SIGNAUX ET SYSTÈMES

TABLE DES MATIERES

PREFACE

CHAPITRE 1 : SIGNAUX ET SYSTÈMES À TEMPS CONTINU

1. Classification et représentation des signaux

1.1. Modélisation
1.2. Classification
1.3. Représentation des signaux
1.4. Opération sur les signaux
1.5. Inégalité de Schwarz

2. Signaux d'énergie finie

2.1. Transformée de Fourier
2.2. Propriétés
2.3. Théorème de Parseval
2.4. Définitions
2.5. Théorèmes
2.6. Exemples de T.F.

3. Notation symbolique de Dirac

3.1. Pseudo-fonction de Dirac
3.2. Signal signe
3.3. Signal échelon-unité

4. Signaux périodiques
4.1. Série de Fourier des signaux périodiques
4.2. Transformée de Fourier des signaux périodiques
4.3. Propriétés
4.4. Théorème de Parseval
4.5. Signaux périodiques à bande limitée
4.5.1. Définition
4.5.2. Théorème
4.6. Exemples de transformée de Fourier

5. Filtrage déterministe des signaux à temps continu

5.1. Introduction
5.2. Filtres linéaires
5.2.1. Définition
5.2.2. Théorème de convolution
5.2.3. Théorème
Remarque
Exemple
5.2.4. Interprétation graphique de la convolution
5.2.5. Causalité
5.2.6. Stabilité
5.3. Exemples de filtres linéaires
5.4. Filtres sans distorsion
5.5. Distorsions linéaires et non linéaires

2
CHAPITRE 2 : ECHANTILLONNAGE

1. Notion d'échantillonnage

2. Théorème d'échantillonnage

3. Démonstration

4. Reconstitution
4.1. Filtre idéal
4.2. Bloqueurs

5. Echantillonnage des signaux passe bande

6. Echantillonnage des signaux passe bas à bande infinie

CHAPITRE 3 : SIGNAUX ET SYSTÈMES À TEMPS DISCRET

1. Introduction
1.1. Les signaux discrets élémentaires
1.2. Caractéristiques usuelles des signaux discrets

2. La transformée en Z
2.1. Introduction
2.2. Définition
2.2.1. Transformée bilatérale
2.2.2. Transformée monolatérale
2.3. Relations entre X(Z), X*(p) et X*(j)
2.4. Application au calcul de la transformée en Z d'une fonction
2.5. Propriétés de la transformée en Z
2.6. Inversion de la transformée en Z

3. Transformation de Fourier à temps discret

3.1. Formules directe et inverse
3.2. Principales propriétés

CHAPITRE 4 : TRANSFORMEE DE FOURIER DISCRETE

1. Transformée de Fourier discrète d’un signal

2. Transformée de Fourier discrète inverse

3. Propriétés de la transformée de Fourier discrète (TFD)

3.1. Linéarité
3.2. Périodicité
3.3. Symétrie
a) Inversion temporelle
b) Séquence conjuguée
c) Symétrie temporelle
3.4. Convolution cyclique
3.5. Théorème de Parseval

4. Résolution en fréquence
Remarque importante

3
 5. Fenêtre de pondération
5.1. Fenêtre rectangulaire
5.2. Fenêtre triangulaire
5.3. Fenêtre de Hann
5.4. Fenêtre de Hamming généralisée
5.5. Fenêtre de Blackman

6. Algorithmes de transformée de Fourier rapide

6.1. Entrelacement temporel
6.2. Entrelacement fréquentiel

CHAPITRE 5 : FILTRAGE NUMERIQUE

1. Propriétés
1.1. Invariance temporelle
1.2. Causalité
1.3. Linéarité

2. Filtres caractéristiques
2.1. Filtres non-récursifs
2.2. Filtres récursifs

3. Eléments de réalisations
3.1. Retard
3.2. Additionneur
3.3. Multiplieur
3.4. Exemple

4. Analyse temporelle des filtres numériques

4.1. Exemple d’application
4.2. Convolution
4.3. Stabilité

5. Utilisation de la transformée en Z
5.1. Fonction de transfert discrète
5.2. Estimation de H(z) à partir de l’équation récurrente
5.3. Estimation de H(z) à partir d’une réalisation
Exemple
5.4. Stabilité
5.5. Analyse fréquentielle

CHAPITRE 6 : SYNTHESE DES FILTRES NON-RECURSIFS

1. Caractéristiques des filtres à phase linéaire

1.1. Contrainte de type 1
1.2. Contrainte de type 2

2. Comportement fréquentiel
2.1. Réponse symétrique. N impair
2.2. Réponse symétrique. N pair
2.3. Réponse antisymétrique. N impair
2.4. Réponse antisymétrique. N pair

3. Position des zéros du filtre à phase linéaire

3.1. Zéro complexe hors du cercle unité
3.2. Zéro complexe sur le cercle unité
4
 3.3. Zéro réel hors du cercle unité
3.4. Zéro réel sur le cercle unité

4. Méthode de synthèse des filtres RIF

4.1. Méthode de la fenêtre
4.1.1. Effet de la troncature
4.1.2. Fenêtres de Hann et de Hamming
4.1.3. Fenêtre de Blackman
4.2. Méthode de l’échantillonnage en fréquence

CHAPITRE 7 : SYNTHESE DES FILTRES RECURSIFS

1. Méthode de l’invariance impulsionnelle

1.1. Principe de la méthode
1.2. Inconvénient de la méthode : le repliement spectral
1.3. Exemple d’application

2. Transformation bilinéaire
2.1. Détermination de la transformation
2.2. Propriétés de la transformation bilinéaire
2.3. Procédure de synthèse

3. Transformation d’un passe-bas en un filtre quelconque

3.1. Transformation passe-bas  passe-bas
3.2. Transformation passe-bas  passe-bande

Annexe 1 : Spectres des fenêtres de troncature

Annexe 2 : Analyse spectrale

5
 PREFACE

Ce doculment couvre les concepts de base de traitement et d’analyse des signaux et des systèmes
continus et discrets.

La première partie est consacrée à l’étude des signaux et des systèmes continus. Les connaissances
déjà acquises seront complétées par une étude détaillée de la transformée de Fourier, des distributions, de
la décomposition en série de Fourier des signaux périodiques, leduhéorème de Parseval, des systèmes
linéaires et invariants, du filtrage linéaire des signaux continus, des distorsions linéaires et non-linéaires,
et de l’échantillonnage.

Dansla deuxième partie, on étudiera les signaux et les systèmes discrets, en particulier, la
transformée en Z, la transformée de Fourier à temps discret, la transformée de Fourier discrète (TFD), la
transformée de Fourier Rapide (FFT), l’analyse spectrale, l’analyse des systèmes discrets linéaires et
invariants et en particulier les filtres numériques récursifs et non récursifs. Enfin, une introduction aux
méthodes de synthèse des filtres récursifs et non-récursifs sera effectuée.

6
 CHAPITRE 1

SIGNAUX ET SYSTÈMES À TEMPS CONTINU

1. CLASSIFICATION ET REPRESENTATION DES SIGNAUX

1.1. Modélisation

Les signaux déterministes à temps continu peuvent être modélisés comme des fonctions réelles
continues du temps complètement spéficiées.

Exemple : x(t) = A cos(2f0t).

Le signal apparaît comme l'histoire temporelle d'une grandeur physique par exemple une tension
électrique, un courant, etc... Il est donc réel.

Il est intéressant d'étendre notre étude au cas des fonctions complexes ; qui fournissent un mode
de représentation utile des signaux réels. On remplace des sinusoïdes par des exponentielles complexes.

La nécessité d'envisager des phénomènes de durée très courte (discontinuité) conduit à modéliser
certains signaux par des distributions.

1.2. Classification

La classification la plus importante est faite autour de notions d'énergie et de puissance.

Soit x(t) un signal, fonction complexe de la variable réelle t, l'énergie E et la puissance P du signal
sont définies par :

+ 1 +T / 2
E= 
−
x(t)2dt P= lim
T→ T 
−T / 2
x(t)2dt

Si x(t) est / 0 < E < + on dit que le signal est d'énergie finie et on a alors P = 0.

Si x(t) est / 0 < P < + on dit que le signal est de puissance finie et on a alors E = .

Les signaux rencontrés en physique sont ceux à énergie finie.

7
1.3. Représentation des signaux

Représentation temporelle : fonction définie sur un support T (ou ]- , +[).

Représentation fréquentielle : des fonctions appartenant à l'espace de Hilbert.

On décompose le signal sur une base orthonormée de cet espace et on appelle représentation
fréquentielle du signal l'ensemble de ces composantes sur cette base. Ainsi parmi toutes les bases
possibles de l'ensemble des fonctions de carré sommable de durée (0,T) l'une d'elles joue un rôle
privilégié vis-à-vis des filtres linéaires et est constituée par les exponentielles complexes exp(2jnt/T).

1.4. Opérations sur les signaux

. L'addition de deux signaux : x(t) + y(t)

. La multiplication par une constante : .x(t)
. La multiplication de deux signaux : x(t).y(t)
. La convolution de deux signaux :

+ +
x(t) * y(t) =  −
x(u) y(t-u)du = y(t) * x(t) si 
−
existe

Elle est commutative, associative, distributive par rapport à l'addition si x(t) et y(t) sont à énergie
+
finie 
−
existe.

1.5. Inégalité de Schwarz

Soit x(t) et y(t) deux fonctions de carré sommable définies sur (a,b), on a alors :

b b b
 
a
x(t) y*(t)dt2 < 
a
x(t)2dt . a
y(t)2dt

2. SIGNAUX D'ENERGIE FINIE

2.1. Transformée de Fourier

Quelque soit x(t) appartenant à L2 (espace des signaux à carré sommable), la transformée de
Fourier X(f) existe et appartient à L2.

+
X(f) =  −
x(t) exp(-2jft)dt

+
x(t) = 
−
X(f) exp(+2jft)df

x(t) X(f)

8
2.2. Propriétés

Propriété x(t) X(f)

1
Similitude x(at) X(f/a)
a
Linéarité a x(t) + b y(t) a X(f) + b Y(f)

Translation x(t - t0) X(f) exp(-2jft0)

Modulation x(t) exp(2jf0t) X(f - f0)

Convolution X(f).Y(f)
x(t) * y(t)
Produit X(f) * Y(f)
x(t) . y(t)

Dérivations d n x( t )
(2jf)n X(f)
dt n
d n X(f )
(-2jt)n x(t)
df n
Parité réel pair réel pair
réel impair imaginaire impair
imaginaire pair imaginaire pair
imaginaire impair réel impair
complexe pair complexe pair
complexe impair complexe impair
réel Re(X(f)) pair
Im(X(f)) impair
X(f) = X*(-f)

Complexe conjugué
x*(t) X*(-f)

2.3. Théorème de Parseval

Ce théorème énonce la conservation du produit scalaire dans L2 :

+ +
−
x(t) y*(t)dt =  −
X(f) Y*(f)df

En particulier si x(t) = y(t). Il vient :

+ +
E= 
−
x(t)2dt =  −
X(f)2df

L'énergie est par définition, l'intégrale sur le temps de x(t)2, donc x(t)2 représente la puissance
instantanée.

Le résultat précédent montre que l'énergie est aussi l'intégrale sur toutes les fréquences de X(f)2.
On donne à X(f)2 le nom de "densité spectrale d'énergie".
9
2.4. Définition

- x(t) est de durée finie , si x(t) = 0 en dehors d'un intervalle (a,b).

- x(t) est à bande limitée , si X(f) = 0 en dehors d'un intervalle (-B,B).

2.5. Théorèmes

Théorème 1

Si x(t) est d'énergie finie E et à bande limité (-B , +B) alors :

- x(t) < 2BE

+
- x(n)(t) =  −
(2jf)n X(f) exp(2jft)dt
(ses dérivées s'obtiennent par dérivation sous le signe d'intégration).
- X(f) est absolument intégrable et x(t) décroit en 1/t au voisinage de l'infini.

Théorème 2

On montre que, si x(t) est de carré sommable (à énergie finie), x(t) ne peut être à la fois de
durée finie et à bande limitée.

Théorème 3

Si x(t) est à bande limitée (-B , B) et borné par M, soit :

 t sup x(t) < M alors x(n)(t) < (2B)n M

Signification physique du théorème 3

Un signal borné et à bande limitée ne peut avoir des variations arbitraitement grandes.

On peut aussi dire qu'un signal a des variations d'autant plus lentes que son support en fréquence
est petit.

Ou encore, un signal qui a des fronts raides (dérivée importante) contient de l'énergie dans des
fréquences élevées. Il y a en fait un lien étroit entre la notion de fréquence et celle de dérivée (variation
temporelle).

2.6. Exemples de T.F.

1 , si t < T/2 
 
x(t) = rectT(t) =  
0 , si t > T/2 
 

x(t) est réel, pair d'énergie finie alors X(f) est réel pair :

T /2 sin( fT)
X(f) = 
−T / 2
exp(-2jft)dt =
f
= T sinc(fT)

sin( x )
avec sinc(x) = (sinus - cardinal)
x
10
 Figure 1.1. Fonction rectangle et sa TF sinus-cardinal

- Quelques fonctions usuelles et leur TF

1 sin 2 ( fT )
x(t) = rectT(t) * rectT(t) X(f) = T
T  2 f 2 T2

Figure 1.2.

x(t) = exp(-t2) X(f) = exp(-f2)

Figure 1.3.

2T
x(t) = exp(-t/T) X(f) =
1 + 4  2 f 2 T2

Figure 1.4.

Remarque

On se souviendra que la valeur à l'origine est égale à l'intégrale de sa transformée de Fourier. Ce

qui s'écrit :

+ +
x(0) = 
−
X(f)df et X(0) = −
x(t)dt

11
3. NOTATION SYMBOLIQUE DE DIRAC

La notation symbolique de Dirac (t) est une notation très largement utilisée pour la simplicité
pratique qu'elle apporte dans les calculs faits par l'ingénieur. Nous la présentons dans ce paragra-phe, en
évitant délibérément un exposé mathématique sur les distribu-tions et en nous limitant à des règles
opératoires de calcul, opérant sur (t). Cette notation nous permettra, entre autres choses, de fournir une
notation symbolique pour la transformée de Fourier des signaux périodiques.

Toutefois il faut prendre conscience que ces règles de calcul ne nous disent pas à quelles
conditions les expressions, auxquelles on aboutit simplement, ont un sens.

3.1. Pseudo-fonction de Dirac

On appelle pseudo-fonction de Dirac la "fonction" notée (t), qui vérifie pour toute fonction g(t)
(suffisamment régulière) :

+
 −
g(u) (u)du = g(0)

Dans la suite on utilisera indifféremment les termes de fonction ou de distribution pour désigner
(t). De l'expression ci-dessus on déduit les règles opératoires suivantes.

Règle 1 : Transformée de Fourier de (t)

En faisant g(u) = exp( 2jfu), on obtient :

+
−
(u) exp( 2jfu)du = 1

dont on déduit que :

2jf0t -2jft0
1 (f) et (t) 1 et donc aussi e (f-f0) et (t-t0) e .

On remarque que le signal constant C a comme transformée de Fourier (au sens des distributions),
C(f). De façon générale quand un signal a une transformée de Fourier, qui contient une raie C(f) à
l'origine, il possède une composante continue d'amplitude C.

Règle 2 : Elément neutre de la convolution

En faisant g(u) = x(t-u) on obtient :

+
−
x(t-u) (u)du = x(t) * (t) = x(t)

Règle 3 : Translation en temps

Si t0 est positif (respectivement négatif), le produit de convolution par (t-t0) effectue

une translation du signal vers les temps positifs (respectivement négatifs) :

x(t) * (t - t0) = x(t - t0)

12
Règle 4 : Translation en fréquence (modulation)

Si f0 est positif (respectivement négatif), la multiplication par exp(2f0t) effectue une translation
du spectre vers les fréquences positives (respectivement négatives) :

x(t) exp(2jf0t) X(f - f0)

Règle 5 : Echantillonnage ponctuel

x(t) (t-t0) = x(t0) (t - t0)

Règle 6 : (t) comme limite de fonctions

On montre que la fonction de Dirac est la limite (au sens des distributions), des fonctions suivantes :

1
(t) = lim rectT(t)
T→0 T

sin( Bt )
(t) = lim
B→ Bt

sin 2 ( Bt )
(t) = lim
B→  2 B2 t 2

1 x2
(t) = lim exp(- )
→0  2 2 2

Ce résultat justifie l'usage qui consiste à assimiler la fonction de Dirac à une impulsion infiniment
brève et de surface égale à 1. Cela conduit dans le langage, mais aussi dans l'écriture, à donner le nom de
"raie" à la fonction de Dirac.

3.2. Signal Signe

On appelle signal signe de t la fonction notée signe(t) définie par :

+ 1 si t > 0
signe(t) =  
- 1 si t < 0 

On montre que cette fonction a comme transformée de Fourier (au sens des distributions) :

1
signe(t) vp( )
jf
1
où vp( ) se lit valeur principale au sens de Cauchy de 1 sur x et désigne la distribution tempérée définie
x
par :

1 − g( u) + g( u)
<vp( ) : g(x)> = lim (  du +  du)
x 𝜀→+∞ −  u u
13
où g(x) est une fonction indéfiniment dérivable, qui pour tout x tendant vers l'infini, décroît plus
rapidement que toute fonction de la forme xn, ainsi que toutes ses dérivées.

Transformée de Hilbert
1
On appelle transformée de Hilbert de x(t) la convolution (si elle existe) de x(t) par vp( ). On la
t
note Hx(t). De cette définition on déduit que si y(t) = j signe(t) x(t) , alors Y(f) = HXf) et X(f) = -
HY(f).

3.3. Signal Echelon-Unité

On appelle signal échelon-unité la fonction notée u(t) définie par :

1 si t > 0 
u(t) =  
0 si t < 0

En utilisant la fonction signe(t), la fonction u(t) s'écrit :

1 + signe (t)
2
On montre que sa transformée de Fourier (au sens des distributions) est donnée par :

1 1
Hu(f) = (f) + vp( )
2 2 jf

On montre enfin que la dérivée de l'échelon-unité est la fonction (t) :

du ( t )
= (t)
dt

Ce résultat permet de donner un sens à la dérivée d'une fonction discontinue comportant un saut
d'amplitude a en t0. La dérivée est définie au sens des distributions et comporte la distribution de Dirac
a(t - t0).

Figure 1.5.

14
4. SIGNAUX PERIODIQUES (Energie infinie, Puissance finie)

4.1. Série de Fourier des signaux périodiques

Soit x(t) un signal à variation bornée dans l'intervalle (-T/2 , T/2), nul en dehors de cet intervalle,
alors sous certaines conditions la série définie par le terme générique :

Xn exp(2jnt/T)

où

1 T /2
Xn =
T  −T / 2
x(t) exp(-2jnt/T)dt

converge en moyenne quadratique vers le signal xp(t) obtenu par périodisation de x(t) de période T.

Les fonctions exp(2jnt/T) forment une base hilbertienne de l'ensemble des fonctions de durée
finie (-T/2 , T/2) et de carrée sommable pour le produit scalaire défini par :

1 T /2
<x,y> =
T 
−T / 2
x(t) y*(t)dt

<exp(2jkt/T) , exp(2jnt/T)> = k,n

0 si k  n
k,n = 
1 si k = n

. Xn est alors une représentation fréquentielle de xp(t) de période T.

. T période.

. 1/T fréquence fondamentale.

. Les multiples de la fréquence fondamentale sont appelés harmoniques.

x(t) est périodique si  U /  t  ]- , +[ : x(t+U) = x(t)

En conclusion, si x(t) est périodique de période T :

x(t) = n
Xn exp(2jnt/T)

avec :

1 T /2
Xn =
T  −T / 2
x(t) exp(-2jnt/T)dt

15
4.2. Transformée de Fourier des signaux périodiques

x(t) est périodique de T

x(t) = 
n
Xn exp(2jnt/T)

X(f) = 
n
Xn (f-n/T)

puisque exp(2jnt/T) (f-n/T)

On a donc un spectre de raies.

Avec (t) on a pu étendre la transformée de Fourier aux signaux périodiques.

4.3. Propriétés

Propriété x(t) de période T Xn

Linéarité a x(t) + b y(t) a Xn + b Y n

Translation x(t - t0) Xn exp(-2jnt0/T)

Modulation x(t) exp(2jn0t/T) Xn-n

0
Produit

x(t) . y(t)
Xk . Yn-k
k

Parité Xn = X-n réel

réel pair
réel impair Xn = -X-n imaginaire
imaginaire pair Xn = X-n imaginaire
imaginaire impair Xn = -X-n réel
x(t)réel Xn = X*-n
Soit : Re(Xn) = Re(X-n)
Im(Xn) = -Im(X-n)

Complexe conjugué
x*(t) X*-n

4.4. Théorème de Parseval

Soit x(t) et y(t) deux signaux périodiques de même période T, en utilisant alors la propriété de
décomposition du produit pour n = 0, il vient :

1

T /2

k
XkY*k =
T  −T / 2
x(t) y*(t)dt

16
 Dans le cas où x(t) = y(t) :

1

T /2
P=
T 
−T / 2
x(t)2dt =
n
xn2

P est la puissance moyenne du signal x(t).

Xn2 s'appelle la densité spectrale de puissance car xn2 est homogène à une puissance.

4.5. Signaux périodiques à bande limité

4.5.1. Définition

x(t) est à bande limitée si  n0 / Xn = 0  n > n0

4.5.2. Théorème

Un signal x(t) périodique à bande limitée ne peut s'annuler que sur un ensemble dénombrable de
points.

4.6. Exemples de transformée de Fourier

Exemple 1 : Transformée de Peigne de Dirac

+ +
1

n=−
(t-nT)
T

n=−
(f-n/T)

Exemple 2 : Signal horloge

x(t) =  n
rect(t-nT)

On peut écrire x(t) = rect(t) * n

(t-nT)

sin( f) 1
X(t) =  (f-n/T)
f T

sin( n / T)
= n n
(f-n/T)

5. FILTRAGE DETERMINISTE DES SIGNAUX A TEMPS CONTINU

5.1. Introduction

Les signaux rencontrés en physique subissent des transformations à travers un certain nombre de
dispositifs. Ces transformations peuvent être utiles (détection, filtrage...) ou nuisibles (distorsion). Dans
tous les cas on peut représenter ces éléments par des "boîtes noires" possédant une entrée et une sortie.

17
 Dans ce chapitre on étudie plus particulièrement les systèmes linéaires, dont la propriété
essentielle est de répondre au principe de superposition, et qui d'autre part, permettent de représenter un
grand nombre de systèmes physiques. Citons quelques exemples :

- Système électrique : quadripôle passif (résistance, capacité, ...)

- Système électronique : linéarisation des systèmes non linéaires au

voisinage du point de fonctionnement.

- Système mécanique : oscillateurs, amortisseurs, ...

Tous ces systèmes ont en commun le fait qu'ils répondent à une équation différentielle linéaire à
coefficients constants.

5.2. Filtres linéaires

5.2.1. Définition

On appelle filtre linéaire un système linéaire et invariant dans le temps (stationnarité).

La propriété d'invariance dans le temps exprime que la transfor-mation, qui fait passer du signal
d'entrée x(t) au signal de sortie y(t), ne varie pas dans le temps.

Citons par exemple, un système électrique dont les composants passifs ou actifs ne subissent
aucune dérive au cours du temps. Pour un tel système, la sortie dépend alors de l'écart de temps entre le
début de l'expérience et l'instant où l'on observe sa sortie et non de l'instant précis où l'expérience a
commencé.

Considérons alors deux systèmes identiques, le premier ayant à son entrée le signal x(t), le second
le signal x(t-t0) c'est à dire le même signal appliqué t0 secondes plus tard. L'invariance dans le temps
implique alors que, si y(t) est le signal en sortie du premier système, le signal en sortie du second est y(t-
t0) c'est à dire le même signal y(t) retardé de t0.

En notant : y(t) = L[x(t)] x(t) ---→ L(.) ---→ y(t)

On a alors :  t0 , L[x(t-t0)] = y(t-t0)

5.2.2. Théorème de convolution

On obtient pour un filtre linéaire les deux relations suivantes qui traduisent son comportement
dans les représentations temporelle et fréquentielle :

x(t) ---→ L(.) ---→ y(t)

+
y(t) = −
x(u) h(t-u)du = x(t) * h(t)

y(f) = X(f).H(f)

La relation fréquentielle peut être écrite seulement dans le cas où x(t) et y(t) sont des signaux
déterministes (donc on peut calculer leurs transformées de Fourier).

- h(t) s'appelle la réponse impulsionnelle.

- H(f) T.F. de h(t) s'appelle la fonction de transfert.

18
- H(f) s'appelle le gain en fréquence.

- Arg[H(f)] s'appelle la phase.

Comme (t) est l'élément neutre de la convolution, alors h(t) est la réponse de filtre à une
distribution de Dirac (t) :

h(t) = L((t))

5.2.3. Théorème

Les fonctions exp(2jft) sont les fonctions propres des filtres linéaires et ont H(f) comme
valeurs propres associées.

En effet :

L[exp(2jf0t)] = exp(2jf0t) * h(t)

+
= 
−
h(u) exp(2jf0t(t-u)du

+
= exp(2jf0t) −
h(u) exp(-2jf0u)du

= H(f0) exp(2jf0t)

Remarque

Les filtres linéaires conservent les fréquences. Par conséquent, les opérations de changement de
fréquence (modulation, démodulation, ...) doivent faire appel à des systèmes non linéaires et/ou non
stationnaires.

Exemple

Soit un filtre linéaire de réponse impulsionnelle h(t) réelle et soit à son entrée le signal :

x(t) = A cos 2f0t

A
= [exp(2jf0t) + exp(-2jf0t)]
2
où A est réel.

La sortie y(t) s'écrit alors :

y(t) = B cos(2f0t + )

avec :
B = AH(f0)

 = Arg(H(f0))

Un filtre linéaire transforme une sinusoïde à la fréquence f0 en une nouvelle sinusoïde à la même
fréquence. L'amplitude est multipliée par H(f0) et l'écart de phase vaut Arg[H(f0)].

19
5.2.4. Interprétation graphique de la convolution

Considérons un filtre linéaire de réponse impulsionnelle h(t) nulle pour t < 0 et soit x(t) le signal à
l'entrée et y(t) le signal en sortie. Nous pouvons écrire :

+ t
y(t) = 
−
x(u) h(t-u)du = 
−
x(u) h(t-u)du

La figure ci-dessous donne une forme typique de la réponse impulsionnelle d'un système physique
et une représentation graphique de la convolution. Le signal de sortie apparaît comme une moyenne,
pondérée par la réponse impulsionnelle, du signal x(t) placé à l'entrée.

Figure 1.6. Représentation graphique de la convolution

La causalité (h(t) = 0 pour t < 0) se traduit par le fait que la valeur de la sortie au temps t ne dépend
pas du futur (connaissance de l'entrée au delà du temps t).

Notons tr la valeur de t avant laquelle h(t) est pratiquement négligeable. Nous voyons que les
valeurs de l'entrée situées entre t et (t-tr) n'ont pas ou peu d'influence sur la sortie. Par conséquent tr
caractérise le temps de réponse du filtre (temps nécessaire au signal pour "traverser" le filtre).

Notons tm la valeur de t au delà de laquelle h(t) devient prati-quement négligeable, les valeurs de
l'entrée provenant d'un passé antérieur à (t-tm) n'ont plus d'influence en sortie. Par conséquent tm
caractérise le temps de mémoire du filtre.
20
5.2.5. Causalité

Définition

Un système est causal si la réponse ne précède pas l'action. Pour un filtre linéaire cela se traduit
par :

h(t) = 0 pour t < 0

Un filtre linéaire est dit physiquement réalisable, s'il est causal et que sa réponse impulsionnelle est
réelle.

Relation de causalité

Si un filtre linéaire de réponse impulsionnelle h(t) et de fonction de transfert H(f) = A(f) + jB(f),
est causal, alors A(f) et B(f) vérifient :

A(f) = +HB(f)(et donc B(f) = -HA(f))

En effet posons H(f) = A(f) + jB(f). Par transformation de Fourier inverse h(t) s'écrit h(t) = a(t) +
jb(t), où a(t) et b(t) sont les transformées de Fourier inverses respectives de A(f) et B(f). Comme h(t) = 0
pour t < 0, a(t) = -jb(t) et a*(t) = jb*(t) pour t < 0. Mais comme A(f) et B(f) sont réels, on a a*(t) = a(-t) et
b*(t) = b(-t) et donc a(-t) = jb(-t) pour t < 0. Ce qui est équivalent à a(t) = jb(t) pour t > 0. Par conséquent
pour tout t, a(t) = +j signe (t) b(t). En utilisant la définition de la transformée de Hilbert, on en déduit que
A(f) = +HB(f).

Par conséquent tout filtre linéaire causal à l'exception du filtre purement atténuateur
déphase.

Approximation causale d'un filtre non causal

Certains filtres utiles lors de l'élaboration de projets ne sont pas causaux. Citons le filtre passe-bas
idéal, le filtre de Hilbert. Toutefois, si leur réponse impulsionnelle est négligeable antérieu-rement à un
instant t0, il est possible d'en donner une approximation causale. Considérons en effet, les trois filtres
linéaires représentés ci-dessous où h1(t), h2(t), h3(t) vérifient :

h2(t) = h1(t - t0) et h3(t) = h2(t) u(t)

Figure 1.7. Approximation causale

21
 Si h1(t) peut être considérée comme négligeable antérieurement au temps -t0 nous pouvons écrire :

y3(t) = y2(t) = y1(t - t0)

Par conséquent y3(t) donne une bonne approximation de y1(t - t0). Le filtre h3(t) réalise donc une
approximation causale du filtre h1(t), moyennant un retard à la connaissance du signal en sortie.

5.2.6. Stabilité

Définition

Un système est stable si et seulement si à toute entrée bornée correspond une sortie bornée.

On rappelle qu'un signal x(t) est dit borné s'il existe M, vérifiant x(t) < M pour tout t.

CNS de stabilité

Une condition nécessaire et suffisante pour qu'un filtre soit stable est que :

+

−
h(u)du < + 

Nous avons résumé dans le tableau ci-dessous quelques propriétés de la réponse impulsionnelle
h(t) et de la fonction de transfert H(f) d'un filtre linéaire.

h(t) H(f) = A(f) + jB(f) = H(f) ej(f)

Filtre réel h(t) réelle H(f) = H*(-f)

A(f) et B(f) paires
B(f) et (f) impaires

Filtre causal h(t) = 0 pour t<0 A(f) et B(f) forment une paire de transformées de
Hilbert

Filtre stable + Si h(t) est de carré sommable. H(f) est de carré

−
h(u)du < +  sommable et H(f) est uniformément continue.
Si de plus H(f) est absolument intégrable, h(t) tend
vers 0 quand t tend vers l'infini.

22
5.3. Exemples de filtres linéaires

Le filtre RC

Le filtre RC est sans aucun doute l'archétype des filtres linéaire. Il est représenté à la figure ci-
dessous :

Figure 1.8. Cellule RC

L'utilisation de la loi d'Ohm conduit à l'équation différentielle :

ds( t )
RC + s(t) = e(t)
dt
En prenant la transformée de Fourier des deux membres et en utilisant les propriétés de dérivation,
on obtient :

2jRCf S(f) + S(f) = E(f)

Le système réalise donc un filtrage linéaire entre l'entrée e(t) et la sortie s(t).

Son gain en fréquence H(f) s'écrit :

S( f ) 1
H(f) = =
E ( f ) 1 + 2 jRCf

On montre alors que la réponse impulsionnelle, transformée de Fourier inverse de H(f), a pour
expression :

1 t
h(t) = exp(- ) u(t)
RC RC
où u(t) désigne l'échelon unité de temps.

Nous vérifions sur l'expression de h(t) que ce filtre est réel et causal (donc physiquement
réalisable!). Il est en plus stable puisque h(t) est de module sommable.

Figure 1.9. Réponse impulsionnelle et gain en fréquence d'un filtre RC

23
 Nous énonçons dans le tableau ci-dessous, quelques propriétés élémentaires concernant des filtres
rencontrés couramment dans les calculs pratiques.

Filtre h(t) H(f) Sortie Remarques

dx Non causal,
Dérivateur '(t) 2jf non stable
dt
1 
Non causal,
de Hilbert vp( ) -j signe (f) x (t) stable
t
1 
Non causal,
Analytique (t) + j vp( ) 2U(f) x(t) + j x (t) stable
t
1 −t 1 Causal, stable
RC exp( ) u(t)
RC RC 1 + 2 jRCf
1 T sin(  fT) 1 Causal, stable

t
Moyenneur rectT(t - ) exp(-jfT) x(u)du
T 2  fT T t −T

sin( Bt ) Non causal,

Passe-bas idéal rectB(f) stable
t

5.4. Filtres linéaires sans distorsion

Nous avons vu dans le cas d'une entrée sinusoidale que l'amplitude et la phase étaient altérées par passage
dans un filtre linéaire. Cette modification peut être désirée dans certaines applications de traitement du
signal, mais elle peut être nuisible dans des applications de transmission : on l'appelle alors distorsion.

On dit qu'un système est sans distorsion si la sortie y(t) est liée à l'entrée x(t) par la relation :

y(t) = H0x(t - t0)

où H0 est une constante d'amplification ou d'atténuation et t0 une constante introduisant un retard pur. Un
tel système est donc un filtre linéaire. Son gain complexe s'écrit :

H(f) = H0 exp(-2jft0)

La phase est alors comme une fonction linéaire de la fréquence.

Ces conditions ne sont évidemment nécessaires que dans la plage de fréquence des signaux d'entrée si
ceux-ci sont à bande limitée. On est donc conduit en pratique à réaliser des filtres appelés filtres idéaux
dont la fonction de transfert est rectangulaire. Un calcul simple montre cependant que la réponse
impulsionnelle de ces filtres n'est pas causale. Ces filtres très utiles dans les études théoriques sommaires
qui suffisent souvent à l'élaboration de projets, ne sont donc pas physiquement réalisables. Aussi de
nombreuses solutions approchées ont été étudiées : citons par exemple les filtres de Butterworth,
Chebychev, Bessel. Chacun de ce modèles répond à des critères d'approximation souhaités : ondulation
dans la bande passante, raideur de la coupure, ondulation dans la bande affaiblie, ...

24
5.5. Distortions linéaires et non linéaires

Distorsion dans les filtres linéaires

On distingue deux types de distorsion pour les filtres linéaires :

- Lorsque le module de la fonction de transfert n'est pas constant, les fréquences ne sont pas toutes
amplifiées ou atténuées de la même manière : on parle alors de distorsion d'amplitude.

- Lorsque la phase de la fonction de transfert n'est pas linéaire, les fréquences ne sont pas toutes
retardées ou avancées de la même manière : on parle alors de distorsion de phase.

Distorsion dans les systèmes non linéaires

Pour illuster ce type de distorsion, nous traiterons seulement un exemple. Soit un système réalisant entre
son entrée x(t) et sa sortie y(t), l'opération suivante :

y(t) = x(t) + x2(t)

Appliquons à l'entrée le signal x(t) :

x(t) = a1 cos(2f1t) + a2 cos(2f2t)

La sortie s'écrit alors :

1 2 1 2
y(t) = (a 1 + a22) + a1 cos(2f1t) + a2 cos(2f2t) + a 1 cos(4f1t) +
2 2
1 2
a 2 cos((4f2t) + a1a2 cos(2(f1 - f2)t) + a1a2 cos(2(f1 + f2)t).
2
Nous voyons qu'un tel système introduit deux types de distorsion proprement non linéaires :

- La distorsion harmonique : elle correspond à la présence des 2 fréquences 2f1 et 2f2.

- La distorsion d'intermodulation : elle correspond à la présence des fréquences (f1 - f2) et (f1 + f2).

Ces effets sont appelés distorsion quand ils sont nuisibles, mais sont mis à profit dans certains montages
(récupération de porteuse, déplacement de fréquence, multiplication de fréquence, ...).

_________________________

25
 CHAPITRE 2

ECHANTILLONNAGE

1. NOTION D'ECHANTILLONNAGE

L'échantillonnage périodique est une opération qui consiste à remplacer une fonction continue x(t)
par une suite dénombrable de valeurs numériques (échantillons) prises par la fonction en une suite
d'instants tn , n  Z. Dans la suite nous n'envisageons que des suites d'instants régulièrement espacés tn =
nT : on parle alors d'échantil-lonnage régulier.

L'intérêt porté aux problèmes de l'échantillonnage réside dans le développement des techniques
numériques de traitement du signal. La question fondamentale est de savoir si cette opération ne fait
perdre aucune "information" sur x(t), ou plutôt de déterminer les propriétés de x(t), telles qu'il soit
possible de reconstruire de façon unique x(t), à partir de la suite des valeurs x(nT). En fait un examen
simple montre qu'a priori il existe une infinité de fonctions, qui prennent toutes les mêmes valeurs aux
instants nT. Toutefois le théorème d'échantillonnage donne, pour une certaine classe de fonctions, la
solution du problème. Celle-ci s'exprime de façon particulièrement simple dans le domaine des
fréquences.

2. THEOREME D'ECHANTILLONNAGE

Si un signal réel x(t) a une TF qui est nulle en dehors de la bande (-B , +B)(signal à bande limitée),
ce signal est complètement déterminé par ses valeurs en des instants régulièrement espacés de T à
condition que :

1
F= > 2B
T

On a alors la formule d'interpolation :


sin (2 B(t - nT))
x(t) = 
n=−
x(nT)
F ( t - nT)

Autrement dit; il est possible de reconstruire x(t) à partir de ses échantillons x(nT) si la fréquence
d'échantillonnage F est au moins égale à deux fois la fréquence maximale B présente dans x(t). La
fréquence limite 2B s'appelle fréquence de Nyquist.

26
 Le fait que x(t) soit à bande limitée, entraîne que x(t) ne peut avoir de variations arbitrairement
grandes : dans ce cas la variation entre deux abscisses successives reste suffisamment raisonnable pour
que l'interpolation soit exacte. Ce résultat est mis à profit, de façon intuitive, dans la méthode pratique
utilisée pour retirer des courbes point à point : dans la partie de la courbe, où on sait a priori qu'il y a de
fortes variations (présence de fréquence élevées), on prend davantage de points (on augmente ainsi la
fréquence d'échantillonnage).

3. DEMONSTRATION

Soit x(t) un signal réel déterministe, et soit xE(t) le signal défini par :

xE(t) = n x(nT) (t - nT)

D'une certaine façon, xE(t) représente l'opération d'échantillon-nage idéal de x(t).

Figure 2.1. Echantillonnage idéal

En utilisant les propriétés de (t), on peut écrire :

xE(t) = 
n
x(t) (t - nT)

= x(t) 
n
(t - nT)

xE(t) apparaît donc comme le produit de x(t) par le peigne de Dirac.

En prenant alors la TF des deux membres il vient :

1
XE(f) = X(f) *
T
n
(f - nF)

1
=
T
 n
X(f - nF)

1
F=
T
27
 Et donc, XE(f) s'obtient par périodisation de X(f) de période F. Deux cas peuvent alors être
envisagés :

F < 2B

Il y a alors recouvrement des différentes courbes obtenues par périodisation de X(f) : on dit qu'il y
a repliement de spectre.

L'origine de ce terme s'explique de la façon suivante : la partie de X(f-F) qui s'ajoute à X(f) est la
même partie de X(f) qui se trouve au delà de F/2 de par la symétrie hermitienne de X(f). Tout se passe
comme si on repliait les deux extrémités de X(f) situées de part et d'autre de -F/2. Il faut évidemment
répéter cette opération de repliement pour tout n. La conséquence du repliement de spectre est
l'impossibilité théorique de reconstruire X(f) à partir de XE(f) et donc x(t) à partir de xE(t).

F  2B

Il n'y a plus de repliement de spectre. On peut alors écrire :

f X(f) = T XE(f) rect2B(f)

Figure 2.2.

où rect2B(f) est la fonction égale à 1 sur l'intervalle (-B,B) et nulle partout ailleurs. En prenant la
transformée de Fourier inverse des deux membres, il vient :

sin( 2Bt )
x(t) = T xE(t) *
t
Cette relation montre que x(t) est reconstruit de façon unique à partir de xE(t) : il suffit pour celà
d'appliquer xE(t) à l'entrée d'un filtre linéaire de fonction de transfert T rectB(f). Ce filtre est un filtre
passe-bas idéal ; en théorie de l'échantillonnage on lui donne le nom de filtre d'interpolation pour rappeler
qu'il permet le calcul de x(t) en un instant quelconque situé entre deux instants d'échantillonnage.
Toutefois ce filtre n'est pas causal puisque sa réponse impulsionnelle s'étend de - à +. L'interpolation

28
n'est donc possible en toute rigueur que si l'on connait xE(t) de - à +. Cepen-dant en pratique, il est
possible de réaliser une approximation causale de ce filtre moyennant un certain retard t0. Celà signifie
que l'on utilise pour approximer x(t) quelques échantillons situés au delà de t.

Figure 2.3.

En utilisant l'expression de xE(t), il vient :

sin( 2Bt )
x(t) = T  n
x(nT) (t - nT) *
t

Soit encore :

sin 2  B(t - nT)

x(t) =  n
x(nT)
F( t - nT)

4. RECONSTITUTION

4.1. Filtre idéal

Le théorème d'échantillonnage nous montre que la reconstitution d'un signal à bande limitée est
possible à l'aide d'un filtre dont la réponse impulsionnelle est un sinus cardinal.

C'est le filtre défini par un gain T dans la bande [-F/2 , F/2] et de déphasage nul.

F
T f <
2
H(f) = 
F
0 f >
2

sin( 2 Ft / 2)
h(t) =
( 2 Ft / 2)

Ce filtre n'est pas réalisable physiquement (non causal), mais on peut l'approcher aussi près que
l'on veut moyennant un délais de reconstruction suffisant (la limite étant donnée par le filtre cardinal).

En pratique les signaux ne sont pas réellement à bande limitée (filtre anti-repliement), la
décroissance du spectre est "relativement lente". Afin de limiter le phénomène de recouvrement spectrale
il est nécessaire d'échantillonner à des cadences "assez élevées" pour séparer les spectres translatés X(f-
nF) du spectre de base X(f). Ceci permet l'utilisation de filtres simples et de délais (ou retard) peu
importants pour effectuer la reconstruction d'un signal à partir de ses échantillons.

29
4.2. Bloqueurs

En pratique, la reconstitution de x(t) à partir des valeurs x(nT) s'effectue à l'aide de bloqueurs. x(t)
est considéré comme fonction de x(nT), x(n-1)T), .. , x((n-k)T) et de t.

On notera : x(nT) = xn
.
.
.
x((n-k)T) = xn-k

x(t) = f(xn , xn-1 , ... , xn-k , t)

Un bloqueur sera dit d'ordre k s'il utilise k valeurs précédent l'instant nT.

La méthode repose sur le développement en série de Taylor au voisinage de nT.

Soit : t = nT +  0T

2
x(nT + ) = x(nT) +  x'(nT) + x"(nT) + ...
2!
On prendra les approximations suivantes :

1 1
x'(nT) = (x(nT) - x[(n-1)T]) = (xn - xn-1)
T T

1
x"(nT) = (xn - 2xn-1 + xn-2)
T2
Pour des raisons pratiques on se limite en général à un ou deux termes du développement.

a) Bloqueur d'ordre 0

On ne garde que le premier terme, on réalise l'approximation par la fonction en escalier.

x(t) = x(nT) nT  t < (n+1)T

Figure 2.4.

On en déduit la réponse impulsionnelle :

30
 1 0t<T
h0(t) = 
0 tT

Figure 2.5.

Soit : h0(t) = u(t) - u(t-T)

1 e − Tp
H0(p) = -
P P
La fonction de transfert du bloqueur d'ordre zéro est :

1 - e − Tp
H0(p) =
P
La réponse en fréquence est donnée par :

sin T / 2
H0(j) = e-(jT)/2 T .
T / 2

Soit : H0(j) = T  sinT/T2/ 2 

Figure 2.6.

31
b) Bloqueur d'ordre 1

On garde les deux premiers termes du développement :


x(nT+) = xn + (xn - xn-1)
T
On déduit la réponse impulsionnelle :

Figure 2.7.

t u ( t − T) u( t − 2T)
h1(t) = u(t)(1 + )-2u(t-T)-2(t-T) + u(t-2T)+(t-2T)
T T T

1 1 1 e − Tp 2 e − Tp e −2Tp e −2Tp
Soit : H1(p) = + - 2 - + +
P T p2 p T p2 p Tp 2

(1 - e -Tp ) 2 (1 - e -Tp ) 2
H1(p) = +
p Tp 2

1 1
= (1 - e-Tp)2 ( + )
P Tp 2

Tp + 1)
H1(p) = (1 - e-Tp)2 (
Tp 2
2

H (p) = T(1 + Tp)  1 - e
-Tp

1  Tp 
 

sin T / 2
et H1(j) = T (1 + 2T2)½
T / 2

Figure 2.8
32
 Ni l'un ni l'autre ne sont totalement satisfaisant dans la mesure où il laisse passer des fréquences
supérieures à la demi fréquence d'échantillonnage.

Le filtre cardinal n'étant pas réalisable, en pratique on échantillonne à une fréquence supérieure à
2B afin de limiter les défauts liés aux filtres de reconstruction.

5. ECHANTILLONNAGE DES SIGNAUX PASSE-BANDE

Considérons à présent un signal réel x(t) dont la transformée de Fourier est nulle en dehors des
deux intervalles de fréquence définis par :

fmin  f  fmax

Figure 2.9.

Rappelons que puisque x(t) est réel, X(f) possède la symétrie hermitienne.

L'application brutale du théorème d'échantillonnage conduit à prendre comme fréquence de

Nyquist la valeur 2fmax. Pourtant il est possible d'échantillonner à une cadence bien plus faible, si l'on
met à profit le fait que le spectre est nul dans l'intervalle (-fmin , fmin).

Cherchons les conditions sur F pour que le spectre, une fois périodisé, soit constitué de bande de
largeur f = fmax - fmin disjointes.

Figure 2.10.

On voit graphiquement qu'il suffit de choisir deux valeurs k et F, telles que la kième et la
(k+1)ième translatées de la partie de X(f) dans les fréquences négatives ne recouvrent pas la partie de X(f)
dans les fréquences positives. Ce qui s'écrit :

kF - fmin < fmin

(k+1)F - fmax > fmax

Par conséquent F doit être choisie dans des plages de valeurs telles que :

33
 2f max 2f min
<F<
k + 1 k

Plus la valeur choisie de k est grande, plus la plage de fréquences possibles d'échantillonnage est
située dans les fréquences basses. Toutefois k ne peut être pris arbitrairement grand puisque k doit vérifier
:

k f
 min
k + 1 f max

Notons k0 la plus grande valeur entière vérifiant l'inégalité ci-dessus. Les fréquences F
d'échantillonnage permises peuvent alors être choisies dans les intervalles disjoints définis par :

Indice Plage de fréquences d'échantillonnage

k0 2 f max 2 f min
<F<
k0 + 1 k0
k0 - 1
2 f max 2 f min
<F<
k0 k0 - 1

• •

k 2f max 2f min
<F<
k + 1 k
•
•
2fmax < F < + 
0

La plus petite fréquence d'échantillonnage Fmin qui assure le non repliement du spectre est donc
donnée par :

2 f max
Fmin =
k0 + 1

Notons enfin que plus la fréquence d'échantillonnage est choisie petite, plus la plage de fréquences
à laquelle elle appartient est étroite.

Interprétation

Dans l'échantillonnage des signaux passe-bande il est possible sans perte d'information,
d'échantillonner l'enveloppe dont les variations plus lentes permettent une fréquence d'échantillonnage
plus faible.
34
 Formule d'interpolation

Pour reconstruire le signal x(t), il suffit de suivre en tout point le calcul fait pour un signal passe-
bas, mais de prendre :

H(f) = Trectf(f - f0) + rectf(f + f0)

f max + f min
où f = (fmax - fmin) et f0 =
2
sin( ft )
et donc h(t) = 2T cos(2f0t)
t


n =+
Il suffit alors d'utiliser l'expression x(t) = x(nT) h(t-nT) pour obtenir la formule
n =−
d'interpolation.

6. ECHANTILLONNAGE DES SIGNAUX PASSE-BAS A BANDE INFINIE

En pratique c'est souvent la fréquence d'échantillonnage Fe = 1/T qui est imposée. Dans ce cas si le
signal est de bande supérieure à Fe/2, le phénomène de repliement de spectre ne peut être évité. Il y aura
donc une perte d'information sur le signal échantillonné. Le problème, qui se pose alors, est de limiter
autant que possible cette perte. Comme nous allons le voir, la solution consiste à effectuer un préfiltrage
du signal avant l'opération d'échantillonnage.

Considérons le schéma suivant :

Figure 2.11.

Dans ce schéma le filtre G(f) est à déterminer. Le filtre de gain complexe H(f) = T rect F (f) est le
e
filtre d'interpolation trouvé au paragraphe 1. Il fait correspondre aux échantillons x1(nTe), le signal :

sin( Fe t )

n =+
x2(t) = x1(nT) h(t - nT) où h(t) =
n =−
Fe t

Calculons X2(f) :

1 n
 
n =+ n =+
X2(f) = x1(nT) exp(-2jnfT) H(f) = X1(f - ) H(f)
n =− n =−
Te T

Comme X1(f) = X(f) G(f), on en déduit que :

n n

n =+
X2(f) = X(f - ) G(f - ) rectFe(f)
n =−
T T
35
 Fe Fe
Et donc X2(f) = 0 pour f à l'extérieur de la bande (- , ).
2 2
Il s'agit à présent de déterminer le filtre linéaire G(f) de façon à optimiser un certain critère. En
traitement du signal un critère largement utilisé est celui du minimum d'écart quadratique. Appliqué ici, il
conduit à trouver G(f) qui minimise :

+
2 = 
−
x(t) - x2(t)2dt

Avec des notations évidentes et en utilisant la formule de Parseval, il vient :

Fe
+
2 = F
- e
2 X(f) - X2(f)2df +  f 
Fe
2
X(f)2df
2

Comme le second terme du membre droit ne dépend pas du choix de G(f), le minimum est obtenu
en prenant G(f) = rectFe(f), puisque dans ce cas le premier terme s'annule.

Ce résultat est fondamental, puisqu'il indique la marche à suivre lors de l'échantillonnage d'un
signal à la fréquence Fe. On doit faire précéder l'opération d'échantillonnage, d'un filtrage passe-bas idéal
Fe Fe
dans la bande (- , ), appelé filtrage anti-repliement. Evidemment il y a perte d'information et ce
2 2
que l'on peut reconstruire, au mieux, est x1(t). L'information sur x(t) contenue dans les fréquences à
Fe Fe
l'extérieur de la bande (- , ) est à jamais perdue.
2 2

_____________________

36
 CHAPITRE 3

SIGNAUX ET SYSTÈMES À TEMPS DISCRET

1. INTRODUCTION

On appelle signal déterministe à temps discret (ou tout simplement signal discret) une suite de
valeurs numériques réelles ou complexes indexées par n.

En traitement du signal, cette suite provient le plus souvent de l'échantillonnage à la cadence T,

d'un signal déterministe à temps continu. Comme on l'a vu au chapitre précédent, le théorème d'échan-
tillonnge garantit alors que cette suite est la meilleure approxima-tion quadratique à bande limitée de
largeur B = 1/2T. Cette approxima-tion est exacte, si le signal échantillonné est limité à une bande de
largeur B. Le temps T entre deux échantillons contient donc une information utile. Pour le rappeler on
note parfois la suite x(nT).

Toutefois les signaux à temps continu ne sont pas les seuls à l'origine des signaux discrets.
Certains phénomènes se présentent de façon naturelle comme des suites à temps discret. On les rencontre
dans des domaines comme l'économie, les statistiques, ...

1.1. Les signaux discrets élémentaires

On définit quelques signaux discrets élémentaires obtenus à partir de leur équivalent continu en
remplaçant t par nT, à l'exception de l'impulsion unité.

a) Impulsion unité
1 pour n=0
Elle est définie par :  (nT ) = 
0 pour n0

b) Echelon unité
1 pour n  0
Il est défini par : u (nT ) = 
0 pour n  0

c) Rampe unité
nT pour n  0
Elle est définie par : r (nT ) = 
0 pour n  0

37
 En particulier, la réponse d'un système discret à l'impulsion unité définira sa réponse
impulsionnelle.

Remarques :

 (n) = u (n) − u (n − 1)
n
u ( n) =   (k )
k = −

+
r ( n) =  k (n − k )
k = −

Généralisation : x(n) quelconque

+
x ( n) =  x(k ) (n − k )
k = −

d) Signal rectangulaire

L'expression du signal rectangulaire est donnée par :

1 pour 0  n  N - 1
rect N (nT ) = 
0 partout ailleurs

e) Signal triangulaire :

|𝑛|
𝑡𝑟𝑖2𝑁−1 (𝑛) = {1 − 𝑁 ; |𝑛| ≤ 𝑁
0 ; 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠

f) Les signaux sinus et cosinus

Leurs expressions sont sin(2f0nT) et cos(2f0nT).

- Périodicité dans le domaine temporel :

Le signal analogique 𝑥(𝑡) = cos(2𝑓0 𝑡) est périodique de période 𝑇0 = 1/ 𝑓0 . Mais le signal

discret 𝑥(𝑛𝑇) = cos(2𝑓0 𝑛𝑇) n’est pas nécessairement périodique en n. Cela provient du fait que
𝑛 ∈ ℤ. Pour que le signal périodique en n, il faut que :

38
 ∃ 𝑁 / 𝑥(𝑛 + 𝑁) = 𝑥(𝑛)

⟹ cos(2𝑓0 (𝑛 + 𝑁)𝑇) = cos(2𝑓0 𝑛𝑇 + 2𝑓0 𝑁𝑇) = cos(2𝑓0 𝑛𝑇)

⟹ 2𝑓0 𝑁𝑇 = 2𝑘

𝑘𝑓𝑒
⟹ 𝑓0 = ; 𝑘 = 0, 1, … , (𝑁 − 1)
𝑁

Exemples : 𝑥(𝑛𝑇) = cos(2𝑓0 𝑛), 𝑓𝑒 = 1

a. 𝑥(𝑛) = cos(𝑛/4) est périodique de période N = 8 (𝑓0 = 1/8). De même pour : 𝑥(𝑛) =
cos(𝑛/2) où 𝑓0 = 2/8 et 𝑥(𝑛) = cos(3𝑛/4) où 𝑓0 = 3/8.

b. 𝑥(𝑛) = cos(3𝑛/8) est périodique mais N =16 (𝑓0 = 1.5/8 = 3/16). Bien qu’on a
augmenté 𝒇𝟎 de 1/8 à 1.5/8, la période a aussi augmenté : de N = 8 à N = 16.

Remarque : Le signal analogique est de période 𝑇0 = 1/ 𝑓0 , mais le signal discret est de

période 𝑁𝑇 = 𝑁 = 16 = 3𝑇0 . Cela aura des grandes conséquences sur l’analyse spectrale de
ce signal où la durée d’observation devrait être multiple de 𝑁 = 16 = 3𝑇0 .

1
c. 𝑥(𝑛) = cos(𝑛) n’est pas périodique (𝑓0 = ).
2

- Périodicité dans le domaine fréquentiel :

Tous les signaux discrets ont un spectre périodique de période 𝑓𝑒 et présentent une symétrie
hermitienne par rapport à 0 et 𝑓𝑒 /2.

𝑓𝑒
La connaissance de la représentation fréquentielle est complète si on la connaît pour 𝑓 ∈ [0, [.
2

1.2. Caractéristiques usuelles des signaux discrets :

Un signal discret peut être défini à partir de :

- sa valeur crête positive

- sa valeur crête négative
- sa valeur crête à crête

- sa valeur moyenne :

+N
1
<x(nT)> = lim
N→ 2N + 1

−N
x(nT)

- sa puissance moyenne :

+N
1
<x2(nT)> = lim
N→ 2N + 1

−N
x2(nT)

- son énergie :

+
Ex = 
−
x2(nT)

39
2. LA TRANSFORMEE EN Z

2.1. Introduction

La transformée en Z joue pour les systèmes discrets le même rôle que la transformée de
Laplace pour les systèmes continus.

Son utilisation va permettre de caractériser un système numérique par sa fonction de transfert qui
est par définition la transformée en Z de sa réponse impulsionnelle.

De plus, la transformée en Z permet de représenter un signal possédant une infinité d'échantillons

par un ensemble fini de nombre. Ces nombres, caractérisant complètement le signal, permettent de le
reconstituer entièrement.

2.2. Définition

2.2.1. Transformée bilatérale

La transformée en Z bilatérale d'un processus discret x(nT), est définie par :

+
X(Z) =
n=−
 x(nT)Z-n (1)

où Z est une variable complexe et où X(Z) est une fonction complexe de la variable Z.

Si la série définie par (1) converge vers une fonction analytique dans un anneau (R1 < Z < R2) du
plan complexe Z, alors c'est la série de Laurent de cette fonction autour de Z = 0.

Exemple

x(t) = e-at , a > 0

+ 0 
X(Z) = 
n=−
e-anT Z-n = 
−
(e-aT Z)-n + 
n= 0
(e-aT Z-1)n - 1 :

1
* La première série converge vers pour Z < eaT
1 - e -aT Z
1
* La seconde série converge vers pour Z < e-aT
1 - e -aT Z −1
Les deux régions de convergence se recouvrent et on obtient :

1 - e -2aT
x(Z) = pour e-aT < Z < eaT
(1 - e -aT Z)(1 - e -aT Z −1 )

40
2.2.2. Transformée monolatérale

Dans l'étude des signaux et des systèmes causaux, on utilise la transformée monolatérale définie
par :


X(Z) = 
n= 0
x(nT)Z-n

La convergence d'une telle série se réduit alors à la recherche d'un rayon de convergence et non
plus d'un anneau.

Exemple

x(t) = (t)e-at

 
X(Z) = 
n= 0
e-anT Z-n = 
n= 0
(e-aT Z-1)n

1
d'où X(Z) = pour Z > e-aT
1 - e -aT Z −1

2.3. Relations entre X(Z) , XE(p) et XE(j)

On a vu que l'échantillonnage uinforme d'un signal x(t) se traduit par :

+
xE(t) = 
n=−
x(nT) (t - nT)

dont la transformée de Laplace s'exprime par :

+
XE(p) = 
n=−
x(nT) e-nTp (2)

et la transformée de Fourier :

+
XE() = 
n=−
x(nT) e-jnT

Si alors on effectue la substitution Z = eTp dans l'expression de X(Z), on obtient :

XE(p) = X(Z)  Z = eTp

XE() = X(Z)  Z = ejT

- La dernière relation n'est définie que si la région de convergence de X(Z) inclut le cercle unité.

- Il est facile de voir d'après (2) que :

2k
XE(p + j ) = XE(p) , k  Z
T

41
  
La périodicité de XE(p) fait que sa connaissance dans la bande (- , ) suffit à la déterminer
T T
entièrement.
- Finalement, en posant Z = e(+j)T, il est facile de voir la correspondance entre le plan P et le
plan Z :

Z < 1   < 0

Z = 1   = 0
Z > 1   > 0

2.4. Application au calcul de la transformée en Z d'une fonction

La méthode consiste à calculer la transformée de Laplace X E(p) du signal échantillonné xE(t), puis
effectuer le changement de variable Z = eTp.

X(z) = XE(p) pour Z = eTp

Une première expression de XE(p) est donnée par :

+
XE(p) = −
e-nTp x(nT)

Une autre expression est fournie par l'utilisation de la convo-lution complexe.

En effet :
+
xE(t) = 
−
x(nT) (t - nT)

+
= 
−
x(t) (t - nT)

+
= x(t) 
−
(t - nT)

Et finalement, xE(t) = x(t).T(t), en désignant par T(t) le train d'impulsions de Dirac.

D'où :
XE(p) = L(x(t).T(t)) = X(p) * T(p)

D'après la définition du produit de convolution :

1 c + j
XE(p) =
2j c − j
X() T(p - )d si C = Re 

et  < C < Re P avec  = abscisse de convergence de X().

Or
1 1
T(p) =  T(p - ) =
1 - e -Tp
1 - e -T(p- )

42
 2k
Les pôles de T(p - ) sont  = p + j = p + jke
T
Les pôles de X() sont répartis dans le demi-plan de gauche (x(t) étant un signal physique).

Pour que T(p) existe, il faut que e-Tp < 1, donc Re(p) > 0.

D'où la répartition suivante des pôles de X() T(p - ) dans le plan complexe (figure 3.1.) :

Figure 3.1.

Pour déterminer XE(p), calculons l'intégrale du produit de convo-lution par la méthode des résidus
en fermant le contour de Bromwich de deux façons différentes :

a) Le contour 1 de rayon infini et qui va dans le plan de droite.

b) Le contour 2 de rayon infini et qui va dans le plan de gauche.

a) Intégration sur le contour 1

1
XE(p)= - 
k
résidus de X()
1 - e -T(p- )
]=p+jke

1
= -X(p + jke)  d -T(p- )
]=p+jke
k (1 - e )
d

1
= -X(p + jke) 
k −Te -T(p- )
]=p+jke

Et finalement :

+
1
XE(p) =
T

k=−
X(p + jke)

Cette expression montre que XE(p) est périodique de période e, résultat déjà connu depuis le
debut du chapitre.
43
 b) Intégration sur le contour 2

N ()
Le contour 2 nous donne si X() =
D(  )

1
XE(p) = 
 i = pôles de X(  )
Résidus(X()
1 - e -T(p- i )
)

Si X() ne possède que des pôles simples :

k
N(i ) 1
XE(p) = 
i =1 D'(  i ) 1 - e -T(p- i )

d
avec D'(i) = D()=
d i

Cette formule ne fournit aucune information sur la forme du signal en dehors des instants
d'échantillonnage. On en déduit l'expression de la transformée en Z du signal x *(t), dans le cas où les
pôles de X(p) sont simples :

k
N(i ) 1
X(z) = 
i =1 D'(  i ) 1 - e T i Z −1

Cette relation montre que lorsque X(p) possède un nombre fini de pôles simples :

a) La transformée en Z de x(t) est une fraction rationnelle en Z.

b) Le degré du dénominateur en Z-1 de X(Z) est égal au degré du dénominateur en p.

c) La transformée en z offre l'inconvénient majeur de ne fournir de renseignements sur la fonction

originale qu'aux seuls instants d'échantillonnage puisque X(Z) définit xE(t) et non x(t).

Exemples

1
a) x(t) = (t)  X(p) = : N() = 1 ; D() =   i = 0
p
1 Z
d'où X(Z) = -1
=
1 - Z Z - 1

1
b) x(t) = (t)e-at (a > 0)  X(p) = ; N() = 1 ; D() =  + a
p + a
 i = - a et D'(i) = 1

1 Z
d'où X(Z) = -aT -1
=
1 - e Z Z - e -aT

c) x(t) = (1 - e-at) (t)

Z(1 - e -aT )
De la même façon on calcule : X(Z) =
( Z - 1)(Z - e -aT )
44
2.5. Propriétés de la transformée en Z

1. Linéarité

 et  étant deux constantes arbitraires réelles, alors :

Z[f(t) + g(t)] = F(Z) + G(Z)

Démonstration

+
Z[f(t) + g(t)] = 
n=−
[f(nT) + g(nT)]Z-n

+ +
= 
−
f(nT)Z-n +  
−
g(nT)Z-n

= F(Z) + G(Z)

Le résultat est identique pour la transformée monolatérale.

2. Translation temporelle

a) Transformée bilarérale

Z[f(t + kT)] = zk F(Z) , k  Z

Démonstration

+ +
Z[f(t + kT)] = 
n=−
f((n+k)T)Z-n = Zk 
n=−
f((n+k)T)Z-(n+k)

Soit m = n + k

+
 Z[f(t + kT)] = Zk 
n=−
f(mT)Z-m = zk F(Z)

b) Transformée monolatérale

Il faut considérer deux cas :

- Soit la translation est une avance : k > 0

- Soit la translation est un retard : k < 0

b.1) Translation avant

k −1
Z[f(t + kT)] = Zk [F(Z) - 
m= 0
f(mT)Z-m] , k  N

Démonstration

45
  
Z[f(t + kT)] = 
n=
f((n+k)T)Z-n = Zk 
n=
f((n + k)T)Z-(n+k)

Soit m = n + k


 Z[f(t + kT)] = 
m= k
Zk f(mT)Z-m

k −1
= Zk[F(Z) - 
m= 0
f(mT)Z-m]

b.2) Translation retard

Z[f(t - kT)] = Z-k F(Z) , k  N

Démonstration

 
Z[f(t - kT)] = 
n=
f((n-k)T)Z-n = Z-k 
n=
f((n - k)T)Z-(n+k)

Soit m = x + k


 Z[f(t - kT)] = Z-k 
m =− k
f(mT)Z-m

Dans le cas de la transformée monolatérale, on a l'hypothèse f(t) = 0 pout t < 0, soit f(mT) = 0
pour m < 0, donc :


Z[f(t - kT)] = Z-k 
m= 0
f(mT)Z-m = Z-k F(Z)

3. Translation complexe

Z[f(t)e-at] = F(Z eaT)

Démonstration
+
Z[f(t)e-at] = 
n=−
f(nT)e-anT Z-n

+
= 
n=−
f(nT)(e+aT Z)-n = F(Z eaT)

Le résultat se conserve pour la transformée monolatérale.

4. Différentiation complexe

dF ( Z)
Z[t f(t)] = - TZ
dZ

46
 Démonstration

+
Z[tf(t)] = 
n=−
nT f(nT)Z-n
+
= 
−
- TZ f(nT)(-n)Z-n-1
+
d -n
= 
−
- TZ f(nT)
dZ
(Z )

Sous réserve de convergence uniforme, on peut invertir la sommation et la dérivation, d'où :

d + d
Z[t f(t)] = -TZ [  f(nT)Z-n] = -TZ F(Z)
dZ n=− dZ

Le résultat se généralise :

d
Z[tk f(t)] = -TZ [Fk-1(Z)]
dZ

où Fk-1(Z) = Z[tk-1 f(t)]

5. Convolution discrète

a) Transformée bilatérale

+
Z[ 
k=−
f(kT) g[((n-k)T)] = F(Z).G(Z)

Démonstration

+ + +
Z[ 
k=−
f(kT) g[((n-k)T)] =  
n=− k=−
f(kT) g((n-k)T) Z-n

Or : n = n - k + k

+ + +
 Z[ 
k=−
f(kT) g[((n-k)T)] = 
n=−
g((n-k)T)Z-(n-k) 
k=−
f(kT)Z-k

Soit : m = n - k

+ + +
Z[ 
k=−
f(kT) g[((n-k)T)] = 
m=−
g(mT)Z-m 
k=−
f(kT)Z-k

47
 b) Transformée monolatérale

+
Z[ 
k= 0
f(kT) g[((n-k)T)] = F(Z).G(Z)

Démonstration

Elle est équivalente à la précédente en tenant compte du fait que f(nT) et g(nT) sont nulles pour
n < 0.

6. Théorème de la valeur initiale

Le théorème permet de donner, d'une manière relativement simple, la valeur à l'origine d'un signal
dont on connaît la transformée en Z. Toutefois, il n'est valable que pour un signal causal, ainsi que son
nom l'indique.

La transformée en Z d'un signal causal x(k) est donnée par :

+
x ( T) x ( 2 T)
X(Z) = 
k=−
x(kT) Z-k = x(0) +
Z
+
Z2
+ ...

Si on cherche la limite de X(Z) pour Z tendant vers l'infini, tous les termes de la série, sauf le
premier tendent vers zéro.

x(0) = lim X(Z)

Z→

7. Théorème de la valeur finale

lim f(nT) = lim (1 - Z-1) F(Z)

n→ Z→1

La démonstration de ce théorème ne sera pas faite.

2.6. Inversion de la transformée en Z

La transformée en Z inverse n'est pas unique en général. En effet, la transformée en Z définie à

partir de X*(p) ne fournit des rensei-gnements sur la fonction originale qu'aux instants d'échantillonnage.
Et, on a toute une famille de fonctions prenant les mêmes valeurs aux instants d'échantillonnage.

On distingue diverses méthodes de calcul de la transformée inverse en Z, qui donnent x*(t) aux
instants d'échantillonnage suivant l'une des méthodes décrites ci-après.

1. Développement en fonctions élémentaires

Une grande classe de transformées en Z, que l'on rencontre en pratique, peut se mettre sous la
forme d'un quotient de 2 polynômes en Z ou en Z-1.

48
 P ( Z)
X(Z) =
Q ( Z)

On est tenté naturellement de développer X(Z) sous la forme :

A B C
X(Z) = + + + ...
Z + a Z + b Z + c
mais, on sait que :

Z
Z[(t)e-at] =
Z - e -aT
Il en résulte que si tous les termes du développement en fractions élémentaires sont du type
Z
, la fonction échantillonnée origi-nale est une série d'exponentielles. Il est donc utile d'adopter
Z - e -aT
le mode opératoire suivant :

- On développe d'abord Z-1 X(Z) en fractions élémentaires

- On multiplie par Z chaque terme du développement
- On en déduit la fonction échantillonnée

Exemple

Z(1 - e -aT )
X(Z) =
( Z - 1)(Z - e -aT )

Z(1 - e -aT ) 1 1
- Z-1 X(Z) = -aT
= -
( Z - 1)(Z - e ) Z - 1 Z - e -aT

Z Z
- X(Z) = -
Z - 1 Z - e -aT

d'où : x(nT) = 1 - e-anT


et finalement : xE(t) = 0
(1 - e-anT) (t - nT)

2. Division suivant les puissances croissantes en Z-1

D'après la définition de la transformée en Z, la valeur de x(nT) est le coefficient de Z-n dans le

développement en série de X(Z).

a 0 + a1Z−1 + a 2 Z−2 + ... + a m Z− m

Soit : X(Z) =
b 0 + b1Z−1 + b2 Z−2 + ... + b n Z− n

En effectuant la division suivant les puissances croissantes de Z-1, il vient :

X(Z) = C0 + C1Z-1 + C2Z-2 + ...

 xE(t) = C0(t) + C1(t - nT) + C2(t - 2T) + ...

49
Exemple

Z −1
X(Z) = pour Z > 1
1 - 1,44 Z -1 + Z -2

Pour trouver le signal x(nT) on effectue la division :

Z-1 1 - 1,414 Z-1 + Z-2

_________________________
Z-1 - 1,414 Z-2 + Z-3 Z-1 + 1,414 Z-2 + Z-3 + 0 - Z-5 - 1,414-6 + ...
_____________________
1,414 Z-2 - Z-3
1,414 Z-2 - 2Z-3 + 1,414 Z-4
____________________________
Z-3 - 1,414 Z-4
Z-3 - 1,414 Z-4 + Z-5
_____________________
- Z-5
+ Z-5 + 1,414 Z-6 - Z-7
_______________________
- 1,414 Z-6 + Z-7

Le résultat de la division est une série de puissance en Z -1. En comparant ce résultat à la définition
de la transformée en Z, et en identifiant les résultats correspondants, on obtient les échantillons du signal :

x(0) = 0 , x(1) = 1 , x(2) = 1,414 , x(3) = 1 , x(4) = 0 , ...

Le désavantage de cette méthode est que le signal est obtenu sous forme numérique, sans
information sur la forme analytique ou sur la composition du signal. Par conséquent, elle a l'avantage
d'être relativement rapide et très simple. On peut l'appliquer soit manuelle-ment, soit par programmation
sur ordinateur.

3. Méthodes des résidus

L'inversion de la transformée en Z peut être établie en appliquant le théorème de Cauchy sur

l'intégration le long d'un contour dans le plan complexe. On peut déduire de ce théorème que l'intégrale I k
définie par :

1
Ik =
2j 

Zk-1 dZ (3)

où  est un contour fermé qui entoure l'origine du plan des Z, est donnée par :

 1 pour k = 0
Ik = 
 0 pour k  0

Or la transformée en Z, X(Z) d'un signal x(nT) est définie par :

+
X(Z) = 
n=−
x(nT) Z-n

50
 En multipliant les deux membres de la relation précédente par (Zk-1/2j) et en intégrant le long
d'un contour entourant l'origine et contenu dans la région de convergence, on obtient :

+
1 1
2j 

X(Z) Zk-1 dz =
2j  

n=−
x(nT) Z-n+k-1 dZ

Comme l'intégrale est calculée dans la région de convergence, la série est convergente. Par
conséquent, on peut intervertir l'intégration et la sommation :

+
1 1
2j 

X(Z) Zk-1 dZ = 
n=−
x(nT)
2j 

Z-n+k-1 dZ

Compte tenu de la relation (3), on obtient :

1
x(kT) =
2j 

X(Z) Zk-1 dZ (4)

C'est l'expression de la transformation en Z inverse, valable pour toutes les valeurs de k. Le

contour d'intégration doit être dans la région de convergence ; il doit être fermé et il doit entourer l'origine
du plan des Z dans le sens positif.

On peut évaluer l'intégrale (4) par la méthode des résidus. Le théorème de Cauchy sur l'intégrale le
long d'un contour indique que :

1
x(kT) =
2j 

X(Z) Zk-1 dZ =  résidus de X(Z)Zk-1 ds (5)

Rappels

a) Pour un pôle simple :

Résidu [F(Z)]Z= =
i
lim [(Z - i) F(Z)]
Z→i

b) Pour un pôle d'ordre n :

1 d ( n −1)
Résidu [F(Z)]Z= = lim [(Z - i)n F(Z)]
i (n - 1)! Z→i dZ n −1

Ainsi, en calculant d'après la relation (5) tous les résidus de la fonction [X(Z)Z k-1] à l'intérieur du
contour , on obtient par somma-tion le signal x(kT).

Exemple

1
Considérons : X(Z) = pour Z > 1
1 - Z -1

1 Zk
d'où : x(kT) =
2j   Z - 1
dZ

51
où le contour  peut être un cercle de rayon supérieur à l'unité.

Pour k  0, ce contour ne renferme qu'un pôle simple au point Z = 1. Le résidu à ce pôle est :

Zk
lim (Z - 1) = 1 pour k  0
Z→1 Z - 1

Pour k < 0, la fonction Zk/(Z - 1) possède des pôles d'ordre k au point Z = 0. On peut calculer x(k)
pour k < 0, itérativement.

Pour k = -1, le résidu à l'origine est donné par :

Z −1
lim Z = -1 , et le résidu au pôle Z = 1 est 1
Z→0 Z - 1
La somme des résidus est ainsi nulle pour k = -1.

D'une manière générale, pour un pôle d'ordre k au point Z = 0 on a :

1 d k −1 k Z
−k
Résidu (0) = lim [ Z ] = -1
(k - 1)! Z→0 dZ k −1 Z - 1

et similairement, le résidu (1) = 1.

Donc, quelque soit k < 0, la somme des résidus aux pôles est nulle. D'où finalement :

 1 pour k  0
x(kT) = 
 0 pour k < 0

3. TRANSFORMATION DE FOURIER A TEMPS DISCRET

3.1. Formules directe et inverse

On appelle transformée de Fourier à temps discret (en abrégé TFTD) du signal numérique x(n), la
fonction définie par :


n =+
X(e2jfT) = x(n)e-2jnfT
n =−

à condition que cette écriture ait un sens.

La transformée de Fourier à temps discret est donc la valeur de la tranformée en Z, le long du

cercle unité (z = exp(2jfT)). Aussi doit-on utiliser la notation plus juste X(e2jfT). Toutefois par souci
de simplification on utilise parfois X(f), le contexte permettant alors de résoudre cette abus d'écriture.

La fonction X(e2jfT) ainsi définie est périodique de période T. Pour cela on limite en général sa
fe fe
représentation à un intervalle de longueur fe et on prend souvent f  (- , ) ou f (0,fe).
2 2

52
 Remarquons que la suite x(n) représente la suite des coefficients de Fourier de la fonction
X(e 2jfT ) périodique de période T. Par consé-quent on a les formules de Fourier directe et inverse :


n =+
X(e2jfT) = x(n)e-2jnfT
n =−

fe
1 +
x(n) =
fe 
-
fe
2
X(e2jfT)e2jnfT df
2

Exemple

A titre d'exemple calculons la transformée de Fourier à temps discret du signal rectangulaire x(n) =
rectN(n)(fe = 1). Il vient :

1 - e -2 jNf sin(  Nf )

n = N −1
X(e2jf) = e-2jnf = -2 jf
= e-j(N-1)f
n=0
1 - e sin(  f )

Figure 3.2. : Module du spectre de la fenêtre rectangulaire pour N = 10

On a représenté à la figure ci-dessus le module de X(e2jfT), on note la présence d'un lobe

principal de largeur 2/N et de lobes secondaires de largeur inversement proportionnelle à 1/N. ce résultat
est à rapprocher du lien temps-fréquence déjà vu lors des signaux à temps continu.

3.2. Principales propriétés

Les principales propriétés se déduisent sans difficulté de celles de la transformée en Z sous

condition que les écritures aient un sens et donc que le cercle unité appartienne au domaine de
convergence.

53
Propriétés générales

Les propriétés sont en tout point analogues à celles de la trans-formée de Fourier des signaux à
temps continu. Ainsi on pourra établir facilement les propriétés suivantes.

Propriétés En temps En fréquence

Linéarité

Translation en temps x(n - n0) X(e2jfT) exp(-2fn0T)

Translation en fréquence x(n) exp(2jf0nT) X(f - f0)

Inversion
x(-n) X(e-2jfT)

Convolution X(e2jfT) Y(e2jfT)

x(n) * y(n)
Produit X(e2jfT)*Y(e2jfT)
x(n) y(n)
Parité
réelle X(e2jfT) = X*(e-2jfT)

réelle paire réelle paire

Conjugaison
x*(n) X*(e-2jfT)

Relation de Parseval

En utilisant la propriété de convolution, on obtient l'expression :

fe
1 +

n =+
n =−
x(n) y(n)* =
fe  -
2
fe X(e2jfT) Y*(e2jfT)df
2

qui donne dans le cas particulier où x(n) = y(n) :

fe
1 +

n =+
n =−
x(n)2 =
fe  -
2
fe X(e2jfT)2 df
2

_________________________

54
 CHAPITRE 4

TRANSFORMEE DE FOURIER DISCRETE

Au centre du traitement du signal, la transformation de Fourier occupe une place de première

importance. Cette remarquable méthode utilisée depuis longtemps, constituait un outil théorique assez
délicat à manier : en 1965, COOLEY et TUKEY lui conférèrent le caractère pratique qui lui manquait.

Leur célèbre algorithme fut rapidement suivi par beaucoup d'autres ; c'est leur ensemble qui
constitue la transformation de Fourier rapide.

Son importance est très grande ; en effet :

- La TFR a considérablement augmenté la rapidité, la souplesse et la précision du traitement du signal.

- La TFR a ouvert un champ d'application immense à l'analyse spec-trale : télécommunications,

spectroscopie, prospections, diagnostic médical, ...

- La TFR a provoqué un renouvellement d'intérêt en faveur de plusieurs branches de mathématiques.

1. TRANSFORMEE DE FOURIER DISCRETE D'UN SIGNAL

La transformée de Fourier discrète s'introduit quand il s'agit de calculer la transformée d'un signal
à l'aide d'un calculateur numérique. En effet un tel opérateur ne peut traîter que des nombres et de plus en
quantité limitée par la taille de sa mémoire.

Il s'en suit que la transformée de Fourier :

+
X(f) = 
−
x(t) e-j2ft dt

doit être adaptée, d'une part en remplaçant le signal x(t) par des nombres x(nT) qui représentent un
échantillonnage de ce signal (on passe de la transformée de Fourier à la transformée de Fourier à temps
discret) et d'autre part en limitant l'ensemble des nombres sur lesquels portent les calculs à une valeur
finie N.

Le calcul fournit alors des nombres XE(f) définis par :

N −1
XE(f) = 
n=0
x(nT)e
-j2fnT

55
 Comme le calculateur est limité dans sa puissance de calcul, on ne peut fournir ces résultats que
pour un nombre limité de valeurs de la fréquence f, qu'il est naturel de choisir multiple d'un certain pas de
fréquence f. Alors :

N −1
XE(kf) = 
n=0
x(nT)e
-j2kfnT

Les conditions dans lesquelles les valeurs calculées constituent une bonne approximation des
valeurs recherchées sont étudiées par la suite.

Un choix simplificateur consiste à utiliser la symétrie de la réponse en fréquence par rapport à fe/2,
fe étant la fréquence d'échantillonnage. On obtient ainsi :

 e 2
Nf = fe   = =
N NT
Finalement, on définit la transformée de Fourier discrète d'une suite de N points temporels par une
suite de N points en fréquence tels que :

j2
N −1 - nk
XE(kf) = n=0
x(nT)e N

k = 0 , 1 , ... , N-1

et en écriture condensée :

N −1
X(k) = 
n=0
x(n)Wnk

k = 0 , 1 , ... , N-1

j2
-
où W = e N .

La périodicité de W induit que :

X(k + N) = X(k) = Xk

Cette définition n'est pas une représentation fidèle de la transformée de Fourier du signal, sauf
peut-être pour un signal périodique. En effet, on va voir que la transformée de Fourier discrète qui
présente une période N en fréquence, induit la même période en temps.

2. TRANSFORMEE DE FOURIER DISCRETE INVERSE

La transformée de Fourier inverse d'une séquence X k est définie comme la séquence xn par :

N −1
1
xn =
N

k =0
Xk W-nk

n = 0 , 1 , ... , N-1
56
Démonstration

N −1 N −1 N −1
1 1
N

k =0
Xk W-nk =
N
 
k =0 m=0
xm Wmk W-nk

N −1 N −1
1
=
N

m=0
xm  k =0
Wk(m-n)

N −1
 N si m = n
Or :  Wk(m-n) = 
k =0 0 si m  n

N −1 N −1
- En effet, si m = n  
k =0
Wk(m-n) = 
k =0
1=N

- Si m  n  m - n = L  0, alors :

N −1 N −1
1 - W NL

k =0
Wk(m-n) = 
k =0
WkL =
1 - W
=0

Par suite, la somme précédente n'est donc défini que pour m = n, soit :

N −1
1
N
k =0
Xk W-nk = xn

Ceci induit une périodicité des xn ; en effet, il est facile de voir que xn = xn+N.

Ainsi, la transformée de Fourier discrète fait correspondre un signal périodique avec un signal
périodique. Ceci n'est génant si la période correspond à la longueur du signal analysé.

Par contre, pour un signal non périodique, estimer la transformée de Fourier discrète sur N points
de mesure ne donne pas une indication parfaite du comportement en fréquence de ce signal.

3. PROPRIETES DE LA TRANSFORMEE DE FOURIER DISCRETE (TFD)

3.1. Linéarité

Quelque soient deux constantes  et  et deux séquences x(nT) et y(nT) :

TFD[x(nT) + y(nT)] = TFD[x(nT)] + TFD[y(nT)]

3.2. Périodicité

La périodicité, déjà vue, est liée au fait que WN = 1.

57
3.3. Symétrie

a) Inversion temporelle

XN-k = X-k = TFD[x-n]

Démonstration

N −1
1
x-n =
N

k =0
Xk Wnk : Soit m = N-k

N N
1 1
x-n =
N

m =1
XN-m W(N-m)n =
N

m =1
XN-m W-mn

Puisque XN = X0 et WnN = 1 , il vient :

N −1
1
x-n =
N

k =0
XN-k W-nk

b) Séquence conjuguée

XN-k = X*k

Démonstration

La séquence xn étant réelle :

N −1 N −1
XN-k = 
n=0
xn Wn(N-k) = 
n=0
xn W-nk

N −1
=[ 
n=0
*
xn Wnk] = X*k

Pour un signal réel, on a :

Re X N −k  = ReX k 

Im X N −k  = - ImX k 

c) Symétrie temporelle

Si xn =  xN-n alors Xk =  X*k

Démonstration

N −1 N
Xk =  
n=0
xN-n Wnk =  
m =1
xm Wk(N-m)

N N −1
*
= 
m =1
xm W-mk = [ 
n=0
xn Wnk] =  X*k

58
 Il vient donc :

xn = xN-n  Im Xk = 0

xn = - xN-n  Re Xk = 0

3.4. Convolution cyclique

a) Soit deux séquences xn et yn telles que :

xn+N = xn et yn+N = yn

La convolution discrète est définie par :

N −1 N −1


m= 0
xm yn-m = 
m= 0
ym xn-m

Soit Xk et Yk les transformées de Fourier discrètes respectives de xn et yn ; on a la relation :

N −1
TFD[ 
m= 0
xm yn-m] = Xk Yk

Démonstration

N −1 N −1
Soit : Zk = XkYk = 
m= 0
xm Wmk 
L= 0
yLWLk

N −1
1
zn =
N

k =0
Zk W-nk

N −1 N −1 N −1
1
=
N
 
m= 0 L= 0
xm yL W
k =0
-k(n-L-m)

 

= N si L = n-m
= 0 ailleurs
N −1
Z =
n 
m= 0
xm yn-m

b) Inversement, on a la relation :

N −1 N −1
1 1
TFD[xnyn] =
N

L= 0
XL Xk-L =
N

L= 0
YL Xk-L

Démonstration

N −1
Soit Zk = 
n=0
xn yn Wnk

N −1 N −1 N −1
1
=
N2  
n=0 L= 0
Xm YL W
n=0
-(L+m-k)n

 

= N si L +m-k=0
= 0 ailleurs

59
 N −1
1
d'où TFD[xnyn] =
N

L= 0
Xk-L YL

3.5. Théorème de Parseval

N −1 N −1
1

n=0
xn2 =
N

k =0
Xk2

Démonstration

N −1 N −1 N −1 N −1
1 1

n=0
xn2 = 
n=0
(
N

m= 0
Xm W-mn)(
N
 L= 0
XL W-Ln)*

N −1 N −1 N −1
1
=
N2
 
m= 0 L= 0
Xm X*L W
n=0
n(L-m)

 
= N pour L =m
= 0 ailleurs

N −1 N −1 N −1
1 1


n=0
xn2 =
N

m= 0
X m X *m =
N

k =0
Xk2

4. RESOLUTION EN FREQUENCE

j0t
Dans le domaine continu, la transformée de Fourier du signal x(t) = e est une impulsion de
Dirac située à la fréquence 0/2.

j nT
Considérons le signal x(nT) = e 0 . La transformée de Fourier discrète de longueur N s'écrit :

2
N −1
j nT -j nk
Xk = 
n=0
e 0 e N k = 0,1, ..., N-1

2 k
N −1 -jnT[ - 0]
= 
n=0
e
T N

k 2 
Soit  = - 0 = k e - 0
N T N
Xk est la somme de n termes d'une progression géométrique de raison :
2 k
-jT[ - 0]
e T N
Il vient :

T
-j(N-1) 
Xk = e 2 sin NT / 2
sin T / 2
60
 Pour une pulsation 0 quelconque, on obtient un module de la transformée de Fourier discrète
d'allure semblable à un sinus car-dinal, et dans les N raies du spectre, il n'y a pas de représentant exact de
la raie en 0, puisque :

ke
0  quelque soit k
N
m e
Par contre, si 0 = , alors peut-on écrire :
N

2 k 2 m
N −1 -jnT[ - ]
Xk = 
n=0
e
T N T N

2m
N −1 -j (k-m) N −1
= 
n=0
e N =  Wn(k-m)
n=0

 N pour k = m
= 
0 ailleurs

Remarque importante

Certains auteurs utilisent comme définitions de la transformée de Fourier discrète :

 1 N-1


X k = 
N n =0
x n W nk
 N -1
x =
 n 
X k W -nk
k =0

Cette définition assure une correspondance exacte entre les coef-ficients de la série de Fourier et
les valeurs prises par la trans-formée de Fourier discrète.

En d'autres termes, la position du facteur d'échelle 1/N est choisie pour que les X(k) soient les
coefficients du développement en série de Fourier de la suite x(n).

N.B.

La condition :

m e
0 =  mT0 = NTe
N

On peut étendre ce résultat en disant que les valeurs de la trans-formée de Fourier discrète sont les
échantillons de la transformée de Fourier continue si :

1. Le signal est périodique.

2. On utilise un nombre entier de périodes.

Cette remarque sera utile pour effectuer l'analyse spectrale d'un signal quelconque à l'aide de la
transformée de Fourier discrète.Des exemples illustrant cette remarque sont donnés en annexe 2.

61
5. FENETRES DE PONDERATION

Dans la pratique on se trouve dans le cas où le signal, périodique ou non, est inconnu. Le signal à
analyser est implicitement pondéré par une fenêtre rectangulaire ou fonction porte.

Figure 4.1. : Pondération du signal

Le spectre de cette fenêtre vient perturber la représentation spectrale que l'on peut obtenir par
TFD. On peut alors se poser la question de la pondération volontaire du signal par une fonction ayant de
bonnes propriétés spectrales. Pour simplifier l'interprétation de l'effet d'une fenêtre de pondération on se
ramène à l'analyse spec-trale d'une somme de deux sinusoïdes de fréquences f1 et f2 tronquée par une
fonction porte. Le spectre de ce signal est constitué de deux raies situées en f1 et f2. Le spectre résultant
est égal à la convolu-tion du spectre du signal et du spectre de la porte. Si les deux sinu-soïdes sont de
même amplitude, la difficulté rencontré pour les dis-tinguer dans la suite des Xk calculés sera à la largeur
du lobe prin-cipal du spectre de la fenêtre de pondération.

Si les deux sinusoïdes sont d'amplitudes très différentes, les ondulations (ou lobes secondaires) du
spectre de la fenêtre associée à la sinusoïde de plus grande amplitude peuvent masquer la présence de la
sinusoïde de faible amplitude. C'est un problème de dynamique.

Afin de comparer l'effet de différentes fenêtres, on définit un certain nombre de paramètres que
l'on appelle figure de mérite de la fenêtre.

Nous retiendrons les paramètres suivants :

. la largeur du lobe principal qui caractérise la résolution en fréquence,

. l'amplitude maximum des oscillations des lobes secondaires qui caractérise la dynamique du
spectre utile,

. la décroissance des lobes secondaires en décibels/octave qui donne une idée de l'erreur en
amplitude et en position que l'on commet sur l'analyse d'une sinusoïde.

Nous donnons dans les paragraphes suivants la définition et le spectre d'amplitude de quelques
fenêtre couramment utilisées.

62
5.1. Fenêtre rectangulaire

Elle est définie par :

1 pour 0  n  N - 1
Wn = 
0 ailleurs

et sa transformée de Fourier dite noyau de Dirichlet par :

-j(N-1)fT
. ( sinNfT
WR(ej2fT) = e )
sin fT

5.2. Fenêtre triangulaire

On l'appelle encore fenêtre de Fejer ou de Bartlett, et elle est définie par :

 2n N -1
 N - 1 0 n
2
Wn = 
2 - 2n N -1
 n  N −1
 N - 1 2

Sa transformée de Fourier est :

 (N - 1) 
 2  -j(N-1)fT  sin  fT  2
WT(ej2fT) =   e .  2 
 N −1   sin fT 
 

La fenêtre triangulaire peut être vue comme résultat de la convolution de deux fenêtres
rectangulaires de longueur (N-1)/2.

 N =  N-1 *  N-1 pour N=4K+3 k 

2 2

Son spectre est donc le produit de spectres de type fenêtre rectangulaire.

5.3. Fenêtre de Hann

Elle est définie par :

  2n 
0.5 1 - cos n = 0,1,...,N - 1
Wn =   N - 1
0
 ailleurs

Son spectre par :

WH(ej2fT) = 0,5 WR(ej2fT) - 0.25[WR(ej2(fT-1/(N-1))) + WR(ej2(fT+1/(N-1)))]

63
5.4. Fenêtre de Hamming généralisée

Elle est définie par :

 2n 2n
 - (1 -  ) cos pour  = 0,54 : 0,54 - 0,46 cos n = 0,1,...,N - 1
Wn =  N -1 N -1
0 ailleurs

Son spectre est donné par :

1 - 
WHg(ej2fT) =  WR(ej2fT) - [WR(ej2(fT-1/(N-1))) + WR(ej2(fT+1/(N-1)))]
2
Cette fenêtre est une généralisation de la fenêtre de Hann qui permet de parcourir l'ensemble des
fenêtres de forme trigonométrique, partant de la fenêtre rectangulaire pour  = 1 jusqu'à la fenêtre de
Hann avec  = 0.5.

5.5. Fenêtre de Blackmann

La forme générale d'une fenêtre de Blackmann est :

M −1  2 
  (−1) a cos nm  n = 0,1,...,N - 1
m m

Wn =  m=0  N −1 
 0
 ailleurs

M −1
avec la contrainte : 
m= 0
am = 1.

Son spectre est donné par :

M −1
am
WB(ej2fT) = 
m= 0
(-1)m
2
[WR(ej2(fT-m/(N-1))) + WR(ej2(fT+m/(N-1)))]

Le principe de calcul des coefficients am est d'annuler au mieux les lobes secondaires du spectre de
la fenêtre rectangulaire à l'aide des versions décalées de m/(N-1). Ceci s'effectue d'autant mieux que M est
grand. Par contre cette atténuation croissante des lobes secondaires se traduit par un élargissement du lobe
principal.

Pour M = 3 on obtient les coefficients : a0 = 0.42, a1 = 0.5 , a2 = 0.08

On résume dans le tableau ci-dessous les paramètres associés aux fenêtres les plus courants :

Fenêtre Largeur du lobe Amplitude des lobes Décroissance des lobes

principal secondaires en DB secondaires en dB/octave
Rectangulaire 2fe/N -13 -6
Triangulaire 4fe/N -27 -12
Hann 4fe/N -32 -18
Hamming 4fe/N -43 -6
Blackmann 6fe/N -58 -18

64
6. ALGORITHMES DE TRANSFORMEE DE FOURIER RAPIDE

L'emploi de la TFD comporte une sévère limitation : en effet le calcul des N échantillons d'une
période spectrale exige un nombre d'opérations de l'ordre de N 2 ; si N est élevé, ce nombre devient
prohibitif pour la durée des calculs et pour la capacité de mémoire de la machine calculatrice. Par
exemple si N = 8192 = 213, N2 représente sensiblement 67 millions d'opérations à effectuer : la durée des
calculs peut dépasser une heure.

Or une organisation méthodique du calcul des TFD est possible ramenant le nombre des opérations
à effectuer à une valeur de l'ordre de N log2N.

L'ensemble des méthodes permettant d'accélérer le calcul des TFD constitue la transformation de
Fourier rapide notée TFR en langue française et FFT en langue anglaise (Fast Fourier Transform).

Bien entendu, la supériorité de la TFR augmente avec N, comme le montre le tableau suivant :

N N2 N log2N (N log2N)/N2

16 256 64 0,25
256 65536 2048 0,03125
4096 16777216 49152 0,003

Quant aux algorithmes constituant la TFR, ils sont à priori en nombre illimité. Ils se classent
essentiellement en deux catégories :

a) Entrelacement temporel

b) Entrelacement fréquentiel

Pour la description de ces algorithmes, on utilisera la notation :

W = WN = e-j2/N , par suite :

N −1
(1) Xk = 
n=0
nk
xn WN , qui nécessite d'après son expression :

(N-1) additions complexes

N multiplications complexes
soit au total : N(N-1) additions complexes
N2 multiplications complexes

6.1. Entrelacement temporel

Cet algorithme permet d'obtenir la suite X k(k = 0,1,...,N-1) dans l'ordre à partir de la séquence xn
prise dans le désordre.

Supposons que N soit une puissance de 2. L'expression (1) peut être décomposée sur les n pairs et
les n impairs.

N N
−1 −1
2 2
Xk = 
n=0
x2n WN
2 nk
+ 
n=0
( 2 n +1) k
x2n+1 WN

65
 2 2
-j
2 -j
Or : WN2 = e N = e N/2 = WN/2

N N
−1 −1
2 2
 Xk = 
n=0
nk
x2n WN /2 + WN
k

n=0
nk
x2n+1 WN /2

Le premier terme est la transformée de Fourier d'une séquence yn = x2n, le second d'une
séquence Zn = x2n+1 de longueur N/2.

k
Xk = Yk + WN Zk , k = 0,1,...,N-1

où :

 N
-1
Y =
2

 k 
nk
x 2n WN/2
n =0
 N
 2
-1

Z k =  x 2n +1 WN/2 nk
 n =0

Le calcul de Xk peut lui-même être décomposé si l'on remarque que :

WNk + N /2 = - WNk

ce qui implique :

 N
 X k = Yk + WNk Z k k = 0,1,..., ( - 1)
 2
(2)  N
 X N = Yk - WNk Z k k = 0,1,..., ( - 1)

 k+ 2 2

puisque Y N = Yk et Z N = Zk.
k+ k+
2 2
La figure 4.2 résume l'expression (2) :

Figure 4.2

66
 Si l'on suppose la connaissance de Yk et Zk, pour k variant de 0 à (N/2 - 1), le calcul de (2)
nécessite :

N N
 2 + 2 = N additions complexes

N multiplica tions complexes
 2

N étant une puissance de 2, on peut itérer le procédé pour estimer les séquences Yk et Zk de N/2
points à l'aide de séquences de N/4 points.

Soit : un = y2n = x4n 

N
 pour n = 0,1,...,( - 1)
4
et vn = y2n+1 = x4n+2 

Yk = U k + WN/2 k
Vk

Il vient : Y k
= U k - WN/2 Vk
 k + N4

Soit :

 2k
Yk = U k + WN Vk
 N
(3)  pour k = 0,1,..., ( - 1)
 4
Y N = U k - WN2k Vk
 k + 4

On obtient Zk et Z N de façon similaire.

k+
4

L'estimation de Yk par (3) nécessite N/2 additions complexes et N/4 multiplications complexes. Il
en est de même pour le calcul de Zk.

On a donc N additions complexes et N/2 multiplications complexes comme pour le calcul de (2).

Le processus peut se continuer juqu'à l'obtention d'une transfor-mée sur 1 point. Au pas p, on a 2p-
1 pairs de (N/2p) points pour obtenir une transformée de (N/2p-1) points.

Si N = 2m, une transformée sur 1 point est atteinte en m = log2 N pas.

A chaque pas, il faut N additions complexes et N/2 multiplications complexes, soit pour une
transformée sur N = 2m points :

 N log 2 N = mN additions complexes


N N
 2 log 2 N = m 2 multiplica tions complexes

67
Application

Soit à estimer une transformée sur N = 23 = 8 points. La figure 4.3. résume (2), la figure 4.4.
résume (3); enfin la figure 4.5. donne la représentation totale appelée "papillon" de la transformée de
Fourier rapide.

Figure 4.3.

Figure 4.4.

68
 Figure 4.5.

La séquence xn est dans un désordre apparent. En fait, celui-ci est retrouvé de façon très simple
par une procédure de "renversement binaire". Cette procédure consiste à calculer l'indice i de xi en
retournant la configuration binaire correspondante.

Par exemple pour N = 23,les indices de la suite xn vaut de 0 à 7. Il suffit donc de trois bits pour les
coder. Plus généralement, si N = 2m, il faut m bits pour coder les indices.

La procédure est résumée dans le tableau suivant :

Indice Binaire Binaire Indice de

d'entrée retourné sortie

0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
5 101 101 5
6 110 011 3
7 111 111 7

69
6.2. Entrelacement fréquentiel

Une autre façon d'obtenir un algorithme de transformée de Fourier rapide est de conserver l'ordre
initial d'entrée x0, x1,...,xN-1 et d'obtenir la séquence de sortie dans un ordre correspondant au renver-
sement binaire.

Toujours pour N = 2m, la procédure à suivre est la suivante :

On estime d'abord non plus sur les n pairs et impair mais sur la première et la deuxième moitié.

L'expression (1) s'écrit :

N N
−1 −1
2 2 N
( n+
 
nk )k
Xk = xn WN + x N WN 2
n+
n=0 n=0 2

N N
( n+ )k nk k
Or WN 2
=W N . WN = (-1)k WNnk
2

D'où :

N
−1
2
Xk = 
n=0
[xn + (-1)k x
n+
N]
WNnk k = 0,1,...,(N-1)
2

Cette fois, on remarque que xk peut être calculé sur les valeurs paires et impaires de k par :

 N
-1
X =
2   nk
 2k n =0 
 x n + x N  WN/2
 2 
n+

 N
 2
-1
   nk
 X 2 k +1 =   x n - x N WNn  WN/2
 n =0 
n+
2  

N
pour k = 0,1,...,( - 1).
2

N
La séquence X2k est la transformée de Fourier sur points de la suite :
2

N
yn = xn + x N n = 0,1,...,( - 1)
n+ 2
2

et la séquence X2k+1 est la transformée de Fourier sur N/2 points de la suite :

n N
Zn = (xn - x N ) WN n = 0,1,...,( - 1)
n+ 2
2

Le processus se continue jusqu'à obtenir une transformée sur un point et chaque étape de calcul
nécessite N additions complexes et N/2 multiplications complexes, soit le même nombre que pour
l'entrelace-ment temporel.
70
 La figure 4.6. donne le papillon obtenu pour N = 23.

Figure 4.6.

Dans les deux cas, il est intéressant de noter que le calcul peut être effectué sur place. Cela signifie
que partant d'un tableau de N points complexes, on arrive à un tableau de N points complexes et que chaque
étape ne nécessitant la connaissance que du résultat de l'étape précédente. Le même tableau peut servir pour
tous les calculs.

______________________________

71
 CHAPITRE 5

FILTRAGE NUMERIQUE

Un filtre numérique tout comme un filtre analogique est composé d'éléments interconnectés, les
éléments sont ici des registres à décalage, multiplieurs, additionneurs... L'analyse d'un filtre numérique
consiste à déterminer la réponse à une excitation donnée. La conception est la procédure qui comprend la
synthèse et la réalisation de telle sorte que le filtre obtenu réponde à des contraintes données (réponse en
amplitude, en phase,...). Pour des raisons de réalisabilité physique et d'utilisation en temps réel les filtres
considérés auront nécessairement une réponse impulsionnelle causale, ce qui signifie qu'un échantillon du
signal de sortie est calculable à partir d'échantillons de l'entrée et/ou de la sortie ne dépendant que des
instants présent et/ou passé, mais jamais du futur. Cette partie sera consacrée à l'analyse des filtres
numériques. On utilisera indifféremment les notations x(nT) ou xn.

1. PROPRIETES

Un filtre numérique peut-être représenté de la façon suivante :

Figure 5.1.

L'entrée x(nT) est l'excitation, la sortie y(nT) est la réponse. Pour définir un filtre numérique, on doit
définir certaines règles de correspondance entre l'entrée et la sortie. Soit R la relation correspondante :

y(nT) = Rx(nT)

1.1. Invariance temporelle

Un filtre numérique est invariant dans le temps si les paramètres internes qui le définissent sont
invariants dans le temps. Cela signifie que la réponse à la même excitation sera toujours la même quelque
soit l'instant d'application de cette excitation.

Soit x(nT) = y(nT) = 0 pour n < 0, alors :

y(nT - mT) = Rx(nT - mT)

Il est facile de vérifier que :

* y(nT) = n x(nT),    n'est pas un filtre invariant.

* y(nT) =  x((n - 1)T) +  x((n - 2)T),  et    est un filtre invariant.

72
1.2. Causalité

Un filtre numérique est dit causal si sa réponse à un instant spécifique est indépendante des valeurs
futures de l'excitation. Cela se traduit par :

R[x1(nT)] = R[x2(nT)] quelque soit n  k, pour toutes entrées x1 et x2 satisfaisant :

x1(nT) = x2(nT) n  k

x1(nT)  x2(nT) n > k

On pourra vérifier aisément que :

* y(nT) =  x(nT - mT) +  x(nT + mT), ,    et m   n'est pas causal.

* y(nT) =  x((n - 1)T) +  x((n - 2)T), ,    est causal.

1.3. Linéarité

Un filtre numérique est dit linéaire s'il satisfait à :

R[x1(nT) + x2(nT)] = R[x1(nT)] + R[x2(nT)]

quelque soit , , x1 et x2.

On vérifie que :

* y(nT) = x2((n - 1)T) n'est pas linéaire

2
* y(nT) = (nT) x((n + 1)T) est linéaire

L'étude des filtres numériques qui va suivre est celle des filtres causaux, linéaires et invariants.

2. FILTRES CARACTERISTIQUES

On distinguera deux grands types de filtres, les filtres non-récursifs et les filtres récursifs.

2.1. Filtres non-récursifs

De façon générale un filtre non-récursif se caractérise par le fait que sa réponse ne dépend que de
l'entrée :

y(nT) = f(..., x((n-1)T), x(nT), x((n+1)T),...)

Si l'on suppose la linéarité et l'invariance temporelle la relation se traduit par :

+
y(nT) = 
k=−
hk x((n - k)T)

où les hk sont des constantes.

Si de plus on suppose la causalité, alors : hk = 0 pour k < 0. Soit :

73
 +
y(nT) = 
k= 0
hk x((n - k)T)

Enfin si de plus hk = 0 pour k  N, alors :

N −1
y(nT) = 
k =0
hk x((n - k)T)

C'est la traduction d'un filtre non récursif causal linéaire, invariant d'ordre N. Cette équation est
appelée équation récurrente.

2.2. Filtres récursifs

Un filtre récursif se caractérise par le fait que sa réponse dépend de l'entrée et de la sortie aux instants
précédents, si on se restreint aux filtres causaux, linéaires et invariants.

L'expression de la sortie à l'instant nT se traduit par :

N M
y(nT) =  ai x((n-i)T) - j=1
bj y((n-j)T)
i=0

On remarque que les filtres non-récursifs sont un cas particulier des filtres récursifs ( b j = 0 quelque
soit j).

Nous verrons que les filtres non-récursifs ont une fonction de transfert polynomiale (forme de
fonction de transfert qui n'existe pas en continu). Cette propriété leur confère des caractéristiques
particulières que nous verrons plus loin.

3. ELEMENTS DE REALISATIONS

Les relations de filtrage nous permettent de définir des cellules élémentaires de réalisation.

3.1. Retard

L'élément de retard se traduit par la relation de filtrage :

y(nT) = R[x(nT)] = x((n-1)T)

Figure 5.2.

3.2. Additionneur

Il réalise l'opération :
m
y(nT) = R[xi(nT)] = i =1
xi(nT)

74
 Figure 5.3.

3.3. Multiplieur

Il réalise l'opération :

y(nT) = R[x(nT)] =  x(nT)

Figure 5.4.

3.4. Exemple

A l'aide des éléments définis, on peut retrouver la relation de filtrage réalisée par le filtre numérique
de la figure suivante :

Figure 5.5.

4. ANALYSE TEMPORELLE DES FILTRES NUMERIQUES

L'analyse temporelle est facilitée en utilisant les signaux discrets élémentaires définis au cours du
chapitre 1. On va illustrer cette analyse sur un filtre numérique simple.

4.1. Exemple d'application

Soit le filtre numérique défini par la relation :

y(nT) = x(nT) + y((n - 1)T) ,  =cte  R

75
 On suppose ce filtre causal, et il est facile de voir qu'il est linéaire et invariant. Une réalisation
possible est celle de la figure 5.6.

Figure 5.6.

a) Réponse impulsionnelle : x(nT) = (nT)

y(0) = 1 +  y(-T) = 1
y(T) = 0 +  y(0) = 
y(2T) = 0 +  y(1) = 2
.
.
.
y(nT) = 0 +  y((n - 1)T) = n

Selon que  est positif ou négatif, plus grand ou plus petit que 1 (en valeur absolue), on obtient l'une
des réponses de la figure 5.7. :

Figure 5.7.

76
b) Réponse indicielle : x(nT) = u(nT)

y(0) = 1 +  y(-T) = 1
y(T) = 1 +  y(0) = 1 + 
y(2T) = 1 +  y(T) = 1 +  + 2
.
.
.
n
y(nT) = 1 +  y((n - 1)T) = 
k =0
n

C'est une progression géométrique de raison , d'où :

n +1
1− α
y(nT) -  y(nT) = 1 - n+1  y(nT) =
1− α

1
Si -1 <  < 1 , alors : lim y(nT) =
n→ 1 - 

On donne figure 5.8. les réponses pour  = 0,8 et  = -0,8.

Figure 5.8.

4.2. Convolution discrète

La relation de convolution permet d'exprimer la sortie du filtre à l'aide de sa réponse impulsionnelle.

Soit une excitation x(nT) quelconque. Cette excitation peut être considérée comme la somme de
signaux indépendants qui valent x(kT) à l'instant kT et zéro ailleurs.

En d'autres termes, on peut exprimer x(nT) par :

+
x(nT) = 
k=−
x(kT) (nT - kT)

Soit un filtre numérique linéaire, invariant défini par :

77
 R[(nT)] = h(nT) : réponse impulsionnelle

 y(nT) = R[x(nT)] : réponse à x(nT)

En combinant les deux expressions, y(nT) s'écrit :

+
y(nT) = R[ 
k=−
x(kT) (nT - kT)]

Les x(kT) étant des constantes à l'instant kT, la linéarité du filtre permet d'écrire :

+
y(nT) = 
k=−
x(kT) R[(nT - kT)]

Soit
+
y(nT) 
k=−
x(kT) h(nT - kT)

Cette relation importante permet d'estimer la réponse d'un filtre à une entrée quelconque. Elle peut
prendre les formes suivantes selon que :

a) Le filtre est causal : h(nT) = 0 pour n < 0

n 
y(nT) = 
k =−
x(kT) h(nT - kT) = 
k= 0
h(kT) x(nT - kT)

b) L'excitation est aussi causale : x(nT) = 0 , n < 0

n n
y(nT) =  x(kT) h(nT - kT) = 
k =0
h(kT) x(nT - kT)
k =0

4.3. Stabilité

Un filtre numérique est dit stable si et seulement si à toute entrée bornée correspond une sortie
bornée.

x(nT) <  , quelque soit n  y(nT) <  , quelque soit n.

Pour un filtre numérique linéaire et invariant cela se traduit sur sa réponse impulsionnelle par :

+


k=−
h(kT) < 

Si de plus il est causal, la relation devient :


k= 0
h(kT) < 

Ceci constitue une condition nécessaire et suffisante de stabilité.

78
5. UTILISATION DE LA TRANSFORMEE EN Z

L'utilisation de la transformée en z permet de caractériser un filtre numérique par sa fonction de

transfert qui est, par définition, la transformée en z de sa réponse impulsionnelle. Elle a pour les systèmes
échantillonnés - ou numériques - le même rôle que la fonction de transfert - transformée de Laplace - pour
les systèmes continus ; elle permet une analyse temporelle et/ou fréquentielle des filtres numériques.

5.1. Fonction de transfert discrète

Soit H(z) = Z[h(nT)], la transformée en z de la réponse impulsionnelle d'un filtre numérique linéaire
invariant. Pour une entrée quelconque x(nT), la sortie du filtre s'exprime par :

y(nT) = k
x(kT) h(nT - kT)

La transformée en z s'écrit : Z[y(nT)] = Z[h(nT)] Z[x(nT)]

Soit : Y(z) = H(z) X(z), pourvu que X, Y et H aient un domaine de convergence commun.

La fonction de transfert est donc aussi le rapport des transformées en z de l'entrée et de la sortie.

5.2. Estimation de H(z) à partir de l'équation récurrente

L'équation récurrente qui définit la relation entrée sortie d'un filtre numérique linéaire invariant et
causal est donnée par :

N M
y(nT) = 
i =0
aix(nT - iT) -  j =1
bjy(nT - jT)

En prenant la transformée en z de chaque membre :

N M
Z[y(nT)] = 
i =0
aiz-i Z[x(nT)] -  j =1
bjz-j Z[y(nT)]

Soit :
N

Y( z) a z
i =0
i
−i

H(z) = = M
1 +  b jz − j
X( z)
j=1

Dans la mesure où la notion de causalité est importante, du moins en monodimensionnel, la

transformée en z considérée est la transformée monolatérale.

La fonction de transfert qui est ici un rapport de polynômes peut donc être caractérisée par ses zéros,
racines du numérateur et ses pôles, racines du dénominateur.

 (1 - z
i =1
-1
zi )
H(z) = h0 M

 (1 - z
i =1
-1
pi )

79
 Dans le cas d'un filtre non-récursif, les coefficients bj sont nuls. La fonction de transfert se réduit
alors à un polynôme en z :

N
H(z) = 
i =0
aiz-i

5.3. Estimation de H(z) à partir d'une réalisation

La traduction en termes de transformée en z des éléments de réalisation est immédiate :

a) Retard : y(nT) = x((n - 1)T)  Y(z) = z-1 X(z)

N N
b) Additionneur : y(nT) = i =1
xi(nT)  Y(z) = 
i =1
Xi(z)

c) Multiplieur : y(nT) =  x(nT)  Y(z) =  X(z)

Cette traduction permet de déterminer la fonction de transfert d'une réalisation.

Exemple

Déterminer la fonction de transfert du filtre numérique de la figure suivante :

Figure 5.9.

On peut écrire U(z) = X(z) + z-1 U(z) et Y(z) = U(z) + z-1 U(z)

D'où :

X( z) X( z)
U(z) =  Y(z) = (1 + z-1)
1 - z -1
1 - z -1
Soit :

Y(z) z + 1
H(z) = =
X(z) z - 

80
5.4. Stabilité

La fonction de transfert d'un filtre numérique récursif linéaire invariant causal s'exprime comme le
rapport de deux polynômes, nous allons voir que la stabilité dépend des pôles de cette fonction.

Soit H(z) la fonction de transfert d'un filtre causal d'ordre M, pour laquelle nous supposerons que
les pôles sont simples. La réponse impulsionnelle est donnée par :

1
h(nT) =
2j 
C
H(z)zn-1dz

et par causalité h(nT) = 0 pour tout n < 0.

Pour n = 0 on a :

M
H(z) H(z)
h(0) = résidu ( )
z z=0
+  i =1
(résidus ( )
z z=pi
)

Pour n > 0 :
M
h(nT) = 
i =1
(résidus(H(z)z=pi)) Pi
n−1

j
si les pôles sont finis, pi = ie i, et supposons i < max < 1 (i=1,2,...,M). On peut écrire :

  M


n= 0
h(nT) = h(0) +   
i =1
(résidus(H(z)z=p ) i
i
n−1
e
j(n-1)i

n=1

donc :

  M


n= 0
h(nT)  h(0) +  
n=1 i =1
résidus(H(z)z=p ) i
i
n−1


Les résidus de H(z) sont tels que  résidus(H(z)z=p )   Rmax pour i = 1,2,...,M.
i

Il vient :

 


n= 0
h(nT)  h(0) + M Rmax   n−1
max < 
n=1

C'est une condition nécessaire de stabilité.

j
Supposons qu'un pôle de H(z), pk = k e k, soit situé à l'extérieur du cercle unité (k > 1).

Lorsque n → , les termes en  in−1 (i  k) tendent vers zéro et donc :

j(n-1)k
h(nT) = résidus(H( z)z=pK )  n−1
k e

81
 Il vient alors que :

 N

 h(nT) = lim
N→
 (résidus(H(z))z=p ) k
k
n−1
→
n= 0 n=0

H(z) est alors instable.

Une condition nécessaire et suffisante pour que H(z) représente un filtre causal et stable est que les
pôles de H(z) soient situés à l'intérieur du cercle unité.

Figure 5.10.

5.5. Analyse fréquentielle

Pour effectuer l'analyse fréquentielle ou analyse harmonique d'un filtre numérique nous allons
supposer pour simplifier que celui-ci ne possède pas de pôle multiple. L'analyse harmonique consiste à
estimer la sortie d'un tel filtre pour une entrée sinusoïdale :

x(nT) = u(nT) sin(nT)

z sin(T)
Soit X(z) = l'entrée de pulsation , et H(z)la fonction de transfert du filtre
( z - e jT )( z - e- jT )
que l'on prendra d'ordre M.

1
y(nT) = Z-1[H(z) X(z)] =
2j 
C
H(z)X(z)zn-1dz

=  résidus[H(z) X(z)zn-1]

Soit pour n > 0 :

M
1
y(nT) = 
i =1
résidus [H(z) X(z) p i
n−1
]z=p +
i 2j
[H(ejT)ejnT -

H(e-jT)e-jnT]

82
où les pi sont les pôles de H(z). Pour un filtre stable les pôles sont en module inférieur à 1 et donc lorsque
n tend vers l'infini le premier terme en  i
n−1
tend vers zéro. Le régime permanent de la sortie est donc de la
forme :

1
y(nT) = [H(ejT)ejnT - H(e-jT)e-jnT]
2j

Soit h(nT) la réponse impulsionnelle du filtre :


H(z) = 
n=−
h(nT)z-n

Pour z = ejT,


→ H(ejT) = 
n=−
h(nT)e-jnT

Pour z = e-jT,


→ H(e-jT) = 
n=−
h(nT)ejnT

Les coefficients h(nT) étants réels on a : H(e-jT) = H*(ejT)

En caractérisant H(ejT) par son module et son argument :

H(ejT) = H() ej()

Il vient :

y(nT) = H() sin(nT + ())

L'effet d'un filtre numérique sur l'entrée sin(nT) est donc d'affecter un gain H() et un déphasage
(). Le comportement de la fonction de transfert est évaluée pour z = e jT, c'est à dire le cercle unité.
Ceci a un sens lorsque le filtre est stable.

L'interprétation géométrique est la suivante. Considérons une fonction de transfert définie par ses
pôles et ses zéros :

 (z - z )
i =1
i
H(z) = h0 M

 (z - p )
j =1
j

son évaluation sur le cercle unité donne :

 (e
i =1
T
- zi )
H(ejT) = h0 M

 (ej =1
jT
- pj)

83
 Les numérateur et dénominateur sont des produits de nombres complexes de la forme :
e jT - zi = M zi e jθzi

e jT - p j = M p j e jθp j

Le module de H(ejT) est donc :

N

M
i =1
zi
H() = h0 M

M
j=1
pj

N M
et son argument : () = i =1
z -
i 
i =1
p
j

L'estimation du module et de la phase peut s'effectuer directement dans le plan z, les valeurs M zi
et M p j sont les modules des vecteurs reliant les pôles et les zéros de H(z) à un point M d'affixe z situé sur
le cercle unité, les valeurs des arguments θ zi et θ pj sont les angles formés par ces vecteurs avec une
direction parallèle à l'axe réel.

On donne la représentation pour un filtre comportant un zéro et deux pôles. Sur celle-ci on voit que
fe
si T varie de 0 à , on obtient la réponse en fréquence de 0 à , où fe est la fréquence d'échantillonnage.
2
De même lorsque T varie de 0 à - (demi-cercle inférieur), on obtient la réponse en fréquence de
f
0à- e .
2

Figure 5.11.

Ceci permet une graduation du cercle unité en fréquence relativement à la fréquence

d'échantillonnage.

84
 On a donc la correspondance suivante entre un déphasage et un sous-multiple de la fréquence
d'échantillonnage :

fe
45° 
8
fe
90° 
4
f
135°  3 e
8
fe
180° 
2
Nous retrouvons dans cette représentation la périodicité fréquentielle déjà constatée. L'étude de la
réponse en fréquence d'un filtre numérique à coefficients réels s'effectuera donc uniquement pour des
fe
fréquences inférieures à .
2
fe
est appelée fréquence de Nyquist.
2
Il est souvent intéressant de normaliser les expressions par rapport à un terme caractéristique ; en
continu on exprime souvent les fréquences normalisées par rapport à la fréquence de coupure d'un filtre
(pour un passe-bas ou un passe-haut) ou par rapport à la fréquence centrale (pour un passe-bande ou un
coupe-bande). En échantillonné (ou en numérique) on normalise les fréquences par rapport à la fréquence
1 1 1
d'échantillonnage et on étudie donc la réponse en fréquence dans la bande [- , ] ou [0 , ].
2 2 2

_________________________

85
 CHAPITRE 6

SYNTHESE DES FILTRES NON-RECURSIFS

La fonction de transfert d'un filtre non-récursif ou à réponse impulsionnelle finie (RIF) est un
polynôme en z, la réalisation ne pose pas de problèmes à priori (en particulier pour la stabilité) puisque la
fonction de transfert n'a pas de pôle.

En règle générale on procède en 4 étapes :

1. Résolution du problème d'approximation pour déterminer les coefficients du filtre qui satisfait à un
gabarit donné.

2. Choix d'une structure et quantification des coefficients du filtre en un nombre fini de bits.

3. Quantification des variables du filtre c'est à dire choix d'une longueur de mots pour :

a) l'entrée
b) la sortie
c) les mémoires intermédiaires

4. Vérification par simulation que le filtre final satisfait au gabari fixé.

Nous nous intéressons dans ce chapitre à la première étape.

Parmi les avantages des filtres RIF, on peut citer :

1. La possibilité de réaliser des filtres à phase linéaire, particulièrement intéressants pour la

transmission de données.

2. La possibilité d'obtenir un bruit de calcul assez faible.

Parmi les inconvénients :

1. La nécessité d'un ordre assez élevé pour obtenir des filtres à coupure raide.

2. Un temps de propagation de groupe qui n'est pas forcément un nombre entier d'échantillons.

86
1. CARACTERISTIQUES DES FILTRES A PHASE LINEAIRE

L'intérêt principal des filtres RIF réside dans la possibilité d'obtenir des filtres à phase linéaire. Nous
allons voir ce que ceci signifie en terme de fonction de transfert.

Soit hn la réponse impulsionnelle d'un filtre RIF définie pour n = 0, 1, ..., N-1 :

N −1
H(z) = 
n=0
hn z-n

La transformée de Fourier correspondante est :

N −1
H(ejT) = 
n=0
hn e-jnT = H(ejT) ej()

Où () est fonction continue de , le signe  signifie que la phase du filtre peut présenter des sauts
de (e = -1).
j

Les coefficients hn étant réels, on a les relations :

H (e jT ) = H(e -jT )  

 0  
 ( ) = -  (- )  T

La contrainte de phase linéaire peut s'exprimer de deux façons :

 
Type 1.() = -T - 
T T
 
Type 2.() =  -T - 
T T

où  est le temps de propagation de groupe en nombre d'échantillons.

1.1. Contrainte de type 1

Le gain complexe s'exprime sous la forme :

N −1
H(ejT) = 
n=0
hn e-jnT = H(ejT) e-jT

Soit par identification des parties réelles et imaginaires,

N −1
H(ejT) cos(T) = 
n=0
hn cos(nT)

N −1
H(ejT) sin(T) = 
n =1
hn sin(nT)

87
 Les hn peuvent alors être obtenus de la façon suivante. En effectuant le rapport des deux égalités :

N −1

h
n =1
n sin(nT)
tg(T) = N-1
h0 + h
n=1
n cos(nT)

Deux cas sont à envisager :

1.  = 0 qui se traduit par hn = 0 pour n  0 et h0 arbitraire : c'est un simple gain sans intérêt.

2. 0

N −1 N −1
Dans ce cas : 
n=0
hn cos(nT) sin(T) = 
n=0
hn sin(nT) cos(T)
N −1
qui peut se condenser sous la forme : 
n=0
hn sin(( - n)T) = 0

Si l'équation admet une solution, elle est unique.

On peut vérifier assez facilement qu'une solution est donnée par :

N - 1
=
2

hn = hN-1-n 0  n  (N-1)

Les conséquences en sont :

1. à une valeur de N, correspond une valeur de ,

2. pour cette valeur de , la réponse présente une symétrie particulière :

- si N est impair,  est entier,

- si N est pair,  est non-entier.

Exemples de réponses impulsionnelles :

- Pour N = 11, on a  = 5  centre de symétrie = h5

Figure 6.1.

88
- Pour N = 10, on a  = 4,5  centre de symétrie entre deux échantillons.

Figure 6.2.

Pour le type 1 on a un temps de propagation de groupe et un retard de phase constants :

d
=- = T temps de propagation de groupe
d


 = - = T retard de phase

Si l'on désire seulement le temps de propagation de groupe constant alors on est dans le cas de la
contrainte de type 2.

1.2. Contrainte de type 2

Pour cette contrainte /() =  - T

Le raisonnement précédent conduit à la solution :

N - 1
=
2


=
2

hn = -hN-1-n 0  n  (N-1)

Pour ce type de filtres la réponse impulsionnelle est antisymétrique. Cette antisymétrie impose h (N-
1)/2 = 0 pour N impair :

Figure 6.3.
89
2. COMPORTEMENT FREQUENTIEL

Les résultats précédents amènent à distinguer quatre cas :

Cas 1 - réponse symétrique N impair,

Cas 2 - réponse symétrique N pair,
Cas 3 - réponse antisymétrique N impair,
Cas 4 - réponse antisymétrique N pair.

On reprend ici la terminologie utilisée dans la littérature. Ces quatre cas permettent, par des
manipulations simples, de définir les réponses en fréquence et d'en déduire l'utilisation possible des filtres
(passe-bas, passe-haut, etc...).

La forme générale de la réponse en fréquence est donnée par :

N −1
H(ejT) = 
n=0
hn e-jnT = H(ejT) e
j(-T)

2.1. Réponse symétrique. N impair

N −1
H(z) = 
n=0
hn z-n (et z = ejT)

Les hn vérifient : hn = hN-1-n, et pour cette forme  = 0 et  = (N-1)/2, soit :

( N −1)/ 2
H(ejT) = e-
jT(N-1)/2

n=0
an cos(nT)

( N −1)/ 2
où : H(ejT) = 
n=0
an cos(nT)

et a0 = h(N-1)/2 : an = 2h((N-1)/2)-n (n = 1,...,(N-1)/2)

2.2. Réponse symétrique. N pair

La forme de la réponse en fréquence est :

N /2
H(ejT) = e-jT(N-1)/2  n =1
bn cos(n-1/2)T)

où bn = 2h(N/2)-n n = 1,2,...,N/2

Remarque : Quelque soit les valeurs des bn on a pour  = ,
T
H(ej) = 0.
Ce type de filtre ne peut pas convenir pour des passe-haut.

90
 2.3. Réponse antisymétrique. N impair

Les hn vérifient : hn = -hN-1-n

Il suffit alors de remplacer les cosinus par des sinus dans l'expression du gain complexe pour une
réponse symétrique et de considérer que  = /2.

( N −1)/ 2
H(ejT) = e-jT(N-1)/2 ej/2 
n =1
cn sin(nT)

où cn = 2h((N-1)/2)-n n = 1,...,(N-1)/2.


Remarque : Quelque soit les valeurs des cn on a pour  = 0 et ,
T
H(ej0) = H(ej) = 0.
Ce type de filtre peut être utilisé pour des passe-bande.

2.4. Réponse antisymétrique. N pair

L'analogie se fait avec le gain complexe pour une réponse symétrique en remplaçant cosinus par
sinus :

N/2
H(ejT) = e-jT(N-1)/2 ej/2 
n =1
dn sin((n-1/2)T)

où dn = 2h(N/2)-n n = 1,..., N/2

Remarque : Quelque soit les valeurs des dn on a pour  = 0 H(ej0) = 0.

Ce type de filtre peut être utilisé pour des passe-haut.

3. POSITION DES ZEROS DU FILTRE A PHASE LINEAIRE

Les symétries de réponses impulsionnelles font que les zéros de ces filtres ont des positions
particulières relativement au cercle unité.

Soit la fonction de transfert de forme générale :

N −1
H(z) = 
n=0
hnz-n = h0 + h1z-1 + ...  h2z-(N-3)  h1z-(N-2)  h0z-(N-1)

avec :

+ réponse symétrique
- réponse antisymétrique

Il est assez facile de vérifier que H(z) obéit à la relation :

H(z-1) =  zN-1 H(z)

91
 Ce qui signifie que H(z) et H(z-1) sont identiques à un délai de (N-1) échantillons et à un facteur
multiplicatif 1.

3.1. Zéro complexe hors du cercle unité

j
Soit zi = ie i un zéro complexe de H(z), où i  1 et i  0, .

−1 1 -ji
D'après la relation précédente, z i = e est aussi un zéro de H(z). De plus les coefficients
i
−1
hn étant réels les conjugués de zi et z i sont aussi des zéros de H(z).

S'il existe un zéro complexe, il existe son inverse et leurs conjugués. La forme élémentaire de H(z)
comporte quatre termes :

j -j 1 ji 1 -ji

H(z) = (1-z-1 ie i)(1-z-1 ie i)(1-z-1 e )(1-z-1 e )
i i

3.2. Zéro complexe sur le cercle unité

j -j
Soit zi = e i avec i  0, , un zéro de H(z) sur le cercle unité, alors zi = e i est aussi zéro de H(z).

La forme élémentaire de H(z) est donc :

j -j
H(z) = (1-z-1 e i)(1-z-1 e i)

3.3. Zéro réel hors du cercle unité

1
Soit zi = i  1, un zéro réel de H(z), alors zi = est aussi zéro de H(z). La forme élémentaire de
i
H(z) est :

−1 1
H(z) = (1 - iz-1)(1 - z )
ρi

3.4. Zéro réel sur le cercle unité

Soit zi = 1, ce zéro reste simple car il est aussi bien zéro de H(z) que de H(z-1). La forme
élémentaire de H(z) est :

H(z) = (1  z-1)

Ce cas correspond à un temps de propagation de groupe d'un demi échantillon, il y en a donc un

nombre impair quand N est pair et un nombre pair quand N est impair (0 compris).

92
4. METHODES DE SYNTHESE DES FILTRES RIF

Les méthodes de synthèse que nous allons considérer permettent de satisfaire des contraintes de
réponses en amplitudes, sachant que par raison de symétrie de la réponse impulsionnelle la phase résultante
sera linéaire en fréquence.

On définit un gabarit de réponse en amplitude de la façon suivante :

f = f2 - f1 bande de transition

f1 + f 2
Rc = raideur de coupure
2 f
1 : ondulation tolérée en bande passante

2 : ondulation tolérée en bande affaiblie

Figure 6.4.

Tout filtre dont la réponse en amplitude se situe dans le gabarit défini safisfait les contraintes
spécifiées. Pour des raisons de facilité de réalisation et de réduction en coût de calcul, le meilleur filtre sera
celui d'ordre minimum.

4.1. Méthode de la fenêtre

La réponse en fréquence d'un filtre numérique est périodique de période fe. Il est alors facile de
l'exprimer sous forme de série de Fourier, série dont les coefficients hn sont ceux de la réponse
impulsionnelle.


H(ejT) = 
n=−
hn e
-jnT

Les hn s'en déduisent par :

T + / T 1 + fe / 2
hn =
2 
− /T
H(ejT)ejnT d =
fe − fe / 2
H(ejT)ej2fnT df

93
 Figure 6.5.

Or, hn est défini pour n  Z ce qui n'est pas utilisable de manière directe en pratique.

Figure 6.6.

Pour obtenir un filtre de longueur ou d'ordre fini on tronquera le nombre de h n utilisés :

N - 1
hn = 0 n >
2
N −1
2
On obtient pour z = ejT : H(z) = h0 + 
n =1
(h-nzn + hnz-n)

La causalité est obtenue en multipliant H(z) par le terme z -(N-1)/2 ce qui introduit un retard de (N-
1)/2, mais ne change pas la réponse en amplitude :

H'(z) = z - (N-1)/2 H(z)

4.1.1. Effet de la troncature

Tronquer le nombre de coefficient hn revient à multiplier par une fenêtre rectangulaire définie par :

 (N - 1)T
w R (t) = 1 t
 2
w R (t) = 0 ailleurs

94
 Soit H(z) la fonction de transfert du filtre et W R(z) la transformée en z de la fenêtre rectangulaire.
La fonction de transfert obtenue est :

Hw(z) = Z[wnhn]

1 z dv
Soit encore : Hw(z) =
2j 
C
H(v) WR( )
v v

z
où C est un contour pris dans la région de convergence commune à H(v) et W R( ).
v

z
Soit z = ejT et v = ejT , alors H(v) et WR( ) convergent sur le cercle unité du plan v et la
v
relation devient :

T 2 / T
Hw(ejT) =
2 0
H(ejT) WR(ej(-)T)d

Ce qui traduit la convolution de H(ejT) avec WR(ejT).

Or pour un filtre passe-bas H(ejT) vaut :

1 0  ω  ωc
jT 
H(e )= π
0 ωc  ω  T
Où c définit la pulsation de coupure du filtre.

Et WR(ejT) qui est la transformée de Fourier d'une fonction rectangulaire et un rapport de sinus.

La convolution introduit donc sur H(ejT) des ondulations qui sont dues à la forme de W R(ejT).

1 n  (N - 1)/2 ( N −1)/ 2

sin( TN / 2 )
WR (n) = 
0 n > (N - 1)/2
→ WR(ejT) = 
n =− ( N −1)/ 2
e-jnT =
sin( T / 2 )

La figure suivante traduit l'effet de la fenêtre rectangulaire sur un filtre passe-bas.

95
 Figure 6.7.

La transformée de Fourier de la fenêtre rectangulaire présente une largeur du lobe principal de L

4
= .
NT
et un taux d'ondulation défini par :

100 amplitude max du lobe secondaire

= %
amplitude du lobe principal

Exemple :  = 22% pour N = 11.

 présente une décroissance relativement lente avec N. Pour cette raison il est important de pouvoir
déterminer des formes de fenêtres (ou fonctions de pondération) dont les caractéristiques (largeur du lobe
principal, taux d'ondulation) soient des plus favorables.

Les fenêtres utilisées pour la pondération des coefficients d'un filtre RIF doivent conserver la
symétrie de la réponse impulsionnelle, autrement dit on doit vérifier W 0 = WN-1.

96
4.1.2. Fenêtres de Hann et de Hamming

La fenêtre de Hann, souvent appelée Hanning de façon inexacte et celle de Hamming ont la même
forme littérale :

 2n
 + (1 -  )cos (N - 1) n  (N - 1)/2
WH (n) = 
0 n > (N - 1)/2


La différence réside dans le choix de  :

Hann →  = 0.5
Hamming →  = 0.54

Le comportement en fréquence de WH(n) peut être obtenu directement à partir de celui de W R(n).

En effet :
2n
WH(n) = WR(n)[ + (1 - ) cos( )]
N - 1
Soit :
1
WH(n) =  WR(n) + ((1 - ) WR(n)[e2jn/(N-1) + e-2jn/(N-1)]
2

En raison de la linéarité de la transformée en z et pour z = e jT il vient :

1 - 
WH(ejT) =  WR(ejT) + WR(ej(T+2/(N-1))
2
1 - 
+ WR(ej(T-2/(N-1))
2

Soit, d'après WR(ejT) :


 sin(NT / 2) 1 -  sin( NT / 2 + N )
WH(ejT) = + N - 1
sin( T / 2) 2 
sin( T / 2 + )
N -1

1 -  sin(NT/2 - N N - 1)
+
2 
sin(T/2 - )
N -1

Dans l'expression de WH(ejT) le premier terme a ses zéros situés en :

2
=k k = 1, 2, ...
NT
Le second et le troisième terme ont leurs zéros en :

N 2
 = (k  )
N - 1 NT
97
 4
Le premier zéro commun pour N assez grand est en :  = et la largeur du lobe principal est
NT
8
alors : L = .
NT
Soit le double de celle du lobe principal de la fenêtre rectangulaire. Le taux d'ondulation pour la
valeur N = 11 est :

 = 2,6% pour Hann


 = 1,4% pour Hamming

Le fait d'élargir le lobe principal augmente la largeur de la bande de transition mais diminue le taux
d'ondulation ; il y a donc pour une bande de transition donnée un compromis à effectuer entre l'ondulation
rapportée et l'ordre N du filtre.

4.1.3. Fenêtre de Blackman

De façon générale Blackman définit les fenêtres de la forme :

( M −1)/ 2
2
WB(n) = 
m= 0
(-1)m am cos(
N - 1
nm) n = 0 , 1 , ... , (N-1)

( M −1)/ 2
Avec la contrainte : 
m= 0
am = 1

On remarque que les fenêtres de Hann et de Hamming sont du même type avec a 0 et a1 différents
de 0 et tous les ai = 0 de i = 2 à (M-1)/2.

Blackman s'est intéressé au cas où trois coefficients ai sont non nuls. La détermination de ces
coefficients minimise la largeur du lobe principal. On trouve :

a0 = 0,4266

a1 = 0,4965

a2 = 0,076

A partir de ces valeurs Blackman a défini la fenêtre :

 2n 2 N -1
WB (n) = 0,42 + 0,5 cos( N - 1) + 0,08 cos( N - 1 2n) n 
2

W (n) = 0 N -1
 B n >
2

12
La largeur du lobe principal est : L = .
NT
Le taux d'ondulation, toujours pour N = 11 est  = 0,08%.

98
4.2. Méthode de l'échantillonnage en fréquence

La méthode précédente peut être appliquée à n'importe quel gabarit de filtre à condition que sa
réponse impulsionnelle tende vers zéro quand t tend vers l'infini.

Si le calcul de la réponse impulsionnelle n'est pas immédiat on utilise la transformée inverse de

Fourier discrète pour le calcul de la réponse impulsionnelle discrète en un nombre de points donnés.

En effet, soit H(z) la fonction de transfert d'un filtre non récursif de longueur N. On a vu que le
comportement en fréquence d'une telle fonction pourrait être estimé par transformée de Fourier discrète en
N points équirépartis sur le cercle unité par :

N −1 2
−j
 Hk = 
n=0
hn Wnk où W= e N

et 
N −1
1
 hn =
N

k =0
Hk W-nk

L'expression de H(z), fonction de transfert que l'on désire, peut être exprimée directement à partir
de Hk.

N −1 N −1 N −1
1
En effet, H(z) =  n=0
hn z-n = 
n=0
[
N
k =0
Hk W-nk]z-n

N −1 N −1
Hk
= 
k =0 N

n=0
[W-k z-1]n

N −1
H k 1 - W -Nk Z-N
Soit : H(z) = 
k =0 N 1 - W -k Z-1

Or W-N = 1 , il vient :

N −1
1 - Z-N Hk
H(z) =
N

k =0
j
2k
1 - Z-1 e N

Cette expression signifie que pour obtenir une approximation d'une réponse en fréquence continue
(i.e. celle de H(z) pour Z = ejT), on peut échantillonner la réponse en fréquence en N points équirépartis
sur le cercle unité. L'erreur d'approximation est nulle en ces N points et finie entre les points.

Hk est de la forme :

Hk(ejT) = A(,k) ej(,k)

Si l'on veut obtenir des filtres à phase linéaire, les paragraphes précédents imposent :

hn = hN-1-n ou hn = -hN-n-1

99
 La conséquence de ceci est d'imposer la forme de (,k). Le choix des fréquences d'échantillonnage
et des propriétés de symétrie qui en découlent sur A(,k).

La contrainte du choix des points d'échantillonnage est très importante si l'on veut conserver la
linéarité de phase. Cette technique appliquée directement ne donne pas souvent de résultats satisfaisants.
On peut laisser libres quelques valeurs A(,k) dans la bande de transition, en définissant par ailleurs A(
,k) = 1 dans la bande passante et A(,k) = 0 dans la bande atténuée.

L'utilisation de techniques d'optimisation permettent d'évaluer les valeurs optimales des A(,k).

Cette méthode est appliquée principalement pour la réalisation de filtres à transmittances non
algébriques en p.

_______________________________

100
 CHAPITRE 7

SYNTHESE DES FILTRES RECURSIFS

Contrairement aux filtres non-résursifs, il est physiquement impossible d'obtenir avec les filtres
récursifs causaux des fonctions de transfert à déphasage linéaire sur toute la bande de fréquence (0,fe/2).

En effet la fonction de transfert d'un filtre résursif est de la forme :

N ( z) a z i
−i

H(z) =
D( z)
= i=0
M
=  hn z-n
b z
j= 0
j
−j n= 0

Le déphasage linéaire impose :

N(z-1) =  zN-1 N(z)

D(z-1) =  zM-1 D(z)

S'il n'y pas de difficultés pour N(z), il y en a une importante pour D(z) qui possèderait des racines à
l'intérieur et à l'extérieur du cercle, d'où une instabilité impropre à la réalisation.

Par contre les filtres récursifs présentent des avantages qui sont :

1. Une bande de transition étroite pour un ordre équivalent à celui d'un filtre non récursif.

2. La possibilité de réaliser des déphaseurs purs dit aussi filtres passe-tout.

Les techniques utilisées pour effectuer la synthèse d'un filtre récursif peuvent être classées à peu
près en trois catégories :

1. La transposition d'un filtre continu,

2. La synthèse directe dans le plan z, par recherche de la position des pôles et des zéros,

3. La synthèse à l'aide de méthodes d'optimisation qui en général sont des méthodes itératives.

On examinera par la suite deux méthodes appartenant à la première catégorie.

101
1. METHODE DE L'INVARIANCE IMPULSIONNELLE

1.1. Principe de la méthode

Comme son nom l'indique, la méthode consiste à obtenir la réponse impulsionnelle d'un filtre
numérique en échantillonnant périodiquement la réponse impulsionnelle d'un filtre analogique. Cette
méthode est une application directe du théorème d'échantillonnage et fait appel à la relation qui existe, entre
la transformée de Laplace d'un signal échantillonné et la fonction H(z) correspondante.

Pour qu'on puisse échantillonner un signal - dans ce cas particulier, une réponse impulsionnelle
continue - il faut que sa transformée de Fourier soit limitée en fréquence. Les réponses impulsionnelles
possédant cette propriété sont de durée infinie, conduisant ainsi par échantillonnage à des filtres numériques
RII. Il est par conséquent nécessaire d'obtenir la fonction de transfert H(z) pour effectuer le filtrage par une
équation aux différences.

Considérons un filtre analogique de réponse impulsionnelle h(t) et de fonction de transfert H(p). Il

s'agit de trouver les coefficients de la fonction de transfert H(z) d'un filtre numérique sachant que sa réponse
impulsionnelle est donnée par :

h(nT) = h(t) pour t = nT

La fonction de transfert cherchée H(z) peut être obtenue en calculant la transformée en Z de h(nT).
Dans le cas général, ce calcul peut présenter des difficultés selon la forme de h(t). C'est pourquoi, il est utile
de faire appel aux propriétés de la transformée de Laplace et de la transformée en Z. La fonction de transfert
d'un système analogique linéaire caractérisé par une équation différentielle à coefficients constants peut se
mettre sous la forme du quotient de deux polynômes en p.

Admettons en plus pour simplifier que le degré du dénominateur est supérieur à celui du numérateur
et que H(p) possède uniquement des pôles simples.

Dans ce cas particulier, on peut décomposer H(p) en fractions partielles de la manière suivante :

M
j
H(p) = 
j=1 p - pj

où les pj sont les pôles simples de H(p).

La réponse impulsionnelle peut alors se mettre sous la forme suivante :

M
h(t) = (t) 
j=1
pt
j e j

L'échantillonnage de h(t) donne :

M
h(nT) = (nT) j=1
p nT
j e j

La fonction de transfert du filtre numérique est donnée par :


H(z) = 
n= 0
h(nT) Z-n

 M
=  
n= 0 j=1
p nT
j e j z-n

102
 En intervertissant l'ordre de sommation, on obtient :

M 
H(z) = 
j=1
j  p nT
e j z-n
n= 0

M 
= 
j=1
j  pT
(e j z-1)n
n= 0

M
j
= 
j=1 1- e
p jT
z -1
pT
pour e j z-1 < 1

 + jj)T
Les pôles pj = j + jj de H(p) sont directement tranformés en pôles e( j de H(z), et donc, si
j < 0 alors Zj < 1 ; il y a conservation de la stabilité.

Par suite, H(z) est nécessairement algébrique en Z, et elle peut s'écrire :

a 0 + a 1 z −1 + ... + a N z − N S( Z )
H(z) = =
b 0 + b 1 z −1 + ... + b M z − M E ( Z)

On en déduit l'algorithme du bloc de calcul pour la réalisation de ce filtre :

1
S(nT) = [a0e(nT) + a1e((n-1)T) + ... + aN e((n-N)T)
b0
- b1s((n-1)T) ... - bMs((n-M)T)]

N.B.

1. Il ne faut pas oublier de multiplier le numérateur de H(z) par T pour éliminer l'effet du coefficient
1
dans :
T

1 
HE(j) = H(ejT)  H(j) pour   e
T 2
2. Cette méthode est simple à mettre en oeuvre, cependant il faut connaître H(p) par ses pôles et ses
zéros, ce qui nécessite souvent un calcul de racines de polynômes qu'il n'est pas évident de toujours
mener correctement pour des ordres trop élevés.

1.2. Inconvénient de la méthode : le repliement spectral

A cause de l'échantillonnage, la réponse fréquentielle H(f) du filtre numérique est obtenue par une
répétition périodique de la réponse fréquentielle Ha(p) du filtre analogique :

+
1 n
HE(f) =
T

n=−
Ha(f -
T
)

Ce n'est que si Ha(f) est limité en fréquence dans un intervalle f < 1/2T que l'on peut avoir :

1
HE(f) = Ha(f) (1)
T
103
 Comme les filtres utilisés en pratique ne sont pas limités en fréquence, un recouvrement inévitable
a lieu dans la relation (1). Alors la réponse h(t) n'est pas une réplique exacte de H a(f) et la relation (1) ne
peut être utilisée que d'une manière approchée (figure 7.1).

En effet, un spectre limité au niveau d'un filtre implique un ordre infini au niveau du filtre analogique
ce qui donnerait un filtre numérique non réalisable.

Il est évident qu'en éloignant fe/2 de la fréquence de coupure du filtre, on arrive à limiter le
repliement du spectre de hE(t) et faciliter par conséquent l'opération de reconstitution qui sera toujours
tâchetée d'erreur.

Notons en plus qu'un ordre élevé du filtre tendra à diminuer cette erreur, mais augmentera le temps
de calcul, d'où la nécessité d'établir un certain compromis.

Figure 7.1

1.3. Exemple d'application

Considérons la réponse impulsionnelle d'un filtre analogique passe-bas : le filtre R-C (figure 7.2) :

Figure 7.2
104
 On a :
1 1 -t/RC
Ha(p) =  h(t) = e
1 + RC.p RC

La réponse impulsionnelle du filtre numérique obtenu par invariance impulsionnelle s'écrit :

1 -nT/RC
h(nT) = e
RC
T étant la période d'échantillonnage.

La transformée en z de la réponse impulsionnelle est :

+
1 -nT/RC -n
H1(z) = 
n= 0 RC
e Z


1
=
RC

n= 0
(e-T/RC Z-1)n

1 1
= -T/ RC -1
pour Z > e-T/RC
RC 1 - e z

L'unique pôle de H1(z) est donné par e-T/RC.

La fonction de transfert du filtre passe-bas numérique est :

T 1 Y( z)
H(z) = T.H1(z) = -T/ RC -1
=
RC 1 - e z X( z)

L'algorithme de calcul réalisé par ce filtre est le suivant :

T
y(nT) = x(nT) + e-T/RC y((n-1)T)
RC
La réponse fréquentielle du filtre numérique est donnée par :

T 1
H(ejT) = -T/RC - jT
RC 1 - e e

En basse fréquence ( → 0), la réponse fréquentielle a comme module :

T 1 T 1
H(1) =  =1
RC 1 - e -T/ RC
RC 1 - (1 - T
)
RC

En effet e-T/RC  1 - T/RC puisque T doit être très inférieure par rapport à RC pour ne pas avoir un
problème dû au recouvrement spectral :

fe étant la fréquence d'échantillonnage

fc étant la fréquence de coupure du filtre passe-bas
1
On doit avoir fe/2 >>> fc  >>> 1/2RC  T <<< RC
2T
105
Application numérique : RC = 1/2.100  fc = 100 Hz

Atténuations des 2 filtres à la fréquence f = 400 Hz :

a) Filtre analogique :  = 2 x  x 400  Ha(j) = 0,24

b) Filtre numérique :  = 2 x  x 400

H(ejT) = 0,43 pour T = 1/1000  fe = 1000 Hz

H(ejT) = 0,25 pour T = 1/10.000  fe = 10.000 Hz

Les exemples numériques montrent l'influence de la fréquence d'échantillonnage et du phénomène

de recouvrement spectral qui en résulte sur les performances du filtre numérique à réaliser.

On tend d'autant plus vers le gabarit du filtre analogique (entre -fe/2 et +fe/2) que la fréquence
d'échantillonnage est plus élevée.

2. TRANSFORMATION BILINEAIRE

La méthode précédente permet d'obtenir un filtre numérique dont seule la répone impulsionnelle est
invariante.

Figure 7.3.

En effet, on a S1(z) = Z[H1(p) E(p)] et

S2(z) = Z[H2(p) E*(p)] = E(z) Z[H2(p)].

Dans le cas d'un entrée impulsionnelle on a identité entre S1(z) et S2(z) si H2(z) = Z[H1(p)], puisque
E(z) = E(p) = 1.

Cependant si on prend une entrée différente les échantillons de sortie du filtre numérique ne sont
pas les échantillons numérisés de la sortie du filtre continu. Dans le cas d'une entrée quelconque S1(z) et
S2(z) sont identiques si :

Z E ( p) H 1 ( p)
H2(z) =
E ( z)

106
 Le filtre numérique qui réalise la même fonction de filtrage que le filtre continu dépend du signal
d'entrée. On peut ainsi définir l'invariant indiciel (pour une entrée en échelon), l'invariant sinusoïdal (pour
une entrée sinusoïdale), etc...

Nous allons déterminer une méthode pour laquelle le filtre numérique présentera le même
comportement que le filtre continu quelque soit l'entrée.

2.1. Détermination de la transformation

Le principe repose sur l'identification de l'opérateur élé-mentaire qu'est l'intégrateur continu dont
1
la transformée de Laplace est . En effet toute fonction de transfert de filtre continu est un rapport de
p
1
polynôme en p que l'on peut aisément exprimer en ceci pour conserver la notion de causalité.
p

On rappelle que l'opérateur p correspond à la dérivation qui n'est pas une opération causale.

1
Soit donc : Hc(p) = .
p

La réponse impulsionnelle d'un tel filtre est l'échelon unité :

1 si t  0
h(t) = 
0 si t  0

Pour une entrée quelconque, la sortie est obtenue par la convolu-tion classique :

t
y(t) = 0
x(u) h(t-u)du

Il suffit de considérer maintenant y(t) à deux instants que l'on fixera ensuite comme instants
d'échantillonnage.

Soit 0 < ti < tj :

tj tj
y(tj) - y(ti) =  0
x(u) h(tj - u)du - 0
x(u) h(ti - u)du

Pour 0 < u < ti , tj on a : h(ti - u) = h(tj - u) = 1

tj
Ce qui réduit à : y(tj) - y(ti) =  ti
x(u)du

Si ti tend vers tj on a une bonne approximation de l'intégration par la formule des trapèzes :

t j - ti
y(tj) - y(ti) = (x(ti) + x(tj))
2

En posant tj = nT et ti = (n-1)T, ceci nous conduit directement à

l'équation de récurrence :

107
 T
y(nT) - y((n-1)T) = [x(nT) + x((n-1)T)]
2

En en déduit la fonction de transfert de l'intégrateur numérique :

Y( z) T z + 1
H(z) = =
X( z) 2 z - 1

Une fonction de transfert du continu est un rapport de deux polynômes en p. Ayant établi la
correspondance :

2 z - 1
p
T z + 1
Nous obtiendrons un filtre numérique équivalent en effectuant la transformation :

H(z) = H(p) 2 z - 1
p=
T z + 1

Le filtre ainsi obtenu aura approximativement la même réponse temporelle que le filtre de départ
continu. Cette transformation est appelée transformation bilinéaire.

2.2. Propriétés de la transformation bilinéaire

La correspondance entre le plan p et le plan z peut être déterminée à l'aide de :

2
+ p
z= T
2
- p
T

Soit p =  + j et z = ej .

En remplaçant l'égalité précédente, il vient :

1/ 2
 2 2

  +   +  2 
T  
=  2 
  2 -   +  2 
 T  

Ce qui implique :

 > 0 →  > 1

 = 0 →  = 1
 < 0 →  < 1


108
 Le demi-plan gauche p correspond à l'intérieur du cercle unité, l'axe imaginaire au cercle unité et
le demi-plan droit à l'extérieur du cercle unité. Il y a donc conservation de la stabilité.

La relation entre les fréquences continues et numériques est un peu plus compliquée.

j T
Soit z = e N où N représente la pulsation du domaine numérique, il vient :

2 e j N T - 1 2  T
p= j N T = j tg( N ) = jc
T e + 1 T 2
où c est la pulsation correspondante du domaine continu.

Il s'ensuit que lorsque c varie de façon continue de - à + alors NT varie de - à +. Le fait
de décrire l'axe imaginaire tout entier fait décrire un seul tour sur le cercle unité. Le plan p de départ n'est
donc pas le plan de Laplace, car on ne retrouve pas la périodicité par bandes de fréquences de largeur e,
(où e est la pulsation d'échantillonnage).

2.3. Procédure de synthèse

Comtpe tenu des relations qui lient les plans z et p la procédure à suivre est :

1. Définir le gabarit du filtre numérique. En particulier les fréquences type 1N et 2N de la bande
de transition.

2. Redéfinir le gabarit dans le domaine continu à l'aide de la distorsion de fréquence :

2  T
1c = tg( 1N )
T 2

2  T
2c = tg( 2 N )
T 2
3. Effectuer la synthèse à l'aide de méthode du continu. Par exemple filtre de Butterworth, Bessel,
Chebyshev, etc...

4. Effectuer la transformation :

2 z - 1
p
T z + 1
qui donne directement H(z) à partir de H(p).

Une remarque est à faire en ce qui concerne le temps de propagation de groupe. Soient N et c les
temps de propagation de groupe des filtres numérique et continu, il vient :

 cT 2
N = c [1 + ( ) ]
2
Il n'y a donc pas conservation du temps de groupe. Il faudra tenir compte de cela, en particulier les
filtres de Bessel qui permettent d'approcher en continu des retards purs ne conservent pas cette pro-priété
par transformation bilinéaire.

109
3. TRANSFORMATION D'UN PASSE-BAS EN UN FILTRE QUELCONQUE

Dans le domaine continu, on connaît des transformations simples permettant de passer de la

fonction de transfert d'un passe-bas de pulsation de coupure normalisée (c = 1) à celle d'un filtre
quelconque.

P
1. P 
2

Figure 7.4.

2
2. p 
p

Figure 7.5.

110
 p 2 +  1 2
3. p 
p( 2 - 1 )

Figure 7.6.

p( 2 - 1 )
4. p 
p 2 + 1 2

Figure 7.7.

Ces transformations conservent les ondulations, mais modifient légèrement l'allure de la réponse
en fréquence.

Il est préférable de les effectuer directement dans le domaine numérique. La transformation

générale (donnée par Constantinides) est telle que la fonction désirée H(z) doit être obtenue à partir d'un
gabarit passe-bas Hpb(z) par :

H(z) = Hpb(g(z))

111
 Comme H(z) doit être une fraction rationnelle g(z) ne peut être qu'une fraction rationnelle. De plus
on doit préserver la causalité et la stabilité, autrement dit le cercle unité doit être conservé par la
transformation. Ceci signifie que g(z) est une fonction passe-tout (déphaseur pur).

g(ejT) = 1

Compte-tenu des remarques qui précèdent la forme générale de g(z) est donnée par :

m
z -  *i
g(z) =  i =1 1 - iz
αi  1

où k et m sont des entiers, *i est le conjugué de i.

Soit g(z) = ejT et z = rejT, g(z) et z représentent les comportements en fréquence du filtre
passe-bas initial et du filtre final.

m
re jT - a i e − j i
j
Soit i = aie i , alors : ejT =  i =1 1 - ra i e j(T +  i )

m
r 2 + a 2i - 2ra i cos(T +  i )
On en déduit : 2 = 
i =1 1 + (ra i ) 2 - 2ra i cos(T +  i )

Si r > 1  r2 + a2i > 1 + (rai)2   > 1

Si r = 1  r2 + a2i = 1 + (rai)2   = 1

Si r < 1  r2 + a2i < 1 + (rai)2   < 1

Cette transformation conserve le plan z.

3.1. Transformation passe-bas  passe-bas

Soit H(z) la fonction de transfert du filtre passe-bas de départ de fréquence de coupure c, on veut
H(g(z)) filtre passe-bas de fréquence de coupure c.

112
 Figure 7.8.

La transformation doit être linéaire  m = 1 et

z -*
g(z) = ejk
1 - z

Par analogie on doit avoir :

1 - *
Pour z = 1 , g(z) = 1 = ejk
1 - 
jk
1 + *
Pour z = -1 , g(z) = -1 = -e
1 + 
jcT jcT
de même e = g( e ).

La résolution des égalités précédentes implique :

k=0

  - c 
sin  c T
 = réel =
 2 
  c + c 
sin  T
 2 

3.2. Transformation passe-bas  passe-bande

Figure 7.9.

113
 Afin de retrouver les deux bandes atténnuées g(z) doit parcourir deux fois le cercle quand z le
parcourt une fois, la transformation est d'ordre m = 2.

z 2 + 1z +  2
g(z) = ejk
1 + 1z +  2 z 2

où 1 et 2 sont des réels.

La relation entre les fréquences s'effectue comme suit :

z 2  g(z) c

z-2  g(z)-c

z 1  g(z)-c

z-1  g(z) c

Au point -1 on a g(z) = z = -1 d'où ejk = -1

La relation entre les fréquences implique :

j2T jT
jT e + α1e + α2
e =
jT j2T
1 + α1e + α 2e

On en déduit :

T (1 -  2 ) sin( T)
tg( )=
2 (1 +  2 ) cos( T) + 1

La relation précédente est valable pour 1, -1, 2, -2 en -c ou c, du système d'équations on
déduit 1 et 2 :

2k k - 1
1 = - , 2 =
k + 1 k + 1

 T
cos ( 2 + 1 ) 
 2 T  - 1
avec : = et k = tg( c ) cotg( 2 T)
 T 2 2
cos ( 2 - 1 ) 
 2

L'extension de la méthode au passage passe-bas vers passe-haut et passe-bas vers coupe-bande

permet de dresser le tableau suivant :

114
 H(z) finale g(z) paramètres

Passe-bas z -    - c 
coupure c sin  c T
1 - z  2 
=
  c + c 
sin  T
 2 

Passe-haut z -    + c 
coupue c - cos  c T
1 - z  2 
=
  - c 
cos  c T
 2 

Passe-bande z 2 + 1z +  2 2k k - 1

coupures 1 et 2 - 1 = − ; 2 =
1 + 1z +  2 z 2 k +1 k +1

  + 1 
cos  2 T
=
 2 
  -  
cos  2 1
T
 2 

 cT    - 1 
k = tg   cotg  2 T
 2   2 

Coupe-bande z 2 + 1z +  2 1 = -
2
; 2 =
1 - k
coupures 1 et 2
1 + 1z +  2 z 2 k + 1 1 + k

  + 1 
cos  2 T
=
 2 
  - 1 
cos  2 T
 2 

 cT    2 - 1 
k = cotg   tg  T
 2   2 

Il faut noter que toute transformation qui conserve le cercle unité peut être utilisée pour effectuer
la synthèse de filtre quel-conque à partir d'un gabarit passe-bas.

_______________________________

115
ANNEXE 1

116
 ANNEXE 2

Le signal objet de l'exemple est un signal sinusoïdal de la forme :

x(t) = E cos 2f0t

avec E = 10 V , f0 = 100 Hz

E
d'où : X(f) = [(f-f0) + (f+f0)]
2
Le spectre d'amplitude du signal continu comporte 2 impulsions de Dirac aux fréquences f0 et -f0
pondérées par E/2 = 5.

Le spectre d'amplitude du signal échantillonné sera par suite le suivant (figure 1) :

Figure 1

Les spectres qui suivent correspondent à une période spectrale résultant de l'application de la
transformée de Fourier discrète (2° définition) à une suite temporelle de 64 échantillons du signal x(t),
suivant deux fréquences d'échantillonnage différentes.

Dans le cas de la figure 2 :

mf e 20 x 320
Il existe m (=20) tel que f0 = = = 100 Hz ;
N 64
La période spectrale obtenue représente fidèlement le spectre du signal échantillonné.

Dans le cas de la figure 3 :

kf e
k  [0,63[ , f0  , ce qui va entraîner des ondulations autour de la raie centrale.
N
En changeant la fenêtre de troncature on obtient les spectres données figures 4 et 5.

117
Figure 2

Figure 3
118
Figure 4

Figure 5
119