Partie 2

Signaux et Système Numériques

 Chapitre 1

Etude des signaux numériques

I. Généralités sur les signaux numériques

I.1 Introduction
Un signal numérique est une suite de nombres réels appelés ‶échantillons″ obtenus après
un traitement numérique ou une numérisation d’un signal analogique. De point de vue
mathématique, un signal numérique est représenté par des séquences de nombres notés x[n]
pour n compris entre -∞ et +∞ n’est défini que pour n entier.

Pourquoi numériser un signal analogique ?

On peut regrouper les raisons qui ont nécessité la numérisation des signaux analogiques
aux points suivants :

 Permettre aux machines informatiques de traiter les informations analogiques

 Faciliter la transmission des informations via un canal fonctionnant en binaire ce qui
rend la transmission plus rapide.
 Le signal numérique est moins sensible au bruit.
 Gagner plus d’espace de stockage dans des supports numériques comme : CD, clé
USB…
Les signaux numériques interviennent dans plusieurs domaines comme :

 TV numérique,
 Enregistrement audio MP3 et enregistrement vidéo MP4…
 Téléphonie mobile etc.

En général une chaine de traitement numérique d’un signal analogique en temps réel est
représentée par la figure suivante :

1
 Signal analogique
d’entrée Ve(t)

Processus de Système Processus de

Filtre anti- la conversion informatique: la conversion Filtre de
recouvrement Analogique / μprocesseur. Numérique/ reconstitution
Numérique μcontroleur Analogique

Signal analogique
de sortie Vs(t)

Figure 5.1. Chaine de traitement numérique d’un signal analogique en temps réel

 Ve(t) est le signal analogique d’entrée provenant de l’extérieur comme par exemple : une
tension issue d’un capteur de température.
 Conversion analogique/numérique notée CAN : processus qui transforme le signal
analogique Ve(t) en un signal numérique de n bits. Cette transformation est la succession
de trois étapes à savoir :
1. Echantillonnage qui correspond à la discrétisation du signal continu.
2. Quantification qui associe à chaque échantillon une valeur.
3. Codage pour associer un code binaire (nombre écrit avec 0 ou 1) à chaque valeur
quantifiée.
 Filtre anti-recouvrement qui permet de limiter le domaine fréquentiel sur lequel portera
le traitement du signal à transmettre (enlever les fréquences non utiles).
 Système informatique constitué en général d’un microprocesseur programmable ou d’un
microcontrôleur dont le rôle est d’effectuer des calculs rapides sur plusieurs échantillons
 Conversion numérique/analogique notée aussi CNA convertie le signal à son entrée de n
bits en un signal analogique une tension ou un courant.
 Filtre de reconstitution ou de lissage permet de reconstruire le signal de sortie Vs(t). En
général ce filtre est de type passe-bas dont la bande passante doit être assez suffisante
pour laisse passer l’information contenue dans le signal à la sortie du CNA.

Rq : En général, les filtres d’anti-recouvrement et de reconstitution sont de même nature.

I.2 Représentation par des fonctions usuelles

I.1. I.2.1 L’impulsion unité discrète
Cette impulsion est définie comme suit : 𝛿[n]
1 𝑛=0
𝛿[𝑛] = { 1
0 𝑛≠0
. 0
. . .
1 2 3 n

2
L’importance de cette séquence est qu’elle peut servir à définir n’importe quelle autre séquence.
En effet on peut toujours écrire pour une suite x[n] quelconque :
+∞

𝑥[𝑛] = ∑ 𝑥[𝑘] 𝛿[𝑛 − 𝑘]; 𝑎𝑣𝑒𝑐 𝛿[𝑛 − 𝑘] 𝑒𝑠𝑡 𝑙 ′ 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝑑é𝑐𝑎𝑙é𝑒

𝑘=−∞

1 𝑛=𝑘
avec : 𝛿[𝑛 − 𝑘] = { 𝑒𝑠𝑡 𝑙 ′ 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝑑é𝑐𝑎𝑙é𝑒
0 𝑛≠𝑘
II.1. I.2.2 Le saut unité
1 𝑛≥0
Appelée aussi la fonction échelon unité et définie par : 𝑢 [𝑛] = { ; on peut facilement
0 𝑛<0
écrire :
+∞ u[n]
𝑢[𝑛] = ∑ 𝛿[𝑛 − 𝑘] ; 𝑒𝑡 𝛿[𝑛] = 𝑢[𝑛] − 𝑢[𝑛 − 1]
𝑘=0
1

. 0 1 2 3 n

III.1. I.2.3 La fonction rampe

La fonction rampe discrète est définie par :
r[n]
𝑛 𝑛≥0
𝑟 [𝑛] = {
0 𝑛<0 3

2
1
. . 0 1 2 3 n

IV.1. I.2.4 La fonction rectangulaire

1 −𝑇 <𝑛 <𝑇
Cette fonction est définie par : 𝑟𝑒𝑐𝑡𝑇 [𝑛] = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠

rect T [n]

. -T 0 1 2 T
. n
3
Remarques:

 C’est un signal rectangulaire discret d’amplitude 1 et de durée 2T+1

 𝑟𝑒𝑐𝑡𝑇 [𝑛] = 𝑢[𝑛 + 𝑇] + 𝑢[𝑛 − (𝑇 + 1)].

I.3 Propriétés des signaux discrets

 Causalité : un signal numérique est dit causal s’il est nul pour toute valeur n <0 : x[n]=0
si n<0.
 Stabilité : un signal x[n] est stable s’il vérifie la relation suivante :
+∞

∑ 𝑥[𝑛] < ∞
𝑛=−∞
 Energie finie : un signal numérique est à énergie finie si sa norme au carré est bornée
soit :
+∞

𝐸 = ∑ |𝑥[𝑛]|2 < ∞
𝑛=−∞
 Puissance finie : un signal numérique est dit à puissance finie s’il vérifie la condition
suivante :
𝑛=𝑁
1
𝑃 = lim ( ∑ |𝑥[𝑛]|2 ) < ∞
𝑁→+∞ 2𝑁 + 1
𝑛=−𝑁
 Symétrie :
- Symétrie paire : x[n] = x[-n].
- Symétrie impaire : x[-n] = -x[n].

I.4 Corrélation entre signaux discrets

La corrélation ou l’inter corrélation entre deux signaux discrets x[n] et y[m] est définie
par :
𝑛=+∞ 𝑛=+∞

𝑅𝑥𝑦 [𝑘] = ∑ 𝑥[𝑛]𝑦[𝑛 − 𝑘] = ∑ 𝑥[𝑛 + 𝑘]𝑦[𝑛]

𝑛=−∞ 𝑛=−∞
Comme pour les signaux analogiques continus, la corrélation entre deux signaux numériques
permet de déterminer le degré de similitude entre eux ce qui représente un outil fort pour
extraire ou identifier un signal utile dans un signal plongé dans du bruit.

La corrélation d’un signal avec lui-même est appelée autocorrélation et il est définie comme
suit :
- Si le signal est à énergie finie :
𝑛=+∞ 𝑛=+∞

𝑅𝑥𝑥 [𝑘] = ∑ 𝑥[𝑛]𝑥[𝑛 − 𝑘] = ∑ 𝑥[𝑛 + 𝑘]𝑥[𝑛]

𝑛=−∞ 𝑛=−∞
Si de plus k=0 alors :
4
 𝑛=+∞

𝑅𝑥𝑥 [0] = ∑ 𝑥[𝑛]2 = energie du signal numérique.

𝑛=−∞

- Si le signal est à puissance finie :

𝑛=𝑁
1
𝑅𝑥𝑥 [𝑘] = lim ( ∑ 𝑥[𝑛 + 𝑘]𝑥[𝑛])
𝑁→+∞ 2𝑁 + 1
𝑛=−𝑁
Si de plus k=0 alors :
𝑛=𝑁
1
𝑅𝑥𝑥 [0] = lim ( ∑ 𝑥[𝑛]2 = puissance moyenne du signal numérique.)
𝑁→+∞ 2𝑁 + 1
𝑛=−𝑁

I.5 Produit de convolution

On a déjà vu dans le chapitre des signaux analogiques que la convolution permet de

déterminer la sortie y(t) d’un système pour n’importe quelle entrée x(t) lorsque sa réponse
impulsionnelle est h(t) est connue. Dans le cas des signaux numériques, elle est définie comme
suit :
+∞

𝑦[𝑛] = 𝑥[𝑛] ⊗ ℎ[𝑛] = ∑ 𝑥[𝑛]ℎ[𝑘 − 𝑛]

𝑘=−∞
Ce produit possède les mêmes propriétés déjà vues dans le cas des signaux analogiques
(voir chapitre 1).

II. Du signal analogique continu au signal numérique discret

On rappelle que le passage d’un signal analogique porteur d’informations en un signal

discret, processus qu’on appellera conversion analogique/numérique, nécessite trois opérations
cruciales à savoir : - L’échantillonnage
- La quantification
- Le codage.
Dans ce chapitre on va s’intéresser uniquement aux signaux déterministes donc réels à
temps discret.

II.1 Echantillonnage idéal

V.1. II.1.1 Principe de l’échantillonnage

L’échantillonnage est un processus qui consiste à prélever l’amplitude d’un signal

analogique x(t) à des instants tn précis. Généralement les tn sont équidistants d’une distance
qu’on note Te, appelée période d’échantillonnage. Donc l’échantillonnage associe à un signal
x(t), continu dans le temps, une suite discrète de nombres xe(t) telle que :

5
 𝒙𝒆 (𝒕) = 𝒙(𝒌𝑻𝒆 ), 𝒂𝒗𝒆𝒄: 𝒌 𝒖𝒏 𝒆𝒏𝒕𝒊𝒆𝒓
Cette opération est effectuée par un échantillonneur symbolisé par un interrupteur
comme indiqué sur la figure suivante :

x(t) xe (t)

Echantillonneur
de période Te

t Te t

L’échantillonnage est dit idéal si le prélèvement des échantillons se fait pendant un temps
infiniment court.

VI.1. II.1.2 Modélisation mathématique

Un échantillonneur idéal est modélisé par la multiplication du signal continu x(t) par un
peigne de Dirac de période Te soit :
xe (t) = x(t) × δTe (t)
Avec :
+∞

δTe (t) = ∑ δ(t − kTe )

k=−∞

x(t) δTe (t)

xe (t)

× ⇒
t -2Te -Te Te 2Te 3Te t Te t

Donc on a :
+∞ +∞

xe (t) = x(t) × ∑ δ(t − kTe ) = ∑ x(t)δ(t − kTe )

k=−∞ k=−∞

Or: x(t)δ(t − t 0 ) = x(t 0 )δ(t − t 0 ) ⇒ ∀k, on a: x(t)δ(t − kTe ) = x(kTe )δ(t − kTe )
Par suite on a :

6
 +∞

xe (t) = ∑ x(kTe )δ(t − kTe ) = x(kTe )

k=−∞

VII.1. II.2.3 Spectre du signal échantillonné

Soit x(t) un signal analogique dont le signal échantillonné correspondant est xe(t). Pour
déterminer le spectre de x(t) après échantillonnage idéal on applique la transformée de Fourier
à xe(t) on obtient :

Xe (f) = TF[xe (t)] = TF[x(t) × δTe (t)]

Or d’après le théorème de Plancherel (voir chapitre1) on a :

+∞
1
Xe (f) = X(f) ⊗ TF[δTe (t)] = X(f) ⊗ Fe ∑ δ(f − kFe ) ; avec: Fe =
Te
k=−∞
+∞

Xe (f) = Fe ∑ X(f) ⊗ δ(f − kFe )

k=−∞
Or : X(f) ⊗ δ(f − kFe ) = X(f − kFe )
Donc :
+∞

𝐗 𝐞 (𝐟) = 𝐅𝐞 ∑ 𝐗(𝐟 − 𝐤𝐅𝐞 ).

𝐤=−∞

Conclusion :

• Le spectre de 𝒙𝒆 (𝒕) est celui de x(t) périodisé à une période fréquentielle 𝑭𝒆 .

• L’échantillonnage dans le domaine temporel se traduit par une périodisation de
𝟏
période 𝑭𝒆 = 𝑻 dans le domaine fréquentielle, 𝑻𝒆 étant la période d’échantillonnage.
𝒆

VIII.1. II.2.4 Analyse du spectre d’un signal échantillonné

Soit x(t) un signal réel échantillonné à une période Te . On suppose que le spectre de x(t)
est borné en fréquence de fréquence maximale Fmax comme indiqué sur la figure suivante :

|X(f)|
∀ |f| > Fmax; on a: |X(f)| = 0
1
Que devient le spectre de 𝐱 𝐞 (𝐭) ?
D’après le paragraphe précèdent on a :
+∞

𝑋𝑒 (𝑓) = 𝐹𝑒 ∑ 𝑋(𝑓 − 𝑘𝐹𝑒 ). −Fmax Fmax f

𝑘=−∞

7
⇨ 1er cas: 𝑭𝒆 ≥ 𝟐𝑭𝒎𝒂𝒙

Dans ce cas on a :

𝑋𝑒 (𝑓) = 𝐹𝑒 𝑋(𝑓) + 𝐹𝑒 𝑋(𝑓 − 𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 − 2𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 + 𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 + 2𝐹𝑒 ) + ⋯

Relation qu’on peut schématisée par la figure suivante :

|Xe (f)|

k = −2 k = −1 Fe k = 0 k=1 k =2

2Fmax

−2Fe −Fe −Fmax Fmax Fe 2Fe f

2Fmax ≤ Fe

On remarque que les motifs sont disjoints et que le motif principal (central pour k=0)
correspond au spectre de x(t) , donc on peut facilement reconstruire le signal x(t) à partir de son
échantillonné xe(t) il suffit d’applique un filtre passe bas à |Xe (f)| pour obtenir |X(f)|.

⇨ 2ème cas : 𝑭𝒆 < 𝟐𝑭𝒎𝒂𝒙

En se basant toujours sur la relation :

𝑋𝑒 (𝑓) = 𝐹𝑒 𝑋(𝑓) + 𝐹𝑒 𝑋(𝑓 − 𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 − 2𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 + 𝐹𝑒 ) + 𝐹𝑒 𝑋(𝑓 + 2𝐹𝑒 ) + ⋯

On a la configuration suivante :

|X𝑒 (f)|
Spectre résultant du
recouvrement des motifs
Fe
k = −2 k = −1 k=0 k=1 k =2

2Fmax
Fe
−2Fe −Fe −Fmax Fmax 2Fe f

2Fmax > Fe Recouvrement des motifs

(Repliement du spectre)

8
On constate qu’on a chevauchement des motifs élémentaires constituants le spectre de xe (t) ce
qui conduit à un phénomène de recouvrement spectral. Ce repliement du spectre (Aliasing) rend
impossible la reconstitution de x(t) ce qui nous amène à la condition de Shannon.

IX.1. II.2.5 Théorème de Shannon/Nyquist

La condition nécessaire et suffisante pour échantillonner un signal à bande limitée sans
perte d’information est que la fréquence d’échantillonnage Fe soit supérieure à deux fois la
fréquence maximale du signal Fmax soit :

𝑭𝒆 ≥ 𝟐𝑭𝒎𝒂𝒙
Fe
Pour Fe fixée, , appelée fréquence de Nyquist, correspond à la fréquence maximale
2
admissible du signal pour éviter les distorsions du spectre.
Si la période d’échantillonnage est trop petite donc la fréquence trop grande cela peut
modifier gravement le signal temporel perçu après échantillonnage. On dit que le signal est sous
échantillonné. Donc il faut choisir la fréquence d’échantillonnage de telle façon à éviter le sur-
échantillonnage et le sous-échantillonnage comme l’indique la figure suivante qui représente
l’échantillonnage d’une sinusoïde.

𝑇𝑒 trop grande

𝑇𝑒 de Shannon

𝑇𝑒 trop petite

Remarques :

 Les sons audibles ont une fréquence maximale Fmax = 20000 Hz

 Dans le tableau suivant on a regroupé quelques fréquences d’échantillonnage usuelles :

Support GSM CD audio Radio Numérique DVD Mini DV

Fe (Hz) 8000 44100 22500 48000 32000, 48000

9
 X.1. II.2.6 Exercices d’application de l’échantillonnage
Exercice1
On considère le signal périodique 𝑠(𝑡) = sin(2𝜋𝐹𝑡) = sin(𝜔𝑡) ; 𝑎𝑣𝑒𝑐 𝜔 = 2𝜋𝐹, de
période T=1ms qu’on échantillonne avec une période d’échantillonnage Te=0.1ms.
1. Représenter s(t) et se(t) pour une période T.
1
2. Si S(f) la transformée de Fourier de s(t) telle que : S(f) = 2j [δ(f − F) − δ(f + F)]
a. Représenter S(f)
b. Donner l’expression de la transformée de Fourier du signal échantillonné se(t) soit
Se(f)
c. Représenter Se(f) pour -2 < k < 2

Solution :

T
1. On a T=1ms et Te = 0.1ms = 10 ; d’où les figures suivantes :

s(t) se (t)
1 1

T T

t 1 t
Fe = Te
Te

1 1
2. a. on a : S(f) = 2j [δ(f − F) − δ(f + F)] = 2 j[δ(f + F) − δ(f − F)]
j j
S(f) = δ(f + F) − δ(f − F)
2 2
S(f)

1/2

𝐹
−𝐹 f

-1/2

10
 1 1
b. On a : Fe = T = 104 Hz et F = T = 103 Hz donc Fe = 10F > 2F, on peut dire que
e
l’échantillonnage ce fait sans perte selon la condition de Shannon et le spectre du signal
échantillonné se(t) est donné par la relation suivante :
+∞

S𝑒 (f) = Fe ∑ S(f − kFe )

−∞

c. Pour -2 < k < 2 on a:

S𝑒 (f) = Fe S(f + 2Fe ) + Fe S(f + Fe ) + Fe S(f) + Fe S(f − Fe ) + Fe S(f − 2Fe )

D’où la représentation suivante :

S(f)

Fe
2

F
−Fe −F Fe 2Fe
-2Fe f
−Fe
2

XI.1. II.2.6 Filtre anti repliement

Dans le paragraphe II.2.4, on a vu que dans le cas 𝐅𝐞 < 𝟐𝐅𝐦𝐚𝐱 , les spectres répétitifs du
signal se superposent. En effet en réduisant la fréquence d’échantillonnage on diminue la
distance entre les spectres qui finalement se recouvrent ce qui rend la récupération du signal
d’origine impossible. D’un autre côté, une période d’échantillonnage trop petite donc fréquence
d’échantillonnage très grande devant la fréquence maximale du signal, peut modifier gravement
le signal temporel reconstruit après l’échantillonnage.
Ce problème est nettement aperçu lorsqu’il s’agit des signaux à support fréquentiel
infini, pour lesquels il est quasi impossible de définir Fmax . Quel que soit la fréquence
d’échantillonnage Fe il y’aura toujours un repliement du spectre. En particulier ceci s’applique
sur les signaux réels qui comportent souvent une composante fréquentiel large due à la présence
du bruit. Pour remédier à ce problème en pratique, on fixe d’abord une fréquence Fmax à partir
de laquelle on estime la représentation de notre signal satisfaisante pour les applications que
Fe
l’on veut en faire puis on applique un filtre passe-bas de fréquence de coupure Fc < au signal
2
avant son échantillonnage. Ce filtre est appelé filtre anti repliement ou anti recouvrement.

11
 II.2. Echantillonnage Réel

En pratique, on ne peut pas échantillonner instantanément un signal réel. En réalité, le

prélèvement d’un échantillon dure un certain temps τ ceci implique que l’échantillonnage réel
est une multiplication d’un signal (supposé causal) par un train d’impulsion rectangulaire de
durée τ, périodique de période Te .

Parmi les systèmes d’échantillonnage réel, deux sont connus à savoir :

- Echantillonneur bloqueur.
- Echantillonneur moyenneur.

XII.1. II.2.1 Echantillonneur bloqueur

Son principe est de mémoriser la valeur du signal s(t) durant un temps τ pour être
convertie numériquement via un convertisseur CAN de temps de conversion θ et ainsi
l’échantillonner à une période Te = θ + τ. Ainsi le signal échantillonné peut être représenté
sous la forme de suite de fonctions portes de largeur τ et d’amplitudes égales aux échantillons
du signal autrement on aura :
+∞

𝑠𝑒 (𝑡) = ∑ 𝑠(𝑘𝑇𝑒 )𝛱𝜏 (𝑡 − 𝑘𝑇𝑒 ); 𝑎𝑣𝑒𝑐: 𝛱𝜏 (𝑡 − 𝑘𝑇𝑒 ) 𝑝𝑜𝑟𝑡𝑒 𝑟𝑒𝑡𝑎𝑟𝑑é𝑒 𝑑𝑒 𝑘𝑇𝑒

𝑘=−∞
Or: 𝛱𝜏 (𝑡 − 𝑘𝑇𝑒 ) = 𝛱𝜏 (𝑡) ⊗ 𝛿(𝑡 − 𝑘𝑇𝑒 )
Donc :
+∞ +∞

𝑠𝑒 (𝑡) = ∑ 𝑠(𝑘𝑇𝑒 )𝛱𝜏 (𝑡) ⊗ 𝛿(𝑡 − 𝑘𝑇𝑒 ) = ∑ 𝑠(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 ) ⊗ 𝛱𝜏 (𝑡)
𝑘=−∞ 𝑘=−∞

⊗ produit de convolution est distributif donc:

+∞ +∞

𝑠𝑒 (𝑡) = ∑ 𝑠(𝑡)𝛿(𝑡 − 𝑘𝑇𝑒 ) ⊗ 𝛱𝜏 (𝑡) = 𝑠(𝑡) ∑ 𝛿(𝑡 − 𝑘𝑇𝑒 ) ⊗ 𝛱𝜏 (𝑡)

𝑘=−∞ 𝑘=−∞
En calculant la transformée de Fourier du signal échantillonné on obtient :

+∞

𝑆𝑒 (𝑓) = 𝑆(𝑓) ⊗ 𝑇𝐹 [ ∑ 𝛿(𝑡 − 𝑘𝑇𝑒 )] × 𝑇𝐹[𝛱𝜏 (𝑡)]

𝑘=−∞
Or :
+∞ +∞
1
𝑇𝐹 [ ∑ 𝛿(𝑡 − 𝑘𝑇𝑒 )] = ∑ 𝛿(𝑓 − 𝑘𝐹𝑒 ); 𝑒𝑡 𝑇𝐹[𝛱𝜏 (𝑡)] = 𝜏𝑆𝑖𝑛𝑐(𝑓𝜏)
𝑇𝑒
𝑘=−∞ 𝑘=−∞
Donc :

12
 +∞
1
𝑆𝑒 (𝑓) = 𝑆(𝑓) ⊗ ∑ 𝛿(𝑓 − 𝑘𝐹𝑒 ) × 𝜏𝑆𝑖𝑛𝑐(𝑓𝜏)
𝑇𝑒
𝑘=−∞
+∞

= 𝐹𝑒 𝑆(𝑓) ⊗ ∑ 𝛿(𝑓 − 𝑘𝐹𝑒 ) × 𝜏𝑆𝑖𝑛𝑐(𝑓𝜏)

𝑘=−∞

+∞ +∞

𝑆𝑒 (𝑓) = 𝐹𝑒 𝜏𝑆𝑖𝑛𝑐(𝑓𝜏) ∑ 𝑆(𝑓) ⊗ 𝛿(𝑓 − 𝑘𝐹𝑒 ) = 𝐹𝑒 𝜏𝑆𝑖𝑛𝑐(𝑓𝜏) ∑ 𝑆(𝑓 − 𝑘𝐹𝑒 )

𝑘=−∞ 𝑘=−∞
+∞

𝑺𝒆 (𝒇) = 𝝉𝑭𝒆 𝑺𝒊𝒏𝒄(𝒇𝝉) ∑ 𝑺(𝒇 − 𝒌𝑭𝒆 )

𝒌=−∞

𝑭𝒆
Si on applique un filtre passe-bas de fréquence de coupure 𝑭𝒄 = ; alors on isole le spectre
𝟐
de base celui pour k=0 et on aura :

𝑺𝒆𝟎 (𝒇) = 𝝉𝑭𝒆 𝑺𝒊𝒏𝒄(𝒇𝝉)𝑺(𝒇); ceci représente une modulation du spectre initial S(f) par la
fonction Sinc(τf), si 𝜏 est très faible alors la distorsion est faible.

XIII.1. II.2.2 Echantillonneur moyenneur

Comme son nom l’indique, on retient la valeur moyenne du signal pendant un intervalle
de durée τ centré sur l’instant kTe ce qui revient à multiplier le signal pendant un temps τ par
une porte de largeur τ retardée de kTe (car en pratique la valeur moyenne est calculée avant la
prise d’un échantillon d’où le retard). Autrement dit on calcule, toutes les Te secondes (période
d’échantillonnage), la valeur moyenne du signal pendant un intervalle de temps τ (τ << T) et on
affecte cette valeur moyenne à l’échantillon discrétisé.

On calcule d’abords la valeur d’un échantillon 𝑠(kTe ) :

𝜏
1 kTe +2
𝑠(kTe ) = ∫ 𝑠(𝑡)𝑑𝑡; 𝑐𝑎𝑙𝑐𝑢𝑙 𝑑𝑒 𝑙𝑎 𝑚𝑜𝑦𝑒𝑛𝑛𝑒
𝜏 kTe −τ
2

1 1
𝑠(kTe ) = 𝑠(𝑡)𝛱𝜏 (𝑡 − 𝑘𝑇𝑒 ) = [𝑠(𝑡) × (𝛱𝜏 (𝑡) ⊗ 𝛿(𝑡 − 𝑘𝑇𝑒 ))]
𝜏 𝜏
1
𝑠(kTe ) = 𝜏 𝑠(𝑡) ⊗ (𝛱𝜏 (𝑡)[𝛿(𝑡 − 𝑘𝑇𝑒 )]
+∞ +∞
1 1
𝑠𝑒 (t) = ∑ 𝑠(𝑡) ⊗ (𝛱𝜏 (𝑡)[𝛿(𝑡 − 𝑘𝑇𝑒 )] = ∑ 𝑠(𝑡) ⊗ (𝛱𝜏 (𝑡)[𝛿(𝑡 − 𝑘𝑇𝑒 )]
𝜏 𝜏
𝑘=−∞ 𝑘=−∞

Donc :

13
 +∞
1
𝑆𝑒 (𝑓) = 𝑇𝐹(𝛱𝜏 (𝑡)) × 𝑇𝐹(𝑠(𝑡)) ⊗ 𝑇𝐹 ( ∑ 𝛿(𝑡 − 𝑘𝑇𝑒 ))
𝜏
𝑘=−∞
+∞
1 1
𝑆𝑒 (𝑓) = × 𝜏𝑠𝑖𝑛𝑐(𝜏𝑓) × 𝑆(𝑓) ⊗ ( ∑ 𝛿(𝑓 − 𝑘𝐹𝑒 ))
𝜏 𝑇𝑒
𝑘=−∞
+∞
1
𝑆𝑒 (𝑓) = 𝑠𝑖𝑛𝑐(𝜏𝑓) [ ∑ 𝑆(𝑓) ⊗ 𝛿(𝑓 − 𝑘𝐹𝑒 )]
𝑇𝑒
𝑘=−∞
+∞

𝑺𝒆 (𝒇) = 𝑭𝒆 𝒔𝒊𝒏𝒄(𝝉𝒇) [ ∑ 𝑺(𝒇 − 𝒌𝑭𝒆 )]

𝒌=−∞

L’expression obtenue est équivalente à celle de l’échantillonneur bloqueur à la

différence près de l’absence de τ qui se simplifie par le calcul de la moyenne des échantillons.
𝑭𝒆
Si on applique un filtre passe-bas de 𝑭𝒄 = , appelé aussi filtre de Nyquist, on obtient
𝟐
pour k=0, le spectre initial du signal échantillonné est 𝑺𝒆𝟎 (𝒇) = 𝑭𝒆 𝑺𝒊𝒏𝒄(𝒇𝝉)𝑺(𝒇);

II.3. Quantification

XIV.1. II.3.1. Définition

Soit x(t) un signal borné échantillonné à une période d’échantillonnage 𝑻𝒆 et soit 𝒙𝒆 (𝒕)
son signal échantillonné. L’opération de quantification consiste à approximer chaque valeur
échantillonnée 𝒙(𝒌𝑻𝒆 ) par un multiple entier d’une entité élémentaire ∆q appelé ‶pas de
quantification″ ou quantum.
En d’autre terme, la quantification consiste à attribuer un nombre binaire codé sur n bits
à chaque valeur du signal prélevé au cours de l’échantillonnage et chacune est représentée par
une seule valeur discrète 𝒙𝒒 (𝒌𝑻𝒆 ). Chaque bit vaut 0 ou 1 donc on peut avoir N=2n
combinaisons possibles.
Dans ce chapitre, on va s’intéresser uniquement à un type particulier de quantification
à savoir la quantification linéaire uniforme qui attribue le même niveau binaire à toutes
valeurs du signal à quantifier situées dans un intervalle de largeur ∆q constante soit [k∆q, (k+1)
∆q].

14
 xe (t)
Quantification Signal analogique continu

Valeurs discrètes
quantifiées
Te t

Echantillonnage

XV.1. II.3.2 Le pas de quantification ou le Quantum

Le pas de quantification est défini par le rapport :

∆ 𝑝𝑙𝑎𝑔𝑒 𝑑𝑒𝑠 𝑣𝑎𝑙𝑒𝑢𝑟𝑠

∆𝑞 = 𝑛
= ,
2 2𝑛
Avec : ∆ représente le domaine de conversion, ∆= 𝑣𝑎𝑙𝑒𝑢𝑟 𝑚𝑎𝑥𝑖𝑚𝑎𝑙𝑒 − 𝑣𝑎𝑙𝑒𝑢𝑟 𝑚𝑖𝑛𝑖𝑚𝑎𝑙𝑒
Si les valeurs échantillonnées sont comprises dans un intervalle continu [𝑋𝑒𝑚𝑖𝑛 , 𝑋𝑒𝑚𝑎𝑥 ] alors :
∆ 𝑋𝑒𝑚𝑎𝑥 − 𝑋𝑒𝑚𝑖𝑛
∆𝑞 = = ∶ 𝑷𝒂𝒔 𝒅𝒆 𝒒𝒖𝒂𝒏𝒕𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏
2𝑛 2𝑛−1
∆𝑞
𝑅= : 𝑹é𝒔𝒐𝒍𝒖𝒕𝒊𝒐𝒏.
∆
∆𝑞
𝐸𝑞 = : 𝑺𝒊𝒈𝒏𝒂𝒍 𝒅′ 𝒆𝒓𝒓𝒆𝒖𝒓.
2
XVI.1. II.3.3. Quantification par arrondi
La quantification par arrondi est définie comme suit :
𝟏 𝟏
Si: (𝑵 − ) ∆𝒒 ≤ 𝒙𝒆 (𝒌𝑻𝒆 ) ≤ (𝑵 + ) ∆𝒒
𝟐 𝟐
Alors: 𝒙𝒒 (𝒌𝑻𝒆 ) = 𝑵∆𝒒

XVII.1. II.3.4. Quantification par troncature

La quantification par troncature est définie comme suit :
15
 Si: 𝑵∆𝒒 ≤ 𝒙𝒆 (𝒌𝑻𝒆 ) ≤ (𝑵 + 𝟏)∆𝒒
Alors: 𝒙𝒒 (𝒌𝑻𝒆 ) = 𝑵∆𝒒

xq (kTe ) xq (kTe )

∆q . ∆q .
.
-∆q
. . .
∆q xe (kTe )
.
-∆q
. . .
∆q xe (kTe )
.
-∆q .-∆q

Quantification par arrondi Quantification par troncature

XVIII.1. II.3.5 Le bruit de quantification

Il désigne l’erreur entre la valeur échantillonnée et sa valeur quantifiée correspondante
soit : 𝜀(𝑡) = 𝑥𝑞 (𝑡) − 𝑥𝑒 (𝑡).

∆𝑞
En général ce bruit est constitué de segments de droite compris entre ± et durée
2
∆𝑞 ∆𝑞 ∆𝑡 ∆𝑡
variable ∆t soit on a : − ≤ 𝜀(𝑡) ≤ 2 𝑝𝑜𝑢𝑟 − 2 ≤ 𝑡 ≤ 2
2
∆𝒒 ∆q
𝜺(𝒕) = 𝒕, c ′ est une droite de pente
∆𝒕 ∆t

Lorsque les valeurs quantifiées sont obtenues par arrondi, l’erreur due à la quantification
se répartit uniformément autour de la droite de conversion idéale comme indiqué sur la figure
suivante :

16
 Signal analogique
original

.
∆q Quantification par

-∆q
. . . .
∆q
arrondi

. -∆q

𝜀(𝑡)

∆𝒒Τ𝟐
𝑡
−∆𝒒Τ𝟐

XIX.1. II.3.5 Exercice d’application

Soit le signal tension V(t) variant entre 0 et 8V qu’on désire quantifier sur 3bits. Donc
on a N = 23 = 8 niveaux de quantification variant de 0 jusqu’à 7 qu’on associe à toutes les
tensions comprises entre 0V et 8V.
8−0
On a : ∆q = = 1V
23
Donc pour une tension d’entrée V=4,7V on lui associe donc la tension quantifiée 4V en effet
on a : [4∆𝑞] ≤ 4,7 ≤ 5[(4 + 1)∆𝑞] et le bruit de quantification est ε = 4,7- 4 = 0,7V

17
 𝑁𝑖𝑣𝑒𝑎𝑢𝑥 𝑞𝑢𝑎𝑛𝑡𝑖𝑓𝑖é𝑠

111 7 .
110 6 .
101 5 .
100 4 .
011 3 .
010 2 . ∆q=1

001 1 .
000 0 . . . . .. . . .
1 2 3 4 5 6 7 8 V
V= 4.7 V

II.3 Codage

Le codage consiste à associer à un ensemble de valeurs discrètes un code composé

d’éléments binaires. Les codes les plus connus sont : code binaire, code binaire décalé, code
complément à 2, code DCB, code Gray……

18
 Chapitre 2

Analyse fréquentielle des signaux numériques

I. Transformée de Fourier d’un signal à temps discret TFTD

I.1. Définition de la TFTD

Soit x(t) un signal échantillonné avec une période d’échantillonnage 𝑇𝑒 et soit 𝑥𝑒 (𝑡) son
signal échantillonné correspondant on peut toujours écrire :
𝑘=+∞

𝑥𝑒 (𝑡) = ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 )

𝑘=−∞

Si on applique la transformée de Fourier au signal 𝑥𝑒 (𝑡) on obtient :

+∞ 𝑘=+∞
𝑋𝑒 (𝑓) = 𝑇𝐹(𝑥𝑒 (𝑡)) = ∫ [ ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 )] 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡
−∞ 𝑘=−∞
+∞ +∞
𝑋𝑒 (𝑓) = ∑ [𝑥(𝑘𝑇𝑒 ) ∫ 𝛿(𝑡 − 𝑘𝑇𝑒 )𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡]
𝑘=−∞ −∞

En utilisant la définition de la distribution de Dirac :

+∞
∫ 𝛿(𝑡 − 𝑘𝑇𝑒 )𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 = 𝑒 −𝑗2𝜋𝑓𝑘𝑇𝑒
−∞
+∞

𝑿𝒆 (𝒇) = ∑ [𝒙(𝒌𝑻𝒆 )𝒆−𝒋𝟐𝝅𝒇𝒌𝑻𝒆 ]

𝒌=−∞

On conclue que : La TF d'un signal échantillonné est une combinaison linéaire

d'exponentielles complexes pondérées par la valeur des échantillons. Ce qui nous conduit à la
définition de la transformée de Fourier d’un signal à temps discret.

Définition de la TFTD :
La transformée de Fourier 𝑿(𝒇) d’un signal x(t) discret est définie par :
+∞ +∞
𝒌𝒇
−𝒋𝟐𝝅𝒇𝒌𝑻𝒆 −𝒋𝟐𝝅
𝑿(𝒇) = ∑ [𝒙(𝒌)𝒆 ] = ∑ [𝒙(𝒌)𝒆 𝑭𝒆 ] , 𝑓 𝑢𝑛𝑒 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝒆
𝒌=−∞ 𝒌=−∞

19
 +∞ ⁄𝟐 𝑭𝒆
𝟏 𝒌𝒇
𝒋𝟐𝝅
𝑺𝒊 ∑|𝒙(𝒏)| < ∞ i. e. un signal sommable, alors: 𝒙(𝒏) = ∫ 𝑿(𝒇)𝒆 𝑭𝒆 𝒅𝒇
𝑭𝒆 −𝑭𝒆⁄
−∞ 𝟐

⇒ D’un autre coté on a :

𝑘=+∞

𝑋𝑒 (𝑓) = 𝑇𝐹(𝑥𝑒 (𝑡)) = 𝑇𝐹 ( ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 ))

𝑘=−∞
Et en utilisant Les propriétés de la transformation de Fourier on obtient :
𝑘=+∞ 𝑘=+∞
1
𝑋𝑒 (𝑓) = ∑ 𝑇𝐹[𝑥(𝑘𝑇𝑒 )] ⊗ 𝑇𝐹[𝛿(𝑡 − 𝑘𝑇𝑒 )] = ∑ 𝑋(𝑘𝐹𝑒 ) ⊗ 𝛿(𝑓 − 𝑘𝐹𝑒 )
𝑇𝑒
𝑘=−∞ 𝑘=−∞
On obtient donc un produit de convolution entre les spectres de 𝑥𝑒 (𝑡) et de 𝛿𝑘𝑇𝑒 (𝑡) qui conduit
à la constatation suivante : à un signal échantillonné ou discret correspond un spectre continu
et périodique de période 𝐹𝑒 comme il est indiqué par la figure suivante :

I.2. Périodicité de TFTD

Soit 𝑿(𝒇) la transformée de Fourier du signal discret x(n) :

+∞
𝑘𝑓
−𝑗2𝜋
𝑋(𝑓) = ∑ [𝑥(𝑘)𝑒 𝐹𝑒 ]

𝑘=−∞
+∞ +∞
𝑘(𝑓+𝐹𝑒 ) 𝑘𝑓 𝑘𝐹
−𝑗2𝜋 −𝑗2𝜋 −𝑗2𝜋 𝑒
𝑋(𝑓 + 𝐹𝑒 ) = ∑ [𝑥(𝑘)𝑒 𝐹𝑒 ] = ∑ [𝑥(𝑘)𝑒 𝐹𝑒 𝑒 𝐹𝑒 ]

𝑘=−∞ 𝑘=−∞
−𝑗2𝜋𝑘
𝑒 = 1, ∀𝑘 𝑒𝑛𝑡𝑖𝑒𝑟
+∞
𝑘𝑓
−𝑗2𝜋
𝑋(𝑓 + 𝐹𝑒 ) = ∑ [𝑥(𝑘)𝑒 𝐹𝑒 ] = 𝑋(𝑓)
𝑘=−∞

20
Donc : la transformée TFTD est périodique de période 𝑭𝒆 ce qui implique que toute
l’information fréquentielle du signal discret est localisée dans l’intervalle de fréquence :
𝑭𝒆 𝑭𝒆
[− , ] (voir figure précédente).
𝟐 𝟐

Remarques :
1. Si x(n) est réel, |X( f )| est paire et arg(X( f )) est impair ce qui réduit donc l'analyse de X( f )
𝐹𝑒
sur l'intervalle de fréquence [0, ].
2
2. Généralement la TFTD possède les mêmes propriétés que la transformée de Fourier comme
la linéarité, le décalage temporel, décalage fréquentiel, relation de Parseval etc…
3. Selon la nature de x(n) on a deux types de représentation spectrale possibles :
1 |𝑛| ≤ 𝑁/2
 x(n) est non périodique alors X(f) est à support continu, ex : 𝑥(𝑛) = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
 x(n) est périodique alors X(f) est à support discret ex : 𝑥(𝑛) = 𝐴𝑐𝑜𝑠(2𝜋𝑓0 𝑛).
4. On peut conclure que la transformée de Fourier marche bien sur un signal temporel discret
mais une fois qu’on passe au domaine fréquentiel on perd l’avantage du numérique puisque
la transformée devient continu.

I.3. Exemple de calcul de la TFTD

1 |𝑛| ≤ 𝑁/2
Soit le signal discret 𝑥(𝑛) = { , on a :
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
𝑁⁄
+∞ 2

𝑋(𝑓) = ∑ 𝑥(𝑛)𝑒 −𝑗2𝜋𝑛𝑓 = ∑ 𝑒 −𝑗2𝜋𝑛𝑓

𝑛=−∞ −𝑁⁄2

X(f) est la somme de N+1 termes d’une suite géométrique de raison e−j2πf et de premier terme
ejπNf. Donc :

𝑗𝜋𝑁𝑓
1 − 𝑒 −𝑗2𝜋(𝑁+1)𝑓 𝑗𝜋𝑁𝑓
𝑒 −𝑗𝜋(𝑁+1)𝑓 (𝑒 𝑗𝜋(𝑁+1)𝑓 − 𝑒 −𝑗𝜋(𝑁+1)𝑓 )
𝑋(𝑓) = 𝑒 =𝑒
1 − 𝑒 −𝑗2𝜋𝑓 𝑒 −𝑗𝜋𝑓 (𝑒 𝑗𝜋𝑓 − 𝑒 −𝑗𝜋𝑓 )

𝑒 −𝑗𝜋𝑓 (𝑒 𝑗𝜋(𝑁+1)𝑓 − 𝑒 −𝑗𝜋(𝑁+1)𝑓 ) (𝑒 𝑗𝜋(𝑁+1)𝑓 − 𝑒 −𝑗𝜋(𝑁+1)𝑓 )

𝑋(𝑓) = =
𝑒 −𝑗𝜋𝑓 (𝑒 𝑗𝜋𝑓 − 𝑒 −𝑗𝜋𝑓 (𝑒 𝑗𝜋𝑓 − 𝑒 −𝑗𝜋𝑓
𝑠𝑖𝑛𝜋𝑓(𝑁 + 1)
𝑋(𝑓) = ,
𝑠𝑖𝑛𝜋𝑓
On obtient donc un signal fréquentiel à support continu comme indiqué par la figure suivante :

21
II. La transformée de Fourier discrète TFD

II.1. Introduction à la TFD

Problème
On désire calculer la transformée de Fourier d’un signal discret à l’aide d’un calculateur
et d’après l’expression de cette transformée on constate que ce calcul va nécessiter une infinité
de points de mesures x(n) (ce qui n’est pas le cas dans la réalité) en plus ceci demande un temps
de calcul long et une mémoire infinie.
Solution :
Pour remédier à ce problème il faut :
1. Tronquer le signal temporel x(n) ce qui revient à prendre en considération
qu’une partie limitée de ce signal en limitant sa durée à un nombre fini N de
points temporels.
2. Discrétiser le signal dans le domaine fréquentiel en considérant uniquement un
nombre fini L de points fréquentiels.

 Troncature dans le domaine temporel

Soit le signal discret x(n), on obtient son signal tronqué 𝒙𝑵 (𝒏) en multipliant ses
échantillons par une fenêtre rectangulaire w(t) de largeur T, appelée fenêtre de troncature, qui
limitera le nombre des 𝑥(𝑛) à N telle qu’on a :
𝒙𝑵 (𝒏) = 𝒙(𝒏) × 𝒘(𝒏),

T : durée d'observation ou d’acquisition du signal x(n).

𝑥𝑁 (𝑛) est issu du signal x(t) en échantillonnant N valeurs durant une durée finie T on a donc :
𝑻 = 𝑵𝑻𝒆 , avec 𝑇𝑒 est la période d’échantillonnage.

22
 Cependant ce processus de troncature influe directement sur le spectre du signal en effet
si on calcule la TFDT du signal tronqué on obtient :

𝑇𝐹𝐷𝑇(𝑥𝑁 (𝑛)) = 𝑇𝐹𝐷𝑇(𝑥(𝑛) × 𝑤(𝑛))

D’après le théorème de Plancherel on a : 𝑋𝑁 (𝑓) = 𝑋(𝑓) ⊗ 𝑊(𝑓)
On conclue que :
La TFTD du signal tronqué 𝒙𝑵 (𝒏) est obtenue par filtrage de la TFTD de x(n) à
travers un filtre de réponse impulsionnelle W( f ). Le signal tronqué subit un filtrage dans
le domaine fréquentiel.

 Discrétisation ou échantillonnage dans le domaine fréquentiel

On a vu précédemment que la transformée de Fourier 𝑋𝑁 (𝑓) du signal discrétisé 𝑥𝑁 (𝑛)
𝐹𝑒 𝐹𝑒
est périodique de période 𝐹𝑒 et que toute l’information est concentrée sur l’intervalle [− , ],
2 2
pour cela on découpe ce dernier en L parties identiques pour calculer finalement 𝑋𝑁 (𝑓) que
𝐹𝑒 𝐹
pour les multiples de ce qui revient à faire un échantillonnage fréquentiel de pas ∆𝑓 = 𝐿𝑒 . On
𝐿
remplace donc f par ∆𝑓 et le calcul de la transformée devient :
𝒏=𝑵−𝟏
𝒌𝒏∆𝒇
−𝒋𝟐𝝅
𝑿𝑵 (𝒌) = ∑ [𝒙(𝒏)𝒆 𝑭𝒆 ] , 𝑝𝑜𝑢𝑟 𝑘 = 1,2, … … . . 𝐿 − 1
𝒏=𝟎
𝒏=𝑵−𝟏
𝒌𝒏
𝑿𝑵 (𝒌) = ∑ [𝒙(𝒏)𝒆−𝒋𝟐𝝅 𝑳 ]
𝒏=𝟎

Cette dernière expression de 𝑋𝑁 (𝑘) reptrésente la transformée de Fourier Discrète TFD du

signal discret 𝑥(𝑛).
En pratique, on choisit toujours le pas d’échantillonnage ∆𝑓 = 1Τ𝑇 pour éviter tout
repliement au cours de la reconstitution du signal temporel original. Donc on a :
𝟏 𝟏 𝑭𝒆
∆𝒇 = = = ⇒𝑳=𝑵
𝑻 𝑵𝑻𝒆 𝑳
La figure suivante représente les étapes du passage de la transformation de Fourier à la
transformation de Fourier Discrète :

23
 II.2. Définition générale de la TFD

On appelle transformée de Fourier discrète d’une suite de N termes x(0), x(1),............ x(N-1)
représentant un signal discret de durée finie, la suite de N termes X(0), X(1),………, X(N-1),
définie par :
𝒏=𝑵−𝟏
𝒌
N : nombre de points temporels et fréquentiels.
𝑿(𝒌) = ∑ [𝒙(𝒏)𝒆−𝒋𝟐𝝅𝑵𝒏 ] , avec: { n: variable temporelle, n = 0, … , N − 1.
𝒏=𝟎 k: variable fréquentielle, k = 0, … , N − 1.

Remarque : X(k) est périodique de période N

La TFD inverse est définie par :
𝒌=𝑵−𝟏
𝟏 𝒌
𝒙(𝒏) = ∑ [𝑿(𝒌)𝒆𝒋𝟐𝝅𝑵𝒏 ],
𝑵
𝒌=𝟎

En effet on a :
𝑘=𝑁−1 𝑖=𝑁−1 𝑖=𝑁−1 𝑘=𝑁−1
1 𝑘 𝑘 1 𝑘 𝑘
𝐴= ∑ [ ∑ [𝑥(𝑖)𝑒 −𝑗2𝜋𝑁𝑖 ] 𝑒 𝑗2𝜋𝑁𝑛 ] = ∑ 𝑥(𝑖) [ ∑ [𝑒 −𝑗2𝜋𝑁𝑖 𝑒 𝑗2𝜋𝑁𝑛 ]]
𝑁 𝑁
𝑘=0 𝑖=0 𝑖=0 𝑘=0

𝑖=𝑁−1 𝑘=𝑁−1
1 𝑘
𝐴= ∑ 𝑥(𝑖) [ ∑ [𝑒 𝑗2𝜋𝑁(𝑛−𝑖) ]]
𝑁
𝑖=0 𝑘=0

Si : 𝑖 ≠ 𝑛, alors:
24
 𝑘=𝑁−1
𝑘 1 − 𝑒 𝑗2𝜋(𝑛−𝑖)
∑ [𝑒 𝑗2𝜋𝑁(𝑛−𝑖) ] = (𝑛−𝑖)
=0
𝑘=0 1 − 𝑒 𝑗2𝜋 𝑁

Si : 𝑖 = 𝑛, alors:
𝑘=𝑁−1 𝑘=𝑁−1
𝑘
∑ [𝑒 𝑗2𝜋𝑁(𝑛−𝑖) ] = ∑ 1=𝑁
𝑘=0 𝑘=0

Conclusion :
𝑖=𝑁−1 𝑘=𝑁−1
1 𝑘
(𝑛−𝑖) 1
𝐴= ∑ 𝑥(𝑖) [ ∑ [𝑒 𝑗2𝜋𝑁 ]] = 𝐿𝑥(𝑛)
𝑁 𝑁
𝑖=0 𝑘=0

𝑨 = 𝒙(𝒏)
Remarque :
x(n) est une suite périodique de période N, alors une discrétisation de X(k)
(échantillonnage dans le domaine fréquentiel) va entrainer une périodisation de x(n) dans le
domaine temporel. Tout se passe comme si la durée d’observation N (ou d’acquisition)
correspondait à une période du signal temporel x(n).

II.3. Relations entre le domaine temporel et fréquentiel

En partant du fait que les deux domaines temporel et fréquentiel sont discrétisés avec le
même nombre N, on peut tirer les points suivants :
 L’espace-temps est caractérisé par la largeur de la fenêtre (durée d’acquisition) T et du
pas d’incrémentation ou d’échantillonnage temporel ∆𝑡 = 𝑇𝑒 tel qu’on a : ∆𝑡 = 𝑇Τ𝑁.
 L’espace-fréquence est caractérisé par le pas d’échantillonnage ∆𝑓 et la fréquence
maximale 𝐹𝑚𝑎𝑥 qui n’est autre que la fréquence d’échantillonnage 𝐹𝑒 = 1Τ𝑇𝑒 tel qu’on
a : ∆𝑓 = 𝐹𝑒 Τ𝑁 = 𝐹𝑚𝑎𝑥 Τ𝑁.
De ces deux points, on peut tirer les relations liant les deux domaines temporel et fréquentiel :
- ∆𝑓 = 1Τ𝑇 : le pas d’échantillonnage fréquentiel est l’inverse de la largeur de la
fenêtre de troncature.
- 𝐹𝑚𝑎𝑥 = 𝐹𝑒 = 1Τ𝑇𝑒 : la période spectrale 𝐹𝑚𝑎𝑥 est l’inverse de l’incrément
temporel 𝑇𝑒 .
- ∆𝑡 × ∆𝑓 = 1Τ𝑁 : si N est donné, on ne peut pas avoir en même temps une bonne
définition temporel (∆𝑡 petit) et une bonne définition fréquentielle (∆𝑓 petit).

25
 𝐹𝑒 𝐹𝑒
- Le domaine d’analyse spectrale est limité par l’intervalle [− , 2 ].
2

III. La transformée de Fourier Rapide (Fast Fourier Transform FFT)

La transformée de Fourier Rapide TFR est une transformée de Fourier Discrète calculée
selon un algorithme permettant de réduire le nombre d’opérations à effectuer en particulier le
nombre de multiplications et d’additions. En effet si on veut calculer la TFD, on doit calculer
N valeurs de X(k) pour 𝑘 ∈ [0, 𝑁 − 1] d’après la formule suivante :
𝑛=𝑁−1
𝑛𝑘
𝑋(𝑘) = ∑ [𝑥(𝑛)𝑒 −𝑗2𝜋 𝑁 ]
𝑛=0

𝑁 2 𝑚𝑢𝑙𝑡𝑖𝑝𝑙𝑖𝑐𝑎𝑡𝑖𝑜𝑛𝑠
Si on fait le calcul directement sans algorithme, on doit effectuer : {
𝑁(𝑁 − 1) 𝑎𝑑𝑑𝑖𝑡𝑖𝑜𝑛𝑠
Ce qui nécessite un temps de calcul très longs et plus le temps est important plus la fréquence
maximale du signal à analyser est réduite. Il existe plusieurs algorithmes de FFT mais le plus
connu est surement celui de Cooley-Tukey appelé aussi algorithme à entrelacement temporel
𝑁
qui réduit le nombre de multiplications à : 2 log 2 𝑁 au lieu de 𝑁 2 .

On pose :
𝑛=𝑁−1
−𝑗2𝜋
𝑋(𝑘) = ∑ [𝑥(𝑛)𝑊𝑁𝑛𝑘 ], 𝑎𝑣𝑒𝑐 ∶ 𝑊𝑁 = 𝑒 𝑁
𝑛=0

−2𝑗2𝜋𝑛𝑘 −𝑗2𝜋𝑛𝑘 𝑁
𝑛𝑘+
𝑊𝑁𝑛𝑘
𝑁⁄
On peut montrer que : 𝑊𝑁2𝑛𝑘 =𝑒 𝑁 =𝑒 2 = ⁄2
et 𝑊𝑁 2
= −𝑊𝑁𝑛𝑘

La condition d’utilisation de cet algorithme est que le nombre d’échantillons N est une
puissance de 2 : 𝑁 = 2𝑚 .
On va illustrer la méthode tout d’abord par un exemple de N=4 dans ce cas on :
−𝑗2𝜋 4 −𝑗2𝜋 2
𝑊4 𝑁 = (𝑒 4 ) = 1 𝑒𝑡 𝑊4 𝑁Τ2 = (𝑒 4 ) = −1.

La suite TFD s’écrit donc :

𝑋(0) = 𝑥(0) + 𝑥(1) + 𝑥(2) + 𝑥(3) = [𝑥(0) + 𝑥(2)] + [𝑥(1) + 𝑥(3)]
𝑋(1) = 𝑥(0) + 𝑥(1)𝑊41 + 𝑥(2)𝑊42 + 𝑥(3)𝑊43 = [𝑥(0) − 𝑥(2)] + 𝑊41 [𝑥(1) − 𝑥(3)]
𝑋(2) = 𝑥(0) + 𝑥(1)𝑊42 + 𝑥(2)𝑊44 + 𝑥(3)𝑊46 = [𝑥(0) + 𝑥(2)] − [𝑥(1) + 𝑥(3)]
𝑋(3) = 𝑥(0) + 𝑥(1)𝑊43 + 𝑥(2)𝑊46 + 𝑥(3)𝑊49 = [𝑥(0) − 𝑥(2)] − 𝑊41 [𝑥(1) − 𝑥(3)]

26
On remarque que les résultats sont regroupés en deux paquets : un paquet d’indices pairs
{𝑥(0), 𝑥(2)} et un paquet d’indices impairs {𝑥(1), 𝑥(3)} puis sur chaque paquet on effectue
une TFD d’ordre 2 et on combine les résultats de ces 2 TFD pour obtenir celle d’ordre 4=2×2.

𝑥(0) TFD d′ ordre 𝑥(0)+x(2) ⊕ 𝑥(0)+x(2)+ 𝑥(1)+x(3)

𝑥(2) 2=4⁄2 𝑥(0)-x(2) ⊕ [𝑥(0)-x(2)]+ 𝑊41 [𝑥(1)-x(3) ]
𝑊14

𝑥(1) TFD d′ ordre 𝑥(1)+x(3) -⊕ 𝑥(0)+x(2)- 𝑥(1)-x(3)

𝑥(3) 2=4⁄2 𝑥(1)-x(3) ⊕ [𝑥(0)-x(2)]- 𝑊41 [𝑥(1)-x(3) ]
−𝑊14

Donc pour obtenir les 4 valeurs X(k), on calcule 2 TFD d’ordre 2 et on combine les
résultats 2 à 2 à l’aide d’une addition et d’une multiplication au maximum pour chaque valeur
X(k). On généralise ce principe à toute N multiple de 2 par :
𝑁 𝑁
𝑛=𝑁−1 −1 −1
2 2
−𝑗2𝜋𝑛𝑘 −𝑗2𝜋2𝑖𝑘 −𝑗2𝜋(2𝑖+1)𝑘
𝑋(𝑘) = ∑ [𝑥(𝑛)𝑒 𝑁 ] = ∑ [𝑥(2𝑖)𝑒 𝑁 ]+ ∑ [𝑥(2𝑖 + 1)𝑒 𝑁 ]
𝑛=0 𝑖=0 𝑖=0
𝑁 𝑁
−1 −1
2 2
𝑗2𝜋𝑖𝑘 −𝑗2𝜋𝑖𝑘
−
𝑋(𝑘) = ∑ [𝑥(2𝑖)𝑒 𝑁Τ2 ] + ∑ [𝑥(2𝑖 + 1)𝑒 𝑁Τ2 𝑒 −𝑗2𝜋𝑘 ]

𝑖=0 𝑖=0
𝑁 𝑁
−1 −1
2 2
𝑗2𝜋𝑖𝑘 −𝑗2𝜋𝑖𝑘
−
𝑋(𝑘) = ∑ [𝑥(2𝑖)𝑒 𝑁Τ2 ] + 𝑊𝑁𝑘 ∑ [𝑥(2𝑖 + 1)𝑒 𝑁Τ2 ] , 𝑎𝑣𝑐𝑒: 𝑊𝑁𝑘 = 𝑒 −𝑗2𝜋𝑘
𝑖=0 𝑖=0

En posant : 𝑦(𝑖) = 𝑥(2𝑖) 𝑒𝑡 𝑧(𝑖) = 𝑥(2𝑖 + 1) on obtient la relation suivante:

𝑁 𝑁
−1 −1
2 2
𝑗2𝜋𝑖𝑘 −𝑗2𝜋𝑖𝑘
−
𝑋(𝑘) = ∑ [𝑦(𝑖)𝑒 𝑁Τ2 ] + 𝑊𝑁𝑘 ∑ [𝑧(𝑖)𝑒 𝑁Τ2 ] ,
𝑖=0 𝑖=0

Principe et Définition de la FFT

On peut calculer chaque terme X(k) de la TFD d’ordre N (multiple de 2) en
combinant, à l’aide d’au plus une addition et une multiplication , 2 termes des TFD
d’ordre 𝐍Τ𝟐 des 2 suites y(i) et z(i) de longueur 𝐍Τ𝟐, formés respectivement des termes
d’indices pairs et impairs de la suite x(n). En notant Y(k) et Z(k) les TFD d’ordre 𝐍Τ𝟐 de
ces suites, on peut tirer les relations suivantes :
27
 𝐍 𝑿(𝒌) = 𝒀(𝒌) + 𝑾𝒌𝑵 𝒁(𝒌)
𝐏𝐨𝐮𝐫 𝐭𝐨𝐮𝐭 𝐤 ∈ [𝟎, − 𝟏] 𝐨𝐧 𝐚: { 𝐍
𝟐 𝑿 (𝒌 + ) = 𝒀(𝒌) − 𝑾𝒌𝑵 𝒁(𝒌)
𝟐

28
 Chapitre 3

Systèmes linéaires numériques

I. Généralités sur les systèmes numériques

I.1 Définition
On appelle système numérique SyN toute fonction ou algorithme qui agit sur un signal
numérique en entrée appelé ‶Excitation″ pour obtenir en sortie un autre signal numérique
appelé ‶signal de sortie ou réponse du système″. Mathématiquement un tel système est
défini comme un opérateur H qui modifie une séquence d’entrée x[n] en une séquence de sortie
y[n] tel que : 𝒚[𝒏] = {𝒙[𝒏]}.

Il existe plusieurs exemples de systèmes numériques parmi lesquels on cite :

1. Système identité qui restitue le signal x[n] en son entrée : 𝑦[𝑛] = 𝑥[𝑛].
2. Système décalage arrière ou en avant tel que :𝑦[𝑛] = 𝑥[𝑛 ± 1].
3. Système accumulateur qui effectue la somme des valeurs qui apparaissent au du
temps tel que :
𝑛

𝑦[𝑛] = ∑ 𝑥[𝑘]
𝑘=−∞
4. Système dérivateur qui effectue la différence entre la valeur actuelle et celle
d’avant : 𝑦[𝑛] = 𝑥[𝑛] − 𝑥[𝑛 − 1].

I.2. Schéma fonctionnel d’un système numérique SyN

En plus de la donnée d’une équation qui relie la sortie à l’entrée d’un SyN, ces derniers
sont représentés à l’aide des diagrammes fonctionnels comme indiqué par l’exemple suivant :
𝑦[𝑛] = 0,5[3𝑥1 [𝑛] + 𝑥1 [𝑛 + 1]] × [𝑥2 [𝑛 − 1] − 𝑥2 [𝑛 − 2]] − 0,25𝑦[𝑛 − 1].

Le schéma fonctionnel ou encore structure canonique d’un tel système est le suivant :

29
 x1 [n + 1]
Z
3 0,5
𝐱𝟏 [𝐧] ⊕ ⊗ ⊕ 𝒚[𝐧]
- 0,25
x2 [n − 1] −1
𝐱𝟐 [𝐧] Z−1 ⊕ 𝑦[n − 1] Z
(-1)
Z−1
x2 [n − 2]

Z: Décalage avant Z−1 : Décalage arrière

⊗: Multiplication ⊕: Addition.
𝒂
→: Multiplication par le coefficient a

I.3. Propriétés de SyN

Suivant leurs propriétés, on peut classer les systèmes numériques comme suit :
 Système statique
Un système numérique statique ou encore sans mémoire est un système dont la sortie
x2 [n]
y[n] ne dépend que du signal d’entrée x[n] pour la valeur n. Ex : y[n] = x[n] − .
4
 Système dynamique
Appelé aussi système avec mémoire possède une sortie y[n] qui dépend en plus de la
valeur de x[n], de sa valeur avant et après n donc elle dépend de l’état passé et future de
1
x[n]. Ex : y[n] = 3 [x[n − 1] + x[n]] + 4x[n + 1].
 Système linéaire
C’est un système qui possède toutes les caractéristiques de superposition i.e. :
y[n] = H{ax1 [n] + bx2 [n]} = H{ax1 [n]} + H{bx2 [n]} = aH{x1 [n]} + bH{x2 [n]}.
 Système Invariant
Un SyN invariant dans le temps pour lequel un décalage temporel sur le signal d’entrée
entraine un décalage du signal de sortie de la même valeur :
Si H{x[n]} = y[n] alors ∶ H{x[n + τ]} = y[n + τ].
Ex : y[n] = x[2n] , Le signal x[n − τ] aura pour sortie y[n − τ] = x[2(n − τ)] alors
que le signal de sortie décalé de τ est x[2n − τ] ≠ y[n − τ]
 Système causal
Un SyN est causal si la séquence de sortie ne dépend que des valeurs actuelles ou
passées de la séquence d’entrée et si le signal d’entrée est causal à partir de n=n0 alors
la sortie l’est aussi. Autrement dit la réponse (l’effet) ne précède jamais la cause. i.e.
Si x[n] = 0 pour n < n0 alors: y[n] = 0 pour < n0
Ex : La différence avant y[n] = x[n + 1] − x[n] n’est pas causale à cause de x[n + 1].
La différence arrière y[n] = x[n] − x[n − 1] est causale.
 Système stable
30
 Un SyN est dit stable si quelle que soit la séquence d’amplitude finie appliquée à son
entrée, sa sortie ne devient pas infiniment grande (la sortie est aussi finie).
Ex : L’accumulateur défini par y[n] = ∑𝑛−∞ 𝑥[𝑘]
0 𝑠𝑖 𝑘 < 0
pour 𝑥[𝑘] = 𝑒[𝑘] = 𝑠𝑎𝑢𝑡 𝑢𝑛𝑖𝑡é = { , alors y[n] ne cesse d’augmenter et
1 𝑠𝑖 𝑘 ≥ 0
devient infini donc l’accumulateur est instable.

I.4. Interconnexion entre systèmes numériques

Les systèmes numériques peuvent être interconnectés pour former des systèmes plus
complexes selon les deux schémas possibles suivants :

 Connexion parallèle

𝑦1 [𝑛]
H1
𝒙[𝐧] ⊕ 𝒚[𝐧]= 𝐲𝟏 [𝐧] + 𝐲𝟐 [𝐧]
𝒚[𝐧]= 𝐇𝟏 [𝒙(𝐧)] + 𝐇𝟐 [𝒙(𝐧)]
H2 𝑦2 [𝑛]

 Connexion en cascade

𝑦1 [𝑛] 𝑦2 [𝑛]
𝒙[𝐧] H1 H2 𝐲[𝐧]=𝐇𝟐 [𝐇𝟏 (x(n))]

Remarque : si le système est linéaire et invariant temporellement alors on a :

y[n] = H1 [x[n]] + H2 [x[n]] = (H1 + H2 )[x[n]]
y[n] = H2 [H1 [x[n]]] = H2 [x[n]]. H1 [x[n]]
Dans tout ce qui va suivre on va s’intéresser uniquement à ce type de système numérique
qu’on va noter SyN_LI.

II. Réponse impulsionnelle d’un système SyN_LI

II.1. Définition

La réponse impulsionnelle d’un système SyN_LI désignée par h(n) est telle que :
1 𝑠𝑖 𝑛 = 0
ℎ[𝑛] = 𝐻{∆[𝑛]} 𝑎𝑣𝑒𝑐: ∆[𝑛] = { 𝑒𝑠𝑡 𝑙 ′ 𝑖𝑚𝑝𝑢𝑙𝑠𝑖𝑜𝑛 𝑢𝑛𝑖𝑡é 𝑛𝑢𝑚é𝑟𝑖𝑞𝑢𝑒
0 𝑠𝑖 𝑛 ≠ 0

Soit un SyN_LI de signal d’entrée x[n] et de réponse (sortie) y[n] on a :

31
 +∞

𝑥[𝑛] = ∑ 𝑥[𝑘]∆[𝑛 − 𝑘],

𝑘=−∞
Or le système est linéaire et invariant dans le temps alors la réponse indicielle 𝑦𝑘 [𝑛] est telle
que :
∀ 𝑘, 𝑜𝑛𝑎: 𝑦𝑘 [𝑛] = 𝐻{𝑥[𝑘]∆[𝑛 − 𝑘]} = 𝑥[𝑘]𝐻{∆[𝑛 − 𝑘]} = 𝑥[𝑘]ℎ[𝑛 − 𝑘]
Donc :
+∞ +∞

𝑦[𝑛] = ∑ 𝑦𝑘 [𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = 𝑥[𝑛] ⊗ ℎ[𝑛]

𝑘=−∞ 𝑘=−∞

On conclue que la sortie 𝑦[𝑛] est relié à l’entrée x[n] par le produit de convolution de cette
dernière avec la réponse impulsionnelle h[n].

II.2. Systèmes SyN_LI RII et RIF

Dans le cas où le système SyN_LI est aussi causal pour n=0 alors sa réponse
impulsionnelle l’est aussi i.e. h(n=0) pour n<0 et selon cette réponse on distingue deux cas :

 Réponse Impulsionnelle Infinie RII :

Dans ce cas le produit de convolution s’écrit :
+∞ +∞

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = ∑ 𝑥[𝑛 − 𝑘]ℎ[𝑘]

𝑘=0 𝑘=0

Et on parle de SyN_LI à réponse impulsionnelle infinie.

 Réponse Impulsionnelle Finie RIF :

Dans ce cas la réponse impulsionnelle h[n] est de durée finie et vérifie la relation
suivante :
𝑛<0
ℎ[𝑛] = 0 𝑝𝑜𝑢𝑟 {
𝑛≥𝑁
Et :
𝑁−1 𝑁−1

𝑦[𝑛] = ∑ 𝑥[𝑘]ℎ[𝑛 − 𝑘] = ∑ 𝑥[𝑛 − 𝑘]ℎ[𝑘]

𝑘=0 𝑘=0
Il s’agit d’un SyN_LI à réponse impulsionnelle finie

III. Equation aux différences

En plus du produit de convolution qui relie l’entrée à la sortie, un système SyN_LI peut
être décrit aussi par une équation aux différences linéaires à coefficients constants d’ordre N
(ou équation de récurrence) de la forme :

32
 𝑵 𝑴

∑ 𝒂𝒌 𝒚[𝒏 − 𝒌] = ∑ 𝒃𝒊 𝒙[𝒏 − 𝒊],

𝒌=𝟎 𝒊=𝟎
𝑎𝑣𝑒𝑐 𝑙𝑒𝑠 𝑎𝑘 𝑒𝑡 𝑏𝑖 𝑠𝑜𝑛𝑡 𝑙𝑒𝑠 𝑐𝑜𝑒𝑓𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑠 𝑑𝑢 𝑠𝑦𝑠𝑡è𝑚𝑒.

On utilise souvent l’écriture suivante :

𝑴 𝑵
𝟏 𝟏
𝒚[𝒏] = ∑ 𝒃𝒊 𝒙[𝒏 − 𝒊] − ∑ 𝒂𝒌 𝒚[𝒏 − 𝒌]
𝒂𝟎 𝒂𝟎
𝒊=𝟎 𝒌=𝟏

Cette équation permet de calculer y[n] en fonction de N valeurs précédentes et de M+1

valeurs à l’entrée à l’instant n sans faire intervenir la réponse impulsionnelle h[n] du système.

Important :
Dans le cas d’un SyN_LI de type RIF on a :
𝑀

𝑦[𝑛] = ∑ 𝑥[𝑛 − 𝑘]ℎ[𝑘] , ⇨ 𝑵 = 𝟎

𝑘=0
Donc :
𝑀 𝑀
𝑏𝑘
𝑦[𝑛] = ∑ 𝑥[𝑛 − 𝑘] = ∑ ℎ[𝑘]𝑥[𝑛 − 𝑘] ,
𝑎0
𝑘=0 𝑘=0
𝒃𝒌
⇨ 𝒉[𝒌] = 𝑒𝑡 𝑠𝑖 𝒂𝟎 = 𝟏 𝒂𝒍𝒐𝒓𝒔 ∶ 𝒉[𝒌] = 𝒃𝒌
𝒂𝟎
La réponse impulsionnelle est égale aux coefficients de l’équation aux différences.

Exemple 1
Soit l’accumulateur causal représenté par l’équation : 𝑦[𝑛] = ∑𝑛𝑘=0 𝑥[𝑘]. Déterminer
son équation aux différences ?
On a:
𝑛 𝑛−1

𝑦[𝑛] = ∑ 𝑥[𝑘] = ∑ 𝑥[𝑘] + 𝑥[𝑛] = 𝑦[𝑛 − 1] + 𝑥[𝑛]

𝑘=0 𝑘=0

Son schéma fonctionnel est :

𝑥[n] ⊕ 𝑦[n]

Z−1
𝑦[n − 1]

Exemple 2 : Moyenne cumulée

Définie par :

33
 𝑛 𝑛−1
1 1
𝑦[𝑛] = ∑ 𝑥[𝑘] = [∑ 𝑥[𝑘] + 𝑥[𝑛]]
𝑛+1 𝑛+1
𝑘=0 𝑘=0

𝑛−1
1 1 1
𝑦[𝑛] = [𝑥[𝑛] + 𝑛 ∑ 𝑥[𝑘]] = [𝑥[𝑛] + 𝑛𝑦[𝑛 − 1]]
𝑛+1 𝑛 𝑛+1
𝑘=0

Son schéma fonctionnel est :

1
𝑛+1

𝑥[n] ⊕ ⊗ 𝑦[n]

⊗ Z−1
𝑦[n − 1]
n

IV. Représentation fréquentielle d’un SyN_LI

La représentation utile pour décrire le contenu fréquentiel des systèmes numériques est
la représentation en Z basée sur la transformée en Z. Cette transformée s’applique aux signaux
discrets, généralisant ainsi la transformée de Fourier et remédiant aux limitations connues par
cette dernière en particulier en cas du filtrage numérique.
La transformée en Z représente pour les signaux discrets ce que la transformée de
Laplace pour les signaux continus.

IV.1. Transformée en Z

Soit x[n] une suite de nombre discrets, on appelle transformée en Z de x[n] :

+∞

𝑿(𝒛) = 𝑻𝒁{𝒙[𝒏]} = 𝒁{𝒙[𝒏]} = ∑ 𝒙[𝒏]𝒛−𝒏 , où z est une variable complexe.

𝒏=−∞
1Τ𝑘
En se basant sur le critère de Cauchy :‶ La série ∑+∞
0 𝑈𝑘 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑠𝑠𝑖 lim |𝑈𝑘 | < 1 ″,
𝑘→+∞
On peut montrer que la transformée en Z existe et converge s’il existe deux réels R- et R+ tels
qu’on a :
1
𝑅+ = lim 1
𝟎 < 𝑹− < |𝒛| < 𝑹+ < ∞, sachant que:
𝑘→+∞
{|𝑥[−𝑘]| ⁄𝑘 }
1
lim {|𝑥[𝑘]| ⁄𝑘 }
{ 𝑅− = 𝑘→+∞
On peut illustrer ceci par un anneau de convergence dans le domaine des complexes :

34
 Im(Z)
R + : rayon de convergence extérieur.
𝑹+ R − : rayon de convergence intérieur.

𝑹−

Re(Z)

Couronne de convergence

Exemple :
Soit le signal discret défini par:
1 𝑛≥0
𝑥[𝑘] = 𝑎𝑘 𝑢[𝑘], avec 0 < a < 1 et u[k] est le saut unité défini par: {
0 𝑛<0
Calculons la transformée en Z de x[k] ?
+∞ +∞

𝑋(𝑧) = 𝑍{𝑥[𝑘]} = ∑ 𝑥[𝑘]𝑧 −𝑘 = ∑ 𝑎𝑘 𝑢[𝑘]𝑧 −𝑘

𝑘=−∞ 𝑘=−∞
Pour k<0 on a x(k)=0 donc :
+∞ +∞
𝑘 −𝑘
1
𝑋(𝑧) = ∑ 𝑎 𝑧 = ∑(𝑎𝑧 −1 )𝑘 =
1 − (𝑎𝑧 −1 )
𝑘=0 𝑘=0
cette somme converge pour |(𝑎𝑧 −1 )| < 1 ⇔ |𝑎| < |𝑧| < +∞
On rappelle que :
𝑛−1
1 − 𝑟𝑛
𝑘
(∑ 𝑟 = est une suite de n termes et de raison r, elle converge pour |r| < 1)
1−𝑟
𝑘=0

Ainsi les rayons de convergence sont :

1 1
𝑅+ = lim 1 = lim 1
𝑘→+∞
{|𝑥[−𝑘]| ⁄𝑘 } 𝑘→+∞ {|𝑎−𝑘 𝑢[−𝑘]| ⁄𝑘 }
1
𝑅+ = lim 1 = +∞, 𝑐𝑎𝑟: 𝑎 −1 𝑡𝑒𝑛𝑑 𝑣𝑒𝑟𝑠 0 𝑝𝑜𝑢𝑟 0 < 𝑎 < 1
𝑘→+∞
{|𝑎−𝑘 | ⁄𝑘 }
1⁄ 1⁄
𝑅− = lim {|𝑥[𝑘]| 𝑘} = lim {|𝑎𝑘 𝑢[𝑘]| 𝑘} =𝑎
𝑘→+∞ 𝑘→+∞

Conclusion : X(z) converge pour 𝑎 < |𝑧| < +∞

IV.2. Transformée en Z de fonctions usuelles

Dans le tableau suivant on a regroupé les transformées de quelques fonctions les plus
utilisées en traitement numérique du signal :

35
 Signal Transformée en Z Domaine de convergence
δ[n] 1 Tout z
u[n] échelon unité 𝑧 1
1 𝑛≥0 = |𝑧| > 1
{ 𝑧 − 1 1 − 𝑧 −1
0 𝑛<0
1 − 𝑧 −𝑠
u[n] – u[n-s] z≠0
1 − 𝑧 −1
𝑧
𝑎𝑛 𝑢[𝑛] |𝑧| > |𝑎|
𝑧−𝑎
𝑧
(−𝑎)𝑛 𝑢[𝑛] |𝑧| > |𝑎|
𝑧+𝑎
𝑧
nu[n] |𝑧| > 1
(𝑧 − 1)2
𝑧𝑎
𝑛𝑎𝑛 𝑢[𝑛] |𝑧| > |𝑎|
(𝑧 − 𝑎)2
𝑧 2 − 𝑧𝑐𝑜𝑠𝛺
cos(nΩ)u[n] |𝑧| > 1
𝑧 2 − 2𝑧𝑐𝑜𝑠𝛺 + 1
𝑧𝑠𝑖𝑛𝛺
sin(nΩ)u[n] 2
|𝑧| > 1
𝑧 − 2𝑧𝑐𝑜𝑠𝛺 + 1
𝑧 2 − 𝑧𝑎𝑐𝑜𝑠𝛺
𝑎𝑛 𝑐𝑜𝑠(𝑛𝛺)𝑢[𝑛] |𝑧| > |𝑎|
𝑧 2 − 2𝑧𝑐𝑜𝑠𝛺 + 𝑎2
𝑧𝑎𝑠𝑖𝑛𝛺
𝑎𝑛 𝑠𝑖𝑛(𝑛𝛺)𝑢[𝑛] |𝑧| > |𝑎|
𝑧 2 − 2𝑧𝑐𝑜𝑠𝛺 + 𝑎2
𝑧𝐾𝑒 𝑗𝜙 𝑧𝐾𝑒 −𝑗𝜙
2𝐾𝑎𝑛 𝑐𝑜𝑠(𝑛𝛺 + 𝜙) + |𝑧| > |𝑎|
𝑧 − 𝑎𝑒 𝑗𝛺 𝑧 − 𝑎𝑒 −𝑗𝛺

IV.3. Quelques propriétés de la transformée en Z

Dans le tableau suivant on cite quelques propriétés de la transformée en Z les plus utiles :

Propriété Transformée
𝑎𝑋1 [𝑛] + 𝑏𝑋2 [𝑛]
Linéarité: 𝑎𝑥1 [𝑛] + 𝑏𝑥2 [𝑛]
pour 𝑚𝑎𝑥[𝑅𝑥1 − , 𝑅𝑥2 − ] < |𝑧| < 𝑚𝑖𝑛[𝑅𝑥1 + , 𝑅𝑥2 + ]
Décalage : 𝑥[𝑛 ± 𝑛0 ] 𝑧 ±𝑛0 𝑋(𝑧) pour 𝑅𝑥− < |𝑧| < 𝑅𝑥+
Changement d’échelle : 𝑎𝑛 𝑥[𝑛] 𝑧
𝑋 (𝑎) pour |𝑎|𝑅𝑥− < |𝑧| < |𝑎|𝑅𝑥+
(Ou amortissement)
𝑑𝑋[𝑧]
nx[n] −𝑧 pour 𝑅𝑥− < |𝑧| < 𝑅𝑥+
𝑑𝑧
𝑧
x[-n] 𝑋( )
𝑎
cos(nΩ)x[n] 0,5[𝑋[𝑧𝑒 ] + 𝑋[𝑧𝑒 −𝑗𝛺 ]]
𝑗𝛺

36
 sin(nΩ)x[n] 𝑗0,5[𝑋[𝑧𝑒 𝑗𝛺 ] − 𝑋[𝑧𝑒 −𝑗𝛺 ]]
Convolution : x[n]*h[n] X[z]×H[z] pour
1
Inter corrélation : 𝑟𝑥𝑦 [𝑛] 𝑅𝑥𝑦 [𝑧] = 𝑋 [ ] 𝑌[𝑧]
𝑧

IV.4. Théorèmes des valeurs limites

Ils sont composés de deux théorèmes très utiles en traitement des signaux numériques
par la transformée en Z.

Théorème de la valeur initiale :

𝑥[0] = lim 𝑋[𝑧]
𝑧→∞

Théorème de la valeur finale :

𝑥[∞] = lim(𝑧 − 1)𝑋[𝑧]
𝑧→1
Sachant que les pôles de (𝑧 − 1)𝑋[𝑧] se trouvent à l’intérieur du cercle unité.

IV.5. Transformée en Z inverse

La transformée en Z inverse est définie par la relation suivante :

1
𝑥[𝑛] = ∮ 𝑋[𝑧]𝑧 𝑛−1 𝑑𝑧
𝑗2𝜋 𝛤
Où Γ est un contour d’intégration (en sens horaire) qui enferme l’origine des z et situé dans la
couronne de convergence.
En se basant sur le théorème de Cauchy :
1 1 𝑠𝑖 𝑛 = 0
∮ 𝑧 𝑛−1 𝑑𝑧 = {
𝑗2𝜋 𝛤 0 𝑠𝑖 𝑛 ≠ 0
On a :
+∞
1 1
∮ 𝑋[𝑧]𝑧 𝑛−1 𝑑𝑧 = ∮ ( ∑ 𝑥[𝑘]𝑧 −𝑘 ) 𝑧 𝑛−1 𝑑𝑧
𝑗2𝜋 𝛤 𝑗2𝜋 𝛤
𝑘=−∞

+∞
1 1
∮ 𝑋[𝑧]𝑧 𝑛−1 𝑑𝑧 = ∮ ∑ 𝑥[𝑘]𝑧 −𝑘+𝑛−1 𝑑𝑧
𝑗2𝜋 𝛤 𝑗2𝜋 𝛤
𝑘=−∞
+∞
1
= ∑ ( ∮ 𝑧 −𝑘+𝑛−1 𝑑𝑧) 𝑥[𝑘] =
𝑗2𝜋 𝛤
𝑘=−∞
or :

37
 1 1 𝑠𝑖 𝑛 = 𝑘 𝟏
∮ 𝑧 (𝑛−𝑘)−1 𝑑𝑧 = { ; ⇒ ∮ 𝑿[𝒛]𝒛𝒏−𝟏 𝒅𝒛 = 𝒙[𝒏]
𝑗2𝜋 𝛤 0 𝑠𝑖 𝑛 ≠ 𝑘 𝒋𝟐𝝅 𝜞

Il existe plusieurs méthodes pour calculer x[n], on cite principalement le développement

en série de Taylor ou en série entière, la méthode des résidus, la division polynomiale et la
décomposition en fractions simples qui est la plus utilisée.

La méthode de la décomposition en fractions ou éléments simples consiste à

décomposer une fonction compliquée en une somme de fonctions simples et se servir des
propriétés de la transformée en Z pour remonter à la suite x[n] en effet si on a :
𝑁
𝑁[𝑧] 𝑎𝑖
𝑋[𝑧] = =∑
𝐷[𝑧] 𝑧 − 𝑧𝑖
𝑖=1
𝑎𝑖
On retrouve les x[n] par transformation en Z inverse des éléments 𝑧−𝑧𝑖
𝑎𝑖
𝑥[𝑛] = 𝑇𝑍 −1 { } = 𝑎𝑖 𝑧𝑖𝑘 𝑢[𝑘]
𝑧 − 𝑧𝑖

Exemple :
1
𝑋[𝑧] =
𝑧 2 − 3𝑧 + 2
On peut écrire :
1 1 1 1 1
𝑋[𝑧] = = − = −
(𝑧 − 1)(𝑧 − 2) (𝑧 − 2) (𝑧 − 1) 𝑧(1 − 2𝑧 −1 ) 𝑧(1 − 𝑧 −1 )

1 1
𝑋[𝑧] = 𝑧 −1 − 𝑧 −1
(1 − 2𝑧 −1 ) (1 − 𝑧 −1 )
Or :
1 1
−1
= 𝑇𝑍{𝑢[𝑛]} 𝑒𝑡 = 𝑇𝑍{2𝑛 𝑢[𝑛]} 𝑒𝑡 𝑧 −1 𝑒𝑠𝑡 𝑢𝑛 𝑑é𝑐𝑎𝑙𝑎𝑔𝑒
(1 − 𝑧 ) (1 − 2𝑧 −1 )
Donc :
𝑋[𝑧] = 𝑧 −1 𝑇𝑍{2𝑛 𝑢[𝑛]} − 𝑧 −1 𝑇𝑍{𝑢[𝑛]}
Soit :
𝑥[𝑛] = 2𝑛−1 𝑢[𝑛 − 1] − 𝑢[𝑛 − 1]
𝑥[𝑛] = (2𝑛−1 − 1)𝑢[𝑛 − 1]

IV.6. Relation entre la transformée en Z et les autres transformées

XX.1. IV.6.1. Relation entre TZ et TF

Soit x(t) un signal discret défini non nul aux instants 𝑘𝑇𝑒 (échantillonné avec une période
d’échantillonnage 𝑇𝑒 ). On peut écrire :

38
 +∞

𝑥(𝑡) = ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 )

𝑘=−∞
La transformée en Z de x(t) est :
+∞ +∞

𝑋(𝑧) = 𝑇𝑍{𝑥(𝑡)} = 𝑇𝑍 [ ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 )] = 𝑥(𝑡) = ∑ 𝑥(𝑘𝑇𝑒 )𝑧 −𝑘

𝑘=−∞ 𝑘=−∞

Or : la transformée de Fourier du signal x(t) est :

+∞ +∞

𝑋(𝑓) = 𝑇𝐹{𝑥(𝑡)} = ∑ 𝑥(𝑘𝑇𝑒 )𝑇𝐹(𝛿(𝑡 − 𝑘𝑇𝑒 )) = ∑ 𝑥(𝑘𝑇𝑒 )𝑒 −𝑗2𝜋𝑘𝑇𝑒𝑓

𝑘=−∞ 𝑘=−∞

+∞
−𝑘
𝑋(𝑓) = ∑ 𝑥(𝑘𝑇𝑒 )(𝑒 𝑗2𝜋𝑇𝑒𝑓 )
𝑘=−∞
𝐚𝐫𝐠(𝒛)
𝑿(𝒇) = (𝑿[𝒛])𝒛=𝒆𝒋𝟐𝝅𝑻𝒆𝒇 ⇒ 𝐚𝐫𝐠(𝒛) = 𝟐𝝅𝒇𝑻𝒆 ⇒ 𝒇 = .
𝟐𝝅𝑻𝒆

XXI.1. IV.6.2. Relation entre TZ et Transformée de Laplace TL

Rappel :
+∞
𝑋(𝑝) = 𝑇𝐿{𝑥(𝑡)} = ∫ 𝑥(𝑡)𝑒 −𝑝𝑡 𝑑𝑡; 𝑎𝑣𝑒𝑐 𝑝 = 𝜎 + 𝑗2𝜋𝑓
−∞
Donc :
+∞ +∞ +∞ +∞
−𝑝𝑡
𝑋(𝑝) = ∫ ∑ 𝑥(𝑘𝑇𝑒 )𝛿(𝑡 − 𝑘𝑇𝑒 ) 𝑒 𝑑𝑡 = ∑ 𝑥(𝑘𝑇𝑒 ) [∫ 𝛿(𝑡 − 𝑘𝑇𝑒 ) 𝑒 −𝑝𝑡 𝑑𝑡]
−∞ 𝑘=−∞ 𝑘=−∞ −∞

Or :
𝑒 −𝑝𝑘𝑇𝑒 𝑝𝑜𝑢𝑟 𝑡 = 𝑘𝑇𝑒
𝛿(𝑡 − 𝑘𝑇𝑒 )𝑒 −𝑝𝑡 = {
0 𝑝𝑜𝑢𝑟 𝑡 ≠ 𝑘𝑇𝑒
Donc :
+∞

𝑋(𝑝) = ∑ 𝑥(𝑘𝑇𝑒 )[𝑒 −𝑝𝑘𝑇𝑒 ]

𝑘=−∞

𝑿(𝒑) = 𝑿[𝒛])𝒛=𝒆−𝑝𝑇𝑒
On a :
−𝑝𝑇𝑒
𝑙𝑛𝑧 𝑙𝑛(|𝑧|𝑒 jarg(𝑧) ) 𝑙𝑛(|𝑧|) + 𝑙𝑛(𝑒 jarg(𝑧) )
𝑧=𝑒 ⇒ 𝑝𝑇𝑒 = 𝑙𝑛𝑧 ⇒ 𝑝 = = =
𝑇𝑒 𝑇𝑒 𝑇𝑒
𝒍𝒏(|𝒛|)
𝝈=
𝒍𝒏(|𝒛|) 𝐚𝐫𝐠(𝒛) 𝑻𝒆
𝒑= +𝒋 = 𝝈 + 𝒋𝟐𝝅𝒇 ⇒
𝑻𝒆 𝑻𝒆 𝐚𝐫𝐠(𝒛) 𝐚𝐫𝐠(𝒛)
𝟐𝝅𝒇 = ⇒𝒇=
{ 𝑻𝒆 𝟐𝝅𝑻𝒆
39
V. Analyse des systèmes numériques

V.1. Système SyN_LI défini par sa fonction de transfert

On a vu précédemment que la réponse y[n] d’un système SyN_LI est obtenue en

calculant le produit de convolution de son entrée x[n] avec sa réponse impulsionnelle h[n] tel
que :
𝑦[𝑛] = 𝑥[𝑛] ∗ ℎ[𝑛]
En passant à la transformée en Z on obtient :
𝑌[𝑧] = 𝑋[𝑧] × 𝐻[𝑧]
H[z] est appelée fonction de transfert du système numérique SyN_LI.

Ainsi connaissant l’expression de H[z] on peut déterminer celle de Y[z] et remonter à

l’expression de y[n] en calculant juste la transformée en Z inverse de Y[z] et en utilisant les
propriétés et les relations citées dans les deux tableaux liés à la transformée en Z.

Exemple :

Soit un système numérique défini par sa fonction de transfert suivante :

3𝑧
𝐻[𝑧] =
𝑧 − 0,4
Calculons sa réponse pour un signal d’entrée 𝑥[𝑛] = (0,4)𝑛 𝑢[𝑛]
Solution :
On a : 𝑌[𝑧] = 𝑋[𝑧] × 𝐻[𝑧] ⇒ 𝑦[𝑛] = 𝑇𝑍 −1 {𝑌[𝑧]}

𝑧
𝑋[𝑧] = 𝑇𝑍{𝑥[𝑛]} = 𝑇𝑍{ (0,4)𝑛 𝑢[𝑛]} =
𝑧 − 0,4
2 2
(𝑧 − 0,4𝑧 + 0,4𝑧)
𝑧 3𝑧 3𝑧
𝑌[𝑧] = × = 2
=3
𝑧 − 0,4 𝑧 − 0,4 (𝑧 − 0,4) (𝑧 − 0,4)2
𝑧(𝑧 − 0,4) 0,4𝑧 𝑧 0,4𝑧
𝑌[𝑧] = 3 [ 2
+ 2
] = 3[ + ]
(𝑧 − 0,4) (𝑧 − 0,4) (𝑧 − 0,4) (𝑧 − 0,4)2
𝑧 0,4𝑧
𝑦[𝑛] = 𝑇𝑍 −1 {𝑌[𝑧]} = 𝑇𝑍 −1 {3 [ + ]}
(𝑧 − 0,4) (𝑧 − 0,4)2
𝑧 0,4𝑧
𝑦[𝑛] = 3𝑇𝑍 −1 { } + 3𝑇𝑍 −1 { }
(𝑧 − 0,4) (𝑧 − 0,4)2
𝑦[𝑛] = 3𝑛(0,4)𝑛 𝑢[𝑛] + 3(0,4)𝑛 𝑢[𝑛]

𝒚[𝒏] = 𝟑(𝒏 + 𝟏)(𝟎, 𝟒)𝒏 𝒖[𝒏]

V.2. Système SyN_LI défini par une équation aux différences

Dans le paragraphe III, on a vu qu’un système SyN _LI est régi par une équation aux
différences de la forme suivante :
40
 𝑁 𝑀

∑ 𝑎𝑘 𝑦[𝑛 − 𝑘] = ∑ 𝑏𝑖 𝑥[𝑛 − 𝑖]
𝑘=0 𝑖=0
En passant à la transformée en Z et en utilisant les propriétés de linéarité et de décalage,
l’équation aux différences devient :
𝑁 𝑀 𝑁 𝑀
−𝑘 −𝑖 −𝑘
∑ 𝑎𝑘 𝑧 𝑌[𝑧] = ∑ 𝑏𝑖 𝑧 𝑋[𝑧] ⇒ 𝑌[𝑧] ∑ 𝑎𝑘 𝑧 = 𝑋[𝑧] ∑ 𝑏𝑖 𝑧 −𝑖
𝑘=0 𝑖=0 𝑘=0 𝑖=0
Donc :
𝒀[𝒛] ∑𝑴𝒊=𝟎 𝒃𝒊 𝒛
−𝒊
𝑯[𝒛] = =
𝑿[𝒛] ∑𝑵 𝒌=𝟎 𝒂𝒌 𝒛
−𝒌

L’équation :
𝑁

∑ 𝑎𝑘 𝑧 −𝑘 , est appelée é𝐪𝐮𝐚𝐭𝐢𝐨𝐧 𝐜𝐚𝐫𝐚𝐜𝐭é𝐫𝐢𝐬𝐭𝐢𝐪𝐮𝐞 𝐝𝐮 𝐬𝐲𝐬𝐭è𝐦𝐞.

𝑘=0
Les racines de cette équation sont appelées les pôles de la fonction de transfert H[z].
Les racines de l’équation ∑Mi=0 bi z
−i
sont appelées les zéros de H[z].

Donc si la fonction de transfert H[z] possède M zéros zi et N pôles pk alors son expression
devient :

∏𝑴 −𝟏
𝒊=𝟏(𝟏 − 𝒛𝒊 𝒛 )
𝑯[𝒛] = 𝑯𝟎 ; 𝒂𝒗𝒆𝒄 𝑯𝟎 = 𝐥𝐢𝐦 𝑯[𝒛]
∏𝑵 −𝟏
𝒌=𝟏(𝟏 − 𝒑𝒌 𝒛 )
𝒛→∞

Conclusion :

La détermination des pôles et des zéros de la fonction de transfert permet de

caractériser complétement le système SyN_LI en particulier sa stabilité en effet : un
SyN_LI est stable si tous les pôles de H[z] sont strictement à l’intérieur du cercle unité i.e.
|𝒑𝒌 | < 𝟏.

Exemple :
Soit le système SyN_LI défini par l’équation aux différences suivante :
𝑦[𝑛] − 0,5𝑦[𝑛 − 1] = 2(0,25)𝑛 𝑢[𝑛]
Résoudre l’équation (trouver la réponse y[n]).

En passant à la transformée en Z on a :
2𝑧 2𝑧
𝑌[𝑧] − 0,5𝑧 −1 𝑌[𝑧] = ⇒ (1 − 0,5𝑧 −1 )𝑌[𝑧] =
𝑧 − 0,25 𝑧 − 0,25
𝑌[𝑧] 2𝑧 𝑌[𝑧] 2𝑧 𝐴 𝐵
(𝑧 − 0,5) = ⇒ = = +
𝑧 𝑧 − 0,25 𝑧 (𝑧 − 0,25)(𝑧 − 0,5) (𝑧 − 0,25) (𝑧 − 0,5)

41
 𝑌[𝑧] 𝐴(𝑧 − 0,5) + 𝐵(𝑧 − 0,25)
=
𝑧 (𝑧 − 0,25)(𝑧 − 0,5)
𝐴+𝐵 =2
On cherche A et B tels que : {
−0,5𝐴 − 0,25𝐵 = 0 ⇒ 𝐵 = −2𝐴
⇒ A=-2 et B=4
𝑌[𝑧] −2 4 −2𝑧 4𝑧
⇒ = + ⇒ 𝑌[𝑧] = +
𝑧 (𝑧 − 0,25) (𝑧 − 0,5) (𝑧 − 0,25) (𝑧 − 0,5)

𝒚[𝒏] = −𝟐(𝟎, 𝟐𝟓)𝒏 𝒖[𝒏] + 𝟒(𝟎, 𝟓)𝒏 𝒖[𝒏]

VI. Réponse fréquentielle des systèmes SyN_LI

VI.1. Spectre d’un signal numérique

Soit le signal numérique x[n] dont la transformée en Z est donnée par :

+∞

𝑋[𝑧] = ∑ 𝑥[𝑛]𝑧 −𝑛
𝑛=−∞
𝑗𝛺
z étant un complexe donc : 𝑧 = 𝑅𝑒 avec 𝛺 = 2𝜋𝐹 , on aura :
+∞ +∞ +∞
𝑗𝛺 −𝑛 −𝑛 −𝑛𝑗𝛺
𝑋[𝑧] = ∑ 𝑥[𝑛](𝑅𝑒 ) = ∑ 𝑥[𝑛]𝑅 𝑒 = ∑ 𝑥[𝑛]𝑅 −𝑛 𝑒 −𝑛𝑗2𝜋𝐹
𝑛=−∞ 𝑛=−∞ 𝑛=−∞
f
Pour R=1 i.e. |z| = 1, et F = F est la fréquence normalisée avec Fe est la fréquence de
e
discrétisation du signal alors on a :
+∞
𝒇
−𝒋𝒏𝟐𝝅
𝑿[𝒛]|𝒛|=𝟏 = ∑ 𝒙[𝒏]𝒆 𝑭𝒆 = 𝑿(𝒇)
𝒏=−∞

Cette dernière relation montre que la transformée de Fourier n’est autre que la transformée en
Z évaluée sur le cercle unité i.e. |z| = 1. Donc le spectre d’un signal numérique est obtenu en
f
remplaçant la variable z par la valeur située sur le cercle unité et d’argument Ω = 2π F .
e

f
Ω = 2πF = 2π F : étant la pulsation normalisée mesurée en radian/échantillon et elle est
e
comprise entre –π et π donc on a :
1 1 Fe Fe
−𝜋 ≤ Ω ≤ π ⇔ −π ≤ 2πF ≤ π ⇒ − ≤F≤ ⇒ − ≤f≤
2 2 2 2
Fe Fe
Toutes les fréquences f du signal sont comprises dans l’intervalle : [− 2 , 2 ].

VI.2. Fonction de transfert et réponse fréquentielle

On rappelle que la fonction de transfert H[z] est définie par :

42
 ∑𝑀
𝑛=0 𝑏𝑛 𝑧
−𝑛
𝐻[𝑧] =
∑𝑁
𝑘=0 𝑎𝑘 𝑧
−𝑘

En remplaçant z −1 par: e−j2πf on obtient :

∑𝑀
𝑛=0 𝑏𝑖 𝑒
−𝑗𝑛2πf
𝐻[𝑓] = ; c ′ est la réponse fréquentielle.
∑𝑁
𝑘=0 𝑎𝑘 𝑒
−𝑗𝑘2πf

On obtient donc la réponse fréquentielle d’un système SyN_LI à partir de sa fonction de

transfert, en remplaçant la variable z par la valeur se situant dans le cercle unité et d’argument
f
Ω = 2π F .
e

Cas particuliers :

si f=0 alors z=1 ⇒ H(f)f=0 = H[z]z=1 qui correspond à la composante (DC) du signal

fe
si f = soit Ω = π, alors z = -1 ⇒ H(f)f=fe = H[z]z=−1 qui correspond à la fréquence de
2 2
Nyquist.

Exemple :
Soit le système défini par sa fonction de transfert suivante :
1 𝑧
𝐻[𝑧] = −1
=
1 − 0,5𝑧 𝑧 − 0,5
j2πf
En remplaçant z par e , on obtient :
ej2πf
𝐻[𝑓] = j2πf
e − 0,5
Donc la réponse fréquentielle en amplitude est :
ej2πf | ej2πf | 1
|𝐻[𝑓]| = | j2πf | = j2πf =
e − 0,5 |e − 0,5| √(𝑐𝑜𝑠2𝜋𝑓 − 0,5)2 + (𝑠𝑖𝑛2𝜋𝑓)2
1 1
|𝐻[𝑓]| = =
√1 − 𝑐𝑜𝑠2𝜋𝑓 + 0,25 √1,25 − 𝑐𝑜𝑠2𝜋𝑓
Et la réponse fréquentielle en phase est :

𝜑(𝑓) = arg( ej2πf ) − 𝑎𝑟𝑔( ej2πf − 0,5) = 2𝜋𝑓 − 𝑎𝑟𝑔(𝑐𝑜𝑠2πf − 0,5 + jsin2πf)
𝑠𝑖𝑛2𝜋𝑓 𝑠𝑖𝑛2𝜋𝑓
𝜑(𝑓) = 2𝜋𝑓 − 𝑎𝑟𝑐𝑡𝑔 ( ) = 2𝜋𝑓 − 𝑎𝑟𝑐𝑡𝑔 ( )
𝑐𝑜𝑠2𝜋𝑓 − 0,5 𝑐𝑜𝑠2𝜋𝑓 − 0,5
On a :
1 −1
𝐻(𝑓)𝑓=0 = 𝐻[𝑧]𝑧=1 = = 2 𝑒𝑡 𝐻(𝑓) fe = 𝐻[𝑧]𝑧=−1 = = 0,666.
1 − 0,5 𝑓=
2 −1 − 0,5

43
 VI.3. Relation entre la réponse fréquentielle et les pôles et les zéros de la fonction
de transfert

Soit un système SyN_LI défini par sa fonction de transfert H[z]telle que :

𝑌[𝑧] 𝑁[𝑧]
𝐻[𝑧] = =
𝑋[𝑧] 𝐷[𝑧]
On a vu précédemment que si H[z] possède M zéros zi et N pôles pk alors son expression
devient :

∏𝑀 −1
𝑖=1(1 − 𝑧𝑖 𝑧 )
𝐻[𝑧] = 𝐻0 ; 𝑎𝑣𝑒𝑐 𝐻0 = lim 𝐻[𝑧]
∏𝑁 −1
𝑘=1(1 − 𝑝𝑘 𝑧 ) 𝑧→∞

Qu’on peut écrire aussi :

∏𝑀
𝑖=1(𝑧 − 𝑧𝑖 )
𝐻[𝑧] = 𝐻0 𝑁
∏𝑘=1(𝑧 − 𝑝𝑘 )

Les zéros annulent la fonction de transfert ce qui implique que la réponse fréquentielle
s’affaiblit lorsque la fréquence s’approche des zéros zi (car (z − zi ) diminue) et elle devient
maximale aux voisinages des pôles puisque cette fois ci c’est (z − pk ) qui diminue.

Exemple :

Soit le système numérique défini par sa fonction de transfert suivante :

𝑌[𝑧] (𝑧 − 𝑧1 )(𝑧 − 𝑧2 )
𝐻[𝑧] = =𝐴
𝑋[𝑧] (𝑧 − 𝑝1 )(𝑧 − 𝑝2 )
Avec : z1 et z2 sont les zéros de H[z] ⇒ Y[z]z=z1 = Y[z]z=z2 = 0
p1 et p2 sont les pôles de H[z] ⇒ X[z]z=p1 = X[z]z=p2 = 0

𝑯(𝒇) = 𝑯[𝒛]|𝒛|=𝟏

On veut déterminer les pôles et les zéros de ce système connaissant sa réponse

fréquentielle?

La réponse fréquentielle H(f) est illustrée par la figure suivante :

44
 H(f)

0 f0 𝑓𝑒 Τ2 f

Posons :
1 ⇒Ω=0 ⇒f=0
jΩ j2πf⁄f
z=e =e e ={ fe
−1 ⇒ Ω = π ⇒ f =
2

Donc ce système doit présenter les caractéristiques suivantes :

1. Il ne doit pas faire passer la fréquence 0 qui correspond dans le domaine des complexes
à z=1. On doit avoir un zéro en cet endroit i.e. z1 = 1.
fe
2. Il doit bloquer les signaux de fréquence qui se situent dans le cercle unité en z=-1où
2
on doit avoir un zéro i.e. z2 = −1.
3. Il doit faire passer le signal de fréquence f0 . En cette fréquence la réponse fréquentielle
est maximale donc on doit avoir deux pôles : p1 = RejΩ0 , et p2 = Re−jΩ0 , avec la
𝑓
condition : 𝛺0 = 2𝜋 𝑓0 est la pulsation normalisé et R<1 pour avoir un système
𝑒
stable (voir paragraphe V.2).

Avec les conditions citées en haut on peut écrire :

(𝑧 − 1)(𝑧 + 1)
𝐻[𝑧] = 𝐴
(𝑧 − RejΩ0 )(𝑧 − Re−jΩ0 )
𝑧2 − 1 1 − 𝑧 −2
𝐻[𝑧] = 𝐴 2 = 𝐴
𝑧 − 2𝑧𝑅𝑐𝑜𝑠Ω0 + 𝑅 2 1 − 2𝑧 −1 𝑅𝑐𝑜𝑠Ω0 + 𝑧 −2 𝑅 2
𝑓
En remplaçant z par ejΩ (Ω = 2𝜋 𝑓 est la pulsation normalisé), on obtient :
𝑒

𝟏 − 𝒆−𝒋𝟐𝛀
𝑯[𝒋𝛀] = 𝑨
𝟏 − 𝟐𝑹𝒆−𝒋𝛀 𝒄𝒐𝒔𝛀𝟎 + 𝑹𝟐 𝒆−𝒋𝟐𝛀

Cas particuliers :
𝑓0
Ω = Ω0 = 2𝜋
, 𝑖. 𝑒. 𝑓 = 𝑓0
𝑓𝑒
1 − 𝑒 −𝑗2Ω0
𝐻[𝑗Ω0 ] = 𝐴
1 − 2𝑅𝑒 −𝑗Ω0 𝑐𝑜𝑠Ω0 + 𝑅 2 𝑒 −𝑗2Ω0
45
Or :
−𝑗Ω0 −𝑗Ω0
𝑒 𝑗Ω0 + 𝑒 −𝑗Ω0 1 + 𝑒 −𝑗2Ω0
𝑒 𝑐𝑜𝑠Ω0 = 𝑒 =
2 2
Donc :
1 − 𝑒 −𝑗2Ω0 1 − 𝑒 −𝑗2Ω0
𝐻[𝑗Ω0 ] = 𝐴 = 𝐴
1 + 𝑒 −𝑗2Ω0 2 𝑒 −𝑗2Ω0 1 − 𝑅(1 + 𝑒 −𝑗2Ω0 ) + 𝑅 2 𝑒 −𝑗2Ω0
1 − 2𝑅 + 𝑅
2

1 − 𝑒 −𝑗2Ω0 𝐴 1 − 𝑐𝑜𝑠2Ω0 + 𝑗𝑠𝑖𝑛2Ω0

𝐻[𝑗Ω0 ] = 𝐴 −𝑗2Ω
= ×
(1 − 𝑅) (1 − 𝑅𝑒 0) 1 − 𝑅 1 − 𝑅(𝑐𝑜𝑠2Ω0 − 𝑗𝑠𝑖𝑛2Ω0 )

On peut vérifier que :

Comme application numérique considérons la situation suivante:

𝑓𝑒 𝜋
𝑅 = 0,9, 𝑒𝑡 𝑓0 = ⇒ Ω0 = 𝑒𝑡 𝐴 = 1 − 𝑅 = 0,1
8 4
f
On a toujours pour ce filtre passe bande : 𝐻(𝑓 = 0) = 0 𝑒𝑡 𝐻 (𝑓 = 2e ) = 0
On calcule 𝐻[𝑗𝑓0 ] = 𝐻[𝑗Ω0 ]
𝜋 𝜋
0,1 1 − 𝑐𝑜𝑠2 4 + 𝑗𝑠𝑖𝑛2 4 1+𝑗
𝐻[𝑗Ω0 ] = × 𝜋 𝜋 =
1 − 0,9 1 − 0,9 (𝑐𝑜𝑠2 − 𝑗𝑠𝑖𝑛2 ) 1 + 0,9𝑗
4 4
√2
|𝐻[𝑗Ω0 ]| = = 1,05; 𝑒𝑡 arg(𝐻[𝑗Ω0 ]) = arg(1 + 𝑗) − arg(1 + 0,9𝑗)
√1 + 0,92
𝜋
arg(𝐻[𝑗Ω0 ]) = arctg(1) − arctg(0,9) = − 0,73 = 0,055𝑟𝑎𝑑.
4
H(f)
Im(Z)
𝐟𝐞
⁄𝟒
𝝅
𝒋 𝐟𝐞
0,9𝒆 𝟒 = 𝐩𝟏 ⁄𝟖 Cercle unité

𝐟𝐞⁄
𝐟= 𝟐 𝐟 =0
0 f0 ⁄2 f
fe 𝐳𝟐 = -1 𝐳𝟏 =1 Re(Z)
𝝅
−𝒋
0,9𝒆 𝟒 = 𝐩𝟐

𝟑𝐟𝐞
⁄𝟒

46
 Chapitre 4

Etude des Filtres Numériques

I. Définition d’un filtre numérique

Un filtre numérique est un système linéaire discret qui modifie la représentation

temporelle et fréquentielle d’un signal discret x[n] appliqué à son entrée pour obtenir un signal
discret y[n]. Comme tout système linéaire, il est parfaitement défini par sa fonction de transfert
H[z] donnée par la relation suivante :
𝒀[𝒛] X[z]étant la transformèe en Z de x[n]
𝑯[𝒛] = , avec: {
𝑿[𝒛] Y[z]étant la transformèe en Z de y[n]

Selon les trois formes de liaison à savoir : directe, en parallèle ou en cascade.

H1 [z]
Filtre de fonction de
X[z] Y[z]=H[z]X[z]
transfert H[z]
𝑿[𝒛] H2 [z] ⊕ Y[z]
Forme directe
:
:
X[z] H1 [z] H2 [z] ... HM [z] Y[z]
HM [z]
Forme en cascade Forme en parallèle

Un filtre numérique peut être caractérisé aussi par sa réponse impulsionnelle h[n] qui
correspond à la réponse du filtre lorsqu’on applique en son entrée l’impulsion unité ou le saut
unité (ce n’est pas l’impulsion de Dirac) défini par :
1 𝑛≥0
𝑢 [𝑛] = {
0 𝑛<0

II. Classification des filtres numériques

Les filtres numériques peuvent être classés selon

a. La durée de la réponse impulsionnelle :

47
  Si elle est finie on parle des filtres à réponse impulsionnelle finie qu’on note RIF
(qui se caractérisent par une réponse impulsionnelle h[n] est à support fini i.e.
h[n]=0 pour n<0 et n>N.
 Si elle est infinie, il s’agit des filtres à réponse impulsionnelle infinie qu’on note
RII et qui possèdent un support infini i.e. h[n]≠0, ∀n.

b. Type de représentation temporelle :

 Récursif, dans ce cas la sortie (la réponse) y[n] du filtre dépend de l’entrée
courante, des entrées précédentes ainsi que les sorties précédentes.
 Non récursif, dans ce cas la sortie y[n] ne dépend que de l’entrée courante et des
entrées précédentes.

III. Les filtres non récursifs ou les RIF

III.1. Caractéristiques et propriétés

La sortie de ces filtres est reliée à l’entrée par la relation suivante :
𝑀−1

𝑦[𝑛] = ∑ 𝑏𝑖 𝑥[𝑛 − 𝑖]
𝑖=0
On voit bien que la valeur de la sortie à l'instant n est une combinaison linéaire des
valeurs de l'entrée à l'instant n et aux (M–1) instants antérieurs.
𝑀−1 𝑀−1 𝑀−1
−𝑖
𝑌[𝑧] = 𝑇𝑍 ( ∑ 𝑏𝑖 𝑥[𝑛 − 𝑖]) = ∑ 𝑏𝑖 𝑋[𝑧]𝑧 = 𝑋[𝑧] ∑ 𝑏𝑖 𝑧 −𝑖 = 𝑋[𝑧]𝐻[𝑧]
𝑖=0 𝑖=0 𝑖=0
Donc :
𝑀−1 𝑀−1
𝑌[𝑧]
𝐻[𝑧] = = ∑ 𝑏𝑖 𝑧 −𝑖 ⇒ 𝑇𝐹 −1 (𝐻[𝑧]) = ℎ[𝑛] = ∑ 𝑏𝑖 𝑢[𝑛 − 𝑖]
𝑋[𝑧]
𝑖=0 𝑖=0

𝒉[𝒏] = 𝒃𝒏

On constate que les coefficients bi du filtre non récursif sont les valeurs de sa réponse
impulsionnelle h[i]=bi, qui ne sont définis que dans un intervalle de durée M.

Conclusion

Un filtre non récursif est à réponse impulsionnelle finie c’est un RIF stable de durée M
appelée longueur du filtre.

D’où la relation suivante :

𝑴−𝟏 𝑴−𝟏

𝒚[𝒏] = ∑ 𝒃𝒊 𝒙[𝒏 − 𝒊] = ∑ 𝒉[𝒊]𝒙[𝒏 − 𝒊]

𝒊=𝟎 𝒊=𝟎
48
Approximation :

Vu que les filtres RIF sont inconditionnellement stables on peut faire l’approximation
suivante : toute fonction de filtrage numérique stable et causale peut être approchée par la
fonction de transfert d'un filtre RIF.

III.2 Réalisation d’un filtre RIF

La réalisation d’un filtre RIF est dite non récursive ou transverse car elle ne fait
apparaitre aucun bouclage de la sortie sur l’entrée et on peut la réaliser en utilisant des circuits
numériques comme sommateur, bascule, multiplieurs…
Donc 3 opérations élémentaires sont nécessaires pour la réalisation d’un filtre RIF:
 Retard (registre à décalage)
 Opérateurs arithmétiques + et ×
 Registres pour la pondération

En se basant sur la relation précédente on déduit le schéma fonctionnel de ce filtre :

b0
x[n] ⊕ y[n]

Z−1
x[n − 1] x[n − 2] x[n − M + 1] b1
−1
x[n] Z Z −1 Z−1 ⊕

b0 b1 b2 bM−2 bM−1
⊕ ⊕ ⊕ ⊕ ⊕ y[n] bM−2 x[n − 1] + bM−1 x[n − 2]
Z−1
Structure directe
bM−2
⊕
bM−1 x[n − 1]
−1
Z
bM−1

Structure transposée

Exemple :
Soit le filtre défini par sa fonction de transfert suivante :
𝐻[𝑧] = 0.5 + 2𝑧 −2 , Réaliser ce filtre (donner son schéma fonctionnel) ?
On a: 𝑏0 = 0,5 𝑒𝑡 𝑏2 = 2
Donc : ℎ[0] = 0,5 𝑒𝑡 ℎ[2] = 2
⇒ 𝑦[𝑛] = 0,5𝑥[𝑛] + 2𝑥[𝑛 − 2]

49
 0,5
𝐱[𝐧] ⊕ 𝒚[𝐧]
2
Z−1
𝑥[n − 1]

Z−1
𝑥[n − 2]

Remarques :

 D’après l’équation reliant y[n] à x[n] on peut dire que le filtre RIF effectue une
pondération des valeurs du signal d’entrée. Cette pondération peut être interprétée
comme une moyenne glissante d’où la notation MA (Moving Average).
𝑦[𝑛] = 𝑏0 𝑥[𝑛] + 𝑏1 𝑥[𝑛 − 1] + 𝑏2 𝑥[𝑛 − 2] + ⋯ + 𝑏𝑀−1 𝑥[𝑛 − 𝑀 + 1]

 Les filtres RIF sont des filtres stables par défaut, une stabilité pas besoin de s’assurer de
la position des pôles aux bons endroits.

III.3. Filtre RIF à phase linéaire

Une des propriétés du filtres RIF la plus intéressante est qu’il peut générer des filtres à
phase linéaire en effet :
Si on considère un filtre RIF de longueur M et de fonction de transfert :

𝑀−1

𝐻[𝑧] = ∑ 𝑏𝑘 𝑧 −𝑘
𝑘=0
𝑗𝜔
en posant 𝑧 = 𝑒 et en tenant compte du fait que : 𝑏𝑘 = ℎ(𝑘) alors on a :

𝑀−1 𝑀−1
−𝑘
𝐻[𝑧] = ∑ 𝑏𝑘 𝑧 = ∑ ℎ[𝑘]𝑒 −𝑗𝜔𝑘
𝑘=0 𝑘=0
Pour la facilité du calcul on va supposer que le filtre est symétrique i.e. h(n)=h(M-1-n) donc on
distingue deux cas selon que M est pair ou impair.

1er cas : M est impair soit M=2n+1

Dans ce cas la représentation de h[n] est :

50
 𝒉[𝒌]

0 1 𝑛-1 𝑛 𝑛+1 2𝑛-1 2𝑛 𝒌

2𝑛

𝐻[𝑧] = ∑ 𝑏𝑘 𝑧 −𝑘
𝑘=0
0 −1 −𝑛
𝐻[𝑧] = 𝑏0 𝑧 + 𝑏1 𝑧 + ⋯ + 𝑏𝑛 𝑧 + 𝑏𝑛+1 𝑧 −(𝑛+1) + ⋯ + 𝑏2𝑛+1 𝑧 −(2𝑛+1) + 𝑏2𝑛 𝑧 −2𝑛

Or :
ℎ[𝑘] = ℎ[2𝑛 − 𝑘], ∀ 0 ≤ 𝑘 ≤ 2𝑛

𝐻[𝑧] = 𝑏0 𝑧 0 + 𝑏1 𝑧 −1 + ⋯ + 𝑏𝑛 𝑧 −𝑛 + 𝑏𝑛−1 𝑧 −(𝑛+1) + ⋯ + 𝑏1 𝑧 −(2𝑛−1) + 𝑏0 𝑧 −2𝑛

𝐻[𝑧] = 𝑧 −𝑛 [𝑏0 𝑧 𝑛 + 𝑏1 𝑧 𝑛−1 + ⋯ + 𝑏𝑛 𝑧 0 + 𝑏𝑛−1 𝑧 −1 + ⋯ + 𝑏1 𝑧 −(𝑛−1) + 𝑏0 𝑧 −𝑛 ]

𝐻[𝑧] = 𝑧 −𝑛 [𝑏0 (𝑧 𝑛 + 𝑧 −𝑛 ) + 𝑏1 (𝑧 𝑛−1 + 𝑧 −(𝑛−1) ) + 𝑏2 (𝑧 𝑛−2 + 𝑧 −(𝑛−2) ) + ⋯ + 𝑏𝑛 𝑧 0 ]

Or: 𝑧 𝑘 = 𝑒 𝑗𝑘𝜔 ⇒ 𝑧 𝑘 + 𝑧 −𝑘 = 𝑒 𝑗𝑘𝜔 + 𝑒 −𝑗𝑘𝜔 = 2𝑐𝑜𝑠𝑘𝜔

𝐻[𝑧] = 𝑧 −𝑛 [2𝑏0 𝑐𝑜𝑠𝑛𝜔 + 2𝑏1 𝑐𝑜𝑠𝜔(𝑛 − 1) + 2𝑏2 𝑐𝑜𝑠𝜔(𝑛 − 2) + ⋯ + 2𝑏𝑘 𝑐𝑜𝑠𝜔(𝑛 − 𝑘) + ⋯

+ 𝑏𝑛 𝑧 0 ]

𝐻[𝑧] = 𝑧 −𝑛 [2ℎ[0]𝑐𝑜𝑠𝑛𝜔 + 2ℎ[1]𝑐𝑜𝑠𝜔(𝑛 − 1) + 2ℎ[2]𝑐𝑜𝑠𝜔(𝑛 − 2) + ⋯

+ 2ℎ[𝑘]𝑐𝑜𝑠𝜔(𝑛 − 𝑘) + ⋯ + ℎ[𝑛]]
Donc :
𝐻[𝑗𝜔] = 𝑒 −𝑗𝜔𝑛 [2ℎ[0]𝑐𝑜𝑠𝑛𝜔 + 2ℎ[1]𝑐𝑜𝑠𝜔(𝑛 − 1) + 2ℎ[2]𝑐𝑜𝑠𝜔(𝑛 − 2) + ⋯
+ 2ℎ[𝑘]𝑐𝑜𝑠𝜔(𝑛 − 𝑘) + ⋯ + ℎ[𝑛]]
𝑀−1
−1
2
𝑀−1 𝑀−1
𝐻[𝑗𝜔] = 𝑒 −𝑗𝜔 2 ℎ( ) + ∑ 2ℎ[𝑘]𝑐𝑜𝑠𝜔(𝑛 − 𝑘)
2
𝑘=0
[ ]
Le terme entre les crochets est un réel donc :
𝑀−1 𝑀−1
𝜑(𝐻[𝑗𝜔]) = 𝑎𝑟𝑔(𝐻[𝑗𝜔]) = 𝑎𝑟𝑔 (𝑒 −𝑗𝜔 2 ) =− 𝜔.
2
𝝋(𝑯[𝒋𝝎]) = 𝑨𝝎

2éme cas : M est pair soit M=2n+2

Dans ce cas la représentation de h[n] est :

51
 𝒉[𝒌]

0 1 𝑛 𝑛+1 2𝑛 2𝑛+1
𝒌
2𝑛+1

𝐻[𝑧] = ∑ ℎ[𝑘]𝑧 −𝑘
𝑘=0
𝐻[𝑧] = ℎ[0]𝑧 0 + ℎ[1]𝑧 −1 + ⋯ + ℎ[𝑛]𝑧 −𝑛 + ℎ[𝑛 + 1]𝑧 −(𝑛+1) + ⋯ + ℎ[2𝑛]𝑧 −2𝑛 + ℎ[2𝑛
+ 1]𝑧 −(2𝑛+1)
Or :
ℎ[𝑘] = ℎ[2𝑛 + 1 − 𝑘], ∀ 0 ≤ 𝑘 ≤ 2𝑛 + 1

𝐻[𝑧] = ℎ[0](𝑧 0 + 𝑧 −(2𝑛+1) ) + ℎ[1](𝑧 −1 + 𝑧 −2𝑛 ) + ⋯ + ℎ[𝑛](𝑧 −𝑛 + 𝑧 −(𝑛+1) )

2𝑛+1 2𝑛+1 2𝑛+1 2𝑛+1 2𝑛+1
𝐻[𝑧] = 𝑧 − 2 [ℎ[0] (𝑧 2 + 𝑧− 2 ) + ℎ[1] (𝑧 2
−1
+𝑧 2
−2𝑛
) +⋯
2𝑛+1 2𝑛+1
−𝑛 −(𝑛+1)
+ ℎ[𝑛] (𝑧 2 +𝑧 2 )]
2𝑛+1 2𝑛+1 2𝑛+1 2𝑛+1 2𝑛+1
𝐻[𝑧] = 𝑧 − 2 [ℎ[0] (𝑧 2 + 𝑧− 2 ) + ℎ[1] (𝑧 2
−1
+ 𝑧− 2
+1
) +⋯
2𝑛+1 2𝑛+1
−𝑛
+ ℎ[𝑛] (𝑧 2 + 𝑧− 2
+𝑛
)]
En remplaçant z par 𝑒 𝑗𝜔 , et en remarquons que :
2𝑛+1 2𝑛+1 2𝑛+1 2𝑛+1 2𝑛 + 1
= 𝑒 𝑗𝜔( −𝑘)
+ 𝑒 −𝑗𝜔(
−𝑘 −𝑘)
𝑧 2 + 𝑧− 2
+𝑘 2 2 = 2𝑐𝑜𝑠𝜔 ( − 𝑘)
2
On obtient finalement :
𝑛
−𝑗𝜔
2𝑛+1 2𝑛 +1
𝐻[𝑗𝜔] = 𝑒 2 [∑ 2ℎ[𝑘]𝑐𝑜𝑠𝜔 ( − 𝑘)]
2
𝑘=0
𝑛
𝑀−1 2𝑛 +1
𝐻[𝑗𝜔] = 𝑒 −𝑗𝜔 2 [∑ 2ℎ[𝑘]𝑐𝑜𝑠𝜔 ( − 𝑘)]
2
𝑘=0
Le terme entre les crochets est toujours un réel donc :
𝑀−1 𝑀−1
𝜑(𝐻[𝑗𝜔]) = 𝑎𝑟𝑔(𝐻[𝑗𝜔]) = 𝑎𝑟𝑔 (𝑒 −𝑗𝜔 𝜔. 2 ) =−
2
𝝋(𝑯[𝒋𝝎]) = 𝝉𝝎, 𝒐𝒖 𝒃𝒊𝒆𝒏 𝝋(𝑯[𝒇]) = 𝑨𝒇
Conclusion :
𝑴−𝟏
la phase en fonction de 𝝎 est une droite de pente − . On dit que la phase est
𝟐
linéaire en fonction de 𝝎 ou de f.

52
Ainsi si un filtre est à phase linéaire alors sa réponse fréquentielle est de la forme :

(𝑯[𝒇]) = 𝑹(𝒇)𝒆𝒋𝝋(𝑯[𝒇]) , 𝑎𝑣𝑒𝑐: 𝜑(𝐻[𝑓]) = 𝜑0 + 2𝜋𝑓𝜏 𝑒𝑡 𝜏 𝑒𝑠𝑡 𝑢𝑛𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒

Exemple :

Filtre à phase linéaire

x[n]=acos(2πfn) y[n]=aR(f)cos(2πfn φ0 + 2πfτ)
h((f)=R(f)𝐞𝐣𝟐𝛑𝐟𝛕

Rq : Notez que les résultats obtenus pour les filtres symétriques restent valables aussi pour les
filtres antisymétriques.

Exercice :

Soit le filtre défini par son équation différentielle suivante :

1
𝑦[𝑛] = (𝑥[𝑛] + 2𝑥[𝑛 − 1] + 𝑥[𝑛 − 2])
4
Etudier ce filtre ?
En passant à la transformée en Z, on obtient la fonction de transfert H[z] en effet on a :
1
𝑌[𝑧] = (𝑋[𝑧] + 2𝑧 −1 𝑋[𝑧] + 𝑧 −2 𝑋[𝑧])
4
𝑌[𝑧] 1 1 2
⇒ 𝐻[𝑧] = = (1 + 2𝑧 −1 + 𝑧 −2 ) ⇒ 𝐻[𝑒 𝑗2𝜋𝑓 ] = (1 + 2𝑒 −𝑗2𝜋𝑓 + (𝑒 −𝑗2𝜋𝑓 ) )
𝑋[𝑧] 4 4
2 2
(1 + 𝑒 −𝑗2𝜋𝑓 ) −2𝑗𝜋𝑓
(𝑒 𝑗𝜋𝑓 + 𝑒 −𝑗𝜋𝑓 )
⇒ 𝐻[𝑓] = =𝑒 ( ) = 𝑒 −2𝑗𝜋𝑓 (𝑐𝑜𝑠 2 𝜋𝑓)
4 4
|𝐻[𝑓]| = 𝑐𝑜𝑠 2 𝜋𝑓
⇒{
arg(𝐻[𝑓]) = −2𝜋𝑓, 𝑝ℎ𝑎𝑠𝑒 𝑙𝑖𝑛𝑒𝑎𝑖𝑟𝑒 𝑒𝑛 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑑𝑒 𝑙𝑎 𝑓𝑟é𝑞𝑢𝑒𝑛𝑐𝑒

Réponse fréquentielle en amplitude du Réponse fréquentielle en phase du filtre

filtre

Donc ce filtre peut être approximé à un filtre RIF de réponse impulsionnelle h[n] :

53
 𝑌[𝑧] 1 1
𝐻[𝑧] = = (1 + 2𝑧 −1 + 𝑧 −2 ) ⇒ ℎ[𝑛] = (𝛿[𝑛] + 2𝛿[𝑛 − 1] + 𝛿[𝑛 − 2])
𝑋[𝑧] 4 4

III.4. Synthèse d’un filtre RIF par la méthode de fenêtrage

L’idée de la conception d’un filtre numérique RIF par la méthode de fenêtrage est qu’à
partir du gabarit fréquentiel on effectue la synthèse d’un filtre RIF réalisable (système causal)
à phase linéaire. Cette conception se fait en suivant les étapes suivantes :
1. Spécification du filtre.
2. Calcul des coefficients de la réponse impulsionnelle h[n].
XXII.1. III.4.1. Spécification du filtre
Souvent, on ramène le travail à la spécification d’un filtre passe-bas normalisé i.e. que
l’échelle des fréquences est modifiée de manière à ce que la fréquence de coupure devienne 1

Les filtre passe haut, passe bande et coupe bande peuvent être spécifiés en termes d’un filtre
passe-bas normalisé équivalent ce qui revient à effectuer un changement de variable f pour
obtenir le filtre passe-bas équivalent et on défait le changement à la fin du calcul.

En se basant sur le gabarit réel d’un filtre analogique passe-bas, on peut spécifier les
caractéristiques du filtre à concevoir, à savoir :

|H(f)| Caractéristiques du filtre à préciser:

𝟏 + 𝛅𝟏 • La bande passante BP (spécifier le type du filtre:

passe-bas, passe-haut, passe bande ou coupe bande.
Bande de transition

𝟏 − 𝛅𝟏
• La bande atténuée (ou coupée)
• La largeur de la zone de transition: ∆f = f c − f p

Bande Passante Bande Atténuée • L'amplitude des oscillations en bande passante 𝛿1

𝛅𝟐 • L'amplitude des ondulations en bande atténuée 𝛿2

𝐟𝐩 𝐟𝐜 f

A partir du gabarit réel du filtre on peut déterminer la longueur du filtre RIF par la
relation suivante :
𝟐 𝟏 𝑭𝒆
𝑴 = 𝐥𝐨𝐠 𝟏𝟎 ( )
𝟑 𝟏𝟎𝜹𝟏 𝜹𝟐 ∆𝒇

Exemple :
54
 On désire créer un filtre RIF avec les caractéristiques suivantes pour accentuer la
sonorité d’un trombone (instrument de musique) :
Filtre de type : passe-bande.
Bande de transmission : 150-3000 Hz.
Bande de transition : 100 Hz.
Fréquence d’échantillonnage : 44 000 Hz.
XXIII.1. III.4.2. Méthode de fenêtrage
La seconde étape pour la conception d’un filtre consiste à calculer les coefficients de la
réponse impulsionnelle h[n] pour cela il existe plusieurs méthodes comme la méthode de
fenêtrage, celle de l’échantillonnage du spectre d’amplitude de H(f) suivi de la transformation
de Fourier inverse, méthode de l’optimisation par moindres carrés et bien d’autres. Dans notre
cas on va s’intéresser à la méthode des fenêtres car c’est la plus directe pour la conception des
filtres numériques RIF.

La méthode de fenêtrage se fait en deux étapes à savoir :

1. Développement en série de Fourier du filtre passe-bas idéal.
2. Passage du filtre idéal h[n] au filtre RIF par approximation en utilisant la série
de Fourier inverse tronquée.

 Développement en série de Fourier du filtre passe-bas idéal :

On rappelle qu’on a :
ℎ[𝑘] = 𝑏𝑘 , ∀ 𝑘
Donc le calcul des coefficients du filtre revient à trouver sa réponse impulsionnelle. Si H[f] est
la réponse fréquentielle d’un filtre idéal donnée par sa série de Fourier :
+∞

𝐻(𝑒 𝑗2𝜋𝑓 ) = 𝐻(𝑓) = ∑ ℎ[𝑛]𝑒 −𝑗2𝜋𝑓𝑛

𝑛=−∞
1Τ2
ℎ[𝑛] = 𝑇𝐹𝑇𝐷 −1 (𝐻[𝑓]) = ∫ 𝐻[𝑓]𝑒 𝑗2𝜋𝑓𝑛 𝑑𝑓
−1Τ2
Comme H[f] est un réel donc h[n] est symétrique et c’est une séquence qui est infinie
donc on va la tronquer sur une fenêtre de largeur finie M tel que :
ℎ[𝑛] 𝑝𝑜𝑢𝑟 0 ≤ 𝑛 ≤ 𝑀
ℎ𝑇 [𝑛] = {
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠

Cette troncation est équivalente à une pondération sur la réponse impulsionnelle idéale par
une suite discrète finie définie par une porte 𝑤[𝑛] telle qu’on a :

1 𝑝𝑜𝑢𝑟 0 ≤ 𝑛 ≤ 𝑀
ℎ𝑇 [𝑛] = ℎ[𝑛] × 𝑤[𝑛], 𝑜ù 𝑤[𝑛] = { ∶ 𝑝𝑜𝑟𝑡𝑒 𝑟𝑒𝑐𝑡𝑎𝑛𝑔𝑢𝑙𝑎𝑖𝑟𝑒
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠

1Τ2
ℎ𝑇 [𝑛] = ℎ[𝑛] × 𝑤[𝑛] ⇒ 𝐻𝑇 [𝑓] = 𝐻[𝑓] ∗ 𝑊[𝑓] = ∫−1Τ2 𝐻[𝜃]𝑊[𝑓 − 𝜃]𝑑𝜃

55
Avec :
𝑠𝑖𝑛(𝑀𝜋𝑓)
𝑊[𝑓] =
𝑠𝑖𝑛(𝜋𝑓)
1Τ2
ℎ𝑇 [𝑛] = ∫ 𝐻𝑇 [𝑓]𝑒 𝑗2𝜋𝑓𝑛 𝑑𝑓
−1Τ2
Pour bien comprendre ceci on prend comme filtre idéal un filtre passe-bas normalisé à
1 et de fréquence de coupure Fe on a :
Fe Fe
𝑗2𝜋𝑓𝑛
𝑠𝑖𝑛(𝑛2𝜋Fe )
ℎ[𝑛] = ∫ 𝐻[𝑓]𝑒 𝑑𝑓 = ∫ 1. 𝑒 𝑗2𝜋𝑓𝑛 𝑑𝑓 = 2Fe
−Fe −Fe 𝑛2𝜋Fe
h[n]
2Fe
|H(f)|
1

−Fe 1 1 n
Fe f −
2Fe 2Fe

La séquence h[n] est infinie donc il faut la tronquer en utilisant une fenêtre rectangulaire
w[n] réponse fréquentielle W(f). Cette troncature se fait par convolution entre H(f) et W(f) pour
donner le schéma suivant :

|𝐻(𝑓)| |𝐻𝑇 (𝑓) |

|W(f)|

0 f
−𝐅𝐞 𝐅𝐞 f

HT (f)=H(f) ∗ W(f)
Avec : H(f) : réponse idéale.
HT (f) : réponse obtenue par limitation du nombre des échantillons à M
W(f) : fenêtre de pondération.

On constate que cette méthode de fenêtrage introduit :

56
  Des ondulations sur la réponse idéale et limite la raideur de coupure filtre idéal.
 Des ondulations de même amplitude dans la bande passante et dans la bande atténuée.

D’un autre côté, d’après le schéma de l’allure de W(f) pour une fenêtre rectangulaire et
en se basant sur la relation entre la longueur M de la fenêtre et la bande de transition ∆F du
filtre obtenu M. ∆F = cste, on constate que si on augmente la longueur de la fenêtre M, L la
largeur du lobe principal se réduit, d'où l'effet d'arrondissement par suite la bande de transition
∆F va diminuer. D'un autre côté, il est préférable d'avoir un h(n) le plus court possible d'où une
petite fenêtre (pour des raisons de complexité d’implantation et de calcul numérique).

|W(f)|

L: largeur du lobe principal

A A: amplitude des lobes secondaires

L
f
Rq :
 A est indépendant de la longueur M de la fenêtre
 On ne peut pas réduire simultanément A et L.

Dans ce qui suit on présente quelques fenêtres de longueur M ou d’ordre M-1, connues et très
utilisées en filtrage numérique :

Hanning Hamming Bartlett

2πn 2πn M−1
w[n]=0,5-0,5cos(M−1) w[n]=0,54-0,46cos(M−1) w[n]=1-
2(n−
2
)
M−1

57
IV. Les filtres numériques récursifs ou RII

IV.1. Caractéristiques et propriétés

XXIV.1. IV.1.1 Fonction de transfert
La sortie y[n] des filtres récursifs est reliée à l’entrée x[n] par la relation suivante :
𝑀−1 𝑁−1

𝑦[𝑛] = ∑ 𝑏𝑖 𝑥[𝑛 − 𝑖] − ∑ 𝑎𝑖 𝑦[𝑛 − 𝑖]

𝑖=0 𝑖=1
On voit bien que la sortie (la réponse) y[n] du filtre dépend de l’entrée courante, des entrées
précédentes ainsi que les sorties précédentes. En pratique on a N=M, N est appelé ordre du
filtre.
En passant à la transformation en Z on déduit la fonction de transfert H[z]:
𝑌[𝑧] ∑𝑀−1
𝑖=0 𝑏𝑖 𝑧
−𝑖
𝑁[𝑧]
𝐻[𝑧] = = 𝑁−1 =
𝑋[𝑧] 1 + ∑𝑖=1 𝑎𝑖 𝑧 −𝑖 𝐷[𝑧]

 Si N(z) est divisible par D(z) (cas particulier), on a un nombre fini de termes dans la division
polynomiale. Dans ce cas le filtre est du type RIF.

 Si N(z) n'est pas divisible par D(z) (cas général), on a un nombre infini de termes dans la
division polynomiale est :
+∞ +∞
∏𝑖=𝑀−1(𝑧 − 𝑧𝑖 )
𝑁−𝑀 𝑖=1
𝐻[𝑧] = 𝑏0 𝑧 = ∑ 𝑐𝑖 𝑧 −𝑖 = ∑ ℎ[𝑛]𝑧 −𝑛
∏𝑖=𝑁−1
𝑖=1 (𝑧 − 𝑝𝑖 ) 𝑖=0 𝑛=0

Remarques :

 Un filtre récursif peut aussi être spécifié par les zéros de sa fonction de transfert H[z]
qui sont les racines de N[z] et les pôles qui sont les racines de D[z]. Si les pôles ne se
trouvent pas dans le cercle unité alors le filtre n‘est pas stable (voir cours systèmes
numériques).

 Les coefficients 𝑐𝑛 sont les valeurs de la réponse impulsionnelle h[n] ce qui montre
qu’un filtre récursif est à réponse impulsionnelle infini RII.

 Les RII se caractérisent par les propriétés suivantes :

- Ils peuvent être instables à cause de leur structure à base de pôles et de zéros.
- Ils présentent une bande de transition faible
- Leur synthèse est réalisable par réutilisation des méthodes analogiques
- Instabilité numérique due au rebouclage causé par la forme cascade.

XXV.1. IV.1.2. Réponse en fréquence

58
 En remplaçant z par 𝑒 𝑗𝛺 , 𝛺 𝑒𝑡𝑎𝑛𝑡 𝑙𝑎 𝑝𝑢𝑙𝑠𝑎𝑡𝑖𝑜𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠é𝑒 = 𝜔𝑇𝑒 = 2𝜋𝑓𝑇𝑒 , dans la
fonction de transfert H[z] on obtient la réponse en fréquence:
∑𝑀−1
𝑘=0 𝑏𝑘 𝑒
−𝑗𝑘𝛺
𝐻[𝛺] = 𝐻[𝑧]𝑧=𝑒 𝑗𝛺 =
1 + ∑𝑁−1
𝑘=1 𝑎𝑘 𝑒
−𝑗𝑘𝛺

Cette réponse en fréquence est périodique de période 2𝜋 en effet :

∑𝑀−1
𝑘=0 𝑏𝑘 𝑒
−𝑗𝑘(𝛺+2𝜋) ∑𝑀−1
𝑘=0 𝑏𝑘 𝑒
−𝑗𝑘𝛺
𝐻[𝛺 + 2𝜋] = = , 𝑐𝑎𝑟: 𝑒 −𝑗2𝑘𝜋 = 1
1 + ∑𝑁−1
𝑘=1 𝑘𝑎 𝑒 −𝑗𝑘(𝛺+2𝜋) 1 + ∑ 𝑁−1
𝑎
𝑘=1 𝑘 𝑒 −𝑗𝑘𝛺

La réponse fréquentielle en phase est :

𝑀−1 𝑁−1
−𝑗𝑘𝛺
arg(𝐻[𝛺]) = 𝑎𝑟𝑔 ( ∑ 𝑏𝑘 𝑒 ) − 𝑎𝑟𝑔 (1 + ∑ 𝑎𝑘 𝑒 −𝑗𝑘𝛺 )
𝑘=0 𝑘=1
C’est une réponse qui est en général non linéaire par rapport à la fréquence.

IV.2. Réalisation d’un filtre RII

En se basant sur la relation liant l’entrée x[n] d’un filtre RII à sa réponse y[n], on peut
le réaliser de deux façons possibles selon la figure suivante :
𝑁−1 𝑁−1

𝑦[𝑛] = ∑ 𝑏𝑘 𝑥[𝑛 − 𝑘] − ∑ 𝑎𝑘 𝑦[𝑛 − 𝑘]

𝑘=0 𝑘=1

𝑏0
x[n] ⊕ y[n]
𝑏0
x[n] ⊕ y[n] 𝑏1 x[n − 1]−𝑎1 y[n − 1]

Z−1 Z−1 Z−1

𝑏1
x[n − 1] ⊕ −𝑎1 y[n − 1] 𝑏1
⊕ −𝑎1

𝑏𝑁−2 −𝑎𝑁−2 Z−1

x[n − N + 2] ⊕ y[n − N + 2]

Z−1 Z−1 𝑏𝑁−2 −𝑎𝑁−2

⊕
x[n − N + 1] y[n − N + 1]
𝑏𝑁−1 −𝑎𝑁−1
Z−1
Structure directe 𝑏𝑁−1 −𝑎𝑁−1
⊕
Structure transposée

IV.3. Analyse d’un filtre purement récursif du 1er ordre

L’analyse d’un filtre numérique consiste à extraire ses principales caractéristiques à

savoir :
 La fonction de transfert H[z].
 Les réponses temporelles : impulsionnelle et indicielle.
 La stabilité du filtre.
59
  La réponse fréquentielle H(f) et la nature du filtre.

Un filtre RII est dit purement récursif du 1er ordre si le numérateur de sa fonction de transfert
ne contient que le terme en b0. Un tel filtre possède une équation aux différences du type :
𝑦[𝑛] = 𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑛], 𝑎𝑣𝑒𝑐 ∶ 𝑎 ≠ 1 𝑒𝑡 𝑎, 𝑏 𝑠𝑜𝑛𝑡 𝑑𝑒𝑠 𝑟é𝑒𝑙𝑠.

A. Fonction de transfert
On obtient la fonction de transfert H[z] en appliquant la transformation en Z à l’équation
aux différences :
𝑇𝑍(𝑦[𝑛]) = 𝑇𝑍(𝑎𝑦[𝑛 − 1] + 𝑏𝑥[𝑛])
𝑌[𝑧]) = 𝑎𝑧 −1 𝑌[𝑧] + 𝑏𝑋[𝑧] ⇒ 𝑌[𝑧](1 − 𝑎𝑧 −1 ) = 𝑏𝑋[𝑧]
𝒀[𝒛] 𝒃
⇒ 𝑯[𝒛] = =
𝑿[𝒛] 𝟏 − 𝒂𝒛−𝟏
H[z] possède un zéro en z=0 et un pôle en z=a (un seul pôle d’où le nom 1er ordre)

B. Réponses temporelles

 Réponse impulsionnelle h[n]

Pour calculer la réponse impulsionnelle h[n] on remplace x[n] dans l’équation aux
1, 𝑠𝑖 𝑛 = 0
différences par le saut impulsion définie par : 𝛿[𝑛] = { Ou bien on calcule la
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠
transformée en Z inverse de H[z].

On prend x[n] = 𝛿 [n] alors :

Pour n<0 on a : y[n]=0 système causal.

Pour n=0, 𝑦[0] = 𝑎𝑦[−1] + 𝑏𝑥[0] = 𝑏 = ℎ[0]

Pour n=1, ℎ[1] = 𝑦[1] = 𝑎𝑦[0] + 𝑏𝑥[1] = 𝑎𝑏 + 0 = 𝑎𝑏

Pour n=2, ℎ[2] = 𝑦[2] = 𝑎𝑦[1] + 𝑏𝑥[2] = 𝑎. 𝑎. 𝑏 + 0 = 𝑏𝑎2

Par récurrence on a : pour k, ℎ[𝑘] = 𝑦[𝑘] = 𝑏𝑎𝑘

Donc : ∀𝒏 ≥ 𝟎, 𝒉[𝒏] = 𝒃𝒂𝒏 𝒖[𝒏], 𝒂𝒗𝒄𝒆 𝒖[𝒏]: 𝒆𝒄𝒉𝒆𝒍𝒐𝒏 𝒖𝒏𝒊𝒕é

On calcule TZ −1 (H[z])
bz
TZ −1 (H[z]) = TZ −1 ( ) = 𝑏𝑎𝑛 𝑢[𝑛]
z−a
D’où : 𝒉[𝒏] = 𝒃𝒂𝒏 𝒖[𝒏]

 Réponse indicielle y[n]

60
 1 𝑠𝑖 𝑛 ≥ 0
C’est la réponse y[n] à un échelon unité e[n] défini par :𝑢[𝑛] = { , donc
0 𝑠𝑖 𝑛 < 0
pour la calculer on considère la relation :
𝑌[𝑧] 𝑧
𝐻[𝑧] = ⇒ 𝑌[𝑧] = 𝐻[𝑧]𝑋[𝑧], 𝑎𝑣𝑒𝑐: 𝑋[𝑧] = TZ(𝑒[𝑛]) =
𝑋[𝑧] 𝑧−1
bz 𝑧 b 1 𝑏
𝑌[𝑧] = × = × =
z − a 𝑧 − 1 1 − a𝑧 −1 1 − 𝑧 −1 (1 − a𝑧 −1 )(1 − 𝑧 −1 )
En décomposant Y[z] sous forme d’éléments simples on a :
1 𝑏𝑎
A 𝐵 𝐴 = lim (1 − a𝑧 −1 )𝑌[𝑧] = = −
𝑌[𝑧] = + , 𝑎𝑣𝑒𝑐 ∶ {
𝑧→𝑎 1 − 𝑎 −1 1−𝑎
1 − a𝑧 −1 1 − 𝑧 −1 𝑏
𝐵 = lim(1 − 𝑧 −1 )𝑌[𝑧] =
𝑧→1 1−𝑎
𝑏𝑎 𝑏
−1 − 𝑎
𝑌[𝑧] = + 1 − 𝑎 = 𝑏 [ −𝑎 + 1
]
1 − a𝑧 −1 1 − 𝑧 −1 1 − 𝑎 1 − a𝑧 −1 1 − 𝑧 −1
𝑏 −𝑎 1 𝑏 −𝑧𝑎 𝑧
𝑦[𝑛] = 𝑇𝑍 −1 (𝑌[𝑧]) = 𝑇𝑍 −1 ( [ −1
+ −1
]) = 𝑇𝑍 −1 ([ + ])
1 − 𝑎 1 − a𝑧 1−𝑧 1−𝑎 z−a 𝑧−1
𝑏
𝑦[𝑛] = (−𝑎𝑎𝑛 𝑢[𝑛] + 𝑢[𝑛])
1−𝑎
𝒃
𝒚[𝒏] = (𝟏 − 𝒂𝒏+𝟏 )𝒖[𝒏]
𝟏−𝒂
Si |𝑎| > 1 𝑎𝑙𝑜𝑟𝑠 lim 𝑦[𝑛] = +∞ c’est une suite qui ne cesse d’accroitre donc divergente.
𝑛→+∞

𝑏
Si |𝑎| < 1 𝑎𝑙𝑜𝑟𝑠 lim 𝑦[𝑛] = 1−𝑎
𝑛→+∞

On peut calculer la réponse indicielle aussi en sommant les coefficients de la réponse

impulsionnelle h[n] (𝑦[𝑛] = 𝑥[𝑛] ⊗ ℎ[𝑛] = ∑𝑛𝑘=0 𝑥[𝑛 − 𝑘]ℎ[𝑘] = ∑𝑛𝑘=0 𝑢[𝑛 − 𝑘]ℎ[𝑘]), en
effet :

𝑦[0] = ℎ[0] = 𝑏

𝑦[1] = ℎ[0] + ℎ[1] = 𝑏 + 𝑏𝑎

𝑦[2] = ℎ[0] + ℎ[1] + ℎ[2] = 𝑏 + 𝑏𝑎 + 𝑏𝑎2

𝑛 𝑛
1 − 𝑎𝑛+1
𝑘
∀𝑛 ≥ 0, 𝑦[𝑛] = ∑ ℎ[𝑘] = ∑ 𝑏𝑎 = 𝑏 𝑢[𝑛]
1−𝑎
𝑘=0 𝑘=0

C. Stabilité du filtre

61
 En général pour étudier la stabilité d’un filtre il faut s’assurer que sa fonction de transfert
H[z] ne possède pas des pôles à l’extérieur du cercle unité défini par z=1. Les pôles situés
le long de z=1 donnent lieu à des réponses oscillatoires.

NB : H(z) est couramment exprimé en fonction des puissances négatives de z afin d’assurer la
causalité temporelle. Il faut alors convertir son expression en fonction de puissances positives
de z avant de déterminer la position des pôles pour l’analyse de stabilité.

Dans le cas du filtre de 1er ordre, la fonction de transfert est :

b bz
H[z] = −1
=
1 − a𝑧 z−a
Cette fonction possède un seul pôle en z = a donc :

Si |𝑎| < 1 alors le pôle se trouve à l’intérieur du cercle unité donc le filtre est stable.

Si |𝑎| > 1 alors le pôle se trouve à l’extérieur du cercle unité donc le filtre est instable.

Il est possible d’étudier la stabilité en utilisant la réponse impulsionnelle du filtre h[n].

On rappelle qu’un système SyN_LI est stable si on a : ∑𝑖=+∞ 𝑖=−∞|h[i]| < +∞

Donc pour notre filtre on a :

𝑖=+∞ 𝑖=+∞ 𝑖=+∞

∑ |ℎ[𝑖]| = ∑ |𝑏𝑎 𝑢[𝑖]| = |𝑏| ∑ |𝑎𝑖 |

𝑖

𝑖=−∞ 𝑖=0 𝑖=0

𝑖=+∞ |𝑏|
∑ |ℎ[𝑖]| = { 𝑠𝑖 |𝑎| < 1
1−𝑎
𝑖=−∞ +∞ 𝑠𝑖 |𝑎| > 1

On retrouve la même condition de stabilité du filtre que précédemment.

D. Réponse fréquentielle et nature du filtre

On peut calculer la réponse fréquentielle H(f) par la transformation de Fourier de h[n]
mais en pratique on l’obtient en remplaçant z par ej2πfΤFe dans l’expression de la fonction de
transfert H[z] (Fe est la fréquence d’échantillonnage du signal discret) :
𝑏𝑒 𝑗2𝜋fΤ𝐹𝑒 𝑏
𝐻(𝑓) = 𝐻[𝑧]𝑧=𝑒 𝑗2𝜋fΤ𝐹𝑒 = 𝑗2𝜋fΤ𝐹 =
𝑒 𝑒 −𝑎 1 − 𝑎𝑒 −𝑗2𝜋fΤ𝐹𝑒
Donc :
|𝑏| |𝑏|
|𝐻(𝑓)| = −𝑗2𝜋f Τ 𝐹
=
|1 − 𝑎𝑒 𝑒|
√1 − 2𝑎𝑐𝑜𝑠2𝜋 fΤ𝐹𝑒 + 𝑎2
Et :
𝑠𝑖𝑛2𝜋 fΤ𝐹𝑒
𝑎𝑟𝑔(𝐻(𝑓)) = arg(𝑏) − 𝑎𝑟𝑔(1 − 𝑎𝑒 −𝑗2𝜋fΤ𝐹𝑒 ) = −𝑎𝑟𝑐𝑡𝑔 ( )
1 − 𝑎𝑐𝑜𝑠2𝜋 fΤ𝐹𝑒
62
Or : H(f) est périodique de période Fe i.e. 𝐻(𝑓 + 𝐹𝑒 ) = 𝐻(𝑓), donc il suffit d’étudier la
réponse fréquentielle en amplitude que dans l’intervalle [0, Fe ] avec :
|𝑏|
|𝐻(0)| = |𝐻(𝐹𝑒 )| =
(1 − 𝑎)

D’un autre coté, en utilisant les propriétés de la transformation de Fourier, on a :

𝐻(−𝑓) = 𝐻 ∗ (𝑓)
𝐻(−𝑓) = 𝐻(−𝑓 + Fe ) = 𝐻 ∗ (𝑓)
Or: |𝐻(𝑓)| = |𝐻 ∗ (𝑓)| = |𝐻(𝐹𝑒 − 𝑓)|

Cette dernière relation nous permet de restreindre l’intervalle d’étude à [0, Fe Τ2] d’où la
représentation graphique suivante :

|H(f)|
|𝑏|
1−a

|𝑏|
1+a

Fe Fe f
0 ⁄2

D’après cette représentation on constate que ce filtre amplifie les basses fréquences et atténue
F
les hautes fréquences c’est donc un filtre passe-bas et que sa fréquence maximale est e⁄2 ce
F
qui obéit à la condition d’échantillonnage de Shannon i.e. Fe ≥ 2Fmax = e⁄2

IV.4. Analyse d’un filtre purement récursif du 2iem ordre

Ce sont des filtres qui possèdent une équation aux différences du type :
𝑦[𝑛] = 𝑏0 𝑥[𝑛] + 𝑎1 𝑦[𝑛 − 1] + 𝑎2 𝑦[𝑛 − 2], 𝑎𝑣𝑒𝑐: 𝑏0 , 𝑎1 , 𝑎2 𝑠𝑜𝑛𝑡 𝑑𝑒𝑠 𝑟é𝑒𝑙𝑠.
De tels filtres ont la fonction de transfert de la forme suivante :
𝑏0 𝑏0 𝑧 2 𝑁(𝑧)
𝐻[𝑧] = = =
1 − 𝑎1 𝑧 −1 − 𝑎2 𝑧 −2 𝑧 2 − 𝑎1 𝑧 − 𝑎2 𝐷(𝑧)
Une fonction qu’on peut toujours décomposer en éléments simples et faire l’analyse en
cherchant les pôles et les racines et procéder comme pour le filtre de 1er ordre.

Cas général

Pour faire l’analyse d’un filtre récursif d’ordre quelconque, il faut se ramener à une
combinaison des éléments suivants :

 Un filtre non récursif RIF d'ordre quelconque

 Des filtres purement récursifs du second ordre

63
  Des filtres récursifs du second ordre avec des pôles complexes conjugués.
 Un filtre récursif du premier ordre (éventuellement)

IV.5. Synthèse des filtres RII

Problématique
On désire déterminer la fonction de transfert H[z] (ou l’équation aux différences)
d’un filtre RII qui doit avoir une réponse temporelle imposée ou une réponse
fréquentielle obéissant à un gabarit précis. Pour que le filtre soit réalisable, il faut un
certain nombre de conditions :
 La fonction de transfert est une fonction rationnelle aux coefficients réels.
 Les pôles sont tous à l'intérieur du cercle unité.
Solution
Il existe plusieurs méthodes pour faire la synthèse et la conception d’un filtre de type
RII et toutes s’appuient généralement sur un filtre analogique pris comme modèle. Dans ce
cours on va s’intéresser aux deux méthodes suivantes:
 Méthode de l’invariance impulsionnelle : c’est la plus courante et elle se base sur
l’utilisation des méthodes de synthèse des filtres analogiques aboutissant à une
fonction H(p) correspondant aux exigences imposées par le gabarit. Puis on effectue
un basculement du plan p au plan z pour obtenir H(z). Cette fonction doit maintenir la
stabilité du filtre analogique et maintenir, au mieux, les caractéristiques de la réponse
fréquentielle H(f) du filtre numérique.
 Méthode par transformation bilinéaire qui consiste à déterminer la fonction de
transfert du filtre numérique avec la même réponse fréquentielle d’un filtre analogique
de référence.

IV.4.1 Synthèse des filtres RII par la méthode de l’invariance impulsionnelle

En général, La synthèse par invariance temporelle a pour but de faire correspondre les
sorties des filtres analogiques et numériques pour des entrées données c’est-à-dire :
𝑦𝑑 (𝑘) = 𝑦(𝑡 = 𝑘𝑇𝑒 )
yd (k) est la sortie du filtre discret.
Avec : {
y(t)est la sortie du filtre continu.

Pour aboutir à ce résultat on a deux possibilités différentes :

 Soit que les réponses impulsionnelles des deux filtres analogique et numérique soient
identiques dans ce cas on parle de l’invariance impulsionnelle.
 Soit que les réponses indicielles des deux filtres analogique et numérique soient
identiques dans ce cas on parle de l’invariance indicielle.

64
 Dans notre étude on va s’intéresser uniquement à l’invariance impulsionnelle. Le
principe de cette méthode est de suivre les étapes suivantes :
1. On détermine la réponse impulsionnelle désirée h(t) par le calcul de la transformation
de Laplace inverse h(t) = L−1 (H(p)).
2. On échantillonne cette réponse impulsionnelle à une fréquence Fe et on en déduit la
suite discrète hd {k} = h[t = kTe ].
3. On calcule la fonction de transfert H[𝑧] qui est la transformée en Z de hd {k}.
𝐻[𝑧] = 𝑇𝑍[𝐿−1 (𝐻(𝑝))]

Pour illustrer cette technique, on va effectuer la synthèse d’un filtre passe-bas de 1er
ordre de fréquence de coupure fc . On peut montrer facilement que la relation qui lie la sortie
Y(p) à l’entrée X(p) du filtre analogique est de la forme :
1
𝑌(𝑝) = 𝑋(𝑝) [ 𝑝 ] = 𝑋(𝑝)𝐻(𝑝)
1+
2𝜋𝑓𝑐
1 1 1
⇒ 𝐻(𝑝) = 𝑝 = , 𝑎𝑣𝑒𝑐 ∶ 𝜏 =
1+ 1 + 𝜏𝑝 2𝜋𝑓𝑐
2𝜋𝑓𝑐
1
⇒ ℎ(𝑡) = 𝐿−1 (𝐻(𝑝)) = 𝑒 −𝑡Τ𝜏 , 𝑝𝑜𝑢𝑟 𝑡 ≥ 0
𝜏
1
l′ échantillonnage de h(t) ⇒ hd {k} = ℎ(𝑡 = 𝑘𝑇𝑒 ) = 𝑒 −𝑘𝑇𝑒Τ𝜏
𝜏
On en déduit donc :
+∞ +∞
1 1 1 𝑘
𝐻[𝑧] = 𝑇𝑍(𝑒 −𝑘𝑇𝑒Τ𝜏 ) = ∑ 𝑒 −𝑘𝑇𝑒Τ𝜏 𝑧 −𝑘 = ∑ (𝑧 −1 𝑒 −𝑇𝑒Τ𝜏 )
𝜏 𝜏 𝜏
𝑘=−∞ 𝑘=−∞
𝟏 𝟏 −1 −𝑇𝑒Τ𝜏
𝑯[𝒛] = × , 𝑎𝑣𝑒𝑐 ∶ |𝑧 𝑒 |<1
𝝉 𝟏 − 𝒆−𝑻𝒆 Τ𝝉 𝒛−𝟏
𝑌[𝑧]
or: 𝐻[𝑧] =
𝑋[𝑧]
𝑋[𝑧] 1
𝑌[𝑧][(1 − 𝑒 −𝑇𝑒Τ𝜏 𝑧 −1 )] = ⇒ 𝑦[𝑛] = 𝑒 −𝑇𝑒Τ𝜏 𝑦[𝑛 − 1] + 𝑥[𝑛]
𝜏 𝜏

𝒚[𝒏] = 𝒆−𝟐𝝅𝒇𝒄𝑻𝒆 𝒚[𝒏 − 𝟏] + 𝟐𝝅𝒇𝒄 𝒙[𝒏]: l′ équation aux différences du filtre RII

De plus la fonction de transfert H[z] possède un seul pôle en 𝑧 = 𝒆−𝑻𝒆 Τ𝝉 = 𝒆−𝑻𝒆 𝟐𝝅𝒇𝒄
et 𝑧 < 1, la stabilité du filtre est conservée.

Rqs : * La réponse du filtre numérique sera proche de celle du filtre analogique dans la bande
[-Fe/2, Fe/2] si le filtre analogique a une réponse fréquentielle nulle en dehors de cette
bande.
* Cette méthode est utile seulement dans le cas de filtres analogiques à bande limitée.
65
 IV.4.2 Synthèse des filtres RII par la méthode de la transformation bilinéaire

Le but de cette méthode est d’obtenir la fonction de transfert H[z] d’un filtre numérique
avec la même réponse fréquentielle H(p) qu’un filtre analogique de référence. En général, le
passage de H(p) à H[z] se fait de façon théorique en posant p=ln(z), ce qui conduit à une
fonction H[z] non rationnelle et donc à un filtre difficilement réalisable pour cela il faut trouver
une transformation p=f(z) qui permet d’avoir H[z] sous une forme rationnelle. Une telle relation
est établie par équivalence entre la fonction réalisée par le filtre analogique H(p) et celle du
filtre discret H[z].

La transformation bilinéaire est une transformation très sollicitée pour la réalisation

1
des filtres numériques. Elle consiste à approcher l’intégration idéal 𝐻(𝑝) = 𝑝 par la relation
de récurrence en discret suivante :
𝑇𝑒
𝑦[𝑛] = 𝑦[𝑛 − 1] + (𝑥[𝑛] + 𝑥[𝑛 − 1])
2
On obtient:
𝑇𝑒 𝑇𝑒 1 + 𝑧 −1
𝑌[𝑧][1 − 𝑧 −1 ] =𝑋[𝑧][1 + 𝑧 −1 ] ⇒ 𝐻[𝑧] =
2 2 1 − 𝑧 −1
Donc la relation entre p et z qui permet de faire coïncider H(p) et H[z] est :
1 𝑇𝑒 1 + 𝑧 −1 𝟐 𝟏 − 𝒛−𝟏 𝟐Τ𝑻𝒆 + 𝒑
= ⇒ 𝒑 = , 𝑠𝑜𝑖𝑡: 𝒛 =
𝑝 2 1 − 𝑧 −1 𝑻𝒆 𝟏 + 𝒛−𝟏 𝟐Τ𝑻𝒆 − 𝒑
Si p a une partie réelle négative alors z se trouve à l’intérieur du cercle unité d’où
la stabilité du filtre.

Exemple:
Soit le circuit analogique défini par :
1
𝐻(𝑝) =
1+𝑝

2 1 − 𝑧 −1 1 𝑇𝑒 (1 + 𝑧 −1 )
𝐻[𝑧] = 𝐻 (𝑝 = )= =
𝑇𝑒 1 + 𝑧 −1 2 1 − 𝑧 −1 𝑇𝑒 + 2 + (𝑇𝑒 − 2)𝑧 −1
1+𝑇 −1
𝑒1+𝑧

On peut tirer l’équation récursive du filtre :

𝑌[𝑧][𝑇𝑒 + 2 + (𝑇𝑒 − 2)𝑧 −1 ] = 𝑋[𝑧][𝑇𝑒 (1 + 𝑧 −1 )]
𝑦[𝑛](𝑇𝑒 + 2) + 𝑦[𝑛 − 1](𝑇𝑒 − 2) = 𝑇𝑒 𝑥[𝑛] + 𝑇𝑒 𝑥[𝑛 − 1]

𝟏
𝒚[𝒏] = {𝑻 𝒙[𝒏] + 𝑻𝒆 𝒙[𝒏 − 𝟏] + 𝒚[𝒏 − 𝟏](𝟐 − 𝑻𝒆 )}
𝑻𝒆 + 𝟐 𝒆

66
V. Comparaison entre les filtres RIF et RII

Le tableau suivant regroupe les comparaisons possibles entre les filtres non récursifs
RIF et les filtres récursifs RII.

Filtre RIF Filtre RII

Toujours stables Peuvent être instables

Phase linéaire
Facile à concevoir
La durée des transitoires = longueur du
filtre.
Si les données sont perturbées; un RIF sera
perturbé uniquement sur N échantillons
Phase non linéaire et introduisent
généralement de la distorsion liée au temps
de propagation.
Nécessitent moins d ’opérations et de
places mémoires.
Plus efficaces que RIF
Si les données sont perturbées; un RII sera
perturbé sur une durée importante.

67