UNIVERSITE CADI AYYAD

ECOLE SUPERIEURE DE TECNOLOGIE-SAFI-

DEPARTEMENT : Techniques d’Analyses & Contrôle-Qualité

FILIERE : Techniques Instrumentales & Management de la Qualité

Cours de Traitement de
signal
Niveau : DUT S4

Réalisé par : Najib BOUMAAZ

 ANALYSE DES SIGNAUX
MODELISATION DES SYSTEMES

I - Signaux et systèmes

II - Transformée de Fourier d'un signal

III - Convolution

IV - Transformée de Fourier de signaux discrets

V - Systèmes linéaires et filtres

VI - Représentation d'un système de suspension par un filtre

1
ANALYSE DES SIGNAUX - MODELISATION DES SYSTEMES

I - Signaux et systèmes 3
I-1 - notion de signal 3
I-2 - notion de systèmes 7

II - Transformée de Fourier d'un signal 10

II-1 - Représentation temporelle et fréquentielle d'un signal 10
II-2 - TF de fonctions périodiques 12
II-3 - TF de fonctions non-périodiques 23
II-4 - Spectre de puissance de Fourier 26
II-5 - TF inverse 27
II-6 - Propriétés essentielles de la TF 28
II-7 - Applications de la TF en analyse temporelle 29

III - Convolution 33
III-1 - Définition du produit de convolution 33
III-2 - Procédure de convolution 33
III-3 - Théorème de convolution (Plancherel) 36

IV - Transformée de Fourier de signaux discrets 37

IV-1 - Chaîne d'instrumentation numérique 37
IV-2 - Transformée de Fourier discrète 39
IV-3 - Pathologie des données discrétisées 41
IV-4 - Théorème d'échantillonnage 45
IV-5 - Spectre de Puissance discret 47

V - Systèmes linéaires et filtres 48

V-1 - Notion de convolution et réponse impulsionnelle 49
V-2 - Définition d'un filtre - Réponse harmonique 53
V-3 - Réponse indicielle - Gain d'un filtre 57
V-4 - Cas général : Méthode de calcul des réponses 58
V-5 - Stabilité et causalité 61

2
I - Signaux et systèmes

I-1 - notion de signal

• Notion trés extensive...

• Quantité mesurable qui dépend du temps

Exemples :
- intensité i(t) d'un courant électrique
- position d'un mobile M(t) ou M(x,y,t)
- un son

• Caractéristiques des signaux

{ - déterministes
- aléatoires
(exactement prévisibles)
(décrits par des probabilités)

{ - analogiques (x=x(t))
- discrets ou échantillonnés (x=xn avec n Î Z)

{ - à valeurs continues
- à valeurs quantifiées

3
 20 Signaux déterministes

V(t)
15 (Vi)i=1,N

10
Tension (V)

-5
(V*i)i=1,N
-10
0 20 40 60 80 100 120 140
Temps (s)

20 Signaux aléatoires

V(t)
15 (Vi)i=1,N

10
Tension (V)

-5
(V*i)i=1,N
-10
0 20 40 60 80 100 120 140
Temps (s)
4
• Exemples de signaux

- Echelon unité ou fonction de Heaviside, u(t)

Définition : u(t) = 0 t<0
u(t) = 1 t>0
u(t)
1

t
0
u(t) modélise l'établissement instantané d'un régime constant
Rq: quelquefois u(0)=1/2

- signal rectangulaire (créneaux) r(t)

Définition : ra(t) = 1 |t|<a
ra(t) = 0 |t|>a
r(t)
1

t
-a 0 a
Rq: version normalisée ra(t) = 1/(2a) |t|<a
ra(t) = 0 |t|>a

5
- Signaux sinusoïdaux (réels)

x(t) = A cos(wt+j)
-> w = 2pf la pulsation
-> f = 1/T la fréquence
-> T la période
-> A l'amplitude
-> j la phase à l'origine

6 A cos(wt+j)
-j/w
4
2 A
signal

0
-2
-4
T
-6
0 50 100 150 200 250 300 350
Temps (s)

Notation complexe
On définit : z(t) = A ei(wt+j) = C eiwt
C amplitude complexe, C = A eij
Alors : x(t) = Re(z(t)) = 1/2 (z(t) + z*(t))

z(t) n'est utilisé que par raison de commodités

seul x(t) a un sens physique

6
I-2 - notion de systèmes

Entité, ou appareil, où l'on peut distinguer des signaux d'entrée

et des signaux de sortie.

e(t) s(t)
Système

On ne s'intéresse pas nécessairement aux composantes du

système, c'est une boite noire.

Modélisation par un opérateur A

=> s(t) = A e(t)
avec s(t) Î S ensemble des signaux de sortie
e(t) Î E ensemble des signaux d'entrée

On distingue :
- Les systèmes analogiques : e et s sont analogiques
- Les systèmes discrets : e et s sont discrets
- Les convertisseurs
-> convertisseur analogique-numérique (CAN)
e(t) s(t)
CAN
t t
-> convertisseur numérique-analogique (CNA)
e(t) s(t)
CNA
t t

7
• Exemples de systèmes analogiques

- Amplificateur idéal => s(t) = k e(t) k: constante

- Ligne à retard => s(t) = e(t-a) a: constante
- Dérivateur => s(t) = e'(t)

• Exemples de systèmes discrets

calculateur : opération sk = ek + a sk-1

ek sk
+
a Retard
1

• Le circuit RC

R i(t)
e(t) s(t)

C'est un système décrit par l'opérateur A: e(t) -> s(t)

R i(t) + s(t) = e(t)
s(t) = q(t)/C
i(t) = q'(t) = C s'(t)
=> RC s'(t) + s(t) = e(t)

Système du 1er ordre

8
• Exemple de système mécanique

s(t)
e(t)
k
A B +

Bilan sur B
- force du ressort -k (s(t) - e(t) - lo), lo écart à l'équilibre
- frottement -a s'(t)
RFD => m s"(t) = -k (s(t) - e(t) - lo) - a s'(t)
=> m s"(t) + a s'(t) + k s(t) = k (e(t) + lo)

Sytème du 2nd ordre -> 2 conditions initiales ex: s(0)=lo

s'(0)=0

• Exemple de systèmes : les capteurs

e(t) s(t)
Capteur
grandeur physique grandeur
ou electrique
mesurande

Capteurs :
- actifs : s = q, i, v
ex : photodiode, thermocouple...
- passifs : s = R, L, C
ex : thermorésistance...
- capteurs composites
ex : détecteur de photons gamma
9
II - Transformée de Fourier d'un signal

II-1 Représentation temporelle et fréquentielle d'un signal

Signal : forme physique dépendante du temps, réelle ou

vectorielle, contenant une information physique.

Un signal peut être associé à deux représentations contenant

la même quantité d'information

Représentation temporelle Représentation spectrale

v(t) V(n)

t n

La représentation spectrale V(n) montre l'importance de la

contribution d'une composante à la fréquence n dans le signal v(t)

10
 Exemple :

- V(n1) = 0 <=> pas de contribution à la fréquence n1

- V(n2) max <=> présence d'une forte contribution

à la fréquence n2

v(t) To V(n) no = 1
To

t n

On passe d'une représentation à l'autre par

"transformation de Fourier"

v(t) V(n)
Opérateur
t TF n
abscisse (x) inverse de la distance (k)

Mathématiquement, l'opération TF consiste à projeter la

fonction à étudier dans l'espace des fonctions sin(2pnt) (n Î R).

11
II-2 - TF de fonctions périodiques

• Fonctions périodiques :

f(t) est périodique, de période T, si et seulement si

"t Î R, "n Î Z, f(t+nT) = f(t)

• Décomposition en série de Fourier d'une fonction périodique

Si la fonction périodique f (de période T) est continuement

dérivable, bornée et intégrable, on démontre (voir cours de
math) que la série suivante converge:

∞
[
f(t)=a o + ∑ a k cos(2πνkt)+b k sin(2πνkt)
k=1
]
- n = 1/T : fréquence fondamentale du signal
on pose w = 2pn (pulsation)

- coefficients de la série de Fourier

T/2
-> a k = 2
T ∫
f(t) cos(kωt) dt
−T/2
T/2
-> b k = 2 ∫ f(t)sin(kωt) dt
T
−T/2
T/2
-> a o = 1 ∫ f(t) dt valeur moyenne de f(t)
T
−T/2

12
• Représentation complexe de la série de Fourier

∞
f(t) = ∑ C k e ikωt
k=−∞
avec
T/2
C k = 1 ∫ f(t) e −ikωt dt
T
−T/2

Lien entre les deux représentations

C o = ao
a − i bk
Ck = k
2

• Propriétés
- f est périodique => on peut choisir l'intervalle
d'intégration de durée T
T/2 T (k+1)T
∫ −− dt = ∫ −− dt = ∫ −−dt
−T/2 0 kT

- Si f(t) est paire => bk = 0 "k

- Si f(t) est impaire => ak = 0 "k

- Si f(t) est réelle => ak = a-k
bk = -b-k
Ck = C-k*

13
• Spectre en fréquence de f

La suite {Ck}kÎZ, en général complexe, est le spectre en

fréquence de f.

- Le spectre d'une fonction périodique est discontinu.

Il n'existe que pour des fréquences multiples de n = 1/T
=> Spectre de raies ou spectre discret.
- Ck se décompose en :
a 2k +b 2k
-> un spectre d'amplitude Ck =
2
 bk 
-> un spectre de phase ϕ k = Arctg − 
 ak 
iϕ
Rappel : C k = C k e k

- Exemple : f(t) réelle

14
12
10
f(t)

8
6
4
2
0 20 40 60 80 100 120
t (s)
Ck jk

-3n -2n -n n 2n 3n -3n -2n -n n 2n 3n

14
- Fréquence fondamentale et harmoniques

-> n = 1/T : fréquence fondamentale de f(t)

-> kn , k Î Z et k 1 : harmoniques de f

!!! La 1ere fréquence harmonique est pour k=2

La 2nde fréquence harmonique est pour k=3
...
La nieme fréquence harmonique est pour k = n+1

• Décomposition en série de cosinus

f(t) signal réel périodique - fréquence fondamentale n

∞
[
f(t)=a o + ∑ a k cos(kωt)+b k sin(kωt)
k=1
]
ao, ak et bk déja définis, w = 2pn

On peut écrire :
∞
f(t) = X o + ∑ X k cos(kωt − Φ k )
k=1

En identifiant :
Xo = ao
X k = a 2k +b 2k =2C k
 bk 
Φ k = Arctg  = −ϕ k
 ak 

Avantage : plus explicite que la série complexe

15
- Exemple : x(t) de période T

∞
x(t) = X o + ∑ X k cos(kωt − Φ k )
k=1
w = 2p/T

Xo valeur moyenne

T
X1

T/2
X2

T/3
X3
.
T
. etc...
.
x(t)

temps (s)

{Xn} : Spectre d'amplitude en série de cosinus

{Fn} : Spectre de phase en série de cosinus

16
- Représentation de Xn : Spectre de raies

Xo X2
X4
X1
X3

n
n 2n 3n 4n

• Exemples de décomposition - Méthodes

- Identification

Quelquefois, le spectre ne contient que quelques

termes non nuls. On procède alors par identification.

-> Exemple : f(t) = 20 cos(2pnt-p) + 10 cos(6pnt)

Décomposition en série de cosinus
=> Xo = 0
X1 = 20 F1 = p fréquence n
X2 = 0
X3 = 10 F3 = 0 fréquence 3n
Xn>3 = 0

17
-> Signal sinusoïdal : f(t) = sin(2pnt)
par identification => an = 0 "n, b1 = 1 et bn = 0 "n 1
a k − i bk
=> C k = donc C1 = -i/2 et C-1 = i/2
2
Spectre d'amplitude Spectre de phase
Ck jk
p /2
1/2 n n
-n
n -p /2
-n n
Reconstruction du signal :
∞
f(t) = ∑ C k e ikωt => f(t) = sin(wt)
k=−∞

-> Signal cosinusoïdal : f(t) = cos(2pnt)

par identification => bn = 0 "n , a1 = 1 et an = 0 "n 1
a k − i bk
=> C k = donc C1 = 1/2 et C-1 = 1/2
2
Spectre d'amplitude Spectre de phase
Ck jk

1/2 n
-n n
n
-n n
Reconstruction du signal :
∞
f(t) = ∑ C k e ikωt => f(t) = cos(wt)
k=−∞

18
- décomposition d'un signal carré.

A
signal

0.0

-A

-2T -T 0 T 2T
temps (s)

Calcul des coefficients :

∞ T/2
f(t) = ∑ Cke ikωt
avec C k = 1 ∫ f(t) e −ikωt dt
T
k=−∞ −T/2
=> si k pair |C(k)| = 0
si k impair |C(k)| = 2A
kπ
si k = 0 |C(0)| = 0
Spectre d'amplitude
Ck

-5n -3n -n n 3n 5n
19
• Remarque importante :
Souvent, le spectre contient une infinité de termes non
nuls. Seuls les coefficients (Xk ou Ck) de valeurs
élevées sont indispensables pour reconstruire le signal avec
une bonne approximation.

Exemple : signal carré

kmax=1 kmax=3

kmax=5 kmax=35

temps

20
 • Représentation d'un spectre discret - "fonction de Dirac"

- Fonction de Dirac - Définition

d(x) = 0 "n 0
d(x) = 1 si x=0
d(x) d (x-a)

x x
0 0 a

- Application au spectre de raies

Soit {C k } les coefficients de Fourier d'une fonction
périodique x(t), de période To = 1/no. La transformée de Fourier de
x(t) peut être considérée comme une fonction x̂(ν) telle que :
∞
x̂(ν)= ∑ C k δ(ν−kνo )
k=−∞
∞
spectre d'amplitude : x̂(ν) = ∑ C k δ(ν−kνo )
k=−∞
Ex. : x(t) = cos(2pnot) ->TF -> x̂(ν) =
1
2(δ(ν + ν o ) + δ(ν − ν o ) )
^x(n)
Spectre
d'amplitude
1/2

n
-n n
21
- La distribution de Dirac

Définition : δ(x) = lim r ε (x)

ε→0
avec re(t) signal rectangulaire normalisé re(t) = 1/(2e) |t|<e
re(t) = 0 |t|>e
re(t) 1
2e d (t)
e -> 0
¥

t t
-e e

Propriétés :
∞
-> ∫ δ(x) dx = 1
−∞
∞
-> ∫ δ(x)f(x)dx = f(0)
−∞
-> δ(cx) = 1 δ(x)
c

Fonctions tendant vers d(x) lorsque e -> 0

x
1 e −
-> Exponentielle de |x| ε
2ε
-> Lorentzienne 1 ε
π x 2 +ε 2
2
− x2
-> Gaussienne 1 e ε
ε π

-> Autres fonctions 1 ()

sin x
ε , ε
sin 2 x
ε ()
π x π x2

22
II-3 - TF de fonctions non-périodiques

Par extension de la formule de calcul pour une fonction

périodique, on calcule la transformée de Fourier d'une fonction
non-périodique en faisant tendre la période vers l'infini.

Démo: Soit x(t) périodique, période T => fondamental no

∞ T o /2
i2 π kν o t −i2 π kν o t
on a : x(t) = ∑ C k e et C k = 1 ∫ x(t) e dt
To
k=−∞ − T o /2

∞ C k i2 π kν o t
on peut écrire : x(t) = ∑ e ∆ν
k=−∞
∆ν
avec Dn = (n+1)no - nno = no = 1/To
écart entre 2 fréquences successives dans le spectre

Passons à la limite To -> ¥

=> Dn = no -> 0 : les points du spectre se rapprochent
=> kno -> n : kno devient une variable continue n
C
=> k -> C(n) : la série de coefficient -> fonction continue
∆ν
∞ ∞
=> ∑⋅⋅⋅ ∆ν-> ∫ ⋅⋅⋅ dν : la somme devient une integrale
−∞ −∞

∞
x(t) = ∫ C(ν)e i2πνt dν
−∞

23
• Expression de la transformée de Fourier C(n)

Ck
D'aprés le calcul précédent : C(ν) = lim
T o →∞ ∆ν
T o /2
−i2 π kν o t
=> C(ν) = lim 1 ∫ x(t) e dt
T o →∞ ∆νT o − T o /2

or Dn = 1/To et kno -> n (pour To -> ¥)

donc :
∞
C(ν) = ∫ x(t) e −i2πνt dt
−∞

C(n) est à priori complexe : C(ν) = C(ν) e iθ(ν)

avec -> |C(n)| spectre d'amplitude
-> q(n) spectre de phase

Ce sont deux fonctions réelles continues

• Conditions d'existence de C(n)

On démontre que C(n) existe si :

-> x(t) est bornée
 ∞ 
-> x(t) Î L1(R)  ∫ x(t) dt <∞
 −∞ 
-> x(t) a un nombre fini de discontinuités et d'extrémum

24
 • Exemple : calcul de la TF du signal créneau
Rappel : r(t) = 1 |t|<a et r(t) = 0 |t|>a

r(t)
1

t
-a 0 a
∞ a
−i2πνt sin(2πνa)
C(ν) = ∫ r(t) e dt = ∫ e −i2πνt dt=>C(ν) = 2a
2πνa
−∞ −a
2a
|TF[ra (t)]|

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
a a a a a a a a a a
fréquence

25
II-4 - Spectre de puissance de Fourier

• Définition :
Le spectre de puissance est le carré du spectre d'amplitude.

• Théorème de Parseval:
La puissance totale dans le spectre est égale à la
puissance totale dans le signal.

• Cas des signaux continus périodiques (période T)

Spectre d'amplitude -> Spectre de puissance

|Ck| |Ck|2
∞ T
= 1 ∫ f(t) 2 dt
2
-> Théorème de Parseval : ∑ Ck T
k=−∞ o

• Cas des signaux continus non-périodiques

Spectre d'amplitude -> Spectre de puissance

|C(n)| |C(n)|2
∞ ∞
∫ C(ν) dν = ∫ f(t) dt
2 2
-> Théorème de Parseval :
−∞ −∞

26
 II-5 - Remarque sur la TF inverse

• Notations
x(t) ->TF-> C(n)
=> C(n) = TF[x(t)](n) ou TF(x(t)) ou TF(x)
C(n) = x̂(ν)

=> x(t) = TF-1[C(n)](t) ou TF-1(C(n)) ou TF-1(C)

• Calcul pratique de la transformée de Fourier inverse

Si x est une fonction continue, intégrable telle que

x̂ Î L1(R) alors :

"tÎR TF(TF(x(t))) = x(-t)

La TF de la TF d'un signal et égal au signal inversé dans le temps

27
II-6 - Propriétés essentielles de la TF

• Linéarité

" a, b Î C TF(af + bg) = a TF(f) + b TF(g)

• Transposition - conjugaison

Si TF(f(t)) = f̂ (n) => TF(f(-t)) = f̂ (-n)

=> TF(f*(t)) = f̂ *(-n)

• Translation ou retard

TF(f(t-a)) = e −i2πνa TF(f(t))

• Modulation

TF(e i2πat f(t)) = f̂ (n-a)

• Similitude (changement d'unité)

TF(f(at)) = 1 f̂ ν
a a ()
• Dérivation

Si f est n fois dérivable => TF(fn(t)) = (i2pn)n TF(f(t))

28
II-7 - Applications de la TF en analyse temporelle

La TF permet la décomposition d'un signal selon son contenu

fréquentiel. Cela permet de déterminer ses caractéristiques :

-> détection de périodes

-> caractérisation des fluctuations d'un signal

-> caractérisation du bruit instrumental

En outre la TF permet :

-> l'étude des corrélations entre deux signaux

-> la mesure du retard d'un signal sur l'autre

-> la caractérisation des systémes (voir chapitre V)

29
 Bruit Blanc
"Signal"
0.8
0.6
0.4
0.2
signal

0
-0.2
-0.4
-0.6
-0.8
-400 -200 0 200 400
t(s)

Spectre
10-1
spectre d'amplitude

10-2

10-3

10-4
0.01 0.1 1
frequence (Hz)
Rq: spectre plat

30
 Bruit "Brownien"
"Signal"
10

-10
signal

-20

-30

-40
-400 -200 0 200 400
t(s)

Spectre
102

101
spectre d'amplitude

100

10-1

10-2

10-3
0.001
0.01 0.1 1
frequence (Hz)
Rq: spectre de puissance en 1/f2

31
 Bruit "rouge"
"Signal"
3.5
3.0
2.5
2.0
signal

1.5
1.0
0.5
0.0
-400 -200 0 200 400
t(s)

Spectre
100
spectre d'amplitude

10-1

10-2

10-3

10-4
0.001
0.01 0.1 1
frequence (Hz)
Rq: spectre de puissance en 1/f

32
III - Convolution

III-1 - Définition du produit de convolution

∞
f(t) = g(t) * h(t) = ∫ g(τ)h(t−τ) dτ
−∞
Commutativité : f(t) = g(t) * h(t) = h(t) * g(t)

Fonction "unité" : g(t) * d(t) = g(t)

III-2 - Procédure de convolution

Interprétation par une représentation graphique

Exemple 1 : g(t) * h(t)

avec h(t) = e-t pour t>0

=0 pour t<0

et g(t) =1 pour t>0

=0 pour t<0

33
 h g

h(t) => h(-t)

h(-t) => h(t-t)

g(t) h(t-t)

Intégration :
∞
∫ g(τ)h(t −τ) dτ
−∞

34
 Exemple 2 : g(t) * [d(t-t1) + d(t-t2)] réplication d'une fonction

g(t) d(t-t1) + d(t-t2)

t t
0 t1 0 t2

=> g(t) * [d(t-t1) + d(t-t2)] = g(t-t1) + g(t-t2)

g(t-t1) + g(t-t2)

t
t1 0 t2

35
III-3 - Théorème de convolution (Plancherel)

Un des plus important outils de l'analyse scientifique

Soit X(n)=TF[x(t)] et Y(n)=TF[y(t)]

TF
y(t)∗x(t) ↔Y(ν)X(ν)
TF
Y(ν)∗X(ν) ↔y(t)x(t)

Exemple : convolution du signal créneau avec lui-même

36
IV - Transformée de Fourier de signaux discrets

IV-1 - Chaîne d'instrumentation numérique

m(t)

Phénomène
Physique

t
Bruit
s(t)

Capteur T

Echantillonneur si*(t i)

Quantification
} Electronique

t
(CAN)
ti

Traitement
Ordinateur
Stockage

m(t) → s(t) → si(ti) → s*i(ti)

=> N couples de valeurs (ti, s*i(ti)) qu'il faut traiter pour extraire
l'information physique contenue dans m(t).
37
Modélisation de données échantillonnées

Soit h(t) un signal que l'on discretise en N valeurs

-> (kk)k=0,1...N = h(tk)

La suite peut être considérée comme le produit de 3 fonctions:

t
- la fonction h(t)

t
-T0/2 T0/2
- fenêtre temporelle

... ...
t
- peigne de Dirac

t
t0 t1 ... tN-1
- suite (kk)

∞
Fonction : h(t) r T (t) ∑ δ( t − t k )
0 k=−∞

38
IV-2 - Transformée de Fourier discrète

Une série de N nombres (kk)k=0,1...N peut se décomposer

en N composantes sinusoïdales de fréquence nj = j/T0
(T0 = durée de l'acquisition) pour j=-N/2, ..., N/2 - 1

N−1
a j = ∑ h k ei2πν jt k
k=0
1 N / 2−1
hk = N ∑ a j e−i2πν jt k
j=−N / 2

- A noter :

• (kk) = h(tk) avec tk =kT0/N

N−1
• a 0 = ∑ h k => moyenne = a0/N
k=0

• fréquence d'échantillonnage : f = N/T0 = t 1− t

k+1 k

• fréquence de Nyquist : fNy = f/2 = N/(2T0)

fNy = nN/2
C'est la fréquence maximale du spectre

• Le terme à la fréquence de Nyquist est :

N−1 N−1 N−1
a = ∑ hk e−πik = ∑ hk (−1)k = ∑ h k eπik = a N
−N k=0 k=0 k=0
2 2
=> le terme à la fréquence de Nyquist peut être
permuté a chacun des bouts du spectre
1 N / 2−1 1 N/2
=> h k = N ∑ a j e −i2πν j t k =N ∑ a j e−i2πν jt k
j=−N / 2 j=−N / 2+1
39
 • Les fréquences dans le spectre sont équidistantes
nj = j/T0 => Dn = nj+1 - nj = 1/T0
=> écart entre les fréquences = inverse de la durée totale du signal
Le spectre est limité en résolution

• Chaque terme du spectre est à priori complexe

Si la série (kk) est réelle => a-j = a*j

- Remarques importantes :

• Quelquefois les constantes de normalisation différent:

N−1 1 N / 2−1
-> a j = ∑ h k ei2πν jt k et h k = N ∑ a j e−i2πν jt k
k=0 j=−N / 2

1 N−1 N / 2−1
-> a j = ∑ h k ei2πν jt k et hk = 1 ∑ a j e−i2πν jt k
N k=0 N j=−N / 2

1 N−1 N / 2−1
-> a j = N ∑ h k ei2πν jt k et hk = ∑ a j e−i2πν jt k
k=0 j=−N / 2

Les trois représentations sont totalement équivalentes

• Calcul pratique

On calcule les transformées de Fourier discrètes

à l'aide de l'algorithme de "Fast Fourier Transform" (FFT)
(voir Matlab et autres programmes de calcul)

40
IV-3 - Pathologie des données discrétisées

On a vu (IV-1) que la limitation en durée et la discrétisation

d'un signal h(t) conduit à son estimation par la fonction:

0 k=−∞
( )
h̃(t) = h(t) r T (t) ∑ δ t−t k

Cependant cette fonction n'étant pas périodique, sa TF ne va

pas donner un spectre discret.

Solution : répliquer les données avec une période T0

∞  ∞
=>

 0 k=−∞
( )
h̃'(t) = h(t) r T (t) ∑ δ t−t k  ∗ j=−∞

(
∑ δ t−jT0 )
ß ß ß
  ∞   ∞ 
[] 
 
=> TF h̃' = TF[h]∗TF r T ∗TF ∑ δ t−t k
 0  k=−∞
( )   TF 
  j=−∞
∑ δ t−jT(0 

)
ß ß ß
( )
∞ ∞  
[]  
=> TF h̃' =TF[h]∗TF r T ∗ ∑ δ ν− ∆t
 0  k=−∞
k j
∑ δ ν− T 
j=−∞  0
ß ß ß
Fenêtrage Repliement Discrétisation

41
• Repliement (Aliasing)

42
• Fenêtrage (Leakage)

Remarque : il existe d'autres fonctions que la fonction créneau

pour le fenêtrage - Hanning, exponentielle... (voir TP)

43
• Conclusions sur les pathologies

44
 IV-4 - Théorème d'échantillonnage

Toute fonction f dont le spectre est limité en fréquence

(TF(f) = 0 pour |n| > nc , nc fréquence caractéristique) peut être
déterminée de manière unique par la connaissance de ses
valeurs échantillonnées à une fréquence ³2nc.

Fréquence d'échantillonnage ne=2nc

=> réplique du spectre tout les ne=2nc

TF(f) n e=2n c

... ...

-n c 0 n c n (Hz) -n c 0 n c n (Hz)

2nc est la fréquence minimale à laquelle il faut échantillonner

le signal pour pouvoir connaître son contenu fréquentiel.

n e>2n c n e<2n c

... ... ... ...

-n c 0 n c n (Hz) -n c 0 n c n (Hz)

45
Exemple : signal sinusoïdal à la fréquence no.

-> ne>2no
-ne -ne/2 ne/2 ne

t n
-n e-n o -n e+n o -n o n o n e-n o n e+n o

-> ne=2no
-ne -ne/2 ne/2 ne

t n
-2n o -n o no 2n o

-> ne<2no
-ne -ne/2 ne/2 ne

t n
-2n e+n o -n o -n e+n o n e-n o n o 2n e-n o

46
IV-5 - Spectre de Puissance discret

• Soit la série temporelle h(tk) avec tk =kT0/N et k=0, 1,...N.

On a les relations :
N−1 1 N / 2−1
a j = ∑ hk ei2πν jt k et h k = N ∑ a j e−i2πν jt k
k=0 j=−N / 2

avec nj = j/T0

=> Spectre d'amplitude -> Spectre de puissance

|ak| |ak|2

• Théorème de Parseval pour les données discrètes

N−1 N/2−1
∑ hk 2
= 1 ∑ aj 2
k=0
N j=−N/2

47
V - Systèmes linéaires et filtres

Introduction

-> Rappel sur les systèmes

Un système est une entité, ou un appareil, où l'on peut

distinguer des signaux d'entrée et des signaux de sortie.

e(t) s(t)
Système

-> Propriétés des systèmes étudiés

Soit un système A et un signal e(t) : s(t) = A e(t) => s=A(e)

- Linéarité: A(le1+be2) = lA(e1) + bA(e2)

- Causalité: Si "t < t0, e1(t) = e2(t)

=> "t < t0, s1(t) = s2(t)

- Invariance: Si A : e(t) -> s(t)

=> e(t-a) -> s(t-a) "a

48
V-1 - Notion de convolution et réponse impulsionnelle

• Réponse impulsionnelle
La réponse impulsionnelle d'un système S linéaire est le signal
de sortie s(t) de ce sytème lorsqu'on lui applique une impulsion
unité (distribution de Dirac) à l'entrée.

e(t) Système s(t)

S

t t

Par la suite, on notera la réponse impulsionnelle par h(t)

si e(t) = d(t) alors s(t) = h(t)

• Réponse d'un système à un signal quelconque

-> Approximation d'une fonction continue à l'aide de d(t)
e(t) Dt

...
...
t
ti t i+1 t i+2 t i+3
∞
ẽ(t)≅ ∑ e(t i ) r ∆t/2 (t −t i )∆t
i=−∞
49
 Avec :
- rDt/2(t) fonction créneau normalisée rDt/2(t) = 1/Dt |t|<Dt/2
rDt/2(t) = 0 |t|>Dt/2
- ti = i Dt

Passage à la limite : Dt -> 0 => rDt/2(t-ti) -> d(t-ti)

∞
=> ẽ(t)≅ ∑ e(t i ) r ∆t/2 (t −t i )∆t devient:
i=−∞
∞
ẽ(t)≅ ∑ e(t i ) δ(t −t i )∆t
i=−∞

-> Réponse du système

Entrée -S-> Sortie
d(t) -S-> h(t)
d(t-ti) -S-> h(t-ti) (si S stationnaire)
e(ti) Dt d(t-ti) -S-> e(ti) Dt h(t-ti) (si S linéaire)
∞
=> s(t)≅ ∑ e(t i ) h(t −t i )∆t
i=−∞

-> Passage à la limite : Dt -> 0, => Â -> Ú

=> Dt -> dt'
=> ti -> t'
∞ ∞
ẽ(t)≅ ∑ e(t i ) r ∆t/2 (t −t i )∆t devient e(t)= ∫ e(t' ) δ(t −t' )dt'
i=−∞ −∞
et
∞
s(t)= ∫ e(t' ) h(t−t' )dt' = e(t)∗h(t)
−∞

Le signal de sortie d'un système est le produit de convolution du

signal d'entrée par la réponse impulsionnelle.

50
 -> Représentation graphique

e(t) s(t)

-S->

t t
e1=e(t1) s1(t)

-S->

t t
e2=e(t2) s2(t)

-S->

t t
e3=e(t3) s3(t)

-S->

t t
e4=e(t4) s4(t)

-S->

t t

51
• Exemple de convolution : le circuit RC

R
e(t) s(t)

=> RC s'(t) + s(t) = e(t)

Résolution de l'équation différentielle du premier ordre
∞
=> s(t)= ∫ e(t' ) h(t −t' )dt' = e(t)∗h(t)
−∞
− x
avec h(x)= 1 e RC u(x) réponse impulsionnelle
RC

h(t)
1/RC

e-1/RC

0
t
0 t=RC

52
V-2 - Définition d'un filtre - Réponse harmonique

• Définition d'un filtre

Un filtre est un système linéaire, continu et invariant.

Un filtre est entièrement défini par sa réponse harmonique
(ou fonction de transfert).

∞
-> Considérons un signal périodique e(t) =>e(t) = ∑ C n e 2πinλt
n=−∞
avec l : fréquence fondamentale
nl (n 1) : harmoniques
T=1/l : période fondamentale
T/2
Cn = 1
∫ e(t) e −2πinλt dt : coefficients de Fourier
T
−T/2

-> On applique se signal e(t) à l'entrée d'un filtre

=> s(t) = A e(t)
∞
= A ∑ C n e 2πinλt
n=−∞
∞
= ∑ C n Ae 2πinλt
n=−∞
=> Pour connaitre s(t) quelque soit e(t) il suffit
de connaitre Ae 2πinλt

53
-> Remarque: Pour un signal e(t) non périodique on a un
résultat similaire :
∞
e(t) = ∫ C(ν)e i2πνt dν
−∞
∞
C(ν) = ∫ e(t) e −i2πνt dt
−∞
∞ ∞
i2πνt
s(t) = A e(t) = A ∫ C(ν)e dν = ∫ C(ν) Ae i2πνt dν
−∞ −∞
=> Pour connaitre s(t) quelque soit e(t) il suffit
de connaitre Ae 2πiνt

-> Détermination de snl(t) = Ae 2πinλt

=> snl(t) = H(nl) e 2πinλt

Remarque : dans le cas continu, sn(t) = H(n) e 2πiνt

La fonction H : R -> C est la réponse harmonique du filtre A

Tout signal monochromatique de fréquence l est une fonction

propre de tout filtre A et sa valeur propre est H(l)

Ae 2πiλt = H(λ)e 2πiλt

Remarque : cas continu, Ae 2πiνt = H(ν)e 2πiνt

54
• Conclusion

La réponse harmonique H(n) nous montre donc comment

se transforme, par le filtre A, une composante à la fréquence n

- Si e(t) est périodique (T=1/l)

∞
s(t) = A e(t) = A ∑ C n e 2πinλt
n=−∞
∞ ∞
= ∑ C n Ae 2πinλt
= ∑ C n H(nλ)e 2πinλt
n=−∞ n=−∞

- Si e(t) n'est pas périodique

∞
s(t) = A e(t) = A ∫ C(ν)e i2πνt dν
−∞
∞ ∞
i2πνt
= ∫ C(ν) Ae dν = ∫ C(ν) H(ν)e i2πνt dν
−∞ −∞

- Généralement : on a C(n) = TF(e) et C(n) H(n) = TF(s)

TF(s)
=> H(ν) =
TF(e)

• Exemple : Réponse harmonique du filtre RC

R
e(t) s(t)

C
=> RC s'(t) + s(t) = e(t)

"n, e 2πiνt est fonction propre de tout filtre

e(t)=e 2πiνt -> s(t)=H(n) e 2πiνt
55
RC s'(t) + s(t) = e(t)
=> 2pinRC H(n) e 2πiνt +H(n) e 2πiνt = e 2πiνt
=> (2pinRC + 1) H(n) e 2πiνt = e 2πiνt
=> H(ν)= 1
1+2πiνRC

1
Module : H(ν) = filtre passe-bas
1 + (2πνRC) 2
1.2
RC=1
1.0

0.8
|H(n )|

0.6

0.4
0.2

0.0
-40 -30 -20 -10 0 10 20 30 40
n (Hz)
Représentation log-log
100
RC=1
1/÷2
|H(n )|

10-1

1
nc =
2pRC
10-2
0.01 0.1 1 10
n (Hz)
56
V-3 - Réponse indicielle - Gain d'un filtre

• Réponse indicielle

Définition : C'est la réponse à un échelon unité (fonction u(t))

Système
e(t)=u(t) s(t)=h1(t)

∞
h1(t) = u(t) * h(t) = ∫ h(t' )u(t −t' )dt'
−∞
t
= ∫ h(t' ) dt' puisque u(x) = 0 pour x<0
−∞
t
= ∫ h(t' ) dt' puisque h(x) = 0 pour x<0 (voir chap V-5)
0

La réponse indicielle est l'intégrale de la réponse impulsionnelle

• Gain d'un filtre

Définition : K = lim h1 (t)

t→∞

K peut être calculée à partir de la réponse harmonique:

=> K = H(0)

57
V-4 - Cas général : Méthode de calcul des réponses

Filtres analogiques gouvernés par une équation différentielle

q p
Forme générale : ∑ b k s (t) = ∑ a j e (j) (t)
(k)
k=0 j=0
.(k) désigne la kième dérivée par rapport au temps
Condition restrictive : s(t) et e(t) acceptent une TF

• Calcul de la réponse harmonique

 q (k)   p (j) 
TF ∑ b k s  = TF ∑ a j e 
 k=0   j=0 

∑ b k TF(s )= ∑ a j TF(e (j) )

q p
(k)
(linéarité)
k=0 j=0
q p
∑ b k (2πiν) TF(s) = ∑ a j (2πiν) j TF(e)
k
(dérivation)
k=0 j=0
p
∑ a j (2πiν) j
=> TF(s) = TF(e)
j=0
q
∑ b k (2πiν) k
k=0
p p
On note : P(x)= ∑ a j x j
et Q(x)= ∑ b j x j
j=0 j=0

P(2πiν)
=> TF(s) = TF(e)
Q(2πiν)

Condition restrictive : Q(x) ne s'annule pas pour x imaginaire

pur : la fraction P/Q n'a pas de pôles sur l'axe imaginaire.

58
 P(2πiν) TF(s)
On a donc : TF(s) = TF(e) et comme H(ν) =
Q(2πiν) TF(e)

P(2πiν)
=> H(ν) =
Q(2πiν)

Si le degrés de P < degrés de Q, H(n) est à décroissance rapide

et admet donc une transformée de Fourier inverse.

Or d'aprés le théorème de convolution :

TF(s) = H(n) TF(e) <=> s(t) = TF-1(H) * e(t)

et comme : s(t) = h(t) * e(t) <=> h(t) = TF-1(H)

<=> H(n) = TF(h)

La transformée de Fourier de la réponse

n)
impulsionnelle h(t) est la réponse harmonique H(n

• Calcul de la réponse impulsionnelle

h(t) = TF-1(H) se calcule dans le cas général en faisant la TF

inverse de la décomposition de H en éléments simples.

2 cas :
P(2πiν)
- H(ν) = n'a que des pôles simples (1)
Q(2πiν)
P(2πiν)
- H(ν) = a des pôles multiples (2)
Q(2πiν)

59
 P(2πiν) q βk
(1) H(ν) = = ∑
Q(2πiν) z −2πiν
k=1 k
zk : pôles de H (zéro de Q)
bk : coefficient de la décomposition
q
 βk 
=> h(t) = TF (H) = ∑ TF −1
−1
k=1  z k −2πiν

=> h(t) = − ∑ β k e z k t u(t) + ∑ βk e

zkt
u(−t)
− +
k∈K k∈K
avec K+ = {k Î {1, 2,...,q}; Réelle(zk)>0}
et K- = {k Î {1, 2,...,q}; Réelle(zk)<0}

(2) H(n) a des pôles multiples

pôles : z1, z2, ... zl de multiplicité , m1, m2..., ml
bkm : coefficient de la décomposition
P(2πiν) l mk β km
H(ν) = = ∑ ∑
Q(2πiν) k=1 m=1(z −2πiν)
m
k

−1
 1 β km
mk  −1
=> h(t) = TF (H) = ∑ ∑ TF  m
k=1 m=1  (z k −2πiν) 

=> h(t) = u(t) ∑ P k (t)e z k t − u(−t) ∑ P k (t)e z k t

k∈K − k∈K +
avec K+ = {k Î {1, 2,...,l}; Réelle(zk)>0}
K- = {k Î {1, 2,...,l}; Réelle(zk)<0}
mk
t m−1
et P k (t) = ∑ β mk (−1) m
m=1 ( m −1) !

60
V-5 - Stabilité et causalité

• Filtre stable

Soit un filtre A, on démontre que A stable

<=> degrés(P) £ degrés(Q) (a)
P/Q n'a pas de pôles sur l'axe imaginaire (b)

P(2πiν)
(a) sinon H(ν) = ne décroit pas avec n
Q(2πiν)
=> pas de TF-1(H)
(b) sinon $n0 tel que H(n0) = ¥

• Filtre réalisable (ou causal)

Rappel sur la causalité: Si "t < t0, e1(t) = e2(t)

=> "t < t0, s1(t) = s2(t)
Dans le cas d'un filtre on peut écrire:
si e1(t) = e2(t) + e(t) avec e(t)=0 "t<t0
alors s1(t) = s2(t) + s(t) => s(t)=0 "t<t0

On démontre que A est réalisable

<=> support(h) Ì [0, +¥
¥[
<=> h(t)=0 " t<0

61
En effet, si -> support(h) Ì [0, +¥[ => h(s)=0 "s<0
-> e(t)=0 "t<t0
∞
alors le produit de convolution s(t)= ∫ h(s)e(t−s)ds devient
−∞
t−t 0 0
s(t)= ∫ h(s)e(t −s)ds et en particulier s(t 0 )= ∫ h(s)e(t 0 −s)ds = 0
0 0

Application :

=> h(t) = − ∑ β k e z k t u(t) + ∑ βk e

zkt
u(−t)
− +
k∈K k∈K
avec K+ = {k Î {1, 2,...,q}; Réelle(zk)>0}
et K- = {k Î {1, 2,...,q}; Réelle(zk)<0}

=> h(t) = u(t) ∑ P k (t)e z k t − u(−t) ∑ P k (t)e z k t

k∈K − k∈K +
avec K+ = {k Î {1, 2,...,l}; Réelle(zk)>0}
K- = {k Î {1, 2,...,l}; Réelle(zk)<0}
mk
t m−1
et P k (t) = ∑ β mk (−1) m
m=1 ( m −1) !

Pour que support(h) Ì [0, +¥[ il faut et il suffit que K+ = Æ

• Conclusion sur la stabilité et la causalité

Un filtre A est réalisable et stable

ô
Tous les pôles de P/Q ont une partie réelle négative

62
63