Adnen Cours TSA

2 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________
Facult des sciences de Tunis Section : Gnie Electrique
COURS ET EXERCICES DE TRAITEMENT DU SIGNAL ANALOGIQUE
Sections:
4ime anne de Matrise Electronique 2ime anne de Gnie Electrique
Par :
CHERIF Adnne
2003
COURS DE TRAITEMENT DU SIGNAL ANALOGIQUE
Table des matires
Introduction
Chap I : Gnralits sur les signaux et systmes 1 - Dfinitions 2 - Classification des signaux. 3 - Reprsentation mathmatique d'un signal 4 - Oprations sur les signaux ( convolution,filtrage,corrlation...) 5 - Systmes linaires 6- Analyse temporelle et frquentielle ( Bode, Nyquist)
Chap II : Les signaux dterministes 1 - Introduction 2 - Dveloppement en srie de Fourier des signaux priodiques 3 - Transforme de Fourier des signaux non priodiques 4 - Transforme de Fourier court terme 5 - Transforme de Hilbert 6 - Convolution et corrlation 7 - Analyse spectrale 8 - Synthse harmonique et reconstitution d'un signal
Chap III : Les signaux alatoires 1- Description d'un signal alatoire 2- Proprits statistiques - Stationnarit - Ergodisme 3-Analyse temporelle des signaux alatoires 4-Analyse spectrale des signaux alatoires 5- Notion de bruit - bruit blanc - bruit color - rapport signal-bruit .
Chap IV : Filtrage linaire des signaux 1 - Dfinition dun F.L.I 2- Notions de causalit, ralisabilit et de stabilit d'un filtre 3- Classification des filtres linaires invariants 4 - Rponses impulsionnelle et harmonique 5- Distorsions linaires et non linaires 6- Exemples de filtres linaires 7- Effets des fentres de troncature .
Chap V: Techniques de transmission analogique 1 - Constitution d'un systme de transmission 2 - Modulation et dmodulation analogique - modulations AM, SSB, DSB - modulations FM et PM - dtection synchrone par PLL
Bibliographie
INTRODUCTION
Le signal est le support physique de l'information. Il se trouve sous la forme d'une grandeur observable de type lectrique, mcanique, acoustique ou optique. Cette notion s'oppose celle du bruit qui peut modifier l'information ou mme la masquer. La description, la modlisation et l'analyse mathmatique des signaux fait l'objet de la thorie du signal, alors que le traitement des signaux les interprte, en extrait ou y ajoute de l'information. Les champs d'application de cette discipline sont trs vastes tels que : - la tlcommunication - l'instrumentation - les radars et sonar - le traitement et la reconnaissance de la parole - le traitement d'image - la reconnaissance de forme - l'analyse des vibrations dans les machines outils. - La mdecine et la biotechnologie. Ce cours qui est destin essentiellement aux tudiants de deuxime anne de la matrise Electronique et du cycle dIngnieurs est divis en deux grandes parties reprsentant les signaux et les systmes continus et discrets. Dans les deux premiers chapitres, nous sommes intresss permettre l'tudiant de matriser les outils et les concepts de base de l'analyse d'un signal (Transforme de Fourier, analyse spectrale, analyse statistique,...) avant daborder les techniques d'analyse des systmes et le filtrage linaire. Le troisime chapitre est consacr la prsentation des signaux alatoires, de leurs proprits et de leurs mthodes danalyse statistique. Les chapitres quatre et cinq reprsentent la partie numrique de ce cours et dans la quelle nous prsentons en dtails toutes les tapes de numrisation dun signal ainsi que les conditions de ralisation de chacune. Cela permet d'aborder la dernire partie qui est la transmission analogique et numrique des signaux et dans la quelle on verra les techniques de modulation et de dmodulation AM, SSB, FM, PM, PCM, QPSK ainsi que leurs applications.
Chapitre 1
GENERALITES SUR LES SIGNAUX ET SYSTEMES
1- dfinition dun signal Un signal est un support physique de l'information qui reprsente un phnomne physique qui peut tre du type : - lectrique ( courant, tension, champ lectrique ou magntique ) - mcanique ( vibration ) - optique, etc Il peut prendre une reprsentation scalaire ( signal la sortie d'un microphone) ou vectorielle ( champ lectrique dans l'espace ). Pour illustrer ce concept, prenons le signal sinusodal x(t) de la figure 1 mlang avec un bruit dacquisition b(t). x(t) = sin(628.t ) b(t) : bruit uniforme. Dans le premier cas ( figure 3 ), nous avons choisi un faible niveau de bruit de faon que celuici ne masque ou ne modifie pas trop le signal original, soit : y(t) = x(t) + b(t) . Alors que dans le deuxime cas ( figure 4 ), nous avons choisi un niveau plus lev du bruit de faon que celui-ci masque compltement le signal original, soit : y(t) = x(t) +10 b(t) .
1.5
1 0.9
0.8 0.7 0.6
0.5
0.5 0.4
-0.5
0.3
-1
0.2 0.1
-1.5
0.01
0.02
0.03
0.04
0.05
0.01
0.02
0.03
0.04
0.05
Figure 1: signal sinusodal
Figure 2 : signal bruit
signal bruit : x(t)+b(t) 2 1.5 1 0.5 0 -0.5 -1
signal bruit : x(t)+8 b(t) 9 8 7 6 5 4 3 2 1 0
-1.5
0.01
0.02
0.03
0.04
0.05
-1
0.01
0.02
0.03
0.04
0.05
Figure 3: signal faiblement bruit 2- Paramtres temporels et nergtiques
Figure 4 : signal masqu par le bruit
Un signal est caractris par des paramtres temporels, nergtiques et statistiques qui caractrisent sa variabilit, sa dynamique, son intensit et sa puissance. 2-1- paramtres temporels: Ce sont des grandeurs physiques qui peuvent tre explicites par lobservation de la variation temporelle du signal ou suite un traitement de ces donnes, telles que : - lamplitude, la priode et la phase pour les signaux dterministes - la valeur moyenne, la variance, la densit de probabilit et la fonction dautocorrlation pour les signaux alatoires. Pour un signal discret, la valeur moyenne et la variance ont lexpression : x moy = VarX = 1 N 1 N
N i =1
x(i)
i =1 moy
(x(i) - x
)2
Dans le cas d'un signal continu priodique x(t) = A sin( t +), on dfinit : - la valeur moyenne par : - la valeur efficace par : Xm = 1 Xeff = [ 1
-T/2
T/2
x(t) dt
T/2
o T dsigne la priode
|x|2(t) dt ]1/2
-T/2
- la puissance moyenne par: Pmoy = (Xeff )2 - l'amplitude par : - la phase par : - la priode par : A = Xeff . 2 T = 2/
o dsige la pulsation
2-2- paramtres nergtiques: ! lnergie : dans le cas dun signal apriodique x(t) nergie finie, lnergie scrit : Ex =
x(t).x*(t) dt
-
o x*(t) dsigne le conjugu de x(t).
Si le signal x(t) est rel alors lexpression de lnergie devient: Ex =
| x(t) | 2 dt .
! la puissance moyenne : elle est dfinie pour les signaux priodiques comme : Pmoy = T
T/2
|x(t)|2 dt
-T/2
La valeur de Pmoy est toujours nulle dans le cas des signaux nergie finie. ! la distorsion harmonique : elle reprsente le pourcentage des harmoniques du signal ( gnralement indsirables et se manifestent par des pertes nergtiques) par rapport au fondamental. Pour mieux comprendre ce phnomne, prenons lexemple dun moteur courant alternatif fonctionnant normalement 50 Hz, qui aliment par le signal suivant : x(t) = 255 sin(2.50.t) + 60 sin(2.100.t) + 25 sin(2.250.t) . Seule la premire composante x1(t) = 255 sin(250.t) est utile pour le fonctionnement du moteur. Cependant les deux autres composantes sont indsirables puisquelles augmentent les pertes par effet Joule et par consquent lchauffement du moteur. Cela a pour effet de diminuer le rendement du moteur et mme dendommager ses enroulements. Dans ce cas , la valeur de la distorsion harmonique est gale : x = =
300
60 2 + 25 2 255 2
0.25
200
100
-100
-200
-300
0.01
0.02
0.03
0.04
0.05
Figure 5
Prenons maintenant, le signal bruit uniforme de la figure 1, daprs le calcul des diffrentes valeurs du signal ,on obtient : ! ! ! ! valeur moyenne : bmoy = 0.505 variance = 0.084 cart type = 0.29 nergie = 0.34.
Cependant, pour le signal sinusodal de la figure 2, on a : ! ! ! ! valeur moyenne : xmoy = 0 variance = 0.50 cart type = 0.7 nergie = 0.50 .
2-3- exemple: Soit calculer la valeur moyenne, la valeur efficace et la puissance moyenne du signal de la figure suivante : x(t)
/2
/2
figure 6
! La valeur moyenne est donne par : Xm = T

1
x(t) dt = T
/2
t dt + T
( - t ) dt =
/2
2 4T
! La puissance moyenne est gale :

T /2
Pmoy = 1
x2(t) dt = 1
t2 dt + 1
( - t ) 2 dt =
/2
3 12T
! La valeur efficace se dduit de Pmoy comme suit :

1/2 Xeff = (Pmoy ) =
3 12T
2- Reprsentation mathmatique dun signal 2-1- dcomposition en fonctions orthogonales Un signal peut se dcomposer en une combinaison linaire de fonctions (k) complexes qui peut se dfinir partir dune base orthogonale [cos(2fo t) ; sin(2fo t)], tels que: x(t ) =
k = -
. k (t)
k (t) = e j2fk.t
Si cette fonction est de dimension unitaire alors le signal est du type scalaire si non on parle de signal vectoriel.
Exemple : Prenons le cas du signal suivant : sin
x(t) = cos 2t
ej2 t cos
Figure 7 Alors, on peut crire x(t) sous la forme : e j .2t + e j .2t 2 ce qui permet correspond aux coordonnes suivants dans la base orthgonale B1= [ej2 t, e-j2 t] : x(t) = x(t) = (0.5 0.5)B1
2-2- dcomposition en somme dimpulsions rectangulaires On peut approcher x(t) par une fonction en escalier (quantifie) selon figure suivante : x(t)
kT Figure 8 On peut dans ce cas faire lapproximation suivante :

~ (t ) = x
k =
x(kT) T (t - kT) .
(t) est la fonction fentre de largeur T.
3- Classification des signaux On peut classer les signaux selon les catgories suivantes : 3-1- Classification dterministe-alatoire : Un signal dterministe est un signal dont la variation peut tre rgie par une reprsentation mathmatique ou une suite de donnes ( signal sinusodal, carr,...) . Par contre un signal alatoire n'est pas modlisable mais il est plutt caractris par ses proprits statistiques ( moyenne, variance, loi de probabilit,...).Il peut tre approch des lois pseudoalatoires ( poisson, binomiale,...). 3-2- Classification nergtique : a- Signaux nergie finie Ils sont caractriss par une nergie finie (constante) et une puissance moyenne nulle. Cette catgorie comprend les signaux non priodiques . Ex = x(t) dt
- +
Px = 0 b- Signaux puissance moyenne finie Ils sont caractriss par une nergie infinie et une puissance moyenne constant. Cette classe comprend les signaux priodiques . Px = Ex = Cette catgorie comprend les signaux priodiques et les signaux alatoires permanents . 3-3- Classification continu-discret Un signal discret n'est dfini qu' des instants rguliers dits instants d'chantillonnage. Malgr que la plupart des signaux rencontrs et mesurs dans la nature sont des signaux continus, on retrouve souvent ces signaux dans les systmes numriques.
continu discret
lim T
T
T/2
x(t) dt
-T/2
Figure 9
4- Oprations sur les signaux 4-1-addition Prenons le cas des deux signaux suivants: x1(t) = A1 cos (2 f1 t) x2(t) = A2 cos (2 f2 t) Si f1 = f2 , alors : x1(t)+ x2(t) = (A1+A2) cos (2 f1 t).
Si f1 f2 , alors il faut faire la somme instantane terme terme. 4-2- Multiplication La multiplication de deux signaux revient une transposition de frquence. Prenons le cas des deux signaux suivants : x1(t) = A1 cos (2 f1 t) x2(t) = A2 cos (2 f2 t) y(t) = x1(t) . x2(t) = 0.5 A1 A2 cos [2 (f1+f2 )t ] + 0.5 A1 A2 cos [2 (f1-f2 )t ]. x1(t) x2(t) Figure 10 Le multiplieur de la figure 10 est trs utilis dans les modulateurs et les dmodulateurs AM. 4-3- dphasage Le dphasage dun signal conduit un dcalage temporel, en avant ou en retard selon la valeur de ce dphasage. Si celui-ci est positif alors le signal dphas est en avance de phase par rapport au signal original et vice versa. Par exemple, dans le cas des signaux de la figure 6, le signal y1(t) est en avance de phase puisque le dphasage est positif par contre y2(t) est en retrad phase. y1(t) = y(t+ 1) avec 1> 0 y2(t) = y(t+ 2) avec 2 < 0 y(t) y1(t) y2(t) y(t) f1-f2 f1 f1+f2
alors,
-1
0 figure 11
4-4- produit scalaire Le produit scalaire de deux signaux continus nergies finies est dfini par : <x(t),y(t)> =
x(t).y*(t) dt
-
Dans le cas discret, cette expression se ramne : <x(n),y(n)> =
x(n).y * (n)
n =0
Pour les signaux priodiques, le produit scalaire a pour expression : <x(t),y(t )> = T
1
x(t) y*(t) dt .
0
Si ce produit scalaire est nul, alors les deux signaux sont orthogonaux.
Exemple
Les deux signaux x(t) et y(t) suivants sont orthogonaux. x(t) = cos t et En effet, <x(t),y(t )> =
1 T
T
y(t) = sin t avec T=2 .
cos t. sin t dt
0
<x(t),y(t )> = 1 5- Les systmes 5-1- dfinition
2T
sin 2t dt = 0 .
0
Un systme est un oprateur physique fonctionnel H ( fonction, application ) qui une entre e(t) lui associe une sortie s(t). e(t) H
figure 12
s(t)= H[ e(t) ]
5-2- classification des systmes Il existe plusieurs types de systmes qui peuvent tre classs selon leur reprsentation, leurs rponses, et leurs comportements. Chaque classe de systme possde ses propres outils dtude, danalyse et de synthse. A titre dexemple, on peut citer: - les systmes linaires, non linaires - les systmes mono-variables, multi-variables - les systmes continus, chantillonns (ou discrets), - les systmes dterministes, stochastiques.
5-3- systmes linaires Un systme et dit linaire s'il obit au thorme de superposition. Ainsi, le systme de la figure 12 est linaire si : - pour des entres e1(t) et e2(t) correspondent les sorties s1= H(e1 ) et s2= H(e2 ) alors : - pour une entre A e1(t)+B e2(t) correspond une sortie S = A s1(t)+ B s2(t). Dautre part, un systme linaire est rgi soit : a) par une quation diffrentielle : d i e(t ) dt
i
i =0
b i.
j =0
aj
d j s (t ) dt
j
b) par une fonction de transfert H(p) : C'est une reprsentation externe du sytme qui relie la sortie l'entre du sytme et qui est dfinit par :
bi. pi S(p) H(p) = = i =0 E(p) 1 + n a j p j
j =1
(m n et p est l'oprateur de Laplace)
D'ailleurs, celle-ci peut tre dduite de l'quation diffrentielle ci-dessus pour des conditions initiales nulles. 5-4- systmes linaires invariants Un systme est dit linaire invariant s'il vrifie les deux proprits : - la linarit - l'invariance temporelle qui est dfinit telle que : si s(t) est la sortie du systme pour une entre e(t) alors s(t-) est la sortie du mme systme pour l'entre e(t-) . Donc la variation temporelle de tel systme est indpendante de l'origine du temps. a) Exemple : Soit le systme H qui toute entre x(t) lui correspond une sortie y(t) = x( t) avec ||<1. Ce systme est linaire car : a et b , H [a x1(t) + b x2(t) ] = a x1( t) + b x2( t) = a y1(t) + b y2(t). Cependant, il nest pas invariant puisque : H [ x(t-t0) ] = x[( t-t0)] = x( t- t0) y(t-t0) = x( t- t0).
b- exemples de systmes linaires : - filtres passifs et actifs - amplificateurs - oprateurs: sommateur, soustracteur,... 5-5- systmes non linaires Ce sont les systmes dont la sortie n'est pas linaire par rapport l'entre. Ils ne possdent pas une reprsentation mathmatique interne (quation diffrentielle) non plus externe ( fonction de transfert) mais on peut dfinir la sortie de ces systmes par intervalles. a) Exemples : comparateur logique : C'est un montage amplificateur oprationnel dont la sortie est: y(t) = + Vcc si l'entre x1(t) l'entre x2(t) y(t) = - Vcc si l'entre x1(t) < x2(t) .
s(t) Ro x1(t) x2(t) R R + +Vcc
s(t)
0 -Vcc t
( Ro>>R )
Figure 13 : sortie d'un montage comparateur relais hystrisis: C'est un systme non linaire dont la caractristique est la suivante:
Figure 14 : caractristique d'un relais amplificateur saturation : C'est un systme linaire dans un intervalle du temps mais il ne l'est pas dans le reste du temps.
y(t)
+Vcc
y(t)=A e(t) si |t| <

-Vcc
y(t)= Vcc sign(t) si |t| >
Figure 15 : caractristique d'un amplificateur saturation Certains capteurs en instrumentation possdent de telles caractristiques, tels que les capteurs de temprature, de dbit, de pression ou de position. Il convient pour cela de limiter le fonctionnement dans la zone linaire. 5-6-Les systmes discrets Ce sont des systmes linaires ou non linaires dont la sortie n'est dfinie qu' des instants bien dtermins dits instants dchantillonnage (figure 16) . y(k)
Figure 16 : sortie d'un systme discret Un systme linaire discret d'entre e(k) et de sortie y(k), peut tre rgi par une quation rcurrente de la forme :
i =0
b i. e(i)
j =0
a j y(j)
Ce systme peut tre aussi reprsent par une fonction de transfert discrte appele aussi transmittance chantillonne. 5-7-Analyse temporelle dun systme linaire Lanalyse temporelle dun systme revient tudier sa rponse temporelle une entre donne ( impulsion, chelon de position, rampe de vitesse,...) et ses performances statiques et dynamiques, tels que la prcision, la rapidit et la stabilit. La rponse ou la sortie temporelle du systme peut tre dtermine partir de la rsolution de lquation diffrentielle de celui-ci ou en utilisant sa fonction de transfert.
! Analyse par la rsolution de lquation diffrentielle

Prenons le cas du circuit passif de la figure 17 et dterminons lexpression de sa sortie s(t) pour une entre indicielle : e(t) = A (t) ( chelon de position A ) : R e(t) C s(t)
figure 17 La loi des mailles permet dcrire : RC s(t) + s(t) = e(t)= A. (t) ,
La solution de cette quation diffrentielle est la somme de la solution gnrale sans second membre et la solution particulire avec second membre : soit : s(t) = A . K e- t/RC + A. (t) avec K= -(t) si on prend s(0)=0 Il vient alors : s(t) = A (1 - e- t/RC ) (t) .
! Analyse par la fonction de transfert

Le circuit prcdent peut tre considr comme un diviseur de tension, alors la fonction de transfert du circuit scrit :
H(j) =
S(j) 1 = E(j) 1+ RC j
o est la pulsation . En introduisant loprateur de Laplace de Laplace ( p=j ) et en remplaant lentre E(p)=A/p , il vient : S( p ) = soit : A p( 1 + RC p )
s(t) = A ( 1 - e- t/RC ) (t) .
Ce qui donne la reprsentation graphique suivante : s(t)

A
figure 18
! Performances statiques et dynamiques

a) - prcision : Elle dfinit lcart entre lentre dsire et la sortie
(t) = e(t) - s(t)

La prcision statique est la valeur de lerreur en rgime permanent soit :
= lim (t) = e - s .
t
b) stabilt : un systme est mathmatiquement stable si toute entre borne lui correspond une sortie borne. Cela implique que tous les ples de la fonction de transfert sont parties relles ngatives. De point de vue physique, la stabilit dfinit laptitude dun systme revenir sa position dquilibre aprs une perturbation. c) rapidit : cest laptitude du systme ragir rapidement une entre quelconque et de vaincre son inertie. Elle est donne par la valeur de la constante de temps la plus lente du systme.
Exemple :
Prenons le systme de la figure 17 :
! L'erreur statique est nulle car :
= e - s = A -A = 0.
! Le systme est stable car le ple est ngatif po = -1/RC . ! Le systme possde une constante de temps = RC et la rapidit dpend dans ce cas de la valeur de RC.
5-8- Analyse frquentielle La rponse frquentielle a pour but de dterminer le comportement et la variation frquentielle de certains paramtres et performances du systme. Pour cela, il suffit dtudier la variation de la fonction de transfert H, gnralement complexe, en fonction de la frquence. Pour avoir une meilleure reprsentation et exploitation de H, celle-ci est souvent donne par le gain (module de H) et le dphasage (argument de H) appels diagrammes de Bode. a) calcul du gain et du dphasage ( diagrammes de Bode ) Prenons le cas gnral o :
H ( p) =
(p z ) ( p pj)
j =1 i =1 n i
(m < n)
o : z i : est le i zro de H(p) p k est le kime ple de H(p). Alors, on dfinit:
ime
le gain par : le dphasage par : 5-9- systmes lmentaires 5-9-1- systme du premier ordre
G() = 20 log10(| H( j)| )
() = Arg( H( j) ) .
On se donne la fonction de transfert H(p) d'un systme du premier ordre ayant un gain statique k et une constante de temps . k H ( p) = 1+ p Les expressions du gain et du dphasage sont donns par : - gain : - dphasage : * diagrammes de Bode La courbe du gain G() prsente deux asymptotes G1 et G2 respectivement en basses et hautes frquences donnes par : quand 0 : G1 = 20 log k quand : G2 = 20 log k -20 log . De mme la courbe de phase possde deux asymptotes 1 et 2 quand 0 quand : 1 = 0 : 2 = - /2 .
.
G(w) = 20 log10(| H( j)| ) = 20 log k - 10 log(1+22)
() = - arctg ( )
A la pulsation de coupure ( c=1/ ), le gain et la phase sont gales : Gc = 20 log k - 20 log G()
20 log k
2
= 20 log k - 3
et
c = -/4 .
()
c=1/ c -/2 Figure 19
Log w
5-9-2- systme du second ordre Supposons la fonction de transfert d'un systme du second ordre est la suivante : H ( p) = o : k : est le gain statique du systme, : est lamortissement, n : est la pulsation propre. Lquation caractristique du systme scrit : p2 + 2 n p + n 2 = 0 . Le dterminant de celle-ci est : = 4 ( 2 1) n 2 k n 2 p 2 + 2 n p + n 2
si = 0 ( =1), alors lquation caractristique possde une racine double po , telle que : po = - n si > 0 ( >1), lquation caractristique possde deux racines relles distinctes p1 et p2 : p1 = n + n 2 - 1 p 2 = n n 2 - 1 si <0 ( <1), lquation caractristique possde deux racines complexes conjugues p3 et p4, telles que : p 3 = n + j n 1 2 p 4 = n j n 1 2 a) rponse indicielle : S ( p) = H(p) E(p) = k n 2 , p(p 2 + 2 n p + n 2 )
si = 0 ( = 1 ), le rgime est dit amorti ou amorti et la rponse scrit : s (t ) = k [ 1 e nt (1 + n t)
si > 0 ( > 1 ), le rgime est dit hyper-amorti et la rponse scrit : s (t ) = k [( 1 1 2 -1

2
(p 2 e p1t p 1 e p2t )
si < 0 ( < 1 ), alors le rgime devient oscillant la rponse scrit : s (t ) = k [ 1 avec : 1 1 2 e nt sin( o t + )
0 = n 1 2 et = Arc cos .
<1
>1
Figure 20 : rponse indicielle selon les 3 rgimes dun systme du second ordre On remarque bien que le systme possde trois rgimes de fonctionnement qui dpendent de lamortissement. Cependant, lapparition du dpassement ne peut tre visible que pour la valeur =0.7. Cette valeur physique de lamortissement sera par la suite remplace par la valeur mathmatique =1, qui limite les trois rgimes hyper-amorti, amorti et oscillant. b) rponse impulsionnelle : S ( p ) = H(p) E(p) = k n 2 , p 2 + 2 n p + n 2
si = 0 ( = 1 ), le rgime est dit amorti ou amorti et la rponse scrit : s (t ) = k n t e pot si > 0 ( > 1 ), le rgime est dit apriodique ou amorti et la rponse scrit : ) 2 -1 si < 0 ( < 1 ), alors le rgime devient oscillant la rponse scrit :
2 2
s (t ) = k
(e
p1t
p 2t
s (t ) = k avec :
n
1
2
e nt sin( o t)
0 =n 1 2
On remarque que, quelque soit le rgime de fonctionnement, la rponse impulsionnelle tend asymptotiquement vers zro, ce qui montre que le systme est stable. Dautre part, on sait que le systme est dautant plus rapide quil atteigne le plus vite le rgime permanent, ce qui correspond selon la figure un amortissement unitaire.
<1
Figure 21 : rponse impulsionnelle selon les 3 rgimes dun systme du second ordre c) Rponse frquencielle : H ( j ) = ! gain : ! dphasage : * diagrammes de Bode La courbe du gain G() prsente deux asymptotes G1 et G2 respectivement en basses et hautes frquences donnes par : quand 0 : G1 = 20 log k quand : G2 = 20 log k - 40 log (/n) , soit une pente de -40 dB/dcade k n 2 - 2 ) + 2 j n
(n 2
G(w) = 20 log(kn2) - 10 log [(n2 -2 )2 +42n22]
() = - arctg [ 2n / (n2 -2) ] .
De mme la courbe de phase possde deux asymptotes 1 et 2 quand 0 : 1 = 0 quand : 2 = - .
A la pulsation de coupure ( c= n ), le gain et la phase sont gales :
Gc = 20 log k - 3 et c = -/2 .
<1
>1
Figure 22 : courbe du gain selon les 3 rgimes dun systme du second ordre
>1
Figure 23 : courbe de phase selon les 3 rgimes dun systme du second ordre.
5-9-3- systme dordre suprieur deux Dans ce cas le systme peut se dcomposer en systmes lmentaires de premier et de second ordre. Le gain et le dphasage sont respectivement gaux la somme des gains et des dphasages des systmes lmentaires.
Exemple :
Prenons le systme suivant et dterminons sa rponse frquentielle . H ( p) = 4 ( p + 5) ( p + 2)(p 2 + p + 1)
Ce systme peut se dcomposer en trois systme lmentaires de la faon suivante : H ( p ) = ( p + 5) 4 1 2 p+ 2 p + p+1 1 1 . 2 1 + 0.5 p p + p + 1 1 1 2 1 + 0.5 p p + p + 1
H ( p) = 5(1 + 0.2 p ) . 2
soit encore :
H ( p ) = 10 (1 + 0.2 p )
Gain :
G(w) = G1(w) + G2(w)+ G3(w) ,
G(w) = 20 log10 + 20 log(1+0.042) - 20 log(1+0.252) - 20 log [(1 -2 )2 + 2] Dphasage :
() = arctg (0.2 ) - arctg (0.5 ) - arctg [ / (1 -2) ]
Le trac du lieu asymptotique du gain des 3 systmes est le suivant :
+20 dB/dec 20 log10
log w
-20dB/dec -40 dB/dec
figure 24. Le tableau suivant rsume les variations des courbes du gain et de dphasage :
w - G1(w) en dB/dec G2(w) G3(w) G(w)=G1+G2+G3
1 0 0 0 0 0 0 -40 -40
2 0 -20 -40 -60
5 +20 -20 -40 -40
dphasage - 1(w) en rad 2(w) 3(w) (w)= 1+2+3
1 0 0 0 0 0 0 - - Table 1
2 0 -/2 - -3/2
5 +/2 -/2 - -
Ainsi, le trac global devient:
G(w)
20
-40 dB/dec
log w
-60 dB/dec
-40dB/dec figure 25 De mme, on procde pour la courbe de dphasage :
(w)
log w
- -3/2 figure 26.
EXERCICES CORRIGES DU CHAPITRE 1
Enonc de l'exercice 1
a) Calculer la valeur moyenne, la valeur efficace et la puissance moyenne dun signal sinusodal redress en simple alternance. b) Mme question pour un signal double alternance.
Corrig de l'exercice 1
1-a) Le signal simple alternance est exprim sur une priode [-To/2 , To/2] par : x(t) = Uo cos ( 2fo t) pour | t | < To/4 , x(t) = 0
x (t )
1
pour To/4 < | t | < To/2 .
0 .8
0 .6
0 .4
0 .2
0 0 200 400 600 800 1000 1200
t( m s )
figure 27 : signal redress en double alternance Sa valeur moyenne est donne par la relation : Xmoy = soit : 1 T0
To / 2
To / 2
x(t ) dt =
1 T0
To / 4
To / 4
U 0 cos(2Fo t ) dt =
Xmoy = Uo / .
2 T0
To / 4
U
0
cos(2Fo t ) dt =
U0
La puissance moyenne est donne par : 1 Pmoy = T0 donc : 2 / 2x(t ) dt = T0 To

2 To / 2 To / 4
U
0
2 0
2U 0 cos (2Fo t ) dt = T0
2
2 To / 4
1 [ 1 + cos(4Fo t ) ] dt = U 0 2 4
Pmoy = Uo2/ 4 .
La valeur efficace se dduit de la puissance ainsi :

X eff = Pmoy = U0 U = 0 . 4 2
2
b) Le signal simple alternance est exprim par la relation : x(t) = Uo cos ( 2fo t) t La valeur moyenne est gale : Xmoy = soit : 1 T0
To / 2
To / 2
x(t ) dt =
4 T0
To / 4
U
0
cos(2Fo t ) dt =
2U 0
Xmoy = 2Uo / .
La puissance moyenne est donne par : 1 Pmoy = T0 donc : 2 / 2x(t ) dt = T0 To

2 To / 2 To / 2
U
0
2 0
4U 0 cos (2Fo t ) dt = T0
2
2 To / 4
1 [ 1 + cos(4Fo t ) ] dt = U 0 2 2
Pmoy = Uo2/ 2 .
La valeur efficace se dduit de la puissance ainsi :

X eff = Pmoy = U0 U = 0 . 2 2
2
Le synoptique de la figure 28 reprsente le principe de ralisation dun modulateur damplitude utilis dans la transmission des signaux radiolectriques.
x1=A1 cos(2 f1 t) x2=A2 cos(2 f2 t)
x1(t).x2(t) y(t) figure 28
a) Donner lexpression du signal de sortie y(t) . On supposera f2 >> f1 b) En dduire la valeur de la puissance moyenne du signal.
x1(t) = A1 cos (2f1 t) x2(t) = A2 cos (2f2 t) y(t) = x1(t) x2(t) + x2(t) , y(t)= 0.5A1A2 cos [2 (f1+f2 )t ]+0.5A1A2 cos [2 (f2-f1 )t ]+A2 cos[2f2 t ]. Donc le signal y(t) est compos de trois signaux dont les composantes frquentielles sont donnes par : A2 0.5A1A2 f2-f1 f2 Figure 29. La puissance moyenne du signal y(t) est gale : Pmoy = (0.5 A1A2 )2 + A2 2 + (0.5 A1A2 )2 = A12 A2 2 + A2 2 = A2 2 ( 1+ A12) 0.5A1A2 f1+f2 f
alors :
Montrer que si les signaux x(t) et y(t) sont orthogonaux. x(t) 1 t T Figure 30. T/2 -1 T y(t) 1 t
<x(t),y(t )> = 1
T/2
dt - 1
dt .
T/2
= T/2 - T/2 = 0 . Comme le produit scalaire des signaux x(t) et y(t) est nul alors ils sont orthogonaux.
a) Calculer et reprsenter la rponse impulsionnelle dun systme dont la fonction de transfert est donne par lexpression :
1+ a p , a et b . 1+ b p b) Calculer et reprsenter les rponses frquentielles ( gain et dphasage ) du systme. On discutera selon les valeurs a et b. En dduire le type du systme. H ( p) =
Nous retenons dans ce qui suit les cas o b>0 qui correspondent un systme stable. Les rponses impulsionnelles et indicielles sont donnes par les figures ci-dessous:
reponse impulsionnelle 0 -0.2 -0.4 -0.6 -0.8 0 2.5 1 2 3 4 5 6 7 8 9 10 reponse indicielle
Cas : 0<b<a b=2 et a=5
1.5
1 0 1 2 3 4 5 6 7 8 9 10
reponse impulsionnelle 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 4 5 6 7 8 9 10
Cas 0<a<b b=2 et a=1
reponse indicielle 1 0.9 0.8 0.7 0.6 0.5 0 1 2 3 4 5 6 7 8 9 10
Figure 31.
les courbes du gain et de dphasage sont : * cas 0 < b < a ( a=15;b=2)

10
1
gain en dB
10 -2 10 50 40 30 20 10 0 -2 10
10
-1
10 d phasage
10
10
-1
10
10
* cas 0 < a < b

0
( a=0.1 ;b=2 )
gain en dB
10
10
-1
10
-2
10 0 -20 -40 -60
-1
10
10 d phasage
10
-80 -1 10
10
10
10
Figure 32.
Calculer et reprsenter la rponse frquentielle ( gain et dphasage ) du systme dont la fonction de transfert est donne par : 1 0.5 p . H ( p) = p(1 + 2p)(1 + p)
H(p) = (10.5p) . 1 1 . 1 = H1(p).H 2(p).H 3(p).H 4 (p) p 1+ 2 p p +1 w - G1(w) en dB/dec 0 G2(w) -20 G3(w) 0 G4(w) 0 G(w)=G1+G2+G3 -20 +G4 dphasage - 0 1(w) en rad 2(w) -/2 0 3(w) 0 4(w) (w)= 1+2+3 -/2 +4 0 0 -20 0 0 -20 0 0 -/2 0 0 -/2 Table 2.
10
2
0.5 0 -20 -20 0 -40 0.5 0 -/2 -/2 0 -
1 0 -20 -20 -20 -60 1 0 -/2 -/2 -/2 -3/2
2 +20 -20 -20 -20 -40
2 -/2 -/2 -/2 -/2 -2
gain en dB
10
10
-2
10
-4
10 0 -100 -200 -300
-2
10
-1
10 d phasage
10
-400 -2 10
10
-1
10
10
Figure 33.
Chapitre II
LES SIGNAUX
DETERMINISTES
1- Dfinition Un signal est dit dterministe sil peut tre donn par une expression ou une reprsentation mathmatique. Physiquement cela signifie que ses vnements sont tout fait prvivisibles et connus. Ses paramtres temporels et nergtiques tels quils sont dfinis au chapitre prcdent peuvent tre aussi explicits ou calculs. De plus, un signal dterministe peut tre continu ou discret, priodique ou apriodique, nergie finie ou infinie. A titre dexemple un signal sinusodal, carr, chelon, peigne de Dirac sont des signaux dterministes. Par contre un bruit ou un signal dont une ou plusieurs variables suivent une loi statistique est un signal alatoire dont le comportement et les vnements sont imprvisibles. Par exemple, le signal parole mesur la sortie dun microphone est sensiblement bruit et ne possde pas une expression mathmatique bien dtermine. Dans ce chapitre, nous allons voir en dtail les mthodes danalyse et de synthse des signaux dterministes ainsi que les outils de traitement utiliss que ce soit dans le domaine temporel ou frquentiel.
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 200 400 600 800 1000
Figure 1 : signal alatoire
2) Dcomposition en srie de Fourier des signaux priodiques Nous avons vu dans le dernier chapitre que le signaux peuvent tre reprsents en srie de fonctions orthogonales ou en srie d'impulsions rectangulaires dcales. L'introduction de la transforme et de la srie de Fourier permet de donner une autre reprsentation des signaux trs intressante pour la thorie de l'information et du signal que ce soit pour les signaux nergie finie ou puissance moyenne finie. Cette dcomposition exponentielle ou trigonomtrique dcoule de la reprsentation du signal dans la base orthogonale trigonomtrique. Elle permet aussi dexprimer le signal en fonctions de ses harmoniques. 2-1- recherche dune base orthogonale norme La dcomposition des signaux dans une base orthogonale orthonorme a pour but de trouver un cadre de rfrence dans lequel plusieurs signaux peuvent tre manipuls et compars. Pour cela, si on considre lespace vectoriel S des signaux muni de loprateur linaire produit scalaire, alors lensemble des fonctions exponentielles ( e j2 n t / T , n > 0 ) forme une base de S appele base de Fourier exponentielle Dautre part, on peut retrouver une autre base orthogonale de S qui dailleurs dcoule de la premire constitue par lensemble des fonctions sinusodales (cos(2nt /T ,sin(2nt /T), n>0) et qui est appele base de Fourier trigonomtrique. 2-2- Dcomposition sous une forme exponentielle Un signal priodique x(t) de priode T, continu par morceaux et vrifiant les conditions de DIRICHLET (c.a.d x(t) est continue, intgrable et son intgrale x(t)dt est borne ) peut tre dcompos en srie de Fourier selon la forme exponentielle suivante :
x(t) =
n=-
Cn e
+j
2 n t T
o
Cn = 1 T
T/2
x(t) e
2 n t T
dt .
T/2
L'ensemble des Cn reprsente le spectre de frquence, gnralement complexe. Celui-ci est caractris par : - le spectre d'amplitude Cn - le spectre de phase n = Arg (Cn) . 2-3- Dcomposition sous une forme trigonomtrique De mme, un signal priodique x(t) vrifiant les conditions de Dirichlet, peut tre dcompos dans la base trigonomtrique de la manire suivante :
x(t) =
ao 2n 2n + [ a n cos( t ) + bn sin( t )] 2 T T n =1
avec : a0 /2 : la valeur moyenne de x(t). et :
an =
2 T 2 T
T/2 T/2
T/2
x(t) cos (
2 n t ) dt T 2 n t ) dt T
bn =
T/2
x(t) sin(
On remarque que les deux reprsentations trigonomtrique et exponentielle sont quivalentes puisquon peut crire :
Cn = 1 ( a n j bn ) 2 1 2 2 a n + bn 2
Cn =
an = 2 Re(Cn) et
bn = - 2 Im(Cn) .
En dfinitif, la dcomposition dun signal priodique sous une forme exponentielle ou trigonomtrique est unique et donne lieu spectre complexe discontinu. a) cas particuliers : ! si le signal x(t) est pair, alors bn = 0 ! si le signal x(t) est impair alors an = 0 b) Exemples : Soit un signal carr priodique de priode To et d'amplitude .
x(t)
To t
n N* nN
( ao = 0 ) .
Figure 3
x(t) est impair an = 0

bn = 2. 2 . To
nN
T0/2
.sin(n.2.t /To ) dt = 2 . [ cos (n.) - 1 ]

n.
si n est pair, alors : si n est impair alors:
bn = 0 . 4. . bn = n.
Donc en utilisant la dcomposition en srie de Fourier, le signal peut scrire :
x(t) =
n=1
4 sin[(2n + 1)2f 0 t ] . (2n + 1)
Son spectre damplitude (bn) est donne par la figure ci-dessous :
bn
00 1 1
3 3
5 Figure 4
5 7
7 9
! Prenons maintenant le signal double alternance, priodique de priode To/2 : x(t) = Uo cos ( 2fo.t)
x(t)
Uo
f0=1/T0
To
Figure 5 Le signal est pair, alors sa dcomposition trigonomtrique donne : bk = 0 , ao = 2 Uo/ , si k est impair si k est pair (k=2n) |an| an a2nn = a ak = 0 ,
n 4. U o . (-1) 2 (4n 1)
Figure 6 Donc en utilisant la dcomposition en srie de Fourier, le signal peut scrire :
x(t) =
2 Uo +
4.Uo
n=1
(4n 2 1)
cos[(2n + 1)2f 0 t fo t) (-1)n cos(4n ] .
2-4- proprits de la srie de Fourier a) Linarit Appelons C le spectre complexe dun signal. Si les signaux x1(t) et x2(t) possdent des spectres C1 et C2, alors le spectre du signal y(t) est : C [ (y(t) ] = C [ x1(t) + x2(t) ] = C [x1(t)] + C [x2(t)] ( et ) soit : b) Translation temporelle Le retard temporel dun signal x(t) de priode T, se traduit par une rotation frquentielle de son spectre C. C[ (y(t) ] ) = C1 + C2
Cn[ x(t-to) ] = e -j2nto/T . Cn[ x(t) ]

En effet,
x(t - t 0 ) =
n =- +j 2 n ( t t 0 ) T +j 2 n t T j 2 n t0 T
Cn e
n =-
Cn e
donc :
C n [x(t - t 0 )] = C n [x(t)] . e
j 2 n t0 T
c) Symtrie hermitienne Pour les signaux priodiques et rels, on peut montrer que : Cn = C-n* o (*) dsigne le conjugu. Cette proprit montre que le spectre damplitude | Cn | est toujours pair . En effet, si x(t) est rel alors :
C -n = 1 T
nZ
T/2
T/2
x(t) e
+j
2 n t T
dt =
1 T
T/2
T/2
[x(t) e
2 n t T
] * dt = C n * .
d) Drivation
C[ dkx (dt )
k
]= (
j2n k ) .Cn T
On peut montrer cette proprit en partant de lexpression suivante :

2 n t T
x(t) =
n =-
Cn e
+j
d k x(t ) (dt )
k
n =-
Cn e
+j
2 n t T
j2n k ) , T
donc :
Cn [ dkx (dt )
k
]= (
j2n k ) .Cn T
3- Transforme de Fourier La srie de Fourier fournit un premier outil pour la reprsentation de certains types de signaux et ltude de leurs caractristiques frquentiels. Cependant, elle ne permet pas de reprsenter ou dtudier les signaux non priodiques. Dans ce cas, on peut en premire tape dfinir une nouvelle base orthonorme en utilisant la mme dmarche que celle adopte pour les signaux priodiques. Pour cela, si on considre lespace vectoriel S des signaux non priodiques muni de loprateur linaire produit scalaire, alors lensemble des fonctions exponentielles (e j2 f t , f) forme une base orthonorme de S . 3-1- Dfinition Pour un signal apriodique x(t) nergie finie, dfini sur , continu et dont l'integrale est borne, on peut associer une transformation linaire appele Transforme de Fourier X(f) telle que : C F: x(t) avec :
X(f) =
F [x(t)] = X(f)
ft
x(t) e j 2
dt .
Cette transforme est inversible etla transforme inverse est donne par :
x(t) =
X(f) e + j 2
ft
df .
Le spectre complexe X(f) est aussi reprsent par le spectre d'amplitudeX(f)et le spectre de phase (f). Remarque : Daprs lexpression du spectre X(f), celui-ci est dfini pour toute la plage des frquences ngatives et positives. Or on sait que la frquence n'a qu'un sens physique positif, cela s'explique par le fait qu'un signal rel peut tre obtenu partir de deux termes complexes conjugus. 3-2-Cas particuliers
! si le signal x(t) est pair alors :

X(f) = 2

x(t) cos(2f t ) dt
! si le signal x(t) est impair alors :
X(f) = 2 j
x(t) sin(2f t ) dt .
! si le signal x(t) est rel est pair alors sa transforme de Fourier X(f) est relle et paire. ! si le signal x(t) est rel est impair alors sa transforme de Fourier X(f) est imaginaire pure et paire. ! si le signal x(t) est imaginaire et pair alors sa transforme de Fourier X(f) est est imaginaire et paire. ! si le signal x(t) est imaginaire et impair alors sa transforme de Fourier X(f) est est relle et impaire. ! si le signal x(t) est rel quelconque (ni pair ni impair) alors sa transforme de Fourier X(f) est partie relle paire et partie imaginaire impaire. Le tableau suivant rsume les diffrents cas particuliers cits ci dessus . x(t) relle et paire relle et impaire imaginaire et paire imaginaire et impaire relle quelconque complexe paire complexe impaire Table 1 3-3- Exemples a) Fonction fentre : On se propose d'tudier le spectre d'un signal continu du type fentre centr, d'amplitude 1 et de largeur . x(t)
t
X(f) relle et paire imaginaire et impaire imaginaire et paire relle et impaire partie relle paire et impaire complexe et paire complexe et impaire
/2
/2
Figure 7
- Le signal x(t) est pair soit :
x(t) = 2
-/2
/2
cos (2f.t ) dt
X(f) = [ sinc ( ..f ) ] .
1.5
0.5
-0.5 -4
Fig 7 : spectre de la fonction fenetre

-3 -2 -1 0 1 2 3 4
Figure 8
b) Impulsion de dirac : (t) On peut approximer (t) par la fonction fenetre d'amplitude 1/ et de largeur . En effet :
(t) = lim (t) (f) = lim sinc(f) = 1

0 0
(f) = 1 .
c) Signal signe Sign(t) :

x(t)=sign(t) 1
t -1
Figure 9
x(t) =sign(t) X(f) = VP(-j /f) = 1/ j f X(f) = 0 c) Signal Echelon (t) :

(t)
x(t)=sign(t) 1
pour f > 0 ,
ailleurs .
Figure 10
x(t) =(t)
X(f) = 0.5 (f) + ( 1/ j f ) .
(f)
Figure 11 d) signal triangulaire : X(f) = A [ sinc(f) ]2

A x(t)
X(f)
A
1/
1/
2/
Figure 12 3-4- Proprits de la Transforme de Fourier a) Linarit Si les signaux x1(t) et x2(t) ont respectivement pour transformes de Fourier X1(f) et X2(f) alors : F [ x1(t) + x2(t) ] = F[x1(t)] + F[x2(t)] , ( et ) soit : F [ x1(t) + x2(t) ] = X1(f) + X2(f) .
b) Translation temporelle Le retard temporel dun signal x(t) se traduit par une rotation frquentielle de sa transforme de Fourier. F[ x(t-) ] = e-j2f X(f) . c) Symtrie hermitienne Pour les signaux rels, on peut montrer que : X(-f) = X(f)* o (*) dsigne le conjugu. f
Cette proprit montre que le spectre damplitude | X(f) | est toujours pair . d) Drivation
F[ dkx (dt )
k
] = (j2f ) k . X(f)
e) Similitude Une dilatation ou un talement de lchelle temporelle se traduit par une compression de lchelle frquentiel et vice-versa.
F [x(at)] = f 1 . X( ) a a
Cette proprit montre quun signal et son spectre ne peuvent tre simultanment finis. f) Moyenne temporelle et frquentielle La valeur moyenne ou la composante continue dun signal est gale la valeur lorigine de sa transforme de Fourier. Cette proprit peut tre obtenue directement de lexpression de la transforme de Fourier en remplaant f par zro, telle que :
x moy = X(0) =

x(t) dt
de mme la valeur lorigine du signal vaut :

x(0) =
X(f) df .
g) Dualit Cette proprit qui permet dobtenir de nouvelles paires de transformes de Fourier partir dautres dj connues, sexprime de la faon suivante : si le signal x(t) a pour transforme de Fourier X(f), alors celle du signal X(t) nest que x(-f) . soit : x(t) X(f) X(t) x(-f) h) Conjugaison Si le signal x(t) est complexe alors sa transforme de Fourier est le conjugu de X(-f) , soit : x(t) X(f) 3-5- Thorme de Perceval On considre les deux signaux apriodique x(t) et y(t) nergie finie, dfinis sur , continus et dont l'intgrale de chacun est borne, alors on peut montrer que la transforme de Fourier conserve le produit scalaire, soit :

x*(t) X*(-f) .
x(t) y * ( t ) dt =
En effet,
X(f) Y * ( f ) df
x(t) y * ( t ) dt =
x(t) [Y( f ) e j 2ft ] * df dt
x(t) e j 2ft dt Y * (f) df ,
X(f) Y * (f) df .
3-6- Relation entre srie de Fourier et transforme de Fourier Soit un signal priodique x(t) de priode T et de motif lmentaire xT(t). On peut crire alors :
x(t ) =
n =
T
xT (t nT ) dt =
n =
Cn e
j 2n t T
avec :
1 Cn = T
xT
j 2n t (t) e T
1 n 1 XT ( ) = X T ( n) . T T T
o XT(n) est la Transforme de Fourier de xT(t) . Il vient :

x(t ) =
n = j 2n t T
xT (t nT ) dt =
1 T
n =
n XT ( ) e T
En appliquant la Transforme de Fourier, on aura :

X(f ) = 1 T
n =
n n X T ( ) (f - ) . T T
Donc la priodisation temporelle se traduit par une discrtisation spectrale un coefficient prs. x(t) X(f)
x(t)
X(f)
t Figure 13
1/T
3-7- Formule de Poisson
La discrtisation temporelle se traduit par une priodisation spectrale un coefficient prs. En effet, si on appelle x(t) le signal continu et y(t) le mme signal discrtis, alors celui-ci a pour expression :
y (t ) =
n =
x(nT) (t nT )
En appliquant la Transforme de Fourier, on obtient :

Y( f ) = 1 T
Exemples :
* Peigne de Dirac :
peig T (t ) =
n =
X (f -
n ). T
n =
(t nT )
n 1 1 Peig 1 ( ) . T T T
Daprs la formule de Poisson , il vient :

Peig T ( f ) = 1 T
n =
(f - T ) =
x(t)
X(f)
1/T
t Figure 14
1/T
* fentre discrte :
x(t) = (t ) =
( f ) =
n=
(t nT )
2T
2T
.
n )] . T
n =
sinc[ ( f -
x(t) 1 -/2
/2
X(f) 1/T
0 T
t Figure 15
1/T
4-Transforme de Fourier court terme
Lun des inconvnients de la FFT est son manque de localisation temporelle. En effet, lanalyse de Fourier permet de connatre les diffrents harmoniques dun signal, mais ne permet pas de savoir quels instants ces frquences ont t mises. Cette analyse donne une information globale et non locale, do la ncessit de la mise en place dune analyse temps frquence qui permettra une localisation des priodicits dans le temps. Le spectrogramme est la reprsentation temps frquence la plus courante. Cest une reprsentation non paramtrique de la distribution nergtique du signal dans le domaine spectro- temporel. Le principe de cette mthode est d effectuer une FFT court terme en utilisant une fentre glissante, cest dire quon analyse une portion limite du signal, prleve laide dune fentre de pondration dynamique ( fentre de Hamming par exemple). Pour ne pas perdre dinformation et assurer un meilleur suivi des non stationnarits, les fentres se recouvrent, elles ont gnralement une longueur de 256 ou 512 points et le recouvrement est de 50%, soit 128 ou 256 points. Afin de compenser le niveau plus faible des aigus , on utilise utilis un filtre passe haut, dit de pr accentuation. Le schma de principe est le suivant :
signal Spectrogramme
Filtre de pr accentuation
Fentre glissante de Hamming
F.F.T
fig.16. Principe de la TFCT ( spectrogramme )
Figure 17 : Spectrogramme dun signal parole Le spectrogramme est une reprsentation bidimensionnelle du spectre. Le spectre damplitude est marqu par des zones sombres. Si le filtre passe bande a une bande large (512 points) ltalement du spectrogramme donne une bonne rsolution temporelle et une rsolution frquentielle faible alors que si le filtre a une bande troite (128 points) il donne une bonne rsolution frquentielle et une mauvaise rsolution temporelle. La figure 17 reprsente les spectrogramme large bande dun signal parole. 4- Transforme de HILBERT
4-1. Dfinition C'est la transforme qui a un signal x(t) associe le signal y(t) tel que : Y(f) = TH(f) X(f) avec :
TH ( f ) = Y( f ) = j sgn( f ) . X(f )
TH(f) j f
Figure 18 La Transforme de Hilbert inverse est :

( f ) =
n =
s inc[ ( f -
n )] . T
4-2-Rponse impulsionnelle La rponse impulsionnelle h(t) n'est pas causale puisquelle nest pas nulle pour les temps ngatifs. 1 h(t ) = Vp( ) . t h(t)
0 Figure 19 4-3-Rponse frquentielle
La transforme de Hilbert est une fonctionnelle dphasage pur (en quadrature) . Sa rponse frquentielle est donne par la courbe du gain et de phase : |H(f)| = 1
( f ) =
sgn( f ) . 2
|H(f)|
[H(f)]
+/2
f
-/2
Figure 20 4-4. Proprits La densit spectrale d'nergie d'un signal nergie finie x(t) est gale sa transforme de Hilbert. En effet : Y(f) = TH(f) . X(f) , il vient : Sy(f) = |TH(f)|2 . Sx(f) Sy(f) = |j sin (f)|2 . Sx(f) , il en rsulte : Sy(f) = Sx(f) . L'nergie d'un signal x(t) est gale sa transforme de Hilbert. Cette proprit dcoule de la prcdente en utilisant la relation : Ex =
S x (f) df =
S y (f) df = E y .
Le produit scalaire dun signal nergie finie et de sa transforme de Hibert est nul . En effet, si y(t) est la transforme de x(t) par TH(f),alors :
< x(t ), y (t ) > =
Donc les deux signaux sont orthogonaux. < x(t ), y (t ) > = soit :
< x(t ), y (t ) > =
x(t) y(t) dt = 0 .
X(f) Y(f) df =
TH(f) df .
X(f) Y(f) df =
j sgn(f) df = 0 .
4-5. Signal analytique
Comme la Transforme de Fourier possde la symtrie hermetienne X(-f) = X*(f), alors on peut caractriser un signal par la connaissance de sa Transforme de Fourier pour les frquences positives ( un facteur de 2 prs). Cela a pour avantage de rendre le signal causal, de simplifier le traitement et de donner une valeur physique (positive) la variable frquentielle. X(f) 2A A f f Xa(f)
Figure 21 a) Dfinition On appelle signal analytique xa(t) associ au signal rel x(t), le signal dont la Transforme de Fourier est gal deux fois celle du signal original pour les frquences positives et nulle ailleurs. En effet, si : .H x(t) T X H ( f ) alors : xa(t)
2X H ( f ) 0 pour f > 0 pour f < 0
b) relation entre un signal analytique et son original Daprs la relation prcdente, on peut crire que : Xa(f) = 2 (f) X(f) = [1 + sgn (f)] X(f) , = [1 + j (- j sig (f)] X(f) = [1 + j TH(f) ] X(f) , il vient par la linarit : xa(t) = x(t) + j + xH (t) . Donc, on peut retrouver le signal original x(t) partir de la partie relle de son signal analytique et sa transforme de Hilbert partir de la partie imaginaire de ce dernier. Quant au signal analytique, il peut tre calcul par la transforme de fourier inverse, soit :
x(t ) = Re [x a (t )] + j 2ft df x a (t ) = 2 0 X ( f ) e
Exemple : Calculer le signal analytique dun signal sinusodal damplitude unit et de frquence Fo.
x a (t ) = 2 x a (t ) =
+
X ( f ) e j 2ft df ,
( f Fo ) e j 2ft df
= e-j2Fo t
5- Oprations sur les signaux 5-1. Convolution On appelle produit de convolution de deux signaux nergie finie x(t) et y(t), la fonction dfinie par :
( x * y )(t ) = x(t ) * y (t ) =
x( ) y(t - ) d .
D'aprs l'ingalit de Schwartz, ce produit est toujours dfinie puisque les nergies 2 et ||y||2 sont finies. ||x|| a- Proprits : Commutativit : [x * y](t) = [y * x](t) . On peut dmontrer cette proprit en utilisant la proprit suivante : posons u = t - Distributivit : Associativit :
x(t ) * y (t ) =
x(t - u) y( u ) (-du ) .
[x * ( y + z)](t) = [(x * y) + (x * z](t) [x * ( y * z )](t) = [(x * y) * z](t) x(t) * (t) = x(t)
Elment neutre (t) : Drivation :
d ( x * y)(t ) dx(t ) dy (t ) = * y (t ) = x(t)* . dt dt dt
b- Exemples de convolution Convolution dun signal avec l'chelon de position (t) :

( x * )(t ) =
x( ) (t - ) d =
x( ) d .
A titre dexemple, calculons la convolution de lchelon de position avec lui mme. Dans ce cas, reprenons la dernire expression et remplaons x(t) par (t) :
( * )(t ) =
( ) d .
si t < 0 , alors :
( * )(t) = 0 ,

t
si t 0 , alors :
( * )(t ) =
d = t .
(t)*(t)
0 Figure 22 Convolution dun signal avec la fonction fentre (t), > 0

t+
( x * )(t ) =
x( ) d .
A titre dexemple, calculons la convolution de lchelon de position avec la fonction fentre de largeur . Dans ce cas, reprenons la dernire expression et remplaons x(t) par (t) :
t+
( * )(t ) =
( ) d .
si t < -/2, alors :
( * )(t) = 0 ,
t+
si -/2 t < /2 , alors :
( * )(t ) =
( ) d = t +
t+
si t /2 , alors :
( * )(t ) =
d = .
(t)* (t)
-/2
0 Figure 23
/2
c- Interprtation physique de la convolution On peut approcher x(t) par une fonction en escalier (quantifie) selon figure suivante :
x(t)
kT Figure 22 On peut dans ce cas faire lapproximation suivante :

~ (t ) = x
k =
x(kT) T (t - kT) .
(t) est la fonction fentre de largeur T. Cette approximation est d'autant plus prcise que (T) tend vers zro. Donc, si T 0 , alors : posons = kT , il vient :
x(t ) =
(t-kT) (t) et ~(t ) = x(t) . x
x( ) (t - ) d .
Et si on suppose que y(t) = H[x(t)] est la sortie d'un systme linaire H, pour une entre x(t), il vient :
~ (t ) = H[ y ~ (t ) = y
k =
x(kT) (t - kT) ] .
~ (t ) = y
k =
x(kT) H[ (t - kT) ] .
k =
x(kT) h(t - kT) .
o h(t) dsigne la rponse impulsionnelle du systme H. En posant = kT , et en faisant T 0 , il vient :

~ (t ) = y
x( ) h(t - ) d .
Donc, la rponse une entre quelconque est la convolution de celle-ci avec la rponse impulsionnelle du systme. On peut interprter la convolution par une imagerie qui observe le pass avec une vue sur l'tat propre pour reproduire le futur. En effet, dans la dernire expression : t reprsente le prsent, reprsente le pass, t- reprsente le temps dans le pass,
h(t-)
reprsente ltat et les actions orients vers le pass.
d- Convolution graphique On peut calculer graphiquement le produit de convolution en utilisant lexpression de lintgrale suivante :
( x * y )(t ) =
x( ) y(t - ) d .
Celle-ci nest que la surface du produit du signal x() et une version du signal y() retourne dans le temps y(-) puis translate de t . En faisant ce calcul pour de diffrentes valeurs de t , on obtient lallure et la valeur de lexpression du produit de convolution des deux signaux. A titre dexemple, prenons les deux signaux x(t) et y(t) de la figure suivante : x(t) 1 y(t) 1
0 x() 1
y(-) 1
- Figure 23 - Traons en 1re tape le produit [ x().y(t-) ] t donne. 0
y(t-) 1
x() y(t-)
t 0 t
t-
Figure 24 - Dterminons l'intgrale de ce produit par sa surface. - Puis refaire de ce produit pour valeurs de t.
Exemple :
Prenons x(t) la rampe unitaire et y(t) la fonction fentre de largeur , il vient :
x(t)
y(t) 1
0 pour t 0 , on aura : y(t-) 1
/2
/2
x() y(t-)
0 0 t
t
t-/2 t t+/2
Figure 25 - Lintgrale de convolution est la surface hachure et est gale la surface du trapze : S(t) = 0.5 ( 2 t ) = t . pour t < 0 , on aura : S(t) = 0 car la rampe x() est nulle pour < 0 . x(t)*y(t) arctg Figure 26 Convolution de l'chelon de position (t) avec lui mme :
()
1
(-)
1
0 Figure 27
Traons en 1re tape le produit [ ().(t-) ] t donn.
y(t-) 1
() (t-)
1
0 0 t
t Figure 28
Lintgrale de convolution est gale la surface hachure = 1 . t = t . En dfinitif , on a : pour t < 0 : pour t 0 : ( * )(t) = 0 ,
( * )(t ) =
d = t .
(t)*(t)
0 Figure 29
On retrouve bien le mme rsultat obtenu au paragraphe prcdent par calcul analytique.
Convolution de lchelon de position avec la fonction fentre (t)
()
1
(-) 1
-/2 Figure 30
/2
- Traons le produit [ (). (t-) ] t donn puis sa surface. si t /2 , alors : (t-) ( * )(t) = ,
() (t-)
t-/2
t+/2
t-/2 t t+/2
Figure 31 si -/2 t < /2 , alors : (t-) 1 1

( * )(t ) = t +
() (t-)
t-/2
t+/2
t+/2
Figure 32 si t < /2, alors : (t-) 1 ( * )(t) = 0 ,
() (t-)
/2
t+/2
t-
Figure 33 Donc, en dfinitif on obtient :
(t)* (t)
-/2
0 Figure 34
/2
5-2. Autocorrlation et Intercorrlation a- Intercorrlation de deux signaux
Pour deux signaux nergie finie x(t) et y(t), on peut associer une fonction d'intercorrlation Rx,y qui dfinie la dpendance entre les vnements de chacun et la mesure de similarit entre eux. Elle est donne par lexpression suivante :
R x , y ( ) =
x( t ) y * (t + ) dt .
Dans le cas des signaux priodiques nergie infinie, la fonction d'intercorrlation Rx,y est donne par lexpression suivante :
R x , y ( ) = lim 1 T
x( t ) y * (t + ) dt .
Proprits
En effet :
Rx,y() = R*y,x(-) : symtrie hermitienne .

R y , x ( ) =
posons u= t-
R y , x ( ) =
y( t ) x * (t ) dt .
y( u + ) x * ( u ) du =
[ x(u) y * ( u + ) ] * du = R x, y * ( ) .
Rxy() Ryx() Rxy() = x() * y*(-) .

On peut montrer cette proprit en utilisant la relation de la convolution :
x(t) * y * (-t) = =
x( ) y * (-t ) d .
x( ) y * (t + ) d = R xy (t )
b- Autocorrlation Pour un signal nergie finie, on dfinie une fonction d'autocorrlation qui dfinie la similarit entre un signal et une version dcale de celui-ci. Elle a pour expression :
R x , x ( ) =
x( t ) x * (t + ) dt .
Cette expression peut tre obtenue de Rxy() en prenant x(t) = y(t) . Dans le cas des signaux priodiques nergie infinie, la fonction d'intercorrlation Rx,x scrit :
R x , x ( ) = lim
1 T
x( t ) x * (t + ) dt .
* Proprits
Rxx() = R*xx(-) : symtrie hermitienne . si x(t) est rel alors Rxx() est relle et paire et possde un maximum en Rxx(0)
En effet, si x(t) est rel, alors :
R x , x ( ) =
x( t ) x(t ) dt .
Posons u = t-, il vient :

R x , x ( ) =
x( u + ) x( u ) du = R x,x ( ) .
ce qui montre que Rxx est paire. Dautre part, lingalit de Schwartz |Rx,y()|2 Rx,x(0).Ryy(0) , montre que le maximum de la fonction dautocorrlation est Rx,x(0) et ce, en posant simplement y(t)=x(t) , soit : |Rx,x()|2 R2x,x(0) car Rx,x(0) 0 . soit Rx,y() Rx,x(0).
Ingalit de Schwartz : |Rx,y()|2 Rx,x(0).Ryy(0) .

Cette proprit se dmontre en utilisant la mme proprit de la norme et du produit scalaire.
Rxx(0) est lnergie du signal et Rxx() Rxx(0) .

En effet,
R x , x ( 0) =
x( t ) x * (t + 0) dt =
x(t) dt = E x .
Si x(t) est priodique de priode T , alors Rxx en est de mme ( priodique de priode T ) et possde un maximum lorigine Rxx(0) ..
R x , x ( ) = lim 1 T
+j
x( t ) x * (t + ) dt .
2 n t T 2 n T
1 R x , x ( ) = lim T T
n =-
Cn e
2 n t T
n =-
Cn
] dt .
soit :
R x , x ( ) = lim
1 T
n =-
Cn
2 n T
dt =
n =-
Cn
2 n T
Cette relation nest que la dcomposition en srie de Fourier de Rxx(). Elle montre que celle-ci est priodique de priode T et ayant pour spectre damplitude |Cn|2 . Cette proprit est trs importante en analyse corrlatoire puisquelle permet de dterminer la priodicit d'un signal ainsi que son spectre damplitude. Exemple 1 : Fonction dautocorrlation du signal fentre x(t) = (t), > 0
R xx ( ) =
( t ) . (t + ) dt
si | | > , alors : (t) 1
Rxx() = 0 , (t+) 1
(t). (t+)
-/2
/2
/2
0
t
+/2
Figure 35
t-/2
t+/2
si | | , alors : (t)
Rxx() = | | , puisque : (t+) 1
(t). (t+)
-/2
/2
0
t
t-/2
t+/2
Figure 36
R xx ( ) =
R xx ( ) =
( t ) . (t + ) dt
dt = - ,
si > 0
et :

+
R xx ( ) =
dt = + , si < 0
En dfinitif, lexpression gnrale de la fonction dautocorrlation est : Rxx() = | | , . Rxx()
- 0 Figure 37 Exemple 2 : Fonction dintercorrlation des signaux chelon de position (t) et fentre (t)
R xx ( ) =
( t ) . (t + ) dt
- si < -/2 , alors :
R xy ( ) = 0 .
+ 2
- si > /2 , alors :
R xy ( ) =
dt = .
(t) 1
(t+) 1
(t). (t+)
-/2
/2
/2
0
t
+/2
Figure 38
+ 2
t-/2
t+/2
- si | | /2 , alors :
R xy ( ) =
dt = +
. 2
En dfinitif, la courbe de la fonction dautocorrlation est la suivante :
Rxy()
-/2 0 Figure 39
/2
6- Analyse spectrale des signaux dterministes 6-1- Densit spectrale dnergie Pour les signaux nergie finie, on dfinie la densit spectrale dnergie dun signal x(t) par Sx(f) par : Sx( f ) = | X( f )|2 L'nergie se dduit par la relation de Perceval :
Ex =
S x (f) df .
6-2- densit spectrale de puissance Pour les signaux nergie infinie, on dfinie la densit spectrale de puissance Sx(n) par :
Sx(n) = |Cn|2
La puissance moyenne s'exprime comme :
Pmoy =
n =-
Cn 2
En effet, daprs la dfinition de la puissance moyenne dun signal priodique, on a :

Pmoy = lim 1 T
T
x(t ) dt = lim
2 n t T
1 T
x(t ) x * (t ) dt
0
1 = lim T T
n C n e =0
+j
C* n
2 n t T
dt .
= lim
n =-
Cn
1 T
dt =
n =-
Cn
6-3- Densit inter spectrale Si on dsigne par Sx et Sy les densits spectrales des signaux x(t) et y(t) et par Syx la densit inter spectrale dnergie alors : Sy = Syx . Sx
Prenons le cas dun systme linaire dentre x(t) et de sortie y(t) et ayant comme une fonction de transfert H(p), alors sa rponse frquentielle Y(f) scrit : Y(f) = X(f) H(f) il vient : Y*(f) = X*(f) H*(f) , en multipliant terme terme, on obtient : |Y(f)| 2 = |X(f)|2 . |H(f)|2 . soit : Sy= |H(f)|2 . Sx
6-4- Relation entre la densit spectrale et la fonction dauto corrlation La fonction d'auto corrlation n'est que la Transforme de Fourier inverse de la densit spectrale dnergie . Rxx() = TF -1 [ Sx(f) ] . En effet, pour un signal nergie finie :
R x , x ( ) =
Daprs la relation de Perceval, on aura la nouvelle expression :

R x , x ( ) =
x( t ) x * (t + ) dt .
X( f ) X * ( f ) e - j2
df ,
X(f)
e - j2
df = TF -1 [S x (f)] .
6-5- distorsion harmonique La distorsion harmonique dun signal priodique reprsente le pourcentage des harmoniques du signal ( ports par les frquences multiples du fondamental ) par rapport au fondamental. En gnral, un signal distordu induit des non linarits de fonctionnement, diminue le rendement du systme quil alimente et peut saturer la commande. Le taux de distorsion harmonique est donn par lexpression suivante :
x =

i =1 i=2
Xi Xi
.
2
Exemple :
Calculons le taux de distorsion harmonique dun signal carr priodique pair, damplitude A et de frquence Fo . x(t)
A To t
Figure 40 Le spectre du signal carr priodique est donn par :

Cn = a 1 (a n j bn ) = n 2 2 a 2n+1 2A = 2 (2n + 1) car x(t) est pair .
C 2n+1 =
et
C 2n = 0 .
Donc :
x =
X X
2 i 2 i
i = 2 i = 1
Remarque
Ce taux de distorsion est indpendant de la frquence du signal et de son amplitude. 7- Synthse harmonique des signaux La dcomposition en srie de Fourier montre que lon peut retrouver et reconstituer un signal partir de son spectre damplitude et de phase. Cependant, le problme de ralisabilit physique rside dans le fait quon ne peut raliser une infinit doscillateurs sinusoidaux qui reprsentent les harmoniques du signal. Pour cela, on sera amen raliser une troncature frquentielle pour se limiter un nombre fini de raies spectrales. 7-1- Reconstitution par interpolation Dans ce cas, le signal reconstitu xN(t) peut sexprimer comme suit :
x N (t) =
n =- N
Cn e
+j
2 n t T
soit encore :
x N (t) =
n =-
1 T
X(f) e
2 n t T
] e
+j
2 n t T
df .
et comme :
n =- N
Cn e
+j
2 n t T
1 2 sin[(N + ) t] 2 T = . sin( t ) T
alors, il vient :
1 xN (t) = T
1 2 sin[(N + ) ( t f )] 2 T X(f) df . sin[ ( t f )] T
Cette expression reprsente la formule dun interpolateur qui permet de reconstituer le signal. 7-2- Reconstitution par synthse harmonique On peut aussi partir du spectre de frquences pour reconstituer un signal en ralisant des oscillateurs harmoniques, des amplificateurs et des dphaseurs. En effet, la dcomposition en srie de Fourier sous la forme trigonomtrique permet dexprimer le signal x(t) sous la forme : 1 2 2 n sin[(N + ) t] N t + j 2 T T = Cn e . . n=-N t) sin( T Donc, la reconstruction du signal x(t) est ralisable si le spectre est support born ou la limite sil tend asymptotiquement vers zro. Dans ce cas, les oscillateurs sinusodaux et les dphaseurs reprsenteront les fonctions sin(2t/T), et cos(2t/T), les amplificateurs gains variables donneront les valeurs de an et bn, une alimentation continue gnrera la composante continue du signal ao/2, enfin un sommateur ralisera la somme de toutes les fonctions et gnre ainsi le signal x(t) comme le montre dj la figure suivante.
/2
b1
F1
a1
/2
b2
F2
a2 x(t)
. ...................................................................... ...........................................................................
/2
bn
Fn ao/2
an
Figure 41
Exemple :
Utilisons la mthode de synthse harmonique pour gnrer un signal carr pair, de frquence 50 Hz et damplitude A=1, puis retrouvons ce rsultat par simulation. On sait que le spectre dun signal carr pair est donn par :
a 2n +1 =
4A et (2n + 1) n N . bn = 0
a 2n = 0
Donc, le signal carr x(t) scrit sous la forme :

x(t) =
n =1
4 cos[2 (2n 1) Fo t] . (2n 1)
Le schma synoptique suivant permet de reconstituer pratiquement le signal carr.
F1=50Hz F2 =100Hz
4/ 4/3
. ...................................................................... ...........................................................................
4/(2n-1)
x(t)
Fn =nF1
Figure 42. Donc la reconstitution est dautant plus fidle que le nombre des harmoniques pris en compte est lev. Bien sur, on ne peut pas reconstituer un signal dont le spectre nest pas born. Par exemple : limpulsion de Dirac ne peut pas tre reconstitue physiquement car son spectre est infini et est gal lunit. un signal dont le spectre correspond une rampe nest pas aussi restituable physiquement pour la mme raison.
a) Calculer le spectre dun signal sinusodal redress en simple alternance de frquence Fo et damplitude unitaire. En dduire son taux de distorsion harmonique. b) Mme question pour un signal double alternance.
a) Le signal simple alternance est exprim par la relation : x(t) = Uo cos ( 2fo t) pour | t | < To/4 , x(t) = 0 pour To/4 < | t | < To/2 .
x (t)
1
0 .8
0 .6
0 .4
0 .2
0 0 200 400 600 800 1000 1200
t(m s)
Figure 43: signal redress en double alternance Le signal x(t) est pair donc : bn = 0 . Sa valeur moyenne est gale : et : ao /2 = Uo/ .
an = 0.5 Uo { sinc[(1-n)/2] + sinc[(1+n)/2] } . a 2p+1 = 0 , a2p = 2 (-1)p Uo / (1-4p2) .
si n est impair ( n=2 p+1) si n est pair ( n=2 p) an
figure 44 : spectre du signal redress d'o :

x (t) = 2 Uo +
n=1
4. U o . cos( 2no t) (4n2 1)
* La puissance moyenne est donne par le thorme de Parceval :

Pmoy =
n =
C n = C0 + 2 C n =
2 2 2 n =1 2 2 2
a0 a +2 n , 4 n =1 4
soit encore :
Pmoy
a a U 2U o 1 1 1 = 0 + 2 n = o2 + + + ...) ( + 2 4 9 225 1225 n =1 4 2
car : Cn = 0.5 (an - j bn) , a0 = 0 et bn = 0 Il vient :
Pmoy = Uo2 / 4 .
- Le taux de distorsion du signal redress simple alternance est :
n=2
a
a2
2n
= 0,28
b) Le signal double alternance est exprim par la relation : x(t) = Uo cos ( 2fo t) , qui est priodique de priode To/2.
1 0 .9 0 .8 0 .7 0 .6
x (t)
0 .5 0 .4 0 .3 0 .2 0 .1 0 0 0 .5 1 1 .5 te m p s 2 2 .5 3
figure 45 : signal redress en double alternance Le signal x(t) est pair donc :
bn = 0 . Sa valeur moyenne est gale : * si n est impair * si n est pair d'o :

x (t) =
an
ao /2 = 2 Uo/ .
an = 0 ,
an = 4. U o . ( 4 n 2 1)
2 Uo +
n=1
4. U o . cos( 2no t) (4n2 1)
figure 46 : spectre du signal redress * La puissance moyenne est donne par le thorme de Parceval :
Pmoy
a a 4U o 2U o 1 1 1 = 0 + 2 n = + + + ...) ( + 2 2 4 9 225 1225 n =1 4 2 2 2 2
Donc :
Pmoy = Uo2/ 2 .
Le taux de distorsion du signal redress en double alternance est :
n=2
a
a2
2n
= 0,28
Calculer le spectre damplitude et de phase des signaux suivants : a) b) c) d) e) x1(t) = e | (a>0) - t2 x2(t) = e x3(t) = 1/t x4(t) = sinc(Fot ) signal triangle x5(t) = TRI(t)
-a t |
Corrig de l'exercice 2 X3(f) = 2 a / (a2 + 42 f 2) x1(t) = e | (a>0) 2 - t - f2 X2(f) = = e ! x2(t) = e ; ! x3(t) = 1/t on sait que la transforme de Hilbert de 1 est j.sgn(f) .t X3(f) = j..sgn(f)
! !
-a t |
x4(t) = sinc(Fot ) daprs la proprit de la dualit : X4(f) = (1/Fo) . FEN(-f) Soit : X4(f) = (1/Fo) . FEN(-f) x5(t) = signal triangle x2(t) = TRI(t)
X2(f) = sinc2(f)
Calculer le produit de convolution des signaux suivants : a) x(t) = (t-0.5)
et
y(t)= (t-0.5) , et y(t)= (t-0.5) .
b) x(t) = (1 t ) . (t-0.5)
a) Calculer le taux de distorsion d'un signal carr. b) Expliquer pourquoi ce signal n'est pas commode pour la commande des machines c) Calculer le taux de distorsion d'un signal MLI
a - Le signal carr possde un taux de distorsion de 45 % . b - Ce signal est trs riche en harmoniques et ne s'adapte pas la commande des machines car il engendre de fortes distorsions et mme des saturations de la commande. c - Nous savons que le signal MLI s'crit selon la dcomposition de Fourier : x(t) = avec: An = (4E /n.). [1 - 2 cosn1 + 2 cosn2 - 2 cosn3 + ... + 2(-1)k cos nk ], E : est lamplitude du signal , 0/2 : est sa valeur moyenne . Pour annuler les harmoniques 3, 5, 7 et 9, il faut rsoudre le systme d'quations suivant : (0/2) + A2n+1 cos[(2n+1)0 ].
1 - 2 cos31 + 2cos32 - 2cos33 + 2cos34 1 - 2 cos51 + 2cos52 - 2cos53 + 2cos54 1 - 2 cos71 + 2cos72 - 2cos73 + 2cos74 1 - 2 cos91 + 2cos92 - 2cos93 + 2cos94
= = = =
0 0 0 0
La rsolution permet de donner les valeurs des angles de commutation suivants : 1 = 15,96 6 = 129,63 2 = 24,79 7 = 133,02 3 = 46,98 8 = 155,21 4 = 50,37 9 = 164,04 5 = 90 8 = 180.
On note que l'angle 180 correspond ici une priode complte du signal soit 20 ms, et que les angles 5 8 sont obtenus par symtrie. d - Le nouveau taux de distorsion de ce signal vaut 6 % . Cette valeur est infrieure la prcdente, ce qui favorise l'utilisation de ce type de signal pour la commande des machines lectriques.
Chapitre III
LES SIGNAUX ALATOIRES
1- Dfinition On appelle signal alatoire ou processus alatoire un ensemble de fonctions auquel on adjoint une loi de probabilit ou une loi statistique. Ainsi, on pourra modliser comme des signaux alatoires les signaux dont le processus de production est trop compliqu dcrire, ou mconnu, ou des signaux pour lesquels l'ala provient de la propre incertitude de l'observateur. En effet, la plupart des signaux naturels peuvent tre dcrits l'aide d'quations de la physique si on connat bien tous les paramtres, les caractristiques et les phnomnes qui les rgissent. Mme les signaux non dterministes tels que le signal parole, les signaux sismiques, la pression atmosphrique, et mme un tirage de loto nchappent pas cette proprit. Ce qui diffre dans ce cas, cest que le systme dpend d'un grand nombre de variables et de paramtres et devient ainsi trop compliqu dcrire. Ainsi, on peut associer une variable alatoire une fonction dfinie par :
F:
On notera :
S X (t, )
: une variable alatoire , X(t,) un signal alatoire , x(t) une ralisation du processus alatoire xi(t) = X(t,i) une ralisation particulire, obtenue pour = i. Xi()=X(ti,) une ralisation obtenue pour t = ti .
2- Description et reprsentation d'un signal alatoire Un signal alatoire peut tre caractris par une description statistique partir des fonctions de rpartition, de densit de probabilit et des moments dordre un et deux du processus alatoire.
2-1- Fonction de rpartition On dfinit la fonction de rpartition qui est la fonction F(x) donnant la probabilit pour que la valeur mesure u soit strictement infrieure . F(x) = Prob( u< x ) La figure 1 donne un exemple de fonction de rpartition pour la loi de Cauchy o .
Fig 1. Exemple de fonction de rpartition, la loi de Cauchy
2-2- Densit de probabilit Si F(x) est diffrentiable, alors on dfinit une densit de probabilit p(x) par la drive de la fonction de rpartition F(x), soit : p(x) = dF(x) / dx C'est une fonction non ngative mais ce n'est pas une probabilit, elle n'est pas ncessairement infrieure . Par exemple, la densit de probabilit de la loi de Cauchy est donne par :
Fig.2. Exemple de densit de probabilit, la loi de Cauchy
2-3- Loi de probabilits couramment utilises * Loi uniforme La VA prend des valeurs uniquement dans l'intervalle [a,b]. Sa densit de probabilit est nulle en dehors de cet intervalle, ainsi :
Fig.3. Densit de probabilit de la loi uniforme (a=-0.5 et b=1.5)
Sa fonction de rpartition est compose de trois segments de droites :
F(x) 1
a=-0.5
b=1.5
Fig.4. Fonction de rpartition de la loi uniforme (a=-0.5 et b=1.5)
* Loi gaussienne Sa densit de probabilit p(x) a pour expression :
Fig.5. Densit de probabilit de la loi gaussienne
La densit de probabilit passe par son maximum pour . Cette loi prsente trois caractristiques importantes : Elle permet des dveloppements mathmatiques efficaces, en particulier en ce qui concerne les variables alatoires indpendantes parce qu'elle s'exprime comme l'exponentielle d'une forme quadratique. Toute l'information est donne directement par les paramtres et qui caractrisent respectivement la valeur moyenne et la dispersion autour de cette valeur moyenne. Enfin, c'est la loi qu'on obtient naturellement en additionnant un grand nombre de variables alatoires indpendantes; elle reprsente bien un grand nombre de phnomnes physiques alatoires comme le bruit de fond, les erreurs des mesures, etc... * Loi de Poisson C'est la loi qu'on obtient en comptant des vnements alatoires indpendants tels que le dcompte des appels sur une centrale tlphonique, comptage de voitures sur une route, etc.. C'est la loi centrale des tudes sur les files d'attente dans les rseaux de communication. Elle dpend d'un paramtre qui caractrise le dbit moyen du flux. La probabilit d'observer vnements pendant une dure est donne par :
pour k > 0 et t > 0 . La figure 6 donne la densit de probabilit pour de diffrentes valeurs de k.
Fig.6. Densits de probabilits de la loi de Poisson
3- Caractrisation de VA par les moments Il est souvent trop coteux (au point de vue temps de calcul et traitement ) de caractriser une variable alatoire ou un ensemble de variables alatoires par leur fonction de rpartition ou leur densit de probabilit. On peut se contenter d'informations partielles comme la valeur moyenne de la variable alatoire et sa dispersion autour de cette valeur moyenne. Ces notions sont quantifies par la dfinition des moments. 3.1. Moment dordre un : Esprance mathmatique On dit que X(t,) est connu un instant ti, si on connat la loi de la variable alatoire X(ti,). Celle-ci est simplement une variable alatoire, que l'on peut caractriser l'aide du moment dordre un appel Esprance mathmatique dont lexpression est la suivante : m[X(t i )] = E[ X (t i , )] = o :
X i ( ) p( X i , ) dX i
: dsigne le domaine de variation de Xi() , p(Xi , ) : est la loi de probabilit conjointe de X(ti,). 3.2. Moment dordre deux , variance, cart type Le moment dordre deux ( quivalent une puissance ) dune VA a pour expression : E[ X 2 ( t i , )] =
X i () p( X i , ) dX i
2
La variance V(X) est donne par le moment dordre deux de la variable centre et reprsente la dispersion autour de la valeur moyenne. :
V ( X ( t i , )) =
Lcart type nest que la racine carre de cette variance. Dautre part, on remarque que le moment dordre deux (puissance) est la somme de la variance et du carr de la moyenne statistique ( valeur moyenne ) , soit : E[X2] = V(X) + (E[X])2 3.3. Moments d'ordre suprieur deux Le moment dordre n dun VA x est la quantit :
[X
2 i
() - E( X i ()) p( X i , ) dX i
Dans le cas des variables alatoires gaussiennes, ces moments se dduisent des moments du premier et du deuxime ordre. Ils prsentent un grand intrt pour la sparation de variables alatoires indpendantes non gaussiennes. Une autre caractrisation importante d'une densit de probabilit est son entropie dfinie par :
Cette quantit est un paramtre fondamental en thorie de l'information.
3.4. Moment dordre deux de deux VA, covariance On appelle produit de covariance de deux variables alatoires X1 et X2, leprance mathmatique de leur produit . Elle est donne par lexpression : C[ X (t 1 ), X (t 2 )] = E[ X (t 1 ), X * (t 2 )] = o X2* : dsigne le conjug de X2 .
X 1 X * 2 p( X 1 , X 2 ) dX 1 dX 2
Si X1 = X2, alors la covariance est appele moment dordre deux et scrit : C[ X (t 1 )] = E[ X (t 1 ), X * (t 1 )] =
X1
p( X 1 ) dX 1 .
cas particuliers :
a) Dans le cas o les variables X1 et X2 sont indpendantes, alors la loi conjointe devient : p(X1,X2) = p(X1) p(X2) ,
et la fonction de covariance s'crit simplement : soit encore : C[X(t1,t2)] = E[ X(t1). X(t2)* ] = E[X(t1) ] . E[X(t2)*] , C[X(t1,t2)] = m[X(t1)] . m[X(t2)*] . b) Si les variables X1 et X2 sont indpendantes et le signal x(t) est centr, c'est--dire sa valeur moyenne est nulle, alors sa covariance en est de mme, soit : C[X(t1,t2)] = 0 . Ce type de signal alatoire est appel bruit blanc. 4- Proprits fondamentales 4.1. Stationnarit On dit qu'un signal alatoire est stationnaire si ses proprits statistiques sont invariantes par la translation temporelle. Cela se traduit par : p[X(t1),X(t2),..., X(tk )] = p[X(t1 -), X(t2 -),..., X(tk -)], Ou encore plus simplement : p[X(tk )] = p[X(tk -)] = ..... = p[X(0)]. Il vient : et : E[X(tk )] = E[X(tk -)] = ..... = E[X(0)]. C[X(t1,t2)] = E[X(t1),X(t2)*] = [X(t1 - t2),X(0)*] , En posant = t1 - t2 , il vient : C[X(t1,t2)] = E[X(t1),X(t1 )*] = RX () . o RX () dsigne la fonction de corrlation de X(t1,t2). Donc, deux instants t1 et t2, la distribution conjointe ne dpend que de l'cart entre les deux instants et non des instants eux-mmes :
Conclusion : Les moments qui dpendent dans le cas gnral de l'instant considr, deviennent indpendants du temps dans le cas stationnaire. La fonction de covariance C[X(t1,t2)] devient quant--elle une quantit dpendant uniquement de l'cart entre = t1 - t2. Exemple :
On considre le signal suivant : X(t,) = A() cos(2f0 t) ,
o A() est une variable gaussienne centre et de variance 1. Vrifier que X(t,) est stationnaire l'ordre un mais pas l'ordre deux. 4.2 Ergodisme Un signal alatoire stationnaire est dit ergodique si sa moyenne temporelle est gale sa moyenne statistique ( Esprance mathmatique), soit : E[ X (t i , )] = lim 1 T
X (t i , ) dt ,
o T dsigne un ensemble de ralisation de X(ti,). L'ergodisme est une proprit trs employe en traitement du signal puisquelle permet de calculer les esprances mathmatiques en effectuant des moyennes temporelles sur des ralisations quelconques du signal. Ceci est d'une grande importance pratique, car il est rare que l'on dispose de plusieurs ralisations du processus et de sa distribution de probabilit. Notons cependant qu'il est au moins aussi rare que l'on dispose de ralisations du signal de - + ; on ne pourra donc pas calculer exactement la valeur des moyennes par la formule prcdente. On se contentera d'approcher le rsultat par des moyennes temporelles sur la dure o est connu une ralisation du processus.
5- Analyse temporelle des signaux alatoires Les proprits nergtiques des signaux alatoires stationnaires sont dcrites l'aide des moments d'ordre deux, c'est--dire des fonctions d'auto et d'intercorrlation, dans le domaine temporel, et l'aide des densits spectrales de puissance, dans le domaine spectral. 5.1. Intercorrlation et autocorrlation a) dfinition : Si X(t,) et Y(t,) sont deux processus alatoires stationnaires, les fonctions d'intercorrlation et d'autocorrlation sont dfinies par : RXY () = E[X(t),Y(t)*] = lim 1 T 1 T
X (t , ) Y (t , ) dt ,
RXX() = E[X(t),X(t)*] = lim Dans le cas discret :
X (t , ) X (t , ) dt .
1 RXY (k) = E[X(n),Y(n k)*] = lim n N RXX(k) = E[X(n),X(n k)*] = lim 1 N
X (n , ) Y (n k , ) ,
n =0
X (n , ) X (n k , ) .
n =0
b) proprits : Les proprits des fonctions dautocorrlation et dintercorrlation sont les mmes que celles tablies au chapitre prcdent dans le cas les signaux dterministes, notamment : Symtrie hermitienne RYX() = E[Y(t,) X*(t-, ) ] = E[Y(t+, ) X*(t, )] = E[X(t, )Y*(t+,)]* = RXY*(-). Parit En appliquant la proprit de symtrie hermitienne l'autocorrlation, on obtient : RXX() = RXX*(-) . Centrage Si mX est la moyenne de X(t,), et Xc(t,), = X(t,) - mx le signal centr, il vient : RXX() = RXcXc() + mx2 . Puissance La fonction d'autocorrlation prise pour le retard nul, RXX(0), est simplement la puissance du signal. On en dduit d'ailleurs que RXX(0) > 0. Ainsi pour un retard nul, on a : R XX (0 ) = E[ X (t , ), X * (t , )] = lim Ingalit de Schwartz 1 T
X(t, ) dt.
| < x,y > | 2 < x,x > . < y,y > , et en utilisant < x,y > = E[ X(t) Y*(t) ] comme produit scalaire, on dduit que : | RYX()| 2 RXX(0) RYY(0) Mmoire On dit quun processus est mmoire finie si son coefficient de corrlation normalis xx() tend vers zro au bout dun temps t0 . Ce coefficient est compris entre 1 et -1 et est dfini par : et | RXX()| RXX(0) .
XX ( ) =
5.2. Convolution
R XX ( ) . R XX (0)
Le produit de convolution de deux signaux alatoires est donn par lexpression :
( X * Y )(t , ) =
est un domaine de ralisation de X et Y .

a- Proprits :
X (u , ) Y (t u , ) du .
Commutativit : [X*Y](t,) = [Y* X](t,) . Distributivit : Associativit : [X * ( Y + Z)](t, ) = [(X * Y) + (X * Z](t, ) [X * ( Y * Z )](t) = [(X * Y) * Z](t, ) X(t, ) * (t) = x(t, ) .
Elment neutre : distribution de Dirac (t) : b- Rponse un systme linaire :
Pour un systme linaire H invariant dans le temps (stationnaire),
X(t,)
H Figure 7
Y(t,)
que l'on peut dcrire par une quation diffrentielle coefficients constants, la sortie Y peut tre aussi dcrite partir dune intgrale de convolution comme :
Y (t , ) = ( X * h)(t , ) =
X (u , ) h(t u ) du .
h(t) est la rponse impulsionnelle du systme H de la figure 1. Donc la sortie du systme linaire nest que la convolution de sa rponse impulsionnelle avec lentre. 6- Analyse spectrale des signaux alatoires 6.1. Densit spectrale dnergie On appelle densit spectrale dun signal alatoire X(t,) nergie finie, le carr du module de sa transforme de Fourier X(f,). Elle reprsente la rpartition de lnergie ou de la puissance du signal dans le domaine frquentiel.Ainsi : SX (f) = | X(f,)|2 . Dautre part, la densit spectrale dnergie est gale aussi la transforme de Fourier de la fonction dautocorrlation du signal.
SX ( f ) =
R XX ( ) e j 2f d .
Dans le cas dun signal alatoire puissance moyenne finie, la densit spectrale de puissance a pour expression :
S X ( f ) = lim
1 T
R XX ( ) e j 2f d .
6.2.Energie et puissance dun signal alatoire Dans le cas dun signal alatoire stationnaire et ergodique, nergie finie, lnergie est donne par la relation :
E X = E[ X(t, ) ] = R XX (0) =
il vient :
X(t, ) dt .
E X = R XX (0) =
-
1 T
S X (f) df .
Dans le cas dun signal alatoire puissance moyenne finie la puissance moyenne est gale :
PX = R XX (0) = lim
7- Exemples de processus alatoires 7.1. Le processus gaussien
S X ( f ) df .
Le processus alatoire gaussien X(ti,) est un signal dont la variable alatoire est gaussienne. Sa densit de probabilit p(x) suit alors une loi gaussienne qui a pour expression :
(x - m x )2 2x 2
p(x) =
o :
x 2
mx : est la moyenne du processus X(ti,) , x : est la sa variance . Ainsi, le signal processus gaussien est entirement caractrise par ses deux premiers moments. Il est trs important en traitement du signal en raison de sa facilit d'emploi et de l'optimalit des mthodes du second ordre pour les signaux gaussiens. 8- Notion de bruit Les bruits sont des signaux alatoires rencontrs dans la palupart des signaux observs ou mesurs dans la nature. Ils sajoutent au signal original suite ltape de traitement ou aux conditions de mesure. Ils peuvent dformer linformation utile ou mme la masquer compltement. Parmi ces types de bruits on peut citer titre dexemple, le bruit thermique dans un semi-conducteur ou un lment passif, le bruit dans le signal parole acquis par un microphone, etc...
Comme les signaux alatoires puissance moyenne finie, les bruits sont classs selon leurs proprits statistiques. On peu distinguer les bruits blancs, colors et gaussiens. 7-1- bruit blanc Un bruit blanc est un modle de signal alatoire spectre uniforme et thoriquement puissance moyenne infinie. Il possde les proprits suivantes : ! ! ! ! une valeur moyenne nulle, une fonction dautocorrlation qui tend vers la distribution de Dirac, un spectre uniforme constant Une stationnarit dordre 2.
La figure 8 reprsente le spectre et la fonction dautocorrlation dun bruit blanc.

0.5 s ignal bruit
-0.5 0 30 s pectre 20 10 0 0 autocorr lation 100 50 0 -50 -1000 100 200 300 400 500 600 700 800 900 1000 100 200 300 400 500 600 700 800 900 1000
-800
-600
-400
-200
200
400
600
800
1000
Fig.8. Bruit blanc 7-2- bruit color Un bruit color est un signal alatoire ayant un spectre bande limit et puissance moyenne finie. Il possde les proprits suivantes : ! une valeur moyenne nulle, ! une stationnarit lordre 2, ! un spectre support born gal la bande passante du bruit.

1
bruit color
0.5
-0.5 0 100 200 300 400 500 600 700 800 900 1000
25 20 spec tre 15 10 5 0 0 100 200 300 400 500 600 700 800 900 1000
Fig. 9 : Bruit color de BP=200 Hz et Frquence centrale Fc=500 Hz
Exercice 1
On considre un processus alatoire gaussien X(ti,), de valeur moyenne mx= 0.5 et de variance x2 = 2. a) Calculer et reprsenter sa densit de probabilit. b) Calculer ses moments dordre un et deux.
Exercice 2
On considre le signal alatoire suivant : X(t,) = A() cos(2fo t) , o A() est une variable gaussienne centre et de variance 1. - Vrifier que X(t,) est stationnaire l'ordre un mais pas l'ordre deux.
Exercice 3
Montrer quun processus gaussien se conserve par une transformation linaire . On prendra pour cela, un systme linaire de rponse impulsionelle h(t), quon exitera par un signal alatoire gaussien et on montrera que sa sortie est un processu gaussien.
Exercice 4
On considre un signal alatoire dont la densit de probabilit p(x) est donne par :
a) Calculer les probabilts suivantes : P(x<-2) ; P(x<-1) ; P(x<1) ; P(x<2) ; P(x<1.5) ;P(-1<x<1) . b) Reprsenter alors la fonction de rpartition F(x).
Exercice 5
On considre les deux signaux alatoires dont les densits de probabilit respectives sont donnes par la figure suivante :
x a) Calculer les moments statistiques d'ordre 1 et 2 b) Calculer la puissance et la variance des deux signaux. c) Conclure sur la stationnarit des deux signaux .
Exercice 6
Soit le signal alatoire x(t) associ la variable alatoire , ayant une fonction de rpartition F(x) = -1 arcsin (x) + 0.5 Avec : x(t) = sin ( 2Fo.t + ) , : est un VA uniforme sur [0 2] . a) b) c) d) e) Reprsenter la fonction de rpartition F(x) Calculer et reprsenter la densit de probabilit p(x) Calculer les moyennes statistiques et temporelles de x(t) Calculer sa puissance et sa variance . En dduire que x(t) est stationnaire et ergodique .
Exercice 7
Le signal NRZ utilis en transmission est un signal binaire dont les valeurs sont gales 1 ou -1 selon la loi de probabilit suivante: P(1) = 2/3 et P(-1)=1/3 .
a) Calculer l'esprance mathmatique, la variance et la puissance de ce signal. b) Sachant que sa fonction d'autocorrlation Rx() = 2 (/T) + m1[x] , calculer et reprsenter la densit spectrale Sx(f).
Exercice 8 Quelle est la moyenne de la variable alatoire de densit de probabilit
Montrer que la fonction de rpartition de
est :
. O se trouve concentre la densit de probabilit de cette variable.
Correction des exercices du Chapitre 3
Exercice 1
On considre un signal alatoire dont la densit de probabilit p(x) est donne par :
x a) P(x<-2) = 0 ; P(x<-1) = x p(x) dx = a/2=1/6
P(x<0) = 3a/2=1/2 ; P(x<1) = 5a/2=5/6 ; P(x<2)=3a= 1 ; P(-1<x<1)=2a=2/3 . P(x<1.5) = a/2 +a +a +3a/8= 23a/8=23/24. b) la fonction de rpartition F(x):
x x<-2 : -2<x<-1 -1<x< 1 1<x< 2 x >2 : F(x) = 0 . F(x) = bx2+cx+d= ax2+(7a/2) x+3a = (1/3) x2+ (7/6) x + 1. F(x) = k x + r = a x +3a/2 = x/3 + 1/2. F(x) = e x2+f x+g = -a x2 +(7a/2) x + 0 = (-1/3) x2 + (7/6) x . F(x) = 1 .
Exercice 2
On considre les deux signaux alatoires dont les densits de probabilit respectives sont
a) les moments statistiques d'ordre 1 et 2 sont donns par : E[x] = x p(x) dx =1/2 ; Px = E[X2] = x2 p(x) dx = 1/3
Vx = 2 = E[(x- E[x])2] = (x-0.5)2 p(x) dx = 1/12 On vrifie que : Px = Vx + (E[x])2 et que le signal x(t) est stationnaire puisque m1(x) et m2(x) ne dependent pas du temps b) E[y] = y p(y) dy = 1/3 ; Py = E[y2] = y2 p(y) dy = 1/4
Vx = 2 = E[(x- E[x])2] = (x-1/3)2 p(x) dx = 5/36 On vrifie que : Py = Vy + (E[y])2 et que le signal y(t) est stationnaire puisque m1(y) et m2(y) ne dependent pas du temps
Exercice 3
Soit le signal alatoire x(t) associ la variable alatoire , ayant une fonction de rpartition F(x) = -1 arcsin (x) + 0.5 Avec : x(t) = sin ( 2Fo.t + ) , : est un VA uniforme sur [0 2] . a) et b) Reprsentons F(x) et p(x)
c) et f) Calculons les moyennes statistiques et temporelles, puissance et sa variance . E[x] = x p(x) dx = 0 ; xmoy = lim (1/T) x(t) dt = 0
Px = E[X2] = x2 p(x) dx = (1/) [ x2 / 1-x2 ] dx = 1/2 Vx = 2 = E[(x- E[x])2] = E[X2] = 1/2 On vrifie que : Px = Vx + (E[x])2 f) On vrifie bien que x(t) est stationnaire et ergodique . car E[X] = 0
Exercice 4
Le signal NRZ utilis en transmission est un signal binaire dont les valeurs sont gales 1 ou -1 selon la loi de probabilit suivante: P(1) = 2/3 et P(-1)=1/3 .
a) Calculer l'esprance mathmatique, la variance et la puissance de ce signal. E[x] = x p(x) dx = xo p(xo) + x1 p(x1) = 1 . 2/3 + -1 . 1/3 = 1/3 ; xmoy = lim (1/T) x(t) dt 0 Px = E[X2] = xo2 p(xo) + x12 p(x1) = 2/3 + 1/3 = 1 . Vx = 2 = E[(x- E[x])2] = 8/9 .
b) Sachant que sa fonction d'autocorrlation Rx() = 2 (/T) + m1[x] , calculons et reprsentons la densit spectrale Sx(f). On sait que Sx(f) = FFT[Rxx( )] = 2 T sinc2(Tf) + m12[x] (f),
Chapitre IV
Filtrage linaire des signaux continus

1- Dfinition Un filtre linaire est un systme linaire invariant dont la sortie y(t) est le rsultat de la convolution temporelle entre l'entre x(t) et sa rponse implusionnelle h(t). Pour cette raison, il est appel aussi un convolueur temporel. Sa rponse temporelle a pour expression :
y(t) = x(t) * h(t) =
x() h(t-) d
x(t)
H
Figure 1
y(t)
Cette dernire relation peut tre mise en vidence si on peut approcher lentre x(t) par une fonction en escalier selon figure 2 suivante :
x(t)
kT Figure 2
On peut dans ce cas faire lapproximation suivante : ~ (t ) = x

o (t) est
k =
x(kT) T (t - kT) ,
la fonction fentre de largeur T . Cette approximation est d'autant plus prcise que ( T ) tend vers zro.
Donc, si T 0 , alors : (t-kT) (t) et
~(t ) = x(t) . x
posons = kT , il vient : x(t ) =
x( ) (t - ) d .
Si on suppose que y(t) = H[x(t)] est la sortie d'un systme linaire H, pour une entre x(t), il vient : ~ (t ) = H[ y ~ (t ) = y soit : ~ (t ) = y
k =
k =
x(kT) (t - kT) ]
k =
x(kT) H[ (t - kT) ] . x(kT) h(t - kT) .
o h(t) dsigne la rponse impulsionnelle du systme H. En posant =kT , et en faisant T 0 , il vient : ~ (t ) = y
x( ) h(t - ) d .
Donc, la rponse une entre quelconque est la convolution de celle-ci avec la rponse impulsionnelle du systme. 2-Causalit et ralisabilit d'un filtre 2-1- Causalit Pour les systmes physiques variable temporelle, l'effet ne peut jamais prcder la cause qui le produit. Ainsi la rponse d'un systme l'instant ne dpend que de l'excitation pour t < . Donc un systme est causal si sa rponse impulsionnelle est nulle t < 0, ce qui donne l'expression:
s(t) = e(t) * h(t) =
e() h(t-) d .
Dans ce cas, la sortie ne peut anticiper l'entre. De plus, si le signal est causal, on obtient :
s(t) = e(t) * h(t) =
e() h(t-) d
o
2-2- Stabilit d'un filtre Linstabilit dun systme physique peut engendrer des comportements non-linaires ou mme la saturation de sa rponse temporelle et une fragilit de celle-ci vis vis aux perturbations ce qui rend le systme incontrlable et non commandable. Pour cela, il faut avant tout sassurer de la stabilit du systme et si ncessaire le compenser ou le corriger pour liminer les ples instables. On rappelle quon a dfini dans le premier chapitre la stabilit dun systme linaire par le fait qu toute entre borne correspond une sortie borne. Cela impose que tous les ples de la fonction de transfert ou de lquation caractristique soient partie relle ngative. En effet, si on suppose que la fonction de transfert du filtre linaire H(p) soit de la forme : H ( p) =
i =1 m q ai bi + + ...... + p - p i i =1 (p - p i ) 2
i =1
di (p - p i ) r

i =1 r =1
Ai ,r (p - p i ) r
En appliquant la Transforme de Fourier inverse, on obtient l'expression de la rponse impulsionnelle suivante : q n i,r p t h(t) = t r -1 e i , i =1 r =1 (r - 1)! pour que h(t) soit borne, il faut que lexponentielle (e pi t ) soit infrieur lunit, ce qui impose que les ples pi de H(p) soient partie relle ngative.
Exemple
Parmi les filtres suivants, les quels qui sont stables. ! H 1 ( p) = ! H 2 ( p) = 1+ p , 1+ p 2
p2 + p +1 p ! H 3 ( p) = . (1 + p )( p 3) Le premier systme est stable car son ple ( po = -1 ) est ngatif. Cependant il est rponse non minimale de phase car il possde un zro instable ( zo = 1 ). Le second systme est aussi stable car ses deux ples complexes conjugus sont parties 1 3 1 3 relles ngatives ( p1 = + et p 2 = ). 2 2 2 2 Quant au troisime systme il est instable car il possde un ple ( po= +3 ) positif.
2-3 - Ralisabilit d'un filtre Par dfinition, un filtre ou un systme linaire est ralisable s'il est la fois causal et stable, donc si: - sa rponse impulsionnelle est nulle t < 0 , - le degr du numrateur de H(p) est infrieur ou gal au degr de son dnominateur , - les ples de H(p) sont parties relles ngatives.
Exemple Un drivateur parfait dont la fonction de transfert est H(p)= p, nest pas ralisable physiquement car les deux premires conditions ne sont pas satisfaites.
3- Rponse temporelle d'un filtre linaire invariant 3-1. Rponse impulsionnelle h(t) Par dfinition la rponse impulsionnelle dun filtre linaire invariant est sa sortie pour une entre gale l'impulsion de Dirac. C'est aussi la transforme de Fourier inverse de la fonction de transfert du filtre. Son expression est alors :
h(t) = TF -1 [H(f)] =
H(f) e j2 f t df .
Pour une entre quelconque, la sortie du filtre est la convolution de celle-ci avec la rponse impulsionnelle h(t), soit : s(t) = e(t) * h(t) Pour cela, la rponse impulsionnelle qui doit tre causale, est une caractristique temporelle du systme et sa connaissance suffit pour le caractriser ou dterminer ses rponses temporelles.
Exemple : On considre le filtre passif suivant :

R e(t) Figure 3 C s(t)
On suppose que la capacit est initialement dcharge. ! Dterminer la fonction de transfert du filtre. ! Calculer et reprsenter sa rponse impulsionnelle. La fonction de transfert H(p) du filtre scrit : H ( p) =
En posant c =1/RC, il vient :
1 , 1 + RC p 1 1+ j
,
H ( j ) =
Cest un filtre passe bas de pulsation de coupure c =1/RC, et de gain statique unitaire .
! Sa rponse impulsionnelle causale est ( daprs la table):

1 - RC h(t ) = e RC
h(t) = 0
t
pour t 0 pour t < 0 .
h(t) 1/RC
0 Figure 4
3-2. Rponse un train dimpulsion ( peigne de Dirac)
La rponse y(t) nest que la convolution de la rponse impulsionnelle du filtre dj dtermine avec la peigne de Dirac, soit : y(t) = x(t) * h(t) , avec : x(t) = il vient : y(t) =
k = k =
(t - kT) ,
h(t - kT) .
Donc la rponse une peigne de Dirac est une priodisation de la rponse impulsionnelle la priode T.
Exemple
Reprenons lexemple prcdent du filtre passe bas de premier ordre et calculons sa rponse y(t) un train dimpulsion. Lexpression causale de y(t) est : y(t) =
k =0
1 - RC e RC
t - kT
pour t 0 ,
y(t) = 0
pour t < 0 .
La figure 5 donne une illustration de la rponse du filtre.
x(t)
2T
y(t)
1/RC
2T
Figure 5
4- Rponse harmonique d'un filtre linaire invariant C'est la rponse du filtre aux signaux exponentiels complexes. Dans ce cas, l'tude de la rponse harmonique ou frquentielle revient l'tude du module et de l'argument de H(f).
j2fo t
x(t) = e
H
Figure 6
y(t) = H(fo) . ej2fo t
Daprs la figure 6 ci-dessus, le module et largument sont donns respectivement par |H(fo)| et Arg H(f0 ) ]. Donc la fonction de transfert qui une reprsentation externe du systme est la caractristique du filtre linaire invariant dans le domaine frquentiel.
Exemple :
Soit : x(t) = a cos(2fot+) = 0.5 a e j e y(t) = 0.5 a e j H(fo) e j2Fot + 0.5 a e-j ej2Fot j2fo t
j2fo t
+ 0.5 a e-j H(-fo) e-
et comme H(-f) = H*(f) , il vient :

y(t) = 2 e [ 0.5 a H(fo) e
j(2fo t+)
] ,
y(t) = a | H(fo) | . cos (2f0 t + + arg H(f0 ) ] module argument
Cas des signaux priodiques :

Pour les signaux priodiques, le raisonnement prcdent reste toujours valable seulement variable frquentielle ( frquence ou pulsation ) est devenue maintenant discrte puisque priodisation temporelle conduit une discrtisation spectrale comme on la montr dans deuxime chapitre. En effet, si on prend comme entre du filtre le signal x(t) dont transforme de Fourier inverse est : la la le la
x(t ) = alors, la rponse du filtre est alors: y (t ) = H [ x(t ) ] = soit:
k =-
X k e j 2 t fo
k =-
X k H [ e j 2 t f o
]=
k =-
X k H (kf o ) e j 2 t f o
Yk = H ( k f0 ) . Xk .
Exemple :
Soit filtrer le signal fentre priodique e(t)= (t-k-To) de largeur et de priode To ( << To ) par le filtre RC suivant (RC=0.5 T0). R C a
/2 Figure 7 /2 Figure 8 To 2To
e(t) s(t)
e(t)
Le signal fentre (t) possde le spectre :

(f) = a sinc ( f ) .
On en dduit que le signal priodique e(t) de la figure ci-dessus dont le motif lmentaire est la fonction (t) est dcomposable en srie de Fourier et possde le spectre d'amplitude suivant :
Ek =a fo sinc ( kfo ) ,
donc le signal e(t) s'crit : e(t ) =

k =-
E k e j 2 f
ot
Dautre part, on sait que la fonction de transfert du filtre H(p) est : H ( p) = et sachant que RC = 0.5To , alors : 1 , To p 1+ 2 C'est un filtre Passe-bas de frquence de coupure : H ( p) = Fc = 1 1 = . 2RC To 1 , 1 + RC p
Le signal la sortie du filtre est donn par : s (t ) =
k =-
E k H(kFo ) e
j2kFo t
k =-
E k H k e j2kFo t
En remplaant H(kFo) dans cette expression, on aura ( p = j2 f ) : H(kFo ) =

Il vient :
1 1 = e j 2 1 + j k 1 + (k )
avec
= - arctg(k )
S k = E k H k = a F0 sinc ( k F0 ) . ainsi le spectre damplitude est : Sk = alors que le spectre de phase est : (k) = - arctg(k ) . a F0 1 + (k ) 2
1 , 1 + j k
sinc ( k F0 )
Dautre part, comme la frquence de coupure est Fc=Fo/, alors :
s( t ) =
-2
Xk
1 e j2 kfo t 1+ j k
car F c = 2 Fo
= X-2
1 1 1 - j2 fo t 1 - j2 fo t e- j4 fo t + X +2 e j4 fo t + Xo + X-1 e + X +1 e 1- j2 1+ j2 1- j 1+ j
Connaissant que Xk = X-k alors on sera conduit la nouvelle expression de la sortie:
y(t) =
a a a a 2 2a 2 1 1 + sinc( ) [ 2.| | cos ( t-arctg )]+ sinc( ) [2.| | cos ( t -arctg )] 2 2 2 To To To To To To To 1+ 1+4
5- Exemples de filtres 5-1- Filtres idaux Ce sont des filtres linaires invariants dfinis partir des gabarits de leurs fonctions de transfert. Ils sont gnralement de type passe-bas, passe-haut, passe-bande et coupe-bande. Malgr la simplicit de leurs traitements, ces filtres sont irralisables physiquement car leurs rponses impulsionnelles ne sont pas causales.
a) filtre cardinal Cest un filtre linaire invariant de type passe-bas idal dont la rponse frquentielle est la fonction fentre (f) de largeur B qui est la bande passante du filtre.
H(f) 1
-B/2
B/2 Figure 9
La rponse impulsionnelle de ce filtre cardinal est : h(t)=B sinc(B t ) .

r ponse impulsionelle du filtre cardinal 1
0.8
0.6
0.4
0.2
-0.2
-0.4 -500
-400
-300
-200
-100
Figure 10 0
fr quence
100
200
300
400
500
Figure 10 : Rponse impulsionnelle dun Passe-Bande idal
Donc, la rponse impulsionnelle dun filtre cardinal nest pas causale, ce qui montre que ce type de filtre nest pas ralisable. b) filtre passe-bas idal Cest un filtre passe-bas de frquence de coupure Fc et dont la rponse frquentielle dsire est donne par le gabarit de la figure suivante :
|H(f)|
Fc Figure 11
La fonction de transfert de ce filtre nest que lchelon de position retourn puis retard de Fc, soit : H(f) = 1- (f- Fc,) . La rponse impulsionnelle h(t) est gale alors la transforme de Fourier inverse de H(f), soit :
h( t ) = ( t ) 1 -2Fc t e t
qui a pour allure, la figure suivante :

h(t)
Figure 12
Cette rponse impulsionnelle nest pas causale, donc ce filtre nest pas ralisable. c) filtre passe-haut idal Cest un filtre passe-haut de frquence de coupure Fc et dont la rponse frquentielle dsire est donne par le gabarit de la figure suivante :
|H(f)| 1 f
Fc Figure 13
La fonction de transfert de ce filtre a pour expression :

H(f) = (f- Fc,) .
La rponse impulsionnelle h(t) est gale alors la transforme de Fourier inverse de H(f), soit :
h( t ) = 1 1 -2Fc t (t ) + e t 2
h(t)
qui a pour allure, la figure suivante :
t Figure 14
Cette rponse impulsionnelle nest pas causale, donc ce filtre nest pas ralisable. d) filtre passe-bande idal Cest un filtre cardinal dont la rponse frquentielle est la fonction fentre (f-Fo) de largeur B qui est la bande passante du filtre.
H(f) 1 f Fo Fo-B/2 Figure 15 Fo+B/2
La rponse impulsionnelle de ce filtre cardinal est : h(t)=B sinc(B t ) exp(-2Fo t) , qui a pour allure, la figure suivante :
r ponse impulsionelle du filtre cardinal 8
-2
Figure 15
-4 -500 -400 -300 -200 -100 0 temps 100 200 300 400 500
Cette rponse impulsionnelle nest pas causale, donc ce filtre nest pas ralisable. d) filtre coupe-bande idal Cest un filtre rejecteur de bande idal qui coupe instantanment toute composante harmonique dont la frquence est comprise dans cette passante. La rponse frquentielle de ce filtre peut tre dduite de la fonction fentre (f-Fo) de la manire suivante :
H(f) = 1 - (f-Fo) , H(f) 1 f Fo
Fo-B/2
Figure 16
Fo+B/2
On en dduit de ce qui prcde que la rponse impulsionnelle de ce filtre est :

h(t)=(t) - B sinc(B t ) exp(-2Fo t) ,
Cette rponse impulsionnelle nest pas causale, donc ce filtre nest pas ralisable. 5-2- filtre de dcalage Cest un filtre qui ralise la translation temporelle du signal dentre. Sa sortie scrit : y(t) = H [x(t)] = x(t-) .
x(t)
H(f) = e
H
-j2f
y(t)
Il vient que sa rponse frquencielle est :
C'est un filtre de gain unit et de phase proportionnelle la frquence : = -2f. C'est un filtre dphaseur pur. Son spectre qui est reprsent par la figure ci-dessous n'est pas born et le filtre n'est pas ralisable.
H(f) 1
(f)
f f
Figure 18
5-3- filtre drivateur H(f) = j2 f C'est un filtre linaire dont la fonction de transfert est : Sa rponse temporelle y(t) est la drive par rapport au temps, de lentre x(t) du filtre, soit : y(t) = dx/dt .
x(t)
y(t)
(f)= /2 .
Ce filtre possde une phase constante gale /2 et un gain proportionnelle la frquence. |H(f)| = 2 f et
Cependant, il n'est pas ralisable physiquement car son spectre nest pas born.
|H(f)| /2 f f
(f)
Figure 19
5-4- filtre intgrateur Cest un filtre dont la sortie temporelle y(t) est lintgrale de lentre x(t) du filtre, soit :
y (t ) =
0 x(t ) dt
Sa fonction de transfert est de la forme: H(f) = 1/ j2f Il possde une phase constante gale -/2 et un gain inversement proportionnel la frquence. |H(f)| = 1/2 f et (f)= /2 .
|H(f)|
(f)
f f
-/2 Figure 20
Ce filtre est ralisable physiquement puisque son spectre damplitude |H(f)| tend vers () donc vers zro en dB, ce qui permet de le majorer par une borne suprieure. Un intgrateur ralise la fonction de filtrage passe-bas une fois associ une action proportionnelle. 5-5- filtre quadrateur C'est un filtre non linaire dont la sortie est le carr de l'entre du filtre.
x(t)
y(t) = x2(t)
Ce filtre est appel aussi intermodulateur car il ralise l'intermodulation de frquences. Exemple : Soit le signal sinusodal suivant :
x(t) = a cos (2 f0 t ) .
Calculons sa rponse spectrale Y(f) :

x(t) = a cos (2 f0 t ) Y(f) = X(f) * X(f) ,
Y(f) =
X() . X(f-) d ,
or
X(f) =
1 1 a (f - fo) + a (f + fo) 2 2
Y(f ) =
( f ) +
( f 2
f o)
( f + 2 f o )
Le filtre introduit des produits d'intermodulation qui augmentent le taux de distorsion du signal de sortie. Retrouvons ce rsultat par dcomposition trigonomtrique de y(t) , en fait :
soit encore : y(t) = x2(t) = a2 cos2 (2 f0 t ) , y(t) = 0.5 a2 [ 1+ cos(4 f0 t )] .
La dcomposition spectrale de y(t) sera donc :

Y(f) = 0.5 a2 [ (f)+ alors : Y(f) = 0.5 a2 [(f) + 1 1 (f - 2fo) + 2 (f +2 fo )], 2 1 1 (f - 2fo) + 2 (f +2 fo )], 2
Y(f)
-2Fo
2Fo
Figure 21
5-6- filtre limiteur d'amplitude Cest un filtre non linaire qui ralise un ecrtage du gain en bande passante et non pas lcrtage du signal du sortie. Le schma synoptique correspondant est le suivant: x(t) z(t)= sgn[x(t)]
limiteur
Filtre pass-bande
y(t)
H(f)
fo
Figure 22 soit x(t) = A(t) cos (2 fo t + )
y (t ) =
4 cos (2 fo t + )
5-7- filtre dmodulateur ou dtecteur d'enveloppe Cest un filtre non linaire qui permet de dtecter la variation de lamplitude dun signal dynamique. Il peut tre ralis par un redresseur double alternance suivi dun filtre passe-bas. x(t) redresseur double alternance Figure 23 Exemple : Soit le signal sinusodal dentre suivant :
x(t) = A(t) cos( 2fo t + )
filtre PB y(t)
y(t) = 2 A(t) / .
En effet, le redressement double alternance donne le signal x1(t) dfini par :

x1(t) = A(t) | cos(2f0 t+) | .
Le signal x1(t) est priodique de priode 2To, alors le dveloppement en srie de Fourier de x1(t) permet dcrire :
x1(t) = A(t)
Xk e j4kfo t
k=-
X1(f) = A(f) * [ Xo (f) +
Xk (f - 2kfo) ]
k0
Or la valeur moyenne Xo = 2/
X1(f ) =
2 A(f ) +
k0
Xk . A(f - 2kfo )
Le filtre passe-bas ne permet de laisser que la quantit 2A(t)/ ,ce qui donne le signal de sortie :
y(t) =
2 A(t)
Ce signal nest que lamplitude recherche A(t) au facteur 2/ prs . 6- Distorsions linaires et non linaires des filtres Gnralement un filtre modifie l'amplitude et la phase du signal sinusodal d'excitation en fonction de la frquence. Cette distorsion est indsirable dans les applications de transmission. Pour cela, on cherche utiliser des filtres sans distorsion ayant un gain et un retard constants dans la bande passante dsire . 6-1. Filtre sans distorsion Il possde une fonction de transfert dans la bande passante ayant pour expression :
H(f) = A exp(-j2f)
H(f) A
-fc
Figure 24 A : gain constant o = retard.
fc
C'est donc un filtre amplificateur retard pur dont la sortie est :

y(t) = A x (t - o)
On peut citer des exemples de ces filtres sans distorsion tels que les filtres idaux PB, PH, 6-2 - Filtre avec distorsion Il s'agit des filtres rels dont la ralisabilit et la synthse sont possibles grce leurs proprits spectrales ( spectre born ) et temporelles ( rponse impulsionnelle causale ). Malheureusement, ces filtres possdent des spectres damplitude et de phase non linaires et introduisent par consquent des ondulations du gain en bande passante et des distorsions harmoniques qui modifient les proprits nergtiques du signal. Les ondulations invitables sont tolres par des approches de synthse tels que celles de Butterworth, Tchebychelf, elliptique, qui donnent une approximation de la distorsion admissible dans la bande passante. On peut ainsi rencontrer outre les filtres distorsion d'amplitude, les filtres distorsion de phase o celle-ci n'est plus linaire dans la bande passante.
Exemple :
distorsion damplitude :
H( f ) =
A 1+ ( f 2 ) Fc
|H(f)|
f
Figure 25 -
distorsion de phase :
( f ) = arctg(
f ) Fc
104 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________ (f)
Figure 26
6-3 - Distorsion harmonique et distorsion d'intermodulation C'est le rsultat du filtrage avec distorsion ou un filtrage non linaire. En effet : - La distorsion harmonique est de la prsence des harmoniques du fondamental en cas d'excitation d'un signal sinusodal. - La distorsion d'intermodulation est de la prsence de composantes sinusoidales pour une excitation en somme de sinusodes (filtre multiplicateur, filtre quadrateur). Exemple : Soit le filtre non linaire suivant :
x(t) X
y(t) = 2x(t)+ x2(t)
et montrons leffet des distorsions harmoniques et dintermodulation sur le spectre du signal de sortie du filtre . - distorsion harmonique :
x(t) = a cos (2fo t) , y(t) = 2x(t)+ x2(t) = 2 a cos (2fo t) + a2 cos2(2fo t) ,
Y(f) = a[(f-fo)+(f+fo)]+0.5 a2(f) +0.25 a2[(f-2fo)+ (f-2fo)]

Y(f)
-2fo
-fo
0 Figure 27
fo
2fo
distorsion dintermodulation
x(t) = a1 cos (2f1 t) + a2 cos (2f2 t ),
Y(f) = a1[(f-f1)+(f+f1)]+ a2[(f-f2)+(f+f2)]+0.5 (a12 +a22) (f) +0.25 a12[(f-2f1)+ (f-2f1)]

+0.25 a22[(f-2f2)+ (f-2f2)]+ 0.5 a1 a2 [(f-f1 -f2)+(f+f1 +f2) +(f-f1 +f2)+ (f+f1 -f2)] .
On remarque que le spectre de Y(f) est trs riche en harmoniques qui risquent daugmenter le taux de distorsion du signal
H(f) Y(f)
-2f2 -f1-f2
-2f1
f1-f2
f2-f1
Figure 28
2f1
f1+f2 2f2
7- Filtrage des signaux d'nergie finie et de signaux de puissance moyenne finie 7-1. Cas des signaux nergie finie Pour un filtre linaire invariant ayant une fonction de transfert H(f) ,
x(t) H(f)
y(t)
la densit spectrale d'nergie du signal de sortie y(t) est donne par : Sy(f) = |H(f)|2 Sx(f) Donc, le filtrage d'un signal d'nergie finie ne donne pas forcement un signal nergie finie Exemple : Soit filtrer le signal triangle 2T(t) par un filtre intgrateur pur. Le spectre du signal de sortie a donc comme expression : 1 Y( f ) = T sinc 2 ( fT) j2f sa densit spectrale est : T2 S y ( f ) = 2 2 sinc 4 ( f T ) . 4 f On en dduit lnergie : Ey =
S y ( f ) df =
T2 4 2 f
2
sinc 4 ( Tf) df
7-2 Cas des signaux de puissance moyenne finie Le filtrage d'un signal de puissance moyenne finie ne donne pas ncessairement un signal de mme type. La densit spectrale d'nergie du signal de sortie y(t) du filtre est donne par : Sy(f) = |H(f)|2 Sx(f) 7-3- cas des signaux analytiques Soient les signaux analytiques suivants:
x(t) signal analytique: xa (t) h(t) signal analytique ha(t) y(t) signal analytique ya(t) et on se propose de filtrer le signal x(t) par un filtre linaire invariant H dont la sortie y(t) possde le spectre suivant : Y(f) = H(f) X(f) , Ya(f) = 2 (f) Y(f) = 2 (f) H(f) X(f) or avec : l'chelon de position unitaire il vient :
Ya(f) = 1 1 [ 2 (f) X (f) ] . [ 2 (f) H(f) ] = Xa(f) . Ha(f), 2 2 ya(t) = 1 x (t). ha(t) . 2 a
Il rsulte : 8- Les fentres de troncature
Nous avons vu que la plupart des filtres idaux et cardinaux ont deux inconvnients, dune part ils sont irralisables physiquement et dautre part, ils peuvent donner lieu des ondulations damplitude dans lautre domaine de traitement. A titre dexemple, le filtre cardinal passe-bande ( fonction fentre frquentielle de largeur de bande passante B = 2Fc ), excit par un signal dentre x(t) en train dimpulsions donne un signal de sortie y(t) ondul et distordu comme le montre la figure 29 malgr que le signal x(t) ne lest pas. Cela en raison du spectre damplitude du filtre |H(f)| qui est en sinus cardinal et donc fortement ondul. Ce qui confirme la remarque du paragraphe prcdent suivante : le filtrage d"un signal par un filtre linaire invariant ne donne pas forcment le mme type et classe du signal ; la fonction de transfert du filtre et son spectre sont trs dterminantes dans ce cas .
x(t)= T(t) x(t) y(t) 0 T t
H(f)
H(f)= 2Fc(f) 1
y(t)=(2Fc /T) sinc[2Fc(t-kT-1)]
-Fc
Fc
f Figure 29
8-1- troncature temporelle On vient de voir donc un rsultat trs important en traitement du signal, cest que le filtrage frquentiel dun signal peut modifier non seulement les paramtres nergtiques et spectrales
du signal mais aussi son allure temporelle et sa forme ce qui le rend parfois unitilisable ou non adapt son application. Cette remarque est valable aussi pour la troncature temporelle ( multiplication temporelle qui se traduit par une convolution frquencielle ) lorsquon est oblig de faire un traitement sur une partie du signal ou de limiter ltendue dun signal en raison de la capacit de la mmoire du calculateur ( on ne peut pas programmer ou acqurir un signal variant de moins linfini linfini ) . Par exemple lorsquon dsire calculer la valeur moyenne dun signal priodique, on est oblig dappliquer une fentre de troncature rectangulaire de largeur la priode du signal sur laquelle on effectuera les traitements. De mme si on veut stocker les valeurs dun signal chelon, on devrait aussi le tronquer sur une partie temporelle. Cependant cette opration cre des ondulations spectrales importantes qui risquent de modifier le contenu nergtique du signal ( puissance, nergie, taux de distorsion,.. ). Les figures 30 et 31 suivantes donnent un exemple de leffet de la troncature temporelle dun signal sinusodal sur le domaine spectral.
1 0.5 0 -0.5 -1 -5 50 40 30 20 10 0 0 10 20 30 40 frequence 50 60 70 80
-4
-3
-2
-1
spectre du signal sinusoidal
Figure 30. Spectre du signal sinusoidal

1 0.5 0 -0.5 -1 -5 20 15 10 5 0
-4
-3
-2
-1
spectre du signal tronqu
Figure 33 : spectre du signal sinusoidal avec troncature
10
20
30
40 50 frequence
60
70
80
90
Figure 31. Spectre du signal sinusoidal tronqu par une fentre rectangulaire
En conclusion : Si on fait un traitement ( filtrage frquentiel ou temporel ) dans un domaine donn ( temporel ou frquenciel ), on devra se mfier des rsultats et des consquences sur lautre domaine, Il faut bien choisir le type de la fentre de troncature ou le type du filtre car ce sont ces lments qui influent sur les qualits et les paramtres du signal dsir. 8-2- les diffrents types de fentres Nous venons de voir que la fentre rectangulaire provoque des ondulations spectrales. Pour diminuer et attnuer celles-ci, on utilise dautres fentres de troncature. a) fentre triangulaire 2T(t) : Cette fentre prsente une distorsion spectrale moins importante que celle de la fentre rectangulaire. Elle a pour expression :
x (t ) = 1
alors que son spectre est donn par :
t T
,
X(f)= T sinc2(Tf) .
x(t)=2T(t) 1
X(f)= Tsinc2(Tf) T
-T
Figure 32 : fentre triangulaire

b)
fentre de Bartlett: Cette fentre est aussi de type triangulaire

fenetre de Bartlett 1 0.8 0.6 0.4 0.2 0 0 150 50 100 150 200 250 300 spectre de la fenetre de Bartlett
100
50
0 -30
-25
-20
-15
-10
-5 0 frequence
10
15
20
Figure 33
c) fentre de Blackman: Cette fentre en cosinus prsente une distorsion spectrale moins importante que celle des deux fentres prcdentes. Elle a pour expression : w(t) = 0.42 - 0 .5 cos(2 t) + 0.08 cos(4 t ) , d) fentre de Hanning
fenetre de Hanning 1 0.8 0.6 0.4 0.2 0 0 50 100 150 200 250 300
spectre de la fenetre de Hanning 150
100
50
0 0 50 100 150 frequence 200 250 300
Figure 34
Cette fentre prsente a pour expression : w(t) = 0.42 - 0 .5 cos(2 t/T) + 0.08 cos(4 t/T ) . e) fentre de Hamming Cette fentre prsente a pour expression : w(t) = 0.54 - 0 .46 cos(2 t/T) . La figure 28 donne une reprsentation temporelle des diffrentes fentres couramment utilises.
les fenetres de troncature 1.4
rectangulaire
1.2
0.8
Bartlett
0.6
0.4
Hamming
0.2
Hann Figure 37
0 -150
-100
-50
0 temps
50
100
150
Figure 35 : fentres de troncature
La programmation en Matlab de ces diffrents types de fentres est donn par le programme suivant : w1 = (.42 - .5*cos(2*pi*(0:n-1)/(n-1)) + .08*cos(4*pi*(0:n-1)/(n-1)))'; % blackman w2 = .5*(1 - cos(2*pi*(1:n)'/(n+1))); w3 = .54 - .46*cos(2*pi*(0:n-1)'/(n-1)); w4 = 2*(0:(n-1)/2)/(n-1); % Hann % Hamming % Bartlett.
La figure 36 donne les rsultats de simulation des rponses temporelles de chacune des fentres prsentes.
111 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________ 1) Fentre rectangulaire: w(t)=1 pourt1<t<t2 et w(t)=0 ailleurs
w(t)
t 2) Fentre triangulaire :
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 50 100 150 200 250 300
w(t) = 1 - |t|/
3) Fentre de hamming :
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0
w(t) = 0.54-0.46*cos(2*pi*t)
50
100
150
200
250
300
4)Fentre de Blackman : w(t)=0.42-0.5*cos(2*pi*t)+0.08*cos(4*pi*t)

1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0 50 100 150 200 250 300
5) Fentre de hann :
w(t) = 0.5*[1-cos(2*pi*t)]
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0
Figure 38: Les fentres de troncature.

50 100 150 200
250
300
Figure 36 : Evolution temporelle des fentres de troncature
Conclusion La troncature temporelle se traduit par un largissement et une ondulation spectrale. Pour remdier cet inconvnient on choisit es fentres de troncature de type Hann ou de Hamming.
Annexe
SIMULATION PAR MATLAB
1) PRESENTATION DU LOGICIEL MATLAB Le logiciel MATLAB ( MATrix LABoratory ) est outil de simulation mathmatique puissant, utilis en Automatique et en Traitement du signal pour le traitement des donns, l'analyse spectral, l'identification et la commande des systmes linaires continus et discrets. Il utilise les mmes outils mathmatiques dvelopps dans le cours ainsi que des logiciels numrique pour le calcul, le traitement et la rsolution des quations rgissant le systme (Algorithme de Newton, Runge-Katta, RLS, MCO,...). Le logiciel comporte plusieurs thmes d'tude appeles TOOLBOX dont les plus utiliss sont les suivants : - Traitement de signal - tlcommunications - Identification - Commande. - Optimisation etc La souplesse du logiciel rside par le fait qu'il s'adapte aux diffrentes reprsentations possibles des systmes (rep. par Equation d'Etat, par Fonction de Transfert., par Equation diffrentielle...) et aux diffrentes mthodes d'identification. Les rsultats (valeurs et courbes) peuvent tre stocks sur un fichier extrieur dont l'extension doit tre du type (nom fichier. mat). 2) INITIATION AUX COMMANDES ESSENTIELLES DE MATLAB 1- Reprsentation par la fonction de transfert (F.T.) Soit la F.T. d'un Systme linaire: N(p) bo+b1 p+...+bq .p q = D(p) H(p) = ao+a1 p+...+a n p n La reprsentation polynomiale du numrateur et du dnominateur est donne par les vecteurs :
NUM = [ bq bq-1 ... b1 DEN = [ an a) Calcul des ples de H(p) : an-1... a1
bo ] ao ]
Cela revient calculer les racines de D(p). La commande est la suivante : roots (DEN) b) Passage de la F.T. la reprsentation ZERO-POLE Si on veut connatre le gain statique K, les zros Zi et les ples Pi de la F.T. H(p), on peut excuter la commande suivante : [ Z, p, K] = tf2ZP (NUM, DEN) 2- Reprsentation temporelle a) Rponse impulsionnelle h(t) = TL-1 [ H(p) ]
La commande est la suivante : IMPPULSE ( NUM, DEN , t ) o NUM ET DEN reprsentent les vecteurs relatifs ou numrateur et au dnominateur de la F.T. t : tant la variable temporelle et dont la plage de variation doit tre spcifi prcdemment. Soit par exemple ; t = 0 : pas : tmax b) Rponse indicielle C'est la rponse un chelon unitaire la commande est la suivante : Y = STEP (NUM, DEN,t) c) Rponse une entre arbitraire Si l'entre U du systme linaire continu est quelconque, celle-ci doit tre dfinie comme fonction ou comme suite de valeurs. La commande est la suivante : Y = LSIM (NUM, DEN, U, t) 3) Reprsentation frquentielle a) Diagramme de Nyquist [ Re , Im] = NYQUIST (NUM, DEN, w) w : tant la pulsation et dont la plage de variation doit tre spcifi l'avance.
par exemple : w=logspace(-2,1,1000) 1000 valeurs de W variant entre 10-2 et 10+1

a)
Diagrammes de BODE [Mag, Phas] = BODE (NUM, DEN, w)
En dcibels on peut crire : Mag db = 20* Log 10 (Mag) . La reprsentation dans le plan de Black peut tre dduite par la commande suivante : SEMILOGx (phas, mag)
3- IDENTIFICATION ET SIMULATION 3-1. Simulation dun systme linarie : On considre le systme suivant A(q).y(t) = B(a) u(t-d)+C(q) e(t) avec u : entre e : bruit ; La commande sera : ; d : retard y : sortie TH = mktheta (A,B,C) ; Y = Idsim ([u e],TH) ; 3-2. Estimation des paramtres du modle A laide des sries de mesures entres/sorties effectues sur le systme identifier on dsire dterminer les paramtres du modle selon : Z = [y,u] ; n = [nA, nB , nC d] ; TH = ARMAX (Z,n) ; TH = IVA (Z,n) ; (Z0, P0,K0) = ZP (Th) ; [A,B,C] = polyform (th) ; 3-3. recherche du modle continu On considre un modle TH dj recherch selon une mthode numrique. Les numrateur et dnominateur sont donns par : [Num,Den] = CONT(TH) ;
% modle du type ARMAX % erreur de modlisation % ples et zros du modle % forme polynomiale du modle
3-4. Simulation une entre arbitraire * en continu : ou * en discret : 3-5. Oprations matricielles * Diagonalisation * Triangularisation 4- ANALYSE SPECTRALE 4-1. FFT dun vecteur : Les chantillons ( points ) sont au nombre = 2No o No = nombre de bits du CAN. Les commandes sont : Y = FFT (X,No) ; PXX = X.* conj(X)/No ; PXY = Y.* conj(X)/No ; TYX = PXY/PXX ; FXX = IFFT(PXX) ; CX = Cov(X) ; RX = CORR(X) ; 4-2. Gnration dun bruit RAND ( normal) ; RAND( uniform) ; e1 = rand (100,1) ; e2 = rand (100,1) ; plot (e1,e2) ; 4-3. Statistiques : On considre toujours un vecteur X MEDIAN (X) ; STD (X) ; MAX (X) ; MIN (X) ; 4-4. Fentres de troncature HAMMING (M) ; HANNING (M) ; BOXCAR (M) ; % M est la largeur de fentre % fentre rectangulaire % valeur moyenne % cart type % valeur maximale de X % valeur minimale de X % loi normale % loi uniforme % vecteurs bruit 100 points avec amplitude = 1 % reprsentation graphique des bruits % ou encore FFT(X) % densit spectrale de x % densit interspectrale % fonction de transfert % fonction dautocorrelation = FFT-1 (PXX) % matrice de covariance de X % matrice de correlation de X B = diag (A) C = Triu (A) y = LSIM (A,B,C,D,u,t) y = LSIM (Num,Den,u,t) y = DLSIM (Num,Den,u)
BARTELETT (M) ; BLACKMAN (M) ;
% fentre triangulaire % fentre exponentielle
4-5. Analyse partir dun modle de reprsentation Soit un modle dtermin par un alogarithme didentification et les mesures E/S Z = [Y U] ; n = [nA nB nc d] ; TH = ARMAX (Z,n) ; % modle identifi [G,Fi] = SPA (Z,M,w,No,To) ; % To est la priode dchantillon ou encore = TRF (TH) ;
5- PROCEDURES GRAPHIQUES ET GESTION DE FICHIERS 5-1. reprsentation dune fonction : y = sin(t) t = 0 : 0.1 : 20 ; y = sin (t) ; plot (t,y) ; pause ; title ( Fonction sinus) ; xlabel ( temps ) ; ylabel ( y en sec) ; PRINT 5-2. sauvegarde des fichiers SAVE Adnen Y1 , Y2 % sauvegarde des vecteurs y1, y2 dans le fichier Adnen LOAD Adnen Y1 6- FILTRAGE NUMERIQUE On dsire filtrer une suite dentre X par un filtre dont la FT est donne par : B(z) H(z) = A(z) La commande est : 6-1. Conception des filtres RIF numriques a. Mthode directe par gabarit : [B,A] = YULEWALK (n,freq,Mag) ; B(z) % H = A(z) Y = FILTER (B,A,X) % restitution du vecteur y1
% dessin et maintien su cran % titre % axe des abscisses % impression de lcran
f : tant la frquence normalise = fx/fo/2 = 2fx/fo M : Gabarit du filtre dsir sous forme vecteur n : ordre du filtre. Il sagit de concevoir un filtre RII dordre N dont le gabarit de la reponse frequentielle est donne par Freq et Mag. Les coefficients du filtre sont donns par B and A. Ou encore : B = FIR2(N,Freq,Mag) concoit un RIF dordre N . Exemple : M=[001100]; f = [ 0 0.2 0.4 0.6 0.8 1] ; pi=3.14 ; [B,A] = yulewalk (4, f, M) ; [H,W] = freqz (B, A, 128) ; plot (f, M, w/pi, abs (H)] ) ; b. Mthode fentres B = FIR1 (n , wo, Hanning) ; avec B = b(0) + b(1) z-1 +... b(n) z-n c. au sens de Butterworth [B,A] = BUTTER (n, wp) Y = FILTER (B, A,[1 zros(1,50)] ) plot (Y) ; pause ; Exemple : [B,A] = BUTTER(N,wn,'high') desige un filtre passe haut. [B,A] = BUTTER(N,Wn,'stop') : concoit un filtre passe Bande de bande passante : Wn = [W1 W2]. Wn est en valeur relative ( entre 0 et 1 ) par rapport frequence de Nyquist ( Fech/2) d.- au sens de Tchebycheff [N, Wn] = CHEB2ORD(Wp, Ws, Rp, Rs) : concoit un filtre RII dordre N ayant : Rp : attenuation max en bande passante Rs attnuation la pulsation Ws. % Lowpass: Wp = .1, Ws = .2 % Highpass: Wp = .2, Ws = .1 % Bandpass: Wp = [.1 .8], Ws = [.2 .7] % Bandstop: Wp = [.2 .7], Ws = [.1 .8] % n : ordre du filtre % wp : sa bande passante % rp. impulsinuelle du filtre % wo : frquence de coupure n : ordre du filtre
e- elliptique [B,A] = ELLIP(N,Rp,Rs,Wn,'high') dsigne un filtre elliptique passe haut dordre N. [B,A] = ELLIP(N,Rp,Rs,Wn,'stop') : passe bande avec : Wn = [W1 W2]. 6-3 - rponse frquentielle [h,w] = freqs(b,a) ou H = FREQS(B,A,W) rponse frquentielle H du filtre analogique de numrateur et dnominateur B et A: [H,F] = FREQZ(B,A,N,Fech) rponse frquentielle H du filtre numrique de numrateur et dnominateur B et A 7- Reprsentation temps-frquence B = SPECGRAM(A,NFFT,Fs,WINDOW) Ou B=SPECGRAM(A).
BIBLIOGRAPHIE
. Collection EYROLLES MASSON MASSON MASSON MASSON DUNOD HERMES DUNOD DUNOD MASSON PPR FLAMARION
Thorie du signal et Transmission de l'information 1 Symboles, signaux et bruits 2 Traitement numrique du signal 3 4 5 6 Traitement numrique des signaux 7 Systmes et asservissements linaires chantillonns 8 Elments de thorie du signal 9 Codage et traitement du signal 10 11 Traitement du signal 12 Automatique des Systmes linaires Mthodes et techniques de traitement du signal Codage et Traitement du signal Traitement du signal
J.Dupaz Pierce Van Der Enden J.M Lacoume Wade J.G Patric DUVAT M KUNT Yves SEVELY B PICINBONO WADE J.G COULON F Ph. Larminat

Adnen Cours TSA

Transféré par

Droits d'auteur :

Formats disponibles

Adnen Cours TSA

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Adnen Cours TSA

Transféré par

Droits d'auteur :

Formats disponibles

2 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

Facult des sciences de Tunis Section : Gnie Electrique

COURS ET EXERCICES DE TRAITEMENT DU SIGNAL ANALOGIQUE

4ime anne de Matrise Electronique 2ime anne de Gnie Electrique

3 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

COURS DE TRAITEMENT DU SIGNAL ANALOGIQUE

Table des matires

4 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

5 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

6 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

GENERALITES SUR LES SIGNAUX ET SYSTEMES

0.8 0.7 0.6

Figure 1: signal sinusodal

Figure 2 : signal bruit

7 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

signal bruit : x(t)+b(t) 2 1.5 1 0.5 0 -0.5 -1

signal bruit : x(t)+8 b(t) 9 8 7 6 5 4 3 2 1 0

Figure 3: signal faiblement bruit 2- Paramtres temporels et nergtiques

Figure 4 : signal masqu par le bruit

8 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

o x*(t) dsigne le conjugu de x(t).

Si le signal x(t) est rel alors lexpression de lnergie devient: Ex =

9 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

! La valeur moyenne est donne par : Xm = T

! La puissance moyenne est gale :

! La valeur efficace se dduit de Pmoy comme suit :

10 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

Exemple : Prenons le cas du signal suivant : sin

kT Figure 8 On peut dans ce cas faire lapproximation suivante :

(t) est la fonction fentre de largeur T.

11 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

12 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

13 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

Dans le cas discret, cette expression se ramne : <x(n),y(n)> =

y(t) = sin t avec T=2 .

<x(t),y(t )> = 1 5- Les systmes 5-1- dfinition

14 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

(m n et p est l'oprateur de Laplace)

15 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

16 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

y(t)=A e(t) si |t| <

y(t)= Vcc sign(t) si |t| >

17 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

! Analyse par la rsolution de lquation diffrentielle

! Analyse par la fonction de transfert

s(t) = A ( 1 - e- t/RC ) (t) .

Ce qui donne la reprsentation graphique suivante : s(t)

18 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

! Performances statiques et dynamiques

(t) = e(t) - s(t)

! L'erreur statique est nulle car :

o : z i : est le i zro de H(p) p k est le kime ple de H(p). Alors, on dfinit:

19 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

G() = 20 log10(| H( j)| )

G(w) = 20 log10(| H( j)| ) = 20 log k - 10 log(1+22)

20 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

si = 0 ( = 1 ), le rgime est dit amorti ou amorti et la rponse scrit : s (t ) = k [ 1 e nt (1 + n t)

si > 0 ( > 1 ), le rgime est dit hyper-amorti et la rponse scrit : s (t ) = k [( 1 1 2 -1

21 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________

22 Cours et exercices de traitement du Signal CHERIF Adnene FST 2003 __________________________________________________________________________________