Département EEEA, 2A Octobre 2020

EXERCICES DE TRAITEMENT DU SIGNAL - Signaux aléatoires - N7EE10A

TD1
Corrélations et DSP

Exercice 1 : Etude du secteur

On considère dans cet exercice différents modèles du secteur et on étudie la densité spectrale de puissance des
signaux obtenus à l’aide de ces modèles.
1. Dans une première approche, on utilise le modèle :

X (t) = A0 cos (2πf0 t)

√
où f0 = 50Hz et A0 = 220 2V . Préciser la classe à laquelle appartient le signal X(t) puis déterminer sa
fonction d’autocorrélation RX (τ ) et sa densité spectrale de puissance SX (f ).
2. On considère ensuite le modèle suivant :

X (t) = A0 cos (2πf0 t + θ)

√
θ étant une variable aléatoire uniformément répartie sur l’intervalle [0, 2π[, f0 = 50Hz et A0 = 220 2V .
Préciser la classe à laquelle appartient le signal X(t) puis déterminer sa moyenne, sa fonction d’autocor-
rélation RX (τ ) et sa densité spectrale de puissance SX (f ).
3. La fréquence du courant électrique n’est jamais exactement f0 = 50Hz. Afin de modéliser les variations
en fréquence, on considère le modèle :

X (t) = A0 cos (2πf t + θ)

f étant une variable uniformément répartie sur l’intervalle [f0 − ∆f, f0 + ∆f ] indépendante de θ. Calcu-
ler alors la moyenne, la fonction d’autocorrélation et la densité spectrale de puissance de X (t).

Exercice 2 : Modulation d’amplitude

Soit A(t) un signal aléatoire stationnaire, réel, de fonction d’autocorrélation RA (τ ) et de densité spectrale de
puissance SA (f ) définie par : 
α, si |f | ≤ F
SA (f ) =
0, sinon.
On considère le signal X(t) = A(t) cos (2πf0 t + θ), avec F  f0 et θ une variable aléatoire uniformément
répartie sur l’intervalle [0, 2π[ indépendante de A(t).
1. Montrer que X(t) est un processus aléatoire stationnaire. Déterminer et représenter graphiquement sa
densité spectrale de puissance.
2. Afin de retrouver le signal A(t) à partir de X(t), on construit le signal Y (t) = X(t) cos (2πf0 t + θ).
Déterminer et tracer la densité spectrale de puissance de Y (t). Quel traitement doit-on utiliser pour
retrouver A(t) à partir de Y (t) ?
3. Montrer qu’on retrouve les mêmes résultats qu’aux questions 1 et 2 lorsque A(t) est un signal à énergie
finie et θ une phase fixe (que l’on prendra égale à 0 pour simplifier les calculs).

1
 TD2
Filtrage linéaire

Exercice 3 : Rapport Signal sur Bruit (RSB) en sortie d’un filtre linéaire

Considérons un filtre linéaire de réponse en fréquence :

1
H(f ) =
θ + j2πf

On applique à l’entrée de ce filtre un processus aléatoire X(t) constitué de la somme d’un signal sinusoı̈dal
s(t) = A sin (2πf0 t), où f0 et A sont des constantes et d’un bruit blanc stationnaire réel B(t), de densité spectrale
de puissance sB (f ) = N20 ∀f :
X(t) = s(t) + B(t)
Le filtre étant linéaire, la sortie du filtre s’écrit :

Y (t) = Ys (t) + YB (t)

où Ys (t) représente la réponse du filtre à l’entrée s(t) et YB (t) représente la réponse du filtre à l’entrée B(t).
1. Donner l’expression du rapport Signal sur Bruit à la sortie du filtre :
PY s
RSB =
PY B

où PYs représente la puissance du signal Ys (t) et PYB la puissance du signal YB (t).
2. Montrer qu’il est maximal pour θ = 2πf0 .
 
PYs
Remarque : Le rapport Signal sur Bruit en décibels (dB) est défini par : RSB = 10 log10 PY B (dB). On
le note aussi SNR (Signal to Noise Ratio).

Exercice 4 : Annulateur de bruit

N0
Soit X(t) un bruit blanc stationnaire, réel, de densité spectrale de puissance SX (f ) = 2 ∀f , attaquant le
système décrit par la figure 1,
où H1 (f ) est un filtre passe-bande défini par :
 
∆f ∆f
H1 (f ) = 1 pour |f | ∈ f0 − , f0 +
2 2
= 0 ailleurs

et H2 (f ) une ligne à retard T réglable définie par :

Figure 1 : Annulateur de bruit
H2 (f ) = e−i2πT f
1. Calculer la puissance du signal de sortie Y (t) en fonction de la puissance et de l’autocorrélation du signal
X1 (t), respectivement notées PX1 et RX1 (τ ).
2. Calculer PX1 en fonction de N0 et de ∆f .
3. Calculer la fonction d’autocorrélation du signal X1 (t) notée RX1 (τ ) en fonction de N0 et de ∆f .
4. En déduire l’expression de la puissance de Y (t) en fonction de N0 , ∆f et T . Tracer les variations de cette
puissance lorsque T varie.
5. Que se passe-t-il lorsque :
— T ≈ 2f10 ?
1
— T  ∆f ?

2
 TD3
Filtrage non linéaire

Exercice 5 : Filtrage non linéaire de type exponentiel

On considère un filtre non linéaire de type exponentiel. Si X (t) est l’entrée du filtre, la sortie Y (t) s’écrit :

Y (t) = exp [X(t)] .

L’entrée du filtre est un bruit gaussien, réel, centré, de variance σ 2 .

1. Calculez la moyenne du signal en sortie du filtre.
2. Calculez la variance du signal en sortie du filtre.
3. Calculez la fonction d’autocorrélation du signal en sortie du filtre en fonction de celle du signal à l’entrée.


Remarque : On rappelle que la fonction génératrice des moments d’une loi gaussienne N m, σ 2 est :

σ2 2
 
 Xu 
m (u) = E e = exp mu + u
2

Exercice 6 : Filtrage non linéaire de type cubique

On considère le filtre non linéaire sans mémoire d’entrée X(t) et de sortie Y (t) défini par :

Y (t) = X 3 (t)

On suppose que X(t) est un processus aléatoire, réel, Gaussien, stationnaire de moyenne nulle et de fonction
d’autocorrélation RX (τ ).
1. En utilisant le théorème de Price, donner une équation différentielle liant la fonction d’autocorrélation de
Y (t), notée RY (τ ), et RX (τ ). En déduire une expression de RY (τ ) en fonction de RX (τ ) à une constante
additive près.
2. On rappelle le résultat suivant, valable pour une variable aléatoire Z gaussienne de moyenne nulle et de
variance σ 2 :
E Z 2n = (2n)!!σ 2n avec (2n)!! = (2n − 1) × (2n − 3) × ... × 3 × 1
 

En déduire le constante additive intervenant dans la relation entre RY (τ ) et RX (τ ).

Exercice 7 : Signe d’un processus aléatoire

On considère le filtre non linéaire sans mémoire d’entrée X(t) et de sortie Y (t) défini par :

Y (t) = signe[X(t)]

On suppose que X(t) est un processus aléatoire, réel, Gaussien, stationnaire de moyenne nulle et de fonction
d’autocorrélation RX (τ ).
1. En utilisant le théorème de Price, donner une équation différentielle liant la fonction d’autocorrélation de
Y (t), notée RY (τ ), et RX (τ ). En déduire une expression de RY (τ ) en fonction de RX (τ ) à une constante
additive près. On rappelle la primitive suivante
Z
1 u
√ du = Arcsin +K
a2 − u2 a

2. Déterminer la constante additive intervenant dans la relation entre RY (τ ) et RX (τ ).

3
 TD4
Processus aléatoires

Exercice 8 : Arrivée d’appels téléphoniques

On suppose que les appels téléphoniques arrivant à l’N7 suivent un processus de Poisson de paramètre λ. Sachant
que deux appels sont arrivés entre 7h00 et 8h00, quelle est la probabilité
1. que ces deux appels soient arrivés entre 7h00 et 7h30 ?
2. l’un au moins de ces appels soit arrivé entre 7h00 et 7h30 ?
On rappelle que si X suit une loi de Poisson de paramètre a > 0, on a

ak −a
P [X = k] = e , k ∈ N.
k!

Exercice 9 : Processus multi-niveaux à transitions Poissonniennes

On considère une suite d’instants {tj }j∈Z associée à un processus de Poisson homogène de paramètre λ et on
forme le signal aléatoire X(t) de la manière suivante

X(t) = An si t ∈ [tn , tn+1 [

où {An }n∈Z est une suite de variables aléatoires centrées de corrélation stationnaire c(k), c’est-à-dire telle que

E[An ] = 0, E[An An+k ] = c(k).

1. Calculer la fonction d’autocorrélation de X(t) en fonction des corrélations c(k) et de λ.

2
2. Application au cas c(k) = σA δ(k). Comparer au signal des télégraphistes.
2 k
3. Application au cas d’une suite Markovienne définie par c(k) = σA p avec |p| < 1.

Exercice 10 : Changement d’horloge

On considère un signal des télégraphistes A(t) à valeurs dans {−1, +1} et un signal aléatoire stationnaire Z(t)
de moyenne nulle, de fonction d’autocorrélation RZ (τ ) et de densité spectrale de puissance sZ (f ). On suppose
que les signaux A(t) et Z(t) sont indépendants et on s’intéresse au signal V (t) = Z (t − A(t)) qui prend en
compte le fait qu’on ne connait pas parfaitement les instants auxquels sont observés le signal Z(t).
1. Calculer les deux fonctions caractéristiques suivantes
h i h i
ψ(f ) = E e2iπf A(t) , φ(τ, f ) = E e2iπf [A(t−τ )−A(t)] .

2. Déterminer la moyenne et la fonction d’autocorrélation du signal V (t) que l’on exprimera en fonction de
sz (f ) et de φ(τ, f ).

4
 Transformée de Fourier
! !
X(f ) = x(t)e−i2πf t dt
R
x(t) = R X(f)ei2πf t df
T.F.
x(t) réelle paire ⇋ X(f) réelle paire
x(t) réelle impaire ⇋ X(f
) imaginaire pure impaire

 Re {X(f )} paire

Im {X(f )} impaire
x(t) réel ⇋

 |X(f )| pair

arg {X(f)} impaire
ax(t) + by(t) ⇋ aX(f ) + bY (f )
x(t − t0 ) ⇋ X(f )e−i2πf t0
x(t)e+i2πf0 t ⇋ X(f − f0 )
∗
x (t) ⇋ X ∗ (−f)
x(t) . y(t) ⇋ X(f) ∗ Y (f)
x(t) ∗ y(t) ⇋ X(f) . &Y (f)
'
x(at) ⇋ 1
|a|
X fa
dx(n) (t)
dtn
⇋ (i2πf)n X(f)
dX (n) (f )
n
(−i2πt) x(t) ⇋ df n

Formule de Parseval Série de Fourier

! ! ( (
x(t)y ∗
(t)dt = X(f)Y ∗ (f )df x(t) = cn e ⇋ X(f ) = cn δ (f − nf0 )
+i2πnf0 t
R! !R n∈Z
|x(t)| dt = R |X(f)|2 df
2
1
! T0 /2 n∈Z −i2πnf t
R avec cn = T0 −T0 /2 x(t)e 0
dt

T.F.
1 ⇋ δ (f) Π ( t)
T
δ (t) ⇋ 1 1
e+i2πf0 t ⇋ δ (f − f0 ) t
(δ (t − t0 ) ⇋ −i2πf t0
(e & ' -T /2 T /2
δ (t − kT ) ⇋ 1
T
δ f − k
T
k∈Z k∈Z
cos (2πf0 t) ⇋ 1
2
[δ (f − f0 ) + δ (f + f0 )] Λ T (t)

sin (2πf0 t) ⇋ 1
2i
[δ (f − f0 ) − δ (f + f0 )] 1
t
e−a|t| ⇋ 2a
a2 +4π 2 f 2
-T T
⇋
2 −πf 2
e−πt e
!!!!!! Attention !!!!!
ΠT (t) ⇋ sin(πT f )
T πT f = T sin c (πT f ) ΠT (t) est de support égal à T .
ΛT (t) ⇋ T sin c2 (πT f) ΛT (t) est de support égal à 2T
B sin c (πBt) ⇋ ΠB (f ) et on a ΠT (t) ∗ ΠT (t) = T ΛT (t)
B sin c2 (πBt) ⇋ ΛB (f )
) *
0 si t &= 0
δ (t) = et δ (t) dt = 1
+∞ si t = 0 R
δ (t − t0 ) f (t) = δ (t − t0 ) f (t0 )
δ (t − t0 ) ∗ f (t) = f(t − t0 )