Chapitre 3: Etude des Systèmes: Convolution

et Corrélation 2022

I. Introduction à la Convolution
La représentation des signaux dans le domaine tmporel et fréquentiel est très importante.
Cependant, pouvoir analyser et étudier spécifiquement les circuits et systèmes opérant sur les
signaux dans le but de réaliser et répondre à certains objectifs est aussi très important.

Le but de cette partie est devélopper certaines techniques de repésentation et d'analyse des
systèmes linéaires, nécessaires pour l’étude des systèmes de commande ou de transmission
d’information.

On définit un système par un opérateur mathématique qui transforme tout signal d’éntrée 𝑒(𝑡) en
un signal de sortie 𝑠(𝑡).
𝑺𝒚𝒔𝒕è𝒎𝒆
𝑠𝑖𝑔𝑛𝑎𝑙 𝑑′ 𝑒𝑛𝑡𝑟é𝑒 𝒆(𝒕) → 𝒔(𝒕) , 𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒

Le signal 𝑠(𝑡) , appelé réponse du système de transmission est une fonction du signal d’entrée 𝑒(𝑡)
et des caractéristiques du système de transmission ou de traitement.

𝑠𝑖𝑔𝑛𝑎𝑙 𝑑′ 𝑒𝑛𝑡𝑟é𝑒 𝒔𝒚𝒔𝒕è𝒎𝒆 𝒐𝒖 𝒇𝒊𝒍𝒕𝒓𝒆 𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑠𝑜𝑟𝑡𝑖𝑒

R C
𝒆(𝒕) 𝒔(𝒕)

Un système est toujours décrit par la relation entrée/sortie évoluant dans le domaine temporel ou
fréquentiel.

Une des méthodes d’analyse dans le domaine temporel permettant de relier tout signal de sortie
(réponse du sytème) à un signal d’entrée (signal d’excitation du système) est basée sur la notion de
Convolution des signaux.

Avant d’introduire la notion de convolution il est préferable tout d’abord de définir quelques
propriétés des sytèmes.

1.1 Définitions
- Systèmes linéaires

En considérant le signal 𝑠1 (𝑡) comme étant la réponse du système 𝑠(𝑡) = 𝑆[ 𝑒(𝑡) ] à l’entrée
𝑒1 (𝑡) et le signal 𝑠2 (𝑡) en tant que sa réponse au signal d’entrée 𝑒2 (𝑡), alors on dit que le
système 𝑆[ . ] est linéaire si on a la propriété suivante :

𝒔𝒚𝒔𝒕è𝒎𝒆𝒔 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔
𝑎 𝒆𝟏 (𝒕) + 𝑏 𝒆𝟐 (𝒕) → 𝑎 𝒔𝟏 (𝒕) + 𝑏 𝒔𝟐 (𝒕)
1
 Convolution et Corrélation 2022

Remarque: il est important de remarquer que presque tous les systèmes sont linéaires pour
des faibles signaux (première approximation). En général, tous les sytèmes réels (physiques)
sont globalement des systèmes non linéaires. La linéarité n’est valable qu’au voisinage d’un
point de fonctionnement du système. C’est l’opération de linéarisation des systèmes pour de
faibles signaux autour du point de fonctionnement choisi.

- Systèmes Invariants (stationnaires)

Un système est dit invariant dans le temps ( ou stationnaire) si son comportement est
indépendant de l’origine du temps, c'est-à-dire :

𝑺𝒚𝒔𝒕è𝒎𝒆 𝑰𝒏𝒗𝒂𝒓𝒊𝒂𝒏𝒕 𝑺𝒚𝒔𝒕è𝒎𝒆 𝑰𝒏𝒗𝒂𝒓𝒊𝒂𝒏𝒕

𝑠𝑖 𝒆(𝒕) → 𝒔(𝒕) 𝑎𝑙𝑜𝑟𝑠 𝒆(𝒕 − 𝜽) → 𝒔(𝒕 − 𝜽)

En théorie du traitement du signal, on considère en général les filtres comme des sytèmes de de
transmission ou de traitement linéaires, continus et invariants.

1.2 Convolution des Signaux

La convolution de deux fonctions (signaux) est un concept physique très important dans plusieurs
domaines de la recherche scientifique. L’intégrale ou produit de convolution, notée *, est définie
par :
+∞ +∞

𝑦(𝑡) = ∫ 𝑥(𝜏). ℎ(𝑡 − 𝜏)𝑑𝜏 = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ ℎ(𝜏). 𝑥(𝑡 − 𝜏)𝑑𝜏 = ℎ(𝑡) ∗ 𝑥(𝑡)
−∞ −∞

On appele ℎ(𝑡) la réponse impulsionnelle du système (ou filtre) excité par une impulsion de Dirac
𝜹(𝒕). la propriété d’invariance temporel (stationnarité) du système permet de déterminer la réponse
à 𝜹(𝒕 − 𝒕𝟎 ), obtenu par translation 𝑡0 , ( (𝑡) retardé de 𝑡0 ), comme étant un signal 𝒉(𝒕 − 𝒕𝟎 ) ayant
subi la même translation ( ℎ(𝑡)𝑟𝑒𝑡𝑎𝑟𝑑é 𝑑𝑒 𝑡0 𝑎𝑢𝑠𝑠𝑖 ):

𝑟é𝑝𝑜𝑛𝑠𝑒 𝑑𝑢 𝑆𝐿𝐼
𝑠𝑖𝑔𝑛𝑎𝑙 𝑒(𝑡)𝑎𝑝𝑝𝑙𝑖𝑞𝑢é à 𝑙 ′ 𝑒𝑛𝑡𝑟é𝑒 𝑑𝑢 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑆𝐿𝐼: 𝑒(𝑡) → 𝑠(𝑡)
𝑟é𝑝𝑜𝑛𝑠𝑒 𝑑𝑢 𝑆𝐿𝐼
𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝛿(𝑡) 𝑎𝑝𝑝𝑙𝑖𝑞𝑢é𝑒 à 𝑙 ′ 𝑒𝑛𝑡𝑟é𝑒 𝑑𝑢 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑆𝐿𝐼: 𝛿(𝑡) → ℎ(𝑡)
𝑟é𝑝𝑜𝑛𝑠𝑒 𝑑𝑢 𝑆𝐿𝐼
𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝑟𝑒𝑡𝑎𝑟𝑑é𝑒 𝛿(𝑡 − 𝑡0 ) à 𝑙 ′ 𝑒𝑛𝑡𝑟é𝑒 𝑑𝑢 𝑆𝐿𝐼: 𝛿(𝑡 − 𝑡0 ) → ℎ(𝑡 − 𝑡0 )
Signal
Système Lin. Inv. ℎ(𝑡) Signal de
d’entrée
𝛿(𝑡) sortie

0 𝑡
0 𝑡
Signal Système Lin. Inv. Signal de
ℎ(𝑡 − 𝑡0 )
2 d’entrée 𝛿(𝑡 − 𝑡0 ) sortie

0 𝑡 0 𝑡
 Convolution et Corrélation 2022

En écrivant tout signal d’entrée 𝑥(𝑡) sous forme d’une fonction intégrale de l’impulsion de Dirac,
sachant que
+∞

𝑥(𝑡) = ∫ 𝑥(𝜏). 𝛿(𝑡 − 𝜏)𝑑𝜏

−∞

et dû à la linéarité et à l’invariance du système, on obtient l’expression suivante pour toute sortie 𝑦

(𝑡) 𝑑′ 𝑢𝑛 𝑠𝑦𝑠𝑡è𝑚𝑒 𝑒𝑥𝑐𝑖𝑡é 𝑝𝑎𝑟 𝑢𝑛𝑒 𝑒𝑛𝑡𝑟é𝑒 𝑥(𝑡)

ℎ(𝑡) 𝑟é𝑝𝑜𝑛𝑠𝑒
+∞ +∞

𝑥(𝑡) = ∫ 𝑥(𝜏). 𝛿(𝑡 − 𝜏)𝑑𝜏 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛𝑛𝑒𝑙𝑙𝑒 𝑦(𝑡) = ∫ 𝑥(𝜏). ℎ(𝑡 − 𝜏)𝑑𝜏

−∞ −∞

ℎ((𝑡 − 𝜏) 𝑒𝑠𝑡 𝑙𝑎 𝑟é𝑝𝑜𝑛𝑠𝑒 𝑑𝑢 𝑠𝑦𝑠𝑡è𝑚𝑒 à 𝑙 ′ 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝛿(𝑡 − 𝜏)

La convolution exprime la réponse d’un système linéaire invariant (SLI) à un signal d’entrée
quelconque à partir de la réponse du système au signal type de l’impulsion de Dirac, réponse
impulsionnelle.

La réponse dépend donc uniquement du filtre, caractérisé par sa réponse impulsionnelle h(t), et de
l’histoire du signal d’entrée.

1.3 Propriétés de la Convolution

Le passage d’un signal à travers d’un système linéaire invariant est équivalent à une opération de
convolution entre ce signal et la réponse impulsionnelle du système. Cette convolution possède les
propriétés principales suivantes :

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

 Associativité :
[𝒙𝟏 (𝒕) ∗ 𝒉(𝒕)] ∗ 𝒙𝟐 (𝒕) = 𝒙𝟏 (𝒕) ∗ [𝒉(𝒕) ∗ 𝒙𝟐 (𝒕)]

 Distributivité :

L’opération de convolution est distributive par rapport à l’addition de deux signaux.

𝒙(𝒕) ∗ [ 𝒉(𝒕) + 𝒌(𝒕)] = 𝒙(𝒕) ∗ 𝒉(𝒕) + 𝒙(𝒕) ∗ 𝒌(𝒕)

 Elément neutre de la convolution

3 L’élément neutre de l’opération de convolution est le signal impulsion ou pic de Dirac

𝒙(𝒕) ∗ 𝜹(𝒕) = 𝒙(𝒕) ∗ 𝜹(𝒕) = 𝒙(𝒕)

 Convolution et Corrélation 2022

 Si l’un des signaux est causal (= 𝟎 𝒑𝒐𝒖𝒓 𝒕 < 0) alors l’expression de la convolution est :

+∞

𝒚(𝒕) = ∫ 𝒙(𝝉). 𝒉(𝒕 − 𝝉)𝒅𝝉

𝟎

 La convolution de signaux causaux est aussi causale

𝑠𝑖 𝑥(𝑡) = 0 𝑒𝑡 ℎ(𝑡) = 0 𝑝𝑜𝑢𝑟 𝑡 < 0 𝑎𝑙𝑜𝑟𝑠 𝑙𝑎 𝑐𝑜𝑛𝑣𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑠 ′ é𝑐𝑟𝑖𝑟𝑎:

𝒕 𝒕

𝒚(𝒕) = ∫ 𝒙(𝝉). 𝒉(𝒕 − 𝝉)𝒅𝝉 = ∫ 𝒙(𝒕 − 𝝉). 𝒉(𝝉)𝒅𝝉

𝟎 𝟎

 Changement d’échelle

𝟏
𝒔𝒊 𝒙(𝒕) ∗ 𝒉(𝒕) = 𝒚(𝒕) 𝒂𝒍𝒐𝒓𝒔 𝒙(𝒂𝒕) ∗ 𝒉(𝒂𝒕) = 𝒚(𝒂𝒕)
|𝒂|

 Differentiation de la sortie

𝒔𝒊 𝒚(𝒕) = 𝒙(𝒕) ∗ 𝒉(𝒕)

𝒅𝒚(𝒕) 𝒅𝒙(𝒕)
𝒂𝒍𝒐𝒓𝒔 = ∗ 𝒉(𝒕)
𝒅𝒕 𝒅𝒕
𝒐𝒖 𝒃𝒊𝒆𝒏
𝒅𝒚(𝒕) 𝒅𝒉(𝒕)
= 𝒙(𝒕) ∗
𝒅𝒕 𝒅𝒕

4
 Convolution et Corrélation 2022

1.4 Evaluation graphique de l’intégrale de convolution

Exemple de convolution de 2 signaux portes

Soient 𝑥(𝑡) 𝑒𝑡 ℎ(𝑡) deux fonctions du temps (signaux) représentées chacune par son graphe suivant :

𝑥(𝑡) ℎ(𝑡)

1/2

𝟎 𝟏 𝒕 𝟎 1 𝒕

Pour évaluer l’intégrale de convolution de ces deux signaux on effectue les étapes suivantes en
utilisant une technique graphique (convolution de 2 signaux portes)) :

1. Prendre le symétrique de ℎ(𝜏) par rapport à l’axe des ordonnées → ℎ(−𝜏) : retournement
2. Faire glisser ou déplacer ℎ(−𝜏) par une quantité 𝑡 ce qui donne ℎ(𝑡 − 𝜏) : décalage
3. Multiplier ℎ(𝑡 − 𝜏) 𝑥(𝜏)
4. Intégrer sur le support de ℎ(𝑡 − 𝜏)𝑥(𝜏) : calculer la surface limitée par ce produit pour
différentes valeurs de 𝑡
𝑡 ∈ 𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝑥(𝑡)) ∪ 𝑠𝑢𝑝𝑝𝑜𝑟𝑡(ℎ(𝑡)) 𝑜𝑢
∑ 𝒅𝒆𝒔 𝒃𝒐𝒓𝒏𝒆𝒔 𝒊𝒏𝒇. 𝒅𝒆 𝒙(𝒕)𝒆𝒕 𝒉(𝒕) ≤ 𝒕 ≤ ∑ 𝒅𝒆𝒔 𝒃𝒐𝒓𝒏𝒆𝒔 𝒔𝒖𝒑. 𝒅𝒆 𝒙(𝒕)𝒆𝒕 𝒉(𝒕)

Dans le cas de la convolution de ces deux signaux on a : 0 + 0 ≤ 𝑡 ≤ 1 + 1

𝑑𝑜𝑛𝑐 0 ≤ 𝑡 ≤ 2 → 𝑠𝑢𝑝𝑝𝑜𝑟𝑡 𝑑𝑒 ( 𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) )

5
 Convolution et Corrélation 2022

Schémas graphiques de la convolution

𝑥(𝜏) ℎ(𝜏)
1

1/2

𝟎 𝟏 𝝉 𝟎 1 𝜏
ℎ(𝑡 − 𝜏)
ℎ(−𝜏)

1/2
1/2

−1 0 𝑡 1 𝜏
−1 0 𝜏
1 𝒙(𝝉)

0.5 𝒉(𝒕 − 𝝉)

𝑡=1 𝝉
1 𝒙(𝝉)
𝒙(𝝉)
1
𝒉(𝒕 − 𝝉)0.5
0.5 𝒉(𝒕 − 𝝉)

𝑡 = 0.5 1 𝜏 𝜏
𝑡 = 1.5

1 𝒙(𝝉) 1 𝒙(𝝉)
𝒉(−𝝉) 𝒉(𝒕 − 𝝉)
0.5
𝒕=𝟏
−1 𝑡 = 0 1 𝜏 1 𝑡=2 𝝉

𝟎≤𝒕≤𝟏
𝟏≤𝒕≤𝟐
𝒙(𝝉) 𝒙(𝝉)
1 1
𝒉(𝒕 − 𝝉) 𝒉(𝒕 − 𝝉)
0.5 0.5

𝑡 = −0.5 𝜏 𝒕=𝟎
𝒚(𝒕) = 𝒙(𝒕) ∗ 𝒉(𝒕) 𝑡 = 2.5 𝜏

𝒕=𝟐

𝒕<0 0.5 𝒕>2

0.25
6

−0.5 0 0.5 1 1.5 2 2.5 𝑡

 Convolution et Corrélation 2022

1.5 Théorème de Plancherel

Le théorème de Plancherel exprime une relation très importante entre la transformée de Fourier
et le produit de convolution qui s’énonce sous la forme suivante :

Théorème de Plancherel : la transformée de Fourier d’un produit de convolution est un produit

simple et réciproquement.

𝓣𝓕
𝑪𝒐𝒏𝒗𝒐𝒍𝒖𝒕𝒊𝒐𝒏: 𝒙(𝒕) ∗ 𝒉(𝒕) → 𝑿(𝒇) × 𝑯(𝒇) 𝑴𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏

𝑒𝑡 𝑝𝑎𝑟 𝑟é𝑐𝑖𝑝𝑟𝑜𝑞𝑢𝑒
𝓣𝓕
𝑴𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏: 𝒙(𝒕) × 𝒉(𝒕) → 𝑿(𝒇) ∗ 𝑯(𝒇) 𝑪𝒐𝒏𝒗𝒐𝒍𝒖𝒕𝒊𝒐𝒏

Ce théorème dit qu’une convolution temporelle est équivalente à une multiplication dans le
domaine fréquentiel, et vice versa.

Démonstration :

Soient 2 signaux 𝑥(𝑡) 𝑒𝑡 ℎ(𝑡) 𝑒𝑡 𝑙𝑒𝑢𝑟𝑠 𝑡𝑟𝑎𝑛𝑠𝑓. 𝑑𝑒 𝐹𝑜𝑢𝑟𝑖𝑒𝑟 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑖𝑣𝑒𝑠 𝑋(𝑓)𝑒𝑡 𝐻(𝑓) tels que :
𝒯ℱ 𝒯ℱ
𝑥(𝑡) → 𝑋(𝑓) 𝑒𝑡 ℎ(𝑡) → 𝐻(𝑓)
+∞ +∞
−𝑗2𝜋𝑓𝑡
𝑋(𝑓) = ∫ 𝑥(𝑡) 𝑒 𝑑𝑡 𝑒𝑡 𝐻(𝑓) = ∫ ℎ(𝑡) 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ −∞

+∞

𝑒𝑡 𝑠𝑜𝑖𝑡 𝑦(𝑡) = 𝑥(𝑡) ∗ ℎ(𝑡) = ∫ 𝑥(𝜏). ℎ(𝑡 − 𝜏)𝑑𝜏

−∞

𝑙𝑎 𝑡𝑟𝑎𝑛𝑠𝑓𝑜𝑟𝑚é𝑒 𝑑𝑒 𝐹𝑜𝑢𝑟𝑖𝑒𝑟 𝑌(𝑓) 𝑑𝑢 𝑠𝑖𝑔𝑛𝑎𝑙 𝑑𝑒 𝑐𝑜𝑛𝑣𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑦(𝑡)𝑒𝑠𝑡 𝑑𝑜𝑛𝑐:

+∞ +∞
−𝑗2𝜋𝑓𝑡
𝑌(𝑓) = ∫ 𝑦(𝑡) 𝑒 𝑑𝑡 = ∫ [𝑥(𝑡) ∗ ℎ(𝑡)] 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 =
−∞ −∞

+∞ +∞

𝑌(𝑓) = ∫ [ ∫ 𝑥(𝜏). ℎ(𝑡 − 𝜏)𝑑𝜏] 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 =

−∞ −∞

+∞ +∞
7 = ∫ [ ∫ 𝑥(𝜏). ℎ(𝑡 − 𝜏)𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝜏] 𝑑𝑡
−∞ −∞

𝑒𝑛 é𝑐𝑟𝑖𝑣𝑎𝑛𝑡 𝑒 −𝑗2𝜋𝑓𝑡 = 𝑒 −𝑗2𝜋𝑓𝜏 . 𝑒 −𝑗2𝜋𝑓(𝑡−𝜏) 𝑖𝑙 𝑣𝑖𝑒𝑛𝑡 𝑞𝑢𝑒

 Convolution et Corrélation 2022

+∞ +∞

𝑌(𝑓) = ∫ ∫ [𝑥(𝜏)𝑒 −𝑗2𝜋𝑓𝜏 ] [ℎ(𝑡 − 𝜏)𝑒 −𝑗2𝜋𝑓(𝑡−𝜏) ] 𝑑𝜏 𝑑𝑡

−∞ −∞

+∞ +∞

𝑌(𝑓) = ∫ [ ∫ [𝑥(𝜏)𝑒 −𝑗2𝜋𝑓𝜏 ] [ℎ(𝑡 − 𝜏)𝑒 −𝑗2𝜋𝑓(𝑡−𝜏) ] 𝑑𝜏] 𝑑𝑡

−∞ −∞

𝑒𝑛 𝑝𝑜𝑠𝑎𝑛𝑡 𝜃 = 𝑡 − 𝜏 𝑑𝑜𝑛𝑐 𝑑𝜃 = 𝑑𝑡 , 𝑜𝑛 𝑜𝑏𝑡𝑖𝑒𝑛𝑡 𝑝𝑎𝑟 𝑐𝑒 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 ∶

+∞ +∞

𝑌(𝑓) = ∫ 𝑥(𝜏)𝑒 −𝑗2𝜋𝑓𝜏 [ ∫ ℎ(𝜃)𝑒 −𝑗2𝜋𝑓(𝜃) 𝑑𝜃] 𝑑𝜏 =

−∞ −∞

+∞ +∞

𝑌(𝑓) = [ ∫ 𝑥(𝜏)𝑒 −𝑗2𝜋𝑓𝜏 𝑑𝜏 ] × [ ∫ ℎ(𝜃)𝑒 −𝑗2𝜋𝑓(𝜃) 𝑑𝜃] =

⏟−∞ ⏟−∞
𝑋(𝑓) 𝐻(𝑓)

𝑑′ 𝑜ù 𝑓𝑖𝑛𝑎𝑙𝑒𝑚𝑒𝑛𝑡 ∶ 𝑌(𝑓) = 𝑋(𝑓) × 𝐻(𝑓)

𝑌(𝑓) = 𝒯ℱ{𝑥(𝑡) ∗ ℎ(𝑡)} = 𝑋(𝑓). 𝐻(𝑓)

Ce théorème est particulièrement important dans l’étude des filtres analogiques et le traitement
du signal en général.

1.6 Convolution des signaux périodiques

Lorsque les deux signaux réels 𝑥(𝑡)𝑒𝑡 𝑠(𝑡) à convoluer sont périodiques et possèdent la même
période 𝑇0 on définit alors la convolution de tels signaux de la manière suivante :

𝑻
+ 𝟎⁄𝟐
𝟏
𝒚(𝒕) = 𝒙(𝒕) ∗ 𝒔(𝒕) = ∫ 𝒙(𝝉). 𝒔(𝒕 − 𝝉)𝒅𝝉
𝑻𝟎
𝑻
− 𝟎⁄𝟐

8
 Convolution et Corrélation 2022

9
 Convolution et Corrélation 2022

II. Introduction à la Notion de Corrélation

Toute transmission d’information à travers n’importe canal (en l’occurrence un système) est liée à
une transmission d’énergie. Lorsqu’on fait une mesure sur un phénomène, le processus subit
toujours un prélevement d’énergie de la part du dispositif de mesure. Cette notion dénergie ou
puisance d’un signal est très importante. On peut caractériser un signal selon des critères de
distribution de leur énergie ou puissance dans le domaine temporel ou domaine fréquentiel. Cette
caractérisation des signaux basée sur l’énergie et sur la puissance des signaux et de leurs interactions
nous conduit à la notion de fonction d’Auto-corrélation et fonction d’Inter-corrélation.

Quelques applications directes de la corrélation

- Extraction ou détection d’un signal utile noyé dans un bruit par auto-corrélation. C’est une
méthode complémentaire au filtrage fréquentiel.
- Mesure de distances et/ou de temps par inter-corrélation. Cette méthode est très exploitée
dans le domaine des radars, sonars et autres GPS…
- L'autocorrélation peut donner une information sur des événements répétés tels que les
battements musicaux ou les fréquences de pulsar en astronomie, même si cela ne peut pas
donner la position dans le temps du battement.

2.1 Définitions

a.) Puissance instantanée d’un signal

La puissance à un instant 𝑡 d’un signal 𝑥(𝑡) est défini par :

𝒑(𝒕) = 𝒙(𝒕). 𝒙∗ (𝒕) = |𝒙(𝒕)|𝟐 , 𝑥 ∗ (𝑡) : 𝑐𝑜𝑛𝑗𝑢𝑔𝑢é 𝑑𝑒 𝑥(𝑡).

Puissance moyenne , notée 𝑝(𝑡, 𝑇) , sur une durée 𝑇 d’un signal x(t) est donnée par :
𝒕+𝑻 𝒕+𝑻
𝟏 𝟏
𝒑(𝒕, 𝑻) = ∫ 𝒙(𝝉) 𝒙∗ (𝝉)𝒅𝝉 = ∫ |𝒙(𝝉)|𝟐 𝒅𝝉
𝑻 𝑻
𝒕 𝒕
Energie d’un signal 𝑥(𝑡) sur une durée 𝑇 est :
𝒕𝟎 +𝑻 𝒕𝟎 +𝑻

𝑬𝑻𝒙 = ∫ 𝒙(𝒕) 𝒙 ∗ (𝒕)𝒅𝒕

= ∫ |𝒙(𝒕)|𝟐 𝒅𝒕
𝒕𝟎 𝒕𝟎
On définit les signaux à énergie totale finie 𝐸𝑥 par :
+∞ +∞
∗ (𝒕)𝒅𝒕
𝑬𝒙 = ∫ 𝒙(𝒕) 𝒙 = ∫ |𝒙(𝒕)|𝟐 𝒅𝒕 < ∞ , 𝑬𝒙 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒗𝒂𝒍𝒆𝒖𝒓 𝒇𝒊𝒏𝒊𝒆
−∞ −∞
10 On définit aussi les signaux à puissance totale finie 𝑃𝑥 par :
+𝑻/𝟐 +𝑻/𝟐
𝟏 𝟏
𝑷𝒙 = 𝒍𝒊𝒎 ∫ 𝒙(𝒕) 𝒙∗ (𝒕)𝒅𝒕 = 𝒍𝒊𝒎 ∫ |𝒙(𝒕)|𝟐 𝒅𝒕 < ∞ , 𝑃𝑥 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑣𝑎𝑙𝑒𝑢𝑟 𝑓𝑖𝑛𝑖𝑒
𝑻→∞ 𝑻 𝑻→∞ 𝑻
−𝑻/𝟐 −𝑻/𝟐
 Convolution et Corrélation 2022

On peut aussi définir la puissance instantanée d’interaction de deux signaux

𝒙(𝒕) 𝑒𝑡 𝒚(𝒕) sous la forme suivante :

𝒑𝒙𝒚 (𝒕) = 𝒙(𝒕). 𝒚∗ (𝒕) 𝒆𝒕 𝒑𝒚𝒙 (𝒕) = 𝒚(𝒕). 𝒙∗ (𝒕)

On remarque que si les deux signaux 𝑥(𝑡) 𝑒𝑡 𝑦(𝑡) sont réels alors 𝑝𝑥𝑦 (𝑡) = 𝑝𝑦𝑥 (𝑡) .
L’énérgie d’interaction entre deux signaux x(t) et y(t) sur une durée T est :
𝒕𝟎 +𝑻

𝑬𝑻𝒙𝒚 = ∫ 𝒙(𝒕) 𝒚∗ (𝒕)𝒅𝒕

𝒕𝟎

La puissance moyenne d’interaction entre deux signaux x(t) et y(t) sur une durée T est :
𝒕𝟎 +𝑻 𝒕𝟎 +𝑻
𝟏 𝟏
𝑷𝑻𝒙𝒚 = ∫ 𝒙(𝒕) 𝒚∗ (𝒕)𝒅𝒕 𝒆𝒕 𝑷𝑻𝒚𝒙 = ∫ 𝒚(𝒕) 𝒙∗ (𝒕)𝒅𝒕
𝑻 𝑻
𝒕𝟎 𝒕𝟎
𝑇 𝑇
𝑠𝑖 𝑥(𝑡)𝑒𝑡 𝑦(𝑡)𝑠𝑜𝑛𝑡 𝑟é𝑒𝑙𝑠 𝑎𝑙𝑜𝑟𝑠 𝑃𝑥𝑦 = 𝑃𝑦𝑥

L’énérgie totale finie d’interaction entre deux signaux x(t) et y(t) sur une durée T est :
+∞ +∞

𝑬∞
𝒙𝒚 = ∫ 𝒙(𝒕) 𝒚 ∗ (𝒕)𝒅𝒕
𝒆𝒕 𝑬∞
𝒙𝒚 = ∫ 𝒚(𝒕) 𝒙∗ (𝒕)𝒅𝒕
−∞ −∞

La puissance moyenne d’interaction entre deux signaux x(t) et y(t) sur une durée T est :
+𝑻/𝟐 +𝑻/𝟐
𝟏 𝟏
𝑷𝒙𝒚 = 𝐥𝐢𝐦 ∫ 𝒙(𝒕) 𝒚∗ (𝒕)𝒅𝒕 𝒆𝒕 𝑷𝒚𝒙 = 𝐥𝐢𝐦 ∫ 𝒚(𝒕) 𝒙∗ (𝒕)𝒅𝒕
𝑻→∞ 𝑻 𝑻→∞ 𝑻
−𝑻/𝟐 –𝑻/𝟐

b.) Puissance fréquentielle d’un signal, Densité Spectrale

Soient deux signaux x(t) et y(t) possedant chacun une transformée de Fourier :
𝓣𝓕 𝓣𝓕
𝒙(𝒕) → 𝑿(𝒇) 𝒆𝒕 𝒚(𝒕) → 𝒀(𝒇)

On définit le spectre de puissance ou densité spectrale du signal x(t) par :

𝑺𝒙𝒙 (𝒇) = 𝑿(𝒇). 𝑿∗ (𝒇) = |𝑿(𝒇)|𝟐

L’énergie contenue dans une bande de fréquences de largeur ∆𝑓 autour d’une fréquence
𝐹0 est donnée par l’expression suivante :
∆𝒇
𝑭𝟎 +
𝟐

𝑬𝒙 (∆𝒇, 𝑭𝟎 ) = ∫ 𝑺𝒙𝒙 (𝒇) 𝒅𝒇

11 ∆𝒇
𝑭𝟎 −
𝟐
L’énergie totale contenue dans le spectre 𝑋(𝑓) sous la forme suivante :
 Convolution et Corrélation 2022

+∞ +∞ +∞

𝑬𝒙 = ∫ 𝑺𝒙𝒙 (𝒇) 𝒅𝒇 = ∫ 𝑿(𝒇). 𝑿∗ (𝒇) 𝒅𝒇 = ∫ |𝑿(𝒇)|𝟐 𝒅𝒇

−∞ −∞ −∞
On peut aussi considerer la densité spectrale d’interaction de deux signaux x(t) et y(t) par les
formules suivantes :
𝑺𝒙𝒚 (𝒇) = 𝑿(𝒇). 𝒀∗ (𝒇) 𝒆𝒕 𝑺𝒚𝒙 (𝒇) = 𝒀(𝒇). 𝑿∗ (𝒇)
L’énergie totale d’interaction entre les deux signaux est donc obtenue par :

+∞ +∞

𝑬𝒙𝒚 = ∫ 𝑺𝒙𝒚 (𝒇) 𝒅𝒇 = ∫ 𝑿(𝒇). 𝒀∗ (𝒇) 𝒅𝒇

−∞ −∞
+∞ +∞

𝑒𝑡 𝑬𝒚𝒙 = ∫ 𝑺𝒚𝒙 (𝒇) 𝒅𝒇 = ∫ 𝒀(𝒇). 𝑿∗ (𝒇) 𝒅𝒇

−∞ −∞

2.2 Corrélation et Densité Spectrale

a.) Fonctions de corrélation pour les signuax à énergie finie

La fonction d’auto-corrélation d’un signal x(t) est définie par :
+∞ +∞

𝑹𝒙𝒙 (𝒕) = ∫ 𝒙(𝝉) 𝒙∗ (𝒕 + 𝝉)𝒅𝝉 = ∫ 𝒙∗ (𝝉) 𝒙(𝝉 − 𝒕)𝒅𝝉

−∞ −∞

La fonction d’inter-corrélation entre les deux signaux x(t) et y(t) est donnée par :
+∞ +∞

𝑹𝒙𝒚 (𝒕) = ∫ 𝒙(𝝉) 𝒚∗ (𝒕 + 𝝉)𝒅𝝉 = ∫ 𝒙(𝝉 − 𝒕) 𝒚∗ (𝝉)𝒅𝝉

−∞ −∞

Les fonctions de corrélation traduisent le degré de similitude d’un signal avec lui-même ou entre
deux signaux au niveau de leur forme et leur position relative dans le temps en fonction d’un certain
paramètre de translation. La corrélation implémente un processus de comparaison entre les signaux.

Dans le cas dela fonction d’auto-corrélation, ceci correspond à l’étude de ressemblance d’un
processus avec lui-même au cours d’un certain temps.

Propriétés de la fonction d’autocorrélation

La fonction d’auto-corrélation 𝑅𝑥𝑥 (𝑡) possède deux propriétés très importantes, à savoir :

12 - La fonction d’auto-corrélation des signaux réels est paire :

𝑹𝒙𝒙 (𝒕) = 𝑹𝒙𝒙 (−𝒕)

 Convolution et Corrélation 2022

En effet, si le signal x(t) est réel alors on a :

+∞ +∞
∗ (𝑡
𝑅𝑥𝑥 (𝑡) = ∫ 𝑥(𝜏) 𝑥 + 𝜏)𝑑𝜏 = ∫ 𝑥 ∗ (𝜏) 𝑥(𝜏 − 𝑡)𝑑𝜏
−∞ −∞

+∞ +∞ +∞

𝑅𝑥𝑥 (𝑡) = ∫ 𝑥(𝜏) 𝑥(𝑡 + 𝜏)𝑑𝜏 = ∫ 𝑥(𝜏) 𝑥(𝜏 − 𝑡)𝑑𝜏 = ∫ 𝑥(𝜏) 𝑥(𝜏 + (−𝑡))𝑑𝜏 = 𝑅𝑥𝑥 (−𝑡)
−∞ −∞ −∞

𝑹𝒙𝒙 (𝒕) = 𝑹𝒙𝒙 (−𝒕) 𝒅𝒐𝒏𝒄 𝑹𝒙𝒙 (𝒕) 𝒆𝒔𝒕 𝒑𝒂𝒊𝒓𝒆

- La fonction d’auto-corrélation 𝑅𝑥𝑥 (𝑡) a sa valeur maximale à l’origine, c-à-d, pour 𝑡 = 0 .

Cette valeur de 𝑅𝑥𝑥 (0) est égale à l’énerige totale du signal 𝑥(𝑡) ∶
|𝑹𝒙𝒙 (𝒕)| ≤ 𝑹𝒙𝒙 (𝟎) ∀𝒕 ∈ 𝓡
𝑒𝑡 𝑅𝑥𝑥 (0) = 𝐸𝑥
+∞ +∞
∗ (𝑡
𝑒𝑛 𝑒𝑓𝑓𝑒𝑡 𝑅𝑥𝑥 (0) = ∫ 𝑥(𝜏) 𝑥 + 𝜏)𝑑𝜏 = ∫ 𝑥(𝜏) 𝑥 ∗ (𝜏)𝑑𝜏 = 𝐸𝑥
|
−∞ 𝑡=0 −∞

Cette relation se comprend intuitivement par le fait que la fonction d’auto-corrélation étant une
anlyse de la ressemblance d’un signal avec lui-même, et le résultat de cette comparaison est
maximum lorsque ne subit aucun décalage temporel (𝑡 = 0) , c-à-d lorsqu’il est identique à lui-
même.

b.) Relation avec la densité spectrale d’énergie

Considérons l a transformée de Fourier inverse de la densité spectrale d’un signal x(t) quelconque :

ℱ −1 {𝑆𝑥𝑥 (𝑓)} = ℱ −1 {|𝑋(𝑓)|2 } = ℱ −1 {𝑋(𝑓). 𝑋 ∗ (𝑓)} = ℱ −1 {𝑋(𝑓)} ∗ ℱ −1 {𝑋 ∗ (𝑓)}

+∞

= 𝑥(𝑡) ∗ 𝑥 ∗ (−𝑡) = ∫ 𝑥(𝜏) . 𝑥 ∗ (𝜏 − 𝑡)𝑑𝜏 = 𝑅𝑥𝑥 (𝑡)

−∞

D’où la relation importante suivante :

𝓣𝓕
𝑹𝒙𝒙 (𝒕) → 𝑺𝒙𝒙 (𝒇)
𝓣𝓕
𝑹𝒙𝒚 (𝒕) → 𝑺𝒙𝒚 (𝒇)
𝓣𝓕
𝑹𝒚𝒙 (𝒕) → 𝑺𝒚𝒙 (𝒇)

Ainsi la transformée de Fourier de la fonction d’auto-corrélation d’un signal représente la dnsité

spectrale de l’énergie du signal, en d’autres termes ça correspond à la distribution de l’énergie du
13 signal sur l’axe des fréquences. C’est la distribution énergétique contenue dans le spectre du signal.

Souvent il est facile de calculer indirectement la fonction d’autocorrélation d’un signal ou

d’intercorrélation en passant par sa densité spectrale.
 Convolution et Corrélation 2022

Théorème de Parseval
L’énergie totale d’un signal ne dépend pas du domaine de représentation choisi. Cette quantité est
invariante quel que soit cette repésentation : elle est la même qu’il s’agisse d’une représentation
temporelle ou fréquentielle, on a ainsi :

+∞ +∞

𝑬𝒙 = ∫ |𝒙(𝒕)|𝟐 𝒅𝒕 = ∫ |𝑿(𝒇)|𝟐 𝒅𝒇 ; 𝑐𝑒𝑐𝑖 𝑒𝑠𝑡 𝑙𝑒 𝑡ℎé𝑜𝑟è𝑚𝑒 𝑑𝑒 𝑃𝑎𝑟𝑠𝑒𝑣𝑎𝑙

−∞ −∞

+∞ +∞ +∞
∗ (𝒕)
𝑬𝒙𝒚 = ∫ 𝑺𝒙𝒚 (𝒇) 𝒅𝒇 = ∫ 𝒙(𝒕). 𝒚 𝒅𝒕 = ∫ 𝑿(𝒇). 𝒀∗ (𝒇) 𝒅𝒇
−∞ −∞ −∞
𝑒𝑡
+∞ +∞ +∞
∗ (𝒕)
𝑬𝒚𝒙 = ∫ 𝑺𝒚𝒙 (𝒇) 𝒅𝒇 = ∫ 𝒚(𝒕). 𝒙 𝒅𝒕 = ∫ 𝒀(𝒇). 𝑿∗ (𝒇) 𝒅𝒇
−∞ −∞ −∞

c.) Corrélation des signaux périodiques

Pour un signal périodique réel x(t) de période T0 , on définit la corrélation de la manière
suivante :

+𝑻𝟎 /𝟐
𝟏
𝑹𝒙𝒙 (𝒕) = ∫ 𝒙(𝝉) 𝒙(𝒕 + 𝝉)𝒅𝝉
𝑻𝟎
−𝑻𝟎 /𝟐

Sahant que tous les signaux périodiques peuvent s‘exprimer sous forme d’un
développement ensérie de Fourier :
+∞ +∞
1
𝑥(𝑡) = 𝑎0 + ∑ 𝑎𝑛 𝑐𝑜𝑠(2𝜋 𝐹0 𝑡) + ∑ 𝑏𝑛 𝑠𝑖𝑛(2𝜋 𝐹0 𝑡) , 𝑎𝑣𝑒𝑐 𝐹0 =
𝑇0
𝑛=1 𝑛=1

En appliquant la relation précédente de la corrélation on peut obtenir la fonction d’autocorréaltion

des signaux périodiques suivante :
+∞

𝑹𝒙𝒙 (𝒕) = 𝒂𝟎 + ∑(𝒂𝒏 𝟐 + 𝒃𝒏 𝟐 ) 𝐜𝐨𝐬(𝟐𝝅 𝑭𝟎 𝒕)

𝟐

𝒏=𝟏

On peut effectivement conclure que la fonction d’autocorrélation conserve l’information de

14
périodicité du signal (fréquence) mais elle perd l’information de phase et d’amplitude.
L’autocorrélation possède toutes les fréquences comprises dans le signal initial et uniquement ces
fréquences.
 Convolution et Corrélation 2022

2.3 Principales Relations entre la convolution et les densités spectrales

Pour un système linéaire invariant on a les propriétés suivantes qui montrent les relations entre les
différentes grandeurs intervenant dans ce système, à savoir, les relation de convolution et des
densités spectrales de ces grandeurs.

𝒆𝒏𝒕𝒓é𝒆 𝒙(𝒕) Système

𝒔𝒐𝒓𝒕𝒊𝒆 𝒚(𝒕)

𝑿(𝒇) ℎ(𝑡) → 𝐻(𝑓) 𝒀(𝒇)

𝒚(𝒕) = 𝒉(𝒕) ∗ 𝒙(𝒕)

𝑺𝒚𝒙 (𝒇) = 𝑯(𝒇) 𝑺𝒙𝒙 (𝒇)

𝑺𝒚𝒚 (𝒇) = |𝑯(𝒇)|𝟐 𝑺𝒙𝒙 (𝒇)

 La densité inter-spectrale d’énergie 𝑺𝒚𝒙 (𝒇) entre la sortie 𝑦(𝑡) du sytème et l’entrée
𝑥(𝑡) est égale au produit de la réponse fréquentielle du système 𝑯(𝒇) et la densité spectrale
d’énergie de l’entrée 𝑺𝒙𝒙 (𝒇).
 La densité spectrale d’énergie 𝑆𝑥𝑥 (𝑓) de la sortie 𝑦(𝑡) est égale au produit du carré de la
réponse fréquentielle |𝑯(𝒇)|𝟐 par la densité spectrale 𝑺𝒙𝒙 (𝒇) de l’entrée 𝑥(𝑡).

15