Ch5 Signaux Et Sysèmes Discrets PDF

Chapitre 5
Signaux et systèmes discrets
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.
On s’intéresse ici aux systèmes linéaires. Cette supposition permet de simplifier le

travail et est très importante pour ce qu’on verra ici.
5.1 Signaux discrets
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
Figure 5.1 – Exemple de signal discret
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
L’énergie d’un signal est :

∞
X
E= |x[n]|2 (5.3)
n=−∞
Exemple 1
Calculer la valeur moyenne et la puissance d’un signal périodique x[n] = 6 cos(2πn/4)

de période N = 4.
Une période de ce signal est (n = 1, 2, 3, 4) :

x1 [n] = {6, 0, −6, 0}
↑
La valeur moyenne est :

3
1X 1
xav = x[n] = (6 + 0 − 6 + 0) = 0
4 4
n=0
et la puissance est :
3
1X 1
P= |x[n]|2 = (36 + 0 + 36 + 0) = 18 W
4 4
n=0
Gabriel Cormier 2 GELE2511

5.2 Opérations sur un signal discret
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}
↑
Ou, d’une autre façon, m = −n + 1, et donc le nouvel axe est n = −m + 1.
La figure suivante montre la séquence x[n] et y[n].
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
x[n] = x[−n] (5.4)
On utilise la notation xe pour noter un signal pair.
Un signal est dit de symétrie impaire si
x[n] = −x[−n] (5.5)
On utilise la notation xo pour noter un signal impair.
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 :
x[n] = xe [n] + xo [n] (5.6)
On obtient les composantes paires et impaires selon :
xe [n] = 0.5(x[n] + x[−n]) (5.7)

xo [n] = 0.5(x[n] − x[−n]) (5.8)
À noter que xo [0] = 0, et que la somme de xo [n] doit être nulle.
5.3 Décimation et interpolation
La décimation et l’interpolation sont deux opérations qui affectent l’échelle de temps

d’un signal. Pour des signaux discrets, la mise à l’échelle du temps correspond à aug-
menter ou réduire la longueur du signal. Il faut cependant faire attention à comment ces
opérations sont effectués.
5.3.1 Décimation
La décimation est la compression du temps d’un signal. Ceci correspond à accélérer

un signal, ou réduire son taux d’échantillonnage. Supposons qu’on a un signal x[n] qui
correspond à un signal continu x(t) échantillonné à des intervalles ts . Le signal y[n] =

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
L’interpolation est l’étirement en fonction du temps. Ceci correspond à ralentir le si-

gnal, ou augmenter le taux d’échantillonnage. Supposons qu’on a un signal x[n] qui cor-
respond à un signal continu x(t) échantillonné à des intervalles ts . Le signal y[n] = x[n/2]
équivaut alors au signal x(t) qui est échantillonné à des intervalles de ts /2 (ou à un taux
de S = 2/ts ). On a donc 2 fois plus d’échantillons : on étire le signal x[n] dans les deux
directions. Cependant, comment calculer la valeur des nouveaux échantillons ?
Trois techniques populaires existent pour faire l’interpolation :

1. Interpolation zéro : Implique que chaque nouvel échantillon est nul (zéro).
2. Interpolation échelon : On prend la valeur précédente pour le nouvel échantillon.
3. Interpolation linéaire : On fait la moyenne entre les valeurs de chaque côté du
nouvel échantillons.
La figure 5.2 montre des exemples des trois types d’interpolation. La figure 5.2 a) est
le signal original. Les échantillons en rouge sont les nouveaux échantillons.
La décimation est l’inverse de l’interpolation, mais le contraire n’est pas nécessaire-

ment vrai. Lorsqu’il y a décimation, il y a perte d’information ; on n’est pas capable de
reproduire correctement le signal original. Comme exemple, on utilise la séquence
x[n] = {1, 2, 6, 4, 8}
↑
On applique en premier l’interpolation échelon sur cette séquence, et on obtient :

{1, 1, 2, 2, 6, 6, 4, 4, 8, 8}
↑
Puis on applique la décimation, et on retrouve le signal original :

{1, 2, 6, 4, 8}
↑
Cependant, si on inverse l’ordre des opérations, on ne retrouvera pas la séquence ori-

ginale. On applique en premier la décimation sur la séquence x[n] :
{1, 6, 8}
↑

x[n] x[n]
6 6
n n
0 2 −2 0 2 4 6
a) signal original b) interpolation zéro
x[n] x[n]
6 6
n n
−2 0 2 4 6 −2 0 2 4 6
c) interpolation linéaire d) interpolation échelon
Figure 5.2 – Exemples d’interpolation
et puis on applique l’interpolation échelon :
{1, 1, 6, 6, 8, 8}
↑
ce qui n’est pas la même séquence que l’originale.
5.4 Signaux discrets communs
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

La fonction échelon discrète est :


0, n<0


u[n] =  (5.10)
1,
 n≥0

La fonction rampe est : 

0, n<0


r[n] =  (5.11)
n,
 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 tri crée un triangle d’amplitude maximale 1 centré à l’origine, de largeur

totale à la base de 2N . 
|n|
1 − N , |n| ≤ N


tri[n/2N ] =  (5.13)
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.
5.5 Sinusoı̈des discrètes
Si on échantillonne une sinusoı̈de continue x(t) = cos(2πf0 t) à un intervalle ts , (ce qui

correspond à un taux d’échantillonnage S = 1/ts échantillons par seconde), on obtient la
sinusoı̈de échantillonnée suivante :
f0
x[n] = cos(2πf0 nts + θ) = cos(2πn + θ) = cos(2πnF + θ) (5.15)
S
où F = f0 /S est la fréquence numérique (en échantillons/seconde). Les quantités f0 et
ω = 2πf0 sont des fréquences continues. La fréquence numérique radiale est Ω = 2πF, en
radians/échantillon.
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 :
cos(2πnF + θ) = cos(2π(n + N )F + θ) = cos(2πnF + θ + 2πN F) (5.16)

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
Figure 5.3 – Exemples de sinusoı̈des échantillonnées
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.
5.6 Systèmes discrets
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).
L’objectif principal de ce chapitre est de comprendre le théorème de l’échantillonnage

(sampling theorem). Le théorème de l’échantillonnage dit qu’on peut reconstruire exacte-
ment un signal à partir de ses échantillons si la fréquence d’échantillonnage est plus de 2
fois la plus haute fréquence contenue dans le signal.
Le processus de reconvertir un signal discret à un signal continu est appelé la recons-

truction. Un bon exemple de reconstruction est les CD audio. La musique est stockée de
façon numérique sur les CD, puis le lecteur reconvertit ce signal en forme analogique
pour les haut-parleurs. La reconstruction est un processus d’interpolation.
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] :
x[n] = x(nts ) (5.17)
Pour bien effectuer la reconstruction du signal, il faut un nombre suffisant d’échan-

tillons. Si on ne prend pas assez d’échantillons par rapport à la période d’un signal, on
ne pourra pas reconstruire correctement le signal. La figure 5.4 montre quatre exemples
d’échantillonnage. La courbe en bleu représente le signal continu, tandis que les points
rouges représentent les échantillons.
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)
Figure 5.4 – Exemples d’échantillonnage
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.
5.7.2 Théorème de l’échantillonnage
Le théorème de l’échantillonnage, aussi appelé théorème de Nyquist, ou théorème de

Shannon 1 , dit qu’on peut reconstruire exactement un signal si la fréquence d’échantillon-
nage est plus de 2 fois la plus haute fréquence dans un signal.
Théorème de Nyquist : Pour un signal continu de fréquence maximale fmax ,

le taux d’échantillonnage S doit être plus grand que 2fmax .
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.
Il y a plusieurs exemples du théorème d’échantillonnage dans la vie courante. Par

exemple, les CD audio utilisent une fréquence d’échantillonnage de 44.1kHz pour le sto-
ckage, ce qui est un peu plus de 2 fois la fréquence maximale perçue par l’oreille humaine,
soit 20kHz.
5.8 Repliement
Qu’arrive-t’il à un signal si la fréquence d’échantillonnage n’est pas assez élevée ? On

a vu qu’il se produit un repliement : les fréquences plus élevées que la moitié de la
fréquence d’échantillonnage apparaissent alors comme des fréquences plus faibles. Pour
qu’il n’y ait pas de repliement, il faut que les fréquences dans un signal soient contenues
dans l’intervalle −0.5fs < f < 0.5fs . Les fréquences plus élevés apparaı̂tront comme des
signaux de fréquence fa = f0 − Mfs , où M est un entier choisit pour que −0.5fs < fa < 0.5fs .
1. Harry Nyquist et Claude Shannon ont travaillé pour Bell Telephone Laboratories, et ont publié dans
les années 1940 leurs travaux de recherche.

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 :
|fa | = 180 − M(200) < 0.5(200)
Il faut donc que M = 1, ce qui donne une fréquence de repliement fa = −20Hz.
Pour la deuxième fréquence, il y aura aussi du repliement. On calcule :
|fa | = 220 − M(200) < 0.5(200)
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.
On analyse maintenant plus en détail le repliement. Soit le signal continu de la figure

5.5, et son spectre en fréquence. Dans ce cas-ci, le taux d’échantillonnage proposé est
plus élevé que 2 fois la fréquence la plus haute dans le signal. Par exemple, ceci pourrait

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.
On va maintenant faire l’échantillonnage du signal continu, avec notre système de 10

000 échantillons par seconde. L’échantillonnage se fait en multipliant le signal continu
par une série d’impulsions. Le spectre du système après échantillonnage est montré à la
figure 5.6. La transformée de Fourier d’une série d’impulsions dans le temps est une série
d’impulsions dans le domaine de la fréquence, à des harmoniques de la fréquence princi-
pale (fs , le taux d’échantillonnage dans ce cas). La multiplication de deux signaux dans le
temps est équivalent à leur convolution dans le domaine de la fréquence. Le spectre du si-
gnal continu apparaı̂t donc de chaque côté des impulsions dues aux harmoniques de fs . Il
y a donc duplication du spectre original. La bande supérieure provient des fréquences po-
sitives, tandis que la bande inférieure provient des fréquences négatives du signal continu.
L’échantillonnage a produit de nouvelles fréquences. Est-ce qu’on a quand même bien

0 t f
0 fs 2fs
Figure 5.5 – Signal continu et son spectre
Bande inférieure Bande supérieure
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.
Qu’arrive-t’il maintenant si la fréquence d’échantillonnage serait trop faible ? Pour

cet exemple, on réduit le taux d’échantillonnage de moitié. La largeur du spectre du
signal continu n’a pas changée, et donc les largeurs des bandes latérales, mais le taux
d’échantillonnage plus faible fera en sorte que les bandes latérales se chevauchent, comme
à la figure 5.7. En pratique ce recouvrement fait que les deux bandes s’additionnent, et il
y a perte d’information. Même avec un filtre passe-bas, il est impossible de d’obtenir le
signal original.
Bande inférieure Bande supérieure
0 t f
0 fs 2fs
Recouvrement
Figure 5.7 – Signal continu échantillonné et son spectre

5.9 Reconstruction du signal
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=−∞
où p(t) est un pulse d’une forme quelconque.
Il existe quelques possibilités pour reconstruire le signal. La figure 5.8 montre quatre
exemples.
-0.5ts 0.5ts -ts ts

a) Pulse carré b) Pulse triangulaire
-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.

Ch5 Signaux Et Sysèmes Discrets PDF

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Ch5 Signaux Et Sysèmes Discrets PDF

Загружено:

Авторское право:

Доступные форматы

Chapitre 5

Signaux et systèmes discrets

On s’intéresse ici aux systèmes linéaires. Cette supposition permet de simplifier le

5.1 Signaux discrets

Figure 5.1 – Exemple de signal discret

L’énergie d’un signal est :

Calculer la valeur moyenne et la puissance d’un signal périodique x[n] = 6 cos(2πn/4)

Une période de ce signal est (n = 1, 2, 3, 4) :

La valeur moyenne est :

Gabriel Cormier 2 GELE2511

5.2 Opérations sur un signal discret

Ou, d’une autre façon, m = −n + 1, et donc le nouvel axe est n = −m + 1.

La figure suivante montre la séquence x[n] et y[n].

Gabriel Cormier 3 GELE2511

x[n] = x[−n] (5.4)

On utilise la notation xe pour noter un signal pair.

Un signal est dit de symétrie impaire si

x[n] = −x[−n] (5.5)

On utilise la notation xo pour noter un signal impair.

x[n] = xe [n] + xo [n] (5.6)

On obtient les composantes paires et impaires selon :

xe [n] = 0.5(x[n] + x[−n]) (5.7)

À noter que xo [0] = 0, et que la somme de xo [n] doit être nulle.

5.3 Décimation et interpolation

La décimation et l’interpolation sont deux opérations qui affectent l’échelle de temps

La décimation est la compression du temps d’un signal. Ceci correspond à accélérer

Gabriel Cormier 4 GELE2511

L’interpolation est l’étirement en fonction du temps. Ceci correspond à ralentir le si-

Trois techniques populaires existent pour faire l’interpolation :

La décimation est l’inverse de l’interpolation, mais le contraire n’est pas nécessaire-

On applique en premier l’interpolation échelon sur cette séquence, et on obtient :

Puis on applique la décimation, et on retrouve le signal original :

Cependant, si on inverse l’ordre des opérations, on ne retrouvera pas la séquence ori-

Gabriel Cormier 5 GELE2511

a) signal original b) interpolation zéro

c) interpolation linéaire d) interpolation échelon

Figure 5.2 – Exemples d’interpolation

et puis on applique l’interpolation échelon :

ce qui n’est pas la même séquence que l’originale.

5.4 Signaux discrets communs

La fonction échelon discrète est :

Gabriel Cormier 6 GELE2511

La fonction rampe est : 

La fonction tri crée un triangle d’amplitude maximale 1 centré à l’origine, de largeur

5.5 Sinusoı̈des discrètes

Si on échantillonne une sinusoı̈de continue x(t) = cos(2πf0 t) à un intervalle ts , (ce qui

cos(2πnF + θ) = cos(2π(n + N )F + θ) = cos(2πnF + θ + 2πN F) (5.16)

Gabriel Cormier 7 GELE2511

Figure 5.3 – Exemples de sinusoı̈des échantillonnées

5.6 Systèmes discrets

Gabriel Cormier 8 GELE2511

L’objectif principal de ce chapitre est de comprendre le théorème de l’échantillonnage

Le processus de reconvertir un signal discret à un signal continu est appelé la recons-

x[n] = x(nts ) (5.17)

Pour bien effectuer la reconstruction du signal, il faut un nombre suffisant d’échan-

Gabriel Cormier 9 GELE2511

Figure 5.4 – Exemples d’échantillonnage

Gabriel Cormier 10 GELE2511

5.7.2 Théorème de l’échantillonnage

Le théorème de l’échantillonnage, aussi appelé théorème de Nyquist, ou théorème de

Théorème de Nyquist : Pour un signal continu de fréquence maximale fmax ,

Il y a plusieurs exemples du théorème d’échantillonnage dans la vie courante. Par

Qu’arrive-t’il à un signal si la fréquence d’échantillonnage n’est pas assez élevée ? On