Vous êtes sur la page 1sur 9

Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Université mohammed I Année universitaire 2008-2009


Faculté des Sciences Oujda ESCOM 1ère Année
Département de physique Mai 2009
Oujda
Etudiants : ALLA Mimoun
ELOTMANI Saber
GAAMOUCHE Raja
GUIRI Mohammed
Travaux Pratiques : de Traitement de Signal Numérique
Travaux Pratiques Série 1 : Signal numérique, théorème d’échantillonnage,
FFT de signaux numériques.

Objectifs de la série :
Mettre en œuvre de façon concrète, les acquis théoriques de traitement de signal numérique,
en particulier ceux en relation avec les caractères d’un signal numérique, le théorème
d’échantillonnage, et la « FFT » (Transformée de Fourier Rapide)

Travail pratique N° 1 : Echantillonnage d’un signal sinusoïdal :


1.1 Effet de la fréquence de l’échantillonnage sur la FFT d’un signal
sinusoïdal :
Nous avons étudié, par visualisation sur Matlab, l’effet de la fréquence de l’échantillonnage
sur la Transformée de Fourier Rapide d’un signal donné.
Le signal à échantillonner est défini par : y(t) = sin(2πft).
Nous avons entré d’abord sur Matlab, le script suivant :
Script N°1 :
(1)fs=200;
(2)t=0:1/fs:1;
(3)f1=50;
(4)y=sin(2*pi*f1*t);
(5)plot (t,y);
(6)figure ;
(7)Stem (t,y);
Interprétation de quelques commandes :
Les commandes suivantes on pour significations :*
(2)t=0:1/fs:1 Définition de la marge de variation de 0 à 1
avec un pas de fs-1 (200 valeurs de 0 ; avec
un pas de 5ms).
(3)f1=50 Définition de la fréquence de y(t).
(4)y=sin(f1*t) Définition de y(t) : signal à étudier.
(5)plot (t,y) Remplie une matrice de y= f(t)et dessine
y(t) non échantillonné.
(6)figure Crée une nouvelle fenêtre de figure.
(7)Stem (t,y) Trace le signal y=f(t)échantillonné.

TP série N°1 : de traitement de signal numérique. 1


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Essai :
Nous avons enregistré ce script sous « sinus1 » et l’avons exécuté. Après avoir modifié
la ligne (2) comme suit : « (2)t=0:1/fs:1; » dans le but d’avoir des figures plus
claires, les figures rendues par Matlab sont les suivantes :

Signal y(t) non échantillonné Signal y(t) échantillonné à 200Hz


Interprétation du résultat :
Sur la courbe de gauche, le signal dit « réel » est très lisse mais il ressemble plus à un signal
triangulaire qu’à un signal sinusoïdal : ceci est du au pas d’affichage de y(t) qui est
1 1 1 1
= = 5ms qui est un pas d’affichage très grand pour une période de = = 20ms ,
Fs 200 F1 50
ce qui ne permet pas d’afficher toutes les valeurs de y(t).
Sur la gauche, nous remarquons que nous avons une série de valeurs de y(t) échantillonnée,
jointes les unes aux autres, dans le but de former une sinusoïde, mais en fait ce ne sont que
1 1
quelques « bâtonnets » : ceci est du à la période d’échantillonnage = = 5ms qui est
Fs 200
1 1
très grande devant la période = = 20ms par rapport à ce qui est requis pour la
F1 50
fréquence du signal étudié.
Autres essais :
Nous avons remplacé la première ligne du script par : (1)fs=1000;et puis par
(1)fs=2000; et nous avons obtenu les résultats suivants :
Pour une fréquence d’échantillonnage de 1000Hz

Signal y(t) non échantillonné Signal y(t) échantillonné à 1000Hz

TP série N°1 : de traitement de signal numérique. 2


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

En multipliant par cinq la fréquence d’échantillonnage du départ fs=200 Hz x 5 =1000 Hz,


l’affichage du signal s’améliore beaucoup, on aperçoit qu’il prend une allure affirmée d’une
sinusoïde.
Quant au signal échantillonné, la juxtaposition prend l’apparence d’une sinusoïde.
Pour une fréquence d’échantillonnage de 2000Hz

Signal y(t) non échantillonné Signal y(t) échantillonné à 1000Hz


En multipliant par dix (2000 Hz) la fréquence d’échantillonnage, l’affichage du signal
d’origine ne s’améliore pas beaucoup, l’allure de la sinusoïde est presque la même que celle
pour fs = 1000 Hz.
Quant au signal échantillonné, la juxtaposition est beaucoup plus serrée et prend l’apparence
d’une sinusoïde plus claire que celle donnée par une fréquence d’échantillonnage de 1000 Hz.
Conclusion :
Le pas d’affichage d’un signal doit être très petit pour un affichage clair, mais pas trop car le
gain en clarté n’est pas très important, surtout si on doit le payer en mémoire et temps de
traitement.
Quant au signal échantillonné, la fréquence d’échantillonnage doit être au moins deux fois
celle du signal concerné (théorème de Shannon). Plus elle est grande, mieux le signal est
représenté par sa Transformée de Fourier Rapide (FFT).

1.2 Somme de deux sinusoïdes à des fréquences différentes et


échantillonnées à la même la fréquence :
Nous avons étudié, par visualisation sur Matlab, le résultat de la somme de deux signaux
sinusoïdaux échantillonnés à la même la fréquence de l’échantillonnage.
Les signaux à échantillonner sont définis par : y1(t) = sin(2πf1t) et = sin(2πf2t) leur somme et
y(t)= . y1(t)+ y2(t).
Nous avons entré d’abord sur Matlab, le script suivant :
Script N°1 :
(1) fs=4000;
(2) t=0:1/fs:0.05;
(3) f1=80;
(4) f2=120;
(5) y1=2*sin(2*pi*f1*t);
(6) y2=2*sin(2*pi*f2*t);
(7) y=y1+y2;
(8) plot(t,y);
(9) figure ;
(10) stem(t,y);

TP série N°1 : de traitement de signal numérique. 3


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Essai :
Nous avons enregistré ce script sous « sinus2 » et l’avons exécuté. Après avoir modifié la
ligne (2) t=0:1/fs:1;comme suit : « (2) t=0:1/fs:0.05; » dans le but d’avoir des
figures plus claires, et avoir au moins deux périodes du signal résultant afin d’estimer sa
périodicité : les figures rendues par Matlab sont les suivantes :

Signal y(t) non échantillonné Signal y(t) échantillonné à 200Hz


Interprétation du résultat :
Le signal résultant est un signal ressemblant à une sinusoïde disloquée : caractéristique d’une
somme de deux sinusoïdes de fréquences différentes et voisines.
La représentation du signal résultant est parfaite (fréquence d’échantillonnage = 4000 Hz est
très grande devant le double des fréquences composantes f1= 80 et f2=120Hz).
Cette bonne représentation du signal est tributaire à la haute fréquence d’échantillonnage qui
est largement supérieur même à la fréquence de la plus haute composante du signal
(f2=120Hz) respectant ainsi le théorème de Shannon.
La fréquence du signal résultant étant de 39,215 Hz : 4000 Hz>>2x 39,215 Hz =78,43 Hz.
Conclusion :
Le théorème de Shannon reste valable pour des signaux périodiques non sinusoïdaux.

Travail pratique N° 2 : la FFT d’un signal numérique de longueur N :

Nous avons étudié le signal y(t)=2sin(2πf1t)+5sin(2πf2t) échantillonné à la fréquence fs

2.1 La Transformée de Fourier analogique du signal composé :


La Transformée de Fourier analogique du signal de y(t) se compose des Transformées de
Fourier analogiques de ces deux composantes à savoir y1(t)=2sin(2πf1t) et y2(t)=5sin(2πf2t),
et ceci par la linéarité de la transformée de Fourier :
TF(a x f(t)+b x g(t))= a x TF(f(t)+b x TF(g(t).
TF(y(t))= TF(y1(t)+ TF(y2(t))=2 x TF(sin(2πf1t))+5 x TF(sin(2πf2t)).
Les deux signaux se résument à une fonction de sin(2πf0t) qui a pour Transformée de Fourier:
j
[δ ( f + f 0 ) − δ ( f − f 0 )]
2

TP série N°1 : de traitement de signal numérique. 4


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

La T.F. de y(t) serait donc égale : TF(y(t))= 2*TF(sin(2πf1t))+5*TF(sin(2πf2t))


j j
TF(y(t)) = 2 × [δ ( f + f 1 ) − δ ( f − f 1 )] + 5 × [δ ( f + f 2 ) − δ ( f − f 2 )] ;
2 2
5
TF(y(t)) = j × [δ ( f + f 1 ) − δ ( f − f 1 )] + × j × [δ ( f + f 2 ) − δ ( f − f 2 )]
2

2.2 Conditions pour appliquer le théorème de Shannon


Nous avons donc les deux conditions pour appliquer le théorème de Shannon respectées :
1ère condition : le signal y(t) est à spectre à support borné [Y(f) =0 pour f > f max = f + f 2 ] ;
2ère condition : la fréquence d’échantillonnage est très supérieure au double de la fréquence du
signal : fs>>(f+fmax).
f
N est le nombre d’échantillons de y(t), n = 0,1,2,…,N-1, on a: X a (n × s ) = Ts × X (n) .
N

2.3 Script :
Nous avons introduit dans un fichier Matlab le script suivant :
Script N°2 :
(1) fs=4000;
(2) t=0:1/fs:0.05;
(3) f1=80;
(4) f2=120;
(5) y1=2*sin(2*pi*f1*t);
(6) y2=5*sin(2*pi*f2*t);
(7) y=y1+y2;
(8) plot(t,y);
(9) figure
(10) stem(t,y);
(11) spect=abs(fft(y))/fs;
(12) N=length(t);
(13) if mod(N,2)==1
(14) N=N-1
(15) T=t(1:N); Le spectre du signal montrant les deux
(16) end composantes (fréquences et amplitudes)
(17) freq=(0:N-1)*fs/N; (2)t=0:1/fs:0.6;
(18) figure; (19)plot(freq(1:N/20),spect(1:N/20))
(19) plot(freq(1:N/18),spect(1:N/18)); ;
Nous avons enregistré ce fichier sous le nom de « ffts2 » et a rendu les figures suivantes :

Signal y(t) non échantillonné Signal y(t) échantillonné à 200Hz

TP série N°1 : de traitement de signal numérique. 5


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Interprétation du résultat :
Le signal original à droite est reproduit échantillonné à gauche. La FTT du signal
échantillonné montre la reproduction des composantes f1 et f2 avec leurs fréquences et
amplitudes respectives.
Conclusion :
L’échantillonnage permet de représenter assez fidèlement les signaux.

Travail pratique N° 3 : Reconstruction d’un signal analogique à partir


d’échantillons le représentant :

Le signal à étudier est défini par : : y(t) = sin(2πft). Il a été échantillonné à une fréquence fs.
En utilisant le théorème d’interpolation de Shannon qui donne la formule de reconstruction
π
+∞ sin( (t − nTs ))
Ts
comme suit : f (t ) = ∑ f (nTs ) ; avec t=nTs alors f(t)=f(nTs).
π
n = −∞
(t − nTs )
Ts
On a opté pour un échantillonnage uniforme et les deux conditions de Shannon satisfaites, ce
qui rend cette formule valide, et on s’attend à ce que le signal reconstruit s’identifie au signal
d’origine.
1
On a d’abord, pris des échantillons de = Ts sur un intervalle de temps de 0 à 6, et pour la
fs
reconstruction du signal, nous avions considéré trente valeurs régulièrement espacées de
1
entre deux échantillons successifs.
30 × fs
Script N°3 :
(1) fs=input('donner la fréquence d''échantillonnage fs');
(2) ts=1/fs;
(3) t=0:1/fs:6;
(4) N=length(t);
(5) f=input('donner la fréquence du signal f');
(6) y=sin(2*pi*f*t);
(7) plot(t,y);
(8) t1=0:1/(30*fs):6;
(9) N1=length(t1);
(10) for i=1:N1, y1(i)=0,end
(11) for j=1:N , if((t1(i)-(j*ts))==0) y1(i)=y(j);
(12) break;
(13) else y1(i)=y1(i)+(y1(j)*((sin((pi*(t1(i)-
(j*ts)))/ts))/((pi*(t1(i)-(j*ts)))/ts)));
(14) end ;
(15) plot(t1,y1);
Interprétation du résultat :
Nous avons enregistré ce script sous Matlab avec comme nom :”echs1”, et son exécution a
généré suivants les valeurs de fs et de f les figures suivantes :

TP série N°1 : de traitement de signal numérique. 6


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Cas où la fréquence d’échantillonnage est très grande devant le double de la plus grande
fréquence composante du signal.

fs= 40 >>2xf=2x2=4 (10 fois plus).

fs= 400 >>2xf=2x2=4 (100 fois plus).

Nous remarquons que le signal a été bien reconstitué à partir de ses échantillons puisque fs>>2 x f.
Ce qui vérifie le théorème de Shannon.

TP série N°1 : de traitement de signal numérique. 7


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Cas où la fréquence d’échantillonnage est juste un peu grande devant le double de la


plus grande fréquence composante du signal.

fs=5 et f=2 (fs>2 x f =2 x 2 =4)

fs=9 et f=2 (fs>2 x f =2 x 2 =4)


Nous constatons des distorsions remarquables dans le signal résultant, les échantillons n’ont
pas reconstitué le signal original pour fs peu grande devant 2 x f.

TP série N°1 : de traitement de signal numérique. 8


Professeur :Dr El Hithmy Mohammed Année universitaire 2008-2009

Cas où la fréquence d’échantillonnage est inférieure devant le double de la plus grande


fréquence composante du signal.

fs=3 et f=2 2 (fs<2 x f =2 x 2 =4)

fs=6 et f=4 2 (fs<2 x f =2 x 2 =4)


Nous remarquons des distorsions notables, le signal reconstitué n’est plus que proche d’un
signal triangulaire et n’a rien de la forme sinusoïdale d’origine.
Conclusion :
Les échantillons d’un signal permettent de reconstituer assez fidèlement les signaux, à
conditions qu’ils soient en nombre suffisant.

TP série N°1 : de traitement de signal numérique. 9