Université Hassan II

Faculté des sciences et techniques Mohammedia

Filière d’ingénieur d’état
Génie Electrique et Télécommunication

TRAVEAUX PRATIQUES
DU TRAITEMENT DES
SIGNAUX ANALOGIQUES

Compte Rendu
TP1 : Représentations Temporelle et Fréquentielle
des Signaux
TP2 : Filtrage continu, Filtrage idéal – Filtrage réel
TP3 : Convolution et Corrélation entre des
signaux

Réalisé par : LAHOUAICHRI Zineb & MENOUNY Hanae

Encadré par : Prof : A. SAHEL

Année universitaire : 2023/2024

 INTRODUCTION

Partout dans le monde, des millions d'ingénieurs et de scientifiques utilisent MATLAB pour
analyser et concevoir les systèmes et produits de demain. MATLAB est présent dans des
systèmes automobiles de sécurité active, des véhicules spatiaux, des appareils de surveillance
médicale, des réseaux électriques intelligents et des réseaux mobiles LTE. Il est utilisé dans les
domaines de l'apprentissage automatique, le traitement du signal, la vision par ordinateur, les
communications, la finance computationnelle, la conception de contrôleurs, la robotique et bien
plus. La plate-forme MATLAB est optimisée pour résoudre les problèmes scientifiques et
techniques. Le langage MATLAB, basé sur les matrices, est le moyen le plus naturel au monde
pour exprimer les mathématiques computationnelles. Les graphiques intégrés permettent de
visualiser facilement les données afin d'en dégager des informations. Grâce à la vaste
bibliothèque de boîtes à outils prédéfinies, on peut commencer directement par les algorithmes
essentiels à notre domaine. L'environnent bureau encourage l'expérimentation, l'exploration et
la découverte. Les outils et les fonctionnalités MATLAB sont tous testés rigoureusement. Ils
sont conçus pour fonctionner conjointement.

Le logiciel MATLAB est construit autour du langage MATLAB. Une interface en ligne de
commande, qui est un des éléments du bureau MATLAB, permet d’exécuter des commandes
simples.

Command Window : C’est le terminal dans lequel on doit taper les commandes et sur lequel
on verra lâchage des résultats. Une ligne commence toujours par >>.

WorkSpace : Dans cette fenêtre, on obtient la liste des variables connues par MATLAB. Il
est possible de double-cliquer sur une variable pour l’afficher. Un clic-droit sur les variables
offre de nombreuses options telles que : Copiez, Collez, Supprimez etc.
 TP1 : Représentations Temporelle et
Fréquentielle des Signaux

INTRODUCTION :
Le traitement du signal, domaine d'étude crucial au carrefour de l'électronique, de
l'informatique et de la physique appliquée, se positionne comme une discipline incontournable
façonnant notre interaction avec les technologies modernes. Son influence s'étend de manière
significative dans des secteurs aussi divers que les télécommunications, le multimédia, la
médecine, l'automobile, l'aéronautique, le spatial, la sismique, la prospection pétrolière,
l'agriculture, et bien d'autres. Fondamentalement, le traitement du signal vise à élaborer,
interpréter et exploiter les signaux électriques, constituant ainsi le fondement technologique
de notre société contemporaine.

Dans le cadre de ce TP, notre exploration se concentrera sur les Représentations Temporelle
et Fréquentielle des Signaux, des concepts cruciaux au sein du traitement du signal. La
représentation temporelle offre une vision séquentielle du comportement d'un signal au fil du
temps, tandis que la représentation fréquentielle décompose ce dernier en ses différentes
composantes spectrales. Ces deux perspectives, temporelle et fréquentielle, seront au cœur de
nos investigations, illustrant comment elles contribuent à l'analyse et à la
manipulation des signaux.

OBJECTIF :
L'objectif de ce TP est de mettre en pratique les compétences acquises lors de la séance de
prise en main du logiciel Matlab/Simulink. Étant donné la nature discrète de Matlab, nous
devons discrétiser le domaine temporel en choisissant soigneusement le "pas" dans la
définition du vecteur temps t. Le but principal est de développer une compréhension
approfondie de la notion de résolution, en particulier dans le contexte de la simulation de
signaux continus. Ce TP vise à nous permettre de manipuler efficacement ces concepts pour
analyser et simuler des systèmes dynamiques dans un environnement de modélisation. De
plus, nous explorerons le domaine fréquentiel pour comprendre les caractéristiques spectrales
des signaux, renforçant ainsi notre capacité à analyser la réponse fréquentielle des
systèmes modélisés.

Exemple : Signal sinusoïdal

Tracé du signal

Traçons dans une figure le signal sinusoïdal de période 𝑇0 = 0.1s et d’amplitude 5 sur 2
périodes. Le signal sinusoïdal est un signal périodique de fréquence 𝑓0 est défini par :

1
S(t)=Asin(2𝜋 𝑓0 t) 𝑓0 =
𝑇0

𝑇0 𝑇
Traçons sur la même les signaux sinusoïdaux : s(t- ) et s(t- 0 )
4 4

Le Script sur Matlab :

Représentation des signaux :

Tracé du spectre
1
Ce « pas » de définition du vecteur de temps constitue la période d’échantillonnage (𝑇𝑒 =𝐹 ).
𝑒

𝐹𝑒 est donc la fréquence d’échantillonnage.

Dans le domaine fréquentiel, il est essentiel de représenter la fréquence sous forme d'un
vecteur, nécessitant également une discrétisation. MATLAB exige cette discrétisation car il
calcule le contenu fréquentiel d'un signal sur un nombre fini de points fréquentiels. Pour
assurer la cohérence entre les domaines temporel et fréquentiel, les vecteurs temporel et
fréquentiel doivent avoir la même dimension. Ainsi, la vectrice fréquence est déclarée comme
suit :

f = linspace(-Fe/2, Fe/2, length(t));

Une fois que les domaines temporel et fréquentiel sont définis, la transformée de Fourier peut
être calculée à l'aide de la fonction fft de MATLAB. Cette fonction permet le calcul de la
transformée de Fourier discrète pour des signaux échantillonnés.

L'instruction fftshift est utilisée pour réorganiser la sortie de fft afin de placer les fréquences
négatives avant les fréquences positives. La multiplication par "Te" est nécessaire pour
prendre en compte l'échantillonnage réalisé dans les domaines temporel et fréquentiel. Cette
approche permet une analyse précise du contenu fréquentiel du signal sinusoïdal.

Pour illustrer cela, prenons l'exemple du calcul de la transformée de Fourier d'un signal
sinusoïdal :
Représentation du signal :

Figure 1 Représentation du signal sinusoïdal

MANIPULATION :
Exercice 1 : Spectre d’un Signal à plusieurs harmoniques :

On considère les quatre signaux suivants :

— 𝑥1 (t) = cos (2πf1t+𝜑1 )

—𝑥2 (t) = cos (2πf2t)

— 𝑥3 (t) = cos (2πf3t+𝜑3 )

— 𝑥4 (t)= 𝑥1 (t) + 3𝑥2 (t) + 2𝑥3 (t)

Avec

— 𝑓1 = 40 Hz; 𝜑1 = π/4,
— 𝑓2 = 105 Hz;

— 𝑓3 = 125 Hz; 𝜑3 = π/3.

En guise d'introduction à notre premier TP de Traitement du Signal (TP TDS), nous avons
initié une exploration de MATLAB pour se familiariser avec ses fonctionnalités et
comprendre son rôle essentiel dans le traitement du signal. L'objectif de cet exercice initial
était d'écrire et de tracer des signaux dans le domaine temporel, puis d'analyser leur
transformée de Fourier dans le domaine fréquentiel, en exploitant les fonctionnalités
puissantes offertes par MATLAB.

1. Notre première tâche consistait à générer un vecteur temporel t comprenant 100

points, couvrant la plage de 0 à 0.1 secondes.

𝑇 0.1
𝑇𝑒 = = = 0.001s donc t=0 : Te=0.1 ;
𝑁 100

2. En utilisant ce vecteur, nous avons tracé les signaux 𝒙𝒊 (t) POUR i=1 ; 4.

3.
3. Ensuite, nous avons utilisé la fonction fft de MATLAB pour calculer la transformée
de Fourier de chaque signal, représentant ensuite le spectre d'amplitude dans une plage
de fréquences de 0 Hz à 1000 Hz. Pour assurer une visualisation claire, nous avons
appliqué la commande fftshift et avons finalement représenté le spectre entre -500 Hz
et 500 Hz.

4. Afin d'organiser de manière efficace ces différentes représentations, nous avons

employé la commande Subplot pour tracer les quatre courbes associées à chaque
signal temporel et fréquentiel, répondant ainsi aux exigences des questions 2 et 3 de
l'exercice initial. Cette approche permet non seulement de visualiser les signaux et
leurs transformées de Fourier, mais aussi de comprendre la relation entre les domaines
temporel et fréquentiel de manière synthétique.
Programme sur Matlab :
Représentation des signaux :
Exercice 2 : Spectre d’un signal modulé par une exponentielle

Dans le cadre de cet exercice MATLAB, nous allons explorer le signal Z(t)=𝑒 −𝑎|𝑡| avec a>0.
Notre objectif est d'effectuer plusieurs opérations, allant du tracé du signal dans le domaine
temporel à l'analyse de sa transformée de Fourier, en passant par la comparaison de résultats
et la vérification de la transformée de Fourier inverse.

Opérations réalisées :

1. Tracé de z(t) dans le domaine temporel :

Nous allons générer un vecteur temporel t entre -5s et 5s, avec un pas de temps 𝑇𝑒 =0.01s, puis
utiliser la formule Z(t)=𝑒 −𝑎|𝑡| avec a=1 pour tracer le signal.

2. Calcul de la transformée de Fourier 𝒁𝟏 (f) :

Nous allons exprimer formellement la transformée de Fourier de z(t) en utilisant une
expression algébrique, puis tracer 𝑍1 (f) entre -5 Hz et 5 Hz avec un pas de fréquence
𝐹𝑒 =0.01Hz.

3. Tracé du spectre en amplitude de Z(f) :

Nous allons calculer la transformée de Fourier de z(t) entre -5 Hz et 5 Hz et tracer le spectre

en amplitude de Z(f). Nous comparerons les résultats avec ceux de la question (2).
Conclusion : On a trouvé le même spectre en amplitude de Z(f) que ce soit avec la méthode
algébrique ou bien à l’aide de l’instruction ‘ fft ‘.

4. Calcul de la transformée de Fourier inverse 𝒛𝟐 (t) :

Nous allons effectuer la transformée de Fourier inverse de Z(f) pour obtenir 𝑧2 (t). Nous
vérifierons si 𝑧2 (t) correspond exactement au signal de départ z(t).

On observe bien que cette courbe est identique à celle du signal de départ z(t)
 5. Tracé du spectre d'amplitude de z(t)𝒆𝒋𝟐𝝅𝒇𝟎 𝒕 :

Nous illustrerons la propriété de décalage fréquentiel de Z(f) en traçant le spectre d'amplitude

de z(t)𝑒 𝑗2𝜋𝑓0𝑡 avec 𝑓0 =5 Hz.

Resumé :

À travers ces opérations, nous explorerons les caractéristiques temporelles et fréquentielles du

signal z(t), mettant en évidence des concepts clés du traitement du signal tels que la
transformée de Fourier et le décalage fréquentiel. Les résultats obtenus nous permettront de
mieux comprendre le comportement du signal z(t) dans les deux domaines.

Script sur Matlab :

Représentation des signaux :

Exercice 3 : Spectres de signaux périodiques

Dans cet exercice pratique, nous allons générer deux types de signaux périodiques, à savoir un
signal carré et un signal en dent de scie, afin d'explorer leur évolution temporelle et de
comparer leurs spectres fréquentiels. Ces signaux seront caractérisés par une durée de 1.5
secondes et une fréquence de 180 Hz, avec un pas temporel de 1/10.000.

Opérations réalisées :

1. Génération d'un signal carré :

Nous allons utiliser la fonction square de MATLAB pour générer un signal carré de durée 1.5
secondes et de fréquence 180 Hz, avec un pas temporel de 1/10.000.
 2. Génération d'un signal en dent de scie :

Utilisant la fonction sawtooth de MATLAB, nous allons générer un signal en dent de scie de
durée 1.5 secondes et de fréquence 180 Hz, avec le même pas temporel de 1/10.000.

3. Tracé de l'évolution temporelle sur 0.2 secondes :

Nous allons tracer l'évolution temporelle des deux signaux sur une durée de 0.2 secondes.
Pour ce faire, nous utiliserons les fonctions square et sawtooth et limiterons la visualisation à
cette plage temporelle spécifique.
 4. Comparaison des spectres :

En utilisant les outils de transformation de Fourier disponibles dans MATLAB, nous allons
comparer les spectres fréquentiels des deux signaux. Cela nous permettra d'analyser les
composantes fréquentielles de chaque signal et de mettre en évidence les différences entre le
signal carré et le signal en dent de scie.

En comparant les spectres des deux signaux x et y, on remarque que X a une amplitude élevée
par rapport à le signal Y, ainsi que la bande passante du signal Y est large que le signal X.

Exercice 4 : spectre des portes Rectangulaire et Triangulaire

Cet exercice a pour objectif de générer et d'analyser deux types d'impulsions, à savoir une
impulsion rectangulaire et une impulsion triangulaire. Nous allons explorer l'évolution
temporelle de chaque impulsion sur un intervalle de -5 à 5 secondes et examiner leur spectre
fréquentiel respectif.

Opérations réalisées

1. Génération d'une impulsion rectangulaire :

Nous allons générer une impulsion rectangulaire de largeur 5 secondes sur un intervalle de -5
à 5 secondes. En utilisant MATLAB, nous tracerons ensuite le spectre fréquentiel de cette
impulsion.
 2. Génération d'une impulsion triangulaire :

À l'aide des fonctionnalités de MATLAB, nous générerons une impulsion triangulaire de

largeur 5 secondes sur l'intervalle [-5,5] et tracerons son spectre fréquentiel.
 3. Comparaison des spectres :

Nous comparerons les spectres fréquentiels des deux impulsions afin d'analyser leurs
composantes fréquentielles respectives. Cette comparaison nous permettra de mettre en
évidence les différences et les similitudes entre les deux impulsions du point de vue de leur
contenu fréquentiel.

La bande fréquentielle occupe par un signal triangulaire est plus étroite que la bande
fréquentielle d’un signal carre de même fréquence.

Conclusion :
En conclusion de ce TP sur les Représentations Temporelle et Fréquentielle des Signaux, nous
avons exploré les bases du traitement du signal. À travers des manipulations pratiques avec
MATLAB, nous avons compris l'importance de caractériser les signaux dans les domaines
temporel et fréquentiel. La génération de signaux simples, l'utilisation de la transformée de
Fourier, et la comparaison de différentes représentations ont renforcé notre compréhension
des concepts fondamentaux du traitement du signal. Cette expérience pratique nous offre une
solide base pour aborder des notions plus avancées dans ce domaine.
 TP2 : Systèmes Linéaires Continus
Filtrage Analogique
Introduction :
Ce deuxième Travaux Pratiques dédié aux Systèmes Linéaires Continus et au Filtrage
Analogique représente une étape cruciale dans notre exploration du traitement du signal. Nous
allons maintenant passer de la théorie des systèmes linéaires continus à une application
pratique avec le filtrage analogique réel. Cette transition sera facilitée par l'utilisation de
MATLAB, un outil puissant qui nous permettra d'appréhender les différences entre le filtrage
idéal utilisé en théorie et le filtrage réel appliqué dans divers domaines tels que la
télécommunication, l'électronique et l'automatique.

La première partie du TP a posé les bases théoriques en explorant les concepts fondamentaux
des systèmes linéaires continus et en introduisant le filtrage idéal. Nous avons étudié les
réponses fréquentielles, les caractéristiques de filtrage et les propriétés inhérentes aux
systèmes idéaux.

Dans la seconde partie, grâce à l'utilisation de MATLAB, nous nous plongerons dans le
filtrage réel. Cette approche pragmatique nous permettra de visualiser concrètement les
différences entre les attentes théoriques et les résultats obtenus dans des scénarios réels. Nous
analyserons comment les variations, les distorsions et d'autres phénomènes peuvent influencer
le filtrage, offrant ainsi un aperçu réaliste des challenges rencontrés dans l'application pratique
du filtrage analogique.
Objectif :
L'objectif de ce TP est de mettre en pratique les concepts abordés concernant la Transformée
de Fourier et le filtrage. À travers l'utilisation de MATLAB, nous examinerons les disparités
entre le filtrage idéal (Partie 1), tel qu'étudié théoriquement, et le filtrage réel (Partie 2)
appliqué dans des secteurs variés tels que la télécommunication, l'électronique, et
l'automatique. Cette démarche vise à fournir une compréhension concrète des écarts entre les
attentes théoriques et les réalités du filtrage dans des applications pratiques, renforçant ainsi
nos compétences en ingénierie des signaux.

Partie I : Convolution, transformée de Fourier et filtrage passe

bas idéal.
Dans cette partie, on étudie le filtrage idéal d’un signal porte rectangulaire :
−𝑇 𝑇
1 pour ≤t≤
2 2

x(t)= 𝑟𝑒𝑐𝑡𝑇 (t) =

0 ailleurs

2
On considère un filtre H(f) passe-bas idéal de fréquence de coupure 𝑓𝑐 =
𝑇

Dans Matlab, il faudra représenter chaque fonction dans le domaine temporel sur un nombre
fini de valeurs de t, t = [-20, 20] avec un pas 𝑇𝑒 .

1. Choix du pas pour générer un vecteur temps t de 4000 points

Avec t= [-20,20], afin de générer un vecteur temps de 4000points il suffit d’effectuer l’opération :
𝑇 40
Te= 𝑁= 4000 = 0.01s avec T=40 s

2. Définition et tracé du signal x(t)= 𝒓𝒆𝒄𝒕𝑻 (t) pour T=5 s

Le signal x(t) peut être défini comme une porte rectangulaire de largeur T avec T=5 s. La
modification du script 1 est nécessaire pour tracer cette porte rectangulaire.
 3. Calcul du spectre X(f) du signal x(t) dans l'intervalle de fréquence f= [−2,2] Hz

Pour calculer le spectre X(f), nous allons utiliser les fonctions MATLAB fftshift et fft en
assurant que la longueur des vecteurs temporel et fréquentiel est la même. On pourra utiliser :
−𝑭𝒆 𝑭𝒆
f=linspace( , , length(t));
𝟐 𝟐
 Le spectre d’un signal rectangulaire est un sinus cardinal, et afin de vérifier que le
résultat obtenue est correct, on a utilisé la fonction ifft pour calculer la transformer de fourrier
inverse et s’assurer qu’il s’agit bien du signal de départ.

4. Définition et tracé de la fonction de transfert H(f) du filtre passe-bas idéal

Traçons la fonction de transfert H(f) du filtre passe-bas idéal dont la fréquence de coupure
2
𝑓𝑐 =𝑇

1
On désire filtrer le signal x(t) par le filtre passe-bas idéal H(f) de fréquence de coupure 𝐹𝐶 = 𝑇
 Il est important de souligner le processus de filtrage basé sur la Transformée de Fourier
Rapide (FFT). Contrairement à la convolution traditionnelle impliquant la réponse
impulsionnelle du filtre, le filtrage par FFT repose sur une approche en fréquence.

Dans cette méthode, la FFT du signal temporel x(t) est multipliée par la FFT de la réponse
impulsionnelle du filtre H(f). Cette opération en fréquence est ensuite inversée en utilisant une
FFT inverse pour obtenir le signal de sortie filtré.

5. Expression et tracé de Y(f), le spectre du signal de sortie du filtre

Exprimons Y (f) en fonction de X(f) et H (f), puis traçons Y(f) en utilisant MATLAB.

Y(f)= X(f).H(f)
 6. Calcul et tracé de y(t) par Transformée de Fourier Inverse

Nous allons utiliser la commande ifft de MATLAB pour calculer la transformée de Fourier
inverse et nous allons tracer y(t).
 Le filtrage appliqué sur le signal dans le domaine fréquentiel a tronqué le signal. Après
le calcul de la transformée de fourrier inverse de signal filtré, on’ n’a pas retrouvé le signal de
départ. Ce qui explique l’obtention d’une perte d’information.

7. Observations de l'effet de la fréquence de coupure 𝒇𝒄 sur le signal de sortie

Afin de concevoir l’effet de la fréquence de coupure du filtre passe bas appliqué sur notre
système, nous allons représenter y(t) pour des différentes valeurs de fréquence de coupure :
2/T, 1Hz, 5Hz, 15Hz, 50Hz
 D’après les figures ci-dessus, nous constatons que plus la fréquence de coupure fc est
grande, plus le signal de sortie est proche du signal de départ. Une fréquence de coupure
élevée permet de garder une grande partie de l’information (du signal de départ). Donc plus la
porte est grande, moins l’information est rejetée et plus en se rapproche du signal d’origine

Partie II - Filtrage réel

L'objectif de cet exercice est d'explorer les aspects du filtrage réel, mettant en œuvre des
filtres conçus dans des situations pratiques. Nous aborderons différentes étapes, allant de la
définition des caractéristiques des filtres à la visualisation de leurs effets sur des signaux
spécifiques.

Soit x(t) = sin(2π𝑓1 t) + sin(2π𝑓2 t) + sin(2π𝑓3 t) avec 𝑓1 = 5 Hz, 𝑓2 = 20 Hz, 𝑓3 = 35 Hz.

x(t) est défini sur un nombre fini de valeurs de t, t = [0, 1], (𝐹𝑒 =512). De même, nous
représenterons les fréquences f entre -𝐹𝑒 /2 et 𝐹𝑒 /2. (Fonction linspace).

8. Période d'échantillonnage du signal x(t)

La signal x(t) est défini sur un intervalle de temps [0,1] et échantillonné avec une fréquence
d'échantillonnage 𝐹𝑒 =512. La période d'échantillonnage 𝑇𝑒 peut être calculée comme l'inverse
1 1
de la fréquence d'échantillonnage : 𝑇𝑒 = 𝐹 = 512
𝑒

9. Tracé du Signal x(t)

En utilisant les valeurs de 𝑓1 , 𝑓2 et 𝑓3 . et fournies, on peut tracer le signal x(t) sur l'intervalle
spécifié [0,1]. Les légendes appropriées doivent être ajoutées pour identifier chaque
composante sinusoïdale.

Ce signal est résultat de sommes de plusieurs harmoniques.

Filtre de Chebyshev de Type I :

Nous allons construire un filtre de Chebyshef analogique de type I avec les caractéristiques
suivantes :

- ordre 8

- filtre centré sur la fréquence Fc=20 Hz

- largeur de bande 20 Hz.

[Link] de Chebyshev de Type I

Le filtre de Chebyshev analogique de type I est de type passe bande

 [Link] de Transfert et Réponse du Filtre

[Link] et trace de la courbe y(t) avec des légendes adéquates.

En appliquant le filtre de Chebyshev à x(t), on obtient le signal filtré y(t). Ce

signal doit être tracé sur un intervalle de temps [0,0.2] pour observer les effets
du filtre. Les légendes appropriées doivent être incluses.
 [Link] du Programme MATLAB

Le programme MATLAB doit être modifié pour afficher les courbes temporelles et
fréquentielles dans deux figures distinctes. Cela améliorera la lisibilité des résultats en évitant
les problèmes de décalage et d'échelle entre les fonctions fft et ifft.
 En résumé, l'utilisation du filtre de Chebyshev a permis de filtrer efficacement les
composantes indésirables du signal initial, produisant un signal filtré avec les caractéristiques
souhaitées. Les changements dans les courbes reflètent la manipulation réussie du signal à
l'aide du filtre spécifié
Conclusion :

Ce TP a offert une immersion complète dans le domaine du filtrage, explorant à la fois les
aspects idéaux et réels. La première partie du travail pratique a été consacrée à la conception
et à l'analyse de filtres idéaux, mettant en évidence les caractéristiques théoriques de ces
dispositifs.

Nous avons ensuite élargi notre compréhension en passant aux filtres réels, en nous
concentrant sur l'implémentation pratique d'un filtre de Chebyshev de type I. Ce passage du
filtrage idéal au filtrage réel a été essentiel pour prendre en compte les contraintes et les
imperfections rencontrées dans les applications réelles
 TP3 : Convolution et Corrélation
INTRODUCTION :

Le troisième TP de notre module sur le traitement du signal est dédié à deux concepts
fondamentaux : la convolution et la corrélation. Ces deux opérations jouent un rôle essentiel
dans l'analyse et le traitement des signaux, qu'ils soient utilisés en télécommunications, en
traitement d'image, ou dans d'autres domaines de l'ingénierie.

La convolution et la corrélation sont des opérations mathématiques qui permettent de mesurer

la relation entre deux signaux, souvent utilisées pour extraire des informations utiles ou pour
effectuer des opérations de filtrage. Comprendre ces concepts est crucial pour manipuler
efficacement les signaux dans diverses applications.

L'inter corrélation de deux signaux f et g s'écrit :

Il s'agit d'une quantité permettant de mesurer la ressemblance de deux fonctions en fonction

du décalage

La convolution de deux signaux f et g s'écrit :

En traitement du signal, la convolution est l'outil permettant de calculer la sortie d'un système.
En effet, pour un signal d'entrée f soumis à un système de fonction transfert g, la sortie sera la
convolution des deux fonctions f*g.

Objectif du TP :

Ce travail pratique a pour dessein d'approfondir notre appréhension des concepts avancés de
corrélation et de convolution, en soulignant de manière particulière la distinction essentielle
entre ces deux opérations mathématiques. L'objectif central de cette démarche est de
concrétiser le théorème de Plancherel à travers des applications pratiques. Il s'agit également
d'explorer de façon approfondie le rôle capital de la fonction d'intercorrélation dans le
contexte de la détection de signaux d'intérêt.

En somme, ce TP offre une opportunité d'acquérir une maîtrise approfondie de ces concepts
fondamentaux du traitement du signal et de les appliquer de manière stratégique pour résoudre
des problématiques de détection, renforçant ainsi notre expertise dans ce domaine.

Convolution et Corrélation

Soit le signal x(t)=𝑟𝑒𝑐𝑡𝑇 (t)

1. Calculons théoriquement :

1.1 Le produit de convolution z( t )=x( t )*x( t )

Le produit de convolution peut être calculé en intégrant le produit des deux signaux. La formule
générale pour la convolution est donnée par :
∞ ∞
z(t)=∫−∞ 𝑥(𝜏) 𝑥(𝑡 − 𝜏)d𝜏 =∫−∞ 𝑟𝑒𝑐𝑡𝑇 (𝜏) 𝑟𝑒𝑐𝑡(𝑡 − 𝜏) 𝑇 d𝜏 = 𝑇𝑟𝑖 𝑇 (T)

Dans le cas spécifique de x(t) :

−𝑇 𝑇
1 pour 2
≤t≤2

x(t)=𝑟𝑒𝑐𝑡𝑇 (t)=
0 ailleurs

La fonction triomino résultante est définie par : z(t)=max (0, T−∣t∣)

Cela signifie que z(t) est égal à T−∣t∣ sur l'intervalle [−T, T], et zéro en dehors de cet
intervalle.
Cependant, le produit de convolution de deux signaux rectangulaires identiques donne une
fonction qui ressemble à une cloche, souvent appelée une fonction triomino, en raison de la
forme triangulaire résultante. Ce résultat est caractéristique des produits de convolution de
signaux rectangulaires.

1.2 Calcul d’intercorrélation 𝐶𝑥𝑥 du signal x(t) :

L'intercorrélation 𝐶𝑥𝑥 (𝜏) d'un signal rectangulaire avec lui-même peut être calculée
théoriquement en utilisant la définition de l'intercorrélation. La fonction rectangulaire est
définie comme :

x(t)=𝑟𝑒𝑐𝑡𝑇 (t)= −𝑇 𝑇
1 pour 2
≤t≤2

0 ailleurs
L'intercorrélation est donnée par l'intégrale du produit des signaux décalés dans le temps :

Cette expression représente l'intercorrélation théorique entre le signal rectangulaire x(t) et une
version décalée de lui-même.

2.1 Vérification du Programme

Un programme MATLAB sera utilisé pour tester théoriquement le résultat du produit de
convolution et de l'intercorrélation de x(t)
Nous avons obtenu le même résultat que la théorique.
 2.2 Produit de Convolution de Deux Signaux Rectangulaires Identiques
Le programme sera modifié pour obtenir le produit de convolution de deux signaux
rectangulaires identiques x(t)∗x(t).

Nous obtenons une fonction qui ressemble à une cloche. Ceci est cohérent avec la nature
du produit de convolution de signaux rectangulaires.

2.3 Interprétation des Résultats

La convolution de signaux identiques génère une réponse plus simple et symétrique, tandis
que la convolution de signaux différents donne une réponse plus complexe, reflétant les
interactions entre les deux signaux.
 3. Programme MATLAB pour l'Inter-corrélation et l'Autocorrélation

3.1 Calcul et Tracé de l'Inter-corrélation

En utilisant le programme du produit de convolution, nous allons écrire un programme Matlab
qui calcule et trace l’inter-corrélation (commande xcorr) de deux signaux rectangulaires, un
de largeur 20s et d’amplitude 2 v et l’autre de largeur 40s et d’amplitude 3v.
 3.2 Calcul et Tracé de l'Autocorrélation
Changeons le programme pour qu’il permet de donner l’autocorrélation d’un signal
rectangulaire de largeur 40s (commence à -31 et se termine à 10) et d’amplitude 2v.

4. Tracé Comparatif :
On remarque que la convolution de deux signaux rectangulaires identiques et intercorrélation
sont les mêmes.
 Nous avons retrouvé les résultats théoriques.

Théorème de Plancherel

6. On va chercher ici à illustrer le théorème de Plancherel

6.1 Rappel du Théorème de Plancherel

Ce théorème est très utile : il permet de simplifier un grand nombre de calculs et il est
utilisé dans de nombreuses applications. On a deux résultats sont connus sous le nom de
Théorème de Plancherel :

• La transformée de Fourier d’un produit de convolution de deux signaux est un produit

simple de leur transformées de Fourier.
 TF [ 𝒔𝟏 ∗ 𝒔𝟐 ] = TF [ 𝒔𝟏 (𝒕) ] x TF [ 𝒔𝟐 (𝒕) ] =𝑺𝟏 (f) x 𝑺𝟐 (f) = 𝑺𝟏 (f). 𝑺𝟐 (f)

• Inversement, la transformée de Fourier d’un produit simple de deux signaux est un

produit de convolution de leur transformée de Fourier.

TF [𝑺𝟏 (f) x 𝑺𝟐 (f)] = TF [ 𝒔𝟏 (𝒕)] * TF [ 𝒔𝟐 (𝒕)] = 𝑺𝟏 (f)* 𝑺𝟐 (f)

6.2 Transformée de Fourier de la Fonction 𝑟𝑒𝑐𝑡𝑇 (t)

La transformée de Fourier de la fonction 𝑟𝑒𝑐𝑡𝑇 (t) est donnée par :

TF[x(t)]=X(f)=T sinc (πfT)

6.3 Spectre du Produit de Convolution z(t)=x(t)∗x(t)

En utilisant la fonction MATLAB fft, nous pouvons calculer le spectre Z(f) du produit de
convolution z(t)=x(t)∗x(t).
 6.4 Comparaison des Spectres

En représentant sur le même graphique le spectre d'amplitude de Z(f) et le module du produit

X(f)
 La TF [𝑟𝑒𝑐𝑡𝑇 (t)* 𝑟𝑒𝑐𝑡𝑇 (t) ] présentera des copies périodiques du spectre original, avec
une largeur déterminée par la largeur du spectre de 𝑟𝑒𝑐𝑡𝑇 (t)

Les pics correspondant aux fréquences harmoniques dans la TF [𝑟𝑒𝑐𝑡𝑇 (t)] seront également
présents dans la TF [𝑟𝑒𝑐𝑡𝑇 (t)* 𝑟𝑒𝑐𝑡𝑇 (t)], mais ils peuvent être modulés ou affectés par la
forme du spectre de 𝑟𝑒𝑐𝑡𝑇 (t).

Conclusion :

Le TP sur la convolution et la corrélation a permis d'explorer les fondements du traitement du

signal. L'étude théorique et pratique a mis en évidence la nature de la convolution, illustrée
par le produit de convolution de deux signaux rectangulaires. L'application du théorème de
Plancherel a souligné la conservation d'énergie dans le domaine fréquentiel.

L'intercorrélation d'un signal rectangulaire avec lui-même a révélé une corrélation constante,
indiquant une forte relation entre le signal original et sa version décalée. L'utilisation de
MATLAB a facilité la visualisation et la compréhension pratique de ces opérations. Ces
connaissances sont cruciales dans des domaines tels que la communication, l'électronique et
l'automatique.