GEL 370 Traitement Du Signal Ver 0 No Séances BOKOVI

LP-CTT-GE Cours GEL 370_Traitement du Signal
SYLLABUS DU COURS
Domaine : Sciences et Technologies

Parcours : Licence Professionnelle, Cadre technique des Travaux, Génie Electrique : LP-CTT-
GE
Etablissement : ENSI
Code et Intitulé de l’UE : GEL 370 : Traitement du signal
Crédits : 3 soit 36 heures
Public cible : Cette UE s’adresse aux étudiants désireux de se former en ingénierie en traitement
du signal.
Semestre : 6 (Mousson)
Pré-requis : Pour suivre cet enseignement, vous devez
- avoir validé les UEs
✓ Mathématiques pour Ingénieur : Suites et fonctions de la variable réelle ;
✓ Systèmes Signaux Simulation.
- avoir des compétences en mathématiques et en électronique du signal et composants.
Enseignant responsable de l’UE :

Dr BOKOVI Yao, Maître-assistant, Ingénieur Génie Electrique. E-mail : bokoviyao@gmail.com,
Cel. +228 90 09 44 01 / 98 10 88 37, Boîte postale : 06 BP 60192 Lomé - Togo
Disponibilité :
Lundi : 13 h 00 à 15 h 15
Mardi : 07 h 00 à 09 h 15
DESCRIPTION DE L’UNITE D’ENSEIGNEMENT
OBJECTIFS DE L’UNTE D’ENSEIGNEMENT

Objectif général : cette UE vise à faire connaître le traitement du signal par ses concepts
et ses méthodes de base à l’apprenant.
Objectifs spécifiques : à la fin de l’UE, les apprenants seront capables de :

✓ distinguer les signaux analogiques des signaux numériques à travers leurs différentes
classifications;
✓ utiliser les principaux outils mathématiques pour l’analyse des signaux et
systèmes surtout l’analyse harmonique par la méthode de Fourier ;
✓ exploiter la convolution, l’autocorrélation et l’intercorrélation des signaux dans la
gestion des systèmes ;
✓ faire l’analyse et le traitement numériques des signaux à travers la TFD, la TFR et la
TZ des signaux issus des systèmes tels que les RIF, les RII, …..
Cours Traitement du signal par Dr BOKOVI YAO, 1 bokoviyao@gmail.com ENSI Université de Lomé
CONTENU DE L’UNITE D’ENSEIGNEMENT

Bref descriptif de l’UE :
Dans l’application des mesures, des tests ou des contrôles de procédés physiques, l’on se
trouve confronté des choix de traitement des signaux à mettre en œuvre afin de répondre à
ces besoins. L’efficacité, l’effet produit, la nécessité, la validé du résultat sont autant de
questions auxquelles il est difficile de répondre sans une connaissance et une pratique
Plan du contenu
minimum d’enseignement
de la discipline que constitue le traitement
(parties, du signal.
chapitres et sous-chapitres)
Ce cours est composé de six (06) chapitres dont :
Description des signaux et des opérateurs (Caractéristiques et classification des signaux,
signaux fondamentaux, produit de convolution). Analyse harmonique des signaux par la
méthode de Fourier. Corrélation des signaux et densités spectrales. Analyse des signaux
numériques. Circuits linéaires-Filtres linéaires. Traitement numérique du signal.
Plan du contenu d’enseignement (parties, chapitres et sous-chapitres)

Séance n° Rappel des objectifs Titres des parties/ chapitres / sous-chapitres
spécifiques
1 Distinguer les Chapitre 1 : Description des signaux.
signaux analogiques des Définition (signal, bruit, rapport signal sur bruit, système),
caractéristiques et classification des signaux
signaux numériques à travers
(classification phénoménologique (signaux déterministes,
leurs différentes aléatoires), énergétique (moyenne d’un signal, énergie et
classifications. puissance d’un signal, signaux à énergie finie, signaux à
puissance moyenne finie) et morphologique (signaux à
valeurs continue ou discrètes).
2 Découvrir les signaux tests Chapitre 1 : Description des signaux (suite).
analogiques et numériques par Signaux fondamentaux (signaux particuliers analogiques,
signaux aléatoires, signaux particuliers numériques).
leurs expressions et leurs
Produit de convolution entre les signaux analogiques et
tracés. produit de convolution entre les signaux numériques.
Appliquer le produit de Exercices
convolution entre les signaux
de même nature.
3 Travaux dirigés Chapitre 1 : Description des signaux (suite et fin).
TD (Exercices)
4 Utiliser les principaux outils Chapitre 2 : Analyse harmonique des signaux
mathématiques pour l’analyse par la méthode de Fourier.
des signaux et Signaux périodiques (série de Fourier). Analyse des
systèmes surtout l’analyse signaux non périodiques
harmonique par la méthode de
Fourier.
5 Idem Chapitre 2 : Analyse harmonique des signaux

par la méthode de Fourier (suite et fin).
Transformée de Fourier : TF, convolution, propriétés de
la TF, passage dans un système linéaire. Exercices
6 Exploiter la convolution, Chapitre 3 : Corrélation des signaux et densités
l’autocorrélation et spectrales.
l’intercorrélation des
signaux dans la gestion des Corrélation et autocorrélation (signaux à énergie finie et

systèmes signaux à puissance finie). Densités spectrales (signaux à
énergie finie : densité spectrale d’énergie DES) ;
7 Idem Chapitre 3 : Corrélation des signaux et densités
spectrales (suite et fin).
Densités spectrales signaux à puissance fine : densité
spectrale de puissance DSP). Théorème de Winner
Kitchen. Exercices (TD).
8 Faire l’échantillonnage et la Chapitre 4 : Analyse des signaux numériques.
reconstitution d’un signal Transformation en Z. Echantillonnage (échantillonnage
analogique idéal, théorème d’échantillonnage de Shannon,
interprétation physique, reconstruction, formule de
Poisson). Exercice (TD).
9 Obtenir les caractéristiques Chapitre 5 : Circuits linéaires-Filtres linéaires.
(fonction de transfert FT et Classification des filtres et symboles (filtres passifs, filtres
réponse impulsionnelle) des actifs, symboles des filtres (passe-haut, passe-bas, passe-
bande, coupe-bande)). Fonction de transfert : FT (point de
systèmes linéaires analogiques vue fréquentiel, point de vue temporel). Représentation de
et numériques par la TF la FT (Diagrammes de Bode, de Nyquist, de Black).
(Transformée de Fourier), la Bande passante. Gabarit d’un filtre. Filtres réalisables
TL (Transformée de Laplace) (Filtres analogiques (Filtres du 1er ordre, filtre du 2eme
et la TZ (Transformée en Z) ordre)). Différentes réponses en phase et en amplitude
d’un filtre (Butterworth, Tchébytcheff, Bessel).
Principales structures à contre-réaction (Rauch ; Sallen
Key). Filtre universel (exemple AF100 National
semiconductor).
10 Idem Chapitre 5 : Circuits linéaires-Filtres linéaires (suite
et fin).
Filtres numériques (chaîne de traitement numérique ;
stabilité d’un filtre numérique ; filtres récursifs : RII (à
Réponse Impulsionnelle Infinie) ; filtres non récursifs :
RIF(à Réponse Impulsionnelle Finie)). TD (Exercices)
11 Traiter numériquement les Chapitre 6 : Traitement numérique du signal.
signaux analogiques et/ou Transformée de Fourier d’un signal à temps discret
discrets à travers la TFD (TFtd). Transformée de Fourier Discrète : TFD
(fenêtrage, échantillonnage en fréquence). TFD et
(Transformée de Fourier convolution circulaire. Relations temps-fréquence.
Discrète) et la TFR Transformée de Fourier Rapide : TFR (Algorithme de
(Transformée de Fourier Cooley-Tuckey). Exercices
Rapide)
12
Modalités d’évaluation : (période, type d’activité, organisation, etc.)

- Contrôle continu : Devoir surveillé après la séance 7 et Devoir de maison après la séance
11. Le poids des 2 devoirs dans la validation de l’UE : 50%.
- Examen final : Examen écrit après la séance 12. Le poids dans la validation de l’UE : 50%.
Bibliographie :
[1] F. de Coulon, Théorie et traitement des signaux, Dunod, Paris, 1984.

[2] G. Blanchet and M. Charbit, Traitement numérique du signal, Hermès, Paris, 1998.
[3] Hwei P. Hsu, Communications analogiques et numériques, Serie Schaum, 1995.
[4] de Coulon, Théorie et traitement de signal, PPUR, 1998.
[5] Francis Cottet, Aide mémoire traitement du signal, Dunod, Paris 2000.
[6] www.dspguide.com
Chapitre1 : DESCRIPTION DES SIGNAUX
Introduction
Le traitement de signal est une discipline indispensable de nos jours. Il a pour objet l’élaboration ou
l’interprétation des signaux porteurs d’information. Son but est donc de réussir à extraire un
maximum d’information utile sur un signal perturbé par du bruit en s’appuyant sur les ressources
de l’électronique et de l’informatique.
1.1. Définitions
1.1.1. Signal
La première notion de signal est celle de la mesure suivant un paramètre (le plus souvent temporel)
d’une grandeur physique porteuse d’information.
Un signal est la représentation physique de l’information qu’il convoie de sa source à son

destinataire. La description mathématique des signaux est l’objectif de la théorie du signal. Elle
offre les moyens d’analyser, de concevoir et de caractériser des systèmes de traitement de
l’information.
1.1.2. Le bruit
Un bruit correspond à tout phénomène perturbateur gênant la transmission ou l’interprétation d’un

signal.
1.1.3. Rapport signal sur bruit
Le rapport signal sur bruit mesure la quantité de bruit contenu dans le signal.
Il s’exprime par le rapport des puissances du signal (Ps) et du bruit (Pn). Il est souvent donné en
décibels (dB).
𝑆 Ps
( 𝑁 )dB= 10 Log ( Pn)
1.1.4. Système
Un système est un dispositif représenté par un modèle mathématique de type Entrée/ Sortie qui
apporte une déformation au signal.
Exemple (Figure 1.1) : Un modulateur, un filtre, etc.
Entrée Sortie
Système
Figure 1.1 : Système linéaire.
1.2. Classification des signaux
On peut envisager plusieurs modes de classification pour les signaux suivant leurs propriétés.
Cependant, nous allons retenir 3 modes de classification :
- la classification phénoménologique ;
- la classification énergétique ;
- la classification morphologique.
1.2.1. La classification phénoménologique
On considère dans ce mode de classification la nature de l’évolution du signal en fonction du temps.

Il apparait deux (02) types de signaux : les signaux déterministes et les signaux aléatoires.
1.2.1.1. Signaux déterministes
Un signal x est dit déterministe si pour toute valeur du paramètre t (temps), x est déterminé a priori
c’est-à-dire si le signal est défini comme une fonction de la variable temporelle. Par exemple, c’est
le cas de la tension électrique aux bornes d’une alimentation qui peut s’écrire x(t)=A.cos(2𝜋fot). Si
A et fo sont connus, on peut déterminer la valeur de l’amplitude à n’importe quel instant.
1.2.1.2. Les signaux aléatoires
Définition
On appelle processus aléatoires, une famille de variables aléatoires x(t) défini sur le même espace
de probabilité et indexé par le temps t. Un signal aléatoire est une des réalisations possibles des
signaux aléatoires.
Le comportement temporel des signaux aléatoires est imprévisible. Il faut faire appel à leurs
propriétés statistiques pour les décrire. Si les propriétés statistiques sont invariantes dans le temps,
on dit que les signaux sont stationnaires.
Remarque
De manière rigoureuse, aucun signal n’est totalement déterministe. Cependant, on se ramène à cet
idéal autant que possible à chaque fois que la part aléatoire du signal pourra être négligée devant la
contribution déterministe.
1.2.2. Classification énergétique
Avant d’aborder la classification énergétique, faisons quelques rappels sur l’énergie et la puissance.
1.2.2.1. Moyenne d’un signal
La moyenne d’un signal s(t) correspond à la valeur moyenne que prend ce signal lorsque t parcourt
ℝ , elle se définit de la manière suivante :
1 𝑇/2
<s(t)> = lim 𝑇 ∫–𝑇/2 𝑠(𝑡)𝑑𝑡
𝑡→∞
Pour les fonctions périodiques, si s(t) est une fonction T-périodique alors cette définition se simplifie
de la manière suivante :
1 t₀ +𝑇
<s(t)> = 𝑇 ∫t₀ 𝑠(𝑡)𝑑𝑡
1.2.2.2. Energie d’un signal
L’énergie d’un signal s(t) représente l’énergie totale transportée par ce signal au cours du temps.
Dans le cas particulier d’un signal à support borné, cette énergie est bien sûr finie. Comme ce n’est
pas le cas en général, on distingue les signaux à énergie finie des autres.
Définition
s(t) est un signal à énergie finie si et seulement si

𝑇
lim ∫–𝑇|𝑠(𝑡)|²𝑑𝑡 < ∞ existe et est finie.
𝑡→∞
Dans ce cas, on notera Es l’énergie de ce signal et son expression sera :

+∞
Es = ∫–∞ |𝑠(𝑡)|²𝑑𝑡 < ∞
Remarque
On pourra calculer l’énergie transmise durant un intervalle de temps donné Ι par la relation suivante :
Es (Ι) =∫𝑡∈𝐼|𝑠(𝑡)|²𝑑𝑡.
Es (I) est l’énergie du signal tronqué sur Ι, elle est finie pour t fini.
1.2.2.3. Puissance d’un signal
Définition
La puissance moyenne d’un signal s(t) représente la puissance totale moyenne transportée par ce
signal au cours du temps. Tous les signaux ne sont pas à puissance moyenne finie, mais si s(t) est
un signal à puissance finie alors l’expression
1 𝑇/2
Ps =<|𝑠(𝑡)|²> = lim 𝑇 ∫–𝑇/2|𝑠(𝑡)|²𝑑𝑡 < ∞ (est finie).
𝑡→∞
- la puissance instantanée du signal s(t) vaut |𝑠(𝑡)|² ;

- la puissance moyenne sur un intervalle de temps Ι de durée finie T vaut
1 Es (Ι)
Ps (Ι) = 𝑇 ∫𝑡∈𝐼|𝑠(𝑡)|²𝑑𝑡 = 𝑇 .
Remarque : Tous les signaux à énergie finie sont à puissance nulle P=0.
Dans la classification énergétique, on considère l’énergie des signaux : Ainsi, distingue-t-on les
signaux à énergie finie des signaux à puissance moyenne finie.
1.2.2.4. Les signaux à énergie finie
Ce sont les signaux qui possèdent une puissance moyenne nulle et une énergie finie.
Exemple :
✓ Signaux à énergie finie :
s(t) = 0 ⟹ Es = 0 < ∞
𝑡
s(t)= sinc (𝑇) ⟹ Es = T < ∞
𝑡
s(t)= Rect (𝑇) ⟹ Es= T< ∞.
✓ Signaux à énergie infinie :

s(t) = cste (≠0) ⟹ Es = +∞
s(t) = t ⟹ Es = +∞
s(t) = cos(t) ⟹ Es = +∞
1.2.2.5. Signaux à puissance finie
Ce sont des signaux qui possèdent une énergie infinie et donc physiquement irréalisable.
Exemple :
✓ Signaux à puissance moyenne finie :
s(t) = cste ⟹ Ps = cste < +∞
s(t)= sinc (t) ⟹ Ps = 0 < +∞
𝑡
s(t)= Rect (𝑇) ⟹ Ps= 0< +∞
1
s(t) = cos(t) ⟹ Ps = 2 < +∞.
✓ Signaux à puissance moyenne infinie :

s(t) = t ⟹ Ps = +∞
s(t) = 𝑒 𝑡 ⟹ Ps = +∞
s(t) =Log t ⟹ Ps = +∞
1.2.3. Classification morphologique
On distingue les signaux à variable continue des signaux à variable discrète ainsi que ceux dont
l’amplitude est discrète ou continue.
1.2.3.1. Signaux à temps continu ou discret
Le paramètre d’un signal prend en général des valeurs de manière continue dans son espace de
variation c’est-à-dire le signal est défini pour toute valeur du paramètre. On parle alors de signal à
paramètre continu et de signal à temps continu lorsque le paramètre est le temps. Il existe aussi des
signaux qui ne sont définis que pour certaines valeurs du paramètre résultant de la discrétisation de
son espace de variation. On parle alors de signal à paramètre discret et de signal à temps discret
lorsque le paramètre est le temps.
1.2.3.2. Signaux à valeurs continues ou discrètes (Figure 1.2)
De la même manière, le signal x peut être à valeur continue ou discrète dans son espace de variation.
L’opération de discrétisation de l’espace de variation s’appelle la quantification. Le pas de
discrétisation de cet espace est appelé le quantum.
Les deux (02) classifications précédentes permettent de définir différents qualificatifs applicables à
un signal. Il s’agit de :
- analogique : valeurs continues et paramètre continu ;

- échantillonné : valeurs continues et paramètre discret ;
- quantifié : valeurs discrètes et paramètre continu ;
- numérique : valeurs discrètes et paramètre discret.
Figure 1.2 : Signaux à valeur continue et discrète
1.3. Les signaux particuliers
Afin de simplifier les opérations ainsi que les formules obtenues, certains signaux fréquemment
rencontrés en traitement de signal disposent d’une modélisation propre. Nous allons distinguer les
signaux test analogiques des signaux test numériques.
1.3.1. Les signaux particuliers analogiques
1.3.1.1. La rampe unitaire r(t) (Figure 1.3)
L’expression de la rampe unitaire est donnée par la relation suivante :
0, 𝑡 < 0
𝑟(𝑡) = {
𝑡, 𝑡 ≥ 0
r(t)
4
1
t
-4 -3 -2 -1 1 2 3 4
-1
-2
-3
-4
Figure 1.3 : Rampe unitaire
1.3.1.2. La fonction signe : sgn(t) (Figure 1.4)
−1 𝑠𝑖 𝑡 < 0
𝑠𝑔𝑛(𝑡) = { est l’expression de la fonction signe.
+1 𝑠𝑖 𝑡 ≥ 0
sgn(t)
t
-4 -3 -2 -1 1 2 3 4
-1
-2
Figure 1.4 : Signal signe.
1.3.1.3. Echelon unitaire : ℇ(𝒕), 𝚪(𝒕), 𝝁(𝒕), fonction de Heaviside (Figure 1.5)
0 𝑠𝑖 𝑡 < 0
Γ(𝑡) = { est l’expression de l’échelon unitaire.
+1 𝑠𝑖 𝑡 ≥ 0
Figure 1.5 : Echelon unitaire.
1.3.1.4. L’impulsion unitaire 𝜹(𝒕) : impulsion de Dirac (Figure 1.6)

∞ 𝑠𝑖 𝑡 = 0
𝛿(𝑡) = { représente l’expression de l’impulsion de Dirac.
0 𝑠𝑖 𝑡 ≠ 0
Figure 1.6 : Impulsion de Dirac
L’impulsion de Dirac correspond à une fonction porte dont la largeur T tendrait vers 0 et dont l’aire
est égale à 1. 𝛿(𝑡) ne peut être représenté graphiquement. On la schématise par le symbole
Le 1 marqué sur la flèche pleine représente l’aire de cette impulsion et non la hauteur de l’impulsion.
Quelques propriétés de Dirac
• Intégrale
+∞
∫−∞ 𝛿(𝑡)𝑑𝑡 = 1
+∞
∫−∞ 𝑥(𝑡)𝛿(𝑡)𝑑𝑡 = 𝑥(0)
+∞
∫−∞ 𝑥(𝑡)𝛿(𝑡 − t₀)𝑑𝑡 = 𝑥(t₀)
• Produit
𝑥(𝑡)𝛿(𝑡) = 𝑥(0)𝛿(𝑡)
𝑥(𝑡)𝛿(𝑡 − t₀) = 𝑥(t₀)𝛿(𝑡 − t₀).
• Identité ou produit de convolution

𝑥(𝑡) ∗ 𝛿(𝑡)= 𝑥(𝑡).
• Translation
𝑥(𝑡) ∗ 𝛿(𝑡 − t₀)= 𝑥(𝑡 − t₀)
𝑥(𝑡 − 𝑡₁) ∗ 𝛿(𝑡 − t₀)= 𝑥(𝑡 − t₀ − 𝑡₁ ).
• Changement de variable
𝛿(𝑎𝑡) = |𝑎−1 | ∙ 𝛿(𝑡)
1
En particulier : 𝛿(𝜔𝑡)= 2𝜋𝑓 𝛿(𝑡) avec 𝜔 = 2𝜋𝑓
1.3.1.5. Le signal harmonique ou sinusoïdal (Figure 1.7)
s(t)= sin(t) est le signal harmonique.
s(t)
t
-2π -3π/2 -π -π/2 π/2 π 3π/2 2π
-1
Figure 1.7 : Signal sinusoïdal.
1.3.1.6. L’impulsion gaussienne (Figure 1.8)

𝑡
1
L’expression de l’impulsion gaussienne est : g(t)= 𝑇 𝑒 −𝜋(𝑇 )²
Figure 1.8 : Impulsion gaussienne.

+∞
On démontre que ∫−∞ 𝑒 −𝜋𝑥² 𝑑𝑥 = 1 (aire de l’impulsion gaussienne) est l’unité. On dira qu’elle a
pour largeur 2T car au-delà l’amplitude de g(t) est inférieure à 4% du maximum.
1.3.1.7. Le signal aléatoire x(t) (Figure 1.9)
x(t) est un signal aléatoire qui ne peut être décrit à l’aide d’une expression analytique. x est une
variable accessible par des épreuves, elle sera décrite par ses propriétés statistiques.
Figure 1.9 : Signal aléatoire.
1.3.1.8. Le peigne de Dirac unitaire centré : tcha ш(t) (Figure 1.10)
ш(t) = ∑+∞
𝑛=−∞ 𝛿(𝑡 − 𝑛T) = δT(t) est l’expression u peigne de Dirac unitaire centré.
Pour n = 0, ш(t)= 𝛿(𝑡) ; n = 1, ш(t)= 𝛿(𝑡 − 𝑇) ; n = 2, ш(t)= 𝛿(𝑡 + 𝑇) ; etc.
Figure 1.10 : Le peigne de Dirac
La multiplication de Tcha(t) par une fonction s(t) est une opération licite qui conduit à une
pondération des poids des impulsions du peigne pour des valeurs de la fonction aux instants nT.
𝒕−𝐭₀
1.3.1.9. Le signal rectangulaire Rect ( ) (Figure 1.11)
𝝉
𝑡−t₀
Rect ( ) est un rectangle de hauteur 1 centré sur t=t0 et de largeur 𝜏.
𝜏
Figure 1.11 : Le signal rectangulaire.
𝒕−𝐭₀
1.3.1.10. Le signal triangulaire Tri ( ) (Figure 1.12)
𝝉
𝑡−t₀
Tri( ) est un triangle de hauteur 1 centré sur t= t0 avec une base de largeur 2 𝜏.
𝜏
Figure 1.12 : le signal triangulaire.
1.3.1.11. Le signal sinus cardinal sinc(t) (Figure 1.13)

sin 𝜋𝑡
Le sinus cardinal est défini par l’expression suivante : sinc(t)= 𝜋𝑡
• Intersection avec l’axe des temps
sin 𝜋𝑡 = 0
sinc(t)=0 ⟹ {
𝜋𝑡 ≠ 0
𝜋𝑡 = 𝑘𝜋
⟹{ ⟹ t=k, k∈ ℤ*
𝑡≠0
• Intersection avec l’axe des ordonnées :
sinc(0)=1
sinc(t)
t
-4 -3 -2 -1 1 2 3 4
-1
Figure 1.13 : Signal sinus cardinal.

sin(𝑡)
On définit également le signal Sa(t) = 𝑡
1.3.2. Les signaux particuliers numériques
Ils peuvent exister comme tels souvent ils sont les versions échantillonnées des signaux test
analogiques. On convient que si l’instant d’échantillonnage survient sur une discontinuité alors
l’échantillon pris est la valeur à droite de la discontinuité.
1.3.2.1. La rampe unitaire r(k) (Figure 1.14)

0, 𝑘 < 0
𝑟(𝑘) = { définit la rampe unitaire.
𝑘, 𝑘 ≥ 0
r(k)
3
k
-3 -2 -1 1 2 3
Figure 1.14 : La rampe unitaire numérique
1.3.2.2. L’échelon unitaire de et causal 𝚪(𝒌) (Figure 1.15)

0 𝑠𝑖 𝑘 < 0
Γ(𝑘) = { est l’expression de l’échelon unitaire discret.
+1 𝑠𝑖 𝑘 ≥ 0
Figure 1.15 : L’échelon unitaire numérique.
1.3.2.3. Le Dirac 𝜹(𝒌) unitaire centré (Figure 1.16)

1 𝑠𝑖 𝑘 = 0
Il est défini par la relation suivante : 𝛿(𝑘) = {
0 𝑠𝑖 𝑘 ≠ 0
Figure 1.16 : Impulsion de Dirac numérique
1.3.2.4. Expression générale d’un signal quelconque (Figure 1.17)
Un signal quelconque s(k) peut être considéré comme la somme pondérée d’impulsions de Dirac
décalées.
s(𝑘)= ∑+∞
𝑖=−∞ 𝑠(𝑖)𝛿(𝑘 − 𝑖) peut être décomposé comme les représentations qui suivent :
s(k)
k
-1 1 2 3
=
2
2
1 1
k k
-1 1 2 3 + -1 1 2 3
+
2 2
1 1
k k
-1 1 2 3 + -1 1 2 3
Figure 1.17 : Signal numérique quelconque
1.3.2.5. Signal rectangulaire RectN(k) (Figure 1.18)
Le signal rectangulaire est défini par l’expression suivante :

1 𝑠𝑖 0 ≤ 𝑘 ≤ 𝑁 − 1
RectN(k) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
Figure 1.18: Signal rectangulaire numérique.
1.3.2.6. Signal exponential (Figure 1.19)
𝑥(𝑘) = ak 0<a<1 est le signal exponentiel.
x(k)
k
1 2 3 4
Figure 1.19: Signal exponentiel numérique.
1.3.2.7. Signal exponential complexe
Le signal exponential complexe a pour expression les relations suivantes :

𝑥(𝑘) = exp[(𝜎 + 𝑗2𝜋𝑓)𝑘]
𝑥(𝑘) = 𝑒 𝜎𝑘 (cos (2𝜋𝑓 k) + j sin (2𝜋𝑓 k)) avec j²=-1
1.3.3. Relations entre les signaux élémentaires
Parmi les relations entre les signaux élémentaires, on peut citer :
- Γ(𝑘) = ∑+∞
𝑖=0 𝛿(𝑖 − 𝑘) , 𝑘=0,1,2…
- 𝛿(𝑘)= Γ(𝑘) − Γ(𝑘 − 1)
- RectN(𝑘)= Γ(𝑘) − Γ(𝑘 − 𝑁) .
1.4. Produit de convolution entre deux signaux
1.4.1. Produit de convolution entre deux signaux analogiques
Soit deux signaux f(t) et g(t). Le produit de convolution entre f et g est noté (f∗g)(t) et a pour
expression :
+∞
(f∗g)(t)=∫−∞ 𝑓(𝜏). 𝑔(𝑡 − 𝜏)𝑑𝜏.
Le produit de convolution est commutatif c’est-à-dire :
+∞ +∞
(g∗f)(t)=∫−∞ 𝑔(𝜏). 𝑓(𝑡 − 𝜏)𝑑𝜏 = (f∗g)(t)=∫−∞ 𝑓(𝜏). 𝑔(𝑡 − 𝜏)𝑑𝜏.
Interprétation
La convolution peut se décomposer en :
- un retournement de la fonction g donnant g(-𝜏) c’est-à-dire la symétrie de la courbe de g par

rapport à l’axe des ordonnées ;
- une translation de g(-𝜏) en g(t-𝜏) ;
- une multiplication par f(𝜏) suivie d’une intégration.
En résumé, si on note (Cg) la courbe de g(𝜏) alors la convolution s’obtient par la composition de la
symétrie à la translation c’est-à-dire (tt𝑢 ⃗ vecteur unitaire de l’axe des abscisses.
⃗ ∘S(Oy))(Cg) avec 𝑢
Exemple : Trouver la convolution s(t)=s1(t)∗ s2(t) des signaux s1(t) et s2(t) représentés ci-dessous :
s1(t)= 𝑒 −𝛽|𝑡| avec 𝛽>0 s2(t)= Γ(𝑡)
Solution
s(t)=s1(t)∗ s2(t)
+∞ +∞
= ∫−∞ s₁(𝜏). 𝑠₂(𝑡 − 𝜏)𝑑𝜏 = ∫−∞ s₂(𝜏). 𝑠₁(𝑡 − 𝜏)𝑑𝜏
Prenons la première definition:
+∞
s(t) = ∫−∞ s₁(𝜏). 𝑠₂(𝑡 − 𝜏)𝑑𝜏
✓ Premier cas : t<0
𝑠₂(𝑡 − 𝜏)=1 si 𝜏<t

𝑠₂(𝑡 − 𝜏)=0 si 𝜏>t
+∞
s(t)= ∫−∞ s₁(𝜏). 𝑠₂(𝑡 − 𝜏)𝑑𝜏
𝑡
=∫−∞ s₁(𝜏). 𝑠₂(𝑡 − 𝜏)𝑑𝜏
𝑡
=∫−∞ eβτ 𝑑𝜏
1
=[𝛽 eβτ ]
1
S(t) = 𝛽 eβτ
✓ Deuxième cas: t>0
+∞
s(t)= ∫−∞ s₁(𝜏). 𝑠₂(𝑡 − 𝜏)𝑑𝜏
𝑠₂(𝑡 − 𝜏)=1 si 𝜏<t
𝑠₂(𝑡 − 𝜏)=0 si 𝜏>t
𝑠₁(𝑡 − 𝜏)=𝑒 𝛽𝜏 si 𝜏<0
𝑠₁(𝑡 − 𝜏)=𝑒 −𝛽𝜏 si 𝜏>0
0 𝑡
s(t)=∫−∞ 𝑒 𝛽𝜏 𝑑𝜏 + ∫0 𝑒 −𝛽𝜏 𝑑𝜏
2 𝑒 −𝛽𝑡
𝑠(𝑡) = −
𝛽 𝛽
1.4.2. Le produit de convolution entre 2 signaux numériques
x(k) et y(k) sont deux signaux définis pour k ∈ ℤ .

On appelle p(k) le produit de convolution défini par la fonction qui à k entier associe p(k) tel que :
p(k)= (x∗y)(k) = ∑+∞ +∞

𝑖=−∞ 𝑥(𝑖)𝑦(𝑘 − 𝑖)= ∑𝑖=−∞ 𝑦(𝑖)𝑥(𝑘 − 𝑖)
Ce produit de convolution est également commutatif.
Si x(k) et y(k) sont causals, x(i)=0 pour i<0 et y(k-i)=0 pour k<i alors
p(k)= ∑𝑘𝑖=0 𝑥(𝑖)𝑦(𝑘 − 𝑖)= ∑𝑘𝑖=0 𝑦(𝑖)𝑥(𝑘 − 𝑖)
Travaux dirigés N°1 :
Exercice 1.1 :
Trouver la convolution x(t)*y(t) en représentant les signaux à chaque étape en appliquant la relation
+∞
(obligatoire) 𝑝(𝑡) = ∫−∞ 𝑥(𝜏) ∙ 𝑦(𝑡 − 𝜏)𝑑𝜏 où
𝑥(𝑡) = Γ(𝑡) 𝑒𝑡 𝑦(𝑡) = 𝑒 −𝛽|𝑡|

Exercice 1.2 :
Produit de convolution
On applique un signal x(t) à un système dont la réponse impulsionnelle est décrite par h(t), (Figure
1.1).
Calculer la réponse y(t) à l’aide du produit de convolution en représentant à chaque étapes les
signaux intervenant dans le produit de convolution.
Figure 1.1 :
Exercice 1.3 :
Convolution numérique.
On applique un signal x (n) à un système numérique décrit par sa réponse impulsionnelle h (n) :
n … -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 …
h(n) 0 0 0 0 4 3 2 1 0 0 0 0 0 0 0 0 0 0
x(n) 0 0 0 0 0 0 0 4 3 2 1 0 0 0 0 0 0 0
y(n)
Utiliser le produit de convolution numérique pour calculer la réponse y(n). Représenter cette réponse
sur la figure 3.1.
Figure 3.1 :
Exercice 1.4 :
Produit de convolution.
Trouver la convolution x(t)*y(t) en représentant les signaux à chaque étape.

X(t) = 3 Rect (t – 0,5) + Rect (0,5t -1) et y(t) = Rect(0,5t)
CHAPITRE 2 : ANALYSE HARMONIQUE DES SIGNAUX PAR LA

METHODE DE FOURIER
Rappel
1. Fonction périodique
Soit f(t) une fonction périodique d’une variable réelle, f est périodique si et seulement si
f(t+T)=f(t)
2. Fonction de carrée intégrable
On dit que f(t) est une fonction de carrée intégrable sur [a, b] si et seulement si
𝑏
∫ |𝑓(𝑡)|²𝑑𝑡 < ∞
𝑎
−𝑇 𝑇
3. L’ensemble des fonctions T-périodique et de carrée intégrable sur [ 2 , 2] est note L²[0, T].
Il correspond aux signaux de puissance finie
4. Le produit scalaire de deux fonctions T-périodiques est défini de la façon suivante :
1 𝑇⁄2
< 𝑓, 𝑔 > = ∫ 𝑓(𝑡)𝑔∗ (𝑡)𝑑𝑡
𝑇 𝑇⁄2
∗
𝑔 (t) étant le conjugue de g(t)
5. La norme d’une fonction sont f T-périodiques est
1 𝑇⁄2
‖𝑓‖ = [ ∫ |𝑓(𝑡)|2 𝑑𝑡]1⁄2 = √< 𝑓, 𝑓 >
𝑇 −𝑇⁄2
6. Deux fonctions sont orthogonales si et seulement leur produit scalaire est nul
Exemple : f(t)=cos(t) g(t)=sin(t)
1 𝜋
< 𝑓, 𝑔 > = ∫ cos(𝑡)sin(𝑡)𝑑𝑡 = 0
2𝜋 −𝜋
2.1. Signaux périodiques – Série de Fourier

Soit un signal sp(t) périodique de période T0 et de carrée intégrable donc L²[0,T0]. sp(t) peut se
mettre soit :
• Sous la forme complexe
+∞
𝑠𝑝 (𝑡) = ∑ 𝑆(𝑛)𝑒 𝑗𝑛w0 𝑡 (1)

𝑛=−∞
avec S(n) – les coefficients de la série complexe de Fourier
1 𝑇0⁄2
𝑆(𝑛) = ∫ 𝑠 (𝑡)𝑒 −𝑗𝑛𝑤0 𝑡 𝑑𝑡 (2)
𝑇0 −𝑇0⁄2 𝑝
La relation (1) est appelée équation de synthèse et la relation (2) est l’équation d’analyse :
• Soit sous la forme réelle
+∞ +∞
𝑎0 (3)
𝑠𝑝 (𝑡) = + ∑ an cos(𝑛𝑤0 𝑡) + ∑ bn sin(𝑛𝑤0 𝑡)
2
vec 𝑛=1 𝑛=1
+∞
2 𝑇0⁄2 +∞
𝑎0 𝑎𝑛 = ∫ sp (t)cos(𝑛𝑤0 𝑡)𝑑𝑡 𝑛єℕ
𝑇0 −𝑇 ⁄ 2 (4)
𝑠𝑝 (𝑡) = + ∑ an cos(2𝜋𝑓 0 𝑛𝑡) + ∑ b sin(2𝜋𝑓 𝑛𝑡)
0 n 0
2
𝑛=1 𝑛=1
2 𝑇0⁄2
𝑏𝑛 = ∫ sp (t)sin(𝑛𝑤0 𝑡)𝑑𝑡 𝑛 є ℕ∗
Cours Traitement du signal par Dr BOKOVI YAO, 𝑇0 −𝑇200 ⁄2 bokoviyao@gmail.com ENSI Université de Lomé
Les équations (1) et (3) constituent la série de Fourier définie et associée à sp et est note
𝑎
𝑠𝑝 (𝑡) = 20 + ∑+∞ 𝑛=1(a n cos(2𝜋𝑓0 𝑛𝑡) + bn sin(2𝜋𝑓0 𝑛𝑡))
Dans le cas complexe pour tout t є ℝ

𝑠𝑝 (𝑡) = ∑+∞ 𝑛=−∞ 𝑆(𝑛)𝑒
𝑗𝑛𝜔0 𝑡
Remarque :
La notation = signifie la convergence au sens de la série de Fourier. Ainsi la série de droite peut être
convergente ou divergente et si et elle est convergente sa somme ne vaut pas nécessairement 𝑠𝑝 (𝑡).
2.1.1. Convergence des séries de Fourier

Théorème de Dirichlet
Pour toute fonction sp continue par morceau T-périodique la série de Fourier converge vers sp(t) en
1
tout point t où sp est continue et vers 2{sp(t-) + sp(t+)} aux points de discontinuité.
2.1.2. Quelques définitions
• sp ⇔ S(n) signifie sp(t) admet un développement en série de Fourier S(n)

• S (0) est la valeur moyenne de sp(t) :
1 𝑇0⁄2
𝑆(0) = ∫ s (t)𝑑𝑡
𝑇0 −𝑇0⁄2 p
Elle est aussi appelée la composante continue ou valeur DC du signal
• La fondamentale ou la 1ere harmonique du signal est
S (-1) 𝑒 −𝑗𝑛𝜔0 𝑡 + S (1) 𝑒 𝑗𝑛𝜔0 𝑡 = Fond.
• La nième harmonique du signal est S(-n) 𝑒 −𝑗𝑛𝜔0 𝑡 + S(n) 𝑒 𝑗𝑛𝜔0 𝑡
La relation liant les coefficients complexe S(n) et les coefficients généraux réels an et bn est :
𝑎 −𝑗𝑏 𝑎 +𝑗𝑏
𝑆(𝑛) = 𝑛 2 𝑛 𝑆(−𝑛) = 𝑛 2 𝑛
• La représentation cartésienne de S(n) est : 𝑆(𝑛) = 𝐴(𝑛) + 𝑗𝐵(𝑛)
Attention: A(n) ≠ an B(n)≠bn
• La représentation polaire de S(n) est 𝑆(𝑛) = |𝑆(𝑛)|𝑒 𝑗Ѳ(𝑛) avec Ѳ(n)=arg(S(n))
• La représentation en fonction de n du module de S(n) donne le spectre d’amplitude et celle
de Ѳ(n) le spectre de phase. Ce sont des spectres discrets car n est discret.
Exemple 1 : Soit le signal porte périodisée représente à la figure 2.1.

1-Trouver les coefficients complexe S(n) de Fourier en précisant la valeur DC et la fondamentale.
2-Trouver les expressions des spectres d’amplitude et de phase puis les représenter.
Figure 2.1 : Signal porte périodisée.
Solution 1 :
1- Coefficients complexes S(n)
Réécrivons d’abord l’expression instantanée de sp (t).

sp(t) est périodique de période 4 s
2𝜋 2𝜋 𝜋
𝜔0 = 2𝜋𝑓0 = 𝑇 = 4 = 2 . Sur une période d’intervalle [-2 ; 2], on a l’expression de sp (t) :
0
1 𝑠𝑖 − 1 ≤ 𝑡 ≤ 1
𝑠𝑝 = {
0 𝑠𝑖 − 2 ≤ 𝑡 ≤ −1 𝑜𝑢 1 ≤ 𝑡 ≤ 2
Par définition des coefficients complexes S(n), on a :

1 𝑇0⁄2
𝑆(𝑛) = ∫ 𝑠 (𝑡)𝑒 −𝑗𝑛𝜔0 𝑡 𝑑𝑡
𝑇0 −𝑇0⁄2 𝑝
1 1 𝜋
𝑆(𝑛) = ∫ 1 ∗ 𝑒 −𝑗𝑛 2 𝑡 𝑑𝑡
4 −1
1 −1 𝜋
𝑆(𝑛) = [ 𝜋 𝑒 −𝑗𝑛 2 𝑡 ]1−1
4 𝑗𝑛
2
−1 −𝑗𝑛𝜋 𝑗𝑛𝜋
𝑆(𝑛) = 𝜋 [𝑒 2 −𝑒 2 ]
𝑗𝑛 2
𝑗 𝜋
𝑆(𝑛) = [−2𝑗𝑠𝑖𝑛(𝑛 )]
2𝑛𝜋 2
𝟏 𝝅𝒏 𝟏 𝒏
𝑺(𝒏) = 𝐬𝐢𝐧 ( ) = 𝒔𝒊𝒏𝒄 ( )
𝝅𝒏 𝟐 𝟐 𝟐
✓ Valeur DC du signal
Par définition c’est S (0)
1 𝟏
𝑆(0) = 2 𝑠𝑖𝑛𝑐(0) 𝑺(𝟎) = 𝟐
✓ La fondamentale Fond.
𝐹𝑜𝑛𝑑 = 𝑆(−1)𝑒 −𝑗𝜔0 𝑡 + 𝑆(1)𝑒 𝑗𝜔0 𝑡
𝜋 𝜋
1 1 𝟐 𝝅
= 𝜋 𝑒 −𝑗 2 𝑡 + 𝑒 𝑗2𝑡 donc 𝑭𝒐𝒏𝒅 = 𝝅
𝐜𝐨𝐬( 𝟐 𝒕)
𝜋
2- Les spectres : expressions et représentations (Figure 2.2)

𝑆(𝑛) = |𝑆(𝑛)|𝑒 𝑗𝜃(𝑛)
1 𝑛𝜋
𝑆(𝑛) = sin ( )
𝑛𝜋 2
✓ Spectre d’amplitude : |𝑆(𝑛)|
𝟏 𝒏
|𝑺(𝒏)| = | 𝒔𝒊𝒏𝒄 ( )|
𝟐 𝟐
✓ Spectre de phase : 𝜃(𝑛)
𝟎 𝒔𝒊 𝑺(𝒏) > 𝟎
𝟏 𝒏
𝜽(𝒏) = 𝐚𝐫𝐠 ( 𝒔𝒊𝒏𝒄 ( )) = { 𝝅 𝒔𝒊 𝑺(𝒏) < 𝟎 𝒑𝒐𝒖𝒓 𝒏 > 𝟎
𝟐 𝟐
−𝝅 𝒔𝒊 𝑺(𝒏) < 𝟎 𝒑𝒐𝒖𝒓 𝒏 < 𝟎
Figure 2.2. Les tracés des spectres d’amplitude et de phase.
• Le spectre de puissance est la représentation de |𝑆(𝑛)|2 en fonction de n. C’est également un

spectre discret.
• La puissance dans la nième Harmonique est :
𝑃(𝑛) = |𝑆(𝑛)|2 + |𝑆(−𝑛)|2
• La puissance moyenne du signal est :
+∞
𝑃𝑚𝑜𝑦 = ∑ |𝑆(𝑛)|2
𝑛=−∞
1 𝑛
Exemple 2 : Reprendre le signal porte périodisé dont le coefficient de Fourier est 𝑆(𝑛) = 2 𝑠𝑖𝑛𝑐( 2)
1- Trouver et représenter le spectre de puissance.
2- Calculer la puissance dans la 1ère harmonique, dans la 2ième harmonique et dans la 3ième
harmonique.
Solution 2 :
1-D’après la définition, le spectre de puissance est :
1 𝑛
|𝑆(𝑛)|2 = |𝑠𝑖𝑛𝑐( )|2
4 2
Sa représentation est à la figure 2.3.
Figure 2.3. Spectre de puissance du signal sp (t).

2-Puissance dans les trois premières harmoniques.
1 𝑛
𝑃(𝑛) = |𝑆(𝑛)|2 + |𝑆(−𝑛)|2 or 𝑆(𝑛) = 2 𝑠𝑖𝑛𝑐( 2)
donc la puissance dans la première harmonique, 𝑃(1) = |𝑆(1)|2 + |𝑆(−1)|2
1 𝑛𝜋
𝑆(𝑛) = sin ( )
𝑛𝜋 2
1
𝑆(1) = = 𝑆(−1)
𝜋
𝟐
𝑷(𝟏) = 𝝅𝟐 = 𝟎. 𝟐𝟎𝟐 𝑾
dans la deuxième harmonique 𝑃(2) = |𝑆(2)|2 + |𝑆(−2)|2
𝑆(2) = 0 = 𝑆(−2), ainsi 𝑷(𝟐) = 𝟎 𝑾
dans la troisième harmonique, 𝑃(3) = |𝑆(3)|2 + |𝑆(−3)|2

1
𝑆(3) = − = 𝑆(−3)
3𝜋
𝟐
𝑷(𝟑) = = 𝑷(𝟑) = 𝟎. 𝟎𝟐𝟐𝟓 𝑾
𝟗𝝅𝟐
❖ Rappel sur la parité

✓ 𝑠𝑝 (𝑡) est une fonction paire si et seulement si 𝑠𝑝 (𝑡) = 𝑠𝑝 (−𝑡)
✓ 𝑠𝑝 (𝑡) est une fonction impaire si et seulement si 𝑠𝑝 (−𝑡) = −𝑠𝑝 (𝑡)
✓ Le produit de deux fonctions impaires est pair
✓ Tout signal 𝑠𝑝 (𝑡) peut-être la somme d’un signal pair 𝑠𝑝𝑝 (𝑡) et d’un signal 𝑠𝑝𝑖 (𝑡).
On note :
1
𝑠𝑝𝑝 (𝑡) = 2 {𝑠𝑝 (𝑡) + 𝑠𝑝 (−𝑡)} La partie paire 𝑠𝑝 (𝑡)
1
𝑠𝑝𝑖 (𝑡) = {𝑠𝑝 (𝑡) − 𝑠𝑝 (−𝑡)} La partie impaire de 𝑠𝑝 (𝑡)
2
Exemple 3 : Décomposer le tracé du signal sp (t) quelconque en deux tracés d’un signal pair spp (t)
et d’un signal impair spi (t).
Solution 3 : Figure 2.4.
Figure 2.4 : Décomposition d’un signal quelconque en deux signaux pair et impair.
2.1.3. Les propriétés de la série de Fourier

1. 𝑠𝑝 (𝑡) réel ⟺ 𝑆(𝑛) = 𝑆 ∗ (𝑛) et |𝑆(𝑛)| = |𝑆(−𝑛)|
𝜃(𝑛) = −𝜃(−𝑛)
𝐴(𝑛) et |𝑆(𝑛)| sont pairs
𝐵(𝑛) et |𝜃(𝑛)| sont impairs
2. 𝑠𝑝𝑝 (𝑡) ⟺ 𝐴(𝑛) 𝑠𝑝𝑖 (𝑡) ⟺ 𝑗𝐵(𝑛)
3. 𝑆(𝑛) est réel et pair si et seulement si 𝑠𝑝 (𝑡) est pair
𝑆(𝑛) est imaginaire pur et impair si et seulement si 𝑠𝑝 (𝑡) est impair

4. Translation
+∞ +∞
𝑗2𝜋𝑛𝑡
𝑠𝑝 (𝑡) = ∑ 𝑆(𝑛)𝑒 𝑇 ⟹ 𝑠𝑝 (𝑡 + 𝜏) = ∑ 𝑆(𝑛)𝑒 𝑗𝑛𝜔0 𝑡 𝑒 𝑗𝑛𝜔0 𝜏
𝑛=−∞ 𝑛=−∞
5. Modulation
+∞ +∞
𝑗𝑛𝜔0 𝑡 (𝑡)𝑒 𝑗𝑘𝜔0 𝑡
𝑠𝑝 (𝑡) = ∑ 𝑆(𝑛)𝑒 ⟹ 𝑠𝑝 = ∑ 𝑆(𝑛 − 𝑘)𝑒 𝑗𝑛𝜔0 𝑡
𝑛=−∞ 𝑛=−∞
6. Dérivation
+∞ +∞
𝑠𝑝 (𝑡) = ∑ 𝑆(𝑛)𝑒 𝑗𝑛𝜔0 𝑡 ⟹ 𝑠𝑝 (𝑘) (𝑡) = ∑ (𝑗𝑛𝜔0 )𝑘 𝑆(𝑛)𝑒 𝑗𝑛𝜔0 𝑡

𝑛=−∞ 𝑛=−∞
7. Linéarité
+∞ +∞
𝑠𝑖𝑝 (𝑡) = ∑ 𝑆𝑖 (𝑛)𝑒 𝑗𝑛𝜔0 𝑡 ⟹ ∑ 𝐴𝑖 𝑆𝑖𝑝 (𝑡) = ∑ { ∑ 𝐴𝑖 𝑆𝑖 (𝑛)𝑒 𝑗𝑛𝜔0 𝑡 }

𝑛=−∞ 𝑖 𝑖 𝑛=−∞
Exemple 4 :
Si on a : 𝑠1𝑝 (𝑡) = ∑𝑛 𝑆1 (𝑛)𝑒 𝑗𝑛𝜔0 𝑡 , 𝑠2𝑝 (𝑡) = ∑𝑛 𝑆2 (𝑛)𝑒 𝑗𝑛𝜔0 𝑡 , 𝑠3𝑝 (𝑡) = ∑𝑛 𝑆3 (𝑛)𝑒 𝑗𝑛𝜔0 𝑡 et
𝑠𝑝 (𝑡) = 𝐴1 𝑠1𝑝 (𝑡) + 𝐴2 𝑠2𝑝 (𝑡) + 𝐴3 𝑠3𝑝 (𝑡), alors
𝑗𝑛𝜔 𝑡 𝑗𝑛𝜔 𝑡 𝑗𝑛𝜔 𝑡
𝑠𝑝 (𝑡) = 𝐴1 ∑𝑛 𝑆1 (𝑛)𝑒 0 + 𝐴2 ∑𝑛 𝑆2 (𝑛)𝑒 0 + 𝐴3 ∑𝑛 𝑆3 (𝑛)𝑒 0
2.1.4. Puissance : Théorème de Parseval

Soit 𝑠𝑝 (𝑡) une fonction de L²[0, T] qui admet un développement en série de Fourier 𝑆(𝑛). La
puissance moyenne du signal de la fonction peut aussi s’exprimer en fonction des coefficients de
Fourier
+∞
1 𝑇0⁄2
𝑃𝑚𝑜𝑦 = ∫ |𝑠 (𝑡)|2 𝑑𝑡 = ∑ |𝑆(𝑛)|2
𝑇0 −𝑇0⁄2 𝑝
𝑛=−∞
2.2. Analyse des signaux non périodiques

Nous avions analysé les signaux périodiques à l’aide de la série de Fourier. Avec les signaux non
périodiques, nous ferons appel à la notion de la transformée de Fourier.
+∞
Considérons un signal s(t) de carré intégrable vérifiant la propriété ∫–∞ |𝑠(𝑡)|²𝑑𝑡 < ∞.
2.2.1. Transformée de Fourier : TF

Suivant le théorème de Plancherel, toute fonction f(t)de carré intégrable admet une transformée de
Fourier F (𝜔) appelée aussi spectre complexe.
• L’équation de synthèse est :

1 +∞ +∞
f(t) = 2𝜋 ∫−∞ F(𝜔) 𝑒 𝑗𝜔𝑡 𝑑𝜔 = ∫−∞ F(𝑓) 𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓
• L’équation d’analyse est

+∞ +∞
F (𝜔)= ∫−∞ 𝑓(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 ou F(f)=∫−∞ 𝑓(𝑡)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
Ainsi pour un signal quelconque s(t) de carré intégrable, sa transformée de Fourier TF est notée :
+∞ +∞
S(𝝎) = ∫−∞ 𝒔(𝒕)𝒆−𝒋𝝎𝒕 𝒅𝒕 ou S(f) =∫−∞ 𝒔(𝒕)𝒆−𝒋𝟐𝝅𝒇𝒕 𝒅𝒕
+∞
S(0)= ∫−∞ 𝒔(𝒕)𝒅𝒕
La transformée de Fourier inverse notée TF-1 s’obtient par :

𝟏 +∞ +∞
s(t) = 𝟐𝝅 ∫−∞ 𝐒(𝝎) 𝒆𝒋𝝎𝒕 𝒅𝝎 ou s(t) =∫−∞ 𝐒(𝒇) 𝒆𝒋𝟐𝝅𝒇𝒕 𝒅𝒇
𝟏 +∞
s(0) = 𝟐𝝅 ∫−∞ 𝐒(𝝎) 𝒅𝝎
Notation
On dit que x(t) et X(f) ou X (𝜔) forment une paire pour la transformée de Fourier que l’on note
x(t)⇆ X(f) ou x(t)⇆ X (𝜔).
Exemple 5 :
𝑡
Soit un signal 𝑠(𝑡) = 𝑅𝑒𝑐𝑡 ( ).
𝜏
1- Trouver la TF S(𝜔) après avoir représenté s(t).

2- Trouver et représenter les spectres d’amplitude |S(𝜔)| et de phase 𝜃(𝜔)
Solution 5 :
1-
✓ Représentation de s(t) (Figure 2.5) :
𝑡
Figure 2.5 : Signal 𝑠(𝑡) = 𝑅𝑒𝑐𝑡 (𝜏).
✓ Calcul de la TF
+∞
S(𝜔)= ∫−∞ 𝑠(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡
𝜏
=∫2𝜏 𝑒 −𝑗𝜔𝑡 𝑑𝑡
−
2
2 𝜏
=𝜔 sin(𝜔 2)
𝝎𝝉 𝝎𝝉
𝐒(𝝎) = 𝝉 𝐬𝐢𝐧𝐜( ) = 𝝉 𝑺𝒂 ( )
𝟐𝝅 𝟐
• Remarques
1- Pour qu’un signal soit transformable, il faudra qu’il satisfasse aux conditions de Dirichlet
+∞
avec ∫−∞ 𝑠(𝑡)𝑑𝑡 < ∞ . Si cette condition n’est pas satisfaite, on cherche
+𝜏
S(𝜔)= lim ∫−𝜏 𝑠(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡 .
𝜏⟶+∞
2- La représentation cartésienne de la TF est notée S(𝜔)=A (𝜔)+jB (𝜔).

La représentation polaire de la TF est notée 𝑆(𝜔) =|S(𝜔)|𝑒 𝑗𝜃(𝜔) avec 𝜃(𝜔)= arg
(S(𝜔)).
La représentation de |S(𝜔)|en fonction de 𝜔 est appelée spectre d’amplitude et celle de
𝜃(𝜔) est appelée spectre de phase.
Exemple 6 : Reprendre le signal de l’exemple 5 et représenter les spectres de phase et d’amplitude.
Solution 6 :
𝑡
𝑠(𝑡) = 𝑅𝑒𝑐𝑡 ( )
𝜏
Expression du spectre d’amplitude |S(𝜔)| :
𝝎𝝉
|𝐒(𝝎)|= 𝝉 𝐬𝐢𝐧𝐜( )
𝟐𝝅
Expression du spectre de phase 𝜃(𝜔) :

𝟎 𝒔𝒊 𝐒(𝝎) > 𝟎
𝜽(𝝎) = Arg 𝐒(𝝎) ={ 𝝅 𝒔𝒊 𝐒(𝝎) < 𝟎 𝒆𝒕 𝝎 > 𝟎
−𝝅 𝒔𝒊 𝐒(𝝎) < 𝟎 𝒆𝒕 𝝎 < 𝟎
Représentions des spectres d’amplitude et de phase. Figure (2.6)
Figure 2.6 : Représentations des spectres d’amplitude |S(𝜔)| et de phase 𝜃(𝜔).
2.2.2. Transformée de Fourier et convolution

La multiplication et la convolution sont transformées de Fourier l’une de l’autre.
f(t)∗ g(t) ⇆ F(𝜔).G(𝜔) ou F(f).G(f)

1
f(t).g(t) ⇆ 2𝜋 F(𝜔)∗G(𝜔) ou F(f)∗G(f)
2.2.3. Propriété de la TF
1- Parité :
- Si s(t) est réel alors S*(𝜔)=S(-𝜔), A(𝜔) et |S(𝜔)| sont paires et 𝜃(𝜔) et B(𝜔) sont
impaires.
- Si s(t) = sp (t) + si(t) alors sp(t)⇆ A(𝜔) , si(t)⇆ B(𝜔) avec sp(t) partie paire de s(t) et si(t)
partie impaire de s(t).
- S(𝜔) est réel et pair si et seulement si s(t) est pair et réel.
- S(𝜔) est imaginaire pur si et seulement si s(t) est impair et imaginaire pur.
2- Linéarité :
∑𝑖 𝑎isi(t) ⇆ ∑𝑖 𝑎iSi(f) ou ∑𝑖 𝑎 iSi(𝜔)
3- Dualité :
Si s(t) ⇆ S(𝜔) alors S(t) ⇆ 2𝜋 s(-𝜔) ou s(-f)
4- Conjugaison
𝑠(𝑡) ⇆ 𝑆(−𝜔) ou 𝑆(−𝑓)
5- Similitude
1 𝜔 1 𝑓
s(at) ⇆ |𝑎| S( 𝑎 ) ou |𝑎| S(𝑎)
Une fonction établie dans le domaine temporel se retrouve contractée dans le domaine
fréquentiel.
6- Translation ou changement de temps

s(t-t0) ⇆ S(𝜔)𝑒 −𝑗𝜔𝑡₀ ou S(𝑓)𝑒 −𝑗2𝜋𝑓𝑡₀
Le déplacement de l’origine dans le domaine temporel induit un terme de phase dépendant
de la fréquence dans le domaine fréquentiel.
7- Modulation
s(t).𝑒 𝑗𝜔₀𝑡 ⇆ S(𝜔 − 𝜔₀)
8- Dérivation
Dérivation temporelle : Si s(t) est continument différentiable et si ses dérivées d’ordre
inférieur à m sont intégrables alors
s(m)(t) ⇆ (j2𝜋f)mS(f) ou (j 𝜔)mS(𝜔)
En particulier, s’(t) ⇆ j2𝜋f S(f) ou j𝜔S(𝜔)
Dérivée fréquentielle : Si tm. s(t) est intégrable et S(f) ou S(𝜔) est m fois continument
différentiable alors
(-j2𝜋t)m.s(t) ⇆ S(m)(𝜔) ou S(m)(𝑓)
En particulier, -j2𝜋t.s(t) ⇆ S’(𝜔) ou S’(𝑓)
9- Intégration dans le domaine temporel

𝑡 1 S(0)
∫−∞ 𝑠(𝜏)𝑑𝜏 ⇆ 𝑗𝜔 𝑆(𝜔) + 2 𝛿(𝜔)
10- Fonction périodique

Si s(t) ∈ L² [0, 𝑇₀] alors
𝑛
s(t)= ∑+∞
𝑛=−∞ 𝑆(𝑛)𝑒
𝑗𝑛𝜔₀𝑡
⇆ 2𝜋 ∑+∞ +∞
𝑛=−∞ 𝑆(𝑛)𝛿(𝜔 − 𝜔₀) ou ∑𝑛=−∞ 𝑆(𝑛)𝛿(𝑓 − 𝑇₀) où
S(n) sont les coefficients complexes de la série de Fourier.
11- Egalité de Parseval

L’énergie d’un signal par s’exprimer par
+∞ +∞ 1 +∞
∫–∞ |𝑠(𝑡)|²𝑑𝑡 = ∫–∞ |𝑆(𝑓)|²𝑑𝑓 ou 2𝜋 ∫–∞ |𝑆(𝜔)|²𝑑𝜔
Où |𝑆(𝑓)|² ou |𝑆(𝜔)|² est la densité spectrale d’énergie (DSE).
2.3. Passage dans un système linéaire

Considérons le système linéaire de la figure 2.7 dont la fonction de transfert est H(jꞶ) et les signaux
d’entrée et de sortie sont respectivement x(t) et y(t).
Figure 2.7 : Système linéaire.
Soient h(t)= TF-1 {𝐻(𝑗𝜔)} et X(𝜔)= TF {𝑥(𝑡)} ; Y(𝜔)=TF {𝑦(𝑡)}

Dans le domaine fréquentiel, on a 𝒀(𝝎) = 𝑿(𝝎). 𝑯(𝝎)
Ceci nous amène à écrire dans le domaine temporel, 𝒚(𝒕) = 𝒙(𝒕) ∗ 𝒉(𝒕) avec h(t) la réponse
impulsionnelle du système.
L’énergie à l’entrée du système est :
+∞ 𝟏 +∞ +∞
Ee= ∫−∞ 𝒙𝟐 (𝒕)𝒅𝒕 = 𝟐𝝅 ∫–∞ |𝑿(𝝎)|²𝒅𝝎 = ∫–∞ |𝑿(𝒇)|²𝒅𝒇
L’énergie à la sortie du système est :

+∞ 𝟏 +∞ +∞
Es= ∫−∞ 𝒚𝟐 (𝒕)𝒅𝒕 = 𝟐𝝅 ∫–∞ |𝒀(𝝎)|²𝒅𝝎 = ∫–∞ |𝒀(𝒇)|²𝒅𝒇
Exemple 7 :
Soit le signal s(t)= 𝑒 −𝛽|𝑡| avec 𝛽>0
1. Trouver la TF de s(t) et tracer le spectre d’énergie 𝐸(𝜔) = |S(𝜔)|².
2. Trouver l’énergie totale E du signal.
3. On fait passer le signal s(t) dans le filtre de la figure 2.8 :
Figure 2.8 : Filtre.
a- Trouver l’énergie Ey du signal de sortie

b- Trouver le rendement du système.
Solution 7 :
1.
✓ Calcul de la transformée de Fourier 𝑆(𝜔) TF de s(t)
+∞
S(𝜔)= ∫−∞ 𝑠(𝑡)𝑒 −𝑗𝜔𝑡 𝑑𝑡
+∞
=∫−∞ 𝑒 −𝛽|𝑡| 𝑒 −𝑗𝜔𝑡 𝑑𝑡
0 +∞
=∫−∞ 𝑒 𝛽𝑡 𝑒 −𝑗𝜔𝑡 𝑑𝑡 + ∫0 𝑒 −𝛽𝑡 𝑒 −𝑗𝜔𝑡 𝑑𝑡
2𝛽
=𝛽²+𝜔²
𝟐𝜷
𝐒(𝝎) =
𝜷² + 𝝎²
✓ Spectre d’énergie
𝟐𝜷
|𝑺(𝝎)|²= | |2
𝜷²+𝝎²
4𝛽²
=(𝛽2 +𝜔2)², étudions la variation de la densité de spectre d’énergie.
Posons F(𝜔)= |𝑆(𝜔)|², sa dérivée vaut

−16𝜔𝛽 2
F’(𝜔)= -(𝛽2 +𝜔2)2 , on obtient le tableau d variation suivant :
Tableau de variation
𝜔 -∞ 0 +∞
F’(𝜔) + -
4
𝛽²
F(𝜔)
0 0
Le spectre d’énergie est représenté à la figure 2.9.
Figure 2.9 : Spectre d’énergie |𝑆(𝜔)|²
2- Energie totale du signal

+∞
Es= ∫−∞ 𝑠 2 (𝑡)𝑑𝑡
+∞
= ∫−∞ |𝑒 −𝛽|𝑡| |²𝑑𝑡
𝟏
Es =𝜷
3-
a- Energie à la sortie du système : Ey
+∞ 1 +∞
Ey= ∫−∞ 𝑦 2 (𝑡)𝑑𝑡
= 2𝜋 ∫–∞ |𝑌(𝜔)|²𝑑𝜔
𝑌(𝜔) = 𝑆(𝜔). 𝐻(𝜔)
2𝛽
S(𝜔) = 𝛽²+𝜔²
1 𝑠𝑖 − 3𝛽 < 𝜔 < 3𝛽
𝐻(𝜔) = {
𝜔
=Rect(6𝛽)
1 +∞
Ey= ∫ (𝑆(𝜔). 𝐻(𝜔))²𝑑𝜔
2𝜋 –∞
1 3𝛽 2𝛽
= 2𝜋 ∫−3𝛽(𝛽2 +𝜔2 )²𝑑𝜔
1 3𝛽 4𝛽²
=2𝜋 ∫−3𝛽 (𝛽2 +𝜔2 )² 𝑑𝜔
2 3𝛽 1
= 𝜋𝛽² ∫−3𝛽 𝜔2
𝑑𝜔
(1+ 2 )²
𝛽
𝜔
Posons tan 𝜃 = 𝛽
𝑑𝜔= 𝛽(1 + tan² 𝜃)𝑑𝜃
𝜔 → −3𝛽, tan 𝜃 = −3 ⇒ 𝜃 = tan−1(−3)= −𝜃₀
𝜔 → 3𝛽, tan 𝜃 = 3 ⇒ 𝜃 = tan−1(3)= 𝜃₀
2 𝜃₀ 𝛽(1+tan² 𝜃)
Ey=𝜋𝛽² ∫−𝜃₀ (1+tan² 𝜃))² 𝑑𝜃
2 𝜃₀
=𝜋𝛽² ∫−𝜃₀ 𝛽(1 + tan² 𝜃)-1𝑑𝜃
2 𝜃₀
=𝜋𝛽 ∫−𝜃₀ cos² 𝜃 𝑑𝜃
1 𝜃₀
=𝜋𝛽 ∫−𝜃₀(1 + cos 2𝜃) 𝑑𝜃
1
Ey = 𝜋𝛽 (2𝜃₀ + sin 2𝜃)
2𝑢
Règle : sin(2 arctan(𝑢)) = 1+𝑢²
sin 2𝜃₀ = 0.6

1
Ey =𝜋𝛽 (2𝜃₀ + 0.6) avec 𝜃₀ = 0.6
𝟎. 𝟗𝟖𝟔
𝐄𝐲 =
𝜷
b- Le rendement du système : 𝜂
𝑬𝒚
𝜼= = 𝟎, 𝟗𝟖𝟔
𝑬𝒔
On constate que si on filtre le signal s(t) avec un filtre passe-bas dont la fréquence de coupure est
3β, alors la quasi-totalité de l’énergie sera conservée.
2.4. Travaux dirigés

Exercices
Exercice 2.1 :
VRAI OU FAUX, QCM :
Répondre par « Vrai » ou « Faux ».
I- Supposons que f (t )  F () et g (t )  G () .
1
a) f (t ) • g (t )  F ()  G()
2
 2 
b) TF-1   = e . U(t )  sgn(t )
-3t
2
 3 j −  
c) x(t )  (t − t 0 ) = (t − t 0 )
II- Les coefficients complexes de Fourier, F(n) de la fonction fp(t) sont tel que :
− t si − 1  t  0
F(n) = A(n) + jB(n) = F (n) • e jArgF(n) et fp(t) =  , fp(t+2) = fp(t).
 t si 0  t  1
a) F*(n) = F(-n)
b) A(n) est impair
c) F(n) est imaginaire pure
d) B(n) = 0,  n
III- Les coefficients complexes de Fourier pour l’équation 3+4 sin5t – 6 cos4t sont proposés dans
le tableau 1.1 ; choisir le numéro correct.
Tableau 1.1
N° F(0) F(4) F(-4) F(5) F(-5)
1 3 -3 -3 -2j 2j
2 3 3 -3 2j -2j
3 3 2j 2j -3 -3
4 3 3 3 2j 2j
Exercice 2.2 :
Série de Fourier et transformée de Fourier.
Soit le signal périodique sp(t) représenté à la figure 2.1.
1) Trouver la transformée de Fourier Sp(ω) de sp(t) en précisant les coefficients complexes de

la série de Fourier.
2) Quelle est la puissance moyenne totale du signal ?
3) Quelle est la puissance moyenne dans la bande de fréquence -7 < ω < 7?
Figure 2.1.
Exercice 2.3 :
Analyse d’un système. (Figure 2.1)
1
Le signal d’entrée est x(t) = Sa(t) et H(ω) = Rect(ω/6) est un filtre passe-bas.

I. Trouver et dessiner la transformée de Fourier de:
1) X(ω) de x(t) ;
2) A(ω) de a(t) ;
3) B(ω) de b(t) ;
4) Y(ω) de y(t) ;
II. Trouver alors y(t) en fonction de x(t).
x (t ) a (t ) b (t ) y (t )
  H ()
cos (6t) +
 

n = -
 t - n  
 3 
Figure 2.1.
CHAPITRE 3 : CORRELATION - AUTO CORRELATION DENSITES

SPECTRALES
La corrélation est une mesure énergétique de la similitude de forme et de position entre 2 signaux
décalés. Pour des signaux réels à énergie finie, l’approche sera différente de celle des signaux à
puissance moyenne finie. La densité spectrale sera la transformée de Fourier de la fonction de
corrélation.
3.1. Corrélation et auto corrélation
3.1.1. Signaux à énergie finie

+∞
Un signal x continu et discret est à énergie finie si et seulement si 𝐸𝑥 = ∫−∞ |𝑥(𝑡)|²𝑑𝑡 <∞
(respectivement 𝐸𝑥 =∑+∞
𝑘=−∞|𝑥(𝑘)|²<∞)
3.1.2. Auto corrélation

L’auto corrélation est la corrélation entre le signal x(t) (respectivement x(k)) et lui-même et définit
par :
+∞
𝑅𝑥𝑥 (𝜏)=∫−∞ 𝑥(𝑡). 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡 (respectivement 𝑅𝑥𝑥 (𝑗)= ∑+∞ ∗
𝑘=−∞ 𝑥(𝑘). 𝑥 (𝑘 − 𝑗)) avec x* conjugué
de x.
Si x(t) est réel alors l’auto corrélation est réel. Sa dimension est V²/Hz ou A²/Hz.
• C’est un produit scalaire : projection de 𝑥(𝑡) sur 𝑥 ∗ (𝑡) décalé de 𝜏
Pour 𝜏=0, on retrouve l’énergie du signal
+∞
𝑅𝑥𝑥 (0)= 𝐸𝑥 =∫−∞ |𝑥(𝑡)|²𝑑𝑡
𝑅𝑥𝑥 (𝜏) est maximal en 𝜏 = 0
Rien ne ressemble au signal que lui-même.
• L’auto corrélation possède la propriété de symétrie hermitienne
∗ ∗
𝑅𝑥𝑥 (−𝜏)=𝑅𝑥𝑥 (𝜏) respectivement 𝑅𝑥𝑥 (−𝑗)=𝑅𝑥𝑥 (𝑗)
• Si le signal est réel alors l’auto corrélation est réel et pair.
3.1.3. Inter corrélation

L’inter corrélation est la corrélation entre le signal x(t) (respectivement x(k)) et y(t)
(respectivement y(k)).
L’inter corrélation entre les signaux x(t) (respectivement x(k)) et y(t) (respectivement y(k)) dans
ce sens est définie par l’expression
+∞
𝑅𝑥𝑦 (𝜏)= ∫−∞ 𝑥(𝑡). 𝑦 ∗ (𝑡 − 𝜏)𝑑𝑡 (respectivement 𝑅𝑥𝑦 (𝜏)= ∑+∞ ∗
𝑘=−∞ 𝑥(𝑘). 𝑦 (𝑘 − 𝑗))
Propriétés
• Symétrie hermitienne : 𝑅𝑥𝑦 (−𝜏)= 𝑅𝑦𝑥 ∗
(𝜏)
• Non commutativité : 𝑅𝑥𝑦 (𝜏)≠ 𝑅𝑦𝑥 (𝜏)
• 𝑅𝑥𝑦 mesure le degré de ressemblance entre le signal x(t) (respectivement x(k)) et le signal
y(t) (respectivement y(k)) en fonction d’un décalage.
• 𝑅𝑥𝑦 (𝜏)=0 signifie que les signaux sont totalement décorrélés (signaux orthogonaux)
• 𝑅𝑥𝑦 (𝜏) est la projection de x(t) sur y(t+ 𝜏) suivi du produit scalaire.
• Inégalité de Schwartz
|𝑅𝑥𝑦 (𝜏)|²≤ 𝑅𝑥𝑥 (𝜏). 𝑅𝑦𝑦 (𝜏)
• 𝑅𝑥𝑦 (𝜏) est homogène à une énergie croisée entre x(t) et y(t+𝜏)
−𝑇 𝑇
Le signal x(t) ressemble le plus à y(t) aux instants 2 et 2 (car cela donne les valeurs maximales à
𝑅𝑥𝑦 ). En 𝜏=0, x(t) ne ressemble pas du tout à y(t) (ils sont orthogonaux car leur produit scalaire est
nul).
3.2. Signaux à puissance finie

𝑇
1 2
Un signal continu ou discret est à puissance finie si et seulement si 𝑃𝑥 = lim ∫ |𝑥(𝑡)|²𝑑𝑡 <∞
𝑇
𝑇→+∞ 𝑇 −
2
1
(respectivement 𝑃𝑥 = lim ∑𝑁−1
𝑘=−𝑁|𝑥(𝑘)|² < ∞ )
𝑁→+∞ 2𝑁
3.2.1. L’auto corrélation temporelle-inter corrélation
Avec les définitions précédentes, des problèmes de convergence des intégrales et des sommes se
posent. Ainsi les fonctions d’auto corrélation et d’inter corrélation des signaux à puissance finie sont
définies autrement.
L’inter corrélation entre les signaux x(t) (respectivement x(k)) et y(t) (respectivement y(k)) est :
𝑇
1
𝑅𝑥𝑦 (𝜏)= lim 𝑇
∫2𝑇 𝑥(𝑡). 𝑦 ∗ (𝑡 − 𝜏)𝑑𝑡
𝑇→+∞ −
2
1
respectivement 𝑅𝑥𝑦 (𝑗)= lim ∑𝑁−1 ∗
𝑘=−𝑁 𝑥(𝑘). 𝑦 (𝑘 − 𝑗)
𝑁→+∞ 2𝑁
L’inter corrélation est également notée

𝑅𝑥𝑦 (𝜏)=𝑥(𝑡). 𝑦 ∗ (𝑡 − 𝜏) (respectivement 𝑅𝑥𝑦 (𝑗)=𝑥(𝑘). 𝑦 ∗ (𝑘 − 𝑗)
• La dimension est V² ou A².
• L’auto corrélation 𝑅𝑥𝑥 est obtenue lorsque y(t)=x(t) dans les formules précédentes.
3.2.2. Auto corrélation temporelle des signaux périodiques

L’auto corrélation temporelle des signaux périodiques se calcule sur une seule période.
𝑇
1
𝑅𝑥𝑥 (𝜏)= lim ∫ 𝑥(𝑡). 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡
2
𝑇
𝑇→+∞ 𝑇 −
2
1
(respectivement 𝑅𝑥𝑥 (𝑗)= 𝑁 ∑𝑁−1 ∗
𝑘=0 𝑥(𝑘). 𝑥 (𝑘 − 𝑗))
Où T est la période pour x(t) et N la période de x(k).
L’auto corrélation d’un signal périodique est elle-même périodique de même période que le signal.
Par définition, le signal périodique ressemble parfaitement à lui-même décalé d’une ou plusieurs
périodes.
3.3. Densités spectrales

Elles sont des transformées de Fourier des fonctions de corrélation. Elles définissent la répartition
de l’énergie ou de la puissance d’un signal en fonction de la fréquence.
3.3.1. Densité spectrale des signaux à énergie finie

On considère le signal x(t) à énergie finie dont la fonction d’auto corrélation est
+∞
𝑅𝑥𝑥 (𝜏)=∫−∞ 𝑥(𝑡). 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡 .
En appliquant la TF à 𝑅𝑥𝑥 (𝜏), on a :

+∞
TF {𝑅𝑥𝑥 (𝜏)} = TF { ∫−∞ 𝑥(𝑡). 𝑥 ∗ (𝑡 − 𝜏)𝑑𝑡}
En posant u=-t, on a :
+∞
TF {𝑅𝑥𝑥 (𝜏)} = TF { ∫−∞ 𝑥(−𝑡). 𝑥 ∗ (−𝑡 − 𝜏)𝑑𝑡}
=TF {𝑥(−𝑡) ∗ 𝑥 ∗ (−𝑡)}
=𝑋(𝜔). 𝑋 ∗ (𝜔)
=|𝑋(𝜔)|²
TF {𝑅𝑥𝑥 (𝜏)} = Φ𝑥𝑥 (𝜔).
Φ𝑥𝑥 (𝜔)= TF {𝑅𝑥𝑥 (𝜏)} = |𝑋(𝜔)|²
3.3.1.1. Théorème de Wiener Kintchine

La TF d’auto corrélation d’un signal à énergie finie est la densité spectrale d’énergie DES et
s’exprime en V²s/Hz ou A²s/Hz.
𝑻𝑭
𝑹𝒙𝒙 (𝝉)⇔ 𝚽𝒙𝒙 (𝝎)= |𝑿(𝝎)|² = DES
On parle de la densité interspectrale d’énergie Φ𝑥𝑦 (𝜔) pour 2 signaux x(t) et y(t) à énergie finie.
𝑇𝐹
𝑅𝑥𝑦 (𝜏)⇔ Φ𝑥𝑦 (𝜔) = TF { 𝑥 ∗ (−𝑡) ∗ 𝑦(𝑡)}
= 𝑋 ∗ (𝜔). 𝑌(𝜔) où 𝑋(𝜔)=TF{x(t)} et 𝑌(𝜔)= TF {y(t)}
3.3.1.2. Propriétés
1- Par transformée de Fourier inverse de la DES, on a :

+∞ 𝑑𝜔
𝑅𝑥𝑥 (𝜏)=∫−∞ |𝑋(𝜔)|²𝑒 𝑗𝜔𝜏 2𝜋
+∞ 𝒅𝝎
𝑹𝒙𝒙 (𝟎)=∫−∞ |𝑿(𝝎)|² 𝟐𝝅 = 𝑬𝒙 énergie de x(t)
2- La densité spectrale d’énergie Φ𝑥𝑥 (𝜔) est indépendante de la phase du signal donc
insensible à tout retard du signal donc insensible à tout retard du signal.
𝑹𝒙𝒙(𝒕) (𝝉)= 𝑹𝒙𝒙(𝒕→𝒕₀) (𝝉)
3.3.2. Densité spectrale de puissance DSP des signaux à puissance finie
La TF de la fonction d’auto corrélation temporelle d’un signal à puissance finie est la densité
spectrale de puissance (DSP) dont la dimension est V²/Hz ou A²/Hz.
𝑇𝐹 +∞
𝑅𝑥𝑥 (𝜏)⇔ Φ𝑥𝑥 (𝜔) = ∫−∞ 𝑅𝑥𝑥 (𝜏)𝑒 −𝑗𝜔𝜏 𝑑𝜏
1
= lim |𝑋(𝜔, 𝑇)|²
𝑇→+∞ 𝑇
1
Φ𝑥𝑥 (𝜔) = lim |𝑋𝑇 (𝜔)|² est la DSP.
𝑇→+∞ 𝑇
NB : 𝑋𝑇 (𝜔) = 𝑋(𝜔, 𝑇) c’est-à-dire TF de x(t) limité à une durée T.
• Puissance moyenne du signal est

1 ∞ +∞ 𝑑𝜔
𝑅𝑥𝑥 (0)= 𝑃𝑥 = lim 𝑇
∫−∞|𝑥(𝑡)|²𝑑𝑡 = ∫−∞ Φ𝑥𝑥 (𝜔) 2𝜋
𝑇→+∞
Pour les signaux périodiques qui sont à énergie infinie, on calcule dans ce cas la puissance sur une
période T₀. Avec le développement en série de Fourier, on a la puissance moyenne
1 𝑇₀
P = 𝑇₀ ∫0 𝑥 ∗ (𝑡). 𝑥(𝑡)𝑑𝑡 = ∑+∞
𝑛=−∞|𝑋(𝑛)|² où X(n) représente les coefficients complexes de la série
de Fourier de x(t) périodique.
Avec le théorème de Parseval, on a alors

𝟏 𝑻₀ +∞ 𝒅𝝎
P= ∑+∞
𝒏=−∞|𝑿(𝒏)|² = ∫𝟎 |𝒙(𝒕)|²𝒅𝒕 = ∫−∞ 𝚽𝒙𝒙 (𝝎)
𝑻₀ 𝟐𝝅
3.4. Exercices
Exercice 3.1:
𝑡
On considère x(t)=Rect (𝑇)
Trouver la fonction d’auto corrélation 𝑅𝑥𝑥 (𝜏).
Exercice 3.2 : Système.

Considérons un système linéaire dont la réponse impulsionnelle est donnée par :
1 𝑠𝑖 0 < 𝑡 < 𝑇
ℎ(𝑡) = { .
On alimente ce système par un processus aléatoire x(t) dont la fonction d’autocorrélation est donnée
1 2𝜋
par : 𝑅𝑥 (𝜏) = 𝑇 2 𝛿(𝜏) + cos ( 𝑇 𝜏) où T est une constante positive.
1) Trouver la densité spectrale de la sortie |𝑌(𝜔)|².
2) En déduire la fonction d’autocorrélation 𝑅𝑦 (𝜏) de y(t).
Exercice 3.3: Autoccorelation

−A si − ∆t < 𝑡 < 0
0 si t = 0
Considérant le signal x(t) défini comme suit : x(t) = { +A si 0 < 𝑡 < ∆𝑡
0 si |t| ≥ ∆t
On demande :
1. esquissez x(t). 0,5 pts
2. calculez sa fonction d’autocorrélation pour les valeurs particulières suivantes
τ= 0, τ = ±∆t, τ = ±2 ∆·t. 2,5 pts
3. esquissez la fonction rxx(τ). 1 pts
FIN DU CHAPITRE 3
Chapitre 4 : Analyse des signaux numériques
Introduction
Un signal numérique est un signal à temps discret et à valeurs discrètes. Le passage du signal
analogique au signal numérique nécessite deux ruptures de continuité :
- en temps, c’est l’échantillonnage ;
- en amplitude, c’est la numérisation ou la quantification.
Soit par exemple un convertisseur analogique numérique (CAN) traitant des mots de 8 bits ; un
signal quantifié par ce convertisseur prendra une valeur discrète.
4.1. Transformation en Z : TZ
C’est un outil largement utilisé pour l’étude des systèmes de traitement numérique du signal. Elle
permet de décrire aisément les signaux à temps discret et la réponse des systèmes linéaires invariants
soumis à des entrées diverses.
4.1.1. Définition de la transformée en Z

La transformée en Z d’un signal à temps discret s(n) est définie par
S(z)=∑+∞
𝒏=−∞ 𝒔(𝒏)𝒛⁻ⁿ où S(z) ∈ ℂ, z ∈ ℂ
Exemple : On calcule la TZ de s(n).

Si s(n)=𝛿(𝑛) alors S(z)= ∑+∞ 0
𝑛=−∞ 𝛿(𝑛)𝑧⁻ⁿ = z =1
On parle région de convergence (dans le plan complexe pour définir l’intervalle auquel appartient
z) pour la transformée en z TZ de s(n)
4.1.2. Description générale d’une région de convergence

D’une manière générale, la région de convergence est toujours un anneau c’est-à-dire elle est définie
pour l’ensemble des points z tels que r1<|𝑧|<r2 où r1 peut être nul et r2 peut être infini.
Exemple 2 :
Soit le signal s(n)=𝑎𝑛 Γ(𝑛) .

Trouver la TZ S(z) en précisant la région de convergence
Solution 2:
S(z)= ∑+∞
𝑛=−∞ 𝑠(𝑛)𝑧⁻ⁿ
+∞
= ∑𝑛=−∞ aⁿΓ(𝑛)𝑧⁻ⁿ
Γ(𝑛) = 1 𝑠𝑖 𝑛 ≥ 0
{
Γ(𝑛) = 0 𝑠𝑖 𝑛 < 0
+∞ 𝑎
S(z)= ∑+∞
𝑛=0 𝑠(𝑛)𝑧⁻ⁿ =∑𝑛=0( 𝑧 )ⁿ
1−(𝑎𝑧 −1 )𝑛+1
= lim
𝑛→+∞ 1− 𝑎𝑧 −1
𝟏
S(z) = 𝟏−𝒂𝒛−𝟏 si |𝒂𝒛−𝟏 | <1 donc |𝒛| > |𝒂|
4.1.3. Propriétés de la TZ
1- Linéarité
Soit S1(z)= TZ {s1(n)}, S2(z)= TZ {s2(n)} et s(n)=a s1(n)+ b s2(n)
On a: TZ{s(n)} =S(z)=a S1(z)+ b S2(z)
2- Décalage temporal:
TZ{s(n-k) =𝑧 −𝑘 .S(z) k indice temporal.
3- Produit et convolution direct

Si y(n)=x(n)∗h(n) alors y(n)= ∑+∞
𝑘=−∞ ℎ(𝑘)𝑥(𝑛 − 𝑘)
TZ{y(n)} = H(z).X(z) où H(z)=TZ{h(n)} et X(z)=TZ{x(n)}
4- Multiplication par an
𝑧
TZ {anx(n)} =X (𝑎) ou X(z)=TZ{x(n)}
5- Théorème de la valeur initiale c’est-à-dire à l’origine

x (0)= lim 𝑋(𝑧)
𝑧→∞
6- Théorème de la valeur finale

lim 𝑥(𝑛)=lim(𝑧 − 1)𝑋(𝑧) ou X(z)=TZ{x(n)}
𝑛→+∞ 𝑧→1
4.1.4. Transformée en z inverse

X(z)
Pour revenir à l’origine x(n) de X(z), on peut utiliser la décomposition en éléments simples de 𝑧
X(z)
soit ne possédant que des pôles simples.
𝑧
X(z) 𝑁(𝑧) 𝑁(𝑧)
= 𝐷(𝑧)= (𝑧−𝑝 )(𝑧−𝑝
𝑧 1 2 )…….(𝑧−𝑝𝑘 )
𝐴 𝐴2 𝐴
=𝑧−𝑝1 + 𝑧−𝑝 + …………+ 𝑧−𝑝𝑘
1 2 𝑘
𝑋(𝑧)
avec les 𝐴𝑖 = [(𝑧 − 𝑝𝑖 ). ]𝑧=𝑝𝑖
𝑧
NB : Il existe d’autres méthodes pour le calcul de la transformée inverse de z parmi lesquelles on

peut citer la méthode des résidus.
4.2. Relation entre la TZ et la TF

Soit 𝑥𝑎 (t) un signal analogique dont la TF est 𝑋𝑎 (j𝜔). Après échantillonnage de xa(t) à la période
d’échantillonnage Te, on obtient le signal x(n) dont la transformée en Z est liée à sa transformée de
Fourier par la relation :
𝑿𝒂 (j𝝎)= X(z) pour z=𝒆𝒋𝝎𝑻𝒆 .
4.3. Echantillonnage
4.3.1. Echantillonnage idéale

Soit un signal analogique 𝑥𝑎 (𝑡) dont la transformée de Fourier est définit par :
+∞
𝑋𝑎 (𝑗𝜔) = ∫ 𝑥𝑎 (𝑡)𝑒 −𝑗𝜔𝑡
−∞
On retrouve le signal temporel par la transformée de Fourier inverse :

+∞
𝑑𝜔
𝑥𝑎 (𝑡) = ∫ 𝑋𝑎 (𝑗𝜔) 𝑒 𝑗𝜔𝑡
−∞ 2𝜋
Un signal a temps discret 𝑥(𝑛) dérivé d’un signal analogique 𝑥𝑎 (𝑡) consiste à prendre des valeurs
de 𝑥𝑎 (𝑡) , à des instants multiples d’une période fixe 𝑇𝑒 appelé période d’échantillonnage. En
utilisant le peigne de Dirac nous pourrons représenter l’opération d’échantillonnage par :
+∞
𝑥𝑒 (𝑡) = 𝑥𝑒 (𝑡). 𝛿𝑇𝑒 (𝑡) = 𝑥𝑎 (𝑡). ∑ 𝛿(𝑡 − 𝑘𝑇𝑒 )

𝑘=−∞
+∞
𝑥𝑒 (𝑡) = ∑ 𝑥𝑎 (𝑛𝑇𝑒 )𝛿(𝑡 − 𝑛𝑇𝑒 )

𝑛=−∞
On notera 𝑥(𝑛) = 𝑥𝑎 (𝑛𝑇𝑒 )

Si l’on apprend la transformée de Fourier de 𝑥𝑒 (𝑡) on a :
+∞
1
𝑇𝐹{𝑥𝑒 (𝑡)} = 𝑇𝐹{𝑥𝑎 (𝑡)} ∗ 𝑇𝐹 { ∑ 𝛿(𝑡 − 𝑛𝑇𝑒 )}
2𝜋
𝑛=−∞
+∞
1 2𝜋
𝑇𝐹{𝑥𝑒 (𝑡)} = 𝑋𝑎 (𝑗𝜔) ∗ ∑ 𝛿(𝜔 − 𝑛𝜔𝑒 )
2𝜋 𝑇𝑒
𝑛=−∞
+∞
𝜔𝑒
𝑋𝑒 (𝜔) = ∑ 𝑋𝑎 (𝜔 − 𝑛𝜔𝑒 )
2𝜋
𝑛=−∞
On constate donc que le signal échantillonné 𝑋𝑒 (𝑡) a un spectre qui correspond à la périodisation
du spectre |𝑋𝑎 (𝜔)| de 𝑥𝑎 (𝑡) à un facteur près : par conséquent si le support du spectre de 𝑥𝑎 (𝑡) de
l’intervalle fermée [−𝐵 , 𝐵] et que la fréquence d’échantillonnage est suffisamment grande, nous
pouvons retrouver 𝑋𝑎 (𝜔) en effectuant un filtrage passe-bas. En effet dès que la fréquence
2𝜋
d’échantillonnage 𝜔𝑒 = 𝑇 ≥ 2𝐵, les parties 𝑋(𝜔 − 𝑛𝜔𝑒 ) n’auront pas d’interférence entre elles.
𝑒
4.3.2. Théorème d’échantillonnage de Shannon

Le spectre 𝑋𝑒 (𝜔) du signal numérique est composé d’une somme infinie de versions décalées du
spectre du signal analogique. Il est donc possible de retrouver le signal à temps continue si tous
les éléments sommés ne se recouvrent pas.
Si le signal analogique est à bande limite c’est-à-dire si sa transformée de Fourier a temps continue
2𝜋
𝑋𝑎 (𝜔) est nul pour |𝜔| > 𝜔𝑚𝑎𝑥 , il n’y a pas recouvrement des spectres décalés pour 𝜔𝑚𝑎𝑥 < 𝑇 −
𝑒
𝜔𝑚𝑎𝑥
𝜋
On obtient alors 𝜔𝑚𝑎𝑥 < 𝑇𝑒
𝟐𝝎𝒎𝒂𝒙 𝟏
< 𝒊𝒆 𝒇𝑵 < 𝒇𝒆 𝒂𝒗𝒆𝒄 𝒇𝑵 = 𝟐𝒇𝒎𝒂𝒙
𝟐𝝅 𝑻𝒆
𝑓𝑁 est la fréquence limite d’échantillonnage ou encore appelé fréquence de Nyquist.

Si la fréquence 𝑓𝑒 d’échantillonnage est suffisamment grande on retrouve 𝑋𝑎 (𝜔) (𝑥𝑎 (𝑡)) en
effectuant un filtrage passe-bas du signal numérique.
𝒙𝒆 (𝒏𝑻𝒆 ) = 𝒙(𝒏) (𝑿𝒆 (𝝎))
4.3.3. Interprétation physique

Dans la pratique on ne peut pas se contenter de prendre une fréquence d’échantillonnage égale à la
fréquence de Nyquist. Il faut en prendre une largement supérieure : par exemple pour numériser la
parole dans le réseau téléphonique on utilise une fréquence d’échantillonnage 𝑓𝑒 = 8 𝑘𝐻𝑧 alors que
le spectre de la voix est en général compris entre 300 𝐻𝑧 et 3400 𝐻𝑧.
Remarque : Lorsque la fréquence d’échantillonnage n’est pas assez rapide, il y a un phénomène de
recouvrement du spectre appelé aussi repliement du spectre ou aliasing.
4.4. Reconstruction
Lorsque la fréquence d’échantillonnage est suffisamment grande, on peut retrouver le signal original
par un filtrage passe-bas. D’un point de vue fréquentiel le filtre devra avoir la forme suivante :
𝜔
𝐻(𝜔) = 𝑇𝑒 𝑅𝑒𝑐𝑡( )
2𝐵
Le facteur 𝑇𝑒 permet de retrouver exactement le signal de départ. B est la fréquence supérieure de
la bande limitée.
Nous aurons en effet
𝑋𝑎 (𝜔) = 𝑋𝑒 (𝜔)𝐻(𝜔)
+∞
1
= ∑ 𝑋𝑎 (𝜔 − 𝑛𝜔𝑒 ) 𝐻(𝜔)
𝑇𝑒
𝑛=−∞
Dans le domaine temporel on a :

𝑥𝑎 (𝑡) = 𝑥𝑒 (𝑡) ∗ ℎ(𝑡)
Trouvons 𝑥𝑒 (𝑡) et ℎ(𝑡)
+∞
−1
1
𝑥𝑒 (𝑡) = 𝑇𝐹 { ∑ 𝑋𝑎 (𝜔 − 𝑛𝜔𝑒 )}
𝑇𝑒
𝑛=−∞
+∞
= ∑ 𝑥𝑎 (𝑛𝑇𝑒 ) 𝛿(𝑡 − 𝑛𝑇𝑒 )

𝑛=−∞
𝐵𝑇𝑒
ℎ(𝑡) = 𝑇𝐹 −1 {𝐻(𝜔)} = 𝑆 (𝐵𝑡)
𝜋 𝑎
On peut trouver pour 𝑥𝑎 (𝑡) l’expression suivante :
+∞
𝐵𝑇𝑒
𝑥𝑎 (𝑡) = ∑ 𝑥𝑎 (𝑛𝑇𝑒 )𝛿(𝑡 − 𝑛𝑇𝑒 ) ∗ 𝑆𝑎 (𝐵𝑡)
𝜋
𝑛=−∞
Cette formule de 𝑥𝑎 (𝑡) est une formule d’interpolation temporelle qui nous permet de retrouver le
signal 𝑥𝑎 (𝑡) à partir de ses échantillons.
Remarque : Au lieu de prendre un filtre qui coupe au niveau de la fréquence maximale B du signal.
On peut prendre un filtre qui coupe en fonction de la fréquence d’échantillonnage. Nous aurons
alors
𝜔
𝐻(𝜔) = 𝑇𝑒 𝑅𝑒𝑐𝑡 ( )
𝜔𝑒
Par conséquent
+∞
𝜔𝑒
𝑥𝑎 (𝑡) = ∑ 𝑥𝑎 (𝑛𝑇𝑒 ) 𝑆𝑎 ( (𝑡 − 𝑛𝑇𝑒 ))
2
𝑛=−∞
4.5. Formule de Poisson

Soit une fonction 𝑥(𝑡), un signal quelconque. La fonction 𝑥𝑝 (𝑡) = ∑+∞
𝑘=−∞ 𝑥(𝑡 − 𝑘𝑇0 ) est une
fonction périodique.
Notons 𝑋(𝜔) La Transformée de Fourier de 𝑥(𝑡)
La formule de Poisson pour la formule périodique 𝑥(𝑡) s’écrit :
+∞ +∞
𝟏
𝒙𝒑 (𝒕) = ∑ 𝒙(𝒕 − 𝒌𝑻𝟎 ) = ∑ 𝑿(𝒌𝝎𝟎 )𝒆𝒋𝒌𝝎𝟎 𝒕
𝑻𝟎
𝒌=−∞ 𝒌=−∞
2𝜋
où 𝜔0 = 𝑇0
En particulier si on note 𝑋𝑝 (𝑛) les coefficients complexes de la série de Fourier de la fonction

𝑥𝑝 (𝑡) alors nous aurons
𝟏
𝑿𝒑 (𝒏) = 𝑿(𝒏𝝎𝟎 )
𝑻𝟎
⇒ 𝑿(𝝎) = 𝑻𝟎 𝑿𝒑 (𝒏)| 𝝎
𝒏=
𝝎𝟎
Remarque : La formule de Poisson est valable même si la fonction 𝑥(𝑡) n’a pas un support
−𝑇 𝑇
exactement compris entre [ 2 0 ; 20 ].
Exercices
Exercice 4.1 :
Soit un signal analogique 𝑥𝑎 (𝑡) = 5sin(𝜋𝑡) avec −2 ≤ 𝑡 ≤ 2
1- Trouver la fréquence de Nyquist 𝑓𝑁 .
2- En prenant comme fréquence d’échantillonnage 𝑓𝑒 = 4𝐻𝑧 représenter le signal analogique
𝑥𝑎 (𝑡) et le signal 𝑥𝑒 (𝑡) résultant de l’échantillonnage de 𝑥𝑎 (𝑡) .
Exercice 4.2 : Modulation d’amplitude.
1. Calculer la transformée de Fourier F(ω) du signal f(t) = m(t).cos(ω0t) en fonction de la

transformée de Fourier M(ω) de m(t).
On suppose que le spectre d’amplitude de M(ω) est à support borné (c’est à dire que le
module de M(ω) =0 pour |ω| ≥ b). Sa représentation est donnée à la figure 3.1.
On suppose que ω0 ≥ b.
2. Représenter le spectre d’amplitude de F(ω).

3. Donner la transformée de Fourier G(ω) de g(t) = f(t).cos(ω0t).
4. a. Représenter le spectre d’amplitude de G(ω).
b. Comment faudrait-il faire pour retrouver le spectre d’amplitude de M(ω) ?
5. Reprendre les questions 2 à 4 pour ω0 < b.
Figure 3.1
Exercice 4.3 :
Système de traitement des signaux
Considérez le système suivant de la figure 1.1:

NB : Lorsqu’on demande de tracer des spectres d’amplitude, il est indispensable d’indiquer les
fréquences importantes ainsi que les amplitudes remarquables.
1) A quelle fréquence faudrait-il échantillonner le signal x(t) pour qu’on puisse retrouver le
signal original à partir de ses échantillons ?
2) Faites les graphiques des spectres d’amplitude des transformées B(ω) et C(ω), en indiquant
les amplitudes et les fréquences importantes sachant que 2ω1 ≥ ω2 et que B = -1,1(ω1 –
ω2).
3) Le signal d(t) correspond à l’échantillonnage du signal c(t) avec une fréquence ωe =
2B. Pourra-t-on reconstruire le signal c(t) exactement ? Justifier votre réponse.
4) Pourra-t-on reconstruire le signal b(t) exactement à partir de d(t) ? Justifier votre réponse.
Figure 1.1
FIN DU CHAPITRE 4
--
)' .~<-( s·
·ift~·
tr.>iv~ (iD f--__...
'11
- 1
-
-f-----+.-~_.._._--~.-!.c.. · ___ JI··~_ " - 4 -...' - _ b.... __.__.. _. ___~_". '"
o ~~1W(~3(tcr(.. ~Gl·~it ~(f)Jw.,

-1~if'
1. ChaÎne de traiternent numérique
1
Une ~haÎne de traite ment numérique a la stnlctllre suivante:
Sign\'1 analogique
r:
d'anttée Séquence SignaJ analog;qàe
L,
de sortie de sortie .
L~"'L,
1
1 ~I
~t)
,.---_--, {Y,J Ye(t)' y(t )
--JIo
f!hfe
€ - +-& Fihre
IIrIU-n!p/ioment
L-.----.----.,.../_______ --.......J de lissage
'-------v------' L_ _ ~--..". / ______ -.J
ACQUISITION TRAITEMENT RESTITUTION

NUMERIQUE
, . .
. "1-"--"---·"'-'--
i
1
L'~hahtilloline",r blO<lueur associé au CAN effectuent les opérations d'échantillon_nage

et de quantihtatipll, Les nombres issus du CAN sont par exemple codés sur 8 bitS, Le i
C~ effeçtuè les opérations de dénumé~sation et de blocage, il fournit un signal en
"marches d'escalier". Le filtre de lissage restitue un signal où on a atténué les "marches
d'escalier", ' .
Le filtre and-repliement sert à éliminer les signaux d'entrée (signaux parasites, bruit)
qui ne respectent pas la condition de Shanon.
~~Fa)~r~~
. Â f. 13 _ 1o/.!J , ..,. --1/9 _
1-1-1 -1- 041 1 4 -$-1 4-~"i1
)" ~~ ~~/
/-ft ri) J-ft, (:J)
, )'
- / Ci- 1
H(jI~ ~~_ ~fl= tJCiW)

4- o(.2J Jà?Jw,e
+-l (J W t d' w e) :=.. 1-} (ff'w)
l+
. (w)' -;: - 1 ---__~,""__
(l1"/Of - 'O(lf~W'T~ .
If~{lQJlW))7- ~ ~ (-. ~~ ,4vlc CA) T~ .)

Dt2 Ccn vv~~ ~ 4- /'
Chapitre
4 Traitement du signal numérique
4
Le traitement numérique de l’information apporte de nombreux avantages
techniques ainsi qu’une flexibilité accrue dans beaucoup de domaine. Le traitement du signal par
transformée de Fourier pose cependant un certain nombre de problèmes. En effet un ordinateur ne
peut traiter que des signaux numériques, ceux-ci sont obtenus après un échantillonnage et une
quantification. Leur étude devra tenir compte des effets induits sur le spectre par ces deux techniques.
De plus, un calcul de transformée de Fourier est une somme d’une infinité d’échantillons. Le temps
nécessaire ainsi que la mémoire de l’ordinateur vont forcément emmener certaines contraintes à ce
niveau.
4.1 Transformée de Fourier d'un signal discret
4.1.1 Définition
Un signal discret est défini par une suite d’échantillons espacés entre eux d’une période Te. La
transformée de Fourier appliquée à un signal discret x[n] devient donc :
+∞ nf
-2 jπ
X(f) = ∑ x[n] ⋅ e
n →- ∞
Fe
Si cette série converge, la transformée de Fourier inverse est définie par :

Fe / 2 nf
1 2 jπ
∫ X(f) ⋅ e Fe
x[n] =
Fe − Fe / 2
Remarques :
On vérifie bien que X(f) est une fonction périodique de période Fe (à cause de
l’échantillonnage). Si on remplace f par ( f + k.Fe ) :
n ( f+k.Fe ) nf nk.Fe nf
-2 jπ -2 jπ -2 jπ -2 jπ
e Fe
=e Fe
+e Fe
=e Fe
4.1.2 Propriétés
x[n] X(F)
Linéarité α.x(n) + β.y(n) α.X(f) + β.Y(f)

kf
−2 jπ
Translation x(n- k ) e Fe
X(f)
e 2 jπ nf0 x(n) X(f- f 0 )
Convolution x(n) ∗ y(n) S(f)iR(f)
s(t)ir(t) S(f) ∗ R(f)

4.2 Transformée de Fourier discrète
4.2.1 Fenêtrage
Avec un ordinateur, il est impossible de calculer la transformée de Fourier d’un signal discret.
En effet il faudrait un temps et une mémoire infinis Pour ces raisons, on est toujours amené à travailler
avec un nombre fini de points N. Cela revient à dire que les signaux exploités numériquement sont
toujours une troncation de signaux réels.
On construira donc un signal tronqué xT[n]. Il résulte de la multiplication des échantillons de
x[n] par une fenêtre d'analyse (ou encore fenêtre de troncature) qui limitera xT[n] à N échantillons. En
pratique, on calcule donc :
N-1 nf
-2 jπ
X T (f) = ∑ x T [n] ⋅ e Fe
n =0
La fenêtre d’analyse est définie par une suite d’échantillons y[n] tels que :
 x T [n] = y[n].x[n] pour 0 ≤ n ≤ ( N-1)

 x T [n] = 0 pour n < 0 et n > ( N-1)
Mais le fait de tronquer un signal peut notablement affecter son spectre.
Exemple : troncation d’une sinusoïde par un fenêtrage rectangulaire.

t
Soit x(t) = S cos ( 2πf 0 t ) et y(t) = rect  
T
S
On sait que X ( f ) = [ δ(f- f 0 )+δ(f+ f 0 )] et que y ( f ) = T sinc(Tf)
2
Donc si on effectue la troncation de x(t) sur une durée T :
xT ( t ) = x ( t ) ⋅ y ( t )
XT ( f ) = X ( f ) ∗ Y ( f )
X(f)
x(t)
S/2
S
TF
f
T0 t -f0 f0
y(t) Y(f)
T
1
t f
-T/2 T/2 -3 -2 -1 1 2 3
T T T T T T
XT(f)
xT(t) 1/T
TS/2
S
t f
-f0 f0
Remarques :
On constate que le fait de tronquer le signal tend à élargir les raies contenues dans le
spectre. Plus la fenêtre sera large, plus les raies seront étroites et tendront vers les Dirac originaux.
On le conçoit aisément dans le domaine temporel puisque plus la fenêtre est large et plus le signal
tronqué se rapproche du signal d’origine.
Si on ne conserve qu’une période (environ) de la sinusoïde, les deux sinus cardinaux se
chevaucheront bien avant d’avoir atteint des amplitudes négligeables. Ainsi, plus on voudra une
résolution importante en fréquence plus il faudra conserver un nombre important de périodes
temporelles du signal à analyser… La qualité de la représentation spectrale sera d'autant plus grande
que la période d'acquisition T sera longue.
La fenêtre rectangulaire n'est pas forcément la meilleure. Dans le domaine temporel, elle
interrompt brusquement le signal à ces extrémités générant artificiellement des hautes fréquences.
Dans le domaine fréquentiel, la fonction sinc a des lobes non négligeables loin de f = 0 qui déforme le
spectre.
Afin de compenser ces défauts, toute une série de fenêtres ont été imaginées. Aucune n'est
idéale, toutes ont leurs qualités et défauts suivant les applications voulues.
Par exemple, la fenêtre de Hanning présente dans le domaine fréquentiel des lobes
secondaires qui deviennent vite négligeables, mais au prix d'un lobe principal plus large. Ainsi, le
spectre sera moins précis au voisinage de f0 mais moins bruité dans les hautes fréquences.
y(t) Y(f)
T
1
TF
t f
-T/2 T/2 -3 -2 -1 1 2 3
T T T T T T
4.2.2 Echantillonnage en fréquence

En fait, lorsque l’on veut pouvoir représenter le spectre XT(f), il faut calculer XT(f) pour toutes
les valeurs de f (f est une variable continue). Ceci est impossible avec un ordinateur ou un DSP qui ne
peuvent traiter que des valeurs de f discrètes. Comme XT(f) est périodique de période Fe, on découpe
donc cet intervalle en M parties égales et on ne calcule XT(f) que pour les multiples de Fe/M : on
effectue un échantillonnage fréquentiel de pas ∆f = Fe/M.
On remplace donc f par ∆f et le calcul de la transformée de Fourier devient :

N-1 n.k.∆ f
-2 jπ
X T [ k ] = ∑ x T [n] ⋅ e Fe
pour k = [0, 1, 2,…., M-1]
n =0
N-1 n.k
X T [ k ] = ∑ x T [n] ⋅ e
-2 jπ
M
pour k = [0, 1, 2,…., M-1]
n =0
On vient ainsi d'introduire la transformée de Fourier discrète.
Le problème réside dans le choix du pas d’échantillonnage en fréquence et donc du choix de

M. En effet, le fait d’échantillonner en fréquence revient à périodiser dans le domaine temporel la
partie du signal qui a été tronquée :
+∞ TF-1 +∞
 r 
XT [ k ] = ∑ X T (f).δ ( f − k .∆ f ) ∑x T (t).δ  t- 
k →−∞ r →−∞  ∆f 
Ainsi, suivant le choix de ∆f, plusieurs cas peuvent se présenter lors de la reconstitution du
signal dans le domaine temporel à partir de son spectre échantillonné :
∆f > 1/T : La résolution spectrale ∆f est trop grande. On a un recouvrement dans le domaine
temporel. C'est un peu Shannon à l'envers : si on choisit une résolution spectrale trop grande,
on ne peut pas reconstituer le signal dans le domaine temporel correctement.
xT(t)
1 T t
∆f
recouvrement
∆f < 1/T : Il n’y aura plus de repliement temporel, mais des intervalles durant lesquels le
signal dont on calcule le spectre sera nul…
xT(t)
1
∆f
T t
∆f = 1/T : On a un signal périodique idéal. On périodise la fenêtre temporelle choisie avant le

calcul spectral.
xT(t)
T t
1
∆f
En pratique, on choisira donc toujours ∆f de telle sorte à avoir ∆f = 1/T.

Fe F 1
Comme T = N.Te et ∆ f = , on en déduit que e = ⇒M=N :
M M N.Te
Ainsi, la définition de la transformée de Fourier discrète devient :
N-1 n.k
X T [ k ] = ∑ x T [n] ⋅ e
-2 jπ
N
pour k = [0, 1, 2,…., N-1]
n =0
Remarques :
A Fe fixe, plus la durée d’acquisition sera longue et plus la résolution en fréquence sera fine.
A N fixe, plus Fe sera importante et plus la condition de Shannon sera respectée mais moins
la résolution en fréquence sera fine et la durée d’acquisition longue.
4.3 Notion de transformée de Fourier rapide
Pour obtenir une valeur particulière de XT[k], il faut par exemple :
Pour n = 0 :
X T [ k ] = ( x T [0] • cos ( 0 ) - x T [0] • jsin ( 0 ) )
2 produits complexes et 1 somme complexes
Pour n = 1 :
  2πk   2πk  
X T [ k ] = ( x T [0] • cos ( 0 ) - x T [0] • jsin ( 0 ) ) +  x T [1] • cos   - x T [1] • jsin  
  N   N 
4 produits complexes et 3 sommes complexes
Pour n = N-1 :
2N produits complexes et 2(N-1) sommes complexes
Ainsi, pour obtenir les N valeurs de XT[k] il faut donc 2N2 multiplications et 2(N-1)N additions.
Par exemple, un signal où N=1024 échantillons (soit 1ko en mémoire si chaque échantillon est codé
sur 8 bits), le nombre de multiplications est de 2 097 152 et celui des additions de 2 095 104 !!!! On
arrive très vite à des temps de calcul très longs. Si ces durées ne sont pas gênantes pour des
traitement en temps différé, il n’en est pas de même en temps réel. En effet, plus le temps de calcul
sera important et plus la fréquence maximale du signal à analyser sera réduite (Shannon).
Pour pouvoir utiliser la transformée de Fourier discrète en temps réel, on dispose d’algorithmes
de calcul permettant d’obtenir les résultats beaucoup plus rapidement sous certaines conditions. Ces
algorithmes sont connus sous le nom de Transformée de Fourier Rapide (TFR) ou Fast Fourier
Transform (FFT). L'algorithme le plus connu est celui de Cooley-Tuckey.
4.3.1 Présentation à l’algorithme de Cooley-Tuckey

On pose :
N-1 -2 jπ
X [ k ] = ∑ x[n].WNnk avec WN = e N
n =0
Propriétés de WN :
-2 jπnk
WN2n k = e N/ 2
= WN/n k2
-2 jπ(nk+N/2)
WNnk+N/ 2 = e N
= − WNn k
La condition d’utilisation est d’avoir un nombre d’échantillons puissance de 2 : N=2m

Si on effectue un dédoublement temporel en séparant les indices paires et impaires :
 x1 [ n ] = x [ 2 n ]

 x 2 [ n ] = x [ 2 n+1]
En exploitant les propriétés de WN, on trouve alors :
 X [ k ] = X1[ k ] + WNk .X 2 [ k ]
N 
Pour 0 ≤ k ≤ -1
2  X  k +  = X1[ k ] − WNk .X 2 [ k ]
N
  2
Remarques :
Le coût de calcul passe de l’ordre de N2 à N log2 (N).
Annexe 1 : Transformée de Fourier d’un peigne de Dirac
+∞
δT (t)= ∑ δ(t- kT)
k →- ∞
La décomposition en série de Fourier donne :
+∞ +∞ t Te / 2
jn 2π 1
SdF δTe (t)  = ∑ Sn e jn 2π f e t
= ∑ Sn e Te
avec Sn = ∫ s(t) e − jn 2π fe t dt
-∞ -∞ Te -Te / 2
Te / 2 +∞
1
∫ ∑ δ(t- kT ) ⋅ e
− jn 2π f e t
d’où Sn = e dt
Te -Te / 2 k →- ∞
-T T 
sur  e , e  , δ T (t)=1 pour t = 0 et 0 ailleurs.
 2 2
1 − jn 2π fe t 1
donc Sn = e =
Te t =0
Te
donc la décomposition en série de Fourier du peigne de Dirac vaut :
+∞ +∞
1 jn 2π fe t 1
SdF δTe (t)  = ∑ e = ∑e jn 2π f e t
-∞ Te Te -∞
Comme TF  e  = δ(f+ f 0 ) :
−2 jπf 0 t
+∞
1
TF [ δT (t) ] = ∑ δ(f- k f )
e
Te k →- ∞
La transformée de Fourier d'un peigne de Dirac (en temps) est un peigne de Dirac (en
fréquence).
δTe(t) TF[δTe(t)]
1 1/Te
TF
t f
-3Te -2Te -Te Te 2Te 3Te -3fe -2fe -fe fe 2fe 3fe
Annexe 2 : Transformée de Fourier de la fonction porte
 t 1
1 pour T < 2
t 
rect ( )= 
T  t 1
0 pour >
 T 2
La transformée de Fourier donne :

+∞ T/ 2
 t  t
TF  rect( )  = ∫ rect( ) ⋅ e− j2π ft dt = ∫ e− j2π ft dt
 T  -∞ T -T/ 2
T/ 2
 t   1  1
d’où TF  rect( )  =  ⋅ e − j2π f t  =  e j2π f T/ 2 − e − j2π f T/ 2 
 T   - j2π f  -T/ 2 j2π f
 t  1  e − jπ f T − e jπ f T  1
TF  rect( )  =  = sin(π f T)
 T  πf  2j  πf
sin ( πt )
comme sinc(t) =
πt
 t 
TF  rect( )  = T sinc(Tf)
 T 
La transformée de Fourier d’une fonction porte est un sinus cardinal.
rec(t/T) Tsinc(Tf)
1 T
TF
t f
-T/2 T/2 -3 -2 -1 1 2 3
T T T T T T
6. Éléments d'analyse spectrale numérique
6.9. Exercices
TFD 0
1. Montrez que le passage de l'analogique vers le numérique se fait bien avec les
deux relations discrètes X[jk] et x[n] de la gure 6.3.
2. Considérant la suite de quatre valeurs x[n] = {0, 2, 4, 0}, calculez son spectre
X[jk]. Dessinez la suite x[n] et un signal analogique périodique x(t) lui cor-
respondant.
3. Calculez le signal périodique xF (t) correspondant à la suite x[n] au sens de

Fourier.
TFD 1
L'analyse spectrale, par la FFT, d'un signal x[n] constitué de N = 8 valeurs a

fourni le spectre discret XD [jk] partiellement donné dans le tableau ci-dessous.
1. Complétez le tableau sachant que fe = 1 [kHz].

2. Le signal temporel xN [n] est-il continu, discret, périodique ?
3. Que vaut xN [n = 0] ?
4. Quelle est l'expression de xN [n] ?
5. Tracez xN [n].
k 0 1 2 3 4 5 6 7 8 9 10
XD [jk] 4 2+j 3+2j j 2
|XD [jk]|
∠XD [jk]
f [kHz]
TFD 2 On souhaite calculer le spectre d'une impulsion rectangulaire de largeur

∆t = 3 [msec] et d'amplitude A = 5 [V]. Pour ce faire, on acquiert 8 points à la
fréquence fe = 1 [kHz].
1. Admettant que l'échantillonnage commence à l'apparition du anc montant,

dessinez x(t) et x[n]. Discutez les valeurs choisies pour x[n] lorsque n = 0 et
n = 3.
278 c 2006 freddy.mudry@heig-vd.ch

6.9. Exercices
2. Que vaut la durée d'acquisition tmax ?

3. Quel sera le domaine spectral analysé ; que vaudra l'incrément de fréquence
∆f ?
4. Calculez XD [jk] pour k = 0 et k = 2 ; quel est le domaine de variation du
compteur k des fréquences ?
5. Validez votre résultat en analysant la valeur de XD [jk = 0].
TFD 3 Considérant la suite de valeurs x[n] ci-dessous :
1. Esquissez x[n] et une fonction x(t) passant par ces points.
2. Calculez XD [jk] ; sa valeur dépend-elle de la longueur N = 2m de la suite ?
3. Qu'est ce qui change si on ajoute des zéros pour doubler le nombre d'échan-
tillons ?
n m m+1 ··· 3 2 1 0 +1 +2 +3 ··· +m1
x[n] 0 0 0 0 0.5 1 1 1 0.5 0 0 0
TFD 4 Considérant un signal x(t) = cos(2π 1000 t) + cos(2π 2000 t) échantillonné

pendant une période à la fréquence fe = 8 f0 :
1. Dessinez la suite de valeurs x[n].

2. Justiez les résultats du tableau ci-dessous fournis par la la FFT puis précisez
la relation existant avec ceux fournis par la décomposition en série de Fourier.
3. On échantillonne le signal x(t) sur 4 périodes ; que donnera la FFT ?
k 0 1 2 3 4 5 6 7
XD [jk] 0 4 4 0 0 0 4 4
TFD 5 On échantillonne avec une période d'échantillonnage Te = 1 [msec] une

exponentielle décroissante
x(t) = A exp(−t/τ ) (t)
où A = 5 [V], τ = 5 [msec].
1. Que vaut la densité spectrale X(jf ) du signal x(t) ?

2. Calculez la suite des valeurs x[n] ; exprimez la sous la forme x[n] = A · rn .
3. Calculez la TF Xe (jf ) de la suite inniment longue x[n].
c 2006 freddy.mudry@heig-vd.ch 279

4. On ne prend en compte que les 16 premières valeurs de la suite x[n] et on

annule les autres ; que vaut Xe,N (jf ).
5. Considérant la suite temporelle tronquée xN [n] avec N = 16, on discrétise l'axe
des fréquences. Que vaut l'incrément fréquentiel ? Calculez le spectre discret
XD [jk].
6. Que valent, pour chacun des spectres ci-dessus (X(jf ), Xe (jf ), Xe,N (jf ), XD [jk]),
les composantes spectrales lorsque f = 0 ?
AnSp 0 On considère le signal
x(t) = 1 + 5 sin (2πfa t) + 2 sin (2πfb t) , fa = 1 [kHz], fb = 1.5 [kHz]
1. Quelle est la période de ce signal ? Dessinez le spectre unilatéral de x(t). Que

valent Xdc et Xac ?
2. Son enregistrement a été eectué avec une période d'échantillonnage de 125
µsec pendant exactement 10 msec.
a) Quel sera le domaine d'analyse spectrale et sa résolution.
b) Pensez-vous devoir utiliser une fenêtre d'observation ? Si oui, laquelle

choisissez-vous et pourquoi ?
c) Les raies spectrales fournies par la FFT seront-elles situées aux fréquences
attendues ? Sinon, précisez la valeur de ces fréquences.
3. Idem 2), si l'enregistrement a duré exactement 11 msec.
AnSp 1 Lors de l'analyse spectrale d'un signal échantillonné x[n], les paramètres
N, Te , tmax et fe , ∆f sont reliés entre eux ; la donnée de deux d'entre eux sut
pour xer tous les paramètres de l'analyse. Rappelez ces relations puis complétez le
tableau ci-dessous.
N Te tmax ∆f fe
40 2 kHz
1 msec 50 Hz
50 10 msec
100 10 Hz
20 Hz 1 kHz
2 msec 1 sec
30 1 msec
5 msec 5 kHz
AnSp 2 On doit faire l'analyse spectrale numérique des signaux suivants
1 une sinusoïde 5 une impulsion triangulaire

2 une réponse indicielle 6 un signal chirp (wobulé)
3 une impulsion rectangulaire 7 une exponentielle décroissante
4 une suite d'impulsions rectangulaires 8 un signal triangulaire périodique

6.9. Exercices
Pour chacun des signaux :
1. Esquissez leur allure temporelle.
2. Choisissez-vous une fenêtre rectangulaire ou en cosinus ?
3. Précisez les raisons de votre choix.
AnSp 3 On considère ici le signal
x(t) = 3 + 4 cos(2πf0 t) + 2 sin(4πf0 t), f0 = 100 Hz
représenté à la gure 6.13 dont on a enregistré deux périodes. Sachant qu'on souhaite
obtenir numériquement son spectre X[jk], on l'échantillonne avec une période Te =
1 msec.
1. Dessinez les points échantillonnés x[n]. Quelle fenêtre faut-il utiliser avant
l'analyse spectrale ?
2. Que valent N, tmax , fe , ∆f ?

3. Quelles raies spectrales seront présentes ? Quel sera le nombre de valeurs spec-
trales analysées ?
4. Donnez les fréquences, les amplitudes et les phases de chaque valeur spectrale
X[jk], k = 0, · · · , N − 1.
5. Quel serait le résultat de l'analyse spectrale si l'on avait échantillonné six
périodes au lieu de deux ?
c 2006 freddy.mudry@heig-vd.ch 281

10
4
x(t)
−2
−4
0 2 4 6 8 10 12 14 16 18 20
temps [ms]
Fig. 6.13.: Ex AnSp 3

Bibliographie
[1] Randall R.B., Frequency Analysis, Brüel & Kjaer, 1987

[2] Frederic J. Harris : On the use of windows for harmonic analysis with DFT,
Proceedings of IEEE, vol. 66, no.1, january 1978
[3] Cooley J.W., Tukey J.W., An Algorithm for the Machine Calculation of Com-
plex Fourier Series, Mathematics of Computation, Vol. 19, April 1965
[4] Burrus C.S., Parks T.W., DFT/FFT and Convolution Algorithms. John Wiley
& Sons, New York, 1985
[5] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael
CA, 1992
283
Bibliographie

GEL 370 Traitement Du Signal Ver 0 No Séances BOKOVI

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

GEL 370 Traitement Du Signal Ver 0 No Séances BOKOVI

Transféré par

Droits d'auteur :

Formats disponibles

LP-CTT-GE Cours GEL 370_Traitement du Signal

Domaine : Sciences et Technologies

Enseignant responsable de l’UE :

DESCRIPTION DE L’UNITE D’ENSEIGNEMENT

OBJECTIFS DE L’UNTE D’ENSEIGNEMENT

Objectifs spécifiques : à la fin de l’UE, les apprenants seront capables de :

CONTENU DE L’UNITE D’ENSEIGNEMENT

Plan du contenu d’enseignement (parties, chapitres et sous-chapitres)

5 Idem Chapitre 2 : Analyse harmonique des signaux

signaux dans la gestion des Corrélation et autocorrélation (signaux à énergie finie et

Modalités d’évaluation : (période, type d’activité, organisation, etc.)

[1] F. de Coulon, Théorie et traitement des signaux, Dunod, Paris, 1984.

Chapitre1 : DESCRIPTION DES SIGNAUX

Un signal est la représentation physique de l’information qu’il convoie de sa source à son

Un bruit correspond à tout phénomène perturbateur gênant la transmission ou l’interprétation d’un

1.1.3. Rapport signal sur bruit

Exemple (Figure 1.1) : Un modulateur, un filtre, etc.

Figure 1.1 : Système linéaire.

1.2. Classification des signaux

1.2.1. La classification phénoménologique

On considère dans ce mode de classification la nature de l’évolution du signal en fonction du temps.

1.2.1.1. Signaux déterministes

1.2.1.2. Les signaux aléatoires

1.2.2. Classification énergétique

1.2.2.1. Moyenne d’un signal

1.2.2.2. Energie d’un signal

s(t) est un signal à énergie finie si et seulement si

Dans ce cas, on notera Es l’énergie de ce signal et son expression sera :

1.2.2.3. Puissance d’un signal

- la puissance instantanée du signal s(t) vaut |𝑠(𝑡)|² ;

1.2.2.4. Les signaux à énergie finie

✓ Signaux à énergie infinie :

1.2.2.5. Signaux à puissance finie

✓ Signaux à puissance moyenne infinie :

1.2.3. Classification morphologique

1.2.3.1. Signaux à temps continu ou discret

1.2.3.2. Signaux à valeurs continues ou discrètes (Figure 1.2)

- analogique : valeurs continues et paramètre continu ;

Figure 1.2 : Signaux à valeur continue et discrète

1.3. Les signaux particuliers

1.3.1. Les signaux particuliers analogiques

1.3.1.1. La rampe unitaire r(t) (Figure 1.3)

L’expression de la rampe unitaire est donnée par la relation suivante :

Figure 1.3 : Rampe unitaire

1.3.1.2. La fonction signe : sgn(t) (Figure 1.4)

Figure 1.4 : Signal signe.

Figure 1.5 : Echelon unitaire.

1.3.1.4. L’impulsion unitaire 𝜹(𝒕) : impulsion de Dirac (Figure 1.6)

Figure 1.6 : Impulsion de Dirac

Quelques propriétés de Dirac

• Identité ou produit de convolution

𝑥(𝑡 − 𝑡₁) ∗ 𝛿(𝑡 − t₀)= 𝑥(𝑡 − t₀ − 𝑡₁ ).

1.3.1.5. Le signal harmonique ou sinusoïdal (Figure 1.7)

s(t)= sin(t) est le signal harmonique.

Figure 1.7 : Signal sinusoïdal.

1.3.1.6. L’impulsion gaussienne (Figure 1.8)

Figure 1.8 : Impulsion gaussienne.

1.3.1.7. Le signal aléatoire x(t) (Figure 1.9)

Figure 1.9 : Signal aléatoire.

1.3.1.8. Le peigne de Dirac unitaire centré : tcha ш(t) (Figure 1.10)

Pour n = 0, ш(t)= 𝛿(𝑡) ; n = 1, ш(t)= 𝛿(𝑡 − 𝑇) ; n = 2, ш(t)= 𝛿(𝑡 + 𝑇) ; etc.

Figure 1.10 : Le peigne de Dirac

Figure 1.11 : Le signal rectangulaire.

Figure 1.12 : le signal triangulaire.