Cours Signal 2013

2012-2013
LPNHE Paris
CERTAINS ASPECTS
DU TRAITEMENT DU SIGNAL
Master de Sciences et Technologies
Spcialit : Capteurs, Mesure et Instrumentation
Patrick NAYMAN
DERNIRE MISE JOUR : 13/09/12
QUELQUES LMENTS MATHMATIQUES............................................................... 1

Notions sur lintgrale de Riemann ................................................................................ 1
Notions sur lintgrale de Lebesgue ............................................................................... 1
Intgrale en partie principale de Cauchy ........................................................................ 2
Espace fonctionnel .......................................................................................................... 2
Les distributions au sens de L. Schwartz........................................................................ 3
Distributions associes aux fonctions localement intgrables ................................... 3
La distribution de Dirac ............................................................................................. 3
Oprations sur les distributions.................................................................................. 3
CLASSIFICATION DES SIGNAUX ................................................................................... 5
Classification dterministe-alatoire............................................................................... 5
Dterministes ............................................................................................................. 5
Alatoires ................................................................................................................... 5
Classification nergtique............................................................................................... 5
Notions dnergie et de puissance dun signal........................................................... 5
Autres types de signaux .................................................................................................. 5
La distribution de Dirac : .......................................................................................... 5
Le peigne de Dirac ..................................................................................................... 6
Les signaux nuls gauche.......................................................................................... 6
Classification continu/discret.......................................................................................... 6
Reprsentation vectorielle des signaux........................................................................... 7
Lintrt dune reprsentation vectorielle .................................................................. 7
Espace vectoriel des signaux...................................................................................... 7
Dveloppement en srie de fonctions orthogonales................................................... 7
Thorme de Parseval ................................................................................................ 9
SRIES DE FOURIER........................................................................................................ 10
Energie du signal .......................................................................................................... 12
Conditions de convergence ........................................................................................... 12
Simplifications .............................................................................................................. 13
Spectre unilatral et bilatral.................................................................................... 13
Phnomne de Gibbs .................................................................................................... 13
Etude de lvolution de Sn(x) .................................................................................. 14
TRANSFORMATION DE FOURIER ............................................................................... 16
Les fonctions Rect et Tri............................................................................................... 16
Exemple 1 ..................................................................................................................... 17
Exemple 2 ..................................................................................................................... 18
La distribution de Dirac ............................................................................................... 20
Echantillonnage par une fonction rectangulaire ........................................................... 20
Lintgrale de convolution............................................................................................ 21
Quelques proprits.................................................................................................. 21
Exemple 1 ................................................................................................................ 22
Exemple 2 ................................................................................................................ 23
Exemple 3 ................................................................................................................ 24
Le peigne de Dirac ........................................................................................................ 25
Lchelon unit de Heaviside ....................................................................................... 26
La symtrie ................................................................................................................... 26
Quelques transformes de Fourier de base ................................................................... 27
Exemple 1 : Calcul de la transforme de Fourier de et de ..................................... 27
Exemple 2 : Calcul de la transforme de Fourier de la fonction triangle , reprsente
P. NAYMAN
TRAITEMENT DU SIGNAL
Master CMI
par la figure 4.15. ..................................................................................................... 28

Exemple 3 : Transforme de Fourier inverse de ..................................................... 29
Exemple 4 : Transforme de Fourier de la fonction cosinus tronque. ................... 29
Exemple 4 : fonction cosinus module par un triangle ............................................ 30
Le thorme de Parseval ............................................................................................... 30
Cas des signaux priodiques ......................................................................................... 31
Exemple : Lenveloppe spectrale dun train trapzodal ......................................... 31
Estimation des harmoniques dun train trapzodal ................................................. 33
Cas des fonctions qui nappartiennent pas ................................................................ 35
LE FILTRAGE (LES FILTRES LINAIRES) ................................................................ 37
La transformation est linaire ....................................................................................... 37
La transformation est homogne dans le temps............................................................ 37
Proprits ...................................................................................................................... 37
On peut caractriser un filtre F par sa rponse impulsionnelle h(t) ......................... 37
Le gain du filtre ....................................................................................................... 38
Les fonctions propres des filtres linaires................................................................ 38
Filtre sans distorsion phase linaire ...................................................................... 39
Exemples .................................................................................................................. 39
THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)...................................................................................................... 45
Consquences de lchantillonnage .............................................................................. 47
Le recouvrement spectral ......................................................................................... 48
Exemple 1 ................................................................................................................ 49
Filtre anti-repliement .................................................................................................... 50
Exemple 2 ................................................................................................................ 50
Exemple 3 ................................................................................................................ 51
LES SIGNAUX ALATOIRES
(RAPPELS DE NOTIONS DE BASE EN STATISTIQUE) ............................................ 52
Les moments temporels, les relations de base .............................................................. 53
Moyenne temporelle ................................................................................................ 53
Auto-corrlation temporelle ..................................................................................... 53
Les moments statistiques, les relations de base ............................................................ 53
Moyenne statistique ................................................................................................. 53
Moment dordre 2 .................................................................................................... 53
Variance ........................................................................................................................ 53
Fonction dauto-corrlation .......................................................................................... 54
Fonction dinter-corrlation .......................................................................................... 54
Stationnarit au sens strict ............................................................................................ 54
Suite alatoire stationnaire au second ordre ................................................................. 54
Proprits ................................................................................................................. 54
Processus alatoire stationnaire au second ordre.......................................................... 54
Proprits ................................................................................................................. 54
Relation entre convolution et corrlation...................................................................... 55
Relations entre fonctions de corrlation et dinter-corrlation ..................................... 55
Ergodicit...................................................................................................................... 57
Le principe dincertitude............................................................................................... 57
La bote de Heisenberg ............................................................................................ 59
Fonction gnratrice dune variable alatoire............................................................... 59
Moments et fonction gnratrice.............................................................................. 60
P. NAYMAN
Master CMI
II
Fonction caractristique dune variable alatoire ......................................................... 60

Moments et transforme de Fourier ......................................................................... 61
La deuxime fonction caractristique ........................................................................... 61
La deuxime fonction caractristique modifie............................................................ 62
La distribution de Poisson............................................................................................. 62
Calcul des moments de X (mthode classique) ....................................................... 64
Calcul des moments de X (par la fonction gnratrice)........................................... 64
Calcul de la fonction de corrlation (processus de Poisson).................................... 65
PROPRITS SPECTRALES ........................................................................................... 66
Approche de la puissance, de lnergie et de la densit spectrale dune ralisation particulire ............................................................................................................................... 66
nergie et densit spectrale dans le cas gnral (thorme de Wiener-Kinchine) ....... 67
Formules de filtrage et formule des interfrences (inter-spectres) ............................... 69
La densit spectrale de puissance ................................................................................. 70
Proprits de la fonction de corrlation ........................................................................ 71
Exemples....................................................................................................................... 71
Comparaison dun produit de convolution et de la fonction dinter-corrlation (daprs
[15]).......................................................................................................................... 71
Calcul dune fonction dauto-corrlation et dune densit spectrale dnergie ....... 72
Calcul de la puissance dun processus alatoire connaissant sa loi de probabilit .. 73
Exemple : Le basculeur Poisonnien (fonction dauto-corrlation et densit spectrale) 73
Fonction dauto-corrlation dun processus driv ...................................................... 75
Le bruit blanc ................................................................................................................ 76
Filtrage adapt.......................................................................................................... 77
La transforme de Laplace............................................................................................ 79
Quelques transformes de Laplace .......................................................................... 80
Fonction de transfert oprationnelle ........................................................................ 80
Stabilit du systme ................................................................................................. 81
quation diffrentielle correspondant la fonction de transfert.............................. 82
TRANSFORMATION DE HILBERT ............................................................................... 83
Signal analytique........................................................................................................... 83
Transforme de Hilbert ................................................................................................. 83
Calculs prliminaires (Voir Quelques lments mathmatiques, page 1.) ........... 84
Quelques proprits ...................................................................................................... 87
La double transformation de Hilbert ........................................................................ 87
Le produit de convolution ........................................................................................ 87
Linter-corrlation .................................................................................................... 87
Lauto-corrlation .................................................................................................... 88
Proprits du signal analytique ..................................................................................... 88
Fonction dauto-corrlation...................................................................................... 88
Densit spectrale ...................................................................................................... 88
Enveloppe complexe dun signal de type passe-bande................................................. 89
Densit spectrale de lenveloppe complexe ............................................................. 91
Densits spectrales et fonctions de corrlation des composantes de Rice ............... 91
NOTIONS DE MODULATION ET DTECTION SYNCHRONE................................ 95
Intrt de la modulation ................................................................................................ 95
Principe ......................................................................................................................... 95
La modulation damplitude........................................................................................... 96
Densit spectrale du signal modul en amplitude......................................................... 97
P. NAYMAN
Master CMI
III
La dmodulation synchrone.......................................................................................... 98
Evaluation du rapport signal bruit en entre et en sortie..................................... 100
La dtection synchrone ............................................................................................... 101
Dtection synchrone et corrlation ........................................................................ 102
LES SYSTMES NUMRIQUES ................................................................................... 104
Les systmes rponse invariante dans le temps et rponse variante dans le temps104
Linarit ................................................................................................................. 105
Causalit................................................................................................................. 105
Rponse dun systme numrique (LIT) des impulsions de Dirac .......................... 105
Rponse impulsionnelle dun systme numrique (LIT) ....................................... 106
Les systmes Rponse Impulsionnelle de dure Finie (RIF) et Rponse Impulsionnelle de dure infinie (RII)..................................................................................... 106
Les systmes numriques rcursifs et non-rcursifs................................................... 107
Corrlation des signaux discrets ................................................................................. 107
Auto-corrlation de signaux discrets .......................................................................... 108
La transforme en z..................................................................................................... 108
La transforme en z directe .................................................................................... 108
La transforme en z inverse ................................................................................... 109
Proprits de la transforme en z ........................................................................... 110
Quelques transformes en z ................................................................................... 112
Fonction de transfert dun systme numrique (LIT) ............................................ 112
Relation entre la transforme en z et la transforme de Fourier ............................ 113
Analyse frquentielle des systmes discrets ............................................................... 114
Puissance moyenne ................................................................................................ 115
nergie de la squence ........................................................................................... 115
Synthse dun filtre numrique................................................................................... 115
Synthse dun filtre numrique par la mthode des drives................................. 116
Synthse dun filtre numrique par la transformation bilinaire ........................... 118
Synthse dun filtre numrique par invariance de la rponse impulsionnelle ............ 123
Validit de la transformation par invariance de la rponse impulsionnelle ........... 124
Conception des filtres RIF .......................................................................................... 125
Cas o h(n) est symtrique..................................................................................... 128
Cas o h(n) est antisymtrique............................................................................... 128
Choix dune rponse h(n) symtrique ou antisymtrique ...................................... 129
Utilisation du fentrage............................................................................................... 129
Effet du fentrage sur un signal ............................................................................. 129
Effet du fentrage avec un filtre RIF ..................................................................... 132
DE LA TRANSFORME DE FOURIER VERS LA TRANSFORME EN ONDELETTES .............................................................................................................................. 140
Introduction................................................................................................................. 140
La transforme de Fourier fentre............................................................................ 140
Exemple ................................................................................................................. 141
Localisation temps-frquence ................................................................................ 142
Influence du fentrage sur la rsolution et la dynamique ...................................... 143
La transforme continue par ondelettes ...................................................................... 143
Principe compar des analyses temps-frquence (figure 12.4).............................. 144
Exemple : la fonction de Haar................................................................................ 144
Admissibilit .......................................................................................................... 145
Filtre inverse .......................................................................................................... 146
P. NAYMAN
Master CMI
IV
Dmonstration de la condition dadmissibilit ...................................................... 147

Exemples dondelettes ................................................................................................ 148
Exemple dapplication ................................................................................................ 150
La dcimation et le sous-chantillonnage................................................................... 151
Les filtres miroirs en quadrature [46] ......................................................................... 154
Synthse des filtres reconstruction parfaite......................................................... 156
Synthse des filtres miroirs conjugus................................................................... 157
La multirsolution....................................................................................................... 157
Construire une multirsolution............................................................................... 159
Lquation dchelle .............................................................................................. 160
Conditions de quadrature sur la fonction dchelle ............................................... 160
Londelette associe ............................................................................................... 162
Ondelettes et filtres reconstruction parfaits......................................................... 162
Dtails et approximations....................................................................................... 164
Conditions ncessaires sur les ondelettes............................................................... 164
Les ondelettes support compact de Daubechies [14] .......................................... 168
Exemple : Construction des ondelettes support compact partir des quations de base
171
Exemple ................................................................................................................. 173
Exemple 3 .............................................................................................................. 174
Exemple 4 .............................................................................................................. 176
LE BRUIT........................................................................................................................... 178
Le bruit de quantification............................................................................................ 178
Le rapport signal bruit du codeur............................................................................. 179
Cas dun signal sinusodal...................................................................................... 179
Amlioration du rapport signal bruit ................................................................... 179
Cas dun signal gaussien ........................................................................................ 180
Formule de Hartley ..................................................................................................... 181
Le bruit thermique (ou bruit Johnson) ........................................................................ 182
Fluctuations de tension et de courant dans une rsistance.......................................... 182
Exemple : le diple parallle (figure 13.8) ............................................................ 183
Bande quivalente de bruit ......................................................................................... 184
Filtre passe-bas du premier ordre........................................................................... 185
Circuit du deuxime ordre...................................................................................... 186
Filtre de Butterworth .............................................................................................. 186
Bruit de grenaille (Bruit Schottky ou shot noise).................................................... 187
Les thormes de Campbell ................................................................................... 187
Gnralisation du thorme de Campbell .............................................................. 189
Expression du bruit de grenaille............................................................................. 189
Autres sources de bruits (exemple : le bruit en 1/f flicker noise) ........................... 190
Exemples..................................................................................................................... 190
Bruit thermique ...................................................................................................... 190
Bruit Schottky ........................................................................................................ 191
Le facteur de bruit....................................................................................................... 191
Cas dun quadriple isol....................................................................................... 191
Cas de quadriples en cascades ............................................................................. 192
APPLICATION DU BRUIT IMPULSIONNEL
EN PHYSIQUE .................................................................................................................. 193
La fonction de pondration w(t) ................................................................................. 193
P. NAYMAN
Master CMI
Traitement statistique des impulsions de bruit ........................................................... 193

Application du thorme de Campbell................................................................... 194
Le filtre optimum qui minimise ............................................................................ 196
le signal quivalent au bruit ........................................................................................ 197
La charge quivalente au bruit (ENC) ................................................................... 198
Prise en compte de lempilement en tant que bruit..................................................... 199
Exemple dune rponse impulsionnelle triangulaire .................................................. 200
Exemple dune rponse impulsionnelle dfinie par des morceaux de paraboles. ...... 200
Calcul de I............................................................................................................. 201
Calcul de I .............................................................................................................. 201
Exemple du filtrage CR-RC........................................................................................ 202
Calcul de I .............................................................................................................. 204
Calcul de I............................................................................................................. 204
Exemple du filtrage pseudo-gaussien [50].................................................................. 204
Approche frquentielle du filtre gaussien .............................................................. 206
Densit spectrale et bruit............................................................................................. 207
APPLICATION DU BRUIT AUX TRANSISTORS BIPOLAIRES ET A EFFET DE
CHAMPS............................................................................................................................. 211
Le transistor bipolaire ................................................................................................. 211
Modle de base du transistor bipolaire [23]........................................................... 211
Modle plus complet du transistor bipolaire.......................................................... 213
Modles du transistor bipolaire avec les sources de bruit...................................... 215
Calcul du bruit aprs filtrage.................................................................................. 219
Le transistor effet de champ..................................................................................... 220
Schma quivalent du transistor effet de champ ................................................. 220
Comparaison bipolaire-FET................................................................................... 223
Calcul du bruit aprs filtrage.................................................................................. 223
FET et bruit en 1/f .................................................................................................. 223
ELECTRONIQUE ASSOCIE AUX
CALORIMTRES DE PHYSIQUE................................................................................. 225
Les contraintes ............................................................................................................ 225
Le pramplificateur de charges................................................................................... 226
Le pramplificateur de courant (transimpdance) ...................................................... 226
Lamplificateur de courant - charges : tude dtaille................................................ 227
En boucle ouverte (sans contre raction) ............................................................... 227
En boucle ferme ................................................................................................... 227
Cas de lamplificateur de charges transistors effet de champ en entre........... 229
Cas de lamplificateur de courant .......................................................................... 231
PROBLMES LIS LA CAPACIT DU DTECTEUR.......................................... 233
Calcul de la rpartition des charges ............................................................................ 233
Cas dune capacit dtecteur importante ................................................................... 233
La suppression du ple zro........................................................................................ 235
Ralisation pratique................................................................................................ 236
MESURES TEMPORELLES ........................................................................................... 237
Exemple de la technique du Temps de Vol (TOF) ..................................................... 237
Technique de la discrimination................................................................................... 239
Influence de la pente du signal sur linstant de basculement dun comparateur ........ 240
Influence de la dispersion (Jitter) sur linstant de basculement .............................. 241
Inconvnient du comparateur classique...................................................................... 241
P. NAYMAN
Master CMI
VI
Utilisation dun discriminateur fraction constante................................................... 242

Ralisation pratique................................................................................................ 242
Schma complet ..................................................................................................... 244
Fonctionnement en mode ARC (Amplitude and Rise time Compensated)........ 244
Fonctionnement en mode TCF (True Constant Fraction) .................................. 245
Estimation de la pente au point de passage par zro.............................................. 246
Influence de la dispersion (Jitter) en mode ARC et TCF ................................... 247
NOTION DE TEMPS MORT........................................................................................... 249
Introduction................................................................................................................. 249
La logique de dclenchement ..................................................................................... 249
Les 2 types de temps morts......................................................................................... 250
Le temps mort cumulatif ........................................................................................ 250
Le temps mort non cumulatif ................................................................................. 250
Traitement statistique du temps mort.......................................................................... 251
Notion de temps mort gnralis ................................................................................ 252
Notion de file dattente ............................................................................................... 254
File dattente de longueur 1 ................................................................................... 254
File dattente de longueur n ................................................................................... 254
Quel taux de temps mort ? .......................................................................................... 257
Evaluation du temps mort ........................................................................................... 257
Cas dune source radioactive [33].......................................................................... 258
Cas dune source de photons.................................................................................. 259
Etude de la rpartition temporelle des vnements................................................ 260
RSOLUTION EN NERGIE ET EN TEMPS DANS
LES PHOTOMULTIPLICATEURS................................................................................ 262
Introduction, les paramtres fondamentaux dun photomultiplicateur ....................... 262
Cas de deux vnements en cascade........................................................................... 264
Le photomultiplicateur dun point de vue statistique ................................................. 265
Le bruit de la photo-mission................................................................................. 265
Influence de lensemble des dynodes..................................................................... 266
Rsolution en nergie et le spectre du photolectron ................................................. 267
Le facteur de bruit....................................................................................................... 270
Principe dvaluation de certains paramtres......................................................... 270
Mesure du gain ...................................................................................................... 270
Mesure du gain ...................................................................................................... 271
Mesure du rendement quantique effectif ............................................................... 271
Mesure du rendement quantique ............................................................................ 271
Fluctuations temporelles dans un photomultiplicateur ............................................... 271
Dmonstrations ...................................................................................................... 272
Utilisation des signaux danode et de dynode ............................................................ 277
INTRODUCTION AUX PHOTODTECTEURS TRANSFERT DE CHARGES
(CHARGE COUPLED DEVICES) .................................................................................. 279
Introduction................................................................................................................. 279
Leffet photo-lectrique .............................................................................................. 279
La capacit MOS (Metal Oxyde Semiconductor)....................................................... 280
Le transfert de charges ................................................................................................ 281
Principe gnral...................................................................................................... 281
Le transfert de charges entre deux cellules ............................................................ 281
Le transfert de charges dans le CCD...................................................................... 282
P. NAYMAN
Master CMI
VII
Ltage de sortie.......................................................................................................... 283

Les sources de bruit .................................................................................................... 285
Plus de dtails sur les sources de bruit ................................................................... 286
Les techniques de lecture ............................................................................................ 288
Le double chantillonnage corrl ......................................................................... 289
Puissance du bruit en sortie du corrlateur ............................................................ 292
Le circuit "clamp and sample" ............................................................................... 293
Le circuit de "clamping" (verrouillage sur un potentiel continu) .......................... 293
LES LIGNES DE TRANSMISSIONS.............................................................................. 298
La ligne de transmission idale (sans perte) ............................................................... 298
Limpdance caractristique de la ligne de transmission ........................................... 298
quations gnrales dune ligne de transmission........................................................ 299
Ligne sans perte .......................................................................................................... 300
Limpdance caractristique (quation gnrale) ....................................................... 301
Les rflexions.............................................................................................................. 301
Pertes dans les lignes de transmission ........................................................................ 303
Leffet de peau ........................................................................................................ 303
Rponse dun cble avec pertes un chelon de tension....................................... 304
Expression de comme une fonction des pertes ..................................................... 306
Les diffrentes lignes de transmission ........................................................................ 306
Le cble coaxial ..................................................................................................... 307
La paire torsade .................................................................................................... 307
Fil sur un plan de masse (figure 22.6).................................................................... 308
La ligne microstrip ............................................................................................. 308
La ligne stripline ................................................................................................ 309
Effet de chargement dune ligne de transmission ....................................................... 309
Condition ncessaire pour adapter une ligne de transmission .................................... 309
Rponse un chelon de tension ................................................................................ 310
LE FACTEUR DE FANO ................................................................................................. 312
INTRODUCTION AU STANDARD NIM....................................................................... 314
La norme mcanique................................................................................................... 314
La norme lectrique .................................................................................................... 316
APPROCHE DE LA COMPATIBILIT LECTROMAGNTIQUE ....................... 318
Rappels sur le champ lectromagntique.................................................................... 318
La protection par crans ou blindages ........................................................................ 320
Limpdance de londe........................................................................................... 320
Les pertes par absorption ....................................................................................... 321
Les pertes par rflexion.......................................................................................... 322
Remarques gnrales.............................................................................................. 322
Les couplages.............................................................................................................. 323
Le couplage par impdance commune sur une liaison symtrique et asymtrique323
Le couplage entre conducteurs par le champ lectrique (couplage capacitif) ....... 325
Le couplage magntique (couplage inductif)......................................................... 325
La foudre..................................................................................................................... 329
Les consquences de la foudre............................................................................... 330
MTHODES DE TEST DES CONVERTISSEURS
ANALOGIQUES-NUMRIQUES ................................................................................... 332
Les caractristiques de base ........................................................................................ 332
La non-linarit diffrentielle ................................................................................ 333
P. NAYMAN
Master CMI
VIII
La non-linarit intgrale ....................................................................................... 334

Lerreur de dcalage............................................................................................... 334
Lerreur de gain...................................................................................................... 335
Les tests dynamiques .................................................................................................. 335
La distorsion harmonique....................................................................................... 336
La distorsion dinter modulation............................................................................ 336
Le rapport signal bruit ......................................................................................... 337
Mthode statistique ................................................................................................ 338
Mthode par ajustement dune sinusode............................................................... 341
SURCHANTILLONNAGE DES
CONVERTISSEURS ANALOGIQUES-NUMRIQUES ............................................. 342
La quantification diffrentielle [46]............................................................................ 342
Principe de base ..................................................................................................... 342
La prdiction linaire .................................................................................................. 343
Prdiction linaire lordre 1................................................................................. 343
Prdiction linaire lordre p................................................................................. 343
Les modulateurs sigma delta....................................................................................... 345
Principe du modulateur sigma delta dordre 1 ....................................................... 345
Principe du modulateur sigma delta lordre 2 ..................................................... 348
Performances dun systme dordre n.................................................................... 350
Applications ................................................................................................................ 351
Modulation dun canal de transmission ................................................................. 351
Conversion Analogique-Numrique grande dynamique..................................... 351
LA PRDICTION ET LESTIMATION ........................................................................ 352
Filtres dinnovation et de blanchiment ....................................................................... 352
Cas continu............................................................................................................. 353
La matrice de corrlation ............................................................................................ 354
Quelques proprits................................................................................................ 354
Cas discret [46] ........................................................................................................... 357
Les densits spectrales rationnelles ............................................................................ 361
Processus AR ......................................................................................................... 361
Processus MA ........................................................................................................ 362
Processus ARMA................................................................................................... 363
La prdiction linaire .................................................................................................. 363
La prdiction avant ..................................................................................................... 364
La prdiction arrire.................................................................................................... 366
Relations entre les prdicteurs avant et arrire ........................................................... 368
Structure de filtre en treillis ........................................................................................ 369
Lalgorithme de Levinson-Durbin ......................................................................... 372
Lalgorithme de Levinson-Durbin inverse............................................................. 376
Les quations de Yule-Walker............................................................................... 377
tape 1.................................................................................................................... 377
tape 2.................................................................................................................... 378
Introduction aux algorithmes de filtrage adaptatif...................................................... 380
Les mthodes doptimisation en filtrage adaptatif les plus utilises...................... 380
Filtrage optimal au sens de Wiener............................................................................. 383
Filtre de Wiener rponse impulsionnelle finie......................................................... 383
Le principe dorthogonalit ........................................................................................ 384
Lquation de Wiener-Hopf........................................................................................ 384
P. NAYMAN
Master CMI
IX
Exemple dun signal bruit .................................................................................... 386

Forme canonique de lerreur quadratique moyenne .............................................. 387
Inconvnients de la mthode.................................................................................. 387
Lalgorithme du gradient dterministe ou de la plus grande pente............................. 387
Cas du filtrage de Wiener....................................................................................... 388
Conditions de convergence de lalgorithme du gradient dterministe................... 389
Lalgorithme du gradient stochastique ou LMS ( Least Mean Square )................. 395
Conditions de convergence de lalgorithme du gradient stochastique................... 396
Exemple ................................................................................................................. 401
Le filtrage de Kalman ................................................................................................. 402
Modlisation dans lespace dtat .......................................................................... 403
La conception de lobservation .............................................................................. 403
Le filtre de Kalman discret ......................................................................................... 404
Le principe dorthogonalit revisit [25] ............................................................... 404
Le processus dinnovation ..................................................................................... 406
La matrice de corrlation du processus dinnovation ............................................ 406
La matrice de corrlation de lerreur destimation de lquation dtat et lquation de
Riccati .................................................................................................................... 407
Le prdicteur de Kalman........................................................................................ 407
Lquation de Riccati et lquation aux diffrences de lerreur destimation........ 410
Le filtrage ............................................................................................................... 411
Mise en oeuvre de lalgorithme de Kalman ........................................................... 411
ESTIMATION SPECTRALE........................................................................................... 414
Introduction................................................................................................................. 414
Choix dun estimateur................................................................................................. 414
Le priodogramme ...................................................................................................... 416
Estimateur non-biais de la fonction dauto corrlation ........................................ 417
Estimateur biais de la fonction dauto corrlation ............................................... 418
Exemple MATLAB de lestimation dune fonction dauto corrlation dun signal gaussien ......................................................................................................................... 419
Estimation de la densit spectrale .......................................................................... 420
Les mthodes non-paramtriques destimation de la densit spectrale ...................... 423
La mthode de Bartlett ........................................................................................... 423
Exemple MATLAB de priodogrammes simple et moyenn................................ 423
La mthode de Welch ............................................................................................ 425
La mthode de Blackman et Tukey........................................................................ 426
Performances compares des estimateurs non-paramtriques de la densit spectrale.
427
Les mthodes paramtriques destimation de la densit spectrale ............................. 428
Les relations entre la fonction dauto corrlation et les paramtres du modle..... 429
La mthode de Yule-Walker pour le modle AR .................................................. 429
La mthode de Burg ............................................................................................... 431
La mthode du minimum de variance de Capon ........................................................ 435
Les mthodes bases sur la dcomposition en lments propres de la matrice de corrlation [24] [36] [46] ....................................................................................................... 438
Introduction au modle harmonique ...................................................................... 438
Sinusodes entaches dun bruit blanc ................................................................... 440
Gnralisation avec une exponentielle complexe .................................................. 442
Rsum de la dcomposition en lments propres................................................. 443
P. NAYMAN
Master CMI
Exemple ................................................................................................................. 443

Mthode de dcomposition harmonique de Pisarenko .......................................... 444
Rsum de lestimation selon la mthode de Pisarenko ........................................ 447
La mthode MUSIC ............................................................................................... 449
ANNEXES........................................................................................................................... 452
Les dcibels................................................................................................................. 452
Spectre lectromagntique .......................................................................................... 454
La roue des couleurs .............................................................................................. 454
Formulaire trigonomtrique ........................................................................................ 456
BIBLIOGRAPHIE ............................................................................................................. 460
P. NAYMAN
Master CMI
XI
1. QUELQUES LMENTS MATHMATIQUES

1.1. Notions sur lintgrale de Riemann
Considrons une fonction f qui associe au nombre x la valeur f(x) sur lintervalle ferm et
born ( a, b ) . Il est possible de dfinir n intervalles sur le support ( a, b ) laide dun certain
nombre de points x i en considrant les conditions suivantes :
1in1
a < x1
xi < xi + 1
xn 1 < b
Lintgrale simple dfinie sur le support ( a, b ) peut tre approche par les sommes de
Riemann :
n1
f ( i ) ( xi + 1 xi )
S =
Equ(1.1)
i=1
avec x i < i < x i + 1

lorsque n les longueurs des intervalles tendent vers 0 et S tend vers lintgrale de
b
Riemann : I =
a f ( x ) dx .
Les sommes de Riemann sont utilisables pour les fonctions continues et peuvent sappliquer
un nombre limit de fonctions discontinues.
1.2. Notions sur lintgrale de Lebesgue

Afin de donner un sens plus gnral la notion dintgrale, Lebesgue a considr que lintgrale indfinie F est reprsente par un ensemble de valeurs dans lequel on peut trouver nimb
porte quelle intgrale dfinie :
a f ( x ) dx = F ( b ) F( a) .
Lebesgue considre que labscisse x de lquation 1.1 dfinissant la somme de Riemann a

3 rles bien dfinis :
Les points font partie dun domaine D compos de sous ensembles D i .

Un point P i appartient D i .
On peut dfinir une mesure m i associe chaque sous ensemble D i .
Avec ces hypothses la somme de Riemann dfinie par lquation 1.1 devient :
S =
f ( Pi ) mi
Equ(1.2)
avec P i D i .
La limite L ( D ) de cette somme, quand elle existe, est une fonction de domaine, intgrable
de la fonction de point f ( P ) .
Lebesgue groupe des valeurs voisines de f ( x ) dans un petit intervalle y i < f ( x ) < y i + 1 .
On associe cet intervalle, une mesure m i :
P. NAYMAN
Master CMI
QUELQUES LMENTS MATHMATIQUES
S =
i i mi
Equ(1.3)
avec y i < i < y i + 1 .

Lebesgue nomme mesurables les fonctions f telles que le domaine dfini par a < x < b ,
0 < y < f ( x ) a une mesure.
Ce concept trs gnral inclus toutes les fonctions de Riemann et bien dautres fonctions.
Les fonctions f intgrables au sens de Lebesgue ou sommables associent un nombre not :
+
f ( x ) dx ou R f ( x ) dx ou f ( x )dx ou encore f .
On prte Lebesgue le propos suivant : " Je fouille dans mes poches et jen sors des pices
et des billets de diffrentes valeurs. Je les verse mon crancier dans lordre o elles se prsentent jusqu atteindre le total de ma dette. Cest lintgrale de Riemann. Mais je peux oprer
autrement. Ayant sorti tout mon argent, je runis les billets de mme valeur, les pices semblables,
et jeffectue le paiement en donnant ensemble les signes montaires de mme valeur. Cest mon
intgrale. "
f(x)
f(x)
f ( xi )
yi + 1
yi
xi xi + 1
Figure 1.1 : Comparaison de lintgrale de Riemann et de Lebesgue

La figure 1.1 montre le principe de lintgrale de Riemann et celle de Lebesgue.
Sur la figure de gauche (Riemann), associe lintervalle [ x i + 1 x i ] une valeur f ( x i ) . A
droite (Lebesgue), associe lintervalle y i f ( x ) < y i + 1 lensemble des mesures correspondantes.
1.3. Intgrale en partie principale de Cauchy

Considrons une fonction f ( x ) non borne en x = , si :
y() =
f ( x ) dx +
+ f ( x ) dx
>0
tend vers une limite L, alors f ( x ) est intgrable au sens de la valeur principale de Cauchy.
b
y ( ) = vp
a f ( x ) dx
+
De mme : vp
+N
f ( x ) dx = lim
N N
f ( x ) dx .
1.4. Espace fonctionnel

On dsigne par espace fonctionnel, un ensemble de fonctions F possdant une structure
despace vectoriel. Dans un tel systme, toute combinaison linaire de 2 fonctions f1 et f2 de F
P. NAYMAN
Master CMI
appartient galement F.
Quelque soit 1, 2 complexes :
f1 F
f2 F
1f1 + 2f2 F
On considre que lon a dfini une fonctionnelle sur un espace F si lon peut associer un
nombre complexe T ( f ) toute fonction de F. On utilise la notation de L. Schwartz : ( T, f ) pour
spcifier T ( f ) le nombre complexe associ la fonction f par la fonctionnelle T.
1.5. Les distributions au sens de L. Schwartz

Considrons lespace vectoriel D des fonctions indfiniment drivables, on appelle distributions, les fonctionnelles linaires, continues sur D.
1.5.1. Distributions associes aux fonctions localement intgrables

La fonction x ( t ) est localement sommable si elle est intgrable au sens de Lebesgue sur tout
intervalle born.
A la fonction x ( t ) correspond une distribution T x .
Quelque soit ( t ) D
+
T x ( ) = ( T x, ) =
x( t ) ( t )dt .
Equ(1.4)
Par abus de notation on note les fonctions localement sommables comme des distributions :
+
( x ( t ), ) =
x ( t ) ( t ) dt .
Equ(1.5)
1.5.2. La distribution de Dirac

La distribution de Dirac que lon note est une distribution singulire par opposition aux
distributions rgulires prcdentes. Cette distribution est telle que :
pour ( t ) D ( , ) = ( 0 ) .
Dune manire gnrale, la distribution de Dirac au point a est telle que :
pour ( t ) D ( a, ) = ( a ) .
Par abus de notation, on note :
+
(0) =
( t ) ( t ) dt
Equ(1.6)
(a ) =
( t a ) ( t )dt
Equ(1.7)
1.5.3. Oprations sur les distributions

1.5.3.1 Combinaison linaire de distributions
( 1 T 1 + 2 T 2, ) = 1 ( T 1, ) + 2 ( T 2, )
P. NAYMAN
Master CMI
Equ(1.8)
1.5.3.2 Drivation (cas gnral)

Soit f la fonction drive de f et T la distribution drive de T.
+
( ( T f ), ) = ( T f, ) =
f( t ) ( t )dt et en intgrant par partie :

+
( ( T f ), ) = [ f ( t ) ( t ) ]
f ( t )( t )dt = ( Tf, )
( t ) tant support born ( ) = 0 .
De mme :
( T, ) = ( T, )
Equ(1.9)
( T, ) = ( T, ) = ( T, )
(T
(n)
, ) = ( 1 ) ( T,
(n)
Equ(1.10)
Equ(1.11)
Lquation 1.11 explicite que toute distribution est indfiniment drivable.
1.5.3.3 Drivation de fonctions discontinues

Considrons une fonction f ( t ) discontinue en t = t0 (figure 1.2).
-
Avec : f ( t 0 ) = a et f ( t 0 ) = b . La hauteur de la discontinuit est h = b a .

f(t)
b
h
a
t0
Figure 1.2 : Une fonction discontinue

On peut dcomposer f ( t ) en une somme dune fonction continue, f t t ( t ) et dune fonction
0
discontinue g ( t ) .
g ( t ) = h u ( t t 0 ) avec u ( t ) la fonction chelon de Heaviside.
f ( t ) = f t t ( t ) + h u ( t t 0 ) . En drivant f ( t ) , il vient immdiatement, compte-tenu que la
0
drive de la fonction de Heaviside est une fonction de Dirac :

f ( t ) = f t t ( t ) + h ( t t 0 )
0
P. NAYMAN
Master CMI
Equ(1.12)
2. CLASSIFICATION DES SIGNAUX

La classification des signaux en catgories peut sembler, premire vue, thorique. Pour
chaque rubrique de signaux on dfinira des traitements bien particuliers.
2.1. Classification dterministe-alatoire

2.1.1. Dterministes
Ce sont les signaux dont lvolution en fonction du temps est prvisible par un modle mathmatique appropri (signaux de test, dtalonnage, etc.).
2.1.2. Alatoires
Ce sont les signaux qui ont un caractre non-reproductible et imprvisible. Par exemple, les
signaux issus de capteurs ou encore la parole.
2.2. Classification nergtique

2.2.1. Notions dnergie et de puissance dun signal
Quelque soit le signal, on peut dfinir lnergie du signal (si elle existe) par la relation :
+
Ex =
x ( t ) dt
Equ(2.1)
et la puissance moyenne (si elle existe) par la relation :

1
P x = lim --T T
+T 2
T 2 x ( t )
Equ(2.2)
dt
Remarque :
Les signaux tels que 0 < E x < sont des signaux nergie finie ( P x = 0 ) , par
exemple, les signaux transitoires.
Les signaux tels que 0 < P x < sont des signaux puissance moyenne finie
( E x = ) . Par exemple, les signaux permanents, comme les signaux priodiques ou
encore les signaux alatoires permanents.
On peut donner une autre dfinition de la puissance moyenne :
1
P x = lim ------------T T t 0
x ( t ) dt
Equ(2.3)
2.3. Autres types de signaux

2.3.1. La distribution de Dirac :
(t)
Proprit :
( t ) dt = 1
On peut trouver de nombreuses reprsentations de la distribution de Dirac. La figure 2.1

donne une des reprsentations possibles. Dans ce cas, on suppose que : 0 .
P. NAYMAN
Master CMI
CLASSIFICATION DES SIGNAUX
(t)
1
Figure 2.1 : Impulsion de Dirac
2.3.2. Le peigne de Dirac

Un peigne de Dirac, reprsente une suite dimpulsions de Dirac dcales dans le temps. Le
peigne de Dirac est dfini par la relation suivante :
png ( t ) =
( t kT )
Equ(2.4)
k =
2.3.3. Les signaux nuls gauche

Exemple : lchelon unit.
La figure 2.2 reprsente lchelon unit U ( t )
u(t)
Figure 2.2 : Le signal nul gauche

d( U( t ))
On remarquera que : ------------------- = ( t )
dt
Exemple : Pour spcifier que le signal x ( t ) est nul pour les temps ngatifs, on peut dfinir
un nouveau signal : x ( t ) U ( t ) .
2.4. Classification continu/discret

La figure 2.3 est un exemple de reprsentation continue.
1
0,5
0
-0,5
-1
Figure 2.3 : Reprsentation continue dun signal

La figure 2.4 est un exemple de reprsentation discrte, dans ce cas la fonction est dfinie
P. NAYMAN
Master CMI
par une suite dchantillons.

x(tk)
Figure 2.4 : Reprsentation discrte dun signal
2.5. Reprsentation vectorielle des signaux

2.5.1. Lintrt dune reprsentation vectorielle
Le signal x ( t ) peut se dcomposer selon une combinaison linaire de fonctions connues
k ( t ) .
Les coefficients a k constituent une reprsentation discrte du signal x ( t ) .

Cest une structure despace vectoriel.
Un signal apparat comme un vecteur dun espace vectoriel et admettra plusieurs reprsentations possibles selon la base de dcomposition (espace de Hilbert). Cette reprsentation qui peut
apparatre complexe permet en fait de considrablement simplifier les calculs.
2.5.2. Espace vectoriel des signaux

Soit x ( t ) un signal complexe dnergie E x finie.
+
( x 1, x 2 ) =
x1 ( t )x2 ( t )dt est le produit scalaire.

*
d ( x 1, x 2 ) = x 1 x 2 =
12
x 1 ( t ) x 2 ( t ) dt
est la distance associe, cest la mesure de dissemblance entre x 1 ( t ) et x 2 ( t ) .
2.5.3. Dveloppement en srie de fonctions orthogonales

Dans un premier temps, considrons un signal x que lon dsire dcomposer dans une base
2 lments 1 et 2 (figure 2.5).
x2
x2
x 2'
x1
Base orthogonale
x 1'
x1
Base non-orthogonale
Figure 2.5 : Un signal dans une base orthogonale et dans une base non-orthogonale
P. NAYMAN
Master CMI
Dans le cas dune base orthogonale, le signal peut tre exprim en fonction de ses
projections :
x = x 1 + x 2 , x 1 = a 1 1 et x 2 = a 2 2
x = a1 1 + a2 2
Equ(2.5)
Le produit scalaire de x et 1 permet de dterminer le coefficient a1 :

( x , 1 ) = ( a 1 1 + a 2 2, 1 ) = a 1 ( 1, 1 ) + a 2 ( 2, 1 )
comme la base est orthogonale : ( 1, 1 ) = 1 et ( 2, 1 ) = 0

( x, 1 ) = a 1
Equ(2.6)
Un seul produit scalaire est ncessaire pour dterminer un coefficient. Ce dernier est indpendant des autres coefficients.
On gnralise facilement (2.5), dans le cas dune base orthogonale n lments :
x =
ai i
Equ(2.7)
et (2.6) devient :
( x, i ) = a i i, i = a i
i
Equ(2.8)
Dans le cas dune base non-orthogonale, on ne peut plus reconstruire le signal partir de
ses seules projections : x x 1 + x 2 . Il est ncessaire de trouver un jeu de vecteurs tel que :
x = x' 1 + x' 2 (figure 2.5). Pour le calcul dun coefficient, tous les vecteurs de la base vont interve-
nir.
Par la suite, afin dallger les notations, les notations vectorielles (flches) sont ommises.
La reprsentation dun signal par des fonctions orthogonales permet de simplifier les
calculs, en effet :
Soit 1, 2, ... n un ensemble de fonctions orthogonales.
Le produit scalaire ( i, j ) = i, j est tel que :
i, j = 1 si i=j
0 si i j
On peut approcher x ( t ) par x ( t ) dfinie comme tant :

x ( t ) =
ai i
i=1
Lerreur quadratique donne une mesure absolue de lapproximation :

= x1 x2
+T 2
T 2 x1 ( t ) x2 ( t )
dt
On montre que est minimal si :

+
a i = ( x, i ) =
x i dt
Equ(2.9)
On dit que le systme est complet si quelque soit x ( t ) : lim = 0

T
P. NAYMAN
Master CMI
2.5.4. Thorme de Parseval

Lnergie du signal x ( t ) est gale la somme des nergies de chacune de ses composantes.
Ce rsultat important est trs utilis en traitement du signal.
ai
Equ(2.10)
i=1
Dmonstration :
Rappel : A B
2
= x x
= ( A B ) ( A B )* = AA * + BB * AB * A * B
x a i i dt
xx + x x xx x x dt =
x =
ai i
= x
+ x
si
ij
si
i = j
+ a i x a i i dt x a i i dt = x
2
+ ( ai
xx dt x x dt
x x dt = i aiij aj jdt = ai
Rappel : i j dt =
= x
a i ( x, i ) a i ( i, x ) ) ( i,x) =
+ ( ai
xa i i dt x a i i dt )
i xdt (x,i) = xidt
donc : ( i,x) = (x, i)

= x
= x
+ ( ai
a i ( x, i ) a i ( x, i ) ) = x
+ [ a i a i (x, i) a i (x, i) ]
2
( x, i ) + [ a i + ( x, i ) a i ( x, i ) a i ( x, i ) ]
2
( x, i ) + a i ( x, i )
2
est minimale si : i
a i = ( x, i )
= x
min = x
ai
Do lingalit de Bessel-Parseval :
ai
Equ(2.11)
Le systme est complet ou total si i :
ai
= x
Equ(2.12)
Cest lgalit de Parseval.
P. NAYMAN
Master CMI
3. SRIES DE FOURIER
Les sries de Fourier dcoulent naturellement de la thorie des fonctions orthogonales en
considrant des fonctions exponentielles.
Soit k une fonction de la forme k ( t ) = e
ikt
2
avec : = --- .
T
k est une fonction orthogonale telle que :

+T 2
+T 2
j ( t ) k ( t ) dt =
T 2
+T 2
ijt
ikt
dt =
T 2
i ( j k )t
dt
T 2
i ( j k )t
e
= ---------------------i ( j k )
+T 2
T
2
= -------------------- sin ( j k ) --2
( j k )
T 2
T
( j, k ) = ------------------ sin ( j k )
( j k )
( j, k ) = T si j = k (la fonction nest pas norme).
0 si j k
La fonction k est donc orthogonale mais pas norme.

Considrons x ( t ) comme tant :
x(t) =
k =
Ck k =
Cke
k =
ikt
avec k = e
ikt
Comme, par dfinition : C k = ( x, k ) (fonction orthogonale), on obtient :

+T 2
1
C k = --T
x ( t )e
ikt
Equ(3.1)
dt
T 2
Considrons, le cas, o x ( t ) est une fonction relle :

+T 2
1
C k = --T
x ( t )e
ikt
Equ(3.2)
dt
T 2
do : Ck = C k
Posons : C k = k e
k e
i k
x(t) =
= k e
Ck e
i k
i k
ikt
et
k =
x ( t ) = C0 +
Cke
ikt
k=1
P. NAYMAN
Master CMI
Ck e
k=1
Cke
ikt
Ck e
k=1
i kt
alors :
i kt
10
SRIES DE FOURIER
x ( t ) = C0 +
k
k=1
i k ikt
+ k e
i k i kt
= C +
0
2k cos ( kt + k )
k=1
2k [ cos kt cos k sin kt sin k ]
x ( t ) = C0 +
k=1
La partie relle de C k est k cos k et sa partie complexe est i k sin k

Daprs lquation 3.1 :
+T 2
1
k cos k = --T
x ( t ) cos kt dt
T 2
+T 2
2
2 k cos k = --T
x ( t ) cos kt dt = a k
T 2
+T 2
1
de mme : i k sin k = --T
x ( t ) ( i sin kt ) dt
T 2
+T 2
2
2 k sin k = --T
x ( t ) sin kt dt = b k
T 2
+
comme : x ( t ) = C 0 +
2k [ cos kt cos k sin kt sin k ]

k=1
+
x( t ) = C0 +
[ ak cos kt + b k sin kt ]
Equ(3.3)
k=1
+T 2
2
a k = --T
x ( t ) cos kt dt
Equ(3.4)
x ( t ) sin kt dt
Equ(3.5)
T 2
+T 2
2
b k = --T
T 2
+T 2
1
C 0 = --T
x ( t ) dt
Equ(3.6)
T 2
C 0 reprsente la valeur moyenne de x ( t ) .

+
Comme : x ( t ) = C0 +
[ ak cos kt + bk sin kt ]
k=1
Le terme h k ( t ) = a k cos kt + b k sin kt reprsente lharmonique de rang k de la fonction
P. NAYMAN
Master CMI
11
SRIES DE FOURIER
x ( t ) . Lharmonique de rang 1 sappelle le fondamental.

Ak =
a k + b k est lamplitude de lharmonique.
k
k sa pulsation et ------- sa frquence.
2
a
Ak
Ak
Si lon pose sin k = -----k- et cos k = -----k- alors lharmonique de rang k se met sous la forme :
h k ( t ) = A k sin ( kt + k )
Equ(3.7)
k reprsente la phase de lharmonique k.
3.1. Energie du signal

Le thorme de Parseval donne directement lnergie du signal :
x
k =
Ck
x(t) =
Ck e
ikt
k =
= C0 + 2
Ck
k=1
Equ(3.8)
3.2. Conditions de convergence

La srie de Fourier converge vers x ( t ) si les conditions suivantes sont respectes :
La fonction x ( t ) ne prsente pas de discontinuit de seconde espce.
Si la fonction x ( t ) est continue la srie converge vers x ( t ) .
Si la fonction prsente une discontinuit de premire espce au point t 0 , la srie
-
converge vers : [ x ( t 0 ) + x ( t 0 ) ] 2
Si la fonction prsente une discontinuit de seconde espce, la srie diverge. Dans ce
cas la fonction x ( t ) nest pas dcomposable en srie de Fourier.
Les figures suivantes, montrent les 3 cas possibles pour la fonction x ( t ) .
continue (figure 3.1),
discontinuit de premire espce (figure 3.2),
discontinuit de seconde espce (figure 3.3).
1
0,5
0
-0,5
-1
Figure 3.1: fonction continue
P. NAYMAN
Master CMI
12
SRIES DE FOURIER
x(t)
x ( t0+ )
x ( t0- )
0
t0
Figure 3.2: discontinuit de premire espce
si t = t0
x(t) +
pas de srie de Fourier possible
x(t )
t0
Figure 3.3: discontinuit de seconde espce
3.3. Simplifications
Certaines simplifications peuvent tres apportes aux formules de Fourier selon que la
fonction est paire ou impaire.
Si x ( t ) est impaire : x ( t ) = x ( t ) dans ce cas, la valeur moyenne est nulle C 0 = 0 .
ak = 0
4
b k = --T
T2
x ( t ) sin kt dt
Si x ( t ) est paire : x ( t ) = x ( t )
4
C 0 = --T
4
a k = --T
T2
T2
x ( t ) dt
x ( t ) cos kt dt
bk = 0
3.3.1. Spectre unilatral et bilatral

Le spectre dun signal est donn, la fois, par les frquences positives et les frquences ngatives. On parle dans ce cas de spectre bilatral.
Considrons les sries de Fourier relles, par exemple dveloppes en sries de sinus et cosinus. Le spectre est compos uniquement de frquences positives, on parle dans ce cas de spectre
unilatral. Lamplitude des raies dun spectre unilatral est le double de celles du spectre bilatral.
3.4. Phnomne de Gibbs

Ce phnomne est la base de ltude de la convergence du dveloppement en srie de FouP. NAYMAN
Master CMI
13
SRIES DE FOURIER
rier dune fonction f ( x ) discontinue en x = x 0

La fonction f ( x ) peut tre dcompose en 2 fonctions (figure 3.4) :
une fonction continue h ( x ) ,
une fonction discontinue g ( x )
.
f(x)
B
A
0
x0
Figure 3.4 : discontinuit dune fonction

Le problme consiste faire ltude de la convergence de la fonction g ( x ) (figure 3.5) telle
que :
g(x) = 1
si
0<x<
g ( x ) = 1
si
< x < 0
g( x )
1
+
x
0
-1
Figure 3.5 : fonction discontinue g(x)

g ( x ) est une fonction impaire.
g ( t ) = C0 +
[ ak cos kt + bk sin kt ]
k=1
4
Avec : C 0 = 0 , a k = 0 et b k = --T
T2
2
2
4
comme = ------ = ------ = 1 b k = -----T
g ( x ) sin kt dt
- cos kt 0
0 sin kt dt = ----k
2
4
Seuls les termes impairs existent : k = 2n 1 avec : n = 1, 2 b k = ----------------------( 2n 1 )
sin ( 2n 1 )x
4 sin x sin 3x
g ( x ) = --- ---------- + ------------- + + ------------------------------2n 1
1
3
sin ( 2n 1 )x
sin x sin 3x
Considrons la srie : S n ( x ) = --- g ( x ) = ---------- + ------------- + + ------------------------------1
2n 1
1 1
On peut remarquer que pour x = --- , g ( x ) = 1 et : --- = 1 --- + ---

4
3.4.1. Etude de lvolution de Sn(x)
S n ( x ) = cos x + cos 3x + + cos ( 2n 1 )x

P. NAYMAN
Master CMI
14
SRIES DE FOURIER
inx
i nx
e +e
cos nx = --------------------------2
i x
i ( 2n 1 )x
i ( 2n 1 )x
1 ix
S n ( x ) = --- [ e + e + + e
+e
]
2
ix
i x
i x
i ( 2n 1 )x
i ( 2n 1 )x
1 e e ix
S n ( x ) = --- ---------------------- [ e + e + + e
+e
]
2 e ix e i x
2nix
2nix
1
1 sin 2nx
S n ( x ) = ------------------------------ [ e
e
] = --- ----------------- puis en intgrant :
ix
ix
2 sin x
2( e e )
1
S n ( x ) = --2
- dz
0 ---------------sin z
sin 2nz
k
Les maxima et minima de S n ( x ) sont donns par sin 2nx pour x = -----2n
S n ( x ) subit des oscillations autour de la valeur y = --4
Cherchons la limite de S n ( x ) quand z 0 et n + :

1
S n ( x ) = --2
1
sin 2nz
----------------- dz = -----4n
sin
z
0
1
sin y
-------------- dy = --2
y
0 sin -----2n
- dy
0 --------y
sin y
y
3!
y
5!
Rappel : le dveloppement en srie entire de sin y est donn par : sin y = y ----- + -----
2
sin y
y
sin y
y
et ---------- = 1 ----- + --------- do lintgrale de ---------- :
y
120
2S n ( x ) = ------ + --------- 1, 85
18 120
2
g ( x ) --- ( 1, 85 ) = 1, 17 1
sin y
La figure 3.6 reprsente la courbe de lintgrale de ---------- .
y
1.17
g(x)
-1.17
Figure 3.6 : Sinus intgral
P. NAYMAN
Master CMI
15
SRIES DE FOURIER
4. TRANSFORMATION DE FOURIER
+
Soit x ( t ) une fonction du temps, nulle ou complexe telle que :
x ( t ) dt <
2
ou que le signal soit dnergie finie ( x ( t ) fait partie de lensemble L ) :

+
x ( t ) dt <
alors, il est possible de trouver une fonction x ( ) telle que :

+
x(t) =
x ( )e
2it
Equ(4.1)
est la frquence du signal x ( t ) .

+
x ( ) =
x ( t )e
2 it
Equ(4.2)
dt
et les coefficients :
1
C k = --T
+T 2
T 2 x ( t )e
i kt
Equ(4.3)
dt
Les fonctions x ( t ) et x ( ) sont transformes de Fourier lune de lautre.

On utilisera la notation : x ( t ) x ( ) pour exprimer cette relation.
Dmonstration :
La dcomposition en srie de Fourier donne : x ( t ) =
En utilisant lquation 4.3 : x ( t ) =
1
--
T
k =
T2
T 2 x ( t )e
Ck e
k =
ikt
dt e
ikt
ikt
1
Si : T alors --- d
T
1
k --- k
T
+
x(t) =
x ( t )e
2it
dt e
do : x ( t ) =
2it
2it
x ( )e
d et x ( ) =
x ( t )e
2 it
dt
4.1. Les fonctions Rect et Tri

Les fonctions Rect et Tri (respectivement Rectangle et Triangle) seront largement utilises
par la suite. Afin dviter toute confusion, il est ncessaire de bien les dfinir.
On dfinit la fonction Rectangle de la faon suivante :
P. NAYMAN
Master CMI
16
TRANSFORMATION DE FOURIER
t centre
x ( t ) = Rect ----------------------
largeur
Equ(4.4)
largeur
largeur
x ( t ) = 1 si t centre ------------------ , centre + -----------------2
2
x ( t ) = 0 sinon.
x ( t ) est une fonction paire dont laxe de symtrie est la valeur centre.
x(t)
x(t)
t
-1/2
-T/2
+1/2
+T/2
t
x ( t ) = Rect ---
T
x ( t ) = Rect ( t )
x(t)
x(t)
t
-2T
-T
2T
3T
t ------
2
x ( t ) = Rect --------------
T
3T
t + ------
2
x ( t ) = Rect --------------
T
Figure 4.1 : La fonction Rect

Dune manire analogue on dfinit la fonction Triangle comme tant :
t centre
x ( t ) = Tri ---------------------------
( 1 2 )Base
Equ(4.5)
x(t)
x(t)
t
-1
+1
-T
+T
t
x ( t ) = Tri ---
T
x ( t ) = Tri ( t )
x(t)
x(t)
t
-5T/2
T/2
-T/2
5T/2
3T
t ------
2
x ( t ) = Tri --------------
T
3T
t + ------
2
x ( t ) = Tri --------------
T
Figure 4.2 : La fonction Tri
P. NAYMAN
Master CMI
17
4.2. Exemple 1
Soit la fonction x ( t ) dont la transforme de Fourier est x ( ) (figure 4.3) telle que :
x ( ) =
1 si B
0 si > B
Figure 4.3 :Fonction rectangle
x(t) =
x ( )e
+B
x(t) =
1e
2it
2it
d
2it +B
e
d = ------------2it
2iBt
2iBt
e
e
= -------------------------------------2it
sin 2Bt
sin 2Bt
x ( t ) = -------------------- = 2B -------------------- = 2Bsinc(2Bt)
2Bt
t
sin x
Avec : sinc(x) = -------------- (sinus cardinal). -Voir la figure 4.4x
Figure 4.4 : sinus cardinal
4.3. Exemple 2
Soit la fonction :
x ( t ) = rect T ( t )
= 1 si t < T 2
T
= 0 si t --2
P. NAYMAN
Master CMI
18
La fonction rectangle est plus gnralement note : rect ------------------------ .

largeur
t centre
Figure 4.5 : Rect(t/T)

x ( ) =
+T 2
T 2
1e
2it
2it +T 2
e
dt = ------------------2i
T 2
2iT 2
2 iT 2
e
e
= --------------------------------------------------2i
sin T
T sin T
x ( ) = ------------------ = ---------------------- = Tsinc(T )
Figure 4.6 : Transforme de Fourier de la fonction Rect(t/T)

+
Rciproquement : x ( t ) =
2it
x ( )e
d =
On remarquera que pour t = 0
Tsinc ( T )e
2it
x( t) = 1
1 =
Tsinc( T ) d
Si lon pose : x = T
+
1
1 = --
--- =
2
2
sin x
---------- dx = --
x
sin x
---------- dx
x
sin x
---------- dx = Si ( x )
x
P. NAYMAN
Master CMI
19
Cette fonction reprsente le sinus intgral (figure 4.7).
Figure 4.7 : Sinus intgral
4.4. La distribution de Dirac
(t)
La distribution de Dirac est la limite de nombreuses familles de fonctions. Par exemple, les
fonctions suivantes ont pour limite une distribution de Dirac :
1
( t ) = lim --- rect T ( t )
T 0T
1
( t ) = lim --- tri T ( t )
T 0T
sin Bt
( t ) = lim B ----------------Bt
B0
Proprit fondamentale :
+
( ( t ) ) dt = 1
Equ(4.6)
4.5. Echantillonnage par une fonction rectangulaire

Considrons le produit dune fonction f ( t ) par une impulsion D rectangulaire (figure 4.8).
On suppose que D a une largeur petite devant la variation de f ( t ) .
f(t)
D ( t t0 )
f ( t0 )
t0
Figure 4.8 : Produit dune fonction rectangulaire

Le produit f ( t ) D ( t t 0 ) est gal la fonction au point t 0 , soit f ( t 0 ) .
f ( t ) D ( t t0 ) = f ( t 0 ) D ( t t 0 ) .
f ( t 0 ) est le poids de limpulsion de D.
P. NAYMAN
Master CMI
20
Dans le cas o t 0 = 0 , f ( t ) D ( t ) = f ( 0 ) D ( t ) .
Cette opration correspond chantillonner f ( t ) par une impulsion rectangulaire.
4.6. Lintgrale de convolution

Considrons la figure 4.9 o lon cherche approcher une fonction par une suite dimpulsions rectangulaires.
1
Soit une fonction rectangulaire R 0 ( t ) de largeur et R ( t ) = --- R 0 ( t ) dont lintgrale est
normalise 1.
f(t)
f ( k )
Figure 4.9 : Approche dune fonction par une suite dimpulsions rectangulaires
On peut approcher f ( t ) par : f ( t ) =
k =
f ( k ) R ( t k )
Faisons tendre vers 0. Dans ce cas : R ( t ) ( t ) et lon obtient lintgrale de

convolution :
+
f(t) =
f ( )( t )d
Equ(4.7)
f ( t ) est une somme continue de distributions de Dirac pondres et dcales .
Ce produit de convolution est galement not : f = f*

La mesure de Dirac joue le rle dunit pour le produit de convolution.
Dune manire gnrale, on dfinit le produit de convolution de deux fonctions x 1 et x 2
comme lintgrale :
+
y( ) =
x1 ( t )x2 ( t ) dt
Equ(4.8)
4.6.1. Quelques proprits

Ces proprits dcoulent directement de la thorie des distributions (Voir Les distributions
au sens de L. Schwartz, page 3.)
f = f* = *f
f*' = '*f=f'
f*
(n)
(n)
*f=f
(n )
P. NAYMAN
Master CMI
21
( f*g )' = f*g*' = f*g' = f'*g

( t )*f = f ( t )
4.6.2. Exemple 1
(t 1)
Considrons deux signaux, x 1 ( t ) = rect --------------- et x 2 ( t ) = e

2
2t
(t 3 2)
rect ----------------------
La fonction rect dans lexpression de x 2 ( t ) permet de limiter le signal aux valeurs 0 t 3 .

Reprsentons graphiquement le produit de convolution y ( ) = x 1 ( ) * x 2 ( ) dfinit par
(4.8).
La mthode consiste considrer x 2 ( t ) (signal retourn de x 2 ( t ) ) pour les diffrentes
valeurs de possibles puis prendre lintgrale du rsultat. La figure 4.10 montre les principales
tapes. Seules les valeurs de telles que 0 5 donnent x 1 ( t ) x 2 ( t ) 0 . Cette valeur est
maximale pour = 2 .
Les figures 1 et 2 reprsentent respectivement les deux signaux. La figure 3 montre
quelques dcales de lexponentielle retourne. La figure 4 reprsente le produit de limpulsion
x 1 ( t ) par les impulsions dcales. La figure 5 montre le produit de convolution obtenu en prenant
lintgrale des impulsions reprsents figure 4.
P. NAYMAN
Master CMI
22
Figure 4.10 : Produit de convolution dune exponentielle par une fonction rect
4.6.3. Exemple 2
Dterminons le produit de convolution Rect --- * Rect --- . La figure 4.11 reprsente les
T
T
t
deux fonctions convoluer.

g(t )
f( )
T 2
+T 2
T 2
+T 2
Figure 4.11 : Produit de convolution de 2 fonctions Rect
P. NAYMAN
Master CMI
23
Le produit de convolution est dfini par lintgrale (4.8).

Etape 1 : pour t < T , il ny a pas de recouvrement : f ( ) g ( t ) = 0 (figure 4.12 (a)).
Etape 2 : pour T t 0 , si t volue dans cet intervalle, le recouvrement crot et lintgrale devient :
t
T d = t + T (figure 4.12 (b)).

Etape 3 : pour 0 t T , si t volue dans cet intervalle, le recouvrement dcrot et lintgrale devient :
T
t d = T t
Etape 4 : pour t > T , il ny a pas de recouvrement : f ( ) g ( t ) = 0
finalement : Rect --- * Rect --- = T tri ---
T
T
T
t
Equ(4.9)
f( )
g( t )
T T 2
f()
g( t )
+T 2
T 2
+T 2
f*g
T
Figure 4.12 : Produit de convolution (tape 1 et 2) et rsultat
4.6.4. Exemple 3
Dterminons le produit de convolution suivant : Rect t --- * Rect --- .
2
2
1
g()
f( )
-1
Figure 4.13 : Les 2 fonctions f ( ) et g ( )

Comme le produit de convolution est commutatif et que g ( ) = g ( ) , il est plus simple de
+
dcaler la fonction g ( ) : y ( ) =
f ( )g ( t )d
Etape 1 : si t < 1 , g ( t ) ne recouvre pas f ( ) , le produit f ( ) g ( t ) = 0 .
P. NAYMAN
Master CMI
24
Etape 2 : si 1 t 0 , si t volue dans cet intervalle, le recouvrement crot et lintgrale devient :

t
1 d = t + 1 .
Etape 3 : si 0 t 1 le recouvrement est constant quelque soit t, f ( ) est incluse dans g ( ) et lint1
grale devient :
0 d = 1 .
Etape 4 : si 1 t 2 si t volue dans cet intervalle, le recouvrement dcrot et lintgrale devient :

2
t d = 2 t
Etape 5 : si t > 2 g ( t ) ne recouvre pas f ( ) , le produit f ( ) g ( t ) = 0 .
Le produit de convolution cherch est reprsent sur la figure 4.14.
f *g
-1
Figure 4.14 : Le produit de convolution
4.7. Le peigne de Dirac

La distribution peigne de Dirac T ( t ) est une suite dimpulsions de Dirac rgulirement
espaces dans le temps. Soit T le temps sparant 2 impulsions.
T(t ) =
( t kT )
Equ(4.10)
k =
Dveloppons la distribution T ( t ) (priodique) en srie de Fourier :
T(t ) =
1
A k = --T
Ak e
k =
T2
i2kt
T 2 T ( t )e
1
avec = ---
Equ(4.11)
i2kt T
1
dt = --T
en combinant (4.11) et (4.12) : T ( t ) =
Equ(4.12)
+
i2kt T
1
( t kT ) = --- e
T
k =
k =
puis en prenant la transforme de Fourier du deuxime membre, on obtient la formule sommatoire de Poisson :
+
1
k
( t kT ) --- ---
T
T
Equ(4.13)
Le signe : x y indique que les fonctions x et y sont transformes de Fourier lune de

P. NAYMAN
Master CMI
25
lautre.
4.8. Lchelon unit de Heaviside

La transforme de Fourier de lchelon unit est donne par lquation 4.14
1
1
1
u ( ) = --- ( ) + ----- vp ---
2
i
Equ(4.14)
Cette proprit est dmontre dans les paragraphes 4.13. et 9.2.
4.9. La symtrie
Sachant que x ( t ) x ( ) = X ( ) il est intressant de connatre la transforme de Fourier
de X ( t )
De lquation 4.1 :
+
x(t) =
X ( )e
+
x( ) =
X ( t )e
+
x ( ) =
2it
d en faisant un double changement de variables : t :
2it
d et dans ce cas :
X ( t )e
P. NAYMAN
Master CMI
2 it
d
X ( t ) x ( )
Equ(4.15)
26
4.10. Quelques transformes de Fourier de base

( t )
Equ(4.16)
x(t)
x ( )
Equ(4.17)
kx ( t )
kx ( )
x ( at )
1
----- x ---
a a
x 1 ( t ) + x2 ( t )
x 1 ( ) + x 2 ( )
x ( t t0 )
x ( )e
multiplication par une constante

dilatation/contraction du temps
Equ(4.18)
Equ(4.19)
Equ(4.20)
2it 0
Equ(4.21)
x ( 0 )
Equ(4.22)
n
( 2i ) x ( )
Equ(4.23)
d [ x ( ) ]
n
d
Equ(4.24)
x ( u )y ( u ) du = x ( )*y ( )
Equ(4.25)
x ( ) y ( )
Equ(4.26)
k
1
--- ---
T
T k =
Equ(4.27)
x ( t )
x ( )
Equ(4.28)
x ( t )
x ( )
Equ(4.29)
t
Rect ---
T
T sinc ( T )
Equ(4.30)
x ( t )e
d
dt
i2 0 t
[ x( t)]
( 2 it ) x ( t )
x(t) y(t )
x ( t )*y ( t )
+
( t kT )
k =
4.10.1. Exemple 1 : Calcul de la transforme de Fourier de

et de sin 20 t
i2 0 t
cos 2 0 t
i 2 0 t
e
+e
cos 2 0 t = -----------------------------------------2
En utilisant lquation 4.22 avec x ( t ) = 1 puis lquation 4.16 on obtient :

e
i2 0 t
( 0 ) et :
1
cos 2 0 t --- [ ( 0 ) + ( + 0 ) ]
2
Equ(4.31)
1
sin 2 0 t ----- [ ( 0 ) ( + 0 ) ]
2i
Equ(4.32)
De mme :
P. NAYMAN
Master CMI
27
4.10.2. Exemple 2 : Calcul de la transforme de Fourier de la fonction triangle
t
A Tri -------- T 2
, reprsente par la figure 4.15.
-T/2
+T/2
Figure 4.15 : Fonction triangle
Pour simplifier le calcul, drivons la fonction triangle (figure 4.16).

2A/T
+T/2
-T/2
Figure 4.16: Drive de la fonction triangle
Rappel : rect --- T sinc ( T ) . En utilisant, lquation 4.19 :

T
t
2A
t
2A T
T
T
------- rect ---------- ------- --- sinc --- = A sinc ---
T
T2
T 2
2
2
2iT 4
2 iT 4
T
t
T
d
Tri ---------- A sinc --- e
A sinc --- e
2
2
d t T 2
t
T
T
d
Tri ---------- 2i A sinc --- sin -- 2
2
d t T 2
A laide de lquation 4.23 :

T
T 2
t
A Tri ---------- --- A sinc ---
2
T 2
2
P. NAYMAN
Master CMI
Equ(4.33)
28
4.10.3. Exemple 3 : Transforme de Fourier inverse de

2
T sinc ( T )
2
On remarquera que : T sinc ( T ) = T sinc ( T ) sinc ( T ) et laide de (4.26) :

2
T sinc ( T ) T TF ( sinc ( T ) ) * TF ( sinc ( T ) )
Puis laide de (4.30) :

2
t
t
t 1
t
1
1
T sinc ( T ) T --- Rect --- * --- Rect --- = --- Rect --- * Rect ---
T
T
T T
T
T
T
Puis laide de (4.9) : T sinc ( T ) tri ---

2
t
T
4.10.4. Exemple 4 : Transforme de Fourier de la fonction cosinus

tronque.
Considrons la fonction " cosinus tronque " reprsente par la figure 4.17 et calculons sa
transforme de Fourier.
Figure 4.17 : fonction cosinus tronque

La fonction x ( t ) peut scrire sous la forme :
t
x ( t ) = Rect -- cos 2 0 t et en dveloppant le cosinus sous la forme exponentielle :

2i 0 t 1
2 i 0 t
1
t
t
x ( t ) = --- Rect -- e
+ --- Rect -- e
Comme : rect --- T sinc ( T ) . En utilisant lquation 4.22, il vient immdiatement :

T
t
x ( ) = --- ( sinc ( ( + 0 ) ) + sinc ( ( 0 ) ) )

2
P. NAYMAN
Master CMI
29
4.10.5. Exemple 4 : fonction cosinus module par un triangle
Figure 4.18 : fonction cosinus module par un triangle

La fonction x ( t ) peut scrire sous la forme :
t
x ( t ) = Tri ---------- cos 2 0 t et en dveloppant le cosinus sous la forme exponentielle :
T 2
2i 0 t 1
2 i 0 t
t
t
1
x ( t ) = --- Tri ---------- e
+ --- Tri ---------- e
T2
T2
2
2
Daprs Voir Exemple 2 : Calcul de la transforme de Fourier de la fonction triangle , reprsente

par la figure 4.15., page 28. : Tri ---------- T 2 sinc ---
T2
2
t
En utilisant lquation 4.22, il vient immdiatement :

2
2
T
x ( ) = --- ( sinc ( ( + 0 )T ) + sinc ( ( 0 )T ) )
4
4.11. Le thorme de Parseval

+
x ( t ) dt =
x ( )
Equ(4.34)
Lnergie dun signal ne dpend pas de son mode de reprsentation.

Dmonstration :
daprs lquation 4.26, en remplaant y ( t ) par y ( t ) , on obtient :
x ( t ) * y ( t ) x ( ) y ( )
+
x ( )y ( t ) d =
x ( )y( )e
2it
pour t=0 :
+
x ( )y ( ) d =
x ( )y ( ) d
Equ(4.35)
et si lon choisit y ( t ) = x ( t ) , il vient :
P. NAYMAN
Master CMI
30
x ( t ) dt =
2
x ( ) d
4.12. Cas des signaux priodiques

Soit x ( t ) un signal non rptitif et x T ( t ) le signal priodique labor partir de x ( t ) de priode T.
x T ( t ) = x ( t )* T o T reprsente le peigne de Dirac (Voir Le peigne de Dirac,
page 25.).
A laide de lquation 4.27, prenons la transforme de Fourier de x T ( t ) :
1
x T ( ) = --- x ( ) ( )
T
+
k
1
x T ( ) = --- x ( ) ---
T
T
k =
Equ(4.36)
1
--- x ( ) reprsente lenveloppe spectrale des raies du peigne de Dirac.
T
1
x e = --- x ( )
T
Equ(4.37)
x e ( ) est lenveloppe spectrale du signal x ( t ) .
Par exemple, si lon considre : x ( t ) = A Rect -- , Voir Exemple 2, page 18. :

t
A
x ( ) = ---------- sinc ( ) ( )
T
+
x ( ) =
k =
k
A
---------- sinc ( ) ---
T
T
A
La fonction ---------- sinc ( ) reprsente lenveloppe spectrale de x T ( ) .
T
xT ( t )
A
--2
+ --2
x ( )
+T
--1T
1
--
Figure 4.19 : Signal dhorloge et sa densit spectrale
P. NAYMAN
Master CMI
31
4.12.1. Exemple : Lenveloppe spectrale dun train trapzodal

On cherche valuer lenveloppe spectrale du signal reprsent par la figure 4.20.
Les rsultats qui sont obtenus ci-aprs sont trs utiliss en compatibilit lectromagntique
(Voir Approche de la compatibilit lectromagntique, page 318.) pour valuer la contamination possible dun systme par une horloge.
xT ( t )
A
T/2
tm
Figure 4.20 : Signal trapzodal

Le signal tant rptitif, on a affaire un spectre de raies. Pour trouver lenveloppe spectrale, il faut calculer la transforme de Fourier du trapze de base entre [ -T/2, +T/2 ] .
Pour valuer la transforme de Fourier du trapze, drivons le signal x T ( t ) puis appliquons
lquation 4.23.
xT ( t )
A
t
tm
x' T ( t )
A
-----tm
1
t
2
Figure 4.21 : Signal trapzodal et sa drive

La drive du signal x T ( t ) est compose de deux signaux (1 et 2 sur la figure 4.21).
x' T ( t ) = x 1 ( t ) + x 2 ( t )
Daprs :Voir Les fonctions Rect et Tri, page 16. :

A
t+T4
x 1 ( t ) = ------ Rect ------------------
tm
tm
tT4
A
x 2 ( t ) = ------ Rect ------------------
tm
tm
comme : Rect ------ tm sinc ( tm ) et en utilisant lquation 4.21 :

tm
t
P. NAYMAN
Master CMI
32
A
x 1 ( t ) ------ tm sinc ( tm ) e
tm
T
2i --4
A
x 2 ( t ) ------ tm sinc ( tm ) e
tm
T
2 i --4
i --2- i --2-
T
x' T ( t ) A sinc ( tm ) e
e
= 2i A sinc ( tm ) sin --2

T
sin --2
x T ( ) = A sinc ( tm ) -----------------
T
T
x T ( ) = A --- sinc ( tm ) sinc ---
2
2
Equ(4.38)
Finalement en utilisant lquation 4.37 :

A
T
x e ( ) = --- sinc ( tm ) sinc ---
2
2
Equ(4.39)
4.12.2. Estimation des harmoniques dun train trapzodal

Il est possible, partir de lquation 4.39, destimer les valeurs des harmoniques dun train
trapzodal.
Considrons dans un premier temps, la transforme de Fourier unilatrale du signal.
x u ( ) = 2 x e ( ) avec x e ( ) la transforme de Fourier bilatrale de x T ( t ) donne par lquation
4.39.
T
x u ( ) = A sinc ( tm ) sinc ---
2
Explicitons les 2 sinus cardinaux :

T
sin ---
2
sin ( tm )
x u ( ) = A ------------------------- ----------------------T
tm
--2
n
Posons = --- o n est lindice de lharmonique considre.
T
n
1
sin tm --- sin --- n
T
x u ( n ) = A ----------------------------------- ------------------------------n
1-- tm --n
T
2
On peut remarquer que T tm et que les 2 sinus cardinaux varient de manire trs diffrentes,
sin 1--- n 1--- n possde un lobe principal trs large. Il est pratique de reprsenter x ( n )
u
2
2
dans un repre log-log, (On peut exprimer x ( n ) en dcibels (Voir Les dcibels, page 452.).). On
u
trouve que lenveloppe est dfinie par deux segments de droite (figure 4.22).
P. NAYMAN
Master CMI
33
Considrons 2 cas, en tenant compte que lenveloppe est dfinie pour les maxima des lobes,
cest dire quand sin ( x ) = 1 :
n < nT ,
n
sin tm ---
T
----------------------------------- 1
n
tm --T
2A
H 1 ( n ) = 20 log ( x u ( n ) ) = 20 log ------n
et sin 1--- n = 1
2
droite de pente 20 dB par dcade.
pour le fondamental, n = 1 et 1 = --1- , H 1 ( n ) = 20 log ( x u ( n ) ) = 20 log 2A

------- . Soit :
2A
V 1 = ------
Equ(4.40)
n > n T , sin tm --n- = 1 et sin 1--- n = 1

T
2
2AT
H 2 ( n ) = 20 log ( x u ( n ) ) = 20 log -----------------2 2
n tm
droite de pente 40 dB par dcade.
Le point charnire entre les deux droites apparat pour H 1 ( n ) = H 2 ( n ) soit :

2A
2AT
------- = ------------------ , on en dduit que :
2 2
n
n tm
n
1
T = --- = ---------T
tm
Equ(4.41)
V
2A
Comme la droite (-20 dB/dcade) est dquation V n = ------- = -----1- , on trouve facilement que
n
n
pour T = --- , soit n = T T :
T
2Atm
V T = ------------T
Equ(4.42)
20 log V
2A
V 1 = ------
-20dB/dcade
2Atm
V T = ------------T
-40dB/dcade
fondamental
0
1
1 = --T
1
T = ---------tm
log
Figure 4.22 : Spectre des harmoniques

Dans la zone -40 dB/dcade, lamplitude des harmoniques est donne par H 2 ( n ) , et
2
T
2AT
V = ------------------ = V T ----------------------------2 2
2
2
2
tm n
n tm
P. NAYMAN
Master CMI
34
soit :
VT
V = ------------- 2
---- T
Equ(4.43)
Par exemple, considrons une horloge ayant les caractristiques suivantes :
= 25 MHz (fondamental)
A = 3, 14V
tm = 2ns
Calculons les amplitudes des harmoniques 5 (125 MHz) et 9 (225 MHz).
2
Amplitude du fondamental (daprs (4.40)) : V 1 = --- 3, 14 = 2V
Amplitude de lharmonique 5 : V 4 = -----1- = 0, 4V

5
1
1
Frquence de coupure T : T = ---------- = ---------- = 160MHz
tm
2
2Atm
2 3, 14 2
Amplitude pour = T : V T = ------------- = --------------------------- = 0, 314V
T
40
Amplitude de lharmonique 9 (225 MHz) : Cette harmonique se trouve dans la zone de

pente -40 dB/dcade ( 225MHz > 160MHz ). Lamplitude des harmoniques est donne par lquaV
1
T
- = 0, 314 --- = 0, 16V
tion 4.43 : V 8 = ---------------------------2
( 225 160 )
4.13. Cas des fonctions qui nappartiennent pas

+
Si f ( t ) appartient lensemble L alors
f ( t ) dt < . Dans ce cas f ( t ) admet une trans-
forme de Fourier que lon peut calculer par les mthodes classiques. De plus, on suppose f ( t )
+
intgrable :
f ( t ) dt < . Si ces conditions ne sont pas vrifies, les diffrentes proprits ne
sont pas obligatoirement valides bien quil puisse exister une transforme de Fourier. Par
exemple, lquation 4.23 de drivabilit nest plus adapte.
Considrons la fonction chelon de Heaviside u ( t ) dnergie infinie. Calculons sa transforme de Fourier :
u' ( t ) 2i u ( )
Comme u' ( t ) = ( t ) 1 , en identifiant :

1 = 2i u ( )
1
u ( ) = ------------ ce qui est faux !
2i
La dmonstration prcdente est base sur les proprits de la transforme de Fourier de la

drive dune fonction, mais deux fonctions qui diffrent dune constante possde la mme drive. Cest le cas des fonctions 2u ( t ) et sgn ( t ) .
Pour tre conforme avec les conditions requises et lever cette ambigut, il est ncessaire de
faire apparatre des proprits de symtrie. Considrons u ( t ) comme tant la somme dune fonc-
P. NAYMAN
Master CMI
35
tion paire u p ( t ) et dune fonction impaire u i ( t ) .
x ( t ) = xp ( t ) + xi ( t )
par dfinition x p ( t ) = x p ( t ) et x i ( t ) = x i ( t )
on en dduit facilement :
1
x p ( t ) = --- ( x ( t ) + x ( t ) )
2
Equ(4.44)
1
x i ( t ) = --- ( x ( t ) x ( t ) )
2
Equ(4.45)
Pour la fonction u ( t ) , il est naturel de poser :

1
u i ( t ) = u ( t ) --- et
2
1
u p ( t ) = --- .
2
u ( ) = u p ( ) + u i ( )
1
avec u p ( ) = --- ( )
2
On peut trouver u i ( ) partir de la drive de ui ( t ) .

u' i ( t ) = ( t )
() = 1
u'
i
1
1
1
u i ( ) = ------------ et finalement : u ( ) = --- ( ) + --------
2i
2
i
Cette quation est conforme avec le rsultat donn par (4.14) et (9.12).
P. NAYMAN
Master CMI
36
5. LE FILTRAGE (LES FILTRES LINAIRES)

Un filtre linaire transforme linairement une fonction x ( t ) en une fonction y ( t ) .
x(t) y(t)
5.1. La transformation est linaire

Si :
x 1 ( t ) y1 ( t )
x 2 ( t ) y2 ( t )
Alors :
1 x1 ( t ) + 2 x2 ( t ) 1 y1 ( t ) + 2 y2 ( t )
5.2. La transformation est homogne dans le temps

Si : x ( t ) y ( t )
Alors : x ( t + ) y ( t + )
Exemple 1 :
y ( t ) = A x ( t ) est un filtre linaire.
Exemple 2 :
Considrons le filtre reprsent par la figure 5.1..
y ( t ) = x ( t ) cos t
x(t)
cos t
Figure 5.1 : Exemple de transformation

a 1 x 1 ( t ) + a 2 x 2 ( t ) a 1 y 1 ( t ) + a 2 y 2 ( t ) = [ a 1 x 1 ( t ) + a 2 x 2 ( t ) ] cos t
x ( t + ) x ( t + ) cos t y ( t + )
Cette opration nest pas homogne dans le temps. Ce nest donc pas un filtre linaire.
5.3. Proprits
5.3.1. On peut caractriser un filtre F par sa rponse impulsionnelle h(t)
La rponse impulsionnelle dun filtre est sa rponse une impulsion de Dirac ( t ) .
Si lon note h ( t ) la rponse impulsionnelle du filtre F, alors :
+
y(t) =
P. NAYMAN
Master CMI
h( t )x ( ) d
37
Equ(5.1)
LE FILTRAGE (LES FILTRES LINAIRES)
( t ) h ( t )
( t ) h ( t )
x ( ) ( t ) x ( )h ( t )
x ( n ) ( t n ) x ( n )h ( t n )
+
x ( n ) ( t n )
n =
x ( n )h ( t n )
n =
dn 0
x ( n )( t n ) dn x ( n )h( t n ) dn
+
x(t) y(t )
5.3.2. Le gain du filtre
G()
x( t ) y( t ) = h(t )*x( t )
x ( ) y ( ) = G ( ) x ( )
y ( ) = G ( ) x ( )
Equ(5.2)
G ( ) est le gain du filtre, cest la transforme de Fourier de la rponse impulsionnelle du
filtre.
+
G( ) =
h ( t )e
2it
Equ(5.3)
dt
Remarquons que :
+
G(0) =
h( t ) dt
Equ(5.4)
5.3.3. Les fonctions propres des filtres linaires

Les exponentielles complexes sont les fonctions propres des filtres linaires. Si le filtre est
un oprateur linaire L alors (figure 5.2) :
(t)
( t )
Figure 5.2 : Fonction propre dun filtre linaire

( t ) est la fonction propre du filtre.
est la valeur propre associe.
e
2it
2it
G()
Equ(5.5)
y( t ) = x(t )*h( t ) =
h( )x ( t ) d
P. NAYMAN
Master CMI
38
x(t) = e
2it
+
y(t) =
h( )e
y(t) = G() e
2i ( t )
2it
5.3.4. Filtre sans distorsion phase linaire

Un filtre linaire G ( ) sans distorsion ne dforme pas le signal dans la bande passante. Un
tel filtre est tel que la sortie dpend uniquement dune constante G r et du signal dentre retard
dun temps fixe .
y ( t ) = Gr x ( t )
Equ(5.6)
Prenons la transforme de Fourier de lquation 5.6 :

y ( ) = G r TF [ x ( t ) ] , laide de (4.21) :
2i
y ( ) = G r x ( ) e
, en comparant cette quation avec (5.2), il vient immdiatement :
G ( ) = Gr e
2i
Equ(5.7)
Le filtre qui nintroduit pas de distorsion un gain constant G r et une phase qui varie linairement avec la frquence.
5.3.5. Exemples
5.3.5.1 Filtre passe bas idal (figure 5.3)
G() = 1
si
G() = 0
si
> 0
5.3.5.2 Filtre passe haut idal (figure 5.4)

T
Figure 5.3 : Filtre passe bas idal

G() = 0
si
G() = 1
si
> 0
P. NAYMAN
Master CMI
39
G( )
Figure 5.4 : Filtre passe haut idal
5.3.5.3 Filtre passe bande idal (figure 5.5)

G() = 1
si
G() = 0
sinon
01 02
G( )
01
02
Figure 5.5 : Filtre passe bande idal
5.3.5.4 Rponse dun filtre une impulsion rectangulaire

Connaissant la rponse impulsionnelle dun filtre linaire, on peut en dduire la rponse du
filtre quand une impulsion rectangulaire est applique son entre. La figure 5.6 montre les diffrentes tapes de la mthode.
Courbe a
( t )
t
( t )
Figure 5.6 : Exemple de rponse dun filtre une impulsion rectangulaire
P. NAYMAN
Master CMI
40
Rponse
impulsionnelle
h( t) = f( t ) + g(t )
( t ) f ( t )
( t ) g ( t )
Intgrale de la
courbe a.
Sortie du filtre :
Intgrale de h(t)
Figure 5.6 : (Suite...)Exemple de rponse dun filtre une impulsion rectangulaire
P. NAYMAN
Master CMI
41
5.3.5.5 Effet de la suppression de composantes basses frquences sur un signal rectangulaire (figure 5.7).
G( )
G( )
G ( )
Signaux en
entre
t
Signaux en
sortie de B
Signaux en
sortie de C
Signaux en
sortie de A
Figure 5.7 : Suppression de composantes B.F.

La suppression des composantes basses frquences dun signal correspond au passage du
signal dans un filtre passe bande A (voir la figure 5.7, ligne 1). La coupure suprieure en frquence
est uniquement une limite physique. On peut analyser le comportement dun tel filtre en remarquant quil peut tre mathmatiquement obtenu en soustrayant la rponse du filtre C celle du
filtre B. La figure 5.7 montre le comportement du filtre A pour des signaux troits puis pour signaux plus larges.
Supprimer les composantes basses frquences dun signal correspond une diffrentiation
de ce signal selon une certaine constante de temps.
5.3.5.6 Exemple : lintgrateur

On considre un filtre F linaire de type passe bas (intgrateur) reprsent par la figure 5.8.
On dsire connatre son gain et sa rponse impulsionnelle.
1
Z c = ---------iC
= 2
V2
1
1 ( iC )
G ( ) = ------ = -------------------------------- = ----------------------V1
1 ( iC ) + R
1 + iRC
1
G ( ) = ----------------------------1 + iRC 2
G()
P. NAYMAN
Master CMI
1
= -------------------------------------2 2
2 2
1 + R C 4
42
Equ(5.8)
R
C
V1
V2
Figure 5.8 : filtre passe bas du premier ordre
h(t) =
G ( )e
+
h(t) =
2it
e
1----------------------------+ iRC2
1
2it
1 ( t ) ( RC )
En intgrant par la mthode des rsidus, on trouve : h ( t ) = -------- e
RC
Les figure 5.9 et figure 5.10 montrent respectivement lallure du gain et de la rponse impulsionnelle du filtre passe bas.
G()
1
12
1 ( 2RC )
1 ( 2RC )
Figure 5.9 : Rponse en frquence du filtre passe bas

h(t)
1 ( RC )
Figure 5.10 : Rponse impulsionnelle du filtre passe bas
5.3.5.7 Exemple : linarit dun filtre passe bande

Soit F un filtre linaire reprsent par la figure 5.11 et tel que :
G( ) = G() e
i ( )
1 si f c B
G() =
0 sinon
( ) = 2 pour la phase
P. NAYMAN
Master CMI
43
G()
2B
fc B
fc
fc + B
Figure 5.11 : filtre passe bande (2B)

Montrons que F ne dforme pas les signaux dans la bande considre :
x ( ) y ( ) = G ( ) x ( )
i ( )
y ( ) = x ( ) G ( ) e
i2
y ( ) = x ( ) G ( ) e
x ( ) e
y ( ) =
0 sinon
i2
si f c B
i2
y ( ) = x ( ) e
Comme la transforme de Fourier de lexponentielle est e
i2
( t + ) on en dduit
que :
y ( t ) = x ( t ) * ( t + ) avec < 0
P. NAYMAN
Master CMI
44
6. THORME DE LCHANTILLONNAGE
(SHANNON/NYQUIST)
Un signal physique de type analogique a son amplitude qui varie continment en fonction
du temps. Echantillonner un signal analogique consiste prlever des chantillons des instants
kTe (cas de lchantillonnage rgulier).
La quantification consiste associer une suite binaire chaque chantillon. Lchantillonnage et la quantification sont des oprations effectues lors de la Conversion Analogique Numrique (CAN).
La problmatique de la thorie de lchantillonnage est de connatre les conditions ncessaires pour reconstituer correctement le signal partir de ses chantillons.
Considrons x ( t ) dont la transforme de Fourier est x ( ) .
x ( t ) x ( )
x ( )
+B
Figure 6.1 : Bande passante dun signal

x ( ) est nulle en dehors de [ B,+B] comme le montre la figure 6.1.
Si lon connat les chantillons : x ( 0 ),x ------- ,x ------- ,

1
2B
k
2B
On peut reconstituer le signal x ( t ) :

x( t) =
x ------- k ( t )
2B
k =
k
Equ(6.1)
avec :
k
sin 2B t -------
2B
k ( t ) = -------------------------------------------k
2B t -------
2B
Equ(6.2)
La figure 6.2 illustre le principe de lchantillonnage dune fonction x ( t ) par des fonctions
k ( t ) .
P. NAYMAN
Master CMI
45
(SHANNON/NYQUIST)
x(t)
Figure 6.2 : Principe de lchantillonnage

Dmonstration :
x(t) =
Ck e
k =
1
C k = --T
ikt
+T 2
T 2 x ( t )e
par dfinition et daprs (3.1) :
ikt
dt
2
1
= ------ et T = ------T
2B
x ( ) =
k =
Ck e
i2k
------------
2B
1
C k = ------2B
+B
Comme x ( t ) =
x ( )e
+B
k
2i ------2B
k
x ------- =
2B
x ( )e
-----------------2ik
2B
Equ(6.3)
k
d si lon choisit t = ------- :
2B
+B
x ( )e
k
2i ------2B
Equ(6.4)
En comparant lquation 6.3 et lquation 6.4 :

1 k
C k = ------- x -------
2B 2B
x ( ) =
k =
Ck e
i2k
------------
2B
1 k
= ------- x ------- e
2B
2B
k =
i2k
------------
2B
Considrons la fentre rect ( ) telle que :

1 si B
rect ( ) =
0 si > B
On ne modifie pas x ( ) en multipliant son expression par rect ( ) :
P. NAYMAN
Master CMI
46
(SHANNON/NYQUIST)
1
k
x ( ) = ------- x ------- e
2B
2B
k =
i2k
------------
2B
rect ( )
sin 2Bt
rect ( ) 2B -------------------- et laide de (4.21) :
2Bt
k
i2 -------
2B
k
sin 2B t -------
2B
rect ( ) 2B --------------------------------------k
2B t -------
2B
k
sin 2B t -------
2B
1 k
x ( t ) = ------- x ------- 2 B --------------------------------------- =
2B 2B
k
k =
2B t -------
2B
+
k
sin 2B t -------
2B
k
x ------- --------------------------------------
2B
k
k =
2B t -------
2B
+
En introduisant lquation 6.2, on obtient :

x(t) =
x ------- k ( t )
2B
k =
k
6.1. Consquences de lchantillonnage

Le signal chantillonn peut tre dfini comme un produit de convolution discret :
xe ( t ) =
k =
x ( kT e ) ( t kT e )
On remarquera que :
x ( t ) ( t a ) = x ( a ) ( t a )
x(t)
( t kT ) =
k =
x ( kT ) ( t kT )
k =
xe( t) = x( t )
k =
( t kT e )
En utilisant lquation 4.27, prenons la transforme de Fourier des deux membres :

+
k
1
x e ( ) = ------ x ( ) * ---
T
Te
e
k =
Equ(6.5)
Lquation 6.5 montre que :

Echantillonner dans lespace temps revient priodiser dans lespace frquence.
1
Le terme ------ x ( ) correspond lenveloppe spectrale du spectre en frquence du signal
Te
chantillonn.
Deux cas sont possibles :
P. NAYMAN
Master CMI
47
(SHANNON/NYQUIST)
Si e < 2B il y a sous-chantillonnage avec un recouvrement de spectre. Ce phnomne est galement appel repliement spectral ou encore aliasing.
Un signal sous-chantillonn apparatra comme ayant une frquence infrieure la ralit. Il existe plusieurs cas de figure, si lon a affaire un signal dont le spectre est tal il
y aura de lempilement spectral. Si le signal a un spectre troit (sinus par exemple) il y
aura repliement spectral.
Si e 2B lchantillonnage du signal est correct et autorisera une interprtation
cohrente des rsultats. Il ny a pas de recouvrement de spectre.
La figure 6.3 illustre ces deux cas.
6.1.1. Le recouvrement spectral

Lquation 6.5 explique bien le phnomne de lchantillonnage. Le spectre de base est dk
cal autour de la frquence --- = k e . Pour chaque frquence du spectre 0 , il existe une frTe
quence apparente :
a = 0 k e
Equ(6.6)
avec k 0 .
La figure 6.4 illustre ce phnomne. Par exemple, pour k = 0 , on obtient les 2 frquences
de base 0 et + 0 . Pour k = 1 on obtient les frquences apparentes ( e 0 ) et ( e + 0 ) , etc.
La frquence apparente la plus petite est donc ( e 0 ) .
Cet effet est rapprocher de leffet stroboscospique.
x ( )
+B
xe ( )
empilement spectral
e < 2B
xe ( )
e > 2B
+B +2B
e 2
e
Figure 6.3 : Priodisation du spectre par chantillonnage
P. NAYMAN
Master CMI
48
(SHANNON/NYQUIST)
( e 0 )
( e + 0 )
e ( 2 e 0 )
( e 0 )
2 e
( 2 e + 0 )
( e + 0 )
Figure 6.4 : Le recouvrement spectral
6.1.2. Exemple 1
Pour illustrer lempilement spectral, considrons un train dimpulsions rectangulaires.
Daprs lexemple 4.3. la transforme de Fourier dune impulsion rectangulaire de largeur l est
t
donne par lexpression suivante : x ( ) = TF rect - = l sinc ( l )
l
En utilisant (4.36), on trouve facilement le spectre du train rectangulaire de priode P :

+
1
k
x P ( ) = --- x ( ) ---
P
P
k =
On suppose que la frquence dchantillonnage est de 18 Hz, la largeur de limpulsion est

de 0.1 s et la priode de rptition du signal de 0.5 s. Dans ce cas, les raies dans le sinus cardinal
sont spares de 2 Hz et le passage par zro se produit 10Hz .
On remarquera que le lobe principal est ici lgrement sous-chantillonn. Par contre, les
lobes secondaires sont fortement sous-chantillonns.
La figure 6.5 montre dune part le spectre des premires composantes centres respectivement en = 0 , = e , = 2 e et = 3 e . La deuxime partie de la figure montre lempilement spectral correspondant (somme des spectres prcdents). On notera les effets de bords
lis la troncature des spectres initiaux. Le spectre rsultant est trs loign du spectre initial de
base (sinus cardinal).
18 Hz
Figure 6.5 : Exemple de recouvrement spectral pour une impulsion rectangulaire
P. NAYMAN
Master CMI
49
(SHANNON/NYQUIST)
Compte-tenu de la transforme de Fourier de limpulsion rectangulaire (sinc) qui tend vers

zro linfini, il faut que la frquence dchantillonnage soit trs grande devant la priode du signal (au moins un facteur 10) afin de rduire au maximum lempilement spectral.
6.2. Filtre anti-repliement

Afin de reconstruire x ( t ) partir de x e ( t ) , il est ncessaire de faire passer x e ( t ) dans un
filtre passe bas idal (figure 6.6). Cette opration permet de ne conserver que le lobe principal de
xe ( t ) .
On utilise un filtre dont la fonction de transfert est : G ( ) = T Rect ( e ) , T tant la priode dchantillonnage ( T = 1 e ). La transforme de Fourier de G ( ) est la rponse impulsionnelle h ( t ) du filtre passe-bas idal. En tenant compte de lexemple (4.10.1.), il vient
immdiatement que : h ( t ) = sinc ---
T
t
G()
lobe principal conserv
1 ( 2T )
+1 ( 2T )
Figure 6.6 : filtre passe bas idal
6.2.1. Exemple 2
On considre le signal x ( t ) = 5 cos 100t , afin dviter un repliement spectral, il est ncessaire dchantillonner ce signal analogique de frquence 50Hz une frquence minimale de
100Hz. Si lon chantillonne le signal une frquence de 75Hz : les instants de lchantillonnage
seront : t n = n 75
2
n
n
x ( n ) = 5 cos 100 ------ = 5 cos 4 --- = 5 cos ------ n
3
3
75
2
x ( n ) = 5 cos ---------- n
e
donc : e = 1 3 implique que 25Hz et 50Hz chantillonnes 75Hz auront les mmes
chantillons.
On aurait pu appliquer directement la relation (6.6) :
a = e 0 = 75 50 = 25Hz
P. NAYMAN
Master CMI
50
(SHANNON/NYQUIST)
1/75
2/75
3/75
25Hz
50Hz
Figure 6.7 : Consquence du sous-chantillonnage

La figure 6.7 montre que les chantillons des cosinusodes 25Hz et 50Hz sont identiques,
lorsque la frquence dchantillonnage est de 75Hz.
6.2.2. Exemple 3
Dans 6.1., un filtre passe-bas idal G ( ) = T Rect ( e ) est utilis pour isoler le lobe
principal. Dans cet exemple, on utilise un filtre du premier ordre, dont la fonction de transfert est
1
- . Du fait de lchantillonnage le spectre du signal rsultant
de la forme : G ( ) = ----------------------------------------12
2
[ 1 + ( c ) ]
est priodis (figure 6.8).

X()
1
0.707
Figure 6.8 Priodisation du spectre du signal chantillonn

Comme G ( ) dcroit lentement, il y a repliement spectral, les spectres en recouvrement
sont somms.
Supposons que c = 10KHz , dterminons la frquence dchantillonnage qui donne un niveau de recouvrement de moins de 1%.
2
Pour = c , G ( ) = ------- = 0, 7071
2
1
100
- avec r la frquence de recouvrement.

Il faut 0, 7071 --------- < -------------------------------------------12
2
[ 1 + ( r 10 ) ]
On trouve que r < 1414KHz . La frquence dchantillonnage doit tre telle que :
e > c + r = 1424KHz .
P. NAYMAN
Master CMI
51
(SHANNON/NYQUIST)
7. LES SIGNAUX ALATOIRES

(RAPPELS DE NOTIONS DE BASE EN STATISTIQUE)
Une fonction alatoire ou processus alatoire ou encore processus stochastique est un phnomne qui dpend la fois du temps et du hasard.
Chaque vnement associe une valeur (ralisation) chaque couple (t,n) o t reprsente la
date et n une situation.
Soit X ( t, n ) la variable alatoire et x la ralisation (souvent note X ( t ) pour simplifier les
notations).
On appelle fonction de rpartition F :
Equ(7.1)
F ( x ) = Prob ( X < x )
On dfinit la densit de probabilit p X ( x ) comme la drive de la fonction de rpartition :
p X ( x )dx = dF X ( x )
Equ(7.2)
p X ( x )dx reprsente la probabilit que X soit dans lintervalle [ x, x + dx ] .

P X [ x, x + dx ] = p X ( x )dx
Equ(7.3)
Par dfinition, la somme de toutes les probabilits est gale 1.

+
p ( x )dx = 1
Equ(7.4)
Remarquons que pour une variable X continment variable, la probabilit pour que X = x
est nulle. On considre plutt la probabilit P X [ x, x + dx ] de faon que x X < x + dx .
La densit de probabilit pX ( x ) et la fonction de rpartition F X ( x ) sont intimement lies
comme le montre la figure 7.1.
pX ( x )
pX ( x0 )
Surface=FX(x0)
x0
Figure 7.1 : densit de probabilit et fonction de rpartition

Exemple : la loi uniforme
Considrons une loi uniforme, la densit de probabilit p ( x ) est constante dans lintervalle
[ a 2, +a 2 ] . Si lon tient compte de (7.4) :
La surface sous la courbe est gale 1.
PX ( a 2 + a 2 ) = 1
PX = 1 a
P. NAYMAN
Master CMI
52
LES SIGNAUX ALATOIRES (RAPPELS DE

NOTIONS DE BASE EN STATISTIQUE)
p( x )
1
--a
S=1
a 2
+a 2
Figure 7.2 : La loi uniforme
7.1. Les moments temporels, les relations de base

7.1.1. Moyenne temporelle
On appelle moyenne temporelle, la quantit :
1
x ( t ) = lim --T T
+T/2
T 2 x ( t ) dt
Equ(7.5)
7.1.2. Auto-corrlation temporelle

On appelle fonction dauto-corrlation temporelle, la quantit :
1
x ( t ) x ( t + ) = lim --T T
+T/2
T 2 x ( t ) x ( t + ) dt
Equ(7.6)
7.2. Les moments statistiques, les relations de base

7.2.1. Moyenne statistique
On appelle moyenne statistique, la quantit :
xp( x, t )dx
mx ( t ) = E [ X ( t ) ] =
Equ(7.7)
p ( x, t ) est la densit de probabilit de la variable alatoire X ( t ) .
7.2.2. Moment dordre 2

On appelle moment dordre 2 de la variable alatoire X ( t ) :
2
E[ X ( t )] =
x p ( x, t ) d x
2
Equ(7.8)
7.3. Variance
La variance dune variable alatoire est dfinie par la relation suivante :
2
X = E [ ( X X ) ]
Equ(7.9)
avec X = E [ X ] la valeur moyenne

Pour les variables continues :
P. NAYMAN
Master CMI
53

X =
( x X ) p ( x, t )dx
2
Equ(7.10)
Pour les variables discrtes :

2
X =
( xi X )
p ( x i, t )
Equ(7.11)
Si la variable alatoire est centre ( X = 0 ) alors la variance est gale au moment dordre
2
2. X = E [ X ( t ) ] .
7.4. Fonction dauto-corrlation

On appelle fonction dauto-corrlation dun processus alatoire X ( t ) rel :
R xx ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ] =
x1 x2 p ( x1, x2 ;t1, t2 ) dx1 dx2
Equ(7.12)
p ( x 1, x 2 ;t 1, t 2 ) est la densit de probabilit conjointe des deux variables alatoires X ( t1 ) et

X ( t2 ) .
Si le processus X ( t ) nest pas rel, il faut considrer lquation suivante :

*
R xx ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ]
Equ(7.13)
7.5. Fonction dinter-corrlation

On appelle fonction dinter-corrlation de deux processus alatoires rels X ( t 1 ) et Y ( t 2 ) ,
lorsquelle existe, la quantit :
R xy [ t 1, t 2 ] = E [ X ( t 1 ) Y ( t 2 ) ]
Equ(7.14)
7.6. Stationnarit au sens strict

Une fonction alatoire est stationnaire au sens strict si ses proprits statistiques sont invariantes pour tout changement de lorigine des temps.
:
F ( x 1, x n ;t 1, t n ) = F ( x1, x n ;t 1 + , t n + )
7.7. Suite alatoire stationnaire au second ordre

7.7.1. Proprits
E ( X n ) est indpendant de n.
E ( X n ) < + est indpendant de n.
R xx ( n 1, n 2 ) = E [ X ( n 1 ) X ( n 2 ) ] est uniquement fonction de = n 1 n 2 .
7.8. Processus alatoire stationnaire au second ordre

7.8.1. Proprits
E ( X ( t ) ) est indpendant de t.
E ( X ( t ) ) < + est indpendant de t.
P. NAYMAN
Master CMI
54

R xx ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ] est uniquement fonction de = t 1 t 2 .
Si lon pose :
t2 = t
t1 = t +
R xx ( t 1, t 2 ) = R xx ( t, ) = E [ X ( t + ) X ( t ) ]
Equ(7.15)
Si au lieu de poser t 2 = t , on pose t 1 = t alors :

R xx ( t, ) = E [ X ( t ) X ( t ) ]
Equ(7.16)
On peut remarquer que pour = 0 , on obtient le moment dordre 2 :

2
R xx ( t, 0 ) = E [ X ( t ) ]
Equ(7.17)
La variance est dfinie par la quantit :

2
t = E [ X ( t ) E [ X ( t ) ] ]
Equ(7.18)
2
Si la variable alatoire est centre, t = E [ X ( t ) ]
7.9. Relation entre convolution et corrlation

Il est possible de relier lintgrale de corrlation avec lintgrale de convolution :
Considrons la fonction dintercorrlation de 2 signaux :
+
R xy ( ) =
x* ( t ) y ( t + ) dt
en effectuant le changement de variable : u = t

R xy ( ) =
x * ( u ) y ( u ) du =
x * ( u ) y ( u ) du
on peut alors crire R xy ( ) sous la forme :

R xy ( ) = x* ( ) * y ( )
Equ(7.19)
R xx ( ) = x* ( ) * x ( )
Equ(7.20)
et
On peut galement dterminer une relation entre R xy ( ) et R yx ( ) :
En permutant x et y dans (7.19) :
R yx ( ) = y* ( ) * x ( ) puis avec :
R yx ( ) = y* ( ) * x ( ) en prenant le conjugu des 2 membres :
*
R yx ( ) = y ( ) * x ( ) = R xy ( )
Equ(7.21)
7.10. Relations entre fonctions de corrlation et dinter-corrlation

Considrons un systme linaire de rponse impulsionnelle h ( t ) et un processus alatoire
dentre stationnaire.
R xx ( ) est la fonction dautocorrlation du processus dentre.
R yy ( ) est la fonction dautocorrlation du processus de sortie.
R xy ( ) est la fonction dintercorrlation entre le processus dentre et celui de sortie.
Cherchons une relation du type R yy ( ) = f ( Rxy ( ), h ( ) ) .
P. NAYMAN
Master CMI
55

R yy ( ) = E [ y* ( t )y ( t + ) ]
+
y* (t ) =
x* ( t u)h* ( u ) du (intgrale de convolution)

+
y * ( t )y ( t + ) = y ( t + )
x* ( t u)h* ( u ) du
y * ( t )y ( t + ) =
y ( t + )x* ( t u)h* ( u ) du
Puis en prenant la valeur moyenne des deux membres :

+
E [ y * ( t )y ( t + ) ] = E
y( t + )x* ( t u )h* ( u ) du
E [ y * ( t )y ( t + ) ] =
E [ y ( t + )x* ( t u )h* ( u ) du ]
+
E [ y * ( t )y ( t + ) ] =
E [ y ( t + )x* ( t u )]h ( u )du

*
On peut remarquer que le terme : E [ y ( t + )x * ( t u ) ] est une fonction de corrlation dcale de la quantit : ( t + ) ( t u ) = + u donc :
E [ y ( t + )x * ( t u ) ] = R xy ( + u )
+
E [ y * ( t )y ( t + ) ] =
Rxy ( + u )h ( u ) du (intgrale de convolution)

*
do :
R yy ( ) = R xy ( ) * h * ( )
Equ(7.22)
Cherchons maintenant une relation du type : R xy ( ) = f ( Rxx ( ), h ( ) ) .

R xy ( ) = E [ x* ( t )y ( t + ) ]
+
y(t + ) =
x ( t + u )h ( u )du (intgrale de convolution)

+
x * ( t )y ( t + ) = x * ( t )
x ( t + u )h ( u )du =
x* ( t )x ( t + u )h ( u )du
Puis en prenant la valeur moyenne des deux membres :

+
E [ x * ( t )y ( t + ) ] = E
x* ( t )x ( t + u )h ( u )du
E [ x * ( t )y ( t + ) ] =
E[ x* ( t )x ( t + u )( h( u) ) ] du
P. NAYMAN
Master CMI
56

E [ x * ( t )y ( t + ) ] =
E[ x* ( t )x ( t + u ) ] ( h( u ) )du
On peut remarquer que le terme E [ x * ( t )x ( t + u ) ] est une fonction de corrlation dcale de la

quantit : ( t + ) ( t u ) = + u donc :
E [ x * ( t )x ( t + u ) ] = R xx ( u )
+
R xy ( ) =
Rxx ( u )h ( u ) du (intgrale de convolution), do :

R xy ( ) = R xx ( )*h ( )
Equ(7.23)
7.11. Ergodicit
Lquation 7.7 explicite lesprance mathmatique E comme une moyenne densemble,
soit lintgrale de toutes les valeurs de X pondres par la densit de probabilit de la variable alatoire.
On peut essayer destimer la quantit E [ X ( t ) ] ce qui suppose qu linstant t 1 lon dispose
de toutes les ralisations de la variable alatoire, malgr la difficult dune telle exprience, on
peut imaginer, par exemple, une batterie de n capteurs (figure 7.3).
Dans ce cas, une estimation de la moyenne densemble peut tre donne par la relation
suivante :
1
m X ( t ) = --n
xp ( t )
p=1
Gnralement, on ne dispose que dune ralisation de la variable alatoire et lon est tent
1
destimer la moyenne densemble par la moyenne temporelle x ( t i ) = --T
ti + T
ti
x ( t ) dt .
La fonction alatoire est ergodique lordre 1 (moyenne) si :

lim x ( t i ) = m X
t i
T
x1 ( t )
x2 ( t )
x3 ( t )
x4 ( t )
xn ( t )
t
ti
Figure 7.3 : n preuves simultanes

Un processus alatoire est ergodique lordre n, si les moyennes temporelles jusqu
lordre n sont indpendantes du choix de la ralisation. De plus, si les rsultats obtenus partir des
moyennes statistiques sont quivalents ceux obtenus partir des moyennes temporelles, alors le
P. NAYMAN
Master CMI
57

processus est ergodique.
7.12. Le principe dincertitude

Lanalyse de frquentielle de Fourier est base sur lanalyse du signal sur toute son histoire
temporelle, sa localisation temporelle dans lespace des frquences est donc impossible.
Si lon considre une fentre temporelle bien localise alors la fentre frquentielle correspondante sera mal localise. La rciproque est galement vraie. Cest la principe dincertitude.
Considrons un signal x ( t ) rel que lon a normalis en nergie :
+
x ( t )
Equ(7.24)
dt = 1
On suppose une variation temporelle de lnergie de x ( t ) telle que :

+
t =
x ( t ) dt
Equ(7.25)
2
On suppose que t est la variable alatoire et x ( t ) la densit de probabilit.

2
t est la variance de la variable alatoire x ( t ) .
De mme on peut considrer la variation frquentielle correspondante :

+
2
x ( ) d
Equ(7.26)
2
On suppose que est la variable alatoire et x ( ) la densit de probabilit.

2
2
est la variance de la variable alatoire x ( ) .
Il est intressant dtablir la relation entre la dispersion temporelle et la dispersion spectrale.

Reprenons la dfinition de lingalit de Schwartz :
* 2
( a, b ) ( a, a ) ( b, b )
+
Equ(7.27)
a ( t ) b ( t ) dt
a ( t ) dt
b ( t ) dt
Equ(7.28)
posons a ( t ) = x ( t ) et b ( t ) = t x ( t ) . Et pour des signaux rels :

2
x ( t ) t x ( t ) dt
x ( t ) t x ( t ) dt
x ( t ) dt
t
2
--- ( x ( t ) ) dt
2
t x ( t ) dt
2
En intgrant par partie, il vient :

+
t
2
1
2 + 1
--- ( x ( t ) ) dt = --- t x ( t )
--2
2
2
x ( t )
dt
1
2
Si lon considre que les signaux tels que --- t x ( t ) = 0 pour t alors compte-tenu de
2
lquation 7.24 :
P. NAYMAN
Master CMI
58

--2- ( x ( t ) ) dt = --2- et
t
x ( t ) t x ( t ) dt
1
= --4
Equ(7.29)
En utilisant (4.34) et (4.24) :

+
x ( t ) dt =
x ( t )
2 2
2
x ( ) d et laide de (7.26) :
2 2
Equ(7.30)
Equ(7.31)
dt = 4
et daprs (7.25) :
+
t x ( t )
dt = t
finalement, en regroupant (7.29), (7.30) et (7.31) : t -----------216
soit
1
t -----4
Equ(7.32)
Cette expression est appele relation dincertitude (Par analogie avec la fameuse relation de
Heisenberg).
Cette relation indique que lincertitude en frquence sera dautant plus grande que la fluctuation temporelle est faible.
Lgalit dans la relation de Schwartz est atteinte pour a = k b ( t ) , dans ce cas le signal
x ( t ) doit tre une gaussienne, cest un chirp de Gabor (le chirp est une sinusode module linairement en frquence du type a e
2i ( t t 0 )
).
7.12.1. La bote de Heisenberg

On peut reprsenter la localisation temps/frquence par un rectangle (de Heisenberg) dont
les dimensions sont t et (figure 7.4).
1
S -----4
t
t0
Figure 7.4 : La bote de Heisenberg
7.13. Fonction gnratrice dune variable alatoire

Les fonctions gnratrices et les fonctions caractristiques sont des outils trs pratiques
pour dterminer certaines proprits des variables alatoires, comme les moments par exemple.
P. NAYMAN
Master CMI
59

On dfinit une fonction gnratrice comme tant :

G(z) =
z
n=0
Equ(7.33)
pn
p n reprsente pour un vnement donn, la probabilit davoir n ralisations de la variable
alatoire.
Comme la somme des probabilits p 0 + p 1 + p N = 1 alors G ( 1 ) = 1 .
On peut galement dfinir G ( z ) comme tant :
n
G(z) = E[z ]
Equ(7.34)
n tant la variable alatoire et E lesprance mathmatique.

Le traitement des vnements en cascade a t largement tudi grce aux fonctions gnratrices. Il savre que les fonctions caractristiques donnent des rsultats quivalents tout en tant
plus simples manipuler.
7.13.1. Moments et fonction gnratrice

Calculons la drive premire et la drive seconde de (7.33). Les calculs suivants sont possibles que si les conditions de convergences sont respectes. Compte tenu de la dfinition de la
fonction gnratrice, on suppose que la loi de probabilit considre est discrte (loi binomiale,
loi de Poisson par exemple).
G' ( z ) =
nz
n1
p( n)
Equ(7.35)
n1
G'' ( z ) =
n ( n 1 )z
n2
p(n)
Equ(7.36)
n2
de (7.35), G' ( 1 ) =
n p(n)
= E[X]
n1
de (7.36), G'' ( 1 ) =
n ( n 1 )p ( n )
n2
p(n )
n2
n p( n)
n2
G'' ( 1 ) = E [ X ] G' ( 1 )
2
E [ X ] = G'' ( 1 ) + G' ( 1 )
2
La variance X = E [ X ] ( E [ X ] )
2
X = G'' ( 1 ) + G' ( 1 ) ( G' ( 1 ) )
En rsum :
E [ X ] = G' ( 1 )
Equ(7.37)
E [ X ] = G'' ( 1 ) + G' ( 1 )
2
X = G'' ( 1 ) + G' ( 1 ) ( G' ( 1 ) )
P. NAYMAN
Master CMI
60
Equ(7.38)
2
Equ(7.39)

7.14. Fonction caractristique dune variable alatoire

Considrons la fonction suivante :
x( u ) = E[ e
iux
Equ(7.40)
iux
x( u ) =
p ( x )e
dx
x ( u ) est donc la transforme de Fourier de p(x)

1
de mme : p ( x ) = -----2
i ux
x ( u )e
du
a
2!
a
n!
Considrons lquation 7.40 et le dveloppement limit : e = 1 + a + ----- + + ----- +
x( u ) = E[ e
iux
( iux )
( iux )
] = E 1 + iux + --------------- + + --------------- +
2!
n!
n
n
( iu )
x ( u ) = 1 + iuE [ x ] + + ------------ E [ x ] +
n!
Dautre part, drivons lordre k la fonction x ( u ) par rapport u.

k
iux
d
d
x( u ) =
E[e ]
du
du
k
k iux
k
k
iux
d
d iux
(u) = E
( e ) = E [ ( ix ) e ] = i E [ x e ]
du x
du
au voisinage de u=0 :
k
d ( 0 ) = ik E [ x k ]
du x
( iu )
n!
Equ(7.41)
Comme : x ( u ) = 1 + iuE [ x ] + + ------------ E [ x ] +

n
u (n)
x ( u ) = x ( 0 ) + u' x ( 0 ) + + ----- x ( 0 ) +
n!
Equ(7.42)
Les drives de la fonction caractristique au voisinage de zro permettent de trouver les

diffrents moments statistiques de la variable alatoire x.
7.14.1. Moments et transforme de Fourier

Les proprits de la transforme de Fourier permettent dtablir rapidement lquation
7.42.
En effet en utilisant lquation 4.24 :
n
( 2 it ) x ( t )
d
d
n
n
[ x ( ) ]
Cette quation peut tre r-crite :
P. NAYMAN
Master CMI
61

(n)
x ( ) =
( 2it ) x ( t ) e
(n)
n
x ( 0 ) = ( 2i )
- ( t )
dt = ( 2i )
- ( t )
x(t) e
2it
dt et pour = 0
x ( t ) dt
et comme E [ x ] =
2it
- ( t )
x ( t ) dt
(n)
n
x ( 0 )
E [ x ] = ------------------n
( 2i )
n
(n)
En posant x ( 0 ) = d x ( 0 )
du
En tenant compte de la dfinition de la fonction caractristique, on retombe immdiatement

sur lquation cherche :
k
k
k
d
(0 ) = i E[ x ]
du x
7.15. La deuxime fonction caractristique

Lobtention des moments au moyen de la premire fonction caractristique x ( u ) nest pas
toujours facile. Il est souvent prfrable dutiliser la deuxime fonction caractristique x ( u ) dfinie comme tant :
x ( u ) = ln [ x ( u ) ]
Equ(7.43)
n
( iu )
x ( u ) = ln 1 + iuE [ x ] + + ------------ E [ x ] +
n!
au voisinage de u=0, on peut utiliser lapproximation : ln ( 1 + x ) = x

n
n
( iu )
x ( u ) = iuE [ x ] + + ------------ E [ x ] +
n!
Pour simplifier les notations, utilisons les notations suivantes pour les moments :
n
E [ x ] = m n , il vient alors :
x ( u ) =
+ n n
i u
-m
--------n! n
n=1
Equ(7.44)
Dans le cas o la variable alatoire x nest pas centre, on peut utiliser le changement de
variable (avec y centre) : x = y + m 1
Comme :
x( u ) = E[ e
iux
x( u ) = e
ium 1
x( u ) = e
ium 1
] = E[e
iuy
ium 1
] = e
ium 1
E[e
iuy
y ( u )
Equ(7.45)
n
n
( iu )
1 + iuE [ y ] + + ------------ E [ y ] +
n!
P. NAYMAN
Master CMI
62

Comme E ( y ) = 0 (la variable alatoire y est centre).

x( u ) = e
ium 1
2 2
i u
( iu )
1 + ---------- m 2 + + ------------ m n +
2!
n!
2 2
i u
( iu )
x ( u ) = ln [ x ( u ) ] = ium 1 + ln 1 + ---------- m 2 + + ------------ m n +
2!
n!
Si lon utilise lapproximation : ln ( 1 + x ) x au voisinage de zro, on obtient :

2 2
i u
( iu )
x ( u ) = ium 1 + ---------- m 2 + + ------------ m n +
2!
n!
Equ(7.46)
7.16. La deuxime fonction caractristique modifie

Les calculs prcdents montrent quil est intressant de dfinir une deuxime fonction caractristique drive de x ( u ) :
U x ( u ) = i x ( u )
Equ(7.47)
Dans ce cas :
2
n1 n
iu
u
i
U x ( u ) = um 1 + ------- m 2 + + ----------------- m n +
2!
n!
7.17. La distribution de Poisson

La distribution de Poisson est un processus alatoire qui intervient dans de nombreux phnomnes physique (bruit, temps mort, etc.). Dans la distribution de Poisson, ce sont les instants
de ralisation qui sont alatoires.
Par exemple, un corps radioactif va mettre des particules dune manire non-continue et
dsordonne. Les particules sont mises des instants diffrents selon une loi de Poisson.
Considrons une variable alatoire discrte X pouvant prendre les valeurs 0, 1, 2, 3,...
La variable alatoire X obit une loi de Poisson de paramtre si :

p N = Prob ( X=N ) = ------ e

N!
N
Equ(7.48)
Pour mettre en vidence cette relation, considrons dans un premier temps une squence
alatoire dvnements indpendants quiprobables. On considre que est le nombre dvnements par unit de temps.
Si Prob ( N, ) est la probabilit de compter N vnements pendant un intervalle de temps alors :
1
par hypothse si d --- alors considrons que la probabilit est proportionnelle au temps pour des
temps trs petits :
Prob ( 1, d ) = d , [ d ] est tel quil ne peut y avoir plus dun vnement.
Prob ( 0, d ) = 1 d
On a bien Prob ( 1, d ) + Prob ( 0, d ) = 1

Considrons maintenant lintervalle [ + d ] et valuons Prob ( N, + d ) :
Il faut considrer 2 cas :
N vnements sur [ ] et 0 sur [ d ]
N-1 vnements sur [ ] et 1 sur [ d ] .
P. NAYMAN
Master CMI
63

Prob ( N, + d ) = Prob ( N, ) Prob ( 0, d ) + Prob ( N 1, ) Prob ( 1, d )

Prob ( N, + d ) = Prob ( N, ) ( 1 d ) + Prob ( N 1, ) d
Prob ( N, + d ) Prob ( N, ) = d [ Prob ( N 1, ) Prob ( N, ) ]
d Prob ( N, ) = [ Prob ( N 1, ) Prob ( N, ) ]
d
Equ(7.49)
Evaluons Prob ( 0, + d ) :
Prob ( 0, + d ) = Prob ( 0, ) Prob ( 0, d )
Prob ( 0, + d ) = Prob ( 0, ) ( 1 d )
Prob ( 0, + d ) Prob ( 0, ) = Prob ( 0, )d
d
Prob ( 0, ) = Prob ( 0, )
d
Equ(7.50)
On rsout facilement (7.50) compte tenu de la condition initiale : P ( 0, 0 ) = 1 :

Prob ( 0, ) = e
Equ(7.51)
Pour rsoudre (7.49), il faut procder par rcurrence. On commence avec N=1 et compte tenu de la
condition initiale : Prob ( 1, 0 ) = 0 :
Prob ( 1, ) = e
Equ(7.52)
finalement on obtient :
N
Prob ( N, ) = ------ e
N!
7.17.1. Calcul des moments de X (mthode classique)

On appliquant (7.7) dans le cas discret :
E[X] =
x i p ( xi )
i
E[X] =
N=0
E [ X ] = e
NProb ( N, ) =

( )
------------------- = e
( N 1 )!
N=1
N=1
N1
( )
--------------------( N 1 )!

( )
------------- = e e =
n!
n=0
E [ X ] =
Equ(7.53)
2
Le moment dordre 2 est dfini par la quantit E [ X ] .

Evaluons dans un premier temps, la quantit E [ X ( X 1 ) ] .
E[ X(X 1 )] =
N ( N 1 )Prob ( N, ) =
N=0
2
E [ X ( X 1 ) ] = ( ) e
( )
------------------( N 2 )!
N=2
N=2
P. NAYMAN
Master CMI
N2
( )
--------------------( N 2 )!
64

E [ X ( X 1 ) ] = ( ) e
(----------- ) - = ( ) 2 e e = ( ) 2
n!
n=0
2
E[ X(X 1 )] = E[ X X ] = E[ X ] E[ X]
2
E[X ] = E[X(X 1)] + E[X]

2
E [ X ] = + ( )
Equ(7.54)
La variance dune variable alatoire centre, correspond un moment dordre 2. Dans le

2
cas dune variable non-centre, il faut utiliser (7.18) : X = E [ X E [ X ] ] . En dveloppant (7.18) :

2
X = E [ X ] ( E [ X ] )
2
Equ(7.55)
X = + ( ) ( )
X =
Equ(7.56)
7.17.2. Calcul des moments de X (par la fonction gnratrice)

En utilisant (7.48) et (7.33), la fonction gnratrice pour la distribution de Poisson se calcule facilement :
G(z) =
k ( ) k
----------- = e
k!
z
k
k ( ) k
----------- = e
k!
Calculons G' ( 1 ) et G'' ( 1 ) :

G' ( z ) = e
G' ( 1 ) =
G'' ( z ) = ( ) e
G'' ( 1 ) = ( )
A laide de (7.37), (7.38) et (7.39) on retrouve immdiatement les quations (7.53), (7.54) et (7.56) :
E [ X ] =
2
E [ X ] = + ( )
2
X = + ( ) ( ) =
7.17.3. Calcul de la fonction de corrlation (processus de Poisson)

On considre une variable alatoire X ( t ) rgie par une distribution de Poisson. Par
exemple, X ( t ) =
u ( t ti )
avec u ( t ) lchelon unit de Heaviside.
On considre que t 2 > t 1 > 0 et que les intervalles [ 0, t 1 [ et [ t 1, t 2 [ sont disjoints. valuons
la fonction de corrlation R X ( t 1, t 2 ) = E [ X ( t 1 ) X ( t 2 ) ] . X ( t1 ) reprsente le nombre de ralisations
P. NAYMAN
Master CMI
65

dans lintervalle [ 0, t 1 [ .
E [ X ( t 1 ) X ( t 2 ) ] = E { [ X ( t 1 ) X ( 0 ) ] [ X ( t2 ) X ( t 1 ) ] }
= E [ X ( t 1 ) X ( 0 ) ] E [ X ( t 2 ) X ( t1 ) ]
Equ(7.57)
Avec X ( 0 ) = 0 et daprs (7.53) : E [ X ( t 1 ) ] = t 1 et E [ X ( t 2 ) ] = t 2

E [ X ( t 1 ) X ( t 2 ) ] = t 1 ( t 2 t 1 )
Equ(7.58)
Dveloppons (7.57) :
2
E [ X ( t 1 ) X ( t 2 ) ] = E [ X ( t 1 )X ( t 2 ) X ( t 1 ) X ( 0 )X ( t 2 ) + X ( 0 )X ( t 1 ) ]
2
E [ X ( t 1 ) X ( t 2 ) ] = E [ X ( t 1 )X ( t 2 ) ] E [ X ( t 1 ) ]
Equ(7.59)
A laide de (7.54) et de (7.58) et en ne considrant que le membre droit de (7.59) :

2 2
E [ X ( t 1 )X ( t2 ) ] ( t 1 + t 1 ) = t 1 ( t 2 t 1 )
2 2
E [ X ( t 1 ) X ( t 2 ) ] = t 1 ( t 2 t 1 ) + t 1 + t 1 et finalement :
2
Equ(7.60)
Equ(7.61)
E [ X ( t 1 ) X ( t 2 ) ] = t 1 + t 1 t 2 pour t 2 > t 1 > 0

E [ X ( t 1 ) X ( t 2 ) ] = t 2 + t 1 t 2 pour t 1 > t 2 > 0
Et quelque soit t 1, t 2 :
2
E [ X ( t 1 ) X ( t 2 ) ] = t 1 t 2 + min ( t 1, t 2 )
P. NAYMAN
Master CMI
66
Equ(7.62)

8. PROPRITS SPECTRALES
La transforme de Fourier donne de bonnes indications sur la rpartition spectrale dun signal dterministe. Par contre la transforme de Fourier dun signal alatoire est un spectre alatoire. Un seul spectre nest pas suffisant pour rendre compte des proprits du signal. Il est
ncessaire dutiliser les proprits statistiques (moyenne, cart type, corrlation) qui ont des caractristiques bien dfinies. On supposera par la suite que les signaux sont stationnaires (Voir
Stationnarit au sens strict, page 54.) et ergodiques (Voir Ergodicit, page 57.).
Pour analyser la rpartition spectrale des signaux alatoires, on introduit la notion de densit spectrale (dnergie ou de puissance).
Selon que lon a affaire des signaux dnergie finie, on parlera de densit spectrale dnergie ou de densit spectrale de puissance pour les signaux de puissance moyenne finie. (voir le chapitre 2.2.1. pour la dfinition de ces signaux).
8.1. Approche de la puissance, de lnergie et de la densit spectrale

dune ralisation particulire
Considrons le signal alatoire i ( t ) une ralisation particulire de ( t ) et iT ( t ) une restriction de i ( t ) tel que :
T
T
iT ( t ) = i ( t ) pour --- t --- et
2
2
iT ( t ) = 0 sinon. Cette restriction permet de dfinir dans tous les cas une puissance
moyenne de la ralisation i ( t ) .
1
P iT = --T
+T/2
T/2
2
1
iT ( t ) dt = --T
iT ( t ) dt
daprs la relation de Parseval :

1
P iT = --T
2
1
iT ( t ) dt = --T
iT ( )
iT ( )
dP iT
----------- = -------------------- est homogne une densit spectrale de puissance.
d
T
2
iT ( )
iT ( ) = --------------------T
Equ(8.1)
2
iT ( ) est une densit spectrale de puissance qui sexprime en V Hz
, A Hz
selon
lunit de ( t ) , ou encore en W Hz si lon considre que lon normalise les rsultats dans une
rsistance de 1 .
Lintgrale de dP iT ( ) sur toute la bande de frquence correspond la puissance moyenne
totale du signal particulier i ( t ) .
P. NAYMAN
Master CMI
66
PROPRITS SPECTRALES
P iT =
iT ( )d
Equ(8.2)
Remarque :
2
iT ( )
dP iT
- = -------------------- est homogne une densit spectrale de puissance, la quantit :
Comme ---------d
T
TdP iT
2
S i = --------------- = iT ( )
d
Equ(8.3)
est homogne une densit spectrale dnergie.

Les notions, prcdentes, de puissance, dnergie et de densit spectrale ne sont significatives que pour une ralisation particulire. Il est fondamental de tenir compte de lensemble des
ralisations de ( t ) en prenant la valeur moyenne des densits spectrales particulires :
2
iT ( )
T ( ) = E --------------------T
Equ(8.4)
8.2. nergie et densit spectrale dans le cas gnral (thorme de Wiener-Kinchine)

Les calculs prcdents sont bases sur une ralisation particulire de la variable alatoire.
On peut avoir une approche plus globale en considrant que lon utilise, pour chaque ralisation,
un filtrage particulier qui isole une variable alatoire. La densit spectrale dnergie est ensuite
value en prenant la valeur quadratique moyenne de la sortie du filtre.
x(t)
y(t)
Filtrage
slectif
E[ y(t) ]
Sy ( 0 )
Figure 8.1 : Principe de lvaluation de la densit spectrale

Pour isoler une seule composante frquentielle, le filtre doit avoir une largeur d autour de
la frquence particulire 0 avec d 0 .
Un tel filtre peut tre dfini de la faon suivante :
1
G ( ) = --- [ ( + 0 ) + ( 0 ) ]
2
G( )
1/2
Figure 8.2 : Filtrage dune composante frquentielle

La sortie du filtre est dfinie par y 0 ( t ) = x ( t ) * h ( t ) .
Rappels prliminaires :
x ( ) x ( )
P. NAYMAN
Master CMI
67
PROPRITS SPECTRALES

x ( ) x ( )
x ( ) x ( )
2
R x ( ) = x ( ) * x ( ) x ( ) x ( ) = x ( )
2
La fonction dauto-corrlation (7.15) permet dcrire : R y ( 0 ) = E [ y 0 ]

0
Daprs (8.3) :
2
Ry ( 0 ) = E [ y0 ] = Sy ( 0 )
Equ(8.5)
E [ y 0 ] = E [ y0 ( t ) y 0 ( t ) ] = y 0 ( t ) * y 0 ( t )
*
R y ( ) = y 0 ( t ) * y 0 ( t ) = x ( t ) * h ( t ) * x ( t )*h ( t )
0
comme : R x ( ) = x ( t ) * x ( t )
R y ( ) = Rx ( ) * h ( t ) * h ( t )
0
En prenant la transforme de Fourier des 2 membres :

*
TF [ R y ( ) ] = TF [ R x ( ) ] G ( ) G ( ) = TF [ R x ( ) ] G ( )
Pour le filtre particulier choisi : G ( )
= G ( ) en effet G ( ) = 1
TF [ R y ( ) ] = TF [ R x ( ) ] G ( )
0
Ry ( ) =
0
TF [ Rx( ) ] G ( ) e
2i
Ry (0 ) =
0
TF [ Rx ( ) ] G ( )d et laide de (8.5) :
+
Sy ( 0 ) =
TF [ Rx ( ) ] G ( ) d =
TF [ Rx ( ) ] --2- [ ( + 0 ) + ( 0 ) ]d
1
Puis en utilisant les proprits de lintgrale de convolution (4.7) :

S y ( 0 ) = TF [ R x ( ) ] =
Equ(8.6)
0
La gnralisation de (8.6) est connue sous le nom thorme de Wiener-Kinchine.

Pour uniformiser les notations, notons ( ) la densit spectrale (dnergie ou de puissance) de x ( t ) .
La densit spectrale ( ) de x ( t ) , est dfinie comme tant la transforme de Fourier de R ( ) .
Equ(8.7)
() R()
+
() =
R ( )e
+
R() =
2i
( )e
2i
Equ(8.8)
Equ(8.9)
Remarque : ( ) 0
Dans lquation 8.9, si lon choisit : = 0 , on obtient :
P. NAYMAN
Master CMI
68
PROPRITS SPECTRALES
R(0) =
( ) d
Equ(8.10)
R ( 0 ) reprsente lnergie de x ( t ) .
8.3. Formules de filtrage et formule des interfrences (inter-spectres)

Considrons le filtre reprsent par la figure 8.3 :
x(t)
y(t)
rponse temporelle
x ( )
y ( )
transforme de Fourier
x ( )
y ( )
densit spectrale
G( )
Figure 8.3 : Le filtre et ses principaux paramtres

Dans un premier temps, valuons la valeur moyenne de sortie dun signal alatoire stationnaire x ( t ) .
Lexpression du signal de sortie est donne par le produit de convolution :
+
y(t) =
h ( u )x( t u) du .
Equ(8.11)
Prenons la valeur moyenne des deux membres de (8.11) :

+
E[ y( t ) ] = E
h ( u )x ( t u ) du =
h ( u )E [ x ( t u ) ]du
Comme x ( t ) est stationnaire E [ x ( t u ) ] = E [ x ( t ) ]

+
E[ y( t ) ] =
h ( u )E [ x ( t u ) ] du = E [ x ( t ) ]
h ( u ) du
et laide de (5.4), on obtient la formule du moment :

E[ y( t )] = E[x (t )] G( 0 )
Equ(8.12)
valuons maintenant la densit spectrale du signal de sortie.

Si x ( ) est la densit spectrale de x ( t ) .et y ( ) la densit spectrale de y ( t )
Alors, x ( ) et y ( ) sont relies par la relation suivante :
2
daprs lquation 8.14 : y ( ) = y ( ) et comme : y ( ) = x ( ) G ( ) il vient :
y ( ) = x ( ) G ( )
Equ(8.13)
2
R x ( ) = x ( ) * x ( ) x ( ) x ( ) = x ( ) = x ( ) avec laide de lquation 8.7
2
x ( ) = x ( )
Equ(8.14)
Dune manire gnrale, la transforme de Fourier de la fonction de corrlation de 2 signaux alatoires, stationnaires au second ordre, donne la densit spectrale inter-spectres :
R xy ( ) = x ( ) * y ( ) x ( ) y ( ) = xy ( )
P. NAYMAN
Master CMI
69
PROPRITS SPECTRALES
Reconsidrons les relations (7.22) et (7.23) :

R yy ( ) = R xy ( ) * h * ( ) et R xy ( ) = R xx ( ) * h ( ) , prenons les transformes de Fourier des
2 membres, on obtient immdiatement :

*
yy ( ) = xy ( ) G ( )
Equ(8.15)
xy ( ) = xx ( ) G ( )
Equ(8.16)
Considrons 2 cellules de filtrages dont les rponses impulsionnelles sont h1 ( t ) et h 2 ( t ) .

Les signaux alatoires x 1 ( t ) et x 2 ( t ) sont stationnaires au deuxime ordre
.
x1(t )
y1 ( t )
h1 ( t )
x2 ( t )
h2 ( t )
y2(t )
Figure 8.4 : 2 cellules de filtrage

Evaluons la densit spectrale y1y2 ( ) qui est la transforme de Fourier de la fonction de
corrlation R xy ( ) .
*
R xy ( ) = E [ y1 ( t ) y 2 ( t ) ]
Daprs (7.19) :
Ry
1 y2
( ) = y1 ( ) * y2 ( )
Equ(8.17)
Comme : y 1 ( ) = x 1 ( ) * h 1 ( ) et y 2 ( ) = x 1 ( ) * h 2 ( )
*
y 2 ( ) = x2 ( ) * h 2 ( )
*
En introduisant y 1 ( ) et y 2 ( ) dans (8.17) :

Ry
1 y2
Daprs (7.19) : R x
Ry
( ) = x1 ( ) * h1 ( ) * x2 ( ) * h2 ( )
*
1 x2
( ) = x 1 ( )*x 2 ( )
1 y2
( ) = h1 ( ) * h2 ( ) * Rx
1 x2
( )
Equ(8.18)
Et en prenant la transforme de Fourier des 2 membres :

y
1 y2
( ) = G1 ( ) G2 ( ) x
1 x2
()
Equ(8.19)
Cette dernire quation est la formule des interfrences.
8.4. La densit spectrale de puissance

Si lon considre les signaux puissance moyenne finie (nergie infinie) comme les signaux permanents (dterministes ou alatoires) ou priodiques. On trouve des rsultats quivalents ( laide de (7.17), (8.10)) :
2
R ( 0 ) = Px = x =
( ) d
Equ(8.20)
R ( 0 ) = x uniquement pour des variables alatoires centres sinon il faut utiliser (7.18).
P x est dans ce cas la puissance du signal.
P. NAYMAN
Master CMI
70
PROPRITS SPECTRALES
La densit spectrale de puissance est dfinie par lquation 8.21 :

2
1
x ( ) = lim --- x ( )
T T
Equ(8.21)
8.5. Proprits de la fonction de corrlation

La dfinition de la fonction de corrlation est donne par lquation 7.16 :
R x ( ) = E [ X ( t ) X ( t ) ]
R x ( ) = R x ( ) et pour une fonction relle : R x ( ) = R x ( )
R xy ( ) = R yx ( )
R x ( ) < Rx ( 0 )
Rx ( ) = 0
Rx ( 0 ) = x
8.6. Exemples
8.6.1. Comparaison dun produit de convolution et de la fonction
dinter-corrlation (daprs [15])
at
2at
Soit x ( t ) = e u ( t ) et y ( t ) = e
u( t )
u ( t ) reprsente lchelon unit, signal nul gauche.
On dsire reprsenter : x ( ) * y ( ) et R xy ( ) .
+
x()*y() =
x ( t ) y ( t ) dt =
2a
at
e dt = e
2a
at
e
------a
1 a 2a
= --- [ e
e
]u ( ) pour > 0
a
+
R xy ( ) =
x ( t )y ( t + ) dt =
a
0 e
3at
2a
dt = e
2a
3at
e
----------- 3a 0
2a
e
u( )
1 e u( )
R xy ( ) = -----+
3a
<0
>0
La figure 8.5. montre les diffrentes tapes ncessaires pour llaboration de la fonction de
corrlation et du produit de convolution.
P. NAYMAN
Master CMI
71
PROPRITS SPECTRALES
x(t)
x(t)
1/a
y(t)
y(t)
1/a
1/2a
y(t+)
1/2a
y()
>0
<0
<0
>0
<0
x(t)y(t+)
>0
x(t)y( t )
Rxy( <0)
Rxy( >0)
>0
1/(2a)
x( )*y( )
Rxy()
-1/a
>0
Figure 8.5 : Fonction de corrlation et produit de convolution
8.6.2. Calcul dune fonction dauto-corrlation et dune densit

spectrale dnergie
Soit : x ( t ) = e
at
u(t)
P. NAYMAN
Master CMI
72
PROPRITS SPECTRALES
Rx( ) =
x ( t ) x ( t + ) dt =
at
a ( t + )
dt =
2at
dt = e
2at
e
----------- 2a
1 a
La fonction dauto-corrlation est paire, pour une fonction relle : R x ( ) = R x ( )
R x ( ) = ------ e
2a
Rx( ) x( )
+
x( ) =
1 a 2i
1
------ e
e
d = --2a
a
( a + 2i ) +
1e
= --- ---------------------------a ( a + 2i ) 0
( a + 2i )
1
a 2i
1
1
= --- --------------------- = --- ----------------------------a a + 2i a a 2 + ( 2 ) 2
Considrons la partie relle de la densit spectrale :

1
e [ x ( ) ] = ----------------------------2
2
a + ( 2 )
8.6.3. Calcul de la puissance dun processus alatoire connaissant

sa loi de probabilit
On considre un processus alatoire X ( t ) dont la densit de probabilit est donne par la
fonction f ( x ) reprsente par la figure 8.6.
f(x)
-1
+1
Figure 8.6 : Densit de probabilit

Calculons la puissance de X ( t ) .
La puissance du processus est donne par le moment dordre 2 (daprs ).
2
PX = E[ X ] = X =
1 x f ( x ) dx
2
f ( x ) = 1 pour x = 0 , comme lintgrale de f ( x ) = 1 .

2
PX = E[ X ] = X = 2
4
31
x x
P X = 2 ----- ----4 3
0 x ( 1 x ) dx
2
1
= --6
8.7. Exemple : Le basculeur Poisonnien (fonction dauto-corrlation et

densit spectrale)
On considre une variable alatoire X ( t ) qui ne peut prendre que les valeurs +A et -A dune
P. NAYMAN
Master CMI
73
PROPRITS SPECTRALES
manire quiprobable. Soit le nombre moyen de changements de polarit par unit de temps.
La probabilit davoir N changements de polarit dans lintervalle est donne par la loi
de Poisson (7.48) : p N = Prob ( X=N ) = ------ e

N!
. Ce processus est galement appel signal
tlgraphique alatoire.
X(t)
+A
Figure 8.7 : Le basculeur Poissonnien

Calculons la fonction dauto-corrlation de X ( t ) .
La fonction dauto-corrlation est donne par (7.15) : R XX ( t, t + ) = E [ X ( t ) X ( t + ) ] .
2
Remarquons que le produit X ( t ) X ( t + ) est gal A si X ( t ) et X ( t + ) sont de mme

2
signe et A dans le cas contraire.

Appliquons (7.12) dans le cas de signaux discrets :
R XX ( t, t + ) =
X1i X2j Prob ( X1i, X2j ; )

i
avec X 1 = X ( t ) et X 2 = X ( t + )
Deux cas sont considrer :

X 1 et X 2 sont de mme signe (soit P p les probabilits davoir un nombre de transitions pair
sur ( t, t + ) ).
X 1 et X 2 sont de signe oppos (soit P i les probabilits davoir un nombre de transitions
impair sur ( t, t + ) ).
2
R XX ( t, t + ) = A P p A P i
N pair
2
R XX ( t, t + ) = A e
R XX ( t, t + ) = A e

2

------ e
A
N!
N
R XX ( t, t + ) = A
N=0

N impair

------ e
N!
N
N
2

------ ( 1 ) = A e
N!
N
= A e
N=0

------- N!
Cette solution nest valable que pour > 0 .

Lquation 8.22 donne la solution gnrale quelque soit .
2
R XX ( t, t + ) = A e
Equ(8.22)
La densit spectrale de puissance de X ( t ) est obtenue en prenant la transforme de Fourier

de (8.22). En reprenant le rsultat de lexemple 8.6.2. on obtient facilement le rsultat suivant :
P. NAYMAN
Master CMI
74
PROPRITS SPECTRALES
X ( ) = A -----------------------2
2 2
+
Equ(8.23)
8.8. Fonction dauto-corrlation dun processus driv

Lauto-corrlation R X ( t 1, t 2 ) dun processus alatoire X ( t ) est donne par (7.13).
Soit Y ( t ) = X' ( t ) le processus alatoire driv. R Y ( t 1, t 2 ) la fonction dauto-corrlation de
Y ( t ) est donne par (8.24).
2
R Y ( t 1, t 2 ) =
R (t , t )
t 1 t 2 X 1 2
Equ(8.24)
Premire dmonstration :
Pour tablir (8.24) il est ncessaire que des conditions de convergence soient respectes.
X( t + h) X( t )
Dune manire gnrale X ( t ) est drivable au point t si la limite lim -----------------------------------h0
existe.
Comme lon a affaire des fonctions alatoires, on suppose que X ( t ) est drivable en
2
moyenne quadratique. Cette convergence implique que
R ( t , t ) existe en ( t 1, t 2 ) .
t 1 t 2 X 1 2
R Y ( t 1, t 2 ) = R X' ( t 1, t 2 )
*
X ( t1 + h ) X ( t 1 ) X ( t 2 + g ) X ( t 2 )
R Y ( t 1, t 2 ) = lim E ----------------------------------------- ----------------------------------------------h
g
g, h 0
R Y ( t 1, t 2 ) =
*
*
1
lim ------ E [ X ( t 1 + h ) X ( t 2 + g ) X ( t1 ) X ( t 2 + g ) +
g, h 0 hg
*
*
X ( t 1 ) X ( t 2 ) X ( t 2 ) X ( t 1 + h ) ]
1
*
*
*
*
lim ------ E [ X ( t 1 + h ) ( X ( t 2 + g ) X ( t 2 ) ) X ( t1 ) ( X ( t 2 + g ) X ( t 2 ) ) ]
R Y ( t 1, t 2 ) =
g, h 0 hg
R Y ( t 1, t 2 ) =
g, h 0 hg
*
*
1
lim ------ E [ ( X ( t 2 + g ) X ( t 2 ) ) ( X ( t 1 + h ) X ( t 1 ) ) ]
2
R Y ( t 1, t 2 ) = E
X ( t2 )
X(t ) =
E [ X ( t 1 ) X ( t2 ) ]
t2
t1 1
t 1 t 2
2
et finalement : R Y ( t 1, t 2 ) =
R (t , t )
t 1 t 2 X 1 2
Seconde dmonstration (On suppose que la drive seconde, des fonctions, existe.) :
Daprs (4.23) : X' ( t ) 2i X ( ) , on en dduit immdiatement le gain du drivateur :
G ( ) = 2i
Y ( ) = X ( ) G ( )
= X ( ) 2i
P. NAYMAN
Master CMI
75
PROPRITS SPECTRALES
Comme R Y ( ) Y ( ) et laide de (4.23), il vient immdiatement :

RY( ) =
d
d
2
2
RX ( )
8.9. Le bruit blanc

Dfinition : Une fonction alatoire X ( t ) est appele bruit blanc si :
X ( t ) est stationnaire au deuxime ordre
E[ X( t ) ] = 0
x ( ) = ( N0 2 ) (figure 8.8)
La fonction dauto-corrlation du bruit blanc est une impulsion de Dirac centr en zro.
en effet R xx ( ) = ( N 0 2 ) ( )
pour = 0 alors :
2
R xx ( ) = R xx ( 0 ) = b ( )
Equ(8.25)
b tant la variance du bruit.
La formule (8.25) montre les valeurs du bruit blanc sont dcorrles.

La puissance moyenne du bruit blanc est infinie. Si lon fait passer le bruit blanc dans un
filtre passe bas de bande passante (-B,+B), on se ramne un bruit de puissance moyenne finie
(figure 8.9).
x( )
N0 2
Figure 8.8 : Densit spectrale du bruit blanc
x ( )
G( )
x(t)
N0 2
y(t)
+B
Figure 8.9 : Utilisation dun filtre passe bas pour obtenir un bruit de puissance finie
Dans ce cas, la fonction dauto-corrlation a pour valeur :
+B
R() =
x ( )e
2it
N 0 2i
d = ------ e--------------2 2i
+B
B
sin 2B
R ( ) = N 0 B --------------------- = N 0 Bsinc ( 2B )
2B
Equ(8.26)
avec : R ( 0 ) = N 0 B
P. NAYMAN
Master CMI
76
PROPRITS SPECTRALES
N0B
-5/2B
5/2B
Figure 8.10 : Fonction dauto-corrlation dun bruit blanc spectre born
8.9.1. Filtrage adapt

En prsence de bruit, le filtre qui possde la rponse impulsionnelle la mieux adapte est
appel filtre adapt .
Considrons le signal lentre du filtre (Signal + bruit) :
X ( t ) = S 1 ( t ) + N1 ( t )
A la sortie du filtre, on obtient (Signal + bruit) :

Y ( t ) = S 2 ( t ) + N2 ( t )
S2 ( t ) = h ( t )* S1 ( t )
+
S 1 ( ) e
S1 ( t ) =
2it
S 2 ( ) = S 1 ( ) G ( )
+
S2 ( t ) =
2it
S 2 ( ) e
d =
S1 ( )G ( ) e
2it
La puissance du bruit lentre est :

+
N1 =
N1 ( ) d
N2 = N1 G ( )
La puissance du bruit la sortie :

+
N2 =
G ( ) N1 ( ) d
P 2 = S2 ( t )
P2(t ) =
2it
S 1 ( )G ( ) e
d
P. NAYMAN
Master CMI
77
PROPRITS SPECTRALES
Le rapport signal bruit la sortie est : R 2 = -----2N2
Daprs lingalit de Schwartz :

+
P2
2it
S 1 ( )e
d
G()

nergie du signal en entre

+
P2 W
G ( ) d
G ( ) d
R 2 ----------------------------------------------------+
G ( ) N1 ( ) d
Si le bruit est blanc : N1 ( ) = -----0- et dans ce cas :

2
2W
R 2 -------N0
Equ(8.27)
Lingalit de Schwartz atteint son maximum pour lgalit des termes :

2it c
, t c = constante .
G ( ) = kS 1 ( )e
avec : S 1 ( t ) S 1 ( )
Il vient :
h ( t ) = k S 1 ( t c t )
Equ(8.28)
et pour les signaux rels :

h ( t ) = k S1 ( t c t )
Equ(8.29)
La figure 8.11 montre lexemple dun signal S 1 ( t ) et de la rponse impulsionnelle du filtre

adapt correspondant.
S1 ( t )
0
h( t )
Figure 8.11 : Filtrage adapt
8.9.1.1 Filtre adapt physiquement ralisable

Pour quun filtre adapt soit ralisable, il faut que : h ( t ) = 0 pour t = 0 . Il faut donc que
P. NAYMAN
Master CMI
78
PROPRITS SPECTRALES
S 1 ( t ) = 0 pour t > t c (figure 8.12).

S1 ( t )
0 tc
h(t )
Figure 8.12 : Filtrage adapt ralisable

+
S2 ( t ) =
S1 ( )h( t ) d
Dans lquation 8.29 si lon prend : k = 1 , h ( ) = S 1 ( t c )

+
S2 ( t ) =
S1 ( )S1 ( tc t + )d
Equ(8.30)
Comme : R x ( ) =
x ( t )x ( t + ) dt il suffit didentifier avec (8.30) :
S2 ( t ) = R2 ( tc t ) = R2 ( t tc )
Le filtrage adapt excute la fonction dauto-corrlation.
8.10. La transforme de Laplace

La transforme de Laplace est un outil trs utilis par les lectroniciens. Cet outil permet de
mettre facilement en quation toute une srie de circuits lectroniques, dans ce cas on parle souvent de calcul oprationnel.
Le domaine de validit de la transforme de Laplace est : [0,+] .
La transforme de Laplace dune fonction f ( t ) est dfinie par :
+
F(p) =
f ( t )e
pt
dt
Equ(8.31)
avec : f ( t ) = 0 si t < 0
f(t) F(p)
p est une variable complexe ( p = i ).

La transforme de Laplace inverse (unilatrale) est donne par la relation suivante :
+
f(t) =
F ( p )e
pt
dp
Equ(8.32)
Le chemin dintgration peut tre quelconque dans le plan complexe condition de rester
dans le domaine de convergence de F ( p ) . En pratique, la plus part des transformes peuvent tre
P. NAYMAN
Master CMI
79
PROPRITS SPECTRALES
dcomposes en fractions simples ce qui permet dutiliser les tables de transformes.

On peut remarquer que la transforme de Fourier est trs proche de la transforme de
Laplace :
+
F( ) =
f ( t )e
2it
Equ(8.33)
dt
8.10.1. Quelques transformes de Laplace

Le Tableau 1 donne les transformes de Laplace de quelques fonctions courantes. Une
fonction complexe peut gnralement se dcomposer en une somme de fonctions plus lmentaires dont on connat les transformes (directes ou inverses).
Drivation
+
d
f ( t ) pF ( p ) f ( 0 )
dt
(n)
Drivation ordre n
d
dt
Intgration
f(t) p F(p) p
n1
f ( 0 ) : valeur initiale
f ( 0 ) pf
(n 2)
(0) f
(n 1)
(0)
F( p)
0 f ( u )du = ----------p
Retard
f( t t0 ) e
Impulsion de Dirac
( t ) 1
Echelon de Heaviside
1
u ( t ) --p
Exponentielle
pt 0
F( p)
1
------------p+
Tableau 1 : Les transformes de Laplace les plus usuelles
8.10.2. Fonction de transfert oprationnelle

La fonction de transfert oprationnelle dun systme est lexpression du gain du systme
exprim selon le formalisme de Laplace (figure 8.13).
xe( p )
G(p)
xs ( p )
Figure 8.13 : Fonction de transfert oprationnelle

La fonction de transfert dun tel systme peut se mettre sous la forme :
M
k p
k=0
xs ( p )
G ( p ) = ------------- = ---------------------xe ( p )
N
k
k p
Equ(8.34)
k=0
P. NAYMAN
Master CMI
80
PROPRITS SPECTRALES
M1
+ 0
M p + M 1 p
G ( p ) = --------------------------------------------------------------------N
N1
+ 0
N p + N 1 p
Si le systme ne comporte pas de racines multiples, on peut mettre la fonction de transfert

sous la forme :
G(p) =
-------------i = 0 p + i
Equ(8.35)
{ i } sont les ples de G ( p )

{ i } sont des coefficients.
Exemple :
Calculer la rponse impulsionnelle de lintgrateur RC reprsent par la figure 8.14.
R
xe ( t )
xs ( t )
Figure 8.14 : Intgrateur RC

xs ( p )
1
------------ = -------------------xe ( p )
1 + RCp
xe ( p )
x s ( p ) = -------------------1 + RCp
x e ( t ) = ( t ) 1
1
1
1
h ( p ) = -------------------- = -------- ----------------------------1 + RCp
RC 1 ( RC ) + p
Daprs le Tableau 1 : l ------------- = e

p+
1
t ( RC )
1
h ( t ) = -------- e
RC
8.10.3. Stabilit du systme

Le systme est stable si les ples de G ( p ) ont une partie relle ngative et si le degr du
numrateur de lquation 8.34 est infrieur au degr du dnominateur ( M < N ) . Cest le critre de
stabilit asymptotique.
Une autre dfinition de la stabilit est donne par le critre BIBO (Bounded Input Bounded
Output). Un filtre est stable si et seulement si toute entre finie correspond une sortie finie.
Une condition ncessaire et suffisante pour assurer la stabilit BIBO est :
+
h ( t ) dt <
Equ(8.36)
en effet :
+
y ( t ) = h ( t ) * xe ( t ) =
P. NAYMAN
Master CMI
h( t )xe( t ) d
81
PROPRITS SPECTRALES
y(t)
h ( t ) x e ( t ) d
+
si lentre est borne : x e ( t ) S alors : y ( t ) S
h ( ) d <
8.10.4. quation diffrentielle correspondant la fonction de transfert

Daprs lquation 8.34, on peut crire :
xs( p )
k=0
k p = xe( p )
k p
k=0
n
Daprs le Tableau 1 : d f ( t ) p F ( p ) si les conditions initiales sont nulles.
dt
d
d
d
d
x ( t ) + 1 x s ( t ) + 0 x s ( t ) = n x e ( t ) + 1 x e ( t ) + 0 x e ( t )
dt s
dt
dt
dt
P. NAYMAN
Master CMI
82
PROPRITS SPECTRALES
9. TRANSFORMATION DE HILBERT
9.1. Signal analytique
Un signal analytique est une fonction complexe du temps dont le spectre ne contient pas de
frquences ngatives.
Considrons un signal x ( t ) rel et dterministe, comme tant la somme dune partie relle
et dune partie complexe :
Le spectre frquentiel de x ( t ) est tel que :
[ x ( ) ] = [ x ( ) ] pour la partie relle et [ x ( ) ] = [ x ( ) ] pour la partie complexe.
La connaissance de la partie positive du spectre est donc suffisante pour dfinir x ( t ) .
Caractrisons le signal x a ( t ) produit par le passage de x ( t ) dans un filtre dont le gain
G ( ) est tel que :
G ( ) = 2 u ( ) avec
u( ) =
si
sinon
u ( ) tant la fonction de Heaviside.

La sortie du filtre est donne par :
xa ( ) = 2 u ( ) xr ( )
x( t)
G( ) = 2 u( )
Equ(9.1)
xa ( t )
Figure 9.1 : Fonction de transfert du filtre analytique
x ( ), x a ( )
x a ( )
x ( )
x ( )
Figure 9.2 : Spectre du signal x a ( )
9.2. Transforme de Hilbert

La transforme de Hilbert tablit une relation entre les parties relle et complexe dun signal causal. La connaissance dune des deux composantes est donc suffisante pour dfinir compltement le signal analytique.
P. NAYMAN
Master CMI
83
TRANSFORMATION DE HILBERT
Considrons le signal complexe :

xa ( t )
= x ( t ) + ix c ( t )
r
Equ(9.2)
x r ( ) et x c ( ) sont respectivement les transformes de Fourier de x r ( t ) et de x c ( t ) .

A laide de (9.1) :
xa ( ) = xr ( ) + ix c ( ) = 2 u ( ) xr ( ) = [ 1 + sgn ( ) ]xr ( )
0
+1
sgn ( ) est la fonction signe telle que : sgn =
1
<0
Equ(9.3)
En identifiant les termes rels et complexes de lquation 9.3, on obtient :
ixc ( ) = sgn ( ) xr ( )
ixc ( )
sgn ( ) = --------------xr ( )
xc ( ) = i sgn ( ) xr ( )
xc ( ) = i sgn ( ) xr ( )
xr ( ) = i sgn ( ) xc ( )
Equ(9.4)
Equ(9.5)
Equ(9.6)
Equ(9.7)
Pour reconstruire x ( t ) et x ( t ) , partir de x ( ) et de x ( ) il est ncessaire de calcu-
ler les transformes de Fourier inverses de lquation 9.5 et de lquation 9.7.
9.2.1. Calculs prliminaires (Voir Quelques lments mathmatiques, page 1.)

Considrons la distribution suivante : t vp --- .
1
t
t vp 1--- , ( t ) = vp 1--- , t ( t ) = + ( t ) dt = ( 1, ( t ) )

t vp 1--- , ( t ) = ( 1, ( t ) ) do :
1
t vp --- = 1
t
Equ(9.8)
Pour simplifier les notations, posons K ( t ) = vp ---
1
t
P. NAYMAN
Master CMI
84
Considrons les transformes de Fourier suivantes :
()
K(t) K
()
2it K ( t ) K
K ( )
t K ( t ) ------------- 2 i
Daprs lquation 9.8 : t K ( t ) = 1
()
K
1 ------------- 2 i
Comme : 1 ( )
Puis par identification :
( ) = 2i ( )
K
Equ(9.9)
Si lon intgre lquation 9.9 :
K ( ) = 2i u ( ) + constante
avec u ( ) la fonction de Heaviside.
Il est ncessaire de trouver la valeur de la constante :
1
vp --- est une fonction impaire, donc K ( ) est impaire :
t
K ( ) = K ( )
2i u ( ) + c= ( 2i u ( ) + c )
2c = 2i ( u ( ) + u ( ) ) = 2i
c = i
K ( ) = 2i u ( ) + i
K ( ) = i ( 2u ( ) 1 )
comme sgn ( ) = 2u ( ) 1
K ( ) = i sgn ( )
finalement :
1
vp --- i sgn ( )
t
Equ(9.10)
de mme, par symtrie, laide de (4.15) :

1 1
- vp --sgn ( t ) ---
Equ(9.11)
On peut dduire de (9.11), la transforme de Fourier de lchelon de Heaviside :
1
2
comme : u ( t ) = --- ( 1 + sgn ( t ) )
P. NAYMAN
Master CMI
85
1
1
1
u ( ) = --- ( ) + ----- vp ---
2
i
Equ(9.12)
Calculons la transforme de Fourier inverse de lquation 9.5 :
x c ( t ) = i TF
[ sgn ( ) ] * x r ( t )
A laide de lquation 9.10 : x ( t ) = i ----- vp --- * x ( t )
1
i
1
t
1
1
x c ( t ) = --- vp --- * x r ( t )
Equ(9.13)
1 + x r ( )
-------------- d
xc ( t ) = -
t
Equ(9.14)
Lquation 9.14 reprsente la transforme de Hilbert du signal x ( t ) . Cette transforme est
dfinie comme valeur principale de Cauchy.

Calculons la transforme de Fourier inverse de lquation 9.7 :
x r ( t ) = i TF
[ sgn ( ) ] * x c ( t )
A laide de lquation 9.10 : x ( t ) = i ----- vp --- * x ( t )

r
c
i t
1
1
x r ( t ) = --- vp --- * x c ( t )
Equ(9.15)
1 + x-----------c ( )x r ( t ) = ---
d
t
Equ(9.16)
Lquation 9.16 reprsente la transforme de Hilbert du signal x ( t ) . Cette transforme est
dfinie comme valeur principale de Cauchy.

La transforme de Hilbert tablit une relation entre les parties relle et complexe dun signal causal.
lquation 9.2 peut donc tre rcrite de la manire suivante :
xa ( t ) = x ( t ) + ix ( t )
o x est la transforme de Hilbert de x .
Equ(9.17)
On peut rcrire les quations (9.5), (9.6) et (9.7) dune manire plus conforme aux
notations :
x ( ) = i sgn ( ) x ( )
Equ(9.18)
x ( ) = i sgn ( ) x ( )
x ( ) = i sgn ( ) x ( )
P. NAYMAN
Master CMI
86
Equ(9.19)
Equ(9.20)
et en reprenant les transformes de Fourier inverses (9.18) et de (9.20) :

1
1
x ( t ) = --- vp --- * x ( t )
Equ(9.21)
1
1
x ( t ) = --- vp --- * x ( t )
t
Equ(9.22)
Remarquons que lquation 9.18 montre que :

x ( ) = ix ( ) pour > 0 et que
x ( ) = ix ( ) pour < 0 . La transforme de Hilbert effectue donc des rotations en quadrature des diffrentes composantes spectrales.
9.3. Quelques proprits

9.3.1. La double transformation de Hilbert
1
1
Pour allger les notations, appelons H [ x ( t ) ] la transformation --- vp --- * x ( t ) . Les quations (9.21) et
(9.22) deviennent :
x ( t ) = H [ x ( t ) ]
Equ(9.23)
x ( t ) = H [ x ( t ) ]
Equ(9.24)
En introduisant (9.24) dans (9.23) :

x ( t ) = H [ H [ x( t ) ] ]
et en revenant aux notations habituelles :

x ( t ) = x ( t )
Equ(9.25)
9.3.2. Le produit de convolution

Si z ( t ) = x ( t ) * y ( t ) alors :
z ( t ) = x ( t ) * y ( t )
Equ(9.26)
Dmonstration :
z ( ) = x ( ) y ( )
Equ(9.27)
A laide de (9.19) puis de (9.27) :

z ( ) =
i sgn ( ) z ( ) = i x ( ) y ( ) sgn ( ) , en appliquant de nouveau (9.19) :
z ( ) = x ( ) y ( ) = x ( ) y ( ) puis en reprenant la transforme de Fourier inverse :

z ( t ) = x ( t ) * y ( t ) = x ( t ) * y ( t )
9.3.3. Linter-corrlation
Soit : R xy ( ) = E [ x ( t ) y ( t + ) ] que lon peut crire sous la forme dun produit de convolution,
daprs lquation 7.19 :
R xy ( ) = x ( ) * y ( )
Prenons la transforme de Fourier de R xy ( ) :

R xy ( ) = x ( ) y ( )
P. NAYMAN
Master CMI
87

R xy ( ) =
i sgn ( ) R xy ( ) = i x ( ) y ( ) sgn ( )
R xy ( ) = x ( ) y ( ) puis en reprenant la transforme de Fourier inverse :

R xy ( ) = x ( ) * y ( ) = R xy ( )
Equ(9.28)
De la mme manire, on montre que :

R xy ( ) = R x y ( )
Equ(9.29)
9.3.4. Lauto-corrlation
Dans lquation 9.28 si lon choisit x = y :
R xx ( ) = x ( ) * x ( ) = R xx ( )
Equ(9.30)
De mme :
R xx ( ) = R x x ( )
Equ(9.31)
R x x ( ) = R xx ( )
Equ(9.32)
9.4. Proprits du signal analytique

9.4.1. Fonction dauto-corrlation
Soit R x ( ) la fonction dauto-corrlation du signal analytique.
a
R x ( ) = E [ xa ( t ) x a ( t + ) ] , en appliquant (9.17) :
a
R x ( ) = E [ ( x ( t ) ix ( t ) ) ( x ( t + ) + ix ( t + ) ) ]
a
R x ( ) = E [ x ( t ) x ( t + ) + x ( t ) x ( t + ) + ix ( t ) x ( t + ) ix ( t ) x ( t + ) ]
a
R x ( ) = R x ( ) + R x ( ) + iR xx ( ) iR x x ( )
a
A laide de (9.30), (9.31) et (9.32) :

R x ( ) = 2 [ R x ( ) + iR x ( ) ]
Equ(9.33)
9.4.2. Densit spectrale

On trouve facilement la densit spectrale du signal analytique, en prenant la transforme de
Fourier de la fonction dauto-corrlation (9.33) :
x ( ) R x ( ) et laide de lquation 9.19 :
a
x ( ) = 2 [ x ( ) + i ( i sgn ( ) x ( ) ) ] = 2 x ( ) [ 1 + sgn ( ) ]
a
Comme : 1 + sgn ( ) = 2 u ( )
x ( ) = 4 x ( ) u ( )
a
Equ(9.34)
Que lon note galement :

+
x ( ) = 4 x ( )
a
P. NAYMAN
Master CMI
88
Equ(9.35)
()
4
x ( )
a
x ( )
Figure 9.3 : Densit spectrale du signal analytique
9.5. Enveloppe complexe dun signal de type passe-bande

On appelle enveloppe complexe du signal rel x ( t ) la quantit :
xe ( t ) = xa ( t ) e
2i 0 t
Equ(9.36)
Lenveloppe complexe x e ( t ) est le signal obtenu en dcalant le spectre du signal analytique

x a ( t ) de faon que la frquence centrale 0 se retrouve en zro. Le spectre dcal ne prsente pas
a priori de symtrie locale, de ce fait lenveloppe x e ( t ) est un signal complexe.

Il est donc possible de reprsenter un signal passe-bande par un signal quivalent passe-bas,
beaucoup plus facile manipuler.
x a ( t ) tant le signal analytique de x ( t ) .
Im
Im
xa ( t )
x ( t )
xa ( t )
x ( t )
Q(t)
(t)
xe ( t )
P( t)
( t)
2 0 t
x(t )
x(t )
Re
Re
Figure 9.4 : Signal analytique et enveloppe complexe

Daprs (9.17) : xa ( t ) = x ( t ) + ix ( t )
Comme x e ( t ) est un signal complexe, on peut le mettre sous la forme :
x e ( t ) = P ( t ) + iQ ( t )
Equ(9.37)
En dveloppant (9.36) :
x e ( t ) = x a ( t ) [ cos 2i 0 t i sin 2i 0 t ]
A laide de (9.17) :
xe( t) =
( x ( t ) + ix ( t ) ) ( cos 2i 0 t i sin 2i 0 t )
xe( t) =
x ( t ) cos 2i 0 t + x ( t ) sin 2i 0 t + i ( x ( t ) cos 2i 0 t x ( t ) sin 2i0 t )
P. NAYMAN
Master CMI
89
En identifiant avec (9.37) :

P(t) =
x ( t ) cos 20 t + x ( t ) sin 20 t
Equ(9.38)
Q(t) =
x ( t ) cos 20 t x ( t ) sin 20 t
Equ(9.39)
De (9.36) on dduit que :

xa ( t ) = xe ( t ) e
2i 0 t
Equ(9.40)
de (9.17) : x ( t ) = [ x a ( t ) ]
x ( t ) = [ xe ( t ) e
2i 0 t
x ( t ) = [ ( P ( t ) + iQ ( t ) ) e
2i 0 t
x ( t ) = [ ( P ( t ) + iQ ( t ) ) ( cos 2 0 t + i sin 2 0 t ) ]
x ( t ) = P ( t ) cos 2 0 t Q ( t ) sin 2 0 t
Equ(9.41)
P ( t ) et Q ( t ) sont les composantes en phase et en quadrature du signal x ( t ) .

Elles sont galement connues sous le nom de composantes de Rice. Comme lindique
lquation 9.41, il est possible de reconstruire le signal x ( t ) partir de ces composantes P ( t ) et
Q ( t ) en les modulant par deux porteuses en quadrature.
Lextraction des composantes de Rice ncessite de calculer les transformes de Hilbert

((9.38) et (9.39)). Une mthode plus simple consiste calculer les produits :
2 x ( t ) cos 2 0 t et 2 x ( t ) sin 2 0 t
A laide de (9.41) :
2 x ( t ) cos 2 0 t =
2
P ( t ) ( cos 2 0 t ) Q ( t ) sin 2 0 t cos 2 0 t =

P ( t ) + P ( t ) cos 4 0 t Q ( t ) sin 4 0 t
2 x ( t ) sin 2 0 t =
2P ( t ) cos 2 0 t sin 2 0 t + 2Q ( t ) =
Q ( t ) Q ( t ) cos 4 0 t P ( t ) sin 4 0 t
Un filtrage passe bas permet disoler dans chaque quation les termes basses frquences
P ( t ) et Q ( t ) .
La figure 9.5 donne un exemple dextraction des composantes en quadrature.
+ --2
2 cos 2 0 t
x(t)
Passe-bas
Q(t)
Passe-bas
P(t)
Figure 9.5 : Extraction des composantes de Rice
P. NAYMAN
Master CMI
90
Dautre part :
*
x e ( t ) + x e ( t ) = 2 [ x e ( t ) ] et
*
x e ( t ) x e ( t ) = 2i [ x e ( t ) ] donc :
*
1
P ( t ) = --- [ x e ( t ) + x e ( t ) ]
2
Equ(9.42)
*
1
Q ( t ) = ----- [ x e ( t ) x e ( t ) ]
2i
Equ(9.43)
9.5.1. Densit spectrale de lenveloppe complexe

La densit spectrale de lenveloppe complexe se calcule en prenant la transforme de Fourier de la fonction dauto-corrlation du signal x e ( t ) .
Posons R e ( ) = R x ( ) pour allger les notations.

e
Re( ) =
*
E[xe ( t)
xe ( t + ) ]
R e ( ) = E [ ( P ( t ) iQ ( t ) ) ( P ( t + ) + iQ ( t + ) ) ]
Re( ) = E[P( t ) P(t + ) + Q( t ) Q( t + ) i( Q(t ) P(t + ) P( t ) Q( t + ))]
R e ( ) = R PP ( ) + R QQ ( ) + i ( R PQ ( ) R QP ( ) )
comme R PP ( ) = R QQ ( ) et R QP ( ) = R PQ ( )
R e ( ) = 2 [ R PP ( ) + iR PQ ( ) ]
En prenant la transforme de Fourier de R e ( ) :

e ( ) = 2 [ PP ( ) + i PQ ( ) ]
Equ(9.44)
Dautre part, en prenant la fonction de corrlation de lenveloppe complexe (9.36) :

R e ( ) = Rx ( ) e
2 0
Equ(9.45)
En prenant la transforme de Fourier de (9.45) puis laide de (9.35) :

+
e ( ) = x ( + 0 ) = 4 x ( )
Equ(9.46)
9.5.2. Densits spectrales et fonctions de corrlation des composantes de Rice

Calculons la densit spectrale de P ( t ) et de Q ( t ) . Dans un premier temps, calculons les
fonctions dauto-corrlation respectives :
R PP ( ) = E [ P ( t ) P ( t + ) ]
Remplaons P ( t ) par la valeur donne par (9.38) :

R PP ( ) = E [ ( x ( t ) cos 2 0 t + x ( t ) sin 2 0 t )
( x ( t + ) cos 2 0 ( t + ) + x ( t + ) sin 2 0 ( t + ) ) ]
P. NAYMAN
Master CMI
91
R PP ( ) = R x ( ) cos ( 2 0 ( t + ) ) cos 2 0 t
+ R x ( ) sin ( 2 0 ( t + ) ) sin ( 2 0 t )
+ R xx ( ) cos ( 2 0 ( t + ) ) sin ( 2 0 t ) + R x x ( ) sin ( 2 0 ( t + ) ) cos ( 2 0 t )
R PP ( ) = R x ( ) cos ( 2 0 ) + Rx ( ) sin ( 2 0 )
Equ(9.47)
Par des calculs analogues, on trouve que :

R QQ ( ) = R x ( ) cos ( 2 0 ) + Rx ( ) sin ( 2 0 )
Equ(9.48)
R PP ( ) = R QQ ( )
R PQ ( ) = E [ P ( t ) Q ( t + ) ]
R PQ ( ) = R x ( ) sin ( 2 0 ) + Rx ( ) cos ( 2 0 )
Equ(9.49)
On peut remarquer que :

2
R PP ( 0 ) = R QQ ( 0 ) = R x ( 0 ) = ( x )
Equ(9.50)
R PQ ( 0 ) = Rx ( 0 )
Il est intressant de montrer que les composantes P ( t ) et Q ( t ) ne sont pas obligatoirement

corrles. Pour cela nous allons dterminer les conditions qui imposent PQ ( ) = 0 et par consquence R PQ ( ) = 0 .
Rappel prliminaire :
Lquation 9.19 donne une relation entre un signal et sa transforme de Hilbert :
x ( ) = i sgn ( ) x ( ) , cette quation peut tre interprte de la faon suivante :
+
si > 0 alors x ( ) = i x ( ) .
_
si < 0 alors x ( ) = i x ( ) et dune manire gnrale :

+
_
x ( ) = i ( x ( ) x ( ) )
Equ(9.51)
x ( ) et x ( ) tant respectivement les parties positive et ngative de x ( ) :

+
_
x ( ) = x ( ) + x ( )
Equ(9.52)
Prenons la transforme de Fourier de (9.49), en tenant compte que :
i
sin 2 0 --- [ ( v + 0 ) ( v 0 ) ]
2
1
cos 2 0 --- [ ( ( v + 0 ) + ( v 0 ) ) ]
2
PQ ( ) = x ( ) * TF [ sin 2 0 ] + x ( ) * TF [ cos 2 0 ]
i
1
PQ ( ) = --- [ x ( + 0 ) x ( 0 ) ] + --- [ x ( + 0 ) + x ( 0 ) ]
2
2
En utilisant les proprits (9.51) et (9.52) :
P. NAYMAN
Master CMI
92
+
i +
PQ ( ) = --- [ x ( + 0 ) + x ( + 0 ) x ( 0 ) x ( 0 ) ]
2
+
i +
+ --- [ x ( + 0 ) x ( + 0 ) + x ( 0 ) x ( 0 ) ]
2
1 +
PQ ( ) = --- [ x ( 0 ) x ( + 0 ) ]
i
Equ(9.53)
Remarquons que PQ ( ) est une fonction complexe pure impaire.

On peut faire apparatre une symtrie locale dans les densits spectrales en tenant compte
+
que x ( 0 ) et x ( + 0 ) sont rparties autour de 0 et de 0 . Posons :

+
++
+-
x ( 0 ) = x ( ) + x ( ) et
--
x ( 0 ) = x ( ) + x ( )
++
-1 ++
PQ ( ) = --- [ x ( ) + x ( ) ( x ( ) x ( ) ) ]
i
La figure 9.6 montre les diffrentes composantes de PQ ( ) .

i PQ ( )
--
x ( )
+-
x ( )
++
x ( )
x ( )
Figure 9.6 : Densit spectrale conjointe de P(t) et Q(t)

++
--
+-
Si les spectres sont symtriques : x ( ) = x ( ) et x ( ) = x ( ) alors PQ ( ) = 0 ce

qui implique que R PQ ( ) = 0 et dans ce cas les composantes P ( t ) et Q ( t ) ne sont pas corrles.
Lquation 9.48 donne les fonctions de corrlation de P ( t ) et de Q ( t ) :
R PP ( ) = R x ( ) cos ( 2 0 ) + Rx ( ) sin ( 2 0 )
Prenons la transforme de Fourier de R PP ( ) , en utilisant la mme mthode que pour le calcul de

PQ ( ) :
PP ( ) = x ( ) * TF [ cos 2 0 ] + x ( ) * TF [ sin 2 0 ]
1
i
PP ( ) = --- [ x ( + 0 ) + x ( 0 ) ] + --- [ x ( + 0 ) x ( 0 ) ]
2
2
A laide de (9.51) :
P. NAYMAN
Master CMI
93
PP ( ) = QQ ( ) = x ( + 0 ) + x ( 0 )
Equ(9.54)
PP ( ), QQ ( )
x ( )
x ( )
0
2B
Figure 9.7 : Composition du spectre de PP ( ) et QQ ( ) partir du signal dorigine

La figure 9.7 montre lobtention du spectre de PP ( ) ou de QQ ( ) partir de celui du signal dorigine x ( t ) . Les parties positive et ngative sont ramenes autour de la frquence 0 puis
sommes. La largeur de bande obtenue est 2B , avec B = max [ 2 0 , 0 1 ] .
La figure 9.8 reprsente le spectre du signal x ( t ) , du signal analytique x a ( t ) et de son enveloppe complexe x e ( t ) .
()
e ( ) = x ( + 0 )
a
x ( ) = 4 x ( )
a
x ( )
x( )
Figure 9.8 : Spectres de x ( t ) , x a ( t ) et de x e ( t ) .
P. NAYMAN
Master CMI
94
10. NOTIONS DE MODULATION ET DTECTION

SYNCHRONE
10.1. Intrt de la modulation
Considrons, par exemple, que lon dsire transmettre un message m ( t ) entre une source S
et un rcepteur R. La transmission en bande de base (cest dire sans modulation) ne sera pas toujours possible. En effet, il sera indispensable davoir recours une technique de modulation si lon
se trouve, dans lun au moins, des cas suivants :
Les conditions de propagation ncessitent une translation du spectre du message m ( t )
vers des frquences plus aptes la propagation :
Rappelons que la longueur donde dune antenne filaire doit tre de lordre de la demie longueur
donde du signal transmettre. La longueur donde est relie la frquence par la relation :
c
= --
est la longueur donde [m],
8
c est la vitesse de la lumire ( 3 10 [ m s ] ,

est la frquence de londe [Hz].
Par exemple, pour un signal de 100Hz, = 3000Km et pour un signal de 1MHz = 300m .
Ces dimensions sont prohibitives pour concevoir des antennes. Il est donc indispensable davoir
recours des techniques de modulation pour dcaler le spectre du signal vers des frquences plus
leves et ainsi atteindre des longueurs donde compatibles avec la taille des antennes.
Transmission dans un milieu bruyant. Certaines modulations comme la modulation de
frquence sont relativement insensibles aux perturbations.
Ncessit de transmettre plusieurs messages simultanment dans des bandes de frquences juxtaposes (multiplexage).
10.2. Principe
La modulation est une transformation de la forme :
m ( t ) s ( t, m ( t ) )
Equ(10.1)
m ( t ) est le message original et s ( t, m ( t ) ) le message mis.
On dit quun systme de modulation est sans mmoire si le signal s ( t, m ( t ) ) ne dpend que
du message linstant t.
Par exemple, s ( t, m ( t ) ) = A m ( t ) cos 2 0 t est une modulation damplitude double
bandes sans porteuse, s ( t, m ( t ) ) = A cos [ 2 0 t + m ( t ) ] est une modulation de phase.
On dit quun systme de modulation est avec mmoire si le signal modulant est transform
avant la modulation sans mmoire.
m(t)
Modulation
Filtre linaire g ( t ) sans mmoire
s ( t, g ( t ) )
Figure 10.1 : Systme de modulation mmoire

Leffet mmoire est dtermin par le filtre linaire (figure 10.1) en effet :
P. NAYMAN
Master CMI
95
NOTIONS DE MODULATION ET
DTECTION SYNCHRONE
m ( t u )h( u ) du .
g( t) =
h ( t ) tant la rponse impulsionnelle du filtre linaire.
10.3. La modulation damplitude

Considrons le message m ( t ) , fonction alatoire relle, de valeur moyenne nulle et stationnaire lordre 2. Le spectre m ( ) de m ( t ) est suppos born (figure 10.2).
m ( )
+ b
Figure 10.2 : Densit spectrale de m ( t )

m ( ) = 0
> b
Le signal s ( t, m ( t ) ) = A ( K + m ( t ) ) cos ( 2 0 t + ) est appel signal modul en amplitude.

A, K, 0 sont des constantes.
La frquence de modulation est telle que 0 b .

est le terme de phase uniformment rparti sur 0 2 . Ce terme de phase assure la sta-
tionnarit de s ( t, m ( t ) ) lordre 1, en effet, compte-tenu que m ( t ) est valeur moyenne nulle :

E [ s ( t, m ( t ) ) ] = E [ AK cos ( 2 0 t + ) ] = AK E [ cos ( 2 0 t + ) ] = 0 .
Sans le terme , E [ s ( t, m ( t ) ) ] = E [ AK cos 2 0 t ] = AK cos 2 0 t valeur qui est fonction
du temps.
Am ( t ) cos ( 2 0 t + )
A ( K + m ( t ) ) cos ( 2 0 t + )
K0
Signal modul en amplitude double bandes sans

porteuse.
Signal modul en amplitude double bandes avec
porteuse.
AK cos ( 2 0 t + )
Onde porteuse.
Frquence de londe porteuse.
A(K + m(t))
Enveloppe de s ( t, m ( t ) ) .
Il est possible de dfinir un indice de modulation (figure 10.3) tel que la variation damplitude du signal x est de 2K alors x min = K ( 1 ) et x max = K ( 1 + ) , on remarquera que :
x max x min = 2K et x max + x min = 2K , ce qui conduit dfinir lindice de modulation
comme :
x max x min
= ---------------------------x max + x min
P. NAYMAN
Master CMI
96
Equ(10.2)
DTECTION SYNCHRONE
K
K
Figure 10.3 : Exemple de modulation damplitude
10.4. Densit spectrale du signal modul en amplitude

Considrons le signal modul en amplitude :
x ( t ) = A ( K + m ( t ) ) cos ( 2 0 t + )
Equ(10.3)
Calculons la fonction de corrlation correspondante :

R xx ( ) = E [ x ( t ) x ( t + ) ]
R xx ( ) = E [ A ( K + m ( t ) ) cos ( 2 0 t + ) A ( K + m ( t + ) ) cos ( 2 0 ( t + ) + ) ]
2
R xx ( ) = A E [ ( K + m ( t ) ) ( K + m ( t + ) ) cos ( 2 0 t + ) cos ( 2 0 ( t + ) + ) ]
2
R xx ( ) = A E ( K + Km ( t ) + Km ( t + ) + m ( t )m ( t + ) )
1
--- ( cos ( ( 4 0 t + 2 0 + 2 ) + cos 2 0 ) )
2
2
A2
R xx ( ) = --- [ E [ K ] + E [ Km ( t + ) ] + E [ Km ( t ) ] + E [ m ( t )m ( t + ) ] ]
2
[ E [ cos ( 4 0 t + 2 0 + 2 ) ] + E [ cos 2 0 ] ]
Comme m ( t ) est valeur moyenne nulle et que est uniformment rpartie :

E [ Km ( t + ) ] = E [ Km ( t ) ] = E [ cos ( 4 0 t + 2 0 + 2 ) ] = 0
A2 2
R xx ( ) = --- [ K cos 2 0 + R mm ( ) cos 2 0 ]
2
Equ(10.4)
A2 2
R xx ( ) = --- [ K + R mm ( ) ] cos 2 0
2
Equ(10.5)
avec R mm ( ) la fonction dauto-corrlation de m ( t ) .

On trouve la densit spectrale de x ( t ) en prenant la transforme de Fourier de (10.4) :
2
A2
xx ( ) = --- [ K * TF ( cos 2 0 ) + mm ( ) * TF ( cos 2 0 ) ]
2
2
2
A2
xx ( ) = --- [ K * ( + 0 ) + K * ( 0 ) + mm ( ) * ( + 0 ) + mm ( ) * ( 0 ) ]
4
2
A2 2
A
xx ( ) = --- K [ ( + 0 ) + ( 0 ) ] + ------ [ mm ( + 0 ) + mm ( 0 ) ]
4
4
P. NAYMAN
Master CMI
97
Equ(10.6)
DTECTION SYNCHRONE
()
+
m ( )
m ( )
A2
--- ( + 0 )
4 m
A2
--- ( 0 )
4 m
2 2
A K
------------4
b
+ b
+ 0
Figure 10.4 : Densits spectrales des signaux en modulation damplitude

2
A 2
La premire partie de (10.6) reprsente les deux raies de la porteuse damplitude --- K et
4
la seconde partie reprsente le spectre de x ( t ) dcal en frquence.
10.5. La dmodulation synchrone

La dmodulation synchrone est une technique trs utilise pour extraire un signal x ( t ) noy
dans du bruit. On suppose que le signal utile est modul en amplitude par une porteuse dont on
connat la frquence et la phase.
La figure 10.5 donne le principe de base dun dmodulateur synchrone.
x(t)
Filtre Slectif
xe( t )
xm ( t )
Ge ( )
Filtre intgrateur
Gs ( )
(t)
m
cos ( 2 0 t + )
Figure 10.5 : Principe de la dmodulation synchrone

Le signal x ( t ) est tel que x ( t ) = A [ K + m ( t ) ] cos ( 2 0 t + ) + b ( t ) . Ce signal est celui dcrit
par lquation 10.3 avec un terme de bruit supplmentaire b ( t ) . La figure 10.4 montre loccupation spectral du signal modul en amplitude. Le filtre slectif a pour but disoler ces frquences et
ainsi limiter la puissance du bruit suppos large bande.
()
2
A
--- ( + 0 )
4 m
Filtre slectif Ge ( )
2 2
A K
------------4
0
0 b
+ 0
0 + b
Figure 10.6 : Filtrage du signal utile

Comme Ge ( ) est un filtre bandes troites, il est possible de dcomposer le bruit selon
ses composantes de Rice (Voir Enveloppe complexe dun signal de type passe-bande, page 89.).
P. NAYMAN
Master CMI
98
DTECTION SYNCHRONE
A laide de (9.41) :
b ( t ) = b c ( t ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + )
Equ(10.7)
b c ( t ) et b s ( t ) sont les composantes en phase et en quadrature du bruit b ( t ) .
Lopration de translation des spectres est obtenue par multiplication du signal x e ( t ) par le
signal de rfrence cos ( 2 0 t + ) . Cette translation consiste ramener autour de la frquence 0,
le message utile. Le filtre de sortie pourra tre extrmement slectif (intgration forte) et liminer
ainsi le bruit.
x m ( t ) = { A [ K + m ( t ) ] cos ( 2 0 t + ) + b ( t ) } { cos ( 2 0 t + ) } et laide de (10.7) :
x m ( t ) = { A [ K + m ( t ) ] cos ( 2 0 t + ) + b c ( t ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + ) }
{ cos ( 2 0 t + ) }
x m ( t ) = A [ K + m ( t ) ] cos ( 2 0 t + ) cos ( 2 0 t + ) +
b c ( t ) cos ( 2 0 t + ) cos ( 2 0 t + ) b s ( t ) sin ( 2 0 t + ) cos ( 2 0 t + )
A
x m ( t ) = --- [ K + m ( t ) ] [ cos ( 4 0 t + + ) + cos ( ) ] +
2
1
--- b c ( t ) [ cos ( 4 0 t + + ) + cos ( ) ]
2
1
--- b s ( t ) [ sin ( 4 0 t + + ) + sin ( ) ]
2
A
A
A
x m ( t ) = --- [ K + m ( t ) ] [ cos ( 4 0 t + + ) ] + --- m ( t ) cos ( ) + --- K cos ( ) +
2
2
2
1
1
--- b c ( t ) [ cos ( 4 0 t + + ) + cos ( ) ] --- b s ( t ) [ sin ( 4 0 t + + ) + sin ( ) ]
2
2
1
Si lon considre que le filtre Gs ( ) est de type intgrateur : m ( t ) = ---
0 xm ( t )dt ,
de manire ne conserver que les frquences du signal m ( t ) : [ < b ] .

La sortie du filtre Gs ( ) devient :
1
1
(t) = A
--- m ( t ) + --- b c ( t ) cos ( ) --- b s ( t ) [ sin ( ) ] + A
m
--- K cos ( )
2
2
2
2
Terme continu
( t ) est compos dun terme continu qui peut tre facilement limin si Gs ( ) est galem
ment drivateur (ne passe pas la frquence 0). La figure 10.7 reprsente le filtrage de x m ( t ) par
Gs ( ) .
Le bruit est valeur moyenne nulle, si T est suffisamment grand :

1
--T
1
--T
0 bc ( t ) cos ( ) dt = 0
T
0 bs ( t )( sin ( ) dt ) = 0 .
Cette condition suppose que lon intgre suffisamment longtemps, cela signifie que le filtre
une largeur de bande trs faible.
A
alors m ( t ) = --- m ( t ) cos ( ) , cette valeur devient maximale si le dmodulateur est en
2
phase avec la porteuse : = :
P. NAYMAN
Master CMI
99
DTECTION SYNCHRONE
(t) = A
--- m ( t )
m
2
Equ(10.8)
Si lon estime que tout le bruit nest pas filtr :

1
(t) = A
--- m ( t ) + --- b c ( t )
m
2
2
Equ(10.9)
()
Gs ( )
+ b
Figure 10.7 : Le filtre de sortie Gs ( )
10.5.1. Evaluation du rapport signal bruit en entre et en sortie

Le signal en entre du dmodulateur est x ( t ) = A [ K + m ( t ) ] cos ( 2 0 t + ) La puissance de
ce signal est :
2
E [ ( x ( t ) ) ] = E [ ( A [ K + m ( t ) ] cos ( 2 0 t + ) ) ]
2
E [ ( x ( t ) ) ] = E [ ( A [ K + m ( t ) ] ) ] E [ ( cos ( 2 0 t + ) ) ]
2
Si lon considre que m ( t ) est centr et que E [ ( m ( t ) ) ] = P (puissance du message).

2
E [ ( x ( t ) ) ] = A [ K + P ] E [ ( cos ( 2 0 t + ) ) ]
2
1
E [ ( cos ( 2 0 t + ) ) ] = -----2
2
1
( cos ( 2 0 t + ) ) dt = --2
2
1 2 2
E [ ( x ( t ) ) ] = --- A [ K + P ]
2
N0
La densit spectrale du bruit dentre est b ( ) = ------- , dans la bande passante 2 b , la puissance du
2
bruit est :
2
be
N0
= ------- 2 b = N0 b
2
S
--B
1 2 2
--- A [ K + P ]
2
= ------------------------------N0 b
Equ(10.10)
A
1
En sortie du dmodulateur synchrone, le signal est : m ( t ) = --- m ( t ) + --- b c ( t ) .
2
La puissance du signal de sortie est dans ce cas :

2
A
2
A
P s = ------ ( m ( t ) ) = ------ P .
4
4
Pour le bruit, la densit spectrale dune des composante en quadrature est 2 fois la densit
P. NAYMAN
Master CMI
100
DTECTION SYNCHRONE
2N0
2
spectrale initiale (voir lquation 9.54 et la figure 9.7) : bc ( ) = 2N0 b et bs = ---------------------b- .
S
--B
A P
= ---------------------2N0 b
Equ(10.11)
S
S
Le facteur de bruit est dfini par le rapport : F = --- --B
:
e
P
F = ---------------2
K +P
Equ(10.12)
Remarque : On a suppos que lon avait affaire une modulation damplitude avec porteuse. Dans le cas dune modulation sans porteuse, le paramtre K = 0 . De plus, le filtre de sortie
na pas besoin dtre drivateur (il ny a plus de composante continue).
10.6. La dtection synchrone

Lune des difficults de ralisation de la dmodulation synchrone est loprateur de multiplication. La dtection synchrone simplifie le problme en utilisant comme signal priodique en
phase avec la porteuse un signal carr. Le multiplicateur devient dans ce cas un interrupteur lectronique qui multiplie le signal incident par +1 ou -1.
Le principal inconvnient de cette mthode sont les harmoniques induits par le signal carr
(figure 10.8).
En effet, le signal carr u ( t ) , peut se dcomposer en srie de Fourier :
4
1
1
1
u ( t ) = --- sin 2 0 t + --- sin 23 0 t + --- sin 25 0 t + ....+ --------------- sin 2 ( 2n 1 )t
3
5
2n 1
Le signal u ( t ) prsente une srie dharmoniques impairs.

u ( )
u( t)
+1
0
-1
0 1 3 5 7 9 11 13
Figure 10.8 : Signal carr et ses harmoniques

Il est ncessaire que la bande passante b du message soit trs faible devant 0 ,
b 0 afin de filtrer correctement les harmoniques de u ( t ) .
Lopration de multiplication va engendrer des raies aux frquences :

( 0 b ), ( 0 + b )
( 3 0 b ), ( 3 0 + b )
( 5 0 b ), ( 5 0 + b )
( ( 2n 1 ) 0 b ), ( ( 2n 1 ) 0 + b )
....
P. NAYMAN
Master CMI
101
DTECTION SYNCHRONE
Le filtre slectif dentre ne doit laisser passer que la frquence 0 .

s ( t, m ( t ) ) = m ( t ) u ( t )
4
1
1
s ( t, m ( t ) ) = m ( t ) --- sin ( 2 0 t + ) + --- sin ( 23 0 t + ) + --- sin ( 25 0 t + ) + ...
3
5
Aprs le filtre slectif dentre, il ne reste que le premier terme :

4
x e ( t ) = m ( t ) --- ( sin ( 2 0 t + ) )
Comme pour la dmodulation synchrone :

xm(t ) = xe( t) u (t )
1
1
16
x m ( t ) = ------ m ( t ) --- [ cos ( ) ] --- [ cos ( 4 0 t + + ) ] + ...
2
2
2
Equ(10.13)
Un filtrage en sortie est ncessaire pour ne conserver que le premier terme de (10.13) :
8
( t ) = ----m
m ( t ) cos ( )
2
Cette valeur est maximale si = (la modulation et la dtection sont en phase) :

8
( t ) = ----m
m(t) .
2
10.6.1. Dtection synchrone et corrlation

La dtection synchrone peut tre vue comme un corrlateur. Sur la figure 10.9, le dlai
modlise diffrents retards.
bruit b(t)
Filtre slectif
x(t)
y( t)
xe( t)
u(t)
Ge ( )
Filtre intgrateur
xm ( t )
Gs ( )
(t)
m
u( t )
Figure 10.9 :La dtection synchrone est un corrlateur
( t ) = --1m
T
( t ) = --1m
T
0 xm ( t )dt
T
0 xm ( t )u ( t )dt
Equ(10.14)
( t ) = R ( ) est le coefficient dinter-corrlation de u ( t ) et de x ( t ) .

m
ux
e
P. NAYMAN
Master CMI
102
DTECTION SYNCHRONE
On peut crire la fonction de corrlation comme tant un produit de convolution (voir lquation
7.19)
R ux ( ) = u ( ) * x m ( )
R ux ( ) = u ( ) * x m ( )
Equ(10.15)
y( t ) = x(t ) u( t )
xe( ) = y( ) + b ( )
x e ( ) = [ x ( ) ]u ( ) + b ( )
Dans la bande passante considre, x e ( t ) = x m ( t ) , en utilisant (10.15) :

R ux ( ) = u ( ) * [ [ x ( ) ]u ( ) + b ( ) ]
R ux ( ) = u ( ) * [ ( x ( ) ) u ( ) ] + u ( ) * b ( )
Le bruit ntant pas corrl u ( t ) la quantit u ( ) * b ( ) 0

De plus le terme x ( ) est suppos varier trs lentement, donc sensiblement constant par rapport
u( ) :
R ux ( ) x ( ) u ( ) * [ u ( ) ]
et finalement :
R ux ( ) x ( )R uu ( )
Equ(10.16)
R ux ( ) prend sa valeur maximale quand R uu ( ) = R uu ( 0 ) cest dire quand = .
Dans ce cas R uu ( 0 ) reprsente la puissance de u ( t ) .

Remarque : le schma de la figure 10.9 est galement connue sous le nom damplificateur
synchrone " lock-in ".
P. NAYMAN
Master CMI
103
DTECTION SYNCHRONE
11. LES SYSTMES NUMRIQUES

Dans de nombreux systmes, linformation est disponible sous forme de mots cods en binaire. Cest le cas par exemple, de toutes les informations issues des convertisseurs analogiquesnumriques (CAN).
Un systme numrique peut tre reprsent dune manire discrte par les valeurs de ses
entres et sorties aux instants : 0, , 2, ,n .
Un systme numrique transforme le signal x ( n ) en un signal y ( n ) (figure 11.1).
Remarque : afin dallger les quations on utilisera par la suite la notation normalise
suivante : n n
y(n ) = [ x( n )]
x(n)
Systme
Numrique
y(n)
Figure 11.1 Principe dun systme numrique

On peut galement utiliser la notation suivante :
x(n) y(n)
Exemple :
2n
x(n) =
0
si 3 n 3
sinon
y( n ) = x( n 1 )
Considrons une suite x ( n ) et la suite y ( n ) correspondante :

x ( n ) = { ,0 ,6 , 4 ,2 , 0 ,2 ,4 , 6 ,0 , }
y ( n ) = { ,0 ,6 , 4 ,2 , 0 ,2 ,4 , 6 ,0 , }
Llment soulign reprsente llment dindice 0 de la liste. Le systme retarde donc lentre dun chantillon.
11.1. Les systmes rponse invariante dans le temps et rponse

variante dans le temps
Un systme est rponse invariante dans le temps si sa fonction de transfert (entre/sortie)
ne change pas au cours du temps.
Si : x ( n ) y ( n )
alors : x ( n j ) y ( n j )
P. NAYMAN
Master CMI
104
LES SYSTMES NUMRIQUES
11.1.1. Linarit
Un systme est linaire si :
[ a 1 x1 ( n ) + a 2 x2 ( n ) ] = a1 [ x1 ( n ) ] + a 2 [ x2 ( n ) ]
x 1 ( n ) , x 2 ( n ) , a 1 , a 2
Exemple 1 :
2
Soit y ( n ) = x ( n ) , montrons que le systme est linaire.

2
y 1 ( n ) = x1 ( n )
2
y 2 ( n ) = x2 ( n )
2
y 3 ( n ) = [ a1 x1 ( n ) + a2 x2 ( n ) ] = a1 x1 ( n ) + a2 x2 ( n )
2
a 1 y1 ( n ) + a 2 y2 ( n ) = a 1 x1 ( n ) + a2 x2 ( n )
Le systme est donc linaire.

Exemple 2 :
2
Soit y ( n ) = x ( n ) , dterminons si le systme est linaire.

2
y 1 ( n ) = x1 ( n )
2
y 2 ( n ) = x2 ( n )
y 3 ( n ) = [ a1 x1 ( n ) + a2 x2 ( n ) ] = [ a1 x1 ( n ) + a2 x2 ( n ) ]
2 2
2 2
y 3 ( n ) = a 1 x 1 ( n ) + a 2 x 2 ( n ) + 2a 1 a 2 x 1 ( n )x 2 ( n )
Comme : a 1 y 1 ( n ) + a 2 y 2 ( n ) y 3 ( n ) le systme nest pas linaire.

Remarque : Par la suite on ne traitera que des systmes rponse Linaire et Invariante dans
le temps (LIT).
11.1.2. Causalit
Un systme est causal si sa sortie ne dpend que de ses entres prsentes et passes.
Exemple :
Si y ( n ) = [ x ( n ) , x ( n 1 ) , ] alors :
y ( n ) = x ( n 1 ) est causal.
y ( n ) = x ( n + 1 ) nest pas causal.
11.2. Rponse dun systme numrique (LIT) des impulsions de Dirac

Soit : x k ( n ) = ( n k )
k dfinit un certain dlai. Alors, il est possible dcrire :
x ( n ) ( n k ) = x ( k ) ( n k )
P. NAYMAN
Master CMI
105
x ( n ) est une suite dimpulsions qui comprend limpulsion x ( k ) .

( n k ) est une impulsion de Dirac centre sur la position k.
Le produit x ( n ) ( n k ) est nul partout except pour n = k .

+
x ( n ) ( n k )
x ( k ) ( n k )
k =
k =
x(n)
Cette expression explicite le produit de convolution discret :

+
x( n) =
x ( k ) ( n k )
Equ(11.1)
k =
Exemple :
Soit x ( n ) = { 1 ,2 ,0 ,3 } . Llment soulign reprsente llment dindice 0 de la liste.
On peut crire :
x ( n ) = ( n + 1 ) + 2 ( n ) + 3 ( n 2 )
11.2.1. Rponse impulsionnelle dun systme numrique (LIT)

Le systme numrique, linaire et rponse invariante dans le temps peut tre considr
comme un filtre numrique.
Si ( n ) est une impulsion de Dirac, alors :
( n ) h ( n )
h ( n ) est la rponse impulsionnelle du filtre numrique.
( n k ) h ( n k )
x ( k ) ( n k ) x ( k ) h ( n k )
x ( k ) ( n k ) x ( k ) h ( n k )
k
x( n ) y( n)
do :
y(n) =
x(k) h(n k)
Equ(11.2)
k =
ou encore : y ( n ) = x ( n ) * h ( n )
La sortie y ( n ) du filtre considr est le produit de convolution de lentre x ( n ) par la rponse impulsionnelle h ( n ) du filtre.
11.2.2. Les systmes Rponse Impulsionnelle de dure Finie (RIF)

et Rponse Impulsionnelle de dure infinie (RII)
Comme pour les systmes analogiques, il est possible de caractriser un systme numrique
par sa rponse impulsionnelle.
P. NAYMAN
Master CMI
106
Si le systme est rponse impulsionnelle de dure finie (RIF), alors :

y(n) =
h ( k )x ( n k )
Equ(11.3)
k=0
h ( n ) = 0 si n < 0 et n M
Dans ce cas, le systme numrique est une fentre centre sur les M plus rcents chantillons. On considre que le filtre une mmoire de longueur M.
Si le systme est rponse impulsionnelle de dure infinie (IIR) :
y(n) =
h ( k )x ( n k )
Equ(11.4)
k=0
Dans ce cas il est ncessaire de connatre tous les chantillons prsents et passs, le systme
une mmoire de longueur infinie.
11.3. Les systmes numriques rcursifs et non-rcursifs

Un systme numrique est rcursif si la sortie y ( n ) linstant n dpend des valeurs des entres et dun certain nombre de sorties passes.
Y ( n ) = F [ x ( n ) , x ( n 1 ) ,x ( n M ) ; y ( n 1 ) , y ( n 2 ) ,y ( n M ) ]
y( n) =
bk x ( n k )
ak y ( n k ) + k
k=1
=0
Equ(11.5)
Exemple :
y ( n ) = 2y ( n 1 ) + x ( n ) est un systme numrique rcursif.
Un systme est non-rcursif si la sortie y ( n ) linstant n ne dpend que des valeurs dentre x ( n ) :
Y ( n ) = F [ x ( n ) ,x ( n 1 ) ,x ( n M ) ]
11.4. Corrlation des signaux discrets

Linter-corrlation de deux suites discrtes x ( n ) et y ( n ) est dfinie par :
r xy ( l ) =
x ( n )y ( n l )
Equ(11.6)
x ( n + l )y ( n )
Equ(11.7)
y ( n )x ( n l )
Equ(11.8)
n =
ou :
r xy ( l ) =
n =
de mme :
r yx ( l ) =
n =
ou :
P. NAYMAN
Master CMI
107
r yx ( l ) =
y ( n + l )x ( n )
Equ(11.9)
n =
proprits :
r xy ( l ) = r yx ( l )
r xy ( l ) = x ( l ) * y ( l )
11.5. Auto-corrlation de signaux discrets

Dans lquation 11.6, si lon substitue y ( n ) par x ( n ) , on obtient :
r xx ( l ) =
x ( n )x ( n l )
Equ(11.10)
n =
ou, en substituant dans lquation 11.7 :

r xx ( l ) =
x ( n )x ( n + l )
Equ(11.11)
n =
proprit :
Pour l = 0 , on obtient la valeur remarquable E x (nergie du signal) :
r xx ( 0 ) = E x =
x
n =
(n )
Equ(11.12)
11.6. La transforme en z
La transforme en z est loutil privilgi pour lanalyse des systmes numriques linaires.
Il est possible de faire un parallle entre le rle de la transforme en z pour les signaux numriques et celui de la transforme de Fourier pour les signaux continus.
11.6.1. La transforme en z directe

Par dfinition on pose : X ( z ) =
x ( n )z
n =
z tant une variable complexe.

On peut galement utiliser les notations suivantes :
X(z) x(n)
X( z) = Z[ x(n )]
Exemple 1 :
x ( n ) = [ 1 ,2 ,3 ,5 ,0 ,2 ]
X ( z ) = 1 + 2z
+ 3z
+ 5z
P. NAYMAN
Master CMI
+ 2z
108
Exemple 2 :
x ( n ) = ( n )
X(z) = 1
Exemple 3 :
x ( n ) = ( n k )
X(z) = z
Exemple 4 :
n
n
x( n) = u( n) =
0
X(z) =
n=0
n n
Si z
n0
n<0
+
( z
n=0
1 n
1
< 1 soit z > alors la srie converge vers : X ( z ) = -------------------1
1 z
11.6.2. La transforme en z inverse

Les principales mthodes qui permettent de trouver x ( n ) partir de X ( z ) sont :
Lintgrale de contour.
La dcomposition en lments simples.
La division polynomiale.
11.6.2.1 Lintgrale de contour

La relation gnrale de la transforme en z inverse est donne par lquation 11.13 :
n1
1
x ( n ) = -------- X ( z ) z
dz
2i
Equ(11.13)
Cette intgrale nest pas obligatoirement simple calculer, cest pourquoi, il est gnralement plus simple dutiliser les autres mthodes proposes.
Dans lintgrale (11.13), le contour c est une courbe ferme englobant tous les ples de la
fonction. Le thorme des rsidus de Cauchy permet dcrire (11.13) sous la forme :
x(n) =
Res [ X ( z ) z
n1
Equ(11.14)
z = pk
p k est le ple k de X ( z ) z
n1
et Res [ X ( z ) z
n1
z = pk
reprsente le rsidu en z = pk .
11.6.2.2 La dcomposition en lments simples

Dans la pratique, on a gnralement affaire des systmes dont la transforme en z est rationnelle (rapport de deux polynmes). Dans ce cas, on dcompose la fraction rationnelle en lments simples puis lon utilise une table qui donne directement la transforme en z (voir par
exemple le Tableau 2).
On suppose que X ( z ) peut se mettre sous la forme :
P. NAYMAN
Master CMI
109
r1 z
r2 z
X ( z ) = k + ------------- + ------------- +
z p1 z p 2
Equ(11.15)
Dans un premier temps, on exprimera (11.15) sous la forme dune fonction plus rationnelle,
en divisant les 2 termes par z :
r1
r2
X(z)
k
----------- = -- + ------------+ ------------- +
z
z z p1 z p2
Equ(11.16)
r k reprsentent les rsidus.
Les rsidus sont trouvs par la relation suivante :

F(z)
F( z )
r k = lim ( z p k ) ----------- = ( z p k ) ----------z
z
z pk
Equ(11.17)
z = pk
Exemple : On cherche la transforme en z inverse de

1
X ( z ) = --------------------------------------------------------------------------------------1
1
1
( 1 0, 5z ) ( 1 0, 75z ) ( 1 z )
Solution :
3
Dans un premier temps, on multiplie le numrateur et le dnominateur de X ( z ) par z afin

dliminer les puissances ngatives en z :
3
z
X ( z ) = ---------------------------------------------------------------( z 0, 5 ) ( z 0, 75 ) ( z 1 )
2
( z 0, 5 ) ( z 0, 75 ) ( z 1 )
z 0, 5
z 0, 75
z1
X( z )
z
1
2
3
- + ------------------- + ---------Exprimons : ----------- = ---------------------------------------------------------------- = ---------------z
Les rsidus sont :

2
z
r 1 = -----------------------------------------( z 0, 75 ) ( z 1 )
= 2
z = 0, 5
z
r 2 = -------------------------------------( z 0, 5 ) ( z 1 )
= 9
z = 0, 75
z
r 3 = -----------------------------------------------( z 0, 5 ) ( z 0, 75 )
= 8
z=1
r1
r2
r3
2
9
8
X( z )
----------- = ---------------- + ------------------- + ---------- = ----------------- + -------------------- + ----------z 0, 5 z 0, 75 z 1
z
z 0, 5 z 0, 75 z 1
En multipliant les les deux membres de lquation prcdente par z on trouve X ( z ) :

2z
9z
8z
X ( z ) = ----------------- + -------------------- + ----------z 0, 5 z 0, 75 z 1
A laide du Tableau 2, Transformes en z, page 112 on trouve que :

n
1
na u ( n ) ------------------- et finalement :
1
1 az
n
x ( n ) = [ 2 ( 0, 5 ) 9 ( 0, 75 ) + 8 ]u ( n )
P. NAYMAN
Master CMI
110
11.6.3. Proprits de la transforme en z

11.6.3.1 Linarit
x1 ( n ) X1 ( z )
x2 ( n ) X2 ( z )
alors : x ( n ) = a 1 x 1 ( n ) + a 2 x 2 ( n ) X ( z ) = a 1 X 1 ( z ) + a 2 X 2 ( z )
11.6.3.2 Dcalage en temps

x(n) X(z)
k
x(n k) z X(z )
11.6.3.3 Inversion du temps

x(n) X(z)
1
x ( n ) X ( z )
11.6.3.4 Diffrentiation dans le domaine z

x(n) X(z)
n x ( n ) z
d
X(z)
dz
11.6.3.5 Produit de convolution

x1 ( n ) X1 ( z )
x2 ( n ) X2 ( z )
x 1 ( n ) * x2 ( n ) X ( z ) = X1 ( z ) X2 ( z )
11.6.3.6 Multiplication par une exponentielle complexe

y(n) = e
2in 0
x(n)
y ( ) = x ( 0 )
Y(z) =
n=0
Y (z ) = X( e
2in 0
2 i 0
x(n) z
x(n ) (e
n=0
2 i 0
z)
z)
1
Par exemple, si 0 = --- :
2
P. NAYMAN
Master CMI
111
Y( z) = X( e
z ) = X ( z )
Equ(11.18)
11.6.4. Quelques transformes en z

Le Tableau 2 donne les transformes en z des fonctions les plus courantes.
x(n)
X( z)
Rgion de
convergence
( n )
tous z
u(n)
1
---------------1
1z
z >1
1
------------------1
1 az
z > a
z > a
1
------------------1
1 az
z < a
z < a
a u(n)
n
na u ( n )
az
--------------------------1 2
( 1 az )
a u( n 1 )
na u ( n 1 )
az
--------------------------1 2
( 1 az )
( cos 0 n )u ( n )
1 z cos 0
------------------------------------------------1
2
1 2z cos 0 + z
( sin 0 n )u ( n )
z sin 0
------------------------------------------------1
2
1 2z cos 0 + z
1 az cos 0
---------------------------------------------------------1
2 2
1 2az cos 0 + a z
az sin 0
---------------------------------------------------------1
2 2
1 2az cos 0 + a z
( a ( sin 0 n ) )u ( n )
z >1
( a cos 0 n )u ( n )
z >1
z >a
z >a
Tableau 2 : Transformes en z
11.6.5. Fonction de transfert dun systme numrique (LIT)

On a vu que :
y ( n ) = x ( n ) * h ( n ) (produit de convolution)
y( n) Y( z)
x( n)*h( n) X( z) H( z)
P. NAYMAN
Master CMI
112
do :
Y( z) = H( z) X( z)
Equ(11.19)
H ( z ) est la fonction de transfert du systme numrique.
Considrons un systme rcursif (RII) :
y(n) =
bk x ( n k )
ak y ( n k ) + k
k=1
=0
y( n) Y( z)
y( n k) Y( z) z
x(n k) X(z ) z
Y(z) =
Y(z) +
ak Y ( z ) z
k=1
k=1
ak Y ( z ) z
bk X( z ) z
k=0
M
bk X( z ) z
k=0
N
M
k
k
Y ( z ) 1 + ak z = X ( z ) b k z
k=1
k=0
bk z
k=0
Y(z)
----------- = -------------------------------------X(z)
N
k
1 +
a
z
k
k=1
et :
M
bk z
k=0
H ( z ) = --------------------------------N
1+
ak z
Equ(11.20)
k=1
Si le filtre considr est non rcursif : a k = 0

H(z) =
bk z
k=0
alors :
Equ(11.21)
Le systme est dans ce cas du type RIF.
P. NAYMAN
Master CMI
113
11.6.6. Relation entre la transforme en z et la transforme de Fourier

La transforme en z dune squence x ( n ) est dfinie par lquation : X ( z ) =
x ( n )z
n =
Le domaine de convergence de X ( z ) est : r2 < z < r1 .

Parmi les valeurs de z bien adaptes, on peut choisir la valeur suivante :
z = re
avec : r = z et = ( z ) du fait de la normalisation adopte T .

Dans ce cas :
X(z) =
X(z) =
x ( n ) [ re
n =
+
[ x ( n )r
n =
i n
]e
in
X ( z ) est donc la transforme de Fourier de la squence x ( n )r
La transforme en z ncessite que la squence x ( n )r

+
x ( n )r
n =
soit telle que :
< +
Le facteur r crot avec n si r < 1 et dcrot si r > 1

Si X ( z ) converge pour z = 1 alors :
X( z) X( ) =
x ( n )e
n =
i n
Equ(11.22)
La transforme de Fourier peut tre interprte comme la transforme en z de la squence

considre sur le cercle unit.
Exemple : Dterminer la transforme de Fourier de x ( n ) = u ( n ) en valuant la transforme
en z sur le cercle unit.
1
z
X ( z ) = ---------------- = ----------- (daprs le Tableau 2)
1
z
1
1z
z = e
z = 1
i
i( 2)
i( 2)
e
e
e
X ( ) = ---------------- = ----------------------------- = --------------------------i
2i
sin
(
2
)
2
sin ( 2 )
e 1
2k
k = 0 ,1 ,
11.7. Analyse frquentielle des systmes discrets

Soit une squence x ( n ) de priode N : x ( n ) = x ( n + N )
P. NAYMAN
Master CMI
114
On peut dcomposer x ( n ) en srie de Fourier :

x(n) =
N1
ck e
k=0
i2kn N
Equ(11.23)
Lensemble { c k } reprsente les coefficients de la srie de Fourier.

Les diffrents coefficients sont dfinis par :
N1
i 2kn N
1
c k = ---- x ( n )e
Nk = 0
Equ(11.24)
Comme la squence est priodique : c k + N = c k
11.7.1. Puissance moyenne

N1
2
1
P x = ---- x ( n )
Nn = 0
N 1
N1
N1
1
1
i2k ( n N )
P x = ---- x ( n )x ( n ) = ---- x ( n ) c k e
Nn = 0
Nn = 0
n = 0
N 1
i2k ( n N )
1
k --x
(
n
)e
c
N n
n=0
=0
N1
Px =
En tenant compte de la valeur de c k donne par lquation 11.24 :

N1
Px =
ck
k=0
N1
2
1
= ---- x ( n )
Nk = 0
Equ(11.25)
Cest lgalit de Parseval pour les signaux discrets.
11.7.2. nergie de la squence

Lnergie de la squence x ( n ) est donne par lquation 11.26 :
N1
EN = N
ck
k=0
N1
x(n)
k=0
Equ(11.26)
Si le signal est rel : x ( n ) = x ( n ) et c k = c k
11.8. Synthse dun filtre numrique

La dtermination de la fonction de transfert dun filtre numrique, par une mthode directe,
nest pas toujours trs simple. Par contre, le problme qui consiste transformer un filtre analogique en un filtre numrique est relativement simple.
De ce fait, de nombreuses mthodes sont proposes pour concevoir un filtre numrique
partir du filtre analogique quivalent. Par la suite, les trois principales mthodes de synthses sont
proposes.
Dans tous les cas, la synthse dun filtre numrique est une approximation dun filtre analogique idal quivalent. Il est ncessaire de contraindre un certain nombre de paramtres. La fiP. NAYMAN
Master CMI
115
gure 11.2 montre quelques paramtres fondamentaux de la fonction de transfert dun filtre.
H()
1 + 1
1 1
Oscillations dans
la bande passante
Bande de
transition
Bande attnue
Figure 11.2 : Paramtres fondamentaux dun filtre analogique

Le choix des critres optimiss dpend de lapplication.
11.8.1. Synthse dun filtre numrique par la mthode des drives

Cette mthode est lune des plus simple pour convertir un filtre analogique en un filtre numrique.
G(p) G(z)
Le problme consiste trouver une approximation : p
(n)
= f(z)
n
Daprs le Tableau 1 : d f ( t ) p F ( p ) si les conditions initiales sont nulles.
dt
d
y ( nT ) y ( nT T )
y ( t ) = -------------------------------------------dt
T
avec : t = nT et pour nT n
d
y(n) y(n 1)
y ( t ) = -----------------------------------dt
T
1
y(n) y(n 1)
1z
------------------------------------ ---------------- (daprs le Tableau 2)
T
T
d
y ( t ) p pour la drive premire
dt
2
y ( n ) 2y ( n 1 ) + y ( n 2 )
d
d d
y(t) =
y ( t ) = -----------------------------------------------------------------2
dt
dt dt
T
2
2
d
y(t) p
dt
2
1 2
1z
d
y ( t ) ----------------
T
dt
Dune manire gnrale, on peut crire pour la transforme en z :

n
1 n
1z
d
y ( t ) ----------------
T
dt
P. NAYMAN
Master CMI
116
Equ(11.27)
Lapproximation consiste donc substituer p selon lquation 11.28 :

G(z) = G(p)
Equ(11.28)
1z
p = ---------------T
11.8.1.1 Validit de lapproximation
1z
p = ---------------T
1z
1
p = ---------------- ou z = --------------T
1 pT
comme p = i a par dfinition

1
z = --------------------- en multipliant le numrateur et le dnominateur par le conjugu :
1 i a T
aT
1
z = ---------------------- + i ---------------------2 2
2 2
1 + aT
1 a T
En prenant z = r + i n
Quand a varie de + , le lieu des points dans le plan z est un cercle de rayon 1/2
dont le centre est situ z = 1 2 . La figure 11.3 illustre ces diffrentes variations dans les plans
z et p.
i
Plan z
0 1/2
Plan p
Figure 11.3 : Les ples du filtre numrique

Remarque : La figure 11.3 montre que les ples du filtre numrique sont confins dans un
cercle restreint.
Cette limitation rserve cette mthode aux filtres passe-bas et aux filtres bandes troites.
T
a
Considrons le terme complexe : --------------------2 2
1 + a T
2 2
si a T 1 alors n a .
Exemple : On
P. NAYMAN
Master CMI
considre
le
filtre
117
analogique
dont la fonction
de
transfert
1
- . Trouver le filtre numrique quivalent par la mthode des drives.
est : G a ( p ) = ---------------------------------2
( p + 0, 1 ) + 1
1z
p = ---------------T
2
1
T
G ( z ) = ------------------------------------------------- = ------------------------------------------------------------1
2
2
1z
2 ( 1 + 0, 1T ) 1 z
--------------- + 0, 1 + 1
1 ------------------------------ z + ------ T
= 1 + 0, 2T + 1, 01T
11.8.2. Synthse dun filtre numrique par la transformation bilinaire

La mthode de synthse dun filtre numrique par la transformation bilinaire donne une
approximation p z qui na pas les limitations de la mthode des drives.
Considrons la fonction x ( kt ) reprsente par la figure 11.4 :
X ( kT )
X ( nT )
X ( ( n 1 )T )
( n 1 )T
nT
kT
Figure 11.4 : La mthode bilinaire

Calculons les intgrales suivantes :
nT
yn =
x ( u ) du
( n 1 )T
yn 1 =
x ( u ) du
Calculons lintgrale I de x ( u ) entre ( n 1 )T et nT .

nT
I =
( n 1 )T x ( u )du = yn yn 1
P. NAYMAN
Master CMI
118
Intgrons par la mthode des trapzes ( n nT ) .

x( n) + x(n 1 )
y n y n 1 = ------------------------------------- T
2
Prenons la transforme en z des deux membres :

Y ( z ) Y ( z )z
X ( z ) + X ( z )z
= ------------------------------------ T
2
1
T 1+z
Y ( z ) = X ( z ) --- ---------------2 1 z 1
1
Lintgration par la mthode de la transforme de Laplace donne : Y ( p ) = --- X ( p )
p
En comparant Y ( p ) et Y ( z ) on trouve la correspondance entre les deux espaces p et z :

1
1
T 1+z
--- = --- ---------------P
2 1 z1
do :
1
2 1 z
2 z1
p = --- ---------------- = --- -----------
T 1 + z 1
T z + 1
11.8.2.1 Validit de la transformation

Posons z = re
i n
Equ(11.29)
2 z1
p = --- -----------
T z + 1
et p = + i a
n
2 re 1
p = --- ---------------------
T in
re + 1
2
2r sin n
2
r 1
p = --- ------------------------------------------ + i ------------------------------------------
2
T 1 + r 2 + 2r cos
1 + r + 2r cos n
n
En sparant les parties relles et complexes :

2
2
r 1
= --- -----------------------------------------T 1 + r 2 + 2r cos
n
2r sin n
2
a = --- -----------------------------------------T 1 + r 2 + 2r cos
n
Si r < 1 alors < 0 : zone lintrieur du cercle unit.

Si r > 1 alors > 0 : zone lextrieur du cercle unit.
La partie gauche du plan p correspond lintrieur du cercle unit dans le plan z.
La partie droite du plan p correspond lextrieur du cercle unit dans le plan z.
Si r = 1 alors = 0
P. NAYMAN
Master CMI
119
sin n
2
a = --- ------------------------ do :
T 1 + cos n
2
a = --- tan -----nT
2
Equ(11.30)
a T
n = 2 atan --------2
Equ(11.31)
et :
11.8.2.2 Relation entre les frquences des deux domaines

La figure 11.5 reprsente la courbe dfinie par lquation 11.31.
aT
Figure 11.5 : Relation entre les phases analogique et numrique
plan p analogique
n +
< a < +
plan z numrique
n = nT
n T
2
2
comme a = --- tan -----n- = --- tan --------T
Remarque : Si la frquence dchantillonnage est grande :

n T
a T a T
---------- est petit tan --------- ---------2
2
2
2 n
a --- ------ n
T 2
Exemple 1 :
On considre le filtre analogique dfini par la fonction de transfert :
p + 0, 1
G a ( p ) = -------------------------------------- . On cherche le filtre numrique quivalent par la mthode bilinaire. Le
2
( p + 0, 1 ) + 16
filtre numrique cherch, aura sa frquence de rsonance pour n = 2 . Le filtre analogique

p + 0, 1
- avec a = 4 la pulsation la rsonance.
peut se mettre sous la forme : G a ( p ) = -------------------------------------2
2
( p + 0, 1 ) + a
Il faut donc faire correspondre a = 4 (analogique) avec n = 2 (numrique).

2
a = --- tan ( n 2 )
T
P. NAYMAN
Master CMI
120
4 = --- tan --- do T = 1 2

T
4
1z
Daprs lquation 11.29 : p = 4 ---------------1

1+z
p + 0, 1
G a ( p ) = -------------------------------------2
( p + 0, 1 ) + 16
1
1z
4 ---------------- + 0, 1
1
1
2
0, 125 + 0, 006z 0, 118z
1+z
G a ( z ) = -------------------------------------------------------- = ------------------------------------------------------------------------2
1
2
1 z1
1 + 0, 0006z 0, 950z
---------------+
0
,
1
+
16
4
1 + z 1
bk z
k=0
Daprs lquation 11.20 : H ( z ) = --------------------------------N
1+
ak z
k=1
Les coefficients du filtre numrique sont :

b 0 = 0, 125 , b 1 = 0, 006 , b 2 = 0, 118 , a 1 = 0, 0006 , a 2 = 0, 950
La figure 11.6 reprsente le filtre analogique (trait plein) dont la rsonance se produit pour
a = 4 et le filtre numrique (trait pointill) quivalent qui a sa frquence de rsonance pour
n = 2 .
analogique
|G(
G (
)|
)
num rique
Figure 11.6 : Exemple 1 : Un filtre analogique et le filtre numrique correspondant

Exemple 2 :
a
- . On suppose
On considre le filtre passe-bas analogique un ple unique : H ( p ) = ---------------
p + a
que la frquence de coupure -3dB se produit pour n = 0, 2 . Trouver le filtre numrique quivalent par la mthode de la transformation bilinaire.
0, 65
2
0, 2
a = --- tan ------------ = -----------T
T
2
P. NAYMAN
Master CMI
121
0, 65 T
H ( p ) = ---------------------------p + 0, 65 T
1
2 1z
En utilisant lquation 11.29 : p = --- ---------------1
T 1+z
0, 65 ( 1 + z )
0, 65 T
H ( z ) = --------------------------------------------------- = ------------------------------------1
1
2, 65 1, 35z
2 1z
--- ---------------- + 0, 65 T
T 1 + z1
1
0, 245 ( 1 + z )
H ( z ) = ------------------------------------1
1 0, 509z
Dans cet exemple le paramtre T disparat par simplification, sa valeur est donc indiffrente.
La figure 11.7 reprsente le filtre analogique (T=1) et le filtre numrique correspondant. La
frquence de coupure se trouve bien n = 0, 2 pour une attnuation de 3dB soit
G max
------------- = 0, 707G max . On remarquera que le filtre numrique a une pente plus raide que le filtre
2
analogique mais prsente des lobes secondaires.
Numrique
Analogique
Figure 11.7 Exemple 2 : Un filtre analogique et le filtre numrique correspondant

Exemple 3 :
On dsire raliser un filtre passe-bas de Butterworth laide dun filtre numrique. La fonction de transfert analogique dun tel filtre est : G ( )
1
= ------------------------- 2n
1 + ------
c
c est la pulsation de coupure et n lordre du filtre.
lordre
2,
la
fonction
de
transfert
peut
se
mettre
sous
la
forme :
2
c
G ( p ) = -------------------------------------------------2
2
p + 2 c p + c
2 z1
Appliquons la transformation bilinaire p = --- -----------
T z+1
p
2 z1
------ = ---------- ----------c
c T z + 1
P. NAYMAN
Master CMI
122
2
posons = ----------
cT
p
z1
------ = ----------c
z+1
1
G ( z ) = --------------------------------------------------------------2
z1
z
1
----------- + 2 ----------+1
z + 1
z+1
1
1 + 2z + z
G ( z ) = -----------------------------------------------------------------------------------------------------------------------------2
2 1
2
2
( + 2 + 1 ) + 2 ( 1 )z + ( 2 + 1 )z
posons :
2
a = + 2 + 1 , b = 2 ( 1 ) , c = 2 + 1
1 2 1 1 2
--- + --- z + --- z
a a
a
finalement on obtient : G ( z ) = -------------------------------------b 1 c 2
1 + --- z + --- z
a
a
Application :
4
Soit un filtre analogique dont la pulsation de coupure est c = 0, 3249 10 . On cherche le

filtre numrique quivalent (Butterworth n=2). La frquence dchantillonnage est de 10KHz.
4
2 e
2
2 10
= ---------- = -------- = ------------------------------ = 6, 155
4
c T
c
0, 3249 10
On trouve :
2
a = + 2 + 1 = 47, 595
2
b = 2 = 73, 78
2
c = 2 + 1 = 30, 185
1
0, 021 + 0, 042z + 0, 021z

G ( z ) = ------------------------------------------------------------------------1
2
1 1, 55z + 0, 634z
)|,
)|
Numrique
Analogique
a, n
Figure 11.8 Exemple 3 : Un filtre analogique et le filtre numrique correspondant

P. NAYMAN
Master CMI
123
La figure 11.8 reprsente respectivement la fonction de transfert du filtre analogique et la

fonction de transfert du filtre numrique correspondant.
11.9. Synthse dun filtre numrique par invariance de la rponse

impulsionnelle
Cette mthode fait correspondre au filtre analogique de fonction de transfert G a ( p ) et de
rponse impulsionnelle ha ( t ) , un filtre numrique G ( z ) de rponse impulsionnelle h ( nT ) .
Le signal h ( nT ) correspond lchantillonnage de h a ( t ) la frquence 1 T .
Si lon chantillonne h a ( t ) aux instants nT et si lon suppose que les ples de G a ( p ) sont
distincts : G a ( p ) =
ck
-------------k = 1 p pk
avec : { p k } les ples du filtre analogique et { c k } les coefficients
associs. On peut dans ce cas crire :
ha ( t ) =
cke
k=1
pk t
h ( n ) h a ( nT ) =
t>0
ck e
k=1
p k nT
G(z) =
h ( n )z
n=0
G(z) =
p k nT n
z =
c
e
n = 0 k = 1
(e
n=0
(e
k=1 n=0
ck
pk T 1 n
z )
pk T 1 n
1
z ) = --------------------------- si p k < 0 et finalement :
pk T 1
1e z
G(z) =
ck
-------------------------p T 1
k=1
1e
Les ples de G ( z ) sont z k = e
pk T
Equ(11.32)
k = 1 ,2 ,n
11.9.1. Validit de la transformation par invariance de la rponse

impulsionnelle
G(z) =
h ( n )z
n=0
comme z = e
P. NAYMAN
Master CMI
pT
124
G(e
pT
) =
h ( n )e
n=0
pTn
posons p = + i a et z = r
r
r
i n
i n
= e
= e
i n
( + i a )T
T i a T
. En identifiant, on trouve :
si < 0 alors 0 < r < 1

si > 0 alors r > 1
si = 0 alors la partie gauche du plan p est projete dans le plan z lintrieur du cercle
unit.
n = a T impose que lintervalle --- a --- correspond lintervalle n . De

T
T
mme, tous les intervalles ( 2k 1 ) --- a ( 2k + 1 ) --- avec k entier sont projets sur n .
Ceci est une consquence directe de leffet de priodisation d lchantillonnage.
De fait, cette mthode est limite la synthse des filtres passe-bas ou des filtres bandes
troites.
Exemple :
p + 0, 1
- . On cherche le filtre numrique
On considre le filtre analogique G a ( p ) = ---------------------------------2
( p + 0, 1 ) + 9
quivalent en utilisant la mthode de linvariance de la rponse impulsionnelle.

G a ( p ) un zro en p = 0, 1 et 2 ples conjugus : p + 0, 1 = 3i et p + 0, 1 = 3 i soit :
p k = 0, 1 3i .
Daprs lquation 11.32 : G ( z ) =
ck
-------------------------p T 1
k=1
1e
a
b
G a ( p ) peut se mettre sous la forme : G a ( p ) = -------------- + -------------p p1 p p2
a
b
G a ( p ) = ----------------------------- + ----------------------------- et en identifiant, on trouve :
p + 0, 1 3i p + 0, 1 + 3i
12
12
G a ( p ) = ----------------------------- + ----------------------------p + 0, 1 3i p + 0, 1 + 3i
12
12
G ( z ) = ------------------------------------------- + -------------------------------------------- 0, 1T i3T 1
0, 1T i 3T 1
e z
e
z
1e
1e
0, 1T
1 (e
cos 3T )z
G ( z ) = ------------------------------------------------------------------------------------- 0, 1T
1
0, 2T 2
cos 3T )z + e
z
1 ( 2e
11.10. Conception des filtres RIF

La conception des filtres RIF ncessite la connaissance pralable de certaines caractristiques fondamentales de ces filtres.
Un filtre Rponse Impulsionnelle de dure Finie (RIF) de longueur M est dcrit par
P. NAYMAN
Master CMI
125
lquation 11.33 :
y(n) =
M1
bk x ( n k )
Equ(11.33)
k=0
avec { b k } les coefficients du filtre.

On peut exprimer la sortie du filtre y ( n ) en fonction de sa rponse impulsionnelle h ( n ) :
y(n) =
M1
h ( k )x ( n k )
Equ(11.34)
k=0
On remarquera que lquation 11.33 et lquation 11.34 sont identiques si

b k = h ( k ) pour k = 0 ,1 , ,( n 1 )
La fonction de transfert du filtre peut tre exprime grce la transforme en z :
H(z) =
M1
h ( k )z
k=0
Equ(11.35)
Ce polynme de degr M-1 a des racines qui sont les zros du filtre.
Dautre part, un filtre RIF a une phase linaire si sa rponse impulsionnelle est telle que :
Equ(11.36)
h ( n ) = h ( M 1 n )
dmonstration :
Lquation 11.35 peut tre crite sous la forme dune transforme de Fourier :
H() =
H() =
M1
h ( k )e
k=0
M1
2ik
puis sparons la partie relle et la partie complexe :

M1
h ( k ) sin ( 2k )
h ( k ) cos ( 2k ) i k
k=0
=0
La caractristique de phase de H ( ) peut tre nulle si le terme complexe est gal 0. Il suffit
que h ( k ) soit une fonction paire :
Equ(11.37)
h ( k ) = h ( k )
Le terme h ( k ) sin ( 2k ) est alors impair et la somme est par consquent nulle.
Lquation 11.37 ne permet pas de raliser des filtres causaux. La causalit est respecte en
M1
recentrant la rponse impulsionnelle au milieu de la gamme (en position -------------- ).
2
M1
h ( k ) h k --------------
Equ(11.38)
Dans ce cas le gain est obtenu en prenant la transforme de Fourier de (11.38) :

H ( ) = Hr ( ) e
i ( M 1 )
Equ(11.39)
Cette expression est rapprocher de (5.7) et conduit directement aux conditions sur les
chantillons (figure 11.9) :
h ( k ) = h ( M 1 k ) pour une rponse impulsionnelle symtrique et h ( k ) = h ( M 1 k )
pour une rponse impulsionnelle anti-symtrique.
P. NAYMAN
Master CMI
126
hd
h( k ) = h( M 1k )
h ( k ) = h( k )
k
M1
-------------2
hd
h ( k ) = h ( M 1 k )
h ( k ) = h ( k )
k
M1
-------------2
Figure 11.9 ; Rponse symtrique et anti-symtrique
n = 0 ,1 , , M 1
M1
h ( k )z
k=0
H(z ) =
( M 1 )
H(z ) =
M1
h ( k )z
k=0
( M 1 k )
En introduisant lquation 11.36 :

z
( M 1 )
H(z ) =
M1
h ( M 1 k )z
k=0
( M 1 k )
do :
z
( M 1 )
H ( z ) = H ( z )
Equ(11.40)
1
Cette relation dfinit que les racines de H ( z ) sont aussi les racines H ( z ) .
Dautre part, selon la parit de M, H ( z ) peut sexprimer diffremment :
H(z) =
M1
h ( k )z
k=0
H(z) = z
( M 1 ) 2
M1
h ( k )z
k=0
( M 1 2k ) 2
si M est impair :
P. NAYMAN
Master CMI
127
H(z) = z
( M 1 ) 2
M 1- +
h ------------2
(M 3) 2
h(k )[z
( M 1 2k ) 2
( M 1 2k ) 2
k=0
si M est pair :
H(z) = z
( M 1 ) 2
(M 3) 2
k=0
h(k )[ z
( M 1 2k ) 2
( M 1 2k ) 2
11.10.1. Cas o h(n) est symtrique

Lorsque la rponse impulsionnelle h ( n ) est symtrique, alors : h ( n ) = h ( M 1 n ) . On
peut exprimer la fonction de transfert comme tant :
H ( ) = H r ( )e
i ( M 1 ) 2
si M est impair :
M1
H r ( ) = h -------------- + 2
2
(M 3) 2
n=0
M1
h ( n ) cos -------------- n
2
si M est pair :
Hr ( ) = 2
(M 2) 1
n=0
M1
h ( n ) cos -------------- n
2
La phase de H ( ) est :
M1
--------------
( ) =
M 1- +
------------2
si H r ( ) > 0
si H r ( ) < 0
11.10.2. Cas o h(n) est antisymtrique

Lorsque la rponse impulsionnelle h ( n ) est antisymtrique, h ( n ) = h ( M 1 n ) , le point
milieu est tel que h -------------- = 0 . Dans ce cas, la fonction de transfert peut sexprimer comme
2
tant :
M1
H ( ) = H r ( )e
[ (M 1) 2 + 2]
Si M est impair :
Hr ( ) = 2
(M 3) 2
n=0
M1
h ( n ) sin -------------- n
2
Si M est pair :
P. NAYMAN
Master CMI
128
Hr ( ) = 2
(M 2) 1
n=0
M1
h ( n ) sin -------------- n
2
La phase de H ( ) est :
M1
--- --------------
2
2
( ) =
M1
3
- --------------
---- 2
2
si H r ( ) > 0
si Hr ( ) < 0
11.10.3. Choix dune rponse h(n) symtrique ou antisymtrique

On remarquera que lorsque h(n) est antisymtrique : H r ( 0 ) = 0 et H r ( ) = 0 . Ceci implique quil nest pas possible de concevoir un filtre passe-bas avec une rponse h(n) antisymtrique.
On remarquera que lorsque la rponse h(n) est symtrique :
M1
H r ( 0 ) = h -------------- + 2
2
Hr ( 0 ) = 2
M2
(M 3) 2
h ( n ) pour M impair
n=0
h ( n ) pour M pair.
n=0
La connaissance de lallure de la rponse impulsionnelle h ( t ) du filtre analogique quivalent peut donner de bonnes indications sur le choix symtrique/antisymtrique. Si h ( t ) est unipolaire on choisit h ( n ) symtrique. Si h ( t ) est bipolaire on choisit h ( n ) antisymtrique.
11.11. Utilisation du fentrage

11.11.1. Effet du fentrage sur un signal
Considrons un signal dfini par la squence x(n) et une fentre w(n), telle
1
0
que : w ( n ) =
0nM1
sinon
et y ( n ) = x ( n ) w ( n ) un signal tronqu par la fentre w(n).

Il est intressant de montrer linfluence de la longueur de la fentre sur la rsolution et la
dynamique obtenues.
On appelle rsolution frquentielle le plus petit cart entre deux frquence discernables.
On appelle dynamique, le rapport entre la puissance maximale et la puissance minimale
que lon peut mesurer. La dynamique correspond un rapport signal bruit et est limite par la
dispersion spectrale (voir plus loin).
P. NAYMAN
Master CMI
129
Calculons la transforme de Fourier de w(n) :
W( ) =
W( ) =
M1
n=0
w ( n )e
M1
n=0
in
in
M1
e
n=0
iM
in
1e
= --------------------- = e
i
1e
M1
i -------------2
W( ) = e
sin ( M 2 )
----------------------------sin ( 2 )
M1
i -------------2
sin ( M 2 )
----------------------------sin ( 2 )
Equ(11.41)
Illustrons leffet du fentrage, sur la rsolution, par un exemple :

Soit x ( n ) = cos 1 n + cos 2 n
1
w ( n ) cos 1 n --- [ W ( 1 ) + W ( + 1 ) ]
2
1
w ( n ) ( cos 1 n + cos 2 n ) --- [ W ( 1 ) + W ( 2 ) + W ( + 1 ) + W ( + 2 ) ]
2
Application : Considrons le signal cos 2 0 n avec 0 = 0, 1 (en frquence normalise) et

une fentre de longueur M=30. Le spectre conscutif est reprsent par la figure 11.10.
On remarque que le spectre nest pas confin sur une seule raie, mais rparti sur tout lespace frquentiel. Cest la dispersion spectrale.
Dautre part le spectre en frquence est symtrique par rapport = 0 .
Figure 11.10 : Dispersion spectrale

Le fentrage a galement des effets sur la rsolution, considrons le signal
x ( n ) = cos 2 1 n + cos 2 2 n avec 1 = 0, 10 et 2 = 0, 12 pour M=30, 50 et 100. Plus M augmente et plus la rsolution sur le lobe principal est meilleure, par contre la dispersion spectrale
augmente avec M. La figure 11.11 reprsente le spectre de x(n) pour M=30, on ne discerne pas les
deux frquences. La figure 11.12, pour M=50, prsage la prsence de deux frquences. Seule la
figure 11.13 avec M=100 permet de distinguer correctement 1 = 0, 10 et 2 = 0, 12 .
P. NAYMAN
Master CMI
130
Figure 11.11 : Dispersion spectrale et rsolution M=30

La fentre M=100 est le cas limite pour distinguer les deux frquences. En effet, avec une
2
fentre rectangulaire, la largeur du lobe principal est ----- . Pour sparer correctement deux frM
2
quences, il est ncessaire que 1 2 > ----- .
M
P. NAYMAN
Master CMI
131
2
Dans lexemple prcdent : 1 2 = 0, 02 = ----- .
M
11.11.2. Effet du fentrage avec un filtre RIF

11.11.2.1 La fentre rectangulaire
Soit H d ( ) =
n=0
h d ( n )e
in
1
avec h d ( n ) = -----2
Hd ( )e
in
La rponse impulsionnelle obtenue est de dure infinie. Pour tre compatible avec un filtre
RIF, cette rponse doit tre tronque la longueur n=M-1.
Tronquer h d ( n ) la longueur (M-1) revient multiplier h d ( n ) par une fentre rectangulaire
telle que :
1
w( n) =
0
n = 0 ,1 ,, M 1
sinon
La rponse impulsionnelle du filtre RIF devient :

h ( n ) = hd ( n ) w ( n )
hd ( n )
h(n) =
0
n = 0 ,1 ,, M 1
sinon
La multiplication de la rponse impulsionnelle h d ( n ) par la fentre w(n) est quivalent un

produit de convolution dans lespace frquence.
H( ) = Hd( )* W( )
Equ(11.42)
H ( ) est la fonction de transfert du filtre.

W ( ) est la transforme de Fourier de w(n).
W( ) =
M1
n=0
1
H ( ) = -----2
W( ) =
w ( n )e
in
M1
e
n=0
in
Hd ( )W ( )d (produit de convolution)
M1
e
n=0
in
iM
1e
= --------------------- = e
i
1e
M1
i -------------2
sin ( M 2 )
----------------------------sin ( 2 )
sin ( M 2 )
W ( ) = -------------------------------- avec +
sin ( 2 )
La phase de W ( ) est ( ) :
1
M
-------------2
( ) =
1
M
-------------- +
si sin ( M 2 ) 0
si sin ( M 2 ) < 0
La figure 11.14 reprsente lamplitude du module de la fentre W (normalise par M) en
P. NAYMAN
Master CMI
132
fonction de la frquence et de la longueur de la fentre (M=11 et M=23).

|W()|dB
M=11
M=23
Figure 11.14 : Module de la fentre rectangulaire

On remarque que lorsque M augmente le lobe principal devient plus troit. Toutefois, les
lobes secondaires de W ( ) sont relativement levs et augmentent avec M (cet effet est peu visible du fait de la normalisation de lamplitude par M).
Dans le cas de la fentre rectangulaire, calculons le rapport entre lamplitude du lobe principal et lamplitude du lobe secondaire le plus important.
sin ( M 2 )
W ( ) = -------------------------------sin ( 2 )
Lamplitude du lobe principal est : W ( 0 ) = M

Le premier lobe secondaire possde lamplitude la plus leve, le maximum a lieu pour
1, 5
1 = 2 --------M
1, 5
1
W 2 --------- = ---------------
M
3
sin -------2M
3
x
6
En utilisant lapproximation de sin x pour x petit : sin x x ----- , on obtient :

1
M
1, 5
W 2 --------- = -------------------------------------- = -------------------------------
3
M
2
3
3
3
3
-------- -------- 6
------ 1 ---------2M 2M
2
2
8M
Soit r M le rapport damplitude entre le lobe principal et le premier lobe secondaire :

2
3
3
r M = ------ 1 ----------
2
2
8M
Equ(11.43)
M min = 2
r 2 = 0, 35
r = 4, 71 soit 13,4dB (Rappel : r dB = 20LogX , voir en annexe)
11.11.2.2 La fentre cosinusodale

Il est possible dattnuer lamplitude des lobes secondaires par addition algbrique. Consi-
P. NAYMAN
Master CMI
133
drons la fonction W s ( ) telle que :

1
W s ( ) = --- W -------------- + W + --------------
2
M 1
M 1
ou encore :
1
1
1
W s ( ) = --- W ---------------------- + W + ----------------------
2
2 ( M 1 )
2 ( M 1 )
La fonction W est translate dune valeur positive et dune valeur ngative. Les deux translates sont ensuite sommes. La figure 11.15 montre leffet dattnuation des lobes secondaires
grce cette opration.
Figure 11.15 : La fentre cosinusodale

sin ( M 2 )
Pour cette reprsentation W ( ) = ----------------------------sin ( 2 )
1
WP ( ) reprsente W + ----------------------
2 ( M 1 )
1
WM ( ) reprsente W ---------------------- et
2 ( M 1 )
1
WS ( ) reprsente --- ( WP ( ) + WM ( ) ) .
2
On peut remarquer que les lobes sont deux fois plus larges.
Si lon reprend la transforme de Fourier inverse de
1
1
1
W s ( ) = --- W ---------------------- + W + ---------------------- , on obtient :
2 ( M 1 )
2
2 ( M 1 )
n
w ( n ) = cos -------------M1
Equ(11.44)
Cest la fentre cosinusodale.
11.11.2.3 Les fentres les plus utilises

Il est possible dutiliser dautres fentres relativement simples comme celle de Bartlett (fentre triangulaire) ou damliorer les caractristiques de la fentre cosinusodale en modifiant les
coefficients de chaque composante, cest le cas des fentres de Blackman, Hamming et Hanning.
La figure 11.16 permet dvaluer lallure de ces diffrentes fentres.
Dautres fentres beaucoup plus sophistiques peuvent tre utilises, citons par exemple,
les fentres de Kaiser, Lanczos ou encore Tukey.
Remarque : La fentre rectangulaire possde un lobe principal le plus troit, mais prsente
des lobes frquentiels importants. Le choix dune fentre sera donc le meilleur compromis entre
P. NAYMAN
Master CMI
134
la rsolution frquentielle et la dynamique recherches.
Hamming
Barlett
Blackman
Hanning
Figure 11.16 : Comparaison de diffrentes fentres
Le Tableau 3 donne la rponse impulsionnelle h(n) de diffrentes fentres pour une fentre
de longueur M.
Fentre
Rponse impulsionnelle h(n) 0 n M 1
Bartlett (triangulaire)
M1
2 n -------------2
1 ----------------------------M1
Blackman
2n
4n
0, 42 0, 5 cos -------------- + 0, 08 cos -------------M1
M1
Hamming
2n
0, 54 0, 46 cos -------------M1
Hanning
1---
2n
1 cos --------------
2
M 1
Tableau 3 : Rponse impulsionnelle de diffrentes fentres

Le Tableau 4 donne la largeur du lobe principal et le rapport r n exprim en dcibels (dB)
entre lamplitude du lobe principal ( A p ) et celle du lobe secondaire ( A s ) le plus important :
A
r n = 20 log -----pAs
P. NAYMAN
Master CMI
135
Fentre de pondration
Largeur du lobe principal
A
r n = 20 log -----p- (dB)
As
Rectangulaire
2/M
-13dB
Bartlett
4/M
-27dB
Hanning
4/M
-32dB
Hamming
4/M
-43dB
Blackman
6/M
-58dB
Tableau 4 : Largeur du lobe principal pour diffrentes fentres

La figure 11.17 reprsente la rponse en frquence de la fentre de Hanning pour M=31 et
M=61.
M=31
M=61
Figure 11.17 : Fentre de Hanning

La figure 11.18 reprsente la rponse en frquence de la fentre de Hamming pour M=31 et
M=61.
M=31
M=61
Figure 11.18 : Fentre de Hamming

P. NAYMAN
Master CMI
136
La figure 11.19 reprsente la rponse en frquence de la fentre de Blackman pour M=31 et

M=61.
M=31
M=61
Figure 11.19 : Fentre de Blackman

Exemple : On considre un filtre passe-bas du premier ordre dfini par son gain :
a
g ( p ) = ---------------- .
a + p
Sa rponse impulsionnelle est :

h ( t ) = ae
a t
(exponentielle dcroissante).
Dautre part, on considre le filtre digital tel que :

hd ( n ) = a e
n a
-------------M1
0nM1
On se propose de pondrer la rponse impulsionnelle par trois fentres :

rectangulaire, Hamming et Blackman.
h ( n ) = h d ( n ) w ( n ) avec w(n) la fentre considre.
La rponse en frquence est obtenue en prenant la transforme de Fourier discrte de h(n).
Les premires oprations consistent :
Translater h(n) de (M-1)/2 positions : h ( n ) h n + -------------- (permet de rendre causal le
M1
2
filtre)
Symtriser h(n) : h ( n ) = h ( M 1 n )
La figure 11.20 reprsente la rponse impulsionnelle translate, symtrise et tronque.
Seule la partie linaire de lexponentielle apparat sur la figure 11.20.
Les coefficients du filtre numrique sont les valeurs de la rponse impulsionnelle aux
instants : 0, 1,...M-1.
La transforme de Fourier discrte permet de retrouver les spectres en frquences pour les
trois fentres considres : H ( ) =
P. NAYMAN
Master CMI
M1
h ( n )e
n=0
2in
137
M=35
Figure 11.20 : Rponse impulsionnelle translate et symtrise

Les figures suivantes (figure 11.21, figure 11.22 et figure 11.23) reprsentent les rponses
en frquences obtenues.
M=35 Fentre rectangulaire
Figure 11.21 : Fentre rectangulaire
M=35 Fentre de Hamming
Figure 11.22 : Fentre de Hamming
P. NAYMAN
Master CMI
138
M=35 Fentre de Blackman
Figure 11.23 : Fentre de Blackman
P. NAYMAN
Master CMI
139
12. DE LA TRANSFORME DE FOURIER VERS LA

TRANSFORME EN ONDELETTES
12.1. Introduction
La thorie de Fourier dcompose un signal en une somme infinie de sinus et cosinus. Si le
signal est priodique, la dcomposition en srie de Fourier donne une bonne reprsentation de
loccupation frquentielle de celui-ci. Pour des signaux non-rptitifs, il est ncessaire dutiliser
la transforme de Fourier. Si le signal prsente des variations rapides, la thorie de Fourier pose
des problmes de convergence (Voir Phnomne de Gibbs, page 13.). Si la thorie de Fourier
donne une bonne rsolution frquentielle, par contre, le fait de sommer le signal sur toute son histoire temporelle, ne donne plus accs la localisation des frquences dans le temps. Pour palier
ce problme, deux thories ont t labores, la transforme de Fourier fentre puis la transforme continue par ondelettes [35], [47], [52].
12.2. La transforme de Fourier fentre

La transforme de Fourier fentre glissante a t introduite par Dennis Gabor en 1946
dans le but de mieux localiser les frquences dans le temps. On cherche analyser la fonction x ( t )
partir dun modle x ( , t ) . La fonction x ( , t 0 ) reprsente la distribution spectrale du signal pour
t = t0 . Dans cette valuation, seule une partie de lhistoire de x ( t ) influence x ( , t 0 ) . Considrons
lintervalle dinfluence [ t 0 T, t 0 ] et une fonction danalyse g ( t ) telle que :

g ( t ) [ T, 0 ]
g( t) = 0
sinon
De faon aboutir des calculs plus simples et pour tre certain que lon puisse reconstruire
le signal dorigine partir de ses composes, on a toujours intrt dvelopper la fonction analyser en srie de fonctions orthogonales1.
On dfinit le signal analys x t ( u ) au travers la fentre g :
*
x t ( u ) = g ( u t )x ( u )
Equ(12.1)
g ( u t ) est le complexe conjugu de la fonction g ( u t ) .

2
Daprs (2.9), on peut dfinir le produit scalaire dans L : x ( , t ) = ( g t, x ) avec

g t ( u ) = g ( u t )e
2iu
Equ(12.2)
Dans la fonction gt ( u ) on place un terme exponentiel de faon que le produit scalaire dfinisse une transforme de Fourier :
+
x t ( ) =
x ( u )g ( u t )e
2iu
du
Equ(12.3)
ou encore :
+
x t ( ) =
xt ( u )e
2iu
Equ(12.4)
du
La transforme de Fourier inverse donne la formule dinversion :
1. Voir Dveloppement en srie de fonctions orthogonales, page 7.

P. NAYMAN
Master CMI
140
DE LA TRANSFORME DE FOURIER VERS

LA TRANSFORME EN ONDELETTES
xt ( u ) =
x t ( , t )e
2iu
Equ(12.5)
Les quations (12.4) et (12.5) sont les formules classiques de la transforme de Fourier.
A laide de (12.1) et de (12.5), on obtient :
+
g ( u t )x ( u ) =
x t ( , t )e
2iu
Equ(12.6)
Comme g ( u t ) est nulle presque partout, il nest pas possible dextraire x ( u ) de (12.6)
*
en divisant les 2 membres de lquation par g ( u t ) .

Multiplions les 2 membres de (12.6) par g ( u t ) :
+
g(u t) x(u) =
d et laide de (12.2) :
gt ( u )x t( , t ) d puis en intgrant par rapport t :

+ +
g ( u t ) dt =
avec
2iu
g(u t) x(u) =
x(u)
g( u t )x t( , t )e
g ( u t )
gt( u )x t( , t )( d ) dt
dt = g
lnergie de g ( t ) .
do la formule de reconstruction :
1
x ( u ) = ---------2
g
+ +
gt ( u )x t( , t ) d dt
Equ(12.7)
Il est toujours possible de reconstruire x ( t ) partir des coefficients donns par (12.3) ou
(12.4), en effet avec k ( t ) = e
2ikt
x(t) =
Ck k ( t )
Equ(12.8)
a, b
12.2.1. Exemple
Considrons le signal suivant dont la frquence volue linairement avec le temps1 :
2
f2 ( t ) = e
it
t ( 2 )
e
-.
et la fentre gaussienne suivante : g2 ( t ) = ---------------------2 14
( )
La figure 12.1 montre le signal chirp linaire et la fentre gaussienne centre en t = 6 . La

figure 12.2 montre le signal vu par cette fentre.
1. Ce type de signaux est appel chirp linaire

P. NAYMAN
Master CMI
141

signal shirp et fentre gaussienne
0.5
Im( f2( t ) )
g2( t
6)
10
12
0.5
0.999997
1
0
12
Figure 12.1 : Signal chirp et fentre gaussienne
signal observ avec la fentre
gw( t )
0
10
12
1
0
12
Figure 12.2 : Signal chirp travers la fentre gaussienne
12.2.2. Localisation temps-frquence

La localisation en frquence de la fonction fentre est dtermine par son spectre :
Le spectre de x t ( u ) est obtenu en prenant la transforme de Fourier de (12.1)
*
x t ( ) = TF [ g ( u t )x ( u ) ]
*
Evaluons dans un premier temps TF [ g ( u t ) ] ,

g ( u ) g ( )
*
*
g ( u ) g ( ) par (4.28)
*
*
g ( u t 0 ) g ( )e
2it 0
par (4.21)
2it 0
2it 0
*
[ g ( ) * x ( ) ] = e
g ( u t 0 )x ( u ) g ( )e
g ( u t 0 )x ( u ) e
* x ( ) par (4.25).
2it 0
R gx ( ) par (7.19)
R gx ( ) tant le coefficient de corrlation entre g ( ) et x ( ) .
soit :
P. NAYMAN
Master CMI
142

2iu
x t ( ) = e
x ( )g ( )d
Equ(12.9)
Le terme x ( )g ( ) reprsente la fentre danalyse frquentielle du signal qui correspond

la fentre temporelle g ( t ) . Pour bien localiser en temps et en frquence le signal il est donc ncessaire que les fentres temporelle et frquentielle soient petites.
Dans tous les cas, le systme est limit par le principe dincertitude (Voir Le principe dincertitude, page 57.) dont le principal rsultat est donn par (7.32) :
1
t -----4
La rsolution en temps et en frquence sont exclusives, lgalit est obtenue pour le signal
chirp linaire de Gabor.
12.2.3. Influence du fentrage sur la rsolution et la dynamique

Linfluence du fentrage sur la rsolution et la dynamique est largement trait dans le chapitre consacr aux systmes numriques (Voir Utilisation du fentrage, page 129.). De nombreux exemples montrent linfluence de la largeur de la fentre sur la rsolution frquentielle et
quil est fondamental dadapter la largeur de la fentre au phnomne que lon dsire tudier. Plus
la fentre est petite, meilleure est la rsolution temporelle et moins bonne est la rsolution frquentielle.
La figure 12.3 montre lanalyse du signal x ( n ) = cos 2 1 n + cos 2 2 n pour 1 = 0, 10 et
2 = 0, 12 (frquences normalises). La rsolution frquentielle est trace pour 3 fentres rectan-
gulaires respectivement de largeur 30, 50 et 100 (temps normalis).
Figure 12.3 : Rsolution et dispersion spectrale
12.3. La transforme continue par ondelettes

La transforme de Fourier fentre permet une localisation temps-frquence. Toutefois,
cette localisation est compltement dpendante du facteur dchelle introduit par la largeur de la
fentre.
La transforme continue par ondelettes, introduite par Jean Morlet en 1981 pour rsoudre
des problmes de signaux sismiques en recherche ptrolire, permet de saffranchir de cette dpendance.
Le principe est le suivant, on considre un signal x ( t ) que lon dsire analyser. On choisit
une ondelette (signal oscillant dans une fentre temporelle donne). On dtermine un coefficient
qui exprime le degr de corrlation du signal avec londelette choisie. Cette analyse est rpte en
dcalant londelette sur le signal. On recommence ensuite en dilatant londelette danalyse (changement dchelle). Les petites chelles permettent danalyser les frquences leves, alors que les
plus grandes vont analyser les basses frquences.
2
Considrons une fonction L et norme, a R et b R (homogne un temps) :
P. NAYMAN
Master CMI
143

tb
g a, b ( t ) = ---------- dfinit toutes les dilates et translates de .
a
a traduit le changement dchelle et b la translation.

La fonction g nest pas norme, en effet :
g
= a
tb * tb
---------- ---------- dt =
a a
tb
tb 2
---------- dt en posant ---------- = u
a
a
( u ) du = a (en tenant compte que est norme).
Dans ce cas, il suffit dutiliser la base norme suivante :

tb
1
a, b ( t ) = ------- ----------
a
a
Equ(12.10)
a, b dfinit une famille dondelettes.
12.3.1. Principe compar des analyses temps-frquence (figure 12.4)

Considrons un signal x ( t ) . La transforme de Fourier donne lamplitude du signal pour
chaque frquence. La transforme de Fourier fentre limite lanalyse une fentre temporelle
de largeur fixe, la fentre est ensuite dcale. Lanalyse par ondelettes commence avec une fentre
danalyse a de largeur trs fine, la translate sur tout le signal puis recommence en augmentant
lchelle.
x(t)
Fourier
Fourier fentre
Ondelette
Figure 12.4 : Comparaison des analyses temps-frquence
12.3.2. Exemple : la fonction de Haar

En 1910, Haar sintresse aux fonctions orthogonales et propose la dfinition suivante :
1
(t ) =
1
1
0 t < --2
si
Equ(12.11)
1
--- t < 1
2
si
sinon
Les dilates et translates de ( t ) forment une base orthonorme dans L :

P. NAYMAN
Master CMI
144

i
1 t 2 j
i, j ( t ) = -------- --------------
i
i
2 2
Equ(12.12)
avec i, j Z .
i
Dans ce cas, lchelle est gale 2 et la translation de 2 j .

La figure 12.5 donne un exemple de quelques dilates et translates de ( t ) obtenues partie de (12.12).
1.5
(t )
(t)
3 3 (t)
1, 1 ( t )
---, --2 2
2, 2 ( t )
11( t )
1515( t )
1 1 (t )
22( t )
---, --2 2
m0505( t )
1.5
1
14
Figure 12.5 : Londelette de Haar
12.3.3. Admissibilit
La transforme en ondelettes doit permettre de reconstruire le signal partir de ses transformes. Ceci nest possible que si certaines conditions sont respectes (conditions dadmissibilit). On dfinit une constante dadmissibilit C . Cette constante doit satisfaire la condition
suivante :
+
C =
() 2
------------------ d < +
Equ(12.13)
Pour que C soit dfinie quelque soit la frquence, il est ncessaire que :
() 2
=0 = 0
( ) = TF [ ( t ) ] ,
a, b
(0) =
Equ(12.14)
explicitons la transforme de Fourier pour = 0 :
a, b ( t )dt et laide de (12.14) :

+
a, b ( t ) d t = 0
Equ(12.15)
Ceci implique que la valeur moyenne de londelette est nulle.

Lquation (12.15) spcifie que londelette un caractre oscillant et doit changer au moins
une fois de signe.
Londelette de base qui sera ensuite dilate et dcale sappelle ondelette mre. Chaque ondelette servira de fonction fentre analysante.
Comme pour les transformes prcdentes, la transforme continue en ondelettes dun si-
P. NAYMAN
Master CMI
145

gnal x L est dfinie par le produit scalaire ( a, b, x ) :

+
C ( a, b ) = x ( a, b ) =
x ( t ) a, b( t ) dt
*
Equ(12.16)
C ( a, b ) reprsente les coefficients de londelette.
et en utilisant (12.10) :
+
x ( a, b ) =
- dt
x ( t ) ------a- --------a
1
tb
Equ(12.17)
La formule dinversion de lquation 12.17 est donne par lquation suivante :

1
x ( t ) = C
+ +
- db -----0 x ( a, b ) ------a- --------a a2

1
tb
da
Equ(12.18)
Cette formule est dmontre en 12.3.5.

*
1 * t
Posons : a ( t ) = ------- --- , dans ce cas lquation (12.17) peut scrire comme un produit
de convolution :
+
x ( a, b ) =
x ( t )a ( b t ) dt = x * a
*
Equ(12.19)
Pour bien comprendre le mcanisme de fonctionnement de londelette, il est intressant de

faire lquivalence avec une batterie de filtres linaires.
La sortie dun filtre linaire en fonction de sa rponse impulsionnelle est donne par (5.1).
Daprs (12.19), on peut donc considrer que la transforme en ondelettes est la sortie dun filtre
*
linaire dont la rponse impulsionnelle est a . On suppose que :

*
le support frquentiel de x ( t ) est compltement inclus dans le support frquentiel de a .

*
a est continue.
*
a > 0
*
x( t)
h(t) =
*
a
y( t ) = x*a
Figure 12.6 : La transforme en ondelettes comme sortie dun filtre linaire

*
Prenons la transforme de Fourier de a ( t ) ( laide de (4.19)) :

*
a ( ) =
*
a ( a )
Equ(12.20)
12.3.4. Filtre inverse

On peut imaginer de reconstruire le signal x ( t ) par un banc de filtres linaires. A chaque
P. NAYMAN
Master CMI
146

filtre correspond une ondelette particulire a .

Considrons le filtre linaire de la figure 12.7. Ce filtre pour entre la transforme en ondelettes de x ( t ) et pour sortie x ( t ) .
y(t) = x(t)
x * a
g( t)
Figure 12.7 : La transforme en ondelettes inverse comme sortie dun filtre linaire
Soit g ( t ) la rponse impulsionnelle de ce filtre dinversion. La sortie du filtre est le produit
de convolution de lentre par sa rponse impulsionnelle :
x ( t ) = ( x * *a ) * g ( t )
Equ(12.21)
entre
Prenons la transforme de Fourier des deux membres de (12.21) :

*
x ( ) = x ( ) a ( ) G ( )
Equ(12.22)
()
a
avec G ( ) = ------------------2
Equ(12.23)
a ( )
La figure 12.8 schmatise lquation 12.22 dans le domaine temporel.
x(t)
a ( t )
x * a
z( t)
a ( t )
()]
TF [
a
y(t) = x(t)
Figure 12.8 : Implmentation du filtre linaire inverse

Si lon considre maintenant un banc infini de filtres, le paramtre a est dans ce cas variable,
la sortie intermdiaire z ( t ) peut tre explicite en intgrant le signal pour tous les a possibles.
On suppose que :
+
0<
+
z ( ) =
( ) 2 da <
Equ(12.24)
*
( ) da
x ( ) a ( )
a
+
z ( ) = x ( )
( ) 2 da
Equ(12.25)
Il est donc possible de retrouver x ( ) :

z ( )
x ( ) = -------------------------------------+
( ) 2 da
P. NAYMAN
Master CMI
Equ(12.26)
147

12.3.5. Dmonstration de la condition dadmissibilit

Prenons la transforme de Fourier de lquation 12.19 :
*
TF [ x ] = x ( ) a ( )
Equ(12.27)
Multiplions les 2 membres par a ( ) (fonction relle).

( ) = x ( ) ( ) 2
TF [ x ]
a
a
Equ(12.28)
Intgront les deux membres pour toutes les valeurs de a :

+
( ) da =
TF [ x ]
a
2
x ( ) a ( ) da
Remplaons a ( ) , dans la partie de droite, par lquation 12.20 :

+
( a 0 )
( ) da =
TF [ x ]
a
( a 0 ) a x ( ) ( a )
da
Divisons les 2 membres par a et posons (dans lquation de droite) a = u :
a
( ) d----- =
TF [ x ]
a
2
a
(a 0)
( a 0)
a ( ) d----TF [ x ]
= x ( )
a
2
a
(a 0)
+
posons C =
(u) 2
x ( ) ----------------- du
u
(u) 2
----------------du
u
Equ(12.29)
(u) 2
----------------- du
u
Equ(12.30)
C est la constante dadmissibilit, de (12.29) on peut dduire x ( ) condition que

0 < C <
1
x ( ) = C
Equ(12.31)
+
2
(a 0 ) TF [ x ]a ( ) ----a
da
Revenons dans lespace temps laide de (4.26) :

1
x ( t ) = C
- et en explicitant le produit de convolution :

2
( a 0 ) x * a ( t ) ----a
da
x ( t ) = C
+ +
- db -----0 x ( a, b ) ------a- --------a a2

1
tb
da
Equ(12.32)
Cette relation est donc la formule de reconstruction. Cette formule ne peut exister que si la
constante dadmissibilit C existe (condition donne par (12.31)). Les formules directe (12.17)
et inverse (12.32) sont les deux formules fondamentales de la transforme continue en ondelettes.
*
En multipliant les 2 membres de (12.28) par x ( ) puis par une dmonstration identique
celle qui a abouti (12.32), on trouve facilement la relation suivante :
+
x ( t ) dt = C
+ +
2 da
x ( a, b ) db -----2
a
Equ(12.33)
Cette relation montre que lnergie du signal ne dpend pas de son mode de reprsentation.
P. NAYMAN
Master CMI
148

12.4. Exemples dondelettes

Le Tableau 12.1 donne 3 exemples dondelettes de base et la figure 12.9 montre les graphiques correspondants.
Londelette de Morlet est une sinusode complexe module par une gaussienne.
Londelette de Paul dcrot plus vite que celle de Morlet et autorise des localisations en
temps plus prcises.
Londelette obtenue par drive dune gaussienne permet des localisations temporelles
dune qualit lgrement infrieure celle de Paul. A lordre 2, cette ondelette est frquemment
appele chapeau mexicain.
Dans le domaine des frquences, londelette de Morlet est la plus intressante, suivie par la
drive dune gaussienne puis par londelette de Paul.
Comme il a t prcis en 12.2.2., le signal gaussien est le meilleur compromis pour une
bonne localisation en temps et en frquence.
(t )
Nom
Morlet
Paul lordre k
( s )
2
1 4 i 0 t t 2
k+1
H ( )e
( s 0 ) 2
( 2i ) k!
( k + 1 )
-------------------- ( 1 it )
( 2k )!
Drive dune gaussienne

lordre k
1 4
2
k s
----------------------------- H ( ) ( s ) e
k ( 2k 1 )!
k
2
t 2
( 1 )
------------------------- d e
k
1
k + --- d t
2
k ( s ) 2
i
------------------------- ( s ) e
1
k + ---
Tableau 12.1 : Exemples dondelettes

avec : = 2 la pulsation, H ( ) lchelon unit (Heaviside) et la fonction gamma1.
1
Morlet 0 = 7
0.5
Re( ( t ) )
Im( ( t ) )
en plein partie relle

en pointill partie complexe
TF ( )
0.5
0.5
10
10
Figure 12.9 : Quelques ondelettes et leur transforme de Fourier
1. ( z ) =
z 1 t
e dt
P. NAYMAN
Master CMI
149

10
Gaussienne drive
.7
0.6
2_6( t )
I6
0.4
TF2_6( )
2_2( t )
TF2_2( )
10
I2
en plein ordre 6
en pointill ordre 2
10
en plein ordre 6
en pointill ordre 2
0.2
1.5
. 96
4.7957810
10
1.5
10
10
10
Paul ordre 4
10
10
1
1
Re( ( t ) )
Im( ( t ) )
TF ( )
4
en plein partie relle

en pointill partie complexe
0.5
0
10
10
1.5
10
20
20
Figure 12.9 : Quelques ondelettes et leur transforme de Fourier (Suite...)
12.5. Exemple dapplication

Le traitement par ondelettes peut tre utilis pour localiser en temps et en frquence des
changements de signe dune fonction (lent et rapide). La figure 12.10 montre lutilisation de londelette de Haar. Le signal analys est dfini par :
y ( t ) = sin ( 7, 5t ) 3 ( abs ( t 0, 7 ) )
12
Les coefficients de londelette sont reprsents en fonction du temps. Labscisse reprsente

le temps, lordonne reprsente lchelle et la couleur donne lintensit des coefficients. Les valeurs les plus leves sont de couleur claire.La troisime courbe montre lintensit de quelques
coefficients en fonction du temps.
Les changements de signe de la fonction sont clairement identifis.
P. NAYMAN
Master CMI
150

Figure 12.10 : Recherche des changements de signe dune fonction
12.6. La dcimation et le sous-chantillonnage

Considrons un signal analogique x ( t ) chantillonn la frquence e . On suppose que le
signal x ( t ) dont la plus grande des frquences est telle que ----e- . Le signal respecte les condi2
tions de Shannon. Soit x ( n ) le signal chantillonn. Si lon rduit la bande passante, le signal est
dans ce cas sur-chantillonn (par rapport la condition de Shannon). Il est dans ce cas intressant
de rduire le nombre dchantillons de x ( n ) en prlevant un chantillon sur K. Cette opration est
quivalente un sous-chantillonnage du signal x ( n ) . On dit galement que le signal x ( n ) a t
dcim dun facteur K.
De mme, chantillonner x ( t ) la frquence e puis r-chantillonner le rsultat la fr
quence ----e- est quivalent lchantillonnage de x ( t ) la frquence ----e- .

Il faut noter que le second chantillonnage introduit un repliement spectral pour les fr
2K
quences comprises entre ------e- et ----e- . Avant le processus de dcimation, il est ncessaire de placer
un filtre anti-repliement G D ( ) tel que :
1 si ------eGD ( ) =
2K
0 sinon
P. NAYMAN
Master CMI
151
Equ(12.34)

Soit h D ( n ) la rponse impulsionnelle correspondante.

x( n)
g(n)
hD ( n )
y(l)
Figure 12.11 : Dcimation par un facteur K

On peut crire le produit de convolution discret. :
+
g(n) =
hD ( k )x ( n k )
k=0
+
hD ( k )x ( lK k )
y ( l ) = g ( Kl ) =
Equ(12.35)
k=0
considrons la squence :
g ( n ) pour n = 0, K, 2K, 3K
w( n) =
0 sinon
w ( n ) peut tre obtenu simplement en multipliant g ( n ) par un peigne de Dirac p ( n ) .
+
p( n) =
( n kK )
Equ(12.36)
k=0
K tant la priode.
w( n) = g( n ) p( n )
Equ(12.37)
La figure 12.12 illustre le principe de dcimation (facteur 2). g ( n ) reprsente les chantillons dcimer, p ( n ) lhorloge correspondant aux chantillons dcims et w ( n ) le rsultat final.
g( n)
n
p( n)
w(n)
Figure 12.12 : Principe de la dcimation (K=2)

lquation 12.36 peut se dcomposer facilement en srie de Fourier :
1
p ( n ) = ---K
K1
2ikn K
Equ(12.38)
k=0
En effet, considrons le peigne de Dirac T ( t ) =
( t nT ) . Ce signal peut tre dvelopp

n
P. NAYMAN
Master CMI
152

en srie de Fourier : T ( t ) =
Cn e
n
2i --T
Les coefficients de Fourier C n sont donns par :

1
C n = --T
+T 2
T 2 T ( t )e
1
C n = ---
T
n
n
2 i --T
+T 2
dt
T 2 ( t nT )e
n
2 i --T
dt . Seul le premier terme (n=0) se trouve dans lintervalle
1
1
considr et par consquent C n = --- et finalement T ( t ) = --- e
T
T
n
2i --T
En combinant (12.35) et (12.37) :

y ( l ) = w ( Kl ) = g ( Kl ) p ( Kl ) puis avec (12.38) :
1
y ( l ) = g ( Kl ) ---K
K1
2ikl
Equ(12.39)
k=0
Prenons la transforme de Fourier des 2 membres de (12.39), en tenant compte que :

g ( ) = G D ( ) x ( )
Equ(12.40)
La multiplication par la somme dexponentielles translate les termes de (12.40) :
1
y ( ) = ---K
K1
k e
k e
- x -----------------
G D ---------------K K
Equ(12.41)
k=0
Le filtre G D ( ) anti-repliement, ne conserve que le premier terme de (12.41). A laide de

(12.34) :
1
1
y ( ) = ---- G D ---- x ---- = ---- x ----
K K K
K K
P. NAYMAN
Master CMI
153
Equ(12.42)

x ( )
Spectre de x ( t )
e 2
0
e 2
GD ( )
e 2K 0 e 2K
g ( )
0
y ( )
e 2
e 2
Filtre anti-repliement.
Spectre du signal aprs le filtre anti-repliement.
Spectre tir du signal dcim.
Figure 12.13 : Spectre des signaux lors du processus de dcimation

La figure 12.14 reprsente un signal1 composite (somme dun sinus et dun demi cosinus)
dcim respectivement dun facteur 2 et dun facteur 4. Les spectres correspondants sont affichs.
On remarquera ltirement des spectres des signaux dcims. On remarquera que lchelle des signaux dcims est respectivement multiplie par 2 et par 4.
Figure 12.14 : Exemple dun signal dcim par un facteur 2 et 4
1. fonction MatLab : x = sin(2*pi*0.02*n)+0.5*cos(2*pi*0.09*n);

P. NAYMAN
Master CMI
154

12.7. Les filtres miroirs en quadrature [46]

Les filtres miroirs en quadrature permettent de dcomposer un signal selon deux bandes de
frquences. Un tel dcoupage permet un traitement diffrent selon les bandes. Par exemple, en
traitement de la parole, il est intressant daugmenter la rsolution dans les basses frquences o
se trouve un maximum dnergie. De tels filtres sont galement utiliss dans le traitement du signal par ondelettes. Dans ce type de technique, il est ncessaire de pouvoir re-synthtiser le signal
initial partir de ses composantes.
Les filtres miroirs en quadrature utilisent un filtre passe-bas G b ( ) et un filtre passe-haut
e
G h ( ) (figure 12.15). Le terme quadrature vient du fait que les deux filtres se coupent en ----- --- .
4 2
La bande passante utilise, par chacun des filtres, est la moiti de la bande initiale. On peut
dans ce cas, utiliser un dcimateur pour rduire la quantit dinformation dun facteur 2.
Gh ( )
Gb ( )
e 4
2
e 2
Figure 12.15 : Spectre des filtres miroirs en quadrature

La figure 12.16 montre la dcomposition du signal x ( n ) par 2 filtres en quadrature. Les
filtres sont nots PB (passe-bas) et PH (passe-haut). Chaque filtre est suivi dun dcimateur (facteur 2). La seconde partie du schma (partie synthse) permet de reconstruire le signal (sur-chantillonnage dun facteur 2) puis filtrage.
PB
PB
Gb ( )
x(n)
x b ( m )x b ( m )
Hb ( )
PH
PH
Gh( )
x h ( m )x h ( m )
x ( n )
Hh( )
Analyse
Synthse
Figure 12.16 : Filtres miroirs en quadrature

Si lon connecte les signaux x b x b et x h x h on souhaite trouver x ( n ) = x ( n ) .
Daprs (12.41), le processus de dcimation engendre un repliement spectral :
e
e
x b ( ) = --- x --- G b --- + x -------------- G b --------------
2
2
2
2
2
Equ(12.43)
e
e
x h ( ) = --- x --- G h --- + x -------------- G h --------------
2
2
2
2
2
Equ(12.44)
Considrons, maintenant la partie synthse. Le spectre de la sortie est dans ce cas :

Equ(12.45)
x ( ) = x b ( 2 ) H b ( ) + x h ( 2 ) H h ( )
Connectons la partie analyse la partie synthse :
P. NAYMAN
Master CMI
155

x b ( m ) = x b ( m ) et x h ( m ) = x h ( m ) . Introduisons (12.43) et (12.44) dans (12.45) :

e
e
1
x ( ) = --- x ( )G b ( ) + x ----- G b ----- H b ( )
2
2
2
1
e
e
+ --- x ( )G h ( ) + x ----- G h ----- H h ( )
2
2
2
1
x ( ) = --- [ G b ( )H b ( ) + G h ( )H h ( ) ]x ( )
2
e
e
e
1
+ --- G b ----- H b ( ) + G h ----- H h ( ) x -----
2
2
2
2
Equ(12.46)
Lquation 12.46 montre que la sortie est compose de 2 termes. Le premier terme :
1
y ( ) = --- [ G b ( )H b ( ) + G h ( )H h ( ) ]x ( )
2
Equ(12.47)
correspond linformation souhaite. Le second terme, est gnr par le repliement spectral. Dterminons les conditions ncessaires pour annuler ce terme indsirable :
e
e
G b ----- H b ( ) + G h ----- H h ( ) = 0
2
2
Equ(12.48)
Posons : H b ( ) = G h ----e- et H h ( ) = G b ----e- conditions suffisantes pour satis2

2
faire (12.48).
Nous avons considr que G b ( ) est un filtre passe-bas et que G h ( ) est un filtre passe-haut
(filtre miroir). Posons dans ce cas :
Gb( ) = G( )
Equ(12.49)
e
G h ( ) = G -----
Equ(12.50)
Comme le montre la figure 12.15, les 2 filtres prsentent une symtrie par rapport la frquence e 4 (soit 2 ).
Dans le domaine temporel, les rponses impulsionnelles des filtres G sont respectivement :
gb ( n ) = g ( n )
Equ(12.51)
n
gh ( n ) = ( 1 ) g( n)
Equ(12.52)
De mme, on peut poser :

H b ( ) = 2G ( )
Equ(12.53)
e
H h ( ) = 2G -----
Equ(12.54)
Le facteur 2 est introduit pour normaliser la chane. Pour les filtres H, les rponses impulsionnelles correspondantes sont :
h b ( n ) = 2g ( n )
Equ(12.55)
n
hh ( n ) = 2( 1 ) g ( n )
Equ(12.56)
Si lon reprend (12.47) et en substituant les valeurs de gain, on trouve :

e
2
2
x ( ) = G ( ) G ----- x ( )
Equ(12.57)
Dans le cas idal, (12.57) devrait donner x ( ) = x ( ) , le gain global doit tre de 1 quelque
soit la frquence :
P. NAYMAN
Master CMI
156

e
2
2
G ( ) G ----- = 1
Equ(12.58)
Remarque :
Il est possible de reconstruire parfaitement le signal avec des filtres miroirs en quadrature.
Par contre, ces filtres nont pas, en gnral, une rponse impulsionnelle finie. Vetterli laborer
une thorie qui donne les conditions ncessaires pour obtenir une reconstruction parfaite avec des
filtres possdant une rponse impulsionnelle finie. Ces filtres sont nomms filtres miroirs conjugus. Les quations suivantes donnent les conditions de Vetterli.
Comme on a affaire des filtres rels et symtriques par rapport = 0 :
*
Equ(12.59)
Equ(12.60)
Gb ( ) = Gb ( ) = G b ( )
Gh ( ) = Gh ( ) = Gh ( )
12.7.1. Synthse des filtres reconstruction parfaite

Compte-tenu de (12.59) et (12.60), lquation 12.48 (condition pour annuler le repliement
spectral) devient :
e
e
*
*
G b + ----- H b ( ) + G h + ----- H h ( ) = 0
2
2
et (12.47) (la condition pour que x ( ) = x ( ) ) :
*
G b ( )H b ( ) + G h ( )H h ( ) = 2
Equ(12.61)
Equ(12.62)
Ces deux dernires quations sont connues comme sous le nom de thorme de Vetterli et
sont la base de la synthse des ondelettes biorthogonales support compact.
12.7.2. Synthse des filtres miroirs conjugus

Considrons un filtre phase linaire de longueur N comme dfini par (11.39) :
G ( ) = G r ( )e
(N 1)
2i ----------------2
Equ(12.63)
Le gain est constant dans la bande et la phase varie linairement avec la frquence (Voir
Filtre sans distorsion phase linaire, page 39.).
Explicitons (12.57) en tenant compte que les filtres sont phase linaire :
Elevons au carr (12.63) :
2
G ( ) = G r ( )e
2i ( N 1 )
et
- (N 1)
e
e 2i --- e 2i ( N 1 )
2
N 1 2
2
G ----- = G r ----- e
= ( 1 )
G r ----- e
2
2
2
2
On peut maintenant r-crire (12.57) :

e 2i ( N 1 )
2
N 1 2
x ( ) = x ( ) G r ( ) ( 1 )
G r ----- e
Dans cette expression, le module du gain est :

2
A ( ) = Gr ( ) ( 1 )
N1
e
2
G r -----
2
2
A ( ) = G ( ) ( 1 )
N1
e
G -----
2
Equ(12.64)
( N 1 ) correspond au dlai du filtre.
P. NAYMAN
Master CMI
157

Si N est impair, A ----e- = 0 car G r ----e- = G r ----e- . Cest une des proprits indsirables
4
4
4
des filtres miroirs en quadrature.
Si N est pair, la condition :
e
2
G ( ) + G -----
A() =
= 1
Equ(12.65)
devra tre satisfaite quelque soit (de faon que x ( ) = x ( ) ). Le seul filtre qui satisfait
(12.65) est donn par (12.66) :
G()
= cos ( 2a )
Equ(12.66)
Tous les autres filtres vont introduire, plus ou moins, des distorsions damplitude.
Lquation 12.65 peut galement tre dfinie en utilisant la transforme en z. En utilisant
(11.18), G ----e- G ( z ) :
2
*
A ( ) = [ G ( z )G ( z ) + G ( z )G ( z ) ] = 1
Equ(12.67)
Lquation 12.65 est la base de la synthse des ondelettes orthogonales par des filtres miroirs conjugus. Cette synthse est plus contraignante que celle avec des filtres reconstruction
parfaite.
12.8. La multirsolution
La transformation continue en ondelettes permet dobtenir une bonne localisation tempsfrquence.
Toutefois,
linformation
engendre
par
la
transformation
+
x ( a, b ) =
- dt est infiniment redondante. Dans les applications, comme le trai x ( t ) ------a- --------a
1
tb
tement des images, la quantit dinformation traiter peut tre importante, il est ncessaire doptimiser les calculs et la taille des donnes. La multirsolution apporte une solution ce type de
problme. Celle-ci est base sur une transformation discrte qui diffre de la prcdente dun facteur 2 (transformation dyadique). Pour limiter la quantit dinformation gnre, londelette encode uniquement la diffrence dinformation entre deux rsolutions successives. Cette technique,
se prte bien une dcomposition/composition par banc de filtres.
La figure 12.17 montre comment on peut dcomposer, dune manire itrative, un signal
par un banc de filtres. A chaque niveau, le spectre du signal est partag en deux bandes par un filtre
passe-bas et un par filtre passe-haut. Le filtre passe-bas donne les informations grossires tandis
que le filtre passe-haut encode les dtails. Le processus est rpt jusqu obtenir la rsolution souhaite. Lavantage de cette mthode est de nutiliser que deux filtres. Quand le processus est arrt, le signal peut tre dfini par le jeu de coefficients correspondant : { [ PB3 ] [ PH3 ] [ PH2 ] [ PH1 ] } .
P. NAYMAN
Master CMI
158

PB1
B/2
PH1
PB2
PH2
B/4
PB3
PH3
B/8
Figure 12.17 : Dcomposition du signal par un banc de filtres

Cette technique utilise une ondelette mre et une fonction dchelle (fonction pre). La
fonction pre dfinit la meilleure rsolution ncessaire lanalyse du signal. Cette mthode est
rcursive et bien adapte pour les calculs. Les ondelettes gnres forment une famille orthonormale.
Prenons un exemple (figure 12.18), qui reflte le principe de dcomposition prsent figure
12.17. On suppose que le filtrage :
9 + 11
passe-bas (H) est un oprateur de moyennage entre 2 coefficients 10 = --------------- ,
2
passe-haut (G) est un oprateur qui encode la demi-diffrence entre 2 coefficients

9-
1 = 11
-------------.
Loprateur H donne une reprsentation approximative alors que G donne une reprsentation plus prcise (dtail). La premire ligne reprsente le vecteur signal initial compos de 4
chantillons. A ce niveau, la quantit dinformation est la plus importante, il ny a pas encore de
notion de filtrage. A la deuxime ligne, on trouve 2 ensembles de coefficients. Le premier
ensemble : { H } , donne une approximation du signal par 2 coefficients. Le second { G } , encode
les dtails. A la ligne suivante, le nombre de coefficients est encore divis par 2.
A la fin du processus, le signal est dcompos de la faon suivante : S = H 0, G 0, G 0, G 1 .
11
Ligne 0
H1 = 6
0
G1 = 1
Indice
Vecteur initial
H 0 = 10
0
G0 = 1
ligne
H indice
ligne
G indice
Ligne 1
H0 = 8
1
G0
= 2
1 1 0 0
S = H 0 , G 0, G 0 , G 1
Figure 12.18 : Exemple de dcomposition

Le processus de reconstruction est montr figure 12.19.
P. NAYMAN
Master CMI
159

11
0
G
1
0 = 6
H
1
= 1
0
G
0
Indice
Vecteur final
ligne
0 = 10
H
0
= 1
H indice
ligne
G indice
1 = 8
H
0
1 = 2
G
0
Figure 12.19 : Exemple de reconstruction

Il est possible de reconstruire le signal partir des lments de la dcomposition. Dans cet
exemple, les oprateurs de reconstruction sont nots H et G . Dans un cas, il est ncessaire de faire
la somme (traits pleins) et dans lautre cas la diffrence des coefficients (traits pointills).
Par la suite, nous allons montrer que la dcomposition approximative est effectue par une
fonction dchelle ( t ) alors que les dtails sont cods par une ondelette associe ( t ) . Les bancs
de filtres qui dcomposent et reconstruisent le signal doivent possder les caractristiques des
filtres miroirs conjugus.
12.8.1. Construire une multirsolution

2
On considre un ensemble { V i } i Z de sous-espaces ferms de L ( R ) . Cet ensemble permet de construire une multirsolution si un certain nombre de conditions sont vrifies.
1- i Z
V i + 1 V i , Lensemble engendr une rsolution i contient celui la rsolution plus grossire i + 1 .
2
2- lim V i = L ( R ) . Il est possible rsolution infinie de reproduire parfaitement les sii
gnaux.
3- lim V i = V i = { 0 } . Plus on dilate la fonction dchelle et plus limage devient grosi
sire. Au maximum de dilatation, il ny a plus dinformation dans limage.

4- ( i, j ) Z
x ( t ) V i x ( t 2 j ) V i . A une chelle donne i, toutes les translates
font partie dune mme sous-espace.

5- i Z
t
x ( t ) V i x --- V i + 1
2
La thorie de la multirsolution montre quil existe une famille dondelettes qui encode la
diffrence dinformation entre 2 images conscutives dun signal. Le sous-espace W i associ
londelette est orthogonal au sous-espace V i : ( W i V i ) . Dans ce cas :
Vi 1 = Vi Wi
Equ(12.68)
12.8.2. Lquation dchelle

La fonction dchelle dfinit la meilleure rsolution ncessaire lanalyse du signal. Cette
fonction est une combinaison de ses translates la rsolution deux fois plus fine. Toutes les rsolutions sont embotes les unes dans les autres. Il est donc possible de trouver une fonction h
telle que :
P. NAYMAN
Master CMI
160

1
t
------- --- =
2
2
h [ n ] ( t n )
Equ(12.69)
n =
t
1
avec ------- --- V 1 V 0 ( t n ) est une base orthonormale de V 0 .
2 2
h [ n ] peut tre interprte comme une fonction de filtrage (rponse impulsionnelle).
On considre que h [ n ] est un filtre causal, sa transforme de Fourier est donne par
(12.70).
N1
h [ n ]e
h ( ) =
2ik
Equ(12.70)
k=0
Prenons la transforme de Fourier des 2 membres de (12.69), en tenant compte que le second membre reprsente un produit de convolution. A laide de (4.19) et de (4.26), on obtient :
2
------- ( 2 ) = h ( ) ( )
2
1
( 2 ) = ------- h ( ) ( )
2
Equ(12.71)
p+1
p
p
1
( 2
) = ------- h ( 2 ) ( 2 )
2
Equ(12.72)
Posons 2 :
Par substitution, on obtient facilement :

P p
p
h(2 )
( ) = ------------------- ( 2 )
2
p = 1
Pour ( ) continue en 0 alors
Equ(12.73)
p
lim ( 2 ) = ( 0 ) et (12.73) devient :
P +
P p
h ( 2 )
( ) =
------------------- ( 0 )
2
p = 1
Equ(12.74)
12.8.3. Conditions de quadrature sur la fonction dchelle

La fonction dchelle peut tre engendre par un filtre h miroir conjugu. Les conditions
ncessaires sont dfinies par le thorme de Mallat et Meyer.
2
Soit L ( R ) une fonction dchelle intgrable. La srie de Fourier de

1
t
h [ n ] = ------- --- , ( t n ) vrifie :
2 2
R,
2
1
h ( ) + h + ---
= 2
Equ(12.75)
et
h ( 0 ) =
Equ(12.76)
2
Rciproquement, si h ( ) est de priode 1 et continment diffrentiable dans le voisinage

de = 0 et vrifie (12.75) et (12.76) et si
P. NAYMAN
Master CMI
161

h ( ) > 0
inf
1 1
---, + --4 4
alors :
( ) =
p
h ( 2 )
------------------ 2
p=1
Equ(12.77)
Lquation 12.76 est une normalisation.

Dmonstration de (12.75) :
Par dfinition, lensemble { ( t n ) } avec n Z est orthonormal. Ce qui signifie que le
produit scalaire est telque : ( i, n ) = ( n ) .
+
( t ) ( t n )dt = ( n ) . puis en utilisant (4.26) :

*
12
( t ) ( t n ) dt =
1 2
2in

n =
( )
2 2in
2
( + n ) d = ( n )
Cette quation implique la condition dorthogonalit suivante :

+
2
( + n ) = 1
Equ(12.78)
n =
Si lon dcompose (12.78) selon les frquences paires et impaires en remplaant par 2 ,
on obtient :
+
2
( 2 + 2n ) +
2
( 2 + 2n + 1 ) = 1
n =
n =
Puis introduisont (12.71) dans cette quation :

+
+
2
h ( )
2
2
( + n ) + h ( + 1 2 )
2
( + n ) = 2
n =
n =
En tenant compte de (12.78), on trouve le rsultat recherch :

2
2
h ( ) + h ( + 1 2 ) = 2
12.8.4. Londelette associe

Lquation 12.68 montre quil existe une famille dondelettes qui encode la diffrence dinformation entre 2 images conscutives dun signal.
Connaissant la fonction dchelle ( ) et le filtre conjugu h ( ) correspondant, il existe
une ondelette telle que :
1
( ) = ------ g --- --
2 2 2
Equ(12.79)
Comme --- W 1 V 0 , il est toujours possible de trouver une combinaison de la fonction

t
2
P. NAYMAN
Master CMI
162

dchelle :
1
t
------- --- =
2 2
g [ n ] ( t n )
Equ(12.80)
n =
La transforme de Fourier de (12.80) donne immdiatement (12.79), en remarquant que le

second membre correspond un produit de convolution.
avec :
2i *
1
g ( ) = e
h + ---
Equ(12.81)
Afin dallger les notations, lquation (12.81) utilise une normalisation en frquence. Pour
tre plus concis, il faudrait crire :
g ( ) = e
e
h + -----
2i 0 *
Equ(12.82)
*
Le terme exponentiel exprime que le filtre miroir conjugu g ( ) = h + ----e- est un filtre
2
rel qui introduit un retard 0 .
g et h sont 2 filtres miroirs conjugus.
Dans lespace temporel :
j
1 t 2 n
j, n ( t ) = -------- ---------------
j
j
2 2
Equ(12.83)
En prenant la transforme de Fourier de (12.81) on trouve :

g[ n ] = ( 1 )
n1
h[ 1 n]
Equ(12.84)
En effet, le dcalage en frquence de 1/2 dans (12.81) se traduit par la multiplication de la

rponse impulsionnelle par e
in
= ( 1 ) .
12.8.5. Ondelettes et filtres reconstruction parfaits

Les filtres miroirs en quadrature (Voir Les filtres miroirs en quadrature [46], page 154.)
permettent sous certaines conditions de reconstruire parfaitement le signal, en supprimant tous les
termes lis au repliement spectral.
h
ai + 1
ai + 2
di + 1
di + 2
ai
Figure 12.20 : Filtres miroirs pour gnrer fonction dchelle et ondelette

Les sorties peuvent sexprimer comme des produits de convolution :
a 1 [ n ] = a 0 *h [ 2n ]
Equ(12.85)
d 1 [ n ] = a 0 *g [ 2n ]
Equ(12.86)
avec h [ n ] = h [ n ] et g [ n ] = g [ n ]
P. NAYMAN
Master CMI
163

1
t
Les coefficients de h sont donnes par lquation dchelle ------- --- =
2
2
1
t
les coefficients de g sont donnes par londelette associe ------- --- =
2
2
h [ n ] ( t n ) et
n =
g [ n ] ( t n ) .
n =
En fait, il est plus facile de choisir une ondelette en fonction de lapplication. Les coefficients de g sont directement donns par la fonction dchelle associe londelette. Les coefficients de base peuvent tre calculs (Voir Exemple : Construction des ondelettes support
compact partir des quations de base, page 171.), ou encore extraits dune table de coefficients
pr-tabuls.
Connaissant h, il est trs facile de dterminer g en utilisant (12.84). Par exemple, londelette
6
D 6 coefficients (Daubechies) est telle que les coefficients de la fonction dchelle sont :
h = [ 0.2352 0.5706 0.3252 -0.0955 -0.0604 0.0249 ] = [ h 0, h 1, h n ]
Daprs (12.84), on obtient h en retournant g et en inversant le signe des coeff icients

impairs :
g = [ 0.0249 0.0604 -0.0955 -0.3252 0.5706 -0.2352 ]
On obtient ensuite, les sorties de g et h par les produits de convolution (12.85) et (12.86).
Pour reconstruire le signal on utilise larbre dont le principe est donn par la figure 12.21.
ai + 2
a
+ i+1
di + 2
di + 1
ai
Figure 12.21 : Filtres miroirs en quadrature pour reconstruire le signal

Le sur-chantillonnage du signal se fait en insrant un 0 entre chaque chantillon.
Lquation 12.87 donne la sortie reconstruite en fonction de ltat prcdent. La fonction Z
fait rfrence linsertion de zros.
Equ(12.87)
a i [ n ] = Z ( a i + 1 )*h [ n ] + Z ( d i + 1 )*g [ n ]
12.8.6. Dtails et approximations

Lquation 12.18 donne la relation permettant la synthse dun signal partir des coefficients de londelette C ( a, b ) (formule dinversion). Dans le cas discret, on aboutit une relation
quivalente :
x(t) =
C ( j, k )j, k ( t )
Equ(12.88)
j Zk Z
A chaque niveau j de dcomposition, on obtient une approximation A j et le dtail D j . On

peut exprimer le signal x comme la somme de tous les dtails :
x =
Dj
Equ(12.89)
kZ
En comparant (12.88) et (12.89), on obtient immdiatement :

Dj ( t ) =
C ( j, k )j, k ( t )
Equ(12.90)
kZ
Cette relation dfinit le dtail au niveau j.

P. NAYMAN
Master CMI
164

Le dtail encode la diffrence entre deux niveaux conscutifs :

Equ(12.91)
DJ = AJ 1 AJ
De (12.91) on tire facilement (12.92), en tenant compte que lapproximation la plus grossire est A n = 0 .
Dj
AJ =
Equ(12.92)
j>J
Une approximation A J peut tre dcompose en une somme de dtails.

Lquation 12.89 peut tre r-crite de la manire suivante : x =
Dj + Dj puis laide
jJ
j>J
de (12.92) :
x =
Dj + AJ
Equ(12.93)
jJ
Cette relation spcifie que le signal x est la somme de son approximation A J et de tous les
dtails fins.
Lensemble de ces quations permettent danalyser et de synthtiser un signal.
12.8.7. Conditions ncessaires sur les ondelettes

La fonction dcrivant londelette doit tre trs compacte. Les coefficients de londelette
doivent tre, pour la plupart, proche de zro. Cette condition dpend de quelques paramtres
comme la rgularit de la fonction, le nombre de moments nuls et la taille de son support. La compacit du support impose que les filtres qui vont engendrer la fonction dchelle et londelette
soient rponse impulsionnelle finie. Cette condition impose dutiliser des filtres miroirs conjugus.
12.8.7.1 Les moments nuls

Une ondelette avec n moments nuls peut tre dcrite par ses n drives successives. Dans
ce cas, la transformation en ondelettes peut tre interprte comme un oprateur diffrentiel
dordre n.
Il existe une relation entre les moments dune fonction x et sa transforme de Fourier.
(n )
n
x ( 0 )
E [ x ] = ------------------n
( 2i )
Equ(12.94)
(Voir Moments et transforme de Fourier, page 61.)

n
E [ x ] reprsente le moment dordre n de la fonction x : E [ ] =
( t ) dt
Daprs (12.94), il est ncessaire que x soit drivable, lordre j, au point dabscisse 0.
Si la fonction est localement drivable lordre j, elle peut tre approche par un polynme
de Taylor dont les coefficients sont de petites valeurs.
+
t ( t ) dt = 0 pour 0 j < p
j
Equ(12.95)
Dans le cas des signaux discrets :

L
k gk
j
Equ(12.96)
= 0
k=0
L correspond la longueur du support, j est lordre du moment.

P. NAYMAN
Master CMI
165

(n)
Comme daprs (4.23) : ( ) = ( 2i ) ( )

Une ondelette admet n moments nuls si et seulement si les n premires drives de sa transforme de Fourier sont nulles en 0. Cette implication impose que les filtres g et h possdent n zros.
Combinons (12.79) et (12.81) :
1 i * 1
( ) = ------e
h --- + --- -- 2 2 2
2
Considrons les diffrentes drives de ( ) pour = 0 :
* 1
h --- ( 0 )
2
(k)
Equ(12.97)
= 0
*
A lordre 0, comme ( 0 ) = 1 , h ( 1 2 ) = 0 , par rcurrence on montre que le filtre h possde n zros en = 1 2 et daprs (12.81) : g possde galement n zros en = 0 . De mme le
filtre h a ses n premires drives nulles en = 1 2 .
En utilisant (4.24) :
[ h ( ) ]
(k)
[ h ( ) ]
(k)
= TF [ ( 2in ) h ( n ) ] et en explicitant la transforme de Fourier discrte :

=
[ ( 2in )
h( n ) e
2in
] = ( 2i )
[n
h(n) e
2in
(k)
in
n
comme [ h ( ) ] = 0 en = 1 2 et comme e
= ( 1 ) :
( 1 )
n h(n) = 0
Equ(12.98)
Remarque : Une ondelette a n moments nuls si et seulement si sa fonction d'chelle restitue

les polynmes de degr infrieur ou gal n. Londelette doit donc tre orthogonale tous les polynmes de degr infrieur ou gal n.
Si h possde n zros en = 1 2 , alors :
z
= e
= e
2 i
= e
= 1 et il est possible de factoriser, dans le polynme h, la
1 n
quantit : ( 1 + z ) .
On peut alors crire h sous la forme :
h ( ) =
2i n
2i
1+e
2 ------------------------ Q n ( e
)
Equ(12.99)
o Q est un polynme trigonomtrique que lon peut encore crire sous la forme :
2i n
2i
h ( )
1+e
m 0 ( ) = ----------- = ------------------------ Q n ( e
)
2
2
Equ(12.100)
2
2
2
h ( )
Reprenons la condition de quadrature h ( ) + h ( + 1 2 ) = 2 et posons P ( ) = ----------------
pour allger les notations. On peut alors crire la nouvelle quation de quadrature :
1
P ( ) + P + --- = 1
Equ(12.101)
et cherchons lexprimer en fonction de polynmes trigonomtriques en utilisant lquation (12.100).

Considrons, dans un premier temps, le module de Q n en tenant compte que ce dernier est
un polynme coefficents rels :
Qn ( e
2i
) Qn ( e
P. NAYMAN
Master CMI
2i
) = Qn ( e
2i 2
166

posons p ( sin ) = Q n ( e
alors p ( 1 y ) = Q n ( e
2i 2
et y = sin y [ 0, 1 ] et y R
2i ( + 1 2 ) 2
avec 1 y = cos
Lquation (12.100) peut tre rcrite de la manire suivante :

m0 ( ) = e
ni
m0 ( )
( cos )Q n ( e
2n
= ( cos ) Q n ( e
m0 ( + 1 2 ) = e
m0( + 1 2 )
2i
ni ( + 1 2 )
) et
2i 2
= (1 y) p(y)
( cos ( + 1 2 ) )Q n ( e
2n
2i ( + 1 2 )
Equ(12.102)
)
= ( cos ( + 1 2 ) )p ( 1 y ) = ( y ) p ( 1 y ) et finalement lquation de
quadrature (12.101) peut se mettre sous la forme :

n
y p(1 y ) + ( 1 y ) p( y ) = 1
Equ(12.103)
La rsolution de (12.103) permet, pour une valeur n donne, de trouver les racines du polynme p(y). Connaissant les racines de p ( y ) = Q n ( e
Qn ( e
2i
2i 2
) , il est possible den dduire celles de
) et finalement celles de h ( ) .
12.8.7.2 Orthogonalit et fonction dchelle

La fonction dchelle appartient une base orthonormale. Dans ce cas, il est intressant de
dfinir le produit scalaire :
+
( t ) ( t n ) dt = ( n )
Equ(12.104)
avec ( 0 ) = 1 et ( k ) = 0 pour k 0
A laide de (12.69) on obtient immdiatement :
+
(t) =
h [ k ] ( 2t k )
Equ(12.105)
k =
+
(t n ) =
h [ m ] ( 2 ( t n ) m )
Equ(12.106)
m =
Introduisons (12.106) et (12.105) dans (12.104) :

+ +
dt = ( n )
h
[
k
]
(
2t
k
)
h
[
m
]
(
2
(
t
n
)
m
)

k =
m =
h[ k ]
k =
h [ m ]
m =
+
( 2t k ) ( 2t 2n m )dt
= ( n )
posons = 2t k
+
k =
h[k]
h [ m ]
m =
+
( ) ( + k 2n m ) d
= ( n )
On remarquera que lintgrale de lquation prcdente explicite un produit scalaire :

+
( ) ( + k 2n m )dt = ( k + 2n + m )
P. NAYMAN
Master CMI
167

h[k]
k =
( h [ m ] ( 2n + m k ) ) = ( n )
Equ(12.107)
m =
Comme ( 2n + m k ) = 0 sauf pour m = k 2n , (12.107) devient :

+
h [ k ]h [ k 2n ] = ( n )
Equ(12.108)
k =
Lquation 12.108 reprsente la condition dorthogonalit sur les coefficients h [ k ] .
12.8.7.3 Normalisation de la fonction dchelle

Il est intressant de pouvoir imposer une condition supplmentaire sur la fonction dchelle.
Nous avons vu, que la valeur moyenne de londelette est nulle. Ce qui est raisonnable pour un filtre
passe-haut. Pour la fonction dchelle, obtenue par filtrage passe-bas, la normalisation suivante
peut tre utilise :
+
( t )dt = 1
Equ(12.109)
Cette normalisation dcoule galement de la condition dorthogonalit (12.104) :

+
( t ) ( t n) dt = ( n )
Sommons les deux membres de cette quation :
( t ) ( t n )dt
( t ) n ( t n )dt
posons
( t n)
n
( ( n ) )
n
= 1
+
( ) d avec t n =
(t)
( ) d dt = 1
( t ) dt
( )d = 1
( u ) du
= 1 et finalement :
( u )du = 1
12.8.8. Les ondelettes support compact de Daubechies [14]

12.8.8.1 Construction de la fonction dchelle partir de la
condition de quadrature
Reprenons lquation de quadrature (12.101) :
1
P ( ) + P + --- = 1
nous a amen tablir, dune part, lquation (12.103).
Dautre part, la rsolution de cette quation est galement un moyen de dterminer les coefficients de la fonction dchelle. En effet, trouver les fonctions h revient trouver les polynmes
P. NAYMAN
Master CMI
168

p (polynmes gnrateurs de la fonction dchelle).

n
Pour rsoudre lquation y p ( 1 y ) + ( 1 y ) p ( y ) = 1 une mthode lgante consiste
faire appel au thorme de Bzout :

Si p 1 et p2 sont 2 polynmes respectivement de degr n1 et n2 avec aucun zro commun
alors il existe des polynmes uniques q 1 et q 2 de degr respectivement n1-1 et n2-1 tels que :
p 1 ( x )q 1 ( x ) + p 2 ( x )q 2 ( x ) = 1
Equ(12.110)
Considrons, maintenant, lquation suivante, drive de (12.103) :

n
( 1 y ) q 1 ( y ) + y q2 ( y ) = 1
Equ(12.111)
Opront le changement de variable y 1 y :

n
y q 1 ( 1 y ) + ( 1 y ) q2 ( 1 y ) = 1
Equ(12.112)
Lunicit de q1 et de q 2 implique que q2 ( y ) = q 1 ( 1 y ) . Dans ce cas p ( y ) = q 1 ( y ) est solution de (12.103).

De (12.111), on peut sortir q 1 ( y ) :
n
q 1 ( y ) = ( 1 y ) ( 1 y q 2 ( y ) ) = ( 1 y ) ( 1 y q1 ( 1 y ) )
Exprimons q 1 en considrant les premiers termes de la srie de Taylor de ( 1 y )
de faon
que le degr de q 1 < n 1 .

n1
q1 =
Cn 1 + k y
k
+ (y )
Equ(12.113)
k=0
Le plus petit polynme tant :

n1
Bn =
Cn 1 + k y
k
Equ(12.114)
k=0
n1
Considrons B n =
Cn 1 + k y
k
la solution particulire du plus petit polynme et recon-
k=0
sidrons (12.103) :
n
y Bn ( 1 y ) + ( 1 y ) Bn ( y ) = 1
Equ(12.115)
Soustrayons (12.103) et (12.115) :

n
y ( p ( 1 y ) Bn ( 1 y ) ) + ( 1 y ) ( p ( y ) Bn ( y ) ) = 0
n
Il est ncessaire que p ( y ) B n ( y ) soit divisible par y et que p ( 1 y ) B n ( 1 y ) soit divin
sible par ( 1 y ) . donc :

n
p ( y ) B n ( y ) = y p ( y )
Equ(12.116)
n
et p ( 1 y ) B n ( 1 y ) = ( 1 y ) p ( 1 y ) ce qui implique que : p ( y ) + p ( 1 y ) = 0 et par
consquent p est un polynme anti-symtrique par rapport 1/2.

Les solutions gnrales de p sont dduites de (12.116) :
n
1
p ( y ) = B n ( y ) + y D --- y
2
Equ(12.117)
D est un polynme impair choisi tel que P ( y ) 0 pour y [ 0, 1 ] . Les ondelettes support
compact de Daubechies sont engendres par lquation (12.115).
P. NAYMAN
Master CMI
169

12.8.8.2 Le polynme P
Lquation (12.115) permet daffirmer que le polynme :
n
P ( y) = ( 1 y ) Bn ( y )
Equ(12.118)
vrifie bien les conditions de quadrature imposes par lquation (12.101).

Cherchons expliciter le polynme P(y) puis P(z).
Reprenons lquation (12.102) :
2n
2i 2
m0( )
= ( cos ) Q n ( e
m0( )
2i 2
n
1 + cos2
= --------------------------- Q n ( e
) = (1 y) P(y)
= (1 y) p(y)
que lon peut rcrire :
et
On remarquera que :
2
1 cos 2
y = sin = ---------------------------2
1 + cos 2
1 y = ---------------------------2
On peut alors rcrire (12.118) :

1 + cos 2 n
P ( y ) = ---------------------------- B n ( y ) puis en utilisant (12.114) :
2
1 + cos 2 n
P ( y ) = ----------------------------
n1
k
1 cos 2 k
C n 1 + k ----------------------------
Equ(12.119)
k=0
Pour exprimer P(z) il est ncessaire doprer un nouveau changement de variable, en notant
que :
2i
2 i
2i
2 i
1+z
1+e
1+z
1 + cos 2
1+e
---------------------------- = ---------------------- ------------------------ = ----------- ---------------- et
2 2
2
2
2
1
1e
1z
1 cos 2
1e
1z
---------------------------- = --------------------- ------------------------ = ----------- ----------------
2 2
2
2
2
puis en substituant dans (12.119) :

1 n
1+z n 1+z
P ( z ) = ----------- ----------------
2 2
n1
1 k
k
1z
1z
C n 1 + k ----------- ----------------
2 2
Equ(12.120)
k=0
n
P(z) peut donc sexprimer sous la forme dun polynme de Laurent : P ( z ) =
ak z
k = n
12.8.8.3 Les racines de P(z)

La factorisation de P donnera les racines cherches.
On remarquera que P(z) possde (4n-2) racines.
n
1 n
1+z
1+z
2n racines, en z=-1, proviennent du produit ----------- ---------------- et (2n-2) racines viennent
2
2
du terme binomial.
P(z) et P(y) sont relis par le changement de variables :
1
z+z
---------------- = 1 2y = c j
2
P. NAYMAN
Master CMI
170
Equ(12.121)
Lquation(12.121) se met facilement sous la forme :

2
z z ( 2 4y j ) + 1 = 0 y j tant une racine de y.
On exprime facilement z comme tant:

2
z = 1 2y j ( 1 2y j ) 1 = c j c j 1
Ce rsultat montre que pour chaque valeur y j on associe 2 valeurs de z. Pour c j 1 on

a deux zros rels. Dans le cas contraire, les deux zros sont complexes.
Comme P a des coefficients rels, ses racines complexes apparaissent en paires conjugues. Ceci assure de pouvoir prendre la racine carre de P.
1
Les coefficients de P sont symtriques. En effet, P ( z ) = P ( z ) donc si z i est une

1
racine, alors z i est aussi une racine.

Les racines de Q n ( e
1
{z, z , z , z
2i 2
peuvent donc tre regroupes en quadruplets complexes
1 *
} et de doublets rels { r, r } .
Qn ( z )
(z zi)(z
1
zi )( z
zi ) ( z
1
zi )
i=1
( z rj ) ( z rj
j=1
et
K
m0 ( z ) = c ( z zi ) ( z
1
zi )
i=1
( z rj )
j=1
12.8.8.4 Exemple : Construction des ondelettes support compact de Daubechies

Par exemple, cherchons les coefficients dans le cas o n=2.
Reprenons (12.120) dans le cas o n=2 :
1 2
1+z
1+z
P ( z ) = ----------- ----------------
2 2
-
C1 + k ---------2
1z
1 k
1z
----------------
2
k=0
Cherchons les racines de P(z). Lutilisation dun logiciel de rsolution tel que Maple facilite le calcul. On trouve facilement que les racines de P(z) sont { 1, 1, 1, 1, 2 3, 2 + 3 }
2
1 2
1+z
1+z
Les quatre premires racines sont celles de ----------- ---------------- et les deux dernires racines sont
2
2
celles de B 2 ( z ) .
Les racines de m 0 ( z ) sont un sous-ensemble de celle de P(z). Il faut donc choisir deux racines parmi celles du premier terme et une racine parmi les deux du deuxime terme.
Le choix des racines les plus petites { 1, 1, 2 3 } conduit avoir la phase minimale pour
m 0 ( z ) qui peut scrire de la faon suivante :
1 2
m 0 ( z ) = A ( 1 + z ) ( 1 ( 2 3 )z ) o A est une constante.
et comme h ( z ) =
2 m 0 ( z ) alors :
1 2
h ( z ) = B ( 1 + z ) ( 1 ( 2 3 )z ) o B est une constante que lon dterminera en uti-
lisant une condition de normalisation.

En dveloppant h(z) on obtient facilement :
P. NAYMAN
Master CMI
171

h(z) = B[1 + 3 z
+ ( 3 + 2 3 )z
+ ( 2 + 3 )z ] .
Normalisons cette quation de faon que la somme des coefficients soit gale 2 .
B(1 + 3 3 + 2 3 2 + 3) =
2
1
B = ------------------------ = ---------- ( 1 + 3 ) et finalement :
4( 3 1 )
4 2
1
2
3
1
h ( z ) = ---------- [ ( 1 + 3 ) + ( 3 + 3 )z + ( 3 3 )z + ( 1 3 )z ]
4 2
12.8.9. Exemple : Construction des ondelettes support compact

partir des quations de base
On dsire construire une fonction dchelle dont la rponse impulsionnelle hk 4 coefficients ( h 0, h1, h 2, h 3 ) . On suppose le support compact.
1- Les conditions dorthogonalit de la fonction dchelle, donnes par (12.108),
impliquent :
hk hk 2 n
= n avec
0m = 1 si n = 0
0 sinon
seul n = 1 gnre des indices k < 4 .

Seuls k = 2, 3 sont considrs :
Equ(12.122)
h0 h2 + h1 h3 = 0
On remarquera que chaque indice k gnre 2 coefficients h k et h k 2n . Si lon considre que

lintervalle de variation de k est M (ici 2) alors la longueur du support est 2M (soit 4).
2- Imposons que les 2 premiers moments de londelette soient nuls :
En utilisant (12.98) :
l
( 1 )
k n
k h k = 0 pour n = 0 ( M 1 ) = 0, 1
k=0
h0 h1 + h2 h3 = 0
Equ(12.123)
h 1 + 2h 2 3h 3 = 0
Equ(12.124)
3- Une condition de normalisation sur les coefficients de la fonction dchelle permet dobtenir une quatrime quation :
hk
2 alors :
h 0 + h 1 + h 2 + h3 =
Equ(12.125)
Les quations (12.122), (12.123), (12.124) et (12.125) forment un systme et un jeu de solutions est donn par :
(1 + 3)
3+ 3
(3 3 )
(1 3)
h 0 = --------------------- , h 1 = ---------------- , h 2 = --------------------- et h 3 = --------------------- .
4 2
4 2
4 2
4 2
4
Ces coefficients dfinissent la fonction dchelle, la plus simple, 4 coefficients ( D ) .

Cette fonction fait partie de la famille des ondelettes orthogonales, support fini, de Daubechies.
P. NAYMAN
Master CMI
172

M=2
0.107985
Ondelette
scl
wlt
j
Fonction dchelle
0.085043
0
3
1.279.10
Figure 12.22 : Fonction dchelle et ondelette de Daubechies

Il est trs pratique dutiliser des tables de coefficients. Par exemple le Tableau 12.2 donne
les coefficients de quelques filtres de Daubechies. Il faut tenir compte des conditions de normalisation utilises. Dans le Tableau 12.2,
h[ k ]
= 1 et la norme :
1
[ k ] = ------2
On remarquera que dans 12.8.9. les conditions de normalisation sont
hk
2 et
[k] = 1 .
P. NAYMAN
Master CMI
173

h[ n]
Ordre
h[ n]
0.5000
0.5000
12
0.3415
0.5915
0.1585
-0.0915
0.0789
0.3498
0.5311
0.2229
-0.1600
-0.0918
0.0689
0.0195
-0.0223
0.0004
0.0034
-0.0008
14
0.0550
0.2804
0.5156
0.3322
-0.1018
-0.1584
0.0504
0.0570
-0.0269
-0.0117
0.0089
0.0003
-0.0013
0.0003
16
0.0385
0.2212
0.4777
0.4139
-0.0112
-0.2008
0.0003
0.0910
-0.0123
-0.0312
0.0099
0.0062
-0.0034
-0.0003
0.0005
-0.0001
Ordre
D
D
0.2352
0.5706
0.3252
-0.0955
-0.0604
0.0249
0.1629
0.5055
0.4461
-0.0198
-0.1323
0.0218
0.0233
-0.0075
10
0.1132
0.4270
0.5122
0.0979
-0.1713
-0.0228
0.0549
-0.0044
-0.0089
0.0024
Tableau 12.2 : Coefficients de quelques fonctions dchelle (Daubechies)
12.8.10. Exemple
Considrons un signal sinusodal x ( n ) = sin ( 40n ) de frquence 20Hz. Dcomposons ce
4
signal avec une ondelette de Daubechies ( D ). La figure 12.23 montre quau premier niveau de
dcomposition le dtail est proche de zro. Dans ce cas, il nest pas intressant de pousser plus
loin la dcomposition.
P. NAYMAN
Master CMI
174

Original
1
0.5
0
-0.5
-1
0
1000
2000
3000
4000
-3
Approximation A1
2
Dtail D1
x 10
0
-5
-1
-2
0
1000
2000
3000
4000
-10
0
1000
2000
3000
4000
Figure 12.23 : Dcomposition dune sinusode
12.8.11. Exemple 3
Les ondelettes sont bien adaptes au dbruitage des signaux. Le principe est simple, on dcompose le signal bruit et lon force zro les coefficients qui ne passent pas un seuil. Puis lon
reconstruit le signal.
La figure 12.25 illustre ce principe. Le signal dorigine est une sinusode bruite. Le signal
est dcompos par ondelettes (Coiflet3) lordre 4. Les coefficients dordre 1, 3 et 4 sont forcs
zro. Puis le signal est reconstruit.
La figure 12.26 montre le mme signal mais les coefficients dordre 3 et 4 sont forcs zro. Les coefficients dordre 1 dont lindice est compris entre 400 et 600 sont galement forcs
zro. Le signal est ensuite reconstruit, dbruit dans la zone dintrt. La figure 12.24 montre
larbre de dcomposition lordre 4. Il faut noter que le dbruitage dune sinusode est relativement simple, on a vu dans lexemple 12.8.10. que les dtails dune sinusode sont nuls. Cest pourquoi, la technique dannuler brutalement les coefficients fonctionne bien.
Le mme type de technique est utilis en compression du signal (ou dimage). Par exemple,
le jeu de coefficients [ A4,D4,D3,D2,D1 ] permet de reconstruire lidentique le signal. Sur la figure
12.25, on peut remarquer que D2 vhicule trs peu dinformation. Il est intressant, dans ce cas,
de supprimer D2. ( [ A4,D4,D3,D1 ] ) permet de reconstruire le signal sans perte notable dinformation. En compression dimage, on peut rduire, dune faon apprciable, la taille des objets au prix
dune lgre perte de rsolution.
P. NAYMAN
Master CMI
175

Signal
D1
A1
A2
D2
A3
coefficients
D3
A4 D4 D3
A4
D2
D1
D4
Figure 12.24 : Arbre de dcomposition du signal au niveau 4
Signal d origine
dtails d origine
4 3
-2
-2
-4
0
500
1000
-4
0
dtails modifis
1
500
1000
Signal reconstruit
-1
0
-2
-1
-3
-4
0
500
1000
-2
0
500
1000
Figure 12.25 : Dbruitage dun signal par ondelette
P. NAYMAN
Master CMI
176

Signal d origine
dtails d origine
-2
-2
-4
0
500
1000
-4
0
dtails modifis
500
1000
Signal reconstruit
2
1
0
-2
-4
0
-1
500
1000
-2
0
500
1000
Figure 12.26 : Dbruitage partiel dun signal par ondelette
12.8.12. Exemple 4
Cet exemple est ralis sous MatLab et titre indicatif les fonctions utilises sont indiques
en renvoi.
On considre un signal dont la priode est assez grande
sin ( 22 t ) sin ( 35 t ) cos ( t )
t
y ( t ) = ------------------------ ------------------------ --------------- + t sin --- . y ( t ) est entach dun bruit blanc1 (figure 12.27)
3
3
5
t+1
que lon dsire filtrer.
Figure 12.27 : Signal dorigine et signal bruit

On se propose de dcomposer le signal bruit par une ondelette de type Daubechies (db10)
jusquau niveau 82. Les approximations3 et dtails4 jusquau niveau 8 sont montrs figure 12.28.
1. wn=randn(1,len)
2. [C,L]=wavedec(y,8,db10)
P. NAYMAN
Master CMI
177

Figure 12.28 : Approximations et dtails des 8 niveaux

Afin de filtrer le signal bruit, les dtails D1 D5 (les plus faibles) sont annuls1, puis le
signal est reconstruit2 en utilisant les caractristiques de londelette initiale db10 (figure 12.29).
Figure 12.29 : Signal filtr puis reconstruit
3.
4.
1.
2.
pour lapproximation au niveau i : ai=wrcoef(a,C,L,w,i)

pour le dtail au niveau i : di=wrcoef(d,C,L,w,i)
C1=wthcoef(d,C,L,[1,2,3,4,5])
waverec(C1,L,db10)
P. NAYMAN
Master CMI
178

13. LE BRUIT
Les signaux sont transmis ou traits par des voies qui les altrent. Tout ce qui modifie le
signal utile peut tre considr comme du bruit.
De nombreuses sources de bruit ont un caractre alatoire, cest pourquoi ces phnomnes
sont tudis par des mthodes statistiques. La figure 13.1 montre un bruit blanc gaussien et lhistogramme correspondant.
Figure 13.1 : Bruit blanc gaussien et son histogramme
13.1. Le bruit de quantification1

Quantifier une valeur analogique x n , cest remplacer cette valeur par y n qui fait partie dun
ensemble dnombrable de valeurs discrtes.
y n = kq o q est le pas de quantification.
q
2
q
2
Avec par exemple : kq --- x n kq + --Le pas de quantification q peut tre dfini par rapport la valeur Amax du signal et par rapport au nombre de bits N du codeur (figure 13.2) :
Amax
q = -------------N
2
Equ(13.1)
y (code quivalent)
2q
q
q/2 3q/2 5q/2
x (en entre)
Niveaux de dcision
Figure 13.2 : La quantification

Lerreur de quantification est dfinie par la quantit : n = y n x n
On suppose que lerreur n est uniformment rpartie.
1. Un chapitre complet est consacr la quantification.
P. NAYMAN
Master CMI
178
LE BRUIT
n est une variable alatoire de moyenne nulle E ( n ) = 0 obissant une loi de probabilit
uniforme1 :
1
--p ( u ) = q
n
0
q
q
si --- u < --2
2
sinon
La variance sexprime par la relation :

2
1
= --q
+q 2
q 2
2
q
u du = -----12
Equ(13.2)
Ceci correspond la puissance du bruit de quantification (On suppose le processus ergodique, la moyenne quadratique est quivalente une puissance).
13.2. Le rapport signal bruit du codeur

Par dfinition :
P
--S-
= 10 log -----S B dB
P
Equ(13.3)
Le rapport signal bruit sexprime en dcibels.
13.2.1. Cas dun signal sinusodal

Soit un signal sinusodal damplitude [ A ,+A ] .
2A
q = ------- N tant le nombre de bits du codeur.
N
2
2
q
4A
1
A
P B = ------ = --------- ------ = -----------------2N 12
2N
12
2
32
La puissance du signal sinusodal est :

2
A
P s = -----2
P
S
2N
3
donc : --- = -----s- = --- 2
B
PB
2N
3
--S-
= 10 log --- 2
B dB
2
--S-
= 6N + 1, 8
B dB
Equ(13.4)
13.2.2. Amlioration du rapport signal bruit

La puissance du bruit de quantification est uniformment distribue et ne dpend pas de la
frquence dchantillonnage du convertisseur analogique-numrique.
1. Voir Les signaux alatoires (rappels de notions de base en statistique), page 52.
P. NAYMAN
Master CMI
179
LE BRUIT
Pour respecter le thorme de Shannon (Voir Consquences de lchantillonnage,

page 47.), il est ncessaire dchantillonner le signal dentre avec e 2 max , max tant la plus
grande frquence contenue dans le signal. Un filtre passe-bas est ncessaire pour liminer toutes
les frquences suprieures max gnres par lchantillonnage.
Considrons que lon surchantillonne le signal dentre avec une frquence k e , telle
que : e = 2 max .
max
max
k max
k 2 max
Figure 13.3 : Puissance du bruit aprs filtrage

Si lon chantillonne la frquence k ( 2 max ) , avec k = 1 , on retrouve la limite donne
par Shannon. Si lon augmente k, la puissance du bruit est rpartie sur toute la bande. Dans ce cas,
le filtrage passe-bas, limite la puissance du bruit la zone hachure de la figure 13.3.
Si lon tient compte du facteur k, lquation 13.4 devient :
--S-
= 6N + 1, 8 + 10 log 10 ( k )
B dB
Equ(13.5)
Pour un rapport signal bruit donn, le surchantillonnage amliore le nombre de bits ef10
fectifs de la quantit : ------ log 10 ( k ) .
6
Amlioration (S/B) en dB
Amlioration du nombre de bits
0.5
1.5
16
12
32
15
2.5
64
18
Tableau 5 : Amlioration des performances par surchantillonnage
13.2.3. Cas dun signal gaussien

Dans le cas dun signal gaussien on peut appliquer la rgle des 3 : Les amplitudes dune
variable alatoire gaussienne dcart type qui scartent de plus de 3 de la valeur moyenne
sont de probabilit ngligeable .
P. NAYMAN
Master CMI
180
LE BRUIT
Il faut pouvoir coder compltement le signal, si 2A est la gamme dynamique totale :

2A = 6 .
A = 3 s
2
2
A
s = -----9
2
S
A
2A
1
--- = ------ --------------- avec : q = ------N
B
9 q 2 12
2
2N
S
2
--- = --------B
3
finalement :
--S-
= 6N 5, 6
B dB
Equ(13.6)
13.3. Formule de Hartley

Le codeur doit avoir une dynamique (voir la figure 13.4) :
D = 2A + 6
Le pas du codeur doit tre gal : 6
6
3
2A
Figure 13.4 : Dynamique du codeur avec des signaux gaussiens

Le nombre de pas ncessaire pour assurer le codage est :
dynamique du codeur
2A + 6
A
M = ---------------------------------------------------- = -------------------- = 1 + -----pas du codeur
6
3
Pb =
A
P s = -----9
A = 3 Ps
3 Ps
P
M = 1 + ------------- = 1 + -----sPb
3 Pb
Le nombre de bits est dfini par :
P. NAYMAN
Master CMI
181
LE BRUIT
n b = log 2 M = log 2 1 + -----s-

P b
Si le canal a une bande passante B, on peut transmettre 2B chantillons par seconde.

Le nombre de bits que lon peut transmettre sans erreur est donn, dune par la formule de
Hartley et dautre part, par la formule de Shannon (plus prcise).
Formule de Hartley :
Ps
C = Blog 2 ------
P b
( bits s )
Equ(13.7)
Formule de Shannon :
Ps
C = Blog 2 1 + ------
P b
( bits s )
Equ(13.8)
13.4. Le bruit thermique (ou bruit Johnson)

Le bruit thermique correspond lagitation thermique des lectrons libres dans les matriaux. Ce bruit est prsent dans tous les composants actifs ou passifs prsentant une rsistance R.
La densit spectrale du bruit thermique est dcrite par :
1
h
th ( ) = --- -------------------------------------2 e ( h ( kT ) ) 1
h est la constante de Plank : 6, 62 10
W Hz
34
Equ(13.9)
Js
23
k est la constante de Boltzmann : 1, 38 10

J K (Joule.degr )
Si lon considre les frquences < 1000GHz , la densit spectrale du bruit thermique est :
1
th ( ) = --- kT
2
Equ(13.10)
Dans ce cas le bruit thermique est un bruit blanc.

Par exemple, la puissance totale de ce bruit dans une bande de frquence B (figure 13.5)
est :
Equ(13.11)
P th = kTB
th ( )
kT
-----2
Figure 13.5 : Puissance du bruit thermique dans une bande B
13.5. Fluctuations de tension et de courant dans une rsistance

Dans toute bande de frquences B, une rsistance la temprature T est une source de ten-
P. NAYMAN
Master CMI
182
LE BRUIT
sion (figure 13.6). La puissance dissipe par cette rsistance sous une tension u0 est :
2
P th
u0
= --------R
( W ) ou
u
P th = ------4R
(W)
La valeur moyenne quadratique de cette tension est :

2
u = 4kTRB
(V )
Equ(13.12)
et :
u ( ) = 2kTR
R
u
u0
Figure 13.6 : Tension de bruit

De mme, la rsistance R peut tre assimile une source de courant (figure 13.7) dont la
valeur moyenne quadratique est :
4kTB
2
i = ------------R
(A )
Equ(13.13)
i0
Figure 13.7 : Courant de bruit

2kT
i ( ) = --------R
2
u =
u ( ) d = 2
u ( ) d = 4kT
0 R( ) d
avec : u ( ) = 2kTR ( )
Remarque : La distribution statistique du bruit thermique est gaussienne.
13.5.1. Exemple : le diple parallle (figure 13.8)
Figure 13.8 : Le diple parallle
P. NAYMAN
Master CMI
183
LE BRUIT
1
R
R ( 1 iRC2 )
Z ( ) = -------------------------------------- = ----------------------------- = -------------------------------------2
iC2 + ( 1 R )
1 + iRC2
1 + ( 2RC )
R( c )
R
Z ( ) = ----------------------------- i ----------------------------2
2
1 + ( c )
1 + ( c )
c = 1 ( 2RC ) est la frquence de coupure -3dB
Seule la partie relle doit tre considre :

+
u = 4kTR
1
kT
----------------------------- d = -----2
C
1 + ( c )
Cette valeur est indpendante de R. En effet c = f ( 1 R ) compense leffet multiplicatif par

R.
2kTR
u ( ) = 2kTR ( ) = ----------------------------2
1 + ( c )
La densit spectrale de puissance u ( ) est reprsente figure 13.9.

u ( )
2KTR
KTR
+ c
Figure 13.9 : Densit spectrale

Calculons la fonction dauto-corrlation correspondante :
R u ( ) u ( )
kT
R u ( ) = ------ e
C
( RC )
La fonction dauto-corrlation R u ( ) est reprsente figure 13.10.

Ru ( )
RC
RC
Figure 13.10 : Fonction de corrlation
13.6. Bande quivalente de bruit

Si lon compare la puissance de bruit du circuit RC celle de la rsistance R, on peut dfinir
une bande quivalente de bruit :
( kT ) C = 4kTRB eq
P. NAYMAN
Master CMI
184
LE BRUIT
B eq = ----------- = --- c
4RC
2
Equ(13.14)
Dune manire plus gnrale, la notion de bande quivalente de bruit permet de calculer
simplement la puissance du bruit filtr.
Considrons un systme linaire de gain G ( ) .
G()
i ( )
s ( )
Figure 13.11 : Densits spectrales dun systme linaire

La densit spectrale ainsi que la bande quivalente de bruit sont reprsentes sur la figure
13.12. Dans ce cas, laire sous la courbe (la puissance du bruit) est gale celle du rectangle de
base 2 B e .
s ( )
2
G ( 0 ) i ( )
B e c
++B
c e
Figure 13.12 : Densit spectrale et bande quivalente de bruit

En utilisant lquation 8.13 :
2
b =
s ( )d =
G ( 0 ) i ( ) 2B e
Equ(13.15)
avec i ( ) la densit spectrale de puissance en entre du systme linaire.

Si lon considre que la densit spectrale du bruit i ( ) est constante, et comme
2
s ( ) = G ( ) i ( ) :
1
B e = --------------------2
2 G(0)
2
1
G ( ) d = -----------------2
G(0)
G ( ) d
Equ(13.16)
13.6.1. Filtre passe-bas du premier ordre

Dans le cas dun systme passe-bas du premier ordre possdant une frquence de coupure
c , on peut utiliser (13.14) et (13.15), en considrant la densit spectrale du bruit en entre
N0
i ( ) = ------- et B e = --- c :
2
2
2
2 N0
2
b = G ( 0 ) ------- 2B e = G ( 0 ) N0 --- c
2
2
Equ(13.17)
Reprenons lexemple de lintgrateur du premier ordre (Voir Exemple : lintgrateur,

1
page 42.). En posant : c = --------------- . c tant la frquence de coupure, lquation 5.8 peut tre r2RC
P. NAYMAN
Master CMI
185
LE BRUIT
crite sous la forme :

G()
1
= -----------------------2
2
1 + c
Equ(13.18)
Dans ce cas lquation 13.17 devient :

2
2 N0
2
1
b = G ( 0 ) N0 --- --------------- = G ( 0 ) ----------4RC
2 2RC
13.6.2. Circuit du deuxime ordre

Considrons un circuit RLC du deuxime ordre, montage parallle (figure 13.13).
Calculons ladmitance Y ( ) puis limpdance Z ( ) .
1
1
Y ( ) = --- + --------- + iC
R iL
1
R
Z ( ) = ------------------------------------- = ------------------------------------------------1
1
1
--- + --------- + iC
1 + R --------- + iRC
R iL
iL
en posant 0 = 1 ( LC ) et Q = R ( L 0 ) = RC 0
R
R
Z ( ) = ----------------------------------------- = --------------------------------------
Q 0
Q 0
1 + ---- ----- + iQ ----1 + ---- ------ + iQ -----0
0
i
i
1
Z ( ) = -------------------------------------- 0
1 + iQ ----- -----
0
Equ(13.19)
1
( Z ( ) ) = -----------------------------------------0 2
2
1 + Q ----- -----
0
Equ(13.20)
En utilisant lquation 13.16, on trouve :

0
B e = --------2Q
Equ(13.21)
R
L
C
Figure 13.13 : Circuit RLC
13.6.3. Filtre de Butterworth

La fonction de transfert dun filtre de Butterworth est donne par la relation :
G()
1
= ------------------------ 2n
1 + -----
c
Equ(13.22)
La bande quivalente de bruit est donne par la relation

+
Be =
1
-------------------------------- d .
2n
1 + ( c )
P. NAYMAN
Master CMI
186
LE BRUIT
Il est possible dvaluer simplement cette intgrale en utilisant la thorie des fonctions eulrienne1.
Cette intgrale est de la forme :

+
I =
1
I = --n
n
1
------------------- dx , en posant : x =
n
1 + (x)
1
--- 1
+ n
-----------d
1+
+ p 1
comme : ( p ) ( 1 p ) =

-----------d = -------------sin p
1+
On trouve facilement :
c
B e = --------------------
2n sin -----2n
Equ(13.23)
c
Pour n = 1 , on retrouve bien B e = --------
13.7. Bruit de grenaille (Bruit Schottky ou shot noise)

Ce bruit correspond aux fluctuations statistiques du nombre de porteurs de charge qui participent la cration dun courant (cas des diodes et des transistors par exemple).
Le bruit de grenaille se superpose au courant moyen cr. La thorie de ce bruit est la base
de ltude :
des bruits lis lmission dune lectrode ou encore,

des fluctuations des temps de transit.
Ltude de ce phnomne ncessite une connaissance dune part de la distribution de Poisson (Voir La distribution de Poisson, page 62.) et dautre part des thormes de Campbell (voir
ci-dessous).
13.7.1. Les thormes de Campbell

Soit un processus alatoire N ( t ) =
u ( t t i ) , telque les instants
t i sont distribus selon
une loi de Poisson de paramtre .

u ( t ) reprsente la fonction de Heaviside. Les diffrents moments de N ( t ) sont donns par
(7.53), (7.54) et (7.56).
Considrons, maintenant, un bruit impulsionnel x ( t ) =
i ( t ti )
linaire de rponse impulsionnelle h ( t ) . A la sortie du systme : y ( t ) =
lentre dun systme
h ( t ti ) .
i
Remarquons que le processus x ( t ) est le processus driv de N ( t ) .

1. Voir Cours de Mathmatiques, Tome 1, 3 dition Masson (J. Bass)
P. NAYMAN
Master CMI
187
LE BRUIT
Il est ncessaire de dterminer les moments de x ( t ) partir de ceux N ( t ) .

Si lon considre que les instants t i sont distribus selon une loi de Poisson de paramtre
alors :
Comme x ( t ) = d N ( t ) et laide de (7.53) :

dt
E[x(t )] =
d
d
E [ N ( t ) ] = t =
dt
dt
La fonction de corrlation de N ( t ) est donne par (7.62) :

2
E [ X ( t 1 ) X ( t 2 ) ] = t 1 t 2 + min ( t 1, t 2 )
et la fonction de corrlation dun processus drive est donne par (8.24) :

2
R (t , t )
t 1 t 2 N 1 2
R x ( t 1, t 2 ) =
Il est ncessaire de driver E [ X ( t 1 ) X ( t 2 ) ] par rapport t 1 puis t 2 . En remarquant que :

d
d
min ( t 1, t 2 ) = u ( t 1 t 2 ) et que u ( t ) = ( t ) , on trouve facilement :
d t1
dt
2
R x ( ) = + ( )
Equ(13.24)
E[y(t )] =
h( u)E [ x ( t u ) ] du
Le processus tant stationnaire : E [ x ( t u ) ] = E [ x ( t ) ] =
do :
+
E[ y( t ) ] =
h ( u ) du
Equ(13.25)
Et laide de (5.4) :
E[ y( t )] = G(0 )
Equ(13.26)
Remarque : lquation 13.25 peut sappliquer tous les processus stationnaires au sens
large ( E [ x ( t u ) ] = E [ x ( t ) ] = ).
De mme, lordre 2 (uniquement pour un processus de Poisson) :
2
[ y( t) ] =
h ( u )
du
Equ(13.27)
13.7.1.1 Dmonstration
2
R x ( ) = + ( )
R x ( ) x ( ) (transforme de Fourier)
2
x ( ) = ( ) +
comme : y ( ) = x ( ) G ( )
2
y ( ) = ( ( ) + ) G ( )
P. NAYMAN
Master CMI
(voir quation 8.13)
188
LE BRUIT
y ( ) = G ( 0 ) ( ) + G ( )
Equ(13.28)
On remarquera que le premier terme correspond la densit spectrale du terme constant.

Comme R y ( ) y ( ) prenons la transforme de Fourier inverse de (13.28) :
2
R y ( ) = G ( 0 ) + h ( ) * h ( ) = G ( 0 ) +
h ( )h ( ) d
Pour = 0 et laide de (13.26) :

2
Ry( 0) = E[ y ] = E[y ] +
h ( )
d
2
Comme la variable alatoire nest pas centre : y = E [ y ] E [ y ]

+
y =
(daprs (7.55)).
h ( ) d
13.7.2. Gnralisation du thorme de Campbell

Soit un courant : I ( t ) =
k =
a k F ( t t k ) , il est possible de gnraliser le thorme de
Campbell :
n = a
[ F ( t ) ] dt
n
Equ(13.29)
avec :
la frquence moyenne darrive des impulsions par seconde
n le moment dordre n.
13.7.3. Expression du bruit de grenaille

Le bruit de grenaille peut tre considr comme un bruit impulsionnel et se mettre sous la
forme :
+
i(t) =
k =
e ( t t k )
avec : e la charge de llectron = 1, 6 10
19
Equ(13.30)
C
R i ( ) = [ + ( ) ]e = ( e ) + e ( )
e = I 0 = courant moyen
2
R i ( ) = I 0 + eI 0 ( )
P. NAYMAN
Master CMI
189
LE BRUIT
(voir la figure 13.14)
eI 0
2
i ( ) = I 0 ( )
distribution spectrale
fluctuations par effet
de la composante
de grenaille
continue
2
i = 2
0 eI0 d = 2eI0 B
do :
2
i = 2eI 0 B
Equ(13.31)
i( )
2
I 0 ( )
eI 0
B
Figure 13.14 : Densit spectrale du bruit de grenaille
13.8. Autres sources de bruits (exemple : le bruit en 1/f flicker noise)

Ce bruit est essentiellement basse frquence (figure 13.15), cest le cas du bruit de scintillation par exemple (flicker noise). Ce bruit est prsent dans tous les composants (actifs et passifs) et correspond aux captures de porteurs associs des dfauts ou la contamination par
exemple.
Une des caractristique de ce bruit est son universalit, on le retrouve dans une multitude
de domaines comme : en biologie (taux dinsuline dun diabtique), le dbit du Nil, les variations
saisonnire de temprature ou encore le trafic routier.
()
Figure 13.15 : Densit spectrale du bruit en 1/f

La densit spectrale de puissance du bruit en 1/f est donne par lquation 13.32 :
0
( ) = k --------
0<<2
Equ(13.32)
Le bruit en 1/f est gnralement gaussien et stationnaire.
13.9. Exemples
13.9.1. Bruit thermique
P. NAYMAN
Master CMI
190
LE BRUIT
20
Un chiffre utile retenir : 4kT la temprature ambiante = 1, 66 10

La valeur moyenne quadratique de la tension de bruit dune rsistance de 1K la temprature ambiante est de :
2
v = v = 16 10
18
V Hz
v = 4nV Hz (RMS)
13.9.2. Bruit Schottky

Quelle est la valeur du courant quadratique moyen de bruit dans une diode parcourue par
un courant de 1mA si la bande passante est de 1MHz ?
2
19
i = i = 2qI d B = 2 1, 6 10
16 2
10 10 = 3, 2 10
i = 18nA (RMS)
13.10. Le facteur de bruit

13.10.1. Cas dun quadriple isol
Considrons le quadriple Q reprsent par la figure 13.16 :
Eg
Rg
Vs
Figure 13.16 : Quadriple isol

Le bruit lentre du quadriple est dtermin par la rsistance R g : Be = 4kTR g B
2
Dfinissons le signal dentre Se comme tant : Se = E g

2
E
4kTR g B
Se
g
Le rapport signal bruit en entre est dans ce cas : ------ = ------------------Be
Si Q est un amplificateur idal de gain en puissance G, on peut dfinir le signal et le bruit

en sortie :
Ss = GSe
Bs = GBe
Se
Ss
donc : ------ = -----Be
Bs
Le rapport signal bruit en sortie est gal au rapport signal bruit en entre.
Le quadriple ntant pas parfait, il gnre du bruit par le biais de ses composants (rsistances, transistors, etc.).
Par consquent :
Se Ss
------ > -----Be Bs
On peut crire que le bruit en sortie du quadriple est la somme de deux termes : le bruit
dun quadriple parfait auquel sajoute le bruit intrinsque au quadriple :
Bs = GBe + Bq
P. NAYMAN
Master CMI
191
LE BRUIT
On peut crire Bs sous la forme suivante :

Bs = FGBe
o F est le facteur de bruit ( F > 1 ) .

Ss
GSe
1 Se
------ = --------------- = --- ------ , finalement :
Bs
FGBe
F Be
Se Be
F = ---------------Ss Bs
Equ(13.33)
rapport signal bruit en entre

F = --------------------------------------------------------------------------rapport signal bruit en sortie
comme :
Bs = GBe + Bq
Bq = Bs GBe = FGBe GBe
Bq = ( F 1 ) GBe
Equ(13.34)
Le facteur F-1 est galement appel facteur de bruit en excs.
13.10.2. Cas de quadriples en cascades

La figure 13.17 montre la cascade de deux quadriples.
S e, B e
F 2, G 2
F 1, G 1
Q2
Q1
Figure 13.17 : Quadriples en cascades

Le bruit en sortie de Q1 est : B 1 = F 1 G 1 B e
Le bruit B 1 amplifi par Q2 est : F 1 G 1 B e G 2
Le bruit propre de Q2 est : ( F 2 1 ) G 2 B e
Le bruit B 2 en sortie de Q2 est : B 2 = F 1 G 1 G 2 B e + ( F 2 1 )G 2 B e
Lensemble des deux quadriples est quivalent un quadriple Q unique dont les caractristiques de gain et de facteur de bruit sont les suivantes :
G = G 1 G2
B 2 = FG 1 G 2 B e donc :
FG 1 G 2 B e = FG 1 G 2 B e + ( F 2 1 )G 2 B e
( F2 1 )
F = F 1 + -------------------G1
Equ(13.35)
En gnralisant n quadriples :
( F2 1 ) ( F3 1 )
( Fn 1 )
F = F 1 + -------------------- + -------------------- + + ----------------------------------G1
G1 G2
G 1 G 2 G n 1
Equ(13.36)
Remarque : Il est important de noter que seuls les bruits des premiers tages sont significatifs.
Si le gain G 1 du premier tage est important, on peut gnralement ngliger les bruits des
autres tages. Dans ce cas, il suffit uniquement doptimiser les caractristiques en bruit du preP. NAYMAN
Master CMI
192
LE BRUIT
mier tage.
P. NAYMAN
Master CMI
193
LE BRUIT
14. APPLICATION DU BRUIT IMPULSIONNEL

EN PHYSIQUE
14.1. La fonction de pondration w(t)
Considrons une opration linaire de filtrage F, x(t) tant le signal dentre et y(t) le signal
de sortie (figure 14.1).
x(t)
y(t)
Figure 14.1 : Oprateur de filtrage

t
y( t) =
x ( u )h ( t u )du
Equ(14.1)
h(t) est la rponse impulsionnelle du filtre F.

t
y(t) =
x ( t u )w( u ) du
Equ(14.2)
w ( t ) est appele fonction de pondration (figure 14.2).

w, h
w(t)
h(t)
Tm
Figure 14.2 : Fonction de pondration et rponse impulsionnelle
14.2. Traitement statistique des impulsions de bruit

Vue du dtecteur, on peut caractriser le bruit en prsence par deux sources distinctes (figure 14.3) :
Une source de courant de bruit I N1
Une source de tension de bruit e n
On considre que les deux sources de bruit sont de type impulsionnel.
Dtecteur
en
Vers mesure
CT
IN1
Figure 14.3 : Schma quivalent vue du dtecteur
P. NAYMAN
Master CMI
193
Application du bruit impulsionnel en

physique
C T reprsente la capacit totale vue de lentre.
Pour des raisons de commodit, il est plus simple de remplacer la source de bruit en tension
e n (source srie) par une source de bruit en courant I N2 quivalente (figure 14.4).
I N2 = C T e 0 d ( t ) = C T e 0 ' ( t )
dt
Equ(14.3)
Vers mesure
Dtecteur
CT
I N2
IN1
Figure 14.4 : Schma quivalent avec des sources de courant
14.2.1. Application du thorme de Campbell

Le thorme de Campbell permet de dfinir le moment dordre n dun processus poissonnien (voir 13.7.1.) :
Si I ( t ) =
k =
a k F ( t t k ) alors : n = a
[ F ( t ) ] dt
n
avec :
la frquence moyenne darrive des impulsions par seconde
n le moment dordre n.
Si q est lamplitude du bruit et n le nombre de coups par seconde :
2
p = nq
h ( u ) du = nq
w ( u )du
2
Daprs lgalit de Parseval :
h ( u ) du =
p = 2nq
G ( ) d = 2
x ( t ) dt =
x ( ) d
G ( ) d
G ( ) d
x ( ) = 2nq = N p correspond la densit spectrale du bruit en entre.

N
2
Pour le bruit parallle : p = -----p-
Np
2
h ( t ) dt = -----2
2
De mme pour le bruit srie : s = ------s
w ( t )dt
2
Ns
2
h' ( t ) dt = -----2
w' ( t )dt
2
avec Ns = C T Nse
i
Par exemple : N p = ----n- = 2qI 0 pour le bruit Schottky

f
P. NAYMAN
Master CMI
194

physique
et N se = ----n- pour le bruit srie.

f
Pour pouvoir sommer les bruits, il est ncessaire davoir des units cohrentes. Par
2
exemple, on peut choisir davoir des variances exprimes en C (charge2) :

+
Np
2
p = -----2
Ns
2
s = -----2
2
A
-------- S = C
1
S
1
2
C
-------- S = C
1
S
h ( t ) dt
Equ(14.4)
h' ( t ) dt
Equ(14.5)
Dans ce cas, lintgrale de (14.4) est proportionnelle un temps [S] alors que lintgrale de
(14.5) est proportionnelle un linverse dun temps [S-1] (voir (14.13) et (14.14) pour la dmonstration).
2
Comme les bruits sajoutent en moyenne quadratique ( T = p + s ) :

Np
2
T = -----2
Ns
2
[ w ( ) ] d + -----2
1 [ w' ( ) ] d
2
Equ(14.6)
Par exemple : N p = i n = 2qI 0 pour le bruit Schottky

2 2
et N s = e n C d pour le bruit srie.

2
Lexpression de T peut se mettre sous une forme plus pratique :

2
1 [ w( ) ] d = a2 f pour le bruit parallle,

2
a 1
- pour le bruit srie.

1 [ w' ( ) ] d = ------f
2
a 1 et a 2 sont des facteurs de forme constants.

Np
N s a 1
2
T = ------ a 2 f + ------ -------2
2 f
Equ(14.7)
Lquation 14.7 ne tient pas compte du bruit en 1/f. Si lon considre que la densit spectrale
2
e
du bruit en 1/f est : ----- = -----f
de
dt
La tension efficace e engendre un courant i = c T ------ dans cT.

2
1 2
En appliquant nouveau le thorme de Campbell : 1 f = --- c T A f a 3
En tenant compte du bruit en 1/f :
P. NAYMAN
Master CMI
195

physique
Np
N s a 1 1 2
2
T = ------ a 2 f + ------ -------- + --- c T A f a 3
2
2 f 2
Equ(14.8)
La figure 14.5 reprsente T en fonction de f . Selon la valeur de la constante de temps,

2
T est domine soit par le bruit srie, soit par le bruit parallle.
2
10000
5000
2000
1000
bruit en 1/f
500
200
co
100
0.01
0.1
n
u ra
e
td
uit
br
ten
sio
nd
eb
ru
it
1
10
100
Constante de temps de filtrage (s)
Figure 14.5 : T
Le bruit parallle correspond aux grandes valeurs de f alors que le bruit srie correspond
aux faibles valeurs de f .
2
On peut trouver la valeur = c qui minimise T :

c =
N s a 1
-----------------N p a 2
Equ(14.9)
En tenant compte de (14.9), lquation 14.7 peut se mettre sous la forme suivante :
f c
1
2
T = --- N p N s a 1 a 2 ---- + ---2
c f
14.2.2. Le filtre optimum qui minimise
Equ(14.10)
Soit w 0 ( ) la fonction w qui minimise T et A un paramtre qui caractrise la forme de la

fonction. On peut crire : w ( ) = w 0 ( ) + A f ( )
avec : f ( ) = 0 pour = 1 et = 2
w ( ) min = w 0 ( )
2
On cherche minimiser T par rapport A dans lquation 14.6 :

2
T
A
= Np
w( )
w ( ) d + N s
A
1 w' ( ) Aw' ( )d = 0
w ( ) = 0 pour = 1 et = 2
A
comme w ( ) = w0 ( ) + A f ( )
P. NAYMAN
Master CMI
196

physique
w( ) = f( )
A
2
T
A
= Np
w 0 ( ) f ( ) d + N s
1 w'0 ( ) f' ( ) d = 0
En intgrant par partie le deuxime terme et en tenant compte que f ( ) = 0 pour = 1 et

= 2 :
2
T
A
1 [ Np w0 ( ) Ns w''0 ( ) ] f ( ) d = 0
2
Pour que
T
A
= 0 il suffit que f ( ) :
[ N p w 0 ( ) N s w'' 0 ( ) ] = 0
Une des solutions de cette quation diffrentielle du deuxime ordre donne la fonction de
2
pondration qui minimise T :

w0 ( ) = A e
avec : c =
+Be
+ c
Equ(14.11)
N
-----sNp
Si w 0 ( 1 ) = 0 et w 0 ( 2 ) = 1 alors :
1 c
1 c
e
e
A = --------------------------------------------------------- et B = --------------------------------------------------------2 sinh [ ( 2 1 ) c ]
2 sinh [ ( 2 1 ) c ]
14.3. le signal quivalent au bruit

Cest le signal qui prsente, la sortie du systme, une rponse dont lamplitude est gale
lcart type (sigma) de la grandeur de bruit. Pour cela, on considre que toutes les sources de
bruits sont ramenes lentre du montage. Le signal est gnralement dfini avec la mme unit
que le signal issu du dtecteur. Par exemple, on dfinira :
une charge quivalente au bruit (ENC),
un courant quivalent au bruit (ENI),
une tension quivalente au bruit (ENV),
etc.
Considrons le systme reprsent par la figure 14.6, on cherche mesurer une grandeur x
ainsi que le signal quivalent au bruit, laide dun analyseur multi-canaux.
Le bruit est suppos centr et gaussien.
La grandeur x est pralablement amplifie par un systme linaire F.
Lchelle horizontale gradue en canaux est transforme en volt en appliquant le facteur de
conversion correct [ Volts ] = [ NbCanaux ] [ Nb Volts par canal ] .
Lhistogramme affich permet de dterminer facilement les grandeurs suivantes :
P. NAYMAN
Master CMI
197

physique
FWHM
lcart type du bruit en sortie b = ------------------- ,
2, 35
la tension correspondant au pic : V x .

F= Systme linaire : prampli, ampli, etc.
x
ADC
Analyseur multicanaux
FWHM
b = ------------------2, 35
0,5
FWHM
Vx
Figure 14.6 : Principe de la dtermination de ENX
Explicitons lgalit des rapports signaux bruit en sortie et en entre :

2
2
V
S
x
--- = -----x- = -------------2
2
B
b
ENX
2
b
x b
2
ENX = ---------------- = -----2
2
Vx
G
+
ENX =
2
b
-----2
( 1 2 )N x
h ( t ) dt
2
Equ(14.12)
= -------------------------------------------------2
G
avec N x la densit spectrale du bruit en entre.

Dans lquation 14.12, on suppose que G est une valeur numrique constante.
Pour dterminer G, il est ncessaire de connatre, avec prcision, la grandeur dentre x.
Vx
G = ------ . Gnralement, x est une donne de calibration initiale (V ou I) facilement matrise. On
x
peut ensuite transformer x afin dobtenir la grandeur dsire. Par exemple, un chelon de tension
x dans un condensateur C permet de transfrer une charge connue q = C x .
14.3.1. La charge quivalente au bruit (ENC)

Par exemple, dans le cas o le signal initial est un courant ou une charge :
i ( t ) = i 0 ( t )
La sortie du systme sera h i ( t ) . Dans le cas, o i ( t ) nest pas un Dirac de courant, la sortie
sera : s ( t ) = i ( t ) * h i ( t )
P. NAYMAN
Master CMI
198

physique
Si le maximum du signal se produit pour t = t m alors :

2
ENC = ---------------------2
[ hi ( tm ) ]
[ As ]
On peut dfinir la valeur ENC par la relation

Np
2
ENC = -----2
Ns
2
[ h s ( ) ] d + -----2
1 [ h's ( ) ] d avec :
2
h()
h' ( )
h s ( ) = ---------------- et h' s ( ) = ----------------hi ( m )
h' i ( m )
Remarque : Si lon effectue le changement de variable ---- = u (sans dimension) :

2
1
2
[ w ( ) ] d = f
1 [ w( u ) ] du = a2 f
2
1
[ w' ( ) ] d = ---f
Equ(14.13)
a 1
2
[ w' ( u ) ] du = -------f
Equ(14.14)
Par la suite, on ne calculera que des fonctions de pondration normalises.
14.4. Prise en compte de lempilement en tant que bruit

Lorsque le dtecteur est sollicit par un taux lev dvnements, il peut se produire de
lempilement de signaux. Dans ce cas, la mesure effectue est entache dune erreur supplmentaire que lon peut traiter comme un bruit.
V
Empilement
Signaux spars
4
t
Figure 14.7 : Effet de lempilement

Leffet de lempilement est illustr par la figure 14.7 : les signaux 1 et 2 sont bien spars
alors que 3 et 4 sont empils. Les mesures de 3 et 4 sont entaches dune erreur.
On peut considrer les signaux (de type 4) comme des impulsions de bruit.
Considrons, en premire approximation, que les impulsions dempilement ont une rponse
t
impulsionnelle de la forme : h ( t ) = k e
.
Appliquons (13.27) pour calculer la variance de ce bruit :
P. NAYMAN
Master CMI
199

physique
p =
k e
u 2
du
2
2
k
p = --------
2
Equ(14.15)
k
Le terme -------- est un terme li la physique qui est dpendant du taux dvnements et de
2
la constante de temps des impulsions (des impulsions larges subiront plus lempilement que des
troites).
Lquation (14.7) peut tre complte en tenant compte de lempilement :
Np
N s a 1 k 2
2
T = ------ a 2 f + ------ -------- + --------
2
2 f
2
Equ(14.16)
14.5. Exemple dune rponse impulsionnelle triangulaire

La figure 14.8 reprsentent respectivement la fonction de pondration triangulaire et sa drive.
w(u )
w' ( u )
Figure 14.8 : Fonction de pondration triangulaire et sa drive

On calcule facilement les coefficients a 1 et a 2 :
1
a 2 = 2
2
2
u du = --- et a 1 = 2
3
0 du = 2
Np
Ns 1
Ns
2
2 Np
ENC = --- ------ f + 2 ------ ---- = ------ f + -----3 2
2 f
3
f
14.6. Exemple dune rponse impulsionnelle dfinie par des morceaux

de paraboles.
La rponse impulsionnelle et sa drive sont reprsentes respectivement par la figure 14.9.
P. NAYMAN
Master CMI
200

physique
Figure 14.9 : Fonction de pondration parabolique et sa drive

Dans ce cas, on calcule w(u) partir de w(u) et de w(u).
On remarquera que w(u) est dfinie par :
dans : [0,1 2]
w'' ( u ) = 4
dans : [1 2,3 2] w'' ( u ) = 4

dans : [3 2,2]
w'' ( u ) = 4
14.6.1. Calcul de I
2
I' =
0 [ w' ( u ) ] du
2
dans : [0,1 2]
w' ( u ) = 4u
dans : [1 2,1]
w' ( u ) = 4u + 4
12
0 [ w' ( u ) ] du = 4 0
2
u
16u du = 64 ----3
2
12
8
= --3
14.6.2. Calcul de I
2
I =
0 [ w( u ) ] du
2
dans : [0,1 2]
w( u) =
dans : [1 2,1]
w( u) =
0
2
[ w ( u ) ] du = 2
[ w ( u ) ] du = 2
12
12
12
4u du = 2u
12
( 4 u + 4 ) du = 2 u + 4u 1 = 1 2 ( u 1 )
1
2 2
( 2u ) du +
4u du +
P. NAYMAN
Master CMI
1 2 ( 1 2( u 1 ) ) du
2 2
1 2 ( 1 2x ) dx
2 2
avec x = u 1
201

physique
4 5
[ w ( u ) ] du = 2 --- u
5
0
2
12
12
+4
- + 8 --- + --------------- ------------

8 32 5 8 3
0 [ w ( u ) ] du = ----20
2
x x x
1
1--- + x 4 x 2 dx = 2 ----------- + 4 --- + ----- -----
4 5 3
4
85
12
0
23
= -----30
8
23
a 1 = --- et a 2 = -----3
30
2
23 N p
8 Ns 1
4 Ns
23
ENC = ------ ------ f + --- ------ ---- = ------ N p f + --- -----30 2
3 2 f
3 f
60
14.7. Exemple du filtrage CR-RC

Cet oprateur de filtrage est compos de deux oprateurs lmentaires : une diffrentiation
suivie dune intgration (figure 14.10).
C
R
R
G1 ( )
G2( )
Figure 14.10 : Filtrage CR-RC
R
iRC2
G 1 ( ) = -------------------------- = ----------------------------1
1 + iRC2
R + ---------------2iC
1
G 2 ( ) = ----------------------------1 + iRC2
Remarque : la diffrentiation correspond un filtre passe-haut et lintgration un filtre

passe-bas.
G1 ( )
G2 ( )
( RC2 )
= ----------------------------------2
1 + ( RC2 )
1
= ----------------------------------2
1 + ( RC2 )
2iRC
G ( ) = G 1 ( ) G 2 ( ) = ------------------------------------2
( 1 + 2iRC )
La figure 14.11 reprsente lallure des rponses en frquence des filtres passe-bas, passehaut et du filtre rsultant de la cascade des deux prcdents.
P. NAYMAN
Master CMI
202

physique
Figure 14.11 : Rponse en frquence du filtre CR-RC

Calculons h(t) par la mthode des rsidus :
h(t) G()
+
h(t) =
-e
2
-----------------------------------( 1 + 2iRC )
2iRC
2it
2izt
z
d en posant : f ( z ) = ----------------- e
2iRC
f(z)
i
i
et g ( z ) = z --------------- on considre la fonction ---------- qui possde un ple double pour z = --------------g( z)
2RC
2RC
alors :
2
f(z)
i
Rs [---------- ,---------------] =
g ( z ) 2RC
lim
i dz
z --------------2RC
[ f( z) ]
e
t
On trouve finalement : h ( t ) = ------------ 1 -
t t
la rponse lchelon unit est : u ( t ) = -- e
avec : = RC
La figure 14.12 montre la rponse impulsionnelle et la rponse lchelon unit (courbe en

trait pointill) du filtre CR-RC.
Figure 14.12 : Rponse impulsionnelle et indicielle du filtre CR-RC
P. NAYMAN
Master CMI
203

physique
14.7.1. Calcul de I
+
[ w( u ) ] du
I =
+
[ w ( u ) ] du =
2 2u
u e
1
t
du = --- avec : -- = u
4
14.7.2. Calcul de I
+
I' =
+
[ w'( u ) ] du
2
[ w' ( u ) ] du =
2u
2
1
( 1 u ) du = --4
1
1
do : a 1 = --- et a2 = --- .
4
2
1
1 Np
1 Ns 1
1 Ns
ENC = --- ------ f + --- ------ ---- = --- N f + --- -----8 p
4 2
4 2 f
8 f
14.8. Exemple du filtrage pseudo-gaussien [50]

Le module du gain dun filtre dit gaussien est de la forme :
A() = e
Equ(14.17)
Ce filtre thorique nest pas ralisable (le gain a une variation trop rapide avec la frquence).
Une approximation raliste du filtre gaussien est obtenue en connectant un circuit drivateur (CR) n circuits intgrateurs (RC).
Le gain dun tel filtre est donn par lquation 14.18 :
K
G ( ) = ----------------------------------n
( 1 + 2RC )
Equ(14.18)
n est le nombre de cellules RC en cascade,

K est une constante (choisie ultrieurement gale 1 pour simplifier les notations).
La rponse impulsionnelle dun tel filtre est obtenue en prenant la transforme de Fourier
de G ( ) .
1 n t n nt
h ( t ) = ----- n - e
n!
Equ(14.19)
est le temps du maximum de h(t).
On notera que plus n augmente et plus h(t) se symtrise et tend vers une courbe gaussienne.
La figure 14.13 montre les allures de h(t) pour n variant de 1 5.
P. NAYMAN
Master CMI
204

physique
Figure 14.13 : Rponses impulsionnelles dun filtre gaussien

Remarque : La transforme de Fourier dune fonction gaussienne est une fonction
gaussienne :
e
Equ(14.20)
On montre que la caractristique damplitude de G ( ) tend vers une gaussienne, en consquence la rponse impulsionnelle h(t) tend galement vers une gaussienne.
1
G n ( ) = A n ( ) = -----------------------------------------------2 n2
[ 1 + ( 2RC ) ]
Si lon considre que c est la frquence de coupure 3 dB, cest dire que lamplitude est
attnue dun facteur gal 2 :
1
1
------- = -----------------------------------------------2 n2
2
[ 1 + ( 2RC ) ]
12
1n
1
RC = ------------ ( 2
1)
2 c
(2
1n
1
1 ) --- ln 2
n
1
ln 2
RC = ------------ -------2 c n
1
G n ( ) = ------------------------------------- ln 2 n
1 + i ----- -------c n
1
1
A n ( ) = -------------------------------------- = ----------------------------------------------------------2
n2
2
ln 2
ln 2
2
c n ----2- ------1 + ----- ------------ -------- c 2
2 n
2
ln
2
c
2
ln 2
1 + ----- -------2
n
c
P. NAYMAN
Master CMI
205

physique
et finalement : lim A n ( ) = e
ln 2
-------- -------2
c 2
Dans le filtre thorique : A ( ) = e
, si lon impose que lattnuation la frquence c
soit de 3 dB :
2
k c
1-----= e
2
1 ln 2
k = ----- -------2
c 2
2
A() = e
ln 2
-------- -------2
2
c
A n ( ) tend bien vers A ( ) .
14.8.1. Approche frquentielle du filtre gaussien

H0
Soit : H ( p ) = -----------Q(p)
H0 est une constante et Q(p) est un polynme de Hurwitz.

Un polynme est dit de Hurwitz si ses racines appartiennent au demi-plan gauche (ceci est
un critre de stabilit du systme -figure 14.14-)
i
*
p0
p0
Figure 14.14 : Racines dun polynme de Hurwitz
posons : H ( i ) H ( i ) = F ( )
2
H0
H ( i ) H ( i ) = --------------------------------------- = F ( )
Q ( i ) Q ( i )
2
H0
Q ( i ) Q ( i ) = -----------------2
F()
2
soit : f ( t ) = a 0 e
t
--------22
F ( ) = a 0 2 e
1
avec : a 0 = ------------- 2
1 2 2
---
2
P. NAYMAN
Master CMI
206

physique
1 H0 2 2 2
Q ( i ) Q ( i ) = ------ --------- e
2 a 0
1 H0 2 2 p 2
Q ( p ) Q ( p ) = ------ --------- e
2 a 0
En normalisant : Q ( k ) Q ( k ) = e
e
avec : k = p
2 m
k
= lim 1 -----
m
m
2 m
k
Q ( k ) Q ( k ) = 1 -----
m
k m
Q ( k ) = 1 --------
Q ( p ) = ( 1 + 0 p )
Equ(14.21)
Le dnominateur de la fonction de transfert Q(p) reprsente bien la cascade de m intgrateurs.

Avec :
k
0 p = -------m
k = 0 p m
14.9. Densit spectrale et bruit

Ltude du bruit par la mthode temporelle ncessite de calculer la rponse impulsionnelle
du systme de filtrage utilis puis dvaluer les intgrales de lquation 14.6. Il est possible dobtenir les mmes rsultats par une mthode frquentielle base sur la connaissance des diffrentes
densits spectrales de puissance.
e n , u, 1 f
G()
Cf
Dtecteur
Filtre
CT
I N1 , i
NO
vers conversion
Amplificateur de charges
Figure 14.15 : La chane, dtecteur, amplificateur et filtre
On suppose que lon utilise la chane de mesure de la figure 14.15.
Lquation 14.3 permet de transformer la tension efficace de bruit e 0 en un courant de bruit
quivalent.
I N2 ( t ) = C T e 0 ' ( t )
Equ(14.22)
Calculons la reprsentation frquentielle de I N2 ( t ) en prenant sa transforme de Fourier :

P. NAYMAN
Master CMI
207

physique
I N2 ( ) = C T e 0 TF [ ' ( t ) ]
En utilisant (4.23) : TF [ ' ( t ) ] = 2i TF [ ( t ) ] = 2i

I N2 ( ) = C T e 0 2i
I N2 ( )
2 2 2 2
2 2 2
= 4 C T e 0 = C T e 0
Equ(14.23)
2
Daprs les proprits de la densit spectrale de puissance (8.20) : P x = x =

2
d x = ( ) d
( )d et
Equ(14.24)
En rapprochant (14.23) et (14.24) :

2
2 2
2 2
dI N2 i N2 = C T de 0 = C T e ( ) d
e ( ) est la densit spectrale de la tension de bruit e 0 .
2
De mme di N1 i N1 = i ( ) d
Comme les courants de bruit se somment en moyenne quadratique :
2 2
i N = [ i ( ) + C T e ( ) ] d = N ( ) d et en identifiant :
2 2
N ( ) = i ( ) + CT e ( )
Equ(14.25)
Supposons, que la tension de bruit e 0 soit compose de deux sources de bruits de densit spectrales
diffrentes. Par exemple, une source de bruit de densit spectrale u ( ) = 2kTR ( ) et une source de
bruit en 1 f dont la densit spectrale est A f .
Af
2 2
N ( ) = i ( ) + C T u ( ) + ----
2A f
2 2
N ( ) = i ( ) + C T u ( ) + -----------
[ A Hz ]
Considrons que lon utilise un pramplificateur de charges dont la fonction de transfert

Vs
------ = 1 ( iC f ) 1.
Ie
G()
= 1 ( Cf )
Soit NO ( ) = N ( ) G ( )
(daprs (8.13)).
2 2
i ( ) CT
2A f
NO ( ) = ------------- + -------------- u ( ) + -----------2 2
2 2
Cf
Cf
2
i ( ) CT
2A f
NO ( ) = ------------- + ------ u ( ) + -----------2 2
2
Cf
Cf
2
CT
C T 2A f i ( )
NO ( ) = ------ u ( ) + ------ ------------ + ------------2
2
2 2
Cf
Cf
Cf
P. NAYMAN
Master CMI
[ V Hz ]
208
Equ(14.26)

physique
1
Le premier terme de (14.26) correspond au bruit srie, le second au bruit en --- et le dernier
f
au bruit parallle. Si lon suppose que la densit spectrale du bruit srie est constante avec la frquence (une rsistance par exemple) on peut mettre NO ( ) sous la forme :
2
2 b
c
NO ( ) = a + ----- + ----- 2
Equ(14.27)
avec :
2
CT
2
a = ------ u ( ) (bruit srie)
2
Cf
2
CT
2
b = 2A f ------ (bruit en 1/f)
2
Cf
i ( )
2
c = ------------- (bruit parallle)
2
Cf
Par exemple :
u ( ) = 2kTR pour le bruit thermique et
i ( ) = qI d pour le bruit Schottky.
Pour calculer la puissance du bruit en sortie du filtre de gain G f ( ) , appliquons de nouveau
(8.13) puis (8.20) :
s ( ) = NO ( ) G f ( )
Pf = f =
s ( ) d =
NO( ) Gf ( )
+
Pf = f =
d puis en remplaant NO ( ) par sa valeur :
2
2
b
c
a + ---------- + ----------------- G f ( ) d
2 ( 2 ) 2
Equ(14.28)
En dveloppant (14.28), et par un changement de variable (pour rendre sans dimensions les
intgrales), on peut faire apparatre une constante de temps de filtrage :
f =
+
[ a ] G f ( ) d +
2 +
2
2
a
[ a ] G f ( ) d = ----
2
c
----------------- G f ( ) d
2
( 2 )
2
a
G f ( ) d = ----- I a
2 +
2
b
b
---------- G f ( ) d( ) = -----2
2
2
b
---------- G f ( ) d( ) +
2
Gf ( )
2
------------------ d( ) = b Ib
1. Voir Le pramplificateur de charges, page 226.

P. NAYMAN
Master CMI
209

physique
c
2
c
----------------- G f ( ) d = -------------2
2
( 2 )
( 2 )
Gf( )
2
------------------ d = c I c
2
( )
avec :
+
Ia =
Ib =
Ic =
G f ( ) d intgrale pour le bruit srie

2
G f ( )
--------------------- d intgrale pour le bruit en 1/f
2
G f ( )
--------------------- d intgrale pour le bruit parallle.
2
( 2 )
a
2
2
2
P f = f = ----- I a + b I b + c I c
Equ(14.29)
Cette relation est tout fait comparable lquation 14.8 tablie dans le domaine temporelle, ce qui prouve bien que les 2 mthodes sont quivalentes.
P. NAYMAN
Master CMI
210

physique
15. APPLICATION DU BRUIT AUX TRANSISTORS

BIPOLAIRES ET A EFFET DE CHAMPS
15.1. Le transistor bipolaire
La figure 15.1 schmatise un transistor NPN ainsi que les sens des courants de base, metteur et collecteur.
ic
B
ib
C
E
Vb
Figure 15.1 : Le transistor bipolaire

On appelle transconductance ou pente du transistor, le terme :
di e
g m = -------dv b
[A V ]
Equ(15.1)
Dautre part, dans la jonction Base Emetteur, le courant varie en fonction de la tension selon
une loi exponentielle :
i e i0 e
v be q
-------------KT
KT i
v be ------- ln ---eq i0
dv be KT 1
----------- ------- ---q ie
di e
Comme i e i c :
di c
q
g m = ----------- = ------- i c
dv be
KT
Equ(15.2)
temprature ambiante :
ic
g m = -------------------3
26 10
[A V ]
Equ(15.3)
15.1.1. Modle de base du transistor bipolaire [23]

Le transistor bipolaire (NPN ou PNP) peut tre modlis par le schma hybride en de
base reprsent par la figure 15.2.
P. NAYMAN
Master CMI
211
Application du bruit aux transistors bipolaires et a effet de champs
rb
gmv1
cb v1
r0
Figure 15.2 : Modle simple du transistor bipolaire
15.1.1.1 La rsistance dentre

vi
r b dfinit la rsistance dentre du transistor bipolaire : r b = ---- rapport de la tension denib
tre par le courant dentre. En utilisant lquation 15.1, on obtient :
r b = -----gm
()
Equ(15.4)
15.1.1.2 La rsistance de sortie

v ce
r 0 reprsente la rsistance de sortie du transistor bipolaire : r 0 = ------- rapport de la tension
ic
de sortie par le courant de sortie correspondant. Il est possible de spcifier r 0 par rapport g m :
VA
1
r 0 = ------ = -------------IC
gm
()
Equ(15.5)
KT
avec : = ---------- o V A est la tension de Early (figure 15.3) comprise entre 50 et 100 V.
qV A
Par exemple, pour I c = 1mA et V A = 100V , r 0 = 100K . De mme pour V A = 100V et

4
pour une temprature de 25C, = 2, 6 10 .
15.1.1.3 La capacit dentre

c b reprsente la capacit apparente vue de lentre du transistor. La variation de la tension
dentre v i provoque une variation de charge q e au niveau des porteurs minoritaires et majoriq
taires de la base : c b = ----e- .

vi
c b peut tre spcifie par rapport la gomtrie du transistor :

cb = f gm
(F)
Equ(15.6)
f est dfini comme le temps de transit de base :

2
WB
Qe
f = ------ = ---------Ic
2D n
avec W B la largeur de base et D n la constante de diffusion.

f varie entre 0,1 et 1 ns (NPN) et peut tre 10 fois plus leve pour un transistor PNP.
P. NAYMAN
Master CMI
212
IC
VBE
pente=1/r0
VCE
V
Figure 15.3 : Tension de Early et rsistance de sortie
15.1.2. Modle plus complet du transistor bipolaire

Dautres lments parasites peuvent intervenir. La figure 15.4 donne un modle plus complet, du transistor bipolaire, incluant certains lments parasites.
r
B
rbb
v1
rc
c
rb
gmv1
cb
r0
ccs
Substrat
rex
E
Figure 15.4 : Modle complet du transistor bipolaire
15.1.2.1 Les rsistances sries rbb, rc et rex

Ces rsistances sont en srie avec la base, lmetteur et le collecteur.
La valeur de r bb est comprise entre 30 et 500 et peut dcrotre avec Ic.
La valeur de r c est comprise entre 20 et 500 .
La valeur de r ex est comprise entre 1 et 3 .
15.1.2.2 La rsistance collecteur-base

r est une rsistance qui matrialise linfluence de VCE sur le courant IB.
Pour un transistor NPN, r 10 0 r 0 .

Pour un transistor PNP, 2 0 r 0 r 5 0 r 0 .
15.1.2.3 La capacit collecteur-base

La valeur de c est donne par lquation 15.7 :
P. NAYMAN
Master CMI
213
c 0
c = -------------------VD
1 ------0
(F)
Equ(15.7)
o VD est la tension directe de polarisation de la jonction.

0 potentiel aux bornes de la jonction quand aucune tension nest applique (environ 0,5V).
c 0 est la valeur de c lorsque V D = 0 .
15.1.2.4 La capacit collecteur-substrat

La valeur de c cs , capacit collecteur-substrat, est donne par lquation 15.8 :
c cs0
c cs = -------------------VD
1 ------0
(F)
Equ(15.8)
o VD est la tension directe de polarisation de la jonction.

0 potentiel aux bornes de la jonction quand aucune tension nest applique (environ 0,5V).
c cs0 est la valeur de c cs lorsque V D = 0 .
Exemple1 :
On considre le transistor NPN avec les paramtres suivants :
Ic=1mA,
VCB=5V,
VCS=10V
c 0 = 0, 5pF
c cs0 = 2pF
0 = 200
f = 0, 38ns
V A = 100V
r bb = 300
r c = 50
r ex = 2
r = 10 0 r 0
Calculons les diffrents paramtres du modle :

Calculons c avec lquation 15.7 :
c 0
0, 5
c = -------------------- = ------------------------- = 0, 16pF avec 0 = 0, 55V .
VD
5
1 + -----------1 ------0
,
55
0
Calculons c cs avec lquation 15.8 :

c cs0
2
c cs = -------------------- = ------------------------- = 0, 44pF avec 0 = 0, 52V .
VD
10
1 + -----------1 ------0
, 52
0
Calculons la transconductance du transistor avec lquation 15.2 :

3
10
q
g m = ------- i c = -------------------- = 38, 4mA V
3
KT
26 10
Calculons la valeur de la capacit de base, laide de lquation 15.6 :

c b = f g m = 0, 38 10
38, 4 10
= 14, 6pF
Calculons la rsistance dentre laide de lquation 15.4 :
r b = ------ = 200 26 = 5, 2K
gm
Calculons la rsistance de sortie laide de lquation 15.5 :

1. Daprs [23]
P. NAYMAN
Master CMI
214
VA
100
r 0 = ------ = ----------- = 100K
3
IC
10
Calculons la rsistance collecteur-base :

5
r = 10 0 r 0 = 10 200 10 = 200M
15.1.3. Modles du transistor bipolaire avec les sources de bruit

Il est intressant de pouvoir utiliser un modle du transistor afin de pouvoir caractriser les
sources de bruit internes ainsi que linfluence du transistor sur les sources externes.
Lide est de ramener les sources de bruit lentre dun quadriple " non-bruyant " comme
lindique la figure 15.5. Une source de tension de bruit et une source de courant de bruit matrialisent toutes les sources de bruit du quadriple bruyant.
vi
Quadriple
Bruyant
Rs
Rs
Quadriple
sans bruit
ii
Figure 15.5 : Reprsentation des sources de bruit dun quadriple

On peut dterminer indpendamment les deux sources de bruit :
2
R s = permet de dterminer i i alors que R s = 0 permet de dterminer v i .
Les 2 montages tant quivalents, les sorties sont donc quivalentes.

La figure 15.6 et la figure 15.7 montrent les schmas correspondants pour le transistor bipolaire.
B
vb
rbb
v1
rb
r0
cb
2
ib
gmv1
ic
Figure 15.6 : Modle quivalent du transistor bruyant

La partie en trait pointill de la figure 15.7 correspond au quadriple sans bruit de la figure
15.5.
B
vi
rbb
rb
ib
cb v1
gmv1 r0
Figure 15.7 : Modle du transistor sans bruit avec les sources de bruit ramenes en entre
P. NAYMAN
Master CMI
215
On suppose que r bb' r b

Les entres des modles de la figure 15.6 et de la figure 15.7 sont forces 0V puis on galise les
sorties. Les grandeurs de bruit sont notes en valeurs efficaces.
On remarquera que le courant en sortie de la figure 15.6 est g m v b'e + i c et quen sortie de la figure
15.7, le courant est v i g m .
g m v b'e + i c = v i g m
ic
v i = v b + -----gm
2
ic
2
2
v i = v b + -----2
gm
2
v b = 4KTr bb' f
2
i c = 2qi c f
qi c
2
f
v i = 4KTr bb' f + 2qi c ------ et comme g m = ------- :
2
KT
gm
2
1
v i = 4KTf r bb' + ----------
2g m
(V )
Equ(15.9)
1
Le transistor bipolaire engendre une rsistance de bruit dynamique gale : ---------2g m
Cette quantit reprsente leffet de la source, de bruit impulsionnelle, engendre par le courant de collecteur et ramen lentre.
Remarque : Si lon considre que r bb 100 , lapproximation r bb' r b nest possible que
1
pour un courant collecteur faible. En effet, si i c = 2A , lquation 15.3 donne : ---------- = 6, 5K
2g m
1
alors que pour i c = 10mA , ---------- = 1, 3 .
2g m
valuons le courant de bruit vue de lentre du quadriple, en laissant les entres des deux
modles " ouvertes " :
Les grandeurs de bruit sont utilises en valeurs efficaces.
Le courant total de bruit en sortie du modle de la figure 15.6 est :
i T = gm v1 + ic
i T = i b + i c
Equ(15.10)
Le courant total de bruit en sortie du modle de la figure 15.7 est :

i T = g m v 1 = i 1
P. NAYMAN
Master CMI
Equ(15.11)
216
2
ii
2
ib
ic
+ ----2
Equ(15.12)
i 1 = i b + i c (en galisant (15.10) et (15.11)).

2
avec : i b = 2qi b f et i c = 2qi c f
Equ(15.13)
2
1
i i = 2qi b f 1 + --- 2qi b f
i i = 2qi b f
Equ(15.14)
ic
2
KT g m
2KT
i i = 2q ---- f = 2q ------- ------ f = ----------- f
q
rb
2
2KT
i i = ----------- f
rb
(A )
Equ(15.15)
Remarque : Dans lquation 15.12, on suppose que le transistor fonctionne en dessous de la

frquence de coupure ( f ) de . Le paramtre est constant dans la plage de frquences considre. Dans le cas contraire, il convient de tenir compte de cette variation :
0
( jf ) = --------------------f
1 + j ----
f
Equ(15.16)
Le terme i b est constant en fonction de la frquence.

2
i
2
Le terme -----c2 varie, en tenant compte de lquation 15.16, comme f pour f > f .
La figure 15.8 donne lallure de la densit spectrale du courant de bruit (15.12) en supposant
que le gain en courant varie en fonction de la frquence. La figure 15.8 montre galement la composante de bruit en 1/f (cette composante doit tre rajoute lquation 15.12).
A2/Hz
i i ( f )
2
ic
-----2
1/f
f2
2qib
fT
f ---------0
f (Hz)
Figure 15.8 : Densit spectrale du courant de bruit en fonction de la frquence

Exemple : considrons lamplificateur de courant de la figure 15.9 et valuons ses caractristiques en bruit.
P. NAYMAN
Master CMI
217
Vp
is
Rc
Q2
Q1
Rf
Re
Figure 15.9 : Amplificateur de courant

Dun point de vue lectrique, le montage de la figure 15.10 est quivalent celui de la figure
15.9.
is
Q2
Q1
Rc
R e //Rf
R fe = R f + R e
Figure 15.10 : Schma quivalent de lamplificateur de courant

Ajoutons les sources de bruit en considrant que les contributions aprs Q1 sont ngligeables (figure 15.11).
2
v iq
Q1&Q2
R fe
iR
fe
i iq
is
v1
Figure 15.11 : Sources de bruit pour lamplificateur de courant

Le montage de la figure 15.12 est quivalent celui de la figure 15.11. Dans le montage de
la figure 15.12, toutes les sources de bruit (une en courant et une en tension) sont ramenes lentre.
2
Pour trouver la valeur de i i , on laisse les entres des deux montages ouvertes et on galise
les courants de sortie.
i v 2i
Q1&Q2
R fe
is
2
ii v 1
Figure 15.12 : Sources de bruit ramenes lentre

De la figure 15.11, v 1 = R fe ( i R + i iq ) + v iq
fe
De la figure 15.12, v 1 = R fe i 1
P. NAYMAN
Master CMI
218
iq
do : i 1 = i R + i iq + ------
R fe
fe
v iq
2
2
2
i 1 = i R + i iq + ------2
fe
R fe
2
2
i1
v iq
2
4kT
= --------- f + i iq + ------2
R fe
R
Equ(15.17)
fe
Daprs (15.9) : v iq = 4kT r bb + ---------- f

2g m
1
Equ(15.18)
daprs (15.14) : i iq = 2qi b f
Equ(15.19)
en introduisant (15.18) et (15.19) dans (15.17) :

4kT
1
2
4kT
i 1 = --------- f + 2qi b f + --------- r bb + ---------- f
2
R fe
2g
m
R
fe
1
2
2kT
2kT
i 1 = 2q f ----------- + i b + ----------- r bb + ----------
2
2g
qR fe
m
qR
Equ(15.20)
fe
Si lon considre les paramtres suivants :

1 = 2 = 100 , I c1 = 0, 5mA , r bb = 100 , R f = 5K , R e = 500
En introduisant ces valeurs dans lquation 15.20 :
3
3
3
3
2
2 26 10
26 10
0, 5 10
2 26 10
i 1 = 2q f ----------------------------- + ------------------------ + ----------------------------- 100 + --------------------------------
2
3
5500
100
5500
2 0, 5 10
2
i 1 = 2q f [ 9, 5 10
+ 5 10
+ 0, 2 10 ] = 2q f [ 14, 7 10 ]
Le courant de bruit est donc une source quivalente 14, 7A .

i
24
La densit spectrale du courant de bruit est : ----1- = 4, 7 10
A Hz
ou encore
i1
-------- = 2, 2pA Hz
f
15.1.4. Calcul du bruit aprs filtrage

On considre le montage de la figure 15.13, constitu dun dtecteur, dun systme amplificateur transistors bipolaires et dune cellule filtrante :
Transistor
D
Filtrage
Cd
ENC T
Figure 15.13 : Dtecteur et cellule de filtrage
P. NAYMAN
Master CMI
219
On suppose que r bb' est faible.

N
2
1
On a daprs lquation 14.7 : ENC T = -----p- a 2 f + ------s -------
i
2KT
Daprs lquation 15.13 : Np = ----i- = ----------f
rb
2
Equ(15.21)
2 2
Ns = e ( c d + cb ) = e cT
Equ(15.22)
2
1
e = 4KT ---------- f
2g m
dib
qi e
di e
g m = -------- = -------- = ---- = ------rb

dv b
dvb
KT
2 2
4KT 2
4KT 2
En utilisant lquation 15.22 : N s = e c T = ----------- c T f = ----------- c T f
2 ---rb
2g m
KTr b 2 a 1
2
KT
ENC T = ------- a 2 f + ------------- c T -------rb
f
2
2
ENC T
a 2 f r b c T a 1
= KT ------------ + ------------------rb
f
Equ(15.23)
15.2. Le transistor effet de champ

La figure 15.14 symbolise le transistor effet de champ. Les trois broches G, D et S reprsentent respectivement la grille, le drain et la source du transistor.
ID
D
Figure 15.14 : Le transistor effet de champ

Le transistor effet de champ peut tre caractris par lquation 15.24 :
2
1 2
1
I D = --- --- ( v gs v p ) = --- --- v
2 l
2 l
Equ(15.24)
v p est la tension de seuil du transistor

et l sont des paramtres gomtriques du transistor
15.2.1. Schma quivalent du transistor effet de champ

La figure 15.15 montre les deux modles du transistor effet de champ en tenant compte
des sources de bruit internes. Le modle de la figure b a les sources de bruit ramenes lentre.
P. NAYMAN
Master CMI
220
gmvgs
Ci
ig
Rd
id
Rd
S
D
ei
gmvgs
Ci
ii
S
Figure 15.15 : Schmas quivalents du transistor effet de champ

En imposant 0V sur les 2 entres des 2 modles de la figure 15.15, puis en galisant les sorties, on obtient avec les valeurs efficaces des courants et tensions :
i d = g m e i et :
2
2
ei
id
= -----2
gm
Equ(15.25)
Pour valuer le bruit i d il est ncessaire de calculer la variance I = [ dI D ] et considrons

une loi de probalilit uniforme..
+
2
comme : ( x ) =
p ( x ) dx avec x = dI D
A laide de (15.24) on peut valuer dI D = --- vdv

l
dI D
- = --- v
Le calcul savre plus simple si lon considre la fluctuation de -------dv
1
Considrons une loi de probabilit uniforme dans lintervalle 0 ID0 . Dans ce cas p ( x ) = -------I D0
2
g
m
dID
= --------dv
1
= -------I D0
v0 2 2
2 3
1 v
v
----------- dv = -------- ----------02
ID0 3l 2
l
Equ(15.26)
Comme :
dI D
g m = --------- = --- v
dv
l
Equ(15.27)
En combinant lquation 15.26 et lquation 15.27 :

2
1 1
g = --- -------- g m 2I D0
m
3 I D0
2
2
g = --- g m
m
3
Equ(15.28)
Lquation 15.28 est une quantit homogne une conductance. Considrons la puissance
du bruit correspondante dans la bande f :
2
2
i d = 4KTf --- g m
3
P. NAYMAN
Master CMI
Equ(15.29)
221
et en utilisant lquation 15.25 :

2
2
ei
id
2
= ------ = 4KTf ---------2
3g
m
gm
Equ(15.30)
2
R s = ---------3g m
Equ(15.31)
2
Le transistor effet de champ engendre une rsistance de bruit dynamique gale : ---------- .
3g m
valuons la source de bruit i i prsente lentre de la figure 15.15 (b) en laissant les entres a et
b ouvertes :
i
g
- et le courant de sortie total est :
Dans le modle a : v g = ------
ci p
ig
i s = ------- + i d
ci p
Equ(15.32)
Dans le modle b : v g = ------i - et le courant de sortie total est :.

ci p
ii
i s = ------- g m
ci p
Equ(15.33)
On peut remarquer que :

gm
i
---s- = -------- = G i le gain en courant du montage.
ci
i1
Et en galisant (15.32) et (15.33) :

i
ig
------i- g m = ------+i
ci p
ci p d
ci p
i i = i g + ------- i d
gm
2
2
ii
2
ig
Equ(15.34)
ci
2
+ ------------ i d
2
gm
Equ(15.35)
m
- :
En tenant compte que G i = -------
ci
id
2
2
i i = i g + -----2
Gi
Equ(15.36)
Le deuxime terme reprsente la contribution de i d au bruit en courant vue de lentre. Ce
P. NAYMAN
Master CMI
222
terme est ngligeable tant que G i reste lev (frquences basses) Dans ce cas :
2
Equ(15.37)
ii = ig
15.2.2. Comparaison bipolaire-FET

Comparons les rsultats obtenus pour le transistor bipolaire avec ceux du FET pour les frquences basses.
Si la source attache au montage est de haute impdance, le montage sera domin par les
courants de bruit. Dans ce cas, le montage FET est bien suprieur au montage bipolaire.
Si la source attache au montage est de basse impdance, le montage sera domin par les
tensions de bruit. En comparant (15.9) et (15.30), le montage bipolaire est sensiblement meilleur
que celui FET (il est possible davoir g m ( bip ) > g m ( fet ) ).
15.2.3. Calcul du bruit aprs filtrage

Calculons le bruit aprs filtrage (figure 15.13) :
2
ii
N p = ----- = 2qi g On suppose que G i est lev dans lquation 15.36.
f
2
ei
2
N s = ----- ( c d + c i )
f
2
e i = 4KT f 2 ( 3g m )
2
N s = 4KT 2 ( 3g m ) ( c d + c i ) do :
2
qi g
2
( c d + c i ) 2a 1
ENC T = 2KT ----------- a 2 f + ---------------------- ----------2KT
g
3
Equ(15.38)
terme dominant
Remarque : Si gm augmente
2
ENC T
diminue, dans certains cas, il est possible daugmenter
g m en plaant plusieurs transistors en parallles.
Dans ce cas :
2
( c d + nci ) 2a 1
------------------------- ----------ng m
3 f
Equ(15.39)
nqi i
2
ENC TT = 2KT ----------- a 2 f +
2KT
terme dominant
15.2.4. FET et bruit en 1/f

Le bruit en 1/f est un phnomne important dans les transistors de type MOS. Ce bruit peut
tre sensible jusqu des frquences de lordre de quelques dizaines de kiloHertz. Le bruit en 1/f
quivalent en entre est inversement proportionnel la taille de la grille (dimensions W et L) et
inversement proportionnel la capacit grille-oxyde c ox par unit de surface. Lquation 15.30
peut se mettre sous la forme :
P. NAYMAN
Master CMI
223
Kf
2
2
v i = 4kT ---------- + ------------------ f
3g m WLcox f
Equ(15.40)
Daprs Gray-Meyer [23], une valeur typique de K f est : 3 10
12 2
V pF
v
----if14
10
10
10
15
16
1f
17
10
18
10
7
8
2
3
4
5
6
10 10 10 10 10 10 10 10
Hz
Figure 15.16 : Densit spectrale du bruit en 1/f ramene en entre
P. NAYMAN
Master CMI
224
16. ELECTRONIQUE ASSOCIE AUX

CALORIMTRES DE PHYSIQUE
Une particule charge, traversant le dtecteur ionisera le milieu. Lionisation totale sera
proportionnelle lnergie perdue par la particule. Les charges cres dans la cellule du dtecteur
sont collectes grce un champ lectrique externe.
Chaque cellule du dtecteur peut tre modlise comme un condensateur C d .
Par exemple, pour un calorimtre de type argon liquide , le courant dans le dtecteur
est dfini par lquation 16.1 :
t
i d = I m 1 ---td
Equ(16.1)
i d est la variation du courant dtecteur en fonction du temps.

t d est le temps au bout duquel toutes les charges sont collectes.
T
q(t) =
0 i d ( t ) dt
Equ(16.2)
La figure 16.1 montre lvolution du courant et de la charge recueillie dans une cellule du
dtecteur.
Figure 16.1 : Courant et charge dans le dtecteur
16.1. Les contraintes

Le plus petit signal mesurable sera fonction du bruit du dtecteur et de son lectronique
associe.
Lempilement peut tre une limitation. Lempilement est un phnomne qui se matrialise par un recouvrement des signaux. Lempilement peut se produire dans le dtecteur lui-mme
ou dans llectronique qui lui est associe. Si lon dsire discerner deux signaux conscutifs crs
dans la mme cellule du dtecteur, il sera ncessaire daugmenter la bande passante de llectronique, sinon il y aura empilement possible de signaux. Plus llectronique associe au dtecteur
est rapide et plus le bruit sera important (le bruit est proportionnel la bande passante).
Dune manire plus gnrale, on tient compte de la probabilit quune mme cellule
soit touche deux fois de suite dans un laps de temps bien dfini. Lempilement doit tre considr comme un bruit quil faut optimiser.
Le bruit li la physique (tous les vnements indsirables).
Selon, les applications, il est possible de lire linformation issue du dtecteur par un pramplificateur de charges ( V s = f ( q in ) ), de courant ( V s = f ( I in ) ) ou plus rarement de tension.
P. NAYMAN
Master CMI
225

16.2. Le pramplificateur de charges

La figure 16.2 donne le schma de principe du pramplificateur de charges.
Rf
Cf
is
id
Cd
Vs
Figure 16.2 : Schma de principe du pramplificateur de charges

On suppose que 0 . La rsistance R f est utilise pour stabiliser lamplificateur en continu et pour les frquences basses.
dq
i s = ( t ) i 0 = -----dt
i 0 est une constante.

-
On suppose lamplificateur parfait, la somme des courants lentre e est nulle :

dV
dq V s
------ + ----- + C f ---------s = 0
dt R f
dt
t ----------
q Rf Cf
V s = ----- e
Cf
Equ(16.3)
Lquation 16.3 donne la rponse en tension dun pramplificateur de charges.

q( t )
q0
t
Vs ( t )
= Rf Cf
q0 C
Figure 16.3 : Signaux dun pramplificateur de charges
16.3. Le pramplificateur de courant (transimpdance)

La figure 16.4 donne le schma de principe du pramplificateur de courant ou encore transimpdance.
Rf
is
id
Cd
Vs
Figure 16.4 : Schma de principe du pramplificateur de courant
P. NAYMAN
Master CMI
226

0
-
La somme des courants au noeud e est nulle :

Vs
i e + ----- = 0
Rf
V s = ie Rf
Equ(16.4)
Ce type de pramplificateur est galement nomm transimpdance du fait que la foncV
tion de transfert -----s est homogne une impdance.

ie
16.4. Lamplificateur de courant - charges : tude dtaille

On considre dans un premier temps, lamplificateur de courant ou de charges en boucle
ouverte (sans contre raction). Lamplificateur peut se caractriser par deux tages comme lindique la figure 16.5. Le premier tage adapte le dtecteur avec une impdance Z T et possde un
gain G et une impdance de sortie Z 0 . Le deuxime tage est un buffer de gain unit qui fournit
le courant de sortie ncessaire.
is
ie
Ve ZT
G
iT
X1
Z0
V0
Vs
Figure 16.5 : Caractrisation de lamplificateur de courant-charges en boucle ouverte

Avec Z T = C e //R in
16.4.1. En boucle ouverte (sans contre raction)

V e = Z T iT
i e = iT
is
g m = -----Ve
V 0 = V s = Z 0 is = Z 0 g m V e
Vs
G = ------ = Z 0 g m
Ve
V V
Vs
----- = ------s -----e- = Z 0 g m Z T
ie
Ve ie
Equ(16.5)
16.4.2. En boucle ferme

La figure 16.6 donne le schma de principe de lamplificateur de courant-charges en boucle
ferme. Fermer la boucle consiste placer une impdance Z f entre lentre et la sortie.
P. NAYMAN
Master CMI
227

if
is
ie
Ve ZT
Zf
G
iT
X1
Z0
Vs
Figure 16.6 : Caractrisation de lamplificateur de courant-charges en boucle ferme
i e = iT + if
Ve Ve Vs
i e = ------ + ----------------ZT
Zf
Vs
1
1
i e = V e ------ + ---- ---- Z T Z f Z f
V s = Z0 gm Ve
V 1
i
1
1
----e- = -----e- ------ + ---- ---
Zf
Vs
Vs ZT Zf
Vs
1
----- = ---------------------------------------------------ie
1 1
1
1
------------- ------ + ---- ---Z 0 g m Z T Z f Z f
Z 0 gm ZT
Vs
Z 0 gm ZT
- = ------------------------------------------------------- = ------------------------------------------------------1
ie
g
Z
Z
1
1
0 m T
1 + ---- ( Z T + Z 0 g m Z T )
Z T ------ + ---- + ------------------Zf
ZT Zf
Zf
Vs
Z0 gm Z T
----- = -----------------------------------------ZT
ie
1 + ------ ( 1 + Z 0 g m )
Zf
Vs
Z0 gm Z T
----- = -------------------------------------------------------Z0 gm Z T
ie
1
1 + ------------------- 1 + ------------g m Z 0
Zf
Equ(16.6)
a
Lquation 16.6 correspond la forme classique : -----s = -------------- o a reprsente le gain en
ie
1 + af
boucle ouverte. Dans ce cas :

a = g m Z 0 Z T et
1
1
f = ------------- + 1 --- gm Z0
Zf
P. NAYMAN
Master CMI
228

16.4.2.1 Forme simplifie

1
Dans le cas o G 1 soit ------------- 1 alors :
gm Z0
gm Z 0 ZT
Vs
----- ---------------------------ie
Z0 Z T
1 + g m -----------Zf
Equ(16.7)
Si lon remplace les impdances Z T , Z 0 et Z f par leur valeur :

RT
Z T = R T //C T = -------------------------- avec p = i
1 + RT CT p
R0
Z 0 = R 0 //C 0 = -------------------------1 + R0 C0 p
Rf
Z f = R f //C f = ----------------------1 + Rf Cf p
V
1
Daprs lquation 16.7 : -----s = ------------------------------ie
1
1
------------------- + ---gm Z0 Z T Zf
Vs
1
----- = ----------------------------------------------------------------------------------------------1
ie
1
---------------------------------------------------------------- + -----------------------Rf
R0
RT
g m -------------------------- -------------------------- ----------------------1 + R0 C0 p 1 + RT CT p 1 + Rf Cf p
Vs
1
----- = -----------------------------------------------------------------------------------------ie
( 1 + R0 C0 p ) ( 1 + RT CT p ) 1
-------------------------------------------------------------- + ----- + C f p
Rf
gm R0 RT
Vs
1
----- = -------------------------------------------------------------------------------------------------------------------2
ie
1 + R 0 C 0 p + RT C T p + RT C T R 0 C 0 p
1
---------------------------------------------------------------------------------------- + ----- + C f p
Rf
gm R0 RT
et finalement :
gm
Vs
1
----- = ------------ --------------------------------------------------------------------------------------------------------------------------------------g
gm
ie
C0 CT 2
C
1
1
1
m f
p + p ------------- + ------------- + ------------- + ------------------- + -------------------------- R 0 C 0 R T C T C 0 C T C 0 C T R f C 0 C T R 0 R T
Equ(16.8)
16.4.3. Cas de lamplificateur de charges transistors effet de

champ en entre
R0 1 ( C0 p )
R T 1 ( CT p )
Rf 1 ( Cfp )
P. NAYMAN
Master CMI
229

gm
Vs
1
----- = ------------ ---------------------------------ie
C0 C T 2
g m Cf
p + p -------------
C 0 C T
gm
Vs
1
- --------------------------- = ---------------ie
C0 C T p
gm Cf
p + ------------C0 CT
gm
Vs
1
- -------------------- = ----------------------------p
ie
C 0 C T g m Cf
-+1
-------------------------- p ----0
C0 CT
Vs
1
1
----- = -------- ---------------ie
Cfp p
------ + 1
0
Equ(16.9)
Lquation 16.9 donne la fonction de transfert gnrale de lamplificateur de charges en

g C
m f
fonction de la frquence. 0 = ------------est le ple dominant de lamplificateur de charges.
C0 CT
16.4.3.1 Calcul de limpdance dentre de lamplificateur de

charges
V
Limpdance dentre de lamplificateur de charges est dfinie par le rapport : Z e = -----eie
On remarquera que :
Vs Ve
Ve
Z e = ------ = ----- -----ie
ie Vs
V
comme : ------s = Z 0 g m
Ve
1
1
1
Z e = -------- ---------------- ------------Cf p p
Z0 gm
------ + 1
0
1
comme Z 0 = --------C0 p
C0
1
Z e = ------------ ---------------p
gm Cf
1 + -----0
Equ(16.10)
Dans la bande passante ( < 0 ), limpdance dentre de lamplificateur de charges est

quivalente une rsistance de valeur :
C0
R e = -----------gm Cf
Equ(16.11)
Il est possible dajuster limpdance dentre de lamplificateur de charges, indpendamment du gain, par la capacit C 0 .
Le schma de la figure 16.7 est un exemple damplificateur de charges (source Radeka rapport BNL 18377 fvrier 1974).
P. NAYMAN
Master CMI
230

+12V
33
3K
13K
33
0.01F
820
T1
In
T2
10K
Cf
3K
2.2pF
51M
T3
1F
390
10K
33
33
10K
C0
51
Out
T5
100
1.4K
0.01F
12 V
Figure 16.7 : Amplificateur de charges (Radeka - BNL 18377 fvrier 1974-)
16.4.4. Cas de lamplificateur de courant

V
g m Z ZT
ie
Z 0 ZT
1 + g m -----------Zf
0
-,
Si lon considre lquation 16.7 : -----s ----------------------------
et compte tenu que pour lamplificateur de courant :

1
Z 0 --------C0 p
ZT RT
Zf Rf
Il est ncessaire que R f soit faible (quelques centaines dohms). Dans ce cas :
Rf
Vs
----- = -----------------------pC 0 R f
ie
1 + --------------gm R T
Rf
Vs
----- = --------------ie
p
1 + -----0
Equ(16.12)
g R
m T
avec : 0 = ------------
C0 Rf
La bande passante de lamplificateur de courant sera dautant plus grande que R f sera
P. NAYMAN
Master CMI
231

faible.
16.4.4.1 Calcul de limpdance dentre de lamplificateur de

courant
Vs Ve
Ve
Z e = ------ = ----- -----ie
ie Vs
V
------s = Z 0 g m
Ve
C0 p
Rf
Z e = ---------------- --------p gm
1 + -----0
Equ(16.13)
Dans la bande passante, limpdance dentre de lamplificateur de courant est homogne

RC
f 0
-.
une self de valeur -----------
gm
Ceci explique les instabilits possibles de ce montage avec des bandes passantes leves ou
encore avec un dtecteur prsentant une grande capacit.
Le schma de la figure 16.8 est un exemple damplificateur de courant (source E. Gatti, P.F.
Manfredi - NIM 226 (1984) 142-155- Present trends...) relativement simple.
Dans ce montage, lamplificateur de courant est constitu par les transistors T1 et T2 et la
rsistance de 10K . T3 est utilis comme tage de sortie.
T2
18nF
350
5K
18nF
25
Vcc
Out
In
T3
10K
50
750
T1
Vee
18nF
Figure 16.8 : Amplificateur de courant (Gatti-Manfredi)
P. NAYMAN
Master CMI
232

17. PROBLMES LIS LA CAPACIT DU

DTECTEUR
Le rapport signal bruit vu de lentre du dtecteur se dgrade en fonction de la capacit
dentre (dtecteur + lectronique). Dans le cas dun pramplificateur de charges, par exemple, il
y aura une rpartition des charges cres entre la capacit dentre (capacit du dtecteur + capacit parasite de llectronique) et le pramplificateur (capacit apparente par effet Miller). Dun
point de vue thorique, le dtecteur et son lectronique sont modliss par le schma de la figure
17.1.
Ca
Cd
Figure 17.1 : Modle simple du dtecteur et de son lectronique
17.1. Calcul de la rpartition des charges

q d = e C d charges cres dans la capacit du dtecteur et sa capacit parasite,
q a = e C a charges collectes par le pramplificateur,
q T = e ( C d + C a ) charges totales cres
Ca
q a = q T ------------------C d + Ca
1
q a = q T ---------------Cd
1 + -----Ca
Equ(17.1)
Daprs lquation 17.1, pour que le pramplificateur collecte le maximum de charge, il

C
faut que : -----d- soit petit ce qui implique : C d petit et C a grand.

Ca
17.2. Cas dune capacit dtecteur importante
C d > 500pf
Si la capacit du dtecteur est importante, il est possible dadapter le dtecteur et le pramplificateur par un transformateur (figure 17.2)
Le transformateur tant de rapport (1:n), la tension au secondaire est :
Vs = n Vp
HT
R
Dtecteur e
Cb
Cd
1:n
Ca
Figure 17.2 : Transformateur dimpdance

P. NAYMAN
Master CMI
233 PROBLMES LIS LA CAPACIT DU DTECTEUR
On a toujours : qin = Cd e d
Vue du primaire du transformateur les deux capacits C d et C a sont en srie.
C C
d b
Soit : C = ------------------
Cd + Cb
Z
2
Toute impdance ct primaire est vue au secondaire dans un rapport n : Z s = -----2p
Le schma quivalent vu du secondaire est donn par la figure 17.3.

n ed
Cn
Ca
Figure 17.3 : Schma quivalent vue du secondaire du transformateur

La charge totale emmagasine par les capacits est :
Cd Cb
1
q ST = ------------------- ----- + C a ne d
Cd + C b n 2
Cd Cb 1
q in
q ST = ------------------- --- + nC a ------Cd + C b n
Cd
q in
Cd
1
q ST = ---------------- --- + nC a ------Cd
Cd n
1 + -----Cb
Cd
1
q ST = q smax si : ---------------- --- = nC a
Cd n
1 + -----Cb
On peut facilement dterminer le rapport de transformation qui optimise le transfert de

charges entre le dtecteur et le pramplificateur (quation 17.2).
n =
Cd
--------------------------Cd
----Ca 1 +
C b
Equ(17.2)
Dans ce cas :
2q in
2C d 1 q in
q STmax = ---------------- --- ------- = ------------------------Cd n C d
Cd
1 + -----n 1 + -----Cb
Cb
q
STmax
in
- = -----------------------La charge dans C a est : q a = ----------------
Cd
n 1 + -----Cb
Si lon considre que C a est la somme dune capacit parasite Cp et de la capacit de

charge Cc (figure 17.4).
P. NAYMAN
Master CMI
Ca
Cc v
Cp
Figure 17.4 : Dcomposition de la capacit de charge
q in
( C p + C c )v = ------------------------Cd
n 1 + ------
C b
q cc = C c v
Cc
q in
q cc = ------------------- ------------------------C c + Cp
Cd
n 1 + -----Cb
Equ(17.3)
17.3. La suppression du ple zro

Le signal de sortie dun pramplificateur de charges est de la forme :
q
V 1 = ---- e
C
t
-------RC
= A1 e
t
-----1
comme le montre la figure 17.5.
V1
Figure 17.5 : Le pramplificateur de charges

La longue dcroissance exponentielle du signal de sortie est gnralement gnante, car elle
favorise lempilement.
Il est donc souhaitable de travailler avec des signaux ayant un retour vers la ligne de base
beaucoup plus rapide.
Selon le formalisme de Laplace, on peut expliciter la sortie du pramplificateur par lquation 17.4.
A1
V 1 = --------------1
p + ----1
Equ(17.4)
1
1
Pour raccourcir V 1 , il faut remplacer le terme p + ----- par le terme p + ----- de faon que :
1
1 2 . Pour cela, il faut raliser la chane reprsente par la figure 17.6.

A1
V 1 = --------------1
p + ----1
q
1
p + ----1
--------------1
p + ----2
A1
V 2 = --------------1
p + ----2
Figure 17.6 : Principe de la suppression du ple zro

P. NAYMAN
Master CMI
1
p + ----1
Le produit de V 1 par --------------- est appel : suppression du ple zro.
1
p + ----2
17.3.1. Ralisation pratique

La figure 17.7 illustre la mise en oeuvre dune suppression de ple zro.
R1
V1
C1
R2
V2
Figure 17.7 : Ralisation pratique dune suppression de ple zro

En utilisant le formalisme de Laplace p = i
R1
--------R1
C1 p
Z 1 = R 1 //C 1 = ---------------------- = -------------------------1
1 + R1 C1 p
R 1 + --------C1 p
R2 ( 1 + R1 C1 p )
R2
V2
------ = -------------------------------------= -------------------------------------------------V1
R1
R2 ( 1 + R1 C1 p ) + R1
R 2 + -------------------------1 + R1 C1 p
1
p + ------------R1 C1
1 + R1 C1 p
R2
V2
------ = ------------------ -------------------------------- = ----------------------------R1 R2 C1 p
1
V1
R1 + R2
p + -------------------1 + ----------------------R
R
R1 + R2
1 2 C1
------------------R1 + R2
Posons :
R1 R2 C1
1 = R 1 C 1 et 2 = ------------------R1 + R2
1
p + ----V2
1
------ = --------------1
V1
p + ----2
P. NAYMAN
Master CMI
Equ(17.5)
18. MESURES TEMPORELLES

Il est souvent ncessaire de connatre le temps darrive dune particule (ou dun signal) par
rapport un vnement de rfrence, avec une grande prcision.
Par exemple, la mesure du temps de vol dune particule va permettre de dterminer avec
prcision sa position (figure 18.1).
Photomultiplicateur
Scintillateur
Figure 18.1 : Principe de mesure temporelle

La diffrence de temps entre un signal de rfrence et le signal issu du photomultiplicateur
est proportionnelle la position o la particule traverse le barreau de scintillateur.
18.1. Exemple de la technique du Temps de Vol1 (TOF)

Il est possible, sous certaines conditions, de dterminer la masse dune particule partir du
temps t mis par cette dernire pour parcourir une distance connue L. Cette mthode de mesure du
temps de vol est largement utilise en physique nuclaire.
L=distance entre les 2 scintillateurs
Particule charge
Scintillateur
Scintillateur
t1
t = t 2 t 1
t2
Figure 18.2 : Principe du temps de vol

Connaissant limpulsion p de la particule, il est possible didentifier cette dernire par
lquation 18.1 :
2 2
c t
m = p --------- 1
2
L
Equ(18.1)
p est exprime en eV/c.

Dmonstration :
p = mv
1. Ce paragraphe est inspir de W. Klempt/Nuclear Instruments and Methods in Physics Research A433
(1999) 542-553
P. NAYMAN
Master CMI
237
MESURES TEMPORELLES
1
= ------------------- (facteur de Lorentz)
2
1
Lnergie totale de la particule est donne par lquation 18.2 :

2
2 2
E = ( pc ) + ( mc )
2 4 2
Equ(18.2)
2 2
m c = ( pc ) + ( mc )
2 2 2
2
2 2 2
m c
p = m c ( 1 ) = -----------------2
1
2
2
p (1 )
2
p
m = ------------------------- et m = ------ 1
2 2
c
c
2 2
L
c t
comme : = ---- il vient : m = p --------1
2
tc
dm
de lquation 18.1, dduisons la rsolution sur la masse ------- en prenant la drive logarithm
mique de la masse m :
2 2
1 c t
ln m = ln p + --- ln --------- 1
2 L2
c2 t2
dm
dp 1
d ( ln m ) = ------- = ------ + --- d ln --------- 1
2
m
p 2
L
c 2 t2
dm
------- = dp
------ + 1--- -------- 1
m
p 2 L2
c2 t2
d --------- 1
L2
et finalement, en passant au calcul derreur, on trouve :

dm
dp
2 dt dL
------- = ------ + ----- + ------
t
m
p
L
Equ(18.3)
Par exemple, si lon considre que :

limpulsion p peut tre connue avec une prcision de 1%,
la longueur L est connue avec une prcision de 0.1%,
2
1.
dm
Dans ce cas, ------- est largement dpendant de la rsolution en temps du dtecteur.
m
Pour une longueur L de lordre de 3 m et une particule relativiste, le temps de vol est de
10 ns. 1% de rsolution temporelle correspond une rsolution de 100 ps.
Calculons la diffrence de temps de vol entre deux particules relativiste ( p m ) ayant la
mme impulsion p. De lquation 18.1, extrayons la variable t :
2
2
m2
2
2
L m
t = ----- ------ + 1 et d ( t ) = d ------ + 1
2
2
2
c p
2
L
cdt -------- dm
2
2p
P. NAYMAN
Master CMI
238
MESURES TEMPORELLES
Si les 2 particules sont de masse m1 et m2 et t = t 1 t 2 :

2
L ( m1 m2 )
c t = ---------------------------2
2p
Equ(18.4)
Plus limpulsion des particules est grande et plus il sera difficile de les sparer. Si lon suppose que lcart t correspond n t , lquation 18.5 donne le nombre n dcarts standards sparant les deux particules.
2
L ( m1 m2 )
n = ---------------------------2
2p c t
Equ(18.5)
W. Klempt trouve, en appliquant lquation 18.5, pour une sparation de 3 t , avec

L = 3, 5m et dt = 100ps , une limite suprieure sur limpulsion :
P max, , K = 2, 1Gev c et P max, K, p = 3, 5Gev c
Figure 18.3 : Sparation de particules avec un TOF

La figure 18.4 donne un exemple de sparation de particules en utilisant des informations
combines TOF et dE/dx.
Figure 18.4 : Exprience NA49, sparation de particules avec TOF et dE/dx
18.2. Technique de la discrimination

Un signal analogique ne peut pas, en gnral, tre manipul simplement pour raliser des
mesures temporelles. Il est ncessaire de le transformer dans un standard logique grce un comP. NAYMAN
Master CMI
239
MESURES TEMPORELLES
parateur comme le montre la figure 18.5. Le signal analogique est discrimin.

V
+
V
Seuil
Vs
Figure 18.5 : Discrimination dun signal analogique

Le comparateur est un amplificateur gain G trs lev.
Vs = G
+
= e e
Si > 0 alors V s = V
Si < 0 alors V s = V
--
La figure 18.6 montre les signaux lentre et la sortie du comparateur.

Ve
Seuil
Vs
t
Figure 18.6 : Signal issu dun comparateur
18.3. Influence de la pente du signal sur linstant de basculement dun

comparateur
La figure 18.7 illustre linfluence de la pente du signal sur linstant de basculement du comparateur.
V in
Vin
k
Vs
t1
t 2 t
Figure 18.7 : Influence de la pente du signal

V s est la tension de seuil du comparateur.
k est proportionnel lnergie ncessaire pour faire basculer le comparateur.

t = t 2 t 1
t
k = V in ----2
P. NAYMAN
Master CMI
240
MESURES TEMPORELLES
2k
t = ----------V in
dV in
V in = ----------- t
dt
dV in
V in = ----------- t
dt
dV in
dV in t 2
t
k = ----------- t ----- = ----------- ------ dt
2
2
dt
2k
t = -------------------dVin dt
1
--2
Equ(18.6)
Lquation 18.6 montre que t sera dautant plus faible que la pente du signal sera grande.
18.4. Influence de la dispersion (Jitter) sur linstant de basculement

Le principe de linfluence du jitter sur linstant de basculement est illustr par la figure
18.8.
Vin
Seuil
Figure 18.8 : Influence du jitter sur linstant de basculement
dV in
dV in = ----------- dt
dt
dV in = v
dt = t
v
t = -----------------------------( dV in ) ( dt )
Equ(18.7)
18.5. Inconvnient du comparateur classique

Le temps de monte des signaux utiliss est constant et dpend uniquement du dtecteur et
de la chane analogique.
P. NAYMAN
Master CMI
241
MESURES TEMPORELLES
Vin
Seuil
t1
t2
tm
Figure 18.9 : Temps de monte des signaux

Comme le montre la figure 18.9, linstant de basculement dpend de lamplitude du signal.
18.6. Utilisation dun discriminateur fraction constante

Principe : On cherche le point dintersection du signal s(t) et du signal dcal s ( t ) . La
position de ce point dintersection ne dpend pas de lamplitude des signaux (figure 18.10).
s( t)
a1
a0
tm
Figure 18.10 : Principe du discriminateur fraction constante

Soit a 0 lamplitude du signal s(t), on ralise lopration suivante :
a0 [ s ( t ) s ( t ) ] .
Il suffit dans ce cas de dtecter le point de passage par zro.

Si lon dsire augmenter la prcision de basculement du comparateur, il est prfrable que
la pente du signal discrimin soit la plus grande possible (signal avec un temps de monte court).
Lopration suivante permet daugmenter la prcision de basculement : a0 [ f s ( t ) s ( t ) ]
Le terme a 0 f reprsente une fraction de lamplitude a0 .
18.6.1. Ralisation pratique

La figure 18.11 montre une possibilit de ralisation dun discriminateur fraction
constante (CFD).
P. NAYMAN
Master CMI
242
MESURES TEMPORELLES
RB
RA
e +
e
-
td
Z0
Vs
Z0
Figure 18.11 : Ralisation pratique dun discriminateur fraction constante

Le retard ncessaire est gnralement de quelques nano-secondes, il est ralis soit par
un cble coaxial (le temps de transit dun cble coaxial classique 50 est de 5ns par mtre) soit
par un circuit constantes localises (ligne retard par exemple).
Pour calculer la valeur des lments, on suppose :
Lentre V in est amene par un cble dont limpdance caractristique est Z 0 (gnralement 50 ).
Le retard t d est ralis par un cble dont limpdance caractristique est Z 0 .
e
Z0
= ------------------ V in
Z0 + Rb
+
Lentre e reoit la fraction de V in : e = f V in

Z
0
avec : f = -----------------
Z0 + Rb
1f
R b = Z 0 ---------f
Si lon considre que f 1 :

Z0
R b ----f
Equ(18.8)
Limpdance dentre vue de V in doit tre Z 0 :

Z in = Z 0 = ( R b + Z 0 )// ( R a + Z 0 )
Rb
1
Z 0 = Z 0 1 + ------ ---------------------------Z0
Rb + Z0
1 + -----------------Ra + Z0
Rb
Rb + Z0
------ = ----------------Ra + Z0
Z0
do :
2
Z0
R a = -----Rb
Equ(18.9)
et en utilisant lquation 18.8 :

P. NAYMAN
Master CMI
243
MESURES TEMPORELLES
Ra = Z0 f
Equ(18.10)
On choisit gnralement une fraction de 10 20%.
18.6.2. Schma complet

Le montage de la figure 18.11 est un discriminateur fraction constante dont le seuil de basculement est trs faible. Ce dernier est donc trs sensible au bruit. Afin de limiter les basculements
intempestifs on utilise gnralement la variante de la figure 18.12.
-V
Seuil haut
0V
Largeur fixe
CFD
IN
OUT
CK
Figure 18.12 : Schma complet du CFD

Le CFD est utilis pour sa prcision temporelle. Pour que le signal de sortie existe, il faut
quil soit suprieur un seuil haut dfini par un deuxime comparateur. Avec un tel systme, des
basculements du CFD lis au bruit, ne dpassant pas le seuil haut ne donneront aucun signal en
sortie.
18.6.3. Fonctionnement en mode ARC (Amplitude and Rise time

Compensated)
Dans ce mode de fonctionnement le passage par zro se fait avant que le signal attnu ait
atteint son maximum (figure 18.13).
t d t arct m
e
= fV in
e = ( 1 f )V in
V in
Figure 18.13 : Mode ARC
Z0
= ------------------ V in
Z0 + Ra
2
Z
1f
Comme R b = Z 0 ---------- et R a = -----0Rb
f
-
P. NAYMAN
Master CMI
e = ( 1 f ) V in
Equ(18.11)
244
MESURES TEMPORELLES
18.6.3.1 quation du signal attnu sur lentre

rateur
e
t
= f V in ----tm
du compaEqu(18.12)
18.6.3.2 quation du signal attnu sur lentre

rateur
du compa-
e = 0 pour t = t d
-
e = ( 1 f ) V in et pour t = td + t m
td
t
e = ( 1 f ) V in ----- ( 1 f ) V in ----tm
tm
-
si e = e alors t = t arc
( 1 f ) td ( 1 f ) td
t arc = ------------------------ -----------------------2
1 2f
(1 f)
td
t arc ---------1f
Equ(18.13)
Condition limite de fonctionnement :

td < tm ( 1 f )
Equ(18.14)
18.6.3.3 Calcul de la fraction effective

Le basculement du comparateur ne se produit pas exactement au maximum du signal, la
fraction effective est donc diffrente de f.
e
t
= f V in ----tm
V
in
d
- --------si t = t arc , e = f -------
tm
1f
Si lon pose : e = f arc V in alors :

f td
f arc = ------------------------tm ( 1 f )
Equ(18.15)
18.6.4. Fonctionnement en mode TCF (True Constant Fraction)

Dans le mode TCF le passage par zro se fait aprs que le signal attnu ait atteint son maximum (figure 18.13).
P. NAYMAN
Master CMI
245
MESURES TEMPORELLES
t mt d t cf
e
= fV in
e = ( 1 f )V in
Figure 18.14 : Mode TCF

Condition limite de fonctionnement :
td > tm ( 1 f )
Equ(18.16)
f tm
t cf = ----------- + t d
1f
Equ(18.17)
td
t
e = ( 1 f ) V in ----- ( 1 f ) V in ----tm
tm
-
pour t = t cf , e = e = f V in
18.6.5. Estimation de la pente au point de passage par zro

18.6.5.1 Dans le mode ARC (figure 18.15)
e+-etd tarc
t
dV
dt
Figure 18.15 : Pente du signal dans le mode ARC
td
+
e ( t=t d ) = f V in ----tm
t
d
Daprs lquation 18.13 : t arc = ---------
1f
f V in
-------------- t d
tm
dV
------- = ---------------------td
dt
---------- t
1f d
P. NAYMAN
Master CMI
246
MESURES TEMPORELLES
V in ( 1 f )
dV
------- = ----------------------dt
tm
Equ(18.18)
18.6.5.2 Dans le mode TCF (figure 18.16)

+
(e e )
( 1 f )V in
tm
td
tm + td
fV in
Figure 18.16 : Pente du signal dans le mode TCF

+
La pente de ( e e ) au point de passage par zro est :

V in
dV
------- = ------dt
tm
Equ(18.19)
18.6.6. Influence de la dispersion (Jitter) en mode ARC et TCF

Comme pour le comparateur classique seuil, le discriminateur fraction constante possde un jitter t .
v
t = ------------------------( dV ) ( dt )
Equ(18.20)
+
On peut ramener le bruit du signal composite ( e e ) en terme de bruit sur chaque entre :
+
v ( e ) = f V
V
in
in
est le bruit correspondant au signal non attnu.
Si lon pose : V cf = V in fV in
2
2 2
Vcf = Vin + f Vin

2 12
Vcf = Vin [ 1 + f ]
Equ(18.21)
18.6.6.1 Dispersion en mode TCF

v
t = ------------------------- et en utilisant lquation 18.21 :
( dV ) ( dt )
2 12
tcf
P. NAYMAN
Master CMI
Vin [ 1 + f ]
tm
= -----------------------------------------------V in
247
Equ(18.22)
MESURES TEMPORELLES
18.6.6.2 Dispersion en mode ARC

2 12
arc
P. NAYMAN
Master CMI
Vin [ 1 + f ]
tm
= -----------------------------------------------V in ( 1 f )
248
Equ(18.23)
MESURES TEMPORELLES
19. NOTION DE TEMPS MORT

19.1. Introduction
La notion de temps mort est intimement lie au schma gnral de lexprience. Dune manire gnrale, lexprience consiste acqurir, en vue dune mesure, (le plus souvent par un processeur) une reprsentation des signaux issus dun dtecteur.
Dtecteur
Interface
Grandeur
externe
Acquisition
+ Mesure
Figure 19.1 : Du Dtecteur la mesure

La grandeur externe est rarement dterministe et la loi de Poisson est souvent approprie
pour dcrire le processus darrive des vnements.
Chaque lment de la chane impose un certain temps de traitement. Pendant ce temps de
traitement, une partie plus ou moins importante de la chane de mesure est inapte prendre en
compte un nouvel vnement. Ce temps dimmobilisation est appel temps mort et est exprim en
pourcentage de la frquence moyenne dentre. Le temps mort doit tre considr avec dautant
plus dattention que les vnements sont rares. Tout vnement qui arrive pendant le temps mort
est perdu. Un temps mort important a pour consquence une perte importante dvnements.
19.2. La logique de dclenchement

Deux grandes catgories dvnements vont solliciter la chane dacquisition, les bons et les
mauvais. Considrons les mauvais vnements comme apparents du bruit.
La mthode naturellement utilise pour limiter le temps mort consiste faire appel une
logique de dclenchement (ou trigger). Le principe dune logique de dclenchement, de premier
niveau, est de dterminer trs rapidement si lvnement en cours une chance dtre intressant.
Comme la logique de dclenchement, de premier niveau, doit tre rapide par rapport la premire
partie de llectronique, son principe est obligatoirement simple : dtecter un minimum dnergie
dans une zone du dtecteur (passage dun seuil, sommes de cellules au dessus dun seuil, etc.).
Une autre consquence de la logique de dclenchement est quil est ncessaire de mmoriser linformation en provenance du dtecteur en attendant la dcision ou encore dinterrompre le traitement.
Dtecteur
Interface
Grandeur
externe
Acquisition
+ Mesure
Logique de
dclenchement
Figure 19.2 : La logique de dclenchement dans la chane de mesure
P. NAYMAN
Master CMI
249
NOTION DE TEMPS MORT
19.3. Les 2 types de temps morts

19.3.1. Le temps mort cumulatif
La chane de mesure est sensible tous les vnements en entre. Le systme nest capable
de tenir compte que des signaux spars dun temps suprieur son temps mort .
Par exemple, un nombre dvnements par unit de temps en entre important ( ) peut gnrer de lempilement de signaux et paralyser compltement le systme (figure 19.3).
empilement dimpulsions
t
Seuil
temps mort simple
Systme paralys sans acquisition
Figure 19.3 : Exemple de temps mort cumulatif et non-cumulatif par lentre

Les impulsions empiles ne peuvent pas tre prises en compte, elles doivent tre rejetes,
le systme est dans ce cas paralys. Gnralement, ce type de temps mort est li au dtecteur et
intervient pour des frquences dvnements en entre leves.
Le nombre R dvnements par unit de temps, trait par le systme en prsence de temps
mort cumulatif est donne par la relation suivante :
R = e
[S ]
Equ(19.1)
avec la frquence moyenne darrive des vnements et le temps mort du systme.
Le produit est sans dimension.
La dmonstration de cette relation est donne dans le paragraphe Traitement statistique du
temps mort, page 251.
Lquation 19.1 montre bien que lorsque , R 0 , le systme est dans ce cas paralys.
On peut normaliser (19.1) en multipliant les deux membres par :
R = e
Equ(19.2)
19.3.2. Le temps mort non cumulatif

Si lon appelle R le nombre dvnements moyen trait par unit de temps par le systme :
1
--- reprsente le temps moyen pour traiter un vnement.
R
1 1
1
--- = + --- , --- reprsente le temps moyen darrive dun vnement et le temps mort du systme.

R
P. NAYMAN
Master CMI
250

R = --------------1 +
Equ(19.3)
1
Cette quation montre que lorsque , R --- . Dans ce cas le temps mort est de 100%.
Normalisons (19.3) en multipliant les 2 membres par :
R = --------------1 +
Equ(19.4)
R reprsente la fraction de temps mort.

R reprsente la frquence des pertes.
Par exemple, supposons que lon a affaire au systme suivant :

vitesse dacquisition maximale de 500Hz (Rmax),
pourcentage de temps mort admissible : 30%.
On trouve facilement la valeur de :
1
1
= ------------ = --------- = 2ms
R max
500
R = 2R = 0, 3
R = 150Hz
R
150
de (19.3), max = --------------- = ----------------------------------- = 215Hz
1 R
1 ( 0, 15 2 )
La seule valeur accessible tant R, il faudra rgler le seuil de lexprience de faon avoir
R = 150Hz .
La figure 19.4 rsume les 2 types de temps morts.
R
R =
1
non-cumulatif
1
--e
cumulatif
Figure 19.4 : Les 2 types de temps morts
19.4. Traitement statistique du temps mort

Les dfinitions dune variable alatoire, dune fonction de rpartition et dune densit de
probabilit ont t pralablement donnes : Voir Les signaux alatoires (rappels de notions de
base en statistique), page 52.
La loi de Poisson donne la probabilit davoir n arrives dans un intervalle t :
P. NAYMAN
Master CMI
251
t
( t )
P n ( t ) = ---------------- e
n!
Equ(19.5)
reprsente le nombre moyen darrives par unit de temps.
De cette relation, on tire facilement les probabilits davoir 0 ou 1 arrive dans lintervalle
t :
P 0 ( t ) = e
Equ(19.6)
P 1 ( t ) = ( t ) e
et si t 0 alors :
P 1 ( t ) dt
Equ(19.7)
Calculons la probabilit P i ( ) , quil ne se soit rien produit dans lintervalle de temps

t = prcdent lvnement i. En terme de probabilits cela sexprime par le produit des pro( i 1 )
babilits individuelles. Notons P 0
( ) la probabilit quil ne se soit rien produit dans lintervalle
(i)
( i 1 ) et P 1 ( ) la probabilit davoir un vnement dans lintervalle ( i ) .

i1
P i ( ) = P0
Pi( ) = e
( ) P1 ( )
d = p i ( )d p i ( ) tant la densit de probabilit.
Il est possible de prendre en compte un vnement, sil se produit un temps suprieur

: P i ( t > ) , soit :
Pi ( t > ) =
P i ( t )dt =
dt = e
La frquence R est gale la frquence dentre multiplie par P i ( t > ) .
Pi
R = P i
Figure 19.5
Soit :
R = Pi ( t > )
R = e
19.5. Notion de temps mort gnralis

Les temps morts cumulatifs et non cumulatifs sont respectivement donns par les quations
(19.1) et (19.3). On doit L. Takcs1 la formule suivante qui unifie les deux types de temps mort.
R = ------------------ = ----------------------------
1 + e
+1
e
Equ(19.8)
1. voir rfrences [51] et [38]

P. NAYMAN
Master CMI
252
On suppose quun certain pourcentage dvnements entrants gnre du temps mort cumulatif.
Normalisons (19.8) en multipliant les 2 membres par :
R = ----------------------------- et reprsentons R = f ( )
+1
e
Lorsque = 0 , on obtient la formule du temps mort non cumulatif.

Lorsque = 1 , on obtient bien la formule du temps mort cumulatif.
La figure 19.6 reprsente la courbe R = f ( ) pour diffrentes valeurs de .
R
1
= 0
= 1
Figure 19.6 : Temps mort gnralis

Considrons le nombre dvnements par unit de temps perdu , comme la diffrence
entre les frquences dentre et de sortie :
= R
Equ(19.9)
On peut estimer que est proportionnel R, et un certain temps mort e .

= R e
Equ(19.10)
En combinant (19.9) et (19.10) :

R
e = -----------R
Equ(19.11)
puis en remplaant R par (19.1) :

e
e = ----------------------2
e

1e
1
e = ------------------- = --- ( e 1 )

Equ(19.12)
Comme seule une partie des vnements gnrera du temps mort cumulatif remplaons
par .
1
e = ------ ( e
1)
P. NAYMAN
Master CMI
Equ(19.13)
253
de (19.11) on tire facilement :
R = ------------------ puis laide de (19.13) :

1 + e
R = ----------------------------
+1
e
19.6. Notion de file dattente

Une technique prouve pour rduire les pertes dvnements par temps mort consiste grer des mmoires tampons. Ces mmoires sont assimilables une file dattente de longueur n.
On suppose toujours que les vnements en entre arrivent selon un processus de Poisson
(19.5).
19.6.1. File dattente de longueur 1

Considrons une file dattente de longueur 1. La file est soit vide (tat 0) avec la probabilit
P(0) ou pleine (tat 1) avec la probabilit P(1).
Soit la frquence moyenne de remplissage de la file dattente (nombre dvnements par
unit de temps) et la frquence moyenne de vidage de la file dattente (nombre dvnements
par unit de temps).
Le graphe dtat suivant reprsente le systme dattente.
Figure 19.7 : La file dattente de longueur 1

Si la file est vide la probabilit de passer ltat 1 est :
P ( 1 0 ) = dt
Si la file est pleine la probabilit de passer ltat 0 est :

P ( 0 1 ) = dt
Pour un fonctionnement correct, il y a quilibre, la probabilit que la file soit vide est gale
la probabilit que la file soit pleine.
En utilisant les probabilits conditionnelles :
P( 1 0) P(0 ) = P(0 1 ) P( 1)
dt P ( 0 ) = dt P ( 1 )
P
(1)
----------= --- = Y
P(0)
Equ(19.14)
Y reprsente lintensit de trafic, cest le rapport de la frquence moyenne dentre et de la frquence

moyenne de sortie ( Y < 1 ).
19.6.2. File dattente de longueur n

Gnralisons le cas prcdent une file dattente de longueur n.
P. NAYMAN
Master CMI
254
k-1
k+1
Figure 19.8 : La file dattente de longueur n

Considrons un emplacement quelconque k. La sortie de ltat k peut se faire de 2 faons :
aller vers ltat k-1 ou aller vers ltat k+1. La probabilit de sortie de k est donc gale :
P s ( k ) = P ( k 1 k ) + P ( k + 1 k ) (en traits pointills)
P s ( k ) = P k dt + P k dt
P s ( k ) = P k ( dt + dt )
Equ(19.15)
Considrons maintenant la probabilit dentre dans ltat k :

P e ( k ) = P k 1 dt + P k + 1 dt
Equ(19.16)
A lquilibre, P e ( k ) = P s ( k )
P k ( dt + dt ) = P k 1 dt + P k + 1 dt
P k ( + ) = Pk 1 + Pk + 1
P k 1 + --- = P k 1 --- + P k + 1
P k ( 1 + Y ) = P k 1 Y + P k + 1 avec Y lintensit de trafic.

P k + 1 = Pk [ 1 + Y ] Pk 1 Y
Equ(19.17)
Par rcurrence on trouve facilement :

k
Pk = Y P0
Equ(19.18)
Par dfinition :
n
Pk = 1 = P0
k=0
k=0
P0
= -----------1Y
On en dduit immdiatement que :

Equ(19.19)
P0 = 1 Y

k
Pk = Y [ 1 Y ]
Equ(19.20)
Calculons la valeur moyenne de la file dattente :
E[n] =
n Pn
n=0
P. NAYMAN
Master CMI
255
E[n] =
n Y [1 Y]
n=0
E[n] = [1 Y]
n Y = [ 1 Y ] [ Y + 2Y + 3Y + ]
n=0
2
3
1
comme ------------------2- = 1 + 2Y + 3Y + 4Y +
(1 Y)
Y
E [ n ] = -----------1Y
Equ(19.21)
Calculons la probabilit que le nombre dvnements n dans la file dattente soit suprieure k :
+
P(n > k) =
Y ( 1 Y)
p = k+1
P(n > k) = (1 Y ) (Y
P(n > k) = Y
k+1
P(n > k) = Y
k+1
k+1
+Y
k+2
+ )
2
( 1 Y) ( 1 + Y + Y + )
Equ(19.22)
Remarque : Dans les diffrentes relations trouves on suppose que lintensit de trafic
Y < 1 . Cela signifie quen moyenne le vidage doit toujours tre plus rapide que le remplissage. La
file dattente sert uniquement rguler les pointes de remplissage. Le Tableau 6 donne un exemple
de la longueur moyenne dune file dattente pour diffrentes intensits de trafic. On suppose que
la file dattente est de longueur infinie.
Intensit de trafic
Longueur moyenne de
la file dattente
Probabilit de plus de
1 vnement dans la
file dattente
Probabilit de plus de
4 vnements dans la
file dattente
Y
-----------1Y
0,1
1 (0,11)
0,01
0,0001
0,2
1 (0,25)
0,04
0,0003
0,3
1 (0,43)
0,09
0,0081
0,4
1 (0,66)
0,16
0,0102
0,5
0,25
0,031
0,6
2 (1,5)
0,36
0,077
0,7
3 (2,33)
0,49
0,168
0,8
0,64
0,327
0,9
0,81
0,590
k+1
Tableau 6 : Exemple de configuration
P. NAYMAN
Master CMI
256
19.7. Quel taux de temps mort ?

Le rglage dun seuil de discrimination est gnralement utilis pour caler le temps mort.
On peut supposer quun systme fonctionnant une vitesse proche de sa vitesse maximale, ce qui
correspond un taux de temps mort de 100%, (Voir Le temps mort non cumulatif, page 250.)
a un seuil de dclenchement trs bas. Un tel systme dclenche essentiellement sur le bruit.
Pour tre certain de ne pas tre dans un tel cas de figure, il est ncessaire que le systme soit
plus souvent au repos quen activit. Dans ce cas, est toujours prt prendre un bon vnement.
Le Tableau 6 et la figure 19.9 peuvent donner une bonne indication : pour un systme un
seul niveau, la probabilit de plus dun vnement dans le systme reste basse pour un trafic infrieur 30% (Y=0,3 et P(1)=0,09).
Y
9 buffers
4 buffers
3 buffers
2 buffers
1 buffer
0,05
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
Figure 19.9 : Probabilits et nombre de buffers en fonction du trafic
19.8. Evaluation du temps mort

Si lon connat avec prcision la frquence des vnements dentre, il est facile dvaluer
le temps mort partir de (19.1), (19.3) ou (19.8). Si lon connat la loi de variation de la frquence
du processus dentre en fonction de lamplitude, il est possible dvaluer le temps mort du systme.
Les mthodes sont bases sur la connaissance de la loi de rpartition de la frquence
dentre :
en fonction du temps (par exemple, dcroissance exponentielle dune source radioactive),
en fonction de lamplitude de la grandeur dentre (par exemple, loi de puissance en
fonction de lnergie),
selon une loi de Poisson.
Considrons lexprience reprsente figure 19.10 et base sur lutilisation de quelques
capteurs (des photomultiplicateurs par exemple). Lexprience est constitue de deux parties, la
voie mesure et la voie dclenchement.
P. NAYMAN
Master CMI
257
Mesure
ampli
retard
PM1
td
PM2
td
PMn
td
Acquisition
E1
comparateur mise en forme
E2
+
-
En
ampli
t w = cte
compteur
somme analogique
(seuil)
Dclenchement
Figure 19.10 : Une exprience
On suppose que lvnement reprsente une image dont la taille est variable. La partie mesure permet dacqurir la charge associe aux photons frappants chaque photocathode (Les lments de limage sont reus dune manire synchrone.). La partie dclenchement permet de
slectionner les vnements possdant au moins une nergie donne . Pour cela, on dtermine
lnergie totale de lvnement par une somme analogique E =
Ei . Un comparateur rapide di
fini si la somme est suprieure au seuil ( E > ). Lacquisition sera effective uniquement pour les
vnements passant le seuil. Le retard t d permet de compenser le temps ncessaire la dcision.
Le compteur permet de tracer facilement la courbe reprsente par la figure 19.11.
Figure 19.11 : Rpartition des vnements physiques

Avec ce type de systme, il est possible de rgler le seuil de faon obtenir un temps mort
acceptable.
19.8.1. Cas dune source radioactive [33]

Si le gnrateur dentre est une source radioactive, la loi du phnomne dentre suit une
P. NAYMAN
Master CMI
258
loi exponentielle de paramtre de dcroissance

On suppose que = 0 e
o reprsente la frquence darrive des vnements.
Si lon considre que lon a affaire du temps mort non-cumulatif, on peut substituer cette valeur
dans (19.3) :
Re
= 0 0 R . Si lon pose Y = Re
et si lon trace :
Y = f ( R ) la pente de la droite est dans ce cas 0 et lintersection avec lordonne est gale 0 .
La dtermination de 0 et de 0 permet de trouver simplement le temps mort .

Re
pente = 0
Figure 19.12 : Dtermination du temps mort non-cumulatif

Dans le cas du temps mort cumulatif, on utilise (19.1) :
ln R = ln puis en substituant par sa valeur, on obtient facilement :
t + ln R = 0 e
+ ln 0
Si lon pose Y = t + ln R et traons : Y = f ( e
).
La pente de la droite est 0 et lintersection avec lordonne est ln 0 .
t + ln R
ln 0
pente = 0
Figure 19.13 : Dtermination du temps mort cumulatif
19.8.2. Cas dune source de photons

On suppose que la frquence des vnements en entre est une fonction de lnergie.
d
b
--------r = aE (la variation de la frquence dentre est une loi de puissance de lnergie E).
dE
O a et b sont des constantes.
P. NAYMAN
Master CMI
259
Si lon considre le comptage des vnements au dessus du seuil :

+
aE dE
a 1b
= ------------
1b
Considrons du temps mort non-cumulatif, substituons cette valeur dans (19.3) :

1b
k
a
R = ---------------------------- avec k = -----------1b
1
b
1 + k
b1
= kR + k
b1
Traons R
= f(R)
Lintersection de la droite avec lordonne permet de dterminer k.
La pente de la droite est gale k
b1
k
pente = k
Figure 19.14 : Dtermination du temps mort non-cumulatif (loi de puissance)

Cette mthode est valable lorsque le processus statistique qui rgit lnergie incidente ne
fluctue pas trop.
19.8.3. Etude de la rpartition temporelle des vnements

La frquence de lecture moyenne R est donne par (19.1) et (19.3).Une mthode trs pratique pour valuer le temps mort consiste tudier la rpartition statistique des vnements lus.
On sintresse dans ce cas au nombre dvnements lus en fonction de lcart de temps sparant
deux vnements conscutifs : NbEvt = f ( t ) .
On suppose que les vnements qui arrivent sur le dtecteur sont rpartis selon une loi de
Poisson. Au niveau de la lecture, on peut dfinir 3 zones selon la valeur de t :
t > dans ce cas la rpartition temporelle des carts suit la loi de Poisson dentre.
t < dans ce cas le temps sparant 2 vnements est gal , le nombre dvnements
est constant.
t le systme a tendance empiler, on ne prend pas dvnement.
Lexemple (figure 19.15) suivant, provient de lexprience CELESTE [17] et montre bien
les diffrentes zones. La limite ( gauche) de la partie exponentielle, reprsente par la droite (repre logarithmique) donne le temps mort du systme, soit un temps mort de lordre de 8ms .
P. NAYMAN
Master CMI
260
Figure 19.15 Exprience Celeste

On peut remarquer que la pente de la droite est gale R.
P. NAYMAN
Master CMI
261
20. RSOLUTION EN NERGIE ET EN TEMPS DANS

LES PHOTOMULTIPLICATEURS
20.1. Introduction, les paramtres fondamentaux dun photomultiplicateur
La rsolution en nergie dun systme de dtection en physique est gnralement dfinie
par le rapport de la largeur mi-hauteur dune raie par son amplitude. Si lon considre un photomultiplicateur, on a affaire une multiplication statistique.
Pour arracher un photolectron de la photocathode, il est ncessaire de recevoir un ou plusieurs photons (les photons doivent avoir une rponse spectrale en accord avec celle de la photocathode. La figure 20.2 montre la sensibilit nergtique de photocathodes S k (mA/W) en fonction
de la longueur donde (nm) des photons incidents).
Ik
S k = -----e
AW
Equ(20.1)
avec Ik le courant de photocathode et e le flux incident de photons.

Si le flux incident de photons est exprim en units photomtriques (lm) alors :
Ik
S k = ------
A lm
Equ(20.2)
On peut galement exprimer la sensibilit de la photocathode comme le rapport entre le

nombre moyen dlectrons n k mis par la photocathode au nombre moyen de photons reus n p .
Dans ce cas, on parle de rendement quantique ou defficacit quantique de la photocathode (de
lordre de 25%). Cette formulation se prte bien au traitement statistique du photomultiplicateur.
nk
= ----np
Equ(20.3)
est essentiellement limit par le fait que de nombreux photons incidents sont absorbs ou
rflchis par la photocathode.
Il est possible de relier la sensibilit spectrale et lefficacit quantique. Lquation 20.1
devient :
nk e
Ik
e
e
S k = ------ = ---------------- = ---------- = -----------------e
h
hc
n p h
avec h la constante de Plank, e la charge de llectron et c la vitesse de la lumire dans le

vide.
Ik
( nm )
S k = ------ = ( % ) ---------------e
124
Equ(20.4)
Par exemple, pour = 25% et = 400nm on trouve Sk 80A W .

Chaque photolectron sera acclr par un champ lectrique et amplifi par la premire dynode, ce principe est illustr par la figure 20.1. Cest le gain de la premire dynode (lamplification
est de lordre de 3-4). Les photolectrons mis par la photocathode ont une probabilit darriver
sur la premire dynode. Cette probabilit est lefficacit de collection.
6
Le gain total du photomultiplicateur peut atteindre 10 et sera fonction du nombre dtages

du tube, du facteur damplification de chaque dynode ainsi que de lenvironnement (prsence ou
non de champ magntique).
Le nombre dlectrons que lon rcupre sur lanode est donn par (20.5) :
N a = N g 1 g 2 g n
Equ(20.5)
P. NAYMAN
Master CMI
262
RSOLUTION EN NERGIE ET EN TEMPS

DANS LES PHOTOMULTIPLICATEURS
N tant le nombre de photons frappant la photocathode,

le rendement quantique de la photocathode,
lefficacit de collection (de lordre de 80%),
g i le gain de la dynode i (~3-4).
Dynodes
g1
g3
Photons frappant
la photocathode
Photocathode
Anode
g2
g4
Figure 20.1 : Principe de la multiplication dans un photomultiplicateur
Figure 20.2 : Exemple de rponse spectrale en fonction du type de photocathodea

a. Documentation Hamamatsu
Pour tudier les fluctuations lies une multiplication statistique, il est ncessaire de calculer les diffrents moments (moyenne, cart type) dun tel processus en cascade. Le traitement des
vnements en cascade est bien rsolu par lutilisation des fonctions gnratrices (Voir Fonction
gnratrice dune variable alatoire, page 59.).
P. NAYMAN
Master CMI
263

20.2. Cas de deux vnements en cascade

Si lon considre la deuxime fonction caractristique modifie, on peut dfinir le processus
de gnration U de deux vnements en cascade U a et U b comme tant :
U ( u ) = Ua ( Ub ( u ) )
Equ(20.6)
Le processus de gnration doit tre interprt de la manire suivante : U a arrive en premier

et se ralise m a1 fois. Puis U b est tent m a1 fois, chaque tentative U b se ralise m b1 fois. Globalement, il y aura m 1 ralisations.
Considrons que les moments de U a et U b sont respectivement : m a1 ,m a2 et m b1 , m b2
alors laide de (7.46) :
2 3
2 3
iu
i u
i
iu
i u
U ( u ) = um b1 + ------- m b2 + ---------- m b3 + .. m a1 + ----- um b1 + ------- m b2 + ---------- m b3 + .. m a2 + ..
2!
2!
3!
2!
3!
Si lon ordonne les termes en se limitant au deuxime ordre :

2
2
iu
U ( u ) = um a1 m b1 + ------- [ m a1 m b2 + m b1 m a2 ] +
2!
On en dduit immdiatement :
E [ x ] = m 1 = m a1 m b2
2
Equ(20.7)
U ( x ) = m b2 m a1 + m b1 m a2
Equ(20.8)
Comme :
m a1 = E Ua [ x ]
2
m a2 = Ua
m b1 = E Ub [ x ]
2
m b2 = Ub
2
U ( x ) = Ub E Ua + E Ub Ua
Equ(20.9)
2
Une forme intressante est dcrite par la variance relative T de U obtenue en divisant les
2
membres de lquation 20.9 par [ E Ua E Ub ] :

2
Ub E Ua
E Ub Ua
U ( x )
--------------------------- = --------------------------- + --------------------------2
2
2
[ E Ua E Ub ]
[ E Ua E Ub ]
[ E Ua E Ub ]
b
T = a + ---------E Ua
Equ(20.10)
Cette relation met en vidence que le bruit globale est domin par le bruit du premier tage.
On peut gnraliser ce rsultat fondamental n tages en cascade :
c
d
n
b
T = a + ---------- + -------------------- + ------------------------------ + + -------------------------------------------E Ua E Ua E Ub E Ua E Ub E Uc
E Ua E Ub E Un 1
P. NAYMAN
Master CMI
264
Equ(20.11)

20.3. Le photomultiplicateur dun point de vue statistique

20.3.1. Le bruit de la photo-mission
Un modle simple permet dtudier la contribution de la photocathode en ce qui concerne
le bruit.
Pour chaque photon frappant la photocathode, un lectron est mis avec la probabilit q .
La probabilit de non-mission est donc : 1 q . Il ny a dans ce cas quune alternative p 0 ou p 1 .
Cherchons la deuxime fonction caractristique modifie de ce processus ;
U ( u ) = i ln
e
n=0
iun
pn
iu
U ( u ) = i ln [ p 0 + p 1 e ]
iu
( iu )
2!
Appliquons, dune part lapproximation : e 1 + iu + ------------ +
et dautre part
x
2
lapproximation : ln ( 1 + x ) = x ----- +
2
1
2 2
( iu )
U ( u ) = i iu + ------------ q + --- ( iu ) q +
2
2!
2
2
iu
U ( u ) = u q + ------- ( q q )
2!
On en dduit immdiatement :
la valeur moyenne : m = q
2
la variance : = q q = q ( 1 q )
2
(1 )
q
q
do : q = ------2 = ------------------------2
q
( 1 q )
q = -------------------q
Equ(20.12)
Considrons maintenant, le cas o N photons touchent la photocathode (On suppose le flux

2
de photons non-fluctuant : p = 0 ).
2
Utilisons lquation 20.9 avec Ua = p = 0

2
Ub = q ( 1 q )
m p = E Ua = N
2
P. NAYMAN
Master CMI
pe = U = N q ( 1 q )
Equ(20.13)
m pe = N q
Equ(20.14)
265

Le flux de photolectrons mis par la photocathode peut tre caractris par un Rapport Signal Bruit ( RSB pe ).
Cette quantit est le rapport entre la valeur moyenne du nombre de photolectrons (au carr)
et de la variance correspondante :
2
RSB pe
( N q )
= ----------------------------------N q ( 1 q )
N q
RSB pe = --------------1 q
Equ(20.15)
Considrons que le flux de photons incident fluctue selon une loi de Poisson avec un
2
nombre moyen n p de photons par intervalle de temps alors : p = n p . En appliquant nouveau

lquation 20.9 :
2
pe = n p q ( 1 q ) + q n p
2
pe = q n p
Equ(20.16)
m pe = n p q
Equ(20.17)
2
( q np )
RSB pe = ------------------q np
RSB pe = q n p
Equ(20.18)
Remarque : la dgradation du rapport signal bruit par le paramtre q ne peut plus tre
rcupre.
En combinant (20.16) et (20.17) on trouve :
1
q = -----------np q
Equ(20.19)
si lon considre n k = n p q le nombre de photolectrons mis :

1
q = ----nk
Equ(20.20)
20.3.2. Influence de lensemble des dynodes

Pour n vnements en cascade la variance relative g de lensemble est dcrite par lquation 20.11 et peut se mettre sous la forme :
n
2
g = 1 + ------ + + -------------------------m1
m 1 m n 1
m i est le gain de ltage i et i sa variance relative.
Considrons que tous les tages ont le mme gain m et la mme variance m :
1
1
g = m 1 + ---- + + -----n
m
m
n
n
m 1
g = m -------------------------------- et comme m 1 :
n1
( m 1 )m
P. NAYMAN
Master CMI
266

m m
g = --------------m1
Equ(20.21)
La variance relative du photomultiplicateur ne dpend pas du nombre dtages du tube.

En gnral, la premire dynode est traite avec un soin particulier (gain plus important,
etc.). Son rle est prpondrant dans la qualit du phnomne de multiplication.
Le rapport entre le nombre moyen de dlectrons atteignant la premire dynode et le nombre
de photolectrons quittant la photocathode est appel Efficacit de collection de loptique dentre
c . Cette valeur est gnralement suprieure 80%.
Comme pour (20.12) on peut dfinir la variance relative du nombre dlectrons entrant dans
le multiplicateur :
( 1 c )
c = ------------------c
Equ(20.22)
Appliquons lquation 20.11, en sparant le phnomne de collection
dentre : G = c + ------g
m1
Dans ce cas m 1 nest pas un gain mais une perte qui correspond c :
g
G = c + ----c
Equ(20.23)
m m
G = c + -----------------------c( m 1 )
Equ(20.24)
puis laide de (20.21) :
c et m sont respectivement la variance relative du nombre dlectrons entrant dans le
multiplicateur et le gain de chaque tage. c est lefficacit de collection de loptique dentre et

m la variance relative du gain dune dynode.
20.4. Rsolution en nergie et le spectre du photolectron

La mthode classique pour dterminer la rsolution en nergie dun systme base de photomultiplicateur est de convertir la charge issue du photomultiplicateur en une tension puis de raliser lhistogramme des rpartitions des amplitudes laide dun analyseur multicanaux.
e
uk
PM
Histogramme
Amplificateur Conversion
de charges
Analogique
Numrique
Figure 20.3 : Mthode pour mesurer la rsolution en nergie
La figure 20.3 donne le schma de principe de mesure de la rsolution en nergie de la
chane du photomultiplicateur.
Considrons un phnomne physique engendrant des photons sur la photocathode (phnomne de scintillation par exemple). Les charges issues du PM sont converties en tension par un
pramplificateur de charges. La tension issue du pramplificateur est numrise puis un histogramme est ralis (un canal est affect chaque tension u k et chaque occurrence de u k le canal
P. NAYMAN
Master CMI
267

correspondant est incrment) par un processeur par exemple.

La rsolution en nergie peut tre spcifie par la quantit :
largeur mi-hauteur
R e = -------------------------------------------------- 100%
canal du pic
Equ(20.25)
Dterminer le gain du photomultiplicateur nest pas facile, la mthode gnralement utilise consiste illuminer la photocathode par un flux de lumire constant mesurer successivement
le courant de photocathode fort flux puis mesurer le courant anodique faible flux.
Ia
Le rapport ----- F est gal au gain du photomultiplicateur (F tant le rapport des flux fort et
Ik
faible).
La mthode du spectre du photolectron est ce titre assez intressante, si lon connat le
gain de conversion de la chane de mesure, il est possible daffecter un nombre de canaux au photolectron. La dtermination du gain de la chane de mesure est facilement mesur en injectant des
charges connues lentre de la chane.
Il faut noter que les fluctuations statistiques de chaque photolectron sont trs grandes, le
spectre est par consquent trs tal.
La mesure du spectre du photolectron seffectue en envoyant un flash de lumire trs court
et trs faible sur la photocathode. La position du pic du photolectron est gnralement trs proche
de celui du bruit.
Toutes les mesures ultrieures pourront tre rfrences par rapport au photolectron.
La figure 20.4 montre un spectre de photolectrons. Le pidestal correspond au bruit global
de la chane. On distingue correctement 1 photolectron et lon commence discerner le spectre
de 2 photolectrons.
Pour mesurer le nombre de canaux par photolectron, il est ncessaire de soustraire la valeur moyenne du pic celle du pidestal.
Pic
La qualit de dtection du photolectron est dfini par le rapport --------------- qui doit tre supValle
rieur 50%.
Remarque : Pour valuer correctement les diffrents paramtres du spectre de la figure
20.4, il est ncessaire dajuster une courbe mathmatiquement bien connue. On peut considrer
que lon a affaire une somme de distributions de gaussienne dont les amplitudes sont distribues
selon une loi de Poisson. La formule (20.26) est couramment utilise.
2
f(x) =
k=0
( x k )
-------------------2
2 k
e e
------------------ ----------------------k!
2
Equ(20.26)
k et k sont les moyennes et carts types de chaque gaussienne, k est le nombre de pho-
tolectron dans la distribution de Poisson et la valeur moyenne du photolectron.

2
k
La variance relative du nombre de photolectrons n k est : k = -----------et daprs (20.20) :
2
( nk )
1
k = ----- .
nk
2
k = ( nk ) k = n k
k =
Equ(20.27)
nk
et la rsolution mi-hauteur, dans le cas dun spectre gaussien, est :

LMH = 2, 36
Equ(20.28)
Si lon considre la rsolution relative mi-hauteur :
P. NAYMAN
Master CMI
268

2, 36 k
LMH
R e = ------------- = -----------------m
nk
R e = 2, 36 k
Equ(20.29)
2, 36
R e = -----------nk
Equ(20.30)
Si lon sintresse au photomultiplicateur complet, on peut dfinir la variance relative du

nombre de photolectrons au niveau anodique. Dans ce cas, on applique nouveau la formule gnrale de la variance relative (20.11) :
Avec G est le gain du multiplicateur, n k le nombre de photons incidents et q le rendement
quantique de la photocathode.
na = nk G = np q G
G
a = q + ------------ avec G dfinie par (20.24)
np q
laide de (20.20) :
1 G
a = ----- + -----nk nk
1
a = ----- ( 1 + G )
nk
Equ(20.31)
A laide de (20.29) on trouve :

2, 36
R e = ------------ 1 + G
nk
Equ(20.32)
La relation (20.32) montre bien linfluence du nombre de photolectrons et de la variance

relative du multiplicateur sur la rsolution.
Nb coups
Pidestal
1 Photolectron
Pic
2 Photolectrons
Valle
Valeur du photolectron en canaux
Figure 20.4 : Spectre du photolectron unique
P. NAYMAN
Master CMI
269

20.5. Le facteur de bruit

Il est possible dappliquer le concept du facteur de bruit tel quil a t dfini par (13.33) :
Se Be
F = ---------------- .
Ss Bs
Bs Se
F = ------ -----Ss Be
Le phnomne dentre est caractris par (20.16) et (20.17). On caractrise la sortie en mesurant lcart type E et lnergie E , valeur moyenne dune gaussienne :
E 2
F = ------ n p q
E
Equ(20.33)
Il faut remarquer que les rapports signaux bruit sont logiquement dfinis en puissance (ou
en nergie), cest le cas pour (20.15) et (20.18). Certains auteurs considrent le rapport signal
bruit comme le rapport de la valeur moyenne et de lcart type (ce qui apporte quelques diffrences dans les formules).
Le spectre du photolectron unique permet dvaluer le facteur F, en effet dans (20.33), la
quantit n p q correspond au nombre de photolectrons. Dans le cas du photolectron unique,
cette quantit vaut 1 et F = -----E- .

E
20.5.1. Principe dvaluation de certains paramtres

Il est intressant de pouvoir mesurer certains paramtres du photomultiplicateurs. Reconsidrons lquation 20.5 :
N a = N g 1 g 2 g n et posons G D = g 1 g 2 g n , on obtient :
Na = N GD
Equ(20.34)
Il faut remarquer que les industriels du photomultiplicateur dfinissent le gain comme :

G I = G D
Equ(20.35)
Dans les laboratoires on considre le plus souvent G D .
La quantit eff = est le rendement quantique effectif, cette quantit est souvent
confondue avec . eff correspond au rapport du nombre de photons incident au nombre de photolectrons capturs par la premire dynode.
20.5.2. Mesure du gain
GI
Dans un premier temps, il est ncessaire dilluminer la photocathode avec un flux lev de
faon pouvoir mesurer le courant cathodique :
I c N (le signe ~ signifie proportionnel ).

Placer un filtre devant la photocathode ( T = 10 5 )
Le courant anodique est dans ce cas : I a ~ N 10
GD
5
Le rapport ---a- 10 donne directement G I :
Ic
Ia 5
---- 10 = G I
Ic
P. NAYMAN
Master CMI
270
Equ(20.36)

20.5.3. Mesure du gain
GD
La mesure de G D est base sur le spectre du photolectron unique. Soit Q m la charge quivalente au pic du photolectron unique, alors :
Qm
G D = ------------------------- 19
1, 6 10
Equ(20.37)
20.5.4. Mesure du rendement quantique effectif

Pour mesurer le rendement quantique effectif eff , il faut se placer dans la situation de mesure du photolectron unique avec une source impulsionnelle.
Le principe consiste comparer le taux de comptage du photomultiplicateur de test celui
dun photomultiplicateur de rfrence.
20.5.5. Mesure du rendement quantique

Connatre le rendement quantique est possible par une mthode indirecte :
La connaissance de G I et G D (voir ci-dessus) permet de connatre . De plus, la connaissance de eff permet ensuite dextraire .
20.6. Fluctuations temporelles dans un photomultiplicateur1

Frquemment, on utilise les signaux issus de photomultiplicateurs pour effectuer des mesures de temps trs prcises. Les phnomnes de fluctuations des temps darrive des lectrons
dans le multiplicateur peuvent engendrer des erreurs importantes. Il est donc intressant de
connatre les paramtres qui vont contribuer ces fluctuations.
Considrons dans un premier temps, les fluctuations temporelles entre deux dynodes successives du photomultiplicateur, la photocathode tant illumine par une impulsion de lumire trs
brve (assimilable une impulsion de Dirac). N e lectrons vont quitter la premire dynode vers
la seconde dynode. Dans lhypothse o les temps de transit de chaque lectron sont identiques,
le signal reu sur la deuxime dynode est une impulsion de Dirac en courant. En fait, chaque lectron arrivera selon un temps moyen et un cart type par rapport ce temps moyen. La largeur du
signal sur la seconde dynode sera fonction de la fluctuation des temps de transit de chaque lectron.
La variance des fluctuations du temps de transit entre deux dynodes est divise par le
nombre dlectrons formant le signal.
2
ss
2
a = ------Ne
Equ(20.38)
ss est la variance des carts des temps de transit entre les deux dynodes.
Il est intressant de connatre la variance des fluctuations du temps de transit aprs la multiplication du signal par une dynode.
2
ss
2
3
b = ------- 1 + --- g
2
Ne
Equ(20.39)
g est la variance relative du gain de ltage.

1. Dans un premier temps les relations gnrales sont donnes, les dmonstrations sont donnes aprs.
P. NAYMAN
Master CMI
271

Aprs n multiplications en cascade (on suppose que chaque tage a un gain g), la variance
relative des fluctuations devient :
2
1
3
= ------ = ---------------------- 1 + ------
2
2
2g
( g 1 )n
Equ(20.40)
Ds que le nombre dtages devient important, la variance relative diminue notablement.

Dans le cas dun photomultiplicateur complet, la variance du centre de gravit du signal
peut tre dfinie par lquation 20.41 :
2
2
cd
ss
2
+ ------------ 1 + ---
g 1
g
Equ(20.41)
cd est la variance du temps de transit entre la photocathode et la premire dynode.

2
ss est la variance du temps de transit entre deux dynodes conscutives.
g est le gain moyen dun tage.

2
Lquation 20.41 montre le rle important du terme cd qui devra tre minimis en augmentant au maximum le gain de la premire dynode.
20.6.1. Dmonstrations1
20.6.1.1 Variance de la diffrence des temps de transit entre
deux dynodes
Soit i est la diffrence entre le temps darrive t i de llectron i et le temps darrive
moyen t m :
i = ti tm
2
Dans ce cas, ti sera la variance de llectron unique.

Si lon considre que tous les temps de transit de tous les lectrons sont distribus selon la
2
mme loi de probabilit, la variance des diffrences des temps de transit a des lectrons arrivant
sur la deuxime dynode est :
Ne
i
i=1
a = ss = --------------Ne
Equ(20.42)
Lcart type a caractrise la largeur du signal form de N e lectrons. Cette largeur va varier en fonction de la variation des i .
1. Daprs la thorie dveloppe par GATTI et SVELTO [21]

P. NAYMAN
Master CMI
272

Drivons a par rapport i .

Ne
i di
i=1
a d a = ---------------------Ne
Ne
i di
i=1
d a = ---------------------Ne a
Ne
i i
i=1
2 2
a = ----------------------2 2
Ne a
Comme la loi statistique rgissant larrive de chaque lectron est identique pour tous les
2
lectrons, la variance i est identique pour tous les lectrons.
i
2
Ne
i
i=1
a = ----------------------Ne 2
2
N e -----ii = 1 Ne
2
2
finalement : a = ------iNe
La variance des fluctuations du temps de transit est divise par le nombre dlectrons formant le signal.
20.6.1.2 Variance de la diffrence des temps de transit aprs

une amplification
Les N e lectrons sont multiplis par lmission secondaire de la dynode. Calculons la va2
riance b aprs cette amplification.

Ne
Le nombre dlectrons total aprs multiplication est : Nb =
gi . On suppose que llec-
i=1
P. NAYMAN
Master CMI
273

tron i donnera g i lectrons secondaires.

Ne
i=1
Ne
gi i
i=1
gi i
b = -------------------- = -------------------Nb
N
e
gi
i=1
Les variables gi et i ne sont pas corrles et en moyenne le processus de multiplication

nlargit pas le signal :
2
a = b
Equ(20.43)
Drivons b par rapport g i et i :

Ne
Ne
i=1
Ne
dg i
Ne
i
=
1
2
2 b d b = ----------------------- + ------------------------------ i g i ---------------------2
Ne
Ne
i = 1
Ne
g
gi
gi
i
i=1
i=1
i
=
1
i dg i
i g i d i
i=1
Ne
On suppose que la valeur moyenne du nombre dlectrons multiplis est :
gi
= Neg
i=1
Ne
N
2 e
i i dg i
i=1
i=1
i = 1
i = 1
d b = ----------------------- + ------------------------------ ------------------------- -----------------2
2 b
2 b N e g
2 b N e g
(N g)
Ne
Ne
i dg i
i g i d i
Ne
dg i ( i b )
i=1
Ne
i gi di
i=1
d b = ---------------------------------------- + --------------------------2 b N e g
b Ne g
Ne
i=1
2 2
g ( i b )
Ne
i gi ss
i=1
2 2 2
b = ----------------------------------------- + ----------------------------2 2 2
2 2 2
4 b N e g
b Ne g
2
g est la variance de g.
Ne
i=1
2 2
g ( i b )
Ne
i gi ss
i=1
2 2 2
2
2
- et 2 = ----------------------------Posons 1 = ---------------------------------------2 2 2
2 2 2
4 b N e g
P. NAYMAN
Master CMI
b Ne g
274

Afin dvaluer 2 , il est ncessaire dvaluer :
Ne
i gi .
i=1
2 2
Comme g i a une valeur moyenne g et une variance g , on peut utiliser lapproximation

2
suivante : g i = g + g
Ne
i=1
2 2
i gi = ( g + g )
Ne
i
i=1
Ne
i
i=1
2
Daprs lquation 20.42 : ss = ---------------
Ne
Ne
donc :
i gi
i=1
2 2
= ( g + g )N e ss
Pour valuer 1 , il est ncessaire de calculer
Ne
i .
i=1
4
On suppose que les diffrences dans les temps de transit i ont une distribution gaussienne
normalise (la surface totale sous la courbe est Ne ).
2
Ne
dP ( i ) = ------------------- e
ss 2
Ne
i=1
i =
i
---------2
2 ss
d i
i dP ( i ) = 3Ne ss
4
En utilisant (20.42) et (20.43) on obtient finalement lapproximation suivante :

2
2
b
ss
3
= ------- 1 + --- g
2
Ne
Avec g la variance relative du gain de ltage.
20.6.1.3 Variance de la largeur de limpulsion aprs n multiplications en cascade

Le processus de multiplication ne modifie pas, en moyenne, la largeur de limpulsion
2
gnre : a = b .
n+1
i
i=2
= n ss . Drivons par rapport :
P. NAYMAN
Master CMI
275

d =
n+1
i di
i=2
n + 1 2
2
-----i i
2
i = 2
2 2
= ss
n+1
et d =
n + 1
---- di
i=2
2
comme : i = ss
i
i=2
2
Dautre part on a vu que :
2
b
ss
3
= ------- 1 + --- g
2
Ne
n+1
2 2
4
3
1
= ss 1 + --- g -------
2 i = 2 N ei
En moyenne, on peut faire lapproximation suivante : N ei = g

2 2
4
3
= ss 1 + --- g
n+1
---------i1
i=2
g
i1
1 1
4
3
1
1
= ss 1 + --- g --- + ----- + ----- + + -----
n
2 g g2 g3
g
Si n est grand --- + ----2- + ----3- + + ----n- ------------ et comme = n ss

1
g
1
g1
ss = ----2
n
2
2
3
1
= ----- 1 + --- g ------------

g 1
2
2
n
1
3
Calculons la variance relative de la largeur du signal : = -----2- = ----------------------2 1 + --- g .
2
( g 1 )n
Et dans le cas o le processus de variation du gain suit une loi de Poisson : g = g :

2
1
3
= ------ = ---------------------- 1 + ------
2
2
2g
( g 1 )n
20.6.1.4 Variance de la position du centre de gravit du signal

Dfinissons le centre de gravit du signal issu dune dynode par :
Ne
gi i
i=1
Ne
gi i
i=1
b = ------------------- = ------------------Ne g
N
Equ(20.44)
gi
i=1
P. NAYMAN
Master CMI
276

Drivons b par rapport g i et i :

Ne
( gi di + i dgi )
i=1
d b = ---------------------------------------------Neg
2
ss
2
Ne
i=1
gi + g
Ne
i
i=1
b = ---------------------------------------------------2 2
Ne g
Ne
i
i=1
2
2
2
2
Si lon considre lapproximation : g i = g + g et comme ss = ---------------
Ne
2
b
ss ( g + 2 g )
= ---------------------------------2
Ne g
2
finalement :
2 g
ss
ss
2
= ------- 1 + --------- ou b = ------- ( 1 + 2 g )
2
Ne
Ne
g
2
b
g est la variance relative de g.
20.6.1.5 Variance de la position du centre de gravit du signal

pour le photomultiplicateur complet
2
Soit cd la variance du temps de transit entre la photocathode et la premire dynode. La

variance de la position du centre de gravit du signal pour le photomultiplicateur complet est :
2
2
cd
n + 1 2
ss
-------- ( 1 + 2g )
i = 2 N ei
En moyenne, on peut faire lapproximation suivante : N ei = g
i1
2
b
2
cd
ss
+ ------------ ( 1 + 2 g )
g1
ss
- 1 + --- .
Si lon considre nouveau que : g = g , il vient : b = cd + ----------
g1
2
g
20.7. Utilisation des signaux danode et de dynode

Il est souvent intressant de disposer du signal danode et dun signal de dynode. Cette
double information peut tre utile pour rsoudre des problmes de gamme dynamique ou de d-
P. NAYMAN
Master CMI
277

clenchement.
Dynode
Anode
C
n
ia
R1
id
I/U
R2
Figure 20.5 : Utilisation conjointe dun signal dynode et du signal danode

Pour sortir le courant de dynode, on utilise gnralement un amplificateur transimpdance
prsentant une impdance dentre faible.
Supposons que lon sorte le signal issu de la dernire dynode et que chaque dynode a un
gain g. Si la dynode reoit, n lectrons :
le courant vers lanode est : i = n g et i = ia .
En considrant que la somme des courants entrants dans la dynode est gale au courant sortant :
id + n ia = 0
id + n ng = 0
id = n ( 1 g )
Comme ia = n g :
1
id = ia 1 ---
Equ(20.45)
2
Par exemple, si g=3, id = --- ia . Daprs la figure 20.5, les courants danode et de dynode
3
sont de sens opposs, si limpulsion danode est ngative, limpulsion de dynode est donc positive.
P. NAYMAN
Master CMI
278

21. INTRODUCTION AUX PHOTODTECTEURS

TRANSFERT DE CHARGES (CHARGE COUPLED
DEVICES)
21.1. Introduction
Les photodtecteurs transfert de charges (CCD) sont apparus dans les annes 1970, dans
les laboratoires de la socit Bell Labs, pour rsoudre des problmes de mmoires et de lignes
retard.
Le CCD est une puce de silicium qui transforme un flux lumineux en charges lectriques.
Leurs caractristiques ont t trs vite exploites dans les applications dimagerie (camras,
appareils photographiques, tlphonie, jeux, etc.) et ont rvolutionn les performances de lappareillage en radio-astronomie.
Lintrt de tels dispositifs est marqu par :
une efficacit quantique leve (suprieure 80%),

une pixelisation importante (matrice 4Kx2K),
une grande gamme dynamique,
une bonne linarit,
un bruit relativement faible.
Lutilisation dun CCD est nettement facilit par la comprhension de son fonctionnement.
Dun point de vue schmatique on peut le caractriser par 4 oprations bien distinctes :
Crer des charges (effet photo-lectrique) dans une capacit MOS (Metal Oxyde
Semiconductor),
Collecter les charges (matrice de pixels),
Transfrer les charges,
Dtecter les charges (conversion charge/tension et encodage).
Les paragraphes suivants reprennent avec un peu plus de dtails ces diffrents points.
21.2. Leffet photo-lectrique

Les atomes dun cristal de silicium sont arrangs en bandes dnergie. La bande la plus
basse est la bande de valence et la bande la plus haute est la bande de conduction.
Il est possible darracher un lectron (et de crer un trou) de la bande de valence vers la
bande de conduction en apportant lnergie ncessaire pour cette opration (1.26 lectron-volt).
Un champ lectrique est, de plus, ncessaire pour confiner les porteurs et ainsi viter toute recombinaison.
Des photons incidents dont lnergie E > 1, 26 eV crerons des paires lectrons-trous. Cette
nergie correspond des photons dont la longueur donde est denviron 1m .
Lnergie du photon incident et sa longueur donde sont relies par la relation (21.1) :
1, 26
E ( eV ) = ------------ ( nm )
Equ(21.1)
La plupart des photons dont lnergie est E < 1, 26 eV passeront travers le CCD sans interagir (le CCD est transparent pour linfrarouge lointain).
Les paire lectrons-trous cres par effet thermique constituent une source de bruit (courant
noir).
P. NAYMAN
Master CMI
279
Introduction aux photodtecteurs transfert

de charges (Charge Coupled Devices)
21.3. La capacit MOS (Metal Oxyde Semiconductor)

Le principe de la capacit pMOS (MOS dop p) est une bonne approche pour comprendre
le fonctionnement du CCD. Il existe 2 types de structures capacitives MOS, lune dite avec canal
en surface et lautre avec canal enterr. La structure canal en surface prsente linconvnient de
piger des charges linterface avec loxyde.
La structure canal enterr a t dveloppe pour rsoudre ce type dinconvnient, elle est
gnralement utilise dans toutes les applications CCD.
La capacit MOS (figure 21.1) est constitue dun substrat de silicium dop p, recouvert
dune zone N dont lpaisseur est denviron 1m . Sur la zone N, un isolant est dpos, de loxyde
de silicium, denviron 0, 1m dpaisseur. Sur lisolant est dpos une lectrode mtallique
conductrice (grille) fortement dope (aluminium ou silicium polycristallin) qui complte la structure capacitive.
+V
Zone N
Zone appauvrie
-
Zone dope P
SUBSTRAT
Grille
Oxyde
Photons
Figure 21.1 : Structure du MOS
Lapplication dune tension positive sur la grille (entre 6 et 10 volts), cre une zone appauvrie en porteurs majoritaires (ou zone de dpltion ou encore de charge despace). Des photons
suffisamment nergtiques, vont crer des paires lectrons-trous. Les trous seront canaliss vers
le substrat tandis que les lectrons migreront vers la zone N. Les charges sont collectes et confines dans un canal (puits de potentiel). La figure 21.2 montre le champ lectro-statique cr lorsquune tension de polarisation de +10 volts est applique sur la grille, le substrat tant la masse.
On peut remarquer que le potentiel dans le canal prsente un plateau, ce qui signifie que le champ
est nul dans cette rgion.
P. NAYMAN
Master CMI
280

Potentiel lectro-statique (V)
Zone N Zone P
20
18 Oxyde
16
14
12
10
8
6
4
2
0
0 1 2 3 4 5 6 7 8
Profondeur dans le silicium (microns)
Figure 21.2 : Potentiel lectro-statique dans le MOS (+10V sur la grille)
21.4. Le transfert de charges

21.4.1. Principe gnral
Les pixels du CCD sont arrangs sous forme dune matrice lignes-colonnes (NxP). Comptetenu du grand nombre de pixels (pouvant atteindre quelques millions), la mthode de lecture des
charges consiste considrer la matrice comme un ensemble de registres dcalage avec une sortie srie.
Les colonnes de la matrice correspondent des registres dcalage verticaux se vidant dans
un registre dcalage horizontal.
N
N lignes
Q 1, Q 2 Q N P
P colonnes
Figure 21.3 : Principe du dcalage de cellules
Dans un premier temps, les cellules de la premire ligne de la matrice (notes 1 sur la figure
21.3) sont transfres dans le registre dcalage horizontal. La ligne 2 est dcale en vers le bas
pour remplacer la ligne 1.
Puis les cellules du registre horizontal sont dcales P fois vers la droite. Ce mcanisme est
rpt N fois jusquau vidage complet du CCD.
21.4.2. Le transfert de charges entre deux cellules

Le principe prcdent ncessite de transfrer la charge dune cellule dans la cellule voisine.
Considrons deux capacits MOS conscutives. Lorsque la grille est polarise correctement, le potentiel lectro-statique (figure 21.2) permet de confiner les lectrons. Ce rservoir peut
tre vu comme un puits de potentiel dont la profondeur est directement fonction de la tension applique. La figure 21.4 montre deux cellules (deux puits de potentiel) spars par une barrire de
P. NAYMAN
Master CMI
281

potentiel.
V g2
V g1
Figure 21.4 : Puits de potentiel disjoints

Il est possible de faire communiquer les deux zones dpeuples en diminuant la distance
inter-grille. Dans ce cas, la barrire de potentiel entre les deux puits disparat et lon a cr un couplage capacitif.
V g2
V g1
Figure 21.5 : Puits de potentiel coupls

Ce principe est utilis pour transfrer la charge accumule dans une cellule dans la cellule
voisine. Les charges se dplaant o le puits de potentiel est le plus profond.
21.4.3. Le transfert de charges dans le CCD

Il existe plusieurs manires de transfrer les charges dans le circuit CCD. Le squencement
des tensions sur les grilles des pixels va dfinir le mode de fonctionnement. Selon les applications,
on utilise un transfert 2, 3 ou 4 phases.
La figure 21.6 montre le principe du transfert trois phases. Chaque pixel possde trois
grilles spares connectes respectivement 1 , 2 et 3 .
Chaque ligne de la figure 21.6 explicite le phnomne aux instants t 0, t 1 t 6 .
P. NAYMAN
Master CMI
282

3
2
1
ISOLANT
1 PIXEL
SEMICONDUCTEUR
t0
t1
t2
t3
t4
t5
t6 = t1
1
2
3
t0 t 1 t 2 t3 t4 t 5 t 6
Figure 21.6 : transfert de charges trois phases

On dsire transfrer les charges qui se trouvent sous les lectrodes centrales (lectrode 2)
de chaque pixel (premire ligne note t 0 ).
A linstant t 1 , 2 est polarise positivement, on applique une polarisation positive sur 3 .
La charge en (2) se rpartit par influence dans la rgion (2,3).
A linstant t 2 , 2 est dpolarise, la charge sous llectrode (2) nest plus soumise au puits
de potentiel, elle se dplace trs rapidement dans la rgion (3).
En rptant ce processus, on dplace les charges dune position lautre vers la sortie
21.5. Ltage de sortie

Ltage de sortie fournit lutilisateur linformation en sortie du registre dcalage horizontal. Cette opration ncessite pralablement une transformation charge/tension.
P. NAYMAN
Master CMI
283

V DR
R
V DD
T1
s
T2
cellule de sommation
VS
N+
Cs
Figure 21.7 : Ltage de sortie

La dernire cellule du registre dcalage horizontal, squence par S , est le noeud de sommation. Le principe de la conversion charge/tension est de mesurer la tension aux bornes dune
capacit pralablement charge. La capacit C S est celle de la jonction dune diode flottante. La
diode est pr-charge un niveau de rfrence par le transistor MOS T1.
Q
V C = ------ avec Q la charge injecte, C ST est la capacit totale du noeud.
CS
C ST = C S + C P
C S est la capacit de la diode flottante et C P la capacit ramene par le suiveur de tension.
C ST est de lordre de quelques dizaines de femtoFarad.
La tension de sortie V S est donne par (21.2) :

Q
V S = A ST V c = A ST -----CS
Equ(21.2)
avec A ST le gain de ltage suiveur (de lordre de 0,8).

Il est possible de dfinir un gain de conversion qui explicite le nombre de V e , laide de
(21.2) il vient immdiatement :
6
q
G C = A ST --------- 10
C ST
q est la charge de llectron ( 1, 6 10
19
Equ(21.3)
C,
C ST capacit du noeud de sommation en fF.

G C est le gain de conversion en V e .
Par exemple, pour CST = 40fF , A ST = 0, 8 on trouve G C = 3, 2V e .
P. NAYMAN
Master CMI
284

VS
bruit de reset
V P
t 1 t2
niveau de prcharge
niveau de rfrence
V S
t3
t4
Figure 21.8 : Chronogramme du signal de sortie

A linstant t 1 le signal dinitialisation de la capacit C ST est activ ( R = haut ). Le transistor T1 devient conducteur et prcharge la capacit C ST la tension V DR .
A linstant t 2 , le signal R = bas , le transistor T1 est nouveau bloqu. La tension de sortie
varie lgrement avec la capacit parasite de T1 :
CP
V P = V R -------------------CP + CS
Equ(21.4)
V R est lamplitude (tension) de la commande R .
A linstant t 3 , S = bas ce qui a pour effet de librer les charges de la cellule de sommation
pour les stockes dans CST . La variation de charge dans la capacit engendre une variation de tension V S . Cette variation est maintenue jusquen t 4 .
21.6. Les sources de bruit

Un des intrts du dispositif CCD est son aptitude dtecter et transfrer des charges trs
faibles. Pour les applications trs performantes, il est possible dobtenir des dynamiques de lordre
de 18 bits. Ce qui implique de manipuler des signaux extrmement faibles.
La principale limitation de la dynamique est apporte par les bruits ajouts aux diffrents
stades de la propagation du signal.
Les origines des principales sources de bruit sont les suivantes :
Le bruit de lecture. Ce bruit pour origine les transistors de sortie du CCD ainsi
que lamplificateur externe. Ce bruit peut tre ramen 2-3 lectrons (RMS) pour les systmes les plus performants.
Le courant dobscurit (ou courant noir). Ce bruit est dorigine thermique. Les
lectrons de bruit sont crs par effet thermo-lectrique. Ce bruit peut tre limin en
refroidissant le dtecteur.
Le bruit photonique. Ce bruit impulsionnel provient du processus de gnration
des photons dont la distribution suit une loi de Poisson. Lincertitude inhrente a ce processus est trait comme un bruit.
La non-uniformit de la rponse des pixels. Les diffrents dfauts dans le silicium
font que les diffrents pixels nont pas la mme sensibilit. Ces fluctuations peuvent tre
compenses par des techniques de calibration.
P. NAYMAN
Master CMI
285

21.6.1. Plus de dtails sur les sources de bruit

Ce paragraphe doit tre lu conjointement avec le chapitre qui traite les principaux concepts
sur le bruit (Voir Le bruit, page 178.).
21.6.1.1 Le bruit de Reset

Le bruit de "reset" est gnr par le transistor MOS T1 (figure 21.7) lors de la pr-charge de
la capacit de la diode flottante. Lquation 13.12 donne la variance de ce bruit :
2
u = 4kTRB
(V ) .
En tenant compte de lexpression de la bande quivalente de bruit donne par (13.14) :

2
4kTR
kT
u = ----------------- = --------4RC ST
C ST
Equ(21.5)
On peut dfinir la variance en Coulombs :

2
C ST u = kTC ST = c
O encore en nombre dlectrons :

kTC ST
2
e = ---------------q
Equ(21.6)
avec q la charge de llectron.

Le bruit dfini par lquation 21.6 est souvent appel bruit en kTC .
Le bruit de "reset" peut tre limin par un systme de lecture appropri (A double chantillonnage par exemple.).
21.6.1.2 Le bruit blanc

La principale source de bruit blanc dans le transistor MOS est engendre par la rsistance
2
dynamique (15.31) : R s = ---------- .
3g m
La variance du bruit blanc est donne par : b = 4kTRB . A laide de (15.31) :

8kTB
2
b = ------------3g m
Equ(21.7)
21.6.1.3 Le bruit en 1/f (le modle standard)

Une autre source de bruit associe au transistor de sortie est le bruit en 1/f. Il existe diffrents modles pour dfinir la densit spectrale de puissance de ce bruit. Lquation 13.32 est relativement bien adapt pour les systmes linaires. Dans le cas, du transistor MOS en commutation
(cest le cas du transistor de reset T1), il est ncessaire dadopter un autre modle.
Le bruit en 1/f est caus par les pigeages dans loxyde de la grille des MOS.
La capture et lmission dun porteur peut tre reprsent par le nombre dlectron pigs
N( t) .
N ( t ) prend la valeur 1 si un porteur est captur, 0 autrement.
P. NAYMAN
Master CMI
286

N(t)
1
0
Figure 21.9 : Reprsentation des pigeages par une fonction binaire

En moyenne il y a autant de captures que dmissions. La fonction N ( t ) peut dans ce cas
tre modlise par un signal binaire transitions alatoires (figure 21.9). Ce signal est galement
appel : signal tlgraphique alatoire (Voir Exemple : Le basculeur Poisonnien (fonction dauto-corrlation et densit spectrale), page 73.).
Les transitions dun tat lautre sont indpendantes et leur nombre, dans un intervalle donn , est distribu selon un processus de Poisson.
Pour simplifier les notations, on considre que N ( t ) est centr (valeur moyenne nulle).
Dans ce cas, la fonction de corrlation de N ( t ) est :
1 2
R N ( ) = --- e
4
Equ(21.8)
Avec le nombre moyen dimpulsions par unit de temps.

On obtient la densit spectrale de puissance de N ( t ) en prenant la transforme de Fourier
de (21.8) :
1
N ( ) = --- -------------------------4 2 + ( )2
Equ(21.9)
1
On peut poser e = --- (temps moyen dmission), alors :
e
N ( ) = K ----------------------------2
1 + ( e )
Equ(21.10)
K tant une constante.

Comme il est montr dans [28], dans le cas de nombreuses captures indpendantes dans
loxyde de grille, la densit spectrale de puissance est la somme de toutes les contributions. On
K
f
retrouve alors la formule donne par (15.40) : v i = -----------------f .
WLc ox f
2
21.6.1.4 Le bruit en 1/f (le modle non-stationnaire) [28]

Afin danalyser correctement le bruit en 1/f dans les transistors MOS en commutation, il est
ncessaire de dfinir un modle non-stationnaire. Le transistor peut tre dans ltat bloqu ("off")
ou en conduction ("on"). Quand le transistor est "off", il y a une trs grande probabilit que le pige
soit vide (il ny a pas assez dnergie pour piger les porteurs). A chaque fois que le transistor
passe dans ltat "off" les piges sont librs (le phnomne nest donc pas stationnaire).
Dans ce cas, la fonction de corrlation de N ( t ) est :
4t
1 2
R N ( t, ) = --- e
(1 e
)
4
Equ(21.11)
Avec le nombre moyen dimpulsions par unit de temps.

1
4
On remarquera que lorsque t , R N ( t, ) --- e
P. NAYMAN
Master CMI
287
qui est la fonction dauto-corrlation

stationnaire (21.8).
Pour obtenir la densit spectrale, il faut calculer la valeur moyenne de lauto-corrlation,
puis prendre sa transforme de Fourier. La figure 21.10 montre les variances de bruit pour les
deux modles dans le cas o le transistor est commut une frquence de 2MHz. Pour les frquences infrieures la frquence de commutation, les deux modles divergent.
Figure 21.10 : Comparaison des modles stationnaire et non-stationnaire
21.7. Les techniques de lecture

Diffrentes techniques peuvent tre utilises. Dans tous les cas, compte-tenu des faibles niveaux en sortie du CCD (chaque photolectron dlivre un signal de quelques V ), il est ncessaire
damplifier le signal. Les applications performantes ncessitent dutiliser des techniques dlimination et de rduction du bruit (bruit de "reset", blanc et en 1/f). Les techniques de lecture les plus
performantes utilisent le double chantillonnage corrl ou une des variantes comme le "clampling and sample".
La technique pour limiter le bruit est dutiliser un systme de filtrage externe qui supprime
les trs basses frquences et limite les frquences leves.
N
Posons b ( ) = -----0- comme tant la densit spectrale du bruit blanc et N ( ) = ----c- la densit spectrale du bruit en 1/f (modle stationnaire).
tant un coefficient et c la frquence o N ( ) intercepte la droite b ( ) .
Dans ce cas, la densit spectrale totale est : T ( ) = b ( ) + N ( )
N0
c
T ( ) = ------ + ----2
Pour = c = -----0- alors :

2
N0
c
T ( ) = ------ 1 + -----
P. NAYMAN
Master CMI
288
Equ(21.12)

21.7.1. Le double chantillonnage corrl

Le principe de base du double chantillonnage corrl est reprsent par la figure 21.11.
R
+
Vccd
CR
Vs
CS
S
Figure 21.11 : Principe du double chantillonnage corrl
Le systme ralise une lecture diffrentielle de deux valeurs distantes dun temps P . Un
chantillon est mmoris par un chantillonneur bloqueur constitu par un interrupteur actif pendant un temps T et par une capacit de stockage C.
Linterrupteur R est actif pendant la priode de re-charge (bruit de "reset") et linterrupteur
S permet de mmoriser le signal du pixel dans C S . Le systme permet dliminer le bruit de "reset", supprime le bruit en 1/f et limite le bruit blanc (par sa fonction de transfert de type passebande).
Pour tudier ce montage, considrons dans un premier temps, lchantillonneur bloqueur
reprsent par la figure 21.12.
Lchantillonneur est un oprateur de multiplication qui nest pas stationnaire. Le signal
de sortie dpend dune part du signal dentre et dautre part du signal de commande :
Equ(21.13)
s( t) = e( t) c(t )
La transforme de Fourier de (21.13) permet de passer dans le domaine frquentiel :
Equ(21.14)
s ( ) = e ( ) * c ( )
De mme pour les densits spectrales :
Equ(21.15)
s ( ) = e ( ) * c ( )
s
c
0
2T 3T 4T 5T
Figure 21.12 : Lchantillonneur bloqueur

La rponse impulsionnelle de ce systme est telle que :
1
h(t) =
0
si 0 t T
sinon
Equ(21.16)
Le circuit de la figure 21.11 peut tre modlis par sa rponse impulsionnelle :

h ( t ) = h R ( t ) h S ( t ) o h R ( t ) et h S ( t ) sont les rponses impulsionnelles des deux chantillonneurs bloqueurs.
P. NAYMAN
Master CMI
289

h R ,h S
hR
hS
P
0
P+T
-------------
2
t
+T
P
-------------
2
Figure 21.13 : Rponse impulsionnelle de lchantillonneur corrlateur

La figure 21.13 montre la construction de la rponse impulsionnelle du double chantillonneur corrl. Pour des raisons de simplification, les rponses sont centres par rapport 0.
On peut exprimer hR ( t ) et h S ( t ) (Voir Les fonctions Rect et Tri, page 16.) par les fonctions suivantes :
P+T
t + ------------2
h R ( t ) = Rect --------------------- et
T
P+T
t ------------2
h S ( t ) = Rect --------------------T
P+T
P+T
t + ------------t ------------2
2
h ( t ) = Rect --------------------- Rect --------------------T
T
Equ(21.17)
On trouve le gain correspondant en prenant la transforme de Fourier de (21.17). En tenant

compte que : TF Rect --- = Tsinc ( T )
T
t
G ( ) = [ Tsinc ( T ) ] e
P+T
2i -------------
2
[ Tsinc ( T ) ] e
P+T
2 i -------------
2
G ( ) = 2i [ Tsinc ( T ) ] sin ( ( P + T ) )
G ( ) = 2 [ Tsinc ( T ) ] sin ( ( P + T ) )
G()
= 4 [ Tsinc ( T ) ] [ sin ( ( P + T ) ) ]
G()
2 [ 1 cos ( 2 ( P + T ) ) ]
= 4 [ Tsinc ( T ) ] -------------------------------------------------------2
G( )
Equ(21.18)
= [ Tsinc ( T ) ] [ 2 2 cos ( 2 ( P + T ) ) ]
Equ(21.19)
La figure 21.14 montre lallure de G ( ) et de G ( ) . Le sinus cardinal est reprsent en

trait pointill (en valeur absolue). Le terme en sinus de (21.18) a pour effet de supprimer les basses
frquences et par consquent de limiter le bruit en 1/f.
P. NAYMAN
Master CMI
290

( G( ) )
( f( ) )
.10 63
2.278695
0.5
0
6
5
6
5
Figure 21.14 : Exemple de fonctions de transfert

Ce systme dchantillonnage gnre des lobes secondaires qui sont indsirables. Un filtrage passe-bas aprs lamplificateur est ncessaire pour supprimer les lobes secondaires (figure
1
21.15 et figure 21.16). Comme lchantillonneur bloqueur fonctionne la frquence --- , le filtre
T
1
2T
passe-bas doit avoir une frquence de coupure b ------ .
R
+
Vccd
CR
G
-
Passe-Bas
Vs
CS
S
Figure 21.15 : Filtre passe-bas en sortie du corrlateur
filtre passe-bas
Figure 21.16 : Filtrage passe-bas en sortie de corrlateur
P. NAYMAN
Master CMI
291

La figure 21.16 montre leffet dun filtre passe-bas dordre 4, dont la rponse est du type
G()
1
1
= ----------------------- . Avec b = ------ .
4
2T
1 + -----
b
21.7.2. Puissance du bruit en sortie du corrlateur

Considrons le corrlateur seul, la densit spectrale de puissance en sortie
est donne par (8.13) :
y ( ) = x ( ) G ( )
(cas stationnaire).
x ( ) est donne par (21.12) et G ( )
est donn par (21.19).
c
N0
2
y ( ) = ------ 1 + ----- G ( )
Equ(21.20)
c
N0
2
y ( ) = ------ 1 + ----- [ Tsinc ( T ) ] [ 2 2 cos ( 2 ( P + T ) ) ]
2
Equ(21.21)
La puissance du bruit en sortie du corrlateur est obtenue en intgrant y ( ) sur toute la

bande. On peut regarder la contribution de chacun des deux termes de (21.20).
Pour le terme de bruit en 1/f :
+
N0 c
-----2- ----- G ( )
d 0 (la fonction est impaire).
Pour le bruit blanc : il faut valuer la quantit

+ N
N
2
-----0- G ( ) d = -----02
2
+ N
-----2- G ( )
0
d .
G ( ) d . Cette intgrale peut sembler compliquer valuer,
mais en appliquant le thorme de Parseval, on simplifie considrablement le problme :

N
-----02
N0
2
G ( ) d = -----2
h ( t ) dt
h ( t ) est donne par (21.17) et il vient immdiatement :

N0
2
y = ------ 2T = N 0 T
2
La puissance du bruit en sortie de corrlateur est directement proportionnelle T.

Aprs le filtrage passe-bas la puissance du bruit est limite par la bande passante. En effet,
on applique nouveau (8.13), pour ce filtre :
pb ( ) = y ( ) G pb ( )
2
pb =
( y( ) Gpb ( )
Remplaons G pb ( )
) d
par le gain de bruit quivalent Rect --------- (Voir Bande quivalente

2B e
de bruit, page 184.).

2
pb =

( ) Rect -------- d =
y
2B e
+B e
y ( ) d
Avec B e la bande quivalente de bruit.
P. NAYMAN
Master CMI
292

On ne considre y ( ) que dans lintervalle [ B e, +B e ] :

2
pb = 2 y B e
Pour un systme du premier ordre B e = --------c- :

2
pb = N 0 T b
1
Comme lon choisit b = ------ :
2T
2
pb = N 0 --2
Equ(21.22)
21.7.3. Le circuit "clamp and sample"

La figure 21.17 montre la forme donde en sortie du circuit CCD. Le signal est obtenu en
soustrayant linformation de sortie au niveau de rfrence (et son bruit).
Vs
niveau de rfrence
signal
Reset (pr-charge)
Figure 21.17 : Chronogramme du signal en sortie du CCD

Selon le traitement dsir, la chane de lecture peut comporter les lments de la figure
21.18.
C
R
sortie CCD
x( t)
CC
Vs ( t )
TS
CS
Vz ( t )
chantillonnage
commande
Figure 21.18 : Les lments dune chane de lecture

La sortie du circuit CCD est gnralement connecte au reste de la chane par un condensateur C. Cette liaison limine les dcalages de niveaux en sortie mais linconvnient de perdre
le niveau de rfrence (figure 21.17). Le circuit de "clamp" permet de rcuprer le niveau de rfrence tout en filtrant une partie du bruit.
21.7.4. Le circuit de "clamping" (verrouillage sur un potentiel
P. NAYMAN
Master CMI
293

continu)
Le principe du circuit de "clamping" est trs simple, il est reprsent par la figure 21.19.
C
VC ( t )
sortie
CCD
x(t)
CC
X1
Vs ( t )
TC
commande
Figure 21.19 : Le circuit de clamping
Le circuit est compos dun condensateur C et dun interrupteur ralis avec un transistor
MOS. Lamplificateur de gain G assure :
Ladaptation dimpdance avec le CCD,

un niveau de signal important devant le bruit du MOS de commande,
lintgration du signal selon la constante de temps D = RC .
Les impulsions de commande sont synchrones du niveau de rfrence. Une impulsion a
pour effet de fermer linterrupteur et de charger le condensateur C C avec le niveau de rfrence
(constante de temps RC ).
Quand linterrupteur est ferm (phase 1), le niveau de rfrence et sa tension de bruit sont
chargs dans C C , V S ( t ) = 0 .
Quand linterrupteur est ouvert (phase 2) : x ( t ) = V S ( t ) + V C ( t ) et
VS ( t ) = x ( t ) VC ( t )
Equ(21.23)
On retranche bien le niveau de rfrence et son bruit au signal.

Si lon considre que linterrupteur est tel que :
Tc
Tc
V s = x ( t ) si ----- t ----2
2
V s = 0 sinon.
On suppose que lon se trouve dans la phase 2, le condensateur CC a t pralablement

charg (phase 1).
Examinons, le comportement du systme en prsence de bruit. Pour simplifier les notations
considrons que x ( t ) soit la superposition du signal s ( t ) et dun bruit b ( t ) :
Equ(21.24)
x( t) = s (t ) + b( t)
Diffrentes mthodes de calcul peuvent tre utilises pour calculer lincidence du circuit sur
la densit spectrale de puissance. La premire mthode est base sur le calcul la fonction dautocorrlation, la seconde mthode utilise directement les densits spectrales.
21.7.4.1 Utilisation de la fonction dauto-corrlation

Soit R yy ( ) la fonction dauto-corrlation en sortie :
R yy ( ) = E [ V s ( t ) V s ( t + ) ]
A laide de (21.23) et de (21.24) :

t
R yy ( ) = Rect ----- E [ ( s ( t ) + b ( t ) V c ( t ) ) ( s ( t + ) + b ( t + ) V c ( t + ) ) ]
T c
P. NAYMAN
Master CMI
294

t
R yy ( ) = Rect ----- [ R ss ( ) + R bs ( ) R V s ( )
T c
c
+ R sb ( ) + R bb ( ) R V b ( )
c
R sV ( ) R bV ( ) + R V
c
c Vc
()]
Compte-tenu que le signal nest pas corrl avec le bruit :

R bs ( ) = R sb ( ) = R V s ( ) = R sV ( ) = 0
c
t
R yy ( ) = Rect ----- [ R ss ( ) + R bb ( ) R V b ( )
T c
c
R bV ( ) + R V
c
c Vc
Equ(21.25)
()]
Comme le bruit b ( t ) est fortement corrl avec la composante de bruit de V c ( t ) lquation

21.25, se simplifie :
t
R yy ( ) = Rect ----- R ss ( )
T c
Equ(21.26)
En prenant la transforme de Fourier des deux membres, on obtient la densit spectrale en

sortie :
Equ(21.27)
y ( ) = T c sinc ( T c ) * s ( )
Le systme de "clamping" limine parfaitement le bruit en 1/f qui est fortement corrl entre
les temps phase 1 et phase 2.
N
Considrons que le signal dentre est un bruit blanc de densit spectrale x ( ) = -----0- qui
2
nest pas corrl avec celui de V c ( t ) .

comme s ( ) = x ( )
N0
y ( ) = T c ------ sinc ( T c )
2
Equ(21.28)
En intgrant la densit spectrale on trouve la variance (puissance) du bruit en sortie :

N0
2
s = T c -----2
Equ(21.29)
Considrons le schma de la figure 21.20. Le signal en sortie du circuit de "clamping" est

chantillonn. Comme il est souhaitable de filtrer la sortie chantillonner, il est judicieux de dplacer le filtre dentre en sortie.
C
R
sortie CCD
x(t)
CC
G
Vs ( t )
TS
CS
Vz ( t )
Vy ( t )
chantillonnage
commande
Figure 21.20 : Les lments dune chane de lecture

Daprs (21.16), la rponse impulsionnelle de lchantillonneur est du type :
t
h ( t ) = rect ----Ts
P. NAYMAN
Master CMI
295
Equ(21.30)

T s est le temps dchantillonnage.
Le gain de lchantillonneur est donn par la transforme de Fourier de (21.30) :

G e ( ) = T s sinc ( T s )
La densit spectrale en sortie de lchantillonneur est :

z ( ) = y ( ) * Ge ( )
Equ(21.31)
z ( ) = y ( ) * ( T s sinc ( T s ) )
Equ(21.32)
A laide de (21.28) :
2
N0
z ( ) = T c ------ sinc ( T c ) * ( T s sinc ( T s ) )
2
Equ(21.33)
Si T s et T c sont petits :
2
N0
z ( ) ------ T c T s
2
Equ(21.34)
21.7.4.2 Utilisation des densits spectrales

Si lon reprend le schma de la figure 21.19, lamplificateur G ralise une fonction de filtrage de type passe-bas dordre 2, importante pour limiter le bruit blanc.
Gb( )
1
= ----------------------------2
1 + ( d )
d tant la frquence de coupure du filtre passe-bas.
La densit spectrale en sortie du filtre passe-bas est donne par (8.13) :

TS ( ) = T ( ) G b ( )
T ( ) est la densit spectrale du processus dentre dfini par lquation 21.12.

c
N0
2
TS ( ) = ------ 1 + ----- G b ( )
2
Equ(21.35)
Lquation 21.23 peut tre r-crite, en tenant compte que V c ( t ) = x ( t t c ) .

Le condensateur est charg par x ( t ) dans la phase 1.
Vs ( t ) = x ( t ) x ( t tc )
Equ(21.36)
Prenons la transforme de Fourier des deux membres :

2it c
V s ( ) = x ( ) x ( )e
2it c
V s ( ) = x ( ) ( 1 e
)
it c
V s ( ) = x ( ) e
2i sin ( t c )
2
2
2
V s ( ) = 4 x ( ) ( sin t c )
2
2
V s ( ) = x ( ) ( 2 2 cos ( t c ) )
Equ(21.37)
2
V s ( ) = s ( )
2
2
x ( ) = TS ( ) et ( 2 2 cos ( t c ) ) = G c est la fonction de transfert du circuit de "clam-
ping".
Finalement, on obtient :
N0
c
1
s ( ) = ------ 1 + ----- ----------------------------- ( 2 2 cos ( t c ) )
2
1 + ( )2
Equ(21.38)
P. NAYMAN
Master CMI
296

et si lon ne sintresse quau bruit blanc :

N0
1
s ( ) = ------ ----------------------------- ( 2 2 cos ( t c ) )
2 1 + ( )2
Equ(21.39)
La puissance du bruit en sortie du circuit de "clamping" est obtenue en intgrant (21.39) sur
toute la bande :
2
s =
+ N
- ( 2 2 cos ( t c ) ) d
2
-----2- ---------------------------1 + ( d )
1
s = d N 0 ( 1 e
2 d t c
Equ(21.40)
Prenons en compte que le circuit de "clamping" est chantillonn :

daprs (21.32) : z ( ) = s ( ) * ( T s sinc ( T s ) )
2
2
Considrons que T s est petit : z ( ) s ( ) T s et

2
z = T s d N 0 ( 1 e
2 d t c
Equ(21.41)
Essayons de comparer lefficacit de filtrage du corrlateur et du systme "clamping". Pour

simplifier la comparaison, prenons un majorant de (21.41) :
2
zmax = T s d N 0 . Dautre part, la puissance du bruit obtenue en sortie de corrlateur est

2
donne par (21.22) : pb = N 0 --- .

2
T s d N 0
zmax
2
-------------- = -----------------------= 2T s d
2
pb
N 0 --2
2
2T s
zmax
-------------- = ---------2
Td
pb
Equ(21.42)
Le choix de T s et T d dtermine compltement la performance dun systme par rapport

lautre.
P. NAYMAN
Master CMI
297

22. LES LIGNES DE TRANSMISSIONS

Pour vhiculer un signal il est ncessaire dutiliser un support physique. Ce support peut
tre considr comme une ligne de transmission si la longueur donde du signal transport est
faible compare la longueur de la ligne.
22.1. La ligne de transmission idale (sans perte)

La figure 22.1 reprsente un schma quivalent dune ligne de transmission. Cette ligne est
constitue dune infinit de cellules lmentaires de longueur l . Chaque lment est exprim en
unit de longueur.
l
l
l R
V1
l L
l G
l R l L
lC
V2
l G
l C
Figure 22.1 : Schma quivalent dune ligne de transmission

1
Avec : lG = ----------------
l R p
G tant la conductance (linverse dune rsistance)

Il faut multiplier R, L, C et G par l pour trouver la valeur des paramtres de la cellule de
base de longueur l .
Dans le cas o la ligne de transmission est sans perte ( R = 0 , R p = ) le schma quivalent de la figure 22.1 se simplifie et devient uniquement selfique et capacitif (figure 22.2).
l
l
Z2
Z1
Z3
l L
l L
l C
V1
V2
l C
V3
Figure 22.2 : Schma quivalent dune cellule sans perte
22.2. Limpdance caractristique de la ligne de transmission

On suppose que limpdance dentre de la ligne et de la premire cellule est Z 1 , limpdance de la deuxime cellule est Z 2 , etc.
Z L = i lL
1
Z C = ---------------i lC
P. NAYMAN
Master CMI
298
LES LIGNES DE TRANSMISSIONS
Z 2 ZC
Z 1 = Z L + ------------------Z 2 + ZC
Equ(22.1)
Si l est petit et la ligne longue devant l , alors on peut considrer que :

Z 1 = Z2 = Z3 = = Z n
2
Daprs lquation 22.1 : Z 1 Z 1 Z L Z C Z L = 0

Et en remplaant Z C et Z L par leur valeur :
2
L
Z 1 Z 1 i lL = ---C
Dans le cas o l 0 :
Z1 =
L
---C
Equ(22.2)
Z 1 est appele impdance caractristique de la ligne.
Pour une ligne sans perte, limpdance caractristique ne dpend ni de la frquence, ni de

la longueur de la ligne.
22.3. quations gnrales dune ligne de transmission

Considrons la cellule lmentaire dune ligne de transmission reprsente par la figure
22.3.
l
A
l R
V ( l, t )
l L
lG
V ( ( l + dl ), t )
l C
Figure 22.3 : Cellule lmentaire

On peut exprimer la variation de tension V aux bornes de llment et le courant I qui
le traverse :
V A V B = V ( l, t )
V C V D = V ( l + dl, t )
V A VC = ( VA VB ) + ( VD VC )
V A V C = V ( l, t ) V ( l + dl, t ) = V ( l, t )
V ( l, t ) = R lI ( l, t ) L l I ( l, t )
t
Equ(22.3)
I ( l, t ) = G lV ( l, t ) C l V ( l, t )
t
Equ(22.4)
P. NAYMAN
Master CMI
299
divisons lquation 22.3 et lquation 22.4 par l et faisons tendre l 0 :

V
I
= RI L
l
t
I
V
= GV C
l
t
Drivons par rapport l et t, puis substituons :

2
V
l
= R
I
V
I
I
L
= R GV + C L
t l
t
t l
l
I
V
V
= G C
2
l t
t
t
2
V
l
= LC
V
t
+ ( LG + RC )
V
+ RGV
t
Equ(22.5)
Cest lquation des tlgraphistes en rgime quelconque.

De mme on trouve :
2
I
l
= LC
I
t
+ ( LG + RC )
I
+ RGI
t
Equ(22.6)
22.4. Ligne sans perte

Pour une ligne sans perte R=0 et G=0.
On trouve dans ce cas les quations de base :
2
V
l
= LC
V
t
Equ(22.7)
Cest lquation des radiolectriciens identique lquation des cordes vibrantes.

2
I
l
= LC
I
t
Equ(22.8)
Appliquons une onde sinusodale lentre de la ligne :

V = V(l) e
it
avec = 2
V
l
= L CV = k V
2
avec k = LC
Les solutions de lquation diffrentielle sont de la forme : V ( l ) = V 1 e
V ( l, t ) = V 1 e
[ i ( t k l ) ]
+ V2e
[ i ( t + kl ) ]
ikl
+ V2 e
ikl
Equ(22.9)
Cette expression reprsente une onde se propageant dans la direction +l et une onde, qui
correspond une rflexion, dans la direction -l.
P. NAYMAN
Master CMI
300
k est le numro de londe et v est dans ce cas la vitesse de propagation :
1
v = ---- = ----------k
LC
Equ(22.10)
Si les caractristiques de la ligne de transmission sont homognes le produit LC est indpendant de la longueur.
On exprime souvent le temps de propagation par unit de longueur :
T = v
Equ(22.11)
LC
22.5. Limpdance caractristique (quation gnrale)

En utilisant la notation de Laplace i = p
dV = dl ( RI LpI )
dI = dl ( GV CpV )
dV
R + Lp I
Z 0 = ------- = ------------------ --dI
G + Cp V
R + Lp
2
Z 0 = -----------------G + Cp
Z0 =
R + iL
--------------------G + iC
Equ(22.12)
Si la frquence est leve : L R et C G ou si la ligne est sans perte (R=0 et G=0) :

Z0 =
L
---C
Equ(22.13)
22.6. Les rflexions

Considrons la figure 22.4 reprsentant une ligne de transmission dimpdance caractristique Z 0 termine par une impdance Z.
Z0
Z
Figure 22.4 : Ligne referme sur une impdance Z

Soit f un signal quelconque appliqu lentre de la ligne :
v = f ( x vt ) + g ( x + vt )
g est londe rflchie.

La prsence de rflexions peut avoir des consquences importantes, pouvant engendrer des
distorsions et des interfrences avec le signal incident. En chaque point de la ligne, londe rsultante v est la somme de londe incidente f et de londe rflchie g.
Sur une ligne de transmission, les rflexions se produisent quand limpdance caractristique de la ligne est modifie dune manire brusque. Par exemple, Z trs diffrent de Z 0 engendrera des rflexions sur la ligne.
Soit V 0 et I 0 la tension et le courant du signal appliqus lentre de la ligne.
V0
Z 0 = -----I0
P. NAYMAN
Master CMI
301
Soit V r et Ir la tension et le courant de londe rflchie. Quand londe rflchie est engendre en bout de ligne, il y a superposition de londe initiale et de londe rflchie. On peut dfinir
Z comme :
V0 + Vr
Z = -----------------I0 + Ir
De plus londe rflchie qui rentre dans la ligne est compatible avec limpdance caractV
ristique de cette dernire : Z 0 = ------r-
Ir
I0
Ir
donc : -----0- = ------r- = Z 0

V
V0
I0
Posons : -----r- = ---r- = le coefficient de rflexion.

Vr
1 + -----V0
V0
V0 + Vr
1+
Z = ------------------ = ------ --------------- = Z 0 -----------1
Ir
I0
I0 + Ir
1 + ---I0
1+
Z = Z 0 -----------1
Equ(22.14)
Vr
Ir
Z Z0
= ------ = ---- = --------------V0
I0
Z + Z0
Equ(22.15)
de mme :
Remarque : il est possible de dfinir un coefficient de rflexion lentre de la ligne. Si Z s

est limpdance de la source qui attaque la ligne :
Zs Z 0
i = ----------------Zs + Z0
Equ(22.16)
1- La ligne est adapte : Z = Z 0

= 0 Vr = 0
Il ny a pas donde rflchie.

2- La ligne est ouverte : Z =
= 1 V r = V0
Londe rflchie se superpose avec londe initiale.

3- La ligne est ferme sur un court-circuit : Z = 0
= 1 Vr = V0
Londe rflchie se retranche de londe initiale.
P. NAYMAN
Master CMI
302
22.7. Pertes dans les lignes de transmission

Considrons lquation 22.5 avec comme signal dentre une sinusode V = V ( l ) e
it
d V
dl
= LC [ V ] + [ LG + RC ]iV + RGV
d V
dl
= L C V + LGiV + iRC V + RGV
d V
dl
= V [ G ( Li + R ) + iC ( R + Li ) ]
d V
dl
= V ( R + iL ) ( G + iC ) = V
est la constante de propagation, cest un nombre complexe :

= + ik =
( R + iL ) ( G + iC )
Les solutions de lquation diffrentielle sont de la forme :

V ( l, t ) = V 1 e
i ( t kl )
+ V2 e
i ( t + kl )
Equ(22.17)
Lquation 22.17 reprsente deux ondes se dplaant le long du cble, londe incidente et
londe rflchie.
Les pertes du cble (R et G) sont responsables dune attnuation exponentielle des ondes
dun facteur e
dk
Remarque : La dpendance de et de v = ------- avec la pulsation implique une attnuad
tion diffrente pour chaque composante frquentielle du signal. Ceci est lorigine de distorsions
sur le signal reu.
2
1
2
2
2 2
2
2 2
= --- [ ( RG LC ) + ( R + L ) ( G + C ) ]
2
2
1
2
2
2 2
2
2 2
k = --- [ ( RG LC ) + ( R + L ) ( G + C ) ]
2
22.8. Leffet de peau

La rpartition dun courant continu dans un conducteur est uniforme par rapport sa section. Pour un courant alternatif, la densit de courant nest pas uniforme par rapport la section
du conducteur. Lpaisseur de cette peau dpend de la frquence et du matriau composant le
conducteur.
1
d = -----------------
Equ(22.18)
d est lpaisseur de la peau en mtre.

= 0 r est la permabilit magntique en Henry/mtre.
1
est la conductivit du matriau en [ m ] .
Par exemple, pour le cuivre = 5, 85 10

P. NAYMAN
Master CMI
303
( m )
= 4 10
(H m )
Le Tableau 7 donne lpaisseur de peau, pour du cuivre, en fonction de la frquence.
50Hz
10KHz
1MHz
100MHz
9,2mm
0,65mm
0,065mm
6,5
Tableau 7 : paisseur de peau en fonction de la frquence pour du cuivre
22.8.1. Rponse dun cble avec pertes un chelon de tension

Si lon tient compte de leffet de peau, la rsistance par unit de longueur peut se mettre
sous la forme :
R ( p ) = Kp
12
avec p = i
K est un paramtre indpendant de p li uniquement la gomtrie du cble.
On suppose une ligne de longueur l termine sur son impdance caractristique. Comme il
ny a pas donde rflchie :
E ( p )l
V ( l, p ) = --- e
p
( p ) = [ ( pL + R ) ( pC + G ) ]
12
On suppose que : G=0 et R = Kp

( p ) = [ ( pL + Kp
12
)pC ]
12
12
= p ( LC )
1 2
K 12
1 + --------------
1 2
Lp
K
La ligne tant en rgime transitoire, on peut supposer que : -------------1.
12
Lp
Le front de lchelon correspond une frquence trs grande :

K 1 2
K
1 + ------------- 1 + -----------------
1 2
12
Lp
2Lp
( p ) = p ( LC )
1 2
1 2 K C 1 2 1 2
K
1 + ------------------ = p ( LC )
+ ---- ---p
1 2
2 L
2Lp
Posons :
=
LC temps de propagation du cble par unit de longueur en ns/m
= l temps de propagation du cble en ns

Rc =
L
---- limpdance caractristique du cble.
C
P. NAYMAN
Master CMI
304
On peut alors dfinir :

K 12
( p ) = p + --------- p
2R c
E
V ( l, p ) = --- e
p
E
V ( l, p ) = --- e
p
Equ(22.19)
K 12
p + --------- p l
2R c
K 12
p + --------- p l
2R c
K 12
E
= --- exp p + --------- p l
2R c
p
Kl 1 2
exp --------- p l
2R c
V ( l, p ) = E exp ( p ) ---------------------------------------------p
exp ( p ) reprsente le dlai d au temps de propagation dans le cble.
Les tables de transformes de Laplace nous donnent : L --- exp ( p

p
1
erf ( ( 2t
12
) ) est la fonction erreur de x = ( ( 2t
2
erf ( x ) = ----------12
12
12
12
) = 1 erf ( ( 2t ) )
))
du
Kl
V ( l, t ) = E 1 erf --------------------------------- ( t )
12
4R c ( t )
( t ) reprsente lchelon unit retard du temps .
Changeons lorigine des temps : t t

Kl
V ( l, t ) = E 1 erf ------------------- ( t )
4R c t 1 2
1 K 2 l 2 1 2
V ( l, t ) = E 1 erf --- ----------- ( t )
2 4R 2c t
2 2
K l
Le terme ----------2- a la dimension dun temps.
4R c
2 2
1
1
K l
Comme erf --- --- , posons ----------2- = T 0.5
2
2
4R
c
E
T 0.5 est le temps ncessaire pour que le signal reu atteigne --- .
2
1 T 0.5 1 2
V ( l, t ) = E 1 erf --- --------- ( t )
2 t
Equ(22.20)
T 0.5 est un paramtre qui ne dpend que de la gomtrie du cble. T 0.5 augmente comme
le carr de la longueur du cble.
P. NAYMAN
Master CMI
305
22.8.2. Expression de
T 0.5
comme une fonction des pertes
Si lon revient au rgime harmonique :

K
2R c
Lquation 22.19 scrit : ( i ) = i + --------- ( i )
12
i 2
K 1 2 i 4
( i ) = i + --------- e
avec i = e
2R c
K 12
K 12
( i ) = --------- ----
+ i + --------- ----
2R c 2
2R c 2
12
12
K
K
( i ) = --------- ( )
+ i 2 + --------- ( )
2R c
2R c
12
K
--------- ( )
reprsente lattnuation par unit de longueur.
2R c
12
K
= --------- ( )
2R c
2 2
l
T 0.5 = ----------
Equ(22.21)
V
l est lattnuation totale du cble la frquence exprime en Npers/mtre soit ln -----2- .
V1
En effet V ( t ) = E e
, on mesure donc e
Vout
t
La figure 22.5 reprsente ------------ = f --------- pour un chelon de tension lentre du cble.
Vin
T 0.5
Figure 22.5 : Effet de peau avec un chelon de tension
22.9. Les diffrentes lignes de transmission

Les principales lignes de transmission sont :
Le cble coaxial.
La paire torsade.
Le fil au dessus dun plan de masse.
La ligne micro ruban de type microstrip.
La ligne micro ruban de type stripline.
P. NAYMAN
Master CMI
306
22.9.1. Le cble coaxial

Le cble coaxial est bien adapt pour transporter des signaux hautes frquences.
Le Tableau 8 indique la constante dilectrique des matriaux les plus utiliss en lectronique.
MATRIAUX
CONSTANTE DILECTRIQUE
Polythylne
2,28
Polyttrafluorthylne
2,00
Polythylne cellulaire
1,6
Fluorthylne propylne cellulaire
1,35 1,60
G10 poxy (circuits imprims)
4,7
PTFE ar
1,35
Tableau 8 : Quelques matriaux et leur constante dilectrique

Le dlai de propagation du cble coaxial est dfini par quation 22.22, on trouve pour un
dilectrique classique en polythylne une valeur de t d 5ns m .
t d = 3, 33 r
ns m
Equ(22.22)
22.9.2. La paire torsade

Gnralement, on utilise des paires torsades dont limpdance caractristique est de 110 .
Cette impdance nest pas trs bien contrle et dpend de la rgularit de la torsade et du fil utilis.
Section du fil (AWG)
Nombre de torsades par centimtre

1
20
43
39
35
22
46
41
39
37
32
24
60
45
44
43
42
26
65
57
54
44
43
28
74
53
51
49
47
49
46
47
30
Tableau 9 : Impdances caractristiques de paires torsades
P. NAYMAN
Master CMI
307
22.9.3. Fil sur un plan de masse (figure 22.6)

D
H
Masse
Figure 22.6 : Fil sur un plan de masse
Limpdance caractristique de cette ligne est voisine de 120 et peut varier dans des proportions importantes ( 40% ) selon la hauteur par rapport au plan de masse ou la proximit
dautres fils.
60 4H
Z c = -------- ln ------r D
()
Equ(22.23)
22.9.4. La ligne microstrip

La ligne microstrip est utilise dans les circuits imprims pour raliser des lignes dont
limpdance caractristique est bien dfinie.
la ligne est constitue dune piste de largeur W au dessus dun plan de masse (figure 22.7).
Si les paramtres gomtriques de la ligne sont contrls, il est possible de prdire limpdance de cette ligne avec une prcision de 5% .
Limpdance caractristique de la ligne microstrip est donne par lquation 22.24.
5, 98 h
87
Z c = --------------------------- ln ----------------------------
0
,
8 W + t
r + 1, 41
Equ(22.24)
W
t
h
Dilectrique
Masse
Figure 22.7 : Vue en coupe dune ligne microstrip

Exemple : Cas dune carte de circuit imprim en fibre de verre poxy type G10.
r 4, 7
Pour une ligne microstrip ayant les dimensions suivantes :

W
= 2,67mm
t
= 0,035mm
h
= 1,5mm
alors Z c 50
Le dlai de propagation dune ligne microstrip est donn par lquation 22.25.
t d = 3, 33 0, 45 r + 0, 67
ns m
Equ(22.25)
Ce temps de propagation est indpendant de la gomtrie de la ligne mais dpend uniquement du matriau. Par exemple, pour de lpoxy G10 : r 4, 7 et t d = 5, 56ns m .
Remarque : Dans une ligne microstrip londe se propage dans deux milieux diffrents
lair et le dilectrique. Utilise avec des signaux trs rapide, il est possible de voir un prcurseur.
P. NAYMAN
Master CMI
308
22.9.5. La ligne stripline

La ligne stripline tout comme la ligne microstrip est utilise dans les circuits imprims
pour raliser des lignes dont limpdance caractristique est bien dfinie (figure 22.8).
La ligne stripline correspond une piste de circuit imprim comprise entre deux plans
conducteurs de rfrence (masse par exemple).
Si les paramtres gomtriques de la ligne sont contrls, il est possible de prdire limpdance de cette ligne avec une prcision de 5% .
W
t
Dans le cas o : ---------- < 0, 35 et --- < 0, 25 la valeur de limpdance caractristique est donne
bt
par lquation 22.26.
60
4b
Z c = -------- ln -----------------------------------------------
t
r
0, 67W 0, 8 + ---W
Equ(22.26)
Par exemple, si r 5, 5 , t=0,035mm, h=1,34mm, W=0,3mm alors : Z c = 75 .

w
Plan
b h t
Stripline
Plan
Figure 22.8 : Vue en coupe dune ligne stripline

Le dlai de propagation dune ligne stripline est donn par lquation 22.27.
t d = 3, 33 r
ns m
Equ(22.27)
22.10. Effet de chargement dune ligne de transmission

Charger une ligne de transmission modifie limpdance caractristique et le dlai de propagation. Lquation 22.11 et lquation 22.13 expriment la valeur du dlai de propagation ainsi que
limpdance caractristique dune ligne.
Si la capacit de la charge par unit de longueur est C d , en remplaant C 0 par ( C 0 + Cd ) ,
dans lquation 22.11 et dans lquation 22.13, on peut trouver le nouveau dlai de propagation et
la nouvelle impdance caractristique.
Le nouveau dlai t' d de propagation est dfini par lquation 22.28 :
t' d = t d 1 + ( C d C 0 )
Equ(22.28)
Le chargement dune ligne a pour effet daugmenter le dlai de propagation.

La nouvelle impdance caractristique Z' c est dfinie par lquation 22.29 :
Zc
Z' c = ----------------------------------1 + ( Cd C0 )
Equ(22.29)
Le chargement dune ligne a pour effet de diminuer son impdance caractristique.
22.11. Condition ncessaire pour adapter une ligne de transmission

Une ligne de transmission doit tre adapte si elle est longue devant le temps de monte des
signaux.
Ladaptation est ncessaire si :
P. NAYMAN
Master CMI
309
tr
l > ------------2 td
Equ(22.30)
avec :
t r le temps de monte des signaux.
t d le dlai de la ligne par unit de longueur.
Par exemple, une ligne de dlai 5ns/m doit vhiculer des signaux dont le temps de monte
2
est de 2ns. Il faut adapter la ligne pour une longueur suprieure ------------ = 0, 2m .
25
22.12. Rponse un chelon de tension

Le signal reu en bout dune ligne de transmission dpend de la charge prsente.
La figure 22.10 montre les ondes engendres lentre et la sortie de la ligne en fonction
de la charge quand un chelon de tension est appliqu lentre du circuit reprsent par la figure
22.9.
Z Z
l
c
Si Z l est la charge l = ---------------est le coefficient de rflexion la sortie.
Zl + Zc
On suppose que la ligne est adapte en entre, il ny a donc pas de rflexion en tte de ligne.
Vg
On suppose que t 0 est le dlai de la ligne et VA = ------- .
2
VA
Zc
Z0
Vl
Z
Vg
Figure 22.9 : Circuit de test

La premire colonne de la figure 22.10 reprsente londe lentre du cble et la seconde
colonne, londe la sortie du mme cble. Pour chaque montage, on indique la charge utilise en
sortie du cble.
P. NAYMAN
Master CMI
310
Figure 22.10 : Ondes engendres selon la charge
P. NAYMAN
Master CMI
311
23. LE FACTEUR DE FANO

Considrons un dtecteur solide ou gazeux o des charges sont cres par effet photo-lectrique ou encore par ionisation. Pour fixer les ides des paires lectrons-trous sont cres dans un
semi-conducteur.
E
Le nombre de paires lectrons-trous cr est en moyenne : N = -----
avec E lnergie totale dpose et W lnergie pour crer une paire lectron-trou.
Pour un processus initial poissonien ou gaussien, on peut supposer que la variance de N soit
2
classiquement N = N .
2
En fait la variance mesure et calcule est bien infrieure celle escompte N = F N

avec F < 1
F tant le facteur de Fano1.
Pour tablir ce rsultat, il est ncessaire de considrer tous les mcanismes lmentaires qui
interviennent dans le rsultat final.
W
N = N
n1,e1
n2,e2
N = F N
nk,ek
Figure 23.1 : De nombreux mcanismes interviennent dans la variance de N

Dfinissons la variance de N comme la quantit :
2
E 2
N = N ----- avec x lesprance mathmatique de la variable alatoire x.
Si le processus de cration de paires ncessite k interactions lmentaires, alors :

k
N =
ni
et E =
i=1
ei .
i=1
n i et e i sont respectivement le nombre de paire cr et lnergie lmentaire correspon-
dante. Lnergie totale est distribue sur les k interactions et le nombre total de paires cr est la
somme de toutes les paires lmentaires cres.
e
Les ensembles n i -----i sont statistiquement indpendants, identiquement distribus et de
W
moyenne nulle.
1. Ugo Fano, Physical Review, volume 72, Number 1 (1947)

P. NAYMAN
Master CMI
312
LE FACTEUR DE FANO
La variance de N peut tre dfinie comme :

ei 2
2
N = k n i -----
Equ(23.1)
N = kn
Equ(23.2)
Comme :
n tant le nombre moyen de paires crer chaque interaction lmentaire.
en combinant (23.1) et (23.2) :
ei 2
E
2
N = ------------ n i -----
W n
W
Equ(23.3)
Posons :
e 2
n -----i
i
W
F = ----------------------n
Equ(23.4)
Cest le facteur de Fano.

2
E
N = F ----W
Equ(23.5)
Dans (23.5), si F = 1 on retrouve le rsultat erron suppos.

Le facteur de Fano dpend du milieu considr, par exemple 0.08 pour du silicium (F est
gnralement compris entre 0.1 et 0.3).
P. NAYMAN
Master CMI
313
LE FACTEUR DE FANO
24. INTRODUCTION AU STANDARD NIM

Le standard NIM (Nuclear Instrumentation Modules) a t dfini en 1964 pour rpondre
aux besoins instrumentaux de la physique nuclaire et de la physique des particules.
Lide de base de NIM est de proposer lutilisateur un ensemble de fonctions de base dans
des modules. Lutilisateur peut, en cascadant un certain nombre de modules avec des cbles
coaxiaux, raliser des fonctions plus complexes.
Le standard NIM dfinit une norme mcanique pour les modules et les chssis et une norme
lectrique pour lalimentation et le transport des signaux.
24.1. La norme mcanique

La hauteur normalise dun module est de 22,23 cm (8,75 pouces) et la largeur normalise
est un multiple de 3,43 cm (1,35 pouces).
Le chssis NIM est bas sur mcanique standard EIA de 19 pouces. 12 emplacements sont
prvus dans un chssis. Les connecteurs du fond de chssis transfrent aux modules les tensions
dalimentation (+6V, -6V, +12V, -12V, +24V et -24V).
La figure 24.1 montre la position des contacts du connecteur. Le Tableau 10 donne lallocation des contacts sur le connecteur.
34
35
36
37
16
28
29
30
31
38
17
18
19
10
11
12
13
20
1
2
3
4
5
21
6
22
39
23
41
32
25
26
33
42
24
40
27
14
15
9
G
Figure 24.1 : Le connecteur NIM vue de larrire
P. NAYMAN
Master CMI
314
INTRODUCTION AU STANDARD NIM
P. NAYMAN
Master CMI
315
BROCHE
FONCTION
BROCHE
FONCTION
Rserv
14
Libre
Rserv
15
Rserv
Libre
16
+12V
Rserv
17
-12V
18
Libre
19
Rserv
20
Libre
+200V DC
21
Libre
Libre
22
Rserv
10
+6V
23
Rserv
11
-6V
24
Rserv
12
Rserv
25
Rserv
13
Libre
26
Libre
27
Libre
36
GATE
28
+24V
37
Libre
29
-24 V
38
30
Libre
39
31
Libre
40
32
Libre
41
117V AC (neutre)
33
117V AC (phase)
42
GND (qualit)
GND
34
35
Tableau 10 : Allocation des contacts sur le connecteur NIM
24.2. La norme lectrique

Le standard NIM dfinit que toutes les entres et sorties ont une impdance de 50 .
Les niveaux logiques NIM sont dfinis par des courants dans une charge de 50 .
Le niveau logique actif doit tre compris entre -12mA et -32mA soit une tension comprise
entre -600mV et -1,6V (gnralement -16mA soit -800mV).
Le niveau logique de repos : <+2mA soit 100mV (gnralement 0mA).
Les fronts de monte des signaux sont de lordre de la nanoseconde.
Le schma reprsent par la figure 24.2 est un exemple de transformation dun signal ECL1
P. NAYMAN
Master CMI
316
(-800mV, -1600mV) en un signal NIM (-16mA, 0mA).

La porte ECL fournit 2 signaux complmentaires (-800mV, -1600mV) et (-1600mV, 800mV).
Quand la porte ECL est dans ltat (-800mV, -1600mV), le transistor conduit
V e = 1, 6V . Le courant I dans R est environ de -16mA :
5, 2 + 1 , 6
I = --------------------------- 16mA
220
Quand la porte ECL est dans ltat (-1600mV, -800mV), le transistor est bloqu, la diode
conduit ( V d 0, 35V ). Aucun courant ne circule dans R : I=0mA.
5 2V
ECL
16mA
Diode
Schottky
220
50
Gnd
5 2V
Figure 24.2 : Translateur ECL-NIM
1. Emitter Coupled Logic (logique diffrentielle)

P. NAYMAN
Master CMI
317
25. APPROCHE DE LA COMPATIBILIT LECTROMAGNTIQUE

La Compatibilit lectromagntique ou CEM recouvre tous les aspects de la pollution lectromagntique dun dispositif dans son environnement. Le dispositif doit tre capable de se protger contre ces perturbations sans en produire lui-mme.
Depuis le 1er janvier 1996, la directive 89/336/CEE sapplique tout matriel lectrique ou
lectronique commercialis en Europe. Chaque produit conforme affiche le marquage CE.
Cette directive dfinit les exigences essentielles demandes aux produits commercialiss.
Diffrents phnomnes ncessitent un traitement particulier du ressort de la compatibilit
lectromagntique :
La foudre, phnomne naturel qui engendre une suite dimpulsions lectromagntiques
intenses et de courtes dures qui peuvent perturber ou dtruire les systmes.
Limpulsion lectromagntique nuclaire engendre une impulsion trs intense du mme
type que celle de la foudre.
Les champs lectromagntiques induisent des tensions perturbatrices dans les systmes. Des composants peuvent tre amens travailler dans des conditions non dfinies par les
constructeurs.
Les parasites industriels engendrs par des machines tournantes, des commutations de
puissance, etc. peuvent perturber des matriels sensibles.
Lauto perturbation, une partie dun systme perturbe dautres parties du mme systme.
Un systme soumis des perturbations est caractris par son niveau de susceptibilit, niveau partir duquel il est perturb.
Le Tableau 13, Spectre lectromagntique, page 454 montre les diffrentes composantes
du spectre lectromagntique.
25.1. Rappels sur le champ lectromagntique

Comme son nom lindique, le champ lectromagntique est constitu dune composante
lectrique et dune composante magntique. En CEM, il est ncessaire de pouvoir considrer ces
deux composantes indpendamment lune de lautre. Une protection contre le champ magntique
sera diffrente dune protection contre le champ lectrique.
S
H
E
Source
Figure 25.1 Structure du champ lectromagntique

La figure 25.1 montre la structure dun champ lectromagntique dans lespace. une dis
tance suprieure ------ de la source ( est la longueur donde de la source), le champ est dit loi2
P. NAYMAN
Master CMI
318APPROCHE DE LA COMPATIBILIT LECTROMAGNTIQUE
gn ou encore en espace libre. Dans ce cas les composantes lectrique et magntique sont
perpendiculaires et le plan engendr est normal la direction de propagation des ondes. Le vecteur
S dfinit la direction de propagation, cest le vecteur de Pointing :
S = EH
Equ(25.1)
avec :
E en V/m
H en A/m
S en W/m2
En espace libre ( l > ------ ), le champ magntique est proportionnel au champ lectrique : les
deux champs sont coupls.
Le rapport E/H est homogne une impdance et sexprime en ohms. Cest limpdance de
londe en espace libre :
Z0 =
est
la
permittivit
--- = 377
lectrique
Equ(25.2)
10
0 = -----------2
4c
1
As
------------ = F m ,
Vm
dans
lair
0 = 8, 85pF m .
7
est la permabilit magntique et 0 = 4 10 ( H m )
En espace libre, la connaissance du champ lectrique permet de connatre simplement le

champ magntique.
A trs grande distance de la source dmission, la surface donde peut tre assimile, dans
une rgion limite, un plan tangent. Dans ce cas, on peut parler donde plane.
Si la source est une antenne de dimension importante ( D > --- ), le champ varie peu dans la
2D
direction privilgie dmission du lobe principal. Il faut alors se trouver une distance l > ---------- .
La figure 25.2 rsume ces diffrents aspects.
Z onde ( )
3
E = f(1 R )
E prdominant
H = f( 1 R2 )
5K
400
2
E = f(1 R )
H prdominant
H = f( 1 R3 )
20
01
05 1
Champ proche
Distance
5 ( 2 )
Champ loign
Figure 25.2 : Champ proche et champ loign

Dans la zone de champ proche, limpdance de londe nest pas constante. Si la source est
de haute impdance (une antenne fouet par exemple), de tension leve et de courant faible, lim3
pdance de londe est leve et le champ lectrique est prdominant. E varie comme 1 r et H
P. NAYMAN
Master CMI
comme 1 r .
Si la source est de faible impdance (une boucle par exemple), de tension faible et de courant lev, limpdance de londe est faible et le champ magntique est prdominant. H varie
3
comme 1 r et E comme 1 r .
25.2. La protection par crans ou blindages

Une mthode pour se protger des champs lectromagntiques est dutiliser un cran ou un
blindage.
Lefficacit dun cran peut tre dfini par E pour le champ lectrique et par H pour le
champ magntique.
E
E = 20 log -----0Ei
( dB )
Equ(25.3)
E 0 est le champ lectrique incident,

E i est le champ lectrique rsiduel non attnu par lcran.
H
H = 20 log ------0
Hi
( dB )
Equ(25.4)
H 0 est le champ magntique incident,

H i est le champ magntique rsiduel non attnu par lcran.
Lefficacit dun cran dpend de la frquence, des matriaux utiliss, du type de champ ou
encore de la forme de lcran.
Lefficacit de lcran est gnralement obtenue par une rflexion dune partie de londe
incidente et par une attnuation de londe transmise en traversant lcran.
= A+R+B
( dB )
Equ(25.5)
A reprsente les pertes par absorption, R reprsente les pertes par rflexion et B est un terme
correctif dans le cas de rflexions multiples sur un cran de faible paisseur.
25.2.1. Limpdance de londe

On peut dfinir limpdance dune onde lectromagntique par lquation 25.6.
E
Z w = ---H
()
Equ(25.6)
De mme, on peut dfinir limpdance caractristique dun milieu par lquation 25.7.
Z0 =
i
------------------ + i
()
Equ(25.7)
est la permittivit lectrique (dans le vide 0 = 8, 85pF m ).

7
est la permabilit magntique (dans le vide 0 = 4 10 H m )

7
est la conductivit du matriau ( 5, 82 10 mhos m ) pour le cuivre.

est la pulsation considre ( = 2 ).
Le Tableau 11 donne r et r pour les matriaux les plus courants.

Dans le cas dun isolant, ( i ), Z 0 est gale limpdance de londe en espace libre :
Z0 =
--- =
0
------ = 377
0
Equ(25.8)
Dans le cas dun conducteur i , limpdance caractristique du milieu est limpP. NAYMAN
Master CMI
dance du blindage Z s :
Zs =
--------- = ( 1 + i ) ------
2
Equ(25.9)
------
Equ(25.10)
et :
Zs =
On peut exprimer Z s en fonction de la permabilit relative et de la conductivit relative :

Z s = 3, 68 10
-----r
r
Equ(25.11)
Matriau
Argent
1,05
Cuivre
Or
0,7
Aluminium
0,61
Nickel
0,20
Bronze
0,18
Acier
0,10
1000
Plomb
0,08
Acier inoxydable
0,02
500
Tableau 11 : Caractristiques de quelques matriaux
25.2.2. Les pertes par absorption

Une onde lectromagntique qui traverse un milieu, a son amplitude attnue exponentiellement. Cet effet est principalement d aux courants induits qui chauffent le matriau.
Ei = E0 e
Equ(25.12)
et :
Hi = H0 e
Equ(25.13)
E i et H i reprsentent lamplitude de londe, dans le milieu considr, la distance l.

est lpaisseur de peau du milieu absorbant la frquence :
=
1
-------------
(m)
Les pertes par absorption sont donc :

l
A = 20 -- log e

l
A = 8, 69 --

( dB )
( dB )
P. NAYMAN
Master CMI
A = 1, 32 l r r
( dB )
Equ(25.14)
avec l en cm.
Remarque : r r = 1 pour le cuivre et 100 pour lacier !
Lefficacit dun blindage, en absorption, sera (en dB) 10 fois plus grande avec de lacier
compare du cuivre.
25.2.3. Les pertes par rflexion

Une onde lectromagntique se rflchit linterface de deux milieux dimpdances caractristiques diffrentes. Par exemple, au passage dun milieu comme lair un cran mtallique.
Les pertes par rflexion sont donnes par lquation 25.15.
ZW
R = 20 log ---------4 Zs
( dB )
Equ(25.15)
Z W est limpdance de londe avant lentre dans lcran.

Z s est limpdance de lcran.
Dans le cas dune onde plane (champ loign), Z W = Z 0 = 377 , les pertes par rflexion
sont alors dfinies par lquation 25.16.
94, 25
R = 20 log -------------Zs
( dB )
Equ(25.16)
Si lon utilise la valeur de Z s dfinie par lquation 25.11, on obtient :

r
R = 168 10 log ---------
r
( dB )
Equ(25.17)
Plus limpdance de lcran est faible, plus lattnuation par rflexion est importante.
De mme plus la frquence est importante et plus les pertes par rflexion sont faibles.
Le matriau idal qui engendrera le plus de pertes par rflexion doit tre tel que le rapport
-----r soit le plus faible possible.

r
Largent et le cuivre sont donc beaucoup plus efficace que lacier !

Lpaisseur du matriau nintervient pas dans les pertes en rflexion. Une simple feuille
daluminium est aussi efficace quune paisse plaque du mme mtal.
25.2.4. Remarques gnrales

25.2.4.1 Le blindage du champ magntique
Il est prfrable dutiliser les pertes par absorption pour se protger dun champ magntique. Il convient de trouver un matriau tel que le terme
r r soit lev. Il faut toutefois noter
quil est trs difficile de se protger en basse frquence. Le principe de ce blindage est bas sur
linduction de courant dans le matriau. Il est fondamental que ces courants puissent circuler en
connectant correctement le blindage la masse du systme.
25.2.4.2 Le blindage du champ lectrique

Pour se protger dun champ lectrique, il est prfrable de mettre profit les pertes par r
flexion. Il convient de trouver un matriau dont les caractristiques minimisent le rapport -----r . Il
r
P. NAYMAN
Master CMI
faut toutefois noter quil est trs difficile de se protger en haute frquence.
25.3. Les couplages

Les couplages entre une perturbation et un systme peuvent tre provoqus par diffrentes
situations, citons par exemple :
Une impdance commune (perturbations conduites).
Un champ lectrique (capacits parasites, rayonnement).
Un champ magntique (inductances mutuelles, rayonnement).
25.3.1. Le couplage par impdance commune sur une liaison symtrique et asymtrique
Le couplage par impdance commune se produit lorsque des courants de deux systmes diffrents traversent une impdance commune. La variation de tension vue par lun des systmes dpendra de la variation de courant engendr par lautre systme (figure 25.3).
Systme 1
V1
Systme 2
I1
I2
V2
Figure 25.3 : Principe de limpdance commune

Une autre forme de ce couplage se produit lorsque lquipotentialit entre deux systmes
nest pas assure, il existe alors un courant I p qui circule dans des boucles dites de masse.
Avec une liaison de type symtrique ou diffrentielle, le rcepteur mesure la diffrence de
potentiel entre les deux fils de la liaison. Dans le cas dune perturbation conduite I p , limpdance
commune Z mc dveloppe ses bornes une tension de mode commun V mc .
V mc = Z mc I p
Le rcepteur rejette cette perturbation conduite en soustrayant la perturbation qui est commune aux deux entres.
Le taux de rjection du mode commun dpendra de la bonne symtrie du rcepteur. Une
paire torsade permet de raliser facilement ce type de liaison (figure 25.4).
I cm I p
Vd
2R
Ip
Z mc
V mc
Figure 25.4 : Rjection de la perturbation de mode commun

La figure 25.5 reprsente une liaison asymtrique. Avec ce type de liaison, le rcepteur ne
rejette pas la perturbation par impdance commune.
Avec ce type de connexion la tension de mode commun V mc se retrouve intgralement
P. NAYMAN
Master CMI
lentre du rcepteur.
V 2 = V mc + V 1
Une liaison asymtrique ne rejette pas les perturbations de mode commun.

I cm
V2 R
V1
Ip
Z mc
V mc
Figure 25.5 : Sensibilit la tension de mode commun

Pour illustrer ce couplage par impdance commune, considrons lexemple tir de la note
dapplication AB-084 de la socit Burr-Brown. Un convertisseur analogique numrique1 est test
dune part avec une carte prsentant une impdance commune leve (les masses du circuits sont
relies par des fils longs) et dautre part avec une carte prsentant une impdance commune faible
(un plan de masse relie au plus court les diffrentes masses du circuit).
La figure 25.6 montre la non linarit diffrentielle2 dans le cas dun systme de masse de
mauvaise qualit. La figure 25.7 montre le mme test avec une carte conue avec un plan de
masse.
Figure 25.6 : Non linarit diffrentielle avec un mauvais systme de masse
Figure 25.7 : Non linarit diffrentielle avec un bon systme de masse

1. Cas du CAN : ADC774 de Burr-Brown
2. Voir le chapitre : Test des convertisseurs analogiques-numriques
P. NAYMAN
Master CMI
25.3.2. Le couplage entre conducteurs par le champ lectrique (couplage capacitif)

Le couplage capacitif entre deux conducteurs rsulte de linteraction dun champ lectrique. Ce type de couplage est dominant lorsque limpdance des circuits augmente, les diffrences de potentiel deviennent prdominantes tandis que les courants restent faibles.
La figure 25.8 schmatise ce couplage, les fils 1 et 2 sont reprsents en coupe.
Considrons deux fils conducteurs parallles 1 et 2. Le fil 1 est port au potentiel V 1 . C 1
et C 2 sont respectivement les capacits des fils 1 et 2 par rapport la masse. C 12 est la capacit
de couplage entre les deux fils. La rsistance R correspond aux diffrents composants connects
sur le fil 2.
La tension de bruit V n est dans ce cas :
C 12
1
V n = ---------------------- ----------------------------------------------- V 1
C 12 + C 2
1
1 + ------------------------------------iR ( C 12 + C 2 )
1
Dans le cas frquent o : ------------------------------------- 1 on obtient :
iR ( C 12 + C 2 )
Equ(25.18)
V n = iRC 12 V 1
Cette quation montre que le couplage capacitif entre 2 conducteurs est proportionnel la
pulsation , R, C 12 et V 1 .
Pour diminuer ce couplage il faut diminuer C 12 en loignant les conducteurs ou blinder les
deux fils.
Le couplage par champ lectrique induit une tension perturbatrice.
C 12
2
1
V1
C1
C2
Vn
Figure 25.8 : Le couplage capacitif
25.3.3. Le couplage magntique (couplage inductif)

Un courant I qui traverse un circuit ferm de surface S cre un flux magntique . On peut
crire :
= LI
o L est linductance du circuit exprime en Henry.

Quand un courant I 1 traverse un circuit et produit un flux magntique 2 dans un autre
circuit, les deux circuits sont coupls par une mutuelle inductance M : M = ------2- et :
I1
= BS cos
est langle de B par rapport la normale la surface S (figure 25.9).
Si linduction magntique B (Tesla) varie selon la pulsation , la tension de bruit induite

par un couplage magntique est : V n = iLI .
V n = iBS cos
P. NAYMAN
Master CMI
Equ(25.19)
V n = iBS cos
R1
R2
Figure 25.9 : Couplage inductif

Une solution pour rduire V n consiste rduire la surface de collection S.
V n peut tre exprime en fonction de la mutuelle inductance M entre les deux circuits :
dI 1
V n = iMI 1 = M ------dt
Equ(25.20)
25.3.3.1 Le couplage magntique entre deux conducteurs

La figure 25.10 illustre le couplage magntique de deux conducteurs.
I1
M
Vn
V1
Figure 25.10 : Couplage magntique entre deux conducteurs

La tension de couplage V n peut tre rduite en rduisant B, S ou . La surface S peut tre
rduite en plaquant les conducteurs contre une surface mtallique relie la masse (tresse de
masse, baie, etc.). Si une tresse daccompagnement est utilise, elle doit tre relie la masse
ses deux extrmits pour tre utile (un courant doit circuler1).
25.3.3.2 La paire torsade

Une autre solution, pour limiter le couplage magntique entre deux conducteurs, consiste
utiliser de la paire torsade. Les champs crs dans deux boucles conscutives sont opposs et ont
tendance sannuler (figure 25.11).
+
Figure 25.11 : La paire torsade
25.3.3.3 Le cble blind

Le blindage du cble est un cran conducteur non magntique. Les lignes de courant sont
uniformes le long de lcran et le flux magntique lextrieur de lcran sont des cercles concentriques. Linductance de lcran est :
L e = ---Ie
Equ(25.21)
Le champ est nul lintrieur de la cavit centrale. Dans ce cas, la mutuelle inductance entre
1. Selon le thorme dAmpre
P. NAYMAN
Master CMI
lcran et le conducteur central est :

Equ(25.22)
M = Le
La figure 25.12 montre le schma de cblage du cble blind et la figure 25.13 montre le
schma quivalent.
V in R
I e (bruit)
Gnd2
Gnd1
Figure 25.12 : Le cble blind
Gnd1
Le
R in =
Ie
Lm
Rm
Gnd2
Figure 25.13 : Schma quivalent du cble blind

L m est la self de fuite de lcran
R m est la rsistance ohmique de lcran.
Dans la boucle de masse reprsente, on peut dfinir la tension de mode commun entre
Gnd1 et Gnd2 :
V mc = [ R m + i2 ( L e + L m ) ]I e
En utilisant quation 25.22 :

V mc = [ R m + i2 ( M + L m ) ]I e
V i = i2MI e + V mc
V i = [ R m + i2L m ]Ie
V mc
[ R m + i2 ( L m + M ) ]
--------- = ----------------------------------------------------R m + i2L m
Vi
Equ(25.23)
et en haute frquence :
V mc L m + M
--------- -----------------Vi
Lm
Equ(25.24)
On remarquera quun fil de reprise (de masse) pour connecter la tresse peut considrablement dtriorer leffet rducteur du cble blind (figure 25.14).
P. NAYMAN
Master CMI
Dilectrique
Isolant
me
Tresse+
reprise de masse
Figure 25.14 : Cble blind et sa tresse de reprise

En basse frquence, il ny a pas de compensation possible, il est prfrable dutiliser un
autre type de cble (la paire torsade ou la paire torsade blinde).
Le courant I e dans la boucle de masse est compens par la mutuelle inductance du cble.
Seuls les termes R m et L m ne sont pas compenss.
Leffet compensateur est dautant plus grand que la mutuelle est leve. Il est possible
daugmenter cette mutuelle en plaant une ferrite autour du cble blind. Le signal utile ne sera
pas modifi, en effet les signaux aller et retour sont opposs et annulent le champ dans la ferrite.
6
Par exemple : Si R m = 0, 5 m , L m = 0, 2 10 H m et M = 0, 8 10 H m alors le rapV
mc
port R ( ) = --------est reprsent par le graphique de la figure 25.15.
Vi
Figure 25.15 : Courbe de compensation dun cble blind en fonction de la frquence

Par exemple : Considrons un cble de 3 mtres de longueur avec les caractristiques
suivantes :
6
R m = 60m , L m = 3 10 H , M = 3nH .
Considrons dautre part le mme cble avec un fil de reprise de tresse de 1cm soit 10nH.
La figure 25.16 montre la dtrioration des caractristiques obtenues avec ce fil de reprise de
tresse (courbe en traits pointills). La courbe en trait plein reprsente les caractristiques sans reprise de masse.
On remarquera une dgradation des caractristiques dans un rapport 4 (1000/250).
P. NAYMAN
Master CMI
4
1 10
3
1 10
250
R1( )
100
R2( )
10
1
1
4
1 10
5
1 10
6
1 10
7
1 10
8
1 10
Figure 25.16 :Effet dun fil de reprise de masse
25.3.3.4 Limpdance de transfert dun cble blind

Limpdance de transfert dun cble blind est limpdance linique de son cran. Cette impdance Z t exprime en m
est gale la somme de la rsistance linique et de la ractance
linique de lcran.
Z t = R m + iL m
Un cble haute immunit aura une impdance de transfert faible. Cest le cas par exemple,
des cbles double tresse.
25.4. La foudre
La foudre est une dcharge lectrostatique entre un cumulo-nimbus et le sol. En France, il
2
se produit en moyenne 1,6 millions de chocs par an, soit une moyenne de 3 chocs par Km . Les
rgions les plus touches sont le Massif Central et les Alpes du Nord.
Figure 25.17 : Des clairs

On appelle niveau kraunique le nombre moyen de jour (par an) o lon entend le tonnerre.
Par beau temps, le champ lectrique entre le sol et la ionosphre est environ de 200V/m. Des
charges ngatives slvent lentement du sol. La ionosphre tant une couche conductrice, celleci constitue avec la terre les armatures dun norme condensateur. Le courant continu total de fuite
de ce condensateur au travers la terre est de 2KA.
Avant une dcharge, dans une plaine, le champ lectrostatique est compris entre 10 et
P. NAYMAN
Master CMI
20KV/m. Ce champ lectrique nest pas dangereux pour les appareillages.

Lorsque le champ lectrostatique est suffisamment lev, des charges opposes se combinent brutalement sur terre et un arc lectrique se produit (lclair). Le plus souvent, les dcharges
sont ngatives, les charges ngatives accumules reviennent brutalement sur terre. Un arc prcurseur descendant vers le sol, jusqu quelques dizaines de mtres, cre un canal ionis. Le champ
lectrique local augmente et dclenche un premier arc en retour ascendant (du sol vers le prcurseur). Quand lascendant rattrape le prcurseur, alors les charges scoulent brutalement vers dans
le sol. La dilatation brutale du canal ionis provoque le bruit caractristique du tonnerre qui accompagne lclair.
La figure 25.18 montre les caractristiques de londe rsultante.
Figure 25.18 : Onde rsultante de la foudre

Une dcharge de foudre classique dpasse une fois sur deux les valeurs suivantes :
Imax = 35KA
dI
----- = 40KA s
dt
5 impulsions
Le temps de monte des arcs subsquents est infrieur 0, 1s .
25.4.1. Les consquences de la foudre

Un choc de foudre peut engendrer deux types de dommage. Le premier, en cas de choc direct est un risque en conduction. Le second est li au champ magntique rayonn dans les boucles
conductrices.
25.4.1.1 Le risque en conduction

Lors dun choc de foudre direct, le potentiel du point dimpact slve fortement. Par
exemple, dans le cas dune excellente prise de terre ( 1 ), un choc de foudre classique de 35KA
lverait le potentiel : 35x1=35KV !
La recherche dune trs bonne terre est donc inutile, limportant est lquipotentialit du
site.
La seule protection possible, est de placer des crteurs et des parafoudres (par rapport la
masse) sur toutes les lignes qui sortent (et/ou entrent) du site. Un maillage complet du btiment
assurera une bonne quipotentialit.
25.4.1.2 Le risque li au rayonnement

dI
dt
Ce risque est li la rapide monte en courant ( ----- lev) de limpulsion de foudre. Ce fort
dI
----- engendre un champ magntique H rayonn important. Le thorme dAmpre explicite H une
dt
distance R du canal ionis :

I
H = ---------2R
P. NAYMAN
Master CMI
On peut facilement calculer la tension induite dans une boucle de surface S claire par
un champ H orthogonal :
H
V = S 0 -------t
I
1
V = S 0 ----- ---------t 2R
200S I
V = ------------ ----R
t
Equ(25.25)
avec :
V en volts,
2
S surface de la boucle en m ,
I
----- pente maximale du courant en KA par s ,
t
R distance entre la boucle et lclair.

Par exemple, un choc de foudre de 45KA s 100 mtres dun quipement informatique
2
cre pour une boucle entre appareils de 1m (par exemple, un micro-ordinateur, son imprimante
et les liaisons secteurs) une tension de 90 volts.
P. NAYMAN
Master CMI
26. MTHODES DE TEST DES CONVERTISSEURS

ANALOGIQUES-NUMRIQUES
Un convertisseur analogique/numrique est un dispositif qui transforme une grandeur analogique (continment variable dans le temps) un instant prcis par une reprsentation numrique
(mot binaire dun certain nombre de bits).
De nombreux paramtres du convertisseur analogique numrique sont fondamentaux et dpendent totalement du choix de lutilisateur. Par exemple, le nombre de bits du mot cod dterminera la rsolution ( ne pas confondre avec la prcision).
26.1. Les caractristiques de base

La rsolution dun convertisseur analogique numrique fait rfrence au nombre dtats qui
N
sont utiliss pour coder le signal analogique. Un convertisseur de N bits de rsolution utilisera 2
tats. Par exemple, un convertisseur de 12 bits pourra, en thorie, discerner 1 unit parmi 4096 ou
0,0244% de la pleine chelle. La prcision caractrise comment le convertisseur se rapproche des
limites thoriques, ceci inclut les diffrentes erreurs (quantification, etc.).
La figure 26.1 reprsente la fonction de transfert dun convertisseur analogique numrique
3
de 3 bits ( 2 tats).
Code
Amax-1.5lsb
111
110
101
max=q/2
100
lsb
011
010
001
Signal dentre
000
1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Figure 26.1 : Fonction de transfert dun convertisseur analogique numrique

Lallure en marches descalier est lie au mcanisme de la quantification.
Pour tout x n analogique en entre : y n = kq o q est le pas de quantification.
q
q
Amax
-.
Avec : kq --- x n < kq + --- et q = ------------N
2
La hauteur de la marche correspond au pas de quantification q. Une variation de la grandeur

dentre gale q, provoque une variation de 1 lsb (Bit de Poids le Plus Faible) du code de sortie.
On peut caractriser le CAN1 parfait par lquation suivante :
Ve = q [ an 1 2
n1
+ a 1 2 + a 0 ] + V q
[ a n 1 a 1 a 0 ] est le mot binaire en sortie du CAN.

V q est lerreur systmatique de quantification. Pour un CAN parfait, la courbe de rponse
montre que les marches descalier scartent au plus de 1 2lsb par rapport la droite optimale.
La figure 26.2 reprsente lerreur (cart par rapport la droite idale) en fonction du signal
1. Convertisseur Analogique Numrique

P. NAYMAN
Master CMI
332
MTHODES DE TEST DES CONVERTISSEURS ANALOGIQUES-NUMRIQUES
dentre.
e
q/2
Signal dentre
-q/2
Figure 26.2 : Erreur en fonction du signal dentre

Quatre paramtres statiques fondamentaux permettent dvaluer la prcision dun CAN :
la non-linarit diffrentielle
la non-linarit intgrale
lerreur de dcalage
lerreur de gain
26.1.1. La non-linarit diffrentielle

Lerreur de linarit diffrentielle reprsente lcart relatif entre la valeur effective du pas
q i et la valeur thorique q.
Si q ( k ) reprsente la valeur du signal dentre o se produit la transition vers le code k
alors :
q k = q ( k + 1 ) q ( k ) cette valeur est gale q pour le convertisseur idal.
On appelle non-linarit diffrentielle (DNL) la quantit normalise :

q( k + 1 ) q(k )
q ( k )
DNL k = ------------------------------------- = -------------q
q
Equ(26.1)
On peut galement utiliser la relation drive suivante :

q( k + 1) q(k ) q
DNL k = ---------------------------------------------q
Equ(26.2)
Si le pas k est correct, DNL k = 0 . Si 2 transitions conscutives sont confondues :

q ( k + 1 ) q ( k ) = 0 alors DNL k = 1 , on a dans ce cas dtect un code manquant.
Gnralement, on indique comme DNL le maximum des diffrentes DNL :

DNL =
[ DNL k ]
max
Equ(26.3)
tous les k
La figure 26.3 donne un exemple de non-linarit diffrentielle.

Code
111
110
code manquant
101
100
1.5 lsb
011
0.5 lsb
010
001
000
T(6)=T(7)
0
1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Signal dentre
Figure 26.3 : Exemple de non-linarit diffrentielle

P. NAYMAN
Master CMI
333
26.1.2. La non-linarit intgrale

Lerreur de linarit intgrale permet de qualifier la forme gnrale de la fonction de transfert du CAN. Soit E ( k ) lcart entre une transition et la droite de gain dont la pente est +1. Pour
un CAN idal, Ek = 1 2LSB comme le montre la figure 26.4.
Code
111
110
INL=1 lsb
101
100
011
010
INL=1/2 lsb
001
000
1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Signal dentre
Figure 26.4 : Exemple de non-linarit intgrale

On peut dfinir pour chaque transition une erreur de linarit intgrale :
1
INL ( k ) = E ( k ) --- LSB
2
Equ(26.4)
Si INL ( k ) = 0 , alors il ny a pas derreur de linarit intgrale en k.

Si lon exprime cette erreur en normalisant par rapport q :
INL ( i ) =
q j
------q
DNL ( j )
j<i
j<i
Equ(26.5)
26.1.3. Lerreur de dcalage

Lerreur de dcalage est lcart entre la premire transition (passage du code 0 au code 1)
1 Vmax
- soit 0,5LSB.
et la position idale situe : V in = --- ------------N
2
P. NAYMAN
Master CMI
334
Code
111
110
101
100
011
010
001
000
1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Signal dentre
1 lsb
Figure 26.5 : Erreur de dcalage
26.1.4. Lerreur de gain

La figure 26.6 reprsente un CAN avec un gain incorrect. Cette erreur est due un cart de
pente par rapport au gain idal de pente +1. Lerreur de gain peut tre exprime en volts, en pourcentage de la pleine chelle ou encore en LSB.
Code
111
110
101
Gain idal
pente = +1
100
011
010
001
000
1/8 2/8 3/8 4/8 5/8 6/8 7/8 8/8
Signal dentre
Figure 26.6 : Erreur de gain

Gnralement, cette erreur provient du systme de tension de rfrence qui dtermine la
pleine chelle.
26.2. Les tests dynamiques

Le test des performances dynamiques des CAN vont mettre en vidence un certain nombre
de paramtres comme par exemple, le nombre de bits effectifs, le taux de distorsion ou encore le
bruit.
Pour effectuer ces tests, il est ncessaire dutiliser un signal dentre parfaitement caractris. Le signal sinusodal est gnralement le bon candidat, facile gnrer, il offre lavantage
davoir un modle mathmatique trs simple.
P. NAYMAN
Master CMI
335
26.2.1. La distorsion harmonique

Si lon applique un signal sinusodal lentre du CAN, lanalyse spectrale du signal numrique met en vidence un certain nombre de raies : le fondamental la frquence f et des harmoniques aux frquences 2f, 3f, etc. (figure 26.7). Le CAN est un gnrateur dharmoniques du fait
de son caractre non-linaire (fonction de transfert en marches descalier).
fondamental
harmoniques
Figure 26.7 : Signal et ses harmoniques

Le Taux de Distorsion Harmonique Total (THD) est dfini par la relation suivante :
2
( THD ) dB
V f2 + V f3 + V fn
= 20 log -------------------------------------------
2
V f1
12
Equ(26.6)
V f1 est lamplitude du fondamental et V fi lamplitude de lharmonique de rang i.
En pratique, on se limite lharmonique de rang 5. Le taux dharmonique peut galement

tre exprim en pourcentage de la pleine chelle. Les diffrents pics ayant une certaine largeur, il
est ncessaire dutiliser une fentre afin de rduire les effets de la FFT1. Pour chaque pic, le carr
de la puissance est gal la somme des carrs des canaux.
Si le signal de sortie du CAN (numrique) est transmis un CNA2 parfait, la sortie analogique Vout du CNA peut se mettre sous la forme gnrale :
2
Vout = 0 + 1 Vin + 2 ( Vin ) + 3 ( Vin ) +
Equ(26.7)
0, i sont les coefficients du systme.
Si le CAN tait parfaitement linaire on aurait :

Vout = 0 + i Vin
Lharmonique de rang 2 apparat avec 2 0

2
1 + cos 2t
En effet, ( cos t ) = --------------------------- la frquence est alors le double de celle du fondamental.
Une mthode pour diminuer le THD consiste augmenter la rsolution du CAN. Dans ce
cas, la courbe de transfert se rapproche de la droite idale.
26.2.2. La distorsion dinter modulation

La distorsion dInter Modulation (IMD) intervient lorsque deux composantes frquentielles
1. Voir le chapitre sur les signaux numrique
2. Convertisseur Numrique Analogique
P. NAYMAN
Master CMI
336
(fa et fb) se combinent, par le biais des non-linarits, pour crer de nouvelles composantes frquentielles.
Les diffrents produits dinter modulation fmn sont tels que :
fmn = mfa nfb (m et n sont des entiers positifs)
On dfinit par le terme : IMD ( mfa + nfb ) lamplitude de linter modulation pour la composante ( mfa + nfb ) dont lordre est ( m + n ) .
Par exemple, si lon reconsidre lquation 26.7 avec Vin = cos 1 t + cos 2 t , au second
ordre, la non-linarit sera proportionnelle :
2
( cos 1 t + cos 2 t ) = ( cos 1 t ) + 2 cos 1 t cos 2 t + ( cos 2 t )
et comme : 2 cos 1 t cos 2 t = cos ( 1 + 2 )t + cos ( 1 2 )t

Une non-linarit au second ordre engendre donc des composantes aux frquences
( 1 + 2 ) et ( 1 2 ) .
La mme dmarche montre quau troisime ordre, on trouve les frquences ( 2 1 + 2 ) ,
( 1 + 2 2 ) , ( 2 1 2 ) et ( 2 2 1 ) .
la distorsion dinter modulation peut tre value par la relation suivante :
IMD dB
V ij

i, j
= 20 log ------------------
2
2
V a + V b
12
Equ(26.8)
V ij reprsente chacune des composantes cres par les deux frquences fondamentales V a
et V b . Gnralement V a = V b .
26.2.3. Le rapport signal bruit

Considrons un signal sinusodal damplitude [ A, +A ] et un CAN idal. Nous avons vu1
2
q
2
dune part que la puissance du bruit de quantification du codeur est b = ------ et dautre part que
12
S
le rapport signal bruit exprim en dcibels est : --- = 6n + 1, 8 . n tant le nombre de bits du
B dB
codeur.
Un certain nombre de mthodes vont permettre de dterminer le rapport signal bruit du
convertisseur. La connaissance de ce rapport va permettre dexprimer le nombre de bits effectifs
du CAN.
( S B )observ 1, 8
Nbeff = ----------------------------------------------6
Equ(26.9)
Le terme de rapport signal bruit doit tre considr avec prcaution, il convient de
connatre avec prcision ce qui a t mesur. Souvent, lorsque les harmoniques sont incluses dans
le bruit, on parle de rapport signal (bruit+distorsions) ou SINAD (en anglais). Dans ce cas, le
bruit doit tre valu par une mthode spectrale. Il est important de retrancher aux mesures un
ventuel dcalage continu (voir la figure 26.8).
1. Chapitre sur le Bruit, cas dun signal sinusodal

P. NAYMAN
Master CMI
337
fondamental
harmoniques
pic du bruit
bruit moyen
dcalage
Figure 26.8 : Mesure de bruit lanalyseur de spectre
26.2.4. Mthode statistique

Lintrt dune mthode statistique base sur ltude dun histogramme est sa facilit de
mise en oeuvre.
Une mthode danalyse statistique par histogramme consiste chantillonner le signal
dentre, considrer le code numrique quivalent puis trier les codes selon leur valeur. LhisN1
togramme indique pour chaque code (de 0 2

) le nombre doccurrence.
Pour que la mthode soit significative, il est ncessaire que le nombre total dchantillons
soit grand. La thorie des probabilits permet destimer le nombre dchantillons ncessaires (loi
des grands nombres, thorme de la limite centrale).
Considrons un signal du type V = A cos .
Prob ( V v ) = Prob ( A cos v )
v [ A, +A ]
Prob ( V v ) = Prob ( ( , 2 ) )
avec ( 0, ) tel que v = A cos
+A
v
Figure 26.9 : valuation de la fonction de rpartition
P. NAYMAN
Master CMI
338
cas favorables
1
Prob ( V v ) = ---------------------------------- = ------------ = --- ( ) (voir la figure 26.9).
cas possibles
Prob ( V v ) = F ( v ) est la fonction de rpartition.

b
Dune manire gnrale : Prob ( V ]a,b] ) =
a pv( v ) dv
p v ( v ) est la densit de probabilit de la variable alatoire v.

= acos --vA
d [ Prob ( V v ) ]
p v ( v )dv = d [ Prob ( V v ) ] = --------------------------------------dv
1
1 d
p v ( v ) = --- ------ = ------------------------ dv
2
2
A v
1
p v ( v ) = ------------------------2
2
A v
Equ(26.10)
La figure 26.10 montre lallure de p v ( v ) .
Figure 26.10 : Allure de la densit de probabilit pv ( v )

Il est plus intressant de trouver, pour une sinusode, la probabilit que le code n soit trouv.
N
n tant le numro du canal : n [ 1, 2 ] N est le nombre de bits du codeur.

Soit B la gamme dynamique du codeur (en volts).
B
Chaque pas sera : q = -----N- .
2
Considrons une sinusode damplitude maximale A :

v = A sin et v [ A, +A ]
On ralise la bijection entre v et le numro du canal comme lindique la figure 26.11.
P. NAYMAN
Master CMI
339
+A
amplitude de la sinusode
numro du canal
N1
Figure 26.11 : Bijection entre lamplitude v et le numro du canal

v = q(n 2
N1
N1
B
) = ------ ( n 2
)
N
2
La probabilit que le code trouv corresponde au numro du canal n est lintgrale de pv ( v )

sur le canal considr.
n
P ( n ) = prob ( v ]n 1, n] ) =
n 1 pv( v )dv do :
N1
N1
)
B(n 2
1
)
B(n 1 2
P ( n ) = --- asin ------------------------------- asin ---------------------------------------N
N
A2
A2
Equ(26.11)
avec : n [ 1, 2 ] . Pour des raisons de commodit, il est possible, dans lquation 26.11,
deffectuer un changement de variable afin de numroter le numro du canal n partir de 0.
La frquence de la sinusode dentre doit tre choisie avec prcaution de manire garantir
lindpendance des chantillons. Un sous multiple de la frquence dchantillonnage amne toujours considrer les mmes codes. Il est ncessaire que le plus petit commun multiple soit trs
grand compar la taille de lenregistrement. Une rgle qui permet davoir une cohrence consiste
prendre, dune part fe > 2fin et dautre part :
fin
Mc
------- = -------fe
M
Equ(26.12)
M est le nombre dchantillons dans lenregistrement

Mc est un nombre premier
26.2.4.1 Lerreur de linarit diffrentielle et intgrale

Si p ( k ) est la probabilit thorique dapparition du code k et p' ( k ) la frquence donne par
lhistogramme, alors :
N( k )
p ( k ) = ----------NT
N ( k ) est le nombre de coups dans le canal k et N T le nombre total de
coups.
NT
qN T
N(k )
q
N ( k ) ------ = ---------- do p ( k ) = ----------- = -------N
N
Vm
Vm
T
2
N' ( k )
q'
De la mme manire : p' ( k ) = ------------ = -------- En posant qk = q' :
NT
Vm
q
p' ( k )
----k- = ----------q
p(k)
Equ(26.13)
qk q
p' ( k ) p ( k )
DNL ( k ) = -------------- = ---------------------------q
p(k )
Equ(26.14)
On en dduit :
P. NAYMAN
Master CMI
340
et : DNL =
max
[ DNL k ] de mme :
tous les k
INL ( i ) =
q j
-------j<i q
DNL ( j )
Equ(26.15)
j<i
26.2.5. Mthode par ajustement dune sinusode

Cette mthode permet davoir une description globale du CAN en dterminant le nombre de
bits effectifs.
V
Observ
idal
Figure 26.12 : Ajustement dune sinusode

Un signal sinusodal est entr dans le CAN. Par logiciel, on dtermine lajustement idal du
nuage de points enregistrs (figure 26.12). Les carts entre le signal observ et le signal ajust correspondent aux erreurs. Les erreurs sont calcules en valeur quadratique moyenne. Soit e lcart
moyen :
e =
( obs - fit )
1 ------------------------n
Equ(26.16)
Si lon considre que lerreur la plus petite est donne par le bruit de quantification :
Vm
q
t = ---------- avec q = -------- (N tant le nombre de bits du CAN).
N
12
2
Vm
t = ----------------N
2 12
Vm
e = -------------------------NBeff
12
2
NBeff
NBeff N
2
-----t = --------------- = 2
N
e
2
t
log ------ = NBeff N
2 e
Le nombre de bits effectifs est donn par la relation :

e
NBeff = N log -----
2
t
P. NAYMAN
Master CMI
341
Equ(26.17)
27. SURCHANTILLONNAGE DES

CONVERTISSEURS ANALOGIQUES-NUMRIQUES
Les paramtres fondamentaux dun CAN sont dpendants des performances dsires. Par
exemple, le nombre de bits N est choisi en fonction de la dynamique dentre et de la prcision
recherche. Si lon dsire limiter le nombre de bits N, tout en conservant les performances du
CAN, il faudrait reconsidrer la dynamique du signal dentre.
Une autre mthode de conversion base sur le surchantillonnage du signal dentre et la
quantification diffrentielle permet de rduire dune part la dynamique apparente du signal dentre et dautre part le bruit de quantification et par consquent le nombre de bits N. Lintrt du
surchantillonnage a t montr (Voir Amlioration du rapport signal bruit, page 179.). Il est
intressant de montrer que lutilisation du surchantillonnage et de la quantification diffrentielle
permet damliorer dune manire significative les performances de bruit et de dynamique.
27.1. La quantification diffrentielle [46]

27.1.1. Principe de base
Considrons deux chantillons successifs du signal dentre : x ( n 1 ) et x ( n ) . La quantification diffrentielle limite la dynamique apparente du signal en codant uniquement la diffrence
d ( n ) = x ( n ) x ( n 1 ) . Un moyen destimer la qualit du codage est dvaluer la variance de d ( n )
(on suppose les variables centres) :
2
d = E [ d ( n ) ] = E [ ( x ( n ) x ( n 1 ) ) ] = E [ x ( n ) ] + E [ x ( n 1 ) ] 2E [ x ( n ) x ( n 1 ) ]
2
E [ x ( n ) ] = E [ x ( n 1 ) ] = x
E [ x ( n ) x ( n 1 ) ] = xx ( 1 ) valeur de la squence dauto corrlation value au point 1.

2
d = 2 x 2 xx ( 1 )
xx ( 1 )
2
2
d = 2 x 1 --------------2
x
Comme
Equ(27.1)
xx ( 0 ) = x ,
considrons
la
squence
dauto
corrlation
normalise
xx ( i )
x ( i ) = -------------- alors on peut mettre (27.1) sous la forme :
2
x
2
d = 2 x [ 1 x ( 1 ) ]
1
2
Equ(27.2)
Si x ( 1 ) > --- alors : d < x
Dans ce cas, il est plus intressant de quantifier d ( n ) puis de dduire la valeur code de la
suite { d q ( n ) } .
2
La variance d sera dautant plus petite que les chantillons seront corrls ( x ( 1 ) grand).
Comme
xx ( i ) = E [ x ( n ) x ( n i ) ]
(en
notation
normalise :
n n )
soit :
xx ( i ) = E [ x ( n ) x ( n i ) ] avec le pas dchantillonnage.
P. NAYMAN
Master CMI
342
SURCHANTILLONNAGE DES CONVERTISSEURS ANALOGIQUES-NUMRIQUES
La fonction dauto corrlation son maximum pour i 0 . Si 0 on assure que xx ( i )

soit lev.
Un coefficient de corrlation lev est obtenu en surchantillonnant le signal dentre.
27.2. La prdiction linaire

27.2.1. Prdiction linaire lordre 1
Une approche plus gnrale consiste considrer la quantit suivante :
d ( n ) = x ( n ) a x ( n 1 ) avec 0 a 1 .
On appelle prdicteur lordre 1 de x(n), la quantit x ( n ) = a x ( n 1 ) .
Dans ce cas :
2
d = x [ 1 + a 2a x ( 1 ) ]
Equ(27.3)
et lerreur d est minimale pour : a = x ( 1 ) .

2
dmin = x [ 1 a ] comme 0 a 1 dmin < x
27.2.2. Prdiction linaire lordre p

Considrons la prdiction lordre p : x ( n ) =
ak x ( n k )
k=1
Lerreur lie lestimation est donne par : e ( n ) = x ( n ) x ( n )

N0 1
N 1
2
2
1 0
[ x ( n ) x ( n ) ] = ------ e ( n )
N0 n = 0
N0 n = 0
2
1
et lerreur quadratique par : E [ e ( n ) ] = ------
La meilleur estimation est obtenue avec un jeu de coefficients [ a k ] en minimisant lerreur

quadratique moyenne :
2
E [ e ( n ) ] = 0 pour 0 k N 1
ak
N 1
N 1
2
2 0
2 0
E [ e ( n ) ] = ------ e ( n ) x ( n k ) = ------ [ x ( n ) x ( n ) ] x ( n k ) = 0
N0 n = 0
N0 n = 0
ak
Il faut donc que la condition suivante soit respecte :

N0 1
x(n k) x(n) =
n=0
N0 1
ai
i=1
x(n k) x(n i)
Equ(27.4)
n=0
Soit X la matrice N lignes et N 0 colonnes telle que :
X =
x(0)
x(1 )
x ( N0 1 )
x ( 1 )
x ( N0 2 )
x ( N + 1 ) x( N + 2 ) x ( N0 N )
P. NAYMAN
Master CMI
343
et : X i = x ( i ) x ( i + 1 ) x ( i + N0 1 )
Alors lquation 27.4 peut se mettre sous la forme matricielle de Wiener-Hopf :
T
X X 0 = A [ X Xi ]
Equ(27.5)
On remarquera que la matrice X X i est une matrice carre dordre N et que :
E[X
RN
T
Xi ]
N 1
1 0
= ------ x ( n i ) x ( n j ) est la matrice dauto corrlation R N .
N0 n = 0
r( 0)
r( 1)
r
(
1
)
r
(0)
=
r(N 1 ) r( N 2)
r( N 1)
r( N 2)
r(0)
Prenons lesprance des deux membres de lquation de Wiener-Hopf :

T
E [ X X0 ] = A E [ X Xi ]
Rp = A RN
soit :
N
ai r ( p i )
r( p ) =
Equ(27.6)
i=1
Il est possible de dduire de lquation 27.5, le jeu de coefficients qui minimise lerreur
quadratique :
T 1
A opt = [ X X i ]
X X0
Equ(27.7)
soit :
1
A opt = R N R p
Equ(27.8)
Evaluons lerreur quadratique minimale lorsque A = A opt :

e ( n ) = x ( n ) x ( n )
T
e ( n ) = x ( n ) A opt X ( n ) = x ( n ) X ( n )A opt
2
e ( n ) = x ( n ) 2x ( n )X ( n )A opt + A opt X ( n )X ( n )A opt

2
E [ e ( n ) ] min = E [ x ( n ) ] 2E [ x ( n )X ( n ) ]A opt + A opt E [ X ( n )X ( n ) ]A opt

T
E [ e ( n ) ] min = E [ x ( n ) ] 2A opt R N A opt + A opt R N A opt

E [ e ( n ) ] min = E [ x ( n ) ] A opt R N A opt
E [ e ( n ) ] min = E [ x ( n ) ] A opt R p
P. NAYMAN
Master CMI
344
E [ e ( n ) ] min = dmin = r ( 0 )
ai ri
Equ(27.9)
i=1
Ou en utilisant la squence dauto corrlation normalise x ( i ) = ----i :

r0
N
2
2
dmin = x 1 a i x ( i )
i=1
Equ(27.10)
27.3. Les modulateurs sigma delta

Le surchantillonnage, la quantification diffrentielle et la prdiction linaire sont deux
concepts mis en oeuvre dans de nombreuses applications comme par exemple :
en tlphonie pour transmettre le signal vocal (modulateurs sigma delta),
dans la conversion analogique numrique pour augmenter considrablement la dynamique (dynamiques de plus 20 bits).
27.3.1. Principe du modulateur sigma delta dordre 1

La figure 27.1 reprsente un modulateur sigma delta utilisant une prdiction linaire
dordre 1.
x(n ) +
d(n)
dq( n )
+1/-1
-
x( n)
a
ax q ( n 1 )
xq ( n )
ax q ( n 1 ) + d q ( n )
Figure 27.1 : Modulateur sigma delta dordre 1
Sur le schma de la figure 27.1, le quantificateur est de 1 bit (entre d(n), sortie d q ( n ) ), 2
niveaux sont possibles (+1 ou -1).
x ( n ) = axq ( n 1 )
x q ( n ) = x ( n ) + d q ( n )
x q ( n ) = ax q ( n 1 ) + d q ( n )
Cet accumulateur est quivalent un intgrateur (bote en trait pointill sur la figure 27.1).
Si la pente du signal dentre est plus grande que celle du modulateur, une distorsion de
pente apparat (figure 27.2). Il est possible de limiter cet effet en plaant un intgrateur en entre
du modulateur.
P. NAYMAN
Master CMI
345
x(n)
x ( n 1 )
Pas
Distorsion de pente
x ( n )
1 Fs
Figure 27.2 : Principe de la poursuite du signal dans un CAN sigma delta
Le modle dun modulateur sigma delta du premier ordre est reprsent par la figure 27.3.
Le bloc H(z) modlise un intgrateur dont la fonction est double : limiter la pente du signal dentre et crer un effet mmoire. Le quantificateur est modlis par un comparateur idal avec un
bruit de quantification e(n).
H( z)
x(n)
+
-
+
-
e( n)
d( n)
dq ( n )
Figure 27.3 : Modle dun modulateur sigma delta du premier ordre
27.3.1.1 Mise en quation du modulateur sigma-delta

lordre 1
Il est intressant dvaluer les contributions du signal et du bruit sur la sortie dq ( z ) .
d q ( z ) peut se mettre sous la forme suivante :
dq ( z ) = Hs ( z ) x ( z ) + Hb ( z ) e ( z )
H s ( z ) et H b ( z ) tant respectivement les transformes en z du gain pour la voie signal et
pour le bruit.
Calculons le gain pour le signal x ( z ) lorsque e ( z ) = 0 :
[ x ( z ) d qs ( z ) ] H ( z ) = d qs ( z )
x ( z ) H ( z ) d qs ( z ) H ( z ) = d qs ( z )
H(z)
d qs ( z ) = --------------------- x ( z )
1 + H(z)
H(z)
H s ( z ) = --------------------1 + H(z)
P. NAYMAN
Master CMI
346
Equ(27.11)
Calculons le gain pour le bruit e ( z ) lorsque x ( z ) = 0 :

d qb ( z ) H ( z ) + e ( z ) = d qb ( z )
1
d qb ( z ) = --------------------- e ( z )
1 + H( z)
1
H b ( z ) = --------------------1 + H(z )
Equ(27.12)
Evaluons maintenant H ( z ) : Soit x ( z ) et y ( z ) respectivement lentre et la sortie de H ( z ) :

1
= y(z )
= y(z)
[x(z ) + y(z )] z
x ( z )z
+ y ( z )z
y(z )
z
H ( z ) = ---------- = ---------------1
x(z )
1z
Remplaons H ( z ) par sa valeur dans lquation 27.11 et dans lquation 27.12 :

1
z
---------------1
1
H(z)
1z
H s ( z ) = --------------------- = -------------------------- = z
1
1 + H(z)
z
1 + ---------------1
1z
Equ(27.13)
1
1
1
H b ( z ) = --------------------- = -------------------------- = 1 z
1
1 + H(z )
z
1 + ---------------1
1z
Equ(27.14)
On peut remarquer que H s ( ) est un simple retard dans la bande 0 B et ne prsente

aucune attnuation dans la bande considre. Alors que lattnuation est grande pour > B .
Par contre H b ( ) prsente une attnuation importante dans la bande 0 B et une faible
attnuation pour > B .
Le modulateur sigma delta rejette le bruit en dehors de la bande utile.
27.3.1.2 Performances du systme du premier ordre

Le modulateur se modlise partir des deux composantes H s ( z ) et H b ( z ) . Seule la composante H b ( z ) modifie le bruit de quantification. Il est donc intressant de calculer la variance du
gain aprs le gain H b ( z ) .
Hb( z ) = 1 z
Hb( ) = 1 e
dans lespace z et en passant dans lespace frquentiel :
2i ----s
= e
i ----- i ----s
s
i -----
s
avec s la frquence dchantillonnage.
H b ( ) = 2 sin -----s
P. NAYMAN
Master CMI
347
+B
s =
B H b ( )
S b ( ) d
e
S b ( ) = ------ tant la densit spectrale de puissance du bruit de quantification.
s
2
b =
+B 2
e
2 +B
e
2
------ 4 sin ----- d = 4 -----
s
s
B s
2
sin ------ d
s
2
1
comme sin x = --- ( 1 cos 2x )
2
b
2
e +B 1
= 4 -----s
--- ( 1 cos 2x ) d = 2 -----e- -----s- sin 2

---------s
2
2
s
+B
B
e 2B
2
2B
b = 2 ------ ---------- sin --------- s
s
Equ(27.15)
comme s B (par dfinition on surchantillonne) on peut utiliser le dveloppement

3
x
sin x x ----- +
3!
2
e 2 2B 3
2
b = ------ ----------
3 s
Equ(27.16)
2
On remarquera que doubler s permet de diminuer b de 9dB.
27.3.2. Principe du modulateur sigma delta lordre 2

On peut modliser un modulateur sigma delta avec une prdiction dordre 2 par le schma
de la figure 27.4.
e (n )
x(n)
H(z)
d( n )
-1
H (z)
dq( n )
Figure 27.4 : Principe du modulateur sigma delta lordre 2

La figure 27.5 reprsente la modlisation utilise pour H ( z ) .
y(z)
x( z)
+
Z
Figure 27.5 : Modlisation de H(z)

P. NAYMAN
Master CMI
348
Dans ce systme : x ( z ) + y ( z ) z
= y ( z ) do :
y(z )
1
H ( z ) = ---------- = ---------------1
x(z )
1z
Calcul du gain H s ( z ) lorsque e ( z ) = 0

[ ( x ( z ) d qs ( z ) )H ( z ) d qs ( z ) ] H ( z ) z
= d qs ( z )
2
1
d qs ( z )
H (z) z
H s ( z ) = --------------- = -----------------------------------------------------------------2
1
1
x(z )
1 + H (z) z + H(z ) z
Hs ( z ) = z
Equ(27.17)
Calcul du gain H b ( z ) lorsque x ( z ) = 0

[ d qb ( z ) H ( z ) d qb ( z ) ] H ( z ) z
+ e ( z ) = d qb ( z )
1 2
d qb ( z ) = e ( z ) ( 1 z )
d qb ( z )
1 2
H b ( z ) = --------------- = ( 1 z )
e(z)
Equ(27.18)
Finalement en superposant les deux expressions trouves pour H s ( z ) et H b ( z ) :

dq ( z ) = z
1 2
x(z) + (1 z ) e(z)
On remarquera une trs forte attnuation du bruit dans la bande dintrt.
27.3.2.1 Performances du systme du second ordre

Le modulateur se modlise partir des deux composantes H s ( z ) et H b ( z ) . Seule la composante H b ( z ) modifie le bruit de quantification. Il est donc intressant de calculer la variance du
gain aprs le gain H b ( z ) .
2
2i -----
H b ( z ) = ( 1 z ) et dans lespace frquentiel : H b ( ) = 1 e
1 2
2
soit : H b ( ) = 4 sin
------
+B
s =
e
2
H b ( ) S b ( ) d S b ( ) = ------ tant la DSP du bruit de quantification
s
2 +B
2
b
e
= 16 -----s
2
b
e
= 16 -----s
2 +B
4 d et comme sin 4x 1--- 3--- + 1--- cos 4x 2 cos x +

sin ----4 2 2
s
2
1
--4
e 3
s 2
1
- d = 4 ---- 3--- + 1--- cos 4 ----- 2 cos ----- --- + --- -----s- sin 4
---------- ----- sin --------2 2
s
2
2
s
s
s
s
P. NAYMAN
Master CMI
349
+B
B
s
4 e
2 s 2B
= --------- 3B + ------ sin 4B
---------- -------- sin ---------s
4
s
s
2
b
Equ(27.19)
Comme, par dfinition, s B (on surchantillonne) on peut utiliser le dveloppement

3
x
x
sin x x ----- + ----- +
3! 5!
4
2
2 2B
b = e ----- -------
5 s
Equ(27.20)
2
On remarquera que doubler s permet de diminuer b de 15dB.
27.3.3. Performances dun systme dordre n

Il est possible de gnraliser les rsultats prcdents un modulateur utilisant une prdiction dordre n. En suivant la mme dmarche que prcdemment, la sortie du modulateur peut se
mettre sous la forme suivante :
dq ( z ) = z
1 n
x(z) + (1 z ) e(z)
Le gain pour le signal toujours pour valeur H s ( z ) = z
(fonction retard) et le gain pour
1 n
le bruit H b ( z ) = ( 1 z ) .
Hb( z ) = z
n 2
(z
12
1 2 n
Dans lespace frquentiel : H b ( ) = e

Hb ( ) = 2
2
b
2n
2 +B
e
= -----s
B 2
sin
-----s
2n
in in
------------ -----------s
s
in n
------------
s
2n
sin
-----s
2n
d Aprs intgration, puis en utilisant le dveloppement limit de sin x :
2n
2
2
2B 2n + 1
b = e --------------- -------
2n + 1 s
Equ(27.21)
La figure 27.6 montre le niveau des puissances de bruit obtenus en surchantillonnant et en

utilisant un modulateur sigma-delta.
Puissance du bruit
2
b
2
b
-----k
max
max
k max
ordre3
ordre2
ordre1
2
bn
k ( 2 max)
Figure 27.6 :Puissance du bruit aprs filtrage
P. NAYMAN
Master CMI
350
27.4. Applications
De nombreuses applications, ncessitant une trs grande dynamique, sont bien adaptes
lutilisation de modulateurs sigma-delta. La principale limitation est lie au facteur de surchantillonnage k. Si lon considre k = 100 et une frquence de surchantillonnage de 100MHz, on
demande au signal dentre davoir une bande passante infrieure au 1MHz. De nombreuses applications audio ou vocales sont bien adaptes un tel systme.
27.4.1. Modulation dun canal de transmission

La sortie d q ( n ) du modulateur est utilisable, comme base, pour transmettre des donnes
analogiques dont la frquence maximale nest pas trs leve (quelques centaines de KHz). La figure 27.7 et la figure 27.8 montrent le principe du codeur puis celui du dcodeur.
d(n )
x(n) +
-
x( n )
dq ( n )
PR
xq ( n )
Figure 27.7 : Codeur sigma-delta
xq ( n )
+
PR
Figure 27.8 : Dcodeur sigma-delta
27.4.2. Conversion Analogique-Numrique grande dynamique

Pour un signal analogique variation moyenne ( f max < 1MHz ), il est possible datteindre
des dynamiques suprieures 20 bits. Pour cela, la sortie module (1 bit) est simplement injecte
dans un filtre numrique passe-bas.
Filtre passe-bas
n bits
Figure 27.9 : Conversion analogique-Numrique sigma-delta

On peut remarquer que les fonctions ralises par la figure 27.8 et par la figure 27.9 sont
identiques.
P. NAYMAN
Master CMI
351
28. LA PRDICTION ET LESTIMATION

On peut classer les problmes destimation suivant linformation disponible. Considrons
un ensemble de mesures m ( t i ) avec t i [ t 0, t f ] et un message observ m ( t ) = s ( t ) + b ( t ) .
s ( t ) reprsente le signal utile et b ( t ) le bruit. On cherche, gnralement, liminer le bruit
b ( t ) du message m ( t ) . Eliminer le bruit, peut se rsumer trouver une estimation s ( t ) , un instant
donn , qui se rapproche au mieux de s ( t ) en tenant compte que lobservation et le signal sont
corrls. On obtient ces estimateurs en optimisant un critre particulier.
Lide est ensuite de raliser ces estimateurs au moyen de filtres,
Compte-tenu des informations disponibles m ( t i ) et de linstant , il est possible de classer
les problmes destimation en 3 catgories :
Si < t f il sagit dun problme de lissage ou dinterpolation. On cherche une valeur
entre les instants de mesure.
Si = t f il sagit dun problme de filtrage. On connat toutes les mesures passes et
courante pour lestimation en cours.
Si > t f il sagit dun problme de prdiction ou dextrapolation. On connat les
valeurs passes et lon dsire prdire une valeur future.
Afin de faciliter les calculs, nous introduirons le concept thorique de filtre dinnovation et
de blanchiment. Ces filtres nont pas de ralit physique.
On appelle filtre dinnovation (L) le systme qui sollicit en entre par un bruit blanc b ( t )
2
de densit spectrale b donne en sortie un signal y ( t ) de densit spectrale y ( ) bien dfinie.

Le filtre de blanchiment (filtre inverse de L) ralise lopration inverse du filtre d'innova2
tion donnant en sortie un bruit blanc b ( t ) de densit spectrale b lorsquil est sollicit par le signal
y ( t ) de densit spectrale y ( ) .
Il est donc possible de remplacer une squence x ( n ) corrle par la squence w ( n ) (caractristique dun bruit blanc) qui nest pas corrle et ainsi simplifier considrablement les calculs.
28.1. Filtres dinnovation et de blanchiment

La fonction dauto corrlation dun bruit blanc (processus alatoire faiblement stationnaire)
est donne par (8.25).
2
R xx ( ) = b ( ) avec b la variance du bruit. La transforme de Fourier de la fonction
dauto corrlation donne immdiatement la densit spectrale du bruit blanc :

2
b ( ) = b
Equ(28.1)
La densit spectrale du bruit blanc est gale la variance du processus et sa fonction dauto
2
corrlation est une impulsion de Dirac lorigine dont le poids est b .

On appelle filtre dinnovation (L) le systme qui sollicit en entre par un bruit blanc b ( t )
2
de densit spectrale b donne en sortie un signal y ( t ) de densit spectrale y ( ) bien dfinie.
P. NAYMAN
Master CMI
352
LA PRDICTION ET LESTIMATION
Bruit blanc
b( t)
L( )
y(t)
y ( )
Figure 28.1 : Filtre dinnovation

Dans le cas continu si le filtre L ( ) existe, alors laide de (8.13) :
*
Equ(28.2)
Equ(28.3)
y ( ) = L ( ) L ( ) b
et dans le cas discret :

y ( z ) = L ( z ) L ( z ) b
La factorisation spectrale est la technique qui permet de trouver un filtre (L) dont la densit
spectrale est de la forme (28.2) ou (28.3).
28.1.1. Cas continu

Dans le cas continu, il est possible de trouver une solution si la condition de Paley-Wiener
est respecte :
+
ln y ( )
--------------------- d <
2
1+
Equ(28.4)
La factorisation spectrale peut savrer difficile obtenir. Considrons, pour simplifier que
lon a affaire des processus rels et rationnels. Lorsque les densits spectrales ne sont pas rationnelles, il est gnralement possible dapprocher le cas rationnel par une approximation.
Pour des processus rels la densit spectrale est une fonction paire : y ( ) = y ( ) et
2
daprs (28.2) varie selon une loi en .

2
La densit spectrale peut tre dveloppe comme le rapport de deux polynmes en .

2
N( )
y ( ) = --------------2
D( )
Equ(28.5)
2
Si lon passe dans le domaine de Laplace en posant i = p soit = p et si pi est une

racine alors p i est aussi une racine.
Les racines et ples sont rels ou complexes (par paires complexes conjugues) et sont symtriques par rapport lordonne du plan complexe. Les racines du demi-plan gauche ont une
partie relle ngative et celles du demi-plan droit ont une partie relle positive.
2
N ( p )
C ( p )C ( p )
y ( p ) = ------------------ = ---------------------------- = L ( p )L ( p )
2
E ( p )E ( p )
D ( p )
Equ(28.6)
C( p)
avec L ( p ) = -----------E(p )
L ( p ) regroupe les racines et ples du demi-plan gauche, ce qui assure la stabilit du filtre
et sa phase est minimale.
Exemple
2
9 + 4 ( 2 )
- et cherchons
Considrons la densit spectrale ( ) = -----------------------------------------------------------------------------------------2
4
2
( 4 + ( 2 ) ) ( ( 2 ) + 2 ( 2 ) + 1 )
le filtre L ( p ) correspondant. Passons dans le domaine de Laplace (en tenant compte que
P. NAYMAN
Master CMI
353
= p ).
2
9 4p
( 3 + 2p ) ( 3 2 p )
( p ) = ---------------------------------------------------- = ------------------------------------------------------------------------------------------------2
4
2
2
2
( 4 p )( p 2p + 1 )
( 2 + p ) ( 2 p ) ( p + 2p + 1 ) ( p 2 p + 1 )
En gardant les racines du demi-plan gauche :

( 3 + 2p )
L ( p ) = -------------------------------------------------2
( 2 + p ) ( p + 2p + 1 )
28.2. La matrice de corrlation

La thorie de lestimation et de la prdiction utilisent largement les proprits des fonctions
de corrlation. De faon a tre plus concis nous adopterons les notations matricielles qui sont bien
adaptes ce type de problme.
Considrons un signal dentre dont les chantillons aux instants { 0, 1, 2, n } sont :
x ( k ) = [ x 0 ( k ), x 1 ( k ), x n ( k ) ]
Equ(28.7)
La matrice de corrlation est dfinie comme la valeur moyenne du produit de x ( k ) par

T
x (k) :
T
R xx = E [ x ( k )x ( k ) ] = E [ xx ]
Equ(28.8)
Remarque : si x ( k ) est un vecteur complexe on considrera :

H
R xx = E [ xx ]
Equ(28.9)
avec x le vecteur transpos conjugu du vecteur x .

2
E [ x 0 ] E [ x0 x 1 ] E [ x 0 x n ]
R xx = E [ x 1 x 0 ] E [ x 1 ] E [ x 1 x n ]
Equ(28.10)
E [ x n x 0 ] E [ xn x 1 ] E [ x n ]
28.2.1. Quelques proprits

La matrice R est hermitienne, cest dire que la matrice est gale sa matrice transpose
conjugue :
H
Equ(28.11)
La matrice R est une matrice de Toeplitz si le processus dentre est stationnaire au sens
R = R
large.
Dans ce cas, R est une matrice carre dont les lments sur une diagonale descendants de gauche
droite sont gaux. On peut r-crire (28.10) de la manire suivante :
R xx =
Rx ( 0 )
Rx ( 1 )
Rx ( 1 )
Rx ( 0 )
Rx ( n 1 )
Rx ( n ) Rx ( n + 1 )
Rx ( n )
Rx ( 0 )
Equ(28.12)
Une des valeurs propres i et le vecteur propre q i , correspondant, de la matrice R sont relis par la relation :
Rq i = i q i
Equ(28.13)
Ce qui peut encore scrire :

P. NAYMAN
Master CMI
354
( R i I )q i = 0
Equ(28.14)
O I est la matrice identit de dimension ( N + 1 ) ( N + 1 ) .

La matrice ( R i I ) est donc singulire2. Lquation quation 28.14 admet une solution
non nulle pour le vecteur q i si et seulement si :
det ( R i I ) = 0
Equ(28.15)
Lquation quation 28.15 est appele quation caractristique de la matrice R .

1- Posons Q = [ q 0 q 1 q n ] pour lensemble des vecteurs propres et la matrice des valeurs propres telle que :
0 0 0
0 1 0
Equ(28.16)

0 0 n
alors :
1
Q RQ =
Equ(28.17)
Les diffrents vecteurs q i sont linairement indpendants donc Q est inversible.
La matrice Q nest pas unique, en effet chaque vecteur q i peut tre multipli par une
constante non nulle, les nouveaux vecteurs obtenus sont galement des vecteurs propres.
Pour des raisons de simplicit, on ne considrera que les vecteurs propres normaliss de
longueur 1 tels que :
H
pour i = 0, 1, , n
q i qi = 1
Equ(28.18)
Si la matrice R est Hermitienne, les vecteurs propres sont orthogonaux entre eux, cest
dire que :
H
pour i j
qi q j = 0
Equ(28.19)
La consquence est quil existe une matrice Q diagonalisable et unitaire :

H
Equ(28.20)
Il est possible, en utilisant (28.17), (28.18) et (28.20), de dcomposer une matrice Hermitienne de la faon suivante :
Q Q = I
R = QQ
i qi qi
Equ(28.21)
i=0
Cette dernire relation est connue sous le nom de dcomposition spectrale.

Considrons un vecteur w non nul. En multipliant (28.21) par w puis par w
H
on obtient :
w Rw =
i w
qi qi w =
i w
qi
Equ(28.22)
i=0
i=0
De (28.13) on peut trouver la valeur :

1
qi = i R qi
Equ(28.23)
Les vecteurs propres dune matrice et de son inverse concident si les valeurs propres sont
rciproques :
2. Une matrice A est singulire lorsquelle nadmet pas dinverse A-1

P. NAYMAN
Master CMI
355
----i qi qi
Equ(28.24)
i=0
Une autre consquence du fait que Q est unitaire, pour les matrices Hermitiennes, est quil
est possible dcrire R sous la forme :
H
0 q0
R =
1 q1
0 q0
1 q1
n qn
= LL
Equ(28.25)
n qn
2- La somme des valeurs propres de R est gale la trace de R .

n
tr ( R ) =
Equ(28.26)
i=0
3- Le produit des valeurs propres de R est gal au dterminant de R .

n
det ( R ) = det ( ) =
Equ(28.27)
i=0
28.2.1.1 Exemples
Exemple 1
On cherche la fonction dauto corrlation du signal
l1
( a 1 ) n ( k i )
x ( k ) = ( a1 ) x ( k l ) +
Equ(28.28)
i=0
2
avec n ( k ) un bruit blanc de moyenne nulle et de variance n puis on dsire expliciter la

matrice dauto corrlation pour N=3. On suppose que le processus est stationnaire au deuxime
ordre.
Multiplions les deux membres de lquation de x ( k ) par x ( k l ) puis prenons la valeur
moyenne. On tiendra compte que le bruit est indpendant du signal E [ x ( k l )n ( k i ) ] = 0 :
l
E [ x ( k )x ( k l ) ] = R xx ( l ) = ( a 1 ) E [ x ( k l ) ]
2
Equ(28.29)
on remarquera que E [ x ( k ) ] = E [ x ( k l ) ] et quil est possible de calculer E [ x ( k ) ] pour

nimporte quelle valeur l.
2
Reprenons (28.28) et calculons E [ x ( k ) ] pour le cas particulier l = 1 :

2
E [ x ( k ) ] = E { [ a1 x ( k l ) + n ( k ) ] [ a1 x ( k l ) + n( k ) ] }
2 2
= E [ a1 x ( k l ) ] + E [ n ( k ) ] = a 1 E [ x ( k ) ] + n
2
2
x
n
= E [ x ( k ) ] = -------------2
1 a1
2
Equ(28.30)
Puis en combinant (28.29) et (28.30) :

2
n
R xx ( l ) = ( a 1 ) -------------2
1 a1
l
Equ(28.31)
A laide de (28.12), la matrice de corrlation, pour N=3, se met sous la forme :

P. NAYMAN
Master CMI
356
2
n
1 a 1 a1
R = -------------- a 1 1 a 1
2
1 a1
2
a1 a1 1
Exemple 2
On considre la matrice de corrlation R = 2 1 . Dterminons les valeurs propres et les
1 3
vecteurs propres correspondants.

A laide de (28.15), explicitons lquation caractristique : det 2
1
1
= 0
3
soit : ( 2 ) ( 3 ) 1 = 0
2
5
5
5 + 5 = 0 avec pour racines : 1, 2 = --- ------2 2
En utilisant (28.13), dterminons les vecteurs propres :

2 1 d 11 = d 11
1
1 3 d 21
d 21
2 1 d 12 = d 12
2
d 22
1 3 d 22
Et si lon considre les vecteurs propres normaliss, on obtient :

q 0 = 0, 85 0, 53
et q 1 = 0, 53 0, 85
28.3. Cas discret [46]

Nous avons vu dans le paragraphe (28.1.) quil est possible de reprsenter la sortie d'un processus alatoire stationnaire au sens large comme la sortie dun filtre dinnovation. Ce filtre linaire causal et inversible est excit par un bruit blanc.
Soit [ x ( n ) ] un processus stationnaire au sens large dont la fonction d'auto corrlation est
1
[ R xx ( m ) ] et sa densit spectrale xx ( ) pour --- . De plus on suppose que cette densit spectrale
2
est continue et relle. Le thorme de Wiener-Kinchine permet dexprimer la densit spectrale

dune fonction alatoire en fonction de sa fonction d'auto corrlation.
+
xx ( z ) =
Rxx ( m )z
Equ(28.32)
2i
La densit spectrale est value sur le cercle unit avec z = e

.
Considrons que le logarithme de la densit spectrale est une fonction analytique drivable
dans une couronne circulaire centre en z = 0 du plan z incluant le cercle unit : r 1 < z < r 2
( r 1 < 1 et r 2 > 1 ). On peut alors dvelopper log xx ( z ) selon (28.33).
+
log xx ( z ) =
g ( m )z
Equ(28.33)
Si lon value (28.33) sur le cercle unit avec z = e
P. NAYMAN
Master CMI
357
2i
:
log xx ( ) =
g ( m )e
2i
Equ(28.34)
Lquation 28.34 reprsente le dveloppement en srie de Fourier de la fonction priodique

log xx ( ) . En prenant la transforme de Fourier inverse de (28.34), il vient :
g( m) =
12
1 2 [ log xx ( ) ]e
2i m
m = 0, 1, 2,
Equ(28.35)
xx ( ) est une fonction relle et paire, ce qui implique que g ( m ) = g ( m )
On peut extraire xx ( z ) de lquation (28.33) :

+
xx ( z ) = exp
g ( m )z
= exp [ g ( 0 ) ] exp
g ( m )z
exp
g ( m )z
m =
m=1
posons
2
w
= exp [ g ( 0 ) ] , L ( z ) = exp
Equ(28.36)
g ( m )z
et L ( z ) = exp
g ( m )z
m =
m=1
1
L ( z ) reprsente la partie causale de la densit spectrale et L ( z ) la partie non causale.
La densit spectrale prend alors la forme habituelle :

2
xx ( z ) = w L ( z )
Equ(28.37)
En valuant (28.36) sur le cercle unit avec z = e

xx ( ) =
2
w
L()
2i
, il vient :
Equ(28.38)
Dans le cas discret, la condition de Paley-Wiener se dduit directement de (28.35), lexistence de xx ( ) dpend de lexistence de g ( m ) :
12
1 2
[ log xx ( ) ]e
2i m
d =
12
1 2 [ log xx( ) ] d <
Equ(28.39)
Lquation 28.37 dfinit que L ( z ) est le gain dun filtre qui a une fonction analytique lintrieur du cercle unit. Dans ce cas : L ( z ) =
h ( n )z
est un filtre causal et stable.
n=0
2
La sortie de ce filtre, attaque par un bruit blanc de variance w , une densit spectrale
2
xx ( z ) = w L ( z ) . Rciproquement, le filtre inverse de gain 1 ( L ( z ) ) est galement causal et
stable. Ce filtre permet de transforme la squence x ( n ) =
h ( k )w ( n k )
en un bruit blanc
k=0
(filtre de blanchiment). Le processus alatoire stationnaire de sortie w ( n ) est le processus dinnovation associ la squence x ( n ) .
P. NAYMAN
Master CMI
358
Bruit blanc
w(n )
filtre dinnovation
x(n)
L( z)
xx ( z )
2
w
x( n)
w( n)
1
H ( z ) = ---------L( z)
xx ( z )
filtre de blanchiment
Bruit blanc
processus dinnovation
Figure 28.2 : Filtre de blanchiment et dinnovation

Le concept de filtre dinnovation et de blanchiment constitue un outil thorique important.
1
En effet, la connaissance de L ( z ) implique la connaissance de H ( z ) : H ( z ) = ---------- .
L( z)
Remarque importante :
1
Comme H ( z ) = ---------- , les squences de sorties des deux filtres sont lies et contiennent la
L( z)
mme information. Connaissant L ( z ) , donc H ( z ) , il est donc possible de remplacer une squence
x ( n ) corrle par la squence w ( n ) qui a les caractristiques dun bruit blanc, donc non-corrle,
et ainsi simplifier considrablement les calculs.
2
Exemple : Le signal w ( n ) est un bruit blanc de variance w lentre dun filtre tel que :
n
g ( n ) = ( n 1 ) et h ( n ) = a u ( n ) . Avec u ( n ) lchelon de Heaviside et a < 1 . Soit y la sortie
du filtre.
Dterminer les fonctions dauto corrlation R uu ( k ) , R yy ( k ) et dinter corrlation R yu ( k ) .
Dterminer le spectre u ( e
2i
) et linter spectre yu ( e
2i
).
Solution :
2
1- La fonction dauto corrlation dun bruit blanc est donne par R xx ( ) = b ( ) , donc
2
R uu ( k ) = w ( k )
2- R yy ( k ) = E [ y ( n )y ( n k ) ] avec y ( n ) =
h ( j )w ( n j )
j =
P. NAYMAN
Master CMI
359
R yy ( k ) = E h ( j )w ( n j ) h ( m )w ( n k m ) =
m =
j =
h ( j )h ( m )E { w ( n j )w ( n k m ) }
j, m =
( k + m j ) =
2
w
h ( j )h ( j k ) =
2j
j = max ( 0, k )
2 k
wa
j, m =
2 k
w a
2
h ( j )h ( m ) w
j, m =
2j
a u ( j )u ( j k )
j, m =
2 k
w a
--------------
2
1a
2 k
2 k
w a
2j
2(j + k)
2 k
w a a = w a a
= -------------2
1a
j=k
j=0
k 0
k>0
wa
= --------------2
1a
h
(
j
)w
(
n
j
)w
(
n
k
)
j = 0
3- R yu ( k ) = E { y ( n )u ( n k ) } = E
2
w
j=0
4- u ( e
2i
h(k + 1)
h ( j ) ( k + 1 j ) = w
k+1 0
2 k+1
u(k + 1)
= wa
k+1 <0
) = w
n
1
5- La transforme en z de h ( n ) = a u ( n ) est : H ( z ) = ------------------et dans ce cas :
1
1 az
H(e
2i
1
) = -------------------------- 2i
1 ae
La densit spectrale y ( e
y ( e
2i
) = u ( e
2i
2i
) H(e
) est donne par la relation de base :
2i 2
= w H ( e
2i
) H (e
2i
w
w
= --------------------------------------------------------------- = ------------------------------------------------------ 2i
2i
2
( 1 ae
) ( 1 ae
)
1 + a 2a cos ( 2 )
6- On peut trouver yu ( e
2i
2 k+1
tion R yu ( k ) : R yu ( k ) = w a
P. NAYMAN
Master CMI
) en prenant la transforme en z de la fonction dinter corrla-
k
1
u ( k + 1 ) . A partir de la transforme en z de a u ( k ) ------------------- on
1
1 az
360
trouve :
2 2i
yu ( z ) =
2
z
w ------------------1
1 az
et yu ( e
2i
w e
) = -------------------------- 2i
1 ae
28.4. Les densits spectrales rationnelles

La factorisation spectrale est une opration qui peut savrer extrmement complique.
Pour cette raison nous allons nous limiter au cas o la densit spectrale xx ( z ) est une fonction
rationnelle. Lquation 28.37 peut alors scrire sous la forme suivante :
1
2 B ( z )B ( z )
xx ( z ) = w --------------------------1
A ( z )A ( z )
Equ(28.40)
et tel que r 1 < z < r 2 . Les polynmes A ( z ) et B ( z ) ont des racines situes l'intrieur du
B(z)
cercle unit. Posons L ( z ) = ----------- . Dans ce cas, le filtre L ( z ) peut se mettre sous la forme :
A(z)
bk z
B(z)
k=0
L ( z ) = ----------- = -------------------------------p
A(z)
k
1 + ak z
z > r1
Equ(28.41)
k=1
Dans le domaine temporel, le filtre dinnovation est sollicit par un bruit blanc de squence
w ( n ) et sa sortie est une squence x ( n ) . En reconsidrant lquation (28.41) dans le domaine
temporel :
p
x(n) +
ak x ( n k ) =
k=1
bk w ( n k )
Equ(28.42)
k=0
Selon la valeur des paramtres ak et b k on peut distinguer 3 processus diffrents :

Le processus auto-rgressif (AR Autoregressive ).
Le processus moyenne mobile ou FIR (MA Moving average ).
Le processus auto-rgressif moyenne mobile (ARMA Autoregressive, moving
average ).
28.4.1. Processus AR
Ce processus est caractris par b 0 = 1 , b k = 0 pour k > 0 . Dans ce cas (28.42) devient :
p
x(n) +
ak x ( n k )
= w( n)
Equ(28.43)
k=1
Le processus dinnovation w ( n ) (bruit blanc) est une combinaison linaire du processus

1
aux instants n, n 1, n p . La fonction de transfert du filtre correspondant est L ( z ) = ----------- avec
A(z)
A ( z ) un polynme monique. L ( z ) ne contient que des ples. La densit spectrale xx ( z ) est d-
duite de (28.40) :
2
w
xx ( z ) = --------------------------1
A ( z )A ( z )
P. NAYMAN
Master CMI
361
Equ(28.44)
28.4.1.1 Lquation aux diffrences du processus AR(1)

Reprenons (28.43), lquation aux diffrences du modle AR, lhorizon 1 :
x ( k ) = a1 x ( k 1 ) + w ( k )
Equ(28.45)
Exprimons successivement, x ( k 1 ), x ( k 2 ), x ( k l + 1 )
x ( k 1 ) = a1 x ( k 2 ) + w ( k 1 )
Equ(28.46)
x ( k 2 ) = a1 x ( k 3 ) + w ( k 2 )
Equ(28.47)
x ( k l + 1 ) = a1 x ( k l ) + w ( k l + 1 )
Equ(28.48)
Introduisons successivement (28.46) puis (28.47) dans (28.45) :

x ( k ) = a1 [ a1 [ a1 x ( k 3 ) + w ( k 2 ) ] + w ( k 1 ) ] + w ( k )
Et finalement introduisons (28.48). x ( k ) se met facilement sous la forme :

l1
l
x ( k ) = ( a1 ) x( k l ) +
( a 1 ) w ( k j )
j
Equ(28.49)
j=0
Reprenons les rsultats obtenus dans le paragraphe 28.2.1.1 :

La variance du processus AR(1) est donne par :
2
2
x
n
= E [ x ( k ) ] = -------------2
1 a1
2
Equ(28.50)
La fonction de corrlation du processus AR(1) est donne par :

2
l n
R xx ( l ) = ( a 1 ) -------------2
1 a1
Equ(28.51)
Avec n la variance du bruit w ( k ) .
28.4.2. Processus MA
Ce processus, moyenne mobile, est caractris par a k = 0 pour k 1 . Dans ce cas (28.42)
devient :
q
bk w ( n k )
x(n) =
Equ(28.52)
k=0
1
La fonction de transfert du filtre correspondant est L ( z ) = ----------- avec A ( z ) un polynme
A(z)
monique. L ( z ) ne contient que des ples.

Le bruit blanc w ( k ) est un processus de moyenne nulle indpendant des x ( n j ) et par
consquent : E [ x ( n ) ] = 0
k
Exemple :
Dterminons
le
spectre
x ( e
2i
dun
processus
MA
tel
que
x ( n ) = b 0 w ( n ) + b 1 w ( n 1 ) . Le bruit w ( n ) possde une variance w .
Dans un premier temps calculons la fonction dauto corrlation R xx ( k ) = E [ x ( n )x ( n k ) ]
P. NAYMAN
Master CMI
362
R xx ( k ) = E { ( b 0 w ( n ) + b 1 w ( n 1 ) ) ( b 0 w ( n k ) + b 1 w ( n 1 k ) ) }
2
2
= E b 0 w ( n )w ( n k ) + b 0 b 1 w ( n )w ( n k 1 ) + b 0 b 1 w ( n 1 )w ( n k ) + b 1 w ( n 1 )w ( n k 1 )
= b 0 R ww ( k ) + b 0 b 1 R ww ( k 1 ) + b 0 b 1 R ww ( k + 1 ) + b 1 R ww ( k )
2
= R ww ( k ) ( b 0 + b 1 ) + 2R ww ( k 1 )
Comme la fonction de corrlation est paire : R ww ( k 1 ) = R ww ( k + 1 ) .

La densit spectrale de puissance est la transforme de Fourier de la fonction de corrlation
(thorme de Wiener-Kinchine) :
2
La transforme de Fourier du premier terme est : TF [ R ww ( k ) ( b0 + b 1 ) ] = w ( b 0 + b 1 ) .

2 2i
Pour le second terme : TF [ 2R ww ( k 1 ) ] = 2 [ w e
] = 2 w cos 2 en remarquant
que le dcalage temporel ( k 1 ) correspond la multiplication par une exponentielle complexe

dans lespace frquentiel.
x ( e
2i
) = w ( b 0 + b 1 + 2 cos 2 )
28.4.3. Processus ARMA

Ce processus auto rgressif moyenne mobile est compltement dfini par (28.42). La
fonction de transfert du filtre correspondant contient des ples et des zros.
28.5. La prdiction linaire

Supposons que lon dispose dun ensemble de valeurs x ( n ), x ( n 1 ), x ( n M ) dun signal
alatoire stationnaire et lon dsire estimer la valeur x ( n i ) . Il est possible dexprimer x ( n i )
comme une combinaison linaire des autres chantillons :
p
ak x( n k )
x ( n i ) =
ki
Equ(28.53)
k=0
Lerreur commise est tout simplement :

(i)
e ( n ) = x ( n i ) x ( n i ) et en utilisant (28.53) :
p
(i)
e ( n ) = x( n i) +
ak x ( n k )
ki
k=0
p
(i)
e (n) =
ak x ( n k )
Equ(28.54)
ai = 1
k=0
a1 a0
ap ap 1
(i )
e (n)
x ( n i )
Figure 28.3 : La prdiction linaire
P. NAYMAN
Master CMI
363
La prdiction linaire fait gnralement appelle des mthodes itratives afin de rsoudre
les diffrentes quations. Par exemple, prenons le cas de la matrice de corrlation dun signal stationnaire rel x ( n ) de K chantillons. Cherchons une relation entre les matrices dauto corrlation
R K du signal x ( n ) (K chantillons) et R K + 1 ( K + 1 chantillons).
La matrice dauto corrlation R K est dfinie par :
T
RK = E [ xK xK ]
Equ(28.55)
Lindice K fait rfrence la longueur de lchantillon.
RK
r(0)
r( 1 )
r
(
1
)
r( 0 )
=
r( K 1 ) r(K 2 )
r(K 1)
r(K 2)
r( 0 )
T
Considrons maintenant la matrice dauto corrlation R K + 1 = E [ xK + 1 x K + 1 ] ( K + 1

chantillons) :
RK + 1
r(0 ) r( 1)
r
= (1 ) r( 0)
r(K ) r( K 1)
r(K)
r( K 1)
r( 0)
La matrice R K + 1 peut tre dcompose en plusieurs termes :

T
RK + 1 =
r ( 0 ) ra
ra RK
RK r b
Equ(28.56)
rb r ( 0 )
avec le vecteur r dauto corrlation de longueur K :

r a = [ r ( 1 )r ( 2 )r ( K ) ]
r b = [ r ( K )r ( K 1 )r ( 1 ) ]
Equ(28.57)
T
Equ(28.58)
Lquation (28.56) montre bien quil existe une relation entre les matrices dauto corrlation R K et R K + 1 .
28.6. La prdiction avant

La prdiction avant consiste prdire une valeur future x ( n ) dun processus alatoire stationnaire en se basant sur une combinaison linaire des valeurs passes
x ( n 1 ), x ( n 2 ), , x ( n p ) . La prdiction linaire avant est utile pour prdire de nouveaux
chantillons la fin de la squence dacquisition. Cette technique est souvent utilise, lorsque le
temps dacquisition est trop court, pour augmenter le nombre dchantillons. Dterminer une valeur x ( n ) partir de p valeurs passes fait rfrence la prdiction horizon 1 dordre p .
Considrons une squence horizon 1 dordre p :
p
x ( n ) =
ak x ( n k )
Equ(28.59)
k=1
Lerreur commise est tout simplement :

f ( n ) = x ( n ) x ( n )
Equ(28.60)
Cette erreur peut, laide de (28.59), se mettre sous la forme :
P. NAYMAN
Master CMI
364
ak x ( n k )
f(n) = x(n) +
Equ(28.61)
k=1
Lquation (28.61) peut galement tre crite de la faon suivante :

T
f ( n ) = x ( n ) + aP x ( n 1 )
Equ(28.62)
avec :
a P = [ a 1 a 2 a P ]
x ( n 1 ) = [ x ( n 1 )x ( n 2 )x ( n P ) ]
Lquation (28.61) peut galement tre crite de la faon suivante :

p
f(n) =
ak x ( n k )
Equ(28.63)
k=0
avec a0 = 1 .
f(n )
a1
ap a p 1
x ( n )
Figure 28.4 : La prdiction linaire avant

La prdiction linaire avant est quivalente a un filtrage linaire (figure 28.5) daprs
(28.60) et (28.61).
+
x(n)
f(n )
prdicteur
linaire
avant
x ( n )
Figure 28.5 : La prdiction linaire avant et le filtrage linaire

Lerreur f ( n ) sera minimise selon le critre de la variance minimale :
2
Soit P M = E [ f ( n ) ] alors, on peut trouver une valeur minimale de lerreur en annulant la

drive
P M
aP
P M
aP
P M
aP
= 2E f ( n )
f ( n ) et compte-tenu de la valeur de f ( n ) donne par (28.62) :

aP
T
= 2E [ f ( n )x ( n 1 ) ] = 2E [ x ( n ) + a P x ( n 1 ) ] [ x ( n 1 ) ]
= 2E { x ( n )x ( n 1 ) } + 2a P E { x ( n 1 )x ( n 1 ) } = 0
On
remarquera,
daprs
(28.57),
que
E { x ( n )x ( n 1 ) } = r a
et
que
E { x ( n 1 )x ( n 1 ) } = R P daprs (28.55).
P. NAYMAN
Master CMI
365
Equ(28.64)
r a + aP RP = 0
Calculons maintenant la puissance P M de lerreur f ( n ) :

*
P M = E { f ( n )f ( n ) }
En utilisant (28.62), on obtient :

*
*
T
T
P M = E { f ( n )f ( n ) } = E [ x ( n ) + a P x ( n 1 ) ] [ x ( n ) + a P x ( n 1 ) ]
T H
= E [ x ( n )x ( n ) ] + a P E [ x ( n )x ( n 1 ) ] + a P E [ x ( n 1 )x ( n ) ] + a P a P E [ x ( n 1 ) ( x ( n 1 ) ) ]
On remarquera que :
*
E [ x ( n )x ( n ) ] = r ( 0 )
*
E [ x ( n )x ( n 1 ) ] = E [ x ( n 1 )x ( n ) ] = r a
*
E [ x ( n 1 ) ( x ( n 1 ) ) ] = RP
Et en tenant compte de (28.64), on obtient la variance de lerreur :

T
PM = r ( 0 ) + aP ra
Equ(28.65)
Les quations (28.64) et (28.65) forment un systme dquations :

T
r ( 0 ) + aP ra = P M
que lon peut crire sous une forme matricielle plus synthtique :
ra + aP RP = 0
T
r ( 0 ) ra
1
PM
=
aP
0
ra RP
Equ(28.66)
Si lon tient compte de (28.56), le systme (28.66) peut scrire :

RP + 1
Et en posant a M =
1
PM
=
aP
0
Equ(28.67)
1
il vient :
aP
RP + 1 aM =
PM
Equ(28.68)
28.7. La prdiction arrire

La prdiction linaire arrire fait rfrence a lestimation de lchantillon x ( n p ) , dun
processus alatoire stationnaire, en se basant sur la connaissance de la squence
x ( n ), x ( n 1 ), x ( n p + 1 ) .
La prdiction arrire est utile pour prdire des chantillons manquants ou errons.
Si lon considre un squence horizon 1 dordre p :
p1
x ( n p ) =
ck x ( n k )
Equ(28.69)
k=0
alors lerreur commise peut se mettre sous la forme :
P. NAYMAN
Master CMI
366
p1
ckx( n k)
g(n) = x(n p) +
Equ(28.70)
k=0
Ou encore, en utilisant les notations matricielles :

g ( n ) = x ( n p ) + cp x ( n )
Equ(28.71)
Cette erreur peut encore se mettre sous la forme scalaire :

p
ck x ( n k )
g(n) =
Equ(28.72)
avec c p = 1
k=0
g(n)
c 1 c0
cp 1
x ( n p )
Figure 28.6 : La prdiction linaire arrire

Lerreur g ( n ) sera minimise selon le critre de la variance minimale :
2
Soit P M = E [ g ( n ) ] alors, on peut trouver une valeur minimale de lerreur en annulant la

drive
P M
cP
P M
cP
P M
cP
= 2E g ( n )
g ( n ) et compte-tenu de la valeur de g ( n ) donne par (28.71) :

cP
T
= 2E [ x ( n p ) + c p x ( n ) ]x ( n ) = 0
T
T
T
E [ x ( n p ) + c p x ( n ) ]x ( n ) = E { x ( n p )x ( n ) } + c p E { x ( n )x ( n ) } = 0
On remarquera que :
T
E { x ( n p )x ( n ) } = r b
T
E { x ( n )x ( n ) } = R p , alors
Equ(28.73)
rb + cp Rp = 0
Lquation (28.73) est galement connue sous le nom dquation normale.

Calculons maintenant la puissance P B de lerreur g ( n ) :
*
P B = E { g ( n )g ( n ) } et remplaons g ( n ) par (28.71) :
*
*
P B = E { g ( n )g ( n ) } = E [ x ( n p ) + c p x ( n ) ] [ x ( n p ) + c p x ( n ) ]
= E [ x ( n p )x ( n p ) ] + c p E [ x ( n p )x ( n ) ] + c p E [ x ( n )x ( n p ) ] + c p c p E [ x ( n )x ( n ) ]
On remarquera que :
*
E [ x ( n p )x ( n p ) ] = r ( 0 )
*
E [ x ( n p )x ( n ) ] = E [ x ( n )x ( n p ) ] = r b
P. NAYMAN
Master CMI
367
E [ x ( n )x ( n ) ] = R p
Et compte tenu de (28.73) :

T
PB = r ( 0 ) + cp rb
Equ(28.74)
Les quations (28.73) et (28.75) forment un systme dquations :

T
r ( 0 ) + cp rb = PB
que lon peut crire sous une forme matricielle plus synthtique :
rb + cp Rp = 0
T
r (0 ) rb
1
PB
=
cp
0
rb RP
Equ(28.75)
Si lon tient compte de (28.56), le systme (28.75) peut scrire :

1
PB
=
cp
0
RP + 1
Equ(28.76)
28.8. Relations entre les prdicteurs avant et arrire

On peut remarquer que les quations (28.59) et (28.69) (prdiction avant et arrire) sont
proches et les coefficients de la prdiction arrire sont gaux aux complexes conjugus des coefficients de la prdiction avant (dans lordre inverse) :
ck = a
pk
Equ(28.77)
Ceci est une consquence de la stationnarit de la fonction de corrlation.

En tenant compte de (28.77) et que lordre des coefficients est invers, lquation (28.69)
devient :
p1
x ( n p ) =
ap k x( n p + k )
*
Equ(28.78)
k=0
Considrons la matrice J P dite de retournement :
JP
0
0
=
0
1
0
0
1
0
0
1
0
0
1
0
telle que :
0
0
RP JP = JP RP
Equ(28.79)
Reprenons lquation (28.73) :

Rp c p = rb
Equ(28.80)
Multiplions les 2 membres de (28.80) par J P :

JP Rp c p = JP rb
Equ(28.81)
compte tenu de (28.79), (28.57) et (28.58) :

JP rb = r a
Equ(28.82)
Rp JP cp = ra
Equ(28.83)
Lquation (28.81) devient :

En utilisant (28.64) : r a + R P a P = 0 , (28.83) devient :
Rp JP c p = R P aP
P. NAYMAN
Master CMI
368
Equ(28.84)
Comme R p est inversible :

Equ(28.85)
a P = JP cp
Cette dernire quation est une autre faon de montrer que les coefficients des prdictions avant et arrire sont identiques et en ordre inverse.
La variance de lerreur de la prdiction arrire est donne par lquation (28.74) :
T
PM = r ( 0 ) + rb c p
T
P M = r ( 0 ) + r b J P J P c p = r ( 0 ) + ( J P r b ) J P c p puis laide de (28.85) :

T
P M = r ( 0 ) + ( J P r b ) a P puis laide de (28.82) :

T
PM = r ( 0 ) + ra aP = PB
Cette dernire quation montre que les variances des erreurs des prdictions avant et
arrire sont gales.
Reprenons lquation (28.72), qui donne lerreur de la prdiction arrire :
p
ckx( n k )
gp ( n ) =
Equ(28.86)
avec c p = 1
k=0
On remarquera que (28.86) reprsente un produit de convolution et que sa transforme en

z est le produit des transformes en z :
G p ( z ) = C p ( z )X ( z )
Equ(28.87)
C p ( z ) reprsente la transforme en z des coefficients du filtre, dans le cas dun filtre de type
RIF, cette valeur correspond la fonction de transfert du filtre.

Explicitons la transforme C p ( z ) :
p
cp ( k )z
Cp ( z ) =
et laide de (28.77)
k=0
p
Cp ( z ) =
cp ( k )z
k=0
*
ap ( p
k )z
= z
k=0
ap ( k )z
*
p *
= z Ap ( z )
Equ(28.88)
k=0
Cette quation implique que la fonction de transfert C p ( z ) ses zros inverss et conjugus
par rapport ceux du polynme A p .
On remarquera que lerreur de la prdiction avant est donne par (28.63) :
p
fp ( n ) =
ak x ( n k )
et que la transforme en z de ce produit de convolution est :
k=0
F p ( z ) = A p ( z )X ( z )
Equ(28.89)
28.9. Structure de filtre en treillis

Reprenons lquation de base dun filtre rponse impulsionnelle finie (RIF) :
y(n) =
h ( k )x ( n k )
Equ(28.90)
k=0
On peut donner un schma dun tel filtre (avec h 0 = 1 ) on peut r-crire (28.90) :
P. NAYMAN
Master CMI
369
y(n) = x(n) +
h ( k )x ( n k )
Equ(28.91)
k=1
La figure 28.7 donne une implmentation possible dun tel filtre.

+
x(n)
y(n )
z
hm 1
h2
h1
hm
Figure 28.7 : Structure possible du filtre RIF

p
ak x( n k )
Lquation gnrale de la prdiction avant (28.61) : f ( n ) = x ( n ) +
sappa-
k=1
rente avec lquation du filtre RIF (28.91), on parle alors de filtre de prdiction (figure 28.8).
+
x(n)
f(n)
z
am 1
a2
a1
am
Figure 28.8 : Structure possible du filtre de prdiction

Il est possible de reprsenter le filtre de prdiction par des cellules cascadables, prsentant
une strucrure de treillis.
f0
f1
f2
fn 1
g0
g1
g2
gn 1
Figure 28.9 : Filtre partir de cellules cascadables

Si lon reprend les quations des erreurs de la prdiction avant et arrire, lordre 1, on
obtient pour p = 1 :
av
err ( n ) = x ( n ) + a 1 x ( n 1 )
ar
err ( n ) = x ( n 1 ) + a 1 x ( n )
Cette opration peut tre ralise, simplement, par la structure de la figure 28.10 :
si f 0 = g 0 = x ( n ) et K 1 = a 1 alors f 1 = e ( n ) et g 1 = x ( n 1 ) + a1 x ( n )
P. NAYMAN
Master CMI
370
f0
*
K1
g0
f1
g1
K1
Figure 28.10 : Structure dune cellule en treillis

*
En effet, f 1 = f 0 + K 1 g 1 et g 1 = K 1 f 0 + g 1
La structure de la cellule en treillis permet dobtenir, simultanment, les erreurs de prdiction avant et arrire.
Les paramtres Ki sont les coefficients de rflexions du filtre en treillis.
Pour la cellule j, on obtient facilement les quations suivantes :
Equ(28.92)
fj = fj 1 + Kj gj 1
*
Equ(28.93)
g j = Kj fj 1 + g j 1
avec les conditions initiales suivantes :

f0 = g0 = x ( n )
Equ(28.94)
Remarque : Il est possible de dfinir, dune manire quivalente, le filtre en treillis en uti*
lisant la transformation K j K j dans ce cas les quations (28.92) et (28.93) deviennent :

*
f j = f j 1 + Kj gj 1
Equ(28.95)
g j = K j fj 1 + gj 1
Equ(28.96)
Considrons maintenant, les quations (28.92), (28.93) et (28.94) dans le domaine

fquentiel :
F0 ( z ) = G0 ( z ) = X ( z )
Equ(28.97)
1
Equ(28.98)
Equ(28.99)
Fj ( z ) = Fj 1 ( z ) + Kj z Gj 1 ( z )
*
Gj ( z ) = Kj Fj 1 ( z ) + z Gj 1 ( z )
Divisons les quations (28.97), (28.98) et (28.99) par X ( z ) , en tenant compte de (28.87) et
de (28.89) :
A0 ( z ) = C0 ( z ) = 1
Equ(28.100)
1
Equ(28.101)
Equ(28.102)
Aj ( z ) = Aj 1 ( z ) + Kj z C j 1 ( z )
*
Cj ( z ) = Kj Aj 1 ( z ) + z C j 1 ( z )
Ce dernier jeu dquations, dcrit le filtre en treillis dans le domaine en z et peut tre reprsent, dune manire plus synthtique, sous une forme matricielle :
Aj ( z )
Cj ( z )
1 Kj z
*
Kj
Aj 1 ( z )
Equ(28.103)
Cj 1
Pour dfinir les quations dans le domaine temporel, explicitons lquation (28.101) :
j1
aj ( k )z
k=0
aj 1 ( k )z
k=0
j1
k
+ Kj
aj 1 ( j 1 k )z
*
( k + 1 )
Equ(28.104)
k=0
En galant les coefficients de mme puissance on trouve immdiatement :
P. NAYMAN
Master CMI
371
aj ( k ) = aj 1 ( k ) + Kj aj 1 ( j k )
Equ(28.105)
a j ( k ) est le poids k dun filtre de prdiction arrire dordre j.

*
a j 1 ( j k ) est le poids dordre k dun filtre de prdiction arrire dordre j 1 .
Le poids dordre zro est tel que : a j ( 0 ) = 1 et le poids a j 1 ( j ) = 0 de faon dfinir correctement le prdicteur dordre 0 ( y ( n ) = x ( n ) ). Dans ces conditions, le poids dordre le plus lev est aj ( j ) = Kj .
28.9.1. Lalgorithme de Levinson-Durbin

Lalgorithme de Levinson-Durbin est une mthode rcursive qui permet de rsoudre lquation normale (28.73) de la prdiction linaire :
Equ(28.106)
r b, m + a m R m = 0
L'quation (28.105) montre clairement, dans le cas du filtrage en treillis, quil existe bien
une relation entre les coefficients a j et a j 1 .
Lalgorithme de Levinson-Durbin va exploiter les symtries dans la matrice dauto corrlation (Voir Quelques proprits, page 354.) :
H
R = R (la matrice est hermitienne)

Les lments sur une diagonale, descendants de gauche droite sont gaux (matrice de
Toeplitz)
Dans le cas de la prdiction avant les coefficients du filtre peuvent tre mis jour en utilisant lquation (28.105), en allgeant les notations :
*
Equ(28.107)
a j , k = a j 1, k + K j a j 1, j k
avec k = 0, 1, , j
Dune manire quivalente, on peut utiliser la notation matricielle :
aj =
aj 1
0
+ Kj
Equ(28.108)
b*
aj 1
Lexposant b fait rfrence aux coefficients de la prdiction arrire.

Dans le cas de la prdiction arrire, on utilise les quations, quivalentes, suivantes :
b*
Equ(28.109)
a j , j k = a j 1, j k + K j a j 1, k
b*
aj
0
b*
aj 1
+ Kj
aj 1
Equ(28.110)
En principe, lalgorithme de Levinson-Durbin est dfini pour la prdiction avant :

Re-considrons lquation (28.108) et multiplions les deux membres par la matrice de corrlation R j + 1 de dimension ( j + 1 ) ( j + 1 ) :
Rj + 1 aj = Rj + 1
aj 1
0
+ KjRj + 1
Equ(28.111)
b*
aj 1
Daprs (28.68), le premier terme peut scrire :

Rj + 1 aj =
Pj
Equ(28.112)
0j
Daprs (28.56), le premier terme du deuxime membre devient :
P. NAYMAN
Master CMI
372
aj 1
Rj + 1
b*
Rj rj
bT
rj
aj 1
r( 0)
Rj aj 1
Equ(28.113)
bT
rj aj 1
On remarquera, daprs (28.68), que :

Pj 1
Rj aj 1 =
Equ(28.114)
0j
Dfinissons maintenant un scalaire tel que :

bT
Equ(28.115)
Dj 1 = rj aj 1
La version scalaire de (28.115) scrit :

j1
Dj 1 =
r ( k j )aj 1, k
k=0
Remplaons les valeurs donnes par (28.114) et (28.115) dans (28.113) :

Rj + 1
aj 1
Pj 1
=
Equ(28.116)
0j
Dj 1
Intressons nous maintenant au dernier terme de (28.111), en remplaant R j + 1 par sa dcomposition lordre j :
Kj Rj + 1
0
b*
aj 1
= Kj
H b*
r ( 0 ) rj
= Kj
b*
rj Rj aj 1
rj aj 1
Equ(28.117)
b*
Rj aj 1
Le terme :
j
H b*
r j aj 1
j1
*
*
( k )a j 1, j k
k=1
( l j )a j 1, l = D j 1
Equ(28.118)
l=0
Dans le cas de la prdiction arrire :

b*
Rj aj 1 =
0j 1
Equ(28.119)
Pj 1
puis en substituant (28.118) et (28.119) dans (28.117) :

*
Kj Rj + 1
0
b*
aj 1
Dj 1
Pj 1
En rsum, si lon reprend (28.111) : R j + 1 aj = R j + 1
On a obtenu, (28.112) : R j + 1 a j =
Equ(28.120)
= Kj 0
j1
aj 1
0
+ Kj Rj + 1
0
b*
aj 1
Pj
0j
daprs (28.116) :
P. NAYMAN
Master CMI
373
Rj + 1
aj 1
Pj 1
=
0j
Dj 1
*
Dj 1
daprs (28.120) : K j R j + 1
b*
aj 1
= Kj 0
j1
Pj 1
Et finalement :
Pj
Pj 1
=
0j
0j
Dj 1
Equ(28.121)
+ Kj 0
j1
Dj 1
Pj 1
Explicitons les quations contenues dans (28.121), le premier lment donne :

*
Equ(28.122)
Pj = Pj 1 + Kj Dj 1
Et le dernier lment donne :

Equ(28.123)
0 = Dj 1 + Kj Pj 1
De (28.123), on trouve facilement le coefficient K j :

Dj 1
K j = ------------Pj 1
Equ(28.124)
D j 1 tant dfini par lquation (28.115).
De (28.123) :
Equ(28.125)
Dj 1 = Kj Pj 1

Pj = Pj 1 + K j ( Kj Pj 1 )
*
2
Pj = Pj 1 ( 1 Kj )
Equ(28.126)
Cette dernire quation montre que les puissances des erreurs sont telles que :
0 Pj Pj 1
Equ(28.127)
pour j 1 .
Effectuons le produit des diffrentes puissances P :
2
P1 = P0 ( 1 K1 )
Equ(28.128)
P2 = P1 ( 1 K2 )
Pj = Pj 1 ( 1 Kj )
j
Pj = P0
avec P 0 = r ( 0 )
P. NAYMAN
Master CMI
(1
Kp )
p=1
374
28.9.1.1 Coefficients de rflexion et erreurs

Reprenons lquation (28.92) : f j = f j 1 + K j g j 1 et calculons la variance de lerreur.
*
*
Pj = E [ f j f j ] = E [ f j 1 + Kj gj 1 ] [ fj 1 + Kj gj 1 ]
Equ(28.129)
2
* *
*
* *
= E fj 1 + E f j 1 K j g j 1 + E K j g j 1 f j 1 + E K j g j 1 K j g j 1
*
*
*
2
= Pj 1 + Kj E fj 1 gj 1 + Kj E gj 1 fj 1 + Kj P j 1
On remarquera, compte-tenu des proprits des fonctions de corrlation, que
*
*
E fj 1 gj 1 = E gj 1 fj 1
2
*
*
P j = P j 1 ( 1 + K j ) + E f j 1 g j 1 [ K j + K j ]
Equ(28.130)
2
*
= P j 1 ( 1 + K j ) + 2E f j 1 g j 1 Re [ K j ]
Cherchons maintenant la valeur de K j qui minimise la puissance de lerreur P j .

P j
*
= 2P j 1 K j + 2E f j 1 g j 1 = 0
Kj
*
E fj 1 gj 1
K j = --------------------------------- et si lon tient compte des indices

Pj 1
*
E f j 1 ( n 1 )g j 1 ( n )
K j = ---------------------------------------------------------Pj 1
Equ(28.131)
D
j1
- on en
et si lon compare cette valeur celle donne par lquation (28.124) : K j = ------------
Pj 1
dduit que
*
D j 1 = E f j 1 ( n 1 )g j 1 ( n )
Equ(28.132)
Le coefficient D j 1 peut tre interprt comme la corrlation entre les erreurs de prdiction
avant et arrire.
28.9.1.2 Application de lalgorithme de Levinson-Durbin

Lalgorithme de Levinson-Durbin permet calculer les coefficients a J, k pour k = 0, 1, , J
ainsi que la variance de lerreur de prdiction P j . Pour cela il est ncessaire de connatre la fonction dauto corrlation du processus dentre ( r ( 0 ), r ( 1 )r ( J ) ) ou encore de connatre les coefficients de rflexion ( K1, K 2, , K J ) ainsi que r ( 0 ) .
P. NAYMAN
Master CMI
375
Mthode 1
j1
On utilise (28.115) : D j 1 =
bT
rj aj 1
r ( k j )aj 1, k
pour calculer D j 1 et
k=0
2
(28.126) : P j = P j 1 ( 1 K j ) pour calculer la variance de lerreur. Lalgorithme commence

*
avec D 0 = r ( 1 ) et P 0 = r ( 0 ) .
On trouve une quation itrative en combinant (28.115) :
j1
r ( k j )aj 1, k
bT
Dj 1 = rj aj 1 =
et (28.123) : 0 = D j 1 + K j P j 1 de faon liminer
k=0
D j 1 , puis en utilisant :
*
la symtrie r j = r j ,
a j 1, 0 = 1
j1
rj =
*
Kj Pj 1
r ( j k )aj 1, k
*
Equ(28.133)
k=1
Si lon dsire connatre les coefficients partir des coefficients de corrlation, partir de
(28.133) :
*
rj
1
K j = ------------ -----------Pj 1 Pj 1
j1
( k j )a j 1, k
Equ(28.134)
k=1
Mthode 2
*
On utilise (28.107) : a j, k = a j 1, k + K j a j 1, j k pour calculer les coefficients et (28.126) :

2
P j = P j 1 ( 1 K j ) pour calculer la variance de lerreur. Il est ncessaire de connatre

P0 = r ( 0 ) .
Exemple
On dsire calculer les coefficients du filtre de prdiction dordre 3 ainsi que la variance de
lerreur de prdiction connaissant les coefficients de rflexion ( K 1, K2, K 3 ) ainsi que la variance
P 0 . Dans ce cas nous allons utiliser la mthode 2 et les quations (28.107) et (28.126). On se sou-
viendra que le poids dordre zro est tel que : a j ( 0 ) = 1 , que le poids a j 1 ( j ) = 0 et que le poids
dordre le plus lev est a j ( j ) = K j .
a 1, 0
A lordre 1
= 1 , a 1, 1 = K 1
2
P1 = P0 ( 1 K1 ) = r 0 ( 1 K 1 )
A lordre 2
*
a 2, 0 = 1 , a 2, 1 = a 1, 1 + K 2 a 1 , 1 = K 1 + K 2 K 1 , a 2, 2 = K 2
2
P2 = P1 ( 1 K2 )
A lordre 3
*
a 3, 0 = 1 , a 3, 1 = a 2, 1 + K 3 a 2 , 2 = K 1 + K 2 K 1 + K 3 K 2 ,
P. NAYMAN
Master CMI
376
a 3, 2 = a 2, 2 + K 3 a 2, 1 = K 2 + K 3 ( K 1 + K 2 K 1 ) , a 3 , 3 = K 3
2
P3 = P2 ( 1 K3 )
28.9.2. Lalgorithme de Levinson-Durbin inverse

Lalgorithme de Levinson-Durbin permet de calculer les coefficients de prdiction partir
des coefficients de rflexion. Lalgorithme de Levinson-Durbin inverse permet de calculer les
coefficients de rflexion partir des coefficients du filtre de prdiction.
Reprenons
b*
les
quations
(28.107) :
a j, k = a j 1, k + K j a j 1, j k
et
(28.109) :
a j, j k = a j 1, j k + K j a j 1, k qui permettent de calculer les coefficients des filtres de prdiction
avant et arrire. Considrons que ces 2 quations forment un systme matriciel :

a j, k
b*
1
=
K j a j 1, k
*
a j, j k
Kj 1
Equ(28.135)
a j 1, j k
La rsolution de ce systme permet dobtenir les coefficients cherchs :

*
a j 1, k
a j, k a j, j a j, j k
= --------------------------------------2
1 a j, j
Equ(28.136)
avec aj, j = K j
28.9.3. Les quations de Yule-Walker

Lorsque la densit spectrale du processus alatoire est une fonction rationnelle, il est possible de trouver des relations entre la squence d'auto corrlation R xx ( m ) de ce processus et les
B(z)
paramtres a k et bk du filtre dinnovation linaire L ( z ) = ----------- .
A(z)
Dans le domaine temporel, le filtre dinnovation est sollicit par un bruit blanc de squence
et sa sortie est une squence x ( n )
qui respecte (28.42), soit :
w( n)
p
x(n) +
ak x ( n k )
k=1
Bruit blanc
Bruit blanc
bk w ( n k ) .
k=0
w( n )
x(n)
L(z)
xx ( z )
w( n )
x(n)
h(n)
filtre dinnovation
Figure 28.11 : Filtre dinnovation

Dautre part la sortie du filtre dinnovation peut tre exprime au moyen de sa rponse impulsionnelle h ( n ) par un produit de convolution discret :
x(n) =
h( k) w( n k )
Equ(28.137)
k=0
P. NAYMAN
Master CMI
377
28.9.4. tape 1
*
Multiplions les 2 membres de (28.42) par x ( n m ) :

p
ak x ( n k )x
x(n)(x (n m )) +
bk w ( n k )x
(n m) =
k=1
(n m)
Equ(28.138)
k=0
Prenons lesprance mathmatique des 2 membres de (28.138) :

p
*
E [ x ( n )x ( n m ) ] +
ak E [ x ( n k )x
bk E [ w ( n k )x
(n m)] =
k=1
(n m )]
Equ(28.139)
k=0
On remarquera que :
E [ x ( n )x ( n m ) ] = R xx ( m )
Equ(28.140)
Equ(28.141)
Equ(28.142)
E [ x ( n k )x ( n m ) ] = R xx ( m k )
E [ w ( n k )x ( n m ) ] = R wx ( m k )
Puis en remplaant (28.140), (28.141) et (28.142) dans (28.139) :

p
R xx ( m ) +
ak Rxx ( m k )
k=1
bk Rwx ( m k )
Equ(28.143)
k=0
28.9.5. tape 2
Lquation (28.143) montre quil est ncessaire de calculer l'inter corrlation R wx ( m ) .
Reprenons R wx ( m ) l'inter corrlation entre la squence de bruit w ( n ) et le signal x ( n ) .
*
R wx ( m ) = E [ x ( n ) w ( n + m ) ]
Equ(28.144)
Daprs (28.137) :
h(k ) w( n k)
x (n) =
Equ(28.145)
k=0
*
Dans (28.144) remplaons x ( n ) par (28.145) :
R wx ( m ) = E w ( n + m )
h( k ) w( n k)
k=0
R wx ( m ) = E
( k) w( n + k ) w ( n m )
Equ(28.146)
k=0
On suppose que la squence w ( n ) est un bruit blanc non-corrl, ce qui signifie que tous
*
les produits : E [ w ( n + k ) w ( n m ) ] = 0 pour n + k n m

Et pour m = k , ce qui correspond m 0 (puisque k [ 0, ] ) alors :
*
R wx ( m ) = h ( m ) E [ w ( n m ) w ( n m ) ] = w h ( m )
Equ(28.147)
De (28.143) on trouve facilement R xx ( m ) :
P. NAYMAN
Master CMI
378
ak Rxx ( m k ) + bk Rwx ( m k )
R xx ( m ) =
k=1
Equ(28.148)
k=0
A laide de (28.147) :
0
R wx ( m k ) = 2 *
w h ( m + k)
(m k ) > 0
Equ(28.149)
(m k ) 0
Considrons le second terme de (28.148) et introduisons (28.149) :

q
bk R wx ( m k )
2
w
k=0
bk h
( m + k ) puis en oprant un changement de variable :
k=0
mq
bk R wx ( m k ) w
2
k=0
bk + m h ( k )
k=0
Finalement en reprenant (28.148) on obtient la relation gnrale pour un processus ARMA

qui dfinit une relation non-linaire entre la fonction d'auto corrlation R xx ( m ) et les coefficients
{ a k } et { b k } :
p
a R (m k)
k xx
k=1
R xx ( m ) =
mq
p
*
2
a R ( m k ) + w bk + m h ( k )
k xx
k=1
k=0
m>q
Equ(28.150)
0mq
Remarque : Pour les valeurs de R xx ( m ) avec m < 0 , il suffit de remarquer que la proprit
*
de symtrie de la fonction de corrlation peut tre utilise : R xx ( m ) = R xx ( m ) .

Dans le cas dun processus auto rgressif (AR) donn par (28.43) : b 0 = 1 , b k = 0 . On simplifie (28.150) :
p
a R (m k)
k xx
k=1
R xx ( m ) =
p
2
a R ( m k ) + w
k xx
k=1
m>0
Equ(28.151)
m = 0
Dans ce cas nous avons une relation linaire entre la fonction d'auto corrlation R xx ( m ) et
les coefficients { a k } .
2
On obtient facilement w en prenant m = 0 dans (28.151) :

p
2
w
= R xx ( 0 ) +
ak Rxx ( k )
Equ(28.152)
k=1
*

Le systme donn par (28.151) reprsente les quations de Yule-Walker. On le reprsente
classiquement sous la forme dune matrice de Toeplitz3.
P. NAYMAN
Master CMI
379
R xx ( 0 ) R xx ( 1 )
R xx ( 1 )
R xx ( 0 )
R xx ( p )
1
R xx ( p + 1 ) a 1
R xx ( p ) R xx ( p 1 )
R xx ( 0 )
ap
w
=
Equ(28.153)
Dans le cas dun processus moyenne mobile (MA) donn par (28.52) : a k = 0 . De plus si
lon identifie (28.52) avec le produit de convolution, on trouve immdiatement que :
h ( k ) = bk
Equ(28.154)
Dans ce cas (28.150) se simplifie :
q
2
b b
R xx ( m ) = w k k + m
k=0
0
0mq
Equ(28.155)
m>q
*
28.10. Introduction aux algorithmes de filtrage adaptatif

Dune manire gnrale lobjectif du filtrage adaptatif est de trouver lensemble de ses paramtres ( k ) de faon minimiser une fonction de cot F . La fonction F dpend de lentre
x ( k ) , dun signal de rfrence d ( k ) et de la sortie du filtre adaptatif y ( k ) . La fonction de cot F
est toujours positive F 0 et loptimum, les coefficients ( k ) convergent vers 0 et F = 0 .
On peut galement considrer que la fonction F dpend du signal derreur e ( k ) . Le signal
derreur tant une fonction de ( x ( k ), y ( k ), d ( k ) )
d(k)
x(k)
Filtre adaptatif
y(k)
e(k)
Algorithme
adaptatif
Figure 28.12 : Configuration gnrale dun filtre adaptatif
Dune manire trs gnrale, il est possible dapprocher la fonction F , autour dun point
donn ( k ) , par une srie de Taylor tronque.
T
1 T
F [ ( k ) + ( k ) ] F [ ( k ) ] + g { F [ ( k ) ] } ( k ) + --- ( k )H { F [ ( k ) ] } ( k )
2
Equ(28.156)
g est le vecteur du gradient de la fonction F .

H est la matrice carre des drives secondes partielles de la fonction F . Cette matrice est
aussi appele matrice Hessienne.

Le but est de minimiser la fonction de cot F par itration sur le jeu de paramtres ( k ) .
Equ(28.157)
( k + 1 ) = ( k ) + ( k )
3. matrice carre dont les lments sur une diagonale descendant de gauche droite sont gaux
P. NAYMAN
Master CMI
380
( k ) est le pas de correction.
Si la matrice H est positive, lapproximation quadratique a un minimum unique qui se produit quand lgalit suivante est vrifie :
g { F [ ( k ) ] } = H { F [ ( k ) ] } ( k )
Equ(28.158)
Pour simplifier les notations, on peut r-crire (28.158) :

g = H ( k )
Equ(28.159)
Dans ce cas, loptimum : F [ ( k ) + ( k ) ] F [ 0 ]
28.10.1. Les mthodes doptimisation en filtrage adaptatif les plus

utilises
28.10.1.1 La mthode de Newton
Considrons que la fonction de cot F soit une fonction du signal derreur e ( k ) .
1
De (28.159), on peut dterminer la taille du pas ( k ) : ( k ) = H g . Afin de contrler

( k ) , considrons la taille du pas suivante :
1
( k ) = H g
Equ(28.160)
contrle la taille du pas de lalgorithme et influence la vitesse de convergence vers loptimum. En combinant (28.157) et (28.160) on obtient :
1
( k + 1 ) = ( k ) H g
Equ(28.161)
28.10.1.2 Les mthodes Quasi-Newton

1
La mthode de Newton impose de connatre la matrice inverse H des drives secondes

de la fonction de cot. Ce qui peut tre relativement compliqu. Les mthodes Quasi-Newton utilisent une estimation de cette matrice inverse. Lquation (28.161) est replace par lquation
suivante :
( k + 1 ) = ( k )S ( k )g
Equ(28.162)
1
O S ( k ) est une estimation de H .
28.10.1.3 La mthode du gradient dterministe ( Steepest

descent )
Lalgorithme du gradient dterministe est une mthode intressante car elle permet doptimiser la fonction de cot sans avoir besoin dinverser la matrice H . Lquation gnrale de cet
algorithme est donne par (28.163) :
( k + 1 ) = ( k ) g
Equ(28.163)
Cette mthode est relativement facile implmenter, par contre les mthodes de Newton
convergent plus rapidement vers loptimum cherch.
28.10.1.4 Choix de la fonction de cot

Dans cette introduction, aucun choix sur la fonction de cot na t fait. Il est donc important de choisir judicieusement la fonction de cot F [ e ( k ) ] , e ( k ) tant le signal derreur.
Les fonctions de cot gnralement utilises sont bases sur les critres suivants :
P. NAYMAN
Master CMI
381
Valeur moyenne du carr de lerreur ( Mean-Square Error MSE ) :

2
F[ e( k ) ] = E[ e (k ) ]
k
1
Les moindres carrs ( Least Squares LS ) : F [ e ( k ) ] = -----------k+1
e(k j )
j=0
Les moindres carrs pondrs ( Weighted Least Squares WLS ) :

k
F[ e( k ) ] =
e(k j)
avec une constante infrieure 1.
j=0
Valeur instantane du carr de lerreur Instantaneous Squared Value ISV :

F[ e( k ) ] = e( k)
28.10.1.5 Choix du signal derreur et applications

Le choix du signal derreur est galement un paramtre dterminant dans loptimisation.
Larchitecture et le signal derreur seront lis lapplication envisage. On distingue 4 types
dapplications :
Lidentification de systme. Un bruit blanc x ( n ) est envoy simultanment a un systme
inconnu et un filtre adaptatif. Lorsque la sortie e ( n ) est minimise, le filtre adaptatif modlise
le systme inconnu dont la sortie est y ( n ) .
y(n)
x(n)
Systme inconnu
+
e(n)
Filtre adaptatif
y ( n )
Figure 28.13 : Identification de systme

La prdiction. Le signal y ( n ) linstant n est prdit partir des chantillons du signal
aux instants prcdents [ y ( n 1 ), y ( n 2 ), ] .
y( n )
Filtre adaptatif
y ( n )
e(n)
Figure 28.14 : Prdiction dun signal

Lgalisation de canal. Lentre retarde du systme, avant le passage par le canal est
disponible. Le filtre adaptatif est utilis pour compenser les perturbations apportes par le canal.
Un bruit additif n 1 ( n ) , en sortie de canal, peut tre pris en compte.
P. NAYMAN
Master CMI
382
x(n)
y(n)
n1 ( n )
Canal
e(n)
Filtre adaptatif
y ( n )
Figure 28.15 : Egalisation de canal

La rduction de bruit ou annulation dinterfrences. Un bruit blanc n 2 ( n ) est entr dans
le filtre adaptatif. Le signal utile entach de bruit est compar la sortie du filtre adaptatif.
y( n)
x ( n ) + n1 ( n )
+
e(n )
n2 ( n )
Filtre adaptatif
y ( n )
Figure 28.16 : Rduction de bruit
28.11. Filtrage optimal au sens de Wiener

On considre un signal s ( n ) entach dun bruit b ( n ) , le signal rsultant x ( n ) = s ( n ) + b ( n )
est transmis un filtre optimum dont la sortie y ( n ) doit sapprocher au mieux du signal s ( n ) .
Dans ce cas, lestimation est ralise par le filtre linaire de rponse impulsionnelle h ( n ) .
On suppose que y ( n ) correspond au signal alatoire attendu.
Lerreur de lestimation est donne par lquation suivante :
Equ(28.164)
e ( n ) = y ( n ) y ( n )
Le filtre optimal qui minimise lerreur e ( n ) au sens des moindres carrs est appel filtre de
Wiener.
2
J = E[e (n)]
Equ(28.165)
Le filtre de Wiener permet destimer le signal bruit x ( n ) . Lestimation y ( n ) de x ( n ) nest
possible que si le processus alatoire dentre x ( n ) est stationnaire au sens faible. Cette condition
permet de dfinir la matrice d'auto corrlation du signal dentre.
28.12. Filtre de Wiener rponse impulsionnelle finie

Si lon suppose que lestimateur est un filtre de type RIF (Rponse Impulsionnelle Finie)
de longueur M, alors :
M1
y ( n ) =
h( k) x( n k )
Equ(28.166)
k=0
P. NAYMAN
Master CMI
383
x(n)
y(n)
Systme
+
e(n)
y ( n )
Filtre h(n)
Figure 28.17 : Le filtre de Wiener

2
Le filtre de Wiener minimise lerreur quadratique moyenne J = E [ e ( n ) ] .

Explicitons le signal derreur en combinant (28.164) et (28.166) :
M1
e ( n ) = y ( n ) y ( n ) = y ( n )
h( k) x(n k )
Equ(28.167)
k=0
M1
1
J = E [ e ( n ) ] = ----M
2
M1
1
e ( n ) = ----M
2
( y ( n ) y ( n ) ) ( n )
Equ(28.168)
J dfinit la fonction de cot.

En minimisant J , nous allons trouver le meilleur jeux de coefficients h ( k ) tel que lestimation y ( n ) sapproche au mieux du signal attendu y ( n ) .
Remarque : Il est possible davoir un systme de notations plus concis en utilisant la formulation matricielle. Dans ce cas :
M1
y ( n ) =
h ( k ) x ( n k ) est quivalent la notation matricielle :
k=0
T
T
y = h x = x h
o h = h 0 h 1 h M 1
Equ(28.169)
et x est une matrice de dimension kxn
On peut r-crire lerreur (28.167) sous la forme matricielle :

e = y y puis en remplaant y par la valeur donne par (28.169) :
T
Equ(28.170)
e = yx h
28.13. Le principe dorthogonalit

On obtient le filtre optimal h opt en annulant le gradient du critre J par rapport aux coefficients du filtre h ( k ) , puis en prenant lesprance des deux membres.
2
e
J
=
= 2E e ( n ) e ( n )
h
h
h
Equ(28.171)
De faon tre certain que lextremum trouv est bien un minimum, il faut sassurer que
les drives secondes soient positives :
h (k)
J>0
Puis en remplaant e ( n ) par sa valeur donne par (28.170) :
P. NAYMAN
Master CMI
384
e
= 2E ( e min x ) = 0
h
Equ(28.172)
Le produit scalaire de lerreur e et de la mesure x est nul ce qui signifie que lerreur est
orthogonale la mesure, on parle alors de principe dorthogonalit. Les entres x sont dcorrles de lerreur e min . Ce principe est largement utilis dans la thorie de lestimation ainsi que
dans la thorie de lestimation spectrale.
Les coefficients h opt qui minimisent lnergie de lerreur entre lestimation y ( n ) et le signal attendu y ( n ) sont tels que lerreur est orthogonale tout lment de lespace de projection.
T
En multipliant (28.172) par h et laide de (28.169) on obtient :

T
E ( e min h x ) = E ( e min y ) = 0
Equ(28.173)
Le principe dorthogonalit impose que lerreur et la sortie du filtre sont, galement, noncorrles.
y(n)
e(n)
xi
y ( n )
xj
Figure 28.18 : Le principe dorthogonalit
28.14. Lquation de Wiener-Hopf

Lquation (28.172) explicite le principe dorthogonalit.
E [ e min x ] = 0
Equ(28.174)
En remplaant e par la valeur donne par (28.170) :

T
E [ x ( y x h opt ) ] = 0
T
E [ x x ]h opt = E [ x y ]
Equ(28.175)
On remarquera que le terme E [ x x ] correspond la matrice dauto corrlation R xx et que

le terme E [ x y ] est la matrice dinter corrlation R yx entre y ( n ) et x ( n ) .
R xx h opt = R xy
R xx ( 0 )
R xx ( 1 ) R xx ( M + 1 )
h opt ( 0 )
R xx ( 1 )
R xx ( 0 ) R xx ( M + 2 )
h opt ( 1 )
R xx ( M 1 )
R xx ( 0 )
h opt ( M 1 )
Equ(28.176)
R xy ( 0 )
=
R xy ( 1 )
R xy ( M 1 )
h opt = R xx R xy
Equ(28.177)
Equ(28.178)
Lquation (28.178) est connue comme lquation de Wiener-Hopf.

Cette quation scrit gnralement (en posant R xy = p ) :
1
h opt = R xx p
P. NAYMAN
Master CMI
385
Equ(28.179)
Calculons lerreur quadratique minimale. Reprenons lquation (28.170) : e = y x h

2
La fonction de cot : J = E [ e ( n ) ] devient :

2
J ( h ) = E [ ( y x h ) ] = E [ y ( 2y x h ) + x x h h ] =
2
E [ y ] + E [ x x ] h h 2E [ y x ] h
T
Posons p = E [ x y ] et p = E [ y x ]
T
J ( h ) = y + R xx h h 2p h
Equ(28.180)
y tant la variance du signal la sortie du filtre.

J ( h ) est une fonction quadratique qui possde un minimum unique lorsque le gradient
J ( h ) =
J
= 0 et donne lquation de la courbe de lerreur quadratique moyenne.
h
J ( h ) = 2R xx h 2p
Equ(28.181)
1
Le minimum de lerreur est donn pour (28.178) : h opt = R xx p . Dans ce cas, (28.180)
devient :
2
J ( h opt ) = y + R xx h opt h opt 2p h opt

=
=
2
y
2
y
T
h opt
T
Equ(28.182)
R xx h opt
1
p R xx p
T
Posons yopt = p R xx p
2
J ( h opt ) = y yopt
h0
Equ(28.183)
h1
Figure 28.19 : Exemple de courbe de lerreur quadratique moyenne
28.14.1. Exemple dun signal bruit

On considre un processus de la forme x ( n ) = ( n ) + w 1 ( n ) . O w 1 ( n ) est un bruit gaus2
sien de moyenne nulle et de variance indpendant de ( n ) . Les chantillons de w 1 ( n ) sont indpendants les uns des autres. est un processus gaussien de moyenne nulle et de densit
1
spectrale ( z ) = ------------------. On cherche caractriser le filtre de Wiener, lordre 2, qui estime
1
1 az
( n ) partir des chantillons de x .
Solution
Comme les processus et w 1 sont indpendants, la fonction dinter corrlation
*
R w ( k ) = E [ ( n )w 1 ( n k ) ] = 0
1
P. NAYMAN
Master CMI
386
Calculons linter corrlation entre ( n ) et x ( n ) :

*
R x ( k ) = E [ ( n )x ( n k ) ] = E [ ( n ) ( ( n k ) + w 1 ( n k ) ) ]
*
= E [ ( n ) ( n k ) ] + E [ ( n )w 1 ( n k ) ] = E [ ( n ) ( n k ) ] = R ( k )
Calculons lauto corrlation R xx ( k ) :
*
*
*
R xx ( k ) = E [ x ( n )x ( n k ) ] = E [ ( n ) + w 1 ( n ) ] [ ( n k ) + w 1 ( n k ) ]
= E [ ( n ) ( n k ) ] + E [ ( n )w 1 ( n k ) ] + E [ w 1 ( n ) ( n k ) ] + E [ w 1 ( n )w 1 ( n k ) ]
= R ( k ) + R w
1 w1
(k)
Il est ncessaire de calculer la fonction dauto corrlation R ( k ) :

On trouve R ( k ) en prenant la transforme en z inverse de la densit spectral de puissance
k
1
( z ) = ------------------- . Soit R ( k ) = a avec a < 1 .
1
1 az
On notera que R ( 0 ) = 1 et que R w

En
appliquant
R xx = R + R w
1+
a
1 w1
Wiener-Hopf
(28.176) :
R xx h opt = R xy ,
avec
]h opt = R x = R
a
1+
de
(0) =
et R xy = R x il vient :
1 w1
[ R + R w
lquation
1 w1
h ( 0 ) = 1 On trouve ensuite le jeu de coefficients h

opt en inversant le
h(1)
a
systme :
2
2
1
h ( 0 ) = ---------------------------------1+ a
2 2
2
2
h(1)
(1 + ) a
a
Lquation du filtre de Wiener est donne par lquation suivante :

2
2
2
1
2
1
1+ a
z a
Y ( z ) = ---------------------------------- [ 1 + a + z a ] = ---------------------------------- 1 + --------------------------2
2
2 2
2
2 2
2
1+ a
(1 + ) a
(1 + ) a
28.14.2. Forme canonique de lerreur quadratique moyenne

T
Reprenons lquation 28.180 et ajoutons et retranchons le terme p R xx p

2
J ( h ) = y p R xx p + R xx h h 2p h + p R xx p et multiplions les 2 derniers

1
termes par la quantit neutre R xx R xx

2
Equ(28.184)
J ( h ) = J ( h opt ) + ( h R xx p ) R xx ( h R xx p )
Equ(28.185)
J ( h ) = y p R xx p + ( h R xx p ) R xx ( h R xx p )
T
Daprs (28.182) J ( h opt ) = y p R xx p

(28.184) devient :
1

P. NAYMAN
Master CMI
387
J ( h ) = J ( h opt ) + ( h h opt ) R xx ( h h opt )
Equ(28.186)
Il est vident daprs (28.186) que lorsque h = h opt alors J ( h ) = J ( h opt ) .
28.14.3. Inconvnients de la mthode

Un certain nombre dinconvnients font que le filtrage de Wiener est difficile appliquer.
Connaissance de la matrice de corrlation R xx du signal dentre et du vecteur dinter
corrlation R xy entre le signal dentre et celui de sortie. Ces matrices ne sont pas connus a
priori, il faut donc les estimer.
Ncessit dinverser la matrice R xx ce qui peut tre exigent en terme de ressources utilises.
Les signaux sont supposs tre stationnaires. Dans le cas contraire, il est ncessaire de
recalculer frquemment R xy et R xx pour tenir compte de lvolution des vecteurs.
28.15. Lalgorithme du gradient dterministe ou de la plus grande

pente
La rsolution de lquation de Wiener-Hopf ncessite dinverser la matrice dauto corrlation. Ce qui peut demander des ressources importantes.
Lalgorithme du gradient dterministe permet de rsoudre cette quation de manire itrative sans avoir inverser de matrice.
A chaque itration, on gnre un vecteur h ( n + 1 ) qui diminue la fonction de cot
J [ h ( n + 1 ) ] par rapport litration prcdente J [ h ( n ) ] :
Equ(28.187)
J[ h( n + 1 ) ] < J[ h( n ) ]
Considrons le dveloppement de Taylor dune fonction lordre 1 :
Equ(28.188)
f ( x ) f ( a ) + f' ( a ) ( x a )
Appliquons ce dveloppement la fonction de cot :
J[ h( n + 1) ] J[ h( n) ] +
Posons g ( n ) =
J[ h(n )] [h (n + 1 ) h( n) ]
h( n)
Equ(28.189)
J [ h ( n ) ] et [ h ( n ) ] = h ( n + 1 ) h ( n ) alors (28.189) devient :

h(n )
T
J[h( n + 1) ] J[h( n) ] + g ( n) [ h( n) ]
Equ(28.190)
Afin dassurer que lingalit (28.187) soit toujours vraie, on choisit le deuxime terme de
(28.190) ngatif. Posons :
1
[ h ( n ) ] = --- g ( n )
2
Equ(28.191)
Lquation (28.191) donne lalgorithme de base du gradient dterministe, en effet :

1
h ( n + 1 ) = h ( n ) --- g ( n )
2
Equ(28.192)
En reprenant (28.190) :
2
1
J [ h ( n + 1 ) ] J [ h ( n ) ] --- g ( n )
2
Equ(28.193)
La fonction de cot diminue bien chaque itration.
28.15.1. Cas du filtrage de Wiener

Le filtrage de Wiener est caractris par le fait que lon minimise lerreur quadratique
moyenne. Ceci sexprime par lquation (28.181) :
g = J ( h ) = 2R xx h 2p
P. NAYMAN
Master CMI
388
Introduisons g dans lquation (28.192) :

h ( n + 1 ) = h ( n ) + [ p R xx h ( n ) ]
Equ(28.194)
T
Lquation (28.170) donne lexpression du signal derreur : e = y x h

Multiplions les deux membres du signal derreur par x et prenons ensuite lesprance
mathmatique :
T
E [ xe ] = E [ xy xx h ] = p R xx h
Equ(28.195)
En substituant (28.195) dans (28.194) on obtient :

h ( n + 1 ) = h ( n ) + E [ xe ]
Equ(28.196)
A loptimum, lorsque e 0 on a bien h ( n + 1 ) h ( n ) et lon retrouve bien la solution de
1
Wiener-Hopf h opt = R xx R xy .
La rsolution itrative du filtre optimal de Wiener est bas sur lquation (28.194) avec
n = 1, 2, , K . La matrice dauto corrlation R xx et le vecteur dinter corrlation p sont suppo-
ss connus. Lalgorithme dmarre avec un vecteur h ( 0 ) judicieusement choisi et sarrte lorsque

la condition p R xx h < est atteinte.
28.15.2. Conditions de convergence de lalgorithme du gradient

dterministe
J(h)
h1
h0
h2
h4
h5
h3
h
Figure 28.20 : Principe de la descente selon la plus grande pente

La figure 28.20 montre un exemple de convergence de lalgorithme du gradient dterministe. Lalgorithme descend le long de la plus grande pente locale et converge vers un minimum
local. Si le pas est trop petit, le temps de convergence sera long. Inversement si le pas est grand,
il y a des risques doscillations autour du minimum. Le choix du pas d'adaptation est donc fondamental pour aboutir correctement la solution recherche. Nous allons dfinir les conditions de
convergences pour un pas constant.
Reprenons lquation (28.194) : h ( n + 1 ) = h ( n ) + [ p R xx h ( n ) ] et remplaons p par la
valeur tire de lquation de Wiener-Hopf (28.178) : p = R xx h opt .
Il vient immdiatement :
h ( n + 1 ) = h ( n ) + R xx [ h opt h ( n ) ]
Equ(28.197)
Dfinissons le vecteur de dsalignement c ( n ) correspondant lcart entre le jeu de paramtres en cours et celui de loptimum :
c ( n ) = h opt h ( n )
On peut r-crire (28.197) :
h ( n + 1 ) = h ( n ) + R xx c ( n )
P. NAYMAN
Master CMI
389
Equ(28.198)
Equ(28.199)
De (28.198) : c ( n + 1 ) = h opt h ( n + 1 ) Puis en retranchant (28.198) :

c ( n + 1 ) c ( n ) = h ( n ) h ( n + 1 ) et finalement :
c ( n + 1 ) = ( I R xx )c ( n )
Equ(28.200)
Utilisons la dcomposition spectrale de la matrice de corrlation en fonction de ses valeurs

propres et vecteurs propres. Cette dcomposition est donne par (28.21) :
n
R xx = QQ
i qi qi
i=0
o Q est la matrice unitaire de la transformation et est la matrice diagonale des valeurs

propres.
H
En remplaant la valeur de R xx = QQ dans (28.200), on obtient :

H
c ( n + 1 ) = ( I QQ )c ( n )
Multiplions les deux membres de (28.201) par Q

H
Equ(28.201)
H
Q c ( n + 1 ) = ( I QQ )Q c ( n ) = ( I )Q c ( n )
Posons :
H
v(n) = Q c(n)
Equ(28.202)
v ( n + 1 ) = ( I )v ( n )
Equ(28.203)
alors :
et en tenant compte de (28.12) :
H
v ( n ) = Q [ h opt h ( n ) ]
Equ(28.204)
Lquation (28.17) scrit sous la forme :

1 0
v(n + 1) =
0
0
0
1 1
0
0
0
0
0 1 N
v(n)
Lquation (28.203) fait apparatre les modes propres de lalgorithme du gradient.

Lalgorithme converge lorsque v ( n ) 0 pour n .
Ecrivons successivement les diffrentes valeurs de v ( n ) pour un mode particulier i :
v i ( 1 ) = ( 1 i )v i ( 0 )
v i ( 2 ) = ( 1 i )v i ( 1 )
v i ( n ) = ( 1 i )v i ( n 1 )
Faisons le produit de ces n quations :

n
v i ( n ) = ( 1 i ) v i ( 0 )
Equ(28.205)
pour i = 0, 1, , L 1
Les diffrentes composantes convergent condition que :
1 i < 1
Equ(28.206)
Si max est la valeur propre maximale, on peut r-crire (28.206) :

2
0 < < ----------- max
Equ(28.207)
Cette condition est suffisante pour assurer la convergence et la stabilit de lalgorithme du

gradient dterministe.
P. NAYMAN
Master CMI
390
Maintenant il est intressant de connatre la vitesse de convergence de lalgorithme du gradient dterministe.

Comme le montre lquation (28.205) la convergence du vecteur i suit une loi gomtrique.
Chacune de ces courbes peut tre approche par une enveloppe exponentielle dont la constante de
temps est i :
1
1 i = exp ----
i
Equ(28.208)
1
i = ------------------------------ln ( 1 i )
Equ(28.209)
On peut extraire i :
i reprsente le nombre ditrations ncessaires pour que lamplitude du mode v i ( n ) d-
croisse dun facteur e par rapport la valeur initiale v i ( 0 ) . Ce qui revient crire :
v i ( n ) = v i ( 0 )e
n
---i
Equ(28.210)
Comme i est gnralement trs infrieur 1, on peut, dans ce cas, utiliser lapproximation
1
1 i 1 ---- soit :
i
1
i -----------2i
Equ(28.211)
On peut galement, choisir le pas dadaptation, en tenant compte du mode le plus grand :
= ----------- max
Equ(28.212)
avec 0 < < 2 . Ce paramtre garantit la convergence de lalgorithme du gradient.

Le temps i est compris dans lintervalle [ min, max ] :
1
1
-------------------------------------- i ------------------------------------ln ( 1 max )
ln ( 1 min )
Equ(28.213)
Une grande valeur propre de la matrice de corrlation R xx donnera une vitesse de convergence plus rapide quune valeur propre plus petite. Une matrice de corrlation mal conditionne
(avec des valeurs propres trs disperses) peut donner des temps de convergence galement trs
disperss. (Voir Exemple 2, page 393.).
Remarque : Les courbes qui permettent dtudier la variation moyenne de lerreur quadratique sont souvent appeles courbes dapprentissages. Par exemple, la courbe J ( n ) en fonction
du nombre ditration est une courbe dapprentissage.
28.15.2.1 Exemple 1
Reprenons lexemple du signal bruit 28.14.1. et utilisons lalgorithme du gradient dterministe pour trouver la solution optimale.
Lquation de Wiener-Hopf R xx h opt = p tait donne par :
1+
a
a
1+
h(0) = 1
h(1)
a
On suppose que les paramtres suivants sont utiliss :

= 0, 5 et a = 0, 35 avec un vecteur h initial : h
P. NAYMAN
Master CMI
391
= [ 1 1 ] . Lalgorithme du gradient
dterministe, suivant, est bas sur lquation (28.194) : h ( n + 1 ) = h ( n ) + [ p R xx h ( n ) ] avec un

pas dadaptation = 0, 01 .
Le programme MATLAB suivant permet de trouver la solution optimale de cet exemple.
clear all;
alpha=-0.5;
a=-0.75;
% Matrice d'auto corrlation
R=[1+alpha^2 a;a 1+alpha^2];
% Matrice d'inter corrlation
p=[1;a];
mu=0.01;
% Pas
h=[-1;-1]; % Vecteur initial
H=h;
k=1000;
% Itration
for n=1:k
h=h+mu*(p-R*h);
H=[H,h];
end
plot(H(1,1:k),H(2,1:k));
xlabel('h0')
ylabel('h1')
50
-0.1
-0.2
-0.2
-0.3
-50
-0.6
h1
h1
-0.5
Dsalignement (dB)
-0.4
-0.4
-0.6
-0.8
-0.7
-0.8
-1
-100
-150
-200
-250
-0.9
-300
-1.2
-1
-1.1
-1
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
-1.4
-1
-350
-0.8
-0.6
-0.4
-0.2
0.2
0.4
0.6
0.8
100
200
300
400
500
Itration
600
700
800
900
1000
h0
h0
Figure 28.21 : Convergence des paramtres du filtre, gauche = 0, 01 , au centre = 0, 8 et droite

dsalignement normalis pour = 0, 8
La figure 28.21 (gauche) montre h ( 1 ) = f ( h ( 0 ) ) . Au dpart les 2 paramtres sont [-1 -1]
et leur valeur finale [0.6791 -0.1958]
La figure 28.21 (centre) montre le mme algorithme avec un pas dadaptation = 0, 8 .
Dans ce cas la convergence est trs rapide mais la prcision sur les paramtres cherchs est plus
faible : [0.6875;-0.1875].
La figure 28.21 (droite) montre la variation du dsalignement normalis
2
h h opt
c = 10 log --------------------------- en fonction du nombre ditrations. Dans ce cas la convergence est trs ra2
h opt
hh
opt
- = 0, 00025 .
pide, par exemple la dixime itration --------------------------2
h opt
La figure 28.22 montre la courbe de lerreur quadratique moyenne correspondant cet

exemple.
P. NAYMAN
Master CMI
392
Figure 28.22 : Courbe de lerreur quadratique moyenne

Le programme MATLAB suivant permet de tracer la courbe de lerreur quadratique
moyenne.
Ce
programme
est
bas
sur
lquation
(28.186) :
T
J ( h ) = J ( h opt ) + ( h h opt ) R xx ( h h opt ) .

clear all;
alpha=-0.5;
a=-0.75;
R=[1+alpha^2 a;a 1+alpha^2];
p=[1;a];
Jopt=1;
% Erreur min
hopt=R\p;
% Filtre optimal de Wiener
[V,L]=eig(R);
% Vecteurs propres et valeurs propres de R
h1=[(hopt(1)-4):0.1:(hopt(1)+4)]; % Points pour h1
h2=[(hopt(2)-4):0.1:(hopt(2)+4)]; % Points pour h2
K=length(h1);
for i=1:K
for j=1:K
Jm(j,i)=Jopt+([h1(i);h2(j)]-hopt)'*R*([h1(i);h2(j)]-hopt);
end
end
figure
surf(h1,h2,Jm);
xlabel('h0');
ylabel('h1');
zlabel('J(h1,h2)');
28.15.2.2 Exemple 2
On considre la matrice dauto corrlation R xx = 2 1 ainsi que la matrice dinter corr1 2
lation p = 6 .
4
On dsire vrifier la manire dont lalgorithme du gradient dterministe converge en fonction du pas choisi.
Calculons dans un premier temps, les valeurs propres ainsi que les vecteurs propres de la
P. NAYMAN
Master CMI
393
matrice R .
Lquation caractristique est telle que :
2
2 1
= 0 soit ( 2 ) 1 = 0
1 2
1 = 1 et 1 = 3 sont les racines de cette quation. Il existe donc 2 vecteurs propres
associs :
2 1 q 11 = q 11 et
1
1 2 q 12
q 12
2 1 q 21 = q 21
1
q 22
1 2 q 22
Cet ensemble conduit aux rsultats suivants :

q1 =
2 1 et q 2 =
1
2 1 (normaliss).
1
Evaluons maintenant la vitesse de convergence de lalgorithme.

Le programme MATLAB suivant calcule, en parallle, les coefficients de deux filtres h 1 et
h 2 par lquation (28.194) : h ( n + 1 ) = h ( n ) + [ p R xx h ( n ) ] pour deux valeurs de :
1
1
1 = --- et 2 = --- .
6
3
H
Les modes v 1 et v 2 sont calculs par lquation (28.204) : v ( n ) = Q [ h opt h ( n ) ]

1
Dans ce cas, h opt = R xx p est le filtrage optimal au sens de Wiener et Q est la matrice
contenant les vecteurs propres q 1 et q 2 :
Q =
2 1 1 .
1 1
Les constantes de temps des modes sont calcules en utilisant lquation (28.209) :
1
i = -------------------------------ln ( 1 i i )
i correspondant aux 2 valeurs propres prcdentes (1 et 3).
clear all;
hinit=[0;0];
N=50;
% Valeurs initiales pour l'itration

% Nombre d'itrations
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
R=[2 1; 1 2];
p=[6;4];

hopt=R\p;
% Filtre optimal de Wiener
[V,L]=eig(R);
lambda=diag(L);
mu1=1/3;
mu2=1/6;
%
%
%
%
Vecteurs propres et valeurs propres de R

2x1 : vecteur contenant les valeurs propres
Pas pour le premier filtre
Pas pour le second filtre
h1=zeros(length(hinit),N);
P. NAYMAN
Master CMI
394
h1(:,1)=hinit;
h2=zeros(length(hinit),N);
h2(:,1)=hinit;
for n=1:N-1
h1(:,n+1)=h1(:,n)+mu1*(p-R*h1(:,n));
h2(:,n+1)=h2(:,n)+mu2*(p-R*h2(:,n));
end
v1=V'*(h1-hopt*ones(1,N));
v2=V'*(h2-hopt*ones(1,N));
tau1=-1./log(1-mu1*lambda);
tau2=-1./log(1-mu2*lambda);
figure
plot(0:N-1,log(v1(1,:)),'b'); hold on;
plot(0:N-1,log(v1(2,:)),'b-.');
plot(0:N-1,log(v2(1,:)),'r');
plot(0:N-1,log(v2(2,:)),'r-.');
grid on
zoom on
axis([0 6 -1 1]);
plot(tau1(1),log(v1(1,1))-1,'r-o');
plot(tau1(2),log(v1(2,1))-1,'r-v');
plot(tau2(1),log(v2(1,1))-1,'r-s');
plot(tau2(2),log(v2(2,1))-1,'r-*');
legend(sprintf('\\mu=1/3, v coupl avec \\lambda=%d : \\tau_1 = 2.5 (calcul : %3.2f)',lambda(1),tau1(1)),...
sprintf('\\mu=1/3, v coupl avec \\lambda=%d : \\tau_1 = 0
(calcul
: %3.2f)',lambda(2),tau1(2)),...
sprintf('\\mu=1/6, v coupl avec \\lambda=%d : \\tau_1 = 5.5 (calcul
: %3.2f)',lambda(1),tau2(1)),...
sprintf('\\mu=1/6, v coupl avec \\lambda=%d : \\tau_1 = 1.45 (calcul : %3.2f)',lambda(2),tau2(2)),1);
xlabel('itration n');
ylabel('ln(v(n))');
=1/3, v coupl avec =1 : 1 = 2.5 (calcul : 2.47)
0.8
=1/3, v coupl avec =3 : 1 = 0
(calcul : 0.00)
0.6
0.4
ln(v(n))
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
3
itration n
Figure 28.23 : Vitesse de convergence en fonction du pas et des valeurs propres

On remarque bien que la convergence est dautant plus rapide que la valeur propre est
P. NAYMAN
Master CMI
395
grande. La valeur calcule par la formule (28.209) est assez proche de la valeur thorique obtenue
en considrant une attnuation dun facteur e.
28.16. Lalgorithme du gradient stochastique ou LMS ( Least Mean

Square )
Lalgorithme du gradient dterministe est bas sur la rsolution de lquation (28.194) :
h ( n + 1 ) = h ( n ) + [ p R xx h ( n ) ] . Cette quation ncessite la connaissance de la quantit dterministe p R xx h ( n ) . Lorsque les donnes sont alatoires, le gradient est galement alatoire et il est
ncessaire davoir une mthode stochastique pour valuer les fonctions de corrlation p et R xx .
Lalgorithme du gradient stochastique est donc une approximation de l'algorithme du gradient dterministe. Il savre que lalgorithme du gradient stochastique est trs facile mettre en
oeuvre et de ce fait lun des plus utilis.
Lune des difficults mathmatiques qui vont suivre est de montrer que les approximations
proposes permettent lalgorithme du gradient stochastique de converger rapidement.
Les estimes des fonctions de corrlation sont les plus simples possibles, elles consistent
considrer les fonctions de corrlation instantanes :
T
R
xx = x ( n )x ( n )
p = x ( n )y ( n )
Equ(28.214)
Equ(28.215)
Lquation de base du gradient (28.194) devient alors :

h( n )]
h ( n + 1 ) = h ( n ) + [ p R
xx
Equ(28.216)
introduisant (28.214) et (28.215) dans (28.216) on obtient :

T
h ( n + 1 ) = h ( n ) + [ x ( n )y ( n ) x ( n )x ( n ) h ( n ) ] = h ( n ) + x ( n ) [ y ( n ) x ( n ) h ( n ) ]
T
Dautre part on remarquera que [ y ( n ) x ( n ) h ( n ) ] nest autre que le signal derreur donn
T
par lquation (28.170) : e = y x h

En remplaant cette valeur dans lquation, on trouve lquation de base de lalgorithme
LMS.
Equ(28.217)
h ( n + 1 ) = h ( n ) + x ( n )e ( n )
Comme les variables de base sont alatoires, h ( n ) est galement une variable alatoire.
Identifions (28.192) et (28.217), on trouve immdiatement la valeur du gradient :
Equ(28.218)
g ( n ) = 2e ( n )x ( n )
Si le filtre possde k coefficients, lalgorithme du gradient stochastique ncessitera 2k + 1
multiplications et 2k additions chaque itration.
28.16.1. Conditions de convergence de lalgorithme du gradient stochastique

Comme les processus obtenus sont alatoires, la convergence de lalgorithme du gradient
stochastique est tudie en analysant la valeur moyenne des coefficients h ( n ) ou encore en tudiant la valeur de lerreur quadratique J ( n ) :
P. NAYMAN
Master CMI
lim { E [ h ( n ) ] } = h opt
n
Equ(28.219)
lim { J ( n ) } = constante
n
Equ(28.220)
396
28.16.1.1 Convergence des paramtres du filtre

Reprenons lquation de base de lalgorithme (28.217) : h ( n + 1 ) = h ( n ) + x ( n )e ( n )
Remplaons e ( n ) par sa valeur (28.170) :
T
h ( n + 1 ) = h ( n ) + x ( n ) [ y ( n ) x ( n )h ( n ) ] = [ I x ( n )x ( n ) ]h ( n ) + y ( n )x ( n )
Puis en prenant lesprance mathmatique des deux membres, il vient :

T
E { h ( n + 1 ) } = E { [ I x ( n )x ( n ) ]h ( n ) } + E { y ( n )x ( n ) }
On notera que E { y ( n )x ( n ) } = p et comme les donnes sont indpendantes des coefficients

du filtre ;
Equ(28.221)
E { h ( n + 1 ) } = [ I R xx ]E { h ( n ) } + p
Soustrayons h opt aux deux membres de (28.221) et remplaons p par sa valeur
( p = R xx h opt ) :
E { h ( n + 1 ) } h opt = [ I R xx ]E { h ( n ) } + R xx h opt h opt
Comme h opt est dterministe alors h opt = E { h opt }

E { h ( n + 1 ) h opt } = [ I R xx ] [ E { h ( n ) } h opt ]
La quantit h ( n + 1 ) h opt = c ( n ) est le vecteur de dsalignement :

E { c ( n + 1 ) } = [ I R xx ]E { c ( n ) }
Equ(28.222)
Utilisons la dcomposition spectrale de la matrice de corrlation en fonction de ses valeurs

propres et vecteurs propres. Cette dcomposition est donne par (28.21) :
n
R xx = QQ
i qi qi
i=0
o Q est une matrice unitaire et est la matrice diagonale des valeurs propres.
Introduisons cette valeur dans (28.222) :
H
E { c ( n + 1 ) } = [ I QQ ]E { c ( n ) }
Multiplions les deux membres de (28.223) par Q

H
Equ(28.223)
:
E { Q c ( n + 1 ) } = [ I ]E { Q c ( n ) } puis en posant v ( n ) = Q c ( n ) :
E { v ( n + 1 ) } = [ I ]E { v ( n ) }
Equ(28.224)
Lquation (28.224) fait apparatre les modes propres de lalgorithme du gradient.

Lalgorithme converge lorsque v ( n ) 0 pour n .
Ecrivons successivement les diffrentes valeurs de v ( n ) pour un mode particulier i :
v i ( 1 ) = ( 1 i )v i ( 0 )
v i ( 2 ) = ( 1 i )v i ( 1 )
v i ( n ) = ( 1 i )v i ( n 1 )
Faisons le produit de ces n quations :

n
v i ( n ) = ( 1 i ) v i ( 0 )
Equ(28.225)
pour i = 0, 1, , L 1
Les diffrentes composantes convergent condition que :
1 i < 1
Equ(28.226)
Si max est la valeur propre maximale, on peut r-crire (28.206) :
P. NAYMAN
Master CMI
397
2
0 < < ----------- max
Equ(28.227)
Cette condition est suffisante pour assurer la convergence et la stabilit de lalgorithme du

gradient stochastique.
28.16.1.2 Convergence de lerreur

Le
signal
derreur
de
lalgorithme
stochastique
est
donne
par
lquation
(28.170) : e = y x h
T
Ajoutons et retranchons la quantit x ( n )h opt au signal derreur :

T
e ( n ) = y ( n ) x ( n )h ( n ) x ( n )h opt + x ( n )h opt = y ( n ) x ( n )h opt x ( n ) [ h ( n ) h opt ]

T
e ( n ) = e min x ( n )c ( n )
Equ(28.228)
avec e min = y ( n ) x ( n )h opt lerreur minimale et c ( n ) = h ( n ) h opt le vecteur de dsalignement.

Lquation
de
base
du
gradient
stochastique
est
donne
par
(28.217) :
h ( n + 1 ) = h ( n ) + x ( n )e ( n )
En remplaant dans cette quation le vecteur erreur e ( n ) par sa valeur donne par (28.228) :
T
h ( n + 1 ) = h ( n ) + x ( n ) ( e min x ( n )c ( n ) )
En soustrayant h opt aux deux membres de lquation prcdente, on peut faire apparatre
le vecteur de dsalignement c ( n ) = h ( n ) h opt :
T
c ( n + 1 ) = [ I x ( n )x ( n ) ]c ( n ) + x ( n )e min
Equ(28.229)
T
Calculons la matrice de corrlation K ( n + 1 ) = E [ c ( n + 1 )c ( n + 1 ) ] en tenant compte que

E [ xe min ] = 0 (selon le principe d'orthogonalit) :
2
K ( n + 1 ) = ( I R xx )K ( n ) ( I R xx ) + J min R xx
Equ(28.230)
Lquation (28.230) porte le nom dquation dadaptation.
avec J min = J ( h opt ) = E e min lerreur quadratique minimale.
Reprenons lquation de lerreur quadratique moyenne J ( n ) = E { e ( n ) } . Cette erreur peut

se mettre, laide (28.228), et compte-tenu du principe dorthogonalit, sous la forme :
T
T
J ( n ) = E [ e min x ( n )c ( n ) ] [ e min x ( n )c ( n ) ]
Equ(28.231)
2
T
T
= E e min + E { c ( n )x ( n )x ( n )c ( n ) }
= J min + E { c ( n )x ( n )x ( n )c ( n ) }
T
Evaluons maintenant la quantit scalaire E { c ( n )x ( n )x ( n )c ( n ) } de (28.231), en remarquant que la trace dun scalaire est gale ce scalaire :
P. NAYMAN
Master CMI
398
E { c ( n )x ( n )x ( n )c ( n ) } = E { tr [ c ( n )x ( n )x ( n )c ( n ) ] }
T
Equ(28.232)
= tr { E [ x ( n )x ( n )c ( n )c ( n ) ] }
T
= tr { E [ x ( n )x ( n ) ]E [ c ( n )c ( n ) ] }
= tr { R xx K ( n ) }
T
Avec K ( n ) = E [ c ( n )c ( n ) ] .
Puis en substituant (28.232) dans (28.231) on peut mettre lerreur quadratique sous la forme
suivante :
J ( n ) = J min + tr { R xx K ( n ) }
Equ(28.233)
Cette quation montre que quelque soit n, lerreur quadratique moyenne est la somme de
deux composantes qui sont lerreur minimale J min et un terme volutif qui dpend de la matrice
K ( n ) . Ce dernier terme est toujours positif et vient sajouter J min :
J ex = J ( n ) J min = tr { R xx K ( n ) }
Equ(28.234)
Daprs (28.202) : v ( n ) = Q c ( n ) on en dduit que :

c ( n ) = Qv ( n )
Equ(28.235)
A laide de (28.234) et (28.235) on crire J ex sous la forme :
T
J ex = tr R xx E [ c ( n )c ( n ) ]
T
T
= tr R xx E [ Qv ( n )v ( n )Q ]
T
T
= E tr [ R xx Qv ( n )v ( n )Q ]
T
T
= E tr [ v ( n )Q R xx Qv ( n ) ]
Comme R xx = QQ on tire facilement = Q R xx Q :

T
J ex = E { tr [ v ( n ) ( v ( n ) ) ] }
Equ(28.236)
L1
i E [ vi ( n )
i=0
Lquation prcdente sappuie sur la dcomposition spectrale (28.21).

2
Posons ( n ) = E [ v i ( n ) ] lerreur quadratique moyenne de v i ( n ) .

Les valeurs propres de la matrice de corrlation R xx sont bornes, soit min et max les
valeurs limites infrieure et suprieur, alors :
min i max i
Equ(28.237)
min ( n ) J ex max ( n ) n
Equ(28.238)
et :
De cette quation dcoule :
J ex ( n )
J ex ( n )
--------------- ( n ) -------------- n
min
max
Equ(28.239)
Lquation (28.239) montre que la valeur quadratique moyenne ( n ) est borne dune part
P. NAYMAN
Master CMI
399
J (n)
J (n)
min
max
ex
ex
- et dautre part par -------------- et que celle-ci dcrot comme J ex ( n ) lorsque le nombre ditpar --------------
rations augmente.
Reprenons
lquation
dadaptation
(28.230) :
K ( n + 1 ) = ( I R xx )K ( n ) ( I R xx ) + J min R xx
T
Dans cette quation, si lon ralise la transformation suivante K ( n ) Q K ( n )Q = Z ( n )

T
alors R xx Q R xx Q = et (28.230) devient :

2
Z ( n + 1 ) = ( I )Z ( n ) ( I ) + J min
Equ(28.240)
Maintenant considrons les lments diagonaux de la matrice Z ( n ) :

2
z i ( n + 1 ) = ( 1 i ) z i ( n ) + J min i
Equ(28.241)
2
Lquation itrative (28.241) converge si le terme 1 i < 1, i

Lalgorithme du gradient stochastique converge en moyenne quadratique si :
2
0 < < ----------- max
Equ(28.242)
Reconsidrons lquation (28.241) lorsque n :

2
z i ( ) = ( 1 i ) z i ( ) + J min i
Equ(28.243)
J min
z i ( ) = ----------------- i
2 i
Equ(28.244)
Soit :
Reprenons (28.234) : J ex = J ( n ) J min = tr { R xx K ( n ) } et considrons la factorisation

R xx = QQ
et comme Z ( n ) = Q T K ( n )Q :
T
J ex = tr { QQ K ( n ) } = tr { Q K ( n )Q } = tr { Z ( n ) }
Equ(28.245)
Comme est une matrice diagonale dont les lments sont z i ( n ) :

k
J ex ( n ) =
i z i ( n )
Equ(28.246)
i=1
Considrons J ex ( n ) lorsque n :
k
J ex ( ) =
i zi ( )
et en utilisant (28.244) :
i=1
k
J ex ( ) =
i=1
J min
i ----------------- = J min
2 i
2--------------- i
i=1
Comme J ex = J ( n ) J min
limJ ( n ) = J ( ) = J ex ( ) + J min
n
- = constante
= J min 1 + ---------------
2 i
i=1
Equ(28.247)
et si est petit alors :

k
-J ( ) = J min 1 + i = constante
i=1
P. NAYMAN
Master CMI
400
Equ(28.248)
28.16.1.3 Le dsalignement
Le dsalignement est un paramtre qui permet de mesurer comment lalgorithme du gradient statistique se rapproche de loptimum. Lquation (28.249) dfinit ce paramtre.
J ex ( )
c = ----------------J min
Equ(28.249)
Lorsque est petit, on peut utiliser (28.248) pour dfinir J ( ) :
c = --2
Equ(28.250)
i=1
k
Comme
= tr [ R xx ] , lquation (28.250) peut scrire :
i=1
c = --- tr [ R xx ]
2
Equ(28.251)
Dautre part, la trace de R xx comporte k coefficients (correspondant au nombre de coefficients du filtre). Comme la matrice de corrlation R xx est une matrice de Toeplitz (tous les lments sur la diagonale sont gaux) R xx ( 0 ) alors :
2
tr [ R xx ] = k R xx ( 0 ) = k xx
Equ(28.252)
2
max
Pour choisir correctement le pas compte-tenu de (28.242) : 0 < < ------------ , il est possible
de faire le choix suivant :
tr [ R xx ] > max
Equ(28.253)
Mais en combinant (28.242) et (28.252) et (28.253), on obtient :

2
0 < < --------------2
k xx
Equ(28.254)
Ce choix garantit la convergence de lalgorithme.
28.16.1.4 Les constantes de temps

Afin de dterminer la vitesse de convergence de lalgorithme stochastique, dfinissons dans
un premier temps le concept de valeur propre moyenne :
k
moy
1
= --k
Equ(28.255)
i=1
Si lon considre que lerreur quadratique moyenne (courbe dapprentissage) une dcroissance exponentielle, on peut alors utiliser le rsultat obtenu pour lalgorithme du gradient dterministe (28.211) pour dfinir une constante de temps moyenne :
1
mq ------------------2 moy
Equ(28.256)
En combinant (28.250) et (28.255) on trouve :

k moy
c = ------------------2
Equ(28.257)
k
c = -----------4 mq
Equ(28.258)
Ces dernires quations permettent dobserver que la valeur du dsalignement est :

P. NAYMAN
Master CMI
401
proportionnelle la longueur du filtre k ,

inversement proportionnelle la constante de temps de con ver vergence,
proportionnelle au pas (28.257), mais par contre un pas faible conduit une constante
de temps de convergence leve (28.256), ce qui est contradictoire !
28.16.2. Exemple
1
0, 5z
On considre un filtre dont le gain est donn par G ( z ) = --------------------------------2- . Le signal en entre
1
( 1 0, 5z )
du filtre est un bruit avec une distribution uniforme dont la valeur moyenne est E [ x ] = 0, 6 et la
2
variance = 0, 2 . On cherche retrouver les coefficients du filtre partir de sa sortie en utilisant

lalgorithme du gradient stochastique (LMS). Le problme est rsolu en utilisant MATLAB.
Une table des transformes en z donne la rponse impulsionnelle du filtre
n
h ( n ) = 0, 5 0, 5 .
La sortie du filtre est le produit de convolution du signal dentre par sa rponse impulsionnelle.
y ( n ) = [ E ( x ) + b bruit ]*h ( n ) o bruit est une squence de bruit uniforme.
Le programme MATLAB suivant utilise les donnes prcdentes et calcule les coefficients
du filtre en appliquant lquation de base (28.217) : h LMS ( n + 1 ) = h LMS ( n ) + x ( n )e ( n ) . Le siT
gnal derreur e ( n ) est valu laide de lquation (28.170) : e = y x h LMS

h=0.5*(0.5.^[0:4]);
% Rponse impulsionnelle du filtre
Varb=0.2;
Moyb=0.6;
x=Moyb+sqrt(Varb)*randn(1000,1);% Le signal d'entre est un bruit
y=conv(h,x);
% Signal de sortie filtr
M=5;
%Longueur du filtre
mu=0.1;
% Pas de l'algorithme
hlms=zeros(M,1);
% Coefficients initiaux du filtre=0
N=length(u);
% Longueur du signal d'entre
%x et y doivent tre des vecteurs colonnes
x=x(:);
y=y(:);
%L'algorithme LMS
for n=M:N
xvec=x(n:-1:n-M+1);
% Recadrage de x
e(n)=y(n)-hlms'*xvec;
% Calcul de l'erreur
hlms=hlms+mu*xvec*conj(e(n));% Equation de base du LMS
end
e=e(:);
P. NAYMAN
Master CMI
402
1.4
0.7
1.2
0.6
1.5
1
0.5
0.5
amplitude
0.8
Signal filtr
Bruit en entre
0.6
0.4
0.3
0.4
0
0.2
0.2
-0.5
0.1
-1
-0.2
100
200
300
400
500
Tem ps
600
700
800
900
1000
100
200
300
400
500
Temps
600
700
800
900
1000
1.5
2.5
3
3.5
c oeffic ient du filtre
4.5
Figure 28.24 : Signaux avant et aprs le filtre et coefficients recalculs

La figure 28.201 (droite) montre le bruit en entre, la figure du centre montre le bruit filtr
et la figure de gauche donne les paramtres du filtre donns par lalgorithme LMS. On pourra remarquer que les coefficients recalculs par lalgorithme sont bien les mmes que ceux du filtre
initial.
28.17. Le filtrage de Kalman

Le filtrage de Kalman est une extension du filtrage de Wiener. Le filtrage de Kalman permet
lestimation des variables dun systme lorsquun signal non stationnaire est noy dans un bruit.
Afin de pouvoir sadapter tous les cas de figures le filtrage de Kalman est bas sur une modlisation dynamique des quations dtat du systme. Dans le filtrage de Kalman lerreur quadratique
moyenne est minimise dune manire rcursive et incrmentale. Lestimation est ralise, en
ligne, au fur et mesure que les donnes arrivent sans reconsidrer globalement lchantillon.
On dispose dune observation y ( n ) et dun modle x ( n ) que lon cherche estimer partir
de lobservation. Le filtrage de Wiener, permet destimer le signal bruit x ( n ) lorsque le processus
dentre est stationnaire. Le filtrage de Kalman va saffranchir de cette limitation en utilisant la
thorie de la ralisation stochastique qui permet de calculer un vecteur dtat partir de fonctions
de corrlation.
28.17.1. Modlisation dans lespace dtat

La thorie de lespace dtat est bien adapte aux systmes numriques. Un systme peut
tre compltement dfini par des variables dtat. Lensemble de ces variables dtat constitue
lespace dtat.
Considrons un systme dynamique dcrit par une quation aux diffrences de la forme :
Equ(28.259)
y ( i + 1 ) = a 0 y ( i ) + a n 1 y ( i n + 1 ) + v ( i )
i0
v ( i ) tant un bruit blanc centr.
Les valeurs initiales de la variable alatoire y sont centres, soit : y ( 0 ), y ( 1 ), y ( n + 1 ) et

la fonction de corrlation P 0 = R yy [ j, k ]
j, k { 0, n 1 } est connue.
On suppose galement que le bruit v ( i ) et la variable alatoire y ne sont pas corrls :
Equ(28.260)
R vy ( i, j ) = 0
pour ( n + 1 ) j 0 et i 0
On peut crire lquation aux diffrences (28.259) sous la forme matricielle suivante :
a 0 a1
y(i + 1)
y( i)
1 0
= 0 1
x(i + 1) =
y(i 1)

y(i n + 2)
0 0
P. NAYMAN
Master CMI
a n 2 an 1
0
0

1
403
0
0
1
y(i )
0
y(i 1)
y(i 2) + 0 v(i )
0
y(i n + 1)
Equ(28.261)
Dune manire plus synthtique :

y( i) = 1 0 0 x( i)
Equ(28.262)
x ( i + 1 ) = Ax ( i ) + Gv ( i )
Equ(28.263)
Cette quation, du processus, dfinit la modlisation dun nouvel tat x ( i + 1 ) comme la
combinaison linaire, dune part de ltat prcdent et dautre part du bruit.
Lquation (28.262) scrit galement sous la forme :
Equ(28.264)
y ( i ) = H ( i )x ( i )
Cette quation, dite de la mesure, dfinit comment lobservation y ( i ) est dduite des tats
internes x ( i ) .
Cette modlisation, simple, peut tre schmatise par la figure 28.25.
Equation de la mesure
Equation du processus
v( i )
x(i)
y( i )
H(i)
Observation
Bruit
A
Figure 28.25 : Modlisation simple par variables dtat
28.17.2. La conception de lobservation

La difficult dans la conception de lobservation y ( i ) (28.264) rside dans le fait quil faut
estimer les tats internes x ( i ) . Lapproche dun tel problme est bas sur le concept despace
dtat.
Pour cela on utilise nouveau un modle bas sur une quations aux diffrences :
Equ(28.265)
x ( k + 1 ) = Ak + 1 x ( k ) + Bk u ( k ) + Gk w ( k )
w ( k ) est une variable alatoire reprsentant le bruit du processus.
La matrice A permet de dfinir le vecteur dtat x linstant k partir du vecteur dtat

linstant k 1 , cette matrice est appele matrice de transition.
u ( k ) est un signal dterministe qui reprsente, par exemple, le vecteur dtat dune commande (trs utilis en automatisme).
Dune manire gnrale, le modle de la mesure peut scrire :
Equ(28.266)
y ( k ) = C ( k )x ( k ) + v ( k )
v ( k ) est une variable alatoire reprsentant le bruit au niveau de la mesure.
La matrice C permet de dfinir le vecteur dtat y .
Remarque : Pour allger les calculs des paramtres du filtre de Kalman on considrera, par
la suite, lquation aux diffrences suivante :
Equ(28.267)
x ( k + 1 ) = Ak + 1 x ( k ) + w ( k )
On supposera que les bruits v ( k ) et w ( k ) ne sont pas corrls (cette hypothse nest pas
obligatoire, mais simplifie les calculs) et sont tels que :
E [ w ( k ) ] = E [ v ( k ) ] = 0 On suppose que les bruits sont moyenne nulle.
T
E [ w ( n )w ( k ) ] = R w ( n ) ( n k ) fonction dauto corrlation de w ( k ) .

T
E [ v ( n )v ( k ) ] = R v ( n ) ( n k ) fonction dauto corrlation de v ( k ) .
P. NAYMAN
Master CMI
404
28.18. Le filtre de Kalman discret

Les diffrents tats dcrivant les modles ne sont pas a priori connus, cest le cas, par
exemple, des tats internes du systme ( x ( k ) ).
Le processus x ( k ) doit donc tre estim.
On cherche un estimateur optimal x ( i k ) de x ( i ) bas sur les k prcdents tats du systme.
Selon la valeur de i par rapport k on distinguera 3 cas :
i = k il sagit de filtrage optimal, on a accs aux vecteurs dtats prcdents et courant,
i > k il sagit de prdiction optimale, on connat les valeurs dtats passes et lon
dsire prdire une valeur future,
i < k il sagit de lissage (ou dinterpolation), dans ce cas on cherche une valeur entre 2
instants de mesure.
Le filtre de Kalman va rechercher la meilleur estimation x de x au sens de la variance
conditionnelle minimale. Dans le cas ou les bruits et la condition initiale sont gaussiens, lestimation devient optimale au sens de la variance conditionnelle.
28.18.1. Le principe dorthogonalit revisit [25]

Considrons 2 vecteurs alatoires X et Y dont les valeurs moyennes sont respectivement
E [ X ] et E [ Y ] .
Considrons la matrice de corrlation entre X et Y suivante :
Cov ( XY ) =
R XX R XY
R YX R YY
On suppose que lestim de X est non biais, cest dire que la valeur moyenne de lerreur
destimation est nulle : E [ X ] = 0 sachant que X = X X .
En vertu du principe dorthogonalit (Voir Le principe dorthogonalit, page 384.) lestimation au sens des moindres carrs est telle que lerreur est orthogonale la mesure :
T] = 0
YT ] = 0 , E [ X
X
E[X
Equ(28.268)
On cherche maintenant trouver lestimateur linaire qui peut se mettre sous la forme :
X = AY + B . On peut choisir A et B de manire minimiser la variance de lerreur destimation.

Dans ce cas, lestimateur est optimal et se met sous la forme :
= A Y+B
Equ(28.269)
X
0
0
Dans un premier temps prenons lesprance mathmatique de (28.269) :
] = A E [ Y ] + B comme E [ X
] = E [ X ] alors :
E[X
0
0
B0 = E [ X ] A0 E [ Y ]
Equ(28.270)
Pour trouver les valeurs de A 0 et B 0 , repartons de la quantit minimiser :

2 ] = E [ X AY B 2 ]
E[ X X
T
= E [ [ X AY B ] [ X AY B ] ]
T
= E { XX + XAY XB A YX + AYA Y + AYB BX + BAY + BB }
En
T
notant
que :
E [ XX ] = R XX ,
T
E [ AYA Y ] = ARYY A , E [ BB ] = B c
E [ XAY ] = AR
XY ,
E [ AYX ] = R XY A
les autres quantits tant nulles.
T
T
T
2
2] = R
E[ X X
XX AR XY R XY A + AR YY A + B c
De
lquation
P. NAYMAN
Master CMI
(28.271)
considrons,
405
dans
un
premier
Equ(28.271)
temps
lexpression
T
T
T
2] B 2 = R
E[ X X
c
XX AR XY R XY A + AR YY A , ajoutons et retranchons au second
1
membre la quantit R XY R YY R
XY
de manire complter le carr :
T
T
T
T
T
1
1
2] B 2 = R
E[ X X
Equ(28.272)
c
XX AR XY R XY A + AR YY A + R XY R YY R XY R XY R YY R XY
1
= R XX R XY R YY R
XY
+ [ A RXY R YY ]R YY [ A R XY R YY ]
La quantit A = A 0 qui minimise la variance de lerreur est dans ce cas :

1
Equ(28.273)
A 0 = R XY R YY
Puis en combinant (28.270) et (28.273) :

1
B 0 = E [ X ] R XY R YY E [ Y ]
Equ(28.274)
Si lon prend en compte les vecteurs centrs, alors : E [ X c ] = AE [ Y c ] + Bc ce qui conduit

Bc = 0 .
Dans ce cas, la variance de lerreur minimale est daprs (28.272) :
T
1
2] = R
E[ X X
XX R XY R YY R XY
Equ(28.275)
En entrant (28.273) et (28.274) dans (28.269) on trouve lestimateur optimal cherch :

= A Y+B
X
0
0
=
1
R XY R YY Y
Equ(28.276)
+ E[X ]
1
R XY R YY E [ Y ]
= E [ X ] + R XY R YY [ Y E [ Y ] ]
Lestimateur linaire A 0 Y + B 0 est sans biais, en effet la quantit E [ X X ] = 0 , ceci dcoule directement de lquation (28.276).
Le principe dorthogonalit est bien vrifi, en effet, en reprenant (28.268) :
T] = 0
YT ] = E [ X
X
E[X
Equ(28.277)
)Y T ] = E ( X [ E [ X ] + R R 1 [ Y E [ Y ] ] ] )Y T
E[(X X
XY YY
T
)X
T } = ( X [ E [ X ] + R R 1 [ Y E [ Y ] ] ] )X
= E{(X X
XY YY
= 0
En dveloppant et en distribuant ces quations, on fait apparatre les termes E [ X E [ X ] ] et

E [ Y E [ Y ] ] qui annulent bien les 2 expressions. Lerreur destimation est bien orthogonale avec
.
Y et galement avec X
28.18.2. Le processus dinnovation

Afin de dfinir les quations du filtrage de Kalman, il est intressant de passer par le
concept de processus dinnovation (Voir Filtres dinnovation et de blanchiment, page 352.). Le
processus estimer ainsi que les observations sont des grandeurs alatoires gaussiennes ou que
lestimation optimale est limite tre une fonction linaire des observations.
Posons : Y ( n 1 ) = { y ( 1 ), y ( 2 ), y ( n 1 ) } , le vecteur qui correspond lensemble des
observations obtenues jusqu linstant n 1 . Considrons, maintenant, le vecteur :
y ( n Y ( n 1 ) ) qui reprsente lestimation, au sens de la variance minimale, de lobservation
y( n) .
P. NAYMAN
Master CMI
406
Dans ce cas le processus dinnovation correspond au vecteur suivant :

y ( n ) = y ( n ) y ( n Y ( n 1 ) )
Lerreur destimation y ( n ) les proprits suivantes :
Equ(28.278)
Daprs le principe dorthogonalit E [ y ( n )y ( k ) ] = 0 pour 1 k n 1 , lerreur destimation est orthogonale toutes les observations passes.
Les processus dinnovation sont des variables alatoires qui sont orthogonales les unes
T
des autres : E [ y ( n )y ( k ) ] = 0 pour 1 k n 1

Les processus dinnovation contiennent la mme quantit dinformation que les
squences dobservation Y ( n ) .
28.18.3. La matrice de corrlation du processus dinnovation

Reprenons lquation (28.266) : y ( k ) = C ( k )x ( k ) + v ( k ) qui dfinit le modle de la mesure.
Appliquons cette relation lestimation, au sens de la variance minimale, de lobservation
y( n) :
y ( n Y ( n 1 ) ) = C ( n )x ( n Y ( n 1 ) ) + v ( n Y ( n 1 ) )
Equ(28.279)
Selon le principe dorthogonalit lestimation du bruit de mesure v ( n Y ( n 1 ) ) = 0 en effet v ( k ) est orthogonal aux observations passes Y ( n 1 ) . Lquation (28.279) devient :
Equ(28.280)
y ( n Y ( n 1 ) ) = C ( n )x ( n Y ( n 1 ) )
En introduisant cette dernire valeur dans (28.278) :
Equ(28.281)
y ( n ) = y ( n ) C ( n )x ( n Y ( n 1 ) )
Dans lquation (28.281) remplaons y ( n ) par la valeur donne par (28.266) :
Equ(28.282)
y ( n ) = C ( n )x ( n ) + v ( n ) C ( n )x ( n Y ( n 1 ) )
= C ( n ) [ x ( n ) x ( n Y ( n 1 ) ) ] + v ( n )
= C ( n )x ( n Y ( n 1 ) ) + v ( n )
avec :
x ( n Y ( n 1 ) ) = x ( n ) x ( n Y ( n 1 ) )
lerreur entre ltat x ( n ) et la prdiction x ( n Y ( n 1 ) ) .
Equ(28.283)
Il est maintenant possible de calculer la matrice de corrlation R y y ( n ) du processus

dinnovation :
T
R y y ( n ) = E [ y ( n )y ( n ) ] en remplaant y ( n ) par la valeur donne par (28.282) :
T
R y y ( n ) = E { [ C ( n ) ( x ( n Y ( n 1 ) ) ) + v ( n ) ] [ C ( n ) ( x ( n Y ( n 1 ) ) ) + v ( n ) ] }
T
= C ( n )E { x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) }C ( n ) + E [ v ( n )v ( n ) ]
On remarquera que :
T
E { x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) } = R x est la matrice de corrlation de lerreur entre ltat
T
x ( n ) et la prdiction x ( n Y ( n 1 ) ) et E [ v ( n )v ( n ) ] = R vv ( n ) est la matrice de corrlation du
bruit dobservation.
-
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
Equ(28.284)
28.18.4. La matrice de corrlation de lerreur destimation de

lquation dtat et lquation de Riccati
Lquation dtat (28.267) x ( k + 1 ) = A k + 1 x ( k ) + w ( k ) donne ltat de x linstant k + 1
en fonction de ltat linstant k .
Lesprance mathmatique de (28.267) tend vers le prdicteur x ( k + 1 k ) si celui-ci est non
P. NAYMAN
Master CMI
407
biais :
x ( k + 1 k ) = A k + 1 x ( k k 1 )
Equ(28.285)
compte-tenu que le bruit E [ w ( k ) ] = 0 .

Evaluons maintenant lerreur destimation de x .
x ( n + 1 n ) = x ( n + 1 ) x ( n + 1 n )
En utilisant (28.267) et (28.285) :

x ( n + 1 n ) = A n + 1 x ( n ) + w ( n ) A n + 1 x ( n n 1 )
= A n + 1 [ x ( n ) x ( n n 1 ) ] + w ( n )
= A n + 1 x ( n n 1 ) + w ( n )
Calculons la fonction de corrlation de lerreur destimation x :

+
R x x ( n + 1 ) = R x = E [ x ( n + 1 n ) ( x ( n + 1 n ) ) ]
= E [ ( A n + 1 x ( n n 1 ) + w ( n ) ) ( A n + 1 x ( n n 1 ) + w ( n ) ) ]
En tenant compte que le bruit w ( n ) nest pas corrl, on obtient lquation rcursive de
Riccati :
+
R x = A n + 1 R x A n + 1 + R ww ( n )
Equ(28.286)
28.18.5. Le prdicteur de Kalman

Le processus dinnovation y ( n ) prcdemment dcrit est tel quil contient la mme information que les squences dobservation Y ( n ) . Dans ce cas, il est possible de dfinir que lestimation x ( i Y ( n ) ) est le rsultat dune combinaison linaire du processus dinnovation y ( n ) par une
certaine matrice B n que lon dterminera.
n
chaque x ( n Y ( n ) ) =
b ( k )y ( k )
= B ( k )y ( k )
k=1
et pour lensemble des estimations :

n
Bi ( k )y ( k )
x ( i Y ( n ) ) =
Equ(28.287)
k=1
Le principe dorthogonalit permet dcrire que lerreur de prdiction est orthogonale au

processus dinnovation :
T
E [ x ( i Y ( n ) )y ( m ) ] = 0 pour m = 0, 1n soit :
T
E { [ x ( i ) x ( i Y ( n ) ) ]y ( m ) } = 0
T
T
E [ x ( i )y ( m ) ] = E [ x ( i Y ( n ) )y ( m ) ] = E B i ( k )y ( k )y ( m )
k = 1
En utilisant nouveau le principe dorthogonalit entre les erreurs destimation :

T
E [ y ( n )y ( k ) ] = 0 alors :
T
E [ x ( i )y ( m ) ] = B i ( m )E [ y ( m )y ( m ) ] = B i ( m )R y y ( m )
Equ(28.288)
On en dduit immdiatement la valeur de la matrice B i ( m ) :

T
B i ( m ) = E [ x ( i )y ( m ) ]R y y ( m )
Equ(28.289)
Lestimation x ( i Y ( n ) ) au sens de la variance minimale donne par (28.287) devient,

laide de (28.289) :
P. NAYMAN
Master CMI
408
x ( i Y ( n ) ) =
1
( k ) ]R y y ( k )y ( k )
Equ(28.290)
k=1
n1
E [ x ( i )y
E [ x ( i )y
( k ) ]R y y ( k )y ( k ) + E [ x ( n )y ( n ) ]R y y ( n )y ( n )
k=1
A partir de cette quation donnant x ( i Y ( n ) ) explicitons x ( n + 1 Y ( n ) ) :

n1
x ( n + 1 Y ( n ) ) =
E [ x ( n + 1 )y
( k ) ]R y y ( k )y ( k ) + E [ x ( n + 1 )y ( n ) ]R y y ( n )y ( n )
Equ(28.291)
k=1
Reprenons lquation aux diffrences (28.267) : x ( k + 1 ) = A k + 1 x ( k ) + w ( k ) qui dfinit

ltat de x linstant k + 1 en fonction de ltat prcdent linstant k .
Explicitons la corrlation entre x ( n + 1 ) et y ( k ) en utilisant lquation aux diffrences donnant x ( n + 1 ) :
T
T
E [ x ( n + 1 )y ( k ) ] = E [ A n + 1 x ( n ) + w ( n ) ]y ( k )
Equ(28.292)
T
T
= A n + 1 E [ x ( n )y ( k ) ] + E [ w ( n )y ( k ) ]
T
= A n + 1 E [ x ( n )y ( k ) ]
On remarquera que le dernier terme est nul en vertu du principe dorthogonalit.

Reprenons le terme de sommation de lquation (28.291) et laide de (28.292) :
n1
n1
1
T
E [ x ( n + 1 )y ( k ) ]R y y ( k )y ( k ) = A n + 1
k=1
E [ x ( n )y
1
( k ) ]R y y ( k )y ( k )
k=1
Compte-tenu de (28.290) on remarquera que cette dernire quation peut se mettre sous la
forme :
n1
E [ x ( n + 1 )y
( k ) ]R y y ( k )y ( k ) = A n + 1 x ( n Y ( n 1 ) )
Equ(28.293)
k=1
En reprenant (28.291) et laide de (28.293) :

1
T
x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n 1 ) ) + E [ x ( n + 1 )y ( n ) ]R y y ( n )y ( n )
Equ(28.294)
Puis on posant :
1
T
K ( n ) = E [ x ( n + 1 )y ( n ) ]R y y ( n )
Equ(28.295)

x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n 1 ) ) + K ( n )y ( n )
Equ(28.296)
K ( n ) est le gain du prdicteur de Kalman.
Le terme A n + 1 est appel matrice de transition.

Cette quation fondamentale montre que lon peut calculer lestimation future partir de
lestimation antrieure multiplie par la matrice de transition et dun terme correctif K ( n )y ( n ) .
T
T
Reprenons lquation (28.292) : E [ x ( n + 1 )y ( n ) ] = A n + 1 E [ x ( n )y ( n ) ] et remplaons y
par lquation (28.282) : y ( n ) = C ( n )x ( n Y ( n 1 ) ) + v ( n ) :
P. NAYMAN
Master CMI
409
E [ x ( n + 1 )y ( n ) ] = A n + 1 E [ x ( n )y ( n ) ]
T
= A n + 1 E { x ( n ) [ C ( n )x ( n Y ( n 1 ) ) + v ( n ) ] }
T
Le bruit v ( n ) est orthogonal au vecteur dtat x ( n ) , soit E [ x ( n )v ( n ) ] = 0 :

T
T
T
E [ x ( n + 1 )y ( n ) ] = A n + 1 E { x ( n ) ( x ( n Y ( n 1 ) ) ) }C ( n )
Equ(28.297)
Lerreur destimation x ( n Y ( n 1 ) ) est orthogonale lestimation x ( n Y ( n 1 ) ) , la corrlation de ces deux variables est gale 0 : E [ x ( n Y ( n 1 ) )x ( n Y ( n 1 ) ) ] = 0 . Lquation
(28.297) nest pas modifie si lon remplace x ( n ) par son erreur destimation x ( n Y ( n 1 ) ) .
T
E [ x ( n + 1 )y ( n ) ] = A n + 1 E { x ( n ) ( x ( n Y ( n 1 ) ) ) }C ( n )
T
E [ x ( n + 1 )y ( n ) ] = A n + 1 R x C ( n )
-
Equ(28.298)
avec R x = E { x ( n ) ( x ( n Y ( n 1 ) ) ) } la matrice de corrlation de lerreur entre ltat x ( n )

et la prdiction x ( n Y ( n 1 ) ) .
T
Modifions lquation (28.295) du gain de Kalman K ( n ) = E [ x ( n + 1 )y ( n ) ]R y y ( n ) ,

laide de (28.298) :
K ( n ) = A n + 1 R x
n 1C
( n )R y y ( n )
Equ(28.299)
28.18.5.1 Rsum
Il est donc possible de calculer le filtre de Kalman par la squence suivante :
Le gain du filtre de Kalman est calcul par lquation (28.299) :
K ( n ) = A n + 1 R x
n 1C
( n )R y y ( n )
Le processus dinnovation y ( n ) est obtenu par lquation (28.281) :

y ( n ) = y ( n ) C ( n )x ( n Y ( n 1 ) ) .
La prdiction horizon 1 est donne par lquation (28.296) :
x ( n + 1 Y ( n ) ) = A
n + 1 x ( n Y ( n 1 ) ) + K ( n )y ( n ) .
La fonction de corrlation du processus dinnovation est donne par lquation(28.284) :
-
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
Avec :
A n + 1 la matrice de transition.
K ( n ) le gain du filtre de Kalman.
-
R x la matrice de corrlation, a priori, de lerreur entre ltat x ( n ) et la prdiction

x ( n Y ( n 1 ) ) .
C ( n ) la matrice de transition qui donne lobservation en fonction de ltat x ( n ) .

R y y ( n ) la matrice de corrlation du processus dinnovation.
28.18.6. Lquation de Riccati et lquation aux diffrences de

lerreur destimation
La matrice de corrlation R x nest pas trs simple calculer. Lquation de Riccati (28.286)
permet de simplifier ce problme en calculant cette matrice de manire itrative : R x est calcule
P. NAYMAN
Master CMI
410
en fonction de R x . Il est possible dexprimer la matrice R x en fonction dune quation aux diffrences, pour cela cherchons un estimateur x ( n Y ( n ) ) , non biais, bas sur lestimation prcdente
x ( n Y ( n 1 ) ) et sur lobservation y ( n ) . Par analogie avec lquation (28.296), posons :
Equ(28.300)
x ( n Y ( n ) ) = K' ( n )x ( n Y ( n 1 ) ) + K ( n )y ( n )
K' ( n ) est un paramtre que lon va dterminer.
K ( n ) est le gain du filtre de Kalman.
Lquation (28.283) donne lerreur de prdiction entre ltat x ( n ) et la prdiction
x ( n Y ( n ) )
Equ(28.301)
x ( n Y ( n ) ) = x ( n ) x ( n Y ( n ) )
Dans cette quation, nous allons remplacer x ( n Y ( n ) ) par lquation (28.300) :
x ( n Y ( n ) ) = x ( n ) K' ( n )x ( n Y ( n 1 ) ) K ( n )y ( n )
Tirons x ( n Y ( n 1 ) ) de lquation (28.283) et remplaons y ( n ) par lquation (28.266) :
Equ(28.302)
x ( n Y ( n ) ) = x ( n ) K' ( n ) [ x ( n ) x ( n Y ( n 1 ) ) ] K ( n ) [ C ( n )x ( n ) + v ( n ) ]
= [ I K' ( n ) K ( n )C ( n ) ]x ( n ) + K' ( n )x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) )
Daprs (28.301), si x ( n Y ( n ) ) est non biais : E [ x ( n ) ] = E [ x ( n Y ( n ) ) ]
E [ x ( n Y ( n ) ) ] = 0 .
alors
Lesprance mathmatique de (28.302) doit tre nulle, pour cela il est ncessaire que
[ I K' ( n ) K ( n )C ( n ) ] = 0 do :
Equ(28.303)
K' ( n ) = I K ( n )C ( n )
Equ(28.304)
x ( n Y ( n ) ) = [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) )
A laide de lquation (28.303), (28.300) devient :
Equ(28.305)
x ( n Y ( n ) ) = [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) + K ( n )y ( n )
= x ( n Y ( n 1 ) ) + K ( n ) [ y ( n ) C ( n )x ( n Y ( n 1 ) ) ]
Calculons la matrice de corrlation de lerreur destimation :

T
R x = E { [ x ( n Y ( n ) ) ] [ x ( n Y ( n ) ) ] }
T
= E { [ [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) ) ] [ [ I K ( n )C ( n ) ]x ( n Y ( n 1 ) ) K ( n ) ( v ( n ) ) ] }
En tenant compte que le bruit v ( n ) est non-corrl, on obtient :

-
R x = [ I K ( n )C ( n ) ]R x [ I K ( n )C ( n ) ] + K ( n )R vv ( n )K ( n )
Equ(28.306)
Cette expression peut tre rorganise de la manire suivante :

- T
T
R x = [ I K ( n )C ( n ) ]R x K ( n ) R x C ( n ) [ I K ( n )C ( n ) ] K ( n )R vv ( n )
Equ(28.307)
Le gain du filtre de Kalman est ajust de manire que la trace de la matrice de corrlation
+
R x
soit minimale :
+
tr [ R x ] = 0
K
-
En drivant (28.306) par rapport K , il vient : R x C ( n ) [ I K ( n )C ( n ) ] = K ( n )R vv ( n ) ,

cette valeur pour consquence dannuler le deuxime terme de (28.307) :
-
R x = R x [ I K ( n )C ( n ) ]
Equ(28.308)
Lquation (28.308) est lquation aux diffrences qui permet de dterminer de manire rcursive la matrice de corrlation de lerreur sur x .
P. NAYMAN
Master CMI
411
28.18.7. Le filtrage
Lopration de filtrage consiste considrer lestimation x ( n Y ( n ) ) gnr par le prdicteur horizon 1. Reprenons lquation du processus (28.267) : x ( k + 1 ) = A k + 1 x ( k ) + w ( k ) . On
peut crire :
(n Y(n ))
x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n ) ) + w
Equ(28.309)
Comme le bruit est non corrl avec les donnes observes, lestimation du bruit est gale,
selon le critre de la variance minimale, est zro. Lquation (28.309) devient :
x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n ) )
Equ(28.310)
1
En multipliant les deux termes de (28.310) par A n + 1 , il vient :

1
x ( n Y ( n ) ) = A n + 1 x ( n + 1 Y ( n ) )
Equ(28.311)
avec A n + 1 A n + 1 = I
Lestimation du signal filtr est simplement obtenu en multipliant lestimation
1
x ( n + 1 Y ( n ) ) par la matrice de transition A n + 1 .
28.18.8. Mise en oeuvre de lalgorithme de Kalman

Lalgorithme de Kalman est bas sur une prdiction horizon 1.
Pour mettre en oeuvre lalgorithme, on dispose des informations suivants :
Les observations Y ( n ) = { y ( 1 ), y ( 2 ), y ( n ) }
Les paramtres connus :
- La matrice de transition A n + 1
- La matrice C qui permet de dfinir le vecteur dtat y
- La matrice de corrlation du bruit du processus R ww ( n )
- La matrice de corrlation du bruit de mesure R vv ( n )
Les paramtres calculer pour n = 1, 2, :
- La fonction de corrlation du processus dinnovation
-
R y y ( n ) = C ( n )R x C ( n ) + R vv ( n )
- Le gain de Kalman K ( n ) = A n + 1 R x
n 1C
( n )R y y ( n )
- Le processus dinnovation y ( n ) = y ( n ) C ( n )x ( n Y ( n 1 ) )
- La prdiction horizon 1 x ( n + 1 Y ( n ) ) = A n + 1 x ( n Y ( n 1 ) ) + K ( n )y ( n )
-
- La fonction de corrlation du processus dinnovation R x = R x [ I K ( n )C ( n ) ] et

+
R x = A n + 1 R x A n + 1 + R ww ( n )
Les conditions initiales :

- x ( n Y ( n ) ) = x ( 1 Y ( 0 ) ) = E [ x ( 1 ) ]
T
- R x ( 1, 0 ) = E [ ( x ( 1 ) E [ x ( 1 ) ] ) ( x ( 1 ) E [ x ( 1 ) ] ) ] = E [ x ( 1 )x ( 1 ) ]
P. NAYMAN
Master CMI
412
Conditions initiales
x ( 1 Y ( 0 ) )
Observations
Y(n)
R x
n1
Gain de
Kalman
R x
x ( n + 1 Y ( n ) )
Prdicteur
horizon 1
Estimation du signal
filtr
1
An + 1
x ( n Y ( n ) )
K(n)
Conditions initiales
R x ( 1, 0 )
+
n1
Equation de
Riccati
R x
z I
Figure 28.26 : Diagramme du filtre de Kalman
28.18.8.1 Exemple du filtre de Kalman sous MATLAB

Les lignes de code suivantes implmentent lalgorithme de filtrage de Kalman.
Toutes les variables utilises font partie dune structure s.
% Codage du filtre de Kalman
% Prdiction pour le vecteur d'tat et la corrlation
s.x = s.A*s.x + s.B*s.u;
s.RxTilde = s.A * s.RxTilde * s.A' + s.Rw;
% Calcule du gain de Kalman
RyTilde = s.C*s.RxTilde*s.C'+s.Rv;
K = s.A*s.RxTilde*s.C'*inv(RyTilde);
% Correction base sur l'observation
s.x = s.x + K*(s.y-s.C*s.x);
s.RxTilde = s.RxTilde - K*s.C*s.RxTilde;
28.18.8.2 Exemple
On mesure une tension continue de 5 Volts entache par un bruit de processus de
variance R w ( 0 ) = 2V 2 . Lappareil de mesure est entach dun bruit R v ( 0 ) = 2V2 . On utilise un filtre de Kalman pour amliorer la mesure. La figure 28.27 montre la rponse du
processus (tension bruite), lobservation entache du bruit de mesure et la sortie du filtre
de Kalman.
P. NAYMAN
Master CMI
413
Exemple d'appareil de mesure

10
9
8
7
6
5
4
3
2
observations + bruit de mesure
Sortie du filtre de Kalman
Tension bruite
1
0
10
15
20
25
30
35
40
45
50
Figure 28.27 : filtrage de Kalman dune tension bruite
P. NAYMAN
Master CMI
414
29. ESTIMATION SPECTRALE

29.1. Introduction
Les mthodes statistiques sont bien adaptes pour analyser le comportement des signaux
alatoires. Il est possible danalyser ces signaux dans le domaine temporel et dans ce cas nous
somme amens calculer dune part, les moments de la fonction alatoire et dautre part la fonction de corrlation. Le passage dans le domaine frquentiel est obtenu en appliquant le thorme
de Wiener-Kinchine : la densit spectrale de puissance, du signal alatoire, est la transforme de
Fourier de sa fonction de corrlation.
La reprsentation des signaux alatoires sous la forme de la rpartition de leur puissance en
fonction de la frquence peut faciliter leur tude. Lestimation spectrale correspond une srie de
techniques qui vont permettre danalyser les signaux alatoires dans le domaine frquentiel.
Diffrentes classes de techniques sont proposes, les mthodes non-paramtriques, les mthodes paramtriques et les mthodes bases sur la dcomposition en lments propres de la matrice de corrlation. Les techniques non-paramtriques sont bases uniquement sur lobservation
du signal. Diffrentes mthodes sont proposes, comme celle du priodogramme, de Bartlett, de
Welch ou encore celle de Blackman-Tukey. La mise en oeuvre de ces mthodes est gnralement
assez facile partir de la transforme de Fourier mais, par contre, peuvent avoir des rsolutions
mdiocres. Les techniques paramtriques, sont dduites dun modle du signal, sont plus compliques mettre en oeuvre mais fournissent de bonnes rsolutions frquentielles. Dautres mthodes
comme celle de Capon sont bases sur la minimisation de la variance, selon une contrainte, en sortie dun banc de filtres passe bande. Les mthodes bases sur la dcomposition en lments
propres de la matrice de corrlation considrent que le signal est dcomposable en exponentielles
complexes perturbes par un bruit blanc additif (mthode de Pisarenko, MUSIC).
29.2. Choix dun estimateur

Les diffrentes mthodes danalyse spectrale sont bases sur des estimations partir des
lments observables et dduits. La qualit de lestimateur va donc tre dterminant dans lvaluation de la qualit de la mthode utilise.
On cherche connatre les valeurs de certaines caractristiques d'une variable alatoire
grce des observations ralises sur un chantillon.
Le biais dun estimateur not B ( Q ) est la diffrence moyenne entre sa valeur et celle du paramtre quil estime. Un bon estimateur donc un biais nul.
Par dfinition, une variable alatoire X fluctue autour de sa valeur moyenne E [ X ] . On demande, donc, que lestimateur X de X tende vers la valeur moyenne de X .
E [ X X ] = E [ X ] E [ X ] = E [ X ] X = 0 do :
E [ X ] = X
Equ(29.1)
La quantit B [ X ] = E [ X ] X est le biais de lestimateur.

Lorsque le biais est nul, lestimation peut tre considre comme bonne et est considr
comme non biaise.
La variance de lestimateur est une mesure de la largeur du pic de lestimateur. Plus le pic
est troit et plus lestimateur se rapproche de la valeur recherche.
lestimateur est consistant lorsque sa variance tend vers zro lorsque le nombre dchantillons considr augmente. Dans le cas contraire lestimateur est inconsistant et pourra fluctuer de
ralisation en ralisation.
Un bon estimateur est donc sans biais et consistant.
P. NAYMAN
Master CMI
414
ESTIMATION SPECTRALE
X estimer
Estimateur de X
2
X
variance=
E[X]
B[ X]
Figure 29.1 : Estimateur, biais et variance

Exemple 1
Considrons x 1, x 2, x n un ensemble dchantillons dont la valeur moyenne est x . Considrons les carts de chaque chantillon par rapport la valeur moyenne x , puis calculons leur
somme :
n
( xi x )
xi x
i=1
i=1
i=1
n
On considre que :
xi
= nx et que
= nx .
i=1
i=1
n
( xi x )
Dans ce cas :
= 0.
i=1
n
Maintenant calculons lestimateur x tel que la quantit F =
( xi x )
soit minimale.
i=1
n
dF dF
Pour cela annulons la drive ------- : ------- = 2
dx
dx
( xi x )
= 0
i=1
n
On obtient immdiatement
( xi x )
= 0
i=1
n
n
et
xi
i=1
xi
=1 = nx soit x = x = i------------. Dans ce cas le meilleur estimateur (non biais)
n
i=1
est bien gal la moyenne x .

Exemple 2
Cet exemple, s'appuie sur les rsultats prcdents.
Considrons un bruit signal alatoire gaussien X ( t )
de valeur moyenne x :
2
X ( t ) = x ( t ) + x stationnaire lordre 2. La densit spectrale de x ( t ) est constante : x ( ) = x .
Dans ce cas x ( t ) est un signal alatoire centr. Calculons dans un premier temps la fonction dauto
corrlation de X ( t ) puis sa densit spectrale de puissance puis estimons la moyenne de ce signal.
Comme la variable alatoire x ( t ) est centre, sa valeur moyenne est nulle.
P. NAYMAN
Master CMI
415
R XX ( ) = E [ X ( t )X ( t + ) ] = E [ ( x ( t ) + x ) ( x ( t + ) + x ) ]
2
= E [ x ( t )x ( t + ) ] + x E [ x ( t ) ] + x E [ x ( t + ) ] + x = R xx ( ) + x
La densit spectrale de X ( t ) est obtenue en prenant la transforme de Fourier de la fonction

dauto corrlation R XX ( ) (thorme de Wiener-Kinchine) :
2
X ( ) = x ( ) + x ( ) = x + x ( )
N1
1
Lestimateur de la moyenne est donne par X = ---N
X(n) .
n=0
N1
1
E [ X ] = E ---N
N1
1
X ( n ) = ---N
n=0
E ( X ( n ) ) = X . La variance de lestimateur est donne
n=0
par :
2
2
var [ X ] = E [ ( X E ( X ) ) ] = E [ ( X X ) ]
N 1
1
= E ---- X ( n ) X
n = 0
1
= ------ E
2
N
N 1
X
(
n
)
X
n = 0
1
= ----- E
2
N
2
X
(
n
)
)
X
n=0
N1
Comme X ( n ) X = x ( n ) alors
1
var [ X ] = ------ E
2
N
x
2
1
( x ( n ) ) = N-----2- N x = ----N
n=0
N1
Cet estimateur est consistant, la variance tend vers 0 lorsque N tend vers linfini.
29.3. Le priodogramme
Considrons un signal alatoire stationnaire x ( t ) dont la fonction de corrlation est donne
par la relation :
*
R xx ( ) = E [ x ( t )x ( t + ) ]
Equ(29.2)
Le thorme de Wiener-Kinchine permet de dduire la densit spectrale du signal x ( t ) en

considrant la transforme de Fourier de sa fonction de corrlation.
+
x ( ) = TF [ R xx ( ) ] =
Rxx( )e
2i
Equ(29.3)
Comme lon a affaire qu une seule ralisation de la variable alatoire x ( t ) , on ne connat

pas avec prcision la fonction de corrlation R xx ( ) et de ce fait la densit spectrale ne peut pas
tre obtenue par lquation (29.3).
Si le processus x ( t ) est ergodique au deuxime ordre, il est possible de trouver une valeur
moyenne de la fonction de corrlation, en considrant un intervalle de mesure gal T 0 :
1
Rt xx ( ) = ----T0
+T 0 2
T 2 x ( t )x ( t + ) dt
*
Equ(29.4)
et la limite, lorsque T 0 , la fonction Rt xx ( ) tend vers R xx ( ) :

R xx ( ) = lim Rt xx ( )
T0
Equ(29.5)
Cet estimateur est biais lorsque T 0 ne tend pas vers linfini.

P. NAYMAN
Master CMI
416
Dans ce cas la transforme de Fourier de (29.4) donne une estimation de la densit spectrale
de puissance :
x ( ) =
+ ( T0 2 )
T 2
Rt xx ( )e
2i
1
d = ----T0
+ ( T0 2 )
+ ( T0 2 )
T 2 T 2
0
x ( t )x ( t + ) dt e
2i
d dt
Cette expression peut se mettre sous la forme :

1
x ( ) = ----T0
+ ( T0 2 )
+ ( T0 2)
T 2 T 2
0
x ( t + )e
2i ( t + )
d x ( t )e
2it
dt
Dans lintgrale, la plus interne, effectuons le changement de variable p = t + .

1
x ( ) = ----T0
+ ( T0 2 )
+ ( T0 2)
T 2 T 2
0
x ( p )e
2ip
dp x ( t )e
2it
dt . On remarquera que lintgrale
centrale est gale x ( ) sur lintervalle T 0 :

x ( ) T
0
( ) = --------------x
T0
x ( ) T
x ( ) = ---------------0
T0
+ ( T0 2 )
T 2
x ( t )e
2it
dt puis en effectuant le changement de variable u = t :
+ ( T0 2 )
T 2
x ( u )e
2 iu
du . Lintgrale reprsente la transforme de Fourier
de x ( t ) sur lintervalle T 0 , donc :

2
x ( ) T
x ( ) = ------------------0
T0
Equ(29.6)
Cet estimateur est communment appel priodogramme.

Le priodogramme est un estimateur qui correspond une seule ralisation de la variable
alatoire. Bien que cette variable est suppose ergodique sur lintervalle considr, lestimateur
sera fluctuant dune ralisation lautre.
Cet estimateur est biais car il est bas sur un estimateur de la fonction de corrlation qui
est lui mme biais.
Pour approcher au mieux la vraie densit spectrale, il est plus cohrent de considrer cet estimateur en moyenne statistique :
x ( ) = lim E [ x ( ) ]
T0
Equ(29.7)
La fonction MATLAB suivante est un exemple de codage du priodogramme tel quil est
dfini par lquation (29.6).
function Perio = periodogramme(S)
N = length(S);
Y = fft(S,N);
Y = abs(Y);
Perio = (Y.^2)/N;
return
29.3.1. Estimateur non-biais de la fonction dauto corrlation

Considrons maintenant lestimation de la densit spectrale partir des chantillons du signal alatoire x ( t ) . On suppose que le signal alatoire x ( t ) est chantillonn une frquence compatible avec le thorme dchantillonnage. Dans ce cas, nous allons considrer x ( n ) avec
0 n N 1 . La fonction dauto corrlation moyenne est donne par :
P. NAYMAN
Master CMI
417
Nk1
1
R xx ( k ) = -----------Nk
x ( n )x ( n + k )
k = 0 , 1 , , N 1
Equ(29.8)
k = 1, 2, , 1 N
Equ(29.9)
n=0
Et en dcalant les indices de la sommation :

N1
1
R xx ( k ) = --------------N k
x ( n )x ( n + k )
n= k
La valeur moyenne statistique de (29.8) ou (29.9) est une estimation de la vraie fonction
dauto corrlation :
Nk1
1
E [ R xx ( k ) ] = -----------Nk
E [ x ( n )x ( n + k ) ] = R xx ( k )
Equ(29.10)
n=0
Comme E [ R xx ( k ) ] = R xx ( k ) cet estimateur est donc non-biais.

Calculons la densit spectrale estime en prenant la transforme de Fourier discrte de
(29.9) :
N1
x ( ) =
2im
R xx ( m )e
Equ(29.11)
m = N+1
La variance de lestimateur R xx ( k ) est approche par la relation4 :
N
var [ R xx ( k ) ] ----------------------2
[N k ]
[ R xx ( n ) + R xx ( n k )R xx ( n + k ) ]
Equ(29.12)
n =
La limite de la variance est telle que ;

lim var [ R xx ( k ) ] = 0
Equ(29.13)
N0
Comme tenu de (29.10) et de (29.13), lestimateur est consistant.

Lquation (29.12) montre que lorsque le paramtre k est proche de N, lestimation est calcule avec peu de points et la variance devient importante.
29.3.2. Estimateur biais de la fonction dauto corrlation

Pour limiter leffet de laugmentation de la variance donne par lquation (29.12), il est
possible de trouver un nouvel estimateur en remplaant les quations (29.8) et (29.9) par les quations suivantes :
Nk1
1
R xx ( k ) = ---N
x ( n )x ( n + k )
k = 0, 1 , , N 1
Equ(29.14)
k = 1 , 2 , , 1 N
Equ(29.15)
n=0
N1
1
R xx ( k ) = ---N
x ( n )x ( n + k )
n= k
En comparant les estimations donnes par (29.8) et (29.14), il vient immdiatement que :
N k
k
E [ R xx ( k ) ] = --------------- R xx ( k ) = 1 ----- R xx ( k ) = w B R xx ( k )
N
N
Equ(29.16)
avec wB = 1 ----- la fentre de Bartlett.

N
k
4. Jenkins et Watts (1968)

P. NAYMAN
Master CMI
418
k
Le biais de cet estimateur de la fonction de corrlation est ----- R xx ( k ) . Par contre la variance
N
de lestimateur est rduite par rapport celle donne par (29.12) :
1
var [ R xx ( k ) ] ---N
[ R xx ( n ) + R xx ( n k )R xx ( n + k ) ]
Equ(29.17)
n =
Dans ce cas lestimateur est consistant, la variance tend bien vers 0 lorsque N tend vers linfini. De plus cet estimateur est asymptotiquement non-biais :
lim E [ R xx ( k ) ] = R xx ( k )
N
Equ(29.18)
Cet estimateur est gnralement utilis bien que celui-ci soit biais.
29.3.3. Exemple MATLAB de lestimation dune fonction dauto

corrlation dun signal gaussien
Les fonctions MATLAB xcorr(ww,biased) et xcorr(ww,biased) permettent dobtenir les
estimateurs biais et non-biais de fonctions dauto corrlation dun signal ww. Considrons, un
2
signal alatoire gaussien de moyenne nulle et de variance = 2, 5 et traons les courbes des estimateurs biaiss et non-biaiss de sa fonction dauto corrlation.
Le programme MATLAB suivant calcule et affiche les deux estimateurs.
clear all;
ww_var=2.5;
ww_mean=0.0;
ww = ww_mean + sqrt(ww_var)*randn(1000,1);
cww1 = xcorr(ww,'biased');
subplot(2,1,1);
plot(cww1);
title('auto corrlation sur 1000 points, estimateur biais');
cww2 = xcorr(ww,'unbiased');
subplot(2,1,2);
plot(cww2);
title('auto corrlation sur 1000 points, estimateur non-biais')
auto corrlation sur 1000 points , estimateur biais

3
-1
200
400
600
800
1000
1200
1400
1600
1800
2000
1600
1800
2000
auto corrlation sur 1000 points, es timateur non-biais

3
-1
200
400
600
800
1000
1200
1400
Figure 29.2 : Exemple des estimateurs biais et non-biais dune fonction dauto corrlation
P. NAYMAN
Master CMI
419
29.3.4. Estimation de la densit spectrale

A partir des quations (29.14) et (29.15), il est possible de trouver une estimation de la densit spectrale de puissance, en effet :
N1
x ( ) =
2im
R xx ( m )e
Equ(29.19)
m = N+1
Remplaons dans (29.19), la valeur de R xx ( m ) par lquation (29.14) :

x ( ) =
---N- x
n
2im
1
( n )x ( n + m ) e
= ----
N
x ( n + m )e
2i ( n + m )
x ( n )e
2in
La somme centrale correspond la transforme de Fourier discrte x ( ) :

*
2in
x ( )
puis en oprant le changement de variable suivant : n m , on
x ( ) = ----------- x ( n )e
N
n
*
remarquera que la somme correspond la transforme de Fourier discrte x ( ) , finalement :
2
1
x ( ) = ---- x ( )
N
Equ(29.20)
Cette quation correspond au priodogramme. Cette quation est quivalente lquation

(29.6) dfinie pour les signaux continus.
Calculons la valeur moyenne du priodogramme dfinie par lquation (29.19) :
N1
N1
E [ x ( ) ] = E
2im
R xx ( m )e
=
m = N+1
2im
E [ R xx ( m ) ]e
m = N+1
Remplaons la valeur E [ R xx ( m ) ] par lquation (29.16) :

N1
2i m
m
1 ------ R ( m )e
N xx
E [ x ( ) ] =
Equ(29.21)
m =N+1
En posant wB = 1 ------- , lquation (29.21) devient :

N
m
N1
E [ x ( ) ] =
w B R xx ( m )e
2im
Equ(29.22)
m = N+1
Le terme w B R xx ( m ) = 1 ------- R xx ( m ) correspond au produit de la fonction dauto corrlaN

m
tion du signal x ( n ) par la fentre triangulaire de Bartlett (Voir Utilisation du fentrage,

page 129.). La transforme de Fourier dun produit est un produit de convolution :
E [ x ( ) ] = W B * x ( )
Equ(29.23)
Avec W B ( ) la transforme de Fourier de la fentre triangulaire de Bartlett et x ( ) la densit spectrale du signal x .

On remarquera que la transforme de Fourier de la fentre triangulaire est donne par
sin N
W B = N ------------------N sin
. En substituant cette valeur dans (29.23), il vient :

sin N 2
E [ x ( ) ] = N ------------------- * x ( )
N sin
Equ(29.24)
Calculons maintenant la variance de lestimateur x ( ) dans le cas de variables alatoires

gaussiennes. Pour cela calculons dans un premier temps, la variance de lestimateur R xx ( m ) . On
P. NAYMAN
Master CMI
420
utilisera lquation (29.14) comme valeur de lestimateur R xx ( m ) .

1
*
*
*
1
var [ R xx ( m ) ] = E [ R xx ( m 1 )R xx ( m 2 ) ] = E ---- x ( n 1 )x ( n 1 + m 1 ) ---- x ( n 2 )x ( n 2 + m 2 )
N
N
n
n
*
*
1
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ E x ( n 1 )x ( n 1 + m 1 )x ( n 2 )x ( n 2 + m 2 )
2
N n n
1
Equ(29.25)
Dans le cas de variables alatoires conjointement gaussiennes X 1, X 2, X 3, X 4 la quantit

E [ X1 X 2 X 3 X 4 ] est gale 5 :
E [ X1 X 2 X 3 X 4 ] = E [ X 1 X 2 ]E [ X 3 X 4 ] + E [ X 1 X 3 ]E [ X 2 X 4 ] + E [ X 1 X 4 ]E [ X 2 X 3 ]
Introduisons cette relation dans (29.25) :
*
*
1
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ E [ x ( n 1 )x ( n 1 + m 1 ) ]E [ x ( n 2 )x ( n 2 + m 2 ) ] +
2
N n n
1
E [ x ( n 1 )x ( n 2 ) ]E [ x ( n 1 + m 1 )x ( n 2 + m 2 ) ] +
*
*
E [ x ( n 1 )x ( n 2 + m 2 ) ]E [ x ( n 1 + m 1 )x ( n 2 ) ]
Comme la variance de x est gale x :

4
x
E [ R xx ( m 1 )R xx ( m 2 ) ] = ------ { ( m 1 ) ( m 2 ) +
2
N n n
1
Equ(29.26)
( n 1 n 2 ) ( m 1 m 2 ) +
( n 2 + m 2 n 1 ) ( n 1 + m 1 n 2 ) }
Les produits de delta sont tels que :
( i ) ( j ) = 1
0
si i = j
sinon
Comme ( ) = TF [ R xx ( m ) ]
E [ ( ) ] = TF { E [ R xx ( m ) ] } et
E [ ( 1 ) ( 2 ) ] =
{ E [ R xx ( m1 )R xx ( m2 ) ] }e
2im 1 1 2im 2 2
et en introduisant (29.26)
m1 m 2
dans cette quation :

4
x
E [ ( 1 ) ( 2 ) ] = ------ { ( m 1 ) ( m 2 ) + ( n 1 n 2 ) ( m 1 m 2 ) +
2
N m m n n
1
( n 2 + m 2 n 1 ) ( n 1 + m 1 n 2 ) } e
2im 1 1 2im 2 2
Finalement, on peut mettre cette quation sous la forme :
5. voir par exemple :Athanasios Papoulis Probability, RandomVariables, and Stochastic Processes - -Mc
Graw Hill - second edition - p187
P. NAYMAN
Master CMI
421
sin ( 1 + 2 )N
4
E [ ( 1 ) ( 2 ) ] = x 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
Equ(29.27)
Si lon considre la covariance cov [ ( 1 ) ( 2 ) ] :

cov [ ( 1 ) ( 2 ) ] = E [ ( 1 ) ( 2 ) ] E [ ( 1 ) ] ( E [ ( 2 ) ] )
4
4 sin ( 1 + 2 )N
cov [ ( 1 ) ( 2 ) ] = E [ ( 1 ) ( 2 ) ] x = x ------------------------------------- N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
On en dduit la variance de lestimateur x ( ) en posant 1 = 2 = dans la covariance :

var [ x ( ) ] = cov [ ( 1 ) ( 2 ) ]
= 2 =
4
sin N
= x 1 + ------------------N
sin
Equ(29.28)
Calculons la variance de lestimateur x ( ) dans le cas o le signal dentre est un bruit

blanc gaussien de moyenne nulle.
On suppose que le signal x est un bruit color en sortie dun filtre linaire excit par un bruit
blanc.
Daprs (28.1), la densit spectrale dun bruit blanc est gale sa variance.
x ( ) = w ( ) G ( )
= b G( )
Si b = 1 alors x ( ) = G ( )
et si lon considre les estimations :

2
x ( ) = w ( ) G ( ) = w ( ) x ( )
Exprimons, nouveau, la valeur moyenne E [ ( 1 ) ( 2 ) ] :

E [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 )E [ w ( 1 ) w ( 2 ) ]
Puis en utilisant (29.27) :

sin ( 1 + 2 )N
E [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 ) 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
Equ(29.29)
de mme exprimons la covariance de x ( ) :

cov [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 )cov [ w ( 1 ) w ( 2 ) ]
sin ( 1 + 2 )N
= x ( 1 ) x ( 2 ) ------------------------------------- N sin ( 1 + 2 )
et la variance de ( ) :
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
var [ x ( ) ] = cov [ ( 1 ) ( 2 ) ]
= 2 =
2
sin N
= x ( ) 1 + ------------------N
sin
Equ(29.30)
A la limite, lorsque N , la variance devient :

2
lim var [ x ( ) ] = x ( )
Equ(29.31)
Le priodogramme nest donc pas un estimateur consistant de la densit spectrale de puissance x ( ) . En effet, lorsque N , la variance ne tend pas vers zro mais vers la densit spectrale au carr.
P. NAYMAN
Master CMI
422
29.4. Les mthodes non-paramtriques destimation de la densit spectrale

29.4.1. La mthode de Bartlett
La mthode de Bartlett permet de rduire la variance de lestimateur de la densit spectrale.
Cette mthode est base sur le moyennage de priodogrammes indpendants du mme signal.
Lchantillon de N points est divis en K segments indpendants de longueur L avec N = K L .
A chaque segment va correspondre un priodogramme.
j
Le priodogramme x ( ) est tel que :
L1
j
1
x ( ) = --L
xi ( n )e
2i n
Equ(29.32)
j=0
Avec j [ 0, 1, , K 1 ] .
La mthode de Bartlett consiste moyenner les priodogrammes des K segments, soit
M
( ) la valeur moyenne de priodogramme.
K1
M
1
( ) = ---K
x ( )
Equ(29.33)
j=0
29.4.1.1 Proprits statistiques du priodogramme moyenn

La valeur moyenne de cet estimateur est trouve en prenant lesprance mathmatique de
lquation (29.33) :
K1
K1
M
j
j
1
E [ ( ) ] = E ---- x ( ) = ---- E [ x ( ) ]
K
K
j=0
j=0
La valeur moyenne dune esprance mathmatique est gale cette esprance.

j
M
E [ ( ) ] = E [ x ( ) ]
Equ(29.34)
Pour chaque priodogramme, la mthode de Bartlett rduit la longueur de lchantillon
dun facteur K .
La consquence directe est de rduire la rsolution frquentielle dun facteur K mais par
contre lavantage est que la variance de lestimateur est galement rduite dun facteur K par effet
de moyennage.
j
M
1
var [ ( ) ] = ---- var [ x ( ) ]
K
Equ(29.35)
29.4.2. Exemple MATLAB de priodogrammes simple et moyenn

Lexemple MATLAB suivant compare les priodogrammes simple et moyenn dun signal
entach dun bruit gaussien.
Les caractristiques du signal et du bruit sont les suivantes :
Signal : cosinus de frquence 2450 Hz et damplitude 0,1 Volt chantillonn 32000 Hz.
2
Bruit : gaussien de variance b = 3 .

Le priodogramme moyenn est ralis partir de 100 spectres simples.
La figure 29.3 montre le rsultat obtenu avec le programme MATLAB. Lchelle verticale
est exprime en dcibels. Le spectre moyenn est dcal de -200 dB. Le signal obtenu en moyen-
P. NAYMAN
Master CMI
423
nant les priodogrammes permet de saffranchir du bruit, par contre le temps de calcul est relativement important.
Remarque : La fonction periodogramme utilise dans le programme ci-dessous a t dfinie
prcdemment (Voir Le priodogramme, page 416.).
clear all;
Fs=32000;
% Frquence d'chantillonnage
nu=2450;
% Frquence du signal
delta=250;
% Variation de frquence pour l'affichage
t=0:1/Fs:2.96;
N=size(t);
P=zeros(size(t));
s=0.1*cos(2*pi*nu*t);
% Cosinus de 2450Hz
nbSpectres=100;
% Nombre de priodogramme moyenner
varbruit=3;
% Variance du bruit gaussien
for i=1 : nbSpectres
b=randn(1,N(2))*varbruit;% Bruit gaussien de variance varbruit
signal= s+b;
P1 = periodogramme(signal); % Gnration d'un priodogramme
P = [P;P1];
% Accumulation des priodogrammes
end
PerioMoy = mean(P);
% Moyennage des priodogrammes
n=nu-delta:1:nu+delta;
np=n+4800;
plot(n,20*log(P1(np)), 'b')
hold all;
plot(n,20*log(PerioMoy(np))-200, 'r')
xlabel('Frquence (Hz)');
ylabel('DSP (dB)');
150
100
DSP (dB)
50
-50
-100
-150
-200
2200
2250
2300
2350
2400 2450 2500

Frquence (Hz)
2550
2600
2650
2700
Figure 29.3 : Exemple de priodogramme simple et moyenn
P. NAYMAN
Master CMI
424
29.4.3. La mthode de Welch

La mthode de Welch est une variante de la mthode de Bartlett. Dune part, la mthode
autorise que les segments se recouvrent et dautre part, les donnes sont pondres par une fentre
avant le calcul du priodogramme.
j
Le priodogramme x ( ) de base est tel que :
L1
j
1
x ( ) = ------LP
x i ( n )w ( n )e
2in
Equ(29.36)
j=0
Avec j [ 0, 1, , K 1 ] .
w correspond la fentre utilise pour adoucir le spectre.
P est un facteur de normalisation qui tient compte de la puissance dans la fentre w , il est
dfini par lquation (29.37) :
L1
1
P = --L
w (n)
Equ(29.37)
n=0
Le priodogramme de Welch est alors dfini par lquation (29.38) :

K1
W
1
( ) = ---K
x ( )
Equ(29.38)
j=0
29.4.3.1 Proprits statistiques du priodogramme de Welch

La valeur moyenne de lestimateur de Welch se dduit de (29.38) :
K1
W
1
E [ ( ) ] = E ---K
x ( )
j=0
La valeur moyenne dune esprance mathmatique est gale cette esprance.

K1
W
1
E [ ( ) ] = ---K
E [ x( ) ]
j
= E [ x ( ) ]
Equ(29.39)
j=0
La variance de lestimateur de Welch est donn par :

K 1K 1
W
1
var [ ( ) ] = -----2
K
W ( ) ] }2
E [ x ( )x ( ) ] { E [
Equ(29.40)
i=0j=0
Welch a montr que lorsque les segments ne se recouvrent pas, la variance devient :
W
i
1
1 2
var [ ( ) ] = ---- var [ x ( ) ] ---- x ( )
K
K
Equ(29.41)
et dans le cas dun recouvrement des segments de 50%, en utilisant une fentre triangulaire
de Bartlett, la variance devient :
W
11 2
var [ ( ) ] ------- x ( )
9K
Equ(29.42)
Le programme MATLAB suivant permet de programmer la mthode de Welch dans le cas

dun signal entach dun bruit gaussien.
signal : cosinus de frquence 2450 Hz chantillonn 32000 Hz damplitude 0,5 Volt.
2
bruit : gaussien de variance b = 3 .

Lalgorithme utilise des fentres de Hamming de 64 chantillons avec un recouvrement de
50%.
Remarque : la fonction psd (Power Spectral Density) fait partie de la bote outil " Signal
P. NAYMAN
Master CMI
425
Processing ".
Fs=32000;
% Frquence d'chantillonnage
nu=2450;
% Frquence du signal
varbruit=3;
t=0:1/Fs:2.96;
x=cos(2*pi*nu*t)+varbruit*randn(size(t));
Hs=spectrum.welch;
psd(Hs,x,'Fs',Fs)
Welch Power Spectral Density Estimate
-31
-31.5
Power/frequency (dB/Hz)
-32
-32.5
-33
-33.5
-34
-34.5
-35
-35.5
8
10
Frequency (kHz)
12
14
16
Figure 29.4 : Priodogramme de Welch
29.4.4. La mthode de Blackman et Tukey

La mthode de Blackman et Tukey est base sur le fentrage de la squence dauto corrlation R xx ( m ) . Lestimation de la densit spectrale est obtenue en prenant la transforme de Fourier
de lauto corrlation. Le fentrage de la fonction dauto corrlation permet dadoucir les estimateurs. Comme nous lavons vu (Voir Estimateur non-biais de la fonction dauto corrlation,
page 417.), lestimateur de la fonction dauto corrlation peut conduire une variance leve surtout lorsque le paramtre m est proche de N le nombre total dchantillons.
Lestimateur de Blackman-Tukey est donn par lquation (29.43) :
M1
BT
E [ x ( ) ] =
E [ R xx ( m ) ]w ( m )e
2i m
Equ(29.43)
m = ( M 1 )
Lquation (29.16) donne la valeur de E [ R xx ( m ) ] :

N1
BT
E [ x ( ) ] =
R xx ( m )w B ( m )w ( m )e
2im
Equ(29.44)
m =N+1
avec wB la fentre triangulaire de Bartlett et w la fentre de lissage de lestimateur.

Dans le domaine frquentiel, lestimateur de la densit spectrale est un produit de
convolution :
BT
x ( ) = x * W
Equ(29.45)
avec W la transforme de Fourier de la fentre w .
P. NAYMAN
Master CMI
426
29.4.4.1 Proprits statistiques de lestimateur de BlackmanTukey

Prenons lesprance mathmatique de (29.45) :
BT
E [ x ( ) ] = E [ x * W ] = E [ x ] * W
E [ x ( ) ] est donne par (29.23) :

BT
E [ x ( ) ] = E [ x ] * W = W B * x ( ) * W
Equ(29.46)
Pour tre efficace, la fentre w doit tre plus troite que la fentre w B . Dans ce cas, (29.46)
devient :
BT
E [ x ( ) ] x ( ) * W
Equ(29.47)
BT
E [ x ( ) ] = E [ x * W ] = E [ x ] * W
La variance de lestimateur de la densit spectrale de puissance est obtenue en appliquant

2
la formule classique var [ X ] = E [ X ] { E [ X ] } :

2
2
BT
BT
BT
var [ x ( ) ] = E [ x ( ) ] { E [ x ( ) ] }
Equ(29.48)
Le second terme de la variance peut tre approxim par (29.47).

Si lon considre un processus alatoire gaussien, E [ ( 1 ) ( 2 ) ] est donn par (29.29) :
sin ( 1 + 2 )N
E [ ( 1 ) ( 2 ) ] = x ( 1 ) x ( 2 ) 1 + -------------------------------------N sin ( 1 + 2 )
sin ( 1 2 )N
+ -------------------------------------N sin ( 1 2 )
et la variance
peut tre approxime de la manire suivante :

M1
BT
2
2
w (m )
var [ x ( ) ] x ( ) ---
N
m = ( M 1 )
Equ(29.49)
29.4.5. Performances compares des estimateurs non-paramtriques

de la densit spectrale
Il est possible de comparer les diffrents estimateurs en utilisant la variable de mesure dfinie par Proakis et Manolakis [46] :
2
QA
{ E [ x ( ) ] }
= -------------------------------A
var [ x ( ) ]
Equ(29.50)
O la lettre A en indice dfinie la mthode utilise (Priodogramme, Bartlett, Welch ou encore Blackman-Tukey).
Le Tableau 29.1 rsume les diffrentes performances des estimateurs considrs. Dans ce
tableau, reprsente la frquence -3dB du lobe principal. Le tableau montre que la mthode de
Blackman-Tukey donne de meilleurs rsultats que les autres mthodes.
P. NAYMAN
Master CMI
427
Mthode
Conditions
Commentaires
Priodogramme
non-consistant,
indpendant de N
Bartlett
N, L
1, 11 N
la qualit augmente
avec N
Welch
N, L , 50% de recouvrement
1, 39 N
la qualit augmente
avec N
Blackman-Tukey
N, L , fentre triangulaire
2, 34 N
la qualit augmente
avec N
Tableau 29.1 : Comparatif des estimateurs
29.5. Les mthodes paramtriques destimation de la densit spectrale

Les mthodes non-paramtriques destimation de la densit spectrale sont peu performantes
ou encore limites par la longueur de lchantillon. Le modle paramtrique considre le signal
traiter comme la sortie dun filtre dont le modle sera adapt au signal. Dans ce cas, il est possible
dutiliser, pour le filtre, un modle moyenne mobile (MA), auto rgressif (AR) ou encore auto
rgressif moyenne mobile (ARMA).
Un signal alatoire moyenne mobile (MA) rsulte du filtrage dun bruit blanc w ( n ) de
2
moyenne nulle et de variance w dans un filtre RIF moyenne mobile.

M
y(n) =
ai w ( n i )
Equ(29.51)
i=0
b(n)
y(n)
Figure 29.5 : Modle MA

Un signal alatoire moyenne mobile (AR) rsulte du filtrage dun bruit blanc w ( n ) de
2
moyenne nulle et de variance w dans un filtre RII rcursif, ne possdant que des ples et pas de
zro, auto rgressif.
N
y(n) = w(n) +
bi y ( n i )
Equ(29.52)
i=1
b(n)
1/B
y(n)
Figure 29.6 : Modle AR

Un signal alatoire moyenne mobile (ARMA) rsulte du filtrage dun bruit blanc w ( n ) de
P. NAYMAN
Master CMI
428
moyenne nulle et de variance w dans un filtre RII rcursif, auto rgressif moyenne mobile.
M
y(n) =
ai w ( n i ) +
i=0
bi y ( n i )
Equ(29.53)
i=1
w( n)
y(n)
B/A
Figure 29.7 : Modle ARMA
29.5.1. Les relations entre la fonction dauto corrlation et les paramtres du modle
Dans le chapitre sur lestimation (Voir Les quations de Yule-Walker, page 377.) nous
avons tabli des relations entre la fonction dauto corrlation dun signal et les paramtres du filtre
considr.
La relation gnrale pour un processus ARMA qui dfinit une relation non-linaire entre la
fonction d'auto corrlation R xx ( m ) et les coefficients { a k } et { b k } est donne par (29.54) :
p
a R (m k)
k xx
k=1
R xx ( m ) =
mq
p
*
2
a R ( m k ) + w bk + m h ( k )
k xx
k=1
k=0
m>q
Equ(29.54)
0mq
29.5.2. La mthode de Yule-Walker pour le modle AR

Dans cette mthode, on utilise lquation (29.54) limite au modle AR :
p
a R (m k)
k xx
k=1
R xx ( m ) =
p
2
a R ( m k ) + w
k xx
k=1
m>0
Equ(29.55)
m = 0
avec :
p
2
w
= R xx ( 0 ) +
ak Rxx ( k )
Equ(29.56)
k=1
Dans ces quations, nous utiliserons lquation (29.14) qui donne une estimation biaise de
la fonction de corrlation (mais variance limite) :
Nk1
1
R xx ( k ) = ---N
x ( n )x ( n + k )
k = 0, 1 , , N 1
Equ(29.57)
n=0
Cette forme assure que la matrice de lauto corrlation est positive et que le filtre obtenu est
stable.
Reprenons les rsultats obtenus dans le chapitre 28. (Voir Processus AR, page 361.) :
La densit spectrale peut se mettre sous la forme :
P. NAYMAN
Master CMI
429
2
w
( z ) = --------------------------xx
1
A ( z )A ( z )
Equ(29.58)
a k z
et daprs (28.41) A ( z ) = 1 +
. En combinant ces deux dernires quations, on
k=1
trouve une estimation de la densit spectrale :

2
2
w
w
AR
xx ( z ) = ----------------------------------------- = ---------------------------------------------------2
1+
a k z
a k e
1+
k=1
Equ(29.59)
2ik
k=1
Les coefficients a k du filtre sont calculs en inversant la matrice (28.153) :

R xx ( 0 ) R xx ( 1 )
R xx ( 1 )
R xx ( 0 )
R xx ( p )
1
R xx ( p + 1 ) a 1
R xx ( p ) R xx ( p 1 )
R xx ( 0 )
ap
w
0
Equ(29.60)
2
Lquation (29.56) permet de calculer w .
29.5.2.1 Exemple de programme MATLAB mthode de YuleWalker

Le programme suivant utilise des fonctions de la bibliothque MATLAB pour estimer la
densit spectrale, par la mthode de Yule-Walker, dun signal qui est la sortie dun filtre AR (4)
excit par un bruit blanc gaussien.
Les coefficients du filtre AR sont les suivants : [1 1/3 1/3 1/4 1/6].
x=randn(1000,1);
fe=10000;
p=4;
x=filter(1,[1 1/3 1/3 1/4 1/6],x);
[a,e] = aryule(x,p);
[G,f]=freqz(1,a,5000);
%
%
%
%
%
Frq. d'chantillonnage
Ordre du filtre
Filtre AR ordre 4
Estimateur de Yule Walker
Rponse frquence filtre AR
n=linspace(0,0.5*fe,5000);
% 5000 points entre 0 et Fe/2
plot(n,20*log(2*e*abs(G).^2/fe),'b');
P. NAYMAN
Master CMI
430
-160
-165
-170
DSP (dB)
-175
-180
-185
-190
-195
-200
500
1000
1500
2000 2500 3000

Frquence (Hz)
3500
4000
4500
5000
Figure 29.8 : Estimation de la densit spectrale par la mthode de Yule-Walker
29.5.3. La mthode de Burg

La mthode de Burg consiste minimiser lerreur quadratique conjointe des prdictions
avant et arrire afin den dduire un estimateur de la densit spectrale.
Considrons les prdictions linaires avant et arrire abordes dans les paragraphes 28.6.
et 28.7.
La squence estime du signal x, par la mthode de la prdiction avant, horizon 1 dordre
p
p est donne par (28.59) : x ( n ) =
ak x( n k )
k=1
Et la squence estime du signal x, par la mthode de la prdiction arrire, horizon 1

dordre p est donne par (28.69) :
p1
x ( n p ) =
ck x ( n k )
Equ(29.61)
k=0
Cette quation peut encore scrire, daprs (28.78) :

p1
ap k x ( n p + k )
*
x ( n p ) =
k=0
Les erreurs respectives entre la valeur vraie et lestimation sont :

p
ak x ( n k )
f(n) = x(n) +
k=1
et g ( n ) =
ck x ( n k )
avec c k = 1 .
k=0
La mthode de Burg consiste minimiser lerreur quadratique conjointe des prdictions

avant et arrire :
2
2
1
= --- E [ f ( n ) + g ( n ) ]
2
Equ(29.62)
Cette erreur doit tre minimise en choisissant les coefficients de prdiction.

Si lon considre la mthode de Levinson-Durbin (Voir Lalgorithme de Levinson-Durbin, page 372.) alors les coefficients du filtre de prdiction sont tels que :
*
a m ( k ) = a m 1 ( k ) + Km a m 1 ( m k )
Equ(29.63)
avec 1 k m 1 et 1 m p
K m reprsente le coefficient de rflexion lordre m.
P. NAYMAN
Master CMI
431
Les erreurs des filtres de prdiction avant et arrire sont donnes par (28.92) et (28.93) :
Equ(29.64)
f m ( n ) = fm 1 ( n ) + Km g m 1 ( n 1 )
*
g m ( n ) = K m fm 1 ( n ) + gm 1 ( n 1 )
Equ(29.65)
Lide est de substituer (29.64) et (29.65) dans (29.63) et ensuite de minimiser lerreur.
2
Calculons dans un premier temps E { f ( n ) } puis E { g ( n ) } .
2
*
* *
E { f ( n ) } = E [ fm 1 ( n ) + Km gm 1 ( n 1 ) ] [ fm 1 ( n ) + Km gm 1 ( n 1 ) ] =
2
2
*
*
2
E f m 1 ( n ) + K m E f m 1 ( n )g m 1 ( n 1 ) + K m E f m 1 ( n )g m 1 ( n 1 ) + K m E g m 1 ( n 1 )
On remarquera que les fonctions de corrlations suivantes sont gales :
*
E f m 1 ( n )g m 1 ( n 1 ) = E f m 1 ( n )g m 1 ( n 1 )
2
*
2
2
2
E { f ( n ) } = E f m 1 ( n ) + K m E g m 1 ( n 1 ) + ( K m + K m )E f m 1 ( n )g m 1 ( n 1 )
2
2
2
2
E { f ( n ) } = E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 ) Equ(29.66)
Par un calcul analogue on trouve :

2
2
2
E { g ( n ) } = E f m 1 ( n ) + K m E f m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 ) Equ(29.67)
En substituant (29.66) et (29.67) dans (29.62) :

*
2
2
2
1
= --- E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 )
2
2
2
2
+ E f m 1 ( n ) + K m E g m 1 ( n 1 ) + 2Re ( K m )E f m 1 ( n )g m 1 ( n 1 )
Cherchons le minimum de lerreur par rapport K m .

*
2
2
= K m E f m 1 ( n ) + E g m 1 ( n 1 ) + 2E f m 1 ( n )g m 1 ( n 1 )
Km

= 0 pour :
Km
Km
2E f m 1 ( n )g m 1 ( n 1 )
= ------------------------------------------------------------------------------------------
2
2
E fm 1 ( n ) + E gm 1 ( n 1 )
Equ(29.68)
Lquation (29.68) reprsente la formule de Burg.

La formule de Burg est base sur des moyennes densemble. Le processus dentre x ( n )
doit tre ergodique. En remplaant les esprances de (29.68) par des moyennes temporelles, on
obtient lestimateur de Burg pour le coefficient de rflexion K m .
P. NAYMAN
Master CMI
432
fm 1 ( i )gm 1 ( i 1 )
i=1
K m = --------------------------------------------------------------------------------n
[ fm 1 ( i )
Equ(29.69)
+ gm 1 ( i 1 ) ]
i=1
Lestimateur de Burg ncessite un bloc de donnes. Pour tre utilisable plus facilement, il
est prfrable dutiliser une quation rcursive du type K m = K m ( n 1 ) + H ( f, g ) ou H est une
fonction dpendant des erreurs f et g.
Considrons la puissance des erreurs m 1 ( n ) correspondant au dnominateur de (29.69) :
n
( fm 1 ( i )
m 1 ( n ) =
+ gm 1 ( i 1 ) )
Equ(29.70)
i=1
Dans (29.70) isolons le terme dordre n :

n1
m 1 ( n ) =
( fm 1 ( i )
+ gm 1 ( i 1 ) ) + fm 1 ( n ) + gm 1 ( n )
Equ(29.71)
i=1
2
m 1 ( n ) = m 1 ( n 1 ) + f m 1 ( n ) + gm 1 ( n )
Equ(29.72)
De la mme manire, r-crivons le numrateur de la formule de Burg (29.69) :

n
i=1
f m 1 ( i )g m 1 ( i 1 ) = 2
n1
f m 1 ( i )gm 1 ( i 1 ) + 2fm 1 ( n )gm 1 ( n 1 )

*
Equ(29.73)
i=1
Substituons (29.72) et (29.73) dans (29.69) :

n1
fm 1 ( i )gm 1 ( i 1 ) + 2fm 1 ( n )gm 1 ( n 1 )

*
i=1
K m = ----------------------------------------------------------------------------------------------------------------------------------2
2
m 1 ( n 1 ) + f m 1 ( n ) + gm 1 ( n )
Equ(29.74)
Modifions les formules des erreurs des prdicteurs avant (28.95) et arrire (28.96), de faon utiliser le coefficient de rflexion K m ( n 1 ) :
*
f m ( n ) = f m 1 ( n ) + K m ( n 1 )g m 1 ( n 1 )
Equ(29.75)
g m ( n ) = g m 1 ( n ) + K m ( n 1 )f m 1 ( n 1 )
Equ(29.76)
Ce choix va permettre daboutir aux formules de rcurrence recherches.

tape 1
*
Intressons nous au terme 2f m 1 ( n )g m 1 ( n 1 ) du numrateur de (29.74) et dcomposons

le en deux parties gales :
*
2f m 1 ( n )g m 1 ( n 1 ) = f m 1 ( n )g m 1 ( n 1 ) + f m 1 ( n )g m 1 ( n 1 )
Equ(29.77)
De (29.75) :
*
*
*
f m 1 ( n ) = [ f m ( n ) K m ( n 1 )g m 1 ( n 1 ) ]
Equ(29.78)
De (29.76) :
g m 1 ( n 1 ) = g m ( n ) K m ( n 1 )f m 1 ( n 1 )
Equ(29.79)
P. NAYMAN
Master CMI
433
*
*
*
2f m 1 ( n )g m 1 ( n 1 ) = g m 1 ( n 1 ) [ f m ( n ) K m ( n 1 )g m 1 ( n 1 ) ]
*
+ f m 1 ( n ) [ g m ( n ) K m ( n 1 )f m 1 ( n 1 ) ]
2
*
*
2f m 1 ( n )g m 1 ( n 1 ) = g m 1 ( n 1 )f m ( n ) g m 1 ( n 1 ) K m ( n 1 )
*
2
+f
( n )g ( n ) K ( n 1 ) f
(n)
m1
m1
*
*
2
2
= K m ( n 1 ) [ f m 1 ( n ) + g m 1 ( n 1 ) ] + f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
Ajoutons et retranchons le terme K m ( n 1 )m 1 ( n 1 ) de lexpression prcdente :

2
2
*
2f m 1 ( n )g m 1 ( n 1 ) = K m ( n 1 ) [ m 1 ( n 1 ) + f m 1 ( n ) + g m 1 ( n 1 ) ]
*
*
+ K m ( n 1 ) m 1 ( n 1 ) + f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
2
Puis laide de (29.72) : m 1 ( n ) = m 1 ( n 1 ) + f m 1 ( n ) + g m 1 ( n ) , il vient :

*
2f m 1 ( n )g m 1 ( n 1 ) = K m ( n 1 ) m 1 ( n ) + K m ( n 1 ) m 1 ( n 1 )
*
f m 1 ( n )g m ( n )
+ gm 1 ( n
Equ(29.80)
*
1 )f m ( n )
tape 2
Adaptons (29.69) en fonction de K m ( n 1 ) la place de K m et lon remarquera, laide de
(29.70), que le dnominateur est gal m 1 ( n 1 ) :
n1
f m 1 ( i )gm 1 ( i 1 )
i=1
K m ( n 1 ) = --------------------------------------------------------------------m 1 ( n 1 )
Equ(29.81)
de (29.81), on tire facilement :

n1
fm 1 ( i )gm 1 ( i 1 ) =
*
K m ( n 1 ) m 1 ( n 1 )
Equ(29.82)
i=1
tape 3
Le numrateur de (29.74) peut scrire laide de (29.80) et (29.82) :
n1
f m 1 ( i )gm 1 ( i 1 ) + 2f m 1 ( n )gm 1 ( n 1 )
*
Equ(29.83)
i=1
*
*
= K m ( n 1 ) m 1 ( n ) + f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
tape 4
Finalement, (29.74) peut tre r-crite laide de (29.83), en remarquant que le dnominateur est gal m 1 ( n ) :
*
f m 1 ( n )g m ( n ) + g m 1 ( n 1 )f m ( n )
K m ( n ) = K m ( n 1 ) --------------------------------------------------------------------------------------m 1 ( n )
Equ(29.84)
pour m = 1, 2, M
Les principaux avantages de la mthode de Burg sont la bonne rsolution, le modle AR obtenu est stable et le calcul efficace. Par contre, avec des modles dont lordre est lev, cette mthode introduit des pics parasites ou encore des ddoublements de pics.
P. NAYMAN
Master CMI
434
29.5.3.1 Exemple de programme MATLAB codant la mthode

de Burg
Le programme suivant utilise des fonctions de la bibliothque MATLAB pour estimer la
densit spectrale, par la mthode de Burg, dun signal qui est la sortie dun filtre AR (4) excit par
un bruit blanc gaussien.
Les coefficients du filtre AR sont les suivants : [1 1/3 1/3 1/4 1/6].
x=randn(1000,1);
fe=10000;
p=4;
x=filter(1,[1 1/3 1/3 1/4 1/6],x);
[a,e] = arburg(x,p);
[G,f]=freqz(1,a,5000);
%
%
%
%
%
Frq. d'chantillonnage
Ordre du filtre
Filtre AR ordre 4
Estimateur de Burg
Rponse frquence filtre AR
n=linspace(0,0.5*fe,5000);
% 5000 points entre 0 et Fe/2
plot(n,20*log(2*e*abs(G).^2/fe),'b');
-155
-160
-165
DSP (dB)
-170
-175
-180
-185
-190
-195
-200
500
1000
1500
2000 2500 3000

Frquence (Hz)
3500
4000
4500
5000
Figure 29.9 : Estimation de la DSP par la mthode de Burg
29.6. La mthode du minimum de variance de Capon

Cette mthode est base sur lutilisation de bancs de filtres passe-bande. Le principe de la
mthode est bas sur limplmentation suivante :
Le signal observ est pass dans un filtre passe bande dont la frquence centrale est ajustable.
La puissance en sortie du filtre est mesure.
Les estimations des puissances spectrales sont obtenues en divisant les puissances mesures par la largeur de bande quivalente du filtre qui napporte pas de distorsion au signal.
Lestimation spectrale selon la mthode de Capon est un problme de conception de filtres
selon une contrainte spcifique. La contrainte impose est que le signal ne subisse aucune distorsion dans la bande de frquence. Le gain du filtre est unitaire dans cette bande. La puissance en
sortie du filtre est minimise. Le filtrage selon la mthode de Capon correspond un filtrage adapt. Lestimation obtenue est non-biaise et prsente une variance minimale.
On considre un processus alatoire stationnaire au second ordre et centr x ( n ) de densit
spectrale x ( ) .
On considre un filtre passe bande G k ( ) tel que :
P. NAYMAN
Master CMI
435

1
Gk( ) =
0
si k < --2
Equ(29.85)
sinon
Le signal en sortie du filtre y k ( n ) possde une densit spectrale y ( ) :

k
y ( ) = x ( ) Gk ( )
Equ(29.86)
La puissance du signal en sortie du filtre G k ( ) est donne par lintgrale de la densit spectrale de sortie :
+
E [ yk ] =
y ( ) d
Equ(29.87)
et laide de (29.86) :
+
E [ yk ] =
x ( ) G k ( )
Equ(29.88)
Lintgrale peut tre restreinte uniquement la bande dintrt et compte tenu que le gain
est unitaire dans la bande :
2
E [ yk ] =
( k + 2 )
( 2 )
x ( ) G k ( ) d =
( k + 2 )
( 2 ) x ( ) d
k
Si est petit par rapport la variation de x ( ) , alors la densit spectrale peut tre considre comme constante dans la bande :
2
E [ y k ] = x ( )
Equ(29.89)
Gk( )
x( )
Figure 29.10 : Filtre de bande et densit spectrale

Lquation (29.89) montre quil est possible destimer la densit spectrale du signal x ( n )
partir de la variance du signal de sortie. En effet :
2
E[ yk ]
x ( ) = ------------------
Equ(29.90)
Maintenant, considrons le filtre h k ( n ) comme un filtre rponse impulsionnelle finie

(RIF) dordre p
tel que la puissance du signal de sortie est gale la puissance du signal dentre dans la
bande du filtre ----k-, + ----k- . La fonction de transfert du filtre est la transforme de Fourier de
sa rponse impulsionnelle :
p
Gk ( k ) =
h k ( n )e
2i k n
= 1
Equ(29.91)
n=0
Et avec les notations matricielles :
P. NAYMAN
Master CMI
436
Gk ( k ) = h k ek = e k hk
Equ(29.92)
avec :
h k = [ h k ( 0 ), h k ( 1 )h k ( p ) ]
e k = [ 1, e
2i k
, e
2i p H
Le signal de sortie y k ( n ) peut sexprimer comme le produit de convolution du signal denp
hk x ( n k )
tre et de la rponse impulsionnelle du filtre : y k ( n ) =
k=0
Soit sous forme matricielle :

H
yk ( n ) = hk x ( n )
Equ(29.93)
La variance du signal de sortie E [ y k ( n ) ] peut sexprimer laide de (29.93) et compteT
tenu de la fonction dauto corrlation du signal dentre R x = E [ x ( n )x ( n ) ] :

2
E [ y k ( n ) ] = E [ h k x ( n ) ] = E [ h k x ( n )h k x ( n ) ]
2
E [ yk ( n ) ] = hk Rx hk
Equ(29.94)
2
Maintenant il faut minimiser la variance E [ y k ( n ) ] avec la contrainte que le gain doit tre
unitaire dans la bande considre :
H
Equ(29.95)
hk ek = 1
Pour cette minimisation, on utilise la mthode des multiplicateurs de Lagrange qui scrit
de la manire suivante : J ( x, ) = ( x ) + ( x )
( x ) est la fonction optimiser, ( x ) est la contrainte dgalit telle que ( x 0 ) = 0 . Loptimum est obtenu pour x = x 0 lorsque J = Jmin .
H
Dans le cas qui nous intresse, ( x ) = 1 h k e k . ( x ) sannule pour h k e k = 1 . La fonctionnelle scrit

H
J = h k Rx h k + ( 1 hk ek )
Equ(29.96)
Le minimum de J est obtenu pour :

J
= 2R x h k e k = 0 soit :
hk
1
h k = --- R x e k
2
Equ(29.97)
On obtient la valeur de en substituant (29.97) dans (29.95) :

2
= --------------------H 1
ek Rx ek
Equ(29.98)
Et on combinant (29.97) et (29.98), on obtient la rponse h pour une frquence particulire

k:
1
Rx ek
h k = --------------------H 1
ek Rx ek
Equ(29.99)
Pour une frquence quelconque (29.99) devient :
P. NAYMAN
Master CMI
437
Rx e
h = ------------------H 1
e Rx e
Equ(29.100)
La variance minimale est obtenue en substituant dans (29.94) la valeur de h k :

2
1
E [ y k ( n ) ] min = --------------------H 1
ek Rx ek
Equ(29.101)
Lestimation de la densit spectrale dentre est donne par (29.90) et laide de (29.101) :
2
E[ yk ]
1
x ( ) = ------------------- = ------------------------H 1
e k R x e k
Equ(29.102)
Il est ncessaire destimer la largeur de bande . Lestimation la plus simple (Capon-1)

consiste choisir une largeur de bande gale linverse de la longueur temporelle de lchantillon
soit :
1
= -----------p+1
Equ(29.103)
Lquation (29.102) devient laide de (29.103) :

1
p+1
x ( ) = ----------------------- = ------------------H 1
H 1
e R x e
e Rx e
Equ(29.104)
Cette mthode dpend de la longueur de lchantillon de donnes.

Une mthode plus labore (Capon-2), que lon doit Lagunas, consiste choisir pour
2
la bande quivalente du filtre G ( ) .

Considrons un filtre passe bande idal G ( ) dont la puissance en sortie soit gale la puissance en entre quand il est sollicit par un bruit blanc de variance gale lunit.
Compte-tenu de la normalisation en puissance, la largeur de bande est donne par lquation (29.105) :
G( )
Equ(29.105)
= 1
1
1
- = --------soit = --------------------------*
H
G ( )G ( )
e e
Cette normalisation amliore la rsolution frquentielle de lestimateur. Dans ce cas lestimation (de Lagunas) de la densit spectrale est donne par la formule suivante :
H
e Rx e
1
x ( ) = ----------------------- = ------------------H 1
H 2
e R x e
e Rx e
Equ(29.106)
29.7. Les mthodes bases sur la dcomposition en lments propres de

la matrice de corrlation [24] [36] [46]
Dans certaines applications comme le traitement de la parole ou encore dans certaines techniques radar, le signal utile est compos dexponentielles complexes noyes dans un bruit blanc.
Dans ce cas, il est plus efficace dutiliser un modle harmonique ou sinusodal afin deffectuer
lanalyse spectrale.
29.7.1. Introduction au modle harmonique

Une sinusode peut tre gnre par une quation aux diffrence. En effet, considrons
lidentit trigonomtrique suivante :
a+b
bcos a + cos b = 2 cos ------------ cos a----------2
2
P. NAYMAN
Master CMI
438
Equ(29.107)
Posons :
a = ( n + 1 )2 0 et b = ( n 1 )2 0 dans ce cas (29.107) devient :
cos ( n + 1 )2 0 + cos ( n 1 )2 0 = 2 cos 2 0 n cos 2 0
Equ(29.108)
Posons x ( n ) = cos 2 0 n , et r-crivons (29.108) :

x ( n + 1 ) + x ( n 1 ) = 2x ( n ) cos 2 0
Equ(29.109)
Lquation (29.109) peut scrire lordre infrieur (par le changement de variable

n n1) :
x ( n ) + x ( n 2 ) = 2x ( n 1 ) cos 2 0 soit :
x ( n ) = 2 cos 2 0 x ( n 1 ) x ( n 2 )
Equ(29.110)
et dune manire gnrale :

x ( n ) = a1 x ( n 1 ) a2 x ( n 2 )
Equ(29.111)
avec a1 = 2 cos 2 0 et a2 = 1
Lquation (29.111) gnre une sinusode x ( n ) = cos 2 0 n centre sur la frquence 0 .
Le systme possde donc une paire de ples aux frquences = 0 .
On peut facilement gnraliser les rsultats prcdents un signal compos de k sinusodes.
Dans ce cas, lquation aux diffrences est telle que :
2k
x(n) =
am x ( n m )
Equ(29.112)
m=1
29.7.1.1 Fonction de transfert

La fonction de transfert dun systme rcursif RII (Rponse Impulsionnelle Infinie) est donne par (11.20) :
M
bk z
k=0
H ( z ) = --------------------------------N
1+
ak z
Equ(29.113)
k=1
Si lon considre, maintenant, un systme qui ne contient que des ples, la formule (29.113)
se simplifie avec b k = 0 pour 1 k M :
b0
H ( z ) = --------------------------------N
1+
ak z
k=1
Equ(29.114)
et compte-tenu de lquation aux diffrences (29.112), la fonction de transfert correspondante peut scrire :
1
H ( z ) = -----------------------------------2k
1+
am z
Equ(29.115)
m=1
2k
Le polynme au dnominateur de (29.115) : 1 +
am z
m=1
donne les ples de la fonction
de transfert. Ce polynme possde 2k racines sur le cercle unit, correspondant aux frquences gnres.
P. NAYMAN
Master CMI
439
29.7.2. Sinusodes entaches dun bruit blanc

2
Considrons un bruit blanc w ( n ) de variance E [ w ( n ) ] = w non corrl avec le signal.

On observe le signal bruit :
y( n) = x( n) + w( n)
Equ(29.116)
soit :
x( n) = y( n) w( n)
Equ(29.117)
Si lon substitue (29.117) dans lquation gnrale aux diffrences (29.112), on obtient :
2k
y( n) w( n) =
am [ y( n m ) w ( n m ) ]
Equ(29.118)
m=1
2k
Remarquons que la quantit y ( n ) +
a m y ( n m ) peut tre r-crite en intgrant y ( n )
m=1
2k
dans la sommation :
a m y ( n m ) avec a 0 = 1 . On utilisera la mme remarque pour w ( n ) .
m=0
Dans ce cas (29.118) devient :

2k
2k
am y ( n m ) =
m=0
am w ( n m )
Equ(29.119)
m=0
Lquation (29.119) reprsente un processus ARMA(k,k) avec des paramtres AR et MA

identiques. Cette symtrie est une des caractristiques des sinusodes noyes dans un bruit blanc
additif.
Ecrivons lquation (29.119) sous la forme matricielle :
T
Equ(29.120)
y a = w a
avec :
y
= [ y ( n ) y ( n 1 )y ( n 2k ) ] le vecteur observ de dimension (2k+1).
= [ w ( n ) w ( n 1 )w ( n 2k ) ] le vecteur de bruit de dimension (2k+1).
a = [ 1 a 1 a 2k ] le vecteur des coefficients de dimension (2k+1).
Multiplions les deux membres de (29.120) par y :

T
Equ(29.121)
yy a = yw a
Puis prenons lesprance mathmatique des deux membres de (29.121) :

T
E [ yy ]a = E [ yw ]a
Equ(29.122)
Daprs (29.116) :
y = x + w , lquation (29.122) devient :
T
E [ yy ]a = E [ ( x + w )w ]a
Equ(29.123)
T
La matrice dauto corrlation de y est telle que R yy = E [ yy ] et la variance du bruit est

2
w = E [ ww ] . Compte-tenu que le bruit nest pas corrl avec le signal : E [ xw ] = 0 (principe
dorthogonalit). Dans ce cas, lquation (29.123) peut se mettre sous la forme :

2
[ R yy w I ]a = 0
Equ(29.124)
2
Dans cette quation, la variance du bruit w correspond une valeur propre de la matrice
de corrlation R yy . Le vecteur de coefficients a est un vecteur propre associ la valeur propre
P. NAYMAN
Master CMI
440
w . Lquation fondamentale (29.124) est la base des mthodes spectrales bases sur la dcom-
position de la matrice de corrlation en lments propres.

Reconsidrons la fonction de corrlation :
*
R yy ( k ) = E [ y ( n )y ( n k ) ]
Equ(29.125)
avec y ( n ) le signal x ( n ) entach dun bruit blanc additif w ( n ) :

y(n) = x(n) + w(n)
Equ(29.126)
De lquation (29.126) on en dduit facilement y ( n k ) :

y(n k) = x(n k) + w(n k)
Equ(29.127)

*
R yy ( k ) = E [ ( x ( n ) + w ( n ) ) ( x ( n k ) + w ( n k ) ) ] = E [ x ( n )x ( n k ) ] + R ww ( k )
Equ(29.128)
Comme le bruit nest pas corrl au signal, on a utilis le fait que

*
E [ x ( n )w ( n k ) ] = E [ w ( n )x ( n k ) ] = 0 .
Considrons que le signal x ( n ) = A 0 cos 2 0 n dans ce cas :

x ( n k ) = A 0 cos 2 0 ( n k ) et lquation (29.128) devient :
2
R yy ( k ) = A 0 E [ cos 2 0 n cos 2 0 ( n k ) ] + R ww ( k )
1
et compte-tenu de lidentit cos acos b = --- [ cos ( a + b ) + cos ( a b ) ] :
2
2
A0
R yy ( k ) = ------ E [ cos 2 0 ( 2n k ) + cos 2 0 k ] + R ww ( k )

2
2
A0
= ------ E [ cos 2 0 k ] + R ww ( k )
2
2
A0
= ------ cos 2 0 k + R ww ( k )
2
2
A
Posons que la puissance moyenne de la sinusode est gale P 0 = -----0- , alors :
2
R yy ( k ) = P 0 cos 2 0 k + R ww ( k )
Equ(29.129)
De lquation (29.129) on dduit facilement que :

2
R yy ( 0 ) = P 0 + w pour k = 0
R yy ( k ) = P 0 cos 2 0 k pour k 0
On peut extrapoler les rsultats prcdents au cas de p sinusodes :

p
Pi + w
2
R yy ( 0 ) =
pour k = 0
Equ(29.130)
i=1
p
R yy ( k ) =
Pi cos 2i k
pour k 0
Equ(29.131)
i=1
P i reprsente la puissance moyenne de la sinusode i de frquence i et damplitude A i .
La variance du bruit est obtenue partir de lquation (29.130) :

p
2
w
= r yy ( 0 )
Pi
Equ(29.132)
i=1
r yy ( m ) est lestimation de R yy ( m ) .
P. NAYMAN
Master CMI
441
Lquation (29.131) correspond au produit de matrices suivant :

cos 2 1
cos 2 2 cos 2 p
P1
cos 4 1
cos 4 2 cos 4 p
P2
R yy ( 1 )
R yy ( 2 )
cos 2p 1 cos 2p 2 cos 2p p P p
Equ(29.133)
R yy ( p )
29.7.3. Gnralisation avec une exponentielle complexe

Gnralisons les rsultats prcdents au cas dune exponentielle complexe. Pour cela,
considrons lquation (29.126) avec, une exponentielle complexe, comme signal dentre :
y ( n ) = A0 e
2i 0 n
+ w(n)
Equ(29.134)
Dans ce cas, lquation (29.129) devient :

R yy ( k ) = P 0 e
2i 0 k
+ R ww ( k )
Equ(29.135)
Comme y ( n ) = x ( n ) + w ( n ) , la matrice dauto corrlation R yy est gale la somme des

matrices de corrlation du signal et du bruit :
Equ(29.136)
R yy = R xx + R ww
avec :
1
e
R xx = P 0
2 i 0
2i 0
2i ( M 1 ) 0
2i ( M 2 ) 0
2 i ( M 1 ) 0
2 i ( M 2 ) 0
Equ(29.137)
On remarquera que R xx est de rang 1 .

La matrice dauto corrlation du bruit scrit :
2
R ww = w I
Equ(29.138)
En combinant (29.136) et (29.138) on obtient :

2
R yy = R xx + w I
Equ(29.139)
Dfinissons le vecteur signal s 0 suivant :

s 0 = [ 1, e
2i 0
,e
4i 0
, , e
2i ( M 1 ) 0 T
Equ(29.140)

T
R xx = P 0 s 0 s 0
Equ(29.141)
avec s 0 le transpos conjugu de s 0 .

Comme R xx est de rang 1, cette matrice ne possde quune valeur propre diffrente de zro.
Multiplions les deux membres de (29.141) par s 0 :
T
R xx s 0 = P 0 s 0 s 0 s 0 = P 0 s 0 ( s 0 s 0 ) = MP 0 s 0
T
avec M = s 0 s 0 . On en dduit que MP 0 et s 0 sont respectivement la valeur propre et le vecteur propre de R xx .

6. Le rang dune matrice correspond au nombre de colonnes linairement indpendantes. Le rang permet
dfinir le nombre de valeurs propres diffrentes de zro.
P. NAYMAN
Master CMI
442
De plus, une proprit des matrices hermitiennes implique que les autres vecteurs propres
sont orthogonaux s 0 :
T
pour i = 2, 3, M
s0 vi = 0
Equ(29.142)
Soit x, i les valeurs propres de R xx , en multipliant les deux membres de (29.139) par v i :
2
R yy v i = ( R xx + w I )v i = x, i v i + w v i = ( x, i + w )v i
Equ(29.143)
Les vecteurs propres de R yy sont identiques ceux de R xx et les valeurs propres de R yy

sont :
2
i = x, i + w
Equ(29.144)
et la plus grande valeur propre de R yy est :

2
max = MP 0 + w
Equ(29.145)
comme les autres valeurs propres de R xx sont nulles, on en dduit que les M-1 autres va2
leurs propres de R yy sont gales w .

De lquation (29.145) on peut dduire la puissance du signal :
1
P 0 = ----- ( max min )
M
Equ(29.146)
avec w = min
29.7.4. Rsum de la dcomposition en lments propres

1- Dcomposer la matrice dauto corrlation R yy en lments propres.
2
La plus grande valeur propre est telle que : max = MP 0 + w , les autres valeurs sont gales
2
w .
2- Utiliser les valeurs propres de R yy pour dterminer la puissance P 0 et la variance du
bruit :
2
w = min
1
P 0 = ----- ( max min )
M
3- Dterminer la frquence 0 partir du vecteur propre v max , en considrant par exemple

le second coefficient :
i = arg [ v max ( 1 ) ]
29.7.5. Exemple
Soit le signal y ( n ) = A 0 e
2i 0 n
+ w ( n ) , en analysant y ( n ) on a trouv la matrice dauto cor-
rlation suivante :
R yy =
3
2(1 i)
2(1 + i)
3
2
Calculons det 3 2 ( 1 i ) = 0 soit le polynme 6 + 1 = 0 dont les racines sont
2( 1 + i ) 3
les valeurs propres de R yy :
P. NAYMAN
Master CMI
443
1, 2 = 3 2 2
Les vecteurs propres sont tels que :

3
2 ( 1 i ) v 11 = v 11 et
1
2(1 + i)
3
v 12
v 12
3
2 ( 1 i ) v 12 = v 12
1
v 22
v 22
2(1 + i)
3
La rsolution de ce systme donne les vecteurs propres suivants :

1
v 1, 2 =
2
------- ( 1 + i )
2
La variance du bruit est gale min :

2
w = min = 3 2 2
La puissance de lexponentielle complexe est :

1
1
P 0 = ----- ( max min ) = --- ( ( 3 + 2 2 ) ( 3 2 2 ) ) = 2 2
M
2
Remarquons que lon peut utiliser lquation (29.132) pour trouver la variance du bruit :
2
w = r yy ( 0 ) P 0 = 3 2 2
La frquence du signal est :
2
0 = arg [ v max ( 1 ) ] = arg ------- ( 1 + i ) = --4
2
1
soit 0 = --- .
8
29.7.6. Mthode de dcomposition harmonique de Pisarenko

Pisarenko a montr quun processus ARMA compos de p sinusodes entaches dun bruit
2
blanc w ( n ) est tel que la variance w du bruit correspond la plus petite valeur propre de la matrice R yy lorsque la dimension de cette matrice est suprieure ou gale ( p + 1 ) ( p + 1 ) . Le vecteur des coefficients ARMA correspond au vecteur propre qui est associ la valeur propre
minimale.
On suppose que la matrice dauto corrlation du signal est connue ou a t estime.
La mthode de dcomposition harmonique de Pisarenko est dune utilit limite du fait de
sa grande sensibilit au bruit. Par contre, cette mthode est intressante
Si lon considre que le bruit nest pas corrl au signal, il est possible dappliquer le principe dorthogonalit.
Soit v min le vecteur propre du bruit, qui correspond la plus petite valeur propre de la matrice R yy et s i les vecteurs des signaux, dans ce cas :
p
H
s i v min
vmin ( k )e
2ik i
i = 1, 2, , p
= 0
Equ(29.147)
k=0
p
La quantit V min ( e
2i
) =
vmin ( k )e
2ik
est nulle pour chaque frquence de lexpo-
k=0
P. NAYMAN
Master CMI
444
nentielle complexe i pour i = 1, 2, , p .

Dune manire plus gnrale lquation (29.147) scrit :
p
H
sk vi
= Vi ( e
2ik
vi ( k )e
) =
2ik i
i = 1 , 2 , , p
= 0
Equ(29.148)
k=0
En consquence, la transforme en z du vecteur propre du bruit peut tre vu comme un filtre

propre possdant p zros sur le cercle unit. Ceci se traduit par lquation suivante :
p
vmin ( k )z
V min ( z ) =
(1 e
k=0
2i k 1
z )
Equ(29.149)
k=1
Les frquences des exponentielles complexes peuvent tre extraites partir des racines du
filtre propre.
Il est galement possible destimer les frquences au moyen, par exemple, dune fonction
destimation frquentielle.
H
1
- = s vi
On peut considrer la fonction -------------------2i
F ( e
s = [ 1, e
2i
,e
4i
, , e
2i ( M 1 ) T
comme un estimateur spectral. En effet,
et v i est le vecteur propre du bruit et pour = k
1
s ( k ) = s k . Dans ce cas, ----------------------- = 0 pour k = 1, 2, , p .
F ( e 2i k )
1
- peut tre utilis pour estimer les frquences du signal.
La fonction inverse de ---------------------2i
F ( e
2i
1
F ( e
) = ---------------H 2
s vi
Equ(29.150)
Le dnominateur de (29.150) tend vers zro aux frquences des exponentielles complexes
2i
et (le signal tant orthogonal aux diffrents vecteurs propres du bruit. F ( e
) devient thorique2i
ment infini aux frquences estimer. En pratique, F ( e
) donne une valeur finie toutes les frquences.
2i
F ( e
) est appel pseudo spectre ou encore spectre propre.
En pratique, on peut implmenter le pseudo spectre en prenant la transforme de Fourier

de v i puis dinverser le carr de la transforme de Fourier.
Dans le cas de p exponentielles complexes, lquation (29.135) devient :
p
Pi e
R yy ( k ) =
2i i k
+ R ww ( k )
Equ(29.151)
i=1
Comme R yy = R xx + R ww
2
avec R ww = w I
Dfinissons le vecteur signal s i suivant :
s i = [ 1, e
2i i
,e
4i i
, , e
2i ( M 1 ) i T
Lquation (29.151) se met sous la forme :

p
R yy =
i=1
P. NAYMAN
Master CMI
p
T
Pi si si
+ R ww =
Pi si si
+ w I
Equ(29.152)
i=1
445
Lquation (29.152) peut galement scrire :

H
R yy = SPS + w I
Equ(29.153)
Considrons les vecteurs propres et les valeurs propres dtermins partir de la matrice
dauto corrlation R yy :
R yy v i = i v i
i = 1, 2, , p
Equ(29.154)
H
On utilisera des vecteurs propres normaliss, tels que vi v i = 1

H
Multiplions les deux membres de (29.154) par v i :

H
v i R yy v i = i v i v i = i
i = 1, 2, , p
Equ(29.155)
Remplaons R yy dans (29.155) par la valeur donne par (29.152) :

p
H
Pk s k sk
v i R yy v i = v i
+ w I vi = i
Equ(29.156)
k=1
Considrons les 2 derniers termes de lquation (29.156), et multiplions les 2 membres sucH
cessivement par v i ( gauche) et par vi ( droite) :

p
H
vi vi
Pk sk sk
+ w I v i v i = i v i v i et comme v i v i = 1 :
k=1
p
Pk sk sk
+ w I = i
k=1
p
Pk sk sk
= i w puis en multipliant le premier terme par v i v i = 1 :
k=1
p
P k sk sk v i vi
H
= i w et finalement :
k=1
p
Pk sk vi
H
= i w
i = 1, 2, , p
Equ(29.157)
k=1
p
Daprs (29.148) :
H
sk vi
= Vi ( e
2i k
vi ( k )e
) =
2ik i
i = 1 , 2 , , p
= 0
k=0
le module au carr
H 2
s k vi
est donc gal :
sk vi
= Vi ( e
2ik 2
Equ(29.158)
En substituant (29.158) dans (29.157) :

p
P k Vi ( e
2i k 2
= i w
i = 1, 2 , , p
Equ(29.159)
k=1
Lquation (29.159) correspond lquation matricielle suivante :
P. NAYMAN
Master CMI
446
V1 ( e
V2 ( e
2i 1 2
2i 1 2
V1 ( e
V2 ( e
2i 2 2
2i 2 2
2i 1 2
2i 2 2
Vp ( e
Vp ( e
V1(e
V2(e
2i p 2
2i p 2
Vp(e
2i p 2
P1
1 w
P2
= 2 w
2
Pp
p w
Equ(29.160)
Lquation (29.160) permet de trouver les puissances P k connaissant les valeurs propres et
la variance du bruit.
29.7.7. Rsum de lestimation selon la mthode de Pisarenko

1- Dcomposer la matrice dauto corrlation R yy en lments propres et dterminer la plus
petite valeur propre min et le vecteur propre associ v min .
2
2- La variance du bruit est gale la plus petite valeur propre : w = min et les frquences
des exponentielles sont les racines du filtre propre :
p
vmin ( k )z
V min ( z ) =
k=0
(1 e
2i k 1
z )
k=1
2i
1
) = ---------------- .
Il est galement possible de dterminer les pics du pseudo spectre F ( e
2
H
s vi
3- Calculer les puissances des exponentielles complexes en rsolvant lquation (29.160).
29.7.7.1 Exemple de programme MATLAB utilisant la

mthode de Pisarenko
Le programme MATLAB suivant permet de retrouver les frquences dun signal entach
dun bruit blanc gaussien.
Considrons le signal x = sin 2 0 n + w ( n ) de frquence normalise 0 = 0, 2 . Le bruit
2
blanc w ( n ) est gaussien et de variance w = 0, 2 . Dans ce cas le nombre dexponentielles complexes est p = 2 .
La figure 29.11 montre le rsultat obtenu par le programme. Il faut noter que cette estimation se dgrade fortement lorsque la variance du bruit augmente.
% Dcomposition harmonique de Pisarenko
% sinusode f=0.2 bruite par un bruit gaussien de variance 0.3
f=0.2;
N=10;
p=2;
% Nombre d'exponentielles complexes
M=p+1;
varbruit=0.2;
Nfft=256;
x= sin(2*pi*f*[0:(N-1)]')+ varbruit*randn(size(N)); % signal + bruit
r=corrmtx(x,M,'cov');
% Estimation de la matrice de corrlation
r=r(1:M,1:M);
[Q0,D]=eig(r);
% La matrice doit tre carre

% lments propres de la matrice de corrlation
[lambda,index]=sort(abs(diag(D))); % Tri des lments propres

P. NAYMAN
Master CMI
447
Q=Q0(:,index(M:-1:1));
F=1./abs(fftshift(fft(Q(:,M),Nfft))).^2; % Estimateur de frquences
140
Estimateur de frquences (dB)
120
100
80
60
40
20
0
-20
-40
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
Frquences normalises (Hz)
0.3
0.4
0.5
Figure 29.11 : Extraction des frquences dans la mthode de Pisarenko
29.7.7.2 Exemple de calcul des frquences et des puissances

dun signal par la mthode de Pisarenko
Considrons un processus alatoire compos de deux exponentielles complexes et dun
bruit blanc additif. Le processus est dfini par les coefficients de corrlation suivants :
Rx ( 0 ) = 6
R x ( 1 ) = 1, 92705 + i4, 58522
R x ( 2 ) = 3, 42705 + i3, 59541
Calculons par la mthode de Pisarenko, les frquences et les puissances des exponentielles
complexes.
Comme le nombre dexponentielles p = 2 , la matrice dauto corrlation est une matrice de
Toeplitz 3 3 :
Rx =
6
1, 92705 i 4, 58522 3, 42705 i 3, 59541
1, 92705 + i4, 58522
6
1, 92705 i 4, 58522
3, 42705 + i3, 59541 1, 92705 + i4, 58522
6
Les vecteurs propres sont :

0, 2742 0, 3045i 0, 4877 0, 5119i 0, 4034 0, 4116i
v = [ v 1, v 2, v 3 ] = 0, 3315 + 0, 7446i 0, 0092 0, 0039i 0, 2244 0, 5342i
0, 4097
0, 7071
0, 5763
Les valeurs propres associes sont :

1 = 1
2 = 1, 1049
3 = 15, 8951
La plus petite valeur propre est min = 1 et le vecteur propre correspondant est :
0, 2742 0, 3045i
v min = 0, 3315 + 0, 7446i
0, 4097
Considrons le vecteur v min et cherchons les racines du filtre propre7 :
7. On peut utiliser la commande MATLAB : roots(vmin);

P. NAYMAN
Master CMI
448
( 0, 2742 0, 3045i )z + ( 0, 3315 + 0, 7446i )z + 0, 4097 = 0
On obtient :
z 1 = 0, 5 + 0, 8660i
z 2 = 0, 3090 + 0, 9511i
et 1 = arg ( z 1 ) = ---
3
2
2 = arg ( z 2 ) = -----5
A laide de (29.149), valuons les vecteurs v 2 et v3 aux frquences 1 et 2 , puis prenons

le carr du module, on obtient les polynmes suivants :
2
V 2 ( z 1 ) = ( 0, 4877 0, 5119i )z 1 + ( 0, 0092 0, 0039i )z 1 0, 7071 z 1

2
V 2 ( z 2 ) = ( 0, 4877 0, 5119i )z 2 + ( 0, 0092 0, 0039i )z 2 0, 7071 z 2

2
V 3 ( z 1 ) = ( 0, 4034 0, 4116i )z 1 + ( 0, 2244 0, 5342i )z 1 + 0, 5763 z 1

2
V 3 ( z 2 ) = ( 0, 4034 0, 4116i )z 2 + ( 0, 2244 0, 5342i )z 2 + 0, 5763 z 2
Remarque : lvaluation de v 1 est telle que V 1 ( z 1 ) = V 1 ( z 2 ) = 0

Lvaluation8 de ces quations donne les quatre valeurs suivantes :
2
i --3-
V2 e

i --3-
V3 e

2 2
i -----5
= 0, 0315 ; V 2 e
= 0, 0139
2 2
i -----5
= 2, 9685 ; V 3 e
= 2, 9861
Pour trouver les puissances des exponentielles complexes, nous allons utiliser lquation
(29.160) :
2
1 w
P1
0
0
2
2, 9685 2, 9861 P 2 = 2 w
0, 0315 0, 0139 P 3
2
3 w
avec 1 = 1
2 = 1, 1049
3 = 15, 8951 et
w = min = 1 . Seules les puissances P 2 et P 3 existent, en rsolvant le systme ci-dessus, on
trouve : P 2 = 2 et P 2 = 3 .
29.7.8. La mthode MUSIC

La mthode MUSIC (MUltiple SIgnal Classification) est une amlioration de la mthode de
Pisarenko. Cette mthode est galement une technique de base sur lestimation frquentielle.
Cet algorithme utilise une fentre temporelle M > p + 1 afin destimer les frquences contenues dans le signal.
Considrons que le signal x ( n ) est un processus alatoire compos de p exponentielles
2
complexes et dun bruit blanc additif de variance w .

8. on peut utiliser les commandes MATLAB suivantes qui valuent un polynme pour la valeur prcise :
polyval(v2,exp(i*pi/3);
polyval(v2,exp(i*2*pi/5));
polyval(v3,exp(i*pi/3);
polyval(v3,exp(i*2*pi/5));
P. NAYMAN
Master CMI
449
On considre R x la matrice dauto corrlation ( M M ) du signal x ( n ) avec M > p + 1 . Dans

la mthode de Pisarenko, la matrice de corrlation est telle que M = p + 1 . Dans la mthode MUSIC, la dimension de la matrice est plus grande, le moyennage du bruit est possible et lestimation
frquentielle plus robuste que dans la mthode de Pisarenko.
Lensemble des lments propres de la matrice dauto corrlation se dcompose donc en
deux sous-ensembles. Le premier v i
i = 1, 2, p compos des principaux vecteurs propres
est le sous-espace des signaux (correspond aux plus grandes valeurs propres). Le second,
vi
i = p + 1, p + 2, M correspond au sous-espace du bruit. Les signaux sont obtenus par des
combinaisons linaires des vecteurs propres du sous-espace des signaux. Les sous-espaces signaux et bruit sont orthogonaux (selon le principe dorthogonalit).
H
i = p + 1, p + 2, M
s k vi = 0
Lestimation de la variance du bruit est effectue en moyennant les M p plus petites valeurs propres (celles qui correspondent au sous-espace du bruit) :
M
2
1
w = -------------Mp
Equ(29.161)
k =p+1
Les vecteurs propres de R x sont de longueur M. Chaque filtre propre du sous-espace du

bruit est tel que :
M1
Vi ( z ) =
v i ( k )z
i = p + 1, , M
Equ(29.162)
k=0
En consquence, les transformes en z des vecteurs propres donnent les filtres propres. Ces
filtres possdent M 1 racines (zros) et p de ces racines sont sur le cercle unit aux frquences
des exponentielles complexes. Le spectre propre, de chaque vecteur propre de bruit, est donn par
lquation suivante :
1
1
---------------------------- = -----------------------------------------------M1
2
2i 2
Vi ( e
)
2 ik
vi ( k )e
Equ(29.163)
k=0
Il faut noter que les M p 1 zros restants peuvent se trouver nimporte quel endroit et
ventuellement polluer le spectre propre. Dans lalgorithme MUSIC, leffet de ces pics indsirables est rduit par le moyennage ralis par lestimateur frquentiel suivant :
2i
1
P music ( e
) = --------------------------------M
s vi
Equ(29.164)
i= p+1
Les frquences des exponentielles complexes sont choisies aux emplacements des p plus
2i
H
grands pics de P music ( e
) . Comme s et v i sont orthogonaux, lestimateur tend vers linfini
pour les frquences du signal.

On remarquera que pour M = p + 1 lalgorithme MUSIC est quivalent celui de Pisarenko.
Une mthode alternative, pour valuer les frquences, consiste considrer le dnominateur de (29.164) :
M
D(z) =
i = p+1
s vi
Qi ( z )
i =p+1
i = p+1
* 1
Q i ( z )Q i ----
*
z
Equ(29.165)
On remarquera que les frquences recherches sont les p racines de D ( z ) .

P. NAYMAN
Master CMI
450
29.7.8.1 Exemple de programme MATLAB codant lalgorithme MUSIC

Le programme MATLAB suivant dtermine, laide de lalgorithme MUSIC, les frquences
de 6 exponentielles complexes (3 sinus) noyes dans un bruit gaussien important de variance
2
w = 100 .
La figure 29.12 montre la trs bonne rsolution frquentielle de lalgorithme MUSIC.

On remarquera le pic parasite en zro.
% Algorithme MUSIC
% sinusodes f=0.1,f=0.2,f=0.3 bruite par un bruit gaussien de variance 10
f1=0.1; f2=0.2; f3=0.3; varbruit=10;
N=100; Nfft=1024;
p=6;
% Nombre d'exponentielles complexes (3x2)
M=N-p; n=0:N-1;
x= sin(2*pi*f1*n)+ sin(2*pi*f2*n)+sin(2*pi*f3*n)+varbruit*randn(size(N));
% signal + bruit
[X,R]=corrmtx(x,M,'cov');
% Estimation de la matrice de corrlation
[v,d]=eig(R);% Dcomposition matrice de corrlation en lments propres

[lambda,index]=sort(diag(d));% Tri des valeurs propres
lambda=lambda(M:-1:1);
Q=v(:,index(M:-1:1));
D=zeros(Nfft,1);
for k=1:M-p
val=(fftshift(fft(Q(:,M-(k-1)),Nfft)));
D=D+(abs(val)).^2;
end;
D=-20*log10(D);
t=-0.5:1/Nfft:0.5-1/Nfft;
plot(t,D)
xlabel('Frquences normalises (Hz)')
ylabel ('Estimateur de frquences (dB)')
40
Estimateur de frquences (dB)
30
20
10
0
-10
-20
-30
-40
-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
Frquenc es norm alis es (Hz )
0. 3
0.4
0.5
Figure 29.12 : Estimation de frquence laide de lalgorithme MUSIC
P. NAYMAN
Master CMI
451
30. ANNEXES
30.1. Les dcibels
En physique, lutilisation dunits logarithmiques est trs frquente et permet de reprsenter
plus facilement de nombreux phnomnes.
Une de ces units, le dcibel est dfini comme le logarithme ( base 10) dun rapport de
puissances :
P1
P ( dB ) = 10 log ------P2
Equ(30.1)
Si les deux puissances P1 et P2 sont dissipes dans des rsistances R1 et R2 :

2
P1
U1 R1
P ( dB ) = 10 log ------- = 10 log --------------------2
P2
U2 R2
U1
R1
P ( dB ) = 20 log ------- 10 log ------U2
R2
Si on value la puissance dissipe dans la mme rsistance R1 = R2 :

P ( dB ) = 20 log U1
------U2
Equ(30.2)
De la mme manire, on montre que :

I1
P ( dB ) = 20 log ----I2
Equ(30.3)
On peut driver des quations prcdentes dautres units trs utilises qui dfinissent une
grandeur par rapport une valeur de rfrence :
dBV
U ( V )
dBV = 20 log ----------------1V
Equ(30.4)
dBm
P ( mW )
dBm = 10 log -----------------1mW
Equ(30.5)
dBA
U ( A )dBA = 20 log ---------------1A
Equ(30.6)
Tableau 12: Changement dunit

En considrant que la puissance est donne par la relation suivante :
2
U
P = -----R
Equ(30.7)
et que la charge est de 50 :

10 log P ( W ) = 20 log U ( V ) 10 log R ( )
Cherchons convertir des dBm en dBV :

Lquation 30.7 peut se mettre sous la forme :
V ( V ) 2
---------------6
P ( mW )
10
------------------ = -----------------------1000
R
P. NAYMAN
Master CMI
452
ANNEXES
P ( mW ) = V ( V ) 2 10
11
et en prenant le logarithme des deux membres :

dBV = dBm + 107
Equ(30.8)
Une dmarche analogue conduirait aux rsultats suivants :

dBm = dB ( W ) + 30
dBV = dB ( V ) + 120
P. NAYMAN
Master CMI
453
Equ(30.9)
Equ(30.10)
ANNEXES
30.2. Spectre lectromagntique

Le Tableau 13 indique les frquences et longueurs donde particulires su spectre lectromagntique.
Longueur
donde
cm
<10
10
10
10
10
10
10
10
10
11
10
3 10
25
10
3 10
19
3 10
20
3 10
18
3 10
19
3 10
15
3 10
17
3 10
10
15
11
11
10 10
10 10
10 10
T ( K ) = 1, 16 10 E ( eV )
>10
10 10
15
10
10
12
10
source
15
10
10
15
acclrateurs
11
rayons
rayons X durs
rayons X mous
10 10
10 10
3 10
16
4 120
4 10 1, 2 10
3 10
14
15
14
10 4 10
3 10
12
3 10
14
3 10
10
3 10
12
10
1 10
>10
22
3 10
T = Ek
( cmE) ( eV ) = 4 10
25
3 10
10
12
10
Temprature
E = h
( Hz ) = 3 10
>310
10
10
Energie
= c
15
15
Frquence
10
3 10 3 10
10
10
10
10
1
10
10
10 10
2
1 10
10
ultraviolet
visible
infrarouge
ondes millimtriques
ondes radio
10
3 10
UHF
3 10
VHF
3 10
TV, FM radio
3 10
ondes courtes
3 10
ondes longues
10
10
10
10
Tableau 13: Spectre lectromagntique
30.2.1. La roue des couleurs

La roue des couleurs permet de schmatiser simplement lassociation longueur donde (nm)
et couleur. Chaque secteur reprsente une couleur dominante (figure 30.1). La figure 30.2 donne
une autre reprsentation du spectre lectromagntique.
P. NAYMAN
Master CMI
454
ANNEXES
700 400 nm
Vio
e
ug
Ro
620 nm
Indigo
Orang
460 nm
e
Bl
eu
n
Jau
580 nm
430 nm
let
Vert
490 nm
560 nm
Figure 30.1 : La roue des couleurs
Rouge
700
Infra-rouge
14000
Orange
Spectre invisible
650
Jaune
585
575
Vert
Bleu
490
400
425
UV-A
315
UV-B
Spectre visible
Violet
Spectre invisible
Longueur donde en nm
Figure 30.2 : Spectre lectromagntique et rayonnement
P. NAYMAN
Master CMI
455
ANNEXES
30.3. Formulaire trigonomtrique

2
( cos z ) + ( sin z ) = 1
sin ( a + b ) = sin a cos b + sin b cos a
sin ( a b ) = sin a cos ( b sin b cos a )
cos ( a + b ) = cos a cos b sin a sin b
cos ( a b ) = cos a cos b + sin a sin b
1
sin a sin b = --- [ cos ( a b ) cos ( a + b ) ]
2
1
cos a cos b = --- [ cos ( a + b ) + cos ( a b ) ]
2
1
sin a cos b = --- [ sin ( a + b ) + sin ( a b ) ]
2
p+q
pq
sin p + sin q = 2 sin ------------ cos ------------
2
2
pq
p+q
sin p sin q = 2 sin ------------ cos ------------
2
2
pq
p+q
cos p + cos q = 2 cos ------------ cos ------------
2
2
pq
p+q
cos p cos q = 2 sin ------------ cos ------------
2
2
sin 2a = 2 sin a cos a
2
cos 2a = ( cos a ) ( sin a )
cos 2a = 2 ( cos a ) 1
cos 2a = 1 2 ( sin a )
( cos a ) = ( 1 + cos 2a ) 2
2
( sin a ) = ( 1 cos 2a ) 2
2 tan a
tan 2a = --------------------------2
1 ( tan a )
P. NAYMAN
Master CMI
456
ANNEXES
INDEX
Couleurs 455
Couplage 325
A
Aliasing 48
Amplificateur synchrone
Lock-in 103
Daubechies 163, 168, 172

Dcibels 452
Dcimation 151
Dcomposition spectrale 355
Dmodulation synchrone 98
Dtecteur 233
Analytique 83
AR 361
AR(1) 361
ARMA 363
Auto-corrlation drive 75
Auto-rgressif 361
Auto-rgressif moyenne mobile 361
Capacit 233
95, 101
Corrlation 102
Dirac 3
Discrimination 239
Dispersion spectrale 130
Distorsion 39
Dtection synchrone
B
Bande quivalente de bruit
Bartlett 134, 423
Bzout 168
Biais 414
Blackman 134
Blackman et Tukey 426
Blanchiment 352
Blindages 320
Boltzmann 182
Bruit 178
184
Distorsion dinter modulation 336

Distorsion harmonique 336
Distribution
Drivation 4
Dirac 3, 5, 20
Distribution de Dirac 21
Distribution de Poisson 62
Dyadique 158
Dynodes 266
1/f 190, 223

Blanc 76
Flicker noise 190
Grenaille 187
Impulsionnel 193
Quantification 178
Shot noise 187
Statistique 193
Thermique 182
Transistors 211
E
Early 212
Echantillonnage 45
Ecrans 320
Effet de peau 303
Efficacit de collection 262,
Efficacit quantique 262
Elments mathmatiques 1
Burg 431
Cauchy 2
Lebesgue 1
Les distributions 3
Oprations sur les distributions 3
Partie principale 2
Riemann 1
C
Cble blind 326
Cble coaxial 307
Calorimtres 225
Campbell 187, 194
Capon 435
Cauchy 2
Champ lectromagntique 318
Chirp 141
Classification des signaux 5
Coefficients de rflexions 371
Comparaison bipolaire-FET 223
Comparateur 240
Compatibilit lectromagntique 318
Composantes de Rice 91
Convertisseurs analogiques-numriques
Empilement 199
ENC 198
Enveloppe complexe
Ergodicit
Erreur
Master CMI
57
De dcalage 334
De gain 335
Espace dtat 403
Estimateur consistant 414
Estimation 352
Estimation spectrale 414
Evnements en cascade 264
332,
55
P. NAYMAN
89, 91
Composantes en quadrature 90
Rice 90
342
Convolution 21,
Corrlation 53
267
457
INDEX
Hilbert
Facteur de bruit 191, 270

Facteur de Fano 312
Factorisation spectrale 353
Fano 312
Fentrage 129, 140
Impdance caractristique
Innovation 352
Interfrences 69, 70
Inter-spectres 69
Fentre cosinusdale 133

Fentres les plus utilises 134
301
Fil 308
Filtrage 37
Jitter 241
Johnson 182
Adapt 77
Gain 38
Filtrage adaptatif
Filtre
83
K
Kaiser 134
Kalman 402
380
Adapt 77
Butterworth 122, 186
Gaussien 204
Miroirs conjugus 156
Optimum 196
Quadrature 154
L
Lagunas 438
Lanczos 134
Le basculeur Poisonnien 73
Lebesgue 1
Levinson-Durbin 372
Lignes de transmissions 298
Filtre en treillis 369

Filtre propre 445
Filtres dinnovation et de blanchiment 352
Fonction
Diffrentes 306
Lock-in 103
Lorentz 238
Caractristique 60
Gnratrice 59
Orthogonale 7
Pondration 193
Fonction signe 84
Formule des interfrences
Formule du moment 69
Foudre 329
Fourier 10, 16
M
MA 362
Mallat 160
Mesures temporelles 237
Mthode par ajustement dune sinusode
Mthode statistique 338
Meyer 160
Microstrip 308
Miller 233
Modle de base 211
Modle harmonique 438
Modulateurs sigma delta 345
Modulation 95
Modulation damplitude 96
Moment (formule) 69
Morlet 143
Moyenne mobile 361
MUSIC 449
70
Sries 10
Transformation 16
Transforme de signaux priodiques 31
Transformes de base 27
Fraction constante 242
G
Gabor 140
Gibbs (Phnomne) 13
Gradient dterministe 381
Gradient stochastique 395
N
Newton 380
Non-linarit diffrentielle 333
Non-linarit intgrale 334
H
Haar 144
Hamming 134
Hanning 134
Harmoniques 33
Hartley 181
Heisenberg 59
Hermitienne 355
P. NAYMAN
Master CMI
O
Ondelettes 140,
143
P
Paire torsade 307, 326
Paley-Wiener 353, 358
458
341
INDEX
Parseval 9, 30
Priodogramme 416
Priodogramme moyenn 423
Phase linaire 39, 126, 157
Photolectron 267
Photo-mission 265
Photomultiplicateurs 262
Pisarenko 444
Plank 182
Poisson 62
Spectrales (Proprits) 66
corrlation 70
Densit spectrale de puissance 70
Spectre lectromagntique 454,
Spectre propre 445
Spectre unilatral et bilatral 13
Stabilit 81
Standard nim 314
Stationnarit
Au second ordre 54
Au sens large 54
Au sens strict 54
Formule sommatoire 25
Ple zro 235
Pondration 193
Pramplificateur de charges 226
Pramplificateur de courant 226
Prdiction 352
Prdiction arrire 366
Prdiction avant 364
Prdiction linaire 343, 363
Principe dincertitude 57
Principe dorthogonalit 384, 404
Processus driv 75
Pseudospectre 445
Stripline 309
Surchantillonnage 342
Synthse (filtre numrique) 115
Systmes numriques 104
T
Temporelles 237
Temps de Vol 237
Temps mort 249
Cumulatif 250
Non cumulatif 250
Q
Quantification 332
Quantification diffrentielle
Quasi-Newton 381
Toeplitz 354
Transforme
342
En Z 108
Fourier 16
Hilbert 83
Laplace 79
R
Rapport signal bruit 337
Rayonnement 330
Rcursifs 107
Rendement quantique 262
Rendement quantique effectif
Repliement spectral 48
Rponse impulsionnelle 37
Rponse invariante 104
Rsolution 262, 332
Riccati 407
Rice 91
Riemann 1
RIF 106
Tukey 134
U
Uniforme
270
V
Variance 53
Vectorielle 7
Vetterli 156
W
Welch 425
Wiener 383
Wiener-Hopf 344, 384
Wiener-Kinchine 67, 68
S
Schottky 187
Schwartz 3, 58
Sries de Fourier 10
Y
Yule-Walker
Convergence 12
Shannon 45, 182
Signal analytique 83
Proprits 88
Signal quivalent au bruit 197
signal tlgraphique alatoire 74,
Signaux alatoires 52
P. NAYMAN
Master CMI
52
287
459
377, 429
455
31. BIBLIOGRAPHIE
[4] Bennett William R., Davey James R. - Data transmission - McGraw-Hill Book Compagny.
[5] Breitenberger Ernst - Scintillation spectrometer statistics - Progress in Nuclear Physics 1955, 4
- p. 56-94
[6] Buil Christian - Astronomie CCD - Socit dAstronomie Populaire.
[7] Charbit Maurice - lments de thorie du signal : Les signaux alatoires - ellipses.
[8] Charoy Alain - Parasites et perturbations des lectroniques - tome 1 - Dunod Tech.
[12] Clark T.L., McCollum M.B., Trout D.H. - MEDIC HandBook - NASA Reference Publication
1368, June 1995
[13] CMOS data book - Systems Design Considerations When Using Cypess CMOS circuits - p. 1060. 1988.Bennett
[14] Daubechies Ingrid - Ten Lectures on Wavelets. Philadelphia, PA : SIAM books - 1992.
[15] De Coulon F. - Thorie et traitement des signaux - Dunod.
[16] Delmas Jean-Pierre - lments de thorie du signal : Les signaux dterministes - ellipses.
[17] de Naurois M. - Lexprience CELESTE : Reconversion dune centrale solaire pour lastronomie
... Thse de doctorat de luniversit Paris VI - 1990.
[18] Diniz Paulo S. R., Adaptive filtering. (Third edition) - Springler - 2008
[19] Gatti E., Manfredi P.F. - Processing the Signals from Solid-State Detectors in Elementary-Particle Physics. - Rivista del nuovo cimento - 1985.
[20] Gatti E., Hrisoho A., Manfredi P. F. - Choice between FETs or bipolar transistors and optimization.... - IEEE Transactions on Nuclear Science, Vol. NS-30, N 1, Feb. 1983.
[21] Gatti E., Svelto V. - Theory of time resolution in scintillation counters - Nuclear Instruments and
Methods 4 (1959) - p. 189-201.
[22] Gatti E., Svelto V. - Review of theories and experiments of resolving time with scintillation counters - Nuclear Instruments and Methods 43 (1966) - p. 248-268.
[23] Gray Paul R., Meyer Robert G. - Analysis and design of analog integrated circuits - John Wiley
& Sons.
[24] Hayes Monson H. - Statistical Digital Signal Processing and Modeling - John Wiley & Sons, Inc.
- 1996
[25] Haykin S. - Adaptive Filter Theory (Fourth edition) - Prentice Hall - 2002
[26] Hrisoho A. - Front-End Electronics for H.E.P. - LAL/RT 90-06 - July 1990.
[27] Hrisoho A. - Time domain noise calculation for the common base current amplifier configuration.
- Nuclear Instruments and Methods 185 (1981) - p. 207-213.
[28] Hui Tian, Abbas El Gamal - Analysis of 1/f Noise in Switched MOSFET Circuits. - Information
Systems Laboratory, Electrical Engineering Department - Standford University (document web).
[29] Janesick James R. - Scientific Charge-Coupled Devices - SPIE Press
[30] Kay Steven M. - Fundamentals of Statistical Signal Processing : Estimation Theory - PRENTICE
HALL
[31] Klempt W. - Review of particle identification by time of flight techniques - Nuclear Instruments
and Methods A 433 (1999) - p 542-553.
[32] Konrad M. - Detector Pulse Shaping for High Resolution Spectroscopy - p. 268 - IEEE Transactions on NUCLEAR SCIENCE - Vol. NS15 - February 1968.
[33] Knoll Glenn F. - Radiation detection and measurement - Second edition - John Wiley & Sons.
[34] LeCroy Research System - An Introduction to NIM - p. 258 - 1996 Catalog.
[35] Mallat Stphane - A Wavelet tour of signal processing - Academic Press - 1997.
[36] Manolakis Dimitris G., Ingle Vinay K., Kogon Stephen M. - Statistical and adaptive Signal
Processing - ARTEC HOUSE - 2005.
P. NAYMAN
Master CMI
460
BIBLIOGRAPHIE
[37] Max J. - Mthodes et techniques de Traitement du signal - tome 1 - Masson.

[38] Mller J. W. - Generalized dead times. - Nuclear Instruments and Methods A301 (1991) - p. 543551
[39] Murakami H. - On the equivalent noise charge (ENC) of a cr-rcn prefilter into a gated integrator
system including the 1/f noise source. - Nuclear Instruments and Methods A234 (1985) - p. 132-141.
[40] Nicholson P.W. - Nuclear Electronics - John Wiley & Sons, New York - 1973.
[41] Ohkawa S., Yoshizawa M., Husimi K. - Direct synthesis of the gaussian filter for nuclear pulse
amplifiers. - Nuclear Instruments and Methods 138 (1976) - p. 85-92.
[42] ORTEC - Techniques for Improved Time Spectroscopy - Application Note 41.
[43] Ott Henry W. - Noise reduction techniques in electronic systems - John Wiley & Sons, New
York.
[44] Petit R. - Loutil mathmatique - 2 dition - Masson.
[45] Philips - Photomultiplicateurs - 1990.
[46] Proatis John G., Manolakis Dimitris G. - Digital Signal Processing - Prentice Hall Intl.
[47] Quarta Lucas - Une introduction (lmentaire) la thorie des ondelettes - Cahier pdagogique
#2 (22 novembre 2001) - Universit de Mons-Hainaut, Institut de Mathmatique.
[48] Radeka V. - Signal, noise and resolution in position-sensitive detectors. - report BNL 18377 -feb.
1974.
[49] Roubine E. - Introduction la thorie de la communication - Masson.
[50] Spataru Alexandru - Thorie de la transmission de linformation, Signaux et bruits - tome 1 Masson et Cie.
[51] Takacs L. - Ann. Math. Stat. 29 (1958) 1257.
[52] Torrence C., Compo G. P. - A Practical Guide to Wavelet Analysis - Bulletin of the American
Meteorological Society - Vol. 79, No., January 1998.
P. NAYMAN
Master CMI
461
BIBLIOGRAPHIE

Cours Signal 2013

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cours Signal 2013

Uploaded by

Copyright:

Available Formats

2012-2013

DERNIRE MISE JOUR : 13/09/12

QUELQUES LMENTS MATHMATIQUES............................................................... 1

par la figure 4.15. ..................................................................................................... 28

Fonction caractristique dune variable alatoire ......................................................... 60

Dmonstration de la condition dadmissibilit ...................................................... 147

Traitement statistique des impulsions de bruit ........................................................... 193

Utilisation dun discriminateur fraction constante................................................... 242

Ltage de sortie.......................................................................................................... 283

La non-linarit intgrale ....................................................................................... 334

Exemple dun signal bruit .................................................................................... 386

Exemple ................................................................................................................. 443

1. QUELQUES LMENTS MATHMATIQUES

avec x i < i < x i + 1

1.2. Notions sur lintgrale de Lebesgue

porte quelle intgrale dfinie :

Lebesgue considre que labscisse x de lquation 1.1 dfinissant la somme de Riemann a

Les points font partie dun domaine D compos de sous ensembles D i .

QUELQUES LMENTS MATHMATIQUES

avec y i < i < y i + 1 .

Figure 1.1 : Comparaison de lintgrale de Riemann et de Lebesgue

1.3. Intgrale en partie principale de Cauchy

1.4. Espace fonctionnel

QUELQUES LMENTS MATHMATIQUES

1.5. Les distributions au sens de L. Schwartz

1.5.1. Distributions associes aux fonctions localement intgrables

1.5.2. La distribution de Dirac

1.5.3. Oprations sur les distributions

QUELQUES LMENTS MATHMATIQUES

1.5.3.2 Drivation (cas gnral)

f( t ) ( t )dt et en intgrant par partie :

( t ) tant support born ( ) = 0 .

Lquation 1.11 explicite que toute distribution est indfiniment drivable.

1.5.3.3 Drivation de fonctions discontinues

Avec : f ( t 0 ) = a et f ( t 0 ) = b . La hauteur de la discontinuit est h = b a .

Figure 1.2 : Une fonction discontinue

drive de la fonction de Heaviside est une fonction de Dirac :

QUELQUES LMENTS MATHMATIQUES

2. CLASSIFICATION DES SIGNAUX

2.1. Classification dterministe-alatoire

2.2. Classification nergtique

et la puissance moyenne (si elle existe) par la relation :

2.3. Autres types de signaux

On peut trouver de nombreuses reprsentations de la distribution de Dirac. La figure 2.1

CLASSIFICATION DES SIGNAUX

Figure 2.1 : Impulsion de Dirac

2.3.2. Le peigne de Dirac

2.3.3. Les signaux nuls gauche

Figure 2.2 : Le signal nul gauche

2.4. Classification continu/discret

Figure 2.3 : Reprsentation continue dun signal

CLASSIFICATION DES SIGNAUX

par une suite dchantillons.

Figure 2.4 : Reprsentation discrte dun signal

2.5. Reprsentation vectorielle des signaux

Les coefficients a k constituent une reprsentation discrte du signal x ( t ) .

2.5.2. Espace vectoriel des signaux

x1 ( t )x2 ( t )dt est le produit scalaire.

est la distance associe, cest la mesure de dissemblance entre x 1 ( t ) et x 2 ( t ) .

2.5.3. Dveloppement en srie de fonctions orthogonales

CLASSIFICATION DES SIGNAUX

Le produit scalaire de x et 1 permet de dterminer le coefficient a1 :

comme la base est orthogonale : ( 1, 1 ) = 1 et ( 2, 1 ) = 0

On peut approcher x ( t ) par x ( t ) dfinie comme tant :

( fg )' = fg*' = fg' = f'g