Chapitre 1

Corrélations et Spectres
• Signal:
Un ‘’Signal’’ au sens où nous l’étudierons, est une information ou
‘’message ‘’ issu d’un appareil qui le crée et transformé par un capteur
en une information électrique(microphone, caméra, etc…). Les signaux
que nous traiterons ici sont essentiellement des signaux électriques à
une seule dimension ou des signaux images à deux dimensions. Cet
outil peut être extrapolé à tout type de concept porteur d’informations
(biologique, biomédicale, sociale, économique, astrophysique, etc..)
car le traitement de ces concepts utilisent le même formalise
mathématique. Le traitement du signal ne se contente pas uniquement
des phénomènes physiques (tension, courant, champ
électromagnétique, onde sonore…) transmettant une information
(signal radio - électrique, signal vidéo, signal radar) mais peut
s’étendre pour étudier par exemple, la fluctuation d’une bourse, la
variation de taille des citoyens d’une société donnée suivant le temps
et l’espace,
Classification des signaux
• Les signaux déterministe
• Les signaux Aléatoires
• Les signaux analogiques
• Les signaux discrets
• Les signaux quantifiés
• Les signaux périodiques
• Les signaux apériodiques
• Les signaux à énergie finie
• Les signaux à puissance moyenne finie
• Les signaux stationnaires/non stationnaires
Exemples des types de signaux
Signaux stationnaires/non stationnaires:

Définition: un signal aléatoire x(t) est stationnaire à l’ordre n,

si ses caractéristiques statiques sont invariants dans le
temps jusqu’à l’ordre n
Fonction Signe:
Notée sgn(t) : est une fonction
réelle de la variable réelle définie par:
+1 si t > 0,
sgn(t) = −1 si t < 0.
0 si t = 0

Avec cette convention, la fonction sgn est une

fonction impaire et donc sgn(t) = −sgn(−t), ∀t.

Fonction échelon unité :

La fonction échelon unité, ou simplement échelon ou fonction de Heaviside,
notée ɛ, est une fonction réelle de la variable réelle définie par
1 si t > 0,
u(t) = ɛ(t) = 0 si t < 0,
½ si t = 0
On montre facilement les relations :
ɛ (t) = 1/2 sgn(t) + 1/2
sgn(t) = 2 ɛ (t) − 1.
 Fonction rectangle
 La fonction rectangle unité, ou π(t) =rect(t)= 1 si -½<t<½
fonction porte, de largeur 1, notée
rect(t) ou π(t) est une fonction 0 ailleurs
réelle de la variable réelle définie
par :
rect(t) = ɛ (t + 1/2) − ɛ (t − 1/2).
On remarque que l’aire de la
fonction rectangle de largeur
unité vaut 1

 La fonction rectangle, de largeur

T, notée rectT ou πT , est une πT(t) =rect(t/T)= 1 si -T/2<t<T/2
fonction réelle de la variable 0 ailleurs
réelle définie par :
rect T(t) = rect(t/T) = ɛ(t/T + 1/2) −
ɛ(t/T − 1/2)
= ɛ(t + T/2) − ɛ (t − T/2)
On remarque que l’aire de la
fonction rectangle de largeur T
vaut T
Utilité de la fonction porte

Fonction triangle
1+t si -1< t < 0
Trig(t)= 1 si t = 0
1- t si 0 < t < 1

T+ t si -T< t < 0
TrigT(t) = T si t=0
T-t si 0 < t < T
Distributions:
nous somme contraint de travailler sur des signaux
réels, quelquefois constitués d’impulsions très brèves,
d’où la nécessité d’élaborer la théorie des distributions.
La représentation de phénomènes brefs ou discontinus
peut alors se faire au moyen des fonctions qui
possèdent des propriétés particuliers de ces signaux. Ce
sont particulièrement l’échelon unité ou Heaviside,
l’impulsion de Dirac et le peigne de Dirac.

L’impulsion de Dirac est la distribution qu’on utilise le

plus souvent en traitement de signal. Il est important de
bien comprendre sa définition et ses propriétés
 L’impulsion de Dirac est un opérateur que l’on utilise pour restituer la
valeur f(0) d’une fonction Continue à l’origine:

 Lorsque le Dirac est sur une autre valeur que 0 on obtient

l’expression suivante

 L’impulsion de Dirac est nulle partout sauf lorsque son argument est nul
auquel cas, son amplitude est infinie, mais son aire est Unité. Ainsi on peut
écrire: x(t) (t – t0) = x(t0) (t – t0) .
 De là on peut déduire que:
 Produit de convolution
L’opérateur de convolution est très courant, et associé à l’opération de
filtrage d’un signal x(t) par un filtre de réponse impulsionnelle h(t). La
sortie du filtre, y(t), vaut alors y(t) = x(t) ∗ h(t).
Définition: Le produit de convolution entre deux fonctions x(t) et h(t),
noté par le symbole ∗ est défini par les intégrales :

Le produit de convolution est:

- Commutatif : x(t) ∗ y(t) = y(t) ∗ x(t) .
- Associatif : x(t)∗(y(t) ∗ z(t)) = (x(t) ∗ y(t)) ∗ z(t).
- Distributif/+ : x(t)∗(y(t) + z(t)) = (x(t) ∗ y(t)) + (x(t) ∗
z(t)).
Exemple d’un produit de convolution
 Transformée de Fourier

• Définitions
• Formule directe

Exemple d’un signal et de sa transformée

Transformée de Fourier du signal Porte
Rxy(ԏ) ≠ Ryx (ԏ)
s(t) = x(t) + b(t).
b(t): bruit blanc : Sb = N0/2
x(t) = A sin(w0t +  )
On trouve : Rss(t) = Rxx(t) + Rbb(t)
 Chapitre 2
Produit de Convolution - Filtres
Objectif
cherche un opérateur avec les propriétés suivantes
• Linéarité : T [a1x1(t) + a2x2(t)] = a1T [x1(t)] + a2T [x2(t)]
• Invariance dans le temps:
Si y(t) = T [x(t)] alors T [x(t − t0)] = y(t − t0)
• Stabilité BIBO(Borned Input Borned Output)
Si |x(t)| ≤ Mx alors il existe My tel que
|y(t)| = |T [x(t)] | ≤ My
• “Limitation” du spectre d’un signal
Filtre linéaire (produit de convolution)
Au sens mathématique, un filtre est un système linéaire h(t) possédant les
propriétés ci-dessus.
Au sens physique, c’est un instrument ou un modèle physique associant
une excitation ou un signal d’entrée x(t) à un signal de sortie y(t) comme
schématisé ci dessous

x(t) h (t) y(t) = x(t) * h(t)

Remarque: Pour x(t) = (t) la sortie du système sera y(t) = h(t)

La réponse y(t) d’un filtre de réponse impulsionnelle h(t) est donnée
par la formule suivante: y(t) = x(t) * h(t) =  x(u) x(t-u) du
Causalité et Stabilité
Un filtre est dit causal, si la sortie ne dépend que des
valeurs de l’entrée précèdent la sortie.
Pour t < 0; alors h(t) = 0.
y(t) = [x * h] (t) = 0, h() x(t- ) d = -,t x() h(t- ) d
• Un système opérant en temps réel est causal
• Un système travaillant en temps différé à l’aide d’une
entrée stockée n’est pas nécessairement causal.
Stabilité d’un filtre(BIBO).
0, |h()| d <  .
Transformée de Fourier de la sortie y(t)

TF(y(t)) = Y(f) = TF(x(t) * h(t) ) = X(f) Y(f)

Exemple graphique de convolution
Convolution de la fonction porte πT par la fonction
triangle f(t) définie par:
f(t) = 1- t/T (le système est causal).
Convolution triangle porte
Différentes positions de l’intégral
Propriétés du produit de convolution
Suite des propriétés de convolution
Exemples des systèmes linéaires
Relation entre corrélation et convolution
La fonction de corrélation s’écrit

La convolution s’écrit

On constate que la corrélation n’est que de x(t) avec y*(-t)

Rxy() = x () * y*(-)

D’où le Théorème de Parseval:

TF{ x(t) * y*(-t) } = TF(x(t)) TF(y*(-t)) = X(f) Y*(f)

 Relations de Wiener Lee pour un filtre
linéaire

• y(-  ) = x( - ) * h( - )
• Densité spectrale de puissance

• Intercorrélation

• Autocorrélation
Formule des interférences
Réponse fréquentielle d’un système linéaire

On suppose que l’entrée est : x(t) = A exp ( j2π f t )

Que vaut la sortie?
On note S( x ( t ) ) la sortie y(t) = x(t) * h(t)

Pour le cas particulier où x(t) = A exp ( j2π f0 t ); on a:

S (A exp ( j2π f0 t ) ) = H(f0).A exp ( j2π f0 t )

La réponse d'un système LTI a une exponentielle complexe (resp. signal

sinusoïdal) est une exponentielle complexe (resp. signal sinusoïdal)
multipliée par le gain complexe H( f )
Représentation fréquentielle des systèmes LTI
Exemple d’un filtre passe bas

u(t) (entrée)  U(f); y(t) (sortie)  Y(f).

L’équation du circuit donne : RC.y’(t) + y(t) = u(t)
y(t) = u(t) * h(t)  Y(f) = H(f) . U(f)

D’où H(f) = 1/(1 + RCexp(2πjf)

Séries de Fourier
Signal périodique
Définition
Un signal x(t) est périodique s’il existe un T  R , tel que :
x(t) = x(t + kT), ∀ k ∈ Z
Si T est le plus petit réel satisfaisant l’équation ci-dessus, T est
appelée période du signal.
Tout signal périodique est décomposable en Séries de Fourier
c.à.d en une somme de fonctions exponentielles (exp(j2πnf0t))
dont la fréquence est un multiple entier de la fréquence du
signal: f0
on rappelle que f0 = 1/T0 (T0 = période du signal)
 Soit x(t) fonction complexe; elle peut se décomposer en une
somme infinie de fonctions sinusoïdales dépendants du temps
qui peut être exprimé par une combinaison linéaire de fonctions
exponentielles complexes sur
l’intervalle temporel [0, T0 = 1/f0] :

n ´étant une valeur entière. Les coefficients de la série de Fourier,

cn, sont indépendants du temps et s’expriment de la manière
suivante :
Décomposition en une suite de
composantes
x(t) signal périodique et
impair

1 ère Approximation :
x(t)  x1(t) = b1sin(2f0t)
f0 = 1/T0 ; T0= 6 s

2 ème approximation:
On considère que le signal est la
somme de deux sinusoïdes:
x(t)  x1(t) + x3(t) = b1sin(2f0t)
+ b3 sin(23f0t)

3 ème approximation
x(t)  x1(t) + x2(t) + x3(t)
x(t)  b1sin(2f0t) + b3 sin(23f0t)
+ b5 sin(25f0t)
 Remarques:
• C0 : valeur moyenne de x(t) sur [0, T0]
• Si x(t) est un signal réel, alors C− n = C*n
• On peut décomposer x(t) sous une forme équivalente
Remarques
• x(t) pair alors bn = 0; x(t) impair alors an = 0.
• Cn = (an – j bn) / 2.; C-n = (an + j bn) / 2;
• a0 = C0 ; an = Cn +C-n ; bn = j (Cn – C-n)

On peut exprimer x(t) sous une autre forme:

x(t) = 0 + n=1, n cos(nt + n); avec 0 = a0 ; n = (an2 + bn2)1/2
n = artan(- bn/an)

La translation du signal affecte l’argument du spectre du signal

et non le module:
Cn(x(t – t0) = exp(-jnt0).Cn(x(t))
| Cn(x(t – t0)| = |Cn(x(t)|; Arg(Cn(x(t-t0)) = Arg(Cn(x(t)) – nt0
Propriétés des séries de Fourier

Rx() = (-,+) |Cn|2 exp(2πjnf0)

Sx(f) =  (-,+) |Cn|2 (f – nf0)

Représentation spectrale de Cn(f)

Suite
On considère f(x) fonction périodique de Période T0 = 2.
• Si f(x) est paire - ,  f(x) dx = 2 0,  f(x) dx.
• Si f(x) est impaire - ,  f(x) dx = 0.
Les harmonies d’un signal périodique
suite

Exemple d’un signal de parole

1000
échantillons
pour 125 ms
suite
Représentation spectrale du signal x(t)
Représentation d’un signal périodique décomposé en série
de Fourier dans les deux plans: temporel et fréquentiel
Exemple de Décomposition en série de Fourier DSF

Soit h(t) de période T tel que sur l'intervalle [0, T] on a:

Décomposition en DSF

Décomposition en Série de Fourier de h(t) nous donne:

Cn =(A/n).sin(nt0/T) ; donc la DSF de h(t) est :
Décomposition en SDF

Approximation du signal créneau par la série de Fourier en

limitant n à différentes valeurs :

n=10 n=50 n=250

Phénomène de Gibbs = effets de bord aux de discontinuités

Représentation des Cn – Spectre de Raies

Cn = (A/n).sin(nt0/T)  ; C0 =At0/T

Les cn indiquent
quelles sont les
fréquences présentes
dans le signal
Exemple d’ application

Décomposer en Série de Fourier x(t) définie par:

x(t) = t2 si t  [-T/2, T/2]; on pose T = 2.
suite
x(t) = C0 + n=1, Cn exp (2 j n f0 t).

x(t) est une fonction réelle et paire donc je peux décomposer

x(t) autrement .
x(t) = a0 + n=1, an cos(2jnf0t).
C0 = a0 = 1/T -T/2,T/2 x(t) dt = 1/T -T/2,T/2 t2 dt = T2/12 = 2 /3.
an = 2/T -T/2,T/2 x(t). Cos(2 n f0 t ) dt = 4.(-1)n/n2
 Chapitre 3
Echantillonnage et quantification

3.1 Définition:
• On appelle échantillonnage d’un signal analogique x(t) le fait
de prélever régulièrement (tous les Te secondes) les valeurs
x(k Te). Le signal x(k Te) est le signal échantillonné à la
période d‘échantillonnage Te. La fréquence fe = 1/Te est
appelée fréquence d‘échantillonnage.
suite

• Un signal échantillonné et quantifié s’appelle un signal

numérique. La quantification permet de passer de valeurs

continues en amplitude à des valeurs discrètes.

• Un convertisseur A/N (Analogique/Numérique) réalise
l’échantillonnage et la quantification d’un signal analogique
(continu en temps et en amplitude).
• La question principale qui se pose est:
Comment reconstruire le signal d’origine (continu) à partir de
ses échantillon sans perte d’information
Exemple d’ un signal échantillonné
Signal échantillonné

Signal quantifié
3.2 Echantillonnage Idéal
3.2.1 Définition
L‘échantillonnage idéal est réalisé par la multiplication du
signal analogique par un peigne de Dirac, c'est à dire, une
suite de Diracs séparées par Te de poids 1 qui multiple le
signal de spectre [- fmax ; fmax]
• On définit le signal échantillonné xe(t) par :
suite
La transformée de Fourier de la fonction peigne de Dirac est:

(t) : fonction peigne de Dirac

Te = 1/Fe : période d’échantillonnage
Spectre d’un Signal échantillonné
Sans perte d’information

- fmax fmax
Spectre d’un signal échantillonné
avec perte d’information

- fmax fmax
Commentaire

• Le spectre du signal échantillonné Xe(f) s'obtient en

périodisant avec une période Te = 1/Fe le spectre X(f).
Échantillonner dans le temps revient à périodiser dans
l'espace des fréquences.
• Le problème se pose lorsque Fe < 2 f max. En effet, cela
provoque un repliement des spectres ou recouvrement ou
"aliasing". Dans ce cas (Fe < 2 f max), il sera impossible de
reconstruire X(f) à partir de Xe(f) et donc x(t) à partir de
x(kTe)
• Dans le cas où Fe >= 2 f max, il sera possible de reconstruire
X(f) à partir de Xe(f), et par conséquent retrouver x(t).
suite
Pour obtenir X(f) à partir de Xe(f), il suffit de filtrer xe(t) par un
filtre passe bas idéal de réponse fréquentielle

H(f) = Te Fe(f) (h(t) = sinc(Fe t).

3.2.2 Théorème de Shannon

Un signal x(t) d‘énergie finie dont le spectre est à support
borné [- fmax ; fmax] peut être échantillonné tous les Te sans
perte d'information à condition que la fréquence
d‘échantillonnage Fe > 1Te > 2 fmax
 Chapitre 4

Echantillonnage et Quantification
 Quantification Uniforme
Le convertisseur A{/N effectue la numérisation d'un signal analogique après
échantillonnage et délivré des séquences numériques codées avec un pas
de quantification q dépendant du nombre de bits du convertisseur.
Dans le cas d'une loi de quantification uniforme ou les valeurs codées sont
obtenues par arrondi dans le domaine de conversion CAN du convertisseur,
on a : q = can/2n

Considérant pour la suite que le CAN travaille avec n bits entre +Umax ; -Umax
on a can = 2 Umax et le pas de quantification vaut alors on a:
q = can /2n = 2 Umax/2n = Umax/2n-1
Le pas de quantification q rapporté au domaine de conversion CAN définit la
résolution du convertisseur
Lorsque les valeurs codées sont obtenues par arrondi, l'erreur due au
codage se repartit uniformément autour de la droite de conversion idéale et
la caractéristique de codage est celle représentée a la figure ci-dessus.
Dans le domaine de quantification, l'erreur maximum due a la quantification
Eq = q/2 = Umax/2n
La figure suivante met en évidence l’erreur commise au cours de
l’opération de quantification
Exemple:
 Chapitre 5

Signaux discrets et Transformée de Fourier

 Chapitre 5

Transformée de Fourier rapide

 Chapitre 6:
Signaux aléatoires
Une grandeur:
Physique
Biologique
Economique
Qui régisse par la loi du hasard
D’où probabilité:
Notion de Probabilité
Les caractéristiques d’une loi de Proba
Les différents lois
Fonction de répartition
Loi de poisson
Définition d’un signal aléatoire
Processus aléatoire
Caractérisation probabiliste des signaux aléatoires