Académique Documents
Professionnel Documents
Culture Documents
Artificiel
Semestre 1
4 Signaux particuliers 3
4.1 Impulsion de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
4.2 Signal échelon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.3 Signal sinusoïdal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
4.4 Énergie et puissance d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
5 L’exponentiel complexe 5
5.1 Plan complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
5.2 Rotation autour de l’origine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
5.3 Génération d’une séquence complexe . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.2 Bruit
Un bruit correspond à tout phénomène perturbateur gênant la transmission ou l’interpré-
tation d’un signal.
Remarque : Les notions de signal et bruit sont très relatives. Pour un technicien des té-
lécommunications qui écoute un émetteur lointain relayé par un satellite, le signal provenant
d’une source astrophysique (soleil, quasar) placée dans la même direction est un bruit. Mais
pour l’astronome qui s’intéresse à la source astrophysique, c’est le signal du satellite qui est un
bruit.
2.1.4 Système
Un système est un dispositif représenté par un modèle mathématique de type Entrée/Sortie
qui apporte une déformation au signal (Ex : modulateur, filtre...).
1
2.2 Classification des signaux
2.2.1 Classification phénoménologique
On considère la nature de l’évolution du signal en fonction du temps. Il apparaît deux types
de signaux :
Les signaux déterministes : (signaux certains), leur évolution en fonction du temps peut
être parfaitement modéliser par une fonction mathématique. On retrouve dans cette classe
les signaux périodiques, les signaux transitoires, les signaux pseudo-aléatoires...
Les signaux aléatoires : leur comportement temporel est imprévisible. Il faut faire appel à
leurs propriétés statistiques pour les décrire. Si leurs propriétés statistiques sont inva-
riantes dans le temps, on dit qu’ils sont stationnaires.
x̃[n] = x̃[n + kN ] n, k, N ∈ Z
Les séquences périodiques sont un pont naturel entre les longueurs finies et infinies, elles ont
une quantité finie d’information, mais elles ont une longueur infinie.
2
3.1.4 Les signaux de support fini
Les signaux de support fini sont des séquences de longueur infinie avec seulement un nombre
fini d’échantillons non nuls. On les indique avec x[n]. La quantité d’informations d’une séquence
de support fini est la même qu’une séquence de longueur finie du capital de longueur N . Et ils
constituent un autre pont entre les séquences finies et les séquences de longueur infinie.
x[n]
si 0≤n<N
x[n] = ∀n ∈ Z
0 ailleurs
4 Signaux particuliers
4.1 Impulsion de Dirac
L’impulsion de Dirac un signal où chaque échantillon est égal à 0 sauf pour n égal à 0 où
l’échantillon est égal à 1.
1 pour n = 0
δ[n] =
0 sinon
0
-15 -10 -5 -0 5 10 15
3
4.2 Signal échelon
C’est un signal qui vaux 0 pour toutes les valeurs négatives de n et est égal à 1 pour n
supérieur ou égal à 0.
0 pour n<0
u[n] =
1 pour n≥0
0
-15 -10 -5 -0 5 10 15
−1
-15 -10 -5 -0 5 10 15
4
Remarque : Comment votre PC lit les sons à temps discret ?
Un ordinateur est un laboratoire de traitement du signal entièrement fonctionnel. Il a des
interfaces qui permettent de visualiser les signaux comme des parcelles sur l’écran. En plus, on
peut matérialiser les signaux comme des signaux audio qu’on peut entendre avec nos oreilles.
Soit une simple sinusoïde numérique de fréquence numérique ω0 et une phase initiale θ.
x[n] = sin(ω0 n + θ)
— Dans le temps discret : n n’a pas de dimension physique et la périodicité d’une forme
d’onde est déterminée par le nombre d’échantillons avant que le motif se répète.
— Dans le monde physique : la périodicité est mesurée en combien de secondes avant que le
motif se répète.
Le PC comble cette lacune via une carte son qui prend une série d’échantillons, et construit
un signal électrique qu’on peut transmettre à un haut-parleur. Et au cœur de la carte son se
trouve une horloge système, avec une période TS qui représente le temps qu’on doit attendons
avant le prélèvement d’un nouvel échantillon à partir d’une séquence temporelle discrète, et
l’alimente dans la carte son. Une périodicité M des échantillons dans le domaine numérique
deviendra une périodicité de M TS dans le domaine physique. La fréquence réelle est :
1
f=
M Ts
Exemple : La fréquence d’échantillonnage d’un DVD est Fs = 48KHz, alors Ts ≃ 20, 8µs. Si
M = 110, alors
1 1
f= = ≃ 440Hz
M Ts 110 × 20, 8 · 10−6
5 L’exponentiel complexe
5.1 Plan complexe
Le nombre ejα est un complexe avec une partie réelle cos α et une partie imaginaire sin α.
Son amplitude est toujours égale à 1, donc le point ejα reste toujours sur le cercle de l’unité.
Im
1 ejα
•
α
Re
-1 1
-1
5
5.2 Rotation autour de l’origine
Si nous avons un point d’affixe z sur le plan complexe , et nous multiplions cet affixe par
jα
e , nous tournons le point dans le sens anti-horaire par un angle α sur un cercle, centré à
l’origine, et avec un rayon égal à l’amplitude de z.
Im
•
z ′ = zejα
α z
•
Re
Im
x[2]
•
• x[1]
ω
ω Re
• x[0]
Remarque :
— Toutes les sinusoïdes ne sont pas périodiques en temps discret.
M
ejωn est périodique en n ⇔ ω = 2π M, N ∈ N
N
En effet :
6
x[n] = x[n + N ]
ej(ωn+ϕ) = ej(ω(n+N )+ϕ)
ejωn ejϕ = ejωn ejωN ejϕ
ejωN = 1
ωN = 2M π M ∈Z
M
ω= 2π
N
— 2π périodicité :
ejα = ej(α+2kπ) ∀k ∈ Z
Im
•
ejα
α + 2π
α Re
7
• x[1] ω ω
ω
• x[0] x[1] • • x[0] • x[0]
x[1] •
ω − 2π
x = [x0 x1 · · · x0 xN −1 ]T
8
— les coefficients αk de cette combinaison linéaire doivent être uniques. c-à-d :
K−1
αk w(k) = 0
X
⇔ α = 0, k = 0, 1, · · · , K − 1
k=0
Pour une base orthogonale, les vecteurs de base sont mutuellement orthogonaux :
D E
w(k) , w(n) = 0 pour k ̸= n
Pour une base orthonormale, le produit scalaire du même vecteur est égal à 1 :
D E
w(k) , w(n) = δ[n − k]
Changement de base :
K−1 K−1
αk w(k) = βk v (k)
X X
x=
k=0 k=0
n o
Si v (k) est orthogonale, alors :
D E
βh = v (h) , x
K−1
* +
(h) (k)
X
= v , αk w
k=0
K−1 D E
αk v (h) , w(k)
X
=
k=0
K−1
X
= αk chk
k=0
c00 c01 ··· c0(K−1) α0
=
.. ..
.
.
c(K−1)0 cK−1)1 · · · cK−1)(K−1) αK−1
9
N −1 ∗
2π 2π
⟨W (k) , W (h) ⟩ = ej N nk ej N nh
X
n=0
N −1
2π
ej N n(h−k)
X
=
n=0
N pour h=k
=
1 − ej2π(h−k)
= 0 pour h ̸= k
2π
1 − ej N (h−k)
Nous avons
√ donc N vecteurs orthogonaux. Pour les rendre orthonormaux, il faut juste les diviser
par 1/ N .
La représentation d’un signal discret dans la base de Fourier constitue la Transformée de
Fourier Discrète (DFT).
N −1 N −1
2π 2π
x[n]e−j N nk = x[n]e−jωnk
X X
X[k] = k = 0, 1, · · · , N − 1 ω=
n=0 n=0 N
−1 −1
1 NX j 2π nk 1 NX 2π
x[n] = X[k]e N = X[k]ejωnk n = 0, 1, · · · , N − 1 ω=
N k=0 N n=0 N
7.2.2 Exemples
— Impulsion de Dirac : x[n] = δ[n] x[n] ∈ CN
N −1
2π
δ[n]e−j N nk
X
Xk =
n=0
=1
10
1
δ[n]
0
0 10 20 30 40 50 60
1
∣X∣
0
0 10 20 30 40 50 60
11
1
u[n]]
0
0 10 20 30 40 50 60
64
∣X∣
0
0 10 20 30 40 50 60
x[n] = 3 cos(2πn/16)
2π 2π
ej 64 4n + e−j 64 4n
= 3
2
3 j 2π 4n 2π×4n
= e 64 + e−j( 64 −2πn)
2
3 j 2π 4n 2π
= e 64 + ej 64 60n)
2
3
= (W4 [n] + W60 [n])
2
Xk = ⟨Wk [n], x[n]⟩
3 3
= ⟨Wk [n], W4 [n] + W60 [n]⟩
2 2
3 3
= ⟨Wk [n], W4 [n]⟩ + ⟨Wk [n], W60 [n]⟩
2
2
96 pour k = 4, 60
=
0 sinon
12
96
72
48
e
24
0
0 10 20 30 40 50 60
1e−2
5.0
2.5
m
0.0
−2.5
−5.0
0 10 20 30 40 50 60
13
48
24
e
0
0 10 20 30 40 50 60
48√ 3
m
−48√ 3
0 10 20 30 40 50 60
2π π
Figure 12 – En haut : Partie réelle de la DFT de la fonction 3 cos n+ , En bas : Partie
16 3
2π π
imaginaire de la DFT de la fonction 3 cos n+
16 3
96
72
∣X∣
48
24
0
0 10 20 30 40 50 60
π
3
0
∠(X)
−π3
0 10 20 30 40 50 60
2π π
Figure 13 – En haut : Module de la DFT de la fonction 3 cos n+ , En bas : Phase de
16 3
2π π
la DFT de la fonction 3 cos n+
16 3
14
Remarque : DFT d’un signal réel
La DFT d’un signal réel est "symétrique" en amplitude. On note que pour un signal de longueur
finie, cette symétrie dépend de la parité de la longueur du signal.
64
∣X∣
0
0 10 20 30 40 50 60
2. x[n] = cos πn : Le signal x[n] = cos πn est le signal le plus rapide en temps discret, sa
DFT n’aura qu’un coefficient différent de zéro exactement au point de fréquence le plus
élevé.
15
64
∣X∣
32
0
0 10 20 30 40 50 60
0.5
-0.5
0 10 20 30 40 50
16
8
6
4
2
0
0 10 20 30 40 50
8
6
4
2
0
−20 −10 0 10 20
N −1 −1
1 NX
| x[n] |2 = | X[k] |2
X
n=0 N k=0
Preuve :
N −1 N −1
| x[n] |2 = x[n]x∗ [n]
X X
n=0 n=0
−1 N −1 −1
1 NX N
" #
2π 2π
X[k]ej N nk X ∗ [l]e−j N lk
X X
= 2
N n=0 k=0 l=0
−1 N −1 −1
1 NX N
" #
2π
X[k]X ∗ [l] ej N (n−l)k
X X
= 2
N k=0 l=0 n=0
−1 N −1
1 NX
[X[k]X ∗ [l]
X
= (*)
N k=0 l=0
−1
1 NX
= | X[k] |2
N k=0
n=0 0 si n ̸= l
17
7.3.2 Théorème de la convolution discrète
Convolution circulaire : La convolution circulaire du deux séquences N-périodiques x[n] et
y[n] la séquence N-périodique définie par :
N
X −1
x[n] ⊕ y[n] = x[m]y[(n − m) mod N ]
m=0
y[n] = x[n − k0 ]
p=0
−j 2π kk0
= X[k]e N
18