Академический Документы
Профессиональный Документы
Культура Документы
On présente ici la base des signaux et systèmes à temps discret. Un signal discret peut
se produire naturellement (comme la population annuelle des chevreuils) ou comme le
résultat d’un échantillonnage (la vitesse d’une voiture mesurée à toutes les secondes).
Toute donnée stockée sur un ordinateur est une donnée discrète. On utilise la forme x[n]
pour représenter un signal discret.
Un système discret est un système où l’entrée et la sortie sont des signaux discrets. Par
exemple, un système peut représenter le trajet entre une tour de télécommunications et
un téléphone cellulaire. Ce trajet modifiera un peu le signal ; l’entrée est un peu différente
de la sortie.
Un signal discret ou échantillonné x[n] est une séquence ordonnée de valeurs corres-
pondant à un index entier n qui représente l’histoire en fonction du temps du signal.
Le signal discret ne donne aucune information quant à l’intervalle d’échantillonnage ts ,
le temps entre chaque échantillon du signal. Un signal discret est tracé en fonction de
l’échantillon n et non en fonction du temps. Pour représenter l’origine du signal, le point
où n = 0, on utilise une flèche soit au-dessus ou au-dessous du chiffre correspondant à
n = 0. Ex : x[n] = {1, 2, 4, 8, . . .}. La figure 5.1 montre un exemple de signal discret.
↑
1
CHAPITRE 5. SIGNAUX ET SYSTÈMES DISCRETS
Un signal discret périodique se répète à tous les N échantillons, et est décrit par :
x[n] = x[n ± kN ] où k = 1, 2, 3, . . . (5.1)
La période N est le plus petit nombre d’échantillons qui se répètent. La période d’un
signal discret est toujours un entier. Pour un signal périodique, la valeur moyenne xav et
la puissance P sont définis selon
N −1 N −1
1X 1X
xav = x[n] P= |x[n]|2 (5.2)
N N
n=0 n=0
Exemple 1
et la puissance est :
3
1X 1
P= |x[n]|2 = (36 + 0 + 36 + 0) = 18 W
4 4
n=0
On retrouve généralement les même propriétés pour un signal discret que pour un
signal continu. Les deux opérations les plus importantes sont le déphasage temporel et le
repliement.
Le déphasage temporel a lieu lorsqu’on déplace la séquence x[n] vers la droite ou vers
la gauche d’un certain nombre d’échantillons α. Un signal y[n] = x[n − α] représente une
version retardée de x[n] (pour α > 0). En d’autres mots, si x[n] commence à n = N , alors
y[n] = x[n − α] commence à N + α.
Le repliement permet de faire une image miroir d’un signal. Un signal y[n] = x[−n]
représente une version repliée de x[n], ou un image miroir de x[n] autour de n = 0.
Évidemment, on peut aussi appliquer le retard temporel à un signal replié.
La technique générale de transformation vue pour les signaux à temps continu s’ap-
plique aux signaux à temps discrets.
Exemple 2
Soit la séquence x[n] = {2, 3, 4, 5, 6, 7}. Trouver et tracer le graph de y[n] = x[−n + 1].
↑
Pour obtenir y[n], on va déplacer la séquence vers la gauche de 1 échantillon, puis faire
l’image miroir :
y[n] = {7, 6, 5, 4, 3, 2}
↑
x[n] x[n]
7 7
2 2
n n
0 0
5.2.1 Symétrie
Tout comme les signaux continus, on peut définir certaines symétries pour les signaux
discrets. Un signal est dit de symétrie paire si
Les deux formes de symétrie sont mutuellement exclusives : un signal ne peut pas être
pair et impaire en même temps. De plus, n’importe quel signal peut être décomposé en
une somme d’un signal pair et un signal impair :
5.3.1 Décimation
x[2n] équivaut alors au signal compressé x(2t) qui est échantillonné à ts et contient les
échantillons x[0], x[2], x[4], . . .. On peut aussi obtenir y[n] directement si on échantillonne
le signal x(t) à des intervalles de 2ts .
Une décimation d’un facteur N équivaut à garder tous les N échantillons d’un signal.
Ceci peut mener à de la perte d’information.
5.3.2 Interpolation
x[n] x[n]
6 6
n n
0 2 −2 0 2 4 6
x[n] x[n]
6 6
n n
−2 0 2 4 6 −2 0 2 4 6
{1, 1, 6, 6, 8, 8}
↑
On retrouve les même signaux communs en temps discret qu’en temps continu, soit
l’impulsion, l’échelon et la rampe. L’impulsion, par définition, est :
0, n , 0
δ[n] = (5.9)
1, n = 0
Quelques autres fonction utiles sont les fonctions rect et tri. La fonction rect(n/2N)
représente un pulse centré à l’origine, de largeur totale 2N .
1, |n| ≤ N
rect[n/2N ] = (5.12)
0, ailleurs
La fonction sinc est aussi une fonction souvent rencontrée en analyse des signaux. Par
définition,
sin(nπ/N )
sinc[n/N ] = (5.14)
nπ/N
La fonction sinc(n/N ) est 0 pour n = kN , k = 0, 1, 2, . . .. À n = 0, par définition, sinc(0) = 1.
Bien qu’une sinusoı̈de continue est une fonction périodique, une sinusoı̈de échantil-
lonnée n’est pas toujours périodique. On utilise un exemple : supposons qu’une sinusoı̈de
quelconque est échantillonnée. Si elle est périodique, il faut que x[n] = x[n + N ] (équation
5.1). On a donc :
Pour que les deux côtés de l’équation soient égaux, il faut que N F = k, un entier. Si N F
n’est pas un entier, la période du signal échantillonné sera différente de celle du signal
original continu. La figure 5.3 donne un exemple de signal échantillonné périodique et
non périodique.
cos(0.125πn) cos(0.5n)
1 1
0 0
−1 −1
0 5 10 15 20 25 30 0 5 10 15 20 25 30
n n
Remarquer que dans la deuxième figure, cos(0.5n) n’est pas périodique : les sommets
(ou zéros) ne sont pas aux mêmes endroits. L’enveloppe de ce signal est quand même
périodique.
Un système à temps discret est un système où l’entrée et la sortie sont des signaux
discrets. Les systèmes étudiés ici sont des systèmes linéaires. Les systèmes linéaires per-
mettent d’étudier une grande variété de systèmes sans avoir besoin de les apprendre tous
en détail. Sans cette linéarité, il faudrait étudier chaque système un par un, pour en com-
prendre le comportement. Il est donc bien important de comprendre les caractéristiques
des systèmes linéaires.
Les systèmes linéaires discrets possèdent les même caractéristiques que les systèmes
linéaires continus :
1. Homogénéité
2. Additivité
3. Linéarité statique
4. Fidélité sinusoı̈dale
5. Superposition
La réponse impulsionnelle fonctionne de la même façon que pour les systèmes conti-
nus.
5.7 L’échantillonnage
L’échantillonnage est une composante très importante d’un système discret. L’échan-
tillonnage permet de convertir un signal continu à un signal discret. On ne s’intéresse
pas ici à l’électronique de cette conversion, mais plutôt l’aspect de quand prendre les
échantillons (c’est-à-dire à quelle fréquence).
5.7.1 Échantillons
L’échantillonnage est le processus de discrétiser un signal : c’est aller lire une valeur
d’un signal continu à des temps fixes. Pour un signal continu x(t) (comme un signal radar),
qu’on échantillonne à toutes les ts secondes, on obtient un signal discret x[n] :
Dans la figure 5.4 a), on voit bien qu’on a aucun problème à reconstruire le signal
original, puisqu’il s’agit du DC.
DC f0 = 0.09fs
1 1
0
0.5
−1
0
0 0.05 0.1 0.15 0.2 0 0.05 0.1 0.15 0.2
Temps (s) Temps (s)
f0 = 0.31fs f0 = 0.95fs
1 1
0 0
−1 −1
0 0.05 0.1 0.15 0.2 0 0.05 0.1 0.15 0.2
Temps (s) Temps (s)
Dans la figure 5.4 b), l’onde continue a une fréquence plus de 10 fois plus petite que
la fréquence d’échantillonnage (f0 = 0.09fs ). Un exemple serait une sinusoı̈de ayant une
fréquence de 90Hz, et l’échantillonnage se faisant à 1000 échantillons par seconde (fs =
1000Hz). Dans ce cas, on prend 11.1 échantillons par période du signal d’entrée. On voit
bien quand même qu’on pourra bien reconstruire le signal original.
Le troisième exemple, celui de la figure 5.4 c), montre une sinusoı̈de dont la fréquence
est 0.31 de la fréquence d’échantillonnage. On ne prend donc que 3.2 échantillons par
période. Les échantillons sont assez espacés pour qu’il soit difficile de reconnaı̂tre le signal
original. Est-ce qu’on peut quand même reconstruire le signal original ? Bien que c’est un
peu difficile à dire visuellement, la réponse est oui.
Pour le dernier exemple, figure 5.4 d), où la fréquence de la sinusoı̈de est 0.95 de la
fréquence d’échantillonnage, on voit clairement qu’on ne pourra pas reconstruire le signal
original. Le signal échantillonné semble être une sinusoı̈de de fréquence plus faible. En
fait, c’est une sinusoı̈de de fréquence 0.05 la fréquence d’échantillonnage. Dans ce cas,
le taux d’échantillonnage est trop faible pour l’entrée continue. Le phénomène où une
sinusoı̈de change de fréquence pendant l’échantillonnage est appelé le aliasing (distortion
de repliement). Après l’échantillonnage, il n’y a rien qui puisse indiquer que le signal
d’entrée continu avait une fréquence de 0.95 fois la fréquence d’échantillonnage plutôt
que le 0.05 fois mesuré. C’est ce qui mène au théorème de l’échantillonnage.
Le théorème de l’échantillonnage indique qu’il faut bien connaı̂tre les fréquences d’un
signal ou être en mesure d’en filtrer. Par exemple, si on peut mesurer 2000 échantillons
par seconde, il faut limiter l’entrée à 1kHz. S’il y a des fréquences au-dessus de 1kHz
présentes dans le signal d’entrée, ces fréquences vont se replier (aliasing) à des fréquences
entre 0 et 1000Hz et se combiner avec l’information qui est légitimement dans cette
région.
5.8 Repliement
Exemple 3
Soit un système où l’on fait de l’échantillonnage à 200Hz. Pour les entrées 180 Hz et
220Hz, y aura-t’il du repliement ? Si oui, quelle fréquence apparaı̂tra ? Tracer le graphe de
cet échantillonnage.
Pour la première fréquence, on a fs < 2f0 , alors il y a repliement. Pour savoir quelle
fréquence on aura au repliement, on calcule :
Il faut donc que M = 1, ce qui donne une fréquence de repliement fa = 20Hz. On peut
tracer cet effet à l’aide de Matlab :
Remarquer que les deux entrées donnent la même fréquence repliée, mais qu’il y a un
déphasage de 180◦ avec le premier signal. La fréquence est bien 20Hz (1/50ms).
Lorsque la fréquence d’un signal continu est plus élevée que le taux de Nyquist, le re-
pliement change la fréquence mesurée à quelque chose qui peut être représenté par le taux
d’échantillonnage. Toutes les fréquences au-dessus du taux de Nyquist vont se replier à
une fréquence entre 0 et le taux de Nyquist. S’il y a déjà une sinusoı̈de à cette fréquence, le
signal replié s’y ajoutera, ce qui donne une perte d’information. Le repliement peut causer
une perte d’information aux basses et aux hautes fréquences. Exemple : supposons qu’on
vous donne un signal qui contient une fréquence de 0.2 fois le taux d’échantillonnage. S’il
n’y a pas eu de repliement, alors le signal continu fut échantillonné correctement. Cepen-
dant, s’il y a eu du repliement, on ne sait pas si c’est à cause d’une fréquence de 0.2, 0.8,
1.2, 1.8, 2.2, etc.
Tout comme le repliement change la fréquence d’un signal, il peut aussi changer la
phase, comme on a vu à l’exemple 3. Dans le signal de la figure 5.4 d), il y a déphasage de
180°. Seulement deux changements de phase sont possibles : 0 ou 180°. Un déphasage de
0 a lieu pour des fréquences entre 0 et 0.5, 1.0 à 1.5, 2.0 à 2.5, etc. Le déphasage de 180° a
lieu pour des fréquences entre 0.5 et 1.0, 1.5 à 2.0, 2.5 à 3.0, etc.
f0 = 180Hz
−1
0 5 10 15 20 25 30 35 40 45 50 55
Temps (ms)
f0 = 220Hz
−1
0 5 10 15 20 25 30 35 40 45 50 55
Temps (ms)
être un signal audio dont on a filtré les composantes plus élevée que 4kHz, avec un taux
d’échantillonnage de 10kHz.
0 t f
0 fs 2fs
0 t f
0 fs 2fs
Figure 5.6 – Signal continu échantillonné et son spectre
échantillonné le signal ? Oui, parce qu’on peut éliminer les fréquences supérieures en
utilisant un filtre passe-bas.
0 t f
0 fs 2fs
Recouvrement
Figure 5.7 – Signal continu échantillonné et son spectre
La reconstruction d’un signal est l’opération de passer d’un signal discret à un signal
continu. Une équation générale permet de représenter ceci :
∞
X
y(t) = y[n]p(t − nTs ) (5.18)
n=−∞
Il existe quelques possibilités pour reconstruire le signal. La figure 5.8 montre quatre
exemples.
-ts ts
-ts ts
c) Cubique d) Sinc (idéal)
Figure 5.8 – Quelques pulses pour reconstruire un signal
Le pulse sinc est le pulse qui, théoriquement, reconstruit exactement le signal original.
Cependant, pour reconstruire exactement le signal original, le pulse sinc doit être de lon-
gueur infinie, ce qui n’est pas possible en pratique. On utilise plutôt un pulse triangulaire,
avec plus d’échantillons, pour reconstruire le signal original.