Académique Documents
Professionnel Documents
Culture Documents
Cours :
Traitement du signal
L
F
:
S
M
P
6 Filière : Sciences de la Matière Physique (SMP)
Parcours Electronique
Semestre : S6
------------------------------
Responsable : Année universitaire :
Professeur M. LAABOUBI 2019/2020
Faculté des Sciences Appliquées, Route Nationale N°10 cite d’Azrou à côté de l'institut Agronomique et Vétérinaire
Hassan II Ait Melloul, Site web : cuam.uiz.ac.ma
Introduction générale……………………………………………………………………..……1
Introduction :………………………………………………………………………………..….5
1. Principales fonctions du traitement de signal………………………………………..…..….5
2. Puissances et énergies des signaux…………………………………………………….……6
2.1 Moyenne, énergie, et puissance d’un signal………………………………………..6
2.1.1 Moyenne d’un signal……………………..………………………………6
A. Moyenne sur un intervalle…………………………………………..6
B. Moyenne d’un signal périodique…………………………………….6
C. Moyenne d’un signal apériodique……………………...……………7
2.1.2 Energie d’un signal……………………………………………………….7
A. Energie sur un intervalle……………………………….……………7
B. Energie totale…………………………………………….………….8
2.1.3 Puissance d’un signal…………………………………...………………..8
A. Puissance sur un intervalle…………………………………………..8
B. Puissance instantanée………………………………………………..9
C. Puissance moyenne d’un signal périodique…………………………9
D. Puissance moyenne d’un signal apériodique………………………..9
E. Mesures de puissances en décibels…………………………………..9
3. Classification des signaux……………………………………………………………….…10
3.1 Classification phénoménologique…………………………………………….…..11
3.2 Classification énergétique……………………………………………………...…12
3.3 Classification morphologique………………………………………………...…..12
4. Comparaison des signaux………………………………………………………….……….13
4. 1 Signaux à énergie finie…………………………………………………...………14
4.1.1 Intercorrélation de 2 signaux……………………………………...…….14
4.1.2 Autocorrélation d’un signal……………………………………………..14
4. 2 Corrélation de signaux à puissance finie…………………………………………14
5. Signaux usuels……………………………………………………………………..……….15
5.1 Fonction Echelon ou saut unité………………………………………….………..15
5.2 Impulsion de Dirac ……………………………………………………………….17
5.2.1 Propriétés……………………………………………………...………..18
5.3 Peigne de Dirac……………………………………………………………...……18
5.4 Fonction Signe………………………………………………………………….…19
Introduction :……………………………………………………………………………...…..28
1. Propriétés des systèmes linéaires…………………………………………………………..29
1.1 Linéarité…………………………………………………………………………..29
1.2 Invariance dans le temps………………………………………...………………..30
1.3 Commutativité………………………………………………………….…………30
1.4 Superposition………………………………………………………..…………….31
2. Réponse Impulsionnelle……………………………………………………………...…….32
3. Convolution……………………………………………………………………………..….32
3.1 Propriétés………………………………………………………………….………34
3.2 Convolution graphique………………………………………...………………….35
Interprétation………………………………………………………………….35
1. Signaux périodiques……………………………………………………………..…………36
Introduction……………………………………………………..…………………….36
1.1 Signal périodique……………………………………...…………………………..36
1.2 Séries de Fourier…………………………………………………………………..37
1.3 Symétrie et les coefficients de Fourier…………………………………..………..40
1.4 Forme Complexe des coefficients de Fourier……………...……………………..40
1.5 Spectre d’amplitude et de phase…………………………………………………..42
2. Analyse des signaux non périodiques : Transformation de Fourier (TF)………………….45
Introduction :…………………………………………………………………….……45
2.1 Condition d’existence de la transformation de Fourier….………………………..46
2.2 Propriétés de la TF………………………………………………………..………46
2.3 Propriété liée à la convolution……………………………………………...……..47
2.3 Energie et représentation spectrale : théorème de Parseval………………………49
Introduction :………………………………………………………………………………….52
1. Echantillonnage……………………………………………………………………….……53
1.1 Modélisation d’un échantillonneur………………………………………………..53
1.2 Transformée de Fourier d’un peigne de Dirac……………………………………54
1.3 Conséquences sur l’échantillonnage……………………………………………...55
1.3.1 Spectres………………………………………………………………….55
1.3.2 Théorème de Shannon…………………………………………………..56
1.3.3 Filtre anti-repliement……………………………………………………56
1.4 Périodisation du spectre…………………………………………………………..57
1.5 Limites du théorème d’échantillonnage…………………………………………..59
1.6 Choix de la fréquence d’échantillonnage…………………………………………59
1.6.1 Discrétisation correcte…………………………………………………..59
1.6.2 Discrétisation incorrecte : repliement du spectre……………………….60
2. Signaux discrets de durée infinie…………………………………………………………..61
3. Signaux discrets de durée finie…………………………………………………………….61
4. Discrétisation de la fréquence……………………………………………………………...62
5. Relations entre le temps et la fréquence……………………………………………………62
6. Propriétés d’un signal discret………………………………………………………………64
7. Signaux discrets communs…………………………………………………………….…..66
Introduction……………………………………………………………………………...……68
1. Systèmes linéaires et invariants dans le temps (LIT)…………………………...………….69
2. Propriété du produit de convolution discrète……………………………………..………..70
3. Convolution de séquences finies…………………………………………………...………72
3.1 Méthode de la somme des colonnes ………………………………...……………72
3.2 Méthode de la bande glissante…………………………………..………………..72
3.3 Multiplication polynômiale……………………………………………………….73
4. Propriétés des systèmes LIT……………………………………………………………….73
5. Traitement des signaux numériques……………………………………………….………74
5.1 Passage de la TF à la TFD………………………………………………...………74
5.2 Transformation de Fourier discrète (TFD)………………………………………..75
5.3 TFD et FFT…………………………………………………………………….….75
7. Effet de fenêtrage en traitement du signal………………………………………………….76
7.1 Effet de la troncation………………………………………………………..…….76
Introduction ……………………………………………….…………………….……………85
1. Filtres : Caractéristiques générales…………………………………………..…………….85
2. Différents types de filtres…………………………………………………………………..86
3. Filtres idéaux……………………………………………………………………….…...….87
4. Filtres réels…………………………………………………………………………………88
5. Fonction de transfert……………………………………………….……….….…………..88
5.1 Diagramme de Bode……………………………………………….……………..89
5.2 Fonction de transfert et stabilité………………………………..…………………89
6. Gabarits des filtres………………………………….………………………….…………..90
6.1 Filtre passe-bas…………………………………………………..………………..90
6.2 Filtre passe-haut………………………………………………..…………………91
6.3 Filtre passe-bande…………………………………………………………………91
6.4 Filtre coupe-bande……………………………………………..………………….92
6.5 Centrage des gabarits……………………………………………………………..93
6.6.1 Normalisation……………………...……………………………………93
6.6.2 Transposition……………………………………………………………93
7. Fonctions d’approximations…………………………………………………………..……94
7.1 Butterworth………………………….…………………………………………….95
Dimensionnement du filtre de Butterworth…………………………………...96
7.2 Tchebyshev………………………………………….…………………………….97
Introduction……………………………………………………………….…………………101
1. Transformée en Z………………………………………………………..………………..102
2. Propriétés de la transformée en Z……………………….……………..…………………102
2. Représentation d’un filtre numérique……………………….………….………………...103
3. Classification des filtres numériques……………………………………..………………104
3.1 Filtres non récursifs RIF………………………….……………………………...104
3.2 Filtres récursifs RII………………………………………………………………105
4. Analyse fréquentielle des filtres numériques……………………………………………..106
Introduction générale
1
Pr. Mostafa LAABOUBI Année : 2019-2020
Cependant, les systèmes de traitement numérique du signal ont des avantages sur leurs
équivalents analogiques :
– Flexibilité, utilisation d’algorithmes sur des calculateurs.
– Précision et consistance des calculs numériques à comparer aux dérives des systèmes
analogiques.
– Capacité de stockage, transmission sans altération du signal.
Ensuite, le traitement numérique du signal désigne l’ensemble des opérations, calculs
arithmétiques et manipulations de nombres, qui sont effectués sur un signal à traiter,
représenté par une suite ou un ensemble de nombres, en vue de fournir une autre suite ou un
autre ensemble de nombres, qui représentent le signal traité. Les fonctions les plus variées
sont réalisables de cette manière, comme l’analyse spectrale, le filtrage linéaire ou non
linéaire, le transcodage, la modulation, la détection, l’estimation et l’extraction de paramètres.
Les systèmes utilisés sont des calculateurs numériques.
Les systèmes correspondant à ce traitement obéissent aux lois des systèmes discrets. Les
nombres sur lesquels il porte peuvent dans certains cas être issus d’un processus discret.
Cependant, ils représentent souvent l’amplitude des échantillons d’un signal continu et dans
ce cas, le calculateur prend place derrière un dispositif convertisseur analogique-numérique et
éventuellement devant un convertisseur numérique-analogique. Dans la conception de tels
systèmes et l’étude de leur fonctionnement, la numérisation du signal revêt une importance
fondamentale et les opérations d’échantillonnage et de codage doivent être analysées dans
leur principe et leurs conséquences.
La linéarité et l’invariance temporelle des systèmes entraînent l’existence d’une relation de
convolution qui régit le fonctionnement du système, ou filtre, ayant ces propriétés. Cette
relation de convolution est définie à partir de la réponse du système au signal élémentaire que
représente une impulsion, la réponse impulsionnelle, par une intégrale dans le cas des signaux
analogiques. Hors, dans les systèmes numériques, qui sont du type discret, la convolution se
traduit par une sommation. Le filtre est défini par une suite de nombres qui constitue sa
réponse impulsionnelle.
Nous avons découpé ce cours en 3 parties, dans la première partie qui comporte les trois
chapitres 1, 2 et 3 ne seront traités que les signaux et systèmes à temps continus. Dans un
premier temps, nous allons décrire la description des signaux continus à savoir la notion
d’énergie, de puissance et de la classification des signaux et dans le deuxième chapitre nous
allons décrire les notions de système linéaire invariant dans le temps (linéarité, invariance,
2
Pr. Mostafa LAABOUBI Année : 2019-2020
convolution ...). Ensuite, dans le troisième chapitre, nous aborderons des concepts plus
mathématiques de la série de Fourier, de la transformée de Fourier qui permettent d’analyser
les signaux périodiques et non périodiques. Dans ce chapitre, le point de vue fréquentiel est
introduit pour aborder la transformation d’un signal en un autre, cette une représentation
fréquentielle ( spectrale), est se basée notamment à travers plusieurs notions fondamentales :
– la décomposition en série de Fourier ;
– la transformation de Fourier ;
– le spectre d’un signal.
Dans la deuxième partie, traite les signaux et systèmes discrets, cette partie comporte deux
chapitres 4 et 5, le quatrième chapitre traite essentiellement de signaux évoluant dans le
temps. Cependant, une partie est consacrée à l’opération d’échantillonnage de grandeurs
analogiques temporelles et au formalisme mathématique associé (théorème de Shannon, filtre
anti-repliement, transformée de Fourier discrète (TFD), produit de convolution discrète …).
Nous abordons ensuite dans le cinquième chapitre à la description des signaux discrets et des
systèmes discrets. Ainsi les aspects particuliers de la numérisation, comme les techniques de
sur-échantillonnage, la restitution d’un signal continu à partir de ses échantillons utilise des
fonctions d’interpolation.
Enfin, dans la troisième partie, aborde les filtres analogiques et numériques. Cette partie
comporte de deux chapitres 6 et 7, le chapitre 6 traite la description et la conception des filtres
analogiques et dans le chapitre 7 nous aborderons des filtres numériques (RIF et RII) ainsi la
transformée en Z.
L’objectif principal de ce cours est la caractérisation d’un signal dans le domaine
temporel et fréquentiel pour aboutir à des modèles mathématiques. La description
mathématique des signaux permet de concevoir et de caractériser des systèmes de traitement
de l’information. Le bruit représentera tout «signal» ou phénomène perturbateur.
3
Pr. Mostafa LAABOUBI Année : 2019-2020
Partie I :
Signaux et systèmes continus
--------------------------------------
4
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 1 :
Introduction :
Un signal est la représentation physique de l’information, qu’il convoie de sa source à sa
destination. C’est une expression d’un phénomène qui peut être mesurable par un appareil de
mesure. Bien que la plupart des signaux soient des grandeurs électriques (généralement
courant, tension, champ, …) la théorie du signal reste valable quelle que soit la nature
physique du signal.
- La détection : par cette opération on tente d’extraire un signal utile du bruit de fond qui lui
est superposé.
5
Pr. Mostafa LAABOUBI Année : 2019-2020
1
Vmoy ( t1, t 2 ) =
t2
.∫ x(t )dt
t 2 − t1 t1
la valeur moyenne au cas d’une valeur définie quel que soit le temps t, est une valeur ne
dépendant pas de t.
1 α+T
T ∫α
Vmoy = . x(t )dt , ∀α ∈ \
6
Pr. Mostafa LAABOUBI Année : 2019-2020
x(t) = A.sin( ωt ),
est nulle quelles que soient son amplitude A et sa pulsation ω . Si le signal comporte un offset,
c’est-à-dire s’il contient une composante continue et s’écrit :
alors la moyenne devient évidemment A0 et il n’est nul besoin de recourir au calcul intégral
pour le savoir.
Comme pour un signal périodique, si l’on ajoute une composante continue A0 à x(t), la
moyenne devient Vmoy+ A0.
E ( t1, t 2 ) = ∫ x(t ) dt
t2 2
t1
Il s’agit d’une notion mathématique. C’est une valeur constante pour un intervalle donné. Elle
peut correspondre à une vraie énergie au sens physique ; elle s’exprime alors en Joules (J),
comme toutes les énergies.
7
Pr. Mostafa LAABOUBI Année : 2019-2020
B. Energie totale
Soit un signal x(t), périodique ou non. L’énergie totale de x(t) est définie par :
+∞
E=∫
2
x(t ) dt
−∞
1
P ( t1, t 2 ) =
t2
t1 − t 2 ∫t1
2
x (t ) dt
E ( t1 − t 2 )
P ( t1, t 2 ) =
t1 − t 2
8
Pr. Mostafa LAABOUBI Année : 2019-2020
B. Puissance instantanée
Soit un signal x(t), périodique ou non. La puissance instantanée de x(t) est définie par :
P ( t ) = x 2 (t )
1 T
T ∫0
P=
2
x (t ) dt
Il s’agit en fait de la puissance sur un intervalle qui n’est autre que la période T du signal x(t).
1 T /2
T →∞ T ∫−T / 2
P = lim
2
x (t ) dt
On parle parfois de valeur efficace Xeff pour désigner la racine carrée de la puissance
moyenne d’un signal périodique.
Xeff = P
Si la puissance P est finie ( P < ∞ ), alors x(t) est appelé signal à puissance finie. Un signal à
énergie finie est un signal à puissance finie si son énergie par période est finie.
Dans certains appareils de mesure, on peut rencontrer des mesures de puissance exprimées en
dBW ou dBm. Pour en comprendre le sens, il faut comprendre ce que l’on entend par mesure
en dB.
Tout d’abord, on définit le gain G en décibels (dB) entre la puissance P1 et P2 par la quantité :
⎛P ⎞
G = 10 log10 ⎜ 2 ⎟ .
⎝ P1 ⎠
Le dB est donc une unité adimensionnelle qui exprime en fait plutôt une amplification entre
deux grandeurs s’exprimant dans la même unité. Il faut donc au moins deux signaux pour
définir un gain en décibels.
⎛ P ⎞
PdBm = 10 log10 ⎜ W ⎟
⎝ 1mW ⎠
De la même façon, on définit la puissance exprimée en dBW par :
⎛P ⎞
PdBW = 10 log10 ⎜ W ⎟
⎝ 1W ⎠
De même :
⎛ P ⎞
PdBμ = 10 log10 ⎜ W ⎟
⎝ 1μW ⎠
Il est facile de vérifier que :
PdBm = PdBW + 30
PdBμ = PdBm + 30
PdBμ = PdBW + 60
10
Pr. Mostafa LAABOUBI Année : 2019-2020
Dans cette classification, on répartit généralement les signaux en deux classes principales et
quatre sous-classes.
Dans les deux classes principales, on trouve :
- les signaux déterministes dont l’évolution temporelle parfaitement définie peut être prédite
par un modèle mathématique approprié ;
Parmi les signaux déterministes, on distingue :
• les signaux périodiques qui se répètent régulièrement. On peut noter que les signaux
pseudo-aléatoires sont des signaux périodiques avec, à l’intérieur de la période, un
comportement aléatoire ;
• les signaux quasi-périodiques qui résultent d’une somme de sinusoïdes dont le rapport
des périodes n’est pas rationnel ;
• les signaux non-périodiques sont essentiellement représentés par des signaux
transitoires dont l’existence est éphémère.
- les signaux aléatoires qui ont un comportement temporel imprévisible et dont la description
ne peut se faire qu’au travers d’observations statistiques.
Parmi les signaux aléatoires, on distingue :
• les signaux stationnaires dont les caractéristiques statistiques ne changent pas au cours
du temps (le bruit électronique) ;
• les signaux non-stationnaires dont le comportement statistique évolue au cours du
temps (la parole).
11
Pr. Mostafa LAABOUBI Année : 2019-2020
Système
entrée SIGNAL
(modèle de génération)
Déterministe Aléatoire
Presque Transitoire
Périodique Cyclostationnaire
+∞
Wx = ∫
2
x(t ) dt
−∞
On dira que ce signal est à énergie finie si Wx < ∞ . Dans cette catégorie, on rencontre tous les
signaux temporellement éphémères qu’ils soient déterministes ou aléatoires.
La puissance moyenne Px d’un signal x(t) est définie par :
1 +T / 2
x →∞ T ∫− T / 2
Px = lim x(t ) dt = X eff2
2
12
Pr. Mostafa LAABOUBI Année : 2019-2020
On distingue les signaux à variable continue des signaux à variable discrète ainsi que ceux
dont l’amplitude est discrète ou continue :
13
Pr. Mostafa LAABOUBI Année : 2019-2020
Avec :
- TF {rxy (τ )} = Rxy ( f ) ,
{ }
- TF x ( t ) = X ( f ) et
- TF { y ( t )} = Y ( f ) .
14
Pr. Mostafa LAABOUBI Année : 2019-2020
- Auto-corrélation
1 +T / 2
rxx (τ ) = lim
T →∞ T ∫− T / 2
x(t ).x* (t − τ )dt
Dans le cas d’un décalage nul ( τ = 0 ), on trouve avec l’autocorrelation la puissance moyenne
du signal x(t).
1 +T / 2 2
rxx (τ = 0 ) = lim ∫ x (t )dt = X eff2 = Px
T →∞ T −T / 2
5. Signaux usuels
An verra ici quelques signaux analogiques communs qui apparaissent souvent en génie
électrique, et qui servent à approximer des signaux plus complexes. Afin de simplifier les
opérations ainsi les formules obtenus, certains signaux fréquemment rencontrés en traitement
du signal disposent d’une modélisation propre.
u ( t ) = {10 t ≥0
t <0
Cette fonction est donc discontinue en 0, autrement dit sa dérivée n’existe pas en 0 et est nulle
partout ailleurs.
Donc on peut exprimer mathématiquement un y(t) qui vaut 0 pour t < 0 et qui est égal à x(t)
pour t ≥ 0. Ceci peut se faire grâce à la fonction échelon. On aura alors le produit :
y ( t ) = u ( t ) .x ( t )
α.u ( t ) = {
α
0
t ≥0
t <0
u ( t − t0 ) = { 1
0
t ≥t0
t <t0
16
Pr. Mostafa LAABOUBI Année : 2019-2020
C’est une fonction qui est nulle pour t ≠ 0et qui est d’amplitude infinie pour t = 0. Cette
fonction est donc aussi de largeur nulle. Elle est définie mathématiquement par deux relations
:
+∞
∫−∞
δ(t )dt = 1
Généralement, la largeur d’une impulsion de dirac est nulle, son amplitude infinie et son aire
unitaire.
17
Pr. Mostafa LAABOUBI Année : 2019-2020
+∞
∫ −∞
x(t )δ(t )dt = x(0) .
5.2.1 Propriétés
- Soit x(t) une fonction continue en t = 0 ou t = t0 :
espacées de période T.
+∞
δT ( t ) = ∑ δ ( t − kT ) , k ∈] .
−∞
18
Pr. Mostafa LAABOUBI Année : 2019-2020
sgn ( t ) = u ( t ) − u ( −t )
19
Pr. Mostafa LAABOUBI Année : 2019-2020
r ( t ) = { t0 si t < 0
si t > 0
⎧1 t<
1
Rect ( t ) = ⎨ 0
si
2
sin on
⎩
20
Pr. Mostafa LAABOUBI Année : 2019-2020
⎛ 1⎞ ⎛ 1⎞
Rect ( t ) = u ⎜ t + ⎟ − u ⎜ t − ⎟
⎝ 2⎠ ⎝ 2⎠
D’une manière plus générale, pour une impulsion rectangulaire de durée T centrée en t = τ ,
d’amplitude A, donnée par la figure ci-dessous :
On note :
⎛t−τ⎞
x ( t ) = A.Rect ⎜ ⎟
⎝ T ⎠
Tri ( t ) = { 1− t
0
si t ≤ 1
sin on
21
Pr. Mostafa LAABOUBI Année : 2019-2020
On note :
⎛t −τ⎞
x ( t ) = ATri
. ⎜ ⎟
⎝ T ⎠
- Remarque :
On peut l’écrire aussi : Tri ( t ) = Re ct ( t ) ∗ Re ct ( t ) .
22
Pr. Mostafa LAABOUBI Année : 2019-2020
sin ( a.t )
sin c ( 0 ) = lim =1
x →0 a.t
Pour tout réel a ≠ 0 , ( a ∈ \* )
Le sinus cardinal est une fonction qui apparaît souvent en télécommunications. La figure ci-
dessous montre l’évolution temporelle de la fonction sinus cardinal :
⎛ t⎞
sin ⎜ π ⎟
⎛t⎞ ⎝ T ⎠.
sin c ⎜ ⎟ =
⎝T ⎠ π
t
T
−∞
Remarque :
- Cette intégrale de Fourier, y compris le cas particulier (pour f = 0 ), donc :
+∞
∫ sin c ( t ).e0 dt = Re ct ( 0 ) = 1
−∞
+∞
⇒ ∫ sin c ( t )dt = 1
−∞
+∞
Ainsi : ⇒ ∫ sin c 2 ( t )dt = 1
−∞
- La superficie sous le sinc (ou même sin c 2 ) est égal à la superficie du triangle rouge dans la
figure (Fig. 15).
23
Pr. Mostafa LAABOUBI Année : 2019-2020
24
Pr. Mostafa LAABOUBI Année : 2019-2020
variable indépendante par un coefficient constant. On fabrique alors le signal x(at) à partir du
signal x(t). Mathématiquement, on écrit :
25
Pr. Mostafa LAABOUBI Année : 2019-2020
7. Propriétés
Les signaux peuvent de plus avoir certaines propriétés, nous allons ici en présenter trois.
x ( t ) = x ( −t )
Cette propriété permet par exemple de simplifier le calcul de certaines intégrales : soit un
signal x(t) pair alors on a, du fait de cette propriété, la relation suivante :
+∞ +∞
∫ x ( t )dt = 2 ∫ x ( t )dt
−∞ 0
x ( t ) = − x ( −t )
Cette propriété pourra de même simplifier le calcul de certaines intégrales : soit un signal x(t)
impair alors on a la relation suivante :
+∞
∫ x ( t )dt = 0
−∞
P3. Enfin, tout signal peut être décomposé en la somme d’un signal pair et impair.
26
Pr. Mostafa LAABOUBI Année : 2019-2020
x ( t ) = x p ( t ) + xi ( t )
Pour décomposer un signal en ses composantes paires et impaires, on applique les relations
suivantes, on a :
1
xp (t ) = ⎡ x ( t ) + x ( −t ) ⎤⎦
2⎣
1
xi ( t ) = ⎡⎣ x ( t ) − x ( −t ) ⎤⎦
2
P4. Un signal est dit causal s’il est non nul pour t > 0 seulement. Un signal est anti-causal s’il
est non nul pour t < 0 seulement.
27
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 2 :
Introduction :
Un signal correspond le plus souvent à une modélisation du comportement de la quantité
physique observable. Cependant, il peut être extrêmement difficile d’obtenir une forme
mathématique simple et concise pour un signal donné.
Un système est une entité physique qui réalise une opération sur un signal. Un système
possède donc un signal d’entrée et un signal de sortie ; le signal de sortie correspond à la
transformation opérée par le système sur le signal d’entrée. Par exemple, l’oreille humaine est
un système transformant un signal correspondant à une variation de pression acoustique en
des séquences parallèles de signaux électriques sur le nerf auditif. Un microphone est un
système un peu analogue au précédent dans la mesure où une variation de pression acoustique
est transformée en un signal électrique monodimensionnel.
L’étude de tels systèmes conduit à analyser les transformations entre les signaux d’entrée et
de sortie (pour des systèmes plus ou moins complexes), cette opération est appelée le
traitement du signal. On ne parlera ici que du traitement des signaux analogiques et
numériques.
Cependant, Un système est un bloc mathématique qui permet de transformer un signal
quelconque. Le système peut représenter un phénomène physique, comme un thermomètre,
où l’entrée est un signal électrique et la sortie est la chaleur. Un système peut aussi représenter
un réseau de transmission de données, ou un filtre numérique ..., la structure générale d’un
système est :
28
Pr. Mostafa LAABOUBI Année : 2019-2020
Pour les systèmes à temps continu, les équations qui relient la sortie à l’entrée sont
typiquement des équations différentielles. Les systèmes étudiés ici sont tous des systèmes
linéaires. Ils possèdent quelques caractéristiques très importantes.
- L’additivité veut dire que si on applique 2 (ou plus) signaux à l’entrée, la sortie est la somme
individuelle de leur réponses.
Soit un système où on applique une entrée x1(t) qui produit une sortie y1(t), et une entrée
x2(t) produit une sortie y2(t). Si le système possède l’additivité, si on applique les deux
entrées en même temps, x1(t)+x2(t), la sortie sera y1(t) + y2(t).
29
Pr. Mostafa LAABOUBI Année : 2019-2020
x(t − t0 ) y ( t − t0 )
1.3 Commutativité
Les systèmes linéaires possèdent plusieurs caractéristiques importantes. Une première
caractéristique est la commutativité. Soit deux systèmes linéaires A et B. On met les deux
30
Pr. Mostafa LAABOUBI Année : 2019-2020
systèmes en cascade, A suivit de B. Si x(t) est l’entrée à A, a sortie des deux systèmes est y(t).
Avec la commutativité, on peut inverser l’ordre : mettre B en premier, suivi de A. Pour la
même entrée x(t), on obtient la même sortie y(t).
1.4 Superposition
La superposition est une technique clé de l’analyse de signaux : on peut décomposer une
entrée en ses composantes, passer chaque composante dans le système, puis obtenir la réponse
totale en faisant la somme (la superposition) des composantes. Le signal ainsi obtenu est
identique à celui obtenue si on aurait fait passer l’entrée au complet directement dans le
système. La superposition est utilisée pour décomposer une entrée en signaux plus simples,
puis appliquer ces signaux simples au système. On retrouve la réponse voulue en faisant la
somme des sorties obtenues.
31
Pr. Mostafa LAABOUBI Année : 2019-2020
2. Réponse Impulsionnelle
La réponse impulsionnelle est une caractéristique très importante des systèmes. Si l’entrée à
un système est un pulse δ ( t ) , alors la sortie est appelée la réponse impulsionnelle h(t),
La réponse impulsionnelle est donc très importante pour caractériser les systèmes physiques.
Il suffit d’envoyer un pulse de courte durée puis mesurer la réponse pour être capable de
trouver la réponse à n’importe quelle entrée.
3. Convolution
La convolution est un outil très important dans le calcul de la sortie d’un système. Pour
n’importe quelle entrée x(t), on peut trouver la sortie y(t) si on connaît la réponse
impulsionnelle h(t). La convolution est donnée par :
32
Pr. Mostafa LAABOUBI Année : 2019-2020
y (t ) = h (t ) ∗ x (t ) = x (t ) ∗ h (t )
On utilise plus souvent une représentation mathématique simplifiée pour noter la convolution
:
+∞ +∞
h ( t ) ∗ x ( t ) = ∫ h ( τ ).x ( t − τ ) d τ = ∫ h ( t − τ ) .x ( τ )d τ
−∞ −∞
La convolution est l’opération de traitement de signal la plus fondamentale. Elle indique que
la valeur du signal de sortie du système à l’instant t, obtenue par la sommation (intégrale)
pondérée des valeurs passées du signal d’excitation x(t). La fonction de pondération est
précisément la réponse impulsionnele h(t) du système.
Exemple :
Soit un système de réponse impusionnelle h(t) défini par h(t ) = e − t .u ( t ) .
On applique les trois entrées pour voir la sortie. Les entrées et sorties sont données à la figure
ci-dessous :
33
Pr. Mostafa LAABOUBI Année : 2019-2020
3.1 Propriétés
Soit x ( t ) , y ( t ) et z ( t ) trois signaux :
- P1. Commutative :
x (t ) ∗ y (t ) = y (t ) ∗ x (t )
- P2. Associative :
( x ( t ) ∗ y ( t ) ) ∗ z ( t ) = x ( t ) ∗( y ( t ) ∗ z ( t ) )
- P3. Distributive par rapport à l’addition :
x (t ) ∗ ( y (t ) + z (t )) = x (t ) ∗ y (t ) + x (t ) ∗ z (t )
l’intégrale de convolution que la convolution est commutative. S’il n’y a pas retournement, il
n’y a plus commutativité.
x1(t)
x2(t)
t t
x1 (t )
x2 (τ − t )
τ t
[x1 ⊗ x2 ](τ )
τ t
35
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 3 :
1. Signaux périodiques
Introduction :
Une des méthodes les plus utiles dans l’analyse des signaux périodiques est la série de
Fourier. La série de Fourier permet de transformer n’importe quel signal périodique en une
somme de sinusoïdes. On peut donc prendre un signal périodique complexe et le simplifier à
des sinusoïdes. Généralement, L’analyse harmonique ou fréquentielle est l’instrument majeur
de la théorie des signaux et des systèmes. Le développement en séries de Fourier et, plus
généralement, la transformation de Fourier permettent d’obtenir une représentation spectrale
des signaux déterministes. Celle-ci exprime la répartition de l’amplitude, de la phase, de
l’énergie ou de la puissance des signaux considérés en fonction de la fréquence.
Dans cette partie est consacrée par une petite introduction aux représentations spectrales des
signaux à l’aide des séries de Fourier et de la transformation de Fourier.
x(t ) = A.sin(2π f 0t + ϕ )
Son évolution temporelle est contenue le calcul de la fonction sinus (Fig) ; dès lors, on sait
que le signal x(t) ondule avec une forme précise fixée par la fonction sinus. Cependant, des
informations supplémentaires sont données : l’amplitude A, la phase ϕ et la fréquence f. Ce
sont ces informations qui sont fournies par la représentation fréquentielle ou spectrale.
36
Pr. Mostafa LAABOUBI Année : 2019-2020
1 T /2
T ∫−T / 2
a0 = x(t )dt
2 T /2
T ∫−T / 2
an = x(t ) cos(2π nf 0t )dt n≥0
2 T /2
bn = ∫ x(t ) sin(2π nf 0t )dt n ≥1
T −T / 2
Exemple :
Calcul les coefficients de la série de Fourier du signal suivant :
37
Pr. Mostafa LAABOUBI Année : 2019-2020
L’équation de an :
2 T Am
t.cos ( nω0t ) dt
T ∫0 T
an =
T
2 Am ⎡ 1 1 ⎤
= 2 ⎢ 2 2 .cos ( nω0t ) + sin ( nω0t ) ⎥
T ⎣⎢ n ω 0 nω0 ⎦⎥ 0
2 Am ⎡ 1 ⎤
= ⎢
T 2 ⎣⎢ n 2 ω20
. ( cos ( 2 πn ) − 1) ⎥ = 0, ∀n
⎦⎥
L’équation de bn :
2 T Am
t.sin ( nω0t ) dt
T ∫0 T
bn =
T
2 Am ⎡ 1 1 ⎤
= 2 ⎢ 2 2 .sin ( nω0t ) + cos ( nω0t ) ⎥
T ⎣⎢ n ω 0 nω0 ⎦⎥ 0
2 Am ⎡ T ⎤
= 2 ⎢
0− .cos ( 2πn ) ⎥
T ⎣ nω0 ⎦
Vm
=−
πn
38
Pr. Mostafa LAABOUBI Année : 2019-2020
39
Pr. Mostafa LAABOUBI Année : 2019-2020
Le type de symétrie d’un signal peut simplifier le calcul des coefficients de la série de Fourier.
Selon le type de symétrie, certains des coefficients de la série de Fourier sont nuls. Il est
important de bien identifier le type de symétrie d’un signal avant de décomposer en série de
Fourier.
- Symétrie paire
Pour des fonctions paires, on peut démontrer que les coefficients de Fourier sont :
2 T /2
T ∫0
a0 = x(t )dt
4 T /2
an = ∫ x(t ) cos(2π nf 0t )dt
T 0
bn = 0.
- Symétrie impaire
Pour des fonctions impaires, on peut démontrer que les coefficients de Fourier sont :
a0 = 0
an = 0
4 T /2
bn = ∫ x(t ).sin(2π nf 0t )dt
T 0
40
Pr. Mostafa LAABOUBI Année : 2019-2020
Où :
1 +T / 2
Cn =
T ∫− T / 2
x(t )e − jnω0t dt
Remarques :
- Le terme an cos ( nω0t ) + bn sin ( nω0t ) est une fonction sinusoïdale appelée harmonique
d’ordre n ;
- a0 : est la valeur moyenne du signal x(t) ;
- L’harmonique d’ordre 1 est appelé fondamental, il est de même fréquence que x(t) ;
- le terme Cn est égal :
a − jbn 1 α+T
Cn = n = ∫ x(t ).e − jnω0t dt ;
2 T α
- le terme C− n est égal :
a + jbn
C− n = n ;
2
- la phase à l’origine des temps :
bn
tan ( ϕn ) = .
an
Forme Equation
∞ ∞
Trigonométrique x(t ) = a0 + ∑ an cos(nω0t ) + ∑ bn sin(nω0t )
n =1 n =1
+∞
Exponentielle x(t ) = ∑ Cn e j 2π nf0t
−∞ an − jbn
+∞ , Cn = et C0 = a0
= ∑ Cn e jnω0t
2
−∞
+∞
Polaire x(t ) = C0 + ∑ 2 Cn cos ( nω0t + ϕ n )
n =1
41
Pr. Mostafa LAABOUBI Année : 2019-2020
1 2
Cn = a n + bn2
2
⎛ −b ⎞
ϕn = ac tan ⎜ n ⎟.
⎝ an ⎠
Exemple :
On peut représenter graphiquement une fonction périodique en termes de l’amplitude et de la
phase de chaque terme de la série de Fourier. On appelle ceci le spectre de la fonction.
Ce graphe permet de visualiser quelles fréquences ont une amplitude importante ; dans
certains cas, la majorité du signal est contenu dans quelques harmoniques.
42
Pr. Mostafa LAABOUBI Année : 2019-2020
Am sin ( nω0 τ / 2 )
Cn =
T nω0 τ / 2
Am
= sin c ( nω0 τ / 2 )
T
Où sin c est la fonction sinus cardinale.
Le spectre d’amplitude est montré à la figure 15. Remarquer que le spectre donne 0 aux
multiples de 5, ou lorsque nτ / T est un entier. Ce qui veut dire que le 5ième, 10ième, 15ième,
... harmoniques sont nuls. L’enveloppe du signal forme la fonction sinc.
Le spectre de phase est montré à la figure suivante. Puisque Cn est réel, la phase est 0°c ou
180°c, selon le signe de Cn.
43
Pr. Mostafa LAABOUBI Année : 2019-2020
Les séries de Fourier sont, dans certains cas, limitées. Tout d’abord, la fonction x(t) doit être
périodique. Elle est en effet exprimée par une somme de sinusoïdes qui sont des fonctions
périodiques et on peut montrer qu’une somme quelconque de fonctions périodiques est encore
une fonction périodique. Un phénomène curieux apparait aussi : les oscillations de Gibbs.
Autour des points de discontinuité, la valeur de la série oscille légèrement et la valeur aux
points de discontinuité est supérieure (ou inférieure) de 9% `a la valeur de f en ces mêmes
points.
44
Pr. Mostafa LAABOUBI Année : 2019-2020
Introduction :
C’est une généralisation de la décomposition de série de Fourier à tous les signaux
déterministes. Elle permet d’obtenir une représentation en fréquence (représentation spectrale)
de ces signaux. Elle exprime la répartition fréquentielle de l’amplitude, de la phase et de
l’énergie (ou de la puissance) des signaux considérés.
Il est évident que, pour des signaux d’allure complexe, l’information pertinente n’est pas
contenue dans la forme d’onde x(t) elle-même. De très nombreuses transformations sont
disponibles, qui produisent chacune une représentation différente du signal ; elles mettent
mieux en évidence l’information pertinente contenue dans le signal, la notion de pertinence
est, bien sûr liée à l’application considérée (Transformée de Fourier).
La plupart de ces représentations reposent sur des transformations intégrales, ou leur
contrepartie discrète. Dans notre cas la forme générale de la transformée de Fourier d’un
signal x(t) est donnée par cette distribution :
+∞
X(f ) = ∫ x(t )e − j 2π ft dt
−∞
+∞
x(t ) = ∫ X ( f )e j 2π ft df
−∞
Les deux relations constituent les transformations de Fourier directe (TF) et inverse TFD). On
constate que les descriptions temporelle et spectrale sont parfaitement symétriques.
La fonction X(f) est une fonction généralement complexe :
+∞
- La partie réelle est : ℜ ⎡⎣ X ( f ) ⎤⎦ = ∫ x ( t ).cos ( 2πft ) dt
−∞
+∞
- La partie imaginaire : ℑ ⎡⎣ X ( f ) ⎤⎦ = ∫ x ( t ).sins ( 2πft ) dt
−∞
45
Pr. Mostafa LAABOUBI Année : 2019-2020
+∞
∫ x ( t ) dt < ∞ .
2
−∞
(∫ )
+∞ +∞ 2
carré sommables, c’est à dire les signaux à énergie finie (ceci est le cas de tous les signaux en
pratique). Cependant, cette condition suffisante n’est pas nécessaire pour les signaux à énergie
finie (classe L2).
Les signaux idéalisés peuvent aussi avoir une TF sans pour cela appartenir à la classe L2 des
fonctions.
On dit que x(t) et X(f) forment une paire de transformée de Fourier, ce qui est noté par :
x (t ) U X ( f )
2.2 Propriétés de la TF
P1. Propriétés de linéarité : la TF est une transformation linéaire : si
x1 ( t ) U X 1 ( f )
x2 ( t ) U X 2 ( f )
Alors ∀ β1, β2 ∈ ^ , ceci entraine :
+∞
X ( f ) = TF ⎡⎣ x ( t ) ⎤⎦ = 2.∫ x ( t ).cos ( 2πft ) dt
0
+∞
X ( f ) = TF ⎡⎣ x ( t ) ⎤⎦ = −2 j.∫ x ( t ).sin ( 2πft ) dt
0
46
Pr. Mostafa LAABOUBI Année : 2019-2020
x (t ) U X ( f ) ⇒ x ( t − t0 ) U X ( f ) .e − j 2 πft0 .
x (t ) U X ( f ) ⇒ e j 2 πft0 .x ( t ) U X ( f − f 0 ) .
dx ( t )
x (t ) U X ( f ) ⇒ U j 2πf . X ( f ) .
dt
D’une façon, plus générale :
dx n ( t )
( π ) .X ( f ) .
n
U j 2 f
dt n
47
Pr. Mostafa LAABOUBI Année : 2019-2020
associée au fait que la convolution est une opération mathématique fréquemment rencontrée,
renforce beaucoup le rôle de la transformation de Fourier en traitement du signal, beaucoup de
calculs sont plus simples lorsqu’ils sont effectués via la transformée de Fourier.
La transformée de Fourier d’un produit de convolution dans le domaine temporel conduit à un
produit simple dans le domaine fréquentiel :
{
TF ⎡⎣ x ( t ) ∗ y ( t ) ⎤⎦ = X ( f ).Y ( f ) }
Et son dual
TF { x(t ). y (t )} = X ( f ) ∗ Y ( f )
Soit :
T
⎡ e − j 2 πft ⎤ 2 1
X ( f ) = A. ⎢ ⎥ = A. ⎡⎣ e jπfT − e − j 2 πfT ⎤⎦
⎣ − j 2πf ⎦ − T j 2πf
2
48
Pr. Mostafa LAABOUBI Année : 2019-2020
sin ( πfT )
X ( f ) = AT . = AT .sin c ( πfT )
πfT
Où sin c (.) est la fonction sinus cardinal. On notera que la TF obtenue est purement réelle. Par
ailleurs , cette transformée s’annule pour πfT = k π , soit tous les f = k / T ; sauf pour k=0,
sin c ( 0 ) = 0 .
−∞ −∞
Cette égalité est appelée égalité de Parseval, ou théorème de Parseval, ou encore identité de
Rayleigh. Elle montre que l’énergie ne dépend pas de la représentation choisie (temporelle ou
fréquentielle).
49
Pr. Mostafa LAABOUBI Année : 2019-2020
Une interprétation peut-être plus intéressante de ce théorème est que l’énergie totale est la
somme des énergies de chaque harmonique. Dans le cas apériodique, cette interprétation est
sujète à caution puisque les harmoniques ne sont pas définies mais il faut entendre cette
somme comme la somme continue (donc une intégrale) de toutes les contributions à chaque
fréquence.
X ( f ) est appelée densité spectrale d’énergie ou parfois, densité spectrale de puissance. On
2
peut montrer de la même façon que, pour deux signaux x(t) et y(t), l’énergie d’interaction
Wxy vérifie la relation :
+∞ +∞
Wxy = ∫ x ( t ) . y ∗ ( t ) dt = ∫ X ( f ) .Y ∗ ( f ) df
−∞ −∞
50
Pr. Mostafa LAABOUBI Année : 2019-2020
Partie II :
Signaux et systèmes discrets
-------------------------------------
51
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 4 :
Signaux discrets
Introduction :
Les signaux peuvent être de deux natures : continus ou discrets. Les signaux continus
prennent à chaque instant une valeur, alors que les signaux discrets ne sont définis (ne
prennent une valeur) que pour certaines valeurs de la variable indépendante. Un signal de
parole est un exemple de signal continu. Un signal discret pourra par exemple être un relevé
de température. Nous verrons par la suite que l’on peut obtenir un signal discret en
échantillonnant un signal continu.
De plus en plus de dispositifs utilisés pour le traitement du signal sont des dispositifs
numériques. Ils font appel à un ordinateur, un micoprocesseur ou un microcontrôleur. De fait
les signaux qu’ils manipulent sont des signaux à temps discret. Même les outils de simulation
tels que MATLAB ou SIMULINK utilisent des signaux discrets, de même que les
oscilloscopes modernes. Or les signaux physiques étudiés sont souvent initialement
analogiques (continus) et vouloir les manipuler en tant que signaux discrets suppose que l’on
puisse les transformer de l’un en l’autre. Une telle transformation peut avoir des conséquences
et il convient d’en étudier les propriétés pour l’utiliser au mieux. C’est l’objet de ce chapitre
qui s’attarde aussi sur les outils mathématiques qui facilitent la compréhension et la
conception, y sont abordés l’échantillonnage, le théorème de Shannon et le problème du
repliement de spectre.
Il est possible de transformer un signal continu en un signal discret. Ce processus est appelé
échantillonnage ou discrétisation. Il est représenté sur la figure ci-dessous (Fig . 1). Le signal
est dit discrétisé ou échantillonné. Les instants d’échantillonnage ne sont pas nécessairement
régulièrement espacés dans le temps. Toutefois, les échantillons sont prélevés à intervalles
réguliers. La durée entre deux instants d’échantillonnage, notée Te est alors appelée période
d’échantillonnage.
Généralement, un signal discret ou échantillonné x[n] est une séquence ordonnée de valeurs
correspondant à un index entier n qui représente l’histoire en fonction du temps du signal. Le
signal discret ne donne aucune information quant à l’intervalle d’échantillonnage Te, le temps
52
Pr. Mostafa LAABOUBI Année : 2019-2020
entre chaque échantillon du signal. Un signal discret est tracé en fonction de l’échantillon n et
non en fonction du temps.
1. Echantillonnage
L’échantillonnage des signaux analogiques est étudié en détail dans la première partie de ce
chapitre. Il suffit de savoir que tout signal analogique x(t) est acquis à un rythme régulier dicté
par la période d’échantillonnage Te et qu’il est stocké en mémoire d’ordinateur. Ces signaux
x[n] sont des signaux numériques obtenus à l’aide d’un convertisseur analogique-numérique
(CAN) tels que :
x [ n ] = x(t )t = nTe
De manière très générale, un échantillonneur idéal peut être schématisé par la figure ci-
dessous (Fig. 2) :
Soit la sortie :
53
Pr. Mostafa LAABOUBI Année : 2019-2020
+∞
x(nTe ) = x(t ).δTe (t ) = ∑ x(t ).δ(t − nTe)
n =−∞
Effectuer un échantillonnage sur un signal continu x(t) (Fig. 3), c’est à dire de point de vue
mathématique fabriquer un nouveau signal x(nTe) nul partout sauf aux instants
d’échantillonnage Te, 2Te, ..., nTe, ... où x(nTe) prend respectivement les valeurs x(Te),
x(2Te), ..., x(nTe), ...
+∞ +∞
n
∑ ∑ δ(t − fe )
1
δTe (t ) = δ(t − nTe) = avec Te =
n =−∞ n =−∞ fe
La transformée de Fourier d’une fonction peigne de Dirac est une fonction peigne de Dirac de
poids fe.
⎧ +∞ ⎛ n ⎞⎫ +∞
TF {δTe (t )} = TF ⎨ ∑ δ ⎜ t − ⎟ ⎬ = fe ∑ δ ( f − kfe ) = feδ fe ( f )
⎩n =−∞ ⎝ fe ⎠ ⎭ k =−∞
54
Pr. Mostafa LAABOUBI Année : 2019-2020
⎧ +∞ ⎫
TF { x(nTe )} = TF { x(t ).δTe (t )} = TF ⎨ ∑ x(t ).δ(t − nTe) ⎬ .
⎩ n =−∞ ⎭
TF { x ( nT )e } = TF { x ( t )} ∗ TF {δTe ( t )}
Et comme :
- TF { x(nTe )} = X e ( f ) ,
+∞
- TF {δTe ( t )} = fe δ fe ( f ) = fe ∑ δ ( f − k fe )
k =−∞
+∞
Alors X e ( f ) = X ( f ) ∗ fe δ fe ( f ) = fe ∑ X ( f ) ∗ δ ( f − k fe )
n =−∞
+∞
⇒ X e ( f ) = fe ∑ X ( f − k fe ) .
n =−∞
Fig.5 : Spectre de x ( t )
55
Pr. Mostafa LAABOUBI Année : 2019-2020
Xe( f )
Un signal analogique x(t) ayant une largeur de bande finie limitée à 2Fmax. Si l’on ne veut
pas perdre d’informations par rapport au signal que l’on échantillonne, on devra toujours
respecter la condition :
fe > 2 F max
Le filtre anti-repliement idéal serait un filtre passe-bas idéal de bande passante B = fe/2 . En
réalité, tout filtre réel comporte une bande de transition qui reporte la bande passante limite
BM au delà de la bande passante effective.
56
Pr. Mostafa LAABOUBI Année : 2019-2020
Afin d’éviter le repliement du spectre, il faut introduire un filtre que va couper les fréquences
au delà de fe/2 avant l’échantillonnage.
+∞
δ T (t ) = ∑ δ (t − nTe )
e
−∞
57
Pr. Mostafa LAABOUBI Année : 2019-2020
+∞ +∞
1 n
δT ( f ) =
e ∑e
n =−∞
− j 2π fnTe
=
Te
∑ δ( f −T )
n =−∞ e
Dès lors on constate que l’échantillonnage peut être formalisé en introduisant un signal
analogique xe(t ) qui est nul presque partout et égal à x(t) pour t=nTe . Ce signal se formalise
de la manière suivante :
xe (t ) = x(t ).δ Te (t )
+∞
= ∑ x(t )δ (t - nT )
n=-∞
e
il vient que le spectre du signal échantillonné Xe (f) est égal au produit de convolution du
spectre du signal analogique X( f ) par δ Te ( f ) , soit :
+∞
1 n
Xe( f ) =
Te
∑ X(f −T )
n =−∞ e
Il apparaît donc que l’échantillonnage temporel d’un signal analogique conduit à un signal
numérique dont le spectre est la périodisation du spectre d’origine du signal analogique.
58
Pr. Mostafa LAABOUBI Année : 2019-2020
59
Pr. Mostafa LAABOUBI Année : 2019-2020
-A +A f
-fe/2 fe/2 fe
Xe(f)
-A +A
-fe/2 fe/2 fe
60
Pr. Mostafa LAABOUBI Année : 2019-2020
t f
δTe (t ) Δf = δ fe ( f )
Δt t -fe +fe f
x(t ).δTe (t ) X ( f ) ⊗ Δf
Δt t f
-fe/2 +fe/2
61
Pr. Mostafa LAABOUBI Année : 2019-2020
X(f) et le spectre en sinus cardinal de la fenêtre h(t). Il en résulte une déformation du spectre
original causée par les ondulations du sinus cardinal.
4. Discrétisation de la fréquence
Pour calculer numériquement un spectre, il est évidemment nécessaire de discrétiser la
fréquence. En divisant le domaine fréquentiel en N intervalles, l’incrément fréquentiel vaut
Δf = fe/N et les fréquences analysées, au nombre de N, sont :
fe
f = k .Δf = k .
N
Cette discrétisation de la fréquence n’est rien d’autre qu’un échantillonnage dans le domaine
spectral et les résultats des opérations d’échantillonnage et de multiplication vues plus haut
pour l’espace temps s’appliquent également dans l’espace des fréquences, alors à la
discrétisation du domaine spectral correspond un signal temporel périodique.
62
Pr. Mostafa LAABOUBI Année : 2019-2020
Comme les domaines temporel et fréquentiel sont discrétisés avec le même nombre de points
N, on peut relever que :
• L’espace du temps est caractérisé par la durée de l’enregistrement T et par l’incrément
temporel Te (Te période d’échantillonnage) :
T
Te =
N
f max f e
Δf = =
N N
1 T 1
Te ≡ ⇔ =
fe N N .Δf
Alors les relations importantes liant les domaines temporel et fréquentiel sont :
1
Δf =
T
1 1
f max ≡ f e = ≡
Δt Te
1
Δt.Δf =
N
Les relations entre le temps et la fréquence peuvent se traduire par les propriétés suivantes.
63
Pr. Mostafa LAABOUBI Année : 2019-2020
Un signal discret périodique se répète à tous les N échantillons, et est décrit par :
x [ n ] = x [ n ± kN ] , où k=1, 2, 3, …
La période N est le plus petit nombre d’échantillons qui se répètent. La période d’un signal
discret est toujours un entier.
- Valeur moyenne
Pour un signal périodique, la valeur moyenne xmoy et la puissance P sont définis selon :
64
Pr. Mostafa LAABOUBI Année : 2019-2020
N −1
1
xmoy =
N
∑ x [ n]
n =0
N −1 2
1
P=
N
∑ x [ n]
n =0
E= ∑ x [ n]
n =−∞
- Décalage temporel
Le déphasage temporel a lieu lorsqu’on déplace la séquence x[n] vers la droite ou vers la
gauche d’un certain nombre d’échantillons n1. Un signal y[n] = x[n-n1] représente une
version retardée de x[n] (pour n1 > 0).
- Repliement
Le repliement permet de faire une image miroir d’un signal. Un signal y[n] = x[-n] représente
une version repliée de x[n], ou un image miroir de x[n] autour de n = 0. Evidemment, on peut
aussi appliquer le retard temporel à un signal replié.
La technique générale de transformation vue pour les signaux à temps continu s’applique aux
signaux à temps discrets.
- Symétrie
Tout comme les signaux continus, on peut définir certaines symétries pour les signaux
discrets. Un signal est dit de symétrie paire si :
x [ n] = x [ −n]
On utilise la notation xp pour noter un signal pair et xi pour noter un signal impair.
Un signal ne peut pas être pair et impaire en même temps. De plus, n’importe quel signal peut
être décomposé en une somme d’un signal pair et un signal impair :
65
Pr. Mostafa LAABOUBI Année : 2019-2020
x [ n ] = x p [ n ] + xi [ n ]
- Interpolation
L’interpolation est l’étirement en fonction du temps. Ceci correspond à ralentir le signal, ou
augmenter le taux d’échantillonnage.
Trois techniques existent pour faire l’interpolation :
1. Interpolation zéro : Implique que chaque nouvel échantillon est nul (zéro).
2. Interpolation échelon : On prend la valeur précédente pour le nouvel échantillon.
3. Interpolation linéaire : On fait la moyenne entre les valeurs de chaque côté du
nouvel échantillon.
Exemple :
δ[ n] = {1,0, si n=0
sin on
66
Pr. Mostafa LAABOUBI Année : 2019-2020
r [ n] = { 0,n, si n≥0
sinon
u[ n] = {1,0, si n≥0
sin on
Les autres fonctions utiles sont les fonctions Rect et Tri. La fonction Rect(n/2N) représente un
pulse centré à l’origine, de largeur totale 2N.
⎛ n ⎞
Re ct ⎜ ⎟=
⎝ 2N ⎠
{ 1,
0,
pour n ≤ N
aillaurs
La fonction Tri crée un triangle d’amplitude maximale 1 centré à l’origine, de largeur totale à
la base de 2N.
⎛ n ⎞ ⎧⎪ 1 − N , pour
n
n ≤N
Tri ⎜ ⎟ = ⎨ 0, aillaurs
⎝ N ⎠ ⎪⎩
67
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 5 :
Systèmes discrets
Introduction :
Les systèmes linéaires discrets invariants dans le temps (LIT) constituent un domaine très
important du traitement numérique du signal, qui est celui des filtres numériques à
coefficients fixes. Ces systèmes se caractérisent par le fait que leur fonctionnement est régi
par une équation de convolution. L’analyse de leurs propriétés se fait à l’aide de la
Transformation en Z, qui joue pour les systèmes discrets le même rôle que la transformée de
Laplace ou de Fourier pour les systèmes continus.
Généralement, un système à temps discret est un système qui transforme un signal d’entrée à
temps discret, appelé signal d’excitation, en un signal de sortie à temps discret, appelé signal
de réponse.
Un signal d’entrée x[n] est transformé en un signal de sortie y[n] :
68
Pr. Mostafa LAABOUBI Année : 2019-2020
x [n] = δ [ n − k ] ⇒ y [ n] = h [ n − k ] ∀k ∈ `
+∞ +∞
x [ n] = ∑ δ[n − k ] ⇒ y [ n] = ∑ h [n − k ] ∀k ∈ `
k =−∞ k =−∞
+∞
x [ n] = ∑ x [ k ].δ [ n − k ]
k =−∞
+∞ +∞
y [ n] = ∑ x [ k ].h [ n − k ] = ∑ x [ n − k ].h [ k ]
k =−∞ k =−∞
y [ n] = x [ n] ∗ h [ n]
y [ n] = x [ n] ∗ h [ n]
x [ n] ∗ h [ n] = h [ n] ∗ x [ n]
Cela veut dire que la sortie d’un système caractérisé par une réponse impulsionnelle h[n] à
une entrée x[n] est la même que celle d’un système caractérisé par une réponse impulsionnelle
x[n] à un entrée h[n].
( x [ n ] ∗ h [ n ]) ∗ h [ n ] = x [ n ] ∗ ( h [ n ] ∗ h [ n ])
1 2 1 2
70
Pr. Mostafa LAABOUBI Année : 2019-2020
x [ n ] ∗ ( h1 [ n ] + h2 [ n ]) = x [ n ] ∗ h1 [ n ] + x [ n ] ∗ h2 [ n ]
71
Pr. Mostafa LAABOUBI Année : 2019-2020
Ly =Lx + Lh – 1
3.1 Méthode de la somme des colonnes
Cette méthode ressemble un peu à la multiplication faite à la main. On met la séquence h[n]
dans une rangée. Dessous, on place x[n], en alignant les deux valeurs de début des séquences.
Ensuite, on multiplie chaque valeur de h[n] par une valeur de x[n]. On répète pour une autre
valeur de x[n], en plaçant le résultat dans une autre rangée en dessous. Finalement, on fait la
somme des colonnes pour obtenir le résultat final.
72
Pr. Mostafa LAABOUBI Année : 2019-2020
+∞
y [ n] = ∑ x [ k ].h [ n − k ]
k =−∞
Si le système est causal, y[n] ne doit pas dépendre des x[k] pour k > n, on doit donc avoir
h [ n − k ] = 0 pour n −k < 0. Donc le produit de convolution se réécrit :
n
y [ n] = ∑ x [ k ].h [ n − k ]
k =−∞
73
Pr. Mostafa LAABOUBI Année : 2019-2020
4-2. Stabilité :
Définition : un système est stable si à une entrée bornée correspond une sortie bornée. On
étudiera seulement le cas discret, le cas continu étant analogue, soit une entrée bornée :
x [ n ] ≤ cte ∀n,
+∞
y [ n] = ∑ x [ k ].h [ n − k ] ,
k =−∞
+∞
y [ n] ≤ ∑ x [ k ].h [ n − k ] ,
k =−∞
+∞
⇒ y [ n ] ≤ cte. ∑ h [ k ].
k =−∞
74
Pr. Mostafa LAABOUBI Année : 2019-2020
signal discret est défini par une suite d’échantillons espacés entre eux d’une période Te. La
transformée de Fourier discrètes directe ou inverse appliquée à un signal discret x[n] devient
donc :
N −1
X ( f ) = ∑ x(nTe )e − j 2π fnTe
n=0
Le calcul de la TFD peut être réalisé pour n’importe quelle valeur de la variable de fréquence
f pour obtenir un spectre X(f) défini pour f variant de manière continue. Ce spectre peut être
échantillonné au rythme fe/N. on obtient N valeurs équiréparties de 0 a fe.
N −1 − j 2π
nk
kf e
X( ) = X ( k ) = ∑ x(nTe )e N
N n =0
N −1 j 2π
nk
x ( n) = ∑ X ( k )e N
k =0
75
Pr. Mostafa LAABOUBI Année : 2019-2020
TFD. En contrepartie, le nombre de points analysés N doit être une puissance de 2. Le nombre
d’opérations demandées par le nouvel algorithme est alors fortement diminué et il vaut :
N op N log 2 ( N )
H ( f ) = H d ( f ) ∗W ( f )
1 −π
H( f ) =
2π ∫π
H d ( f ' )W ( f − f ' )df '
Afin d’obtenir le meilleur compromis possible entre une faible ondulation et une bande de
transition étroite, on sera donc amené par la suite à choisir une fenêtre w[n] dont le
comportement fréquentiel est satisfaisant du point de vue du filtre à réaliser. C’est-à-dire que
l’on cherchera un compromis entre l’amplitude des ondulations et la largeur des bandes de
transition.
conserver la phase linéaire du filtre, il faut que les fenêtres possèdent une symétrie paire ou
impaire. La troncation simple de la réponse impulsionnelle de longueur infinie conduit à une
réponse fréquentielle avec des ondulations importantes. Celles-ci sont dues au phénomène de
Gibbs et ne peuvent être diminuées que si la fenêtre possède des transitions douces,
contrairement à la troncation simple. Les fenêtres susceptibles de satisfaire les besoins de
synthèse des filtres et d’analyse spectrale ont fait l’objet d’études extensives [3]. Parmi les
nombreuses fenêtres proposées, seules celles qui sont le plus souvent citées sont présentées ci-
après.
77
Pr. Mostafa LAABOUBI Année : 2019-2020
⎧ n N
⎪2 N si 0≤n≤
2
⎪
⎪ n N
wt [n] = ⎨2 − 2 si <n<N
⎪ N 2
⎪0 sinon
⎪
⎩
Fenêtre de Hamming
⎧ n
⎪0.54 − 0.46 cos(2π ) si 0≤n≤ N
wh [n] = ⎨ N
⎪⎩ 0 sinon
78
Pr. Mostafa LAABOUBI Année : 2019-2020
Fenêtre de Blackman
⎧ n n
⎪0.42 − 0.5cos(2π ) + 0.08cos(4π ) si 0≤n≤ N
wb [n] = ⎨ N N
⎪⎩ 0 sinon
Fenêtre de Kaiser-Bessel
Les fenêtres présentées ci-dessus ont des formes et des atténuations fixes apportant chacune sa
largeur du lobe principal et son atténuation des lobes latéraux. La contribution de Kaiser fut
de proposer une fenêtre s’adaptant à l’atténuation désirée. Cette fenêtre est définie par une
fonction de Bessel :
⎧ n 2
⎪ I 0 ( β 1 − (1 − )
⎪ Ns
wk [n] = ⎨ si 0≤n≤ N
⎪ I0 (β )
⎪⎩ 0 sinon
avec :
79
Pr. Mostafa LAABOUBI Année : 2019-2020
L’usage fréquent des fenêtres de Hanning ou de Hamming est dû à ce que ces fonctions sont
familières et faciles à calculer. Cependant, bien que la fonction de Bessel soit en général peu
connue, il est aisé de la calculer en utilisant son développement en série :
2
∞ ⎡ 1 ⎛ t ⎞n ⎤
I 0 (t ) = 1 + ∑ ⎢ ⎜ ⎟ ⎥
⎣ n ! ⎝ 2 ⎠ ⎥⎦
n =1 ⎢
Cette série converge rapidement et la procédure de calcul proposée par Kaiser est très simple
à mettre en œuvre :
80
Pr. Mostafa LAABOUBI Année : 2019-2020
Fenêtres Remarques
- simple à calculer ; pas de sinus ou cosinus
Triangle - bande spectrale étroite
- faible réjection
- décroissance spectrale moyenne
- simple à calculer
Hamming - bande spectrale étroite
- bonne réjection
- faible décroissance spectrale
- simple à calculer
Hanning - bande spectrale étroite
- réjection raisonnable
- forte décroissance spectrale
- simple à calculer
Blackman - bande spectrale moyenne
- très bonne réjection
- forte décroissance spectrale
- moins simple à calculer
Kaiser - bande spectrale moyenne
- excellente réjection
- faible décroissance spectrale
- meilleur compromis atténuation
82
Pr. Mostafa LAABOUBI Année : 2019-2020
représentations simultanément. En résumé, le but serait de ne plus analyser le signal avec des
fonctions dont l’énergie est concentrée en fréquences et étalée en temps, mais de fixer le
support de celle-ci dans les deux représentations. C’est ce que fait la représentation temps-
fréquence (transformée de Fourier fenêtrée).
83
Pr. Mostafa LAABOUBI Année : 2019-2020
Partie II :
84
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 6 :
Filtres analogiques
Introduction :
Les technologies utilisées pour réaliser les opérations de filtrage ont connu une évolution au
cours du XXème siècle. La grande majorité des filtres utilisés pour ces applications étaient
basés sur des circuits RLC (passifs). Les techniques d’approximations analytiques datent de
cette époque, ainsi que les techniques de synthèse LC. On retiendra les noms de Cauer, Piloty,
Darlington …, qui ont énormément contribué au développement de ces techniques.
Au milieu des années 1960, la naissance de développement en grande série d’amplificateurs
opérationnels, permettant de voir arriver les filtres actifs (RCAO : RC+Ampli Opérationnel)
capables d’effectuer en une même opération filtrage et amplification. L’intérêt économique de
ce type de filtre s’est révélé dans les années 1970, avec l’arrivée des circuits intégrés (HIC ou
plus tard DIP), qui intègrent amplificateur opérationnel, résistances, et capacités. C’est
également à cette époque que sont apparus les filtres d’onde, sous l’impulsion de Fettweis.
Les années 1980 on vu le développement des circuits à capacités commutées, et l’arrivée des
processeurs de signaux numériques, qui ont ouvert la voie au filtrage numérique. Plus
récemment des filtres analogiques VLSI sont apparus, avec des techniques de synthèse qui
leur sont propres.
Le filtrage en fréquence fut historiquement l’une des premières fonctions utilisées en
radioélectricité. Aujourd’hui, on trouve des filtres dans de nombreux équipements
électroniques. La tendance est actuellement de remplacer les structures analogiques pars des
versions numériques, de caractéristiques plus précis et plus reproductible.
On conserve cependant, des solutions analogiques en électronique de puissance, en
électroacoustique et dans les systèmes hauts fréquence.
85
Pr. Mostafa LAABOUBI Année : 2019-2020
Où est un réseau électronique qui modifie l’amplitude et la phase d’un signal d’entrée
d’excitation x(t) pour produire un signal de sortie y(t).
A cette modification du signal temporel x(t) correspond une modification du spectre X(f) pour
produire Y(f).
TF
x((tt ) y((tt ) X( f ) Y( f )
h(t ) H( f )
Entrée Sortie Entrée Sortie
coûteux que les filtres passifs mais restent limités en fréquence (< 1MHz à cause de l’AIL).
Ils consomment plus et nécessitent une source d’alimentation.
Les filtres actifs présentent un ensemble d’avantages sur les filtres passifs (RLC) :
- Ils sont plus fiables (toute la chaîne de fabrication est automatisée);
- En grandes quantités, leur coût est nettement moindre;
- Les éléments parasites (résistances, capacités, ou inductances parasites) sont
moindres, vu la petite taille des circuits;
- On peut les intégrer si nécessaire sur la puce électronique portant un processeur
numérique.
On leur trouve également certains défauts :
- Les composants actifs (ampli opérationnel) ont une bande passante réduite, ce qui
tend à en limiter l’usage aux applications audio. Au contraire, les composants passifs sont
utilisés pour les applications hautes fréquences (500 MHz)
- Les circuits actifs sont très sensibles à la précision sur leurs composants, c’est-à-dire
que leurs caractéristiques peuvent varier beaucoup si les composants utilisés n’ont pas leur
valeur nominale (ce qui arrive toujours en pratique, si on considère que la précision garantie
par les fabricants sur les résistances et condensateurs est souvent de l’ordre de 10%!).
- Les composants actifs nécessitent une source d’énergie. Il convient donc de chercher
à en minimiser le nombre, pour des spécifications données.
- Les amplitudes des signaux traitables par des filtres actifs sont de l’ordre du Volt (au
delà de cette valeur, ils peuvent produire de la distorsion). Les résistances et les amplis
opérationnels produisent par ailleurs du bruit. Ceci tend à limiter la dynamique des signaux
utilisables, ce qui n’est pas le cas pour les filtres passifs.
En conséquence, ces deux technologies (synthèse LC et RCAO) restent d’application pour la
synthèse des filtres analogiques. Nous n’aborderons ici que la synthèse RCAO, la plus simple
des deux.
3. Filtres idéaux
87
Pr. Mostafa LAABOUBI Année : 2019-2020
Dans le cas idéal est un filtrage qui élimine totalement les bandes indésirables sans transition
et sans introduire de déphasage dans les bandes conservées.
Selon la bande rejetée, on distingue 5 familles suivantes :
- Passe-bas - Passe-haut
- Passe-bande - Coupe-bande
- Passe-tout
4. Filtres réels
Les filtres réels (analogiques) présentent des imperfections avec lesquelles il faut trouver des
compromis en fonction de son application.
- transition progressive entre la bande atténuée et la bande passante
- irrégularité du gain dans la bande passante (ondulations)
- affaiblissement dans la bande atténuée
- irrégularité du gain dans la bande atténuée (ondulations)
- irrégularité du temps de propagation
5. Fonction de transfert
Les filtres sont caractérisés par leur fonction de transfert H ( f ) ou réponse en fréquence :
88
Pr. Mostafa LAABOUBI Année : 2019-2020
X(f ) Y( f )
H( f )
Entrée Sortie
Y( f )
H( f ) =
X(f )
On la décompose en réponse en amplitude A(ω) et réponse en phase β(ω) .
H (ω) = A(ω)e jβ ( ω)
On définit également l’affaiblissement par :
Af (ω) = 20 log ( A(ω) )
ϕ H = Argument ( H (ω) )
Décade : rapport dix entre deux valeurs ; utilisée souvent sur l’axe des fréquences du
diagramme de Bode pour parler d’un rapport dix entre deux fréquences.
Octave : rapport deux entre deux valeurs ; utilisée souvent sur l’axe des fréquences du
diagramme de Bode pour parler d’un rapport deux entre deux fréquences.
La forme générale de la fonction de transfert d’un filtre s’écrit avec la notation complexe
( jω) ou de Laplace P.
89
Pr. Mostafa LAABOUBI Année : 2019-2020
N ( P) a0 + a1 P + ...... + an P n
H ( P) = =
D( P) b0 + b1 P + ...... + bm P m
L’ordre du filtre est m, qui doit bien entendu satisfaire à m>=n. Les zéros de N(P) sont les
zéros du filtre; les zéros de D(P) sont les pôles du filtre. Les pôles du filtre doivent être situés
à gauche de l’axe imaginaire pour que le filtre soit stable. D(P) doit pour ce faire être un
polynôme dit de Hurwitz.
90
Pr. Mostafa LAABOUBI Année : 2019-2020
ωp
- Sélectivité : S=
ωA
- Bande passante : +∞ - ω p
- Bande de transition : ωp - ωΑ
- Bande atténuée : ω Α-0= ω Α
ω
- Sélectivité : S= A
ωP
91
Pr. Mostafa LAABOUBI Année : 2019-2020
Les spécifications d’un filtre coupe-bande sont inverses de celles d’un passe-bande
Les filtres passe-bande et coupe-bande doivent être centrés avant toute normalisation ou
transposition. Un gabarit est centré lorsque les pulsations centrales : ω0 p = ω2 p .ω1 p et
ω0 A = ω2 A .ω1 A sont égales.
6.6.1 Normalisation
6.6.2 Transposition
Pour transformer d’un type de filtre quelconque à un filtre Passe Bas en utilisant les règles de
transposition de fréquences.
On utilise une fonction de transfert H ( P) normalisée, on fait subir à la variable complexe
normalisée P la transformation suivante :
1
P ⇔
P
Transposition passe-bas / passe-haut
Transformation de la fonction de transfert :
⎛1⎞
- H PH ( P) = H PB ⎜ ⎟ .
⎝P⎠
93
Pr. Mostafa LAABOUBI Année : 2019-2020
7. Fonctions d’approximations
94
Pr. Mostafa LAABOUBI Année : 2019-2020
permettent cependant pas de répondre à des spécifications quelconques. Pour les filtres de
degrés plus élevés, on distingue deux méthodes générales d’approximation: la première, dite
analytique, où la fonction de transfert H(p) est calculée à partir de formules mathématiques
simples; la seconde, dite numérique, où la fonction de transfert est le résultat d’algorithmes
numériques complexes nécessitant l’usage d’un ordinateur.
7.1 Butterworth
95
Pr. Mostafa LAABOUBI Année : 2019-2020
Détermination de l’ordre :
• Méthode 1:
La fonction buttord de Matlab permet de déterminer l’ordre du filtre à partir du gabarit non
normalisé.
• Méthode 2:
Par le calcul, on peut déterminer le facteur ε et l’ordre n du filtre à partir des valeurs Gp, GA et
ΩA du prototype passe-bas.
L’affaiblissement maximal Gp dans la bande passante est atteint lorsque Ω=1.
AdB = −G p = 20 log (1 + ε )
2
−G p
Soit, ε = 10 10 − 1
- GA = 10 log (1 + ε 2 Ω 2An )
⎛ −10GA ⎞
log ⎜10 − 1⎟ − 2 log ε
Soit, n = entier ≥ ⎝ ⎠
2 log(ω A )
La fonction buttord utilise cette formule pour déterminer l’ordre du filtre. Elle renvoie
également ωp, pulsation de coupure à -3 dB calculée pour garantir une atténuation égale à GA
pour ωA
7.2 Tchebyshev
1 + ε .Tn2 (Ω)
2
ω
- Ω= : pulsation normalisée.
ωp
-ε : amplitude de l’ondulation dans la bande passante.
-n : ordre du filtre.
- Tn2 (Ω) : carré du polynôme de Tchebyshev.
97
Pr. Mostafa LAABOUBI Année : 2019-2020
Pour Ω ≥ 1 Pour Ω ≤ 1
Tn (Ω) = cosh ( n.arccos h(Ω) ) Tn (Ω) = cos ( n.arccos(Ω) )
98
Pr. Mostafa LAABOUBI Année : 2019-2020
Exemple :
Filtre Passe premier ordre :
La fonction de transfert
1
H ( jω) =
ω
1+ j
ωp
99
Pr. Mostafa LAABOUBI Année : 2019-2020
100
Pr. Mostafa LAABOUBI Année : 2019-2020
Chapitre 7 :
Filtres numériques
Introduction :
Les filtres numériques à réponse impulsionnelle finie (RIF) ou infini (RII) sont des systèmes
linéaires discrets invariants dans le temps définis par une équation selon laquelle un nombre
de sortie, représentant un échantillon du signal filtré, est obtenu par sommation pondérée d’un
ensemble fini ou infini de nombres d’entrée, représentant les échantillons du signal à filtrer.
Les coefficients de la sommation pondérée constituent la réponse impulsionnelle du filtre et
un ensemble fini ou infini d’entre eux seulement prennent des valeurs non nulles. Ce filtre est
du type à mémoire finie, c’est-à-dire qu’il détermine sa sortie en fonction d’informations
d’entrée d’ancienneté limitée. Il est fréquemment désigné par filtre non récursif, en raison de
sa structure, car il ne nécessite pas de boucle de réaction dans sa réalisation, comme c’est le
cas pour une autre catégorie de filtres, celle des filtres à réponse impulsionnelle infinie
Les systèmes linéaire et invariant dans le temps ayant une fonction de transfert rationnelle
exprimée par :
Y( f )
H(f)= X(f)
Où :
N (s)
H (s) = D(s)
101
Pr. Mostafa LAABOUBI Année : 2019-2020
La transformée de Laplace est l’outil mathématique qui permet d’étudier les fonctions de
transfert, notamment en fréquence quand on choisit d’évaluer la transformée de Laplace pour
s = jω pour les filtres ayant une réponse impulsionnelle continue.
Cependant, 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.
1. Transformée en Z
La transformée en Z directe d’un signal à temps discret x[n] est définie par :
+∞
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.
La transformée en z est l’outil associé aux signaux discrets, comme la transformée de Laplace
l’est pour les signaux et les systèmes continus. C’est un outil extrêmement utile pour l’étude
des systèmes discrets.
2. 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 la transformée en z, conduit à la relation suivante :
102
Pr. Mostafa LAABOUBI Année : 2019-2020
X ( Z ) = aX 1 ( Z ) + bX 2 ( Z )
Il s’agit d’une propriété très importante permettant de calculer une transformée en Z à partir
d’une décomposition en transformées élémentaires de signaux connus.
Décalage temporel
Soit un signal x(n) de transformée en Z, X(z). Soit k, un indice temporel quelconque et x0(n)
= x(n-k), on obtient simplement à partir de la définition de la transformée :
X 0 ( z ) = z −k .X ( z )
d
X ' ( Z ) = −z X ( z)
dz
Convolution
Soient x1(n) et x2(n) avec pour transformées en Z respectives X1(z) et X2(z). Soit
x ( n ) = x1( n ) ∗ x 2 ( n ) , on a alors :
X ( z ) = X 1( z ) . X 2 ( z )
1. Fonction de transfert en z. 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)
H ( z) = D( z)
103
Pr. Mostafa LAABOUBI Année : 2019-2020
∞
H ( z ) = ∑ h [ n ] .z − n
n =0
On identifie ici deux parties distinctes : une partie fonction de la valeur courante et des
valeurs précédentes de l’entrée x(n), et une partie fonction des valeurs précédentes de la sortie
y(n). Selon si les ai sont non nuls ou nuls, on parlera donc de filtres récursifs ou de filtres non
récursifs.
N −1
y [ n ] = ∑ ai.x [ n − i ]
i =0
Où :
N −1
H ( z ) = ∑ ai.z − i
i =0
N −1 N −1
H ( z ) = ∑ ai.z −i
⇒ h [ n ] = ∑ ai.δ [ n − i ]
i =0 n=0
104
Pr. Mostafa LAABOUBI Année : 2019-2020
h [ n ] = { 0an pour 0≤ n ≤ N −1
ailleurs
Exemple :
Soit le filtre défini par l’équation suivante:
1
y [ n] = x [ n ] + 3 x [ n − 1]
2
L’étude de ce filtre peut être réalisée au moyen de la Transformée en Z:
1
Y [ z] =X [ z ] + 3z −1 x [ z ]
2
1
⇒ H [ z ] = + 3.z −1
2
Le comportement fréquentiel du filtre s’obtient en remplaçant Z par e j 2 πfTe .
Il s’agit finalement d’un filtre passe bas dont le module de la fonction de transfert suit une
courbe en cosinus et dont le déphasage est linéaire en fonction de la fréquence.
N −1 M
y [ n ] = ∑ ai.x [ n − i ] − ∑ bi. y [ n − i ]
i =0 i =1
N −1
Y [ z] ∑ ai.z −i
⇒ H ( z) = = i =0
X [ z] M
1 − ∑ bi.z − i
i =1
Exemple :
105
Pr. Mostafa LAABOUBI Année : 2019-2020
y [ n ] = x [ n ] + b. y [ n − 1]
Y [ z ] = X [ z ] + bz −1Y [ z ]
Y [ z] 1
⇒ H ( z) = =
X [ z] 1 − bz −1
∞
H [ z]
H (e jω
) = ∑ h [ n].e − jnω
=
n =0
z = e jω
106
Pr. Mostafa LAABOUBI Année : 2019-2020