Académique Documents
Professionnel Documents
Culture Documents
11 decembre 2003
Ce cours est une introduction `a la theorie du signal. On presente les outils mathematiques
indispensables tout en essayant deviter au maximum trop dabstraction. Pour de nombreux details et applications on pourra se referer `a la bibliographie et en particulier `a [4, 7]
dont je me suis largement inspiree.
123
Chapitre 9
Travaux Pratiques
9.1.1
Travaux pratiques 1
1. Pour chacun des signaux (periodiques) suivants, faire un programme qui calcule sa
serie de Fourier tronquee `a lordre n.
Dessiner sur une meme figure le signal et la serie. On testera plusieurs valeurs de n :
+
4 X cos((2n + 1) x)
sur [, ] .
2
(2n + 1)2
n=0
(
(b) f (x) =
+
1
sur[0, [
4 X sin((2n + 1) x)
. La serie est :
.
2n + 1
1 sur[, 0[
n=0
a+T
f (t) cos(2 n
a
t
) dt ,
T
124
k1
X
tj
1
a
a+T
f (a) cos 2 n
+ f (a + T ) cos 2 n
+2
Fj cos 2 n
,
k
T
T
T
j=1
jT
et k le nombre de sous-intervalles
o`
u F designe le vecteur (f (tj )j=1,k et tj = a +
k
de [a, a + T ]. Faire de meme pour le coefficient
2
bn =
T
a+T
f (t) sin(2 n
a
t
) dt .
T
9.1.2
1. Efficacit
e de la FFT
On rappelle que la TFD dun signal f echantillonne `a une periode Te (pas de
discretisation) est
N
1
X
k
f (nTe ) exp(2 in ) .
S(k) =
N
n=0
1
la
Te
k
exp i(N 1)
S(k) = A
.
N
Fe
sin k
N
Fe
125
3. Effet du fen
etrage
Le fait dobserver un signal pendant un temps fini et de nacquerir quun nombre
fini dechantillons introduit une erreur.
On consid`ere le signal monochromatique : f (t) = A exp(2 it. Calculer la TFD de
f avec un echantillonnage :N = 2p , 5 p 8 et comparer les resultats obtenus avec
la transformee de Fourier exacte (une seule frequence : ).
9.1.3
1. Fonctionnalit
es graphiques de SCILAB
Pour tracer sur plusieurs fenetres- Exemple
t = 0:0.02:5;
signalbase = sin(2 * %pi * 9.7 * t) + sin(2 * %pi * 10.3 * t);
// Les 4 signaux `
a tracer
signal1 = signalbase * .1+
signal2 = signalbase * .3+
signal3 = signalbase * .6+
signal4 = signalbase * 1+
// Le trac
e
xsetech ([0,0,1,1/4])
plot2d(t,signal1,1,"050","
xsetech ([0,1/4,1,1/4])
plot2d(t,signal2,1,"050","
xsetech ([0,2/4,1,1/4])
plot2d(t,signal3,1,"050","
xsetech ([0,3/4,1,1/4])
plot2d(t,signal4,1,"050","
sur la m^
eme fen^
etre
rand(signalbase) * 2;
rand(signalbase) * 2;
rand(signalbase) * 2;
rand(signalbase) * 2;
",[0,-7,5,7]);
",[0,-7,5,7]);
",[0,-7,5,7]);
",[0,-7,5,7]);
// d
efinit la premi`
ere sous-fen^
etre
// plot le premier signal
// d
efinit la deuxi`
eme sous-fen^
etre
// plot le second signal
// d
efinit la troisi`
eme sous-fen^
etre
// plot le troisi`
eme signal
//d
efinit la quatri`
eme sous-fen^
etre
// plot le quatri`
eme signal
126
et si t 0
0
si t < 0
1 si |t| a
, a>0.
0 si |t| > a
z(tk ) =
N
p
X
j=1
o`
u les (tj ) representent les points de discretisation. La fonction convol de SCILAB donne la convolution discr`ete des deux signaux
p
X
j=1
127
z=h*convol(f1,f2);
xx=[-N:h/2:N];
plot(xx,z)
(c) Tracer les trois signaux sur le meme graphe.
3. On consid`ere le signal
f (x) = e|x] cos(x) ,
dont la transformee de Fourier est
f(s) =
1
1
+
.
4 2 (s2 s) + 2 + 1 4 2 (s2 + s) + 2 + 1
9.1.4
1. On se donne un signal sur un intervalle de temps [1, 1] echantillonne `a F Hz (autrement dit, le pas de discretisation est h = 1/F ).
Choisir un signal de la forme
x = sin(240t) 2 sin(400t) + sin(800t) .
128
Ordonnee :
E = |
x|2 /512 ;
Tester plusieurs frequences dechantillonnage (F= 1000, 800, 600 Hz) et observer le
comportement du spectre du signal. Comment expliquer vous ce qui se passe?
2. Pour le signal precedent et differentes frequences dechantillonnage, calculer la FFT
du signal, puis la FFT inverse. On doit en principe retrouver le signal de depart ....
Que constatez-vous?
3. Theor`eme de Shannon
On se donne un signal de depart (discretise sur 1024 points )
S(j) = a sin(
j
j
j
) + b sin(
+ ) + c sin(
+ ) , 0 j T = 1024 .
17
29
53
Choisir a, b, c de mani`ere aleatoire dans [0, 1] et , de mani`ere aleatoire dans [0, 2].
On va tester plusieurs intervalles (et frequences dechantillonnage ) par exemple
f=
1
1
1 1
,
, , ,
;
256 128
8 4
N
X
S(na)
n=0
sin( a (j na))
,
a (j na)
cest-`a-dire
Sech (j) =
N
X
S(na)
sin( ( aj n))
n=0
( aj n)
j = 1, , T
o`
u Sech designe le signal echantillonne.
On pourra definir la fonction sinc par
sin(x)
sinc(x) =
x
1
si x 6= 0 ,
sinon
129
9.1.5
Epreuve pratique
Exercice 1
1. Definir les signaux suivants
(a) d = [1 zeros(1, N 1)] : impulsion unite discr`ete (avec N = 50 par exemple)
(b) dd limpulsion unite centree. (N = 50).
(c) Sur lintervalle [500, 500] (avec un pas de 1) definir
(n + 500)2 (n 500) (x 480)4 (n + 120)5
.
1000
Definir la partie paire de x: xp et sa partie impaire xi.
Les dessiner pour verification. On suppose le signal x echantillonne `a 100 hz.
x(n) =
130
subplot(2,2,1)
plot( )
title(Phase )
subplot(2,2,2)
plot( )
title(Module)
subplot(2,2,3)
plot()
title(Partie reelle)
subplot(2,2,4)
plot()
title(Partie imaginaire)
3. Commentez la difference entre d et dd
4. Comparer xp et xi avec les resultats theoriques de la FFT des fonctions paires et
impaires. Expliquez les differences sil y en a .
5. Interpreter les resultats de x3 et x4. Expliquez surtout le resultat x4 de la FFT
dun nombre non entier de periodes de sinus (pensez au rapport entre la frequence
dechantillonnage et la frequence de la sinusode).
Exercice 2 : analyse dun signal audio
Taper : y=wavread(signalexam) pour charger le vecteur representant le son dun instrument echantilllonne `a 8000 Hz.
1. Quelle est la duree de ce signal? On la note T
2. Representer (par plot ) sur la meme fenetre graphique (cf commande dans lexercice
1) le signal sur 1 s , 0.5 s, 0.1 s et 0.05 s.
Est-ce un signal periodique simple? complexe? Est-ce un signal aperiodique.
3. Faire la FFT du signal sur 0.1 s sur 256, 512 et 1024 points successivement.
4. Quelle est la frequence fondamentale du signal? On pourra se contenter dafficher la
tranche de frequences [50, 1000].
De quel instrument pourrait-il sagir?
9.2
9.2.1
131
Sujets dexamen
Examen du 16 d
ecembre 2002
Dans tout ce qui suit la transformee de Fourier dune fonction v est definie par
Z
F(v)() = v() =
v(s)e2is ds .
R
Exercice 1
On appelle sinus cardinal la fonction
sa (t) =
sin( a t)
,
at
dont les translatees san (t) = sa (t na) apparaissent dans la formule de Shannon.
On se propose de demontrer que ces fonctions forment une base hilbertienne de lespace
Va = {v L2 (R) | supp (
v ) [
1 1
, ] }.
2a 2a
1. Pr
eliminaire
(a) Montrer que si f et g sont dans L1 (R), alors f g L1 (R), f g L1 (R) et
Z
Z
f ()
g () d =
f()g() d .
R
Z
san sap =
sc
an sc
ap .
132
san sap = a
1
2a
e2i(np)a d .
1
2a
N
X
g(na)san k22 = k
n=N
g(na)san k22 = a
|n|>N
|g(na)|2 .
|n|>N
No
X
g(na)san k2 .
n=No
Exercice 2
Soit f (t) (t R) un signal dont la transformee de Fourier est
(
1 si || 1 ,
f () =
0 si || > 1
Que peut-on dire de f ?
1. Calculer f et donner une allure de son graphe.
2. Calculer lenergie totale de f .
3. On suppose que f est echantillonnee aux instants na (n Z) et on appelle g le signal
echantillonne. Donner la valeur de g en fonction de f. Donner une allure du graphe
de g quand a = 1.
Exercice 3 :Application `
a lanalyse du son (a)
(b)
133
134
(c)
9.2.2
135
Dans tout ce qui suit la transformee de Fourier dune fonction v est definie par
Z
F(v)() = v() =
v(s)e2is ds .
R
1 si t > 0
1
(b) f (t) =
si t = 0
0 si t < 0
(c) fn (t) = tn avec n N.
On commencera par montrer que pour tout s verifiant Re(s) > 0, on a
n
fn (s) = fn1 (s) ,
s
et on concluera par recurrence.
(d) f (t) = cos(t) avec R.
3. Lien avec la transformee de Fourier : montrer que si on pose
gso (t) = f (t)eso t si t 0, et 0 sinon,
o`
u so > 0 est un param`etre reel on a
f(so + i) = F(gso )() .
4. Grace (1), montrer que si f a un retard de : g(t) = f (t ), alors
g() = e f() .
(9.2.1)
136
Exercice 2
Soit f le signal defini par
f (t) = e|t| ,
tR.
+
X
|f (na)|2 .
n=
Montrer que
1
) = 1.274.
2c
Cest lenergie du signal reconstruit apr`es la limitation du spectre .
E(
|f()|2 d
1
et E(
)?
2c
6. Quelle doit-etre la duree du signal Tc dans le domaine temporel pour que lenergie
du signal tronque soit egale `a 99% de lenergie du signal de depart?
Z Tc /2
(e|t| )2 = 0.99.
Tc /2
137
5. Noter sur le signal lendroit ou la personne parle (ou chante) le plus fort (++), le
moins fort (). On precisera lunite.
138
Signal et intensit
e (Le trait plein represente lintensite)
Repr
esentation spectrale
Index
echantillonnage, 3, 60, 93
egalite de Parseval, 27, 46, 77
energie, 78
etalement, 79
etalement spectral, 79
etalement temporel, 79
DFT, 61
Dirac (masse), 87
Dirac (mesure), 87
Dirac (peigne), 87
Dirichlet (theor`eme), 29
dual (espace), 48
ligne `a retard , 5
Riemann-Lebesgue, 73
ensemble total, 43
entree, 5
espace dual, 48
amplificateur ideal , 5
amplitude, 4
analogique, 3
autocorrelation, 78
filtre, 9
fonction de transfert, 9, 10
formule de Poisson, 91
formule de Poisson , 90
Fourier (coefficients), 44
Fourier (serie), 27, 44
Fourier - Plancherel, 77
frequence, 4, 31
frequence de coupure, 102
frequence de Nyquist, 93
Banach (espace), 48
bande limitee, 93
base hilbertienne, 45
Beppo Levi , 17
Bessel (inegalite), 44
causalite, 7
changement dechelle s, 71
circuit RC, 6
coefficients de Fourier, 23, 44
continuite, 8
convergence faible sequentielle, 51
convolution, 74
convolution circulaire discr`ete, 62
gradient, 51
Gram, 42
harmoniques, 31
hauteur, 99
hermitien (produit), 18
Hilbert, 18
decalage en temps, 71
decibel, 99
derivateur, 5
densite spectrale denergie, 78
impaire (suite), 62
inegalite de Bessel, 23, 44
inegalite de Cauchy-Schwartz, 18
input, 5
139
140
invariance, 7
Lebesgue, 16, 17
linearite, 6
matrice de Gram, 42
meilleure approximation, 23
mesure de Dirac, 87
monochromatique, 9
norme duale, 48
numerique, 3
Nyquist (cadence), 93
Nyquist (frequence), 93
orthogonalite, 40
ouput, 5
periode, 4
paire (suite), 62
Parseval, 46
Parseval (egalite), 27
peigne de Dirac, 87
phenom`ene de Gibbs, 81
prehilbertien, 18
principe dincertitude, 80
produit de dualite, 49
produit hermitien, 18
produit scalaire, 39
projection orthogonale, 41
pulsation, 4
quantification, 3
realisable, 7
resonance acoustique, 102
RC (circuit), 6
Riemann, 15
Riemann- Lebesgue (theor`eme), 28
Riesz - Frechet, 50
rresonateurs, 102
INDEX
separable, 46
serie de Fourier, 27, 44
sesquilinearite, 18
Shannon, 93
sinus cardinal, 95
sortie, 5
spectre, 31
spectre denergie, 79
spectre damplitude, 31
spectre de phase, 31
suite impaire, 62
suite paire, 62
superposition, 6
syst`eme, 5
TFD, 61
theor`eme dechantillonnage de Shannon,
93
theor`eme dinversion de Fourier, 75
theor`eme de Banach, 52
theor`eme de convergence dominee, 17
theor`eme de convergence monotone, 17
timbre, 99
time scaling, 71
time shifting, 71
transfert, 9
transformee de Fourier, 69
transformation de Fourier - Plancherel, 77
transformation de Fourier discr`ete, 61
transformation de Fourier-Plancherel, 76
BIBLIOGRAPHIE
141
Bibliographie
[1] M. Bergounioux. Optimisation dans Rn et Introduction au Contr
ole Optimal des
Syst`emes Lineaires - Cours et exercices. Dunod, 2001.
[2] H. Brezis. Analyse fonctionnelle - Theorie et applications. Masson, 1987.
[3] M. Crouzeix and A.L. Mignot. Analyse numerique des equations differentielles. Masson, 1989.
[4] C. Gasquet and P. Witomski. Analyse de fourier et traitement du signal. Masson,
1998.
[5] A. Guichardet. Integration - Analyse hilbertienne. Ellipses, 1989.
[6] Landercy and R.Renard. Elements de phonetique. Didier - Bruxelles.
[7] H. Reinhard. Elements de mathematique du signal. Dunod, 2002.
[8] W. Rudin. Analyse reelle et complexe. Masson, 1978.
142
BIBLIOGRAPHIE
`
TABLE DES MATIERES
143
1.1
Signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Syst`emes
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Filtres et transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3.1
. . . . . . . . . . . . . . . . . .
1.3.2
1.4
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2 Signaux p
eriodiques- S
eries de Fourier
2.1
2.2
15
Resultats de convergence . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2
Resultats de densite . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2
2.3
Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4
Theor`eme de Riemann-Lebesgue . . . . . . . . . . . . . . . . . . . . 28
2.4.2
Theor`eme de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5
2.6
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1
Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.2
Polynomes trigonometriques . . . . . . . . . . . . . . . . . . . . . . . 36
39
3.1
Definitions- exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2
Projection orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1
3.3
Cas o`
u V est un espace de dimension finie
. . . . . . . . . . . . . . 42
`
TABLE DES MATIERES
144
3.3.1
3.4
3.5
Dualite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.1
3.4.2
Representation de Riesz - Fr
echet . . . . . . . . . . . . . . . . . . 50
3.4.3
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.1
Bases hilbertiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.2
Suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.3
59
4.1
4.2
4.3
Lalgorithme de FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.3.1
4.3.2
Applications de la FFT . . . . . . . . . . . . . . . . . . . . . . . . . 67
5 Transformation de Fourier
5.1
69
5.1.2
5.2
5.3
5.4
5.3.1
5.3.2
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6 Echantillonnage
6.1
6.2
Peigne de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.1.1
Masse de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.1.2
Peigne de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.1.3
6.1.4
Transformee de Fourier de a . . . . . . . . . . . . . . . . . . . . . . 90
Application `a letude dun signal echantillonne . . . . . . . . . . . . 93
6.4
. . . . . . . . . . . . . . . . . 89
6.3
85
Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
`
TABLE DES MATIERES
145
7 Introduction `
a lanalyse vocale
7.1 Caracteristiques physiques et perceptives des sons . . . . . .
7.1.1 Sons periodiques simples: hauteur, intensite . . . . . .
7.1.2 Sons periodiques complexes: hauteur, intensite, timbre
7.2 Sons aperiodiques . . . . . . . . . . . . . . . . . . . . . . . .
7.2.1 Resonance acoustique, resonateurs et filtres . . . . . .
7.3 Resume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
103
. 103
. 103
. 105
. 106
. 106
. 108
8 Transform
ee de Fourier `
a fen
etre glissante
8.1 Fenetrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Les formules de Gabor . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.3 Comparaison des methodes de Fourier et Gabor . . . . . . . . . . . . . . .
113
. 114
. 116
. 120
123
. 123
. 123
. 124
. 125
. 127
. 129
. 131
. 131
. 135
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
. . .
. .
. . .
. . .
. . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.