Université Abdelmalek Essaadi

Faculté des Sciences et Techniques d’Al Hoceima

Traitement du signal

Année universitaire: 2023-2024 Réalisé par : Faiza Dib

 I. Introduction:
Intervient dans tous les systèmes modernes de traitement de l’information
Bases : mathématiques, informatique, physique, électronique, etc.
Domaines d’applications :
➢ Mesures physiques ;
➢ Télécommunications ;
➢ Aéronautique, astronautique ;
➢ Acoustique ;
➢ Mécanique ;
➢ Hydraulique ;
➢ Traitement des images, vision artificielle ;
➢ Traitement de la parole ;
➢ Sismologie ;
➢ Génie biomédical ;
➢ Contrôle de processus industriels, etc. 2
 Notion de signal et système

➢ Signal : fonction d’une ou plusieurs variables qui véhicule de l’information sur un

phénomène physique.
➢ Système (de traitement du signal) : transforme les signaux en d’autres signaux ou en
paramètres, dans le but d’en extraire l’information

3
Notion de signal et système

➢ Système : Un système est un processus physique représenté par un modèle mathématique

ou tout simplement un modèle théorique.
➢ Le système peut être un circuit électrique, équation chimique, moteur électrique,…etc.

4
Exemples de signaux et systèmes

Système : circuit électrique

Signaux : tensions aux bornes du circuit

Système : automobile
Signaux :
Pression sur l’accélérateur (entrée)
Vitesse du véhicule (sortie).

5
Définition

Un signal est :
➢ Une succession de valeurs correspondant à des instants différents. C’est un support de
l’information transmise de sa source à sa destination.

La grandeur d’un signal peut être de différents types :

➢ Information : par exemple le son,
➢ Energie : par exemple la tension du secteur ;
➢ Matière : par exemple un débit d’eau en un point d’un canal d’irrigation;
➢ signal électrique (téléphonie),
➢ onde électromagnétique (télécommunication),
➢ onde acoustique (sonar),
➢ onde lumineuse (fibre optique),
➢ signal binaire (ordinateur).
6
Définition

signal = toute entité qui véhicule une information

Exemples: onde acoustique Musique,

courant électrique parole,
délivré par un ...
microphone

source
onde lumineuse lumineuse
courant électrique (étoile, gaz, …)
délivré par un ...
spectromètre

suite de nombres Mesures physiques

7
7
 Définition: Traitement du signal

➢ Analyse = extraction les composantes essentielles portant l’information ;

➢ Mesure = estimation d’une grandeur caractéristique avec une certaine confiance ;
➢ Détection = extraire une composante utile d’un signal et/ou du bruit de fond qui lui est
superposé, (signal présent ? absent ?) ;
➢ Filtrage = élimination des composantes indésirables (souvent le bruit) ;
➢ Restauration = “réparation" des dégradations subies par un signal, connaissant le système
ayant provoqué la dégradation.
➢ Synthèse = création d’un signal à partir de signaux élémentaires ;
➢ Codage = mise en forme du signal pour une transmission ;
➢ Compression = réduction de la redondance d’information dans un signal pour “gagner de la
place" ;
➢ Modulation = adaptation d’un signal aux caractéristiques d’une voie de transmission ou d’un
support d’enregistrement ;
➢ Segmentation = partition (découpage) d’un signal en segments (parties) homogènes ;
➢ Reconnaissance = identification de formes appartenant à un dictionnaire (parole, images). 8
 Définition: Traitement du signal
Traitement du signal = procédure pour:

➢ Extraire l’information (filtrage, détection, estimation, analyse spectrale...)

➢ Mettre en forme le signal (modulation, échantillonnage….)

(forme adaptée à la transmission ou au stockage)
➢ Reconnaissance des formes
➢ Modifier le message transporté.
➢ Adapter le message aux moyens de transmission.

En Physique:
TS

Système Physique signal

Transmission Détection Analyse
en évolution
Interprétation
Sources de
"bruit"
9
Définition: Traitement du signal

10
Le traitement du signal est, avec l’automatique, la couche de jonction entre les
mathématiques et les technologies

11
 II. Représentation Et classification des signaux

Différents critères de classification :

➢ Classification phénoménologique
➢ Classification morphologique
➢ Classification énergétique
➢ Classification spectrale

12
 II. Représentation Et classification des signaux

➢ Classification phénoménologique

➢ Signaux déterministes :
Signaux certains, leur évolution en fonction du temps peut être
parfaitement modélisé par une fonction mathématique (Ils sont prévisibles
à tout instant t comme les signaux périodiques) .
Parmi les signaux déterministes, on distingue :
▪ Les signaux périodiques, satisfaisant à la relation : x(t) = x(t + kT).
▪ Les signaux non périodiques.

13
 II. Représentation Et classification des signaux

➢ Classification phénoménologique

➢ Signaux aléatoires (non déterministes) :

Ils sont imprévisibles comme le bruit : la plupart des signaux d’origine
physique ont un caractère non reproductible.
Les signaux porteurs d’information (signaux de parole, d’image,…)
présentent une certaine imprévisibilité, il seront modélisés par des signaux
aléatoires.

14
 Classification déterministe / aléatoire

➢ Evolution non prédictible, non reproductible d’une expérience à l’autre.

➢ Signal dont l'évolution est imprévisible et dont on ne peut pas prédire l'amplitude à un
temps t. Dans certains cas, on connaît les propriétés statistiques.

15
 Classification déterministe / aléatoire

Bruits
Le bruit est tout phénomène perturbateur gênant la perception ou l’interprétation d’un
signal.

Nature diverse
– bruit de capteur
– bruit de quantification
– bruit de calcul lors des traitements numériques
– bruit provenant du milieu extérieur

16
 Classification déterministe / aléatoire

Non périodique Non périodique

+ +
∃ T x(t) = x(t + kT) Support non borné Support borné

Signal périodique Signal apériodique Signal transitoire

Signal à durée finie (limitée )= Signal à support borné

17
Classification déterministe / aléatoire

Signal réel = Signal déterministe + Signal aléatoire

18
 Signal expérimental/théorique -
Exemples s (t)
s(t) 1
1

0
To t

0 t -1

Signal expérimental Signal théorique

• à amplitude bornée • à support non
• continu borné (existence
• à support borné de durée infinie)
(existence de durée • non causal
finie)
• causal (nul pour tous les
instants négatifs)
• à énergie finie 19
 II. Représentation Et classification des signaux

➢ Classification morphologique :

Selon le signal x(t) ou la variable t est continu ou discret ( tk=kT ) on distingue

quatre types de signaux :

• Le signal à amplitude et temps continus appelé couramment signal analogique.

• Le signal à amplitude discret et temps continu appelé signal quantifié.

• Le signal à amplitude continue et temps discret appelé signal échantillonné.

• Le signal à amplitude discret et temps discret appelé signal numérique.

20
 Classification continu / discret

Amplitude continue Amplitude discrète

Analogique Quantifié
Temps continu

Échantillonnage

Echantillonné Numérique
Temps discret

Quantification
21
 Classification continu / discret
Système continu ou discret

22
Valeurs caractéristiques des signaux à temps continu
T
• Valeur moyenne 2
1
– signal non périodique S = lim
T →+ T  x ( t ) dt
T
−
2
T0
– signal périodique de période T 1
S =  x ( t ) dt
T0 0
• Valeur efficace
Le carré de la valeur efficace signal s(t) est défini par :
– signal non périodique T
2
1
Seff2 = lim  x 2 ( t ) dt
T →+ T
T
−
2

– signal périodique de période To:

T0
1
S 2
eff =  x ( t ) dt
2

T0 0
23
 II. Représentation Et classification des signaux

➢ Classification énergétique :

• Signaux à énergie finie Ce sont les signaux dont l’énergie dans le sens physique
s’épuise dans le temps ; tout signal physique limité dans le temps est de cette
catégorie.

• Signaux à puissance moyenne finie Ce sont les signaux dont l’énergie est infinie :
signaux périodiques, signaux aléatoires (par convention).

• Signaux à énergie et puissance infinies Constituent des signaux théoriques ou

modèles mathématique

24
 Signal à énergie finie

Définition: par analogie avec les signaux électriques

+

 x(t ) dt
2
Energie d’un signal x(t) : Wx =
−

p(t ) = x ( t )
2
La puissance instantanée d’un signal x(t) :

T
2
La Puissance moyenne de x(t) : Px = lim 1 x(t ) 2 dt
T → + T

T
−
2
Signaux à énergie finie (ou de carré intégrable ) : 0 ≤ Wx < +∞.

Exemples :
➢ signaux transitoires ;
➢ signaux à support temporel borné ;
➢ en pratique tous les signaux physiques.

Signaux à énergie finie ➔ Puissance Moyenne nulle

25
 Classification énergétique:
Signal à énergie infinie T
2
1
Puissance moyenne de x(t) : Px = lim ( )
 x t dt
2
T → + T
T
−
2

Cas des signaux périodique de période T:

Signaux à puissance moyenne finie : 0 < Px < +∞ ➔ Ex = + ∞

Exemples :
signaux idéaux issus d’un générateur de fonction ;
signaux périodiques ;
signaux permanents non périodiques ;
signaux permanents aléatoires.

Signaux à énergie infinie ➔ Puissance Moyenne finie 26

 Classification énergétique:

Signaux

Energie finie Energie infinie

Wtot<+ ∞

Puissance nulle Puissance finie

Pmoy tot=0

Signaux transitoires
Signaux périodique
Les signaux physiques
Signaux permanents aléatoires
Signaux apériodique non transitoires

27
Classification énergétique:

28
 II. Représentation Et classification des signaux

➢ Classification spectrale :

• Un signal peut être classé suivant la distribution de son énergie ou de sa puissance en

fonction de sa fréquence (spectre du signal).

• La largeur de bande ΔF d’un signal est le domaine principal des fréquences (positives
ou négatives) occupé par son spectre. Elle est définie par la relation :

ΔF = Fmax -Fmin

29
 II. Représentation Et classification des signaux
➢ Classification spectrale :
On peut distinguer deux types de signaux :
• Les signaux à bande étroite avec (fmax ≈ fmin ) ;
• Les signaux à large bande avec (fmax >> fmin ) .

Pour les signaux à bande étroite , il est possible de les classer par le domaine de variation de
la fréquence moyenne
• Signaux basses fréquences (BF): Fmoy < 250 kHz
• Signaux hautes fréquences (HF) : 250 kHz <Fmoy < 30MHz
• Signaux très hautes fréquences (VHF): 30MHz <Fmoy < 300MHz
• Signaux ultra hautes fréquences (UHF): 300MHz <Fmoy < 3 GHz
• Signaux super hautes fréquences (SHF): Fmoy > 3 GHz

30
 II. Représentation Et classification des signaux

➢ Signaux pairs ou impairs

• Un signal est pair si x(t) = x (-t)

• Un signal est impair si x(t) = - x (-t)

➢ Signaux de durée finie

Les signaux dont l’amplitude s’annule en dehors d’un intervalle de temps T prescrit x(t)= 0
pour t ∉T sont appelés signaux de durée limitée ou à support borné.

➢ Signaux bornée en amplitude

C'est le cas de tous les signaux physiquement réalisable pour lesquels l'amplitude ne peut
pas dépasser une certaine valeur limite, souvent imposée par des dispositifs électronique de
traitement. On a dans ce cas : │x(t) │≤ K pour -∞< t <+∞

31
Classification en fonction du nombre de variables

32
 Classification : Signaux réels / Signaux complexes

Notations usuelles :

33
Causalité

- Un système est dit causal si la sortie y(t) à l’instant initial t=t0 dépend uniquement de
l’entrée aux instants t≤ t0 .
C'est-à-dire que la sortie à un instant donné ne peut pas dépendre de l’entrée x(t)
dans le futur.

- Un système est causal si sa sortie est nulle en l'absence d'un signal d'entrée.

Exemple :

Y(t)=a x(t+4) est un signal non causal.

34
Causalité

• Signal causal
– Un signal est causal s’il est nul pour tous les instants négatifs
x(t)
x( t ) = 0  t 0

• Signal non causal 0 t

– Un signal est non causal s’il n’est pas nul pour tous les
instants négatifs. x(t)

0 t
• Signal anti-causal
– Un signal est anti-causal s’il est nul pour tous les instants
positifs x(t)

x( t ) = 0  t 0
t

35
 Représentations mathématiques
Transformations de la variable t
➢ Retournement : symétrie par rapport à 0. x(t) ➔ x(-t)

36
 Représentations mathématiques
Transformations de la variable t
➢ Retournement (Inversion temporelle ): symétrie par rapport à 0.
x(t) ➔ x(-t)

Graphiquement, s(t)=x(-t) correspond à la version symétrisée de x(t) par

rapport à l’axe des ordonnées

37
 Représentations mathématiques
Transformations de la variable t
➢ Décalage temporel (avance/retard) y(t ) = x(t + t 0 )
- Si t0>0, on opère une avance : translation horizontale de t0 vers la gauche
- Si t0<0, on opère un retard : translation horizontale de t0 vers la droite
- Graphiquement, le signal avancé x(t+t0) ou retardé x(t-t0) correspond à la version
translatée horizontalement du signal original x(t)

38
 Représentations mathématiques
Transformations de la variable t
➢ Changement d’échelle (compression/dilatation)
y(t ) = x(at ) a>0
- Si a>1, y(t) est une version comprimée de x(t)
- Si 0<a<1 y(t) est une version dilatée de x(t)
-

39
 Représentations mathématiques
Transformations de la variable t
➢ Changement d’échelle :

x(t)➔ x(2t) compression

x(t)➔ x(t/2) dilatation

40
 Représentations mathématiques
Transformations sur l’Amplitude :
➢ Soit le signal y(t)=Ax(t)+B

A>0 signal non inversé

A< 0 signal inversé signal inversé

|A|>1 signal amplifié

|A| < 1 signal atténué signal amplifié

B>0 translation verticale +

signal atténué
B < 0 translation verticale -

41
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ Exponentielles complexes

x(t) = Aejω0t

Signal périodique de période fondamentale :

T0 =2π/ω0 (en s)
de fréquence fondamentale :
f0 =1/T0= ω0/2 π (en Hz)

42
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ Signaux sinusoïdaux (périodiques de période fondamentale T0)

Relations avec les exponentielles complexes

43
Représentations mathématiques
Fonctions et signaux élémentaires
➢ La rampe unitaire

➢ Fonction porte ( rectangulaire ou créneau ou Fenêtre ou porte)

44
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ Échelon (fonction de Heaviside, ou fonction existence) : Représente un brusque
changement de régime de fonctionnement

➢ Impulsion de Dirac : Représente une brève perturbation ou une « claque »

45
 Représentations mathématiques

➢ Impulsion de Dirac : Représente une brève perturbation ou une « claque »

Définition pratique

L’impulsion de Dirac correspond à une fonction porte dont la largeur T tend vers 0 et
dont l’aire est égale à 1.
(t) ne peut être présentée graphiquement, on la schématise par le symbole
Le 1 marqué sur la flèche pleine représente l’air de cette impulsion et non la hauteur de
l’impulsion .
Propriétés d’intégrale

(si to = 0)

46
 Représentations mathématiques

➢ Impulsion de Dirac : Représente une brève perturbation ou une « claque »

Propriétés de produit : Autres propriétés :

On peut considérer 𝛿 𝑡 comme la

dérivé de la fonction échelon

Changement de variable
−1
=𝑎 𝛿 𝑡

1
𝛿 𝜔𝑡 =2𝜋𝑓 𝛿 𝑡

47
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ Fonction signe
Par convention on admet pour valeur à l’origine sign(t)=0 pour t=0

➢ Fonction triangulaire

48
Représentations mathématiques
Fonctions et signaux élémentaires
➢ Fonction sinus cardinal

➢ Fonction gaussienne

49
Représentations mathématiques
Fonctions et signaux élémentaires
➢ Signal exponentiel à valeurs réelles

𝑡 −𝑡
x(t ) = 𝐴 𝑒 ou x(t ) = 𝐴 𝑒
𝜏 𝜏

50
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ La fenêtre rectangulaire

Reconstitution à l’aide de signaux échelon

51
Représentations mathématiques

T : durée de la fenêtre rectangulaire

τ: localisation du centre de la fenêtre

Reconstitution à l’aide de signaux échelon

52
 Représentations mathématiques

T=2 : durée de la fenêtre rectangulaire

τ =1 : localisation du centre de la fenêtre

Reconstitution à l’aide de signaux échelon

53
 Représentations mathématiques
Fonctions et signaux élémentaires
➢ Le peigne de Dirac et Signal échantillonné (échantillonnage idéal)

On appelle peigne de Dirac une succession périodique d’impulsion de Dirac

T est la période du peigne .

Cette suite est parfois appelé train d’impulsion ou fonction d’échantillonnage.

54
Représentations mathématiques
Fonctions et signaux élémentaires
➢ Le peigne de Dirac et Signal échantillonné (échantillonnage idéal)

55
 Produit de convolution

On appelle produit de convolution de deux signaux x et g :

Propriétés
Commutativité :

Associativité : (x(t) * y(t)) * z(t) = x(t) * (y(t) * z(t))

Distributivité : x* (y (t)+ z(t)) = (x(t)* y(t)) + (x(t) * z(t))
Dérivation : (y(t) * z(t))’ = y(t)’ * z(t)= y * z’
+∝ +∝ +∝
Intégration : ‫׬‬−∞ 𝑓 ∗ 𝑔 𝑡 𝑑𝑡 = ‫׬‬−∝ 𝑓 𝑡 𝑑𝑡 ‫׬‬−∝ 𝑔 𝑡 𝑑𝑡
56
 Produit de convolution avec impulsion de Dirac

Par abus de notation, on peut écrire le produit de convolution : x(t) * g(t).

➢ Convolution avec une impulsion de Dirac = translation

x(t) * (t- t0) = x(t - t0)
en particulier :
x(t) *  (t) = x(t)
➢ La distribution de Dirac à l’origine est donc l’élément unité pour le produit de convolution.
x(t - t1) * (t - t2) = x(t - t1 - t2)
Cas particulier : (t - t1) * (t - t2) = (t - t1 - t2)

➢ Convolution par la dérivée de  : ’

x(t)* ’(t) =dx(t)/dt

➢ Translation d’un produit de convolution

𝑓 ∗ 𝑔 𝑡 − 𝑎 = 𝑓(𝑡 − 𝑎) ∗ 𝑔 𝑡 = 𝑓(𝑡) ∗ 𝑔 𝑡 − 𝑎
57
 Produit de convolution :interprétation

La convolution de x(t) par y(t) :

peut se décomposer en :
➢ un retournement :

➢ une translation de +t :

➢ une multiplication :

➢ une intégration :

58
Produit de convolution :interprétation

59
Exemple de produits de convolution

Les produits de convolution

représentés ici correspondent
à des systèmes physiques qui
ont pour effet d’atténuer les
variations rapides du signal
(càd ses hautes fréquences).
Ils correspondent à des filtres
passe-bas.

60
 Produit de convolution :

Périodisation du signal x(t)

61
 Fonction d’intercorrélation
Elle permet la comparaison de deux signaux en traduisant la ressemblance entre eux.
Elle compare un signal x(t) et un signal y(t) retardé,
Pour les énergies finies :
+∞

𝐶𝑥𝑦 𝜏 = න 𝑥 𝑡 . 𝑦 ∗ 𝑡 − 𝜏 𝑑𝑡
−∞

Pour les énergies infinies :

𝑇0/2
1
𝐶𝑥𝑥 𝜏 = lim න 𝑥 𝑡 . 𝑥 ∗ 𝑡 − 𝜏 𝑑𝑡
𝑇0→∞ 𝑇0
−𝑇0/2

62
 Fonction d’autocorrélation

Elle traduit la vitesse de variation du signal x(t)

La fonction d’autocorrélation est maximale pour t = 0 et elle est paire.
Elle compare un signal x(t) et sec copies retardées.
Pour les énergies finies :

+∞

𝐶𝑥𝑥 𝜏 = න 𝑥 𝑡 . 𝑥 ∗ 𝑡 − 𝜏 𝑑𝑡
−∞

Pour les énergies infinies :

𝑇0/2
1
𝐶𝑥𝑥 𝜏 = lim න 𝑥 𝑡 . 𝑥 ∗ 𝑡 − 𝜏 𝑑𝑡
𝑇0→∞ 𝑇0
−𝑇0/2
Cxx(0) est la puissance moyenne du signal,

63
Cas des signaux d’énergie finie

64
Cas des signaux de puissance moyenne finie.
Ils sont d’énergie infinie et couvrent en particulier les signaux périodiques.

Symétrie : puissance moyenne du signal :

si x est réel :

65
 Cas des signaux d’énergie finie

Cas des signaux de puissance moyenne finie.

66
67
Analyse des signaux périodiques

68
 Analyse de Fourier

Analyse harmonique (ou fréquentielle) = instrument majeur de la théorie des

signaux et des systèmes.
Le développement en séries de Fourier (puis la transformation de Fourier)
permettent d’obtenir une représentation spectrale des signaux déterministes,
i.e. la répartition de:
1. l’amplitude
2. la phase
3. l’énergie
4. la puissance des signaux considérés en fonction de la fréquence.

69
 Analyse dans le domaine fréquentiel
• Domaine habituel pour analyser un signal :

– domaine temporel : analyse de l’évolution du signal au cours du temps

• Permet de mettre en évidence certaines caractéristiques lorsque la

forme du signal est simple :

- caractère périodique ou non (détermination de la période)

- calcul de la valeur moyenne, efficace, de l’énergie,…

• Dans la pratique, les signaux ont une forme complexe

- L’analyse dans le domaine temporel devient insuffisante

- La représentation de certaines caractéristiques du signal en fonction de la fréquence

s’avère alors très utile l’Analyse spectrale
70
Décomposition en série de Fourier : signaux périodiques

Un signal x(t) périodique de période T, peut être sous certaines conditions, mis sous la forme
d’une somme de fonctions sinusoïdales
T = 1/f0=2π/ω0,

f0 = 1/T est la fréquence fondamentale du signal

a0/2 est la valeur moyenne ou composante continue
ak, bk sont les coefficients de Fourier du développement en cosinus et sinus

Si x(t) est paire alors bk=0

Si x(t) est impaire alors ak=0

71
 ao + +
x ( t ) = +  ak cos ( 2 kf ot ) +  bk sin ( 2 kf ot )
2 k =1 k =1

ao
avec ("composante continue")
2
T T
2 2
2 2
“Coefficients ak =  x ( t ) cos ( 2 kf ot ) dt et bk =  x ( t ) sin ( 2 kf t ) dt
o
de Fourier” T T T T
− −
2 2

Superposition de signaux sinusoïdaux de fréquences k.fo,

k entier et fo=1/T
Terme de fréquence fo = le "fondamental"
Terme de fréquence kfo = kième "harmonique"

72
 Dû au double somme infinie de cette représentation, qui sert de point de départ au
développement en séries de Fourier, elle est généralement remplacée par la série en cosinus
et la série complexe.

•Le développement en série de Fourier peut également s’écrire:

+
x ( t ) = Ao +  Ak cos ( 2 kf ot +  k )
k =1

ao  −bk 
Ao = , Ak = ak + bk ,  k = arctan 
2 2

2  ak 

La représentation spectrale correspondante est le spectre unilatéral

73
74
75
 Le développement en série de Fourier en cosinus peut également s’écrire en complexe
sous la forme suivante:
+
x (t ) =  X ( jk ) exp ( j  2 kf t )
k =−
o

T
2
1
avec X ( jk ) =
T  x ( t ) exp ( − j  2 kf t ) dt
T
o
−
2

La représentation spectrale graphique correspondante est le spectre bilatéral

76
Cas particuliers:

xT ( t ) →   = *
réel ak , bk X −k X k

xT ( t ) pair → bk = 0 k  X − k = X k
xT ( t ) impair → a k = 0 k  X − k = − X k

Notation complexe  introduction de fréquences “négatives”

Représentation graphique: Re(Xk), Im(Xk) ou |Xk| , Arg(Xk)
si t = temps (s)  f = fréquence (Hz);
si t = distance(m)  f = fréquence spatiale (m-1) etc

77
78
 Relations entre les 3 représentations de Fourier

Sinus+
Cosinus Complexe
cosinus

Sinus+
cosinus

Cosinus

Complexe

79
Spectres bilatéraux

80
Exemple de représentations spectrales d’un signal:

Forme en cosinus:

81
Exemple de représentations spectrales d’un signal

Forme complexe

82
83
x(t) = 3 + 2 cos(2πf0t) –3,464 sin(2πf0t) + 2 sin(6πf0t + π/4)

x(t) = 3+ 2 cos(2πf0t) –3,464 sin(2πf0t) + 2 sin(2π.3f0t + π/4)

84
 x(t) = 3 + 2 cos(2πf0t) –3,464 sin(2πf0t) + 2 sin(6πf0t + π/4)

De même, on appliquant les règles d’Euler à l’expression en cosinus, on obtient la

forme complexe:

85
86
Deux représentations équivalentes :
représentation temporelle : x(t)
représentation fréquentielle : X(f ) (transformée de Fourier : TF).
Principe : décomposition du signal sur une base de fonctions exponentielles de
fréquences variables.
Intérêts :
TF = outil d’analyse du signal ;
= outil d’analyse des systèmes de traitement du signal.
=> analyse harmonique = analyse spectrale = analyse fréquentielle
des signaux et des systèmes

87
Transformation de Fourier :Signaux non périodiques à TC

88
Transformation de Fourier :Signaux non périodiques à TC

90
 x(t) = signal quelconque
+
F  x(t ) = X ( f ) =  x ( t ) exp ( − j  2 ft )dt = "Transformée de Fourier" de x ( t )
−

et
+
x ( t ) = F −1  X ( f ) =  X ( f ) exp ( j  2 ft )df = "Transformée de Fourier inverse"
−

Notation: x(t)  X(f);

X(f) = “spectre d’amplitude” et Arg[X(f)] =“spectre de phase” du signal

X(f) = fonction complexe même si x(t) est réel

X(f) = fonction réel  x(t) est paire;

X(f) = fonction imaginaire pure  x(t) est impaire

critère d'existence:
Signaux à énergie finie = condition suffisante
Signaux à puissance moyenne finie =>T.F. existe au sens des distributions 91
 1 f
TF ( x ( at ) ) = X( )
a a
TF ( (t ) ) = 1
(
TF 1e 2 jf0t )=  ( f − f0 )
TF ( (t − t0 ) ) = e −2 j ft0

X(t) X(f)
réelle et paire réelle et paire
réelle et impaire imaginaire et impaire
imaginaire et paire imaginaire et paire
imaginaire et impaire réelle et impaire
complexe et paire complexe et paire
complexe et impaire complexe et impaire -

93
Un signal sinus ou cosinus est constituée de 2 phaseurs (lois d’Euler), la TF comportera 2
impulsions de Dirac située en ±f0.

95
Densité spectrale d ’énergie

Soient x(t) un signal à énergie finie et Rxx(τ ) sa fonction d’autocorrélation, on appelle densité
spectrale d’énergie la fonction notée Sxx(f), transformée de Fourier de Rxx(τ ) :

Sxx(f)= TF ( Rxx(τ ) )

Densité inter-spectrale d’énergie (DISE)

Soient x(t) et y(t) deux signaux à énergie finie et Rxy(τ ) leur fonction d’autocorrélation, on appelle
densité inter-spectrale d’énergie la fonction notée Sxy(f), transformée de Fourier de Rxy(τ ) :

• Spectre
xˆ ( f )
• Spectre d’amplitude -
xˆ ( f )
• Spectre de phase ARG ( xˆ ( f ))

xˆ ( f ) Contribution fréquentielle du signal x(t) pour la fréquence f ( ne pas confondre avec densité spectrale)
97
Relation de Parseval

Signaux d’énergie totale finie – Densité spectrale d’énergie (DSE)

• Signal x(t) : fonction de carré sommable
• Formule de Parseval Loi de conservation de l’énergie

 
E=  x(t ) .dt = 
2 2
X ( f ) .df
− −

• Densité spectrale d’énergie (DSE) par définition :


E =  S x ( f )df
−

S xx ( f ) = X ( f )
2

La DSE n’est autre que le carré du spectre d’amplitude

98
Densités spectrale de puissance

Soit x(t) un signal à puissance moyenne finie, on appelle densité spectrale de puissance
(DSP) la transformée de Fourier de sa fonction d’autocorrélation :

𝑇/2
1
𝑅𝑥𝑥 𝜏 = lim න 𝑥 𝑡 . 𝑥 ∗ 𝑡 − 𝜏 𝑑𝑡
𝑇→∞ 𝑇
−𝑇/2

99
Filtrage analogique et les systèmes
linéaires continus

100
Systèmes linéaires continus

❑ Exemples de systèmes
entrée : force

i(t) R L sortie : position Conjoncture mondiale

Taux de crédit
Chômage
M f
u(t) C Vc(t) Balance Economie d’un pays
K commerciale
Inflation

Dépenses
x publiques
▪ Système électrique ▪ Système mécanique ▪ Système économique
❑ Définition

Un système est un ensemble d'éléments fonctionnels interagissant entre eux et qui établit un lien de
cause à effet entre ses signaux d'entrées et ses signaux de sortie.

Perturbations

Signaux d’entrée Signaux de sortie

Système
ou excitations x ou réponses y
S

Notation : y = Sx 101

 Classification des systèmes

Système statique
La réponse du système à une excitation est instantanée
i(t) R Équation
u(t) y(t) = i(t) = 1 u(t)
R

Système dynamique
La réponse est en fonction de l'excitation et des réponses passées

i(t) R Équation
u(t) = V(t) + Ri(t)
u(t) C Vc(t) i(t) = CdV(t)/dt
u(t) = V(t)+RC dV(t)/dt

Systèmes mono variable et multivariable

◆ Monovariable : système à une entrée et une sortie

◆ Multivariable : nombre d'entrées + nombre de sorties > 2

102
Classification des systèmes

❑ Linéarité

Si x(t) =a1x1(t) +a2 x2 (t) alors y(t) =a1S x1(t) +a2S x2 (t)
❑ Causalité
La réponse du système ne peut pas se produire avant l'excitation qui l'engendre
x(t) =0 pour t 0 alors y(t) =S x(t) =0 pour t 0

❑ Invariance temporelle
Un décalage temporel en entrée induit le même décalage en sortie. La réponse du système
est invariante par translation dans le temps. Le système est dit alors invariant.

Si y(t) =Sx(t) alors y(t −t0 ) =S x(t −t0 )

❑ Stabilité
▪Un système est dit stable si en réponse à une entrée bornée, sa sortie est bornée Instable
 M x / x(t)  M x   M y / y(t) = S x(t)  M y

Stable 103
Caractérisation d'un système LTI(Linéaire à Temps Invariant)

❑ Relation entrée/sortie
La plus courante : équation différentielle linéaire à coefficients constants

an y (n) (t) +… + a1 y(1) (t) +a0 y(t) =bmx(m) (t) +… . . + b1x(1) (t) +b0 x(t)

d i y(t)
avec y(i) = (dérivée d'ordre i)
dt i

➢ Caractérisation complète du système par la connaissance des coefficients

➢ Sortie y(t) calculable par la connaissance de x(t)

104
Caractérisation d'un système LTI(Linéaire à Temps Invariant)

❑ Réponse impulsionnelle
La réponse impulsionnelle d'un système est sa réponse à une entrée sous forme d'impulsion de Dirac

(t) h(t)

t
Système S t h(t) =S (t)

❑ Avantages de la réponse impulsionnelle

◆caractérisation complète du système

◆permet de calculer la sortie du système LTI pour d’autres signaux d’entrée

Comment calculer la sortie du système avec un signal d’entrée quelconque à partir de
la réponse impulsionnelle ?
Notion de convolution

105
 Réponse d'un système LTI à une entrée quelconque
❑ Application de la notion de convolution

x(t)

y(t) =S x(t)

Élément neutre de la convolution

x(t) = x(t)  (t)  x(t) = + x( ) (t − )d
−

 +
 y(t) =S − x()(t − )d 
Propriété de linéarité du système : +
y(t) = − x() S (t − )d

Propriété d'invariance temporelle du système : S  (t − ) = h(t −)

(réponse impulsionnelle décalée)

y(t) =+− x() h(t −)d  y(t) = x(t) h(t)

La réponse du système à une entrée quelconque x est la convolution de x avec la réponse impulsionnelle h du
système. h caractérise entièrement le système.
106
Stabilité et réponse impulsionnelle

On dit qu'un système est stable si sa sortie est bornée lorsque son entrée est bornée

▪ L'entrée x est bornée i.e.  M x / x(t)  M x t

▪ Réponse du système : y(t) = x( ) h(t − )d
Quelle est la condition sur h(t) pour que y(t) soit bornée ?

+
On montre que la sortie est bornée ssi − h( ) d 

Un système est stable ssi sa réponse impulsionnelle est absolument intégrable

107
 Systèmes et transformée de Fourier
Soit le système de réponse impulsionnelle h

Soit le signal d'entrée Que vaut la sortie y(t) ?

x(t) = Ae j 2ft
❑ Réponse fréquentielle des systèmes LTI

y(t) =h(t) x(t)  +

h(t) x(t) =−
 h( ) x(t −)d
+ j 2f (t− )
h(t) Ae j 2ft = − h() Ae d

+
h(t)  Ae j 2ft = Ae j 2ft − h( ) e −j 2f d

H ( f ) TF de la réponse impulsionnelle

La réponse d'un système LTI à une exponentielle complexe (resp. signal sinusoïdal)
est une exponentielle complexe (resp. signal sinusoïdal) multipliée par le gain
complexe H( f ) 108
 Systèmes et transformée de Fourier
x(t) Système y(t)
Si le signal d'entrée est quelconque, on peut l'exprimer sous la forme d'une somme infinie
d'exponentielles complexes : c'est la TF inverse
+
x(t) =X ( f )e j 2ft df
−

y(t) =S x(t)  y(t) =  S X ( f )e df

j 2ft
(linéarité du système)
−

En vertu du résultat précédent S X ( f )e j 2ft = H ( f ).X ( f ).e j2ft

+
 y(t) =  H ( f ).X ( f ).e j 2ft df (définition de la TF inverse de Y)
−
Y( f )
(TF de la sortie y)

Donc si y(t) = h(t)  x(t) alors Y ( f) = X ( f ).H ( f ) H ( f ) : fonction de transfert

convolution en temporel  multiplication en fréquentiel

109
 x(t) Système y(t)
Module H ( f )

Y ( f) = X ( f ).H ( f ) H( f )
Argument ( f ) =arg( H ( f ))

▪ H ( f ) : représentation fréquentielle du système

▪ Simplicité de la relation entrée/sortie en fréquentiel
▪ La représentation fréquentielle illustre l'aptitude du système à faire passer une
composante fréquentielle présente dans le signal d'entrée

❑ Relations entrée-sortie en fréquentiel

▪Module Y ( f) = X ( f ). H ( f )
Y ( f ) = X ( f ).H ( f )  ▪ Argument arg(Y( f )) = ( f ) +arg( X ( f ))

▪ Densité spectrale d'énergie S yy ( f ) =Sxx ( f ).Shh ( f )

S xx ( f ) = X ( f )
2

110
Théorème de Plancherel

La transformée de Fourier d'un produit de convolution est un produit simple et

réciproquement

x(t)  y(t)  X ( f ).Y( f )

x(t).y(t)  X ( f )  Y( f )

Attention : la TF d'un signal n'est pas toujours définie !

Comment faire lorsque x(t) n'a pas de TF ?
=> Introduction de la transformée de Laplace

111
Transformée de Laplace (TL)
❑ De la TF à la TL
+
Soit la TF d'un signal x(t) : X ( f ) =  x(t)e− j 2ft dt . Cette TF existe si l'intégrale converge
−
Dans le cas contraire, multiplions x(t) par une exponentielle décroissante telle que
+
 x(t)e− t dt   avec   . Calculons la TF de ce nouveau signal
−
+ +
X ( f ,) = x(t)e− te− j 2ft dt  X ( f ,) = x(t)e− (+2f )t dt
− −

Posons s =  + j2f On obtient :

+
X (s) =  x(t)e −st dt Définition de la transformée de
− Laplace du signal x

Transformée de Laplace = généralisation de la TF : décomposition de x(t)

sur une base de fonctions exponentielles est (avec s complexe)

Ne pas poser que X( f ) = X(s) pour s=j2f

(car X(s) existe toujours mais pas X(f)!) 20
Transformée de Laplace (TL)
❑ Convergence de la TL
+
X(s) n'est défini que si l'intégrale converge
X (s) =  x(t)e −st dt
−
Définition : on appelle Région de Convergence (RC) de la TL,
s =  + j2f
l'ensemble des complexes s tels que l'intégrale converge.

❑ Exemple
Calculer la TL du signal x(t) =eat (t)
+ +
X (s) = eat (t)e− st dt  X (s) = e(a− s)t dt
− 0

Im(s)

Cette limite est nulle si a −  0 i.e. Re(s) a RC

a Re(s)
1
X (s) = Re(s) a
s −a avec
Transformée de Laplace (TL)
❑ Linéarité a1x1(t) +a2 x2 (t)  a1 X 1 (s) +a2 X 2 (s)

❑ Convolution x(t) y(t)  X (s).Y (s)

Idem TF
−st
❑ Translation temporelle x(t − t0 )  e 0 X (s)

❑ Translation fréquentielle e x(t)  X (s −a)

at
Transformée de Laplace (TL)
Transformée de Laplace (TL)

❑ Transformée de Laplace et systèmes LTI

▪ Réponse du système à une entrée x(t) quelconque
y(t) = x(t) h(t)
▪ TL de la réponse
Y (s) = X (s).H (s) H (s) = Y (s) Fonction de transfert ou transmittance
X (s) complexe du système
TL de quelques signaux usuels (Cf. table)
❑ Impulsion de Dirac (t) ❑ Rampe ou échelon de vitesse
 (t) v(t) v(t) =t (t)
L( (t)) =1
t t L( v(t)) = 1 2
s

❑ Echelon unité (t)

 (t)

t
Transformée de Laplace et systèmes LTI
❑ Systèmes LTI
▪ Systèmes régis par une équation différentielle linéaire à coefficients constants

25
Notion de pôles et zéros - critère de stabilité

❑ Notion de pôles (modes) et zéros du système

◆ Les pôles sont les racines i du polynôme D(s). Les pôles sont soit réels, soit des
paires de pôles complexes conjugués

◆ Les zéros sont les racines zi du polynôme N(s)

❑ Fonction de transfert et stabilité

Le système est stable ssi tous les pôles de H(s) sont à partie réelle strictement négative

25
Caractérisation d’un système linéaire continu par :

◆relation entre x(t) et y(t) [équation différentielle]

◆réponse impulsionnelle h(t)

◆réponse fréquentielle H( f )

◆transmittance complexe H(s)

120
Filtrage analogique

121
 ❑ Notion de filtrage

Filtrer = arrêter, complètement ou non, empêcher ou gêner le passage de quelque chose.

= changement ou annulation des amplitudes d'un signal.

❑ En général, un système est un filtre x(t) Filtre y(t)

But :
◆Sélectionner des parties du signal contenant une information pertinente
◆Éliminer du bruit
◆Séparer plusieurs composantes d'un signal
◆etc.

122
Problématique

❑ Objectif du filtre : sélection de composantes particulières

❑ Caractérisation du filtre : capacité à transmettre certaines fréquences ou certaines

parties du signal

❑ Difficultés :
x(t) Système y(t)
➢ Détermination de h(t) ou H(f) (filtre)
➢ Réaliser le filtre à partir de h(t) ou H(f)
Réponse impulsionnelle
h(t) / H(f)

Module H( f ) Gain en décibel (dB) : G( f ) =20log H ( f)

H ( f)
Argument ( f ) =arg( H ( f ))

❑ Filtrage temporel / fréquentiel

Filtrage temporel / fréquentiel
◆ Filtrage temporel : atténuation ou interruption du signal au cours du temps
– Changement / annulation des amplitudes d’un signal
– Sélection d'une portion du signal
– Lissage du signal
y (t)
y(t) =h(t) x(t) Multiplication temporelle
Y ( f) = H ( f )X ( f ) Convolution fréquentielle
t
t1 t2

◆ Filtrage fréquentiel : sélection ou atténuation de certaines fréquences

– Sélection de certaines composantes fréquentielles du signal
– Blocage des impulsions transitoires

Y (f)
y(t) =h(t)x(t) Convolution temporelle
Y ( f) = H ( f ) X ( f ) Multiplication fréquentielle
f
f1 f2
Filtres élémentaires
❑ Filtre passe-bas

◆ Sélection des fréquences basses

◆ Élimination des fréquences supérieures à fc (fréquence de coupure)

◆ Bande passante BP =[0, fc ]

|H( f )|

Représentation
1 bilatérale

-fc fc f
▪ Remarque
La bande passante d'un filtre est l'intervalle de fréquence dans lequel son
gain G( f ) est supérieur à un gain de référence (par exemple –3dB)

8
Filtres élémentaires

❑ Filtre passe-haut
◆ Transmission des fréquences supérieures à fc |H ( f )|
1
◆ Élimination des fréquences inférieures à fc

◆ Bande passante BP =fc , 

-fc fc f
❑ Filtre passe-bande
|H( f )|
◆ Transmission des fréquences appartenant
à un intervalle donné

◆ Bande passante 
BP = f c1 , f c2  f
-fc2 -fc1 fc1 fc2

❑ Filtre coupe-bande |H( f )|

1
◆ Transmission des fréquences hors d’une bande
déterminée
◆ Bande passante 
BP = 0,  
f c1  f c2 , 

-fc2 -fc1 f
fc1 fc2
9
Filtre physiquement réalisable
La sortie ne se produit
pas avant l'entrée
Un filtre est physiquement réalisable s'il est stable et causal
Revient à son état
initial après excitation
Soit le filtre passe-bas idéal
H ( f ) = 2 f c
H( f )
1
TF inverse

-fc fc f h(t) =2 fc sinc(2fct)

réponse impulsionnelle du filtre

→ Ce filtre n'est pas physiquement réalisable

→ Nécessité de trouver une approximation du filtre idéal

10
Caractérisation des filtres

❑ Les Filtres réels sont définis par un gabarit spécifiant :

◆ Une zone dans laquelle doit passer sa courbe fréquentielle

◆ La bande passante et la bande atténuée (ou rejetée)
◆ Les ondulations maximales admissibles dans la bande passante a
et l'atténuation minimale dans la bande rejetée b

G( f ) en dB

fc A(dB)
0 dB f
AMin
a

AMax
b 0 dB f
fp fa
Bande passante Bande de Bande rejetée Filtre Passe bas
transition
 Caractérisation des filtres
G( f ) en dB

fc A(dB)
0 dB f
AMin
a

AMax
b 0 dB f
fp fa
Bande passante Bande de Bande rejetée Filtre Passe bas
transition

Dans sa sélection de bandes de fréquences, le

spécialiste du filtrage se définit le plus souvent
un gabarit d’affaiblissement ou d’atténuation
AdB(f). C’est la représentation inversée du
gabarit de gain GdB(f), plus pratique du fait
d’un affichage de valeurs positives.
 Caractérisation des filtres
En pratique, il est donc seulement possible d’approcher plus ou moins
bien
le filtre idéal.
✓L’atténuation en bande passante n’est pas nulle, elle sera seulement
inférieure à une valeur limite notée AMax
✓ L’atténuation en bande coupée présente une valeur finie, elle sera
supérieure à une valeur limite notée AMin
✓ La transition entre la bande passante et la bande coupée ne se fait pas
de façon discontinue mais de manière progressive dans une bande de
transition dont les fréquences frontières seront, pour un filtre passe bas
:
A(dB)
AMin
- fa → « première » fréquence coupée (atténuée)
- fp → « dernière » fréquence passante
AMax
0 dB f
fp fa
Filtre Passe bas
Plus un filtre réel se rapproche d’un filtre idéal, plus les bandes de
transitions sont étroites, AMax est faible et AMin est élevée. Mais plus il devient
complexe et donc coûteux!
La recherche d’un compromis entre des performances satisfaisantes et un
coût acceptable conduit à définir un gabarit à l’intérieur duquel la courbe
d’affaiblissement (atténuation) doit se situer pour résoudre le problème
donné.
Un gabarit de filtre passe bas ou passe haut, sera entièrement défini à partir
des 4 grandeurs : AMin, AMax, fa et fp.

On notera qu’il est intéressant d’introduire une autre grandeur, appelée

sélectivité et notée K, qui se déduit des grandeurs précédentes et qui exprime
la raideur de la transition.
Caractérisation des filtres
A(dB) A(dB)
AMin AMin

AMax AMax
0 dB f 0 dB f
fp fa fa fp
Filtre Passe bas Filtre Passe haut
A(dB)
A(dB)
AMin
AMin

AMax AMax

0 dB f 0 dB f
fa- fp- f0 fp+ fa+ fp- fa- f0 fa+ fp+
Filtre Passe bande Filtre Coupe bande
 Caractérisation des filtres

fp
K = 1 Plus le filtre réel se
Pour un filtre passe bas : fa rapproche du filtre idéal,
fa plus k est voisin de 1
Pour un filtre passe haut : K = 1
fp
f p+ − f p− f p
Pour un filtre passe bande : K = + −
= 1
fa − fa f a

f p+ − f p− f p 1
Largeur de bande relative : B = = =
f0 f0 
B est faible (B < 0,1)  Filtre à bande étroite
+ −
Pour un filtre coupe bande : K = f − f f a
a
+
a
−
= 1
f p − f p f p
f a+ − f a− f a 1 B > 0,5  Filtre à large bande
B= = =
f0 f0 
 Caractérisation des filtres

Remarque : dans le cas des filtres passe bande et coupe bande, on se restreint
généralement à l’étude des filtres symétriques, c’est-à-dire qu’ils vérifient la
relation suivante :

+ − + −
f .f
a a = f .f
p p = f 0
2
 Caractérisation des filtres

Filtre prototype
La connaissance du problème à résoudre permet de définir la gabarit à
l’intérieur duquel doit s’inscrire la courbe de réponse du filtre à construire.

On doit maintenant introduire 2 importantes simplification qui permettent de

ramener la réalisation de n’importe quel filtre à la réalisation :

- d’un filtre passe bas

- de fréquence de coupure unité appelé
«filtre prototype»  filtre passe bas normalisé

Ces simplifications sont :

- Normalisation des fréquences et des impédances
- Transposition en fréquence
 Caractérisation des filtres
Normalisation en fréquence

Cela consiste à choisir une fréquence particulière : fu

Pour les filtres passe bas et passe haut : fu = fp
+ − + −
Pour les filtres passe bande et coupe bande : fu = f0 = f .f a a = f .f
p p

 Fréquence normalisée : F =
f
fu

 Pulsation normalisée : 2f 

= =
2f u u
p p 
 Variable de Laplace normalisée : s =  P = 
u  u 
 f
P = j = j = j = jF
u fu
P  j 2 f
 Caractérisation des filtres

as 2 + bs + c
Fonction de transfert biquadratique normalisée : H ( s) = 2
s + ds + 1
d=(1/Q)=2 
Q : facteur de qualité
 : facteur d’amortissement

Différentes configurations possibles : Exemple : Passe bas

a b c Nature du filtre
1
0 0 1 Passe bas H (s) = 2
1 0 0 Passe haut s + ds + 1
0 1 0 Passe bande


1 0 1 Coupe bande (passe bas et passe haut)

1
H () =
1 −  2 + jd
 Caractérisation des filtres
Transposition en fréquence
Le but de cette opération est de ramener l’étude de tous les types de filtre
à l ’étude d’un filtre passe bas normalisé.
Transformation de base : 1
• Passe bas  Passe haut : s→
s
1 1 f p
•Passe bas  Passe bande : s → s +  B=
B s f0
B
• Passe bas  Coupe bande : s→
1
s+
s

Ces transformations peuvent s’appliquer soit aux gabarits, soit aux fonctions de
transfert, soit aux éléments du réseau du filtre.
Caractérisation des filtres

Transposition Passe bas  Passe haut

1 1 1 s  j 
H ( s) = s→  H (s) = = 
 H (  ) = 
1+ s s 1+
1 1+ s  1 + j 

s
Le gabarit du filtre passe bas se transforme en un gabarit passe haut, mais
les trois grandeurs caractéristiques sont inchangés : K, AMin et AMax.

AMin AMin

AMax
AMax
F
Fp=1 Fa =1/K F
K 1
Caractérisation des filtres

AMin AMin

AMax
AMax
F
Fp=1 Fa =1/K F
K 1
 Caractérisation des filtres
Transposition Passe bas  Passe bande
1 1 1 1 Bs
H ( s) = s→ s +   H ( s) = =
1+ s B s 1 1  1 + Bs + s 2
1+  s + 
B s
Comment une valeur  ’ de la pulsation du gabarit du filtre passe bande est
obtenue à partir d’une valeur  de la pulsation du gabarit du filtre passe
bas :
1 1  ' −1
2
j =  j'+  = jB
B
 j' 
 '

•  =0   ’=1 racine positive! donc  ’=1

La fréquence nulle du passe bas est la fréquence centrale du passe bande
•  quelconque et  ’<1 •  quelconque et  ’>1

B B 2 2 B B 22
'1 = − + +1 '2 = + +1
2 4 2 4
 Caractérisation des filtres
A chaque fréquence du filtre passe bas correspond deux fréquences du passe bande dont le
produit vaut 1  géométriquement symétriques par rapport à la fréquence centrale
normalisée du passe bande où f0=1.

AMin AMin

 F ' = F +

F =1→  p
+

 F ' = 1 / F p
AMax AMax

F + + + +
F
1  F ' = Fa+ 1 1/K 1/Fa 1/Fp 1 Fp F a
F = → +
K  F ' = 1 / Fa

B B 2
+ B B2
F+
p = + +1 F a = + 2
+1
2 4 2K 4K
1 B B2
Fp− = + =− + +1 Fp+ − Fp−
Fp 2 4 K'= + −
=K : Même sélectivité!
F −F
a a
Caractérisation des filtres

Transposition Passe bas  Coupe bande

1 B 1 1+ s2
H (s) = s→  H ( s) = =
1+ s s+
1
1+
B 1 + Bs + s 2
s 1
s+
s
Cette transformation est tout à fait analogue à la précédente.

AMin
AMin

AMax
AMax
F
F + +
1 1/K
f0 Fa Fp
Caractérisation des filtres
Cahier des charges :
Construire un filtre passe-bas qui ne transmet que les signaux de fréquence < à f0.
GdB doit posséder :
-une valeur minimale a dans la bande de fréquences à transmettre
-une valeur maximale b dans la bande de fréquences à éliminer

-Le gabarit est caractérisé par 2 points (f0, a) et (f1, b).

GdB
0 f0 f1 f
log
a
Autres spécifications possibles d’un gabarit :
Ondulation dans la BP
b Largeur de la bande de transition
Etc …
Bande Bande de Bande
passante transition coupée

Utilisation d’approximations de filtres réels :

Butterworth, Chebychev, Bessel, Cauer …
Filtres classiques

❑ Filtre de Butterworth : Passe bas

pour f' = f/fc
◆ n : ordre du filtre

Conçu pour avoir une réponse aussi plate que possible dans la bande passante

Réalisation :
– Quel ordre choisir ?
– Détermination de H(f) ?
– Réaliser le filtre à partir
de H(f) ?
Filtres classiques
❑ Filtre de Butterworth : réalisation

◆ Problème N°1: déterminer l'ordre du filtre

➢ On trouve l'ordre du filtre en fonction de l'atténuation b que l'on désire

G( f ) en dB
0 dB fc
f
a

▪ Détermination de n en fonction de b : atténuation minimale en bande rejetée

Filtres classiques
❑ Filtre de Butterworth : réalisation
20.log T(x)
x0 1 x1 x (log)
(dB) x = f / fc 1
a n = ordre du filtre T(x) =
a ≥ - 3 dB 1 +x 2n
- 3dB
Conditions limites :
b
20.logT(x0) > a x02n < 10-a/10 - 1 (1)

20.logT(x1) < b x12n > 10-b/10 - 1 (2)

10 −b 10 −1 
log  −a 10
− 1 
En pratique on prend la plus petite valeur entière de n qui satisfait : 1  10
n 
2 log (f1 f0 )

On calcule alors avec (1) et (2) les fréquences de coupure limites :

f0 f1
f c,0 = f c,1 =
(10 −a 10
−1 )
1 2n
(10 −b 10
−1)
1 2n

On choisit la fréquence de coupure au « milieu » (moyenne géométrique) : f c = fc,0fc,1

Filtres classiques
❑ Filtre de Butterworth : réalisation
◆ Problème N° 2 : déterminer la fonction de transfert

A partir de l'ordre du filtre, les tables nous donnent le polynôme H(s) :

Avec H(s) = 1/Bn(s)

s = j w/wr est la variable de Laplace normalisée, n est l’ordre du filtre
Filtres classiques
Filtres classiques
Filtres classiques
Filtres classiques
Filtres classiques

❑ Filtres de Tchebychev de type I ➢ Avec Tn : polynômes de

Tchebytchev

Filtre qui minimise les oscillations plus d'ondulations pour x > 1

dans la bande atténuée

❑ Filtres de Tchebychev de type II

Filtre qui minimise les oscillations

dans la bande passante
16
Filtres classiques
❑ Filtres de Tchebychev

Fi l tresdeTchebytchev
0

➢ Propriétés des filtres de Tchebytchev I n =2

n =4
-10 n =6
– Ondulation dans la bande passante réglée -20
par ε

Gai n(endB)
-30
– Pas d'ondulation en bande rejetée
-40
– Raideur de coupure importante
-50

– Meilleure atténuation que butterworth -60

10-1 1 00 101
Fréquencerédui te(échel l el og)

Fi l tresde Tchebytchevi nverses

0
➢ Propriétés des filtres de Tchebytchev II
-10

– Ondulation dans la bande rejetée réglée par  -20

n=2
– Pas d'ondulation en bande passante -30 n=4
n=6

Gai n(endB)
-40

-50
Comme pour Butterworth, on détermine -60

l'ordre,  et H(s) à partir du gabarit et de -70

tables -80
10-1 100 101
Fréquence rédui te (échel l e log)
17
Filtres classiques
❑ Filtres de Tchebychev de type I : réglage des paramètres

◆ Problème : déterminer n,  et la FT H(s) à partir du gabarit

A partir de n et  , on déduit H(s) en utilisant les tables :

Filtres classiques

❑ Filtres de Cauer ou filtres elliptiques

◆ Optimaux en terme de
bande de transition

◆ Ondulations en bande
passante et atténuée

Finalement, on choisit son filtre en fonction des besoins : ondulations, raideur

Exemples de transformation

❑ Soit le filtre suivant : H( f ) passe-bas

Butterworth 2ème ordre

◆ Filtre passe haut équivalent

fo
Changement de variable f '
f

◆ Réalisation effective des filtres :

➢ Electronique (montage RLC) : filtres passifs (bon marché, délicat
en basses fréquences)
➢ Electronique (montage avec amplificateurs opérationnels) : filtres
actifs
➢ Mécanique (ressort amortisseur)
21
Exemple de filtrage
Soit un signal x(t) est un signal physiologique (ECG) et un bruit b(t) superposé
❑ Problème : élimination du bruit pour améliorer la détection de pathologies cardiaques

xb (t) = x(t) + b(t)

Objectif : retrouver x(t) à partir de xb(t)
Elimination du signal perturbateur
→ filtrage du bruit.

Filtre passe bas de fc=35 Hz

❑ Analyse du spectre de xb(t) :

Spectre et gabarit proposés :

Spectre du signal
Butterworth 10
Butterworth 2
22
Du signal continu au signal numérique
 Du signal analogique au signal numérique

Signaux continus en temps et en

amplitude : x(t). On les appelle
également signaux analogiques;
ils proviennent généralement
de processus physiques.

Signaux discrets en temps,

continus en amplitude :
xe(t = n Te).
Ce sont les signaux
échantillonnés Ils ne sont définis
qu’à des instants déterminés
multiples de la période
d’échantillonnage Te, mais leur
amplitude peut varier de manière
continue.
 Du signal analogique au signal numérique

Signaux discrets en temps et en

amplitude : xq[n]. De tels signaux
sont quantifiés en amplitude ; ils ne
peuvent prendre que des valeurs
déterminées, généralement,
multiples d’un pas de quantification.
Ce sont les valeurs numériques
fournies par les convertisseurs
analogiques-numériques (CAN). Ils
ne sont définis qu’aux instants
d’échantillonnage et correspondent
aux signaux numériques.

Signaux continus en temps, discrets en amplitude : xq(t). Ce sont des signaux

quantifiés dont la valeur est maintenue par un bloqueur d’ordre zéro entre 2
périodes d’échantillonnage . Ces signaux correspondent à ceux fournis par les
convertisseurs numériques-analogiques (CNA).
 Introduction
❑ Propriétés du numérique, c'est à dire du codage en 0/1

◆ Permet d'effectuer les traitements sur des machines informatiques,

spécialisées dans le TS ou non (DSP, PC)
➢ Puissance, rapidité, coût
➢ Flexibilité (système numérique = logiciel : facile à modifier, ex. : modems
numériques),

◆ Codage interne des 0 et des 1 souvent en 0/5V : A priori pas d'altération

du signal, robuste au bruit une fois numérisé
➢ Exemple : un 0 codé sur 0V parasité par un bruit de 0.5V sera toujours un 0 ...
➢ Précision insensible au temps, à la température, à l'usure du système, etc.
➢ Pas d'erreur lors de la transmission, la recopie, le stockage, etc.
 Introduction
❑ Chaîne de numérisation

Système continu Echantillonnage Quantification Calculateur

u(t) x(t)

- support continu - données discrètes

- amplitude continue - codage en mot binaire
❑ Echantillonnage
Prélèvement de la valeur du signal continu x(t) à des intervalles de temps tn. Généralement
les tn sont régulièrement espacés ; Te = tn+1–tn est appelé période d'échantillonnage. On
obtient la suite de valeurs xe(t) = {x(tn)} avec tn = nTe.

❑ Quantification : la quantification et le maintien de la valeur numérique pendant une période

d’échantillonnage
Approximation de chaque valeur xe(t) par un multiple entier d'une quantité élémentaire
q appelée échelon de quantification.
.Codage binaire
Transformation de la valeur quantifiée en mot binaire exploitable par le calculateur
Échantillonnage idéal
Te : période d'échantillonnage
Te
Signal numérique
Signal original x(t) Échantillonneur xe(t) = {x(nTe)} x(t) e
x (t)
Échantillonnage idéal : prélèvement pendant un temps infiniment court des valeurs
de x(t) à t = nTe (multiple entier de Te ).

❑ Modélisation mathématique ШTe (t)

x(t) xe(t)

t . t = t
−2Te −Te Te 2Te 3Te −2Te −Te Te 2Te 3Te

L'échantillonnage correspond à la multiplication de x(t) par un peigne de Dirac ШTe (t)

+
xe (t) =x(t).ШTe (t) xe (t) = x(t).  (t −nTe )
n=−
+
En utilisant la propriété x(t). (t − t0 ) = x(t0 ). (t − t0 ), on obtient : xe (t) =  x(nTe )(t −nTe )
n=−
TF du signal échantillonné

Question : que devient le spectre du signal x(t) après échantillonnage idéal?

D'après le théorème de Plancherel, on a :

Or la TF du peigne de Dirac est : On en déduit:

Comme le produit de convolution est distributif et que y(t) (t −t0 ) =y(t −t0 ) , on a alors :

1
F
avec e = Fe: fréquence d'échantillonnage
Te

Le spectre de Xe( f ) est celui de X( f ) "périodisé" avec une période fréquentielle Fe.

L'échantillonnage dans le domaine temporel se traduit par une

"périodisation" de période Fe dans le domaine fréquentiel.
Analyse du spectre de xe(t)
|X ( f )|
On considère que x(t) est un signal réel dont le spectre est
borné en fréquence, de fréquence maximale Fmax i.e.

f
−F max 0 Fmax

Question : que devient le spectre Xe( f ) en fonction de Fe ?

+
X e ( f ) =Fe.  X ( f −nFe)
n= −

▪ Cas 1 : Fe 2Fmax |Xe ( f )|

Fe Les motifs élémentaires de

n=−1 n=0 n=1 |Xe( f )| sont disjoints (pas de
recouvrement des motifs)
f
− Fe −F max 0 Fmax Fe

Le motif principal (n = ) est égal au spectre de x(t). Comme les motifs sont disjoints, on
peut extraire X( f ) grâce à un filtre passe-bas idéal et donc reconstituer intégralement le
signal x(t) à partir de la connaissance de son échantillonné xe(t).
 Analyse du spectre de xe(t)
▪ Cas 2 : Fe 2Fmax

|Xe ( f )| Spectre résultant du recouvrement

Fe

f
− Fe −F
max 0 Fmax Fe

Recouvrement de motifs (repliement de spectre)

Les motifs élémentaires de |Xe( f )| se recouvrent. On parle de repliement de spectres.

A cause du chevauchement des motifs élémentaires constituant le spectre Xe( f ) du signal échantillonné,
il n'est pas possible de récupérer le spectre X( f ) par un filtrage approprié.
Il n'est donc pas possible de reconstruire le signal initial x(t) à partir de la connaissance de son
échantillonné xe(t).
Théorème de Shannon
Question : quelle est la condition sur Fe pour qu'à partir du signal échantillonné xe(t) , on
puisse reconstruire intégralement x(t) ?

▪Fe  2Fmax : pas de recouvrement de spectre → extraction de X( f ) par filtrage passe-bas idéal

▪ Fe  2Fmax: repliement de spectre → impossibilité de récupérer X( f ) par filtrage

Par conséquent, pour que la répétition périodique du spectre de xe(t) ne déforme pas le
spectre X( f ) répété, il faut et il suffit que Fe  2Fmax

❑ Enoncé du théorème de Shannon

La condition nécessaire et suffisante pour échantillonner un signal sans perte

d'information est que la fréquence d'échantillonnage Fe soit supérieure ou égale au
double de la fréquence maximale du signal. Plus précisément, si on note Fmax la
fréquence maximale du signal, il faut et il suffit que : Fe 2Fmax.

Fe
Pour Fe fixée, est appelée fréquence de Nyquist : c'est la fréquence
2
maximale admissible du signal pour éviter les distorsions de spectre
Exemples
Exemple 1

x(t) =sin(2 t)
Fmax = 1

Te= 0.2 s => Fe = 5 > 2*Fmax => OK

Te= 0.65 s => Fe = 1/0.65 < 2*Fmax
 Échantillonnage réel
❑ Echantillonnage idéal x(t)
x(nTe )
L'échantillonnage idéal suppose l'utilisation d'une impulsion
(t−nTe)
infiniment brève permettant d'extraire la valeur instantanée x(nTe)
t
à l'instant nTe. nTe

C'est donc l'application de la distribution (t −nTe ) au signal continu x(t) :

+
e (nTe ) =x(nT
Par xdéfinition : e)  xe (nTe ) =  x().(−nTe )d
−
+
On remarque que : x(t) (−t) =  x().(−t)d . On en déduit alors xe (nTe ) =x(t) (−t) t= nTe
−
L'échantillonneur est assimilable à un filtre de réponse impulsionnelle  (-t)

❑ Echantillonnage réel
En pratique, on n'a pas une impulsion infiniment brève et l'échantillonneur est assimilable à un filtre
de réponse impulsionnelle h(−t).
Expression d'un échantillon réel : x(t)
h(t−nT ) e

t
nTe

- Échantillonnage naturel

Dans le cas de l'échantillonnage naturel, l'amplitude de chaque impulsion suit la valeur

la fonction pendant 'intervalle t.
D'un point de vue représentation mathématique du signal échantillonné, nous avons le
produit du signal initial par la fonction « porte » périodisée précédemment
établie:
L'intérêt essentiel de l'étude est de savoir si cet échantillonnage dit naturel provoque une
déformation du spectre par rapport à l'échantillonnage idéal qui lui permet de récupérer le
spectre du signal initial par un filtre passe-bas de largeur F. et donc de conserver la totalité
de l'information contenue dans le signal initial.

Si τ est suffisamment faible , la fonction Sinc peut être assimilée à une impulsion de Dirac.
Le spectre de base Xe0(f) est donné par
- Échantillonnage régulier ou bloqueur

Dans le cas de l’échantillonnage régulier, l’amplitude de chaque impulsion est constante

et égale à l’amplitude du signal initial au temps nTe. Ce mode correspond au cas
pratique le plus souvent mis en œuvre. La représentation mathématique du signal
échantillonné peut être mise sous la forme d’une suite infinie de fonctions « porte »
d’amplitude égale aux échantillons du signal, soit :
Outre le facteur τ · Fe, le spectre Se0(f) n’est pas identique au spectre initial S(f) puisque son
amplitude est modulée par la fonction sinc(τf).
L’échantillonnage régulier introduit donc une déformation par rapport à l’échantillonnage
idéal ou naturel.

Cette distorsion reste petite dans le cas

où la durée de la porte d’échantillonnage
est faible devant la période
d’échantillonnage.
- L’échantillonneur moyenneur
L’échantillonneur moyenneur donne des échantillons xe(nTe) correspondant à la valeur
moyenne de x(t) prise sur la durée de l’impulsion τ. Ainsi l’échantillon n s’exprime sous la
forme suivante :
TF d'un signal échantillonné

Question : que devient le spectre du signal x(t) après échantillonnage réel?

L'expression du signal échantillonné

avec un échantillonneur réel est :

~ +
D'après Plancherel, on a : X e ( f ) = X ( f ).H (− f )  F  ( f −nFe )
n=−

Or H (−f ) =H *( f ) pour une réponse impulsionnelle h réelle

~ +
D'où : X e ( f ) = Fe  X ( f −nFe ).H (*f −nFe )
n=−
+
Rappel : pour un ech. Idéal, on avait : X e ( f ) =Fe. X ( f −nFe)
n= −

❑ Interprétation
~
L'expression de X e ( f ) est identique à Xe( f ) à un terme de pondération H *( f ) près.
➢ Le terme de pondération n'influe pas sur la condition de Shannon.

➢ Le terme H*( f ) introduit une distorsion sur le spectre par rapport au cas idéal. Cette
distorsion est d'autant plus faible que H( f ) est constante dans la bande [−Fe/2, Fe/2].
Cas des signaux à support fréquentiel non borné
❑ Problème des signaux à large bande
▪Dans le cas des signaux à support fréquentiel infini, il est impossible de définir une notion de fréquence
maximale. Quelque soit la fréquence d'échantillonnage Fe , il y a toujours repliement de spectre.

▪Les signaux réels comportent souvent une composante fréquentielle à large bande due à la présence
de bruit (perturbations aléatoires), ce qui imposerait une fréquence Fe importante.

❑ Solution : filtrage anti-repliement

On va numériser un signal x1(t), qui sera le résultat d'un filtrage passe-bas idéal du signal x(t) à support
fréquentiel infini ou à large bande.

D'une manière générale, afin de garantir la condition de Shannon, il faut utiliser un

filtre passe-bas anti-repliement de fréquence de coupure fc inférieure à Fe /2.

Te

x(t) x1(t)
xe(t)
fc
Échantillonneur
Filtre passe-bas anti-repliement
 La reconstruction
❑ Problématique

On a échantillonné un signal x(t) en respectant le échantillonnage

théorème de Shannon, comment fait-on pour le x(t) ? xe(t)
reconstruction
reconstruire à partir des échantillons?

Hypothèses : ▪ La condition de Shannon a été respectée lors de l'échantillonnage

( x(t) est à support borné en fréquence ou filtrage anti-repliement)
▪ Echantillonnage idéal
Solution : pour reconstruire le signal, il suffit de prendre la TF inverse du motif de base de Xe( f ).

|X ( f )|
▪ Filtrage passe bas idéal Fe
▪ Diviser par Fe
▪ Puis TF inverse
f
− Fe −F max
0 Fmax Fe
 La reconstruction
❑ Illustration
x(t) |X ( f )|

TF
f
t −Fmax 0 Fmax

xe(t) Echantillonnage |X e( f )|

TF
t f
0 Te 2Te − Fe − Fmax 0 Fmax Fe

Filtrage passe-bas idéal

x(t)
TF inverse 1/Fe

−Fmax
t f
0 Fmax

Problème :
▪ Filtre idéal => la connaissance de tous les échantillons x(nTe) est nécessaire pour reconstruire le signal
▪Reconstruction mathématiquement possible, mais physiquement irréalisable car le filtre passe-bas
idéal n'est pas causal → interpolation physiquement non réalisable.
 La reconstruction
❑ Interpolation idéale

L’interpolation parfaite consiste à utiliser l’interpolation de Shannon.

+
sin( Fe(t − nTe)
x(t ) =  x(nTe)·
n =−  Fe(t − nTe)

Mais l’interpolation idéale en temps réel est difficilement réalisable, car la formule d’interpolation
précédente ne satisfait pas à la condition de causalité, en effet, comme nous l’avons vu cette
interpolation correspond au filtrage par une fonction fréquentielle de type porte ( filtre idéal non
réalisable).
La reconstruction
❑ Extrapoleur d'ordre 0 (bloqueur d'ordre zéro, BOZ)
On se propose ici d'étudier une méthode de reconstruction causale.
◆ Principe
L'idée est simplement de maintenir l'échantillon x(nTe) jusqu'à l'apparition de l'échantillon x(nTe+Te).

On peut encore l'écrire

La reconstruction
❑ Extrapoleur d'ordre 0 (bloqueur d'ordre zéro, BOZ)
On se propose ici d'étudier une méthode de reconstruction causale.
◆ Principe
L'idée est simplement de maintenir l'échantillon x(nTe) jusqu'à l'apparition de l'échantillon x(nTe+Te).

On peut encore l'écrire

Conséquences en fréquence ? => Calcul de la TF de x0(t).

En remarquant qu'on peut écrire aussi :

Le spectre d'amplitude du signal reconstruit par le BOZ est celui du signal échantillonné
déformé par le terme sinc( fTe). (rmq : l'expo est strictement complexe : pas de modif
d'amplitude, mais une modification de la phase due au décalage temporel de Te/2)
La reconstruction
❑ Extrapoleur d'ordre 0 (bloqueur d'ordre zéro, BOZ)

Le spectre d'amplitude du signal reconstruit par le BOZ est celui du signal échantillonné
déformé par le terme sinc( fTe). (rmq : l'expo est strictement complexe : pas de modif
d'amplitude, mais une modification de la phase due au décalage temporel de Te/2)
La quantification

Role
Approximer chaque valeur du signal échantillonné xe(t) en un multiple entier d'une quantité
élémentaire q appelée "pas de quantification" ou quantum.

Si q est constant, on parle de quantification uniforme.

Principe
Il existe principalement deux modes de quantification
 1 1
- par arrondi :  N −   q  xe (t )  ( N + )q Alors à xe(t) on associe le code N ou la valeur Nq
 2 2

- par troncature : Nq  xe (t )  ( N + 1)  q Alors à xe(t) on associe le code N ou la valeur Nq

( N − 1)q  xe (t )  Nq

La quantification introduit une erreur modélisable mathématiquement, et que l'on peut

considérer comme une variable aléatoire.
 • Par arrondi
e
x = xq + e = Nq +e q/2

 N − 1 q  x   N + 1 q
    x
 2   2 
• Troncature par excès e
0
x = xq + e = Nq +e x
Nq  x  (N +1)q
-q

• Troncature par défaut e

q

x = xq + e = Nq + e
(N −1) q  x  Nq
0
• Bruit de quantification : quantification par arrondi
–La densité de probabilité du signal e est uniforme entre –q/2 et q/2:µ
p(e)
1q

−q 2 0 q 2

Avec p(e) densité de probabilité de répartition des amplitudes de e(k)

q
2
Pe = 
−q
p (e) x 2 dx
2

q2
=
12
 • Rapport signal sur bruit (SNR)

Un signal xq (k) est quantifié sur M niveaux entre Vmax et -Vmax

SNRmax = 10 log (Px./Pe )