Traitement de Signal

Prof. Ghassane ANIBA, Ing. PhD.

[email protected]
x(t)*y(t) —> X(f).Y(f)

x(t) —> y(t)

echan reconstruction
x[n] —> y[n]
La Première
• Points importants
Envoi de vos emails ([email protected])
Accès à un PC et internet?
Présentation des étudiants
Formation antérieure?
Etre à l’aise à poser des questions surtout après le
cours

• Présentation du cours

Prof. Ghassane ANIBA

 3

Plan du cours
I. Signaux et Systèmes
II. Systèmes Linéaires Temporellement Invariants SLTI
III. Séries de Fourier
IV. Transformée de Fourier en Temps Continu
V. Transformée de Fourier en Temps Discret
VI. Caractérisation en Temps et Fréquence des signaux et
des systèmes
VII. Transformée de Laplace
VIII. Transformée en Z
IX . Echantillonnage
 4

I. Signaux et Systèmes
1 - Signaux Temps Continu et Temps Discret
2 - Transformation de la variable
indépendante
3 - Signaux exponentiel et sinusoïdaux
4 - Impulsion unité et fonction échelon unité
5 - Systèmes Temps Continu et Temps
Discret
6 - Propriétés de bases des systèmes
 5

I.1. Signaux Temps Continu et Temps Discret

A) Exemples de signaux et représentation mathématique
signal = toute entité qui véhicule une information

Exemples:
onde acoustique Musique,
courant électrique délivré parole,
par un microphone ...

onde lumineuse source lumineuse

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

suite de nombres Mesures physiques

Photographie ...
 6
Représentation mathématique:

Signal = fonction d ’une ou plusieurs variables indépendantes:

ex: (Voix) Pression Acoustique = f(temps)
(Image) Luminosité= f(x,y:variables spatiales)
⇒ par la suite: 1 seule variable indépendante = temps

Signaux Temps Continu:

La variable indépendante est continue ⇒ t
ex: la voix en fonction du temps,
la pression atmosphérique en fonction de l ’altitude

Signaux Temps Discret:

Définis seulement pour des temps discrets
La variable indépendante est un ensemble discret de valeurs ⇒ n
ex: indice Dow-Jones du marché boursier
études démographiques ...
 7

Exemples: a) d ’un signal continu x(t) b) d ’un signal discret x[n]:

Remarques:
x[n] n ’est défini que pour des valeurs entières de n.
x[n] : signal Temps Discret ou séquence Temps Discret.

2 types de signaux discrets:

a) Signaux représentant un phénomène dont la variable indépendante est discrète
b) Signaux provenant d ’une opération d ’échantillonnage:
x[n] représente les échantillons successifs d ’un phénomène pour lequel la
variable indépendante est continue (niveau quantifié ou non...)
 8
B) Energie et puissance d ’un signal

Définition: par analogie avec les signaux électriques

Temps Continu Temps Discret

+∞ +∞

∫ x(t ) dt E x = ∑ x(n )
2 2
Energie Ex =
−∞ −∞

T
1 1 N

∫ x(t ) ∑ ( )
2 2
Puissance moyenne Px = lim dt Px = lim x n
T → +∞ 2T N → +∞ 2 N + 1
−T n=− N

3 Classes de signaux:
- Signaux à Energie finie
- Signaux à Puissance moyenne finie
- Signaux à Energie et Puissance moyenne infinies
 9

- Signaux à Energie finie

1
Ex < ∞ Px = 0

0 1 t
- Signaux à Puissance moyenne finie
4
Px < ∞ Ex = ∞
... ...

0 n
- Signaux à Energie et Puissance Moyenne infinies

Px = ∞ Ex = ∞
1

1 t
 10
I.2. Transformation de la variable indépendante

A) Exemples de transformations

Décalage temporel

t 0 < 0 : AVANCE n 0 > 0 : RETARD

 11
Inversion temporelle

Changement d ’échelle
 12

B) Signaux périodiques

x(t ) = x(t + T ) x[n] = x[n + N ]

Remarques:
T0 = période fondamentale = plus petite valeur possible de T

Px < ∞ Ex = ∞
 13
C) Signaux Pairs et Impairs

Pairs Impairs

x(t ) = x(−t ) x(t ) = − x(−t )

x[n] = x[− n] x[n] = − x[− n]

Propriété:
Tout signal se décompose en la somme:
- d ’un signal pair xpair(t) et
- d ’un signal impair ximpair(t)

1
x pair (t ) = [x(t ) + x(− t )]
2 x(t ) = x pair (t ) + ximpair (t )
1
ximpair (t ) = [x(t ) − x(− t )]
2
 14
I.3. Signaux exponentiels et sinusoïdaux

A) En Temps Continu

Signaux à exponentielle réelle: x(t ) = Ce at avec C et a réels

⇒ phénomènes physiques
a>0 a<0

Signaux à exponentielle complexe périodiques et signaux sinusoïdaux: x(t ) = e jω 0t

2π Ex = ∞
ω 0 = 2πf 0 =
T0
e jω 0t = e jω 0 (t +T ) = e jω 0t e jω 0T e jω 0T = 1

{
x(t ) = A cos(ω 0t + Φ ) = Aℜ e e j (ω 0t + Φ ) }
A jΦ jω 0 t A − jΦ − j ω 0 t
A cos(ω 0t + Φ ) = e e + e e
2 2
 15

Remarques :
- Signaux à exponentielle complexe périodiques appelés aussi signaux harmoniques
- Ensemble d ’exponentielles harmoniquement reliées =
Ensemble d ’exponentielles périodiques ayant en commun la période T0 :

Ψk (t ) = e jkω 0t , k = 0, ± 1, ± 2,...
Signaux à exponentielle réelle et complexe : x(t ) = Ce at avec a = r + jω 0 et C = C e jθ

r >0 r<0
 16
B) En Temps Discret

Signaux à exponentielle réelle: x[n] = Cα n avec C et α réels

α >1 0 <α <1

−1 < α < 0
α < −1
 17

Signaux à exponentielle complexe et sinusoïdaux: x[n] = e jω 0 n x[n] = A cos(ω 0 n + Φ )

Propriétés liées au Temps Discret:

1) e j (ω 0 + 2π )n = e j 2πn e jω 0 n = e jω 0 n
e jω 0 n = e j (ω 0 ± 2π )n = e j (ω 0 ± 4π )n = ⇒ même signal pour des
pulsations différentes!...
⇒ 0 < ω0 < 2π
0 < f0 < 1

Le taux d ’oscillations de e jω 0 n n ’augmente pas en fonction de ω0 !…

Basses fréquences ω 0 = 2k π
Hautes fréquences ω 0 = (2k + 1)π
 18
Sinusoïdes Temps Discret à différentes fréquences
 19

2) Périodicité: Pas toujours!...

e jω 0 ( n + T ) = e jω 0 n ω0 m Signal périodique si
=
Si e jω 0 N = 1 ⇒ 2π N est un entier ou une fraction rationnelle

Alors ω0 Fréquence fondamentale

m
x[n] = cos(n / 6 ) Non périodique!

périodique périodique non périodique

 20

3) Exponentielles reliées harmoniquement

2π
jk n
Ψk [n] = e N
k = 0, ±1,...

2π 2π
j(k + N ) n jk n
⇒ Ψk + N [n] = e N
=e N
e j 2πn = Ψk [n]

seulement N exponentielles distinctes...

Signaux à exponentielle réelle et complexe : x[n] = Cα n avec α = α e jω 0 et C = C e jθ

α >1 α <1
 21
I.4. Impulsion unité et fonction échelon unité

A) En Temps Discret
∆[n]
Impulsion Unité: 1
0, n ≠ 0
∆[n] =
1, n = 0 0 n

Echelon Unité: u[n]

0, n < 0 1
u[n] =
...
1, n ≥ 0
0 n

Relations:
∞
∆[n] = u[n] − u[n − 1] u[n] = ∑ ∆[n − k ]
k =0

x[n]∆[n] = x[0]∆[n]

x[n]∆[n − n0 ] = x[n0 ]∆[n − n0 ]

 22

B) En Temps Continu u(t)

Echelon Unité:
0, t < 0
u (t ) =
1, t ≥ 0
t
Impulsion Unité ou Dirac:

du (t )
On veut: δ (t ) = Problème!...
dt

δ ∆ (t ) Signal Pulse

δ (t ) = lim δ ∆ (t ) Impulsion de Dirac

∆ →0
 23
Propriétés du Dirac:

Modélisation mathématique issue de la théorie des Distributions (Laurent Schwarzt)...

- δ(t) n ’a pas de durée, sa hauteur est infinie et son aire est égale à l ’unité
+∞

∫ δ (t )dt = 1
−∞

- représentation de δ(t): δ(t) fonction singulière

1

t
Besoin des physiciens:
δ(t) modélise par exemple le courant i(t) d ’un filtre RC lors de la charge d ’un condensateur...

- δ(t) peut être pondéré par un scalaire

⇒ k.δ(t) a une aire de k
 24

x(t )δ (t ) = x(0 )δ (t ) x(t )δ (t − t0 ) = x(t0 )δ (t − t0 )

+∞ +∞

∫ x(t )δ (t ) dt = x(0)
−∞
∫ x(t )δ (t − t ) dt = x(t )
−∞
0 0

+∞ du (t )
u (t ) = δ (t − τ )dτ δ (t ) =
∫0
dt
 25

I.5. Systèmes Temps Continu et Temps Discret

x(t) → y(t) x[n] → y[n]

Système Système
x(t) Temps y(t) x[n] Temps y[n]
Continu Discret

Exemples:

- Relation entre la tension aux bornes d ’un condensateur et la tension d ’entrée

- Relation entre la vitesse d ’un véhicule et la force appliquée
dy (t )
⇒ équations différentielles linéaires du 1er ordre: + ay (t ) = bx(t )
dt

- Evolution d ’un compte bancaire y[n] − 1.01 y[n − 1] = x[n]

 26

Interconnexions de systèmes

Idée: des systèmes complexes peuvent être construits en interconnectant

des sous ensembles plus simples...

Interconnexion Série Interconnexion Parallèle

Système 1
E Système 1 Système 2 S E + S
Système 2

Interconnexion Rétro-actionnée

E + Système 1 S

Système 2
 27
I.6. Propriétés de base des systèmes

Système sans mémoire:

La sortie y à l ’instant t ou n ne dépend que de l ’entrée x à ce même instant

Système inversible:
Des entrées distinctes conduisent à des sorties distinctes
y[n]
x[n] Système w[n]=x[n]
Système
inverse

Système causal:
La sortie à n ’importe quel instant ne dépend que des valeurs de l ’entrée
aux instants présent et passés

n
y[n] = ∑ x[n] y[n] = x[n] − x[n + 1] y[n] = x[−n]
−∞
 28

Système stable:

A une entrée bornée: |x(t)| ≤ M ∀t correspond une sortie bornée |y(t)| ≤ N ∀t

n
y (t ) = x(t ) − x(t + 1) y[n] = ∑ x[n]
−∞
Système temporellement invariant :
Un décalage temporel sur le signal d ’entrée entraîne le même décalage temporel sur
le signal de sortie

x[n-n0] Système y[n-n0] x(t-t0) Système y(t-t0)

Système linéaire: ⇒ Propriété de superposition

Soit x1 (t ) → y1 (t ) Alors a.x1 (t ) + b.x2 (t ) → a. y1 (t ) + b. y2 (t )

x2 (t ) → y2 (t )
x1 [n] → y1 [n] a.x1[n] + b.x2 [n] → a. y1[n] + b. y2 [n]
x2 [n] → y2 [n]
 29

II. Systèmes Linéaires Temporellement

Invariants SLTI
1 - SLTI Temps Discret: Somme de Convolution

2 - SLTI Temps Continu: Intégrale de

Convolution

3 - Propriétés des SLTI

4 - SLTI causaux décrits par des équations

différentielles et par des équations aux
différences
 30
II.1 SLTI Temps Discret: Somme de Convolution
Etude d ’un sous-ensemble de systèmes: Nb Propriétés
Systèmes Linéaires Temporellement Invariants
Outils puissants

A) Représentation d ’un signal Temps Discret à l ’aide des signaux impulsions

+∞
x[n] = ∑ x[k ] ∆[n − k ]
Somme pondérée d ’impulsions
décalées temporellement
−∞
 31
B) Réponse d ’un SLTI Temps Discret

a) Réponse d ’un système linéaire (pas forcément T.I.)

+∞
Signal d ’entrée x[n] = ∑ x[k ] ∆[n − k ]
−∞

Si ∆[n − k ] → hk [n]

+∞
Alors: y[n] = ∑ x[k ] h [n]
k Principe de superposition
k = −∞
 32

Interprétation graphique de la réponse d ’un système linéaire Temps Discret

La réponse au signal x[n] est une combinaison linéaire

des réponses associées à chaque impulsion ∆[n] décalée temporellement
 33
b) Réponse d ’un SLTI

Il suffit de connaître la réponse h0[n] à ∆[n] ...

Invariance Temporelle ⇒ ∆[n] → h0 [n] ∆[n − k ] → hk [n] = h0 [n − k ]

Définition: Réponse impulsionnelle = Réponse d ’un SLTI à l ’impulsion unité

∆[n] SLTI h[n] h[n] = h0 [n]

On obtient: +∞
y[n] = ∑ x[k ] h[n − k ] Somme de convolution
k = −∞

y[n] = x[n]∗ h[n]

SLTI entièrement caractérisé par sa réponse impulsionnelle

 34
C) Exemple de calcul de l ’opération de convolution

Inversion de h[k] en h[-k]

Décalage temporel h[n-k]

Résultat de la convolution y[n]

 35
II.2 SLTI Temps Continu: Intégrale de Convolution

A) Représentation d ’un signal Temps Continu à l ’aide des impulsions de Dirac

1
δ ∆ (t ) = ∆ 0 ≤ t < ∆
0 ailleurs

+∞
xˆ (t ) = ∑ x(k∆ )δ (t − k∆ )∆
∆
k = −∞
 36
+∞
x(t ) = lim ∑ x(k∆ )δ (t − k∆ )∆
∆
∆ →0
k = −∞

+∞
x(t ) = ∫ x(τ )δ (t − τ )dτ
« Somme » pondérée d ’impulsions de Dirac
décalées temporellement
−∞

B) Réponse d ’un SLTI Temps Continu

a) Réponse d ’un système linéaire (pas forcément T.I.)

+∞

Signal d ’entrée: xˆ (t ) = ∑ x(k∆ )δ (t − k∆ )∆

∆
k = −∞

Si: δ ∆ [n − k ] → hk [n]
+∞

Alors: yˆ (t ) = ∑ x(k∆ )hˆ (t )∆

k∆ Principe de superposition
k = −∞
 37

Interprétation graphique de la réponse d ’un système linéaire Temps Continu

La réponse au signal x̂(t ) est une combinaison linéaire

des réponses associées à chaque pulse δ ∆ (t ) décalé temporellement
+∞ +∞

y (t ) = lim ∑ x(k∆ ) hˆ
k∆ (t )∆ = ∫ x(τ ) hτ (t )dτ avec hτ (t ) réponse à δ (t − τ )
∆ →0
k = −∞ −∞
 38
b) Réponse d ’un SLTI
+∞

Signal d ’entrée: x(t ) = ∫ x(τ )δ (t − τ )dτ

−∞
+∞
Signal de sortie: y (t ) = ∫ x(τ )hτ (t )dτ
−∞

Invariance Temporelle ⇒ δ (t ) → h0 (t ) δ (t − τ ) → hτ (t ) = h0 (t − τ )

Définition: Réponse impulsionnelle = Réponse d ’un SLTI à l ’impulsion de Dirac

δ(t) SLTI h(t) h(t ) = h0 (t )

+∞
On obtient: y (t ) = ∫ x(τ )h(t − τ )dτ Intégrale de convolution
−∞

y (t ) = x(t ) ∗ h(t )
SLTI entièrement caractérisé
par sa réponse impulsionnelle
 39
C) Exemple de calcul de l ’intégrale de convolution
Exemples:
John Hopkins University: « Joy of convolution » http://www.jhu.edu/~signals
Simon Fraser University (Vancouver): http://www.sfu.ca/index2.htm
40
 41
II.3 Propriétés des SLTI

+∞

Systèmes entièrement caractérisés y[n] = ∑ x[k ]h[n − k ] = x[n]∗ h[n]

k = −∞
par leur réponse impulsionnelle +∞
y (t ) = ∫ x(τ )h(t − τ )dτ = x(t )∗ h(t )
−∞

* Commutativité
+∞ +∞
x[n]∗ h[n] = h[n]∗ x[n] ∑ x[k ]h[n − k ] = ∑ h[k ]x[n − k ]
k = −∞ k = −∞
+∞ +∞
x(t ) ∗ h(t ) = h(t ) ∗ x(t ) ∫ x(τ )h(t − τ )dτ = ∫ h(τ )x(t − τ )dτ
−∞ −∞

x[n] h[n] y[n] h[n] x[n] y[n]

 42

* Distributivité

x[n]∗ (h1 [n] + h2 [n]) = x[n]∗ h1 [n] + x[n]∗ h2 [n] (IDEM T.C.)

Une combinaison parallèle de plusieurs SLTI peut remplacer un seul SLTI dont
la réponse impulsionnelle est la somme des réponses impulsionnelles des SLTI interconnectés
 43

* Associativité

x[n]∗ (h1 [n]∗ h2 [n]) = ( x[n]∗ h1 [n]) ∗ h2 [n] = x[n]∗ h1 [n]∗ h2 [n] (IDEM T.C.)

Une combinaison série de plusieurs SLTI peut remplacer un seul SLTI dont la réponse
impulsionnelle est la convolution des réponses impulsionnelles des SLTI interconnectés

La réponse impulsionnelle d ’un SLTI résultant de l ’interconnexion série de plusieurs

SLTI ne dépend pas de l ’ordre dans lequel ils ont été cascadés
 44

* Multiplication par un scalaire

(IDEM T.C.)
α (x[n] ∗ y[n]) = αx[n] ∗ y[n] = x[n] ∗αy[n]

*Elément neutre:
x(t ) ∗ δ (t ) = x(t ) x[n]∗ ∆[n] = x[n]

*Décalage temporel:
y[n − n0 ] = x[n − n0 ] ∗ h[n] = x[n] ∗ h[n − n0 ]
(IDEM T.C.)

x(t ) ∗ δ (t − t0 ) = x(t − t0 ) x[n]∗ ∆[n − n0 ] = x[n − n0 ] Très important

*Dérivation:
D( x ∗ y ) = (Dx ) ∗ y = x ∗ (Dy )

dx(t ) Dx[n] = x[n] − x[n − 1]

Dx(t ) =
dt
 45

* SLTI sans mémoire h[n] = 0 pour n≠0 (IDEM T.C.)

* SLTI inversible h[n]∗ hi [n] = ∆[n] h(t ) ∗ hi (t ) = δ (t )

* SLTI causal h[n] = 0 pour n<0

h(t ) = 0 pour t < 0

+∞
* SLTI stable
∑ h[k ] < ∞
k = −∞
Sa réponse impulsionnelle est
absolument sommable
+∞

∫ h(t ) dt < ∞ Sa réponse impulsionnelle est

−∞ absolument intégrable
 46

* Réponse d ’un SLTI à l ’échelon unité

Réponse indicielle: i[n] = h[n]∗ u[n] i (t ) = h(t ) ∗ u (t )

di (t )
h[n] = i[n] − i[n − 1] h(t ) =
dt

⇒ Réponse indicielle utilisée aussi pour caractériser un SLTI

 47
II.4 SLTI causaux décrits par
des équations différentielles et des équations aux différences
N
d k y (t ) M
d k x(t )
A) Equations différentielles linéaires à coefficients constants ∑ ak dt k
= ∑ bk dt k
M ≤N Système Causal k =0 k =0
⇒ Description de phénomènes physiques TC:
Réponse d ’un circuit RC, vitesse d ’un véhicule soumis à une accélération et des forces de frottement ...

Exemple dy (t ) avec x(t ) = ke3t u (t )

+ 2 y (t ) = x(t ) (1)
dt
Spécification implicite du système ⇔ relation ou contrainte entre l ’entrée et la sortie
a) Pour avoir une expression explicite ⇒ résoudre l ’équation, trouver y(t) génerale
b) Pour trouver une solution unique ⇒ Informations complémentaires, appliquer les conditions initiales

Rappels: Résolution d ’une équation différentielle à coefficients constants

y gén (t ) = y part (t ) + yhom (t )

y part (t ) : solution particulière vérifiant (1) de même forme que l ’entrée

dy (t )
yhom (t ) : solution de l ’équation homogène + 2 y (t ) = 0
dt
 48

k 3t
D ’où: y part (t ) = e , t >0 yhom (t ) = Ae −2t , t > 0
5
k
y gen (t ) = Ae −2t + e3t , t > 0 ⇒ infinité de solutions
5

Application des Conditions Initiales

Cas particulier SLTI CAUSAL + CI de SIAR: Système Initialement Au Repos

Définition:

Un système causal est initialement au repos, si sa sortie est nulle tant que son entrée est nulle
x(t ) = 0 pour t ≤ t0 , alors y (t ) = 0 pour t ≤ t0

D ’où: x(t ) = 0 pour t ≤ 0, alors y (t ) = 0 pour t ≤ 0 et y gen (0 ) = 0

y IAR (t ) =
5
[
k 3t
]
e − e − 2t , t > 0
 49
Propriété 1

Un système, régi par une équation différentielle à coefficients constants, initialement au repos,
est un SLTI IAR autrement dit un système convolutif

Propriété 2

La solution yIAR(t) d’un système régi par une équation différentielle à coefficients constants et
initialement au repos, est égale au produit de convolution de la réponse impulsionnelle h(t) du SLTI
par l ’entrée x(t) appliqué au système

y IAR (t ) = h(t ) ∗ x(t )

Propriété 3

Dans le cas général, la solution y (t) d’un système régi par une équation différentielle à coefficients
constants et non initialement au repos, peut se décomposer en la somme de yIAR (t) solution du
système initialement au repos et de yZI(t) solution du système avec une entrée nulle et les conditions
initiales réelles
y (t ) CI réelles = y IAR (t ) + y ZI (t ) CI réelles

y (t ) CI réelles = h(t ) ∗ x(t ) + yhom (t ) CI réelles

 50
B) Equations aux différences linéaires à coefficients constants N M
∑ ak y[n − k ] = ∑ bk x[n − k ]
k =0 k =0
Même méthode de résolution que pour les équations différentielles à coefficients constants

Mêmes propriétés 1, 2 et 3 ...

Cas particulier: SLTI CAUSAL , Système Initialement au Repos y IAR [n] = h[n] ∗ x[n]

N M M N
1
∑ ak y[n − k ] = ∑ bk x[n − k ] ⇔ y[n] =
a0
∑ bk x[n − k ] − ∑ ak y[n − k ] Éq. récursive
k =0 k =0 k =0 k =1

M
bk Éq. non récursive bn
Si N=0 y[n] = ∑ x[n − k ] SLTI ⇒ h[n] = a0
,0≤n≤M
k =0 a0
Système FIR 0, ailleurs

Équation récursive ⇒ Réponse impulsionnelle du SLTI initialement au repos,

Si N≥ 1
de durée infini
Système IIR
 51

III. Séries de Fourier

1 - Réponse d ’un SLTI à des exponentielles
complexes

2 - Représentation en Série de Fourier des

Signaux périodiques en Temps Continu
3 - Représentation en Série de Fourier des
Signaux périodiques en Temps Discret
4 - Séries de Fourier et SLTI
5 - Filtrage
 52
III. Séries de Fourier

Avant propos

Merci M. Fourier!...

Jean-Baptiste Joseph Fourier

21/03/1768 (Auxerre) - 16/05/1830

 53
III.1 Réponse d ’un SLTI aux exponentielles complexes

Idées :
1- Rechercher des signaux de base pouvant construire une grande classe de
signaux par simple combinaison linéaire
2- Réponses du SLTI à ces signaux suffisamment simples pour pouvoir déduire la
réponse à n ’importe quel signal d ’entrée construit à partir de ces signaux de base

* Analyse de Fourier montre que les exponentielles complexes en TC et TD

vérifient ces propriétés :

En temps continu: e st = e ( r + jω )t

En temps discret: z n
= (re )
jθ n

Propriété 1: un peu plus tard…

 54

Propriété 2:

La réponse d ’un SLTI à une exponentielle complexe n ’est autre que

la même exponentielle complexe multipliée par une amplitude complexe

valeur propre

En temps continu: e st → H (s ) e st
vecteurs
propres
En temps discret: z → H (z ) z
n n

On démontre que: valeur propre

+∞
En temps continu: H (s ) = ∫ h(τ )e − sτ dτ H(s) et H(z)
−∞
+∞ fonctions de transfert
En temps discret: H (z ) = ∑
k = −∞
h[k ]z − k du système

Exercices:
x(t ) = a1e s1t + a2 e s2t + a3e s3t x[n] = ∑ ak z kn
k
 55

Quelques exemples de signaux périodiques

Sinusoïde

Rectangle périodique

Triangle périodique

Dent de scie
 56
III.2 Représentation des signaux périodiques T.C. en série de Fourier

Tout signal périodique de puissance finie peut se représenter sous la forme

d ’une combinaison linéaire d ’exponentielles complexes reliées harmoniquement

Synthèse
+∞
f0 = 1/ T x(t ) = ∑ k
X e
k = −∞
jkω 0t

ω 0 = 2πf 0
1 T /2
ω 0 = 2π / T Xk =
T ∫
−T / 2
x(t ) e − jkω 0t dt

Analyse
coefficient de Fourier ou coefficient spectral

e jω 0t = cos ω 0t + j sin ω 0t
e jkω 0t + e − jkω 0t
cos ω 0t = Re e ( jω 0 t
) Euler: cos(kω 0t ) =
2
(
sin ω 0t = Im e jω 0t ) sin( kω 0t ) =
e jkω 0t − e − jkω 0t
2j
 57

Composante continue:
1
X0 = ∫x(t )dt Valeur moyenne du signal sur une période T
TT

Composante fondamentale ou 1er harmonique:

x fondamental (t ) = xharm1 (t ) = X −1e − jω 0t + X 1e jω 0t

⇒ Signal de même fréquence que le signal périodique f0 = 1/T

kième harmonique:
xharm − k (t ) = X − k e − jkω 0 t + X k e jkω 0 t

⇒ Signal de fréquence f = kf0 Tk=T/k

Exercices:
Trouver les développements en série de Fourier complexe de:
π
x(t ) = sin ω 0t x(t ) = 1 + sin ω 0t + 2 cos ω 0t + cos 2ω 0t +
4
 58
Forme trigonométrique:
Tout signal périodique réel de puissance finie peut être représenté par une
combinaison linéaire de sinus et de cosinus
Rapport cyclique =1/2 ⇒ B2k=0
Ak et Bk : Coefficients de Fourier réels

∞ Ak=0
A
x(t ) = 0 +
2 ∑ A cos(kω t ) + B sin(kω t )
k =1
k 0 k 0
(signal impaire)

T /2 1(4/π)
2
Ak = ∫ x(t ). cos(kω 0t )dt
T −T / 2
k = 0,1,2,... (fondamentale)

1+ 3 (4/3π)
T /2
2
Bk = ∫ x(t ). sin( kω 0t )dt
T −T / 2
k = 1,2,3...

Lien avec la série exponentielle: 1+ 3+5 (4/5π)

1
X 0 = A0 X k = ( Ak − jBk ) X −k = 1 ( Ak + jBk )
2 2
1+ 3+ 5 + 7 (4/7π)

Fréquence fondamentale: Composante

2π 4
ω 0 = 2πf 0 = continue: A0 B2 k +1 =
T (2k + 1)π
2
 59

Exemples de Coefficients de Fourier

Le spectre du signal

Pour ça ?

T=5τ
Regraduons l ’axe des n
en fréquence ...

Aτ sin( nω 0τ / 2)
Xn =
T nω 0τ / 2

A τ sin (n π f 0 τ )
Xn =
T n π f0 τ
 60

Propriétés des Séries de Fourier en Temps Continu

FS
* Linéarité z (t ) = α x(t ) + β y (t ) ↔ Z k = α X k + β Yk

FS
* Décalage temporel x(t − t0 ) ↔ X k e − jkω 0t0

FS
* Inversion temporelle x(− t ) ↔ X − k x(t) paire ⇒ Xk paire
x(t) impaire ⇒ Xk impaire

+∞

* Changement d ’échelle x(α t ) = ∑X k e j (αω 0 )kt x(t) : T, ω0 ⇒ x( αt) : T/α, αω0

k = −∞
Xn inchangé, mais représentation de la
série de Fourier modifiée

FS +∞
* Multiplication z (t ) = x(t ) y (t ) ↔ Z k = ∑X Y l k −l
Convolution discrète
l = −∞

x(t ), y (t ), z (t ) de même période T

 61
FS
* Conjugaison x (t ) ↔ X −∗k
∗

X − k = X k∗ Symétrie conjuguée
x(t) réel ⇒ Re( X k ) : paire X k : paire
Im( X k ) : impaire ∠ X k : impaire
x(t) réel et paire ⇒ Xk réel et paire
x(t) réel et impaire ⇒ Xk imaginaire et impaire

* Relation de Parseval

+∞
1
= ∫ x(t ) dt = ∑ X k
2 2
Pmoy
TT k = −∞

1 2
∫
jkω 0t 2
Pmoy (harm − k ) = X k e dt = X k
TT

La puissance moyenne d ’un signal périodique est égale à la somme des

puissances moyennes de toutes ses composantes harmoniques
 62
III.3 Représentation des signaux périodiques T.D. en série de Fourier

Signal périodique x[n] = x[n + N ] Période N

Fréquence fondamentale: ω0= 2π/N
Problème:
2π
x[n] = e
j n
jω 0 n
Prenons: =e N

2π
jk n
Ensemble des signaux périodiques avec la période N: Ψk [n] = e N
k = 0, ±1,...

2π 2π
j ( k + rN ) n jk n
Seulement N exponentielles distinctes Ψk + rN [n] = e N
=e N
e j 2πnr = Ψk [n]

Représentation d ’un signal périodique avec les séquences Ψk [n] :

+∞ +∞ +∞ 2π
x[n] = ∑ X Ψ [n] = ∑ X e ∑X e
jk n
jkω 0 n
k k k = k
N

k = −∞ k = −∞ k = −∞

Seulement N Ψk [n] distinctes

2π
Série de Fourier
x[n] = ∑ X k Ψk [n] =
jk n
⇒
k= N
∑ k
X
k= N
e jkω 0 n
= ∑X
k= N
k e N Temps Discret
Série Finie
 63

Décomposition en Série de Fourier d’un signal périodique discret

Tout signal discret périodique (période N) peut être représenté par une combinaison linéaire de N
exponentielles complexes discrètes reliées harmoniquement
Synthèse
2π
x[n] =
jk n
∑X
k= N
k e jkω 0 n = ∑X
k= N
k e N

2π
1 1
∑ x[n] e ∑ x[n] e
− jk n
− jkω 0 n
Xk = = N

Coefficient de Fourier N n= N N n= N
ou Coefficient spectral Analyse

Remarque x[n] = X 0 Ψ0 [n] + X 1Ψ1 [n] + ... + X N −1ΨN −1 [n]

x[n] = X 1Ψ1 [n] + X 2 Ψ2 [n] + ... + X N ΨN [n]
Donc:
X0 = X N X k = X k+N ...

Les coefficient Xk sont périodiques de période N

La représentation en Série de Fourier Temps Discret est une série FINIE de N termes
 64

Propriétés des Séries de Fourier en Temps Discret

FS
* Multiplication z[n] = x[n]y[n]↔ Z k = ∑X Y l k −l
Convolution discrète
l= N périodique

z[n] périodique N ⇒ Zk périodique N

FS 2π
− jk
x[n − n0 ]↔ X k e
n0
* Décalage temporelle N 0

2π
* Différenciation FS
x[n] − x[n − 1]↔ 1 − e
− jk
N
Xk

1
∑ x[n] = ∑
2 2
* Parseval Pmoy = Xk
N n= N k= N

La puissance moyenne d ’un signal périodique est égale à la somme des

puissances moyennes de ses N composantes harmoniques
 65
III.4 Séries de Fourier et SLTI
Fonctions de Transfert:
+∞
e → H (s ) e H (s ) = ∫ τ − sτ
dτ
st st
T.C. : h ( ) e
−∞
+∞
z → H (z ) z H (z ) = ∑ h[k ] z − k
n n
T.D. :

k = −∞ Avec h(τ) , h[k]

Réponses fréquentielles: réponses impulsionnelles
+∞
H ( jω ) = − jω t des SLTI
T.C. : s = jω ∫ h(t )e dt
−∞
( )
+∞
T.D. : z = e jω H e jω = ∑ h[n ]e − jω n

n = −∞

( )
Réponse d ’un SLTI à une
exponentielle complexe
e jω 0 t → H ( j ω 0 ) e jω 0 t e jω 0 n → H e jω 0 e jω 0 n

Réponse d ’un SLTI {

cos(ω 0t ) → Re H ( jω 0 ) e jω 0 t } { ( )
cos[ω 0 n] → Re H e jω 0 e jω 0 n }
à un signal sinusoïdal
cos(ω 0t ) → H ( jω 0 ) cos(ω 0t + ∠H ( jω 0 )) ( ) [ ( )]
cos[ω 0 n] → H e jω 0 cos ω 0 n + ∠H e jω 0
 66
Réponse d’un SLTI à une entrée périodique

Principe de superposition

La réponse d ’un SLTI à une combinaison de plusieurs signaux d ’entrée peut se déterminer en
faisant la somme des réponses individuelles à chacun de ces signaux

Temps Continu Temps Discret

+∞ 2π
jk n
Signal d ’entrée
x(t ) = ∑ k
X e j kω 0 t
x[n] = ∑ Xk e N
périodique
k = −∞ k= N

( )=
+∞ +∞
H ( jω ) = ∫ h(t )e [ ]
Réponse fréquentielle jω
∑ − jω n
− jω t
du SLTI
dt He h n e
−∞ n = −∞

+∞ 2π 2π
y (t ) = ∑ X k H ( j kω 0 )e j kω 0 t
y[n] = ∑X
Réponse du SLTI jk jk n

au signal périodique k H e N
e N

k = −∞ k= N

2π
jk
Yk = X k H ( j kω 0 )
Coefficient de Fourier
de la sortie périodique Yk = X k H e N
 67

Réponse d ’un SLTI à un signal périodique y(t)

x(t) SLTI

1 3

2
 68
III.5 Filtrage
Intérêt:
Changer la forme d ’un spectre, laisser passer certaines fréquences et en atténuer ou éliminer d ’autres

Filtres sélectifs
Filtres idéaux Temps Continu Filtres idéaux Temps Discret

Passe Bas

Passe Haut

Passe Bande

Périodicité 2π : e jω n = e j (ω + 2π ) n
HF pour ω= (2k+1)π
 69
Exemples de filtres Temps Continu

Résolution des équations différentielles à coefficients constants

Systèmes décrits par des équations différentielles à coefficients constants et initialement au repos sont
des SLTI

Exemple: Filtre Passe-Bas RC

dVC (t )
R
RC + VC (t ) = VS (t )
dt
C
VS(t) + VC(t) VS (t ) = e jω t → VC (t ) = H ( jω )e jω t
-

1
H ( jω ) =
1 + RCjω

Exemple: Filtre Passe-Haut RC

C

VS(t) + VR(t)
R

-
 70
Exemples de filtres Temps Discret

Résolution des équations aux différences à coefficients constants

Systèmes décrits par des équations aux différences à coefficients constants et initialement au repos
sont des SLTI

Filtre récursif du 1er ordre (IIR: Infinite Impulse Response)

y[n] − ay[n − 1] = x[n] a <1

( )
x[n] = e jω n → y[n] = H e jω e jω n

( )
H e jω =
1
1 − ae − j ω

Filtre non récursif (FIR: Finite Impulse Response)

1
y[n] = (x[n − 1] + x[n] + x[n + 1]) Filtre à moyenne glissante
3
1
h[n] = (∆[n − 1] + ∆[n] + ∆[n + 1])
3

( )
H e jω =
3
(
1 − jω 1
)
e + 1 + e jω = (1 + 2 cos ω )
3
 71

IV. Transformée de Fourier en Temps Continu

1 - Signaux Apériodiques: Transformée de Fourier
Temps Continu
2 - Paires de Transformées de Fourier en Temps
Continu
3 - Propriétés de la TF Temps Continu
4 - Propriété de la convolution
5 - Propriété de la multiplication
6 - Signaux Périodiques et Transformée de Fourier
7 - Réponse fréquentielle d’un SLTI régi par des
équations différentielles linéaires à coefficients
constants
 72
Aτ sin( nω 0τ / 2) sin(ωτ / 2)
X ( jω ) = Aτ
Enveloppe des échantillons
Xn =
T nω 0τ / 2 ωτ / 2 T Xn
T Xn
T A / 20
=5
τ X ( jω )

0 5ω0 10ω0

T Xn
T A / 20
= 10
τ
X ( jω )

0 10ω0 20ω0

T Xn
T A / 20
= 20
τ X ( jω )

0 20ω0 40ω0
 73
IV.1 Signaux Apériodiques: Transformée de Fourier T.C.

Rappels: Signaux périodiques (T) à puissance finie - Série de Fourier

x (t )
~
ω 0 = 2π / T
+∞ T /2
1 ~ − jkω 0t
x (t ) =
~
∑X k e jkω 0t
Xk = ∫ x (t )e dt ... ...
k = −∞ T −T / 2
-T -T1 0 T1 T 2T t
Somme infinie d ’exponentielles complexes reliées harmoniquement - Spectre discret

x(t)
T /2 +∞
1 1
( ) − j kω 0 t
( ) − j kω 0 t

T −T∫/ 2 T −∫∞
Or: Xk = x t e dt = x t e dt
-T1 T1 t
+∞

Soit: X ( jω ) = ∫ x (t )e − jω t
dt Enveloppe des échantillons T.Xk
−∞
1
Xk = X ( j kω 0 )
T
+∞ +∞
1 1
x (t ) = ∑ X ( jkω 0 )e jkω 0t =
~
∑ X ( jkω )e jkω 0t
ω0
2π
0
k = −∞ T k = −∞

1 +∞ Intégrale
x (t ) → x(t ) x(t ) = X ( jω )e
~ jω t
Si T →∞
ω 0 → dω 2π ∫ −∞
dω
de Fourier
 74
Série de Fourier
Signaux périodiques +∞
Somme infinie d ’exponentielles
Période T x(t ) = ∑X k e jkω 0t complexes reliées harmoniquement

ω 0 = 2π / T k = −∞ Spectre discret apériodique

Puissance Finie T /2
1
x(t )
Xk = ∫ x (t )e − jkω 0t
dt Xk
T −T / 2

0 T 2T t 0 1 2 k

Transformée de Fourier Transformée de Fourier Inverse

(Synthèse)
Signaux apériodiques
Intégrale infinie
1 +∞
x(t ) = X ( jω )e
jω t
Période T→ ∞
Energie Finie 2π ∫
−∞
dω d ’exponentielles complexes

Spectre continu apériodique

+∞ X(jω)
X ( jω ) = ∫ x(t )e
− jω t
x(t)
dt
−∞
0 T t ω
Transformée de Fourier Directe (Analyse)
 75

Transformée de Fourier en Temps Continu pour des Signaux Apériodiques

1 +∞ jω t +∞ j 2πf t
x(t ) = ∫−∞ X ( jω ) e dω x(t ) = ∫ X ( f )e df
2π −∞

+∞ +∞
X ( jω ) = ∫ x (t ) e − jω t
dt X(f )= ∫ x (t ) e − j 2πf t
dt
−∞ −∞

Pulsation Fréquence
 76
IV.2 Paires de Transformées de Fourier en TC

Signaux TF fréquence TF pulsation

δ (t ) 1 1
1 δ(f ) 2πδ (ω )
1
cos(2πf 0t ) = cos(ω 0t ) [δ ( f − f 0 ) + δ ( f + f 0 )] π [δ (ω − ω 0 ) + δ (ω + ω 0 )]
2
1 π
sin (2πf 0t ) = sin (ω 0t ) [δ ( f − f 0 ) − δ ( f + f 0 )] [δ (ω − ω 0 ) − δ (ω + ω 0 )]
2j j
1 1 1
u (t ) δ ( f )+ πδ (ω ) +
2 j 2πf jω

1, t < a / 2 ω
x(t ) a sinc (πfa ) a sinc a
0, t > a / 2 2

+∞
1 1 +∞ k 2π 2π +∞
2π
PT (t ) = ∑ δ (t − kT )
k = −∞
P1 ( f ) =
T T ∑
T k = −∞
δ f−
T T T
P2π ( jω ) =
T ∑δ ω − k
k = −∞ T
Peigne de Dirac
 77
Principales paires
de la
Transformée de
Fourier Temps
Continu
 78
IV.3 Propriétés de la TF Temps Continu
TF
* Linéarité α x(t ) + β y (t ) ↔ α X ( jω ) + β Y ( jω )
TF 1 ω
x(α t ) ↔
TF
* Changement d ’échelle X j x(− t ) ↔ X (− jω )
α α
Contraction Temporelle (α >1) ⇒ Dilatation Fréquentielle

* Dualité

TF
x(t − t0 ) ↔ X ( jω ) e − jω t0
TF
* Décalage x(t ) e jω 0 t
↔ X ( j (ω − ω 0 ))
TF
x(t − t0 ) ↔ X ( jω ) e − j [∠X ( jω )−ω t0 ]

dx( t ) TF
TF dX ( jω )
* Dérivation ↔ jω X ( jω ) − jt x( t ) ↔
dt dω
 79
* Conjugaison TF
x (t ) ↔ X ∗ (− jω )
∗

Cas particulier: x(t) réel ⇒ Symétrie conjuguée: X ( jω )= X ∗ (− jω )

Re{X ( jω )}: paire X ( jω ) : paire

Im{X ( jω )}: impaire ∠ X ( jω ) : impaire

x(t) réel et paire ⇒ X(jω) réel et paire

x(t) réel et impaire ⇒ X (jω) imaginaire et impaire

* Relation de Parseval

+∞
1
+∞ +∞ (
X jω ) 2

x(t ) X ( jω ) X(f )
2 2 2
E= ∫ dt =
2π ∫ dω = ∫ df Densité Spectrale d’Energie
−∞ −∞ −∞ du signal x(t)

Energie total d ’un signal = Energie par unité de temps intégrée sur tous les temps
= Densité spectrale d ’énergie intégrée sur toutes les fréquences
 80
IV.4 Propriété de la convolution
+∞
Recherchons la TF de y(t)=x(t)*h(t) y (t ) = ∫ x(τ )h(t − τ )dτ
−∞
+∞ +∞ +∞ +∞
Rappel: vrai si SLTI Stable
∫ ∫ x(τ )h(t − τ )dτ e ∫ x(τ ) ∫ h(t − τ )e dt dτ
− j ωt
Y ( jω ) = dt = − j ωt
+∞
−∞ −∞

+∞
−∞

+∞
−∞
∫ h(t ) dt < ∞
−∞

∫ x(τ )H ( jω )e dτ = H ( jω ) ∫ x(τ )e − jωτ dτ

− jωτ
Y ( jω ) = = H ( jω ) X ( jω )
−∞ −∞

TF
y (t ) = x(t ) ∗ h(t ) ↔ Y ( jω ) = X ( jω ) H ( jω )

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

h(t)
h(t): réponse impulsionnelle du SLTI

H(jω): réponse fréquentielle du SLTI TF TF TF

+∞
H ( jω ) = ∫ h(t )e − jω t dt X(f) Y(f) = X(f) . H(f)
−∞ H(f)
 81
IV.5 Propriété de la multiplication

Modulation d ’amplitude

TF
signal modulé r (t ) = s (t ) p(t ) ↔ R( f ) = S ( f )∗ P( f )

signal modulant porteuse

S(f)
Exemple A

Porteuse: p(t ) = cos(2πf 0t )

-f1 f1 f
P(f)
1/2 1/2 1
P( f ) = [δ ( f − f 0 ) + δ ( f + f 0 )]
-f0 f0 f 2
R(f)
A/2 A/2
1
R( f ) = [S ( f − f 0 ) + S ( f + f 0 )]
-f0-f1 -f0 +f1 f0 -f1 f0 +f1 f 2
-f0 f0
 82

g (t ) = r (t ) p(t )
Exemple: Démodulation d ’amplitude
R(f)
A/2 A/2
1
f0 -f1 f0 +f1
R( f ) = [S ( f − f 0 ) + S ( f + f 0 )]
-f0-f1 -f0 +f1 f 2
-f0 f0
P(f) Porteuse: p(t ) = cos(2πf 0t )
1/2 1/2 1
P( f ) = [δ ( f − f 0 ) + δ ( f + f 0 )]
2
-f0 f0
G(f)
A/2
A/4 A/4

-2f0 -f0 f0 2f0 f

H(f)
H(f) Filtre Passe-Bas
-fc fc f

H(0) A/2 Y(f) = G(f) H(f) Y(f) = G(f) H(f)

y(t) ~ s(t)
f
 83

Propriétés de la
Transformée de
Fourier Temps
Continu
 84
IV.6 Signaux Périodiques et Transformée de Fourier

A/ Extension de la TF en Temps Continu

+∞
TF
Considérons l ’impulsion X ( f ) = δ ( f − f0 ) ↔ x(t ) = ∫ δ ( f − f 0 )e
j 2π f t
df = e j 2π f 0t

−∞
Un signal périodique se décompose en Série de Fourier

+∞
1
x p (t ) = ∑X e
k = −∞
k
jk 2π f 0t
f0
= T période du signal
+∞

∑ δ ( f − kf )
0

+∞ +∞ k = −∞

x p (t ) = ∑ ∫
k = −∞
X k δ ( f − kf 0 )e jk 2π ft df
... ...
−∞
-2f0 -f0 0 f0 2f0 3f0
+∞ +∞ f
x p (t ) = ∫ ∑
− ∞ k = −∞
X k δ ( f − kf 0 ) e jk 2π ft df

+∞ Train d ’impulsions de Dirac pondérées

Par identification X p( f )= ∑ X δ ( f − kf )
k = −∞
k 0 par les coefficients de Fourier Xk et
situées aux fréquences f = kf0
 85

Comparaison entre la décomposition en Série de Fourier d ’un signal

périodique et sa Transformée de Fourier
xp(t)

T= 4 T1
-T 0 T1 T

Xk X p ( jω )

k
 86
B/ Expression simple de la TF d ’un signal périodique en TC

Tout signal périodique xp(t) peut être représenté comme la somme d ’une suite infinie de translatées de
x(t) motif élémentaire sur [0, T] xp(t)
x(t ) x(t + T ) x(t ) x(t − T ) x(t − 2T )
... ...
t 0 T 2T 3T
0 T t
+∞
PT (t ) = ∑ δ (t − kT )
+∞
x p (t ) = ∑ x(t − kT )
k = −∞
k = −∞

... ...
Or: x(t − kT ) = x(t ) ∗ δ (t − kT )
-T 0 T 2T 3T t
+∞ X(f )
D ’où: x p (t ) = x(t ) ∗ ∑ δ (t − kT ) = x(t )∗ PT (t )
k = −∞ X −
1 X
1
T 2
T X
T
Propriété de la convolution 1
f0 =
T f
1
X p ( f ) = X ( f ) . P1 ( f ) 0 1/T 2/T 3/T
T T
X p( f )
+∞ +∞
1 k 1 k k
X p( f )= ∑ X ( f )δ f − ∑
1 1
= X δ f− 1
X −
1
T
X
T 1 2
T k = −∞ T T k = −∞ T T T T
T
X
T

1 k 1 La TF permet d ’obtenir
Xk = X = X (k f 0 ) 0 1/T 2/T 3/T f
T T T directement les coefficients de Fourier!
 87
IV.7 Réponse fréquentielle d’un SLTI régi par des équations
différentielles linéaires à coefficients constants
N
d k y (t ) M d k x(t )
∑
k =0
ak
dt k
= ∑ bk
k =0 dt k

Y ( jω ) Hypothèse:
Propriété des SLTI: Y ( jω ) = H ( jω ) X ( jω ) H ( jω ) =
X ( jω ) H(jω) existe (converge)

d k y (t )
N M
d k x(t )
Or: TF ∑ ak = TF ∑ bk
k =0 dt k k =0 dt k

N M

∑ a ( jω )
k =0
k
k
Y (ω ) = ∑ b ( jω )
k =0
k
k
X ( jω )

∑ b ( jω )
k
k
H ( jω ) = k =0
N

∑ a ( jω )
k
k
k =0
 88

V. Transformée de Fourier en Temps Discret

1 - Signaux Apériodiques: Transformée de Fourier
Temps Discret
2 - Propriétés de la TF Temps Discret
3 - Propriété de la convolution
4 - Propriété de la multiplication
5 - Signaux périodiques et Transformée de Fourier
Temps Discret
6 - Calcul de la Transformée de Fourier d’une suite
numérique
7 - Réponse fréquentielle d’un SLTI régi par des
équations aux différences linéaires à
coefficients constants
Résumé Séries de Fourier - Transformées de Fourier
 89
V.1 Signaux Apériodiques: Transformée de Fourier T.D.
Série de Fourier
Signaux périodiques 2π Somme finie de N exponentielles
jk n
Période N x[n] = ∑ Xk e N complexes reliées harmoniquement

Puissance Finie k= N Spectre discret et périodique

2π
1
∑ x[n]e
−jk n
x[n] Xk = N
Xk
N n= N
... ...
0 N 2N 01 N k

Transformée de Fourier Inverse

Transformée de Fourier (Synthèse)

Signaux apériodiques Intégrale sur une période

∫ ( )
1
Période N → ∞
x[n] =
jω n
X e jω e dω d ’exponentielles complexes
Energie Finie 2π 2π Spectre continu et périodique
+∞
x[n]
( ) = ∑ x[n] e
X e jω − jω n X(ejω)

n = −∞

0 N n 0 2π ω
Transformée de Fourier Directe (Analyse)
 90

Principales paires de
la Transformée de
Fourier Temps
Discret
 91
V.4 Propriétés de la TF Temps Discret

* Périodicité (
X e j (ω +2π ) = X e jω ) ( )

( ) ( )
TF
* Linéarité α x[n] + β y[n] ↔ α X e jω + β Y e jω

( )
TF
* Inversion temporelle x[− n] ↔ X e − jω

( )e ( )
TF TF
x[n − n0 ] ↔ X e x[n] e ↔ X e j (ω −ω 0 )
* Décalage jω − jω n0 jω 0 n

* Dérivation
TF
(
x[n] − x[n − 1] ↔ 1 − e − jω
)X (e ) jω
− jn x[n] ↔
dX e jω
TF ( )
dω
 92
* Changement d ’échelle

x[n / k ] si n multiple de k xk: « version ralentie » de x[n]

x(k )[n] =
Soit:
0 sinon

( )= ∑ x[r ]e − j (kω ) r = X (e j kω )
+∞ +∞ +∞
X (k ) e jω
∑ x(k )[n]e − jω n
= ∑ x(k )[rk ]e − jω rk
=
n = −∞ r = −∞ r = −∞
 93

( )
TF
* Conjugaison x [n] ↔ X ∗ e − jω
∗

Cas particulier: x[n] réel ⇒ Symétrie conjuguée: ( ) (

X e jω = X ∗ e − jω )
{ ( )}
Re X e jω : paire ( )
X e jω : paire
Im{X (e ω )}: impaire
j
∠ X (e ω ): impaire
j

x[n] réel et paire ⇒ X(e jω) réel et paire

x[n] réel et impaire ⇒ X (e jω) imaginaire et impaire

* Relation de Parseval X e ( )
jω 2

∫ X (e )
+∞ 1 Densité Spectrale
1 jω 2
∑ x[n] dω = ∫ X ( f )
2 2
E= = df d’Energie
n = −∞ 2π 2π 0
du signal x(t)

Energie total d ’un signal = Energie par unité de temps sommée sur tous les temps
= Densité spectrale d ’énergie intégrée sur une période
 94
V.5 Propriété de la convolution

( ) ( ) ( )
TF
y[n] = x[n]∗ h[n] ↔ Y e jω = X e jω H e jω

x[n] y [n] = x [n] * h [n]

h [n]
h[n]: réponse impulsionnelle du SLTI

H(e jω): réponse fréquentielle du SLTI TF TF TF

+∞
He( ) = ∑ h[n] e
jω − jω n
X(f) Y(f) = X(f) . H(f)
n = −∞ H(f)

+∞
Rappel: vrai si SLTI Stable ∑ h[n] < ∞
n = −∞
 95
V.6 Propriété de la multiplication

TF
y[n] = x1[n] x2 [n] ↔ Y ( f ) = X 1 ( f )∗ X 2 ( f )

Attention: Convolution périodique

1

∫ ( ) ( )
1
Y ( f ) = X 1 (υ )X 2 ( f − υ )dυ =
∫ X 1 e jθ X 2 e jω − e jθ dω
0
2π 2π
 96
Propriétés de la
Transformée de
Fourier Temps
Discret
 97
V.2 Signaux périodiques : Extension de la TF Temps Discret
+∞

A/ Extension de la TF en Temps Discret ∑ δ ( f − f0 − k )

k = −∞
+∞
Soit le peigne X(f )= ∑ δ ( f − f0 − k ) ... ...
de Dirac: k = −∞
0
TF +∞ f0-2 f0-1 f0 f0+1 f0+2 f
Montrons que: e j 2π f 0 n
↔ ∑δ ( f − f
k = −∞
0 − k)
+∞
x[n] = ∫ ∑δ ( f − f
1 1

∫ X(f )e j 2π f n
df = 0 − k )e j 2π f n df
0 0
k = −∞
(Hypothèse 0<f0<1 )

x[n] =
1 1

∫ δ ( f − f 0 )e j 2π f n df = ∫ δ ( f − f 0 ) e j 2π f n df = e j 2π f
0 0 n
0 0
2π
x p [n] = ∑X
jk n
Un signal périodique se décompose en Série de Fourier k e N

k= N
1 +∞ 1
k k
x p [n] = ∑
k= N
Xk ∫∑ δ f−
N
− l e j 2π f n df x p [n] = ∑
k= N
Xk ∫δ f − N
e j 2π f n df
0 l = −∞ 0

1 +∞
k
x p [n] = ∫ ∑X δ
0 l = −∞
k f−
N
e j 2π f n df
Train d ’impulsions de Dirac
pondérées par les coefficients de
+∞
k
Par identification X p( f )=
l = −∞
∑
Xk δ f −
N
Fourier périodiques et
situées aux fréquences f = k/N
 98
B/ Expression simple de la TF d ’un signal périodique en TD

Tout signal périodique xp(t) peut être représenté comme la somme d ’une suite infinie de translatées de
x[n] motif élémentaire sur [0, N] xp[n]
x[n]
x[n + N ] x[n] x[n − N ] x[n − 2 N ]

... ...
0 N n 0 N 2N 3N
n
+∞
PN [n] = ∑ ∆[n − kN ]
+∞
x p [n] = ∑ x[n − kN ]
k = −∞
k = −∞

... ...
Or: x[n − kN ] = x[n]∗ ∆[n − kN ]
-N 0 N 2N 3N t
+∞
D ’où: x p [n] = x[n]∗ ∑ ∆[n − kN ] = x[n]∗ P [n]
k = −∞
N X(f)
1
X
N
Propriété de la convolution ... ...
1
X p ( f ) = X ( f ). P1 ( f ) 0 1 f
N N
1 +∞
k 1 +∞
k k
Xp (f)
X p( f )=
N ∑
k = −∞
X ( f )δ f −
N
=
N ∑
k = −∞
X
N
δ f−
N
1
N
X
1
N

... ...
1 k 1 k La TF permet d ’obtenir 0 1/N 1
Xk = X = X f
N N N N directement les coefficients de Fourier!
 99
V.3 Calcul de la Transformée de Fourier d’une suite numérique

Pour calculer la Transformée de Fourier d ’un signal numérique fini de N points (TFD ou DFT),
- on périodise implicitement le signal et
- on rajoute éventuellement des 0 (Nz), pour avoir une TFD sur (N+Nz) points.
Généralement le calcul se fait avec N+Nz = 2n points, grâce à l ’algorithme de Transformée de
Fourier Rapide (TFR ou FFT) mis au point par Cooley et Tukey (1965)

2π

x[n] = ∑ X [k ]e
jk n
N

k= N

N −1 2π
1
X [k ] = ∑ x[n]e
−jk n
N
N n =0

Remarque: X [k ] = X k
 100
V.7 Réponse fréquentielle d’un SLTI régi par des équations aux
différences linéaires à coefficients constants
N M
∑ ak y[n − k ] = ∑ bk x[n − k ]
k =0 k =0

( ) ( )( )
Propriété des SLTI: Y e jω = H e jω X e jω He ( ) jω
=
( )
Y e jω Hypothèse:
( )
X e jω H(e jω) existe (converge)

Or: linéarite + décalage temporelle

⇒N
( )= ( )
M
∑ ak e − jω k
Ye jω
∑ bk e− jω k X e jω
k =0 k =0

M
∑ bk e − jω k
( )
H e jω = k =0
N
∑ a k e − jω k
k =0
 101
Résumé Séries de Fourier - Transformées de Fourier
Signaux périodiques Spectre discret apériodique
x(t ) ω 0 = 2π / T +∞
1
T /2 Xk
x(t ) = ∑X k e jkω 0t
Xk = ∫ x(t )e − jkω 0t dt
k = −∞ T −T / 2
0 T 2T t
012 k

Signaux apériodiques Spectre continu apériodique

X(jω)
x(t) 1 +∞ +∞
x(t ) = X ( jω )e
jω t

2π ∫
−∞
dω X ( jω ) = ∫ x(t )e
− jω t
dt
−∞

0 T t
ω

Signaux périodiques Spectre discret périodique

x[n] 2π 2π
jk n 1 Xk
∑ x[n]e
−jk n
x[n] = ∑ Xk e N Xk = N
... N n= N
k= N

0 N 2N
01 N k
Signaux apériodiques Spectre continu périodique

x[n] X(e jω)

+∞

∫ X (e ) e ( ) = ∑ x[n] e− jω n
1
x[n] = jω jω n
dω X e jω

2π 2π
n = −∞

0 N n 0 2π ω
 102
VI. Caractérisation en Temps et Fréquence
des Signaux et Systèmes

1 - Représentation en Amplitude et en Phase de la

Transformée de Fourier
2 - Représentation en Amplitude et en Phase de la
réponse fréquentielle des SLTI
3 - Filtres non idéaux- Aspects dans les domaines
Temporel et Fréquentiel
4 - Systèmes du 1er ordre et du 2nd ordre en
Temps Continu
5 - Systèmes du 1er ordre et du 2nd ordre en
Temps Discret
6 - Filtres non-récursifs en Temps Discret - Filtres
FIR
 103
VI.1 Représentation en Amplitude et en Phase de la
Transformée de Fourier

Amplitude et Phase de la TF: X ( jω ) = X ( jω ) e ∠X ( jω ) ( ) ( )

X e jω = X e jω e ∠X (e )
jω

Amplitude Contenu fréquentiel du signal

X ( jω ) 2 Densité spectrale d ’énergie de x(t)

Phase Information sur la phase des différentes fréquences composant le signal

Des signaux qui ont 1 TF avec amplitude = mais 1 phase ≠ peuvent être très différents

1 2
Exemple: x(t ) = 1 + cos(2πt + Φ1 ) + cos(4πt + Φ 2 ) + cos(6πt + Φ 3 )
2 3
 104
VI.2 Représentation en amplitude et en phase de la la réponse
fréquentielle d’un SLTI

SLTI Y ( jω ) = H ( jω ) X ( jω ) ( ) ( ) ( )
Y e jω = H e jω X e jω

D ’où: Y ( j ω ) = H ( jω ) X ( jω ) ∠Y ( jω ) = ∠H ( jω ) + ∠X ( jω )

GAIN du système DECALAGE DE PHASE du système

Si effets négatifs: Distorsion d ’Amplitude et Distorsion de Phase...

Phase Linéaire et Phase Non Linéaire

H ( j ω ) = e − jω t 0 ( )
H e jω = e − jω n0

H ( jω ) = 1 ∠H ( jω ) = −ω t0 ( )
H e jω = 1 ( )
∠H e jω = −ω n0
Phase linéaire avec ω Phase linéaire avec ω

y (t ) = x(t − t0 ) y[n] = x[n − n0 ]

Le signal d’entrée est simplement décalé temporellement (décalage = pente de la phase),

⇒ il n’est pas déformé
 105

Exemple

Retard de Groupe

Le retard de groupe à une fréquence ω

d
τ (ω ) = − {∠H ( jω )} est égal à l ’opposé de la pente de la
dω
phase à cette fréquence

Cas particulier: Phase linéaire τ (ω ) = t0 ou τ (ω ) = n0

 106
Exemple
Etude d ’un système passe-tout, dont le retard de groupe varie en fonction de la fréquence
3 1 + ( jω / ω i )2 − 2 jξ i (ω / ω i )
H ( jω ) = ∏ H i ( j ω ) avec H i ( jω ) =
i =1 1 + ( jω / ω i )2 + 2 jξ i (ω / ω i )
f1= 50Hz ξ1 = 0.066
f1= 150Hz ξ 2 = 0.033
f1= 300Hz ξ 3 = 0.058

H ( jω ) = 1
unwrapped phase

2ξ i (ω / ω i )
∠H i ( jω ) = −2 arctan
1 − (ω / ω i )2

3
∠H ( jω ) = ∑ ∠H i ( jω )
i =1

d
τ (ω ) = − {∠H ( jω )}
Réponse impulsionnelle

dω
 107
Amplitude Logarithmique - Diagramme de Bode

Intérêt de l ’échelle logarithmique log Y ( jω ) = log H ( jω ) + log X ( jω ) Les amplitudes

log H ( jω ) = log H1 ( jω ) + log H 2 ( jω ) s ’ajoutent ...

Unité: le décibel (dB): 20 log10 H ( jω ) 0dB ⇔ |H(jω)| = 1 6dB ⇔ |H(jω)| = 2

-3dB ⇔ |H(jω)| = 1/√2 20dB ⇔ |H(jω)| = 10

Diagramme de Bode: 20 log10 H ( jω ) et ∠ H ( jω ) en fonction de log10 ( f )

Pour les systèmes Temps Continu

Exemple: Système du 2nd ordre

 108
Bande passante et Largeur de bande

• Bande passante • Largeur de bande

– Caractérise un système – Caractérise un signal
– Module de la réponse en fréquence – Densité Spectrale
– Définie à -3dB (1/√2) (Pm/2) – Espace des fréquences utiles !
 109
VI.3 Filtres non idéaux- Aspects dans les domaines Temporel et
Fréquentiel
Rappel: Filtres idéaux non réalisables car non causaux ...
H(e jω)
H(jω)

-ωc ωc ω ωc
−2π −π - ω c 0 π 2π ω

Précision, sélectivité compromis Coût, Complexité

Flexibilité pour le comportement du filtre : - dans la Bande Passante

- dans la Bande Coupée
- dans la zone de transition
 110
VI.4 Systèmes du 1er ordre et du 2nd ordre en Temps Continu

Système du 1er ordre dy (t )

τ + y (t ) = x(t ) τ >0 Constante de temps
dt
Ex: R
⇔
C Rapidité de réponse du
x(t) + y(t)
-
1 système
H ( jω ) =
dy (t )
jωτ + 1
RC + y (t ) = x(t )
st

t
1 −
Réponse impulsionnelle
h(t ) = e τ
u (t )
τ
t
−
Réponse indicielle s (t ) = h(t ) ∗ u (t ) = 1 − e τ
u (t )
 111
Diagramme de Bode

(
20 log10 H ( jω ) = −10 log10 (τω ) + 1
2
)
τω << 1 ⇒ 20 log10 H ( jω ) ≅ 0

τω >> 1 ou ω >> 1 / τ ⇒ 20 log10 H ( jω ) ≅ −20 log10 (τω ) = −20 log10 ω − 20 log10 τ

Asymptote en HF: Pente de 20 dB / décade
1
ω = 1 / τ ⇒ 20 log10 H j = −3dB Fréquence de coupure à 3dB
τ

∠ H ( jω ) = − Arctan(τω )
FIG 6.20 449
τω << 1 ⇒ ∠ H ( jω ) ≅ 0

τω >> 1 ⇒ ∠ H ( jω ) ≅ −π / 2
1
ω = 1/τ ⇒ ∠ H j = −π / 4
τ
 112

Système du 2nd ordre

d 2 y (t ) dy (t )
+ 2ξω n + ω n
2
y (t ) = ω n x (t )
2

ωn2 dt 2 dt
H ( jω ) =
( jω )2 + 2ξω n ( jω ) + ω n 2
ωn2 c1 = −ξω n + ω n ξ 2 − 1
H ( jω ) =
( jω − c1 )( jω − c2 ) c2 = −ξω n − ω n ξ 2 − 1

H ( jω ) =
M
−
M ωn
M=
jω − c1 jω − c 2 2 ξ 2 −1 ω n : Fréquence propre
ξ : Facteur d ’amortissement

[ ]
h(t ) = M e c1t − e c2t u (t )

Régime Amorti
ξ > 1 ⇒ c1 et c2 réels et < 0
h(t) = différence de 2 exponentielles réelles décroissantes

ξ = 1 ⇒ c1 = c2 Régime Critique h(t ) = ω n2 t e −ω n t u (t )

0 < ξ < 1 ⇒ c1 et c2 complexes Régime Pseudo-Périodique

h(t ) =
ω n e −ξω t
2 j 1−ξ
n

2
{exp[j(ω n )] [ ( ) ]}
1 − ξ 2 t − exp − j ω n 1 − ξ 2 t u (t )
 113

1
Q= Facteur de qualité
2ξ
Amplification pour ξ < 0.7
1
H ( jω ) = 2
ω ω
j + 2ξ j +1
ωn ωn
2 2 2
ω ω
20 log10 H ( jω ) = −10 log10 1− + 4ξ 2

ωn ωn

0 pour ω << ω n
20 log10 H ( jω ) ≅
− 40 log10 ω + 40 log10 ω n pour ω >> ω n

2ξ (ω / ω n )
∠ H ( jω ) = − Arctan
1 − (ω / ω n )
2

0 ω << ω n
∠ H ( jω ) =
− π ω >> ω n
 114
VI.5 Systèmes du 1er ordre et du 2nd ordre en Temps Discret

Système du 1er ordre y[n] − ay[n − 1] = x[n] a <1

Rapidité de réponse du système

( )
H e jω =
1
1 − a n +1
1 − ae − jω h[n] = a u[n]
n
s[n] = h[n]∗ u[n] = u[n]
1− a

Fig 6.26 6.27 p 462

 115

( )
H e jω =
1
∠ H ( jω ) = − Arctan
a sin ω
(1 − a 2
− 2a cos ω )
1/ 2
1 − a cos ω
 116

Système du 2nd ordre

y[n] − 2r cosθ y[n − 1] + r 2 y[n − 2] = x[n]

( )
H e jω =
1
1 − 2r cosθ e − jω + r 2 e − j 2ω
Équivalent au système du 2nd ordre en Temps
Continu en régime pseudo-périodique
Pour θ=0 ⇔ régime critique
( )
H e jω =
1

[1 − (re ) e ] [1 − (re ) e ]
jθ − jω − jθ − jω

r : taux de décroissance
θ ≠ 0 ou π
θ : fréquence d ’oscillation
( )
H e jω =
(
1 − re
A
jθ
)e − jω
(
1 − re
B
− jθ
)e − jω

A=
e jθ
2 j sin θ
B=
e − jθ
2 j sin θ
[(
h[n] = A re jθ )
n
(
+ B re − jθ ) ]u[n] = r
n n sin[(n + 1)θ ]
sin θ
u[n]

θ =0

( )
H e jω =
1
h[n] = (n + 1) r n u[n]
(1 − r e ) − jω 2

θ =π
( )
H e jω =
1
h[n] = (n + 1)(− r ) u[n]
n

(1 + r e ) − jω 2
 117

Réponse
impulsionnelle
d ’un système
du 2nd ordre
 118
Réponse fréquentielle d ’un système du 2nd ordre
 119
VI.6 Systèmes non récursifs en Temps Discret - Filtres FIR

FIR (non récursif) IIR (récursif)

Phase linéaire Flexibilité

Complexité + grande pour les mêmes Filtres IIR = connexion de système du 1er et 2nd ordre
spécifications que IIR Implantation efficace et facile
Compromis entre sélectivité du filtre et durée Ajustement des caractéristiques = réglage des paramètres
de la réponse impulsionnelle (nb. coeff ↑ ) Phase linéaire impossible

Filtres non-récursifs de type Moyenne-Glissante (Moving Average Filter)

h[n]
M
1
y[n] = ∑
N + M + 1 k =− N
x[n − k ]
0 n
-N M

sin[ω ( N + M + 1) / 2]
( )
H e jω =
1
N + M +1
e jω [( N − M )/ 2 ]
sin (ω / 2 )
 120

M+N+1 = 33 M+N+1 = 65

Longueur de la réponse impulsionnelle ↑, largeur du lobe principal de la réponse fréquentielle ↓

( lobe principal ⇔ BP du filtre)

Filtres non-récursifs - Forme générale

M
y[n] = ∑ b x[n − k ]
k
Choix des bk , fonction des spécifications du filtre
k =− N (ex: raideur de la transition BP BC...)
 121
Comparaison entre les réponses fréquentielles d ’un filtre à moyenne
glissante et un filtre de réponse impulsionnelle h[n]

sin (2πn / 33) / πn , n ≤ 32 Réponse impulsionnelle d ’un filtre idéal de fréquence de

h[n] = coupure ωc= 2π /33
0 , n > 32

Réponse impulsionnelle Réelle et Paire ⇒ Réponse fréquentielle Réelle et Paire (Phase nulle)

Filtre causal ⇒ décalage temporel de la réponse impulsionnelle ⇒ Filtre à Phase Linéaire

 122

VII. Signaux Temps Continu: Transformée de

Laplace
1 - Transformée de Laplace (TL)
2 - Transformée de Laplace et Transformée de Fourier
3 - Propriétés de la Transformée de Laplace
4 - Causalité et Stabilité des SLTI
5 - Evaluation géométrique de la Transformée de Fourier
à partir de la représentation des Pôles et de Zéros de
la TL
6 - Principales paires de Transformée de Laplace
7 - Réponse fréquentielle d’un SLTI régi par des
équations différentielles linéaires à coefficients
constants
8 - Transformée de Laplace inverse
9 - Transformée de Laplace Unilatérale (TLU)
 123
VII.1 Transformée de Laplace

A) Intérêt de la Transformée de Laplace

- Une grande partie des signaux peuvent se représenter comme une combinaison d ’exponentielles
complexes périodiques e st = e jωt , fonctions propres des SLTI, MAIS PAS TOUS ….
⇒ Transformée de Laplace = Généralisation de la Transformée de Fourier en Temps Continu
avec s = σ + j ω
- Permet l ’étude de la stabilité des systèmes et la résolution des équations différentielles à
coefficients constants

TL
B) Définition de la Transformée de Laplace Bilatérale x(t ) ↔ X (s ) = TL{ x(t ) }

+∞
X (s ) = ∫ x(t ) e − st dt avec s = σ + jω
−∞

Rappel:
* Réponse d ’un SLTI de réponse impulsionnelle h(t) à un signal d ’entrée exponentiel complexe est
+∞
y (t ) = H (s ) e st
avec H (s ) = ∫ h(t ) e − st dt Fonction de transfert du système
−∞
 124
VII.2 Transformée de Laplace et Transformée de Fourier

Im
Quand: s = jω
s = jω
+∞
Plan-s
X (s ) s = jω = X ( jω ) = ∫ x(t ) e − jω t dt = TF { x(t ) }
−∞
⇒ Transformée de Laplace = Transformée de Fourier de x(t)
Re

Remarque:
+∞ +∞
X (s ) s =σ + jω = ∫ x(t ) e dt =−s t
∫ x(t ) e −(σ + jω ) t dt
−∞ −∞

∫ [x(t ) e ] e { }
+∞
X (s ) = −σ t − jω t
dt = TF x(t ) e −σ t
−∞

Transformée de Laplace = Transformée de Fourier du signal x(t) multiplié par une exponentielle réelle

e −σ t = exponentielle réelle croissante ou décroissante dans le temps selon si σ est positif ou négatif
 125

A) Exemple x(t ) = e − a t u (t )

Transformée de Fourier: X ( jω )

Transformée de Laplace: X (s ) = X (σ + jω )

Région de convergence de la transformée de Laplace

Im Im
a>0 a<0
Plan-s Plan-s

Re Re
-a -a
 126

Conclusion :
- La transformée de Fourier ne converge pas pour tous les signaux
- La transformée de Laplace converge pour certaines valeurs de Re(s) [Re(s) >-a ] et pas pour d ’autres
- Si a est positif, X(s) peut être évalué en σ = 0, la TF et la TL de x(t) existent
- Si a est négatif, X(s) ne peut être évalué en σ = 0, la TF de x(t) n ’existe pas alors que la TL existe

B) Exemple x(t ) = − e − a t u (− t )
 127

Région de convergence de la transformée de Laplace

Im Im
a>0 a<0
Plan-s Plan-s

Re Re
-a -a

Conclusion :
- Transformées de Laplace identiques pour Exemples A et B, mais régions de convergence différentes

La Région de Convergence de la Transformée de Laplace correspond aux valeurs de s = σ + jω

pour lesquelles la Transformée de Fourier de x(t ) e −σ t converge
 128
VII.3 Propriétés de la Transformée de Laplace
TL
* Linéarité α x(t ) + β y (t ) ↔ α X (s ) + β Y (s )

* Décalage TL
x(t − t0 ) ↔ X (s ) e − s t0
TL
x(t ) e s0 t
↔ X (s − s0 )

* Changement d ’échelle TL 1 s
x(α t ) ↔ X
α α

( ) ( )
TL
* Conjugaison x (t ) ↔ X ∗ s ∗
∗
si x(t) réel X (s ) = X ∗ s ∗
Si pôles et zéros complexes ⇒ paires complexes conjuguées

TL
* Convolution x(t ) ∗ y (t ) ↔ X (s ) Y (s )

TL dX (s )
* Dérivation dx( t ) TL − t x( t ) ↔
↔ s X (s ) ds
dt
 129
Propriétés de la transformée de Laplace
 130
VII.4 Causalité et Stabilité des SLTI

Fonction de Transfert d ’un SLTI: Y (s ) = H (s ) X (s ) avec H (s ) = TL{ h(t ) }

Cas des fonctions de transfert H(s) rationnelles

Généralement, H(s) peut s ’exprimer sous la forme d ’une fonction rationnelle, c ’est à dire sous la forme
d ’un rapport de deux polynômes en s : M

N (s )
∏ (s − z )
j
N ordre de la fonction de transfert

H (s ) =
j =1
=K
D(s ) N Pôles et zéros
∏ (s − p )
i =1
i réels ou paires complexes conjuguées

* Propriété 1

Pour un système est réel, donc causal, la fonction de transfert H(s) est telle que: M ≤N
* Propriété 2
Région de Convergence de H(s) fonction rationnelle,
SLTI
⇔ =
CAUSAL 1/2 plan droit, à droite du pôle le plus à droite
 131

[ ] u(t ) 1 h(t ) causal

TL
Exemple: h(t ) = e − e
−t − 2t
↔ H (s ) =
( s + 1)( s + 2)

Région de convergence de la transformée de Laplace de H(s)

Im
Plan-s

Re
-2 -1

* Propriété 3

Un SLTI CAUSAL possédant une fonction de transfert H(s) rationnelle est STABLE,
si et seulement si tous les pôles de H(s) sont situés dans le demi-plan gauche [Re(s)<0]
du plan de Laplace, axe imaginaire exclu
 132
Exemples:
TL 1 TL 1
h1 (t ) = e − 2t
u (t ) ↔ H1 (s ) = h2 (t ) = e 2t
u (t ) ↔ H 2(s ) =
( s + 2) ( s − 2)
SLTI CAUSAL SLTI CAUSAL

Im Im
Plan-s Plan-s

Re Re
-2 2

STABLE INSTABLE

Propriété générale

Un SLTI est STABLE si est seulement si l ’axe (j ω) ( c ’est à dire Re(s) = 0)

est inclus dans la Région de Convergence de sa fonction de transfert H(s) (quelconque)
 133
VII.5 Evaluation géométrique de la Transformée de Fourier

Diagramme des pôles et des zéros de H(s) représenté dans le plan-s permet d ’estimer graphiquement
la réponse fréquentielle du système (quand elle existe)

TL 1
Exemple: h(t ) = e − at
u (t ) ↔ H (s ) = a>0
( s + a)

Soit le nombre complexe : v=s+a

Im
Plan-s v = ρ e iϕ
s=jω
ρ= s+a 1
Réponse fréquentielle : H ( jω ) =
ϕ jω + a
Re
-a

1
H ( jω ) = Arg { H ( jω ) } = −ϕ
ρ
 134
H ( jω ) Arg { H ( jω ) }

H ( jω ) =
1 ω
Arg { H ( jω ) } = − tan
ω +a
2 2
a
ω ω

Cas général
N (s )
∏ (s − z ) j

H (s ) =
j =1
=
D(s ) N

∏ (s − p )
i =1
i

Le module de la réponse fréquentielle est égal au produit des longueurs des vecteurs reliant les zéros
au point s = jω de l ’axe imaginaire divisé par le produit des longueurs des vecteurs reliant les pôles à
ce même point s

La phase de la réponse fréquentielle est égale à la somme des arguments des vecteurs correspondant
aux zéros moins la somme des arguments des vecteurs correspondant aux pôles

Remarque:
Un vecteur correspondant à un pôle situé près de l ’axe imaginaire aura une longueur faible et donc
entraînera une valeur importante de la réponse fréquentielle (phénomène de résonance)
 135
VII.6 Principales paires de Transformée de Laplace
 136
VII.7 Réponse fréquentielle d’un SLTI régi par des équations
différentielles linéaires à coefficients constants
N
d k y (t ) M d k x(t )
∑
k =0
ak
dt k
= ∑ bk
k =0 dt k

Propriété des SLTI:

Y (s )
Y (s ) = H (s )X (s ) H (s ) =
X (s )

N
d k y (t ) M
d k x(t )
Linéarité + dérivation: TL
k =0
∑ak
dt k
= TL ∑
k =0
bk
dt k
N M
∑ ak s k
Y (s ) = ∑ bk s k X (s )
k =0 k =0

Fonction de Transfert
∑b s k
k

H (s ) = k =0
N

∑
k =0
ak s k
 137
Exemple 1: R L
lllllll
d 2 y (t ) dy (t )
+
+
LC 2
+ RC + y (t ) = x(t ) x(t) C y(t)
dt dt -

1 / LC
H (s ) =
s 2 + (R / L )s + (1 / LC )

A.N.
R=1kΩ C=1µF L=0.01H
p1 = -9.9 E4 p2 = -0.1 E4
Système causal et Re(p1) et Re(p2) <0 ⇒ Système STABLE

R=10Ω C=100µF L=0.1H

p1 = 1 E2 * (-0.5000 + 3.1225i) p2 = 1 E2 * (-0.5000 - 3.1225i)
Système causal et Re(p1) et Re(p2) <0 ⇒ Système STABLE
 138
Exemple 2:

On connaît l ’entrée d ’un SLTI initialement au repos:

TL 1
x(t ) = e − 3t
u (t ) ↔ X (s ) = Re( s ) > −3
( s + 3)
On connaît la sortie d ’un SLTI initialement au repos: :

[
y (t ) = e −t
−e − 2t
]u(t ) TL
↔ Y (s ) =
1
( s + 1)( s + 2)
Re( s ) > −1

( s + 3) s+3
La fonction de transfert est: H (s ) = = 2
( s + 1)( s + 2) s + 3s + 2

Le système est causal, Re(p1) et Re(p2)<0 donc le système est STABLE

L ’équation différentielle régissant le système est:

d 2 y (t ) dy (t ) dx(t )
+3 + 2 y (t ) = + 3 x(t )
dt 2 dt dt
 139
VII.8 Transformée de Laplace inverse

Utilisation d ’un contour

1 σ + jω
x(t ) = ∫σ − jω X (s ) e
st
ds d ’intégration dans le plan
j 2π complexe...

x(t) peut être représenté comme une intégrale pondérée d ’exponentielles complexes

Généralement, la Transformée de Laplace inverse sera déterminée à partir des tables,

après une décomposition en fractions partielles de X(s)
 140
VII.9 Transformée de Laplace Unilatérale (TLU)
Définition

TLU utilisée pour l ’étude des systèmes causaux spécifiés généralement par des équations
différentielles à coefficients constants avec des conditions initiales non nulles
≠ Système IAR, ≠ SLTI ...

∞
X (s ) = ∫ x(t ) e − st dt
0−

TLU
x(t ) ↔ X (s ) = TLU { x(t ) }

Si x(t) = 0 pour t<0 TL {x(t)} = TLU {x(t)}

Région de Convergence de TLU toujours = 1/2 plan de droite (à droite du pôle le + à droite si rationnelle)

Propriété importante:
dx( t ) TLU
↔ s X (s ) − x(0 − )
dt

Intérêt: Possibilité de tenir compte de conditions initiales non nulles (système non IAR)
 141

VIII. Signaux Temps Discrets : Transformée en Z

1. Transformée en Z (TZ)
2. Transformée en Z et Transformée de Fourier
3. Propriétés de la TZ
4. Causalité et Stabilité des SLTI
5. Evaluation géométrique de la transformée de Fourier à partir de la
représentation des Pôles et de Zéros de la TZ
6. Principales paires de Transformée en Z
7. Réponse fréquentielle d’un SLTI régi par des équations aux
différences linéaires à coefficients constants
8. Représentation en diagramme bloc de SLTI causaux décrits par des
équations aux différences à coefficients constants
9. Transformée en Z inverse
10. Transformée en Z Unilatérale (TZU)
 142
VIII.1 Transformée en Z

A) Intérêt de la Transformée en Z

- Transformée en Z pour les signaux TD ⇔ Transformée de Laplace pour les signaux TC

- TZ peut être appliquée à une + grande classe de signaux que la TF TD
⇒ Transformée en Z = Généralisation de la Transformée de Fourier en Temps Continu
avec z = r e jω
- Permet l ’étude de la stabilité des systèmes et la résolution des équations aux différences à
coefficients constants

TZ
B) Définition de la Transformée en Z x[n] ↔ X ( z ) = TZ { x[n] }
+∞
X (z ) = ∑
n = −∞
x[n] z − n avec z = r e jω
Rappel:
* Réponse d ’un SLTI de réponse impulsionnelle h[n] à un signal d ’entrée exponentiel complexe zn
+∞
y[n] = H ( z ) z n avec H (z ) = ∑
n = −∞
h[n] z − n Fonction de transfert du système
 143
VIII.2 Transformée en Z et Transformée de Fourier

Im
Quand: z = e jω c ’est à dire z =1 Plan-z
z = e jω
+∞
X (z ) z = e jω
( ) ∑ x[n]e
= X e jω = − jω n
= TF { x[n] } ω 1
Re
n = −∞
⇒ Transformée en Z = Transformée de Fourier de x[n]

Remarque:
+∞ +∞
X (z ) z = re jω = ∑ (
x[n] re jω − n
) = ∑ { x[n] r }e −n − jω n

n = −∞ n = −∞
+∞
X (z ) = ∑ { x[n] r }e
n = −∞
−n − jω n
{
= TF x[n] r − n }
Transformée en Z = Transformée de Fourier du signal x[n] multiplié par une exponentielle réelle

r −n = exponentielle réelle croissante ou décroissante avec n selon si r >1 ou r<1

 144

A) Exemple x[n] = a nu[n]

+∞ +∞
Transformée en z: X (z ) = ∑ a u[n] z
n = −∞
n −n
= ∑ (az )
n =0
−1 n Converge si az −1 < 1 ⇔ z > a

1 z
X (z ) = =
1 − az −1 z − a
Région de convergence de la transformée en Z

a <1 a >1
Im
Plan-z Im
Plan-z

1
a Re 1
a Re

La région de convergence La région de convergence ne

contient le cercle unité, contient pas le cercle unité,
TF{x[n]} converge TF{x[n]} ne converge pas
 145

Conclusion :
- La transformée de Fourier ne converge pas pour tous les signaux
- La transformée en Z converge pour certaines valeurs de z , |z| >a et pas pour d ’autres
- Si a <1, X(z) peut être évalué en z = ejω, la TF et la TZ de x[n] existent
- Si a >1, X(z) ne peut être évalué en z = ejω, la TF de x[n] n ’existe pas alors que la TZ existe

B) Exemple x[n] = − a nu[− n − 1]

+∞ −1 +∞ +∞
X (z ) = − ∑ a u[− n − 1] z ∑ ∑ ∑ (a z )
−n −n n
n
=− n
a z =− −n
a z = 1−
n −1
Converge si a −1 z < 1 ⇔ z < a
n = −∞ n = −∞ n =1 n =0
1 1 z
X (z ) = 1 − −1
= −1
=
1− a z 1 − az z−a
a >1
a <1
Plan-z Im Im Plan-z

1 Re 1
a
a Re

La région de convergence ne La région de convergence

contient pas le cercle unité,TF{x[n]} ne converge pas contient le cercle unité, TF{x[n]} converge
 146
Conclusion :

- Transformées en Z identiques (même zéro et même pôle) pour Exemples A et B,

mais régions de convergence différentes

La Région de Convergence de la Transformée en Z correspond aux valeurs de z = r e jω

+∞
pour lesquelles la Transformée de Fourier de x[n] r −n
converge ⇔ ∑ x[n] r − n < ∞
n = −∞

La Région de Convergence de la Transformée en Z consiste en une couronne dans le plan-z centré

sur l’origine r1 < |z| < r2
Im
r2 Plan-z
Cas particuliers:
r1 r1=0 ou r2 = ∞
Re
 147
VIII.3 Propriétés de la Transformée en Z
TZ
* Linéarité α x[n] + β y[n] ↔ α X (z ) + β Y (z )

TZ
* Décalage temporel x[n − n0 ] ↔ X ( z ) z − n0 z-1 Opérateur retard unité

Im z 0 = e jω 0 Im
C1 C1
TZ z
* Changement d ’échelle dans Z x[n] z0
n
↔ X ω0
z0 Re Re

( )
TZ
* Inversion temporelle x[− n] ↔ X z −1

( ) ( )
TZ
* Conjugaison x [n] ↔ X ∗ z ∗
∗
si x[n] réel X (z ) = X ∗ z ∗
pôle (ou zéro) en z=z0 ⇒ pôle (ou zéro) en z = z*0

TZ
* Convolution x[n] ∗ y[n] ↔ X ( z ) Y ( z )

TZ dX (z )
* Dérivation dans Z n x[n] ↔ − z
dz
148
 149
VIII.4 Causalité et Stabilité des SLTI

Fonction de Transfert d ’un SLTI: Y (z ) = H (z ) X (z ) avec H ( z ) = TZ { h[n] }

Cas des fonctions de transfert H(z) rationnelles

Généralement, H(z) peut s ’exprimer sous la forme d ’une fonction rationnelle, c ’est à dire sous la forme
d ’un rapport de deux polynômes en z : M

N (z )
∏ (z − z )
j
N ordre de la fonction de transfert

H (z ) =
j =1
=K
D( z ) N Pôles et zéros
∏ (z − p )
i =1
i réels ou paires complexes conjuguées

* Propriété 1

1) M ≤N
SLTI
CAUSAL
⇔ 2) Région de Convergence de H(z) fonction rationnelle
=
Région strictement extérieure au cercle associé au pôle
le plus éloigné du centre
 150

z3 − 2z 2 + z
Exemple 1: H (z ) = 2 SLTI non causal, M>N
z + 0.25 z + 0.12

1 1
Exemple 2: H (z ) = −1
+ z >2 1) RC à l ’extérieur du pôle le + éloigné
1 − 0.5 z 1 − 2 z −1 2) M=N
2 z − 2.5 z
2
H (z ) = z >2 Donc le système est causal
z 2 − 2.5 z + 1

Vérification: calcul de la réponse impulsionnelle en utilisant les tables:

n
1
h[n] = + 2 n u[n]
2

* Propriété 2

Un SLTI CAUSAL possédant une fonction de transfert H(z) rationnelle est STABLE,
si et seulement si tous les pôles de H(z) sont situés à l’intérieur strictement du cercle unité
du plan Z c ’est à dire | pi |< 1 ∀i
 151
Exemples: 2 pôles:
1
H (z ) = z1 = re jθ
1 − (2r cosθ )z −1 + r 2 z − 2 z 2 = re − jθ

Hypothèse SLTI CAUSAL Hypothèse SLTI CAUSAL

Im
Plan-z Im
Plan-z
r
r
θ 1 θ 1
Re
Re

STABLE INSTABLE

Propriété générale

Un SLTI est STABLE si est seulement si le cercle unité |z| =1

est inclus dans la Région de Convergence de sa fonction de transfert H(z) (quelconque)
 152
VIII.5 Evaluation géométrique de la Transformée de Fourier

Diagramme des pôles et des zéros de H(z) représenté dans le plan-z permet d ’estimer graphiquement
la réponse fréquentielle du système (quand elle existe)

TZ 1 z
Exemple: h[n] = a u[n] ↔ H (z ) =
n
= z >a
1 − az −1 z − a

Im Plan-z v2 = z - a
Soit les vecteurs :

C1 jω v 1 = z = e jω
z=e
v1

ω
v2
ϕ
Réponse fréquentielle : ( )
H e jω =
1
1 − ae − jω
a 1 Re v2 = z − a = ρ v1 = 1

1
H ( jω ) = Arg { H ( jω ) } = ω − ϕ
ρ
 153

N (z )
∏ (z − z )
j

Cas général H (z ) =
j =1
=
D( z ) N

∏ (z − p )
i =1
i

Le module de la réponse fréquentielle est égal au produit des modules des vecteurs reliant les zéros au
point z =e jω du cercle unité divisé par le produit des modules des vecteurs reliant les pôles à ce même
point z
La phase de la réponse fréquentielle est égale à la somme des arguments des vecteurs correspondant
aux zéros moins la somme des arguments des vecteurs correspondant aux pôles

Un vecteur correspondant à un pôle situé près du cercle unité aura un module faible et donc entraînera
une valeur importante de la réponse fréquentielle (phénomène de résonance)
 154
VIII.6 Principales paires de Transformée en Z
 155
VIII.7 Réponse fréquentielle d’un SLTI régi par des équations
aux différences linéaires à coefficients constants
N M

∑ a y[n − k ] = ∑ b x[n − k ]
k =0
k
k =0
k

Propriété des SLTI:

Y (z )
Y (z ) = H (z )X (z ) H (z ) =
X (z )

N M
Linéarité + TZ ∑ a y[n − k ]
k = TZ ∑ b x[n − k ]
k
décalage temporel: k =0 k =0

N M

∑a z
k =0
k
−k
Y (z ) = ∑b z
k =0
k
−k
X (z )

∑b z k
−k

Fonction de Transfert H (z ) = k =0
N

∑k =0
ak z − k
 156

Déterminer la réponse impulsionnelle du SLTI causal caractérisé

Exemple :
1 1
par l ’équation suivante: y[n] − y[n − 1] = x[n] + x[n − 1]
2 3

1 1
1 + z −1 1 + z −1
1 −1 1 Y (z )
Y (z ) − z Y ( z ) = X (z ) + z −1 X ( z ) Y (z ) = X (z ) 3 H (z ) = = 3
2 3 1 X ( z ) 1 − 1 z −1
1 − z −1
2 2

Plan-z Im
1 1 z −1
H (z ) = +
1 −1
1− z 3 1 − 1 z −1
2 2
Pôle en zp = 1/2,
1
Table + linéarité+ décalage temporel Zéro en zz = -1/3 Re

n n −1
1 1 1
h[n] = u[n] + u[n − 1]
2 3 2

|zp| < 1 SLTI STABLE

 157
VIII.8 Représentation en diagramme bloc de SLTI causaux décrits par
des équations aux différences à coefficients constants

Utilisation de l ’opérateur retard z-1

Forme directe, forme cascade et forme parallèle

Exemple 1: 1
SLTI du 1er ordre H (z ) =
1
1 − z −1
4
Trouver l ’équation aux différences caractérisant le SLTI causal et donner le diagramme bloc du système:

1 +
y[n] − y[n − 1] = x[n]
x[n] y[n]
+
4 +
1
y[n] = y[n − 1] + x[n] z-1
4
1/4
 158
1 1
Exemple 2: H (z ) = =
1 −1 1 1 −1 1 − 2
1+ z 1 − z −1 1+ z − z
2 4 4 8
Trouver l ’équation aux différences caractérisant le SLTI causal et 3 diagrammes-bloc possibles du système:
1 1
y[n] + y[n − 1] − y[n − 2] = x[n]
4 8

1 1
1) y[n] = − y[n − 1] + y[n − 2] + x[n]
4 8
Forme directe

1 1
2) H (z ) =
1 1
1 + z −1 1 − z −1
2 4
Forme cascade

2/3 1/ 3
3) H (z ) = +
1 1
1 + z −1 1 − z −1
2 4
Forme parallèle
 159
VIII.9 Transformée en Z inverse

Théorème des Résidus

1 Utilisation d ’un contour

x[n] = ∫ X (z ) z
n −1
dz d ’intégration dans le plan
j 2π complexe...

Généralement, la Transformée en Z inverse sera déterminée à partir des tables,

après une décomposition en fractions partielles de X(z)
 160
VIII.10 Transformée en Z Unilatérale (TZU)
Définition

TZU utilisée pour l ’étude des systèmes causaux spécifiés généralement par des équations
aux différences à coefficients constants avec des conditions initiales non nulles
≠ SLTI IAR ...

∞
X (z ) = ∑ x[n] z
TZU
x[n] ↔ X ( z ) = TZU { x[n] }
−n

n =0

Si x[n] = 0 pour n<0 TZ {x[n]} = TZU {x[n])}

Région de Convergence de TZU toujours extérieure à un cercle (correspt au pôle le + éloigné si rationnelle)

Propriété importante:
TZU
x[n − 1] ↔ z −1 X ( z ) + x[− 1]

Intérêt: Possibilité de tenir compte de conditions initiales non nulles (système non IAR)
 161

IX. Echantillonnage
1 - Représentation d ’un signal Temps Continu
par ses échantillons - Théorème de
l ’échantillonnage

2 - Reconstruction d ’un signal à partir de ses

échantillons en utilisant l ’interpolation

3 - Effet du sous-échantillonnage: « Repliement

de spectre » ou « aliasing »

4 - Echantillonnage de signaux Temps Discret

(décimation-interpolation)
 162
IX.1 Représentation d ’un signal Temps Continu par ses
échantillons - Théorème de l ’échantillonnage

Sous certaines conditions, un signal Temps Continu peut être reconstitué parfaitement en ne
connaissant ses valeurs qu’ en certains points espacés régulièrement dans le temps (échantillons):
⇒ Théorème de l ’échantillonnage

Représentation d ’un signal TC par ses échantillons

En général, une séquence d ’échantillons, ne peut définir de manière unique un signal TC

Nécessité de prendre en compte des contraintes supplémentaires:

- largeur de bande du signal
- période d ’échantillonnage
 163
Opération d ’échantillonnage

x e (t)

xe (t ) = x(t ) . pT (t )

+∞
pT (t ) = ∑ δ (t − nT )
n = −∞
x e (t)

+∞
xe (t ) = ∑ x(nT ) δ (t − nT )
n = −∞
1 +∞
Produit en Temps ⇒ Convolution en Fréquence X e ( jω ) = ∫ X ( jθ ) PT ( j (ω − θ )) dθ
2π −∞
2π +∞
2π
Or PT ( jω ) =
T ∑ δ (ω − kω s )
k = −∞
ωs =
T
1 +∞ Spectre périodique, superposition des répliques
X e ( jω ) = ∑ X ( j (ω − kω s ))
Donc
T k =−∞ de X(jω) décalées tous les ωs et pondérées par 1/T
 164

Exemple 1

Xe(jω)

Xe(jω)

Si ω M > (ω s − ω M ) ω s < 2ω M Recouvrement

Si ω M < (ω s − ω M ) ω s > 2ω M Pas de recouvrement

x(t) peut être parfaitement reconstitué à partir de xe(t)

au moyen d ’un filtre passe-bas de gain T de fréquence de
coupure supérieure à ωM et inférieure à ωs -ωM
 165

Théorème de l ’échantillonnage ( Théorème de Shannon ou Théorème de Nyquist)

Soit x(t) un signal de bande limitée telle que: X ( jω ) = 0 pour ω > ωM

Alors x(t) est déterminé de manière unique par ses échantillons x(nT), n=0, ±1, ±2, … si:

ω s > 2ω M

où 2π
ωs =
T

A partir de ces échantillons, il est possible de reconstruire x(t) en générant un train d ’impulsions
dont les impulsions successives ont pour amplitude la valeur des échantillons. Ce train
d ’impulsions est alors filtré par un filtre passe-bas idéal de gain T et de fréquence de coupure
supérieure à ωM et inférieure à ωs -ωM . Le signal résultant sera alors exactement égal à x(t)
 166
Exemple 2 Reconstruction d ’un signal TC à partir de ses échantillons
en utilisant un filtre passe-bas idéal

Xe(jω)
xe Système d ’échantillonnage
(t)
et de reconstruction

Spectre de x(t)

Xe(jω)

wc
Spectre de xe(t)

Filtre Passe-Bas idéal pour

reconstruire X(jω) à partir de Xe(jω)

Spectre de xr(t)
 167
IX.2 Reconstruction d’un signal à partir de ses échantillons
en utilisant l’ interpolation
Interpolation: Ajustement d ’un signal continu à un ensemble d ’échantillons pour reconstruire une
fonction soit de manière approximative, soit de manière exacte

Interpolation linéaire

Interpolation: Effet du filtre passe-bas dans le domaine temporel

xr (t ) = xe (t ) ∗ h(t )
+∞
xr (t ) = ∑ x(nT ) h(t − nT )
n = −∞

1) Interpolation exact
ω cT sin (ω ct ) ω cT
Réponse impulsionnelle d ’un filtre idéal : h(t ) = = sinc(ω ct ) (gain de T)
πω ct π
+∞
ω cT
Formule d ’interpolation exacte : xr (t ) = ∑
n = −∞
x(nT )
π
sinc (ω c (t − nT ))
 168

Interpolation exacte basée sur le sinus cardinal

x e (t)

2) Interpolation avec un bloqueur d ’ordre 0

xe
(t)

x e (t)
 169

3) Interpolation avec un bloqueur d ’ordre 1 : interpolation linéaire

x e (t)

x e (t)
 170
IX.3 Effet du sous-échantillonnage: Aliasing

Si ω s < 2ω M • X(jω) ne peut pas être restitué par filtrage passe-bas ⇒ ALIASING
• Le signal reconstruit xr(t) n ’est plus égal à x(t)

1) Effet de l ’aliasing sur un signal sinusoïdal

Sous-échantillonnage correct ALIASING

 171

2) Effet de l ’aliasing dans le domaine fréquentiel

 172
IX.4 Echantillonnage de signaux Temps Discret

1) Echantillonnage d ’un signal discret

x[n] x xe [n]
x[n], si n = multiple de N
xe [n] =
0, autrement
∞
p[n] = ∑ ∆[n − kN ]
k = −∞
∞
xe [n] = x[n] p N [n] = ∑ x[kN ] ∆[n − kN ]
k = −∞

( )
X e e jω =
1
2π ∫ P(e
jθ
) X (e (ω θ ) ) dθ
j −

2π

( )
+∞
2π
Pe jω
=
N
∑ δ (ω − kω s )
k = −∞

2π
ω s > 2ω M
Xe(e jω)
ωs = x e [n]
N

N −1
( ) ∑ X (e )
jω 1 j (ω − kω s ) Spectre périodique, superposition
Xe(e jω)

Xe e = des répliques de X(e jω) décalées

N k = −∞
tous les ωs et pondérées par 1/T
 173

Restitution exact d ’un signal temps discret à partir de ses échantillons

x[n] x H(e jω) xr [n]

xe [n]
( )
X e jω
p[n]

( )
X e e jω

( )
H e jω

( )
X r e jω
 174

2) Décimation ou sous-échantillonnage
xe [n] est nul entre les instants d ’échantillonnage ⇒ séquence inefficace pour la transmission ou le stockage
Solution: créer une nouvelle séquence xd [n] identique à xe [n] aux instants d ’échantillonnage

Décimation xd [n] = xe [nN ] ⇔ xd [n] = x[nN ]

Relation entre x[n], xe [n] échantillonnage et xd [n] décimation ou sous-échantillonnage

+∞
( ) = ∑ x [k ] e
Xd e jω
d
− j kω

k = −∞

+∞
( ) = ∑ x [kN ] e
Xd e jω
e
− j kω

k = −∞
x e [n]
+∞ n
( ) = ∑ x [n] e
Xd e jω
e
− jω
N

n = multiple de N

+∞ n ω
x d [n]
( ) = ∑ x [n] e
Xd e jω
e
− jω
N
= Xe e
j
N

n = −∞
 175
ω
( )= X
Xd e jω
e e
j
N

Relation entre échantillonnage et décimation

X e e jω ( )

X d e jω( )

Remarque:
Si x[n] obtenu par échantillonnage d ’un signal continu, la décimation peut être interprétée comme une
réduction du taux d ’échantillonnage par un facteur de N
 176
3) Sur-échantillonnage ou interpolation

Opération inverse de la décimation:

introduire N-1 points d ’amplitude 0 entre chaque valeur de la séquence initiale
⇒ obtenir une séquence à un taux d ’échantillonnage plus élevé

xd[n] ( )
X d e jω

xu[n] ( )
X e e jω

La séquence interpolée x[n] est obtenue par filtrage passe-bas de xu[n]

 177
4) Exemple

Combinaison du sur-échantillonnage et de la décimation - Sous-échantillonnage maximum

( )
X d e jω

( )
X u e jω

( )
X ud e jω
 178

Propriétés des
Séries de
Fourier Temps
Continu
 179
Propriétés des
Séries de
Fourier Temps
Discret
 180
Principales paires
de la
Transformée de
Fourier Temps
Continu
 181

Propriétés de la
Transformée de
Fourier Temps
Continu
 182
Principales paires de
la Transformée de
Fourier Temps
Discret
 183
Propriétés de la
Transformée de
Fourier Temps
Discret
 184
Propriétés de la transformée de Laplace
 185

Principales paires de
Transformée de
Laplace
 186
Propriétés de la transformée en Z
 187

Principales paires
de Transformée
en Z