Mathématiques

et
Traitement du Signal
Département Mesures Physiques – Semestre 3

Lionel Haumesser
[email protected]

1
 Organisation du module

Plan :

Ch 1. Représentations temporelles de signaux usuels

Ch 2. Introduction à la représentation spectrale
Ch 3. Introduction aux séries de Fourier réelles
Ch 4. Décomposition en séries de Fourier complexes
Ch 5. La transformée de Fourier
Ch 6. La convolution
Ch 7. Applications fondamentales

2
 Ch 4. Décomposition en séries de Fourier complexes

1) Notion de signal

2) Intérêt de traiter un signal

3) Décomposition en série de Fourier (notation complexe)

Exemple 1: fonction cosinus

Exemple 2 : signal carré

Exemple 3 : peigne de Dirac

3
 1) Notion de Signal

• Moyen qui rend possible la communication entre un système source et un

système de réception.
• Le signal est caractérisé par l’évolution temporelle de la grandeur physique qu’il
représente.
Signal
Source Récepteur

• Deux types de signaux: déterministe et aléatoire.

Déterministe :
- évolution écrite mathématiquement
par une fonction du temps : on peut
prédire la valeur signal à un instant t

Aléatoire:
- son évolution ne peut être prévue
à chaque instant; on le décrit par
ses caractéristiques statistiques.

4
 2) Intérêt de traiter un signal
• Signaux souvent masqués par des perturbations indésirables :
• Bruit de fond
• Parasites
• Interférences…

• Tâches essentielles dévolues au traitement des signaux :

• Extraction des informations utiles incorporées à ces signaux
• Présentation des résultats

• Equivalence des représentations :

Exemple y = A cos (2 p f0 t)

y = g (t) Y = g (F) avec F une constante = f0

Les 2 représentations, fréquentielle ou temporelle, nous donnent autant

d’information l’une que l’autre, seule la présentation diffère. Parfois il est
préférable d’interpréter le signal à l’aide d’une des 2 représentations.
5
 3) Décomposition en série de Fourier
(notation réelle)

Une fonction y (t) périodique et continue par morceaux est toujours décomposable
en une série de fonctions périodiques élémentaires comme suit :

avec

6
 3) Décomposition en série de Fourier
(vers la notation complexe)

On peut aussi représenter y(t) non plus dans le domaine temporel réel mais dans le
plan complexe. Ainsi à partir des formules d’Euler,

et en posant

la série de fonctions périodiques complexes s’écrit :

7
 3) Décomposition en série de Fourier (notation complexe)

Exprimons maintenant et :

Ainsi

On obtient en définitive :

Avec les différentes valeurs des composantes fréquentielles.

est donc le spectre fréquentiel de notre fonction y(t).

8
 1er exemple (1/3)

• y(t)

y(t)

y(t)

Ici il n’existe que deux termes dans le spectre fréquentiel.

9
 1er exemple (2/3)
Pour représenter le spectre fréquentiel, nous devons tracer deux graphes :

C1+

• Les modules du spectre

• Les phases du spectre

10
 1er exemple (3/3)
Une unique représentation combinant modules et phases du spectres peut
être adoptée :

|C|
|C|

1/2
C1+
-j 0
j f
+j 0
j f

11
 2ème exemple (1/5)

On considère le signal périodique ci-dessous, de période T et de rapport

cyclique a = t / T avec t < T :

12
 2ème exemple (2/5)
Calculons les :

avec y(t) = f(t)

On trouve :

Prenons par exemple a = ½ (signal carré) et représentons les

amplitudes et les phases des coefficients de f(t)

13
 2ème exemple (3/5)

• La représentation du module du spectre fréquentielle:

14
 2ème exemple (4/5)

• La représentation de la phase du spectre fréquentielle:

15
 2ème exemple (5/5)

• Les coefficients de Fourier conservent les même modules mais subissent une
variation de leur argument de
• Une translation temporelle modifie le spectre de phase mais pas le spectre de
module. Celui-ci est indépendant du choix de l’origine des temps. En
conséquence, on se contente, le plus souvent de présenter le module du
spectre. 16
 3ème exemple (1/2)
Reprenons l’exemple précédent et faisons tendre t vers 0.

Dans le domaine temporel :

Ce signal est appelé peigne de Dirac, il est noté :

17
 Définition de la fonction Dirac

18
 3ème exemple (2/2)
Calculons la série de Fourier correspondante à ce signal.

On pose E = 1/t (énergie unitaire) :

Lorsque t tend vers 0, sinc tend vers 1, et l’amplitude des Cn+ devient constante et
égale à 1/T pour chaque composante n/T. On obtient le spectre d’amplitude :

La série de Fourier d’un peigne de Dirac

est un peigne de Dirac noté : 19
 Ch 5. La transformée de Fourier

1) De la série à la transformée de Fourier

2) Définitions et commentaires

3) Notation

Exemple 1: fonction porte (ou crêneau)

Exemple 2 : impulsion de Dirac

4) Quelques propriétés de la transformée de Fourier

20
 1) De la série à la transformée de Fourier (1/2)

• C’est une extension, pour les fonctions non-périodiques, du

développement en série de Fourier des fonctions périodiques.
• En d’autres termes, c’est la représentation d’une fonction
temporelle non-périodique dans le domaine fréquentiel.
• On reprend la même formule utilisée pour le développement
en série de Fourier mais avec un changement de variable (
remplacera t dans le terme de Cn)
1
= . = . . .

21
 1) De la série à la transformée de Fourier (2/2)

• On peut faire apparaitre la notion de fréquence =

= . . . .

• F est la différence entre deux valeurs consécutives de f. On peut

donc considérer F comme l’accroissement ∆f de f et posons =

= ∆ . . . .

22
 2) Définitions

• Lorsque → ∞, → 0 et ∆ devient . Toutes les fréquences

deviennent présentes dans le spectre. On a un continuum :
 ∑ devient # .

$ $

= . . . .

• Cette expression constitue l’intégrale de Fourier du signal y(t) qui

peut s’écrire sous la forme:
$
=# ( ). .
Transformée de Fourier
inverse (TF-1)

$
avec =# ( ). .
Transformée de Fourier directe (TF)
23
 2) …et commentaires

• ( ) est la transformée de Fourier du signal ( ) ou ( ).

• Sa connaissance est équivalente à celle de la fonction ( ).
• Elle joue le même rôle que les coefficients de la série de
Fourier.
• Elle est applicable pour les fonctions non-périodiques.
• Il n’y a pas plus d’information dans une représentation que
dans l’autre.

24
 3) Notation

• La transformée de Fourier permet le passage du domaine

temporel au domaine fréquentiel
• Connaissant la fonction fréquentielle (module et phase), la
transformée de Fourier inverse est le chemin inverse

On note :

25
 1er exemple (1/2)

• Soit la fonction porte ci-dessous :

• trouvons sa transformée de Fourier.

26
 1er exemple (2/2)

• On obtient l’expression :

• D’où la représentation suivante :

C

Plus la durée est courte, plus le spectre s’étend en fréquence et inversement.

27
 2ème exemple
• L’impulsion de Dirac d
C’est une impulsion infiniment brève de durée t et d’amplitude 1/t
(donc lorsque t tend vers 0). Sa TF est donc la limite de la solution
précédente avec t 0 et A = 1/t :

Le spectre d’une impulsion de Dirac contient toutes les fréquences,

chacune ayant la même importance. 28
 4) Quelques propriétés de la TF

• Propriétés de translation :
'( ) ↔ )(*)
' −, ↔) * . -.

' . -/ ↔ )(* − *0 )
• Propriétés de dérivation :
'( )
↔ ) * . 1*
• Ces deux propriétés sont utilisées dans la synthèse de signaux.

29
La carte
Variation d’une Amplitude
grandeur physique Information(s) Période
en fonction du temps
Signal Temps de réponse
Fréquence
Parasite(s) harmoniques

Représentations
Bruit(s)
Interférences
Niveau

Série
Temporel Fourier Spectre
t
Transformée f

30
 Ch 6. La convolution

1) Introduction

2) Equation de convolution

3) Propriétés de la convolution

4) Construction graphique du produit de convolution

5) Exemples particuliers

a) convolution d‘une fonction par un Dirac centré

b) convolution d‘une fonction par un Dirac retardé

c) convolution par un peigne de Dirac

6) Transformée de Fourier sur l‘opération de convolution

31
 1) Introduction (1/3)

• Soit le système d’amplification suivant :

• Dans le cas particulier où ( ) est infiniment bref (impulsion

de Dirac), le signal de sortie '( ) est d’autant plus ressemblant
à l’impulsion de Dirac que la bande passante du système est
grande.

32
 1) Introduction (2/3)

t0 t0

33
 1) Introduction (3/3)

• Connaissant ( ) et ℎ( ), peut-on connaitre la forme du signal

de sortie ' ?

– Oui, la solution est donnée par une équation dite de convolution qui
s’écrit:

' = ( ) ∗ ℎ( )

34
 2) Equation de la convolution (1/5)

• Soit une fonction quelconque ( ) représentée comme suit :

35
 2) Equation de la convolution (2/5)

• Cette fonction quelconque ( ) peut être approximée par une

suite d’impulsions de largeur , comme suit :

L’amplitude de chaque
échantillon est celle de
( ) à l’instant 4. ,

e(0), e(t),…, e(kt),…

36
 2) Equation de la convolution (3/5)

• Dans le cas où , est suffisamment petit, la fonction

approximée devient une suite d’impulsions de Dirac
d’amplitude (4,) :
0 = . 5( )
, = . 5( − ,)
2, = . 5( − 2,)
.
.
.
4, = . 5( − 4,)

37
 2) Equation de la convolution (4/5)

• Chaque impulsion de Dirac d’amplitude (4,) donne une

réponse impulsionnelle ℎ( − 4,) multipliée par l’amplitude
du Dirac :
' 0 = 0 × ℎ( )
' , = , × ℎ( − ,)
' 2, = 2, × ℎ( − 2,)
.
.
.
' 4, = 4, × ℎ( − 4,)

38
 2) Equation de la convolution (5/5)

• La réponse globale '( ) qui est la somme de toutes les

réponses sera donnée alors par l’équation suivante:
$

' = 4, × ℎ( − 4,)
8
• Dans le cas où , → 0, la fonction approximée tend vers un
continuum et donc ∑ devient # par rapport à la variable
,, ce qui nous permet d’écrire l’équation suivante:
$
' = , .ℎ −, , = ( ) ∗ ℎ( )

C’est l’équation de convolution

39
 3) Propriétés de la convolution

• Le produit de convolution est :

– Bilinéaire :
∗ : + <. ℎ = ∗: + <. ( ) ∗ ℎ( )

– Associatif :
∗ : ∗ℎ = ∗: ∗ℎ = ∗ℎ ∗ :( )

– Commutatif :
∗: = :( ) ∗ ( )

40
 4) Construction du produit de convolution (1/7)

• Soit deux fonctions simples : (,) et (,)

41
 4) Construction du produit de convolution (2/7)

• Construisons le produit de convolution de ces deux fonctions :

$
' = , . −, ,= ( )∗ ( )

42
 4) Construction du produit de convolution (3/7)

• Construisons le produit de convolution de ces deux fonctions :

$
' = , . −, ,= ( )∗ ( )

• Pour le faire, on commence par prendre une valeur particulière

'( ) de la fonction ' tel que :
$
' => = , . => − , ,

43
 4) Construction du produit de convolution (4/7)

• Pour trouver '( ), on suit les étapes suivantes:

1) Représenter le repliement de (,), c. à d. représenter (−,)

44
 4) Construction du produit de convolution (5/7)

• Pour trouver '( ), on suit les étapes suivantes:

2) Décaler d’un temps la fonction (−,), c. à d. représenter ( − ,)

45
 4) Construction du produit de convolution (6/7)

• Pour trouver '( ), on suit les étapes suivantes:

3) Représenter le produit (,) × ( − ,)
4) Déterminer l’aire du produit précédent
5) Placer en la valeur de l’aire obtenue

46
4) Construction du produit de convolution (7/7)

Refaire toutes ces étapes pour t1 variant de -∞ à +∞ pour obtenir

toutes les valeurs de s(t)

t1

Conclusion : construction longue et fastidieuse du produit de convolution

même dans le cas de signaux simples 47
4) Construction du produit de convolution :
résumé (autres signaux)

48
 5) Exemples particuliers
a) convolution d‘une fonction par un Dirac centré (1/5)

• Trouvons le produit de convolution des deux fonctions

suivantes :

49
 5) Exemples particuliers
a) convolution d‘une fonction par un Dirac centré (2/5)

• ' = ( ) ∗ 5( )
• On suit la même méthode que précédemment
1) On représente le repliement de 5(,), c. à d. représenter 5(−,)

50
 5) Exemples particuliers
a) convolution d‘une fonction par un Dirac centré (3/5)

• ' = ( ) ∗ 5( )
• On suit la même méthode que précédemment
2) Décaler d’un temps la fonction 5(,), c. à d. représenter 5( − ,)

51
 5) Exemples particuliers
a) convolution d‘une fonction par un Dirac centré (4/5)

• ' = ( ) ∗ 5( )
• On suit la même méthode que précédemment
3) Représenter le produit (,) × 5( − ,)
4) Déterminer l’aire du produit précédent
5) Placer en la valeur de l’aire obtenue

52
 5) Exemples particuliers
a) convolution d‘une fonction par un Dirac centré (5/5)

• ' = ( ) ∗ 5( )
• On suit la même méthode que précédemment
6) Refaire toutes ces opérations pour variant de −∞ à +∞ pour obtenir
toutes les valeurs de '( )

 Convoluer une fonction (,) par un Dirac d’origine 0

revient à reproduire la fonction elle-même
53
 5) Exemples particuliers
b) convolution d‘une fonction par un Dirac retardé (1/5)

• Trouvons le produit de convolution des deux fonctions

suivantes :

54
 5) Exemples particuliers
b) convolution d‘une fonction par un Dirac retardé (2/5)

• ' = ( ) ∗ 5( − 0 )
• On suit la même méthode que précédemment
1) On représente le repliement de 5(, − 0 ), c. à d. représenter 5(−, + 0)

55
 5) Exemples particuliers
b) convolution d‘une fonction par un Dirac retardé (3/5)

• ' = ( ) ∗ 5( − 0 )
• On suit la même méthode que précédemment
2) Décaler d’un temps la fonction 5(−, + 0 ), c. à d. représenter 5( −
, + 0)

t0 t1

56
 5) Exemples particuliers
b) convolution d‘une fonction par un Dirac retardé (4/5)

• ' = ( ) ∗ 5( − 0 )
• On suit la même méthode que précédemment
3) Représenter le produit (,) × 5( − , + 0)
4) Déterminer l’aire du produit précédent
5) Placer en la valeur de l’aire obtenue

t1
57
 5) Exemples particuliers
b) convolution d‘une fonction par un Dirac retardé (5/5)

• ' = ( ) ∗ 5( − 0 )
• On suit la même méthode que précédemment
6) Refaire toutes ces opérations pour variant de −∞ à +∞ pour obtenir
toutes les valeurs de '( )

t0
 Convoluer une fonction (,) par un Dirac d’origine 0
revient à reproduire la fonction décalée de 0
58
 5) Exemples particuliers
c) convolution par un peigne de Dirac (1/2)

• Trouvez le produit de convolution de ces deux fonctions

59
 5) Exemples particuliers
c) convolution par un peigne de Dirac (2/2)

• Solution

 Convoluer une fonction (,) par un peigne de Dirac revient à

reproduire le motif au niveau de chaque dent du peigne

60
 6) TF sur l’opération de convolution (1/4)
• D’après ce qu’on vient de voir, le produit de convolution est donné
par la relation suivante :
$
' = , .ℎ −, ,

• La TF de '( ) sera alors :

$ $
) * = ' . - =? , .ℎ −, ,. -

Ou encore

$ $
-
) * = , . , . ℎ −, .

61
6) TF sur l’opération de convolution (2/4)

Attention!

$ $
) * = , . , . ℎ −, . -

62
 6) TF sur l’opération de convolution (3/4)

• On peut alors écrire :

$
) * = @(*) , . -. ,

Ou encore
) * = @ * . A(*)

63
 6) TF sur l’opération de convolution (4/4)

• Conclusion : la TF d’un produit de convolution est

égale au produit simple des TFs des signaux

64
 Application de cette propriété

• On a vu que le signal de sortie d’un système soumis à une

impulsion de Dirac est la réponse impulsionnelle du système
' =5 ∗ℎ = ℎ( )
) * = 1 × @ * = @(*)
• Physiquement, une attaque par un Dirac veut dire que l’on
soumet le système a des sinusoïdes de fréquences allant de 0 à
∞ et de mêmes amplitudes.
• La réponse fréquentielle correspond donc à la fonction de
transfert de notre système  La fonction de transfert d’un
circuit est la TF de sa réponse impulsionnelle.

65
La carte
Variation d’une Amplitude
grandeur physique Information(s) Période
en fonction du temps
Signal Temps de réponse
Fréquence
Parasite(s) harmoniques

Représentations
Bruit(s)
Interférences
Niveau

Série
Temporel Fourier Spectre
t Transformée f

Fonction de
Réponse transfert
impulsionnelle

66
 Ch 7. Applications fondamentales

1) Fenêtrage : Principe
Des conséquences sur le spectre

2) Filtrage : Principe
Des conséquences sur le signal temporel
Caractéristiques d‘un filtre réel
Exemple de filtre réel
Rappel sur le décibel (dB)

3) Modulation (en amplitude)

67
 1) Fenêtrage : principe

Exemple 1 Exemple 2

Temps Temps

Temps Temps

Temps Temps

Fenêtrage = multiplication dans le domaine temporel 68

 1) Fenêtrage : des conséquences sur le spectre

FFT-1

FFT
Temps 0 Fréquence

FFT-1
0 Fréquence

FFT

Temps 0 Fréquence

? Décrire l'opération de fenêtrage dans le domaine spectral

69
 2) Filtrage: principe

Exemple 1 Exemple 2

0 Fréquence 0 Fréquence

0 Fréquence 0 Fréquence

0 Fréquence 0 Fréquence

Filtrage = multiplication dans le domaine fréquentiel

? Citer les différents types de filtres 70
 2) Filtrage: des conséquences sur le signal temporel

0 Fréquence Temps

0 Fréquence Temps

0 Fréquence Temps

? Décrire l'opération de filtrage dans le domaine temporel. 71

 2) Filtrage : caractéristiques d‘un filtre réel

Caractériser un filtre demande l’évaluation de plusieurs indicateurs dont 3 principaux :

- Type de filtre
passe-haut, passe-bas passe-bande, réjecteur de bande (= coupe bande)

- Fréquence(s) de coupure(s) ou fréquence centrale

• Fréquence fm du gain maximum normalisé à 0dB
(gain choisi comme référence des amplitudes/puissances )
• Fréquence(s) de coupure(s) basse (fcb) et haute (fch) à -n dB (-3dB, -6dB, -20dB…)
• Fréquence centrale à -n dB
fc = (fch-fcb)/2
•Bande passante à -n dB
BP (-n dB) = fch- fcb

Remarque : indicateurs supplémentaires usuels

•Bande passante relative à -n dB
BP% = 100 (fch- fcb)/fm
•Facteur de qualité à - n dB
Q (-3dB) = fm/(fch – fcb)

- Ordre du filtre
• Chute/gain en dB par octave (± 6k dB) ou décade (± 20k dB) de fréquence
avec k est l’ordre du filtre (1, 2, 3…)
72
 2) Filtrage: Exemple de filtre réel
Caractériser un filtre réel,
c‘est évaluer son type, son ordre et sa (ses) fréquence(s) de coupure(s)

Exemple pour n = -3dB et k = 4

• Passe bande
• fm = 7kHz
• fcb = 60Hz et fch = 120kHz
• fc = 9970Hz
• BP (-3dB) = 19940Hz
• BP% = 285%
• Q (-3dB) = 0,35
• Ordre 4 (±80dB/decade)
1

73
2) Filtrage : rappel sur le décibel (dB)

74
 2) Filtrage : rappel sur le décibel (dB)

• Exemple

75
 3) Modulation (en amplitude)
Modulation = décalage du contenu spectral des signaux d‘entrée

Domaine temporel
1 1
B B CD'E2F( + 2) G + B1 B2 CD'E2F( − 2) G
A1cos(2pf1 t) 2 1 2 1
2 1

A2cos(2pf2 t)
x
Domaine fréquentiel
A1

0 f1
+x
A2

0 f2-f1 f2+f1
Remarque : modulation sans porteuse
0 f2 76
La carte
Variation d’une Amplitude
grandeur physique Information(s) Période
en fonction du temps
Signal Temps de réponse
Fréquence
Parasite(s) harmoniques

Représentations
Bruit(s)
Interférences
Niveau

Série
Temporel Fourier Spectre
t
Transformation f

Fonction de
Réponse transfert
impulsionnelle
Fenêtre Filtre

Types(s)
Types(s)
Caractéristiques
Caractéristiques
Mise en œuvre
Mise en œuvre
77