, on fait suivre le convertisseur d'un ltre passe-
bas, dit de reconstruction ou de lissage. La bande passante de celui-ci doit être susante
pour laisser passer l'information contenue dans la bande de base du signal numérique.
Comme celui-ci s'étend de 0 à fe
2 , les ltres anti-recouvrement et de reconstruction sont
généralement les mêmes.

61
3.3. RECONSTRUCTION DU SIGNAL

62
Chapitre 4

Signaux et systèmes numériques

4.1 Rappel les ltres analogiques

On dénit ici 4 types de ltres les plus classiques :

 les ltres passe-bas qui laissent intact les basses fréquences d'un signal et en atténuent
les hautes fréquences,
 les ltres passe-haut qui laissent intact les hautes fréquences d'un signal et en atté-
nuent les basses fréquences,
 les ltres passe-bande qui sélectionnent une partie du spectre d'un signal autour
d'une fréquence spéci ?ée, avec une largeur plus ou moins grande,
 les ltres coupe-bande, qui atténuent fortement une partie du spectre d'un signal
autour d'une fréquence spéciée, avec une largeur plus ou moins grande.
Pour tous ces ltres, on dénit des fréquences de coupure, c'est à dire les fréquences
√
pour lesquelles le spectre du signal d'entrée va être atténué d'un facteur 2 par rapport
à la valeur maximale du spectre d'amplitude. Cette variation équivaut à une variation de
3dB dans l'échelle logarithmique. Le ltre passe-bas à donc une fréquence de coupure dans
les médiums / hautes fréquences, le passe haut une fréquence de coupure dans les médiums
/basses fréquences. Les passe bande et coupe bande possèdent deux fréquences de coupure
autour de la fréquence centrale sur laquelle ils se centrent. On spécie également la pente de
l'atténuation de ces ltres, en dB par octave qui apporte une information sur la sélectivité
du ltre. Enn, pour les ltres passe-bande et coupe-bande, on détermine leur largeur de
bande, c'est à dire la diérence entre leurs deux fréquences de coupure qui renseigne aussi

63
4.2. TRANSFORMÉE EN Z

Figure 4.1  Les ltres classiques. L'axe horizontal représente la dimension fréquentielle,
l'axe vertical le module de la fonction de ltrage |G(f )|.

sur sa sélectivité.

Dans le cas où le système de transmission est composée d'une chaîne de n ltres en

série, la réponse globale du système sera un ltre déterminé par sa réponse impulsionnelle
h(t) et sa fonction de transfert H(f ) :

h(t) = h1 (t) ∗ h2 (t) ∗ .... ∗ hn (t) (4.1)

n
(4.2)
Y
H(f ) = Hi (f )
i=1

4.2 Transformée en z

Dans le cas de signaux analogiques, nous disposons de transformées (par exemple Fou-
rier) permettant d'étudier et de traiter les signaux dans des domaines plus aisés (domaine
fréquentiel). Dans le cas de signaux discrets comme les signaux numériques, ces transfor-
mées sont très limitées en particulier pour les signaux possédant une innité d'échantillons.
Pour cela, une transformée de signaux discrets a été introduite : la transformée en z . La
variable complexe z utilisée est alors discrète.

64
4.2. TRANSFORMÉE EN Z

4.2.1 Dénition

Multiplier un échantillon numérique par la variable z −n c'est le retarder de n échan-

tillons par rapport à l'origine. Le multiplier par z n c'est l'avancer de n échantillons. Soit
x(n) un signal discret quelconque. Sa transformée en Z s'écrit :

+∞
X
X(z) = Zx(n) = x(n)z −n
n=−∞

(4.3)

Remarque : on retrouve la dénition de la transformée de Fourier en posant z = ej2πf /fe

avec fe la fréquence d'échantillonage.

X(f ) = Xz (ej2πf ) (4.4)

On dénit les zéros de la fonction Xz tels que Xz (z) = 0. On dénit les pôles de la fonction
Xz tels que |Xz (z)| → +∞.

Figure 4.2  Notion de Transformée en Z d'un signal numérique.

65
4.2. TRANSFORMÉE EN Z

4.2.2 Propriétés
4.2.2.1 Linéarité

La transformé en Z d'une combinaison linéaire de deux signaux est la combinaison

linéaire des transformées en Z de chaque signal.

Z(a1 x1 (n) + a2 x2 (n)) = a1 Zx1 (n) + a2 Zx2 (n) (4.5)

4.2.2.2 Décalage temporel

Le décalage temporel d'un signal de k échantillons se traduit par la multiplication de

la transformée en Z du signal par z k .

Zx(n − k) = z −k Zx(n) (4.6)

4.2.2.3 Convolution

La transformée en Z d'un produit de convolution est le produit des transformées en Z

Z(x(n) ∗ y(n)) = Zx(n) ∗ Zy(n) (4.7)

4.2.2.4 Multiplication par une exponentielle

z
Zan x(n) = X( ) (4.8)
a

4.2.2.5 Théorème de la valeur initiale

Soit x(n) un signal causal et X(z) sa transformée en Z . Alors :

x(0) = lim x(n) = lim X(z) (4.9)

n→0 z→+∞

4.2.2.6 Théorème de la valeur nale

Soit x(n), un signal causal et X(z), sa transformée enZ . Alors lorsque la limite existe,
on peut écrire :
lim x(n) = lim X(z) (4.10)
n→+∞ z→1

66
4.3. FILTRES NUMÉRIQUES

Figure 4.3  Transformée en Z .

4.3 Filtres numériques

4.3.1 Dénition

La sortie à l'instant n d'un ltre numérique dépend de la sortie aux instants précédents
(m ≤ n − 1 et de l'entrée à tout instant (m ≤ n : ltre causal). Nous nous limiterons aux
ltres linéaires invariants, ce qui impose que le signal ltré y(n) s'écrive alors comme une
combinaison linéaire des échantillons passés de x(n) et y(n − 1) dont les coecients ak et
bk xeront le type de ltre (passe-haut, passe-bas, ...).

y(n) = a0 x(n)+a1 x(n−1)+a2 x(n−2)+...+aq x(n−q)−b1 y(n−1)−b2 y(n−2)−...bp y(n−p)

(4.11)
L'équation précédente 4.11 s'appelle l'équation aux diérences. Il existe deux types de
ltres : les ltres récursifs pour lesquels au moins un coecient bp est non nul et les ltres
non-récursifs pour lesquels tous les coecients bp sont nuls. Étant donné que les ltres
traités (linéaires invariants et causaux) sont également des ltres de convolution, on peut

67
4.3. FILTRES NUMÉRIQUES

exprimer l'équation aux diérences de la manière suivante :

q p
(4.12)
X X
y(n) = ak x(n − k) − bk y(n − k)
k=0 k=1

La transformée en z du ltre devient :

p
ak z −k
P
Y (z)
H(z) = = k=0
q (4.13)
X(z)
bk z −k
P
1+
k=1

D'un point de vue pratique, c'est cette fonction qui permet d'implémenter - c'est à dire de
mettre en oeuvre sous la forme d'un programme - la fonction de ltrage dans un programme
informatique.

68