Traitement de Signal THEORIE ET TRAITEME PDF

Université de Monastir
Faculté des Sciences de Monastir

Département de Physique
Support de Cours
Traitement de Signal
Enseignant Responsable : Adel AMIMI
Année universitaire : 2015-2016

Introduction Chapitre 1
T HEORIE ET T RAITEMENT DE S IGNAL
I NTRODUCTION
Un signal est la représentation physique de l’information qu’il transporte de sa

source à son destinataire. Il sert de vecteur à une information. Il constitue la manifestation
physique d’une grandeur mesurable (courant, tension, force, température, pression, etc. Mais
le traitement du signal s’applique à tous les signaux physiques (onde acoustique, signal
optique, signal magnétique, signal radioélectrique, etc.) Le traitement d’images peut être
considéré comme une extension du traitement du signal aux signaux bidimensionnelles
(images).
Généralement on classe les signaux les plus étudiés en fonction de leur origine, on distingue
ainsi :
Les signaux de télécommunications, qui transportent l’information par modulation

avec une porteuse, le plus souvent aujourd’hui sous forme numérique. Ces signaux sont les
plus simples à étudier, ayant été conçus par des ingénieurs. Ils présentent des propriétés
permettant de faciliter les opérations de modulation, de démodulation, etc.
Les signaux géophysiques, tels que l’évolution de la température, de la pression, de la

vitesse d’écoulement (etc.) de fluides terrestres, les signaux acoustiques, les ondes de
vibration de l’écorce terrestre. Un cas particulier très important est l’image, variation de
luminosité et de couleur perçue par l’appareil photo ou la caméra (aujourd’hui numériques).
Les signaux biologiques, mesurés à divers endroits du corps humain et renseignant

sur son fonctionnement. On peut citer par exemple l’électrocardiogramme, l’électro-
encéphalogramme, l’électro-oculogramme ou l’électromyogramme.
Les signaux de communication interpersonnelle, tels la parole ou l’écriture. A

l’extrême opposé des signaux de télécommunications, ces signaux réalisent une modulation
très complexe de l’information qu’ils portent. Le modulateur et le démodulateur sont en effet
un cerveau humain.
La théorie du signal a pour objectif fondamental la ‘description mathématique’ des

signaux. Cette représentation commode du signal permet de mettre en évidence ses
principales caractéristiques (distribution fréquentielle, énergie, etc.) et d’analyser les
modifications subies lors de la transmission ou traitement de ces signaux.
Le traitement du signal est la discipline technique qui, s’appuyant sur les ressources
de l’électronique, de l’informatique et de la physique appliquée, a pour objet l’élaboration ou
l’interprétation des signaux. Son champ d’application se situe donc dans tous les domaines
concernés par la perception, la transmission ou l’exploitation des informations véhiculées par
ces signaux.
La théorie du signal est un chapitre de la théorie de la communication qui est la transmission
de messages d’information. Elle met en relation orientée à travers un canal un système de
Support de cours Mastère I2A 3
enseignant : AMIMI Adel
départ (Source) et un système d’arrivée (récepteur). C’est le véhicule de l’intelligence dans les
systèmes, il achemine sur les réseaux l’information, la parole ou l’image.
Au sens mathématique : un signal est un objet mathématique fonction de une ou plusieurs

variables. On travaille généralement avec des signaux qui sont fonction d’une variable au
cours du temps : x(t).
signal = toute entité qui véhicule une information
Exemples: onde acoustique Musique,

parole,
courant électrique délivré par un
...
microphone
source lumineuse
onde lumineuse
(étoile, gaz, …)
courant électrique délivré par un ...
spectromètre
suite de nombres Mesures physiques
...
Photographie

Traitement du signal = procédure pour:
 Extraire l’information (filtrage, détection, estimation, analyse spectrale...)
 Mettre en forme le signal (modulation, échantillonnage….)

(Forme adaptée à la transmission ou au stockage)
 Reconnaissance des formes
En Physique:
TS
Système
signal
Physique en
Transmission Détection Analyse
évolution
Sources de interprétation
"bruit"
Exemples:: Astronomie:
Ondes électromagnétiques
 informations sur l’étoile
Trait. Signal.:
Signal
 Échantillonnage
V(t)
 Filtrage Atmosphère  bruit
 Analyse spectrale
...
Physique du solide:
Lumière
transmise I(t) Trait. Signal.:
Lumière  Analyse spectrale
incidente  Détection synchrone
détecteur ...
échantillon test
fente à ouverture
périodique
CLASSIFICATION DES SIGNAUX

Plusieurs approches sont possibles concernant la classification des signaux, parmi celles-ci on
citera :
 La classification phénoménologique qui met l’accent sur le comportement temporel du
signal.
 La classification énergétique où l’on classe les signaux suivant qu’ils sont à énergie finie
ou à puissance finie
 La classification par le domaine des fréquences occupé par son spectre (Bande passante),
appelé aussi largeur de bande du signal.
CLASSIFICATION PHENOMENOLOGIQUE DES SIGNAUX

Dans cette classification on répartit généralement les signaux en deux classes principales et
quatre sous-classes illustrées par la figure ci-dessous :
Dans les deux classes principales, on trouve les signaux déterministes dont l’évolution
temporelle est parfaitement définie. Les signaux aléatoires qui ont un comportement temporel
imprévisible et dont la description ne peuvent se faire qu’au travers d’observations
statistiques.
Parmi les signaux déterministes on distingue les signaux périodiques : st   st  T0  avec
T0 période du signal et les signaux non périodiques (transitoires et pseudopériodiques)
En ce qui concerne les signaux aléatoires on distingue les signaux stationnaires dont les
caractéristiques statiques ne changent pas au cours du temps (exemple : le bruit électronique).
Les signaux aléatoires non stationnaires dont le comportement statistique évolue au cours du
temps (exemple : la parole).
Signaux Physiques
Signaux déterministes Signaux aléatoires
Périodiques Non périodiques Stationnaires Non stationnaires
 Sinusoïdales  Transitoires
 Complexes  Pseudopériodiques

CLASSIFICATION ENERGETIQUE:
Définition: par analogie avec les signaux électriques

Wx   xt  dt
2
Energie d’un signal x(t) :

T
2
 xt  dt
Puissance moyenne de x(t) : 1
Px  lim
2
T   T
T

2
 Classification : signaux à énergie finie  à Puissance moyenne finie
Tout signal physique Idéalisation

exemple: signal sinusoïdal
CLASSIFICATION MORPHOLOGIQUE DES SIGNAUX
Amplitude
Continue Discrète
𝒙(𝒕) 𝒙𝒒 (𝒕)
t t
signal analogique signal quantifié

𝒙(𝒕𝒌 ) 𝒙𝒒 (𝒕𝒌 ) =x(k)
t t
signal signal numérique

échantillonné
SIGNAUX PARTICULIERS
2
 Signal sinusoïdal : s( t )  A0 sin  0 t  A0 sin 2  F0 t  A0 sin
T0
t
Signal sin(0t) Signal cos(0t)

1 1
0.6 0.6
0.2 0.2
-0.2 -0.2
-0.6 -0.6
-1 -1
0 0
Temps Temps
 Signal exponentiel complexe : S(t )  S0 exp 2 j F0 t 
 La fonction échelon unité ou fonction de Heaviside définie par :
u(t)
1
1 si t  0 Echelon unité
u( t )  
0 si t  0 temps
0
 La fonction signe se définit à partir de la fonction échelon unité par :
signe( t )  2 u( t )  1
 La fonction sinus cardinal est définie par : s(t )  sin c(t ) 

sin t
t
elle vérifie :

 sin c(t)dt  1  sin c (t)dt  1

2
et
IR IR
 La fonction porte ou rectangle est définie par :
rect  (t )    (t )  u(t   2)  u(t   2) Πθ(t)
   
1 si t   2 , 2  temps
  
ou bien :   (t )  
0 si t    ,   -/2 0 /2
  2 2 
Signal porte d’amplitude 1
de largeur θ centré en zéro
 L’impulsion de Dirac
On peut définir mathématiquement la fonction de Dirac en prenant la limite d’une

famille de fonction. Cette approche fait apparaître la fonction de Dirac comme une impulsion
brève. Plusieurs familles de fonctions convergent vers la fonction de Dirac :
 Une fonction porte, de durée D et d’amplitude 1/D

 Un triangle de durée 2D et d’amplitude 1/D
t
sin 
1 t D
 Un sinus cardinal normalisé : sin c  
D D t
ΠD(t) δ(t)
D→0
1/D 1
temps temps
-D/2 0 D/2 0
Signal porte de largeur D Impulsion ou Pic de Dirac
PROPRIETES DE LA FONCTION DE DIRAC
  t   0 si t  0

   ( t ) dt  1

La distribution (fonction) de Dirac est l’élément neutre de la convolution, en effet :
f (t) * t  t 0   f (t  t 0 ) Opération de décalage

f (t )  t   f (0)  (t ) 

 propriété de la Localisation
f (t )  t  t 0   f (t 0 )  (t  t 0 )
 Peigne de Dirac
C’est une suite infinies de fonctions de Dirac régulièrement espacées. Si T0 est l’intervalle
entre deux Dirac successifs, T0 est la période du peigne.

 T0 t    t  nT 
n  
0
δT0(t)
… … …
temps
-3T0 -2T0 -T0 0 T0 2T0 3T0 nT0
 Signal causal
Un signal s(t ) est dit causal lorsqu’il vérifie la propriété suivante : s(t )  0 pour t  0
 Bruit : est défini comme tout phénomène perturbateur gênant la perception ou

l’interprétation d’un signal, par analogie avec les nuisances acoustiques (interférence,
bruit de fond, etc.) ; La différentiation entre le signal et le bruit est artificielle et dépend
de l’intérêt de l’utilisateur : en effet, les ondes électromagnétiques d’origine galactique
sont du bruit pour un ingénieur des télécommunications par satellites et un signal pour
les radioastronomes.
 Rapport signal/bruit
Le rapport signal/bruit est une caractéristique de la dégradation d’un signal, c’est un

moyen pour caractériser un système de transmission en comparant le rapport S/B à son
entrée  e avec le rapport à la sortie  s , ou pour comparer la « qualité » des diverses
méthodes de traitement de signaux.

Transformation de Fourier Chapitre 2
ANALYSE DES SIGNAUX PERIODIQUES
DECOMPOSITION EN SERIE DE FOURIER

GENERALITES
Les séries de Fourier permettent de passer du domaine temporel au domaine
fréquentiel, on utilise principalement les séries de Fourier dans le cas des signaux périodiques,
cependant il est inexact de dire que les séries de Fourier ne peuvent être utilisées qu'en
présence de signaux périodiques, voir ci-dessous.
On ne s'étendra pas ici sur les conditions d'existence des séries de Fourier, on rappellera
simplement que la fonction doit obéir aux conditions de Dirichlet, c'est à dire être à variations
bornées.
Une fonction f(x) définie sur un intervalle [a,b] est dite à variations bornées si q.q.s. le
partage de [a,b] par x0=a<x1<x2...<xn<.=b, la somme :
∑|𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )|
𝑛
est bornée par un nombre M indépendant du partage.
En électronique tous les signaux sont à variations bornées. On pourra vérifier qu'un signal
carré est bien à variation bornée.
Soit donc un intervalle de temps t 0 , t 0  T0  sur lequel une fonction f(t) satisfait les
conditions de Dirichlet, voir Fig.1. Décomposer f(t) en série de Fourier, c'est projeter f(t) sur
un ensemble de fonctions de base constituées des fonctions cosn 0 t  et sinn 0 t  , avec n
entier et  0  2 T0
f(t)
t0 t0+T0
Figure 1 : Fonction f(t) satisfaisant les conditions de Dirichlet sur l'intervalle [t0,t0+ T0]
Cette opération est à rapprocher de celle qui consiste à décomposer un vecteur V dans un
espace à deux dimensions suivant deux vecteurs de base i et j . Pour effectuer unetelle
opération il faut qu i et j constituent une base orthonormée, c'est à dire que :
i  j  0 et i  i  j  j  1 (1)
Si les trois produits scalaires ci-dessus sont vérifiés, alors on peut écrire V  a  i  b  j 
avec :
a  V  i et b  V  j (2)

Les coefficients a et b mesurent respectivement les projections du vecteur V sur les vecteurs
de base i et j .
Dans le cas d'une décomposition en série de Fourier, les relations d'orthogonalité, analogues
aux relations (1) précédentes, s'écrivent :
𝑡0 +𝑇0
∫ sin(nωt). cos(mωt)dt = 0 ∀ n et m (≡ ⃗i. ⃗j = 0)
𝑡0
𝑡0 +𝑇0
0 si n ≠ m
∫ cos(nωt). cos(mωt)dt = { ⁄
𝑡0
T0 2 si n = m
𝑡0 +𝑇0
0 si n ≠ m
∫ sin(nωt). sin(mωt)dt = { ⁄
𝑡0
T0 2 si n = m
NB : le calcul de ces intégrales ne présente pas de difficulté, il suffit de transformer les

produits en sommes en utilisant les relations trigonométriques classiques.
DEFINITION
Si f ( t ) est une fonction de t périodique, de période T0  1 F0 , elle peut s’écrire

sous la forme d’une somme de fonctions sinusoïdales de fréquences f multiple de la
fréquence F0 , dite fondamentale, soit :
𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑛 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑛 𝜔0 𝑡)] (4)

𝑛=1
Les coefficients a n et b n représentent les projections de f (t ) sur les fonctions de base

cosn 0 t  et sin n 0 t  . Ces fonctions sont à valeur moyenne nulle sur l’intervalle
t 0 , t 0  T0 , il s’ensuit que le coefficient a 0 mesure la valeur moyenne sur l’intervalle
t 0 , t 0  T0 . Les coefficients a n et b n s’obtiennent donc en projetant respectivement f (t )
sur les fonctions cosn 0 t  et sin n 0 t  . Les coefficients de Fourier a n et b n se calculent à
partir des relations suivantes :
𝑡0 +𝑇0
∫ 𝑓(𝑡) 𝑐𝑜𝑠(𝑛 𝜔0 𝑡)𝑑𝑡 =
𝑡0
𝑡0 +𝑇0 ∞
=∫ {𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑘 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑘 𝜔0 𝑡)] } 𝑐𝑜𝑠(𝑛 𝜔0 𝑡)𝑑𝑡

𝑡0 𝑘=1
𝑇0
= 𝑎
2 𝑛
D’où :
2
𝑎𝑛 = ∫ 𝑓(𝑡). cos(nω0 𝑡) 𝑑𝑡 𝑝𝑜𝑢𝑟 𝑛 ≥ 1
𝑇0 𝑇0

2
𝑏𝑛 = ∫ 𝑓(𝑡). sin(nω0 𝑡) 𝑑𝑡 𝑝𝑜𝑢𝑟 𝑛 ≥ 1
𝑇0 𝑇0
1
𝑎0 = ∫ 𝑓(𝑡) 𝑑𝑡 𝑣𝑎𝑙𝑒𝑢𝑟 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 𝑜𝑢 𝑐𝑜𝑚𝑝𝑜𝑠𝑎𝑛𝑡𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑒
𝑇0 𝑇0
L’expression (4) peut s’écrire aussi sous la forme suivante d’un développement en
harmonique :
+∞
𝑓(𝑡) = 𝑎0 + ∑ 𝑆𝑛 . cos(𝑛𝜔𝑡 + 𝜑𝑛 )
𝑛=1
𝑏
On pose : 𝑡𝑔(𝜑𝑛 ) = 𝑎𝑛 et 𝑆𝑛 = √𝑎𝑛2 + 𝑏𝑛2
𝑛
Sous cette forme, les coefficients 𝑆𝑛 et 𝜑𝑛 sont respectivement l’amplitude et la phase de la

composante de pulsation 𝑛𝜔
La fonction 𝑓(𝑡) se décompose en la somme:
Un terme constant 𝑎0 égal à la valeur moyenne du signal 𝑓(𝑡) appelé composante continue
du signal.
1 2 3 𝑛
Une infinité de termes sinusoïdaux de fréquences 𝑇 , 𝑇 , 𝑇 , ⋯ , 𝑇
1
Le terme de fréquence 𝑇 s'appelle le fondamental (harmonique de rang 1).
𝑛
Le terme de fréquence s'appelle l'harmonique de rang n.
𝑇
DEVELOPPEMENT EN TERMES COMPLEXES DES SERIES DE FOURIER
En introduisant la notation complexes de 𝐜𝐨𝐬 𝒏𝝎𝟎 𝒕 et 𝐬𝐢𝐧 𝒏𝝎𝟎 𝒕, il est possible d’obtenir une
écriture complexe de la série de Fourier ; Par ailleurs, l’écriture complexes est une bonne
introduction à l’intégrale de Fourier.
Introduisons donc l’écriture complexe de 𝐜𝐨𝐬 𝒏𝝎𝟎 𝒕 et 𝐬𝐢𝐧 𝒏𝝎𝟎 𝒕, il vient :
𝑒 𝑗𝑛𝜔0 𝑡 +𝑒 −𝑗𝑛𝜔0 𝑡 𝑒 𝑗𝑛𝜔0 𝑡 −𝑒 −𝑗𝑛𝜔0 𝑡

𝑐𝑜𝑠(𝑛𝜔0 𝑡) = et 𝑠𝑖𝑛(𝑛𝜔0 𝑡) =
2 2𝑗
L’expression de la série de Fourier prend alors la forme suivante :

+∞
1
𝑓(𝑡) = ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡 𝑎𝑣𝑒𝑐 𝐶𝑛 = ∫ 𝑓(𝑡)𝑒 −𝑗𝑛𝜔0 𝑡 𝑑𝑡
𝑇0 𝑇0
𝑛=−∞
𝑏𝑛
𝐶𝑛 = √𝑎𝑛2 + 𝑏𝑛2 𝑒𝑡 𝜑𝑛 = 𝐴𝑟𝑐𝑡𝑔 (− )
𝑎𝑛
Les coefficients complexes 𝐶𝑛 sont reliés aux coefficients 𝑎𝑛 et 𝑏𝑛 ainsi qu’aux coefficients
𝑆𝑛 et 𝜑𝑛 par les relations suivantes :
1 1 𝑆𝑛 −𝑗𝜑
𝐶𝑛 = (𝑎𝑛 − 𝑗𝑏𝑛 ) 𝑒𝑡 𝐶−𝑛 = (𝑎 + 𝑗𝑏𝑛 ) 𝐶𝑛 = 𝑒 𝑛
2 2 𝑛 2
En effet le spectre en fréquence du signal représente l’amplitude du fondamental (F0 )

et des différents harmoniques en fonction de la fréquence 𝑓 = 𝑛𝐹0 . Il est important de
remarquer
que le spectre d’une fonction périodique, de période 𝑇0 , est discontinu et composé de raies
dont l’écart minimum est, sur l’axe des fréquences, 𝐹0
Exemple 1: Soit le signal 𝑆1 (𝑡) = 𝐴0 cos 2𝜋𝐹0 𝑡, on a :
a 0  0 a1  A 0 et a n  0 pour n  1

b n  0 pour n  0
Exemple 2: Soit le signal 𝑆2 (𝑡) = 𝐵0 sin 2𝜋𝐹0 𝑡, on a :
b1  B 0 et b n  0 pour n  1

a n  0 pour n  0

S (t )  S(nF ) exp jn  t 
n 
0 0
S(nF0 ) 
1
a n  jb n  a n  an et b n  b n
2

 SnF f  nF 
1 2 C
S(nF0 )  a n  b n2  n S(f )  0 0
2 2 n 
Les spectres des signaux S1 (t) et S 2 (t ) seront donnés par :
S1 (f ) 
A0
f  F0   f  F0  et S 2 (f ) 
j B0
f  F0   f  F0 
2 2
D’où les représentations :
cos(t)
1/F0 S1(f)
A0
A0/2
temps
0 fréquence
-F0 0 F0
-A0
Représentation du signal cosinus Représentation du signal cosinus

dans l’espace temporel dans l’espace fréquentiel
que le spectre d’une fonction périodique, de période 𝑇0 , est discontinu et composé de raies
dont l’écart minimum est, sur l’axe des fréquences, 𝐹0
Exemple 1: Soit le signal 𝑆1 (𝑡) = 𝐴0 cos 2𝜋𝐹0 𝑡, on a :

a 0  0 a1  A 0 et a n  0 pour n  1

b n  0 pour n  0
Exemple 2: Soit le signal 𝑆2 (𝑡) = 𝐵0 sin 2𝜋𝐹0 𝑡, on a :
b1  B 0 et b n  0 pour n  1

a n  0 pour n  0

S (t )  S(nF ) exp jn  t 
n 
0 0
S(nF0 ) 
1
a n  jb n  a n  an et b n  b n
2

 SnF f  nF 
1 2 C
S(nF0 )  a n  b n2  n S(f )  0 0
2 2 n 
Les spectres des signaux S1 (t) et S 2 (t ) seront donnés par :
S1 (f ) 
A0
f  F0   f  F0  et S 2 (f ) 
j B0
f  F0   f  F0 
2 2
D’où les représentations :
cos(t)
1/F0 S1(f)
A0
A0/2
temps
0 fréquence
-F0 0 F0
-A0
Représentation du signal cosinus Représentation du signal cosinus

sin(t) j S2(f)
1/F0
B0/2
B0
temps F0 fréquence
0
Exemple 3: -F0 0
-B0
-B0/2
Représentation du signal sinus Représentation du signal sinus


Exemple 3:
On considère le signal 𝑆3 (𝑡) qui s'écrit:
𝑆3 (𝑡) = 3 cos(100𝜋𝑡) + 5 cos(200𝜋𝑡) + 5 sin(200𝜋𝑡) + √3 cos(400𝜋𝑡) − sin(400𝜋𝑡)

+ 4 sin(800𝜋𝑡) +
𝑆3 (𝑡) est la somme :

d'un signal de fréquence 50𝐻𝑧 (période 0,02𝑠) :𝑓1 (𝑡) = 3 cos(100𝜋𝑡)
d'un signal de fréquence 100𝐻𝑧 (période 0,01𝑠) :
𝜋
𝑓2 (𝑡) = 5 cos(200𝜋𝑡) + 5 sin(200𝜋𝑡) = 5√2 cos (200𝜋𝑡 − )
4
𝜋
𝑓3 (𝑡) = √3 cos(400𝜋𝑡) − sin(400𝜋𝑡) = 2 cos (400𝜋𝑡 + )
6
𝜋
𝑓4 (𝑡) = 4 sin(800𝜋𝑡) = 4 cos (800𝜋𝑡 − )
2
On peut écrire aussi:

𝜋 𝜋 𝜋
𝑆3 (𝑡) = 3 cos(100𝜋𝑡) + 5√2 cos (400𝜋𝑡 − ) + 2 cos (400𝜋𝑡 + ) + 4cos (800𝜋𝑡 − )
4 6 2
Ecrit sous cette forme on voit mieux que 𝑆3 (𝑡) est la somme de 4 signaux sinusoïdaux, dont
on connait pour chacun la fréquence, l'amplitude et la phase à l'origine, soit:
Signal Amplitude Férquence Phase

𝑓1 (𝑡) 3 50𝐻𝑧 0
𝑓2 (𝑡) 5√2 100𝐻𝑧 𝜋⁄4
𝑓3 (𝑡) 2 200𝐻𝑧 − 𝜋⁄6
𝑓4 (𝑡) 4 400𝐻𝑧 𝜋⁄2
Spectre d'amplitude
Lorsqu'on a un signal composé d'une somme de signaux sinusoïdaux :

𝑠(𝑡) = 𝐴0 cos(𝜔0 𝑡 − 𝜑0 ) + 𝐴1 cos(𝜔1𝑡 − 𝜑1 ) + ⋯ + 𝐴𝑛 cos(𝜔𝑛 𝑡 − 𝜑𝑛 )
A chaque signal correspond une amplitude 𝐴𝑘 et une pulsation 𝜔𝑘 . On va pour chaque

pulsation 𝜔𝑘 tracer l'amplitude 𝐴𝑘 on obtient un diagramme en bâtons (raies) appelé spectre
d'amplitude du signal.
Amplitude
𝜔
𝜔1 𝜔2 𝜔3 𝜔4 ⋯
Spectre de phase
Lorsqu'on a un signal composé d'une somme de signaux sinusoïdaux :

𝑠(𝑡) = 𝐴0 cos(𝜔0 𝑡 − 𝜑0 ) + 𝐴1 cos(𝜔1𝑡 − 𝜑1 ) + ⋯ + 𝐴𝑛 cos(𝜔𝑛 𝑡 − 𝜑𝑛 )

A chaque signal correspond une amplitude 𝐴𝑘 et une pulsation 𝜔𝑘 . On va pour chaque

pulsation 𝜔𝑘 tracer la phase 𝜑𝑘 on obtient un diagramme en bâtons (raies) appelé spectre de
phase du signal.
Phase
𝜔
𝜔2 𝜔3
𝜔1 𝜔4 ⋯
Formule de Bessel-Parseval
La formule de Bessel-Parseval est plus facile à établir en utilisant le développement en série

de Fourier complexe:
+∞
𝑓(𝑡) = ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡
𝑛=−∞
1 𝑇
On va calculer 𝑇 ∫0 𝑓 2 (𝑡)𝑑𝑡
+∞ +∞
1 𝑇 2 1 𝑇
∫ 𝑓 (𝑡)𝑑𝑡 = ∫ ( ∑ 𝐶𝑛 𝑒 𝑗𝑛𝜔0 𝑡 ) ( ∑ 𝐶𝑚 𝑒 𝑗𝑚𝜔0 𝑡 ) 𝑑𝑡
𝑇 0 𝑇 0
𝑛=−∞ 𝑚=−∞
𝑇 +∞ +∞
1
= ∫ ( ∑ ∑ 𝐶𝑛 𝐶𝑚 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 ) 𝑑𝑡
𝑇 0
𝑛=−∞ 𝑚=−∞
+∞ +∞ 𝑇 +∞ +∞
1 𝑗(𝑛+𝑚)𝜔0 𝑡
= ( ∑ ∑ 𝐶𝑛 𝐶𝑚 ∫ 𝑒 ) 𝑑𝑡 = ∑ 𝐶𝑛 𝐶−𝑛 = ∑ |𝐶𝑛 |2
𝑇 0
𝑛=−∞ 𝑚=−∞ 𝑛=−∞ 𝑛=−∞
Car :
𝑇
𝑇 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑒 𝑗(𝑛+𝑚)2𝜋 −1
∫0 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑑𝑡 = [ 𝑗(𝑛+𝑚)𝜔 ] = 𝑗(𝑛+𝑚)𝜔0
=0 𝑠𝑖 𝑛+𝑚 ≠0
0 0
et
𝑇 𝑇
∫ 𝑒 𝑗(𝑛+𝑚)𝜔0 𝑡 𝑑𝑡 = ∫ 𝑑𝑡 = 𝑇 𝑠𝑖 𝑛 + 𝑚 = 0
0 0
d'où le résultat:
+∞ +∞
1 𝑇 2 1
∫ 𝑓 (𝑡)𝑑𝑡 = ∑ |𝐶𝑛 |2 = 𝑎02 + ∑(𝑎𝑛2 + 𝑏𝑛2 )
𝑇 0 2
𝑛=−∞ 𝑛=1
Remarque:
Une translation du signal dans le temps, ne modifie jamais le spectre d'amplitude, mais
modifie le spectre de phase.

APPLICATIONS
A 1 Montrer que la décomposition en série de Fourier des signaux f(t) et g(t) sont données
par :
f(t) g(t)
1 1
t t
-1 -1
T0
T0
∞
4 1
𝑓(𝑡) = ∑ sin[(2𝑝 + 1)𝜔0 𝑡]
𝜋 2𝑝 + 1
𝑝=0
∞
8 (−1)𝑝
𝑔(𝑡) = 2 ∑ sin[(2𝑝 + 1)𝜔0 𝑡]
𝜋 2𝑝 + 1
𝑝=0
A 2 Même question pour les signaux h(t) et i(t).
h(t) i(t)
a
1
t t


2

2
T 2T  0  
∞
𝑎𝜃 𝜃
ℎ(𝑡) = [1 + ∑ 𝑠𝑖𝑛𝑐 (𝑛 ) 𝑐𝑜𝑠(2𝜋𝑛𝐹0 𝑡)]
𝑇 𝑇
𝑛=1
∞
2 4 cos[2𝜋(2𝑝)𝐹0 𝑡]
𝑖(𝑡) = − ∑
𝜋 𝜋 (4𝑝2 + 1)
𝑝=1
A 3 Le signal sinusoïdal de période T0  1 F0  redressé simple alternance, s’exprime sur

une période par :
 T0
s (t )  sin( 2 F0 t ) pour 0t 
2

s (t )  0 T0
 pour  t  T0
2
1. Représenter le signal s (t ) sur l’intervalle 0, 3T0  .

2. Calculer le coefficient de Fourier a 0 du signal s (t ) . Que représente le coefficient a 0 .

3. Les coefficients de Fourier a n et bn du signal s (t ) sont données par :
a1  0 si n  1
  1
 2 b1  si n  1
a 2 p  
 
 4 p2 1  si n pair et 2
bn  0 si n1
a 2 p 1  0 si n impair

Donner l’expression du développement en série de Fourier du signal s (t ) de fréquence F0 .

4. En déduire une représentation unilatérale du spectre S ( f ) jusqu’à l’harmonique de
rang 6 (pour la représentation il faut préciser les fréquences et les amplitudes).
A 4 On considère le signal s( t ) , périodique de période T0 donné par la figure ci-dessous
s(t)
1
t
0
-1
T0
 T T 
1. Donner l’expression du signal s( t ) sur l’intervalle  0 , 0  .
 2 2
a) Calculer le coefficient de Fourier a0 . En déduire sa signification.
b) Calculer les coefficients de Fourier an et bn du signal s (t )
c) Donner le développement en série de Fourier de s (t ) .
2. Expliciter le développement en série de Fourier de s( t ) jusqu’à l’harmonique de rang 7.
3. En déduire une représentation du spectre S ( f ) jusqu’à l’harmonique de rang 7 (pour la
représentation il faut préciser les fréquences et les amplitudes).
A 5 Un dispositif électronique produit une tension périodique V (t ) de période T0 (figure

ci-dessous) :
V(t)

E
-T0/4 t
0 T0/4
-E
T0 le signal V (t ) sur une période T .

1. Quelle est la parité du signal V (t ) . Exprimer 0

2. Calculer la valeur moyenne de V (t ) .

3. Donner le développement en série de Fourier de V (t ) .
4. Donner le développement de V (t ) jusqu’à l’harmonique de rang 6. En déduire les
fréquences que contient V (t ) .
5. Donner une représentation unilatérale du spectre V (t ) jusqu’à l’harmonique de rang 6
(pour la représentation il faut préciser les fréquences et les amplitudes).
6. Calculer la plus petite valeur strictement positive de  T qui annule le coefficient de
Fourier de l’harmonique de rang 3.
7. Calculer une approximation numérique de la plus petite valeur du rapport  T pour
laquelle le coefficient de Fourier associé à la fréquence fondamentale est égal à E .
Corrigé A5
Le signal V (t ) ci dessus est réel, de plus si on choisi l’origine des temps au milieu de
la figure, le signal sera alors impair et possèdera une symétrie quart d’onde. Par conséquent
tous les coefficients a k sont donc nuls et tous les coefficients b k d’indices pairs aussi.
𝑇 𝜏 𝑇 𝜏
+
2 𝑇 4𝐸 4+2 2𝐸 4 2
𝑏 = ∫ 𝑉(𝑡) sin(𝑛𝜔𝑡) 𝑑𝑡 = ∫ sin(𝑛𝜔𝑡) 𝑑𝑡 = [ cos(𝑛𝜔𝑡)]𝑇 𝜏
𝑇 0 𝑇 𝑇−𝜏 𝑛𝜋 −
4 2 4 2
D’où :
4𝐸 𝜋 (2𝑘 + 1)𝜋𝜏
𝑏2𝑘+1 = sin(2𝑘 + 1) . sin ( )
(2𝑘 + 1)𝜋 2 𝑇
La décomposition en série de Fourier du signal ci-dessus s’écrit :
∞
4𝐸 𝜋 (2𝑘 + 1)𝜋𝜏
𝑉(𝑡) = ∑ sin(2𝑘 + 1) . sin ( ) . sin(2𝑘 + 1)𝜔𝑡
(2𝑘 + 1)𝜋 2 𝑇
𝑘=0
4𝐸 3𝜋 3𝜋𝜏
L’harmonique de rang 3 s’écrit : 𝑏3 = sin ( ) . sin ( )
3𝜋 2 𝑇
3𝜋
On a : 𝑠𝑖𝑛 ( )=1 d’où l’harmonique de rang 3 est nul si :
2
3𝜋𝜏 𝜏 1 𝑇
=𝜋  = ou bien 𝜏=
𝑇 𝑇 3 3
𝜏 1 𝜋𝜏 𝜋
Pour 𝑘 = 1  = cette quantité est égale à 𝐸 si : sin ( 𝑇 ) = soit :
𝑇 3 4
𝜏
≅ 0,2875
𝑇
A6
1. En utilisant le développement en série de Fourier du signal
∞
4𝐴 1
𝑢(𝑡) = ∑ sin[(2𝑝 + 1)𝜔0 𝑡]
𝜋 2𝑝 + 1
𝑝=0

montrer que le résultat suivant:

∞
1 𝜋2
∑ =
(2𝑝 + 1)2 8
𝑝=0
En utilisant le développement en série de Fourier du signal en dents de scie:

∞
𝐴 4𝐴 cos[(2𝑝 + 1)𝜔0 𝑡]
𝑠(𝑡) = − 2 ∑
2 𝜋 (2𝑝 + 1)2
𝑝=0
démontrer le résultat suivant:
∞
1 𝜋2
∑ =
(2𝑝 + 1)2 96
𝑝=0

ANALYSE DES SIGNAUX NON PERIODIQUES
TRANSFORMATION DE FOURIER
D EFINITIO N
On peut considérer la transformée des fonctions non périodiques comme une extension
de la décomposition en série de Fourier pour laquelle la période est infinie ( T0   ) .
L’intervalle de fréquence F0 tend vers zéro et le spectre devient alors une fonction continue.
La transformée de Fourier de s(t) , notée S(f) ou F 1S(f) est donnée par :

S(f )  TFs(t )   s(t) exp(  j2ft ) dt


Ce spectre est une fonction à valeurs complexes, les parties réelles et imaginaires du spectre
s’écrivent :
 
Re S(f )   s(t) cos(2ft ) dt Im S(f )   s(t ) sin( 2ft ) dt


 
On donnera souvent le spectre complexe en module et phase. Le module s’écrit :
S(f )  Re S(f )  Im S(f )

2 2
Spectre d’amplitude
La phase est donnée par :

 Im S(f ) 
 (f )  Arctg    Spectre de phase
 Re S (f )  
Une des propriétés essentielles de la transformation de Fourier est son inversibilité. On peut
reconstituer le signal s(t) à partir de son spectre complexe par :

s(t )  TF 1
S(f )   S(f ) exp( j2ft ) df

Condition d’existence de la Transformée de Fourier
Pour qu’un signal s(t) ait une transformée de Fourier, fonction de f, il faut et il suffit que :
 Le signal s(t) soit borné
 L’intégrale de s(t) entre   et   ait une valeur finies.

 Les discontinuités de s(t) ainsi que ses maxima et minima soient en nombre fini.
Pour que la transformée de Fourier de s(t) existe et soit réciproque, il suffit que s(t)
appartienne à l’espace L2 ou espace des fonctions de carrée sommable. En d’autre termes,
cela signifie que s(t) ainsi que sa transformée de Fourier sont à énergie finie.
Lorsque nous aurons à calculer la Transformée de Fourier d’un signal physique, nous
n’aurons pas à nous poser le problème de l’existence de cette transformée, qui sera une
fonction continue de f.
PROPRIETES DE LA TRANSFORMEE DE FOURIER
Soit le signal s(t) et la transformée de Fourier correspondante S(f) , nous écrirons :
s(t ) 
TF
S(f ) et g(t ) 
TF
 G(f )
 Linéarité
T. F.
 s (t )   g (t )  S(f )   G (f )
 Homothétie
1 f 
s(a t )  
S 
TF
avec a  IR
a a
Un étalement de l’échelle des temps conduit à une ‘contraction’ de l’échelle des fréquences et
inversement.
 Translation
s(t  a) 
TF
S(f ) exp  j2 fa 
Ceci implique que les transformées de Fourier de s(t) et de s(t  a) ont même module mais
la transformée de Fourier de s(t  a) subit une rotation de phase supplémentaire de  2af .
Ces propriétés s’appliquent aussi aux signaux périodiques, dont les spectres sont obtenus par
un développement en série de Fourier. Ainsi le spectre du signal sinusoïdal s2(t)  sin 2F0 t 
peut être déduit du spectre du signal cosinusoïdal s1(t)  cos 2F0 t  par translation :
Soit s1(t)  cos 2F0 t  avec

1
  f  F0     f  F0 
S1(f) 
2
    T 
Et s2(t)  sin 2F0 t   cos 2F0 t    cos 2F0 (t  0 ) 
 2  4 
 T  1   
Donc S2(f)  S1(f) exp  j2f 0    exp(j )  f  F0   exp(j )  f  F0 
 4  2 2 2 
Soit S2(f) 
j
  f  F0     f  F0 
2
Ce résultat permet de noter que les propriétés appliquées pour les spectres obtenus par
transformées de Fourier sont aussi applicables aux spectres des signaux périodiques.

 Translation en fréquence modulation
s(t) exp  j2f p t  

TF
S(f  f p )
Cette propriété de modulation est très utilisée dans les systèmes de télécommunication pour
centrer un signal sur une fréquence (porteuse) f p . Cette fréquence centrale est imposée par
les propriétés du canal de communication
 Dérivation
d n s(t ) TF
  j2f S(f )  j2f  S(f )
d s(t ) TF n
et n
dt dt
 Propriétés de parité
𝑥(𝑡) Symétrie Temps Fréquence Conséquence

sur 𝑋(𝑓)
Réel Quelconque 𝑥(𝑡) = 𝑥 ∗ (𝑡) 𝑋(𝑓) = 𝑋 ∗ (𝑓) Re. paire, Im impaire
Réel Pair 𝑥(𝑡) = 𝑥 ∗ (𝑡) = 𝑥(−𝑡) 𝑋(𝑓) = 𝑋 ∗ (−𝑓) = 𝑋(−𝑓) Réellle et paire
Réel Impair 𝑥(𝑡) = 𝑥 ∗ (𝑡) = −𝑥(−𝑡) 𝑋(𝑓) = 𝑋 ∗ (−𝑓) = −𝑋(−𝑓) Imaginaire pur et
impair
Imaginaire Quelconque 𝑥(𝑡) = −𝑥 ∗ (𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) Re. impaire, Im. paire
Imaginaire Pair 𝑥(𝑡) = −𝑥 ∗ (𝑡) = 𝑥(−𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) = 𝑋(−𝑓) Imaginaire et pair
Imaginaire impair 𝑥(𝑡) = −𝑥 ∗ (𝑡) = −𝑥(−𝑡) 𝑋(𝑓) = −𝑋 ∗ (−𝑓) = −𝑋(−𝑓) Réel et impair
Réel pair+imaginaire impair ⇌ 𝑅é𝑒𝑙

Réel impair + imaginaire pair ⇌ 𝐼𝑚𝑎𝑔𝑖𝑛𝑎𝑖𝑟𝑒
Ces propriétés de parité ont été vérifiées dans le cas des signaux sinusoïdaux et
cosinusoïdaux.
CAS PARTICULIERS
Fonction porte : Considérons la fonction porte (ou fenêtre, ou projectrice) qui vaut 1
  
dans l’intervalle   ,  et qui est nulle en dehors. Soit   (t) cette fonction, elle a pour
 2 2
𝑠𝑖𝑛(𝜋𝑓𝜃)
transformée de Fourier : 𝜃 = 𝜃𝑠𝑖𝑛𝑐(𝜋𝑓𝜃).
𝜋𝑓𝜃

Πθ(t)
T.F.
1
temps fréquence
0
-/2 0 /2 1/ 2/
Signal porte d’amplitude 1 Fonction sinus cardinal

de largeur θ centré en zéro
La fonction translatée   (t  T 2) a pour transformée de Fourier la transformée de Fourier

de   (t ) multipliée par exp(  jf T) .
Distribution de Dirac : La transformée de Fourier de l'impulsion de Dirac  (t ) est une

fonction constante, quelque soit la fréquence, en effet:
𝛿(𝑡) ⇌ 1 ∀𝑓
On peut voir l'impulsion de Dirac comme la limite d'une fonction porte, à cet effet,
considérons la fonction porte de largeur 𝜃 et d'amplitude 1/𝜃 (afin que son aire soit unité)
On a vu que:
1
𝜃𝑠𝑖𝑛𝑐(𝜋𝑓𝜃) = 𝑠𝑖𝑛𝑐(𝜋𝑓𝜃)
𝜃
1
Lorsque 𝜃 → 0 𝑎𝑙𝑜𝑟𝑠 𝜃 𝑟𝑒𝑐𝑡(𝑡) → 𝛿(𝑡) 𝑒𝑡 𝑝𝑎𝑟 𝑐𝑜𝑛𝑠é𝑞𝑢𝑒𝑛𝑡 𝑠𝑖𝑛𝑐(𝜋𝑓𝜃) → 1
D’où :  (t  t 0 ) 
TF
exp( 2ft 0 )
Peigne de Dirac : Noté  T0 (t ) est par définition une suite périodique de distribution de
Dirac, de période T0

 T0 t    t  nT 
n  
0
 
 t  nT0    exp  2j n

1 t
On a les relations : T
n  
T0 n  
 
 t  nT0     f  nF 

1 1
Et TF
0 avec F0 
n  
T0 n  
T0
1
D’où :  T0 (t ) 
TF
 1 T0 (f ) formule de Poisson
T0
δT0(t)
Signal peinge de … …
…
Dirac temps
-3T0 -2T0 -T0 0 T0 2T0 3T0 nT0
T.F.

δ1/T0(f)=δF0(f)
à
1/T0
Spectre du
peinge de Dirac … … …
fréquence
-3F0 -2F0 -1/T0 0 1/T0 2F0 3F00 nF0
Le spectre d’un peigne de Dirac est un peigne de Dirac dans l’espace fréquentiel.
CALCUL DE QUELQUES TRANSFORMEES

Afin de mieux saisir les implications de la TF, calculons les transformées de quelques signaux
importants en traitement du signal.
Exponentielle décroissante
0 𝑠𝑖 𝑡 < 0
𝑥(𝑡) = { −𝑎𝑡
𝑒 𝑠𝑖 𝑡 ≥ 0
L'application de la définition de la TF conduit à:

∞
𝑋(𝑓) = ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
0
1
d'où: 𝑋(𝑓) = 𝑎+𝑗2𝜋𝑓
Pour illustrer le théorème de l'énergie, calculons l'énergie de ce signal:
dans le domaine temporel

+∞ +∞
1
𝑊=∫ 𝑥 2 (𝑡)𝑑𝑡 = ∫ 𝑒 −2𝑎𝑡 𝑑𝑡 =
−∞ 0 2𝑎
dans le domaine fréquentiel

+∞ +∞
𝑑𝑓 1
𝑊=∫ |𝑋(𝑓)|2 𝑑𝑓 = ∫ =
−∞ −∞ + (2𝜋𝑓) 2 2𝑎 𝑎2
+∞
1 2𝜋𝑓 1
= 𝑎𝑟𝑐𝑡𝑎𝑛 | =
2𝜋𝑎 𝑎 −∞ 2𝑎
On retrouve bien entendu le même résultat dans les deux cas.
Exponentielle décroissante symétrique
𝑥(𝑡) = 𝑒 −𝑎|𝑡| − ∞ < 𝑡 < +∞

0 +∞
+𝑎𝑡 −𝑗2𝜋𝑓𝑡
𝑋(𝑓) = ∫ 𝑒 𝑒 𝑑𝑡 + ∫ 𝑒 −𝑎𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ 0
1 −1 2𝑎
𝑋(𝑓) = + = 2
𝑎 − 𝑗2𝜋𝑓 −(𝑎 + 𝑗2𝜋𝑓) 𝑎 + (2𝜋𝑓)2

On remarque que 𝑥(𝑡) étant pair, sa transformée est réelle
Saut unité
Le calcul de TF d'un signal saut unité 𝜖(𝑡) nécessite également quelques précautions, car ce
signal n'est pas intégrable en valeur absolue. mais, on constate que l'on a :
1 = 𝜖(𝑡) + 𝜖(−𝑡)
et désignant la TF de 𝜖(𝑡) par 𝐸(𝑓), il vient:
𝑇𝐹{1} = 𝛿(𝑓) = 𝐸(𝑓) + 𝐸 ∗ (𝑓) = 2𝐸𝑟 (𝑓)
𝛿(𝑓)
De ce résultat, on en déduit que la partie réelle 𝐸𝑟 (𝑓) vaut .
2
Il reste encore à trouver la partie imaginaire de 𝐸(𝑓). Pour ce faire, on peut remarquer que le
saut unité peut également s'écrire sous la forme:
0 𝑠𝑖 𝑡 > 0
𝜖(𝑡) = { lim 𝑒 −𝑎𝑡 𝑠𝑖 𝑡 ≥ 0
𝑎→0
1
dont la transformée est purement imaginaire et vaut 𝑗2𝜋𝑓. Finalement on obtient:
1 1
𝐸(𝑓) = 𝐸𝑟 (𝑓) + 𝑗𝐸𝑖 (𝑓) = 𝛿(𝑓) +
2 𝑗2𝜋𝑓
Phaseur
Pour calculer sa TF, considérons le fait qu'un phaseur de fréquence 𝑓0 peut s'écrire comme
suit:
𝑥(𝑡) = 𝑒 +𝑗2𝜋𝑓0 𝑡 = lim 𝑒 −𝑎|𝑡| . 𝑒 +𝑗2𝜋𝑓0 𝑡
𝑎→0
Utilisant la TF de l'exponentielle symétrique et la propriété de modulation:
2𝑎 0 𝑠𝑖 𝑓 ≠ 𝑓0
𝑋(𝑓) = lim 2 ={
𝑎→0
𝑎2 + (2𝜋(𝑓 − 𝑓0 )) ∞ 𝑠𝑖 𝑓 = 𝑓0
La TF d'un phaseur de fréquence 𝑓0 est donc une impulsion de Dirac située en 𝑓 = 𝑓0
𝑋(𝑓) = 𝛿(𝑓 − 𝑓0 )

Convolution et Corrélation Chapitre 4
PRODUIT DE CONVOLUTION
Filtres et convolution
On s'intéresse à présent à l'étude des systèmes invariants dans le temps, ou filtres. Un

filtre est un instrument, ou un modèle physique, associant (linéairement) une excitation, ou
signal d'entrée, à un signal de sortie.
x(t) y(t)
h(t)
Un système est linaire s'il justifie du principe de superposition la réponse à une somme
pondérée d'excitations est égale à la somme pondérée des réponses aux excitations
individuelles:
∑ 𝛼𝑖 𝑥𝑖 (𝑡) → ∑ 𝛼𝑖 𝑦𝑖 (𝑡)
𝑖 𝑖
Le système est invariant dans le temps si la réponse ne dépend pas de l'instant d'application: si
𝑦(𝑡) est la sortie correspondant à une entrée 𝑥(𝑡), la réponse associée à 𝑥(𝑡 − 𝑡0 ) est
𝑦(𝑡 − 𝑡0 ) appelle réponse réponse impulsionnelle (RI), souvent notée ℎ(𝑡), la réponse du
système à l'application d'une impulsion de Dirac 𝛿(𝑡):
𝛿(𝑡) h(t)
(t) h(t)
Le système étant linéaire et invariant alors la réponse associée à

𝑥(𝜏)𝛿(𝑡 − 𝜏)𝑒𝑠𝑡 𝑥(𝜏)ℎ(𝑡 − 𝜏)
donc:
𝑥(𝜏)𝛿(𝑡 − 𝜏) → 𝑥(𝜏)ℎ(𝑡 − 𝜏)
Or, le signal 𝑥(𝑡) peut s'écrire comme une somme infinie de composantes 𝑥(𝜏) sur une base
d'impulsions de Dirac:
+∞
𝑥(𝑡) = ∫ 𝑥(𝜏)𝛿(𝑡 − 𝜏)𝑑𝜏
−∞
On en déduit alors que la réponse globale du système s'écrit, par linéarité:
+∞ +∞
𝑦(𝑡) = ∫ 𝑥(𝜏)ℎ(𝑡 − 𝜏)𝑑𝜏 = ∫ 𝑥(𝑡 − 𝜏)ℎ(𝜏)𝑑𝜏 = 𝑥(𝑡) ∗ ℎ(𝑡)
−∞ −∞
Cette relation est appelée convolution entre 𝑥 et ℎ, et l'opération est notée 𝑥(𝑡) ∗ ℎ(𝑡), pour
montrer que le résultat de la convolution est évaluée à l'instant t et que la variable 𝜏 est
simplement une variable muette qui disparait lors de l'intégration. L'intégrale précédente est
appelée intégrale de convolution; elle permet d'associer à toute entrée 𝑥(𝑡) la sortie du
système 𝑦(𝑡), celui-ci est caractérisé par sa réponse impulsionnelle ℎ(𝑡).
THEOREME DE PLANCHEREL

La transformée de Fourier du produit de convolution de deux signaux s1 (t) et s 2 (t) est égale
au produit des transformées de Fourier, soit :
TFs1 (t) * s 2 (t)  S1 (f )  S 2 (f )
La transformée de Fourier du produit de deux signaux s1 (t) et s 2 (t) est égale au produit de
convolution de leur spectres, soit : TFs1 (t)  s 2 (t)  S1 (f ) * S 2 (f )
EGALITE DE PARSEVAL
De la propriété de convolution, on déduit la formule de Parseval :
 
 s (t ) dt   S(f )
2 2
df
 
2
Le premier terme de cette égalité est par définition l’énergie du signal, S (f ) s’interprète
comme la distribution de l’énergie le long de l’axe des fréquences. On lui donne ainsi le nom
de densité spectrale d’énergie (d.s.e).
2
 Puissance instantanée d’un signal P( t )  x( t )  x * ( t )  x( t )
 Puissance moyenne sur une durée T0 :
1 t T0 1 t T0
P( t ,T0 ) 
T0 t
 x( t )  x * ( t ) dt 
T0 t

 x réel ( t ) dt
2

 
2
 Energie totale d’un signal : E x   x( t )  x * ( t ) dt   x( t ) dt
 
 Puissance instantanée d’interaction de deux signaux :
Pxy ( t )  x( t )  y * ( t ) et Pyx ( t )  y( t )  x * ( t )
 Si x et y sont réel, nous avons : Pxy ( t )  Pyx ( t )
Si x(t) a une transformée de Fourier X(  ) , on définit le spectre de puissance d’un signal ou
densité spectrale par :
2
S xx (  )  X (  )
 Energie totale :
 
2
E x   S xx (  )d   X (  ) d
 
Corrélation
Une opération mathématique qui, de par sa forme, est très proche de la convolution est
la fonction de corrélation de deux signaux. Cependant, contrairement à la convolution, le but
de la corrélation est de mesurer le degré de ressemblance de ces signaux et d’extraire des
informations qui, dans une large mesure, dépendent de l’application considérée. La
corrélation est utilisée dans les radars, les sonars, les communications numériques, la

détection de signaux noyés dans du bruit, la mesure de temps de transmission, le GPS (Global
Positioning System), etc. Dans chaque cas, on dispose de deux fonctions : le signal de
référence 𝑥(𝑡) et le signal reçu 𝑦(𝑡). Il faut alors trouver une opération mathématique
permettant de comparer ces signaux et d’en mesurer la ressemblance ou corrélation. Ceci se
fait simplement en effectuant l’intégrale du produit des signaux que l’on décale
progressivement l’un par rapport à l’autre.
Signaux à énergie finie
Intercorrélation de deux signaux

Considérant deux signaux 𝑥(𝑡) et 𝑦(𝑡) à énergie finie, on définit la fonction d’intercorrélation
(FIC) comme l’intégrale du produit du signal 𝑥(𝑡) avec le signal 𝑦(𝑡) décalé d’une valeur 𝜏 :
−∞
𝑐𝑥𝑦 (𝜏) = ∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
+∞
Par changement de variable 𝜃 = 𝑡 + 𝜏, on montre que
−∞
𝑐𝑥𝑦 (𝜏) = ∫ 𝑥(𝜃 − 𝜏). 𝑦(𝜃)𝑑𝜃 = 𝑐𝑦𝑥 (−𝜏)
+∞
On voit ainsi que la fonction 𝑐𝑥𝑦 (𝜏) est aussi la version retournée de 𝑐𝑦𝑥 (𝜏) autour de
l'ordonnée 𝑂𝑦.
Comme on peut le constater, les fonctions d'intercorrélation
−∞
∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
+∞
et de convolution
−∞
∫ 𝑥(𝜃). 𝑦(𝑡 − 𝜃)𝑑𝑡 = 𝑥(𝑡) ∗ 𝑦(𝑡)
+∞
sont formellement très proche. On montre qu'elles sont reliées entre elles par:
𝑐𝑥𝑦 (𝜏) = 𝑥(−𝜏) ∗ 𝑦(𝜏)
Cette relation valable dans l'espace temps a bien entendu son équivalent dans l'espace des
fréquences.
𝐶𝑥𝑦 (𝑗𝑓) = 𝑋 ∗ (𝑗𝑓). 𝑌(𝑗𝑓)
Autocorrélation d'un signal
Dans le cas particulier où 𝑦(𝑡) = 𝑥(𝑡), on obtient la fonction d'autocorrélation (FAC) du
signal 𝑥(𝑡):
−∞
𝑐𝑥𝑥 (𝜏) = ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
+∞
qui pour un décalage nul, donne l'énergie du signal 𝑥(𝑡):
−∞
𝑐𝑥𝑦 (0) = ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑊𝑥
+∞
Corrélation de deux signaux à puissance finie
Dans ce cas, les signaux sont permanents et possèdent une énergie infiniment grande; on ne
peut donc utiliser les définitions précédentes. Pour cette catégorie de signaux, on redéfinit les
deux fonctions de corrélation comme suit:

𝑇
1 +2
𝑐𝑥𝑦 (𝜏) = lim ∫ 𝑥(𝑡). 𝑦(𝑡 + 𝜏)𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
𝑇
+
1 2
𝑐𝑥𝑥 (𝜏) = lim ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
Dans le cas d'un décalage nul, on trouve avec l'autocorrélation la puissance du signal 𝑥(𝑡):
𝑇
1 +2 2
𝑐𝑥𝑥 (0) = lim ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑋𝑒𝑓𝑓 = 𝑃𝑥
𝑇→∞ 𝑇 −𝑇
2
Il est d’autre part évident que si les signaux sont périodiques, l’intégration se fera sur une
période seulement.
Propriétés de l'autocorrélation
On rappellera tout d’abord que la fonction d’autocorrélation consiste à décaler un signal par
rapport à lui-même, puis à intégrer le produit des deux. On montre alors aisément que la
fonction d’autocorrélation possède les propriétés suivantes :
1. Lorsque le décalage temporel est nul (𝜏 = 0), la (FAC) est égale à l'énergie du signal
pour les signaux à énergie finie:
−∞
𝑐𝑥𝑥 (0) = ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑊𝑥
+∞
Ou, la puissance moyenne pour les signaux à puissance finie:
𝑇
1 +2
𝑐𝑥𝑥 (0) = lim ∫ 𝑥(𝑡)2 𝑑𝑡 = 𝑃𝑥
𝑇→∞ 𝑇 −𝑇
2
2. Comme la correspondance entre les 2 signaux ne peut pas être aussi forte que lorsque
les signaux se superposent exactement cela entraîne que la FAC est maximum pour un
décalage nul. On a donc :
𝑐𝑥𝑥 (0) ≥ 𝑐𝑥𝑥 (𝜏)
3. La FAC est une fonction paire:
𝑐𝑥𝑥 (𝜏) = 𝑐𝑥𝑥 (−𝜏)
4. La FAC d’un bruit blanc (ainsi appelé par analogie à la lumière blanche constituée de
toutes les fréquences lumineuses) est une impulsion de Dirac. En effet, le bruit blanc étant
formé d’une multitude de fréquences possédant la même puissance, il en résulte un signal
variant si rapidement que sa valeur présente est indépendante des valeurs passées et que sa
valeur est non nulle pour 𝜏 = 0 seulement. On a donc :
𝑐𝑥𝑥 (𝜏) = 𝜎 2 . 𝛿(𝑡)

Où 𝜎 2 est la variance du signal aléatoire; c'est également, la puissance du signal aléatoire.

5. La FAC d’un signal périodique quelconque est une fonction périodique paire.
Considérons comme exemple le signal 𝑥(𝑡) = 𝐴 𝑠𝑖𝑛(𝜔 𝑡 + 𝛼). On a alors :
𝑇
1 +2
𝑐𝑥𝑥 (𝜏) = ∫ 𝑥(𝑡). 𝑥(𝑡 + 𝜏)𝑑𝑡
𝑇 −𝑇
2
𝑇
2 +
𝐴 2
= ∫ 𝑠𝑖𝑛(𝜔 𝑡 + 𝛼). 𝑠𝑖𝑛(𝜔 (𝑡 + 𝜏) + 𝛼)𝑑𝑡 = 𝑃𝑥
𝑇 −𝑇
2
d'où:
𝐴2
𝑐𝑥𝑥 (𝜏) = cos(𝜔 𝜏)
2
𝐴2
On remarque ainsi que l'amplitude de cette FAC est la puissance du signal 𝑥(𝑡) et que la
2
FAC ne nous donne aucune information sur la phase 𝛼 du signal.
6. Dans le cas d'un signal 𝑥(𝑡) perturbé. Considérant 𝑦(𝑡) = 𝑥(𝑡) + 𝑏(𝑡), on a en effet:
𝑇
1 +2
𝑐𝑦𝑦 (𝜏) = lim ∫ (𝑥(𝑡) + 𝑏(𝑡)). (𝑥(𝑡 + 𝜏) + 𝑏(𝑡 + 𝜏))𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
𝑇
+
1 2
= lim ∫ (𝑥(𝑡). 𝑥(𝑡 + 𝜏) + 𝑥(𝑡). 𝑏(𝑡 + 𝜏) + 𝑏(𝑡)𝑥(𝑡 + 𝜏) + 𝑏(𝑡)𝑏(𝑡 + 𝜏))𝑑𝑡
𝑇→∞ 𝑇 −𝑇
2
= 𝑐𝑥𝑥 (𝜏) + 𝑐𝑥𝑏 (𝜏) + 𝑐𝑏𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
d'où:
𝑐𝑦𝑦 (𝜏) = 𝑐𝑥𝑥 (𝜏) + 𝑐𝑥𝑏 (𝜏) + 𝑐𝑏𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
Dans le cas où le signal 𝑥(𝑡) et le bruit 𝑏(𝑡) ne sont pas corrélés, on a bien entendu:
𝑐𝑥𝑏 (𝜏) = 𝑐𝑏𝑥 (𝜏) = 0
ce qui donne finalement:
𝑐𝑦𝑦 (𝜏) = 𝑐𝑥𝑥 (𝜏) + 𝑐𝑏𝑏 (𝜏)
De plus, comme généralement la FAC du bruit 𝑐𝑏𝑏 (𝜏) tend rapidement vers 0, on voit que
pour un décalage suffisamment grand, il restera la FAC 𝑐𝑥𝑥 (𝜏) du signal 𝑥(𝑡).
Propriétés de l'intercorrélation
Comme pour la fonction d’autocorrélation, on se contentera d’énoncer les propriétés des

fonctions d’intercorrélation :
1. En général la FIC n’est ni paire, ni impaire.

2. Le maximum de la FIC se situe à l’endroit du décalage correspondant au maximum de
similitude entre les deux signaux. Cette propriété est très utilisée pour mesurer des
temps de propagation.
3. Comme le fait de retarder 𝑦(𝑡) par rapport à 𝑥(𝑡) d’une valeur 𝜏 équivaut à avancer le
signal 𝑥(𝑡) par rapport à 𝑦(𝑡), on aura :
𝑐𝑥𝑦 (𝜏) = 𝑐𝑦𝑥 (−𝜏)

4. Si les deux signaux sont périodiques de même période, la FIC sera également
périodique.

TABLE ILLUSTREE DE QUELQUES TRANSFORMEES DE FOURIER
𝒙(𝒕) 𝑿(𝒇) |𝑿(𝒇)|
T
1
𝑡 sin(𝜋𝑓𝑇)
t 𝑟𝑒𝑐𝑡 ( ) 𝑇 f
𝑇 𝜋𝑓𝑇
-T/2 0 T/2 0 T-1
= 𝑇𝑠𝑖𝑛𝑐(𝜋𝑓𝑇)
impulsion rectangulaire
1 T
𝑡 𝑇𝑠𝑖𝑛𝑐 2 (𝜋𝑓𝑇)
t 𝑡𝑟𝑖 ( ) f
𝑇 -1
-T 0 T 0 T
impulsion triangulaire
1/a
1
−𝑎𝑡 1
𝑒 𝜖(𝑡) 1/√2𝑎
t f
𝑎 + 𝑗2𝜋𝑓
0 1/a 0 𝑎/2𝜋
impulsion exponentielle
1 2/a
𝑒 −𝑎|𝑡| 2𝑎
t f
𝑎 + (2𝜋𝑓)2
2 1/a
-1/a 0 1/a 0 𝑎/2𝜋
double exponentielle
1
1
2 2 1
0.4 𝑒 −𝜋𝑡 𝑒 −𝜋𝑓
t
0.4
f
-1 0 1
-1 0 1
impulsion gaussienne
1
𝑒 −𝑎𝑡 sin(2𝜋𝑓0 𝑡) 𝜖(𝑡) 2𝜋𝑓0
t f
0 (𝑎 + 𝑗2𝜋𝑓)2 + (2𝜋𝑓0 )2
T -f0 0 f0
sinusoïde amortie
t
𝑒 −𝑎𝑡 cos(2𝜋𝑓0 𝑡) 𝜖(𝑡) 𝑎 + 𝑗2𝜋𝑓 f
0 T -f0 0 f0
(𝑎 + 𝑗2𝜋𝑓)2 + (2𝜋𝑓0 )2
cosinusoïde amortie

APPLICATIONS
A 1 On se propose de déterminer le spectre du signal ( t ) donner par la figure 1.
1. Déterminer l’expression du signal ( t ) sur les intervalles  1, 0 et 0, 1 , sachant qu’il

est nul ailleurs.
2. Déterminer l’expression  ( t ) , la dérivée du signal ( t ) . En déduire que  ( t ) s’écrit en
fonction de t  1 / 2 et t  1 / 2 , sachant que t  représente le signal porte donné
par la figure 2.
3. Déterminer Pf   TF(t) du signal porte de la figure 2.
4. En déduire les spectres des signaux t  1 / 2 et t  1 / 2 .
5. Déterminer la transformée de Fourier du signal ( t ) . Donner l’allure de son spectre.
(t) (t)
A A
t t
-1 0 1 -1/2 0 1/2
Figure 1 Figure 2
  f /  2
A 2 On considère le signal s1 ( t )  e  t , son spectre est donné par : S1 (f ) 
2 2
e

1. Déterminer le signal s( t ) produit de convolution de s1 ( t ) avec le peigne de Dirac de
période T0 .
2. En déduire le spectre S(f ) du signal s( t ) .
3. Quelle est la nature du spectre S(f ) .
4. Donner l’allure du spectre S(f ) .
A 3 On se propose de calculer le spectre du signal périodique suivant :

s(t
A )

T0
Sachant que :
sin ( f ) sin ( f )
  (t ) 
TF
    sin c( f )
 f  f

 T0 (t ) 
TF
F0  F0 (t )  F0   f  nF 
n  
0

Corrigé A2
Calcul de la transformée de Fourier de la fonction s1 ( t )  e 

2 2
t
 
On a : TF  s 1 ( t )  S 1 ( f )   e 
2 2
t
e  j 2ft dt   e

  2 t 2  j 2ft  dt
 
 f  f 
2 2

On peut écrire que :  t  j 2ft    t  j
2 2
   , d’où :
     

S1 ( f )   e

  t  j f /     f /  
2 2
 dt on pose :

 t  j
 f
  z
   

d’où :  dz   dt  dt  dz

    f /     z
S 1 ( f )   e  z e 
 f /
2 2 2 2
d’où : dz  e  e dz
   

 z    f /
2
S1 ( f ) 
2
or on a le résultat :  e 1  e
 
 
2) s( t )  s 1 ( t )   T ( t )  e      t  nT    e     t  nT 
2 2 2 2
t t
n  n 
or : s( t )  ( t  t 0 )  s( t  t 0 )

 
2
 2 t  nT
d’où : s( t )   e
n 
TF s( t )  TF  s1 ( t ) T ( t )  S1 ( f )  TF T ( t )

   f /
TF T  t   Fe    f  n Fe 
2
Or on a : S1 ( f )  e et
 n 
   
 Fe    f  nFe  
f / S1 ( f )
TF  s( t )  S ( f ) 
2
e  1/ T ( f )
  Te
S1 ( f )
S( f )   1 / T ( f )
Te

A4
Soit X(  ) la transformée de Fourier de x(t), montrer que

1. Cxy(  )  Cyx(  )
2. TF  Cxy(  )  X (  )  Y(  )
TF  Cyx(  )  X (  )  Y(  )
TF Cxx(  )  X (  )  X (  )  X (  )
2
si x(t) réelle.
3. Démontrer la relation entre l’énergie Wc et la fonction d’autocorrélation d’une fonction
A5
1. Calculer les fonctions d’autocorrélation des fonctions suivantes
exp(  at ) pour t  0
f(t) 
0 si t  0
2. Un pulse rectangulaire de largeur T centré en 0.

3. Une suite périodique de période T1 du même pulse rectangulaire. Représentez pour :
T1>2T et T1 < 2T
A6
Soit x( t )  A sin( 2 f 0 t ) et y( t )  ( A / 2 ) cos( 2 f 0 t   / 4 )
Déterminez :
1. La fonction d’intercorrélation de x(t) et y(t).

2. La fonction d’autocorrélation de z(t)=x(t)+y(t)
3. La puissance totale de z(t).
A7
Nous voulons détecter la présence d’un signal périodique p( t ) noyé dans un bruit b( t ) , et
non restituer sa forme. Nous ignorons sa période T1. Nous avons donc à manipuler un signal
x( t )  p( t )  b( t ) . On suppose que p( t )  0 et b( t )  0 .
1. Calculez Cxx(  ) en fonction des différentes fonctions de corrélation entre p et b .
Réécrivez Cxx en supposant p et b indépendants.
2. Calculer la fonction d’autocorrélation pour :
x( t )  A cos(  t )  b( t ) avec   2 / T1
Que ce passe t-il si T temps de corrélation était très grand. Conclure
3. Connaissant la période T1 du signal p( t ) . Etudiez la fonction d’intercorrélation de x( t )
avec un autre signal périodique k( t ) de période T1. Conclure sur les termes d’erreur.

Eléments de correction
A4
La fonction de corrélation de deux signaux x(t) et y(t) à est définie par :
 
Cxx(  )   x( t ) x * ( t   ) dt Cxy(  )   x( t ) y * ( t   ) dt
 
fonction d’autocorrélation fonction d’intercorrélation
Pour deux signaux périodique réels x(t) et y(t) de période T, on définit la corrélation de la
manière suivante :
1 T /2
Cxy(  )   x( t ) y( t   ) dt
T T / 2
F(  ) est la transformée de Fourier de f(t)

1. Cxy(  )  Cyx(  )
1 T /2
Cyx(  )   y( t ) x( t   ) dt on pose u  t    du  dt
T T / 2
1 T /2 1 T /2
Cyx(  )   y ( u   ) x ( u ) du   x( u ) y( u   ) du  Cxy(  )
T T / 2 T T / 2
d’où : Cxy(  )  Cyx(  )
2. TF  Cxy(  )  X (  )  Y(  )
Le produit de convolution des signaux x(t) et y(t) s’écrit :

 
x( t )* y( t )   x(  ) y( t   ) d   x( t   ) y(  ) d
 
par analogie avec le produit de convolution ona :
Cxy(  )  x( t )* y( t )
or TF x * y   TF x( t )  TF y( t ) d’après Plancherel

et TF x( t )  X (  )
d’où :
TF Cxy(  )  TF x( t )* y( t )  X (  )  Y(  )
TF Cyx(  )  TF y( t )* x( t )  Y(  )  X (  )  X (  )  Y(  )
TFCxx(  )  TF x( t )* x(  t )  X (  )  X (  )  X (  )
2
Si x est réelle  X(  ) est paire et réelle

La transformée de Fourier de la puissance spectrale d’un signal est :

 
TF 1 X (  )  TF 1  X (  )  X * (  )  x( t ) x * (  t )   x(  )  x * (   t ) d  Cxx( t )

Pour des signaux réelle, la fonction d’autocorrélation est paire, soit la définition pour un
signal x(t) réel :
 
Cxx(  )   x( t )  x * ( t   ) dt   x( t )  x( t   ) dt
 
TF Cxx(  )  X (  )  X (  )  X (  )
2
si x(t) réelle.
3. Relation entre l’énergie Wc et la fonction d’autocorrélation d’une fonction
Rappel
2
 Puissance instantanée d’un signal P( t )  x( t )  x * ( t )  x( t )
 Puissance moyenne sur une durée T0 :
1 t T0 1 t T0
P( t ,T0 ) 
T0 t
 x( t )  x * ( t ) dt 
T0 t

 x réel ( t ) dt
2

 
2
 Energie totale d’un signal : E x   x( t )  x * ( t ) dt   x( t ) dt
 
 Puissance instantanée d’interaction de deux signaux :
Pxy ( t )  x( t )  y * ( t ) et Pyx ( t )  y( t )  x * ( t )
 Si x et y sont réel, nous avons : Pxy ( t )  Pyx ( t )
Si x(t) a une transformée de Fourier X(  ) , on définit le spectre de puissance d’un signal ou
densité spectrale par :
2
S xx (  )  X (  )
 Energie totale :
 
2
E x   S xx (  )d   X (  ) d
 
 Densité spectrale d’interaction de deux signaux :
S xy (  )  X (  )  Y * (  )
L’énergie d’un spectre X(  ) est donnée par :

  
X (  ) d   TF Cxx(  )d
2 2
Wc   x( t ) dt   d’après l’égalité de
  
Parseval
On a :
T / 2
2
Cxx( 0 )  lim  x( t )  dt
T   T / 2
La fonction d’autocorrélation a sa valeur maximale pour   0 , d’où :
0  Cxx(  )  Cxx( 0 )

 La transformée de Fourier de la fonction d’autocorrélation d’un signal est égale à la densité

spectrale d’énergie.
 Pour un signal périodique, la transformée de Fourier de la fonction d’autocorrélation d’un
signal est égale à la densité spectrale de puissance.
Cxx(  ) mesure de la ressemblance entre x(  ) et x( t   )
A6
1. La fonction d’intercorrélation de deux fonctions périodiques de période différente soit x(t)

de période T1et y(t) de période T2.
On peut considérer que l’on réalise à l’aide de ces deux fonctions x(t) et y(t) deux
nouvelles fonctions x’(t) et y’(t) qui auront des périodes nT1 et mT2 telles que :
nT1  mT2  T '

On aura :
1 T '/2
Cxy(  )   x( t )  y( t   ) dt
T T '/2
Soit x( t )  A sin( 2 f 0 t ) et y( t )  ( A / 2 ) cos( 2 f 0 t   / 4 )

1 
Tx  Ty 
f0 f0
Pour que la fonction d’intercorrélation Cxy(  ) puisse exister il faut qu’il y ait une fréquence
de battement T  nTx  mT y , pour écrire :
A2 T / 2
 sin( 2  f 0 t )  cos2 f ( t   )   / 4 dt
1 T /2
Cxy(  )   x( t )  y( t   ) dt 
T T / 2 2T T / 2
TFCxy(  )  X ( n1 )Y * ( n 2 ) avec  1  1 / T1 et  2  1 / T2
 
or : X ( n1 ) Y * ( n 2 )    X ( l 1 ) y * ( m 2 )  (   l 1 )  (   m 2 )
l  m
On a :  ( t  t 1 )  ( t  t 2 )   ( t 2  t 1 )
 ( t  t 1 )   ( t  t 2 ) si t 1  t 2
Pr opriété 
 ( t 2  t 1 )  0 si t 1  t 2
 
d’où : X ( n1 ) Y * ( n 2 )    X ( l 1 ) y * ( m 2 )  ( l 1  m 2 )
l  m
Ceci montre bien que la densité spectrale d’interaction deux signaux de fréquences
fondamentales  1 et  2 ne peut exister que pour des fréquences k ' telles que :
l  1  m  2  k '

f0
dans ce cas : n f0  m   (   nf 0 )  (   mf 0 /  )  0


Echantillonnage Chapitre 5
E CHANTILLONNAGE
I NTRODUCTION
Les signaux numériques peuvent être crées directement par un système numérique (un
processeur, sous toutes ses formes actuelles). On parle alors de synthèse numérique (comme
dans le cas de la synthèse d'images ou de sons numériques). La plupart du temps, cependant,
ils sont obtenus par échantillonnage de signaux analogiques.
L'échantillonnage d'un signal analogique représenté par une fonction 𝑥(𝑡) consiste à
construire, à partir de 𝑥(𝑡), un signal à temps discret 𝑥(𝑛) = 𝑥(𝑛𝑇𝑒 ) obtenu en mesurant la
1
valeur de 𝑥(𝑡) toutes les 𝑇𝑒 = 𝐹 secondes:
𝑒
𝑥(𝑛) = 𝑥(𝑛𝑇𝑒 )
x(t) x(n)
Fe
Représentation schématique de l'échantillonnage
Le signal est échantillonnée par un convertisseur analogique-numérique qui fonctionne à la

fréquence Fe et effectue la multiplication du signal normalisé (c’est à dire d’amplitude unité)
1
par un train d’impulsions (peigne de Dirac) d’amplitude unité et de période 𝑇𝑒 = 𝐹 .
𝑒
Le processus d’échantillonnage revient à multiplier le signal analogique 𝑠(𝑡) par une série
d’impulsions unité : le ‘signal’ obtenu est alors constitué d’une succession d’impulsions dont
la hauteur est modulée par l’amplitude du signal de départ
𝑥̂(𝑡) = 𝑥(𝑡) × 𝛿𝑇𝑒 (𝑡)

+∞
𝑥̂(𝑡) = 𝑥(𝑡) × ∑ 𝛿(𝑡 − 𝑛𝑇𝑒 )

𝑛=−∞
Soit:
+∞
𝑥̂(𝑡) = ∑ 𝑥(𝑛𝑇𝑒 ) 𝑛𝑒
𝑛=−∞
S PECTRE DU SIGNAL ECHANTILLONNE
Le spectre du signal échantillonnée sera donnée par le produit de convolution du spectre du

signal initial avec la transformée de la suite des pics de Dirac.
     
Sˆ (f )  Fe 
k  
S(f ) *  f  kFe 

ou bien Sˆ (f )  Fe  
k  
S f  kFe 

Par conséquent, le spectre de l’échantillonné Ŝ f  s’obtient par périodisation de la

transformée de Fourier du signal S (t ) sur l’axe des fréquences avec une période égale à Fe ,
multiplié par 1 / Te . Il est important de remarquer que la fonction Ŝ f  est périodique, c’est à
dire que l’échantillonnage à introduit une périodicité dans l’espace des fréquences, ce qui
constitue une caractéristique fondamentale des signaux échantillonnées.
S(f)
S(t)
f
t
Echantillonnage T.F.
Sˆ (f )
Sˆ (t )
f
t
 Fe 2 Fe 2
THEOREME DE SHANNON
A partir du spectre représenter ci-dessous, nous pouvons faire une première remarque : pour
que la répétition périodique du spectre du signal échantillonnée ne déforme pas le motif
répété, il faut et il suffit que la fréquence de répétition Fe , qui est la fréquence
d’échantillonnage, soit égale ou supérieure à deux fois la fréquence maximale du signal initial
2 f max c’est le théorème de l’échantillonnage ou aussi appelé théorème de Shannon
Fe  2 fmax
Pour une fréquence d’échantillonnage fixée et égale à Fe , la fréquence limite Fe / 2 , appelée

fréquence de Shannon ou fréquence de Nyquist ou encore fréquence de repliement (folding
frequency), correspond à la fréquence maximale admissible dans le spectre du signal afin
d’éviter les distorsions du spectre de l’échantillonné.
RESTITUTION DU SIGNAL INITIAL À PARTIR DE L’ECHANTILLONNER
Si l’on dispose du signal sˆ(t ) , peut-on retrouver le signal s(t ) ?

En supposant le signal initial à spectre borné par f max et la condition du théorème
d’échantillonnage remplie, il est clair que l’on peut extraire du spectre périodique de
l’échantillonné le spectre correspondant à la fréquence centrale nulle (spectre dit de base) en
utilisant un filtre passe-bas idéal de fréquence de coupure Fe / 2 .
S(f) Sˆ (f )
f f
 fM fM  fM fM Fe
Fe
Périodisation du spectre u signal échantillonné
Sˆ (f )
Filtre passe-bas
idéal
f
 fM fM
 Fe / 2 Fe / 2
Fe
Filtrage passe-bas idéal permettant d’extraire

le spectre de base de l’échantillonné
La fonction réalisée par le filtre passe-bas idéal (ou fonction porte), s’écrit  Fe (f ) . La
transformée de Fourier inverse de cette fonction est la fonction sin c(Fe t ) , on peut donc
exprimer le spectre de base de l’échantillonné sous la forme suivante :
Sˆ 0 (f )  Sˆ (f )   Fe (f )
En prenant la transformée de Fourier inverse de la relation précédente et en appliquant le

théorème de Plancherel, on obtient l’expression d’un signal temporel ayant le spectre de base
du signal échantillonné.
sin(  Fe t)
sˆ 0 (t )  sˆ(t) * Fe sin c(Fe t )  Fe sˆ(t ) *
 Fe t
Soit :

   sin(  Fe t )
sˆ 0 (t )  Fe  
k  
s(k Te )   t  k Te  *
  Fe t
d’où :
  sin  Fe (t  kTe )  

sˆ 0 (t )  Fe 
k  
s(k Te ) 
 Fe (t  kTe ) 
 (1)
Si l’on considère le spectre Sˆ 0 (f ) par rapport au spectre initial S (f ) , on a un spectre isolé qui
est identique à celui du spectre du signal initial à une constante près Fe , soit :
Sˆ (f )  F S(f )
0 e
d’où, en appliquant la transformée de Fourier inverse à cette relation, il vient :
sˆ 0 (t)  Fe s(t) (2)
En identifiant les expressions (1) et (2) on a :

sin  Fe (t  kTe ) 
s (t ) 
k  

s(k Te ) 
 Fe (t  kTe )
En effet cette somme de produits s(k Te ) , sin c  Fe (t  kTe )  permet de reconstituer

exactement le signal et donc l’échantillonnage idéal, dans les conditions du théorème de
Shannon, conserve la totalité de l’information contenue dans le signal.
EFFET DE REPLIMENT DU SPECTRE

Dans le cas où la condition du théorème de Shannon n’est pas respectée, il y a donc un
phénomène de recouvrement de spectre (folding, aliasing). Le filtre passe-bas idéal, qui
permettait de récupérer le spectre de base, ne peut plus agir efficacement dans ces conditions.
La figure ci-dessous indique ce chevauchement. C’est ainsi qu’une fréquence située dans la
zone de repliement est susceptible d’appartenir à la fois au spectre de base du signal initial et
à son spectre image décalé de Fe .
Ŝ f 
repliement de spectre
f
-fmax Fe/2 Fe
Fe fmax
Recouvrement de spectre dans le cas Fe  2f m
Le terme de repliement spectral est d’ailleurs tout à fait justifié (plus encore que celui de
recouvrement). En effet, tout se passe comme si la partie de 𝑆(𝑓) inférieure à 𝐹𝑒 /2 se trouvait
additionnée à la partie de ce même 𝑆(𝑓) supérieure à 𝐹𝑒 /2, repliée autour de 𝐹𝑒 /2 et
conjuguée.
Exemple
On échantillonne une sinusoïde 𝑠(𝑡) = 𝑐𝑜𝑠(2𝜋𝑓0 𝑡) à la fréquence d’échantillonnage de
10 𝑘𝐻𝑧 Dessinons l’allure des échantillons (c’est-à-dire l’allure de la fonction 𝑠̂ (𝑡)
correspondante) pour des valeurs de 𝑓0 égales à:
10𝐾𝐻𝑧, 5𝐾𝐻𝑧, 6,6𝐾𝐻𝑧, 𝑒𝑡 3,3𝐾𝐻𝑧.
Pour que les graphiques possèdent des axes temporels identiques, choisissons de montrer les
600 premières µs des signaux (Figure ci dessous).
𝑓0 = 10𝑘𝐻𝑧 𝑇0 = 100𝜇𝑠
t(µs)
𝑓𝑎 = 0 𝑇𝑎 → ∞
0
100 200 300 400 500 600
t(µs) 𝑓0 = 5𝑘𝐻𝑧 𝑇0 = 200𝜇𝑠

100 300 500
0
200 400 600 𝑓𝑎 = 5𝑘𝐻𝑧 𝑇𝑎 = 200𝜇𝑠
𝑓0 = 6,6𝑘𝐻𝑧 𝑇0 = 150𝜇𝑠
100 200 400 500 t(µs)
0 300 600 𝑓𝑎 = 3,3𝑘𝐻𝑧 𝑇𝑎 = 300𝜇𝑠
𝑓0 = 3,3𝑘𝐻𝑧 𝑇0 = 300𝜇𝑠
100 200 400 500 t(µs)
0 300
600 𝑓𝑎 = 3,3𝑘𝐻𝑧 𝑇𝑎 = 300𝜇𝑠
Les signaux apparents échantillonnés sont représentés en pointillés sur la figure ci-dessus.
On peut alors lire les fréquences apparentes 𝑓𝑎 des signaux échantillonnées.
 𝑝𝑜𝑢𝑟 𝑓 = 3,3𝑘𝐻𝑧 ∶ 𝑇𝑎 = 300𝜇𝑠 𝑒𝑡 𝑓𝑎 = 3,3𝐾𝐻𝑧

 𝑝𝑜𝑢𝑟 𝑓 = 5𝑘𝐻𝑧 ∶ 𝑇𝑎 = 200𝜇𝑠 𝑒𝑡 𝑓𝑎 = 5𝐾𝐻𝑧
 𝑝𝑜𝑢𝑟 𝑓 = 6,6𝑘𝐻𝑧 ∶ 𝑇𝑎 = 300𝜇𝑠 𝑒𝑡 𝑓𝑎 = 3,3𝐾𝐻𝑧
 𝑝𝑜𝑢𝑟 𝑓 = 10𝑘𝐻𝑧 ∶ 𝑙𝑒 𝑠𝑖𝑔𝑛𝑎𝑙 é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑛é 𝑠𝑒𝑚𝑏𝑙𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢 𝑑′𝑜ù 𝑓𝑎 = 0
La fréquence apparente du signal échantillonné ne correspond à la fréquence du signal 𝑠(𝑡)
que pour les fréquence 𝑓 = 3,3𝐾𝐻𝑧 𝑒𝑡 𝑓 = 5𝐾𝐻𝑧, c'est à dire lorsque la fréquence
d'échantillonnage est au moins égale au double de la fréquence du signal 𝑠(𝑡).

ECHANTILLONNAGE REEL
L’échantillonnage idéal impliquant des impulsions infiniment courtes n’est
qu’approximativement réalisable. Dans la pratique on utilisera des impulsions de durée
courtes mais finies. Le signal échantillonnée réel sera constitué alors d’une suite d’impulsions
distantes de Te (période d’échantillonnage) et de largeur  (durée de l’impulsion). L’amplitude
de ces impulsions sera fonction du procédé d’échantillonnage utilisé :
Echantillonneur suiveur (naturel) : l’amplitude égale à s(t ) pendant la durée  (figure a).
Echantillonneur bloqueur (régulier) : l’amplitude constante égale à s(nTe ) (figure b)
Echantillonneur moyenneur: l’amplitude égale à la moyenne de s(t ) sur l’intervalle  (figure
c)
Ŝ(t)
Ŝ(t)=s(t)
s(t)
temps
Te Tf
Figure (a) : Echantillonnage naturel
Ŝ(nTe)=s(nTe)
Ŝ(t) Ŝ(t)
Ŝ(nTe)= s(t )
s(t) s(t)
0 temps 0 temps
↔ ↔
Te Tf Te Tf
Figure (b) : Echantillonnage régulier Figure (c) : Echantillonnage moyenneur
ECHANTILLONNAGE REGULIER OU BLOQUEUR

Dans le cas de l’échantillonnage régulier, l’amplitude de chaque impulsion est constante et
égale à l’amplitude du signal au temps (nTe ) . Ce mode correspond au cas pratique le plus
souvent mis en œuvre.
Le signal échantillonner s’écrit :

Sˆ (nTe )   skT    t  kT   s(t)  

k  
e  e Te     (t )
D’où le spectre Sˆ (f ) de Sˆ (t ) s’obtient en prenant la T.F. de la relation précédente, soit :
Sˆ (f )  S(f )  Fe   Fe (f )  T.F.  (t )
  
 sin  f 
 S(f )   Fe 
 


 f  kFe   

  f
sin  f 

 Fe
 f
  S(f )  f  kFe 

D’où :
sin  f 

Sˆ (f )   Fe
 f
  Sf  kFe 

Le spectre initial est extrait par un filtre passe-bas de largeur Fe . La relation liant le spectre
de base du signal échantillonné Sˆ 0 (f ) et le signal S (f ) est donnée par :
sin  f 
Sˆ 0 (f )   Fe  S(f )
 f
Outre le facteur  Fe , le spectre Sˆ 0 (f ) n’est pas identique au spectre initial S (f ) puisque son
amplitude est modulée par la fonction sin c f  .
L’échantillonnage régulier introduit donc une déformation par rapport à l’échantillonnage
idéal ou naturel. Cette distorsion reste petite dans le cas où la durée de la porte
d’échantillonnage est faible devant la période Te . Par exemple pour une fréquence
d’échantillonnage de 20𝑘𝐻𝑧 et une durée de l’impulsion d’échantillonnage de 5s (rapport
de 10), la distorsion sur le spectre à la fréquence de 1kHz n’est que de 2%.
ECHANTILLONNEUR MOYENNEUR
L’échantillonneur moyenneur donne des échantillons Sˆ (kTe ) correspondant à la valeur

moyenne de s(t ) prise sur une durée de l’impulsion  . Ainsi l’échantillon k s’exprime sous
la forme suivante :
kTe   / 2
 s(t) dt
1
Sˆ (kTe ) 

kTe   / 2
En utilisant la fonction porte, la relation précédente peut s’écrire sous la forme suivante :
kTe   / 2
   t  kTe  s(t ) dt
1
Sˆ (kTe ) 

kTe   / 2

Cette expression représente le produit de convolution de s(t ) et   (t ) au temps kTe , d’où :
Sˆ (kTe )    (t )  s(t )   t  kTe 

1

Le signal échantillonné va donc s’exprimer sous la forme :

Sˆ (t ) 
1
   (t)  s(t) t  kT 

 e
Le spectre Sˆ (f ) de Sˆ (t ) s’obtient par T. F. en utilisant le théorème de Plancherel, soit :
  sinff   S(f )  f  kF 


 
Sˆ (f )  Fe e

 sin  (f  kFe ) 




Ou bien : Sˆ (f )  Fe   S(f  kFe )
   (f  kFe ) 
Après un filtrage passe-bas de largeur Fe , la relation liant le spectre de base du signal

échantillonné Sˆ (f ) et celui du signal S (f ) est donnée par :
0
sin  f 
Sˆ 0 (f )  Fe  S(f )
 f
Conclusion :
Il est important de remarquer que les échantillonnages bloqueur et moyenneur seront d’autant
plus proches de l’échantillonnage idéal que la durée de l’impulsion d’échantillonnage sera
faible devant la période du signal correspondant à la fréquence maximale contenue dans le
signal échantillonné.

APPLICATION
A 1 Soit le signal s ( t ) représenté par la figure (a), son spectre S (  ) obtenu par
transformée de Fourier est représenté en figure (b).
s(t) S()
t(ms)  (Hz)
0 20 40 60 80 100 0 10 20
Figure (a) Figure (b)
1. On désire échantillonner ce signal afin de le transporter sur un réseau :

(a) On se propose d’échantillonner ce signal avec une fréquence d’échantillonnage
 e  50 Hz , ce choix est-il judicieux ? Pourquoi ?
(b) On se propose d’échantillonner ce signal avec une fréquence d’échantillonnage
 e  30 Hz , ce choix est-il judicieux ? Pourquoi ?
2. Parmi les deux solutions étudiées précédemment, choisir la fréquence d’échantillonnage la
plus appropriée. Dans ce cas, représenter le signal sˆ(t ) obtenu par échantillonnage de s (t ) .
3. Soit Sˆ ( ) le spectre de sˆ(t ) , donner la représentation de Sˆ ( ) sur l’intervalle 0, 100 Hz 
4. Donner S1( ) le résultat de la convolution du spectre S ( ) par 1
2
 (   0 )   (  0 ) .
5. En déduire la représentation graphique de S1( ) (On prendra  0  20 Hz ).
6. Déterminer le signal s1(t) obtenu par la T.F. inverse de S1( ) . Représenter s1(t).
A 2 On considère le signal x(t )  cos2   0 t  de période T0 

1
,
0
1. donner une représentation graphique de x ( t ) .
2. Soit X() la transformée de Fourier de x ( t ) , donner sans faire de calcul l’expression de
X ( ) .
3. On considère à présent le signal porte  d ( t ) de largeur d et d’amplitude unité centré à
l’origine. Représenter le signal  d ( t ) .
4. Calculer ()  T.F. d ( t ) .
5. Soit le signal g( t )  x( t )   d ( t ) , sachant que  0  200 Hz et d  20 ms , Calculer la
période T0 du signal x ( t ) . Donner une représentation graphique de g( t ) .
6. Soit G () la transformée de Fourier de g( t ) , déterminer l’expression de G () en utilisant
X() et () .
7. Donner une représentation de G() .

sin x
8. Sachant que la fonction est considérée comme nulle après le deuxième passage par
x
zéro, déterminer graphiquement la fréquence maximale  max de G() .
A3 (extrait janvier 2012)

On considère le signal x( t )  x1 ( t )  x 2 ( t ) avec :
X
x1 ( t )   2 d ( t ) et x2 (t )  0 1  cos 2 F0 t 
2
 2 d ( t ) désigne le signal porte centré à l’origine de largeur 2d et d’amplitude X0.
1
1. Donner une représentation du signal x 2 ( t ) sachant que  F0  500 Hz .
T0
2. En déduire une représentation de x( t ) sachant que d  4 ms .
3. On désigne par X 1  f  et X 2  f  les transformées de Fourier des signaux x1 ( t ) et x 2 ( t )
respectivement, donner les expressions de X 1  f  et X 2  f  .
4. En déduire la transformée de Fourier de x( t ) , que l’on note X  f  .
sin x
5. Nous voulons échantillonner le signal x( t ) , on suppose que la fonction sin c( x ) 
x
comme nulle après le troisième passage par zéro. Représenter le spectre X  f  .
6. Déterminer graphiquement la fréquence maximale f max du signal. En déduire la fréquence
d’échantillonnage idéale Fe ? Justifier.
7. Quel est le nombre d’échantillons N que nous devrions relever sur la courbe.

8. Donner une représentation approximative de x( t ) signal échantillonné de x( t ) .
Corrigé A3
𝑋0
𝑥1 (𝑡) = 2𝑑 (𝑡) 𝑒𝑡 𝑥2 (𝑡) =
[1 + 𝑐𝑜𝑠(2𝜋𝐹0 𝑡)]
2
𝑑 = 4𝑚𝑠, 𝐹0 = 500𝐻𝑧 ⇒ 𝑇0 = 2𝑚𝑠
1)Représentation graphique de x2(t), x1(t) et x(t)
x1(t)
A0
d=4ms
x(t)
t
A0
-d d
𝐴0 t(ms)
𝑥2 (𝑡) = (1 + cos(2𝜋𝐹0 𝑡))
2
-4 0 4
A0
t
Allures de x2(t), x1(t) et x(t)

2) Soit 𝑋1 (𝑓) et 𝑋2 (𝑓) les transformées de Fourier de 𝑥1 (𝑡) et 𝑥2 (𝑡) respectivement:
2𝑑𝜋𝑓
𝑋1 (𝑓) = 2𝑑𝐴0 sin = 2𝑑𝐴0 sinc(2𝑑𝜋𝑓)
2𝑑𝜋𝑓
𝐴0 𝐴0
𝑋2 (𝑓) = 𝛿(𝑓) + 𝛿(𝑓 ± 𝐹0 )
2 4
3) La transformée de 𝑋(𝑓) est donnée par:
𝑥(𝑡) = 𝑥1 (𝑡). 𝑥2 (𝑡)  𝑋(𝑓) = 𝑋1 (𝑓) ∗ 𝑋2 (𝑓)
𝐴0 𝐴0
𝑋(𝑓) = [ 𝛿(𝑓) + 𝛿(𝑓 ± 𝐹0 )] ∗ 2𝑑𝐴0 sinc(2𝑑𝜋𝑓)
2 4
𝑑
𝑋(𝑓) = 𝐴20 d. sinc(2𝑑𝜋𝑓) + 𝐴20 . [sinc(2𝜋𝑑(𝑓 + 𝐹0 )) + sinc(2𝜋𝑑(𝑓 − 𝐹0 ))]
2
4) d'où la représentation de 𝑋(𝑓)

𝑿(𝒇)
𝒅. 𝑨𝟐𝟎
𝒅 𝟐
.𝑨
𝟐 𝟎
f
-F0 0 F0
3/2d
1/d 𝟑
1/2 𝒇𝒎𝒂𝒙 = 𝑭𝟎 +
𝟐𝒅
d
|𝑿(𝒇)|
𝒅. 𝑨𝟐𝟎
𝒅 𝟐
.𝑨
𝟐 𝟎
f
-F0 0 F0
3/2d
1/d 𝟑
𝒇𝒎𝒂𝒙 = 𝑭𝟎 +
1/2 𝟐𝒅
d
5) D'après la représentation graphique de 𝑋(𝑓) on a:

3
𝑓𝑚𝑎𝑥 = 𝐹0 +
2𝑑
3
D'après le théorème de Shannon il faut que : 𝐹𝑒 ≥ 2𝑓𝑚𝑎𝑥 𝑠𝑜𝑖𝑡 𝐹𝑒 = 2𝑓𝑚𝑎𝑥 = 2𝐹0 + 𝑑
6) Soit N le nombre d'échantillons que nous devrions relever sur la courbe on a:

2𝑑 3
𝑁= = 2𝑑𝐹𝑒 = 2𝑑 [2𝐹0 + ] ⇒ 𝑁 = 4𝑑𝐹0 + 6
𝑇𝑒 𝑑
Application numérique: 𝑁 = 4.4. 10−3 . 500 + 6 ⇒ 𝑁 = 14 é𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑠

7) D'où une représentation approximative de x (t ) signal échantillonné de x(t ) .
̂(𝒕)
𝒙
A0
t(ms)
-4 0 4
̂(𝒕) 14 échantillons sur l'intervalle [−𝒅, 𝒅]
signal échantillonnée 𝒙
A 4 Soit un signal x(t) transmis à travers le système ci-dessous
Echantillonneur y(t) Filtre z(t)

x(t) h(t) Passe bande
L’échantillonneur h (t ) d’amplitude unité est réalisé par un interrupteur qui s’ouvre et se

ferme périodiquement à la fréquence Fe  20 Hz avec un temps de fermeture
Tf  20 ms
1. Donner une représentation graphique de l’échantillonneur h (t ) . En déduire son

expression.
2. Déterminer le spectre d’une fonction porte centré à l’origine, de largeur Tf et
d’amplitude unité.
3. On désigne par Xf  le spectre de xt  , Hf  le spectre de ht  et par Yf  le spectre de
y (t ) , déterminer Yf  .
4. Le filtre passe bande idéalisé à un gain unitaire dans la bande de fréquence B.P. (Bande
Passante) centrée sur la fréquence d’échantillonnage 2Fe , l’atténuation en dehors de cette
bande est totale. Donner l’allure du filtre passe bande G f  ainsi que son expression.
5. Soit Zf  le spectre de z (t ) , déterminer l’expression de Zf  .
6. En déduire l’expression de z (t ) .
A5
Soit le signal périodique suivant:

1 2𝜋
𝑥(𝑡) = 1 + cos 𝜔0 𝑡 + cos 2𝜔0 𝑡 𝑎𝑣𝑒𝑐 𝜔0 =
2 𝑇0
1- Calculer l’expression et tracer le spectre de X(v) TF de x(t)

2- Donner la fréquence d’échantillonnage de Shannon de x(t)
3- On échantillonne idéalement le signal x(t) avec une période 𝑇𝑒 = 𝑇0 + 𝑘𝛿, 𝑎𝑣𝑒𝑐 𝑘𝛿 ≪ 𝑇0 .
a. Donner l’expression mathématiques de y(t) signal échantillonné de x(t).
b. Calculer l’expression de Y(), TF du signal y(t).
c. Tracer minutieusement Y() pour un ordre de n variant de -2 à 2.
d. Comparer les allures de Y() et X(v)
e. Expliquer les conditions qu’on doit prendre sur  pour que l'on soit susceptible de
retrouver l’allure du signal initial à partir des échantillons.
4- Pour extraire l’allure X(v) nous devons effectuer un filtrage.
a. Quel type de filtre doit-on utiliser et quelle relation doit-on avoir entre sa
fréquence de coupure et la valeur de k.
b. Tracez le spectre Z(v) ainsi obtenu et donner l'expression de z(t)
c. Expliquer l'effet de k sur le signal si on suppose k variable en comparant z(t) à
x(t).
Corrigé A5
 2  1  4 
1. Calcul de la transformée de Fourier de x( t )  1  cos t  cos t
 T0  2  T0 
On a : x( t )  1 
2

1  j 2 t / T0
e  1

 e j 2 t / T0  e  j 4 t / T0  e j 4 t / T0
4

d’où :
1 1
𝑋(𝜈) = 𝛿(𝜈) + [𝛿(𝜈 − 𝜈0 ) + 𝛿(𝜈 + 𝜈0 )] + [𝛿(𝜈 − 2𝜈0 ) + 𝛿(𝜈 + 2𝜈0 )]
2 4
1
avec  0 
T0
d’où le spectre de X(  )
X ( )

20 0 0 20
soit x( t ) le signal échantillonné de x(t), avec une période d’échantillonnage Te  T0  
 
x( t )  x( t )  Pgn ( t ) avec Pgn ( t )  Te   ( t  mTe )  ( T0   )   t  m( T0   )
 

  m    m 
Pgn (  )              
  Te    T0   
  m   m    m 
X (  )  X (  )         X (  )          X   
  Te    T0      T0   
  m 
X (  )   X    
  T0   
Il est important de remarquer que la fonction X (  ) est périodique, c’est à dire que
l’échantillonnage a introduit une périodicité dans l’espace des fréquences, ce qui constitue une
caractéristique fondamentale des signaux échantillonnés.
L’opération d’échantillonnage telle qu’elle vient d’être décrite et que l’on désigne par
échantillonnage idéal, peut sembler peu réaliste, dans la mesure où il apparaît difficile dans la
réalité d’atteindre, de manipuler ou de restituer une valeur d’un signal à un instant ponctuel.
Les échantillonneurs réels possèdent un certain temps d’ouverture.
Représentation de X (  )
̂ (𝝂)
𝑿
m=-2 m=-1 Filtre m=0 m=1 m=2
(0-e)

-20 -2e -0 -e e 0 2e 20
0
Représentation du spectre échantillonné 𝑋̂(𝜈).
d’après Shannon : f m  2 0 et  e  2 f m  4 0
or  e  1 / T0   on est loin de la condition de Shannon
peut être nul

 3 0  2 0  0  0 2 30 40 50
0 e
e / 2
b) Condition sur  pour la restitution du signal initial

L’échantillonnage a introduit une périodicité du spectre dans l’espace des fréquences ;

restituer le signal d’origine, c’est supprimer cette périodicité, c’est à dire éliminer les bandes
images, opération qui peut être réalisée à l’aide d’un filtre passe bas dont la fonction de
transfert H(f) vaut 1/e jusqu'à la fréquence 𝜈𝑒 ⁄2 et 0 aux fréquences supérieures. En sortie
d’un tel filtre apparaît un signal continu, qu’il est possible d’exprimer en fonction de ses
échantillons.
D'après la représentation de 𝑋̂(𝜈) on voit bien qu'on peut extraire le spectre dit de base (centré
en zéro) 𝑋(𝜈) en utilisant l'opération de filtrage, et on a:
1 1  
   0   e 
T0 T0   T0  T0    T0  T0   
La distance entre pulse est :
2
il faut que 2 0   e  
1 1 T0
   e  
2 e T0  T0    2 4
T0
pour éviter le phénomène de repliement de spectre il faut que  
4
a0 n 2
Cas général , soit x( t )    cos n t
2 1 T0
le spectre de x(t) s ‘écrit :
𝑁
𝑎0 1
𝑋(𝜈) = 𝛿(𝜈) + ∑ [𝛿(𝜈 + 𝑛𝜈0 ) + 𝛿(𝜈 − 𝑛𝜈0 )]
2 2𝑛
𝑛=1
Le spectre du signal échantillonné s’écrit :
𝑁
𝑛
𝑋̂(𝜈) = ∑ 𝑋 (𝜈 − )
𝑇0 + Δ
𝑛=1

distance entre pulse est :  0   e 
T0  T0   
pour éviter le recouvrement il faut que :
n
n  0   e    e
1 1 T0
   
2 T0  T0    2 T0    2n
2.
Echantillonneur
y(t) z(t)
x(t) X
Oscilloscope
Pgn(t) Filtre passe bas
F(  )
Pgn(t) m  1 / 2T0
T0  
 m m
On a : Z(  )  X (  )  F (  )
1 n 1 n
Il faut que m  e   e   m e 
2 T0 (T0  ) 2 T0 (T0  )
avec  e  1 / T0  

T0   m T02
d’où :  m T0 ( T0   )  T0  n  
T0  m  n

rapprochement en fréquence au lieu de 1 / T0 on a entre les pics, donc z(t) est
T0 ( T0   )
une réplique de x(t) mais dilaté dans le temps, d’où :
1    1  2 
Z(  )   (  )           
2  T0 ( T0   ) 4  T0 ( T0   )
d’où :
 2   1  2 2 
z (t )  1 cos t   cos t 
 T0 (T0  )  2  T0 (T0  ) 

z( t )  x( at ) avec a 
T0  
Cas où  m  1 MHz et  0  5 MHz
T0 0 ,2  s T0   m T02
   0 ,05  s     7 ,310 2  s
4 4 T0  m  n
Spectre de Z

0 2
fe
T0 ( T0   )
m
2,5
x(t)
2
1,5 z(t)
0,5
-6
0,5 1 1,5 2 *10
période

TFD Chapitre 6
S IGNAUX A TEMPS DISCRET
I NTRODUCTION
Dans la nature les signaux dépendent de manière continue du temps. Dans les systèmes
modernes de traitement du signal, ces signaux sont souvent échantillonnées pour produire des
signaux à temps discret accessibles aux méthodes numériques de traitement. La première
étape consiste à mesurer, à intervalles réguliers, la valeur du signal x(t) que l’on veut
manipuler. La suite des valeurs numériques x(k )  x(kT) ainsi obtenue sera désignée par
signal numérique ou plus simplement par signal. T est appelée la période d’échantillonnage
et Fe  1 T la fréquence d’échantillonnage.
La figure ci-dessous illustre la chaîne d’acquisition d’un signal numérique
Période
T
x(t) d’échantillonnage
Signal
original Mesure Signal numérique
Acquisition
x(n)  x(nT)
Figure : Acquisition du signal numérique
Il est clair que la fréquence d’échantillonnage doit être suffisamment élevée si l’on ne veut
pas perdre trop d’information sur le signal (condition de Shannon vérifié).
SIGNAUX PARTICULIERS
 Signal sinusoïdal : x(k )  x 0 sin (2 f 0 k   )
 Signal exponentiel complexe : x(k )  x 0 exp 2 jf 0 k 
 La fonction échelon unité ou fonction de Heaviside définie par :
 1 si n0
u(n)  
0 si sin on
 La fonction signe est définit à partir de la fonction échelon unité par :
signe(n)  2 u(n)  1
 La fonction porte définie par la suite :

TFD Chapitre 6
rect N (n)   N (n)  u(n  N)  u(n  N)
 L’impulsion de Dirac
 1 si n  0

Propriétés de la fonction de Dirac :  n   

 0 sin on
 Peigne de Dirac
C’est une suite infinies de fonctions de Dirac régulièrement espacées. Si T0 est l’intervalle
entre deux Dirac successifs, T0 est la période du peigne.

 T n  
0   n  kT 0
k  
T RANSFO RMEE DE F OURIER D ISCRETE
D EFINITIO N
La transformée de Fourier Discrète (TFD) est la transformation faisant passer du signal
temporel :
x(k ) 0k N
au signal fréquentiel :
X(m) 0mN
par : X(m)  TFD x(k )
N 1
2 j k m 
X(m)  X m    x(k) exp  
k 0
N 

 est un facteur de normalisation tout à fait arbitraire. En général, on choisit   1 ou

  1 N . On pourrait rendre plus symétrique la TFD et la TFD-1 en posant   1 N .
Si les N échantillons ont été prélevés avec une fréquence d’échantillonnage Fe , la durée du
signal échantillonnée, sur laquelle a été calculée la transformée de Fourier discrète, est donnée
par :
N
  N Te 
Fe
En conséquence, le spectre de ce signal échantillonnée, composé de N termes, est calculé sur
un domaine fréquentiel 0, Fe  avec une précision ou distance fréquentiel entre points égale
à:

TFD Chapitre 6
1 F 1
f 
 e 
 NTe N
De même que pour la transformée de Fourier d’un signal continu, on peut définir une
transformation inverse qui s’écrit :
N 1
 j2 m k 
TFD 1 X m   s k  
1
S m exp   
N m 0  N 
T RANSFO RMEE DE F OURIER R APIDE

La transformée de Fourier rapide TFR ou FFT (Fast Fourier Transform) est simplement un
algorithme permettant de réduire le nombre d’opérations, pour calculer la TFD.
Rappelons la relation permettant de calculer la TFD :
N 1
 km
Xm  x
k 0
k exp   j 2


N 
pour m  0,1, , N  1
Les opérations à effectuer pour obtenir ces N valeurs de la transformée de Fourier discrète
dans le cas de N échantillons du signal initial sont :
 N  N  N2 multiplication complexes
 N  N  1 additions complexes
Etant donné que la durée d’exécution d’une addition est négligeable devant la durée d’une
multiplication, le coût de calcul de la TFD va donc essentiellement dépendre du temps de
réalisation d’une multiplication.
Il existe différent algorithme de Transformée de Fourier Rapide. Le plus connu et le plus

utilisé est celui de Cooley-Tukey (appelé aussi entrelacement temporel). Le nombre des
N
multiplications complexes est log 2 N
2
Le gain en fonction du nombre d’échantillons est important, sachant que le calcul de TFD se
fait généralement sur un minimum de 512 ou 1024 échantillons et que le temps de calcul
d’une multiplication est prépondérant par rapport à l’addition, le temps de calcul d’une TFD
par FFT peut être réduit d’un facteur supérieur à 100
N  2N
N 2  log 2 N  
2  log 2 N
A LGORITHME DE LA T RANSFORMEE DE F OURIER R APIDE

L’algorithme de Cooley-Tukey, appelé aussi algorithme de réduction à base 2 dans le
domaine temporel, s’applique dans le cas où le nombre N d’échantillons x k s’exprime sous la
forme 2 L et permet alors de simplifier le problème par une décomposition dichotomique.
Posons :
TFD Chapitre 6
 km
WNmk  exp   j 2 
 N 
Cette fonction a les propriétés suivantes :
 2k m   km 
WN2mk  exp   j 2   exp   j 2   WNmk2
 N   N 2
 km
Et pour m  N 2 : WNmk  N 2   exp   j 2   exp  j     WN
mk
 N 
Pour calculer les N échantillons de la DFT, X 0 , X1 , X m , , X N1  on utilise l’expression de
N 1
base : X m  x
k 0
k WNmk pour m  0,1, , N  1
En séparant les échantillons d’ordre pair et d’ordre impair, il vient :
N 2 1 N 2 1
Xm  xi 0
2i W m 2i 
N   x
i 0
2 i 1 WNm 2i 1
Ou bien :
N 21 N 21
Xm  xi 0
2i Wmi
N2 W m
N  x
i 0
2 i 1 WNm 2i
Ce résultat montre que les échantillons X m de la DFT d’ordre N s’exprime sous forme de
deux DFT d’ordre N 2 :
X m  X1N 2 m  WNm X 2 N 2 m
Avec X1N 2 m transformée d’ordre N 2 effectuée sur les échantillons d’ordre pair et X2 N 2 m
transformée d’ordre N 2 effectuée sur les échantillons d’ordre impair. Ainsi nous avons donc
à calculer 2 transformées d’ordre N 2 et N 2 multiplications complexes pour terminer le
calcul. Si l’on considère l’opérateur papillon, représenté ci-dessous, le calcul d’une DFT
d’ordre N conduit à faire le calcul de deux DFT d’ordre N 2 et de terminer un calcul en
utilisant un opérateur papillon avec le coefficient WNm .
a A=a+ WNm b
b WNm A=a- WNm b

Opérateur de base pour le calcul de la TFR
Pour illustrer ce principe nous allons considérer la cas où N  8 . Pour calculer la TFD nous
disposons de 8 échantillons temporels avec k  0, 7 et nous allons calculerles 8
échantillons fréquentiels X m avec m  0, 7. L’expression, utilisée pour calculer les X m , en
fonction des est la suivante :

TFD Chapitre 6
x  km 
Xm  k W8mk avec W8mk  exp   j 
k 0  4 
Seuls les 8 premiers valeurs de W8mk sont différentes puisque cette fonction est identique
modulo 8, soit :
W80   W84  1 W81   W85 

2
1  j
2
W82   W86   j W831   W87  

2
1  j
2
3
Les échantillons pairs s’écrivent : X1m  x
k 0
2k W4mk pour m  0, 3
3
Les échantillons impairs s’écrivent : X 2m  x
k 0
2k 1 W4mk pour m  0, 3
 km 
Avec les 4 valeurs de la fonction W4mk  exp   j 
 2 
W40   W42  1  W80  W84
W41   W43   j  W82  W86
Ensuite les échantillons de TFD complète sont obtenus à l’aide du calcul « papillon » avec les
coefficients W8mk
Pour 0  m  3  X m  X1m  W8m X2 m
Pour 4  m  7  X m  X1m  4  W8m  4 X2 m  4
Les coefficients des expressions, donnant X1m et X1m , étant très simples( 1 ou j), la méthode
de découpage peut se limiter à cette étape et conserver ainsi comme premier calcul des TFD
d’ordre 4, d’où la représentation schématique du calcul de la TFR.
x0 X10 X0=X10+W80 X20

x2 TFD X11 X1=X11+W81 X21
x4 ordre 4 X12 X2=X12+W82 X22
x6 X13 X3=X13+W83 X23
W80
x1 X20
W81 X4=X10-W80 X20
x3 TFD X21 W82 X5=X11-W81 X21
x5 ordre 4 X22 W83
x7 X6=X12-W82 X22
X23
X7=X13-W83 X23
Représentation schématique du calcul de la TFR après un premier

découpage dichotomique de la TFD
Modulation Chapitre 7
TECHNIQUE DE MODULATION
I NTRODUCTION
Transmettre l'information a toujours été une problématique majeure, les en- jeux en
sont multiples: économiques, stratégiques, culturels... Les "traiteurs de signaux" ont ainsi
développé des techniques appropriées de plus en plus performantes. Pour être transmise,
l'information doit être formalisée, écrite ou codée. Nous nous intéresserons à l'information
codée sous forme d.une fonction (monovariable pour simpli.er) ou d.une séquence numérique
indexée par un seul indice. Les exemples pratiques actuels sont nombreux. On peut citer, la
transmission du son par voie hertzienne, par fibre optique, la transmission du signal vidéo ou
encore de données numériques sur la toile. Il faut dans tous les cas envisager la transmission
par un canal commun (le même medium) de plusieurs signaux simultanément (téléphonie
cellulaire par exemple, différentes chaines de télévision). Le canal commun, le medium, est
variable: .l conducteur de l'électricité, ondes hertziennes (la lumière en fait partie), ondes
sonores. Il faut disposer de procédés permettant d'inscrire l'information sur le canal au niveau
de l'émetteur et ensuite, au niveau du récepteur d'extraire cette information. L'inscription du
signal fait en général appel à un procédé appelé modulation, l'extraction, dans ce cas passe par
une démodulation. Les premiers procédés de modulation développés sont la modulation
d'amplitude et ses variantes (bande latérale unique, avec et sans porteuse) puis les techniques
de modulation de fréquence et de phase sont apparues. Très récemment on a introduit les
modulations très large bande qui ont révolutionné le multiplexage des signaux.
TYPES DE TRANSMISSION
 Le spectre du signal que l’on désire transmettre doit être compris dans la bande passante
du support de la voie de transmission si l’on veut avoir une réception correcte sans
déformation par le support.
 Si le support de la voie de transmission a une très large bande passante par rapport au
signal à transmettre, il est évident que l’utilisation de la voie de transmission n’est pas
optimisée.
A partir de ces deux remarques on distingue deux techniques de transmission de signaux :
Transmission en bande de base : les signaux sont transmis tels qu’ils sortent de la source,
c’est à dire dans leur bande de fréquence originale. Cette technique est utilisée chaque fois
que le milieu de transmission convient au sens des domaines fréquentiels et que les conditions
économiques permettent de consacrer un support physique à chaque communication.
Transmission par modulation : cette opération consiste à transposer un signal en un autre
contenant sensiblement la même information, mais avec une modification en fréquence du
signal.
Le mode de transmission par modulation présente deux avantages essentiels :

 Le multiplexage fréquentiel : utilisation du même support de transmission par

plusieurs communications.
 L’adaptation aux conditions particulières d’un milieu de transmission :
insensibilisation aux parasites, augmentation des distances de propagation, etc.
LES DIFFERENTES FORMES DE MODULATION

La modulation d’un signal utilise un signal sinusoïdal de fréquence f p appelé onde porteuse :
Vp  A cos  t    f p   2
Ce signal ou onde porteuse Vp est utilisé pour transmettre le signal ‘‘informatif’’ en

modifiant l’une de ses caractéristiques, ces modifications peuvent affectés :
 L’Amplitude A du signal porteur : modulation d’amplitude (AM).

 La fréquence f p du signal porteur : modulation de fréquence (FM).
 La phase  du signal porteur : modulation de phase.
N.B. : la fréquence de la porteuse f p est en général très supérieure à la plus haute fréquence
f m du signal à transmettre (Le modulant)
Il est possible dans certains cas d’associer deux types de modulation (par exemple la
modulation d’amplitude et de phase).
Dans ce cours nous nous intéressons à la modulation d’amplitude. Les techniques de

modulations sont principalement utilisées pour véhiculer les informations (téléphonie, radio
diffusion…) mais elles sont également utilisées dans le traitement du signal.
MODULATION D’AMPLITUDE
La modulation d’amplitude est le procédé le plus ancien, il consiste à faire varier linéairement
l’amplitude du signal à moduler (généralement appelé porteuse) en fonction du signal
modulant.
La modulation sert à transmettre un signal m (t ) (source) à l’aide d’un autre signal Vp (t )
(porteuse) d’une fréquence plus élevée. Il est évident que tous les postes émetteurs de radio
utilisent un plage de fréquence audibles (compris entre 20 Hz et 20 kHz) pour nous faire
entendre leurs programmes. Donc si tous les émetteurs envoyaient directement ces
fréquences, nous n’aurions que du bruit à la réception. En attribuant à chacun une porteuse
différente, à la réception nous choisissons le programme voulu en sélectionnant sa porteuse
(définie par sa fréquence ou par sa longueur d’onde ). Il suffit alors de démoduler le signal
pour avoir accès à l’information d’origine.
C
 C  300  106 m / s vitesse de la lumière F : fréquence
F

La modulation est également utilisée pour des liaisons numériques (ordinateurs, fax) sur des
lignes analogiques (la porteuse étant un signal analogique. On parle souvent de modem
(modulateur-démodulateur)
PRINCIPE DE LA MODULATION D’AMPLITUDE

Le principe est simple : il s’agit de multiplier un signal de fréquence élevée (dit porteuse) par
le signal à transmettre (dit modulant) auquel on ajoute une composante continue.
L’onde porteuse étant définie par Vp (t )  A cos  t    et le signal modulant m (t ) à

transmettre vérifiant la propriété suivante : m(t) max  1 .
L’expression du signal modulé en amplitude VAM s’écrit sous la forme suivante :
VAM (t)  A 1  k  m(t)cos  t  
où k est le taux de modulation (exprimé en pour-cent de la profondeur de modulation).
Le signal modulant Signal de la porteuse

1 1
0.5 0.5
0 0
-0.5 -0.5
temps (ms)
-1 -1
0 0.5 1 1.5 2 0 0.5 1 1.5 2
Amplitude k=1/4
1.5
A(1+k)
1
A(1-k)
0.5
-0.5
-A(1-k)
-1 temps (ms)
-A(1+k)
-1.5
0 0.5 1 1.5 2
Allure du signal modulé
FORME DU SIGNAL MODULE

Si on observe le signal modulé pendant une durée de plusieurs périodes de l’onde porteuse, on
voit varier l’amplitude instantanée de cette onde en fonction du signal m (t ) . Dans le cas où
l’amplitude maximale du signal m (t ) est égale à 1 l’amplitude positive de l’onde porteuse
varie de A (1  k ) à A(1  k ) et l’amplitude négative varie entre  A (1  k ) et  A(1  k ) . On
parlera d’enveloppe du signal modulé.
ETUDE SPECTRALE D’UN SIGNAL MODULE EN AMPLITUDE
Cas particulier : m(t)  cos ( t)  cos 2f m t 
Dans ce cas particulier, le signal modulé s’écrit :
VAM  A 1  k cos( t)cos  t  
Soit :
Ak
cos (  ) t    cos (  ) t  
VAM (t )  A cos  t    
2
Le spectre de fréquence du signal modulé est un graphe nous présentant l’amplitude de
chaque composante du signal. En effet, tout signal périodique est décomposable en une
somme de fonctions sinusoïdales, le signal modulé est lui même une somme de signaux
sinusoïdaux.
Amplitude
Amplitude
Porteuse
A A
BLI BLS
k A/2 k A/2
Fréquence Fréquence
-  + fp-fm fp fp-fm
Figure : Spectre du signal modulé

(BLI : Bande Latérale Inférieur, BLS : Bande Latérale Supérieur)
Le spectre se compose donc de trois raies :  (raie de l’onde porteuse),    (raie latérale
inférieure) et    (raie latérale supérieure). La largeur spectrale occupée par le spectre est
de 2 .
En pratique, le signal à moduler balaye une certaine plage de fréquences, l’allure du spectre
de fréquence est donnée par la figure ci-dessus.
L’énergie délivrée par l’émetteur est répartie par les trois composantes du spectre : la porteuse
et les deux bandes latérales. Il y a donc gaspillage de puissance puisque l’information utile
n’est contenue que dans les bandes latérales et encombrement de l’espace puisque les deux
bandes contiennent la même information.
La première solution, consiste à supprimer la porteuse ce qui permet d’économiser de
l’énergie. Cette solution est appelée modulation sans porteuse.

La deuxième solution, consiste à ne transmettre que la bande latérale unique (BLU), on

supprime alors l’une des deux bandes et la porteuse.
Cas général :
Dans ce cas général, le signal m (t ) peut s’exprimer suivant sa décomposition en série de

Fourier :
N N
m (t )  
i 0
a i cos  i t    a cos 2 f t 
i 0
i i
Cette décomposition est supposée limitée aux N  1 premiers termes, soit pour
i  N , ai  0 . Donc nous avons un spectre borné qui peut être représenté de façon continue
en supposant les raies très proches, c’est à dire la différence entre les  i très petite en
supposant ki  k ai , l’expression du signal modulé est donnée par :
 N

VAM t   A 1 

ki 0
i cos( i t ) cos  t   

 cos (  i ) t    cos (   i ) t  

Ak i
Soit : VAM t   A cos  t   
i 0
2
Cette représentation conduit à une densité spectrale se présentant sous la forme d’une raie
centrale de fréquence  identique au cas précédent et de deux bandes latérales s’étendant de
 à    N (bande latérale supérieure) et de    N à  (bande latérale inférieure. La
largeur spectrale est donc de 2 N . Ainsi si l’on désire transporter par un même canal
plusieurs informations de type basse fréquence (BF), l’écart minimal entre les porteuses doit
être de 2 N .
Modulation d’amplitude sans porteuse (AM-P)

On parle de modulation d’amplitude sans porteuse dans le cas où on a disparition complète de
la raie de la porteuse. Ainsi le spectre du signal modulé se réduit à ces deux bandes latérale
supérieure et inférieure. Ce procédé de modulation est obtenu par annulation de la
composante continue, en effet le signal modulé est obtenu en effectuant le produit du signal
modulant avec la porteuse.
Amplitude
BLI BLS
k A/2
Fréquence
-  +

VAM(f)
M(f)
2Bm
f f
-Bm 0 Bm -fp 0 fp
Spectre du signal modulant Spectre du signal modulé (AM-P)
Modulation à Bande Latérale Unique (BLU)

Afin de supprimer la redondance des signaux transmis au niveau des deux bandes latérales, on
réduit la largeur du canal pour ne transmettre qu’une bande latérale : Modulation à Bande
Latérale Unique (BLU). Ce procédé de modulation peut être réalisé à partir des signaux
obtenus lors de la modulation d’amplitude classique en filtrant la bande latérale non utilisée.
Ce type de modulation conduit à un spectre utile de largeur de bande égale ou légèrement
supérieur à  N .
Amplitude
Filtre
passe-bas
BLI BLS
k A/2
Fréquence
-N  +N
VAM(f)
M(f)
f f
-Bm 0 Bm -fp 0 fp
Spectre du signal modulant Spectre du signal modulé (BLU)
La démodulation d'amplitude
Il existe deux méthodes principales pour effectuer la démodulation d'un signal modulé en
amplitude, une méthode non-linéaire faisant appel à un détecteur d'enveloppe et la détection
synchrone qui utilise un circuit multiplieur.

Détecteur d'enveloppe
On utilise un circuit redresseur non-linéaire, en général une simple diode, qui permet
d'extraire la partie positive du signal modulé (voir figure 3.8), on appelle ce circuit un
détecteur. Un filtre passe-bas éliminera la composante haute fréquence et permettra d'extraire
l'enveloppe du signal modulé (voir un exemple de schéma symbolique à la figure 3.10). Si le
taux de modulation est inférieur ou égal à un, cette enveloppe est le signal modulant. Si le
signal est surmodulé, une distorsion sera alors observée (voir figure 3.9) car c'est alors la
valeur absolue du signal modulant qui est extraite.
Détection synchrone
Il faut disposer dans le récepteur d'un signal synchronisé sur la porteuse: 𝑒𝑝 (𝑡) = 𝑠𝑖𝑛 𝜔𝑝 𝑡, ce
signal est multiplié par le signal modulé reçu
𝑦(𝑡) = 𝑥(𝑡) × 𝑒(𝑡) = (1 + 𝑚. 𝑠(𝑡))𝑠𝑖𝑛2 𝜔𝑝 𝑡

1 + 𝑐𝑜𝑠2𝜔𝑝 𝑡
= (1 + 𝑚. 𝑠(𝑡))
2
Un simple filtre passe-bas élimine la composante à la pulsation 2𝜔𝑝 et ne laisse passer que la
composante continue qui fournit directement, à un offset et à un facteur de gain près, le signal
modulant 𝑠(𝑡) (voir le schéma symbolique à la figure 3.11).
1 + 𝑚. 𝑠(𝑡)
2
ou encore
La démodulation synchrone consiste à réaliser le produit du signal modulé et d’un signal

auxiliaire de fréquence égale à la fréquence de l’onde porteuse. Le signal ainsi obtenu sera
filtré par un filtre passe-bas de fréquence de coupure f c  2f p  Bm avec Bm la largeur de la
bande spectrale du signal modulant.
VAM(t) y(t) Filtre d(t) :signal démodulé

Passe-bas
Signal 2fp-Bm
modulé
Vp(t) : Porteuse
Schéma de principe de la démodulation synchrone

APPLICATION
A 1 (EXTRAIT JANVIER 2012)
 
On souhaite transmettre un signal modulant m(t )  cos  0 t  en utilisant la technique de
 2 
modulation d’amplitude avec une porteuse V p (t )  cos 4 f p t  et une composante continue
U DC  2V .
Avec : 0  2 f m
1. Déterminer l’expression du signal modulé VAM (t) .
2. Quelles sont les fréquences présentes dans le signal VAM (t) .
3. Quelle est la nature du spectre du signal modulé ? Justifier.
4. On désigne par M (f ) le spectre de m (t ) et par VAM (f ) spectre du signal modulé,
montrer que VAM (f ) peut se mettre sous la forme suivante :
 
V AM ( f )  2 V p ( f )  M  f  2 f p   M  f  2 f p 
1
2
5. En déduire l’expression de VAM (f ) .

6. Donner une représentation de VAM (f ) .
7. A prtir du spectre VAM (f ) on désire gardé sa bande latérale inférieur, quel est la nature
du filtre qu’il faut appliqué, préciser sa fréquence de coupure. Quel est le nom de cette
modulation ?
8. En déduire l’allure du spectre VAM (f ) après filtrage.
9. Pour démoduler le signal m (t ) nous multiplions le signal modulé par le signal de la
porteuse, comme le montre la figure ci-dessous :
VAM(t) Y(t)
X Filtrage VD_AM(t)
Vp(t)
10. Déterminer l’expresion de Y(t ) . En déduire les fréquences de Y(t ) .

11. Préciser la nature du filtre à appliquer au signal Y(t ) ainsi que sa fréquence de coupure
pour obtenir le signal VDAM (t) (qui représente le signal m (t ) démodulé)

A 2 On considère le spectre de fréquence de quatre signaux continues m1 (t) , m 2 (t) ,

m 3 (t ) et m 4 (t ) illustré par la figure ci-dessous :
M1(f) M2(f)
1 1
f(kHz) f(kHz)
0 50 0 100
M3(f) M4(f)
1 1
f(kHz) f(kHz)
0 150 0 50 200
1. Donner la représentation spectrale du signal modulé X1 (f ) dans le cas d’une modulation

AM du signal modulant m1 (t) avec une porteuse cos 2 2  10 5 t .
2. Donner la représentation spectrale du signal modulé X 2 (f ) dans le cas d’une modulation
AM-P du signal modulant m 2 (t ) avec une porteuse cos 2 4  10 5 t .
AM à bande latérale unique du signal modulant m 3 (t ) avec une porteuse cos 2 5  10 5 t .
AM-P à bande latérale unique du signal modulant m 4 (t ) avec une porteuse cos 2 6  10 5 t
5. On considère à présent le système de communication donner par la figure 1. C’est un
système à deux utilisateurs m 2 (t ) et m 4 (t ) dont le spectre est illustré ci-dessus. Nous
attribuons les fréquences des porteuses f 2  400KHz pour m 2 (t ) et f 4  600KHz pour
m 4 (t ) .
a. Donner l’expression de x (t ) dans le cas d’une modulation AM-P. En déduire
l’expression X (f ) en fonction de M 2 (f ) et M 4 (f ) .
b. Donner la représentation spectrale du signal modulé X (f ) dans le cas d’une modulation
AM-P
c. On désire extraire à partir de X (f ) la bande latérale inférieur de M 2 (f ) , préciser la
nature du filtre qu’il faut appliquer ainsi que sa fréquence de coupure.
cos 2 4  10 5 t
m2(t) X
x(t)
Figure 1 +
m4(t) X
cos 2 6 105 t
A3
20 kHz Modulateur Filtre passe bas
fc=20 kHz
Uinf
1 kHz
UT
UAM (t) Ufiltré
±1,5V
UDC
1. Décrire brièvement le principe de modulation d’amplitude correspondant à la figure 1.

2. Sachant que U T  cos 2 f T t , U inf  cos 2 f inf t et U DC  1V , donner l’expression
du signal modulé que l’on notera U AM ( t ) .
3. Quelles sont les fréquences présentes dans le signal U AM ( t ) .
4. Donner l’expression du spectre du signal modulé U AM ( f ) . En déduire sa

représentation.
5. Le filtre passe bas de fréquence de coupure f c est idéal, déduire une représentation du
spectre de U filtré ( f ) .
6. Donner la nouvelle représentation de U filtré ( f ) lorsque U DC  0V . Quel est le nom
de cette modulation.

Signaux et Systèmes Discrets Chapitre 8
Analyse des Systèmes Linéaires Invariants

Il s’agit d’une classe de système largement utilisée en traitement du signal. On
suppose un tel système linéaire, et invariant dans le temps. L’hypothèse de linéarité conduit
au principe de superposition dû à la conservation de l’opérateur d’addition par la
transformation ; cette hypothèse simplifie grandement les études analytiques des systèmes
numériques. La stratégie générale d’analyse d’un système linéaire invariant est la suivante :
1. Décomposition du signal d’entrée en une somme de signaux ou fonctions de base.
𝑥(𝑛) = ∑ 𝑎𝑘 𝑥𝑘𝑏 (𝑛)

𝑘
2. Etude de la réponse du système pour l’ensemble des fonctions de base.
𝑦𝑘𝑏 (𝑛) = 𝑇[𝑥𝑘𝑏 (𝑛)]
3. Recomposition de la sortie en appliquant le principe de superposition.
𝑦(𝑛) = ∑ 𝑎𝑘 𝑦𝑘𝑏 (𝑛)

𝑘
L’intérêt d’une telle approche est de s’appuyer sur un ensemble de fonctions de base
possédant des caractéristiques intéressantes connues (fonction ±(n) et l’exponentiel complexe
par exemple).
Représentation d’un signal
Appliquons le premier point énuméré précédemment en utilisant des signaux 𝜹 comme

fonction de base. Soit 𝑥(𝑛) un signal numérique quelconque que l’on cherche à représenter
uniquement avec un ensemble de fonctions 𝜹(𝒏).
Développons le signal 𝑥(𝑛) :
𝑥(𝑛) = ⋯ , 𝑥(−2), 𝑥(−1), 𝑥(0), 𝑥(1), 𝑥(2), ⋯

On rappelle que 𝜹(𝒏) vaut 1 si 𝑛 = 0, 0 sinon; une somme de fonction 𝜹(𝒏) qui ne se
recouvre pas sur le même indice vaut soit 1, soit 0.
On peut donc écrire:
⋮
𝑥(−1) = ⋯ , +0. 𝑥(−2), 𝟏. 𝒙(−𝟏), 0. 𝑥(0), 0. 𝑥(1), 0. 𝑥(2) + ⋯
𝑥(0) = ⋯ , +0. 𝑥(−2), 0. 𝑥(−1), 𝟏. 𝒙(𝟎), 0. 𝑥(1), 0. 𝑥(2) + ⋯
𝑥(1) = ⋯ , +0. 𝑥(−2), 0. 𝑥(−1), 0. 𝑥(0), 𝟏. 𝒙(𝟏), 0. 𝑥(2) + ⋯
⋮
Le signal 𝑥(𝑛) s'écrit alors:

+∞
𝑥(𝑛) = ∑ 𝑥(𝑘)𝛿(𝑛 − 𝑘)
𝑘=−∞
Système Linéaire Invariant
Soit maintenant un système linéaire (SL) transformant un signal d'entrée 𝑥(𝑛) en un signal de
sortie 𝑦(𝑛):
𝑦(𝑛) = 𝑇[𝑥(𝑛)]
+∞ +∞
𝑦(𝑛) = 𝑇 [ ∑ 𝑥(𝑘)𝛿(𝑛 − 𝑘)] = ∑ 𝑇[𝑥(𝑘)𝛿(𝑛 − 𝑘)]

𝑘=−∞ 𝑘=−∞
+∞
𝑦(𝑛) = ∑ 𝑥(𝑘)𝑇[𝛿(𝑛 − 𝑘)]

𝑘=−∞
On pose : ℎ𝑘 (𝑛) = 𝑇[𝛿(𝑛 − 𝑘)]
En plus d'être linéaire, si le système est invariant, ℎ𝑘 (𝑛) ne dépend plus de 𝑘, donc
ℎ(𝑛) = 𝑇[𝛿(𝑛)]
Pour un système linéaire invariant (SLI), on obtient alors la relation suivante entre le signal
d'entrée et de sortie:
+∞
𝑦(𝑛) = ∑ 𝑥(𝑘) ℎ(𝑛 − 𝑘)

𝑘=−∞
Un Système Linéaire Invariant est donc entièrement caractérisé par sa réponse

impulsionnelle ℎ(𝑛). Cette opération d'accumulation de termes multiplicatifs porte le nom de
convolution et se note ∗, on a:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛)
Par simple changement de variable sous le signe somme, il est simple de montrer qu'il s'agit
d'un opération commutative, on a alors:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛) = ℎ(𝑛) ∗ 𝑥(𝑛)
Exemple de convolution
Soit la réponse impulsionnelle ℎ(𝑛) d'un système linéaire invariant telle que:
𝑎𝑛 𝑠𝑖 𝑛 ≥ 0
ℎ(𝑛) = {
0 𝑠𝑖 𝑛 < 0
ou encore:
ℎ(𝑛) = 𝑎𝑛 𝑢(𝑛)
Ce signal est représenté sur la figure (1.a)
Etudions la réponse d'un tel système à l'entrée suivante:

𝑥(𝑛) = 𝑢(𝑛) − 𝑢(𝑛 − 𝑁) 𝑝𝑜𝑢𝑟 𝑁 𝑓𝑖𝑥é
On trouvera sur la figure (1.a) la réponse impulsionnelle ℎ(𝑛) et sur la figure (1.b) une
représentation du signal de sortie 𝑦(𝑛)
𝑟é𝑝𝑜𝑛𝑠𝑒 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛𝑛𝑒𝑙𝑙𝑒 ℎ(𝑛) 𝑒𝑛𝑡𝑟é𝑒 𝑥(𝑛)
1 1
𝑭𝒊𝒈𝒖𝒓𝒆 (𝟏. 𝒂)
-10 0 10 20 30 -10 0 10 20
𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛 𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛
𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒 𝑦(𝑛)
𝑭𝒊𝒈𝒖𝒓𝒆 (𝟏. 𝒃)
-10 0 10 20 30
𝑖𝑛𝑑𝑖𝑐𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙 𝑛
1. Pour 𝒏 < 0
ℎ(𝑛 − 𝑘) et 𝑥(𝑛) n'ont aucun échantillon non nuls en commun donc 𝑦(𝑛) = 0 pour
𝑛 < 0.
2. Pour 0 ≤ 𝒏 < 𝑵
On a un recouvrement d'échantillons non nuls pour 0 ≤ 𝒌 < 𝑛, donc pour 0 ≤ 𝒏 < 𝑵
𝑛
𝑛−𝑘
1 − 𝑎 −(𝑛+1)
𝑛
𝑦(𝑛) = ∑ 𝑎 =𝑎
1 − 𝑎−1
𝑘=0
3. Pour 𝒏 ≥ 𝑵
On a 𝑛 recouvrements d'échantillons non nuls pour 0 ≤ 𝒌 < 𝑁 donc pour 𝒏 ≥ 𝑵, on a
𝑁−1
1 − 𝑎−𝑁
𝑦(𝑛) = ∑ 𝑎𝑛−𝑘 = 𝑎𝑛
1 − 𝑎−1
𝑘=0

Stabilité
Un système est stable si à une entrée bornée correspond une sortie bornée. Soit h(n) la
réponse impulsionnelle d’un système linéaire invariant, la condition de stabilité d’un tel
système s’écrit :
+∞
∑ |ℎ(𝑛)| < ∞
𝑛=−∞
Un système linéaire invariant est stable si le domaine de convergence de sa transformée en z

inclue le cercle unité.
Pour finir, un système linéaire invariant causal est stable si et seulement si tous les pôles de sa
fonction de transfert sont à l’intérieur, strictement, du cercle unité.
Causalité
Un système est causal si un changement en sortie ne précède pas un changement en entrée.

Soient deux signaux d’entrée 𝑥1 (𝑛) et 𝑥2 (𝑛) ainsi que leurs sorties respectives 𝑦1 (𝑛) et
𝑦2 (𝑛),
un système est causal si et seulement si ∃ 𝑛0 tel que si 𝑥1 (𝑛) = 𝑥2 (𝑛) pour 𝑛 < 𝑛0 alors
𝑦1 (𝑛) = 𝑦2 (𝑛) pour 𝑛 < 𝑛0 .
Un système linéaire invariant est causal si et seulement si ℎ(𝑛) = 0 pour 𝑛 < 0.
Une séquence est causale si les échantillons de cette séquence sont nuls pour 𝑛 < 0.
Equation aux différences finies
Les équations de convolutions développées au cours des paragraphes précédents font

intervenir des sommes infinies de termes. Si la réponse impulsionnelle possède un nombre
infini de termes il est difficilement envisageable de mettre en œuvre cette convolution sur un
calculateur. Mais, il cependant possible pour certaines classes de réponses impulsionnelles
infinies de développer la convolution sous la forme d’une récursion. La relation entre l’entrée
et la sortie est une combinaison linéaire à coefficients constants (et en nombre fini) des
échantillons d’entrée et de sortie.
Une équation aux différences finies peut s’écrire sous la forme :
𝑁 𝑀
𝑦(𝑛) = ∑ 𝑎𝑘 𝑦(𝑛 − 𝑘) + ∑ 𝑏𝑘 𝑥(𝑛 − 𝑘)

𝑘=1 𝑘=0
Un système régit par une équation aux différences finies du type précédent est linéaire,
invariant et causal.
Si 𝑵 ≥ 𝟏 :
 un échantillon de sortie au temps 𝑛, 𝑦(𝑛) dépend des 𝑵 précédents échantillons de
sortie 𝑦(𝑛 − 1) ⋯ 𝑦(𝑛 − 𝑁),
 un tel système est dit récursif,
 la réponse impulsionnelle est infinie (RII), ou IIR en anglais (Infinite Impulse
Response).
Si 𝑵 = 𝟎 :
 la sortie y(n) dépend seulement de l’entrée courante x(n) et de ses M échantillons
précédents,
 le système est dit non-récursif,
 la réponse impulsionnelle est finie (RIF), ou FIR en anglais (Finite Impulse
Response).
 La réponse impulsionnelle d’un système RIF est donnée par :
ℎ(𝑛) = ∑ 𝑏𝑘 𝛿(𝑛 − 𝑘)
𝑘=0
Puisque qu’étudier un système linéaire invariant revient à étudier sa réponse impulsionnelle,

le cas particulier d’une réponse impulsionnelle mise sous la forme d’une équation aux
différences finies consiste à étudier un système linéaire d’équations, c’est-à-dire à en extraire
les racines du polynôme caractéristique. Ceci sera effectué de manière efficace en utilisant la
transformée en 𝒁.
Représentation fréquentielle
Au cours du paragraphe précédent, nous avons vu que les systèmes linéaires invariants
ont des propriétés, notamment le principe de superposition, qui conduisent à des solutions
analytiques simples. Si on applique une sinusoïde à l’entrée d’un système LI la sortie est elle
aussi sinusoïdale et de même pulsation. Les amplitudes et phases dépendent par contre des
caractéristiques du système. Il est donc possible d’analyser le comportement d’un système
linéaire invariant par l’observation de l’évolution des paramètres d’une série de sinusoïdes.
C’est cette propriété qui rend si intéressante l’utilisation de la transformée de Fourier pour
l’étude des systèmes LI. Soit l’entrée 𝑥(𝑛) = 𝑒 𝑗𝜔𝑛𝑇 = 𝑒 𝑗Ω𝑛𝑇 pour −∞ < 𝑛 < +∞ d’un
système linéaire invariant de réponse impulsionnelle ℎ(𝑘). La sortie peut alors s’écrire :
∞ ∞
𝑗Ω(𝑛−𝑘) 𝑗Ω𝑛
𝑦(𝑛) = ∑ ℎ(𝑘)𝑒 ⟹ 𝑦(𝑛) = 𝑒 ∑ ℎ(𝑘)𝑒 −𝑗Ω𝑘
𝑘=−∞ 𝑘=−∞
en posant:
∞
𝑗Ω𝑛
𝐻(𝑒 ) = ∑ ℎ(𝑘)𝑒 −𝑗Ω𝑘
𝑘=−∞
L’équation précédente représente la modification apportée par le système et modélisée par

une amplitude complexe.

𝑗Ωn
𝐻(𝑒 ) est appelé réponse fréquentielle du système caractérisé par sa réponse
impulsionnelle ℎ(𝑘). Il s’agit d’un terme complexe qui peut s’exprimer par une partie réelle
ou imaginaire; on adopte le plus souvent une représentation de type polaire où l’on fait
référence au module et à la phase de cette réponse fréquentielle :
𝑗Ω𝑛 )]
𝐻(𝑒 𝑗Ω𝑛 ) = |𝐻(𝑒 𝑗Ω𝑛 )|𝑒 𝑗arg[𝐻(𝑒
La définition de la réponse fréquentielle d’un système linéaire invariant montre qu’il s’agit
d’une fonction périodique de période 2𝜋. Cela veut dire qu’à deux entrées identiques mais à
une pulsation double le système répond d’une manière identique. Puisque 𝐻(𝑒 𝑗Ω𝑛 ) est une
fonction périodique, elle peut être représentée par une série de Fourier. En fait l’équation de
définition fait apparaître 𝐻(𝑒 𝑗Ω𝑛 ) comme une série de Fourier où les coefficients sont ℎ(𝑘).
La fonction de transfert se déduit aussi à partir de la fonction de transfert en z soit:

+∞
𝐻(𝑧) = ∑ ℎ𝑛 𝑧 −𝑛 ⟹ 𝐻(𝑓) = [𝐻(𝑧)]𝑧=𝑒 𝑗2𝜋𝑓𝑇𝑒

𝑛=0
𝑇𝑒 : période d'échantillonnage de notre filtre

𝑓: la variable fréquentiel

Transformation en Z
La transformée en Z est un outil largement utilisé pour l’étude des systèmes de

traitement numérique du signal. Ce type de transformée permet de décrire aisément les
signaux à temps discret et la réponse des systèmes linéaires invariants soumis à des entrées
diverses. La transformée en Z est un outil permettant de dériver la réponse impulsionnelle
d’un système linéaire invariant décrit par une équation aux différences finies. De plus, à
l’opérateur de convolution dans le domaine temporel correspond l’opérateur multiplicatif dans
le domaine de la transformée en Z.
La transformée en Z directe d’un signal à temps discret x(n) est définie par :
+∞
𝑇𝑍[𝑥(𝑛)] = 𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛

𝑛=∞
La transformée en Z établit une correspondance entre l’espace des signaux à temps discret et
un espace de fonctions définies sur un sous-ensemble du plan complexe. On définit le plan en
𝑧 comme étant le plan complexe. La série des puissances introduite dans l’équation de
définition précédente ne converge que pour un sous-ensemble du plan complexe. Ce sous-
ensemble est appelé région de convergence ou domaine de convergence. Une région de
convergence correspond à l’ensemble des valeurs de 𝑧 telles que 𝑋(𝑧) soit définie et à valeurs
finies. Spécifier le domaine de convergence de la transformée est tout aussi important que la
transformée elle-même.
Exemples de transformée:
Soit le signal à temps discret suivant:

1 𝑠𝑖 𝑛 = 0
𝑥(𝑛) = 𝛿(𝑛) = {
0 𝑠𝑖 𝑛 ≠ 0
On a bien :
+∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛 = 𝑧 0 = 1, ∀ 𝑧 ∈ ℂ
𝑛=−∞
Pour ce premier exemple la région de convergence est ℂ.
Soit le signal à temps discret suivant: 𝑥(𝑛) = 𝛿(𝑛 − 𝑘)

On a:
𝑋(𝑧) = 𝑧 −𝑘
La région de convergence dépend ici de 𝑘.
 Si 𝒌 = 𝟎, la région de convergence est ℂ (exemple précédent).

 Si 𝒌 < 0, 𝑋(𝑧) n'est pas à valeur fini pour 𝑧 = ∞, donc la région de
convergence est ℂ − {∞}.
 Si 𝒌 > 0, 𝑋(𝑧) n'est pas à valeur fini pour 𝑧 = 0, donc la région de
convergence est ℂ − {0}.
Pour un signal à durée finie, la région de convergence correspond au plan complexe ℂ avec
l'exclusion possible de 𝑧 = 0 ou 𝑧 = ∞.
Soit le signal à temps discret suivant: 𝑥(𝑛) = 𝑎𝑛 𝑢(𝑛)
On a:
+∞ +∞
−𝑛
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 = ∑ 𝑎𝑛 𝑧 −𝑛
𝑛=−∞ 𝑛=0
+∞
1
= ∑(𝑎𝑧 −1 )𝑛 =
1 − 𝑎𝑧 −1
𝑛=0
La série précédente converge si et seulement si |𝑎𝑧 −1 | < 1, c'est-à-dire ssi |𝑎| < |𝑧|. La
figure ci-dessous représente la région de convergence dans le plan complexe. Si 𝑎 = 1, on
obtient le cas particulier de l'échelon unité. La transformée en 𝑧 de l'échelon est donc:
1
𝑈(𝑧) = , |𝑧| > 1
1 − 𝑧 −1
Im
Domaine de convergence
a Ré
0
1
Figure 2 : Domaine de convergence, 𝑋(𝑧) = 1−𝑎𝑧 −1
Propriétés de la transformée en z
 Linéarité:
Soient deux signaux à temps discret 𝑥1 (𝑛) et 𝑥2 (𝑛) ayant pour transformées en 𝑧 respectives
𝑋1 (𝑧) et 𝑋2 (𝑧). Soit le signal 𝑥(𝑛) = 𝑎𝑥1 (𝑛) + 𝑏𝑥2 (𝑛).
La définition de transformée en 𝑧 conduit directement à la relation suivante:
𝑋(𝑛) = 𝑎𝑋1 (𝑧) + 𝑏𝑋2 (𝑧)

Par exemple, soit 𝑥(𝑛) = cos(𝑛𝜔0 )𝑢(𝑛), on peut décomposer 𝑥(𝑛) de la manière suivante:
1 𝑗𝜔 𝑛
𝑥(𝑛) = (𝑒 0 + 𝑒 −𝑗𝜔0 𝑛 ) 𝑢(𝑛)
2
En reprenant l'exemple de 𝑥(𝑛) = 𝑎𝑛 𝑢(𝑛) avec 𝑎 = 𝑒 ±𝑗𝜔0 𝑛 , on obtient:
1 1 1 1 1 − cos(𝜔0 )𝑧 −1
𝑋(𝑧) = ( ) + ( ) =
2 1 − 𝑒 𝑗𝜔0 𝑧 −1 2 1 − 𝑒 −𝑗𝜔0 𝑧 −1 1 − 2cos(𝜔0 )𝑧 −1 + 𝑧 −2
 Décalage temporel
Soit un signal 𝑥(𝑛) de transformée en 𝑍, 𝑋(𝑧). Soit 𝑘, un indice temporel quelconque et
𝑥′(𝑛) = 𝑥(𝑛 − 𝑘), on obtient simplement à partir de la définition de la transformée:
𝑋′(𝑧) = 𝑧 −𝑘 𝑋(𝑧)
La région de convergence reste inchangée, excepté l'ajout ou la suppression de 𝑧 = 0 ou 𝑧 =

∞. C'est cette propriété que vient l'utilisation d'une cellule 𝑧 pour tenir compte d'un décalage
temporel d'une unité.
 Facteur d'échelle en z
Soit un signal 𝑥(𝑛) de transformée en 𝑍, 𝑋(𝑧) avec 𝑟1 < |𝑧| < 𝑟2 pour région de
convergence. Soit 𝑥 ′ (𝑛) = 𝑎𝑛 𝑥(𝑛), on a alors:
𝑧
𝑋 ′ (𝑧) = 𝑋 ( )
𝑎
avec |𝑎|𝑟1 < |𝑧| < |𝑎|𝑟2 pour région de convergence.
 Inversion de l'axe temporel
Soit 𝑥(𝑛) avec 𝑋(𝑧) pour transformée et 𝑟1 < |𝑧| < 𝑟2 pour région de convergence. Soit
𝑥 ′ (𝑛) = 𝑥(−𝑛), on a alors:

1
𝑋 ′ (𝑧) = 𝑋 ( )
𝑧
1 1
avec 𝑟 < |𝑧| < 𝑟 comme région de convergence.
1 2
 Dérivation dans l'espace
Soit 𝑥(𝑛) avec 𝑋(𝑧) pour transformée. Soit 𝑥 ′ (𝑛) = 𝑛𝑥(𝑛) on a alors:
𝑑
𝑋 ′ (𝑧) = −𝑧 𝑋(𝑧)
𝑑𝑧
La région de convergence reste inchangée.
+∞
′ (𝑧)
𝑑 𝑑
𝑋 = −𝑧 𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛
𝑑𝑧 𝑑𝑧
𝑛=−∞
+∞ +∞
= −𝑧 ∑ 𝑥(𝑛)(−𝑛)𝑧 −𝑛−1 = ∑ [𝑛𝑥(𝑛)]𝑧 −𝑛

𝑛=−∞ 𝑛=−∞
Par exemple, soit 𝑥(𝑛) = 𝑛 𝑢(𝑛), on a vu précédemment que
1
𝑈(𝑧) =
1 − 𝑧 −1
On obtient alors:
𝑑
𝑋(𝑧) = −𝑧 𝑈(𝑧)
𝑑𝑧
𝑧 −2
= −𝑧 [ ]
(1 − 𝑧 −1 )2
𝑧 −1
= 𝑎𝑣𝑒𝑐 |𝑧| > 1
(1 − 𝑧 −1 )2
 Convolution
Soient 𝑥1 (𝑛)et 𝑥2 (𝑛) avec pour transformées en Z respectives 𝑋1 (𝑧) et 𝑋2 (𝑧). Soit 𝑥(𝑛) =
𝑥1 (𝑛) ∗ 𝑥2 (𝑛), on a alors:
𝑋(𝑧) = 𝑋1 (𝑧). 𝑋2 (𝑧)
Démonstration:
+∞
𝑋(𝑧) = ∑ 𝑥(𝑛)𝑧 −𝑛
𝑛=−∞
+∞ +∞
= ∑ [ ∑ 𝑥1 (𝑘)𝑥2 (𝑛 − 𝑘)] 𝑧 −𝑛
𝑛=−∞ 𝑘=−∞
+∞ +∞
= ∑ 𝑥1 (𝑘) [ ∑ 𝑥2 (𝑛 − 𝑘) 𝑧 −𝑛 ]
𝑘=−∞ 𝑛=−∞
+∞
= ( ∑ 𝑥1 (𝑘) 𝑧 −𝑘 ) 𝑋2 (𝑧)
𝑘=−∞

= 𝑋1 (𝑧) 𝑋2 (𝑧)
Pour calculer la convolution de deux signaux, il peut être intéressant de multiplier les
transformées respectives de deux signaux convolués et de rechercher la transformées en Z
inverse de la transformée résultante.
Soit 𝑦(𝑛) la sortie d'un système linéaire invariant de réponse impulsionnelle ℎ(𝑛) soumis à
l'entrée 𝑥(𝑛), on a alors:
𝑦(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛) ⟹ 𝑌(𝑧) = 𝑋(𝑧) × 𝐻(𝑧)
Une convolution dans l'espace à temps discret lui correspond une convolution dans l'espace
complexe z et vice versa.
Transformées en Z rationnelles
Cette classe de fonction correspond aux systèmes linéaires invariants décrits par une équation
aux différences finies.
Définitions des pôles et des zéros

Les zéros d'une transformée en 𝑍, 𝐻(𝑧), sont les valeurs de 𝑧 telles que 𝐻(𝑧) = 0.
Les pôles d'une transformée en 𝑍, 𝐻(𝑧), sont les valeurs de 𝑧 telles que 𝐻(𝑧) = ∞
Si 𝐻(𝑧) est une fonction rationnelle, 𝐻(𝑧) peut alors s'écrire sous la forme suivante:
𝑁(𝑧) 𝑏0 + 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑀 𝑧 −𝑀 ∑𝑀
𝑘=0 𝑏𝑘 𝑧
−𝑘
𝐻(𝑧) = = =
𝐷(𝑧) 𝑎0 + 𝑎1 𝑧 −1 + ⋯ + 𝑎𝑁 𝑧 −𝑁 ∑𝑁
𝑘=0 𝑎𝑘 𝑧
−𝑘
En supposant 𝑎0 ≠ 0 𝑒𝑡 𝑏0 ≠ 0, on peut réécrire l'équation ci-dessus
𝑏0 𝑧 −𝑀 (𝑧 − 𝑧1 ) ⋯ (𝑧 − 𝑧𝑀 ) 𝑧 −𝑀 ∏𝑀
𝑘=1(𝑧 − 𝑧𝑘 )
𝐻(𝑧) = −𝑁
= 𝛼 −𝑁 𝑁
𝑎0 𝑧 (𝑧 − 𝑝1 ) ⋯ (𝑧 − 𝑝𝑁 ) 𝑧 ∏𝑘=1(𝑧 − 𝑝𝑘 )
Il vient alors:
 𝐻(𝑧) possède 𝑀 zéros finis en 𝑧1 ⋯ 𝑧𝑀
 𝐻(𝑧) possède 𝑁 pôles finis en 𝑝1 ⋯ 𝑝𝑁
 Si 𝑁 > 𝑀, 𝐻(𝑧) possède 𝑁 − 𝑀 zéros en 𝑧 = 0
 Si 𝑁 < 𝑀, 𝐻(𝑧) possède 𝑀 − 𝑁 pôles en 𝑧 = 0
 Il peut aussi y avoir des pôles ou zéros en 𝑧 = ∞ selon que 𝐻(𝑧) = 0 ou 𝐻(𝑧) = ∞

En suivant la notation précédente, 𝐻(𝑧) est complètement déterminé par la position de ses
𝑏
pôles et de ses zéros ainsi que par le facteur d'amplitude 𝛼 = 𝑎0 . Les pôles et zéros reflètent le
0
comportement du système (ou signal) tandis que le facteur 𝛼 n'intervient que sur l'amplitude
des signaux. 𝐻(𝑧) peut donc être représenté sous la forme d'un graphique modélisant la
position des pôles et des zéros dans le plan complexe. Par définition, la région de convergence
de 𝐻(𝑧) exclue tous les pôles de cette fonction.
Fonction de transfert d’un système linéaire invariant
On a vu qu’une manière de caractériser un système linéaire invariant consiste à étudier sa

réponse impulsionnelle ℎ(𝑛). Il est donc tout aussi légitime de caractériser un système par la
transformée en 𝑍, 𝐻(𝑧), de sa réponse impulsionnelle, encore appelée fonction de transfert du
système. Lors de l’analyse d’un système donné, on considère le plus souvent ℎ(𝑛) ou 𝐻(𝑧)
comme inconnue. A partir d’une entrée connue, 𝑥(𝑛), on observe alors la sortie 𝑦(𝑛)
caractérisée par sa transformée en 𝑍, 𝑌(𝑧). la fonction de transfert du système est alors :
𝑌(𝑧)
𝐻(𝑧) =
𝑋(𝑧)
On a vu que si 𝑥(𝑛) = 𝛿(𝑛), on obtient directement 𝑦(𝑛) = ℎ(𝑛); ce qui devient dans le plan
en 𝑍, 𝑋(𝑧) = 1 donc 𝐻(𝑧) = 𝑌(𝑧)
Si on applique cette approche au système linéaires invariants décrits par une équation aux
différences finies, le système est décrit par la relation suivante:
𝑀 𝑁
𝑦(𝑛) = ∑ 𝑏𝑘 𝑥(𝑛 − 𝑘) − ∑ 𝑎𝑘 𝑦(𝑛 − 𝑘)

𝑘=0 𝑘=1
Prenons la transformée en Z des membres de l'équation précédente:
𝑀 𝑁
𝑌(𝑧) = ∑ 𝑏𝑘 𝑧 −𝑘 𝑋(𝑧) − ∑ 𝑎𝑘 𝑧 −𝑘 𝑌(𝑧)

𝑘=0 𝑘=1
ou bien
𝑁 𝑀
−𝑘
𝑌(𝑧) [1 + ∑ 𝑎𝑘 𝑧 ] = 𝑋(𝑧) [∑ 𝑏𝑘 𝑧 −𝑘 ]
𝑘=1 𝑘=0
En posant 𝑎0 = 1, sans perdre en généralité, on a :
𝑌(𝑧) ∑𝑀
−𝑘 ∑𝑀
−𝑘
𝐻(𝑧) = = = (1.1)
𝑋(𝑧) 1 + ∑𝑁
−𝑘 ∑𝑁
−𝑘
L’équation (1.1) met en évidence qu’un système linéaire invariant décrit par une équation aux
différences finies a une fonction de transfert dont la transformée en 𝑍 est une fonction
rationnelle. Ceci montre l’intérêt de l’étude des transformées en 𝑍 s’écrivant sous la forme de
polynômes rationnels.
Systèmes tout zéros
Un système tout zéros est un système dont la transformée en 𝑍 s’exprime sous la forme de
l’équation (1.1) avec 𝑁 = 0, c’est-à-dire pour lequel 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑁 = 0. La fonction de
transfert (1.1) devient alors:
𝑀 𝑀
1
𝐻(𝑧) = ∑ 𝑏𝑘 𝑧 −𝑘 = 𝑀 ∑ 𝑏𝑘 𝑧 𝑀−𝑘
𝑧
𝑘=0 𝑘=0
Le polynôme numérateur possède 𝑀 racines. La réponse impulsionnelle de ce système est de
type finies (RIF).
Systèmes tout pôles

Un système tout pôles est un système dont la transformée en 𝑍 s’exprime sous la forme de
l’équation (1.1) avec 𝑀 = 0, c’est-à-dire pour lequel 𝑏1 = 𝑏2 = ⋯ = 𝑏𝑀 = 0. La fonction de
transfert devient :
𝑏0 𝑏0 𝑧 𝑁
𝐻(𝑧) = = 𝑀
1 + ∑𝑁
−𝑘 ∑𝑘=0 𝑎𝑘 𝑧 𝑁−𝑘
Le polynôme dénominateur possède N racines. La réponse impulsionnelle de ce système est

de type infinie (RII).
Transformée en Z inverse
A partir d'une liste de transformées en Z de signaux élémentaires connus, il peut être efficace
de retrouver des signaux temporels à partir de transformées dérivées des opérateurs et
propriétés décrits précédemment. Cependant, lorsque la transformée ne peut facilement
s'écrire comme la combinaison de transformées élémentaires, il reste les techniques générales
de transformation inverse:
 L'intégration sur un contour fermé.
 Le développement en puissance de 𝑧 et de 𝑧 −1
 Le développement en fractions élémentaires.
Transformée inverse par intégration

Soit 𝑋(𝑧) la transformée en 𝑍 du signal 𝑥(𝑛). On définit la transformée en 𝑍 inverse, la
relation déterminant 𝑥(𝑛) à partir de 𝑋(𝑧) telle que:
1
𝑥(𝑛) = ∮ 𝑋(𝑧)𝑧 𝑛−1 𝑑𝑧
2𝜋𝑗
L'intégrale précédente consiste à sommer 𝑋(𝑧) pour des valeurs de 𝑧 prises sur un contour
fermé du plan complexe qui contient l'origine du plan tout en étant inclue dans le domaine de
convergence de la fonction.
Transformée inverse par développement en puissance
S'il est possible d'écrire 𝑋(𝑧) comme une série de puissances en 𝑧 −1 , l'unicité de la
transformation directe conduit à prendre les coefficients de la série pour le signal temporel.
Si 𝑋(𝑧) = ∑+∞
𝑛=−∞ 𝐶𝑛 𝑧
−𝑛
𝑎𝑙𝑜𝑟𝑠 𝑥(𝑛) = 𝐶𝑛
On cherche par exemple la réponse impulsionnelle d'un système décrit par l'équation aux
différences finies suivante:
𝑦(𝑛) = 𝑦(𝑛 − 3) + 𝑥(𝑛)

On trouve aisément
1
𝐻(𝑧) =
1 − 𝑧 −3
En utilisant la limite des séries géométriques, on a:
∞
1
= ∑(𝑧 −3 )𝑘
1 − 𝑧 −3
𝑘=0
∞
𝐻(𝑧) = ∑ 𝑧 −3𝑘 = 1 + 𝑧 −3 + 𝑧 −6 + ⋯
𝑘=0
On obtient donc:
∞
ℎ(𝑛) = ∑ 𝛿(𝑛 − 3𝑘)

𝑘=0
Il s'agit ici d'un cas simple d'utilisation des séries géométriques. En général, le développement
de 𝑋(𝑧) en puissance de 𝑧 −1 est un calcul assez long, difficile et fastidieux.
Analyse des Systèmes Linéaires Invariants par la transformée en Z

L’objet de ce paragraphe est d’étudier le comportement des systèmes linéaires
invariants par l’analyse de leur fonction de transfert décrite par une fonction en 𝒁. Il s’agit
donc de caractériser la sortie d’un système en fonction d’une entrée et de spécifier les
conditions de stabilité d’un tel système.
Réponse d’un système décrit par une fonction rationnelle
Ce mode de représentation est le plus usuel. Il permet de lier l’entrée et la sortie dans le plan 𝑧
par 𝑌 (𝑧) = 𝐻(𝑧)𝑋(𝑧). On posera dans la suite
𝑁(𝑧) ∑𝑁
𝑖=0 𝑎𝑖 𝑧
−𝑖
𝐻(𝑧) = =
𝐷(𝑧) 1 + ∑𝑁
𝑖=1 𝑏𝑖 𝑧
−𝑖
où 𝑁(𝑧) est le polynôme du numérateur de la fonction de transfert, tandis que 𝐷(𝑧) est son
dénominateur. 𝑁 est ici l’ordre du filtre. Dans le cas où 𝐻(𝑧) possède des pôles, on parlera de
filtres RII (pour Réponse Impulsionnelle Infinie). Si 𝑁(𝑧) = 1, on parlera de filtre tous-pôles.
Dans le cas où 𝐷(𝑧) = 1, le filtre ne possède que des zéros. Cette famille de filtre correspond
au cas des filtres RIF (pour Réponse Impulsionnelle Finie). Celle ci n’a pas d’équivalent en
filtrage analogique, et nous verrons que ses propriétés en font une fonction très utilisée en
traitement numérique du signal.
L’équation précédente peut également être représentée en mettant en avant les pôles et les
zéros.
∏𝑁
𝑖=1(𝑧 − 𝑧𝑖 )
𝐻(𝑧) = 𝑏0 𝑁
∏𝑖=1(𝑧 − 𝑝𝑖 )
où pi sont les pôles et zi sont les zéros de H(z). On rappelle ici que la stabilité du filtre sera
déterminé par l’appartenance des pôles au cercle unité (i.e.|𝑝𝑖 | < 1), et que des zéros
appartenant au cercle unité caractériseront un filtre à minimum de phase. La figure 3 montre
plusieurs versions de représentations de H(z). La forme directe (figure 3.a) peut être
décomposée en produit ou en somme de fonctions de transfert d’ordre inférieur, généralement
d’ordre 2. L’équation 2.1 et la figure 3.b représentent la forme parallèle, tandis que l’équation
2.2 et la figure 3.c représentent la forme cascade.

H1(z)
X(z) Y(z) X(z) H2(z) Y(z)

H(z)
⋮
(a) Forme directe HM(z)
(b) Forme parallèle
X(z) Y(z)
H1(z) H2(z) ⋯ HM(z)
(c) Forme cascade
Figure 3 : Représentation sous forme de fonctions de transfert en z
𝑀 𝑀 −2
𝑏0 + 𝑏1 𝑧 −1 + 𝑏2 𝑧
𝐻(𝑧) = ∑ 𝐻𝑖 (𝑧) = ∑ (2.1)
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2
𝑖=1 𝑖=1
𝑀 𝑀 −2
𝑏0 + 𝑏1 𝑧 −1 + 𝑏2 𝑧
𝐻(𝑧) = ∏ 𝐻𝑖 (𝑧) = ∏ (2.2)
1 + 𝑎1 𝑧 −1 + 𝑎2 𝑧 −2
𝑖=1 𝑖=1
Soit le système décrit par l’équation suivante :
𝑌(𝑧) = 𝐻(𝑧)𝑋(𝑧)
Il s'agit de caractériser 𝑦(𝑛). On suppose que 𝐻(𝑧) peut s'écrire sous la forme d'une fraction
de polynômes en z, c'est à dire:
𝑁(𝑧)
𝐻(𝑧) =
𝐷(𝑧)
Causalité et Stabilité
Condition de causalité pour 𝑯(𝒛)
Au début du chapitre caractérisant les systèmes à temps discret, on a vu qu’un système

linéaire invariant est causal si et seulement si sa réponse impulsionnelle ℎ(𝑛) est nulle si 𝑛 <
0.
Un système linéaire invariant est causal si et seulement si le domaine de convergence de sa
transformée en 𝑧 est l’extérieur d’un cercle de rayon 𝑟 < ∞ incluant 𝑧 = ∞. Ainsi, 𝐻(𝑧) =

2
𝑧 a une région de convergence : ℂ − ∞ qui est extérieur à un cercle de rayon 0 mais excluant
𝑧 = ∞. Donc le système est non causal.
Condition de stabilité pour 𝑯(𝒛)
On a vu que pour qu'un système linéaire invariant soit stable il suffit que sa réponse
impulsionnelle vérifie:
+∞
∑ |ℎ(𝑛)| < ∞
𝑛=−∞
Un système linéaire invariant est stable si le domaine de convergence de sa transformée en 𝑧

inclue le cercle unité. Pour finir, un système linéaire invariant causal est stable si et seulement
si tous les pôles de sa fonction de transfert sont à l’intérieur, strictement, du cercle unité.
Détermination du module et de la phase du système
Pour un système dont le domaine de convergence de sa fonction de transfert X(z) contient le

cercle unité, alors la réponse fréquentielle de ce système consiste à évaluer X(z) sur le cercle
unité, c’est-à-dire pour 𝒛 = 𝒆𝒋𝟐𝝅𝒇 .
Prenons par exemple, un système dont la fonction de transfert s’exprime sous la forme
suivante :
1
𝐻(𝑧) =
1 + 0,5𝑧 −1
on a:
𝑧
𝐻(𝑧) =
𝑧 + 0,5
1
Ce système possède donc un zéro en 𝑧 = 0 et pôle en 𝑧 = − 2, en prenant 𝑧 sur le cercle unité:
𝑗2𝜋𝑓
𝑒 𝑗2𝜋𝑓
𝐻(𝑒 )=
1
𝑒 𝑗2𝜋𝑓 + 2
En précisant explicitement amplitude te phase:

𝑗2𝜋𝑓 ))
𝐻(𝑒 𝑗2𝜋𝑓 ) = |𝐻(𝑒 𝑗2𝜋𝑓 ) |𝑒 𝑗𝑎𝑟𝑔(𝐻(𝑒
On obtient alors:
1
𝐻(𝑒 𝑗2𝜋𝑓 ) =
1
𝑒 𝑗2𝜋𝑓 + 2

1
𝑎𝑟𝑔 (𝐻(𝑒 𝑗2𝜋𝑓 )) = 2𝜋𝑓 − 𝑎𝑟𝑔 (𝑒 𝑗2𝜋𝑓 + )
2
la double figure 4 représente sur sa partie gauche la position des pôles et des zéros de la
fonction de transfert (un pôle est indiqué par le symbole ×, et un zéro par le symbole 𝒐) et sur
sa partie droite la réponse fréquentielle du système : module et phase pour 0 ≤ Ω = 2𝜋𝑓 ≤ 𝜋
L’évolution du module de la réponse fréquentielle nous montre qu’il-y-a atténuation des
contributions dues au basses fréquences par rapport aux hautes fréquences. Le comportement
de ce système est donc celui d’un filtre passe-haut.
partie 2
1.8
Imaginaire 1.6
1 1.4
1.2
0.8
0 0.3
0 × 0.1 0.2 0.4 0.5
0.7
-1 0.6
-1 -1/2 0 1/2 1 0.5
0.4
partie réel 0.3
o zéros 0.2
x pôles 0.1
0
0 0.1 0.2 0.3 0.4 0.5
1
Figure 4: Réponse fréquentielle, 𝑋(𝑧) = 1+0.5𝑧 −1
Transformées en z de fonctions usuelles
Le tableau ci dessous donne les transformées en z des fonctions utilisées en traitement

numérique du signal. 𝑇𝑒 désigne la période d'échantillonnage du signal transformé dans lequel
on a posé 𝑡 = 𝑛𝑇𝑒
𝑥(𝑛) 𝑋(𝑧)
𝛿(𝑛) 1
𝛿(𝑛 − 𝑘) 𝑧 −𝑘
𝑢(𝑛) 𝑧
𝑧−1
𝑎𝑛 𝑧
𝑧−𝑎

𝑒 −𝑎𝑛𝑇𝑒 𝑧
𝑧 − 𝑒 −𝑎𝑇𝑒
sin(𝜔0 𝑛𝑇𝑒 ) 𝑧 sin(𝜔0 𝑇𝑒 )
2
𝑧 − 2𝑧 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 1
cos(𝜔0 𝑛𝑇𝑒 ) 𝑧[𝑧 − cos(𝜔0 𝑇𝑒 )]
2
𝑧 − 2𝑧 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 1
𝑒 −𝑎𝑛𝑇𝑒 sin(𝜔0 𝑛𝑇𝑒 ) 𝑧 𝑒 −𝑎𝑇𝑒 sin(𝜔0 𝑇𝑒 )
𝑧 2 − 2𝑧 𝑒 −𝑎𝑇𝑒 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 𝑒 −2𝑎𝑇𝑒
𝑒 −𝑎𝑛𝑇𝑒 cos(𝜔0 𝑛𝑇𝑒 ) 𝑧 2 − 𝑧𝑒 −𝑎𝑇𝑒 cos(𝜔0 𝑇𝑒 )
𝑧 2 − 2𝑧 𝑒 −𝑎𝑇𝑒 𝑐𝑜𝑠(𝜔0 𝑇𝑒 ) + 𝑒 −2𝑎𝑇𝑒
Série d'exercices
Exercice 1: Analyse d’un filtre numérique RIF
Soit un filtre RIF défini par sa réponse impulsionnelle h(n) :
ℎ(𝑛) = 0.1𝛿(𝑛) − 0.3𝛿(𝑛 − 2) + 0.5𝛿(𝑛 − 3) − 0.3𝛿(𝑛 − 4) + 0.1𝛿(𝑛 − 6)
1. Donner les expressions de l’équation aux différences finies ainsi que la fonction de
transfert en Z.
2. Tracer la réponse impulsionnelle ℎ(𝑛) du filtre.
3. Calculer la réponse fréquentielle 𝐻(𝑒 𝑗Ω ) du filtre. Déterminer son module et sa phase. On
note que :
Ω +Ω2
−𝑗( 1 ) Ω2 − Ω1
𝑒 −𝑗Ω1 + 𝑒 −𝑗Ω2 = 2 × 𝑒 2 × cos ( )
2
𝑓
On désigne par 𝛺 = 2𝜋𝑓𝑇𝑒 = 2𝜋 𝐹 pulsation réduite.
𝑒
𝜋
4. Donner les valeurs du module en Ω = 0, 2 , 𝜋, 2𝜋.
5. Tracer approximativement son module. De quel type de filtre s’agit-il ?

Corrigé
Un retard d’une période 𝑇𝑒 du signal analogique correspond à un décalage de 1 de l’indice
temporel du signal numérique. On obtient comme équation aux différences finies la relation
suivante :
𝑦(𝑛) = 0.1𝑥(𝑛) − 0.3𝑥(𝑛 − 2) + 0.5𝑥(𝑛 − 3) − 0.3𝑥(𝑛 − 4) + 0.1𝑥(𝑛 − 6)
En appliquant la relation 𝑇𝑍(𝑥(𝑛𝑘 )) = 𝑧 −𝑘 𝑇𝑍(𝑥(𝑛)), on prend la transformée de l’équation

aux différences :
−2 −3 −4 −6
𝑌(𝑧) = 0.1𝑋(𝑧) − 0.3𝑋(𝑧)𝑧 + 0.5𝑋(𝑧)𝑧 − 0.3𝑋(𝑧)𝑧 + 0.1𝑋(𝑧)𝑧
On obtient la fonction de transfert:
𝑌(𝑧)
𝐻(𝑧) = = 0.1 − 0.3𝑧 −2 + 0.5𝑧 −3 − 0.3𝑧 −4 + 0.1𝑧 −6
𝑋(𝑧)
A partir d’une transformée en Z décrite comme la somme de monômes en 𝑧 −1, la réponse
impulsionnelle du système correspond simplement aux coefficients de chacun des monômes.
ℎ(𝑛) = 0.1𝛿(𝑛) − 0.3𝛿(𝑛 − 2) + 0.5𝛿(𝑛 − 3) − 0.3𝛿(𝑛 − 4) + 0.1𝛿(𝑛 − 6)
La réponse fréquentielle du filtre se calcule en évaluant 𝐻(𝑧) sur le cercle unité, donc pour
𝑧 = 𝑒 𝑗𝜔 . On obtient :
𝐻(𝑒 𝑗𝜔 ) = 0.1𝑒 𝑗0𝜔 − 0.3𝑒 −𝑗2𝜔 + 0.5𝑒 −𝑗3𝜔 − 0.3𝑒 −𝑗4𝜔 + 0.1𝑒 −𝑗6𝜔
= 0.1[𝑒 −𝑗0𝜔 + 𝑒 −𝑗6𝜔 ] − 0.3[𝑒 −𝑗2𝜔 − 𝑒 −𝑗4𝜔 ] + 0.5𝑒 −𝑗3𝜔
= 2 × [0.1𝑒 −𝑗3𝜔 cos(3𝜔) − 0.3𝑒 −𝑗3𝜔 𝑐𝑜𝑠(𝜔) + 0.5𝑒 −𝑗3𝜔 ]
= 2 × 𝑒 −𝑗3𝜔 [0.5 − 0.3𝑐𝑜𝑠(𝜔) + 0.1cos(3𝜔)]
Puisque seul le terme mis en facteur est complexe, le module et la phase du filtre viennent
facilement:
|𝐻(𝑒 𝑗𝜔 )| = 1 − 0.6 cos(𝜔) + 0.2cos(3𝜔)
𝐴𝑟𝑔 (𝐻(𝑒 𝑗𝜔 )) = −3𝜔
0 0.1 0.2 0.3 0.4 0.5
On constate qu’il s’agit d’un filtre de type passe-haut ; notons de plus que ce filtre est à phase
linéaire.
Exercice 2: Analyse de filtre numérique RIF
Soit le filtre numérique suivant : 𝐻(𝑧) = 0.1(𝑧 −1 + 𝑧 −3 ) + 0.2𝑧 −2

On posera 𝑇𝑒 , période d’échantillonnage, égal à 1𝑠.
1. Donnez et tracez sa réponse impulsionnelle ℎ(𝑛). Quelles sont ses caractéristiques.
2. Calculez la réponse fréquentielle du système. Tracez son module et sa phase. On montrera
que la phase du filtre est linéaire. Donnez la fréquence de coupure à −3𝑑𝐵.
3. Quel type de filtre est réalisé ?
4. Donnez l’expression de la sortie 𝑦(𝑛) du filtre en fonction de l’entrée 𝑥(𝑛). Calculez et
dessinez le signal de sortie du filtre 𝑦(𝑛) pour 𝑛 = {0, ⋯ ,7} lorsque l’entrée est :
1 𝑠𝑖 𝑛 = 0, 1
𝑥(𝑛) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
Exercice 3
On considère un système discret décrit par l'équation de récurrence suivante:
𝑦(𝑛) = 𝑥(𝑛) + 𝑏 𝑦(𝑛 − 1)
1. Déterminer la fonction de transfert 𝐻(𝑧) du système.

2. Déterminer la réponse impulsionnelle du système.
3. Représenter la réponse impulsionnelle pour : 𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5.
4. Rappeler le critère de stabilité d’un système numérique. Déduire la condition sur b pour
que le système soit stable.
5. On applique à l’entrée du système une suite d’échelon {𝑥𝑛 } = {𝑈𝑛 } défini par
0 𝑠𝑖 𝑛 < 0
𝑈(𝑛) = {
1 𝑠𝑖 𝑛 ≥ 0
Déterminer et représenter la réponse indicielle {𝑦𝑛 } du système dans le cas où il est stable
(𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5)
6. Déterminer la fonction de transfert 𝐻(𝑗). Déduire le module H ( j ) et la phase  (  ) .
7. Déduire les allures de H ( j ) et de  (  ) pour 𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5. Discuter le nature
du système dans chaque cas (𝑏 = 0,5 𝑒𝑡 𝑏 = −0,5).
Exercice 4
1. Donner la fonction de transfert en z

correspondant à la récurrence suivante, étudier 𝑥(𝑛) 𝑦(𝑛)
sa stabilité, et proposer une structure pour le 𝑆𝐿𝐼
SLI correspondant.
𝑦(𝑛) = 𝑥(𝑛) + 2𝑥(𝑛 − 1) + 𝑦(𝑛 − 1) + 4𝑦(𝑛 − 2)
2. Donner l'équation de récurrence du SLI inverse (celui qui produirait 𝑥(𝑛) en sortie si on
lui présentait 𝑦(𝑛) en entrée) et proposer une structure.
3. Soit le système défini par la relation:

𝑦(𝑛) = 𝑥(𝑛) + 𝛼𝑦(𝑛 − 10), 𝑜ù 𝛼 > 0

On demande:
3.a) De déterminer l'expression analytique de sa réponse en fréquence
3.b) De tracer son diagramme pôles-zéro (séparer le cas 𝛼 < 1 et le cas 𝛼 > 1)
3.c) D'en déduire une esquisse du graphique du module de sa réponse en fréquence
(séparer le cas 𝛼 < 1 et le cas 𝛼 > 1)
4. A partir de l'interprétation géométrique de la 𝐹𝐹𝑇, calculer la 𝐹𝐹𝑇 𝑋(𝑘), sur 8
échantillons, de la séquence définie par:
𝑋(0) = 𝑋(1) = 𝑋(7) = 1

{
𝑋(𝑛) = 0 𝑝𝑜𝑢𝑟 2 ≤ 𝑛 ≤ 6
PROBLEME
Soit 𝑥 (𝑡 ) le signal analogique entrant dans le CAN et 𝑥(𝑛) le signal numérique sortant du
CAN et entrant dans le système numérique supposé linéaire et invariant dans le temps.
x(t) x(n) Système y(n) y(t)

CAN Numérique CNA
Linéaire
On notera 𝑇𝑒 et 𝐹𝑒 la période d’échantillonnage et la fréquence d’échantillonnage

respectivement. 𝑦(𝑛) le signal numérique après traitement numérique, en sortie du système,
𝑦(𝑡) le signal analogique à la sortie du CNA.
PARTIE I
Le système numérique est caractérisé par une réponse impulsionnelle qui s'écrit:
0 𝑠𝑖 𝑛 = 0 𝑒𝑡 𝑛 = 2
1
ℎ (𝑛 ) = { 𝑠𝑖 𝑛 = 1 𝑒𝑡 𝑛 = 3
2
0 ∀𝑛 >3
1) Déterminez l'équation aux différences finis 𝑦(𝑛) de ce système.
2) En déduire la fonction de transfert H(Z ) de ce système
3) Que pouvez-vous dire de sa causalité ? sa stabilité ? Est-ce un système à réponse
impulsionnelle finie ou infinie ?
On étudie à présente le comportement en régime sinusoïdal du système discret en appliquant à

l'entrée le signal sinusoïdal : 𝑥(𝑛) = 𝐸𝑐𝑜𝑠(𝑛𝜔𝑇𝑒 )
4) Exprimer 𝑦(𝑛) sous la forme 𝑦(𝑛) = 𝑆𝑐𝑜𝑠(𝑛𝜔𝑇𝑒 + 𝜑), S et  sont à déterminer.
𝑆
5) Tracer la fonction 𝐻 = 𝐸 en fonction de 𝑓 pour 0 ≤ 𝑓 ≤ 2𝐹𝑒 . Que peut-on dire de la
réponse en fréquence du système numérique?
6) On veut échantillonner un signal sinusoïdal s( t ) de fréquence pouvant aller jusqu'à une
valeur maximale f m . Rappeler la condition sur la fréquence d’échantillonnage Fe pour
pouvoir échantillonner s( t ) sans perte d’information. En déduire la portion utile de la
réponse en fréquence du système numérique.
7) Dans le domaine utile de fréquences, quel est le type de filtrage réalisé ? Calculer alors la
fréquence de coupure à -3 dB du filtre.
8) Tracer  en fonction de 𝑓 dans le domaine utile de fréquences. Comment appelle-t-on un
tel filtre ?
PARTIE II
A présent le système numérique est caractérisé par une réponse impulsionnelle numérique qui
s'écrit:
1
ℎ(𝑛) = 𝑒 −𝑛 𝑇𝑒/𝜏
𝜏
𝜏
1) Représentez ℎ(𝑛) dans le cas où 𝜏 = 1𝑚𝑠 𝑒𝑡 𝑇𝑒 = 4
2) Que peut-on dire de la réponse impulsionnelle du système numérique (quand 𝑛 → ∞).
En déduire la nature du système.
3) Déterminez 𝐻(𝑧) la transformée en 𝑍 du signal ℎ(𝑛).
4) Déterminez l’expression de la sortie 𝑌(𝑧) en fonction de 𝑋(𝑧). En déduire la relation de
récurrence du système 𝑦(𝑛).
5) Déterminez la fonction de transfert fréquentielle 𝐻(𝑗𝜔) du système numérique.
6) Calculez le module |𝐻(𝑗𝜔)| de la fonction de transfert en régime sinusoïdal du système
numérique.
7) En déduire l'allure de |𝐻(𝑓)| dans le domaine utile. Quel est le type de filtrage réalisé
sur ce domaine.
PROBLEME :
Soit 𝑥 (𝑡 ) le signal analogique entrant dans le CAN et 𝑥(𝑛) le signal numérique sortant du
CAN et entrant dans le système numérique supposé linéaire et invariant dans le temps.
x(t) x(n) Système y(n) y(t)

CAN Numérique CNA
Linéaire
On notera 𝑇𝑒 et 𝐹𝑒 la période d’échantillonnage et la fréquence d’échantillonnage

respectivement. 𝑦(𝑛) le signal numérique après traitement numérique, en sortie du système,
𝑦(𝑡) le signal analogique à la sortie du CNA.
PARTIE I (10 pts)

Le système numérique est caractérisé par une réponse impulsionnelle qui s'écrit:
ℎ(𝑛) = 𝑎0 𝛿(𝑛) + 𝑎1 𝛿(𝑛 − 1) + 𝑎2 𝛿(𝑛 − 2) + 𝑎1 𝛿(𝑛 − 3) + 𝑎0 𝛿(𝑛 − 4)
1) Déterminez l'expression de l'équation aux différences finies de ces systèmes.

2) Que pouvez-vous dire de la causalité ? la stabilité ? et le type des ces systèmes?
3) Déterminez la fonction de transfert 𝐻(𝑧) de ces systèmes.
4) En déduire la réponse fréquentielle 𝐻(𝑗𝜔), puis l'expression de son module et de sa phase.
5) On pose Ω = 𝜔𝑇𝑒 complétez le tableau suivant:
Ω=0 Ω = 𝜋⁄2 Ω=𝜋 Ω = 2𝜋

|𝐻(𝑗Ω)|
𝐴𝑟𝑔{𝐻(𝑗Ω)}

6) Sachant que les coefficients 𝑎0 , 𝑎1 , 𝑎2 sont positifs, déduire quel type de filtre peut être
réalisé par ℎ(𝑛)? justifiez votre réponse.
7) Calculez les coefficients 𝑎0 , 𝑎1 , 𝑎2 à partir du système suivant:
𝑎2 + 2𝑎1 + 2𝑎0 = 1
1
{ 𝑎2 − 2𝑎0 =
2
𝑎2 + 2𝑎0 − 2𝑎1 = 0
8) Déterminez la fréquence de coupure 𝑓𝑐 à −3𝑑𝐵 du filtre si la fréquence d'échantillonnage

𝐹𝑒 = 40𝑘𝐻𝑧.
PARTIE II (10 pts)

A présent le système numérique est caractérisé par une réponse impulsionnelle numérique qui
s'écrit:
ℎ(𝑛) = 𝑎𝑛 . 𝑈(𝑛)
8) Déterminer la fonction de transfert 𝐻(𝑧) du présent système.

9) Déterminez la région de convergence de 𝐻(𝑧), en déduire une représentation graphique
de la région de convergence.
10) Déterminez la relation de récurrence du système 𝑦(𝑛).
11) Déterminez zéros et pôles du système. En déduire leur emplacement dans le plan
complexe.
A présent on considère que :

1
𝑎=−
2
12) Déterminez la fonction de transfert fréquentielle 𝐻(𝑗𝜔) du système numérique.
13) En déduire le module |𝐻(𝑗𝜔)| ainsi que la phase de la fonction de transfert du système
numérique.
14) En déduire l'allure de |𝐻(𝑓)| dans le domaine utile. Quel est le type de filtrage réalisé
sur ce domaine.
𝜔1 +𝜔2
𝜔2 −𝜔1
𝑒 −𝑗𝜔1 + 𝑒 −𝑗𝜔2 = 2 × 𝑒 −𝑗( )
On donne: 2 × 𝑐𝑜𝑠 ( )
2
Corrigé Exercice 4
𝑦(𝑛) = 𝑥(𝑛) + 2𝑥(𝑛 − 1) + 𝑦(𝑛 − 1) + 4𝑦(𝑛 − 2)

La fonction de transfert en 𝑧 est donnée par:
𝑌(𝑧) = 𝑋(𝑧) + 2𝑋(𝑧)𝑧 −1 + 𝑌(𝑧)𝑧 −1 + 4𝑌(𝑧)𝑧 −2
𝑌(𝑧) 1 + 2 𝑧 −1 𝑧2 + 2 𝑧
𝐻(𝑧) = = = 2
𝑋(𝑧) 1 − 𝑧 −1 − 4𝑧 −2 𝑧 −𝑧−4
Stabilité:
1±√17
Les pôle de 𝐻(𝑧) sont les racines de l'équation 𝑧 2 − 𝑧 − 4 = 0 soit 𝑧1 , 𝑧2 = 2
1 ± √17
𝑧1 , 𝑧2 = | |>1 ⟹ 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑖𝑛𝑠𝑡𝑎𝑏𝑙𝑒
2
La structure du système est donnée par:

𝑥(𝑛) 𝑦(𝑛)
1 +
Z-1 Z-1
2 + 1
Z-1
+ 4
La fonction de transfert en Z inverse s'écrit:

1 − 𝑧 −1 − 4𝑧 −2
𝐻𝑖𝑛𝑣 (𝑧) =
1 + 2𝑧 −1
d'où l'équation de récurrence est donnée par:
𝑦(𝑛) = 𝑥(𝑛) − 𝑥(𝑛 − 1) − 4𝑥(𝑛 − 2) − 2𝑦(𝑛 − 1)
𝑥(𝑛) 𝑦(𝑛)
+
Z-1 Z-1
-1 + -2
Z-1
-4 +
3. Soit le système défini par la relation:

𝑦(𝑛) = 𝑥(𝑛) + 𝛼𝑦(𝑛 − 10), 𝑜ù 𝛼 > 0
La fonction de transfert en Z s′ écrit:
1
𝐻(𝑧) =
1 − 𝛼 𝑧 −10
H(z) n'admet pas de zéro
Les pôles s'écrivent:
1
𝑧 −10 = ⟹ 𝑧 −10 = 𝛼
𝛼
10 2𝜋
si 𝑧 = 𝑟𝑒 𝑗𝜃 ⟹ 𝑟 10 𝑒 𝑗10𝜃 = 𝛼 ⟹ 𝑟 = √𝛼 𝑒𝑡 𝜃 = 𝑘 10
𝑠𝑖 𝛼 < 1

partie
Imaginaire
1
× × pôles
× ×
× ×
0
× ×
× ×
-1
×
-1 -1/2 0 1/2 1
partie réel
𝑠𝑖 𝛼 > 1 ⟹ 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑖𝑛𝑠𝑡𝑎𝑏𝑙𝑒
𝑠𝑖 𝛼 < 1
exemple pour 𝛼 = 0,6
10 1
𝑀𝑎𝑥 = = 2.5 ⟹ 7.96𝑑𝐵
1−𝛼
0 1
𝑚𝑖𝑛 = = 0.652 ⟹ −4.082𝑑𝐵
1+𝛼
-10
0 0.5 1
2𝜋
La réponse en fréquence est maximale lorsque 𝜃 = 𝑘 10 et est minimale lorsque le
dénominateur est maximum, soit lorsque 𝑒 𝑗 10 𝜃 = −1
Si 𝛼 > 1 ⟹ système instable ⟹ pas de réponse en fréquence
3. 𝑥(0) = 𝑥(1) = 𝑥(7) = 1 𝑒𝑡 𝑥(𝑛) = 0 𝑝𝑜𝑢𝑟 2 ≤ 𝑛 ≤ 6
𝑁−1
2𝜋
𝑋(𝑘) = ∑ 𝑥(𝑛)𝑒 −𝑗 𝑛𝑘 𝑁
𝑘=0
où 𝑁 = 8 dans notre cas; 𝑘 est entier et vraie de 0 à 7.
Nous avons donc:
1 o : zéro
𝑋(0) = 𝑥(0) + 𝑥(1) + 𝑥(7) = 1 + 1 + 1 = 3

0
-1
-1 -0.5 0 0.5 1
partie réel
1
𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(1) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 8 + 𝑥(7)𝑒 −𝑗7 8
0
= 1 + √2
𝑥(7)
-1
-1 -0.5 0 0.5 1
1 𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(2) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 2 8 + 𝑥(7)𝑒 −𝑗7×2 8 =1
0
-1 𝑥(7)
-1 -0.5 0 0.5 1
1
𝑥(1)
2𝜋 2𝜋
𝑥(0) 𝑋(3) = 𝑥(0) + 𝑥(1)𝑒 −𝑗3 8 + 𝑥(7)𝑒 −𝑗3×7 8
0
= 1 − √2
-1 𝑥(7)
-1 -0.5 0 0.5 1
𝑥(1) 2𝜋 2𝜋
𝑥(0) 𝑋(4) = 𝑥(0) + 𝑥(1)𝑒 −𝑗 4 8 + 𝑥(7)𝑒 −𝑗4×7 8
0
𝑥(7) = −1
-1
-1 -0.5 0 0.5 1
𝑋(5) = 𝑋(3) 𝑋(6) = 𝑋(2) 𝑋(7) = 𝑋(1)

FORMULAIRE MATHEMATIQUE
𝑐𝑜𝑠 2 𝑥 + 𝑠𝑖𝑛2 𝑥 = 1 𝑡𝑔(𝑥) = sin(𝑥)⁄cos(𝑥)
cos(𝑎 + 𝑏) = cos 𝑎 cos 𝑏 − sin 𝑎 sin 𝑏 sin(𝑎 + 𝑏) = sin 𝑎 cos 𝑏 + sin 𝑏 cos 𝑎
cos(𝑎 − 𝑏) = cos 𝑎 cos 𝑏 + sin 𝑎 sin 𝑏 sin(𝑎 − 𝑏) = sin 𝑎 cos 𝑏 − sin 𝑏 cos 𝑎
cos(2𝑎) = 𝑐𝑜𝑠 2 𝑥 − 𝑠𝑖𝑛2 𝑥 = 2𝑐𝑜𝑠 2 𝑥 − 1 sin(2𝑎) = 2 sin 𝑎 cos 𝑎
cos(2𝑎) = 1 − 2 𝑠𝑖𝑛2 𝑥 (cos 𝑎 + 𝑗𝑠𝑖𝑛 𝑎)𝑛 = cos 𝑛𝑎 + 𝑗𝑠𝑖𝑛 𝑛𝑎
𝑒 𝑗𝜔0 𝑡 = cos(𝜔0 𝑡) + 𝑗 sin(𝜔0 𝑡) 𝑒 −𝑗𝜔0 𝑡 = cos(𝜔0 𝑡) − 𝑗 sin(𝜔0 𝑡)
𝑒 𝑗𝜔0 𝑡 + 𝑒 −𝑗𝜔0 𝑡 𝑒 𝑗𝜔0 𝑡 − 𝑒 −𝑗𝜔0 𝑡
cos(𝜔0 𝑡) = sin(𝜔0 𝑡) =
2 2𝑗
Fonction Dérivée Différentielle Primitive

cos(𝑡) − sin(𝑡) sin(𝑡) 𝑑𝑡
∫ cos(𝑡) 𝑑𝑡 = sin(𝑡)
sin(𝑡) cos(𝑡) −cos(𝑡) 𝑑𝑡
∫ sin(𝑡) 𝑑𝑡 = −cos(𝑡)
𝛿(𝑡)𝑓(𝑡) = 𝛿(𝑡)𝑓(0) 𝛿(𝑡) ∗ 𝑓(𝑡) = 𝑓(𝑡)

𝛿(𝑡 − 𝑡0 )𝑓(𝑡) = 𝛿(𝑡 − 𝑡0 )𝑓(𝑡0 ) 𝛿(𝑡) ∗ 𝑓(𝑡 − 𝑡0 ) = 𝑓(𝑡 − 𝑡0 )
+∞
𝑃𝑒𝑖𝑔𝑛𝑒 𝑑𝑒 𝐷𝑖𝑟𝑎𝑐 𝑑𝑒 𝑝é𝑟𝑖𝑜𝑑𝑒 𝑇𝑒 ∶ 𝛿𝑇𝑒 (𝑡) = ∑ 𝛿(𝑡 − 𝑘 𝑇𝑒 )

𝑘=−∞
Fonction Transformée de Fourier

−𝝅 𝒕𝟐 𝟐
𝒆 𝒆−𝝅 𝒇
𝒆−𝒂 𝒕
𝟐
𝝅𝟐 𝟐 𝟐
[ ] 𝒆−𝝅 𝒇 /𝒂
𝒂
cos(2𝜋𝑎𝑡) 1
[𝛿(𝑓 + 𝑎) + 𝛿(𝑓 − 𝑎)]
2
sin(2𝜋𝑎𝑡) 𝑗
[𝛿(𝑓 + 𝑎) − 𝛿(𝑓 − 𝑎)]
2
t sin(𝜋𝑓𝜏)
rect ( ) = Πτ (𝑡) = 𝜏𝑠𝑖𝑛𝑐(𝜋𝑓𝜏)
τ 𝜋𝑓
𝐴𝛿(𝑡) 𝐴
𝐴 𝐴𝛿(𝑓)
Peigne de Dirac temporel Peigne de Dirac fréquentiel
+∞ +∞
𝛿𝑇0 (𝑡) = ∑ 𝛿(𝑡 − 𝑘 𝑇0 ) 𝛿1⁄𝑇0 (𝑓) = 𝛿𝐹𝑒 (𝑓) = 𝐹𝑒 ∑ 𝛿(𝑓 − 𝑘 𝐹𝑒 )

𝑘=−∞ 𝑘=−∞


Traitement de Signal THEORIE ET TRAITEME PDF

Transféré par

Informations du document

Titre original

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

Traitement de Signal THEORIE ET TRAITEME PDF

Transféré par

Droits d'auteur :

Formats disponibles

Université de Monastir

Faculté des Sciences de Monastir

Enseignant Responsable : Adel AMIMI

Année universitaire : 2015-2016

T HEORIE ET T RAITEMENT DE S IGNAL

Un signal est la représentation physique de l’information qu’il transporte de sa

Les signaux de télécommunications, qui transportent l’information par modulation

Les signaux géophysiques, tels que l’évolution de la température, de la pression, de la

Les signaux biologiques, mesurés à divers endroits du corps humain et renseignant

Les signaux de communication interpersonnelle, tels la parole ou l’écriture. A

La théorie du signal a pour objectif fondamental la ‘description mathématique’ des

Au sens mathématique : un signal est un objet mathématique fonction de une ou plusieurs

signal = toute entité qui véhicule une information

Exemples: onde acoustique Musique,

suite de nombres Mesures physiques

Support de cours Mastère I2A 4

Traitement du signal = procédure pour:

 Extraire l’information (filtrage, détection, estimation, analyse spectrale...)

 Mettre en forme le signal (modulation, échantillonnage….)

 Reconnaissance des formes

CLASSIFICATION DES SIGNAUX

Support de cours Mastère I2A 5

CLASSIFICATION PHENOMENOLOGIQUE DES SIGNAUX

Signaux déterministes Signaux aléatoires

Périodiques Non périodiques Stationnaires Non stationnaires

Support de cours Mastère I2A 6

Tout signal physique Idéalisation

CLASSIFICATION MORPHOLOGIQUE DES SIGNAUX

signal analogique signal quantifié

Support de cours Mastère I2A 7

𝒙(𝒕𝒌 ) 𝒙𝒒 (𝒕𝒌 ) =x(k)

signal signal numérique

Signal sin(0t) Signal cos(0t)

 Signal exponentiel complexe : S(t )  S0 exp 2 j F0 t 

 La fonction échelon unité ou fonction de Heaviside définie par :

 La fonction sinus cardinal est définie par : s(t )  sin c(t ) 

Support de cours Mastère I2A 8

 sin c(t)dt  1  sin c (t)dt  1

 La fonction porte ou rectangle est définie par :

rect  (t )    (t )  u(t   2)  u(t   2) Πθ(t)

On peut définir mathématiquement la fonction de Dirac en prenant la limite d’une

 Une fonction porte, de durée D et d’amplitude 1/D

Signal porte de largeur D Impulsion ou Pic de Dirac

PROPRIETES DE LA FONCTION DE DIRAC

La distribution (fonction) de Dirac est l’élément neutre de la convolution, en effet :

f (t) * t  t 0   f (t  t 0 ) Opération de décalage

f (t )  t   f (0)  (t ) 

 Bruit : est défini comme tout phénomène perturbateur gênant la perception ou

Le rapport signal/bruit est une caractéristique de la dégradation d’un signal, c’est un

Support de cours Mastère I2A 10

ANALYSE DES SIGNAUX PERIODIQUES

DECOMPOSITION EN SERIE DE FOURIER

Support de cours Mastère I2A 11

NB : le calcul de ces intégrales ne présente pas de difficulté, il suffit de transformer les

Si f ( t ) est une fonction de t périodique, de période T0  1 F0 , elle peut s’écrire

𝑓(𝑡) = 𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑛 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑛 𝜔0 𝑡)] (4)

Les coefficients a n et b n représentent les projections de f (t ) sur les fonctions de base

=∫ {𝑎0 + ∑[𝑎𝑛 𝑐𝑜𝑠(𝑘 𝜔0 𝑡) + 𝑏𝑛 𝑠𝑖𝑛(𝑘 𝜔0 𝑡)] } 𝑐𝑜𝑠(𝑛 𝜔0 𝑡)𝑑𝑡

Support de cours Mastère I2A 12

Sous cette forme, les coefficients 𝑆𝑛 et 𝜑𝑛 sont respectivement l’amplitude et la phase de la

La fonction 𝑓(𝑡) se décompose en la somme:

DEVELOPPEMENT EN TERMES COMPLEXES DES SERIES DE FOURIER

Introduisons donc l’écriture complexe de 𝐜𝐨𝐬 𝒏𝝎𝟎 𝒕 et 𝐬𝐢𝐧 𝒏𝝎𝟎 𝒕, il vient :