Tds

SOMMAIRE
INTRODUCTION GÉNÉRALE
I- CLASSIFICATION DES SIGNAUX
PROBABILITÉS ET PROCESSUS STOCKASTIQUES
II- REPRÉSENTATION VECTORIELLE DES SIGNAUX
SÉRIE DE FOURIER
TRANSFORMÉE DE FOURIER
TRANSFORMÉE DE LAPLACE
III- ECHANTILLONNAGE ET THÉORÈME DE SHANNON
TRANSFORMÉE DE FOURIER DISCRÊTE TFD-DFT
TRANSFORMÉE DE FOURIER RAPIDE TFR-FFT
TRANSFORMÉE EN Z
IV- LES FILTRES NUMÉRIQUES
FILTRES A RÉPONSE IMPULSIONNELLE FINIE (RIF)
FILTRES A RÉPONSE IMPULSIONNELLE INFINIE (RII)
BIBLIOGRAPHIE
ANNEXE
INTRODUCTION GÉNÉRALE
Le mot Signal est issu du mot - signum en latin - qui dénote un objet, une marque, un élément de
langage, un symbole convenu pour servir à une information. Personne ne peu nier que l'usage des
signes remonte à la préhistoire.
Donc, un signal est une source d'information, il peut contenir l'information et le bruit. Le traitement se
fait dans le but d'améliorer ou de séparer l'information des choses indésirables.
La théorie de traitement du signal : touche à tous les secteurs dans les quels l'information est perçue
par l'intermédiaire d'observations expérimentales de grandeurs mesurables. La théorie du signal est
largement liée à la perception et le traitement. Ce lien étroit indique pourquoi cette discipline s'est
avant tous développée en relation avec les applications de l'électricité et plus particulièrement celle de
la métrologie responsable de la perception, des télécommunications et de l'informatique chargé du
traitement.
Donc, parmi les principaux objectifs du traitement du signal, il y a la détection et l'interprétation des
signaux porteurs de l'information. "Signal Processing". Cette discipline trouve son champ
d'application dans tous les domaines concernés par la perception, la transmission et l'exploitation de
l'information. Ce vaste champ s'étant des télécommunications à l'instrumentation scientifique, de
l'automatisation industrielle au génie biomédicale en passant par le traitement d'image la
reconnaissance des formes, la robotique, l'intelligence artificielle.
Instrumentation Scientifique
Intelligence Artificielle Télécommunication
Traitement du
Signal Traitement d'images
Reconnaissance Détection
de formes Interprétation
Robotique
Automatisation Industrielle
Les premières applications de cette science ont vu le jours au 19ème siècle lors de l'apparition de
l'exploitation des signaux électriques avec l'arrivée du télégraphe (Morse Cooke wheastone (1830-
40)) qui a été suivi par le téléphone (Bell 1876) en suite la radio Papov, Marconi (1895-1896).
Traitement du Signal 12-13 2

L'invention du transistor, en 1948, suivie environ 10 ans plus tard par la mise au point de la
technologie des circuits intégrés, allaient permettre la réalisation des systèmes de traitement complexe
et la diversification des champs d'applications. Les années 90 ont vu la naissance des processurs de
traitement du signal permettant de nouvelles applications particuliérement les applications en temps
réel.
I- Définitions
1- Définition d'un signal
Un signal est la représentation physique de l'information qu'il convoie de sa source à son
destinataire (généralement courant ou tension).
2- Définition du bruit
On appelle bruit (noise) tout phénomène perturbateur (interférence, bruit de fond etc. ...) gênant la
perception ou l'interprétation de l'information contenue dans un signal.
3- Définition Rapport signal bruit

C'est une mesure du degré de contamination du signal par le bruit, il s'exprime sous la forme du
rapport  des puissances respectives du signal Ps et du bruit Pb.
 2
Ps
 Pb Px   x( t ) dt  db  10 log10 ( )

N.B: Ce qui différencie le signal du bruit est avant tout l'intérêt de l'observateur. Exemple: Certains
phénomènes électromagnétiques d'origine galactique captés par des antennes sont considérées
comme du bruit par les ingénieurs des télécommunications et comme un signal de plus haut intérêt
par les radioastronomes.
- Exemples de signaux
Le modèle mathématique d'un signal est une fonction de une, parfois deux, voire même trois
variables s(t), i(x,y) i(x,y,t).
Signal microphonique Signal de vibration machine tournante

s(t)
s(t)
t t
s(t) le cas le plus courant, la variable t est usuellement le temps mais il peut être une distance par
exemple.
x i(x,y,t1)
i(x,y) i(x,y,t2)
y
i(x,y,t3)
i(x, y) signaux bidimensionnels, ce sont généralement des fonctions de coordonnées spatiales, le

plus couramment des images.
i(x, y, t) signaux tridimensionnels, ce sont généralement des fonctions de coordonnées spatiales,

le plus couramment des scènes d'images.
Exemple : signal représentant la vibration d’une machine

Amplitude
(mm)
Vibration d’une machine en fonction du temps ‘mesure prise dans les laboratoires de la FST-BM’
Exemple : La Communication
Cet exemple, illustre une chaîne de transmission dans laquelle le bruit s'ajoute au signal au niveau
du codage (émetteur) puis dans le canal de transmission (rayonnement, couplage). Afin de pouvoir
exploiter convenablement l'information transmise, il est nécessaire de faire du traitement du signal au
niveau de la réception pour extraire notre signal utile du bruit.
4- Définition d'un système

Un système est un ensemble d'objets liés entre eux dans le but de réaliser une tâche. Ce
dispositif est soumis aux lois physiques est caractérisé par des grandeurs de deux types d'entrée (ou
excitation) et la sortie.
x(t) h(t) y(t)

Où x(t) est l'entrée ou l'excitation, y(t) est la sortie et h(t) est la réponse impulsionnelle, c'est la sortie
du système lorsqu'il est excité par (t) Dirac
Ces signaux d'entrée et de sortie sont respectivement notés x(t) et y(t). Par exemple y(t)=x2(t)
désigne la sortie d'un dispositif non linéaire quadrature dont la caractéristique est définie par y=x 2.
a- Système linéaire
Si x1(t) donne comme sortie y1(t)
x2(t) donne comme sortie y2(t)
Dans le cas d'un système linéaire :

a x1(t) + b x2(t) a y1(t) + b y2(t)
Système non linéaire
b- Système invariant Stationnaire
x(t) y(t)
x(t- t1) y(t- t1)
Les mêmes causes produisent les mêmes effets.
x(t) x(t-t1) y(t-t1)
y(t)
t t1 t1
t t t
c- Systèmes causal
h(t) = 0 pour t<0
l'effet ne peut pas précéder la cause (considération physique).
d- Système stable
Si on supprime la cause ou finit par supprimer l'effet.
Dans un premier temps notre étude portera sur les SLIT. "Système Linéaire Invariant dans le Temps"
5- Définition d'une fonctionnelle

Une fonctionnelle est une fonction de fonctions, les signaux résultant d'un traitement ou certains
de leurs paramètres sont souvent exprimés par des relations fonctionnelles.

Exemple de fonctionnelle
- Valeur intégrale pondérée (fonction de pondération g(t))

y( t )   x( t )g( t )dt

La valeur intégrale = somme algébrique des surfaces.

- Valeur intégrale quadratique pondérée

2
y( t )  x ( t ) g( t )dt

- Produit de convolution

y(t)=x(t)*g(t) y( t )   x( u)g( t  u)du

On appelle bloc fonctionnel, un système dispositifs généralement électrique ou électronique

capable d'altérer ou modifier un signal lors de son passage. Cela fournit les renseignements essentiels
nécessaires à la conception (cahier de charge) ou à l'utilisation mode d'emploi de ce dispositif.
Le schéma bloc est un assemblage symbolique, représenté sous forme graphique de blocs
fonctionnels, en principe indépendants, réalisant une fonction donnée.
Exemples de schémas bloc d’un récepteur super hétérodyne
II- Notations particulières

Afin d'alléger les formules mathématiques décrivant certains signaux fonction ou opérateurs
fréquemment rencontrés dans ce cours, il est avantageux de les dénoter d'une manière simple.
1- La fonction échelon u(t)

1 t  0 1
u (t )    1 / 2  1 / 2 * Sig (t )
0 t  0
0 t

2- La fonction 1I(t)
1I(t)
1
1I(t )  1 t  
0 t
3- La fonction signe Sig(t)

1
 1 t0 t
Sig( t )    pour t0
 1 t0 t 0 t
-1
4- La fonction rampe r (t)

t
t t  0 dr ( t ) 1
r( t)     U( t ) dt U( t ) 
0 t  0 
dt
0 t
5- La fonction rectangle (Fonction porte durée 1) Rect(t)
 1 1
1 t  2 1 1
Re ct ( t )    U( t  )  U( t  )
0 t  1 2 2
 2 -1/2 0 1/2 t
NB : La fonction rectangulaire intervient fréquemment comme facteur multiplicatif pour localiser un

segment de durée 1 d'un signal quelconque. Tri(t)
6- fonction triangulaire Tri (t) 1
1  t t 1
Tri( t )  
0 t 1
-1 0 1 t
Cette fonction est l'auto convolution de la fonction rectangulaire.

Tri(t)=Rect(t)*Rect(t)
7- La fonction rectangle (Fonction porte durée T) RectT(t)
 T 1
1 t  2 T T
Re ctT (t )    U (t  )  U (t  )
0 t  T 2 2
 2 -T/2 0 T/2 t
NB : La fonction rectangulaire intervient fréquemment comme facteur multiplicatif pour localiser un

segment de durée T d'un signal quelconque.

Tri (t)
T
8- fonction triangulaire TriT(t) 1
1  t t T
TriT (t )  
0 t T -T 0 T t
Cette fonction est l'auto convolution de la fonction rectangulaire de durée T.

TriT(t)=RectT (t)*RectT(t)
9- la fonction sinus cardinal
Cette fonction est obtenue en effectuant le rapport d'une fonction sinusoïdale et de son
argument, et elle joue un rôle très important en théorie du signal, elle est définie de la manière
suivante: 1
0 .8
sin( )
0 .6
sin c  0 .4
 0 .2
à cause de la normalisation on obtient -0 .2
-0 .4
 
0 600
 sin c( )d  1  sin c ( )d  1

2
 
10- La distribution de Dirac Impulsion (distribution)

10-1 Définitions
L'impulsion de Dirac (t), aussi impulsion unité ou distribution delta définie par le produit scalaire :

x( 0)   x( t )( t )dt

En d'autres termes, l'impulsion Dirac (t) est un opérateur d'échantillonnage qui restitue la valeur
x(0) d'une fonction x(t) continue à l'origine. Sa dimension et par conséquent l'inverse de celle de la
variable d'intégration. D'une manière plus générale, pour toute fonction x(t) continue en t=t0.

x( t 0 )   x( t )( t  t 0 )dt

Le signal delta est utilisé pour localiser la valeur d'une fonction x(t) en t= t0.
 t
0 t0
En posant x(t)=u(t) = 1  ( t )dt  1

avec


 ( )d  
1 t0
du
et par suite ( t ) 
dt

10-2 La Représentation graphique de  t 
La Représentation graphique conventionnelle de c d(t - t0) est une flèche verticale en t=t0 de
longueur proportionnelle au poids c.
Remarque : la distribution delta peut être considérée comme la limite d'un impulsion de durée t et de
hauteur 1/t lorsque t 0.
10-3 La Représentation graphique de la dérivée de  t 
La Représentation graphique conventionnelle de c ’(t - t0) est une flèche verticale en t=t0de longueur
proportionnelle au poids c a la quelle on ajoute un point au cote droit de la flèche.
‘

10-4 Dérivée d’une fonction discontinue en un point t0
Soit la fonction f(t) définie de IR  IR continue partout sauf au point t0.
f(t) peut s’écrire sous forme de la somme d’une fonction continue g(t) continue partout ajoutée a la
fonction échelon retardée de t0 u(t-t0) multipliée par le saut de la fonction de f(t) au point t0 donné par
fs(t0)=f(t0+)-f(t0-) , donc, on a :
f(t)=g(t)+ fs(t0)*u(t-t0)
du (t ) du (t  t 0 )
Or on sait que :   (t ) ce qui implique que   (t  t 0 ) .
dt dt
f'(t)=g’(t)+ fs(t0)*(t-t0)

10-5 Suite Périodique d’impulsions de delta
Une suite d’impulsions de delta se répétant sur l'axe du temps avec une période T sera notée par
concision T (t) et exprimée mathématiquement par la somation suivante
(t) = (t – kT)
Cette suite est parfois appelée “opérateur d'échantillonnage” ou “peigne de Diracs’’.
III- Rappels sur les systèmes et les fonctions de transferts

Dans le domaine temporel, un tel système est caractérisé par une réponse impulsionnelle. La réponse
impulsionnelle d'un système est la sortie du système lorsque l'entrée est une impulsion. En effet,
lorsque l'on injecte cette impulsion à un système linéaire, la sortie n'est pas une impulsion mais un
signal de durée finie.
Mathématiquement, une impulsion est modélisée par la distribution de Dirac. La réponse
impulsionnelle est alors la sortie du système lorsqu’il est excité par une dirac.
1- Définition de fonction de transfert
On appelle fonction de transfert (transmittance complexe ou isochrone) T d’un système le rapport :
T= AV = Vs/Ve. Cette Fonction de transfert est adoptée lors de l’étude du comportement d’un système
en régime sinusoïdal. Notée aussi par H(jw).
2- Définition de Gain en Tension
L’amplification en tension est définie par :
Av = Vs/Ve
Le gain en tension exprimé en décibels (dB) est :
GV = 20 log êAV ê = 20 log êT ê
NB : Si GV < 0, le quadripôle est atténuateur. Si GV > 0, le quadripôle est amplificateur.
3- Définition de Gain en Puissance
L’amplification en puissance est définie par :
Ap =Ps / Pe > 0
Si Ap > 1 alors Q est actif (amplificateur, filtre actif ...).
Le rendement du quadripôle est : = Ps / (Pe +Palim) < 1
avec Palim la puissance fournie par l’alimentation extérieure.
Le gain en puissance exprimé en décibels (dB) est : Gp = 10 log Ap
4- Diagrammes usuels
Connaissant la fonction de transfert H (jw) d’un quadripôle, celle-ci permet d’étudier le régime
permanent harmonique (c’est-à-dire en réponse à un signal d’entrée sinusoïdal). On a l’habitude de
représenter graphiquement H (jw) dans le plan de Bode qui comprend deux courbes
Gv = 20 log êH(jw) ê= G (w) et j = h (w) dans un repère semi-logarithmique avec 0 < f £ ¥.
Remarque : d’autres représentation sont possibles à citer :
- Le plan de Nyquist représente T en coordonnées polaires (plan complexe) gradué en w.
- Le plan de Black-Nichols représente êT ê= f (j) gradué en w.
Exemple de représentation du diagramme de bode
Tracer le digramme de bode du circuit RC. .
Exemple typique : le circuit RC passe-bas
Soit le circuit RC suivant, dit "passe-bas" :
Le gain complexe de ce circuit est donné par :
Pulsation de coupure = pulsation ou le signal est atténué de 3dB.

Lors du choix de wc=1000 (rd/s), On obtient, les diagrammes de Bode suivants :

B o d e D ia g r a m
0
-1 0
M a g n it u d e ( d B )
-2 0
-3 0
-4 0
0
P h a s e (d e g )
-4 5
-9 0
1 2 3 4 5
10 10 10 10 10
F r e q u e n c y ( r a d /s e c )
Le gain en amplitude est déduit du module :
Le déphasage est déduit de l'argument :
Exemple typique : circuit RC passe-haut

Soit le circuit RC suivant, dit "passe-haut" :
Son gain complexe est donné par :

On obtient, pour ses diagrammes de Bode
B o d e D ia g r a m
0
M a g n it u d e ( d B )
-2 0
-4 0
-6 0
90
P h a s e (d e g )
45
0
1 2 3 4 5
10 10 10 10 10
F r e q u e n c y ( r a d /s e c )
Son gain, déduit du module :
Son déphasage, déduit de l'argument :

A- Classification des Signaux
INTRODUCTION
Un signal expérimental est l'image d'un processus physique et pour cette raison, doit être
physiquement réalisable. Il est ainsi soumis à toute une série de contraintes.
- Son énergie ne peut être que bornée
- Son amplitude est nécessairement bornée
- Cette amplitude est une fonction continue, car l'énergie du système générateur interdit toute
discontinuité.
- Le spectre du signal est lui aussi nécessairement borné et doit tendre vers zéro lorsque la fréquence
tend vers l'infinie.
Sur le plan théorique, un signal est une fonction ou une fonctionnelle mais ce signal n'est pas
nécessairement limité par les contraintes précitées, c'est ainsi qu'on peut faire usage de signaux à
énergie théorique infinie, amplitude non borné ou subissant des discontinuités.
Exemples de signaux
- Signal sinusoïdal : est un signal à énergie infinie.
- Le model usuel des signaux perturbateurs (bruit de fond) admet la possibilité, bien qu'avec une
probabilité qui tend vers zéro, d'avoir une amplitude infinie.
- Les signaux logiques binaires sont généralement représentés par de simples discontinuités.
I- Mode de classification
Différents modes de classification des modèles de signaux peuvent être envisagés. On peut citer :
1- Classification phénoménologique
On met ainsi en évidence le type d'évolution du signal, son caractère prédéterminé ou son
comportement aléatoire.
2- Classification énergétique
On sépare les modèles des signaux satisfaisant à une condition d'énergie finie, à puissance
moyenne finie, et énergie finie.
3- Classification morphologique
Celle-ci permet de distinguer les signaux selon le caractère continu ou discret de l'amplitude
ou de la variable libre.
4- Classification spectrale
On met en évidence le domaine des fréquences dans lequel s'inscrit le spectre du signal.
5- Classification dimensionnelle
On considère les signaux unidimensionnels, les signaux bi-dimensionnels ou image i(x, y) ou
tridimensionnels, représentant par exemple l'évolution d'une image en fonction du temps.
II- Classification phénoménologique

Selon ce mode de classification on distingue deux types de signaux, déterministes et aléatoire.
1- Signaux déterministes
Appelée aussi (certains en non aléatoire) dont l'évaluation en fonction du temps peut être
parfaitement prédite par un modèle mathématique approprié sous classification des S.D.
a- Signaux périodiques
Il s'agit des signaux qui vérifient la relation (1).
x(t) = x(t+kT) k є Z, T est la période (1)
On remarque que ces signaux se répètent au cours du temps.
b- Signaux non périodiques qui ne vérifient pas cette relation

La gamme la plus connue des Signaux Périodiques est la famille des signaux sinusoïdaux.
2- Signaux aléatoires
Ce sont des signaux, dont le comportement est imprévisible et pour la description desquels il
faut se contenter d'observation statistique.
Les signaux aléatoires peuvent, quant à eux, être classés en deux grandes catégories :
- sous classification de signaux aléatoire

- Signaux aléatoires stationnaires, dont les caractéristiques statistiques sont invariantes dans le
temps.
- Signaux aléatoires non stationnaires, qui ne jouissent pas de cette propriété.

s(t)
s(t)
t t
Signaux Aléatoires stationnaires Signaux aléatoires non stationnaires

Un signal aléatoire à comportement transitoire est non stationnaire.
Le concept de stationnarité est comme le caractère permanent associé aux signaux

périodiques. Il est utile dans la mesure ou l'on peut souvent considérer en pratique, qu'un signal est
stationnaire pendant la durée d'observation.
III- Classification énergétique Signaux à énergie ou puissance moyenne finie

Une distinction fondamentale peut être faite entre deux grandes catégories de signaux :
1- Les signaux à énergie finie
Les signaux à puissance moyenne finie non nulle la première catégorie contient les signaux de
type transitoire qu'ils soient déterministes ou aléatoires. La deuxième englobe presque tous les
signaux périodiques, quasi périodiques et les signaux aléatoires permanents.
Certains signaux théoriques n'appartiennent à aucune de ces deux catégories c'est le cas de
l’impulsion de dirac.
L'abstraction mathématique commode que l'impulsion de Dirac n'est pas classable.
- Cas continue : - Cas discret :

 n 

2 2
Ex   x(t) dt Ex  x(n)
 n 
T
1 1 k  K
px 
2T 
2
x(t) dt px  
2 K k  K
x(k)
2
T
a- Signaux à énergie finie

- Définition
Les signaux à énergie finie sont ceux pour lesquels l'intégrale (2) est bornée.

2
Ex   x(t) dt (2)

Ces signaux leur puissance moyenne est nulle.

b- Signaux à puissance moyenne finie
- Définition
Les signaux à puissance moyenne finie sont ceux qui satisfont à la condition (3).
T
1 2
px 
2T  x(t) dt < ∞ (3)
T
Un signal à puissance moyenne finie non nulle possède une énergie infinie. Un signal à
énergie finie possède une puissance moyenne nulle.
x2(t)
Ex est l'air hachuré
T t
IV- Classification morphologique Signaux continus et discrets
Un signal peut se présenter sous différentes formes selon que son amplitude est une variable continue
ou discrète et que la variable t (considérée ici comme le temps) est elle même continue ou discrète ou
distingue donc ainsi quatre types de signaux :
1- Le signal à amplitude et temps continue appelé couramment signal analogique,
2. Le signal à amplitude discrète et temps continue appelé signal quantifié,
3. Le signal à amplitude continue et temps discret appelé signal échantillonné,
4. Le signal à amplitude et temps discret appelé signal numérique, car il est représentable par une
suite de nombre ou série temporelle.
Tableau représentatif des differents signaux

Déterministes Aléatoires
Périodiques Non périodiques Stationnaires non stationnaires
Sinusoïdale Quasi Ergodique Classification
Pseudo Aléatoire périodique Transitoire Non Ergodique Spéciale
V- Autres classes importantes

1- Les signaux de durée finie
Les signaux dont l'amplitude s'annule en dehors d'un intervalle de temps T prescrit ;
x(t) = 0 T < t Signaux à durée limitée ou à support borné.
2- Les signaux bornés en amplitude

C'est le cas de tous les signaux physiquement réalisables pour lesquels l'amplitude ne peut pas
dépasser certaines valeurs limite souvent imposée par des dispositifs électroniques de traitement.
x(t) < K - < t < +

3- Signaux causaux
Un signal est dit causal s'il est nul pour toute valeur négative du temps :
x(t) = 0 t<0

Amplitude Continue Amplitude Discrète
S(t) Sq(t)
Temps
Continu
t t
Signal Analogique Signal Quantifié

Temps
S(n)
Discret Sq(n)
n
n
Signal échantillonné Signal Numérique
Opération d’échantillonnage et de quantification

La conversion analogique numérique implique un échantillonnage suivi d'une opération qui consiste à
remplacer la valeur exacte analogique de l'échantillon par la plus proche valeur approximative extraite
d’un ensemble fini de valeurs discrètes.
Cette opération s'appelle la quantification. ("digitizing" en anglais). Chacune de ces valeurs discrètes
est exprimée par un nombre sous forme binaire, par un codage approprié. Ce nombre est compris
entre deux valeurs limites qui fixent la plage de conversion.

Chaque nombre xk, représente un ensemble de valeurs analogiques contenues dans un intervalle de
largeur k appelé pas de quantification. Lorsque la plage de conversion est subdivisée en pas de
quantification égaux, on parle de quantification uniforme.
Un signal analogique est une fonction x(t) d'amplitude continue, définit sur t continue. Un signal
numérique est une tableau x(n) d'amplitude discret définit pour le temps discret. Le passage de x(t) a
x(n) ajoute un bruit.
- Définition - Quantification -
En première approximation, la quantification consiste à remplacer un nombre réel par un nombre
entier, par exemple à arrondir un nombre réel par le nombre entier le plus proche. De façon plus
précise, la quantification associe un symbole logique à une quantité réelle. La terminologie associée à
cette technique :
 pas de quantification q,
 quantification scalaire,
 quantification sur N bits, 8 bits, 16 bits, 24 bits,
 quantification vectorielle,
 quantification linéaire ou pas, A-law et mu-law,
 arithmétique en virgule fixe...
Le pas de quantification est en rapport avec le nombre de bits alloué pour la quantification scalaire
linéaire (la plus couramment utilisée) : q = 2 N
Exemple : Effets de la quantification sur le son

La quantification a pour effet de rajouter du bruit dans le signal : c'est le bruit de quantification. En
première approximation, le bruit de quantification est un bruit blanc (c'est-à-dire réparti sur toutes les
fréquences possibles), uniformément réparti (c'est-à-dire que les valeurs du bruit prennent de façon
équiprobable toutes les valeurs comprises entre -q/2 et q/2).
La puissance du bruit généré est proportionnelle au carré du pas de quantification : I = q 2/12.
Le rapport signal à bruit correspond à la dynamique du support, c'est-à-dire le rapport entre la

puissance du bruit de fond du support d'enregistrement ou de stockage et celle du signal le plus fort
possible d'enregistrer sans distorsion sur ce support. Pour la quantification linéaire, le rapport signal à
bruit est approximativement de (en décibel) 6*N, où N est le nombre de bits sur lequel se fait la
quantification.
Par exemple pour les CD-audio : 16 bits donnent une dynamique (théorique) de 96dB. Pour donner un
ordre d'idée, la dynamique d'un orchestre symphonique peut s'élever à 100dB.
Dynamique (théorique) de différents supports

CD-audio (16 bits linéaire) 96dB
Cassette magnétique 50dB
Cassette magnétique + Dolby 60dB
V- CLASSIFICATION DES SYSTÈMES DE TRAITEMENT

Les systèmes de traitement de signaux sont également classés selon la nature des signaux sur
lesquels ils opèrent ou parle ainsi des :
- Systèmes analogiques: amplificateurs, filtres classiques multiplicateurs, modulateurs.
- Systèmes échantillonnés : circuit à transfert de charge filtre à capacité commutée.
- Systèmes numériques : filtres numériques, corrélateur, transformateurs de fourrier et autres

processeurs spécialisés.
On rencontre aussi des structures hybrides : convertisseur analogique numérique.
Fonction des convertisseurs Analogiques Numériques

La tension d’entré est comparé à 2n – 1 valeurs du type : k/2nU0 déduite d’une tension de référence U0.
Le résultat est traduit en mot binaire par un décodeur logique.
Convertisseur parallèle. (Anglais “Flash Converter”).

Va Signal Horloge
Comp.
Début
Remise à
zéro
Con
verti
Vax sseur Com-
NA pteur
CAN rampe Numérique Déb

ut
Va Horloge tts bits à
Vax Comp. zéro
Début Début bit poid fort
Logique de
contrôle FDC
fixe bit = 1
aller bit
Registre de contrôle
suivant Oui Remettre
Vax >
MSB LSB
Va bit à 0
No
No tts bits n
CNA n vérifié
s
Bloc fonctionnel simplifié CAN approximation successive Oui
Organigramme
Conversion
achevée
Fin

B- Représentation Vectorielle des Signaux
I- Représentation discrète des signaux

Le principe d'une représentation discrète d'un signal x(t) est basé sur le développement de
celui-ci en une combinaison linéaire de fonctions connues k(t) ; k=1,2,...,n
Les n coefficients constituent une représentation discrète du signal qui dépend de l'ensemble
de fonctions k(t) choisies. Ceci constitue le fondement de l'analyse des signaux.
L'intérêt d'un tel mode de description est triple :
- Un choix adéquat des fonctions k(t) peut favoriser la mise en évidence de propriétés
particulières du signal et faciliter l'étude des transformations qu'il subit au cours de sa propagation
dans un système physique donné en particulier lorsque celui-ci est linéaire.
- La représentation discrète est tout naturellement associée à l'image d'un vecteur dans un espace de
dimension n (éventuellement infinie), ce qui permet d'interpréter géométriquement des notions
assez difficiles à visualiser autrement telles que celle de distance, de produit scalaire,
d'orthogonalisation, d'intercorrélation de deux signaux.
- La représentation discrète est le seul moyen d'aborder le traitement d'un signal par voie
numérique.
1- Définition d'un espace vectoriel

On sait qu'un espace vectoriel est un ensemble d'éléments satisfaisant aux propriétés
suivantes : la somme de deux éléments et le produit d'un élément par un scalaire (réel ou complexe)
sont également des élément de l'ensemble.
Un espace vectoriel linéaire de dimension n est généré par une base formée de n vecteurs
linéairement indépendant : tout vecteur x de l'espace correspond ainsi à une unique combinaison
linéaire des vecteurs de la base. Il existe une infinité de bases possibles.
Un espace vectoriel est nommé si a tout vecteur x est associée une norme, notée |x| nombre
réel, positif, nul si x est l'origine, qui est une généralisation de la notion de longueur. L'espace est dit
métrique si à tout couple d'élément (x, y) est associé un nombre d(x, y), réel positif nul si x = y que
l'on appelle la distance de ces éléments. La métrique usuelle est d(x, y) = x-y.
2- Rappel sur la transformation de Laplace

2-1 Définition de la transformée de Laplace

La transformée bilatérale de Laplace d’une fonction f(t) définie pour t (-, ) est donnée par :

VII ( s )   v(t ) e  st dt

où s est une variable complexe s =  + j. Étant donné les bornes infinies cette définition n’a de sens
que si l’intégrale est convergente.
2-2 Définition de la transformée de Laplace Inverse
La transformée inverse de Laplace est définie par :
1   j
v (t ) 
2 j   j
VII ( s ) e st ds
Cette intégrale ne reproduit la fonction initiale v(t) que si elle est effectuée dans le domaine du plan
complexe de la variable s où VII(s) est définie.
NB : si v(t) est une fonction causale, c. à d. v(t) = 0 pour t (-, 0-), alors la définition ci-dessus
devient

VI ( s)    v(t ) e st dt
0
qui est appelée la transformée unilatérale de Laplace. La même formule d’inversion reste valide et
reproduit la fonction causale v(t).
2.3 Conditions d’existence de la Transformée bilatérale de Laplace

Une condition suffisante pour que l’intégrale définissant la transformée bilatérale de Laplace soit
convergente est qu’elle puisse être bornée par une intégrale convergente. Or on a
  

v(t ) e  st dt   v(t ) e  st dt   v(t ) e  t dt .
 
S’il existe M positif et  et  réels tel que
M et t0
v(t )   t
M e t0
v(t) est dite d’ordre exponentiel. Nous pouvons écrire

 0 


v (t ) e t dt   Me(   )t dt  
 0
Me(  )t dt
On vérifiera facilement que ces deux dernières intégrales convergent si  <  <  (fig. 2.1) qui est
donc une condition suffisante d’existence de la transformée bilatérale de Laplace. Si la variable s
appartient au domaine du plan complexe défini par les abscisses  et , V(s) existe ainsi que son
inverse. Pour évaluer cette transformée inverse il faut toutefois évaluer l’intégrale sur une droite
verticale dans le domaine de convergence qui vient d’être défini.

Figure 2.1
3- Rappel sur la transformation intégrale de Fourrier

L'analyse harmonique est l'instrument majeur de la théorie du signal. La TF, généralisé par
l'emploi des distributions permet d'obtenir une représentation spectrale des signaux déterministe.
Celle-ci exprime la répartition fréquentielle de l'amplitude, de la phase, de l'énergie et de la puissance

des signaux considérés. Comme sera illustré plus loin, la transformation intégrale de Fourrier peut être
envisagée comme une généralisation de la notion de développement en série orthogonale de fourrier.
- Série de Fourrier
De tous les développements orthogonaux d'un signal sur une intégrale de durée T, celui qui a
la plus grande importance théorique est celui de Fourier,
Tout signal x(t) peut être exprimé par une combinaison linéaire de fonctions exponentielles
complexe en remplaçants ici l'indice k par n positifs qui forment un ensemble complet de fonctions
orthogonales sur l'intervalle (t1,t1+T).
t1  T 
2jkt 2jkt
Xk   x(t ) exp( T
)dt x(t)   X k exp( T
)
t1 k  
Ces coefficients présentent l'intérêt d'être naturellement harmoniques à des fréquences f n=n/T et
conduisent à la notion classique du spectre fréquentiel bilatéral d'un signal.
Si la fonction x(t) est réelle, les coefficients Xn et X-n sont conjugués complexes.
- Transformé de Fourrier
Soit x(t) un signal déterministe, sa transformée de fourrier est une fonction généralement
complexe de la variable f définie par :


X(f )  Fx ( t )  x , exp( j2ft X( f )   x(t ) exp( j 2ft )dt

La Transformation inverse :

x(t)  F X(f ) 
1
x, exp( j2ft x (t )   X(f ) exp( j2ft)df

Il est généralement préférable, en traitement des signaux, d'exprimer la transformée de fourrier

d'un signal en fonction de la fréquence f, plutôt qu'en fonction de la pulsation w=2f comme c'est
l'usage en théorie des circuits. Si on désire représenter cette transformée en fonction de la pulsation w
on a respectivement la transformée direct et inverse données par :
 1 
F [v(t)] = V ( )   v(t ) e  jt dt et F-1 [V(w)]= v(t ) 
 2 

V ( ) e jt d
- Dualité temps fréquence

La symétrie des transformations directe et inverse montre l'existence d'une dualité entre
l'espace temps (t) et l'espace fréquence f. Cette dualité joue un rôle fondamental dans la plus part des
méthodes de traitement des signaux.
En résume : si X(f) est la transformée de Fourier de x(t) alors X(t)  x(-f)
Preuve :

j 2ft
On sait que : f(t) =  X ( f )e df


 j 2f
si on remplace t par - on obtient : x( )   X ( f )e df

et en échangeant  et f, on a : x(-f)=F(X())
- L'existence de la transformée de Fourrier

1) Toutes les fonctions de carré intégrable "donc tous les signaux à énergie finie" possèdent une
transformée de fourrier qui est également une fonction de carré sommable.
- Comme cité plus haut, le développement en série de fonctions orthogonales d'un signal pris dans un
intervalle fini est un moyen d'analyse précieux.
Le développement en série de fourrier d'un signal périodique peut donner directement la TF,
en tenant compte de la relation.


k
X (f )   X k (f  T )
k  
Ainsi, la transformée de Fourrier d'un signal périodique apparaît comme une combinaison
k
linéaire de masses ponctuelles localisées aux fréquences discrète f k  k  Z . On dit qu'il
T
s'agit d'un spectre de raies.
2) Toute fonction s(t) périodique de période T (s(t+nT) = s(t) n  N) est représentée par une infinité
m 1
de coefficients de fourrier aux fréquences harmoniques entier espacés de f  .
T T
Elle est restituée par son développement en série de fourrier pour t < T/2.

m
s (t )  C
k  
m exp( j 2
T
)
Cm
S(f) apparaît comme la forme limite de la densité spectrale de raies définie par  CmT lorsque
f
T ======  ie f  df .

s (t )  Lim s(t ,T ) 
T 
Lim  C
T  
m exp( j 2mft )
1 T /2
 
s (t )  Lim    s(t , T ) exp( j 2mft )dt  exp( j 2mft )
T      T T / 2 

   
s (t )   

df s (t ) exp(  j 2 ft ) dt 

exp( j 2 ft )   S ( f ) exp( j 2ft )df

Propriétés élémentaires :
Posons s (t )  S ( f )
1) Linéarité
 s (t )   S ( f )
i
i i
i
i i
2) Symétrie
s (t )  S ( f )
3) Changement d'échelles
1 f 1 t
s (t )  S( ) s( )  S (  . f )
   
4) Translation (théorème du retard)
s(t  t0 )  S ( f ) exp( j 2ft0 ) exp( j 2f 0t ) s(t )  S ( f  f 0 )

5) Modulation
1
sin( 2f 0t ) s(t )  S ( f  f 0 )  S ( f  f 0 )
2j
1
cos(2f 0t ) s(t )  S ( f  f0 )  S ( f  f 0 )
2
6) conjugaison
s* (t )  S ( f ) s  ( t )  S  ( f )
7) Différentiations
k
d k s (t )
  j 2f  S ( f )
k
 j 2f k s(t )  d S( f )
dt k
df k
8) Intégration lorsque s(0)=0

S( f )

 s(t )dt 
j 2f
9) Théorème des Moments

1 dkS
 t s(t )dt  j 2 df k (0)
k

9) Convolution
La transformation de Fourrier transforme la convolution en multiplication et la multiplication en
convolution.
Fx ( t ) y( t )  X(f ) * Y(f ) Fx ( t ) * y( t )  X(f )Y(f )

- Exemple
- Pulsation rectangulaire
rect(t) ===== sinc(t)
sinc(t) =====rect(f)
- Spectre de phase
Impulsion rectangulaire décalée
- Fonction d'autocorrélation



 xy ( )  x* , y    x(u) y(  u )du

 *
 xy ( )   xy (  )
- Fonction d'intercorrélation


 


   x(u) x(  u )du

 x(u) x(  u)du 

*
 x ( )  x , x  x ( )  x , x 
*
 
La valeur a l'origine t=0 de la fonction d'autocorrélation est égale à l'énergie du signal.



 x (0)  x* , x  x  2
 wx   x(u)
2
du

- Extension de la TF
Les signaux à puissance finie ne satisfont pas les critères de convergences usuels de la TF.
Cette méthode d'analyse ne peut être envisagée rigoureusement dans ce cas qu'en élargissant le champ
d'application de la TF appelé distribution.
Le résultat essentiel de la théorie des distributions pour l'analyse des signaux est la
correspondance :
 (t )  1 (f)  1   (t )
 (t  t0 )  exp( j 2ft0 )  exp( j 2ft0 )   (t  t0 )
- Théorème de Parseval
1

   2
2 2
 x(k )  X ( f ) df
2 2
 x ( ) d   X (f ) df


  
1
2
- Fonction d'inter corrélation

 
 x() y (t  )d   x( ) x (t   )d pour t=0 E

*
 xy ( t )  x (t )  *
x   x (0) l'énergie du système.
 
- Spectre d'énergie : ou densité spectrale d'énergie : D.S

2
S x ( f )  X (f )
La transformée de la fonction d'auto corrélation d'un signal noté Sx (f ) est appelée spectre d'énergie
ou densité spectrale d'énergie.
- Influence de la troncature d'un signal sur son spectre:

xT(t)=x(t)RectT(t) XT(f)=X(f)*Tsinc(fT)
Puisque le support XT(f) est la somme de celui de X(f) et sinc(f) (déjà va en produit de convolution).
Donc la troncature temporelle s'accompagne d'un élargissement fréquentielle et celui-ci est d'autant
plus fort que T est petit.
- EXEMPLE
1I(t)  (f)
exp(j2f0t)  (f-f0)
a aT
xT (t )  exp( j 2f 0 t )  exp( j 2f 0 t )  XT ( f )  sin c( f  f 0 )  sin c( f  f0 )
2 2
Table des propriétés de la Transformée de Fourier
Propriété Fonction Transformée

 v1(t) +  v2(t)
Linéarité  V1(f) +  V2(f)
 et  sont des constantes
Dualité V(t) v(-f)
1 f
Échelle de temps v(at); a est une constante V( )
a a
Décalage dans le temps v(t - t0) V(f) e  j 2t0 f
Décalage en fréquence e j0t v(t) V(f - f0)

Valeur initiales de v(t) v(0)  V ( f )df


Valeur initiales de V(f)  v  t  dt

V(0)
Dérivation dans le temps v(n) (t) (j2f)n V(f)

Dérivation en fréquence (-j2t)n v(t) V(n) (f)
t
V ( )
Intégration dans le temps  v( ) d

j
  V (0)  ( )
Fonctions conjuguées v*(t) V*(-f)


Multiplication dans le temps v1(t) v2(t)  V1 ( )V2 ( f   )d


Multiplication en fréquence  v ( )

1 v2 (t -  ) d V1(f) V2(f)
Réflexion x(-t) X(-f)

 
2 2
Relation de Parseval  v(t ) dt   V( f ) df
 

Exemple de la Transformée de Fourier :
x(t) X(f)
e-t u(t) 1
  j 2f
te- t u(t) 1
(  j 2f ) 2
|t| 2
2
(t) 1I(f)
1 (f)
u(t) 1
 ( ) 
j
RectT(t) T sinc(Tf)
TriT(t) { Tsinc(Tf)}2
sin 0t u(t)  

  -  0  -     0    2 0 2
2j 0 - 
cos 0t    -  0       0  
sin 0t j     0  -   -  0  
e-at sin 0t u(t) 0
 a  j    02
2

Echantillonnage et Reconstitution
Introduction
Lors du paragraphe de classification des signaux, on a mis le point sur des signaux discrets et
des signaux continus, ce chapitre sera dédié au passage d'un type de signaux à l'autre
continu- numérique et numérique-continu. L’opération de passage d’un signal continue à un signal
numérique se fait par un échantillonnage suivi d’une quantification alors que le passage inverse est
réalisé par la reconstitution.
Echantillonnage
Signal Continue Signal Discret

Reconstitution
1- L'ÉCHANTILLONNAGE
1.1 INTRODUCTION
L'opération d'échantillonnage consiste à prélever l'information contenue dans le signal continu
tous les kTe. Te est dite période d'échantillonnage. On appelle aussi
échantillonnage
x(t) x1 x2 x3 ….. xn
x(Te) x(2Te) x(3Te) x(nTe)
En pratique cette opération est réalisée à l'aide d'un convertisseur analogique-numérique, qui est
symbolisé par:
T
x(t) x1 x2 x3 ….. xn
x(Te) x(2Te) x(3Te) x(nTe)
On supposera dans la suite que x(t) est définie pour t=kTe.
Mathématiquement, cette opération est similaire a une multiplication du signal x(t) par l’opérateur
peigne de dirac T(t); comme nous l’avons défini au chapitre 1 , il est constitue par une série de dirac
espacées de T.

 T (t )    (t  nT )
n 

1.2 EFFET DE L’OPERATION D’ECHANTILLONNAGE
Afin de mettre en relief les effets de cette opération d’échantillonnage sur l’information contenue dans
le signal analogique de départ, une comparaison entre les deux transformées de fourier des deux
signaux analogique et numérique est nécessaire. Notons par X(v) et X(f) les transformées respectives
du signal analogique x(t) et du signal x(n) échantillonnée .
On pose: X (v) = F(xn) et X(f) = F(x(t)) et que si x(t) est intégrable


X( f )   x(t ) exp( j 2ft )dt


X (v )   x n exp( j 2nv)

Considérons le signal continu x*(t) définie par :


x * (t )   x (t ) (t  nTe )

x*(t) contient toute l'information relative à la séquence xn. x* (t) peut s'écrire :

x * (t )  x(t )  (t  nTe )

  
X * ( f )  F [ x * (t )]  X ( f ) * F   (t  nTe )
  

1 n
X *( f )  X ( f )*
Te
 ( f  T )
 e
La représentation spectrale X* (f) est périodique et elle est obtenue en répétant X(f) tous les 1/Te.
Considérons le signal x(t) dont la représentation spectrale est donnée par la figure suivante :
|X(f)|
1
0 .8
0 .6
0 .4
0 .2
0
-4 0 -2 0 0 20 40
Fréquence (Hz) f
Il faut remarquer que le spectre du signal s’étend sur l’intervalle [-fm=-32 fm=32].

Donc, le choix de fe supérieur a 2fm=80 donnera un spectre sans repliement spectral comme illustre
par la figure suivante :
Te |X*(f)|
1
0 .5
0
-2 0 0 -1 5 0 -1 0 0 -5 0 0 50 100 150 200
Fréquence (Hz) f
Alors que, le choix de fe inférieur a 2fm égale a 60 par exemple donnera un spectre avec repliement
spectral comme illustre par la figure suivante :
Te |X*(f)| 1
0 .8
0 .6
Repliement du spectre
0 .4
0 .2
0
-1 5 0 -1 0 0 -5 0 0 50 100 150
Fréquence (Hz) f
Figure représentant seulement le spectre de X(f) décalé sans la sommation.
Te |X*(f)|
1
0 .8
0 .6
0 .4
0 .2
-1 5 0 -1 0 0 -5 0 0 50 100 150
Fréquence (Hz) f
Figure représentant seulement le spectre de X(f) décalé avec la sommation.

|X*(f)| |X*(f)|
Repliement du spectre f
d'autre part,
  
X * ( f )  F [ x * (t )]    x(nTe ) (t  nTe ) exp( j 2ft )dt
 
 
X * ( f )   x(nTe )   (t  nTe ) exp( j 2ft )dt
 

X * ( f )   x(nTe ) exp( j 2fnTe )

Remarque : la notation intégrale est en toute théorie incorrecte et l'on devrait noter :

X *( f )   x(nTe ) (t  nTe ), exp( j 2fnTe )

d'où X * ( f )  X (v ) pour v f
1 
n 
X (v )   X ( f ) *   ( f  )  v  f
 Te  Te 
La représentation spectrale d'un signal discret, lorsque celui-ci est issu d'un signal continu,
s'obtient à partir de la représentation spectrale du signal continu, décalé tous les 1/T e et en
additionnant les éventuelles zones de recouvrement.
 1 1 
Lorsque le spectre du signal continu n'est pas borné et contenu dans la zone  ,  , on
 2T 2T 
dit qu'il y a repliement du spectre.
1.3 RECONSTITUTION IDÉALE ET THÉORÈME DE SHANNON

Le problème posé est le suivant, peut-on reconstituer le signal x(t) à partir du signal discret xn.
Cette question, transposée dans le domaine spectral peut encore s'annoncer, peut on isoler X(f) à partir
de la représentation spectrale du signal discret.

Dans le cas ou il y a de repliement de spectre il est impossible d'isoler X(f), ou plus
exactement impossible d'isoler 1/TeX(f) en multipliant X*(f) par Rect(1/Te)(f) avec Rect(1/Te)(f)=1 pour
|f|<1/2Te, est égale à zéro ailleurs.
|X*(f)|
Rect(f)
|X*(f)|
X (f )
T
-1/2T 1/2T f
par suite on a le théorème de Shannon.
1.4 THÉORÈME DE SHANNON

Un signal continu, à spectre borné contenu dans la bande  f m , f m , peut être théoriquement
1
reconstitué à partir de prélèvements effectués à une période telle que : Te  .
2 fm
La valeur limite de la fréquence d'échantillonnage 2f m s'appelle la fréquence de Shannon ou encore

Nyquist. Il y a lieu de remarquer qu'un signal à spectre borné doit être à support temporel infini, et en
suite que la reconstitution idéale nécessite un filtrage fréquentiel parfait qui est physiquement
irréalisable.
Le théorème de Shannon est donc purement mathématique, et ne pourra jamais s'appliquer

rigoureusement en pratique. Il permet toutefois de choisir la période d'échantillonnage T e de manière à
ne pas perdre beaucoup d'information.
2- CONSIDÉRATIONS PRATIQUES
2-1 RECONSTITUTION ANALOGIQUE PRATIQUE
Filtre Anti-repliement
Afin d'éviter le repliement du spectre, il est indispensable d’être sure que le spectre du signal à
échantillonner ne contient aucune valeur non nulle en dehors de la bande des fréquences [-f e/2 fe/2].
Afin d’être sure de l’hypothèse sur laquelle s’est fait le choix de la fréquence d’échantillonnage, il
serait indispensable d'introduire un pré-filtrage du signal analogique avant de procéder à
l'échantillonnage.

Le filtre Anti-repliement (ou filtre de garde) parfait serait un filtre passe-bas idéal de bande passante
B = fe/2. Tout filtre anti-repliement réel comporte une bande de transition qui reporte la bande
passante limite BM au delà de la bande passante effective.
Nous allons voir dans les séances suivants qu'on spécifie les caractéristiques d’un filtre avec un
gabarit en donnant des paramètres:
p : L’ondulation en bande passant p Dernière fréquence passante
a : première fréquence atténuée a : L’ondulation en bande atténuée.
2-2 RECONSTITUTION ANALOGIQUE PRATIQUE

Ce problème de reconstitution se pose en pratique dans une liaison numérique analogique à la sortie
d'un calculateur. Cette opération est réalisée à l'aide de convertisseur numérique analogique. Ces
convertisseurs sont en fait des filtres encore appelés bloqueurs et le plus courant est le bloqueur
d'ordre zéro.
Comme nous l’avons déjà vu il faut faire passer le signal échantillonné xe(t) dans un filtre passe-bas
pour obtenir le signal continu x(t). On développe ici l’équivalent de cette opération dans le domaine
du temps.
1
Soit la fréquence d’échantillonnage la fréquence de Nyquist (2fm échantillons par seconde) Te 
2 fm

1 n
On peut écrire Xe( f ) 
Te
X(f T )
 e

x(t) est reconstruite par un filtrage passe-bas de xe(t), i.e. par le passage de xe(t) dans un filtre ayant
comme fonction de transfert
H ( f )  Te rect 2 / Te ( f )
H(f)
Te
-2/Te 0 2/Te f
Soit la sortie du filtre y(t). Nous avons
Y(f) = Xe(f) H(f) = X(f)
D’où y(t) = x(t).
xe Filtre y(t)
Il est intéressant de visualiser ce processus de reconstruction de x(t) à partir de xe(t). Pour ceci
remarquons que
y(t)=x(t)*h(t) ou h(t) n est rien d’autre que la Transformée de fourier inverse de H(f). h(t)=F-1(H(f))
h(t) est la réponse impulsionnelle du filtre
t T m
h(t )  sin c( ) h(t )  Sa  m t 
Te 
2t
c. à d. x(t )  xe (t ) * sin c( )
Te
Donc on peut reconstruire f(t) de ses échantillons si on effectue la convolution du signal échantillonné
fe(t) avec une fonction d’échantillonnage Sinc(mt).
Interprétation graphique :

Notons que rigoureusement, cette opération n’est pas faisable puisque la réponse impulsionnelle du
filtre idéal et non-causale et s’étend jusqu’à moins l’infini dans le temps. Pour reproduire exactement
le signal, il faudrait commencer au temps t = -  ce qui introduit un retard infini. En pratique on
devra se contenter d’une reconstruction approximative du signal.
En toute théorie ces filtres ont eu comme entrée un signal discret et en sortie un signal continu et
n'entrent pas dans la catégorie de systèmes linéaires envisagés jusqu'à présent.
xn Filtre y(t)
On peut résoudre ce problème, en considérant, non pas le signal discret mais le signal continu x*(t).
On sait que ces deux signaux ont la même représentation spectrale et contiennent donc la même
information.
ho(t)
xn ho(t) xo(t)
1/Te
t
le bloqueur d'ordre zéro à la réponse impulsionnelle ho(t)


Ainsi pour un signal x * ( t )   x (nT)( t  nT) à l'entrée d'un tel filtre, la sortie sera une suite de

réponse impulsionnelle (à une constante x(nT) près) décalées de T.
xo(t)
xo(t)
x(t)
t
Voyons les conséquences fréquentielles de ce blocage.
xo(t)=x*(t)*ho(t)
 T SinfT 
X 0 ( f )  X * ( f ) exp( j 2f )T
 2 fT 
X 0 (f ) sin fT
 X * (f )
T fT
|Xo(f)|
-1/Te 1/Te f
Plus 1/Te est grand, moins il y aura d'erreur sur la reconstitution du signal.
Relation énergétique :
Soit un signal continu d'énergie finie et de spectre borné.
2
E   x 2 ( t )dt   X * (f ) df
Soit xn, le signal discret issu de x(t) par échantillonnage à une période T vérifiant le théorème de
SHANNON T < 1/ 2fm. xn est alors un signal discret à énergie finie.
1

2T
 x 2n  T 
2
X * ( v) dv
1

2T
Quelle est la relation liant l'énergie en continu à l'énergie du signal discret?
Le théorème de SHANNON étant vérifié :

1 1 1
X(f )  X( v) | v=f Si  f 
T 2T 2T
X(f) = 0 en dehors de la bande
1 1
 
 2T 2T
2 2 2
d'où  X(f ) df   X(f ) df  T 2  X( v) dv
 1 1
 
2T 2T
 
 x(t)
2
dt  T  x 2n
 
Si le théorème de SHANNON n'est pas vérifié, cette relation est seulement approximative.
On aboutit à des relations d'un même type dans le cas de signaux à puissance finie.
1
0 .5
0
-4 0 -2 0 0 20 40
1
0 .5
0
-2 0 0 -1 5 0 -1 0 0 -5 0 0 50 100 150 200
0 .8
0 .6
0 .4
0 .2
0
-1 5 0 -1 0 0 -5 0 0 50 100 150

Transformation de Fourrier Discrète
La transformation de fourrier des signaux numériques, telles qu'elle a été définie et étudiée
précédemment n'est d'aucun intérêt pour un traitement numérique. Ceci provient, d'une part, de
l'existence d'une variable continue -analogique- représentant la fréquence et d'autre part, de la
nécessité de faire intervenir un nombre infini d'échantillons du signal.
Vu l'importance considérable de cette transformation en traitement de signaux, il est

nécessaire de la mettre sous une forme pratiquement utilisable. Cette forme est appelée TFD est sera
dénotée par TFD.
Dans la suite et après une étude de la TFD nous allons montrer l'intérêt de cette dernière en
mettant l'accent sur la technique de calin L ou d'algorithmes rapides et efficaces.
- Rappels

X (f )   x(k ) exp( j2fk ) (1)
k  
X(f) est périodique de période 1, généralement c'est une fonction complexe de la variable f.
1
2
x (k )   X(f ) exp( j2fk)df (2)
1

2
Les difficultés associées aux relations (1) et (2) :

a) f est continue d'ou l'impossibilité de faire usage d'un système de traitement numérique.
b) x(k) est une série d'une infinité d'éléments qu'on ne peut pas traité numériquement.
- solution
- Limiter la durée du signal x(k).
- Remplacer la variable continue f par une variable discrète, mais il faut faire attention à ces deux
opérations pour ne pas obtenir des résultats erronés.
Le remplacement de f par une variable discrète peut s'écrire : f = nf où f est l'incrément utilisé sur
l'axe des fréquences fn=n  f est appelé fréquence harmonique de la TFD.
X(f) est périodique de période 1 donc on peut diviser une période en N incrément et on a :
 f =1/N
Si on décide de travailler avec la période -1/2, 1/2, N=-N/2, -N/2 + 1 ....., N/2-1.
Compte tenu de la discrètisation de la fréquence, x(k) est approximée par une somme donnée par
l'équation (3).
N
1
2 n
x (k )   X(n ) exp( j2
N
k) (3)
N
n 
2
La valeur exacte est dénotée par xp(k)

N
1
2 n
x p (k )   X(n ) exp( j2
N
k) (4)
N
n 
2
Ainsi : x (k )  x p ( k )
On doit chercher pour quelles conditions cette relation devient l'identité.

2 2
On note : WN  exp( j ) WNnk  exp( j nk )
N N
WNk  l  WNl WNk WNk  lN  WNk (5)
- Propriétés et valeurs spéciales
lN
k
N WN2   WN
WNlN  1 WN2  1 WN 2   WNk 2
N
Pour k=lN WNlN  1 1
N
Pour les autres, la somme vectorielle de N racines nième de l'unité est toujours nulle, car ces racines
sont séparées les unes des autres par un incrément angulaire 2/N.
- QUALITÉ DE L'APPROXIMATION
On remarque d'après la relation (5) que WN nk est périodique de période N.
Ainsi xp(k) est périodique alors que x(k) n'est pas supposé être périodique. Pour trouver la
relation liant x(k) et xp(k) on substitue Xn(n) dans la relation (4)
N
1
2   n  n
x p (k )     x (l) exp( j2 N k) exp( j2 N k )
N l   
n 
2

N
1
 2
 n  n
x p (k )   x(l)  exp( j2 N k ) exp( j2 N (l  k ))
l   N 
n 
2
L'expression entre crochets vaut 1 pour l-k=iN et 0 ailleurs


x p (k )   x (iN  k )
i  
Cette relation indique que xp(k) est obtenue par répétition périodique de période N du signal
x(k).
La transformé de Fourrier, inverse aussi bien que directe d'une fonction échantillonnée est une
fonction périodique dont la période est l'inverse de la période d'échantillonnage.
- Définition
Pour des signaux apériodiques à durée limitée à N la TF devient :
k 0  N 1
X (f )   x (k ) exp( j2fk )
k k 0
cette relation peut être mise sous la forme :

k 0  N 1
X(f )   x(k )W
k  k0
 nk
N
N N
avec : n ,... 1
2 2
La transformation inverse est donnée par :
N
1
1 2
x (k ) 
N
 X(n)WNnk k  k 0 ,... k0  N  1
N
k 
2
Par ce volet, nous avons donné la TFD pour un signal périodique à durée finie N.
Si le calcul de x(k) est réalisé pour les autres k on obtient alors un signal périodique donné
par :

x p (k )   x (iN  k )
i  
On peut obtenir par extraction de la période de xp(k) correspondant à l'intervalle où x(k) est non nulle.
A cet effet, on peut utiliser le signal rectangulaire rect N(k) ou toute version translatée de celui-
ci :
x(k)=xp(k) rectN(k-k0)

Comme on connaît à priori cet intervalle, on peut écrire :
 x (k ) k0  k  k0  N  1
x p (k )  
0 ailleurs
Remarque :
Dans le cas ou on a que X(n) Pour -N/2 < n < N/2 sans autre information préalable sur le
signal x(k). On ne peut pas décider s'il s'agit d'un signal périodique ou d'un signal à durée limitée.
Si N est connue, il faut aussi connaître k0 pour déterminer l'intervalle k 0 , k 0  N  1 .

Par la relation précédante on obtient seulement une permutation cyclique des échantillons de
x(k).
TRANSFORMATION DE FOURRIER DISCRÈTE
DES SIGNAUX PÉRIODIQUES ET DES SIGNAUX RÉELS
- SIGNAUX PÉRIODIQUES
N 1
X p (f )   x p (k ) exp( j2fk )
k 0 0
xp(f) périodique de période 1.

N 1 N 1
nk  N N 
X p (n )   x p ( k ) exp( j2 )   x p ( k ) WN  nk n   ,  1
k 0 N k 0  2 2 
0 0
La transformation inverse :
N N
1 1
1 2 nk 1 2 nk
x p (k )   X p (n ) exp( j2 )  X p (n ) WN k  0, N  1
N N N N N
n  n 
2 2
Remarque : L'importance du rôle joué par la TFD en traitement numérique du signal est énormément
renforcée par l'existence d'un algorithme de calcul rapide, ces algorithmes sont basés sur les propriétés
de symétrie (dues aux signaux réels) pour éviter des calculs redondants.
soit le signal : x (k )  a k rect N (k ) a0

N 1 N  nN
a k WN nk X(n )  1  a WN 1 aN
sa TFD X(n )   
k 0 1  a WN n 1  a WN n
Les spectres d'amplitude et de phase s'obtiennent on remplaçant WN par son expression :
1 aN 1 aN
X(n )  X(n ) 
n n n
1  a cos(2 )  ja sin( 2 ) 1  a 2  2a cos(2 )
N N N
 n 
 a sin( 2 ) 
 x (n)  arg( X ( n))  arctg  N 
 a cos( 2 n )  1 
 
 N 
Principales propriétés de la transformée de fourrier discrètes
Si la durée de x1(k) est N1 celle de x2 est N2 la durée du signal est N=Max (N1, N2)
Si, par exemple, N1>N2 , on doit calculer les deux TFD avec N=N 1 ainsi X2(n) sera la TFD du signal
x2(n) prolongée par N1-N2 échantillons nuls .
- Décalage cyclique :

TRANSFORMATION EN Z
- INTRODUCTION
La Transformée de Fourier TF est un outil précieux en Traitement du Signal Numérique et

Analogique sur les deux plans théorique et expérimental. Toutefois, dans certains problèmes, surtout
dans ceux qui sont orientés vers l'analyse et la synthèse de systèmes de traitement (par exemple en
filtrage numérique) les limites des capacités de la TF sont vites atteintes, le besoin ainsi créé d'un outil
plus puissant est comblé, principalement sur le plan théorique, par la TF à laquelle elle peut
s'identifier dans un cas particulier. Par sa nature générale, la T en Z permet, par exemple, de
représenter un signal possédant une infinité d'échantillons par un ensemble fini de nombres. Ces
nombres, caractérisant complètement le signal, permettent de le reconstituer entièrement.
Ce chapitre présentera la transformation en Z, les conditions de son existence et les différentes

méthodes qui permettent de calculer la transformation inverse. On étalera aussi les propriétés de la T
en Z ainsi que les relations qui existe en TF et T en Z et TL.
Finalement, on définit : fonction de transfert d'un système linéaire. On étudie ces conditions de
causalité et de stabilité dans le plan des Z.
A - TRANSFORMATION EN Z
1- Définition
La Transformée en Z X(z) d'un signal x(k) est définie par :

X ( z )   x(k )z  k (1)

où z variable complexe ou X(z) est une fonction complexe de la variable z.
(Forme analytique série de Laurent : toute les dérivées sont des fonctions continues de z)
On utilise souvent la notation :
X ( z )  Z ( x(k )) (2)
Remarque : La Transformée en Z est dite bilatérale vu, que la sommation s'étend à tous les entiers k .
Dans l'étude des signaux et systèmes causals on utilise la Transformée en Z unilatérale définie par :

X ( z)   x(k )z  k (3)
k 0

La définition (3) est considérée comme un cas particulier.
2 - Existence de la T en Z
Il est clair que le problème majeur sera celui de la convergence. On appellera domaine de
convergence pour un signal donné, l'ensemble des valeurs de z pour lesquelles la série (1) converge.
- Critère de Cauchy :
Une série du type :

U k  U 0  U1  U 2  U 3  ... Un ...
k 0
converge si la condition suivante est satisfaite :
1
Lim U k k 1
k 
on va décomposer (1) en deux parties :
1 
X ( z)   x(k )z  k   x(k )z  k X ( z )  X1( z )  X 2 ( z )
k   k 0
l'application du critère de Cauchy donne :
1 1
Lim x(k ) z k k
1 puis Lim x (k ) k z 1  1
k  k 
1
Soit Rx   Lim x(k ) k la série X2(z) converge alors pour |z|>Rx-. Avec le changement de variable l=-
k 
1
Rx   1
k on montre que X1(z) converge pour |z| < . Avec .
Lim x( k ) k
k 
ainsi, la série (1) converge en général dans un anneau du plan complexe z donné par:
0  Rx -< |z|Im[z]
< Rx +  
Rx-

Rx+
Région de convergence
Re[z]
Résumé :

A tout signal x(t) on peut associer de façon formelle une transformée en X ( z )   x(k )z
k

On peut associer à cette série formelle une fonction de la variable complexe z que nous
noterons également X(z). Si z appartient au domaine de convergence de cette série.
Ce domaine de Convergence est un disque ouvert limité par R1 et R2 ou R1<R2. R2 est le rayon
de CV de la série x(-k) z-k pour k < 0 et 1/R1 est le rayon de Convergence de la série entière x(k) zk
pour k > 0.
Les rayons de Convergence peuvent être nuls, finie ou infinis. Le domaine de Convergence
fait partie intégrante de la définition de la Transformée en z car en général, chaque expression
données X(Z) est la Transformée en Z de plusieurs signaux x(k) si on ne précise pas son domaine de
Convergence.
- Exemple 1:
Dans ce cas, le calcul de la somme est simplifié par l'apparition d'une progression géométrique
de raison z-1 . Si on utilise les relations Rn- et Rn+ , on trouve Rn-=1, Rn+=+ .
Exemple 2 :
Soit le signal x(k) = ak u(k) a>0.
- Exemple 3 :
Soit x(k) = ak, Rn-=Rn+ = a absence du domaine de convergence a < z< a

irréalisable.
Propriétés de la Transformée en Z :
Exemples de la Transformée en Z

Les filtres à temps continu
1- Les Filtres de Butterworth
Le module de réponse fréquentielle d'un filtre de Butterworth d'ordre n est donnée par :
Lorsque  = 1, on a affaire à un filtre de Butterworth standard. Lorsque ≠ 1, on a affaire à un filtre de

Butterworth généralisé. L'allure du module de la réponse fréquentielle d'un tel filtre est représentée
par la figure 1. Les points à souligner sont le caractère monotone décroissant de H(w) et l'atténuation
qui tend vers 6 dB par octave ou 20 dB par décade lorsque wtend vers l'infini. Mentionnons aussi que
la fréquence de coupure normalisée wc est toujours égale à 1 rad/s.
Module de la réponse fréquentielle
Pulsation normalisée w
Fig. 1 Module de la réponse fréquentielle de filtres de Butterworth passe-bas normalisées.
La fonction de transfert d'un filtre de Butterworth d'ordre n peut se mettre sous l'une ou l'autre forme
suivante :
Lorsque  = 1 et dans ce cas seulement, les coefficients du dénominateur forment une suite centro-
symétrique. La valeur de ces coefficients ainsi que des pôles est donnée dans les deux tableaux
suivants, toujours pour le cas  = 1.

Position des pôles d'un filtre de Butterworth normalisée, = 1.
Ordre pôles Ordre pôles
du du
filter* filter*
2 -0.70711  j0.70711 3 -0.50000  j0.86603
4 -0.38268  j0.92388 5 -0.30902  j0.95106
-0.92388  j0.38268 -0.80902  j0.58779
6 -0.25882  j0.96593 7 -0.22252  j0.97493
-0.70711  j0.70711 -0.62349  j0.78183
-0.96593  j0.25882 -0.90097  j0.43388
8 -0.19509  j0.98079 9 -0.17365  j0.98481
-0.55557  j0.83147 -0.50000  j0.86603
-0.83147  j0.55557 -0.76604  j0.64279
-0.98079  j0.19509 -0.93969  j0.34202
10 -0.15643  j0.98769
-0.45399  j0.89101
-0.70711  j0.70711
-0.89101  j0.45399
-0.98769  j0.15643
*Tous les filtres d'ordre impair ont également un pôle en s = -1
Coefficients du dénominateur de H(s), filtre de Butterworth normalisée,  = 1. Le dénominateur est de

la forme :
L'ordre d'un filtre de Butterworth passe-bas normalisée peut également être déterminée à l'aide de
l'abaque donnée par la figure 2, quelle que soit la valeur de .

2 Filtres de Chebychev
Module de la réponse fréquentielle
Pulsation normalisée w
Fig. 1 Module de la réponse fréquentielle de filtres de Chebychev passe-bas normalisées.
Le module de réponse fréquentielle d'un fltre de Chebychev d'ordre n est défini par :
ou Cn(w) est le polynôme de Chebychev d'ordre n dont la définition est la suivante :
L'allure du module de la réponse fréquentielle d'un tel filtre est représentée par la figure 2. Les points
à souligner sont le caractère monotone décroissant de H(w) pour  = 1 et l'atténuation qui tend vers 6
dB par octave ou 20 dB par décade lorsque w tend vers l'infini.
Par contre, lorsque 0≥ w _ 1, le module de la réponse fréquentielle oscille entre les valeurs H et H=
, le nombre d'oscillations étant égal à n=2. L'amplitude de ces oscillations est souvent
désignée par le terme de ronflement du filtre. Mentionnons enfin que la fréquence de coupure
normalisée wc est toujours égale à 1 rad/s.
La fonction de transfert d'un filtre de Chebychev d'ordre n peut se mettre sous la forme suivante :

ou, par identification, Kn est égal à b0H lorsque n est impair et à b0H= lorsque n est pair.
La valeur des coefficients b pour différentes valeurs du ronflement et différentes valeurs de n est
donnée au tableau ci-dessous.
Coefficients du dénominateur de H(s), filtre de Chebychev normalisé. Le dénominateur est de la

forme :

L'ordre d'un filtre de Chebychev passe-bas normalisé peut également être déterminé à l'aide de
l'abaque donnée par la figure 4, quelle que soit la valeur de .
Fig. 3 Abaque pour la détermination de l'ordre d'un filtre de Butterworth normalisé (d'après Anatol I.
Zverev, Handbook of Filter Synthesis, John Wiley & Sons, New York, NY, 1967).

Fig. 4 Abaque pour la détermination de l'ordre d'un filtre de Chebychev normalisé (d'après AnatolI.
Zverev, Handbook of Filter Synthesis, John Wiley & Sons, New York, NY, 1967).

Transformation d'un filtre analogique en filtre numérique
Disposant désormais d'outils analogiques, nous cherchons à déterminer leurs homologues

numériques. Nous exposons la méthode d'invariance à l'impulsion et la méthode de transformation
bilinéaire pour la synthèse des filtres RII.
Invariance à l'impulsion
C'est la méthode la plus naturelle qui soit. Soit ha(t) la réponse impulsionnelle du filtre à transformer.
On construit son équivalent numérique en choisissant le filtre dont la réponse impulsionnelle est
l'échantillonnage de ha(t), soit (hn) = (ha(n)) si fe = 1Hz. Si la fonction de transfert Ha(s) n'a que des
pôles simples et une région de convergence à gauche :
on alors
on en deduit hn et H(z)
On peut remarquer que les pôles de Ha(s), esk , sont directement liés aux pôles de H(z). La stabilité de
Ha garantit la stabilité de H. La réponse en fréquence de H est liée à celle de Ha par la relation
classique de l'échantillonnage (rappelons que fe = 1 Hz) :

Pour éviter le recouvrement spectral (en théorie toujours présent dans ce cas de pôles simples), cette
méthode ne pourra être valable que lorsque Ha est un filtre passe-bas ou passe-bande très sélectif. En
particulier, il sera impossible de synthétiser un filtre passe-haut avec une telle méthode. La méthode a
tout de même pour avantage de ne pas déformer la réponse en fréquence du filtre analogique.
Transformation bilinéaire
On cherche maintenant une méthode qui permet de faire correspondre l'axe des fréquences
analogiques à l'axe des fréquences numériques (dont on ne s'intéressera qu'à la période [12; 12]), tout
en évitant le repliement spectral. La transformation bilinéaire résout ce problème.
On utilise le fait que la fonction réalise une bijection de ] -1 2; 1 2[ dans IR,
et que sa fonction réciproque est . Soit Ha(f) la réponse en fréquence du
filtre analogique, et Ha(s) sa fonction de transfert.
On considère le filtre dont la réponse en fréquence est donnée par H’ (f) = H’a(Ф(f)). Puisque H’(f)
est 1-périodique, ce filtre est bien un filtre discret.
Cherchons alors sa fonction de transfert H(z).
Puisque H’(f) = H(e2jf) et que H’a(f) = Ha(2jf), on obtient la relation suivante :
or
Donc nécessairement :
Une condition suffisante pour que cette relation soit satisfaite est :

La démarche de synthèse d'un filtre numérique passe-bas de fréquence de coupure f c en utilisant une
transformation bilinéaire est donc la suivante :
- calculer la fréquence de coupure fa du filtre analogique (fe = 1 Hz) par la formule de passage
fréquence numérique fréquence analogique
- chercher la fonction de transfert Ha(s) du filtre analogique avec la fréquence de coupure fa

trouvée et satisfaisant au gabarit souhaité.
- en déduire la fonction de transfert H(z) du filtre numérique par la formule H(z) = Ha(s) en
remplaçant s par
La transformation bilinéaire permet donc de transporter les propriétés d'un filtre analogique au
domaine numérique, sans crainte de recouvrement spectral, mais au prix d'une déformation de l'axe
des fréquences de type arc-tangente.
Diagramme de fluence
Forme I directe d'un filtre Forme directe II d'un filtre

Forme transposée I d'un filtre

BIBLIOGRAPHIE
-1- "Traitement Numérique du signal, Théorie & Pratique," Bellanger "MASSON"
-2- "Traitement Numérique des signaux", M. Kunt "DUNOD"
-3- "Théorie et Traitement des signaux", F de Coulon "DUNOD"
-4- "Théorie du signal, modélisation statistique, automatique et traitement", D de Brucq

G Follit "MASSON"
-5- "Méthodes et technique de Traitement du Signal et application aux mesures

physiques(2)", J. Max "MASSON"
-6- "Cours d'électronique 4, Transformation des signaux", F. Milsant "EYROLLES" .
-7- "Problèmes d'électronique 4, Transformation des signaux", Milsant "EYROLLES"
-8- "Eléments de théorie du signal, Les signaux déterministes", J.P. Delmas

"ELLIPSE" .
-9- "Signaux & Circuits", Alain PELAT, "ELLIPSE"
-10- "MICROELECTRONIQUE, Traitement de signaux & saisie de donnée", Jacob

Milman Awin Grabel "Ediscience International", .
-11- "Signaux aléatoires pour le traitement du signal et les communications", Pierre

Bremaud "ELLIPSE".
-12- "THÉORIE & TECHNIQUE DE LA TRANSMISSION DES DONNÉES", J. GLAVIER, M. NIQUIL,

S. COFFINET, F. BEHR , "MASSON".

Annexe I
TRANSFORMÉE DE LAPLACE
- Définition :
La transformée de Laplace d'un signal x(t) est définie par :

X ( p)   x(t ) exp( pt )dt pC (1)

Nous serons dans l'ambiguïté si on prend p=j2 f et nous aurons :

X ( f )  X ( p) p  j 2f
Cette transformée est dite bilatérale par opposition à la transformation monolatérale définie par :

X ( p)   x(t ) exp( pt )dt pC
0
Nous admettrons que l'intégrale (1) est absolument convergente dans le domaine
D   1  Re ( p)   2  que nous appellerons domaine de convergence de X(P).
Il ne faut pas confondre le domaine de convergence de X(P) qui est lié à la convergence de
l'intégrale (1) pour un signal x(t) donné et le domaine de définition d'une fonction X(P) qui est lié aux
singularités de X(P).
La Transformée de Laplace n'est complètement spécifié que si l'on se donne à la fois une
fonction de p et son domaine de convergence.
En effet, deux signaux différents peuvent avoir une Transformée de Laplace avec la même
fonction X(P) mais des régions de convergences différentes.
- Exemple :
x1 (t )  exp(at )u (t ) x2 (t )   exp(at )u (t )
Elles ont respectivement pour transformée :
1 1
X1( p)  Re( p )  a X 2 ( p)  Re( p )  a
pa pa
- Inversion de la Transformée de Laplace :
Comme la transformée de fourrier, la transformée de Laplace n'est qu'une représentation du signal x(t)
que si elle caractérise celui-ci et si l'on sait retrouver x(t) à partir de la donnée de X(P) et de son
domaine de convergence.
On pose p    j 2f


X (  j 2f )   x(t ) exp((  j 2f )t )dt

Par suite la TF inverse


x(t ) exp(t )   X (  j 2f ) exp( j 2ft )df

1
x(t ) 
j 2  X ( P) exp( pt )dp

 droite // à l'axe imaginaire située dans le domaine de convergence de X(P).

En raison de cette formule d'inversion, la TL est aussi une représentation d'un signal x(t). De
plus c'est un développement de x(t) en fonction des signaux exponentiels e+pt.
Le calcul de TL inverse fait appelle au théorème des résidus que nous allons détailler par un
exemple.
- Exemple d'application :
Cherchons ainsi directement la réponse impulsionnelle h(t) d'un filtre RC passe bas de fonction de
transfert :
1
H( f ) 
1  j 2RCf
h(t) n'est rien d'autre que la trans inverse de H(f)

1
h(t )   1  j 2fRC
exp( j 2ft )df

Propriétés élémentaires de la transformée de Laplace :
Posons x(t )  X ( p)
TL
1) Linéarité :
i xi (t ) 
TL
 i X i ( p )
i i
2) Symétrie :
x ( t )  X ( p)
TL
3) Dérivation :
d k X ( p)
k
 p k X ( p)
dp

k d k X ( p)
(t ) x(t ) 
TL dp k
4) Convolution : La transformé de Laplace d'un produit de convolution.
Nous admettrons également sans démonstration que si les signaux x(t) et y(t) admettent un TL alors le
signal z(t) = x(t)* y(t) admet comme TL : Z(P) = X(P) Y(P) de domaine de convergence.
Dz = Dx  Dy . x(t ) * y (t )  X ( p )Y ( p )
TL
Par contre, la TL du produit x(t) y(t) n'est plus simplement un produit de convolution comme c'est le
cas pour la transformée de Fourrier.

Annexe II
" LES DISTRIBUTIONS "
Les distributions mathématiques constituent une définition mathématique correcte des

distributions rencontrées en physique.
- Définition :
On appelle Distribution D : une fonctionnelle linéaire continue sur l'espace vectoriel D des
fonctions définies sur IR indéfiniment dérivables et à support borné.
A toute fonction  appartenant à D, la distribution D associé un nombre complexe D( ),

qui sera aussi noté par <D,  > avec les propriétés suivantes:
D(1 + 2 ) = D(1 )+ D(2)
D( ) =  D(  )  est scalaire
Si j converge vers  quand j tend vers l'infini alors D(j) converge vers D(  ).
- EXEMPLE :
- Si f(t) est une fonction sur tout ensemble borné, elle définit une distribution Df par :

D f ,    f (t ) (t )dt

- Si  ' désigne la dérivée de la fonctionnelle :
D ,    f (t) ' (t )dt


f'
est une distribution.

- La distribution de Dirac  est définie par :

<  ,  >=(0)
la distribution de Dirac au point réel x est définie par :
< (t-x), >=(x)
on dit que cette distribution représente la masse + 1 au point x.
- Soit l'impulsion i(t) de durée  et d'amplitude a=1/ centrée sur l'origine. Elle définit une


2
1
distribution Di=  Di , 
   (t )dt


2
Pour des valeurs très petites de t on obtient :

 Di ,   (0)

C'est-à-dire que la distribution de Dirac peut être considérée comme la limite quand
 ==== 0 de la distribution Di .
- Dérivation des distributions

On définit la dérivée d'une distribution D par la relation :
D 
 ,    D, 
t t
Soit par exemple la fonction U de Heaviside ou échelon unité égale à 0 si t<0 et à +1 si t > 0.
1 t  0
U (t )  
0 t  0

U 
 ,    U ,     ' (t )dt   (0)    , 
t t 0
Il en résulte que la discontinuité de U apparaît pour la forme d'une masse ponctuelle unitaire dans sa
dérivée.
Cet exemple illustre un intérêt pratique considérable de la notion de distribution, qui permet
d'étendre aux fonctions discontinues un certain nombre de concept et de propriétés des fonctions
continues.
- Transformation de fourrier d'une distribution

Par définition de la TF d'une distribution D est une distribution notée FD telle que :
 FD,  D, F 
Par application de cette définition aux distributions à support ponctuel, il vient :

 F ,   , F    (t )dt   1, 

Par suite F = 1
De même : F(t-a) = exp(-j2fa)
Un cas fondamental pour l'étude de l'échantillonnage est celui que constitue la suite des distributions
de Dirac décalés de T, notée peig telle que :

peig (t )    (t  nT )
n  
Cette suite est une distribution de masse unitaire aux points dont l'abscisse est un multiple entier de T.
Sa Transformée de Fourier s'écrit :


Fpeig  Peig ( f )   exp( j 2nfT )
n  
On démontre que cette somme est en fait une distribution ponctuelle. Une démonstration intuitive
peut être obtenue à partir du développement en série de la fonction ip(t) constituée par la suite des
impulsion séparées par la durée T, de largeur , d'amplitude 1/ , centrée sur l'origine des temps.
En effet, on peut considérer que : peig (t )  Lim ip ( )


1  j 2nt
En se reportant sur la relation (1), on trouve : Lim ip ( )   exp( )
  T  T
la propriété fondamentale suivante est la TF de distribution temporelle comportant une masse unitaire
en chaque point dont l'abscisse est un multiple entier de T est une distribution fréquentielle
comportant la masse 1/T aux points dont l'abscisse et un multiple entier de 1/T.

Propriétés de la Transformée de la place
Exemples de la Transformée de la place

Tds

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Tds

Transféré par

Droits d'auteur :

Formats disponibles

SOMMAIRE

fait dans le but d'améliorer ou de séparer l'information des choses indésirables.

Traitement du Signal 12-13 2

3- Définition Rapport signal bruit

Signal microphonique Signal de vibration machine tournante

i(x, y) signaux bidimensionnels, ce sont généralement des fonctions de coordonnées spatiales, le

i(x, y, t) signaux tridimensionnels, ce sont généralement des fonctions de coordonnées spatiales,

Exemple : signal représentant la vibration d’une machine

4- Définition d'un système

Traitement du Signal 12-13 4

x(t) h(t) y(t)

Dans le cas d'un système linéaire :

l'effet ne peut pas précéder la cause (considération physique).

5- Définition d'une fonctionnelle

Traitement du Signal 12-13 5

La valeur intégrale = somme algébrique des surfaces.

On appelle bloc fonctionnel, un système dispositifs généralement électrique ou électronique

Exemples de schémas bloc d’un récepteur super hétérodyne

II- Notations particulières

1- La fonction échelon u(t)

Traitement du Signal 12-13 6

3- La fonction signe Sig(t)

4- La fonction rampe r (t)

NB : La fonction rectangulaire intervient fréquemment comme facteur multiplicatif pour localiser un

Cette fonction est l'auto convolution de la fonction rectangulaire.

NB : La fonction rectangulaire intervient fréquemment comme facteur multiplicatif pour localiser un

Traitement du Signal 12-13 7

Cette fonction est l'auto convolution de la fonction rectangulaire de durée T.

à cause de la normalisation on obtient -0 .2

 sin c( )d  1  sin c ( )d  1

10- La distribution de Dirac Impulsion (distribution)

Traitement du Signal 12-13 8

10-3 La Représentation graphique de la dérivée de  t 

10-4 Dérivée d’une fonction discontinue en un point t0

Soit la fonction f(t) définie de IR  IR continue partout sauf au point t0.

Traitement du Signal 12-13 9

(t) = (t – kT)

Cette suite est parfois appelée “opérateur d'échantillonnage” ou “peigne de Diracs’’.

III- Rappels sur les systèmes et les fonctions de transferts

Le gain complexe de ce circuit est donné par :

Pulsation de coupure = pulsation ou le signal est atténué de 3dB.

Traitement du Signal 12-13 11

Le gain en amplitude est déduit du module :

Le déphasage est déduit de l'argument :

Exemple typique : circuit RC passe-haut

Son gain complexe est donné par :

Traitement du Signal 12-13 12

Son gain, déduit du module :

Son déphasage, déduit de l'argument :

Traitement du Signal 12-13 13

- Son énergie ne peut être que bornée

- Son amplitude est nécessairement bornée

II- Classification phénoménologique

x(t) = x(t+kT) k є Z, T est la période (1)

On remarque que ces signaux se répètent au cours du temps.

b- Signaux non périodiques qui ne vérifient pas cette relation

- sous classification de signaux aléatoire

- Signaux aléatoires non stationnaires, qui ne jouissent pas de cette propriété.

Signaux Aléatoires stationnaires Signaux aléatoires non stationnaires

Traitement du Signal 12-13 15

Le concept de stationnarité est comme le caractère permanent associé aux signaux

III- Classification énergétique Signaux à énergie ou puissance moyenne finie

L'abstraction mathématique commode que l'impulsion de Dirac n'est pas classable.

- Cas continue : - Cas discret :

Fonctions conjuguées v(t) V(-f)