Académique Documents
Professionnel Documents
Culture Documents
SYLLABUS DU COURS
Cours Traitement du signal par Dr BOKOVI YAO, 1 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
- Examen final : Examen écrit après la séance 12. Le poids dans la validation de l’UE : 50%.
Bibliographie :
Cours Traitement du signal par Dr BOKOVI YAO, 3 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
1.1.2. Le 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.
Entrée Sortie
Système
Cours Traitement du signal par Dr BOKOVI YAO, 4 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
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.
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.
Avant d’aborder la classification énergétique, faisons quelques rappels sur l’énergie et la puissance.
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 :
Cours Traitement du signal par Dr BOKOVI YAO, 5 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
1 t₀ +𝑇
<s(t)> = 𝑇 ∫t₀ 𝑠(𝑡)𝑑𝑡
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
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.
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→∞
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.
Cours Traitement du signal par Dr BOKOVI YAO, 6 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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< ∞.
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 < +∞.
On distingue les signaux à variable continue des signaux à variable discrète ainsi que ceux dont
l’amplitude est discrète ou continue.
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.
Cours Traitement du signal par Dr BOKOVI YAO, 7 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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 :
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.
0, 𝑡 < 0
𝑟(𝑡) = {
𝑡, 𝑡 ≥ 0
Cours Traitement du signal par Dr BOKOVI YAO, 8 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
r(t)
4
1
t
-4 -3 -2 -1 1 2 3 4
-1
-2
-3
-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
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
Cours Traitement du signal par Dr BOKOVI YAO, 9 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
• 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).
• Translation
𝑥(𝑡) ∗ 𝛿(𝑡 − t₀)= 𝑥(𝑡 − t₀)
Cours Traitement du signal par Dr BOKOVI YAO, 10 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
• Changement de variable
𝛿(𝑎𝑡) = |𝑎−1 | ∙ 𝛿(𝑡)
1
En particulier : 𝛿(𝜔𝑡)= 2𝜋𝑓 𝛿(𝑡) avec 𝜔 = 2𝜋𝑓
s(t)
t
-2π -3π/2 -π -π/2 π/2 π 3π/2 2π
-1
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.
Cours Traitement du signal par Dr BOKOVI YAO, 11 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
ш(t) = ∑+∞
𝑛=−∞ 𝛿(𝑡 − 𝑛T) = δT(t) est l’expression u peigne de Dirac unitaire centré.
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
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
Cours Traitement du signal par Dr BOKOVI YAO, 12 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
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.
Cours Traitement du signal par Dr BOKOVI YAO, 13 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
r(k)
3
k
-3 -2 -1 1 2 3
Cours Traitement du signal par Dr BOKOVI YAO, 14 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
Cours Traitement du signal par Dr BOKOVI YAO, 15 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
x(k)
k
1 2 3 4
Figure 1.19: Signal exponentiel numérique.
- 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) .
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 :
Cours Traitement du signal par Dr BOKOVI YAO, 16 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
+∞ +∞
(g∗f)(t)=∫−∞ 𝑔(𝜏). 𝑓(𝑡 − 𝜏)𝑑𝜏 = (f∗g)(t)=∫−∞ 𝑓(𝜏). 𝑔(𝑡 − 𝜏)𝑑𝜏.
Interprétation
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 :
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
Cours Traitement du signal par Dr BOKOVI YAO, 17 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
+∞
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
Si x(k) et y(k) sont causals, x(i)=0 pour i<0 et y(k-i)=0 pour k<i alors
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
Figure 1.1 :
Cours Traitement du signal par Dr BOKOVI YAO, 18 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
Cours Traitement du signal par Dr BOKOVI YAO, 19 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
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
LP-CTT-GE Cours GEL 370_Traitement du Signal
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))
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).
Cours Traitement du signal par Dr BOKOVI YAO, 21 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
Solution 1 :
1- Coefficients complexes S(n)
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
Cours Traitement du signal par Dr BOKOVI YAO, 22 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
1 𝑛𝜋
𝑆(𝑛) = sin ( )
𝑛𝜋 2
1
𝑆(1) = = 𝑆(−1)
𝜋
𝟐
𝑷(𝟏) = 𝝅𝟐 = 𝟎. 𝟐𝟎𝟐 𝑾
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).
Figure 2.4 : Décomposition d’un signal quelconque en deux signaux pair et impair.
Cours Traitement du signal par Dr BOKOVI YAO, 24 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
6. Dérivation
+∞ +∞
7. Linéarité
+∞ +∞
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
Cours Traitement du signal par Dr BOKOVI YAO, 25 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
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
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
Cours Traitement du signal par Dr BOKOVI YAO, 26 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
• 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⟶+∞
Solution 6 :
𝑡
𝑠(𝑡) = 𝑅𝑒𝑐𝑡 ( )
𝜏
Expression du spectre d’amplitude |S(𝜔)| :
𝝎𝝉
|𝐒(𝝎)|= 𝝉 𝐬𝐢𝐧𝐜( )
𝟐𝝅
Cours Traitement du signal par Dr BOKOVI YAO, 27 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
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)
Cours Traitement du signal par Dr BOKOVI YAO, 28 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
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 :
Solution 7 :
Cours Traitement du signal par Dr BOKOVI YAO, 29 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
Tableau de variation
𝜔 -∞ 0 +∞
F’(𝜔) + -
4
𝛽²
F(𝜔)
0 0
Cours Traitement du signal par Dr BOKOVI YAO, 30 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
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
𝑬𝒚
𝜼= = 𝟎, 𝟗𝟖𝟔
𝑬𝒔
Cours Traitement du signal par Dr BOKOVI YAO, 31 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
Exercice 2.1 :
1
a) f (t ) • g (t ) F () G()
2
2
b) TF-1 = e . U(t ) sgn(t )
-3t
2
3 j −
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.
Cours Traitement du signal par Dr BOKOVI YAO, 32 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
Tableau 1.1
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 :
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).
Cours Traitement du signal par Dr BOKOVI YAO, 33 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
x (t ) a (t ) b (t ) y (t )
H ()
cos (6t) +
n = -
t - n
3
Figure 2.1.
Cours Traitement du signal par Dr BOKOVI YAO, 34 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
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)
Cours Traitement du signal par Dr BOKOVI YAO, 35 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
• 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).
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’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.
Cours Traitement du signal par Dr BOKOVI YAO, 36 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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
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)
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.
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.
Cours Traitement du signal par Dr BOKOVI YAO, 37 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
3.4. Exercices
Exercice 3.1:
𝑡
On considère x(t)=Rect (𝑇)
Trouver la fonction d’auto corrélation 𝑅𝑥𝑥 (𝜏).
FIN DU CHAPITRE 3
Cours Traitement du signal par Dr BOKOVI YAO, 38 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
S(z)=∑+∞
𝒏=−∞ 𝒔(𝒏)𝒛⁻ⁿ où S(z) ∈ ℂ, z ∈ ℂ
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)
Exemple 2 :
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
Cours Traitement du signal par Dr BOKOVI YAO, 39 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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.
4- Multiplication par an
𝑧
TZ {anx(n)} =X (𝑎) ou X(z)=TZ{x(n)}
4.3. Echantillonnage
+∞
𝑋𝑎 (𝑗𝜔) = ∫ 𝑥𝑎 (𝑡)𝑒 −𝑗𝜔𝑡
−∞
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
𝟐𝝎𝒎𝒂𝒙 𝟏
< 𝒊𝒆 𝒇𝑵 < 𝒇𝒆 𝒂𝒗𝒆𝒄 𝒇𝑵 = 𝟐𝒇𝒎𝒂𝒙
𝟐𝝅 𝑻𝒆
Cours Traitement du signal par Dr BOKOVI YAO, 41 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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=−∞
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.
Cours Traitement du signal par Dr BOKOVI YAO, 42 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
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=−∞
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) .
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.
Cours Traitement du signal par Dr BOKOVI YAO, 43 bokoviyao@gmail.com ENSI Université de Lomé
LP-CTT-GE Cours GEL 370_Traitement du Signal
On suppose que ω0 ≥ b.
Figure 3.1
Exercice 4.3 :
Système de traitement des signaux
Figure 1.1
FIN DU CHAPITRE 4
Cours Traitement du signal par Dr BOKOVI YAO, 44 bokoviyao@gmail.com ENSI Université de Lomé
--
)' .~<-( s·
·ift~·
tr.>iv~ (iD f--__...
'11
- 1
-
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
, . .
. "1-"--"---·"'-'--
i
1
l+
. (w)' -;: - 1 ---__~,""__
(l1"/Of - 'O(lf~W'T~ .
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
∫ 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)
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)
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
N-1 n.k
X T [ k ] = ∑ x T [n] ⋅ e
-2 jπ
M
pour k = [0, 1, 2,…., M-1]
n =0
+∞ 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
T t
1
∆f
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.
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
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
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
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.
TFD 1
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]|
∠XD [jk]
f [kHz]
3. Qu'est ce qui change si on ajoute des zéros pour doubler le nombre d'échan-
tillons ?
k 0 1 2 3 4 5 6 7
XD [jk] 0 4 4 0 0 0 4 4
où A = 5 [V], τ = 5 [msec].
c) Les raies spectrales fournies par la FFT seront-elles situées aux fréquences
attendues ? Sinon, précisez la valeur de ces fréquences.
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
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 ?
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 ?
10
4
x(t)
−2
−4
0 2 4 6 8 10 12 14 16 18 20
temps [ms]
[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