Analyse des signaux
signaux
Ce chapitre présente quelques outils fréquemment utilisés en analyse des signaux.
On y trouvera des aspects pratiques de la transformationde Fourier,son extension
auxsignaux bidimensionnels(les images),lesfonctions d'auto-etd'intercorrélation
servant à caractériser et comparer des signaux entre eux et enn une présentation
succintedes signaux aléatoires.
4.1. Transformation de Fourier
4.1.1. Dénition de la transformation de Fourier
Lestransformations de Fourier directeet inverse sontdénies commesuit
x(t) ≡
Z + ∞
−∞
X(jf ) exp(+j2πf t) df
(4.1)X(jf ) ≡
Z + ∞
−∞
x(t) exp( − j2πf t) dt
(4.2)On constate que les descriptions temporelle et spectrale sont parfaitement symé-
triquesetquelesunitésde
X(jf)
ne sontpas lesmêmesquecellesdusignaloriginalx(t)
.Danslecas oùx(t)
est une tensionélectrique, satransforméeX(jf)
s'exprimeen [V/Hz] et elle est dénie comme la densité spectrale d'amplitude du signal
temporel
x(t)
.Ennotation abrégée, ondécrira ces deux transformations par lesopérateurs
T F { }
et
T F I { }
.La correspondance réciproques'écrit alors :x(t) = T F I { X(jf ) } ←→ T F { x(t) } = X(jf )
Si la fonction
x(t)
ne possède pas de symétries particulières, sa densité spectrale d'amplitudeX(jf )
est une fonction complexe:x(t) ←→ X(jf ) = X r (f ) + jX i (f )
(4.3)Lemodule et laphase de la densité spectraled'amplitude valentalors :
| X(jf ) | ≡ X(f) = q
X r 2 (f ) + X i 2 (f )
(4.4)∠ X(jf ) ≡ α(f) = arctan X i (f )
X r (f )
(4.5)4.1.2. Puissance et énergie d'un signal
Les signaux permanents, périodiques ou non, sont caractérisés par leur puissance
moyenne (leur énergie est inniment grande). On a vu dans le cours Signaux et
Systèmesquelessignaux périodiques ontune puissance quel'on peut calculeraussi
bien dans ledomainetemporel que fréquentiel:
P = T 1
Z +T /2
− T /2
x 2 (t) dt
V
2
(4.6)
P =
+ ∞
X
−∞
| X(jk) | 2
V
2
(4.7)
où
X(jk)
est l'amplitudecomplexe de lacomposante spectraled'ordrek
.Danslecas dessignauxnonpermanents,onprendragardeàparlerde leurénergieet
nonpasde leurpuissance,car celle-ciest nullesil'onconsidère uneduréeinniment
longue.De même que pour les signaux périodiques, on peut calculer l'énergied'un
signalapériodique dans lesdomaines temporel etfréquentiel :
W =
Z + ∞
−∞
x 2 (t) dt
V
2
sec
(4.8)
W =
Z + ∞
−∞ | X(jf ) | 2 df
V
2 /
Hz(4.9)
L'expressionde l'énergied'unsignal
x(t)
dansledomainedes fréquences entraîne ladénition de la densité spectrale d'énergie
S x (f)
:S x (f ) ≡ | X(jf ) | 2 = X(jf ) · X(jf ) ∗
V
2 /
Hz2
(4.10)
On noteraque ses unitéss'expriment en
[
V2 /
Hz2 ]
lorsque le signal est une tension.4.1.3. Propriétés de la transformation de Fourier
Parmi le grand nombre de propriétés associées à la transformation de Fourier, on
retiendra particulièrement celles qui ont le plus d'intérêt en traitement du signal.
Ellessontprésentéesdansletableau4.1.Deplus,unetableillustréedestransformées
de Fourier tirée de l'ouvrage de F. de Coulon[2] est présentée en n de chapitre.
4.2. Exemples de spectres continus
Pour illustrer l'utilisationde la transformée de Fourier, calculons les densités spec-
trales de quelques signaux particuliers.
a)linéarité
ax(t) + by(t) aX(jf ) + bY (jf )
b)décalage
x(t + t d ) X(jf ) exp(+j2πf t d )
c)amortissement
x(t) exp( − at), x(t)
causalX(j2πf + a)
d)modulation
x(t) exp(+j2πf 0 t) X (j(f − f 0 ))
e)dérivation
dx(t)
dt j2πf X(jf )
1
j 2πf X(jf ) + 1
2 X(0)δ(f)
f) intégration
Z t
−∞
x(t)dt
avec
X(0) = Z + ∞
−∞
x(t)dt
h(t) ⊗ x(t) H(jf ) · X(jf )
g)convolution
h(t) · x(t) H(jf ) ⊗ X(jf )
h)énergie
W =
Z + ∞
−∞
x 2 (t)dt W = Z + ∞
−∞ | X(jf ) | 2 df
j) valeurs àl'origine
x(t = 0) = Z + ∞
−∞
X(jf)df X(f = 0) = Z + ∞
−∞
x(t)dt
k) rotationOy
y(t) = x( − t) Y (jf ) = X( − jf ) = X ∗ (jf )
l)fonction paire
x( − t) = x(t) X(jf ) ∈ <
m)fonction impaire
x( − t) = − x(t) X(jf ) ∈ =
4.2.1. Spectre d'une impulsion rectangulaire
Considérons une impulsion
x(t)
de largeur∆t
et d'amplitudeA
centrée ent = 0
(gure4.1). Pardénition de la transformation de Fourier, ona :
X(jf ) = Z + ∞
−∞
x(t) exp( − j2π f t)dt
Entenant compte de la dénition de l'impulsionrectangulairecentrée :
x(t) =
0 si | t | > ∆t 2 A si | t | ≤ ∆t 2
(4.11)
ilvient :
X(jf ) =
Z +∆t/2
− ∆t/2
A exp( − j 2π f t)dt
= − A
j2πf exp( − j 2π f t)
+∆t/2
− ∆t/2
= − A j2πf
exp( − j2π f ∆t
2 ) − exp(+j2π f ∆t 2 )
= A
πf
exp(+jπ f ∆t) − exp( − jπ f ∆t) 2j
Utilisantlaformuled'Euler:
sin u = exp(+ju) − exp( − ju) 2j
onobtient nalement:
X(jf) = A ∆t sin(πf ∆t)
πf ∆t = A ∆t sinc(f ∆t) ∈ <
(4.12)Comme on pouvait s'y attendre, la densité spectrale d'amplitude d'une impulsion
rectangulairecentrée en
t = 0
estbiendécritepar unsinuscardinal.Deplus,commel'impulsionrectangulaire
x(t)
est paire, sa densité spectrale d'amplitudeY (jf )
estune fonction réelle. Enn, on remarquera (gure 4.1) que le spectre passe par zéro
chaque fois que le sinus cardinal s'annule, c'est-à-dire, chaque fois que la fréquence
est un multiplede
1/∆t
.Onconstate ainsique lespectre d'uneimpulsionest d'autantplus large etde faible
amplitude que l'impulsion est étroite (gure 4.2b). Cette remarque est vraie pour
l'ensembledes signaux de duréelimitée et ellepeut s'énoncer ainsi
Un signal de courte durée possèdeun spectre large bande.
À un spectre étroit correspond un signalde longue durée.
−10 −8 −6 −4 −2 0 2 4 6 8 10
−0.2 0 0.2 0.4 0.6 0.8 1
temps
x(t)
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
−1 0 1 2 3 4
fréquence
X(jf)
Fig. 4.1.: Impulsionrectangulaire etsa densitéspectraled'amplitude
−10 −5 0 5 10
−0.2 0 0.2 0.4 0.6 0.8 1
x 1 (t)
−5 0 5
−2 0 2 4 6 8 10
X 1 (jf)
−10 −5 0 5 10
−0.2 0 0.2 0.4 0.6 0.8 1
temps x 2 (t)
−5 0 5
−2 0 2 4 6 8 10
fréquence X 2 (jf)
Fig. 4.2.: Le contenu spectral d'une impulsiondépend fortement de sa durée
4.2.2. Spectre d'un sinus amorti
Étudions, comme deuxième exemple, la transformée de Fourier d'une sinusoïde de
fréquence
f p
décroissantexponentiellementaucoursdutemps(gure4.3).Sonéqua- tion s'écrit:y(t) =
0, si t < 0 A exp( − at) sin(2πf p t), si t ≥ 0
(4.13)
Partant de ladénition de latransformée deFourier,oncalculesadensitéspectrale
d'amplitude:
Y (jf ) =
Z + ∞
−∞
y(t) exp( − j2πf t)dt
= Z ∞
0
A exp( − at) sin(2πf p t) exp( − j2πf t)dt
= Z ∞
0
A exp( − at) exp(+j2πf p t) − exp( − j2πf p t)
2j exp( − j2πf t)dt
Cette intégrale ne contient que des exponentielles; elle est très simple à calculer.
Après réduction des deux primitivesàun mêmedénominateur, on obtient :
Y (jf ) = A 2πf p
(a + j2πf ) 2 + (2πf p ) 2 ∈ C
(4.14)0 1 2 3 4 5 6 7 8 9 10
−1
−0.5 0 0.5 1
temps
y(t)
A = 1.0 f p = 4.0 a = 0.25
−10 −5 0 5 10
0 0.5 1 1.5 2
fréquence
|Y(jf))|
Fig. 4.3.: Sinusamorti etle module de sa densitéspectraled'amplitude
Onremarqueraqueladensitéspectraled'amplitude
Y (jf )
estunefonctioncomplexecar lasinusoïde décroissante
y(t)
ne possèdepas de symétrie particulière. La gure 4.3 présente lesinus amortiet lemodule de sadensité spectrale d'amplitude.On peut également noter lesdeux valeurs particulièressuivantes
f = 0 : Y (0) = A 2πf p
a 2 + (2πf p ) 2 ' A 2πf p
si
a 2π f p
f = f p : Y (jf p ) = A a
2πf p
a + +j4πf p ' A
j2a
sia 2π f p
4.2.3. Spectre d'une impulsion sinusoïdale
On sait qu'à un produit de convolution dans le domaine temporel correspond un
produitsimple dans le domainecomplexe :
y(t) = h(t) ⊗ x(t) ←→ Y (jf ) = H(jf ) · X(jf )
(4.15)L'inverse de cette proposition est également vraie et elle est très pratique pour
calculerle spectre de signaux modulés en amplitude. Elle s'exprimecomme suit. À
un produit simple dans le domaine temporel correspond un produit de convolution
dans ledomainecomplexe :
y(t) = m(t) · x(t) ←→ Y (jf) = M(jf ) ⊗ X(jf )
(4.16)Considéronscomme exemple une impulsionsinusoïdalede durée
∆t y(t) =
cos(2πf 0 t)
si| t | < ∆t 2 0
si| t | ≥ ∆t 2
Voyant que ce signal est équivalent à la multiplication d'un sinusoïde permanente
par une impulsionde largeur
∆t
, ona :y(t) = m(t) · x(t) = m(t) · cos(2πf 0 t)
avecm(t) =
1
si| t | < ∆t 2 0
si| t | ≥ ∆t 2
Sachant que lesspectres des signaux
x(t)
etm(t)
valentrespectivementX(jf ) = 1
2 (δ (f + f 0 ) + δ (f − f 0 )) M(jf ) = A ∆t
sinc(f ∆t)
et que la convolution entre une fonction et une impulsion de Dirac reproduit la
fonction à l'endroit où se situe l'impulsion, on voit que le spectre de l'impulsion
sinusoïdalevaut
Y (jf ) = M (jf ) ⊗ X (jf ) = A ∆t
2 (
sinc((f + f 0 ) ∆t) +
sinc((f − f 0 ) ∆t))
Onconstateainsiquelespectred'uneimpulsionsinusoïdalededurée
∆t
estconstituéde deux sinus cardinauxsitués en
+f 0
et− f 0
(gure 4.4).−2 −1 0 1 2
−1 0 1
x(t)
−2 −1 0 1 2
−1 0 1
m(t)
−2 −1 0 1 2
−1 0 1
x(t)
temps
−10 −5 0 5 10
0 0.5 1 1.5 2
X(f)
−10 −5 0 5 10
0 0.5 1 1.5 2
M(f)
−10 −5 0 5 10
0 0.5 1 1.5 2
Y(f)
fréquence
Fig.4.4.: Impulsionsinusoïdaleet son spectre
4.2.4. Spectres de deux impulsions
Considéronsun signalconstitué de deux impulsionsd'amplitude
A
placéessymétri-quementen
± t 0 /2
(gure4.5).Cesignalpossèdeunspectrequisecalculefacilementàpartirdeceluid'uneimpulsioncentréeen
t = 0
etàl'aideduthéorèmedudécalage.Commelesignal
z(t)
est lasomme de 2 impulsionsdécalées de± t 0 /2
,z(t) = x(t + t 0 /2) + x(t − t 0 /2)
(4.17)ona:
Z (jf) = A ∆t sin(πf ∆t) πf ∆t
exp(+j2πf t 0
2 ) + exp( − j2πf t 0
2 )
donc
Z (jf) = 2 A ∆t sin(πf ∆t)
πf ∆t cos(πf t 0 )
(4.18)Deplus, par rapport àce quivasuivre, ilest intéressant de considérer également la
densitéspectrale d'énergie :
S z (f) ≡ | Z(jf ) | 2 =
2 A ∆t sin(πf ∆t)
πf ∆t cos(πf t 0 ) 2
(4.19)
Lesdensités spectralesd'amplitude etd'énergie sont représentées à lagure 4.5.
−10 −8 −6 −4 −2 0 2 4 6 8 10 0
0.5 1
z(t)
(a)
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
−2
−1 0 1 2
Z(jf)
(b)
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2
0 1 2 3 4
S z (f) (c)
Fig.4.5.: Deux impulsions rectangulaires symétriques
z(t)
avec ses densités spec-trales d'amplitude
Z(jf )
et d'énergieS z (f )
.4.3. Extension de la transformation de Fourier
Lespectre d'énergiedes deuximpulsionsétudiéesci-dessus montreunegrandesimi-
litude avec la gure de diraction de Fraunhofer due à deux fentes étroites (gure
4.6). En réalité, il s'agit plus que d'une similitude car on montre en physique que
touteguredediractionestlatransforméede Fourierde l'objetquien estlacause.
De cette analogie, on déduit que la notion de transformation de Fourier peut être
étendueàdesespacesàplusieursdimensions.CettetransformationdeFouriermulti-
dimensionnelleest déniedemanièresimilaireàcellequenousavonsétudiéejusqu'à
présent
x(t) → X(jf ) ≡ Z + ∞
−∞
x(t)
exp( − j2π f t) dt
(4.20)avec
f
représentant lafréquence des oscillations, c'est-à-dire lenombre de périodes par unitéde temps. Cettefréquence est mesurée en [Hz]ou, de manièreplus fonda-mentale, en [1/sec].
Dans le cas particulier d'une image (espace à deux dimensions), on a aaire à une
intensitélumineuse
i
fonction des coordonnéesx
ety
i = i(x, y)
(4.21)Satransformée de Fourierest alors déniecomme suit
I(jf x , jf y ) ≡ Z + ∞
−∞
Z + ∞
−∞
i(x, y)
exp( − j 2π f x x)
exp( − j2π f y y) dx dy
(4.22)Fig.4.6.: Figuredediraction[3]causéepardeuxouverturesétroitescorrespondant
aux deux impulsionsrectangulaires de la gure4.5
Ici,lesfréquencesspatiales
f x
etf y
représentent lenombre de périodes parunité de longueurmesuréesen[1/m].Uneillustrationdes spectresspatiaux(oudesguresdediraction)d'ouverturescirculaireetcarréeestdonnéeàlagure4.7;onyreconnaît
lafonction sinuscardinal distribuée dans l'espacedes fréquences spatiales
f x
etf y
.Comme nous venons de le voir, la notion de transformation de Fourier s'applique
à des fonctions bidimensionnelles. On imagine donc aisément que les principes de
ltrage bien connus en électronique peuvent s'étendre de la même manière à des
signaux multidimensionnels. Une illustration en est donnée à la gure 4.7 où l'on
voitcommentl'applicationdemasquesdansledomainefréquentielpermetd'extraire
les bords de l'image (ltrage passe-haut) ou de défocaliser l'image (ltrage passe-
bas).On notera qu'un ltrageréaliséavec un masqueconstitué simplementde 0 ou
1n'est pas optimumcar ilentraîne leseets de franges bien visibles sur les images.
4.4. Classication et types de signaux
Sans entrer dans les détails de la classication des signaux, il faut mentionner que
plusieursapproches sont possibles.Parmi celles-ci,on en citera deux :
laclassicationphénoménologiquequimetl'accentsurlecomportementtemporel
du signal;
laclassicationénergétique oùl'on classeles signauxsuivantqu'ilssont àénergie
nie ou àpuissance nie.
−50
0
50
−50 0
50 0 0.5 1
y x
g(x,y)
−5
0
5
−5 0
5
−0.5 0 0.5 1
f x f y
G(f x ,f y )
−50
0
50
−50 0
50 0 0.5 1
y x
g(x,y)
−5
0
5
−5 0
5
−0.5 0 0.5 1
f x f y
G(f x ,f y )
Original Passe−haut Passe−bas
Fig.4.7.: a) Transformées de Fourierspatiales d'un rond etd'un carré
b) Filtragespatialde lalettre A avec un masque quine laisse passer que
les hautesou lesbasses fréquences
4.4.1. Classication phénoménologique
Danscette classication,on répartitgénéralement lessignaux en deux classes prin-
cipaleset quatre sous-classes illustréespar la gure 4.8.
Dansles deux classes principales, ontrouve :
les signaux déterministes dont l'évolution temporelle parfaitement dénie peut
être prédite par un modèle mathématique approprié;
les signaux aléatoires qui ont un comportement temporel imprévisible et dont la
description ne peut sefaire qu'au travers d'observations statistiques.
Signaux
Déterministes Aléatoires
Périodiques Non périodiques Stationnaires Non stationnaires
Fig. 4.8.: Classicationphénoménologique des signaux
Parmi lessignaux déterministes (gure 4.9), on distingue :
les signaux périodiques dont la formese répète régulièrement;
lessignaux pseudo-aléatoiresquisont des signauxpériodiquesmais avec, àl'inté-
rieur de la période, un comportement aléatoire;
les signaux quasi-périodiques qui résultent d'une somme de sinusoïdes dont le
rapportdes périodes n'est pas rationnel;
les signaux non-périodiques; ils sont essentiellement représentés par des signaux
transitoires dontl'existence est éphémère.
Parmi lessignaux aléatoires (gure 4.10), ondistingue :
lessignaux stationnairesdontlescaractéristiques statistiquesne changent pas au
cours du temps (p.ex : le bruit électronique);
les signaux non-stationnaires dont le comportement statistique évolue au cours
du temps (p.ex. : la parole).
4.4.2. Classication énergétique
L'énergie
W x
d'un signalx(t)
est dénie commesuitW x ≡
Z + ∞
−∞
x 2 (t) dt
(4.23)−5 0 5
−1
−0.5 0 0.5 1
(a)
−5 0 5
−1
−0.5 0 0.5 1
(b)
−5 0 5
−1
−0.5 0 0.5 1
(c)
temps
−5 0 5
−1
−0.5 0 0.5 1
(d)
temps
Fig.4.9.: Exemples de signaux déterministes:(a) périodique, (b)pseudo-aléatoire,
(c) quasi-périodique, (d) non-permanent
On dira que ce signal est à énergie nie si
W x < ∞
. Dans cette catégorie, onrencontre tous les signaux temporellement éphémères qu'ilssoientdéterministes ou
aléatoires.
Lapuissance moyenne
P x
d'un signalx(t)
est dénie parP x ≡ lim
T →∞
1 T
Z +T /2
− T /2
x 2 (t) dt ≡ X ef f 2
(4.24)On notera que cette dénition coïncide avec celle du carré de la valeur ecace du
signal
x(t)
. On dira que celui-ci est à puissance nie siP x < ∞
. Cette catégorieenglobe les signaux périodiques, quasi-périodiques et les signaux permanents aléa-
toires ou non. Dans le cas où le signal est périodique, la durée d'intégration
T
estprise égaleà une période du signal.
Certainssignauxthéoriques n'appartiennentàaucunede cescatégories;c'estlecas,
par exemple,de l'exponentielle
x(t) = e − at − ∞ < t < ∞
.4.4.3. Signaux types
Ande clarierleschoses,considéronscommeexempledesignaux-typeslessignaux
représentés à la gure 4.11. Le premier
x 1 (t) = A exp( − at) (t)
n'est ni périodiquenipermanent; dans la même catégorie, on peut placer lessignaux temporaires tels
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1 0 1
(a)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1 0 1
(b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1 0 1
(c)
temps
Fig.4.10.: Trois exemples de signaux aléatoires : (a) bruit blanc, (b) bruit large
bande, (c) bruit non-stationnaire
quelessignauxpériodiquesdeduréenieparexemple.Ledeuxième,unsignalcarré,
estpériodiqueetpermanent.Letroisièmeest unsignalpermanentquasi-périodique.
Le quatrième
x 4 (t)
est un signal aléatoire permanent pour lequel il n'existe pas dedescriptiontemporelle.
Signaux déterministes temporaires
Les signaux déterministes temporaires tels que
x 1 (t)
sont des signaux à puissancemoyenne nulle mais énergie nie. Ils possèdent un spectre continu déni par leur
densitéspectrale d'amplitude.Celle-ci n'est autre quela transformée de Fourier du
signal:
X(jf) = Z + ∞
−∞
x(t) exp( − j2πf t) dt [
V sec] = [
V/Hz]
(4.25)Leur énergiese calculesoit auniveau temporel
W x = Z + ∞
−∞
x 2 1 (t) dt
V
2
sec
soitdans ledomaine fréquentiel
W x = Z + ∞
−∞
S x (f ) df
V
2 /
Hz(4.26)
−5 0 5 10 15 20 25 0
0.5 1 x 1 (t)
−5 0 5 10 15 20 25
−1 0 1
x 2 (t)
−5 0 5 10 15 20 25
−1 0 1
x 3 (t)
−5 0 5 10 15 20 25
−1 0 1
x 4 (t)
temps
Fig. 4.11.:Quatre signaux types
àpartir de la densitéspectraled'énergie
S x (f)
exprimée en[
V2 /
Hz2 ]
S x (f) = X(jf ) · X(jf ) ∗ = | X(jf ) | 2
(4.27)Signaux permanents périodiques
Unsignaldéterministepermanent,par exemple
x 2 (t)
,est un signal périodique dontlapuissance est nie et l'énergieinnie.Sa descriptionspectrale peut se fairegrâce
àla transformée de Fourier du signal
X(jf ) = Z + ∞
−∞
x(t) exp( − j2πf t) dt [
V sec]
(4.28)Pour tous signaux périodiques, on obtient alors une densité spectrale d'amplitude
constituéed'impulsionsde Dirac.Cesimpulsionscorrespondentauxraiesspectrales
du signal périodique qui, commeon lesait, possède un spectre discret.
Plutôtque de travailleravec lesimpulsionsde Dirac, ilest alors plus simple etplus
pratiqued'en rester à ladescription bien connue des séries de Fourier
X (jk) = 1 T
Z +T /2
− T /2
x(t) exp( − j2πkf 0 t) dt [
V]
(4.29)Lapuissance des signaux périodiques se calculesoitau niveau temporel
P x = 1 T
Z +T /2
− T /2
x 2 (t) dt [
V2 ]
(4.30)soitdans ledomaine fréquentiel
P x =
+ ∞
X
k= −∞
| X(jk) | 2
V
2
(4.31)
Signaux permanents non périodiques
Unsignaldéterministepermanentestunsignaldontlapuissanceestnieetl'énergie
innie.L'exempleillustréparlesignalquasi-périodique
x 3 (t)
est constituédequatresinusïdes dont les fréquences ne sont pas dans un rapportrationnel. Sadescription
spectralepeut sefaire grâce àla transformée de Fourier du signal
X(jf ) = lim
T →∞
1 T
Z +T /2
− T /2
x(t) exp( − j 2πf t) dt [
V]
(4.32)etla puissance secalcule auxniveaux temporel oufréquentiel
P x = lim
T →∞
1 T
Z +T /2
− T /2
x 2 1 (t) dt = Z + ∞
−∞ | X(jf ) | 2
V
2
(4.33)
Signaux aléatoires
Lessignaux aléatoiressont des signaux permanentsqui ne peuvent pas être décrits
analytiquement.Lesdénitionsci-dessus sontdoncinutilisables.Cependant,dansle
cas oùl'on est en possessiond'une suitede valeursenregistrées de durée
T = N ∆t
,onpeut calculerlespectreetlapuissance de cette séquence de valeurs
x[n] = x(t = n ∆t)
:X(jf ) ' 1 N
N − 1
X
n=0
x[n] exp( − j2πf n∆t) [
V]
(4.34)P x ' 1 N
N − 1
X
n=0
x 2 [n]
V
2
(4.35)
Commelessignaux aléatoiresne sontpar dénitionpas descriptibles,ondoittenter
de trouver des modèles les représentant aussi bien que possible. Cela nous conduit
àles classerdans une des trois catégories types quisont :
les bruits à large bande dans lesquels toutes les fréquences sont présentes à am-
plitudeségales (à lalimite du bruit blanc);
les bruits à bande limitée dans lesquels les composantes hautes fréquences sont
nulles;
les bruitscolorés dans lesquels toutes les fréquences sontprésentes mais avec des
amplitudes variables.
Une illustration temporelle de ces trois bruits est donnée dans la gure 4.23. La
descriptionet analyse de ces signaux sera faitedans la section 4.8.
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(a)
Bruits: (a) large bande (b) bande limitée (c) coloré
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(c)
t
Fig. 4.12.: Troissignaux aléatoires
4.5. Comparaison des signaux
Une opération mathématique qui, de par sa forme, est très proche de la convolu-
tion est la fonction de corrélation de deux signaux. Cependant, contrairement à la
convolution, lebut de lacorrélation est de mesurer le degré de ressemblancede ces
signaux et d'extraire des informations qui, dans une large mesure, dépendent de
l'applicationconsidérée.
Lacorrélationestutiliséedanslesradars,lessonars,lescommunicationsnumériques,
ladétectionde signauxnoyésdans du bruit,la mesurede tempsde transmission, le
GPS (GlobalPositioningSystem), etc.
Danschaquecas,ondisposededeuxfonctions:lesignalderéférence
x(t)
etlesignalreçu
y(t)
.Ilfautalorstrouveruneopérationmathématiquepermettantdecomparer ces signaux etd'en mesurer la ressemblance oucorrélation. Ceci sefait simplementeneectuant l'intégraledu produitdes signauxquel'ondécaleprogressivementl'un
par rapport àl'autre.
Deuxillustrationsen sontdonnées danslesgures4.13et4.14.Danslapremière,on
compare deux signaux dont la superposition (maximum de ressemblance) apparaît
après un décalage temporel égal à 0.8. Dans la deuxième, on compare un signal
chirp (signal sinusoïdal dont la fréquence varie linéairement avec le temps) avec sa
version décalée. On y voitque la corrélation d'un tel signal avec sa version décalée
possèdeun maximumtrès biendéniàl'endroitcorrespondantaudécalagedesdeux
signaux.
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1 0
0.5 1
Exemple de corrélation
y(t)
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
−1 0 1
x(t), y(t+ τ )
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
−1 0 1
x(t) ⋅ y(t+ τ )
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
−0.1 0 0.1
r xy (+ τ )
temps
Fig. 4.13.: Intercorrélation de deux signaux
0 0.5 1 1.5 2 2.5 3
−1 0 1
Exemple de corrélation
y(t)
0 0.5 1 1.5 2 2.5 3
−1 0 1
x(t), y(t+ τ )
0 0.5 1 1.5 2 2.5 3
−1 0 1
x(t) ⋅ y(t+ τ )
0 0.5 1 1.5 2 2.5 3
−0.2 0 0.2 0.4
r xy (+ τ )
temps
Fig. 4.14.: Autocorrélation d'unsignal chirp
4.5.1. Corrélation de signaux à énergie nie
Intercorrélation de deux signaux
Considérantdeuxsignaux
x(t)
ety(t)
àénergienie,ondénitlafonctiond'intercorrélation (c)commel'intégrale du produit du signalx(t)
avec le signaly(t)
décaléd'une va-leur
τ
:r xy (τ ) = Z + ∞
−∞
x(t) y(t + τ ) dt
(4.36)Par changement de variable
θ = t + τ
, onmontre quer xy (τ) =
Z + ∞
−∞
x(θ − τ ) y(θ) dθ = r yx ( − τ )
(4.37)On voit ainsi que la fonction
r xy (τ )
est aussi la version retournée der yx (τ)
autourde l'ordonnée
Oy
.Commeonpeut leconstater, les fonctionsd'intercorrélation
Z + ∞
−∞
x(t) y(t + τ) dt = r xy (τ)
etde convolution
Z + ∞
−∞
x(θ) y(t − θ) dθ = x(t) ⊗ y(t)
sont formellement très proches. On montre qu'elles sont reliées entre elles par :
r xy (τ ) = x( − τ ) ⊗ y(τ)
(4.38)Cette relationvalable dans l'espace temps a bien entendu son équivalent dans l'es-
pace des fréquences :
R xy (jf ) = X ∗ (jf ) Y (jf )
(4.39)Autocorrélation d'un signal
Dansle cas particulier où
y(t) = x(t)
, onobtient lafonction d'autocorrélation (fac) du signalx(t)
:r xx (τ) = Z + ∞
−∞
x(t) x(t + τ) dt
(4.40)qui,pour un décalage nul, donne l'énergiedu signal
x(t)
:r xx (0) =
Z + ∞
−∞
x(t) 2 dt ≡ W x
(4.41)4.5.2. Corrélation de signaux à puissance nie
Danscecas,lessignauxsontpermanentsetpossèdentuneénergieinnimentgrande;
on ne peut donc pas utiliser les dénitions précédentes. Pour cette catégorie de
signaux,on redénit les deux fonctions de corrélation commesuit :
r xy (τ ) = lim
T →∞
1 T
Z +T /2
− T /2
x(t) y(t + τ ) dt
(4.42)r xx (τ ) = lim
T →∞
1 T
Z +T /2
− T /2
x(t) x(t + τ) dt
(4.43)Dansle cas d'un décalage nul, ontrouve la puissance du signal
x(t)
:r xx (0) = lim
T →∞
1 T
Z +T /2
− T /2
x(t) 2 dt ≡ X ef f 2 = P x
(4.44)Il est d'autre part évident que si les signaux sont périodiques, l'intégration se fera
sur une période seulement.
La gure 4.15 illustre des fonctions d'autocorrélation représentatives de quelques
signaux aléatoires. On y trouve successivement trois signaux dont les puissances
sont les mêmes,à savoir0.2
V
2 ef f
:
un bruit blanc gaussien : son caractère non prévisible est manifeste et il est
conrmé par l'étroitesse du picde la fac.
un bruit à large bande :ce signala étéobtenuen ltrantpasse-bas lebruitblanc.
Son contenu spectral moinsétendu fait qu'ilest raisonnablementpossible de pré-
voir une valeur future pas trop éloignée. Une mesure de cet horizon de prévision
est donnée par la largeurà mi-hauteurdu picde lafac.
un bruit à bande étroite : ce signal a été obtenu en ltrantle bruit blanc àl'aide
d'un ltre passe-bande. Son contenu fréquentiel étroit se manifeste par un com-
portementoscillantdemanièreassezrégulière.Cettepseudo-périodicitéestencore
plus facileàdéterminer àl'aidede safac :ellesemesurepar ladistance séparant
le piccentraldu premier piclatéral.
4.5.3. Propriétés de l'autocorrélation
On rappellera tout d'abord que la fonction d'autocorrélation consiste à décaler un
signalpar rapport àlui-même,puis àintégrer leproduitdes deux. On montre alors
aisémentque la fonctiond'autocorrélationpossèdeles propriétés suivantes :
1. Lorsque le décalage temporel est nul (
τ = 0
), la fac est égale à l'énergie dusignalpour lessignaux à énergienie :
r xx (0) = Z + ∞
−∞
x(t) 2 dt ≡ W x
(4.45)−2 −1 0 1 2
−1 0 1
x(t)
(a)
−2 −1 0 1 2
−0.2
−0.1 0 0.1 0.2
r xx (τ)
−2 −1 0 1 2
−1 0 1
(b)
−2 −1 0 1 2
−0.2
−0.1 0 0.1 0.2
−2 −1 0 1 2
−1 0 1
temps
(c)
−2 −1 0 1 2
−0.2
−0.1 0 0.1 0.2
décalage τ
Fig.4.15.: Quelques signaux etleur fonction d'autocorrélation
ou, àla puissance moyenne pour les signaux àpuissance nie :
r xx (0) = lim
T →∞
1 T
Z +T /2
− T /2
x(t) 2 dt ≡ P x
2. Comme la correspondance entre les 2 signaux ne peut pas être aussi forte
quelorsque lessignaux sesuperposent exactementcela entraîne quelafac est
maximumpour un décalage nul.On a donc :
r xx (0) ≥ r xx (τ)
(4.46)3. Lafac est une fonction paire :
r xx (τ ) = r xx ( − τ )
(4.47)4. Lafacd'un bruitblanc (ainsi appelépar analogieà lalumièreblanche consti-
tuéedetoutes lesfréquenceslumineuses)est uneimpulsionde Dirac.Eneet,
le bruit blanc étant formé d'une multitude de fréquences possédant la même
puissance, ilen résulte un signal variant sirapidement quesa valeur présente
estindépendantedes valeurs passéesetquesavaleur est nonnullepour
τ = 0
seulement. On a donc :
r xx (τ) = σ 2 δ(t)
(4.48)où
σ 2
est la variance du signal aléatoire; c'est également, comme on l'a vuplus haut, lapuissance du signal aléatoire.
5. La fac d'un signal périodique quelconque est une fonction périodique paire.
Considéronscomme exemplele signal
x(t) = A sin(ωt + α)
.On aalors :r xx (τ) = 1
T
Z +T /2
− T /2
x(t) x(t + τ) dt
= A 2 T
Z +T /2
− T /2
sin(ωt + α) sin(ω(t + τ ) + α) dt
d'où:
r xx (τ ) = A 2
2 cos(ωτ )
(4.49)Onremarqueainsi quel'amplitudede cettefacestlapuissance
A 2 /2
dusignalx(t)
et quelafac ne nous donne aucune informationsur la phaseα
du signal.6. Dans le cas d'un signal
x(t)
perturbé par du bruitn(t)
, il est possible deretrouver la fac du signal non perturbé. Considérant
y(t) = x(t) + n(t)
, on aen eet:
r yy (τ ) = lim
T →∞
1 T
Z +T /2
− T /2
(x(t) + n(t)) (x(t + τ) + n(t + τ)) dt
= lim
T →∞
1 T
Z +T /2
− T /2
(x(t) x(t + τ) + n(t) n(t + τ) · · ·
· · · + x(t) n(t + τ ) + n(t) x(t + τ)) dt
= r xx (τ ) + r nn (τ ) + r xn (τ ) + r nx (τ)
d'où:
r yy (τ) = r xx (τ) + r nn (τ) + r xn (τ ) + r nx (τ)
(4.50)Dans le cas où le signal
x(t)
et le bruitn(t)
ne sont pas corrélés, on a bienentendu
r xn (τ) = 0 = r nx (τ)
; ce qui donnenalement :r yy (τ ) = r xx (τ ) + r nn (τ )
(4.51)De plus, comme généralement la fac
r nn (τ)
du bruit tend rapidement vers 0,onvoit que, pour un décalage susamment grand, il restera la fac
r xx (τ )
dusignal
x(t)
.Uneillustrationde cettedernière propriété(gure4.16)montre commentl'autocor-
rélation permet d'extraire un signal noyé dans un bruit blanc. Dans cette gure,
le signal est une sinusoïde d'amplitude 1 volt et le bruit blanc possède une valeur
ecace de 5 volt.
Le signal extrait est reconnaissable mais encore perturbé par du bruit. Comme ce
bruit résidueldiminue avec la racine carrée du nombre d'échantillon, on voit qu'on
peut diminuer lebruit en augmentant le nombre d'échantillons enregistrés.
0 1 2 3 4 5 6 7 8 9 10
−20
−10 0 10 20
Signal + bruit avec 20’000 échantillons
x(t)
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 10 20 30
r xx ( τ )
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
r xx ( τ )
décalage τ
Fig.4.16.: Extraction d'un signalavec l'aide de l'autocorrélation
4.5.4. Propriétés de l'intercorrélation
Commepour lafonctiond'autocorrélation,onsecontenterad'énoncer lespropriétés
des fonctions d'intercorrélation :
1. Engénéral lac n'est ni paire, niimpaire.
2. Lemaximumde la c sesitue àl'endroitdu décalage correspondant aumaxi-
mumdesimilitudeentrelesdeuxsignaux.Cettepropriétéesttrèsutiliséepour
mesurer des temps de propagation.
3. Comme le fait de retarder
y(t)
par rapport àx(t)
d'une valeurτ
équivaut àavancer lesignal
x(t)
par rapport ày(t)
, onaura :r xy (τ ) = r yx ( − τ )
(4.52)4. Si les deux signaux sont périodiques de même période, la c sera également
périodique.
4.5.5. Calcul numérique de la corrélation
Lecalculnumériqued'unecorrélationsefaitenremplaçantl'intégralepar lasomme
du produit des valeurséchantillonnéesavec une période constante unité.
Danslecasoùl'onasusammentdepointsàdisposition,onpeutcalculerlasomme
sur
N
pointssans atteindre leslimites des signaux enregistrés. On a alors :r xy [k] = 1 N
N − 1
X
n=0
x[n] y[n + k], k min ≤ k ≤ k max
(4.53)Commeon l'a vu plus haut (équ. (4.39)), le calcul de l'intercorrélation peut égale-
mentsefairedansledomainefréquentielqui,pourlessignauxnumériques, sefaiten
utilisantla transformation de Fourier discrète(chapitre suivant).On obtientalors
R xy [jk] = 1
N X ∗ [jk] · Y [jk]
Dans le cas où l'on souhaite utiliser toutes les valeurs à disposition, le nombre
de points intervenant dans la somme diminue au fur et à mesure que le décalage
augmente. Pour éviter de biaiser le résultat de la corrélation, on la calcule alors
commesuit :
r xy [k] = 1 N − | k |
N −| k |
X
n=0
x[n] y[n + k], 0 ≤ k ≤ N − 1
(4.54)4.6. Exemples de corrélation
Lafonctiond'intercorrélationesttrèssouventutiliséepourdétecterlaprésenced'un
messageetmesurer un temps de propagation.Dans ce but, le signal émis est choisi
de manièreà ce que lepicde safonction d'autocorrélation soittrès bien déni. Les
signaux leplus souvent utilisésont les signaux chirp (à fréquence variable aucours
du temps)et lesséquences binaires pseudo-aléatoires.
4.6.1. Fonction de corrélation d'un signal chirp
Le signal chirp est un signal sinusoïdal dont la fréquence (ou la pulsation) varie
linéairement avec le temps.Il est dénicomme suit
x(t) = A sin(θ(t) + α)
avec
θ(t) = Z t
0
ω(t) dt ω(t) = ω min + ω max − ω min
t max
t 0 ≤ t ≤ t max
Safonction d'autocorrélationpossède unmaximum trèsbien dénicorrespondant à
lapuissance du signalqui vaut
A 2 /2
(gure 4.17).0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
−1
−0.5 0 0.5 1
Signal chirp
temps
x(t)
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5
−0.2
−0.1 0 0.1 0.2 0.3 0.4 0.5
Autocorrélation d’un signal chirp
décalage r xx ( τ )
Fig. 4.17.: Autocorrélation d'unsignal chirp
0 50 100 150 200 250
−1
−0.5 0 0.5 1
Séquence binaire pseudo−aélatoire
s[n]
temps n
−100 −50 0 50 100
−0.2 0 0.2 0.4 0.6 0.8 1 1.2
Autocorrélation d’une SBPA
décalage m r ss [m]
Fig.4.18.: Autocorrélation d'une SBPA
4.6.2. Fonction de corrélation d'une SBPA
Uneséquence binairepseudo-aléatoire(SBPA)estunesuccession devaleursbinaires
(généralement
± 1
) dont la distribution temporelle possède un caractère aléatoire pendant une certaine durée et qui ensuite se répète périodiquement. Sa fonctiond'autocorrélation possède également un pic très bien déni égal à la puissance
A 2
du signal (gure4.18).
4.7. Deux applications de la corrélation
4.7.1. Le radar
Commeexemple illustratif,imaginonsun systèmeradar avec lequelondésiredétec-
ter laprésence ounon d'un avionpuis connaître la distance à laquelle ilse trouve.
0 100 200 300 400 500 600 700 800 900 1000
−1
−0.5 0 0.5 1
Signal émis
0 100 200 300 400 500 600 700 800 900 1000
−0.1
−0.05 0 0.05 0.1
Signal reçu en présence de l’avion
Instants n
Fig. 4.19.:Signaux émis et reçus par un radar
Leradarémet un signal chirp
x(t)
etcapte en retourl'échoy(t)
renvoyé par l'avion(gure4.19).S'iln'yapas d'aviondans lazone couvertepar leradar, lesignalreçu
y(t)
est constitué d'un bruitn(t)
seulement.De plus, il est évident que si un avionest présent, le signal
y(t)
reçu en retour consiste en une version atténuée, retardée,etfortement bruitéedu signal émis
x(t)
. Ainsi,lesignal reçu peut être décrit par :y(t) = A x(t − t d ) + n(t)
avec :
A
=unefonctiond'atténuationdépendantde ladistance etde laformede l'aviont d
=le tempsmis par l'onde pour faire son aller etretour
n(t)
= lebruit additif captépar l'antenne et générépar l'électronique du radar.Pratiquement, le signal reçu est tellement perturbé par le bruit qu'une analyse vi-
suelleestincapablededécelerlaprésenceoul'absenced'unsignalrééchiparl'avion
(gure4.19).
0 100 200 300 400 500 600 700 800 900 1000
−0.1
−0.05 0 0.05 0.1
Signal reçu en l’abscence de l’avion
−500 −400 −300 −200 −100 0 100 200 300 400 500
−2
−1 0 1 2 3 4
5 x 10 −3 Intercorrélation en l’abscence de l’avion
décalage m
Fig. 4.20.: Intercorrélation entre un signalchirp etdu bruit
Les gures 4.20 et 4.21 illustrent le principe de l'utilisationd'un signal chirp pour
détecterun avionetmesurer sadistance. Considéronslesdeux situationssuivantes :
1. Absence d'un avion :Lesignalreçu
y(t)
est fortementatténué etperturbé.Seule une intercorrélation entre
x(t)
ety(t)
permet de savoir si un avion estprésent ou non. Dans ce dernier cas, aucun pic bien distinct n'apparaît dans
legraphe (gure4.20).
2. Présenced'un avion:Ici,l'intercorrélationfaitapparaîtreun pictrèsétroit
sedégageantnettementau-dessusdubruitdefond(gure4.21).Onnoteraque
ce pic est légèrement décalé vers la droite par rapportà la position centrale;
ce décalage correspond au temps d'aller et retour du signal émis. Unefois ce
tempsdéterminé,onpeut calculerladistance de l'avionpar rapportauradar.
4.7.2. La mesure d'un débit
On présente ici un débitmètre industrielréalisé par l'Institut d'AutomatisationIn-
dustriellede laheig-vd. Leprincipe,de mêmeque saréalisation, en est très simple.
0 100 200 300 400 500 600 700 800 900 1000
−0.1
−0.05 0 0.05 0.1
Signal reçu en présence de l’avion
−500 −400 −300 −200 −100 0 100 200 300 400 500
−2
−1 0 1 2 3 4
5 x 10 −3 Intercorrélation en présence de l’avion
Instants n
Fig. 4.21.: Intercorrélation entre un signal chirp et du bruit corrélé
Unecamérafournit régulièrementdesimagesd'un uxdegranulés (gure4.22).En
eectuantlacomparaisonparintercorrélationdedeuximagessuccessives,onobtient
un point lumineux se situant aux coordonnées du déplacement
∆y(t)
. Connaissant lasectionA
du conduit, on peut calculerle débit aucours du temps:Q(t) = A · ∆y(t)
∆t
La seule diculté de cette mesure réside dans le temps nécessaire pour calculer
l'intercorrélationen temps réel. En eet, si l'on imagine que l'on dispose d'images
de 100x400pixels, on doittraiter 40'000pixels par intercorrélation; ce quientraine
un nombre d'opérations valantenviron
N op ' N pxl 2 = 16 · 10 8
Même avec un DSP très performant(
T clock ' 10
ns), iln'est pas possible de fournirune information en moins d'une seconde. Par contre, en utilisant la FFT on peut
espérer fournir des résultats dans le temps imparti car celle-ci demande beaucoup
moinsd'opérations
N op ' N pxl
log2 (N pxl ) ' 40 · 10 3 · 15 = 6 · 10 5
L'algorithmede calculest alors lesuivant
1) acquisition de image1
2) acquisition de image2
3) FFT bidimensionnelle de image1 et image2 => IMG1 et IMG2
4) calcul de Rxy = conj(IMG1) * IMG2
5) FFT inverse pour obtenir rxy
6) recherche des coordonnées du maximum d'intensité
Unefoisces calculseectués, il reste encoresusamment de tempspourcalculer le
débitactuel, lisser cette valeur, acher lesimages, etc (gure 4.22).
Fig. 4.22.: Interface du débitmètrede granulés
4.8. Description des signaux aléatoires
Pardénition,lessignauxaléatoiresnepeuventpasêtredécritsanalytiquement.On
peut cependant, commeonl'avu plus haut, tenter de lesclasser dans une des trois
catégories types qui sont:
les bruits à large bande dans lesquels toutes les fréquences sont présentes à am-
plitudes égales(gure 4.23a);
les bruits à bande limitée dans lesquels les composantes hautes fréquences sont
nulles (gure 4.23b);
les bruitscolorés dans lesquels toutes les fréquences sontprésentes mais avec des
amplitudes variables (gure4.23c).
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(a)
Bruits: (a) large bande (b) bande limitée (c) coloré
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−1
−0.5 0 0.5 1
(c)
t
Fig. 4.23.: Troissignaux aléatoires
Commeaucune description analytiquen'est possible pour lessignaux aléatoires, on
tented'enextrairedespropriétésstatistiquestemporellesen utilisantleursfonctions
d'autocorrélation(fac)illustréesàlagure4.24.On endéduitquelafacdu premier
signalestextrêmentétroite;onlamodéliseparuneimpulsiondeDirac.Ladeuxième
fac rappelleune fonction en sinus cardinal.Enn, la troisième peut être modélisée
par une exponentielle décroissante symétrique.
On peut montrer que la transformée de Fourier de la fonction d'autocorrélation
fournit ladensité spectralede puissance
R xx (jf ) = Z + ∞
−∞
r xx (τ ) exp( − j 2πf τ ) dτ
V
2
sec
=
V
2 /
HzL'observation de la densité spectrale de puissance (gure 4.25) des trois signaux
permetdetirerquelques propriétésetde dénirdes modèlesreprésentantaussibien
quepossible chacune des trois densités spectrales de puissance.
−5 −4 −3 −2 −1 0 1 2 3 4 5
−0.5 0 0.5
1 (a)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−0.5 0 0.5
1 (b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
−0.5 0 0.5
1 (c)
τ
Fig.4.24.: Fonctions d'autocorrélation des trois bruits types
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 0.5
1 (a)
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 0.5
1 (b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 0.5
1 (c)
f
Fig.4.25.: Densités spectralesde puissance des trois bruits types
−5 −4 −3 −2 −1 0 1 2 3 4 5 0
0.5
1 (a)
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 0.5
1 (b)
−5 −4 −3 −2 −1 0 1 2 3 4 5
0 0.5 1
f (c)
Fig. 4.26.:Troismodèles de densités spectrales de puissance
4.8.1. Le bruit blanc à densité spectrale constante et bande
innie
Il contient toutes les fréquences de
−∞
à+ ∞
et sa densité spectrale de puissanceest constante. Il est alors représentépar
R xx (f) = A 2 − ∞ < f < + ∞
V
2 /
Hz(4.55)
dont la facest une impulsionde Dirac :
r xx (τ ) = A 2 · δ(τ)
V
2
(4.56)
Lethéorèmede Parsevalnousditalorsquesapuissance est innie.Est-cepossible?
Commela réponse est négative,on préfère travailleravec un modèle moins simple,
mais plus réaliste;c'est le bruit àdensité spectrale constante et àbande limitée
4.8.2. Le bruit à densité spectrale constante et bande limitée
Il contient toutes les fréquences de
− f max
à+f max
. Sa puissance nie est souventdésignéeparlavariancestatistique
σ x 2
quin'estautrequelecarrédelavaleurecaceX ef f 2
du signal.Ce bruit est alors représenté parR xx (f ) =
σ x 2
2 f max si − f max < f < +f max
V
2 /
Hz0 sinon
(4.57)
dont la facvaut
r xx (τ) = σ 2 x sin(2π f max τ)
2π f max τ − ∞ < τ < + ∞
V
2
(4.58)
4.8.3. Le bruit coloré à puissance nie
Il contient toutes les fréquences de
−∞
à+ ∞
. Maisson spectre diminuant avec lafréquence,sa puissance
σ x 2
est nie. Un modèle souvent utilisé est le suivant:R xx (f ) = σ x 2
πf c
1 1 +
f f c
2 − ∞ < f < + ∞
V
2 /
Hz(4.59)
dont la facvaut
r xx (τ) = σ 2 x · e − a | τ | − ∞ < τ < + ∞
V
2
(4.60)
avec
a = 2π f c [1/
sec]
(4.61)4.9. Systèmes linéaires et densités spectrales
Il est extrêment fréquent que l'on doive étudier des signaux reliés entre-eux par le
passageautravers d'un systèmelinéaire,par exempleun ltre. Celui-ciétantdécrit
par sa réponse impulsionnelle
h(t)
ou sa réponse fréquentielleH(jf )
, les signauxd'entrée
x(t)
etdesortiey(t)
sontalorsreliésentreeuxparlesrelationsbienconnues:y(t) =
Z + ∞
−∞
h(θ) x(t − θ) dθ
(4.62)Y (jf ) = H(jf) X(jf )
(4.63)où
X(jf )
etY (jf )
sontlesdensités spectrales d'amplitudedes signauxx(t)
ety(t)
.Sachant que lesdensités spectralesde puissance (ou d'énergie) valent :
R xx (f) = X(jf ) · X(jf ) ∗ = | X(jf ) | 2
(4.64)R yy (f ) = Y (jf ) · Y (jf ) ∗ = | Y (jf ) | 2
(4.65)onmontre aisément que les densités spectrales de puissance sont reliées entre elles
par larelation suivante:
R yy (f ) = | H(jf ) | 2 R xx (f)
(4.66)On peut également montrer que si
x(t)
ety(t)
sont reliés entre eux parh(t)
, leproduitde convolution s'appliqueaux fonctions de corrélation et l'on a:
r xy (τ ) = Z + ∞
−∞
h(θ) r xx (τ − θ) dθ
(4.67)R xy (f ) = H(jf ) R xx (f )
(4.68)Letableau 4.2réunit les relationsexistantentre les signaux, lesfonctions de corré-
lationet lesdensités spectrales.
Domaine temporel Domaine fréquentiel
Signaux
entrée
x(t) X(jf )
système
h(t) H(jf )
sortie
y(t) Y (jf )
relation
y(t) = h(t) ⊗ x(t) Y (jf ) = H(jf ) · X(jf )
Corrélation
entrée
r xx (τ ) R xx (f )
système
h(τ) H(jf )
sortie
r xy (τ ) R xy (jf )
relation
r xy (τ) = h(τ) ⊗ r xx (τ) R xy (jf ) = H(jf ) · R xx (f )
Densités spectrales
R yy (f) = | H(jf ) | 2 R xx (f)
Tab. 4.2.:Relations temporelles et fréquentielles
4.10. Énergie et puissance des signaux
Suivantlescaractéristiquesdessignaux,oncalculeraleurpuissancePouleurénergie
W.Ce calculpeut, bien entendu, sefairedans ledomainetemporel :
P = lim
T →∞
1 T
Z +T /2
− T /2
x 2 (t)dt
V
2
(4.69)
W = lim
T →∞
Z +T /2
− T /2
x 2 (t)dt
V
2
sec
(4.70)
oudans celui des fréquences :
P = Z + ∞
−∞
R(f) df
V
2
(4.71)
W = Z + ∞
−∞
S(f) df
V
2 /
Hz(4.72)
où
R(f) [
V2 /
Hz]
estladensitéspectraledepuissanceetS(f) [
V2 /
Hz2 ]
estladensitéspectraled'énergie.
4.10.1. Domaine temporel
Reprenons les signaux de la gure 4.11 et calculons leur puissance ou leur énergie
dans ledomainetemporel.
Signal temporaire
Soit
x 1 (t) = A exp( − at) (t)
; sa puissance moyenne est nulleet son énergie nie :P 1 = lim
T →∞
1 T
Z +T /2
− T /2
x 2 1 (t) dt = 0
W 1 = lim
T →∞
Z +T /2
− T /2
x 2 1 (t) dt = A 2
2a = A 2 τ
2 < ∞
V
2 /
Hz(4.73)
Signal périodique permanent
Soit
x 2 (t) = A signe(sin(2π f 0 t))
; sapuissance est nie etson énergieinni :P 2 = lim
T →∞
1 T
Z +T /2
− T /2
x 2 2 (t) dt = A 2 < ∞
V
2
(4.74)
W 2 = lim
T →∞
Z +T /2
− T /2
x 2 2 (t) dt → ∞
Signal aléatoire permanent
Unsignal aléatoireetpermanentpossède unepuissance nie etune énergieinnie :
P 3 = lim
T →∞
1 T
Z +T /2
− T /2
x 2 3 (t) dt = X 3,ef f 2 < ∞
V
2
(4.75)
W 3 = lim
T →∞
Z +T /2
− T /2
x 2 3 (t) dt → ∞
4.10.2. Domaine fréquentiel
Reprenant les signaux de la gure 4.11 et connaissant leur densité spectrale de
puissance ou d'énergie, on peut calculer leur puissance ouénergie dans le domaine
fréquentiel.
Signal temporaire
Son énergiese calculeaprès dénition de sadensité spectrale d'énergie
S 1 (f )
:S 1 (f) = | X 1 (jf ) | 2 =
A a + j2πf
2
= A 2
a 2 + (2πf ) 2
V
2 /
Hz2
(4.76)
W 1 = Z + ∞
−∞
S 1 (f ) df = Z + ∞
−∞
A 2
a 2 + (2πf ) 2 df = A 2 2a
V
2 /
Hz(4.77)