Sampling

+
Traitement du Signal Numérique pour Systèmes

Embarqués
Andrei Doncescu
andrei.doncescu@laas.fr
+
CLASSEMENT DES SIGNAUX :
Signal Analogique
n C'est un signal dont l'amplitude peut prendre toutes les
valeurs entre un minimum et un maximum (disons: – 10 volts
à + 10volts, par exemple).
n Ce signal est continu avec le temps: on peut le dessiner

d'un trait de crayon se déplaçant verticalement (axe des y)
sur une feuille de papier avançant régulièrement
horizontalement (axe des x).
+ CLASSEMENT DES SIGNAUX 3
Signaux Analogiques
n Les signaux périodiques x(t) = x(t+kT)
n Le signal sinusoidal est le plus représentatif de ces signaux périodiques:
n x(t) = A sin(2π t/T + a) = A Sin(ω t+a) ou ω = 2π /T = 2π f
n Les signaux à énergie finie
Les signaux à énergie finie sont ceux pour lesquels l'intégrale suivante
est bornée :

∫ | x(t) | 2 dt < ∞
n Ces signaux sont nommés de carré intégrable (sommable), leur puissance
moyenne est nulle.
n Les signaux à puissance moyenne finie non-nulle

+ 4
La fonction sinus/cosinus
n sin(t) est périodique de période 2π

n sin(2πt) est périodique de période 1

+ n Signaux de durée finie
5
n Signaux de durée limitée ou "support borné" : x(t) = 0 t ∉ T
n Signaux pairs et impairs
Un signal est pair si x(t) = x(–t) exemple : cos(ω t)
Un signal est impair si x(t) = –x(–t) exemple : sin(ω t)
Remarque Tout signal réel peut être décomposé : une partie "paire" et
une partie "impaire".
x(t) = xp(t) + xi(t)
n Signaux causals :
n Un signal est dit causal s'il est nul pour toute valeur négative du temps x(t) =
0 t< 0. On peut le rendre causal si * u(t)
+ 6
Signaux numériques
n Un signal numérique est un signal discret dont l’amplitude a
été quantifiée
signaux à temps discret x(t)=A sin(ωt+φ)

X(k)=A sin[2π/N (k+k0)
+ 7
Classement des signaux
n Déterministes : fonctions mathématiques réelles ou complexes
n Stationnaires : probabilités
n Non-stationnaires : transformée en ondelettes,

transformations fractales
+ 8
Quelques signaux déterministes
n Fonction de Heaviside u(t)
n La fonction signe 2u(t)-1
n La fonction porte rect(t)=u(t+T/2)-u(t-T/2)

Représenter :
n x(t) = u(t+1)- u(t-2)
u(t+1)- u(t-2)
t=0 t
Décalage Temporel : Time Shifting
t=0
n Calculer x(t) + x(2-t) , where x(t) = u(t+1)- u(t-2)

n x(t) est : u(t+1)- u(t-2)
n x(2-t): à 1) y(t)=x[-(t-2)];
Addition temporel: x(t) + x(2-t)

Opérations sur l’Amplitude
Inverse
y(t)=Ax(t)+B
B>0 à translation verticale +
B<0 à translation verticale -
Echelle
|A|>1à Gain
|A|<1à Attenuation
A>0àPas inverse
Echelle
A<0à Inverse
+ 12
Signaux périodiques
fo=1/T est la fondamentale

Synthèse d’un signal triangulaire 13
à partir de sa série Fourier
14
Effet Gibbs
15
+ 16
Convolution
n Définition:
On appelle fonction de convolution du signal s1(t)

et s2(t) l’intégrale
+∞
s(t) = ∫s (τ)s (t−τ)dτ
1 2
−∞
Théorème de convolution
La TF du produit de convolution est le produit algébrique
Des TF des signaux du produit
S(ω)=S1(ω)S2(ω)
+ 17
Propriétés du produit de
convolution
n Commutativité
n Associativité
n Distributivité
d df dh
n Différentiabilité ( f ∗ h)(t ) = ∗ h(t ) = f ∗ (t )
dt dt dt
n Convolution avec un Dirac

+ 18
Algorithme de Convolution
n Le signal y(l) est inversé pour obtenir y(-l)

n Le signal y(-l) est décalé d’une certaine quantité k
n Le produit x(l)y(k-l) est effectué échantillon par échantillon pour tous les k
n Les valeurs ainsi obtenues sont additionnées
+ 19
convolution en temps
• - exemple d’application de la méthode graphique de calcul de la convolution de 2

signaux x(t) et y(t) :
−at
x(t) = e u(t) y(t)=e−2atu(t)
+ 20
• convolution en temps
• - exemple d’application de la méthode graphique de calcul de la convolution de 2 signaux x(t)

et y(t) :
x(t)=e−atu(t) y(t)=e−2atu(t)
- Principe de la méthode
- On garde le premier signal x(t’)
- On retourne le second signal y(t’) pour obtenir y[-t’]

+ 21
• - exemple d’application de la méthode graphique de calcul de la convolution de 2

signaux x(t) et y(t) :

t
+ 22
• - méthode graphique de calcul de la convolution de 2 signaux x(t) et y(t) :
- Principe de la méthode, suite
- On fait le produit x(t’).y(t-t’) là où les 2 signaux sont définis

t
- On calcule l’aire commune des 2 signaux
t
t<0,x(t)*y(t)=0
−at' −2a(t−t')
t>0,x(t)*y(t)=∫e e dt'=1e−at−1e−2at
0
a a
- On recommence pour t variant sur R et on obtient la convolution x(t)*y(t)

+ 23
• - méthode graphique de calcul de la convolution de 2 signaux x(t) et y(t) :
- On décale y[-t’] de t pour obtenir y[-(t’-t)]
- On fait le produit x(t’).y(t-t’) là où les 2 signaux sont définis
- On calcule l’aire commune des 2 signaux
- On recommence pour t variant sur R et on obtient la convolution x(t)*y(t)

+ 24
La distribution de Dirac δ(t)
n Le pic de Dirac sera défini comme ayant un poids ou une

masse de 1 en x=0
• δ correspond à la «
dérivée » de la fonction
∫ δ (t )dt = 1
R
de Heaviside (au sens
des distributions).
• fonction de Dirac n'est
pas une fonction, elle
étend la notion de
fonction.
Impulsion Unitaire δ(t)
n Impossible de réaliser– similair au j=sqrt(-1)
n Connu sur le nom de Dirac delta

n C’est une fonction generalisée
n Delta Dirac est une distribution égale à zéro partout

sauf en zéro où le Dirac est considéré infini.
1 x2
lim e −
a2
a π a→0
+ 26
Distributions ≠ Fonctions
n Impulsion infinie pendant un intervalle de temps
infiniment court
δ(t)
∫ δ (t)dt = 1
t
n Remarque : Nous définissons l'impulsion de Dirac δ(t) au
sens des distributions. Elle a pour valeur en t=0, la valeur δ(t)
égale à 1 de l'intégrale de moins l'infini à plus l'infini d'une
impulsion idéale de largeur nulle centrée en t=0.
δ(t-to)
= φ(0)
t0
+ 27
La distribution de Dirac δ(t)
n Un
Dirac a un support réduit à t=0 et associe à une
fonction continue φ sa valeur en t=0
+∞
∫δ(t)ϕ(t) dt = ϕ(0)
−∞
Propriétés:
+∞ +∞
∫δ(t−u)ϕ(t) dt = ∫δ(u−t)ϕ(t) dt = ϕ(0)

−∞ −∞
+∞ +∞
∫δ ' (t)ϕ(t) dt = ∫δ(t)ϕ ' (t) dt = − ϕ ' (0)

−∞ −∞
+ 28
Propriétés de δ(t)
n Localisation
⎧⎪ 0 si a ≠ b
[ Aδ ( x − a)][Bδ ( x − b)] = ⎨
⎪⎩ ABδ ( x − a) si a = b
n Élément neutre
f (x)∗ δ (x) = f (x)

f ( x) ∗ δ ( x − a) = f ( x − a)
+ 29
Application
Définition : La réponse impulsionnelle d'un circuit est la

réponse à une impulsion de Dirac.
Conclusion :
1- Un système linéaire est entièrement décrit par sa

réponse impulsionnelle h(t).
2- La réponse du système à une excitation est égale au

produit de convolution entre l'excitation et la réponse
impulsionnelle.
+ 30
Corrélation des signaux
n Définition
∞ ∞
Cx, y(τ)= ∫ x1(t+τ)x2(t)dt ϕx, y(k)= ∑ x(l)y(l +k)
−∞ l =−∞
n Propriétés
n Fonction paire
n Cx,y=0 les signaux sont décorrélés
+ 31
Algorithme
n Le signal y(l) est décalé d’une certaine quantité k

n Le produit x(l)y(l+k) est effectué échantillon par échantillon pour tous les
k
n Les valeurs ainsi obtenus sont additionnées
+ 32
Autocorrélation
n Définition
∞ ∞
Cx,x(ττ)= ∫ x(t)x(t+τ)dt Cx,x(k)=ϕx,x(k)= ∑x(l)x(l+k)
-∞ l =−∞
n Propriétés
n Cx,x(0)= l’ énergie du signal
+ Transformées : Fourier/Laplace, Z 33
Dans l’étude des systèmes continus, la fréquence réelle ω ou la

fréquence complexe p sont utilisées dans la fonction de
transfert T(p) ou H(p) et la fonction de transfert sinusoïdale
H(ω).!
!
Il est avantageux de décrire les systèmes continus dans
l’espace des fréquences ce qui permet de tirer un certain
nombre de conclusions concernant leurs propriétés. !
!
La transformée en z, basée sur l’utilisation d’une fréquence
complexe z, va procurer des avantages similaires pour les
systèmes DLI. !
La transformation en z transforme l’espace du temps discret
en un espace de fréquences z. !
+Outils
mathématiques
Transformée de Fourier
Étude des signaux déterministes continus
Représentation fréquentielle

34
35
TRANSFORMATION DE FOURIER
Définition
La transformation de Fourier permet de décrire dans l'espace des
fréquences un signal dont on connaît l'histoire au cours du temps, et
réciproquement.
F(ω ) = ∫ f(t)e−jωtdt f(t) = 1 ∫F(ω)e jωtdω

2π
DUALITE TEMPS-FREQUENCES
y = f (t) <=> Y =F(f)
F(f) est appelée la transformée de Fourier de f(t) et sa représentation,
le spectre en fréquences.
2
On appelle densité spectrale d’énergie F(ω)

2π
Remarque : On utilise les lettres minuscules pour décrire l'histoire du signal au cours du temps et les lettres
majuscules pour le décrire dans le domaine des fréquences ou domaine spectral.
+ 36
Propriétés
n Réciprocité f(t) → F(f) F(f) → f(t) f(t)⇔F(f)
n Linéarité α f(t) + β g(t) ⇔ α F(f ) + β G(f )

d f(t)
n Dérivation ⇔ j2πf F(f)
dt
1 F(f )
n Intégration ∫ f(t)dt ⇔ j2π f
j2πft
n Décalage temporel f(t−τ) ⇔ e F(f )
+ 37
j2πft
n Décalage fréquentiel F(f − f0 ) ⇔ e F(f )
*
f(t)⇔F(f ) f(-t) ⇔ F (f )
n Conjugaison
f(t)⇔F(ω) F(t)⇔2πf(-ω)
n Symétrie
+ 38
Propriétés
La transformation de Fourier est une opération biunivoque.

Conséquence: il y a la même information dans f (t) que dans F(f)
Définition
La bande passante B d'un signal est le domaine de fréquence où
se trouve l'énergie utile transportée par le signal.
Exemples :
Signaux Bande passante
Téléphonique 300Hz < f < 3300Hz
Audio haute fidélité 20 Hz < f < 20 kHz
Télévision 0Hz < f < 5 MHz
+ 39
Fourier
La transformée de Fourier inverse ( fˆ, f ∈ L1):
1 ∞
f (t ) = ∫ fˆ (ω )e jω t dω
2π −∞
Parseval:
∞
1 ∞
∫ f (t ) *
h (t ) dt = ∫ fˆ (ω )hˆ* (ω )dω
−∞ 2π −∞
Plancherel:
∞
2 1 ∞ ˆ 2
∫−∞| f (t ) | dt = ∫ | f (ω ) | dω
2π −∞
Et,
lim fˆ (ω) = 0
ω→ ±∞
+ 40
La Variation Totale
n Si f est dérivable, la variation totale est :

∞
f v= ∫ f '(t)dt
−∞
f v=2
n Exemple:
f(t)=exp(-t 2)
ˆf(ω) ≤ f v
n Relation avec la Transformée de Fourier ω
+ 41
La Phase de la TF
n Dans une TF, l’information sur le temps est cachée dans les
phases.
n Il est impossible de déterminer les phases avec assez de

précision pour extraire les informations sur le temps.
+ 42
La transformée de Fourier
Exemple:
Soit la fonction indicateur
T
2 sin(ωT )
f = 1[ −T ,T ] fˆ (ω ) = ∫ e − jω t dt =
−T
ω
+ 43
Analyse de la Transformée de
Fourier des signaux d’énergie
finie
Exemple de calcul de Transformée de Fourier
• - Le spectre du signal
s(t)=π θ (t)
2
- si θ est faible, le signal est bien localisé en temps

mais 1/θ est grand et le spectre est mal localisé
en fréquence
» - si θ est grand, le spectre est bien localisé en

fréquence mais mal localisé en temps
+ 44

−at
• - calculer le spectre du signal s(t)=S0e u(t)
•
S0
S(f)=
a+ j2πf
• Module du spectre
S0
S(f) =
2
a2+4π 2 f
• Phase du spectre
ϕ(S(f))=−arctg(2πf )
a
+
Transformée de Fourier des signaux d’énergie finie
45
• - tracer le spectre du signal

−at
s(t)=S0e u(t)
•
S0
S(f) =
2 ϕ(S(f))=−arctg(2πf )
a
a2+4π 2 f
+ Utilisation de la distribution de Dirac 46
pour le calcul des Transformées Fourier
n Apartir de la TF d’une constante nous pouvons

déduire : TF (δ (t ) ) = 1
TF (2πδ (t ) ) = 1
−1
TF (A) = 2πAδ (ω )
{ }
TF e = 2πδ (ω − ω
jω0t
0
)
Donc la transformée Fourier de cos et de sin est :
TF {cos ω t} = π [δ (ω − ω ) + δ (ω + ω
0 0 0
)]
TF {sin ω t} = π
0
[j δ (ω − ω )− δ (ω + ω )]
0 0
+ 47
Échelle fréquence
Fréquence physique Fréquence normalisée
X ( e jω ) X ( jΩ)
1 1
0 π 2π ω 0 π 2π
T T Ω
+ 48
L’Intégrale de Fourier
∞
F(ω)= fˆ(ω)= ∫ f(t) exp( − jωt ) dt ( f ∈ L1):
−∞
Mesure ‘’la quantité’’ d’oscillations à la fréquence ω qui est

présente en f. Si f ∈ L1 cette intégrale converge
∞
| fˆ (ω ) |≤ ∫ | f (t ) | dt < ∞
−∞
Donc, la Transformée de Fourier est bornée et continue.

+ 49
Valeurs et Vecteurs Propres
n Soit T :V →Vun opérateur linéaire sur un

espace vectoriel V sur un corps K. Un scalaire λ∈K
est appelé valeur propre de T s’il existe un v∈V
vecteur non nul pour lequel :
T(v)=λv
n Remarque kv est aussi un vecteur propre

n Exemple : l’opérateur différentiel sur l’espace
vectoriel V. D(e 5t)=5e 5t
+ Interprétation de la Transformée 50
de Fourier
Fonction de Transfert:
Les exponentielles complexes sont les vecteurs propres
des opérateurs de convolution:jωt
e
∞
Les valeurs propres Le jωt
= ∫ h(u )e jω ( t −u ) du = hˆ(ω )e jωt
−∞
h
sont la Transformée de Fourier∞de f
à la fréquence . ω
hˆ(ω ) = ∫ h(u )e − jω u du
−∞
Donc nous voudrions décomposer une fonction dans une

somme de vecteurs propres
+ 51
Notion de système
n Un système fait subir une transformation à un signal d’entrée x(t) et délivre un signal
de sortie y(t).
Filtre
n On appelle filtre, d’entrée x(t) et sortie y(t), un système défini par:
y(t)=∫ x(u)h(t−u)du = ∫ x(t−u)h(u)du

R R
n Réponse impulsionnelle h(t)

y(t)=x(t)∗h(t)
n Réponse indicielle u(t) y(t) = u(t)∗ h(t)

n Réponse en fréquence
Y ( f ) = X( f )H ( f )
+ Filtrage linéaire invariant en temps 52
L’invariance à la translation dans le domaine temps d’un opérateur

L
Signifie que si l’entrée f (t ) est retardée de τ
τ , fτ (t) = f (t − τ )
la sortie a aussi un retard g (t ) = Lf (t ) ⇒ g (t − τ ) = Lf τ (t )
Réponse impulsionelle
∞
f (t ) = ∫ f (u)δ u (t )du
−∞
Si h(t ) = Lδ (t ) nous avons :

∞ ∞
Lf (t ) = ∫ f (u )h(t − u)du = ∫ h(u) f (t − u)du = ( f ∗ h)(t )
−∞ −∞
+ 53
Corrélation des signaux
n Définition
∞
ϕx, y(k)= ∑ x(l)y(l +k)
l =−∞
n Algorithme
n Le signal y(l) est décalé d’une certaine quantité k
n Le produit x(l)y(l+k) est effectué échantillon par
échantillon pour tous les k
n Les valeurs ainsi obtenus sont additionnées
+ 54
Propriétés
−2πjfk
Φxy(f )=∑ϕxy(k) e =X *(f )Y(f )
Théorème de Parseval
1/ 2
ϕ (0)=∑x (l)= ∫Φ (f ) df
2
x
k =0
x
−1/ 2
La fonction d’autocorrélation est une fonction paire

+ 55
La Densité Spectrale
n … est obtenue par la Transformée de Fourier de la fonction

d’autocorrélation (théorème de Wiener-Khintcine):
S(f ) = TF{C(p)}=∑C(p)exp(−2πjfpTe)
p∈Z
n La loi de probabilité gaussienne est importante dans la

mesure où elle garde son caratère gaussien dans toute
opération linéaire : convolution, filtrage, dérivation,
intégration. En d’autres termes, si l’entrée d’un système
linéaire est gaussienne, sa sortie est gaussienne.
+ 56
Conclusions
n La série de Fourier d’une fonction périodique ne comporte que

les sinusoïdes de fréquence égales à des multiples entiers de la
fréquence fondamentale
n LaTF de la fonction de corrélation du signal représente la

densité spectrale de l’énergie = la redistribution de lénergie
sur les axes de fréquences
+ 57
Défauts de la TF
n La transformée de Fourier est une représentation

globale du signal. Elle ne permet pas d'analyser son
comportement fréquentiel local, ni sa régularité
locale. La condition de convergence sur la
transformée de Fourier n'indique que le pire ordre
de singularité. Elle ignore les régularités locales.
+ 58
Relation d’incertitude de
Heisenberg
n Le principe: Le produit de la variance de x pour |f|2 et de la
variance de x pour |F|2 est supérieur ou égal à
1 2
16π
n La largeur du paquet d'énergie d'un signal dans le temps

est inversement proportionnelle à sa largeur dans l'espace
des fréquences. On ne peut pas connaître avec une égale
précision la position dans le temps et en fréquences d'un
signal.
+ 59
Défauts ….
n Le défaut de cette transformée est d ’avoir une fenêtre

indépendante de la fréquence que l’on calcule.
+
Transformée de Lapalace
Andrei Doncescu
andrei.doncescu@laas.fr
+ 61
Transformée de Laplace
Définition
Si f(t) désigne une fonction à valeurs réelles ou complexes

de la variable réelle t, définie sur le domaine et nulle pour ;
on appelle Transformée de Laplace de f(t) la fonction
où p est complexe
- l’existence de F(p) suppose la convergence de
l’intégrale
- on dit que F(p) est " l’image " de f(t)
Transformée de Laplace 62
n Exemples
U(t) Signal TL
1
1
Echelon unité U(t)
p
0 t
1
Echelon unité
Exponentielle décroissante U(t)e-at , a > 0
p+a
U(t)e-αt, a> 0
1 1
Exponentielle complexe U(t)eiωt , ω > 0
p-iω
Note: la TL n’est pas définie pour tout p: la partie réelle de

0 t p doit
Exponentielle décroissante être plus grande qu’une valeur, l’abscisse de
convergence.
n Propriété de linéarité
Signal TL
Théorème
Si V (t) a pour TL : v (p)
1 1 Exponentielle
et V (t) a pour TL : v (p) 1
2 2 complexe U(t)eiωt , ω > 0
alors , ∀ α et β ∈ £ p-iω
αV (t) + β V (t) a pour TL : p
1 2 Cosinus U(t)cos ( ωt )
αv (p) + βv (p) . p2+ω2
1 2
ω
Sinus U(t)sin ( ωt )
Exercices. Calculer les TF de p2+ω2
U(t)cos(ωt) et U(t)sin(ωt)
A. D. 19/11/2013
n Propriété de linéarité
Signal temporel TL
Exponentielle
−α+iω) t 1
complexe U(t)e( ,ω > 0
p+α − iω
p+α
Cosinus U(t)e−αt cos ( ωt ) , α > 0
(p+α )2 + ω2
U(t)e−αt sin ( ωt )
ω
Sinus
2
(p+α ) + ω2
n Propriétés
1. Théorème du retard
Si V(t) a pour TL : v(p),
1
alors V(t - T) a pour TL : e-pT v(p), ∀ T > 0.
Exercice. Montrer que la TL de l'impulsion
t
0 T 1 - e-pT
(cf . Fig.) est : .
Impulsion
p
2. Théorème de dérivation
R(t) Si V(t) a pour TL : v(p),
dV(t)
alors a pour TL : p.v(p).
dt
t Exercice. Vérifier que la TL de la
0 1
Rampe
rampe R(t) (cf . Fig.) est : .
p2
n Propriétés
3. Théorème inverse de translation

Si V(t) a pour TL : v(p), alors e-at V(t) a pour TL : v(p + a), ∀ a > 0.
Exercice. Retrouver les expressions des TL du tableau page précédente.
4. Théorème inverse de dérivation

dv(p)
Si V(t) a pour TL : v(p), alors - t.V(t) a pour TL : .
dp
Exercice. Calculer la TL du signal : t.U(t).e-at.
5. Théorème d'affinité - homothétie ou changement d'échelle de temps

1 p
Si V(t) a pour TL : v(p), alors V(kt) a pour TL : v( ), ∀ k > 0.
k k
Exercice. Calculer la TL du signal : U(t)sin(3t)
n Convolution
Théorème
U(t)
Si X(t) a pour TL : x(p)
1 et Y(t) a pour TL : y(p),
alors le produit de convolution
U(t-τ)
∞
0 τ
∫ X(t)Y(τ − t)dt
0
a pour TL: x(p).y(p)
U(t) ou, symboliquement :

1 ∗ a pour TL ⋅
U(τ-t)
Exercice. Montrer de deux manières
différentes que U(t) ∗ U(t) = R(t)
0 τ

n Opérateurs
Opérateurs dans l'espace temps TL
* (convolution entre signaux) × (multiplication de leurs TL)
d
(dérivation d'un signal) ×p (multiplication de sa TL par p)
dt
1
T - périodisation x
1-e-pT
n Systèmes linéaires stationnaires

Théorème
Si E(t), qui a pour TL : e(p) est le signal d'entée
H(t), la réponse percussionnelle du SLS et sa TL :
E(t) S(τ)

H(t) h(p), la fonction de transfert du SLS
e(p) h(p) alors le signal temporel de sortie est donné par
s(p)
le produit de convolution et sa TL par un produit :
∞
S(τ) = E(t)H(τ − t)dt a pour TL s(p)=e(p).h(p)
∫
0
n Systèmes linéaires stationnaires ∞

E(t) S(τ)=(E(t)*H(t))τ =
e(p)
H(t)
h(p) s(p)=e(p).h(p) ∫ E(t)H(τ − t)dt
0
n Déconvolution
1. Décomposition en éléments simples de première espèce
1 A B C
= + +
(p - a)2(p - b) (p - a)2 (p - a) (p - b)
Pour calculer A (resp. C), on multiplie l’équation par (p-a)2 (resp. p - b)

et on fait p = a (resp. p = b). On trouve :
⎡ 1 ⎤ 1 ⎡ 1 ⎤ 1
A = ⎢ ⎥ p=a = C = ⎢ 2 ⎥ p=b =
⎣p − b ⎦ a−b ⎣ (p − a) ⎦ (b − a)2
Pour calculer B, on multiplie l’équation par (p-a) et on fait tendre p vers

l’infini. On trouve: B = - C. Les originaux des éléments simples peuvent
alors être trouvés directement à partir des tables de TL usuelles.
n Déconvolution
2. Décomposition en éléments simples de deuxième espèce
C’est le cas où le dénominateur est un trinôme du second degré qui
n’a pas de racines réelles. On décomposition en éléments simples de
2ème espèce :
2
2
⎡ ⎛ b ⎞ 4ac − b2 ⎤ 2 2
ap +bp+c = a ⎢⎜ p+ ⎟ +
⎢⎣⎝ 2a ⎠ 4a2 (
⎥
⎥⎦
= a )
P + A ,
b 4ac − b2
avec P = p + et A =
2a 2a
1 1 1 1 1
= =
ap2+bp+c a P2+A2 aA2 P2 / A2+ 1
n Calcul opérationnel
Exercice.
On définit la distribution de Dirac δ(t) de la manière suivante:
δ(t) δ(t) a pour TL: 1.
1 d2 Y dY
Résoudre l'équation différentielle: + 2αω0 + ω2
0
Y = δ(t)
dt2 dt
(α et ω0 sont réels et positifs et ne dépendent pas du temps).
0 t Discuter brièvement la nature de la solution en fonction de α.
Distribution de Dirac
Note
La méthode présentée dans cet exercice permet de retrouver
δ(t) H(t)= ? la réponse percussionnelle d'un système linéaire stationnaire
h(p)= ?
lorsque l'on connait l'équation différentielle à laquelle il obéit.
n Réponses
Exercice: identification d’un système linéaire stationnaire
Réponse: H(t) est la dérivée de S(t)
Exercices. Eléments de réponse:
1 1 1 1
= ; =
p3 + 3p2 + 2p p(p + 2)(p + 1) p3 − 1 (p − 1) p2 + p + 1
( )
1 1
et =
p3 + p2 − p − 1 (p − 1)(p + 1)2
+
Du signal analogique au
signal numérique
75
+ La Genèse du Signal Numérique 76
n Del’information cachée dans la représentation

choisie
n Échantillonnage
n Compression
n Décomposition dans un espace orthogonal
Les avances en moyen informatique (puissance de calcul) ont rendu possible

le expression et traitement de signaux en forme numérique. Mais pour
numériser, il faut d'abord échantillonner. Nous allons voir que la passage
analogique – numérique implique nécessairement une perte d'information.
Cette perte peut être minimiser par l'application des outils adaptés.
+ Échelle temps 77
Séquence Temps physique
x (n) x(t )
−1 0 1 2 3 4 5 6 7 n −T 0 T 2T 3T 4T 5T 6T 7T t
+ 78
Échantillonnage
n Signal Analogique
n Signal discret en temps
n Signal numérique
+ Modèlisation mathématique de 79
l’échantillonnage
+ 80
Échantillonnage
n L’échantillonnage idéal prélève des échantillons à la

cadence Te de façon instantanée.
x̂e = ∑ xa (nTs )δ (t − nTs )

n∈Z
+
Spectre d’un signal Echantillonné
x̂e = ∑ xa (nTs )δ (t − nTs ) Xˆ ( ω) = F {x (t ) δT (t )}

s
n∈Z
Xe ( f ) = TF[xa (t)] * TF[ ∑ δ (t − nTs )]

n∈Z
Xe ( f ) = feX a ( f ) * TF[ ∑ δ (t − nTs )] = fe ∑ Xa(f − nfs )

n∈Z n∈Z
+ Spectre du signal échantillonné 82
c(t) = ∑δ (t − nT ) → ĉ(ω ) = ∑ e− jnTω

2π 2π k
ĉ(ω ) =
T k
∑ δ (ω −
T
)
δˆ(ω ) = ∫ δ (t)e− jωt dt = 1
En utilisant la formule de Poisson

∞ ∞
ˆ 1 ⎛ 2π ⎞ 1 ⎛ 2π ⎞
X ( ω) = ∑ X ( ω) ∗δ ⎜ ω − k ⎟ = ∑ X ⎜ ω − k ⎟
Ts k =−∞ ⎝ Ts ⎠ Ts k =−∞ ⎝ Ts ⎠
L’effet de la convolution avec une distribution de Dirac

est la répétition périodique de la fonction respective.
✓Signaux de durée finie et signaux périodiques
Transformée de X(f)
x(t)
Fourier
0 T t f
Transformée Echantillonnage
inverse de X e(f) en fréquence
x T (t)
Fourier
0 T 2T 0 1 2 f
T T
✓Signaux échantillonnés de durée finie
N −1
xe (t ) = ∑ x[ k ]δ (t − kT )
0
Transformée de X(f)
x e (t)
Fourier
0 NT t 0 1 f
T
Périodisation
Transformée Echantillonnage
de Fourier X e (f) en fréquence
x Te (t)
0 NT 2NT 0 1 1 f
NT T
∞
ˆ 1 ⎛ 2π ⎞
X ( ω) = ∑ X ⎜ ω − k ⎟
Ts k =−∞ ⎝ Ts ⎠
+ 86
Théorème de Shannon
n Pour éviter une superposition des spectres élémentaires il

est nécessaire d’imposer le théorème de Shannon
Fe ≥ 2f max
Un signal de spectre borné ne peut pas être que de durée

infinie. Il est donc erroné de considérer des signaux à la fois de
durée et de spectre finis.
87
Signal Analogique
Signal échantillonnage
+ 88
A la limite du théorème de
l'échantillonnage
On peut, intuitivement,
remarquer sur l'illustration
précédente, que relier les
échantillons à l'aide d'une
ligne courbe, aussi bien
choisie soit-elle, n'a que
peu de chances de
re p ro d u i re l e s i g n a l
or iginal, bien que le
t h é o r è m e d e
l'échantillonnage soit,
formellement, respecté.
+ 89
Sous-échantillonnage
Si l'on tente de relier les

échantillons par une
courbe, on ne va pas être
e n m e s u r e d e
reconstituer le signal
original, mais un autre,
peu semblable au
précédent. Ceci est la
conséquence de la
violation du théorème de
l'échantillonnage.
+ 90
Spectre dans le cas sinusoïdal
Le spectre d'un signal

échantillonné se compose
d'une sér ie de raies
réparties de part et d'autre
des multiples de la
f r é q u e n c e
d'échantillonnage. Les raies
i n t é re s s a n t e s p o u r l a
démodulation sont celles
qui se situent aux alentours
de 0, puisque ce sont celles
q u i c o r re s p o n d e n t a u
signal original.
Reconstruction du Signal :
⎪Ts ,
⎧ ω ≤ ωc
H r ( ω) = Ts pωc ( ω) = ⎨ ωM ≤ ωc ≤ ωs − ωM
⎩0,
⎪ ω > ωc
La réponse est :
xr (t ) = xˆ (t ) ∗ hr (t )
Le spectre est :
X r ( ω) = Xˆ ( ω) ⋅ H r ( ω)
∞
1
= ∑ X ( ω − k ωs )Ts pωc ( ω) = X ( ω)
Ts k =−∞
xr (t) = x(t)
Théorème d’Echantillonnage :WKS
(Whittaker, Kotelnikov, Shannon)
Si le signal d’énergie finie x(t) a sa bande de fréquence limité à
ωM , ( X(ω)=0 for |ω | > ωM), il complètement représenté par ses
échantillons { x (nT ) n ∈ Z }
s si la fréquence d’échantillonnage
est deux fois la fréquence maximum du signal
ωs ≥ 2ωM
Et le signal original peut être reconstruit à partir de ses

échantillons :
∞ 2ωc sin ωc ( t − kTs )
xr ( t ) = ∑ x kT
( s)
k =−∞ ω s ωc ( t − kTs )
Si la fréquence de coupure du filtre passe-bas est :
ωM ≤ ωc ≤ ωs − ωM
Reconstruction
Le signal est reconstruit par intérpolation à partir des

signaux de type
sin x / x.
∞ sin ωM Ts ( n − k )
x ( nTs ) = ∑ x ( kTs )
k =−∞ ωM Ts ( n − k )
ωs ∞ sin π ( n − k ) ∞
ωM = ⇒ x ( nTs ) = ∑ x ( kTs ) = ∑ x ( kTs )δn,k = x ( nTs )
2 k =−∞ π (n − k ) k =−∞
⎧1, for n = k
δn,k = ⎨
⎩0, for n ≠ k
✓Échantillonnage et périodisation
• Échantillonnage idéal...
+∞ +∞
xe (t ) = x (t ) δT (t ) = x (t ) ∑ δ (t − kT ) = ∑ x[ kT ]δ (t − kT )
k =−∞ k =−∞
• ...Transformée de Fourier...
1 1 +∞ k
X e ( f ) = X ( f ) *δ 1 ( f ) = ∑ X ( f − )
T T
T k =−∞ T
➫ ... périodisation en fréquence.
Échantillonnage temporel <=> périodisation en fréquence

Échantillonnage en fréquence <=> périodisation temporelle
+ 96
Quelques valeurs
n En téléphonie, on utilise une largeur de bande de 300 à 3400 Hz.
Dans le cadre du réseau numérique à intégration de services
(RNIS, ISDN pour les anglo-saxons), on utilise une fréquence
d'échantillonnage de 8000 Hz (au lieu des 6800 théoriquement
nécessaires).
n La musique se satisfait de 16, voire 20 kHz de largeur de bande. Un

disque CD (Compact Disc) utilise une fréquence
d'échantillonnage de 44 kHz.
n Remarque: Dans les deux cas, il est essentiel que l'on ait au
préalable limité la largeur de bande du signal original : des
fréquences inaudibles dans le signal original deviennent audibles
par le phénomène de repliement !
+
Encore ….
La Transformée de Fourier
mais
… Discrète
97
+ 98
Systèmes linéaires
n Lessystèmes linéaires sont caractérisés

complètement par leur réponse à une impulsion
unité
y(k) = L[∑ x(l)δ (k − l)] =∑ x(l)L[δ (k − l)]

+ 99
Transformée de Fourier à temps

discret
n Si le temps est discrétisé
X( f ) = ∑ x(t) e −2 jπ f t
La T.F. est périodique de période 1
t∈Z
n Et la transformée inverse
1/2
2 π jft
x(t) = ∫ x(t)e df
−1/2
+ 100
Propriétés
n X(f) est périodique T0=1
−2 jπ ( f +1)k −2 jπfk −2 jπk

X( f +1) = ∑ x(k) e = ∑ x(k) e e = X( f )
t∈Z t∈Z
Remarques:
1. La transformée de Fourier de Xa(t) d’un signal analogique
n’est pas périodique
2. X(f) est périodique F0=1, tout intervalle de longueur unité
est suffisant pour décrire complètement cette fonction
+ Règle de construction de la TFtd à 101
partir de la TF de x(t)
x(t) continue en t
xe (t = nΔT ) la version échantillonnée ΔT période d 'échantillonnage
+∞ +∞
xe (nΔT ) = x(t). ∑ δ (t −nΔT ) = ∑ x(t)δ (t −nΔT )
n=−∞ n=−∞
∞ +∞
Xe ( f ) = ∫ ( ∑ x(t)δ (t −nΔT ))e −2 π jft
dt
t=−∞ n=−∞
 +∞
 Xe ( f ) = ∑ x(nΔT ).e
−2 π jf (nΔT )
 n=−∞
 1/2ΔT
 +2 π jf (nΔT )
 x(nΔT ) = ΔT ∫ X e ( f )e df
−1/2ΔT
conclusion :
x(nΔT ) ⇒ Xe ( f ) est une fonction périodique en f de période (1 / ΔT )
n On divise l’axe des fréquence par Fe
n On périodise avec la période 1
n On divise l’amplitude par Te

+ Transformée de Fourier Discrète
102
discrétisation T/F=Périodisation T/F (1)

TF continue X(f )
x(t )
x(t ) séries de Fourier cn
x(nΔT ) échantillonnage temporel Xe( f )
x p (nΔT ) TF Discrète X (mΔf )
transformée de fourier discréte

+ 103
Transformée de Fourier Discrète

repliement de spectre dans le domaine fréquentiel
x(t ) pas de repliement Xe( f )
x(nΔT ) f max ≤ 1 / 2ΔT
− 1/ 2ΔT 1/ 2ΔT
− f max + f max
x(t ) repliement Xe( f )

x(nΔT ) f max ≥ 1 / 2ΔT
− 1/ 2ΔT 1/ 2ΔT
− f max + f max
transformée de fourier discréte

+ 104
Observations spectrales
n Précision
n Pour mesurer la fréquence d’une seule sinusoïde
n Résolution
n La capacité de mesurer des fréquences distinctes
+ 105
Transformée de Fourier discrète
n Ense limitant à un nombre fini de L valeurs de la

fréquence, à savoir f=k/L, on obtient la Transformée de
Fourier Discrète
N −1
−2πjkn/ N
X(k)=∑x(n)e
n=0
n L
est le nombre de points de calcul de Tftd et N est le
nombre de points de la suite temporelle
N −1
x(n)= 1 ∑x(n)wN
nk
k∈{0,...,N-1} avec wN =exp(−2jπ / N)
N n=0
+ 106
La Transformée de Fourier Rapide
n Exemple N=2p où p=3
2k 4k 6k k 2k 4k 6k
X k =(x(0)+x(2)w8 +x(4)w8 +x(8)w8 )+w8(x(1)+x(3)w8 +x(5)w8 +x(7)w8 )
n Ce qui donne
4k 2k 4k
(x(0)+x(4)w8 )+w8 (x(2)+x(6)w8 )
4k 2k 4k
(x(1)+x(5)w8 )+w8 (x(3)+x(7)w8 )
n Une
structure de papillon : addition, soustraction et
multiplication
+
Echantillonnage avec Blocage

+ La Transformée Laplace
d’un bloqueur d’ordre 0
Go ( p) = 1 / p − e pT / p = (1− e pT ) / p
2 2
⎛ ωTs ⎞ ⎛ ω ⎞
sin π ⎟
⎜ sin 2 ⎟ ⎜ ωs
H r ( ω) = Ts ⎜ ⎟ = Ts ⎜ ⎟
ωTs ⎜ ω π ⎟
⎜ ⎟
⎝ 2 ⎠ ⎜ ω ⎟
⎝ s ⎠
Reconstruction par Extrapolation :
Bloqueur d’ordre zéro
ωTs ωTs
ωT
−j s
2sin Ts sin
⎛ Ts⎞ 2 − jω
2
hr ( t ) = pTs ⎜ t − ⎟ →e 2
←⎯ =e 2T
s
2 ⎝
2 ⎠ ω ωTs
2
ωTs ω
T sin ω sin π
− jω s − jπ ωs
H r ( ω) = e 2 Ts 2 = e ωs
ωTs ω
π
2 ωs

Sampling

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

Sampling

Transféré par

Droits d'auteur :

Formats disponibles

+

Traitement du Signal Numérique pour Systèmes

n Ce signal est continu avec le temps: on peut le dessiner

n Les signaux à énergie finie

n Les signaux à puissance moyenne finie non-nulle

n sin(t) est périodique de période 2π

n sin(2πt) est périodique de période 1

n Signaux de durée limitée ou "support borné" : x(t) = 0 t ∉ T

n Signaux pairs et impairs

Un signal est pair si x(t) = x(–t) exemple : cos(ω t)

Un signal est impair si x(t) = –x(–t) exemple : sin(ω t)

x(t) = xp(t) + xi(t)

signaux à temps discret x(t)=A sin(ωt+φ)

Classement des signaux

n Déterministes : fonctions mathématiques réelles ou complexes

n Non-stationnaires : transformée en ondelettes,

Quelques signaux déterministes

n Fonction de Heaviside u(t)

n La fonction signe 2u(t)-1

n La fonction porte rect(t)=u(t+T/2)-u(t-T/2)

n Calculer x(t) + x(2-t) , where x(t) = u(t+1)- u(t-2)

Addition temporel: x(t) + x(2-t)

B>0 à translation verticale +

B<0 à translation verticale -

fo=1/T est la fondamentale

On appelle fonction de convolution du signal s1(t)

n Convolution avec un Dirac

n Le signal y(l) est inversé pour obtenir y(-l)

• - exemple d’application de la méthode graphique de calcul de la convolution de 2

• - exemple d’application de la méthode graphique de calcul de la convolution de 2 signaux x(t)

- On garde le premier signal x(t’)

- On retourne le second signal y(t’) pour obtenir y[-t’]

• - exemple d’application de la méthode graphique de calcul de la convolution de 2

- On garde le premier signal x(t’)

• - méthode graphique de calcul de la convolution de 2 signaux x(t) et y(t) :

- Principe de la méthode, suite

- On fait le produit x(t’).y(t-t’) là où les 2 signaux sont définis

- On recommence pour t variant sur R et on obtient la convolution x(t)*y(t)

• - méthode graphique de calcul de la convolution de 2 signaux x(t) et y(t) :

- On garde le premier signal x(t’)

- On retourne le second signal y(t’) pour obtenir y[-t’]

- On décale y[-t’] de t pour obtenir y[-(t’-t)]

- On fait le produit x(t’).y(t-t’) là où les 2 signaux sont définis

- On calcule l’aire commune des 2 signaux

- On recommence pour t variant sur R et on obtient la convolution x(t)*y(t)

La distribution de Dirac δ(t)

n Le pic de Dirac sera défini comme ayant un poids ou une

n Connu sur le nom de Dirac delta

n Delta Dirac est une distribution égale à zéro partout

La distribution de Dirac δ(t)

∫δ(t−u)ϕ(t) dt = ∫δ(u−t)ϕ(t) dt = ϕ(0)

∫δ ' (t)ϕ(t) dt = ∫δ(t)ϕ ' (t) dt = − ϕ ' (0)

f (x)∗ δ (x) = f (x)

Définition : La réponse impulsionnelle d'un circuit est la

1- Un système linéaire est entièrement décrit par sa

2- La réponse du système à une excitation est égale au

Corrélation des signaux

n Le signal y(l) est décalé d’une certaine quantité k

Dans l’étude des systèmes continus, la fréquence réelle ω ou la

F(ω ) = ∫ f(t)e−jωtdt f(t) = 1 ∫F(ω)e jωtdω

On appelle densité spectrale d’énergie F(ω)

n Réciprocité f(t) → F(f) F(f) → f(t) f(t)⇔F(f)

n Linéarité α f(t) + β g(t) ⇔ α F(f ) + β G(f )

La transformation de Fourier est une opération biunivoque.