Chapitre V

CHAPITRE V
SIGNAUX A TEMPS DISCRET
Depuis quelques décennies, les signaux réels sont, de plus en plus, traités de façon numérique.
Ce chapitre sera consacré exclusivement aux signaux numériques.
V-1 TRANSFORMEE DE FOURIER A TEMPS DISCRET 𝓣𝓕𝓣𝓓

V-1-1 Définition
La transformée de Fourier à temps discret concerne uniquement les signaux à temps discret
non-périodiques. Dans le chapitre précédent, nous avons vu que le signal échantillonné se(t)
est réalisé par la multiplication du signal continu s(t) par un peigne de Dirac de période Te :
+∞ +∞
se (t) = s(t). δTe (t) = s(t) ∑ δ(t − nTe ) = ∑ s(nTe ) δ(t − nTe )
n=−∞ n=−∞
Calculons la transformée de Fourier du signal échantillonné se(t) :

+∞ +∞ +∞
−2jπνt
Se (ν) = 𝒯ℱ[se (t)] = ∫ se (t) e dt = ∫ [ ∑ s(nTe ) δ(t − nTe )] e−2jπνt dt
−∞ −∞ n=−∞
En permutant l’intégrale et la somme, on a :
+∞ +∞
Se (ν) = ∑ [ ∫ [ δ(t − nTe ) e−2jπνt ] dt s(nTe )]

n=−∞ −∞
En utilisant la relation :
+∞
∫ s(t) δ(t − t 0 ) dt = s(t 0 )

−∞
Signaux à temps discret
On trouve :
+∞
Se (ν) = ∑ s(nTe ) e−2jπνnTe (V.1)

n=−∞
On constate que la transformée de Fourier d’un signal échantillonné ne fait plus intervenir le
calcul d’une intégrale mais s’exprime comme une somme infinie de termes. S e(ν) est une
fonction complexe de la variable réelle continue ν.
1- Périodicité de Se(ν)
+∞ +∞
−2jπ(ν+kFe )nTe
Se (ν + kFe ) = ∑ s(nTe ) e = ∑ s(nTe ) e−2jπνnTe e−2jπkFe nTe
n=−∞ n=−∞
+∞ +∞
= ∑ s(nTe ) e−2jπνnTe e−2jπkn = ∑ s(nTe ) e−2jπνnTe

n=−∞ n=−∞
La transformée de Fourier Se(ν) du signal échantillonné se(t) est une fonction périodique de
F F
période Fe. Il suffit donc d’étudier le comportement de Se(ν) sur l’intervalle [− 2e , 2e ].
2- Fréquence normalisée
Posons Ω = ωTe = 2πνTe

+∞
Se (Ω) = ∑ s(nTe ) e−jΩn

n=−∞
Se(Ω) est aussi périodique de période 2π.

Ω 2πνTe ν
On appelle la fréquence normalisée : f = 2π = =F
2π e
La transformée de Fourier du signal échantillonné s’écrit alors :
+∞
Se (f) = ∑ s(nTe ) e−2jπfn (V.2)

n=−∞
1 1
Se(f) est périodique de période 1. On limite sa représentation sur l’intervalle [− 2 , ].
2
On définit alors la transformée de Fourier à temps discret d’un signal discret s[n] résultant de
l’échantillonnage de s(t) toutes les Te secondes, par :
+∞
𝒯ℱ𝒯𝒟{s[n]} = S(f) = ∑ s[n] e−2jπfn (V.3)

n=−∞
Traitement du signal 248 S. HAMDOUNE

3- Transformée de Fourier inverse

1 1
Puisque S(f) est périodique, on peut le décomposer en série de Fourier sur l’intervalle [− 2 , ].
2
Les coefficients du développement deviennent alors :
Fe
2
1 (V.4)
s[n] = ∫ S(f)e2jπfn df
Fe
F
− e
2
Puisque Fe = 1 :
1
2
s[n] = ∫ S(f)e2jπfn df
1
−
2
La 𝒯ℱ𝒯𝒟 inverse fait appel à une intégrale et non pas à une somme car f est une variable
continue.
V-1-2 Exemples
1- Impulsion à temps discret
1 si n=0
s[n] = δ[n] = {
0 ailleurs
+∞
S(f) = ∑ δ[n] e−2jπfn = 1

n=−∞
2- Signal rectangulaire
1 si − N ≤ n ≤ N
s[n] = {
0 ailleurs
+∞ +N
S(f) = ∑ s[n] e−2jπfn = ∑ e−2jπfn

n=−∞ n=−N
S(f) est la somme de 2N + 1 termes d’une suite géométrique de raison e−2jπf et de premier
terme e2jπfN :
+N
1 − e−2jπf(2N+1)
S(f) = ∑ e−2jπfn = e2jπfN
1 − e−2jπf
n=−N

2N+1 2N+1 2N+1

−2jπf( ) 2jπf( ) −2jπf( )
e 2 [ e 2 − e 2 ] sin [πf(2N + 1)]
= e2jπfN =
e−jπf [ ejπf − e−jπf ] sin (πf)
k
S(f ) = 0 si πf(2N + 1) = kπ et f = 2N+1
k
La transformée de Fourier S(f) s’annule pour toutes les fréquences f = 2N+1
sin [πf(2N + 1)] πf(2N + 1)

lim ≈ = 2N + 1
f→0 sin (πf) πf
La valeur de la transformée de Fourier à l’origine vaut donc 2N + 1.
La figure V.1 montre la transformée de Fourier à temps discret du signal rectangulaire.
signal rectangulaire
1.5
1
s[n]
0.5
0
-10 -5 0 5 10
n
spectre du signal rectangulaire
20
2N+1=15
S(f)
10
0
0 0.066 0,2 0,4 0,6 0,8 1
f
Fig V.1. Signal rectangulaire et son spectre avec N = 7
Exercice 1 :
Calculer la TFTD du signal suivant :
1 si 0 ≤ n ≤ N − 1
x[n] = {
0 sinon

Réponse :
sin (πfN)
X(f) = e−jπf(N−1)
sin (πf)
V-2 TRANSFORMEE DE FOURIER DISCRETE 𝓣𝓕𝓓

Pour une transformée de Fourier à temps discret, la variable temps est discrète, alors que la
variable fréquence est une variable continue qu’il faut aussi discrétiser et limiter le nombre
d’échantillons. La transformée de Fourier discrète est une transformée de Fourier à temps
discret et à fréquence discrète.
V-2-1 Discrétisation fréquentielle

La relation
+∞
S(f) = ∑ s[n] e−2jπfn

n=−∞
fait intervenir un nombre infini d’échantillons, ce qui le rend inexploitable par un système
numérique. L’ordinateur ne peut calculer le contenu fréquentiel du signal discret qu’en un
nombre fini de points fréquentiels, alors que la fréquence f varie continument. Il faut remplacer
la fréquence continu f par une fréquence discrète fk comme le montre la figure (V.2) tel que :
fk = k Δf
Δf : incrément
k : entier
On va diviser alors, l’axe des fréquences en k intervalles juxtaposés.
S(f) f
Discrétisation
S(fk) Δf
fk
Fig V.2. Discrétisation fréquentielle
On va calculer la transformée de Fourier d’un signal discret qui a un nombre fini d’échantillons
non nuls. On considère donc un nombre fini N de points temporels s[0], s[1], … , s[N-1] et on
discrétise la fréquence en prenant un nombre fini L de points fréquentiels, S[0], S[1], … ,
S[L-1].
Puisque S(f) est périodique de période Fe, on peut diviser la période [0 , Fe] en L incréments ou
F
intervalles, comme le montre la figure (V.3), on obtient alors Δf = Le et k varie de 0 à L – 1.

S(f) f
Fe
Fe
Δf =
L
S(fk) fk
Fe Fe Fe
2 (L − 1)
L L L
Fig V.3. L incréments fréquentielle avec la période Fe
En utilisant la fréquence normalisée, S(f) est périodique de période 1, on peut diviser la

1
période [0 , 1] en L incréments Δf = L (figure V.4).
S(f) f
1
1
Δf =
L
S(fk) fk
1 2 1
(L − 1)
L L L
Fig V.4. L incréments fréquentielle avec la période 1
L’approximation discrète de la 𝒯ℱ𝒯𝒟 est :

N−1
k k
S ( ) = ∑ s[n] e−2jπLn
L
n=0
Définition :
Pour un signal discret de durée finie s[n], on définit la transformée de Fourier discrète 𝒯ℱ𝒟
par :
N−1
k
S(k) = ∑ s[n] e−2jπLn (V.5)
n=0
N : nombre de points temporels
n : variable temporelle, n = 0 … N – 1
N N
n ∈ [0 , N − 1] ou n ∈ [− , ]
2 2
L : nombre de points fréquentiels
k : variable fréquentielle,
L L
k ∈ [0 , L − 1] ou k ∈ [− , ]
2 2

La TFD inverse est :

L−1
1 k
s[n] = ∑ S[k] e2jπLn (V.6)
L
k=0
Généralement, on prend N = L (Fig V.5), et la transformée de Fourier discrète d’une suite fine
de N termes s[0], s[1], …, s[N-1] est la suite de N termes S[0], S[1], …, S(N-1] définis par :
N−1
k
S(k) = ∑ s[n] e−2jπNn (V.7)
n=0
s[0] s[1] s[2] s[N-1]

s[n] n
0 Te 2Te (N-1)Te
S[0 S[1] S[2] S[N-1]

S[k] ] k
1 1
f1 = fN−1 = (N − 1)
N N
Fig V.5. L incréments fréquentielle
La transformée de Fourier discrète inverse est alors :

N−1
1 k
s[n] = ∑ S[k] e2jπNn (V.8)
N
k=0
Exemple 1 : Calculer la 𝒯ℱ𝒟 du signal suivant : x[n] = [1 2 1 0].

1 1
Dans ce cas, N = 4, Δf = N = 4 = 0.25
N−1 N−1 N−1
k k k
X(k) = ∑ x[n] e−2jπNn = ∑ x[n] e−2jπ4n = ∑ x[n] e−jπ2n
n=0 n=0 n=0
Calculons les valeurs :

3 3
0
k = 0 ; X(0) = ∑ x[n] e = ∑ x[n] = 1 + 2 + 1 + 0 = 4
n=0 n=0
|X[0]| = 4 φ(0) = 0
3
1 π
k = 1 ; X(1) = ∑ x[n] e−jπ2n = 1 + 2e−j2 + e−jπ + 0 = −2j
n=0
π
|X[1]| = 2 φ(1) = −
2

k = 2 ; X(2) = ∑ x[n] e−jπn = 1 + 2e−jπ + e−2jπ + 0 = 0

n=0
|X[2]| = 0 φ(1) = 0
3
3 3π
k = 3 ; X(3) = ∑ x[n] e−jπ2n = 1 + 2e−j 2 + e−j3π + 0 = 2j
n=0
π
|X[3]| = 2 φ(1) =
2
finalement
π π
X[k] = [4 -2j 0 2j] |X[k]| = [4 2 0 2] 𝜑[k] = [0 − 0 ]
2 2
La figure (V.6) représente le signal avec son spectre.
2
x[n]
1
0
-0.5 0 0.5 1 1.5 2 2.5 3 3.5
n
4
|X[k]|
2
0
-0.5 0 0.5 1 1.5 2 2.5 3 3.5
k
pi/2
 (k)
0
-pi/2
-0.5 0 0.5 1 1.5 2 2.5 3 3.5
k
Fig V.6. Signal x[n] et sa transformée de Fourier
Exemple 2 : Soit le signal échantillonné suivant :

1 si n = 0 et n = 1
𝑠[n] = {
0 ailleurs
a) Calculer la 𝒯ℱ𝒯𝒟 du signal s[n] et représenter son spectre en amplitude.
b) Calculer la 𝒯ℱ𝒟 d’ordre 4 du signal s[n] et représenter son spectre en amplitude.
a)
+∞ 1
−2jπfn
S(f) = ∑ s[n]e = ∑ e−2jπfn = 1 + e−2jπf
n=−∞ n=0

|S(f)| = 2|cos (πf)| ; arg[s(f)] = −πf
1.5
1
s[n]
0.5
0
-5 0 5
n
3
2
|S(f)|
1
0
0 0.5 1
f
0
 (f)
-pi/2
-pi
0 0.5 1
f
Fig V.7. Signal s[n] et sa 𝒯ℱ𝒯𝒟
b)
1 1
Dans ce cas, N = 4, Δf = = = 0.25 et n = 0 … (N-1)
N 4
N−1 N−1 N−1
k k k
S(k) = ∑ s[n] e−2jπNn = ∑ s[n] e−2jπ4n = ∑ s[n] e−jπ2n
n=0 n=0 n=0
Calculons les valeurs :

3 3
0
k = 0 ; S(0) = ∑ s[n] e = ∑ s[n] = 1 + 1 + 0 + 0 = 2
n=0 n=0
|S[0]| = 2 φ(0) = 0
3
1 π
k = 1 ; S(1) = ∑ s[n] e−jπ2n = 1 + e−j2 + 0 + 0 = 1 − j
n=0
π
|S[1]| = √2 φ(1) = −
4
3
k = 2 ; S(2) = ∑ s[n] e−jπn = 1 + e−jπ + 0 + 0 = 0

n=0
|S[2]| = 0 φ(2) = 0

3
3 3π
k = 3 ; S(3) = ∑ s[n] e−jπ2n = 1 + e−j 2 + 0 + 0 = 1 + j
n=0
π
|S[3]| = √2 φ(1) =
4
Finalement
π π
S[k] = [2 (1 – j) 0 (1 + j)] |S[k]| = [2 √2 0 √2] 𝜑[k] = [0 − 4 0 ]
4
3
2
S[f]
(a)
1
0
0 0.1 0.25 0.5 0.75 1
f
pi/4
(f)
0 (b)
-pi/4
0 0.25 0.5 0.75 1
f
TFD & TFTD de s[n]
3
2 (c)
1
0
0 0.25 0.5 0.75 1
f
Fig V.8. Transformée de Fourier discrète et transformée de Fourier à temps discret
La figure (V.8a) représente la 𝒯ℱ𝒟 du signal s[n]. Les quatre échantillons de la 𝒯ℱ𝒟
superposés sur la courbe obtenue par la 𝒯ℱ𝒯𝒟 du signal discret, comme le montre la figure
(V.8c).
V-2-2 Transformée de Fourier Rapide. FFT (Fast Fourier

Transform)
La transformation de Fourier rapide est un algorithme de calcul de la transformation de

Fourier discrète 𝒯ℱ𝒟. Il est développé par James Wiliam Cooley et John Wilder Tukey en 1965.
Cette méthode permet de réduire énormément le temps de calcul. La 𝒯ℱ𝒟 est calculée à partir
de la relation (V.7) :
N−1
k
S(k) = ∑ s[n] e−2jπNn
n=0

Ainsi, pour calculer les N valeurs de S[k], on doit effectuer N2 multiplications complexes et
N
N(N - 1) additions. L’algorithme de Cooley-Tukey permet d’effectuer 2 log 2 (N) multiplications
Ln(N)
complexes où log 2 (N) = est le logarithme de base 2. La figure (V.9) montre que le
Ln(2)
nombre de multiplications complexes augmente plus vite dans le cas de la 𝒯ℱ𝒟 que dans le cas
de la FFT.
400
TFD
350 FFT
300
nombre de multiplications
250
200
150
100
50
0
0 5 10 15 20
N
Fig V.9. Evolution du nombre de multiplications dans le cas de la 𝒯ℱ𝒟 et la FFT
Exemple 3 : enregistrement d’un signal sonore dans un CD.

Le signal est échantillonné à une fréquence de 44100 Hz. Nous avons alors 44100 échantillons
par seconde. Pour écouter une minute de ce signal, il nous faut donc 44100 × 60 = 2 646 000
échantillons soit 7 001 316 000 000 multiplications complexes. L’algorithme de Cooley-Tukey
N
permet d’effectuer seulement 2 log 2 (N) = 28 226 710 multiplications complexes.
V-2-3 Analyse spectrale par la 𝓣𝓕𝓓

1- Fenêtre de pondération
La 𝒯ℱ𝒟 a été définie pour des signaux de durée finie. On ne connait pas la durée des signaux
réels. On observera donc, les signaux sur une durée finie NTe appelée durée d’observation, avec
N le nombre d’échantillons et Te la période d’échantillonnage. C’est la troncation des signaux
réels. Le signal tronqué sT[n] est le résultat de la multiplication du signal de durée infinie s[n]
par un signal appelé fenêtre d’analyse ou fenêtre de troncature w[n] qui limitera sT[n] à N
échantillons :
sT [n] = s[n] × w[n]
Cette fenêtre peut être un signal rectangulaire de largeur N :

1 si 0 ≤ n ≤ N − 1
wr [n] = {
0 ailleurs
Tronquer un signal, peut affecter son spectre. En effet :

sT [n] = s[n] × wr [n]
son spectre est :
ST [f] = S[f] ∗ Wr [f]
Or, d’après l’exercice 1 :
|Wr [f]| ∼ |sinc(Nf)|

La figure (V.10) représente le spectre du signal rectangulaire.
|Wr(f)|
2/N
-5/N -4/N -3/N -2/N -1/N 0 1/N 2/N 3/N 4/N 5/N
f
Fig V.10. Spectre du signal rectangulaire de durée N
Exemple 4 : sinusoïde tronquée.

On va étudier l’effet d’une troncation sur le signal sinusoïdal.
On considère un signal sinusoïdal s[n] = cos(2πf0n) (Fig.V.11a), que nous allons tronquer par
une fenêtre rectangulaire wr[n] de largeur N (Fig.V.11c).
1 si 0 ≤ n ≤ N − 1
wr [n] = {
0 ailleurs
Le signal s[n] = cos(2πf0n) a pour spectre :
1
S(f) = [δ(f + f0 ) + δ(f − f0 )]
2
La figure (V.11b) montre que toute l’énergie du spectre est concentrée à la fréquence de la
sinusoïde f0.
On va construire un signal tronqué sT[n] en multipliant le signal s[n] par une fenêtre
rectangulaire wr[n] de largeur N :
sT [n] = s[n] × wr [n]
Le spectre observé est :
1 1
ST [f] = S[f] ∗ Wr [f] = [δ(f + f0 ) + δ(f − f0 )] ∗ Wr [f] = [Wr (f + f0 ) + Wr (f − f0 )]
2 2

s[n] = cos(2f n)
0 spectre de s[n]
1
(a) (b)
-1
0
-f0 f0
signal rectangulaire w [n] de largeur N
r spectre du signal rectangulaire
1
(c)
(d)
0 0
0 N-1 -1/N0 1/N
signal tronqué s [n] spectre du signal tronqué
T
1
(e) 0 (f)
-1
0
0 N-1 -f0 f0
2/N
Fig V.11. Effet d’une troncation sur une sinusoïde tronquée
La figure (V.11f) montre que la convolution avec le spectre du signal rectangulaire, introduit
2
des ondulations sur le spectre. La raie à la fréquence f0 est devenue un lobe de largeur N, associée
à des lobes secondaires.
Après la troncation, l’énergie se répartie autour de la fréquence de la sinusoïde, c’est l’étalement
spectral. On observe également de l’énergie dans toutes les fréquences, c’est la fuite spectrale
(Fig V.12).
Etalement spectral Fuite spectrale
Fig V.12. Etalement et fuite spectrale

L’étalement et la fuite spectrale sont liés à la troncature. Plus le nombre d’échantillons N est
important, plus la fenêtre est large, plus le lobe principal est étroit, plus on approche du pic de
Dirac, mais ne réduit pas la hauteur des lobes secondaires (Fig.V.13).
150
N = 16
N = 64
100 N = 128
50
0
0.4 0.45 0.5 0.55 0.6
Fig V.13 Effet de la largeur de la fenêtre
2- Zéro padding
Si on observe via la 𝒯ℱ𝒟, on n’observera pas le spectre en continu la courbe rouge sur la figure
1
(V.14), (voir l’exemple 2), mais échantillonné avec un échantillon de ST(f) tous les N. Sur un
2
lobe de largeur on aura donc 3 points, les points bleus sur la figure (V.14).
N
1 f0 1
−
N N
Fig V.14. Observation via la 𝒯ℱ𝒟 avec N points
Les points bleus nous donnent la courbe verte de la figure (V.14) qui est loin de la sinc. Pour
améliorer la visualisation, on va augmenter l’échantillonnage fréquentielle de manière à avoir
plus de points. C’est le zéro padding.
Le zéro padding est donc le remplissage avec des zéros. On augmente artificiellement le nombre
d’échantillons en ajoutant des zéros. On ajoute N0 zéros à la suite sT[n] jusqu’à obtenir un
nouveau nombre d’échantillons N’ = N + N0, on aura alors :

sT′ [n] = [sT [0], sT [1], sT [2], … sT [N − 1], 0 , 0 , 0 … ]

On va prendre la 𝒯ℱ𝒟 de sT′ [n] sur N’ = N + N0 échantillons. Le spectre reste le même ST(f)
mais avec N’ points, on aura donc plus de points, ils seront plus rapprochés, on aura plus de
2
détails. Si N = N0, N’ = 2N, on aura donc 5 points sur le lobe de largeur N, les points bleus sur
la figure (V.15). La courbe verte a changé d’allure, elle tend vers le sinc.
−1 −1 f0 1 1
N 2N 2N N
Fig V.15. Zéro padding
Exemple 5 : La FFT d’un signal rectangulaire de largeur N = 16, sur 16 points, 32 points et
128 points
1.5
1
0.5
0
0 2 4 6 8 10 12 14 16
FFT sur 16 points de 16 échantillons d’une fenêtre rectangulaire
20
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1.5
1
0.5
0
0 5 10 15 20 25 30 35
FFT sur 32 points de 16 échantillons d’une fenêtre rectangulaire.
20
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
.
1.5
1
0.5
0
0 20 40 60 80 100 120 140
FFT sur 128 points de 16 échantillons d’une fenêtre rectangulaire
20
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig V.16. FFT sur 16, 32 et 128 points d’un signal rectangulaire de largeur N = 16

3- Types de fenêtre
On aimerait que la troncature du signal en temps sT [n] = s[n] × w[n] ne modifie pas son
spectre, ST [f] = S[f] ∗ W[f], c'est-à-dire que S(f) = ST(f), ce qui suppose que W[f] = ẟ[f]. La
fenêtre idéale est donc un Dirac. Malheureusement, les fenêtres présentent un lobe principal de
largeur non nulle L, et des lobes secondaires de hauteur non nulle, comme le montre la figure
(V.13).
Il existe plusieurs types de fenêtres. La figure (V.17) représente les principales fenêtres
utilisées : rectangulaire, triangulaire ou Bartlett, Hanning, Hamming et Blackmann. Elles ont
une grande ressemblance, mais leurs effets sont différents
0.8
0.6
w[n]
Rectangulaire
0.4
Bartlett
Hanning
Hamming
0.2
Blackman
0
0 10 20 30 40 50 60
n
Fig V.17. Réponses temporelles de différentes fenêtres
La transformée de Fourier discrète des différents types de fenêtres est représentée sur la figure
(V.18), en échelle linéaire et en échelle logarithmique pour bien mettre en évidence les lobes
secondaires. On constate que la fenêtre rectangulaire a le lobe principal le plus étroit mais ses
lobes secondaires sont les plus importants, au contraire celle de Blackman a les plus faibles
lobes secondaires, mais un lobe principal plus large.
La fenêtre est caractérisée par (Fig.V.19) :
➢ L : la largeur du lobe principal,
➢ A : le rapport des amplitudes du premier lobe secondaire et du lobe principal.
Le tableau (V.1) résume les caractéristiques de chaque type de fenêtre.

22
rectangulaire
20
Bartlett
18 Hanning
Hamming
16
Blackman
14
12
(a)
W[f]
10
8
6
4
2
0
0 0.2 0.4 0.6 0.8 1
f
40
20
-20
W[f] en dB
-40
(b)
-60
rectangulaire
-80 Bartlett
Hanning
Hamming
-100
Blackman
-120
0 0.2 0.4 0.6 0.8 1
f
Fig V.18. Spectres des différentes fenêtres

(a) échelle linéaire
(b) échelle logarithmique
A
-10
-20
-30
L
-40
-50
0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7
Fig V.19. Caractéristiques d’une fenêtre

Fenêtre Largeur du lobe central Amplitude des lobes secondaires en dB
Rectangulaire 2/N -13

Bartlett 4/N -27
Hanning 4/N -32
Hamming 4/N -43
Blackmann 6/N -58
Tableau V.1. Principales caractéristiques des fenêtres courantes
4- Résolution fréquentielle de l’analyse spectrale Rf
On considère un signal composé de deux sinusoïdes avec deux fréquences f1 et f2 très proches
dont le spectre est représenté sur la figure (V.20).
|S(f)|
0
0 f1 f2
f
Fig V.20. Spectre de deux sinusoïdes de fréquences très proches
Le signal est ensuite tronqué par une fenêtre. Si les deux fréquences sont très proches et les
deux lobes principaux sont trop larges, on ne peut pas distinguer les deux sinusoïdes sur le
spectre du signal.
On appelle alors la résolution fréquentielle
α
Rf = F (V.9)
N e
l’écart minimal entre deux fréquences pour qu’elles soient distinguable dans le spectre observé.
D’après le tableau (V.1), la largeur du lobe principal vaut :
α
L= (V.10)
N
avec αrectangle = 2 ; αB artlett = αHanning = αHamming = 4 et αBlackman = 6

α
➢ Si |f2 − f1 | > R f = Fe , alors il est possible de distinguer les deux fréquences f1 et f2. Le
N
spectre résultant en pointillait sur la figure (V.21a) permet de retrouver les deux fréquences.
α
➢ Si |f2 − f1 | < R f = N Fe , les lobes principaux de chacune seront très proches qu’il sera
difficile de distinguer avec certitude les deux fréquences. Le spectre résultant en pointillait
de la figure (V.21b) ne permet pas de retrouver les deux fréquences f1 et f2.
f1 f1
f2 f2
spectre résultant spectre résultant
L L
f1 f2 f1 f2
Δf = f2 – f1
Δf = f2 – f1
(a) (b)
Fig V.21. Résolution en fréquence
Si on fixe la résolution, alors on doit choisir le nombre d’échantillon N de sorte que :
α α Fe
|f2 − f1 | ≥ R f = F et N≥ (V.11)
N e |f2 − f1 |
La largeur du lobe principal définit la résolution fréquentielle de l'analyse spectrale, c'est-à-
dire l'aptitude à distinguer deux fréquences proches l'une de l'autre. Plus le lobe principal est
étroit, meilleur est la résolution fréquentielle.
Exemple 6 : Le spectre d’un signal composé de deux sinusoïdes à fréquences voisines,

s[n] = sin(2π 0.367 n) + sin(2π 0.39 n) en considérant N = 32, la largeur de la fenêtre.

fenêtre rectangulaire Bartlett

40 20
20 0
S[f]
S[f]
0 -20
-20 -40
-40 -60
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
f f
Hanning Hamming
50 20
0
0
S[f]
S[f]
-20
-50
-40
-100 -60
0 0.2 0.4 0.6 0.8 1 0 0,2 0.4 0.6 0.8 1
f f
Blackman
50
0
S[f]
-50
-100
0 0.2 0.4 0.6 0.8 1
f
Fig V.22. Spectre d’un signal composé de deux sinusoïdes à fréquences voisines. N = 32
D’après la figure (V.22), seule la fenêtre rectangulaire permet de distinguer les deux fréquences
voisines.
Si on prend N = 64, la figure (V.23) montre une amélioration de la résolution en fréquence pour
toutes les fenêtre sauf pour Blackman. Il faut augmenter d’avantage N pour la fenêtre de
Blackman.

fenêtre rectangulaire Bartlett

40 50
20 0
S[f]
S[f]
0 -50
-20
0 0,2 0.4 0.6 0.8 1 -100 0 0.2 0.4 0.6 0.8 1
f f
Hanning Hamming
50 40
20
0
S[f]
S[f] 0
-50
-20
-100
0 0,2 0.4 0.6 0.8 1 -400 0,2 0.4 0.6 0.8
f f
Blackman
50
0
S[f]
-50
-100
0 0,2 0.4 0.6 0.8 1
f
Fig V.23. Spectre d’un signal composé de deux sinusoïdes à fréquences voisines. N = 64

5- Résolution en amplitude de l’analyse spectrale Ra - la dynamique
On considère cette fois, un signal composé de deux sinusoïdes d’amplitudes très différentes
(Fig.V.24).
|S(f)| A1
A2
0 f1 f2
f
Fig V.24. Spectre de deux sinusoïdes d’amplitudes très différentes
Si l’écart est très important, le lobe principal en f2 est masqué par un lobe secondaire de f1. Ainsi
la figure (V.25) montre que :
Le lobe secondaire de f1, en pointillait bleu, ne cache pas le lobe principal de f2, en trait continu
rouge. Il ne va pas masquer la fréquence f2, (Fig.V.25a)
Le lobe secondaire de f1, en pointillait bleu, cache le lobe principal de f2, en trait continu vert.
Il va masquer la fréquence f2, (Fig.V.25b).
Lobe principal Lobe secondaire
f1
f1
f2
f2
f1 f2 f1 f2
(a) (b)
Fig V.25. Résolution en amplitude
La résolution en amplitude Ra, est la capacité à distinguer des raies spectrales de faible
amplitude proche d’une raie spectrale plus importante.
amplitude du lobe principal
Ra = (V.12)
amplitude du 1er lobe secondaire
A1 A
➢ Si A2
< R a ou bien en dB, 20 log A1 < 20 logR a c ′ est à dire A1dB − A2dB < R adB alors
2
les deux fréquences se distinguent l’une de l’autre.

A1
➢ Si > R a c ′ est à dire A1dB − A2dB > R adB alors les deux fréquences ne se distinguent
A2
pas l’une de l’autre.
La résolution en amplitude n’est pas fonction du nombre de points N de l’analyse mais dépend
du type de fenêtre utilisée.
En général les résolutions en fréquence et en amplitude sont d'autant meilleures que le lobe
principal est étroit et les lobes secondaires sont de faibles amplitudes. Malheureusement, aucune
fenêtre ne peut présenter ces deux caractéristiques. Il est nécessaire donc d’effectuer un
compromis entre ces deux propriétés.
Exemple 7 : Le spectre d’un signal composé de deux sinusoïdes ayant des amplitudes
différentes, s[n] = sin(2π 0.4 n) + 0.02 sin(2π 0.15 n) en considérant N = 32, la largeur de la
fenêtre.
On constate sur la figure (V.26) que le lobe principal en 0.15 est couvert par les lobes
secondaires de 0.4. La fenêtre rectangulaire ne permet pas de différencier correctement les deux
sinusoïdes. En revanche, le premier lobe principal en 0.15 devient visible dans le cas des
fenêtres de Bartlett, de Hanning de Hamming et de Blackman.
V-2-4 Représentation temps fréquence

1- Représentation d’un signal
a- Représentation temporelle
La représentation temporelle représente le signal en fonction du temps (Fig.V.27), mais ne

donne aucune information sur son contenu fréquentielle.
cos(2 440 t)
1
0.5
s(t)
0
-0.5
-1
0 0.005 0.01
t
Fig V.27. Représentation temporelle d’une sinusoïde

fenêtre rectangulaire fenêtre bartlett

40 20
20 0
S[f]
S[f]
0 -20
-20 -40
-40 -60
0 0,2 0.4 0.6 0.8 1 0 0,2 0.4 0.6 0.8 1
f f
Hanning Hamming
50 20
0
0
S[f]
S[f]
-20
-50
-40
-100 -60
0 0,2 0.4 0.6 0.8 1 0 0,2 0.4 0.6 0.8 1
f f
Blackman
50
0
S[f]
-50
-100
0 0,2 0.4 0.6 0.8 1
f
Fig V.26. Spectre d’un signal composé de deux sinusoïdes ayant des amplitudes différentes
b- Représentation fréquentielle
La représentation fréquentielle ou le spectre (Fig.V.28), représente le signal en fonction de la

fréquence, mais ne donne aucune information sur les localisations temporelles de ces
fréquences : existent-elles au début, à la fin ? On dit que la transformée de Fourier perd la
localisation.
0.4
Fig V.28. Représentation fréquentielle d’une
S(f)
sinusoïde
0.2
0
-500 0 500
f

c- Représentation temps fréquence
Elle donne l’évolution du contenu fréquentiel au cours du temps (Fig.V.29)
500
450
400
350
Frequency 300
250
200
150
100
50
0
0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
Time
Fig V.29. Représentation temps fréquence
2- Signal stationnaire et signal non stationnaire

a- Signal stationnaire
Un signal est stationnaire si ses caractéristiques spectrales ne varient pas dans le temps. Chaque
composante de fréquence existe à tout instant.
b- Signal non stationnaire
Un signal est non stationnaire si ses caractéristiques spectrales varient au cours du temps.
Chaque composante de fréquence existe à tout instant. Pour décrire ces signaux, on doit faire
appel à des représentations associant le temps et la fréquence.
Exemple 8 : signal chirp
Un signal chirp est un signal dont la fréquence varie. Si la fréquence varie linéairement avec
le temps, le signal chirp est linéaire (Fig.V.30).
s(t) = cos(2 200/6 t2)

1
0.5
chirp
0
-0.5
-1
0 0.2 0.4 0.6 0.8 1
t
Fig V.30. Signal chirp linéaire

3- Transformée de Fourier à court-terme 𝓣𝓕𝓒𝓣

Short Time Fourier Transform STFT
Transformée de Fourier locale
La 𝒯ℱ se fait sur toute la durée du signal, c’est pourquoi elle ne permet pas de localiser l’énergie
en fonction du temps alors que la transformée de Fourier à court-terme, 𝒯ℱ𝒞𝒯, estime le
contenu fréquentiel du signal localement autour de chaque instant t.
La 𝒯ℱ𝒞𝒯 découpe le signal en segment d’analyse au moyen d’une fenêtre w(t) (rectangle,
Hamming, …) où l’indice τ représente le positionnement temporel de cette fenêtre. Sur chacune
des segments obtenus on applique la transformée de Fourier classique. τ représente également
le positionnement du spectre correspondant (Fig.V.31). On obtient alors un ensemble de
spectres locaux. La juxtaposition de ces spectres locaux donne l’évolution du spectre en
fonction du temps.
s(t) fenêtre w(t-τ2)

fenêtre w(t-τ5)
fenêtre w(t-τ1) signal s(t)
τ1 τ2 τ3 τ4 τ5 temps
chevauchement segment
segment
FFT
f FFT FFT FFT

r FFT
é
q
u
e
n
e
τ1 τ2 τ3 τ4 τ5 temps
Fig V.31. Principe de la transformée de Fourier à court terme
La 𝒯ℱ𝒞𝒯 du signal s(t) est définie par :

+∞
𝒯ℱ𝒞𝒯[s(t)] = S(τ, f) = ∫ s(t) w(t − τ)e−jωt dt

−∞

➢ Plus la fenêtre est petite, plus la résolution temporelle est meilleure mais plus la résolution
fréquentielle est mauvaise.
➢ Plus la fenêtre est longue, plus la résolution fréquentielle est meilleure mais plus la
résolution temporelle est mauvaise.
C’est pourquoi il faut adopter un compromis entre la résolution temporelle et la résolution
fréquentielle.
4- Spectrogramme
Le spectrogramme est un diagramme associant à chaque instant τ d’un signal son spectre de
fréquence. C’est une représentation temps-fréquence.
Le spectrogramme représente le carré du module de la transformée de Fourier à court terme
𝒯ℱ𝒞𝒯.
200
Exemple 9 : 1) signal chirp s(t) = cos[2π ( ) t2]
6
500
450
400
350
Frequency (Hz)
300
250
200
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11
Time (s)
2) s(t) = sin(2 π 4400 t) + sin(2 π 6000 t)

10000
9000
8000
X: 0.2022
7000 Y: 6035
Z: -26.41
Frequency (Hz)
6000
X: 0.5802
Y: 4395
5000 Z: -20.3
4000
3000
2000
1000
0
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Time (s)

V-5 CONVOLUTION
V-5-1 Définition
Le produit de convolution permet de relier l’entrée, la sortie et la réponse impulsionnelle d’un

système.
Le produit de convolution de deux signaux discrets est défini par :
+∞ +∞
y[n] = h[n] ∗ x[n] = ∑ h[k] x[n − k] = ∑ x[k] h[n − k] (V.13)

k=−∞ k=−∞
En pratique, le produit de convolution est obtenu par la procédure suivante :

1. inverser l’un des signaux : x[k] → x[−k],
2. le translater d’une distance n : x[−k] → x[n − k],
3. multiplier les deux signaux point par point,
4. faire la somme des produits pour toutes les valeurs possibles de k pour avoir y[n] à
l’instant n,
5. recommencer ces opérations en ② pour toutes les valeurs de n pour avoir l’ensemble de la
fonction y[n] = h[n] ∗ x[n].
Exemple 10 : Trouver le produit de convolution des deux signaux suivants :

an si n ≥ 0
x[n] = { h[n] = n[n] − u[n − N]
0 si n < 0
Les signaux x[n) et h[n] sont représentés sur la figure (V.32).
1 1
a^2
h[n]
x[n]
0 0
0 5 10 0 N -1 5 10
n n
Fig V.32. Signaux x[n] et h[n]

+∞
y[n] = h[n] ∗ x[n] = ∑ h[k] x[n − k]

k=−∞
ère
1 étape : inversion du signal : x[k] → x[−k]
La figure (V.33) représente la version inversée du signal x[n].

1
a^2
x[-k]
0
-10 -5 0
Fig V.33. Signal x[n] inversé
2ème étape : translation d’une distance n : x[−k] → x[n − k]
1
x[n - k]
0
n 0
Fig V.34. Signal x[n] inversé et translaté
3ème étape : multiplication des deux signaux x[n – k] et h[k] point par point,
1
x[n-k] h[k]
0
nn00 N-1
N-1
0
Fig V.35. Signaux x[n – k] et h[k]
❑ Dans le cas de la figure (V.35) le produit est nul, par suite le produit de convolution est nul
aussi. Ceci est valable tant qu’il n’y ait aucune intersection entre x[n-k] et h[k]. A la limite
on aura le cas de la figure ci-dessous relative à la translation n = 0.
D’où
y[n] = h[n] ∗ x[n] = 0 pour tout n < 0 ①

1
x[n-k] h[k]
0
0
0 N-1
N-1
n
Fig V.36. Translation n = 0
❑ Si on continue la translation jusqu’à ce que n dépasse zéro comme le montre la figure

(V.37) ci-dessous :
1
x[n-k] h[k]
0
0 N-1
0 n N-1
0
Fig V.37. Translation n>0
les deux signaux ont une partie commune qui se trouve entre zéro et n, par suite le produit de
convolution est :
+∞ n n
n−k
1 − a−(n+1)
y[n] = h[n] ∗ x[n] = ∑ h[k] x[n − k] = ∑ a = a ∑ a−k = an
n
1 − a−1
k=−∞ k=0 k=0
1 − a−(n+1)
y[n] = h[n] ∗ x[n] = an ②
1 − a−1
Au fur et à mesure que le signal x[n – k] continue sa translation vers la droite, le nombre
d’échantillons communs entre x[n – k] et le signal h[k] augmente jusqu’à ce qu’on atteigne la
valeur maximale pour n = N -1, comme le montre la figure (V.38).
La relation ② est donc valable pour toute translation 0 ≤ n < N.

1
x[n-k] h[k]
0
00 N-1
N-1
n 0
Fig V.38. Translation n > 0, nombre maximum d’échantillons communs
❑ Le signal x[n – k] se déplace toujours vers la droite et il dépasse la partie non nulle de
h[k] (Fig(V.39)):
h[k] x[n-k]
0
0 N-1 n
0
Fig V.39. Translation n > 0, x[n – k] dépasse la partie non nulle de h[k]
La partie commune entre les deux signaux se trouve maintenant entre zéro et N – 1 et le
nombre d’échantillons en commun reste constant. D’où :
+∞ N−1 N−1
n−k n −k
1 − a−N
n
y[n] = h[n] ∗ x[n] = ∑ h[k] x[n − k] = ∑ a =a ∑a =a
1 − a−1
k=−∞ k=0 k=0
1 − a−N
n
y[n] = h[n] ∗ x[n] = a ③
1 − a−1
ce résultat est valable pour toute translation n ≥ N.

finalement
0 si n<0
−(n+1)
1 − a
an si 0 ≤ n < N
y[n] = h[n] ∗ x[n] = 1 − a−1
n
1 − a−N
{ a si n≥N
1 − a−1

V-5-2 Convolution des séquences finies
Si le signal x[n] est de dimension N et h[n] de dimension M et les signaux sont causaux, le
produit de convolution est :
N−1 M−1
y[n] = x[n] ∗ h[n] = ∑ x[k] h[n − k] = ∑ h[k] x[n − k] (V.14)

k=0 k=0
La dimension du signal y[n] est N + M – 1.

Si x[n] et h[n] sont de dimension N, le produit de convolution est :
N−1
y[n] = x[n] ∗ h[n] = ∑ x[k] h[n − k] (V.15)

k=0
La dimension de y[n] est 2N – 1.

Si x[n] et h[n] sont des séquences limitées sur [N1 , N2] et [M1 , M2] respectivement, le produit
de convolution est défini sur l’intervalle [ N1 + M1 , N2 + M2].
Exemple 11 :
x[n] = [1 , 2 , 1] ; h[n] = [-1 , 2]
N−1 2
y[n] = x[n] ∗ h[n] = ∑ x[k] h[n − k] = ∑ x[k] h[n − k]

k=0 k=0
2
y[0] = ∑ x[k] h[−k] = x[0]h[0] + x[1]h[−1] + x[2]h[−2]

k=0
= 1 × (−1) + 2 × 0 + 1 × 0 = −1
2
y[1] = ∑ x[k] h[1 − k] = x[0]h[1] + x[1]h[0] + x[2]h[−1]

k=0
= 1 × 2 + 2 × (−1) + 1 × 0 = 0
y[2] = ∑ x[k] h[2 − k] = x[0]h[2] + x[1]h[1] + x[2]h[0]

k=0
= 1 × 0 + 2 × 2 + 1 × (−1) = 3
y[3] = ∑ x[k] h[3 − k] = x[0]h[3] + x[1]h[2] + x[2]h[1]

k=0
=1×0+2×0+1×2= 2
y[n] = [-1 , 0 , 3 , 2] défini dans l’intervalle [0 , 3] est représenté sur la figure (V.40).

x[n]
3
0
0 1 2 3
h[n]
3
2
1
0
-1
0 1 2 3
y[n] = x[n] * h[n]

3
2
1
0
-1
0 1 2 3
Fig V.40. Convolution de deux séquences finies
On peut déterminer rapidement la convolution en effectuant la multiplication en commençant

de la gauche :
x[n] = 1 2 1
×
h[n] = -1 2
-1 -2 -1
+ . 2 4 2
y[n] = -1 0 3 2
V-5-3 Convolution périodique – circulaire

a) Définition
La convolution normale de deux signaux périodiques n’existe pas. Il faut faire la convolution
périodique ou circulaire.
Si x[n] et h[n] sont tous deux périodiques avec la même période N, alors leur convolution
périodique produira une séquence y[n] périodique et ayant la même période N.

La convolution périodique est définie par :

N−1
yp [n] = xp [n]⨂hp [n] = ∑ x[k] h[n − k] (V.16)

k=0
xp[n] représente x[n] périodique.
Exemple 12 : Calculer la convolution circulaire des séquences suivantes :

xp[n] = [1 , 0 , 1 , 1] ; hp[n] = [1 , 2 , 3 , 1]
Les deux signaux sont périodiques de période N = 4 (Fig V.41).
x[n]
1
0.8
0.6
0.4
0.2
0
-4 -2 0 2 4 6 8
h[n]
0
-4 -2 0 2 4 6 8
Fig V.41. Deux séquences périodiques
N−1 3
yp [n] = xp [n]⨂hp [n] = ∑ x[k] h[n − k] = ∑ x[k] h[n − k]

k=0 k=0
3
yp [0] = ∑ x[k] h[−k] = x[0]h[0] + x[1]h[−1] + x[2]h[−2] + x[3]h[−3]

k=0
=1×1+0×1+1×3 +1×2= 6
yp [1] = ∑ x[k] h[1 − k] = x[0]h[1] + x[1]h[0] + x[2]h[−1] + x[3]h[−2]

k=0
= 1×2+0×1+1×1+1×3= 6

yp [2] = ∑ x[k] h[2 − k] = x[0]h[2] + x[1]h[1] + x[2]h[0] + x[3]h[−1]

k=0
= 1×3+0×2+1×1+1×1= 5
2
yp [3] = ∑ x[k] h[3 − k] = x[0]h[3] + x[1]h[2] + x[2]h[1] + x[3]h[0]

k=0
= 1×1+0×3+1×2+1×1= 4
finalment
yp [n] = xp [n]⨂hp [n] = [6 , 6 , 5 , 4]
On peut déterminer rapidement la convolution périodique en suivant les étapes suivantes :

1. Faire la convolution classique d’une période. Le produit de convolution aura 2N – 1
échantillons
2. On ajoute un zéro à la fin pour avoir 2N échantillons.
3. On coupe la réponse en deux et on fait la somme des deux moitiés.
Appliquons cette méthode pour l’exemple 12.
xp[n] = 1 0 1 1
×
hp[n] = 1 2 3 1
1 0 1 1
+ . 2 0 2 2
. 3 0 3 3
. 1 0 1 1
= 1 2 4 4 5 4 1 0
On coupe le résultat obtenu et on fait la somme des deux moitiés :
1 2 4 4
+ 5 4 1 0
= 6 6 5 4
Finalement on retrouve le résultat précédent.
b) Convolution et 𝓣𝓕𝓓
La transformée de Fourier discrète de la convolution circulaire est le produit des transformées
de Fourier discrètes, cependant la transformée de Fourier discrète de la convolution classique
n’est pas le produit des transformées de Fourier discrètes.

𝓣𝓕𝓓
xp [n] ⨂ yp [n] ⇒ X p [k] × Yp [k] (V.17)
et
𝓣𝓕𝓓
xp [n] × yp [n] ⇒ X p [k]⨂Yp [k]
mais
xp [n] ∗ yp [n] ⇏ Xp [k] × Yp [k]
On suppose que x[n] et y[n] sont deux séquences bornées de taille M et N respectivement, la
convolution circulaire coïncide avec la convolution classique en remplissant de zéros chaque
séquence jusqu’à M + N – 1.
Exemple 13 : Dans quelle condition la convolution circulaire coïncide avec la convolution

classique pour les signaux suivants : xp[n] = [1 , 0 ] ; hp[n] = [1 , 2]
xp[n] = 1 0
×
hp[n] = 1 2
1 0
+ . 2 0
= 1 2 0
La convolution classique est :

yp [n] = xp [n] ∗ hp [n] = [1 2 0]
Après avoir ajouté un zéro, coupé le résultat obtenu en deux et fait la somme des deux moitiés,
on obtient la convolution circulaire :
zp [n] = xp [n]⨂hp [n] = [ 1 2]
qui est différente de la convolution classique.
xp[n] et yp[n] sont deux séquences de taille M = 2 et N = 2 respectivement, ajoutons des zéros
de telle manière que la taille de chaque séquence soit égale à M + N – 1 = 2 + 2 + 1 = 3.
xp[n] = 1 0 0
×
hp[n] = 1 2 0
1 0 0
+ . 2 0 0
. 0 0 0
= 1 2 0 0 0
La convolution circulaire est alors égale à [1 2 0] qui concorde bien avec la convolution
classique.

V-6 CORRELATION
La corrélation permet de comparer deux signaux pour mesurer leur ressemblance. La
corrélation entre deux signaux discrets réels x[n] et y[n] est défini par :
+∞ +∞
Cxy [k] = ∑ x[n] y[n − k] = ∑ x[n − k] y[n] (V.18)

n=−∞ n=−∞
Intercorrélation
+∞
Cxx [k] = ∑ x[n − k] x[n] (V.19)

n=−∞
Autocorrélation
Signaux à puissance moyenne finie
+N
1
Cxy [k] = lim ∑ x[n] y[n − k] (V.20)
N→∞ 2N + 1
n=−N
+N
1
Cxx [k] = lim ∑ x[n] x[n − k] (V.21)
N→∞ 2N + 1
n=−N
Signaux périodiques de période N

N−1
1
Cxy [k] = ∑ x[n] y[n − k] (V.22)
N
n=0
N−1
1
Cxx [k] = ∑ x[n] x[n − k] (V.23)
N
n=0
Les fonctions de corrélation sont des signaux numériques périodiques de même période N que
les signaux x[n] et y[n].
Si x[n] est de dimension N et y[n] de dimension M, la fonction de corrélation est :
N−1
Cxy [k] = ∑ x[n] y[n − k] avec k ∈ [0 , M + N − 1]

n=0
M−1
= ∑ x[n + k] y[n] (V.24)

n=0
Si x[n] et y[n] sont de dimension N :

N−1
Cxy [k] = ∑ x[n] y[n − k] (V.25)

n=0
En pratique, la fonction de corrélation est obtenue en suivant les étapes suivantes :

1. décaler l’un des signaux d’une distance k : y[n] → y[n − k],

2. multiplier les deux signaux point par point : x[n] y[n − k]
3. faire la somme des produits pour toutes les valeurs de n pour avoir Cxy [k] à l’instant k,
4. recommencer ces opérations en ① pour toutes les valeurs de n.
Exemple 13 : Trouver l’autocorrélation de x[n] = an u[n] avec 0 < a < 1
anu[n]
1
a
a^3
a^5
0
-4 -3 -2 -1 0 1 2 3 4 5
Pour une translation k < 0

anu[n]
1
a
a^3
a^5
0
-4 -3 -2 -1 0 1 2 3 4 5
k
Fig V.42. Signal x[n] et sa version translatée k < 0
+∞ +∞ +∞
n (n−k) −k
a−k
Cxy [k] = ∑ x[n] x[n − k] = ∑ a a =a ∑ a2n =
1 − a2
n=0 n=0 n=0
L’énergie est :
1
Cxy [0] =
1 − a2
Pour une translation k > 0
+∞ +∞ +∞
n (n−k) −k
a2k ak
Cxy [k] = ∑ x[n] x[n − k] = ∑ a a =a ∑ a2n = a−k =
1 − a2 1 − a2
n=k n=k n=k

anu[n]
1
a
a^3
a^5
0
-4 -3 -2 -1 0 1 2 3 4 5
k
Fig V.43. Signal x[n] et sa version translatée k > 0
L’énergie est :
1
Cxy [0] =
1 − a2
En résumé :
a|k| 1
Cxy [k] = 1−a2 et Cxy [0] = 1−a2
Exemple 14 : Calculer la corrélation x[n] = [1 , 0.5 , -1] y[n] = [-1 , 1] :
dim de x[n] est N = 3

dim de y[n] est M = 2
N−1 2
Cxy [k] = ∑ x[n] y[n − k] = ∑ x[n] y[n − k]

n=0 n=0
Cxy(k) est de dimension N + M - 1 = 3 + 2 – 1 = 4.

2
Cxy [0] = ∑ x[n] y[n] = x[0]y[o] + x[1]y[1] + x[2]y[2]

n=0
= 1 × (−1) + 0.5 × 1 + (−1) × 0 = −0.5
2
Cxy [1] = ∑ x[n] y[n − 1] = x[0]y[−1] + x[1]y[0] + x[2]y[1]

n=0
= 1 × 0 + 0.5 × (−1) + (−1) × 1 = −1.5
2
Cxy [2] = ∑ x[n] y[n − 2] = x[0]y[−2] + x[1]y[−1] + x[2]y[0]

n=0
= 1 × 0 + 0.5 × 0 + (−1) × (−1) = 1
2
Cxy [−1] = ∑ x[n] y[n + 1] = x[0]y[1] + x[1]y[2] + x[2]y[3]

n=0
= 1 × 1 + 0.5 × 0 + (−1) × 0 = 1

Finalement
Cxy [k] = [1 , −0.5 , −1.5 , 1]
L’intercorrélation est représentée sur la figure (V.44).
Intercorrélation
1
0.5
Cxy[k]
0
-0.5
-1
-1.5
-2
-3 -2 -1 0 1 2 3
k
Fig V.44. Intercorrélation Cxy [k]
V-7 TRANSFORMEE EN Z 𝓣𝓩
La transformée en Z est aux systèmes en temps discrets ce que la transformée de Laplace est
aux systèmes en temps continus.
V-7-1 Définition
On considère un signal discret x[n], sa transformée en 𝒵 est donnée par :
+∞
𝒯𝒵{x[n]} = X(z) = ∑ x[n]z −n (V.26)

n=−∞
Avec z une variable complexe z = rejφ. C’est la transformée en Z bilatérale.

La transformée en 𝒵 unilatérale est définie par :
+∞
𝒯𝒵{x[n]} = X(z) = ∑ x[n]z −n (V.27)

n=0
Exemple 15 :
x[n] = [1 , 2 , 3 , 5 , 0 , 2]
5
𝒯𝒵{x[n]} = X(z) = ∑ x[n]z −n

n=0
= x[0] + x[1] z −1 + x[2] z −2 + x[3] z −3 + x[4] z −4 + x[5] z −5

d’où
X[z] = 1 + 2 z-1 + 3 z-2 + 5 z-3 + 2 z-5

V-7-2 Domaine de convergence

Comme pour la transformée de Laplace, parler de transformée en 𝒵 n’a de sens que si l’on
précise le domaine des valeurs de z pour lesquelles cette série existe, c’est son domaine de
convergence.
Pour déterminer le domaine de convergence d’une série, on utilise le théorème de Cauchy :
+∞
1
∑ un = u0 + u1 + u2 + ⋯ converge si lim |un |n < 1 (V.28)
n→∞
n=0
Pour appliquer ce critère, on décompose la série en deux séries :

+∞ −1 +∞
−n −n
X(z) = ∑ x[n]z = ∑ x[n]z + ∑ x[n]z −n = X1 (z) + X 2 (z)
n=−∞ n=−∞ n=0
X1(z) : la 𝒯𝒵 d’une séquence anti causale, ne comportant des éléments que pour les valeurs
négatives de l’indice.
X2(z) : la 𝒯𝒵 d’une séquence causale, ne comportant des éléments que pour les valeurs positives
de l’indice.
➢ Appliquons le critère de Cauchy à la série X2(z)
1 1
lim |x[n]z −n |n < 1 soit lim |x[n]n z −1 | < 1
n→∞ n→∞
On pose
1
R − = lim |x[n]|n
n→∞
d’où
1
lim |x[n]n | = R − < z
n→∞
La série X2(z) converge donc pour |z| > R − . La figure (V.45) montre que z doit être à
l’extérieur d’un cercle de rayon R-.
ℐ𝓂(z)
Domaine de convergence
R-
ℛℯ(z)
Fig V.45. Domaine de convergence pour une séquence causale

➢ Appliquons le critère de Cauchy à la série X1(z)

−1
X1 (z) = ∑ x[n]z −n
n=−∞
Posons p = -n
+∞
X1 (z) = ∑ x[−p]z p
p=+1
La série converge si :
1
lim |x[−p]z p |p < 1
p→∞
et
1
lim |x[−p]𝑝 z| < 1
p→∞
par la suite
1 −1
|z| < [ lim |x[−p]p |] = R+
p→∞
La figure (V.46) montre que z doit être à l’intérieur d’un cercle de rayon R+.
ℐ𝓂(z)
R+
ℛℯ(z)
Domaine de convergence
Fig V.46. Domaine de convergence pour une séquence anti causale
➢ Appliquons le critère de Cauchy à la série 𝐗(𝐳) = 𝐗 𝟏 (𝐳) + 𝐗 𝟐 (𝐳)

En tenant compte des deux résultats précédents et en superposant les deux domaines de
convergence, la série X(z) converge donc dans un anneau du plan complexe z appelé anneau de
convergence illustré sur la figure (V.47).
R − < |z| < R +

ℐ𝓂(z)
R+
R- ℛℯ(z)
anneau de convergence
Fig V.47. Anneau de convergence
V-7-3 Exemples
1- Impulsion
x[n] = ẟ[n]
+∞ 0
−n
X(z) = ∑ x[n]z = ∑ z −0 = 1
n=−∞ n=0
𝒯𝒵{ẟ[n]} = 1 (V.29)
La transformée en 𝒵 existe partout, ∀ z ∈ ℂ.
2- Echelon
x[n] = u[n]
+∞ +∞
X(z) = ∑ u[n]z −n = ∑ z −n = 1 + z −1 + z −2 + ⋯
n=−∞ n=0
C’est une suite géométrique de raison z-1, d’où :

1 z
X(z) = −1
=
1−z z−1
1 z
𝒯𝒵{u[n]} = = (V.30)
1 − z −1 z − 1
Appliquons le critère de Cauchy pour trouver le domaine de convergence :
1 1
lim |u[n]z −n |n < 1 , lim |z −n |n < 1 lim |z −1 | < 1 d′ où |z| > 1
n→∞ n→∞ n→∞
La transformée en 𝒵 existe donc pour |z| > 1. Le domaine de convergence est à l’extérieur du
cercle unité.

𝐚𝐧 𝐬𝐢 𝐧≥𝟎
3- 𝐱 𝟏 [𝐧] = 𝐚𝐧 𝐮[𝐧] = {
𝟎 𝐬𝐢 𝐧<𝟎
x [n] = an u[n]
1
1
a
a^4
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Fig V.48. Signal causal x1 [n] = an u[n]
Le signal x1[n] représenté sur la figure (V.48) est un signal causal.

+∞ +∞ +∞
X(z) = ∑ an u[n] z −n = ∑ an z −n = ∑[a z −1 ]n = 1 + a z −1 + a2 z −2 + ⋯

n=−∞ n=0 n=0
-1
C’est une suite géométrique de raison a z , d’où :
1 z
X(z) = −1
=
1−az z−a
1 z
𝒯𝒵{an u[n]} = = (V.31)
1 − a z −1 z − a
1 1
1
lim |x[n]z −n |n = lim |an u[n] z −n |n = lim |a z −1 | < 1 → lim |z −1 | < |𝑎|
n→∞ n→∞ n→∞ n→∞
et par suite |z| > |a|

La transformée en 𝒵 existe donc pour |z| > |a|. Le domaine de convergence est à l’extérieur
du cercle de rayon |a|. Le signal est causal.
−𝐚𝐧 𝐬𝐢 𝐧 < −𝟏
4- 𝐱 𝟐 [𝐧] = −𝐚𝐧 𝐮[−𝐧 − 𝟏] = {
𝟎 𝐬𝐢 𝐧 ≥ −𝟏
Le signal x2[n] représenté sur la figure (V.49) est un signal anti causal.

x [n] = -an u[-n - 1]

2
0
a^4
-a
-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Fig V.49. Signal anti causal x2 [n] = −an u[−n − 1]
+∞ −1
n −n
X(z) = ∑ −a u[−n − 1] z = − ∑ an z −n
n=−∞ n=−∞
Posons p = -n
+∞ +∞ +∞
X(z) = − ∑ a−p z p = 1 − ∑ a−p z p = 1 − ∑[a−1 z]p

p=1 p=0 p=0
C’est une suite géométrique de raison a-1 z d’où :

1 − a−1 z 1 z
X(z) = 1 − = = =
1 − a−1 z 1 − a−1 z 1 − a z −1 z−a
1 z
𝒯𝒵{−an u[−n − 1]} = = (V.32)
1 + a z −1 z − a
Cherchons le domaine de convergence :
1 1
lim |x[n]z −n |n = lim |a−𝑝 u[n] z 𝑝 |𝑝 = lim |a−1 𝑧| < 1 → lim |z| < |a|
n→∞ p→∞ p→∞ p→∞
et par suite |z| < |a|

La transformée en 𝒵 existe donc pour |z| < |a|. Le domaine de convergence est à l’intérieur
du cercle de rayon |a|, car le signal est anti causal.
x1[n) et x2[n] sont deux signaux différents admettant des transformées en 𝒵 ayant même
expressions mais des domaines de convergence différents.
V-7-4 Transformée en 𝓩 inverse

On calcule la transformée en 𝒵 à partir de la relation suivante :
1
x[n] = ∮ X(z) z n−1 dz (V.33)
2πj 𝒞
𝒞 représente un contour d’intégration qui enferme l’origine.

V-7-5 Propriétés
1- Linéarité
Supposons que :
𝒯𝒵{x1 [n]} = X1 (z)

𝒯𝒵{x2 [n]} = X2 (z)
et
x[n] = a1 x1[n] + a2 x2[n]
alors
+∞ +∞ +∞
−n −n
X(z) = ∑ x[n]z = a1 ∑ x1 [n] z + a2 ∑ x2 [n] z −n = a1 X1 (z) + a2 X2 (z)
n=−∞ n=−∞ n=−∞
La transformée en 𝒵 est une opération linéaire.
2- Décalage
Soit y[n] = x[n – n0]

+∞ +∞
−n
Y(z) = ∑ y[n] z = ∑ x[n − n0 ] z −n
n=−∞ n=−∞
Posons n – n0 = p
+∞ +∞
Y(z) = ∑ x[p] z −(p+n0) = z −n0 ∑ x[p] z −p = z −n0 X(z)

p=−∞ p=−∞
Finalement
si
𝒯𝒵{x[n]} = X(z)
alors
𝒯𝒵{x[n − n0 ]} = z −n0 X(z) (V.34)
C’est le théorème du retard.
Multiplier une transformée en 𝒵 par z-1, revient donc à retarder la séquence d’une unité.
x[n] z-1 x[n - 1]

Exemple 16 :
a)
𝒯𝒵{δ[n]} = 1
𝒯𝒵{δ[n − k]} = z −k 𝒯𝒵{δ[n]} = z −k
b)
z
𝒯𝒵{u[n]} =
z−1
z z −k
𝒯𝒵{u[n − k]} = z −k 𝒯𝒵{u[n]} = z −k =
z−1 1 − z −1
Exercice 1 :
Déterminer la transformée en 𝒵 d’un signal rectangulaire causal :
1 si 0≤n<N−1
x[n] = {
0 ailleurs
Réponse :
On peut écrire le rectangle en fonction des échelons :
x[n] = u[n] − u[n − N]
et en appliquant le résultat de l’exemple (16b), on trouve :
1 − z −N
𝒯𝒵{x[n]} =
1 − z −1
3- Séquence avancée
Soit y[n] = x[n + n0]

+∞ +∞
−n
Y(z) = ∑ y[n] z = ∑ x[n + n0 ] z −n
n=0 n=0
Posons n + n0 = p
+∞ +∞ n0 −1
Y(z) = ∑ x[p] z −(p−n0) = z n0 [∑ x[p] z −p − ∑ x[p] z −p ]

p=𝑛0 p=0 p=0
finalement
n0 −1
Y(z) = 𝒯𝒵{x[n + n0 ]} = z n0 [X(z) − ∑ x[p] z −p ] (V.35)

p=0

Cas particuliers
𝒯𝒵{x[n + 1]} = z [X(z) − x[0]] (V.36)

𝒯𝒵{x[n + 2]} = z 2 [X(z) − x[0] − 𝑧 −1 𝑥[1]] (V.37)
4- Produit de convolution

+∞
𝑥[n] ∗ y[n] = ∑ x[k] y[n − k]

k=−∞
sa transformée en 𝒵 est :
+∞ +∞
𝒯𝒵{x[n] ∗ y[n]} = ∑ [ ∑ x[k] y[n − k]] z −n

p=−∞ k=−∞
Posons n – k = p et conservons p et k comme indice de sommation ; il vient :

+∞ +∞
𝒯𝒵{x[n] ∗ y[n]} = ∑ [ ∑ x[k] y[p]] z −(k+p)

p=−∞ k=−∞
Les sommations sont indépendantes :

+∞ +∞
−k
𝒯𝒵{x[n] ∗ y[n]} = ∑ x[k] z ∑ y[p] z −p = X(z) Y(z)
k=−∞ p=−∞
La transformée en 𝒵 change le produit de convolution en un produit simple.
Exemple 17 : calculer la transformée en 𝒵 du produit de convolution des séquences suivantes :

x[n] = 2an u[n] et y[n] = ẟ[n-1]
On connait les transformées en Z de ces séquences :
D’après la relation (V.31) :
2
X(z) =
1 − a z −1
et les relations (V.29) et (V.34) nous permet d’écrire :
Y(z) = 𝒯𝒵{δ[n − 1]} = z −1 𝒯𝒵{δ[n]} = z −1
finalement
2 z −1
𝒯𝒵{x[n] ∗ y[n]} = X(z)Y(z) =
1 − a z −1

5- Changement d’échelle
Soit y[n] = an x[n]

+∞ +∞ +∞
−n n −n
z
Y(z) = ∑ y[n] z = ∑ a x[n]z = ∑ x[n][a−1 z]−n = X( )
a
n=0 n=0 n=0
finalement
z (V.38)
𝒯𝒵{an x[n]} = X( )
a
6- Théorèmes limites
La transformée en 𝒵 d’une séquence causale x[n] est :

+∞
𝒯𝒵{x[n]} = X(z) = ∑ x[n]z −n = x[0] + x[1]z −1 + x[2]z −2 + ⋯

n=0
❑ Valeur initiale :
lim X(𝑧) = x[0] = lim x[n] (V.39)

z→∞ n→0
❑ Valeur finale :
lim x[n] = x[∞] = lim(z − 1)X(z) (V.40)

n→∞ z→1
Exemple 18 :
z
X(z) =
z−1
z
x[0] = lim X(z) = lim =1
z→∞ z→∞ z − 1
z
x[∞] = lim x[n] = lim(z − 1)X(z) = lim(z − 1) =1
n→∞ z→1 z→1 z−1
1 z
C’est l’échelon, et 𝒯𝒵{𝑢[𝑛]} = =
1+z−1 z−1
7- Transformée en 𝓩 – Transformée de Fourier
Transformée de Fourier :
+∞
ν
X(f) = ∑ x[n] e−2jπfn avec f = ∶ fréquence normalisée
Fe
n=−∞

Transformée en 𝒵 :
+∞
X(z) = ∑ x[n]z −n
n=−∞
Par comparaison :
ν
2jπ
X(f) = X(z) lorsque z = e2jπf = e Fe
La transformée de Fourier est obtenue en parcourant la transformée en 𝒵 sur le cercle unité.
V-7-6 Méthodes de calcul de la transformée en 𝓩 inverse

1- Séquences finies
Pour les séquences finies, X(z) a une forme polynomiale qui donne immédiatement la
transformée en 𝒵 inverse x[n].
Exemple 19 :
Soit X(z) = 3z-1 + 5z-3 + 2z-4
Le polynôme donne directement la séquence : x[n] = 3ẟ[n – 1] + 5ẟ[n – 3] + 2ẟ[n – 4]
par suite
x[n] = [0 , 3 , 0 , 5 , 2]
2- fonction rationnelle
a- Division selon les puissances de z-1
Si X(z) est une fonction rationnelle, on peut utiliser la division pour retrouver la transformée en
𝒵 inverse.
Si le signal est causal, on place le numérateur et le dénominateur en ordre croissant de puissance
en z, puis on effectue la division pour obtenir des valeurs décroissantes de z.
Exemple 20 : calculer la transformée en 𝒵 inverse du système suivant :

1
X(z) = pour |z| > 1
1 − z −1
Après la division euclidienne, on trouve :
1
X(z) = −1
= 1 + z −1 + z −2 + z −3 + ⋯
1−z
On déduit alors :

0 si n<0
x[0] = 1
x[1] = 1
x[n] = d’où x[n] = u[n]
x[2] = 1
x[3] = 1
{ …
Rien ne nous informe sur le comportement analytique de x[n] pour les valeurs de n > 3. Pour
en savoir plus, on est obligé de poursuivre les divisions. C’est l‘inconvénient de cette méthode.
Si le signal est anti causal, on place le numérateur et le dénominateur en ordre décroissant de
puissance en z, puis on effectue la division pour obtenir des valeurs croissantes de z.
Exemple 21 : calculer la transformée en 𝒵 inverse du système suivant :

1
X(z) = pour |z| < 1
1 − z −1
Cette fois le signal est anti causal, la division euclidienne nous donne :
1
X(z) = = −z − z 2 − z 3 − ⋯
1 − z −1
On déduit alors :
0 si n ≥ 0
x[−1] = −1
x[n] = 𝑥[−2] = −1 d’où x[n] = −u[−n − 1]
𝑥[−3] = −1
{ …
b- Décomposition en élément simple

L’élément de base de la méthode est :
1 z
𝒯𝒵{an u[n]} = =
1 − a z −1 z − a
La fonction X(z) est une fonction polynomiale :
N(z)
X(z) =
D(z)
Les racines de N(z) = 0, sont appelées les zéros zi . Nous pouvons écrire le numérateur N(z)
sous la forme :
N(z) = K1 (z − z1 ) (z − z2 ) (z − z3 )… (z − zk ) avec k1 une constante
Ou bien
k
N(z) = K1 ∏(z − zi ) avec i = 1, 2, … k

i=1

Les racines de D(z) = 0, sont appelées les pôles pi . Le dénominateur peut être écrit sous la
forme :
D(z) = K 2 (z − p1 ) (z − p2 ) (z − p3 )… (z − pm ) avec k 2 une constante
Ou bien
m
D(z) = K 2 ∏(z − pi ) avec i = 1, 2, … m

i=1
La fonction X(z) peut s’écrire sous la forme :
N(z) K1 ∏ki=1(z − zi )
X(z) = =
D(z) K 2 ∏m
i=1(z − pi )
➢ Pôles simples
On suppose que d° [N(p)] < d° [D(p)].
N(z) N(z)
X(z) = =
D(z) (z − p1 )(z − p2 ) … (z − pm )
A1 A2 Am
X(z) = + + ⋯+
(z − p1 ) (z − p2 ) (z − pm )
Le calcul de Ai
Ai = [X(z). (z − pi )]z=pi avec i = 1, 2, … m :
La transformée en 𝒵 inverse est :

m
x[n] = ∑ Ai pni
i=1
Exemple 22 : Calculer la transformée en 𝒵 inverse du système suivant :

1
X(z) = pour |z| > 2
1− 3z −1 + 2z −2
On a le degré du numérateur inférieur au degré du dénominateur :
d° [N(p)] < d° [D(p)]
Cherchons les pôles :
1
p1 = z −1 = 1 et p2 = z −1 =
2
Décomposition en élément simple :
1 1 A1 A2
X(z) = = = +
1− 3z −1 + 2z −2 1 (z −1− 1) (z −1 − 1)
2(z −1 − 1)(z −1 − 2) 2

1
A1 = [X(z). (z − p1 )]z=p1 = [ (z −1 − 1)] =1
1
2(z −1 − 1)(z −1 − 2)
𝑧 −1 =1
1 1
A2 = [X(z). (z − p2 )]z=p2 = [ (z −1 − )] = −1
1 2
2(z −1 − 1)(z −1 − 2) 1
𝑧 −1 =
2
1 1 −1 1 2
X(z) = = + = − +
1− 3z −1 + 2z −2 (z −1 1
− 1) (z −1 − ) (1 − z ) (1 − 2z −1 )
−1
2
La transformée en 𝒵 inverse est alors :
m
x[n] = ∑ Ai pni = −1n u[n] + 2. 2n u[n] = (2n+1 − 1)u[n]

i=1
V-8 EQUATION AUX DIFFERENCES – FONCTION DE

TRANSFERT
Le système peut être décrit par une équation aux différences d’ordre N :
N M
y[n] + ∑ ai y[n − i] = ∑ bi x[n − i]

i=1 i=0
Valeurs courantes et précédentes

Valeurs précédentes de la sortie y[n]
de l’entrée x[n]
Système d’ordre 2 :
y[n] + a1 y[n − 1] + a2 y[n − 2] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2]
La transformée en 𝒵 de l’équation aux différences est :

Y(z) + a1 z −1 Y(z) + a2 z −2 Y(z) + ⋯ + aN z −N Y(z)
= b0 X(z) + b1 z −1 X(z) + b2 z −2 X(z) + ⋯ + bM z −M X(z)
Y(z)[1 + a1 z −1 + a2 z −2 + ⋯ + aN z −N ] = X(z)[b0 + b1 z −1 + b2 z −2 + ⋯ + bM z −M ]
La fonction de transfert est :

Y(z) [b0 + b1 z −1 + b2 z −2 + ⋯ + bM z −M ] ∑M
i=0 bi z
−i ∑M
i=0 bi z
−i
H(z) = = = =
X(z) 1 + a1 z −1 + a2 z −2 + ⋯ + +aN z −N 1 + ∑N
i=1 a i z
−i ∑N
i=0 a i z
−i
avec a0 = 1

Les racines de Y(z) = 0, sont appelées les zéros zi .

Les racines de X(z) = 0, sont appelées les pôles pi .
Si H(z) possède M zéros zi et N pôles pi, on peut la mettre sous la forme :
Y(z) (z − z1 )(z − z2 ) … (z − zM ) ∏M
i=1(z − zi )
H(z) = = = N
X(z) (z − p1 )(z − p2 ) … (z − pN ) ∏i=1(z − pi )
En plaçant les pôles (x) et les zéros (o) de H(z) dans le plan de z, on obtient la figure (V.50) :
ℐ𝓂(z)
j
z
Vp1
p1 Vz1
x
ℛℯ(z)
-1 z1 1
Vp2
p2
x
-j
Fig V.50. Plan de z
La figure (V.50) montre les vecteurs pôles, notés Vpi (z), reliant les pôles pi à un point z donné
du cercle unité et les vecteurs zéros, notés Vzi (z), reliant les zéros zi à un point z donné du
cercle unité.
Le module et l’argument de H(z) sont donnés par les relations suivantes :
∏M
i=1|Vzi (z)|
|H(z)| =
∏N
i=1|Vpi (z)| (V.41)
M N
arg(H(z)) = ∑ arg (Vzi (z)) − ∑ arg (Vpi (z))

{ i=1 i=1
Détermination géométrique de la réponse fréquentielle

Pour tracer l’allure de la réponse fréquentielle du système, z doit se trouver sur le cercle unité
et le parcourir entièrement (Fig.V.51).

θ=π/2
ℐ𝓂(z)
f=1/4
υ=Fe/4 j
z
θ=π
f=1/2
υ=Fe/2
-1 θ 1 ℛℯ(z)
θ=-π θ=0
f=-1/2 f=0
υ=-Fe/2 υ=0
-j
θ=-π/2
f=-1/4
υ=-Fe/4
Fig V.51. Cercle unité
Lorsque z se trouve sur le cercle unité, il peut s’écrire :

z = ejθ = ej2πf
f est la fréquence réduite.
Dans ce cas, si z parcourt le cercle dans le sens trigonométrique, θ varie de -π à +π et f varie de
1 1
− 2 à 2. Si la fréquence d’échantillonnage Fe est connue, la fréquence réelle υ varie de
F F
− 2e à 2e , comme illustré sur la figure (V.51).
Il suffit donc de faire varier θ et d’utiliser les relations (V.41) pour déterminer le module et la
θ
phase correspondant à la fréquence réduite f = .
2π
Remarques :
➢ Le gain atteint un maximum lorsque z s’approche d’un pôle. Ce maximum est d’autant plus
élevé que le pôle est plus proche du cercle.
➢ Le gain atteint un minimum lorsque z s’approche d’un zéro. Ce minimum est d’autant plus
faible que le zéro est plus proche du cercle.

z
Exemple 23 : Soit H(z) = ou a est un réel <1. Donner l’allure de la réponse fréquentielle.
z−a
Cherchons les zéros et les pôles et plaçons-les sur le cercle unité.

Zéros : z = 0
x Pôles : z – a = 0, z = a
θ=π/2
ℐ𝓂(z)
f=1/4
υ=Fe/4 j
z
θ=π
f=1/2
υ=Fe/2
-1 θ 1 ℛℯ(z)
x
0 a
θ=-π θ=0
f=-1/2 f=0
υ=-Fe/2 υ=0
-j
θ=-π/2
f=-1/4
υ=-Fe/4
Fig V.52. Pôle et zéro sur le cercle unité
Lorsque z parcourt le cercle unité, la réponse fréquentielle :

G(f) = |H(z = e2jπf )|
atteint son maximum quand z est le plus proche du pôle a, c'est-à-dire :
θ = 2πf = 0 d’où f = 0 et
z = ejθ = 1.
Le maximum vaut donc :
1
G(0) = |H(z = 1)| = = Hmax
1−a
et localisé en f = 0.
Le minimum est obtenu lorsque z est le plus éloigné du pôle a, c'est-à-dire :
1
θ = 2πf = ±π d’où f = ± 2 et z = ejθ = ej±π = −1

Les minimums valent donc :

1 1 1
G ( ) = G (− ) = |H(z = −1)| = = Hmin
2 2 1+a
1
et sont localisés en f = ± 2.
La figure (V.53) donne l’allure de la réponse fréquentielle du système.
|H(f)|
Hmax
Hmin
f
1 0 1
−
2 2
Fig V.53. Réponse fréquentielle
V-9 FILTRE NUMERIQUE

Le filtre analogique est un filtre qui reçoit un signal analogique à l’entrée et produit un nouveau
signal analogique à la sortie. Il est réalisé à l’aide de composants passifs ou actifs.
Le filtre numérique est un algorithme de calcul, qui fait correspondre à une suite d’échantillons
x[n] une autre suite d’échantillons y[n]. Tous les Te, la période d’échantillonnage, le calculateur
reçoit une nouvelle entrée et calcule une nouvelle sortie.
Le filtre numérique présente l’avantage qu’il est programmable, on change uniquement les
variables et non pas le circuit.
V-9-1 Causalité
Un filtre numérique est dit causal si sa réponse impulsionnelle h[n] est nulle pour n < 0. Sa
transformée en 𝒵 converge alors à l’extérieur d’un cercle.
Un filtre numérique est dit anti causal si sa réponse impulsionnelle h[n] est nulle pour n < 0. Sa
transformée en 𝒵 converge alors à l’intérieur d’un cercle.

V-9-2 Stabilité
La stabilité est très importante pour concevoir un filtre numérique. Un filtre instable n’a aucune
utilité pratique.
Un filtre numérique est stable si à toute entrée bornée x[n] correspond une sortie y[n] bornée.
∃ M, ∀ n, |x[n]| < M ⟺ ∃ M ′ , ∀ n, |y[n]| < M ′
Il n’est toujours pas facile de prouver qu’un filtre est stable en pratique. Cependant, il y a une
condition nécessaire et suffisante de stabilité qui dit :
un filtre numérique de réponse impulsionnelle h[n] est stable si :
+∞
∑ |h[n]| < A
n=−∞
Exemples 24 :
1) Le système suivant est-il stable ?
1 n
h[n] = ( ) u[n]
2
h[n] = 0.5n u[n]
1/8
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
1 n
Fig V.54. h[n] = (2) u[n]
Cherchons la somme des réponses impulsionnelles :

+∞ +∞
1 n 1
∑ |h[n]| = ∑ ( ) = =2
2 1
n=−∞ 0 1 − 2
La somme converge, le système est donc stable.
2) Le système suivant est-il stable ?
h[n] = 2n u[n]

h[n] = 2n u[n]
40
32
24
16
8
0
-5 0 5
Fig V.55. h[n] = 2n u[n]
Dans ce cas :
+∞ +∞
∑ |h[n]| = ∑ 2n = 1 + 2 + 22 + 23 + ⋯
n=−∞ 0
La somme diverge, le système est instable.
La stabilité d’un filtre peut aussi être vérifiée à partir de la fonction de transfert H(z). En effet :
➢ un filtre causal, sa fonction de transfert est rationnelle, est stable si tous les pôles de H(z)
sont à l’intérieur du cercle unité.
➢ un filtre anti-causal, sa fonction de transfert est rationnelle, est stable si tous les pôles de
H(z) sont à l’extérieur du cercle unité.
➢ Si un pôle unique est sur le cercle unitaire, le système est marginalement table.
➢ Quand les pôles et les zéros d’un système sont à l’intérieur du cercle unité, le système est
appelé à phase minimale.
V-9-3 Classification des filtres numériques

On considère un système permettant de calculer une suite de valeurs numériques y[n] à partir
d’une suite x[n] et obéit à l’équation aux différences suivante :
N M
y[n] + ∑ ai y[n − i] = ∑ bi x[n − i]

i=1 i=0
1- filtre non récursif
Dans le dictionnaire, récursif signifie, qui s’utilise soi-même.

La réponse y[n] d’un système causal non récursif d’ordre M se calcule uniquement à partir d’un
signal d’entrée x[n], d’où l’équation aux différences :

y[n] = ∑ bi x[n − i] = b0 x[n] + b1 x[n − 1] + b2 x[n − 2] + ⋯ + bM x[n − M] (V.42)

i=0
M : ordre du filtre.
bi : coefficients de la fonction de transfert du filtre.
Calculons la transformée en 𝒵 de l’équation aux différences de la relation (V.42) :
Y(z) = b0 X(z) + b1 z −1 X(z) + b2 z −2 X(z) + ⋯ + bM z −M X(z)
M
Y(z)
H(z) = = b0 + b1 z −1 + b2 z −2 + ⋯ + bM z −M = ∑ bi z −i (V.43)
X(z)
i=0
Un filtre non récursif d’ordre M possède M + 1 coefficients. Il n’y a pas de dénominateur, donc
pas de pôles, par conséquent le filtre est toujours stable.
Cherchons la réponse impulsionnelle. Si l’entrée est l’impulsion de Dirac, x[n] = ẟ[n], la sortie
est la réponse impulsionnelle y[n] = h[n], la relation (V.42) devient :
M M
y[n] = h[n] = ∑ bi x[n − i] = ∑ bi δ[n − i] (V.44)

i=0 i=0
On sait que la sortie est reliée à l’entrée par le produit de convolution :

+∞
h[n] = ∑ h[i] δ[n − i] (V.45)

i=−∞
Développons les relations (V.44) et (V.45) :
h[n] = b0 δ[n] + b1 δ[n − 1] + b2 δ[n − 2] + ⋯ + bM δ[n − M] (V.46)

= ⋯ h[−2]δ[n + 2] + h[−1]δ[n + 1] + h[0]δ[0] + h[1]δ[n − 1] + ⋯
D’autre part, on sait que :

1 si n = i
δ[n − i] = { (V.47)
0 si n ≠ i
Après avoir comparé les deux membres de l’équation (V.46) et en utilisant la relation (V.47),
on trouve :
h[0] = b0
h[1] = b1
b si 0≤i≤M
h[2] = b2 d’où h[n] = { i (V.48)
0 sinon
…
h[M] = bM }

Les coefficients bi constituent la réponse impulsionnelle du filtre. Cette réponse impulsionnelle

est finie car le nombre d’échantillons non nuls en sortie est fini égal au nombre de coefficients
bi non nuls.
Le filtre non récursif est un filtre à Réponse Impulsionnelle Finie (RIF).
Exemples 25 : filtre moyenneur – moyennes glissantes

Le filtre moyenneur est un filtre numérique simple qui calcule la valeur moyenne des M derniers
échantillons pour lisser le signal en éliminant les bruits parasites et les valeurs anormales, en
atténuant les fluctuations (Fig V.56).
L’opération de moyenne glissante entre un signal d’entrée x[n] et un signal de sortie y[n] est :
M−1
1 1
y[n] = ∑ x[n − i] = [x[n] + x[n − 1] + x[n − 2] + ⋯ + x[n − (M − 1)]]
M M
i=0
La transformée en 𝒵 de y[n] est :
1
Y(z) = [X(z) + z −1 X(z) + z −2 X(z) + ⋯ + z −(M−1) X(z)]
M
La fonction de transfert est donc :
Y(z) 1
H(z) = = [1 + z −1 + z −2 + ⋯ + z −(M−1) ]
X(z) M
La réponse impulsionnelle :
h[n] = 𝒯𝒵 −1 [H(z)]
M−1
1 1
= ∑ δ[n − i] = [δ[n] + δ[n − 1] + δ[n − 2] + ⋯ + δ[n − (M − 1)]]
M M
i=0
1 1 1 1
=[ + + + ⋯ + , 0,0]
M M M M
que l’on peut écrire :
1
h[n] = { M si 0≤i≤M−1
0 sinon
La réponse impulsionnelle de ce filtre est un signal rectangulaire représentée sur la figure

(V.57).

n
signal d'entrée: x[n] = (1.02) + cos(2n/8 + /4)
4
0
-10 0 10 20 30 40 50
(a)
signal de sortie filtre moyenneur sur 7 points
3
0
-10 0 10 20 30 40 50
élimination d'une valeur érronée en n= 6
1.5
0.5
(b)
z[n]
-0.5
-1
moyenne mobile sur 5 échantillons
valeurs mesurées
-1.5
0 5 10 15 20
n
signal sinuoidal bruité
2 2
signal filtré
1.5 1.5
1 1
0.5 0.5
y(t)
z(t)
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-2 -2
0 0.5 1 1.5 2 0 0.5 1 1.5 2
t (c) t
Fig V.56. Filtres moyenneurs

(a) Lissage (b) Elimination d’une valeur erronée (c) Elimination du bruit

La réponse impulsionnelle
h[n]
...
0
-2 0 2 4 M-1
Fig V.57. Réponse impulsionnelle d’un filtre moyenneur
La réponse fréquentielle :
La réponse fréquentielle est obtenue en remplaçant z par e2jπf, avec f la fréquence normalisée.
M−1
Y(z) 1 1
H(z = e2jπf ) = = [1 + e−2jπf + e−4jπf + ⋯ + e−2jπf(M−1) ] = ∑ e−2jπfi
X(z) M M
i=0
1 1 − e−2jπfM 1 e−jπfM [ejπfM − e−jπfM ] 1 −jπf(M−1) sin (πfM)

= = = e
M 1 − e−2jπf M e−jπf [ejπf − e−jπf ] M sin (πf)
Finalement
sinc (fM)
H(z = e2jπf ) = e−jπf(M−1) sinc (f)
La réponse fréquentielle est la transformée de Fourier de la réponse impulsionnelle qui est un

rectangle.
Module : comment le filtre change l’amplitude des fréquences ?
1 sin (πfM)
|H(f)| =
M sin (πf)
k
|H(f)| = 0, si πfM = kπ, f =
M
sin (πfM) πfM

lim ~ = M, et H(f = 0) = 1
f→0 sin (πf) πf
Le gain statique est : Gs = H(z = 1) = 1

La figure (V.58) montre que la réponse fréquentielle du filtre présente des rebonds qui sont des
inconvénients.

module de la réponse fréquentielle
M=2
1
M=5
M=10
0.8
|H| 0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5
f
Fig V.58. Réponses fréquentielles
Phase : comment le filtre change la phase de chaque fréquence ?

sinc (fM)
H(z = e2jπf ) = e−jπf(M−1)
sinc (f)
La phase est : φ = -πf (M – 1)
Le filtre est un filtre passe-bas, la phase varie linéairement avec la fréquence.
Le lissage du signal d’entrée x[n] sera d’autant plus important que M sera grand, en revanche
le signal informatif est lui aussi moyenné et perd donc de l’information.
2- Structure d’un filtre non récursif
On va visualiser l’équation aux différences associée à un filtre numérique sous la forme d’une
structure faisant apparaitre les éléments suivants :
➢ Additionneur symbolisé par :
➢ Multiplieur symbolisé par : n
➢ Retard d’une valeur symbolisé par : z-1
La structure du filtre non récursif est représentée sur la figure (V.59) ; à partir de l’équation
M
y[n] = ∑ bi x[n − i]
i=0

x[n] b0 y[n]
z-1
b1
Fig V.59. Structure d’un filtre non
récursif
z-1
b2
z-1
bM
3- filtre récursif
La réponse y[n] d’un système causal récursif d’ordre N se calcule à partir du signal d’entrée
x[n] et des valeurs précédentes y[n – i] de la sortie. Son équation aux différences est :
N M
y[n] + ∑ ai y[n − i] = ∑ bi x[n − i] (V.49)

i=1 i=0
ai, bi sont des coefficients de la fonction de transfert du filtre.

En général M ≤ N et N est l’ordre du filtre. Si M > N, le filtre est en cascade d’un filtre d’ordre
N et d’un filtre d’ordre N – M.
L’équation aux différences du filtre récursif peut s’écrire sous la forme :
M N
y[n] = ∑ bi x[n − i] − ∑ ai y[n − i]

i=0 i=1
= b0 x[n] + b1 x[n − 1] + b2 x[n − 2] + ⋯ + bM x[n − M]

(V.50)
−a1 y[n − 1] − a2 y[n − 2] − ⋯ −aN y[n − N]
Calculons la transformée en 𝒵 de l’équation aux différences de la relation (V.50) :
Y(z) = b0 X(z) + b1 z −1 X(z) + b2 z −2 X(z) + ⋯ + bM z −M X(z)

−a1 z −1 Y(z) − a2 z −2 Y(z) − ⋯ − aN z −N Y(z)
Y(z)[1 + a1 z −1 + a2 z −2 + ⋯ + aN z −N ] = X(z)[b0 + b1 z −1 + b2 z −2 + ⋯ + bM z −M ]


Y(z) b0 + b1 z −1 + b2 z −2 + ⋯ + bM z −M ∑M i=0 bi z
−i
H(z) = = =
X(z) 1 + a1 z −1 + a2 z −2 + ⋯ + aN z −N ∑N
i=0 a i z
−i
avec a0 = 1.
Cherchons la réponse impulsionnelle.
M N
y[n] = ∑ bi x[n − i] − ∑ ai y[n − i]

i=0 i=1
si x[n] = ẟ[n] alors y[n] = h[n]

M N
y[n] = h[n] = ∑ bi ẟ[n − i] − ∑ ai h[n − i]

i=0 i=1
= b0 δ[n] + b1 δ[n − 1] + b2 δ[n − 2] + ⋯ + bM δ[n − M]
−a1 h[n − 1] − a2 h[n − 2] − ⋯ −aN h[n − N]

On sait que
1 si n = i
δ[n − i] = {
0 si n ≠ i
d’où
si n = 0, h[0] = b0
si n = 1, h[1] = b1 − a1 h[0] = b1 − a1 b0
si n = 2, h[2] = b2 − a1 h[1] − a2 h[0]
finalement
N−1
bn − ∑ ai y[n − i] si n≤M−1
i=1
h[n] = N−1
∑ ai y[n − i] ailleurs
{ i=1
Le filtre récursif est un filtre à réponse impulsionnelle infinie RII.
Stabilité
➢ Il faut s’assurer que H(z) ne possède pas de pôle à l’extérieur du cercle unité.
➢ Les pôles situés le long de z = 1, donnent lieu à des réponses oscillatoires.
➢ Si tous les zéros de la fonction de transfert du filtre sont de module inférieur à 1, le filtre est
dit à minimum de phase.

Exemples 26 : On considère le filtre suivant : y[n] = x[n] – ay[n – 1] avec a réel.

La transformée en 𝒵 est : Y(z) = X(z) -a z-1Y(z)

Y(z) 1
H(z) = =
X(z) 1 + az −1
Les pôles : 1 + az-1 = 0, z = -a
1 1
0.5 0.5
Imaginary Part
Imaginary Part
0 0
-0.5 -0.5
-1 -1
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
Real Part Real Part
-1 < a < 0 0<a<1

Stable Stable
1
0.5
Imaginary Part
-0.5
-1
-1 -0.5 0 0.5 1
Real Part
a>1
Instable
Réponse impulsionnelle
si x[n] = ẟ[n] alors y[n] = h[n]
h[n] = ẟ[n] – ah[n – 1]
h[0] = ẟ[0] – ah[– 1] = 1
(−1)n an si n ≥ 0
h[1] = ẟ[1] – ah[0] = -a h[n] = {
0 ailleurs
h[2] = ẟ[2] – ah[1] = a2
h[3] = ẟ[3] – ah[2] = -a3

si a < 1 ;
+∞ +∞
1
∑ h[n] = ∑(−1)n an = fini et le filtre est stable.
1+a
n=0 n=0
si a > 1 ;
+∞ +∞
∑ h[n] = ∑(−1)n an = 1 − a + a2 + ⋯ diverge et le filtre est instable.

n=0 n=0
Réponse fréquentielle
z = e2jπf
1
H(z = e2jπf ) =
1 + ae−2jπf
Le module est :
1
|H(z = e2jπf )| =
√1 + 2 a cos(2πf) + a2
1 1
|H(f = 0)| = =
√1 + 2a + a2 1+a
Si a > 0
1 1
|H(f = 0)| = = <1
√1 + 2a + a2 1+a
1 1 1
|H (f = )| = = >1
2 √1 − 2a + a2 1 − a
module
1
1/(1-a)
0.5
Imaginary Part
0
|H|
-0.5
-1
-1 -0.5 0 0.5 1 1/(1+a)
Real Part 0 0.5
f
Le filtre est un passe-haut.

Si a < 0
1 1
|H(f = 0)| = = >1
√1 + 2a + a2 1+a
1 1 1
|H (f = )| = = <1
2 √1 − 2a + a2 1 − a
module
1
1/(1+a)
0.5
Imaginary Part
|H|
0
-0.5
-1
1/(1-a)
-1 -0.5 0 0.5 1 0
0 0,5
Real Part
f
Le filtre est un passe-bas.
4- Structure d’un filtre récursif

M N
y[n] = ∑ bi x[n − i] − ∑ ai y[n − i]

i=0 i=1
x[n] b0 y[n]
z-1 z-1
b1 -a1
z-1 z-1 Fig V.60.

b2 -a2 Structure d’un
filtre récursif
z-1 z-1
bM -aN

V-9-4 Applications
1- Filtre à encoche (Notch filter)
Le filtre à encoches permet de supprimer une composante sinusoïdale parasite. Des zéros
proches du cercle unité produisent des minimas au niveau de la réponse fréquentielle. Des pôles
proches du cercle unité produisent de larges pics sur la réponse fréquentielle.
Pour concevoir un filtre pour supprimer une seule fréquence parasite f0, on va placer deux zéros
sur le cercle unité pour supprimer la fréquence f0 et deux pôles proches de zéros à l’intérieur du
cercle pour compenser l’effet des zéros aux autres fréquences.
(z − z0 )(z − z1 ) (z − e2jπfn )(z − e−2jπfn ) z 2 − 2 cos(2πfn ) z + 1

H(z) = = =
(z − ap0 )(z − ap1 ) (z − ae2jπfn )(z − ae−2jπfn ) z 2 − 2 acos(2πfn ) z + a2
1 − 2 cos(2πfn ) z −1 + z −2
H(z) =
1 − 2 acos(2πfn ) z −1 + a2 z −2
f0
avec fn = , Fe : fréquence d′ échantillonnage.
Fe
module en fontion de a
2.5
0.98 0.8 0.5 0.1
1.5
|H|
0.5
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
f
Fig V.61. Réponse fréquentielle en fonction de a
La figure (V.61) montre que plus que le coefficient a est proche de 1 plus le filtre est sélectif, a
permet donc d’ajuster la sélectivité du filtre.
2- Filtre en peigne (Comb filter)
Un filtre en peigne ajoute une version retardée du signal à lui-même. Sa structure est représentée
sur la figure (V.62).

x[n] y[n]
z-N0
Fig V.62. Structure de filtre en peigne
L’équation aux différences est alors :

y[n] = x[n] + α x[n − N0 ]
N0 : la longueur du retard, mesurée en échantillons.
α : le facteur de gain appliqué au signal retardé.
sa transformée en 𝒵 :
Y(z) = X(z) + α z −N0 X(z)
d’où la fonction de transfert :
Y(z) z N0 + α
H(z) = = 1 + α z −N0 =
X(z) z N0
Cherchons les pôles et les zéros.
Zéros : N = 10
0
z N0 + α = 0 z N0 = − α 1
Il y a N0 solutions régulièrement
espacés dans le cercle du plan 0.5
Imaginary Part
complexe.
Pôles : 0
10
z N0 = 0
Il y a N0 pôles à z = 0. -0.5
Les pôles et les zéros sont représentés

sur la figure (V.63). -1
-1 -0.5 0 0.5 1
Real Part
FigV.63. Pôles et zéros pour N0 = 10

La réponse impulsionnelle est obtenue en remplaçant y[n] par h[n] et x[n) par δ[n] dans
l’équation aux différences :
h[n] = δ[n] + α δ[n – N0 ]
réponse impulsionnelle
1
h[n]
alpha
0
0 N0
n
Fig V.64. Réponse impulsionnelle d’un filtre en peigne
Réponse en fréquence
Pour obtenir la réponse en fréquence, on effectue le changement z = e2jπf :
H(z = e2jπf ) = 1 + α e−2jπfN0 = 1 + α cos(2πfN0 ) − j α sin(2πfN0 )
Le module :
|H(z = e2jπf )| = √[1 + α cos(2πfN0 )]2 + α2 sin2 (2πfN0 ) = √1 + α2 + 2α cos(2πfN0 )
La réponse en fréquence du filtre en peigne est périodique. La figure (V.65) montre que les
maximas et les minimas sont à égale distance de 1 et le maximum pour une valeur positive de
α coïncide avec le minimum des valeurs négatives de α et vice versa.
module pour  = 1
2
|H|
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
f
module pour  = -1
2
1.5
|H|
0.5
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
f
Fig V.65. Réponse en fréquence d’un filtre en peigne pour α = ±1

1 zN0 1 Y(z)
Etudions la fonction inverse G(z) = = = =
H(z) zN0 +α 1+α z−N0 X(z)
X[z] = Y[z] + α z −N0 Y[z]

L’équation aux différences est alors :
x[n] = y[n] + α y[n – N0 ]
ou bien
x[n] - α y[n – N0 ] = y[n]
Sa structure sera donc :
-α z-N0
x[n] y[n]
Fig V.66. Structure de G(z)
Zéros :
z N0 = 0
Il y a N0 zéros à z = 0.
Pôles :
N0
z N0 + α = 0 z N0 = − α z = √−α
Il y a N0 solutions régulièrement espacés dans le cercle du plan complexe.
0.5
Imaginary Part
10
0
-0.5
-1
-1 -0.5 0 0.5 1
Real Part
Fig V.67. Pôles et zéros pour N0 = 10

x[n] = y[n] + α y[n – N0 ]
y[n] = x[n] - α y[n – N0 ]
h[n] = δ[n] - α h[n – N0 ]
h[0] = δ[0] – α h[–N0 ] = 1
h[1] = δ[1] – αh[1 – N0 ] = 0
h[2] = δ[2] – αh[2 – N0 ] = 0
h[N0 ] = δ[N0 ] – αh[0] = – α
h[2N0 ] = δ[2N0 ] – αh[2N0 - N0 ] = δ[2N0 ] – αh[N0 ] = – α.(– α) = α2
La réponse impulsionnelle est :
k k
h[n] = {(−1) α si n = k N0 avec k ∈ N
0 ailleurs
réponse impulsionnelle
1
alpha^2
h[n]
0
-alpha^3
-alpha
-1
0 N0 2N0 3N0
n
1
Fig V.68. Réponse impulsionnelle G(z) =
H(z)
Réponse en fréquence
Pour obtenir la réponse en fréquence, on effectue le changement z = e2jπf :
1 z N0 1 Y(z)
G(z) = = N = −N
=
H(z) z 0 + α 1 + α z 0 X(z)
1 1
G(z = e2jπf ) = =
1+αe −2j𝜋fN 0 1 + α cos(2πfN0 ) − j α sin(2πfN0 )
Le module :
1 1
|G(z = e2jπf )| = =
√[1 + α cos(2πfN0 )]2 + α2 sin2 (2πfN0 ) √1 + α2 + 2α cos(2πfN0 )
La réponse en fréquence est aussi périodique. La figure (V.69) montre que les maximas et les
minimas ne sont plus à égale distance de 1.

module pour  = 0.9

15
|G| 10
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
f
module pour  = - 0.9
15
10
|G|
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
f
1
Fig V.69. Réponse en fréquence de G(z) =
H(z)
3- Echo
L’écho est un phénomène acoustique de réflexion du son. La vitesse du son est de 343 m/s.
Pour réaliser un écho, on retarde le signal d’entrée puis l’additionner au signal original.
L’équation sera donc :
y[n] = x[n] + α x[n – N0]
α < 1 : atténuation
N0 : grandeur qui réalise le retard. Cela revient à retarder le signal original de N0 fois la période
N F
d’échantillonnage, soit un retard temporel θ = F 0 , si par exemple, N0 = 2e alors θ = 0.5 s.
e
1
L’oreille humaine ne peut distinguer un écho du son origine si le retard est inférieur à 15 s.
Pour supprimer l’écho, on utilise le système d’équation aux différences :
y[n] + α y[n – N0]= x[n]
x[n] est le signal corrompu par l’écho et y[n] le signal de sortie qui a l’écho supprimé.
4- Réverbération
Dans le cas où les réflexions sont multiples, on parle de réverbération. Pour réaliser une
réverbération, on retarde cette fois le signal de sortie puis l’additionner au signal original.
L’équation sera donc :
y[n] = x[n] + α y[n – N0]

Y(z) = X(z) + α z −N0 Y(z)
Y(z) 1 Y(z)
H(z) = = −N
=
X(z) 1 − α z 0 X(z)

Pour supprimer la réverbération, on prend :

Y(z)
G(z) = 1 + α z −N0 ==
X(z)
Y(z) = X(z) + α z −N0 X(z)
et
y[n] = x[n] + α x[n – N0]

Chapitre V

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre V

Transféré par

Informations du document

Description originale:

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

Chapitre V

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE V

SIGNAUX A TEMPS DISCRET

V-1 TRANSFORMEE DE FOURIER A TEMPS DISCRET 𝓣𝓕𝓣𝓓

Calculons la transformée de Fourier du signal échantillonné se(t) :

En permutant l’intégrale et la somme, on a :

Se (ν) = ∑ [ ∫ [ δ(t − nTe ) e−2jπνt ] dt s(nTe )]

∫ s(t) δ(t − t 0 ) dt = s(t 0 )

Se (ν) = ∑ s(nTe ) e−2jπνnTe (V.1)

= ∑ s(nTe ) e−2jπνnTe e−2jπkn = ∑ s(nTe ) e−2jπνnTe

Posons Ω = ωTe = 2πνTe

Se (Ω) = ∑ s(nTe ) e−jΩn

Se(Ω) est aussi périodique de période 2π.

La transformée de Fourier du signal échantillonné s’écrit alors :

Se (f) = ∑ s(nTe ) e−2jπfn (V.2)

𝒯ℱ𝒯𝒟{s[n]} = S(f) = ∑ s[n] e−2jπfn (V.3)

Traitement du signal 248 S. HAMDOUNE

3- Transformée de Fourier inverse

S(f) = ∑ δ[n] e−2jπfn = 1

S(f) = ∑ s[n] e−2jπfn = ∑ e−2jπfn

Traitement du signal 249 S. HAMDOUNE

2N+1 2N+1 2N+1

sin [πf(2N + 1)] πf(2N + 1)

La figure V.1 montre la transformée de Fourier à temps discret du signal rectangulaire.

Fig V.1. Signal rectangulaire et son spectre avec N = 7

Traitement du signal 250 S. HAMDOUNE

V-2 TRANSFORMEE DE FOURIER DISCRETE 𝓣𝓕𝓓

V-2-1 Discrétisation fréquentielle

S(f) = ∑ s[n] e−2jπfn

On va diviser alors, l’axe des fréquences en k intervalles juxtaposés.

Fig V.2. Discrétisation fréquentielle

Traitement du signal 251 S. HAMDOUNE

Fig V.3. L incréments fréquentielle avec la période Fe

En utilisant la fréquence normalisée, S(f) est périodique de période 1, on peut diviser la

Fig V.4. L incréments fréquentielle avec la période 1

L’approximation discrète de la 𝒯ℱ𝒯𝒟 est :

Traitement du signal 252 S. HAMDOUNE

La TFD inverse est :

s[0] s[1] s[2] s[N-1]

S[0 S[1] S[2] S[N-1]

La transformée de Fourier discrète inverse est alors :

Exemple 1 : Calculer la 𝒯ℱ𝒟 du signal suivant : x[n] = [1 2 1 0].

Calculons les valeurs :

Traitement du signal 253 S. HAMDOUNE

k = 2 ; X(2) = ∑ x[n] e−jπn = 1 + 2e−jπ + e−2jπ + 0 = 0

La figure (V.6) représente le signal avec son spectre.

Fig V.6. Signal x[n] et sa transformée de Fourier

Exemple 2 : Soit le signal échantillonné suivant :

Traitement du signal 254 S. HAMDOUNE

|S(f)| = 2|cos (πf)| ; arg[s(f)] = −πf

Fig V.7. Signal s[n] et sa 𝒯ℱ𝒯𝒟

Calculons les valeurs :

k = 2 ; S(2) = ∑ s[n] e−jπn = 1 + e−jπ + 0 + 0 = 0

Traitement du signal 255 S. HAMDOUNE

Fig V.8. Transformée de Fourier discrète et transformée de Fourier à temps discret

V-2-2 Transformée de Fourier Rapide. FFT (Fast Fourier

La transformation de Fourier rapide est un algorithme de calcul de la transformation de

Traitement du signal 256 S. HAMDOUNE

Fig V.9. Evolution du nombre de multiplications dans le cas de la 𝒯ℱ𝒟 et la FFT

Exemple 3 : enregistrement d’un signal sonore dans un CD.