Cours, QCM et exercices de traitement numérique du

signal
Gabriel Dauphin

To cite this version:

Gabriel Dauphin. Cours, QCM et exercices de traitement numérique du signal. École d’ingénieur.
Traitement numérique du signal, Université Paris 13 Villetaneuse, France. 2024, pp.167. �hal-
04462997�

HAL Id: hal-04462997

[Link]
Submitted on 16 Feb 2024

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.

Distributed under a Creative Commons Attribution - ShareAlike 4.0 International License

Traitement du signal

Gabriel Dauphin

February 6, 2024
Contents

1 Description d’un signal : Cours A 2

1.1 Classification discret/continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Signaux périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Signaux temps continus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Signaux temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Présentation simplifiée de la quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Présentation plus détaillée de la quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Quelques transformations simples de signaux et leur visualisation . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6 Quelques signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Échantillonnage d’un signal : Cours B 11

2.1 Échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Critère de Shannon-Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Chaîne de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Puissance et énergie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3 Transformées de Fourier des signaux temps continu : Cours C 15

3.1 Signaux périodiques/signaux à durée limitée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2 Série de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.3 Propriétés de la série de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4 Transformée de Fourier à temps continu (TFTC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5 Propriétés de la transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5.1 Propriétés similaires à celles des séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.5.2 Propriétés supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.5.3 Exemples de transformées de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4 Transformées de Fourier des signaux temps discret : Cours D 22

4.1 Transformée de Fourier à temps discret (TFTD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.2 Propriétés de la transformée de Fourier à temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3 Transformée de Fourier discrète (TFD) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.4 Propriétés de la transformée de Fourier discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.5 Exemples de transformées de Fourier discrète de signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.6 Notation matricielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.7 Bourrage de zéros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

5 Repliement de spectre, filtres : Cours E 30

5.1 Filtre analogique et réponse fréquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.2 Filtre numérique et réponse fréquentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5.3 Repliement de spectre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5.4 Critère de Shannon-Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.5 Interpolation et reconstruction d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.6 Sous-échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.7 Sur-échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

1
6 Filtres et descripteurs de signaux : Cours EBis 38
6.1 Filtres analgoqiques et produit de convolution en temps continu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
6.2 Filtres numériques et produit de convolution en temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.3 Intercorrélation, autocorrélation et densité spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.3.1 Signaux temps continu non-périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6.3.2 Signaux temps discret non-périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.3.3 Signaux temps discret périodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

7 Fonctions de transfert : Cours 1F 44

7.1 Définition de la transformée de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
7.2 Propriétés de la transformée de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
7.3 Filtre analogique, causalité et fonction de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7.4 Critère de stabilité des filtres analogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.5 Filtres analogiques à phase linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
7.6 Filtres analogiques à phase minimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

8 Descripteurs de signaux et de filtres : cours 2F 53

8.1 Transformée en Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
8.2 Propriétés de la transformée en Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
8.3 Filtre numérique, causalité et fonction de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
8.4 Critère de stabilité des filtres numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8.5 Filtres numériques à phase linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
8.6 Filtres numériques à phase minimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

9 Synthèse de filtres numériques à réponse impulsionnelle finie : Cours G 61

9.1 Filtres idéaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
9.2 Synthèse d’un filtre numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.3 Utilisation des fenêtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
9.4 Méthode de l’invariant impulsionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9.5 Application aux signaux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
9.5.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
9.5.2 Application au débruitage d’un signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

10 Synthèse de filtres à réponses impulsionnelles infinies : Cours H 71

10.1 Définition d’un filtre de Butterworth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.2 Synthèse d’un filtre analogique par un filtre de Butterworth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
10.3 Transformée Bilinéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.4 Synthèse d’un filtre numérique par un filtre de Butterworth . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.5 Synthèse avec d’autres filtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

11 Cours A : description d’un signal 77

11.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
11.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

12 Cours B : Echantillonnage d’un signal 82

12.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
12.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

13 Cours C : Série de Fourier, transformée de Fourier 86

13.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
13.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

14 Cours D : TFD, TFTD 96

14.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
14.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99

15 Cours E : Repliement de spectre 102

15.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

16 Cours EBis : Filtre et descripteur de signaux

Densité spectrale et autocorrélation 106
16.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
16.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

2
17 Cours 1F : Filtres analogiques 116
17.1 Exercices d’applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
17.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

18 Cours 2F : Filtres numériques, MA, AR, ARMA, Transformée en Z 122

18.1 Exercices d’application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
18.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128

19 Cours G : Synthèse de filtre MA, gabarit, fenêtre, invariant impulsionnel 131

19.1 Exercices d’applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
19.2 Exercice pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

20 Cours H : Synthèse de filtre AR, gabarit, transformées bilinéaires 138

20.1 Exercices d’applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
20.2 Exercices pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

21 Devoir à rendre 145

21.0.1 Description du travail à rendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
21.0.2 Exemple de sujets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

A Rappel sur les complexes 149

A.1 Écriture d’un complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.2 Représentation angulaire de complexes de module 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.3 Module et argument d’un complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.3.1 Argument d’un complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
A.3.2 Module d’un complexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

B Justification des égalités de Parseval 151

B.1 Cas d’un signal temps continu non-périodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
B.2 Cas d’un signal temps continu et périodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
B.3 Cas d’un signal temps discret non-périodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
B.4 Cas d’un signal temps discret périodique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153

C Exemple de calculs 155

C.1 Calcul de la transformée de Laplace inverse d’une fonction de transfert dont le dénominateur contient une racine
double . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
C.2 Exemple de calcul de la transformée en Z inverse d’une fonction de transfert dont le dénominateur contient une
racine double . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155

D Trouver les paramètres d’un signal sinusoïdal ajouté à une composante continue 156

E Exemple de correction d’exercices 158

E.1 Énoncé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
E.2 Correction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
E.2.1 Question 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
E.2.2 Question 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
E.2.3 Question 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

F Calcul avec les intégrales et les fonctions caractéristiques 161

G Différentes techniques pour représenter le module d’une réponse fréquentielle 162

G.1 |H(f
b )| = |1 + ejαf | . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
G.2 |H(f
b )| = |1 + ejαf | . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162

H Bibliographie 163

3
Chapter 1

Description d’un signal : Cours A

1.1 Classification discret/continu

En traitement de signal, on cherche à modéliser l’évolution de valeurs au cours du temps. Cette évolution est identifiée par un
signal. On appelle un instant une date particulière de l’histoire. Cette date est identifiée par une valeur de t, positive si la date
se trouve après le début de l’expérimentation et négative sinon. La lettre t indique généralement le temps écoulé en secondes.
On entend par signal une succession de valeurs correspondant à des instants différents.
Si le signal prend une valeur à tous les instants, il s’agit d’un signal à temps continu qui peut être décrit par une fonction
définie sur R.
Si le signal prend des valeurs finies à des instants régulièrement réparties, il s’agit d’un signal à temps discret qui peut être
décrit par une suite notée indifféremment sn ou s[n]. La lettre n indique une numérotation de ces instants, le temps associé à
chacun des ces instants est défini par

tn = nTe (1.1)

où Te est appelée la période d’échantillonnage.

Si le signal correspond à une grandeur qui ne peut prendre qu’un nombre fini de valeurs, on appelle alphabet l’ensemble de
ces valeurs. Un tel signal est à amplitude discrète et il peut être décrit par une suite ou une fonction.
Si le signal peut au contraire prendre n’importe quelle valeur il est dit à amplitude continue.
Ces deux critères temps continu/ temps discret et amplitude continu/ amplitude discrète définissent une classification des
signaux en quatre catégories. Le fait de modéliser un phénomène par un signal dans une certaine catégorie est d’abord un choix
qui conditionne le fait de pouvoir utiliser tel ou tel outil, choix qui s’avérera ensuite plus ou moins pertinent. On pourrait aussi
choisir de modéliser au moyen d’une de ces catégories des signaux qui n’appartiennent à aucune de ces catégories, il convient
alors de vérifier si les outils de traitement de signal qu’on souhaiterait utiliser s’étendent à de tels signaux.
Remarquons qu’un signal temps continu s(t) peut être vu comme une fonction de R dans R, où l’abscisse représente le temps.
A ce titre on pourrait noter ce signal s. De même un signal temps discret sn peut être vu comme une suite, où l’indice représente
une numérotation des instants. A ce titre, on pourrait noter ce signal (sn ). Le choix qui est fait dans ce cours et qui semble
être utilisé dans une part importante de la littérature scientifique en traitement du signal est justement de noter ces signaux s(t)
et sn ou s[n], parce que ce choix permet de bien indiquer la notion de continu/discret. Avec cette notation il devient essentiel
que la variable muette (t pour le signal temps continu, ou n pour le signal temps discret) soit présente des deux côtés du signe
égalité. Par exemple s(t) = t21+1 a un sens alors que s(t) = 2k n’a pas de sens. De même sn = 2n + 1 a un sens alors que sn = k
n’a pas de sens.
On représente un signal sur un intervalle de temps [a, b] qui est parfois indiquée. Une telle représentation indique ce que le
signal vaut en dehors de cet intervalle de temps. Ainsi la figure 1.1 montre trois représentations de x(t) = e−t 1ℜ+ (t) sur les
intervalles [−1, 1], [0, 2] et [2, 3].

Exemple 1 La figure 1.2 montre le signal xn = e−n 1N [n] avec Te = 0.1s entre les instants contenus dans [−0.3, 0.8].
Matlab:
Te=0.1;
n1=ceil(-0.3/Te-1e-15);
n2=floor(0.8/Te);
n=n1:n2;
xn=exp(-n).*(-1).^n.*(n>=0);
figure(1); plot(n*Te,xn,'.'); axis([-0.3-1e-8 0.8 -1.1 1.1]);

Exemple 2 La figure 1.3 montre dans l’intervalle [−0.3, 0.8], le signal x(t) = e−10t cos(10t)1ℜ+ (t).
Matlab:
4
 Figure 1.1: Représentation graphique d’un même signal sur différents intervalles.

Figure 1.2: Représentation d’un signal temps discret.

Te=1e-3; a=-0.3; b=0.8;

t=a:Te:b;
xt=exp(-10*t).*cos(10*pi*t).*(t>=0);
figure(1); plot(t,xt); axis([-0.3-1e-8 0.8 -1.1 1.1]);
Cet exemple montre que généralement pour représenter un signal temps continu on relie les points obtenus avec une représentation
temps continu à une fréquence d’échantillonnage beaucoup plus élevée.

1.2 Signaux périodiques

1.2.1 Signaux temps continus
Un signal temps continu périodique de période T vérifie :

∀t s(t + T ) = s(t) (1.2)

On dit aussi qu’un tel signal est T-périodique.

Figure 1.3: Représentation d’un signal temps continu.

5
 À partir du graphique d’un signal périodique, on peut visuellement lire la période. Il s’agit de trouver la distance minimale
pour laquelle lorsqu’on déplace la courbe vers la droite, elle se superpose avec elle-même. À partir de l’échelle des abscisses, on
peut convertir cette distance en un temps donné et ce temps est ce qu’on appelle la période. Pour avoir une lecture plus précise,
il est souhaitable d’utiliser une règle et d’utiliser le principe de proportionnalité entre la distance et le temps mesuré.
À partir de l’équation x(t) d’un signal sinusoïdal temps continu, on peut aussi retrouver la période. Il suffit d’identifier x(t)
avec x(t) = A sin(2πf0 t + φ) et de lire la valeur f0 . La période du signal est alors donné par
1
T = (1.3)
f0

1.2.2 Signaux temps discret

Un signal temps discret périodique de période N vérifie :

∀n sn+N = sn (1.4)

On dit aussi qu’un tel signal est N-périodique. Dans le cadre de ce cours, on ne considère que des signaux dont la période T est
un multiple de la période d’échantillonnage Te .
À partir de l’équation xn d’un signal sinusoïdal temps discret, on peut aussi retrouver la période. Il suffit d’identifier xn avec
xn = A sin(2πf0 nTe + φ) et de lire la valeur f0 . La période du signal est alors donné par
1
N Te = T = (1.5)
f0

À partir de l’équation (1.5), on observe que f0 ne peut pas tout à fait prendre n’importe quelles valeurs, il faut en fait que fe
f0
soit un entier (en effet fe
f0 = N ).

1.3 Quantification
La quantification consiste à approcher un signal à amplitude continue par un signal à amplitude discrète. On appelle alphabet
ou ensemble de niveaux l’ensemble des valeurs discrètes possibles. On appelle classe associée à une de ces valeurs discrètes,
toutes les valeurs du signal qui quantifiées donnerait cette valeur discrète particulière. Et il y a autant de classes qu’il y a de
niveaux. Ainsi une classe est en général un intervalle. Les intervalles n’ont aucune valeur en commun et recouvrent l’ensemble
des valeurs possibles du signal à quantifier.
Une quantification est dite linéaire si les différentes classes sont de la même taille, dans le cas contraire il s’agit d’une
quantification non-linéaire. Mais la quantification n’est jamais une transformation linéaire.
Du fait qu’un signal quantifié sur N niveaux peut être stocké sur un registre à mémoire contenant n cases pouvant prendre
la valeur 0 ou 1, lorsquie N = 2n , il est d’usage d’appeler cela une quantification sur n bits.

N = 2n

1.3.1 Présentation simplifiée de la quantification

Dans cette présentation, le signal est supposée temps continu, (mais une présentation très similaire pourrait être faite avec
un signal temps discret). Le signal est supposé avoir des valeurs contenues dans un intervalle [a, b].

s(t) ∈ [a, b]

On note N le nombre de classes et Q le pas de quantification.

b−a
Q=
N
Le signal quantifié est
 
s(t)
sq (t) = Q
Q

où ⌊x⌋ est une approximation entière de x, plus précisément il s’agit de la partie entière, c’est-à-dire le plus grand entier inférieur
ou égal à x 1 .
1 ⌊3.7⌋ = ⌊3.2⌋ = 3 et ⌊−3.7⌋ = ⌊−3.2⌋ = −4.

6
1.3.2 Présentation plus détaillée de la quantification
La quantification linéaire se simule en quatre étapes.
• On restreint les valeurs du signal à un interval donné, cela peut se faire en écrétant le signal, c’est-à-dire que les valeurs
qui sortent de l’intervalle sont remplacées par des valeurs extrêmes de l’intervalle. La transformation est définie par
 a si x < a


x 7→ x si x ∈ [a, b]
b si x > b


Cette transformation peut aussi s’écrire de la façon suivante :

x 7→ max (a, min(x, b))

• On découpe l’intervalle en N intervalles juxtaposés appelés classes. Les différents intervalles sont données par :
     
b−a b−a b−a b−a
a, a + , a+ ,a + 2 , . . . , a + (N − 1) ,b (1.6)
N N N N

• On remplace chaque valeur du signal par le numéro de la classe auquel la valeur appartient. Dans (1.6), les différents
intervalles correspondent aux numéros 0, 1, 2, . . . , N − 1. La transformation considérée est donc
0 si x ∈ a, a + b−a
  
 N
 1 si x ∈ a + b−a N ,a + 2 N
b−a

 
x 7→ ..


 .
N − 1 si x ∈ a + (N − 1) b−a
 
N ,b


• On attribue à chaque code du signal quantifié une valeur représentative de la classe désignée par le code, cette valeur
représentative est souvent le milieu de l’intervalle. Dans (1.6), les valeurs assignées à différents intervalles sont :
b−a b−a b−a
a+ , a+3 , . . . a + (2N − 1)
2N 2N 2N
La transformation considérée est donc

 a + 2N si x ∈ a, a + b−a
b−a
  
 N
 a + 3 b−a si x ∈ a + b−aN ,a + 2 N
b−a
 
2N
x 7→ ..


 .
a + (2N − 1) b−a si x ∈ a + (N − 1) b−a
 
N ,b

2N

Dans une chaîne de mesure, la quantification est souvent réalisée par un convertisseur analogique/numérique.
Le signal ainsi transformé est de nouveau à valeurs continues mais il est différent du signal de départ. L’étude de l’impact
d’une quantification sur un signal repose sur la comparaison entre le signal de départ et le signal quantifié.
err(t) = |s(t) − sq (t)|
où s(t) est le signal non-quantifié et sq (t) est le signal quantifié. La moyenne de l’erreur quadratique pour une expérimentation
qui dure entre t = 0 et t = T est :
1 T
Z
2
EQM = (s(t) − sq (t)) dt
T 0
Pour simuler une quantification linéaire, une méthode consiste à utiliser la fonction partie entière (cette fonction est notée
⌊x⌋ et à tout réel elle associe le plus grand entier inférieur à ce réel x).
⌊x⌋ ≤ x < ⌊x⌋ + 1
Cette fonction partie entière réalise de fait une quantification linéaire sur un intervalle quelconque mais avec des classes de
taille 1. Il suffit donc de transformer linéairement l’intervalle [a, b[ sur lequel on veut quantifier le signal en l’intervalle [0, N [ si
N est le nombre de classes souhaités. Le code de la valeur à quantifier est :
max (a, min (b, x)) − a
 
n = N
b−a
La valeur décodée est :
n + 12
xq = (b − a) + a
N
On peut noter qu’un signal périodique quantifié est encore périodique.
7
1.4 Quelques transformations simples de signaux et leur visualisation
La figure 1.4 montre un exemple de visualisations de signaux. En abscisse figure l’échelle de temps, dont il est parfois
essentiel de préciser l’unité par exemple pour distinguer entre seconde et millisecondes. Il n’y a en général pas d’unité sur l’axe
des ordonnées.
Sur la figure 1.4, le deuxième graphique représente s1 (t) qui est un signal retardé par rapport à s(t) : s1 (t) = s(t − t0 ) avec
t0 approximativement égal à 0.05s. s(t) est un signal en avance par rapport à s1 (t) : s(t) = s1 (t + t0 ). La transformation de s(t)
en s1 (t) est un décalage de l’échelle de temps.
Sur la figure 1.4, le troisième graphique représente s2 (t) qui est un signal dilaté par rapport à s(t) : s2 (t) = s( at ) avec a
approximativement égal à 1.1. a est sans unité puisqu’il est un rapport entre deux variable avec la même unité (en l’occurence
les deux variables sont les arguments de s et s2 et sont en secondes). On appelle argument pour une fonction ou un signal,
l’expression qui se trouve entre les parenthèses et qui suivent la lettre qui désigne le signal. s(t) est un signal contracté par
rapport à s2 (t) : s(t) = s2 (at). La transformation de s(t) en s2 (t) est une dilatation de l’échelle de temps et la transformation de
s2 (t) en s(t) est une contraction de l’échelle de temps. Dans cette figure ce qui permet de distinguer une dilatation de l’échelle
des temps d’un décalage de l’échelle des temps est que dans le deuxième graphique s1 (t) est par rapport à s(t) partout décalé
un peu vers la droite, tandis que dans le troisième graphique s2 (t) est à peu près inchangé par rapport à s(t) pour t proche de
zéro et est décalé vers la droite sur la droite de la courbe.
Sur la figure 1.4, le quatrième graphique représente s3 (t) qui apparaît surélevé par rapport à s(t), on lui a rajouté une
composante continue : s3 (t) = s(t) + C avec C approximativement égal à 0.5. C aurait la même unité que s(t), mais comme
ici s(t) est sans unité, C n’a pas non plus d’unité. s(t) est un signal provenant de s3 (t) auquel on a retranché une composante
continue égale à C : s(t) = s3 (t) − C.
Sur la figure 1.4, le cinquième graphique représente s4 (t) qui est amplifié par rapport à s(t) : s4 (t) = as(t) avec a approx-
imativement égal à 1.2. a est sans unité en tant que quotient de deux variables ayant la même unité (en l’occurence c’est le
quotient de s4 (t) et de s(t), ici ils n’ont pas d’unité mais cela ne change pas le raisonnement. s(t) est atténué par rapport à
s4 (t) : s(t) = a1 s4 (t). Dans cette figure ce qui permet ici de distinguer l’amplification du fait d’ajouter une composante continue
est que dans le cinquième graphique on voit que pour toutes les valeurs de t où le signal s(t) est sur l’axe horizontal, le signal
s4 (t) est aussi sur l’axe horizontal (s(t) = 0 ⇒ s4 (t) = 0). En revanche dans le quatrième graphique s3 (t) est partout un peu
plus élevé que s(t).

1.5 Dirac
Nous utilisons ici la notion de Dirac à la fois pour les signaux à temps continu et pour les signaux à temps discret.
Pour les signaux à temps continu, nous utilisons la distribution de Dirac, qui par un abus de notation et de langage est aussi
appelée fonction de Dirac et vérifie

Z +∞ Z +∞
δ(t − t0 )g(t) dt = g(t0 ) et δ(t0 − t)g(t) dt = g(t0 ) (1.7)
−∞ −∞

Tout se passe comme si δ(t) est nul partout sauf en t = 0 et que δ(t − t0 ) est nul partout sauf en t = t0 en effet (1.7) montre
que les valeurs prises par g(t) en dehors de t = t0 n’ont aucun impact sur le résultat du calcul de l’intégrale en l’occurence g(t0 ).
Cette notation permet par exemple page 20 avec (3.14) de noter dans une même expression la valeur complexe de la transformée
de Fourier d’une sinusoïde et sa fréquence.
Pour les signaux à temps discret, nous utilisons le symbole de Kronecker δn qui est définie par
1 si n=0

δn =
0 sinon
Par un abus de langage, cette notation est appelée aussi un Dirac. Le point commun est qu’il s’agit d’un signal à temps
discret qui est nul partout sauf en n = 0. On utilise aussi δn−n0 qui un peu comme δ(t − t0 ) est nul partout sauf en n = n0 .
Ces notations permettent aussi de simplifier l’écriture de signaux à temps discret. Pour définir une suite xn on peut utiliser
x0 = 1 x1 = 2 x2 = −1 ∀n ̸∈ {0, 1, 2} xn = 0
ou alors
xn = δn + 2δn−1 − δn−2

1.6 Quelques signaux

Le terme de fonction porte est utilisée pour des signaux temps continu un petit peu différents les uns des autres. On utilise
ce terme par exemple pour
x(t) = 1[−T /2,T /2] (t)
8
9
Figure 1.5: Représentation graphique à gauche d’une fonction porte centrée et de longueur 2.3s et à droite d’un sinus cardinal.

Cette fonction est représentée sur la gauche de la figure 1.5 pour T = 2.3s. Le nom de fonction porte provient de la ressemblance
entre la courbe représentative de x(t) et une porte. Tel que le signal x(t) est défini, il s’agit d’une fonction paire x(−t) = x(t),
mais on parle aussi de fonction porte pour x(t) = 1[0,T ] (t), ainsi défini il s’agit d’un signal dit causal c’est-à-dire pour lequel
R +∞
x(t) = 0 quand t < 0. Dans ces deux cas son intégrale vaut T : −∞ x(t) dt = T On parle aussi de fonction porte pour
x(t) = 1[−1/2,1/2] (t) ou pour x(t) = 1[0,1] (t)
La fonction sinus cardinal est une fonction très utilisée en optique de Fourier et en diffraction. Elle est souvent définie dans
l’espace des fréquences, c’est-à-dire qu’il s’agit d’une fonction qui à une fréquence associe une valeur. La fonction suivante est
appelée un sinus cardinal

sin (πt/T )
x(t) =
πt/T

Cette fonction est représentée sur la droite de la figure 1.5 et T = 1/3s. Elle est parfois notée sinc(t/T ) ou sinc(πt/T ). Pour
éviter toute ambigüité, nous utiliserons l’expression sin(πt/T
πt/T
)
Cette fonction est maximale en t = 0 et vaut 1. Le lobe central est
de largeur 2T , les autres lobes sont de largeur T .

QCM
Question 1 On cherche à synthétiser un filtre à réponse impulsionnelle finie (RIF), passe-bas, de fréquence de coupure fc =
1kHz. On considère des signaux échantillonnés à fe = 4kHz.
• A. La méthodologie pour synthétiser un tel filtre préconise d’utiliser une transformée de Fourier à temps discret inverse.

• B. La méthodologie pour synthétiser un tel filtre préconise d’utiliser une transformée de Fourier discrète inverse.
• C. La réponse fréquentielle du filtre synthétisée est quasiment nulle en la fréquence nulle.
• D. Si un signal comporte du bruit alors un tel filtre a en général tendance à réduire le bruit présent.

Question 2 On cherche à synthétiser un filtre, à réponse impulsionnelle finie, passe-haut, de fréquence de coupure fc = 1kHz.
On considère des signaux échantillonnés à fe = 4kHz.

• A. Lorsqu’on a déjà réussi à synthétiser un filtre passe-bas de fréquence de coupure fc = 1kHz il est facile d’en déduire le
filtre passe-haut recherché par une simple soustraction.
• B. Plus on se donne un nombre important d’échantillons non-nuls sur la réponse impulsionnelle, plus on peut espérer un
courbe raide sur la réponse fréquentielle.
• C. L’invariant impulsionnel est un méthode qui permet de calculer la réponse impulsionnelle à partir de la réponse fréquen-
tielle du filtre.
• D. La fréquence de coupure peut parfois être plus grande que la fréquence d’échantillonnage.

10
Question 3 On considère l’expérience suivante. Un signal d’origine ayant un spectre essentiellement localisé sur les basses
fréquences est bruité par un bruit blanc, puis filtré par un filtre. On espère qu’après le filtrage le signal est plus proche du signal
d’origine que le signal avant le filtrage.
• A. Il vaut mieux utiliser un filtre passe-bande.
• B. Le signal bruité filtré a tendance à être plus lisse que le signal bruité.
• C. Si ce rapport signal sur bruit augmente, cela veut dire que le filtre marche moins bien.
• D. Si le filtre utilisé est un filtre idéal alors il est possible de retrouver parfaitement le signal d’origine.
Question 4 On considère une fenêtre triangulaire de 11 termes dans le contexte des filtres numériques.
• A. C’est ainsi que l’on appelle un signal temps discret avec une forme triangulaire et composée de 11 termes.
• B. Une fenêtre ne s’applique que par une multiplication terme à terme avec une signal temps discret.
• C. Une telle fenêtre est utilisée dans le cours pour la synthèse des filtres MA.
• D. Une fenêtre rectangulaire de 11 termes serait plus efficace pour la synthèse des filtres MA.

Figure 1.6: Module et phase des réponse fréquentielle des différents filtres pour deux troncatures à N = 6 et N = 100, avec et
sans application de la fenêtre triangulaire, (qcm 5)

Question 5 On considère quatre filtres à réponses impulsionnelles finies qui ont été synthétisés de façon à réaliser un filtre passe-
bas de fréquence de coupure à 170Hz, la fréquence d’échantillonnage étant à 1kHz. Les réponses fréquentielles de ces filtres sont
représentées sur la figure 19.1. Deux des quatre filtres ont été synthétisés avec une fenêtre, et deux ont été réalisés sans fenêtre.
Deux des quatre réponses impulsionnelles sont de longueurs courtes (N = 6), et deux des quatres réponses impulsionnelles sont
de grande longueurs (N = 100).
11
• A. La courbe a représente la réponse fréquentielle d’un filtre de grande taille.
• B. La courbe b représente la réponse fréquentielle d’un filtre synthétisé sans l’utilisation d’une fenêtre.

• C. La courbe c représente la réponse fréquentielle d’un filtre de taille courte.

• D. La courbe d représente la réponse fréquentielle d’un filtre synthétisé avec l’utilisation d’une fenêtre.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

12
Chapter 2

Échantillonnage d’un signal : Cours B

2.1 Échantillonnage
On appelle échantillonnage le fait de transformer un signal temps continu en un signal à temps discret. On appelle période
d’échantillonnage la durée entre deux échantillons successifs, l’unité est a priori la seconde. On appelle fréquence d’échantillonnage
l’inverse de la période d’échantillonnage, l’unité est a priori le Hertz (Hz). L’échantillonnage peut s’écrire ainsi :
sn = s(nTe ) (2.1)
La figure 1.2 montre l’échantillonnage de x(t) représenté sur la figure 1.3 pour une période d’échantillonnage de 0.1s.
Remarque 1 Pour être cohérent avec la suite du cours de traitement du signal, l’équation (2.1) doit être un peu adapté lorsque
le signal s(t) présente une discontinuité en une valeur de nTe .
Mathématiquement pour des fonctions qui présentent une discontinuité en t = t0 , on définit une limite à gauche et à droite.
s(t−
0 ) = lim− s(t) et s(t0 ) = lim+ s(t)
+
t→t0 t→t0

Concrètement s(t− 0 ) est le prolongement en t0 de la fonction t 7→ s(t) définie sur un intervalle [t0 − ϵ, t0 [ pour une certaine valeur
ϵ > 0. De même s(t+ 0 ) est le prolongement en t0 de la fonction t 7→ s(t) définie sur un intervalle ]t0 , t0 + ϵ] pour une certaine
valeur ϵ > 0.
L’équation (2.1) s’écrit alors
1 1
sn = s(nTe− ) + s(nTe+ )
2 2
On peut aussi noter les signaux temps discret comme étant une fonction ayant des diracs à chaqu’un des instants régulièrement
réparties, c’est-à-dire qu’un signal temps discret peut s’écrire sous la forme
+∞
X
sn δ(t − nTe )
n=−∞

Dès lors, l’échantillonnage d’un signal s’écrit aussi sous la forme suivante :
X
se (t) = s(nTe )δ(t − nTe )
n

Et ce signal échantillonné apparait comme le produit d’un signal par un peigne de dirac (somme infinie de diracs à des instants
régulièrement répartis)
!
X X
se (t) = s(t)δ(t − nTe ) = s(t) δ(t − nTe )
n n

La démonstration repose sur le fait que pour n’importe quelle fonction f , f (t)δ(t − a) = f (a)δ(t − a), ce qui traduit le fait qu’un
dirac est nul partout sauf en un instant particulier.
Lorsqu’on écrit un signal il est très important de mettre la même variable muette à gauche et à droite du signe égalité. Cette
expression n’a pas de sens
X 
sn = s(t)δ(t
  − nTe )

 n
Si un signal est périodique de période T et si la fréquence d’échantillonnage est multiple de 1/T alors le signal échantillonné
sn est N-périodique où N = T fe .
Dans une chaîne de mesure l’échantillonnage est réalisé par un échantillonneur, qui peut être un bloqueur d’ordre zéro. Dans
ce cas l’échantillonnage est relativement conforme à l’équation (2.1) à un décalage de temps près, mais ce n’est pas toujours le
cas. En fait (2.1) est plutôt une modélisation simplifiée de la réalité.
13
2.2 Critère de Shannon-Nyquist
Lorsqu’on échantillonne un signal, il est naturel de s’attendre à ce que le fait de chercher à retrouver le signal du départ
à partir de la seule connaissance du signal échantillonné soit difficile, voire impossible, surtout si le signal de départ est très
variable. Le critère de Shannon-Nyquist établit une durée minimale entre deux échantillons pour qu’il soit possible de reconstruire
parfaitement le signal de départ à condition que ce signal de départ ne varie pas trop en un certain sens. Appliqué à une sinusoïde
périodique de période T , ce critère affirme qu’il faut plus que deux points par période, ou dit autrement que la fréquence de la
sinusoïde soit strictement inférieure à la moitié de la fréquence d’échantillonnage. Pour pouvoir appliquer le critère de Shannon-
Nyquist à des signaux plus complexes il est nécessaire d’introduire la notion de transformée de Fourier afin de déterminer si le
signal n’est pas trop variable.
Dans une chaîne de mesure, il y a en général un filtre anti-repliement de spectre avant l’échantillonneur, cela permet d’enlever
au spectre du signal les fréquences trop élevées (celles au-delà de la moitié de la fréquence d’échantillonnage) de telle façon que
lorsqu’on reconstruit le signal à partir du signal échantillonné celui-ci ne soit pas trop éloigné du signal du départ (autrement
dit on peut espérer que la seule différence soit celle dûe au fait qu’on a retiré les fréquences trop élevées).

2.3 Chaîne de mesure

Quand on cherche à utiliser la puissance informatique pour traiter un signal, ou pour le transmettre à distance via un réseau
il est nécessaire de transformer le signal provenant de capteurs en un signal qui peut être utilisé par un ordinateur, puis de faire
la transformation inverse. A ce titre une chaîne de mesure contient les éléments suivants :
• capteur
• filtre anti-repliement
• échantillonneur
• convertisseur analogique numérique
• unité de calcul
• convertisseur numérique analogique
• système de restitution

2.4 Puissance et énergie

Par convention on considère que le carré du signal à un instant donné, s2 (t) est la puissance instantanée. Dans un certain
nombre d’applications cette quantité n’est pas homogène à une énergie, elle peut cependant être utilisée pour décrire le signal.
On appelle puissance la moyenne de la puissance instantanée et on appelle énergie la puissance instantanée cumulée au cours du
temps.
Pour le calcul de la puissance et de l’énergie, il faut distinguer quatre cas
• Si le signal est temps continu et T-périodique :
1 T
Z
P = s2 (t)dt (2.2)
T 0

l’énergie est infinie, (sauf si la puissance est nulle auquel cas le signal est nul et l’énergie est nulle).
• Si le signal est temps continu et non-périodique :
Z ∞
E= s2 (t)dt (2.3)
−∞

si l’énergie est non-infinie alors la puissance est nulle. Mais si l’énergie est infinie alors on peut essayer de calculer la
puissance
1 T /2 2
Z
P = lim s (t) dt
T →+∞ T −T /2

• Si le signal est temps discret N-périodique :

N −1
1 X 2
P = s (2.4)
N n=0 n

l’énergie est infinie, (sauf si la puissance est nulle auquel cas le signal est nul et l’énergie est nulle).
14
 • Si le signal est temps discret et non-périodique :
∞
X
E= s2n (2.5)
−∞

si l’énergie est non-infinie alors la puissance est nulle. Mais si l’énergie est infinie alors on peut essayer de calculer la
puissance
N
1 X
P = lim s2n
N →+∞ 2N + 1
n=−N

On observe les propriétés suivantes :

• Si on retarde un signal, c’est-à-dire si on considère s(t − τ ) à la place de s(t), c’est-à-dire si l’on considère un signal dont
sa courbe aurait été décalée vers la droite, alors la puissance et l’énergie (si elles sont définies) restent identiques.
• Si on amplifie un signal, c’est-à-dire si on considère s′ (t) = λs(t) au lieu de s(t) alors la puissance et l’énergie sont amplifiées
proportionnellement : P ′ = λ2 P et E ′ = λ2 E.
• Si l’échelle des temps est dilatée, c’est-à-dire si on considère s′ (t) = s(t/a) alors la puissance est identique mais l’énergie
est augmentée proportionnellement : E ′ = aE.

• Les énergies d’un signal sur des périodes de temps disjointes s’ajoutent :
X X
s(t) = αn 1[Tn ,Tn+1 ] (t) ⇒ E = αn2 (Tn+1 − Tn )
n n

où 1A (x) désigne la fonction caractéristique définie par 1A (x) = 1 si x ∈ A et 1A (x) = 0 sinon.

• Les puissances d’un signal sur des plages de fréquences disjointes s’ajoutent :
X 1X 2
s(t) = β0 + βn cos(2πfn t + ϕn ) ⇒ E = β02 + β
n
2 n n

QCM
Question 1 On échantillonne x à la fréquence fe .
• A. Avant l’échantillonnage x(t) était un signal temps discret.
• B. Après l’échantillonnage x(t) est un signal temps discret.

• C. La période de l’échantillonnage diminue quand fe diminue.

• D. fe désigne la durée entre deux pas de temps successifs.

Question 2 On considère x(t) = cos(2πtf0 ) et on échantillonne à la fréquence fe .

• A. Quand on fixe fe il y a une limite maximale sur f0 pour pouvoir reconstruire x(t) à partir du signal échantillonné.
• B. Quand on fixe f0 il y a une limite maximale sur fe pour pouvoir reconstruire x(t) à partir du signal échantillonné.

• C. Le critère de Shannon-Nyquist appliqué à un signal sinusoïdal est équivalent à vérifier qu’il y ait strictement plus de
deux points par période du signal sinusoïdal.
• D. Le critère de Shannon-Nyquist appliqué à un signal sinusoïdal est équivalent à vérifier qu’il y ait strictement plus qu’un
point toutes les deux périodes du signal sinusoïdal.

Question 3 On considère un signal x(t) temps continu.

• A. Il est possible de trouver un tel signal tel que Px = 1 et Ex = 1.
R +∞
• B. L’énergie peut être calculée par E = −∞ x(t) dt
• C. La puissance est toujours une quantité positive.
R T /2
• D. Dans la formule P = T1 −T /2 x2 (t) dt, T désigne la durée du signal sur laquelle x(t) est non-nul.

15
Question 4 On cherche à échantillonner le signal s(t) = sin(2πf0 t) où f0 = 1kHz sans perte d’information. Le critère de
Shannon-Nyquist est vérifié lorsque par exemple :

• A. la période d’échantillonnage est égale à 0.1ms.

• B. la période d’échantillonnage est égale à 0.1s.
• C. la fréquence d’échantillonnage est égale à 1kHz.
• D. la fréquence d’échantillonnage est égale à 100kHz.

Question 5 A propos des chaînes de mesures,

• A. un feu de signalisation (avec trois voyants lumineux, vert, orange et rouge) peut être considéré comme un système de
restitution au sein d’une chaîne de mesure ;
• B. un convertisseur analogique-numérique est nécessaire dans une chaîne de mesure pour raccorder la sortie d’une carte
son d’un ordinateur à l’entrée d’un haut-parleur ;
• C. sur la plupart des chaînes de musiques, les fils qui relient les amplificateurs aux haut parleurs transportent des signaux
numériques ;
• D. la fréquence d’échantillonnage généralement utilisée pour écouter la musique (CD, télévision) est entre 40kHz et 50kHz.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

16
Chapter 3

Transformées de Fourier des signaux temps

continu : Cours C

3.1 Signaux périodiques/signaux à durée limitée

Un signal à durée limitée est nul en dehors d’un certain intervalle :

t ̸∈ [t0 , t0 + T ] ⇒ s(t) = 0

On appelle durée d’un signal la longueur de l’intervalle en dehors duquel ce signal est nul, ici la durée est T . A partir d’un signal
à durée limitée on peut construire un signal périodique en répliquant ce signal. C’est ce qu’on appelle la périodisation.
X
s′ (t) = s(t − nT )
n

Le signal obtenu s′ (t) est bien T-périodique puisqu’il vérifie s′ (t + T ) = s′ (t). A partir de ce signal périodique on peut retrouver
le signal de départ en multipliant le signal par une fonction porte :

s′ (t)1[t0 ,t0 +T ] (t)

Les mêmes notions sont vraies pour les signaux à temps discret.
Un signal à durée limitée est nul en dehors d’un certain ensemble d’indices :

n ̸∈ {n0 ..n0 + N − 1} ⇒ sn = 0

On appelle durée d’un signal la taille de l’ensemble d’indices successifs en dehors duquel ce signal est nul, ici la durée est N .
A partir d’un signal à durée limitée on peut construire un signal périodique en répliquant ce signal. C’est ce qu’on appelle la
périodisation.
X
s′n = sn−kN
k

Le signal obtenu s′n est bien N-périodique puisqu’il vérifie s′n+N = s′n . A partir de ce signal périodique on peut retrouver le
signal de départ en multipliant le signal par une fonction porte :

s′n 1{n0 ..n0 +N −1} [n]

On remarque que la somme de deux signaux périodiques de même période est aussi périodique en revanche les deux périodes
ne sont pas identiques, il n’est pas forcément vrai que cette somme soit un signal encore périodique.

3.2 Série de Fourier

La série de Fourier est un cas particulier de la transformée de Fourier, elle concerne exclusivement les signaux temps continu
et périodiques. La transformée de Fourier de tels signaux sont une succession de raies, ces raies sont localisées en les fréquences
multiples de 1/T :

bk δ(f − k )
X
b )=
X(f X
T
k

17
où X
bk sont les coefficients de la série de Fourier :

bk = 1
Z T /2
t
X x(t)e−j2πk T dt
T −T /2
t
Dans la mesure où la fonction à l’intérieur de l’intégrale t 7→ x(t)e−j2πk T est en fait T -périodique, on ne modifie pas la valeur
de l’intégrale et par suite de Xk lorsqu’on décale les bornes inférieures et supérieures du même laps de temps. Ainsi le calcul du
coefficient de la série de Fourier ne porte en fait que sur un morceau du signal, avec une durée T et qui peut en fait être prélevé
n’importe où dans le signal.
La transformée de Fourier inverse permet de retrouver le signal à partir de X(f
b ) appelé spectre du signal (et qui est en fait la
transformée de Fourier du signal en temps). Comme il s’agit d’un signal temps continu et périodique, la transformée de Fourier
inverse ne porte que sur Xk et produit un signal temps continu et T-périodique :
+∞
bk ej2πk Tt
X
x(t) = X (3.1)
k=−∞

Cette formule est appelée développement en série de Fourier.

3.3 Propriétés de la série de Fourier

On considère x(t) un signal temps continu périodique de période T . Son énergie est infini et sa puissance est déterminée par
RT
P = T1 0 x2 (t) dt L’égalité de Parseval permet de retrouver sa puissance à partir de son spectre qui est constitué a priori d’une
infinité de raies dont les coefficients associés X
bk sont à valeurs complexes 1
+∞
X 2
P = X
bk (3.2)
k=−∞

Une façon de tester cette formule consiste à considérer le signal x(t) = 1 et X

bk = δk avec P = 1.
On considère une signal x(t) temps continu périodique de période T . Le coefficient de la série de Fourier associé à la fréquence
nulle correspond à la moyenne du signal x(t)

b0 = 1
Z T
X x(t) dt
T 0
De même la valeur en l’instant nul (pourvu qu’il n’y ait pas de discontinuité) de x(t) est donnée à partir des coefficients
associées aux différentes raies du spectre :
X
x(0) = Xbk
k∈Z

Le développement en série de Fourier est une transformation linéaire c’est-à-dire que si on multiplie un signal x(t) par un
facteur λ : y(t) = λx(t) alors y(t) est aussi temps continu et périodique de période T et les coefficients de sa série de Fourier Ybk
se déduisent de ceux de X bk

Ybk = λX
bk

De plus si on ajoute deux signaux temps continu périodique z(t) = x(t) + y(t) alors la somme est aussi un signal temps
continu et périodique dont les coefficients de la série de Fourier sont

Zbk = X
bk + Ybk

Lorsqu’on retarde x(t) un signal temps continu périodique de période T d’un laps de temps τ y(t) = x(t − τ ), le signal retardé
est lui aussi périodique de période T et les coefficients de la série de Fourier sont déphasées
τ
Ybk = e−j2π T k X
bk (3.3)

Ainsi le module de ces coefficients reste identique.

Lorsqu’on dilate un signal x(t) temps continu et périodique de période T , y(t) = x( at ) avec a > 1, le signal dilaté est
périodique mais avec une période plus longue T ′ = aT . Les coefficients de la série de Fourier de y(t) sont identiques à ceux de
x(t) :

Ybk = X
bk
1 Une justification se trouve dans l’annexe B.2, p. 151.

18
mais les raies auxquelles ils correspondent ont été contractées. Les coefficients Ybk ne correspondent pas aux fréquences fk = k
T
mais aux fréquences fk′ = aT k
.

fk
fk′ =
a
Les coefficients de la série de Fourier sont en général à valeurs complexes. Elles sont à valeurs réeels si elles proviennent d’un
signal x(t) temps continu périodique de période T et paire

x(t) = x(−t) ⇔ bk ∈ ℜ
X

En pratique on représente graphiquement plus souvent les signaux temps continu périodique par une fonction définie sur
l’intervalle [0, T ] plutôt que sur l’intervalle [−T /2, T /2]. Pour de tels signaux la parité est équivalente à la symétrie par rapport
à l’axe t = T /2.

T T
x((t − )) = x(−(t − )) ⇔ x(t) = x(T − t) ⇔ x(T /2 − t) = x(T /2 + t)
2 2
Quand le signal x(t) temps continu et périodique de période T n’est pas pair, les coefficients de la série de Fourier ne sont
pas réels mais sont une suite hermitienne

b−k = X
X bk (3.4)

Le module de ces coefficients est une suite paire

b−k = X
X bk

L’argument de ces coeficients est une suite impaire

   
arg Xb−k = − arg X
bk

Le signal x(t) = cos(2πf0 t) est un signal temps continu périodique de période T = f10 et ses coefficients de Fourier X
bk sont
nuls sauf pour k = ±1 : Xb1 = X1
2
b−1 = . Il est alors plus simple de noter sa transformée de Fourier ainsi
1
2

x(t) = cos(2πf0 t) ⇒ b ) = 1 δ(f − f0 ) + 1 δ(f + f0 )

X(f
2 2
De même pour le signal x(t) = sin(2πf0 t) est un signal temps continu période de période T == f10 qui n’a que deux coefficients
de série de Fourier non-nuls X
b1 = 1 X
2j
b−1 = − 1 qui sont associés aux fréquences 1 = f0 et − 1 = −f0 . Il est alors plus simple
2j T T
de noter sa transformée de Fourier ainsi

x(t) = sin(2πf0 t) ⇒ b ) = 1 δ(f − f0 ) − 1 δ(f + f0 )

X(f
2j 2

Le signal x(t) = 1 est un signal constant et à ce titre peut être considéré comme périodique : pour toute valeur de T ,
l’équation x(t + T ) = x(t) est vérifiée. Ce signal n’a qu’un coefficient de série de Fourier non nul X
b0 = 1, ce coefficient est associé
à la fréquence nulle

x(t) = 1 ⇒ b ) = δ(f )
X(f

Si en général, on peut dire que le produit de transformées de Fourier de deux signaux est égal à la transformée de Fourier de
la convolution entre les deux signaux, cette affirmation prend un sens très particulier quand il s’agit de signaux temps continu
périodiques. Comme les transformées de Fourier sont en fait des raies, il faut que ces raies soient positionnées sur les mêmes
fréquences. La multiplication des raies (parfois notées sous la formes de sommes pondérées de fonctions de Dirac) signifie en
fait le produit des coefficients complexes des séries de Fourier et associés à ces raies. Le fait que ces raies soient positionnées sur
les mêmes fréquences signifie aussi que les deux signaux sont périodiques de la même période T . Le produit de convolution à
considérer ici est un produit de convolution circulaire. Ces notions sont rarement utilisées.
Il existe en général une relation entre la transformée de fourier d’un signal x(t) et la transformée de Fourier de sa primitive
y(t) et aussi entre la transformée de Fourier d’un signal x(t) et la transformée de Fourier de sa dérivée z(t). La première relation
est valable si la primitive y(t) est aussi périodique, c’est-à-dire si l’intégrale sur une période de x(t) est nulle. La deuxième
relation est valable à condition de tenir compte de toutes les fonctions de Dirac qui peuvent apparaître du fait d’éventuelles
discontinuitées de de x(t) notamment entre t = 0 et t = T .

19
3.4 Transformée de Fourier à temps continu (TFTC)
Lorsqu’on applique la transformée de Fourier à un signal temps continu non périodique, cette transformée de Fourier garde
le nom de transformée de Fourier et est définie par
Z +∞
S(f ) =
b s(t)e−j2πf t dt (3.5)
−∞

b ) est une fonction à valeurs complexes définie pour toutes les fréquences. Cette fonction n’est pas périodique. Sa transformée
S(f
de Fourier inverse est définie par
Z +∞
s(t) = b )ej2πf t df
S(f (3.6)
−∞

Il est possible de retrouver les coefficients de la série de Fourier d’un signal s(t) périodique de période T à partir d’un
calcul fait avec la transformée de Fourier adaptée aux signaux temps continu non périodiques. Il s’agit en effet de considérer
s′ (t) = s(t)1[0,T ] (t) (s′ (t) est aussi appelé restriction de s(t) sur une période). La ressemblance entre le calcul de la série de
Fourier de s(t) et le calcul de la transformée de Fourier de s′ (t) permet d’écrire

1 b′ k
 
Sk = S
b
T T

3.5 Propriétés de la transformée de Fourier

La transformée de Fourier a des propriétés similaires à la série de Fourier et aussi deux propriétés qui auraient été difficile à
formuler en terme de série de Fourier.

3.5.1 Propriétés similaires à celles des séries de Fourier

L’égalité de Parseval qui pour la série de Fourier permet de calculer la puissance d’un signal temps continu périodique en
fonction des coefficients de la série de Fourier est ici remplacé par une autre égalité de Parseval qui permet de calculer l’énergie
d’un signal temps continu non périodique (la puissance serait nulle) en fonction d’une intégrale sur le module au carré de la
transformée de Fourier (cette transformée de Fourier n’est plus composée de raies). Une forme de justification se trouve en
annexe B.1 (p. 151).
Z +∞
E= b )|2 df
|X(f (3.7)
−∞

L’intégrale d’un signal temps continu non périodique x(t) est donnée par la valeur de la transformée de Fourier X(f
b ) en la
fréquence nulle
Z +∞
X(0)
b = x(t) dt (3.8)
−∞

La différence avec la série de Fourier est que X(0)

b n’est pas la moyenne du signal mais son intégrale. Il vaut mieux réserver
l’utilisation de cette formule au cas X(f
b ) ne comporte pas de discontinuité en f = 0.
De même la valeur en l’instant nul du signal x(t) est donnée avec une expression intégrale
Z +∞
x(0) = b ) df
X(f
−∞

Tout comme la sérier de Fourier, la transformée de Fourier est un opérateur linéaire, c’est-à-dire stable pour la multiplication
par un facteur λ

TFTC [λx(t)] = λTFTC [x(t)]

et stable pour l’addition de deux signaux

TFTC [x(t) + y(t)] = TFTC [x(t)] + TFTC [y(t)]

Lorsqu’on retarde un signal x(t) de τ y(t) = x(t − τ ), alors la transformée de Fourier est déphasée

Yb (f ) = e−j2πf τ X(f
b ) (3.9)

20
On peut remarquer que le module de cette transformée reste identique |Yb (f )| = |X(f b )| La seule différence entre (3.9) et la
formule relative aux séries de Fourier (3.3) est que la fraction
T qui correspond à une fréquence est ici remplacée par f .
k

Lorsqu’un signal temps continu x(t) est dilaté y(t) = x at avec a > 1, alors tout se passe comme si l’échelle des temps était
contractée d’un facteur a et que le spectre est amplifié d’un facteur a.

Yb (f ) = aX(af
b )

Dans le cas des séries de Fourier, il n’y avait que le premier phénomène et non le second phénomène.
Les propriétés relatives à la parité sont les mêmes que pour les séries de Fourier. La transformée de Fourier d’un signal temps
continu non périodique x(t) est hermitienne c’est-à-dire que

X(−f
b ) b¯ )
= X(f
 )| = |X(f
|X(−f
b b )|
  
arg X(−f
b ) = − arg X(f
b )

De plus le fait qu’un signal temps continu non périodique soit pair est équivalent au fait que sa transformée de Fourier soit réel.

x(t) = x(−t) b )∈R

⇔ X(f

3.5.2 Propriétés supplémentaires

Une propriété importante pour les communications numériques où l’information importante doit se trouver en des fréquences
voisines de la porteuse est la possibilité de décaler le spectre dans l’échelle des fréquences. Lorsqu’on multiplie un signal x(t) par
ej2πf0 t alors le spectre est décalé de f0

TFTC x(t)ej2πf0 t (f ) = TFTC [x(t)] (f − f0 ) (3.10)

 

Dans la pratique un signal temps continu à valeur complexe n’a pas forcément de sens, et on utilise en général plutôt la
transformation suivante
1 1
TFTC [x(t) cos(2πf0 t)] (f ) = TFTC [x(t)] (f − f0 ) + TFTC [x(t)] (f + f0 ) (3.11)
2 2
On alors un spectre qui est à la fois décalé vers des fréquences plus élevées et des fréquences plus basses. Il suffit alors comme
on le verra plus tard d’utiliser un filtre passe-haut ou passe-bande pour supprimer la composante qui ne convient pas. On passe
de (3.10) à (3.11) en ajoutant à (3.10) cette même équation appliquée à −f0 et du fait que cos(2πf0 t) = 21 ej2πf0 t + 21 e−j2πf0 t
ceci permet d’obtenir le résultat souhaité.
L’intégrale du spectre X(f
b ) d’un signal temps continu non périodique x(t) est donnée par la valeur du signal en l’instant
t=0
Z +∞
x(0) = b ) df
X(f
−∞

Il est préférable d’utiliser cette relation que lorsque x(t) ne comporte pas de discontinuité en t = 0. En fait cette relation tout
comme (3.8) pose des difficultés mathématiques, puisque d’un côté on définit souvent l’intégrale utilisée dans la transformée de
Fourier ou dans sa transformée de Fourier inverse par une intégrale de Lebesgue qui n’accorde pas d’importance aux variations
du signal sur un ensemble dénombrable de valeurs et par ailleurs on prétend pouvoir accéder aux valeurs exactes du signal en
tout instant.
Il existe une relation entre la transformée de Fourier d’un signal et les transformée de Fourier de sa primitive et de sa dérivée.
Plus précisément, on note x(t) un signal temps continu alors

1
Z t 
TFTC x(τ ) dτ (f ) = TFTC[x(t)](f ) (3.12)
−∞ j2πf
Rt
−∞
x(τ ) dτ est une primitive de x(t), c’est-à-dire que sa dérivée est x(t). Pour être mathématiquement correct, il faudrait que
x(t) et y(t) aient les bonnes propriétés de régularité, on peut quand même vérifier que x(t) est un signal qui tend vers zéro en
l’infini limt→+∞ x(t) = 0.
Soit x(t) un signal et y(t) = dxdτ |t alors

Yb (f ) = j2πf X(f
b ) (3.13)

Mathématiquement il faudrait que x et y aient les bonnes propriétés de régularité.

La transformée de Fourier du produit de convolution entre deux signaux temps continu non périodiques x(t) et y(t) est le
produit des transformées de Fourier de ces signaux.

TFTC [x(t) ⋆ y(t)] (f ) = TFTC[x(t)](f )TFTC[y(t)](f )

21
où ⋆ désigne le produit de convolution entre deux signaux temps continu non périodiques
Z +∞
z(t) = x(t) ⋆ y(t) = x(τ )y(t − τ ) dτ
−∞

Etant donné la similarité mathématique entre la transformée de Fourier et la transformée de Fourier inverse pour des signaux
temps continu non périodiques, il est aussi vrai que la transformée du produit de deux signaux temps continu non périodiques
et le produit de convolution des transformées de Fourier

TFTC[x(t)](f ) ∗ TFTC[y(t)](f ) = TFTC[x(t)y(t)](f )

en notant X(f
b ) = TFTC[x(t)](f ) et Yb (f ) = TFTC[y(t)](f )
Z +∞
TFTC[x(t)](f ) ∗ TFTC[y(t)](f ) = X(f
b ) ∗ Yb (f ) = b Yb (f − ν) dν
X(ν)
−∞

3.5.3 Exemples de transformées de Fourier

Les quatre premiers exemples qui suivent posent une réelle difficulté mathématique vis-à-vis de la définition de la transformée
de Fourier avec (3.5). Les deux derniers exemples sont bien définis avec (3.5). D’une façon générale, il arrive souvent que soit la
définition du signal à temps continu, soit sa définition en terme de spectre, pose un problème, précisément parce que si un signal
est contracté autour de t = 0, son spectre devient étendu et si à l’inverse un signal est étendu son spectre devient contracté. La
façon de procéder consiste à se servir des propriétés de la transformée de Fourier pour trouver une formulation simple à utiliser
et sans ambigüité.
x(t) = 1 est un signal temps continu non périodique mais l’intégrale dans (3.5) n’est pas défini (en effet t 7→ ej2πf t n’est pas
une fonction majorée par une fonction positive et dont l’intégrale est finie). En revanche on peut facilement calculer la transformée
b ) = δ(f ) (non pas parce que l’intégrale est définie mais en application de (1.7)) : +∞ δ(f )ej2πf t df = 1,
de Fourier inverse de X(f
R
−∞
ce qui prouve donc que

T F [1] (f ) = δ(f )

L’application de (1.7)) prouve aussi que

T F [δ(t)] (f ) = 1

Lorsque x(t) = cos(2πf0 t), (3.5) n’est pas défini, mais on peut encore remarque qui si on introduit 21 δ(f − f0 ) + 12 δ(f + f0 )
dans (3.6) et qu’on applique (1.7)) :

1 1 1 1
Z +∞  
δ(f − f0 ) + δ(f + f0 ) ej2πf t df = ej2πf0 t + e−j2πf0 t = cos(2πf0 t)
−∞ 2 2 2 2

1 1
T F [cos(2πf0 t)] (f ) = δ(f − f0 ) + δ(f + f0 ) (3.14)
2 2
(3.15)

Le même raisonnement montre aussi que

1 1
T F [sin(2πf0 t)] (f ) = δ(f − f0 ) − δ(f + f0 )
2j 2j

Le signal temps continu périodique définie par x(t) = 1[− T , T ] (t) est une fonction porte. Sa transformée de Fourier est un
2 2
sinus cardinal
h i sin(πf T )
T F T C 1[− T , T ] (t) (f ) =
2 2 πf
On peut retrouver dans cette équation l’application de diverses propriétés. La valeur en f = 0 du sinus cardinal, en l’occurence
T , est égal à l’intégral de la fonction porte. Si on réduit la plage de temps associée à la porte, sa transformée de Fourier est
diminuée en amplitude et dilatée en fréquence, ses lobes sont plus larges, moins élevés et plus éloignés les uns des autres. Si on
augmente la plage de temps associée à la porte, sa transformée de Fourier est augmentée en amplitude et contractée en fréquence,
ses lobes sont plus étroits, plus élevés et plus proches les uns des autres. La porte ainsi définie est un signal pair et son spectre
est à valeurs réels.
22
 C’est par décalage fréquentiel de ce spectre que l’on peut prouver
h i 1 sin(π(f − f0 )T ) 1 sin(π(f + f0 )T )
T F T C cos(2πf0 t)1[− T , T ] (t) = +
2 2 2 π(f − f0 ) 2 π(f + f0 )
Cette relation illustre un autre phénomène important. Pour des raisons pratiques, un signal dans la réalité ne peut s’étendre
depuis l’infinité des temps et durer pour toute l’éternité. Il n’y a donc pas dans la réalité de vrais signaux sinusoïdaux. Mais on
peut avoir une idée de l’impact d’une restriction d’un signal sinusoïdal à un certain intervalle de temps sur son spectre. Dans le
cadre de cette restriction on observe que le spectre qui aurait dû être composé de deux raies, comporte effectivement ces deux
raies mais il y a aussi des ondulations correspondant aux sinus cardinaux et la largeur du lobe principal est de T2 . Ainsi un ordre
de grandeur de la résolution fréquentielle que l’on peut avoir avec un signal d’une durée de T est de ∆f = ± T1 .

QCM
Question 1 On considère s(t) = cos(2πt).
• A. L’échantillonnage à 2Hz de s(t) est un signal temps-discret.
• B. L’échantillonnage à 2Hz de s(t) est un signal périodique.
• C. Lors de cet échantillonnage à 2Hz, le critère de Shannon-Nyquist est respecté pour toutes les fréquences d’échantillonnage
qui vérifient fe < 2Hz.
• D. Lors de cet échantillonnage à 2Hz, le critère de Shannon-Nyquist est respecté pour toutes les fréquences d’échantillonnage
qui vérifient fe > 0.5Hz.
Question 2 (fC1) On calcule la série de Fourier de x(t).
• A. C’est parce que x(t) est non-périodique qu’on a raison de calculer la série de Fourier.
• B. C’est parce que x(t) est pérodique qu’on a raison de calculer la série de Fourier.
• C. Si x(t) était à temps discret, on pourrait quand même calculer la série de Fourier.
• D. Sachant que x(t) est T -périodique et connaissant cette période T , il est possible de reconstruire x(t) à partir des
coefficients de la série de Fourier.
Question 3 Soit x(t) un signal temps continu non-périodique.
R +∞
• A. La transformée de Fourier est définie par X̂(f ) = −∞ x2 (t)ej2πf t dt
• B. La transformée de Fourier est une succession de raies.
• C. La transformée de Fourier est périodique.
• D. Si x(t) est multipliée par 2 alors la transformée de Fourier est multipliée par 2.
Question 4 Soit x(t) un signal temps continu non-périodique.
• A. Si x(t) est retardé alors sa transformée de Fourier est aussi retardée.
• B. La transformée de Fourier de x(t) = 1[−T /2,T /2] est une sinusoïde.
• C. La transformée de Fourier de x(t) = 1 est δ(f ).
• D. Si x(t) est dilatée alors sa transformée de Fourier, X̂(f ), est aussi dilatée.
Question 5 On considère le signal s(t) = 1[−1/2,1/2] (t)
R +∞
• A. L’outil à utiliser pour calculer la transformée de Fourier a pour formule Ŝ(f ) = −∞
s(t)e−j2πf t dt
• B. Si on dilate le signal s(t) alors la transformée de Fourier est décalée en fréquence.
• C. Si on multiplie par deux le signal alors la transformée de Fourier est divisée par deux.
• D. La transformée de Fourier de ce signal est à valeurs réelles.
Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D
23
Chapter 4

Transformées de Fourier des signaux temps

discret : Cours D

4.1 Transformée de Fourier à temps discret (TFTD)

la transformée de Fourier à temmps discret est un cas particulier de la transformée de Fourier, cette transformée de Fourier
à temps discret ne s’applique que sur des signaux temps discret non-périodiques. La transformée de Fourier d’un tel signal est
une fonction définie pour toutes les fréquences, fe -périodique où fe est la fréquence d’échantillonnage. Il s’agit d’une fonction à
valeurs complexes dont le module est une fonction paire (|X(f
b )| = |X(−f
b )|) et la phase est impaire (arg(X(f
b )) = − arg(X(−f
b ))).
Elle est définie par :
∞
X
b )=
X(f xn e−j2πf nTe (4.1)
n=−∞
R∞
On peut noter que si on avait cherché à approximer le résultat de la transformée de Fourier ( −∞ x(t)e−j2πf t dt) en approximant
le signal x(t) par la suite xn , on aurait trouvé la transformée de Fourier temps discret multiplié par Te . Dans la définition ce Te
n’est pas présent, mais il y a de nombreuses occasions où de fait on le rajoute (soit pour ajuster les spectre d’un signal temps
continu avec un signal temps discret, soit pour établir des équivalences entre la transformée de Fourier et la transformée de
Fourier temps discret pour des signaux particuliers).
La transformée de Fourier discrète inverse transforme un spectre qui est fe -périodique en une succession de raies qui correspond
au signal temps discret aussi la formule calcule une suite à partir d’une fonction à valeurs complexes définies sur un intervalle :

1 fe /2
Z
xn = b )ej2πf nTe
X(f
fe −fe /2

où xn est un signal temps discret dont la période d’échantillonnage est 1/fe .

4.2 Propriétés de la transformée de Fourier à temps discret

Soit sn un signal temps discret non périodique à valeurs réels. Alors sa transformée de Fourier à temps discret S(f
b ) vérifie
pour tout f .
¯b
S(−f
b ) = S(f )
 )| = |S(f
|S(−f
b b )|
  
arg S(−f
b ) = − arg S(f
b )

De plus le fait que sn est un signal pair (sn = s−n ) est équivalent au fait que S(f
b ) est réel.
L’énergie d’un signal sn temps discret non périodique peut aussi être évaluée à partir de son spectre (théorème de Parseval),
voir en annexe B.3, p. 152.
fe
1
Z 2
E= b )|2 df
|S(f (4.2)
fe − f2e

C’est le fait que le signal est non périodique qui fait qu’on s’intéresse à l’énergie et non à la puissance, (qui serait nulle). La
définition de l’énergie utilisée ne dépend pas de fe , ainsi si on multiplie par 2 fe , le spectre de S(f
b ) reste périodique par rapport

24
à fe , l’intégrale ainsi calculée aurait alors doublée en valeur mais comme il faut aussi diviser par fe , le résultat serait encore
identique. Une façon de tester (4.2) consiste à considérer l’exemple xn = δn et X(f
b ) = 1 avec E = 1.
On a aussi les relations suivantes :
X
X(0)
b = xn
n∈Z

1 fe /2
Z
x0 = b ) df
X(f
fe −fe /2

La transformée de Fourier à temps discret est un opérateur linéaire. Elle conserve la multiplication par un facteur λ

TFTD[λxn ](f ) = λTFTD[xn ](f )

où xn est un signal temps discret non périodique. Elle conserve l’additivité des signaux

TFTD[xn + yn ](f ) = TFTD[xn ](f ) + TFTD[yn ](f )

Un retard sur un signal temps discret non périodique se traduit aussi par un déphasage du spectre

TFTD[xn−d ](f ) = e−j2πf dTe TFTD[xn ](f ) (4.3)

où xn et xn−d sont deux signaux temps discret non périodiques, le deuxième étant retardé de dTe par rapport au premier et
Te = f1e est la période d’échantillonnage.
Un spectre peut être décalé en fréquence par la multiplication d’un signal approprié

TFTD xn ej2πf0 nTe (f ) = TFTD [xn ] (f − f0 )

 

où xn est un signal temps discret non périodique. Dans la pratique on multiplie xn par un signal sinusoïdal de fréquence f0 et
on obtient un spectre qui est décalé vers des fréquences plus élevées de f0 et plus basses de f0
1 1
TFTD [xn cos(2πf0 nTe )] (f ) = TFTD [xn ] (f − f0 ) + TFTD [xn ] (f + f0 )
2 2
On utilise en général un filtre passe-haut ou passe-bande pour supprimer le décalage en fréquence non souhaitée.
Dilater ou contracter un signal temps discret non périodique signifie changer sa période d’échantillonnage ou sa fréquence
d’échantillonnage sans changer les valeurs prises par la suite qui définit ce signal. Soit xn un signal TDNP échantillonné avec
une fréquence d’échantillonnage fex et yn un signal TDNP ayant les mêmes valeurs que xn mais échantillonné avec une autre
Ty
fréquence d’échantillonnage fey . On pose a = Tex . Alors les deux spectres prennent les mêmes valeurs mais pas pour les mêmes
e
fey
fréquences et fex = a1 . Pour tout f

Yb (f ) = X(af
b )

On ne peut pas dériver ou intégrer un signal temps discret, en revanche à partir d’un signal temps discret non périodique, on
peut définir le signal différence ou le signal somme cumulée avec la même fréquence d’échantillonnage. Le premier a pour valeur
les différences entre les termes successifs des signaux. Le deuxième a pour valeur les valeurs successives des sommes cumulées.
De façon analogue à la transformée de Fourier il y a aussi une relation la transformée de Fourier à temps discret d’un signal
temps discret non périodique et la transformée de Fourier à temps discret du signal différence et aussi avec la transformée de
Fourier à temps discret du signal somme cumulée.
Soit xn un signal temps discret non périodique et yn = xn − xn−1 le signal différence correspondant alors

Yb (f ) = (1 − e−j2πf Te )X(f
b ) (4.4)

En effet Yb (f ) = TFTD[xn ](f ) − TFTD[xn−1 ](f ) = X(f

b ) − e−j2πf Te X(f
b ) (xn−1 est le signal retardé et on a appliqué (4.3)).
Soit xn un signal temps discret non périodique et yn = k≤n xk le signal somme cumulée alors
P

1
Yb (f ) = b )
X(f (4.5)
1 − e−j2πf Te
Cette propriété peut être vue comme une conséquence de (4.4), puisque xn = yn − yn−1 .
Il est intéressant de noter que (4.4) et (4.5) ressemblent à (3.12) et (3.13) quand on fait tendre f Te vers zéro.
La transformée de Fourier à temps discret transforme le produit de convolution entre deux signaux à temps discret non
périodiques en un simple produit de transformée de Fourier.
 
d
TFTD xn ∗ yn (f ) = TFTD [xn ] (f )TFTD [yn ] (f ) (4.6)

25
Pour des signaux temps discret non périodiques, on définit le produit de convolution à temps discret par
d X
xn ∗ yn = xk yn−k
k∈Z

Z est l’ensemble des entiers positifs et négatifs.

A la différence de la transformée de Fourier pour les signaux à temps continu, il n’y a ici pas de difficultés mathématiques
pour donner un sens à la transformée de Fourier à temps discret des signaux suivants.
La transformée de Fourier d’un Dirac à temps discret est la fonction constante 1.

T F T D [δn ] (f ) = 1

On peut remarquer que ce spectre est périodique mais en fait périodique de période fe pour toute valeur de fe . De même δn
correspond à un signal temps discret qui ne dépend pas de la période d’échantillonnage Te . Il confirme (4.6) dans la mesure où
d
δn est l’élément neutre du produit de convolution δn ∗ xn = xn et de même 1 est l’élément neutre du produit 1X(f b ) = X(fb ).
L’équivalent à temps discret d’une fonction porte est un signal qui vaut 1 pour 0 ≤ n < N et 0 ailleurs et est défini par
xn = 1[0..N −1] [n]. Sa transformée de Fourier ressemble à un sinus cardinal, il s’agit d’un quotient de sinus qui en basse fréquence
est approximativement égale au sinus cardinal mais qui est aussi une fonction périodique de période fe .

sin(πf N Te )
T F T D 1[0..N −1] [n] (f ) = e−jπf (N −1)Te (4.7)
 
sin(πf Te )
−n−1
Cette relation se démontre en utilisant n≥0 z −n = 1−z 1−z −1 et en cherchant à mettre en facteur e
−jπf N Te
dans la partie haute
P

de la fraction et e −jπf Te
dans la partie basse de la fraction. Avec cette relation, on observe aussi que si N augmente, le signal
en temps a une durée plus longue et que le spectre correspondant a des lobes plus étroits et des valeurs plus élevés tout en
conservant une périodicité identique et égale à fe .
La transformée de Fourier de signaux sinusoïdaux de fréquence f0 sur une durée N et à temps discret de fréquence d’échan-
tillonnage fe > 2f0 forme un spectre périodique dont la période est composé de deux pics en f0 et en −f0 avec des ondulations.

1 −jπ(f −f0 )(N −1)Te sin(π(f −f0 )N Te ) +f0 )N Te )

+ 12 e−jπ(f +f0 )(N −1)Te sin(π(f
 
T F T D cos(2πf0 nTe )1[0..N −1] [n] (f ) = 2
e sin(π(f −f0 )Te ) sin(π(f +f0 )Te )
1 −jπ(f −f0 )(N −1)Te sin(π(f −f0 )N Te ) 1 −jπ(f +f0 )(N −1)Te sin(π(f +f0 )N Te )
 
T F T D sin(2πf0 nTe )1[0..N −1] [n] (f ) = 2j
e sin(π(f −f0 )Te )
− 2j
e sin(π(f +f0 )Te )

Ces relations se démontrent en appliquant un décalage fréquentiel au spectre obtenu en (4.7). On observe aussi que si N
augmente alors les pics en f0 et −f0 se détachent mieux des ondulations, ces pics sont plus élevés et les ondulations sont plus
resserés autour des deux pics. Même lorsque la condition fe > 2f0 n’est pas vérifiée les formules restent vraies, mais ce qui se
passe est qu’on ne voit plus les pics, et ce à cause du terme sous la fraction qui au lieu d’atténuer comme dans le cas d’un sinus
cardinal contribue à masquer ou à donner une apparence de déplacement de ces pics. Cette condition fe > 2f0 correspond à une
approximation du critère de Shannon Nyquist, ce serait le critère si le signal considéré était un vrai signal.

4.3 Transformée de Fourier discrète (TFD)

La transformée de Fourier discrète est adaptée au cas des signaux temps discret périodiques de fréquence d’échantillonnage
fe = T1e et de période T = N Te . Le spectre est alors périodique de période fe parce que le signal est temps discret. Le spectre
est composé de raies espacées de fNe = N1Te = T1 parce que le signal est périodique de période T = N Te .
On considère un signal temps discret périodique sn de période N échantillonnée à fe . La transformée de Fourier S(f b ) est
périodique de période fe et est formée d’une succession de raies aux fréquences fk = k N avec k ∈ Z (Z étant les entiers positifs
fe

et négatifs).
b ) est décrite par des coefficients qui correspondent à fk = k fe pour k ∈ {0...N − 1} et qui sont :
S(f N

N −1
1 X kn
Sk =
b sn e−j2π N (4.8)
N n=0

Ces coefficients forment une suite périodique de période N . Ce sont ces coefficients qui permettent de calculer la transformée de
Fourier discrète. Aussi la transformée de Fourier discrète peut aussi s’écrire de cette façon

Sbk = TFD[sn ][k]

Dans cette écriture on dit que Sbk est périodique de période N .

26
 La transformée de Fourier discrète de sn peut s’écrire aussi
−1
X NX fe
TF[sn ](f ) = fe Sbk δ(f − k − lfe ) (4.9)
N
l∈Z k=0

Le deuxième signe somme et le paramètre k décrit les différentes raies au sein de l’intervalle de fréquences [0, fe ]. Le premier
signe somme et le paramètre l décrit la façon dont les différentes raies au sein de l’intervalle de fréquences [0, fe ] sont rendues
périodiques et s’étalent sur l’ensemble des fréquences. Dans cette deuxième écriture on dit que S(fb ) est périodique de période
fe . Cette écriture est en fait moins utilisée, on remplace généralement le premier signe somme en utilisant le fait que Sbk est en
fait périodique. Le terme fe est rajouté pour rendre compatible cette formule avec la définition des séries de Fourier, en effet fe
est en fait T1e .
La transformée de Fourier discrète peut aussi s’écrire aussi
X fe
TF[sn ](f ) = fe TFD[sn ][k]δ(f − k ) (4.10)
N
k∈Z

On retrouve aussi le terme fe .

Par convention nous utiliserons pour la transformée de Fourier d’un signal temps discret périodique l’expression TF[sn ](f )
lorsqu’il s’agit de la décrire au moyen d’un ensemble de fonctions de Dirac périodique de période fe et l’expression TFD[sn ][k]
lorsqu’il s’agit de la décrire par une suite de coefficients à valeurs complexes et périodique de période N . La définition de
TFD[sn ][k] n’est pas unique, le terme de normalisation N est parfois introduit dans la transformée de Fourier discrète inverse,
c’est le cas de Matlab, ce terme est parfois réparti entre la transformée de Fourier discrète et la transformée de Fourier discrète
inverse sous la forme de deux produits par √1N .
L’utilisation importante de la transformée de Fourier ne provient pas tellement de ce que dans la réalité il est souvent pertinent
de modéliser un ensemble d’évènements par un signal temps discret périodique, mais surtout de la possibilité de calculer avec
un ordinateur (4.8) ce qui n’était pas exactement le cas des autres transformées de Fourier. En fait il y a même un algorithme
rapide qui optimise le calcul de (4.8) qui s’appelle la transformée de Fourier rapide (TFR) ou Fast Fourier Transform (FFT).
C’est la raison pour laquelle on s’intéresse à l’approximation suivante. Soit x(t) un signal temps continu non périodique nul
sauf en un intervalle [0, T ]. Soit xn le signal temps discret périodique, échantillonné en respectant le critère de Shannon-Nyquist,
rendu périodique de période N en modifiant les données nulles. On suppose aussi que N est suffisamment grand pour que
T ≤ N Te . Alors pour k entier dans [−N/2...N/2],

TF[x(t)](kfe /N ) ≈ N Te TFD[xn ][k]

Le terme N Te rajouté est là pour coïncider avec l’approximation, N annule la division par N faite dans la définition de TFD
faite à tort vis-à-vis de cette approximation et Te est la largeur des rectangles utiliser pour approximer l’intégrale faite dans
la transformée de Fourier de x(t). Même si on est amené à l’utiliser souvent, cette approximation n’est pas toujours de bonne
qualité.
On peut naturellement aussi chercher à approximer la transformée de Fourier d’un signal temps continu non périodique par
le calcule de la transformée de Fourier à temps discret du signal échantilloné à l’aide de l’ordinateur en un ensemble fini de
fréquences mais si cet ensemble de fréquences en lesquels on calcule est comparable aux nombre de données que l’on dispose, les
erreurs que l’on commet sont similaires à ceux que l’on effectue en utilisant une transformée de Fourier discrète.
Lorsqu’on calcule une transformée de Fourier discrète à l’aide d’un ordinateur, celui-ci fournit les coefficients à valeurs
complexes Sbk pour k ∈ {0...N − 1} qui correspondent aux fréquences fk = kf N ∈ [0, fe [ Ces coefficients suffisent à déterminer
e

complètement la transformée de Fourier discrète puisque celle-ci est périodique de période fe . Cependant on visualise en général
cette transformée de Fourier sur l’intervalle [−fe /2, fe /2] et non sur [0, fe ] et l’allure des courbes n’est pas du tout la même
suivant qu’on la représente sur le premier ou le deuxième intervalle. Ainsi un spectre qui serait croissant entre −fe /2 et 0
puis décroissant entre 0 et fe /2 et serait donc maximal au centre apparaîtrait comme minimal au centre s’il était représenté
sur [0, fe ] puisque décroissant entre 0 et fe /2 et croissant entre fe /2 et fe . Par conséquent pour visualiser un spectre à partir
de ses coefficients Sbk calculés par transformée de Fourier discrète il est nécessaire de trouver les coefficients correspondant aux
fréquences fk ∈ [−fe /2, 0]. Si N est paire ce sont les fréquences associées à k ∈ { N2 ..N − 1}, mathématiquement on peut aussi
bien mettre k = N/2 associé à f = fe /2 ou à f = −fe /2 tout à droite ou tout à gauche du graphique. Si N est impaire ce sont
les fréquences associées à k ∈ { N2+1 ..N − 1}. Dans la visualisation sur [−fe /2, 0] les fréquences associés à ces coefficients sont
fk = (k−N N
)fe
, elles sont notées fk′ ou k ′ = k − N et les coefficients complexes correspondant sont Sbk et souvent notés Sbk′ .
La transformée de Fourier discrète inverse est définie de manière similaire. On considère un spectre périodique S(f b ) de
période fe ayant des raies aux fréquences fk = k N pour k ∈ {0...N − 1} associés aux coefficients Sk .
fe b
Alors la transformée de Fourier discrète inverse, notée TFD−1 , est un signal sn de période N
N −1
kn
X
sn = Sbk ej2π N
k=0

27
 La transformée de Fourier discrète inverse s’écrit aussi
−1
X NX kn
TFD−1 [Sbk ](t) = Sbk ej2π N δ(t − nTe ) (4.11)
n∈Z k=0

4.4 Propriétés de la transformée de Fourier discrète

Soit sn un signal temps discret périodique. Alors les coefficients de sa transformée de Fourier discrète Sbk vérifient
¯
Sb−k = Sbk
|Sb−k | = |Sbk |
arg(S−k ) = − arg(Sbk )
b

Si sn est un signal temps discret périodique et paire (sn = s−n ou dit autrement sn = sN −n ) alors Sbk est à valeurs réels. En
fait il y a même équivalence entre le fait que Sbk est réel et la parité de sn .
La puissance d’un signal sn TDP peut aussi être évalué à partir de son spectre (théorème de Parseval) 1

E = +∞
PN −1 b 2 (4.12)
P = k=0 |Sk |

On peut remarquer que cette égalité ne dépend pas de la fréquence d’échantillonnage et en fait la définition de P ne fait pas non
plus intervenir la période d’échantillonnage ou la fréquence d’échantillonnage.
On a aussi les relations suivantes :
N −1
b0 = 1
X
X xn
N n=0

N
X −1
x0 = X
bn
k=0

La transformée de Fourier discrète est un opérateur linéaire. Elle conserve la multiplication par un facteur λ et l’additivité.

TFD[λxn ][k] = λTFD[xn ][k]

où xn est un signal temps discret périodique de période N et échantillonné à la fréquence fe .

TFD[xn + yn ][k] = TFD[xn + yn ][k]

où xn et yn sont deux signaux temps discret périodiques de même période N et échantillonné à la même fréquence fe .
La transformée de Fourier discrète d’un signal retardée est déphasée.
d
TFD[xn−d ][k] = e−j2πk N TFD[xn ][k] (4.13)

où xn et xn−d sont deux signaux temps discret périodique de même période N échantillonné à la même fréquence fe , le deuxième
signal est retardé de d < N pas de temps par rapport au premier signal. Du fait que ces deux signaux sont périodiques, on peut
aussi dire que xn−d est en avance de N − d pas de temps sur xn , en effet xn−d = xn+(N −d) .
Lorsqu’un signal temps discret périodique est dilaté, ce ne sont pas les valeurs complexes calculées par la transformée de
Fourier discrète qui sont modifiées, mais la fréquence d’échantillonnage qui est modifié et en l’occurence diminuée. Il en résulte
alors que le spectre est modifié du fait de la diminution des valeurs complexes associées aux différentes raies et du fait des
fréquences de ces différentes raies qui sont plus proches les unes des autres.
Soit xn un signal temps discret périodique de période N échantillonné à la fréquence d’échantillonnage fex et yn un signal
temps discret périodique avec les mêmes valeurs que xn et de même période N mais échantillonné à la nouvelle fréquence fey .
fy x
b ) sont espacées de fe
Alors les raies de Yb (f ) sont espacées de Ne tandis que celles de X(f N

Ybk = Xbk
1 b 1 b
Y (f ) = x Xk
fey fe
1 L’absence 1 bk est périodique de période N . L’exemple suivant pour N = 3 : xn = {1, 1, 1} et
d’un coefficient N
peut surprendre dans la mesure où S
1
P2 P2 2
bk = {1, 0, 0} montre que
X N
= 13 doit être mis devant n=0
x2n et non devant k=0
X
bk . Une justification plus précise se trouve dans l’annexe B.4,
p. 153.

28
 Pour deux signaux temps discret périodiques xn et yn de même période N et de même fréquence d’échantillonnage fe , il est
faux de dire que le produit des transformées de Fourier est la transformée d’un produit de convolution. C’est une idée fausse
ne serait-ce parce que le produit de convolution est définie par une somme infine et qu’appliqué à des signaux périodiques il
produirait une suite infinie en tout instant. Cette propriété est vraie si on utilise le produit de convolution circulaire définie par
N −1
1 X
xn  yn = xk yn−k (4.14)
N
k=0

Cependant si N est grand, xn  yn est parfois une bonne approximation du produit de convolution de signaux rendus non
périodiques en annulant les indices contenus hors de {0...N − 1}. Cette approximation est, nous le verrons, assez souvent utiliser
en particulier lorsque les filtres sont assez complexes et leur réponses fréquentielles bien déterminées. Cette approximation repose
sur la même idée que le fait de considérer la transformée de Fourier discrète comme une bonne approximation de la transformée
de Fourier à temps discret.

4.5 Exemples de transformées de Fourier discrète de signaux

On considère un signal xn = 1 échantillonné à la fréquence d’échantillonnage fe et périodique de période N = 1. Sa
transformée de Fourier discrète est X bk = 1 d’après (4.8), mais ces coefficients complexes correspondent à des fréquences qui
sont espacées de fe , tandis que le signal xn a ses échantillons espacées de Te = f1e . xn et X
bk correspondent à un signal et à un
spectre tous deux composés d’une infinité de raies régulièrement espacés qui sont ce qu’on appelle un peigne de Dirac et c’est
pour cette raison que l’on dit aussi que la transformée de Fourier d’un peigne de Dirac est un peigne de Dirac, en fait un peigne
de Dirac divisé par l’intervalle de temps entre chaque Dirac du premier peigne de Dirac, ce qui revient à dire multiplié par fe ,
ceci confirme le terme fe rajouté dans (4.9) et (4.10).
" # " #
X 1 X
TF δ(t − nTe ) = δ(f − kfe )
Te
n∈Z k∈Z

(1) (1) (1)

On considère un signal xn périodique de période N et échantillonné à la fréquence fe défini par xn = {10...0}. Sa
transformée de Fourier est Xb (1) = 1 {1...1} d’après (4.8). On peut aussi voir x(1)
n comme étant une façon différente d’écrire le
k N
(1) (1) (1)
signal xn en posant Te = N Te , N Te sépare en effet les échantillons non-nuls de xn qui sont les seuls échantillons utiles. Le
fe(1) fe(1) (1)
spectre de xn est en fait composé de raies espacées de fe = N et de valeur fe × 1 = N qui coïncide avec le spectre de xn
f (1) (1)
dont les raies sont aussi espacées N
e
et ont aussi comme valeur fe N1 . On confirme ainsi aussi l’importance du terme fe rajouté
dans (4.10).
(2) (2)
On considère un signal xn périodique de période N et échantillonné à la fréquence fe défini par xn = {11...1}. Sa
(2)
transformée de Fourier discrète vaut Xbk = {10...0} d’après (4.8). On peut aussi voir xn comme étant une façon différente
(2) fe(2) (2)
d’écrire le signal xn en posant Te = Te . Le spectre de xn est composé de raies espacées de fe = N N et de valeur fe = fe
(2) f (2)
qui coïncident avec les raies non-nulles de xn qui sont espacées de N N e
(il n’y a qu’une valeur de k pour chaque ensemble de
N valeurs pour lesquelles X bk sont non-nuls), et ces raies sont de valeurs fe(2) puisque quand X bk est non-nul il vaut 1.
(3) (3)
On considère un signal xn temps discret de fréquence d’échantillonnage fe et périodique de période N défini sur sa période
par δn−d où d ∈ {0..N − 1}. Sa transformée de Fourier discrète vaut X bk = 1 e−j2π dkN par application de (4.8). On peut aussi
N
(3) (1)
voir que xn est le signal xn retardé de d pas de temps et retrouver ainsi le résultat par application de (4.13).
(4) (4)
On considère un signal xn temps discret de fréquence d’échantillonnage fe et périodique de période N définie par xn =
cos(2π N ). Sa transformée de Fourier vaut
dn

b (4) = b (4) = 1 et X
et X b (4)
k̸={d,N −d} = 0 si d ̸= N/2
1
X d 2 N −d 2
(4) (4)
X
b
N/2 = 1 et Xk̸=d = 0 sinon
b

Il serait difficile de trouver ce résultat avec (4.8) mais on peut décomposer xn en la somme de deux exponentielles complexes
dn dn
xn = 12 ej2π N + 12 e−j2π N et utiliser la définition de la transformée de Fourier discrète inverse (4.11). On considère d’abord le
cas d ̸= N/2, et on voit que
dn
TFD−1 [δk−d [k]] [n] = ej2π N

et que
(N −d)n dn
TFD−1 [δk+N −d [k]] [n] = ej2π N = e−j2π N

Ce qui suffit pour trouver le résultat souhaité. Dans le cas où d = N/2, les deux exponentielles complexes qui composent le signal
sinusoïdal sont en fait confondues en une seule exponentielle. Cet exemple montre qu’il est aussi possible de décaler le spectre
29
fréquentiellement en le multipliant par un signal sinusoïdal, ce signal sinusoïdal étant lui aussi temps discret et périodique de la
même période.
Répliquer un signal signifie juxtaposer le signal défini sur un intervalle de temps un certain nombre de fois. Répliquer un
signal périodique sur un intervalle correspondant à sa période ne modifie pas le signal. Mais s’agissant d’un signal temps discret
périodique, cela modifie considérablement les calculs effectués par la transformée de Fourier discrète et tout se passe comme si
la réplication de P fois le signal introduit P − 1 zéros dans les coefficients de la transformée de Fourier discrètes calculés.
Soit xn un signal temps discret périodique de période N de fréquence d’échantillonnage fe de coefficients de transformée de
Fourier discrète Xbk . Soit yn un signal temps discret périodique de période P N échantillonné à fe défini par

yn = {x0 ...xN −1 x0 ...xN −1 ...x0 ..xN −1 }

Alors

Ybk = {X0 0...0 X1 0...0 ...XN −1 0...0}

Insérer des zéros dans un signal temps discret signifie augmenter la fréquence d’échantillonnage par un facteur multiplicatif
entier et mettre à zéro la valeurs des échantillons nouvellementa apparus. Cela ne change pas le signal, mais s’agissant d’un
signal temps discret périodique, cela modifie considérablement le calcul de la transformée de Fourier discrète et tout se passe
comme si l’introduction de P − 1 zéros dans le signal temps discret (et la multiplication par P de la fréquence d’échantillonnage)
provoque la réplication P fois, des coefficients de la transformée de Fourier discrète calculés.
Soit xn un signal temps discret périodique de période N de fréquence d’échantillonnage fe et de coefficients de transformée
de Fourier discrète Xbk . Soit yn un signal temps discret périodique de période P N de fréquence d’échantillonnage P fe défini par

yn = {x0 0...0 x1 0...0 ... xN −1 0...0}

Alors
1
Ybk = {X0 X1 ...XN −1 X0 X1 ...XN −1 ...X0 X1 ...XN −1 }
P

4.6 Notation matricielle

2π
En notant W = e−j N , on peut noter la transformée de Fourier discrète sous forme matricielle

1 1 1 1 .. 1
   
 
X0
b
 1  x0
W W2 W3 .. W N −1
 X1   x1
 b 
1  1 .. W 2(N −1)
 
W2 W4 W6

 =
 
 b
 X2
   x2
 1

N W3 W6 W9 .. W 3(N −1)  :
 
 :
 
 : : : : :: :
 

X xN −1
1 W N −1 W 2(N −1) W 3(N −1) .. W (N −1)(N −1)
bN −1

Tous ces calculs sont faits à N fixés et dans ce cas la valeur de W ne change pas d’un bout à l’autre de la matrice, ce qui autorise
cette écriture, mais ceci n’est plus vrai si on modifie N parce qu’alors la valeur de W change.

4.7 Bourrage de zéros

Le bourrage de zéros concerne les signaux à temps discret périodiques et se distinguent de l’insertion de zéros entre chaque
échantillons, le bourrage de zéros consiste à placer tous ces zéros en un seul emplacement et le signal est réellement modifié.
On a alors deux propriétés, d’une part si le nombre de zéros rajoutés est un multiple du nombre d’échantillons initial alors
certaines valeurs de la transformée de Fourier discrète du nouveau signal coïncident avec les valeurs de la transformée de Fourier
discrète de l’ancien signal à un facteur près. D’autre part plus on rajoute ainsi des zéros, plus la tranformée de Fourier discrète
se rapproche de la transformée de Fourier à temps discret du signal apériodisé.
Pour un signal temps discret périodique de période N et de fréquence d’échantillonnage fe , on appelle signal apériodisé le
signal yn = xn 1{0..N −1} .
Pour un signal xn temps discret périodique de période N et de fréquence d’échantillonnage fe , on dit qu’on fait un bourrage
de zéro lorsqu’on considère le signal yn temps discret de même fréquence d’échantillonnage fe et périodique mais sur une période
plus longue M > N

yn = xn si n ∈ {0..N − 1}
yn = 0 si n ∈ {N..M − 1}

La première propriété énonce que l’on peut parfois retrouver certaines valeurs complexes de la transformée de Fourier discrète
du nouveau signal à partir de la transformée de Fourier discrète de l’ancien signal. Si M est un multiple de N alors ∀k ∈
{0..N − 1}, M Ybk M = N Xbk Mais on n’a pas d’informations de ce type pour les autres valeurs.
N

30
 La deuxième propriété concerne la possibilité d’utiliser le bourrage de zéros pour faire de l’approximation. Plus M est grand,
plus on réalise un bonne approximation de la transformée de Fourier à temps discret du signal apériodisé

TFD[yn ][k] ≈ TFTD xn 1{0..N −1} [n] (kfe /N )

 

Le terme bourrage de zéro est parfois utilisé lorsqu’on rajoute des zéros à la transformée de Fourier discrète de façon à réaliser
un sur-échantillonnage avec interpolation. Cependant la façon de rajouter les zéros est différente et repose sur le prochain cours
sur le repliement de spectre.

QCM
Question 1 Soit xn un signal temps discret non-périodique. On note X̂(f ) sa transformée de Fourier à temps discret.
• A. Il est possible de retrouver xn à partir de la connaissance de fe et de X̂(f ).
• B. X̂(f ) est périodique.
• C. La fréquence d’échantillonnage fe est égale au temps qui s’écoule entre deux pas de temps successifs.
• D. Si xn est un signal nul alors X̂(f ) est nul.

Question 2 La transformée de Fourier à temps discret

• A. est adaptée aux signaux temps discret périodiques
• B. est adaptée aux signaux temps discret non-périodiques
• C. produit un spectre formé de raies
• D. produit un spectre qui peut s’écrire sous la forme d’une somme infinie de diracs.

3 ) et s2 [n] = cos( 3 )
Question 3 On considère un signal temps continu s1 (t) = cos( 2πt 2πn

• A. s1 n’est pas périodique.

• B. s2 est la quantification de s1 .
• C. Pour calculer la transformée de Fourier de s2 on applique la Transformée de Fourier Discrète.
• D. s1 est une sinusoïde de fréquence 3Hz.

Question 4 On considère un signal temps discret périodique de période 3 et xn = {1, 0, 0}. On note X̂ le spectre. La période
d’échantillonnage est de 3s.
• A. Lorsqu’on prolonge xn , on observe que x4 = 0 et x−1 = 0.
• B. Le spectre est une succession de raies espacées de 13 Hz.

• C. A la première raie, on a X̂0 = 13 .

• D. A la deuxième raie, on a X̂1 = 0.

Question 5 On considère des signaux sinusoïdaux de fréquence f0 .

• A. La transformée de Fourier d’un signal sinusoïdal à temps continu est nécéssairement un ensemble de deux raies.
• B. La transformée de Fourier d’un signal sinusoïdal à temps discret est nécéssairement un ensemble de deux raies.
• C. Augmenter la fréquence f0 d’un signal sinusoïdal à temps continu, cela peut aussi se voir comme le fait de modifier
l’échelle des temps.
• D. La transformée de Fourier d’un signal sinusoïdal à temps discret est toujours périodique.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D
31
Chapter 5

Repliement de spectre, filtres : Cours E

5.1 Filtre analogique et réponse fréquentielle

Un filtre analogique transforme un signal d’entrée x(t) en un signal de sortie y(t).

y(t) = H[x(t)](t) (5.1)

Le premier t et le deuxième t ne peuvent avoir la même valeur, il s’agit d’un abus de notation qui entre autre a l’avantage de
pouvoir écrire plus facilement la notion d’invariance dans le temps (5.2). Les trois t rappellent que l’entrée et la sortie sont des
fonctions. Le crochet ouvrant et fermant permet de préciser l’entrée sur lequel le filtre s’applique. H n’est pas une application
d’un nombre réel vers un nombre réel mais une application d’une fonction vers une fonction. Le fait de modifier l’entrée x(t) sur
une intervalle de tempps I1 peut avoir une conséquence sur al sorie sur un autre intervalle de temps.
On s’intéresse généralement à des filtres linéaires temps invariant et causaux. Un filtre est dit linéaire si d’une part il conserve
la multiplication par un nombre

H[λx(t)] = λH[x(t)]

et s’il conserve l’additivité des signaux

H[x(t) + y(t)] = H[x(t)] + H[y(t)]

Un filtre est dit temps invariant, s’il conserve le décalage dans le temps : si on retarde l’entrée de τ alors la sortie est retardée
de τ :

H[x(t − τ )](t) = H[x(t)](t − τ ) (5.2)

Un filtre est dit causal si une modification dans le temps pour des instants supérieurs à t0 ne peut affecter la sortie pour des
instants inférieurs à t0 .
On peut définir la réponse fréquentielle d’une filtre uniquement lorsque ce filtre est linéaire et temps invariant. Cette réponse
fréquentielle est définie pour chaque fréquence et notée Ĥ(f ) et définie comme le facteur multiplicatif entre la transformée de
Fourier de l’entrée X̂(f ) = TF[x(t)](f ) et la transformée de Fourier de la sortie Ŷ (f ) = TF[y(t)](f ).

Ŷ (f ) = Ĥ(f )X̂(f ) (5.3)

La grande importance accordée à la transformée de Fourier vient entre autre de (5.3) est valable pour les filtres linéaires
temps invariant.
Beaucoup de filtres peuvent approximativement être considérés comme un de ces cinq types de filtres en fonction de ce que
leur réponse fréquentielle ressemble à un des graphiques de la figure 5.1.
Sur la figure 5.1, on appelle fréquence de coupure la fréquence pour laquelle la réponse fréquencielle passe de 1 à 0, elle vaut
1 pour les deux premiers graphiques et 0.5 et 1.5 pour les deux suivants. Toutes ces courbes sont symétriques par rapport à
f = 0, c’est généralement le cas des réponses fréquentielles, (plus précisément c’est le cas lorsque le filtre transforme des signaux
à valeurs réelles en des signaux à valeurs réelles).
Un filtre passe-tout n’est pas nécessairement un filtre identité où la sorite serait égale à l’entrée, en effet la phase de la réponse
fréquentielle (arg(Ĥ(f ))) peut varier ce qui est le cas pour un filtre à retard, c’est-à-dire un filtre dont la sortie est égale à l’entrée
retardée d’un certain laps de temps.
La réponse fréquentielle donne des informations sur le comportement du filtre, la fréquence nulle correspond au comportement
à longue durée.
La moyenne du signal en sortie peut s’exprimer en fonction de la moyenne du signal en entrée et la valeur de la réponse
fréquentielle en la fréquence nulle.
32
Figure 5.1: Types de filtres analogiques

33
 < y(t) >= Ĥ(0) < x(t) >

où < x(t) > et < y(t) > désignent les moyennes des signaux en entrée et en sortie. Ces moyennes peuvent se calculer avec
1 T 1 T /2
T 0 x(t)dt lorsque le signal considéré est périodique de période T ou avec limT →+∞ T −T /2 x(t)dt lorsque le signal n’est pas
R R

périodique.
Tout signal peut s’interprêter comme un mélange de sinusoïdes de diverses fréquences et le filtre amplifie/atténue, avance/retarde
chacune de ces sinusoïdes en fonction de la valeur de la réponse fréquentielle associée à cette fréquence-là.
Si le signal en entrée est x(t) = cos(2πf0 t) alors le signal en sortie est

y(t) = Ĥ(f0 ) cos(2πf0 t + ϕ)

 
où ϕ = arg Ĥ(f0 ) . C’est le module de la réponse fréquentielle Ĥ(f0 ) qui détermine s’il y a amplification ou atténuation du
 
signal et c’est la phase de la réponse fréquentielle arg Ĥ(f0 ) qui détermine s’il y a avance ou retard du signal. Cette affirmation
n’est valable que si le signal en entrée est une sinusoïde définie sur R. Cette affirmation peut aussi se mettre sous la forme

H ej2πf0 t = Ĥ(f0 )ej2πf0 t

 

5.2 Filtre numérique et réponse fréquentielle

Un filtre numérique est identique à un filtre analogique à ceci près qu’il s’applique à un signal temps discret xn (l’entrée) et
que sa sortie est aussi un signal temps discret yn .

yn = H [xn ] [n]

Dans cette notation les trois n sont des variables muettes au même titre que les trois t de (5.1). Le premier n et le deuxième n
n’ont pas les mêmes valeurs, il s’agit aussi d’un abus de notation. H n’est pas une application d’un nombre réel vers un nombre
réel mais une application d’une suite xn vers une autre suite yn . Le fait de modifier l’entrée xn à un instant n0 peut en général
avoir des conséquences sur la sortie yn à un autre instant n1 ̸= n0 .
On s’intéresse généralement à des filtres numériques linéaires temps invariants et causaux.
Un filtres est dit linéaire s’il conserve la multiplication par un nombre

H [λxn ] [n] = λH [xn ] [n]

et s’il conserve l’additivité des signaux

H [xn + yn ] [n] = H [xn ] [n] + H [yn ] [n]

Un filtre est dit temps invariant s’il conserve le décalage dans le temps

H [xn−n0 ] [n] = H [xn ] [n − n0 ]

Les réponses fréquentielles sont définies pour les filtres numériques linéaires temps invariant pour chaque fréquence comme
le facteur multiplicatif entre la transformée de Fourier à temps discret de l’entrée X̂(f ) = TFTD[xn ](f ) et la transformée de
Fourier à temps discret de la sortie Ŷ (f ) = TFTD[yn ](f ).

Ŷ (f ) = Ĥ(f )X̂(f )

La différence entre cette réponse fréquentielle et celle définie pour les filtres analogiques est que celle-ci est périodique de
période fe (fréquence d’échantillonnage), du fait des propriétés de la transformée de Fourier à temps discret. La réponse
fréquentielle d’un filtre filtre numérique est généralement représentée sur l’intervalle [−fe /2, fe /2] parce que cet intervalle suffit
à déterminer complètement la réponse fréquentielle.
Beaucoup de filtres numériques approximés par un de ces cinq filtres en fonction de la ressemblance entre les réponses
fréquentielles et l’une des courbes de la figure 5.2.
La réponse fréquentielle donne des informations sur le comportement du filtre, la fréquence nulle correspond au comportement
à longue durée.
La moyenne du signal en sortie peut s’exprimer en fonction de la moyenne du signal en entrée et la valeur de la réponse
fréquentielle en la fréquence nulle.

< yn >= Ĥ(0) < xn >

34
Figure 5.2: Types de filtres analogiques

35
oùP< xn > et < yn > désignent les moyennes des signaux en entrée et en sortie. CesPmoyennes peuvent se calculer avec
N −1 N
n=0 xn lorsque le signal considéré est périodique de période N ou avec limN →+∞ 2N +1 n=−N xn lorsque le signal n’est pas
1 1
N
périodique.
Tout signal peut s’interprêter comme un mélange de sinusoïdes de diverses fréquences et le filtre amplifie/atténue, avance/retarde
chacune de ces sinusoïdes en fonction de la valeur de la réponse fréquentielle associée à cette fréquence-là.  
Si le signal en entrée est x(t) = cos(2πf0 nTe ) alors le signal en sortie est y(t) = Ĥ(f0 ) cos(2πf0 nTe + ϕ) où ϕ = arg Ĥ(f0 )
et Te est la période d’échantillonnage. C’est le module de la réponse fréquentielle Ĥ(f0 ) qui détermine s’il y a amplification ou
 
atténuation du signal et c’est la phase de la réponse fréquentielle arg Ĥ(f0 ) qui détermine s’il y a avance ou retard du signal.
Cette affirmation n’est valable que si le signal en entrée est une sinusoïde définie sur Z (i.e. tous les entiers positifs et négatifs).
Cette affirmation peut aussi se mettre sous la forme

H ej2πf0 nTe = Ĥ(f0 )ej2πf0 nTe

 

5.3 Repliement de spectre

Dans cette section nous nous intéressons à la relation qui doit exister entre la transformée de Fourier d’un signal temps
continu s(t) et la transformée de Fourier à temps discret d’un signal échantillonné sn = s (nTe ) (ou sn = 21 s (nTe− ) + 12 s (nTe+ )
le cas échéant comme indiqué dans la remarque 1). On considère tout d’abord des signaux non-périodiques. Cette relation est
donnée par
1 X
TFTD [sn ] (f ) = TF [s(t)] (f − kfe ) (5.4)
fe
k∈Z

On peut remarquer TFTD[sn ](f ) est périodique alors que TF[s(t)](f ) ne l’est pas. Cette contradiction est résolue dans (5.4)
en superposant toutes les fonctions construites à partir de TF[s(t)](f ) et décalées de kfe avec k un entier positif ou négatif.
Cette superposition infinie produit une fonction périodique. Il faut faire attention que si on représente souvent les transformées
de Fourier au moyen de modules, ce ne sont pas les modules qui sont ajoutés dans (5.4) mais les valeurs complexes de ces
transformées de Fourier. La justification de (5.4) provient de la ressemblance entre ces deux formules

1 fe /2
Z
sn = TFTD[sn ](f )ej2πf nTe df
fe −fe /2

Z +∞
s(nTe ) = TF[s(t)](f )ej2πf nTe df
−∞

(5.4) rappelle que s’il est possible de calculer TFTD[sn ] à partir de TF[s(t)] il n’est pas possible de faire l’inverse et de trouver
TF[s(t)](f ) à partir de TFTD[sn ]. Ce constat est cohérent avec le fait que si on peut échantillonner un signal s(t) 7→ sn il y a
toujours une ambigüité dans la transformation inverse, transformation que l’on appelle interpolation, ambigüité que l’on peut
lever lorsqu’on impose au signal s(t) une contrainte supplémentaire celle du critère de Shannon-Nyquist.

Plus généralement lorsqu’on considère un signal temps continu

1 X
TF [sn ] (f ) = TF [s(t)] (f − kfe ) (5.5)
fe
k∈Z

En particulier cette relation (5.5) peut être utilisée pour calculer la transformée de Fourier d’un signal temps discret défini
par yn = cos(2πf0 nTe ) échantillonné à la fréquence fe . Un tel signal est périodique quand f0 Te est un rationnel (c’est-à-dire
qu’il s’agit d’un nombre qui peut s’écrire comme le quotient de deux entiers). Considérer yn comme non-périodique et par suite
chercher à appliquer la transformée de Fourier à temps discret pose un problème dans la mesure où l’expression n’est pas définie
au sens des outils classiques et pour cause le résultat est une somme infinie de Diracs. En revanche (5.5) permet justement
d’obtenir le résultat simplement. yn est l’échantillonnage de x(t) = cos(2πf0 t) dont la transformée de Fourier est
1 1
X̂(f ) = δ(f − f0 ) + δ(f + f0 )
2 2
L’application (5.5) permet alors d’affirmer que la transformée de Fourier de yn est

fe X
Ŷ (f ) = (δ(f − f0 − kfe ) + δ(f + f0 − kfe ))
2
k∈Z

36
5.4 Critère de Shannon-Nyquist
Un signal vérifie le critère de Shannon-Nyquist vis-à-vis de la fréquence d’échantillonnage fe si

Ŝ(f ) = 0 pour f ̸∈] − fe /2, fe /2[

Ce critère peut aussi s’exprimer en calculant fmax , la fréquence au-delà de laquelle la transformée de Fourier de s(t) est nulle

fmax = supf {f | |Ŝ(f )| > 0}

et en imposant que
fe
fmax <
2
On démontre qu’alors on peut retrouver s(t) à partir de son signal échantillonné à la fréquence fe : sn = s( fne ) et (5.4) se
simplifie en
1
TFTD [sn ] (f ) = TF [s(t)] (f )
fe

5.5 Interpolation et reconstruction d’un signal

L’interpolation d’un signal temps discret vers un signal temps continu signifie en général chercher un signal temps continu
en s’aidant d’un certain nombre d’informations sur ce que devrait être le signal temps continu. En traitement du signal,
l’interpolation prend un sens plus explicite. Nous nous intéresserons plus particulièrement aux signaux non-périodiques. Le
signal temps continu x(t) recherché coïncide avec xn aux instants nTe et ce signal doit avoir une transformée de Fourier nulle en
dehors des fréquences [−fe /2, fe /2] et cette transformée de Fourier doit coïncider avec f1e TFTD[xn] dans l’intervalle [−fe /2, fe /2].
fe désigne la fréquence d’échantillonnage du signal temps discret à interpoler.
En pratique on cherche rarement à calculer x(t) pour tous les instants mais plutôt en un isntant en particulier ou en un
ensemble d’instants régulièrement répartis et dans ce cas on parle plutôt de sur-échantillonnage ou éventuellement de sous-échan-
tillonnage.
Le signal recherché vérifie le critère de Shannon-Nyquist et (5.4) permet d’écrire
1
 
x(t) = TF−1 TFTD[xn ](f )1[−fe /2,fe /2] (f ) (t) (5.6)
fe
Ainsi l’interpolation peut s’interprêter comme le fait d’appliquer (i.e. mutliplier) une porte (1[−fe /2,fe /2] (f )) sur le spectre
périodique de période fe de xn (TFTD[xn ](f )) et d’appliquer la transformée de Fourier inverse.
On peut aussi écrire sous la forme d’une série infinie
+∞
X sinfe π(t − nTe )
x(t) = xn (5.7)
n=−∞
fe π(t − nTe )

Le signal interpolé peut alors aussi se voir comme une superposition de courbes en sinus cardinales sinf e π(t−nTe )
fe π(t−nTe ) dont le lobe
principal est de largeur 2Te et dont les autres lobes sont de largeur Te , ces courbes sont décalés les unes par rapport aux autres
de Te , elles sont nulles à tous les instants kTe sauf en un instant où se trouve leur maximum 1 .
La formule (5.7) se déduit de (5.6)
+∞
!
1
Z +∞ X
x(t) = xn e −j2πf nTe
1[−fe /2,fe /2] (f )ej2πf t df
−∞ fe n=−∞

La fonction indicatrice 1[−fe /2,fe /2] (f ) permet de modifier les bornes de l’intégrale. Les propriétés des fonctions exponentielles
permettent alors d’écrire que
+∞
fe /2
1 X
Z
x(t) = xn ej2πf (t−nTe ) df
−fe /2 fe n=−∞

On échange le signe somme et l’intégrale

+∞
1 fe /2
X Z
x(t) = xn ej2πf (t−nTe ) df
n=−∞
fe −fe /2

1 On peut noter que le noyau aurait pu aussi s’écrire sinfe πt

fe π(t−nTe )
car sin(fe πnTe ) = sin(πn) = 0. Cependant le noyau s’écrit en général de l’autre
façon car elle montre que la formule s’exprime au moyen d’une fonction appelée sinus cardinal ingénieur.

37
L’évaluation de l’expression intégrale permet de conclure
 j2πf (t−nTe ) fe /2
1 fe /2
1 sinfe π(t − nTe )
Z
e
e j2πf (t−nTe )
df = =
fe −fe /2 fe j2πf (t − nTe ) −fe /2 fe π(t − nTe )

Par extension il est possible d’utiliser (5.7) pour interpoler un signal xn temps discret périodique de période N échantillonné
à la fréquence fe = T1e . On obtient alors un signal x(t) temps continu périodique de période N Te dont le spectre est composé de
raies en les fréquences fk = NkTe avec k < N/2.

5.6 Sous-échantillonnage
Sous-échantillonner un signal consiste à construire un nouveau signal yn à partir de xn dont la nouvelle fréquence d’échantllonnage
feY est plus faible que la fréquence d’échantillonnage de xn , feX . La nouvelle période d’échantillonnage et par suite la durée entre
les nouveaux échantillons successifs auront augmentés TeY > TeX .
Implicitement, ce qu’on appelle sous-échantillonner un signal, c’est trouver le signal à une fréquence plus faible qui conserve
autant que possible les mêmes informations. Pour simplifier, on considère ici que xn et yn sont des signaux non-périodiques. Le
spectre du signal sous-échantillonné (Ŷ (f ) = TFTD[yn ](f )) est périodique et sa période est une bande de fréquence plus étroite
que celle dont est périodique le spectre de xn . Le signal sous-échantillonné est défini par le fait que son spectre coïndice avec
celui de xn sur [−feY /2, feY /2] à un facteur près.

∀f ∈ [−feY /2, feY /2], TFTD[yn ](f ) = TFTD[xn ](f )

Pour un certain nombre d’applications, feY = feX /M avec parfois M = 2 ou M = 3. La façon d’obtenir ce signal yn consiste
à passer par un intermédiaire zn qui a la même fréquence d’échantillonnage que xn et les mêmes informations que yn . Ce
procédé peut se voir comme une conséquence du critère de Shannon-Nyquist qui impose à zn d’avoir le même spectre que xn sur
[−feY /2, feY /2] et d’avoir un spectre nul sur le complémentaire de cet intervalle au sein de l’intervalle [−feX /2, feX /2].
[
∀f ∈ [−feX /2, −feY /2] [feY /2, feX /2], TFTD[zn ](f ) = 0
∀f ∈ [−feY /2, feY /2], TFTD[zn ](f ) = TFTD[xn ](f )

On utilise un filtre pour calculer zn à partir de xn . Et on calcule yn à partir de zn en prélevant un échantillon tous les M
échantillons.

zn = H[xn ][n] et yn = M znM

feY
Techniquement, c’est au moment de la réduction de la fréquence que risque d’apparaître un facteur multiplicatif feX
si on ne met
pas le coefficient M , mais parfois cette normalisation est faite en modifiant le filtre appliqué entre xn et zn .

5.7 Sur-échantillonnage
Sur-échantillonner un signal consiste à construire un nouveau signal yn à partir de xn dont la nouvelle fréquence d’échan-
tillonnage feY est plus élevée que la fréquence d’échantillonnage de xn , feX . La nouvelle période d’échantillonnage TeY et par
suite la durée entre les échantillons successifs auront diminué TeY < TeX .
Implicitement, ce qu’on appelle sur-échantillonner un signal, c’est trouver le signal à une fréquence plus élevée qui n’a pas
ajouté d’autres informations à celles qui se trouvaient dans xn . Pour simplifier, on considère ici que xn et yn sont des signaux
non-périodiques. Le spectre du signal sur-échantillonné (Ŷ (f ) = TFTD[yn ](f )) est périodique sur une bande de fréquence feY
plus large que celle du spectre de xn , feX . Le signal sur-échantillonné est défini par le fait que son spectre coïncide sur la bande
spectrale commune [−feX /2, feX /2] et qu’il est nul sur la bande spectrale complémentaire dans [−feY /2, feY /2].

∀f ∈ [−feX /2, feX /2], TFTD[yn ](f ) = TFTD[xn ](f )

[
∀f ∈ [−feY /2, −feX /2] [feX /2, feY /2], TFTD[yn ](f ) = 0

Pour un certain nombre d’applications, feY = M feX avec parfois M = 2 ou M = 3. La façon d’obtenir ce signal yn consiste à
passer par un intermédiaire zn qui a les mêmes informations que xn et la même fréquence d’échantillonnage que yn . La différence
par rapport au sous-échantillonnage est qu’ici, on modifie d’abord la fréquence d’échantillonnage en passant de xn à zn puis on
applique un filtre de façon à transformer zn en yn . La réponse fréquentielle de ce filtre doit vérifier idéalement
[
∀f ∈ [−feY /2, −feX /2] [feX /2, feY /2], Ĥ(f ) = 0
∀f ∈ [−feX /2, feX /2], Ĥ(f ) = 1

38
 znM = M xn et yn = H[zn ][n]
fY
Techniquement, c’est au moment de l’augmentation de la fréquence que risque d’apparaître un facteur multiplicatif feX si on ne
e
met pas le coefficient M , mais parfois cette normalisation est faite en modifiant le filtre appliqué entre xn et zn .
On peut remarquer que si on n’applique que la première étape, rajout de M − 1 zéros, le spectre est bien périodique sur une
période de fréquence plus large (feY = M feX ), il est cependant aussi égal à celui de xn sur cette bande plus large. C’est le fait
d’imposer que le spectre du signal sur-échantillonné yn est nul sur la bande complémentaire qui fait que les échantillons rajoutés
ne restent pas nuls lors de la deuxième étape.

QCM
Question 1 Soit H un filtre numérique passe-bas.
• A. La réponse fréquentielle de H est périodique.
• B. La réponse fréquentielle de H est non-périodique.
• C. Le module de la réponse fréquentielle de H est a priori maximal en la fréquence nulle.
• D. Le module de la réponse fréquentielle de H est a priori maximal en la moitié de la fréquence d’échantillonnage.
Question 2 On réalise un sous-échantillonnage du signal xn . Le résultat est noté yn .
• A. La période d’échantillonnage de yn est plus petite que celle de xn .
• B. Pour s’approcher des conditions du critère de Shannon-Nyquist il est nécessaire d’appliquer un filtre après le sous-
échantillonnage.
• C. Pour réaliser le sous-échantillonnage en s’approchant des conditions du critère de Shannon-Nyquist il est nécessaire que
le filtre à appliquer soit un passe-bas.
• D. La fréquence d’échantillonnage de yn est plus petite que la fréquence d’échantillonnage de xn .
Question 3 Soit x(t) un signal temps continu non-périodique dont on réalise l’échantillonnage. Le signal échantillonné est noté
xn . On note fe la fréquence d’échantillonnage.
• A. Le spectre du signal échantillonné est nécessairement périodique de période fe .
• B. Si le critère de Shannon-Nyquist est vérifié alors le spectre du signal échantillonné coïncide avec le spectre du signal
x(t) à une constante de proportionalité près sur l’intervalle [−fe /2, fe /2].
• C. Si le critère de Shannon-Nyquist est vérifié alors le repliement de spectre conduit à l’apparition de pics nouveaux dans
le spectre entre [−fe /2, fe /2].
• D. Si le spectre de x(t) est nul au-delà de f = 1kHz, alors le critère de Shannon-Nyquist est vérifié quand fe > 2kHz.
Question 4 Un filtre numérique de réponse fréquentielle périodique de période 10Hz et qui vaut Ĥ(f ) = 1[−2,2] (f ) sur l’intervalle
[−5, 5] exprimé en Hz est :
• A. Un filtre passe-bas.
• B. Un filtre passe-haut.
• C. Un filtre passe-bande.
• D. Un filtre coupe-bande.
Question 5 On considère un signal s(t) = | cos(2πt)| On observe que du fait de la valeur absolue, il est périodique de période
R T /2 t
T = 1/2. L’unité est la seconde. On note Ŝk les coefficients complexes Ŝk = T1 −T /2 s(t)e−j2πk T dt
• A. Le spectre est constitué d’un nombre fini ou infini de raies espacées de 2Hz.
• B. Le coefficient Ŝ3 correspond à f = 3/2Hz.
• C. Le coefficient Ŝ3 est nécessairement positif ou nul parce que s(t) est positif ou nul.
• D. Le coefficient Ŝ0 est nécessairement positif ou nul parce que s(t) est positif ou nul.
Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D
39
Chapter 6

Filtres et descripteurs de signaux : Cours

EBis

6.1 Filtres analgoqiques et produit de convolution en temps continu

Nous nous intéressons ici aux signaux à temps continu.
Le produit de convolution est une opération définie sur des signaux temps continu non-périodiques x(t) et y(t). Le résultat
du produit de convolution est aussi un signal temps continu non-périodique z(t).
Z +∞
z(t) = x(t) ⋆ y(t) = x(τ )y(t − τ ) dτ (6.1)
−∞

Dans la notation z(t) = x(t) ⋆ y(t), les différents t ne sont pas identiques, il s’agit d’un abus de notation. L’expression à l’intérieur
de l’intégrale peut s’écrire différemment en échangeant τ et t − τ , un moyen mémotechnique pour vérifier la formule est de vérifier
que la somme des arguments de x et de y à l’intérieur de l’expression intégrale est égale à l’argument de z.
Le produit de convolution vérifie les propriétés auxquelles on peut s’attendre : commutativité x(t) ⋆ y(t) = y(t) ⋆ x(t),
associativité x(t) ⋆ (y(t) ⋆ z(t)) = (x(t) ⋆ y(t)) ⋆ z(t), linéarité à gauche (λx(t)) ⋆ y(t) = λ(x(t) ⋆ y(t)) et (x(t) + y(t)) ⋆ z(t) =
x(t) ⋆ z(t) + y(t) ⋆ z(t) et linéarité à droite x(t) ⋆ (λy(t)) = λ(x(t) ⋆ y(t)) et (x(t) ⋆ (y(t) + z(t)) = x(t) ⋆ y(t) + x(t) ⋆ y(t). La
fonction de dirac est l’élément neutre du produit de convolution x(t) ⋆ δ(t) = x(t). Le produit de convolution vérifie une autre
propriété importante : la transformée de Fourier du produit de convolution de deux signaux est le produit de leur transformée
de Fourier.

TF [x(t) ⋆ y(t)] (f ) = TF [x(t)] (f ) TF [y(t)] (f )

L’intérêt du produit de convolution est justement que tout filtre linéaire temps invariant H peut être défini au moyen d’un
signal appelé réponse impulsionnelle h(t) et du produit de convolution

H[x(t)] = h(t) ⋆ x(t)

Par exemple un filtre à retard H[x(t)](t) = x(t − t0 ) a pour réponse impulsionnelle h(t) = δ(t − t0 ).
Si on place un filtre H2 en sortie d’un filtre H1 et que les réponses impulsionnelles de H1 et H2 sont h1 (t) et h2 (t) alors la
composition de ces deux filtres est un filtre de réponse impulsionnelle h1 (t) ⋆ h2 (t). En particulier si l’entrée est une fonction de
Dirac x(t) = δ(t), alors la sortie est la réponse impulsionnelle y(t) = h(t). C’est cette observation qui a donné le nom de réponse
impulsionnelle (i.e. réponse à une impulsion).
La réponse fréquentielle d’un filtre est la transformée de Fourier de la réponse impulsionnelle
b ) = TF [h(t)] (f )
H(f

Cette réponse fréquentielle est parfois aussi appelée réponse harmonique. La réponse fréquentielle est a priori à valeurs complexes.
On réprésente généralement le module |H(f b )| en fonction de la fréquence f et aussi la phase arg(H(f
b )) en fonction de la fréquence
f . On peut aussi représenter la réponse fréquentielle avec un diagramme de Bode. Dans ce cas on utilise la pulsation ω = 2π f
. Il
s’agit d’une échelle logarithmique à la fois sur l’axe des ordonnées et sur l’axe des abscisses. On représente avec une échelle en
décibel 20 log1 0(|H(f
b )|) en fonction de log1 0(ω) où en fonction de ω quand ω suit une échelle logarithmique. On représente aussi
la phase arg(H(f )) en degré ou en radian en fonction de log1 0(ω) où en fonction de ω quand ω suit une échelle logarithmique.
b
L’intérêt de cette représentation est qu’un filtre comme H(p) = p+1 1
est approximativement identique une courbe constante
jusqu’à ω = 1 et ensuite une courbe décroissante avec une pente à -20dB/décade.
On définit aussi la réponse indicielle a(t) qui est la réponse du filtre à un échelon 1R+ (t). Si x(t) = 1R+ (t) alors y(t) = a(t).

40
6.2 Filtres numériques et produit de convolution en temps discret
Nous nous intéressons ici aux signaux à temps discret.
Le produit de convolution est une opération définie sur des signaux temps discret non-périodiques xn et yn . Le résultat du
produit de convolution est aussi un signal temps discret non-périodique zn .
+∞
d X
zn = xn ∗ yn = xk yn−k (6.2)
k=−∞

d
Dans la notation zn = xn ∗ yn , les différents n ne sont pas identiques, il s’agit d’un abus de notation. L’expression à l’intérieur
du signe somme peut s’écrire différemment en échangeant k et n − k, un moyen mémotechnique pour vérifier la formule est de
vérifier que la somme des arguments de x et de y à l’intérieur de l’expression intégrale est égale à l’argument de z.
d d
Le produit de convolution vérifie les propriétés auxquelles on peut s’attendre : commutativité xn ∗ yn = yn ∗ xn , associativité
d d d d d d d d d
xn ∗ (yn ∗ zn ) = (xn ∗ yn ) ∗ zn , linéarité à gauche (λxn ) ∗ yn = λ(xn ∗ yn ) et (xn + yn ) ∗ zn = xn ∗ zn + yn ∗ zn et linéarité à
d d d d d
droite xn ∗ (λyn ) = λ(xn ∗ yn ) et (xn ∗ (yn + zn ) = xn ∗ yn + xn ∗ yn . La fonction de dirac est l’élément neutre du produit de
d
convolution xn ∗ δn = xn . Le produit de convolution vérifie une autre propriété importante : la transformée de Fourier à temps
discret du produit de convolution de deux signaux est le produit de leur transformée de Fourier à temps discret.
 
d
TFTD xn ∗ yn (f ) = TFTD [xn ] (f )TFTD [yn ] (f )

L’intérêt du produit de convolution est justement que tout filtre linéaire temps invariant H peut être défini au moyen d’un
signal appelé réponse impulsionnelle hn et du produit de convolution
d
H[xn ] = hn ∗ xn

En particulier pour un filtre de réponse impulsionnelle finie (c’est-à-dire un filtre qui n’a qu’un nombre fini de termes non-nuls),
la relation entrée-sortie s’écrit

yn = h−P xn+P + h−P +1 xn+P −1 + ... + h0 xn + h1 xn−1 + ... + hN xn−N

où xn et yn sont l’entrée et la sortie de ce filtre et en supposant qu’en dehors de n ∈ {−P...N }, hn = 0.

Par exemple un filtre à retard H[xn ]n = xn−n0 a pour réponse impulsionnelle hn = δn−n0 .
Si on place un filtre H2 en sortie d’un filtre H1 et que les réponses impulsionnelles de H1 et H2 sont h1n et h2n alors la
d
composition de ces deux filtres est un filtre de réponse impulsionnelle h1n ∗ h2n .
La réponse fréquentielle d’un filtre est la transformée de Fourier à temps discret de la réponse impulsionnelle
b ) = TFTD [hn ] (f )
H(f

6.3 Intercorrélation, autocorrélation et densité spectrale

On définit l’intercorrélation, l’autocorrélation et la densité spectrale pour des signaux temps continu non-périodiques, temps
discret non-périodiques et temps discret périodiques. L’intercorrélation indique dans quelle mesure un signal est similaire à un
autre signal décalé dans le temps. L’autocorrélation indique dans quelle mesure un signal décalé dans le temps est similaire à
lui-même. La densité spectrale de puissance ou d’énergie aide à décrire comment un signal est similaire à lui-même.
On parle d’énergie pour les signaux non-périodiques, leur puissance étant nulle et on parle de puissance pour les signaux
périodiques, leur énergie étant infinie.

6.3.1 Signaux temps continu non-périodiques

L’intercorrélation s’applique à deux signaux temps continu non-périodiques x(t) et y(t) et produit un signal temps continu
non-périodique
Z +∞
γx,y (τ ) = x(t)y(t − τ ) dt (6.3)
−∞

Ainsi γx,y (τ ) mesure la similarité entre le signal x(t) et le signal y(t) retardé de τ . Il est un outil efficace pour indiquer l’existence
d’un élément de signal de x(t) qui se trouverait aussi dans y(t) mais avec un décalage dans le temps provoqué par exemple par
un écho. Lorsqu’on applique l’intercorrélation à des signaux complexes, le terme y(t − τ ) dans (6.3) doit être conjugué (i.e. le
signe de la partie imaginaire doit être modifié).

41
 On définit la densité spectrale d’énergie pour deux signaux comme la transformée de Fourier de l’intercorrélation

Γxy (f ) = TF [γxy (t)] (f )

Le théorème de Wiener Kintchine montre que cette densité spectrale d’énergie peut aussi s’exprimer en fonction des trans-
formée de Fourier des deux signaux

Γxy (f ) = X(f
b )Yb (f )

L’utilisation de l’intercorrélation est très différente de l’utilisation du produit de convolution, il y a cependant une certaine
proximité mathématique entre les deux outils.

γxy (τ ) = (x(t) ⋆ ỹ(t)) (τ ) où ỹ(t) = y(−t)

On retrouve aussi cette proximité mathématique dans le domaine fréquentiel avec le théorème de Wiener Kintchine qui ressemble
au fait que la transformée de Fourier de la sortie est le produit de la transformée de Fourier de l’entrée par la réponse fréquentielle.
L’autocorrélation s’applique à un signal temps continu non-périodique x(t) et est défini par
Z +∞
γx (τ ) = x(t)x(t − τ ) dt (6.4)
−∞

L’autocorrélation permet par exemple de différencier un signal qui varie très rapidement d’un signal qui varie plus lentement.
Lorsqu’on applique l’autocorrélation à un signal à valeurs complexes, le terme x(t − τ ) dans (6.4) doit être conjugué.
L’autocorrélation est une fonction symétrique et maximale en τ = 0. La valeur en τ = 0 de l’autocorrélation est l’énergie du
signal.

γx (−τ ) = γx (τ ) et |γx (τ )| ≤ γx (0) = Ex

De même que pour l’intercorrélation, on définit aussi la densité spectrale d’énergie pour un signal x(t) et celle-ci s’exprime
en fonction de la transformée de Fourier de x(t).
2
b )
Γx (f ) = TF [γx (t)] (f ) = X(f

L’utilisation de (4.2) montre que

∞
1
Z
Ex = Γx (f ) df
fe −∞

C’est la raison pour laquelle on parle de densité spectrale d’énergie.

Cet outil est utilisé en théorie des signaux aléatoires pour interprêter les signaux aléatoires comme étant la sortie d’un
filtre linéaire dont l’entrée serait un bruit blanc, c’est-à-dire un signal aléatoire particulier au sens qu’on ne trouverait aucune
corrélation entre les valeurs prises par ce signal en différents instants. Cet outil permet ainsi d’estimer le module au carré de la
réponse fréquentielle de ce filtre.

6.3.2 Signaux temps discret non-périodiques

L’intercorrélation peut aussi s’appliquer à deux signaux temps discret non-périodiques xn et yn et produit un signal temps
continu non-périodique
+∞
X
γx,y [k] = xn yn−k (6.5)
n=−∞

Ainsi γx,y [k] mesure la similarité entre le signal xn et le signal yn retardé de k. Lorsqu’on applique l’intercorrélation à des
signaux complexes, le terme yn−k dans (6.5) doit être conjugué (i.e. le signe de la partie imaginaire doit être modifié).
On définit la densité spectrale d’énergie pour deux signaux comme la transformée de Fourier à temps discret de l’intercorrélation

Γxy (f ) = TFTD [γxy [n]] (f )

Le théorème de Wiener Kintchine montre que cette densité spectrale d’énergie peut aussi s’exprimer en fonction des trans-
formée de Fourier des deux signaux

Γxy (f ) = X(f
b )Yb (f )

42
 De même qu’à temps continu, il y a encore la même proximité mathématique entre l’intercorrélation et le produit de convo-
lution.
 
d
γxy [k] = xn ∗ ỹn [k] où ỹn = y−n

L’autocorrélation s’applique à un signal temps discret non-périodique xn et est défini par

+∞
X
γx [k] = xn xn−k (6.6)
n=−∞

Lorsqu’on applique l’autocorrélation à un signal à valeurs complexes, le terme xn−k dans (6.6) doit être conjugué.
L’autocorrélation est une fonction symétrique et maximale en τ = 0. La valeur en τ = 0 de l’autocorrélation est l’énergie du
signal.

γx [−k] = γx [k] et γx [k] ≤ γx [0] = Ex

De même que pour l’intercorrélation, on définit aussi la densité spectrale d’énergie pour un signal xn et celle-ci s’exprime en
fonction de la transformée de Fourier à temps discret de xn .
2
Γx (f ) = TFTD [γx [n]] (f ) = X(f
b )

A partir de données expérimentales composées de N échantillons des signaux xn et yn on peut estimer leur intercorrélation
(k ≥ 0)
N −1
1 X
bxy [k] =
γ xn yn−k (6.7)
N −k
n=k

Si k < 0,
NX
+k−1
1
bxy [k] =
γ xn yn−k (6.8)
N + k n=0

La normalisation par N − k et le fait que la variable n parcourt l’ensemble {0...N − k − 1} composé de N − k éléments
provient justement de ce quand on décale un signal de k échantillons par rapport à l’autre, il n’y a plus que N − k échantillons
qui peuvent être pris en compte. Le chapeau dans γ bxy [k] ne signifie qu’on a effectué une transformée de Fourier mais qu’il s’agit
d’une quantité estimée, qu’il faut distinguer de la définition de l’intercorrélation.
A partir de données expérimentales composées de N échantillons d’un signal xn , on peut aussi estimer son autocorrélation

bx [k] = γ
γ bxy [k]

6.3.3 Signaux temps discret périodiques

L’intercorrélation peut aussi s’appliquer à deux signaux temps discret périodiques xn et yn de périodes N et produit un signal
temps continu périodique de période N
N −1
1 X
γx,y [k] = xn yn−k (6.9)
N n=0

Lorsqu’on applique l’intercorrélation à des signaux complexes, le terme yn−k dans (6.9) doit être conjugué (i.e. le signe de la
partie imaginaire doit être modifié). La normalisation par N et le fait que la variable n parcourt l’ensemble {0...N − 1} composé
de N éléments est possible du fait que les signaux sont périodiques et que par exemple y−1 est en fait égal à yN −1 . On peut
remarquer que aussi bien dans le cas présent que pour (6.7) on peut calculer l’intercorrélation à partir de la seule connaissance
de N données de xn et de yn , les formules sont différentes et reposent sur des suppositions différentes. C’est en fonction de
l’application que l’on appliquera (6.9) ou (6.7).
On définit la densité spectrale de puissance pour deux signaux comme la transformée de Fourier discrète de l’intercorrélation

Γxy [k] = TFD [γxy [n]] [k]

Le théorème de Wiener Kintchine montre que cette densité spectrale de puissance peut aussi s’exprimer en fonction des
transformée de Fourier des deux signaux

b Yb [k]
Γxy [k] = X[k]
43
 A la différence du cas temps discret non-périodique, la proximité mathématique est avec le produit de convolution circulaire.
L’autocorrélation s’applique aussi à un signal temps discret périodique xn et est défini par
N −1
1 X
γx [k] = xn xn−k (6.10)
N n=0

Lorsqu’on applique l’autocorrélation à un signal à valeurs complexes, le terme xn−k dans (6.10) doit être conjugué.
L’autocorrélation est une fonction symétrique et maximale en τ = 0. La valeur en τ = 0 de l’autocorrélation est la puissance
du signal.

γx [−k] = γx [k] et γx [k] ≤ γx [0] = Px

De même que pour l’intercorrélation, on définit aussi la densité spectrale de puissance pour un signal xn et celle-ci s’exprime
en fonction de la transformée de Fourier discrète de xn .
2
Γx [k] = TFD [γx [n]] [k] = X
bk

L’utilisation de (4.12) montre que

N
X −1
Px = Γx [k]
k=0

C’est la raison pour laquelle Γx est appelée densité spectrale de puissance.

QCM
Question 1 On considère des signaux temps discret non-périodiques xn , yn et zn est défini comme le produit de convolution à
temps discret entre xn et yn .
P+∞
• A. zn = k=−∞ xk yn−k
P+∞
• B. zn = k=−∞ xn−k yk
P+∞
• C. zn = k=−∞ xk yk+n
P+∞
• D. zn = k=−∞ xk yn

Question 2 On considère un filtre numérique H de réponse impulsionnelle hn et de réponse fréquentielle Ĥ(f ). On considère
xn un signal temps discret placé en entrée du filtre et yn le signal en sortie. Leur transformée de Fourier à temps discret est
X̂(f ) et Ŷ (f )
• A. Ĥ(f ) est la transformée de Fourier discrète de hn
• B. Ŷ (f ) = Ĥ(f )X̂(f )
• C. Ŷ (f ) = Ĥ(f ) ⋆ X̂(f ) où ⋆ est le produit de convolution.
• D. yn = hn ∗ xn où ∗ est le produit de convolution à temps discret.

Question 3 On considère un signal temps discret périodique xn = (−1)n . On calcule son autocorrélation γk , sa puissance P et
son énergie E.
• A. γ0 = P
• B. γ0 = E
• C. γ1 = 0
• D. γ1 = −1

Question 4 On définit un filtre de réponse impulsionnelle

h(t) = δ(t) − δ(t − 1)

On note x(t) et y(t) les entrées et sorties du filtre.

44
 • A. La relation entrée-sortie est

y(t) = x(t) − x(t − 1)

• B. La relation entrée-sortie est

Z 1
y(t) = x(τ )dτ
0

• C. La réponse fréquentielle vérifie Ĥ(0) = 1

• D. La réponse fréquentielle vérifie Ĥ(1) = 0

Question 5 On considère un filtre numérique de réponse impulsionnelle hn nulle sauf en n = 0 et en n = 1. h0 = h1 = 1. On

place en entrée du filtre un signal xn un signal nul sauf en n = −1 et en n = 1. x−1 = x1 = 1. On note yn la sortie.
• A. y−2 = 1

• B. y−1 = 1
• C. y0 = 1
• D. y1 = 1

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

45
Chapter 7

Fonctions de transfert : Cours 1F

L’objectif de ce chapitre est de présenter une nouvelle transformation qui présente certaines similarités avec la transformation
de Fourier : la transformée de Laplace pour les signaux à temps continu. Le chapitre suivant traite de la transformée en Z
pour les signaux à temps discret. Ces deux transformations sont plus adaptées à l’étude des filtres analogiques (et numériques).
Elles ne permettent pas de prendre en compte le passé lointain d’un signal (en particulier on ne pas l’appliquer à des signaux
périodiques), mais cette limitation permet une plus grande liberté dans l’utilisation de cet outil et une simplification des calculs.

7.1 Définition de la transformée de Laplace

La transformée de Laplace s’applique à des signaux temps continu x(t) causaux. De tels signaux sont définis par

t<0 ⇒ x(t) = 0 (7.1)

Il s’agit de signaux qui sont nuls pour tous les instants précédent l’instant nul. La partie à gauche de l’axe des ordonnées de la
courbe représentative de tels signaux est sur l’axe des abscisses.

Figure 7.1: Représentation graphique d’un signal temps continu et causal.

La figure 7.1 montre un signal temps continu causal.

La transformée de Laplace est une transformation qui s’applique à un signal temps continu causal x(t) et qui produit une
fonction de variable complexe p définie seulement pour les complexes dont la partie réelle est strictement positive.
Z +∞
X(p) = x(t)e−pt dt (7.2)
0

On peut observer que la borne inférieure de l’intégrale est 0 et non −∞ précisément parce que x(t) est un signal causal.
46
 Le fait de se limiter aux complexes à partie réelle strictement positive fait que l’intégrale converge pratiquement quelle que
soit le signal x(t) considéré parce que |e−pt | est majorée par e−ℜ(p)t qui est une fonction qui décroît vers zéro exponentiellement.
Techniquement il suffit que x(t) soit une fonction mesurable et majorée en valeure absolue par une fonction polynomiale pour que l’intégrale
soit définie et prenne une valeure finie.
Pour définir la transformée inverse, il faudrait étendre la notion d’intégrale par rapport à une variable réelle à une notion
plus générale définie sur le plan complexe. Cette notion existe, mais dans le cadre de ce cours, nous n’aurons pas besoin de cette
notion. Nous utiliserons seulement le fait qu’il ne peut pas exister de vraies différences entre deux signaux causaux ayant la
même transformée de Laplace (voir cours sur les intégrales de Lebesgue). Ainsi pour calculer la transformée de Laplace inverse, il
suffit de deviner quel est le signal causal dont la transformée de Laplace donne le résultat souhaité. L’utilisation des propriétés
de la transformée de Laplace permet en général de trouver le signal causal.
La transformée de Laplace présente de nombreuses similarités avec la transformée de Fourier. On considère un signal x(t)
pour lequel à la fois la tranformée de Fourier et la transformée de Laplace sont définis, x(t) est à la fois temps continu causal (et
non-périodique) et on note X(p) sa transformée de Laplace et X(f b ) sa transformée de Fourier. On suppose que X(p) est encore
définie sur l’axe des ordonnées (ce qui suppose par exemple que le signal x(t) n’ait pas le comportement d’une sinusoïde quand
t tend vers l’infini).

b ) = X(j2πf )
X(f (7.3)

Ceci signifie que la transformée d’un signal peut se lire en prolongeant (si tant est que cela est possible) la transformée de Laplace
sur l’axe des ordonnées.
Nous verrons dans la partie suivante que les propriétés de la transformée de Laplace sont très similaires à la transformée de
Fourier.

7.2 Propriétés de la transformée de Laplace

La notion de parité est relativement similaire, à ceci près qu’on ne peut bien sûr plus considérer les signaux symétriques par
rapport à t = 0, de tels signaux ne sont pas causaux. On considère un signal x(t) un signal causal et réel et X(p) sa transformée
de Laplace.

X(p̄) = X̄(p) (7.4)

En particulier si X(p) est un polynôme ou une fraction rationnelle (c’est-à-dire un quotient de polynômes), les coefficients utilisés
sont nécessairement à valeurs réelles.
En p = 0, on a la relation suivante :
Z +∞
X(0) = x(t) dt
0

Comme toutes les autres transformées vues en cours, la transformée de Laplace est aussi linéaire. On considère un signal
x(t) temps continu et causal et x′ (t) = ax(t). On note X(p) et X ′ (p) les deux transformées de Laplace.

X ′ (p) = aX(p) (7.5)

On considère deux signaux x(t) et y(t) temps continu et causaux et z(t) = x(t)+y(t). On note X(p), Y (p) et Z(p) les transformées
de Laplace de x(t), y(t) et z(t).

Z(p) = X(p) + Y (p) (7.6)

La transformée de Laplace a aussi une propriété relative au changement d’échelle de temps. On considère un signal temps
continu causal x(t) et y(t) = x( at ) un signal obtenu par changement d’échelle de temps, ce signal est aussi causal. Les transformées
de Laplace associées vérifient la relation suivante :

Y (p) = aX(ap) (7.7)

Une propriété particulièrement remarquable des transformées de Laplace est qu’elle transforme l’intégration en une division
par p et un dérivation par une multiplication par p. En toute rigueur il y a cependant quelques précautions à prendre pour éviter
l’apparition de singularités ou pour les calculer.
On considère un signal x(t) temps continu et causal qui en l’infini tend vers zéro (limt→+∞ x(t) = 0). On définit y(t) =
Rt
1[0,+∞[ (t) 0 x(τ ) dτ Les deux transformées de Laplace vérifient les relations suivantes :

X(p)
Y (p) = (7.8)
p

47
 On considère x(t) un signal temps continu causal et continu en t = 0 (limt→0 x(t) = 0). On définit y(t) = dt |t .
dx
Les deux
transformées de Laplace vérifient la relation suivante :

Y (p) = pX(p) (7.9)

La transformée de Laplace transforme un produit de convolution en un produit de transformée de Laplace. On considère

deux signaux temps continu et causaux x(t) et y(t). Etant continus, leur produit de convolution s’écrit
Z t
z(t) = x(τ )y(t − τ ) dτ (7.10)
0

Ce signal est aussi causal. La relation entre les transformées de Laplace X(p), Y (p) et Z(p) de x(t), y(t) et z(t) s’écrit

Z(p) = X(p)Y (p) (7.11)

La transformée de Laplace transforme un produit de convolution en un produit de transformée de Laplace. On considère

deux signaux temps continu et causaux x(t) et y(t). Etant causaux, leur produit de convolution s’écrit
Z t
z(t) = x(τ )y(t − τ ) dτ (7.12)
0

Ce signal est aussi causal. La relation entre les transformées de Laplace X(p), Y (p) et Z(p) de x(t), y(t) et z(t) s’écrit

Z(p) = X(p)Y (p) (7.13)

Si on retarde un signal alors sa transformée de Laplace est transformé par l’équivalent d’un déphasage. On considère x(t) un
signal temps continu et causal et x′ (t) un signal retardé d’un temps égal à t0 x′ (t) = x(t − t0 ) alors

b ′ (p) = e−pt0 X(p)

X (7.14)

Lorsqu’on prolonge X(p) et X ′ (p) sur l’axe des ordonnées, on retrouve bien un déphasage : X(p) et X ′ (p) ont alors même
module et ne diffèrent que par la phase.
La propriété relative à la modulation existe aussi pour les transformées de Laplace. On considère un signal temps continu et
causal x(t) et un signal modulé x′ (t) = ej2πf0 t x(t) alors la relation entre les deux transformées de Laplace est

X ′ (p) = X(p − j2πf0 ) (7.15)

Cette relation permet justement de retrouver l’idée que le spectre est alors décalé de f0 .
On considère maintenant quelques exemples de transformée de Laplace. Le premier est similaire à la transformée de Fourier.

TL[δ(t)] = 1 (7.16)

Dans les trois exemples suivants, les transformées de Laplace sont clairement différentes des transformées de Fourier.

TL e−2t 1[0,+∞[ (t) (p) = p+2 1

 

TL 1[0,+∞[ (t) (p) = p 1

 

TL cos(2πf0 t)1[0,+∞[ (t) (p) = 12 p−j2πf 1

+ 12 p+j2πf
1
 
0 0
TL sin(2πf0 t)1[0,+∞[ (t) (p) = 2j 1 1 1 1
 
p−j2πf0 − 2j p+j2πf0

Il est tentant de vouloir retrouver la transformée de Laplace à partir de la transformée de Fourier, cela peut être une mauvaise
idée en particulier s’il s’agit d’un signal constant ou périodique et ce même si le signal a été rendu causal par l’intermédiaire de
la fonction 1[0,+∞[ (t).

7.3 Filtre analogique, causalité et fonction de transfert

On souhaite maintenant pouvoir appliquer cette transformation aux filtres analogiques. Mais pour cela il faut que la réponse
impulsionnelle des filtres considérés soient causale.
On définit un filtre causal comme étant un filtre dont la réponse impulsionnelle est causale.

H est causal ⇔ h(t) est causal (7.17)

Il se trouve que la causalité peut être définie de manière équivalente par la propriété suivante. Un filtre est causal si une
modification de l’entrée postérieure à un instant t0 ne peut entraîner de conséquences sur la sortie pour t < t0 .

48
 Les filtres utilisés pour modéliser des phénomènes qui s’écoulant dans le temps sont a priori causaux, ne serait-ce que parce
qu’il n’est pas possible d’agir aujourd’hui sur les évènements du passé. Il n’est par exemple pas possible d’agir sur le volant
d’une voiture pour après un accident faire en sorte qu’il n’y ait pas eu d’accident.
En revanche lorsqu’on utilise les filtres pour modéliser des phénomènes qui sont distribués spatialement, c’est le cas pour les
images, les filtres considérés ne sont en général pas causaux et certaines précautions sont nécessaires.
On appelle fonction de transfert la transformée de Laplace de la réponse impulsionnelle d’un filtre analogique. On appelle
gain d’un filtre le module de cette fonction de transfert et phase l’argument de cette fonction de transfert.
On dit que la fonction de transfert d’un filtre s’écrit sous la forme d’une fraction rationnelle s’il existe des coefficients a0 ...aN
et b0 ...bM
b0 + b1 p + ... + bM pM
H(p)
b = (7.18)
a0 + a1 p + ... + aN pN
De tels filtres sont parfois appelés filtres rationnels. En pratique les filtres que nous considérerons ont des fonctions de transfert
qui s’écrivent sous la forme d’une fraction rationnelle.
De tels filtres peuvent aussi être modélisés par une équation différentielle
d d d d
a0 y(t) + a1 y(t) + ... + aN N y(t) = b0 x(t) + b1 x(t) + ... + bM M x(t) (7.19)
dt dt dt dt
En effet le produit par p s’interprête comme une dérivation par rapport au temps. De tels filtres peuvent aussi être simulés
par un assemblage de condensateurs et de résistances. La réponse fréquentielle de tels filtres peut souvent (à condition que la
fonction de transfert puisse être prolongée sur l’ensemble de l’axe imaginaire) se mettre sous la forme

b ) = b0 + b1 j2πf + ... + bM (j2πf )

M
H(f
a0 + a1 j2πf + ... + aN (j2πf )N

7.4 Critère de stabilité des filtres analogiques

Pour qu’on puisse utiliser un filtre comme modélisation d’un phénomène physique il est souhaitable que ce filtre soit stable.
En général on attend trois propriétés :
• y(t) → 0 quand u(t) → 0
• y(t) est borné quand u(t) est borné.
• |y − z| → 0 quand |u − v| → 0.
où u(t), v(t) sont des entrées du filtre et y(t) et z(t) sont les sorties correspondantes. Il se trouve que pour les filtres que nous
considérons ces trois propriétés sont équivalentes entre elles et c’est ce que nous appelerons la propriété de stabilité.
Nous considérons ici que des filtres rationnels, la stabilité est donc nécessairement déterminés par les valeurs prises par les
coefficients qui définissent ces fractions rationnelles, mais donner une condition sur la valeur de ces coefficients seraient une tâche
complexe. Au lieu de cela on définit la notion de zéro et de pôle.
P (p)
On considère un filtre H de fonction de transfert H(p) = Q(p) . P est un polynôme appelé numérateur et Q est un polynôme
appelé dénominateur. On appelle zéros de H les racines de P et on appelle pôles de H les racines de Q.
La stabilité d’un filtre est déterminé par le lieu des pôles de H.
H est stable si il n’y aucun pôle sur {p|ℜe(p) ≥ 0}.
P (p)
On peut aussi dire que H de fonction de transfert H(p) = Q(p) est stable si

∀p tel que ℜe(p) ≥ 0 on a Q(p) ̸= 0 (7.20)

La décomposition en élément simple est un outil mathématique permettant d’écrire les fractions rationnelles (et donc en
l’occurence les fonctions de transfert des filtres rationnels) sous une forme un peu différente.
On dit que p0 est racine d’un polynôme Q si Q(p0 ) = 0. On dit que cette racine est de multiplicité 1 si le polynôme s’annule
en p0 mais pas sa dérivée. On dit que p0 est de multiplicité m si le polynôme Q et toutes ses dérivées jusqu’à l’ordre m − 1
s’annulent en p0 et que la dérivée à l’ordre m ne s’annulle pas en p0 . En fait pour un polynôme trouver les racines et leur
multiplicité c’est factoriser le plus complètement un polynôme. Un résultat mathématique affirme en effet que, à condition de
s’autoriser à considérer des racines à valeurs complexes, tout polynôme Q de degré n a toujours un ensemble de racines dont la
somme des multiplicités est égale à n, et que si on note p0 ...pM les racines de Q et α0 ...αM les multiplicités de ces racines, alors
il existe K un réel tel que Q(p) = K(p − p0 )α0 ..(p − pM )αM .
P (p)
On considère un filtre dont la fonction de transfert s’écrit sous la forme d’une fraction rationnelle H(p) = Q(p) . On note
0 −1 αM −1
p0 ...pM les racines de Q et α0 ...αM les multiplicités de ces racines. Il existe a00 ... aα
0 ... a0M ...aM tel que
0 −1 αM −1
a0 aα aM aM
H(p) = + ... + 0
+ ... + + ... + (7.21)
p − p0 (p − p0 ) 0
α −1 p − pM (p − pM )αM −1
49
Cette écriture s’appelle la décomposition en élément simple de H(p). Il existe différentes techniques pour calculer ces coefficients.
Mais sans connaître ces techniques, il est toujours possible trouver ces coefficients en cherchant à retrouver l’expression de départ.
La décomposition en élément simple est un outil permettant de trouver la réponse impulsionnelle d’un filtre à partir de sa
fonction de transfert. Voici les étapes à effectuer.
1. Trouver les racines de Q avec leur ordre de multiplicité.
2. Ecrire la relation (7.21).
3. Calculer les valeurs des coefficients aji .
4. Trouver des signaux causaux dont les transformées de Laplace coïncident avec les éléments de la décomposition.
• Lorsqu’on a un pôle simple, on constate que
1
TL ep0 t 1R (t) =
 
p − p0

• Lorsqu’on a un pôle double, on peut effectuer le calcul suivant :

h i R ∞ −p t
1
= dp p−p0 = − dp
d 1 d
e 0 1R (t)e−pt dt

(p−p0 )2 − 0
R∞
= 0 e−p0 t 1R (t) dp
d
[−e−pt ] dt
R∞ R∞
1
(p−p0 )2 = 0 e−p0 t 1R (t) [te−pt ] dt = 0 te−p0 t 1R (t)e−pt dt = TL [te−p0 t 1R (t)]

• Lorsqu’on a pôle d’ordre ν, on peut réitérer ce calcul jusqu’à l’ordre ν et ainsi prouver que

1
 ν−1 
t
= TL e 1R (t)
p0 t
(7.22)
(p − p0 )ν (ν − 1)!

L’annexe C.2, p. 155, donne un exemple d’utilisation de cette formule dans un calcul.
5. En déduire la réponse impulsionnelle.

7.5 Filtres analogiques à phase linéaire

Un filtre est dit à phase linéaire si courbe représentative de la phase de la réponse fréquentielle en fonction de la fréquence
est constituée d’une succession de droite de mêmes pentes. Il est rare que cette courbe soit une droite parce que la phase est
en fait un angle souvent représenté entre −π et π et qu’il a en général un saut quand l’une de ces deux extrémités est atteinte.
On peut aussi dire qu’un filtre est à phase linéaire si en dehors d’un certain nombre de fréquences particulières, la dérivée de la
phase est une constante.
d b ) = C te
arg S(f
df
Les figures 7.2 et 7.3 montrent la phase de la réponse fréquence fréquentielle en fonction de la fréquence. Pour la figure 7.2
il s’agit d’un filtre à phase linéaire tandis que pour la figure 7.3, le filtre n’est pas à phase linéaire.
L’objectif de cette section est d’énoncer que le fait qu’un filtre soit à phase linéaire dépend en fait d’une caractéristique de
la réponse impulsionnelle. Un filtre est à phase linéaire lorsque sa réponse impulsionnelle est symétrique ou anti-symétrique par
rapport à un instant donné.
On dit qu’un signal s(t) est symétrique par rapport à l’instant t = t0 , si la courbe représentative de s(t) par rapport à t
admet un axe de symétrie en t = t0 . La symétrie de s(t) par rapport à t = t0 peut aussi être définie de la façon suivante :

∀t, s(t) = s(2t0 − t)

On dit qu’un signal s(t) est anti-symétrique par rapport à l’instant t = t0 , si la courbe représentative de s(t) par rapport à t
admet un point de symétrie centrale en t = t0 et 0. La symétrie de s(t) par rapport à t = t0 peut aussi être définie de la façon
suivante :

∀t, s(t) = −s(2t0 − t)

Les figures 7.4 et 7.5 représentent les réponses impulsionnelles en fonction du temps des filtres représentés sur les figures 7.2
et 7.3. Sur la figure 7.4, on observe que la réponse impulsionnelle est bien symétrique et il est donc normal que sur la figure 7.2,
le filtre soit à phase linéaire. En revanche la réponse impulsionnelle montrée sur la figure 7.3 n’est pas symétrique et il est donc
normal que le filtre représenté sur la figure 7.3 ne soit pas à phase linéaire.
50
Figure 7.2: Représentation graphique de la phase de la réponse fréquentielle (rad) en fonction de la fréquence (Hz) du filtre de
réponse impulsionnelle h(t) = 1[0,1] (t), (t en s).

Figure 7.3: Représentation graphique de la phase de la réponse fréquentielle (rad) en fonction de la fréquence (Hz) du filtre de
réponse impulsionnelle h(t) = e−t1[0,+∞[ (t), (t en s).

51
Figure 7.4: Représentation graphique de la réponse impulsionnelle h(t) = 1[0,1] (t) en fonction du temps (s) qui est symétrique
par rapport à t = 1/2.

Figure 7.5: Représentation graphique de la réponse impulsionnelle h(t) = e−t 1[0,+∞[ (t) en fonction du temps (s) qui n’est pas
symétrique.

52
7.6 Filtres analogiques à phase minimale
Un filtre à minimum de phase a tous ces zéros à l’intérieur du demi-plan {p|ℜ(p) < 0}. Une des propriétés des filtres à
minimum de phase est qu’ils ont un filtre inverse stables. Pour un filtre quelconque stable et causal H, il existe un filtre à
minimum de phase Hm dont le module de la fonction de transfert |Hm (p)| est identique au module de la première fonction de
tranfert |H(p)|. Trouver un tel filtre à minimum de phase, c’est faire une décomposition d’un filtre en une association d’un filtre
à minimum de phase |Hm (p)| et d’un filtre passe-tout HH(p)
m (p)
. On trouve ce filtre à minimum de phase en remplaçant les zéros
de H qui se trouveraient dans le mauvais demi-plan {p|ℜ(p) > 0} par des zéros dont on a changé le signe de la partie réelle et
après multiplication par une constante appropriée.
Pour illustrer le propos, on peut remarquer que parmi ces deux filtres définies par leur fonction de transfert, le premier est à
phase minimale, tandis que le second ne l’est pas.
p+2 p−2
H1 (p) = H2 (p) =
p+1 p+1
Pourtant ces deux filtres ont mêmes module de réponses fréquentielles
s
b 2 (f )| = 4π f + 4
2 2
b 1 (f )| = |H
|H
4π 2 f 2 + 1

QCM
Question 1 On considère un signal échantillonné à 10kHz et un filtre numérique.
• A. La réponse impulsionnelle de ce filtre est périodique
• B. La réponse impulsionnelle de ce filtre n’est pas périodique
• C. La réponse fréquentielle de ce filtre est périodique
• D. La réponse fréquentielle de ce filtre n’est pas périodique

Question 2 Soit H un filtre numérique de réponse impulsionnelle hn .

• A. Si l’entrée est xn = δn alors la sortie est yn = hn .
• B. La relation entrée-sortie est yn = hn ∗ xn .
• C. La réponse fréquentielle est non-périodique.
• D. En général quand on connaît la fonction de transfert du filtre on peut en déduire la réponse fréquentielle du filtre.

Question 3 Soit H un filtre numérique de réponse impulsionnelle hn .

• A. Si la fonction de transfert H(z) a tous ces zéros à l’intérieur du disque unité alors H est à phase linéaire.
• B. N’importe quel filtre linéaire temps-invariant est à phase linéaire.
• C. La fonction de transfert est la transformée de Fourier discrète de la réponse impulsionnelle.
• D. La fonction de transfert est la transformée en Z de la réponse impulsionnelle.
1+0.5z −1
Question 4 On considère un filtre de fonction de transfert H(z) = 1−0.5z −1

• A. Le filtre a un pôle en −0.5 et un zéro en 0.5

• B. Le filtre a un pôle en 0.5 et un zéro en −0.5
• C. Le filtre est instable.
• D. Le filtre est stable.

Question 5 On considère un filtre numérique de fonction de transfert

H(z) = 1 + z −1 + z −2 + z −3

• A. Sa réponse impulsionnelle vérifie h4 = 1.

1−z −4
• B. Sa fonction de transfert pourrait s’écrire H(z) = 1−z −1

53
• C. Ce filtre n’est pas à phase linéaire.
• D. Ce filtre est causal.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

54
Chapter 8

Descripteurs de signaux et de filtres : cours

2F

L’objectif de ce chapitre est de présenter la transformée en Z qui est très similaire à la transformée de Laplace, à ceci
près qu’elle s’applique aux signaux à temps discret et est utilisée pour les filtres numériques. Tout comme la transformée de
Laplace, elle ne permet pas de prendre en compte le passé lointain d’un signal (en particulier on ne pas l’appliquer à des signaux
périodiques), mais cette limitation permet une plus grande liberté dans l’utilisation de cet outil et une simplification des calculs.

8.1 Transformée en Z
La transformée en Z s’applique à des signaux temps discret xn causaux. De tels signaux sont définis par

n<0 ⇒ xn = 0 (8.1)

Il s’agit de signaux qui sont nuls pour tous les instants précédent l’instant nul. La partie à gauche de l’axe des ordonnées de la
courbe représentative de tels signaux est sur l’axe des abscisses.

Figure 8.1: Représentation graphique d’un signal temps discret et causal.

La figure 8.1 montre un signal temps discret causal.

La transformée en Z est une transformation qui s’applique à un signal temps discret causal xn et qui produit une fonction
de variable complexe z définie seulement pour les complexes dont le module est strictement supérieur à 1.
X
S(z) = xn z −n (8.2)
n∈N

55
On peut observer que la borne inférieure de la somme est 0 et non −∞ précisément parce que xn est un signal causal.
Le fait de se limiter aux complexes de module strictement supérieur à 1 fait que la série converge pratiquement quelle que
soit le signal xn considéré parce que |z −n | est majorée par |z|−n qui est une fonction qui décroît vers zéro exponentiellement.
Techniquement il suffit que la suite xn soit majorée en valeure absolue par une fonction polynomiale en n pour que l’intégrale soit définie
et prenne une valeure finie.
Pour définir la transformée inverse, il faudrait étendre la notion d’intégrale par rapport à une variable réelle à une notion
plus générale d’intégrale définie sur le plan complexe. Cette notion existe, mais dans le cadre de ce cours, nous n’aurons pas
besoin de cette notion. Nous utiliserons seulement le fait qu’il n’y a aucune différence entre deux signaux causaux ayant la même
transformée en Z. Ainsi pour calculer la transformée en Z inverse, il suffit de deviner quel est le signal causal dont la transformée
en Z donne le résultat souhaité. L’utilisation des propriétés de la transformée en Z permet en général de trouver le signal causal.
La transformée en Z présente de nombreuses similarités avec la transformée de Fourier. On considère un signal temps discret
xn pour lequel à la fois la tranformée de Fourier et la transformée en Z sont définis, xn est à la fois temps discret causal (et
non-périodique) et on note X(z) sa transformée en Z et X(f b ) sa transformée de Fourier à temps discret. On suppose que X(z)
est encore définie sur le cercle unité (ce qui suppose par exemple que le signal xn n’ait pas le comportement d’une sinusoïde
quand n tend vers l’infini).
b ) = X(ej2πf Te )
X(f (8.3)

où Te est la période d’échantillonnage du signal xn . Ceci signifie que la transformée d’un signal peut se lire en prolongeant (si
tant est que cela est possible) la transformée en Z sur le cercle unité.
Nous verrons dans la partie suivante que les propriétés de la transformée en Z sont très similaires à la transformée de Fourier.

8.2 Propriétés de la transformée en Z

La notion de parité est relativement similaire, à ceci près qu’on ne peut bien sûr plus considérer les signaux symétriques par
rapport à n = 0, de tels signaux ne sont pas causaux. On considère un signal xn un signal causal et à valeurs réelles et X(z) sa
transformée en Z.

X(z̄) = X̄(z) (8.4)

En particulier si X(z) est un polynôme de variable z −1 ou une fraction rationnelle de variable z −1 , les coefficients utilisés sont
nécessairement à valeurs réelles.
En z = 1, on a la relation suivante :
X
X(1) = xn
n∈N

Comme toutes les autres transformées vues en cours, la transformée en Z est aussi linéaire. On considère un signal xn temps
discret et causal et x′n = axn . On note X(z) et X ′ (z) les deux transformées en Z.

X ′ (z) = aX(z) (8.5)

On considère deux signaux xn et yn temps discret et causaux et zn = xn + yn . On note X(z), Y (z) et Z(z) les transformées en
Z de xn , yn et zn .

Z(z) = X(z) + Y (z) (8.6)

La transformée en Z ne peut pas transformer une intégration ou une dérivation en un produit ou une division, mais il existe
deux propriétés relativement similaires. Pn
On considère un signal xn temps discret et causal qui en l’infini tend vers zéro (limn→+∞ xn = 0). On définit yn = m=0 xm
Les deux transformées en Z vérifient la relation suivante :
X(z)
Y (z) = (8.7)
1 − z −1
On considère xn un signal temps discret causal. On définit yn = xn − xn−1 . Les deux transformées en Z vérifient la relation
suivante :

Y (z) = (1 − z −1 )X(z) (8.8)

La transformée en Z transforme un produit de convolution (entre signaux temps discrets causaux) en un produit de transformée
en Z. On considère deux signaux temps discret et causaux xn et yn . Etant causaux, leur produit de convolution s’écrit
n
X
zn = xp yn−p (8.9)
p=0

56
Ce signal est aussi causal. La relation entre les transformées en Z X(z), Y (z) et Z(z) de xn , yn et zn s’écrit

Z(z) = X(z)Y (z) (8.10)

Si on retarde un signal temps discret d’un certain nombre de pas de temps alors sa transformée en Z est transformée par
l’équivalent d’un déphasage. On considère xn un signal temps discret et causal et yn un signal retardé de d pas de temps
yn = xn−d alors

Yb (z) = z −d X(z) (8.11)

Lorsqu’on prolonge X(z) et Y (z) sur le cercle unité, on retrouve bien un déphasage : X(z) et Y (z) ont alors même module
et ne diffèrent que par la phase.
La propriété relative à la modulation existe aussi pour les transformées en Z. On considère un signal temps discret et causal
xn et un signal modulé yn = ej2πf0 nTe xn alors la relation entre les deux transformées en Z est

Y (z) = X(e−j2πf0 T e z) (8.12)

Cette relation permet justement de retrouver l’idée que le spectre est alors décalé de f0 .
On considère maintenant quelques exemples de transformée en Z. Le premier est similaire à la transformée de Fourier à temps
discre.

TL[δn ] = 1 (8.13)

Les trois suivants sont clairement différents de la transformée de Fourier à temps discret.

TZ [1N [n]] (z) = 1

1−z −1
TZ [cos(2πf0 nTe )1N [n]] (z) = 2 1−ej2πf0 Te z −1 + 2 1−e−j2πf0 Te z −1
1 1 1 1

TZ [sin(2πf0 nTe )1N [n]] (z) = 1 1 1 1

2j 1−ej2πf0 Te z −1 − 2j 1−e−j2πf0 Te z −1

Il est tentant de vouloir retrouver la transformée en Z à partir de la transformée de Fourier, cela peut être une mauvaise idée
en particulier s’il s’agit d’un signal constant ou périodique et ce même si le signal a été rendu causal par l’intermédiaire d’une
suite échelon 1[0,+∞[ [n].

8.3 Filtre numérique, causalité et fonction de transfert

On souhaite maintenant pouvoir appliquer cette transformation aux filtres numériques. Mais pour cela il faut que la réponse
impulsionnelle des filtres considérés soient causale.
On définit un filtre causal comme étant un filtre dont la réponse impulsionnelle est causale.

H est causal ⇔ hn est causal (8.14)

Il se trouve que la causalité peut être définie de manière équivalente par la propriété suivante. Un filtre est causal si une
modification de l’entrée postérieure à un instant n0 ne peut entraîner de conséquences sur la sortie pour n < n0 .
Les filtres utilisés pour modéliser des phénomènes qui s’écoulant dans le temps sont a priori causaux. En revanche lorsqu’on
utilise les filtres pour modéliser des phénomènes qui sont distribués spatialement, c’est le cas pour les images numériques, les
filtres considérés ne sont en général pas causaux et certaines précautions sont nécessaires.
Dans la pratique, il y a en général un temps de retard entre une variation de l’entrée et la conséquence sur la sortie d’un filtre.
Les filtres qui présentent cette caractéristique sont dits strictement causaux. Leur réponse impulsionnelle est nulle en n = 0.
On appelle fonction de transfert la transformée en Z de la réponse impulsionnelle d’un filtre numérique.
On dit que la fonction de transfert d’un filtre s’écrit sous la forme d’une fraction rationnelle s’il existe des coefficients a0 ...aN
et b0 ...bM
b0 + b1 z −1 + ... + bM z −M
H(z) = (8.15)
a0 + a1 z −1 + ... + aN z −N
De tels filtres sont parfois appelés filtres rationnels. En pratique les filtres que nous considérerons ont des fonctions de transfert
qui s’écrivent sous la forme d’une fraction rationnelle.
De tels filtres peuvent aussi être modélisés par une équation aux différences

a0 yn + a1 yn−1 + ... + aN yn−N = b0 xn + b1 xn−1 + ... + bM xn−M

En effet le produit par z −1 s’interprête comme un retard d’un pas de temps. La réponse fréquentielle de tels filtres peut souvent
(à condition que la fonction de transfert puisse être prolongée sur l’ensemble de le cercle unité) se mettre sous la forme

b ) = b0 + b1 e + ... + bM e−j2πf M Te
−j2πf Te
H(f
a0 + a1 e−j2πf Te + ... + aN e−j2πf N Te
57
 Parmi les filtres numériques causaux, on distingue plusieurs catégories. On appelle filtre MA (moving average, ou à moyenne
mobile) ou filtre RIF, un filtre dont la Réponse Impulsionnelle est Finie (nombre fini de termes non-nuls). Les relations entrées-
sorties peuvent se mettre sous la forme suivante :

a0 yn = b0 xn + b1 xn−1 + ... + bM xn−M

On appelle filtre AR (autorégressif) un filtre dont la relation entrée-sortie est définie par

a0 yn = xn − a1 yn−1 − ... − aN yn−N

On appelle filtre ARMA (autorégressif et à moyenne mobile ou autorégressif) un filtre dont la relation entrée-sortie est définie
par

a0 yn = b0 xn + b1 xn−1 + ... + bM xn−M − a1 yn−1 − ... − aP yn−P (8.16)

Les filtre AR et ARMA sont des filtres RII (filtres à réponses impulsionnelles infinies).

8.4 Critère de stabilité des filtres numériques

Pour qu’on puisse utiliser un filtre comme modélisation d’un phénomène physique il est souhaitable que ce filtre soit stable.
En général on attend trois propriétés :
• yn → 0 quand un → 0

• yn est borné quand un est borné.

• |yn − zn | → 0 quand |un − vn | → 0.
où un , vn sont des entrées du filtre et yn et zn sont les sorties correspondantes. Il se trouve que pour les filtres que nous
considérons ces trois propriétés sont équivalentes entre elles et c’est ce que nous appelerons la propriété de stabilité.
Nous considérons ici que des filtres rationnels, la stabilité est donc nécessairement déterminés par les valeurs prises par les
coefficients qui définissent ces fractions rationnelles, mais donner une condition sur la valeur de ces coefficients seraient une tâche
complexe. Au lieu de cela on définit la notion de zéro et de pôle.
P (z)
On considère un filtre H de fonction de transfert H(z) = Q(z) . P est un polynôme appelé numérateur et Q est un polynôme
appelé dénominateur. On appelle zéros de H les racines de P et on appelle pôles de H les racines de Q.
La stabilité d’un filtre est déterminé par le lieu des pôles de H.
H est stable si tous les pôles sont à l’intérieur il n’y aucun pôle sur sur le cercle unité ou à l’extérieur. {z||z| ≥ 1}.
P (z)
On peut aussi dire que H de fonction de transfert H(z) = Q(z) est stable si

∀z tel que |z| ≥ 1 on a Q(z) ̸= 0 (8.17)

On peut utiliser de la même façon la décomposition en élément simple pour trouver la réponse impulsionnelle à partir de la
fonction de transfert. Voici les étapes à effectuer.
1. Trouver les racines de Q avec leur ordre de multiplicité.

2. Écrire la relation (7.21).

3. Calculer les valeurs des coefficients aji .
4. Trouver des signaux causaux dont les transformées en Z coïncident avec les éléments de la décomposition.

• Si on a un pôle d’ordre 1, on constate que

1
TZ [z0n 1N [n]] =
1 − z0 z −1

• Si on a un pôle d’ordre ν avec ν > 1, il est possible de procéder de la même façon que pour les filtres analogiques
∞
" #
1
 
d d X n −n X
n d
 −n  X
= z z = z z = (−n)z0n z −n
dz 1 − z0 z −1 dz 0 0
dz n=1
n∈N n∈N

et ainsi de suite en répétant la dérivation ν fois.

58
 • Si on a un pôle d’ordre ν avec ν > 1, il est probablement plus simple de procéder en admettant tout simplement que
pour un polynôme P de degré ν − 1, il existe un polynôme P ′ de degré ν − 1 tel que
P (z −1 )
= TZ [P ′ (n)z0n 1N [n]] (8.18)
(1 − z0 z −1 )ν
On peut ensuite trouver ce polynôme P ′ par identification avec la relation entrée-sortie (8.16) déduite l’écriture en
fraction rationnelle de la fonction de transfert. L’annexe C.2, p. 155 donne un exemple de ce genre de calcul.
5. En déduire la réponse impulsionnelle.
Si on utilise les formules propres à la décomposition en élément simple, il faut se souvenir qu’elles ne sont valables que si on
utilise des polynômes de variable z et non z −1 ce qui pourtant est parfois tentant.

8.5 Filtres numériques à phase linéaire

Un filtre est dit à phase linéaire si courbe représentative de la phase de la réponse fréquentielle en fonction de la fréquence
est constituée d’une succession de droite de mêmes pentes. Il est rare que cette courbe soit une droite parce que la phase est
en fait un angle souvent représenté entre −π et π et qu’il a en général un saut quand l’une de ces deux extrémités est atteinte.
On peut aussi dire qu’un filtre est à phase linéaire si en dehors d’un certain nombre de fréquences particulières, la dérivée de la
phase est une constante.
d arg S(f
b )
= C te
df

Figure 8.2: Représentation graphique de la phase de la réponse fréquentielle (rad) en fonction de la fréquence (Hz) du filtre de
réponse impulsionnelle hn = δn + δn−1 + δn−2 + δn−3 + δn−4 , (n en s).

La figure 8.2 et 8.3 montrent la phase de la réponse fréquence fréquentielle en fonction de la fréquence. Pour la figure 8.2 il
s’agit d’un filtre à phase linéaire tandis que pour la figure 8.3, le filtre n’est pas à phase linéaire.
L’objectif de cette section est d’énoncer que le fait qu’un filtre soit à phase linéaire dépend en fait d’une caractéristique de la
réponse impulsionnelle. Un filtre est à phase linéaire lorsque sa réponse impulsionnelle est symétrique par rapport à un instant
donné.
On dit qu’un signal s(t) est symétrique par rapport à l’instant t = n02Te , si la courbe représentative de sn par rapport à n
admet un axe de symétrie en t = n02Te . La symétrie de sn par rapport à t = n02Te peut aussi être définie de la façon suivante :
∀t, sn = sn0 −n
Les figures 8.4 et 8.5 représentent les réponses impulsionnelles en fonction du temps des filtres représentés sur les figures 8.2
et 8.3. Sur la figure 8.4, on observe que la réponse impulsionnelle est bien symétrique et il est donc normal que sur la figure 8.2,
le filtre soit à phase linéaire. En revanche la réponse impulsionnelle montrée sur la figure 8.3 n’est pas symétrique et il est donc
normal que le filtre représenté sur la figure 8.3 ne soit pas à phase linéaire.
59
Figure 8.3: Représentation graphique de la phase de la réponse fréquentielle (rad) en fonction de la fréquence (Hz) du filtre de
réponse impulsionnelle hn = e−n 1N [n], (n en s).

Figure 8.4: Représentation graphique de la réponse impulsionnelle hn = δn + δn−1 + δn−2 + δn−3 + δn−4 en fonction du temps
(s) qui est symétrique par rapport à t = 2.

60
Figure 8.5: Représentation graphique de la réponse impulsionnelle hn = e−n 1N [n] en fonction du temps (s) qui n’est pas
symétrique.

8.6 Filtres numériques à phase minimale

Un filtre à minimum de phase a tous ces zéros à l’intérieur du disque unité {z||z| < 1}. Une des propriétés des filtres à
minimum de phase est qu’ils ont un filtre inverse stables. Pour un filtre quelconque stable et causal H, il existe un filtre à
minimum de phase Hm dont le module de la fonction de transfert |Hm (z)| est identique au module de la première fonction de
tranfert |H(z)|. Trouver un tel filtre à minimum de phase, c’est faire une décomposition d’un filtre en une association d’un filtre
à minimum de phase |Hm (z)| et d’un filtre passe-tout HH(z)
m (z)
. On trouve ce filtre à minimum de phase en remplaçant les zéros de
H qui se trouveraient hors du disque unité, dans {z||z| < 1} par des zéros dont on a inversé le module sans changer l’argument
et après une multiplication par une constante appropriée.
Pour illustrer le propos, on peut remarquer à propos des deux filtres suivants définis par leur fonction de transfert, le premier
n’est pas à phase minimale tandis que le second est à phase minimale.
1 + 4z −1 1 + 14 z −1
H1 (z) = H2 (z) = 4
1 − 21 z −1 1 − 21 z −1
Pourtant ces deux filtres ont mêmes module de réponse fréquentielle
s
b 2 (f )| = 17 + 8 cos(2πf Te )
b 1 (f )| = |H
|H
4 − cos(2πf Te )
5

Pour les deux filtres, le calcul se fait en remplaçant z par ej2πf Te puis en séparant au numérateur et au dénominateur la
partie réelle et la partie imaginaire, puis en évaluant le module au carré séparément au numérateur et au dénominateur et enfin
en remarquant que cos2 θ + sin2 θ = 1 pour θ quelconque.
Pour le premier filtre, le calcul intermédiaire est
2
b 1 (f )|2 = 1 + 4e−j2πf Te (1 + 4 cos 2πf Te )2 + (4 sin 2πf Te )2
|H =
1 − 12 ej2πf Te (1 − 21 cos 2πf Te )2 + ( 21 sin 2πf Te )2
Pour le deuxième filtre, le calcul intermédiaire est
2
b 2 (f )|2 = 16 1 + 14 e−j2πf Te (1 + 1
cos 2πf Te )2 + ( 14 sin 2πf Te )2
|H = 16 4
1 − 12 ej2πf Te (1 − 1
2 cos 2πf Te )2 + ( 12 sin 2πf Te )2

QCM
Question 1 On considère un signal échantillonné à 10kHz et un filtre numérique.
61
 • A. La réponse impulsionnelle de ce filtre est périodique
• B. La réponse impulsionnelle de ce filtre n’est pas périodique

• C. La réponse fréquentielle de ce filtre est périodique

• D. La réponse fréquentielle de ce filtre n’est pas périodique

Question 2 Soit H un filtre numérique de réponse impulsionnelle hn .

• A. Si l’entrée est xn = δn alors la sortie est yn = hn .
• B. La relation entrée-sortie est yn = hn ∗ xn .

• C. La réponse fréquentielle est non-périodique.

• D. En général quand on connaît la fonction de transfert du filtre on peut en déduire la réponse fréquentielle du filtre.

Question 3 Soit H un filtre numérique de réponse impulsionnelle hn .

• A. Si la fonction de transfert H(z) a tous ces zéros à l’intérieur du disque unité alors H est à phase linéaire.
• B. N’importe quel filtre linéaire temps-invariant est à phase linéaire.

• C. La fonction de transfert est la transformée de Fourier discrète de la réponse impulsionnelle.

• D. La fonction de transfert est la transformée en Z de la réponse impulsionnelle.
1+0.5z −1
Question 4 On considère un filtre de fonction de transfert H(z) = 1−0.5z −1

• A. Le filtre a un pôle en −0.5 et un zéro en 0.5

• B. Le filtre a un pôle en 0.5 et un zéro en −0.5

• C. Le filtre est instable.

• D. Le filtre est stable.

Question 5 On considère un filtre numérique de fonction de transfert

H(z) = 1 + z −1 + z −2 + z −3

• A. Sa réponse impulsionnelle vérifie h4 = 1.

1−z −4
• B. Sa fonction de transfert pourrait s’écrire H(z) = 1−z −1

• C. Ce filtre n’est pas à phase linéaire.

• D. Ce filtre est causal.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

62
Chapter 9

Synthèse de filtres numériques à réponse

impulsionnelle finie : Cours G

L’objectif dans ce chapitre et dans celui qui suit n’est plus de déterminer les propriétés d’un filtre à partir de ses caractéristiques
données par sa réponse impulsionnelle, son équation entrée-sortie, sa fonction de transfert ou sa réponse fréquentielle. Il s’agit
au contraire de choisir les caractéristiques du filtre de façon à ce qu’il réponde à des caractéristiques souhaitées. Il existe un très
grand nombre de méthodes, nous en verrons deux, l’une dans ce chapitre permettant de faire la synthèse d’un filtre numérique
à réponse impulsionnelle finie (MA), et l’autre dans le chapitre qui suit permettant de faire la synthèse d’un filtre numérique à
réponse impulsionnelle infinie (ARMA).
Il existe des techniques très similaires permettant de synthétiser un filtre analogique, mais dans le cadre de ce cours, nous
nous limiterons à la synthèse des filtres numériques.
La première partie du chapitre définit la notion de filtres idéaux qui nous servent ici à définir l’objectif à atteindre. La
deuxième partie expose une méthodologie permettant de faire la synthèse de ce filtre. La troisième partie propose d’utiliser
des fenêtres pour améliorer la synthèse du filtre. La quatrième partie présente une technique permettant de définir un filtre
numérique à partir des caractéristiques d’un filtre analogique. La cinquième partie décrit une application utilisant la synthèse
de filtre : le débruitage d’un signal.

9.1 Filtres idéaux

Dans un certain nombre d’application, on définit ce que l’on recherche comme filtre optimal en indiquant les fréquences pour
lesquelles on ne souhaite aucune déformation du signal, les fréquences pour lesquelles on souhaite supprimer tout le signal et
éventuellement les fréquences pour lesquelles la façon dont le signal est transformé n’est pas prise en compte dans l’objectif.
Comme on sait que l’application d’un filtre sur un signal revient à multiplier la réponse fréquentielle du filtre par la transformée
de Fourier du signal, cette façon de formuler l’objectif de synthèse d’un filtre revient à chercher à approcher un filtre idéal. Par
filtre idéal, on entend ici un filtre dont le module de la réponse fréquentielle vaut soit 1 soit 0 en fonction de la valeur de la
fréquence.
On distingue 5 types de filtres analogiques idéaux. On peut les définir par leur spectre ou par la façon dont il transforme un
signal d’entrée u(t) de transformée de Fourier U b (f ), en un signal de sortie v(t) de transformée de Fourier Vb (f ).

• Un filtre passe-bas idéal est un filtre qui laisse inchangé le spectre de l’entrée |U
b (f )| pour toutes les fréquences inférieures
à une fréquence de coupure et qui annule le spectre de l’entrée pour toutes les fréquences inférieures à la fréquence de
coupure. On peut le définir ainsi
b )| = 1[−f ,f ] (f )
|H(f c c

La courbe en haut de la figure 9.1 est un exemple de réponse fréquentielle de filtre passe-bas de fréquence de coupure à
1Hz.
• Un filtre passe-haut idéal est un filtre qui laisse inchangé le spectre de l’entrée pour toutes les fréquences supérieures à une
fréquence de coupure et qui annule le spectre pour toutes les fréquences inférieures à la fréquence de coupure. On peut le
définir ainsi :
b )| = 1
|H(f ]−∞,−fc ] [fc ,+∞[ (f )
S

La deuxième courbe de la figure 9.1 est un exemple de réponse fréquentielle de filtre passe-haut de fréquence de coupure à
1Hz.

63
Figure 9.1: Représentation graphique de 4 réponses fréquentielles de filtres analogiques idéaux (passe-bas, passe-haut, passe-
bande, coupe-bande). L’axe horizontal correspond aux fréquences.

• Un filtre passe-bande idéal suppose à priori deux fréquences de coupures fc1 et fc2 . Il s’agit d’un filtre qui laisse inchangé le
spectre sur toutes les fréquences qui se situent entre fc1 et fc2 . Ce filtre annule le spectre sur toutes les autres fréquences.
On peut le définir ainsi :
b )| = 1
|H(f [fc1 ,fc2 ] (f )
S
[−fc2 ,−fc1 ]

La troisième courbe de la figure 9.1 est un exemple de réponse fréquentielle de filtre passe-bande de fréquences de coupure
à 1Hz et 2Hz.
• Un filtre coupe-bande idéal suppose aussi qu’on choisisse deux fréquences de coupures fc1 et fc2 . Il s’agit d’un filtre qui
laisse inchangé le spectre sur toutes les fréquences qui se situent en dehors de l’intervalle [fc1 , fc2 ]. Ce filtre annule le
spectre sur toutes les fréquences situées entre la première et la seconde fréquence de coupurre. On peut le définir ainsi :
b )| = 1
|H(f ]−∞−fc2 ] [−fc1 ,fc1 ] [fc2 ,+∞[ (f )
S S

La quatrième courbe de la figure 9.1 est un exemple de réponse fréquentielle de filtre coupe-bande de fréquences de coupure
à 1Hz et 2Hz.
• Un filtre passe-tout laisse inchangé le spectre de l’entrée mais peut modifier sa phase. Il peut être défini par
b )| = 1
|H(f

On utilise aussi cette classification pour les filtres numériques idéaux. Les termes sont identiques, mais leur signification est
légèrement modifiée puisque la réponse fréquentielle d’un filtre numérique est périodique de période fe où fe est la fréquence
d’échantillonnage. La modification consiste seulement à ce que la caractérisation définie plus haut est valable sur l’intervalle
[−fe /2, fe /2].
Les courbes de la figure 9.2 correspondent aux réponses fréquentielles des filtres numériques idéaux pour une fréquence
d’échantillonnage fe = 6Hz. La courbe du haut correspond à un passe-bas. La deuxième courbe correspond à un passe-haut, la
troisième courbe correspond à un passe-bande, la quatrième courbe correspond à un coupe-bande.

9.2 Synthèse d’un filtre numérique

Il n’existe pas de filtre numérique de taille finie qui ait une réponse fréquentielle égale à ces filtres idéaux. L’objectif de la
synthèse de filtre consiste à trouver un filtre MA causal qui s’approche le plus possible du filtre idéal recherché. On souhaite
aussi que la réponse impulsionnelle de ce filtre ne soit pas trop longue et que par exemple seuls les termes associés aux instants
entre t = 0 et t = (N − 1)Te soient non-nuls.
64
Figure 9.2: Représentation graphique de 4 réponses fréquentielles de filtres numériques idéaux (passe-bas, passe-haut, passe-
bande, coupe-bande). L’axe horizontal correspond aux fréquences.

65
 La méthodologie à suivre pour synthétiser un filtre numérique, consiste à choisir un filtre idéal noté Hi (type et fréquence de
coupure) et à suivre les étapes suivantes.

1. On calcule de la transformée de Fourier temps discret inverse de la réponse fréquentielle du filtre idéal, H
b i (f ) de façon à
obtenir une réponse impulsionnelle notée
h i
han = TFTD−1 H b i (f )

2. Troncature de la réponse impulsionnelle

hbn = han 1{−N..N } [n]

3. Application d’un retard sur la réponse impulsionnelle de façon à décaler les indices et à rendre causal le filtre ainsi synthétisé.

hcn = hbn−N

Pour synthétiser un filtre passe-haut, on peut appliquer la méthodologie présentée en considérant comme filtre idéal un filtre
passe-haut, soit appliquer la méthodologie précédente avec un filtre idéal passe-bas de même fréquence de coupure et intercaler
une étape supplémentaire entre la deuxième et la troisième étape : hbBisn = δn − hbn En effet une telle transformation sur la
réponse impulsionnelle permet de transformer un passe-bas en un passe-haut (H b bBis (f ) = 1 − H
b b (f )).

9.3 Utilisation des fenêtres

La deuxième étape de troncature en modifiant la réponse impulsionnelle modifie aussi la réponse fréquentielle, l’éloigne du
filtre idéal en y ajoutant des ondulations. C’est ce qu’illustre la figure 9.3 sur un exemple. La partie gauche de la figure représente
les réponses impulsionnelles, la partie droite représente les réponses fréquentielles. La deuxième ligne correspond à l’application
de la transformée de Fourier temps discret inverse à un filtre passe-bas idéal. La première ligne correspond à la transformée de
Fourier inverse du filtre idéal analogique et nous fournit une réponse impulsionnelle temps continu dont la deuxième ligne est
l’échantillonnage. La réponse fréquentielle de la deuxième ligne est périodique, ce qui est normal pour un filtre numérique, et cela
peut aussi se voir comme la conséquence de cet échantillonnage. La troisième ligne consiste à transformer le filtre passe-bas en
un filtre passe-haut par l’intermédiaire de la relation hbBis
n = δn − hbn . La quatrième ligne supprime les oscillations de la réponse
impulsionnelle grace à une troncature de la réponse impulsionnelle, mais les introduit sur la réponse fréquentielle. La cinquième
ligne est justement l’utilisation d’une fenêtre (en l’occurence d’une fenêtre triangulaire) qui aboutit à réduire les oscillations sur
la réponse fréquentielle. Les traits en semi-pointillés (alternance de traits longs et courts) indiquent les fréquences fe /2 et −fe /2
qui sont des axes de symétrie du module d’une réponse fréquentielle.
Au delà de cet exemple particulier, la troncature d’un signal produit des ondulations sur la réponse fréquentielle. En effet la
troncature peut se voir comme le fait de multiplier la réponse impulsionnelle par un signal porte p[n] = 1{−N/2...N/2} [n] dont la
transformée de Fourier est un quotient de sinusoïdes :

sin (πf (N + 1)Te )

TFTD[p[n]](f ) =
sin (πf Te )

Cette fonction ressemble à basse fréquence à un sinus cardinal, mais diffère à plus haute fréquence puisque cette fontion est aussi
périodique de période fe = 1/Te . Or le fait de faire une multiplication de signaux dans le domaine temporel est équivalent au
produit de convolution dans le domaine fréquentiel. C’est donc en ce sens que la troncature produit des ondulations.
L’objectif d’une fenêtre à temps discret est de multiplier la réponse impulsionnelle par un signal tronqué et dont l’effet est
de rapprocher la nouvelle réponse fréquentielle de celle obtenue avant la troncature. Plus formellement on peut définir l’objectif
recherché, on notant xn un signal quelconque et wn le signal associé à la fenêtre qui doit être nul sauf pour les instants compris
entre t = −N Te et t = N Te . On cherche à avoir la meilleur approximation pour la relation suivante :

TFTD [wn xn ] (f ) ≈ TFTD [xn ] (f )

Voici quelques exemples de fenêtres

1. Fenêtre rectangulaire

hn = 1{−N,N } [n]

2. Fenêtre triangulaire

N + 1 − |n|
hn = 1{−N,N } [n]
N +1

66
Figure 9.3: Réponses impulsionnelles et réponses fréquentielles ayant servies à la synthèse d’un filtre numérique passe-haut de
fréquence de coupure à 1.5Hz pour une fréquence d’échantillonnage de fe = 5Hz.

67
 3. Fenêtre de Hann
n+N
 
hn = 0.5 − 0.5 cos(2π ) 1{−N,N } [n]
2N + 1

4. Fenêtre de Hamming
n+N
 
hn = 0.54 − 0.46 cos(2π ) 1{−N,N } [n]
2N + 1

En pratique, l’utilisation d’une fenêtre se fait juste après la troncature de la réponse impulsionnelle et avant l’application
d’un retard sur la réponse impulsionnelle. Elle consiste simplement à multiplier terme à terme la réponse impulsionnelle.

hbBis
n = hbn wn

L’utilisation d’une fenêtre ne peut malgré tout pas suppléer aux performances que l’on peut obtenir en utilisant un filtre
numérique plus long. Il existe d’ailleurs une relation entre la longueur du filtre numérique synthétisé N , la raideur de la
réponse fréquentielle du filtre synthétisé (∆F désigne la largeur de bande de transition), les ondulations présentes sur la bande
passante (δ1 ) et la bande d’atténuation (δ2 ). Formellement δ1 et δ2 sont des coefficients entre 0 et 1, il s’agit de la différence en
valeur absolue entre la valeur réelle et la valeur du module de la réponse fréquentielle idéale divisé par le module de la réponse
fréquentielle idéale sur la bande passante.

2 1
 
N= ln
3∆F 10δ1 δ2
De telles relations sont désignées sous le terme de relation temps-fréquence.
De telles relations permettent de faire un compromis à faire entre l’objectif d’atteindre le plus précisément le filtre idéal et
le fait de ne pas d’obtenir un filtre dont la réponse impulsionnelle n’est pas trop longue. Ce compromis dépend de l’application
visée.
On définit la notion de résolution fréquentielle. Un signal a une résolution ∆F s’il est possible de distinguer deux fréquences
f et f + ∆F .

9.4 Méthode de l’invariant impulsionnel

La méthode de l’invariant impulsionnel est un exemple de technique permettant de discrétiser un filtre. Ce que l’on appelle
discrétiser un filtre, consiste à transformer un filtre analogique en un filtre numérique. L’objectif recherché est en général de faire
en sorte que la relation entrée sortie du filtre numérique soit la plus proche de la relation entrée sortie du filtre analogique. Et
comme le produit de convolution à temps discret est une opération un peu différente du produit de convolution à temps continu,
l’objectif recherché est un peu différent de celui qui consiste à discrétiser un signal à temps continu.
La méthode de l’invariant impulsionnel consiste à définir un filtre numérique par sa réponse impulsionnelle est obtenue à
partir de la discrétisation de la réponse impulsionnelle du filtre analogique

n = Te h(nTe )
h# (9.1)

où h(t) est la réponse impulsionnelle du filtre analogique.

Ce n’est pas forcément une méthode simple si la réponse impulsionnelle du filtre analogique est difficile à calculer. Ce n’est
pas a priori une méthode à utiliser si la réponse fréquentielle du filtre analogique ne respecte pas le critère de Nyquist. En effet
la réponse fréquentielle du filtre numérique ainsi discrétisé est définie par

X
b )=
H(f b − kfe )
H(f (9.2)
k

Cette méthode est utilisée par exemple pour définir un filtre moyenneur ou un filtre gaussien.
La remarque 1 (p. 11) est aussi valable ici. Lorsque la réponse impulsionnelle h(t) présente une discontinuité, ce qui est assez
fréquent en t = 0, il est important de modifier l’équation (9.1) qui devient alors
Te Te
n =
h# h(nTe− ) + h(nTe+ ) (9.3)
2 2
où h(nTe− ) et h(nTe+ ) désignent les limites à gauche et à droite de t 7→ h(t) en t = nTe . Si on ne tient pas compte de cette
remarque alors qu’il y a une discontinuité en t = nTe alors l’équation (9.1) n’est plus valable.
68
9.5 Application aux signaux aléatoires
9.5.1 Généralités
On distingue les signaux déterministes des signaux aléatoires (ou stochastiques). Les premiers prennent à chaque instant
une valeur définie, tandis que les seconds prennent une plage de valeurs, à chacune de ces valeurs est affectée un coefficient
appelé probabilité qui traduit la confiance que l’on a dans le fait que tel signal prennent effectivement telle valeur. Le fait de
savoir appliquer des outils sur des signaux aléatoires est l’objet d’un autre cours, notamment du traitement du signal aléatoire.
Cependant ces deux cours sont en réalité complémentaires. Le traitement du signal propose des outils qui sont définis sur des
signaux déterministes, mais qui ont des propriétés stochastiques intéressantes lorsqu’on les applique à des signaux aléatoires.
P+∞ L’autocorrélation d’un signal aléatoire à temps discret pourrait être définié comme pour un signal déterministe par γB [k] =
n=−∞ Bn Bn−k Mais le résultat devient une quantité aléatoire. Aussi pour un processus aléatoire ce qu’on appelle l’autocorrélation
est l’espérance.
" +∞ #
X
γB [k] = E Bn Bn−k
n=−∞
P+∞
Il s’agit de faire une moyenne sur les différentes valeurs prises par n=−∞ Bn+k Bn en les pondérant par la probabilité de ces
valeurs. En pratiqueP+∞pour calculer cette quantité on utilise les propriétés des lois gaussiennes sans chercher à calculer la densité
de probabilité de n=−∞ Bn Bn−k . La puissance d’un signal aléatoire est définie par

PB = E[Bn2 ]
La densité spectrale de puissance d’un signal aléatoire est la transformée de Fourier à temps discret de l’autocorrélation,
l’espérance peut être calculée soit avant soit après avoir appliqué la transformée de Fourier à temps discret.

ΓB (f ) = TFTD [γB [k]] (f )

Elle peut aussi s’exprimer à partir du module au carré de la transformée de Fourier à temps discret, mais il faut aussi
appliquer l’espérance
h i
2
ΓX (f ) = E |TFTD [Xn ] (f )|

Un exemple particulier de bruit aléatoire à temps discret est le bruit blanc à temps discret. Le signal à chaque instant est une
variable aléatoire indépendante du signal à tous les autres instants. Il est de moyenne statistique nulle et a la même définition
stochastique à chaque instant
E[Bk Bl ] = σ 2 δk−l
où δk−l = 0 si k ̸= l et δ0 = 1. Son autocorrélation est
γB [k] = σ 2 δk
Sa puissance est
PB = σ 2
Une tel signal aléatoire une densité spectrale de puissance constante
ΓB (f ) = σ 2
On peut écouter un bruit blanc avec les instructions Matlab suivantes :
y=randn(1,10000);
sound(y)
La première instruction génère une réalisation d’un bruit blanc gaussien d’écart-type 1. La seconde envoie les valeurs ainsi tirées
aléatoirement vers un haut-parleur (via une carte son). On peut alors entendre un sifflement.
Le bruit blanc joue un rôle important dans l’étude des signaux aléatoires. Considérons un signal aléatoire ayant des carac-
téristiques suffisamment régulières pour avoir une densité spectrale ΓY (f ) = |H(f
b )|2 où H(f
b ) est la réponse fréquentielle d’un
filtre. Ce signal a alors la même autocorrélation que s’il avait été généré par un bruit blanc filtré par un filtre H de réponse
fréquentielle H(f
b ).
L’application d’un filtre Yn = H[Xn ] de réponse fréquentielle H(f
b ) déforme la densité spectrale ΓX (f ) d’un signal Xn en la
densité spectrale ΓY (f ) d’un signal Yn

ΓY (f ) = |H(f
b )|2 ΓX (f )

69
9.5.2 Application au débruitage d’un signal
Pour expliquer la différence entre les résultats théoriques et les résultats pratiques lors d’une expérimentation, on dit qu’il y
a une différence entre le signal observé et le signal réel (dit aussi signal source). La différence peut bien sûr provenir aussi d’une
modélisation inexacte ou trop simplifié, mais une telle inexactitude est difficile à modéliser, alors cette différence là aussi est
souvent modélisé comme une différence entre le signal réel et le signal observé. On appelle cela le bruit. Et l’hypothèse souvent
utilisée est que la différence entre le vrai signal et le signal modélisé est un bruit blanc. Autrement dit le signal observé est la
somme d’un signal déterministe (appelé signal source ou vrai signal) et d’un signal aléatoire (appelé bruit additif).
On mesure la proportion du bruit dans le signal en considérant la puissance PS du signal déterministe et PB la puissance du
bruit. On mesure alors le rapport du signal sur bruit en décibel.

√ 
P
RSBdB = 20 log10 √ s
Pb
Le rapport signal sur bruit est d’autant plus élevé qu’il y a moins de bruit. Ce rapport signal sur bruit augmente de 6dB quand
on multiplie par deux le siganl réel sans changer le bruit. Il diminue de 20dB si on multiplie le bruit par 10 sans rien changer au
signal source.
On appelle débruitage le fait d’appliquer un filtre à un signal bruité de façon à ce que la sortie de ce filtre appelé signal filtré
soit plus proche du signal réel que le signal filtré, (le rapport signal sur bruit du signal filtré doit être plus élevé que le rapport
signal sur bruit du signal non filtré). En théorie on peut débruiter au moins un petit peu un signal si pour certaines fréquences
le bruit est plus important que le signal. Dans ce cas, a priori, le filtre idéal à utiliser est
b ) = 1 si ΓX (f ) > ΓB (f )
H(f
b ) = 0 sinon
H(f

où ΓX (f ) est la densité spectrale du signal réel et ΓB (f ) est la densité spectrale du bruit.

QCM
Question 1 On cherche à synthétiser un filtre à réponse impulsionnelle finie (RIF), passe-bas, de fréquence de coupure fc =
1kHz. On considère des signaux échantillonnés à fe = 4kHz.

• A. La méthodologie pour synthétiser un tel filtre préconise d’utiliser une transformée de Fourier à temps discret inverse.
• B. La méthodologie pour synthétiser un tel filtre préconise d’utiliser une transformée de Fourier discrète inverse.
• C. La réponse fréquentielle du filtre synthétisée est quasiment nulle en la fréquence nulle.

• D. Si un signal comporte du bruit alors un tel filtre a en général tendance à réduire le bruit présent.

Question 2 On cherche à synthétiser un filtre, à réponse impulsionnelle finie, passe-haut, de fréquence de coupure fc = 1kHz.
On considère des signaux échantillonnés à fe = 4kHz.
• A. Lorsqu’on a déjà réussi à synthétiser un filtre passe-bas de fréquence de coupure fc = 1kHz il est facile d’en déduire le
filtre passe-haut recherché par une simple soustraction.
• B. Plus on se donne un nombre important d’échantillons non-nuls sur la réponse impulsionnelle, plus on peut espérer un
courbe raide sur la réponse fréquentielle.

• C. L’invariant impulsionnel est un méthode qui permet de calculer la réponse impulsionnelle à partir de la réponse fréquen-
tielle du filtre.
• D. La fréquence de coupure peut parfois être plus grande que la fréquence d’échantillonnage.

Question 3 On considère l’expérience suivante. Un signal d’origine ayant un spectre essentiellement localisé sur les basses
fréquences est bruité par un bruit blanc, puis filtré par un filtre. On espère qu’après le filtrage le signal est plus proche du signal
d’origine que le signal avant le filtrage.

• A. Il vaut mieux utiliser un filtre passe-bande.

• B. Le signal bruité filtré a tendance à être plus lisse que le signal bruité.
• C. Si ce rapport signal sur bruit augmente, cela veut dire que le filtre marche moins bien.
• D. Si le filtre utilisé est un filtre idéal alors il est possible de retrouver parfaitement le signal d’origine.

70
Question 4 On considère une fenêtre triangulaire de 11 termes dans le contexte des filtres numériques.
• A. C’est ainsi que l’on appelle un signal temps discret avec une forme triangulaire et composée de 11 termes.
• B. Une fenêtre ne s’applique que par une multiplication terme à terme avec une signal temps discret.
• C. Une telle fenêtre est utilisée dans le cours pour la synthèse des filtres MA.
• D. Une fenêtre rectangulaire de 11 termes serait plus efficace pour la synthèse des filtres MA.

Figure 9.4: Module et phase des réponse fréquentielle des différents filtres pour deux troncatures à N = 6 et N = 100, avec et
sans application de la fenêtre triangulaire, (qcm 5)

Question 5 On considère quatre filtres à réponses impulsionnelles finies qui ont été synthétisés de façon à réaliser un filtre passe-
bas de fréquence de coupure à 170Hz, la fréquence d’échantillonnage étant à 1kHz. Les réponses fréquentielles de ces filtres sont
représentées sur la figure 19.1. Deux des quatre filtres ont été synthétisés avec une fenêtre, et deux ont été réalisés sans fenêtre.
Deux des quatre réponses impulsionnelles sont de longueurs courtes (N = 6), et deux des quatres réponses impulsionnelles sont
de grande longueurs (N = 100).
• A. La courbe a représente la réponse fréquentielle d’un filtre de grande taille.
• B. La courbe b représente la réponse fréquentielle d’un filtre synthétisé sans l’utilisation d’une fenêtre.
• C. La courbe c représente la réponse fréquentielle d’un filtre de taille courte.
• D. La courbe d représente la réponse fréquentielle d’un filtre synthétisé avec l’utilisation d’une fenêtre.

Mettre des croix dans les cases qui vous semblent vraies.
71
 1 2 3 4 5
A
B
C
D

72
Chapter 10

Synthèse de filtres à réponses impulsionnelles

infinies : Cours H

L’objectif de ce chapitre est de présenter une technique pour synthétiser des filtres numériques ARMA, c’est-à-dire pour
calculer les coefficients d’un filtre en fonction de ce qu’il s’agit d’un passe-bas, passe-haut, passe-bande, coupe-bande ayant telles
ou telles fréquences de coupures. La méthode proposée ici utilise les filtres de Butterworth parce qu’ils sont plus simples à
calculer. Les autres méthodes, toutes en étant plus complexes présentent de nombreuses similitudes avec la méthode présentée
ici.

10.1 Définition d’un filtre de Butterworth

Figure 10.1: Représentation graphique du module des 4 réponses fréquentielles en fonction de la fréquence des 4 premiers filtres
de Butterworth, H1 , H2 , H3 , H4 .

Les filtres de Butterworth sont une famille de filtre analogiques dont les réponses fréquentielles sont toutes des courbes
décroissantes valant 1 en f = 0 et 0 en f = +∞. Elles ont toutes la même fréquence de coupure fc = 2π 1
(l’écriture de ces
réponses fréquentielles est plus simple lorsqu’elle est faite en fonction de la pulsation ω = 2πf , la pulsation de coupure vérifie
alors ωc = 1). Les différentes réponses fréquentielles diffèrent seulement par leur raideur qui augmente avec l’ordre de ces filtres.
Les réponses fréquentielles de ces filtres sont représentées sur la figure 10.1.
Les filtres de Butterworth d’ordres 1 à 4 sont donnés par
1
H1 (p) =
p+1

1
H2 (p) = √
p2 + 2p + 1

1
H3 (p) =
(p + 1)(p2 + p + 1)
73
 1
H4 (p) =
(1 + 2 cos( 3π
8 )p + p2 )(1 + 2 cos( π8 )p + p2 )

avec cos(π/8) ≈ 0.92 et cos(3π/8) = 0.38.

Une définition plus générale de ces filtres de Butterworth s’appuie sur les polynômes suivants. Les polynômes de degré paires
N = 2P sont définis par
P
Y
B2P (p) = 1 + 2 cos(φk )p + p2

k=1
1 − 2k
avec φk = π pour k ∈ {1..P }
4P
Les polynômes de degré impaires N = 2P + 1 sont définis par
P
Y
B2P +1 (p) = (p + 1) 1 + 2 cos(φk )p + p2

k=1
−k
avec φk = π pour k ∈ {1..P }
2P + 1
Les filtres de Butterworth d’ordre N sont définis par
1
H(p) =
BN (p)
La réponse fréquentielle de ces filtres est donnée par

b )|2 = 1
|H(f
((4π 2 f 2 )N + 1)

Avec cette écriture on retrouve d’une part que leur fréquence de coupure commune est fc = 1
2π :
√
1 b )| = 2 max(|H(f
f= ⇒ |H(f b )|)
2π 2

10.2 Synthèse d’un filtre analogique par un filtre de Butterworth

On souhaite maintenant utiliser les filtres de Butterworth pour définir un filtre analogique qui soit un passe-bas, passe-haut,
passe-bande, coupe-bande et qui ait les bonnes fréquences de coupures et une raideur suffisante.
La raideur est déterminé par l’ordre N , plus N est élevé plus le filtre obtenu est raide. Il existe des techniques permettant de
calculer N en fonction d’objectifs à atteindre sur la courbe de la réponse fréquentielle à calculer. En fonction du type de filtre à
synthétiser on considère différentes méthodologies.

Méthodologie 1 (Synthèse d’un filtre passe-bas avec un filtre de Butterworth) On se donne la réponse fréquentielle
correspondant à un filtre passe-bas idéal de fréquence de coupure fc .
1. Choisir l’ordre N du filtre de Butterworth,
2. On définit le changement de variable p′ = p
2πfc . Le filtre analogique de Butterworth associé est :

p 1
H ′ (p) = H( )=
2πfc BN ( 2πf
p
c
)

3. La réponse fréquentielle du nouveau filtre est alors

b ′ (f )| = q 1
|H
1 + ( ffc )2N

Méthodologie 2 (Synthèse d’un filtre passe-haut avec un filtre de Butterworth) On se donne la réponse fréquentielle
correspondant à un filtre passe-haut idéal de fréquence de coupure fc .
1. Choisir l’ordre N du filtre de Butterworth
2. On définit le changement de variable 1
p′ = p
2πfc . Le filtre analogique de Butterworth associé est :

2πfc 1
H ′ (p) = H( )=
p BN ( 2πf
p )
c

74
 3. La réponse fréquentielle du nouveau filtre est alors

b ′ (f )| = q 1
|H
1 + ( ffc )2N

Méthodologie 3 (Synthèse d’un filtre passe-bande avec un filtre de Butterworth) On se donne la réponse fréquen-
tielle correspondant à un filtre passe-bande idéal de fréquence de coupure f1 et f2 .
√
1. On pose B = f2 − f1 et f0 = f1 f2 .
2. Choisir l’ordre N du filtre de Butterworth.
3. On définit le changement de variable

2πf0
 
f0 p
p =
′
+
B 2πf0 p
Calculer le filtre analogique de Butterworth associé :

b ′ (p) = H(p
b ′) = 1
H
BN (p′ )

4. La réponse fréquentielle du nouveau filtre est alors

b ′ (f )| = p 1
|H
1 + g(f )2N
 
f0 f f0
g(f ) = +
B f0 f

Remarque 2 Pour la synthèse d’un passe-bande et d’un coupe-bande, on a en fait qu’une approximation des propriétés souhaitées. La
réponse fréquentielle est bien nulle en la fréquence nulle et en la fréquence infinie.
b ′ (f )| = lim |H
lim |H b ′ (f )| = 0
f →0 f →+∞

Les fréquences f = f1 et f = f2 ne sont pas exactement les fréquences de coupures :

1 1
|H(f
b 1 )| = |H(f
b 2 )| = s ̸= √
 f1
1+ f 2
2N 2
1+ f1
1− f 2

L’allure globale de la réponse fréquentielle est d’être croissante sur l’intervalle [0, f0 ] (intervalle contenant f1 ) et décroissante sur l’intervalle
[f0 , +∞[ (intervalle contenant f2 ).

Méthodologie 4 (Synthèse d’un filtre coupe-bande avec un filtre de Butterworth) On se donne la réponse fréquen-
tielle correspondant à un filtre passe-bande idéal de fréquence de coupure f1 et f2 .
√
1. On pose B = f2 − f1 et f0 = f1 f2 .
2. Choisir l’ordre N du filtre de Butterworth.
3. On définit le changement de variable

1 2πf0
 
f0 p
= +
p′ B 2πf0 p
Calculer le filtre analogique de Butterworth associé :

b ′ (p) = H(p
b ′) = 1
H
BN (p′ )

4. La réponse fréquentielle du nouveau filtre est alors

b ′ (f )| = p 1
|H
1 + g(f )2N
B 1
g(f ) =
f0 ff + ff0
0

75
10.3 Transformée Bilinéaire
Nous avons comment faire la synthèse de filtres analogiques. Mais pour appliquer cela il faudrait un outil qui définissent les
coefficients d’un filtre numériques en fonction des coefficients d’un filtre analogiques. Nous avons déjà vu précédemment l’invariant
impulsionnel qui propose de considérer comme filtre numérique, celui associé à l’échantillonnage de la réponse impulsionnelle.
Mais cette transformation ne convient pas ici, parce qu’il est difficile de calculer la réponse impulsionnelle et que d’autre part
l’invariant impulsionnel suppose que la réponse fréquentielle du filtre analogique soit nulle en deça de fe /2 où fe est la fréquence
d’échantillonnage, et justement cette réponse fréquentielle n’est en général pas nulle sur cet intervalle.
La transformée bilinéaire est une autre transformation qui à un filtre analogique associe le filtre numérique dont la fonction
de transfert H # (z) est calculé à partir de la fonction de transfert du filtre analogique H(p)

2 1 − z −1
H(p) = H # (z) où p =
Te 1 + z −1
Te est la période d’échantillonnage. Si le filtre analogique est stable, le filtre numérique le sera aussi et si le filtre numérique est
stable, c’est que le filtre analogique l’était aussi. La réponse fréquentielle du filtre numérique Hb # (f ) peut aussi se déduire de la
réponse fréquentielle du filtre analogique H(fb )
Si on pose :

fe πf #
f= tan( ) (10.1)
π fe

alors H(f
b )=H
b # (f # )

Figure 10.2: En haut à gauche : réponse fréquentielle du filtre analogique p+1 .

1
En haut à droite : réponse fréquentielle du filtre
−1
numérique 1+z
2 . En bas à gauche : bissectrice qui change l’abscisse en ordonnée. En bas à droite : compression des fréquences
qui transforme f en f # .

La figure 10.2 permet d’illustrer comment calculer la réponse fréquentielle du filtre numérique à partir de la réponse fréquen-
tielle du filtre analogique. En haut à gauche se trouve la réponse fréquentielle du filtre de fonction de transfert H(p) = p+11
, notée
−1
H(f ). En haut à droite se trouve la réponse fréquentielle de H (z) = 2 , notée H (f ), elle est obtenue en appliquant la
b # 1+z b # #

transformée bilinéaire sur le filtre H. Le trait en pointillé en haut joint un point de la réponse fréquentielle de H(f
b ) avec un point
de la réponse fréquentielle de H b (f ) mais à une différente fréquence (et en l’occurence à plusieurs autres fréquences, étant
# #

donné que la réponse fréquentielle H b # (f # ) est en réalité périodique de période fe ). L’objet des deux graphiques en dessous est
de donner une méthode graphique pour déterminer f # en fonction de f . Le graphique en bas à gauche représente la bissectrice
et permet de positionner sur l’axe des ordonnées la fréquence qui se trouvait sur l’axe des abscisses. Ainsi la position verticale
du trait plein horizontal est en fait liée à la position horizontale du trait plein vertical, elle-même liée à la fréquence du premier
point étudié. Le graphique en bas à droite permet ensuite de transformer une fréquence f (axe des ordonnées) en une fréquence
f # (axe des abscisses) ; l’équation de cette courbe est données par (10.1).

10.4 Synthèse d’un filtre numérique par un filtre de Butterworth

On pourrait penser que pour synthétiser un filtre numérique, il suffit de synthétiser un filtre analogique du type souhaité
(passe-bas, passe-haut, passe-bande, coupe-bande) et avec la/les fréquences de coupure souhaitées, et d’appliquer la transformée

76
bilinéaire. Malheureusement en faisant cela on aura bien un filtre numérique du type souhaité mais avec a priori les mauvaises
fréquences de coupure, parce que modifiées par la transformée bilinéaire. Il faut donc au préalable calculer la/les valeurs des
fréquences de coupures du filtre analogiques fc qui soient telles qu’après l’application de la transformée bilinéaire on puisse avoir
les fréquences de coupures fc# souhaitées. Cela se fait en appliquant (10.1) à fc# . Une astuce qui permet de simplifier les calculs
consiste à combiner les deux transformations, celle permettant de modifier la fréquence de coupure du filtre analogique et celle
associée à la transformée bilinéaire. On peut alors appliquer la transformation globale à un des filtres de Butterworth.

Méthodologie 5 (Synthèse d’un filtre numérique par un filtre de Butterworth) On se donne un gabarit que le filtre
numérique doit respecter et une fréquence d’échantillonnage fe .
1. Calculer le gabarit que devrait respecter le filtre analogique si le filtre numérique est déduit du filtre analogique avec une
transformée bilinéaire. On applique

fe πf #
f # 7→ f = tan( )
π fe

2. Calculer l’ordre du filtre de Butterworth et la transformation p 7→ p′

2 1−z −1
3. Calculer la nouvelle transformation z 7→ p′ sachant que p = Te 1+z −1 :

H # (z) = H ′ (p) = H(p′ )

où H est le filtre de Butterworth défini à partir des polynômes de Butterworth et H # est le filtre numérique souhaité.
4. En déduire le filtre numérique de Butterworth.

10.5 Synthèse avec d’autres filtres

Méthodologie 6 (Synthèse d’un filtre numérique avec un autre type de filtre) L’étape 2 est modifiée, parce que pour
les autres filtres il n’y a pas forcément que l’ordre du filtre à déterminer.

Propriétés 1 (Les autres filtres) 1. Le filtre de Tchebycheff de type 1 présente des ondulations dans la bande passante.
2. Le filtre de Tchebycheff de type 2 présente des ondulations constantes dans la bande atténuée
3. Le filtre elliptique (ou filtre de Cauer) présente des ondulations constantes à la fois dans la bande passante et dans la bande
atténuée, mais au prix d’une distortion de phase plus forte.
4. Le filtre de Bessel a une réponse indicielle optimale.

QCM
Question 1 On cherche à réaliser un filtre ARMA passe-bas de fréquence de coupure fc = 1kHz. La fréquence d’échantillonnage
est fe = 4kHz.
• A. Dans la méthodologie présentée en cours, les polynômes de Butterworth servent à transformer le filtre analogique calculé
en un filtre numérique.
• B. Plus on choisit un ordre élevé pour le polynôme de Butterworth, plus on peut espérer que la courbe associée au module
de la réponse fréquentielle du filtre synthétisé aura une pente très raide.
• C. Dans l’application de la méthodologie pour synthétiser un ARMA, la fréquence de coupure du filtre numérique synthétisé
est égale à la fréquence de coupure du filtre analogique.
• D. En utilisant une fenêtre on peut améliorer l’efficacité du filtre ARMA synthétisé.

Question 2 On considère des signaux échantillonnés à fe = 2kHz. On synthétise un filtre passe-bas de fréquence de coupure fc
en utilisant les filtres de Butterworth et en suivant précisément la méthodologie indiquée en cours.
• A. Il est possible de réussir à synthétiser un tel filtre avec fc = 1.5kHz.
• B. Le module de la réponse fréquencielle du filtre synthétisé est nécessairement croissant entre −1kHz et 0kHz.
• C. Le module de la réponse fréquencielle du filtre synthétisé vaut 1 en la fréquence nulle.
• D. Le module de la réponse fréquentielle vaut approximativement 0.7 en f = fc .
77
Question 3 On a réussi à synthétiser H un filtre ARMA passe-haut en utilisant les polynômes de Butterworth.
• A. Le module de la réponse fréquentielle |Ĥ(f )| de H est symétrique par rapport à la fréquence nulle.

• B. La réponse impulsionnelle hn de H est symétrique par rapport à l’indice nul.

• C. La fonction de transfert H(z) de H est définie pour tout z tel que |z| > 1.
• D. La fonction de transfert H(z) de H est définie pour tout z tel que |z| < 1.

Question 4 On considère un filtre analogique de fonction de transfert H(p) = 1

p+1 et un filtre numérique de fonction de transfert
H # (z) obtenu avec la transformée bilinéaire.
−1
• A. Le calcul de H # (z) se fait à partir de H(p) et z = 2 1−p
Te 1+p−1 et H # (z) = H(p)

2 1−z −1
• B. Le calcul de H # (z) se fait à partir de H(p) et p = Te 1+z −1 et H # (z) = H(p)

• C. La réponse fréquentielle de H # se déduit de celle de H par repliement fréquentiel (c’est-à-dire Ĥ # (f ) = K Ĥ(f − kfe )
P
k
où K est un coefficient de proportionnalité).
• D. A basse fréquence Ĥ # et Ĥ ont approximativement le même comportement fréquentiel.

Question 5 On échantillonne un signal s(t) à fe = 1kHz

• A. Si s(t) ne satisfait pas le critère de Shannon-Nyquist alors du fait du repliement de spectre le signal échantillonné ne
permet plus de retrouver le signal de départ.

• B. Après repliement de spectre, le spectre obtenu est périodique de période 1kHz.

• C. Si s(t) satisfait le critère de Shannon-Nyquist, la reconstruction du signal de départ en un instant t0 à partir du signal
temps discret s’appelle aussi interpolation du signal à temps discret à cet instant t0 .
• D. En pratique l’interpolation consiste en général en l’application d’un filtre passe-haut de fréquence de coupure fe /4.

Mettre des croix dans les cases qui vous semblent vraies.
1 2 3 4 5
A
B
C
D

78
Chapter 11

Cours A : description d’un signal

11.1 Exercices d’application

79
Exercice 1 ((56)) On considère un signal temps discret non-périodique défini par xn = δn − 1.1δn−4 avec fe = 2Hz.
1. Que devient le signal quand on amplifie par un facteur 2 ?

2. Que devient le signal quand on lui ajoute 2 ?

3. Que devient le signal quand on dilate l’échelle des temps par un facteur 2 ?
4. Que devient le signal quand on retarde le signal d’une seconde ?
5. On cherche ce que devient le signal quand on le quantifie sur 2bits.

(a) Montrez que xn ∈ [−1.1, 1].

(b) Montrez que le pas de quantification est Q = 0.525.
(c) On note Q le fait de quantifier le signal : xq [n] = Q [xn ] (t). Proposez des valeurs pour a, b, c, d et des intervalles
Ia , Ib , Ic , Id tels que

a si xn ∈ Ia




 b si xn ∈ Ib


Q [xn ] (t) =

 c si xn ∈ Ic


 d si xn ∈ Id


Généralement les valeurs et intervalles proposées vérifient ces propriétés.

• a ∈ [−1.1, 1] et b ∈ [−1.1, 1] et c ∈ [−1.1, 1] et d ∈ [−1.1, 1].
[−1.1, 1] ⊂ Ia Ib Ic Id
S S S
•
Ia Ib = ∅, Ib Ic = ∅, Ic Id = ∅.
T T T
•
• Ia , Ib , Ic , Id sont des intervalles de même longueurs qui est Q.
• a ∈ Ia , b ∈ Ib , c ∈ Ic , d ∈ Id .
• a ≤ b ≤ c ≤ d.
• b − a = c − b = d − c = Q.
(d) Donnez le résultat graphiquement ?
Dans chacun des cas représentez sur une figure ce que devient le signal.

80
Exercice 2 ((29)) On considère un signal s1 (t) = cos(2πt) et s2 (t) = | cos(2πt)| où t représente le temps mesuré en secondes.
1. Représentez s1 (t) et s2 (t) sur un graphique pour t ∈ [0, 2].

2. Montrez que s1 est périodique de période 1.

3. Proposez une formule à appliquer pour calculer la puissance du signal ?
1+cos(4πt)
4. Démontrez la formule trigonométrique cos2 (2πt) = 2

5. Déduisez la puissance de s1 .
6. Montrez que s2 est périodique de période 1/2.

7. Proposez une formule à appliquer pour calculer la puissance, si possible la même que la précédente.
8. Montrez que la puissance de s2 est la même que la puissance de s1 .

81
11.2 Exercices pour approfondir

82
Exercice 3 ((ex28)) On considère un robinet qui goutte. On considère que les gouttes d’eau sont de même taille et ont un volume
de 1/20mL. Le débit de la moyen de la fuite est de 0.3Lḣ−1 . Expliquez comment ce phénomène peut se modéliser par :

1. un signal temps continu à valeurs réelles,

2. un signal temps continu à valeurs discrètes,
3. un signal temps discret à valeurs réelles,
4. un signal temps discret à valeurs discrètes.

Pour chacun de ces modèles indiquez la période d’échantillonnage et la fréquence d’échantillonnage lorsque cela est nécessaire.

83
Chapter 12

Cours B : Echantillonnage d’un signal

12.1 Exercices d’application

84
Exercice 4 ((55)) On considère un signal dont les mesures aux instants : t = 0, t = 15s, t = 30s sont les suivantes 0.5, 0, 1.5.
1. Montrez comment on peut interpréter ces mesures comme celles associées à un signal temps discret non-périodique. Quelle
est la fréquence d’échantillonnage ?
2. Trouvez l’énergie correspondante.
3. Montrez comment on peut interpréter ces mesures comme celles associées à un signal temps discret périodique. Représentez
graphique le signal correspondant.

4. Trouvez la puissance correspondante.

85
12.2 Exercices pour approfondir

86
Exercice 5 ((33)) Un filtre anti-repliement de spectre est souvent placé avant l’échantillonnage. À quoi est-ce que cela sert ? Ce
filtre est souvent analogique, comment pourrait-on utiliser un filtre numérique à la place ?

87
Chapter 13

Cours C : Série de Fourier, transformée de

Fourier

13.1 Exercices d’application

88
Exercice 6 ((51)) On considère le signal temps continu et périodique de période 2 défini par sur [0, 2] par x(t) = 1[0,1] (t). Calculez
la transformée de Fourier et représentez graphiquement le module de la transformée de Fourier en fonction de la fréquence.
k
bk = 1−(−1) pour k ̸= 0 et X
Montrez d’abord que les coefficients de la série de Fourier sont X b0 = 1 . Puis montrez que
2jkπ 2

+∞
1 1 1
X  
X(f ) = δ(f ) +
b δ f −k−
2 π(2k + 1)j 2
k=−∞

89
Exercice 7 ((53)) On considère trois signaux temps continu, x(t), y(t), z(t).
• x(t) est périodique de période 2 et pour t ∈ [0, 2[, il est défini par x(t) = 1[0,1] (t).

• y(t) n’est pas périodique et pour t ∈ R, il est défini par x(t) = 1[0,1] (t).
• z(t) est périodique de période T et pour t ∈ [0, T [, il est défini par x(t) = 1[0,1] (t).

1. Représentez sur un même graphique pour t ∈ [0, 4], x(t), y(t), z(t) avec T = 3
2. Calculez la transformée de Fourier de x(t).
3. Calculez la transformée de Fourier de y(t).

4. Calculez la transformée de Fourier de z(t) en l’exprimant à partir de Yb (f ).

5. Représentez les trois spectres pour f ∈ [−2, 2] avec T = 4.

90
 1−cos(4πt)
Exercice 8 ((30)) On cherche à calculer la transformée de Fourier de s(t) = sin2 (2πt) = 2

1. Représentez sur une même figure les fonctions sin(2πt), cos(2πt), −1/2 cos(4πt) et sin2 (2πt) pour t ∈ [0, 1].
2. Ecrivez sin(2πt) comme une combinaison linéaire d’exponentielles complexes.

3. Montrez que sin(2πt) est périodique de période 1. Déduisez de ceci que la précédente formule est en fait la décomposition
en série de Fourier de sin(2πt) en exponentielles complexes. Que valent les coefficients de la série Fourier de sin(2πt) ?
4. Que vaut la transformée de Fourier de sin(2πt) ?
5. En déduire la transformée de Fourier de cos(2πt) = − sin(2π(t − 1/4)) ? (la fonction cosinus est en avance d’un quart de
période par rapport à la fonction sinus, elle est donc en opposition de phase avec la fonction sinus retardée d’un quart de
période).
6. On observe que la fonction cos(4πt) est une contraction de la fonction cos(2πt), calculez sa transformée de Fourier ?
7. Quelle est la transformée de Fourier de la fonction constante t 7→ 1 ?
8. En utilisant la formule trigonométrique initiale, quelle est la transformée de Fourier de sin2 (2πt) ?

9. Calculez la transformée de Fourier inverse de celle trouvée et retrouvez la formule trigonométrique initiale.

91
Exercice 9 ((31)) On cherche à déterminer la transformée de Fourier de

s(t) = 1[0,1] (t) + 1[0,2] (t)

1. Représentez le signal s pour t ∈ [0, 2].

R∞
2. Calculez la transformée de Fourier de s1 (t) = 1[0,1] (t) en utilisant la transformée de Fourier S(f ) = −∞
s(t)e−j2πf t dt,
montrez qu’elle se met sous la forme de

sin(πf )
Ŝ1 (f ) = e−jπf
πf

3. Expliquez le fait que ce signal ne soit pas à valeurs réelles ?

4. Calculez la transformée de Fourier en f = 0 sans utiliser la formule plus haut.

5. Déduisez la transformée de Fourier de s2 (t) = 1[0,2] (t)

6. Montrez que la transformée de Fourier de s se met sous la forme suivante :

2 − e−2jπf − e−4jπf
Ŝ(f ) =
2jπf

7. Pour faciliter la représentation du module de la transformée de Fourier, il est en général souhaitable d’exprimer ce module
sous la forme de produit de fonction simple. Après avoir remarqué que le numérateur s’annule en la fréquence nulle et
effectué une factorisation.
En effet pour f = 0, 2 − e−2jπf − e−4jπf = 0.
D’autre part 2 − e−2jπf − e−4jπf = (1 − e−2jπf )(2 + e−2jπf ).
Montrez que le module de la transformée de Fourier se met sous la forme suivante :

sin πf p
|Ŝ(f )| = 5 + 4 cos 2πf
πf

Vous pouvez montrer d’abord que 1 − e−2jπf = e−jπf (ejπf − e−jπf ), et d’autre part que
|2 + e−2jπf |2 = (2 + cos(2πf ))2 + sin2 (2πf ) = 5 + 4 cos(2πf )
8. Dessinez à main levée le module de la transformée de Fourier pour f ∈ [−4, 4].

92
Exercice 10 ((6))
Soit le signal défini par x(t) = 0 pour t ̸∈] − 1, 3[, x(t) = t pour t ∈]1, 2[, x(t) = 2 − t pour t ∈]0, 1[ et x(t) = 2 pour t ∈] − 1, 0[
et aussi pour t ∈]2, 3[.

1. Calculez arg(X(f
b )).

2. Calculez X(0).
b
R +∞
3. Calculez b )df .
X(f
−∞

R +∞ 2
4. Calculez b ) df .
X(f
−∞

93
Figure 13.1: Représentation de deux sinusoïdes auquel on a ajouté 1 et de la somme de ces deux sinusoïdes auquel on a encore
ajouté 1. Exercice 11

Exercice 11 ((58))
1. Après observation précise de la figure 13.1, montrez qu’une des trois courbes n’est pas une sinusoïdes et que les deux autres
sont en fait des sinusoïdes ajoutées chacune à une composante continue.
2. En vous inspirant de l’annexe C du polycopié, montrez que deux des trois courbes sont données par

x1 = 12 + 12 cos 2π 30t


x2 = 21 − 12 cos 2π 60t

3. On considère maintenant le signal

1 1 1
   
t t
x= + cos 2π − cos 2π
2 2 30 2 60

Montrez que ce signal coïncide avec les mesures de l’exercice 4 (p. 83). Ces mesures sont définies aux instants t = 0,
t = 15s, t = 30s et valent respectivement 0.5, 0, 1.5.

4. Calculez la transformée de Fourier de ce signal.

5. Déduisez la puissance de ce signal.

94
13.2 Exercices pour approfondir

95
Exercice 12 ((3))
Donnez le développement en série de Fourier d’un pulse périodique de période T , de largeur τ et d’amplitude A, centré par
rapport à l’origine. En posant K = Tτ , donnez le nombre de raies du lobe principal et des lobes secondaires. Que se passe-t-il
pour K → +∞ en maintenant A/K constant.

96
Exercice 13 ((4))
Donnez la transformée de Fourier d’un pulse de largeur τ et d’amplitude A, centré autour de l’origine. Donnez la largeur du
lobe principale et des lobes secondaires. Que se passe-t-il pour τ → 0 en maintenant Aτ constant ?

97
Chapter 14

Cours D : TFD, TFTD

14.1 Exercices d’application

98
Exercice 14 ((40)) On considère deux signaux xn et yn définis par

xn = δn + δn−2 et yn = δn + δn−1 + δn−2 (14.1)

où δn est la suite nulle sauf en n = 0 où elle vaut 1. On cherche à calculer la transformée de Fourier. La fréquence
d’échantillonnage est notée fe et vaut 1kHz.
1. Dessinez les signaux xn et yn . S’agit-il de signaux à temps discret/temps continu, s’agit-il de signaux périodiques ou
non-périodiques. Quelle transformée de Fourier vous semble adaptée pour de tels signaux ?

2. Calculez la transformée de Fourier de xn , notée X̂(f ).

3. Retrouvez la signal xn en calculant la transformée de Fourier inverse. Pour cela il est conseillé de traiter séparément les
trois cas n = 0, n = 2, n ̸∈ {0, 2}.
4. On considère un complexe z, montrez que

z 3/2 z −3/2 − z 3/2

 
1 + z + z2 = (14.2)
z 1/2 z −1/2 − z 1/2

5. Déduisez de (14.2) que

sin( 23 θ)
1 + ejθ + e2jθ = ejθ (14.3)
sin( 12 θ)

6. Utilisez (14.3) pour en déduire la transformée de Fourier de yn , notée Ŷ (f ).

7. Représentez sur f ∈ [−3fe /2, 3fe /2], |Ŷ (f )| en utilisant le fait qu’à basse fréquence cela ressemble à un sinus cardinal.

99
Exercice 15 ((45)) On considère xn , un signal temps discret périodique de période 4 échantillonné à la fréquence fe = 100Hz.
Les premières valeurs de xn sont x0 = x1 = 1 et x2 = x3 = 0.
Calculez le module de la transformée de Fourier de ce signal. Représentez graphiquement le module de la transformée de
Fourier en fonction de la fréquence.

100
14.2 Exercices pour approfondir

101
Exercice 16 ((34))
On considère le signal périodique x1 [n] de motif {1, 0, 0, 1} et le signal x2 [n] périodique de motif {1, 0, 0, 1, 1, 0, 0, 1}. Calculez
les transformées de Fourier discrètes de ces deux signaux. Montrez comment les deux s’expriment en fonction d’un cosinus et
comment la deuxième aurait pu se déduire de la première.

102
Exercice 17 ((15))
On considère le signal cosinus tel que : x[k] = cos(2πk/6), observé sur une durée limitée T=[Link], avec comme fréquence
d’échantillonnage f e = 1kHz. On considère 3 cas : N=6, N=12 et N=16.

1. Quelle est la fréquence du signal à temps discret s’il était défini sur une durée infinie ?
2. Calculez la TFD dans les deux premiers cas. On pourra s’aider de ce que sur l’ordinateur on trouve les résultats affichés
sur la figure 14.1.
3. Le calcul de la TFD dans ces 3 configurations donne les résultats suivants montrés sur la figure 14.1. Mettez les bonnes
échelles en fréquences pour les trois graphiques. Confrontez ce résultat à ceux trouvés précédemment. Expliquez pourquoi le
troisième cas est différent.
4. Proposez une idée pour atténuer les distorsions dans le 3ème cas ?

Figure 14.1: s0,se,sa

103
Chapter 15

Cours E : Repliement de spectre

15.1 Exercices d’application

104
 Figure 15.1: Représentation du spectre pour une valeur particulière de r. Exercice 18

Exercice 18 ((57)) On considère le spectre d’un signal défini par

b )= 1−r
X(f (15.1)
1 − re−j2πf Te
Le module de ce spectre est représenté sur la figure 15.1 pour une certaine valeur de r ∈]0, 1[
1. À partir de cette figure, le signal associé à ce spectre est-il temps discret et non-périodique ? Quelle est la fréquence
d’échantillonnage ?

2. À partir de (15.1) trouvez la valeur du module du spectre en f = fe

2 ? Dessinez le graphique associé à ces valeurs en
fonction de r pour r ∈]0, 1[ ?

3. Quelle est la valeur de r ∈]0, 1[ associée à ce graphique, sachant que sur le graphique on observe que |X(f
b e /2)| = 0.05 ?

4. À partir de la figure 15.1, trouvez la fréquence de coupure de ce signal, en supposant qu’on interpréte ce spectre comme la
réponse fréquentielle d’un filtre ? S’agit-il d’un filtre passe-bas/passe-haut/passe-bande/coupe-bande/passe-tout ?

105
Exercice 19 ((60)) On considère un filtre dont la réponse fréquentielle est définie par

b )= 1+e
−j2πf Te
H(f
2
1. En factorisant le numérateur avec ejπf Te montrer que le module de la réponse fréquentielle est

b ) = |cos(πf Te )|
H(f

√
2. En observant que cos( π4 ) = 2
2 , montrez que la fréquence de coupure est fc = fe
4 .

106
Figure 15.2: Représentations des modules de X(f
b ), Yb (f ), X(f
b ) + X(f
b − fe ), X(f
b ) + X(f
b + fe ) en fonction de f sur l’intervalle
[−fe , fe ]. Exercice 20.

Exercice 20 ((61)) On considère un signal x(t) = e−|t| pour t ∈ R. On note x+ (t) = x(t)1R+ (t) la restriction aux instants
positifs de ce signal. On échantillonne ce signal avec une fréquence d’échantillonnage fe = ln(2)
1
. On note le signal échantillonné
yn . On note y+ [n] = yn 1N [n].
1. Montrez que la transformée de Fourier de x+ (t) est

b+ (f ) = 1
X
1 + j2πf
b ) = 2ℜe(f ) et déduisez que
2. Montrez que X(f

b )= 2
X(f (15.2)
1 + 4π 2 f 2

3. Calculez X(0)
b d’une part en utilisant l’équation (15.2) et d’autre part en utilisant la définition de x(t).
4. Montrez que yn = 2|n|
1

P+∞
5. Montrez que n=−∞ yn = 3.
P+∞
6. Expérimentalement on observe que X(0)
b = 2 est très proche de ln(2) n=−∞ yn qui vaut 2.08. Comment expliquez-vous
cela ?
7. Montrez que la transformée de Fourier de y+ [n] vaut
1
Yb+ (f ) =
1− 1 −j2πf Te
2e
 
8. Montrez que Yb (f ) = 2ℜe Yb+ (f ) − 1

9. Montrez que
3
Yb (f ) =
5 − 4 cos(2πf Te )
10. Expliquez pourquoi on devrait observer que
+∞
1 X 2
Yb (f ) =
ln(2) 1 + 4π 2 (f − k ln(2))2
k=−∞

11. La figure 15.2 représente les modules de X(fb ), Yb (f ), X(f

b ) + X(fb − fe ), X(f
b ) + X(f
b + fe ) en fonction de f sur l’intervalle
[−fe , fe ]. Les quatre courbes sont désignées par les quatre lettres a,b,c,d. Indiquez pour chaque lettre à quelle courbe, elle
est associée.

107
Chapter 16

Cours EBis : Filtre et descripteur de signaux

Densité spectrale et autocorrélation

16.1 Exercices d’application

108
Exercice 21 ((52))
On considère un signal xn échantillonné à la fréquence fe et défini par

xn = δn + δn−1 + δn−2

On définit yn = xn ∗ xn Calculez yn

109
Exercice 22 ((41)) On considère une suite hn = δn − δn−1 On considère une entrée ayant les valeurs suivantes

x0 = 1 x1 = 1 x2 = 0 x3 = 0 x4 = 1 x5 = −1
d
Calculez yn = hn ∗ xn Vous pourrez d’abord montrer que

yn = xn − xn−1

Remarquez qu’on a ici calculé la sortie yn d’un filtre de réponse impulsionnelle hn dont l’entrée est xn .

110
Exercice 23 ((42)) On considère une filtre analogique défini par
Z t
y(t) = x(τ ) dτ
t−1

où x(t) est l’entrée et y(t) est la sortie.

1. Calculez y(t) quand x(t) = δ(t) en distinguant le cas où t < 0, t ∈ [0, 1] et t > 1. On note h(t) le résultat trouve, c’est la
réponse impulsionnelle.

2. Tracez la réponse impulsionnelle.

3. Calculez la transformée de Fourier de h(t). On pourra utiliser le fait que

sin(πf )
1[−1/2,1/2] (f ) =
 
TF
πf

C’est la réponse fréquentielle notée Ĥ(f ).

4. S’agit-il d’un passe-bas, passe-haut, passe-bande, coupe-bande ou passe-tout ?

111
Exercice 24 ((43)) On considère une fréquence d’échantillonnage fe = 100Hz. On considère un filtre numérique défini par

yn = xn−1 (16.1)

1. On considère une entrée xn = δn . Calculez la sortie yn correspondant à cette entrée. Cette sortie est notée hn , il s’agit de
la réponse impulsionnelle du filtre.
2. Tracez la réponse impulsionnelle
3. Calculez la transformée de Fourier à temps discret de hn . C’est ce qu’on appelle la réponse fréquentielle notée Ĥ(f ).

4. Tracez le module de la réponse fréquentielle. S’agit-il d’un passe-bas, passe-haut, passe-bande, coupe-bande ou un passe-
tout ?
5. Montrez en utilisant (16.1) que

Ŷ (f ) = Ĥ(f )X̂(f )

112
Exercice 25 ((44)) On considère un signal xn échantillonné à la fréquence fe = 1Hz. On le sur-échantillonne en doublant la
fréquence d’échantillonnage. On suppose que xn = 0 pour n < 0. Le procédé consiste à d’abord rajouter des échantillons nuls
après chaque échantillon, le signal obtenu est zn

z2n = xn z2n+1 = 0

Puis on applique un filtre au signal zn , la sortie du filtre est notée yn

yn = zn + zn−1

1. On considère le cas de xn défini par

x0 = 2 x1 = 1 x2 = −3 x3 = −2

Tracez sur le même graphique xn , zn et yn avec une échelle en temps (s) et non en valeurs de n.

2. Exprimez y0 , . . . y7 en fonction de x0 , x1 , x2 , x3
3. Démontrez les relations suivantes

y2n+1 = xn y2n = xn

113
Exercice 26 ((49)) On considère la fréquence d’échantillonnage fe = 100Hz. On considère le filtre numérique H défini par
l’équation aux différences suivante
yn
yn+1 + = xn
2
où xn est l’entrée et xn est la sortie. Montrez que

1 1
   
TFTD yn+1 + yn = e + TFTD [yn ]
2jπf Te
2 2

Calculez la réponse fréquentielle.

114
Exercice 27 ((46)) On considère un signal temps continue non-périodique x(t) = 1[0,1] (t). Calculez la densité spectrale d’énergie.
Représentez graphiquement cette densité spectrale d’énergie.

115
16.2 Exercices pour approfondir

116
 Figure 16.1: Représentations des spectres X(f
b ), Yba (f ), Z(f
b ), Ybb (f ). Exercice 28

Exercice 28 ((54)) On considère un signal xn

(−1)n
xn = 1N [n]
2n
échantillonné à la fréquence fe = 2Hz.

1. Sous-échantillonnez ce signal à fe′ = 1Hz en ne conservant qu’un échantillon sur deux. Calculez le nouveau signal obtenu
appelé ya [n].
2. On applique un filtre à xn , ce filtre est défini par la relation entrée sortie :
xn + xn−1
zn = (16.2)
2
Calculez le signal zn .
3. Sous-échantillonnez le signal zn à fe′ = 1Hz en ne conservant qu’un échantillon sur deux. Calculez le nouveau signal obtenu
appelé yb [n].
4. Tracez les xn , ya [n], yb [n], zn pour les trois premières secondes. Commentez l’intérêt de considérer yb [n].
5. Calculez la fréquence de coupure associée au filtre défini par (16.2).
b ), Z(f
6. Sur la figure 16.1, sont représentés les spectres X(f b ), Yba (f ), Ybb (f ). Trouvez quelle courbe correspond à quel spectre.

117
Chapter 17

Cours 1F : Filtres analogiques

17.1 Exercices d’applications

118
Exercice 29 ((11))

1. Calculez la transformée de Laplace de s1 (t) = cos(2πf0 t)1R+ (t).

2. s2 (t) = sin(2πf0 t)1R+ (t) s’exprime en fonction de la dérivée de s1 (t) en déduire la transformée de Laplace de s2 (t).
Commentez la pertinence physique de ce calcul.

119
Exercice 30 ((47)) On considère un filtre analogique H défini par l’équation différentielle suivante

dy y
+ =x
dt 2
où x(t) est l’entrée et y(t) est la sortie. Montrez que ce filtre est stable.

120
17.2 Exercices pour approfondir

121
Exercice 31 ((9))
On considère un filtre de transformée de Laplace H(p) = a p+1
p+b , avec a, b dans R.

1. Pour quelles valeurs de b ce filtre est-il stable ?

2. Calculez la réponse fréquentielle de ce filtre.
3. Donnez la relation entre a et b pour que Ĥ(0) = 1. A quoi sert cette relation ?
4. Représentez le module de la réponse fréquentielle quand b ∈]0, 1[ puis quand b ∈]1, +∞[. Commentez.

5. Calculez la réponse impulsionnelle de ce filtre. Commentez sur la stabilité du filtre.

6. Reprendre les deux dernières questions en considérant une nouvelle échelle de temps t′ = 2t appliquée à un nouveau filtre
H(p) = p+1
1
.
7. Ecrire la relation entrée-sortie sous la forme d’une équation différentielle.

8. Ecrivez la relation entrée-sortie sous la forme d’une équation intégrale.

R +∞
La transformée de Laplace est définie par H(p) = 0 h(t)e−pt dt
R∞
La transformée de Fourier est définie par Ĥ(f ) = −∞ h(t)e−j2πf t dt

122
Exercice 32 ((39)) On considère un filtre de réponse impulsionnelle

h(t) = 1[0,1] (t)

L’entrée de ce filtres est notée x(t) et la sortie est notée y(t). Un tel filtre est appelé moyenneur.
1. Expliquez pourquoi ce filtre est causal ?
2. Expliquez pourquoi ce filtre est stable ?

3. Montrez que la sortie du filtre s’exprime en fonction de l’entrée

Z t
y(t) = x(τ )dτ
t−1

4. On place en entrée un échelon : x(t) = 1[0,+∞[ (t) Calculez la sortie y(t) en distinguant le cas t < 0, t ∈ [0, 1] et le cas
t > 1.
5. Représentez graphiquement la sortie du filtre y(t).

6. Calculez la fonction de transfert de ce filtre.

7. Expliquez pourquoi ce filtre n’est pas un filtre rationnel ?
8. Montrez que Ĥ(0) = 1. Pourquoi est-ce une propriété attendue d’un filtre moyenneur.

123
Chapter 18

Cours 2F : Filtres numériques, MA, AR,

ARMA, Transformée en Z

18.1 Exercices d’application

124
 Figure 18.1: s0,se,sa (exercice 33, ((12)))

Exercice 33 ((12))
On désigne par en et sn respectivement les valeurs de l’entrée et de la sortie du filtre à l’instant nTe défini dans la figure 18.1
(p. 123).
1. Montrer que l’algorithme de ce filtre peut s’écrire : sn = aen + bsn−1 , (a et b sont deux coefficients constants).
2. En déduire que la fonction de transfert en z de ce filtre peut s’écrire : T (z) = a
1−bz −1 .

La transformée en Z s’écrit T Z[hn ] = n≥0 hn z −n

P

125
Exercice 34 ((48)) On considère le filtre numérique H défini par l’équation aux différences suivante
yn
yn+1 + = xn
2
où xn est l’entrée et yn est la sortie. Calculez la réponse impulsionnelle.

126
Exercice 35 ((50)) On considère la fréquence d’échantillonnage fe = 100Hz. On considère le filtre numérique H défini par
l’équation aux différences suivante
yn
yn+1 + = xn
2
où xn est l’entrée et xn est la sortie. Calculez la réponse fréquentielle.

127
Exercice 36 ((14)) On définit deux filtres. Le premier filtre est défini par sa réponse impulsionnelle : han = δ[n]+2δ[n−1]+δ[n−2].
−1
Le deuxième filtre est défini par sa fonction de transfert : H(z) = 1+3z2−z −1 .
Pour les différents filtres ci-dessus, utilisés avec une fréquence d’échantillonnage de 1MHz, compléter les informations de
manière à avoir :

1. Le type de filtre (RII,RIF)

2. La stabilité
3. Le diagramme de pôle et de zéros

4. La réponse impulsionnelle
5. L’allure du module de la réponse fréquentielle.
6. Quelle est l’équation qui lie l’entrée et la sortie.

128
 Figure 18.2: Diagramme associée à une relation entrée-sortie. Exercice 37.

Exercice 37 ((62)) La figure 18.2 donne le diagramme d’une relation entrée-sortie. Σ désigne un sommateur et toutes les flèches
arrivant à ce sommateur indiquent les quantités qui sont ajoutées pour former la valeur transmise et indiquée par la flèche
sortante.
1. Écrivez la relation entrée-sortie.
2. Donnez la réponse impulsionnelle.

3. Ce filtre est-il stable ?

129
18.2 Exercices pour approfondir

130
Exercice 38 ((20))
On considère le filtre de fonction de transfert H # (z) = 1 + 3z −1 + 6z −2 + 3z −3 + z −4 . Pourquoi ce filtre est à phase linéaire ?
Montrez qu’il se comporte comme un filtre à retard, quel est ce retard ?

131
Exercice 39 ((59)) On considère un filtre moyenneur de taille N défini par
1
hn = 1{0,...,N −1} [n] (18.1)
N
La fréquence d’échantillonnage considérée est fe . La réponse fréquentielle de ce filtre est un sinus cardinal ingénieur, il s’agit
d’un passe-bas. Trouvez un moyen de justifier le fait que pour N assez grand, la fréquence de coupure de ce filtre est donné par
√ 
1 2

fc ∼ fe − 2 (18.2)
N N

132
Chapter 19

Cours G : Synthèse de filtre MA, gabarit,

fenêtre, invariant impulsionnel

19.1 Exercices d’applications

133
Exercice 40 ((19))
On cherche à synthétiser avec un filtre à réponse impulsionnelle finie un passe-haut de fréquence de coupure fc = fe /6, avec
fe = 1kHz, à l’aide de la fenêtre triangulaire.
1. On considère une suite temps discret h1n dont la transformée de Fourier est périodique de période fe et égale à 1[−fc ,fc ] sur
l’intervalle [−fe /2, fe /2]. Quelle transformée de Fourier utiliser pour calculer han ?
sin(πf )
2. On sait que la transformée de Fourier de 1[−1/2,1/2] (t) est πf . Montrez qu’alors la transformée de Fourier inverse de
sin(πtfe /3)
1[−fc ,fc ] (f ) est πt ?
sin(πn/3)
3. Déduisez que han = πn

4. On note hbn la suite dont la transformée de Fourier vaut 1[−fe /2,−fc ] + 1[fc ,fe /2] au sein de l’intervalle [−fe /2, fe /2]. Que
vaut hbn .
5. On souhaite maintenant un filtre causal avec une réponse impulsionnelle hcn causale sur sept termes (i.e. ailleurs que sur
ces sept termes la réponse impulsionnelle est nulle). Que vaut hcn ?
6. On utilise maintenant une fenêtre triangulaire, que vaut le filtre hdn ainsi modifié ?
7. Pourquoi le filtre obtenu est-il à phase linéaire ?
8. Les modules et les phases des filtres recherchés sont représentés sur la figure 19.1 (p. 132), précisez quelle courbe correspond
à quel filtre.

Figure 19.1: Module et phase des réponse fréquentielle des différents filtres pour deux troncatures à N = 6 et N = 100, avec et
sans application de la fenêtre triangulaire, (exercice 40)

134
Exercice 41 ((35)) Les signaux audio stéréo sont numérisés sur 16 bits à la fréquence d’échantillonnage avec fe = 44.1kHz.
log10 (2) ≈ 0.3 et log10 (3) ≈ 0.5.

1. Déterminez le rapport signal sur bruit en décibel pour une sinusoïde à plein échelle.
2. Le nombre de bits est multiplié par 1.05 (bit d’horloge, correcteur d’erreur, contrôle, affichage). Quel est le débit du système
d’enregistrement ?
3. On peut enregistrer une heure de musique sur un CD. Evaluez le nombre de bits que l’on peut stocker.

4. A titre de comparaison : un dictionnaire peut posséder jusqu’à 1500 pagesavec deux colonnes par page, 100 lignes par
colonne, 8 mots par ligne, 6 lettres par mot. Il faut 7 bits pour coder une lettre. Combien de dictionnaires peut on stocker
sur un CD ?

135
Exercice 42 ((37)) La fréquence d’échantillonnage est fe = 1kHz. Faites la synthèse d’un filtre passe-bas de fréquence de coupure
fc = 250Hz avec une fenêtre rectangulaire et en utilisant que 7 termes non-nuls.

136
19.2 Exercice pour approfondir

137
 (a) (b)
Figure 19.2: Transformée de Fourier de wn et wn

(a) (b)
Figure 19.3: Transformée de Fourier de xn , xn wn (avec N = 20) et xn wn (avec N = 10).

Exercice 43 ((36)) On étudie l’impact d’une fenêtre sur la synthèse d’un filtre de réponse impulsionnelle hn . La fréquence
d’échantillonnage est fe = 1kHz.
(a)
1. Montrez que la transformée de Fourier de wn = N +1 10..N [n]
1

1 sin πf (N + 1)Te
TF[wn )](f ) = e−jπf N Te (19.1)
(a
N +1 sin πf Te

2. Expliquez en quoi le résultat trouvé se distingue d’un sinus cardinal.

(b) (a) d (a) (b)
3. On considère wn = wn ∗ wn . Calculez wn . Pour cela on pourra d’abord considérer le cas N = 2, N = 3 puis
généraliser en considérant séparément le cas n ≤ N et le cas n ≥ N .
(b)
4. Comment appele-t-on la fenêtre associée à wn ?
(b) (a) d (a) (b)
5. A partir de la définition de wn = wn ∗ wn et à partir (19.1), calculez le module de la transformée de Fourier de wn .

138
 (a)
6. Indiquez à partir de la figure 19.2 à quelle courbe 1, 2 ou 3 correspondent les modules des transformées de Fourier de wn
(b)
pour N = 10 et N = 20 et wn pour N = 10 ? Justifiez votre réponse ?
(a) (b)
7. La figure 19.3 représente les modules des transformées de Fourier de xn = cos(2πf0 nTe ), xn wn et xn wn , avec f0 = 240Hz.
Ecrivez (sans faire de véritables calculs) les modules des transformées de Fourier de ces trois signaux. Indiquez à partir de
la figure 19.3 à quelle courbe 4,5,6 correspondent les transformées de Fourier de ces signaux ? Justifiez votre réponse ?
(b) (a)
8. Commentez sur l’intérêt d’utiliser la fenêtre wn par rapport à la fenêtre wn .

139
Chapter 20

Cours H : Synthèse de filtre AR, gabarit,

transformées bilinéaires

20.1 Exercices d’applications

140
Exercice 44 ((22))
On cherche à synthétiser avec un filtre numérique de Butterworth un passe-bas de fréquence de coupure fc# = fe /6, avec
fe = 1kHz à l’ordre 3.

1. On cherche le gabarit que devrait avoir le filtre analogique pour qu’après application de la transformée bilinéaire le filtre
numérique obtenu soit celui souhaité. L’ingénieur A dit que les fréquences sont transformées par une application non-
linéaire qui est une tangeante, il propose f # = a tan(bf ), où f désigne les fréquences du filtre analogique et f # désigne les
fréquences du filtre numérique ; quand pour deux fréquences f et f # cette relation est vérifiée alors il y a égalité entre Ĥ(f )
et Ĥ # (f ). Pourquoi cette relation, telle qu’elle est proposée par l’ingénieur A n’est pas pertinente ? L’ingénieur B propose
une autre relation f = a tan(bf # ). Proposez un raisonnement permettant de fixer b ; puis un deuxième raisonnement
permettant de fixer a en fonction de b en utilisant le fait qu’à basse fréquence on souhaite que le filtre analogique et le filtre
numérique ait le même comportement. Quel est alors le gabarit ?
2. Sachant que les fonctions de transfert des filtres de Butterworth vérifient H(p)H(−p) = 1
(−1)n p2n +1 , montrez que le change-
′
ment de variable p = p
2πf0 permet d’approcher le gabarit recherché, calculez pour cela la réponse fréquentielle. Comment
choisir alors f0 ?
3. La table des filtres de Butterworth indique que pour n = 3, H(p) = 1
(p+1)(p2 +p+1) . D’après la façon de construire ces filtres
et par suite sans calcul, donnez les pôles de ces filtres.

4. Calculez H a la fonction de transfert du filtre analogique qui s’approche du gabarit, ainsi que la réponse fréquentielle.
5. Calculez H b la fonction de transfert du filtre numérique recherché (fonction de transfert et réponse fréquentielle). Les
√ −1
calculs sont simplifiés en montrant d’abord que p = 3 1−z
1+z −1 .

1 + 3z −1 + 3z −2 + z −3
H b (z) = √ √ √ √
(5 3 + 7) − (7 3 + 3)z −1 + (7 3 − 3)z −2 + (−5 3 + 7)z −3

6. Sans utiliser ce dernier résultat, calculez la réponse fréquentielle du filtre numérique recherché.

141
Exercice 45 ((13))
On cherche à comparer la réponse impulsionnelle d’une filtre analogique avec la réponse impulsionnelle d’un filtre numérique.
La transformée de Laplace du filtre analogique étudié est H(p) = p+1
p

1. Pourquoi H est-il stable ?

2. On considère que la fréquence d’échantillonnage est de f e = 1Hz. Montrez la transformée bilinéaire H d de H peut se mettre
sous la forme H d (z) = a + 1−cz
b
−1 , avec a = 2, b = −4/3, c = 1/3.

3. Calculez la réponse impulsionnelle.

4. Du fait de l’utilisation de la transformée bilinéaire, il existe une relation entre la réponse fréquentielle du filtre analogique
et la réponse fréquentielle du filtre numérique. Quelle est cette relation, redémontrez cette relation et en déduire le module
de la réponse fréquentielle du filtre numérique ? Représentez le module de la réponse fréquentielle sur [−2fe , 2fe ].

142
Exercice 46 ((16))
On considère un filtre de transformée de Laplace H(p) = 1
p+1 . L’unité de temps choisie est la seconde.

1. En quoi cette précision sur l’unité donne un sens plus précis à ce qui précède ?
2. Montrez que la relation entrée-sortie associée est : y ′ + y = u.
3. Ce filtre est-il stable ?
−1
4. On définit un filtre linéaire numérique par sa fonct1ion de transfert H # (z) = H( T2e 1−z
1+z −1 ), où Te est la période d’échantillonnage
égale à 1ms. Il s’agit de la transformée bilinéaire. Quelle est la relation entre la réponse fréquentielle de ce filre numérique
et celle du filtre analogique précédent ?
5. Calculez le filtre numérique associé.

6. Ce filtre est-il stable ?

143
20.2 Exercices pour approfondir

144
Exercice 47 ((23))
On cherche à construire un filtre numérique passe-bande de fréquences de coupures fe /8 et 3fe /8, avec une fréquence
d’échantillonnage de fe = 1kHz en utilisant les filtres de Butterworth à l’ordre 1, 2 ou 3. Le gabarit et les filtre numériques
synthétisés sont représentés à droite de la figure 20.1 (p. 143).
√
1. Dessinez le gabarit du filtre
√
anal ogique que√l’on recherche. On pourra utiliser que tan(π/8) = 2 − 1 et que tan(3π/8) =
√
2 + 1. On pose f1 = fe ( π2−1) et f2 = fe ( π2+1)
2. On propose le changement de variable
√ √
p′ 2π f1 f2
 
f1 f2
p= √ +
f2 − f1 2π f1 f2 p′

A quoi doit servir un √ tel changement de variable ? Quel est le changement de variable en fréquence correspondant ?
Montrez que si f ′ = f1 f2 alors f vaut 0. Montrez que si f ′ = f1 ou si f ′ = f2 alors |f | = 2π
1
. Montrez que si f ′ > f2 ou
si f ′ < f1 alors |f | > 2π
1
. Montrez pourquoi un tel changement de variable permet de transformer le gabarit d’un filtre de
Butterworth en le gabarit du filtre analogique recherché.
1+z −2
3. Montrez que le filtre numérique s’obtient avec le changement de variable p = 1−z −2 .

4. Sur les tables des filtres de Butterworth, on a H(p) = 1

p+1 , H(p) = √1
p2 + 2p+1
et H(p) = (p+1)(p12 +p+1) . En déduire trois
−2
+3z −4 −z −6
filtres numériques qui répondent au problème. Le troisième est H(z) = 1−3z 6+2z −4 .

Figure 20.1: A gauche : gabarit d’un passe-bas et filtre de Butterworth analogique. A droite : gabarit du passe-bande et filtres
numériques synthétisés en utilisant les filtres de Butterworth à l’ordre 1, 2 et 3 (exercice 47, ((23)))

145
Exercice 48 ((24))
On cherche à déterminer l’ordre minimal du filtre de Butterworth qui permet
 de  respecter le gabarit d’un filtre passe-bas.
On utilise pour le gain une échelle en dB inversée définie par α = −10 log10 |Ĥ(f )| . Cette échelle est commune aux filtres
2

analogiques et numériques. L’objectif porte sur le filtre numérique à synthétiser, il est que α ∈ [0, α1 ] en f # ≤ f1# et α > α2 en
f # ≥ f2# .
1. Pourquoi souhaite-t-on que le filtre numérique synthétisé vérifie α = 0 en la fréquence nulle ? Pourquoi α ≥ 0 ?

2. Déterminez le gabarit du filtre analogique correspondant, exprimez f1 et f2 en fonction de f1# et f2# .

′
3. On considère le changement de variable p = 2πf p
0
, montrez qu’alors les filtres de Butterworth se transforment en des filtres
de réponses fréquentielles |Ĥ ′ (f ′ )|2 = f ′
2n . Pour cette question et les suivantes, on note p et f pour les variables
1
f0 +1
associées aux filtres de Butterworth définis dans les tables et on note p′ et f ′ pour les variables associés aux filtres de
Butterworth transformés.

4. Montrez que si f ′ = f0 alors α = 3. Les réponses fréquentielles dépendent de f0 et de n, montrez comment f0 et n modifient
ces réponses fréquentielles.
5. Montrez que
 α2

log10 10 10 −1
α1
1 10 10 −1
n=
2
 
log10 f2
f1

6. Montrez que par substitution on peut ensuite trouver f0 :

α1
f0 = f1 (10 10 − 1)−1/2n

7. Montrez que l’on peut exprimer l’ordre du filtre directement à partir des fréquences du gabarit du filtre numérique.
 α2 
log10 10 α102 −1
1 10 10 −1
n=
2 log tan(f2# π/fe )
 
10 tan(f # π/f ) e
1

146
Chapter 21

Devoir à rendre

147
21.0.1 Description du travail à rendre
Le travail consiste à inventer l’énoncé d’un exercice et de le résoudre, sous la forme d’un document pdf. Le choix de cet
exercice est libre, une liste d’exercices est donnée à titre indicatif pour aider à trouver de l’inspiration. Un aspect primordial est
que ce qui est énoncé dans ce document doit être exact 1 . Le sujet est à rendre sur Moodle.
[Link]
Le document doit comporter les éléments suivants.

• Une description précise de l’énoncé de l’exercice à résoudre. Cette description doit utiliser correctement la terminologie du
traitement du signal.
• Il doit y avoir une part plus ou moins importante de calculs. Il est important de préciser au début du calcul qu’est-ce qu’on
cherche à calculer et qu’est-ce qu’on utilise dans l’énoncé pour faire ce calcul. Le calcul lui-même peut être écrit à la main
et photographié avec le portable et inclu dans le document pdf en tant que photo, il peut être écrit avec Word, LibreOffice
ou Latex. 2
• Il doit y avoir une part de simulation numériques. Une façon de vérifier numériquement un calcul consiste à tirer aléatoire-
ment les valeurs des paramètres libres de ce calcul et de mesurer l’écart entre la théorie et la simulation. L’ensemble de ce
code doit se trouver dans le document pdf éventuellement organisé en différentes fonctions.
• Il doit y avoir des graphiques, avec une échelle cohérente avec les données de l’énoncé et avec la légende de l’axe. Pour
rendre ces graphes plus visibles, vous pouvez utiliser

set(gca, 'FontSize', 20, 'fontName','Times');

plot(x,y,'LineWidth',2);

• Il doit y avoir une présentation des graphiques, ce qu’ils montrent et ce qu’éventuellement vous en pensez, en réfléchissant
à une manière de tester la pertinence de votre commentaire.
Le devoir est à rendre sur Moodle
[Link]
dans la rubrique Rattrapage Matlab M1.

21.0.2 Exemple de sujets

Ces sujets sont donnés à titre indicatif, pour vous aider à en imaginer d’autres. Vous pouvez par exemple partir d’un sujet
et à force de creuser dans le détail parvenir à une nouvelle formulation ou à une généralisation de la notion étudiée.

Exercice 49 On considère un signal bn un bruit blanc gaussien centré d’écart-type 1. Il est filtré par un filtre moyenneur de
réponse impulsionnelle hn = 15 (δn + δn−1 + δn−2 + δn−3 + δn−4 ). La sortie de ce filtre est noté xn et est considérée comme
le signal utile à retrouver. Ce signal xn est ensuite sous-échantillonné d’un facteur 2 puis sur-échantillonné d’un facteur 2, le
résultat de ces deux transformations successives est noté yn . Proposez un filtre à appliquer à yn dont la sortie notée zn soit une
bonne approximation de xn , éventuellement retardé d’un certain retard à définir. Donnez une définition pertinente du signal sur
bruit dans ce contexte particulier ou le signal utile à retrouver est xn et le bruit (ou déformation à minimiser) est yn − xn ou
zn − xn . Mesurez expérimentalement le gain en terme de rapport signal sur bruit obtenu en utilisant ce filtre. Justifiez d’un point
de vue traitement du signal le choix de ce filtre.

Exercice 50 On considère un signal xn un bruit blanc gaussien centré d’écart-type 1. Ce signal est ensuite sur-échantillonné
d’un facteur 20, puis quantifié sur 2 niveaux et ensuite sous-échantillonné d’un facteur 20. Le sur-échantillonnage et le sous-
échantillonnage sont accompagnés de transformations notées T1 et T2 , qui peuvent être des filtres. Le signal ainsi modifié est
noté yn . Donnez une définition pertinente du signal sur bruit dans ce contexte particulier ou le signal utile à retrouver est xn et
le bruit (ou déformation à minimiser) est yn − xn . On note r le rapport signal sur bruit calculé en décibel. Choisissez T1 et T2
de façon à minimiser r. Mesurez expérimentalement r et proposez un calcul théorique permettant d’approcher la valeur mesurée.
Trouvez des façons de confirmer numériquement la pertinence de vos calculs.
1 Concrètement, cela signifie que quand un calcul théorique vous amène affirmer un certain résultat, il est nécessaire de faire une simulation numérique

avec Matlab/Octave pour vérifier que le calcul théorique est vrai. Et il est nécessaire d’indiquer dans le devoir d’une part la simulation numérique, ce
qu’elle permet de vérifier et le code informatique utilisé.
2 Notez qu’il est possible de vérifier les calculs effectués en utilisant des calculs symboliques disponibles sur Matlab/Octave.

% Pour Octave
pkg load symbolic; syms x; f=xˆ2; diff(f,x),

148
Exercice 51 D’après le cours, lorsqu’on retarde un certain type de signaux d’un retard τ , le module de la transformée de Fourier
est retardé et la phase est modifiée par une soustraction de 2πf τ . Montrez par simulation numérique que ceci est vrai pour quatre
types de signaux : non-périodique et temps continu, périodique et temps continu, non-périodique et temps discret, périodique et
temps discret. Pour être convainquant, une simulation numérique ne doit pas consister seulement en des courbes qui semblent
se superposer. Il s’agit de mesurer la différence et de voir comment celle-ci peut être diminuée en modifiant certains paramètres.
Proposez un calcul théorique permettant de donner un ordre de grandeur de cette différence.
Exercice 52 On considère un signal xn obtenu avec un bruit blanc gaussien centré d’écart-type 1. Ce signal est transformé en
deux signaux yc [n] et ys [n].
 yc [n] = xn cos(2πf0 nTe + φ)


(21.1)
 ys [n] = xn sin(2πf0 nTe + φ)

Proposez une technique pour retrouver xn à partir de yc [n] et ys [n] lorsque φ = 0. En réalité on connaît la valeur de f0 , mais pas
celle de φ. Montrez d’une part que si on change globalement le signe de xn , il est toujours possible d’observer les mêmes valeurs
de yc et de ys . On note s le signe de la moyenne des valeurs de xn et on cherche à estimer x̃n = sxn . La technique proposée
consiste à supposer que φ prend différentes valeurs tirées aléatoirement et de moyenner les différents signaux x̃n obtenus. Testez
cette technique, montrez qu’à un coefficient de proportionnalité près, ceci permet de retrouver la valeur de x̃n . Proposez un calcul
théorique de ce coefficient de proportionnalité.
Exercice 53 On considère un signal x(t) = 1[−0.5,0.5] (t) de transformée de Fourier X(f
b ). On échantillonne x(t) à une fréquence
fe en un signal xe [n] et on calcule sa transformée de Fourier X be (f ). Montrez par le calcul que pour cet exemple, X(f
b ) après
application de la formule de repliement de spectre coïncide avec Xe (f ) quelque soit la valeur de fe . Montrez par une simulation
b
numérique que les deux spectre obtenus coïncident avec une bonne précision et qu’ils coïncident avec les calculs théoriques.
Montrez numériquement qu’il est possible d’améliorer cette précision.
Exercice 54 On considère un signal xn un bruit blanc gaussien centré d’écart-type 1. Il est filtré par un filtre moyenneur de
réponse impulsionnelle hn = 15 (δn + δn−1 + δn−2 + δn−3 + δn−4 ). La sortie est notée yn . Trouvez un filtre ou une formule à
appliquer à yn pour retrouver une approximation de xn . Donnez une définition pertinente du signal sur bruit dans ce contexte
particulier ou le signal utile à retrouver est xn et le bruit (ou déformation à minimiser) est yn − xn . Justifiez votre choix du filtre
à trouver en utilisant les notions vues en traitement du [Link] le rapport signal sur bruit. Trouvez un calcul théorique
permettant de calculer un ordre de grandeur de ce rapport signal sur bruit.
Exercice 55 Le signal d’origine noté xn est obtenu en comptant la longueur des mots successifs d’un texte. Par exemple pour
le texte suivant
Un texte est une série orale ou écrite de mots.
le signal associé est
xn = 2δn + 5δn−1 + 3δn−2 + 3δn−3 + 5δn−4 + 5δn−5 + 2δn−6 + 6δn−7 + 2δn−8 + 4δn−9 . (21.2)
Réalisez un programme permettant de convertir un texte en un signal. Appliquez ce programme sur une centaine de textes. En
observant une estimation de la densité de probabilité, l’autocorrélation et la densité spectrale obtenus pour ces différents textes,
cherchez un descripteur permettant de regrouper les textes en deux ou trois catégories. Ce qu’on appelle un descripteur est une
formule simple utilisant une ou plusieurs de ces quantités en un ou plusieurs points. Pour chaque texte, ce descripteur prend une
valeur particulière. Trouvez un descripteur qui permette d’obtenir des regroupements qui coïncident avec un regroupement qu’on
aurait pu faire en lisant ces textes. Cherchez un calcul théorique expliquant que le descripteur choisi permet un tel regroupement.
Exercice 56 Dans certains cours de traitement numérique du signal, il est affirmé que
lim h(t) = lim pH(p) (21.3)
t→0+ p→+∞

Proposez une justification théorique de cette affirmation, par exemple en considérant d’abord des exemples simples H(p) =
a
p+b , puis en généralisant avec une décomposition en éléments simples. Testez cette affirmation en tirant aléatoirement un
grand nombre de filtres analogiques rationnels pour lesquelles valeurs de limt→0+ h(t) sont diverses. Simulez numériquement les
quantités à gauche et à droite de cette égalité et mesurez la différence. Montrez comment réduire cette différence.
Exercice 57 Dans certains cours de traitement numérique du signal, il est affirmé que
lim h(t) = lim pH(p) (21.4)
t→+∞ p→0

Proposez une justification théorique de cette affirmation, par exemple en considérant d’abord des exemples simples H(p) = ap , puis
en généralisant avec une décomposition en éléments simples. Testez cette affirmation en tirant aléatoirement un grand nombre
de filtres analogiques rationnels pour lesquelles valeurs de limt→+∞ h(t) sont diverses. Simulez numériquement les quantités à
gauche et à droite de cette égalité et mesurez la différence. Montrez comment réduire cette différence.
149
Exercice 58 On souhaite simuler numériquement sur 10 secondes la solution x(t) de l’équation différentielle

d 1
y(t) + y(t) = √ et y(0) = 0 (21.5)
dt 1 + t2
Calculez théoriquement un schéma de discrétisation en utilisant la transformée bilinéaire et en interprétant cette équation dif-
férentielle comme un filtre analogique dont la relation entrée-sortie est dt d
y(t) + y(t) = x(t). On cherche ensuite à vérifier
numériquement la précision de cette simulation. Utilisez ce même schéma de discrétisation pour déterminer cette fois une
approximation de dt d
y(t) et calculez ensuite z(t) = dt
d
y(t) + y(t) − √1+t
1
2
, représentez z(t) et calculez une approximation de
qR
10 2
E= 0
z (t) dt. Donnez un calcul permettant de prédire un ordre de grandeur de E.

Exercice 59 On souhaite simuler numériquement sur 10 secondes la solution x(t) de l’équation différentielle

d 1
y(t) + y(t) = √ et y(0) = 0 (21.6)
dt 1 + t2
Calculez théoriquement un schéma de discrétisation en utilisant l’invariant impulsionnel et en interprétant cette équation dif-
férentielle comme un filtre analogique dont la relation entrée-sortie est dt d
y(t) + y(t) = x(t). On cherche ensuite à vérifier
numériquement la précision de cette simulation. Utilisez ce même schéma de discrétisation pour déterminer cette fois une
approximation de dt d
y(t) et calculez ensuite z(t) = dt
d
y(t) + y(t) − √1+t
1
2
, représentez z(t) et calculez une approximation de
qR
10 2
E= 0
z (t) dt. Donnez un calcul permettant de prédire un ordre de grandeur de E.

Exercice 60 On souhaite simuler numériquement sur 10 secondes la solution x(t) de l’équation différentielle

d 1
y(t) + y(t) = √ et y(0) = 0 (21.7)
dt 1 + t2
d
En interprétant encore cette équation différentielle comme un filtre analogique dont la relation entrée-sortie est dt y(t)+y(t) = x(t),
mais en appliquant la transformée de Fourier à l’entrée puis en multipliant par la réponse fréquentielle et en appliquant la
transformée on a théoriquement la sortie du filtre. Appliquez ces outils en utilisant des approximations pour les intégrations.
On cherche ensuite à vérifier numériquement la précision de cette simulation. Utilisez ce même schéma de discrétisation pour
déterminer cette fois une approximation de dt d
y(t) et calculez ensuite z(t) = dt
d
y(t) + y(t) − √1+t
1
2
, représentez z(t) et calculez
qR
10 2
une approximation de E = 0
z (t) dt. Donnez un calcul permettant de prédire un ordre de grandeur de E.

Exercice 61 On considère une famille de filtre décrits par des coefficients a, b, c, d

a + bz −1
H(z) = (21.8)
c + dz −1
On cherche à ce que ce filtre ressemble le plus possible à H ∗ (z) = z −5 lorsque le signal en entrée est un bruit blanc gaussien centré
d’écart-type 1. Justifiez théoriquement un choix de valeurs a, b, c, d. On cherche ensuite à vérifier numériquement la précision
de cette approximation. Pour cela on la puissance de la différence entre la sortie provenant du filtre H ∗ et celle provenant de H.
Mesurez la moyenne et la variance de cette approximation.

Exercice 62 On considère un filtre décrit par sa relation entrée-sortie

1
yn − yn−1 = xn (21.9)
2
Le signal en entrée est xn = cos(2πf0 nTe ) et le signal en sortie est noté

yn = a(f0 ) cos(2πf0 nTe + φ(f0 )) (21.10)

Déterminez théoriquement les fonctions a(f0 ) et φ(f0 ). Vérifiez numériquement que ces fonctions sont correctes.

Exercice 63 On considère un filtre défini par sa relation entrée-sortie

yn − 0.5yn−1 = xn + 0.5xn−1 (21.11)

On considère en entrée un signal périodique de période 4. Le signal en sortie est aussi de période 4. Montrez qu’il existe un
matrice 4×4 qui transforme le vecteur colonne constitué des 4 premiers échantillons x0 , x1 , x2 , x3 en le vecteur colonne contenant
les 4 premiers échantillons de la sortie y0 , y1 , y2 , y3 . Calculez cette matrice et vérifiez par simulation que le calcul est correct.

150
Appendix A

Rappel sur les complexes

A.1 Écriture d’un complexe

Dans le cadre de ce cours, on note j, le complexe imaginaire dont le carré vaut −1.

j 2 = −1

Les complexes sont notés

z = a + jb

a est la partie réelle de z notée ℜe(z) et b est la partie imaginaire de z notée ℑm(z). On peut interprêter un complexe comme
un point dans un plan dont la première coordonnée est a et la deuxième coordonnée est b.

A.2 Représentation angulaire de complexes de module 1

Certains complexes peuvent s’écrire comme

z = ejθ = cos(θ) + j sin(θ)

θ est l’argument de ce complexe, il est aussi appelé parfois la phase. Quand z = 0, cet argument n’est pas défini 1 .
Parmi ces complexes, on trouve

ej0 = 1
jπ
e 2 = j
ejπ = −1
3π
ej 2 = −j
ej2π = 1

Avec l’interprétation géométrique, tous ces complexes sont sur le cercle unité de centre 0 et de rayon 1.

A.3 Module et argument d’un complexe

Tous les complexes s’écrivent 2

z = rejθ , avec θ ∈ [−π, π[

On note r = |z| c’est ce qu’on appelle le module de z. On note θ = arg(z), c’est ce qu’on appelle l’argument.
1 En effet pour tout θ, 0 = 0ejθ .
2 Il existe différentes conventions pour définir arg(z).

151
A.3.1 Argument d’un complexe
On dispose de règles de calcul. Il existe k entier positif ou négatif tel que 3
 
z1
arg(z1 z2 ) = arg(z1 ) + arg(z2 ) + 2kπ et arg = arg(z1 ) − arg(z2 ) − 2kπ (A.1)
z2

Il est possible de déterminer l’argument en fonction du complexe.

 arctan a si a > 0

b




si a = 0, b > 0

 π



 2

−pi + arctan ab si a > 0, b > 0



arg(a + jb) =
si a = 0, b < 0

 π
 −
 2


 pi + arctan ab si a > 0, b < 0





Ce calcul est implémenté dans Matlab/Octave avec la fonction angle. Dans le cadre de cette formation, on ne cherche pas à
déterminer exactement l’argument et on se contente de déterminer cet argument modulo π.
Il existe k entier positif ou négatif
 
b
arg(a + jb) = arctan kπ
a

A.3.2 Module d’un complexe

On dispose de règles de calcul

z1 |z1 |
|z1 z2 | = |z1 | |z2 | et =
z2 |z2 |

Il est possible de déterminer l’argument en fonction du complexe.

p
|a + jb| = a2 + b2

3 Dans l’équation (A.1), on n’a pas toujours l’égalité parfois il y a une différence qui est un multiple de 2π. Ainsi 0 = arg(1) = arg(jjjj) =

( pi
2
+ pi
2
+ pi2
+ pi
2
) − 2π.

152
Appendix B

Justification des égalités de Parseval

Il s’agit ici de montrer le lien entre les égalités de Parseval et le reste du cours de traitement numérique du signal.

B.1 Cas d’un signal temps continu non-périodique

L’égalités de Parseval peut se voir comme un cas particulier du fait que le spectre associé à un signal qui résulte d’un produit
de convolution de deux signal est le produit des spectres de ces deux signaux.
Considérons un signal x(t) temps continu et non-périodique. L’énergie de ce signal est donné par (2.3) dans la section 2.4
(p. 12) :
Z ∞
Ex = x2 (t)dt
−∞

La section 3.5.1 (p. 18) affirme (3.7) :

Z +∞
Ex = b )|2 df
|X(f
−∞

Il est assez simple de montrer le lien avec le produit de convolution. Soit y(t) = x(−t), alors le changement de variable
t′ = −t montre que
Z +∞ Z −∞ Z +∞
′ ′
Yb (f ) = y(t)e−j2πf t dt = y(−t′ )ej2πf t (−dt′ ) = b )
x(t′ )ej2πf t dt′ = X(f
−∞ +∞ −∞

Soit z(t) = x(t) ∗ y(t). Alors

Z +∞ Z +∞
z(0) = x(τ )y(−τ ) dτ = x2 (τ ) dτ = Ex
−∞ −∞

Du fait des propriétés de la transformée de Fourier et du produit de convolution,

Z +∞ Z +∞ Z +∞ Z +∞
z(0) = b ) df =
Z(f b )Yb (f ) df =
X(f X(f b ) df =
b )X(f b )|2 df
|X(f
−∞ −∞ −∞ −∞

B.2 Cas d’un signal temps continu et périodique

Soit x(t) un signal temps continu et périodique de période T . Dans la section 2.4, (p. 12), la puissance s’exprime ainsi (2.2) :

1 T
Z
P = x2 (t)dt
T 0

Dans la section 3.3, (p. 16, la puissance s’exprime aussi en fonction des coefficients de la transformée de Fourier :
+∞
X 2
P = X
bk
k=−∞

La justification utilise ici le fait que les exponentielles complexes forment en quelque sorte une base des fonctions périodiques.

153
 1. x(t) s’exprime en fonction de X
bk au moyen de la transformée de Fourier inverse (3.1)
+∞
bk ej2πk Tt
X
x(t) = X
k=−∞

2. Les différentes exponentielles complexes forment une base orthonormée pour le produire scalaire généralement utilisé pour
les fonctions périodiques :

1 T j2πk t −j2πl t
Z
e T e T dt = δ
k−l
T 0
t
Ce résultat se démontre en explicitant la primitive qui est, soit t lorsque k = l, soit j2π(k−l)
T
ej2π(k−l) T qui est une fonction
périodique. Le calcul de l’intégrale donne 1 dans le premier cas et 0 dans l’autre cas.
3. La propriété (3.4) énoncée p. 17 section 3.3 indique que :

b−k = X
X bk

4. Ces propriétés permettent de faire le calcul suivant.

D’après la propriété 1
!
1 T
1 T
Z Z
j2π(k+l) Tt
XX
x (t) dt =
2
X
bk X
bl e dt
T 0 T 0 k∈Z l∈Z

D’après la propriété 2

1 T
Z X
x2 (t) dt = X
bk X
b−k
T 0 k∈Z

D’après la propriété 3

1 T
Z X X 2
x2 (t) dt = bk X
X bk = X
bk
T 0 k∈Z k∈Z

B.3 Cas d’un signal temps discret non-périodique

Soit xn un signal temps discret non-périodique. Soit Te la période d’échantillonnage et fe la fréquence d’échantillonnage.
Dans la section 2.4, (p. 12), l’énergie s’exprime ainsi (2.5) :
∞
X
E= x2n
−∞

Dans la section 4.2, (p. 22), la puissance s’exprime aussi en fonction des coefficients de la transformée de Fourier :
fe
1
Z 2
E= b )|2 df
|X(f
fe − f2e

La justification se fait exactement de la même façon que pour la section B.2, il n’y a que les notations qui changent.
1. X(f
b ) s’exprime en fonction de xn au moyen de la transformée de Fourier à temps discret (4.1)
∞
X
b )=
X(f xn e−j2πf nTe
n=−∞

2. Les différentes exponentielles complexes forment une base orthonormée pour le produire scalaire généralement utilisé pour
les fonctions périodiques :
fe
1
Z 2
ej2πkf Te e−j2πlf Te df = δk−l
fe − f2e

Ce résultat se démontre en explicitant la primitive qui est, soit f lorsque k = l, soit j2πTe1(k−l) ej2π(k−l)f Te qui est une
fonction périodique. Le calcul de l’intégrale donne 1 dans le premier cas et 0 dans l’autre cas.
154
 3. Comme le signal xn est à valeurs réelles, le conjugué de la transformée de Fourier s’exprime ainsi :
∞
X
b )=
X(f xn ej2πf nTe
n=−∞

4. Ces propriétés permettent de faire le calcul suivant.

D’après les propriétés 1 et 3
fe fe
1 1
Z 2 2
Z 2
b )
X(f df = b )X(f
X(f b ) df
fe − f2e fe − f2e
fe
1
Z 2 XX
= xm e−j2πf mTe xn ej2πf nTe df
fe − f2e m∈Z n∈Z

et
fe fe
1 1
Z 2 2
Z 2 XX
b )
X(f df = xm xn e−j2πf (m−n)Te df
fe − f2e fe − f2e m∈Z n∈Z

D’après la propriété 2
fe
1
Z 2 2 X X
b )
X(f df = xm xm = x2n
fe − f2e m∈Z n∈Z

B.4 Cas d’un signal temps discret périodique

Soit xn un signal temps discret périodique de période N . Soit Te la période d’échantillonnage et fe la fréquence d’échantillonnage.
Dans la section 2.4, (p. 12), la puissance s’exprime ainsi (2.4) :
N −1
1 X 2
P = x
N n=0 n

Dans la section 4.4, (p. 26), d’après (4.12), la puissance s’exprime aussi en fonction des coefficients de la transformée de Fourier :
N
X −1 2
P = X
bk
k=0

La justification est un peu différente car elle utilise le produit scalaire généralement utilisé pour les suites périodiques.
1. X
bk s’exprime en fonction de xn au moyen de la transformée de Fourier discrète (4.8)

N −1
bk = 1 kn
X
X xn e−j2π N
N n=0

2. Les différentes exponentielles complexes forment une base orthonormée pour le produire scalaire généralement utilisé pour
les suites périodiques :
N −1
1 X j2π kn −j2π ln
e N e N = δ
k−l
N n=0

• Si k = l, alors le terme de la série est 1 et la somme normalisée vaut 1.

• Si k ̸= l, cette expression s’interprète comme la somme d’une suite géométrique
 (k−l)
N
1
N
X −1
(k−l)n 1
N
X −1 
(k−l)
n 1 − ej2π N 1 − ej2π(k−l)
e j2π N
= e j2π N
=  (k−l)
 = (k−l)
=0
N n=0
N n=0 1 − ej2π N 1 − ej2π N

Le numérateur de la dernière expression est nulle parce que k − l est un entier.

155
3. Comme le signal xn est à valeurs réelles, le conjugué de la transformée de Fourier discrète s’exprime ainsi :
N −1
kn
X
bk =
X xn ej2π N
n=0

4. Ces propriétés permettent de faire le calcul suivant.

D’après les propriétés 1 et 3
N −1 N −1 N −1 N −1 N −1
bk = 1
X 2 X X X X km kn
X
bk = bk X
X xm e−j2π N xn ej2π N
N2 m=0 n=0
k=0 k=0 k=0

−1 N −1 N −1 N −1
N
!
X 2 1 X X 1 X k(m−n)
X
bk = xm xn e−j2π N
N m=0
N n=0
k=0 k=0

D’après la propriété 2
−1 −1 N −1 N −1
N N
!
X 2 X 1 X 1 X 2
X
bk = xm xn δn−m = x
m=0
N n=0 N m=0 m
k=0

156
Appendix C

Exemple de calculs

C.1 Calcul de la transformée de Laplace inverse d’une fonction de transfert

dont le dénominateur contient une racine double
On s’intéresse ici à
p−1
H(p) =
(p + 1)2
Le dénominateur est un polynôme qui a une racine double en p = −1. La décomposition en élément simple du polynôme se fait
en cherchant a et b tel que
a b b + a(p + 1) (b + a) + ap
H(p) = + = =
p + 1 (p + 1)2 (p + 1)2 (p + 1)2
Cette décomposition se fait avec a = 1 et b = −2.
1 2
H(p) = −
p + 1 (p + 1)2
L’utilisation de (7.22), p. 48, donne
h(t) = e−t 1R (t) − 2te−t 1R (t) = (1 − 2t)e−t 1R (t)

C.2 Exemple de calcul de la transformée en Z inverse d’une fonction de trans-

fert dont le dénominateur contient une racine double
On cherche ici à calculer la transformée en Z inverse de
1 − z −1
H(z) =
(1 + z −1 )2
Le dénominateur contient une racine double en z = −1. Aussi en application de (8.18), p. 57, il existe a et b tel que
hn = (an + b)(−1)n 1N [n]
La relation entrée-sortie associée à cette fonction de transfert est
yn + 2yn−1 + yn−2 = xn − xn−1 (C.1)
On place en entrée xn = δn . L’application de (C.1) pour n = 0 montre qu’alors y0 + 2 × 0 + 1 × 0 = 1 − 1 × 0 et donc y0 = 1.
L’application de (C.1) pour n = 1 montre qu’alors y1 + 2y0 + 1 × 0 = 1 × 0 − 1 et donc y1 = −3. Les valeurs de yn sont celles
de hn et par suite ces calculs permettent d’en déduire les valeurs de a et de b :
(a × 0 + b) × 1 = h0 = 1 ⇒ b = 1
(a × 1 + b) × (−1) = h1 = −3 ⇒ a + b = 3 ⇒ a = 2

Par ailleurs hn vérifie (C.1) pour n ≥ 2 lorsque xn = δn :

yn + 2yn−1 + yn−2 = (2n + 1)(−1)n + 2(2(n − 1) + 1)(−1)n−1 + (2(n − 2) + 1)(−1)n−2
yn + 2yn−1 + yn−2 = (2n + 1 + 2n − 3 − 4n + 2) (−1)n−1 = 0 = δn − δn−1 = xn − xn−1
On a finalement bien prouvé que
hn = (2n + 1)(−1)n 1N [n]

157
Appendix D

Trouver les paramètres d’un signal sinusoïdal

ajouté à une composante continue

L’objectif est de trouver les valeurs de a, b, f0 , φ à partir de la courbe représentative du signal temps continu ainsi défini :

x(t) = a + b cos (2πf0 t + φ)

Sur la courbe représentative du signal, on cherche à mesurer les valeurs suivantes :

• max x(t) : valeur du maximum du signal

• min x(t) : valeur du minimum du signal
• T : période du signal

• τ = arg max x(t) : un instant où le signal est maximal

Ces quantités sont illustrées sur la figure D.1. Elles permettent d’en déduire les quantités à retrouver.

= max x(t)+min x(t)



 a 2
max x(t)−min x(t)
=

 b

2
f0 = T1
= arg max x(t)

 τ



φ = −2πf0 τ

158
Figure D.1: Signal sinusoïdal ajouté à une composante continue.

159
Appendix E

Exemple de correction d’exercices

E.1 Énoncé
On cherche à estimer l’impact de l’utilisation d’une fenêtre triangulaire pour synthétiser un filtre passe-bas. On suppose que
l’on considère des signaux échantillonnés à fe et que l’on a réalisé la synthèse d’un filtre numérique passe-bas de fréquence de
coupure fc , avec une réponse impulsionnelle causale qui contient 2N + 1 termes non-nuls. La fenêtre rectangulaire est donnée
par

rn = 1{−N ...N } [n]

Elle a pour transformée de Fourier à temps discret

b ) = sin(π(N + 1)f Te )
R(f
sin(πf Te )

La fenêtre triangulaire est donnée par

 
|n|
tn = 1− 1{−N ...N } [n]
N +1

Elle a pour transformée de Fourier à temps discret

1 sin2 (π(N + 1)f Te )

Tb(f ) =
N +1 sin2 (πf Te )

Question 1 Montrez que la réponse fréquentielle du filtre synthétisé est donnée par

b R (f ) = 1
Z f +fc
H R(ν)
b dν
fe f −fc

b T (f ) = 1
Z f +fc
H Tb(ν) dν
fe f −fc

Question 2 Donnez la largeur des lobes du sinus cardinal en terme de bande de fréquences et montrez que si N est grand
devant fe /fc alors la largeur de ces lobes est petite devant fc.
Question 3 En utilisant cette approximation (N grand devant fe /fc ), montrez que

b T (fc ) ≈ 1
b R (fc ) ≈ H
H
2

E.2 Correction
E.2.1 Question 1
Je démontre d’abord le fait que pour deux signaux à temps discret an et bn de transformée de Fourier à temps discret A(f
b )
et B(f )
b
" Z fe #
−1 1 2
an bn = TFTD b 1 )B(f
A(f b − f1 ) df1 (E.1)
fe − f2e

160
 Du fait des définitions de A(f
b ) et B(f
b ),

an bn = TFTD−1 [A(f
b )]TFTD−1 [B(f
b )]

J’utilise les définitions de la TFTD et j’utilise deux variables d’intégration différentes

fe fe
1 b 1 )ej2πf1 nTe df1 × 1
Z 2
Z 2
an bn = A(f b 2 )ej2πf2 nTe df2
B(f
fe − f2e fe − f2e

Ce produit d’intégrale peut se voir comme une intégrale double et je fais le changement de variable f1 = f1 et f = f1 + f2
fe
f1 + f2e
1
Z 2
Z
an bn = 2 b − f1 )ej2π(f −f1 )nTe df A(f
B(f b 1 )ej2πf1 nTe df1
fe − f2e f1 − f2e

La fonction f 7→ B(f
b − f1 )ej2π(f −f1 )nTe étant périodique de période fe cela me permet de changer les bornes de la deuxième
intégrale
fe fe
1
Z 2
Z 2
an bn = 2 b − f1 )ej2π(f −f1 )nTe df A(f
B(f b 1 )ej2πf1 nTe df1
fe − f2e − f2e

Après simplification des deux exponentielles complexes en une seule on retrouve (E.1).
Je pose hn la réponse impulsionne du filtre passe-bas idéal de réponse fréquentielle H(f
b ) = 1[−f ,f ] (f ) sur l’intervalle
c c

[− 2 , 2 ]. Ensuite l’application de (E.1) montre que :

fe fe

fe
" #
1
Z 2
−1
rn hn = TFTD b 1 )H(f
R(f b − f1 ) df1
fe − f2e

L’application de TFTD à cette équation et d’autre part le fait d’utiliser la définition de H(f
b − f1 ) montre que

b R (f ) = 1
Z f +fc
TFTD[hn rn ] = H b 1 ) df1
R(f
fe f −fc

Enfin l’application de (E.1) montre que :

fe
" #
1
Z 2
−1
tn hn = TFTD Tb(f1 )H(f
b − f1 ) df1
fe − f2e

L’application de TFTD à cette équation et d’autre part le fait d’utiliser la définition de H(f
b − f1 ) montre que

b T (f ) = 1
Z f +fc
TFTD[hn tn ] = H Tb(f1 ) df1
fe f −fc

E.2.2 Question 2
La fonction f 7→ sin(π(N + 1)f Te ) s’annule en tous les multiples de fe
N +1 sauf en f = 0. Aussi les lobes de R(f
b ) et de Tb(f )
sont de largeur Nf+1
e
, sauf le lobe central qui est deux fois plus large.
Quand N est grand devant fe /fc alors (N +1)f fe
c
est petit devant 1 et fe
N +1 est petit devant fc .

E.2.3 Question 3
Dans un premier temps je considère fc ≤ 4 .
fe

fe

b R (fc ) = 1 1
Z 2fc Z 2
H R(ν)
b dν ≈ R(ν)
b dν
fe 0 fe 0

L’approximation est justifié par le fait que R(ν)

b est faible sur l’intervalle [2fc , fe /2] parce que les lobes sont petits devant fc .
Par ailleurs R(ν) = |R(ν)| est une fonction paire
b b
fe fe
1 1 1 1 1
Z 2
Z 2
R(ν)
b dν = R(ν)
b dν = r[0] =
fe 0 2 fe − f2e 2 2
161
En reliant les deux équations, on trouve l’approximation demandée.
Dans une deuxième temps je considère fc ≥ f4e avec toujours fc < 2 .
fe
J’utilise une autre approximation N grand devant
fe −2fc . La périodicité de R montre que :
fe b

fe
2fc −fe
b R (fc ) = 1 1 1
Z 2fc Z 2
Z
H R(ν)
b dν = R(ν)
b dν + R(ν)
b dν
fe 0 fe 0 fe − f2e

Pour les mêmes raisons que précédemment, le premier terme vaut 21 . L’approximation considérée maintenant permet d’affirmer
que les lobes ont une largeur petite devant fe − 2fc < fe /2 et que donc R(ν) b est faible sur l’intervalle [fe − 2fc , f2e ], ce qui par
symétrie signifie aussi que R(ν)
b est faible sur l’intervalle [− f2e , 2fc − fe ]. Le deuxième terme est donc de valeur faible. Ainsi se
trouve justifié l’approximation dans le deuxième cas.
Le raisonnement est le même pour H b T (fc ).

162
Appendix F

Calcul avec les intégrales et les fonctions

caractéristiques

On appelle fonction caractéristique

1 si x ∈ A

1A (x) = (F.1)
0 si x ̸∈ A

Quand A est un intervalle, la fonction caractéristique est en fait une porte.

 1 si a ≤ x ≤ b


1[ a, b](x) = 0 si x < a (F.2)

0 si x > b


Il est possible de déplacer les termes au sein de la définition de la fonction caractéristique sur un intervalle

1[a,b] (t) = 1[a−t,b−t] (0) = 1[0,b−a] (t − a) (F.3)

Cette fonction permet de transformer une intégrale sur un intervalle en une intégralle sur R.

Z b Z Z +∞
f (t), dt = 1[a,b] (t)f (t) dt = 1[a,b] (t)f (t) dt (F.4)
a R −∞

L’intégrale de cette fonction porte est

Z
1[a,b] (t) dt = b − a (F.5)
R

Le centre de cette fonction porte est

a+b
Z
t1[a,b] (t) dt = (F.6)
R 2

163
Appendix G

Différentes techniques pour représenter le

module d’une réponse fréquentielle

Les simulations numériques permettent de visualiser rapidement le module de la réponse fréquentielle d’un filtre. Cela étant
il peut être intéressant d’avoir quelques techniques permettant dans certains cas simples d’en obtenir aussi une allure.

G.1 |H(f
c
)| = |1 + ejαf |
G.2 |H(f
c
)| = |1 + ejαf |

164
Appendix H

Bibliographie

Dans le livre [?], les probabilités sont présentées dans l’annexe A. Le traitement du signal se trouve dans l’annexe B et dans
les sections 2.3, 2.4.1 et 2.5 du chapitre 2. La psychoacoustique est présentée en section 2.2.3 du chapitre 2. Le traitement du
son se trouve dans dans les sections 2.2, 2.4 et 2.5 du chapitre 2 et la section 12.3 du chapitre 12.
Dans le livre [?], le traitement du signal est présenté dans les chapitres 1 et 2. En particulier la synthèse des filtres est faite
différemment. La psychoacoustique est présentée dans l’annexe C.
Dans le livre [?], le traitement du signal est présenté dans les chapitre 1, où se trouve aussi quelques notions sur le bruit rose.
Le chapitre 5 présente les notions de psychoacoustiques.

165
Bibliography

[1] Federico Avanzini and Giovanni De Poli. Fundamentals of digital audio processing. Creative Commons, 2005.
[2] Francesco Camastra and Alessandro Vinciarelli. Machine Learning for Audio, Image and Video Analysis: Theory and
Applications (Advanced Information and Knowledge Processing). Springer-Verlag, first edition, 2008.
[3] David Rocchesso. Introduction to Sound Processing. Creative Commons, 2003.

166