Triatement Du Signal S6 9.5

Université Ibn Tofail
Faculté des Sciences

Département Physique
Auteur :
Mohamed LHARCH
SMP S6 M. LHARCH 2015/2016

Bibliographie
1. É. Tisserand, J.-F. Pautex, P. Schweitzer, "Analyse et traitement des signaux Méthodes
et applications au son et à l’image" ; DUNOD 2008 2ème édition
2. F. Cottet, "Aide mémoire traitement des signaux" ; DUNOD 2005;
3. M. Bellanger, " TRAITEMENT NUMÉRIQUE DU SIGNAL Théorie et pratique" ;

DUNOD 2006 8ème édition;
4. F. de Coulon, "TRAITE d’ELECTRICITE vol VI -Théorie et Traitement des Signaux" ;
Presses polytechniques et universitaires romandes 1998;
5. F. Luxereau, "Compression du signal audiovisuel" ; DUNOD 2008;
6. R.K. R. Yarlagadda, " Analog and Digital Signals and Systems" ; SPRINGER 2010;
7. K. B. Howell, " Principles of Fourier Analysis" ; CHAPMAN & HALL/CRC 2001;
8. S. W. Smith, " The Scientist and Engineer's Guide to Digital Signal Processing " ; 2nd éd.
California Technical Publishing 1997-1999;
SMP S6 M. LHARCH
Bibliographie
9. M. Corinthios, " Signals, Systems, Transforms, and Digital Signal Processing with
MATLAB" ; CRC Press 2009.
10. E. A. Lee, P. Varaiya, "Structure and Interpretation of Signals and Systems" ; Addison-
Wesley 2011;
11. P. Brémaud, "Mathematical Principles of Signal Processing Fourier and Wavelet
Analysis"; SPRINGER 2002;
12. R. J. Schilling, S. L. Harris, "Fundamentals of Digital Signal Processing Using
MATLAB" ; Cengage Learning 2010;
13. W. J. Witteman, "Detection and Signal Processing Technical Realization" ; SPRINGER

2006;
14. M. KUNT, " Traitement numérique des signaux" ; Dunod.
SMP S6 M. LHARCH
1 –'pILQLWLRQVHWUDSSHOV
Définitions
Signaux Évolution d’une « grandeur physique » traduisant le comportement d'un système
Signal Support d'information
Ex. de grandeurs Tension et courant électrique, pression acoustique, intensité lumineuse
Origine des signaux Capteurs (thermomètre, dynamomètre…)
Bruit Phénomène perturbateur du point de vue de l'observateur
Exemples onde acoustique

courant électrique délivré musique, parole…
par un microphone
suite de nombres mesures physiques
SUPPORT INFORMATION
Théorie du signal
Chaîne de transmission d'information

signal
Système
physique en Détection
Codage Canal Récepteur
évolution Exploitation
Sources de « bruit »
Traitement du signal : SIGNAL + BRUIT
Traitement du signal Transformation destinée à élaborer ou interpréter les signaux
Classes de problèmes 9 Génération ou interprétation de signaux
9 Détection, estimation, déconvolution

Signal sinusoïdal
T : période (s) M : période (m)

1 2Q
O= (Hz ) k= (rad / m )
T M
X = 2QO (rad / s )
phase
à l’origine ?
Signal périodique non sinusoïdal
Signal non périodique
Superposition de signaux sinusoïdaux

de fréquence n.O0, n entier et O0=1/T
+ +
+ +
+ +
+ +
Filtrage?
Signalpériodique
1 1
y (x ) = cos x + cos 2x + cos 3x
2 4
1/T
Signal non périodique

Tl d
2 – Signaux et systèmes linéaires
Classification des signaux
Phénoménologique ; Énergétique ; Spectrale ; Morphologique.
Quelques signaux et opérations élémentaires

Impulsion de Dirac ou Fonction E ; Fonction signe ; Saut unité ou
échelon d’Heaviside ; Signal rampe unité ; Signal rectangulaire ou
Porte ou Créneau ; Signal triangulaire ; Suite périodique d’impulsions.
Systèmes linéaires et invariants
Systèmes ; Réponse impulsionnelle ; Convolution.

2.1 – Classification des signaux
Périodique, pair, impair
[ W [ WN7 DYHFN] x(t)=x(-t) x(t)=-x(-t)
Dimensionnelle Nombre de variables libres
9 Tension électrique V(t) = signal unidimensionnel.

Exemples :
9 Image statique noir et blanc brillance B(x,y) = signal bi-dimensionnel.
Phénoménologique Évolution déterministe ou aléatoire
9 Signal déterministe (certain) : évolution « temporelle » peut être parfaitement prédite par
un modèle mathématique approprié ;
s1 (t )
9 Signal aléatoire : comportement imprévisible
description statistique. s2 (t )
Énergétique Énergie finie ou puissance moyenne finie
Tout signal physique Idéalisation

exemple : signal sinusoïdal
9 Signaux d’énergie finie
+d
¨
2
s (t ) dt < d
d
E
9 Signaux de puissance moyenne finie
1
¨
2
lim s (t ) dt < d
T ld T T N
p(t ) 9 puissance instantanée

PT 9 puissance moyenne sur T

Pmoyenne
Spectrale Fréquences (basses…) et bande (large…)

morphologique
Signal numérisé
pas de quantification
pas d'échantillonnage
Signal analogique original
9 Signaux analogiques (infinité d'états), dépend d'une variable continue ;

9 Signaux numériques (nbre limité d'états), les valeurs de la grandeur sont quantifiées.
2.2 – Quelques signaux élémentaires

H (t ) 1
sgn (t ) 1
-1
t 1 + sgn (t )
sgn (t ) = pour t v 0 H (t ) =
t 2
r (t ) 1 (t ) 1
1
1 -0,5 0,5
r (t ) = t H (t ) 1¬ 1¬
1 (t ) = H t + H t
2® 2®
A x (t ) - (t ) 1
UT /2 U U+T /2 -1 1 £
t U ¬ ¦1 t , t b1
x (t ) = A 1 ¦
- (t ) = ¤
T ® ¦ 0, t >1
¦
¥
x (t )
A
UT /2 U U+T /2 t U ¬ sin (Qt )

x (t ) = A - sinc (t ) =
T ® Qt
Impulsion de Dirac ou Fonction delta
Définition
d d
x (t0 ) = ¨ x (t + t0 ) E (t ) dt = ¨ x (t ) E (t t0 ) dt
d d
« Construction »
t ¬ T E (t )
gT (t ) = T 1
1/T ® º
T ld
1/T
2.2 – Quelques opérations élémentaires

Translation
f (t ) g (t ) = f (t U) U
Opérateur de répétition Peigne de Dirac
T T
+d +d
repT (x (t )) =
k =d
x (t kT ) ET (t ) = E (t kT )
k =d
Échantillonnage xe (t ) x (kTe )
+d
xe (t ) = x (kT ) E (t kT )
k =d
e
+d
e Te x (t )
= x (t ) E (t kT ) e
k=d kTe
2.3 – Systèmes linéaires et invariants
Systèmes
9 Toute entité ou appareil qui effectue e (t ) s (t )

une transformation sur un signal. Système
9 Différentes situations expérimentales peuvent être décrites par ce schéma :
Î S = système conçu pour réaliser une opération spécifique sur le signal

filtrage, échantillonnage, amplification, modulation…
Î S = système physique étudié en mesurant sa réponse, s(t), à une « excitation » e(t)
stabilité, temps de réponse, absorption, émission…
9 Exemples : amplificateur idéal, ligne à retard…
9 Propriétés : linéarité, invariance (ou stationnarité), causalité
e (t ) = ai ¸ ei (t ) s (t ) = ai ¸ si (t )
i i
e (t ) = e0 (t T ) s (t ) = s 0 (t T )
2.3 – SLI : réponse impulsionnelle, convolution

Réponse impulsionnelle h(t)
réponse du système lorsqu’il est soumis à une impulsion de Dirac E(t)
Réponse d’un SLI à un signal quelconque

e (t )
9 Signal quelconque e(t) e (t )
| succession « d’impulsions » e(t ) d’amplitude variable
Î d’autant plus vraie que la durée des impulsions est courte.
9 Réponse à une impulsion : h (t )

SLI!
en (t )
e0 (t ) e0 (t ).h (t U 1 ) en (t ).h (t U n )
t t
U1 Un
Réponse d’un SLI à un signal quelconque
e (t )
h (t U ) ¸ e (U )
t U t
Î le signal de sortie est produit par la superposition des réponses à toutes les impulsions
+d
s (t ) = ¨ e (U )h (t U )d U = e (t ) h (t )
d
9 Propriétés : e (t ) h (t ) = h (t ) e (t )
+d
9 Interprétation : s (t ) = ¨ h (U )e (t U )d U
d
« poids » de’e(t-U) dans’s(t) signal’d entrée’U secondes’avant’t
Construction’du’signal’de’sortie’à un’instant’t0 donné
e (t ) e (t )
h (t ) h (t )
t t
% t i 1 t0 % ti t0
e (t ) e (t )
h (t ) h (t )
t t t0
% t i + 1 t0 t0
Î à l’instant t0, la pe impulsion contribue d’autant plus au signal de sortie que

sa réponse « impulsionnelle » est élevée au bout des %tp qui la sépare de t0
2.3 – SLI : exemples de convolution
Exemples
9 convolution d'un signal porte par lui-même
+d
x U
( ) x U =
( )
¨ x (t ) x (U t )dt
d
U
x (U ) x (U )
x t
x (t ) x (U t )
t t U
x (t ) E (t t 0 )
x (t ) E (t t 0 ) x (t ) E (t t 0 )
T t0 T + t0
Les signaux déterministes
I. Analyse des signaux périodiques

1. Introduction : &KDSLWUH
L'analyse harmonique ou fréquentielle est l'instrument majeur de la théorie des signaux. Le
développement en séries de Fourier et, plus généralement, la transformation de Fourier
permettent d'obtenir une représentation spectrale des signaux déterministes. Celle-ci exprime
la répartition de l'amplitude, de la phase, de l'énergie ou de la puissance des signaux
considérés en fonction de la fréquence.
2. Séries de Fourier :
L'élément fondamental de l'analyse de Fourier est constitué par le fait qu'un signal
périodique peut être décomposé en une somme d'ondes sinusoïdales (théorème de
Weierstrass).
/HVVLJQDX[GpWHUPLQLVWHV
a) Définitions
Considérons un signal périodique x(t) de période T = 1/f0. Son développement en série de

Fourier est alors le suivant :
Série de Fourier réel :
f
A0 f
x(t ) ¦ An x cos(2Snf 0 t ) ¦ Bn x sin( 2Snf 0 t ) (1.1)
2 n1 n 1
Avec :
T
2 0
An x(t ) x cos(2Snf 0 t ) (1.2)
T0 ³0
T
2 0
Et Bn x(t ) x sin( 2Snf 0 t ) (1.3)
T0 ³0
Où T0 =1/f0
b) Série de Fourier complexe :
Un signal périodique peut aussi être décomposé sous forme d’exponentielle complexe
comme suit
f
x(t ) ¦C n x Exp(i 2Snf 0 t ) (1.4)
n f
Avec :
T
1 0
Cn x(t ) x Exp(i 2Snf 0t ) (1.5)
T ³0
Où T0 =1/f0 et -Q
SMP S6 M. LHARCH Page 1

d) Relations entre les trois représentations de Fourier: La représentation spectrale graphique qui lui est associée porte le nom de spectre bilatéral.
Pour la suite du cours, on retiendra essentiellement cette description car elle est
Les relations existant entre les trois représentations de Fourier sont présentées et illustrées analytiquement plus intéressante que la forme en cosinus.
par le tableau et le graphe vectoriel de la figure 1.2. Ce graphe est important car il permet de
voir en un coup d'œil les relations simples liant les trois représentations spectrales. On c) Série de Fourier en cosinus :
retiendra également la relation existant entre les coefficients spectraux et la valeur efficace
d'une composante spectrale Prenant en compte la relation trigonométrique suivante :
§ § - B ··
Acos(x) + B sin(x) = A 2 + B 2 cos¨¨ x + arctan¨ ¸ ¸¸ (1.6)
© © A ¹¹
on voit que le développement en série de Fourier peut également s'écrire :
f
x(t) = A0 ¦ Ak cos 2Skf 0 t + D k (1.7)
k 1
Avec
a0 § -b ·
A0 ; Ak ak2 + bk2 ; D k arctan¨¨ k ¸¸ (1.8)
2 © ak ¹
Cette série en cosinus est extrêmement importante car elle correspond à la description bien
connue des signaux en régime sinusoïdal permanent ou l'on représente un courant ou une
tension par leur amplitude et leur phase. D'un point de vue pratique cela revient à considérer
que le signal x(t) est crée de manière équivalente par une infinité de générateurs
sinusoïdaux. La représentation spectrale qui lui est associée porte le nom de spectre
unilatéral.
Une illustration en est donnée à la figure 1.1. On y voit une onde périodique en dents de scie
qui peut être reconstruite par une superposition d'ondes sinusoïdales. Cette superposition
peut être présentée dans l'espace temps ou, de manière équivalente et plus explicite, dans
Figure 1.2.: Relations entre les trois représentations spectrales l'espace des fréquences.
3. Théorème de la puissance ou de Parseval :
Dans l'espace temps, la définition de la puissance moyenne normalisée est la suivante

T
1
P x(t ) 2 dt X eff2
T ³0
(1.9)
On notera que cette définition coïncide avec celle du carré de la valeur efficace du signal
x(t). La puissance normalisée ne s'exprime donc pas en [W], mais en [V2] ou [A2] selon que
le signal est une tension ou un courant électrique.
Le théorème de Parseval montre que la puissance normalisée d'un signal peut se calculer
aussi bien dans le domaine temporel que dans le domaine fréquentiel. En effet, comme dans
l'espace des fréquences, le signal x(t) est représenté par des générateurs d'amplitude Ak, il
s'ensuit que la puissance totale est égale à la somme des puissances fournies par chaque
générateur. On en déduit alors :
f f
1 2
P = X eff ¦P k A02 ¦ Ak Pdc Pac
k 0 k 1 2
f f
1 2 2
X(0)2 ¦ 2. X(jk) ¦ X(jk)
k 1 2 k 1 Figure 1.1.: Onde en dents de scie, composantes et spectres d'amplitudes et de phases
D’où : le carré de la valeur efficace d'un signal est égal à la somme des carrés des valeurs
efficaces de chacune de ses composantes.
SMP S6 M. LHARCH Page 3 SMP S6 M. LHARCH Page 2

4. Spectres d’amplitude et phase :
Phénomène de Gibbs
En général, lorsqu'on reconstruit un signal x(t) à partir de ses coefficients de Fourier : La description de x(t) avec les fonctions cosinusoïdales conduit aux spectres unilatéraux
N N
d'amplitudes et de phases (Ak et Dk) du signal x(t). Les fréquences sont positives ou nulles
x N (t) = 0
¦ X(jk)exp(j2Skf t ) A0 ¦ Ak cos 2Skf 0 t + D k (1.10) car le compteur k des harmoniques varie de 0 à + (figure 1.3). La description de x(t) avec
k N k 1
On remarque une convergence rapide vers le signal original au fur et à mesure que N les fonctions complexes conduit aux spectres bilatéraux d'amplitudes et de phases (|X(jk)| et
augmente. Cependant, cela n'est plus vrai lorsque le signal possède des discontinuités d'ordre X(jk)). Ici, les fréquences sont négatives et positives car le compteur k varie de - à +.
0. Il apparaît alors, à l'endroit de la discontinuité, des oscillations que l'on désigne sous le Dans le cas des spectres bilatéraux, on notera que les spectres d'amplitudes sont toujours des
nom de phénomène de Gibbs. L'amplitude du dépassement dû à ces oscillations est égale au fonctions paires car on a
9% de l'amplitude de la discontinuité. Ak
X(jk) X(-jk) ; k z0
2
alors que les spectres de phases sont toujours des fonctions impaires. On a en effet
X(jk) - X(-jk) D k ; k z0
Pour le cas particulier de la composante continue du signal, on a
X(0) A0 , X(0) 0,S
Figure 1.5.: Illustration du phénomène de Gibbs
6. Propriétés de la série de Fourier : Figure 1.3.: Quelques signaux avec leurs puissance et spectres d'amplitudes uni et bilatéraux
a. Décalage temporel.
5. Reconstitution des signaux :
Il est fréquent en analyse des signaux de devoir décaler temporellement un signal x(t) ; on
obtient alors un nouveau signal y(t) = x(t + td). Ce décalage td peut être positif (signal On se souvient que, connaissant le spectre X(jk), on peut toujours reconstruire une
avancé) ou négatif (signal retardé) (fig. 1.16). On montre alors qu'entre les espaces temps et approximation d'ordre N du signal temporel. Une illustration de la synthèse de ces deux
fréquences, il existe la relation suivante : signaux est donnée à la figure 1.4. On constate que, contrairement au signal triangulaire, la
convergence est très lente pour le signal carré.
y(t) x(t t d ) Y(jk) X ( jk ).exp(j2Skf 0 t d
(1.11)
Comme le module du phaseur exp(+j2Skf0td) vaut toujours un, il s'ensuit que seul le spectre
de phases est modifié par un décalage temporel. On a donc :
Y(jk) X ( jk ) . ; E k D k 2Skf 0 t d
Remarque : A un décalage temporel correspond une phase variant linéairement avec la
fréquence.
b. Rotation autour de l’ordonnée
La rotation d'un signal autour de son ordonnée est décrite par y(t) = x(-t). Dans ce cas, on
montre que
y(t) x(-t ) Y(jk) X ( jk ) X * ( jk ) (1.12)
à une rotation du signal temporel autour de l'ordonnée correspond le conjugué complexe
dans le domaine fréquentiel.
Figure 1.4.: Synthèse de signaux triangulaire et carré par l'addition successive des harmoniques

cette déformation à l'aide du taux de distorsion harmonique (TDH). Celui-ci est défini c. Compression-dilatation temporelle
comme le rapport de la valeur efficace des harmoniques d'ordre supérieur à 1 avec la valeur
efficace du premier harmonique : La compression ou dilatation temporelle d'un signal est décrite par y(t) = x(at). Dans ce cas,
X eff (k ! 1) X 2 (2) X 2 (3) X 2 (4) ..... on montre que
TDH (1.15) 1 2Skf 0
X eff (k 1) X 2 (1) y(t) x(at ) Y(jk) X ( jk ) (1.13)
a a
9 Si a>1 on une dilation temporelle, ceci correspond à une compression du spectre de
II. Analyse des signaux non périodiques
fréquences ;
1. Transformée de Fourier :
9 Si a<1 on a une compression temporelle, ce qui donne un spectre dilaté en fréquences.
a. Passage de la série à la transformée de Fourier :
Remarque : Une dilatation temporelle du signal engendre une compression de son spectre
Le passage d'un signal périodique à un signal apériodique peut se faire en considérant que la
fréquentiel et inversement.
période T devient de plus en plus grande pour tendre vers l'infini. On constate alors que les
raies spectrales distantes de 1/T se rapprochent pour se transformer en spectre continu. Mais
7. Réponse d'un système linéaire
en même temps, l'amplitude de celui-ci diminue pour tendre vers zéro. Une illustration en
est donnée (figure 1.7) pour une suite d'impulsions rectangulaires dont la période augmente
Considérons, comme exemple, un filtre attaqué par une SIR (figure 1.6a). Comme ce signal
alors que la largeur reste constante. Comme la surface de l'impulsion reste constante alors
est périodique, on retrouvera à la sortie du circuit un signal périodique y(t) de même période
que la période augmente, l'amplitude Xdc du sinus cardinal ne cesse de décroître pour tendre
T0. La décomposition de ces 2 signaux en série de Fourier donnera les spectres X(jk) et Y
vers zéro.
Partant d'un signal périodique décrit par : (jk) qui seront liés l'un à l'autre par la réponse fréquentielle G(jZ) du filtre.
f
xT (t ) ¦ X ( jk ) x Exp(i 2Skf t ) 0
k f
T
T . X ( jk ) 2 ; k =
³ T x(t ).Exp(i 2Skf 0t )dt

2
A partir des correspondances suivantes
T o f ; f 0 o df ; kf 0 o f ; TX(jk) o X(jf) .
On voit que la série de Fourier discrète devient une fonction continue. Cette fonction X(jf)
est une densité spectrale d'amplitude qui, par définition, est la transformée de Fourier du
signal apériodique x(t) :
f
; f
f
T . X ( jk ) { ³ x(t ).Exp(i 2Skf 0t )dt
Figure 1.6.: Réponses temporelle et fréquentielle d'un filtre à une SIR
Comme les signaux périodiques sont représentés par des ondes sinusoïdales de fréquences
kf0 et que les systèmes linéaires conservent la fréquence des signaux appliqués, on retrouve
pour Y (jk) des raies spectrales situées aux mêmes fréquences que celles de X(jk) (figure
1.6b). De plus, l'amplitude et la phase de ces raies spectrales sont liées au signal d'entrée par
la relation bien connue Y (jZ) = G(jZ) . X(jZ). Dans le cas de signaux périodiques, la
pulsation Z est un multiple de la fondamentale 2Sf0. On a donc :
Y(jk) X ( jk ).G ( jZ ) Z 2Skf (1.14)
0
8. Les systèmes non linéaires (distorsion) :
La caractéristique essentielle des systèmes non-linéaires est de déformer les signaux

sinusoïdaux. Le signal de sortie est donc périodique non-sinusoïdal. Il s'en suit que son
spectre est constitué d'un grand nombre de raies spectrales, alors qu'à l'entrée il n'y avait
qu'une seule raie.
Figure 1.7.: Passage de la série de Fourier à la densité spectrale Dans la pratique, il est important de pouvoir chiffrer cette déformation puisque les
amplificateurs réels, quelle que soit leur qualité, possèdent des non-linéarités. On mesure

2 La transformée inverse s'obtient en considérant la fonction périodique pour laquelle la
Sx ( f ) { X ( f ) X(f).X * (f) ; en V 2 / Hz 2 (1.24)
période T tend vers l'infini; on a alors :
f
d. Propriétés de la transformation de Fourier x(t ) ¦ X ( jk ) x Exp(i 2Skf t ) 0
k f
Parmi le grand nombre de propriétés associées à la transformation de Fourier, on retiendra f
particulièrement celles qui ont le plus d'intérêt en traitement du signal. Elles sont présentées 1
lim 0
dans le tableau 2.1. T o f
¦ T T . X ( jk ) x Exp(i 2Skf t )
k f
f
Linéarité Ax(t)+by(t) aX(f) + bY(f)
lim ¦ T . X ( jk ) x Exp(i 2Skf t ). f 0 0
Décalage X(t+td) X(f).exp(j2Sf td) T o f
k f
Amortissement X(t).exp(-at) ; x(t) causal X(j2Sf+a) Lorsqu'on passe à la limite :
Modulation x(t) exp(+j2Sf0t) X (f - f0) T o f ; f 0 o df ; kf 0 o f ; TX(jk) o X(jf)
dérivation dx(t ) j2Sf X(f) et la somme devient une intégrale. On obtient la définition de la transformation inverse de
dt Fourier
Intégration t 1 1 f
X ( f ) X (0).G ( f ) ; f
f
x(t ) { ³ X ( jf ).Exp(i 2Skf 0 t )df
f
³ x(W )dW j 2Sf 2
f
avec X(0) x(t)dt b. TF direct et inverse :
³-f
Convolution x(t ) h(t ) X ( f ).H ( f )
Les deux relations que nous venons de démontrer constituent les transformations de Fourier
x(t ).h(t ) X( f ) H( f ) directe et inverse. On constate que les descriptions temporelle et spectrale sont parfaitement
Valeur à l’origine f f
x(t 0) X(f)df X(f 0) x(t)dt symétriques :
³-f ³ -f f
x(t ) X ( jf ).Exp(i 2Skf 0 t )df (1.16)
Rotation Oy y(t)=x(-t) Y(f)=X(-f)=X*(f) ³ f
Fonction paire x(t)=x(-t) X(f) réel pur f
X ( jf ) x(t ).Exp(i 2Skf 0 t )dt (1.17)
Fonction impaire x(t)=-x(-t) X(f) imaginaire pur ³ f
En notation abrégée, on décrira ces deux transformations par les opérateurs TF{} et TFI{}. La
2. Exemples de spectres continus : correspondance réciproque s'écrit alors :
x(t ) TFI ^X ( jf )` l X ( jf ) TF ^x(t )` (1.18)
Pour illustrer l'utilisation de la transformée de Fourier, calculons les densités spectrales de Si la fonction x(t) ne possède pas de symétries particulières, sa densité spectrale d'amplitude X(jf)
trois signaux particuliers. est une fonction complexe :
x(t ) l X ( f ) X r ( f ) iX im ( f ) (1.19)
a. Spectre d’une impulsion rectangulaire : Les densités spectrales du module et de la phase valent alors :
Considérons une impulsion x(t) de largeur 't et d'amplitude A centrée en t = 0 (figure 1.8). X(f ) { X(f ) X r2 ( f ) X im2 ( f ) (1.20)
Par définition de la transformation de Fourier, on a : X (f)
f X ( f ) { D ( f ) arctan( im (1.21)
X ( jf ) x(t ).Exp(i 2Skft )dt Xr( f )
³f
En tenant compte de la définition de l'impulsion rectangulaire centrée :
c. Energie d'un signal non permanent
't
°°0 si t !
x(t ) ® 2 Dans le cas des signaux non permanents, on prendra garde à parler de leur énergie et non pas
°A 't de leur puissance, car celle-ci est nulle si l'on considère une durée infiniment longue.
si t
°¯ 2 De manière similaire à ce que l'on a vu pour les signaux périodiques, on peut calculer
il vient : l'énergie d'un signal apériodique aussi bien dans le domaine temporel que dans domaine
fréquentiel :
f
W x 2 (t )dt ; en V 2 .s (1.22)
³f
f 2
W X ( f ) df ; en V 2 / Hz (1.23)
³f
L'expression de l'énergie d'un signal x(t) dans le domaine des fréquences entraîne la
définition de la densité spectrale d'énergie Sx(f) :

f f 't 't
A
X ( jf ) x(t ).Exp( j 2Sft )dt A exp(at ) sin( 2Sf p t ).Exp( j 2Sft )dt X ( jf ) 2 A.Exp( j 2Sft )dt
f
³ ³0 ³ 't

>exp( j 2Sft @ '2t
2
j 2Sf 2
f >exp(2Sf p t ) exp(2Sf p t )
A exp(at )
@.Exp( j 2Sft )dt
0
³ A ª 't 't º
2j exp( j 2Sf ) exp( j 2Sf )» (1.25)
j 2Sf «¬ 2 2 ¼
Cette intégrale ne contient que des exponentielles ; elle est très simple à calculer. Après A exp( jSf't ) exp( jSf't ) sin(Sf't )
A.'t.
réduction des deux primitives à un même dénominateur, on obtient : Sf 2j Sf't
2Sf p
X ( jf ) A C (1.26)
(a j 2Sf ) 2 (2Sf p ) 2 Comme on pouvait s'y attendre, la densité spectrale d'amplitude d'une impulsion
rectangulaire centrée en t=0 est bien décrite par un sinus cardinal. De plus, comme
l'impulsion rectangulaire x(t) est paire, sa densité spectrale d'amplitude Y(jf) est une
fonction réelle. Enfin, on remarquera (figure 1.8) que le spectre passe par zéro chaque fois
que le sinus cardinal s'annule, c'est-à-dire, chaque fois que la fréquence est un multiple de
1/'t.
Figure 1.9.: Sinus amorti et le module de sa densité spectrale d'amplitude.
On remarquera que la densité spectrale d'amplitude Y(jf) est une fonction complexe car la
sinusoïde décroissante y(t) ne possède pas de symétrie particulière. La figure 1.9 présente le
sinus amorti et le module de sa densité spectrale d'amplitude. On peut également noter les
deux valeurs particulières suivantes : Figure 1.8.: Impulsion rectangulaire et sa densité spectrale d'amplitude.
2Sf p A
f 0 : Y(0) A 2 | si a 2Sf p Le spectre de cette impulsion illustre deux points importants concernant les signaux de durée
a (2Sf p ) 2 2Sf p
limitée :
A 2Sf p A 9 Un signal de courte durée possède un spectre large bande.
f fp : Y(f p ) | si a 2Sf p
a a j 4Sf p j 2a 9 Un spectre étroit correspond à un signal de longue durée.
b. Spectre d’un sinus amorti :

c. Spectres de deux impulsions rectangulaires
Etudions, comme deuxième exemple, la transformée de Fourier d'une sinusoïde de fréquence
Considérons un signal constitué de deux impulsions d'amplitude A placées symétriquement
fp décroissant exponentiellement au cours du temps (figure 1.9). Son équation s'écrit :
en ±t0/2 (figure 2.5). Ce signal possède un spectre qui se calcule facilement à partir de celui
d'une impulsion centrée en t = 0 et à l'aide du théorème du décalage. 0 si t 0
x(t ) ®
Comme le signal z(t) est la somme de 2 impulsions décalées de ±t0/2, ¯ Aexp(-at) sin(2Sf p t) si t ! 0
z(t) = x(t + t0/2) + x(t - t0/2)
On a : Partant de la définition de la transformée de Fourier, on calcule sa densité spectrale
sin(Sf't ) ª t t º sin(Sf't ) d'amplitude :
Z(jf ) A't exp( j 2Sf 0 ) exp( j 2Sf 0 )» 2 A't cos(Sft 0 )
Sf't «¬ 2 2 ¼ Sf't

9 pour la transformation de Fourier, il faut que le signal soit intégrable en valeur absolue et Donc :
que le nombre de ses discontinuités soit fini : sin(Sf't )
f Z(jf ) 2 A't cos(Sft 0 ) (1.27)
x(t ) dt f Sf't
³ f
9 pour la transformation de Laplace, il faut que : De plus, par rapport à ce qui va suivre, il est intéressant de considérer également la densité
f
x(t ) exp( st ) dt f spectrale d'énergie :
³f 2
ª sin(Sf't ) º
Autrement dit, il faut que le signal x(t) pondéré par une exponentielle amortie soit intégrable SZ ( f ) «2 A't Sf't cos(Sft 0 )»
en valeur absolue. ¬ ¼
Des deux points ci-dessus, il découle que les signaux temporaires (à énergie finie) et les
signaux permanents périodiques ou non (à puissance finie) possèdent une transformée de Les densités spectrales d'amplitude et d'énergie sont représentées à la figure 1.10.
Fourier mais pas nécessairement une transformée de Laplace. Ainsi en est-il de
l'exponentielle symétrique et, au sens des limites, des signaux périodiques.
Par contre, des signaux démarrant en t = 0 tels qu'une rampe x(t) = a.t ‫(ܭ‬t), une parabole
x(t)= a.t2‫(ܭ‬t), ne sont pas transformables de Fourier, alors qu'ils possèdent une transformée
de Laplace.
Il existe d'autre part des signaux qui possèdent les deux transformées ; par exemple, les
signaux amortis démarrant en t = 0. Et d'autres n'en possèdent aucune; par exemple x(t) = a.t
pour -1<t<+1.
c) Théorème de Bernstein
Existence de “relations d’incertitude” entre les supports temporels et fréquentiels. Exemple

du signal rectangulaire, figure 1.8. A un support fini dans le domaine temporel correspond
un support infini dans le domaine fréquentiel. Conclusion : un signal à bande limitée
n’existe pas (en théorie). En pratique, importance des ordres de grandeur.
Le théorème de Bernstein donne des relations entre la largeur de bande du signal et les
dérivées nèmes du signal (plus la bande du signal est importante, plus il est susceptible de Figure 1.10.: Deux impulsions rectangulaires symétriques (a) avec ses densités spectrales
varier rapidement). d'amplitude (b) et d'énergie (c)
Autre interprétation : plus un signal est impulsif (concentré dans le temps) plus son spectre
est large (et réciproquement). 3. Quelques conclusions
a) TF des signaux périodiques

4. Table illustrée de quelques transformées de Fourier
Du paragraphe précédent, on retiendra que la transformation de Fourier s'applique également
à des signaux périodiques, c'est-à-dire à des signaux de puissance moyenne finie. Dans ce
cas, les raies spectrales de la série de Fourier sont remplacées par des impulsions de Dirac.
b) Relations avec la transformation de Laplace
Les définitions des transformées de Fourier et Laplace montrent une forte similitude. On a
en effet
f
X ( jf ) x(t ).Exp(i 2Skft )dt
³f
f
(1.28)
L( s ) x(t ).Exp( st )dt avec s V j2Sf
0
³
Si on a défini des transformations si proches, mais malgré tout distinctes, c'est que tous les
signaux ne sont pas transformables de Fourier et/ou de Laplace. En effet, l'existence de ces
transformations entraîne les restrictions suivantes :

III. Corrélation de signaux à énergie finie
Dans de nombreuses applications du traitement du signal il est nécessaire de comparer des
signaux entre eux, en particulier pour déterminer un degré de ressemblance ou pour
synchroniser des horloges. La méthode permettant de résoudre ce problème de la façon la
plus directe la plus directe consiste à calculer le produit d’intercorrélation. Ce produit est
l.intégrale du produit des deux signaux. On peut démontrer que ce produit d’intercorrélation
passe par un maximum (à énergie constante) quand les deux signaux sont identiques et
parfaitement synchronisés. Pour simpli.er la présentation commençons par le cas des
signaux discrets.
1. Intercorrélation de deux signaux :

Considérant deux signaux x(t) et y(t) à énergie finie, on définit la fonction d'intercorrélation
comme l'intégrale du produit du signal x(t) avec le signal y(t) décalé d'une valeur W :
f
Rxy (W ) x(t ). y (t W )dt (1.29)
f
³
Remarques :
x On voit ainsi que la fonction Rxy(W) est aussi la version retournée de Ryx(W) autour de
l'ordonnée Oy. Rxy(t)=Ryx(-t)
x Les fonctions d’intercorrélation et de convolution sont reliées entre elles par :
Rxy (W ) x(W ) y (W )
Cette relation valable dans l'espace temps a bien entendu son équivalent dans l'espace des
fréquences que l'on désigne sous le nom de densité interspectrale d'énergie :
Rxy(jf) = X*(jf) Y(jf)
Exemple :
Calculer la fonction d’intercorrélation des deux fonctions définies par :
1 si 0 t 2 1 si 0 t 1
f (t ) ® g (t ) ®
¯0 sinon ¯0 sinon
L’intégrale doit être calculée par morceaux
* t -1 R fg (t ) 0
° t 1
°* -1 t 0 R fg (t ) t 1
° ³ du
0
°
t 1
°°
®* 0 t 1 R fg (t ) ³ du 1
° t
° 2
°* 1 t 2 R fg (t ) ³ du 2t
° t
°
°¯* 2t R fg (t ) 0
fig. 1.11 : Produit d’intercorrélation de f et g

de l’exemple ci-dessus.

2. Autocorrélation d’un signal :
R ex (t) e x(-t)
Dans le cas particulier où y(t) = x(t), on obtient la fonction d'autocorrélation du signal x(t) :
Rex (t ) Rxx (t ) Rbx (t ) f
Rxx (W ) x(t ).x(t W )dt (1.30)
³ f
Rex (0) E x Rbx (0)
qui, pour un décalage nul, donne l'énergie du signal x(t) :
f
L’intercorrélation à l’origine est maximum si le signal et le bruit sont décorrélés. Ce qui est Rxx (0) x(t ) 2 dt Wx (1.31)
f
³
le cas si le bruit est un bruit blanc indépendant du signal. Cette propriété est à l’origine de la
notion de filtre adapté. 3. Propriété fondamentale :
Considérons une combinaison linéaire de deux signaux déterministes réels modélisés par des
fonctions de u. t est un paramètre constant dans ce qui suit, de même que b:
f(u) + bg(u - t)
Calculons son énergie
f
E ³ f (u ) bg (u t ) f (u ) bg (u t ) du
f
f f f
2
³ f (u ) f (u )du b ³ g (u t ) g (u t )du 2b ³ f (u ) g (u t )du (1.32)
f f f
R ff (0) b 2 R gg (0) 2bR fg (t) t 0
Si on considère cette expression comme une équation du 2ème degré en b, elle est positive ou
nulle et son discriminant est donc négatif ou nul car elle n’a pas de racine réelle en dehors
des racines doubles:
R 2fg (t) R ff (0)R gg (0) d 0
Donc R fg (t) d R ff (0)R gg (0)
L’intercorrélation est donc bornée par le produit des énergies des deux signaux. Ce qui, dans
le cas de l’autocorrélation donne
R ff (t) d R ff (0) (énergie du signal)

Donc l’autocorrélation passe par un maximum en t = 0. On parle du pic de corrélation, il est
situé à la meilleure coïncidence des signaux.
On normalise souvent l’intercorrélation par l’énergie des signaux, de sorte que
l’intercorrélation soit toujours inférieure ou égale à 1.
R fg (t)
d1
Ef Eg
4. Application détection de signaux noyés dans le bruit :

On calcule l’intercorrélation entre le signal d’entrée et le signal à reconnaître.
e(t) = x(t) + b(t)

But d’une modulation
Soit le montage suivant :
&KDSLWUH
En faisant varier la longueur l de la tige métallique, on constate que pour une longueur l0, le
courant débité par le générateur devient très supérieur au courant consommé par le primaire du
transformateur à vide : tout se passe comme si le secondaire du transformateur était connecté
à une charge.
/D0RGXODWLRQ
Il y a donc un échange d’énergie entre le générateur et le milieu ambiant. Cet échange se fait sous
forme de rayonnement électromagnétique. La tige métallique joue le rôle d’une antenne émettrice.
On constate également que la longueur l0, pour laquelle le rayonnement est maximal, est liée à la
fréquence f du générateur par la relation :
avec :
Ȝ HVW longueur d’onde du signal produit par le générateur, c étant la vitesse de la lumière dans le
vide.
Exemple de calcul :
Si on veut transmettre un signal audio dont le spectre se situe autour de 10 kHz, la longueur
de l’antenne doit être :
I. La modulation d’amplitude : L’antenne doit avoir une longueur très grande : difficile en pratique. Pour diminuer la longueur de
l’antenne, on doit augmenter la fréquence du signal à transmettre : on effectue un décalage spectral
La méthode la plus simple de transposition spectrale est la modulation d’amplitude (ou modulation
vers les hautes fréquences du signal : c’est la modulation.
linéaire), notée AM (Amplitude Modulation). C’est la méthode utilisée pour les premières
Exemple :
transmissions radio, dans les années 1920.
Si l’émission se fait à la fréquence f = 10 MHz, la longueur de l’antenne devient :
Il y a quatre types de modulations d’amplitude :
– AM Double Bande Sans Porteuse (DBSP) : utilisée pour le multiplexage fréquentiel et le
cryptage analogique ;
C’est une antenne réalisable pratiquement.
– AM Double Bande Avec Porteuse (DBAP) : utilisée en radiodiffusion ;
A la réception, le signal HF doit être ramené vers les basses fréquences : décalage spectral vers les
– AM Bande Latérale Unique (BLU) : utilisée pour le multiplexage fréquentiel, la téléphonie,
basses fréquences du signal : c’est la démodulation.
les radiocommunications militaires et marines ;
Ainsi, les signaux basse fréquence (signaux audio) ne peuvent pas être directement transmis en
– AM Bande Latérale Résiduelle (BLR) : utilisée pour l’émission des signaux de télévision.
bande de base car ils nécessitent de trop grandes antennes. Le but d’une modulation est donc de
décaler le signal à émettre vers les hautes fréquences afin d’avoir des antennes émettrices de
2.2 La modulation AM Double Bande Sans Porteuse
dimensions raisonnables.
2.2.1 Principe
La fréquence à laquelle se fait l’émission en HF est appelée fréquence porteuse car elle transporte
Soit un signal sinusoïdal haute fréquence p(t FRVʌf0t, appelé porteuse. Le message m(t) à
l’information BF. Le signal transmis en HF est appelé signal modulé.
transmettre est appelé signal modulant. Le signal AM module en amplitude Double Bande Sans
On en déduit le schéma synoptique d’une chaînene de transmission :
Porteuse (DBSP) s’écrit : s(t) = p(t) · m(t)
2.2.2 Cas d’un signal modulant sinusoïdal

On considère un signal modulant sinusoïdal m(t) = A.FRVʌfmt avec fm << f0. Le signal AM s’écrit
alors :
s(t) = cos2ʌf0t · A.cos 2ʌfmt
Représentation temporelle :
Représentation spectrale : Représentation spectrale :
Pour déterminer le spectre de s(t), il faut décomposer s(t) en une somme de signaux sinusoïdaux.
On a :
Le spectre d’amplitude du signal module s(t) est donc constitue de deux raies symétriques situées
aux fréquences f0 -fm et f0 +fm. De plus, il n’y a pas de composante spectrale à la fréquence f0 de la
porteuse. L’allure du spectre d’amplitude du signal modulé justifie l’appellation Double Bande
Sans Porteuse.
Le spectre d’amplitude du signal AM DBSP avec un signal modulant quelconque est constitué de
deux bandes symétriques, centrées autour de f0 : la bande latérale inférieure (BLI) et la bande
laterale supérieure (BLS).
L’occupation spectrale du signal AM DBSP est :
Bs = 2× Bm
Le signal modulé est un signal à bande étroite, centre autour de la fréquence f0 de la porteuse. Le
La transmission d’un signal en modulation AM DBSP nécessite donc une largeur de bande double
but de la modulation est atteint : le signal BF est transformé en un signal HF.
de celle du signal modulant.
2.2.3 Cas d’un signal modulant quelconque

2.3 Démodulation des signaux AM DBSP
2.3.1 Principe
Apres filtrage passe bas de v(t), on obtient le signal démodulé :

2.4 La modulation AM Double Bande Avec Porteuse 2.3.2 Représentation spectrale
2.4.1 Principe
Soit p(t) = A.FRVʌf0t la porteuse et m(t) le message à transmettre. Le signal AM DBAP s’écrit :
s(t) = (A + m(t FRVʌf0t
Dans le cas d’un signal modulant sinusoïdal m(t) = Am. FRVʌfmt, le signal AM DBAP devient :
avec k = Am/A : indice de modulation (ou taux de modulation) = rapport entre l’amplitude du signal
modulant et celle de la porteuse.
Pour un signal modulant quelconque, l’indice de modulation est défini par :
2.4.2 Représentation temporelle du signal AM DBAP
2.3.3 Problème de la démodulation du signal AM DBSP

6LODSRUWHXVHORFDOHHVWDIIHFWpHG¶XQGpSKDVDJHĳRQD
Apres filtrage passe bas on obtient :
Si N1, l’enveloppe du signal modulé s(t) possède exactement la forme du signal modulant.
On constate qu’il y a atténuation du signal démodulé, d’où la nécessite que la porteuse locale soit en
Si k > 1, l’enveloppe du signal modulé ne correspond plus au signal modulant : le signal AM est
phase avec la porteuse reçue : démodulation cohérente ou synchrone.
surmodulé. En pratique, on doit toujours avoir N1.
Solution :
Détermination de l’indice de modulation k a partir de la représentation temporelle du signal AM
Transmission séparée d’une porteuse de référence appelée fréquence pilote.
DBAP :
La modulation AMDBSP n’est pas utilisée pour la radiodiffusion mais pour des techniques de
multiplexage fréquentiel : transmission de plusieurs signaux sur un même support, chaque signal
étant transmis sur une porteuse différente.
Occupation spectrale du signal AM DBAP : Autre méthode de détermination pratique de l’indice de modulation d’un signal AM DBAP :
Bs = 2Bm méthode du trapèze. On trace le signal modulé s(t) en fonction du signal modulant m(t) :
2.4.4 Puissance d’un signal AM DBAP
On a les relations suivantes :
Ps = Pporteuse + PBLI + PBLS
PBLI = PBLS
D’où :
Ps = Pporteuse + 2 × PBL
Dans le cas d’un signal modulant sinusoïdal :
Ainsi :
2.4.3 Représentation spectrale du signal AM DBAP
En général, le signal AM transmis ne doit pas être surmodulé : N1. Pour k = 1 (valeur maximale),
on a donc :
Donc seul un tiers (au maximum) de la puissance du signal AM contient l’information utile. C’est Le spectre du signal AM DBAP possède donc une raie d’amplitude A à la fréquence f0 de la
un inconvénient de la modulation AM DBAP : gaspillage de puissance. porteuse et deux raies latérales d’amplitude kA/2 aux fréquences f0 - fm et f0 + fm.
2.5 Génération du signal AM DBAP

2.5.1 Méthode directe
Cas d’un signal modulant quelconque :
Cette méthode est très peu utilisée.

2.5.2 Utilisation d’une non linéarité
Exemple :
On considère la non linéarité définie par :
y = F(x) = a0 + a1x + a2x2
Le signal y(t) s’écrit alors :
Après filtrage passe-bas et suppression de la composante continue :
La démodulation cohérente présente le problème de la synchronisation de la porteuse locale avec la

porteuse à l’émission. Une méthode de démodulation plus efficace est la détection d’enveloppe.
Apres filtrage passe bande du signal y(t) autour de la fréquence f0, on obtient :
s(t) = a1.p(t) + 2.a2.m(t).p(t)
2.7 La modulation AM à Bande Latérale Unique = [a1 + 2.a2.m(t)].p(t)
2.7.1 Principe C’est bien un signal AM DBAP :
En modulation AM double bande, avec ou sans porteuse, le spectre du signal modulé présente deux
bandes latérales symétriques autour de la fréquence de la porteuse. Ces deux bandes latérales se
déduisent l’une de l’autre, donc elles contiennent chacune la même information. Leur occupation
spectrale vaut le double de celle du signal en bande de base. Il y a donc un gaspillage de la
puissance de l’émetteur et de la bande passante du canal de transmission.
Principe de la modulation AM a bande latérale unique (BLU) : supprimer l’une des deux bandes
latérales du signal transmis pour une meilleure exploitation de la puissance et de la bande passante.
La modulation BLU (ou SSB : Single Side Band) est principalement utilisée en radiotéléphonie
militaire et marine. 2.6 Démodulation des signaux AM DBAP
2.6.1 Démodulation cohérente
2.7.2 Caractéristiques du signal BLU
Pour un signal m(t) tel que |m(t)|max = 1, on a :

Occupation spectrale du signal BLU :
Bs = Bm
2.7.3 Génération du signal BLU par filtrage passe-bande
2.7.4 Génération du signal BLU par la méthode du déphasage
˱ଉ
Le filtre déphaseur (ou filtre de Hilbert) présente un gain égal à 1 et introduit un déphasage de –ʌ Problème posé par cette méthode : réalisation d’un filtre passe-bande avec une coupure nette en f0
dans la bande de fréquences [0 Bm] (Bm : occupation spectrale du signal modulant) : (pente infinie) alors le spectre du signal modulant ne doit pas contenir de fréquences très basses
pour pouvoir utiliser un filtre passe-bande réalisable.
(QSUDWLTXHRQVXSSULPHOHVIUpTXHQFHVGXVLJQDOPRGXODQWFRPSULVHVGDQVXQLQWHUYDOOH>ǻf] a
l’DLGHG¶XQILOWUHSDVVHEDQGHDYDQWG¶HIIHFWXHUODPRGXODWLRQ ǻf = 300 Hz pour la téléphonie) :
Pour un signal modulant m(t) = Am cos 2ʌfmt, on a :

3RXU DXJPHQWHU HQFRUH ǻf afin de pouvoir utiliser un filtre passe-bande avec une faible pente, on
peut réaliser une double modulation BLU :
La modulation de fréquence (FM : Frequency Modulation) est la transformation du message m(t) à
transmettre en variations de la fréquence instantanée du signal s(t) qui est transmis sur le canal de
transmission. La transformation est linéaire :
Fi(t) = f0 + kf·m(t)
On en déduit l’expression du signal modulé en fréquence :
d’où :
La réalisation pratique du filtre déphaseur reste cependant délicate.
2.7.5 Démodulation du signal BLU
La démodulation d’un signal BLU se fait par démodulation cohérente :
Pour un signal BLU s(t) = Am cos 2ʌ(f0 + fm)t, on a :
Apres filtrage passe-bas, on obtient le signal démodulé :
II. La modulation de fréquence

2.2 Caractéristiques de la modulation de fréquence
2.1 Définitions
La FM possède une très bonne résistance au bruit (perturbations) : elle est utilisée pour la
Soit un signal V W $FRV ʌI0Wĳ W .
radiodiffusion haute fidélité et les transmissions par satellites.
On définit :
C’est une modulation à enveloppe constante, d’où :
- la phase instantanée :
- puissance constante : PFM = A2/2, indépendante du signal modulant m(t), ce qui facilite le
4 i (t ) 2Sf 0 t M (t )
dimensionnement et la réalisation des émetteurs;
- résistance aux non linéarités : - la fréquence instantanée :
1 d4 i (t ) 1 dM (t )
Fi (t ) f0
2S dt 2S dt
2.3.2 Les fonctions de Bessel de première espèce u = a0 + a1s + a2s2 + a3s3 + · · ·
La fonction de Bessel de première espèce d’ordre n est définie par : s(t) = Acos(2ʌI0t ĳ t))
u(t) = m + ncos(2ʌI0t ĳ t)) + pFRV ʌI0t ĳ t)) + qFRV ʌf0t ĳ t)) + · · ·
Un filtrage passe bande permet de récupérer le signal FM : ncos(2ʌI0t ĳ t)). On peut ainsi utiliser,
pour l’amplification des signaux FM, des amplificateurs de puissance fonctionnant près de la
Elle peut être développée en série par :
saturation (zone fortement non linéaire), donc avec un très bon rendement : amplificateurs à T.O.P
(tubes à ondes progressives) pour les transmissions satellites et les faisceaux hertziens.
Elle possède les propriétés suivantes :

2.3 Analyse spectrale du signal FM
2.3.1 Développement en série de Fourier d’un signal FM
Soit un signal FM :
On ne sait pas calculer le spectre de s(t) pour un signal modulant m(t) quelconque. On effectue le
calcul dans le cas d’un signal modulant sinusoïdal :
m(t) = Am cos 2ʌfmt
Dans ce cas, la fréquence instantanée du signal FM est :
Représentation graphique : Fi(t) = f0 + kfm(t) = f0 + kfAm cos 2fmt

Fi(t) varie de manière sinusoïdale dans un intervalle [f0 - ǻf, f0 ǻf] avec :
ǻf = kfAm
ǻf est appelé excursion maximale en fréquence. C’est une grandeur proportionnelle à l’amplitude
du signal modulant.
On en déduit la phase instantanée du signal FM :
On définit l’indice de modulation du signal FM :
Le signal FM s’écrit donc :

s(t) = Acos(2ʌf0t + ȕsin2ʌImt)
C’est un signal périodique. On montre que son développement en série de Fourier s’écrit :
La table des fonctions Jn ȕ SRXUGLIIpUHQWHVYDOHXUVGHO¶LQGLFHȕest donnée ci-dessous :
où Jn ȕ HVWODfonction de Bessel de première espèce d’ordre n.

donc le spectre est constitué d’une raie à la fréquence f0 de la porteuse et de deux raies latérales aux
fréquences f0 - fm et f0 + fm : il ressemble à un signal AM double bande avec porteuse sauf que les
raies latérales sont en opposition de phase car J-1(ȕ) = - J1(ȕ). Un tel signal est appelé signal FM a
bande étroite (NBFM : Narrow Band FM).
Table des fonctions Jn ȕ SRXUGLIIpUHQWHVYDOHXUVGHO¶LQGLFHȕ
2.3.3 Représentation spectrale du signal FM

2.3.4 Occupation spectrale utile du signal FM D’après les propriétés des fonctions de Bessel :
Le signal FM possède théoriquement une occupation spectrale infinie (nombre de raies infini), il - le spectre du signal FM modulé par un signal sinusoïdal de fréquence fm est constitué d’une
nécessite donc un canal de transmission possédant une bande passante infinie : irréalisable en infinité de raies distantes de fm, situées aux fréquences f0±nfm, d’amplitude A·Jn ȕ ;
pratique. - les raies symétriques aux fréquences f0+nfm et f0-nfm ont même amplitude mais sont en opposition
La transmission du signal FM se fait donc en remarquant que, pour une valeur donnée de l’indice de de phase pour n impair car Jn ȕ -1)n Jn(-ȕ ;
modulation ȕ, l’amplitude des raies spectrales devient de plus en plus faible lorsqu’on s’éloigne de - le nombre de raies est infini, mais Jn ȕ ĺ quand n ĺ donc le signal FM peut être considéré
la fréquence de la porteuse. On peut donc négliger les raies dont le rang est supérieur à une certaine comme un signal à largeur de bande limitée ;
valeur qui reste à déterminer en fonction de ȕ. - lorsque l’indice de modulation est faible, c’est-à-dire ȕ, on a :
2.4 Démodulation des signaux FM : Soit N(ȕ) le nombre de raies significatives de part et d’autre de la porteuse. L’occupation spectrale
Discriminateur utile du signal FM est donc :

Bs = 2N(ȕ)fm
Il existe différents critères de détermination de N(ȕ), par exemple la règle de Carson : pour mesurer
N(ȕ), on ne garde que les raies dont la somme des puissances constitue au moins 98 % de la
puissance totale du signal FM. En utilisant le développement en série de Fourier du signal FM, la
puissance de celui-ci s’écrit :
Le nombre N(ȕ) de raies significatives selon la règle de Carson est donc défini par l’inégalité :
C’est-à-dire :
ou encore :
car, pour n > 1, on a J-n(ȕ) = (-1)nJn(ȕ) donc J-n(ȕ)2 = Jn(ȕ)2.

En utilisant la table des fonctions de Bessel, on trouve que :
N(ȕ) = ȕ + 1
d’où :
Bs = 2(ȕ + 1)fm
Puisque ȕ ǻf/fm , on a également :
L’occupation spectrale du signal FM dépend donc de deux grandeurs :

- O¶H[FXUVLRQHQIUpTXHQFHǻf, proportionnelle à l’amplitude du signal modulant ;
- la fréquence fm du signal modulant.
Dans le cas d’un signal FM à faible indice (ȕ << 1), on a Bs = 2(ȕ + 1)fm § 2fm : on retrouve
l’occupation spectrale d’un signal AM.
Dans le cas d’un signal FM a grand indice (ȕ >> 1), on a Bs = 2(ȕ +1)fm § 2 ȕ fm = 2kfAm donc
l’occupation spectrale d’un signal FM à grand indice de modulation (appelé signal WBFM : Wide
Band FM) est proportionnelle à l’amplitude du signal modulant. Ce dernier résultat est connu sous
le nom de théorème de Woodward.
III. Modulation de Phase :
3.1 Principe :
&KDSLWUH
/HILOWUDJHDQDORJLTXH
3.2 Occupation spectrale du signal PM :

,Introduction
Fonctions de transfert des filtres FODVVLTXHV
La fonction de transfert d'un filtre s'écrit avec les notations complexe (jω) ou de Laplace (P), Un filtre est un Système Linéaire Invariant dans le Temps bande
Y(f) passante
comme le rapport de deux polynômes (Équation 1) : permettant de diviser le spectre (espace fréquentiel) afin de
N (P) a0 + a1 p + a2 p 2 + a3 p 3 + a4 p 4 + ... + aα pα conserver une ou plusieurs parties (bande) de ce spectre. f
H( p) = = Équation 1 Le filtre idéal permet de transmettre sans distorsion une
D( P ) b0 + b1 p + b2 p 2 + b3 p 3 + b4 p 4 + ... + bβ p β
partie du spectre (bande passante) et bloque toutes les autres bande coupée bande coupée
transitions

Pour tout système réel, le degré du dénominateur (β) doit être supérieur ou égal au degré du immédiates
parties (bande coupée), avec un passage abrupt
numérateur (α) : β ≥ α. (discontinuité) entre ces deux parties. Figure 1 : exemple filtre passe-bande idéal

Pour qu'un filtre soit stable, il faut que tous les pôles de la fonction de transfert soient à parties Les filtres sont caractérisés par leur fonction de transfert, et ils peuvent être classés en 5 familles,
réelles négatives. suivant la bande du spectre de fréquences sur laquelle ils agissent :

L'ordre d'un filtre est donné par le degré du polynôme du dénominateur (β) de la fonction de passe-bas coupe-bande
transfert. passe-bande passe-tout

Toutes les fonctions de transfert peuvent être décomposées comme le produit de fonctions de passe-haut
transfert du premier et du deuxième ordre.
Le filtre idéal avec une discontinuité dans sa fonction de transfert n'est pas physiquement réalisable,
Les cinq types de fonctions de transfert (passe-bas, passe-haut, passe-bande, coupe-bande et passe- car sa réponse impulsionnelle nécessiterait que l'évolution du signal de sortie anticipe l'évolution du
tout) sont présentés ci-dessous avec leurs principaux paramètres. signal appliqué en entrée (système non causal).
G (dB)
Les filtres analogiques réels présentent donc des imperfections avec lesquelles il faut trouver des
ωP ωA log(ω)
Passe-bas 0 compromis en fonction de son application :
GP
représentation symbolique le gabarit transition progressive entre la bande passante et la bande bande
Y(f) passante
coupée
GA
irrégularité du gain dans la bande passante (ondulations) f
affaiblissement dans la bande coupée
réponse impulsionnelle réponse harmonique (fonction de transfert) bande atténuée bande atténuée
irrégularité du gain dans la bande coupée (ondulations) zones de
sin (2πf C (t − t 0 )) H ( jf ) = k ⋅ e − j 2πft0 pour f < f C irrégularité du temps de propagation transitions
h( t ) = 2k ⋅ f C ⋅
2πf C (t − t 0 ) H ( jf ) = 0 pour f > f C Figure 2 : exemple filtre passe-bande réel
h(t) module phase bande

2k.fC |H(f)| θ(H(f)) Les compromis faits sur ces différentes imperfections Y(f)
filtre idéal passante
irrégularité
k f peuvent être regroupés sur un graphique appelé
f +fC du gain
-fC 0 gabarit du filtre. f
-fC 0 +fC
t Ce gabarit fixe les limites de la fonction de transfert
0
-t0fC
t0 bande atténuée zones de bande atténuée
t0 est le temps de propagation, (retard) du filtre réalisé. transitions
module : 1 filtre idéal filtre réel gabarit
H ( jω ) =
2 Le gabarit étant défini pour chaque application, il en
−t 1 §ω · Figure 3 : exemple gabarit d'un filtre passe-bande
1 1 H ( jω ) = 1 + ¨¨ ¸¸ existe une infinité.
h(t ) = ⋅e τ avec τ = ω © ω0 ¹
τ ω0 1+ j Afin de faciliter les calculs en vu de la réalisation des filtres, on peut moyennant un changement de
ω0 ω
phase : variable (transposition) se ramener à un filtre passe-bas, puis par un second changement de
( jω )
θ (H ) = − arctan
ω0 variable (normalisation) se ramener à un gabarit dont la fréquence (pulsation) à la limite de la
h(t) 20 log0,01
|H(jω)| 0,1 1 10 100
1 0 dB 0°
bande passante vaut 1 (sans unité).
-3,01 dB θ (H(j ω ))
-15°
0,75 -10 dB
-30°
La fonction de transfert d'un filtre réel s'écrit sous la forme d'un rapport de polynômes complexes. Il
er
1 ordre 0,5 existe de nombreuses fonctions mathématiques, appelées fonctions d'approximations, pouvant
-20 dB -45° -45°
0,25 -60°
répondre à l'exigence du gabarit normalisé. Les principales fonctions d'approximations sont les
-30 dB suivantes :
-75°
0
-1 0 1 2 3 4 5 6 7 -40 dB -90°
fonction de Bessel fonction de Chebychev et Chebychev inverse
fonction de Butterworth fonction de Cauer
exemple tracé avec : τ = 1 exemple tracé avec : ω0 = 1
ω0 est pulsation caractéristique. Pour un filtre du premier ordre, elle correspond à la pulsation pour
laquelle le gain a diminué de 3 dB (ω0 = ω(Gmax – 3dB)). Cela correspond également à la pulsation pour La réalisation des filtres peut être faite à base de résistances, condensateurs et inductances, on parle
laquelle la rotation de la phase est de ±45° (déphasage égale à 50 % du déphasage totale). alors de filtres passifs, en opposition avec les filtres actifs qui comportent en plus des composants
Le gain dans la bande passante est fixé arbitrairement à 0 dB soit k = 1. actifs, comme par exemple les transistors ou amplificateurs opérationnels (ampli op ou aop), qui
Temps de propagation : voir le chapitre Temps de groupe (ou temps de propagation) :. nécessitent une source d'énergie externe (alimentation).
page page
1
G (dB) m = 0 : h( t ) = ω 0 sin (ω 0t ) (système oscillant) H ( jω ) = 2
ωA ωP log(ω) exemple Figure 5
Passe-haut 0 − mω0t ω §ω ·
GP m < 1 : h = ω0 ⋅ e 1 + 2m ⋅ j −¨ ¸
représentation symbolique le gabarit (t ) sin ω 0t 1 − m 2 ( ) ω 0 ¨© ω 0 ¸¹
1 − m2
module : 1
GA
m = 1 : h( t ) = ω 02t ⋅ e −ω0t H ( jω ) =
2 2
0 § § ω ·2 · §
m>1: h = ω 0 ⋅ e − mω t
(t ) sinh ω 0t m 2 − 1 ¨1 − ¨ ¸ ¸ + ¨ 2m ⋅ ω ·¸
2 ¸
réponse impulsionnelle réponse harmonique (fonction de transfert) m −1
( ) ¨ ¨© ω 0 ¸¹ ¸ ¨© ω0 ¹
© ¹
H ( jf ) = 0 pour f < f C Pour t donné, il y a continuité de h(t) en fonction de m.
phase : 2m ⋅ ω ⋅ ω 0
exemple Figure 4 (j )
H ( jf ) = k ⋅ e − j 2πft0 pour f > f C θ (H ω ) = − arctan
ω 02 − ω 2
§ sin (2πf C (t − t 0 )) · module phase ω0 est pulsation caractéristique. Suivant la définition retenue, elle peut correspondre, à la pulsation pour
filtre idéal h( t ) = k ¨¨ δ (t −t0 ) − 2 f C ⋅ ¸ |H(f)| θ(H(f)) 2ième ordre
© 2πf C (t − t 0 ) ¸¹ laquelle le gain a diminué de 3 dB (ω0 = ω(Gmax – 3dB)), à la pulsation ωp donnée par le gabarit, à la
k +fC f pulsation correspondant à un déphasage égal à 50 % du déphasage total (θ = ±90° pour un filtre du 2ième
f
-fC 0 ordre)…
-fC 0 +fC -t0fC
m est le coefficient d'amortissement. Il caractérise la fonction de transfert autour du point ω0 (passage de
ω la bande passante à la bande atténuée : Figure 5).
−t j Plus m est grand, et plus l'amortissement est important, ce qui se traduit par un passage très progressif de
1 τ 1 ω0
h(t ) = δ (t ) − ⋅ e avec τ = H ( jω ) = la bande passante à la bande atténuée. Lorsque m ≥ 1, la fonction de transfert est décomposable en deux
τ ω0 ω
1+ j fonctions du premier ordre.
ω0
Pour les valeurs faibles (m < 0,707), il y a une résonance de la fonction de transfert. Dans ce cas, on parle
h(t) 20 log0,01
|H(jω)| 0,1 1 10 100
1 plus volontiers de facteur de qualité que de coefficient d'amortissement. Le facteur de qualité est noté Q et
0 dB 90°
θ (H(j ω ))
er -3,01 dB 75°
il est défini par : Q = 1
1 ordre 0,5 -10 dB 2m
60°

Temps de propagation : Temps de groupe:.
0 -20 dB 45° 45°
-1 0 1 2 3 4 5 6 7
30° 0,050 20 log |H(f)| 0,050
h(t)
-0,5 -30 dB 20 dB 0,2
0,2
15° 0,5
0,5
10 dB 0,707
-1 -40 dB 0° 0,707
1
1
exemple tracé avec : τ = 1 exemple tracé avec : ω0 = 1 0 dB
2
§ω · -10 dB
− ¨¨ ¸¸
© ω0 ¹ exemple Figure 8 -20 dB
Un exemple pour différentes valeurs de m est H ( jω ) = 2
donné par la Figure 7 1 + 2m ⋅ j
ω §ω ·
−¨ ¸ -30 dB
m = 0 : h( t ) = δ ( t ) − ω 0 sin (ω 0t ) ω 0 ¨© ω 0 ¸¹
-40 dB
2ième ordre − mω0t 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2 0,1 1 10
m < 1 : h = δ − ω0 ⋅ e
(t ) (t ) (1 − 2m2 )⋅ sin ω0t 1 − m2 + 2m 1 − m2 ⋅ cos ω0t 1 − m 2
( ( )( ) ( ))
1 − m2 Figure 4 : réponse impulsionnelle en fonction de m Figure 5 : réponse harmonique en fonction de m
m = 1 : h(t ) = δ ( t ) − ω 0 e −ω0t (2 − ω 0t )
20 log |H(Ω)| lieu de m=0,05 Quelques valeurs caractéristiques
− mω0t G(max) ou Q=10
m > 1 : h = δ − ω0 ⋅ e
(t ) (t ) (1 − 2m2 )⋅ sinh ω0t m2 − 1 + 2m m2 − 1 ⋅ cosh ω0t m2 − 1
( ( )( ) ( )) du gain G et de la pulsation Ω en
m2 − 1 5 dB
fonction de m.
m=0,25
ou Q=2
0,050 20 log |H(f)| 0,050 G(max)
ω
h(t) Ω=
0,2 20 dB 0,2 G(Ω =1) ω0
0,5 0,5 Ω (0 dB) Ω (-3dB)
10 dB 0,707
0,707 0 dB
1
1 Ω (Gmax) G(ω =1) = −20 log( 2m)
0 dB
-3,01 dB G(max) = −20 log( 2m 1 − m 2 )

-10 dB
m=0,4
m=1 Ω (G max) = 1 − 2m 2
-5 dB
-20 dB
m=0,866
m=0,707 m=0,5 Ω ( 0 dB ) = 2 − 4m 2
-30 dB
2
-40 dB
Ω( −3dB ) = 1 − 2m 2 + 1 + 1 − 2m 2
( )
0 0,2 0,4 0,6 0,8 1 1,2 1,4 0,1 1 10 Ω
-10 dB
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8 2
Figure 7 : réponse impulsionnelle en fonction de m Figure 8 : réponse harmonique en fonction de m
Figure 6 : valeurs caractéristiques de G et Ω en fonction de m.
page page
G (dB)
ω 1A ω 1P ω0 ω 2P ω 2A log(ω)
Passe-tout (déphaseur) Passe-bande (sélectif) 0
GP
représentation symbolique représentation symbolique le gabarit
réponse impulsionnelle réponse harmonique (fonction de transfert) GA
0
h(t ) = k ⋅ δ (t −t ) H ( jf ) = k ⋅ e − j 2πft0 pour f ∈ ]− ∞;+∞[
module phase réponse impulsionnelle réponse harmonique (fonction de transfert)
h(t) θ(H(f))
kδ |H(f)| H ( jf ) = 0 pour f ∉ ] f C1 ; f C 2 [
filtre idéal
t k f
f f C 2 − f C1 et f C 2 + f C1 H ( jf ) = k ⋅ e − j 2πft0 pour f ∈ [ f C1 ; f C 2 ]
0 t0 0 Δ= fC =
0 2 2
pente = -t0 module phase
filtre idéal |H(f)| θ(H(f))
ω sin (2πΔ(t − t 0 ))
1− j h( t ) = 2k ⋅ Δ ⋅ ⋅ cos(2πf C (t − t 0 )) k +fC1 +fC2 f
ω0 2πΔ(t − t 0 ) f
1er ordre H ( jω ) = -fC2 -fC1 0
-fC2 -fC1 0 +fC1 +fC2
ω pente = -t0
1+ j
ω0 1er ordre Un filtre passe-bande est toujours d'ordre pair
2
ω §ω · ω
1 − 2m ⋅ j −¨ ¸ 2m ⋅ j
ω 0 ¨© ω 0 ¸¹ ω0
2
H ( jω ) =
2ième ordre H ( jω ) = 2
ω §ω · ω §ω ·
1 + 2m ⋅ j −¨ ¸
1 + 2m ⋅ j − ¨¨ ¸¸ m = 0 : h( t ) = ω 0 cos(ω 0t ) ω 0 ¨© ω 0 ¸¹
ω0 © ω0 ¹
2ième ordre
0
m < 1 : h = ω ⋅ e −mω t §¨ cos ω t 1 − m 2 − m ⋅ sin ω t 1 − m 2
(t ) 0 ¨ 0 ( 0 ) ( )·¸¸
6WDELOLWp © 1 − m2 ¹
0
m = 1 : h(t ) = ω0e −ω t (1 − ω 0t )
Un système est stable si après la fin d'une perturbation appliquée en entrée, la sortie retrouve sa
0
m > 1 : h = ω ⋅ e −mω t §¨ cosh ω t m 2 − 1 − m ⋅ sinh ω t m 2 − 1 ·¸
position d'équilibre initiale ( h( t ) ⎯⎯ ⎯→ 0 ). (t ) 0 ¨ 0 ( 0 ) ¸ ( )
t →+∞ © m2 − 1 ¹
Il existe différentes façons de vérifier la stabilité d'un système. Si l'on connaît h(t), il faut s'assurer
qu'elle tend vers 0 lorsque t tend vers l'infini. A partir de la fonction de transfert, il faut que tous ses
G (dB)
pôles soient à parties réelles négatives. Les pôles de H(P) sont les valeurs de P qui permettent ω 1P ω 1A ω0 ω 2A ω 2P log(ω)
Coupe-bande (rejecteur) 0
d'annuler le dénominateur de H(P). GP
représentation symbolique le gabarit
Le critère de Routh Hurwitz permet de vérifier la stabilité d'un système dont on connaît la fonction
de transfert H(P), sans avoir à calculer ses pôles.
GA
La Figure 9 résume les six cas possibles du comportement de la réponse impulsionnelle en fonction
de la position des pôles dans le plan complexe. réponse impulsionnelle réponse harmonique (fonction de transfert)
H ( jf ) = k ⋅ e − j 2πft0 pour f ∉ ] f C1 ; f C 2 [
f C 2 − f C1 et f C 2 + f C1 H ( jf ) = 0 pour f ∈ [ f C1 ; f C 2 ]
Δ= fC =
2 2 module phase
filtre idéal |H(f)| θ(H(f))
§ sin (2πΔ(t − t 0 )) ·
h( t ) = k ¨¨ δ (t −t0 ) − 2Δ cos(2πf C (t − t 0 ))¸¸ k +fC1 +fC2 f
© 2πΔ(t − t 0 ) ¹ f
-fC2 -fC1 0
-fC2 -fC1 0 +fC1 +fC2
pente = -t0
1er ordre Un filtre coupe-bande est toujours d'ordre pair

2
§ω ·
1 − ¨¨ ¸¸
2ième ordre
© ω0 ¹
2
H ( jω ) =
ω §ω ·
1 + 2m ⋅ j −¨ ¸
ω 0 ¨© ω 0 ¸¹
Figure 9 : pôles dans le plan complexe et stabilité
page page
filtre passe-bande ou sélectif filtre coupe-bande ou rejecteur
G (dB) G (dB)
ω 1A ω 1P ω0 ω 2P ω 2A log(ω) ω 1P ω 1A ω0 ω 2A ω 2P log(ω)
0 0
GP
GP Temps de groupe (ou temps de propagation) :
Δω Le temps de groupe (tgr) est défini comme la dérivée de la phase par rapport à la pulsation.
− dθ
GA t gr (ω ) =
GA dω
Il en découle qu'une phase linéaire donne un temps de groupe constant. Un temps de groupe
bande passante : ω2P ’ ω1P = Δω bandes passantes : +∞ ’ ω2P et ω1P ’ 0 = ω1P constant (indépendant de la fréquence) signifie que toutes les composantes spectrales d’un signal
bandes de transitions : ω2A ’ ω2P et ω1P ’ ω1A bandes de transitions : ω2P ’ ω2A et ω1A ’ ω1P sont transmises avec le même décalage temporel. L’intégrité de la forme du signal est ainsi
bandes atténuées : +∞ ’ ω2A et ω1A ’ 0 = ω1A bande atténuée : ω2A ’ ω1A respectée sauf pour les composantes spectrales que l’on désire supprimer par filtrage des
pulsation centrale : ω 0 = ω 2 P ⋅ ω1P pulsation centrale : ω 0 = ω 2 P ⋅ ω1P amplitudes.
sélectivité : S = ω 2 P − ω1P sélectivité : S = 2 A − 1A
ω 2 A − ω1 A ω 2 P − ω1P Dans le cas d'un filtre de Bessel, le temps de groupe correspond au temps nécessaire pour atteindre
50 % de la réponse indicielle.
La bande de transition est comme son nom l'indique, la bande située entre la bande passante et la
bande atténuée. Plus elle est étroite, et plus le filtre se rapproche du filtre idéal (sélectivité = 1), passe-bas du premier ordre passe-bas du deuxième ordre
mais plus l'ordre du filtre sera élevé. 1 fonction de transfert : H 1
2
fonction de transfert : H ( jω ) =
( jω ) =
Pour les filtres passe-bande et coupe-bande, la pulsation centrale est définie comme la moyenne 1+ j
ω ω §ω ·
1 + 2m ⋅ j −¨ ¸
géométrique des pulsations de limite de bande passante (ω1P et ω2P). ω0 ω 0 ¨© ω 0 ¸¹
ω 2m ⋅ ω ⋅ ω 0
( jω )
la phase est donnée par : θ (H ) = − arctan ( jω )
la phase est donnée par : θ (H ) = − arctan
ω0 ω 02 − ω 2
Centrage des gabarits
Les filtres passe-bande et coupe-bande doivent être centrés avant toute normalisation ou dθ (ω ) ω0 ω0 2m ⋅ ω 0 (ω 02 + ω 2 )
=− soit t gr (ω ) = + t gr (ω ) = +
transposition. dω ω 02 + ω 2 ω 02 + ω 2 ω 04 + 2(2m 2 − 1)ω 02ω 2 + ω 4
Un gabarit est centré lorsque les pulsations centrales ω 0 P = ω 2 P ⋅ ω1P et ω 0 A = ω 2 A ⋅ ω1 A sont égales. lorsque ω tend vers 0, le temps t 1 lorsque ω tend vers 0, le temps t 2m
gr ( 0 ) = + gr ( 0 ) = +
Dans le cas contraire, il faut centrer le gabarit, en modifiant une ou plusieurs pulsations. Ces de groupe tend vers ω0 de groupe tend vers ω0
modifications vont obligatoirement dans le sens de rendre le gabarit plus contraignant, donc de
diminuer la bande de transition la plus large.
Une solution intéressante consiste à réduire la bande de transition la plus large, de façon
symétrique, en modifiant les deux pulsations.
Gabarits des filtres
1er cas : ω 2 A > ω1P 2ième cas : ω 2 A < ω1P
ω 2 P ω1 A ω 2 P ω1 A Les indices P et A sont associés respectivement aux grandeurs définissants les limites de la bande
passante et la bande atténuée (ou arrêt ou coupée).
' ω1 A ⋅ ω 2 A ⋅ ω 2 P et ' ω1 P ⋅ ω 2 P ⋅ ω 2 A ' ω1 A ⋅ ω 2 A ⋅ ω1P et ' ω1 P ⋅ ω 2 P ⋅ ω1 A
ω 2P = ω2A = ω =
1P ω1 A = L'axe des abscisses peut être gradué en fréquences (f) ou en pulsations (ω = 2πf).
ω1 P ω1 A ω 2P ω2A
G (dB) ω'2P ω'2A G (dB) ω'1A ω'1P filtre passe-bas filtre passe-haut
ω 1A ω 1P ω0 log(ω) ω0 ω 2P ω 2A log(ω)
ω 2P ω 2A ω 1A ω 1P G (dB) G (dB)
0 0 ωP ωA log(ω) ωA ωP log(ω)
GP GP 0 0
GP GP
GA GA
GA GA
Tableau 1 : exemple de centrage de gabarit

bande passante : ωP ’ 0 = ωP bande passante : +∞ ’ ωP (sa valeur est infinie)
bande de transition : ωA ’ ωP bande de transition : ωP ’ ωA
bande atténuée : +∞ ’ ωA (sa valeur est infinie) bande atténuée : ωA ’ 0 = ωA
Normalisation
sélectivité : ω sélectivité : ω
La normalisation doit être faite en abscisse et en ordonnée, il s'agit d'un changement de variable. S= P S= A
ωA ωP
En abscisse, elle permet de translater le gabarit afin de ramener la pulsation (ou fréquence) de
coupure ou centrale pour les filtres passe et coupe-bande sur Ω = 1.
ω (grandeur sans unité).
Ω=
ω0
page page
Une fonction d'approximation recherche à approcher le gabarit en ayant le degré le plus faible. En ordonnée, elle permet de se ramener à un gain de 0 dB dans la bande passante (valeur
Ce document traite pour le moment des fonctions d'approximations de Bessel, Butterworth et maximale). Il s'agit simplement d'ajouter un gain positif (amplification) ou négatif (atténuation).
Chebychev.
En fin de synthèse, lors de la réalisation du schéma électrique du filtre et le choix des composants, il
ne faut pas oublier de dénormalisér, sans quoi la fréquence de coupure se situerait aux environs de
Bessel 0,16 Hz (~1/2π).
Les filtres de Bessel ou Thomson-Bessel sont des filtres polynomiaux pour lesquels le critère La dénormalisation revient à faire l'opération inverse : ω = Ω ⋅ ω 0 , en faisant bien attention à la
d'optimisation est la régularité du temps de propagation ou temps de groupe (tgr) dans la bande valeur de Ω, qui pourra être différente de 1. Par exemple dans le cas d'un filtre de Butterworth une
passante, raison pour laquelle ils sont aussi appelés filtres à phase linéaire. En contre partie, le seconde normalisation peut avoir lieu.
passage de la bande passante à la bande atténuée se fait très progressivement (la bande de transition
est importante).
La fonction de transfert est déterminée de façon que les n premières dérivées de tgr soient nulles Transposition
pour ω = 0. La transposition est un changement de variable (Tableau 2) qui permet de convertir un gabarit (ou
Il n'existe pas de méthode analytique pour déterminer l'ordre d'un polynôme de Bessel répondant une fonction de transfert) en un nouveau gabarit (ou fonction de transfert) d'un filtre de type passe-
aux paramètres d'un gabarit. Il faut le déterminer par approximations successives, faire appel aux bas.
solveurs numériques, ou peut être plus simplement avec une représentation graphique dans un Ce changement est nécessaire pour la synthèse des filtres, car seuls les filtres passe-bas normalisés
tableur ou avec un logiciel de simulation électronique. sont tabulés.
De même que pour la normalisation, en fin de synthèse, il faut faire la transposition inverse, pour
obtenir le filtre attendu, sans quoi le filtre serait un passe-bas.
Les polynômes de Bessel sont donnés dans le Tableau 3 pour les premiers ordres.
n polynômes de Bessel
1 D1 = P +1 notation passe-bas passe-haut passe-bande coupe-bande
2 D2 = P 2 + 3P + 1 p ⇐ ω0 1 § p ω0 · 2m
¨ + ¸
3 D3 = P 3 + 6 P 2 + 15 P + 15 Laplace ω0 p 2m ¨© ω 0 p ¸¹ § p ω0 ·
¨¨ + ¸¸
4 D4 = P 4 + 10 P 3 + 45 P 2 + 105 P + 105 © ω0 p ¹
5 D5 = P 5 + 15 P 4 + 105 P 3 + 420 P 2 + 945 P + 945 Laplace normalisé 1 1 § 1·
6 D6 = P 6 + 21P 5 + 210 P 4 + 1260 P 3 + 4725 P 2 + 10395 P + 10395 s ⇐ ¨s + ¸ 2m = 2m ⋅ s
p s 2m © s¹ § 1 · s2 +1
7 s= ¨s + ¸
D7 = P 7 + 28 P 6 + 378 P 5 + 3150 P 4 + 17325 P 3 + 62370 P 2 + 135135 P + 135135 ω0 © s¹
… …
Tableau 3 : polynômes de Bessel
jω ⇐ ω 0 1 § jω ω 0 · § ω ⋅ω0 ·
complexe ¨ + ¸ − 2m ⋅ j ¨
ω0 jω 2m ¨© ω 0 jω ¸¹ ¨ ω 2 − ω 2 ¸¸
© 0 ¹
Les polynômes de Bessel se calculent avec la formule de récurrence : Dn = (2n − 1)Dn−1 + P 2 Dn−2 . Ces
complexe normalisé 1 j § Ω 2 −1 · 2mΩ
polynômes ne sont pas utilisés tels quels comme dénominateurs des fonctions de transfert des filtres jΩ ⇐ ¨ ¸ − j
jω jΩ Ω2 −1
passe-bas, car le gain statique est différent de 0 dB ( H ( P ) ⎯⎯ ⎯→ ≠ 1 ) et il dépend de l'ordre du jΩ = 2m ¨© Ω ¸¹
P →0 ω0
polynôme. Ils ont donc été normalisés (Tableau 4) en gain ( H ( P ) ⎯⎯ ⎯→ = 1 ) et en pulsation
P →0 Tableau 2 : changement de variable pour la transposition vers ou depuis un filtre passe-bas
20 log H ( P ) = − 3dB .
( P =1)
n polynômes de Bessel normalisés en gain et en pulsation Les Fonctions d'approximations

2 D2 = 0,618 P 2 + 1,361P + 1
3 D3 = 0,3607 P 3 + 1,2328 P 2 + 1,7556 P + 1 *MFYJTUFEJGGÏSFOUTUZQFTEFGJMUSFTTFMPOMBQQMJDBUJPOTPVIBJUÏF-FTQSJODJQBVYUZQFTEFGJMUSFTFU
4 D4 = 0,1901 P 4 + 0,8995 P 3 + 1,9149 P 2 + 2,1138 P + 1 MFVSTDBSBDUÏSJTUJRVFTTPOUSÏTVNÏFTEBOTMFUBCMFBVTVJWBOU
5 D5 = 0,08911 P 5 + 0,5506 P 4 + 1,588 P 3 + 2,6174 P 2 + 2,4266 P + 1
6 D6 = 0,03754 P 6 + 0,2916 P 5 + 1,0788 P 4 + 2,3944 P 3 + 3,3216 P 2 + 2,7033 P + 1
Tableau 4 : polynômes de Bessel normalisés
Pour l'utilisation de ces polynômes dans les filtres actifs, constitués par la mise en série de cellules
du premier et deuxième ordre, ils sont aussi proposés sous la forme quadratique.
page 1 page 1
Chebychev n polynômes de Bessel normalisés en gain et en pulsation
Contrairement à l'approximation de Butterworth, l'approximation de Chebychev présente de 2 D2 = 0,618 P 2 + 1,361P + 1
l'ondulation dans la bande passante. Ceci permet d'avoir un passage plus rapide entre la bande
3 D3 = (0,756 P + 1) 0,4771P 2 + 0,9996 P + 1
( )
passante et la bande atténuée, pour un filtre du même ordre. Le carré du module de cette réponse
fréquentielle est décrit par : 4 D4 = 0,4883 P 2 + 1,3389 P + 1 0,3885 P 2 + 0,7738 P + 1
( )( )
5 D5 = (0,665 P + 1) 0,4128 P 2 + 1,1401 P + 1 0,3245 P 2 + 0,621P + 1
( )( )
ε : amplitude de l'ondulation dans la bande passante.
2 1 Ω : pulsation normalisée. 6 D6 = 0,3891 P 2 + 1,2224 P + 1 0,3509 P 2 + 0,9691 P + 1 0,2759 P 2 + 0,5133 P + 1
( )( )( )
H ( jΩ ) = 7
1 + ε 2 ⋅ Tn2( Ω ) Tn2(Ω ) : carré du polynôme de Chebychev. D7 = (0,594 P + 1) 0,3396 P 2 + 1,0946 P + 1 0,3012 P 2 + 0,8305 P + 1 0,2382 P 2 + 0,4333 P + 1
( )( )( )
n : ordre du filtre. 8 D8 = 0,3166 P 2 + 1,112 P + 1 0,2984 P 2 + 0,976 P + 1 0,2625 P 2 + 0,721P + 1 0,209 P 2 + 0,373 P + 1
( )( )( )( )
Le polynôme de Chebychev est défini par Tableau 5 : forme quadratique des polynômes de Bessel normalisés
pour Ω ≤ 1 pour Ω ≥ 1
Tn ( Ω ) = cos( n ⋅ arccos( Ω)) Tn ( Ω ) = cosh( n ⋅ arccos h (Ω))
Butterworth
T0 = 1
T1 = Ω
Les filtres de Butterworth (Maximally Flat) présentent le gain le plus constant possible dans la
T2 = 2Ω2 - 1 bande passante. Le carré du module de cette réponse fréquentielle est décrit par :
T3 = 4Ω3 - 3Ω 2 1 ε : amplitude de l'ondulation dans la bande passante.
T4 = 8Ω4 + 8Ω2 + 1 H ( jΩ ) = Ω : pulsation normalisée.
1 + ε 2 ⋅ Ω 2n
et ces polynômes peuvent être calculer avec la formule de récurrence : Tn = 2Ω ⋅ Tn−1 − Tn−2 . n : ordre du filtre.
A partir des paramètres fournis par le gabarit, on peut calculer ε et n. A partir des paramètres fournis par le gabarit, on peut calculer ε et n.
Ga § −GA · § − GP ·
−
10
− GP 10 −1 − GP
ln ¨¨10 10 − 1¸¸ − ln ¨¨10 10 − 1¸¸
10
arccos h ¹ © ¹
ε 2 = 10 −1 ε2 10 n≥ ©
n≥ ε 2 = 10 −1
2 ⋅ ln Ω A
arccos h (Ω a )
l'ordre du filtre est le premier entier supérieur.
La pulsation pour un gain de –3 dB est donnée par : Ω (−3dB ) = cosh §¨¨ 1 ⋅ arccos h §¨ 1 ·¸ ·¸¸
©n © ε ¹¹ Les tables des polynômes de Butterworth (Tableau 6) sont données, pour 20 log H ( Ω ) = − 3dB , ce
( Ω =1)
filtre d'ordre impair filtre d'ordre pair
G (dB) G (dB)
qui correspond à ε = 1. Si le gabarit normalisé et transposé du filtre à réaliser n'a pas GP = -3 dB (ce
ΩP = 1 ΩA Ω ΩP = 1 ΩA Ω
0 0
qui est le cas le plus fréquent), il faut calculer un nouveau gabarit (Figure 10) avec G'P, Ω'P et Ω'A.
GP GP G (dB) Ω'P = 1 Ω'A
ΩP ΩA log(Ω)
0 GP = -3 dB
3ième ordre 4ième ordre 2
GP = -10 log(1+ε ) Ω'P = n ε ⋅ Ω P
G'P = -3 dB
GA GA
Ω' A = n ε ⋅ Ω A
et il ne faudra pas oublier de dénormaliser, en prenant
GA 1
non pas Ω = 1 mais Ω =
n
ε
Figure 10 : gabarit passe-bas normalisé pour Butterworth
n polynômes de Butterworth normalisés pour ε = 1

2 D2 = P 2 + 2P + 1
3 D3 = (P + 1) P 2 + P + 1
( )
4 5π ·§ 7π ·
D4 = §¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸
© 8 ¹© 8 ¹
5 3π ·§ 4π ·
D5 = (P + 1)§¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸
© 5 ¹© 5 ¹
6 7π ·§ 3π ·§ 11π ·
D6 = §¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸
© 12 ¹© 4 ¹© 12 ¹
7 4π ·§ 5π ·§ 6π ·
D7 = (P + 1)§¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸¨ P 2 − 2P cos + 1¸
© 7 ¹© 7 ¹© 7 ¹
8 9π ·§ 2 11π ·§ 2 13π ·§ 2 15π ·
D8 = §¨ P 2 − 2P cos P
+ 1¸¨ − 2P cos P
+ 1¸¨ − 2P cos + P
1¸¨ − 2P cos + 1¸
© 16 ¹© 16 ¹© 16 ¹© 16 ¹
Tableau 6 : forme quadratique des polynômes de Butterworth
page 1 page 1
Pour illustrer la chute ou raideur des différents filtres nous indiquons dans le tableau suivant les atténuations à la
fréquence double de la fréquence de coupure pour des filtres d’ordre 6 : ,, REALISATION DE FILTRES
Type Atténuation à fc Atténuation à 2fc
Butterworth 3 dB 36 dB
Chebyshev 3 dB 63 dB
Elliptique 3 dB 93 dB
Bessel 3 dB 14 dB
1 Le gabarit
Les contraintes sur le filtre à réaliser sont généralement reportées dans un gabarit. Ce gabarit représente la
3 Etude du filtre passe-bas de Butterworth courbe désirée d’atténuation (en décibel) en fonction de la fréquence du filtre. Un filtre est construit pour
respecter au mieux ce gabarit. On rappelle que l’atténuation est l’inverse du module de la fonction de transfert.
3.1 Introduction On définit pour un filtre passe-bas quatre paramètres :

Le filtre passe-bas de Butterworth d’ordre N est défini par le module carré de sa fonction de transfert de la • L’atténuation maximale dans la bande passante Amax ,
manière suivante : • L’atténuation minimale dans la bande atténuée Amin ,
2
• La largeur de la bande de transition définie par : la première fréquence atténuée f 2 et la dernière fréquence
2 T0
T ( jω ) = passante f1 .
2N
§ω ·
1 + ¨¨ ¸¸ Le schéma suivant présente le gabarit souhaité d’un filtre passe-bas avec les quatre paramètres précédents.
© ω0 ¹
A dB
Remarques préalables :
• Quel que soit l’ordre N de ce filtre, l’atténuation à la pulsation fréquence ω = ω0 est toujours de Amin
3 dB. Les réponses en fréquence des filtres de Butterworth d’ordre N quelconque passent donc toutes par ce
point caractéristique. En effet, à ω = ω 0 , on a :
1 1
T ( jω 0 ) / T0 = =
2N
1 + (1) 2
Amax
soit
20 log( T ( jω 0 ) / T0 ) = 3 dB . 0
f1 f2
• Sa courbe de réponse en fréquence est la plus plate possible dans la bande passante Bande passante Bande de Bande atténuée
transition
Gabarit d’atténuation d’un filtre passe-bas
2 Différents types de filtres

Il existe différents types de filtres selon l’application souhaitée. Les principaux types de filtres et leurs
caractéristiques sont résumées dans le tableau suivant :
Type Bande passante Bande atténuée Chute ou raideur Réponse temporelle

Butterworth Plate Monotone Bonne Bonne
Chebyshev Ondulée Monotone Très bonne Faible
Elliptique Ondulée Ondulée La meilleure Faible
Bessel Plate Monotone Faible La meilleure
page 1
page 1
0.1Amin
1 ª ln 10 −1 − ln 100.1Amax −1
( ) ( ) º»
N= «
2« ( lnω2 − lnω1 ) »
« »
Ou ª« a º» signifie a arrondi à la valeur entière supérieure.
On se sert souvent de cette expression, mais il est aussi très courant d’utiliser des abaques pour lesquels on
travaille en fréquences normalisées.
Exemple : Amax = 1dB , Amin = 40dB , f1 = 10kHz , f 2 = 20kHz
L’ordre du filtre de Butterworth satisfaisant au gabarit est la valeur de N immédiatement supérieure à celle
calculée avec la formule précédente. Soit, N = 8 (N = 7.618, valeur calculée)
3.3 Détermination de la fonction de transfert du filtre
2
Réponse en fréquence d’un filtre de Butterworth d’ordre N = 2
Comme nous l’avons vu, le filtre de Butterworth n’est définit que par T ( j 2πf ) , module carré de sa fonction
Nous allons maintenant étudier comment ce filtre peut satisfaire à un gabarit passe-bas imposé. Sa courbe de
de transfert. Il nous faut donc déterminer la fonction de transfert T ( j 2πf ) . Or, on sait que, réponse en fréquence doit s’inscrire à l’intérieur de ce gabarit (en dehors de la zone grisée).
2
T ( j 2πf ) = T ( j 2πf ) * T * ( j 2πf ) = T ( j 2πf ) * T (− j 2πf )
3.2 Détermination de l’ordre N du filtre pour qu’il satisfasse à un gabarit
On a bien,
On remarque que, d’après l’expression précédente, deux paramètres seulement permettent de caractériser
T * ( j 2πf ) = T (− j 2πf )
entièrement ce filtre : N et ω 0 (si on exclut le gain statique T0 qui peut facilement être réalisé grâce un simple
Car tous les coefficients de la fonction de transfert sont réels. En effet, elle est réalisée à partir de composants montage à amplificateur opérationnel). On pourra donc dans un premier temps considérer que l’amplification en
passifs de type (L, C et R) associés avec des amplificateurs opérationnels (filtre actif) ou non (filtre passif ). basse fréquence vaut T0 = 1 .
Par commodité et pour faciliter la lisibilité, on posera par la suite p = jω . On aura alors : Le gabarit impose qu’on satisfasse aux deux conditions suivantes :
T02 T02
T ( p ) *T ( − p ) = 2N
= 2N
car j 2 N = (−1) N 20 log10 T ( jω1 ) ≥ − Amax
§ p · N § p · °
1+ ¨ ¸ 1 + ( −1) ¨ ¸ ®
© jω 0 ¹ © ω0 ¹ °
¯ 20 log10 T ( jω 2 ) ≤ − Amin
3.4 Détermination des pôles du filtre de Butterworth
Soit
2
Pour factoriser T ( p ) sous la forme T ( p ) * T (− p ) , on va calculer les racines ou pôles p i . On rappelle § § ω ·2 N ·
°10 log10 ¨1 + ¨ 1 ¸ ¸ ≤ Amax
que les pôles sont les valeurs qui annulent le dénominateur d’une fonction de transfert. °° ¨ ω ¸
© © 0¹ ¹
On pourra ainsi l’écrire : ® 2N
° § §ω · ·
2
2 T02 °10 log10 ¨1 + ¨ ¸ ¸ ≥ Amin
T ( p) = ¨ © ω0 ¹ ¸
§ p p1 · § p p2 · § p p2 N · °¯ © ¹
¨ − ¸¨ − ¸ (...) ¨ − ¸ Soit finalement dans le cas limite ,
© ω0 ω0 ¹ © ω0 ω0 ¹ © ω0 ω 0 ¹
2 N (ln ω1 − ln ω 0 ) = ln 10 0.1 Amax − 1
( )
On considérera deux cas selon que N est impair ou N est pair.
® 0.1 Amin
¯2 N (ln ω 2 − ln ω 0 ) = ln 10
( −1
)
• Cas N impair : filtre d’ordre impair. En retranchant membre à membre, on obtient alors l’expression donnant l’ordre N du filtre de Butterworth qui
satisfait au gabarit souhaité.
page 1 page 1
2N 2N
T0 § p· § p·
= 1 − ¨¨ ¸¸ = 0 , soit ¨¨ ¸¸ =1
§ p2 p ·§ p ·
¨ 2 + + 1¸¸¨¨ + 1¸¸ © ω0 ¹ © ω0 ¹
¨ω
© 0 ω 0 ¹© 0ω ¹
Les racines du dénominateur sont les 2N racines de l’unité. On les trouve facilement en exprimant l’égalité
Finalement, on obtient : précédente sous la forme suivante (remarquer que 1 = e jk 2π = cos(k 2π ) ) :
T0
T ( p) = 2N
§ 1 ·§ 1 · § p ·
¨ p / ω 0 − − 1 + j 3 ¸¨ p / ω 0 − − 1 − j 3 ¸( p / ω 0 + 1)
( ) ( ) ¨¨ ¸¸ = e jk 2π , k entier
© 2 ¹© 2 ¹ © ω0 ¹
Le lecteur pourra vérifier que ces valeurs correspondent à celles reportées dans le tableau donnant les polynômes D’où, on tire alors immédiatement la valeur de tous les pôles :
normalisés ( ω 0 = 1 ) du dénominateur des filtres de Butterworth :
pi / ω 0 = e jkπ / N avec i = k + 1 et k ∈ [0,2 N − 1]
On remarque que :
• Cas N pair : filtre d’ordre pair.
On a alors, • les pôles sont tous disposés sur un cercle de rayon unité dans le plan complexe et espacés d’un angle
2N 2N θ = kπ / N ,
§ p · § p · • ils sont deux à deux complexes conjugués.
1 + ¨¨ ¸¸ = 0 , soit ¨¨ ¸¸ = −1
© ω0 ¹ ©ω0 ¹ Exemple : N = 3, filtre du troisième ordre.
Les racines du dénominateur sont les 2N racines de -1 que l’on peut facilement trouver si l’on exprime jkπ / 3
l’équation précédente sous la forme : On a donc, p i / ω 0 = e ,
D’où les pôles suivants :
2N
§ p · p1 / ω 0 = 1 , p 2 / ω 0 = e jπ / 3 , p3 / ω 0 = e j 2π / 3 , p4 = − p1 , p5 = p3* , p6 = p*2
¨¨ ¸¸ = e j (π + k 2π ) , k ∈ [0 ,2 N − 1]
© ω0 ¹ I
D’où, on tire alors immédiatement la valeur de tous les pôles : P2
P3
§ π π · θ =π /3
j¨ +k ¸
© 2N N¹
pi / ω 0 = e avec i = k +1 P4 R
ω 11
Exemple : N = 2, filtre du deuxième ordre.

P1
§π π·
j¨ +k ¸
©4 2¹
On a donc, p i / ω 0 = e ,
D’où les pôles suivants : P5 P6
2 Disposition des pôles pour un filtre d’ordre N = 3

p1 / ω 0 = (1 + j ) , p2 / ω0 = 2 (− 1 + j ) , p3 = p*2 , p4 = p1*
2 2 Les trois pôles à gauche de l’axe imaginaire sont p3 , p 4 et p5 . Ils correspondent à T ( p )
I Les trois pôles à droite de l’axe imaginaire sont p1 , p 2 et p 6 . Ils correspondent à T (− p )
Ainsi, la fonction de transfert suivante est la suivante :
T0
T ( p) =
§ p p3 ·§ p p4 · § p p5 ·
θ =π /4 ¨ − ¸¨ − ¸¨ − ¸
© ω 0 ω 0 ¹© ω 0 ω0 ¹ © ω 0 ω 0 ¹
R
page 1 page 1
2
2 T0
T ( j 2πf ) =
§ f ·
1 + ε 2Cn2 ¨¨ ¸¸ Disposition des pôles pour un filtre d’ordre N = 2
© f0 ¹
Finalement, on obtient la fonction de transfert suivante:
avec la relation de récurrence suivante, T0
T ( p) =
§ 2 ·§ ·
§ω · ω §ω · §ω · ¨ p / ω0 −
¨ 2
(− 1 + j )¸¸¨¨ p / ω0 − 2 (− 1 − j )¸¸
2
C n ¨¨ ¸¸ = 2 C n−1 ¨¨ ¸¸ + C n−2 ¨¨ ¸¸ © ¹© ¹
ω
© 0¹ ω 0 ω
© 0¹ © ω0 ¹
Cette relation peut aussi s’écrire : T0
T ( p) = 2
(p / ω 02 + 2 p / ω 0 + 1
)
§ω · § § ω ··
C n ¨¨ ¸¸ = cos¨¨ n arccos¨¨ ¸¸ ¸¸ pour ω ≤ ω0 dans la bande passante
© ω0 ¹ © © ω0 ¹¹
Ordre du filtre
§ω · § § ω ··
pour ω > ω0 dans la bande atténuée 2
C n ¨¨ ¸¸ = cosh¨¨ n arg cosh¨¨ ¸¸ ¸¸
ω 2 (p + 2 p +1 )
© 0¹ © © ω0 ¹¹
3 ( p + 1)( p 2 + p + 1)
On trouve les premières valeurs des polynômes de Tchebychev en appliquant la relation de récurrence 2
4 (p + 1.8477 p + 1)( p 2 + 0.7653 p + 1)
précédente, soit :
5 ( p + 1)( p 2 + 1.6180 p + 1)( p 2 + 0.6180 p + 1)
2 2
§ω · §ω · ω §ω · §ω · 6 (p + 1.9318 p + 1) p 2 + 2 p + 1 ( p 2 + 0.5176 p + 1)
( )
C0 ¨ ¸ = 1 , C1 ¨ ¸ = , C2 ¨ ¸ = 2 ¨ ¸ − 1 ,
© ω0 ¹ © ω0 ¹ ω 0 ω
© ¹0 © ω0 ¹ 7 ( p + 1)( p 2 + 1.0819 p + 1)( p 2 + 1.2469 p + 1)( p 2 + 0.4450 p + 1)
3 4 2
§ω · §ω · ω §ω · §ω · §ω · Tableau des polynômes normalisés ( ω 0 = 1 ) des filtres passe-bas de Butterworth
C3 ¨ ¸ = 4 ¨ ¸ − 3 , C4 ¨ ¸ = 8 ¨ ¸ − 8 ¨ ¸ + 1 , etc.
© ω0 ¹ © ω0 ¹ ω0 © ω0 ¹ © ω0 ¹ © ω0 ¹ Pour le cas N=4, on pourra comparer le filtre ainsi obtenu par rapport à un filtre composé de deux filtres du
second ordre avec ξ = 0,707 ( figure TBD)
On remarque, comme il a été dit dans l’introduction, que cette fonction de transfert ondule sous la forme d’un
cos nx dans la bande passante, ce qui permet de répartir uniformément l’imperfection d’atténuation dans toute
( )
la bande passante.
4 Etude du filtre passe-bas de Tchebychev
4.3 Calcul du taux d’ondulation dans la bande passante
Les filtres de Tchebychev présentent une ondulation dans la bande passante qui dépend de la valeur du paramètre
.4.1 Introduction
ε (réel). En effet, comme vous l’avez sûrement remarqué, le dénominateur du module carré de la fonction de
transfert est une fonction oscillante, car formée avec des fonctions en cosinus.
Les filtres passe-bas de Tchebychev, comme ceux de Butterworth, sont classés parmi les filtres dits
2 « polynomiaux » car leur fonction de transfert présente un dénominateur sous la forme d’un polynôme et un
2 T0 numérateur avec une constante. En vérité, ce sont des filtres qui possèdent des pôles, mais pas de zéro de
T ( j 2πf ) =
§ f · transmission (pas de polynômes au numérateur).
1 + ε 2Cn2 ¨¨ ¸¸
© f0 ¹ Les filtres de Tchebychev ont été conçus pour tolérer une plus ou moins légère ondulation du module de leur
fonction de transfert dans la bande passante et une atténuation croissant de manière continue dans la bande
Dans la pratique, seulement trois valeurs d’ondulation dans la bande passante sont couramment utilisées : 0.1 dB, atténuée. Ceci leur permet, en principe d’avoir une pente plus raide à la fréquence de coupure qu’un filtre de
0.5 dB, 1 dB. Ce qui suffit généralement. Butterworth du même ordre.
.4.2 Présentation du filtre de Tchebychev

Calculons donc les maxima et minima de la fonction de transfert et remarquons que dans la bande passante on a : Le filtre passe-bas de Tchebychev d’ordre N est défini par le module carré de sa fonction de transfert de la
§ω · manière suivante :
0 ≤ C n2 ¨¨ ¸¸ ≤ 1 , pour f ≤ f 0
© ω0 ¹
Elle vaut au maximum :
page 1 page
4.4 Détermination de l’ordre N du filtre pour qu’il satisfasse à un gabarit 2 2 § f ·
T ( j 2πf ) / T0 = 1 , pour Cn2 ¨¨ ¸¸ = 0
Pour déterminer l’ordre du filtre, il faut examiner comment il peut satisfaire au gabarit. Dans le cas de ce filtre, il © f0 ¹
faudra à l’évidence assimiler la dernière fréquence passante f1 du gabarit à la fréquence de coupure f 0 de ce et au minimum :
filtre. 2 12 2§ f ·
T ( j 2πf ) / T0 = , pour Cn ¨¨ ¸¸ = 1
En effet, toutes les réponses en fréquence des filtres de Tchebychev passent par le point caractéristique 1+ ε 2 © f0 ¹
d’abscisse f 0 , d’ordonnée γ dB (valeur de l’ondulation dans la bande passante), car on a : 2
L’ondulation dans la bande passante vaut en décibel : γ dB = 10 log10 (1 + ε )
C n ( f 0 / f 0 ) = C n (1) = 1 ∀n ω = ω 0 d’où :
2 2 § 1 · γ dB
10 log T ( j 2πf 0 ) / T0 = 10 log¨
( ) 2 ¸
= γ dB
© 1+ ε ¹ ε = 10 10 − 1 .
On trouve donc les valeurs du paramètre ε qui définissent une ondulation donnée.
Ondulation γ dB Paramètre ε
Le gabarit impose les deux conditions suivantes : 0.1 0.1526204
0.5 0.3493113
§f · 1 0.5088471
• 10 log10 1 + ε 2 = Amax
( ) , f = f1 = f 0 car C n2 ¨¨ 0 ¸¸ = C n2 (1) = 1
© f0 ¹ Tableau des valeur du paramètre ε des filtre de Tchebyscheff
§ § f ··
• 10 log10 ¨¨1 + ε 2 C n2 ¨¨ 2 ¸¸ ¸¸ = Amin , f = f2
© © f0 ¹¹
On tire :
Amax
10
ε 2 = 10 −1
de la première expression et :
2
Amin §
10
§ § f ···
10 − 1 = ε 2 ¨ cosh¨¨ n arg cosh¨¨ 2 ¸¸ ¸¸ ¸
¨
© © © f 0 ¹ ¹ ¸¹
de la deuxième expression.
Amax
10
En remplaçant ε 2 = 10 − 1 par sa valeur, on trouve alors l’ordre N du filtre par :
§ Amin ·
¨ 10 10 − 1 ¸
arg cosh¨ Amax ¸
¨ 10 10 − 1 ¸
N= © ¹ e x + e− x
cosh = cosinus hyperbolique = Réponse en fréquence d’un filtre de Tchebychev d’ordre N = 5,
§ f2 · 2 pour une ondulation d’1 dB dans la bande passante
arg cosh¨¨ ¸¸
© f1 ¹
Remarques: Les filtres de Tchebychev présentent N extremum dans la bande passante. La figure précédente
Exemple : Amax = 1dB , Amin = 40dB , f1 = 10kHz , f 2 = 20kHz montre la réponse en fréquence d’un filtre d’ordre 5, présentant 5 extremum dans la bande passante et une
ondulation d’1dB.
L’ordre du filtre de Tchebychev qui satisfait au gabarit voulu est la valeur de N immédiatement supérieure à
Les filtres de Tchebychev d’ordre N impair présentent un maximum à 0 dB à f Æ 0, puis une alternance de
celle calculée avec la formule précédente. Soit, N = 5 (N = 4,536 valeur calculée).
minima à X dB (X = valeur de l’ondulation dans la bande : 0.1, 0.5 ou 1 dB) et de maxima à 0 dB.
Alors que les filtres de Tchebychev d’ordre N pair présentent un minimum à X dB à f Æ 0 (X = valeur de
Remarque: L’ordre du filtre de Tchebychev qui satisfait à ce gabarit est inférieur à celui de Butterworth qui
l’ondulation dans la bande : 0.1, 0.5 ou 1 dB), puis une alternance de maxima à 0 dB et de minima à X dB.
satisferait au même gabarit (ordre N = 7). Il nécessite donc moins de composants pour le réaliser, mais il
présente une ondulation d’1 dB dans la bande passante, alors que le filtre de Butterworth serait plat dans la
même bande.
page page
4.5 Détermination de la fonction de transfert du filtre
,,, STRUCTURES CLASSIQUES POUR REALISER DES FILTRES
Le même type de calcul que pour le filtre de Butterworth peut être mené pour le filtre de Tchebychev pour
ACTIFS 2
trouver les pôles de T ( p ) et conduire à la détermination de la fonction de transfert du filtre. En pratique on
utilise des tables :
Ordre du filtre
2
1 Introduction 2 (0.3017 p + 0.7158 p + 1 )
3 (1.031 p + 1)(0.5918 p 2 + 05736 p + 1)
Dans ce chapitre, les filtres actifs seront réalisés à l’aide de résistances, de capacités et d’amplificateurs
2
opérationnels (pas de selfs). On évite ainsi les inconvénients des selfs (encombrement, résistance parasite, 4 (0.7518 p + 0.3972 p + 1)(1.6053 p 2 + 2.0475 p + 1)
imprécision,…).
5 (1.855 p + 1)(0.8368 p 2 + 0.2787 p + 1)(1.5725 p 2 + 1.3712 p + 1)
Nous présenterons deux structures fondamentales qui permettent de réaliser des filtres de type passe-bas ou Table des polynômes normalisés ( ω 0 = 1 ) des filtres passe-bas de Tchebychev de 0,1 dB d’ondulation
passe-haut du second ordre.
Ordre du filtre
2
2 Cellule de Rauch 2 (0.6595 p + 0.9402 p + 1 )
3 (1.596 p + 1)(0.8753 p 2 + 0.5483 p + 1)
Cette structure très classique utilise un AOP monté amplificateur (contre réaction négative) et cinq admittances. 2
4 (0.9402 p + 0.3297 p + 1 2.8057 p 2 + 2.3755 p + 1
)( )
5 (2.759 p + 1)(2.0974 p 2 + 1.2296 p + 1)(0.9654 p 2 + 0.2161 p + 1)
Table des polynômes normalisés ( ω 0 = 1 ) des filtres passe-bas de Tchebychev de 0,5 dB d’ondulation
Y4 Y3
Y1
A - Ordre du filtre
Y5 2
2 (0.9070 p + 0.9956 p + 1 )
Y2 +
3 (2.023 p + 1)(1.0058 p 2 + 0.497 p + 1)
VE 2
VS 4 (1.0136 p + 0.2828 p + 1)(3.5791 p 2 + 2.4113 p + 1)
5 (3.454 p + 1)(2.3293 p 2 + 1.0911 p + 1)(1.0118 p 2 + 0.1610 p + 1)
Cellule de RAUCH
Table des polynômes normalisés ( ω 0 = 1 ) des filtres passe-bas de Tchebychev de 1 dB d’ondulation
Déterminons la relation entre v s et v E :
On applique le théorème de Millman sur le point A :

v E Y1 + v S Y4
vA =
Y1 + Y2 + Y4 + Y5
v S Y3
Par ailleurs, on a v A = −
Y5
Finalement, on obtient la relation suivante :
vS − Y1Y5
=
v E Y4Y5 + Y3 (Y1 + Y2 + Y4 + Y5 )
3 Cellule de Rauch pour filtre passe-bas du second ordre
page page
Déterminons la relation entre v s et v E :
Pour réaliser un filtre passe-bas du second ordre on utilise trois résistances R identiques et deux condensateurs :
On applique le théorème de Millman sur le point N :
1
vS Soit Y1 = Y4 = Y5 = , Y2 = jC1ω et Y3 = jC 2 ω
vEY1 + Y2 + vS Y3 R
vN = K On a alors le montage suivant :
Y1 + Y2 + Y3
R
1 C2
Y4 Y2
Par ailleurs, on a vS = v = v R R
K 1 1 N Y2 + Y4 N
+
Y2 Y4
Finalement, on obtient la relation suivante : C1
vS KY1Y2
=
v E Y2 (Y1 + Y3 (1 − K )) + Y4 (Y1 + Y2 + Y3 )
Structure de Rauch pour les filtres passe-bas du second ordre
5 Structure de Sallen et Key pour filtre passe-bas du second ordre A partir de la fonction de transfert général en p = jω , on a :
−1
T ( p) = R2 .
Pour réaliser un filtre passe-bas du second ordre on utilise deux résistances R identiques et deux condensateurs : 1 §3 ·
+ pC 2 ¨ + pC1 ¸
R2 ©R ¹
1
Soit Y1 = Y2 = , Y3 = jC1ω et Y4 = jC2ω
R Finalement on obtient :
−1
T ( p) =
R 2 C1C2 p 2 + 3RC2 p + 1
C1 C1
En identifiant avec la fonction de transfert d’un filtre passe-bas du second ordre on a :
R R
R R 3 C2 1
K ξ= , ω0 = , T0 = −1
2 C1 R C1C 2
C2
Ra C2
Rb
4 Structure de Sallen et Key ou structure à source de tension commandée
Cette structure utilise un AOP en amplificateur non-inverseur ou inverseur et quatre admittances.
Structure non-inverseuse de SALLEN et KEY pour les filtres passe-bas du second ordre
La fonction de transfert en p = jω de ce filtre est la suivante : Y3
Y1 Y2
K N
T ( p) = K
R 2 C1C 2 p 2 + R(2C 2 + C1 (1 − K )) p + 1
Y4
Avec, VS
2C2 + C1 (1 − K ) 1 Ra VE
2ξ = , ω0 = , T0 = K = 1 +
C1C2 R C1C 2 Rb
La structure inverseuse de Sallen et Key est la suivante :

Cellule de Sallen et Key
page page
−1
T ( p) =
R 2 C1C 2 p 2 + 3RC2 p + 1
R R
devient, en prenant, R'1 = 1/ C1 et R'2 = 1 / C 2 et bien sûr p = 1 / P
Ra
2
−1 − R '1 R ' 2 C1' P 2 R R
T ' (P ) = = 2
R R Rb
1 3 -K
+ +1 1 + 3R'1 C1' P + R'1 R' 2 C1' P 2
2
C1' R'1 R ' 2 P 2 C1' R' 2 P
C1 C2 C1 C2
Ainsi, pour réaliser un filtre passe-haut du second ordre on utilise trois condensateurs identiques et deux
résistances R1 et R2 :
Structure inverseuse de SALLEN et KEY pour les filtres passe-bas du second ordre
C
La fonction de transfert en p = jω de ce filtre est la suivante :
R2
−K 1
T ( p) = *
C C K + 2 R 2 C1C2 2 R(3C 2 + C1 )
p + p +1
K +2 K +2
Avec,
R1
3C2 + C1 1 K +2 −K Ra
2ξ = , ω0 = , T0 = , K =
(K + 2)C2C1 R C1C 2 K +2 Rb
Structure de RAUCH pour les filtres passe-haut du second ordre
− R1 R2 C 2 P 2 3 R1 1 6 Transformation passe-bas -> passe-haut

T (P ) = et ξ = , Ω0 = , T∞ = −1
1 + 3R1CP + R1 R2 C 2 P 2 2 R2 C R1 R2 La transformation de gabarit permet de réaliser un filtre passe-haut à partir de la fonction de transfert d’un filtre
passe-bas.
8 Structure de Sallen et Key pour filtre passe-haut du second ordre théorème de MITRA pour la transformation passe-bas -> passe-haut:
1 1 Etant donné un réseau composé de résistances et de condensateurs, transformons-le en remplaçant chaque

Soit Y1 = Y2 = jCω , Y3 = et Y4 =
R1 R2 résistance Ri par une capacité C 'i = 1 / Ri et chaque capacité Ci par une résistance R 'i = 1 / Ci .
R1 On remplace aussi p par 1 / P dans l’expression de la fonction de transfert du filtre
Exemple : le filtre passe-bas du premier ordre :

C C
1
K T ( p) =
RCp + 1
devient,
1 R' C ' P
R2 T (P ) = =
1 R' C ' P + 1
+1
R' C ' P
On retrouve la forme classique d’un filtre passe-haut du premier ordre réalisé avec une résistance et un
condensateur.
Structure non-inverseuse de SALLEN et KEY pour les filtres passe-haut du second ordre
KR1 R2 C 2 P 2 7 Structure de Rauch pour filtre passe-haut du second ordre

T (P ) =
R1 R2 C 2 P 2 + (2 R1 + R2 (1 − K ))CP + 1
Avec, Appliquons-le à la fonction de transfert du filtre passe-bas du second ordre du filtre à structure de Rauch la
2 R1 + R2 (1 − K ) 1 transformation passe-bas Æ passe-haut :
2ξ = , Ω0 = , T∞ = K
R1 R2 C R1 R2
page page
, (FKDQWLOORQQDJH
Si on note x a (t ) les valeurs prises au cours du temps t par un signal analogique, l'échantillonnage de ce dernier au
rythme d'une période d'échantillonnage Te , revient à ne disposer, finalement, des valeurs de ce signal, qu'aux
instants multiples de Te . Le signal (ou suite) numérique se note alors x( n ) = x a (nTe ) .

&KDSLWUH
La première question qui se pose naturellement est de savoir si on n'a pas perdu de l'information en ne disposant plus
des valeurs du signal entre deux instants d'échantillonnage.
x(n)
? ? ?
t
Te 2 Te
Une autre façon de formuler cette question serait : "est-il possible de reconstruire x a ( t ) à partir des échantillons /HV6LJQDX[1XPpULTXHV
x( n ) ?" C'est là l'objet du théorème de reconstruction. Très intuitivement on peut se dire que si on était sûr que le
signal "varie très lentement", alors entre deux instants d'échantillonnage, il ne pourrait pas faire grand chose d'autre
que d'aller "tranquillement" d'un point à un autre. Après formalisation on arrivera à écrire cette "variation lente" du
signal par une contrainte sur son spectre, ce qui va conduire au théorème de l'échantillonnage parfois appelé
théorème de Shannon.
)RUPDOLVDWLRQGHO pFKDQWLOORQQDJH
La formalisation de l'opération d'échantillonnage est malheureusement assez délicate avec la notion mathématique
habituelle de fonction. Elle s'effectue par contre de manière simple et concise par l'intermédiaire de la théorie des
distributions, développée par le mathématicien Laurent Schwartz. Le processus d'échantillonnage est ainsi représenté
mathématiquement par "l'action" de la distribution de Dirac δ(t) décalée de nTe sur le signal analogique xa (t), ce
qui se note : < δ(t− nTe),xa(t)>= xa(nTe)= x(n)
Remarque 1 : Dans la suite de ce cours on différenciera la distribution de Dirac δ(t) (parfois appelée "impulsion de
1 si n = 0
Dirac"), du symbole de Kronecker δ( n ) = ® , par le fait que la distribution est un opérateur qui s'applique
¯0 si n ≠ 0
sur un signal et que cet opérateur dépendra d'une variable continue, ici le temps t, alors que le symbole de Kronecker
représente plutôt une suite numérique et aura pour argument un nombre entier n.
+∞ Δ +∞ 5HPDUTXHEn électronique, l'utilisation du peigne de Dirac pour "formaliser" l'opération d'échantillonnage
lim ³ p τ ( t − kTe )x a ( t )dt = x a ( kTe ) = x( k ) = ³ x( t )δ(t − kTe )
τ→0
−∞ −∞ d'un signal "continu" (analogique) est assez intuitive physiquement. En effet, on peut considérer qu'un convertisseur
analogique numérique HVWLPHODPR\HQQHGXVLJQDOSHQGDQWXQWHPSVWUqVFRXUW/ pFKDQWLOORQQDJHjO LQVWDQWW N7H
On retrouve ainsi la définition de la distribution de Dirac.
SHXWDLQVLrWUHIRUPDOLVpSDUO LQWpJUDOHGXVLJQDOSDUXQHLPSXOVLRQSĲ WíN7H GpILQLHSDU
Finalement, l'opération globale d'échantillonnage peut être formalisée en introduisant un signal "analogique" fictif
xe (t ) qui est nul presque partout et égal à x a ( t ) pour t = nTe . En introduisant alors le peigne de Dirac : ª τ τº
p τ ( t ) = 1 , si t ∈ «− ,+ »
+∞
¬ 2 2¼
wTe ( t ) = ¦ δ(t − nTe ) (1) ª τ τº
p τ ( t ) = 0 , si t ∉ «− ,+ »
n = −∞ ¬ 2 2¼
Le signal échantillonné s'écrit :
x e (t ) = x a (t ).wTe ( t ) (2)
+∞ Pτ (t)
ou encore : x e (t ) = ¦ x a (t )δ(t − nTe ) (3)
n = −∞
+∞ § t ·
ou encore : x e (t ) = ¦ x( n ) δ¨¨ − n ¸¸ (4) 1/τ
n = −∞ © Te ¹
t
3pULRGLVDWLRQGXVSHFWUH τ
L'analyse du spectre du signal échantillonné fait appel aux propriétés de la transformée de Fourier () ) des
distributions. On doit alors partir de l'écriture du signal échantillonné : xa(t)

Pτ (t-kTe)
xe(t) = xa(t).wTe (t) (5)
dont la transformée de Fourier conduit à :

X e ( f ) = ) ( x e (t )) = ) x a (t ).wTe ( t ) = ) (x a (t ))∗ ) wTe ( t ) = X a ( f ) ∗) wTe ( t )
( ) ( ) ( ) (6)
t
Il apparaît donc que le spectre du signal échantillonné est égal au spectre du signal analogique convolué par la kTe
transformée de Fourier du peigne de Dirac : ) (wTe ( t )) .

Echantillonner le signal à l'instant t = kTe revient alors à calculer :
Or on peut montrer2 que cette transformée de Fourier est elle même un peigne de Dirac : ) (wTe (t ) ) = WTe ( f ) . La τ
kTe +
+∞ 2
démonstration (non présentée dans ce cours) procède en deux étapes, on démontre d'abord que : 1
³ p τ ( t − kTe )x a ( t )dt = ³ x a ( t )dt
−∞
τ τ
+∞ kTe −
f nTe 2
) (wTe (t ) ) = ¦ e − j 2π (7)
n = −∞ d'après le théorème de la moyenne, on peut dire que :
puis que : τ
kTe +
+∞ 1 2
1 +∞ § n · ª τ τº
¸ (8) ³ x a ( t )dt = x a ( kTe + ε ) avec ε ∈ «− , »
¦ e − j 2 π f nTe = T ¦ δ¨¨ f − T ¸ τ τ ¬ 2 2¼
n = −∞ e n = −∞ © e ¹ kTe −
2
dès lors, en faisant tendre τ vers 0, il vient :

2 E. Roubine, "Introduction à la théorie de la communication, " Ed. Masson, 2ième ed., 1979.
k
U ( f ) ne peut donc être non nul qu'aux abscisses du type f = , on peut donc écrire : 5HPDUTXH
Te
+∞ §
/HV UpVXOWDWV VXU OD WUDQVIRUPpH GH )RXULHU GX SHLJQH GH 'LUDF SHXYHQW rWUH DSSUR[LPDWLYHPHQW
k ·
U( f ) = ¦ α k δ¨¨ f − ¸¸
k = −∞ © Te ¹ UHWURXYpV SDUO DSSURFKHVXLYDQWH
Or toujours grâce aux bornes infinies, on peut remarquer que : 1
On considère la fonction u( t ) constituée par la suite d'impulsions p τ ( t ) de largeur τ et d'amplitude , séparées
τ
§ k ·
U ( f ) = U ¨¨ f + ¸¸ par la durée Te :
© Te ¹
+∞
Dès lors en appliquant U ( f ) à une fonction ϕ( f ) élémentaire on pourra montrer tous les termes α k sont égaux u( t ) = ¦ p τ ( t − kTe )
k = −∞
1
entre eux et valent .
Te
u(t)
En utilisant l'équation (6), il vient que le spectre du signal échantillonné X e ( f ) s'écrit donc :
1/τ Te
1 +∞ § n ·
Xe( f ) = ¦ X a ¨¨ f − ¸¸ (9)
Te n = −∞ © Te ¹
xa(t) |Xa(f)| t
τ
La transformée de Fourier de l'impulsion élémentaire p τ ( t ) donne :

+∞
sin(πfτ)
) {p τ ( t )} = ³ p τ ( t )e − j 2π f t dt =
f −∞
πfτ
t
La transformée de Fourier de la suite d'impulsions u( t ) conduit alors à :
xe(nTe) +∞ +∞ +∞ +∞ +∞ sin(πfτ)
|Xe(f)| ) {u( t )} = ³ ¦ i p ( t − kTe )e − j 2π f t dt = ¦ ³ i p ( t − kTe )e − j 2 π f t dt = ¦ e − j 2 π f kTe
−∞ k = −∞ k = −∞ − ∞ k = −∞ πfτ
En faisant alors tendre τ vers 0, il vient :

+∞
t f lim ) {u( t )} = U ( f ) = ¦ e − j 2 π f kTe
τ→0 k = −∞
- Fe Fe Pour la deuxième propriété, on peut écrire que :

+∞
U( f ) = ¦ e − j 2 π f kTe
k = −∞
grâce aux bornes infinies on a :

f Te
e − j 2π U( f ) = U( f )
d'où :
− j 2π f Te
(1 − e )U ( f ) = 0
,O DSSDUDvW GRQF TXH O pFKDQWLOORQQDJH WHPSRUHO G XQ VLJQDO DQDORJLTXH FRQGXLW j XQ VLJQDO
QXPpULTXH GRQW OH VSHFWUH HVW OD SpULRGLVDWLRQ GX VSHFWUH G RULJLQH GX VLJQDO DQDORJLTXH
Le signal échantillonné a alors l'allure suivante (attention c'est un sinus qui est représenté ici et non un cosinus) :
&HWWH SURSULpWp HVW WUqV LPSRUWDQWH HW YD rWUH j O RULJLQH GH OD GpPRQVWUDWLRQ GX
signal échantillonné, f0=1Hz, Fe=10Hz
1
WKpRUqPH GH UHFRQVWUXFWLRQ &HSHQGDQW HOOH HVW DVVH] DEVWUDLWH FDU HOOH D GHPDQGp XQ
0.8
0.6
SDVVDJH SDU OHV GLVWULEXWLRQV SRXU rWUH pWDEOLH 2Q SHXW HQ SURSRVHU XQH YHUVLRQ LPDJpH
0.4 VXLYDQWH
0.2
0 Considérons ainsi le cas très simple d'un signal :
amplitude
-0.2 x a (t ) = cos(2π f 0 t ) (10)
-0.4
Le spectre de ce signal est alors égal à :
-0.6
1
-0.8 Xa(f ) = [δ( f − f 0 ) + δ( f + f 0 )] (11)
2
-1
0 10 20 30 40 50 60 70 80 90 100
temps
Ce qui peut s'interpréter comme le fait que le signal est en fait constitué de la somme de deux fréquences à f 0 et
La périodisation nous dit que le spectre de ce signal numérique possède une raie à f ' = Fe − f 0 = 10 − 1 = 9 Hz et
1 j 2 πf0 t
− f 0 , cos(2 πf 0 t ) = e
( + e − j 2 πf0t . Ce qui se représente graphiquement par le spectre suivant :
)
une raie à f ' ' = Fe + f 0 = 10 + 1 = 11 Hz . 2
Si on trace le signal temporel x a (t ) = sin(2 π f ' nTe ) toujours avec Fe = 10 Hz , on obtient : |Xa(f)|

1
0.8 1/2
0.6
0.4 f
0.2
0
- f0 f0
amplitude
-0.2
Le signal échantillonné va s'écrire :
-0.4
-0.6
x e (nTe ) = cos(2 π f 0 nTe ) (12)
-0.8 et son spectre :

-1
0 10 20 30 40 50 60 70 80 90 100 1 +∞ ª § n · § n ·º
temps Xe(f ) = ¸ + δ¨ f + f 0 − ¸» (13)
¦ «δ¨ f − f 0 − T ¸ ¨ ¸
2Te n =−∞ «¬ ¨© e ¹ © Te ¹¼»
ce qui sera représenté par :

|Xe(f)|
- Fe - f0 f0 Fe
Considérons le cas numérique suivant : f 0 = 1 Hz et Fe = 10 Hz
/HWKpRUqPHGHUHFRQVWUXFWLRQ On remarque donc que l'on obtient exactement les mêmes échantillons. Si l'on trace les signaux analogiques sur ces
points numériques, il vient :
L'échantillonnage a introduit une périodicité du spectre. Pour reconstituer le signal d'origine on peut "travailler" dans
1
le domaine spectral pour retrouver le spectre du signal analogique. Il ne restera plus alors qu'à effectuer une
0.8
transformation de Fourier inverse pour reconstituer le signal analogique temporel.
0.6
0.4
Dans le domaine spectral, il suffit simplement de supprimer les bandes images du signal numérique. En introduisant
0.2
un filtre idéal H ( f ) , dont la fonction de transfert est définie par :
0
1 ª F F º
amplitude
H( f ) = , pour f ∈ «− e , e » -0.2
Fe ¬ 2 2 ¼
-0.4
ª Fe Fe º
H ( f ) = 0, pour f ∉ «− , » -0.6
¬ 2 2 ¼
-0.8
|Xe(f)|
-1
0 10 20 30 40 50 60 70 80 90 100
temps
|H(f)|
Et pour le signal à 9 Hz :
1
f
0.8
-Fe - Fe/2 Fe/2 Fe 0.6
0.4
Le signal x̂ a ( t ) en sortie du filtre correspond au produit de convolution du signal x e ( t ) par la réponse
0.2
impulsionnelle h( t ) du filtre H ( f ) .
0
+∞ F /2
amplitude
1 1 e sin(πFe t ) -0.2
or h(t ) = H ( f )e + j 2 πft df = e + j 2 πft df =
Fe −³∞ Fe − F³ / 2 πFe t
e -0.4
On a donc : -0.6
-0.8
+∞ ª +∞ º sin πFe (t − τ)
xˆ a (t ) = ³ « ¦ x a (τ)δ(τ − nTe )» dτ (14)
−∞ «
¬ n = −∞ ¼» πFe (t − τ) -1
0 10 20 30 40 50 60 70 80 90 100
temps
ce qui peut encore s'écrire :
+∞ sin πFe (t − nTe ) On peut donc interpréter la périodisation dans le domaine fréquentiel par le fait que tous les signaux analogiques se
xˆ a (t ) = ¦ x e ( nTe ) (15)
−∞ πFe (t − nTe ) trouvant à des fréquences du type f = f 0 ± kFe , donneraient, s'ils étaient échantillonnés à Fe , les mêmes
échantillons temporels. On conçoit donc qu'à partir d'un signal numérique, il faudra une condition supplémentaire sur
On constate donc que la valeur x̂ a ( t ) du signal analogique, pour un instant quelconque t n'appartenant pas à la le signal analogique d'origine pour pouvoir le reconstruire et lever cette ambiguïté.
"grille d'échantillonnage temporel" (kTe )k entier peut être obtenue par interpolation des valeurs du signal sur la grille
d'échantillonnage. Mais ceci à condition que le raisonnement qui a été proposé dans le domaine spectral soit possible.
Pour cela il faut donc s'assurer que l'on peut reconstituer le spectre du signal analogique en filtrant le spectre du
signal numérique. Cette condition est vérifiée si et seulement si le spectre d'origine ne contient pas de composantes
On distingue alors deux cas possibles, le premier appelé suréchantillonnage qui correspond au cas où Fe > 2 B et
Fe > f 0 , c'est le cas représenté sur la figure ci-dessous :

|Xe(f)|
Fe
|H(f)| aux fréquences supérieures ou égales à . Si ce n'est pas le cas, les bandes images se chevauchent, on dit alors
2
qu'il y a repliement de spectre et le signal reconstitué x̂ a ( t ) est différent du signal d'origine.
f |Xe(f)|
- Fe/2 -f0 f0 Fe/2
|H(f)| Zone de recouvrement
Le deuxième cas correspond au sous-échantillonnage pour lequel on Fe > 2 B et Fe < f 0 . Ce cas plus difficile à
analyser sera étudié en exercices dirigés.
f
,, 4XDQWLILFDWLRQ
-Fe Fe
Dans une chaîne de traitement numérique du signal, l'échantillonnage est en général suivi par une opération de - Fe/2 Fe/2
quantification. La quantification est l'approximation de chaque valeur du signal x a ( t ) par un multiple entier d'une
quantité notée q et appelée "pas de quantification". Si q est constant quelle que soit l'amplitude du signal, la
On aboutit finalement au théorème de l'échantillonnage ou théorème de Shannon :
quantification est dite uniforme.
Théorème de l'échantillonnage en bande de base : Un signal qui ne comporte pas de composantes à des fréquences
supérieures ou égales à une valeur f max est entièrement déterminé par la suite de ses valeurs à des instants
1
régulièrement espacés d'une durée Te = à condition d'avoir Fe ≥ 2 f max
2q Fe
q
0
Le raisonnement qui a été mené pour un signal en bande de base, peut être conduit pour un signal dont le spectre se
-q
-2q trouverait localisé autour d'un fréquence haute f 0 .
|Xa(f)|
t
Te 2Te 3Te 4Te
Le signal quantifié x q ( t ) diffère du signal d'origine x a ( t ) par un terme d'erreur e( t ) qui va s'exprimer par :
f
-f0 f0
x a ( t ) = x q ( t ) + e( t ) (16)
On peut alors énoncer le théorème suivant :
Ce terme d'erreur est appelé bruit de quantification.
Si l'on fait abstraction de l'échantillonnage temporel, on peut admettre que ce signal d'erreur est en fait une variable Théorème de l'échantillonnage en bande transposée : Un signal qui occupe une bande de fréquence de largeur B
q q 1
aléatoire uniformément répartie entre − et . La puissance PBq de ce bruit de quantification est alors égale à : peut-être entièrement déterminé par la suite de ses valeurs à des instants régulièrement espacés d'une durée Te =
2 2 Fe
q
+ à condition d'avoir Fe ≥ 2 B
2 1 2
PBq = ³ x dx (17)
q q
−
2
L'intégrale donne alors :
q2
PBq = (18)
12
,,, /HV7UDQVIRUPpHV En général on considère que ce bruit de quantification est une signal aléatoire blanc (voir chapitre sur les signaux
7UDQVIRUPpHGH)RXULHU'LVFUqWH aléatoires). On calcule alors le rapport signal sur bruit de quantification. Il s'agit du ratio entre la puissance du signal
utile sur la puissance du bruit de quantifications. En notant σ 2x la puissance du signal utile et σ e2 la puissance du
'pILQLWLRQ
σ 2x
A partir d'un échantillon de N valeurs du signal numérique: {x(nTe )}n∈{0,1,2,..., N −1} , on peut définir faire une bruit de quantification ( σ e2 = PBq des équations précédentes), alors le rapport s'écrit Γ = . Ce rapport est souvent
σ e2
+∞
− j 2 πft
correspondance entre la transformée de Fourier "analogique" X ( f ) = ³ x(t )e dt et son expression discrète qui exprimé en décibel à travers l'expression ΓdB = 10 log (Γ )
−∞
+∞
pourrait s'écrire X ( f ) = Te . Il s'en suit alors immédiatement une discussion sur la convergence L'optimisation d'une étape d'échantillonnage réside alors dans la capacité, à être capable de pouvoir quantifier les
¦ x(nTe )e − j 2πfnTe
n = −∞ valeurs maximales de l'amplitude d'un signal, tout en conservant une "finesse" de quantification pour les faibles
de cette sommation. On peut alors diviser cette transformée discrète par la durée sur laquelle elle est calculée, on valeurs du signal.
passe ainsi d'une notion "d'énergie" à une notion "de puissance". On arrive ainsi à une écriture du type
1 N /2 Pour un convertisseur analogique numérique CAN (analog to digital converter: ADC) de b bits "travaillant" entre
X ( f ) = lim Te ¦ x(nTe )e − j 2 πfnTe . Cependant en pratique on ne dispose en général que d'un nombre fini
N →∞ NTe n =− N / 2 A
+A/2 et –A/2, le pas de quantification q est égal à q = .
d'échantillons, la Transformée de Fourier Discrète (TFD) du signal numérique est donc définie par : 2b
1 N −1 q2
X(f )= (19) La puissance du bruit de quantification est égale à
¦ x e (nTe )e − j 2 πfnTe
N n =0 12
Le rapport signal sur bruit de quantification Γ est donné par :
On notera que l'on a aussi "recentré" les N échantillons entre les indices 0 et N-1 pour éviter d'utiliser la notion de
temps négatif. Ces questions de normalisation de la sommation n'ont en général pas une grande importance à moins § 12σ 2x 2 2b ·
ΓdB = 10 log 10 ¨ ¸
¨ A2 ¸
que l'on ne souhaite absolument faire une correspondance rigoureuse entre le temps continu et le temps discret. © ¹
Le calcul de la TFD peut être réalisé pour n'importe quelle valeur de la variable de fréquence f. On peut donc obtenir D'où :
un spectre X ( f ) défini pour f variant de manière continue. Ce spectre X ( f ) peut alors être "échantillonné" au § σ2 ·
¨ x ¸
Γ = 6.02b + 20 log 10 ¨ ¸ + 10.8
Fe ¨ A ¸
rythme . On obtient ainsi N valeurs équiréparties de 0 à Fe . © ¹
N
A
nk Pour un signal gaussien dont la valeur crête est limitée à 4 σ 2x , on obtient : 4 σ 2x ≤ , ce qui donne au mieux
§ kF · 1 N −1 − j 2π 2
N (20)
X ¨¨ e ¸¸ = ¦ x(nTe )e
© N ¹ N n =0
σ 2x 1
D'après le théorème de reconstruction évoqué précédemment, on sait que les valeurs de X ( f ) aux fréquences f se 4 ≤ d'où ΓdB ≤ 6.02b −7.27 .
A 8
déduisent de ces N valeurs par interpolation. L'équation précédente devient :
§ § f ·· (exemple : 16 bits Æ 89 dB, 14 bits Æ 77 dB, 12 bits Æ 65 dB)

sin ¨ π¨¨ − k ¸¸ ¸
+∞ ¨ ¸
ˆ § kFe · © © Fe ¹¹
X ( f ) = ¦ X ¨¨ ¸¸ (21)
k = −∞ © N ¹ § f ·
π¨¨ − k ¸¸
© Fe ¹
On définit aussi la Transformée de Fourier Inverse (TFI) :
§ N −1 · N −1 kn
Min ¨ N . A 2 + ¦ x 2 (nTe ) − 2 NA.ρ cos(φ − ϕ)¸ (32) § kF · + j 2 π N
¸ x(nTe ) = ¦ X ¨¨ e ¸¸ e (22)
A, f ,ϕ¨© n =0 ¹ k =0 © N ¹
Ce terme est positif et sera donc minimal lorsque 2 NA.ρ cos(φ − ϕ) sera maximal. Il faut donc choisir f qui maximise
(JDOLWpGH3DUVHYDO
le module ρ de la Transformée de Fourier et ϕ = φ .
On montre que :
Il ne reste plus alors qu'à maximiser en fonction de A :
N −1 N −1 2
N −1 1 2 § kF ·
§ · ¦ x e (nTe ) = ¦ X ¨¨ e ¸¸ (23)
Min¨ N . A 2 + ¦ x 2 (nTe ) − 2 NA.ρ max ¸ (33) N n =0 n =0 © N ¹
A ¨© ¸
n =0 ¹
Pour cela, il suffit d'écrire :
1 N −1 1 N −1
2
En annulant alors la dérivée en fonction de A, il vient : ¦ x e (nTe ) = ¦ x e (nTe )x e* (nTe ) (24)
N n =0 N n =0
2.N . A − 2 Nρ max = 0 (34)
N −1 N −1 N −1 kn
1 2 1 § kF · − j 2π N
¦ x e (nTe ) = ¦ x e (nTe ) ¦ X * ¨¨ e ¸¸e (25)
D'où A = ρ max N n =0 N n =0 k =0 © N ¹
N −1 N −1 N −1 kn
1 2 § kF · 1 − j 2π
x e (nTe ) = x e (nTe )e N (26)
Il apparaît en définitive que le triplet A, f , ϕ s'obtient simplement en considérant la maximisation sur f du module de N
¦ ¦ X * ¨¨ e ¸¸ ¦
n =0 k =0 © N ¹N n =0
la Transformée de Fourier discrète du signal x e (nTe ) . Le module de la Transformée à cette fréquence f donne la N −1 N −1 2
1 2 § kF ·
¦ x e (nTe ) = ¦ X ¨¨ e ¸¸ (27)
valeur de A et la phase de la Transformée cette fréquence f donne ϕ . N n =0 k =0 © N ¹
7UDQVIRUPpHHQ= ,QWHUSUpWDWLRQDXVHQVGHVPRLQGUHVFDUUpV
De la même manière que la transformée de Laplace est l'outil fondamental pour l'analyse des systèmes continus, la Si on considère un signal x e (nTe ) , on peut essayer de le prédire au mieux par une exponentielle complexe du type
transformée en Z est l'outil d'analyse pour les systèmes discrets. f nTe + ϕ )
A e j (2 π . Pour identifier les trois paramètres A, f , ϕ de l'exponentielle, on peut chercher à minimiser
l'erreur quadratique entre le signal et l'exponentielle. On doit donc minimiser l'expression suivante :
On rappelle que la transformée en Z d'une suite x(n) est définie pour R1 < Z < R2 par l'expression:
N −1 2
T (Z ) n =+∞ Min ¦ A e j (2 π f n Te +ϕ ) − x(nTe ) (28)
−n
x(n) → X (Z ) = ¦ x(n)Z (42) A , f ,ϕ n =0
n=−∞
N −1
En considérant l'expression de la transformée de Fourier discrète : Min ¦ (A 2 + x 2 (nTe ) − 2 A.Re{x(nTe )e − j (2 π f n Te +ϕ) }) (29)
A, f ,ϕ n =0
TFD n =+∞
x(n) → X ( f ) = Te ¦ x(nTe )e − j2π f nTe (43) § N −1 ° 1 N −1 ½° ·
n=−∞ Min ¨ N . A 2 + ¦ x 2 (nTe ) − 2 NA.Re®e − jϕ (30)
°̄ N
A, f ,ϕ¨
¦ x(nTe )e − j (2 π f n Te + ϕ) ¾° ¸¸
© n =0 n =0 ¿¹
Le passage de la transformée en Z à la transformée de Fourier est immédiat:
X (Z ) Z =e j 2π f Te = X ( f ) (44)
On voit donc apparaître la Transformée de Fourier discrète au niveau du troisième terme de cette somme. Si on note
(Ceci en faisant abstraction du terme de normalisation Te que l'on considère égal à 1)
cette dernière sous la forme :
Ainsi l'analyse d'un système discret se fera en général au moyen de la transformée en Z, le passage en Fourier étant
1 N −1
immédiat si nécessaire. X(f )= ¦ xe (nTe )e − j 2πfnTe = ρ e jφ (31)
N n =0
l'équation à minimiser devient :

&RQGLWLRQVGHVWDELOLWp
Un système discret, linéaire et invariant dans le temps (LIT) est stable si à toute suite d'entrée bornée correspond une
suite de sortie bornée.
Une condition nécessaire et suffisante pour qu'un système soit stable est que la somme des valeurs absolues de sa
réponse impulsionnelle soit bornée. ,9 )LOWUDJH1XPpULTXH
m=+∞
¦ h(m) < +∞ (48) /HVV\VWqPHVOLQpDLUHVGLVFUHWVLQYDULDQWVGDQVOHWHPSV
m=−∞
'pILQLWLRQ
Preuve de la condition nécessaire :
Soit x(n) la suite d'entrée bornée définie par : x( −n ) = sgn(h( n )) alors, par définition de l'équation de convolution Un système est discret, si à la suite d'entrée discrète x(n) correspond une suite de sortie discrète y(n).
m = +∞ m = +∞
régissant le système, y( 0 ) = ¦ h( m ) . Donc si y( 0 ) = ¦ h( m ) n'est pas < ∞ la suite de sortie n'est pas bornée
m = −∞ m = −∞
x(n) y(n)
Système Discret
et la condition de stabilité n'est pas respectée.
Preuve de la condition suffisante : Un système est linéaire, si à la suite x1 (n) + a x2 (n) correspond la suite y1 (n) + a y2 (n).
Soit x(n) une suite d'entrée bornée, c'est à dire:

∀n ,∃M / x( n ) < M x1(n) +a x2(n) y1(n) +a y2(n)
Système Linéaire
alors:
m = +∞ m = +∞
y( n ) ≤ ¦ h( m ) x( n − m ) ≤ ¦ h( m ) M (49) Un système est invariant dans le temps, si à la suite x(n-m) correspond la suite y(n-m).
m = −∞ m = −∞
m = +∞
et si ¦ h( m ) < ∞ , la suite y(n) est alors bornée. x(n-m) y(n-m)
m = −∞
Système Invariant
)RQFWLRQVSURSUHVGHVV\VWqPHVOLQpDLUHVLQYDULDQWVGDQVOHWHPSV δ( 0 ) = 1
Dès lors si δ( n ) est la suite unitaire ® , alors toute suite x(n) peut s'écrire:
¯δ( n ) = 0 ∀ n ≠ 0
On applique à l'entrée d'un SLIT de réponse impulsionnelle h( n ) le signal numérique complexe de fréquence f :
m = +∞
fnTe x( n ) = ¦ x( m )δ( n − m ) (45)
x( n ) = e j 2 π . On cherche la réponse temporelle y( n ) du système :
m = −∞
+∞
y( n ) = h( n )* x( n ) = (50) si h(n) est la réponse d'un système discret linéaire et invariant dans le temps à la suite δ( n ) alors :
¦ h( m )e j 2 π f ( n−m )Te
k = −∞
on peut alors écrire : m=+∞ m=+∞

x ( n) → y ( n) = ¦ x(m)h(n − m) = ¦ h(m) x(n − m) (46)
ª +∞ º
y( n ) = « ¦ h( m )e − j 2π fmTe » e j 2 π fnTe (51) m=−∞ m=−∞
¬«k = −∞ »¼
ou encore : on reconnaît alors une équation de convolution:
fnTe
y( n ) = H( f )e j2π = H( f )x( n ) (52) y ( n ) = h( n ) * x ( n )
(47)
avec
+∞ Ainsi dès qu'un système peut être considéré comme linéaire, discret et invariant dans le temps, il en découle qu'il est :
H(f)= ¦h(m)e− j2π fmTe (53
k =−∞ 1) régi par une équation de convolution
H( f ) est un coefficient scalaire complexe indépendant de n (c'est-à-dire du temps) mais qui dépend de la fréquence
2) entièrement déterminé par la réponse h(n) qu'il fournit lorsqu'il est excité par la suite impulsionnelle δ(n)
f. H( f ) représente la réponse en fréquence du filtre. Cette suite h(n) constituant la réponse impulsionnelle du système.
A partir de cette expression de la fonction de transfert, une représentation des pôles et des zéros sur le cercle unité Les signaux d'entrée x( n ) qui donnent en sortie des signaux y( n ) = H ( f )x( n ) sont appelés les fonctions propres
s'avère très utile pour caractériser le comportement spectral du système. Comme il a été rappelé brièvement au fnTe
du système. Seules les exponentielles complexes e j 2 π jouissent de cette propriété. Pour un signal x( n )
paragraphe précédent, il est possible d'obtenir la fonction de transfert spectrale de ce système en remplaçant Z par
quelconque, la réponse temporelle y( n ) ne peut s'obtenir que par convolution avec h( n ) à moins de pouvoir
f Te
e j 2π , Z peut donc être vu comme la coordonnée d'un point sur le cercle unité. Z i sera la coordonnée d'un zéro
décomposer x( n ) en une somme de fonctions propres, ce qui revient à l'exprimer par son spectre.
de transmission dans le plan complexe et P j d'un pôle dans le plan complexe. La fonction de transfert s'exprime
alors simplement comme un ratio de produits de distances.

6\VWqPHVOLQpDLUHVLQYDULDQWVGDQVOHWHPSVUpJLVSDUXQHpTXDWLRQDX[
N GLIIpUHQFHV
∏ MZ i
H ( f ) = a 0 i =1 (59) Parmi les systèmes linéaires discrets invariants dans le temps, les systèmes définis par une équation aux différences
M
∏ MP j sont les plus intéressants car ils modélisent un grand nombre de systèmes naturels. Un système de ce type, ou filtre
j =1
|H(f)| numérique, est défini par la relation suivante:
axe imaginaire
N M
Zi y( n ) = (54)
¦ ai x( n − i ) + ¦ b j y( n − j )
i =0 j =1
M
x(n) y(n)
Système Différences
Pj
axe réel
La transformée en Z de cette équation donne :
n =+∞ N n =+∞ M n =+∞
¦ y ( n) Z − n = ¦ a i Z −i ¦ x ( n − i ) Z − ( n − i ) + ¦ b j Z − j ¦ y ( n − j ) Z − ( n − j ) (55)
ω n =−∞ i =0 n =−∞ j =1 n =−∞
d'où :
N M
Y (Z ) = ¦ a i Z −i X ( Z ) + ¦ b j Z − j Y ( Z ) (56)
)LOWUHVjUpSRQVHLPSXOVLRQQHOOHILQLH 5,) i =0 j =1
Un filtre à réponse impulsionnelle finie est un système linéaire discret invariant dans le temps régi par une équation
ce qui donne la fonction de transfert du système :
aux différences pour lequel l'échantillon de sortie y(n) ne dépend que d'un certain nombre d'échantillons d'entrée
x(n). N
N
¦ a i Z −i
Y(Z ) i =0
y(n) = (60) H(Z ) = = (57)
¦ a i x(n − i ) X (Z ) M
i =0 1− ¦bjZ −j
j =1
Exemple 1 :
Soit le filtre défini par l'équation suivante: La fonction de transfert est donc constituée d'un polynôme en Z au numérateur sur un autre polynôme en Z au
1 1 dénominateur. Ils peuvent tous les deux être exprimés en fonction de leurs racines :
y(n) = x(n) + x(n − 1) (61)
2 2 N
a0 ∏ ( Z − Z i )
L'étude de ce filtre peut être réalisée au moyen de la transformée en Z: N (Z ) i =1
H(Z ) = = (58)
D(Z ) M
1
Y(Z) = (X(Z)+ Z -1 X (Z)) (62) ∏ ( Z − Pj )
2 j =1
Il s'agit encore d'un filtre passe bas dont le module de la fonction de transfert suit une courbe en cosinus surélevé et d'où:
dont le déphasage est linéaire en fonction de la fréquence. Ce déphasage est équivalent à retard τ = Te . 1 1 −1
H(Z ) = + Z (63)
H(f)
2 2
1
0,9 Le comportement fréquentiel du filtre s'obtient en remplaçant Z par e j 2π f Te :

0,8 1
H( f ) = 1 + e − j 2π f Te
0,7 2
( )
0,6 1
= e − jπ f Te e jπ f Te + e − jπ f Te
( )
0,5 2
0,4
− jπ f Te
=e cos π f Te
( )
0,3
Il s'agit finalement d'un filtre passe bas dont le module de la fonction de transfert suit une courbe en cosinus et dont
0,2
0,1
T
le déphasage est linéaire en fonction de la fréquence. Ce déphasage est équivalent à retard τ = e .
0 f 2
0 0,5 1
1
0.9
Dans ces deux exemples il est apparu qu'il était facile d'obtenir la fonction de transfert spectrale d'un filtre numérique 0.8
0.7
à partir de l'équation temporelle régissant ce filtre. Bien entendu, c'est essentiellement l'approche inverse, consistant à
0.6
trouver l'équation de filtrage qui satisfait un gabarit fréquentiel donné, qui est la plus importante. On parle alors de 0.5
synthèse de filtre numérique. Avant de présenter ces techniques de synthèse, il est important de remarquer, que dans 0.4
module de H(f)
les deux exemples présentés, les filtres décrits avaient un déphasage linéaire en fonction de la fréquence. Il s'agit 0.3
0.2
d'une propriété particulière des filtres numériques qui a une importance capitale dans les applications où la phase du
0.1
signal traité est porteuse d'informations.
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
fréquence
3URSULpWpGHSKDVHOLQpDLUH
Exemple 2 :
Si l'on se place dans le cas ou l'on recherche un filtre dont la fonction de transfert est du type :
Soit le filtre défini par l'équation suivante:
H( f ) = R( f )e − jϕ ( f ) 1 1 1
y(n) = x(n) + x(n − 1) + x(n − 2)
4 2 4
expression dans laquelle R(f) est une fonction réelle de f qui représente le gain du filtre en fonction de la fréquence et
L'étude de ce filtre peut être réalisée au moyen de la transformée en Z:
où ϕ ( f ) = 2π f τ est une fonction réelle de f qui représente un terme de déphasage linéaire en fonction de la
1 1 1
fréquence, alors on peut exprimer la réponse impulsionnelle d'un tel filtre au moyen de la transformée de Fourier Y(Z) = X(Z) + Z -1 X (Z) + Z -2 X (Z)
4 2 4
inverse de H(f) et on obtient : d'où:
+∞
j2π f (t −τ) 1 1 −1 1 − 2
h(t) = ³ R( f )e df H(Z) = + Z + Z
4 2 4
−∞
j2πfTe
en décomposant R(f) en une partie paire et une partie impaire: Le comportement fréquentiel du filtre s'obtient en remplaçant Z par e :
R( f ) = P( f ) + I ( f ) 1§1 1 ·
H( f ) = ¨ + e − j 2 π f Te + e − j 4 π f Te ¸
2 ©2 2 ¹
il vient:
1 − j 2 π f Te § 1 j 2 π f Te 1 − j 2 π f Te ·
+∞ +∞ = e ¨1 + e + e ¸
2 © 2 2 ¹
h(t + τ) = 2 ³ P( f ) cos(2π f t)df + 2 j ³ I ( f ) sin(2π f t)df
0 0 1 − j 2 π f Te
= e (1 + cos 2 π f Te )
si on se restreint à des filtres h(t) réel, il vient:
2
+∞
h(t + τ) = 2 ³ P( f ) cos(2π f t)df = h(τ − t)
0
h(t) est donc symétrique par rapport à t = τ.

ou encore :
Ainsi tout filtre à réponse impulsionnelle symétrique réel est à phase linéaire.
§ p −1 ·
f pTe Le retard équivalent au déphasage est fonction de l'ordre du filtre.
H ( f ) = ¨¨ h( p) + 2 ¦ h(n) cos( 2 π f (n − p)Te ¸¸ e − j 2 π
© n =0 ¹ Un filtre RIF symétrique réel à 2p+1 coefficients entraîne un retard τ = pTe
fτ
= R( f )e − j 2 π avec τ = pTe Un filtre RIF symétrique réel à 2p coefficients entraîne un retard τ = (p-1/2)Te
La démonstration pour le cas du filtre à 2p coefficients est identique.

preuve :
6\QWKqVHGHVILOWUHVjUpSRQVHLPSXOVLRQQHOOHILQLH Un filtre RIF symétrique réel à 2p+1 coefficients entraîne un retard τ = pTe
La synthèse des filtres numériques est un domaine qui a donné lieu à de nombreuses publications et recherches.
La fonction de transfert d'un tel filtre s'écrit:
Seules la base des principales méthodes est exposée dans ce chapitre. La bibliographie fournie en annexe comporte
2p
les développements complets sur ce sujet. H( f ) = ¦ h(n)e − j 2 π f nTe
n =0
La méthode la plus directe pour synthétiser le filtre numérique qui correspond à un gabarit fréquentiel donné consiste
Le filtre étant symétrique, on a :
simplement à échantillonner ce gabarit dans le plan des fréquences et à calculer la Transformée de Fourier inverse
∀n > p, h( n) = h( p − (n − p)) = h( 2 p − n)
de ce gabarit échantillonné. En l'absence de gabarit de phase la méthode la plus simple consiste à considérer que
cette dernière est linéaire en fonction de la fréquence.
n-p n-p
échantillonnage du gabarit idéal

Fe/N
x x x x
x x
h h h h h
2p-n p-1 p p+1 n
x x
x x f pTe
x x x en factorisant e − j2π dans l'expression de H(f), il vient :
Fe/2 Fe § p −1 2p ·
0 f (n− p)Te pTe
H( f ) = ¨¨ h( p) + ¦ h(n)e − j 2 π + ¦ h(n)e − j 2 π f (n− p)Te ¸¸ e − j2π f
© n =0 n= p +1 ¹
on a alors les valeurs de:
§ kF · or du fait de la symétrie du filtre : h(n) = h(2 p − n) , d'où:

H ¨ e ¸ pour k = 0 → N − 1 , d'où par Transformée de Fourier inverse:
© N ¹
N −1 k 2p 2p
§k · j 2π N FeiTe
hi = Fe ¸ e pour i = 0 à N - 1 , (N: ordre du filtre) ¦ h(n)e − j 2 π f (n− p)Te = ¦ h(2 p − n)e − j 2 π f (n− p)Te
¦ H ¨© N
k =0
¹
n= p +1 n= p +1
§ kF · en effectuant le changement de variable: i = 2 p − n ce terme devient égal à:

les hi ainsi obtenus vont bien donner la fonction de transfert idéale aux points H ¨ e ¸ , mais ils donneront un
© N ¹ 0
spectre avec des ondulations entre ces valeurs.

¦ h(i)e − j 2 π f ( p−i)Te
i= p −1
Pour une fréquence f quelconque, on peut recalculer:
d'où :
N −1
1 p −1 p −1
H( f ) = ¦ hi e − j2π f iTe § ·
N f (n− p )Te f (n− p)Te ¸ − j2π f pTe
i =0 H( f ) = ¨¨ h( p) + ¦ h(n)e − j 2 π + ¦ h(n)e + j 2 π ¸e
© n =0 n =0 ¹
§ kF ·
mais H(f) peut aussi s'obtenir par interpolation des termes H ¨ e ¸ . En effet la transformée de Fourier inverse
© N ¹
idéale devrait donner une infinité de termes ( hi ) i=−∞,+∞ , or on a considéré uniquement N termes ( hi ) i=0,N −1 . Cela
Ainsi la méthode par synthèse conduit à une fonction de transfert qui ondule entre les valeurs idéales. L'amplitude revient à tronquer cette réponse impulsionnelle en la multipliant par une porte Π(NTe)(NTe). La fonction de transfert
des ces ondulations n'est pas contrôlable et n'est pas constante. C'est contre cette inconvénient que vont tenter de obtenu est donc égale au produit de convolution du gabarit idéal par la transformée de Fourier de la porte
lutter les d'autres méthodes de synthèse (cf Remez) qui ne seront pas présentées dans ce cours (voir référence M. Π(NTe)(NTe).
Bellanger, pour plus de précisions sur ce sujet).
5HODWLRQVHQWUHOHQRPEUHGHFRHIILFLHQWVHWOHJDEDULW Transformée de Fourier de la porte Π(NTe)(NTe) :
porte Π NTe
A partir d'un gabarit de filtrage désiré du type de celui présenté ci dessous:
N termes espacés de Te
1+δ
1
1−δ x x x x
1
Δ f
x x x x x x
δ 0 Te
2
0 1 N −1 − j 2 π f iTe
f TF (π NTe ) = ¦e
N i =0
il est possible d'estimer le nombre de coefficients dont aura besoin un filtre RIF symétrique réel, au moyen de la 1 1 − e − j 2 π f NTe
=
N 1 − e − j 2 π f Te
formule d'approximation suivante:
1 e − jπ f NTe e jπ f NTe − e − jπ f NTe
2 ª 1 º Fe =
N≈ log 10 « » N e − jπ f Te e jπ f Te − e − jπ f Te
3 ¬ 10δ 1δ 2 ¼ Δf
1 − jπ f ( N −1)T sin π f NTe

)LOWUHVjUpSRQVHLPSXOVLRQQHOOHLQILQLH 5,, TF( f ) = e e
N sin π f Te
&HOOXOHSXUHPHQWUpFXUVLYH L'écriture du produit de convolution conduit alors à l'expression de H ( f ) pour une fréquence f quelconque, en
5.1.1 Cellule du premier ordre § kF ·

fonction des H ¨ e ¸ (sans avoir besoin de repasser par les ( hi ) i=0,N −1 ).
© N ¹
Soit le filtre défini par l'équation aux différences suivante :
y(n) = x(n) + b y(n − 1) § f k·
sin πN ¨ − ¸
N −1 © Fe N ¹
Ce filtre est identique à un filtre RIF d'ordre infini. Si l'entrée est la suite unitaire: §k ·
H( f ) = ¦ H ¨ Fe ¸
k =0
©N ¹ § f k·
u0 (0) = 1 N sin π¨ − ¸
u0(n) ® , alors la sortie y(n) est telle que: © Fe N ¹
¯u0 (n) = 0 ∀ n ≠ 0
y (0) = 1 § kF ·
Cette équation constitue une formule d'interpolation pour obtenir H(f) à partir des H ¨ e ¸ .
y (1) = b © N ¹
y ( 2) = b 2 |H(f)|

y(n) = b n
Ce filtre est stable si:
n =∞
n
¦ b < ∞ , c' est à dire si b < 1
n =−∞
Sa fonction de transfert H(Z) s'écrit:

f
Y(Z ) 1
H(Z ) = =
X (Z ) 1 − bZ −1 Fe/2
Fe
ou encore avec une représentation sur le cercle unité:
1
H(Z ) =
MP
axe imaginaire axe imaginaire
f=0.25 H(f) f=0.25 H(f)
M M
MP
MP
OP P axe réel P axe réel
f=0.5 O MP f=0 f=0.5 f=0
P ω ω
ω
P
La fonction de transfert possède une fréquence de résonance et n'est plus strictement monotone.
&HOOXOHJpQpUDOHGXVHFRQGRUGUH &HOOXOHGXGHX[LqPHRUGUH
y (n) = a 0 x (n) + a 1 x (n − 1) + a 2 x (n − 2) − b1 y ( n − 1) − b2 y (n − 2) Soit le filtre défini par l'équation aux différences suivante:
−1 −2 y (n) = x (n) − b1 y (n − 1) − b2 y ( n − 2)
a + a1 Z + a 2 Z
H(Z ) = 0
1 + b1 Z −1 + b2 Z −2 La transformée en Z donne:
Deux cas particuliers méritent d'être détaillés: Y ( Z ) 1 + b1 Z −1 + b2 Z −2 = X ( Z )

( )
• Le filtre fréquentiel:
d'où:
Si l'objectif de la fonction de transfert est de filtrer certaines fréquences présentes dans un signal, les zéros du
1 Z2
numérateur vont se trouver sur le cercle unité. La fonction de transfert s'écrit alors: H(Z ) = =
−1 −2 2
1 + b1 Z + b2 Z Z + b1 Z + b2
( Z − Z 0 )( Z − Z 0 )
H ( Z ) = a0 Deux cas sont alors possibles:
( Z − P )( Z − P )
Δ = b12 − 4b2 ≥ 0 , la fonction de transfert possède alors deux pôles réels et elle est identique à la mise en cascade
• Le déphaseur pur: de deux cellules du premier ordre. La fonction de transfert globale est donc monotone.
Une cellule du second ordre peut aussi être utilisée pour répondre, non pas à des objectifs de filtrage fréquentiel,
mais à des objectifs de déphasage du signal. Ainsi il est possible de réaliser un déphaseur pur avec une cellule de Δ = b12 − 4b2 < 0 , la fonction de transfert possède alors deux pôles complexes conjugués:
ce type. Pour cela il suffit d'utiliser un numérateur et un dénominateur image l'un de l'autre.
− b1 −Δ
P= ±j
a 0 + a 1 Z −1 + a 2 Z −2 2 2
H(Z ) =
a 2 + a 1 Z −1 + a 0 Z − 2 d'où:
Il est facile de vérifier que: 2
b1 = −2 Re( P ) et b2 = OP
1
H(Z ) =
MP. MP
et par transformée en Z: Z −2 D( Z −1 )
H(Z ) =
§ bT · T D( Z )
Y ( Z ) ¨ 1 − Z −1 − e 1 + Z −1 ¸ = e 1 + Z −1 X ( Z )
( © ) 2
( ¹ 2 ) ( ) d'où:
d'où la fonction de transfert en Z: 2 Z −2 D( Z −1 ) Z 2 D( Z )
H(Z ) = H (Z ) H (Z ) = =1
Te D( Z ) D( Z −1 )
1 + Z −1
Y (Z ) 2
( )
H(Z ) = = et:
X (Z ) bT
1 − Z − 1 − e 1 + Z −1
( ) ( )
2 ϕ ( ω ) = 2 ϕ D ( ω ) − 2ω
1 avec ϕ D (ω ) égal au déphasage du dénominateur D( Z −1 ) .
H(Z ) =
−1
2 1− Z
( )
−b 6\QWKqVHGHVILOWUHVjUpSRQVHLPSXOVLRQQHOOHLQILQLH
Te 1 + Z −1
( )
La synthèse des filtres à réponse impulsionnelle infinie utilise des fonctions modèle définie en p et procède par
En identifiant avec la fonction de transfert en p:
transformation bilinéaire de ces dernières.
Y ( p) 1
H ( p) = =
X ( p) p − b 5.4.1 Rappel de la transformation bilinéaire: Soit
il est possible de faire l'approximation suivante: le filtre analogique défini par l'équation suivante:
Z→p
p→Z 2
+p y(t)
2 1 − Z −1 et Te x(t)
p= Z= filtre
Te 1 + Z −1 2
−p
Te
Cette approximation constitue la transformation bilinéaire.
y ' (t ) = by (t ) + x (t )
+∞
Propriétés de la transformation bilinéaire: − pt
En appliquant la transformée de Laplace: ³ y ' (t ) e dt = pY ( p)
• Transformation du cercle unité: 0
Te Te il vient:
+ jω − jω
2 1 − e − jωTe 2 e 2 −e 2 2 § ωTe · pY ( p) = bY ( p) + X ( p)
jωt
si Z = e p= = = j tg ¨ ¸
Te 1 + e − jωTe Te + jω Te Te Te © 2 ¹
− jω d'où:
e 2 +e 2
Le cercle unité est donc transformée en axe imaginaire. Y ( p) 1

H ( p) = =
X ( p) p − b
• Déformation fréquentielle:
En exprimant la fonction de transfert du même filtre en numérique, il vient:
Au lieu d'obtenir :
Te
p = jω
y (nTe ) = y (n − 1)Te + ³ y' ((n − 1)Te + τ)dτ
la transformée bilinéaire a conduit à : 0
2 § ωTe · Le calcul de l'intégrale par la formule du trapèze conduit alors à:

p= j tg ¨ ¸
Te © 2 ¹ Te
y (nTe ) − y (n − 1)Te = ( y ' (nTe ) + y' (n − 1)Te )
en posant f la fréquence vraie et fd la fréquence déformée par la transformation bilinéaire il vient: 2
1 d'où:
f = tg ( πTe f d )
πTe Te
y (nTe ) − y (n − 1)Te = ( by(nTe ) + x (nTe ) + by(n − 1)Te + x (n − 1)Te )
2
D'où l'équation de filtrage :
y (n) = x(n) − 2 Re(Z 0 )x(n − 1) + Z 0 Z 0* x( n − 2) + 2 Re(P )y (n − 1) − PP * y (n − 2)
Ou reconstruction en Z −1 : La transformation bilinéaire entraîne donc une déformation en fréquence qui est d'autant plus importante
que la fréquence est élevée.
−1 −1
1 − Z0 Z
( 1 − Z 0* Z −1
)( ) 1 − 2 Re( ) Z 0 Z + Z 0 Z 0* Z − 2
H (Z ) = Grâce à la transformation bilinéaire la synthèse des filtres numériques de type RII se résume à approcher le gabarit
−1 * −1 −1 * −2
(1 − PZ )(1 − P Z ) = 1 − 2 Re(P )Z + PP Z
désiré par des fonctions modèles définies en p puis à transformer ces dernières pour obtenir directement les
coefficients du filtre.
D'où l'équation de filtrage :
5.4.2 Les fonctions modèle
*
y (n) = x(n) − 2 Re( Z 0 x(n − 1) + Z 0 Z 0* x( n − 2) + 2 Re
) (P )y (n − 1) − PP y ( n − 2) Plusieurs fonctions modèles permettent d'approcher au miaux un gabarit demandé. Les plus célèbres d'entre elles
sont des fonctions de Butterworth, elliptiques ou des polynômes de Tchebycheff.
NE MELANGER LES DEUX EN AUCUN CAS
5HODWLRQVHQWUHOHQRPEUHGHFRHIILFLHQWVHWOHJDEDULW
Il est possible d'estimer le nombre de coefficients dont aura besoin un filtre RII en fonction du gabarit demandé au
−1 )DX[
(Z − Z 0 Z −1 − Z 0*
)( ) moyen de la formule suivante:
H (Z ) =
−1 −1
(Z − P )(Z − P* ) ª 2 º ªF 4 § f ·º
N ≈ 108
. log 10 « » log 10 « e sin¨ 2 π 1 ¸ »
«¬ δ 2 δ 1 »¼ «¬ Δf π © Fe ¹ »¼
$SSOLFDWLRQVGXILOWUDJHQXPpULTXH
5HPDUTXH
'pFLPDWLRQ
Un certain nombre d'écritures en Z vont être présentées dans ce polycopié, on insistera donc sur le point suivant :
Il arrive souvent qu'une chaîne de traitement numérique d'un signal fonctionne avec différents rythmes Lorsqu'un filtre de type RII est défini par ses pôles et zéros, il faut être prudent au moment de reconstruire les
d'échantillonnage. Lorsque la fréquence d'échantillonnage décroît on parle alors de décimation. L'opération de coefficients avec lesquels on va filtrer le signal.
décimation est triviale, il suffit de supprimer un certain nombre d'échantillons. Elle est en général symbolisée par une
flèche orientée de haut en bas. Deux solutions sont possibles :
- soit on reconstruit le polynôme en Z , on développe puis on repasse en Z −1 pour bien identifier les coefficients.
- soit on reconstruit directement le polynôme en Z −1 .
2:1
Le schéma ci dessus représente une décimation par 2, pour laquelle il suffira de supprimer un échantillon sur deux. Mais attention les pôles et zéros concernent Z
Exemple :
F
La fréquence d'échantillonnage passera ainsi de Fe à Fe' = e . Avant d'effectuer une telle opération il faut s'assurer
2
Soit le filtre d'ordre 2 défini par deux zéros Z 0 et Z 0* et par ses deux pôles P0 et P0* .
que le théorème de Shannon reste vérifié. Il est donc nécessaire de restreindre la bande B du signal afin qu'elle ne
F' F Reconstruction en :
dépasse pas B ≤ e = e . Ce filtrage "anti aliasing" est cette fois réalisé en numérique au cœur des traitements,
2 4
c'est la différence essentielle avec le filtrage anti aliasing "traditionnel" réalisé en analogique avant l'opération
(Z − Z 0 )(Z − Z 0* ) Z 2 − 2Re(Z 0 )Z + Z 0 Z 0* 1 − 2Re(Z 0 )Z −1 + Z 0 Z 0* Z −2
d'échantillonnage. H (Z ) = = =
(Z − P )(Z − P * ) Z 2 − 2Re(P ) + PP * 1 − 2Re(P )Z −1 + PP * Z − 2
Filtre Numérique
anti aliasing
2:1
L'opération d'interpolation va se symboliser par : ,QWHUSRODWLRQ
L'opération duale de la décimation est l'opération d'interpolation. Pour l'effectuer on utilise un filtre numérique et une
Filtre Numérique insertion de zéros au milieu du signal d'origine. Considérons, pour l'exposer, le cas d'une interpolation par un facteur
d'interpolation
2 d'un signal y (nTe' ) . On commence par insérer un valeur nulle entre chaque valeur du signal y (nTe' ) . La fréquence
1:2
d'échantillonnage est alors doublée, on a maintenant Fe = 2 Fe' La forme du spectre du signal est inchangée, les
En combinant la décimation et l'interpolation il est possible d'effectuer des modification fractionnaires de la valeurs insérées étant des zéros. Cependant ce spectre ne correspond pas à celui que l'on aurait obtenu en
fréquence d'échantillonnage. échantillonnant réellement le signal analogique avec Fe . Il y a en effet trop de répétitions du motif au niveau du
spectre. Il suffit alors simplement de supprimer ces motifs au moyen d'un filtre numérique pour obtenir le spectre du
)LOWUHVGH1\TXLVW signal numérique, comme si il avait été échantillonné d'entrée à la fréquence Fe . Ce filtrage numérique correspond à
une opération d'interpolation des valeurs temporelles du signal.
Dans le domaine des communications numériques, le filtrage numérique joue un rôle important. C'est en particulier
le cas lors d'une transmission numérique où les symboles à transmettre sont mis en forme au moyen d'un filtre
numérique qui ne doit pas créer d'interférence entre symboles. Les conditions que doit satisfaire ce filtre pour que
|Ye(f)|
l'interférence intersymbole soit nulle, ont été énoncées pour la première fois par Nyquist et constituent le "premier
critère de Nyquist". Ces conditions peuvent s'énoncer dans le domaine temporel ou dans le domaine fréquenciel.
Dans le domaine temporel, elles s'appliquent à la réponse impulsionnelle h(t) du filtre :
h(0 ) = 1,
h(nTs ) = 0 , n entier ≠ 0 t f
On peut formaliser cette propriété en écrivant : h(t ) ¦ δ(t − nTs ) = δ(t )
n F'e 2 F'e
1 k
Par transformée de Fourier de cette équation, on obtient alors : H ( f ) ∗ ¦ δ ( f − ) = 1
Ts k Ts
|Ye(f)|
k
ou encore : ¦ H( f − ) = Ts
k Ts
1 1
On considère alors que le filtre H ( f ) a une fréquence de coupure telle que : H( f ) = 0 pour f ≥
Ts Ts
1 t f
L'expression précédente devient alors : H( f ) + H( f − ) = Ts
Ts
Fe
1
En considérant que le filtre est à phase linéaire, l'égalité devient : H( f ) + H ( f − ) = Ts
Ts
Le premier critère de Nyquist s'exprime donc , dans le domaine temporel de la manière suivante : |Xe(f)|
1
Un filtre passe bas H de fréquence de coupure ≤ n'introduit pas d'interférence intersymbole lors de la
Ts
transmission d'un signal ¦ a k δ(t − kTs ) si sa fonction de transfert H( f ) satisfait deux conditions :
k
t f
1° la phase de H( f ) est une fonction linéaire de la fréquence;
§ 1 Ts · Fe
2° le module de H( f ) , c'est à dire le gain en amplitude du filtre est symétrique par rapport au point ¨ , ¸
© 2Ts 2 ¹
1
pour 0 ≤ f ≤
Ts
Le filtre de fréquence de coupure la plus basse satisfaisant le 1er critère de Nyquist est le filtre passe bas rectangulaire
t
sin π
1 Ts
de fréquence de coupure f c = . La réponse impulsionnelle correspondante est de la forme : h(t ) =
2Ts t
π
Ts
)LOWUHHQFRVLQXVVXUpOHYp
Une famille de filtres, très importante en communications numériques, est la famille des filtres en cosinus surélevés.
Ils ont la particularité de ne pas produire d'interférence entre symboles mais aussi d'être à support spectral borné. Ils
permettent ainsi de mettre en forme des signaux de communications pour des canaux à bande limitée, tout en
préservant les signaux de l'interférence entre symboles. D'un point de vue théorique ils demandent cependant une
infinité de coefficients. Heureusement on peut tronquer leur réponse impulsionnelle sans provoquer de pertes de
performances trop importantes (en ce qui concerne les lobes secondaires du spectre). L'analyse fine de ces filtres
particuliers sort du cadre de ce cours. Seules la forme analytique temporelle de la réponse impulsionnelles de ce filtre
sera donnée ci-dessous.
§π t· ª § π t· º
sin¨ ¸ « sin¨ β ¸ »
© Ts ¹ « © Ts ¹ »
Forme de la réponse impulsionnelle à temps continu du filtre en cosinus surélevé : h(t ) = «
πt 2»
« §β t· »
Ts «1 − 4 ¨ ¸ »
¬ © Ts ¹ ¼
Dans le cas d'un modem de communications numériques avec N échantillons par symboles et une période
d'échantillonnage Te , la réponse impusionnelle échantillonnée (donc les coefficients du filtre) est donnée par :
§π k· ª § π k· º
sin¨ ¸ « sin¨ β ¸ »
© N ¹ « © N ¹ »
h(k Te ) = «
πk 2»
«1 − 4 § β k · »
N « ¨ ¸ »
¬ © N ¹ ¼
Le coefficient β , appelé roll-off du filtre est un coefficient réel positif qui varie entre 0 et 1.
ex: Ts = 3Te
Nyquist
Illustration de l'effet temporel du filtre en racine de cosinus surélevé (absence d'interférences entre symboles aux
instants d'échantillonnage)
Faculté des Sciences
Département de Physique
Année universitaire 2016 /2017
TD Traitement du Signal
Exercice 1 :
Calculez les coefficients de la série de Fourier des fonctions suivantes :
1) x(t) = cos(0t) + sin2(0t) avec 0=2/T

n  
2) PT (t )   (t  nT ) .
n  
(Peigne de Dirac de période T)
3) Signal triangulaire périodique de période T, de parité pair définit par :

A2
TriT (t )  4t  T  si 0  t 
T
T 2
Exercice 2 :
Soit xp(t) un signal périodique de période T=1/f0 défini par son motif :
 T
 a si 0  t  2
x p (t )  
T
 a si  t  T
 2
1) Calculer les coefficients de fourrier de xp(t)

2) En déduire leurs amplitudes et leurs phases
3) Calculer la puissance moyenne de xp(t)
4) Endéduire que : 
1 2
 (2k  1) 2  8
k 0
5) Le signal xp traverse un filtre passe-bas idéal de fréquence de coupure 20/T, combien

d’harmoniques peut-on avoir à la sortie? en déduire le taux de distorsion.
6) Calculer la fonction d’autocorrélation de xp(t), en utilisant la définition et la décomposition
en Série de Fourier (utiliser le résultat de l’exercice 1.3).
7) En déduire les coefficients de fourrier de signaux périodiques de période T suivants :
 T  T
0t
a si 2  a si - 2  t  0
x1 (t )   x2 (t )  
T T
0 si t T  a si 0  t 
 2  2
Exercice 3 :
Soit f une fonction 2 périodique définie sur [0, 2[ par :
f (x) = ex

1) Représenter la fonction.
2) Calculer les coefficients complexes de la série de Fourier associée à f.
3) En déduire :

(1)

 1  k et  1  k
k
1
2 2
k 1 k 1
Exercice 4 :
Fig. 1 : signal en dent de scie.
4) Calculer la série de Fourier de la fonction périodique illustrée sur la figure 1 ci-dessus.

5) Quelle est la fraction de puissance dans la portion DC ?
6) Quelle est la puissance dans la 1ère harmonique ?
Exercice 5 :
Soit x(t) un signal périodique de période T représenté par la courbe de la figure 2 ci-dessous :
Figure 2 : courbe de x(t).
1) Sachant que x(t)=A.sin(at) pour 0<t<T, donner a en fonction de T.

2) Calculer les coefficients an et bn de la décomposition en série de Fourier de x(t).
3) Tracer le spectre bilatéral d’amplitude et de phase de x(t).
4) Calculer la puissance moyenne de x(t)
5) Le signal x(t) traverse un système de filtrage passe-bas de fréquence de coupure Fc, quelle
est la valeur maximale de Fc pour avoir uniquement la composante continue en sortie ?

Exercice 6 :
1) Calculer la transformée de Fourier de la fonction f(t) = |t|
2) Déduiser la transformée de g(t)= t2 Sgn(t).
Exercice 7 :
Soit f(t) la fonction représentée sur la figure 3 ci-dessous :
Fig. 3 :
1) Calculer la transformée de Fourier de la fonction f(t) par les deux méthodes suivantes :.
a) Décomposition en sommes de Rect(t) et Tri(t) centrées
b) De la dérivée.
2) Quel est le taux de décroissance asymptotique des lobes de F(ω) ?
Exercice 8 :
Calculer les TF des signaux suivants :
1) Impulsion de Dirac en utilisant son approximation par une fenêtre rectangulaire vue en
cours ;
 A si 0  t  T
2) Fenêtre rectangulaire non centrée d’amplitude A et de durée T. x p (t )  
0 ailleur

sin 2 (t )
3) x(t)=sin(t)/t, en déduire la valeur de  t 2 dt ;

4) y(t)=x(t).cos(2f0t) en fonction de X(f)=TF[x(t)] (exemple troncature x(t) = RectT(t)) ;

5) x(t)=exp(-t/).U(t) U(t) échelon unité.
Exercice 9 :
Soit un signal y(t) = A[1-m.cos(2f0t)].sin(2Ft) issu d’une modulation d’amplitude d’une
porteuse sin(2Ft) par le signal cos(2f0t) avec f0<<F et 0<m (taux de modulation) ≤ 1
1) Tracer les spectres d’amplitude et de phase de y(t)

2) Calculer la puissance moyenne de y(t).

Exercice 10 :
On considère le circuit RC de la figure 4 ci-dessous. On pose =RC
Figure 4 : Schéma électrique d’un circuit RC.
1) Donner l’équation différentielle temporelle liant v1(t) à v2(t).

V2 ( )
2) En déduire l’expression de la fonction de transfert du système T ( )  .où V1() et
V1 ( )
V2() sont les spectres des signaux v1(t) et v2(t).
3) Calculer la réponse impulsionnelle h(t) du système.
4) Calculer la sortie du circuit (v2) lorsqu’on applique à l’entrée un échelon unité.
Indications :
1
H (t )e  at 
TF

a  j
1 où H(t) = échelon unité.
H (t ) 
TF
j
Exercice 11 :
Soit un oscillateur harmonique schématisé sur la figure 4. Le mouvement y(t) de la masse est lié
au mouvement x(t) imposé à l’autre extrémité du ressort par l’équation différentielle :
1 d 2 y 2 dy
  y (t )  x(t )
02 dt 2 02 dt
Où l’on a posé 02=k/m et =l/2m.
Figure 4 : oscillateur harmonique.
1) Montrer que la transformée de Fourier Y(f) de y(t) s’exprime à partir de la transformée de

Fourier X(f) de x(t) par une relation type : Y(f)=X(f).T(f)
Où T(f) est la fonction de transfert du filtre que l’on explicitera.
2) Calculer la transformée de Fourier du signal causal y(t) = 𝐴𝑒 −𝛼𝑡 sin(𝜔1 𝑡)𝑈(𝑡) où U(t) est
l’échelon unité.
3) En déduire la réponse impulsionnelle de l’oscillateur harmonique h(t) (réponse à une
impulsion de Dirac en entrée).

Exercice 12 : modulation.
Soit un signal f(t) contenant de l’information destinée à être transmise par onde radio. Le spectre
F() du signal est borné en fréquence et est illustré figure 5.
notes : ω= 2πf et 2cos2(0t)= cos(20t) + 1
Figure 5.
1) Quelle est la puissance totale de ce signal ?
2) Calculer l’énergie totale du signal f(t).
Pour transmettre le signal f(t) par voie aérienne, on doit utiliser une porteuse qui se propage
aisément dans l’atmosphère. C’est le cas des ondes radio. Nous allons utiliser une porteuse
de fréquence f0 = 1 MHz. Le signal transmis par l’antenne de l’émetteur est :
g(t) = f(t).cos(ot)
on dit alors que le signal f(t) module la porteuse à 0.
3) Calculer la transformée de Fourier de g(t), et tracez le spectre de g(t).
4) Quelle est l’énergie totale du signal transmis ?
Afin de récupérer l’information, le récepteur multiplie le signal détecté par cos(0t) de telle
sorte que :
h(t) = g(t).cos(0t)
5) Calculer la transformée de Fourier de h(t) et tracez son spectre.
Un filtre passe-bas idéal permet de « couper » les hautes fréquences pour ne préserver que le
contenu spectral autour de ω=0 (bande [-2000, 2000].
6) En supposant que le filtre passe bas est une fonction « Rect» qui multiplie le signal H() :
V(ω) = H(ω).Rect[ω/2ωc]
Déduisez les plages possibles pour la fréquence angulaire de coupure du filtre ωc pour que le
signal v(t) soit une reproduction fidèle de f(t), c-à-dire on veut que v(t) soit égal, à une
constante près à f(t).
7) Quelle est l’énergie dans le signal détecté v(t) ?
Exercice 13 : Modulation d'amplitude

1) Le signal porteuse p(t) = Ap cos(2fpt) est modulé en amplitude par le signal
x(t) = Bm+Am cos(2fmt) ; avec 0<fm<<fp.
Quelles sont les composantes harmoniques du signal modulé y(t)=x(t).p(t) ?
2) Quelle est la transformée de Fourier de cos(2f0t) et sin(2f0t) ?
3) Retrouver le résultat de (1) avec la TF.
4) Pour optimiser l'énergie nécessaire à l'émission, comment peut-on modifier x(t). On
considère que l'oreille humaine est peu sensible aux fréquences très basses.
5) On dispose d'un récepteur AM dans la bande 10 MHz, comment détecter un signal x(t) qui
module une porteuse de fréquence fp = 100 MHz ?

Exercice 14 :
1) Calculer la transformée de Fourier des signaux suivants :
a) u(t) créneau d'amplitude A sur [T/2, T/2]
b) v(t) créneau d'amplitude A sur [c-T/2, c+T/2]
c) w(t) prenant les valeurs non nulles -A sur [-T/2, 0] et A sur [0, T/2]
2) On considère le signal s(t) périodique de période T et de motif w(t). Calculer sa transformée
de Fourier et ses séries de Fourier (en ck et en ak, bk).
3) Le signal r(t) est le translaté de w en T/4. C'est le motif du signal périodique x(t) de période
T. Déterminer les séries de Fourier de x(t).
Le signal x(t) est modulé en amplitude par y(t)=Am cos(2fmt) avec 0<fm<f/2 et f=1/T.
Quel est le spectre de z(t)=x(t).y(t) ? Il s'agit d'étudier les composantes harmoniques de z(t).
Quelles opérations doit-on appliquer à y(t) pour obtenir l'harmonique de plus basse
fréquence positive de z(t) ? Comment retrouver y(t) à partir de z(t) ?
Exercice 15 : Modulation de fréquences.

Soit le signal modulé suivant : sm(t) = V0 cos(t + 5sin(ωmt)). On prendra V0= 1V, ω0 =107 rad/s
et ωm = 104 rad/s.
1) Déterminer la fréquence de la porteuse et celle de la modulation. Calculer l’excursion en
fréquence ainsi que la bande de fréquence occupée.
2) A l’aide des formules de Bessel-Jacobi (données en annexe), tracer en le justifiant le spectre
en pulsation Sm(ω) de sm(t). Pour cela les amplitudes seront normalisées par rapport à V0.
3) En ne prenant pas en compte les harmoniques ayant une amplitude inférieure à 0,1, montrer
que la formule de Carson est validée.
Exercice 16 :
On souhaite réaliser le filtre défini par le gabarit donné par la Figure 6.
Figure 6 : gabarit du filtre.
Où : f1 = 3,3333 Hz ; f2 = 5 Hz ;
f3 = 500 Hz ; f4 = 600 Hz
Gp = 1 dB ; Ga= 30 dB
1) Quel est le type du filtre dont le gabarit est décrit ci-dessus figure 6?
2) Décrire et réaliser les étapes permettant de ramener le gabarit ci-dessus au prototype d'un
filtre passe-bas normalisé.
3) Calculer l'ordre du filtre en utilisant le polynôme d'approximation de Chebychev.

Exercice 17 :
On souhaite réaliser le filtre défini par le gabarit donné par la Figure 7.
Figure 7 : gabarit du filtre.
Où : fa = 33 Hz ; fp = 50 Hz ;
Gp = 1 dB ; Ga= 20 dB
1) Quel est le type du filtre dont le gabarit est décrit ci-dessus figure 7?
2) Décrire et réaliser les étapes permettant de ramener le gabarit ci-dessus au prototype d'un
filtre passe-bas normalisé.
3) Calculer l'ordre du filtre en utilisant le polynôme d'approximation de Butterworth.
./

Annexes
Fonctions de Bessel

m 2i  n
J n (m)   (1) i et J n (m)  (1) n J n (m)
i 0 i!(i  n)!

cos(m sin(t ))  J 0 (m)  2 J 2 k (m) cos(2kt )
k 1

sin( m sin(t ))  2 J 2 k 1 (m) sin(( 2k  1)t )
k 0

Triatement Du Signal S6 9.5

Transféré par

Informations du document

Titre original

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

Triatement Du Signal S6 9.5

Transféré par

Droits d'auteur :

Formats disponibles

Université Ibn Tofail

Faculté des Sciences

SMP S6 M. LHARCH 2015/2016

3. M. Bellanger, " TRAITEMENT NUMÉRIQUE DU SIGNAL Théorie et pratique" ;

13. W. J. Witteman, "Detection and Signal Processing Technical Realization" ; SPRINGER

Signal Support d'information

Ex. de grandeurs Tension et courant électrique, pression acoustique, intensité lumineuse

Origine des signaux Capteurs (thermomètre, dynamomètre…)

Bruit Phénomène perturbateur du point de vue de l'observateur

Exemples onde acoustique

suite de nombres mesures physiques

Chaîne de transmission d'information

Traitement du signal : SIGNAL + BRUIT

Traitement du signal Transformation destinée à élaborer ou interpréter les signaux

Classes de problèmes 9 Génération ou interprétation de signaux

9 Détection, estimation, déconvolution

T : période (s) M : période (m)

Signal périodique non sinusoïdal

Signal non périodique

Superposition de signaux sinusoïdaux

Signal non périodique

2 – Signaux et systèmes linéaires

Classification des signaux

Phénoménologique ; Énergétique ; Spectrale ; Morphologique.

Quelques signaux et opérations élémentaires

Systèmes linéaires et invariants

Systèmes ; Réponse impulsionnelle ; Convolution.

Dimensionnelle Nombre de variables libres

9 Tension électrique V(t) = signal unidimensionnel.

Phénoménologique Évolution déterministe ou aléatoire

Énergétique Énergie finie ou puissance moyenne finie

Tout signal physique Idéalisation

Spectrale Fréquences (basses…) et bande (large…)

Signal analogique original

9 Signaux analogiques (infinité d'états), dépend d'une variable continue ;

2.2 – Quelques signaux élémentaires

UT /2 U U+T /2 t  U ¬­ sin (Qt )

Impulsion de Dirac ou Fonction delta

2.2 – Quelques opérations élémentaires

Opérateur de répétition Peigne de Dirac

9 Toute entité ou appareil qui effectue e (t ) s (t )

9 Différentes situations expérimentales peuvent être décrites par ce schéma :

Î S = système conçu pour réaliser une opération spécifique sur le signal

9 Exemples : amplificateur idéal, ligne à retard…

9 Propriétés : linéarité, invariance (ou stationnarité), causalité

2.3 – SLI : réponse impulsionnelle, convolution

Réponse d’un SLI à un signal quelconque

9 Réponse à une impulsion : h (t )

« poids » de’e(t-U) dans’s(t) signal’d entrée’U secondes’avant’t

Construction’du’signal’de’sortie’à un’instant’t0 donné

Î à l’instant t0, la pe impulsion contribue d’autant plus au signal de sortie que

I. Analyse des signaux périodiques

Considérons un signal périodique x(t) de période T = 1/f0. Son développement en série de

b) Série de Fourier complexe :

SMP S6 M. LHARCH Page 1

3. Théorème de la puissance ou de Parseval :

Dans l'espace temps, la définition de la puissance moyenne normalisée est la suivante

SMP S6 M. LHARCH Page 3 SMP S6 M. LHARCH Page 2

Figure 1.5.: Illustration du phénomène de Gibbs

b. Rotation autour de l’ordonnée

SMP S6 M. LHARCH Page 5 SMP S6 M. LHARCH Page 4

Figure 1.6.: Réponses temporelle et fréquentielle d'un filtre à une SIR

8. Les systèmes non linéaires (distorsion) :

Signal non périodique

UT /2 U U+T /2 t U ¬ sin (Qt )

R ff (0) b 2 R gg (0) 2bR fg (t) t 0

3.1 Introduction On définit pour un filtre passe-bas quatre paramètres :

2 Différents types de filtres

3.3 Détermination de la fonction de transfert du filtre

.4.2 Présentation du filtre de Tchebychev

3 Cellule de Rauch pour filtre passe-bas du second ordre