I.

Notions de convolution et
corrélation

1
1. Introduction
Un Signal véhicule une information. Il est la manifestation physique d’une

grandeur mesurable (courant, tension, force, température, pression, etc.).

Exemples :
 Onde acoustique : délivrée par un microphone
(parole, musique, ..)
 Signaux biologiques (ECG, …)
 Tension aux bornes d’un composant
électronique
 Signaux géophysiques : vibrations sismiques.

2
1. Introduction
Tout signal physique comporte une composante aléatoire (perturbation externe,
bruit, erreur de mesure, etc …).

 Bruit : Notion relative.

 Bruit : Pas nécessairement aléatoire.
 Le rapport signal/bruit : SNRdb=20log10(Ps/Pb)
3
2. Energie et puissance
Transmission d’information  Transferts d’énergie
T T

2 2
Ex 
2
x(t ) dt 1 2 1 2


Px  lim
T   T  T
x(t ) dt Ou Px 
T  T
x(t ) dt
 
2 2
N N
 1 1
2 1 2
1 2
Ex  
n  
x ( n) Px  lim
N  

T N
x ( n )
2
Ou Px 
N
 N
x ( n)
2

n
2 2

4
 3. Système linéaire et invariant dans le temps
 Un système est continu si à une entrée continue x(t)  une sortie continue y(t).
 Un système discret : Suite d'entrées discrètes x(n)  Suite de sorties discrètes y(n).

 Un système linéaire est un modèle de système qui applique un opérateur linéaire à

un signal d'entrée.

5
 3. Système linéaire et invariant dans le temps

 La caractéristique du système ne dépend pas de l’origine du temps (stationnarité).

 Exemple d’application : (linéarité?)
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 3. y(n) = nx(n)
4. y(n) = x(n) sin(2f0n) 5. y(n) = x(n)en 6. y(n) = bx(n) , b : cste réelle
7. y(n) = |x(n)|

6
 3. Système linéaire et invariant dans le temps
 Illustration :
Caractéristique de transfert d'un amplificateur opérationnel :
 Comportement linéaire dans la zone linéaire.
 Comportement non linéaire dans la zone saturée

7
 3. Système linéaire et invariant dans le temps
 Un système est invariant si une translation de l'entrée x(t) → x(t-) se traduira par
une même translation dans le temps de la sortie y(t) → y(t- ).

 La caractéristique du système ne dépend pas de l’origine du temps (stationnarité).

 Exemple d’application : (Invariance?)
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 3. y(n) = nx(n)
4. y(n) = x(n) sin(2f0n) 5. y(n) = x(n)en 6. y(n) = bx(n) b : cste réelle
7. y(n) = |x(n)|

8
 3. Système linéaire et invariant dans le temps
 Convolution : Si les hypothèses de linéarité et d'invariance temporelle sont
vérifiées, on peut caractériser le système par sa réponse impulsionnelle h(t) (ou h(n) ).

 
y (t )  x(t ) * h(t )   x( )h(t   )d   x(t   )h( )d
 
x(t ) *  (t )  x(t )

 
y ( n)  h( n) * x ( n)   h(m) x( n  m)   x (m)h(n  m) x ( n) *  ( n)  x ( n)
m   m  

9
 3. Système linéaire et invariant dans le temps
 Propriété de Dirac
   

  (t )dt  1

 x(t ) (t  t )dt   x(t  t ) (t )dt   x(t ) (t )dt x(t )

0

0

0 0

x(t ). (t  t0 )  xt0 . (t  t0 )

x(t ) *  (t  t0 )  xt  t0 
 SLIT :
M
d i y (t ) N d i x(t )
Continu : 
i 0
ai
dt i
  bi
i 0 dt i
Où ai et bi sont des coefficients constants
M N
Discret :  a y (n  i )   b x(n  i )
i 0
i
i 0
i

10
 3. Système linéaire et invariant dans le temps
 Exemple 1 :

11
 3. Système linéaire et invariant dans le temps
 Exemple 2 :
x(n)  2,1,3, h(n)  1,2,2,3
y ( n)  x ( n) * h( n)

y (n)  2,3, 5,10,3,9

12
 4. Stabilité et causalité
 Causalité : L’effet ne peut précéder la cause.

x(t )  0, t  t0  y (t )  0, t  t0 x(n)  0, n  n0  y (n)  0, n  n0

t  n 
 y (t )   x( )h(t   )d   x(t   )h( )d  y ( n)   x ( m) h ( n  m)   x ( n  m) h ( n )
m   m 0
 0

 h(t )  0, t  0  h(n)  0, n  0

 Exemple d’application :
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 3. y(n+1) = nx(n+1)
4. y(n) = x(n) sin(2f0n) 5. y(n) = x(n)en 6. y(n) = bx(n), b : cste réelle
7. y(n) = |x(n)|

13
 4. Stabilité et causalité
 Stabilité : Si l’entrée est bornée alors, la sortie reste bornée.

  h(t ) dt  M Ou  h( n)  
n


 Exemple d’application :
1. y(n) = x(n) + bx(n-1) 2. y(n) = x(n) + bx(n+1) 3. y(n+1) = nx(n+1)
4. y(n) = x(n) sin(2f0n) 5. y(n) = x(n)en 6. y(n) = bx(n), b : cste réelle
7. y(n) = |x(n)| 14
 5. Corrélation et auto-corrélation
 Corrélation : Mesurer le degré de ressemblance entre deux signaux en fonction
d’un décalage.

* Maximum pour un retard k si x(n)=x(n-k)
Rxy (k )   x ( n) y ( n  k )
n  
N
1
2
1 *
 Signaux à puissance moyenne finie : Rxy (k ) 
N
 x ( n) y ( n  k )
N
n
2
Exemple : x(n) est un signal aléatoire et y(n) sa version décalée de 50s.

15
 5. Corrélation et auto-corrélation

*
 Auto-Corrélation : Rxx (k )   x ( n) x ( n  k )
n  

 Rxx(0)=Ex et Rxx(k) est maximale en k=0

 Si x(n) est réel, l’auto-corrélation est réelle et paire.
 L’auto-corrélation d’un signal de durée N aura une taille 2*N-1

16
 5. Corrélation et auto-corrélation
 Auto-Corrélation : L’auto-corrélation d’un signal périodique est périodique.
N
1
2
1 *
Rxx (k ) 
N
 x ( n) x ( n  k )
N
n
2

17
 5. Corrélation et auto-corrélation
 Exemple d’application1 : Estimation d’un retard

18
 5. Corrélation et auto-corrélation
 Exemple d’application2 : Détection d’un signal périodique.

19