CHAPITRE I : SIGNAUX

Objectifs :
 Définir signaux, signaux déterministes et aléatoires ;
 Classifier les signaux en fonction de leur énergie et de leur spectre
 Donner la représentation fréquentielle d’un signal quelconque à partir de la transformée de
Fourier

1. Quelques définitions
Un signal est la représentation physique de l’information qu’il transporte de sa source à son
destinataire. Il sert de vecteur à une information. Il constitue la manifestation physique d’une
grandeur mesurable (courant, tension, force, température, pression, etc.).
Le bruit est défini comme tout phénomène perturbateur gênant la perception ou l’interprétation
d’un signal, par analogie avec les nuisances acoustiques (interférence, bruit de fond, etc.). La
différentiation entre le signal et le bruit est artificielle et dépend de l’intérêt de l’utilisateur : les
ondes électromagnétiques d’origine galactique sont du bruit pour un ingénieur des
télécommunications par satellites et un signal pour les radioastronomes.
La théorie du signal a pour objectif fondamental la « description mathématique » des signaux.
Cette représentation commode du signal permet de mettre en évidence ses principales
caractéristiques (distribution fréquentielle, énergie, etc.) et d’analyser les modifications subies lors
de la transmission ou du traitement de ces signaux.
Le traitement de l’information fournit un ensemble de concepts permettant d’évaluer les
performances des systèmes de transfert d’informations, en particulier lorsque le signal porteur de
message est bruité. Cela inclut les méthodes de « codage de l’information » dans le but de la
réduction de redondance, de la correction des erreurs, de la confidentialité (cryptage). L’ensemble
des concepts et méthodes développés dans le traitement de l’information et du signal forme la
théorie de la communication.

2. Modélisation des signaux

Un signal expérimental est une grandeur physique et doit donc être physiquement réalisable. Les
mesures macroscopiques analogiques, réalisées à partir d’appareils de mesures comme un
oscilloscope, fournissent des courbes « tension en fonction du temps » du type de celle représentée
sur la figure 1.1. Ces signaux physiques sont représentés par des fonctions s(t) à valeurs réelles
d’une variable réelle t. Par conséquent, le signal possède les caractéristiques suivantes :
- Energie bornée ;
- Amplitude bornée ;

1
 - continu temporellement ;
- causal (s(t) = 0 pour t < 0) ;
- spectre du signal borné (tend vers 0 lorsque la fréquence tend vers l’infini).
Mais sur le plan théorique, pour la commodité du calcul et l’étude de certains phénomènes, les
signaux sont représentés par des fonctions :
- à énergie théorique infinie ;
- avec des discontinuités (signal carré) ;
- définies sur l’ensemble des réels (signaux non causaux) ;
- à spectre du signal infini ;
- à valeurs complexes :

3. Classification des signaux

Pour faciliter l’étude des signaux, différents modes de classification ou de modélisation
peuvent être envisagés :
- représentation temporelle des signaux ;
- caractéristique énergétique ;
- représentation spectrale ;
- caractéristique morphologique (continu ou discret).

3.1. Représentation temporelle des signaux

La première classification, basée sur l’évolution du signal en fonction du temps, fait apparaître
deux types fondamentaux (figure 1.2, page ci-contre) :
- les signaux certains (ou déterministes) dont l’évolution en fonction du temps peut
être parfaitement décrite par un modèle mathématique. Ces signaux proviennent
de phénomènes pour lesquels on connaît les lois physiques correspondantes et les
conditions initiales, permettant ainsi de prévoir le résultat ;
- les signaux aléatoires (ou probabilistes) dont le comportement temporel est
imprévisible et pour la description desquels il faut se contenter d’observations statistiques.
Parmi les signaux déterministes, on distingue les signaux périodiques satisfaisant à la relation
suivante :
s(t) = s(t + T) avec T la période (1.1)
Les signaux sinusoïdaux sont un cas particulier de ces signaux :
s(t) = A sin[(2π/T)t + ϕ] (1.2)

2
 Les signaux non périodiques se composent d’une part des signaux pseudopériodiques formés d’une
somme de sinusoïdes de périodes différentes et d’autre part des signaux transitoires dont l’existence est
limitée dans le temps. Ces signaux « certains » peuvent en principe être reproduits rigoureusement
identiques à eux-mêmes. En ce qui concerne les signaux aléatoires, ils sont dits stationnaires lorsque leur
valeur moyenne est indépendante du temps, c’est-à-dire que les résultats de leur analyse statistique restent
les mêmes quel que soit le moment où l’on commence l’observation d’une partie déterminée du signal.
De plus ces signaux aléatoires stationnaires sont ergodiques s’il est identique de faire une moyenne
statistique à un instant donné sur différents essais ou de faire une moyenne temporelle suffisamment
longue sur un seul de ces essais. Dans cet ouvrage nous nous intéressons exclusivement au type des
signaux certains, excepté dans le chapitre 6 où nous abordons les méthodes de traitements spécifiques des
signaux aléatoires et en particulier du signal dit de bruit, qui fait partie de cette deuxième catégorie.

3.2. Classification énergétique

La puissance électrique instantanée fournie à une résistance R (ou conductance G) est définie
comme le produit des valeurs instantanées de la tension u(t) à ses bornes et du courant i(t) qui la traverse
:

Par conséquent la puissance moyenne P(t1, t2), mesurée en watts (W), s’exprime sous la forme
suivante :

3
 Par extension on appelle énergie Ws et puissance moyenne Ps d’un signal s(t), calculées
sur un intervalle [t1, t2], les valeurs quadratique et quadratique moyenne suivantes :

Il est à remarquer que la valeur efficace du signal s(t), calculée sur l’intervalle [t1, t2], se
définit à partir de l’expression 1.7 :

En considérant un intervalle s’étendant à tout l’axe réel, les relations 1.6 et 1.7 donnent
l’énergie totale et la puissance moyenne totale :

Pour un signal périodique (période T0), la puissance moyenne totale est calculée sur une
période :

Si le signal est représenté par une fonction complexe de la variable réelle t, les définitions
sont équivalentes en remplaçant s2(t) par |s(t)|2. La plupart des signaux peuvent être classés à partir
de ces deux grandeurs, énergie totale et puissance moyenne totale, suivant les deux ensembles :
- signaux à énergie finie qui satisfont à la condition suivante :

4
 - signaux à puissance moyenne finie qui satisfont à :

Les premiers signaux correspondent à tous les signaux de type transitoire et les seconds
comprennent par exemple tous les signaux périodiques ou quasi périodiques. Deux remarques
peuvent être faites à partir des deux expressions 1.11 et 1.12 :

- un signal à puissance moyenne finie non nulle a une énergie totale infinie ;
- un signal à énergie totale finie a une puissance moyenne nulle (cas des signaux physiques).
3.3. Classification spectrale
Un signal peut être classé suivant la distribution de son énergie ou de sa puissance en fonction
de la fréquence (spectre du signal). Le domaine des fréquences occupé par son spectre ΔF est aussi
appelé la largeur de bande du signal (figure 1.3) :

Cette caractéristique, exprimée en hertz (Hz), est absolue. Aussi il est nécessaire de la comparer
au domaine de fréquences dans lequel se situe le signal. En considérant la fréquence moyenne Fmoy
= (Fmax - Fmin)/2, on peut distinguer deux types de signaux :
- les signaux à bande étroite avec ΔF/Fmoy petit (soit Fmax ≈ Fmin) ;
- les signaux à large bande avec ΔF/Fmoy grand (soit Fmax Fmin).
Pour les signaux à bande étroite, il est possible de les classer par le domaine de variation de la
fréquence moyenne Fmoy :
- Fmoy < 250 kHz signaux basses fréquences (BF) ;
- 250 kHz < Fmoy < 30 MHz signaux hautes fréquences (HF)
- 30 MHz < Fmoy < 300 MHz signaux très hautes fréquences (VHF)
- 300 MHz < Fmoy < 3 GHz signaux ultra hautes fréquences (UHF)
- Fmoy > 3 GHz signaux super hautes fréquences (SHF)

5
 Lorsque la fréquence du signal devient très grande, pratiquement supérieure à quelques térahertz
(THz = 1012 Hz), la longueur d’onde est le paramètre de référence λ (= c/F avec c vitesse de la
lumière 300 000 km/s):
 700 nm < λ < 0,1 mm signal lumineux infrarouge
 400 nm < λ < 700 nm signal lumineux visible
 10 nm < λ < 400 nm signal lumineux ultraviolet

3.4. Les signaux numériques

Le temps est un paramètre important de classification. Comme nous venons de le voir, le
traitement numérique des signaux conduit à faire la distinction entre les signaux dits à temps
continus (signaux continus) et les signaux dits à temps discrets (signaux discrets ou échantillonnés).
Un autre paramètre des signaux traités est à prendre en compte, c’est l’amplitude qui peut aussi être
continue ou discrète (quantifiée). Ainsi quatre formes de signaux, qui se retrouvent dans un système
numérique de contrôle d’un processus physique, peuvent être distinguées:

 signal à amplitude et temps continus (signal analogique) : s(t) ;

 signal à amplitude discrète et temps continu (signal quantifié) : sq(t). Ce signal
correspond à celui qui est fourni à la sortie d’un circuit convertisseur numérique
analogique pour la commande d’un actionneur;
 signal à amplitude continue et temps discret (signal échantillonné) : s(nTe). Ce
signal est obtenu à l’aide d’un circuit échantillonneur-bloqueur et est utilisé par
un circuit convertisseur analogique numérique pour obtenir un signal logique
utilisable par un ordinateur;
 signal à amplitude discrète et temps discret (signal logique) : sq(nTe). Ce dernier
cas correspond en réalité à une suite de nombres codés en binaire. Ces nombres,
utilisés au sein d’un ordinateur, se transmettent sous la forme de plusieurs signaux
de type numérique 0 V (0 logique) ou 5 V (1 logique) se propageant en parallèle :
8 signaux pour un nombre codé sur 8 bits.
4. Transformation de Fourier des fonctions périodiques : série de Fourier
4.1. Définition
Si s(t) est une fonction de t périodique, de période T0 (= 1/F0), elle peut s’écrire sous la forme
d’une somme de fonctions sinusoïdales de fréquences f multiple de la fréquence F0, dite
fondamentale. Soit :

où an et bn sont les coefficients de la série de Fourier. Ils se calculent à partir des relations suivantes :

avec a0 appelé valeur moyenne ou composante continue,

6
L’expression 4.1 peut s’écrire aussi sous la forme suivante d’un développement en harmoniques :

À partir de l’expression 4.5, nous pouvons construire la représentation graphique spectrale du

signal dans un plan amplitude-fréquence comme étant la succession des pics ou raies d’amplitude
cn et positionnés aux fréquences nF0 (figure 2.1).

Définition. Le spectre en fréquence d’un signal est constitué de la composante continue à la

fréquence nulle d’amplitude a0, du fondamental à la fréquence F0 d’amplitude c1 et des différents
harmoniques situés aux fréquences f = nF0 d’amplitudes respectives cn. Il est important de remarquer
que le spectre d’une fonction périodique, de période T0 (= 1/F0), est discontinu et composé de raies
dont l’écart minimum est, sur l’axe des fréquences, F0.

4.2 Distribution ou pic de Dirac

La distribution de Dirac (pic de Dirac ou encore impulsion de Dirac) peut être vue comme un
outil symbolique permettant de formuler des expressions. Notée δ elle peut être perçue comme la
limite d’une impulsion d’amplitude A et de durée 1/A lorsque A tend vers l’infini. L’aire de cette
impulsion est constante et égale à 1 quel que soit A. Le pic de Dirac sera défini comme ayant un

7
poids ou une « masse » de 1 en x = 0 (figure 2.2). Dans le domaine du traitement du signal, le pic
de Dirac δ(x) est une distribution ou « fonction » qui vérifie :

La distribution de Dirac possède des propriétés au niveau des opérations avec les fonctions :
propriété de localisation (opération de « produit » avec une fonction) et propriété d’élément neutre
(opération de « convolution » avec une fonction). Ces propriétés opératoires sont présentées au fur
et à mesure des besoins et de façon complète dans l’annexe A. Il est important de souligner que,
pour des raisons de facilité, les opérations, faisant intervenir pics de Dirac et fonctions, utilisent des
notations identiques à celles utilisées pour les fonctions bien que nous soyons dans le domaine des
distributions.

4.3 Représentations unilatérale et bilatérale

L’expression 4.1 peut encore se mettre sous la forme complexe suivante :

Les valeurs négatives de n sont introduites dans un but de simplification ; mais, étant donné
que s(t) est réel, nous avons :

8
 S(nF0) représente les composantes du spectre en fréquence de s(t), grandeur en général
complexe, qui a pour module :

En utilisant la notation mathématique du pic de Dirac δ décrite précédemment, le spectre en

fréquence du signal est formé de pics de Dirac de poids |S(nF0)| réparties sur tout l’axe des
fréquences positives et négatives. Par convention, on dessine chaque raie en lui donnant une hauteur
proportionnelle à son poids ou sa masse égale à |S(nF0)| (figure 2.3). L’expression du spectre S( f )
du signal est donc :

Cette représentation complexe du signal distribue donc, dans le domaine fréquentiel, les
contributions du signal symétriquement de part et d’autre de l’origine sur l’axe des fréquences :
c’est la représentation spectrale bilatérale S(f) (fréquences positives et négatives). Cette
représentation abstraite (fréquences négatives) présente l’avantage de simplifier les calculs au
niveau du traitement des signaux. Seule la représentation unilatérale Sréel(f) (spectres composés de
fréquences positives uniquement), calculée par un développement en série de Fourier, est une
représentation réelle qui peut être obtenue à partir d’analyseurs de spectres.
Exercice d’application :
a)Signal sinusoïdal
Dans le cas des signaux sinusoïdaux ou cosinusoïdaux, la transformée en série de Fourier du
signal est identique à sa représentation mathématique.
 cas du signal s(t) = cos (2πF0t)

9
 La décomposition en série de Fourier est donc définie par :
a0 = 0 , a1 = 1 et an = 0 pour n > 1
bn = 0 pour n ≥ 1
D’après la relation 4.8, les valeurs de S(nF0) non nulles sont :

D’où le spectre du signal, écrit dans une représentation bilatérale suivant la relation 4.11, est :

La figure 2.5a représente ce signal et son spectre. Nous pouvons remarquer que, pour ce
signal réel pair, le spectre est réel pair.

 cas du signal s(t) = sin (2πF0t)

La décomposition en série de Fourier est donc définie par :

10
D’après la relation 4.8, les valeurs de S(nF0) non nulles sont :

D’où le spectre du signal, écrit dans une représentation bilatérale suivant la relation 4.11, est :

La figure 2.5b, page ci-contre, représente ce signal et son spectre. Nous pouvons remarquer
que, pour ce signal réel impair, le spectre est imaginaire impair.
b) cas d’un signal carré périodique
Si nous considérons un signal rectangulaire à alternances égales, de valeur moyenne nulle et
d’amplitude 2, sa transformée en série de Fourier s’écrit sous la forme suivante :

Le spectre bilatéral du signal, composé uniquement des harmoniques impairs, a pour expression
(figure 2.6) :

11
 Nous pouvons remarquer que, pour ce signal réel impair, le spectre est imaginaire impair.

4.4. Propriétés du développement en série de Fourier

Nous avons une correspondance unique entre la fonction x(t), son développement en série de Fourier et par
conséquent sa représentation spectrale X( f ). Nous écrirons donc cette réciprocité sous la forme :

a) propriété de linéarité

b) propriété de parité
Nous avons les principales propriétés de parité suivante :si la fonction x(t) est réelle et paire,
les coefficients bn du développement en série de Fourier sont tous nuls et la représentation spectrale
X( f ) est réelle et paire ;si la fonction x(t) est réelle et impaire, les coefficients an du développement
en série de Fourier sont tous nuls et la représentation spectrale X( f ) est imaginaire et impaire ; si la
fonction x(t) est réelle quelconque, la représentation spectrale X( f ) est complexe avec une partie
réelle paire et une partie imaginaire impaire

5. Transformation de Fourier des fonctions non périodiques

5.1.Définition
On peut considérer la transformée de Fourier des fonctions non-périodiques comme une
extension de la transformation précédente pour laquelle la période est infinie (T0 → ∞). L’intervalle
de fréquence F0 tend alors vers zéro et le spectre devient alors une fonction continue. En considérant
les expressions 4.7 et 4.8, on a :

Après le passage à la limite T0 → ∞, il vient :

D’où, la transformée de Fourier de s(t), notée S(f) ou F{s(t)}, et la transformée de Fourier

inverse, notée F-1{S(f)} :

12
Et

Comme pour le cas des fonctions périodiques, S( f ) est une fonction de f , en général complexe,
qui comprend donc une partie réelle Re{S( f )} et une partie imaginaire Im{S( f )} :

L’amplitude |S(f)| du spectre est donnée par la relation suivante :

et la phase est :

5.2 Propriétés de la transformée de Fourier

a) Linéarité

avec a et b des constantes.

b) Homothétie

c) Translation

13
Exemple : Déduisons le spectre S2(f) du signal sinusoïdal s2(t) = sin (2πF0t) par translation de celui
du spectre S1(f) du signal cosinusoïdal s1(t) = cos(2πF0t).
A l’équation (4.12), nous avons montré que le développement en série de s1(t) est donné
par :

et

La propriété de translation donne :

En utilisant la propriété de localisation (opération « produit ») du pic de Dirac tel que :

Ainsi, on obtient :

Ce résultat correspond à celui trouvé directement par le développement en série de Fourier

(équation 4.13). Ce résultat permet de noter que les propriétés appliquées pour les spectres obtenus
par transformées de Fourier sont aussi applicables aux spectres des signaux périodiques.
d) Propriétés de parité

Ces propriétés doivent être utilisées à chaque fois qu’un calcul de transformée de Fourier est
réalisé afin de vérifier si les résultats ne sont pas faux, c’est-à-dire incohérents par rapport à la
propriété de parité.

e) Dérivation

14
 f) Divers

La fonction x(t) pouvant être complexe, on a la relation suivante :

5.3 Quelques signaux supplémentaires

a) Fonction « porte » ou rectangle

Ce signal permet de découper dans un signal une portion de durée finie. Cette opération
conduit à transformer un signal théorique (représentation mathématique) en un signal réel n’existant
que pendant un temps fini, correspondant au temps de mesure ou d’observation. Le spectre de la
fonction « porte » peut s’obtenir directement à partir de la définition de la transformée de Fourier

Ce résultat permet d’obtenir la transformée de Fourier d’un pic de Dirac.

15
 b) Pic de Dirac δ(t)

Par définition, le pic de Dirac est le passage à la limite d’une fonction « porte » de largeur τ
et d’amplitude A en conservant la relation Aτ = 1 :

Si l’on considère que la limite de la transformée de Fourier est égale à la transformée de

Fourier de la limite, nous avons :

c) Échelon unité ou fonction de Heaviside

Cette fonction particulière est d’une très grande utilité car d’une part elle permet de rendre un
signal quelconque x(t) causal par le produit x(t) · u(t). Et d’autre part elle correspondant à une
sollicitation calibrée d’un système qui permet d’obtenir en sortie une réponse dite indicielle.
Le signal « échelon unité », noté u(t), est défini par la relation suivante (figure 2.10) :

d) Fonction exponentielle décroissante

Cette fonction s’exprime à partir du signal « échelon unité » u(t) que nous venons d’étudier :

Dans ce cas, la manière la plus simple de calculer le spectre est d’utiliser la définition initiale de la
transformée de Fourier :

16
Table 1 : Développements en série de Fourier

17
18
Table 2 : Transformées de Fourier

19
20