Exercices

Département Sciences du Numérique
1SN
Traitement du Signal
Exercices et Problèmes résolus
Auteurs : C. Mailhes, N. Thomas, J.-Y. Tourneret, C. Poulliat
Version 1.0 du
2
23 septembre 2022
First release, Spring 2022
Table des matières
I Signaux et systèmes à temps continu 7
1 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1 Transformée de Fourier 9
1.1.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.2 Propriétés générales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Table de Transformées de Fourier usuelles 10
2 Signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3 Corrélations et Spectres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.1 Exercices de Base 15
3.2 Exercices plus difficiles 26
4 Filtrage linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5 Filtrage non linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6 Processus aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7 Prédiction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6
II Signaux et systèmes à temps discret 107
1 Numérisation du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

1.1 Rappels 109
1.2 Exercices 110
2 Transformée de Fourier Discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

2.1 Rappels 129
2.2 Exercices 130
3 Transformée en z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
3.1 Rappels 137
3.2 Exercices 138
4 Filtrage Linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

4.1 Rappels 141
4.2 Exercices 142
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Première partie
Signaux et systèmes à temps continu

1. Rappels
1.1 Transformée de Fourier

1.1.1 Definitions
Definition 1.1.1 Transformées de Fourier et Fourier Inverse
Z
X( f ) = x(t)e−i2π f t dt
R
Z
x(t) = X( f )e+2π f t d f
R
1.1.2 Propriétés générales

T.F.
ax(t) + by(t) ⇌ aX( f ) + bY ( f )
x(t − t0 ) ⇌ X( f )e−i2π f t0
x(t)e+i2π f0t ⇌ X( f − f0 )
x∗ (t) ⇌ X ∗ (− f )
x(t) . y(t) ⇌ X( f ) ∗Y ( f )
x(t) ∗ y(t) ⇌ X(f ) .Y ( f )
1 f b
x(at + b) ⇌ |a| X a ei2π a f
dx(n) (t)
dt n ⇌ (i2π f )n X( f )
n dX (n) ( f )
(−i2πt) x(t) ⇌ d fn
Formule de Parseval Série de Fourier

∗ ∗ e+i2πn f0t
R R
R x(t)y (t)dt = R X( f )Y ( f )d f ∑ cn ⇌ ∑ cn δ ( f − n f 0 )
n∈Z n∈Z
R 2 R 2
R |x(t)| dt = R |X( f )| d f
10 Chapitre 1. Rappels
1.2 Table de Transformées de Fourier usuelles

T.F.
1 ⇌ δ (f)
δ (t) ⇌ 1
e+i2π f0t ⇌ δ ( f − f0 )
δ (t − t0 ) ⇌ e−i2π f t0
1
T (t) = ∑ δ (t − kT ) ⇌ T1/T ( f )
k∈Z
1
cos (2π f0t) ⇌ 2 [δ ( f − f 0 ) + δ ( f + f 0 )]
1
sin (2π f0t) ⇌ 2i [δ ( f − f 0 ) − δ ( f + f 0 )]
e−a|t| ⇌ 2a
a2 +4π 2 f 2
2 2
e−πt ⇌ e−π f
f)
ΠT (t) ⇌ T sin(πT
πT f = T sin c (πT f )
ΛT (t) ⇌ T sin c2 (πT f )
B sin c (πBt) ⇌ ΠB ( f )
B sin c2 (πBt) ⇌ ΛB ( f )
! ! ! ! ! ! Attention ! ! ! ! !
ΠT (t) note une fenêtre rectangulaire de support égal à T .
ΛT (t) note une fenêtre triangulaire de support égal à 2T (de demi-base égale à T ).
ΠT (t) ∗ ΠT (t) = T ΛT (t)

2. Signaux
Exercise 2.1 Le signal continu x(t) est donné par la figure suivante.
Représentez les signaux suivants :

1. x(t − 2)
2. x(2t)
3. x(t/2)
4. x(−t)
■
12 Chapitre 2. Signaux
Correction.
Exercise 2.2 Déterminer pour chacun des signaux suivants la classe de signaux correspondante :
1. x(t) = e−at u(t), a > 0
2. x(t) = A cos (ω0t + θ )
3. x(t) = tu(t)
Où (
1 t >0
u(t) =
0 t <0
est la fonction échelon unité. ■
Correction.
1. énergie finie,
2. périodique, puissance finie,
3. ni l’un ni l’autre.
■
Exercise 2.3 Le signal x(t) est donné par la figure suivante.

13
On note (
1 t >0
u(t) =
0 t <0
et δ (t) l’impulsion de Dirac. Donner la représentation des signaux suivants :
1. x(t)u(1 − t)
2. x(t)[u(t) − u(t
− 1)]
3. x(t)δ t − 32
■
Correction.
■
3. Corrélations et Spectres
Par simplicité, la notion de stationarité est confondue dans ce polycopié avec la stationnarité au
sens large (appelée aussi stationnarité au second ordre).
3.1 Exercices de Base

Exercise 3.1 — Etude d’un signal constant sur la durée T .
On considère dans cet exercice le signal suivant :
Signal constant de durée T
x(t) = 1 t ∈ [−T /2, T /2]

= 0 ailleurs
Préciser la classe à laquelle appartient le signal x(t) puis déterminer sa fonction d’autocorréla-
tion Rx (τ) (en distinguant les cas τ > 0 et τ < 0) et sa densité spectrale de puissance ou d’énergie
Sx ( f ). ■
Correction.
Le signal est déterministe à énergie finie :
Z Z T /2
2
E= |x(t)| dt = dt = T < ∞
R −T /2
16 Chapitre 3. Corrélations et Spectres
Sa fonction d’autocorrélation est donc donnée par :

Z
Rx (τ) = x(t)x∗ (t − τ)dt
R
Pour τ > 0 : si τ − T2 > T T T

2 , soit τ > T , on a Rx (τ) = 0 (supports des portes disjoints), si τ − 2 ≤ 2 ,
R T /2
soit 0 < τ ≤ T , on a Rx (τ) = τ−T /2 dt = T − τ. Par symétrie on obtient alors Rx (τ) = T T (τ) (fi-
V
V
gure 3.1), où T (τ) représente le triangle de 1/2 base T et de hauteur 1.
F IGURE 3.1 – Fonction d’autocorrélation du signal constant de durée T
Sa DSE est donnée par :
Sx ( f ) = T F [Rx (τ)] = T × T sinc2 (π f T ) = T 2 sinc2 (π f T )
Remarque : on retrouve bien Sx ( f ) = |X( f )|2 (signal à énergie finie), si X( f ) représente la

transformée de Fourier de x(t) ■
Exercise 3.2 — Etude d’un signal périodique.

On considère dans cet exercice le signal x(t) suivant :
Signal périodique à étudier.
Déterminer la transformée de Fourier du signal X( f ), sa fonction d’autocorrélation Rx (τ) et sa

densité spectrale de puissance ou d’énergie Sx ( f ). ■
Correction.
On peut écrire le signal de la manière suivante :
x(t) = ∑ Πb (t − kT ) = Πb (t) ∗ T (t)

k∈Z
où T (t) représente le peigne de Dirac de largeur T : (t) = ∑k∈Z δ (t − kT ). On a alors :

T

1 b k k
X( f ) = bsinc(π f b) × 1. ( f ) = ∑ sinc(πb )δ f −
TT T k∈Z T T
.
Le signal est déterministe à puissance finie périodique, de période T . Sa fonction d’autocorréla-

R T /2
tion s’écrit donc : Rx (τ) = T1 −T /2 x(t)x∗ (t − τ)dt. C’est une fonction paire et périodique de période
T : Rx (τ + kT ) = Rx (τ). On peut donc se limiter au calcul sur une période. Ce calcul a été réalisé
dans l’exercice précédent. On obtient donc ici, en périodisant :
1 ^
Rx (τ) = ∑b (τ − kT )
T k∈Z b
.
Sa DSP est donnée par :
" " # #
b ^ b ^
∑ (τ) ∗ δ (τ − kT ) = T T F (τ) ∗T (τ)
Sx ( f ) = T F [Rx (τ)] = T F
T
k∈Z b b
b2

b 2 1 2 bk k
= bsinc (πb f ) × 1. ( f ) = 2 ∑ sinc π δ f−
T TT T k∈Z T T
■
Exercise 3.3 — Durée équivalente d’un signal.

On considère un signal déterministe défini par x(t) = AΛT (t) où ΛT (τ) est la fonction triangle
définie par
1 − |t|

ΛT (t) = T si |t| < T
0 sinon.
1. On suppose dans un premier temps que A est une amplitude réelle positive.
(a) Après avoir déterminé la classe du signal x(t) (aucun calcul n’est nécessaire ici),
déterminer la densité spectrale du signal x(t) que l’on notera sx ( f ). On suppose
que l’on sait calculer le produit de convolution ΛT (τ) ∗ ΛT (τ) que l’on notera c(τ).
Donner l’expression de la fonction d’autocorrélation de x(t) à l’aide de la fonction c.
(b) Que représente la quantité Rx (0) ? Déterminer Rx (0) en fonction de A et T ?
(c) On définit la durée équivalente du signal x(t) comme la durée ∆T d’un signal constant
dont l’amplitude est égale à l’amplitude maximale du signal x(t) (notée Amax ) et de
même énergie que x(t). En d’autres termes, ∆T est défini par
Z
x2 (t)dt = |Amax |2 ∆T.
R
Déterminer ∆T pour le signal x(t) = AΛT (t).

2. On suppose dans un second temps que A est une variable aléatoire uniforme sur l’intervalle
[0, Amax ].
(a) Déterminer E x2 (t) . Le signal x(t) est-il stationnaire ?

(b) On propose de définir la durée équivalente d’un signal aléatoire x(t) comme la durée
∆T telle que Z
E x2 (t) dt = |Amax |2 ∆T.

R
Déterminer ∆T pour le signal x(t) = AΛT (t).
■
Correction.
1. Signal à amplitude réelle :
(a) x(t) est un signal à énergie finie car il est défini sur un intervalle de temps de durée finie.
La densité spectrale d’énergie d’un signal à énergie finie est sx ( f ) = |X( f )|2 , où X( f )
est la transformée de Fourier du signal x(t). En s’aidant des tables, on obtient
sx ( f ) = A2 T 2 sinc4 (π f T )
et donc
Rx (τ) = A2 TF−1 T sinc2 (π f T ) ∗ TF−1 T sinc2 (π f T ) = A2 c(τ)

(b) Rx (0) est l’énergie du signal x(t) qui peut se calculer très facilement comme suit
2A2 T
Z T
t 2
Z
2 2
Rx (0) = x (t) dt = 2 A 1− dt = .
R 0 T 3
(c) En utilisant le résultat de la question précédente, on obtient
2A2 T
= |Amax |2 ∆T = A2 ∆T
3
d’où
2T
∆T =
3
2. Signal à amplitude aléatoire :
(a) Comme A est une variable aléatoire, le signal x(t) est aléatoire. On a
A2
E x2 (t) = E A2 Λ2T (t) = Λ2T (t)E A2 = max Λ2T (t)

3
Comme E x2 (t) dépend de t, le signal x(t) n’est pas stationnaire.

(b) D’après la question précédente, on a
A2 A2max 2T 2TA2max
Z Z
E x (t) dt = max
2
Λ2T (t)dt =

× =
R 3 R 3 3 9
d’où
2T
∆T = .
9
■
Exercise 3.4 Soit A(t) un processus aléatoire stationnaire centré. On construit :
Ba (t) = (A(t) + a) ei2π f0t
où a et f0 sont des constantes déterministes réelles et où t désigne le temps.

À quelle(s) condition(s), le processus aléatoire Ba (t) est-il stationnaire ? Calculer la densité
spectrale de puissance en fonction de celle de A(t). ■
Correction.
Le processus aléatoire Ba (t) est stationnaire si sa moyenne E[Ba (t)] et sa fonction d’autocorréla-
tion E[Ba (t)B∗a (t − τ)] sont indépendantes du temps.
Moyenne
E[Ba (t)] = {E[A(t)] + a} ei2π f0t = aei2π f0t
E[Ba (t)] est donc indépendant de t si et seulement si a = 0.
Fonction d’autocorrélation
E[Ba (t)B∗a (t − τ)] = E [(A(t) + a) (A∗ (t − τ) + a)] ei2π f0 τ
E[Ba (t)B∗a (t − τ)] = = E [(A(t) + a) (A∗ (t − τ) + a)] ei2π f0 τ

= Ra (τ) + a2 ei2π f0 τ

où RA (τ) est la fonction d’autocorrélation de A(t). La fonction d’autocorrélation de Ba (t) est donc
indépendante de t. On en déduit donc que Ba (t) est stationnaire si et seulement si a = 0.
La densité spectrale de Ba (t) est
s Ba ( f ) = s a ( f ) + a 2 δ ( f ) ∗ δ ( f − f 0 )

= sa ( f − f 0 ) + a2 δ ( f − f 0 )
■
Exercise 3.5 — Signal OFF-ON.

On considère le signal x(t) défini par

 A si t ∈ [0, T ]
x(t) = −A si t ∈ [−T, 0]
0 sinon

où A et T sont des constantes positives. Le signal x(t) est-il à énergie finie ou à puissance finie ?
Déterminer l’énergie, la puissance moyenne, la densité spectrale et la fonction d’autocorrélation
du signal x(t).
■
Correction.
Le signal x(t) est à énergie finie car
Z Z T
E= x2 (t)dt = A2 dt = 2TA2 .
R −T
La puissance de x(t) est donc

1
Z ∆
P = lim x2 (t)dt = 0.
∆→∞ ∆ −∆
On peut remarquer que x(t) s’écrit

T T
x(t) = AΠT t − − AΠT t +
2 2
Donc sa transformée de Fourier s’écrit
X( f ) = A exp ( jπ f T ) T sin c (π f T ) − A exp (− jπ f T ) T sin c (π f T )
= 2 jAT sin c (π f T ) sin (π f T )
et sa densité spectrale de puissance est
sX ( f ) = |X( f )|2 = 4A2 T 2 sin c2 (π f T ) sin2 (π f T )
La fonction d’autocorrélation de x(t) est donc
Rx (τ) = 4A2 T TF−1 T sin c2 (π f T ) ∗ TF−1 sin2 (π f T )

2 −1 1 − cos (2π f T )
= 4A T ΛT (τ) ∗ TF
2

2 1 1
= 2A T ΛT (τ) ∗ δ (τ) − δ (τ − T ) − δ (τ + T )
2 2
= A2 T [2ΛT (τ) − ΛT (τ − T ) − ΛT (τ + T )]
■
Exercise 3.6 — Somme de deux cosinus.

On considère le signal x(t) défini par
x(t) = A cos (2π f0t) + B cos (π f0t)
où A, B et f0 sont des constantes positives. Déterminer la puissance, la densité spectrale et la

fonction d’autocorrélation de x(t). ■
Correction.
T0
x(t) est un signal périodique de période 2. Sa décomposition en série de Fourier est
A A B B
x(t) = exp ( j2π f0t) + exp (− j2π f0t) + exp ( jπ f0t) + exp (− jπ f0t)
2 2 2 2
par application directe du cours, on en déduit sa densité spectrale de puissance
A2 A2 B2 B2

f0 f0
sx ( f ) = δ ( f − f 0 ) + δ ( f + f 0 ) + δ f − + δ f+
4 4 4 2 4 2
Sa fonction d’autocorrélation s’écrit alors
A2 A2 B2 B2
Rx (τ) = exp ( j2π f0 τ) + exp (− j2π f0 τ) + exp ( jπ f0 τ) + exp (− jπ f0 τ)
4 4 4 4
A2 B 2
= cos(2π f0 τ) + cos(π f0 τ)
2 2
Exercise 3.7 — Somme de deux cosinus (variante).

On supposeque A et B sont
deux variables aléatoires indépendantes de moyennes nulles et de
2 2 2
variances E A = E B = σ . On construit le signal
X(t) = A cos(ωt) + B sin(ωt)
où ω est une constante positive. Le signal X(t) est-il stationnaire ? Déterminer la fonction
d’autocorrélation et la densité spectrale de puissance du signal X(t). ■
Correction.
La moyenne du signal X(t) est
E[X(t)] = E[A] cos(ωt) + E[B] sin(ωt) = 0.
La fonction d’autocorrélation du signal X(t) est définie par
E[X(t)X(t − τ)] =E{[A cos(ωt) + B sin(ωt)][A cos(ω(t − τ)) + B sin(ω(t − τ))]}
=E A2 cos(ωt) cos[ω(t − τ)] + E[AB] cos(ωt) sin[ω(t − τ)]

+ E[AB] sin(ωt) cos[ω(t − τ)] + E B2 sin(ωt) sin[ω(t − τ)]

Puisque les variables aléatoires A et B sont indépendantes et de moyennes nulles, on a

E[AB] = E[A]E[B] = 0
De plus, E A2 = E B2 = σ 2 , d’où

E[X(t)X(t − τ)] = σ 2 {cos(ωt) cos[ω(t − τ)] + sin(ωt) sin[ω(t − τ)]}

= σ 2 cos(ωτ)
= RX (τ).
Puisque la moyenne et la fonction d’autocorrélation du signal X(t) sont indépendantes du temps,
le signal X(t) est stationnaire. Sa fonction d’autocorrélation a été déterminée ci-dessus. La densité
spectrale de puissance du signal X(t) est
sX ( f ) = TF [RX (τ)]
σ2 h ω ω i
= δ f− +δ f +
2 2π 2π
■
Exercise 3.8 — Estimation d’une fonction d’autocorrélation.

On considère un signal déterministe périodique
x(t) = A cos (2π f0t)
où A est une amplitude réelle positive et f0 est une fréquence (également positive).
1. Déterminet la fonction d’autocorrélation, la puissance et la densité spectrale de puissance
du signal x(t) que l’on notera respectivement RX (τ), Px et sx ( f ).
2. En pratique, on ne peut observer le signal x(t) que sur une durée finie T et donc on a
uniquement accès au signal xT (t) = x(t)ΠT t − T2 (où ΠT (t) est définie dans les tables).
(a) A quelle classe de signaux appartient le signal xT (t) ?
(b) Déterminer la fonction d’autocorrélation du signal xT (t) notée RT (τ) (on fera le
calcul pour τ > 0 et on utilisera la parité de RT (τ) ).
3. On construit l’estimateur
1
Rbx (τ) = RT (τ)
T
(a) Montrer que Rx (τ) se décompose sous la forme R1 (τ) + R2 (τ) avec
b
A2
R1 (τ) = cos (2π f0 τ) ΛT (τ)
2
où la fonction triangle ΛT (τ) est définie par (voir aussi tables)
1 − |τ|

ΛT (τ) = T si |τ| < T
0 sinon.
(b) Montrer que R1 (τ) et R2 (τ) tendent respectivement vers RX (τ) et 0 lorsque T tend
vers +∞.
4. On suppose que T est suffisamment grand pour avoir Rbx (τ) ≈ R1 (τ).
(a) En déduire une expression approchée de sx ( f ) définie par ŝx ( f ) = s1 ( f ) oà s1 ( f ) =
TF [R1 (τ)].
(b) Représenter graphiquement sx ( f ) et sbx ( f ).
(c) On désire estimer la puissance du signal x(t) à partir de s1 ( f ). Quel estimateur Pbx
proposezvous ? Calculer Pbx dans le cas du signal x(t) = A cos (2π f0t).
■
Correction.
1. Le signal est déterministe à puissance finie périodique. Nous avons donc :
A2
Z T0
1
Rx (τ) = x(t)x∗ (t − τ)dt = cos(2π f0 τ)
T0 0 2
A2
Px = Rx (0) =
2
A2
Sx ( f ) = T F [Rx (τ)] = [δ ( f − f0 ) + δ ( f + f0 )]
4
2. (a) Le signal xT (t) est déterministe et à énergie finie.
(b) Sa fonction d’autocorrélation est donc définie par
Z
RT (τ) = xT (t)xT (t − τ)dt.
R
Puisque x(t) est un signal réel, c’est une fonction paire et donc il suffit de la calculer
pour t > 0. On a alors les cas suivants :
— Pour τ > T , on a la situation suivante : RT (τ) = 0.
— Pour τ ∈ [0, T ], les signaux xT (t) et xT (t − τ) ont le support commun [τ, T ], d’où
Z T Z T
RT (τ) = xT (t)xT (t − τ)dt = A cos (2π f0t) A cos (2π f0 (t − τ)) dt
τ 0
soit
A2 T
Z
RT (τ) = [cos(2π f0 τ) + cos(4π f0t − 2π f0 τ)] dt
2 τ
A2 A2
= cos (2π f0 τ) (T − τ) + [sin(2π f0t − 2π f0 τ)]Tτ
2 8π f0
A2 T τ A2
= cos(2π f0 τ) 1 − + [sin (4π f0 T − 2π f0 τ) − sin(2π f0 τ)]
2 T 8π f0
Ainsi pour t ∈ R :
A2 T A2

|τ|
RT (τ) = cos(2π f0 τ) 1 − + [sin (4π f0 T − 2π f0 |τ|) − sin(2π f0 |τ|)]
2 T 8π f0
3.
1
Rbx (τ) = RT (τ) (3.1)
T
A2 A2

|τ|
= cos(2π f0 τ) 1 − + [sin (4π f0 T − 2π f0 |τ|) − sin(2π f0 |τ|)]
2 T 8T π f0
(3.2)
On a bien Rx (τ) = R1 (τ) + R2 (τ), avec R1 (τ) qui tend vers Rx (τ) quand T → ∞ et R2 (τ) qui
tend vers 0 quand T → ∞
4. (a)
ŝx ( f ) = s1 ( f ) = TF [R1 (τ)] (3.3)

A2
= [δ ( f − f0 ) + δ ( f + f0 )] ∗ T sinc2 (πT f ) (3.4)
4
A2 T
sinc2 (πT ( f − f0 )t) + sinc2 (πT ( f + f0 )t)

= (3.5)
4
(b)
F IGURE 3.2 – Tracé de Sx ( f ) et de S1 ( f )

(c)
Z
Pbx = S1 ( f )d f (3.6)
R
A2
Z Z
2 2 2 2
= T sinc (πT ( f − f0 )t) d f + T sinc (πT ( f + f0 )t) d f (3.7)
4T R R
A 2 A 2
= (T + T ) = (3.8)
4T 2
■
Exercise 3.9 — Estimation fonction d’autocorrélation et densité spectrale de puissance.

1. Soit Rb1 (τ) un estimateur de la fonction d’autocorrélation R (τ) tel que :
Rb1 (τ) = R (τ) Π 2T (τ)
où Π2T (τ) est la fenêtre rectangulaire de largeur 2T .

Calculez l’estimateur de la densité spectrale de puissance Sb1 ( f ) correspondant :
h i
Sb1 ( f ) = T.F. Rb1 (τ)
en fonction du spectre S ( f ).
Appliquez au cas du secteur :
X (t) = A cos (2π f0t + θ )
où θ est une variable aléatoire uniformément répartie sur [0, 2π] .

2. Un deuxième estimateur de la fonction d’autocorrélation R (τ) est défini par :
Rb2 (τ) = R (τ) ΛT (τ)
où ΛT (τ) est la fenêtre triangulaire de demi-base T . h i

Calculez l’estimateur de la densité spectrale de puissance Sb2 ( f ) =T.F. Kb2 (τ) .
Qu’obtient-on pour le secteur défini ci-dessus ?
.Qu′ obtient − onpourlesecteurd f inici − dessus?
■
Correction.
1.
Sb1 ( f ) = S( f ) ∗ 2T sinc(2π f T )
Dans le cas du secteur :

A2
S( f ) = [δ ( f − f0 ) + δ ( f + f0 )]
4
Et donc :
2TA2
Sb1 ( f ) = [sinc (2π( f − f0 )t) + sinc (2π( f + f0 )t)]
4
2.
Sb2 ( f ) = S( f ) ∗ T sinc2 (π f T )
Dans le cas du secteur :
A2 T
sinc2 (2π( f − f0 )t) + sinc2 (2π( f + f0 )t)

S2 ( f ) =
4
■
Exercise 3.10 — Deux trajets.

On considère un bruit blanc X(t) (de moyenne nulle), de fonction d’autocorrélation RX (τ) et de
densité spectrale sX ( f ). On construit le signal
Y (t) = AX(t) + BX(t − θ )
où A, B et θ sont des constantes positives. Montrer que le signal Y (t) est stationnaire et déterminer
sa fonction d’autocorrélation et sa densité spectrale de puissance. ■
Correction.
La moyenne de Y (t) est
E [Y (t)] = AE [X(t)] + BE [X(t − θ )] = 0
Sa fonction d’autocorrélation est
E [Y (t)Y (t − τ)] = E {[AX(t) + BX(t − θ )] [AX(t − τ) + BX(t − τ − θ )]}
= A2 RX (τ) + ABRX (τ + θ ) + BARX (τ − θ ) + B2 RX (τ)
= A2 + B2 RX (τ) + AB [RX (τ + θ ) + RX (τ − θ )]

Sa densité spectrale de puissance est

sY ( f ) = A2 + B2 sX ( f ) + ABsX ( f ) [exp( j2π f θ ) + exp(− j2π f θ )]

= A2 + B2 sX ( f ) + 2ABsX ( f ) cos(2π f θ )

Exercise 3.11 — Signal sinusoidal fenêtré.

On considère un signal x(t) défini par
x(t) = cos(2π f0t)ΛT (t)
avec T > 0 et f0 > 0 (deux constantes) et
 1 − Tt si 0 < t < T

ΛT (t) = 1 + Tt si − T < t < 0

0 sinon.

Indiquer sans faire de calcul (mais en le justifiant) la classe du signal x(t) (est-il aléatoire, détermi-
niste à énergie finie, déterministe à puissance finie périodique, déterministe à puissance finie non-
périodique ?). En déduire la densité spectrale sx ( f ) de ce signal. En supposant que la fréquence
f0 est suffisamment grande pour faire l’approximation sinc [πT ( f − f0 )] sinc [πT ( f + f0 )] ≃ 0,
en déduire une expression approchée de l’énergie du signal x(t). On rappelle la relation suivante
sin4 (u)
Z ∞
π
du = .
0 u4 3
■
Correction.
x(t) est un signal à énergie finie car il est défini sur un intervalle de temps de durée finie. La
densité spectrale d’énergie d’un signal à énergie finie est sx ( f ) = |X( f )|2 , où X( f ) est la transformée
de Fourier du signal x(t). On a
1 T
X( f ) = T sinc2 (π f T ) ∗ [δ ( f − f0 ) + δ ( f − f0 )] = sinc2 (π( f − f0 )T ) + sinc2 (π( f − f0 )T )

2 2
et donc
T2 2
sx ( f ) = |X( f )|2 = sinc2 (π( f − f0 )T ) + sinc2 (π( f − f0 )T ) .
4
En utilisant l’approximation, on obtient
T2
sinc4 (π( f − f0 )T ) + sinc4 (π( f − f0 )T ) .

sx ( f ) ≃
4
L’énergie du signal x(t) s’écrit alors
T2
Z ∞ Z ∞

E= sx ( f )d f ≃ sinc4 (π( f − f0 )T )d f × 2.
−∞ 4 −∞
Après avoir effectué le changement de variables u = πT ( f − f0 ), on obtient
T2
Z Z ∞
∞ du T T
E≃ sinc4 (u) = sinc4 (u)du = .
2 −∞ πT π 0 3
3.2 Exercices plus difficiles

Exercise 3.12
Soit A(t) un processus aléatoire stationnaire réel tel que :
E[A(t)] = m
E[A(t)A(t − τ)] = e−|τ|
On construit :
B(t) = A(t¯)
où t = t¯+t, t¯ et t indiquent respectivement les parties entière et fractionnaire de t.
Le processus B(t) est-il stationnaire ? ■
Correction.
Le processus aléatoire B (t) est stationnaire si sa moyenne E[B(t)] et sa fonction d’autocorrélation
E[B(t)B∗ (t − τ)] sont indépendantes du temps :
— Moyenne : Pour t fixé, il existe un entier n ∈ N tel que n ≤ t < n + 1. On a alors
E[B(t)] = E[A(t¯)] = E[A(n)] = m
La moyenne E[B(t) est donc indépendante de t.

— Fonction d’autocorrélation. On a
E[B(t)B∗ (t − τ)] = = E [A(t¯)A(t − τ)]
= RA (t¯ − t − τ)
où RA (τ) est la fonction d’autocorrélation de A(t). La quantité RA (t¯ − t − τ) dépend de t. Pour
s’en convaincre, on peut considérer les deux exemples suivants qui correspondent à la même
valeur de τ :
— t = 41 , τ = − 12
RA (t¯ − t − τ) = RA (0 − 0) = RA (0) = 1.
— t = 43 , τ = − 12
1
RA (t¯ − t − τ) = RA (0 − 1) = RA (−1) = .
e
Le processus aléatoire B(t) n’est donc pas stationnaire.
■
Exercise 3.13 Soit le signal x (t) défini par :
x (t) = A exp (−αt) cos (2π f0t) pour t ≥ 0 avec α > 0

= 0 pour t < 0
1. A quelle classe de signaux appartient x (t) ? Justifiez votre réponse.

2. Calculez la fonction d’autocorrélation de x (t).
3. Calculez son spectre (choisissez la méthode qui vous semble la plus simple).
4. On considère maintenant le processus Y (t) défini par :
Y (t) = A exp (−αt) cos (2π f0t + θ ) pour t ≥ 0

= 0 pour t < 0
où θ est une variable aléatoire uniformément répartie sur [0, 2π] .

Calculez la moyenne et la fonction d’autocorrélation de Y (t). Le processus Y (t) est-il
stationnaire ?
5. Soit le processus Z(t) défini comme Y (t) mais pour lequel l’amortissement α est une
variable aléatoire suivant une loi de Laplace de paramètre λ :
g (α) = λ exp (−λ α) pour α ≥ 0
On suppose que α et θ sont deux variables aléatoires indépendantes.

Le processus Z (t) est-il stationnaire ?
6. Quelle est la condition sur la densité de probabilité de α pour rendre le processus Z (t) soit
stationnaire ? Conclusion.
■
R On donne l’indication suivante :

Z +∞
α cos θ − 2π f0 sin θ
exp (−2αt) cos (4π f0t + θ ) dt =
0 2 α 2 + 4π 2 f02
Correction.
this is the correction ■
Exercise 3.14 — Détection de Discontinuités par Intercorrélation.

On considère les deux signaux x(t) et y(t) définis par :

 x(t) = 0 si t ∈ / [0, 6]
1

x(t) = 1 si t ∈ [0, 4] et y(t) = ∏ t − sin(2πt)
2
x(t) = −1 si t ∈ ]4, 6]

où ∏ (t) est la fenêtre rectangulaire de largeur 1 de hauteur 1 centrée en t = 0.

1. Représenter sur un même graphique ces deux signaux.
2. Calculer et représenter la fonction d’intercorrélation de x (t) et de y (t) (on représentera
y(t − τ) et on examinera les divers cas).
3. Que représentent les pics de cette fonction d’intercorrélation ? Donner une stratégie de
détection de la discontinuité présente en t = 4 pour le signal x(t).
■
Correction. this is the correction ■
Exercise 3.15 On considère le signal défini par :
M
xM (t) = ∑ πa (t − kT )
k=−M
avec a < T où πa (t) représente la fenêtre rectangulaire de largeur a et de hauteur unité :
1 si |t| ≤ a2

πa (t) =
0 sinon
1. Etude de la transformée de Fourier de xM (t).

(a) Déterminer XM ( f ) = T F (xM (t)) et lim XM ( f ) (que l’on pourra exprimer en fonc-
M→+∞
tion d’un peigne de Diracs).
(b) Donner le développement en série de Fourier (dans la base des cosinus et sinus) de
x∞ (t) = lim xM (t). On rappelle que le développement en série de Fourier d’une
M→+∞
fonction g périodique de période T est

∞ h
a0 t t i
g(t) = + ∑ ak cos 2πk + bk sin 2πk
2 k=1 T T
2 R T /2 R T /2
2πk Tu du, bk = T2 −T /2 g(u) sin 2πk Tu du.

avec ak = T −T /2 g(u) cos
(c) Déterminer T F lim xM (t) et comparer avec lim XM ( f ).
M→+∞ M→+∞
2. Etude de la densité spectrale de x∞ (t)
(a) Déterminer la fonction d’autocorrélation et la densité spectrale de y(t) = πa (t) (notées
respectivement Cy (τ) et Sy ( f )). Vérifier que Cy (τ) a les bonnes propriétés que l’on
précisera.
(b) Déterminer la fonction d’autocorrélation (notée C∞ (τ)) de x∞ (t) en fonction de celle
de y (t) puis la densité spectrale de x∞ (t) (notée S∞ ( f )) en fonction de celle de y (t).
(c) Montrer que x∞ (t) est le filtrage de πa (t) par un filtre linéaire dont on précisera la
réponse impulsionnelle g (t) et la fonction de transfert G ( f ).
(d) A l’aide de l’expression de G( f ) déetrminée ci-dessus, vérifier que :
S∞ ( f ) = Sy ( f ) |G ( f )|2
(e) Soit Cx∞ y (τ) la fonction d’intercorrélation entre x∞ (t) et y(t). Quelle relation existe-t-
il entre Sx∞ y ( f ) = T F (Cx∞ y (τ)), Sy ( f ) et G( f ) ?
■
Correction.
this is the correction ■
Exercise 3.16 — Le secteur.

On désire modéliser le courant électrique disponible à l’ENSEEIHT.
1. Dans une première approche, on utilise le modèle :
X (t) = A0 cos (2π f0t + θ )
√ variable aléatoire uniformément répartie sur l’intervalle [0, 2π[, f0 = 50Hz et

θ étant une
A0 = 220 2V . Déterminer la moyenne, la fonction d’autocorrélation et la densité spectrale
de puissance de X (t).
2. La fréquence du courant électrique n’est jamais exactement f0 = 50Hz. Afin de modéliser
les variations en fréquence, on considère le modèle :
X (t) = A0 cos (2π f t + θ )
f étant une variable uniformément répartie sur l’intervalle [ f0 − ∆ f , f0 + ∆ f ] indépendante

de θ . Calculer alors la moyenne, la fonction d’autocorrélation et la densité spectrale de
puissance de X (t).
■
Correction.
On considère dans cet exercice différents modèles du secteur et on étudie la densité spectrale de
puissance des signaux obtenus à l’aide de ces modèles.
1. Dans une première approche, on utilise le modèle :
X (t) = A0 cos (2π f0t)

√
où f0 = 50Hz et A0 = 220 2V . Le signal est déterministe à puissance moyenne finie pério-
dique : en notant T0 = f10 , on a
1 1 A20 1 A2
Z Z Z
P= |X(t)|2 dt = A20 cos2 (2π f0t) dt = {1 + cos (4π f0t)} dt = 0 < ∞
T0 T0 T0 T0 T0 T0 2 2
1 1
Z Z
RX (τ) = X(t)X ∗ (t − τ)dt = A2 cos (2π f0t) cos (2π f0 (t − τ)) dt
T0 T0 T0 T0 0
A20 1 A2
Z
= {cos (2π f0 τ) + cos (4π f0t − 2π f0 τ)} dt = 0 cos (2π f0 τ)
T0 T0 2 2
A20
SX ( f ) = T F [RX (τ)] = {δ ( f − f0 ) + δ ( f + f0 )}
4
2. On considère ensuite le modèle suivant :
X (t) = A0 cos (2π f0t + θ )
√ variable aléatoire uniformément répartie sur l’intervalle [0, 2π[, f0 = 50Hz et

θ étant une
A0 = 220 2V .
Le signal est aléatoire.
Sa moyenne est donc donnée par :

Z 2π
1
mX = E [X(t)] = E [A0 cos (2π f0t + θ )] = A0 cos (2π f0t + θ ) × dθ = 0
0 2π
RX (τ) = E [X(t)X ∗ (t − τ)] = E A20 cos (2π f0t + θ ) cos (2π f0 (t − τ) + θ )

A2 A2
= 0 E [cos (2π f0 τ) + cos (4π f0t − 2π f0 τ + 2θ )] = 0 cos (2π f0 τ)
2 2
Remarque : Le signal est stationnaire au second ordre car sa moyenne et sa fonction d’autocor-
rélation sont indépendantes du temps.
A20
SX ( f ) = T F [RX (τ)] = {δ ( f − f0 ) + δ ( f + f0 )}
4
3. La fréquence du courant électrique n’est jamais exactement f0 = 50Hz. Afin de modéliser les
variations en fréquence, on considère le modèle :
X (t) = A0 cos (2π f t + θ )
f étant une variable uniformément répartie sur l’intervalle [ f0 − ∆ f , f0 + ∆ f ] indépendante de

θ.
Sa moyenne est donc donnée par :
mX = E [X(t)] = E f ,θ [A0 cos (2π f t + θ )] = E f [Eθ [A0 cos (2π f t + θ ) | f ]] = E f [0] = 0
RX (τ) = E [X(t)X ∗ (t − τ)]

= E f Eθ A20 cos (2π f t + θ ) cos (2π f (t − τ) + θ ) | f

2
A2 f0 +∆ f

A0 1
Z
= Ef cos (2π f τ) = 0 cos (2π f τ) × df
2 2 f0 −∆ f 2∆ f
A2 sin (2π f τ) f0 +∆ f

= 0
4∆ f 2πτ f0 −∆ f
A20
= {sin (2π( f0 + ∆ f )τ) − sin (2π( f0 − ∆ f )τ)}
8πτ∆ f
A20
= sin (2π∆ f τ) cos (2π f0 τ)
4πτ∆ f
A2
= 0 sinc (2π∆ f τ) cos (2π f0 τ)
2
Remarque : Le signal est stationnaire au second ordre car sa moyenne et sa fonction d’autocor-
rélation sont indépendantes du temps.
SX ( f ) = T F [RX (τ)]
A20 1 1
= Π2∆ f ( f ) ∗ {δ ( f − f0 ) + δ ( f + f0 )}
2 2∆ f 2
A 2
= 0 Π2∆ f ( f − f0 ) + Π2∆ f ( f + f0 )

8∆ f
■
Exercise 3.17 — Modulation d’amplitude.

Soit A(t) un signal aléatoire stationnaire, réel, de fonction d’autocorrélation RA (τ) et de
densité spectrale de puissance SA ( f ) définie par :

α, si | f | ≤ F
SA ( f ) =
0, sinon.
On considère le signal X(t) = A(t) cos (2π f0t + θ ), avec F ≪ f0 et θ une variable aléatoire
uniformément répartie sur l’intervalle [0, 2π[ indépendante de A(t).
1. Montrer que X(t) est un signal aléatoire stationnaire. Déterminer et représenter graphique-
ment sa densité spectrale de puissance.
2. Afin de retrouver le signal A(t) à partir de X(t), on construit le signal
Y (t) = X(t) cos (2π f0t + θ )
(a) Déterminer et tracer la densité spectrale de puissance de Y (t).

(b) Quel traitement doit-on utiliser pour retrouver A(t) à partir de Y (t) ?
■
Correction.
1. Le signal est aléatoire. Sa moyenne est donc donnée par : mX = E [X(t)] et sa fonction
d’autocorrélation par RX (τ) = E [X(t)X ∗ (t − τ)].
Pour montrer qu’il est stationnaire il faut montrer que mX et RX sont indépendantes du temps.
mX = E [X(t)] = E [A(t) cos (2π f0t + θ )] = E [A(t)] E [cos (2π f0t + θ )]
car A et θ sont indépendantes. D’où mX = 0.
RX (τ) = E [X(t)X ∗ (t − τ)]

= E [A(t) cos (2π f0t + θ ) A∗ (t − τ) cos (2π f0 (t − τ) + θ )]
1
= E [A(t)A∗ (t − τ)] E [cos (2π f0t + θ ) cos (2π f0 (t − τ) + θ )] = RA (τ) × cos (2π f0 τ)
2
Le signal est bien stationnaire (au second ordre) car sa moyenne et sa fonction d’autocorrélation
sont indépendantes du temps.
Sa DSP est donnée par
SX ( f ) = T F [RX (τ)]
1
= SA ( f ) ∗ {δ ( f − f0 ) + δ ( f + f0 )}
4
1
= {SA ( f − f0 ) + SA ( f + f0 )}
4
2. Afin de retrouver le signal A(t) à partir de X(t), on construit le signal Y (t) = X(t) cos (2π f0t + θ ).
(a)
RY (τ) = E [Y (t)Y ∗ (t − τ)]

= E [X(t) cos (2π f0t + θ ) X ∗ (t − τ) cos (2π f0 (t − τ) + θ )]
Attention ici X(t) et le cosinus ne sont pas indépendants, tous deux dépendent de θ .
D’où
RY (τ) = E A(t) cos2 (2π f0t + θ ) A∗ (t − τ) cos2 (2π f0 (t − τ) + θ )

1 + cos (4π f0t + 2θ ) 1 + cos (4π f0 (t − τ) + 2θ )
= RA (τ) × E
2 2

1 1
= RA (τ)E 1 + cos (2θ + ...) + cos (2θ + ...) + {cos (4π f0 τ) + cos (4θ + ...)}
4 2

1 1
= RA (τ) 1 + cos (4π f0 τ)
4 2
SY ( f )(τ) = T F [RY (τ)]

1 1
= SA ( f ) ∗ δ ( f ) + {δ ( f − 2 f0 ) + δ ( f + 2 f0 )}
4 4
1 1
= SA ( f ) + {SA ( f − 2 f0 ) + SA ( f + 2 f0 )}
4 16
(b) Pour retrouver A(t) à partir de Y (t) Il faudra utiliser un filtre passe-bas pour conserver
uniquement la partie 14 SA ( f ) et couper la partie qui se trouve autour de 2 f0
■
Exercise 3.18 — Modulation d’amplitude du signal des télégraphistes.

Soit A = {A(t), t ∈ R} un signal des télégraphistes à valeurs dans {−1, +1} (cf cours) et
φ une variable aléatoire uniformément répartie sur [0, 2π[ indépendante du processus A. On
considère :
X(t) = A(t) cos (2π f0t + φ )
Déterminer la fonction d’autocorrélation et le spectre de puissance de X(t), X 2 (t) et X 3 (t). ■
R Rappel : KA (τ) = e−2λ |τ| , sA ( f ) = λ

λ 2 +π 2 f 2
et cos3 a = 14 cos 3a + 34 cos a.
Exercise 3.19 — Modulation de phase.

Soit Z(t) un processus aléatoire stationnaire réel de moyenne m, de fonction d’autocorrélation
KZ (τ) et de densité spectrale de puissance sZ ( f ) définie par :
sZ ( f ) = α si | f | ≤ F
sZ ( f ) = 0 sinon
On considère une modulation de phase qui donne naissance au processus Pa (t) défini par :
Pa (t) = cos (2π f0t + aZ(t) + φ )
avec F << f0 . φ est une variable aléatoire uniformément répartie sur [0, 2π[ indépendante de
Z(t).
1. Déterminer la moyenne et la fonction d’autocorrélation de Pa (t) en fonction de ϕ (a,t, τ) =

E eia(Z(t)−Z(t−τ)) .

2. On suppose que Z(t) est un processus gaussien de fonction d’autocorrélation
RZ (τ) = 1 − |τ| si |τ| ≤ 1

RZ (τ) = 0 sinon
(a) on peut démontrer que la variable aléatoire V (t, τ) = Z(t) − Z(t − τ) est alors une
variable aléatoire gaussienne pour tout τ ̸= 0 (résultat admis). Déterminer la moyenne
et la variance de V (t, τ) en fonction de KZ (τ).
(b) En déduire ϕ (a,t, τ) puis la densité spectrale de puissance de Pa (t). On rappelle que
si X est une variable aléatoire gaussienne
2 de moyenne m et de variance σ 2 , on a
2 2 2
= exp(itm − σ 2t ) et que T F e−a |τ| = a4 +4π
2a
itX
E e f2
.
3. On suppose désormais que Z(t) est une variable aléatoire binaire prenant les valeurs +1
et −1 et que a = − π2 . Montrer que Pa (t) = Z(t) sin (2π f0t + φ ). En déduire la densité
spectrale de puissance de Pa (t).
■
Exercise 3.20 — Somme de composantes harmoniques.

2
A∗1, ..., An des variables aléatoires de moyenne nulle de LC deux à deux orthogonales
Soient
(i.e. E A j Ak = 0 pour k ̸= j) et soient f1 , ..., fn des réels distincts deux à deux. Vérifier que le
processus
n
X(t) = ∑ A j ei2π f t
j
j=1
est un processus stationnaire et donner sa fonction d’autocorrélation et sa densité spectrale de de

puissance. ■
Exercise 3.21 — Conditions suffisantes de stationnarité.

B est une variable aléatoire de moyenne m et de variance σ 2 ̸= 0. Soit φ une variable aléatoire
indépendante de B de densité de probabilité f (ϕ) nulle à l’extèrieur de ]0, 2π[. On note
Z 2π
1
cn = f (ϕ)einϕ dϕ
2π 0
le nème coefficient de la décomposition en série de Fourier de f (ϕ). A quelles conditions suffi-

santes portant sur les cn , le signal X(t) = B cos (2π f0t + φ ) est-il stationnaire ? ■
Exercise 3.22 — Signal PAM.

On considère la fonction f (t) définie par :

1 si t ∈ [0, h]
f (t) =
0 si t ∈ ]h, 1]
où h ∈ ]0, 1/2[. Soit (An )n∈Z une suite de variables aléatoires indépendantes et de même loi :
P [An = 1] = p
P [An = −1] = q
avec p + q = 1. On considère deux modèles :
Modèle 1 : X(t) = At f (t)

Modèle 2 : Y (t) = X(t + φ )
où φ est une variable aléatoire uniformément répartie sur [0, 1[ indépendante des variables
aléatoires An .
1. Représenter une réalisation du processus X(t). En considérant t ∈ ]0, 1[, montrer que
E [X(t)] dépend de t.
2. Calcul de la moyenne de Y (t)
(a) Ecrire E [Y (t)] en faisant apparaître une espèrance conditionnelle sur la variable
aléatoire instant de départ φ .
(b) En utilisant la périodicité de la fonction u → f (u), montrer que E [Y (t)] = (2p − 1) h.
3. Calcul de la fonction d’autocorrélation de Y (t)
(a) En utilisant le même raisonnement que dans le cas précédent, montrer que pour τ > 0
Z 1
E [Y (t)Y (t + τ] = f (u) f (u + τ) E [A0 Au+τ ] du
0
(b) 1er cas : τ ∈ [0, 1]

Montrer que :
E [Y (t)Y (t + τ] = I1 (τ) + (2p − 1)2 I2 (τ)

R 1−τ R1
avec I1 (τ) = 0 f (u) f (u + τ)du et I2 (τ) = 1−τ f (u) f (u + τ − 1)du.
Montrer que :

h − τ si τ ∈ [0, h] 0 si τ ∈ [0, 1 − h]
I1 (τ) = et I2 (τ) =
0 si τ ∈ ]h, 1] h − (1 − τ) si τ ∈ ]1 − h, 1]
(c) 2ème cas : τ ≥ 1

Montrer en utilisant les résultats de b) :
(2p − 1)2 (h − τ) si τ ≥ 1 et τ ∈ [0, h]

E [Y (t)Y (t + τ] =
(2p − 1)2 (h − (1 − τ)) si τ ≥ 1 et τ ∈ ]1 − h, 1]
Déterminer la densité spectrale de puissance de Y (t).

■
R On donne :
sin2 (πhk)
Z h
(h − u) cos (2kπu) du = pour k ̸= 0
−h k2 π 2
Exercise 3.23 — Signal Biphase.

On considère la fonction f (t) définie par :

1 si t ∈ [0, 1/2[
f (t) =
−1 si t ∈ [1/2, 1[
Soit (An )n∈Z une suite de variables aléatoires indépendantes et de même loi :
P [An = 1] = p
P [An = −1] = q
avec p + q = 1. On considère deux modèles :
Modèle 1 : X(t) = At f (t)

Modèle 2 : Y (t) = X(t + φ )
où φ est une variable aléatoire uniformément répartie sur [0, 1[ indépendante des variables
aléatoires An .
1. Représenter une réalisation du processus X(t). En considérant t ∈ [0, 1/2[ et t ∈ [1/2, 1[,
montrer que E [X(t)] dépend de t.
2. Calcul de la moyenne de Y (t)
(a) Ecrire E [Y (t)] en faisant apparaître une espèrance conditionnelle sur la variable
aléatoire instant de départ φ .
(b) En utilisant la périodicité de la fonction u → f (u), montrer que E [Y (t)] = 0.
3. Calcul de la fonction d’autocorrélation de Y (t)
(a) En utilisant le même raisonnement que dans le cas précédent, montrer que pour τ > 0
Z 1
E [Y (t)Y (t + τ] = f (u) f (u + τ) E [A0 Au+τ ] du
0
(b) 1er cas : τ ∈ [0, 1[

Montrer que :
E [Y (t)Y (t + τ] = I1 (τ) + (2p − 1)2 I2 (τ)

R 1−τ R1
avec I1 (τ) = 0 f (u) f (u + τ)du et I2 (τ) = 1−τ f (u) f (u + τ − 1)du.
Montrer que :

1 − 3τ si τ ∈ [0, 1/2] −τ si τ ∈ [0, 1/2]
I1 (τ) = etI2 (τ) =
τ − 1 si τ ∈ ]1/2, 1] 3τ − 2 si τ ∈ ]1/2, 1]
(c) 2ème cas : τ ≥ 1

On montrerait de la même façon qu’au b) :
(2p − 1)2 (1 − 4τ) si τ ≥ 1 et τ ∈ [0, 1/2]

E [Y (t)Y (t + τ] =
(2p − 1)2 (4τ − 3) si τ ≥ 1 et τ ∈ ]1/2, 1]
4. Déterminer la densité spectrale de puissance de Y (t).

■
R On donne :

Z 1/2 Z 1 − sin4 π2f
(3u − 1) cos (2π f u) du + (1 − u) cos (2π f u) du = 2
0 1/2 πf
2
Z 1/2
1 − cos (kπ)
(1 − 4u) cos (2kπu) du =
0 k2 π 2
Exercise 3.24 — Fenêtre Spectrale B-Spline.

Soit le signal :
x(t) = w(t).A. cos (2π f0t)
où w(t) est de support borné ±T /2. On va se préoccuper du rôle de w(t) sur les caractéris-
tiques spectrales de la fonction A.cos (2π f0t) . Pour w(t), on fait le choix de la famille suivante :
w (t) = C (M) . ∗ Πα (t)

M
où ∗ représente M convolutions, et α est choisi de telle sorte que w (t) ait bien le support
M
±T /2. Cette famille de fonctions est connue sous le nom de B-Spline. La constante C (M) sera
fixée par la suite. Donner la valeur de α en fonction de M.
1. Avec M fixé, donner l’expression de la TF et de la Densité Spectrale d’Energie (DSE)
SX ( f ) de x(t). Choisir la constante C(M) pour que SX ( f0 ) = A2 /4.
2. Le support T de w(t) est choisi égal à un nombre entier de périodes de cos (2π f0t), soit
T = k/ f0 , k entier. Analyser les rôles respectifs de M et k, i.e. à M fixé, observer comment
évolue SX ( f ), et faire de même, à k fixé, en fonction de M.
Quelles conclusions en tirez-vous pour approximer au mieux la DSE d’une sinusoïde,
quand on n’en connaît qu’une longueur finie ?
■
Exercise 3.25 — Fonction d’ambiguité.

On considère un signal déterministe à énergie finie noté s(t) représentant un signal émis par
un radar. Ce signal intercepte une cible de vitesse v0 située à la distance R0 de la source et est
réflèchi en direction du radar. Le signal reçu par le radar s’écrit
x(t) = y (t − ta ) + n(t)
avec
y(t) = s(t) exp [ j2π ( f0 + fa )t]
où ta = 2R0 /c ( c est la vitesse de l’onde radar), v0 = πλ fa ( λ est la longueur d’onde du signal
radar), f0 est la fréquence porteuse et n(t) est un bruit blane (de moyenne nulle) et de variance
σ 2 . L’objectif de ce problème est d’étudier une méthode permettant d’estimer R0 et v0 à partir du
signal reçu x(t).
1. A quelle classe de signaux appartient le signal y(t) ? Déterminer la fonction d’autocorrélation
de ce signal en fonction de f0 , fa et Rs (τ), puis sa densité spectrale en fonction de f0 , fa et Ss ( f ).
2. On corrèle le signal reçu x(t) avec une version décalée en temps et en fréquence du signal s(t)
en formant Z
R (th , fh ) = x(t)y∗ (t − th ) exp [− j2π ( f0 + fh ) (t − th )] dt
R
On appelle fonction d’ambiguité la transformée
Λ(τ, ν) = |E [R (th , fh )]|
Montrer que FA s’écrit

Z
Λ(τ, ν) = s(u)s∗ (u − τ) exp(− j2πνu)du
R
avec τ = th − ta et f = fh − fa . Puisque la fonction d’ambiguité ne dépend que de τ et de f , on la

notera dans la suite FA = Λ(τ, f ).
3. Déterminer Λ(τ, ν) lorsque s(t) est un pulse défini par
(
1 √1 si |t| < T
2
s(t) = √ ΠT (t) = T
T 0 sinon
et tracer Λ(0, ν) et Λ(τ, 0). Montrer que Λ(τ, ν) admet son maximum en τ = 0 et ν = 0 et en
déduire une méthode permettant d’estimer R0 et ν0 à partir de la fonction d’ambiguité.
■
Correction.
1. Puisque s(t) est un signal à énergie finie, on a
Z
E= |s(t)|2 dt < ∞.
R
Mais
Z Z
|y(t)|2 dt = |s(t)|2 dt = E
R R
Le signal y(t) est donc aussi à énergie finie. La fonction d’autocorrélation du signal y(t) s’écrit
Z
Ry (τ) = y(t)y∗ (t − τ)dt
ZR
= s(t) exp [ j2π ( f0 + fa )t] s∗ (t − τ) exp [− j2π ( f0 + fa ) (t − τ)] dt
R Z
= exp [ j2π ( f0 + fa ) τ] s(t)s∗ (t − τ)dt
R
= exp [ j2π ( f0 + fa ) τ] Rs (τ)
La densité spectrale d’énergie de y(t) est donc
sy ( f ) = TF [Ry (τ)]
= δ ( f − ( f0 + fa )) ∗ ss ( f )
= ss ( f − ( f0 + fa ))
2. Comme la réplique y (t − th ) est un signal déterministe, on a

Z
∗
E [R (th , fh )] = E x(t)y (t − th ) exp [− j2π ( f0 + fh ) (t − th )] dt
R
Z
= E[x(t)]y∗ (t − th ) exp [− j2π ( f0 + fh ) (t − th )] dt.
R
Comme le bruit n(t) est blanc, il est de moyenne nulle d’où
E[x(t)] = y (t − ta )
= s (t − ta ) exp [ j2π ( f0 + fa ) (t − ta )] .
On a donc
Z
E [R (th , fh )] = s (t − ta ) exp [ j2π ( f0 + fa ) (t − ta )] s∗ (t − th ) exp [− j2π ( f0 + fh ) (t − th )] dt
R
Z
∗
= s (t − ta ) s (t − th ) exp [− j2π ( fh − fa )t] dt exp [ j2π ( f0 + fh )th − j2π ( f0 + fa )ta )
R
Λ(τ, ν) = |E [R (th , fh )]|

Z
= s (t − ta ) s∗ (t − th ) exp [− j2π ( fh − fa )t] dt
R
Z
∗
et = s(u)s (u + ta − th ) exp [− j2π ( fh − fa ) u] du exp [− j2π ( fh − fa )ta ]
R
Z
= s(u)s∗ (u − τ) exp[− j2πνu]du
R
puisque ν = fh − fa
3. Lorsque s(t) est un pulse défini par
(
1 √1 si|t| < T
2
s(t) = √ ΠT (t) = T
T 0 sinon
on a Z T /2
1
Z
∗
s(u)s (u − τ) exp[− j2πνu]du = √ s∗ (u − τ) exp[− j2πνu]du.
R T −T /2
Différents cas se présentent selon la valeur de τ. Le pulse s∗ (u−τ) a pour support ]τ − T2 , τ + T2 [

donc lorsque  T −T T T
 R T 0+Tsi/2τ + 2 < 2 ou τ − 2 > 2

1
Λ(τ, ν) = T −T /2 exp[− j2πνu]du si τ ∈ [−T, 0]
 1 R T /2 exp[− j2πνu]du si τ ∈ [0, T ]

T τ−T /2
Des calculs élémentaires permettent d’obtenir le résultat suivant

 0 si τ ∈
/ [−T, T ]
T +τ
Λ(τ, ν) = sin c[πν(T + τ)] si τ ∈ [−T, 0]
 TT−τ
T sin c[πν(T − τ)] si τ ∈ [0, T ]
ou sous forme condensée

T − |τ|
Λ(τ, ν) = sin c[πν(T − |τ|)]I[−T,T ] (τ)
T
où I[−T,T ] (τ) est la fonction indicatrice sur l’intervalle [−T, T ]. La courbe représentative de la
fonction
T − |τ|
τ 7−→ Λ(τ, 0) = I[−T,T ] (τ)
T
est un triangle d’amplitude 1 en τ = 0 et s’annulant en τ = ±T . La courbe représentative de la
fonction
ν 7−→ Λ(0, ν) = sin c[πνT ]
est un sinus cardinal d’amplitude 1 en ν = 0 et dont les premiers zéros sont en ν = ± T1 . Quelle
que soit la valeur de τ fixée, la fonction
sin c[πν(T − |τ|)]
admet son maximum en ν = 0. De plus pour ν = 0, la fonction est maximale en τ = 0. On en

déduit que Λ(τ, ν) admet son maximum en τ = 0 et ν = 0. Pour estimer R0 et ν0 , il suffit de
chercher le maximum de la fonction d’ambiguité en évaluant R (th , fh ) pour différentes valeurs
de th et fh . Ce maximum est obtenu pour
th c
τ = 0 ⇐⇒ th = ta = 2R0 /c ⇐⇒ R0 =
2
v0
ν = 0 ⇐⇒ fh = fa = ⇐⇒ v0 = πλ fh
πλ
ce qui permet de déterminer R0 et ν0 .
■
Exercise 3.26 — Estimation d’un retard.

1. On considère un signal déterministe à énergie finie noté x(t) représentant un signal sonore émis
par une source. Ce signal est enregistré par deux microphones situés dans une pièce acoustique.
On ignore dans cet exercice le bruit affectant la transmission. Les signaux reçus par ces deux
microphones peuvent être alors définis de la façon suivante
x1 (t) = A1 x (t − T1 ) et x2 (t) = A2 x (t − T2 )
où les amplitudes et retards A1 , A2 , T1 , T2 sont des réels positifs. - Déterminer la fonction d’inter-
corrélation entre les signaux x1 (t) et x2 (t) notée Rx1 x2 (τ) en fonction des amplitudes A1 et A2 ,
de la différence des temps d’arrivée T = T1 − T2 et de la fonction d’autocorrélation Rx (τ) du
signal source x(t). Proposer une méthode permettant d’estimer la différence des temps d’arrivée
T = T1 − T2 à partir de Rx1x2 (τ). - En utilisant l’inégalité de Parseval, montrer que
Rx1 x2 (τ) = T F −1 [X1 ( f )X2∗ ( f )]
En déduire Rx1 x2 (τ) lorsque le signal source s’écrit

a

1 si |t| < 2
x(t) = Πa (t) =
0 sinon
- Calculer l’expression suivante
X1 ( f )X2∗ ( f )

−1
G(τ) = T F
|X1 ( f )| |X2 ( f )|
et en déduire que T peut aussi être estimé à l’aide de la fonction G(τ).

2. On suppose désormais que le signal source est un signal périodique (de période T0 ) de
puissance finie. Déterminer Rx1 x2 (τ) en fonction de A1 , A2 , T et de l’autocorrélation du signal
source Rx . Peut-on estimer T à partir de Rx1 x2 (τ) ? Etudier le cas particulier où x(t) = cos (2π f0t).
3. Pour terminer on suppose que le signal source est un signal aléatoire stationnaire de fonction
d’autocorrélation Rx (τ). Déterminer Rx1 x2 (τ) en fonction de A1 , A2 , T et de l’autocorrélation du
signal source Rx (τ). Que pensez vous de l’utlisation de la fonction G(τ) pour estimer la différence
des temps d’arrivée T ? ■
Correction.
1. La fonction d’intercorrélation entre les signaux à énergie finie x1 (t) et x2 (t) est définie par
Z
Rx1x2 (τ) = x1 (t)x2∗ (t − τ)dt
Z
= A1 A2 x (t − T1 ) x∗ (t − τ − T2 ) dt
= A1 A2 Rx (τ − T )
Puisque la fonction d’autocorrélation Rx (τ) est maximale à l’origine τ = 0, le maximum de

Rx1 x2 (τ) est atteint en τ = T . On en déduit
T = arg max Rx1 x2 (τ)

τ
Pour déterminer T , il suffit de chercher la valeur de τ qui maximise la fonction d’intercorréla-

tion Rx1 x2 (τ)
En utilisant l’égalité de Parseval, on obtient

Z
Rx1 x2 (τ) = x1 (t)x2∗ (t − τ)dt
Z ∗
X1 ( f ) e− j2π f τ X2 ( f ) d f

=
Z
= X1 ( f )X2∗ ( f )e j2π f τ d f
= T F −1 [X1 ( f )X2∗ ( f )]
Lorsque x(t) = Πa (t), on a
sin(πa f )
X1 ( f ) = A1 e− j2π f T1 X( f ) = aA1 e− j2π f T1
πa f
sin(πa f)
X2 ( f ) = A2 e− j2π f T2 X( f ) = aA2 e− j2π f T2
πa f
d’où
Rx1 x2 (τ) = T F −1 [X1 ( f )X2∗ ( f )]
( 2 )
−1 − j2π f T sin(πa f )
= aA1 A2 T F e a
πa f
= aA1 A2 δ (τ − T ) ∗ Λa (τ)
= aA1 A2 Λa (τ − T )
qui est bien une fonction maximale en τ = T .
On a
X1 ( f )X2∗ ( f )

−1
G(τ) = T F
|X1 ( f )| |X2 ( f )|
− j2π f T1 X( f )A e j2π f T2 X ∗ ( f )

−1 A1 e 2
= TF
A1 |X( f )|A2 |X( f )|
−1 − j2π f T

= TF e = δ (τ − T )
On voit donc que même en présence de bruit la fonction G devrait présenter un pic en τ = T .
2. Pour un signal périodique de période T0 , on a
Z T0 /2
1
Rx1 x2 (τ) = x1 (t)x2∗ (t − τ)dt
T0 −T0 /2
Z T0 /2
1
= A1 A2 x (t − T1 ) x∗ (t − τ − T2 ) dt
T0 −T0 /2
= A1 A2 Rx (τ − T )
La fonction d’intercorrélation est une fonction périodique de période T0 comme Rx (τ) donc en
recherchant les maxima de Rx1 x2 (τ), on aura une estimation de T à un multiple de T0 près.Dans
le cas où x(t) = cos (2π f0t), on a vu en cours
1
Rx (τ) = cos (2π f0 τ)
2
d’où
A1 A2
Rx1 x2 (τ) = cos [2π f0 (τ − T )]
2
On voit que dans ce cas que l’intercorrélation possède plusieurs maxima et minima aux points
T0
τ = T + kT0 , k ∈ Z et τ = T + k ,k ∈ Z
2
On pourra donc estimer T à un multiple de T0 près.
3. Lorsque le signal source est un signal aléatoire stationnaire, on a
Rx1x2 (τ) = E [x1 (t)x2∗ (t − τ)]

= A1 A2 E [x (t − T1 ) x∗ (t − τ − T2 )]
= A1 A2 Rx (τ − T )
À nouveau, on peut estimer T en recherchant le maximum de Rx1 x2 (τ). Par contre, on ne peut
pas utiliser la fonction G(τ) car les transformées de Fourier X1 ( f ) et X2 ( f ) n’existent pas
(x1 (t) et x2 (t) sont des signaux aléatoires stationnaires).
■
4. Filtrage linéaire
Exercise 4.1 On considère le système défini de la manière suivante :
y(t) = T {x(t)} = x(t) cos(2π f0t)).
Le système ainsi défini est-il ? :

1. avec ou sans mémoire ?
2. causal ?
3. linéaire ?
4. invariant par décalage dans le temps ?
5. stable ?
■
Correction.
C’est un système sans mémoire, causal, non invariant par décalage temporel et stable. ■
Exercise 4.2 Soit le système d’entrée x(t) et de sortie y(t) défini par :
y(t) = x(t)m(t)
Le système ainsi défini est-il linéaire ? invariant dans le temps ? ■
Correction.
Le système est linéaire (à x1 (t)+x2 (t) en entrée correspond en sortie y(t) = (x1 (t)+x2 (t))m(t)) =
x1 (t)m(t) + x2 (t)m(t) = y1 (t) + y2 (t)) mais non invariant dans le temps (à x(t − t0 ) correspond
x(t − t0 )m(t) ̸= y(t − t0 ). ■
46 Chapitre 4. Filtrage linéaire
Exercise 4.3 Soit le système d’entrée x(t) et de sortie y(t) défini par :
y(t) = x2 (t)
Le système ainsi défini est-il linéaire ? invariant dans le temps ? ■
Correction.
Le système est non linéaire (y(t) = (x1 (t) + x2 (t))2 = x12 (t) + x22 (t) + 2x1 (t)x2 (t) ̸= x12 (t) + x22 (t)
qui correspondrait à y1 (t) + y2 (t)) mais invariant dans le temps (à x(t − t0 ) correspond x2 (t − t0 ) =
y(t − t0 ). ■
Exercise 4.4 — Filtre moyenneur à mémoire finie.

Le filtre moyenneur à mémoire finie est un système défini par la relation entrée-sortie suivante :
Z t
1
y(t) = x(u)du,
T t−T
où x(t) représente l’entrée du filtre et y(t) la sortie.

1. Montrer que ce filtre moyenneur à mémoire finie est un filtre linéaire et calculer sa réponse
impulsionnelle.
2. Ce filtre est-il réalisable ?
■
Correction.
1. Il existe plusieurs manières de répondre à cette question.
— Si x(t) = e j2π f t :
1 t j2π f u
Z
y(t) = e du = sinc(π f T )e− jπ f T e j2π f t
T t−T
= H( f )x(t) avec H( f ) = sinc(π f T )e− jπ f T
On a bien un filtre linéaire de réponse en fréquence H( f ) = sinc(π f T )e− jπ f T et donc

1 T

de réponse impulsionnelle h(t) = T ΠT t − 2 , si ΠT (t) représente une fonction porte
de largeur T , de hauteur 1 et centrée en t = 0.
—
1 t

1 T
Z Z
y(t) = x(u)du = x(u)ΠT u − t − du
T t−T T R 2

1 T
Z
= x(u)ΠT t− − u du
T R 2
= x(t) ∗ h(t),

1 T
avec h(t) = ΠT t −
T 2
— si x(t) = δ (t) alors

1 Rt
δ (u)du = T1 si 0<t<T

y(t) = h(t) = T t−T
0 sinon
47
D’où
1 T
h(t) = ΠT t −
T 2
Il faut alors montrer que nous avons bien un filtre, c’est-à-dire que l’on a bien y(t) =
x(t) ∗ h(t) :

1 T
x(t) ∗ h(t) = ΠT t − ∗ x(t)
T 2

1 T
Z
= x(u)ΠT t − − u du
T R 2
Z t
1
= x(u)du : OK
T t−T
— on peut également dériver :
1
y′ (t) = {x(t) − x(t − T )}
T
d’où par transformée de Fourier :
1
j2π fY ( f ) = X( f ) − e− j2π f T X( f )
T
et donc
Y ( f ) 1 − e− j2π f T
H( f ) = = = e− jπ f T sinc(π f T )
X( f ) j2π f T
Ce qui donne par transformée de Fourier inverse :

1 T
h(t) = ΠT t −
T 2
.
2. Un filtre est réalisable si :
— sa réponse impulsionnelle h(t) est réelle : OK ici
— il est causal : OK ici car pour t < 0 on a h(t) = 0 R
— il est stable, c’est-à-dire qu’il vérifie la condition de stabilité R |h(t)| dt < ∞ : OK ici :
R 1
R |h(t)| dt = T × T = 1).
Ce filtre est donc réalisable.
■
Exercise 4.5 — Filtre intégrateur.

Soit x(t) un signal aléatoire stationnaire de moyenne nulle et de densité spectrale de puissance
Sx ( f ).
Soit : Z a+t
y(t) = x(u)du, avec a > 0
t
1. Montrer que y(t) est la sortie d’un filtre linéaire dont l’entrée est x(t) et déterminer sa
réponse impulsionnelle.
2. Ce filtre est-il réalisable ?
3. Calculer la moyenne de y(t).
4. Donner la densité spectrale de puissance de y(t), Sy ( f ), en fonction de Sx ( f ).

■
Correction.
1. Il existe plusieurs manières de répondre à cette question
— Si x(t) = e j2π f t :
Z a+t
y(t) = e j2π f u du
t
1
e j2π f a − 1 e j2π f t

=
j2π f
= Ha ( f )x(t)
On a bien une opération de filtrage linéaire entre le signal x(t) et le signal y(t) avec un
filtre de réponse en fréquence
1
e j2π f a − 1

Ha ( f ) =
j2π f
—
Z a+t
y(t) = x(u)du
Zt a
= x(u)Πa u − t + du
ZR
2
a
= x(u)Πa t + − u du
R 2
= x(t) ∗ h(t),
a
avech(t) = Πa t +
2
— si x(t) = δ (t) R a+t
t δ (u)du = 1 si -a<t<0
y(t) = h(t) =
0 sinon
D’où a
h(t) = Πa t +
2
Il faut alors montrer que nous avons bien un filtre, c’est-à-dire que l’on a bien y(t) =
x(t) ∗ h(t) :
a
x(t) ∗ h(t) = Πa t + ∗ x(t)
2
Z a
= x(u)Πa t + − u du
R 2
Z t+a
= x(u)du : OK
t
— on peut également dériver :
y′ (t) = {x(t + a) − x(t)}

49
d’où par transformée de Fourier
j2π fY ( f ) = e j2π f a X( f ) − X( f )

et donc
Y ( f ) e j2π f a − 1
H( f ) = = = ae jπ f a sinc(π f a)
X( f ) j2π f
Ce qui donne par transformée de Fourier inverse :
a
h(t) = Πa t +
2
.
2. Un filtre est réalisable si :
— sa réponse impulsionnelle h(t) est réelle : OK ici R
— il R
est stable, c’est-à-dire qu’il vérifie la condition de stabilité R |h(t)| dt < ∞ : OK ici car
R |h(t)| dt = a
— il est causal : non OK ici : pour t < 0 on a h(t) ̸= 0
Ce filtre n’est donc pas réalisable.
R a+t
x(u)du = ta+t E [x(u)] du = 0
R
3. E [y(t)] = E t
4. Sy ( f ) = |Ha ( f )|2 Sx ( f ) = a2 sinc2 (π f a)Sx ( f ) (voir relations de Wiener Lee)

■
Exercise 4.6 On considère un signal aléatoire x(t) stationnaire de moyenne m, de fonction

d’autocorrélation Rx (τ) et de densité spectrale de puissance sx ( f ). Etant donnés deux réels a et b
tels que b > a > 0, on forme le signal
Z t+b Z t−b
y(t) = x(u)du − x(u)du
t+a t−a
1. Montrer que le signal y(t) est obtenu par filtrage linéaire de x(t). Déterminer la transmit-
tance et la réponse impulsionnelle de ce filtre.
2. Déterminer la moyenne et la densité spectrale de puissance de y(t) en fonction de celles de
x(t).
■
Correction.
x(t) stationnaire de moyenne m, de fonction d’autocorrélation Rx (τ) et de densité spectrale de
puissance sx ( f ).
1. Si on fait x(t) = e j2π f t , alors on obtient
e j2π f t h j2π f b
Z t+b Z t−b i
y(t) = e j2π f u du − e j2π f u du = e − e j2π f a − e− j2π f b + e− j2π f a
t+a t−a j2π f
On voit donc que y(t) s’écrit sous la forme y(t) = e j2π f t H( f ), ce qui signifie que y(t) est le
résultat d’un filtrage linéaire de x(t) par un filtre de fonction de transfert
sin(2π f b) − sin(2π f a)
H( f ) =
πf
Pour déterminer la réponse impulsionnelle du filtre, le plus simple est de prendre x(t) = δ (t)
et on obtient
Z t+b Z t−b Z t+b Z t−a
h(t) = δ (u)du − δ (u)du = δ (u)du + δ (u)du
t+a t−a t+a t−b
d’où 
 1 si t ∈ [−b, −a]
h(t) = 1 si t ∈ [a, b]
0 sinon

2. Puisque y(t) est obtenu par filtrage linéaire de x(t) et que x(t) est un processus aléatoire
stationnaire, y(t) est un processus stationnaire (voir cours). Sa moyenne est définie par
Z t+b Z t−b
E[y(t)] = E[x(u)]du − E[x(u)]du = m(b − a) − m(a − b) = 2m(b − a)
t+a t−a
La densité spectrale de puissance de y(t) s’obtient à l’aide des relations de Wiener Lee
[sin(2π f b) − sin(2π f a)]2

sy ( f ) = sx ( f )|H( f )|2 = sx ( f )
π2 f 2
Exercise 4.7 — Calcul de la puissance d’un bruit filtré.

Soit un signal aléatoire stationnaire X(t), de densité spectrale de puissance SX ( f ) représentée
en vert sur la figure suivante. Ce signal est bruité par un bruit blanc, B(t), de densité spectrale
de puissance SB ( f ) = α ∀ f , α étant une constante. Le signal bruité, X(t) + B(t), passe dans un
filtre linéaire de type passe-bas idéal, de fréquence de coupure fc : voir figure suivante, où H( f )
représente la réponse en fréquence du filtre passe-bas.
1. Calculer le rapport signal sur bruit en sortie du filtre.

2. Evaluer le rapport signal sur bruit en sortie du filtre en décibels pour α = 1V 2 /Hz.
3. Que signifie un rapport signal sur bruit négatif en décibels ?
■
Correction.
1. Le signal n’est pas abimé par le filtre. La puissance
R
du signal en sortie du filtre est donc
identique à celle en entrée et est donnée par R SX ( f )d f = fc .
51
La densité spectrale de puissance du bruit en sortie du filtre est donnée par |H( f )|2 SB ( f ) (voir
relations de Wiener Lee), d’où sa puissance :
Z
|H( f )|2 SB ( f )d f = 2α fc
R
. Le rapport signal sur bruit est donc donné par

fc 1
RSB = =
2α fc 2α
2. RSBdB = 10 log10 SNR = 10 log10 12 = −3dB.
3. Un rapport signal sur bruit négatif en décibels signifie qu’il y a plus de bruit que de signal.
La puissance du bruit est deux fois plus grande que celle du signal pour un rapport signal sur
bruit de −3 dB
■
Exercise 4.8 — Calcul d’un Rapport Signal sur Bruit (RSB) en sortie d’un filtre linéaire.
On considère un filtre (linéaire invariant dans le temps) de réponse impulsionnelle h(t)

exp(−at) si t > 0
h(t) =
0 si t < 0
avec a > 0. On applique à l’entrée de ce filtre un signal aléatoire x(t) constitué de la somme
d’un signal sinusoïdal s(t) = A cos (2π f0t), où A et f0 sont deux constantes, et d’un bruit blanc
stationnaire b(t) de densité spectrale de puissance sb ( f ) = σb2 ∀ f , c′ est − − direx(t) = s(t) + b(t).
1. Montrer que la transmittance de ce filtre s’écrit
1
H( f ) = T F [h(t)] = .
a + j2π f
2. Déterminer la puissance Pyb du signal yb (t) défini par
yb (t) = b(t) ∗ h(t).
3. Déterminer l’expression du signal filtré
ys (t) = s(t) ∗ h(t)
et en déduire sa puissance notée Pys .

4. En déduire le rapport signal sur bruit du signal filtré défini par
Pys
RSB =
Pyb
et montrer qu’il est maximal pour a = 2π f0 .

5. Il est habituel d’exprimer le rapport signal sur bruit en décibels. Rappelez la définition de
ce rapport signal sur bruit noté RSBdB .
Que signifient RSBdB = 0dB, RSBdB = 20dB et RSBdB = −20dB ?
■
Correction.
1. La transmittance de ce filtre s’écrit
1
Z ∞
H( f ) = e−at e− j2π f t dt = .
0 a + j2π f
2. La densité spectrale de puissance de yb (t) s’écrit
syb ( f ) = sb ( f ) |H( f )|2
σb2
=
a2 + 4π 2 f 2
d’où la puissance de yb
σb2
Z
Pyb = df
a2 + 4π 2 f 2
On fait le changement de variables 2π f = au et on obtient
σb2 a σb2
Z
Pyb = du =
a2 + a2 u2 2π 2a
3. La TF du signal filtré s’écrit
Ys ( f ) = S( f )H( f )
A
= [δ ( f + f0 ) + δ ( f − f0 )] M( f )e jφ ( f )
2
avec H( f ) = M( f )e jφ ( f ) . On en déduit
Ah i
Ys ( f ) = δ ( f + f0 )M(− f0 )e jφ (− f0 ) + δ ( f − f0 )M( f0 )e jφ ( f0 )
2
A h i
= M( f0 ) δ ( f + f0 )e− jφ ( f0 ) + δ ( f − f0 )e jφ ( f0 )
2
d’où
A h i
ys (t) = M( f0 ) e− j2π f0t e− jφ ( f0 ) + e j2π f0t e jφ ( f0 )
2
= AM( f0 ) cos [2π f0t + φ ( f0 )]
et donc la puissance de ys (t) est
A2 M 2 ( f 0 ) A2
Pys = = 2 .
2 2 a + 4π 2 f02
4. Le rapport signal sur bruit du filtre s’écrit
Pys
RSB =
Pyb
A2 a
= = g(a).
σb a + 4π 2 f02
2 2
Le numérateur de g′ (a) s’écrit (à une constante multiplicative près)

h(a) = a2 + 4π 2 f02 − 2a2
= 4π 2 f02 − a2
Le RSB est donc maximal pour a = 2π f0 .
53
5. Le rapport signal sur bruit en décibels est défini par

Pys
RSBdB = 10 log10
Pyb
donc
— RSBdB = 0dB signifie que la puissance du signal est égale à la puissance du bruit
— RSBdB = 20dB signifie que la puissance du signal est cent fois supérieure à la puissance
du bruit
— RSBdB = −20dB signifie que la puissance du signal est cent fois inférieure à la puissance
du bruit
■
Exercise 4.9 — Filtrage d’un signal aléatoire.

On considère un signal aléatoire stationnaire X(t) de moyenne nulle et de densité spectrale
de puissance sX ( f ) = 2a, où a est une constante positive. Le signal Y (t) est obtenu par filtrage
linéaire (invariant dans le temps) de X(t) avec un filtre de transmittance
1
H( f ) = .
a + j2π f
Déterminer la densité spectrale de puissance, la fonction d’autocorrélation et la puissance du
signal Y (t)
■
Correction.
D’après la relation de Wiener-Lee, la densité spectrale de puissance de Y (t) est
sY ( f ) = sX ( f )|H( f )|2
2a
= 2 .
a + 4π 2 f 2
La fonction d’autocorrélation de Y (t) est donc
RY (τ) = TF−1 [sY ( f )]
= e−a|τ| (voir tables)
et par suite la puissance de Y (t) est
E Y 2 (t) = RY (0) = 1

Exercise 4.10 — Filtre dérivateur.

On considère un signal aléatoire stationnaire x(t) de fonction d’autocorrélation Rx (τ) et de
densité spectrale de puissance sx ( f ) et on considère le signal y(t) défini par
y(t) = x′ (t)
où x′ (t) est la dérivée du signal x(t). Le signal y(t) est-il obtenu par filtrage linéaire de x(t) ? Si
oui, préciser la transmittance de ce filtre. On suppose que x(t) est un signal de densité spectrale de
puissance sx ( f ) = f12 , f ∈ R. Déterminer la fonction d’autocorrélation du signal y(t). Comment
appelle-t-on un signal qui possède cette fonction d’autocorrélation ? ■
Correction.
Pour déterminer si y(t) = x′ (t) est la sortie d’un filtre linéaire d’entrée x(t), on peut utiliser
l’isométrie fondamentale. En remplaçant x(t) par e j2π f t dans l’expression de y(t), on obtient
y(t) ↔ ( j2π f )e j2π f t .
On en déduit que y(t) est la sortie d’un filtre linéaire de transmittance H( f ) = j2π f . D’après la
relation de Wiener-Lee
sy ( f ) = sx ( f )|H( f )|2 = 4π 2 .
En conséquence
Rx (τ) = 4π 2 δ (τ).
Le signal y(t) est un bruit blanc. ■
Exercise 4.11 — Dérivée première moins dérivée seconde.

On considère un signal aléatoire stationnaire X(t) de moyenne nulle, de fonction d’auto-
corrélation R(τ) et de densité spectrale de puissance s( f ). On construit le signal Z(t) défini
par
Z(t) = X ′ (t) − X ′′ (t)
où X ′ (t) et X ′′ (t) sont les dérivées première et seconde du processus aléatoire X(t).
1) Montrer que Z(t) est le résultat d’un filtrage linéaire de X(t) par un filtre dont on déterminera
la transmittance.
2) Déterminer la densité spectrale de puissance de Z(t) en fonction de celle de X(t). ■
Correction.
montrer qu’on a une opération de filtrage linéaire, il suffit de déterminer la réponse à
X(t) = exp( j2π f t) et de vérifier qu’elle s’écrit exp( j2π f t)H( f ), où H( f ) est une quan-
tité indépendante de t qui est la transmittance du filtre (voir cours pour justification). Dans
l’exemple de cet exercice, la réponse à X(t) = exp( j2π f t) est
( j2π f ) exp( j2π f t) − ( j2π f )2 exp( j2π f t) = exp( j2π f t)H( f )
avec
H( f ) = j2π f + 4π 2 f 2 .
D’après la relation de Wiener-Lee, on a
sZ ( f ) = s( f )|H( f )|2 = s( f )(4π 2 f 2 )(1 + 4π 2 f 2 ).
■
55
Exercise 4.12 — Zoom Spectral Pour Signaux Déterministes.

1) On considère un signal déterministe à énergie finie à valeurs réelles noté x(t) de transformée
de Fourier
X( f ) = A [ΛF ( f − f0 ) + ΛF ( f + f0 )]
avec
1 − |Ff | si | f | < F

ΛF ( f ) =
0 sinon
et f0 > F > 0 (on notera que X( f ) est une fonction paire).
1) On forme le signal
x1 (t) = x(t) exp [−i2π f0t]
Déterminer la transformée de Fourier de x1 (t) notée X1 ( f ).
2) On filtre le signal x1 (t) à l’aide d’un filtre passe-bas idéal de façon à ne conserver que la partie
du spectre de x1 (t) associée aux fréquences vérifiant | f | < F. Déterminer le signal résultant noté
x2 (t).
3) Le signal x2 (t) est comprimé de manière à obtenir
x3 (t) = x2 (Mt) avec M > 1.
Expliquer pourquoi l’opération qui fait passer de x2 (t) à x3 (t) peut être qualifiée de “compression”.
4) Pour terminer, on module le signal x3 (t) de manière à générer
x4 (t) = x3 (t) exp [i2π f0t]

5) Représenter graphiquement X1 ( f ), X2 ( f ), X3 ( f ) et X4 ( f ) (pour toutes ces représentations
graphiques, on prendra f0 = 5kHz et F = 1kHz) et expliquer pourquoi l’opération qui transforme
le signal x(t) en x4 (t) peut être qualifiée de “zoom” spectral. ■
1. Correction.
1. La transformée de Fourier de x1 (t) s’écrit
X1 ( f ) = X( f ) ∗ δ ( f + f0 )
= X( f + f0 )
= A [ΛF ( f ) + ΛF ( f + 2 f0 )] .
2. Si on ne conserve que les fréquences appartenant à l’intervalle [−F, +F], on obtient
X2 ( f ) = AΛF ( f ).
Le signal filtré x2 (t) s’écrit donc
x2 (t) = T F −1 [X2 ( f )] = AF sin c2 (πFt)
avec
sin x
sin c (x) = .
x
3. Si le support temporel de x2 (t) est [−A, A], celui de x3 (t) est [−A/M, A/M] ; De plus, l’allure
temporelle des signaux x2 (t) et x3 (t) sont similaires. Le signal x3 (t) est donc bien obtenu par
compression du signal x2 (t) La transformée de Fourier de x3 (t) s’écrit

1 f A f
X3 ( f ) = X2 = ΛF .
M M M M
4. La transformée de Fourier de x4 (t) s’écrit

X4 ( f ) = X3 ( f ) ∗ δ ( f − f0 )
= X3 ( f − f0 )

A f − f0
= ΛF .
M M
5. En observant le spectre de x4 (t), on s’aperçoit que les opérations successives décrites dans les
questions 1), 2), 3) et 4) ont étalé le spectre situé autour de la fréquence f0 du signal d’origine,
ce qui correspond à un zoom spectral. Les opérations indiquées sont illustrées sur les figures
ci-dessous
57
Exercise 4.13 — Zoom Spectral Pour Signaux Aléatoires.

On considère un signal aléatoire stationnaire X(t) de moyenne nulle et de densité spectrale
de puissance
sX ( f ) = A [ΛF ( f − f0 ) + ΛF ( f + f0 )]
avec
1 − |Ff | si | f | < F

ΛF ( f ) =
0 sinon
avec f0 > F > 0. Pour toutes les représentations graphiques demandées dans cet exercice, on
prendra f0 = 5kHz et F = 1kHz.
1) Déterminer la fonction d’autocorrélation du signal X(t).
2) On forme le signal
x1 (t) = x(t) exp [−i2π f0t]
Déterminer la fonction d’autocorrélation (notée R1 (τ)) et la densité spectrale de puissance (notée
s1 ( f )) du signal x1 (t). Représenter graphiquement s1 ( f ).
3) On filtre le signal x1 (t) à l’aide d’un filtre de fonction de transfert

1 si − F ≤ f ≤ F
H( f ) =
0 sinon
Déterminer la densité spectrale de puissance (notée s2 ( f )) et la fonction d’autocorrélation (notée

R2 (τ)) du signal résultant noté x2 (t). Représenter graphiquement s2 ( f ).
4) Le signal x2 (t) est comprimé de manière à obtenir
x3 (t) = x2 (Mt) avec M > 1.


5) Pour terminer, on module le signal x3 (t) de manière à générer
x4 (t) = x3 (t) exp [i2π f0t]

■
Correction.
1. La fonction d’autocorrélation du signal X(t) est la transformée de Fourier inverse de sX ( f ),
soit
RX (τ) = AT F −1 [ΛF ( f − f0 ) + ΛF ( f + f0 )]
= AT F −1 [ΛF ( f )] exp (2π f0 τ) + AT F −1 [ΛF ( f )] exp (−2π f0 τ)
= 2AF sin c2 [πFτ] cos (2π f0 τ) .
2. La fonction d’autocorrélation du signal x1 (t) s’écrit
R1 (τ) = E [x1 (t)x1∗ (t − τ)]
= E [x(t) exp (−i2π f0t) x∗ (t − τ) exp (i2π f0 (t − τ))]
= exp (−i2π f0 τ) E [x(t)x∗ (t − τ)]
= exp (−i2π f0 τ) RX (τ)
d’où sa densité spectrale de puissance
s1 ( f ) = T F [R1 (τ)]
= δ ( f + f 0 ) ∗ sX ( f )
= sX ( f + f 0 )
= A [ΛF ( f ) + ΛF ( f + 2 f0 )] .
3. Si on filtre le signal x1 (t) on obtient, en appliquant la relation de Wiener-Lee, un signal x2 (t)
de densité spectrale de puissance
s2 ( f ) = s1 ( f ) |H( f )|2 .
Avec le filtre proposé, on obtient
s2 ( f ) = AΛF ( f )
d’où
R2 (τ) = AF sin c2 (πFτ) .
4. La fonction d’autocorrélation du signal x3 (t) s’écrit
R3 (τ) = E [x3 (t)x3∗ (t − τ)]
= E [x2 (Mt)x2∗ (Mt − Mτ)]
= R2 (Mτ)
d’où sa densité spectrale de puissance
s3 ( f ) = T F [R3 (τ)]

1 f
= s2
M M

A f
= ΛF .
M M
59
5. Si on module le signal x3 (t) comme demandé, on obtient

R4 (τ) = E [x4 (t)x4∗ (t − τ)]
= E [x3 (t) exp (i2π f0t) x3∗ (t − τ) exp [−i2π f0 (t − τ)]]
= exp (i2π f0 τ) E [x3 (t)x3∗ (t − τ)]
= exp (i2π f0 τ) R3 (τ)
d’où la densité spectrale de puissance
s4 ( f ) = δ ( f − f0 ) ∗ s3 ( f )
= s3 ( f − f 0 )

A f − f0
= ΛF .
M M
6. On obtient la même expression qu’à la question 5) de l’exercice précédent. On a donc effectué
un zoom autour de la fréquence f0 sur la densité spectrale de puissance du signal d’origine.
Les opérations indiquées sont illustrées sur les figures ci-dessous
■
Exercise 4.14 — Amplitude et fréquence aléatoires.

On considère un signal aléatoire Z(t) défini par
Z(t) = A exp [2 jπBt]
où j2 = −1, A est une variable aléatoire uniforme sur ] − 1, +1[, B est une variable aléatoire
indépendante de A possédant une loi de Laplace de densité
1
f (b) = exp(−|b|), b ∈ R.
2
On rappelle qu’une variable aléatoire A uniforme sur ] − 1, 1[ vérifie E[A] = 0 et E[A2 ] = 1/3.
1) Montrer que Z(t) est un signal aléatoire stationnaire.
2) Déterminer la fonction d’autocorrélation et la densité spectrale de puissance de Z(t)
3) On considère un filtre de transmittance H( f ) = e−3| f | dont l’entrée est le signal Z(t). Détermi-
ner la fonction d’autocorrélation du signal de sortie W (t) = Z(t) ∗ h(t) avec h(t) = TF−1 [H( f )].
■
Correction.
1. Le signal Z(t) est stationnaire si sa moyenne E[Z(t)] et sa fonction d’autocorrélation E[Z(t)Z ∗ (t −
τ)] sont des quantités indépendantes du temps. En utilisant le fait que les variables aléatoires
A et B sont indépendantes, on obtient
E[Z(t)] = E[A]E {exp [2 jπBt]} = 0 (car E[A] = 0).
De même
E[Z(t)Z ∗ (t − τ)] =E[A2 ]E {exp [2 jπBt] exp [−2 jπB(t − τ)]}

1
= E [exp (2 jπBτ)] (4.1)
3
qui est une quantité indépendante de t. Le signal Z(t) est donc stationnaire au second ordre.
2. D’après la question précédente

1
E[Z(t)Z ∗ (t − τ)] = E [exp (2 jπBτ)]
3Z
1 ∞
= exp (2 jπbτ) p(b)db
3 −∞
1
Z ∞
= exp (2 jπbτ) exp(−|b|)db. (4.2)
6 −∞
On peut calculer cette intégrale de manière directe
Z ∞ Z 0 Z ∞
exp (2 jπbτ) exp(−|b|)db = exp (2 jπbτ) exp(b)db + exp (2 jπbτ) exp(−b)db
−∞ −∞ 0
1 1 2
= + = 2 2 . (4.3)
2 jπτ + 1 1 − 2 jπτ 4π τ + 1
ce qui permet d’obtenir
1
RZ (τ) = .
3(1 + 4π 2 τ 2 )
Mais on peut aussi remarquer que
1 ∞
Z
E[Z(t)Z ∗ (t − τ)] = exp (2 jπbτ) exp(−|b|)db
6 −∞
1 ∞
Z
= exp (2 jπ f τ) exp(−| f |)d f
6 −∞
1 h i
= TF−1 e−| f |
6
1 2 1
= × 2 2
= . (4.4)
6 1 + 4π τ 3(1 + 4π 2 τ 2 )
La densité spectrale de puissance du signal Z(t) est
1
sZ ( f ) = TF[RZ (τ)] = e−| f | .
6
3. D’après la relation de Wiener-Lee
sW ( f ) =sZ ( f )|H( f )|2

1 1
= e−| f | × e−6| f | = e−7| f | .
6 6
Donc
1 −7| f | 1 1 2 × 49 7
RW (τ) = TF−1 e = × × = .
6 6 7 49 + 4π 2 τ 2 3(49 + 4π 2 τ 2 )
■
Exercise 4.15 — Détection de changements de moyenne.

On considère un processus aléatoire réel stationnaire X(t) de moyenne m = E [X(t)], de
fonction d’autocorrélation RX (τ) = E [X(t)X (t − τ)] et de densité spectrale de puissance sX ( f ).
61
Pour T > 0, on construit le signal aléatoire Y (t) comme suit

Z t+T Z t
Y (t) = X(u)du − X(u)du.
t t−T
1) Montrer que l’opération liant X(t) et Y (t) est une opération de filtrage linéaire (invariant dans
le temps) et que la transmittance s’écrit H( f ) = 2 jT sinc(π f T ) sin(π f T ). Déterminer la réponse
impulsionnelle h(t) associée à H( f ).
2) Déterminer la moyenne du signal Y (t) et la densité spectrale de puissance de Y (t) en fonction
de celle de X(t).
3) Expliquer l’utilité pratique du filtre liant X(t) et Y (t). ■
Correction.
1. Pour montrer qu’on a une opération de filtrage linéaire, il suffit de déterminer la réponse à
X(t) = exp( j2π f t) et de vérifier qu’elle s’écrit exp( j2π f t)H( f ), où H( f ) est une quantité
indépendante de t qui est la transmittance du filtre (voir cours pour justification). Dans
l’exemple de cet exercice, la réponse à X(t) = exp( j2π f t) est
Z t+T Z t
Y (t) = exp( j2π f u)du − exp( j2π f u)du
t t−T
exp( j2π f (t + T )) − exp( j2π f t) exp( j2π f t) − exp( j2π f (t − T ))
= −
j2π f j2π f
= exp( j2π f t)H( f )
avec
exp( j2π f T ) − 1 1 − exp(− j2π f T )
H( f ) = −
j2π f j2π f
Donc Y (t) est obtenu par filtrage de X(t) avec un filtre de transmittance H( f ) définie ci-
dessus. La réponse impulsionnelle de ce filtre est h(t) = TF−1 [H( f )]. Pour déterminer cette
transformée de Fourier inverse, on peut décomposer H( f ) comme suit
1 jπ f T jπ f T
− e− jπ f T − e− jπ f T e jπ f T − e− jπ f T

H( f ) = e e
j2π f
= 2 jT sinc(π f T ) sin(π f T )
= T sinc(π f T )[exp( jπ f T ) − exp(− jπ f T )]
On en déduit

1 T T
h(t) = 2 jΠT (t) ∗ (δ (t + T /2) − δ (t − T /2)) = ΠT t + − ΠT t − .
2j 2 2
2. Les relations de Wiener-Lee permettent d’obtenir
E[Y (t)] = E[X(t)]H(0) = 0.
et
sY ( f ) = sX ( f )|H( f )|2 = 4T 2 sX ( f )sinc2 (π f T ) sin2 (π f T ).
3. Le filtre soustrait la moyenne du signal X(t) après l’instant t à la moyenne du signal X(t) avant
l’instant t. Si ces deux moyennes sont proches, on a Y (t) proche de 0. Si ces moyennes sont
très différentes, Y (t) aura une valeur importante. Ce filtre peut donc être utilisé pour détecter
des changements de moyenne dans le signal X(t).
■
Exercise 4.16 — Système multitrajet.

1. Soit le signal déterministe défini par :
x(t) = Ae−λt t ≥ 0 λ > 0
= 0 t <0
(a) Calculer la fonction d’autocorrélation de x(t) (en distinguant les cas τ ≥ 0 et τ ≤ 0).
(b) Calculer la transformée de Fourier de x(t), puis sa densité spectrale de puissance et
retrouver enfin l’expression de sa fonction d’autocorrélation déterminée précédem-
ment.
2. Considérons un système multitrajet d’entrée x(t) et de sortie y(t) défini par :
M
y(t) = ∑ ak x(t − τk )
k=1
(a) Montrer que y(t) est la sortie d’un filtre linéaire d’entrée x(t). Exprimer la réponse
impulsionnelle et la réponse en fréquence de ce filtre.
(b) Exprimer la fonction d’intercorrélation entre y(t) et x(t) notée Ryx (τ) en fonction de
Rx (τ).
(c) Si le signal déterministe de la question 1 est mis à l’entrée du système multitrajet,
à quelle(s) condition(s) sur λ et les τk peut-on alors identifier les paramètres du
systèmes {ak , τk }k=1,M à partir de la fonction d’intercorrélation Ryx (τ)
■
Correction.
1. (a) Ce signal est déterministe à énergie finie :
A2
Z
E= |x (t)|2 dt =
R 2λ
D’où :
Z
Rx (τ) = x (t) x∗ (t − τ) dt
R
( R
+∞ A2 λ τ
x (t) x∗ (t − τ) dt = 2λ e τ <0
= R0+∞ A2 −λ τ
τ x (t) x∗ (t − τ) dt = 2λ e τ ≥0
A2 −λ |τ|
= e ∀τ
2λ
(b) Dans ce cas

Sx ( f ) = |X( f )|2
63
avec Z +∞
A
X( f ) = Ae−λt e− j2π f t dt =
0 λ + j2π f
D’où
A2
Sx ( f ) =
λ 2 + 4π 2 f 2
et donc (tables de TF) :
A2 −λ |τ|
RX (τ) = T F −1 [SX ( f )] = e
2λ
On retrouve bien le résultat précédent.
2. (a)
M
y(t) = ∑ ak δ (t − τk ) ∗ x(t)
k=1
Nous avons bien une relation de filtrage linéaire entre x(t) et y(t), avec
M
h(t) = ∑ ak δ (t − τk )
k=1
et
M
H( f ) = ∑ ak e− j2π f τ k
k=1
Remarque : on peut également le montrer en plaçant x(t) = e− j2π f t à l’entrée du filtre et

en montrant qu’on obtient alors y(t) = x(t)H( f ).
(b) En utilisant une des relations de Wiener Lee :
M
Ryx (τ) = Rx (τ) ∗ h(τ) = ∑ ak Rx (τ − τk )
k=1
(c) La détection de la position et de la hauteur des pics qui apparaissent dans Ryx (τ) permet
de retrouver les ak et τk qui caractérisent le canal multitrajet et pourrait donc permettre
de corriger les distorsions introduites.
■
Exercise 4.17 — Système réverbérant.

Considérons un système “réverbérant” d’entrée x(t) et de sortie y(t) défini par :
+∞
y(t) = ∑ γ k x(t − kT )
k=0
1. Calculer la réponse impulsionnelle du système et sa réponse en fréquence (ou transmit-

tance).
2. Calculer la Densité Spectrale d’Energie (DSE) de y(t).
3. Peut-on évaluer γ et T à partir de cette DSE ?
■
Correction.
1. ∞
y(t) = ∑ γ k δ (t − kT ) ∗ x(t)
k=0
D’où ∞
h(t) = ∑ γ k δ (t − kT )
k=0
et donc
∞
H( f ) = ∑ γ k exp − j2π f kT
k=0
∞
= ∑ [γ exp − j2π f T ]k
k=0
1
=
1 − γ exp − j2π f T
2. Calculer la Densité Spectrale d’Energie (DSE) de y(t).
Sy ( f ) = |H( f )|2 Sx ( f )
1
= 2
Sx ( f )
1 + γ − 2γ cos (2π f T )
3. Peut-on évaluer γ et T à partir de cette DSE ?

(
1
Sy ( f ) 1 1−γ 2
quand cos (2π f T ) = 1
= = 1
2
Sx ( f ) 1 + γ − 2γ cos (2π f T ) 1+γ 2
quand cos (2π f T ) = −1
Sy ( f )
On pourra mesurer la période de Sx ( f ) pour obtenir T et les maxima et minima pour obtenir γ.
■
Exercise 4.18 — Détection d’un signal aléatoire.

L’objectif de cet exercice est de détecter la présence d’un signal aléatoire x(t) à partir de deux
signaux x1 (t) et x2 (t) définis comme suit
x1 (t) = [x(t) + b1 (t)] ∗ h1 (t) et x2 (t) = [x(t) + b2 (t)] ∗ h2 (t)
où b1 (t), b2 (t) et x(t) sont trois signaux aléatoires stationnaires indépendants deux à deux re-
présentant respectivement le bruit associé au signal x1 , le bruit associé au signal x2 et le signal
d’intérêt, et où h1 (t) et h2 (t) sont les réponses impulsionnelles de deux filtres linéaires (invariants
dans le temps). On suppose également que les bruits b1 (t) et b2 (t) sont stationnaires de moyennes
nulles, c’est-à-dire E [b1 (t)] = E [b2 (t)] = 0. Pour détecter la présence du signal x(t), on propose
de multiplier les deux signaux x1 (t) et x2 (t) pour former le signal z(t) = x1 (t)x2 (t) et ensuite de
65
filtrer z(t) à l’aide d’un filtre moyenneur pour obtenir le signal m(t) défini comme suit
Z t
1
m(t) = z(u)du.
T t−T
1. On commence par étudier l’opération de filtrage par moyennage qui transforme z(t) en m(t) et
on suppose que z(t) est un signal aléatoire stationnaire.
• Justifier que l’opération reliant z(t) et m(t) est une opération de filtrage linéaire.
• Déterminer la réponse impulsionnelle h(t) et la transmittance H( f ) de ce filtre.
• Déterminer la moyenne de m(t) en fonction de mz = E[z(t)].
• Déterminer la puissance du signal m(t) sous la forme d’une intégrale d’une fonction
dépendant de gz ( f ) et de T .
2. Pour commencer, on suppose que x(t) = 0 (absence de signal d’intérêt).
• Déterminer la moyenne du signal z(t).
• Déterminer la fonction d’autocorrélation du signal z(t) en fonction de celles de x1 (t) =
b1 (t) ∗ h1 (t) et x2 (t) = b2 (t) ∗ h2 (t).
• En supposant que les bruits b1 (t) et b2 (t) sont des bruits blancs de densités spectrales de
puissance sb1 ( f ) = N1 et st2 ( f ) = N2 , en déduire la densité spectrale de puissance sz ( f )
(sous forme intégrale) en fonction de N1 , N2 , H1 ( f ) et H2 ( f ). Que devient cette expression
de sz ( f ) lorsque
1 si − F2 ≤ f ≤ F2

H1 ( f ) = H2 ( f ) =
0 sinon.
avec F > 0.
3. Dans un second temps, on suppose que le signal d’intérêt est présent, c’est-à-dire que x(t) ̸= 0.
• On suppose d’abord que b1 (t) = b2 (t) = 0 (absence de bruit). En utilisant un résultat du
cours (a préciser), expliquer pourquoi la fonction d’intercorrélation des signaux x1 (t) et
x2 (t) (définis au début de cet exercice) s’écrit
Z +∞
Rx1x2 (τ) = E [x1 (t)x2∗ (t − τ)] = e j2π f τ H1 ( f )H2∗ ( f )sx ( f )d f .
−∞
• Expliquer pourquoi ce résultat reste valable en présence de bruit, c’est-à-dire pour b1 (t) ̸= 0
et b2 (t) ̸= 0.
• En déduire la moyenne de z(t) sous la forme d’une intégrale dépendant de H1 ( f ), H2 ( f ) et
sx ( f ). On suppose que x(t) est un signal de puissance Px de densité spectrale de puissance
a bande limitee [−F/2, F/2] et que les filtres H1 ( f ) et H2 ( f ) sont définis comme à la
question précédente. Montrer alors que E[z(t)] = Px .
• Déterminer la moyenne de m(t) en présence (hypothèse H1 ) et en l’absence (hypothèse H0
) du signal x(t) et expliquer comment détecter la présence ou l’absence du signal x(t) à
l’aide de la sortie du filtre moyenneur m(t).
■
Correction.
1. On procède comme suit :
• Il y a différentes manières de répondre a cette question. La plus simple est probablement
de déterminer la réponse harmonique (ou de manièe équivalente d’utiliser l’isométrie
fondamentale) qui consiste à faire z(t) = exp( j2πνt) et à vérifier que m(t) s’écrit alors
m(t) = H(ν) exp( j2πνt). Si c’est le cas, m(t) est obtenu par filtrage de z(t) avec un filtre
de transmittance H( f ). Si ce n’est pas le cas, m(t) et z(t) ne sont pas liés par une relation
de filtrage. Dans le cas présent, quand on remplace z(t) par exp( j2πνt), on obtient
Z t
1
m(t) = exp( j2πνu)du
T t−T
1
= [exp( j2πνt) − exp( j2πν(t − T ))]
j2πνT
= exp( j2πνt)H(ν)
avec
1
H(ν) = [1 − exp(− j2πν))
j2πνT
exp(− jπνT )
= [2 j sin(πνT )]
j2πνT
= exp − jπνT ′ sinc(πνT )

Donc, m(t) est obtenu par filtrage de z(t) avec un filtre de transmittance H( f ).
• L’expression de H( f ) a été déterminée à la question précédente. Celle de h(t) s’obtient
par transformée de Fourier inverse

T 1 1 T
h(t) = δ t − ∗ ΠT (t) = ΠT t − .
2 T T 2
• LLa moyenne de m(t) s’écrit

Z t
1
E[m(t)] = E[z(u)]du = mz .
T t−T
• La puissance de z(t) s’écrit

Z +∞
Pz = E z2 (t) =

sm ( f )d f .
−∞
En utilisant la relation de Wiener-Lee, on obtient

Z +∞ Z +∞
Pz = gz ( f )|H( f )|2 d f = sz ( f ) sinc2 (π f T )d f .
−∞ −∞
Pour étudier la moyenne et la puissance de m(t), on a donc besoin de déterminer E[z(t)]

et sz ( f ), ce qui est l’objet de la prochaine question.
2. • Quand x(t) = 0, on a
z(t) = x1 (t)x2 (t) = [b1 (t) ∗ h1 (t)] [b2 (t) ∗ h2 (t)] .
En utilisant l’indépendance entre b1 (t) et b2 (t), on obtient
E[z(t)] = E [b1 (t) ∗ h1 (t)] E [b2 (t) ∗ h2 (t)] = 0
car les bruits b1 (t) et b2 (t) sont de moyennes nulles.

67
• La fonction d’autocorrélation du signal z(t) = x1 (t)x2 (t) s’écrit
Rz (τ) = E[z(t)z(t − τ)]

= E [x1 (t)x2 (t)x1 (t − τ)x2 (t − τ)]
= Rx1 (τ)Rx2 (τ)
la dernière égalité ayant été obtenue en utilisant l’indépendance entre les bruits b1 (t) et
b2 (t).
• D’après l’expression de la fonction d’autocorrélation du signal (z(t), on obtient
sz ( f ) = sx1 ( f ) · sx2 ( f )
Z +∞
= sx1 (u)sx2 ( f − u)du
−∞
avec sX1 ( f ) = N1 |H1 ( f )|2 et εx2 ( f ) = N2 |H2 ( f )|2 . On en déduit

Z +∞
gz ( f ) = N1 N2 |H1 (u)|2 |H1 ( f − u)|2 du.
−∞
3. • Il s’agit de l’application directe de la formule des interférences.

• en présence de bruit, on a x1 (t) = x(t)∗h1 (t)+b1 (t)∗h1 (t) et x2 (t) = x(t)∗h2 (t)+b2 (t)∗
h2 (t). La fonction d’autocorrélation du produit z(t) = x1 (t)x2 (t) va donc comporter
quatre termes. En utilisant l’indépendance entre les bruits b1 (t) et b2 (t) et le fait que ces
bruits sont de moyennes nulles, on observe que trois de ces termes sont nuls et donc on
retrouve l’expression précédente.
• La moyenne du signal z(t) s’écrit
E[z(t)] = E [x1 (t)x2 (t)]

= Rx1 x2 (0)
Z +∞
= H1 ( f )H2∗ ( f )sx ( f )d f
−∞
Z F/2
= sx ( f )d f = Px
−F/2
• D’après les résultats précédents, on a

0 si le signal x(t) est absent
E[m(t)] =
Px si le signal x(t) est présent
Pour détecter la présence du signal x(t), il suffit d’estimer la moyenne de m(t), par
exemple à l’aide d’une moyenne arithmétique, et de comparer cette moyenne à un seuil
judicieusement choisi (par exemple fixé à l’aide d’une probabilité de fausse alarme de
référence).
■
Exercise 4.19 — Annulateur de bruit.

Soit X(t) un bruit blanc stationnaire, réel, de densité spectrale de puissance SX ( f ) = N20 ∀ f
(N0 est une constante), attaquant le système décrit par la figure suivante, où H1 ( f ) est un filtre
passe-bande défini par :

∆f ∆f
H1 ( f ) = 1 pour | f | ∈ f0 − , f0 +
2 2
= 0 ailleurs
et H2 ( f ) une ligne à retard T réglable définie par :
H2 ( f ) = e−i2πT f
Annulateur de bruit
1. Calculer la puissance du signal de sortie, Y (t), en fonction de la puissance et de l’autocor-

rélation du signal X1 (t), respectivement notées PX1 et RX1 (τ).
2. Calculer PX1 en fonction de N0 et de ∆ f .
3. Calculer RX1 (τ) en fonction de N0 et de ∆ f .
4. En déduire l’expression de la puissance de Y (t) en fonction de N0 , ∆ f et T .
5. Que se passe-t-il lorsque :
— T ≈ 21f0 ?
— T ≫ ∆1f ?
■
Correction.
1.
PY = E Y 2 (t)

= E (X1 (t) + X2 (t))2

= E X12 (t) + E X22 (t) + 2E [X1 (t)X2 (t)]

= PX1 + PX2 + 2RX1 X2 (0)
Ecrivons X2 (t) en fonction de X1 (t) :
H2 ( f ) = e j2π f T
D’où
h2 (t) = δ (t − T )
et donc on a bien une ligne à retard :
X2 (t) = X1 (t) ∗ h2 (t) = X1 (t − T )

69
RX1 X2 (0) = E [X1 (t)X2 (t)]

= E [X1 (t)X1 (t − T )]
= RX1 (T )
et PX1 = PX2 car SX2 ( f ) = |H2 ( f )|2 SX1 ( f ) = SX1 ( f )

D’où :
PY = 2 (PX1 + RX1 (T ))
R R N0 2 N0
2. PX1 = R SX1 ( f )d f = R 2 |H1 ( f )| d f = 2 × 2∆ f = N0 ∆ f
N0
3. RX1 (τ) = T F −1 [SX1 ( f )] = T F −1

2 ∏∆ f ( f − f0 ) + ∏∆ f ( f + f0 ) = N0 ∆ f sinc(π∆ f τ) cos(2π f0 τ)
4. PY = 2N0 ∆ f (1 + sinc(π∆ f T ) cos(2π f0 T ))
5. Que se passe-t-il lorsque :

— T ≈ 21f0 ?
cos(2π f0 T ) ≃ −1 et sinc(π∆ f T ) ≃ 1, d’où PY ≃ 0 : grâce au filtre de réponse en
fréquence H2 ( f ) on a donc annulé le bruit X(t)
— T ≫ ∆1f ?
sinc(π∆ f T ) ≃ 0, d’où PY ≃ 2N0 ∆ f = PX1 + PX2 : X1 (t) et X2 (t) sont décorrélés.
■
%endexercise
Exercise 4.20 — Filtres Intégrateurs.
Soit Z (t) un processus aléatoire stationnaire, de moyenne nulle et pourvu d’une densité
spectrale régulière sZ ( f ) .
1. Soit
Z a+t
Va (t) = Z(u)du a ̸= 0
a
Montrer que Va (t) est la sortie d’un filtre linéaire (que l’on précisera) dont l’entrée est Z(t).
En déduire la moyenne, la densitéspectrale de puissance et la fonction d’autocorrélation
∗

du processus Va (t). Déterminer E Va (t)Vb (t − τ) .
′
2. Montrer que Va (t) est dérivable et déterminer Va (t).
3. Soit
Z t
W (t) = Z(u)du
0
Le processus W (t) est-il stationnaire ?

■

Exercise 4.21 — Filtrage de Wiener.

On considère le système suivant
où i(t) est l’information utile qui est perturbée par un bruit additif B(t) stationnaire de
moyenne nulle et de fonction d’autocorrélation Rb (τ) = E [B(t)B∗ (t − τ)]. On suppose que
l’information i(t) est un signal aléatoire stationnaire de moyenne nulle et de fonction d’autocorré-
lation Ri (τ) = E [i(t)i∗ (t − τ)] et on observe uniquement le signal X(t). Le but de ce problème
est de construire un filtre de transmittance H( f ) (appelé filtre de Wiener) permettant d’estimer
l’information i(t) à partir du signal X(t), c’est-à-dire tel que Y (t) soit le plus proche possible de
i(t) (on aura alors effectué un débruitage du signal X(t) ). On peut montrer que le filtre solution
de ce problème vérifie les équations normales définies par
E {[i(t) −Y (t)]X ∗ (u)} = 0, ∀u ∈ R
1. En supposant que les signaux i(t) et B(t) sont indépendants, déterminer la fonction d’autocor-
rélation et la densité spectrale de puissance de X(t) en fonction de celles de i(t) et B(t). Montrer
que les équations normales permettent d’obtenir
Z
Ri (t − u) = h(v)Rx (t − u − v)dv, ∀u ∈ R
Puisque ce résultat est valable ∀u ∈ R, on en déduit
Ri (τ) = h(τ) ∗ Rx (τ)
En déduire que la transmittance recherchée vérifie
si ( f )
H( f ) =
si ( f ) + sB ( f )
où si ( f ) et sB ( f ) sont les densités spectrales de puissance des signaux i(t) et B(t). Remarque : si
vous n’arrivez pas à résoudre cette question, vous pouvez admettre le résultat (1) et continuer le
problème.
71
2. On suppose que B(t) est un bruit blanc de densité spectrale de puissance sB ( f ) = σb2 et que
i(t) est obtenu par filtrage d’un bruit blanc e(t) de densité spectrale de puissance se ( f ) = 1 par
un filtre de réponse impulsionnelle
−at
e , t >0
πa (t) =
0, t < 0
Déterminer la transmittance de ce filtre, puis si ( f ) et enfin H( f ). En déduire la réponse impul-

sionnelle h(t) du filtre de Wiener en fonction de a et σb2 .
3. Déterminer les limites de H( f ) et de h(t) lorsque σb2 → 0. Interprèter ce résultat. ■
Correction.
1. En utilisant la relation x(t) = i(t) + B(t), on a
E [x(t)x∗ (t − τ)] = E [i(t)i∗ (t − τ)] + E [i(t)B∗ (t − τ)] + E [B(t)i∗ (t − τ)] + E [B(t)B∗ (t − τ)]
= Ri (τ) + E [i(t)B∗ (t − τ)] + E [B(t)i∗ (t − τ)] + RB (τ)
Puisque les signaux i(t) et B(t) sont indépendants et de moyennes nulles, on en déduit
Rx (τ) = Ri (τ) + RB (τ)
et donc
sx ( f ) = si ( f ) + sB ( f )
Les équations normales s’écrivent
E {[i(t) −Y (t)]X ∗ (u)} = 0, ∀u ∈ R
c’est-à-dire
E [i(t)X ∗ (u)] = E [Y (t)X ∗ (u)] , ∀u ∈ R
En utilisant à nouveau l’indépendance entre i(t) et B(t), le terme de ganche de cette équation
s’écrit
E [i(t)X ∗ (u)] = E [i(t)i∗ (u)] + E [i(t)B∗ (u)]
= Ri (t − u) + E[i(t)]E [B∗ (u)]
= Ri (t − u)
Le terme de droite s’écrit
Z
∗ ∗
E [Y (t)X (u)] = E h(v)X(t − v)dv X (u)
Z
= h(v)E [X(t − v)X ∗ (u)] dv
Z
= h(v)Rx (t − v − u)dv
On en déduit Z
Ri (t − u) = h(x)Rx (t − u − x)dx, ∀u ∈ R
et puisque ce résultat est valable ∀u ∈ R

Z
Ri (τ) = h(x)Rx (τ − x)dx, ∀τ ∈ R
= h(τ) ∗ Rx (τ)
En prenant la transformée de Fourier de cette équation, on obtient finalement
si ( f ) = H( f )sx ( f )
c’est-à-dire à partir
si ( f )
H( f ) =
si ( f ) + sB ( f )
2. La transmittance associée à la réponse impulsionnelle
−at
e , t >0
πa (t) =
0, t < 0
est Z ∞
TF [πa (t)] = e−at e− j2π f t dt
0
" #∞
e−(a+ j2π f t)
=
−(a + j2π f t)
0
1
=
a + j2π f
En utilisant la relation de Wiener-Lee et le fait que i(t) est obtenu par le filtrage de e(t) par un
filtre de réponse impulsionnelle πa (t), on obtient
se ( f ) 1
si ( f ) = =
a + 4π 2 f 2
2 a2 + 4π 2 f 2
On en déduit
si ( f )
H( f ) =
si ( f ) + sB ( f )
1
a2 +4π 2 f 2
= 1
a2 +4π 2 f 2
+ σb2
1
=
1 + σb2 (a2 + 4π 2 f 2 )
La réponse impulsionnelle du filtre de Wiener est la transformée de Fourier inverse de H( f )

−1 1
h(t) = TF
1 + a2 σb2 + 4π 2 σb2 f 2
 
1 1
= 2 TF−1  1 2 + 4π 2 f 2

σb σ2
+ a
b
73
En posant
1
ω2 = + a2
σb2
on obtient
1 −1 2ω
h(t) = TF
2ωσb2 ω 2 + 4π 2 f 2
1 −ω|t|
= e
2ωσb2
3. Lorsque σb2 → 0, on observe d’après (4)
lim H( f ) = 1
σb2 →0
d’où
h(t) = δ (t)
Interprétation : dans le cas où σb2 → 0 il n’y a pas de bruit additif B(t). Done, on observe X(t) =
i(t) + B(t) = i(t) et on cherche le filtre qui permet de retrouver i(t) à partir de X(t) = i(t). Ce
filtre est de réponse impulsionnelle h(t) = δ (t) car
i(t) ∗ δ (t) = i(t)
Exercise 4.22 — filtrage adapté.

On considère un signal déterministe à énergie finie s(t) défini sur l’intervalle [0, T ] perturbé
par un bruit b(t) additif stationnaire de moyenne nulle, de fonction d’autocorrélation Rb (τ) et de
densité spectrale de puissance sb ( f )
x(t) = s(t) + b(t)
On filtre le signal x(t) à l’aide d’un fitre linéaire invariant dans le temps de réponse impulsionnelle
h(t) et de transmittance H( f ) et on note y(t) = x(t) ∗ h(t) la sortie de ce filtre.
1. On note ys (t0 ) la sortie du filtre à l’instant t0 lorsque l’entrée est s(t). Montrer que
Z
ys (t0 ) = S( f )H( f )e j2π f t0 d f
R
où S( f ) est la transformée de Fourier du signal s(t). Déterminer ys (t0 ) lorsque

( ( 1
√ si t ∈ [0, T ]

T A si t ∈ [0, T ] 1 T
s(t) = AΠT t − = et h(t) = √ ΠT t − = T
2 0 sinon T 2 0 sinon
Tracer ys (t0 ) en fonction de t0 .

2. Soit yb (t0 ) la sortie du filtre à l’instant t0 lorsque l’entrée est b(t). Montrer que la puissance du
signal yb (t0 ) s’écrit
Z
E y2b (t0 ) = |H( f )|2 sb ( f )d f

R
Déterminer cette puissance pour sb ( f ) = N20 et pour le filtre de la question précédente.

3. On admet que le filtre qui maximise le rapport signal sur bruit à l’instant t0 SNR (t0 ) = y2s (t0 ) /E y2b (t0 )

est défini par

S∗ ( f ) − j2π f t0
H0 ( f ) = k e
sb ( f )
où k est une constante. Dans le cas d’un bruit blanc défini par sb ( f ) = N20 , déterminer la réponse
impulsionnelle de ce filtre notée h0(t) en fonction de k, N0 ,t0 et du signal s(t). Tracer h0 (t) dans
le cas du signal s(t) = AΠT t − T2 .
4. On choisit t0 = T et on suppose que s(t) = AΠT t − T2 , h(t) = √1T ΠT t − T2 et que b(t) est

N0
un bruit blanc (de moyenne nulle) de densité spectrale de puissance sb ( f ) = 2 .
— Déterminer ys (T )
— Montrer que yb (T ) s’écrit
Z T
1
yb (T ) = √ b(u)du
T 0
En déduire la moyenne de yb (T ) notée E [yb (T )]. On admettra que la variance de yb (t) est N20 . On
suppose maintenant que yb (T ) est un signal Gaussien. Déterminer la densité de probabilité du
signal y(T ) = ys (T )+ yb (T ) notée p[y(T ) | A]. On rappelle que la densité de probabilité d’une
variable aléatoire X Gaussienne de moyenne m et de variance σ 2 s’écrit
(x − m)2

1
√ exp − .
2πσ 2 2σ 2
On suppose que l’amplitude du signal déterministe A peut prendre deux valeurs, à savoir Hypo-
thèse H0 : A = −1 Hypothèse H1 : A = +1 et on désire déterminer quelle hypothèse
est vérifiée à partir du signal reçu y(T ) (qui est la sortie du filtre adapté à l’instant t0 = T ). On
adopte la stratégie suivante
H0 est acceptée si p[y(T ) | A = −1]P[A = −1] > p[y(T ) | A = +1]P[A = +1]
En notant p = P[A = +1] et q = 1 − p = P[A = −1], montrer que cette stratégie consiste à
comparer y(T ) à un seuil qu’on explicitera en fonction de p, N0 et T . Que devient cette règle si
p = q = 21 ? ■
Correction.
1. Puisque s(t) un signal à énergie finie, ys (t) est aussi à énergie finie et
Ys ( f ) = T F [ys (t)] = S( f )H( f )
Done
ys (t) = T F −1 [S( f )H( f )]
Z
= S( f )H( f )e j2π f t d f
R
En faisant t = t0 dans cette égalité, on obtient le résultat demandé. Lorsque s(t) = AI[0,T ] (t),
on a
S( f ) = AT sin c(πT f )e− jπT f
75
De plus, si h(t) = √1 I[0,T ] (t), on a

T
√
H( f ) = T sin c(πT f )e− jπT f
d’où √ Z
ys (t) = A T T sin c2 (πT f )e j2π f (t−T ) d f
R
Mais
T F −1 T sin c2 (πT f ) = ΛT (τ)

Z
= T sin c2 (πT f )e j2π f τ d f
R
Done √
ys (t0 ) = A T ΛT (t0 − T )
2. La relation de Wiener-Lee permet d’obtenir
syb ( f ) = |H( f )|2 sb ( f )
d’où
Pyb = E y2b (t) = Ryb (0)

Z
= syb ( f )d f
ZR
= |H( f )|2 sb ( f )d f
R
N0
Lorsque b(t) est un bruit blanc de densité spectrale de puissance sb ( f ) = 2 et pour le filtre de
la question précédente, on a
N0
Z
Pyb = |H( f )|2 d f
2 R
N0
Z
= |h(t)|2 dt (égalité de Parseval)
2 R
N0
=
2
N0
3. Dans le cas d’un bruit blanc défini par sb ( f ) = 2 , on a
2k ∗
H0 ( f ) = S ( f )e− j2π f t0
N0
donc
h0 (t) = T F −1 [H0 ( f )]
2k
= T F −1 S∗ ( f )e− j2π f t0

N0
La TF inverse de S∗ ( f ) est
T F −1 [S∗ ( f )] = s∗ (−t)
donc
2k ∗
h0 (t) = s [− (t − t0 )]
N0
2k
= s∗ [t0 − t]
N0
4. On choisit t0 = T et on suppose que s(t) = AI[0,T ] (t), h(t) = √1 I[0,T ] (t) et que b(t) est un bruit
T
N0
blanc de densité spectrale de puissance sb ( f ) = 2 .
- D’après ce qui précède, on a
√
ys (t0 ) = A T ΛT (t0 − T )
Donc en faisant t0 = T , on obtient √
ys (T ) = A T
- De plus
yb (t) = b(t) ∗ h(t)
Z
= h(u)b(t − u)du
R
Z T
1
= √ b(t − u)du
0T
En faisant t = T et en effectuant le changement de variables v = T − u, on obtient
Z T
1
yb (T ) = √ b(v)dv
T 0
On en déduit
1 TZ
E [yb (T )] = √ E[b(v)]dv
T 0
Z T
1
=√ 0dv = 0
T 0
La variance de yb (T ) est donc
var [yb (T )] = E y2b (T )

1 T T
Z Z
= E[b(u)b(v)]dudv
T 0 0
1 T T N0
Z Z
= δ (u − v)dudv
T 0 0 2
N0 T
Z Z T
= δ (u − v)du dv
2T 0 0
N0 T
Z
= dv
2T 0
N0
=
2
Si yb (T ) est un signal Gaussien, comme ys (T ) est un signal déterministe, y(T ) = ys (T )+yb (T )
est aussi un signal Gaussien de moyenne
√
E[y(T )] = ys (T ) + E [yb (T )] = ys (T ) = A T
et de variance
N0
var[y(T )] = var [ys (T ) + yb (T )] = var [yb (T )] =
2
Sa densité de probabilité s’écrit donc
" √ #
1 (y(T ) − A T )2
p[y(T ); A] = √ exp −
πN0 N0
77
5. La stratégie H0 est acceptée si p[y(T ); A = −1]P[A = −1] > p[y(T ); A = +1]P[A = +1]
consiste à accepter H0 si
" √ # " √ #
q (y(T ) + T )2 p (y(T ) − T )2
√ exp − >√ exp −
πN0 N0 πN0 N0
c’est-à-dire
√ √ √ √
(y(T ) + T )2 (y(T ) − T )2 2 T y(T ) 2 T y(T )
ln q − > ln p − ⇐⇒ ln q − > ln p +
N0 N0 N0 N0
d’où finalement
q N0
H0 est acceptée si y(T ) < ln √
p 2 T
Dans le cas où p = q = 12 , on en déduit H0 est acceptée si y(T ) < 0 ce qui est une règle de
décision logique.
■
Exercise 4.23 — Analyse cepstrale d’un signal réel à énergie finie.

Le cepstre d’un signal réel à énergie finie x(t) de transformée de Fourier X( f ) est défini par
n h io
cx (τ) = T F −1 ln | X f |2
1. Montrer que si y(t) est obtenu par filtrage linéaire de x(t), i.e. si y(t) = x(t) ∗ h(t), on a
cy (τ) = cx (τ) + ch (τ).
2. On considère la somme d’un signal à énergie finie x(t) et d’un écho défini par
y(t) = x(t) + ax(t − T ),
avec a > 0 et T > 0. Montrer que y(t) est la sortie d’un filtre linéaire d’entrée x(t). Quelles sont
la réponse impulsionnelle h(t) et la fonction de transfert H( f ) de ce filtre ?
3. On désire déterminer le cepstre de h(t). On rappelle que le développement limité de la fonction
ln(1 + x) valable pour |x| ≤ 1 est
∞
(−1)k k+1
ln(1 + x) = ∑ x
k=0 k + 1
2a
En posant γ = a2 +1
< 1 et en supposant que γ est suffisamment petit pour qu’on puisse négliger
h i
les termes d’ordres γ k avec k > 2, donner un développement limité de ln | H f |2 et déterminer
une approximation du cepstre de h(t) résultant de ce développement limité..
4.Expliquer comment identifier le retard T à partir du cepstre du signal y(t) moyennant certaines
conditions que l’on précisera. ■
Correction.
Puisque x(t) et y(t) sont des signaux à énergie finie, on peut calculer leurs transformées de
Fourier notées X( f ) et Y ( f ).
1. Si y(t) = x(t) ∗ h(t), alors Y ( f ) = X( f )H( f ), et donc

ln |Y ( f )|2 = ln |X( f )|2 + ln |H( f )|2

d’où
cy (τ) = cx (τ) + ch (τ).
2. En prenant la transformée de Fourier de
y(t) = x(t) + ax(t − T ),
on obtient
Y ( f ) = X( f ) 1 + ae− j2π f T

donc la transmittance de ce filtre est

H( f ) = 1 + ae− j2π f T
La réponse impulsionnelle h(t) s’obtient par transformée de Fourier inverse de H( f )
h(t) = δ (t) + aδ (t − T )
3. Le module carré de H( f ) se détermine facilement
2
|H( f )|2 = 1 + ae− j2π f T
= 1 + a2 + 2a cos(2π f T )

2
2a
= 1+a 1+ cos(2π f T )
1 + a2
= 1 + a2 [1 + γ cos(2π f T )]

d’où
ln |H( f )|2 = ln 1 + a2 + ln[1 + γ cos(2π f T )]

Puisque 0 < γ < 1, on a |γ cos(2π f T )| < 1 et on peut utiliser le développement limité proposé
∞
(−1)k
ln[1 + γ cos(2π f T )] = ∑ [γ cos(2π f T )]k+1 .
k=0 k + 1
En ne conservant que les premiers termes, on obtient
1
ln[1 + γ cos(2π f T )] ≃ γ cos(2π f T ) − [γ cos(2π f T )]2
2
γ 2 1 + cos(4π f T )

≃ γ cos(2π f T ) −
2 2
d’où
γ2

2
γ 1 1
ch (τ) ≃ ln 1 + a δ (τ) + [δ (τ − T ) + δ (τ + T )] − δ (τ) + δ (τ − 2T ) + δ (τ + 2T )
2 4 2 2
2 2

γ γ γ
≃ ln 1 + a2 −

δ (τ) + [δ (τ − T ) + δ (τ + T )] − [δ (τ − 2T ) + δ (τ + 2T )]
4 2 8
4. Le cepstre de y(t) est défini par cy (τ) = cx (τ) + ch (τ), donc si le cepstre de x(t) n’interfère
pas avec les raies de ch (τ), on peut identifier T en recherchant les raies présentes dans cy (τ).
■
79
Exercise 4.24 — Analyse cepstrale d’un signal aléatoire stationnaire.

Le cepstre d’un signal aléatoire réel stationnaire x(t) de densité spectrale de puissance sx ( f )
est défini par
cx (τ) = T F −1 {ln [sx ( f )]} .
1. On considère la somme d’un signal aléatoire stationnaire x(t) et d’un écho défini par
y(t) = x(t) + ax(t − T ),
avec a > 0 et T > 0. Déterminer la fonction d’autocorrélation et la densité spectrale de puissance

du signal y(t).
2. Déterminer le cepstre du signal y(t) défini ci-dessus. La procédure d’identification du re-
tard T proposée au paragraphe 1) est-elle applicable dans le contexte des signaux aléatoires
stationnaires ?
3. On suppose dans cette partie qu’on reçoit deux signaux aléatoires stationnaires notés y1 (t) et
y2 (t) définis comme suit
y1 (t) = x(t) + a1 x (t − T1 )
y2 (t) = [x(t) + a2 x (t − T2 )] ∗ g(t)
où g(t) est la réponse impulsionnelle d’un filtre linéaire que l’on cherche à identifier. Déterminer
les cepstres de ces deux signaux notés cy1 (τ) et cy2 (τ) et expliquer sous quelles conditions on
peut à l’aide de cy2 (τ) − cy1 (τ) identifier le filtre de réponse impulsionnelle g(t). 4. On désire
maintenant étudier l’influence d’un bruit additif n(t) de moyenne nulle sur l’estimation du retard
T . On considère donc le signal
z(t) = x(t) + ax(t − T ) + n(t)
où x(t) et n(t) sont des signaux aléatoires stationnaires indépendants. Déterminer la densité
spectrale de puissance de z(t) notée sz ( f ) en fonction de celles de x(t) et n(t) notées sx ( f ) et
sn ( f ). Montrer alors que
ln [sz ( f )] = ln 1 + a2 sx ( f ) + A( f ) + ln[1 + γB( f ) cos(2π f T )]

2a
où γ = a2 +1
, A( f ) est est un bruit défini par

sn ( f )
A( f ) = ln 1 +
(1 + a2 ) sx ( f )
et B( f ) est un autre bruit dont on précisera l’expression. ■
Correction.
1. Puisque x(t) et y(t) sont des signaux aléatoires, la fonction d’autocorrélation du signal y(t) =
x(t) + ax(t − T ) est définie par
Ry (τ) =E[y(t)y(t − τ)]

=E[x(t)x(t − τ)] + aE[x(t − T )x(t − τ)]
+ aE[x(t)x(t − τ − T )] + a2 E[x(t − T )x(t − τ − T )]
=Rx (τ) + aRx (τ − T ) + aRx (τ + T ) + a2 Rx (τ)
= 1 + a2 Rx (τ) + a [Rx (τ − T ) + Rx (τ + T )]

La densité spectrale de puissance s’en déduit
sy ( f ) = sx ( f ) 1 + a2 + ae− j2π f T + ae j2π f T

= sx ( f ) 1 + a2 + 2a cos(2π f T )

Remarque : on retrouve ces résultats en utilisant les relations de Wiener-Lee.

2. Le cepstre du signal y(t) s’obtient alors comme suit
cy (τ) = T F −1 {ln [sy ( f )]}

= T F −1 {ln [sx ( f )]} + T F −1 ln 1 + a2 + 2a cos(2π f T )

= cx (τ) + ch (τ).
On retrouve donc la même relation qu’avec les signaux à énergie finie donc la procédure
d’identification du retard T est applicable dans le contexte des signaux stationnaires.
3. D’après ce qui précède, les cepstres des signaux y1 (t) et y2 (t) définis par
y1 (t) = x(t) + a1 x (t − T1 ) ,
y2 (t) = [x(t) + a2 x (t − T2 )] ∗ g(t),
sont définis par

cy1 (τ) = cx (τ) + ch1 (τ)
cy2 (τ) = cx (τ) + ch2 (τ) + cg (τ)
d’où
cy2 (τ) − cy1 (τ) = ch2 (τ) − ch1 (τ) + cg (τ)
Dans la mesure où les fonctions ch2 (τ) − ch1 (τ) et cg (τ) ne se superposent pas (ce qui est
une condition simple a réaliser car ch2 (τ) − ch1 (τ) ne contient que quelques raies), on peut
estimer cg (τ) à partir de cy2 (τ) − cy1 (τ) et en déduire une estimation de la transmittance du
filtre G( f ).
4. On désire maintenant étudier l’influence d’un bruit additif n(t) sur l’estimation du retard T .
Comme les signaux x(t) et n(t) sont indépendants, x∗ (t) = x(t) + ax(t − T ) le sont aussi. La
81
densité spectrale de puissance de z(t) s’écrit donc

sz ( f ) = sx ( f ) 1 + a2 + 2a cos(2π f T ) + sn ( f )

= 1 + a2 sx ( f )[1 + γ cos(2π f T )] + sn ( f )

2
sn ( f )
= 1 + a sx ( f ) 1 + γ cos(2π f T ) +
(1 + a2 ) sx ( f )
( −1 )
2
sn ( f ) sn ( f )
= 1 + a sx ( f ) 1 + 1+γ 1+ cos(2π f T )
(1 + a2 ) sx ( f ) (1 + a2 ) sx ( f )

2
sn ( f )
= 1 + a sx ( f ) 1 + [1 + γB( f ) cos(2π f T )]
(1 + a2 ) sx ( f )
−1
sn ( f )
avec B( f ) = 1 +
(1 + a2 ) sx ( f )
On en conclut
ln [sz ( f )] = ln 1 + a2 sx ( f ) + A( f ) + ln[1 + γB( f ) cos(2π f T )],

2a
où γ = a2 +1
, A( f ) est le bruit additif défini par

sn ( f )
A( f ) = ln 1 + ,
(1 + a2 ) sx ( f )
et B( f ) est un bruit multiplicatif défini ci-dessus.
R L’effet de ces bruits sur l’estimation du retard T a fait l’objet de l’article ci-dessous
- Joseph C. Hassab and Ronald Boucher, "A Probabilistic Analysis of Time Delay
Extraction by the Cepstrum in Stationary Gaussian Noise," IEEE Trans. on Information
Theory, Vol. 22 , no 4 , July 1976.
Exercise 4.25 — Variance d’Allan.

Soit x(t) un processus aléatoire stationnaire de moyenne E[x(t)] = 0, de fonction d’autocorré-
lation Rx (τ) et de densité spectrale de puissance sx ( f ).
1. On considère l’opération définie par
Z t+T
1
y(t) = x(u)du
T t
— Montrer que y(t) = FT [x(t)], ò FT est un filtre linéaire invariant dans le temps. Déterminer
la réponse impulsionnelle hT (t) et la transmittance HT ( f ) de ce filtre FT .
— Déterminer la densité spectrale de puissance du signal y(t) notée sy ( f ) en fonction de sx ( f ).
En déduire une expression intégrale permettant d’obtenir la fonction d’autocorrélation du
signal y(t) notée Ry (τ) en fonction de Rx (τ).
— Montrer que la puissance du signal y(t) s’écrit
sin(x)
Z
Py = sx ( f ) sin c2 (π f T )d f avec sin c(x) = .
x
2. On considère le signal constant par morceaux défini par
y[(k + 1)T ] − y[kT ]

D(t) = √ si t ∈ [kT, (k + 1)T [
2
— Déterminer la puissance du signal D(t) notée PD (T ) en fonction de Ry (0) et Ry (T ) puis
sous une forme intégrale dépendant de sx ( f ).
— En utilisant la parité de la densité spectrale de puissance sx ( f ), en déduire
sin4 (π f T )
Z ∞
PD (T ) = 4 sx ( f )d f
0 (π f T )2
La puissance PD (T ) est appelée variance d’Allan du signal x(t).

3. On rappelle les relations suivantes
sin4 (u) sin4 (u) sin4 (u)

Z ∞ Z ∞ Z ∞
π π
du = , du = log 2 et du =
0 u2 4 0 u3 0 u4 3
Représenter graphiquement log PD (T ) en fonction de log T dans les cas suivants
— Bruit blanc : sx ( f ) = K0
— Bruit de Flicker : sx ( f ) = Kf1
— Marche aléatoire de fréquence : sx ( f ) = Kf 22
Á votre avis, quel est l’intérêt de la variance d’Allan ? ■
Correction.
1. Il existe plusieus méthodes permettant de montrer que
Z t+T
1
y(t) = x(u)du
T t
est une opération de filtrage linéaire. Nous adoptons ici me méthode temporelle :
Z +∞
1
y(t) = 1[t,t+T ] (u)x(u)du
T −∞
Avec lec notations habituelles, on a

T
1[t,t+T ] (u) = ΠT u − t +
2
En utilisont la parité de ΠT (.), on obtient

Z +∞
1 T
y(t) = ΠT t + − u x(u)du
T −∞ 2
d’où en posant hT (t) = T1 ΠT t + T2 ,

Z +∞
y(t) = hT (t − u)x(u)du.
−∞
83
On a donc montré que y(t) est la sortie d’un filtre linéaire d’entrée x(t) et de réponse impul-
sionnelle
1 T
hT (t) = ΠT t + .
T 2
La transmittance de ce filtre est
1 jπ f T
HT ( f ) = e T F [πT (t)]
T
= e jπ f T sinc (π f T )
2. D’après les relations de Wiener-Lee, on a
sy ( f ) = sx ( f ) |HT ( f )|2
d’où
sy ( f ) = sx ( f )sinc2 (π f T ).
Par transformée de Fourier inverse, on obtient
1
Ry (τ) = Rx (τ) ∗ T F −1 sinc2 (π f T ) = Rx (τ) ∗ ΛT (τ)

T
d’où Z +∞
1
Ry(τ) = Rx (s) ΛT (τ − s) ds.
−∞ T
R +∞
La puissance du signal y(t) est Py = Ry (0) = −∞ sy ( f )d f . On a donc
Z +∞
Py = sx ( f ) sinc2 (π f T ) d f
−∞ | {z }
sy ( f )
3. La puissance du rignal D(t) est
1 h i
PD (T ) = E D2 (t) = E [y((k + 1)T ) − y(kT )]2

2
1 2 2
= E y ((k + 1)T ) + E y (kT ) − 2E[y(kT )y(k + 1)T )
2
d’où
1
PD (T ) = [Ry(0) + Ry(0) − 2Ry(T )]
2
ie.
PD (T ) = Ry (0) − Ry (T ).
En utilisant le fait que Ry (τ) = F−1 (sy( f )) =
R
Rsy ( f )e j2π f d f , on obtient
Z
1 − e j2π f T sy ( f )d f

PD (T ) =
ZR .
1 − e j2π f T sin2 (π f T )sx ( f )d f

PD (T ) =
R
Mais 1 − e jπ f T = e jπ f T e− jπ f T − e jπ f T = −2æe jπ f T sin(π f T ), c’est à dire

1 − e2π f T = −2 j cos(π f T ) sin(π f T ) − 2 j j sin2 π f T

= − j sin(2π f T ) + 2 sin2 (π f T )
d’où
Z Z
PD (T ) = − j sin(2π f T ) sin c2 (π f T )sx ( f )d f d f + 2 sin2 (π f T ) sin2 (π f T )sx ( f )d f .
R R
le premier terme intégrale est nulle car la fonction est impaire. En utilisant la parité de sx ( f ), il vient
sin4 (π f T )
Z +∞
PD (T ) = 4 sx ( f )d f .
0 π 2 f 2T 2
4. Pour un bruit blanc, on obtient
k0
PD (T ) = ,
T
soit
log (PD (T )) = log (K0 ) − log (T )

On obtient donc une droite de pente −1 en échelle logarithmique.
Pour le bruit de Ficker, on obtient
PD (T ) = 4K1 log(2),
soit
log (PD (T )) = log (4K1 log(2))
qui est une droite de pente 0.
Enfin, pour le modèle de marche aléatoire, on obtient

4 2
log PD (T ) = log K2 π + log T.
3
En representant la variance d’Allan PD (T ) en échelle logarithmiqueet en identifiant la pente de la
droite log PD (T ) = a log (T ) + b (avec a = 0, a = 1 ou a = −1 ), on peut identifier le type de bruit
affectant in signal donné. Cette methode est beaucoup utilisée pour identifier les bruits affectant les
capteurs utilisés pour la navigation GPS.
■
5. Filtrage non linéaire
Exercise 5.1 — Filtre quadrateur.

On considère le filtre non linéaire sans mémoire d’entrée X(t) et de sortie Y (t) défini par :
Y (t) = X 2 (t)
On suppose que X(t) est un processus aléatoire, réel, Gaussien, stationnaire de moyenne nulle et
de fonction d’autocorrélation RX (τ).
1. En utilisant le théorème de Price, donner une équation différentielle liant la fonction
d’autocorrélation de Y (t), notée RY (τ), et RX (τ). En déduire une expression de RY (τ) en
fonction de RX (τ) à une constante additive près.
2. On rappelle le résultat suivant, valable pour une variable aléatoire Z gaussienne de moyenne
nulle et de variance σ 2 :
E Z 2n = (2n)!!σ 2n avec (2n)!! = (2n − 1) × (2n − 3) × ... × 3 × 1

En déduire le constante additive intervenant dans la relation entre RY (τ) et RX (τ).

■
Correction.
1. On prend
X1 (t) = X(t)
Y1 (t) = X 2 (t) = Y (t)
X2 (t) = X(t − τ)
Y2 (t) = X 2 (t − τ) = Y (t − τ)
En utilisant le théorème de Price on arrive alors à
∂ RY (τ)
= 4RX (τ)
∂ RX (τ)
86 Chapitre 5. Filtrage non linéaire
et donc
RY (τ) = 2R2X (τ) + K
où K est une constante.
2.
2
RY (0) = 2R2X (0) + K = 2 σ 2 + K
= E Y 2 (t) = (4)!!σ 4 = 3σ 4

D’où K = σ 4 et donc
RY (τ) = 2R2X (τ) + σ 4
.
■
Exercise 5.2 — Détecteur quadratique.

Pour déceler la présence d’une porteuse micro-onde, on utilise une diode semiconductrice
travaillant à très faible niveau, qui se comporte comme un détecteur quadratique. On peut
modéliser ce système de détection par un filtre non linéaire sans mémoire, transformant un
processus X(t) en un processus Y (t) tel que :
Y (t) = X 2 (t)
1. Le processus réel X(t) est formé par la somme d’un signal S(t) stationnaire, centré et d’un
bruit B(t) stationnaire, centré, gaussien, statistiquement indépendant du signal.
Calculer la fonction d’autocorrélation de la sortie du filtre non linéaire RY (τ) et montrer
qu’elle peut s’écrire :
RY (τ) = RS2 (τ) + RB2 (τ) + 4RS (τ) RB (τ) + 2RS (0) RB (0)
2. Dans le cas où le bruit est négligeable et le signal a une forme sinusoïdale avec une phase
θ aléatoire uniformément répartie sur [0, 2π] :
S(t) = A cos (2π f0t + θ )
déterminer la densité spectrale SY ( f ) de la sortie du filtre. Quelle est la tension VS détectée

par la diode, correspondant à la composante continue de la sortie du filtre ?
3. Dans le cas où seul le bruit est présent et possède une densité spectrale de puissance de
type passe-bande idéal, de largeur ∆ f , centrée autour de f0 :
N0 N0
sB ( f ) = Π∆ f ( f − f0 ) + Π∆ f ( f + f0 )
2 2
déterminer la densité spectrale SY ( f ) de la sortie du filtre. Quelle est la tension VB détectée
par la diode ?
4. Dans cette dernière question, le signal à l’entrée de la diode est constitué de la somme du
signal sinusoïdal de la question 2 et du bruit de la question 3. On note le rapport signal à
87
bruit (en échelle linéaire) :

PS
γ=
PB
Déterminer la densité spectrale SY ( f ) de la sortie du filtre. Quelle est la tension VS+B
détectée par la diode ? Exprimer
VS+B
Γ=
VS
en fonction du rapport signal à bruit γ.
■
R On utilisera le théorème de Price pour déterminer KY (τ).
Correction.
1.
Ry (τ) = E [Y (t)Y ∗ (t − τ)]

= E (S(t) + B(t))2 (S(t − τ) + B(t − τ))2

= RS2 (τ) + RB2 (τ) + 2RS (0)RB (0) + 4RS (τ)RB (τ)
2.
Ry (τ) = RS2 (τ) = E S2 (t)S2 (t − τ)

= E A2 cos2 (2π f0t + θ ) A2 cos2 (2π f0 (t − τ) + θ )

A2
= E [(1 + cos (4π f0t + θ )) (1 + cos (4π f0 (t − τ) + θ ))]
4
A4 A4
= cos (4π f0 τ) +
8 4
Par transformée de Fourier on obtient donc :
A4 A4
SY ( f ) = δ ( f ) + (δ ( f − 2 f0 ) + δ ( f + 2 f0 ))
4 16
Et
A4
VS =
4
3.
Ry (τ) = RB2 (τ) = E B2 (t)B2 (t − τ) =???

On va utiliser le théorème de Price avec Y (t) = B2 (t) et Y (t − τ) = B2 (t − τ).

∂ E [Y (t)Y (t − τ)] ∂ RY (τ) ∂Y (t) ∂Y (t − τ)
= =E
∂ E [B(t)B(t − τ)] ∂ RB (τ) ∂ B(t) ∂ B(t − τ)
= E [2B(t)2B(t − τ)] = 4RB (τ)
D’où
∂ RY (τ) = 4Rb (τ)∂ RB (τ)
Et donc :
RY (τ) = 2R2B (τ) + K
Calcul de K :
RY (0) = E Y 2 (t) = E B4 (t) = 3σ 4 = 3R2B (0) = 2R2B (0) + K

D’où K = R2B (0) et donc :

RY (τ) = 2R2B (τ) + R2B (0)
Par transformée de Fourier, on obtient :
SY ( f ) = 2SB ( f ) ∗ SB ( f ) + R2B (0)δ ( f )
D’où Z 2
VB = R2B (0) = SB ( f )d f = (N0 ∆ f )2
R
4. A finir
■
Exercise 5.3 — Opérateur Signe.

Déterminer la fonction d’autocorrélation de la sortie Y (t) d’un opérateur “signe” dans le
cas d’une entrée X(t) stationnaire, centrée et gaussienne, de fonction d’autocorrélation KX (τ)
supposée connue :

1 si X(t) ≥ 0
Y (t) = sign(X(t)) =
−1 si X(t) < 0
■
Exercise 5.4 — Filtre exponentiel.

On considère un filtre non linéaire de type exponentiel. Si X (t) est l’entrée du filtre, la sortie
Y (t) s’écrit :
Y (t) = exp (X(t))
L’entrée du filtre est un bruit gaussien, réel, centré, de variance σ 2 .

1. Calculez la moyenne du signal en sortie du filtre.
2. Calculez la variance du signal en sortie du filtre.
3. Calculez la fonction d’autocorrélation du signal en sortie du filtre en fonction de celle du
signal à l’entrée.
Si la variable aléatoire Z suit une loi normale N m, σ 2 et u est une constante alors on a :

R
σ2 2

E euZ = exp mu +

u
2
89
Correction.
σ2
1. mY = E [Y (t)] = E eX(t) = e 2

h i 2 2 2
2. VarY = E (Y (t) − mY )2 = E Y 2 (t) − mY2 = E e2X(t) − eσ = e2σ − eσ

3. En utilisant le théorème de Price, on a

∂ RY (τ) ∂Y (t) ∂Y (t − τ)
=E
∂ RX (τ) ∂ X(t) ∂ X(t − τ)
h i
= E eX(t) eX(t−τ)
= E[Y (t)Y (t − τ)]
= RY (τ).
On en décluit
∂ RY (τ)
= ∂ RX (τ)
RY (τ)
soit
ln [|RY (τ)|] = RX (τ) + constante
et en conséquence
RY (τ) = C exp [RX (τ)]
Pour déterminer la constante multiplicative C, il suffit comme d’habitude de faire τ = 0 dans
la relation ci-dessus. On a alors
RY (0) RY (0)
C= = .
exp [RX (0)] exp (σ 2 )
Mais h i
RY (0) = E Y −2 (t) = E e2X(t) .

En utilisant le rappel, puisque X(t) est un processus aléatoire gaussien, on en décluit
RY (0) = exp 2σ 2

D’où
C = exp σ 2 .

La fonction d’autocorrélation du signal X(t) est done
RY (τ) = exp σ 2 + RX (τ) .

Exercise 5.5 — Un terme linéaire et un terme quadratique.

On considère un signal aléatoire gaussien stationnaire X(t) de moyenne nulle, de puissance
E X 2 (t) = σ 2 et de fonction d’autocorrélation RX (τ) = E [X(t)X(t − τ)]. Déterminer la fonction

d’autocorrélation du signal Y (t) = aX(t) + bX 2 (t) (où a et b sont deux constantes) en fonction
de RX (τ) et d’une constante additive notée C. Déterminer ensuite la constante C. ■
Correction. En utilisant le théorème de Price, on a

∂ RY (τ) ∂Y (t) ∂Y (t − τ)
= E
∂ RX (τ) ∂ X(t) ∂ X(t − τ)
= E {[a + 2bX(t)] [a + 2bX(t − τ)]}
= a2 + 4b2 RX (τ)
On en déduit
RY (τ) = a2 RX (τ) + 2b2 R2X (τ) +C
Pour déterminer la constante C, il suffit comme d’habitude de faire τ = 0 dans la relation ci-dessus.
On a alors
C = RY (0) − a2 RX (0) − 2b2 R2X (0).
Mais
RY (0) = E Y 2 (t)

= E a2 X 2 (t) + 2abX 3 (t) + b2 X 4 (t)

= a2 σ 2 + b2 3σ 4 .

D’où
C = b2 σ 4 .
La fonction d’autocorrélation du signal X(t) est donc
RY (τ) = a2 RX (τ) + 2b2 R2X (τ) + b2 σ 4 .
Exercise 5.6 — Non-linéarité cubique.

On considère un signal aléatoire réel x(t) gaussien de moyenne nulle. On suppose que ce
signal est stationnaire de fonction d’autocorrélation Rx (τ) et de densité spectrale de puissance
sx ( f ). On forme le signal y(t) = x3 (t).
1. Justifier que le signal y(t) est un signal stationnaire. De quoi dépend sa fonction d’autocor-
rélation Ry (τ)?
2. On rappelle que la fonction d’autocorrélation de la sortie du quadrateur (déterminée en
cours) est
Rx2 (τ) = 2R2x (τ) + R2x (0).
Déterminer une expression de la fonction d’autocorrélation du signal y(t) notée Ry (τ) en
fonction de Rx (τ) et d’une constante additive C.
3. On rappelle que pour une variable aléatoire Z de loi gaussienne de moyenne nulle et de
variance σ 2 , on a pour tout n ∈ N∗
E Z 2n = [(2n − 1) (2n − 3) × ... × 5 × 3 × 1] σ 2n .

En déduire la valeur de la constante C.

■
91
Correction.
1. Nous avons vu en cours qu’un signal défini par une transformation non linéaire sans mémoire
d’un signal aléatoire stationnaire reste stationnaire. Ry (τ) dépend uniquement de Rx (τ) et de
Rx (0).
2. L’application du théorème de Price conduit à

∂ Ry (τ) ∂ y(t) ∂ y(t − τ)
= E 3x2 (t) × 3x2 (t − τ) = 9Rx2 (τ).

=E
∂ Rx (τ) ∂ x(t) ∂ x(t − τ)
En utilisant l’indication, on obtient
∂ Ry (τ)
= 18R2x (τ) + 9R2x (0).
∂ Rx (τ)
En intégrant cette équation, on peut déterminer la fonction d’autocorrélation de y(t)
Ry (τ) = 6R3x (τ) + 9R2x (0)Rx (τ) +C.
3. Pour trouver C, on fait τ = 0, d’où
C = Ry (0) − 6R3x (0) − 9R3x (0) = E[y6 (0)] − 15R3x (0).
En utilisant l’indication, on obtient
C = 15R3x (0) − 15R3x (0) = 0.
Exercise 5.7 — Une non-linéarité très étrange. On considère un

signal aléatoire réel x(t) gaussien de moyenne nulle. On suppose que ce signal est stationnaire de
fonction d’autocorrélation Rx (τ) et de densité spectrale de puissance sx ( f ). On forme le signal
y(t) = β α x(t) = β exp[x(t) ln(α)] avec α > 0 et β > 0.
1) À l’aide du théorème de Price, déterminer une expression de la fonction d’autocorrélation du
signal y(t) notée Ry (τ) en fonction de Rx (τ) et d’une constante multiplicative notée K.
2) On rappelle que la fonction génératrice des moments d’une variable aléatoire Z de loi gaus-
2
sienne N m, σ est :
σ2 2

Zu
E e = exp mu + u , ∀u ∈ R.
2
En déduire la constante K.
R Cet exercice est inspiré de l’exercice 4.11 de la page 254 du livre de J. Yang et C. Liu
intitulé “Random Signal Analysis” publié chez l’éditeur Gruyter en 2018.
Correction.
1. D’après le théorème de Price, on a

∂ Ry (τ) ∂ y(t) ∂ y(t − τ)
=E
∂ Rx (τ) ∂ x(t) ∂ x(t − τ)
=E [ln(α)y(t) × ln(α)y(t − τ)]
=[ln(α)]2 Ry (τ). (5.1)
On en déduit
∂ Ry (τ)
= [ln(α)]2 ∂ Rx (τ).
Ry (τ)
En intégrant cette équation, on obtient
ln |Ry (τ)| = [ln(α)]2 Rx (τ) +C,
soit
Ry (τ) = K exp [ln(α)]2 Rx (τ) .

2. Pour trouver K, on fait τ = 0 dans l’expression de Ry (τ) et on obtient

Ry (0)
Ry (0) = K exp [ln(α)]2 Rx (0)

⇔K= .
exp {[ln(α)]2 Rx (0)}
Mais
Ry (0) =E[y2 (t)]
=E β 2 exp(2 ln(α)x(t))

=β 2 E[eux(t) ] (5.2)
avec u = 2 ln(α). Comme x(t) est une variable aléatoire de moyenne nulle et de variance
E[x2 (t)] = Rx (0), on a

2 1
× [2 ln(α)] × Rx (0) = β 2 exp 2 ln2 (α)Rx (0) ,
2

Ry (0) = β exp
2
d’où
Ry (0) 2
[ln(α)]2 Rx (0) .

K= = β exp
exp {[ln(α)]2 Rx (0)}
On en déduit
Ry (0) = β 2 exp [ln(α)]2 [Rx (0) + Rx (τ)] .

Exercise 5.8 — Klystron.

Un amplificateur Klystron peut être caractérisé par la relation (non-linéaire) entrée-sortie
suivante
Y (t) = X(t) − kX 3 (t)
1) On suppose dans un premier temps que le signal d’entrée X(t) est déterministe et défini par
X(t) = A cos (2π f0t)
où A et f0 sont deux constantes. En utilisant la relation classique cos3 (x) = 41 cos (3x) + 34 cos x,
93
montrer qu’il existe une valeur de k que l’on exprimera en fonction de A telle que le spectre du
signal de sortie Y (t) ne contienne pas de raie à la fréquence f0 . Pour cette valeur de k, quelle est
la puissance et la densité spectrale de puissance du signal de sortie de l’amplificateur Klystron ?
2) On suppose désormais que l’entrée de l’amplificateur Klystron est un signal stationnaire Gaus-
sien de moyenne nulle et de variance E X 2 (t) = σ 2 . Déterminer la fonction d’autocorrélation de

Y (t) en fonction de celle de X(t) notée RX (τ), de k, σ 2 et d’une constante additive C. On rappelle
que les moments d’un signal Gaussien de moyenne nulle X(t) vérifient la relation suivante
m2n = E X 2n (t) = [(2n − 1) (2n − 3) × ... × 5 × 3 × 1] σ 2n

En déduire la valeur de C. ■
R On pourra utiliser l’expression de fonction d’autocorrélation de la sortie du quadrateur (déter-

minée en cours et TD)
E X 2 (t)X 2 (t − τ) = 2R2X (τ) + R2X (0)

Correction.
1. Dans le cas où X(t) = A cos (2π f0t), la sortie de l’amplificateur Klystron est définie par
Y (t) = X(t) − kX 3 (t)
= A cos (2π f0t) − kA3 cos3 (2π f0t)

3 1 3
= A cos (2π f0t) − kA cos (6π f0t) + cos (2π f0t)
4 4
2 3

3kA kA
= A 1− cos (2π f0t) − cos (6π f0t)
4 4
Pour que le spectre du signal de sortie Y (t) ne contienne pas la fréquence du signal d’entrée
f0 , il faut annuler le premier terme, c’est-à-dire choisir k tel que
3kA2 4
1− = 0 ⇐⇒ k = 2
4 3A
On a alors
A
Y (t) = − cos (6π f0t)
3
2
qui est un signal de puissance PY = A18 tel que
A2
RY (τ) = cos (6π f0 τ)
18
A2
sY ( f ) = [δ ( f − 3 f0 ) + δ ( f + 3 f0 )]
36
2. En appliquant le théorème de Price, on obtient
∂ RY (τ)
= E 1 − 3kX 2 (t) 1 − 3kX 2 (t − τ)

∂ RX (τ)
= 1 − 6kσ 2 + 9k2 E X 2 (t)X 2 (t − τ)

On a vu en cours que la fonction d’autocorrélation du quadrateur était donnée par

E X 2 (t)X 2 (t − τ) = 2R2X (τ) + R2X (0)

= 2R2X (τ) + σ 4
d’où
∂ RY (τ)
= 1 − 6kσ 2 + 9k2 σ 4 + 18k2 R2X (τ)
∂ RX (τ)
2
= 1 − 3kσ 2 + 18k2 R2X (τ)
En intégrant cette équation, on obtient
2
RY (τ) = 1 − 3kσ 2 RX (τ) + 6k2 R3X (τ) +C
où C est une constante additive. Pour déterminer la constante additive C, on fait τ = 0 dans
l’expression précédente et on obtient
2
C = RY (0) − 1 − 3kσ 2 RX (0) − 6k2 R3X (0)
Mais
RY (0) = E Y 2 (t)

= E X 2 (t) − 2kE X 4 (t) + k2 E X 6 (t)

= σ 2 − 2km4 + k2 m6
En utilisant
m2n = E X 2n (t) = [(2n − 1) (2n − 3) ...5 × 3 × 1] σ 2n

on obtient
RY (0) = σ 2 − 6kσ 4 + 15k2 σ 6
d’où
C = σ 2 − 6kσ 4 + 15k2 σ 6 − 1 − 6kσ 2 + 9k2 σ 4 σ 2 − 6k2 σ 6 = 0

Exercise 5.9 — Ecrètage doux.

On considère une non-linéarité modélisant une distorsion de type à “écrétage”
Z x
1 x 2 2
g(x) = erf √ avec erf(x) = √ e−u du.
2K 2σd π 0
On l’applique à un processus gaussien réel X(t) stationnaire de moyenne nulle
Y (t) = g [X(t)] .
On rappelle que pour un tel processus, la loi du couple (U,V ) = (X(t), X(t − τ)) est gaussienne
de densité de probabilité

1 1 −1 T
fΣ (u, v) = √ exp − (u, v)Σ (u, v)
2π det Σ 2
où (u, v) ∈ R2 et où Σ est la matrice de covariance du couple (U,V ) définie par

var(U) cov(U,V )
Σ=
cov(U,V ) var(V )
95
1) Exprimer les éléments de Σ en fonction de RX (τ) et RX (0). En déduire que la fonction d’auto-
corrélation du signal Y (t) ne dépend que de RX (τ) et RX (0).
2) On admet que pour un signal Gaussien stationnaire de moyenne nulle et de fonction d’autocor-
rélation RX (τ), on a
X 2 (t) + X 2 (t − τ) σd2

E exp − =
2σd2
q 2
σd2 + RX (0) − R2X (τ)
et on rappelle la primitive suivante

1 u
Z
√ du = arcsin , a ∈ R.
2
a −u 2 |a|
2
Montrer que g′ (x) = Kσ 1√2π exp − 2σ x
2 . En déduire RY (τ) en fonction de RX (τ) à une constante
d d
additive près notée C qu’on supposera nulle.
3) Montrer que la fonction autocorrélation normalisée du signal Y (t) notée ρY (τ) vérifie

ρX (τ)
RY (τ) arcsin 1+α
ρY (τ) = = 1

RY (0) arcsin 1+α
σd2 RX (τ)
avec α = RX (0) et ρX (τ) = RX (0) .
R Ce résultat est issu l’article de R. F. Baum intitulé “The Correlation Function of Smoothly
Limited Gaussian Noise” publié dans la revue IRE Transactions on Information Theory en
septembre 1957 (vol. 3, no. 3).
Correction.
1. Cette question est très classique et a été vue en cours :

RX (0) RX (τ)
Σ= .
RX (τ) RX (0)
De plus
RY (τ) =E[Y (t)Y ∗ (t − τ)]

=E {g[X(t)]g[X(t − τ)]}
Z Z
= g(u)g(v) fΣ (u, v)dudv.
La fonction d’autocorrélation du signal Y (t) ne dépend donc que des éléments de Σ, c’est-à-dire
de RX (τ) et de RX (0).
2. La dérivée de g se calcule facilement comme suit (dérivée d’une fonction composée)
x2 x2

1 1 2 1
g′ (x) = ×√ × √ exp − 2 = √ exp − 2 .
2K 2σd π 2σd Kσd 2π 2σd
D’après le théorème de Price

∂ RY (τ) ∂Y (t) ∂Y (t − τ)
=E
∂ RX (τ) ∂ X(t) ∂ X(t − τ)
X 2 (t) X 2 (t − τ)

1
= E exp − exp −
2πK 2 σd2 2σd2 2σd2
X 2 (t) + X 2 (t − τ)

1
= E exp − .
2πK 2 σd2 2σd2
En utilisant le rappel, on obtient
∂ RY (τ) 1 1
= .
∂ RX (τ) 2πK 2
q 2
σd2 + RX (0) − R2X (τ)
Par intégration, on obtient

1 RX (τ)
RY (τ) = Arcsin +C.
2πK 2 σd2 + RX (0)
On admettait dans l’examen que C = 0. Pour le démontrer, on peut faire un passage à la limite
quand τ tend vers +∞. On a alors
lim RX (τ) = 0 et lim E[Y (t)Y (t − τ)] = E 2 [Y (t)].

τ→∞ τ→∞
On a donc
C = lim [RY (τ) − RY2 (τ)] = E 2 [Y (t)].
τ→∞
Comme la fonction g est impaire, on a

2
1
Z
− u
E {g[X(t)]} = g(u) √ e 2σ 2 du = 0.
2πσ 2
d’où C = 0.
3. On a
1 RX (0)
Ry (0) = Arcsin .
2πK 2 σd2 + RX (0)
Donc
1 RX (τ) ρX (τ)
RY (τ) 2πK 2
Arcsin σd2 +RX (0)
arcsin 1+α
ρY (τ) = = = 1

RY (0) 1
Arcsin RX (0) arcsin 1+α
2πK 2 σd2 +RX (0)
σd2 RX (τ)
avec α = RX (0) et ρX (τ) = RX (0) .
■
6. Processus aléatoires
Exercise 6.1 — Processus de Poisson. On considère une suite d’instants aléatoires {ti }i∈Z
constituant un processus de Poisson (homogène) de paramètre λ . On appelle N(t, τ) le nombre
d’instants appartenant à l’intervalle [t,t + τ[ 1. Que représente le paramètre λ ?
2. Déterminer la probabilité d’avoir N(t, τ) = 0.
3. Déterminer la probabilité d’avoir N(t, τ) pair ■
Correction.
1. λ est le nombre moyen d’instants dans un intervalle de largeur τ = 1 puisque
E[N(t, τ)] = λ |τ| =⇒ λ = E[N(t, τ = 1)]
2. Puisque N(t, τ) suit une loi de Poisson de paramètre λ |τ|, on a
(λ |τ|)0
P[N(t, τ) = 0] = exp(−λ |τ|) = exp(−λ |τ|)
0!
3. Puisque N(t, τ) suit une loi de Poisson de paramètre λ |τ|, on a
P[N(t, τ) pair ] = P[N(t, τ) = 0 ou N(t, τ) = 2 ou N(t, τ) = 4 ou ... ]
∞
= ∑ P[N(t, τ) = 2k]
k=0
∞
[λ |τ|]2k
= ∑ exp[−λ |τ|]
k=0 (2k)!
= exp[−λ |τ|] ch(−λ |τ|)
exp[−λ |τ|] + exp[λ |τ|]
= exp[−λ |τ|]
2
1
= [1 + exp(−2λ |τ|)]
2
■
98 Chapitre 6. Processus aléatoires
Exercise 6.2 — Shot Noise. On considère un processus de Poisson homogène de paramètre λ

noté {ti }i∈Z et le signal aléatoire X(t) défini par
1 si − T2 ≤ t ≤ T2

X(t) = ∑ h (t − ti ) avec h(t) = ΠT (t) =
i
0 sinon
On rappelle que la loi de Poisson de paramètre λ est définie par
λ k −λ
P[Y = k] = e , k ∈ N avec E[Y ] = λ .
k!
1. Rappeler le rôle du paramètre λ dans un processus de Poisson.
2. Représenter graphiquement une réalisation du signal aléatoire X(t).
3. On suppose que le signal
Z(t) = ∑ δ (t − ti )
i
(où δ (.) est la distribution de Dirac) est un signal aléatoire stationnaire de moyenne E[Z(t)] = λ
et de fonction d’autocorrélation E[Z(t)Z(t − τ)] = λ 2 + λ δ (τ).
— Déterminer la densité spectrale de puissance du signal X(t) puis sa fonction d’autocorréla-
tion.
— Déterminer la moyenne et la variance du signal X(t).
4. Chaque impulsion h (t − ti ) est maintenant affectée
par une amplitude ci supposée aléatoire de
moyenne E c2i = µc et de variance var [ci ] = E c2i − E 2 [ci ] = σc2 , ce qui conduit à définir le

signal
Xc (t) = ∑ ci h (t − ti ) .
i
On suppose que les amplitudes ci et c j (avec i ̸= j ) sont des variables aléatoires indépendantes.
On suppose également que les amplitudes {ci }i∈Z sont indépendantes des instants de Poisson
{ti }i∈Z .
— Déterminer la moyenne du signal Xc (t).
— Montrer que la variance du signal Xc (t) est donnée par l’expression suivante
var [Xc (t)] = µc2 + σc2 λ T.

Correction.
1. Une des propriétés d’un processus de Poisson est le fait que le nombre d’instants ti situés
dans un intervalle de largeur τ, par exemple [t,t + τ[ noté N(t, τ) suit une loi de Poisson de
paramètre λ |τ|. Donc, pour un intervalle de largeur unité, c’est-à-dire tel que |τ| = 1, on a
E[N(t, τ)] = λ .
Le paramètre λ représente donc le moyen d’instants dans un intervalle de largeur unité.

2. Une réalisation du signal aléatoire X(t) est représentée ci-dessous
99
3. Le signal X(t) est clairement obtenu par filtrage linéaire de Z(t) par un filtre de réponse
impulsionnelle h(t). En effet,
Z(t) ∗ h(t) = ∑ δ (t − ti ) ∗ h(t) = X(t)

i
— La densité spectrale de puissance du signal X(t) peut done s’obtenir à l’aide de la relation
de Wiener-Lee
sX ( f ) = sZ ( f )|H( f )|2
= T F λ 2 + λ δ (τ) T 2 sin c2 (πT f )

= λ 2 δ ( f ) + λ T 2 sin c2 (πT f )

= λ 2 T 2 δ ( f ) + λ T 2 sin c2 (πT f )

On en déduit la fonction d’autocorrélation du signal X(t)
RX (τ) = T F −1 [sX ( f )]
= λ 2 T 2 + λ T ΛT (τ)
— La moyenne du signal X(t) se détermine comme suit
E[X(t)] = E[Z(t) ∗ h(t)]

Z
=E h(u)Z(t − u)du
Z
= h(u)E[Z(t − u)]du
Z
=λ h(u)du = λ T
La variance de X(t) s’écrit
var[X(t)] = E X 2 (t) − E 2 [X(t)]

= RX (0) − λ 2 T 2
= λ T.
4. — La moyenne du signal Xc (t) s’écrit
E [Xc (t)] = ∑ E [ci h (t − ti )]

i
100 Chapitre 6. Processus aléatoires
En utilisant l’indépendance entre les amplitudes {ci }i∈Z et les instants de Poisson {ti }i∈Z ,
on en déduit
E [Xc (t)] = ∑ E [ci ] E [h (t − ti )]
i
= ∑ µc E [h (t − ti )]
i
" #
= µc E ∑ h (t − ti )
i
= µc E[X(t)]
= λ T µc .
— Le calcul de la variance du signal Xc (t) est similaire à celui effectué pour la moyenne
" #
2
E Xc (t) = E ∑ ci h (t − ti ) ∑ c j h (t − t j )
i j
= ∑ E [ci c j h (t − ti ) h (t − t j )]
i, j
en utilisant à nouveau l’indépendance entre les amplitudes {ci }i∈Z et les instants de
Poisson {ti }i∈Z , on obtient
E Xc2 (t) = ∑ E [ci c j ] E [h (t − ti ) h (t − t j )]

i, j
= ∑ µc2 E [h (t − ti ) h (t − t j )] + ∑ µc2 + σc2 E h2 (t − ti )

i̸= j i= j
" #
= µc2 E + σc2 ∑ E h2 (t − ti )

∑ h (t − ti ) ∑ h (t − t j )
i j i= j
µc2 E
2
X (t) + σc2 ∑ E h2 (t − ti )

=
i
En utilisant le fait que

h2 (t − ti ) = h (t − ti )
on a
E Xc2 (t) = µc2 λ T + λ 2 T 2 + σc2 ∑ E [h (t − ti )]

i
= µc2 λ T + λ 2 T 2 + σc2 E[X(t)]

= µc2 λ T + λ 2 T 2 + λ T σc2

d’où
var [Xc (t)] = E Xc2 (t) − E 2 [Xc (t)]

= λ T µc2 + σc2

■
101

Exercise 6.3 t j est un processus de Poisson stationnaire de paramètre λ . On suppose que
t j < t j+1 et t−1 < 0 < t1 . On rappelle que pour un tel processus
(λ τ)k −λ |τ|
P [N(t, τ) = k] = e
k!
où N(t,τ) est le nombre d’instants t j situés dans l’intervalle [t,t + τ[.
1. u j est obtenu à partir du processus t j en supprimant et en conservant chaque instant t j
avec les probabilités pet 1− p, les opérations successives de suppression ou de conservation
étant
indépendantes. u j est-il un processus
de Poisson ?
2. v j est obtenu à partir du processus t j en supprimant les instants t j où j est impair.
v j est-il un processus de Poisson ?
■
Exercise 6.4 — Changement d’horloge. Soit A (t) est un signal des télégraphistes sur {−1, +1}
et Z (t) un processus aléatoire stationnaire de moyenne nulle et de fonction d’autocorrélation
KZ (τ). On suppose de plus que A(t) et Z(t) sont deux processus indépendants.
1. Calculer les deux fonctions caractéristiques suivantes :
h i h i
ψ ( f ) = E e2iπ f A(t) ϕ (τ, f ) = E e2iπ f (−A(t)+A(t−τ))
2. Soit V (t) = Z (t − A (t)). Calculer la moyenne et la fonction d’autocorrélation du processus

V (t) en fonction du spectre de Z (t) et de ϕ (τ, f ).
3. Déterminer la densité spectrale de puissance de V (t) lorsque SZ ( f ) = U ( f − f0 ) où U( f )
est l’échelon de Heaveside. A quelles conditions le spectre du processus V (t) est-il un
spectre à densité ? un spectre de raies ?
■

7. Prédiction
Exercise 7.1 Soit Z (t) un processus aléatoire stationnaire, de moyenne nulle, de fonction
d’autocorrélation KZ (τ) et de densité spectrale sZ ( f ) telle que
Z ∞
f 2 sZ ( f ) d f < ∞
−∞
1. Soit Z ′ (t) la dérivée en moyenne quadratique de Z(t). Calculer E [Z(t)Z ′∗ (t − τ)] et

E [Z ′ (t)Z ′∗ (t − τ)]. Dans la suite, on suppose Z(t) réel.
2. Déterminer a et b de façon que U(t) = aZ(t) + bZ ′ (t) approche au mieux Z(t + τ). Calculer
l’erreur d’approximation et vérifier qu’elle est nulle pour τ = 0.
3. Soit
Z t+T
1
VT (t) = Z(u)du
2T t−T
Déterminer le filtre linéaire FT tel que VT = FT (Z). Déterminer E [VT (t)], le spectre de
puissance et la fonction d’autocorrélation de VT (t). Quelle erreur commet-on lorsqu’on
confond Z(t) et VT (t) ?
■
Exercise 7.2 Soit X (t) un processus aléatoire stationnaire, de moyenne nulle, de fonction
d’autocorrélation K (τ) = e−2λ |τ| (on rappelle que la densité spectrale de puissance d’un tel
λ
processus est s ( f ) = λ 2 +π 2 f 2 ).
h i
1. Calculer a de façon à minimiser E (X(t0 ) − aX(0))2 pour t0 > 0.
2. Calculer E [X(u) (X(t0 ) − aX(0))] , ∀u ∈ R.
3. X(t) étant donné pour t ∈ R− , déterminer la meilleure prédiction linéaire Xe (u) de X(u)
104 Chapitre 7. Prédiction
pour u > 0 et calculer l’erreur de prédiction.

■
Exercise 7.3 Soit X(t) un signal des télégraphistes d’intensité λ > 0 (λ ̸= 12 ). On rappelle que
pour un tel signal :
KX (τ) = e−2λ |τ| ∀τ ∈ R

λ
sX ( f ) = λ 2 +π 2 f2 ∀f ∈ R
On considère le filtre linéaire F de réponse impulsionnelle h(t) définie comme suit
h(t) = 0 t <0
h(t) = e−t t >0
et le signal filtré Y (t) = F [X] (t).

1. Calculer la réponse fréquentielle (ou fonction de transfert) du filtre.
2. Déterminer la densité spectrale de puissance de Y (t).
3. Montrer que
1 h
−2λ |τ| −|τ|
i
KY (τ) = e − 2λ e ∀τ ∈ R
1 − 4λ 2
4. Montrer que pour t > 0, l’estimateur linéaire X(t)

e de X(t) sur son passé ∆ = ]−∞, 0] est
donné par :
e = X(0)e−2λt
X(t)
2
5. Calculer l’erreur associée σt2 = E X(t) − X(t)
e et commenter le résultat obtenu.
6. Soit t > 0. Montrer que l’on peut trouver des fonctions a(t) et b(t) telles qu’en posant
Ye (t) = a(t)Y ′ (0) + b(t)Y (0)
on ait :
h i
E Ye (t) −Y (t) Y (u) = 0 ∀u ≤ 0
7. En déduire, en justifiant soigneusement la réponse, l’estimateur linéaire de Y (t) pour t > 0

sur son passé ∆ = ]−∞, 0].
■

105
Deuxième partie
Signaux et systèmes à temps discret

1. Numérisation du signal
1.1 Rappels
Pour passer d’un signal analogique, défini à tout instant par des valeurs réelles, à un signal
numérique, défini à des instants discrets par un nombre fini de valeurs, deux opérations sont
nécessaires : une opération d’échantillonnage (discrétisation dans le domaine temporel) et une
opération de quantification (discrétisation dans le domaine des amplitudes).
— Echantillonnage (périodique)
Afin de conserver la même information dans le signal échantillonné et dans le signal à temps
continu, la fréquence d’échantillonnage Fe doit être choisie de manière à respecter la condition
de Shannon suivante :
Fe > 2Fmax ,
si Fmax représente la fréquence maximale de la transformée de Fourier du signal à échantillon-
ner.
Si la condition de Shannon est respectée, il est alors possible de reconstituer le signal analo-
gique, à partir de la suite des échantillons prélevés, en utilisant un filtre passe-bas de fréquence
de coupure fc ∈ [Fmax Fe − Fmax ]. En notant y(t) le signal reconstitué et Y ( f ) sa transformée
de Fourier, nous avons :
Y ( f ) = HPB ( f )Xe ( f )
si Xe ( f ) représente la transformée de Fourier du signal échantillonné xe (t). Et donc :
y(t) = hPB (t) ∗ xe (t) = hPB (t) ∗ ∑ x(kTe )δ (t − kTe ) = ∑ x(kTe )hPB (t − kTe )
k∈Z k∈Z
La reconstitution par filtrage est ainsi équivalente à une interpolation dans le domaine temporel.
110 Chapitre 1. Numérisation du signal
— Quantification (uniforme)
Chaque valeur du signal sera approchée par un multiple entier d’une quantité élémentaire
appelée pas de quantification. Le nombre de valeurs possibles, pour l’amplitude du signal
après quantification, va être donné par le nombre de bits de quantification utilisés : avec nb
bits on pourra coder 2nb niveaux sur la dynamique D du signal.
Dans le cas d’une quantification uniforme :
D
q=
2nb
L’opération de quantification est une opération irréversible mais, si elle est effectuée dans de
bonnes conditions (pas d’écrétage du signal, pas de quantification suffisamment fin), elle est
équivalente à l’ajout d’un bruit sur le signal non quantifié de départ, avec un rapport signal à
bruit de quantification qui s’écrit
SNRQ (dB) = 6 nb + constante
où la constante dépend du signal considéré.
1.2 Exercices
Exercise 1.1 — Cosinus mal échantillonné.
On échantillonne le signal x(t) = cos (2π f0t) avec f0 = 5kHz à la fréquence d’échantillonnage
Fe = 8kHz.
1. Déterminer la densité spectrale du signal échantillonné xe (t) et la représenter graphiquement
pour | f | < 12kHz.
2. Quel signal obtient-on si on filtre le signal xe (t) précédent à l’aide d’un filtre passe-bas
idéal de fréquence de coupure Fc = 4kHz ? Même question si on filtre le signal xe (t) à
l’aide d’un filtre passe-bande idéal de bande passante [−6kHz, −4kHz] ∪ [4kHz, 6kHz].
■
Correction.
1. La transformée de Fourier du signal X(t) est
1 1
X( f ) = δ ( f − f0 ) + δ ( f + f0 )
2 2
Le signal échantillonné s’écrit
∞ ∞
xe (t) = ∑ x(t − kTe ) = x(t) ∗ ∑ δ (t − kTe )
k=−∞ k=−∞
D’où " #
∞ ∞
Xe ( f ) = X( f ) Fe ∑ δ ( f − kFe ) = Fe ∑ X( f − kFe )
k=−∞ k=−∞
La périodisation d’ordre 0 est
X0 ( f ) = Fe X( f )
Fe Fe
= δ ( f − f0 ) + δ ( f + f0 )
2 2
Fe Fe
= δ ( f − 5kHz) + δ ( f + 5kHz)
2 2
1.2 Exercices 111
La périodisation d’ordre 1 est

X1 ( f ) = Fe X( f − Fe )
Fe Fe
= δ ( f − f0 − Fe ) + δ ( f + f0 − Fe )
2 2
Fe Fe
= δ ( f − 13kHz) + δ ( f − 3kHz)
2 2
La périodisation d’ordre −1 est

X−1 ( f ) = Fe X( f + Fe )
Fe Fe
= δ ( f − f0 + Fe ) + δ ( f + f0 + Fe )
2 2
Fe Fe
= δ ( f + 3kHz) + δ ( f + 13kHz) (1.1)
2 2
(1.2)
2. Si on filtre le signal xe (t) à l’aide d’un filtre passe-bas idéal de fréquence de coupure Fc = 4kHz,
on obtient donc un cosinus de fréquence fr = 3kHz. Si on filtre le signal xe (t) à l’aide d’un
filtre passe-bande idéal de bande passante [−6kHz, −4kHz] ∪ [4kHz, 6kHz], on obtient un
cosinus de fréquence fr = 5kHz.
■
Exercise 1.2 Effet de l’échantillonnage

Soit le signal suivant : x(t) = cos(2π f0t), f0 = 10 kHz.
1. Tracer la transformée de Fourier de x(t) : X( f ).
2. Est-il possible d’échantillonner x(t) sans perte d’information ? Si oui à quelle condition ?
3. Tracer, entre 0 et Fe , la transformée de Fourier de x(t) échantillonné à Te = 1/Fe quand :
(a) Fe = 30 kHz.
(b) Fe = 8 kHz.
4. A partir des échantillons nous souhaitons reconstruire x(t) par filtrage passe-bas à Fe /2.
Quels seront les signaux obtenus pour chaque fréquence d’échantillonnage précédente ?
■
Correction.
1. La transformée de Fourier de x(t), X( f ), est tracée sur la figure 1.1.
F IGURE 1.1 – Transformée de Fourier de x(t) = cos(2π f0t), f0 = 10 kHz.
2. Il est possible d’échantillonner x(t) sans perte d’information en utilisant une fréquence d’échan-
tillonnage Fe > 2 f0 = 20 kHz (respect de la condition de Shannon).
3. La transformée de Fourier de x(t), échantillonné à Te = 1/Fe , est tracée entre 0 et Fe sur la
figure 1.2 quand Fe = 30 kHz et sur la figure 1.3 quand Fe = 8 kHz.
F IGURE 1.2 – Transformée de Fourier de x(t) = cos(2π f0t), f0 = 10 kHz, Fe = 30 kHz.
F IGURE 1.3 – Transformée de Fourier de x(t) = cos(2π f0t), f0 = 10 kHz, Fe = 8 kHz.
4. Par filtrage passe-bas à Fe /2, nous obtenons x(t) = cos(2π f0t), avec f0 = 10 kHz pour Fe = 30
kHz, et x(t) = cos(2π f1t), avec f1 = 2 kHz pour Fe = 8 kHz.
■
Exercise 1.3 Signal à spectre non borné - Recherche de Fe

Soit le signal x(t) défini par :
−at
e si t ≥ 0, a > 0
x(t) = (1.3)
0 si t < 0.
1. Déterminer la transformée de Fourier X( f ) du signal x(t). Tracer |X( f )|.

2. Le signal x(t) est-il échantillonnable sans perte d’information ? Expliquez votre réponse.
3. En considérant la transformée de Fourier comme négligeable pour une atténuation minimale
de 40 dB par rapport à sa valeur maximum, dimensionner la fréquence d’échantillonnage,
Fe , à utiliser.
4. Une fois Fe déterminée, quel traitement doit-on appliquer au signal avant de l’échantillon-
ner ?
■
Correction.
1. Z +∞
1
X( f ) = e−(a+ j2π f )t dt =
0 a + j2π f
1
|X( f )| = p
a + 4π 2 f 2
2
.
1.2 Exercices 113
2. Non le signal n’est pas échantillonnable sans perte d’information car le spectre est non borné.
On ne peut donc pas appliquer la condition de Shannon.
3. On a le maximum du spectre pour f = 0. On souhaite donc trouver Fmax telle que :
|X(0)|2
10 log10 |X(Fmax )|2 ≤ 10 log10 |X(0)|2 − 10 log10 104 = 10 log10

104
D’où
1 1
≤
104 a2
p
a2 + 4π 2 Fmax
2
et donc
104 − 1 a2

2
Fmax ≥
4π 2
Soit, en négligeant 1 devant 104 :
100a
Fmax ≥
2π
et donc
100a
Fe ≥
π
4. Un filtre anti repliement doit être appliqué au signal avant de l’échantillonner afin de tronquer
le spectre du signal à Fmax et éviter ainsi les repliements.
■
Exercise 1.4 — Echantillonneur moyenneur.

L’échantillonneur moyenneur est une méthode pratique d’échantillonnage qui consiste à
calculer, toutes les Te secondes (période d’échantillonnage), la valeur moyenne du signal pendant
un intervalle de temps θ (θ << Te ) et à affecter cette valeur moyenne à l’échantillon discrétisé :
Z kT
1
y (kTe ) = x(u)du
θ kTe −θ
xech (t) = ∑ y (kTe ) δ (t − kTe )

k
1. Démontrer que le signal échantillonné xech (t) peut se mettre sous la forme :

1 θ
xech (t) = Πθ (t) ∗ x t − T. (t)
θ 2
où Πθ (t) etT (t) représentent respectivement la fenêtre rectangulaire de largeur θ et le

peigne de Dirac de période T .
2. En déduire la transformée de Fourier correspondante Xech ( f ).
3. En considérant un signal à support spectral borné 2∆ f et en prenant
1 1en compte que la
fonction sin c(πθ f ) peut être supposé constante sur l’intervalle − 3θ , 3θ

sin(πθ f ) 1 1
sin c(πθ f ) = ≈ 1 pour f ∈ − ,
πθ f 3θ 3θ
quelle(s) condition(s) doit vérifier θ pour que le signal x(t) puisse être restitué par filtrage
de xech (t) ?
Dans ces conditions peut-on échantillonner à la fréquence de Shannon ?
■
Correction.
1.
xech (t) = ∑ y (kTe ) δ (t − kTe ) = y(t) ∑ δ (t − kTe ) = y(t). Te (t)
k k
Reste à montrer que
1 θ
y(t) = Πθ (t) ∗ x t −
θ 2
1 t
Z
y(t) = x(u)du
θ t−θ
1 +∞
Z
θ
= x(u) × Πθ u − t − du
θ −∞ 2
1 +∞
Z
θ
= x(u) × Πθ t− − u du
θ −∞ 2

1 θ
= (x ∗ Πθ ) t −
θ 2
2.
1 1 k
Xech ( f ) = Y ( f ) ∗ 1/Te ( f ) = Y f−
Te Te ∑
k Te
avec
Y ( f ) = sinc(π f θ )X( f )e− jπ f θ
1
3. (a) Il faut que ∆ f ≤ 3θ ⇔ θ ≤ 3∆1 f
(b) Après filtrage antialiasing on pourra prendre Fe tel que
Fe 1 1
∆f < = ⇔ Te <
2 2Te 2∆ f
■
Exercise 1.5 — Echantillonnage à porte analogique.

On considère un signal déterministe x(t) de transformée de Fourier à bande limitée [−Fmax , Fmax ].
1. Rappeler l’expression du signal xe (t) obtenu par échantillonnage idéal de x(t) à la fré-
quence Fe . Déterminer la transformée de Fourier de xe (t) notée Xe ( f ). Représenter cette
transformée de Fourier Xe ( f ) lorsque Fe > 2Fmax et
2
sin (πFmaxt)
x(t) = Fmax .
πFmaxt
2. On considère désormais l’opération de blocage par produit représentée ci-dessous (le signal
d’origine est en bleu et le signal bloqué par produit est en noir)
1.2 Exercices 115
Exprimer le signal xb (t) comme le produit de x(t) avec une somme de fonctions portes que
l’on précisera. Exprimer cette somme de fonctions portes comme le produit de convolution
entre un peigne de Diracs et une fonction que l’on précisera. En déduire une expression de la
transformée de Fourier de xb (t) notée Xb ( f ). Expliquer comment retrouver la condition de
Shannon a partir de Xb ( f ). On suppose que la condition Fe > 2Fmax est vérifiee. Qu’obtient-
on lorsqu’on filtre le signal xb (t) par un filtre passe bas idéal de transmittance H( f ) =
ΠFe ( f ) ?
■
Correction.
1. Le signal xe (t) obtenu par échantillonnage idéal de x(t) à la fréquence Fe est défini par
∞ ∞
xe (t) = ∑ x (kTe ) δ (t − kTe ) = x(t) ∑ δ (t − kTe ) .
k=−∞ k=−∞
La transformée de Fourier de xe (t) s’écrit alors

∞ ∞
Xe ( f ) = X( f ) ∗ Fe ∑ δ ( f − kFe ) = Fe ∑ X ( f − kFe )
k=−∞ k=−∞
h i2
sin(πFmax t)
Lorsque x(t) = Fmax πFmax t , on a
X( f ) = ΛFmax ( f ),
d’où ∞
Xe ( f ) = Fe ∑ ΛFmax ( f − kFe )
k=−∞
2. Le signal bloqué s’écrit
" ∞ #
∞
θ θ
xb (t) = x(t) ∑ Πθ t − kTc − = x(t) Πθ t − · ∑ δ (t − kTc )
k=−∞ 2 2 k=−∞
La transformée de Fourier de xb (t) s’écrit alors

" #
∞
Xb ( f ) = X( f ) ∗ e− jπθ f θ sin c(πθ f )Fe ∑ δ ( f − kFc )
k=−∞
c’est-à-dire
" #
∞
Xb ( f ) = Fe θ X( f ) · ∑ e− jπθ kFe sin c (πθ kFc ) δ ( f − kFc )
k=−∞
et finalement on obtient
∞
Xb ( f ) = Fe θ ∑ e− jπθ kFe sin c (πθ kFe ) X ( f − kFe ) .
k=−∞
Lorsqu’on filtre le signal xb (t) par un filtre passe bas idéal de transmittance H( f ) = ΠFc ( f ),
on obtient le spectre d’ordre 0 correspondant à k = 0, c’est-à-dire
Fe θ X( f ).
On retrouve bien le spectre du signal d’intérêt.
■
Exercise 1.6 — Échantillonnage d’un signal périodique.

On considère un signal déterministe périodique
x(t) = A cos (2π f0t)
où A est une amplitude réelle positive et f0 = 5kHz. On échantillonne ce signal à la fréquence

fe = 1/Te pour obtenir
+∞
xe (t) = ∑ x (kTe ) δ (t − kTe )
k=−∞
1. Déterminer les transformées de Fourier des signaux x(t) et xe (t) notées X( f ) et Xe ( f ) et

montrer que Xe ( f ) s’obtient par périodisation de X( f ).
2. Représenter graphiquement Xe ( f ) lorsque fe = 100kHz et lorsque fe = 8kHz.
3. On filtre le signal Te (t) ) l’aide d’un filtre passe bas idéal de fréquence de coupure fc = fc /2
pour obtenir le signal xr (t) = xe (t) + h(t) avec
(
1 fc fc
fe si − 2 ≤ f ≤ 2
1
H( f ) = TF[h(t)] = Π fc ( f ) =
fc 0 sinon.
En s’aidant des résultats de la question précédente, déterminer l’expression du signal xr (t) dans
les deux cas fe = 100kHz et fe = 8kHz. 4. Qu’appelle-t-on formule d’interpolation de Shannon ?
■
Correction.
1. La TF de x(t) est bien connue (voir tables)
A
X( f ) = [δ ( f − f0 ) + δ ( f + f0 )] .
2
Celle de Xe ( f ) a été déterminée en cours
" # " #
+∞ +∞ +∞
Xe ( f ) = TF x(t) ∑ δ (t − kTe ) = X( f ) ∗ fe ∑ δ ( f − k fe ) = fe ∑ X ( f − k fe )
k=−∞ k=−∞ k=−∞
1.2 Exercices 117
qui s’obtient bien par périodisation de X( f ).

2. Il suffit de représenter des raies aux fréquences f0 ± k fe et − f0 ± k fe avec k ∈ Z.
3. Dans le premier cas ( fe = 100kHz), on respecte la condition de Shannon. Le signal restitué
est donc
xτ (t) = cos (2π f0t)
qui est le signal d’origine. Dans le second cas ( fe = 8kHz), on ne respecte plus la condition
de Shannon. En faisant un dessin, on observe qu’on obtient après filtrage deux raies aux
fréquences fr = 3kHz et − fr = −3kHz, c’est-à-dire
xr (t) = cos (2π fr t) .
4. C’est la formule qui permet de restituer un signal x(t) à partir de ses valeurs échantillonnées
x (kTe ) par interpolation (voir cours)
+∞
xr (t) = fe ∑ x (kTe ) sinc [π fe (t − kTe )]
k=−∞
sin(x)
avec sinc(x) = x
■
Exercise 1.7 — Echantilonnage d’un signal complexe.

1. On considère un signal déterministe à énergie finie à valeurs réelles noté s(t). Montrer que les
parties réelles et imaginaires de la transformée de Fourier de s(t) notées Sr ( f ) et Si ( f ) sont des
fonctions respectivement paires et impaires.
2. On suppose que la transformée de Fourier du signal s(t) est définie par

 A si − F <
 f <0
f
S( f ) = Sr ( f ) + iSi ( f ) = A 1 − 2F si 0 ≤ f < 2F

0 sinon

Représenter graphiquement S( f ) et en déduire si s(t) est un signal réel ou complexe (on pourra
utiliser 1).
3. On échantillonne le signal s(t) à la fréquence fe = 7F/2. Représenter graphiquement la
transformée de Fourier du signal échantillonné
∞
se (t) = ∑ s (kTe ) δ (t − kTe ) .
k=−∞
On désire restituer le signal s(t) par filtrage du signal se (t) avec un filtre de transmittance

1 si F1 < f < F2
H( f ) =
0 sinon
Donner des conditions que doivent vérifier les fréquences F1 et F2 pour que la restitution se fasse
sans erreur. La fréquence d’échantillonnage respecte-t-elle la condition de Shannon ? Pouvez
vous expliquer pourquoi on peut avoir une reconstruction sans erreur de s(t) à partir de se (t) ?
4. On considère un signal complexe s(t) et sa partie réelle notée r(t) telle que
1
r(t) = [s(t) + s∗ (t)]
2
Déterminer la transformée de Fourier de r(t) notée R( f ) et représentez la graphiquement lorsque
s(t) est le signal de la question 2). Quelle est la condition de Shannon pour le signal réel r(t) ?
Expliquer ce résultat. ■
Correction.
1. Si s(t) est un signal déterministe à énergie finie réel, alors les parties réelle et imaginaire de sa
transformée de Fourier s’écrivent
Z
Sr ( f ) = s(t) cos(2π f t)dt
Z
Si ( f ) = s(t) sin(2π f t)dt
donc en utilisant le fait que la fonction f → cos(2π f t) est paire et que la fonction f →
sin(2π f t) est impaire, on obtient
Sr (− f ) = Sr ( f ) et Si (− f ) = −Si ( f ).
2. Puisque la transformée de Fourier du signal s(t) est réelle, on a


 A si − F <
 f <0
f
Si ( f ) = 0 et Sr ( f ) = A 1 − 2F si 0 ≤ f < 2F

0 sinon

Comme Sr ( f ) n’est pas une fonction paire, le signal x(t) est complexe.
3. On échantillonne le signal s(t) à la fréquence fe = 7F/2. La transformée de Fourier du signal
échantillonné peut se représenter comme suit
Pour restituer le signal s(t) par filtrage du signal sε (t) sans erreur, il suffit donc de choisir
3F 5F
− < F1 < −F et 2F < F2 <
2 2
La fréquence d’échantillonnage est
7F
fe = < 2Fmax = 4F
2
1.2 Exercices 119
et donc elle ne respecte pas la condition de Shannon. Ceci peut paraitre étrange puisqu’on peut
reconstruire s(t) à partir de se (t) sans erreur. On a profité du fait que le spectre de s(t) n’occupe
pas toute la bande [−2F, 2F] pour créer un repliement des spectres d’ordres supérieurs qui ne
se superposent pas entre eux.
4. On considère un signal complexe s(t) et sa partie réelle notée r(t) telle que
1
r(t) = [s(t) + s∗ (t)]
2
Alors la transformée de Fourier de r(t) s’écrit
1 1
R( f ) = S( f ) + S∗ (− f )
2 2
1 1
= S( f ) + S(− f )
2 2
et est représentée ci-dessous
La condition de Shannon pour le signal réel r(t) est

fe > 2Fmax = 4F
Comme le spectre de r(t) occupe toute la bande [−2F, 2F], on ne peut échantillonner avec une
fréquence inférieure à 4F (limite inférieure de Shannon) si on veut restituer r(t) à partir de
re (t) sans erreur. Le fait de prendre la partie réelle du signal s(t) à crée un signal réel dont le
spectre occupe toute la bande [−2F, 2F] et donc on ne bénéficie plus de la bonne propriété de
la question précédente.
■
Exercise 1.8 On considère un signal déterministe

2
sin (π f0t)
x(t) = f0 = f0 sin c2 (π f0t)
π f0t
avec f0 > 0 1. On échantillonne le signal x(t) avec la fréquence d’échantillonnage Fe = 1/Te .

Déterminer la transformée de Fourier du signal échantillonné
+∞
xe (t) = ∑ x (kTe ) δ (t − kTe )
k=−∞
notée Xe ( f ). Représenter graphiquement Xe ( f ) lorsque Fe = 3 f0 et lorsque Fe = f0 .

2. On désire restituer le signal x(t) en filtrant le signal échantillonné xe (t) par un filtre passe bas
idéal de transmittance
1 si | f | < F2v

H( f ) = ΠFα ( f ) =
0 sinon
Déterminer l’expression du signal restitué xr (t) lorsque Fe = 3 f0 et lorsque Fe = f0 . Commenter
ce résultat. ■
Correction.
1. La transformée de Fourier du signal échantillonné
∞
xe (t) = ∑ x (kTe ) δ (t − kTe )
k=−∞
est définie par

" #
∞
Xe ( f ) = T F [xe (t)] = T F x(t) ∑ δ (t − kTe )
k=−∞
∞ ∞
= X( f ) ∗ Fe ∑ δ ( f − kFe ) = Fe ∑ X ( f − kFe )
k=−∞ k=−∞
Puisque
X( f ) = T F[x(t)] = T F f0 sin c2 (π f0t) = Λ f0 ( f )

on obtient
∞
Xe ( f ) = Fe ∑ Λ f0 ( f − kFe )
k=−∞
Pour Fe = 3 f0 et Fe = f0 , on obtient les représentations suivantes (dans le deuxième cas, on a

un repliement du spectre puisqu’on ne respecte pas la condition de Shannon).
1.2 Exercices 121
2. On désire restituer le signal x(t) en filtrant le signal échantillonné xε (t) par un filtre passe bas
idéal de transmittance
1 si | f | < Fe
H( f ) = ΠFe ( f ) =
0 sinon
Lorsque Fe = 3 f0 , on récupère le spectre d’ordre 0, c’est-à-dire
Fε X( f ) = 3 f0 X( f )
c’est à-dire le signal temporel
xr (t) = T F −1 [3 f0 X( f )] = 3 f0 x(t)
Par contre, lorsque Fe = f0 , on récupère en sortie du filtre de restitution
Fε ΠFe ( f ) = f0 Π f0 ( f )
c’est à-dire le signal temporel
xr (t) = T F −1 f0 Π f0 ( f ] = f02 sin c (π f0t)

Le signal restitué est très différent du signal d’origine car on n’a pas respecté la condition de
Shannon.
■
Exercise 1.9
1. On considère le signal déterministe
2
sin (π fmt)
x(t) = fm
π fmt
1
que l’on échantillonne avec la fréquence d’échantillonnage fe = Te . Déterminer le spectre
du signal échantillonné idéal
∞
xe (t) = ∑ x (kTe ) δ (t − kTe )
k=−∞
et représenter le graphiquement. Expliquer comment on peut à l’aide de ce graphique

retrouver la condition de Shannon.
— Qu’appelle-t-on formule d’interpolation de Shannon ?
— Expliquer le rôle du filtre anti-repliement.
2. Afin de reconstruire le signal x(t) à partir de xe (t), on considère un filtre de restitution de
réponse impulsionnelle
1 si t ∈]0, Te ⌉
h(t) =
0 sinon
— Donner l’expression du signal restitué xr (t) = xe (t)∗h(t) et montrer qu’il peut s’écrire
∞
xr (t) = ∑ ak (t)x (kTe )
k=−∞
où ak (t) est une fonction que l’on précisera. Représenter graphiquement le signal x(t)
et sa restitution xr (t).
— Déterminer la transformée de Fourier du signal xr (t) notée Xr ( f ). Le module de cette
tranformée de Fourier est représenté ci-desssous. Expliquer cette représentation.
— Afin de compenser la distorsion induite par le filtre de restitution h(t), on utilise un

filtre appelé filtre anti-imageur de fonction de transfert
π f Te
Hc ( f ) =
sin (πTe f )
Expliquer l’expression de cette fonction de transfert.

■
Correction.
1. Ce résultat a été obtenu en cours
" #
∞
Xe ( f ) = T F ∑ x (kTe ) δ (t − kTe )
k=−∞
" #
∞
= T F x(t) ∑ δ (t − kTe )
k=−∞
" #
∞
= X( f ) ∗ fe ∑ δ ( f − k fe )
k=−∞
c’est-à-dire ∞
Xe ( f ) = Fe ∑ X ( f − k fe )
k=−∞
Mais la transformée de Fourier de x(t) est
X( f ) = Λ fm ( f )
done ∞
Xe ( f ) = fe ∑ Λ fm ( f − k f e )
k=−∞
On retrouve la condition de Shannon en disant que les divers spectres Λ fm ( f − kFe ) ne se

chevauchent pas, ce qui correspond à
fe − fm > fm ⇔ fe > 2 fm
La formule d’interpolation de Shannon est l’expression qui permet à partir d’un filtrage
passebas de xe (t) de retrouver x(t). Plus précisement, le filtre passe-bas est de transmittance
1
H( f ) = Π f ( f ) ⇐⇒ h(t) = sin c (π fet)
fe e
1.2 Exercices 123
d’où la formule d’interpolation de Shannon

∞
xb(t) = ∑ x (kTe ) δ (t − kTe ) ∗ sin c (π fet)
k=−∞
c’est-à-dire ∞
xb(t) = ∑ x (kTe ) sin c [π fe (t − kTe )]
k=−∞
Le filtre anti-repliement est un filtre analogique situé avant le convertisseur analogiquenumé-

rique. Ce filtre évite qu’après échantillonnage certaines fréquences hors de la bande d’intérêt
se retrouvent (se replient) dans la bande d’intérêt.
2. Le signal restitué s’écrit
xr (t) = xe (t) ∗ h(t)

∞
Te
= ∑ x (kTe ) δ (t − kTe ) ∗ ΠTe t −
k=−∞ 2
∞
Te
= ∑ x (kTe ) ΠTe t − kTe −
k=−∞ 2
La transformée de Fourier de xr (t) s’écrit
Xr ( f ) = T F [xr (t)]
= T F [xe (t) ∗ h(t)]
" #
∞
= fe ∑ Λ fm ( f − k fe ) H( f )
k=−∞
avec
H( f ) = Te e− jπTe f sin c (π f Te )
Le module de cette transformée de Fourier est donc en supposant que fe est suffisamment
grand
∞
|Xr ( f )| ≃ ∑ Λ fm ( f − k fe ) |sin c (π f Te )|
k=−∞
On voit donc que chaque spectre Λ fm ( f − k fe ) est perturbé par le terme |sin c (π f Te )| qui
génère de la distorsion. C’est pour cette raison que le spectre d’ordre 0 n’apparait pas comme
un triangle. Autour des fréquences fe et − fe , on observe
Λ fm ( f − fe ) |sin c (π f Te )| et Λ fm ( f + k fe ) |sin c (π f Te )|
Pour compenser la distorsion (à une phase près), il suffit d’ajouter un filtre de fonction de
transfert
1 πf
=
Te sin c (π f Te ) sin (π f Te )
3.
■
Exercise 1.10 Echantillonnage d’un signal passe-bande

On considère le signal
x(t) = x+ (t) + x− (t)
avec
sin(πBt) j2π f0t
x+ (t) = B e
πBt
sin(πBt) − j2π f0t
x− (t) = B e
πBt
f0 = 8kHz et B = 2kHz.
1. Déterminer la transformée de Fourier du signal x(t) et la représenter graphiquement.
2. Comment s’écrit la condition de Shannon pour le signal x(t) ?
3. On échantillonne le signal x(t) à la fréquence Fe = 6kHz.
(a) Représenter graphiquement la transformée de Fourier du signal échantillonné xe (t)
dans la bande [−9kHz, 9kHz]
(b) On désire restituer le signal x(t) à partir de xe (t) par un filtrage de réponse en
fréquence H( f ).
— 1ier cas : H( f ) = ΠF ( f ) avec F = 6kHz. Quel sera le signal restitué par ce filtre ?
— 2me cas : H( f ) = ΠB ( f + f0 ) + ΠB ( f − f0 ) avec f0 = 8kHz et B = 2kHz. Quel
sera le signal restitué par ce filtre ?
— Conclusion ?
■
Correction.
1. Voir figure 1.4 :
X( f ) = X + ( f ) + X − ( f ) = ∏( f ) ∗ δ ( f − f0 ) + ∏( f ) ∗ δ ( f + f0 ) = ∏( f − f0 ) + ∏( f + f0 )
B B B B
F IGURE 1.4 – Transformée de Fourier de x(t).
2. Fe > 2Fmax avec Fmax = f0 + B2 = 9 kHz ici.

3. On échantillonne le signal x(t) à la fréquence Fe = 6kHz.
(a) Voir sur la figure 1.5
(b) On désire restituer le signal x(t) à partir de xe (t) par un filtrage de réponse en fréquence
H( f ).
1.2 Exercices 125
F IGURE 1.5 – Transformée de Fourier de x(t) avec Fe = 8 kHz.
— 1ier cas : H( f ) = ΠF ( f ) avec F = 6kHz.

Voir la figure 1.6, on retrouvera
sin(πBt) j2π f1t sin(πBt) − j2π f1t
x(t) = B e +B e = 2Bsinc(πBt) cos(2π f1t)
πBt πBt
avec f1 = −Fe + f0 = 2 kHz.
F IGURE 1.6 –
— 2me cas : H( f ) = ΠB ( f + f0 ) + ΠB ( f − f0 ) avec f0 = 8kHz et B = 2kHz.

Voir la figure 1.7, on retrouvera
sin(πBt) j2π f0t sin(πBt) − j2π f0t
x(t) = B e +B e = 2Bsinc(πBt) cos(2π f0t)
πBt πBt
avec f0 = 8 kHz.
F IGURE 1.7 –
— Conclusion : Il est possible d’échantillonner un signal de type passe-bande sans

respecter la condition de Shannon tout en assurant une reconstition parfaite (par
filtrage passe-bande), à condition que les repliments se fassent dans les trous du
spectre de départ.
■
Exercise 1.11 Echantillonneur bloqueur

L’échantillonneur bloqueur est un échantillonneur réalisable en pratique qui consiste à acquérir
un échantillon du signal, x(t), toutes les Te secondes (période d’échantillonnage) et à le bloquer
pendant τ secondes (τ << Te ).
1. Proposer une écriture du signal échantillonné de cette manière, xe (t), en fonction de
l’expression du signal échantillonné de manière idéale :
xei (t) = ∑ x(kTe )δ (t − kTe )

k∈Z
2. Calculer la transformée de Fourier du signal échantillonné à l’aide de cette méthode.

L’écrire en fonction de la transformée de Fourier, X( f ), du signal de départ.
3. Est-il possible de dimensionner τ pour que l’échantillonnage par bloqueur se rapproche
d’un échantillonnage idéal ?
■
Correction.
1. Le signal échantillonné par bloqueur va être constitué d’une somme de fonctions porte espacées
de Te , de largeur τ et de hauteur x(kTe ) si x(kTe ) représente la valeur de l’échantillon prélevé
sur le signal x(t) à l’instant kTe . On peut donc écrire le signal échantillonné, xe (t), de la
manière suivante :
τ
xe (t) = ∑ x(kTe )Πτ t − − kTe
k∈Z 2
τ
= Πτ t − ∗ ∑ x(kTe )δ (t − kTe )
2 k∈Z
τ
= Πτ t − ∗ xei (t)
2
2.
Xe ( f ) = τsinc (π f τ) e− jπ f τ ∗ Xei ( f )
= τsinc (π f τ) e− jπ f τ ∗ Fe ∑ X ( f − kFe )
k∈Z
1
où Fe = représente la fréquence d’échantillonnage du signal.
Te
3. Si le critère de Shannon est vérifié, on pourra récupérer X( f ) à condition que τ1 >> Fmax , en
appelant Fmax la fréquence maximale du signal x(t). On aura alors, en effet, sinc (π f τ) ≃ 1
sur la bande du signal.
■
Exercise 1.12 Quantification d’une sinusoïde

Soit un signal sinusoïdal
x(t) = A0 sin (2π f0t + φ )
√
avec f0 = 50Hz, A0 = 220 2V et φ une phase aléatoire uniformément répartie entre 0 et 2π.
On suppose que la quantification de cette sinusoïde est effectuée dans de bonnes conditions : pas
1.2 Exercices 127
d’écrétage du signal, pas de quantification q = 2Dnb suffisament fin (D représentant la dynamique

du signal et nb le nombre de bits de quantification). Elle est donc équivalente à l’ajout d’un bruit,
n Q (t), sur
le signal non quantifié de départ, bruit aléatoire, centré qui suit une loi uniforme sur
− q2 , q2 . Déterminer le rapport signal à bruit de quantification en fonction de nb. ■
Correction.

Px
SNRdB = 10 log10
Pn
si Px représente la puissance du signal x(t) et Pn la puissance du bruit de quantification, nQ (t), qui
vient s’ajouter au signal de départ.
A2
Px = 0
2
(résultat classique pour la puissance d’un sinus ou d’un cosinus, calculé par exemple dans l’exrcice
3.14 de la partie I)
" # q2
q 3
Z 2 1 2 1 nQ (t) q2
Pn = E n2Q (t) =

nQ (t)dnQ = =
− q2 q q 3 q 12
−2
D’où
3 2nb
SNRdB = 10 log10 2 ≃ 1.76 + 6nb
2
■
2. Transformée de Fourier Discrète
2.1 Rappels
Un signal numérique est un tableau de points contenant un nombre fini, N, de valeurs de
signal : [x(0) x(1)... x(N − 1)], le kième élément x(k) représentant en réalité x(kTe ) si on considère
un échantillonnage temporel périodique de période Te .
On travaille donc avec un signal échantillonné et limité dans le temps et il n’est pas possible d’utiliser
l’expression suivante pour en déterminer la transformée de Fourier :
Z
X( f ) = x(t)e j2π f t dt
R
Des approximations doivent être effectuées à partir de l’expression de X( f ) pour obtenir un

outil implantable en numérique (Transformée de Fourier Discrète ou TFD) :
N−1
kn
X(n) = ∑ x(k)e− j2π N , n = 0, ..., N − 1
k=0
Ces approximations, ainsi que leurs conséquences, doivent être connues de manière à être
capable de mener correctement une analyse spectrale en numérique.
Un signal numérique est échantillonné. Sa transformée de Fourier est donc périodique de période
Te = F1e et on doit donc faire attention au respect du théorème d’échantillonnage de Shannon si on
veut conserver l’information du signal de départ dans le signal échantillonné.
Un signal numérique est composé d’un nombre fini de points. La connaissance du signal sur un
nombre limité de points conduit à une distorsion de la transformée de Fourier attendue : convolution
par la de la transformée de Fourier de la fenêtre de troncature du signal. On réalise alors chaque
analyse spectrale en utilisant plusieurs fenêtres de troncature (fenêtres de pondération) pour obtenir
différentes visualisations de la transformée de Fourier d’un même signal afin d’en extraire des
informations différentes.
130 Chapitre 2. Transformée de Fourier Discrète
Tout comme le signal numérique ne peut pas être à temps continu, il ne sera possible de calculer
qu’un nombre fini d’échantillons de la TFD. Cela a deux conséquences : une mauvaise résolution
de la TFD observée, qui pourra être améliorée en utilisant une méthode d’interpolation comme le
zero padding, et un signal qui devra être considéré comme périodique en temporel par transformée de
Fourier inverse, ce qui aura pour effet de transformer un produit en produit de convolution circulaire
(entre signaux périodisés).
2.2 Exercices
Exercise 2.1 — Etude de la TFD d’un signal à spectre continu : effet de la limitation de la
durée du signal.
e−at si t ≥ 0, a > 0

x(t) =
0 si t < 0.
On observe le signal sur une durée limitée L.

1. Montrer que la transformée de Fourier du signal observé sur une durée [0, L] s’écrit
XL ( f ) = X( f )G( f , L)
2. Déterminer le module de G( f , L).
3. Montrer que |G( f , L)| est compris entre 1 − e−aL et 1 + e−aL .
4. Chiffrer ces bornes pour L = 4a .
5. Déterminer la phase de G( f , L).
6. En utilisant les développements limités dans le cas où L >> 1a , montrer qu’on peut arriver
à la valeur approchée de la phase suivante :
Arg [G( f , L)] ≃ e−aL sin(2π f L)
7. Borner la valeur approchée de la phase et la chiffrer pour L = a4 .

8. Quelle conclusion peut-on tirer de ces calculs sur l’effet de la troncature du signal x(t) ?
■
Correction.
1. Calculons tout d’abord la transformée de Fourier du signal x(t) :
Z +∞ Z +∞
1
X( f ) = x(t)e j2π f t
dt = e−(a+ j2π f )t dt = (2.1)
−∞ 0 a + j2π f
puis celle du signal observé sur une durée [0, L] :
Z L Z L
XL ( f ) = x(t)e j2π f t dt = e(−a+ j2π f )t dt = X( f ).G( f , L)
0 0
avec
G( f , L) = 1 − e−(a+ j2π f )L = 1 − e−aL (cos(2π f L) − j sin(2π f L))
2.
2
|G( f , L)|2 = 1 − e−aL cos(2π f L) + e−2aL sin2 (2π f L)
= 1 − 2e−aL cos(2π f L) + e−2aL
2.2 Exercices 131
3.
1 − e−aL (quand cos(2π f L) = +1) ⩽ |G( f , L)| ⩽ 1 + e−aL (quand cos(2π f L) = −1)

4
4. Pour L = a on a :
e−aL = e−4 = 0.0183
D’où
0.9817 ⩽ |G( f , L)| ⩽ 1.0183
|G( f , L)| ≃ 1
Et donc :
|XL ( f )| = |X( f )||G( f , L)| ≃ |X( f )|
5.
e−aL sin(2π f L)

Arg [G( f , L)] = Arctan
1 − e−aL cos(2π f L)
1
6. Pour L << a on a :
e−aL << 1
Et donc
Arg [G( f , L)] ≃ Arctan e−aL sin(2π f L)

car
e−aL cos(2π f L) << 1
D’où
Arg [G( f , L)] ≃ e−aL sin(2π f L)
car
Arctan(x) ≃ x quand x << 1
7.
|Arg [G( f , L)] | ≤ e−aL = 0.0183 ≃ 0
Et donc
Arg [XL ( f )] = Arg [X( f )] + Arg [G( f , L)] ≃ Arg [X( f )]
8. On n’abime donc pas trop ni le module ni l’argument du spectre en observant le signal sur une
durée suffisante (vrai pour L = 4a , alors e−aL ≃ 0.02).
! !Attention ! ! En nommant wL (t) la fenêtre de troncature du signal à une durée L on a bien

T F[x(t)wL (t)] = X( f ) ∗ WL ( f ), où WL ( f ) représente la transfomée de Fourier de la fenêtre de
troncature (rectangulaire ici). On a juste montré que, dans ce cas, la dégradation du spectre due
à la convolution par la transformée de Fourier de la fenêtre de troncature se ramène à une erreur
multiplicative que l’on a appelé G( f , L), c’est-à-dire : T F[x(t)wL (t)] = X( f ) ∗W ( f ) = X( f )G( f , L).
■
Exercise 2.2 — Etude de la TFD d’un signal à spectre continu : effet de l’échantillonnage
du signal.
e−at si t ≥ 0, a > 0

x(t) =
0 si t < 0.
1. Déterminer la transformée de Fourier X( f ) du signal x(t). Tracer |X( f )|.

2. En théorie le signal x(t) est-il échantillonnable sans perte d’information ? Expliquez votre
réponse.
3. En considérant la transformée de Fourier comme négligeable pour une atténuation minimale
de 40 dB par rapport à sa valeur maximum, dimensionner la fréquence d’échantillonnage à
utiliser Fe .
4. Donner l’expression de la transformée de Fourier d’un signal x(t) échantillonné à Te ,
c’est-à-dire la transformée de Fourier de {x(kTe )} pour k = −∞, ..., +∞. On la notera
Xe ( f ).
5. Déterminer Xe ( f ) pour le signal donné par (1.3). Vérifier qu’elle est périodique de période
Fe . La comparer à X( f ).
■
Correction.
1. X( f ) a été calculée précédemment : voir équation 2.1.
2. X( f ) est à support non borné. En théorie x(t) n’est donc pas échantillonnable sans perte
d’information. Cependant X( f ) tend vers 0 quand f → ∞. En pratique le signal x(t) pourra
donc être échantillonné avec une perte d’information "acceptable". Reste à définir un critère
d’acceptabilité pour la perte d’information. Dans l’exercice on demande de considèrer que
X( f ) est nul pour une atténuation de plus de 40 dB par rapport à son maximum (voir question
suivante).
3. On va considèrer que X( f ) est nul pour une atténuation de plus de 40 dB par rapport à son
maximum pour en déduire une fréquence maximale Fmax et l’utiliser pour dimensionner la
fréquence d’échantillonnage Fe :
|X(0)|
20log|X(Fmax )| = 20log|Xmax ( f )| − 40dB = 20log|X(0)| − 20log102 ⇔ |X(Fmax )| =
102
Ce qui conduit à
100a
Fmax ≃
2π
Et donc
100a
Fe >
π
4.
+∞
Xe ( f ) = ∑ x(kTe )e− j2π f kTe
k=−∞
5.
+∞ h ik 1
Xe ( f ) = ∑ e−(a+ j2π f Te ) =
k=0 1 − e−(a+ j2π f )Te
2.2 Exercices 133
X( f ) est bien périodique de période Fe : X( f + pFe ) = X( f ), p ∈ Z.
Remarques :
— Pour f << F2e ⇒ 2Fef << 1 on peut faire un développement limité de l’exponentielle (on
a aussi aTe = 100
π << 1) qui donne
1
Xe ( f ) ∼ = Fe X( f )
a + j2π f Te
Ce résultat s’explique par le fait que l’influence de la périodisation d’ordre 1 devient
importante quand f approche de F2e mais est faible quand f << F2e . Le facteur Fe est dû
au fait que l’on définit la TFD (equation (??)) à un facteur Te près.
— on pensera à utiliser un filtre anti repliement avant d’échantilonner x(t).
■
Exercise 2.3 — Etude de la TFD d’un signal à spectre continu : échantillonnage et

limitation de la durée du signal.
e−at si t ≥ 0, a > 0

x(t) =
0 si t < 0.
1. Donner l’expression de la transformée de Fourier d’un signal x(t) échantillonné à Te et

limité à N points, c’est-à-dire la transformée de Fourier de {x(kTe )} pour k = 0, ..., N − 1.
On la notera XD ( f ).
2. Déterminer XD ( f ) pour le signal donné par (??). La comparer à X( f ).
■
Correction.
1.
N−1
XD ( f ) = ∑ x(kTe )e− j2π f kT e
(2.2)
k=0
2.
N−1 h ik 1 − e−(a+ j2π f )NTe
XD ( f ) = ∑ e−(a+ j2π f Te ) =
k=0 1 − e−(a+ j2π f )Te
Se combinent ici les deux approximations précédentes.
■
Exercise 2.4 — Etude de la TFD d’un signal à spectre discontinu : calcul d’un nombre fini
de points du spectre.
x(t) = Ae j(2π f0t+φ ) , t ∈ R, φ = constante
1. Déterminer la transformée de Fourier X( f ) du signal x(t).

2. Déterminer la transformée de Fourier du signal observé sur une durée limitée [0, L]. On la
note XL ( f ).
3. Déterminer la transformée de Fourier du signal échantillonné à Te et observé sur N points.
On la note XD ( f ).
4. La transformée de Fourier numérique (spectre du signal) ne sera calculée que pour un
Fe
nombre fini, N, de points : XD ( f ) → XD (n N ) pour n = 0, ..., N − 1.
Dans le cas où f0 = nN0 Fe , avec n0 entier, déterminer XD (n) (notation pour XD (n FNe )) puis
tracer |XD (n)| pour n = 0, ..., N − 1. Que constate t-on ?
5. Tracer |XD (n)|, pour n = 0, ..., N − 1, dans le cas où f0 = n0N+ε Fe , n0 entier et 0 < ε < 1.
Ce résultat est-il satisfaisant (permet-il une analyse spectrale correcte) ?
6. Quelle méthode peut-on utiliser pour améliorer la visualisation de la transformée de Fourier
numérique (et donc le résultat de l’analyse spectrale) ?
■
Correction.
1. x(t) = Ae jφ e j2π f0t → X( f ) = Ae jφ δ ( f − f0 )
2. Pour obtenir XL ( f ), on peut procéder de deux manières :
Z L Z L
XL ( f ) = x(t)e− j2π f t dt = Ae jφ e− j2π( f − f0 )t dt
0 0
→ ALe jφ sinc (π( f − f0 )L) e− jπ( f − f0 )L

ou

L
XL ( f ) = T F x(t)ΠL t − = X( f ) ∗ {Lsinc(π f L)e− jπ f L }
2
= ALe jφ sinc (π( f − f0 )L) e− jπ( f − f0 )L (2.3)
L
ΠL t − 2 représente une fenêtre rectangulaire (ou fonction porte) de largeur L centrée en L2 .

3.
N−1 h ik 1 − e− j2π( f − f0 )NTe
XD ( f ) = Ae jφ ∑ e− jπ( f − f0 )Te ) =
k=0 1 − e− j2π( f − f0 )Te
sin (π( f − f0 )NTe )
= Ae jφ e− jπ( f − f0 )(N−1)Te (2.4)
sin (π( f − f0 )Te )
Fe
4. On calcule N points du spectre sur une période Fe , d’où le pas de calcul de N. La variable
fréquentielle f devient donc n FNe , avec n = 0, ..., N − 1.
Dans le cas où f0 = n0 FNe , on a :
(n−n0 ) sin (π(n − n0 ))
XD (n) = Ae jφ e− jπ N (N−1)
sin π (n−n
N
0)
qui donne :
Ae jφ N pour n = n0

XD (n) =
0 ailleurs.
La figure 2.1 donne un exemple de représentation de XD (n) dans le cas où n0 = 4. On remarque
que l’on retrouve la transformée de Fourier théorique d’une exponentielle de fréquence f0 ,
soit un Dirac en f0 .
2.2 Exercices 135
F IGURE 2.1 – Exemple de représentation de XD (n) dans le cas où n0 = 4.
5. Le cas où f0 = n0 FNe est un cas très particulier. La plupart du temps on a f0 = (n0 + ε) FNe .
Un exemple de la transformée de Fourier numérique XD (n) correspondante est tracé sur la
figure 2.2. A partir des points représentant la transformée de Fourier numérique du signal nous
n’avons plus aucun moyen de décider qu’il s’agit du spectre d’une exponentielle.
F IGURE 2.2 – Exemple de représentation de XD (n) dans le cas où n0 = 4 + ε.
6. La solution permettant de mieux visualiser le spectre est d’interpoler. On le fera grâce à la

technique du Zero Padding.
■
3. Transformée en z
3.1 Rappels
Tout comme la transformée de Laplace permet l’étude des systèmes analogiques linéaires
invariants dans le temps, la transformée en z va permettre l’étude des systèmes numériques
linéaires invariants dans le temps.
Elle est définie par :

+∞
X(z) = T Z [x(n)] = ∑ x(n)z−n , z ∈ C
n=−∞
En utilisant le critère de Cauchy, on montre qu’elle converge pour 0 ≤ R− +

x ≤ |z| < Rx < ∞
avec
1
R−
p
lim n |x(n)| et R+
x = n→∞ x = p
limn→∞ n |x(−n)|
La transformée en z inverse est définie par :
1
Z
x(n) = X(z)zn−1 dz
j2π C+
où C+ est un contour fermé inclu dans l’anneau de convergence.
Tout comme la transformée de Laplace pour les systèmes analogiques, la transformée en

z permet de réaliser à la fois une étude temporelle et une étude fréquentielle des systèmes
numériques. L’étude fréquentielle est obtenue pour z = e jω = e j2π f .
En plus de sa linéarité, la propriété suivante de la TZ est très utilisée lors de l’étude des systèmes
numériques linéaires invariant dans le temps
T Z [x(n − n0 )] = z−n0 T Z [x(n)]

138 Chapitre 3. Transformée en z
Comme pour la transformée de Laplace et la transformée de Fourier, il existe des tables de

transformée en z.
F IGURE 3.1 – Table de transformée en z
3.2 Exercices
Exercise 3.1 — Existence, convergence. ??
Soit un réel a ∈]0, 1[ et u(n) l’échelon de Heaviside (ou échelon unité) :

1 pour n > 0
u(n) =
0 pour n ≤ 0.
1. Déterminer la transformée en z du signal x(n) = an u(n), avec |a| < 1, et préciser avec soin
la région de convergence de X(z).
2. Déterminer la transformée en z du signal y(n) = −an u(−n − 1), avec |a| < 1, et préciser
avec soin la région de convergence de Y (z).
3.2 Exercices 139
3. Soit b un réel tel que b > a et |b| < 1. On considère un système de fonction de transfert :
1
H(z) =
(1 − az−1 ) (1 − bz−1 )
Déterminer la réponse impulsionnelle h(n) du système dans les trois cas suivants :
— la région de convergence de H(z) est |z| < a,
— la région de convergence de H(z) est a < |z| < b,
— la région de convergence de H(z) est |z| > b.
■
Correction.
1.
+∞ n 1
x(n) = an u(n), |a| < 1 → X(z) = ∑ az−1 =
n=0 1 − az−1
Domaine d’existence : p
limn→+∞ n
|an z−n | < 1 pour |z| > |a|
2.
y(n) = −an u(−n − 1), |a| < 1
( )
−1 −1 n +∞ −1 n +∞
n 1
= ∑ − a z = − ∑ a−1 z − 1 =

→ Y (z) = ∑ − az
n=−∞ n=1 n=0 1 − az−1
limn→+∞ n
|a−n zn | < 1 pour |z| < |a|
Conclusion : la transformée en z inverse n’est pas unique. Son expression dépend du contour
choisi pour la calculer. S’il inclut tous les points singuliers (premier cas dans cet exercice) on
obtient une solution causale, sinon elle ne l’est pas (deuxième cas dans cet exercice).
3. Plusieurs méthodes sont possibles pour résoudre cette question. Par exemple, par décomposi-
tion en éléments simples, on obtient :

1 a b
H(z) = −
a − b 1 − az−1 1 − bz−1
— pour |z| < a :
1 n+1
h(n) = −a u(−n − 1) + bn+1 u(−n − 1) .
a−b
Aucun des points singuliers n’est inclu dans le contour considéré. h(n) est non causale.
— pour a < |z| < b :
1 n+1
h(n) = a u(n) + bn+1 u(−n − 1) .
a−b
Le contour considéré inclut le point singulier z = a et exclut z = b. h(n) est constituée
d’une partie causale et d’une partie non causale.
140 Chapitre 3. Transformée en z
— pour |z| > b :

1 n+1
h(n) = a − bn+1 u(n).
a−b
Le contour considéré inclut tous les points singuliers (z = a et z = b). La transformée en
z inverse est causale.
■
Exercise 3.2 — Utilisation pour l’étude d’un système discret.

Soit le système d’entrée x(n) et de sortie y(n) défini par l’équation récurrente suivante :
y(n) − ay(n − 1) = x(n), avec |a| < 1
1. Soit x(n) = bn u(n) avec |b| < 1. Déterminer sa transformée en z, ainsi que son domaine
d’existence.
2. Déterminer la réponse du système à l’entrée x(n) définie à la question précédente, en
supposant que le système est causal.
3. Déterminer la fonction de transfert, ainsi que la réponse impulsionnelle du système.
■
Correction.
1.
+∞ n 1
x(n) = bn u(n), |b| < 1 → X(z) = ∑ bz−1 =
n=0 1 − bz−1
limn→+∞ n
|bn z−n | < 1 pour |z| > |b|
2.
1
y(n) − ay(n − 1) = bn u(n) → Y (z) − az−1Y (z) =
1 − bz−1

1 1
→ Y (z) = −1
1 − az 1 − bz−1
Soit en considérant un système causal :
1 n+1
y(n) = a − bn+1 u(n)
a−b
3.
Y (z) 1
y(n) − ay(n − 1) = x(n) → Y (z) − az−1Y (z) = X(z) → H(z) = =
X(z) 1 − az−1
■
4. Filtrage Linéaire
4.1 Rappels
Nous nous intéressons uniquement ici aux filtres numériques linéaires invariants dans le temps
rationnels.
— Un filtre numérique linéaire invariant dans le temps est défini par sa réponse impulsionnelle
h(n) et sa fonction de transfert H(z) = T Z [h(n)]. Il fait correspondre à toute entrée x(n) une
sortie
+∞ +∞
y(n) = x(n) ∗ h(n) = ∑ h(k)x(n − k) = ∑ h(n − k)x(k)
k=−∞ k=−∞
La réponse en fréquence, ou réponse harmonique, du filtre est donnée par
f
H( fe) = [H(z)]z=e j2π fe , où fe =
Fe
Il est réalisable si :
• h(n) = 0 pour n < 0 (causalité).
• ∑+∞n=−∞ |h(n)| < ∞ (stabilité).
• h(n) est réelle.
— Les filtres rationnels sont définis par une fonction de transfert rationnelle en z, correspondant
à une équation récurrente dans le domaine temporel. Il existe deux catégories de filtres
rationnels :
• Les filtres rationnels de type RII (à réponse impulsionnelle infinie), definis par deux
ensembles de coefficients, {ak }k=0,...,M−1 et {bk }k=0,...,N−1
Y (z) N−1
∑k=0 bk z−k
H(z) = = M−1 −k
X(z) ∑k=0 ak z
Le degré du dénominateur donne l’ordre du filtre.
142 Chapitre 4. Filtrage Linéaire
• Les filtres rationnels de type RIF (à réponse impulsionnelle finie), définis par un seul jeu
de coefficients {bk }k=0,...,N−1 , le nombre de coefficient donnant l’ordre du filtre
Y (z) N−1 −k
H(z) = = ∑ bk z
X(z) k=0
Un filtre numérique rationnel de type RIF est inconditionnellement stable et c’est un de ses
avantages majeurs. Un filtre RII est stable si tous les pôles de sa fonction de transfert, H(z), sont de
modules inférieurs à 1. Nous verrons ici que cela peut se décliner en un lieu de stabilité dans le plan
des coefficients définissant le filtre (voir exercice 4.4).
La synthèse d’un filtre numérique rationnel correspond au passage entre les spécifications à
respecter sur la réponse en fréquence et l’ensemble des coefficients le définissant. Elle est diffétente
selon que l’on souhaite réaliser un filtre de type RIF ou de type RII. Des exemples de ces deux types
de synthèse sont doonnés dans les exercices 4.3 et 4.5 pour réaliser un filtre passe-bas.
4.2 Exercices
Exercise 4.1 On considère un filtre de fonction de transfert :
1
H(z) =
(1 − az−1 ) (1 − bz−1 )
où a et b sont deux réels ∈]0, 1[ avec b > a.

1. Quel est l’ordre du filtre défini par la fonction de transfert H(z) ?
2. Déterminer l’équation récurrente définissant le filtre dans le domaine temporel.
3. Quel type de filtre rationnel (RIF, RII) est défini par H(z) ? Justifiez votre réponse.
4. Le filtre défini par H(z) est il stable ? Justifiez votre réponse.
5. En réutilisant les résultats de l’exercice 3.1, déterminer la réponse impulsionnelle h(n)
permettant de pouvoir réaliser le filtre.
■
Correction.
1. Le filtre défini par la fonction de transfert H(z) est d’ordre 2 (degré du dénominateur).
2.
T Z −1
Y (z) 1 − (a + b)z−1 + abz−2 = X(z) −−−→ y(n) = x(n) + (a + b)y(n − 1) − aby(n − 2)

3. Ce filtre est de type RII car il présente une boucle de réaction : la sortie à l’instant n dépend de
l’entrée à l’instant n mais également des valeurs passées de la sortie (y(n − 1) et y(n − 2)).
4. Ce filtre sera stable si les pôles de H(z) sont inclus dans le cercle de rayon 1. Pour cela il faut
que |a| < 1 et |b| < 1, ce qui est le cas ici. Le filtre est donc stable.
1
n+1
5. h(n) = a−b a − bn+1 u(n) conduit à un filtre causal.
4.2 Exercices 143
■
Exercise 4.2 Soit le filtre d’entrée x(n) et de sortie y(n) défini par l’équation récurrente suivante :
y(n) = x(n) − ax(n − 1)
1. Déterminer sa fonction de transfert H(z).

2. Déterminer la transformée en z de δ (n) et de δ (n − 1), où δ (n) represente le Dirac
numérique :

1 for n = 0
δ (n) = (4.1)
0 for n ̸= 0.
En déduire la réponse impulsionnelle du filtre.

3. Déterminer la transformée en z de la fonction échelon unité u(n), ainsi que son domaine
d’existence. En déduire la réponse indicielle du filtre (réponse à un échelon).
4. Ce filtre est-il de type RIF ou RII ? Justifiez votre réponse.
5. Ce filtre est-il stable ? Justifiez votre réponse.
6. Ce filtre est-il causal ? Justifiez votre réponse.
■
Correction.
(z)
1. Y (z) = X(z) − az−1 X(z) → H(z) = YX(z) = 1 − az−1
2. δ (n) → ∆(z) = ∑+∞ n=−∞ δ (n)z
−n = δ (0)z0 = 1
T Z [δ (n − 1)] = z T Z [δ (n)] = z−1 .

−1
Y (z)
H(z) = = 1 − az−1 → h(n) = T Z −1 [H(z)] = δ (n) − aδ (n − 1)
X(z)
Remarque : on pouvait obtenir directement h(n) pour x(n) = δ (n) en utilisant l’équation de
récurrence définissant le système.
3.
+∞
1
U(z) = ∑ z−n = 1 − z−1
n=0
limn→+∞ n
|z−n | < 1 pour |z| > 1
Réponse indicielle :
1 − az−1 1 az−1
Y (z) = H(z)U(z) = = − → y(n) = u(n) − au(n − 1)
1 − z−1 1 − z−1 1 − z−1
Remarque : on pouvait obtenir directement la réponse indicielle (= réponse à un échelon) pour
x(n) = u(n) en utilisant l’équation de récurrence définissant le système.
4. Ce filtre est un filtre à Réponse Impulsionnelle Finie (RIF) car il ne présente pas de boucle de
réaction : la sortie à l’instant n ne dépend pas de ses valeurs passées.
5. Un filtre RIF est stable si ses coefficients sont finis, ce qui est le cas ici.
6. Ce filtre est causal car sa réponse impulsionnelle est nulle pour n < 0.
■
Exercise 4.3 — Synthèse d’un filtre passe-bas de type RIF.

On veut synthétiser un filtre passe-bas en essayant d’approcher par un filtre RIF la fonction
de tranfert idéale de la figure suivante :
Filtre passe-bas - Fonction de transfert idéale
Donner l’expression de la réponse impulsionnelle d’un filtre à 2N + 1 coefficients utilisant une

fenêtre rectangulaire de troncature et d’un filtre à 2N + 1 coefficients utilisant une fenêtre de
2πn
troncature de Hamming donnée par w(n) = 0.54 + 0.46 cos( 2N+1 ). ■
Correction.
La réponse en fréquence idéale HIPB ( f˜) est périodique, donc décomposable en série de Fourier :
+∞
HIPB ( f˜) = hIPB (k) e j2π f k
e
∑
k=−∞
où les coefficients de la série de Fourier hIPB (k) représentent les éléments de la réponse impulsionnelle,
ou "coefficients", du filtre. Ici :
Z +∞ Z efc
hIPB (k) = HIPB ( fe)e− j2π f k d fe = e− j2π f k d fe.
e e
−∞ −e
fc
conduisant, après calculs, à

hIPB (k) = 2 e
fc sinc(2π e
fc k)
En pratique le nombre de coefficients du filtre devra être limité à un nombre 2N + 1, appelé "ordre"
du filtre. On modélise cette limitation par l’utilisation d’une fenêtre de troncature, ou de pondération,
w(k), de longueur 2N + 1 :
hPB (k) = hIPB (k) × w(k)
Elle conduit à une réponse en fréquence approchée :
HPB ( fe) = HIPB ( fe) ∗W ( fe)
où W ( fe) est la transformée de Fourier de w(k).

4.2 Exercices 145
On propose d’utiliser ici une fenêtre rectangulaire de troncature ou une fenêtre de Hamming.
Dans le cas de la fenêtre rectangulaire on a :
hPB (k) = 2 e fc k) pour k = −N, ..., N

fc sinc(2π e
= 0 ailleurs (4.2)
Dans le cas de la fenêtre de Hamming on a :

2πk
hPB (k) = 2 fc sinc(2π fc k) × 0.54 + 0.46 cos
e e pour k = −N, ..., N
2N + 1
= 0 ailleurs (4.3)
Les figures 4.1 et 4.2 tracent les réponses impulsionnelles et les fonctions de transfert des deux filtres
pour une fréquence de coupure fc = 100 Hz, une fréquence d’échantillonnage Fe = 800 Hz et un
ordre N = 31.
F IGURE 4.1 – Réponses impulsionnelles du filtre passe-bas de type RIF synthétisé avec les pa-
ramètres suivants : fc = 100 Hz, Fe = 800 Hz, ordre = 31, pour deux fenêtres de troncature :
rectangulaire et Hamming.
F IGURE 4.2 – Fonctions de transfert du filtre passe-bas de type RIF synthétisé avec les paramètres
suivants : fc = 100 Hz, Fe = 800 Hz, ordre = 31, pour deux fenêtres de troncature : rectangulaire et
Hamming.
La figure 4.3 trace un exemple de signal d’entrée et de signal de sortie du filtre utilisant la fenêtre
rectangulaire. On peut constater le retard du signal de sortie comparé au signal d’entrée. Celui-ci
est dû au décalage de la réponse impulsionnelle appliqué afin de rendre le filtre causal. Le signal
de sortie est déformé par rapport au signal d’entrée. Certaines fréquences ont effectivement été
supprimées, comme le montre la figure 4.4 qui trace la TFD du signal d’entrée et celle du signal de
sortie correspondant.
4.2 Exercices 147
F IGURE 4.3 – Exemple de signaux d’entrée et de sortie du filtre passe-bas de type RIF synthétisé
avec les paramètres suivants : fc = 100 Hz, Fe = 800 Hz, ordre = 31, fenêtre rectangulaire de
troncature.
F IGURE 4.4 – TFD des signaux d’entrée et de sortie du filtre passe-bas de type RIF synthétisé avec
les paramètres suivants : fc = 100 Hz, Fe = 800 Hz, ordre = 31, fenêtre rectangulaire de troncature.
Remarques :
— A partir de la réponse impulsionnelle du filtre passe-bas il est possible d’obtenir les réponses
impulsionnelles des autres filtres de base (passe-haut, passe-bande, rejecteur).
Par exemple, un filtre passe-haut idéal de fréquence de coupure fec présente une réponse en
fréquence
HIPH ( fe) = 1 − HIPB ( fe)
où HIPB ( fe) est la réponse en fréquence du filtre passe-bas idéal de même fréquence de coupure.
On peut donc en déduire la réponse impulsionnelle du filtre passe-haut idéal, hIPH (n), à partir
de celle du filtre passe-bas idéal correspondant, hIPB (n) :
hIPH (n) = δ (n) − hIPB (n)
Cette réponse impulsionnelle idéale sera ensuite tronquée à 2N + 1 coefficients pour donner
hPH (n), réponse impulsionnelle recherchée.
— La fonction filter.m de Matlab permet de réaliser le filtrage du signal x pour donner le signal
y en utilisant un filtre défini par les tableaux de coefficients A = [a0 ...aM−1 ] et B = A =
[b0 ...bM−1 ] : y = f ilter(B, A, x). Dans le cas d’un filtre RIF le tableau de coefficients A se
résume à un seul coefficient a0 = 1 et le tableau B contient les 2N + 1 éléments conservés sur
la réponse impulsionnelle pour un filtre d’ordre 2N + 1 : B = [hPB (−N) ...hPB (N)]. Notons
qu’un filtrage de type RIF peut également être réalisé en utilisant la fonction conv.m de
Matlab : y = conv(x, B,′ same′ ), le paramètre ’same’ n’est pas obligatoire mais il permet de ne
pas avoir à gérer soi même le retard introduit par le filtre (permet de gérer les effets de bord de
la convolution et renvoie la partie centrale du résultat de la convolution avec une taille égale à
celle du premier vecteur).
■
Exercise 4.4 — Etude de la cellule du second ordre.

1. Cellule du second ordre purement récursive On la définit par l’équation aux différences
suivantes :
y(n) = x(n) − a1 y(n − 1) − a2 y(n − 2)
(a) Exprimez sa fonction de transfert en z.
(b) Dans le plan des coefficients (a1 en abscisse, a2 en ordonnées), tracez le domaine de
stabilité du filtre.
(c) Donnez l’expression de la réponse en fréquence en fonction de a1 et a2 .
(d) A quelle condition existe-t-il une pulsation de résonance ω e = 2π fe) ?

e0 (ω
(e) Montrez que la valeur du module de la réponse harmonique à la résonance est
inversement proportionnelle à la distance des pôles au cercle de rayon 1. On se
placera dans le cas où a21 < 4a2 (vraie cellule du second ordre) et on écrira la réponse
en fréquence en ω e0 sous forme polaire. On donne :
√
2 a2
|H(ωe0 )| = q
(1 − a2 ) 4a2 − a21
4.2 Exercices 149
(f) Donnez l’expression de la réponse impulsionnelle en fonction des coordonnées

polaires r et θ des pôles dans le cas où a21 < 4a2 .
(g) Proposez une structure de réalisation de ce filtre.
2. Cellule du second ordre générale On considère une équation générale de la cellule du
second ordre :
y(n) = x(n) + b1 x(n − 1) + b2 x(n − 2) − a1 y(n − 1) − a2 y(n − 2)
(a) Exprimez sa fonction de transfert en z.

(b) Montrez que cette cellule du second ordre peut être considérée comme la mise en
cascade de la cellule purement récursive précédente et d’un filtre RIF.
(c) En déduire une structure de réalisation.
(d) Pour b2 = 1 montrez que la phase du RIF est linéaire.
■
Correction.
1. Cellule du second ordre purement récursive
TZ
(a) y(n) = x(n) − a1 y(n − 1) − a2 y(n − 2) −→ Y (z) = X(z) − a1 z−1Y (z) − a2 z−2Y (z).
D’où la fonction de transfert du filtre :
Y (z) 1
H(z) = =
X(z) 1 + a1 z + a2 z−2
−1
(b) Un filtre numérique est stable si les pôles de sa fonction de transfert H(z) sont inclus
dans le cercle de rayon 1. Cherchons les pôles de H(z) :
z2 z2
H(z) = =
z2 + a1 z + a2 a(z − z1 )(z − z2 )
Il faut résoudre z2 + a1 z + a2 = 0. On calcule donc ∆ = a21 − 4a2 et on doit considérer
les 3 cas possibles :
√
i. ∆ < 0 : Deux pôles complexes conjugués de modules = a2 . Il faudra donc que
|a2 | < 1. On est dans le cas d’une vraie cellule du second ordre.
ii. ∆ = 0 : Un pôle double z0 = − a21 Il faudra donc que |a1 | < 2.
iii. ∆ > 0 : Deux pôles réels (deux cellules du premier ordre) :
√ √
−a1 − ∆ −a1 + ∆
z1 = , z2 =
2 2
En remarquant que −1 ≤ z1 ≤ z2 ≤ 1, on arrive aux conditions suivantes : a2 ≥
a1 − 1, a2 ≥ −a1 − 1 et −2 ≤ a1 ≤ 2.
On regroupe ensuite tous les cas possibles pour obtenir, dans le plan des coefficients (a1 ,
a2 ), le domaine de stabilité du filtre qui est un triangle : figure 4.5.
(c)
1
e 2 = H(z)H
|H (ω)|
z z=e jωe
Ce qui donne :
1
e 2=
|H (ω)|
1 + a21 + a22 + 2a1 (1 + a2 ) cos(ω)
e + 2a2 cos(2ω)
e
F IGURE 4.5 – Triangle de stabilité des filtres numériques du second ordre.
(d) En dehors de ωe = 0 et ω e 2 montre

e = 2π × 0.5, l’annulation de la dérivée de |H (ω)|
qu’elle passe par un maximum pour cos(ω e0 ) = − a1 (1+a2)
4a2 . On a donc résonnance si
a1 (1+a2 )
4a2 ≤ 1.
a21 (1+a2 )2
e0 ) = − a1 (1+a
(e) On a cos(ω 4a2
2)
e0 ) = 2
et cos(2ω 16a2 − 1, ce qui donne, après calculs :
√
2 a2
|H(ω0 )| = q
(1 − a2 ) 4a2 − a21
Pour z1 = re jθ et z2 = re− jθ (pôles complexes conjugués) : a2 = r2 et a1 = −2r cos(θ )

et donc :
1
|H(ω0 )| =
(1 − r)(1 + r) sin(θ )
La valeur du module de la réponse harmonique à la résonance est bien inversement
proportionnelle à la distance des pôles au cercle unité. Plus le pôle est proche du cercle
(a2 proche de 1) plus la résonnance sera forte. On peut donc lier la position des pôles
dans le cercle de rayon 1 du plan complexe avec l’effet spectral produit.
(f)
1 z1 1 z2 1
H(z) = = +
(1 − z1 z−1 )(1 − z2 z−1 ) z1 − z2 1 − z1 z−1 z2 − z1 1 − z2 z−1
T Z −1 zn+1 − zn+1 sin ((n + 1)θ )

−−−→ h(n) = 1 2
u(n) = rn u(n)
z1 − z2 sin (θ )
(g) La figure 4.6 propose une structure de réalisation pour ce filtre.
2. Cellule du second ordre générale
4.2 Exercices 151
F IGURE 4.6 – Struture de réalisation de la cellule du second ordre purement récursive.
(a)
y(n) = x(n) + b1 x(n − 1) + b2 x(n − 2) − a1 y(n − 1) − a2 y(n − 2)
TZ
−→ Y (z) = X(z) + b1 z−1 X(z) + b2 z−2 X(z) − a1 z−1Y (z) − a2 z−2Y (z)
D’où la fonction de transfert :
Y (z) 1 + b1 z−1 + b2 z−2
H(z) = =
X(z) 1 + a1 z−1 + a2 z−2
(b)
1
× 1 + b1 z−1 + b2 z−2

H(z) =
1 + a1 z−1 + a2 z −2
(c) En cascadant la cellule du second ordre purement récursive (RII) et le filtre RIF (figure
4.7), on peut écrire les relations suivantes :
1 T Z −1
Y1 (z) = X(z) −−−→ y1 (n) = x(n) − a1 y(n − 1) − a2 y(n − 2)
1 + a1 z−1 + a 2 z−2
T Z −1
Y (z) = Y1 (z) 1 + b1 z−1 + b2 z−2 −−−→ y(n) = y1 (n) + b1 y1 (n − 1) + b2 y1 (n − 2)
D’où la structure de réalisation donnée par la figure 4.8. Il s’agit d’une structure cano-
nique (une seule ligne à retard en cascadant RII puis RIF).
F IGURE 4.7 – Cascade d’un filtre RIF et d’un filtre RII.
(d) Pour b2 = 1 on a : HRIF (z) = 1 + b1 z−1 + z−2 . Et donc :

e = e− jωe (b1 + 2 cos(ω))
HRIF (ω) e ⇒ Arg [HRIF (ω)]
e = −ω
e
On a bien une phase linéaire. On aurait pu dire que le temps de propagation de groupe
était constant en regardant hRIF = [1 b1 1] qui est symétrique.
■
F IGURE 4.8 – Struture canonique de réalisation de la cellule du second ordre.
Exercise 4.5 — Exemple de synthèse RII guidée. On se propose de synthétiser un filtre

passe-bas numérique de type RII. Le gabarit à respecter est donné par la figure suivante.
Gabarit numérique à respecter
Afin de simplifier les calculs la fréquence d’échantillonnage sera considérée égale à 1Hz.
1. La synthèse de filtre RII est une méthode de synthèse numérique qui utilise la synthèse ana-
logique. Cette synthèse analogique a besoin en entrée d’un gabarit analogique à respecter.
On passera donc dans un premier temps du gabarit numérique sur H( fe) au gabarit d’entrée
de la synthèse analogique portant sur H( f ). Tracez le gabarit à respecter par H( f ).
2. Réalisation de la synthèse analogique :

(a) Première étape : on doit choisir une fonction modèle analogique et régler ses para-
mètres afin de satisfaire le gabarit souhaité. On impose dans cet exercice d’utiliser le
modèle passe-bas de Butterworth, dont la fonction de transfert est donnée par :
1
|H(ω)|2 = 2N ,
ω
1+ ωc
où ωc représente la pulsation de coupure. Montrez que le paramètre N permettant au

modèle de Butterworth de satisfaire le gabarit à moindre coût est égal à 3.
4.2 Exercices 153
(b) Deuxième étape : passer de |H(ω)|2 à H(p).

h i
|H(ω)|2 = |H(p)|2
p= jω
d’où pour N = 3 :
1
|H(p)|2 = = H(p)H(−p)
1 − p6
1 p
(on oublie pour l’instant le ωc , sachant qu’on remplacera p par ωc à la fin).
2
Parmi les 6 pôles de |H(p)| (qui sont les racines sixièmes de l’unité), 3 appartiennent
à H(p), 3 appartiennent
√
à H(−p).
√
On choisira comme pôles pour H(p) : p0 = −1,
p1 = − 12 − j 23 , p2 = − 12 + j 23 . Expliquez ce qui conduit à ce choix. On en déduit
donc la fonction de transfert suivante :
1
H(p) =
(p + 1)(p2 + p + 1)
p
soit en remplaçant p par ωc :
ωc3
H(p) =
(p + ωc )(p2 + pωc + ωc2 )
(c) Troisième étape : Application de la transformée bilinéaire. Après application de la

transformée bilinéaire sur H(p) on obtient la fonction de transfert suivante :
H(z) = H1 (z)H2 (z)
avec
0.43(1 + z−1 0.135 + 0.27z−1 + 0.135z−2
H1 (z) = , H 2 (z) =
1 − 0.29z−1 1 − 0.753z−1 + 0.4z−2
3. Le filtre obtenu est il stable ? Justifiez votre réponse.
4. Le filtre obtenu est il résonnant ? Justifiez votre réponse.
5. On souhaite filtrer un signal x en utilisant le filtre RII synthétisé. En appelant y le signal de
sortie, proposer un programme matlab permettant de passer de x à y. Ce programme pourra
être testé pour filtrer des sinusoïdes lors des séances de TP.
■
Correction.
1. Les atténuations du gabarit analogique restent identiques à celle du gabarit numérique mais
l’axe de fréquence doit subir la prédistorsion suivante :
1
f= tan π fe
πTe
qui conduit au gabarit de la figure 4.9.
F IGURE 4.9 – Gabarit analogique à respecter
2. Réalisation de la synthèse analogique :

(a) Première étape : L’atténuation pour ω = ωc = 2π fc est fixée à −3 dB, le paramètre
N va permettre de satisfaire à l’atténuation minimale souhaitée en bande atténuée. On
souhaite :
1 1
10 log10 2N ≤ −30dB = 10 log 3
10
1 + ωωac
où ωa = 2π fa . Connaissant ωc = 2π × 0, 175 rad/s, cela conduit à choisir N = 3.

(b) Deuxième étape : Les pôles choisis sont à parties réelles négatives et conduiront donc à
un filtre stable.
On en déduit donc la fonction de transfert suivante :
1
H(p) =
(p + 1)(p2 + p + 1)
p
soit en remplaçant p par ωc :
ωc3
H(p) =
(p + ωc )(p2 + pωc + ωc2 )
(c) Troisième étape : On obtient la fonction de transfert suivante :
H(z) = H1 (z)H2 (z)
avec
0.43(1 + z−1 0.135 + 0.27z−1 + 0.135z−2
H1 (z) = , H2 (z) =
1 − 0.29z−1 1 − 0.753z−1 + 0.4z−2
3. Le filtre obtenu est décomposé en un filtre du premier ordre qui est stable car son pôle
(0, 29) est de module inférieur à 1 et un filtre du second ordre qui est également stable car
(a1 , a2 ) = (−0.753, 0.4) appartient au triangle de stabilité (voir exercice précédent).
a1 (1+a2 )
4. Le filtre obtenu n’est pas résonnant car 4a2 = 6.588 > 1 (voir exercice précédent).
4.2 Exercices 155
5. Afin de filtrer un signal x en utilisant ce filtre RII, on pourra écrire sous Matlab :
y1 = f ilter([0.43 0.43], [1 − 0.29], x);
y = f ilter([0.135 0.27 0.135], [1 − 0.753 0.4], y1);

■
Bibliographie
[Hsu19] H.P. H SU. Schaum’s Outline of Signals and Systems, Fourth Edition. McGraw-Hill
Education, 2019.
[PP02] A. PAPOULIS et S. U. P ILLAI. Probability, Random Variables and Stochastic Processes.
4th. Boston, USA : McGraw-Hill, 2002.
[Pic93] B. P ICINBONO. Random Signals and Systems. Englewood Cliffs, NJ : Prentice Hall,
1993.
[Sol06] B. S OLAIMAN. Processus stochastiques pour l’ingénieur. Lausanne, Switzerland :
Presses polytechniques et universitaires romandes, 2006.
[VKG14] M. V ETTERLI, J. KOVAČEVI Ć et V.K. G OYAL. Foundations of Signal Processing.
Cambridge University Press, 2014.
[Yag62] A. M. YAGLOM. An Introduction to the Theory of Stationary Random Functions. Engle-
wood Cliffs, N. J. : Prentice Hall, 1962.
[Zak05] A. Z AKNICH. Principles of Adaptive Filters and Self-Learning Systems. London : Sprin-
ger, 2005.
Version 1.0 du
23 septembre 2022

Exercices

Transféré par

Droits d'auteur :

Formats disponibles

Exercices

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Exercices

Transféré par

Droits d'auteur :

Formats disponibles

Département Sciences du Numérique

Auteurs : C. Mailhes, N. Thomas, J.-Y. Tourneret, C. Poulliat

I Signaux et systèmes à temps continu 7

1.2 Table de Transformées de Fourier usuelles 10

5 Filtrage non linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

II Signaux et systèmes à temps discret 107

1 Numérisation du signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

2 Transformée de Fourier Discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129

4 Filtrage Linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

Signaux et systèmes à temps continu

1.1 Transformée de Fourier

1.1.2 Propriétés générales

Formule de Parseval Série de Fourier

1.2 Table de Transformées de Fourier usuelles

ΠT (t) ∗ ΠT (t) = T ΛT (t)

Représentez les signaux suivants :

Exercise 2.3 Le signal x(t) est donné par la figure suivante.

3.1 Exercices de Base

Signal constant de durée T

x(t) = 1 t ∈ [−T /2, T /2]

Sa fonction d’autocorrélation est donc donnée par :

Pour τ > 0 : si τ − T2 > T T T

F IGURE 3.1 – Fonction d’autocorrélation du signal constant de durée T

Sa DSE est donnée par :

Sx ( f ) = T F [Rx (τ)] = T × T sinc2 (π f T ) = T 2 sinc2 (π f T )

Remarque : on retrouve bien Sx ( f ) = |X( f )|2 (signal à énergie finie), si X( f ) représente la

Exercise 3.2 — Etude d’un signal périodique.

Signal périodique à étudier.

Déterminer la transformée de Fourier du signal X( f ), sa fonction d’autocorrélation Rx (τ) et sa

x(t) = ∑ Πb (t − kT ) = Πb (t) ∗ T (t)

où T (t) représente le peigne de Dirac de largeur T : (t) = ∑k∈Z δ (t − kT ). On a alors :

Le signal est déterministe à puissance finie périodique, de période T . Sa fonction d’autocorréla-

Exercise 3.3 — Durée équivalente d’un signal.

Déterminer ∆T pour le signal x(t) = AΛT (t).

Rx (τ) = A2 TF−1 T sinc2 (π f T ) ∗ TF−1 T sinc2 (π f T ) = A2 c(τ)

(c) En utilisant le résultat de la question précédente, on obtient

(b) D’après la question précédente, on a

Exercise 3.4 Soit A(t) un processus aléatoire stationnaire centré. On construit :

Ba (t) = (A(t) + a) ei2π f0t

où a et f0 sont des constantes déterministes réelles et où t désigne le temps.

E[Ba (t)B∗a (t − τ)] = E [(A(t) + a) (A∗ (t − τ) + a)] ei2π f0 τ

E[Ba (t)B∗a (t − τ)] = = E [(A(t) + a) (A∗ (t − τ) + a)] ei2π f0 τ

Exercise 3.5 — Signal OFF-ON.

La puissance de x(t) est donc

Exercise 3.6 — Somme de deux cosinus.

x(t) = A cos (2π f0t) + B cos (π f0t)

où A, B et f0 sont des constantes positives. Déterminer la puissance, la densité spectrale et la

Exercise 3.7 — Somme de deux cosinus (variante).

X(t) = A cos(ωt) + B sin(ωt)

+ E[AB] sin(ωt) cos[ω(t − τ)] + E B2 sin(ωt) sin[ω(t − τ)]

Puisque les variables aléatoires A et B sont indépendantes et de moyennes nulles, on a

E[X(t)X(t − τ)] = σ 2 {cos(ωt) cos[ω(t − τ)] + sin(ωt) sin[ω(t − τ)]}

Exercise 3.8 — Estimation d’une fonction d’autocorrélation.

x(t) = A cos (2π f0t)

ŝx ( f ) = s1 ( f ) = TF [R1 (τ)] (3.3)

F IGURE 3.2 – Tracé de Sx ( f ) et de S1 ( f )

Exercise 3.9 — Estimation fonction d’autocorrélation et densité spectrale de puissance.

Rb1 (τ) = R (τ) Π 2T (τ)

où Π2T (τ) est la fenêtre rectangulaire de largeur 2T .