Cours 1

Introduction au traitement
du signal
Mathématique et Physique

W. Peretti - Z. Mhanna ESILV 2022

"La science, son goût est amer au début
mais à la fin, plus doux que le miel"
Objectifs du cours

➢ Définir et représenter un signal.

➢ Définir un système de traitement de signal.
➢ Manipuler les signaux dans les domaines temporelle et fréquentielle.
➢ Numériser un signal, Chaîne de conversion analogique => numérique / numérique
=> analogique.
➢ Maitriser les outils mathématiques de traitement de signal (produit de
convolution, fonction de corrélation, analyse de Fourier en continu et en discret,
transformée en z, …)
➢Traiter avec des outils simples un signal numérique (Codage , Filtrage, Modulation,
Transmission, Qualité de transmission….).
3
Objectifs du cours

➢Analyse spectrale: quelles composantes spectrales dans mon signal

➢Filtrage: modification de l’amplitude des composantes spectrales
➢Relation de convolution reliant l’entrée et la sortie d’un système invariant dans
le temps
➢Test de ressemblance de signaux (corrélation)
➢Modulation des signaux - transposition de fréquence (Les signaux modulés
vont être transmis à l’aide des ondes hertziennes)

4
Déroulement du cours

8 CMO × 1ℎ30
Partie 1 : Analyse temporelle, analyse fréquentielle et échantillonnage
1. Introduction au traitement du signal
2. Systèmes Linéaire et Invariant dans le temps: SLIT
3. Analyse fréquentielle des signaux
4. Numérisation d’un signal
Partie 2 : Traitement et transmission d’un signal numérique
1. Systèmes discrets
2. Filtrage numérique
3. Modulation numérique
4. Transmission numérique
8 TD × 3ℎ
5
Evaluation

➢Quiz – QCM (coefficient 25%): : fin de CMO5 et fin de CMO8

➢TPs à rendre sous Matlab (coefficient 30%): TD4 et TD8
➢Partiel (coefficient 45%)

6
Traitement de Signal ?

Signal
➢Forme et un outil de communication
➢« Vivre vraiment, c’est vivre en recevant les informations adéquates »: Norbert Wiener
➢« Une suite de nombres et non pas des suites de lettres, de mots ou de phrases ». Yves Meyer
➢Toutes grandeurs physiques susceptibles de variations

Traitement
➢Transformation destinée à rendre le signal exploitable

7
❑ Signaux et applications
❑ Définition d’un signal
❑ Exemples d’applications de TS

❑ Classification des signaux

❑ Energie, représentation d’un signal
❑ Signaux élémentaires

❑ Système linéaire invariant dans le temps (SLIT)

❑ Définition et propriétés
❑ Exemples : filtre RC - voiture autonome
❑ Produit de convolution: définition et propriétés
❑Réponse impulsionnelle d'un système

8
SIGNAUX ET APPLICATIONS

9
 Qu’est-ce qu’un signal ?
➢ Un signal est une fonction généralement du temps, porteur d’information.
➢ Typiquement, ce signal correspond à la mesure d’une grandeur physique enregistrée par un
capteur : relevé de température ou de pression, tension électrique, son enregistré par un
microphone, couleur et intensité d’une image enregistrée par une caméra …
➢ Dont on veut extraire ou modifier l’information, en partie ou en tout.

Température de la pièce (minutes)

Signal électrocardiogramme (seconde)
Signal sonore (milliseconde) 10
Exemple pratique: acquisition et traitement d’un son

11
Qu’est-ce qu’un bruit ?
Courant mesuré avant traitement Courant mesuré après traitement

➢ Un signal porteur
d’information comporte
généralement du bruit surtout
si celui-ci est issu d’un capteur
ou d’une transmission.

➢ Le bruit est tout ce qui n’est

pas porteur d’information.

12
 Domaines et applications du « Traitement du Signal TS»

➢Applications du TS:
➢Audio 1D (enregistrement, compression, stockage, dé-bruitage, analyse)
➢Image 2D (enregistrement, compression, analyse, détection d’objets..)
➢Mesure de signaux, transmission de signaux, filtrage, etc …

➢Domaines d’application du TS
➢ Industrie : mesure et analyse, capteurs
➢Transports,
➢ Médecine,
➢Télécommunications, diffusion TV
➢Images animées (TV, jeux vidéos,…)
➢ Navigation (GPS), Radars…. 13
Télécommunications

Antennes, récepteurs, radars, …

14
Ingénierie financière

« Les spéculateurs font

fortune dans le bruit »

Filtrage (tendance vs bruit)

➢ Prédiction de la tendance
➢ Trading « classique »

➢ Prédiction de la partie aléatoire

➢ Trading haute fréquence/automatique

15
 Modélisation et Mécanique numérique
Extraction du bruit de combustion d’un moteur Diesel
But : Extraire le bruit de combustion (le séparer du bruit mécanique)

Bruit du moteur

=
Bruit de combustion

+
Bruit mécanique

16
Fonctions du traitement du signal

Créer : Elaboration de signaux

➢ Synthèse : création de signaux par combinaison de signaux Élémentaires

➢ Modulation : adaptation du signal au canal de transmission

17
Fonctions du traitement du signal: analyser

Analyser : Interprétation des signaux

➢ Détection : isoler les composantes utiles ➢ Identification : classement du signal
d'un signal complexe , extraction du signal (identification d'une pathologie, sur un signal
d'un bruit ECG, reconnaissance de la parole, etc.)

18
Fonctions du traitement du signal: transformer

Transformer : adapter un signal aux besoins

➢ Filtrage : modification de l’amplitude des composantes spectrales élimination de certaines
composantes
➢ Détection de craquements sur un enregistrement
➢ Détection de bruit sur une image,
➢ Annulation d'écho, etc.

➢ Codage/compression (Jpeg, mp3, mpeg4, etc.)

19
Comment « appliquer » les enseignements

➢ Traitement de sons
➢ Traitement d’images
➢ Traitement de mesures

20
CLASSIFICATION DES SIGNAUX

21
Classification des signaux: Signal déterministe et aléatoire

Déterministe
➢ Signaux dont l’évolution en fonction du temps t peut être parfaitement décrite par une
représentation mathématique donnée 𝑓(𝑡).
➢ Il est prédictif, c. à. d. que se valeur est connue pour toute valeur de t. Exemple: 𝑓 𝑡 = 1 + sin(𝑡)

22
Classification des signaux: Signal déterministe et aléatoire
Aléatoire
➢ Signaux dont le comportement est imprévisible et dont on ne peut pas prédire la valeur à un
temps t. Par exemple, le prix d’une action en bourse en fonction du temps.
➢ Description basée sur les propriétés statistiques des signaux (moyenne, variance, loi de
probabilité, …): La plupart des signaux naturels sont aléatoires

Ses propriétés statistiques ne varient pas Ses propriétés statistiques varient

au cours du temps au cours du temps 23
Energie d’un signal

➢ Energie totale d'un signal x(t)

+∞
𝑬=න 𝒙 𝒕 𝟐 𝒅𝒕
−∞

Un signal est à énergie finie si E < +∞.

2
Allure de 𝑥 𝑡

➢ les signaux à énergie finie sont

physiquement réalisables: signaux
transitoires; signaux à support borné.

24
Puissance d’un signal

➢ Puissance totale d'un signal x(t)

𝑻
+𝟐
𝟏 𝟐 𝒅𝒕
𝑷 = lim න 𝒙 𝒕
𝑇→+∞ 𝑻 −𝑻
𝟐

➢ La puissance d'un signal x(t) exprime la quantité d'énergie transférée en par unité de temps.

➢ Un signal est à puissance finie si P < +∞.

➢ les signaux à énergie finie sont à puissance nulle.

➢ les signaux à puissance non nulle sont à énergie infinie. Par exemple les signaux périodique.

25
Puissance d’un signal périodique

Si x(t) est périodique de période 𝑇0 alors la puissance est

𝑻
+ 𝟐𝟎
𝟏 𝟐 𝒅𝒕
𝑷= න 𝒙 𝒕
𝑻𝟎 −𝑻𝟎
𝟐

26
Classification des signaux

27
 Classification des signaux: Signal continu et signal discret
Signal continu

➢ Un signal analogique est un signal continu. Cela signifie que le signal est défini
à chaque instant du temps. Par exemple la tension du réseau électrique en
fonction du temps.

➢ L’évolution d’un signal continue 𝑥(𝑡) est décrite par la variable continue 𝑡 ∈ ℝ.

Signal discret

➢ Un signal discret est défini à des instants bien séparés dans le temps.

➢ L’évolution d’un signal discret est décrite par une variable discrète 𝑛 ∈ ℤ.

➢ Pour chaque entier n correspond une valeur 𝑥 𝑛 .

➢ Exemple: mesure de température donnée par un capteur une fois par minute.
28
Signaux usuels

▪ Echelon unitaire ou HeavisideΓ(𝑡) ▪ Signal rectangle centré Π 𝑇 (𝑡)

0 𝑠𝑖 𝑡 < 0 𝑇 𝑇
Γ 𝑡 = ቊ Π 𝑇 𝑡 = ቐ1 𝑠𝑖 − 2 ≤ 𝑡 ≤ 2
1 𝑠𝑖 𝑡 ≥ 0
0 𝑠𝑖𝑛𝑜𝑛

Γ(𝑡) Π 𝑇 (𝑡)
1

29
Sondage 1 : Classification de signaux

A. Le signal 𝒙(𝒕) = 𝒄𝒐𝒔(𝟐𝝅 × 𝟏𝟎𝟎𝟎 × 𝒕) 𝒂𝒗𝒆𝒄 𝟎 < 𝒕 < 𝟏𝟎. 𝒙(𝒕) est un signal
1. Déterministe
2. A temps discret
3. A temps continu
4. Aléatoire

B. On mesure la température d’une pièce. La température est mesurée toutes les 2 secondes.
Le signal mesuré est
1. Continu
2. Discret

30
SYSTÈME LINÉAIRE INVARIANT DANS LE
TEMPS (SLIT) - INTRODUCTION

31
Définition d’un système
➢ Un système est un ensemble d'éléments fonctionnels interagissant entre eux et qui établit un
lien de cause à effet entre ses signaux d'entrée et ses signaux de sortie

32
Exemple – système de filtrage d’un signal audio
Un système transforme un signal x(t) à son entrée en un signal y(t) à sa sortie.

Signale sonore bruité avant traitement

33
Exemple – système de filtrage d’un signal audio

Signale sonore filtré après traitement

Filtre audio

34
Systèmes Linéaire et Invariant dans le temps: SLIT
Linéarité
Soit 𝑦1 = 𝑆 𝑥1 , 𝑦2 = 𝑆 𝑥2 𝑒𝑡 𝑥 𝑡 = 𝑎𝑥1 𝑡 + 𝑏𝑥2 𝑡 ,

𝐴𝑙𝑜𝑟𝑠 𝑦 = 𝑆 𝑥 = 𝑎𝑆 𝑥1 + 𝑏𝑆 𝑥2 = 𝑎𝑦1 (𝑡) + 𝑏𝑦2 𝑡

ax1(t)+bx2(t) ay1(t)+by2(t)
x1(t) y1(t)

x2(t) y2(t)

35
Systèmes Linéaire et Invariant dans le temps: SLIT

SLIT : 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 dans le temps.
Si y t = S 𝑥 𝑡 𝑎𝑙𝑜𝑟𝑠 𝑆 𝑥 𝑡 − 𝜏 =𝑦 𝑡−𝜏 .

x(t) 𝒚(𝒕)

𝒚 𝒕−𝝉
𝒙 𝒕−𝝉

36
Exemple d’un système linéaire: canal de propagation(1/2)

𝒚(𝒕) = 𝟎. 𝟑. 𝒙(𝒕 − 𝒕𝒐) + 𝟎. 𝟐. 𝒙(𝒕 − 𝒕𝟏)

37
Exemple d’un système linéaire: canal de propagation (2/2)
𝒚(𝒕) = 𝟎. 𝟑. 𝒙(𝒕 − 𝒕𝒐) + 𝟎. 𝟐. 𝒙(𝒕 − 𝒕𝟏)

38
Exemple de système Variant Temporellement

39
Sondage : Signaux et systèmes

Soit un système qui, pour un signal d’entrée 𝒙(𝒕) fait correspondre un signal de sortie

𝑦 𝑡 = 𝑥 2 (𝑡)
1. Le système est invariant dans le temps
2. Le système est linéaire

40
Exemple d’un système SLIT: circuit RC
➢ Système: circuit RC
➢ Signal d’entrée: la tension U R
i
➢ Signal de sortie: tension du condensateur Uc
➢ Relation entre signal d’entrée et de sortie U C Uc

𝑈 = 𝑆(𝑈𝑐 )

➢ Equation des tensions

Source de
Tension aux bornes du
tension U Circuit RC condensateur Uc
𝑅𝐶 × 𝑼ሶ𝒄 + 𝑼𝒄 = 𝑼 Système

41
 Exemple d’un système SLIT: circuit RC

➢ Equation des tensions

R
i
𝑅𝐶 × 𝑈𝑐ሶ (𝑡) + 𝑈𝑐 (𝑡) = 𝑈(𝑡)
➢ Condition initiale 𝑡 ≤ 0, 𝑈𝑐 𝑡 = 0 𝑒𝑡 𝑈 𝑡 = 0
U C Uc
➢ La solution de cette équation est
𝑡
𝑈𝑐 𝑡 = න 𝑈(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0

1 −𝑡
où ℎ 𝑡 = 𝑒 𝑅𝐶 .
𝑅𝐶

➢ Le système est représenté par la fonction ℎ 𝑡 qui s’appelle Source de

Tension aux bornes du
réponse impulsionnelle du système. tension U Circuit RC condensateur Uc
Système
➢ ℎ 𝑡 contient toute l’information du système

42
Exemple d’un système SLIT: circuit RC
𝑡
𝑈𝑐 𝑡 = න 𝑈(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0
R
i
➢ Cette forme intégrale est noté produit de convolution.

U C Uc
➢ La sortie du système (la tension 𝑈𝑐 (𝑡)) est obtenue
par:
▪ Le produit de convolution de l’entrée: (la tension 𝑈(𝑡))
1 −𝑡
▪ et la réponse impulsionnelle ℎ 𝑡 = 𝑒 𝑅𝐶
𝑅𝐶

𝑡 Source de
Tension aux bornes du
𝑈𝑐 𝑡 = 𝑈(𝑡) ∗ ℎ 𝑡 = න 𝑈(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏 tension U Circuit RC condensateur Uc
0 Système

➢« * »: représente le produit de convolution

43
Exemple d’un système SLIT: circuit RC
𝑡
𝑈𝑐 𝑡 = න 𝑈(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0 Source de
Tension aux bornes du
tension U Circuit RC condensateur Uc
Système
Exemple U(t) = constante si t>0 et U(t)=0 si t≤ 0

𝑈 𝑡 −𝑡−𝜏
𝑣 𝑡 = න 𝑒 𝑅𝐶 𝑑𝜏
𝑅𝐶 0

𝑡
−
𝑣 𝑡 =𝑈× 1−𝑒 𝑅𝐶

44
Exemple d’un système SLIT: véhicule autonome
➢ Système: véhicule de masse m=1 kg
➢ Signal d’entrée: la traction du moteur T Vitesse v

➢ Signal de sortie: la vitesse du véhicule v

Résistance R= -f.v Traction T
➢ Relation entre signal d’entrée et de sortie Véhicule

𝑣 = 𝑆(𝑇)
➢ Loi fondamentale de la dynamique
෍ 𝐹𝑒𝑥𝑡 = 𝑚𝑣ሶ

𝑅 + 𝑇 = 𝑣ሶ Traction T Vitesse v
Système

𝒗ሶ + 𝑓𝒗 = 𝑻
45
 Exemple d’un système SLIT: véhicule autonome
➢ 𝒗(𝒕)
ሶ + 𝑓𝒗(𝒕) = 𝑻(𝒕) => système linéaire d’ordre 1
➢ Condition initiale à 𝑡 ≤ 0, 𝑣 𝑡 = 0 𝑒𝑡 𝑇 𝑡 = 0 Vitesse v

➢ Notre objectif est d’obtenir la vitesse à partir de la

Résistance R=-f*v Traction T
force de traction. La solution de cette équation est
Véhicule

𝑡
𝑣 𝑡 = න 𝑇(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0

où ℎ 𝑡 = 𝑒 −𝑓𝑡 .
➢ Le système est représenté par la fonction ℎ 𝑡 qui
s’appelle réponse impulsionnelle du système. Traction T Vitesse v
Système
➢ ℎ 𝑡 contient toute l’information du système

46
Exemple d’un système SLIT: véhicule autonome
𝑡
𝑣 𝑡 = න 𝑇(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0 Vitesse v
➢ Cette forme intégrale est noté produit de
convolution. Résistance R=-f*v Traction T
Véhicule

➢ La sortie du système (la vitesse v) est obtenue par

▪ Le produit de convolution de l’entrée: (la traction T)
▪ et la réponse impulsionnelle ℎ 𝑡 = 𝑒 −𝑓𝑡

𝑡
𝑣 𝑡 = 𝑇 𝑡 ∗ ℎ 𝑡 = න 𝑇(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏 Traction T Vitesse v
0 Système
➢« * »représente le produit de convolution

47
Exemple d’un système SLIT: véhicule autonome
𝑡
𝑣 𝑡 = න 𝑇(𝜏) × ℎ 𝑡 − 𝜏 𝑑𝜏
0 Traction T Vitesse v
Système

Exemple T(t) = constante si t>0 et T(t)=0 si t≤ 0

𝑡
𝑣 𝑡 = 𝑇 න 𝑒 −𝑓(𝑡−𝜏) 𝑑𝜏
0

𝑇
𝑣 𝑡 = 1 − 𝑒 −𝑓𝑡
𝑓

48
Produit de convolution

Produit de convolution de deux fonctions 𝑓 𝑡 𝑒𝑡 𝑔(𝑡)

➢Notation(𝑓 ∗ 𝑔)(𝑡)
➢Définition
Soient deux fonctions 𝑓 𝑒𝑡 𝑔, le produit de convolution de f et g est définie par
l’intégrale suivante (quand elle existe) :

+∞
𝑓∗𝑔 𝒕 = න 𝑓 𝜏 𝑔 𝒕 − 𝜏 𝑑𝜏
−∞

➢𝑓 ∗ 𝑔 est une fonction de la variable t, 𝜏 est une variable muette d’intégration.

49
Réponse d'un système SLIT à une entrée quelconque
➢ Comment calculer la sortie du système avec un signal d’entrée quelconque à partir de la
réponse impulsionnelle ?
➢ Réponse 𝑦(𝑡) d’un système S à une entrée 𝑥(𝑡)
➢ Est la convolution de 𝑥(𝑡) avec la réponse impulsionnelle ℎ(𝑡) du système

𝑦 𝑡 = 𝑥 𝑡 ∗ ℎ(𝑡)
➢ => ℎ(𝑡) caractérise entièrement le système.

50
 Outils important pour le TS: Impulsion de Dirac 𝛿(𝑡)

➢Ce n’est pas un signal réel, c’est un objet mathématique très utile en traitement de signal.
➢ C’est un objet qui généralise la notion de fonction.
➢Une distribution est limite d’une fonction
➢Par définition, la distribution de Dirac 𝛿 𝑡 est une impulsion centrée sur 𝑡 = 0 de
largeur infiniment étroite et de surface unité :
+∞
න 𝛿 𝑡 𝑑𝑡 = 1
−∞

➢Elle est représentée symboliquement par un vecteur de hauteur égale à un.

51
 L’impulsion de Dirac 𝛿(𝑡)
➢Une distribution est limite d’une fonction
1
➢L’impulsion de Dirac est la limite d’un signal carré de largeur 𝜖 d’amplitude et dont l’aire est égale à 1.
𝜖

1 𝜖
1 , |𝑡| ≤
𝛿 𝑡 = lim Π𝜖 𝑡 = lim 𝜖 2
𝜖→0 𝜖 𝜖→0 𝜖
0, 𝑡 >
2

52
 La distribution de Dirac: propriétés

➢Multiplication par un Dirac→ Prélèvement

𝑥 𝑡 𝛿 𝑡 − 𝜏 = 𝑥(𝜏)𝛿 𝑡 − 𝜏

𝑥 𝑡 →

𝛿 𝑡−𝜏 →

𝑥 𝑡 𝛿 𝑡 − 𝜏 = 𝑥(𝜏)𝛿 𝑡 − 𝜏 →
53
La distribution de Dirac: propriétés

➢Surface unitaire:
➢Symétrie: 𝛿 𝑡 = 𝛿 −𝑡

+∞
‫׬‬−∞ 𝛿 𝑡 𝑑𝑡 = 1
➢Prélèvement à temps 𝑡0
➢Prélèvement à zero 𝑥 𝑡 𝛿 𝑡 − 𝑡0 = 𝑥 𝑡0 𝛿 𝑡 − 𝑡0
𝑥 𝑡 𝛿 𝑡 =𝑥 0 𝛿 𝑡

+∞ +∞
➢‫׬‬−∞ 𝑥(𝑡)𝛿 𝑡 𝑑𝑡 = 𝑥 0 ➢‫׬‬−∞ 𝑥(𝑡)𝛿 𝑡 − 𝑡0 𝑑𝑡 = 𝑥 𝑡0

54
La distribution de Dirac: propriétés

+∞
➢‫׬‬−∞ 𝑥(𝑡)𝛿 𝑡 𝑑𝑡 = 𝑥 0

➢Preuve:

+∞ +∞ +∞
➢‫׬‬−∞ 𝑥(𝑡)𝛿 𝑡 𝑑𝑡 = ‫׬‬−∞ 𝑥(0)𝛿 𝑡 𝑑𝑡 = 𝑥(0) ‫׬‬−∞ 𝛿 𝑡 𝑑𝑡 = 𝑥 0

55
 L’impulsion de Dirac et la réponse impulsionnelle du SLIT

➢𝛿(𝑡) est l’impulsion de Dirac

𝛿 𝑡 = lim ➢ ℎ(𝑡) est la réponse impulsionnelle du SLIT
𝐷→0
➢ℎ(𝑡) caractérise entièrement le système SLIT
➢ Caractérisation dans le domaine temporel

56
Résumé : Système SLIT et réponse impulsionnelle
➢ Réponse 𝑦(𝑡) d’un système S à une entrée 𝑥(𝑡)
➢ Est la convolution de 𝑥(𝑡) avec la réponse impulsionnelle ℎ(𝑡) du système

𝑦 𝑡 = 𝑥 𝑡 ∗ ℎ(𝑡)
➢ => ℎ(𝑡) caractérise entièrement le système.

57
Quelques propriétés du produit de convolution

➢ Commutativité: 𝑥(𝑡) ∗ ℎ(𝑡) = ℎ(𝑡) ∗ 𝑥(𝑡)

➢ Distributivité (linéarité du SLIT):

𝑥1 (𝑡) + 𝑥2 (𝑡) ∗ ℎ 𝑡 = 𝑥1 𝑡 ∗ ℎ 𝑡 + 𝑥2 (𝑡) ∗ ℎ(𝑡)

➢ Associativité:

𝑥1 𝑡 ∗ 𝑥2 𝑡 ∗ 𝑥3 𝑡 = 𝑥1 𝑡 ∗ 𝑥2 𝑡 ∗ 𝑥3 𝑡 = 𝑥1 𝑡 ∗ 𝑥2 𝑡 ∗ 𝑥3 𝑡

➢ L’impulsion de Dirac 𝛿(𝑡) est l’élément neutre du produit de convolution :

δ(𝑡) ∗ ℎ(𝑡) = ℎ(𝑡)

➢ Translation temporelle (invariance temporelle du SLIT):

δ(𝑡 − 𝑡0 ) ∗ ℎ(𝑡) = ℎ(𝑡 − 𝑡0 ) 58
Sondage : Systèmes SLIT en cascade

Soit un système SLIT qui a pour réponse impulsionnelle la fonction 𝒉(𝒕).

On utilise le montage suivant:
A. Que vaut 𝒚𝟏(𝒕) ?
1. 𝑦1(𝑡) = 0
2. 𝑦1(𝑡) = 𝛿(𝑡)
3. 𝑦1 𝑡 = ℎ 𝑡

B. Que vaut 𝒚𝟐(𝒕) ?

1. 𝑦2(𝑡) = ℎ(𝑡)
2. 𝑦2(𝑡) = 0
3. 𝑦2(𝑡) = ℎ(𝑡) ∗ ℎ(𝑡)

59
 Système causal

➢Un système est causal, si sa sortie à l’instant t dépend uniquement:

➢ des entrées actuelles et passées
➢ des sorties passées

➢c à d le système ne dépend pas du futur et dépend uniquement du passé et du présent

➢Les systèmes physiques réels sont causaux. Cela veut dire que la sortie du système ne
peut pas varier avant que l’on ait appliqué l’entrée
➢Avec un SLIT causal on a h t = 0 pour t < 0

60
 Système causal

➢Avec un SLIT causal on a h t = 0 pour t < 0

➢Preuve: pour une entrée impulsion du Dirac 𝑥 𝑡 = 𝛿 𝑡 la sortie du système est bien
𝑦 𝑡 = ℎ 𝑡 ( la réponse impulsionnelle du système):
𝑥 𝑡 = 𝛿 𝑡 = 0 si t < 0 donc le système est causal si la sortie 𝑦(𝑡) = ℎ(𝑡) = 0 𝑠𝑖 𝑡 < 0.

61
Stabilité d’un système SLIT

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

+∞
➢On montre que la sortie est bornée ssi ‫׬‬−∞ ℎ 𝑡 𝑑𝑡 < +∞.

➢Ainsi, un système est stable ssi sa réponse impulsionnelle est intégrable.

62
Stabilité d’un système SLIT

➢ Preuve:
+∞
𝑦 𝑡 = 𝑥∗ℎ 𝒕 = න 𝑥 𝜏 ℎ 𝒕 − 𝜏 𝑑𝜏
−∞

+∞ +∞
𝑦 𝑡 = 𝑥∗ℎ 𝒕 = ‫׬‬−∞ 𝑥 𝜏 ℎ 𝒕 − 𝜏 𝑑𝜏 <‫׬‬−∞ 𝑥 𝜏 ℎ 𝒕 − 𝜏 𝑑𝜏

Si le signal d’entrée 𝑥(𝑡) est borné donc il excite 𝑀 tel que : 𝑥(𝑡) < 𝑀.
𝑥 𝜏 <𝑀

+∞ +∞
𝑦 𝑡 < ‫׬‬−∞ 𝑥 𝜏 ℎ 𝒕 − 𝜏 𝑑𝜏 < 𝑀 ‫׬‬−∞ ℎ 𝒕 − 𝜏 𝑑𝜏
+∞ +∞
Ainsi si ‫׬‬−∞ ℎ 𝒕 − 𝜏 𝑑𝜏 est intégrable (‫׬‬−∞ ℎ 𝒕 − 𝜏 𝑑𝜏 < ∞) alors le signal de sortie 𝑦(𝑡) est
borné.

63
Sondage : Systèmes SLIT
Soit un système SLIT qui a pour réponse impulsionnelle la fonction 𝒉(𝒕) suivante:

A. Le signal d’entrée est égal à 𝒙(𝒕) = 𝜹(𝒕), que vaudra la sortie 𝒚(𝒕)
1. 𝑦(𝑡) = 0
2. 𝑦(𝑡) = ℎ(𝑡)
3. 𝑦(𝑡) = 𝛿(𝑡)
B. Ce système est-il causal ?
1. Oui 2. Non
C. Ce système est-il stable ?
1. Oui 2. Non 64
Nous venons de présenter les aspects temporels des signaux en traitement du signal
Nous allons nous intéresser maintenant aux aspects fréquentiels

65
 Cours 2

Analyse fréquentielle des

signaux

W. Peretti – Z. Mhanna
ESILV - 2022
Contenu de ce cours

❑ Signaux et fréquences
❑ Notion de fréquence
❑ Pourquoi la représentation fréquentielle ?
❑ Décomposition en série de Fourier (DSF)
❑ Définition et propriétés
❑ Représentation spectrale
❑ Transformée de Fourier d’un signal (TF)
❑ Définition et propriétés
❑ Représentation spectrale et signaux usuels
❑ Systèmes SLIT et transformée de Fourier

2
SIGNAUX ET FRÉQUENCES

3
Notion de fréquence
Qu'est ce qu'une fréquence ?
➢ La fréquence est le nombre de fois qu'un phénomène
périodique se reproduit pendant une durée déterminée.
➢ C'est donc l'inverse de la période: fréquence = 1/période.
➢ La fréquence est mesurée en hertz (= 1/seconde).
➢ Exemple un signal sinusoïdal: 𝑓 = 800 𝐻𝑧 𝑒𝑡 𝑇 = 1,25 𝑚𝑠
➢ Ce signal, peut être représenter par sa fréquence f et son
amplitude 𝐴𝑚
𝑥 𝑡 = 𝐴𝑚 sin 2𝜋𝑓𝑡
Dans ce cas: 𝑓 = 800 𝐻𝑧, 𝐴𝑚 = 1.
➢ Dans la suite, on va s’intéresser à la représentation
« fréquentielle » d’un signal.
4
Notion de fréquence
Représentation temporelle
➢Dans un son
x(t)
➢ Sons graves = basses fréquences

➢ Sons aigus = hautes fréquences

t

➢=> La fréquence permet de caractériser Représentation fréquentielle

un certain type d'information.

➢La fréquence est un support de

l’information utile d’un signal. f

5
Notion de fréquence

ANALYSE SPECTRALE:
Connaître les
composantes spectrales
constituant un signal

Composantes
spectrales du signal

6
Pourquoi la représentation fréquentielle ?
➢La notion de fréquence est présente dans plusieurs domaines d’applications.
➢La voix, un téléphone portable, la radio, l'ADSL.
➢Un radar, une vibration.

➢Une représentation fréquentielle de l'information est souvent + facile à interpréter que la

représentation temporelle.

➢La connaissance de la représentation fréquentielle est importante si on veut :

➢Mesurer / transmettre ce signal
➢Numériser ce signal
7
Représentation spectrale d’un signal

8
Vers une représentation fréquentielle ...

➢ La notion de fréquence est intéressante, mais comment connaitre les fréquences que
contient un signal ?

➢ Exemple d'un signal sinusoïdal:

𝑥 𝑡 = 𝐴𝑚 sin 2𝜋𝒇𝟎 𝑡 + 𝜑 𝒇𝟎 est la fréquence du signal
=> Pour un sinus, c'est facile …
➢ Exemple d’un signal sonore

Fréquences variables au cours du temps. Comment

caractériser les informations fréquentielles contenues
dans ce signal ?
=> ici, c'est plus difficile ...

9
Analyse de Fourier

➢Permet de déterminer la fonction du signal temporel dans le

domaine fréquentiel
𝒙 𝒕 → 𝑿 𝒇

➢DSF Décomposition en série de Fourier: pour les signaux

périodiques uniquement

➢TF Transformée de Fourier: pour les signaux quelconques à

énergie finie ou à puissance finie

➢L’information contenue dans un signal 𝒙 𝒕 est présente

également dans sa représentation fréquentielle 𝑿 𝒇

10
Transformée de Fourier (TF)

Quelques idées
➢Analogie (musique): un accord peut être décomposé en un ensemble de notes
(fréquences) jouées avec une certaine intensité (amplitude).

➢Tout signal physique 𝑥(𝑡) peut se décomposer en une somme (finie ou non)
de fonctions complexes, avec chacune une certaine fréquence 𝑓 et une
certaine amplitude 𝐴(𝑓).

➢Calculer la transformée de Fourier revient à calculer l'ensemble des

amplitudes 𝐴(𝑓) pour toute fréquence 𝑓.
11
Sondage

Quelle est la période du signal x(t)=5cos(π2000t):

1. 1ms

2. 0.5ms

3. 2ms

12
DÉCOMPOSITION EN SÉRIE DE FOURIER (DSF)

13
 Décomposition en série de Fourier (DSF)
➢ Tout signal réel périodique 𝑥(𝑡): ℝ → ℝ
1
➢De période 𝑇0 et de fréquence 𝑓0 =
𝑇0
➢Continu ou continu par morceaux sur une période et intégrable au moins une fois sur
une période
➢ Peut se décomposer en une somme finie ou infinie de sinus et/ou de cosinus de
fréquence multiple de 𝑓0 . Cette somme s’appelle DSF.

T0 périodique an cos 2𝜋𝑛𝑓0 𝑡 , 𝑏𝑛 sin(2𝜋𝑛𝑓0 𝑡) ෍ an sin(2𝜋𝑛𝑓0 𝑡) + 𝑏𝑛 sin 2𝜋𝑛𝑓0 𝑡

14
 Décomposition en série de Fourier (DSF)

➢Principe exprimer le signal 𝑥(𝑡) de période 𝑇0 comme une combinaison

1
linéaire de fonctions sinusoïdales de fréquences multiples de 𝑓0 = , dite
𝑇0
fréquence fondamentale.
➢La forme trigonométrique réelle de la DSF est

+∞

𝑥 𝑡 = 𝑎0 + ෍ 𝑎𝑛 cos 2𝜋𝑛𝑓0 𝑡 + 𝑏𝑛 sin 2𝜋𝑛𝑓0 𝑡

𝑛=1

15
 Décomposition en série de Fourier (DSF)
➢La forme trigonométrique réelle de la DSF est
+∞ 𝑐𝑜𝑠𝑖𝑛𝑢𝑠 𝑠𝑖𝑛𝑢𝑠
𝑥ถ𝑡 = 𝑎
ด0 +෍ 𝑎
ด𝑛 cos 2𝜋𝑛𝑓0 𝑡 + 𝑏
ด𝑛 sin 2𝜋𝑛𝑓0 𝑡
𝑝é𝑟𝑖𝑜𝑑𝑖𝑞𝑢𝑒 𝑣𝑎𝑙𝑒𝑢𝑟 𝑚𝑜𝑦𝑒𝑛𝑛𝑒 𝑛=1 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑑𝑒 𝐹𝑜𝑢𝑟𝑖𝑒𝑟 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑑𝑒 𝐹𝑜𝑢𝑟𝑖𝑒𝑟

➢ => Somme de cosinus et de sinus: facile à interpréter

➢ 𝑎0 est la valeur moyenne sur une période
𝟏
𝒂𝟎 = න 𝒙 𝒕 𝒅𝒕
𝑻𝟎 (𝑻𝟎 )
➢ 𝑎𝑛 𝑒𝑡 𝑏𝑛 sont les coefficients de Fourier réels
𝟐
𝒂𝒏 = න 𝒙 𝒕 𝐜𝐨𝐬(𝟐𝝅𝒏𝒇𝟎 𝒕) 𝒅𝒕
𝑻𝟎 (𝑻𝟎 )

𝟐
𝒃𝒏 = න 𝒙 𝒕 𝐬𝐢𝐧(𝟐𝝅𝒏𝒇𝟎 𝒕) 𝒅𝒕
𝑻𝟎 (𝑻𝟎 ) 16
Décomposition en série de Fourier (DSF)

𝑥(𝑡)

17
Décomposition en série de Fourier (DSF)

18
Décomposition en série de Fourier (DSF)

19
Décomposition en série de Fourier (DSF)
+∞

𝑥 𝑡 = 𝑎0 + ෍ 𝑎𝑛 cos 2𝜋𝑛𝑓0 𝑡 + 𝑏𝑛 sin 2𝜋𝑛𝑓0 𝑡

𝑛=1

➢ 𝑓0 représente la composante fondamentale du signal

➢ 𝑛𝑓0 représente les harmoniques d’ordre n

20
Décomposition en série de Fourier - Interprétation
+∞

𝑥 𝑡 = 𝑎0 + ෍ 𝑎𝑛 cos 2𝜋𝑛𝑓0 𝑡 + 𝑏𝑛 sin 2𝜋𝑛𝑓0 𝑡

𝑛=1

21
Décomposition en série de Fourier – forme complexe-
Décomposition en somme d’exponentielles

➢Tout signal périodique 𝑥(𝑡) de période 𝑇 se décompose en une somme infinie

d’exponentielles complexes

𝑗 𝑒 𝑗𝜑 = cos 𝜑 + 𝑗𝑠𝑖𝑛(𝜑)
➢Rappels sur les exponentielles complexes:
➢ 𝑗 2 = −1
➢ 𝑒 𝑗𝜑 = cos 𝜑 + 𝑗𝑠𝑖𝑛(𝜑)
𝑒 𝑗𝜑 +𝑒 −𝑗𝜑
➢ cos 𝜑 =
2
𝑒 𝑗𝜑 −𝑒 −𝑗𝜑
➢ sin 𝜑 =
2𝑗

22
Décomposition en série de Fourier – forme complexe-
Décomposition en somme d’exponentielles
𝑒 𝑗2𝜋𝑛𝑓0𝑡 + 𝑒 −𝑗2𝜋𝑛𝑓0 𝑡 𝑒 𝑗2𝜋𝑛𝑓0𝑡 − 𝑒 −𝑗2𝜋𝑛𝑓0𝑡
cos 2𝜋𝑛𝑓0 𝑡 = 𝑒𝑡 sin 2𝜋𝑛𝑓0 𝑡 =
2 2𝑗
➢ Alors
+∞

𝑥 𝑡 = 𝑎0 + ෍ 𝑎𝑛 cos 𝑛2𝜋𝑓0 𝑡 + 𝑏𝑛 sin 𝑛2𝜋𝑓0 𝑡

𝑛=1

+∞
𝑒 𝑗2𝜋𝑛𝑓0 𝑡 + 𝑒 −𝑗2𝜋𝑛𝑓0 𝑡 𝑒 𝑗2𝜋𝑛𝑓0 𝑡 − 𝑒 −𝑗2𝜋𝑛𝑓0 𝑡
= 𝑎0 + ෍ 𝑎𝑛 + 𝑏𝑛
2 2𝑗
𝑛=1

➢ Ainsi
+∞

𝑥 𝑡 = 𝑐0 + ෍ 𝑐𝑛 𝑒 𝑗2𝜋𝑛𝑓0 𝑡 + 𝑐−𝑛 𝑒 −𝑗2𝜋𝑛𝑓0 𝑡

𝑛=1

1 1
𝑐0 = 𝑎0 , 𝑐𝑛 = 𝑎𝑛 − 𝑗𝑏𝑛 𝑒𝑡 𝑐−𝑛 = 𝑎𝑛 + 𝑗𝑏𝑛
2 2 23
Décomposition en série de Fourier – forme complexe

➢Tout signal périodique 𝑥(𝑡) de période 𝑇 se décompose en une somme infinie

d’exponentielles complexes
➢On a alors
+∞

𝑥 𝑡 = ෍ 𝑐𝑛 𝑒 𝑗2𝜋𝑛𝑓0 𝑡
𝑛=−∞

1
𝑐𝑛 = න 𝑥 𝑡 𝑒 −𝑗2𝜋𝑛𝑓0 𝑡 𝑑𝑡
𝑇0 (𝑇0)

➢Les "𝑐𝑛 " sont appelés les coefficients complexes de Fourier de 𝑥(𝑡). Ils forment la
représentation fréquentielle de 𝑥(𝑡)
24
Décomposition en série de Fourier – propriétés pour des signaux x(t)
réels

➢ Propriétés pour des signaux 𝑥(𝑡) réels.

➢ Signaux réels: signaux audio, signaux de mesures …. à une dimension
➢ Les coefficients 𝑎𝑛 et 𝑏𝑛 sont toujours des coefficients réels.
➢ Par contre, même si le signal 𝑥(𝑡) est réel, les coefficients 𝑐𝑛 peuvent être complexes.
➢ 𝑐0 = 𝑎0 : représente la valeur moyenne de signal 𝑥(𝑡); composante continue du signal; la
composante spectrale de 𝑥(𝑡) à la fréquence 𝑓 égal à 0
1 1
➢ 𝑐𝑛 = 𝑎𝑛 − 𝑗𝑏𝑛 et 𝑐−𝑛 = 𝑎𝑛 + 𝑗𝑏𝑛
2 2
𝑐𝑛
➢ 𝑥(𝑡) est un signal réel → 𝑐𝑛 = 𝑐−𝑛 « Symétrie Hermitienne »:

25
Décomposition en série de Fourier

➢ On représente le spectre d’un signal par le module des coefficients complexes de Fourier pour
chaque fréquence 𝑛𝑓0 on représente le point où 𝑛 ∈ ℤ

𝒏𝒇𝟎 |𝒄𝒏 |
➢ Pour un signal réel, le spectre est symétrique
➢ C’est un spectre de raie où les
fréquences sont espacées de 𝑓0

+∞

𝑥 𝑡 = ෍ 𝑐𝑛 𝑒 𝑗2𝜋𝑛𝑓0 𝑡
𝑛=−∞

26
Décomposition en série de Fourier – représentation spectrale

27
Décomposition en série de Fourier – représentation spectrale

Signal sinusoïdale redressé à simple alternance (Temps)

Spectre (fréquence en Hz)

28
Décomposition en série de Fourier

𝐷𝑜𝑚𝑎𝑖𝑛𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙
ฎ

ณ
𝐷𝑜𝑚𝑎𝑖𝑛𝑒 𝑓𝑟é𝑞𝑢𝑒𝑛𝑡𝑖𝑒𝑙

29
Décomposition en série de Fourier

➢ Théorème de Parseval

➢ Pour montrer cette égalité:

+∞ −1 +∞
2 2 2 2
𝑃𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒 = ෍ 𝑐𝑛 = ෍ 𝑐𝑛 + 𝑐0 + ෍ 𝑐𝑛
𝑛=−∞ 𝑛=−∞ 𝑛=1

+∞ +∞
2 2 2
= ෍ 𝑐−𝑛 + 𝑐0 + ෍ 𝑐𝑛
𝑛=1 𝑛=1

➢ Ensuite on montre que:

2 2
1 2
𝑐−𝑛 = 𝑐𝑛 = 𝑎𝑛 + 𝑏𝑛2
4
30
Sondage série de Fourier

1. Dans la décomposition en série de 2. décomposition en Série de Fourier

Fourier du signal x(t) suivant, la de x(t)=2+5cos(2πfot)+3.cos(10πfot)+cos(20πfot) avec
fo=800Hz vaut:
valeur moyenne est:

a. a0=2; a1=5; a10=3; a20=1

b. a0=2; a1=5; a5=3; a10=1
c. a0=4; a1=5; a5=3; a10=1
a. a0=A/2
b. a0=A
c. a0=A/4

31
TRANSFORMÉE DE FOURIER D’UN SIGNAL (TF)

32
Et pour les signaux non périodiques ?

➢La DSF n'est applicable qu'aux signaux périodiques

➢Comment faire pour les signaux non périodiques ?
➢Considérons que la période 𝑇0 est infinie (donc 𝑓0 tend vers 0)
➢Et comme les harmoniques sont des multiples de 𝑓0 ...
➢… l’écart entre les raies du spectre va donc devenir infiniment petit
➢On tend alors vers une représentation fréquentielle continue

C'est la Transformée de Fourier, qui peut être vue comme une

généralisation des séries de Fourier aux signaux non périodiques
33
Transformée de Fourier (TF)
➢ La transformée de Fourier est l'outil qui permet de passer d'une représentation temporelle à
une représentation fréquentielle (spectre du signal).

➢ La Transformée de Fourier est une généralisation de la DSF.

➢ elle s’applique à tous les signaux.

➢ Soit signal 𝑥(𝑡) un signal
➢ continu / continu par morceaux et intégrable une fois.
➢ ou à énergie finie ou à puissance finie.
La Transformée de Fourier TF 𝑋(𝑓) de 𝑥 𝑡 est définie par

+∞
𝑋 𝑓 =න 𝑥 𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞
34
Transformée de Fourier (TF)

➢Notation: 𝑋 𝑓 = 𝑇𝐹 𝑥 𝑡

+∞
𝑋 𝑓 =න 𝑥 𝑡 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞

➢𝑋(𝑓) indique la "quantité" de fréquence f présente dans le signal 𝑥(𝑡)

sur l'intervalle 𝑓 ∈ ] − ∞, +∞[.
➢𝑋(𝑓) donne des informations fréquentielles sur 𝑥(𝑡).
➢𝑋 𝑓 est une fonction complexe (de la variable réelle 𝑓) qui admet
➢Un spectre d'amplitude 𝐴(𝑓) = 𝑋 𝑓
➢Un spectre de phase 𝜑(𝑓) = arg 𝑋 𝑓
35
Transformée de Fourier inverse (𝑇𝐹 −1 )

➢ Il est possible de revenir à la représentation temporelle 𝑥(𝑡) à partir de la représentation

fréquentielle 𝑋(𝑓) avec la Transformée de Fourier inverse (𝑇𝐹 −1 )
𝑥 𝑡 = 𝑇𝐹 −1 𝑋 𝑓

+∞
𝑥(𝑡) = න 𝑋 𝑓 𝑒 𝑗2𝜋𝑓𝑡 𝑑𝑓
−∞

➢ 𝑋(𝑓) 𝑒𝑡 𝑥(𝑡) sont deux descriptions équivalentes (temporelle ou fréquentielle) du même

signal. On écrit ∶ 𝑥(𝑡) ↔ 𝑋(𝑓)

36
Passage de la DSF à la TF

37
Passage de la DSF à la TF

38
Transformée de Fourier - Exemple

➢Voici un exemple sur un signal.

➢La représentation temporelle de ce signal ne
reflète pas bien clairement l’information utile.

➢La représentation fréquentielle montre bien le

contenu fréquentiel qui est entre 0 et 1250 Hz
avec des ‘pics’ autour de 500 Hz.

➢C’est ce contenu fréquentiel qu’on cherche

souvent et qui est bien utile comme on a déjà vu
au début de cette séance.

39
Transformée de Fourier: Identité de Parseval

➢Pour les signaux à énergie finie: loi de conservation de l'énergie

𝐷𝑜𝑚𝑎𝑖𝑛𝑒 𝑡𝑒𝑚𝑝𝑜𝑟𝑒𝑙
ฎ

ณ
𝐷𝑜𝑚𝑎𝑖𝑛𝑒 𝑓𝑟é𝑞𝑢𝑒𝑛𝑡𝑖𝑒𝑙

40
Transformée de Fourier – propriétés

:::::

41
Transformée de Fourier – Dualité de la TF

𝑇𝐹 𝑇𝐹
➢ 𝑥(𝑡) 𝑋(𝑓) alors 𝑋(𝑡) 𝑥(−𝑓)

➢Preuve: soit 𝑥(𝑡) une fonction quelconque dont sa TF 𝑋(𝑓)est bien définie:

42
Transformée de Fourier – signaux usuels

43
Transformée de Fourier – signaux usuels

44
Transformée de Fourier – signaux usuels

45
Transformée de Fourier – vitesse de variation temporelle et richesse spectrale

Si 𝑥(𝑡) est très «rapide», sa TF sera très Si 𝑥(𝑡) est très «lent», sa TF sera très
étalée vers les hautes fréquences. «pointue»

46
Intérêt de la Transformée de Fourier pour les SLIT

➢ La TF permet de visualiser facilement l’effet d’un SLIT sur un signal

𝑇𝐹
𝑦 𝑡 = 𝑥 𝑡 ∗ℎ 𝑡 𝑌(𝑓) = 𝑋 (𝑓) × 𝐻( 𝑓 )

47
Sondage: La transformée de Fourrier
On a 𝑇𝐹(𝑥(𝑡)) = 𝑋(𝑓)
Q1. La transformée de Fourrier de 𝒛(𝒕) = 𝒙(𝒕) + 𝟎. 𝟑𝒙(𝒕 − 𝑻𝟎 ) est égale à :
a. 𝑋(𝑓) + 0.3𝑋(𝑓 − 𝑇0 )

b. 𝑋(𝑓) + 0.3𝑋 𝑓 𝑒 𝑗2𝜋𝑓𝑇𝑜

c. 𝑋(𝑓) + 0.3𝑋 𝑓 𝑒 −𝑗2𝜋𝑓𝑇𝑜

Q2. . La transformée de Fourrier de 𝒛(𝒕) = 𝒉 𝒕 ∗ 𝒙 𝒕 . 𝒚 𝒕 est égal à :

1. 𝑍(𝑓) = ℎ(𝑡) ∗ [𝑋(𝑓). 𝑌(𝑓)]
2. 𝑍(𝑓) = 𝐻(𝑓). [𝑋(𝑓). 𝑌(𝑓)]
3. 𝑍(𝑓) = 𝐻(𝑓). [𝑋(𝑓) ∗ 𝑌(𝑓)]

48
 Cours 3

Analyse des signaux discrets

Contenu du cours 3
❑ Introduction aux signaux discrets
❑Échantillonnage
❑ TF d’un signal échantillonné
❑Théorème de Shannon
❑Numérisation d’un signal
❑ Chaîne de numérisation
❑ Convertisseur Analogique Numérique (CAN): Quantification et Codage
❑ Reconstruction et Convertisseur Numérique Analogique (CNA)

2
INTRODUCTION AUX SIGNAUX DISCRETS

3
 Intérêt de la discrétisation
➢ Un signal continu a besoin d’être discrétisé pour être enregistré, analysé et/ou traité

➢ Physiquement, un signal est représenté en format numérique sur un support matériel (mémoire d’un
microprocesseur, CD, Blu-ray, disque dur, RAM, mémoire flash, …): une séquence de 0 et 1

➢ Cette représentation numérique et discrète permet d’effectuer naturellement les opérations de

traitement du signal:
➢ Transformée de Fourier, filtrage, modulation, démodulation, analyse spectrale, mixage des signaux

➢ Exemple: un signal sonore « audio »

4
 Échantillonnage et numérisation

➢ La numérisation d'un signal permet d'effectuer les traitements sur des machines informatiques,
spécialisées dans le TS ou non (Digital Signal Processor DSP comme Arduino par exemple, ordinateur …).
➢ Puissance, rapidité, coût
➢ Flexibilité (système numérique = logiciel : facile à modifier contrairement aux montages
électroniques ...).

➢ Ce traitement peut se faire en temps réel dans un logiciel embarqué (firmware).

➢ Applications
➢ TV numérique
➢ Enregistrement audio, vidéo
➢ Téléphonie mobile
➢ Contrôle / commande (aéronautique, automobile, robotique …)
➢ Il est nécessaire de comprendre comment se fait le passage du monde analogique a celui du numérique.
5
Signaux discrets

Les signaux analogiques ou à temps continu, les signaux à temps discret et les signaux numérisés

signal à temps continu

signal discrétisé

le signal numérisé

6
 Signaux discrets

➢ Soit un signal numérique ou un signal échantillonné à une période 𝑇𝑒

➢ Ce signal est représenté par ses valeurs aux instants 𝑛𝑇𝑒

𝑥(𝑛𝑇𝑒 )

➢ Ce signal est défini sur un nombre N fini de points

0≤𝑛 ≤𝑁−1

➢ Dans le domaine discret, on représente ce signal par une suite discrète

𝑥 0 ,𝑥 1 ,𝑥 2 ,…,𝑥 𝑛 ,…,𝑥 𝑁 − 1

7
ECHANTILLONNAGE

8
 Échantillonnage et numérisation

➢ Prélèvement de la valeur du signal continu 𝑥(𝑡) a des

intervalles de temps 𝑡𝑛 = 𝑛𝑇𝑒 .

➢ 𝑇𝑒 = 𝑡𝑛+1 − 𝑡𝑛 : période d’échantillonnage.

➢ On obtient la suite de valeurs 𝑥𝑒 𝑡 = 𝑥 𝑛𝑇𝑒

9
Échantillonnage - principe

10
Échantillonnage – modélisation mathématique

11
Échantillonnage – modélisation mathématique
➢Le signal échantillonné 𝑥𝑒 (𝑡) de 𝑥(𝑡) s’écrit sous la forme

𝑥𝑒 𝑡 = 𝑥 𝑡 × Ш 𝑇𝑒 𝑡
➢Avec
+∞

Ш 𝑇𝑒 𝑡 = ෍ 𝛿 𝑡 − 𝑛𝑇𝑒
𝑛=−∞

➢La transformée de Fourier de 𝑥𝑒 𝑡 est

𝑋𝑒 𝑓 = 𝑇𝐹 𝑥𝑒 𝑡 = 𝑇𝐹 𝑥 𝑡 × Ш 𝑇𝑒 𝑡 = 𝑇𝐹 𝑥 𝑡 ∗ 𝑇𝐹 Ш 𝑇𝑒 𝑡

𝑋𝑒 𝑓 = 𝑋 𝑓 ∗ 𝑇𝐹 Ш 𝑇𝑒 𝑡
12
 TF d’un peigne de Dirac

𝑇𝐹 1 1
➢Ш 𝑇 𝑡 = σ+∞
𝑛=−∞ 𝛿 𝑡 − 𝑛𝑇 σ+∞ 𝛿 𝑓− 𝑛
𝑇 𝑛=−∞ 𝑇

➢La TF d’un peigne de Dirac dans le domaine temporel est un peigne de Dirac
dans le domaine fréquentiel
➢Exemple:
+∞

Ш 𝑇 𝑡 = ෍ 𝛿 𝑡 − 𝑛𝑇
𝑛=−∞

+∞
1 1
෍ 𝛿 𝑓−𝑛
𝑇 𝑇
𝑛=−∞
13
TF d’un peigne de Dirac

➢Preuve:
1
➢ Ш 𝑇𝑒 𝑡 = σ+∞
𝑛=−∞ 𝛿 𝑡 − 𝑛𝑇𝑒 est périodique de période 𝑇𝑒 et de fréquence 𝑓𝑒 = 𝑇𝑒

➢ Ш 𝑇𝑒 𝑡 se décompose en DSF complexe:

+∞
1
Ш 𝑇𝑒 𝑡 = ෍ 𝑒 𝑗2𝜋𝑛𝑓𝑒 𝑡
𝑇𝑒
𝑛=−∞

14
Échantillonnage – modélisation mathématique

➢Ainsi
𝑋𝑒 𝑓 = 𝑋 𝑓 ∗ 𝑇𝐹 Ш 𝑇𝑒 𝑡
+∞
1
= 𝑋 𝑓 ∗ ෍ 𝛿 𝑓 − 𝑛𝐹𝑒
𝑇𝑒
𝑛=−∞
+∞

= 𝑓𝑒 ෍ 𝑋 𝑓 ∗ 𝛿 𝑓 − 𝑛𝑓𝑒
𝑛=−∞

➢Finalement
+∞

𝑋𝑒 𝑓 = 𝑓𝑒 ෍ 𝑋 𝑓 − 𝑛𝑓𝑒
𝑛=−∞

➢ Le spectre de 𝑋𝑒 𝑓 est celui de 𝑋 𝑓 "périodisé" avec une période fréquentielle 𝑓𝑒 .

15
Analyse du spectre de 𝑥𝑒 (𝑡)

➢On considère que 𝑥(𝑡) est un signal réel dont le spectre est borné de fréquence
maximal 𝑓max : 𝑋(𝑓) = 0 𝑠𝑖 𝑓 > 𝑓𝑚𝑎𝑥

➢Que devient le spectre 𝑋𝑒 (𝑓)?

L’échantillonnage reproduit périodiquement le spectre du signal:

+∞

𝑋𝑒 𝑓 = 𝑓𝑒 ෍ 𝑋 𝑓 − 𝑛𝑓𝑒 →
𝑛=−∞

16
 Comment choisir 𝑓𝑒

Solution : augmenter le
nombre d’échantillons
→ augmenter 𝑓𝑒

Donc maintenant, quelle condition sur cette fréquence d’échantillonnage 𝐟𝐞 pour une reconstitution sans
perte d’information ? 17
Analyse du spectre de 𝑥𝑒 (𝑡)

➢ Cas 1: 𝑓𝑒 > 2𝑓𝑚𝑎𝑥

Les spectres sont disjoints

l’information est « reconstituable »:
Il est possible de reconstruire le signal
𝑥(𝑡) à partir de son échantillonné 𝑥𝑒 (𝑡)

➢ Cas 2: Si on diminue la fréquence d’échantillonnage 𝑓𝑒 = 2𝑓𝑚𝑎𝑥

Les composantes du spectre se rejoignent mais

l’information est « reconstituable »

18
Analyse du spectre de 𝑥𝑒 (𝑡)

➢ Cas 3: Si on diminue encore la fréquence d’échantillonnage 𝑓𝑒 < 2𝑓𝑚𝑎𝑥 :

Reconstitution impossible

19
Principe de Shannon

➢ Condition pour éviter ce repliement : condition de Shannon

20
 Théorème de Shannon

➢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.
➢𝐹𝑒 < 2𝐹𝑚𝑎𝑥 : repliement de spectre => impossibilité de récupérer 𝑋(𝑓) par filtrage.

➢ Enonce 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 𝐹𝑚𝑎𝑥 du signal:

𝐹𝑒 ≥ 2𝐹𝑚𝑎𝑥

21
 Exemple Shannon
➢ Exemple 1 *: 𝐹𝑒 > 2𝐹𝑚𝑎𝑥 ➢ Exemple 2 o: 𝐹𝑒 < 2𝐹𝑚𝑎𝑥
▪ On prend 𝑇𝑒 = 0.2 𝑠 ▪ On prend 𝑇𝑒 = 0.66 𝑠
▪ 𝐹𝑒 = 5 𝐻𝑧 > 2𝐹𝑚𝑎𝑥 => 𝑂𝐾 ▪ 𝐹𝑒 = 1.5𝐻𝑧 < 2𝐹𝑚𝑎𝑥
➢La condition de Shannon n’est pas respectée => on ne peut pas
reconstruire le signal d’origine à partir du signal échantillonné.

𝒙(𝒕) = 𝒔𝒊𝒏(𝟐𝝅𝒕)
𝐹𝑚𝑎𝑥 = 1𝐻𝑧

22
Filtre anti-repliement

23
Sondage échantillonnage

Q1. L’échantillonnage d’un signal

1. Introduit une périodisation du spectre
2. Peut se faire à n’importe quelle fréquence d’échantillonnage
3. N’est pas toujours nécessaire en traitement numérique du signal

Q2. Un enregistrement audio présente un spectre allant jusqu’à 20kHz, A quelle fréquence
minimale, ce signal peut –il être échantillonné sans perte d’information ?
1. 20 kHz
2. 44 kHz
3. 80 kHz

24
Sondage: Spectre d’un signal échantillonné
Q1. Soit un signal analogique dont le spectre est donné par :

On échantillonne ce signal à une fréquence Fe=100Hz, dans les spectres ci-dessous,

quel spectre correspond à la version échantillonnée de ce signal.
Figure a Figure b Figure c

25
NUMÉRISATION D’UN SIGNAL

26
Traitement numérique des signaux

27
Chaîne de traitement numérique

28
Filtre anti-repliement

𝑓𝑐 = 𝐹𝑚𝑎𝑥

29
Convertisseur analogique numérique CAN

Signal
numérique

Signal analogique
(tension)

30
Exemples des CAN « Analog to Digital Convertor » ADC

CAN

31
 Quantification: pourquoi quantifier
➢ Un signal est représenté par un nombre réel qui peut prendre une infinité de valeurs
➢ Physiquement, on peut stocker un nombre fini d’informations => quantification
➢Rôle: approximer chaque valeur du signal échantillonné 𝑥(𝑛) par un multiple entier
d’une quantité élémentaire q appelée « pas de quantification » ou « quantum ».

32
Quantification: principe

𝑴×𝒒

(𝑴 − 𝟏) × 𝒒

➢La quantification introduit une erreur modélisable mathématiquement

33
Quantification et codage

➢Le signal est codé sur N bits

➢Chaque code binaire correspond à une valeur du signal
➢Il y a 2𝑁 valeurs possibles
➢Exemple sur 2 bits: 22 = 4 valeurs possibles
➢Code binaire
➢00
➢01
➢10
➢11

34
Quantification et codage

35
Quantification: le pas de quantification

36
Quantification – exemple

➢N = 3
➢Δ𝑉 = 10
Δ𝑉 10
➢𝑞 = = = 1,25
2𝑁 8

37
 Sondage CAN 1/2

Q1- Le filtre anti-repliement

1. Est un filtre numérique
2. Permet de limiter le spectre du signal à traiter
3. Peut être placé après le convertisseur analogique numérique.

Q2- Les différentes phases de la conversion d'un signal analogique en numérique sont
dans l'ordre
1. Quantification/échantillonnage/codage
2. Echantillonnage/quantification /codage
3. Echantillonnage/codage /quantification

38
 Sondage CAN 2/2

On souhaite coder sur 8 bits l’altitude d’un avion qui varie entre 0m et 10 000m.
Q1-Quelle est la valeur du pas du quantification:
a. 10 000/2^8= 39.06m
b. 39.06m/2=19.53m
c. 10000/8=125m

Q2- Quelle est la valeur maximale de l’erreur (en valeur absolue) commise lors de la
quantification.
a. 10 000/2^8= 39.06m
b. 39.06m/2=19.53m
c. 10000/8=125m

39
RECONSTRUCTION D’UN SIGNAL

40
La reconstruction d’un signal: problématique

41
 𝑘=+∞
𝑦𝑒 𝑡
𝐹𝑒 ෍ 𝑌(𝑓 − 𝑘𝐹𝑒 )
𝑘=−∞

Filtrage
passe-bas
idéal

42
CNA : bloqueur
➢ L’idée est simplement de
ℎ(𝑡) maintenir l’échantillon
𝑦(𝑛) jusqu’à l'apparition de
l'échantillon suivant 𝑦(𝑛 + 1)

43
 Convertisseur numérique analogique CNA: restitution par blocage du
signal numérique

𝑇𝑒
‘

➢ L’idée est simplement de maintenir l’échantillon

𝑦(𝑛) jusqu’à l'apparition de l'échantillon suivante 𝑦(𝑛 + 1):
𝑦′ 𝑡 = 𝑦 𝑛 𝑝𝑜𝑢𝑟 𝑛𝑇𝑒 ≤ 𝑡 < 𝑛 + 1 𝑇𝑒

𝑦𝑒 𝑡 ℎ(𝑡)
𝑦′ 𝑡 = 𝑦𝑒 𝑡 ∗ ℎ(𝑡) 44
Convertisseur numérique analogique CNA: réponses du bloqueur

𝐹𝑒 = 100𝐻𝑧
𝑇𝑒
ℎ 𝑡 = 𝜋 𝑇𝑒 𝑡−
2

𝑦𝑒 𝑡 𝑦′ 𝑡
ℎ(𝑡)

𝑠𝑖𝑛𝑐 𝜋𝑓𝑇𝑒 −𝑗𝜋𝑓𝑇

𝐻 𝑓 = 𝑒 𝑒
𝐹𝑒
45
CNA : spectre du signal en sortie du bloqueur
𝑦𝑒 𝑡 𝑌𝑒 𝑓

𝒔𝒊𝒏𝒄 𝝅𝒇𝑻𝒆
‘ 𝑭𝒆

′
𝑌 ′ 𝑓 = 𝑌𝑒 𝑓 × 𝑯 𝒇
𝑦′ 𝑡 = 𝑦𝑒 𝑡 ∗ ℎ(𝑡) 𝒔𝒊𝒏𝒄 𝝅𝒇𝑻𝒆 −𝒋𝝅𝒇𝑻
𝑌 ′ 𝑓 = 𝑌𝑒 𝑓 × 𝒆 𝒆 46
𝑭𝒆
La reconstruction d’un signal: filtre de lissage
‘

47
 Cours 4

Systèmes discrets
Contenu du cours 4
❑Traitement numérique du signal
❑ Opérations numériques
❑ Système discret linéaire invariant dans le temps
❑ Convolution, réponse impulsionnelle et équation aux différences
❑Transformée de Fourier et signaux discrets
❑ Transformée de Fourier d’un signal échantillonné: TFTD
❑ Transformée de Fourier discret TFD
❑ Transformée en z (TZ)
❑ Définition et propriétés
❑ Exemples et TZ usuels
❑ Système linéaire invariant dans le temps et TZ

2
TRAITEMENT NUMÉRIQUE DU SIGNAL

3
Traitement numérique

➢ Réaliser des opérations de traitement sur le signal, cela va consister à mener des
opérations de type arithmétique et logique

4
Opérations de traitement

5
Opérations de traitement

6
Convolution de deux signaux discrets

7
Définition d'un système discret

Un système discret est une entité qui réalise la conversion d'une suite
discrète 𝑥(𝑛) en entrée en une autre suite discrète 𝑦(𝑛) en sortie.

8
Système discret linéaire invariant dans le temps

9
Système discret linéaire invariant dans le temps

➢L’équivalent de l’impulsion de Dirac dans le domaine discret est le

symbole de Kronecker noté 𝛿𝑛 :
1 𝑠𝑖 𝑛 = 0
𝛿𝑛 = ቊ
0 𝑠𝑖 𝑛 ≠ 0
➢Réponse impulsionnelle d’un système discret:

10
Réponse d’un système discret

➢ Soit un système discret qui a une séquence d’entrée 𝑥(𝑛) restitue en sortie une séquence
𝑦(𝑛):
𝒙𝒏 𝒚𝒏

Caractérisé par sa réponse impulsionnelle ℎ(𝑛) :

𝑦 𝑛 = ℎ 𝑛 ∗ 𝑥 𝑛 = σ+∞
k=−∞ 𝑥𝑘 ℎ𝑛−𝑘

11
 Système discret linéaire invariant dans le temps
▪ Démonstration :

Réponse impulsionnelle:

invariant temporellement:

Système Linéaire:

L’entrée X(n) est

décomposable en somme
d’impulsions:

12
 Equation aux différences d’un système discret

➢ Un système discret calcule la valeur numérique de la sortie 𝑦𝑛 à l’instant 𝑡 = 𝑛𝑇𝑒 à partir

1. Des échantillons de sortie calculés précédemment 𝑦𝑛−1 , 𝑦𝑛−2 , …
2. Des échantillons d’entrée appliquées précédemment sur l’entrée 𝑥𝑛−1 , 𝑥𝑛−2 , …
3. Plus de celui qui vient d’être appliqué sur l’entrée 𝑥𝑛

➢ L'échantillon 𝑦𝑛 a l’instant 𝑡 = 𝑛𝑇𝑒 est calculé à l’aide de l’équation aux différences qui est facile
à implémenter numériquement et dont la forme la plus generale est:

13
 Equation aux différences d’un système discret

➢ L’équation aux différences qui est facile à implémenter numériquement et dont la forme la plus
generale est:
𝟏
𝒚𝒏 = 𝒂𝟏 𝒚𝒏−𝟏 − 𝒂𝟐 𝒚𝒏−𝟐 − ⋯ − 𝒂𝒑 𝒚𝒏−𝒑 + 𝒃𝟎 𝒙𝒏 + 𝒃𝟏 𝒙𝒏−𝟏 + ⋯ + 𝒃𝒒𝒙𝒏−𝒒 + ⋯
𝒂𝟎
𝑺𝒐𝒓𝒕𝒊𝒆𝒔 𝒑𝒓é𝒄é𝒅𝒂𝒏𝒕𝒆𝒔 𝒆𝒏𝒕𝒓é𝒆𝒔 𝒂𝒄𝒕𝒖𝒆𝒍𝒍𝒆 𝒆𝒕 𝒑𝒓é𝒄é𝒅𝒆𝒏𝒕𝒆𝒔

➢ Les 𝑎𝑖 et 𝑏𝑗 sont des coefficients numeriques qui definissent le système.

➢ Exemple d’un filtre de première ordre:
𝑦𝑛 = 𝑎𝑦𝑛−1 + 𝑏𝑥𝑛−1

14
Sondage discret

On considère le système régi par l’équation aux différences suivante.

𝑦𝑛 = 𝑛 𝑥𝑛 + 𝑥𝑛−1 + 𝑥𝑛+1
Q1-Ce système est-il : à l’entrée 𝑥𝑛−𝑛0 correspond la sortie :
1. Non causal 𝑛𝑥𝑛−𝑛0 + 𝑥𝑛−𝑛0−1 + 𝑥𝑛−𝑛0+1
2. causal qui est différente de :
𝑦𝑛−𝑛0 = 𝑛 − 𝑛0 𝑥𝑛−𝑛0 + 𝑥𝑛−𝑛0−1 + 𝑥𝑛−𝑛0+1

Q2-Ce système est-il :

1. Linéaire et invariant temporellement
2. Linéaire et variant temporellement.

15
TRANSFORMÉE DE FOURIER ET SIGNAUX
DISCRETS

16
Rappel

17
 Transformée de Fourier d’un signal à Temps Discret TFTD:
➢ Pour un signal numérique :
➢ Le signal est composé de 𝑁 points avec un pas temporel 𝑇𝑒 (période d'échantillonnage). N est fini.
➢ Le signal étant échantillonné à la fréquence Fe , son spectre est périodique de période Fe

𝑥𝑒 (𝑡) est un signal issu de l'échantillonnage de 𝑥(𝑡):

𝑁−1

𝑥𝑒 𝑡 = ෍ 𝑥 𝑛𝑇𝑒 𝛿(𝑡 − 𝑛𝑇𝑒 )

𝑛=0

➢ Que donne la TF classique du signal échantillonné ?

+∞ 𝑁−1 𝑁−1 +∞
𝑋𝑒 𝑓 = TF xe (t) = න ෍ 𝑥 𝑛𝑇𝑒 𝛿 𝑡 − 𝑛𝑇𝑒 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 = ෍ 𝑥 𝑛𝑇𝑒 න 𝛿 𝑡 − 𝑛𝑇𝑒 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ 𝑛=0 𝑛=0 −∞
=𝑒 −𝑗2𝜋n𝑓𝑇𝑒
𝑥𝑒 (𝑡)

𝑁−1

𝑋𝑒 𝑓 = ෍ 𝑥 𝑛𝑇𝑒 𝑒 −𝑗2𝜋𝑓n𝑇𝑒 = TFTD(𝒙(𝒕)) 18

𝑛=0
TFTD et convolution de deux signaux discrets

19
Transformée de Fourier Discret TFD
➢ Pour calculer le spectre d’un signal échantillonné, il faut calculer une infinité de valeurs →
ressources de calcul importantes.

➢ L’idée de la TFD est de ne calculer la transformée de Fourier que pour quelques valeurs de
fréquences .

➢ Ce qui revient ainsi à échantillonner tout simplement la transformée de Fourier dans le

domaine des fréquences.

20
Transformée de Fourier Discret TFD

21
Formules de la TFD et TFDI

➢ La Transformée de Fourier Discrète TFD (signal vers spectre)

𝑁−1
𝑓e −𝑗2𝜋k
𝑛
𝑋 k = 𝑋𝑘 = ෍ 𝑥𝑛 𝑒 𝑁
N
𝑛=0
➢ Quand 𝑘 va de 0 jusqu’à 𝑁 j’aurai balayé la plage des fréquences 0 jusqu’à fe

➢ La Transformée de Fourier Discrète Inverse TFDI inverse (spectre vers signal)

𝑁−1
1 𝑓e 𝑗2𝜋𝑛 𝑘
𝑥 𝑛𝑇𝑒 = 𝑥𝑛 = ෍ 𝑋𝑘 k 𝑒 𝑁
𝑁 N
𝑛=0

22
TF et TFD

TFTD

23
Analyse de Fourier – Bilan

DSF

TF
𝑠 𝑛𝑇𝑒

TFTD

𝑠 𝑛𝑇𝑒 𝐹𝑒
𝑆 𝑘 =𝑆 𝑘
𝑁
TFD
24
La TFD en pratique

𝑁−1
𝑛
−𝑗2𝜋k
𝑋𝑘 = ෍ 𝑥𝑛 𝑒 𝑁
𝑛=0

25
 La TFD en pratique – FFT

➢Un algorithme nommé FFT (Fast Fourier Transform) permet de calculer la TFD et la
TFD inverse très rapidement
➢En Matlab on utilise la fonction fft() pour la TFD et ifft() pour la TFD inverse
➢La FFT est calculée sur l'intervalle [0 𝐹𝑒 [
𝑭𝒆
➢Avec un pas fréquentiel 𝚫𝒇 = où N est le nombre de points du signal d’origine
𝑵
𝐹𝑒 𝐹𝑒
➢ Mais peut être ramené le calcul sur l'intervalle [− [ avec la fonction fftshift()
2 2

➢Les coefficients obtenus étant complexes, on regarde leur module (i.e. l'intensité
de la fréquence dans le signal) en utilisant la fonction abs() de Matlab

26
fft() avec Matlab

fft()

27
fftshift() avec Matlab

la fonction fftshift pour ramener la FFT dans l’intervalle

𝑓 𝑓𝑒
− 2𝑒 + 2
.
28
FFT d’un signal sinusoïdal
𝒙 𝒕 = 𝟏𝟎 𝐬𝐢𝐧(𝟐𝝅𝟐𝟎𝒕) échantillonné à 300 Hz

29
FFT – somme de deux signaux sinusoïdaux
𝒙 𝒕 = 𝟏𝟎 𝒔𝒊𝒏(𝟐𝝅𝟐𝟎𝒕) + 𝟓𝐬𝐢𝐧(𝟐𝝅𝟒𝟎𝒕) échantillonné à 300 Hz

30
Sondage TFD
𝑛 𝑛
On considère le signal suivant : 𝑥 𝑛 = 1 + 2 cos 2𝜋𝑓1 + sin 2𝜋𝑓2
𝐹𝑒 𝐹𝑒

La fréquence d’échantillonnage est fixée à 𝐹𝑒 = 50𝐻𝑧, les fréquences

𝑓1 = 15𝐻𝑧 et 𝑓2 = 20𝐻𝑧. Dans les trois propositions suivantes quelle figure vous semble
correspondre à la TFD de 𝑥(𝑛) calculée sur une fenêtre de 100 échantillons.

1) 2) 3)

31
Sondage TFD
La TFD X(k) d’une impulsion de Dirac 𝛿𝑛 est égale à :

1. 1
1
−j2πkN
2. e
i
−j2πk
3. σN−1
i=0 e N

On note que :
➢ La Transformée de Fourier Discrète TFD (signal vers spectre)
𝑁−1
𝑓e −𝑗2𝜋k
𝑛
𝑋 k = 𝑋𝑘 = ෍ 𝑥𝑛 𝑒 𝑁
N
𝑛=0

Quand 𝑘 va de 0 jusqu’à 𝑁 j’aurai balayé la plage des fréquences 0 jusqu’à fe

32
TRANSFORMÉE EN Z

33
Transformée en z: TZ d’un signal discret

➢C’est un outil mathématique qui facilite le traitement des signaux discrets

➢Soit le signal échantillonné (numérique) peut être représenté par la suite des
échantillons 𝑥(𝑛) = {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , … }
➢Les suites de valeurs sont difficiles à manipuler.
➢Pour simplifier, on transforme le signal 𝑥(𝑛) en une suite mathématique.

➢ Opérateur retard 𝑧 −1

34
Lien avec la Transformée de Fourier à Temps Discret TFTD

𝑁−1 𝑁−1

𝑋 𝑧 ȁ = ෍ 𝑥𝑛 𝑧 −𝑛 = ෍ 𝑥𝑛 𝑒 −𝑗2𝜋𝑛𝑓𝑇𝑒 = 𝑋(𝑓)
𝑧=𝑒𝑗2𝜋𝑓𝑇𝑒
𝑛=0 𝑛=0

35
 Intérêt de la Transformée en z

➢C’est un outil mathématique qui facilite le traitement des signaux discrets

➢Par exemple, la synthèse des filtres numériques (RIF ou RII)
➢Prise en compte des retards (par exemple le retard de mesure)

➢C’est une généralisation de la Transformée de Fourier à Temps Discret TFTD

➢Permet de trouver le spectre d’un signal discret

➢Il permet de représenter et d’étudier un signal ou un système discret

36
 Condition d'existence de la TZ

37
Propriétés de la TZ

➢Soient 𝑋(𝑧) et 𝑌(𝑧) les TZ des suites 𝑥(𝑛) et 𝑦(𝑛):

➢Linéarité:

➢Décalage temporel :

➢Retarder un signal de 𝑛0 𝑇𝑒 → multiplier la transformée par 𝑧 −𝑛0

➢Cette propriéte est essentielle pour la réalisation de filtres numériques :

38
Propriétés de la TZ

➢Convolution et TZ

39
Exemple TZ

➢ Déterminer la TZ 𝑥(𝑛) et leur domaine de convergence:

1 𝑠𝑖 𝑛 = 0
➢ 𝑥(𝑛) = 𝛿(𝑛) = ቊ
0 𝑠𝑖𝑛𝑜𝑛
➢ 𝑥(𝑛) = 𝛿 (𝑛 − 𝑛0 )
1 𝑠𝑖 𝑛 ≥ 0
➢ 𝑥(𝑛) = 𝑢 𝑛 = Γ 𝑛 = ቊ
0 𝑠𝑖𝑛𝑜𝑛
➢ 𝑥(𝑛) = 𝛼 𝑛 𝑢 𝑛 = 𝛼 𝑛 Γ (𝑛)
➢ Rappel: suite géométrique

𝑞𝑛
𝑞𝑛

40
Exemple TZ: impulsion discrète

+∞

𝑋 𝑧 = ෍ 𝑥𝑛 𝑧 −𝑛
𝑛=0

41
Exemple TZ

1 𝑠𝑖 𝑛 ≥ 0
➢Calculer la TZ de: 𝑥 𝑛 = 𝑢 𝑛 = ቊ
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠

1−𝑍 −(𝑁+1)
𝑋(𝑧) = σ+∞
𝑛=−∞ 𝑥 𝑛 𝑍 −𝑛 = σ+∞
𝑛=0 𝑍 −𝑛 = lim σ𝑁
𝑛=0 𝑍 −𝑛 = lim
𝑁→∞ 𝑁→∞ 1−𝑍 −1
𝟏 𝒁
La limite est finie si : 𝑍 −1 <1 → 𝑍 >1 ∶ 𝑿 𝒁 = =
𝟏−𝒁−𝟏 𝒁−𝟏

42
Exemple TZ

➢Calculer la TZ de: 𝑥(𝑛) = 𝛼 𝑛 𝑢 𝑛 ; (un signal de forme exponentielle)

𝒙(𝒏) = 𝜶𝒏Γ𝒖 (𝒏)

Avec 𝑍 > 𝛼

43
 TZ usuelles

1 𝑠𝑖 𝑛 ≥ 0
On note: 𝑢 𝑛 = Γ 𝑛 = ቊ 44
0 𝑠𝑖𝑛𝑜𝑛
 TZ usuelles

1 𝑠𝑖 𝑛 ≥ 0
On note: 𝑢 𝑛 = Γ 𝑛 = ቊ 45
0 𝑠𝑖𝑛𝑜𝑛
 La transformée en Z inverse: 𝑇𝑍 −1

➢Trouver le signal 𝑥 (𝑛) à partir de sa transformée en 𝑧:

𝑇𝑍 −1
x n =? 𝑋 𝑧
1. Si 𝑋 (𝑧) peut être décomposé en série alors 𝑥(𝑛) est le coefficient associé à 𝑧 −𝑛 :
+∞

𝑋 𝑧 = ෍ 𝑐𝑛 𝑧 −𝑛 ⇒ x(n)=c(n)
𝑛=0

2. Décomposition en fractions partielles:

𝑁 𝑧
➢Généralement la TZ se présente sous forme d’une fraction rationnelle : 𝑋(𝑧) =
𝐷 𝑧

➢Décomposition en éléments simples

➢Recherche des fonctions inverses d’après la table des 𝑍 usuelles ( Identification aux TZ
usuelles ) 46
Exemple

➢ Trouver le signal 𝑥(𝑛) à partir de 𝑋 𝑧 :

➢ On effectue une décomposition en éléments simples de

➢ Le signal 𝑥(𝑛) est donné par la transformée inverse de 𝑋 𝑧 :

➢ Recherche des fonctions inverses.

➢ 𝑍 −1 opérateur du retard :

47
Caractérisation d’un système SLIT discret

➢ Soit un système discret qui a une séquence d’entrée 𝑥(𝑛) restitue en sortie une séquence 𝑦(𝑛):
𝒙𝒏 𝒚𝒏

❑Caractérisation par la réponse impulsionnelle ℎ(𝑛) :

𝑦 𝑛 = ℎ 𝑛 ∗ 𝑥(𝑛)
❑Caractérisation du SLIT discret par une équation aux différences 𝑦(𝑛):

𝟏
𝒚𝒏 = −𝒂𝟏 𝒚𝒏−𝟏 − 𝒂𝟐 𝒚𝒏−𝟐 − ⋯ − 𝒂𝒑 𝒚𝒏−𝒑 + 𝒃𝟎 𝒙𝒏 + 𝒃𝟏 𝒙𝒏−𝟏 + ⋯ + 𝒃𝒒 𝒙𝒏−𝒒 + …
𝒂𝟎
❑ La fonction de transfert 𝐻(𝑍) est le rapport entre la transformée en z de la sortie et la transformée
en z de l’entré définie par : 𝑇𝑍
𝑦 𝑛 = ℎ 𝑛 ∗ 𝑥(𝑛) 𝑌 𝑍 = H Z . X Z
48
 Fonction de Transfert: Lien avec la réponse impulsionnelle( Exemple)

➢Moyenne glissante sur 5 échantillons

49
On note dans cet exemple que la réponse impulsionnelle ℎ(𝑛) est finie
Fonction de Transfert: Lien avec l’équation aux différences

➢Pour passer de l’équation aux différences(domaine temporel) à sa fonction de

transfert variable 𝑧, on utilise la règle de passage suivante:
𝑧 −1 : Opérateur retard

𝑇𝑍

50
 Fonction de Transfert: Lien avec l’équation aux différences (Exemple)

➢ Vdfng

➢ dfhdj

ℎ 𝑛 = 𝑇𝑍 −1 𝐻 𝑧 = 0.5 0.5 𝑛 𝑢(𝑛)

On note dans cet exemple que la réponse impulsionnelle ℎ 𝑛 est infinie ∶ on parle d’un
système récursif. 51
Fonction de Transfert: Lien avec la réponse en fréquence

➢𝐻(𝑓) est la valeur particulière de 𝐻(𝑧) , lorsque 𝑧 est situé sur le

cercle unité : 𝒛 = 𝒆𝒋𝟐𝝅𝒇𝑻𝒆

52
Fonction de Transfert: Lien avec la réponse en fréquence (Exemple)

➢𝛼 = 0,5

53
Stabilité(1/3)

54
Stabilité(2/3)

➢ Le problème de stabilité se pose quand la réponse impulsionnelle est infinie ∶ système récursif.

➢ On effectue une décomposition en éléments simples :

➢ la réponse impulsionnelle
𝑛−1
ℎ𝑛 = 𝑇𝑍 −1 𝐻 𝑧 = 𝑎1 𝑝1𝑛−1 + 𝑎2 𝑝2𝑛−1 + ⋯ + 𝑎𝐾−1 𝑝𝑘−1 𝑢(𝑛 − 1)

𝑎𝑖
On note que : 𝑇𝑍 −1 = 𝑎𝑖 𝑝𝑖𝑛−1 𝑢(𝑛 − 1)
𝑍−𝑝𝑖

➢ Condition Nécessaire et Suffisante:

➢ Tous les pôles sont à l’intérieur du cercle unité

55
Stabilité(3/3)

56
Sondage: Equation aux différences:
On considère le système régi par l’équation aux différences:
𝑦𝑛 = 𝑥𝑛+1 + 0.9𝑦𝑛−1
Q1- Ce système est-il causal ?
1. Oui
2. Non
Q2- Quelle est la fonction de transfert de ce système ?
𝑧 −1
1. 𝐻 𝑧 = 1−0,9𝑧 −1
𝑧
2. 𝐻 𝑧 = 1−0,9𝑧 −1
1
3. 𝐻 𝑧 = 1−0,9𝑧 −1

Q3- Ce système est-il stable ?

1. Oui
2. Non 57
Sondage 1
Q1- La transformée en z d’une suite d’échantillon est donnée par 𝑋 𝑧 = 1 + 2𝑧 −1 . Cette
transformée correspond à la suite d’échantillons qui s’écrirait :
1. 𝑥(𝑛) = {0 0 2 1 0 0 1}
2. 𝑥 𝑛 = 1 0 2 0 0 0 0
3. 𝑥(𝑛) = {1 2 0 0 0 0 0}

Q2- La transformée en z d’une suite d’échantillon de période 𝑇𝑒 est donnée par:

𝑋 𝑧 = 1 + 𝑧 −2

Qu’elle est la réponse en fréquence correspondante (TFTD):

1. 𝑒 −4𝑗𝜋𝑓𝑇𝑒
2. 1 + 𝑒 −4𝑗𝜋𝑓𝑇𝑒
3. 1 + 𝑒 4𝑗𝜋𝑓𝑇𝑒
58
 Introduction au filtrage
numérique

Walter Peretti & Zeinab Mhanna

Introduction au filtrage
❑ Intérêt et applications
❑ Principales classes de filtres
❑ Caractérisation des filtres
❑ Filtres classiques
Principe des Filtres numériques
❑ Intérêt
❑ Filtres numériques idéaux
❑ Filtrage numérique en post-traitement
Filtrage numérique en temps réel
❑Filtre à réponse impulsionnelle finie (RIF)
❑Filtre à réponse impulsionnelle infinie (RII)
❑Application filtrage audio

2
INTRODUCTION AU FILTRAGE

3
Introduction au filtrage
➢ Notion de filtrage
Filtrer = arrêter, complètement ou non, empêcher ou gêner le passage de quelque chose.
 changement ou annulation des amplitudes dans le spectre d’un signal.

➢ Intérêt du filtrage
➢ Sélectionner des parties du signal contenant une information pertinente
➢ Éliminer du bruit
➢ Adoucir un signal, éliminer des valeurs aberrantes
➢ Séparer plusieurs composantes d'un signal: par exemple retrouver une information
transmise via un canal de propagation variable en fonction du temps.
➢ Etc …

4
Applications
➢Réglage de tonalité dans les appareils audio : Égaliseur (equalizer)

➢Suspension des véhicules : filtre mécanique amortissant les chocs

➢Protection sismique : filtrage des ondes provenant de la rotation de la terre

➢Acoustique : séparation des graves et des aigus dans les enceintes

➢Télécommunication

➢Imagerie médicale

➢Analyse des données financières, …

➢Analyse des images et des vidéos

(détection de contours …)

5
Principales classes de filtres
Filtre = Système entrée/sortie modifiant le signal qui le traverse

➢ Principe : sélectionner certaines fréquences

du signal et en éliminer d'autres. |𝐻(𝑓)| |𝐻(𝑓)|

➢ Les principales classes de filtres sont :

▪ Le filtre passe-bas
▪ Le filtre passe-haut
▪ Le filtre passe-bande / coupe bande
▪ Le filtre multi-bandes
6
 Principales classes de filtres

➢ La classe d’un filtre est déterminée par la forme de

son gabarit, i.e. la forme de |𝐻(𝑓)| le module de sa fonction de transfert.

➢ Détermination de ℎ(𝑛) ou 𝐻(𝑓) / Réaliser le filtre à partir de ℎ(𝑛) ou 𝐻(𝑓)

𝐻(𝑓) est appelée la fonction de transfert du filtre

7
Principales classes de filtres: exemple d’un filtre passe bas

8
 Principales classes de filtres: exemple d’un filtre passe haut

Exemple de filtrage sur un fichier image: application d'un filtre pour la détection de contours (Taj Mahal)

9
Principales classes de filtres

10
Principales classes de filtres

11
Principales classes de filtres

➢ Passe-bas :
➢ laisse passer les fréquences inférieures à la fréquence de coupure
➢ atténue les fréquences supérieures à la fréquence de coupure
➢ Passe-haut :
➢ laisse passer les fréquences supérieures à la fréquence de coupure
➢ atténue les fréquences inférieures à la fréquence de coupure
➢ Passe-bande :
➢ laisse passer les fréquences comprises entre ses deux fréquences de coupures
➢ Coupe-bande:
➢ atténue les fréquences comprises entre ses deux fréquences de coupures

12
Caractérisation des filtres Synthétisé vs. Réel

Variables du filtre :

➢ Fréquence de coupure  fc

➢ Largeur de bande passante  fp

➢ Largeur de bande de transition  ∇𝑓 = fa – fp

➢ Taux d’ondulation maximum

en bande passante  δp

➢ Taux d’ondulation maximum

en bande atténuée  δa

13
Filtre de premier ordre

➢ Un filtre de premier ordre est le filtre le plus

simple à réaliser
➢ Sa fonction de transfert est
1
𝐻(𝑓) =
𝑓
1+𝑗
𝑓𝑐
➢ Le module de la fonction de transfert est:
1
𝐻 𝑓 =
𝑓 2
1+
𝑓𝑐

➢ Le gain en décibel dB:

2
𝑓
𝐺 𝑓 = 20 log 𝐻 𝑓 = −10 log 1 +
𝑓𝑐
14
Filtres classiques

15
Filtres classiques

2
1
𝐻 𝑓 = 2𝑛
𝑓
1+
𝐹𝑐

16
Exemple de filtrage - Butterworth

17
Rappel: Caractéristiques d’un filtre

➢Un filtre est décrit dans le domaine fréquentiel par le module de sa fonction de
transfert |𝐻 𝑓 |

➢Les termes qui le caractérisent sont :

➢sa ou ses fréquences de coupure 𝑓𝑐
➢Sa ou ses bandes passantes
➢Sa ou ses bandes d’atténuation

➢Son ordre qui est le degré de sélectivité.

18
 Moyens de mise en œuvre des filtres

➢Filtres analogiques:
➢ la mise en œuvre est basée sur des composants analogiques qui réalisent la fonction de
réponse en fréquence
➢ Les filtres passifs utilisent uniquement R, L et C et ont un gain inférieur à 1.
➢Les filtre analogiques actifs ajoutent des composants actifs (habituellement des
amplificateurs opérationnels) pour un gain arbitraire

➢Filtres numériques
➢ implémentés par microprocesseur, microcontrôleurs, DSP, FPGA ou autre moyen numérique
➢Le filtre calcule directement la fonction de réponse en fréquence en logiciel

19
Pourquoi des filtres numériques ?

➢ Implémentation simple en numérique directement sur un microprocesseur ou un

microcontrôleur types DSP
➢ Opérations mathématiques de base + ,×
➢ Rapidité de calcule même pour les filtres d’ordre élevé
➢ Pas besoin d’éléments analogiques pour l’implémenter (R, L, C, ressort, …) => moins cher
et plus simple à réaliser

➢ Avantages du numérique:
➢ Reproductibilité
➢ Souplesse (changement de coefficients)
➢ Mise en série des filtres
➢ Insensibilité au bruit
➢ Stabilité des caractéristiques avec le temps, la T°, etc.

20
Sondage: classe des filtres

Soient les deux signaux ci-dessus.

Quel est le type du filtre qui a permis le passage du signal bleu au signal rouge ?
1. Passe-haut
2. Passe-bas

21
PRINCIPE DES FILTRES NUMÉRIQUES

22
Rappel

➢ Un signal de fréquence 𝐹𝑚𝑎𝑥 échantillonné 𝑥(𝑛) à la fréquence 𝑓𝑒 possède un spectre 𝑓𝑒 -

𝑓
périodique avec 𝑓𝑒 ≥ 2𝐹𝑚𝑎𝑥 donc 𝐹𝑚𝑎𝑥 ≤ 𝑒 .
2

➢ Si le signal est réel, son spectre en amplitude est pair et son spectre de phase est impair
(symétrie hermitienne).
𝑓𝑒
➢ L'étude de son spectre peut se faire sur l'intervalle réduit [0, [.
2

➢ Si 𝑁 est le nombre d'échantillons du signal, on considère donc les 𝑁/2 premiers coefficients
de la TFD.

23
Spectre périodique - Filtre numérique idéal

24
 Filtre numérique idéal (rappel)

➢ L'étude du spectre peut se faire sur l'intervalle réduit

𝑓 Gabarit d’un passe-bas idéal
0 𝑒
2

➢ Exemple: filtre passe-bas:

25
Filtre numérique idéal (Rappel )

Gabarit d’un passe-haut idéal Gabarit d’un passe-bande idéal 26

Filtrage numérique

➢Appliquer un filtre à un signal 𝑥(𝑛) revient à :

➢Multiplier terme à terme le spectre de 𝑥(𝑛) par la fonction de transfert du filtre

𝐻 𝑓
Y(𝑓) = 𝑋(𝑓) . 𝐻(𝑓)

➢Convoluer le signal 𝑥(𝑛) avec la réponse impulsionnelle du filtre ℎ(𝑛)

y(𝑛) = 𝑥(𝑛) ∗ ℎ(𝑛)

27
Filtrage numérique en post-traitement

➢Filtrage en post-traitement ≠ Filtrage en temps-réel

➢Principes du filtrage en post-traitement :
➢Le signal est acquis en intégralité avant le filtrage.
➢Il n'y a pas de contrainte de temps ou de temps réel (à chaque instant on
connaît tout le signal).

➢Le filtrage peut se faire dans le domaine fréquentiel directement

la TFD du signal filtré: 𝑌 𝑘 = 𝑋(𝑘) × 𝐻(𝑘)

28
Filtre numérique: application à un haut-parleur hi-fi

➢ La bande passante d’un haut-parleur HP dépend de son diamètre

➢ Plusieurs HP de diamètre différents nécessaires pour couvrir la bande passante de l’oreille
humaine (de 20 Hz à 20 kHz)
➢ Besoin de diviser le signal sonore en bandes de fréquences pour chaque HP à l'aide de filtres

29
 Filtre numérique: application à un haut-parleur hi-fi

Son original

30
Filtrage en post-traitement 1/4

1
Signal initial: 𝑥 𝑛 = cos(2𝜋10 𝑛𝑇𝑒 ) + cos 2𝜋30 𝑛𝑇𝑒
2

31
Filtrage en post-traitement 2/4

TFD non filtrée : 𝑋( 𝑓 ) = 𝑇 𝐹 𝐷 { 𝑥(𝑛)} 𝑠𝑢𝑟 [0, 𝑓𝑒[

32
Filtrage en post-traitement 3/4

TFD filtrée: 𝑌( 𝑓 ) = 𝑋( 𝑓 ) . 𝐻 ( 𝑓 ) 𝑠𝑢𝑟 [0, 𝑓𝑒[

33
Filtrage en post-traitement 4/4

Signal filtré: 𝑦 𝑛 = 𝑇𝐹𝐷 −1 𝑌(𝑓)

34
Filtrage en post-traitement- Méthode de filtrage (Résumé)

➢Méthode de filtrage dans le domaine fréquentiel

➢On calcule la transformée de Fourier discrète TFD du signal numérique 𝑥(𝑛) à filtrer
𝑋 𝑘 = 𝑇𝐹𝐷 𝑥 𝑛

➢On part de l’expression analytique du filtre idéal visé

Exemple : pour un filtre passe bas:

➢On synthétise, dans le domaine fréquentiel, le filtre numérique correspondant 𝐻(𝑘)

➢On calcule la TFD du signal filtré: 𝑌 𝑘 = 𝑋(𝑘) × 𝐻(𝑘)

➢On revient dans le domaine numérique en calculant la TFD-1 du produit:

𝑦 𝑛 = 𝑇𝐹𝐷−1 𝑌 𝑘

35
 Sondage: filtre passe-haut idéal

Soit un filtre passe-haut idéal de fonction de transfert ayant un TFD 𝐻(𝑘). On utilise ce filtre pour isoler
les composantes hautes fréquences d’un signal numérique 𝑥 𝑛 qui correspond à un ECG déjà enregistré.

Q1- La TFD du signal filtré y(𝑛) est 𝑌 𝑘 et la TFD du signal 𝑥(𝑛) est 𝑋 𝑘 . Choisir la bonne relation:
1. 𝑌 𝑘 = 𝐻 𝑘 ∗ X k
2. 𝑋 𝑘 = 𝐻 𝑘 × Y k
3. 𝑌 𝑘 = 𝐻 𝑘 × X k

Q2- On a h(𝑛) ≠ 0 si n< 0, alors:

1. On peut implémenter ce filtre en temps réel
2. On peut implémenter ce filtre en post-traitement
3. Ce filtre est causal

36
FILTRAGE NUMÉRIQUES EN TEMPS RÉEL:
FILTRES FIR &IIR

37
Filtrage en temps réel

➢Principes du filtrage en temps réel :

➢Le filtrage s'effectue en même temps que l'émission du signal.
➢Filtrage dans le domaine temporel (discret).
➢On convolue le signal avec la réponse impulsionnelle du filtre voulu.

➢Cette réponse impulsionnelle ℎ(𝑛) doit être :

1. Causale: la sortie ne se produit pas avant l’entrée; la réponse ne dépend pas du futur du
signal à filtrer.

2. Stable: revient a son état initial après excitation

38
 Rappel: Caractérisations d'un filtre numérique

➢Filtre numérique = C’est un Système linéaire invariant dans le temps discret:

1. Réponse impulsionnelle ℎ(𝑛):

+∞

𝑦 𝑛 =𝑥 𝑛 ∗ℎ 𝑛 = ෍ ℎ 𝑚 𝑥 𝑛−𝑚
𝑚=−∞
2. Equation aux différences (relation entrée-sortie) pour un filtre causal:

3. Fonction de transfert en 𝑧: 𝐻(𝑍)

𝑌 𝑧 = 𝑋 𝑧 . 𝐻(𝑍)
𝑌 𝑓 = 𝑋 𝑓 . 𝐻(𝑓)
39
Filtres numériques: FIR et IIR
➢Synthèse de filtres : étant donné un gabarit, comment trouver les coefficients de ℎ(𝑛) ou 𝐻(𝑧)
➢ Les contraintes sur ℎ(𝑛) :
1. Causalité du filtre:
Le filtre est causal ssi la réponse impulsionnelle est causale
ℎ 𝑛 = 0 ∀ 𝑛 < 0
2. Stabilité du filtre:
Le filtre est stable ssi la réponse impulsionnelle est absolument sommable:
σ+∞
𝑛=−∞ ℎ 𝑛 < ∞

➢Comment réaliser le filtre ?

La méthodologie dépend du type de filtre

1. Filtre à Réponse Impulsionnelle Finie (RIF)
2. Filtre à Réponse Impulsionnelle Infinie(RII)
40
 Comment réaliser le filtre ?
➢ Les échantillons en entrée et en sortie d’un filtre numérique sont donnés par la relation:
1. Filtre à Réponse Impulsionnelle Finie (RIF/FIR)
Equation aux différences: réponse non récursive
𝑀−1
𝑏𝑚
𝑦𝑛 = ෍ 𝑥
𝑎0 𝑛−𝑚
𝑚=0

2. Filtre à Réponse Impulsionnelle Infinie( RII/IIR)

Equation aux différences: réponse récursive
𝑀−1 𝐾−1
𝑏𝑚 𝑎𝐾
𝑦𝑛 = ෍ 𝑥 −෍ 𝑦
𝑎0 𝑛−𝑚 𝑎0 𝑛−𝑘
𝑚=0 𝐾=1

Mémorisation du signal de sortie

*RI: Réponse impulsionnelle
41
 RIF: Caractérisations d'un filtre numérique

➢Réponse impulsionnelle ℎ(𝑛):

𝑀−1
𝑏𝑚
𝑦(𝑛) = ෍ 𝑥𝑛−𝑚
𝑎0
𝑚=0
𝑀

𝑦 𝑛 = 𝑥 𝑛 ∗ ℎ 𝑛 = ෍ ℎ𝑚 𝑥𝑛−𝑚
𝑚=0

➢Tout échantillon du signal en sortie est la somme pondérée d’échantillons du signal

en entrée
➢On identifie les 𝑏𝑚 /𝑎0 , aux coefficients ℎ𝑚 , de la réponse impulsionnelle
42
 RIF: Caractérisations d'un filtre numérique

➢Fonction de transfert en 𝑧: 𝐻(𝑍)

𝑀−1

𝑦 𝑛 = 𝑥 𝑛 ∗ ℎ 𝑛 = ෍ ℎ𝑚 𝑥𝑛−𝑚
𝑚=0
𝑀−1

𝑌 𝑧 = ෍ ℎ𝑚 𝑍 −𝑚 𝑋 𝑧
𝑚=0
𝑀−1
𝑌 𝑧 −𝑚
𝑁 𝑍
𝐻 𝑍 = = ෍ ℎ𝑚 𝑍 = 𝑀
𝑋 𝑧 𝑍
𝑚=0

➢Les pôles d’un filtre RIF sont placés à l’origine →Ce filtre est donc toujours stable. 43
RIF : Schéma fonctionnel

➢ Filtre causal à réponse impulsionnelle finie d’ordre M:

𝑀−1

𝑦 𝑛 = ෍ ℎ𝑚 𝑥𝑛−𝑚
𝑚=0

➢ 1MAC ( Multiplication + ACcumulation (MAC)) par cycle 44

Filtre RIF : synthèse de filtre à moyenne mobile
➢Ce filtre RIF permet de calculer la moyenne de N échantillons.
➢L’équation aux différences de ce filtre est donnée par:
𝑁−1
1
𝑦𝑛 = ෍ 𝑥𝑛−𝑚
𝑁
𝑚=0

➢La fonction de transfert du filtre est donnée par :

𝑁−1
1
𝐻(𝑧) = ෍ 𝑧 −𝑚
𝑁
𝑚=0

➢Ce filtre possède N pôles à l’origine et N zéros

➢La fonction de transfert en f du filtre est donnée par :
𝑁−1
1
𝐻(𝑓) = ෍ 𝑒 −𝑚𝑗(2𝜋𝑓𝑇𝑒 )
𝑁 45
𝑚=0
 Filtre RIF (Filtre à moyenne mobile)
➢ Moyenne sur échantillons

N=3 N=11 N=30

𝑁−1
Le filtre d’ordre N introduit un retard de traitement égal à 𝑇𝑒. 46
2
Filtre RIF (Filtre à moyenne mobile) : Réponses en fréquence (2/2)

47
Filtre RIF (Filtre à moyenne mobile) : Réponses en fréquence (2/2)

48
Filtre à moyenne mobile (filtre FIR):

Q1: Soit un filtre FIR qui calcule la moyenne d’un signal sur les 3 dernières valeurs. L’équation aux
différence de ce filtre est:
1
1. 𝑦 𝑛 =3 𝑥 𝑛 +𝑥 𝑛+1 +𝑥 𝑛+2
1
2. 𝑦 𝑛 =3 𝑥 𝑛 +𝑥 𝑛−1 +𝑥 𝑛−2
1
3. 𝑦 𝑛 =3 𝑥 𝑛 −𝑥 𝑛−1 −𝑥 𝑛−2

Q2. ce filtre FIR à moyenne mobile:

1. Peut être instable
2. N’a aucun impact sur le module du signal à filtrer
3. C’est un filtre passe bas
4. Ce filtre possède 3 pôles à l’origine
5. introduit un retard de traitement égal à Te.

49
Réponse impulsionnelle du filtre RII

50
Fonction de transfert du filtre RII

51
Représentation des zéros et des pôles dans le plan complexe

➢Le diagramme des zéros et des pôles permet :

1. d’étudier la stabilité du système.

2. d’avoir une bonne compréhension des réponses en fréquences

52
Pôles, zéros et stabilité

53
Interprétation de la réponse en fréquence (1/3)

▪ Les affixes des zéros et des pôles seront désignés par fonction de transfert en 𝑍𝑚 et 𝑃𝑘 .
▪ Désignons par 𝑀, l’affixe de 𝑧 pour la valeur courante de 𝑓sur le cercle unité.

Fe
f = Z2
4
M M
P1
M M
f =  Fe 2 Z1 Z3 f =0
M M
Re
Z4
P2

f = − F e4 Z5
54
Interprétation de la réponse en fréquence (2/3)

Fe
f = 4 Z2

P1

f =  Fe 2 Z1 Z3 f =0
M
Re
Z4
P2

f = − Fe 4

55
Interprétation de la réponse en fréquence exemple FIR 1 er ordre

1
f = Fe 4 M 𝐻 𝑓 =
M M 𝑀𝑃
22
f =  Fe 2 Z1 P1 M f =0 1.5

M Re 1

0.5

0 0.4 0.6 1
0 0.2 0.8
f = − Fe 0 0.5 1
4

56
Interprétation de la réponse en fréquence exemple FIR 2 -ème ordre

Im
f =Fe H ( f)
4 M
M M

𝐹𝑒 Z1 P1 M f =0
𝑓=∓
2 Re

P2

f = − Fe 4 0 0.5 1
f / Fe 57
Schéma fonctionnel

58
Schéma fonctionnel – Exemple d’un filtre de second ordre

59
Filtre de premier ordre RII - exemple
Implémentation du filtre en utilisant la fonction de transfert en z:

𝑌 𝑧 1 + 𝑧 −1
𝐻 𝑧 = =
𝑋(𝑧) 1 + 𝑎 + 1 − 𝑎 𝑧 −1

➢ Equations aux différences

1−𝑎 1
𝑦 𝑛 =− 𝑦 𝑛−1 + 𝑥 𝑛 +𝑥 𝑛−1
1+𝑎 𝑎+1
➢ La sortie du filtre à l’instant n dépend de la sortie à l’instant n-1 (récurrence) et des entrées.

➢ Implémentation en temps réel possible sur un DSP

60
Filtre de premier ordre RII - exemple

Gabarit du filtre synthétisé avec 𝑓𝑒 = 20 𝑘𝐻𝑧 𝑒𝑡 𝑓𝑐𝑑 = 2 𝑘𝐻𝑧

61
Conclusion sur les filtres

RIF RII
➢ Toujours stable ➢ Peuvent être instables
➢ Facile à concevoir ➢ Nécessitent moins d’opérations et de places
mémoires
➢ Plus efficace que RIF: très proche des filtres
analogiques - récursive

62
On considère le filtre linéaire régi par l’équation aux différences suivante:
𝑦(𝑛) = 𝑥(𝑛) − 0.5𝑦(𝑛 − 1)

Q1 - Ce filtre est-il:
1. RIF
2. RII

Q2 - Ce filtre est-il:
1. Causal
2. Non Causal

Q2- La fonction de transfert de ce filtre est

1
1. 1−0,5𝑧 −1
1
2. 1+0,5𝑧 −1
1
3. 1+0,5𝑧
63
On considère un filtre de 2ème ordre dont le placement des zéros et des pôles au niveau du plan complexe est le
suivant :

d’après la positions des zéros, le module de la

réponse en fréquence du filtre doit s’annuler à f=0
et à f=Fe/2. Le module de la réponse en
fréquence passerait par un maxima (résonnance)
pour une fréquence légèrement inférieure à
f=Fe/4. C’est donc la Figure☺

En esquissant à la main le module de la réponse en fréquence de ce filtre, dites laquelle des propositions ci-
dessous correspond à la bonne réponse.
Figure 3
Figure 2
Figure 1

64
 Démo
Filtrage d’un son bruité par
un filtre IIR

65
Demo Matlab

Signal bruité

66
Demo Matlab

67
Démo Matlab

68
Réponses en fréquence des deux filtres en cascade : module

69
Demo Scilab 3

Signal bruité

Signal filtré

70
 Modulation

Walter Peretti & Zeinab Mhanna

❑ Introduction
❑ Canal de transmission
❑ Principes de modulation
❑ Techniques de modulation: AM – FM - PM

❑ Modulation analogique d’amplitude

❑ Modulation AM avec poteuse DSB - FC
❑ Modulation AM sans porteuse DSB – SC
❑ Démodulation AM par détection d’enveloppe
❑ Démodulation AM cohérente

❑ Modulation numérique
❑ Principe
❑ Modulation multi niveaux

2
INTRODUCTION

3
Chaîne de transmission - Télécommunication

➢ Le canal est tout support physique permettant la

transmission d’un signal :
➢ canal guidé : câble métallique, fibre optique…
➢ canal en espace libre : faisceaux Hertziens, liaison
radio…

➢ Le canal a une bande passante caractéristique, il peut être

modélisé par un filtre passe-bande
4
Pourquoi est il nécessaire de moduler les informations à
transmettre?

▪ Les signaux que l’on souhaite transmettre ▪ Les signaux qu'on Peut transmettre sans fil

▪ Signal analogique:
▪ Parole: 300-3400 Hz, Musique: 20Hz- ▪ Antenne France inter 162 kHz
20kHz

Inadéquation
5
 Pourquoi est il nécessaire de moduler les informations à
transmettre?

▪ Les signaux que l’on souhaite transmettre ▪ Les signaux qu'on Peut transmettre

▪ Donnée numérique:
▪ Bluetooth, 4G, WiFi, TNT
▪ Signal en bande radiofréquence:
« En bande de base»: Le spectre est
centrée sur 0Hz « En bande transposée »

Inadéquation
6
Principe de base des modulations

➢ La réception d'un signal nécessite des antennes dont les dimensions dépendent de la longueur
d'onde du signal /2
➢ Un signal haute fréquence 𝐻𝐹 sera facilement transmissible.
➢ Exemple un signal H.F correspond à des fréquences 𝐹 > 100 𝑀𝐻𝑧 ; soit des longueurs
𝑐 3.108
d'onde  = donc  < 6 = 3𝑚 ; soit une antenne de longueur inférieure à 3m .
𝐹 100.10

➢ Par contre , pour les signaux B.F ( f < 20 Hz) la longueur d'onde sera beaucoup plus grande et
cela nécessiterait des antennes démesurées et le signal serait rapidement atténué.
3.108
➢ Exemple : Pour 𝐹 = 10 𝑘𝐻𝑧 ,  = = 30 𝑘𝑚 soit une antenne de 𝟏𝟓 𝒌𝒎 !
10

➢ Le but de la modulation est de translater le spectre d'un signal B.F [ sons, musique , parole ]
vers les H.F pour pouvoir le transmettre facilement par voie hertzienne.

7
 Principe de base des modulations
➢Que faire si on souhaite transmettre des signaux dont le spectre
est concentré vers les basses fréquences via un système radio
exemples:
➢Signal audio de qualité téléphonique : fmax ~ 3400 Hz
➢ Signal audio de qualité CDROM: fmax ~ 20 KHz
➢Les signaux numérisés (suite de 0 et de 1); un signal numérique de
1Mbps : fmax ~ 1MHz

Signal modulant 𝑚(𝑡) Signal modulé s(𝑡)

𝑀(𝑓) Modulation 𝑆(𝑓)

8
Principe de base des modulations

➢ La modulation consiste à appliquer une opération (modulation) sur un signal 𝑚(𝑡) de façon à
obtenir un signal 𝑠(𝑡) ayant un spectre situé autour d’une fréquence choisie (fréquence
porteuse 𝑓𝑝 ou 𝑓𝑐 « carrier » en anglais)

Signal modulant 𝑚(𝑡) Modulation Signal modulé s(𝑡)

𝑀(𝑓) 𝑆(𝑓)

Signal en bande de base Le signal est transmis en bande TRANSPOSEE

une transposition du signal basse fréquence en haute fréquence. 9

 Principe de la modulation - exemple

▪ Les signaux que l’on souhaite transmettre:

Le signal informatif module
Parole: 300-3400 Hz l’amplitude du signal RF

Modulation
Signal modulant 𝑚(𝑡)
Signal d’onde porteuse
𝑝(𝑡)
▪ Les signaux qu'on Peut transmettre: Le signal RF va transporter
l’information sur les ondes: on Le signal résultant= signal
Signal RF: 162 khz l’appelle la porteuse modulé peut être transmis via
une antenne

10
 Techniques de modulation

Signal modulant 𝑚(𝑡) Signal modulé s(𝑡)

Le signal qu’on souhaite Modulation Le signal à transmettre
transmettre modulé

Signal d’onde porteuse

𝑝(𝑡)

➢Porteuse 𝑝(𝑡) carrier en anglais: est un signal sinusoïdale de de fréquence 𝒇𝒑

(généralement HF haute fréquence)
𝑝 𝑡 = 𝑨𝒑 𝒄𝒐𝒔 𝟐𝝅𝒇𝒑 𝒕 + 𝚽
➢Signal modulant 𝑚(𝑡) : signal (portant l’information et généralement BF) qui contrôle
l’amplitude, la fréquence ou la phase de la porteuse.
➢Signal modulé 𝑠(𝑡) : résultat de la modulation de la porteuse par le signal modulant
11
 Techniques de modulation
Signal modulant 𝑚(𝑡) Signal modulé s(𝑡)
Le signal qu’on Modulation Le signal à transmettre
souhaite transmettre modulé

Signal d’onde
porteuse 𝑝(𝑡)

➢Pourquoi moduler et utiliser une porteuse ?

1. Une porteuse est un « véhicule » permettant de transmettre un signal en le
transposant sur l’axe des fréquences.
La modulation sert donc pour la transmission dans un canal !

2. Un cosinus est un signal facile à générer, tant à l’émetteur qu’au récepteur.

3. Au récepteur, on peut facilement retrouver le signal à transmettre en se

débarrassant de la porteuse (procédé de démodulation). 12
 Principaux types de modulation
Signal modulant 𝑚(𝑡) Signal modulé s(𝑡)
Le signal qu’on Modulation Le signal à transmettre
souhaite transmettre modulé

Signal d’onde porteuse 𝑝(𝑡)

➢Principe : transmettre l'information d'un signal m(𝑡) en « l'intégrant » dans un autre

signal la porteuse
S t = 𝐴 𝑡 𝑐𝑜𝑠 2𝜋𝑓 𝑡 𝑡 + Φ 𝑡
➢Trois principaux types de modulation (𝑠(𝑡) = signal modulé) :
1. Modulation en amplitude (AM): m(t) est intégré dans 𝐴 𝑡
2. Modulation en fréquence (FM): m(t) est intégré dans 𝑓 𝑡
3. Modulation en phase (PM): m(t) est intégré dans Φ 𝑡
13
 Illustration de principaux types de modulation (1/2)

m(t)

AM

PM

On parle de modulation
d’amplitude (AM), de fréquence FM
(FM) ou de phase (PM), suivant le
paramètre contrôlé
14
Illustration de principaux types de modulation(2/2)

Signal modulant numérique et signaux

modulés (à deux niveaux)

AM: ASK

PM: PSK

FM: FSK

15
La modulation dans la pratique

➢Modulation analogique ➢Modulation numérique :

▪ Signal d’information analogique ▪ Signal d’information numérique

▪ technique de modulation qui utilise ▪ technique de modulation qui utilise une

une porteuse continue porteuse continue
▪ Exemples : radio FM, télévision ▪ Exemples: 5G, 4G, WiFi, Télévision
hertzienne Numérique Terrestre (TNT), Internet,
Digital Audio Broadcasting (DAB)

16
MODULATION ANALOGIQUE D’AMPLITUDE

17
Modulation d’amplitude double bande avec porteuse : DSB-FC
(Double Side Band Full Carrier)
Le signal modulé: 𝑠(𝑡)
𝑘0

Le signal informatif: m(𝑡)

la porteuse:
𝒑 𝒕 = 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕) 𝒔 𝒕 = 𝑘0 . 𝑚 𝑡 . 𝑝 𝑡 + 𝑝 𝑡

𝒔 𝒕 = 𝟏 + 𝒌𝟎 𝒎 𝒕 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

L’information utile du signal modulant est codé dans l’amplitude de la porteuse:

𝐴 𝑡 = 𝑘0 . 𝒎 𝒕 + 1 . 𝐴 𝑝 18
Analyse spectrale DSB-FC

➢ Quel est le contenu spectral du signal modulé?

𝒔 𝒕 = 𝟏 + 𝒌𝟎 𝒎 𝒕 𝑨𝒑 𝒄𝒐𝒔 𝟐𝝅𝒇𝒑 𝒕

𝒔 𝒕 = 𝑨𝒑 𝒄𝒐𝒔 𝟐𝝅𝒇𝒑 𝒕 + 𝑨𝒑 𝒌𝟎 𝒎 𝒕 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

La transformée de Fourier vaut:

𝑨𝒑 𝑨𝒑
𝑺 𝒇 = 𝜹 𝒇 − 𝒇𝒑 + 𝜹 𝒇 + 𝒇𝒑 + 𝑲𝟎 𝑴 𝒇 − 𝒇𝒑 + 𝑴(𝒇 + 𝒇𝒑 )
𝟐 𝟐

▪ 𝜹 𝒇 − 𝒇𝒑 + 𝜹 𝒇 + 𝒇𝒑 la porteuse
▪ 𝑴 𝒇 − 𝒇𝒑 le signal modulant décalé de 𝑓𝑝 vers la droite
▪ 𝑴 𝒇 + 𝒇𝒑 le signal modulant décalé de 𝑓𝑝 vers la gauche

19
 Analyse spectrale DSB-FC

𝑴 𝒇
signal en bande de base C

𝑨𝒑 𝑺 𝒇
𝜹 𝒇 + 𝒇𝒑
𝟐 𝑨
𝟐
C
Signal modulé

𝑴 𝒇 + 𝒇𝒑 𝑴 𝒇 − 𝒇𝒑
20
 Modulation d’amplitude double bande sans porteuse : DSB - SC

𝑘0
𝒔 𝒕 = 𝑘0 . 𝑚 𝑡 . 𝑝 𝑡

𝒔 𝒕 = 𝒌𝟎 𝒎 𝒕 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)
Le signal informatif: m(𝑡)
la porteuse:
𝒑 𝒕 = 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

𝒔 𝒕 = 𝒌𝟎 𝒎 𝒕 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

L'amplitude instantanée est donc rendue proportionnelle au signal modulant et vaut:

𝐴 𝑡 = 𝑘0 . 𝑚 𝑡 . 𝐴𝑝 21
Analyse spectrale DSB – SC
(Double Side Band suppressed Carrier)

➢ Quel est le contenu spectral du signal modulé?

𝒔 𝒕 = 𝒌𝟎 𝒎 𝒕 𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

➢ La transformée de Fourier vaut:

𝑨𝒑 𝑨𝒑
𝑺 𝒇 =𝑴 𝒇 ∗ 𝜹 𝒇 − 𝒇𝒑 + 𝜹(𝒇 + 𝒇𝒑 )
𝟐 𝟐
𝑨𝒑
𝑺 𝒇 = 𝑴 𝒇 − 𝒇𝒑 + 𝑴(𝒇 + 𝒇𝒑 )
𝟐
▪ 𝑴 𝒇 − 𝒇𝒑 le signal modulant décalé de 𝑓𝑝 vers la droite

▪ 𝑴 𝒇 + 𝒇𝒑 le signal modulant décalé de 𝑓𝑝 vers la gauche

22
 Modulation d’amplitude DSB - SC

𝑴 𝒇 Avantage :
C l'économie de puissance
(puisqu’il n’y a pas de porteuse)

Inconvénient :
Pas de résidu de porteuse.
Cela peut compliquer la
𝑺 𝒇 démodulation cohérente (qui a
𝑨 besoin de la porteuse), pour un
𝟐
C récepteur simplifié.

𝑴 𝒇 + 𝒇𝒑 𝑴 𝒇 − 𝒇𝒑
23
Modulation d’amplitude DSB – SC: exemple

24
Démodulation d’amplitude

➢Reconstruction du modulant (le signal à transmettre) à partir du signal modulé

➢Deux méthodes :
1. Démodulation par détection d’enveloppe
2. Démodulation par la porteuse

25
 Démodulation d’amplitude: détection d’enveloppe

➢ Cette méthode est efficace seulement pour une DSB - FC

Le signal modulé: 𝑠(𝑡) Le signal démodulé

26
 Démodulation d’amplitude: démodulation par la porteuse

➢ Cette méthode est efficace pour une DSB-FC et pour et pour une DSB-SC.

Le signal modulé: 𝑠(𝑡)

Filtre
passe bas Le signal démodulé

oscillateur: 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

27
Démodulation d’amplitude: démodulation par la porteuse
➢ Multiplication du signal modulé 𝑠 𝑡 par un cosinus de même fréquence et de même phase que le
cosinus de l’émission : démodulation synchrone.

➢ Signal modulé à l’entrée du démodulateur: 𝒔 𝒕 = 𝐦 𝒕 × 𝑨𝒑 𝒄𝒐𝒔 𝟐𝝅𝒇𝒑 𝒕

𝐴𝑝 𝐴𝑝
➢𝑆 𝑓 = 𝑀 𝑓 − 𝑓𝑝 + 𝑀 𝑓 + 𝑓𝑝
2 2

➢ Première étape de la démodulation, multiplication par la porteuse: 𝑦 𝑡 = s 𝑡 𝑐𝑜𝑠 2𝜋𝑓𝑝 𝑡

➢ 𝑌 𝑓 = 𝑌 𝑓 − 𝑓𝑝 + 𝑌 𝑓 + 𝑓𝑝

𝐴𝑝 𝐴𝑝
𝑌 𝑓 = 𝑀 𝑓 + 𝑀 𝑓 − 2𝑓𝑝 + 𝑀 𝑓 + 2𝑓𝑝
2 4
𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑏𝑎𝑠𝑒 𝑠𝑖𝑔𝑛𝑎𝑙 à ℎ𝑎𝑢𝑡𝑒 𝑓𝑟é𝑞𝑢𝑒𝑛𝑐𝑒

2
➢ Deuxième étape: filtrage 𝑚 𝑡 = 𝐴 𝑓𝑖𝑙𝑡𝑒𝑟 𝑝𝑎𝑠𝑠𝑒 𝑏𝑎𝑠 𝑦 𝑡
𝑝

28
Démodulation d’amplitude: démodulation par la porteuse DSB - SC

𝑨𝒑 𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

𝒄𝒐𝒔(𝟐𝝅𝒇𝒑 𝒕)

𝟐
F𝒊𝒍𝒕𝒓𝒂𝒈𝒆 ×
𝑨𝒑

29
Multiplexage et modulation AM

30
 Principe de la modulation - multiplexage

Canal de
propagation

➢ Transmettre plusieurs signaux sur le même canal de transmission = partage de la ressource entre
les utilisateurs = Multiplexage

➢ Partage de la ressource en affectant des bandes fréquentielles différentes

➢ Multiplexage fréquentiel; FDMA : Frequency Division Multiplex Access;

31
 Sondage

Soit u2(t) possèdent la TF suivante:

On réalise le montage suivant:

𝒑 𝒕 = 𝒄𝒐𝒔 𝟐𝝅𝒇𝟎 𝒕
V2(f) a l’allure suivante:

Figure A

Figure B

Figure C
32
MODULATION NUMÉRIQUE
(SIGNAL D’INFORMATION NUMÉRIQUE)

33
 Signal numérique

Information numérisée: Signal temporel : (ex Codage NRZ)

0 1 0 0 1

𝑇𝑏 → 𝐷𝑏 = 1/𝑇𝑏
Représentation fréquentiel
𝑇𝑏 = 100𝜇𝑠 → 𝐷𝑏 = 10𝑘𝑏/𝑠 2G Le spectre est centrée sur 0Hz
→on dit qu’il est en bande de
𝑇𝑏 = 1𝜇𝑠 → 𝐷𝑏 = 1𝑀𝑏/𝑠 3G base
𝑇𝑏 = 10𝑛𝑠 → 𝐷𝑏 = 100𝑀𝑏/𝑠 4G 34
𝐷𝑏
 Modulation numérique classique
➢ Porteuse: 𝐴 𝑐𝑜𝑠(2𝜋𝐹𝑝 𝑡 + 𝜃)

➢ La modulation numérique d’une porteuse consiste à faire varier l’amplitude, la fréquence ou la phase
d’une onde sinusoïdale (porteuse) en fonction des éléments binaires à transmettre

➢ On module le message à transmettre via à une des trois caractéristiques de la porteuse:

Message à transmettre:
1010

Modulation en amplitude Modulation en fréquence Modulation en phase

ASK FSK PSK
(Amplitude Shift Keying) (Frequency Shift Keying) (Phase Shift Keying) 35
Modulation numérique - représentation spectrale

➢ Représentation spectrale
➢ Le spectre de la porteuse modulée est centrée sur la fréquence de la porteuse donc en bande
transposée et peut donc être transmise par des antennes

Spectre

Encombrement spectrale=
La largeur du spectre
= débit binaire transmis 𝐷𝑏

𝐹𝑝 Fréquence 36
Modulation numérique à deux niveaux

Signal modulant numérique et signaux

modulés (à deux niveaux)
respectivement en

AM: ASK

PM: PSK

FM: FSK

37
Télécommunications numériques

➢Le signal d’information est numérique= signal de source

➢La porteuse est analogique ⇒le signal modulé est analogique
➢La transmission est donc analogique
➢Un symbole est émis tous les 𝑻, la période de l’horloge:
➢ Le message transmis est une suite de symboles pris dans un alphabet de taille 𝑀 = 2𝑛
(symboles M-aires, ou binaires pour M = 2)

38
Signal numérique: Rapidité de modulation

➢ Le message transmis est une suite de symboles pris dans un alphabet de taille 𝑀 = 2𝑛
(symboles M-aires, ou binaires pour M = 2)
➢ La rapidité de modulation, en bauds, est le nombre de changement d´états par seconde :
1 1
Rapidité de modulation = ⇒𝑅=
𝑑𝑢𝑟é𝑒 𝑑’𝑢𝑛 𝑠𝑦𝑚𝑏𝑜𝑙𝑒 𝑇
➢ Le débit binaire est le nombre de bits transmis par seconde :
1 1
𝐷é𝑏𝑖𝑡 𝑏𝑖𝑛𝑎𝑖𝑟𝑒 = 𝑛𝑜𝑚𝑏𝑟𝑒 𝑑𝑒 𝑏𝑖𝑡𝑠 𝑝𝑎𝑟 𝑠𝑒𝑐𝑜𝑛𝑑𝑒 = ⇒𝐷=
𝑑𝑢𝑟é𝑒 𝑑’𝑢𝑛 𝑏𝑖𝑡 𝑇𝑏

Pour un alphabet M-aire, 𝑀 = 2𝑛 , 𝑇 = 𝑛𝑇𝑏, soit 𝐷 = 𝑛𝑅.

39
Représentation des états de modulation: constellation.
➢Constellation: représentation géométriquement des différents états du signal
modulé s(t) dans le plan de Fresnel:
𝑠 𝑡 = 𝐴𝑖 𝑐𝑜𝑠(2𝜋𝐹𝑝 𝑡 + 𝜃𝑖 ) avec 𝑖 ∈ 0,1, … . 𝑀 − 1 ou 𝑀 = 2𝑛
➢Chaque état (symbole) de la porteuse (amplitude/phase) est représenté par un
point :

➢ cette représentation trigonométrique est utilisée pour les modulations numériques

modulations d’amplitude, de phase et d’amplitude et de phase.
40
Représentation des états de modulation: constellation.
➢Constellation: représentation géométriquement des différents états du signal
modulé s(t) dans le plan de Fresnel:
𝑠 𝑡 = 𝐴𝑖 𝑐𝑜𝑠(2𝜋𝐹𝑝 𝑡 + 𝜃𝑖 ) avec 𝑖 ∈ 0,1, … . 𝑀 − 1 ou 𝑀 = 2𝑛
➢Chaque état (symbole) de la porteuse (amplitude/phase) est représenté par un
point :

➢ cette représentation trigonométrique est utilisée pour les modulations numériques

modulations d’amplitude, de phase et d’amplitude et de phase.
41
Modulation d’amplitude

▪ la modulation d’amplitude consiste à faire varier l’amplitude de la porteuse

selon le signal utile m(t):
𝑠𝑚𝑜𝑑 𝑡 = 𝐴(𝑡)𝑐𝑜𝑠(2𝜋𝐹𝑝 𝑡 + 𝜃)
▪ 𝐴(𝑡) : Amplitude variant selon le message à transmettre, m(t)
▪ Deux types de modulations d’amplitude numériques :
▪ ASK (Amplitude Shift Keying)
▪ OOK (On Off Keying)

42
Modulations d’amplitude: modulation OOK (On OffKeying)

➢ Amplitude 𝐴(𝑡) = 0 pour transmettre un bit à «0»

➢ Amplitude 𝐴(𝑡) = 𝐴𝑝 pour transmettre un bit à «1»

➢Application : transmission
sur fibre optique par OOK

43
Modulations d’amplitude: 2-ASK (Amplitude Shift Keying)

➢ Amplitude 𝐴(𝑡) = 𝐴0 = 𝐴𝑝 /2 pour transmettre un bit à «0»

➢ Amplitude 𝐴(𝑡) = 𝐴1 = 𝐴𝑝 pour transmettre un bit à «1»

44
Modulations d’amplitude: 4-ASK (Amplitude Shift Keying)

➢ Modulation deux niveaux d’amplitude: code 1 bit: 0 𝑜𝑢 1

➢ Modulation quatre niveaux d’amplitude: code 2 bit: 00; 01; 10 𝑜𝑢 11

45
Modulations d’amplitude: 4-ASK (Amplitude Shift Keying)

▪ La modulation 4-ASK: 4 symboles différents (2 bits par symbole)

La modulation M-ASK est peu

utilisée pour M>2 car elle n’est
pas assez résistante au bruit, en
comparaison aux autres
modulations existantes

46
La modulation de phase

➢ Modulation de phase (PSK, Phase Shift Keying )

➢ déphasage par rapport à une référence (phase de la porteuse)
𝑠𝑚𝑜𝑑 𝑡 = 𝐴𝑐𝑜𝑠(2𝜋𝐹𝑝 𝑡 + 𝜃(𝑡))

➢ 𝜃(𝑡) : variant selon le message à transmettre, m(t)

01 010
001
011

0 00 000
1 10 100

111
101
11 110
M=2
k=2 M=4
k=4
M=8k=8

47
Modulation de Phase multi niveaux
➢Modulation deux niveaux de phase: code 1 bit 0 𝑜𝑢 1
➢La phase pourra prendre 2 valeurs différentes: 𝜃 = 0 ou 𝜋
➢Modulation quatre niveaux de phase: code 2 bits : 00; 01; 10 𝑜𝑢 11
𝜋 3𝜋
➢La phase pourra prendre 4 valeurs différentes: 𝜃 = 0, , 𝜋;
2 2

48
Modulation de phase: BPSK/2-PSK
➢ Modulation de phase deux états : Binary phase-shift keying (BPSK)
➢La phase pourra prendre 2 valeurs différentes: 𝜃 = 0, 𝜋

49
Modulation de phase: QPSK / 4-PSK

➢Modulation quatre niveaux de phase(Quadrature Phase Shift Keying): code 2

bits : 00; 01; 10 𝑜𝑢 11
𝜋 3𝜋 5𝜋 7𝜋
➢La phase pourra prendre 4 valeurs différentes: 𝜃 = , , ,
4 4 4 4

50
Comparaison BPSK/QPSK

1symbole =1bit

1symbole =2bits

Même si on change rien au niveau de la bande passante on peut doubler le débit binaire
en modulant en QPSK au lieu de BPSK
51
 Modulation de phase et bruit

➢M est élevé, donc D élevé ☺

8-PSK
➢Probabilité d’erreur augmente! 

➢Solution: Modulation combinée en amplitude et en phase QAM

(Quadrature Amplutide and phase Modulation)

52
QAM (Quadrature Amplutide and phase Modulation)

➢ M – QAM: modulations mixtes phase - amplitude telles les modulations M - QAM.

➢ variations de la phase que de l'amplitude du signal ce qui permet de coder plus de bits par
symbole
➢ M-QAM: M états de phase et amplitude
➢ 𝑛 bits par symbole. 𝑀 = 2𝑛
➢ La porteuse devra avoir 𝑀 états différents pour représenter la totalité des états.

Digital 16-QAM 53
Protocole de communications et Modulation

4G 5G: Jusqu’à 256 QAM TNT

Bluetooh

LoRa GSM

54