Module SIC3501: Signal, outils et applications

Marc Castella
Institut T´ el´ ecom; T´ el´ ecom SudParis Departement CITI, bur. D-205-02

marc.castella@it-sudparis.eu http://www-public.it-sudparis.eu/∼castella/

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 1/120

Organisation du module
5 cours (amphi) → synthèse du poly

3 conférences/cours (amphi) → aspects applicatifs par des professionnels 9 séances TD → exercices (liste sur ma page web) 2 TPs
TP1: analyse spectrale (FFT,. . . ) TP2: filtrage

L’examen contient: questions et QCM sur TPs, cours, conférences exercices documents téléchargeables à l’adresse:
http://www-public.it-sudparis.eu/∼castella/
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 2/120

Plan du cours
I. Caractérisation des signaux
Signaux déterministes, aléatoires, puissance, énergie, corrélation, densité spectrale

II. Filtrage et échantillonnage
Filtrage, convolution, Théorème de Shannon-Nyquist

III. Signaux à bande étroite et modulations
Transformée de Hilbert, signal analytique, enveloppe complexe, modulations

IV. Signaux à temps discret
Transformée en z, transformées de Fourier, filtres à temps discret

V. Signaux aléatoires
Stationnarité, ergodicité, autocorrélation, densité spectrale de puissance, bruit blanc
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 3/120

I. Caractérisation des signaux Signaux d´ eterministes, al´ eatoires ´ nergie, corr´ Puissance, e elation, densit´ e spectrale

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 4/120

Qu’est-ce qu’un signal?
signal = toute grandeur (physique ou non) qui contient une information. Cette grandeur dépend d’un paramètre (temps, espace, . . . )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 5/120

Qu’est-ce qu’un signal?
signal = toute grandeur (physique ou non) qui contient une information. Cette grandeur dépend d’un paramètre (temps, espace, . . . ) Exemples de signaux: son audio: scalaire temporel s(t) pression fonction de l’altitude: scalaire spatial image: scalaire bidimensionnel s(x, y ) vidéo: scalaire spatio-temporel s(x, y, t) signal acoustique stéréo: signal vectoriel image couleur, vidéo couleur,. . .
sg (t) sd (t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 5/120

Qu’est-ce qu’un signal?
signal = toute grandeur (physique ou non) qui contient une information. Cette grandeur dépend d’un paramètre (temps, espace, . . . ) Exemples de signaux: son audio: scalaire temporel s(t) pression fonction de l’altitude: scalaire spatial image: scalaire bidimensionnel s(x, y ) vidéo: scalaire spatio-temporel s(x, y, t) signal acoustique stéréo: signal vectoriel image couleur, vidéo couleur,. . . Traitement du signal = science de l’ingénieur concernée par les méthodes permettant de traiter l’information
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 5/120

sg (t) sd (t)

Traitement du signal en télécom
source message acquisition - codage compression mise en forme - modulation emission multiplexage
.

-autres utilisateurs milieu de transmission -bruit -attenuations 

 

? reception demodulation egalisation

decodage - decompression restitution

-

destinataire

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 6/120

Applications du traitement du signal
Télécommunications Image: restauration, débruitage, fusion de données, segmentation Sonar, radar: détection, classification, Acoustique et audio: annulation d’écho, reconnaissance de parole Instrumentation et capteurs → contrôle non destructif, surveillance Sismologie, géologie, optique, biomédical,. . .

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 7/120

Applications du traitement du signal
Télécommunications Image: restauration, débruitage, fusion de données, segmentation Sonar, radar: détection, classification, Acoustique et audio: annulation d’écho, reconnaissance de parole Instrumentation et capteurs → contrôle non destructif, surveillance Sismologie, géologie, optique, biomédical,. . .
⇒ TS à l’interface des sciences de l’ingénieur, de la

physique, des mathématiques appliquées

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 7/120

Continu / discret
x(t)

amplitude continue analogique

x(t)

amplitude discr` ete quantifi´ e

temps continu

t

t

x(t)

x(t)

temps discret

´ chantillonn´ e e

num´ erique

t

t

Souvent: numérique = digital ↔ échantillonné Il existe des signaux naturellement quantifiés
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 8/120

Signal déterministe/aléatoire
déterministe: évolution prévisible par un modèle Ex: signal de laboratoire, généré par un GBF (sinusoïde, créneau, échelon, . . . ) → x(t) est une fonction

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 9/120

Signal déterministe/aléatoire
déterministe: évolution prévisible par un modèle Ex: signal de laboratoire, généré par un GBF (sinusoïde, créneau, échelon, . . . ) → x(t) est une fonction aléatoire: signal non prévisible et non reproductible à l’identique Ex: bruit, signal de communication, signal issu d’une mesure,. . . → x(t) est une variable aléatoire à tout instant t

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 9/120

Signal déterministe/aléatoire
déterministe: évolution prévisible par un modèle Ex: signal de laboratoire, généré par un GBF (sinusoïde, créneau, échelon, . . . ) → x(t) est une fonction aléatoire: signal non prévisible et non reproductible à l’identique Ex: bruit, signal de communication, signal issu d’une mesure,. . . → x(t) est une variable aléatoire à tout instant t

Selon contexte, un même signal peut être vu comme aléatoire / déterministe → modèle Ex: signal sinusoïdal avec phase ou amplitude aléatoire / fluctuations au niveau «microscopique»
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 9/120

Signal déterministe/aléatoire
déterministe: évolution prévisible par un modèle Ex: signal de laboratoire, généré par un GBF (sinusoïde, créneau, échelon, . . . ) → x(t) est une fonction aléatoire: signal non prévisible et non reproductible à l’identique Ex: bruit, signal de communication, signal issu d’une mesure,. . . → x(t) est une variable aléatoire à tout instant t

Selon contexte, un même signal peut être vu comme aléatoire / déterministe → modèle Ex: signal sinusoïdal avec phase ou amplitude aléatoire / fluctuations au niveau «microscopique»
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 9/120

signaux aléatoires au dernier amphi. . .

Energie et puissance
Energie de x(t): Ex Puissance: Px
|x(t)|2 dt
T −T

R

1 lim T →∞ 2T

|x(t)|2 dt

→ Classification en énergie/puissance finie/infinie.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 10/120

Energie et puissance
Energie de x(t): Ex Puissance: Px
|x(t)|2 dt
T −T

R

1 lim T →∞ 2T

|x(t)|2 dt

→ Classification en énergie/puissance finie/infinie. ⇔ Px > 0 ⇒ Ex = ∞

énergie finie ⇒ puissance nulle

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 10/120

Energie et puissance
Energie de x(t): Ex Puissance: Px
|x(t)|2 dt
T −T

R

1 lim T →∞ 2T

|x(t)|2 dt

→ Classification en énergie/puissance finie/infinie. ⇔ Px > 0 ⇒ Ex = ∞

énergie finie ⇒ puissance nulle

Puissance et énergie sont sans dimension en TS. Si x(t): tension appliquée à une résistance R, |x(t)|2 puissance physique: Pelec (t) = R .

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 10/120

Exemples de signaux
impulsion rectangulaire ΠT (t) =
EΠT = T PΠT = 0 1 0

si t ∈ [−T /2, T /2] sinon.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 11/120

Exemples de signaux
impulsion rectangulaire ΠT (t) =
EΠT = T Eu = ∞ PΠT = 0 Pu = 1/2 1 0

si t ∈ [−T /2, T /2] sinon.

échelon de Heaviside u(t) = 1 si t ≥ 0, 0 sinon.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 11/120

Exemples de signaux
impulsion rectangulaire ΠT (t) =
EΠT = T Eu = ∞ Ex = ∞ PΠT = 0 Pu = 1/2 1 0

si t ∈ [−T /2, T /2] sinon.

échelon de Heaviside u(t) = 1 si t ≥ 0, 0 sinon. exponentielle complexe x(t) = Ceı2πf0 t
Px = |C |2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 11/120

Exemples de signaux
impulsion rectangulaire ΠT (t) =
EΠT = T Eu = ∞ Ex = ∞ PΠT = 0 Pu = 1/2 1 0

si t ∈ [−T /2, T /2] sinon.

échelon de Heaviside u(t) = 1 si t ≥ 0, 0 sinon. exponentielle complexe x(t) = Ceı2πf0 t sinusoïde y (t) = A cos(2πf0 t + ϕ)
Px = |C |2

Ey = ∞

Py = |A|2 /2
1 T0

signal T0 -périodique: Px =

T0 /2 2 dt | x ( t ) | −T0 /2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 11/120

Exemples de signaux
impulsion rectangulaire ΠT (t) =
EΠT = T Eu = ∞ Ex = ∞ PΠT = 0 Pu = 1/2 1 0

si t ∈ [−T /2, T /2] sinon.

échelon de Heaviside u(t) = 1 si t ≥ 0, 0 sinon. exponentielle complexe x(t) = Ceı2πf0 t sinusoïde y (t) = A cos(2πf0 t + ϕ)
Px = |C |2

Ey = ∞

Py = |A|2 /2
1 T0

signal T0 -périodique: Px =
Ev = ∞ Pv = ∞

T0 /2 2 dt | x ( t ) | −T0 /2

rampe linéaire v (t) = t si t ≥ 0, 0 sinon.
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 11/120

Signaux d’énergie finie
Utile de considérer les espaces vectoriels de signaux. En particulier: Energie finie ⇔ R |x(t)|2 dt < ∞ ⇔ x(t) ∈ L2 (R)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 12/120

Signaux d’énergie finie
Utile de considérer les espaces vectoriels de signaux. En particulier: Energie finie ⇔ R |x(t)|2 dt < ∞ ⇔ x(t) ∈ L2 (R) produit scalaire x, y
R

x(t)y ∗ (t) dt

norme et distance entre signaux:
1/2

x ˜−x =

R

|x ˜(t) − x(t)|2 dt

erreur quadratique moyenne inégalité de Cauchy-Schwarz: | x, y | ≤ x . y projection orthogonale

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 12/120

Transformée de Fourier
Transformée de Fourier:
x(t) −→ X (f )
TF

x(t)e−ı2πf t dt
R

Transformée inverse:
X (f ) −→ x(t) =
TF−1

X (f )eı2πf t df
R

Cas de signaux T0 -périodiques: série de Fourier x(t) =
k ∈Z

Xk e

ı2πk Tt

0

1 Xk = T0

T0 0

x(t)e

−ı2πk Tt

0

dt

Signal périodique ↔ Spectre de raies discrètes

|X (f )| (ou |Xk |) donne le spectre en amplitude.
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 13/120

Propriétés de la TF (1/2)
Linéarité
⇒ symétrie hermitienne de la TF d’un signal réel
TF

Symétrie x∗ (t) −→ X ∗ (−f )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 14/120

Propriétés de la TF (1/2)
Linéarité
⇒ symétrie hermitienne de la TF d’un signal réel
TF

Symétrie x∗ (t) −→ X ∗ (−f ) Théorème du retard

x(t − t0 ) −→ e−ı2πf t0 X (f )

TF

- Modulation
e
ı2πf0 t

x(t) −→ X (f − f0 )

TF

⇒ La multiplication par eı2πf0 t translate le spectre

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 14/120

Propriétés de la TF (2/2)
1 f Changement d’échelle x(at) −→ X ( ) |a| |a|
TF

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 15/120

Propriétés de la TF (2/2)
1 f Changement d’échelle x(at) −→ X ( ) |a| |a|
TF

Dérivation

dx(t) TF −→ ı2πf X (f ) dt

1 dX (f ) tx(t) −→ − ı2π df
TF

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 15/120

Propriétés de la TF (2/2)
1 f Changement d’échelle x(at) −→ X ( ) |a| |a|
TF

Dérivation

dx(t) TF −→ ı2πf X (f ) dt

1 dX (f ) tx(t) −→ − ı2π df
TF

Convolution x(t) ⋆ y (t)
R TF

x(θ)y (t − θ) dθ

x(t) ⋆ y (t) −→ X (f )Y (f )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 15/120

Propriétés de la TF (2/2)
1 f Changement d’échelle x(at) −→ X ( ) |a| |a|
TF

Dérivation

dx(t) TF −→ ı2πf X (f ) dt

1 dX (f ) tx(t) −→ − ı2π df
TF

Convolution x(t) ⋆ y (t)
R TF

x(θ)y (t − θ) dθ

x(t) ⋆ y (t) −→ X (f )Y (f )

relation de Parseval:
R

|x(t)|2 dt =

R

|X (f )|2 df
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 15/120

Limitations d’une analyse par TF
Transformée de Fourier est adaptée à de nombreux signaux mais: Caractérisation globale ⇒ obligatoirement temps différé

Difficulté de synthèse des signaux ayant des irrégularités locales Difficulté à analyser certains signaux
→ Il existe d’autres représentations conjointes

en temps/fréquence (transformée de Fourier à court terme, Wigner-Ville) en temps/échelle (transformée en ondelettes)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 16/120

Inter- et auto-corrélation
Signaux d’énergie finie: Inter-corrélation de x(t) et y (t) en énergie:
e Rxy (τ )

R

x(t)y ∗ (t − τ ) dt,

∀τ ∈ R

e (τ ) Autocorrélation de x(t): Rx

e (τ ) Rxx

Signaux de puissance finie: Inter-corrélation de x(t) et y (t) en puissance:
p (τ ) Rxy

1 lim T →∞ 2T

T −T

x(t)y ∗ (t − τ ) dt,
p (τ ) Rxx

∀τ ∈ R

p (τ ) Auto-corrélation de x(t): Rx

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 17/120

Corrélation: exemple
x(t) = ΠL (t) = x(t)
1 0 si t ∈ [−L/2, L/2] sinon.

t

L
Rx (τ ) = ΠL (t)Π∗ L (t − τ ) dt

R

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 18/120

Corrélation: exemple
x(t) = ΠL (t) = x(t)
1 0 si t ∈ [−L/2, L/2] sinon.

x(t − τ ) t

L
Rx (τ ) =

τ ΠL (t)Π∗ L (t − τ ) dt 0

=

si |τ | > L,

R

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 18/120

Corrélation: exemple
x(t) = ΠL (t) = x(t) x(t − τ ) t
1 0 si t ∈ [−L/2, L/2] sinon.

Rx (τ ) τ −L L

L
Rx (τ ) =

τ ΠL (t)Π∗ L (t − τ ) dt

=

R

0 L − |τ |

si |τ | > L, si |τ | ≤ L

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 18/120

Corrélation: exemple
x(t) = ΠL (t) = x(t) x(t − τ ) t
1 0 si t ∈ [−L/2, L/2] sinon.

Rx (τ ) τ −L L

L
Rx (τ ) =

τ ΠL (t)Π∗ L (t − τ ) dt

=

R

0 L − |τ |

si |τ | > L, si |τ | ≤ L

Interprétation: Rxy (τ ) = x(.), y (. − τ ) corrélation ↔ mesure de ressemblance (colinéarité) entre les signaux
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 18/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

Symétrie hermitienne:
e Rxy (−τ )

=
R

x(t)y (t+τ ) dt =
R

x(t−τ )y (t) dt =

∗ e Ryx (τ )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

Symétrie hermitienne:
e Rxy (−τ )

=

∗ e Ryx (τ )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

Symétrie hermitienne:
e Rxy (−τ )

=

∗ e Ryx (τ )

Majoration (Cauchy-Schwarz):
e (τ )| = | x(.), y (. − τ ) | ≤ |Rxy

1/2

R

|x(t)|2 dt

R

|y (t − τ )|2 dt

=

e (0)Re (0) Rx y

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

Symétrie hermitienne:
e Rxy (−τ )

=

∗ e Ryx (τ )

Majoration (Cauchy-Schwarz):
e |Rxy (τ )| ≤ e (0)Re (0) Rx y

e (τ )| ≤ Re (0): autocorrélation maximale en zéro. → |Rx x

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Propriétés de la corrélation
e (0) = E : énergie du signal. ⇒ Re (0) > 0 Rx x x

Symétrie hermitienne:
e Rxy (−τ )

=

∗ e Ryx (τ )

Majoration (Cauchy-Schwarz):
e |Rxy (τ )| ≤ e (0)Re (0) Rx y

e (τ )| ≤ Re (0): autocorrélation maximale en zéro. → |Rx x

Semi-définie positivité (
N i,j =1

˛2 R ˛ ˛PN ˛ en effet: R ˛ i=1 λi x(t − ti )˛ dt ≥ 0

)

e λi λ∗ R j x (tj − ti ) ≥ 0,

(λi ∈ C, ti ∈ R)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 19/120

Utilisation de la corrélation
Cas d’un signal RADAR: signal émis: x(t) signal reçu: y (t) = ρx(t − t0 ) version atténuée et retardée de x(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 20/120

Utilisation de la corrélation
Cas d’un signal RADAR: signal émis: x(t) signal reçu: y (t) = ρx(t − t0 ) version atténuée et retardée de x(t)
e (τ ) = Ryx

R

y (θ)x∗ (τ − θ) dθ ρx(θ − t0 )x∗ (τ − θ) dθ

=
R

e (τ − t0 ) = ρRx

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 20/120

Utilisation de la corrélation
Cas d’un signal RADAR: signal émis: x(t) signal reçu: y (t) = ρx(t − t0 ) version atténuée et retardée de x(t)
e (τ ) = Ryx

R

y (θ)x∗ (τ − θ) dθ ρx(θ − t0 )x∗ (τ − θ) dθ

=
R

e (τ − t0 ) = ρRx

Illustration dans un cas particulier: robustesse!

⇒ Corrélation maximale pour τ = t0

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 20/120

Spectre (Ex < ∞)
Densité spectrale d’énergie:
e e Rx (τ ) −→ Sx (f ) TF

Propriété essentielle:
R

e e Sx (f ) df = Rx (0) = Ex

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 21/120

Spectre (Ex < ∞)
Densité spectrale d’énergie:
e e Rx (τ ) −→ Sx (f ) TF

Propriété essentielle:
R

e e Sx (f ) df = Rx (0) = Ex

Pour un signal déterministe, d’énergie finie:
e (f ) = |X (f )|2 Sx

On retrouve l’identité de Parseval car:
Ex =
R

|x(t)|2 dt =

R

|X (f )|2 df

⇒ Energie dans une bande de fréquences =

intégrale densité spectrale d’énergie

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 21/120

Encore quelques définitions
e (f ): Densité interspectrale d’énergie Sxy TF e Rxy (τ ) −→ e (f ) Sxy

Cas non traités: Signaux de puissance finie ( spectrale de puissance): Signaux temps discrets: Signaux aléatoires:

densité
T −T

1 ↔ lim T →∞ 2T ↔

↔ E {.}

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 22/120

II. Filtrage et échantillonnage Filtrage, convolution Th´ eor` eme de Shannon-Nyquist

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 23/120

Système
Energie, corrélation, densité spectrale → caractérisation des signaux. Que deviennent ces grandeurs lors: transmission du signal (canal de propagation,. . . ) traitement du signal (restauration au récepteur,. . . ) toute autre modification

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 24/120

Système
Energie, corrélation, densité spectrale → caractérisation des signaux. Que deviennent ces grandeurs lors: transmission du signal (canal de propagation,. . . ) traitement du signal (restauration au récepteur,. . . ) toute autre modification Système: dispositif qui à un signal d’entrée associe un signal de sortie
x(t) L[.] y (t) = L[x(τ ), τ ∈ R](t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 24/120

Propriétés possibles des systèmes
linéarité
λ1 x1 (t) +λ2 x2 (t) L[.] y (t) = λ1 y1 (t) + λ2 y2 (t)
= λ1 L[x1 (τ ), τ ∈ R](t) + λ2 L[x2 (τ ), τ ∈ R](t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 25/120

Propriétés possibles des systèmes
linéarité
λ1 x1 (t) +λ2 x2 (t) x(t) L[.] y (t) = λ1 y1 (t) + λ2 y2 (t)
= λ1 L[x1 (τ ), τ ∈ R](t) + λ2 L[x2 (τ ), τ ∈ R](t)

instantanéité: la sortie ne dépend que du présent
L[.] y (t) = L[x(τ ), τ ∈ R](t) = L[x(t)](t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 25/120

Propriétés possibles des systèmes
linéarité
λ1 x1 (t) +λ2 x2 (t) x(t) L[.] y (t) = λ1 y1 (t) + λ2 y2 (t)
= λ1 L[x1 (τ ), τ ∈ R](t) + λ2 L[x2 (τ ), τ ∈ R](t)

instantanéité: la sortie ne dépend que du présent
L[.] y (t) = L[x(τ ), τ ∈ R](t) = L[x(t)](t)

causalité: la sortie ne dépend que du passé
x(t) L[.] y (t) = L[x(τ ), τ ∈ R](t) = L[x(τ ), τ ≤ t](t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 25/120

Propriétés possibles des systèmes
linéarité
λ1 x1 (t) +λ2 x2 (t) x(t) L[.] y (t) = λ1 y1 (t) + λ2 y2 (t)
= λ1 L[x1 (τ ), τ ∈ R](t) + λ2 L[x2 (τ ), τ ∈ R](t)

instantanéité: la sortie ne dépend que du présent
L[.] y (t) = L[x(τ ), τ ∈ R](t) = L[x(t)](t)

causalité: la sortie ne dépend que du passé
x(t) L[.] y (t) = L[x(τ ), τ ∈ R](t) = L[x(τ ), τ ≤ t](t)

invariance:
x(t) = x(t − t0 ) L[.] y (t) = L[x(τ ), τ ∈ R](t − t0 ) = y (t − t0 )
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 25/120

Exemples de systèmes
linéaire instantané causal invariant
y (t) = x(t)2 y (t) = sin(x(t)) y (t) = m(t)x(t)
+∞

non non oui oui oui oui

oui oui oui non non non

oui oui oui non non oui

oui oui non non oui oui

y (t) =
−∞

h(t, θ)x(θ) dθ
t+ α

1 y (t) = 2α 1 y (t) = 2α

x(θ) dθ
t− α t

x(θ) dθ
t−2α

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 26/120

Filtre
Filtre = système linéaire, invariant dans le temps (et continu)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 27/120

Filtre
Filtre = système linéaire, invariant dans le temps (et continu)
x(t)

Exemple: filtre RC
(t) C dy dt = i(t) x(t) = Ri(t) + y (t)

R

y (t) C

dy (t) ⇒ RC + y (t) = x(t) dt
t 0

1 Solution (nulle en 0): y (t) = RC

x(θ)e

−θ −t RC

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 27/120

Filtre
Filtre = système linéaire, invariant dans le temps (et continu)
x(t)

Exemple: filtre RC
(t) C dy dt = i(t) x(t) = Ri(t) + y (t)

R

y (t) C

dy (t) ⇒ RC + y (t) = x(t) dt
t 0

1 Solution (nulle en 0): y (t) = RC

x(θ)e

−θ −t RC

Invariance: composants ne vieillissent pas Linéarité: principe de superposition Continuité: admise (justification physique)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 27/120

Filtrage d’un signal exponentiel
Avec x(t) = z t en entrée (z ∈ C):
y (t0 ) = L[x(τ ), τ ∈ R](t0 ) = L[z τ , τ ∈ R](t0 ) = L[z τ −t0 +t0 , τ ∈ R](t0 )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 28/120

Filtrage d’un signal exponentiel
Avec x(t) = z t en entrée (z ∈ C):
y (t0 ) = L[x(τ ), τ ∈ R](t0 ) = L[z τ , τ ∈ R](t0 ) = L[z τ −t0 +t0 , τ ∈ R](t0 )

linéarité

= z t0 L[z τ −t0 , τ ∈ R](t0 ) = z t0 L[x(τ − t0 ), τ ∈ R](t0 )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 28/120

Filtrage d’un signal exponentiel
Avec x(t) = z t en entrée (z ∈ C):
y (t0 ) = L[x(τ ), τ ∈ R](t0 ) = L[z τ , τ ∈ R](t0 ) = L[z τ −t0 +t0 , τ ∈ R](t0 )

linéarité invariance

= z t0 L[z τ −t0 , τ ∈ R](t0 ) = z t0 L[x(τ − t0 ), τ ∈ R](t0 ) = z t0 L[x(τ ), τ ∈ R](t0 − t0 ) = y (0)z t0

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 28/120

Filtrage d’un signal exponentiel
Avec x(t) = z t en entrée (z ∈ C):
y (t0 ) = L[x(τ ), τ ∈ R](t0 ) = L[z τ , τ ∈ R](t0 ) = L[z τ −t0 +t0 , τ ∈ R](t0 )

linéarité invariance

= z t0 L[z τ −t0 , τ ∈ R](t0 ) = z t0 L[x(τ − t0 ), τ ∈ R](t0 ) = z t0 L[x(τ ), τ ∈ R](t0 − t0 ) = y (0)z t0

Les signaux t → z t (z ∈ C) sont des signaux propres des filtres dépend de z
x(t) = z t L[.] y (t) = y (0)z t

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 28/120

Filtrage d’un signal exponentiel
Avec x(t) = z t en entrée (z ∈ C):
y (t0 ) = L[x(τ ), τ ∈ R](t0 ) = L[z τ , τ ∈ R](t0 ) = L[z τ −t0 +t0 , τ ∈ R](t0 )

linéarité invariance

= z t0 L[z τ −t0 , τ ∈ R](t0 ) = z t0 L[x(τ − t0 ), τ ∈ R](t0 ) = z t0 L[x(τ ), τ ∈ R](t0 − t0 ) = y (0)z t0

Les signaux t → z t (z ∈ C) sont des signaux propres des filtres dépend de z
x(t) = z t eı2πf0 t L[.] y (t) = y (0)z t H (f0 )eı2πf0 t
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 28/120

Relation entrée-sortie d’un filtre
eı2πf0 t L[.] H (f0 )eı2πf0 t

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 29/120

Relation entrée-sortie d’un filtre
eı2πf0 t
(linéarité)
ı2πfk t X e k k

L[.]

H (f0 )eı2πf0 t
ı2πfk t H ( f ) X e k k k

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 29/120

Relation entrée-sortie d’un filtre
eı2πf0 t
(linéarité) (+ continuité)
ı2πfk t X e k k

L[.]

H (f0 )eı2πf0 t
ı2πfk t H ( f ) X e k k k

x(t) =
R

X (f )eı2πf t df

y (t) =
R

H (f )X (f )eı2πf t df

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 29/120

Relation entrée-sortie d’un filtre
eı2πf0 t
(linéarité) (+ continuité)
ı2πfk t X e k k

L[.]

H (f0 )eı2πf0 t
ı2πfk t H ( f ) X e k k k

x(t) =
R

X (f )eı2πf t df

y (t) =
R

H (f )X (f )eı2πf t df

L’entrée et la sortie d’un filtre sont liées par:
Y (f ) = H (f )X (f ) ⇒ H (f ) = réponse fréquentielle |H (f )| = gain en fréquence ArgH (f ) = phase du filtre

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 29/120

Relation entrée-sortie d’un filtre
eı2πf0 t
(linéarité) (+ continuité)
ı2πfk t X e k k

L[.]

H (f0 )eı2πf0 t
ı2πfk t H ( f ) X e k k k

x(t) =
R

X (f )eı2πf t df

y (t) =
R

H (f )X (f )eı2πf t df

L’entrée et la sortie d’un filtre sont liées par:
Y (f ) = H (f )X (f ) ⇒ ⇐⇒ y (t) = h(t) ⋆ x(t)
TF−1

H (f ) = réponse fréquentielle −→ h(t) |H (f )| = gain en fréquence ArgH (f ) = phase du filtre

h(t) = réponse impulsionnelle du filtre

convolution!

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 29/120

Convolution et filtrage, exemples
x(t) X (f ) y (t) = h(t) ⋆ x(t) =
R

h(t) H (f )

y (t) = h(t) ⋆ x(t) Y (f ) = H (f )X (f ) h(t−θ)x(θ) dθ

h(θ)x(t − θ) dθ =

R

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 30/120

Convolution et filtrage, exemples
x(t) X (f ) y (t) = h(t) ⋆ x(t) =
R 1 T

h(t) H (f )

y (t) = h(t) ⋆ x(t) Y (f ) = H (f )X (f ) h(t−θ)x(θ) dθ x(θ) dθ
t−T /2

h(θ)x(t − θ) dθ =
T 2

R

Ex: h(t) =

0

si |t| ≤ sinon

1 → y (t) = T

t+T /2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 30/120

Convolution et filtrage, exemples
x(t) X (f ) y (t) = h(t) ⋆ x(t) =
R 1 T

h(t) H (f )

y (t) = h(t) ⋆ x(t) Y (f ) = H (f )X (f ) h(t−θ)x(θ) dθ x(θ) dθ
t−T /2

h(θ)x(t − θ) dθ =
T 2

R

Ex: h(t) =

0

si |t| ≤ sinon

1 → y (t) = T

t+T /2

Pour une image: 2D et discret (pixels)
y (u, v ) = h(θ, ξ )x(u − θ, v − ξ ) dθdξ

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 30/120

Convolution et filtrage, exemples
x(t) X (f ) y (t) = h(t) ⋆ x(t) =
R 1 T

h(t) H (f )

y (t) = h(t) ⋆ x(t) Y (f ) = H (f )X (f ) h(t−θ)x(θ) dθ x(θ) dθ
t−T /2

h(θ)x(t − θ) dθ =
T 2

R

Ex: h(t) =

0

si |t| ≤ sinon

1 → y (t) = T

t+T /2

Pour une image: 2D et discret (pixels)
ym,n =
k ∈Z l ∈Z

hk,l xm−k,n−l

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 30/120

Convolution et filtrage, exemples
x(t) X (f ) y (t) = h(t) ⋆ x(t) =
R 1 T

h(t) H (f )

y (t) = h(t) ⋆ x(t) Y (f ) = H (f )X (f ) h(t−θ)x(θ) dθ x(θ) dθ
t−T /2

h(θ)x(t − θ) dθ =
T 2

R

Ex: h(t) =

0

si |t| ≤ sinon

1 → y (t) = T

t+T /2

Pour une image: 2D et discret (pixels)
ym,n =
k ∈Z l ∈Z

hk,l xm−k,n−l

Si un seul pixel blanc dans xm,n : x0,0 = 1 et xm,n = 0 si m = 0 ou n = 0 Alors: ym,n = hm,n

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 30/120

Insuffisance des fonctions
Comment modéliser l’équivalent d’un pixel?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 31/120

Insuffisance des fonctions
Comment modéliser l’équivalent d’un pixel? Ex1: charge d’un condensateur i(t)
i(t) Q(t) =
−∞ t

Q(t)

i(θ) dθ t 0

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 31/120

Insuffisance des fonctions
Comment modéliser l’équivalent d’un pixel? Ex1: charge d’un condensateur i(t)
i(t) Q(t) =
−∞ t

Q(t)

i(θ) dθ t 0

i(t) = 0 pour t = 0 et

∞ −∞ i(t) dt

= Q0 (charge finale)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 31/120

Insuffisance des fonctions
Comment modéliser l’équivalent d’un pixel? Ex1: charge d’un condensateur i(t)
i(t) Q(t) =
−∞ t

Q(t)

i(θ) dθ t 0

i(t) = 0 pour t = 0 et

∞ −∞ i(t) dt

= Q0 (charge finale)

Ex2: densité de charge/masse
Q=
V

ρ(r) dr δr0 (r) dr avec
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 31/120

Charge en r0 : Q0 = δr0 nulle sauf en r0 .

Impulsion de Dirac δ (t)
a ∈ R fixé quelconque.

Pour tout signal x(t): R δ (θ)x(θ) dθ = x(0) (définition) et plus généralement:
δ (a − θ)x(θ) dθ = x(a)

δ (t − a) t a

R

δ (θ)x(a − θ) dθ =

R

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 32/120

Impulsion de Dirac δ (t)
a ∈ R fixé quelconque.

Pour tout signal x(t): R δ (θ)x(θ) dθ = x(0) (définition) et plus généralement:
δ (a − θ)x(θ) dθ = x(a)

δ (t − a) t a

R

δ (θ)x(a − θ) dθ =

R

Propriétés:
x(t)δ (t − a) = x(a)δ (t − a) x(t) ⋆ δ (t) = x(t) et x(t) ⋆ δ (t − t0 ) = x(t − t0 )

dérivation en cas de «saut»:
où u(t) = échelon unité.

du(t) dt

= δ (t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 32/120

Spectre de raies
Signaux périodiques: ∈ / L1 (R) et ∈ / L2 (R)! Dirac et transformée de Fourier:
e
ı2πf0 t TF TF −ı2πf t0

−→ δ (f − f0 )

δ (t − t0 ) −→ e

δ (t) −→ 1

TF

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 33/120

Spectre de raies
Signaux périodiques: ∈ / L1 (R) et ∈ / L2 (R)! Dirac et transformée de Fourier:
e
ı2πf0 t TF TF −ı2πf t0

−→ δ (f − f0 )

δ (t − t0 ) −→ e

δ (t) −→ 1

TF

Spectre de raies:
x(t) =
k ∈Z

ck e

k t TF ı2π T

−→ X (f ) =

k ∈Z

k ck δ (f − ) T

c−1 c−2

|X (f )| c0 c1 0
1 T

c2

f
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 33/120

Filtrage d’un Dirac
Réponse impulsionnelle:
x(t) y (t) = h(t) ⋆ x(t)

h(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 34/120

Filtrage d’un Dirac
Réponse impulsionnelle:
x(t) δ (t) y (t) = h(t) ⋆ x(t) = h(t) ⋆ δ (t) = h(t) → réponse à une impulsion de Dirac

h(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 34/120

Filtrage d’un Dirac
Réponse impulsionnelle:
x(t) δ (t) y (t) = h(t) ⋆ x(t) = h(t) ⋆ δ (t) = h(t) → réponse à une impulsion de Dirac

h(t)

Ex: mesure de la valeur instantanée x(t) Appareil non idéal: (temps de réponse = 0,. . . )
1 y (t) = T
t t− T

h(t) x(θ) dθ ←→
1 T

t T

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 34/120

Filtrage d’un Dirac
Réponse impulsionnelle:
x(t) δ (t) y (t) = h(t) ⋆ x(t) = h(t) ⋆ δ (t) = h(t) → réponse à une impulsion de Dirac

h(t)

Ex: mesure de la valeur instantanée x(t) Appareil non idéal: (temps de réponse = 0,. . . )
1 y (t) = T
t t− T

h(t)δ (t) x(θ) dθ = x(t) ←→
1 T

limite «T = 0»
t T

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 34/120

Filtrage des signaux
x(t) X (f ) h(t) H (f ) y (t) Y (f )

Signaux d’énergie finie, Y (f ) = H (f )X (f ) et donc:
|Y (f )|2 = |H (f )|2 |X (f )|2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 35/120

Filtrage des signaux
x(t) X (f ) h(t) H (f ) y (t) Y (f )

Signaux d’énergie finie, Y (f ) = H (f )X (f ) et donc:
|Y (f )|2 = |H (f )|2 |X (f )|2

Pour la densité spectrale d’énergie ou puissance en général:
Sy (f ) = |H (f )|2 Sx (f )

et pour les auto-corrélations: Ry (τ ) = Rh (τ ) ⋆ Rx (τ )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 35/120

Filtrage des signaux
x1 (t) X1 (f ) h1 (t) H1 (f ) y1 (t) Y1 (f ) x2 (t) X2 (f ) h2 (t) H2 (f ) y2 (t) Y2 (f )

Signaux d’énergie finie, Y (f ) = H (f )X (f ) et donc:
|Y (f )|2 = |H (f )|2 |X (f )|2

Pour la densité spectrale d’énergie ou puissance en général:
Sy (f ) = |H (f )|2 Sx (f )

et pour les auto-corrélations: Ry (τ ) = Rh (τ ) ⋆ Rx (τ ) Généralisation: Sy1 y2 (f ) = H1 (f )H2 (f )∗ Sx1 x2 (f ) (formule des interférences)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 35/120

Causalité
Soit un filtre de réponse impulsionnelle h(t). Filtre causal ⇔ h(t) = 0 ∀t < 0.

↔ sortie y (t) =

0

h(θ)x(t − θ) dθ ne dépend alors

→ Un filtre causal n’anticipe pas l’avenir.

que des valeurs de x(τ ), τ ≤ t.

Causalité vérifiée pour les systèmes physiques, mais pas toujours imposée ni nécessaire selon le contexte (ex: traitement d’une bande son pré-enregistrée)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 36/120

Stabilité
Soit un filtre de réponse impulsionnelle h(t). Filtre stable: lorsque à toute entrée bornée correspond une sortie bornée. Filtre stable ⇔
R

|h(t)| dt < +∞

- Il existe d’autres notions de stabilité (ex: entrée transitoire ↔ sortie tend vers 0 à l’∞)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 37/120

Retard de phase / de groupe
Etude d’un milieu de propagation: équations de la physique à une fréquence → réponse à une excitation sinusoïdale permanente milieu dispersif ↔ réponse différente selon f
H (f ) = A(f )eı2πφ(f )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 38/120

Retard de phase / de groupe
Etude d’un milieu de propagation: équations de la physique à une fréquence → réponse à une excitation sinusoïdale permanente milieu dispersif ↔ réponse différente selon f
H (f ) = A(f )eı2πφ(f )

Filtre: autour de f0 , φ(f ) ≈ φ0 + dφ df |f0 (f − f0 ) temps de propagation de phase: τP (f0 ) temps de propagation de groupe: τg (f0 )
→ importance des filtres à phase linéaire

φ0 − f0 dφ − |f0 df

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 38/120

De l’analogique au temps discret
Soit x(t), t ∈ R un signal à temps continu.

échantillonner x(t) = recueillir une suite discrète de valeurs et former le signal à temps discret
xn x(nT e), n ∈ Z

Te = période d’échantillonnage fe = 1/Te = fréquence d’échantillonnage

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 39/120

De l’analogique au temps discret
Soit x(t), t ∈ R un signal à temps continu.

échantillonner x(t) = recueillir une suite discrète de valeurs et former le signal à temps discret
xn x(nT e), n ∈ Z

Te = période d’échantillonnage fe = 1/Te = fréquence d’échantillonnage

Se contenter des échantillons xn au lieu de x(t)? Est-ce possible sans perdre d’information?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 39/120

Signal échantillonné temps continu
Peigne de Dirac: ∐ ∐Te (t) =
δ (t − kTe )

k ∈Z

signal échantillonné à temps continu:
xe (t) x(t) ∐ ∐Te (t) = x(kTe )δ (t − kTe )

k ∈Z

→ xe (t): permet d’étudier l’effet de l’échantillonnage

par un formalisme à temps continu.

Lien entre x(t) et xe (t), notamment dans le domaine fréquentiel?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 40/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
xe (t) = x(t) ∐ ∐Te (t) −→ X (f ) ⋆
TF

1 ∐ ∐ 1 (f ) Te Te

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
Xe (f ) = X (f ) ⋆ 1 ∐ ∐ 1 (f ) Te Te = X (f ) ⋆ 1 Te k δ (f − ) Te

k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
Xe (f ) = X (f ) ⋆ 1 ∐ ∐ 1 (f ) Te Te = X (f ) ⋆ 1 = Te 1 Te k δ (f − ) Te

k ∈Z

k ∈Z

k X (f ) ⋆ δ (f − ) Te

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
Xe (f ) = X (f ) ⋆ 1 ∐ ∐ 1 (f ) Te Te = X (f ) ⋆ 1 = Te 1 = Te 1 Te k δ (f − ) Te

k ∈Z

k ∈Z

k X (f ) ⋆ δ (f − ) Te k X (f − ) Te

k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
1 Xe (f ) = Te k X (f − ) Te

k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (1/2)
1 ∐ ∐ 1 (f ) On sait que: ∐ ∐Te (t) −→ Te Te
TF

D’où:
1 Xe (f ) = Te k X (f − ) Te

k ∈Z

→ Xe (f ) est une version périodisée de X (f ):

«repliement» du spectre

signal spectre échantillonné ↔ périodique périodique ↔ discret

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 41/120

Echantillonnage (2/2)
X (f )

f −B Xe (f ) B

1 Xe (f ) = Te

k ∈Z

k X (f − ) Te

fe > 2B
f −fe fe 2fe

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 42/120

Echantillonnage (2/2)
X (f )

f −B Xe (f ) B

1 Xe (f ) = Te

k ∈Z

k X (f − ) Te

fe > 2B
f −fe Xe (f ) fe 2fe

fe < 2B
f −2fe

recouvrement de spectre

−fe

fe

2fe

3fe

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 42/120

Echantillonnage (2/2)
X (f )

f −B Xe (f ) B

1 Xe (f ) = Te

k ∈Z

k X (f − ) Te

fe > 2B
f −fe Xe (f ) fe 2fe

fe < 2B
f −2fe

recouvrement de spectre

−fe

fe

2fe

3fe

passe-bas

fe ≥ 2B ⇒ reconstruction possible par filtrage
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 42/120

Théorème de Shannon-Nyquist
x(t) de bande limitée [−B, B ] est entièrement défini par les échantillons x(nTe ), n ∈ Z prélevés à une fréquence fe = 1/Te ≥ 2B . x(t) =
k ∈Z

→ formule exacte d’interpolation:

x(kTe )sinc(πfe (t − kTe ))

bande limitée ↔ variations pas trop rapides du signal entre deux échantillons
→ conséquence:

filtre anti-repliement ou «anti-aliasing» filtre interpolateur

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 43/120

III. Signaux à bande étroite et modulations Transform´ ee de Hilbert, signal analytique Enveloppe complexe Modulation d’amplitude, de fr´ equence

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 44/120

Signal à bande étroite
Signal à bande étroite = signal dont la fréquence centrale est grande par rapport à la bande occupée [f0 − B, f0 + B ]:
|X (f )| f0 >> 2B f f0 2B Exemples: signal radio FM: f0 ≈ 100MHz et 2B ≈ 20 à 40kHz. signal vidéo UHF (télévision analogique): f0 ≈ qques 100MHz et 2B ≈ 6MHz
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 45/120

présenter les outils nécessaires pour la représentation et l’étude de tels signaux.

Signal analytique
si ∀t, x(t) ∈ R, alors X (−f ) = X ∗ (f ) → se restreindre aux fréquences positives

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 46/120

Signal analytique
si ∀t, x(t) ∈ R, alors X (−f ) = X ∗ (f ) → se restreindre aux fréquences positives
zx (t), signal analytique associé au signal réel x(t) est défini par sa transformée de Fourier: 2X (f ) si f ≥ 0, Zx (f ) = 0 si f < 0

Représentation schématique des spectres: signal réel signal analytique
2 1 |X (f )| f → zx (t) ne peut pas être à valeurs réelles! |Zx (f )| f

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 46/120

Signal analytique: cas sinusoïdal
δ (f − f0 ) + δ (f + f0 ) x(t) = cos(2πf0 t) −→ X (f ) = 2
TF

Représentation schématique des spectres: signal réel
X (f )
1 2

signal analytique
Zx (f ) 1 f f f0

⇒ Zx (f ) = δ (f − f0 ) et donc: zx (t) = eı2πf0 t

−f0

f0

Le signal analytique associé à cos(2πf0 t) est l’exponentielle complexe eı2πf0 t .
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 47/120

Filtre analytique
Le filtre qui a un signal associe son signal analytique est appelé filtre analytique.
x(t) X (f ) ha (t) Ha (f ) zx (t) Zx (f )

réponse en fréquence du filtre analytique:
Ha (f ) = 21R+ (f ) = 2 0

si f ≥ 0, si f < 0

réponse impulsionnelle du filtre analytique:
1 ha (t) = δ (t) + ı πt
1 ( πt : distribution à prendre en valeur principale)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 48/120

Transformée de Hilbert
zx (t) = ha (t) ⋆ x(t) = 1 δ (t) + ı πt ⋆ x(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Transformée de Hilbert
zx (t) = ha (t) ⋆ x(t) = = x(t) + ı 1 δ (t) + ı πt 1 ⋆ x(t) πt
x b(t)

⋆ x(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Transformée de Hilbert
La transformée de Hilbert d’un signal x(t) est définie par: 1
x(t) = πt ⋆ x(t)

Lien signal analytique zx et transformée de Hilbert x:
zx (t) = x(t) + ıx(t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Transformée de Hilbert
La transformée de Hilbert d’un signal x(t) est définie par: 1
x(t) = πt ⋆ x(t)

Lien signal analytique zx et transformée de Hilbert x:
zx (t) = x(t) + ıx(t) ⇒ si ∀t, x(t) ∈ R alors ∀t, x(t) ∈ R et x(t) = ℜ[zx (t)]

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Transformée de Hilbert
La transformée de Hilbert d’un signal x(t) est définie par: 1
x(t) = πt ⋆ x(t)

Lien signal analytique zx et transformée de Hilbert x:
zx (t) = x(t) + ıx(t) ⇒ si ∀t, x(t) ∈ R alors ∀t, x(t) ∈ R et x(t) = ℜ[zx (t)]

Effet sur le spectre:

Zx (f ) = X (f ) + ıX (f ) =

2X (f ) 0

si f ≥ 0, sinon.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Transformée de Hilbert
La transformée de Hilbert d’un signal x(t) est définie par: 1
x(t) = πt ⋆ x(t)

Lien signal analytique zx et transformée de Hilbert x:
zx (t) = x(t) + ıx(t) ⇒ si ∀t, x(t) ∈ R alors ∀t, x(t) ∈ R et x(t) = ℜ[zx (t)]

Effet sur le spectre:
X (f ) =

−ıX (f ) ıX (f )

si f ≥ 0, si f < 0.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 49/120

Filtre en quadrature
Le filtre qui a un signal associe sa transformée de Hilbert est appelé filtre en quadrature.
x(t) X (f ) hq (t) Hq (f ) x(t) X (f )

réponse en fréquence du filtre en quadrature:
Hq (f ) = −ı signe(f )

réponse impulsionnelle du filtre en quadrature:
1 hq (t) = πt
1 : valeur principale) ( πt
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 50/120

Transformée de Hilbert: cas sinusoïdal
δ (f − f0 ) + δ (f + f0 ) x(t) = cos(2πf0 t) −→ X (f ) = 2
TF

D’où:
X (f ) = −ıX (f ) ıX (f )

si f ≥ 0, si f < 0.

δ (f − f0 ) − δ (f + f0 ) et donc: X (f ) = 2ı eı2πf0 t − e−ı2πf0 t = sin(2πf0 t) = cos(2πf0 t − π/2) x(t) = 2ı ⇒ La transf. de Hilbert de cos(2πf0 t) est sin(2πf0 t).
Rq: eı2πf0 t = cos(ı2πf0 t) + ı sin(ı2πf0 t) ↔ zx (t) = x(t) + ıx(t).

filtre en quadrature ↔ déphaseur pur

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 51/120

Propriétés de la transformée de Hilbert
si ∀t, x(t) ∈ R alors ∀t, x(t) ∈ R

si ∀t, x(t) ∈ R, x(t) et x(t) sont orthogonaux
x(t)x(t)∗ dt = 0
En effet: x(t)x(t)∗ dt =

X (f )X (f )∗ df =

|X (f )|2 ısigne(f ) df

Si M (f ) et P (f ), transformées de Fourier de m(t) et p(t) ont des supports disjoints:
m(t)p(t) = m(t)p(t)
(Th. de Bedrosian)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 52/120

Enveloppe complexe
Soit x(t) signal réel, à bande étroite [−B + f0 , B + f0 ] et zx (t) son signal analytique. L’enveloppe complexe de x(t) est:
ξx (t) = e−ı2πf0 t zx (t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 53/120

Enveloppe complexe
Soit x(t) signal réel, à bande étroite [−B + f0 , B + f0 ] et zx (t) son signal analytique. L’enveloppe complexe de x(t) est:
ξx (t) = e−ı2πf0 t zx (t)

Interprétation en fréquence:
|X (f )| f 2B f0 f0 2B

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 53/120

Enveloppe complexe
Soit x(t) signal réel, à bande étroite [−B + f0 , B + f0 ] et zx (t) son signal analytique. L’enveloppe complexe de x(t) est:
ξx (t) = e−ı2πf0 t zx (t)

Interprétation en fréquence:
|X (f )| |Zx (f )| f 2B f0 f0 2B

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 53/120

Enveloppe complexe
Soit x(t) signal réel, à bande étroite [−B + f0 , B + f0 ] et zx (t) son signal analytique. L’enveloppe complexe de x(t) est:
ξx (t) = e−ı2πf0 t zx (t)

Interprétation en fréquence:
|Ξx (f )| |X (f )| |Zx (f )| f 2B f0

Transformées de Fourier Ξx (f ) de l’enveloppe complexe et Zx (f ) du signal analytique:
Ξx (f ) = Zx (f + f0 )

f0 2B

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 53/120

Enveloppe complexe: cas sinusoïdal
(t) Exemple: inductance L: u(t) = L djdt

Signaux réels:
j (t) = J cos(2πf0 t) u(t) = −LJ 2πf0 sin(2πf0 t) π = LJ 2πf0 cos(2πf0 t + ) 2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 54/120

Enveloppe complexe: cas sinusoïdal
(t) Exemple: inductance L: u(t) = L djdt

Signaux réels:
j (t) = J cos(2πf0 t) u(t) = −LJ 2πf0 sin(2πf0 t) π = LJ 2πf0 cos(2πf0 t + ) 2
ı(2πf0 t+ π ) 2

Signaux complexes:
zx (t) j (t) = Je
ı2πf0 t

u(t) = LJ 2πf0 e

signal analytique

= LJ (ı2πf0 )eı2πf0 t = U eı2πf0 t

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 54/120

Enveloppe complexe: cas sinusoïdal
(t) Exemple: inductance L: u(t) = L djdt

Signaux réels:
j (t) = J cos(2πf0 t) u(t) = −LJ 2πf0 sin(2πf0 t) π = LJ 2πf0 cos(2πf0 t + ) 2
ı(2πf0 t+ π ) 2

Signaux complexes:
zx (t) j (t) = Je
ı2πf0 t

u(t) = LJ 2πf0 e

signal analytique

= LJ (ı2πf0 )eı2πf0 t = U eı2πf0 t

ξx (t)

Amplitudes complexes obtenues en multipliant par e−ı2πf0 t , çàd translation du spectre de −f0 :
U = LJ (ı2πf0 )
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 54/120

enveloppe complexe

Signal bande étroite: représentations (1/2)
Par définition:
ξx (t) = zx (t)e−ı2πf0 t = x(t) + ıx(t) e−ı2πf0 t

donc:
x(t) = ℜ ξx (t)eı2πf0 t

En écrivant ξx (t) = |ξx (t)|eıϕ(t) , on définit pour x(t): enveloppe instantanée: |ξx (t)| phase instantanée: φ(t) = 2πf0 t + ϕ(t)
1 dϕ(t) 1 dφ(t) = f0 + fréquence instantanée: 2π dt 2π dt

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 55/120

Signal bande étroite: représentations (2/2)
x(t) = ℜ ξx (t)eı2πf0 t ξx (t) = px (t) + ıqx (t) px (t) = composante en phase qx (t) = composante en quadrature x(t) = ℜ (px (t) + ıqx (t))eı2πf0 t x(t) = px (t) cos(2πf0 t) − qx (t) sin(2πf0 t)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 56/120

Filtre passe-bas équivalent
Soit x(t) à bande étroite centrée autour de f0 . Filtrage haute fréquence:
x(t) X (f ) h(t) H (f ) y (t) Y (f ) = H (f )X (f )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 57/120

Filtre passe-bas équivalent
Soit x(t) à bande étroite centrée autour de f0 . Filtrage haute fréquence:
x(t) X (f ) h(t) H (f ) y (t) Y (f ) = H (f )X (f )

Pour les signaux analytiques:
Zy (f ) = H (f )Zx (f ) ⇒

Zy (f +f0 ) = H (f +f0 )Zx (f +f0 )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 57/120

Filtre passe-bas équivalent
Soit x(t) à bande étroite centrée autour de f0 . Filtrage haute fréquence:
x(t) X (f ) h(t) H (f ) y (t) Y (f ) = H (f )X (f )

Pour les signaux analytiques:
Zy (f ) = H (f )Zx (f ) ⇒

Zy (f +f0 ) = H (f +f0 )Zx (f +f0 )

Filtrage hautre fréquence de x(t) ⇔ filtrage basse fréquence sur les enveloppes complexes par le filtre passe-bas équivalent H (f ).
ξx (t) Ξx (f ) h(t) H (f ) ξy (t) Ξy (f ) = H (f )Ξx (f ) où H (f ) = H (f + f0 ) 0

si f ≥ −f0 sinon.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 57/120

Petite synthèse avant la suite. . .
ℑ{X (f )} ≡ 0 ℜ{X (f )} f

signal x(t)

transf. Hilbert x(t) =
1 πt

ℜ{X (f )} ≡ 0

ℑ{X (f )} f

⋆ x(t)

X (f ) = −ısigne(f )X (f ) signal analytique zx (t) = x(t) + ıx(t) Zx (f ) = 2X (f )1R+ (f ) enveloppe complexe ξx (t) = e−ı2πf0 t zx (t) Ξ(f ) = Zx (f + f0 )

ℑ{Zx (f )} ≡ 0

ℜ{Zx (f )} f

ℑ{Ξx (f )} ≡ 0

ℜ{Ξx (f )} f
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 58/120

Petite synthèse avant la suite. . .
ℑ{X (f )} ≡ 0 ℜ{X (f )} H (f ): filtre réel f

signal x(t)

transf. Hilbert x(t) =
1 πt

ℜ{X (f )} ≡ 0

ℑ{X (f )} f

⋆ x(t)

X (f ) = −ısigne(f )X (f ) signal analytique zx (t) = x(t) + ıx(t) Zx (f ) = 2X (f )1R+ (f ) enveloppe complexe ξx (t) = e−ı2πf0 t zx (t) Ξ(f ) = Zx (f + f0 )

ℑ{Zx (f )} ≡ 0

ℜ{Zx (f )} f

ℑ{Ξx (f )} ≡ 0

ℜ{Ξx (f )}

passe-bas équivalent f

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 58/120

Modulation
Modulation = adaptation d’un signal initial pour la transmission modulante m(t) = signal informatif, basse fréquence et bande limitée [−B, B ] Ex: parole, télévision,. . . porteuse p(t) = signal haute fréquence qui permet le transport de la modulante Ex: p(t) = A cos(2πf0 t + ϕ) avec f0 >> B .
m(t) p(t) x(t) = signal modulé

modulation

(bande étroite)

démodulation = opération inverse (à la réception)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 59/120

Modulations analogiques
Porteuse: p(t) = A cos(2πf0 t + ϕ) = A cos(Φ(t)) Inclure dans p(t) l’information de la modulante m(t)? Modulations linéaires: m(t) → A(t) modulation d’amplitude avec porteuse
A(t) = 1 + km(t)

modulation d’amplitude sans porteuse
A(t) = km(t)

Modulations angulaires (non linéaires) m(t) → Φ(t) Modulation de fréquence (FM):
m(t) →
1 dΦ(t) 2π dt

= f0 +

1 dϕ(t) 2π dt

En numérique, des modulations semblables permettent de transmettre des symboles!
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 60/120

Modulation de phase: m(t) → ϕ(t)

Modulation amplitude avec porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = (1 + km(t)) cos(2πf0 t) 1 + km(t) t 2B |M (f )| f

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 61/120

Modulation amplitude avec porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = (1 + km(t)) cos(2πf0 t) 1 + km(t) t 2B |M (f )| f

Spectre:
X (f ) = δ (f − f0 ) + δ (f + f0 ) δ (f ) + kM (f ) ⋆ 2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 61/120

Modulation amplitude avec porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = (1 + km(t)) cos(2πf0 t) 1 + km(t) t 2B |M (f )| f

Spectre:
1 X (f ) = δ (f − f0 ) + kM (f − f0 ) + δ (f + f0 ) + kM (f + f0 ) 2 |X (f )| −f0 f0 f 2B
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 61/120

2B

Démodulation non cohérente
Détecteur d’enveloppe:
x(t) = (1 + km(t)) cos(2πf0 t) 1 + km(t) t x(t) α(1 + km(t))

⇒ récepteur très simple mais uniquement pour

modulation avec porteuse et sans surmodulation:

t

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 62/120

Modulation amplitude sans porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = km(t) cos(2πf0 t) km(t) t −km(t) 2B |M (f )| f

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 63/120

Modulation amplitude sans porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = km(t) cos(2πf0 t) km(t) t −km(t) 2B |M (f )| f

Spectre:
δ (f − f0 ) + δ (f + f0 ) X (f ) = kM (f ) ⋆ 2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 63/120

Modulation amplitude sans porteuse
Allure temporelle (modulante sinusoïdale):
x(t) = km(t) cos(2πf0 t) km(t) t −km(t) 2B |M (f )| f

Spectre:
k X (f ) = M (f − f0 ) + M (f + f0 ) 2 |X (f )| −f0 2B f f0 2B

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 63/120

Modulation BLU
→ inutile de garder la partie symétrique de M (f )

bande signal modulé = 2× celle de m(t) Bande latérale unique (BLU):
−f0 B |X (f )| f

|M (f )| f 2B

f0 B

Bande latérale résiduelle
−f0

|X (f )| f f0

Utilisation: télévision analogique
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 64/120

Expression temporelle de la BLU
m(t): modulante |M (f )| f 2B −f0 B |X (f )| f f0 B

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 65/120

Expression temporelle de la BLU
m(t): modulante |M (f )| f 2B −f0 |X (f )| f f0 zm (t): signal analytique |Zm (f )| f

B B 1 ı2πf0 t ∗ x(t) = ℜ{zm (t)e }= (t)e−ı2πf0 t zm (t)eı2πf0 t + zm 2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 65/120

Expression temporelle de la BLU
m(t): modulante |M (f )| f 2B −f0 |X (f )| f f0 zm (t): signal analytique |Zm (f )| f

B B 1 ı2πf0 t ∗ x(t) = ℜ{zm (t)e }= (t)e−ı2πf0 t zm (t)eı2πf0 t + zm 2

Comme zm (t) = m(t) + ım(t),
x(t) = m(t) cos(2πf0 t) − m ˆ (t) sin(2πf0 t) x(t) ↔ modulation d’amplitude de zm (t) ∈ C
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 65/120

Modulation en quadrature
Transporter 2 signaux réels p(t) et q (t) sur une même fréquence porteuse:
⇔ transporter le signal complexe z (t) = p(t) + ıq (t) p(t) = composante en phase q (t) = composante en quadrature

Expression temporelle signal modulé:
x(t) = p(t) cos(2πf0 t) − q (t) sin(2πf0 t)

Représentation schématique du spectre:
|X (f )| f

Utilisation: signal NTSC, modulation numérique

−f0

f0
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 66/120

IV. Signaux à temps discret Transform´ ee en z ` temps discret Filtres a Transform´ ees de Fourier

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 67/120

Signaux à temps discret
On considère des signaux à temps discret xn , n ∈ Z - xn , n ∈ Z provient ou non d’un échantillonnage. - sans quantification de l’amplitude (xn ∈ R)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 68/120

Signaux à temps discret
On considère des signaux à temps discret xn , n ∈ Z - xn , n ∈ Z provient ou non d’un échantillonnage. Exemples de signaux à temps discret: impulsion unité δn =
1 0 δn n → signal à temps discret comme les autres → xn = δk xn−k =
k ∈Z k ∈Z
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 68/120

- sans quantification de l’amplitude (xn ∈ R)

si n = 0 sinon.

xk δn−k = xn ⋆ δn (convolution)

porte, échelon,. . .

Energie, puissance, corrélation
Pour des signaux déterministes xn , n ∈ Z et yn , n ∈ Z: énergie: Ex
n∈Z

|xn |2
M n=−M

puissance: Px

1 lim M →∞ 2M + 1

|xn |2

énergie finie ⇒ puissance nulle inter-corrélation: e (k ) en énergie: Rxy
∗ x n yn −k n∈Z p en puissance: Rxy (k )

1 lim M →∞ 2M + 1 Rxx (k )

M ∗ x n yn −k n=−M

auto-corrélation: Rx (k )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 69/120

Transformée en z
La transformée en z du signal xn , n ∈ Z est la série formelle:
X [z ]
n∈Z

xn z −n

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 70/120

Transformée en z
La transformée en z du signal xn , n ∈ Z est la série formelle:
X [z ]
n∈Z

xn z −n

Domaine de convergence de la série X [z ]: anneau D
R2 ℑ(z ) R1 ℜ(z ) D = {z ∈ C | R1 < |z | < R2 }
Eventuellement:
⋄ R1 = 0, R2 = +∞, . . . ⋄ R2 < R1 et D = ∅

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 70/120

Transformée en z
La transformée en z du signal xn , n ∈ Z est la série formelle:
X [z ]
n∈Z

xn z −n

Domaine de convergence de la série X [z ]: anneau D
R2 ℑ(z ) R1 ℜ(z ) D = {z ∈ C | R1 < |z | < R2 }
Eventuellement:
⋄ R1 = 0, R2 = +∞, . . . ⋄ R2 < R1 et D = ∅

Transformée en z : fonction holomorphe X [z ] avec la couronne de convergence associée D.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 70/120

Inversion de la transformée en z
Comment déterminer xk , k ∈ Z à partir de X [z ]?
R2 ℑ(z ) R1 C ℜ(z ) D = {z ∈ C | R1 < |z | < R2 } X [z ] =
−n x z n∈Z n

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 71/120

Inversion de la transformée en z
Comment déterminer xk , k ∈ Z à partir de X [z ]?
R2 ℑ(z ) R1 C 1 Formule de Cauchy: xk = ı2π X [z ]z k−1 dz
C

ℜ(z )

D = {z ∈ C | R1 < |z | < R2 } X [z ] =
−n x z n∈Z n

valeur identique de l’intégrale pour tout C à condition de préciser le domaine d’holomorphie D

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 71/120

Inversion de la transformée en z
Comment déterminer xk , k ∈ Z à partir de X [z ]?
R2 ℑ(z ) R1 C 1 Formule de Cauchy: xk = ı2π X [z ]z k−1 dz
C

ℜ(z )

D = {z ∈ C | R1 < |z | < R2 } X [z ] =
−n x z n∈Z n

valeur identique de l’intégrale pour tout C à condition de préciser le domaine d’holomorphie D Autre méthode utilisée en pratique pour des fractions rationnelles: développement en série

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 71/120

Transformée en z : exemple
Ex: xn = an si n ≥ 0 et xn = 0 sinon (a ∈ C∗ )
X [z ] =
n∈Z

xn z −n

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 72/120

Transformée en z : exemple
Ex: xn = an si n ≥ 0 et xn = 0 sinon (a ∈ C∗ )
+∞

X [z ] =
n=0

an z −n ne converge que si |az −1 | < 1

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 72/120

Transformée en z : exemple
Ex: xn = an si n ≥ 0 et xn = 0 sinon (a ∈ C∗ )
+∞
ℑ(z ) a ℜ(z )

X [z ] =
n=0

a z

n −n

D

1 → X [z ] = sur le domaine D = {|z | > |a|} − 1 1 − az

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 72/120

+

Transformée en z : exemple
Ex: xn = an si n ≥ 0 et xn = 0 sinon (a ∈ C∗ )
+∞
ℑ(z ) a ℜ(z )

X [z ] =
n=0

a z

n −n

D

1 → X [z ] = sur le domaine D = {|z | > |a|} − 1 1 − az 1 Y [z ] = sur D = {|z | < |a|} ?? − 1 1 − az
D

ℑ(z ) a

+ +

ℜ(z )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 72/120

Transformée en z : exemple
Ex: xn = an si n ≥ 0 et xn = 0 sinon (a ∈ C∗ )
+∞
ℑ(z ) a ℜ(z )

X [z ] =
n=0

a z

n −n

D

1 → X [z ] = sur le domaine D = {|z | > |a|} − 1 1 − az 1 Y [z ] = sur D = {|z | < |a|} ?? − 1 1 − az
+∞ n=0
D

ℑ(z ) a

+
−1

ℜ(z )

−1 −1 Y [z ] = = −1 − 1 − 1 (az )(1 − a z ) az

+

a−n z n = −

an z −n
n=−∞

→ yn = −an si n ≤ 1 et yn = 0 si n ≥ 0.

Domaines différents ⇒ yn = xn et pourtant même expression de la transformée en z .

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 72/120

Importance du domaine
Ex: X [z ] admet deux singularités (pôles) en p1 , p2 .
ℑ(z ) p2 1 xk = ı2π ℜ(z ) C2 C1 =
j

X [z ]z k−1 dz
C

+

p1

+

Res X [z ]z k−1 , pj

C3

Singularités aj à prendre en compte: - pour C1 : 0, p1 et p2 - pour C2 : 0 et p1 - pour C3 : 0

→ signal différent pour des domaines différents!

Fraction rationnelle: série distincte sur chaque domaine ( développement éléments simples)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 73/120

Propriétés de la transformée en z
Si xn −→ X [z ] et yn −→ Y [z ] alors: linéarité: λxn + µyn −→ λX [z ] + µY [z ] symétries: x−n −→ X [z −1 ]
Tz ∗ ])∗ x∗ −→ ( X [ z n Tz Tz Tz Tz

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 74/120

Propriétés de la transformée en z
Si xn −→ X [z ] et yn −→ Y [z ] alors: linéarité: λxn + µyn −→ λX [z ] + µY [z ] symétries: x−n −→ X [z −1 ] théorème du retard:
xn−1 −→ z
Tz −1 Tz ∗ ])∗ x∗ −→ ( X [ z n Tz Tz Tz Tz

X [z ]

xn−n0 −→ z −n0 X [z ]
Tz

Tz

convolution:
xn ⋆ yn =
k ∈Z

xk yn−k −→ X [z ]Y [z ]

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 74/120

Propriétés de la transformée en z
Si xn −→ X [z ] et yn −→ Y [z ] alors: linéarité: λxn + µyn −→ λX [z ] + µY [z ] symétries: x−n −→ X [z −1 ] théorème du retard:
xn−1 −→ z
Tz −1 Tz ∗ ])∗ x∗ −→ ( X [ z n Tz Tz Tz Tz

X [z ]

xn−n0 −→ z −n0 X [z ]
Tz

Tz

convolution:
xn ⋆ yn =
k ∈Z

xk yn−k −→ X [z ]Y [z ]

lien avec transformée de Laplace: x(t)e−pt dt ↔ xn z −n avec z ↔ ep

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 74/120

Filtrage et convolution (1/2)
Filtre: système linéaire invariant réponse impulsionnelle hn :
δn L[.] hn = réponse à l’impulsion δn

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 75/120

Filtrage et convolution (1/2)
Filtre: système linéaire invariant réponse impulsionnelle hn :
δn L[.] hn = réponse à l’impulsion δn δn−k hn−k

D’après invariance:

L[.]

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 75/120

Filtrage et convolution (1/2)
Filtre: système linéaire invariant réponse impulsionnelle hn :
δn L[.] hn = réponse à l’impulsion δn δn−k hn−k

D’après invariance:

L[.]

D’après linéarité (+ continuité):
xn =
k

xk δn−k

L[.]

yn =

k

xk hn−k

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 75/120

Filtrage et convolution (1/2)
Filtre: système linéaire invariant réponse impulsionnelle hn :
δn L[.] hn = réponse à l’impulsion δn δn−k hn−k

D’après invariance:

L[.]

D’après linéarité (+ continuité):
xn =
k

xk δn−k

L[.]

yn =

k

xk hn−k

⇒ convolution discrète: yn = xn ⋆ hn =

xk hn−k
k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 75/120

Filtrage et convolution (2/2)
Filtre: système linéaire invariant
xn X [z ] hn H [z ] yn Y [z ]

réponse impulsionnelle: hn fonction de transfert en z : H [z ] = relations entrée-sortie:
yn = hn ⋆ xn =
k ∈Z

−n h z n n∈Z

hk xn−k

Y [z ] = H [z ]X [z ] Rq: yn = hn ⋆ xn = xn ⋆ hn =
k ∈Z
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 76/120

xk hn−k

Causalité
xn X [z ] hn H [z ] yn = hn ⋆ xn = Y [z ] = H [z ]X [z ]
k

hk xn−k

Filtre causal n’utilise que les xk , k ≤ n pour calculer yn : yn = hk xn−k
k ≥0

→ Le filtre hk est causal ⇔ hk = 0, ∀k < 0.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 77/120

Causalité
xn X [z ] hn H [z ] yn = hn ⋆ xn = Y [z ] = H [z ]X [z ]
k

hk xn−k

Filtre causal n’utilise que les xk , k ≤ n pour calculer yn : yn = hk xn−k
k ≥0

→ H [z ] est causal ⇔ H [z ] = k≥0 hk z −k converge sur ℑ(z ) D = {z ∈ C | |z | > R1 } ∪ {∞} D ℜ(z )

→ Le filtre hk est causal ⇔ hk = 0, ∀k < 0.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 77/120

Stabilité
xn X [z ] hn H [z ] yn = hn ⋆ xn = Y [z ] = H [z ]X [z ]
k

hk xn−k

Filtre stable lorsque: entrée bornée ⇒ sortie bornée

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 78/120

Stabilité
xn X [z ] hn H [z ] yn = hn ⋆ xn = Y [z ] = H [z ]X [z ]
k

hk xn−k

Filtre stable lorsque: entrée bornée ⇒ sortie bornée
→ Stabilité ⇔
k ∈Z

|hk | < +∞

→ H [z ] est stable ⇔ le cercle unité appartient au ℑ(z ) domaine de convergence de H [z ]
D {z | |z | = 1} ℜ(z )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 78/120

Stabilité et causalité
Un filtre H [z ] est stable et causal ⇔ le domaine de convergence de H [z ] est du type ℑ(z ) {z ∈ C | |z | > R} ∪ {∞} avec R < 1
D {z | |z | = 1} ℜ(z )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 79/120

Stabilité et causalité
Un filtre H [z ] est stable et causal ⇔ le domaine de convergence de H [z ] est du type ℑ(z ) {z ∈ C | |z | > R} ∪ {∞} avec R < 1
D {z | |z | = 1} ℜ(z )

Si H [z ] fraction rationnelle: H [z ] stable et causal ⇔ tous les pôles du filtre sont à l’intérieur du cercle unité et do numérateur H [z ] ≤ do dénominateur H [z ] (en tant que fraction rationnelle en z ).
Rq: Condition sur les do nécessaire pour causalité, çàd H [z ] = h0 + h1 z −1 + h2 z −2 + . . . sans puissance > 0 de z
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 79/120

Stabilité en automatique / élec?
Si H [z ] fraction rationnelle: H [z ] stable et causal ⇔ tous les pôles du filtre sont à l’intérieur du cercle unité et do numérateur H [z ] ≤ do dénominateur H [z ].

Avec z = ep , correspondances en temps continu: Transf. z ↔ Transf. Laplace
z ↔ p |z | = 1 ↔ axe imaginaire pur |z | < 1 ↔ ℜ{p} < 0

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 80/120

Stabilité en automatique / élec?
Si H [z ] fraction rationnelle: H [z ] stable et causal ⇔ tous les pôles du filtre sont à l’intérieur du cercle unité et do numérateur H [z ] ≤ do dénominateur H [z ].

Avec z = ep , correspondances en temps continu: Transf. z ↔ Transf. Laplace
z ↔ p |z | = 1 ↔ axe imaginaire pur |z | < 1 ↔ ℜ{p} < 0

condition de stabilité «pôles à partie réelle < 0»: vrai pour des systèmes causaux (ce qui est le cas en
physique, automatique,. . . )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 80/120

Filtrage et équations de récurrence
Cas de filtres rationnels: H [z ] =
xn X [z ]
p Pq −j b z j j =0 P −i 1+ p i=1 ai z

Lien entrée-sortie:

hn H [z ]
q

yn = hn ⋆ xn Y [z ] = H [z ]X [z ] bj z −j )X [z ]
j =0

Y [z ](1 +
i=1

ai z −i ) = (

et par utilisation du théorème du retard:
p q

∀n :

yn +
i=1

ai yn−i =
j =0

bj xn−j

⇒ Equation de récurrence associée au filtre

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 81/120

Fitres transverses (ou RIF)
q

Définition: H [z ] =
j =0

bj z −j d’où

la réponse impulsionnelle: bn si 0 ≤ n ≤ q hn = 0 sinon.
→ réponse impulsionnelle finie

(RIF)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 82/120

Fitres transverses (ou RIF)
q

Définition: H [z ] =
j =0

bj z −j d’où bq z −1

+

la réponse impulsionnelle: bn si 0 ≤ n ≤ q hn = 0 sinon.
→ réponse impulsionnelle finie

b2 z −1 b1 z −1

+

(RIF)

Equation temporelle:
q

yn =
j =0

bj xn−j

+

→ moyenne mobile (moving

average: MA)

xn

b0

+

yn

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 82/120

Filtres récursifs (ou RII)
Définition:
H [z ] = 1+ b0

p −i a z i i=1

−ap z −1

→ réponse impulsionnelle

infinie (RII)

Equation temporelle:
p

yn = b0 x n −

ai yn−i
i=1

+

−a2 z −1

→ filtre (purement) récursif /

filtre AR: auto-régressif

+

−a1 z −1 yn

xn

b0

+

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 83/120

Cas général: filtres ARMA
H [z ] =
Pq −j b z j j =0 P −i 1+ p i=1 ai z

/

yn =

q j =0 bj xn−j −

p i=1 ai yn−i

bq z −1 b2 z −1 b1 z −1 xn b0

+

−ap z −1

+

+

−a2 z −1

+

+

−a1 z −1 yn

+

+

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 84/120

Spectre d’un signal échantillonné
x(t) échantillonné à la période Te xe (t) ↓ TF x(t)
n∈Z δ (t − nTe )

=
n∈Z

x(nTe )δ (t − nTe ) x(nTe )e−ı2πnf Te

Xe (f )

=

1 Te

n∈Z X (f −

↓ TF

n Te )

= f Te

↓ TF
n∈Z

˜ Fréquence normalisée: f

→ Xe (f ) obtenu par la série de Fourier

x(nTe )e
n∈Z

˜ −ı2πnf

−1 1 Pour x(t) à bande dans [ 2 Te , 2Te ], on obtient aussi le spectre X (f ).

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 85/120

Transformée de Fourier à temps discret
Transformée de Fourier à temps discret (TFTD):
˜) X (f
n∈Z

xn e

˜ −ı2πnf

˜) de période 1 ˜ ∈ [0, 1] ou f ˜ ∈ [− 1 , 1 ]: f - X (f 2 2 fréquence normalisée ˜fe = - si xn échantillonné à fe , fréquence réelle f = f
˜ f Te

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 86/120

Transformée de Fourier à temps discret
Transformée de Fourier à temps discret (TFTD):
˜) X (f
n∈Z

xn e

˜ −ı2πnf

˜) de période 1 ˜ ∈ [0, 1] ou f ˜ ∈ [− 1 , 1 ]: f - X (f 2 2 fréquence normalisée ˜fe = - si xn échantillonné à fe , fréquence réelle f = f
˜ f Te

Lien avec transformée en z si le cercle unité appartient au domaine de convergence:
˜ ı 2 π f ˜ X (f ) = X e

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 86/120

Zéros/pôles d’une transformée en z
(z − z1 )(z − z2 ) Exemple: X [z ] = (z − p1 )(z − p2 )

TF temps discret:
˜ X f = X e

˜ ı2π f

ℑ(z ) ı Z1 ˜ = ±1/2 ↔ −1 f Z2

Z1 M.Z2 M |z − z1 ||z − z2 | = = |z − p1 ||z − p2 | P1 M.P2 M
ı2π f M ↔ e + ˜

+
P2

P1

˜= 0 1↔f

ℜ(z )

+

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 87/120

Transformée de Fourier discrète
Analyse de Fourier de xn
˜) = X (f
n∈Z xn ˜ − ı 2 πn f e

En pratique: nombre fini N de points xn → troncature!

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 88/120

Transformée de Fourier discrète
Analyse de Fourier de xn
˜) = X (f
n∈Z xn ˜ − ı 2 πn f e

En pratique: nombre fini N de points xn → troncature! Supposer xn = 0 pour n ∈ / {0, . . . , N − 1}.
N −1 n=0

˜) = Alors: X (f

xn e

˜ −ı2πnf

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 88/120

Transformée de Fourier discrète
Analyse de Fourier de xn
˜) = X (f
n∈Z xn ˜ − ı 2 πn f e

En pratique: nombre fini N de points xn → troncature! Supposer xn = 0 pour n ∈ / {0, . . . , N − 1}.
N −1 n=0

˜) = Alors: X (f

xn e

˜ −ı2πnf

˜) en un nombre fini de Regarder X (f −1 1 2 , N , . . . , NN }, çàd calculer: fréquences: {0, N
N −1

Xk =
n=0

xn e

k −ı2πn N

,

k ∈ {0, . . . , N − 1}

L’application (x0 , . . . , xN −1 ) → (X0 , . . . , XN −1 ) est la transformée de Fourier discrète (TFD).
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 88/120

Matrice de TFD
 1 1 1  w w2 1  4 1 w 2 w  . . . . . . . . . 1 wN −1 w2(N −1)    1 1  · · · w N −1   2( N − 1)  ··· w  .  ... . .  2 ( N − 1) ··· w 

Soient w

2π − ı e N

et W

La TFD correspond à la transformation linéaire:
 X0 x0      X1   x1   .  = W .   .   .  .    .  XN −1 xN −1
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 89/120

Propriétés de la TFD
La matrice W ∈ CN ×N vérifie WWH = N Id d’où: La TFD est inversible:
∀n ∈ {0, . . . , N − 1} 1 xn = N
N −1 k=0 N −1

Xk e
k=0

ı2πnk N

→ calcul de TFD−1 identique à celui de TFD
N −1 n=0

relation de Parseval:

Xk Yk∗ = N

∗ x n yn

Si N est une puissance de 2, il existe un algorithme rapide de calcul de la TFD: c’est la transformée de Fourier rapide (ou FFT).

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 90/120

Résumé des transformées de Fourier
Temps continu (TFTC): X (f ) =
R

x(t)e−ı2πf t dt xn e
˜n −ı2π f

˜) = Temps discret (TFTD): X (f
n∈Z

Discrète (TFD):
N −1

Xk =
n=0

xk e

k −ı2π N n

,

k = 0, . . . , N − 1

si ∀n ∈ / {0, . . . , N − 1}, xn = 0, lien TFD/TFTD:

˜ = k/N ) Xk = X (f TFD ↔ produit matriciel calculable rapidement par FFT si N = 2p .

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 91/120

Bourrage de zéros (1/2)
x0

N échantillons disponibles dans vecteur x =
(xk = 0 pour k ∈ / {0, . . . , N − 1}).

xN −1

. . .

TFTD et TFD :
N −1

˜) = X (f
n=0

xn e

˜n −ı2π f

X0

X (0)

X=

XN −1

. . .

=
X(

. . . N −1
N

)

˜) pour f ˜ autre que k/N ? X (f

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 92/120

Bourrage de zéros (2/2)
 .  .  −1  y =  xN  de taille M > N (bourrage de zéros) 0  . 
0

x0

.

. .

Y0

TFD de y: Y =
M −1

YM −1 ˜

. . .

Y (0)

=
N −1 n=0

Y (M −1/M ) ˜ ˜) xn e−ı2πf n = X (f

. . .

avec:

˜) = Y (f
n=0

yn e−ı2πf n =

˜) obtenu sur M points 0, 1 , . . . , M −1 au lieu → X (f M M
x0

des N points donnés par la TFD de x =

xN −1
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 93/120

. . .

.

IV. Signaux aléatoires Stationnarit´ e, ergodicit´ e Autocorr´ elation, densit´ e spectrale de puissance Bruit blanc

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 94/120

Probabilités: rappels (1/4)
Espace probabilisé (Ω, A, P)

Ω: ensemble des événements élémentaires ω ∈ Ω: ω est un événement élémentaire A: ensemble des événements (pas que

élémentaires) auxquels on sait associer une probabilité.
→ Si A ∈ A, c’est que A ⊂ Ω! → Si A ∈ A, P(A) a un sens!

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 95/120

Probabilités: rappels (2/4)
Variable aléatoire X .
→ en fonction de l’événement élémentaire ω , qui survient on a une «valeur aléatoire» X (ω ). → On écrit X au lieu de X (ω ) X : Ω → R, ω → X (ω )

(j’abrègerai va=variable aléatoire).
P(X ∈ A) = P({ω | X (ω ) ∈ A})

va continue: densité de probabilité fX telle que:
P(X ∈ A) =
A

fX (x) dx

va discrète: pour toutes les valeurs de X possibles, P(X = x) Fonction de répartition: FX (x) = P(X ≤ x)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 96/120

Probabilités: rappels (3/4)
Espérance mathématique C’est une intégrale sur tous les événements élémentaires possibles.
E {X } = X (ω ) dP(ω )

Pour une va continue:
E {X } = xfX (x) dx

et pour une variable discrète:
E {X } = xP(X = x)
x valeur possible de X
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 97/120

Probabilités: rappels (4/4)
Vecteur aléatoire (ici: Z = ( X Y ) couple de dimension 2) va continue: densité de probabilité fX,Y (x, y )
suite du transparent: va continue!

indépendance lorsque fX,Y (x, y ) = fX (x)fY (y ) décorrélation lorsque E {XY } = E {X } E {Y } Si X et Y indépendantes,
E {XY } = =

xyfX,Y (x, y ) dxdy = yfY (y ) dy

xyfX (x)fY (y ) dxdy = E {X } E {Y }

xfX (x) dx

→ indépendance ⇒ décorrélation,

réciproque fausse.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 98/120

Signal aléatoire
T : ensemble d’indices / (Ω, A, P) : espace probabilisé

Signal aléatoire : famille indexée de variables aléatoires (x(t, .))t∈T
t fixé: ω → x(t, ω ) est une variable aléatoire ω fixé: t → x(t, ω ) est une fonction: trajectoire

T = R → signal aléatoire à temps continu noté x(t) T = Z → signal aléatoire à temps discret noté xn
Rq: Autres noms: processus stochastique/aléatoire; série chronologique/temporelle (T = Z)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 99/120

Signal aléatoire x(t): exemple
x(t) = cos(ω0 t + Φ)

avec:
ω0 constante Φ variable aléatoire, uniformément répartie sur l’intervalle [0, 2π ]

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 100/120

Signal aléatoire x(t): exemple
x(t) = cos(ω0 t + Φ)

avec:
ω0 constante Φ variable aléatoire, uniformément répartie sur l’intervalle [0, 2π ]

Avec un bruit additif:
y (t) = x(t) + b(t) = cos(ω0 t + Φ) + b(t) b(t) : terme aléatoire de bruit, de moyenne

nulle

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 100/120

Deux exemples célèbres. . .
processus de Poisson homogène N (t): (i) N (0) = 0 (ii) N (t2 ) − N (t1 ), N (t3 ) − N (t2 ), . . . , N (tn ) − N (tn−1 ) sont va indépendantes pour tout t1 ≤ t2 ≤ . . . ≤ tn . (iii) N (t) − N (s) ∼ P (λ(t − s)) pour tout s ≤ t çàd:
∀k ∈ Z P(N (t) − N (s) = k ) =
−s)) e−λ(t−s) (λ(tk !
k

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 101/120

Deux exemples célèbres. . .
processus de Poisson homogène N (t): (i) N (0) = 0 (ii) N (t2 ) − N (t1 ), N (t3 ) − N (t2 ), . . . , N (tn ) − N (tn−1 ) sont va indépendantes pour tout t1 ≤ t2 ≤ . . . ≤ tn . (iii) N (t) − N (s) ∼ P (λ(t − s)) pour tout s ≤ t çàd: Processus de Wiener / mouvement brownien B (t): (i) B (0) = 0 (ii) B (t2 ) − B (t1 ), B (t3 ) − B (t2 ), . . . , B (tn ) − B (tn−1 ) sont va indépendantes pour tout t1 ≤ t2 ≤ . . . ≤ tn . (iii) B (t) − B (s) ∼ N (0, t − s) pour tout s ≤ t çàd:
P(B (t) − B (s) ≤ a) =
a − 2(u 1 √ e t−s) −∞ 2π (t−s)
2

∀k ∈ Z

P(N (t) − N (s) = k ) =

−s)) e−λ(t−s) (λ(tk !

k

du

Rq: Propriété (ii) ↔ accroissements indépendants

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 101/120

Signaux aléatoires xn : exemple
(an )n∈Z suite de va dans {+1, −1}, souvent iid

symboles de télécom signal temps continu émis: x(t) =

k∈Z ak p(t − kT )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 102/120

Signaux aléatoires xn : exemple
(an )n∈Z suite de va dans {+1, −1}, souvent iid

symboles de télécom signal temps continu émis: x(t) =

k∈Z ak p(t − kT )

chaîne de Markov: xn ∈ {ω1 , . . . , ωK } et pour tout n:
P(xn+1 = ωin+1 |xn = ωin , xn−1 = ωin−1 , . . . , x0 = ωi0 ) = P(xn+1 = ωin+1 |xn = ωin ) = pin in+1

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 102/120

Signaux aléatoires xn : exemple
(an )n∈Z suite de va dans {+1, −1}, souvent iid

symboles de télécom signal temps continu émis: x(t) =

k∈Z ak p(t − kT )

chaîne de Markov: xn ∈ {ω1 , . . . , ωK } et pour tout n:
P(xn+1 = ωin+1 |xn = ωin , xn−1 = ωin−1 , . . . , x0 = ωi0 ) Up eı2πnfp où:
p

= P(xn+1 = ωin+1 |xn = ωin ) = pin in+1

processus harmonique: xn =

fp : fréquences données, Up : va complexes, centrées et décorrélées

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 102/120

Loi d’un signal aléatoire
Ensemble fini d’indices (n1 , . . . , nM ): Loi du vecteur (xn1 , . . . , xnM ) ? ↔ connaître pour tout borélien B:
P (xn1 , . . . , xnM ) ∈ B

signal (xn )n∈Z : indices en nombre infini!

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 103/120

Loi d’un signal aléatoire
Ensemble fini d’indices (n1 , . . . , nM ): Loi du vecteur (xn1 , . . . , xnM ) ? ↔ connaître pour tout borélien B:
P (xn1 , . . . , xnM ) ∈ B

signal (xn )n∈Z : indices en nombre infini! La loi du processus (xn )n∈Z est donnée par l’ensemble des lois de dimension finie.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 103/120

Loi d’un signal aléatoire
Ensemble fini d’indices (n1 , . . . , nM ): Loi du vecteur (xn1 , . . . , xnM ) ? ↔ connaître pour tout borélien B:
P (xn1 , . . . , xnM ) ∈ B

signal (xn )n∈Z : indices en nombre infini! La loi du processus (xn )n∈Z est donnée par l’ensemble des lois de dimension finie. Il suffit de connaître P (xn1 , . . . , xnM ) ∈ B pour n1 , . . . , nM quelconques et M ∈ N∗ fini quelconque.

Rq: ∃ relations de compatibilité entre lois dimension finie ↔ th. de Kolmogorov

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 103/120

Moments
Si loi de (xn )n∈Z non entièrement connue, regarder déjà: moyenne: mx (n) = E {xn } statistiques du second ordre

fonction d’autocorrélation:

Rx (n, p) = E {(xn − mx (n))(xp − mx (p))∗ }

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 104/120

Moments
Si loi de (xn )n∈Z non entièrement connue, regarder déjà: moyenne: mx (n) = E {xn } statistiques du second ordre

fonction d’autocorrélation:

Rx (n, p) = E {(xn − mx (n))(xp − mx (p))∗ }

Autres moments: si plusieurs signaux: intercorrélation:
Rxy (n, p) = E {(xn − mx (n))(yp − my (p))∗ }

moments d’ordre supérieur ...

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 104/120

Stationnarité au sens strict
Certains signaux ont des propriétés statistiques qui ne changent pas au cours du temps:
(xn )n∈Z stationnaire au sens strict lorsque, pour M, n1 , . . . , nM et k quelconques: (xn1 , . . . , xnM ) et (xn1 +k , . . . , xnM +k ) ont même loi

stationnarité ↔ loi identique après décalage dans le temps

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 105/120

Stationnarité au sens strict
Certains signaux ont des propriétés statistiques qui ne changent pas au cours du temps:
(xn )n∈Z stationnaire au sens strict lorsque, pour M, n1 , . . . , nM et k quelconques: (xn1 , . . . , xnM ) et (xn1 +k , . . . , xnM +k ) ont même loi

stationnarité ↔ loi identique après décalage dans le temps
⇒ En particulier pour signal stationnaire strict: E {(xn − mx )(xp − mx )∗ } = E (xn+k − mx )(xp+k − mx )∗
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 105/120

E {xn } = E {xn+k }

Stationnarité au sens large
(xn )n∈Z stationnaire au sens large lorsque: - E {xn } = mx indépendant de n

- E {(xn − mx )(xp − mx )∗ } = Rx (n − p) ne dépend que de la différence n − p

Rq: stationnaire sens large = au second ordre =

faiblement stationnaire

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 106/120

Stationnarité au sens large
(xn )n∈Z stationnaire au sens large lorsque: - E {xn } = mx indépendant de n

- E {(xn − mx )(xp − mx )∗ } = Rx (n − p) ne dépend que de la différence n − p

Rq: stationnaire sens large = au second ordre =

faiblement stationnaire

stationnarité au sens strict ⇒ stationnarité au sens large
Rq: on suppose souvent le signal centré: mx = 0.

Dans ce cas: E {xn } = 0 E xn x∗ p = Rx (n − p)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 106/120

Stationnarité: exemple
xn = cos(ω0 n + Φ) avec: ω0 ∈ R, constante Φ va uniformément répartie sur [0, 2π ] (fΦ =
1 2π 1[0,2π ] ):

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 107/120

Stationnarité: exemple
xn = cos(ω0 n + Φ) avec: ω0 ∈ R, constante Φ va uniformément répartie sur [0, 2π ] (fΦ = E {x n } = cos(ω0 n + ϕ)fΦ (ϕ) dϕ
1 2π 1[0,2π ] ):

R

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 107/120

Stationnarité: exemple
xn = cos(ω0 n + Φ) avec: ω0 ∈ R, constante Φ va uniformément répartie sur [0, 2π ] (fΦ = E {x n } = cos(ω0 n + ϕ)fΦ (ϕ) dϕ
2π 1 2π 1[0,2π ] ):

R

=
0

1 cos(ω0 n + ϕ) dϕ = 0 2π

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 107/120

Stationnarité: exemple
xn = cos(ω0 n + Φ) avec: ω0 ∈ R, constante Φ va uniformément répartie sur [0, 2π ] (fΦ = E {x n } = cos(ω0 n + ϕ)fΦ (ϕ) dϕ
2π 1 2π 1[0,2π ] ):

R

= E xn x∗ n−k
2π 0

1 cos(ω0 n + ϕ) dϕ = 0 2π

=
0

1 cos(ω0 n + ϕ) cos(ω0 (n − k ) + ϕ) dϕ 2π cos(ω0 k ) = 2
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 107/120

⇒ stationnaire au sens large

Non stationnarité: exemple
xn = cos(ω0 n + Φ) avec: ω0 ∈ R, constante 2 ] ( f = Φ va uniformément répartie sur [0, π Φ 2 π 1[0,π/2] ): E {xn } =
π 2

0

2 cos(ω0 n + ϕ) dϕ π 2 = (cos(ω0 n) − sin(ω0 n)) π

E xn x∗ n−k =
π 2

0

2 cos(ω0 n + ϕ) cos(ω0 (n − k ) + ϕ) dϕ π cos(ω0 k ) sin(ω0 (2n − k )) − = 2 π
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 108/120

⇒ non stationnaire

Corrélation
(xn )n∈Z : signal stationnaire au sens large; mx = E {xn }.

Fonction d’autocorrélation de (xn )n∈Z :
Rx (k )

E {(xn − mx )(xn−k − mx )∗ }

Intercorrélation de deux signaux stationnaires sens large:
Rxy (k ) E {(xn − mx )(yn−k − my )∗ }

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 109/120

Corrélation
(xn )n∈Z : signal stationnaire au sens large; mx = E {xn }.

Fonction d’autocorrélation de (xn )n∈Z :
Rx (k )

E {(xn − mx )(xn−k − mx )∗ }

Intercorrélation de deux signaux stationnaires sens large:
Rxy (k ) E {(xn − mx )(yn−k − my )∗ } Rxy (k )
∗ E x n yn −k

Désormais signaux supposés centrés!
⇒ Rx (k ) E xn x∗ n−k

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 109/120

Corrélation
(xn )n∈Z : signal stationnaire au sens large; mx = E {xn }.

Fonction d’autocorrélation de (xn )n∈Z :
Rx (k )

E {(xn − mx )(xn−k − mx )∗ }

Intercorrélation de deux signaux stationnaires sens large:
Rxy (k ) E {(xn − mx )(yn−k − my )∗ } Rxy (k )
∗ E x n yn −k

Désormais signaux supposés centrés!
⇒ Rx (k ) E xn x∗ n−k

→ Rxy (k ) = x. , y.−k mesure une colinéarité

Dans L2 (Ω), produit scalaire X, Y = E {XY ∗ }
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 109/120

Propriétés de la corrélation
Symétrie hermitienne:
∗ Rxy (k ) = E xn yn −k ∗ } = (Ryx (−k ))∗ = E {xn+k yn

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 110/120

Propriétés de la corrélation
Symétrie hermitienne:
Rxy (k ) = (Ryx (−k ))∗ Rx (k ) = Rx (−k )∗

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 110/120

Propriétés de la corrélation
Symétrie hermitienne:
Rxy (k ) = (Ryx (−k ))∗ Rx (k ) = Rx (−k )∗

Majoration (Cauchy-Schwarz):
|Rxy (k )| = | x. , y.−k | ≤ E |xn |
2

E |yn−k |

2

1/2

=

Rx (0)Ry (0)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 110/120

Propriétés de la corrélation
Symétrie hermitienne:
Rxy (k ) = (Ryx (−k ))∗ Rx (k ) = Rx (−k )∗

Majoration (Cauchy-Schwarz):
|Rxy (k )| ≤

Rx (0)Ry (0)

→ |Rx (k )| ≤ Rx (0): autocorrélation maximale en zéro puissance Rx (0) > 0!

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 110/120

Propriétés de la corrélation
Symétrie hermitienne:
Rxy (k ) = (Ryx (−k ))∗ Rx (k ) = Rx (−k )∗

Majoration (Cauchy-Schwarz):
|Rxy (k )| ≤

Rx (0)Ry (0)

→ |Rx (k )| ≤ Rx (0): autocorrélation maximale en zéro puissance Rx (0) > 0!

Semi-définie positivité (
N i,j =1

o n P N 2 ≥0 en effet: E | i=1 λi xn−ni |

)

λi λ∗ j Rx (nj − ni ) ≥ 0,

(λi ∈ C, ni ∈ Z)
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 110/120

Puissance
Puissance de (xn )n∈Z , stationnaire sens large:
Px E |xn |2

Et puisque (xn )n∈Z centré, Px = Rx (0) Comment avoir E |xn |2 en pratique à partir de données?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 111/120

Puissance
Puissance de (xn )n∈Z , stationnaire sens large:
Px E |xn |2

Et puisque (xn )n∈Z centré, Px = Rx (0) Comment avoir E |xn |2 en pratique à partir de données? Rappel pour signal déterministe:
Px = limN →+∞
1 2N +1 N n=−N

|xn |2

Lien entre les deux définitions?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 111/120

Puissance
Puissance de (xn )n∈Z , stationnaire sens large:
Px E |xn |2

Et puisque (xn )n∈Z centré, Px = Rx (0) Comment avoir E |xn |2 en pratique à partir de données? Rappel pour signal déterministe:
Px = limN →+∞
1 2N +1 N n=−N

|xn |2

Lien entre les deux définitions? Condition pour écrire:
E |xn |2 = limN →+∞
1 2N +1 N n=−N
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 111/120

|xn |2 ?

Ergodicité
Comment accéder aux espérances E {g (xn1 , . . . , xnM )} ?

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 112/120

Ergodicité
Comment accéder aux espérances E {g (xn1 , . . . , xnM )} ?

Signal stationnaire (xn )n∈Z est dit ergodique lorsque:
1 lim N →+∞ N + 1
N k=0

g (xn1 +k , . . . , xnM +k ) = E {g (xn1 , . . . , xnM )}

pour tout M ≥ 1,n1 , . . . , nM ∈ Z, et toute fonction g telle que E {g (xn1 , . . . , xnM )} ait un sens.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 112/120

Ergodicité
Comment accéder aux espérances E {g (xn1 , . . . , xnM )} ?

Signal stationnaire (xn )n∈Z est dit ergodique lorsque:
1 lim N →+∞ N + 1
N k=0

g (xn1 +k , . . . , xnM +k ) = E {g (xn1 , . . . , xnM )}

⇒ Pour des signaux stationnaires et ergodiques, les

pour tout M ≥ 1,n1 , . . . , nM ∈ Z, et toute fonction g telle que E {g (xn1 , . . . , xnM )} ait un sens. moyennes statistiques peuvent être remplacées par des moyennes temporelles.

hypothèse d’ergodicité faite dès que nécessaire
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 112/120

Ergodicité: exemple
xn = cos(ω0 n + Φ) avec ω0 ∈ R et Φ uniforme sur [0, 2π ]. 1 lim N →∞ 2N + 1
N

xn
n=−N

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 113/120

Ergodicité: exemple
xn = cos(ω0 n + Φ) avec ω0 ∈ R et Φ uniforme sur [0, 2π ].

Si ω0 ∈ / π Z:

1 lim N →∞ 2N + 1

N n=−N

0 cos(Φ + ω 2 ) sin(ω0 (N + 1)) xn = lim 0 N →∞ 2N + 1 sin( ω 2 )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 113/120

Ergodicité: exemple
xn = cos(ω0 n + Φ) avec ω0 ∈ R et Φ uniforme sur [0, 2π ].

Si ω0 ∈ / π Z:

1 lim N →∞ 2N + 1

N n=−N

0 cos(Φ + ω 2 ) sin(ω0 (N + 1)) xn = lim 0 N →∞ 2N + 1 sin( ω 2 )

= 0 = E {x n }

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 113/120

Ergodicité: exemple
xn = cos(ω0 n + Φ) avec ω0 ∈ R et Φ uniforme sur [0, 2π ].

Si ω0 ∈ / π Z:

1 lim N →∞ 2N + 1

N n=−N

0 cos(Φ + ω 2 ) sin(ω0 (N + 1)) xn = lim 0 N →∞ 2N + 1 sin( ω 2 )

= 0 = E {x n } 1 lim N →∞ 2N + 1
N

xn x∗ n−k
n=−N

cos(ω0 k ) = E xn x∗ = n−k 2

⇒ stationnaire et ergodique au sens large pour ω0 ∈ / πZ

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 113/120

Ergodicité: exemple
xn = cos(ω0 n + Φ) avec ω0 ∈ R et Φ uniforme sur [0, 2π ].

Si ω0 ∈ / π Z:

1 lim N →∞ 2N + 1

N n=−N

0 cos(Φ + ω 2 ) sin(ω0 (N + 1)) xn = lim 0 N →∞ 2N + 1 sin( ω 2 )

= 0 = E {x n } 1 lim N →∞ 2N + 1
N

xn x∗ n−k
n=−N

cos(ω0 k ) = E xn x∗ = n−k 2

⇒ stationnaire et ergodique au sens large pour ω0 ∈ / πZ

Si ω0 ∈ 2π Z: stationnaire non ergodique car: xn = cos Φ et lim∞ 2N1+1 N −N xn = cos Φ = E {xn } = 0 Si ω0 ∈ π + 2π Z:
xn = (−1)n cos Φ

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 113/120

Densité spectrale de puissance
Densité spectrale de puissance Sx (f ):
Rx (k ) −→ Sx (f )
TF

Rx (k )e−ı2πkf
k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 114/120

Densité spectrale de puissance
Densité spectrale de puissance Sx (f ):
Rx (k ) −→ Sx (f )
TF

Rx (k )e−ı2πkf
k ∈Z

Propriété:
1/2

Px = Rx (0) =
−1/2

Sx (f ) df

Rq: Cas de non existence de la TF de Rx (k )? Th. Herglotz: comme Rx (k ) semi-déf. ≥ 0 ⇒ Il existe toujours une mesure spectrale de puissance raies dans le spectre ↔ masse Dirac
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 114/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
1 N
N 2 −ı2πkf ( k ) e R k ∈Z x

xk e−ı2πf k
k=1

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

  

−ı2πkf ( k ) e R k ∈Z x

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

 

−ı2πkf ( k ) e R k ∈Z x −ı2πf (k−l) E {xk x∗ } e l

1 =  N

N

N

k=1 l=1

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

 

−ı2πkf ( k ) e R k ∈Z x

1 =  N

N

N

k=1 l=1

Rx (k − l)e−ı2πf (k−l)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

 

−ı2πkf ( k ) e R k ∈Z x

1 = N

N −1

1 =  N

N

N

k=1 l=1

Rx (k − l)e−ı2πf (k−l)

p=−(N −1)

Rx (p)e−ı2πf p (N − |p|)

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

 

−ı2πkf ( k ) e R k ∈Z x

1 = N =

N −1

1 =  N

N

N

k=1 l=1

Rx (k − l)e−ı2πf (k−l)

p=−(N −1) N

Rx (p)e−ı2πf p (N − |p|)
−ı2πf p

Rx (p)e
p=−N

|p| 1− N

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Comprendre la définition de Sx (f ) ?
Densité spectrale de puissance: Sx (f )
E  1
N 2

N

xk e−ı2πf k
k=1

 

−ı2πkf ( k ) e R k ∈Z x

1 = N =

N −1

1 =  N

N

N

k=1 l=1

Rx (k − l)e−ı2πf (k−l)

p=−(N −1) N

Rx (p)e−ı2πf p (N − |p|)
−ı2πf p

Rx (p)e
p=−N N →∞

|p| 1− N
(convergence dominée)

−→ Sx (f )

théorème de Wiener-Khintchine
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 115/120

Filtrage d’un signal aléatoire
xn X (f ) hn H (f ) yn Y (f )

xn : signal aléatoire stationnaire sens large hn : réponse impulsionnelle déterministe d’un filtre

stable
⇒ sortie du filtre est signal aléatoire stationnaire au

sens large donné par:
yn =

hn−k xk
k ∈Z

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 116/120

Filtrage d’un signal aléatoire
xn X (f ) hn H (f ) yn Y (f )

xn : signal aléatoire stationnaire sens large hn : réponse impulsionnelle déterministe d’un filtre

stable
⇒ sortie du filtre est signal aléatoire stationnaire au

sens large donné par:
yn =

hn−k xk
k ∈Z

Densité spectrale de puissance du signal filtré:
Sy (f ) = |H (f )|2 Sx (f )
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 116/120

Bruit blanc
2. (εn )n∈Z suite de va centrées, décorrélées, E |εn |2 = σε

(εn )n∈Z est un signal aléatoire à temps discret

stationnaire

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 117/120

Bruit blanc
2. (εn )n∈Z suite de va centrées, décorrélées, E |εn |2 = σε

(εn )n∈Z est un signal aléatoire à temps discret

stationnaire Autocorrélation:
Rε (k ) = E εn ε∗ n−k =
2 σε δk

=

2 σε 0

si k = 0, sinon.

Densité spectrale: Sε (f ) =

−ı2πkf = σ 2 R ( k ) e ε k ε

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 117/120

Bruit blanc
2. (εn )n∈Z suite de va centrées, décorrélées, E |εn |2 = σε

(εn )n∈Z est un signal aléatoire à temps discret

stationnaire Autocorrélation:
Rε (k ) = E εn ε∗ n−k =
2 σε δk

=

2 σε 0

si k = 0, sinon.

Densité spectrale: Sε (f ) =
|2
2 σε

−ı2πkf = σ 2 R ( k ) e ε k ε

→ Sε (f ) = constante: εn est un bruit blanc numérique

de puissance E |εn

=

=

−1 2

1 2

Sε (f ) df

Rq: si (εn )n∈Z indépendantes identiquement distribuées (iid), 2 , c’est un bruit blanc (strict). centrées, E |εn |2 = σε

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 117/120

Signaux harmoniques
1 , (fp )p∈Z raies à des fréquences données dans [− 1 2 2] (Up )p∈Z : va complexes, centrées, décorrélées, p |Up |2 < ∞

xn =
p∈Z

Up eı2πnfp

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 118/120

Signaux harmoniques
1 , (fp )p∈Z raies à des fréquences données dans [− 1 2 2] (Up )p∈Z : va complexes, centrées, décorrélées, p |Up |2 < ∞

xn = E {x n } = 0
p∈Z

Up eı2πnfp

E xn x∗ n−k = =

p

∗ eı2πnfp e−ı2π (n−k)fq E U U p q q

2 eı2πkfp E | U | p p

⇒ spectre de raies donné par la mesure spectrale: αp δfp
p∈Z

où αp = E |Up |2 et δfp = masse de Dirac en fp
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 118/120

Signaux harmoniques
1 , (fp )p∈Z raies à des fréquences données dans [− 1 2 2] (Up )p∈Z : va complexes, centrées, décorrélées, p |Up |2 < ∞

xn = E {x n } = 0
p∈Z

Up eı2πnfp

E xn x∗ n−k = =

p

∗ eı2πnfp e−ı2π (n−k)fq E U U p q q

2 eı2πkfp E | U | p p

⇒ spectre de raies donné par la mesure spectrale: αp δfp
p∈Z

où αp = E |Up |2 et δfp = masse de Dirac en fp Peut-on généraliser? TF des signaux aléatoires?
T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 118/120

Décomposition de Cramer-Khintchine
(xn )n∈Z stationnaire et ergodique (sens large) lim∞
1 2N +1 N −N

|xn | = E {|x0 |} est fini

→ pas de TF des trajectoires au sens L1 ou L2

⇒ pour (presque) toute trajectoire, xn ∈ / L1 et idem xn ∈ / L2

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 119/120

Décomposition de Cramer-Khintchine
(xn )n∈Z stationnaire et ergodique (sens large) lim∞
1 2N +1 N −N

|xn | = E {|x0 |} est fini

→ pas de TF des trajectoires au sens L1 ou L2

⇒ pour (presque) toute trajectoire, xn ∈ / L1 et idem xn ∈ / L2 ∃ une décomposition spectrale (Cramer-Khintchine): xn = eı2πf dX (f ) où:

intégrale de Wiener (petite intégrale stochastique) (X (f ))f ∈]− 1 , 1 ] : processus unique, 2 2 accroissements non corrélés.

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 119/120

Décomposition de Cramer-Khintchine
(xn )n∈Z stationnaire et ergodique (sens large) lim∞
1 2N +1 N −N

|xn | = E {|x0 |} est fini

→ pas de TF des trajectoires au sens L1 ou L2

⇒ pour (presque) toute trajectoire, xn ∈ / L1 et idem xn ∈ / L2 ∃ une décomposition spectrale (Cramer-Khintchine): xn = eı2πf dX (f ) où:

intégrale de Wiener (petite intégrale stochastique) (X (f ))f ∈]− 1 , 1 ] : processus unique, 2 2 accroissements non corrélés. → Eviter TF de signal aléatoire dans ce cours (mais TF fonction d’autocorrélation → densité spectrale).

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 119/120

Signaux aléatoires à temps continu
Les notions présentées pour les signaux temps discret existent aussi à temps continu ( ↔ ). Des difficultés supplémentaires: continuité d’un signal aléatoire, dérivabilité,. . .

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 120/120

Signaux aléatoires à temps continu
Les notions présentées pour les signaux temps discret existent aussi à temps continu ( ↔ ). Des difficultés supplémentaires: continuité d’un signal aléatoire, dérivabilité,. . . bruit blanc à temps continu: densité spectrale de puissance constante
Sε (f ) =
N0 2

autocorrélation: Rε (τ ) =

N0 2 δ (τ )

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 120/120

Signaux aléatoires à temps continu
Les notions présentées pour les signaux temps discret existent aussi à temps continu ( ↔ ). Des difficultés supplémentaires: continuité d’un signal aléatoire, dérivabilité,. . . bruit blanc à temps continu: densité spectrale de puissance constante
Sε (f ) =
N0 2

autocorrélation: Rε (τ ) = Problème:
Pε = E |ε(0)|
2

N0 2 δ (τ ) ∞ −∞

=

N0 df = +∞ 2

bruit blanc temps ↔ densité spectrale constante sur une «large bande fréquence» [−B, B ], où B ≥ bande passante

T´ el´ ecom SudParis 2012, SIC3501 — Marc Castella – p. 120/120

Sign up to vote on this title
UsefulNot useful