Abdel 1 T2 Signal Slides 2 Cours 2018 Enseignant

TDS
Traitement du signal
Le traitement du signal est aujourd’hui une composante
fondamentale des sciences de l’ingénieur, située au
croisement de l’automatique, l’électronique, l’informatique
et les mathématiques
Objectifs du cours
L’objectif de ce cours est de présenter une première approche du traitement du signal afin de
permettre aux étudiants de :
 Maîtriser les notions de signal et de système numérique,
 Savoir utiliser les outils mathématiques spécifiques au traitement des signaux
(transformation de Fourier, en Z, convolution, corrélation …etc.),
 Avoir les compétences permettant d'appliquer aux signaux les traitements les plus
classiques (échantillonnage, filtrage, estimation spectrale, …etc.)
Traitement du Signal Introduction

1 AL1
Ecole Nationale Polytechnique / ABDELOUEL Généralités + Classification des signaux
Plan du cours
Introduction
A. Signal & information
B. Classification des signaux
1) Signaux à temps continu
A. Représentation dans le domaine temporel
B. Analyse fréquentielle des signaux périodiques (SF)
C. Analyse fréquentielle des signaux non périodiques(TF)
2) Signaux et systèmes à temps discret
A. Echantillonnage, Reconstitution & Quantification
B. Analyse fréquentielle des signaux numériques (TFD)
C. Systèmes linéaires invariants dans le temps
D. Transformée en Z
3) Signaux et processus aléatoires
A. Principales notions de probabilité
B. Signaux aléatoires
C. Propriétés fondamentales
D. Notion de bruit blanc
4) Applications
A. Filtrage de signaux
B. Techniques d’estimation spectrale

2 AL1
 Murat KUNT, Traitement Numérique des Signaux, Dunod 1981,
 Murat KUNT, Digital signal processing software laboratory
Edition: Presses Polytechniques Romandes, 1984
 F. de Coulon : Théorie et traitement des signaux, PPR, 1984
 Maurice Bellanger, Traitement numérique du signal : théorie et pratiques, Ed.
Masson (Paris), 1981
 Michel Marie : Applications de MATLAB 5 et SIMULINK 2
contrôle de procédés, logique floue, réseaux de neurones, traitement du signal,
 A. Oppenheim and R. Shafer, Digital Signal Processing, Prentice Hall, 1975

3 AL1
Introduction
Plan du chapitre
a. Qu'est-ce que le traitement du signal ?
b. Notions de signal et d’informations
c. Théorie & Traitement du signal
d. Classification des signaux
Introduction générale
 Pourquoi un cours de traitement du signal?
Parce que
 La majorité des sciences de l’ingénieur font de plus
en plus appel à des outils de l’automatique et du
traitement du signal.
 Les concepts de base «universels» du TS, tels que :
l’analyse de Fourier, la convolution de signaux, la
corrélation, le filtrage devraient faire partie de la
culture générale d’un ingénieur Polytechnicien

4 AL1
 Qu'est-ce que le traitement du signal ?
 Le traitement du signal est une discipline à la frontière entre mathématiques,
électronique - automatique et informatique.
 Le traitement du signal est la discipline scientifique qui développe les outils et

techniques permettant de manipuler et de comprendre les signaux.
 Traiter un signal, c'est extraire de l'information de mesures effectuées par des
capteurs en vue d'atteindre un but donné.
 NB. Tout le vocabulaire de traitement du signal est plus connu en anglais.

5 AL1
Traitement du signal : Les opérations de base
 Le traitement du signal couvre des domaines d'applications extrêmement
variés : dès qu'on utilise un capteur pour mesurer une quantité, on est amené à
effectuer un traitement.
 Traitement du signal = Théories et méthodes permettant de :
 Créer (synthèse de musique, parole, images, …)
 Transmettre (TV, Radio, télécoms numériques)
 Analyser (visage, voix, gestes, …)
 Modifier (filtrage, cryptographie, …)
 Classifier (détection de défauts, diagnostics, …)
 Reconnaître (reconnaissance . vocale, d’écriture, DTMF, …)
 Prévoir (météo, bourse, …)

6 AL1
Traitement du signal
Historique
Aspects techniques :
 1830 : télégraphe électrique (MORSE, COOKE, WHEATSTONE) ;
 1876 : téléphone (BELL) ;
 1895 : radio (MARCONI, POPOV) ;
 1905, détection et amplification de signaux électroniques faibles (FLEMMING)
Aspects théoriques :
 1822 : FOURIER, propagation de la chaleur ;
 Vers 1930 : processus aléatoires (Wiener Et Kintchine), quantité d’informations
transmise sur une voie télégraphique (NYQUIST et HARTLEY) ;
 Après 1948 : théorie de la communication (SHANNON), filtrage optimal
(WIENER), distributions (SCHARWTZ).

7 AL1

Les principales classes d'applications

8 AL1
 Signal & information
 Un signal est un vecteur/Support d’informations
 Signal : Une représentation physique de l’information.
Information ⊂ Signal
 En général, un signal est une grandeur (souvent physique) qui dépend du
temps
 La grandeur d’un signal peut ˆêtre de différents types :
o Information : par exemple le son qui est une variation de la pression de
l’air,
o Energie : par exemple la tension du secteur ;
o Matière : par exemple un ´débit d’eau en un point d’un canal d’irrigation

9 AL1
Exemples :
SUPPORT INFORMATION
 Signal de parole = Onde acoustique Parole,
 Courant électrique délivré par un Musique
microphone


10 AL1
 Chaine de traitement
 Le traitement du signal vise à développer des outils et méthodes
d'extraction puis d'interprétation de l'information contenue dans des
données observables.
 Traitement du signal Ensemble de techniques permettant de créer,
d'analyser, de transformer les signaux en vue de leur exploitation
 Un signal est porteur d’une information structurée ayant une certaine

organisation.
 L’identification de cette structure par l’homme lui permet de comprendre le
message

11 AL1
 Notion de bruit
 Un signal est un vecteur/Support d’informations
 La notion de bruit est très intuitive avec les sons car on la vit en
permanence au quotidien.
En traitement du signal ?
 Bruit : Tout phénomène perturbateur gênant l’interprétation d’un signal.
Signal = Information + Bruit
Exemple : Système de communication :

12 AL1
 Rapport signal sur bruit
 Tout traitement de signal engendre du bruit parasite
 Le rapport signal/bruit RSB (Signal to Noise Ratio : SNR), est un indicateur qui
nous renseigne sur l’influence du bruit sur le signal utile.
 La plupart du temps, le RSB est exprimé en
décibels !
 Les décibels sont des logarithmes, sur une
échelle de DB, une variation de 3db double le
bruit.

13 AL1
Traitement de signal & Automatique
 La nature nous fournit des situations, l’activité scientifique élabore des
modèles.
 Modélisation Approche « boîte noire ».
 Les hypothèses retenues/objectifs orientent le type de « Traitement du signal à
effectuer »
 En automatique, c'est le système qui est au cœur des préoccupations. On
cherche alors à le caractériser, corriger, ...pour qu'il fournisse une réponse
(signal) satisfaisant certaines contraintes.

14 AL1
Traitement du signal Automatique
 Conditionnement Commande des systèmes
 Caractérisation,  Commande
 Détection/Estimation linéaire, adaptative
 Optimisation optimale, …)
 Modélisation/Identificatio Modélisation/Identificatio
n n
 Codage/décodage Asservissement : système
 Synthèse du signal, bouclé
 Reconnaissance/Décision  performances/
……. Correction
 Régulation,
Poursuite
automatique de
trajectoire
 En TS, c'est le signal qui nous intéresse en premier lieu. L'objectif consiste alors
à le caractériser, le filtrer …

15 AL1
Classification des signaux
 On peut classer les signaux selon différentes approches, ce qui induit des
recouvrements entre les classes ainsi définies.
 Par exemple, on peut considérer :
 le caractère déterministe ou
aléatoire des signaux,
 le caractère continu ou discret
du signal
 le caractère
énergétique/spectral,
 la dimension des signaux :


16 AL1
 Signaux déterministes
 Un signal déterministe a une évolution connue et prévisible, contrairement aux
signaux aléatoires ou stochastiques
 Un signal x(t) est certain (ou déterministe) s’il peut être décrit par un modèle
mathématique
On considèrera deux grandes classes de signaux : les signaux périodiques et les

signaux à support borné (durée limité / transitoires).
 Un signal s périodique de période T est défini comme une fonction telle que
pour tout t,
x(t + k.T) = x(t).
 Un signal. x(t) est dit à support borné s’il existe T > 0 tel que x(t) = 0 pour t
# [−T, T]
17 AL1
 Signaux aléatoires :
 Un signal x(t) est aléatoire si son évolution est imprévisible et ne peut être
décrite que par des grandeurs et méthodes statistiques (moyenne, variance, loi
de probabilité, … )

18 AL1
Parmi les signaux aléatoires on distingue :
 Les signaux stationnaires : (les statistiques sont indépendantes du temps)
 Les signaux ergodiques (une réalisation du signal permet d’estimer les
statistiques)

19 AL1
Classification morphologique
De manière générale, les signaux peuvent être classés dans les catégories suivantes
:
 Signaux continus /
analogiques
 Signaux discrets /
numériques
Souvent, pour des raisons de
simplicité, de précision, de
stockage de l’information, de
flexibilité, etc, un traitement
numérique est possible et
préférable

20 AL1
 Les signaux continus sont représentés par des fonctions mathématiques d’une
variable réelle (en général, le temps)
 Les signaux numériques sont obtenus à partir des signaux analogiques par
échantillonnage et quantification

21 AL1
 Un signal numérique est un signal discret (en temps) dont l’amplitude a été
quantifiée  Une suite de valeurs discrètes
 Représentation graphique d’un signal numérique

22 AL1
Classification énergétique
Soit un signal x(t) à temps continu. L’énergie totale du signal x est donnée par la
relation suivante :
On définit la puissance moyenne d’un La puissance moyenne d'un signal x(t)

signal x(t) par : T-périodique :

23 AL1
Les définitions d'énergie et de puissance amènent à distinguer deux types de
signaux :
1. Signaux à énergie finie (de carré intégrable, sommable), pour lesquels 0
<E<+ .
o Exemple, les signaux transitoires.

24 AL1
o
2. Signaux à puissance moyenne finie non nulle : La puissance moyenne est
bornée, à savoir
0<P<+ .
o Exemple : les signaux permanents/ signaux périodiques ou signaux

aléatoires permanents
Remarques
 Un signal physiquement réalisable est à énergie finie. Sa puissance moyenne est
nulle
 Les deux contraintes sont mutuellement exclusives.
i. Un signal à énergie finie a une puissance moyenne nulle
ii. Un signal à puissance finie possède une énergie infinie.

25 AL1
Autres classifications
 Classification spectrale
 Un signal peut être classé suivant la distribution de son énergie ou de sa
puissance en fonction de la fréquence (Bande spectrale)
On définit :
 Les signaux à bande étroite pour lesquels F/Fmoy <<1
 Les signaux à bande large pour lesquels F/Fmoy >>1

26 AL1
Classification dimensionnelle
◦ Signal scalaire /Signal mono-dimensionnel pouvant prendre des valeurs réelles
ou complexes
◦ Signal vectoriel pouvant prendre des valeurs réelles ou complexes : [R, V, B] =
TV(t).
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs
arguments: [I] =TV(t, x, y).
– signaux 2D : image, représentation temps-fréquence des signaux,
– signaux 2D + t : séquences vidéo,
– signaux 3D + t : séquence d’objets 3D (tomographie, etc.),

27 AL1
Signaux nD : qui peuvent recouvrir différentes formes, par exemple des :
 signaux multi-capteurs (n capteurs) : réseaux d’antennes, signaux
électroencéphalographie(EEG) ou magnétoencéphalographie (MEG) (jusqu’à
250 électrodes)
 signaux multimodaux, c’est-à-dire relatifs à plusieurs modalités physiques :
signal audio/vidéo, association de signaux EEG, MEG et IRM (imagerie en
résonance magnétique)

28 AL1
Plan du cours

29 AL1
30 AL1
Signaux à temps continu
A- Représentation et analyse temporelle des signaux analogiques

Signaux comme fonctions
 Modèle boîte noire d’un système : Chaque système transforme un signal
d’entrée en signal de sortie.
 En traitement du signal, les signaux sont vus comme des fonctions. Outils
mathématiques de la théorie du signal.
Traitement du Signal Signaux à temps continu Chapitre 1.A.

2 AL1
Ecole Nationale Polytechnique / ABDELOUEL Analyse temporelle
 NB. Souvent, un signal est une fonction d'une variable réelle, en général le
TEMPS.
 Exemples : Signal de parole s(t) ; signal image noir et blanc f(x,y)

3 AL1
Signaux réalisables
 Un signal est le résultat d’un système physique réel, qui est donc réalisable.
 En génie électrique : un signal est une grandeur physiquement mesurable
par un capteur, pouvant varier avec le temps.
Différences entre signaux et fonctions
Monde réel (signaux) Monde mathématique (fonctions)
 Les signaux sont à valeurs  Les valeurs des fonctions peuvent appartenir à
réelles d'autres ensembles que R
 Un signal est causal et à  Une fonction peut être non causal et à support
support borné non borné
 Un signal possède une énergie  Une fonction peut posséder une énergie
finie théorique infinie
 Un signal est continu  Une fonction peut présenter des discontinuités
temporellement en certains points

4 AL1
5 AL1
 Fenêtre Rectangulaire
 On définit la fonction Rectangle de la façon suivante :
 Exemple : Une porte rectangulaire de durée T centrée en t = t0

6 AL1
 Fenêtre Triangulaire

7 AL1
 Fonction sinus cardinal
 Cette fonction joue un rôle très important en traitement du signal

8 AL1
 Impulsion/distribution de Dirac
 La distribution de Dirac est la limite de nombreuses familles de fonctions.
 L’impulsion de Dirac peut être considérée comme la limite d'une porte de
durée dt=a et de hauteur (1/a) lorsque dt  0.

9 AL1
 Les distributions peuvent être vues comme des instruments de mesures de
fonctions.
La valeur ponctuelle d’un signal t −→ s(t) dé inie sur un intervalle [tmin, tmax]
de temps en un instant précise t0 est une quantité impossible à évaluer de
manière pratique.
 On préférera “modéliser” par exemple s(t0) par

10 AL1
 Propriétés
 La distribution de Dirac permet de « prélever » la valeur d'une fonction pour
un temps donné
Note.

11 AL1
 Peigne de dirac
 Le peigne de Dirac est une suite d’impulsions de Dirac régulièrement espacées
dans le temps.
 Le "peigne" de Dirac permet de représenter l’opération d’échantillonnage.

12 AL1
Signaux : Propriétés et opérateurs de base
 Décalage d'un signal
 Un signal débute à un instant précis. Au cours d'une transmission il peut
subir un retard. Cela se traduit simplement sur un signal déterministe par
un changement de variable sur l'équation du signal.

13 AL1
Valeurs caractéristiques d’un signal
 Soit un signal x(t) défini sur un intervalle [t1, t2]. On peut le caractériser par les
grandeurs suivantes :

14 AL1
Parité : Signaux pairs et impairs
 Un signal de variation temporelle continue x(t) est dit pair, s’il satisfait : x(-t)
= x(t) pour tout t
 Un signal de variation temporelle continue x(t) est dit impair, s’il satisfait ! x(-
t) = -x(t) pour tout t
 Tout signal réel peut être décomposé en une partie "paire" et une partie
"impaire".

15 AL1
Causalité.
 Un signal est dit causal s'il est nul pour toute valeur négative du temps x(t) =
0 pour t< 0
Stabilité
 On dira qu’un signal analogique x(t) est stable si :
 Remarque : Un signal analogique x(t) est dit réalisable s’il est à la fois stable et
causal.

16 AL1
 Périodisation d’un signal
Un signal x(t) périodique de période T, peut être vu comme la répétition
cyclique de xT(t), signal élémentaire représentant sa période principale
 Opération de répétition =Convolution avec le peigne de Dirac

17 AL1
Produit de convolution
 Soit x(t) et h(t) deux fonctions de la variable réelle t. On appelle produit de
convolution ou convolution de x(t) par h(t) l’opération notée (x ⋆ h)(t) définie
par
 Convolution en temps, Multiplication en fréquence  Filtrage, Traitement

d’Images
 Multiplication en temps, Convolution en fréquence  échantillonnage,

fenêtrage, modulation
 Dans le domaine temporel, la convolution peut être vue comme une méthode
de calcul de valeurs moyennes d'une fonction
La convolution est un outil de calcul très pratique
18 AL1
 Convolution graphique
 Pour chaque valeur du paramètre t, le produit de convolution est égal à l’aire
représentée par l’intersection des deux fonctions h(tau) et x(t-tau), donc à
l’intégrale recalculée pour la nouvelle valeur du paramètre t
 Exemple de calcul de la convolution entre le signal x(t) et le signal h(t).
 Première opération : Renversement et
décalage temporel d'un des deux
signaux (par exemple h(t)).
 Ensuite, les signaux x(τ) et h(t−τ) sont
multipliés entre eux et l'aire obtenue
correspond à y(t)
 En faisant glisser t, on obtient le
signal y en entier.

19 AL1
20 AL1
 Convolution discrète
 Transposition de l'équation du produit de convolution en temps continu dans le
domaine du temps échantillonné :

21 AL1
 Propriétés de la convolution

22 AL1
Corrélation et Inter-corrélation.
 Coefficient de corrélation
 Le coefficient de corrélation linéaire de deux variables est égal à la covariance
rapportée au produit de leurs écarts-types
 Le coefficient de corrélation est compris entre -1 et 1. plus le coefficient est

proche de 1, meilleure est la corrélation »

23 AL1
 Corrélation de deux signaux
 Au niveau du signal, on peut considérer un signal numérique comme des
observations d'une variable :
 Appliquer le même genre de raisonnement dans le domaine du traitement du
signal
 si x(t) et y(t) sont 2 signaux réels,
on leur attribue l’énergie
d’interaction :

24 AL1
25 AL1
 Avec Matlab :

26 AL1
L’énergie d’interaction est fonction du décalage entre les deux signaux

27 AL1
o Intercorrélation

28 AL1
o Autocorrélation
 Propriétés de l’autocorrélation

29 AL1
 Application de la corrélation :
Pourquoi peut-on vouloir calculer la corrélation entre (2) signaux ?
● Lien de causalité : Mesure de déphasage
● Extraire un signal périodique d'une mesure bruitée
● Mesure de ressemblance entre 2 signaux
● Repérer la présence d'un écho sur un radar
……………

30 AL1
31 AL1
Traitement du Signal Signaux à temps continu Chapitre

1.B. 2 AL1
Ecole Nationale Polytechnique / ABDELOUEL Analyse fréquentielle des signaux périodiques
B- Analyse fréquentielle des signaux analogiques
Introduction à la notion de fréquence
 La fréquence F est le nombre de périodes par seconde en Hz.
 La pulsation ω (Oméga) correspond à la vitesse angulaire du vecteur tournant :
.

1.B. 3 AL1
Notion de fréquence spatiale
 Image : I : (x, y) → I(x, y) : fonction 2d à valeur dans R
 Fréquence spatiale : "vitesse" de variation du signal I(x,y) (luminance) par
rapport aux variables spatiales (x,y)

1.B. 4 AL1
Les deux domaines d'un signal
 Le temps et la fréquence sont deux bases servant à la description des signaux.
 Une sinusoïde devrait être représentée dans un espace à trois dimensions

1.B. 5 AL1
 On peut observer un signal sous différents angles

1.B. 6 AL1
 Dans la plupart des domaines de la physique, en électricité, optique, acoustique,
thermique, mécanique, ... on a souvent affaire à des fonctions périodiques, mais
de forme quelconque.
 Le théorème de Fourier montre que tout signal
périodique de fréquence f1 et de forme quelconque peut
être considéré comme la somme d’un signal sinusoïdal
de même fréquence f0 appelé fondamental et de signaux
sinusoïdaux de fréquences 2f0, 3f0, 4f0, … appelés
harmoniques du signal fondamental.

1.B. 7 AL1
1.B. 8 AL1
 Définition de la série de Fourier
 Considérons un signal périodique x(t) de période T = 1/f0. Son développement
en série de Fourier est alors le suivant
Les coefficients se calculent par plusieurs formes de formules

1.B. 9 AL1
 Séries de Fourier en cosinus
 Cette forme d'écriture de la série de Fourier est très utilisée en physique.
 Rappel :

1.B. 10 AL1
 Série de Fourier complexe /« forme exponentielle »
Rappels

1.B. 11 AL1
 La série de Fourier peut être transformée en une série de Fourier complexe :
 Les coefficients Cn sont alors complexes et valent
Les amplitudes des différents harmoniques dépendent de la forme du signal

périodique analysé.

1.B. 12 AL1
 Séries de Fourier : Relations entre les diverses formes
 La description de x(t) avec les fonctions complexes conduit aux spectres

bilatéraux d'amplitudes et de phases.
 Spectre bilatéral  les fréquences sont négatives et positives. Qu’est-ce
qu’une fréquence négative ?

1.B. 13 AL1
 Propriétés de la série de Fourier

1.B. 14 AL1
 Phénomène de Gibbs
 Proche d’une discontinuité´ à x0 d’une fonction f(x) la série de Fourier
tronquée ne donne pas une bonne approximation
 L’erreur maximale est indépendante de n. Mais l’endroit où l’erreur est
maximale tend vers la discontinuité.
 Cette propriété s’appelle le phénomène de Gibbs (1899)

1.B. 15 AL1
 Séries de Fourier de quelques signaux utiles.

1.B. 16 AL1
Traitement du Signal Signaux à temps continu Chapitre 1.C.

1 AL1
Ecole Nationale Polytechnique / ABDELOUEL Analyse fréquentielle
 Les signaux ne sont pas toujours périodiques, le développement en séries de
Fourier n’est donc pas toujours adapté. On utilise alors la transformé de Fourier.
 Le passage d'un signal périodique à un signal apériodique peut se faire en
considérant que la période T devient de plus en plus grande pour tendre vers
l'infini.
 Cas limite : T «infiniment grand» ⇒signal non-périodique La suite nf0 va
atteindre toutes les valeurs réelles et ainsi devenir une variable continue que
nous allons noter f.
 On passe donc d’un spectre discret à un spectre continu (infinité d’harmoniques).

2 AL1
3 AL1
 La transformée de Fourier (TF) directe et inverse
En partant de la série de Fourier :
 On prend la limite T → ∞ : Passage de la variable n.f0 à la variable f : f = n/T

 df = dn/ T
TF : Equation d’analyse TFI : Equation de synthèse.

4 AL1
 La TF peut être interprétée comme la décomposition du signal f sur la famille
de fonctions exponentielles jouant un rôle analogue à celui d’une base.
 Propriétés de la transformée de Fourier

5 AL1
Propriétés de la transformée de Fourier
Translation fréquentielle :
La TF du produit de convolution est un produit simple et réciproquement.

6 AL1
La TF d'une convolution de deux signaux est un produit des transformées de
Fourier de ces deux signaux. Ce résultat est un des résultats les plus
importants en TDS aussi bien dans les aspects théoriques que dans les
applications.

7 AL1
Transformée de Fourier généralisée
 La transformée de Fourier n’est pas toujours définie au sens des fonctions
⇒Une condition suffisante : fonction de carré intégrable Signaux à énergie
finie.
 Grace à l'introduction des distributions, la TF peut être calculée aussi bien pour
des fonctions périodique ou apériodique (elle est plus pratique à utiliser dans tous
les cas).
 Transformée de Fourier d’un Dirac δ(t)/ une constante.

8 AL1
 TF d’un peigne de Dirac
Le peigne de Dirac, nommé Sha(t) en l’honneur de Mr Shannon

9 AL1
 dTF d'un signal périodique

10 AL1
Transformées de Fourier usuelles
 TF d’une exponentielle complexe /fonctions sinusoïdales

11 AL1
TF d’une fenêtre rectangulaire

12 AL1
 On associe au signal x(t) une fonction de la fréquence appelée densité
spectrale d’´énergie (DSE) ou de puissance (DSP) suivant la nature de x(t).
Densité spectrale d'énergie (DSE)  signaux à énergie finie,
Densité spectrale de puissance (DSP)Signaux à puissance moyenne

finie
 NB : La DSE et la DSP s'expriment en fonction uniquement du module de la TF

et non de la phase.

13 AL1
Théorème de Wiener-Khintchine
 Lien entre corrélations temporelles et densités spectrales

14 AL1
Signaux et systèmes à temps discret
A- Echantillonnage, Reconstitution & Quantification
Traitement du Signal Signaux à temps discret Chapitre 2.A.

1 AL1
Ecole Nationale Polytechnique / ABDELOUEL Echantillonnage, Reconstitution
 L’échantillonnage (en anglais sampling) est une opération qui consiste à prélever sur un
signal à temps continu une suite de valeurs, prises en une suite d’instants tn, n ∈ Z.
 La question fondamentale est de savoir s’il est possible de reconstruire x(t) à partir des
échantillons x(nTe),
 Dans la suite nous n’envisagerons que l’´échantillonnage régulier où tn = nTe
Te est la période d’échantillonnage, Fe = 1/ Te est la fréquence d´ échantillonnage ´ .

2 AL1
 Modélisation de l’opération d’echantillonnage
 On peut interpréter l'échantillonnage comme une séquence d'impulsions de Dirac modulées
en amplitude par le signal x(t)
 Le signal échantillonné apparait comme le produit d’un signal par un peigne de Dirac
 Après normalisation de la période d’échantillonnage(Te=1), on obtient la suite {x(n)} appelée

signal discret

3 AL1
 Spectre du signal échantillonné
 On considère un signal à temps continu x (t) et soit xe(t)= x(nTe) le signal échantillonné à la
fréquence Fe=1/Te.
 On note X(f) la TF de x(t) et Xe(f) la TF de lasuite xe(n.Te).
 La question est : Quelle est la relation entre X(F) et Xe(f) ?

4 AL1
Echantillonner dans l’espace-temps revient
à périodiser dans l’espace fréquence
 On peut alors démontrer que : Le spectre du signal échantillonné à Te, est périodique et de
période Fe=1/Fe :
La théorie des distributions (lemme de Poisson) permet de montrer que :

La transformée de Fourier d’un peigne d’impulsions de Dirac est un peigne d’impulsions de Dirac.

5 AL1
 La transformée de Fourier du signal echantillonné xe(t) est donc une fonction Xe(f)
périodique, de période Fe=1/Te.
 La TF de la fonction échantillonnée est périodique de période Fe : le spectre de x(t) est
périodisé par l'échantillonnage,
Echantillonner dans l’espace-temps revient à périodiser dans l’espace fréquence

6 AL1
 Fréquence normalisée
 On pose v=fn = f.Te = f/Fe qui appartient à [−1/2, 1/2]

7 AL1
Problème d’échantillonnage
Questions.
 Comment choisir Te ?
 Comment reconstituer le signal x(t) à partir de x(n.Te) ?
 Théorème de Shannon
 Soit un signal réel x(t) à bande limitée B (X(f) = 0 pour |f| > B=Fmax) et soit Fe = 1/Te une
fréquence d’échantillonnage.
 Alors, si B < Fe/2  Fe > 2B, x(t) peut être reconstruit de manière unique à partir de la
suite d’échantillons x(nTe), suivant la formule dite d’interpolation
 Fmax est la fréquence la plus élevée du spectre du signal analogique

8 AL1
9 AL1
Critère de Shannon-Nyquist.
 L’échantillonnage d’un signal a une fréquence fe ne provoque pas de perte d’informations si
et seulement si la fréquence maximale Fmax du signal vérifie la condition :
Le peigne de Dirac, nommé Sha(t) en l’honneur de Mr Shannon

10 AL1
 On peut revenir au signal analogique continu par simple filtrage passe-bas.
Preuve du théorème de Shannon

11 AL1
 Recouvrement fréquentiel (repliement, folding, aliasing)
 Le bon choix de Fe nécessite de bien connaître la valeur de la fréquence maximale Fmax
contenue dans le signal à échantillonner
 Si le support de Xe(f) n’est pas inclus dans [−Fe/2, Fe/2] alors les spectres périodisés
adjacents se superposent. Ce phénomène est appelé le repliement de spectre.
D'après le théorème de Shannon, il faut que Fe soit supérieure à la fréquence la plus élevée,
Fmax.

12 AL1
 En termes de temps, cela signifie que le pas d'échantillonnage Te=1/Fe doit être au moins
inférieur à la moitié de la période.
Le repliement peut faire apparaître sur des systèmes numériques des signaux qui n'existent
pas. de sous échantillonnage qui montre le repliement.

13 AL1
Exemple : Le signal à 40Hz, échantillonné à 50Hz, apparaît comme un signal
de 10 Hz échantillonné à 50Hz.

14 AL1
 Nécessité du filtre de garde
 Si la fréquence d’´échantillonnage est imposée, et afin d’éviter les répliques indésirables dues
au repliement, il est indispensable de filtrer préalablement le signal avant l’opération
d’´échantillonnage proprement dite.
 Filtre passe-bas anti-repliement : La fréquence de coupure est la fréquence de Nyquist Fe/2

15 AL1
 Les divers procédés d’échantillonnage
 L’échantillonnage idéal est réalisé à l’aide d’impulsions de Dirac.
 Dans la pratique, on utilisera des impulsions de durée courte mais finie.
 L’échantillonnage peut donc être modélisé par la multiplication du signal par une suite une
suite d’impulsions distantes de Te et de largeur τ.
 L’amplitude de ces impulsions sera fonction du procédé d’échantillonnage utilisé
1. Naturel : amplitude égale à s(t) pendant la durée tau ,
2. Moyenneur : amplitude égale à la moyenne de x(t) sur l’intervalle tau.
3. Régulier : amplitude constante et égale à x(nTe) pendant la durée tau;

16 AL1
 Echantillonneur réel (Naturel)
Avec cet échantillonneur, le signal Xe(t) suit les variations de x(t) pendant toute la durée de
l’intervalle d’échantillonnage.

17 AL1
 Echantillonneur naturel
La répétition du spectre se fait avec un affaiblissement progressif

Pour se rapprocher d’un échantillonnage idéal, il faut que τ soit le plus petit possible.
 Pour une erreur  =1%, à la limite du théorème de Shannon on obtient (τ < 0.16 Te)
 Dans le cas où τ est du même ordre de grandeur que Te, il faudra Fe>> 2.FMax

18 AL1
 Echantillonneur bloqueur
 Avec un échantillonneur bloqueur, l’amplitude de chaque échantillon est maintenue
constante pendant toute la durée de l’impulsion (τ).

19 AL1
 Le terme en exp(jπfτ) traduit un déphasage entre le signal initial et le signal échantillonné.

20 AL1
 Echantillonneur bloqueur (d’ordre zéro)
 Avec le bloqueur d’ordre zéro (BOZ), on maintient la valeur de l’échantillon sur toute la
période d’échantillonnage donc τ = Te.
 On obtient un signal xe(t) qui se présente comme une suite de paliers, changeant tous les
instants nTe (Extrapolation linéaire de degré 0).
 Les images du spectre du signal analogique issues de l’échantillonnage apparaissent atténuée
par la fonction sin(x)/x
 On note une atténuation de 3,93 dB de l’amplitude du signal à la fréquence de Nyquist

21 AL1
22 AL1
 Reconstruction idéale, filtre de lissage (anti-imaging)
 Extraction du signal initial à partir du signal échantillonné
 Pour reconstituer la continuité du signal, il faut effectuer une interpolation entre deux
instants de discrétisation.

 Connaissant le spectre du signal échantillonné, la restitution consiste à extraire de ce spectre
le spectre de base à l’aide d’un filtrage fréquentiel ou d’un calcul équivalent sur les
échantillons du signal.

23 AL1
 Interpolation idéale
 L’interpolateur parfait consiste à utiliser l’interpolation de Shannon.
 Cette interpolation correspond au filtrage par une fonction fréquentielle de type porte
 Le filtre idéal est non réalisable, car il ne satisfait pas la condition de causalité.

24 AL1
 Reconstruction effective /Filtre de lissage réel
 Il est parfois suffisant de se contenter d'un simple blocage du signal à la sortie du
convertisseur CNA
 et d'appliquer à ce signal bloqué un filtre passe-bas de fréquence de coupure égale à Fe/2
 On peut aussi effectuer une interpolation linéaire entre les échantillons ( déphasage).
 En Automatique, le filtre reconstituant le plus utilisé est le bloqueur d’ordre zéro.

25 AL1
 Restitution par bloqueur
 Dans le cas de la restitution par bloqueur, le spectre du signal initial est déformé de façon
importante par la fonction sinc(.) de pseudo-période Fe

26 AL1
 La reconstruction est loin d'être parfaite. Les fréquences dans le voisinage de Fe/2 sont mal
reconstituées et il y a encore des composantes parasites au-delà de Fe/2
 Un bon compromis dans la reconstruction est d'accepter de retarder le signal à reconstituer
d'une durée L et d'interpoler les signaux avec un fonction sinc(pi.t) tronquée entre –L et +L
et retardée de L.

27 AL1
 La qualité de la reconstruction dépendra alors de la valeur de L, Plus L sera grand, meilleure
sera la reconstruction.

28 AL1
29 AL1
 Principe de la quantification
 La quantification consiste à représenter la valeur instantanée d'un signal par un nombre sur
une échelle possédant un nombre fini de valeurs.
 Quantification  Appliquer aux échantillons d’un signal s(t) un traitement non-linéaire qui
leur fait correspondre une valeur discrète sq(t) ;


30 AL1
 Le signal quantifié sq(t) représente alors le signal s(t) à l'erreur de quantification e(t) près
;
 Le signal e(t) est assimilable à du bruit rajouté au signal par l'opération de quantification
 Le quantum entre 2 valeurs discrètes est appelé échelon de quantification (noté q), si celui-ci
est constant, le quantificateur est dit uniforme.
 En supposant le quantum relativement faible par rapport à la dynamique (plage de valeurs)
du signal, on peut approximer le bruit de quantification (Pe) par la formule suivante :

31 AL1
 Le rapport signal à bruit (S/B) engendré par la quantification :
 Soit, exprimé en décibels :

32 AL1
 Quantification linéaire /non linéaire

33 AL1
34 AL1


35 AL1
36 AL1
37 AL1
B- Analyse fréquentielle des signaux numériques
 Un signal discret est une suite {x[n]} n∈Z. Il ne contient pas intrinsèquement d’unité de
temps.
 S’il est issu d’un échantillonnage : ∀n ∈ Z, x[n] = x(nTe) pour une certaine période
d’échantillonnage Te (ou fréquence Fe = 1/Te). Le signal n’est complètement défini que par
le double donnée {x[n]}
n ∈ Z et Te (ou Fe).
Traitement du Signal Signaux à temps discret Chapitre 2.B.

1 AL1
Modélisation d’un signal discret
Pour les signaux à temps discret, nous utilisons le symbole de Kronecker δn qui est définie par
Exemples :
 Relation d’identité :

2 AL1
Propriétés des signaux discrets
 Energie & Puissance moyenne d’un signal discret
 Corrélation / Autocorrélation d’un signal x(n)
 Produit de convolution
La convolution linéaire entre 2 signaux x (n) et y(n)

3 AL1
Signal discret de support fini
Un signal fini de longueur N, est un vecteur de C^N . On le note x, avec :
 Attention, dans Matlab/Octave, les indices commencent à 1, mais en théorie du signal on les
fait commencer à 0 (origine des temps).
 Limitation d’un signal discret

Extraire un signal fini d’un signal infini
 Si x[n] est un signal infini, on en extrait un signal fini lui “appliquant une fenêtre” =
multiplication par un signal de support fini.

4 AL1
Extension d’un signal discret :
 Si x(n) est un signal discret à support fini, on peut le transformer en signal infini. Deux
manières possibles :
1. Embarquer le signal dans un signal de support infini en ajoutant des zéros à droite et à
gauche : zero-padding.
2. Périodiser le signal (Equivaut à définir un signal sur Z).

5 AL1
 La transformée de Fourier à temps discret (DTFT) est l’extension la plus naturelle de la TF

continue à des signaux discrets (infinis),
Rappels : La transformée de Fourier à temps continu TFTC (CTFT)

6 AL1
De manière équivalente au cas continu, on définit la DTFT d’un signal discret x(n.Te)
échantillonné avec une période Te par :
Avec , ou
 Afin d’éviter toute confusion avec la TF du signal continu, la DTFT est notée
 La transformée de FOURIER à temps discret s'exprime sous la forme normalisée suivante :

7 AL1
 DTFT : Propriétés

8 AL1
 La DTFT d’un signal discret est une fonction périodique de période 2pi (/w)

9 AL1
Formule de Poisson
 Si X(f) est la transformée de Fourier du signal à temps continu x(t), quel que soit Te et quel
que soit le support de X(f), on a

10 AL1
Passage entre la TFTC et la TFTD
Méthode pratique pour passer de TFTC à la TFTD, et inversement :

11 AL1
DTFT usuelles

12 AL1
DTFT du signal rectangulaire (discret)

13 AL1
 Il existe plusieurs termes pour définir la transformée de Fourier de signaux continus et

discrets.
1. Transformée de Fourier : s’applique aux signaux continus apériodiques. Produit un spectre
apériodique.
2. Série de Fourier : s’applique aux signaux continus périodiques. Produit un spectre discret.
Transformée de Fourier à temps discret (DTFT) : s’applique aux signaux discrets apériodiques. Produit
un spectre continu périodique.

14 AL1
3. Transformée de Fourier discrète (DFT) : s’applique aux signaux discrets périodiques. Produit
un spectre discret.
4. Série de Fourier discrète (DFS) : sert d’approximation aux coefficients de la série de Fourier.

15 AL1
La série de Fourier discrète est très semblable à la série de Fourier.
Rappels : Série de Fourier d’un signal T-périodique x(t) :
DSF : Définition
 Soit x(n) un signal discret N-périodique
 Ce signal peut être présenté par une somme
d’exponentiels complexes aux fréquences 2𝜋/𝑁
Note : Pour le cas discret, le nombre de sinusoïdes qui
constituent un signal est fini

16 AL1
.

17 AL1
 Dans le cas d'un système physique, l'acquisition et le calcul ne peuvent se faire avec un
nombre infini d'échantillons.
 La seule transformée qui s’applique aux problèmes de traitement de signaux est la
transformée de Fourier discrète (DFT).
DFT : Définition
 Pour des raisons pratiques, le nombre d'échantillons temporels N, et le nombre
d'échantillons calculés sur la transformée de Fourier sont identiques (n et k varie de 0 à N-1).

18 AL1
Relation entre la DSF et la DFT
 (𝑘) =Spectre discret  Caractérisation d’un signal périodique  x(n) peut être considéré
comme une séquence périodique de période 𝑁 ∶ x(n) = x(n - r.𝑁)
 Un signal périodique possède une décomposition en série de Fourier :
Avec

19 AL1
20 AL1
Relation entre la DTFT et la DFT
 Dans le cas d'un système physique, l'acquisition et le calcul ne peuvent se faire avec un nombre
infini d'échantillons.
 Afin de pouvoir calculer numériquement un spectre, il est évidemment nécessaire de
discrétiser la fréquence.

21 AL1
 Matlab : Echantillonnage fréquentiel
fft(ifftshift(x))  n  [-N/2…N/2-1], k [0…N-1]
fftshift(fft(x))  n [0…N-1], k  [-N/2…N/2-1]
fftshift(fft(fftshift(x)))  n  [-N/2 N/2-1], k [-N/2…N/2-1]
ifft(ifftshift(X))  n [0…N-1], k  [-N/2…N/2-1]

22 AL1
TFD : Récapitulation

23 AL1
24 AL1
Double échantillonnage
 En échantillonnant un signal x(t) dans le domaine temporel, on «périodise » son spectre.
 De même en échantillonnant le spectre X(f) on « périodise » le signal x(t) (dans le domaine
temporel).
 Tout se passe comme si la durée d’acquisition/Observation To=N.Te correspondait à une
période du signal temporel x[n.Te]

25 AL1
 Si ∆f > 1/T  M <N : La résolution spectrale ∆f est trop grande. On a un recouvrement dans
le domaine temporel.
 ∆f < 1/T : Il n’y aura plus de repliement temporel, mais des intervalles durant lesquels le
signal dont on calcule le spectre sera nul
 ∆f = 1/T : On a un signal périodique idéal. On périodise la fenêtre temporelle choisie avant le
calcul spectral.
 En pratique, on choisira donc toujours ∆f de telle sorte à avoir
∆f = 1/T.  M=N

26 AL1
Les relations peuvent se traduire par les propriétés suivantes :
1. L’incrément fréquentiel df est l’inverse de la durée temporelle T.
2. La période spectrale maximale = fe est l’inverse de l’incrément temporel Te.
3. Le domaine d’analyse spectrale est limité par la fréquence de Nyquist Fe/2
4. Pour un nombre donné de points N, il n’est pas possible d’avoir simultanément une très
bonne définition temporelle (Te petit) et une très bonne définition fréquentielle (df
petit).

27 AL1
Précision
 La précision, ou aptitude à mesurer une valeur du spectre X(f).
 La précision de l'analyse est donnée par le pas d'échantillonnage en fréquence.
Ajout de zéro en temps Interpolation en fréquence

Ne change rien au pouvoir séparateur, mais absolument nécessaire!!

28 AL1
Résolution
On appelle résolution fréquentielle le plus petit écart entre deux fréquences discernables.
La résolution est l’aptitude à distinguer deux fréquences voisines dans le spectre X(f).
La résolution est liée au nombre de points du signal et à la forme de la

fenêtre.
Le traitement numérique introduit :
1. Un repliement éventuel, dû à l’opération d’échantillonnage,
2. Des ondulations dues à la durée finie d’observation et dont la pseudo-période est 1/N si N
d´désigne le nombre d’instants d’observation
3. Une précision d’affichage due à la discrétisation de la fréquence

29 AL1
30 AL1
 Le nombre d’opérations nécessaires rend le calcul de la TFD difficilement utilisable dans la
pratique.

 N² multiplications (’×’) complexes et N.(N − 1) additions (’+’) complexe
 Il existe plusieurs méthodes pour calculer la DFT, mais la plus rapide est la FFT.
 Sans la FFT, plusieurs techniques de traitement de signal ne seraient pas pratiques.
 La FFT est comme le transistor du traitement de signal.

31 AL1
TFD : Formulation matricielle
On peut exprimer la DFT sous forme matricielle :

32 AL1
Principe : Transformée de Fourier récursive
 On optimise la DFT en exploitant certaines propriétés.
 Choisir une valeur de N qui est le produit de plusieurs petits chiffres.
 Décimation des indices : On accélère le calcul si on sépare le signal en composantes paires et

impaires.
 Utilisation du principe : diviser pour mieux régner limiter le nombre d’opérations
(additions, multiplications).

33 AL1
La DFT de deux échantillons est une opération simple :

34 AL1
Algorithmes de Cooley-Tukey.
 Il existe différents algorithmes de FFT. Le plus connu est sûrement celui de Cooley-Tukey
(appelé aussi à entrelacement temporel ou à « decimation in time »)
 Il existe aussi un algorithme symétrique appelé FFT avec entrelacement fréquentiel

35 AL1
36 AL1
 Nous voyons que la transformée de Fourier de taille N est devenue la somme de deux
transformées de Fourier de taille N/2.

37 AL1
Si le calcul de départ prenait opérations, maintenant il ne nécessite plus que :
 L’ensemble des calculs ne nécessitant plus que opérations ce qui peut être
100 fois moins lourd..
Voici une représentation graphique de ces calculs.

38 AL1
 L'architecture de la DFT 2 points est dite en "papillon" ou "twiddle factor" ou encore
"radix 2" comme l'illustre la structure de calcul ci-dessous:
Ce calcul ne fait appel à aucune multiplication. Il représente le terme de base de de l'algorithme FFT.

39 AL1
40 AL1
A- Signaux discrets
 Un signal discret est une suite {x[n]} n ∈ Z. Il ne contient pas intrinsèquement d’unité de temps.
 S’il est issu d’un échantillonnage : ∀n ∈ Z, x[n] = x(nTe) pour une certaine période d’échantillonnage
Te=1/Fe.
 Le signal n’est complètement défini que par le double donnée {x[n]} n ∈ Z et Te (ou Fe).
Modélisation d’un signal discret
 Un signal fini de longueur N, est un vecteur de C^N . On le note x, avec :
 Pour les signaux à temps discret, nous utilisons le symbole de Kronecker δn (Par un abus
de langage, appelé aussi une impulsion de Dirac) q
Symbole de Kronecker

1 AL1
Propriétés des signaux discrets
Relation d’identité Energie E Puissance moyenne
Corrélation
Propriétés
Convolution linéaire

2 AL1
Extension d’un signal discret :
Si x(n) est un signal discret à support fini, on peut
le transformer en signal infini. Deux manières
possibles :
3. Embarquer le signal dans un signal de
support infini en ajoutant des zéros à droite
et à gauche: zero-padding. ZPadding sert
aussi à rallonger le signal en un signal fini
plus long.
4. Périodiser le signal (Equivaut à définir un
signal sur Z).

3 AL1
B- Analyse fréquentielle des signaux discrets

 Il existe plusieurs termes pour définir la transformée de Fourier de signaux continus et
discrets.
1. Transformée de Fourier : s’applique aux signaux continus apériodiques. Produit un spectre
apériodique.
2. Série de Fourier : s’applique aux signaux continus périodiques. Produit un spectre discret.
3. Transformée de Fourier à temps discret (DTFT) : s’applique aux signaux discrets
apériodiques. Produit un spectre continu périodique.
4. Transformée de Fourier discrète (DFT) : s’applique aux signaux discrets périodiques. Produit
un spectre discret.
5. Série de Fourier discrète (DFS) : sert d’approximation aux coefficients de la série de Fourier.

4 AL1
Rappels : La transformée de Fourier à temps continu TFTC (CTFT)
Formule de Poisson
 Si X(f) est la transformée de Fourier du signal à temps continu x(t), quel que soit Te=T et
quel que soit le support de X(f), on a
 La transformée de Fourier à temps discret (DTFT) est l’extension la plus naturelle de la TF

continue à des signaux discrets (infinis),

5 AL1
 De manière équivalente au cas continu, on définit la DTFT d’un signal discret x(n.Te)
échantillonné avec une période Te par :

6 AL1
 La TFTD d'un signal échantillonné est une combinaison linéaire d'exponentielles complexes
pondérées par la valeur des échantillons
 Afin d’éviter toute confusion avec la TF du signal continu, la DTFT est notée
 La transformée de FOURIER à temps discret s'exprime sous la forme normalisée suivante :
Avec , ou

7 AL1
 DTFT : Propriétés
 La DTFT d’un signal discret est une fonction périodique de période 2pi (/w)
Passage : TFTC  TFTD

Méthode pratique pour passer de TFTC à la TFTD, et inversement :

8 AL1
9 AL1
DTFT usuelles

10 AL1
DTFT du signal x(n)=Rect(n,N)

11 AL1
12 AL1
De la TF à la TFD

13 AL1
La série de Fourier discrète est très semblable à la série de Fourier.
Rappels : Série de Fourier d’un signal T-périodique x(t) :
 Soit x(n) un signal discret N-périodique

 Ce signal peut être présenté par une somme
d’exponentiels complexes aux fréquences 2𝜋/𝑁
Note : Pour le cas discret, le nombre de sinusoïdes qui
constituent un signal est fini

14 AL1
.

15 AL1
 Dans le cas d'un système physique, l'acquisition et le calcul ne peuvent se faire avec un
nombre infini d'échantillons.
 La seule transformée qui s’applique aux problèmes de traitement de signaux est la
transformée de Fourier discrète (DFT).
DFT : Définition
 Pour des raisons pratiques, le nombre d'échantillons temporels N, et le nombre
d'échantillons calculés sur la transformée de Fourier sont identiques (n et k varie de 0 à N-1).

16 AL1
Relation entre la DSF et la DFT
 (𝑘) =Spectre discret  Caractérisation d’un signal périodique  x(n) peut être considéré
comme une séquence périodique de période 𝑁 ∶ x(n) = x(n - r.𝑁)
 Un signal périodique possède une décomposition en série de Fourier :
Avec

17 AL1
18 AL1
19 AL1
Relation entre la DTFT et la DFT
 Dans le cas d'un système physique, l'acquisition et le calcul ne peuvent se faire avec un nombre
infini d'échantillons.
 Afin de pouvoir calculer numériquement un spectre, il est évidemment nécessaire de
discrétiser la fréquence.


20 AL1
 Matlab : Echantillonnage fréquentiel
fft(ifftshift(x))  n  [-N/2…N/2-1], k [0…N-1]
fftshift(fft(x))  n [0…N-1], k  [-N/2…N/2-1]
fftshift(fft(fftshift(x)))  n  [-N/2 N/2-1], k [-N/2…N/2-1]
ifft(ifftshift(X))  n [0…N-1], k  [-N/2…N/2-1]

21 AL1
Relations temps-fréquence
 En échantillonnant un signal x(t) dans le domaine temporel, on «périodise » son spectre.
 De même en échantillonnant le spectre X(f) on « périodise » le signal x(t) (dans le domaine
temporel).
 Tout se passe comme si la durée d’acquisition/Observation To=N.Te correspondait à une
période du signal temporel x[n.Te]

22 AL1
 Si ∆f > 1/T  M <N : La résolution spectrale ∆f est trop grande. On a un recouvrement dans
le domaine temporel.
 ∆f < 1/T : Il n’y aura plus de repliement temporel, mais des intervalles durant lesquels le
signal dont on calcule le spectre sera nul
 ∆f = 1/T : On a un signal périodique idéal. On périodise la fenêtre temporelle choisie avant le
calcul spectral.
 En pratique, on choisira donc toujours ∆f de telle sorte à avoir
∆f = 1/T.  M=N

23 AL1
Les relations peuvent se traduire par les propriétés suivantes :
1. L’incrément fréquentiel df est l’inverse de la durée temporelle T.
2. La période spectrale maximale = Fe est l’inverse de l’incrément temporel Te.
3. Le domaine d’analyse spectrale est limité par la fréquence de Nyquist Fe/2
4. Pour un nombre donné de points N, il n’est pas possible d’avoir simultanément une très
bonne définition temporelle (Te petit) et une très bonne définition fréquentielle (df
petit).

24 AL1
Précision
 La précision, ou aptitude à mesurer une valeur du spectre X(f).
 La précision de l'analyse est donnée par le pas d'échantillonnage en fréquence.
Le zero-padding du signal /Avant T.F.D.

 Pour observer un « beau » signal x(n) temporel, on a intérêt à ce que Te << Tobs mais si Te << Tobs
alors 1/Te sera trop grand par rapport à 1/Tobs et l’œil aura du mal à interpoler le graphe fréquentiel.
 Pour améliorer le graphe fréquentiel on peut rajouter des 0 à la suite x(n), on ne change rien au résultat
mais on augmente Tobs/Te. On appelle cette opération « zero-padding »
Ajout de zéro en temps Interpolation en fréquence

Ne change rien au pouvoir séparateur, mais absolument nécessaire!!

25 AL1
Application : Calcul numérique de la convolution (linéaire) par FTT/IFF
 Le produit de deux TFD est équivalent à la convolution circulaire des séquences de départ.
 La convolution circulaire implique que les deux séquences soient de même longueur
 Le résultat du produit de convolution circulaire est identique à celui du produit de

convolution linéaire si les deux séquences sont complétées par des zéros de façon à former
des séquences de N+M -1 valeurs.

26 AL1
27 AL1
Résolution
On appelle résolution fréquentielle le plus petit écart entre deux fréquences discernables.
La résolution est l’aptitude à distinguer deux fréquences voisines dans le spectre X(f).
 La résolution fréquentielle du signal filtré par une fenêtre est limitée par la largeur du pic
principal.
 L'augmentation de la durée de la fenêtre d'acquisition permet d'améliorer la finesse des raies, mais ne
réduit pas la hauteur des lobes secondaires.
La résolution est liée au nombre de points du signal et à la forme de la
fenêtre.

28 AL1
Fenêtrage
 Un spectre échantillonné (TFD) donne lieu à un signal temporel périodisé.
 S’il n’est pas possible de choisir un multiple entier de périodes comme durée
d’acquisition, le spectre discret sera incorrect.
 Ce sont les discontinuités en début et fin d’enregistrement qui sont sources des erreurs.
 Pour éviter cela, il faut diminuer l’influence des extrémités de l’enregistrement. C’est le
rôle des fenêtres de filtrage (Affaiblir le poids des échantillons du début et de la fin de
l'acquisition).
 Pratiquement, l’échantillon de rang n est multiplié par la valeur du coefficient fenêtre de
rang n.

29 AL1
 La fenêtre idéale entraînerait une largeur de lobe principale nulle et pas de lobes
secondaires.
 La fenêtre naturelle (rectangulaire) est celle qui conserve les échantillons tels quels. Ce
n’est qu’un choix possible. Elle introduit une discontinuité a priori préjudiciable.
 Il existe dans la littérature de nombreuses fenêtres de profil varié (triangulaire,
Hamming, Hanning, parabolique, cosinusoïdale, Blackman, Kaiser, Harris, etc.).

30 AL1
 Le maximum des pics secondaires est normalisé par rapport au maximum du spectre.
 De manière générale, la largeur du lobe principal est inversement proportionnelle à la
durée temporelle de la fenêtre
 Il n'y a pas de solution miracle. Le choix d'un fenêtrage s'effectue en fonction des
caractéristiques du signal à analyser.
 Le problème de l'analyse spectrale par FFT est fort complexe et trouve souvent solution
par le biais de compromis.

31 AL1
Exemple : Influence de la fenêtre de pondération
Signal constitué de deux sinusoïdes échantillonnées à 1000Hz.

32 AL1
33 AL1
Transformée de Fourier à cour t-terme (STFT)
 Comme l’analyse en fréquence est une opération qui effectue une moyenne sur tout l’axe
du temps, certains aspects temporels peuvent être complètement cachés.
 Il peut alors être intéressant de découper le signal en tranches, pour faire apparaître
l’ordonnancement de portions du signal. On parle alors de transformée de Fourier à cour
tterme (STFT : short term Fourier Transform) .
 On constate cependant toujours que le découpage en tranches plus petites augmente la
ré solution temporelle, mais diminue la résolution fréquentielle.

34 AL1
 Le nombre d’opérations
nécessaires rend le calcul
de la TFD difficilement
utilisable dans la pratique.
 N² multiplications (’×’) complexes et N.(N − 1) additions (’+’) complexe

 Il existe plusieurs méthodes pour calculer la DFT, mais la plus rapide est la FFT.
 Sans la FFT, plusieurs techniques de traitement de signal ne seraient pas pratiques.
 La FFT est comme le transistor du traitement de signal.

35 AL1
TFD : Formulation matricielle
On peut exprimer la DFT sous forme matricielle :

36 AL1
Principe : Transformée de Fourier récursive
 On optimise la DFT en exploitant certaines propriétés.
 Choisir une valeur de N qui est le produit de plusieurs petits chiffres.
 Décimation des indices : On accélère le calcul si on sépare le signal en composantes paires et

impaires.
 Utilisation du principe : Diviser pour mieux régner limiter le nombre d’opérations
(additions, multiplications).

37 AL1
La DFT de deux échantillons est une opération simple :

38 AL1
Algorithmes de Cooley-Tukey.
 Il existe différents algorithmes de FFT. Le plus connu est sûrement celui de Cooley-Tukey
(appelé aussi à entrelacement temporel ou à « decimation in time »)

39 AL1
 Nous voyons que la transformée de Fourier de taille N est devenue la somme de deux
transformées de Fourier de taille N/2.
Si le calcul de départ prenait opérations, maintenant il ne nécessite plus que :

40 AL1
 L’ensemble des calculs ne
nécessitant plus que :
opérations ce
qui peut être 100 fois moins
lourd.
 L'architecture de la DFT 2
points est dite en "papillon"
ou "twiddle factor" ou encore
"radix 2" comme l'illustre la
structure de calcul ci-dessous:
Ce calcul ne fait appel à aucune multiplication. Il représente le terme de base de de l'algorithme FFT.

41 AL1
 Inversion binaire des indices :
 L’ordre final des indices correspond à une lecture à l’envers des nombres en binaire (bit-
reverse)

42 AL1
 Autres Algorithmes FFT
 Il existe aussi un algorithme symétrique appelé FFT avec entrelacement fréquentiel

43 AL1
 L’algorithme est généralisable à une base quelconque b ∈ N+ et même à une combinaison de plusieurs
bases. En général, les bases qui permettent de reconstituer N sont choisies parmi les nombres premiers.
 Le cas le plus favorable est, bien entendu, celui pour lequel N est une puissance de 2

44 AL1
 La DCT
 La transformée en cosinus (DCT), utilisée en codage de sons et d'images, n'est qu'un cas
particulier de DFT où on construit à partir d'un signal x(n) de longueur N un signal y(n)
de longueur 4N symétrique dont les échantillons d'ordre pair sont nuls :

45 AL1
46 AL1
Le traitement numérique introduit :
1. Un repliement éventuel, dû à l’opération d’échantillonnage,
2. Des ondulations dues à la durée finie d’observation et dont la pseudo-période est 1/N si N
désigne le nombre d’instants d’observation
3. Une précision d’affichage due à la discrétisation de la fréquence

47 AL1
48 AL1
 Pour l’essentiel, en traitement du signal numérique, la TFD est la seule transformée de Fourier qui
existe. De toute manière, c’est la seule qui existe dans Matlab.
It's better to solve the right problem approximately
than to solve the wrong problem exactly.
John Tukey

49 AL1
C- La transformée en Z,
 La transformée en z constitue l’outil privilégie pour l’étude des systèmes discrets.

 La transformée en z joue un rôle équivalent à celui de la transformée de Laplace.
 La transformé en z peut être considéré comme une généralisation de la transformation de
Fourier.
Traitement du Signal Signaux et systèmes Chapitre 2.C. 2

Ecole Nationale Polytechnique / ABDELOUEL Transformée en Z AL1
Historique de la TZ

 Il est possible de faire un parallèle entre le rôle de la transformée en Z pour les signaux
numériques et celui de la transformée de Laplace pour les signaux continus :

Soit un signal discret x(n), et X(z) une fonction complexe de la variable z.
TZ bilatérale TZ Unilatérale
 La transformée unilatérale est une transformée pour les signaux causals, ou x[n]=0 pour n <0.
notation notation
Remarque : Par abus de langage, on écrit souvent X z   Z x t   Z X  p 
Représente un retard de Te secondes (soit un échantillon)
 La transformée en Z manipule des échantillons avec plus ou moins de retard.

Exemples
TZ Bilatérale
TZ Unilatérale
 La TZ unilatérale ne donne aucune information sur x2[n] pour n<0
 Pour les signaux causaux, qui seront majoritairement utilisés en traitement du signal, les deux
transformées sont identiques.
 En Automatique, on utilise souvent la version unilatérale. Elle permet de faire apparaître,
dans les transformées, les conditions initiales.

Le plan des transformées
 La transformé en z peut être considéré comme une généralisation de la transformation de

Fourier laquelle elle peut s'identifier dans un cas particulier

 La valeur de la transformée de Fourier du signal échantillonné est donnée par la valeur de
sa transformée en Z sur le cercle unité

Pôles et zéros
 Tous signal x(k) dont la transformée en Z est rationnelle peut être représenté dans le plan des Z
 Transformée en z sous forme rationnelle
 Les zéros de X(z), sont les racines de N(z), mettent X(z) à zéro.
 Les pôles de X(z), sont les racines de D(z), mettent X(z) à l’infini.
Traitement du Signal Signaux et systèmes Chapitre 2.C.

10 AL1
Ecole Nationale Polytechnique / ABDELOUEL Transformée en Z
Région de convergence (ROC)
 La région de convergence d’une transformée en z est un concept très important pour
plusieurs raisons :
 Si on ne spécifie pas la ROC, il n’existe pas de relation unique entre une séquence et sa TZ.
 Si on connaît la TZ d’une séquence, sa DTFT peut être obtenue en évaluant la TZ sur le cercle
unité, si celui-ci appartient à la zone de convergence
La TZ n’a de sens que si l’on
précise le domaine des valeurs
de z pour lesquelles la série
existe.
Signal causal :
 Pour une séquence causale« définie à droite» : ROC est la zone à l’extérieur du cercle qui
passe par le pôle dont le module est le plus grand
 La TZ converge en général dans un anneau du plan complexe
 La ROC d’une TZ rationnelle est bornée par la position de ses pôles.
 Aucun pôle ne peut se trouver dans la ROC d’une TZ rationnelle.

11 AL1
Région de convergence pour les séquences finies

12 AL1
13 AL1
 La connaissance des propriétés de la transformée en z est souvent nécessaire pour calculer
l’expression de la TZ.
 Le plus souvent on possède la transformée de Laplace du système. On procède à une
décomposition en éléments simples puis, à l'aide des tables, on obtient la transformée en z

14 AL1
On représente schématiquement l'opérateur retard
 On peut appliquer aux signaux à temps discret des opérations de décalage temporel, de
multiplication par un scalaire, de somme, de produit et de convolution.

15 AL1
Propriété du retard
Si x(n) a pour transformée X(Z) alors

16 AL1
Propriétés de la TZ unilatérale
 Les propriétés qui changent sont les propriétés de déphasage.
 On ajoute aussi deux nouvelles propriétés, le théorème de la valeur initiale et le théorème de la

valeur finale

17 AL1
 Il s'agit, le plus souvent de revenir à l'original temporel, soit pour tracer la sortie d'un système
échantillonné soit pour retrouver l'équation récurrente, d'un correcteur pour l'implanter dans le
calculateur
 La définition formelle de la transformée en z inverse est :
où Γ représente un contour d’intégration
(en sens horaire) qui renferme l’origine.
 où sont les pôles de la

fonction de transfert X(z)
 Si le pôle a est un pôle simple d'ordre k

18 AL1
Exemple :
 NB. Il est primordial d’exprimer X(z) comme une fonction rationnelle de z afin de ne pas
omettre de zéros ou de pôles (en z= 0 en particulier).
 Il existe des méthodes plus faciles pour trouver la transformée inverse.

19 AL1
 Forme polynomiale
 Pour des séquences finies, X(z) a une forme polynomiale qui donne directement la transformée
inverse.
 Développer X(z) en série entière de 1/z en utilisant les tables de séries entières.
 Division polynomiale /Longue division :
Si X(z) est une fonction rationnelle :
On peut utiliser la longue Exemple :
division pour obtenir la séquence
X(z) :

20 AL1
 Expansion en fractions partielles
Si X(z) est une fraction rationnelle N(p)/D(p), il suffit de la décomposer en fractions simples et
d’utiliser la propriété de linéarité et les tables de transformées usuelles de la transformée en Z.
Procédure
 On décomposer en fractions simples la transformée de W(z)=X(z)/z
 On multiplie par z à la fin pour obtenir X(z) de nouveau :
 On utilise enfin les tables de transformées pour déterminer l’expression de x(n).

21 AL1
La Transformée en Z : Un formalisme adapté au filtrage et à l’analyse en fréquence
des signaux échantillonnés et à l’automatique numérique
La relation entrée-sortie d'un système LIT est déterminée par le produit de convolution :

22 AL1
On peut décrire des systèmes échantillonnés linéaires invariants :
Par équation aux différences (obtenue par la discrétisation de l’équation différentielle)
Par transformation en Z : Fonction de transfert H(z)

23 AL1
Réponse temporelle d’un SLD
Systèmes décrits par une fonction de transfert
Pour trouver la réponse (sortie y(n)) du système à un
signal d’entrée x(n)
 On transforme x[n] pour obtenir X(z)
 On calcule Y(z)=H(z).X(z)
 On calcule la transformée en z inverse de Y(z)
pour obtenir y[n]
Systèmes décrits par une équation aux différences:
Cette équation donne la sortie du système en
fonction des échantillons présent et passés du
signal d'entrée ainsi que des échantillons
précédents de la sortie.
Principe de résolution :
 On transforme l’équation dans le domaine de z
 On isole Y(z)
 On calcule la transformée en z inverse de Y(z)
pour obtenir la solution de l'équation aux
différences dans le domaine temporel y[n].
Exemple d'équation aux différences : y(n) – a.y(n-1) = u(n)

24 AL1
25 AL1
Réponse fréquentielle d’un SLD
La réponse en fréquence peut être obtenue à partir de la fonction de transfert H(z)

26 AL1
Causalité dans le domaine z
Un système LIT (linéaire invariant dans le temps) est causal si:
La causalité se traduit pour la transformée en z par

 Si H(z) n’est pas fractionnelle, elle ne doit pas contenir des puissances positives en z.
 Si H(z) est fractionnelle, le degré du numérateur ne doit pas être plus élevé que le degré du
dénominateur,

27 AL1
Stabilité dans le domaine de z
 La stabilité est un critère important dans le design de systèmes.
 Système LIT stable : la réponse impulsionnelle h[n] doit être absolument sommable.
 Système LIT stable : Le cercle |z|=1 est dans le domaine de convergence (ROC)
 La ROC d’un système stable doit toujours inclure le cercle de rayon unitaire.
 La stabilité d’un système (causal) exige que les pôles de la fonction de transfert H(z) soient à
l’intérieur du cercle unité du plan z

28 AL1
Transposition d'un modèle continu en discret
 On connaît H(p). Comment en déduire H(z) ?
 L'équivalent discret H(z) d'une fonction de transfert continue H(p) peut être calculé en
remplaçant p dans fonction de transfert du système H(p) une expression approchée p=f(z)

29 AL1
Approximation du rectangle inférieur Approximation du rectangle supérieur :
Approximation peu employée en automatique Le demi-plan gauche en p est transposé dans le

La méthode ne préserve pas la stabilité de la plan de pôles en z en une zone située à
fonction de transfert. l'intérieur du cercle unitaire

30 AL1
 Transformation bilinéaire (Méthode de Tustin)
 L'approximation trapézoïdale préserve la stabilité de
la fonction de transfert.
 Le demi-plan gauche en p est transposé dans le cercle
unitaire dans le plan de pôles en z.
 Bonne approximation discrète du comportement d'un
système continu
 Toutefois, il y a une distorsion des fréquences, car tout

l'axe des imaginaires en p est transposé sur le cercle
unité sans introduire de périodicité

31 AL1
 Relation non-linéaire entre les pulsations analogique ω et numérique Ω
 Transformation bilinéaire simple : C=2/T, T=Te
La distorsion de l'échelle des fréquences est d'autant

plus forte que l'on s'approche de la fréquence de
Nyquist.

32 AL1
Approximation bilinéaire avec ajustement fréquentiel
 ω0 : Pulsation de référence pour laquelle on veut faire coïncider les réponses fréquentielles
analogique et numérique
Approximation bilinéaire avec ajustement 

33 AL1
TZ d’un système précédé par un BOZ
 Le bloqueur d’ordre 0 (”Zero Order
Hold”) permet de passer d’un signal
numérique échantillonné, à un
signal analogique continu par
morceaux.
 Par souci de simplification
d’écriture nous écrirons :

34 AL1
Cours : Systèmes Asservis Échantillonnés
 Les synthèses de correcteurs numériques conduisent souvent à des correcteurs non causaux
et/ ou instables, il faut donc systématiquement vérifier : la causalité et la stabilité

35 AL1
NB.

36 AL1
 Le comportement d’un filtre est défini par l’étude fréquentielle de la fonction de transfert
entre le signal de sortie et le signal d’entrée du filtre
 Synthèse directe en z : Recherche de G(z) correspondant aux spécifications G(f) : (gabarit)
 La TZ inverse permet de déterminer la réponse impulsionnelle du filtre discret:

37 AL1
 Il existe deux grandes familles de filtres numériques :
 Les filtres RIF (réponse impulsionnelle finie) obtenus par filtrage passe-bas. Il n’y a pas
d’équivalent analogique
 Les filtres RII (réponse impulsionnelle infinie) ou système récursifs obtenus par
transposition analogique numérique
 Sans perte de généralité, on peut poser N=M

38 AL1
 Le filtrage est peut-être la technique du traitement du signal la plus connue et la plus
utilisée de toutes. Ce sujet fera donc l'objet d’une étude plus détaillée dans le chapitre
TP/Applications.

39 AL1
40 AL1
Ensemble des transformations

41 AL1
42 AL1
43 AL1
44 AL1
45 AL1
Signaux et processus aléatoires1
 Bien souvent, les résultats de la théorie du traitement des signaux déterministes n’est pas
suffisante pour aborder certains problèmes, d’où l’idée d’utiliser la théorie des signaux et
processus aléatoires pour décrire certains phénomènes.
1
Prérequis : Disposer du cadre de travail mathématique de la théorie des probabilités /statistiques
Traitement du Signal Signaux Aléatoires Chapitre 3
2 AL1
Ecole Nationale Polytechnique / ABDELOUEL Notions de base
 Notion d’événement et de probabilité
 Probabilités —> étude des phénomènes aléatoires i.e. non prédictibles, liés au hasard
 Expérience aléatoire EA —>
 Une expérience où le résultat ne peut être prévu à l’avance,
 Une expérience dont on peut décrire les résultats possibles à priori, sans être
capable de déterminer à l'avance celui qui se produira.
 Univers de l’EA : ensemble de tous les résultats possibles (réalisations) d’une expérience
aléatoire
Ω = {ω1, ω2, . . . }. En ingénierie, Ω n’est pas une collection dénombrable.
Evénement aléatoire : Un sous-ensemble de Ω dont on peut dire au vu de l’expérience s’il est
réalisé ou non. Exemple: Suite infinie de lancers de pile ou face, avec la convention 0 = pile, 1
= face

3 AL1
 Probabilité : Ensemble de règles permettant de déterminer le pourcentage des chances de
réalisation d’un événement.
 Probabilité conditionnelle P(A/B) : Probabilité que l'événement A soit réalisé sachant que B est
réalisé
 Une suite (An) d'événements est dite indépendante si :

4 AL1
 Variable aléatoire
 Une variable aléatoire est une application qui crée une relation entre un espace probabilisé et
un espace mesurable Un moyen de décrire de façon numérique les résultats d’une
expérience aléatoire.
1. Variable aléatoire discrète (V.A.D.) : Lorsque l’ensemble des résultats est un ensemble
fini ou infini dénombrable;
2. Variable aléatoire continue (V.A.C.) : Lorsque l’ensemble des résultats est un intervalle
de nombres réels ou une suite d’intervalles: Poids, température, temps, distance, etc.
 Exemple : Somme des résultats du lancer de deux dès :

5 AL1
 Loi de probabilité
 Loi de probabilité : Caractérisation d'un phénomène aléatoire.
Pour un couple de VA X et Y :
 Les lois les plus souvent observées

6 AL1
 f(x):confiance que la grandeur X prendra la valeur x
 La loi de probabilité gaussienne est importante dans la mesure où elle garde son
caractère gaussien dans toute opération linéaire : convolution, filtrage, dérivation,
intégration.
 En d’autres termes, si l’entrée d’un système linéaire est gaussienne, sa sortie est
gaussienne.

7 AL1
 Fonction de répartition
La fonction de répartition correspond à la distribution des probabilités cumulées :
 La fonction de répartition est une fonction monotone croissante, partant de 0 pour x→-∞
et atteignant 1 pour x→+∞.

8 AL1
Représentation Paramétrique

9 AL1
 Espérance mathématique
 On appelle espérance mathématique
d’une V.A, l’opérateur qui, à une
fonction f(X), fait correspondre un
nombre donné par :
 L’espérance mathématique est une moyenne pondérée de f(x), la fonction de poids étant la
densité de probabilité.

10 AL1
 Moments statistiques:
Soit la variable aléatoire X (continue/discrète) de distribution p(x)/pi=P(X=xi):

11 AL1
 Le cas particulier réellement important est le cas où k= 2. Le moment centré d’ordre 2 s’appelle
variance.
 La variance, souvent notée par σ^2, permet d’apprécier la dispersion des réalisations autour
de la valeur moyenne. La grandeur σ appelée écart-type ou encore écart moyen de X, présente
l’intérêt d’avoir la même dimension que x

12 AL1
 Covariance
 Soient X et Y deux variables aléatoires, alors la covariance cov(X; Y) notée parfois Cxy est
donnée par .
VAD

13 AL1
 Coefficient de corrélation

Dans le cas de deux VAD
La covariance et le coefficient de corrélation sont des mesures de liaison linéaire entre deux
variables aléatoires

14 AL1
 Matrice de covariance :
Dans le cas de plusieurs variables, on peut calculer les covariances de chaque couple de
variables puis les indiquer dans un matrice carré, et symétrique.
Une matrice de covariance est toujours symétrique.

15 AL1
 Fonction caractéristique :
 Etant donnée une variable aléatoire réelle X,
 On appelle fonction caractéristique d’une variable aléatoire réelle X, la fonction définie par :

16 AL1
 Transformée de LAPLACE:
 On appelle Transformée de LAPLACE de X
La TL est appelée fonction génératrice des

moments :

17 AL1
 Annexe : Récapitulatif des lois usuelles
VAC VAD
)
m=E(X)= ∑i=1n xiP(X=xi)
µ2=E(X2)=
var(X) = = E(X2)−E(X)2

18 AL1
19 AL1
Traitement des signaux aléatoires
« Si l’on sait exactement ce que l’on va faire, à quoi bon le faire? » (Pablo Picasso)
 Le caractère aléatoire d’un signal peut être lié à différentes situations :

 Le bruit (variabilité) observé sur certaines classes de signaux déterministes, qui peut être
identifié à une composante aléatoire : Tous les systèmes technologiques délivrent des
signaux bruités.
 Modèle incomplet : Aucun modèle mathématique ne peut représenter exactement la
réalité. On peut parfois considérer la partie non modélisée comme aléatoire ;
 Approche probabiliste du monde (mécanique quantique)

20 AL1
Processus stochastique
 Un processus aléatoire est
o Un phénomène temporel où il intervint le hasard.
o Caractérisé par ses réalisations successives.
 Un processus aléatoire PA est défini
comme une fonction :
 Du temps
 Des épreuves aléatoires, d’une
expérience aléatoire (espace de
proba-bilité)

21 AL1
 Exemple : Bruit thermique (de Johnson ou de Nyquist)
dans un ensemble de résistances R={Ri , i = 1,N} de même valeur ohmique :
 Même phénomène physique à l’origine du signal  lois statistiques communes

 Selon que les variables (t,w) sont continus ou discrètes, on parle de processus aléatoires
continus ou discrets
1. processus aléatoires à temps continu (fonctions aléatoires) ;
2. processus aléatoires à temps discrets (séquences ou suites aléatoires).

22 AL1
Processus/ signaux aléatoires
temps w X(t,w)
fixe fixe un nombre
fixe variable une variable aléatoire
variable fixe un signal aléatoire (réalisation)
variable variable un processus aléatoire
 Selon que les variables t et  sont continues ou discrètes, on parle de processus aléatoires continus ou
discrets comme suit :
temps VA. w X(t,w)
continu continue processus aléatoire continu
continu discrète processus aléatoire discret
discret continue séquence aléatoire continue
discret discrète séquence aléatoire discrète
 Un processus stochastique est une collection de variables aléatoires indexées

23 AL1
Signaux aléatoires
 C'est les réalisations du processus, pour une épreuve aléatoire donnée, qui constitue le signal
aléatoire, SA.
SA xi (t ) = X (t , i )

24 AL1
Par convention, un signal aléatoire x i (t ) est considéré comme un signal à puissance
moyenne finie.
 Les signaux aléatoires, comme les signaux déterministes peuvent servir de support physique
é l’information.
 Pour extraire l’information utile de ces signaux, des techniques spécifiques de représentation
et de traitement des signaux aléatoires ont été développées.

25 AL1
 Obéissant aux lois du hasard un processus aléatoire ne peut être décrit par aucune équation
exacte, les seules descriptions possibles sont de nature probabiliste.
 Dans la plupart des cas, la connaissance des propriétés moyennes d'un signal aléatoire est plus
utile et surtout plus accessible que la connaissance exacte de sa variation en fonction du temps.
 Moyennes
 Un signal aléatoire est caractérisé par la connaissance de ses moments statistiques et/ou
temporels.
 Souvent, la connaissance des premiers moments suffit.`
On peut définir deux types de moyennes :

o la moyenne statistique/spatiale /d’ensemble ;
o la moyenne temporelle.
26 AL1
Moyenne statistique
Attention : il s’agit d’une intégration sur x
 Le moment centré du second degré ou variance. est obtenu en considérant l‘écart entre la
variable aléatoire et sa valeur moyenne :

27 AL1
 Moyenne temporelle
 La moyenne temporelle d'un signal aléatoire continu, est donnée par :
En principe, on peut obtenir une bonne estimation de la moyenne temporelle avec une
grande durée d'observation

28 AL1
 Fonctions de corrélation/Covariance
 L'autocorrélation caractérise
la perte d'information dans un
signal, ou plus exactement, la
vitesse à laquelle l'information
est perdue.
Description à deux instants t1, t2

29 AL1
 Autocorrélation statistique
 La fonction d'autocorrélation statistique se définit comme :
 L’autocovariance: On considère les écarts entre les VA et leurs valeurs moyennes

respectives :
Lorsque t2 = t1/ n1=n2, l’autocovariance s’identifie avec la variance.

 L’inter-covariance


 Le coefficient de corrélation

30 AL1
 Autocorrélation temporelle:
 À partir d'un signal x(t), on peut définir l'autocorrélation temporelle en remplaçant la
moyenne d'ensemble par une moyenne temporelle
 Ces grandeurs sont fonction de la réalisation du signal :

31 AL1
 Caractéristiques importantes
Certaines propriétés sont très importantes pour interpréter, estimer et prédire les signaux
aléatoires
Stationnarité
 Dans le cas général, les caractéristiques statistiques d'un signal aléatoire sont dépendantes du
temps.
 Stationnarité Invariance temporelle des propriétés  Processus « éternel »
o Stationnarité au sens strict : SSS
 Un processus aléatoire est dit
strictement stationnaire si sa loi
de probabilité est invariante par
translation dans le temps.
 Les densités de probabilité jointes
de toutes les V.A sont
indépendantes du temps

32 AL1
o Stationnarité au sens large (ou faible) : SSL
 Indépendance des moments du premier et du second ordre.
 Un signal est stationnaire au premier ordre
si sa valeur moyenne est constante:
 Un signal est stationnaire au second ordre si
sa valeur moyenne est constante et si sa
fonction d’autocorrélation est fonction du
retard τ
 La variance (puissance totale) est aussi
constante.
 La matrice de corrélation d’un PA discret stationnaire est une matrice de Toeplitz carrée.

33 AL1
 Ergodicité
 Est-ce qu’une seule réalisation x(t) caractérise complètement le processus stochastique X(t)?
 L’ergodicité permet d’estimer les paramètres statistiques à partir des paramètres temporels.
o Ergodicité en moyenne
 Un processus aléatoire est dit ergodique en moyenne, si sa moyenne temporelle est égale
(voisine avec probabilité qui tend vers 1) à la moyenne statistique sur l’ensemble de ses
réalisations.
 T est le temps (suffisamment long) d’observation du processus

34 AL1
o Ergodicité en corrélation
 On dit que le processus aléatoire est ergodique relativement à la fonction de corrélation
lorsque :
1) Il est ergodique en moyenne,
2) La fonction de corrélation ne dépend
pas du temps t et est égale à la fonction de
corrélation statistique.
o Ergodisme pour une propriété
 Dans le cas général, pour une propriété donnée par une fonction :

35 AL1
 Ergodicité / Stationnarité
 Un phénomène physique aléatoire n’est jamais rigoureusement stationnaire. Le concept de
processus stationnaire n’est donc qu’un modèle simplifié.
 L’ergodicité est une notion très difficile à vérifier
 Néanmoins, on souhaitera généralement avoir simultanément les 2 propriétés de stationnarité
et d’ergodicité.
 Sous ces 2 hypothèses, un processus aléatoire est suffisamment défini par sa valeur moyenne
et sa fonction d’autocorrélation.
 Tout processus SSS est également SSL mais l’inverse n’est pas nécessairement vérifie
 La stationnarité et l’ergodicité sont deux propriétés qui ne s’impliquent pas l’une l’autre.
 Un processus ergodique au sens large est stationnaire au sens large. L’inverse n’est pas vrai.

36 AL1
 Comportement fréquentiel des processus aléatoires (à puissance moyenne finie)  DSP
 DSP : A priori aléatoire, dépend de la réalisation

 Il n’y a aucune relation entre la DSP et la densité de probabilité d’un signal aléatoire.
 La TF n’a pas de sens mathématique pour un signal aléatoire : x(t) ne tend pas vers 0 si |t| →
∞.

37 AL1
 Densité Spectrale de Puissance
 Pour un processus stochastique stationnaire, l’outil essentiel est le théorème de Wiener
Kintchine.
 Autocorrélation et densité spectrale de puissance forment une paire de transformées de
Fourier :

38 AL1
 Estimation spectrale
 Une réalisation d’un signal x(t) a une transformée de Fourier X(w) qu'on ne peut
théoriquement pas calculer mais dont on peut trouver une estimation
 Le plus souvent, on n'a accès qu'à une seule réalisation expérimentale et pour un processus
stochastique stationnaire on doit utiliser l'hypothèse ergodique.
 De plus, on ne peut qu'estimer la DSP à partir d'un échantillon de données limité. Parfois On
ne dispose que d’une réalisation.

39 AL1
 Plusieurs méthodes numériques existent, toutes entachées d'erreurs, et il conviendra de
choisir la méthode la plus adaptée en fonction de la nature des données enregistrées.

40 AL1
 Conclusion
 Les signaux aléatoires rencontrés le plus souvent, même s’ils ne sont pas rigoureusement
gaussiens, peuvent être caractérisés (représentation paramétrique) à l’aide de 3
paramètres statistiques :
1. La valeur moyenne m(t) du signal aléatoire X(t) dont une réalisation est notée x(t).
2. La fonction de covariance (t1,t2) du signal, qui renseigne sur la vitesse de variation du
signal.
3. La variance qui détermine le domaine où l’on est en droit d’attendre la plus grande
concentration de réalisations du signal aléatoire.
 Dans le cas où ces caractéristiques sont indépendant es de l’origine du temps, on a affaire
à un signal stationnaire pour lequel moyenne et variance sont des constantes, et la
covariance, fonction d’une seule variable est appelée fonction de corrélation.

41 AL1
 Si de plus, le signal est ergodique, il y a autant d’informations dans une réalisation
particulière suffisamment longue du signal, que dans un grand nombre de réalisations de
moindre durée.
 Comme les signaux déterministes, les signaux aléatoires possèdent une représentation
fréquentielle: La densité spectrale de puissance (DSP) est la Transformée de Fourier de la
fonction d’autocorrélation du signal.
 Parmi les signaux aléatoires fondamentaux, on rencontre le bruit blanc (séquence
indépendante dans le cas discret) signal idéal dont la fonction de corrélation φ(τ) est
l’impulsion de Dirac δ(t) et qui peut être défini comme la dérivée d’un bruit de Wiener, signal
réel dont un représentant est le mouvement Brownien.

42 AL1
Exemples :
Signal sinusoïdal; amplitude aléatoire
 Signal sinusoïdal; phase aléatoire
 Signal sinusoïdal; fréquence aléatoire

43 AL1
 Le bruit de Wiener et le bruit blanc sont aux signaux aléatoires ce que sont l’échelon et
l’impulsion de Dirac aux signaux déterministes.
 Bruit Blanc
 Bruit blanc (ideal)
 Un bruit blanc (théorique) est un signal aléatoire dont la densité spectrale de puissance est
constante.
 Si b(t) est un bruit blanc gaussien centré, la variance σ2 est égale à la puissance moyenne de
bruit.
 Mathématiquement, un bruit blanc gaussien est le processus de second ordre faiblement
stationnaire le plus simple et le plus utilisé

44 AL1
 Le Bruit pseudo-blanc
 Pratiquement, un bruit blanc n’existe pas,
 Bruit pseudo-blanc = bruit à spectre borné : C'est un bruit blanc dont le spectre est constant
sur une bande de fréquences.

45 AL1
 Bruit coloré
 X est un bruit coloré si sa densité spectrale de puissance n’est pas constante
Exemples :
Exemple : Le bruit en électronique
NB.

46 AL1
 Bruit de Wiener
 Le processus de Wiener a une importance théorique toute particulière.
 Le bruit de Wiener peut être présenté comme une limite du processus de la marche
aléatoire.
 La marche aléatoire est le nom donné à. un processus stochastique en temps discret et à état
discret :

47 AL1
 Mouvement Brownien
Le bruit de Wiener W(t) constitue le modèle mathématique de nombreux phénomènes aléatoires
réels dont le plus caractéristique est le mouvement Brownien
Le mouvement brownien : Deux
choses : un phénomène naturel, et
un objet mathématique :
 Le phénomène naturel est le
mouvement désordonné de
particules en suspension dans un
liquide.
 L’objet mathématique est un
processus gaussien dont la
variance des accroissements est
égale au temps écoulé.
 Norbert Wiener, qui l’a défini en 1923, l’appelait « the fundamental random function.

48 AL1
 Bruit de Wiener
 Un processus aléatoire réel W(t) est dit processus
de Wiener ou mouvement brownien si, c’est un
processus à accroissements indépendants et
stationnaires (PALS) tel que :
 Un bruit de Wiener est une sorte de ”distribution normale en mouvement”)

 Le bruit de Wiener est non stationnaire et
a pour caractéristiques :
Le processus de Wiener est directement lié au

bruit blanc : ED Stochastiques /Intégrale de
Wiener/Ito
 On démontre que le bruit blanc est la dérivée d’un bruit de Wiener. Comme, en déterministe,
l’impulsion de Dirac est la dérivée d’un échelon.

49 AL1
 Il est aussi possible de définir un bruit de Wiener (MB) arithmétique (avec dérive) / ou
géométrique

50 AL1
 Les SA à temps discrets
 Séquence indépendante
 La séquence indépendante (ou blanche) unitaire, centrée, est définie par les propriétés :
 BB discret Il n'existe aucune corrélation entre un échantillon du signal et un autre d'ordre
différent.

51 AL1
 SB Pseudo Aléatoires
 Séquences Pseudo Aléatoires Suite d’événements créée de façon déterministe mais
apparaissant aléatoire (« pseudo »).
SBPA de longueur 1023 et d’amplitude 3

52 AL1
o Séquences Binaires PA
 La SBPA : Séquences Binaires Pseudo Aléatoires est un signal formé d’impulsions
rectangulaires modulées aléatoirement en longueur, qui approxime un bruit blanc discret de
valeur moyenne nulle.

Applications
 Etalement de spectre,
 Cryptage et chiffrement
 Brouillage numérique
 Identification des systèmes

53 AL1
o SBPA : Réalisation
 Pour générer une SBPA, on utilise un registre à décalage bouclé par un OU-exclusif.
 Pour que le système fonctionne, on doit initialiser le registre à n'importe quelle valeur binaire
sauf zéro.(Xi = 0, implique une sortie constamment nulle).

54 AL1
 D’aprés le fonctionnement du registre à décalage, on on définit le polynéme caractéristique
P(z) :
 Si la fonction de bouclage est bien choisie, le registre peut prendre au mieux toutes les
combinaisons possibles des N bits, sauf la combinaison "0 0 0 ....0" (le registre resterait à une
valeur nulle indéfiniment!).

55 AL1
o SBPA : Propriétés
 Les séquences de longueur maximale ont des propriétés proches de celles des séquences
binaires purement aléatoires
 Considérons des symboles 0 et 1 respectivement représentés par les niveaux -A et +A . Voici
quelques propriétés des séquences pseudo-aléatoires
 La période d'une séquence de longueur maximale L définie par , , où m est le nombre
de bits du mot binaire (nombre de cellules du registre à décalage)
 Durant chaque période d'une SBPA, il y a toujours un symbole 1 de plus que de 0
on peut calculer, sur une période, des estimations des fonctions do corrélations dc ces
signaux
 La fonction d'autocorrélation
d'une séquence de longueur
maximale est périodique.

56 AL1
o SBPA : Corréllation
 Par définition, la fonction d'autocorrélation d'un signal périodique x(t) de période T est
 On obtient

57 AL1
58 AL1
SBPA == Bruit blanc ?
 Dans le cas où la période de l’horloge Delta est petite et L suffisamment grand, ces
fonctions de corrélations peuvent être assimilées à des impulsions de Dirac :
Cas Continu
Cas discret
 Ce qui permet d’assimiler les SBPA à des bruits blancs presque centres.

59 AL1
o SBPA : Densité spectrale
 On en déduit le spectre qui est la transformée de Fourier de la fonction d'auto-corrélation.
 Le spectre de la SBPA est donc un peigne de Dirac modulé par un sinus cardinal.
 On considère que le bruit peut être considéré comme un bruit blanc dans le premier tiers du
premier lobe ( ±1/3Th).

60 AL1
 Filtrage des signaux aléatoires
x (t) stationnaire au sens large  y(t) stationnaire au sens

large
 Représentation des signaux comme le résultat du filtrage
d'un bruit blanc  Partie aléatoire bruit blanc parfait,
les propriétés «temporelles » Effet d’un filtre

 Filtrer un signal y(t) par le filtre 1/H(f) pour générer le bruit blanc b(t) dont le filtrage par
H(f) donne y(t)  Blanchiment du signal y(t), b(t) est appelée innovation de y(t).

61 AL1
 Estimation de la réponse impulsionnelle d’un SL
 La fonction de covariance entre l’entrée
et la sortie est donnée par la relation
suivante
Filtrage adapté
 Le filtre adapté est le filtre qui optimise le rapport signal sur bruit pour la détection d’un
signal déterministe en présence d’un bruit additif.

62 AL1
 Des calculs élémentaires permettent d’obtenir

63 AL1
Si b(t) est un bruit blanc, et pour un signal réel x(t), X*(f )= X(- f ), la réponse impulsionnelle
du filtre est donc le signal inversé translaté :
Où E est l’énergie du signal. Le RSB maximal ne dépend pas de la forme du signal mais
uniquement de son énergie

64 AL1
Filtre inverse
 Le filtre inverse est le plus simple des
filtres. C’est le meilleur filtre pour
déconvoluer un signal non bruité.
 DéconvolutionProblème inverse mal
posé
 Il n’est pas toujours possible de calculer 1/H(f) car H(f) peut s’annuler.
Le filtre inverse est une
technique très utile pour la
déconvolution mais il ne prend
pas en compte le bruit.
 Le filtre inverse amplifie les

composantes hautes
fréquences du bruit.
 Une alternative est le filtre de Wiener qui permet d’éliminer ou d’atténuer une partie des
bruits dans un signal.

65 AL1
Filtrage de Wiener
 Le filtre optimal de Wiener peut réduire le bruit d’un signal observe à condition que certaines
statistiques de ce bruit soient connues.
 Le filtrage de Wiener est adéquat pour les situations dans lesquelles le signal ou le bruit sont
stationnaires.
 Les applications du filtrage de Wiener diffèrent par la manière dont est extraite la réponse
désirée
1. La modélisation inverse avec laquelle on tente de
reconstruire un signal (déconvolution);
2. La suppression d’un signal perturbateur
3. La prédiction linéaire (Estimer une valeur à venir)
4. ’identification de processus : Trouver h(t)
représentant au mieux le processus inconnu ;
 Le filtre de Wiener correspond à l’estimateur du filtre qui minimise l’erreur quadratique

moyenne de prédiction d’un signal à partir de données
66 AL1
 L’équation ne
dépend que de
l’inverse de la
matrice
d’autocorrélation du
signal observé et de
la variance du bruit
u(n)

67 AL1
Filtrage de Kalman
 Le filtre de Kalman s’applique à la même problématique que le filtre de Wiener. La différence
est que sa mise en œuvre est récursive, l’estimée est mise à jour à chaque pas de calcul.
 Le FK offre un compromis idéal entre complexité de calcul et flexibilité de représentation.
 Le calcul de son expression s’appuie sur une méthode de description des signaux appelée la
représentation d’état
Après une ́étape d’initialisation, le filtre de

Kalman est utilisé en réitérant
récursivement une de prédiction puis une
étape de mise à jour. Cela permet de suivre
et d’estimer l’évolution de l’état d’un
système.
 Il existe une extension du filtre de Kalman au cas non linéaires : le filtre de Kalman étendu
(Extended Kalman Filter EKF).

68 AL1
Conclusion générale
 La vision classique du monde consiste en "deux représentations : celle d’un monde
déterministe et celle d’un monde arbitraire soumis au seul hasard.".
 Les systèmes déterministes sont caractérisés par leur réversibilité, leur prévisibilité et leur
reproductibilité, sous réserve que les conditions initiales soient identiques.
 Les systèmes aléatoires évoluent au hasard : Il n'y pas de prédictions possibles.
 Le caractère imprévisible n’étant ainsi lié qu’à l’impossibilité de la mesure au niveau des
systèmes dit complexes.
 Pour Ilya. Prigogine il existerait quelque chose d’autre, que les lois et le hasard, qui pourrait "
s’intercaler " entre ces deux conceptions
 Les systèmes chaotiques, bien que gouvernés par des lois déterministes simples, leur
comportement est imprévisible.
 Partout où des phénomènes se traduisaient par des équations déterministes mais non
linéaires, très sensibles aux conditions initiales, des phénomènes chaotiques sont susceptibles
de se produire.
« Les lois ne gouvernent pas le monde, mais celui-ci n’est pas non plus régi par le
hasard.»
(Ilya Prigogine)

69 AL1
 La théorie du chaos propose pour
l'univers un modèle déterministe tout
en laissant un espace au hasard, une
dimension à l'imprévisible
 Des systèmes " très simples " obéissent à
des lois parfaitement déterministes et
pourtant leur comportement est
totalement imprévisible.
 Les systèmes en état de chaos sont
donc légitimes, ordonnés,
déterministes et imprévisibles
 L’imprévisibilité n’est pas le fruit du
hasard mais de la sensibilité aux
conditions initiales.
 .Le chaos n'est pas le désordre mais l'ordre fluctuant qui s'établit entre des éléments en
interaction.

70 AL1
Traitement du signal : Applications
 Les techniques du traitement du signal trouvent des applications dans un très

grand nombre de domaines : Électronique, Télécommunications, aéronautique,
astronomie, sismologie, médecine, diagnostic, contrôle, traitement de la parole,
des images …etc
 Nous avons choisi de présenter, dans ce dernier chapitre deux applications :
 Le filtrage : Techniques pour séparer, modifier, éliminer, amplifier, atténuer …
les composantes fréquentielles d’un signal (en module et/ou en phase)
 L’estimation spectrale : Techniques pour analyser le contenu fréquentiel des
signaux en présence de bruit.
Traitement du Signal Applications Chapitre 4. A

1 AL1
Ecole Nationale Polytechnique / ABDELOUEL Filtrage
A- Filtrage de signaux
Généralités : Principe et intérêt du filtrage
 Il n’est pas un système électronique qui ne fasse appel à, au moins, un filtre.
 Le principe du filtrage : Un signal e(t) traverse un système qui le modifie de sorte qu’en sortie de ce
système, on obtient un autre signal s(t).
 L’opération de filtrage est définie par la convolution :

 La notion de système sera revue en automatique, mais en traitement du signal, un système n’est rien
d’autre qu’un filtre.

2 AL1
 Conception d’un filtre
La conception d’un filtre consiste à
1. Déterminer le système de convolution dont la réponse fréquentielle a les bonnes caractéristiques en
termes de bande(s) passante(s), de réjection, etc.
2. Le réaliser par un système technologique : cela peut être un système d’électronique analogique, un
système mécanique, mécatronique, etc...
 Synthèse de filtres
 Filtrage  En fonction d’une réponse fréquentielle souhaitée (gabarit), construire un circuit qui possède
cette réponse
 Pour la conception : pour bien des applications, le raisonnement se fait dans le domaine fréquentiel. La
mise en œuvre du filtre à travers sa réalisation technologique traite les signaux dans le domaine
temporel.
 On classe les filtres en deux grandes familles : ANALOGIQUE et NUMERIQUE.

3 AL1
Les filtres analogiques se divisent en plusieurs catégories :
 Filtres passifs qui font appels essentiellement à des circuits (LC, RC..) passifs.
 Filtres actifs utilisant des éléments R, C et des amplificateurs.
 Filtres actifs à capacité commutée. Ils permettent de programmer la fréquence
de coupure et d’être intégrable.

4 AL1
 Comportement fréquentiel des filtres analogiques
Le comportement d’un filtre est défini par l’étude fréquentielle de la fonction de
transfert entre le signal de sortie et le signal d’entrée du filtre
 Filtre idéal /Filtre réel
 Un filtre idéal transmettrait toutes les composantes utiles sans atténuation ni
déphasage (donc sans retard) tout en éliminant complètement les signaux
indésirables

5 AL1
 En pratique, la synthèse du filtre idéal est impossible. Les spécifications donnent
une caractéristique de réponse irréaliste.
 On introduit le concept de bande de transition : L’amplitude décroîtra

graduellement le long de celle-ci au lieu de passer brusquement de 0 à 1.
 Il est plus réaliste de considérer non pas des filtres de type créneaux, mais de
spécifier des gabarits.

6 AL1
 Gabarit fréquentiel
 Synthèse de filtre : En fonction d’une réponse fréquentielle souhaitée déterminer
le filtre qui satisfait le gabarit.
L’idéal ne peut donc pas ˆêtre atteint mais comme a dit le philosophe «il demeure un guide ».
9
 Les filtres répondant aux spécifications de synthèse devront se trouver à

l’intérieur de ces gabarits fréquentiels.

7 AL1
Les étapes de la synthèse d’un filtre
1 Cahier des charges, spécifications de filtrage,
gabarit : Module, phase, réponse impulsionnelle,
indicielle
2 Approximation: Calcul de la fonction de transfert
respectant le gabarit, Choix de l’ordre
3 Normalisation, transposition, optimisation, ….
, transposition inverse, dénormalisation.
4 Choix d’une structure de réalisation
– Mise en forme des cellules, calcul des composants,
de sensibilité, …
– Simulation du circuit, Câblage, Test

8 AL1
Normalisation
 Les filtres sont généralement conçus à partir de filtres prototypes appelés aussi filtres normalisés
qui correspondent au cas d’un filtre passe-bas de pulsation de coupure ωc=1rad/s
 La fréquence de coupure est la fréquence à laquelle l’amplitude de sortie est à 1/√2 de la valeur
maximale (la puissance diminue de moitié):
 Passe-bas/ Passe-haut : fc est la fréquence de coupure basse/ haute.

 Passe-bande ou coupe bande : fc est la moyenne géométrique des fréquences de coupure basse et
haute, ou bien des fréquences atténuées basse et haute

9 AL1
10 AL1
Approximation
 L’étude des filtres passe-bas est suffisante
 Trouver une fonction de transfert réalisable dont la réponse (en fréquence, en temps et/ou en
phase) respecte la spécification
 Fonctions bien connues (tables, abaques) : Butterworth, Tchebysheff, Bessel Legendre, Cauer
(filtres elliptiques)...
Transposition de fréquence
 Il est possible d’obtenir les autres types de filtres (passe-haut, coupe-bande, passe-bande) par un
changement de variable, ou transposition de fréquence
 Exemple : Transposition passe-bas/passe-haut Symétrie (en échelle log) autour de la fréquence de
coupure ω0 :

11 AL1
Mise en forme des cellules
 Factorisation du polynôme H(p) en cellules du second ordre et du premier ordre
Le polynôme H(p) peut être d'ordre élevé (>2), et ne peut pas être matérialisé directement.
 En effet, les cellules bien connues à AOP sont d'ordre 2 maximum, même chose pour un filtre
à capacités commutées. A l'aide de la commande roots sous MATLAB, on récupère l'ensemble
des racines du polynôme. En les regroupant deux à deux, on obtient les cellules en questions.
 Exemple : cellule d’un filtre passe bas d’ordre 2 :

12 AL1
 On préfère utiliser deux autres paramètres, ω0 et ξ ou Q, qui eux, ont un sens physique
o .ω0 : pulsation propre du filtre (intersection des tracés asymptotiques dans Bode)
o .ξ ou z ou m : Amortissement du filtre (plus il est faible, plus on observe de dépassement
aux alentours de ωn dans le plan de Bode)
o Q =Facteur de qualité. C'est le rapport entre la fréquence centrale du passe-bande et la
bande passante à -3dB.

13 AL1
14 AL1
15 AL1
Réalisation
– Filtres analogique : Filtres passifs, Filtres actifs (Sallen&Key, NIC...)
–Filtres numérique (récursif, non récursif, en cascade, en parallèle, en treillis...
• Circuits numériques spécifiques
• Programmation (mP, DSP...)

16 AL1
 Les filtres numériques présentent par rapport aux filtres analogiques les
avantages-inconvénients suivants :
Avantage :
 - Les filtres numériques sont insensibles aux conditions extérieures (chaleur,
humidité, etc.)
 Certains filtres numériques sont impossibles à réaliser de manière analogique
(exemple:les filtres RIF).
 La problématique du bruit change d'aspect: dans le filtrage numérique on parle
de 'bruit de quantification' et de 'bruit de calcul'. Le premier est lié au nombre de
bits employés pour la quantification (8 bits, 16 bits, etc.). Le second est
négligeable si l'unité de calcul est de type 'floating point'. De toute manière, le
bruit numérique est localisé: on sait
 d'où il vient et il reste stable.

17 AL1
Inconvénients :
 Les filtres numériques nécessitent un filtrage analogique anti-repliement à
l'échantillonnage et à la restitution.
 Les performances d'un filtre sont directement proportionnelles à la puissance de
l'unité de calcul (processeur ou DSP).
 Beaucoup de problèmes peuvent apparaître si l'unité de calcul est de type 'fixed
point'. Les paramètres d'un filtre nécessitent parfois une double précision pour
être opérationnels, ce qui ralentit les performances.
 Les filtres numériques sont réalisés à partir de structure intégrée micro
programmable (DSP, mp). Ils sont totalement intégrables, souples et
performants.

18 AL1
 Un filtre numérique est un système Linéaire Discret (SLD) modifiant la
représentation temporelle et fréquentielle de signaux.
Remarque : h(n) peut être infini => calculs délicats

19 AL1
 Classification des filtres numériques
Un filtre numérique peut être classé selon :
 La durée de sa réponse impulsionnelle
1. finie : les filtres RIF ont leur réponse impulsionnelle à support fini i.e. h(n) =
0 pour n<0 et n>N
2. infinie : les filtres RII ont leur réponse impulsionnelle à support infini

20 AL1
 Le type de représentation temporelle
1. Non récursifs : la sortie y(n) ne dépend que de l’entrée courante et des entrées
précédentes
Les filtres discrets non-récursifs ne possèdent pas de boucle de contre-
réaction ; leur équation de récurrence fait donc apparaître une seule somme
discrète, soit pour un filtre causal :
2. Récursifs : la sortie y(n) dépend de l’entrée courante, des entrées précédentes

et des sorties précédentes
Réponse impulsionnelle infinie (RII)  Mémorisation du signal de sortie 

la réponse impulsionnelle infinie peut se calculer en un temps fini.

21 AL1
22 AL1
 Forme générale d’un filtre numérique
 L’équation aux différences linéaire est un produit de convolution.
 Appliquons lui la transformée en z pour calculer la fonction de transfert.

Les coefficients a(k) et b(k) sont réels
 Fonction de transfert H(z) à N pôles pi et M zéros zi réels ou en paires complexes

conjuguées

23 AL1
 Critère de stabilité des filtres numériques
 Un filtre est stable si et seulement si sa réponse impulsionnelle est absolument
sommable, c’est-à-dire
 Un filtre numérique est stable si et seulement si le cercle unité est dans sa ROC.
 Filtre stable si les pôles sont à l’intérieur du cercle unité dans le plan des z
 Si les zéros sont aussi à l’intérieur du cercle unité, le filtre est à phase minimale
 De manière évidente, un filtre FIR causal, ayant une réponse impulsionnelle
bornée est toujours stable, puisque tous ses pôles sont à l’origine.
 À l’opposé, un filtre IIR causal peut être instable ! Un test de stabilité sur s’impose
alors lorsqu’on utilise un filtre IIR.
 NB. H(z) est couramment exprimé en fonction des puissances négatives de z

pour fin de causalité temporelle. Il faut alors convertir son expression en
fonction de puissances positives de z avant de déterminer la position des pôles
pour l’analyse de stabilité.

24 AL1
 Analyse fréquentielle des filtres numériques
 L'analyse fréquentielle est l'étude du module, et de la phase du filtre H(z).
 Evaluation de H(z) sur le cercle unité : f variant de 0 à 1 (x.Fe )

25 AL1
 La réponse en fréquence d’un
filtre numérique est
=Transformée de Fourier
discrète de la réponse
impulsionnelle (Périodique en
fréquence, période 1 ou Fe)
 La spécification d'un filtre
discret est donc toujours
donnée sur l'intervalle
fondamental [0≤f≤Fe/2]
 Réponse impulsionnelle réelle  Module pair, phase
impaire

26 AL1
 Lien entre le gabarit et la position des pôles et des zéros.
– Le cercle unité est gradué en valeur de la fréquence qui varie entre –1 et 1 (x.Fe)
– La partie du plan complexe où se trouvent les pôles correspond à la bande
passante.
– La partie du plan complexe où se trouvent les zéros correspond à la bande
affaiblie.
– Si les pôles et les zéros sont complexes conjugués |H(j)| est paire
– Interaction entre les pôles et les zéros : interaction plus prononcée lorsque les
pôles et les zéros sont rapprochés
– NB. Bande de transition : pour une transition abrupte de la bande passante à la
bande de réjection, placer près de chaque zéro un pôle près du cercle unitaire.
27 AL1

 Interprétation géométrique de H(f)

28 AL1
29 AL1
Si un filtre possède •M zéros{ ai ± j bi } et N pôles { ci ± j di }, Alors |H(ω)| pour ω =[-∞ ; +∞]) aura : M creux à ω=±bi si ai est petit et
N pics à ω = ± di si ci est petit

30 AL1
 Filtre spéciaux
 Il est important de connaitre certains notions associées à des filtres spéciaux :
 Filtre passe-tout (déphaseur)
 C’est un filtre où la fonction de transfert H(z) a une amplitude de 1 pour toutes
les fréquences.
 filtre n’introduit qu’un déphasage
 NB : une réflexion de pôle (ou de zéro) ne change pas le module de H.

31 AL1
32 AL1
 Filtre de phase zéro
 Avec un filtre à phase zéro, la séquence en sortie filtré n'a pas de distorsion de
phase.

 Le filtre à phase zéro est non causal, mais il est utile pour les applications hors-
ligne telles que le filtrage d'un fichier son enregistré sur un disque.

33 AL1
 Filtre a phase linéaire
 Dans beaucoup de cas pratiques, les filtres à phase linéaire sont exigés.
Distorsion de phase
 Si la réponse fréquentielle en phase n’est pas linéaire dans la bande passante, les
fréquences ne sont pas toutes avancées/retardées de la même manière

34 AL1
 Retard de phase et retard de groupe
 Le retard de groupe mesure le temps mis par l’énergie pour atteindre la sortie
lorsque le signal n’est pas sinusoïdal
 Pour un filtre à phase linéaire : Les zéros sont réels ou complexes conjugué et
tout zéro possède son inverse

35 AL1
 Filtre à phase linéaire

 Le filtre idéal doit avoir une phase linéaire qui se traduit par un retard de phase
et de groupe constant dans la bande passante
 Phase linéaire généralisée

36 AL1
Les filtres antisymétriques ont eux aussi une réponse en phase linéaire
 Cas général :

37 AL1
 Filtre à minimum de phase
 Quand les pôles et les zéros d’un système sont à l’intérieur du cercle unité, le
système est appelé à phase minimale.
 Le système à phase minimale produit un délai de groupe minimal par rapport à
tous les systèmes ayant le même module de la fonction de transfert
 Un filtre LTI réalisable modélisé par une fonction de transfert H(z) rationnelle a
tous ses pôles dans le cercle unité, mais qu’en est-il des zéros ?
 Parfois, il est nécessaire que l’inverse d’un filtre G(z) = 1 /H(z) soit aussi
réalisable.
 Pour que ce soit le cas, les zéros de H(z) doivent aussi se trouver à l’intérieur du
cercle unité.
 Un filtre ayant cette propriété sera appelé filtre à minimum de phase.
 Filtre à phase minimale  Zéros dans le cercle unité

38 AL1

Abdel 1 T2 Signal Slides 2 Cours 2018 Enseignant

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

Abdel 1 T2 Signal Slides 2 Cours 2018 Enseignant

Transféré par

Droits d'auteur :

Formats disponibles

TDS

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

 Le traitement du signal est la discipline scientifique qui développe les outils et

 NB. Tout le vocabulaire de traitement du signal est plus connu en anglais.

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

 Un signal est porteur d’une information structurée ayant une certaine

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

On considèrera deux grandes classes de signaux : les signaux périodiques et les

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

On définit la puissance moyenne d’un La puissance moyenne d'un signal x(t)

Traitement du Signal Introduction

o Exemple, les signaux transitoires.

Traitement du Signal Introduction

o Exemple : les signaux permanents/ signaux périodiques ou signaux

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

Traitement du Signal Introduction

A- Représentation et analyse temporelle des signaux analogiques

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

 Exemple : Une porte rectangulaire de durée T centrée en t = t0

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

 Le "peigne" de Dirac permet de représenter l’opération d’échantillonnage.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

 Convolution en temps, Multiplication en fréquence  Filtrage, Traitement

 Multiplication en temps, Convolution en fréquence  échantillonnage,

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

 Le coefficient de corrélation est compris entre -1 et 1. plus le coefficient est

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.

Traitement du Signal Signaux à temps continu Chapitre 1.A.