Académique Documents
Professionnel Documents
Culture Documents
Ex #1 :
a) Pour chaque signal analogique xa(t), calculer sa transformée en Z (T.Z).
- xa(t)=u(t) avec u(t)=1 pour t>0 et 0 ailleurs
- xa(t) = e-at
- xa(t)=tu(t)
Ex #2 :
(a) Calculer la T.Z inverse de la fonction suivante utilisant
- La méthode des fractions rationnelles (partial-fraction expansion method).
- La méthode de la série en puissnace (power-series method).
- La méthode de l’inversion de la formule (la méthode des résidus : inversion formula
method).
(1 e aT ) z
H ( z)
( z 1)( z e aT )
(b) Calculer la T.Z inverse de la fonction suivante utilisant la méthode des fractions
rationnelles
6 9 z 1
H ( z)
1 2.5 z 1 z 2
(c) Calculer la T.Z inverse de la fonction suivante utilisant la méthode des résidus
1 2 z 1 z 2
H ( z)
1 z 1 0.356 z 2
(d) Calculer la T.Z inverse de la fonction suivante utilisant la méthode en série de puissance
1
H ( z)
1 az 1
46
TD#2 :( Filtres numériques RII : gabarits de Butterworth et Chebyshev)
Ex#1 :
On veut concevoir un filtre numérique passe-bas à partir d’un filtre analogique de Butterworth
en utilisant la méthode de transformation bilinéaire. Les spécifications du filtre analogique
sont les suivantes :
- Une atténuation de 3dB à =0.25
- Une atténuation de 10dB à =0.45
Ex#2 :
On veut concevoir un filtre numérique passe-bas à partir d’un filtre analogique de Butterworth
en utilisant la méthode basée sur la méthode de l’invariance impulsionnelle. Les spécifications
du filtre analogique sont les suivantes :
- Une atténuation de 1dB à =0.25
- Une atténuation de 10dB à =0.45
Ex#3 :
On veut concevoir un filtre numérique passe-bas à partir d’un filtre analogique de Chebyshev
en utilisant la méthode de l’invariance impulsionnelle. Les spécifications du filtre analogique
sont les suivantes :
- Une atténuation de 3dB à =0.2
- Une atténuation de 10dB à =0.4
Calculer N, c et les pôles dont la partie réelle est négative ainsi que la fonction de transfert
du filtre analogique et numérique en supposant que les spécifications de la bande passante
sont satisfaites.
Ex#4 :
On veut concevoir un filtre numérique passe-bas à partir d’un filtre analogique de Chebyshev
en utilisant la méthode basée sur la transformation bilinéaire. Les spécifications du filtre
analogique sont les suivantes :
- Une atténuation de 1dB à =0.25
- Une atténuation de 10dB à =0.45
47
Solutions de la série de TD #2
Ex #1 :
La conception du filtre numérique à partir du gabarit de Butterworth par la méthode de la
transformation bilinéaire repose sur les cinq étapes suivantes :
H a ( j p ) 3dB, avec p 0.25
Les spécifications imposées sont :
H a ( j s ) 10dB , avec s 0.45
(1) Calcul de c et N :
La méthode de la transformation bilinéaire est basée sur
2 1 z 1 2 1 e j 2 e j / 2 e j / 2 e j / 2 e j / 2 2 e j / 2 e j / 2
s
T 1 z 1 T 1 e j T e j / 2 e j / 2 e j / 2 e j / 2 T e j / 2 e j / 2
e jx e jx
sin( x) sin( / 2)
2j
Utilisant et avec T=1, on obtient s 2 j tan( / 2)
cos( x) e e
jx jx cos( / 2)
2
Le module du filtre analogique de Butterworth est donné par
H a ( j) 1 ( / c ) 2 N
1 / 2
20 log10 H a ( j) 10 1 ( / c ) 2 N
D’après les spécifications désirées du filtre, nous avons
10 log10 1 (2 tan( p / 2) / c ) 3
2N
(2 tan( p / 2) / c ) 10 1
2N 3 / 10
10 log 10 1 ( 2 tan( s / 2) / c ) 2N
10
(2 tan( s / 2) / c ) 10
2N 10 / 10
1
N
1
log (10 1) /(10 0.3 1)
=1.5215
2 logtan(0.45 / 2) / tan(0.25 / 2)
On prend N=2. On considère l’équation qui désigne la 2ème spécification, on trouve
c 2 tan(0.45 / 2)9 1 / 2 N =0.9862=0.3139
Alors, les spécifications de la bande passante sont dépassées et les spécifications de la bande
d’arrêt sont maintenues ou satisfaites. Im
/2
(2) Calcul des pôles de Ha(s) :
s1
On a deux pôles (N=2) à parties réelles négatives dans le cercle
c Re
ci-contre de rayon c 0.9862 . On fait des projections sur
les deux axes, on obtient
s2
48
s1 c ( 2 j 2 )
s1 c (cos( / 4) j sin( / 4)) 2
s 2 c (cos( / 4) j sin( / 4)) s c ( 2 j 2 )
2 2
(3) Calcul de la F.T analogique Ha(s) :
La F.T générale en S est obtenue par
N sk cN
H a ( s)
k 1 ( s s k ) ( s s1 )(s s 2 )...(s s N )
On a N=2, la F.T devient
c2 0.9726
H a ( s)
s 2 c s
2 2
c
s 1.3947 s 0.9726
2
Y ( z) c2 (1 z 1 ) 2
H ( z)
X ( z ) 4(1 z 1 ) 2 2 2 c (1 z 2 ) c2 (1 z 1 ) 2
c2 2 c2 z 1 c2 z 2
(4 2 2 c c2 ) (2 c2 8) z 1 (4 2 2 c c2 ) z 2
0.9726 1.9452 z 1 0.9726 z 2
7.7620 6.0548 z 1 2.1832 z 2
0.1253 0.2506 z 1 0.1253z 2
1 0.7801z 1 0.2813z 2
Utilisant un calculateur, l’algorithme du filtre numérique résultant est finalement donné par
y(n) 0.1253x(n) 0.2506 x(n 1) 0.1253x(n 2) 0.7801y(n 1) 0.2813 y(n 2)
x(n) y(n)
h(n)
Ex #2 :
La conception du filtre numérique à partir du gabarit de Butterworth par la méthode de
l’invariance impulsionnelle repose sur les 5 étapes suivantes :
49
H a ( j p ) 1dB, avec p 0.25
Les spécifications sont :
H a ( j s ) 10dB , avec s 0.45
(1) Calcul de c et N :
D’après les spécifications désirées du filtre, nous avons
0.25
2N
1 101 / 10
10 log 10 1 ( p / c )
2N
1 c
10 log 10 1 ( s / c )
2N
10 0.45
2N
1 1010 / 10
c
La solution de ces équations mène à
1 log (10 1) /(101 / 10 1)
3.0185
N
2 log(( 0.45 ) /( 0.25 ))
0.45 9 1 / 2 N 0.9824 0.3127
c
Cependant, on doit prendre une valeur entière de N. D’où
N 4
Les spécifications de la bande passante sont
c 0.45 9 1.0742 0.3419
1 / 2 N
50
1.3315
H a ( s)
s 2.8070s 3.9397 s 2 3.2390s 1.3315
4 3
Maintenant, on doit exprimer Ha(s) en une somme de fractions (partial fraction expansion).
b( s ) bm s m bm 1 s m 1 ... b1 s b0
H a s k (s)
a( s) a n s n a n 1 s n 1 ... a1 s a0
N Ak A A2 A3 A4
1
k 1 s s k s p1 s p 2 s p3 s p 4
On utilise la commande Matlab suivante, on obtient
>> b = [1.3315];
>>a = [1 -2.8070 3.9397 -3.2390 1.3315];
>> [r,p,k] = residue(b,a),
1.3315
A1 0.4963 - j1.1978
( s s 2 )( s s3 )( s s 4 ) s s1
A 1.3315
0.4963 j1.1978 p1 0.9924 j0.4111
2
( s s1 )( s s3 )( s s 4 ) p - 0.9924 - j0.4111
s s2 2
et
A 1.3315 p3 - 0.4111 j0.9924
3 ( s s )( s s )( s s ) 0.4963 j0.2056 p 4 0.4111 - j0.9924
1 2 4 s s3
1.3315
A4 0.4963 - j0.2056
( s s1 )( s s 2 )( s s3 ) s s4
51
y(n) b0 x(n) b1 x(n 1) b2 x(n 2) b3 x(n 3) b4 x(n 4)
a1 y(n 1) a 2 y (n 2) a3 y(n 3) a 4 y(n 4)
Utilisant un calculateur, l’algorithme du filtre numérique résultant est finalement donné par
y(n) 0.9696 x(n) -2.0413 x(n 1) 1.6669 x(n 2) 0.7844 x(n 3) 0.1189 x(n 4)
1.4044 y(n 1) 1.0695 y(n 2) 0.3983 y(n 3) 0.0604 y(n 4)
x(n) y(n)
h(n)
Ex #3 :
La conception du filtre numérique à partir du gabarit de Chebyshev par la méthode de la
l’invariance impulsionnelle repose sur les cinq étapes suivantes :
H a ( j p ) 3dB, avec p 0.2
Les spécifications sont :
H a ( j s ) 10dB , avec s 0.4
(1)Calcul de c , et N :
D’après le filtre analogique de Chebyshed, on peut écrire
1
H a ( j)
2
1 V ( / c )
2 2
N
20 log 10 H a ( j p ) 3
20 log 10 H a ( j s ) 10
20 log10 1 2 cosh 2 N .0 3 , on sait que cosh 2 N .0 1 2 103 / 10 1 =0.9976
2
2
cosh N cosh ( s / p ) 10
1
10 / 10
1
On obtient
cosh N cosh 1 ( s / p ) 1010 / 10 1
N
cosh 1 (10 1) /(10 0.3 1)
1.3404
100.3 1 cosh 1 ( s / p )
52
(2) Calcul des pôles de Ha(s) :
On a 2 pôles car N=2 à parties réelles négatives espacés d‘un angle de / 2 sur une ellipse de
rayons mineur et majeur. Im
Plan-S
1 1 2 2.4183 2
a
2
1 1/ N
1 / N 0.4560 s1
1 1/ N b c
b 2 1 / N 1.0991
Re
Les projections sur les deux axes sont :
s1, 2 a c cos( / 4) jb c sin( / 4)) a c
0.2026 j 0.4883 s2
s k
N
N impair
k 1 s s k
1 2 sk 1 s1 s 2
Dans notre cas, N=2, alors la F.T devient H a ( s)
1 2 k 1 s s k 1 2 ( s s1 )(s s 2 )
0.2795
H a ( s) ?
( s 0.4052s 0.2795)
2
Maintenant, on doit exprimer Ha(s) en une somme de fractions (partial fraction expansion).
A1 A2
H a s k ( s)
s p1 s p 2
On obtient
0.2795
A1 j0.2862
(s s2 ) s s1 p1 0.2026 j0.4883
et
A 0.2795 p 2 - 0.2026 - j0.4883
2 (s s ) j0.2862
1 s s2
j0.2862
H a s
j0.2862
s 0.2026 j0.4883 s 0.2026 j0.4883
(4) Calcul de la F.T numérique H(z) :
H(z) est obtenue directement par la méthode de l’invariance impulsionnelle comme suit
53
N Ak j0.2862 j0.2862
H ( z) s k T 1
0.2026 j0.4883 1
0.2026 j0.4883 1
k 11 e z 1 e z 1 e z
1
0.2165 z
1 1.4423z 1 0.6668 z 2
(5) Calcul de la sortie du filtre numérique y(n) :
A partir de l’équation précédente avec a0=1, la sortie du filtre est donné par
y(n) b0 x(n) b1 x(n 1) a1 y(n 1) a 2 y(n 2)
0.2165 x(n 1) 1.4423 y(n 1) 0.6668 y (n 2)
x(n) y(n)
h(n)
Ex #4 : (devoir)
54
TD#3 :( Filtres numériques RIF : méthode de fenêtrage)
Ex #1 :
Calculer la réponse impulsionnelle d’un filtre passe-bas RIF (Fig. 1) à phase linéaire avec les
hypothèses suivantes :
N=8, c =0.25 et l’utilisation de la fenêtre de Hamming ci-dessous
2n
w(n) 0.54 0.46 cos , 0 n N 1
N 1
H d (e j )
c c
Ex #3 :
On veut concevoir un filtre passe-bande RIF (Fig. 2) à phase linéaire en utilisant la fenêtre de
Hamming avec
N= 7, c 1=0.2 et c 2=0.4
1) Calculer les coefficients de la réponse impulsionnelle.
2) Calculer la phase et l'amplitude de la réponse fréquentielle.
H d (e j )
2 - 1 1 2
55
Ex #1 :
La méthode fenêtrage d’un filtre passe-bas RIF est comme suit
h(n) hd (n)w(n)
1 c j (n - ) sin c (n )
hd n e d. avec ( N 1) / 2 H d (e j )
2 c (n )
La fenêtre de Hamming s’écrit par
2n
w(n) 0.54 0.46 cos
N 1 c c
La réponse impulsionnelle est donnée par
sinc (n ( N 1) / 2) 2n
h( n ) 0.54 0.46 cos , n=0, …, N-1
(n ( N 1) / 2) N 1
A.N
N=8; n=0:7;
h=(0.54-0.46*cos(2*pi*n./(N-1))).*sin(0.25*pi*(n-(N-1)/2))./(pi*(n-(N-1)/2))
h(n)=[0.0028 0.0298 0.1259 0.2325 0.2325 0.1259 0.0298 0.0028] ;
On remarque que h(n) est symétrique par rapport à (N-1)/2. la F.T en Z du filtre RIF est
H ( z ) 0.0028 0.0298 z 1 0.1259 z 2 0.2325 z 3 0.2325 z 4
0.1259 z 5 0.0298 z 6 0.0028 z 7
Alors la sortie du filtre devient
y(n) 0.0028 x(n) 0.0298x(n 1) 0.1259 x(n 2) 0.2325 x(n 3) 0.2325 x(n 4)
0.1259 x(n 5) 0.0298x(n 6) 0.0028 x(n 7)
x(n) y(n)
h(n)
0.25
Ex #2 : 0.2
1) Coefficients de la réponse
h(n)
0.15
0.05
Utilisant la fenêtre de Hannig, la conception du filtre
0
h(n) hd (n)w(n)
où
56
1 c j (n - ) sin c (n )
h ( n ) e d
2 c (n )
d
avec ( N 1) / 2 et n=0, …, N-1
w(n) 0.5 1 cos 2 n
N 1
sin( x) H d (e j )
On sait que lim 1 , alors
x 0 x
sinc (n ( N 1) / 2) c sinc (n ( N 1) / 2)
(n ( N 1) / 2) c (n ( N 1) / 2)
c c
sin( x) c
En posant x c (n ( N 1) / 2) c lim
x 0 x
D’où
sinc (n ( N 1) / 2) 2n
0.51 cos , n
(n ( N 1) / 2) N 1
h( n)
0.5 c 1 cos 2n , n
N 1
A.N
Pour c 0.2 et N=7, on trouve
h(n)=[ 0 0.0378 0.1403 0.2000 0.1403 0.0378 0]
et
H ( z) 0.0378z 1 0.1403z 2 0.2 z 3 0.1403z 4 0.0378z 5
N=7; n=0:6;
h=0.5*(1-cos(2*pi*n./(N-1))).*sin(0.2*pi*(n-(N-1)/2))./(pi*(n-(N-1)/2))
57
Ex #3 :
1) Coefficients de la réponse impulsionnelle du filtre passe-bande:
Utilisant la fenêtre de Hammig, la conception du filtre RIF passe-bande est obtenue par le
calcul de
h(n) hd (n)w(n) H d (e j )
où
1 1 j (n - ) 2
hd n e d e j (n - ) d
2 -2
1
2 - 1 1 2
sin 2 (n ) sin 1 (n )
(n ) (n )
2n
Avec w(n) 0.54 0.46 cos , on obtient
N 1
sin 2 (n ) sin 1 (n ) 2n
0.54 0.46 cos , n
( n ) (n ) N 1
h( n)
2 1 0.54 0.46 cos 2n , n
N 1
A.N
Pour N= 7, 1 =0.2 et 2 =0.4 , on obtient
h(n)=[-0.0131 -0.0179 0.0890 0.2 0.0890 -0.0179 -0.0131]
et
H ( z) 0.0131 - 0.0179 z 1 0.0890 z 2 0.2 z 3 -0.0179 z 4 0.0890 z 5 0.0131z 6
N=7; n=0:6;
h=(0.54-0.46*cos(2*pi*n./(N-1))).*(sin(0.4*pi*(n-(N-1)/2))./(pi*(n-(N-1)/2))-sin(0.2*pi*(n-
(N-1)/2))./(pi*(n-(N-1)/2)))
58
TD #4 : (Processus stochastique : Espérances et fonctions d’autocorrélations)
Ex #1 :
En considérant la variable aléatoire X(t) définie par X (t ) A cos(0 t )
4
,
f ( ) 8
0, ailleurs
Ex #2 :
Prenant le processus X (t ) A cos(0 t ) avec A et 0 sont des constants et est une
Ex #3 :
On considère le processus aléatoire définie par X (t ) Ae j (t ) où A est une variable
aléatoire distribuée par
a a2
2
e 2 , a 0
f A ( a ) 2 2 est constant et est une variable aléatoire uniformément
0,
ailleurs
distribuée sur [0,2 ] . A et sont statistiquement indépendants.
a) Déterminer la fonction moyenne, E[X(t)]
b) Déterminer la fonction d’autocorrélation, Rxx(t1,t2)
Ex #4 :
Prenant X(t) et Y(t) deux processus stochastiques indépendants avec
R xx ( ) 2e
2
cos
3
R yy ( ) 9 e
59
Solutions de la série de TD #4
Ex #1 :
a) E[X(t)] et Rxx(t1,t2)= ?
/8 /8
4
E[ X (t )] X (t ) f ( )d A cos( 0 t ) d
/ 8 / 8
4A
sin(0 t / 8) sin(0 t / 8)
On a : sin( ) sin( ) 2 cos sin
Alors
8A
E[ X (t )] cos(0t ) sin( / 8)
R xx (t , t ) E[ X (T ) X (t )]
/8
4
A 2 cos( 0 t 0 ) cos( 0 t ) d
/ 8
On a : cos( ) cos( ) 2 cos cos
alors
/8
2 A2
R xx (t , t )
cos(2 0 t 0 2 ) cos( 0 )d
/ 8
2 A2 1 /8
sin( 2 0 t 0 2 ) / 8 cos( 0 )
2 4
On applique la transformation ci-dessus, on obtient
A2 2 A2
Rxx (t , t ) cos(0 ) cos(20 t 0 ) sin( / 4)
2
b) Le processus aléatoire X(t) est non stationnaire car E[ X (t )] et Rxx (t , t ) sont en fonction
du temps t.
Ex #2 :
a) Ryy(t1,t2)= ?
R yy (t , t ) EY (t )Y (t ) E X 2 (t ) X 2 (t )
E A 4 cos 2 ( 0 t 0 ) cos 2 ( 0 t )
On utilise la transformation trigonométrique
60
1 cos(2 0 t 2 0 2 ) 1 cos(2 0 t 2 )
R yy (t , t ) A 4 E .
2 2
4
E1 cos(2 0 t 2 0 2 ) cos(2 0 t 2 )
A
4
cos(2 0 t 2 0 2 ) cos(2 0 t 2 )
On utilise cos( ) cos( ) 2 cos cos
A4 A4
R yy (t , t ) Ecos(4 0 t 2 0 4 ) cos(2 0 )
4 8
A4 A4
cos(2 0 )
4 8
b) E[Y(t)]= ?
EY(t) E X 2 (t) E A 2 cos 2 ( 0 t )
A2 A2 A2
Ecos(2 0 t 2 )
2 2 2
Le processus Y(t) est stationnaire au sens large.
Ex #3:
Nous avons
a a2
2
1
j (t ) 2 e 2 , a 0 0 2
X (t ) Ae , f A ( a ) et f ( ) 2
0,
0 ailleurs
ailleurs
a) E[X(t)]= ?
EX (t ) E[ Ae j (t ) ] E[ A]E[e j (t ) ]
a2
a2
E[ A] e 2 2
da 2(3 / 2)
0 2
2
1 j
E[e j (t ) ] e jt E[e j ] e d 0
2 0
On obtient
EX (t ) 0
b) Rxx(t1,t2)= ?
Rxx (t , t ) E[ X (t ) X * (t )]
E[ A 2 e j (t ) e j (t ) ]
E[ A 2 ]E[e j ]
61
a2
a3
E[ A ]
2
e 2 2
da 2 2 (On a utilisé l’intégration par partie)
0 2
Rxx ( ) 2 2e j
Alors X(t) est stationnaire au sens large
Ex #4 :
On a X(t) et Y(t) deux processus aléatoires indépendants
2
Rxx ( ) 2e cos
3
Ryy ( ) 9 e
a) Rzz(t1,t2)= ?
Rzz (t , t ) E[ Z (t ) Z (t )]
E[ A 2 X (t )Y (t ) X (t )Y (t )]
E[ A 2 ]Rxx ( ) R yy ( )
On a
a2 E[( A E[ A]) 2 ] E[ A2 ] E[ A]2
E[ A2 ] a2 E[ A]2 9 4 13
Alors
2 3
Rzz ( ) 26e (9 e ) cos
b) E[Z(t)] et z2 = ?
D’après la propriété, nous avons
2 3
lim Rzz ( ) lim 26e (9 e ) cos 0
E[Z (t )] 0 E[Z (t )] =0
2
z2 E[ Z 2 (t )] E[ Z (t )]2
Rzz (0) 0
260
62
TD #5 : (Processus stochastique : Ergodicité et densité spectrale de puissance)
Ex #1 :
En considérant le processus aléatoire X (t ) A cos(0 t ) . A et fc sont constants et est
une variable aléatoire uniformément distribuée sur
8 8
a) Est-il ergodique dans la moyenne
b) Est-il ergodique dans l’autocorrélation
Ex #2 :
Pour un processus stochastique X (t ) A cos(0 t ) avec f ( ) 1 / 2 , 0 2
Ex #3 :
Un processus aléatoire (bruit blanc) avec une fonction d’autocorrélation Rxx ( ) ( N 0 / 2) ( )
est appliqué à un filtre de réponse impulsionnelle
e t , t 0 et 0
h(t )
0, t 0
Ex #4 :
En considérant le processus Y(t)=X(t-T), où X(t) est un processus réel stationnaire au sens
large avec la fonction d’autocorrélation Rxx( ) et la densité spectrale de puissance Sxx(f). T est
constant.
a) Exprimer Sxy(f) du processus Y(t) en fonction de Sxx(f).
Ex #5 :
Prenant un processus aléatoire N(t) avec une densité spectrale de puissance
S nn ( f ) rect ( f ) est appliqué au système linéaire avec décalage. y(t ) N (t ) N (t 1)
a) Déterminer h(t) et H(f) de la réponse impulsionnelle
b) Déterminer et tracer la densité spectrale de puissance Syy(f)
63
Solutions de la série de TD #5
Ex #1 :
a) Ergodicité dans la moyenne ?
Dans l’Ex#1 du TD 4, l’espérance mathématique est calculé par
8A
E[ X (t )] cos(0 t ) sin( / 8)
Pour étudier l’ergodicité dans la moyenne du processus X(t), on doit évaluer la moyenne
temporelle. D’où
T
1
x(t ) lim
T 2T A cos( t )dt =0
T
0
Nous avons E[ X (t )] x(t ) , alors le processus aléatoire X(t) n’est pas ergodique dans la
moyenne.
b) Ergodicité dans l’autocorrélation ?
De la même manière, on détermine la fonction d’autocorrélation dans le temps
T
1
x(t ) x(t ) lim A cos( 0 t 0 ) cos( 0 t )dt
2
T 2T
T
T
A2
lim
T 4T cos(2 t 2) cos( )dt
T
0 0 0
A2
cos( 0 )
2
Dans l’Ex#1 du TD 4, la fonction d’autocorrélation est trouvée par
A2 2 A2
Rxx (t , t ) cos(0 ) cos(20 t 0 ) sin( / 4) x(t ) x(t )
2
Alors, le processus aléatoire X(t) n’est pas ergodique dans la fonction d’autocorrélation.
Ex #2 :
a) Densité spectrale de puissance ?
X (t ) A cos(0 t )dt , A et 0 sont des constants et est une v.a uniformément
distribuée sur [0 2 ].
EX (t ) 0
X(t) est stationnaire au sens large car A2
R xx (t , t ) cos( 0 )
2
64
Alors, on peut calculer sa densité spectrale de puissance par la transformée de Fourier de
Rxx(t+ ,t). D’où
A2
2 cos(2f0 )e d
j 2f
S xx ( f )
A2
e
j 2 ( f f 0 )
e j 2 ( f f 0 ) d
4
2
A
( f f0 ) ( f f0 )
4
(.) est l’impulsion de Dirac.
Ex #3 :
a) Densité spectrale de puissance de Y(t) ?
X(t) est un bruit Gaussien avec
x(t) y(t)
EX (t ) 0 h(t)
N0
R xx ( ) 2 ( )
e t , t 0 et 0
La réponse impulsionnelle est h(t )
0, t 0
Le processus aléatoire X(t) est stationnaire au sens large. Alors, S xx ( f ) est la T.F de Rxx ( )
donnée par
2
N
e
t j 2ft
S xx ( f ) S xx ( f ) H ( f ) 0
2
e dt
2 0
2
N N0 2
0
2 j 2f 2 4 2 f 2 2
65
Ex #4 :
a) Sxy(f) en fonction de Sxx(f) ?
R
xx ( T )e j 2f d
S xx ( f )e j 2fT
Le retard T apparaît dans la phase 2fT
Ex #5 :
a) Calcul de h(t) et H(f) ?
Le processus N(t) a la densité spectrale de puissance
S nn ( f ) rect ( f )
n(t) y(t)
Avec Y(t)=N(t)+N(t-1) h(t)
Il est simplement d’obtenir
h(t ) (t ) (t 1)
H ( f ) 1 e j 2f
b) Calcul de Syy(f) ? S yy ( f )
S yy ( f ) S nn ( f ) H ( f )
2
4
S yy ( f ) 2S nn ( f )(1 cos(2f ) f
2rect ( f )(1 cos(2f ) -0.5 0.5
66