Modulations numériques

Notes de Cours
Densité spectrale de puissance
Olivier Rioul

est un outil fondamental pour l’étude

L
A DENSITÉ SPECTRALE DE PUISSANCE
des processus aléatoires, en traitement du signal, et en communications
numériques. Dans ce document on rappelle d’abord les notions vues pour des
signaux à temps-discret, puis on présente le cas des signaux analogiques (à temps
continu). Ces signaux sont en général à valeurs complexes. Le cadre habituel est
celui des signaux stationnaires au second ordre, mais on peut étendre la notion
de densité spectrale de puissance au cas de signaux cyclostationnaires afin de
calculer le spectre d’un signal modulé par une modulation linéaire.

1 Processus aléatoire à temps discret

Un processus aléatoire (appelé aussi stochastique) est une suite {X n } de va-
riables aléatoires qui représentent des échantillons d’un signal, ou des symboles
d’information à transmettre dans un système de communication numérique. La
description mathématique précise d’un processus {X n } est due à Kolmogorov
(théorème de consistance, 1933).
L’indice n est temporel, il représente le temps discret. Si on se donne une
période de référence T alors X n « arrive » à l’instant nT . Par exemple, un signal
aléatoire X (t ) échantillonné avec une période d’échantillonnage T fournit des
échantillons X n = X (nT ). En communications numériques, les symboles d’in-
formations X n sont transmis (modulés) avec un intervalle de durée constante
= T séparant l’émission de deux symboles successifs ; T est appelée période-
symbole.

1.1 Moyenne, stationnarité, ergodicité

Pour l’étude des processus à temps discret il est important de pouvoir définir
la notion de moyenne de X n . Deux définitions sont possibles :
– La moyenne d’ensemble (aussi appelée moyenne spatiale ou espérance) :
Z
E (X n ) = x dP X n (x)

1
 qui porte sur la distribution de probabilité de X n . Cette moyenne est dé-
terministe (non aléatoire), mais dépend en général du temps.
– La moyenne temporelle

1 n=N
X
< X >= lim Xn
N →∞ 2N + 1 n=−N

(moyenne sur le temps, ici temps passé et futur). Cette moyenne est indé-
pendante du temps, mais est en général aléatoire.
On est souvent amené à faire des hypothèses sur le processus pour simplifier
l’utilisation de ces moyennes :
– Pour un processus stationnaire (dont les propriétés aléatoires sont inva-
riantes par translation temporelle), la moyenne d’ensemble µ = E (X n ) ne
dépend pas du temps. Elle n’est cependant pas toujours égale à la moyenne
temporelle < X >.
– Pour un processus i.i.d. (symboles X n indépendants et identiquement dis-
tribués), qui est nécessairement stationnaire, on a la loi (forte) des grands
nombres (Kolmogorov,1928) :

n=N
1
X n −→ µ p.s.
X
2N +1 quand N → ∞
n=−N

(convergence presque sûre), autrement dit les moyennes d’ensemble et

temporelle coïncident < X >= E (X n ) presque sûrement.
– Pour un processus stationnaire ergodique1 (les événements invariants par
translation temporelle sont de probabilité nulle ou = 1), on a la loi forte
des grands nombres (Théorème ergodique de Birkhoff,1931) et on peut
donc identifier < X >= E (X n ) p.s.

1.2 Transformée de Fourier

On note {x n } une réalisation possible du processus {X n }. La transformée de
Fourier à temps-discret (TFTD) de {x n } est définie comme une série de Fourier

x n e −2 j πn f T
X
X (f ) =
n

C’est une fonction périodique de période (fréquentielle) = T1 . On peut retrouver

l’échantillon x n à partir de X ( f ) comme le coefficient de la série de Fourier :
Z
xn = T X ( f )e 2 j πn f T d f
( T1 )

1 Cette notion provient de la physique mécanique (ergodique signifie conservation de l’hamil-

tonien qui représente l’énergie) et n’est utile que pour des processus stationnaires, où il sert à
établir la loi des grands nombres même pour des symboles dépendants. (Un processus i.i.d. est
« trivialement » stationnaire ergodique par la loi du tout ou rien de Kolmogorov, 1933).

2
où le symbole ( T1 ) désigne un intervalle quelconque de longueur T1 (savoir lequel
n’a pas d’importance puisque la fonction intégrée est T1 -périodique).
La définition mathématique précise de la TFTD est facile pour des réali-
P
sations sommables ( n |x n | < ∞), mais ce n’est certainement pas le cas d’une
réalisation d’un processus même stationnaire (par exemple lorsque les X n = ±1
i.i.d.). La définition générale se fait au sens des distributions pour des suites {x n }
tempérées (à croissance lente).

1.3 Energie et puissance

P 2
L’énergie de {x n } est, par définition, la quantité E = n |x n | . Si cette énergie
est finie, on a la relation de Plancherel :
Z
|x n |2 = T |X ( f )|2 d f
X
n ( T1 )

qui montre que T |X ( f )|2 est une densité spectrale (=fréquentielle) d’énergie
(d.s.e.). Lorsque {x n } est une réalisation d’un processus aléatoire, ces notions
d’énergie et de densité d’énergie sont clairement inadaptées. D’abord, parce
que l’énergie est infinie en général (penser à l’exemple des X n = ±1 i.i.d.), et
ensuite parce que |X ( f )|2 est une quantité aléatoire dont on ne peut pas faire
grand chose.
Pour ces raisons, on préfère caractériser la puissance (énergie par unité de
temps) du processus, et prendre des valeurs moyennes.
On dit souvent que la puissance instantanée de X n est |X n |2 . En fait, lors-
qu’on a une référence temporelle T (période-symbole) cette quantité représente
(par exemple en communications numériques) l’énergie pour un intervalle de
durée = T , et par conséquent, la puissance dans cet intervalle est en fait = T1 |X n |2 .
Comme cette quantité est aléatoire, on étudie sa valeur moyenne. On a vu deux
définitions possibles de la puissance moyenne :
– Moyenne spatiale T1 E (|X n |2 )
X 1
– Moyenne temporelle lim 2N1+1 |X n |2 .
N →∞ |n|≤N T
qui coïncident pour un processus stationnaire ergodique. Dans le cas général,
on peut définir la puissance moyenne comme une double moyenne (spatiale et
temporelle) :
1 1 ³ X ´
P moy = lim E |X n |2
T N →∞ 2N + 1 |n|≤N

Cette puissance moyenne n’est bien définie dans la mesure où cette limite existe.
C’est toujours le cas pour un processus stationnaire car alors E (|X n |2 ) ne dépend
pas du temps n et donc
1
P moy = E (|X n |2 )
T
(On utilise souvent cette formule en supposant (implicitement) la stationnarité.)

3
1.4 Densité spectrale de puissance
Pour définir la densité spectrale de puissance (d.s.p.) du processus {X n }, on
applique la relation de Plancherel dans la définition de la puissance moyenne :
1 ³Z ´
P moy = lim E |X N ( f )|2 d f
N →∞ 2N + 1 ( T1 )
1
Z
= lim E (|X N ( f )|2 ) d f
1 N →∞ 2N + 1
(T )

où
X n e −2 j πn f T
X
XN ( f ) =
|n|≤N
est la transformée de Fourier du processus tronqué à (−N , N ). Il vient alors na-
turellement la définition suivante de la densité spectrale de puissance (d.s.p.) :
1
S( f ) = lim E (|X N ( f )|2 )
N →∞ 2N + 1

Cette d.s.p. n’est bien définie dans la mesure où cette limite existe. Noter que
dans ce cas, S( f ) est bien positive ≥ 0, et représente bien une densité spec-
trale (=fréquentielle) de puissance puisque qu’il faut l’intégrer sur les fréquences
pour obtenir la puissance moyenne :
Z
P moy = S( f ) d f
( T1 )

Cette formule sera d’un intérêt pratique considérable pour évaluer des puis-
sances moyennes (une fois qu’on saura calculer la d.s.p. grâce au théorème de
Wiener-Khintchine, voir ci-dessous).
La fonction S( f ) s’appelle aussi le spectre du processus (on a utilisé la lettre
« S » comme « spectre »). Il y a une relation forte avec la notion mathématique
de spectre (valeurs propres) d’opérateurs particuliers (comme ceux de noyaux
toeplitziens, liés à la notion de filtrage).

1.5 Théorème de Wiener-Khintchine

On se limite dans ce paragraphe aux processus stationnaires, et on cherche à
exprimer de façon la plus simple possible le spectre S( f ) en fonction des carac-
téristiques (moments) du processus.
En reportant la définition de X N ( f ) dans celle de S( f ), il vient
1
X n e −2 j πn f T |2 )
X
S( f ) = lim E (|
N →∞ 2N + 1 |n|≤N
1 X X ∗ −2 j πn f T 2 j πm f T
= lim E( Xn Xm e e )
N →∞ 2N + 1 |n|≤N |m|≤N
1 X X ∗ −2 j π(n−m) f T
= lim E (X n X m )e
N →∞ 2N + 1 |n|≤N |m|≤N

4
 ∗
La quantité E (X n X m ) est un coefficient de corrélation du processus {X n }. Si le
processus est stationnaire, ce coefficient reste le même par translation (n, m) →
(n+M , m+M ) et donc (faire M = −m) ne dépend que de la différence n−m entre
les deux instants. On dit plus généralement que le processus est stationnaire à
l’ordre 2 (ou faiblement stationnaire) si on a cette propriété.
Notons
∗
r k = E (X n X n−k ) (indépendant de n)
∗
le kième coefficient de corrélation de {X n } de sorte que E (X n X m ) = r n−m . On
peut alors faire le changement de variable (m, n) → (k = n − m, n) dans l’expres-
sion du spectre :

1
r k e −2 j πk f T 1
X X
S( f ) = lim
N →∞ 2N + 1 |k|≤2N n

P
La somme 1 porte sur les indices n tels que |n| ≤ N et |n − k| ≤ N , ce qui fait
un total de 2N + 1 − |k| indices. Cette somme vaut donc 2N + 1 − |k| :

r k 1 − 2N|k|+1 e −2 j πk f T
X ¡ ¢
S( f ) = lim
N →∞ |k|≤2N

P
Lorsque les r k sont sommables ( k |r k | < ∞) on trouve facilement la limite (par
convergence dominée) :

∞
r k e −2 j πk f T
X
S( f ) =
k=−∞

Ce résultat, obtenu par Wiener (1930) et Khintchine (1934) montre que la d.s.p.
S( f ) est la transformée de Fourier de la séquence de corrélation {r k }. Par transfor-
mée de Fourier inverse :
Z
rk = T S( f )e 2 j πk f T d f
( T1 )

Noter qu’on retrouve bien pour k = 0 :

1 r0
Z
P moy = E (|X n |2 ) = = S( f )d f
T T ( T1 )

1.6 Raies spectrales

Le théorème de Wiener-Khintchine n’est valable que pour des « bons » pro-
cessus stationnaires (suite r k sommable, qui implique S( f ) continue et bornée),
mais on ne s’arrête pas à ces difficultés en définissant S( f ) comme étant la trans-
formée de Fourier de la suite {r k }. Par l’inégalité de Cauchy-Schwarz, il est facile
de voir que |r k | ≤ r 0 , donc la suite r k est bornée, et S( f ) est toujours bien défini
au sens des distributions pour tout processus (faiblement) stationnaire.

5
 Voici un exemple ou on a besoin de la définition générale de S( f ) au sens
des distributions. Supposons que les X n soient de moyenne non nulle :

µ = E (X n )

(indépendant du temps n par stationnarité). Les coefficients de covariance du

processus, sont, par définition :

c k = E (X n − µ)(X n−k − µ)∗ .

¡ ¢

Ce sont les coefficients de corrélation du processus centré {X n −µ}. Si on suppose

que la suite c n est sommable, la d.s.p. du processus centré est continue et vaut

S c ( f ) = c k e −2 j πk f T
X
k

par le théorème de Wiener-Khintchine.

∗
Le processus {X n } lui même a pour coefficients de corrélation r k = E (X n X n−k )
2
et on voit facilement en développant la formule donnant c k que c k = r k − |µ| .
On peut donc définir S( f ) comme la transformée de Fourier des r k :

S( f ) = r k e −2 j πk f T
X
k

= S c ( f ) + |µ|2 e −2 j πk f T
X
k

Cette d.s.p. n’est définie qu’au sens des distributions : ∞ e −2 j πk f T est la

P
k=−∞
transformée de Fourier du peigne de Dirac k δ(t − kT ) (voir ci-dessous la dé-
P

finition de la TF pour des signaux analogiques x(t )), et on montre que c’est un
peigne de Dirac en fréquence :

1X k
e −2 j πk f T = δ( f − )
X
k T k T

1
(relation de Poisson) qui est bien T -périodique. Finalement

|µ|2 X k
S( f ) = S c ( f ) + δ( f − )
T k T

On interprète cette formule en disant que le spectre du processus admet des

|µ|2
raies spectrales (impulsions de Dirac en fréquence) d’amplitude T aux fréquences
multiples de T1 .
La puissance moyenne se retrouve en intégrant sur une période ( T1 ) :

|µ|2 c 0 + |µ|2 r 0
Z Z
P moy = S( f )d f = S c ( f )d f + = =
( T1 ) ( T1 ) T T T

comme on s’y attendait.

6
1.7 Formule de filtrage
Lorsqu’un processus stationnaire au second ordre {X n } est filtré par un filtre
de réponse impulsionnelle {h n } (déterministe !), la sortie du filtre est le proces-
sus donné par le produit de convolution
X
Yn = (X ∗ h)n = X m h n−m
m

La sortie {Yn } est aussi stationnaire au second ordre. Pour le voir, on calcule les
coefficients de corrélation :
∗
X m X p∗ h n−m h n−k−p
∗
XX
E (Yn Yn−k ) = E( )
m p
xx ∗
XX
= r m−p h n−m h n−k−p
m p

où r kxx est le kième coefficient de corrélation de l’entrée {X n }. On peut faire le

changement de variable l = m − p :
∗
) = r lxx h n−m h n−m+l
∗
X X
E (Yn Yn−k −k
l m

r lxx ∗
X X
= h m h m+l −k
l m
yy ∗
ce qui montre bien que r k = E (Yn Yn−k ) est indépendant de n.
On en déduit facilement le spectre S y y ( f ) de la sortie en fonction de celui
∗
S xx ( f ) de l’entrée. Notons h̃ n = h −n (de transformée de Fourier = H ∗ ( f )). Alors :
yy
r k = r lxx (h ∗ h̃)k−l = (r xx ∗ h ∗ h̃)k
X
l

La transformée de Fourier transforme produit de convolution en produit :

S y y ( f ) = S xx ( f )H ( f ) H̃ ( f ) = S xx ( f )H ( f )H ∗ ( f )
d’où la formule de filtrage pour les processus stationnaires au second ordre :

S y y ( f ) = |H ( f )|2 S xx ( f )

Cette formule est d’un intérêt pratique considérable pour évaluer la puissance
moyenne en sortie d’un filtre par la relation
Z
Py = |H ( f )|2 S xx ( f ) d f .
( T1 )

Exercice On considère une d.s.p. S( f ) définie comme la TFTD de la séquence

de corrélation {r k }. Montrer que r −k = r k∗ et en déduire que S( f ) est toujours à
valeurs réelles.
Retrouver le fait que S( f ) ≥ 0 en utilisant la formule de filtrage lorsque le
processus est filtré par un filtre de réponse fréquentielle très sélective en fré-
quence. (Prendre H ( f ) = 1 pour | f + Tk − f 0 | < ε et tout k entier, H ( f ) = 0 ailleurs,
R f +ε
et montrer que f 0−ε S( f ) d f ≥ 0 puis faire tendre ε vers zéro.)
0

7
2 Processus aléatoire à temps continu
Un processus aléatoire (=stochastique) à temps continu est une fonction
aléatoire X (t ) (variable aléatoire pour chaque t ∈ R) qui représente un signal
analogique, par exemple un signal transmis sur un canal en communications
numériques. L’indice t représente évidemment le temps (continu). L’étude spec-
trale d’un tel processus se calque aisément sur le cas discret traité ci-dessus. Je
reprends brièvement les notions essentielles :
Deux définitions de la moyenne sont possibles :
– La moyenne d’ensemble (spatiale) :
Z
E (X (t )) = x dP X t (x)

qui est déterministe (non aléatoire), mais dépend en général du temps.

– La moyenne temporelle
Z A
1
< X >= lim X (t ) d t
A→∞ 2A −A

qui est indépendante du temps, mais en général aléatoire.

Pour un processus stationnaire (dont les propriétés aléatoires sont invariantes
par translation temporelle), la moyenne d’ensemble µ = E (X (t )) ne dépend pas
du temps. Si ce processus est ergodique, on peut identifier < X >= E (X (t )) p.s.
On note x(t ) une réalisation possible du processus X (t ). Pour éviter la confu-
sion avec la notation employée pour la transformée de Fourier, le processus
aléatoire sera également noté {x(t )} (avec une lettre minuscule).
La transformée de Fourier de x(t ) est
Z ∞
X (f ) = x(t )e −2 j π f t
−∞

On peut retrouver x(t ) à partir de X ( f ) par la formule d’inversion :

Z ∞
x(t ) = X ( f )e 2 j π f t d f
−∞

La définition générale de la transformée de Fourier se fait au sens des distribu-

tions pour des distributions x(t ) tempérées.

2.1 Puissance moyenne

L’énergie de x(t ) (en Joules) est, par définition, la quantité E = |x(t )|2 d t . Si
R

cette énergie est finie, on a la relation de Plancherel :

Z ∞ Z ∞
|x(t )|2 d t = |X ( f )|2 d f
−∞ −∞

qui montre que |X ( f )|2 est une densité spectrale (=fréquentielle) d’énergie (d.s.e.).
Lorsque x(t ) est une réalisation d’un processus aléatoire, ces notions d’énergie

8
et de densité d’énergie sont inadaptées, parce que l’énergie est infinie en gé-
néral, et parce que |X ( f )|2 est une quantité aléatoire dont on ne peut pas faire
grand chose. On préfère donc caractériser la puissance (énergie par unité de
temps) du processus, et prendre des valeurs moyennes.
La puissance instantanée de x(t ) est |x(t )|2 . Comme cette quantité est aléa-
toire, on étudie sa valeur moyenne :
– Moyenne spatiale E (|x(t )|2 )
Z A
– Moyenne temporelle lim 2A 1
|x(t )|2 d t .
A→∞ −A
qui coïncident pour un processus stationnaire ergodique. Dans le cas général,
on peut définir la puissance moyenne comme une double moyenne (spatiale et
temporelle) :
1 ³ A
Z ´
P moy = lim E |x(t )|2 d t
A→∞ 2A −A

Cette puissance moyenne (en Watts) n’est bien définie dans la mesure où cette li-
mite existe. C’est toujours le cas pour un processus stationnaire car alors E (|x(t )|2 )
ne dépend pas du temps t et donc

P moy = E (|x(t )|2 )

(On utilise souvent cette formule en supposant (implicitement) la stationnarité.)

2.2 Densité spectrale de puissance

Pour définir la densité spectrale de puissance (d.s.p.) du processus {x(t )}, on
applique la relation de Plancherel dans la définition de la puissance moyenne :
1 ³ ∞
Z ´
P moy = lim E |X A ( f )|2 d f
A→∞ 2A −∞
Z ∞
1
= lim E (|X A ( f )|2 ) d f
−∞ A→∞ 2A
où Z A
X A( f ) = x(t )e −2 j π f t d t
−A
est la transformée de Fourier du processus tronqué à (−A, A). Il vient alors natu-
rellement la définition suivante de la densité spectrale de puissance (d.s.p.) :

1
S( f ) = lim E (|X A ( f )|2 )
A→∞ 2A

Cette d.s.p. n’est bien définie dans la mesure où cette limite existe. Noter que
dans ce cas, S( f ) est bien positive ≥ 0, et représente bien une densité spec-
trale (=fréquentielle) de puissance puisque qu’il faut l’intégrer sur les fréquences
pour obtenir la puissance moyenne :
Z ∞
P moy = S( f ) d f
−∞

9
Cette formule sera d’un intérêt pratique considérable pour évaluer des puis-
sances moyennes. La fonction S( f ) s’appelle aussi le spectre du processus (on
a utilisé la lettre « S » comme « spectre »).

2.3 Théorème de Wiener-Khintchine

On se limite dans ce paragraphe aux processus stationnaires. En reportant la
définition de X A ( f ) dans celle de S( f ), il vient

1 ¯Z A ¯2
S( f ) = lim E (¯ x(t )e −2 j π f t d t ¯ )
¯ ¯
A→∞ 2A −A
Z AZ A
1
= lim E( x(t )x ∗ (u)e −2 j π f t e 2 j π f u d t d u)
A→∞ 2A −A −A
Z AZ A
1
= lim E (x(t )x ∗ (u))e −2 j π f (t −u) d t d u
A→∞ 2A −A −A

La quantité E (x(t )x ∗ (u)) est un coefficient de corrélation du processus {x(t )}. Si

le processus est stationnaire, il reste le même par translation (t , u) → (t + τ, u +
τ) et donc ne dépend que de la différence t − u entre les deux instants. On dit
plus généralement que le processus est stationnaire à l’ordre 2 (ou faiblement
stationnaire) si on a cette propriété.
Notons
r (τ) = E (x(t )x ∗ (t − τ)) (indépendant de t )
la fonction de corrélation de {x(t )} de sorte que E (x(t )x ∗ (u)) = r (t − u). On peut
alors faire le changement de variable (t , u) → (τ = t − u, t ) dans l’expression du
spectre :
Z 2A
1
Z
S( f ) = lim r (τ)e −2 j π f τ d t d τ
A→∞ 2A −2A

L’intégrale d t porte sur les valeurs t tels que |t | ≤ A et |t − τ| ≤ A, soit un inter-

R

valle de longueur 2A − |τ| ; cette intégrale vaut donc 2A − |τ| :

Z 2A
|τ| ¢ −2 j π f τ
dτ
¡
S( f ) = lim r (τ) 1 − 2A e
A→∞ −2A
R
Lorsque r (τ) est intégrable ( |r (τ)| < ∞) on trouve facilement la limite (par
convergence dominée) :
Z ∞
S( f ) = r (τ)e −2 j π f τ d τ
−∞

Ce résultat, obtenu par Wiener (1930) et Khintchine (1934) montre que la d.s.p.
S( f ) est la transformée de Fourier de la fonction de corrélation r (τ). Par transfor-
mée de Fourier inverse :
Z ∞
r (τ) = S( f )e 2 j π f τ d f
−∞

10
Noter qu’on retrouve bien pour τ = 0 :
Z
2
P moy = E (|x(t )| ) = r (0) = S( f )d f

Le théorème de Wiener-Khintchine n’est valable que pour des « bons » proces-

sus stationnaires (fonction r (τ) intégrable, qui implique S( f ) continue et bor-
née), mais on ne s’arrête pas à ces difficultés en définissant S( f ) comme étant la
transformée de Fourier de r (τ). Par l’inégalité de Cauchy-Schwarz, il est facile de
voir que |r (τ)| ≤ r (0), donc la suite r (t ) est bornée (donc tempérée), et S( f ) est
toujours bien défini au sens des distributions pour tout processus (faiblement)
stationnaire.

Exercice : Montrer sur un exemple que S( f ) peut présenter des raies spectrales
(diracs en fréquence) pour un processus de moyenne non nulle.

2.4 Bruit blanc

On dit que le processus b(t ) est blanc lorsque son spectre est constant sur
toutes les fréquences. La puissance moyenne totale est donc infinie, et on carac-
térise les propriétés spectrales de ce bruit en définissant N0 comme la puissance
par unité de fréquence (en Watts par Hertz).
Par tradition, on ne compte la largeur de bande que dans les fréquences po-
sitives. Par conséquent, un signal à bande limitée B est tel que son spectre S( f )
est à support = (−B, B ). Pour notre bruit blanc, N0 est donc défini de telle sorte
que la puissance moyenne du bruit dans une largeur de bande2 B vaut N0 B . On
a donc Z B
N0 B = S( f )d f
−B
et comme S( f ) est constant, cette constante doit être

N0
S( f ) =
2

Par transformée de Fourier inverse, il vient

N0
r (τ) = 2 δ( f )

ce qui est en accord avec le fait que la puissance moyenne r (0) est infinie, et
montre que deux échantillons de bruit à des instants différents sont toujours
décorrélés : E (b(t )b(u)) = 0 pour t 6= u.
2 La convention est différente dans le cas d’un bruit blanc complexe, si celui-ci est défini

comme la représentation en bande de base (enveloppe complexe) d’un bruit à bande étroite.

11
2.5 Formule de filtrage
Lorsqu’un processus stationnaire au second ordre x(t ) est filtré par un filtre
de réponse impulsionnelle h(t ) (déterministe !), la sortie du filtre est le processus
donné par le produit de convolution
Z
y(t ) = (x ∗ h)(t ) = x(u)h(t − u) d u

La sortie y(t ) est aussi stationnaire au second ordre. Pour le voir, on calcule la
corrélation :
Z Z
E (y(t )y ∗ (t − τ)) = E ( x(u)x ∗ (v)h(t − u)h ∗ (t − τ − v) d u d v)
Z Z
= r xx (u − v)h(t − u)h ∗ (t − τ − v) d u d v

où r xx (τ) est la fonction de corrélation de l’entrée {x(t )}. On peut faire le chan-
gement de variable θ = u − v :
Z Z
xx
E (y(t )y (t − τ)) = r (θ) h(t − u)h ∗ (t − u + θ − τ) d u d θ
∗

Z Z
= r xx (θ) h(u)h ∗ (u + θ − τ) d u d θ

ce qui montre bien que r y y (τ) = E (y(t )y ∗ (t − τ)) est indépendant de t .

On en déduit facilement le spectre S y y ( f ) de la sortie en fonction de celui
S xx ( f ) de l’entrée. Notons h̃(t ) = h ∗ (−t ) (de transformée de Fourier = H ∗ ( f )).
Alors : Z
r (τ) = r xx (θ)(h ∗ h̃)(τ − θ) = (r xx ∗ h ∗ h̃)(τ)
yy

La transformée de Fourier transforme produit de convolution en produit :

S y y ( f ) = S xx ( f )H ( f ) H̃ ( f ) = S xx ( f )H ( f )H ∗ ( f )

d’où la formule de filtrage pour les processus stationnaires au second ordre :

S y y ( f ) = |H ( f )|2 S xx ( f )

Cette formule est d’un intérêt pratique considérable pour évaluer la puissance
moyenne en sortie d’un filtre par la relation
Z
P y = |H ( f )|2 S xx ( f ) d f .

Exercice On considère une d.s.p. S( f ) définie comme la transformée de Fou-

rier de la fonction de corrélation r (τ). Montrer que r (−τ) = r ∗ (τ) et en déduire
que S( f ) est toujours à valeurs réelles. Retrouver le fait que S( f ) ≥ 0 en utilisant
la formule de filtrage lorsque le processus est filtré par un filtre de réponse fré-
quentielle très sélective en fréquence. (Prendre H ( f ) = 1 pour | f − f 0 | < ε, = 0
R f +ε
ailleurs, et montrer que f 0−ε S( f ) d f ≥ 0 puis faire tendre ε vers zéro.)
0

12
3 Processus aléatoire cyclostationnaire
Un processus aléatoire {x(t )} est cyclostationnaire si ses propriétés aléatoires
se répètent périodiquement au cours du temps. A l’ordre 2, cela signifie que la
corrélation
r (τ, t ) = E (x(t )x ∗ (t − τ))
est périodique en t : r (τ, t ) = r (τ, t + T ). Un exemple important (voir ci-dessous)
est le signal modulé par une modulation linéaire, T est alors la période-symbole.
On a vu que la puissance moyenne du processus est définie par

1 ³
Z A ´ 1
Z nT
2
P moy = lim E |x(t )| d t = lim E (|x(t )|2 )d t
A→∞ 2A −A n→∞ 2nT −nT

Comme le processus est cyclostationnaire, E (|x(t )|2 ) = r (0, t ) est périodique de

période T , et donc
1
Z
P moy = E (|x(t )|2 )d t
T (T )

où (T ) désigne un intervalle quelconque de période T . La puissance moyenne

s’obtient donc en moyennant E (|x(t )|2 ) sur une période.

3.1 Extension du théorème de Wiener-Khintchine

Bien qu’en général un processus cyclostationnaire n’est pas stationnaire, on
aimerait étendre aux processus cyclostationnaires (au second ordre) le propriété
de Wiener-Khintchine sur la densité spectrale de puissance, définie par :

1 1
S( f ) = lim E (|X nT ( f )|2 ) = lim E (|X nT ( f )|2 )
A→∞ 2A n→∞ 2nT

En reportant la définition de X nT ( f ) dans celle de S( f ), il vient (même calcul

que ci-dessus pour les processus stationnaires) :

1
Z nT Z nT
S( f ) = lim E (x(t )x ∗ (u))e −2 j π f (t −u) d t d u
n→∞ 2nT −nT −nT

On peut alors faire le changement de variable (t , u) → (τ = t − u, t ) en notant

r (τ, t ) = E (x(t )x ∗ (t − τ)) (périodique en t ) :

1
Z 2nT Z
S( f ) = lim e −2 j π f τ r (τ, t )d t d τ
n→∞ 2nT −2nT I

L’intégrale en t porte sur un intervalle de longueur 2nT − |τ|. Si (k − 1)T ≤ |τ| <
kT , cet intervalle contient 2n − k périodes (mais pas 2n − k + 1) et on peut écrire
Z Z
r (τ, t )d t = (2n − k) r (τ, t )d t + R
I (T )

13
où le reste R est borné par :
Z
|R| ≤ |r (τ, t )|d t .
(T )

Définissons la fonction de corrélation du processus cyclostationnaire par la moyenne

sur une période :

1 1
Z Z
r (τ) = r (τ, t )d t = E (x(t )x ∗ (t − τ))d t
T (T ) T (T )

En particulier P moy = r (0). En reportant dans l’expression de la d.s.p., on trouve :

Z 2nT
d τ eT ¢
³¡ ´
S( f ) = lim e −2 j π f τ 1 − T2n r (τ) + 2nT
R
dτ
n→∞ −2nT
R
Si (T ) |r (τ, t )|d t , et donc r (τ), est intégrable, le reste R est borné par une fonction
R
intégrable : |R| ≤ (T ) |r (τ, t )|d t , et par convergence dominée :
Z ∞
S( f ) = r (τ)e −2 j π f τ d τ
−∞

Le théorème de Wiener-Khintchine reste donc valable pour les processus cy-

clostationnaires, à condition de moyenner des corrélations sur une période : la
d.s.p. S( f ) est la transformée de Fourier de la fonction de corrélation r (τ). Par
transformée de Fourier inverse :
Z ∞
r (τ) = S( f )e 2 j π f τ d f
−∞

Noter qu’on retrouve bien pour τ = 0 :

1
Z Z
P moy = E (|x(t )|2 )d t = r (0) = S( f )d f
T (T )

3.2 Stationnarisation par déphasage aléatoire

Une approche pour calculer le spectre d’un processus cyclostationnaire {x(t )}
est de définir
x θ (t ) = x(t + θ)
où θ est une phase aléatoire, indépendante de x(t ), qui suit une distribution de
probabilité uniforme p(θ) = T1 dans un intervalle de longueur T . Cela revient à
gommer la référence temporelle (origine des temps) sur {x(t )}. On constate alors
que le processus {x θ (t )} est stationnaire au second ordre : En effet, la moyenne
d’ensemble étant effectuée aussi sur la phase θ, on a :
Z
E (x(t + θ)x ∗ (t + θ − τ)) = E (x(t + θ)x ∗ (t + θ − τ))p(θ)d θ
(T )
1
Z
= E (x(t )x ∗ (t − τ))d t
T (T )

14
qui ne dépend que de τ. Ainsi la fonction de corrélation du processus {x θ (t )} =
{x(t + θ)} s’identifie à la définition précédente de r (τ) obtenue en moyennant
E (x(t )x ∗ (t − τ)) sur une période.
Ce procédé de déphasage aléatoire est un peu artificiel, mais pratique. Par
exemple, il est clair, par le théorème de Wiener-Khintchine, que le spectre du
processus stationnarisé {x θ (t )} est la transformée de Fourier de la fonction d’au-
tocorrélation moyenne r (τ). Cependant cette approche seule ne permet pas de
montrer que ce spectre s’identifie au spectre du processus cyclostationnaire {x n }
suivant la définition générale qu’on a donnée. Cela ressort du calcul fait dans le
paragraphe précédent.

3.3 Exemple : modulation linéaire

Une modulation linéaire consiste à associer à une suite de symboles {a n } un
signal tel que chaque symbole d’information a n est émis à l’instant t = nT , porté
par la forme d’onde h(t − nT ). Par superposition linéaire le signal modulé (émis
dans un canal de transmission) est
X
x(t ) = a n h(t − nT )
n

En communications numériques, la suite de symboles est modélisée par un pro-

cessus aléatoire stationnaire à temps-discret {A n } dont la suite {a n } est une réa-
lisation. Le signal modulé x(t ) peut donc ce voir comme un processus aléatoire
P
à temps continu x(t ) = n A n h(t − nT ) dont on cherche à calculer le spectre
S xx ( f ).
La formule donnant x(t ) est une sorte de produit de convolution qui mé-
lange les cas discret et continu. Si on échantillonne x(t ), on obtient un produit
P
de convolution x(mT ) = n A n h((m − n)T ) qui est le résultat d’une filtrage du
processus stationnaire {A n }. Par la formule de filtrage, il admet donc une d.s.p.
égale à |H ( f )|2 S aa ( f ), où S aa ( f ) désigne la d.s.p. des symboles {A n } et où H ( f )
est la TFTD de la suite h(nT ). Mais cette formule ne donne pas le spectre du
processus à temps continu {x(t )}, seulement celui de ses échantillons.
Par ailleurs, on peut voir x(t ) comme un produit de convolution à temps-
continu :
x(t ) = a n δ(t − nT ) ∗ h(t ) = a ∗ h(t )
X
n

où a(t ) = n a n δ(t −nT ) est un train d’impulsions de Dirac portant les symboles.
P

Ainsi x(t ) résulte du filtrage de réponse impulsionnelle h(t ) appliqué à a(t ). Si

maintenant on applique la formule de filtrage on aurait S xx ( f ) = |H ( f )|2 S 0aa ( f )
où S 0aa ( f ) désigne la d.s.p. du processus {a(t )} (et non du processus à temps
discret {A n }).
Cependant cette denière formule n’est pas applicable puisque ni {a(t )}, ni

15
{x(t )} ne sont stationnaires. En effet, la corrélation

E (x(t )x ∗ (t − τ)) = E
X ∗ ∗
h (t − mT − τ)
¡X ¢
a n h(t − nT ) a m
n m
E (a n a m )h(t − nT )h ∗ (t − mT − τ)
∗
XX
=
n m
= r kaa h(t − nT )h ∗ (t − nT + kT − τ)
X X
k n

dépend du temps t . Par contre, elle est périodique en t de période T , ce qui

montre que le processus {x(t )} est cyclostationnaire. On doit donc pouvoir cal-
culer le spectre S xx ( f ) grâce au théorème de Wiener-Khintchine étendu aux pro-
cessus cyclostationnaires.

3.4 Formule de Bennett

P
La fonction de corrélation du processus cyclostationnaire x(t ) = n A n h(t −
nT ) est définie par la moyenne sur une période :

1
Z
r (τ) = E (x(t )x ∗ (t − τ)) d t
T (T )
1 X aa X T
Z
= rk h(t − nT )h ∗ (t − nT + kT − τ) d t
T k n 0

1 X aa X (n+1)T
Z
= rk h(t )h ∗ (t + kT − τ) d t
T k n nT
1 X aa ∞
Z
= r h(t )h ∗ (t + kT − τ) d t
T k k −∞

Notons h̃(t ) = h ∗ (−t ) (de transformée de Fourier = H ∗ ( f )). Alors :

1 X aa
r (τ) = r · (h ∗ h̃)(τ − kT )
T k k

D’après le théorème de Wiener-Khintchine étendu aux processus cyclostation-

naires, le spectre S xx ( f ) est la tranformée de Fourier de r (τ) :

1 X aa
Z
S xx ( f ) = r · (h ∗ h̃)(τ − kT )e −2 j π f τ d τ
T k k
1 X aa −2 j πk f T
Z
= r e (h ∗ h̃)(τ − kT )e −2 j π f (τ−kT ) d τ
T k k
1 X aa −2 j πk f T
Z
= rk e · (h ∗ h̃)(t )e −2 j π f t d t
T k

On reconnaît la d.s.p. des symboles :

r kaa e −2 j πk f T
X
S aa ( f ) =
k

16
et le deuxième facteur est la transformée de Fourier du produit de convolution
h ∗ h̃(t ), c’est à dire le produit H ( f )H ∗ ( f ) = |H ( f )|2 . Finalement le spectre du
signal modulé est donné par la formule :

S xx ( f ) = 1
T |H ( f )|2 S aa ( f )

qu’on appelle parfois formule de Bennett (1958).

Noter que le spectre des symboles S aa ( f ) peut présenter des raies spectrales
(voir ci-dessus) :
|µ|2 X k
S aa ( f ) = S caa ( f ) + δ( f − )
T k T
lorsque ces symboles sont de moyenne µ 6= 0. Dans ce cas la formule de Bennett
devient :
|µ|2 X k k
S xx ( f ) = T1 |H ( f )|2 S caa ( f ) + 2 |H ( )|2 δ( f − )
T k T T

Le choix du filtre H ( f ) permet d’atténuer voire de supprimer des raies spectrales

lorsque H ( Tk ) = 0.

3.5 Puissance moyenne d’émission

La formule de Bennet est d’un très grand intérêt pratique : elle permet de
déterminer la puissance moyenne d’émission
Z
P moy = T |H ( f )|2 S aa ( f ) d f
1

qu’il serait difficile de déterminer directement en partant de l’expression tem-

porelle x(t ) = n a n h(t − nT ) et en calculant r (0) = T1 (T ) E (|x(t )|2 )d t .
P R

Si, comme c’est souvent le cas, on suppose les symboles A n i.i.d. centrés de
σ2a E (|A n |2 )
puissance moyenne T = T , alors on a immédiatement S aa ( f ) = E (|A n |2 )
et
E (|A n |2 ) E (|A n |2 )
Z Z
P moy = |H ( f )|2 d f = |h(t )|2 d t
T T
par la relation de Plancherel. Cela revient à dire que la puissance moyenne émise
est égale à l’énergie moyenne de la forme d’onde A n h(t −nT ) qui porte un sym-
bole, rapportée à la période T :
1
Z
P moy = E |A n h(t − nT )|2 d t
T
On retient souvent cette règle pour calculer simplement la puissance moyenne
émise.
Si les symboles sont i.i.d. mais de moyenne µ 6= 0, alors S caa ( f ) = σ2a = E (|A n |2 )−
2
|µ| et la formule de Bennett donne

E (|A n |2 ) − |µ|2 |µ|2 X k k

S xx ( f ) = |H ( f )|2 + 2 |H ( )|2 δ( f − )
T T k T T

17
 |µ|2 E (|A n |2 )
Une partie T de la puissance moyenne T par symbole est redistribuée sur
des raies spectrales. En intégrant :

E (|A n |2 ) − |µ|2 |µ|2 X k

Z
P moy = |h(t )|2 d t + |H ( )|2
T T2 k T

Exercice En utilisant la relation de Poisson k e −2 j πkt /T = T k δ(t −kT ), mon-

P P

trer que
k
|H ( )|2 = T r (kT )
X X
k T k

où on a noté r (t ) = h(t ) ∗ h̃(t ). Montrer que r (0) = |h(t )|2 d t et en déduire

R

E (|A n |2 ) |µ|2 X
Z
P moy = |h(t )|2 d t + r (kT )
T T k6=0

Que se passe-t-il si r (kT ) = 0 pour k 6= 0 ? Retrouver ce résultat directement à

l’aide du critère de Nyquist sur R( f ) = |H ( f |2 .

18
 Cadre privé } sans modifications
Par le téléchargement ou la consultation de ce document, l’utilisateur accepte la licence d’utilisation qui y est
attachée, telle que détaillée dans les dispositions suivantes, et s’engage à la respecter intégralement.

La licence confère à l’utilisateur un droit d’usage sur le document consulté ou téléchargé, totalement ou en partie, dans
les conditions définies ci-après, et à l’exclusion de toute utilisation commerciale.

Le droit d’usage défini par la licence est limité à un usage dans un cadre exclusivement privé. Ce droit comprend :
– le droit de reproduire le document pour stockage aux fins de représentation sur un terminal informatique unique,
– le droit de reproduire le document en un exemplaire, pour copie de sauvegarde ou impression papier.

Aucune modification du document dans son contenu, sa forme ou sa présentation, ni aucune redistribution en tout ou
partie, sous quelque forme et support que ce soit et notamment par mise en réseau, ne sont autorisées.

Les mentions relatives à la source du document et/ou à son auteur doivent être conservées dans leur intégralité.

Le droit d’usage défini par la licence est personnel, non exclusif et non transmissible. Tout autre usage que ceux pré-
vus par la licence est soumis à autorisation préalable et expresse de l’auteur : sitepedago@enst.fr