Académique Documents
Professionnel Documents
Culture Documents
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
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).
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.
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).
t t
s(t) le cas le plus courant, la variable t est usuellement le temps mais il peut être une distance par
exemple.
Traitement du Signal 12-13 3
x i(x,y,t1)
i(x,y) i(x,y,t2)
y
i(x,y,t3)
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.
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)
t t1 t1
t t t
c- Systèmes causal
h(t) = 0 pour t<0
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"
- Produit de convolution
y(t)=x(t)*g(t) y( t ) x( u)g( t u)du
Le schéma bloc est un assemblage symbolique, représenté sous forme graphique de blocs
fonctionnels, en principe indépendants, réalisant une fonction donnée.
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
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
1 t t T
TriT (t )
0 t T -T 0 T t
0 .8
sin( )
0 .6
sin c 0 .4
0 .2
-0 .4
0 600
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 t0
En posant x(t)=u(t) = 1 ( t )dt 1
avec
( )d
1 t0
du
et par suite ( t )
dt
Remarque : la distribution delta peut être considérée comme la limite d'un impulsion de durée t et de
hauteur 1/t lorsque t 0.
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.
‘
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)
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
-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 )
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 )
- 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
Traitement du Signal 12-13 14
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.
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).
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 :
t t
Certains signaux théoriques n'appartiennent à aucune de ces deux catégories c'est le cas de
l’impulsion de dirac.
T
1 1 k K
px
2T
2
x(t) dt px
2 K k K
x(k)
2
T
Un signal à puissance moyenne finie non nulle possède une énergie infinie. Un signal à
énergie finie possède une puissance moyenne nulle.
Traitement du Signal 12-13 16
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 :
4. Le signal à amplitude et temps discret appelé signal numérique, car il est représentable par une
suite de nombre ou série temporelle.
x(t) = 0 t<0
S(t) Sq(t)
Temps
Continu
t t
n
n
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.
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 vectorielle,
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
Comp.
Début
Remise à
zéro
Con
verti
Vax sseur Com-
NA pteur
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
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.
- 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.
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.
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).
M et t0
v(t ) t
M e t0
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.
- 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
2jkt 2jkt
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 :
La Transformation inverse :
x(t) F X(f )
1
x, exp( j2ft x (t ) X(f ) exp( j2ft)df
1
F [v(t)] = V ( ) v(t ) e jt dt et F-1 [V(w)]= v(t )
2
V ( ) e jt d
Preuve :
j 2ft
On sait que : f(t) = X ( f )e df
j 2f
si on remplace t par - on obtient : x( ) X ( f )e df
et en échangeant et f, on a : x(-f)=F(X())
- 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.
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 2mft )
1 T /2
s (t ) Lim s(t , T ) exp( j 2mft )dt exp( j 2mft )
T T T / 2
s (t )
df s (t ) exp( j 2 ft ) dt
exp( j 2 ft ) S ( f ) exp( j 2ft )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 2ft0 ) exp( j 2f 0t ) s(t ) S ( f f 0 )
9) Convolution
La transformation de Fourrier transforme la convolution en multiplication et la multiplication en
convolution.
*
xy ( ) xy ( )
- Fonction d'intercorrélation
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 2ft0 ) exp( j 2ft0 ) (t t0 )
- Théorème de Parseval
1
2
2 2
x(k ) X ( f ) df
2 2
x ( ) d X (f ) df
1
2
La transformée de la fonction d'auto corrélation d'un signal noté Sx (f ) est appelée spectre d'énergie
ou densité spectrale d'énergie.
- EXEMPLE
1I(t) (f)
Traitement du Signal 12-13 28
exp(j2f0t) (f-f0)
a aT
xT (t ) exp( j 2f 0 t ) exp( j 2f 0 t ) XT ( f ) sin c( f f 0 ) sin c( f f0 )
2 2
Table des propriétés de la Transformée de Fourier
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
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
X (v ) x n exp( j 2nv)
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].
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.
Repliement du spectre f
d'autre part,
X * ( f ) F [ x * (t )] x(nTe ) (t nTe ) exp( j 2ft )dt
X * ( f ) x(nTe ) (t nTe ) exp( j 2ft )dt
X * ( f ) x(nTe ) exp( j 2fnTe )
Remarque : la notation intégrale est en toute théorie incorrecte et l'on devrait noter :
X *( f ) x(nTe ) (t nTe ), exp( j 2fnTe )
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.
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.
|X*(f)|
Rect(f)
|X*(f)|
X (f )
T
-1/2T 1/2T f
1
reconstitué à partir de prélèvements effectués à une période telle que : Te .
2 fm
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.
Nous allons voir dans les séances suivants qu'on spécifie les caractéristiques d’un filtre avec un
gabarit en donnant des paramètres:
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
H ( f ) Te rect 2 / Te ( f )
H(f)
Te
-2/Te 0 2/Te f
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))
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 :
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
xo(t)
x(t)
t
Traitement du Signal 12-13 38
Voyons les conséquences fréquentielles de ce blocage.
xo(t)=x*(t)*ho(t)
T SinfT
X 0 ( f ) X * ( f ) exp( j 2f )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
1
2T
x 2n T
2
X * ( v) dv
1
2T
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
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.
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( j2fk ) (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( j2fk)df (2)
1
2
- 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 = nf 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
Traitement du Signal 12-13 41
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
Ainsi : x (k ) x p ( k )
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
N
1
2 n n
x p (k ) x (l) exp( j2 N k) exp( j2 N k )
N l
n
2
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( j2fk )
k k 0
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)
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.
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
Traitement du Signal 12-13 44
n
a sin( 2 )
x (n) arg( X ( n)) arctg N
a cos( 2 n ) 1
N
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 :
- INTRODUCTION
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
X ( z ) x(k )z k (1)
(Forme analytique série de Laurent : toute les dérivées sont des fonctions continues de z)
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
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 :
U k U 0 U1 U 2 U 3 ... Un ...
k 0
1
Lim U k k 1
k
1
X ( z) x(k )z k x(k )z k X ( z ) X1( z ) X 2 ( z )
k k 0
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-
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 :
- Exemple 3 :
Exemples de la Transformée en Z
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.
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 .
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 :
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 :
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).
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) :
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 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.
or
Donc nécessairement :
Une condition suffisante pour que cette relation soit satisfaite est :
- calculer la fréquence de coupure fa du filtre analogique (fe = 1 Hz) par la formule de passage
- 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
Cette transformée est dite bilatérale par opposition à la transformation monolatérale définie par :
X ( p) x(t ) exp( pt )dt pC
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
pa pa
- 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 2f
1
x(t )
j 2 X ( P) exp( pt )dp
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 2RCf
h(t) n'est rien d'autre que la trans inverse de H(f)
1
h(t ) 1 j 2fRC
exp( j 2ft )df
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
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.
- 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.
f'
est une distribution.
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.
Par suite F = 1
De même : F(t-a) = exp(-j2fa)
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 :
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.
1 j 2nt
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.