Vous êtes sur la page 1sur 92

Deuxime partie .

Analyse des signaux

97

4. Analyse et comparaison des


signaux
Ce chapitre prsente quelques outils frquemment utiliss en analyse des signaux.
On y trouvera des aspects pratiques de la transformation de Fourier, son extension
aux signaux bidimensionnels (les images), les fonctions d'auto- et d'intercorrlation
servant caractriser et comparer des signaux entre eux et enn une prsentation
succinte des signaux alatoires.

4.1. Transformation de Fourier


4.1.1. Dnition de la transformation de Fourier
Les transformations de Fourier directe et inverse sont dnies comme suit

x(t)
X(jf )

Z +

X(jf ) exp(+j2f t) df

(4.1)

x(t) exp(j2f t) dt

(4.2)

On constate que les descriptions temporelle et spectrale sont parfaitement sym-

X(jf ) ne sont pas les mmes que celles du signal original


x(t) est une tension lectrique, sa transforme X(jf ) s'exprime

triques et que les units de

x(t).

Dans le cas o

en [V/Hz] et elle est dnie comme la


temporel

densit spectrale d'amplitude du signal

x(t).

En notation abrge, on dcrira ces deux transformations par les oprateurs


et

T F I{ }.

La correspondance rciproque s'crit alors :

TF{}

x(t) = T F I{X(jf )} T F {x(t)} = X(jf )


x(t) ne possde pas de symtries
X(jf ) est une fonction complexe :

Si la fonction
d'amplitude

particulires, sa densit spectrale

x(t) X(jf ) = Xr (f ) + jXi (f )

(4.3)

Le module et la phase de la densit spectrale d'amplitude valent alors :

|X(jf )| X(f ) =

Xr2 (f ) + Xi2 (f )

(4.4)

Xi (f )
Xr (f )

(4.5)

X(jf ) (f ) = arctan

99

4.

Analyse et comparaison des signaux

4.1.2. Puissance et nergie d'un signal


Les signaux permanents, priodiques ou non, sont caractriss par leur puissance
moyenne (leur nergie est inniment grande). On a vu dans le cours Signaux et
Systmes que les signaux priodiques ont une puissance que l'on peut calculer aussi
bien dans le domaine temporel que frquentiel :

P =

1
T

+T /2

x2 (t) dt

T /2

+
X

X(jk)

|X(jk)|2

(4.6)

(4.7)

est l'amplitude complexe de la composante spectrale d'ordre

k.

Dans le cas des signaux non permanents, on prendra garde parler de leur nergie et
non pas de leur puissance, car celle-ci est nulle si l'on considre une dure inniment
longue. De mme que pour les signaux priodiques, on peut calculer l'nergie d'un
signal apriodique dans les domaines temporel et frquentiel :

W =
W =

Z
Z

x2 (t) dt

L'expression de l'nergie d'un signal


dnition de la

2
V sec

|X(jf )|2 df

x(t)

(4.8)

/Hz

(4.9)

dans le domaine des frquences entrane la

densit spectrale d'nergie Sx (f ) :


Sx (f ) |X(jf )|2 = X(jf ) X(jf )
2

On notera que ses units s'expriment en [V

/Hz2 ]

/Hz2

(4.10)

lorsque le signal est une tension.

4.1.3. Proprits de la transformation de Fourier


Parmi le grand nombre de proprits associes la transformation de Fourier, on
retiendra particulirement celles qui ont le plus d'intrt en traitement du signal.
Elles sont prsentes dans le tableau 4.1. De plus, une table illustre des transformes
de Fourier tire de l'ouvrage de F. de Coulon [2] est prsente en n de chapitre.

4.2. Exemples de spectres continus


Pour illustrer l'utilisation de la transforme de Fourier, calculons les densits spectrales de quelques signaux particuliers.

100

4.2. Exemples de spectres continus

a) linarit

ax(t) + by(t)

aX(jf ) + bY (jf )

b) dcalage

x(t + td )

X(jf ) exp(+j2f td )

x(t) exp(at), x(t) causal

X(j2f + a)

x(t) exp(+j2f0 t)

X (j(f f0 ))

dx(t)
dt

j2f X(jf )

c) amortissement

d) modulation

e) drivation

f ) intgration

1
1
X(jf ) + X(0)(f )
j2f
2

x(t)dt

avec

g) convolution

h) nergie

x(t)dt

h(t) x(t)

H(jf ) X(jf )

h(t) x(t)

H(jf ) X(jf )

W =

+
2

x (t)dt

j) valeurs l'origine

X(0) =

x(t = 0) =

W =

X(jf )df

X(f = 0) =

|X(jf )|2 df

x(t)dt

k) rotation Oy

y(t) = x(t)

Y (jf ) = X(jf ) = X (jf )

l) fonction paire

x(t) = x(t)

X(jf ) <

x(t) = x(t)

X(jf ) =

m) fonction impaire

Tab. 4.1.: Quelques proprits de la transformation de Fourier

101

4.

Analyse et comparaison des signaux

4.2.1. Spectre d'une impulsion rectangulaire


Considrons une impulsion

x(t)

de largeur

et d'amplitude

centre en

t = 0

(gure 4.1). Par dnition de la transformation de Fourier, on a :

X(jf ) =

x(t) exp(j2 f t)dt

En tenant compte de la dnition de l'impulsion rectangulaire centre :

x(t) =

0 si |t| >

il vient :

X(jf ) =

A si |t|

t
2
(4.11)

t
2

+t/2

A exp(j2 f t)dt

t/2

+t/2

A
=
exp(j2 f t)
j2f
t/2


A
t
t
=
exp(j2 f
) exp(+j2 f
)
j2f
2
2
A exp(+j f t) exp(j f t)
f
2j

Utilisant la formule d'Euler :

sin u =

exp(+ju) exp(ju)
2j

on obtient nalement :

X(jf ) = A t

sin(f t)
= A t sinc(f t) <
f t

(4.12)

Comme on pouvait s'y attendre, la densit spectrale d'amplitude d'une impulsion

t = 0 est bien dcrite par un sinus cardinal. De plus, comme


rectangulaire x(t) est paire, sa densit spectrale d'amplitude Y (jf ) est

rectangulaire centre en
l'impulsion

une fonction relle. Enn, on remarquera (gure 4.1) que le spectre passe par zro
chaque fois que le sinus cardinal s'annule, c'est--dire, chaque fois que la frquence
est un multiple de

1/t.

On constate ainsi que le spectre d'une impulsion est d'autant plus large et de faible
amplitude que l'impulsion est troite (gure 4.2b). Cette remarque est vraie pour
l'ensemble des signaux de dure limite et elle peut s'noncer ainsi
Un signal de

courte dure possde un spectre large bande.

un spectre

102

troit correspond un signal de longue dure.

4.2. Exemples de spectres continus

1
0.8
x(t)

0.6
0.4
0.2
0
0.2
10

0
temps

10

0.8

0.6

0.4

0.2

0
frquence

0.2

0.4

0.6

0.8

X(jf)

3
2
1
0
1
1

Fig. 4.1.: Impulsion rectangulaire et sa densit spectrale d'amplitude

10
1

8
6

0.6

X1(jf)

x1(t)

0.8

0.4

4
2

0.2
0
0
2
0.2
10

10

0
frquence

10
1

8
6

0.6

X2(jf)

x2(t)

0.8

0.4

4
2

0.2
0
0
2
0.2
10

0
temps

10

Fig. 4.2.: Le contenu spectral d'une impulsion dpend fortement de sa dure

103

4.

Analyse et comparaison des signaux

4.2.2. Spectre d'un sinus amorti


tudions, comme deuxime exemple, la transforme de Fourier d'une sinusode de
frquence

fp dcroissant exponentiellement au cours du temps (gure 4.3). Son qua


0,
si t < 0

y(t) =
(4.13)

A exp(at) sin(2fp t), si t 0

tion s'crit :

Partant de la dnition de la transforme de Fourier, on calcule sa densit spectrale


d'amplitude :

Y (jf ) =

y(t) exp(j2f t)dt

A exp(at) sin(2fp t) exp(j2f t)dt

A exp(at)

exp(+j2fp t) exp(j2fp t)
exp(j2f t)dt
2j

Cette intgrale ne contient que des exponentielles ; elle est trs simple calculer.
Aprs rduction des deux primitives un mme dnominateur, on obtient :

Y (jf ) = A

2fp
C
(a + j2f )2 + (2fp )2

(4.14)

1
A = 1.0
f = 4.0

0.5

y(t)

a = 0.25
0

0.5

5
temps

10

|Y(jf))|

1.5
1
0.5
0

10

0
frquence

10

Fig. 4.3.: Sinus amorti et le module de sa densit spectrale d'amplitude

104

4.2. Exemples de spectres continus


On remarquera que la densit spectrale d'amplitude
car la sinusode dcroissante

y(t)

Y (jf ) est une fonction complexe

ne possde pas de symtrie particulire. La gure

4.3 prsente le sinus amorti et le module de sa densit spectrale d'amplitude.


On peut galement noter les deux valeurs particulires suivantes

f =0:

f = fp :

Y (0) = A

2fp
A
'
2
+ (2fp )
2fp

a2

Y (jfp ) =

a  2 fp

si

A
2fp
A
'
a a + +j4fp
j2a

si

a  2 fp

4.2.3. Spectre d'une impulsion sinusodale


On sait qu' un produit de convolution dans le domaine temporel correspond un
produit simple dans le domaine complexe :

y(t) = h(t) x(t)

Y (jf ) = H(jf ) X(jf )

(4.15)

L'inverse de cette proposition est galement vraie et elle est trs pratique pour
calculer le spectre de signaux moduls en amplitude. Elle s'exprime comme suit.
un produit simple dans le domaine temporel correspond un produit de convolution
dans le domaine complexe :

y(t) = m(t) x(t)

Y (jf ) = M(jf ) X(jf )

Considrons comme exemple une impulsion sinusodale de dure

y(t) =

cos(2f0 t)
0

si

|t| <

t
2

si

|t|

t
2

(4.16)

Voyant que ce signal est quivalent la multiplication d'un sinusode permanente


par une impulsion de largeur

t,

on a :

y(t) = m(t) x(t) = m(t) cos(2f0 t)


Sachant que les spectres des signaux

x(t)

avec

et

m(t)

m(t) =

si

|t| <

t
2

si

|t|

t
2

valent respectivement

1
( (f + f0 ) + (f f0 ))
2
M(jf ) = A t sinc(f t)

X(jf ) =

et que la convolution entre une fonction et une impulsion de Dirac reproduit la


fonction l'endroit o se situe l'impulsion, on voit que le spectre de l'impulsion
sinusodale vaut

A t
(sinc((f + f0 ) t) + sinc((f f0 ) t))
2
On constate ainsi que le spectre d'une impulsion sinusodale de dure t est constitu
de deux sinus cardinaux situs en +f0 et f0 (gure 4.4).
Y (jf ) = M(jf ) X(jf ) =

105

4.

Analyse et comparaison des signaux

2
1
X(f)

x(t)

1.5
0

1
0.5

1
2

0
10

10

10

0
frquence

10

2
1
M(f)

m(t)

1.5
0

1
0.5

1
2

0
10

2
1
Y(f)

x(t)

1.5
0

1
0.5

1
2

0
temps

0
10

Fig. 4.4.: Impulsion sinusodale et son spectre

4.2.4. Spectres de deux impulsions


Considrons un signal constitu de deux impulsions d'amplitude
quement en

places symtri-

t0 /2 (gure 4.5). Ce signal possde un spectre qui se calcule facilement


t = 0 et l'aide du thorme du dcalage.

partir de celui d'une impulsion centre en


Comme le signal

z(t)

est la somme de 2 impulsions dcales de

t0 /2,

z(t) = x(t + t0 /2) + x(t t0 /2)

(4.17)

on a :



t0
t0
sin(f t)
exp(+j2f ) + exp(j2f )
Z(jf ) = A t
f t
2
2
donc

Z(jf ) = 2 A t

sin(f t)
cos(f t0 )
f t

(4.18)

De plus, par rapport ce qui va suivre, il est intressant de considrer galement la


densit spectrale d'nergie :

sin(f t)
Sz (f ) |Z(jf )| = 2 A t
cos(f t0 )
f t
2

2

(4.19)

Les densits spectrales d'amplitude et d'nergie sont reprsentes la gure 4.5.

106

4.3. Extension de la transformation de Fourier

z(t)

0.5
(a)
0
10

10

Z(jf)

1
0
1
(b)
2
2

1.5

0.5

0.5

1.5

1.5

0.5

0.5

1.5

S (f)

3
2
1

(c)

0
2

Fig. 4.5.: Deux impulsions rectangulaires symtriques

trales d'amplitude

Z(jf )

et d'nergie

z(t)

avec ses densits spec-

Sz (f ).

4.3. Extension de la transformation de Fourier


Le spectre d'nergie des deux impulsions tudies ci-dessus montre une grande similitude avec la gure de diraction de Fraunhofer due deux fentes troites (gure
4.6). En ralit, il s'agit plus que d'une similitude car on montre en physique que
toute gure de diraction est la transforme de Fourier de l'objet qui en est la cause.
De cette analogie, on dduit que la notion de transformation de Fourier peut tre
tendue des espaces plusieurs dimensions. Cette transformation de Fourier multidimensionnelle est dnie de manire similaire celle que nous avons tudie jusqu'
prsent

x(t) X(jf )
avec

x(t) exp (j2 f t) dt

(4.20)

reprsentant la frquence des oscillations, c'est--dire le nombre de priodes

par unit de temps. Cette frquence est mesure en [Hz] ou, de manire plus fondamentale, en [1/sec].
Dans le cas particulier d'une image (espace deux dimensions), on a aaire une
intensit lumineuse

fonction des coordonnes

et

i = i(x, y)

(4.21)

Sa transforme de Fourier est alors dnie comme suit

I(jfx , jfy )

i(x, y) exp (j2 fx x)

exp (j2 fy

y) dx dy

(4.22)

107

4.

Analyse et comparaison des signaux

Fig. 4.6.: Figure de diraction [3] cause par deux ouvertures troites correspondant

aux deux impulsions rectangulaires de la gure 4.5

Ici, les frquences spatiales

fx

et

fy

reprsentent le nombre de priodes par unit de

longueur mesures en [1/m]. Une illustration des spectres spatiaux (ou des gures de
diraction) d'ouvertures circulaire et carre est donne la gure 4.7 ; on y reconnat
la fonction sinus cardinal distribue dans l'espace des frquences spatiales

fx

et

fy .

Comme nous venons de le voir, la notion de transformation de Fourier s'applique


des fonctions bidimensionnelles. On imagine donc aisment que les principes de
ltrage bien connus en lectronique peuvent s'tendre de la mme manire des
signaux multidimensionnels. Une illustration en est donne la gure 4.7 o l'on
voit comment l'application de masques dans le domaine frquentiel permet d'extraire
les bords de l'image (ltrage passe-haut) ou de dfocaliser l'image (ltrage passebas). On notera qu'un ltrage ralis avec un masque constitu simplement de 0 ou
1 n'est pas optimum car il entrane les eets de franges bien visibles sur les images.

4.4. Classication et types de signaux


Sans entrer dans les dtails de la classication des signaux, il faut mentionner que
plusieurs approches sont possibles. Parmi celles-ci, on en citera deux :
 la classication phnomnologique qui met l'accent sur le comportement temporel
du signal ;
 la classication nergtique o l'on classe les signaux suivant qu'ils sont nergie
nie ou puissance nie.

108

4.4. Classication et types de signaux

1
g(x,y)

g(x,y)

1
0.5
0
50

0.5
0
50

50
0

0
50

50

0.5

0.5

G(fx,fy)

G(fx,fy)

50
0

0.5
5

0
50

50

0.5
5
5
0
f

Original

5
0

fx

Passehaut

0
5

fx

Passebas

Fig. 4.7.: a) Transformes de Fourier spatiales d'un rond et d'un carr

b) Filtrage spatial de la lettre A avec un masque qui ne laisse passer que


les hautes ou les basses frquences

109

4.

Analyse et comparaison des signaux

4.4.1. Classication phnomnologique


Dans cette classication, on rpartit gnralement les signaux en deux classes principales et quatre sous-classes illustres par la gure 4.8.
Dans les deux classes principales, on trouve :
 les signaux dterministes dont l'volution temporelle parfaitement dnie peut
tre prdite par un modle mathmatique appropri ;
 les signaux alatoires qui ont un comportement temporel imprvisible et dont la
description ne peut se faire qu'au travers d'observations statistiques.

Signaux

Dterministes

Priodiques

Alatoires

Non priodiques

Stationnaires

Non stationnaires

Fig. 4.8.: Classication phnomnologique des signaux

Parmi les

signaux dterministes

(gure 4.9), on distingue :

 les signaux priodiques dont la forme se rpte rgulirement ;


 les signaux pseudo-alatoires qui sont des signaux priodiques mais avec, l'intrieur de la priode, un comportement alatoire ;
 les signaux quasi-priodiques qui rsultent d'une somme de sinusodes dont le
rapport des priodes n'est pas rationnel ;
 les signaux non-priodiques ; ils sont essentiellement reprsents par des signaux
transitoires dont l'existence est phmre.
Parmi les

signaux alatoires

(gure 4.10), on distingue :

 les signaux stationnaires dont les caractristiques statistiques ne changent pas au


cours du temps (p.ex : le bruit lectronique) ;
 les signaux non-stationnaires dont le comportement statistique volue au cours
du temps (p.ex. : la parole).

4.4.2. Classication nergtique


L'nergie

Wx

d'un signal

x(t)

est dnie comme suit

Wx

110

x2 (t) dt

(4.23)

4.4. Classication et types de signaux


(a)

(b)

0.5

0.5

0.5

0.5

(c)

(d)

0.5

0.5

0.5

0.5

0
temps

0
temps

Fig. 4.9.: Exemples de signaux dterministes : (a) priodique, (b) pseudo-alatoire,

(c) quasi-priodique, (d) non-permanent

On dira que ce signal est

nergie nie

si

Wx < .

Dans cette catgorie, on

rencontre tous les signaux temporellement phmres qu'ils soient dterministes ou


alatoires.
La puissance moyenne

Px

d'un signal

1
Px lim
T T

x(t)

est dnie par

+T /2

T /2

2
x2 (t) dt Xef
f

(4.24)

On notera que cette dnition concide avec celle du carr de la valeur ecace du
signal

x(t).

On dira que celui-ci est

puissance nie

si

Px < .

Cette catgorie

englobe les signaux priodiques, quasi-priodiques et les signaux permanents alatoires ou non. Dans le cas o le signal est priodique, la dure d'intgration

est

prise gale une priode du signal.


Certains signaux thoriques n'appartiennent aucune de ces catgories ; c'est le cas,
x(t) = eat < t < .

par exemple, de l'exponentielle

4.4.3. Signaux types


An de clarier les choses, considrons comme exemple de signaux-types les signaux
reprsents la gure 4.11. Le premier

x1 (t) = A exp(at) (t)

n'est ni priodique

ni permanent ; dans la mme catgorie, on peut placer les signaux temporaires tels

111

4.

Analyse et comparaison des signaux

(a)
1
0
1
5

(b)
1
0
1
5

0
(c)

1
0
1
5

0
temps

Fig. 4.10.: Trois exemples de signaux alatoires : (a) bruit blanc, (b) bruit large

bande, (c) bruit non-stationnaire

que les signaux priodiques de dure nie par exemple. Le deuxime, un signal carr,
est priodique et permanent. Le troisime est un signal permanent quasi-priodique.
Le quatrime

x4 (t)

est un signal alatoire permanent pour lequel il n'existe pas de

description temporelle.

Signaux dterministes temporaires


Les signaux dterministes temporaires tels que

x1 (t)

sont des signaux puissance

moyenne nulle mais nergie nie. Ils possdent un spectre continu dni par leur
densit spectrale d'amplitude. Celle-ci n'est autre que la transforme de Fourier du
signal :

X(jf ) =

x(t) exp(j2f t) dt

[V

sec]

= [V/Hz]

(4.25)

Leur nergie se calcule soit au niveau temporel

Wx =

2
V sec

x21 (t) dt

Sx (f ) df

soit dans le domaine frquentiel

Wx =

112

/Hz

(4.26)

4.4. Classication et types de signaux

x (t)

1
0.5
0
5

10

15

20

25

10

15

20

25

10

15

20

25

10
temps

15

20

25

x2(t)

1
0
1
5

x3(t)

1
0
1
5

x4(t)

1
0
1
5

Fig. 4.11.: Quatre signaux types

partir de la densit spectrale d'nergie

Sx (f )

exprime en [V

/Hz2 ]

Sx (f ) = X(jf ) X(jf ) = |X(jf )|2

(4.27)

Signaux permanents priodiques


Un signal dterministe permanent, par exemple

x2 (t),

est un signal priodique dont

la puissance est nie et l'nergie innie. Sa description spectrale peut se faire grce
la transforme de Fourier du signal

X(jf ) =

x(t) exp(j2f t) dt

[V

sec]

(4.28)

Pour tous signaux priodiques, on obtient alors une densit spectrale d'amplitude
constitue d'impulsions de Dirac. Ces impulsions correspondent aux raies spectrales
du signal priodique qui, comme on le sait, possde un spectre discret.
Plutt que de travailler avec les impulsions de Dirac, il est alors plus simple et plus
pratique d'en rester la description bien connue des sries de Fourier

1
X(jk) =
T

+T /2

x(t) exp(j2kf0 t) dt

[V]

(4.29)

T /2

113

4.

Analyse et comparaison des signaux

La puissance des signaux priodiques se calcule soit au niveau temporel

1
Px =
T

+T /2

x2 (t) dt

[V2 ]

(4.30)

(4.31)

T /2

soit dans le domaine frquentiel

+
X

Px =

k=

|X(jk)|2

Signaux permanents non priodiques


Un signal dterministe permanent est un signal dont la puissance est nie et l'nergie
innie. L'exemple illustr par le signal quasi-priodique

x3 (t) est constitu de quatre

sinusdes dont les frquences ne sont pas dans un rapport rationnel. Sa description
spectrale peut se faire grce la transforme de Fourier du signal

1
X(jf ) = lim
T T

+T /2

x(t) exp(j2f t) dt

[V]

(4.32)

T /2

et la puissance se calcule aux niveaux temporel ou frquentiel

1
Px = lim
T T

+T /2
T /2

x21 (t) dt

|X(jf )|2

(4.33)

Signaux alatoires
Les signaux alatoires sont des signaux permanents qui ne peuvent pas tre dcrits
analytiquement. Les dnitions ci-dessus sont donc inutilisables. Cependant, dans le

T = N t,
x[n] = x(t =

cas o l'on est en possession d'une suite de valeurs enregistres de dure


on peut calculer le spectre et la puissance de cette squence de valeurs

n t)

X(jf ) '

N 1
1 X
x[n] exp(j2f nt)
N n=0
N 1
1 X 2
x [n]
Px '
N n=0

[V]

(4.34)

(4.35)

Comme les signaux alatoires ne sont par dnition pas descriptibles, on doit tenter
de trouver des modles les reprsentant aussi bien que possible. Cela nous conduit
les classer dans une des trois catgories types qui sont :
 les bruits large bande dans lesquels toutes les frquences sont prsentes amplitudes gales ( la limite du bruit blanc) ;
 les bruits bande limite dans lesquels les composantes hautes frquences sont
nulles ;
 les bruits colors dans lesquels toutes les frquences sont prsentes mais avec des
amplitudes variables.
Une illustration temporelle de ces trois bruits est donne dans la gure 4.23. La
description et analyse de ces signaux sera faite dans la section 4.8.

114

4.5. Comparaison des signaux


Bruits: (a) large bande (b) bande limite (c) color
1

(a)

0.5
0
0.5
1
5
1

0
t

(b)

0.5
0
0.5
1
5
1

(c)

0.5
0
0.5
1
5

Fig. 4.12.: Trois signaux alatoires

4.5. Comparaison des signaux


Une opration mathmatique qui, de par sa forme, est trs proche de la convolution est la fonction de corrlation de deux signaux. Cependant, contrairement la
convolution, le but de la corrlation est de mesurer le degr de ressemblance de ces
signaux et d'extraire des informations qui, dans une large mesure, dpendent de
l'application considre.
La corrlation est utilise dans les radars, les sonars, les communications numriques,
la dtection de signaux noys dans du bruit, la mesure de temps de transmission, le
GPS (Global Positioning System), etc.
Dans chaque cas, on dispose de deux fonctions : le signal de rfrence
reu

x(t) et le signal

y(t). Il faut alors trouver une opration mathmatique permettant de comparer

ces signaux et d'en mesurer la ressemblance ou corrlation. Ceci se fait simplement


en eectuant l'intgrale du produit des signaux que l'on dcale progressivement l'un
par rapport l'autre.
Deux illustrations en sont donnes dans les gures 4.13 et 4.14. Dans la premire, on
compare deux signaux dont la superposition (maximum de ressemblance) apparat
aprs un dcalage temporel gal 0.8. Dans la deuxime, on compare un signal
chirp (signal sinusodal dont la frquence varie linairement avec le temps) avec sa
version dcale. On y voit que la corrlation d'un tel signal avec sa version dcale
possde un maximum trs bien dni l'endroit correspondant au dcalage des deux
signaux.

115

4.

Analyse et comparaison des signaux

Exemple de corrlation

y(t)

1
0.5
0
1

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

0.8

0.6

0.4

0.2

0.2

0.4

0.6

0.8

0.2

0.4

0.6

0.8

1
temps

1.2

1.4

1.6

1.8

x(t), y(t+)

1
0
1
1
x(t) y(t+)

1
0
1
1

rxy(+)

0.1
0

0.1
0

Fig. 4.13.: Intercorrlation de deux signaux

Exemple de corrlation

y(t)

1
0
1
0

0.5

1.5

2.5

0.5

1.5

2.5

0.5

1.5

2.5

0.5

1.5
temps

2.5

x(t), y(t+)

x(t) y(t+)

1
0
1

rxy(+)

0.4
0.2
0
0.2

Fig. 4.14.: Autocorrlation d'un signal chirp

116

4.5. Comparaison des signaux

4.5.1. Corrlation de signaux nergie nie


Intercorrlation de deux signaux
x(t) et y(t) nergie nie, on dnit la fonction d'intercorrlation
x(t) avec le signal y(t) dcal d'une va-

Considrant deux signaux

(c) comme l'intgrale du produit du signal


leur

rxy ( ) =

x(t) y(t + ) dt

rxy ( ) =

on montre que

rxy ( )

On voit ainsi que la fonction

(4.36)

= t + ,

Par changement de variable

de l'ordonne

x( ) y() d = ryx ( )

(4.37)

est aussi la version retourne de

ryx ( )

autour

Oy .

Comme on peut le constater, les fonctions d'intercorrlation

x(t) y(t + ) dt = rxy ( )

et de convolution

x() y(t ) d = x(t) y(t)

sont formellement trs proches. On montre qu'elles sont relies entre elles par :

rxy ( ) = x( ) y( )

(4.38)

Cette relation valable dans l'espace temps a bien entendu son quivalent dans l'espace des frquences :

Rxy (jf ) = X (jf ) Y (jf )

(4.39)

Autocorrlation d'un signal


Dans le cas particulier o
du signal

x(t)

y(t) = x(t),

autocorrlation

on obtient la fonction d'

(fac)

rxx ( ) =

x(t) x(t + ) dt

(4.40)

qui, pour un dcalage nul, donne l'nergie du signal

rxx (0) =

x(t)

x(t)2 dt Wx

(4.41)

117

4.

Analyse et comparaison des signaux

4.5.2. Corrlation de signaux puissance nie


Dans ce cas, les signaux sont permanents et possdent une nergie inniment grande ;
on ne peut donc pas utiliser les dnitions prcdentes. Pour cette catgorie de
signaux, on rednit les deux fonctions de corrlation comme suit :

1
rxy ( ) = lim
T T

+T /2

1
rxx ( ) = lim
T T

+T /2

x(t) y(t + ) dt

(4.42)

x(t) x(t + ) dt

(4.43)

T /2

T /2

Dans le cas d'un dcalage nul, on trouve la puissance du signal

1
rxx (0) = lim
T T

x(t)

+T /2

T /2

2
x(t)2 dt Xef
f = Px

(4.44)

Il est d'autre part vident que si les signaux sont priodiques, l'intgration se fera
sur une priode seulement.
La gure 4.15 illustre des fonctions d'autocorrlation reprsentatives de quelques
signaux alatoires. On y trouve successivement trois signaux dont les puissances
 2 
Vef f :

sont les mmes, savoir 0.2




un bruit blanc gaussien

un bruit large bande

: son caractre non prvisible est manifeste et il est

conrm par l'troitesse du pic de la fac.


: ce signal a t obtenu en ltrant passe-bas le bruit blanc.

Son contenu spectral moins tendu fait qu'il est raisonnablement possible de prvoir une valeur future pas trop loigne. Une mesure de cet horizon de prvision
est donne par la largeur mi-hauteur du pic de la fac.

un bruit bande troite

: ce signal a t obtenu en ltrant le bruit blanc l'aide

d'un ltre passe-bande. Son contenu frquentiel troit se manifeste par un comportement oscillant de manire assez rgulire. Cette pseudo-priodicit est encore
plus facile dterminer l'aide de sa fac : elle se mesure par la distance sparant
le pic central du premier pic latral.

4.5.3. Proprits de l'autocorrlation


On rappellera tout d'abord que la fonction d'autocorrlation consiste dcaler un
signal par rapport lui-mme, puis intgrer le produit des deux. On montre alors
aisment que la fonction d'autocorrlation possde les proprits suivantes :
1. Lorsque le dcalage temporel est nul (

= 0),

la fac est gale l'nergie du

signal pour les signaux nergie nie :

rxx (0) =

118

x(t)2 dt Wx

(4.45)

4.5. Comparaison des signaux


rxx()

x(t)
0.2
1
0.1
(a)

0
0.1

1
2

0.2
2

0
dcalage

0.2
1
0.1
(b)

0
0.1

1
2

0.2
2

0.2
1
0.1
(c)

0
0.1

1
2

0
temps

0.2
2

Fig. 4.15.: Quelques signaux et leur fonction d'autocorrlation

ou, la puissance moyenne pour les signaux puissance nie :

1
rxx (0) = lim
T T

+T /2
T /2

x(t)2 dt Px

2. Comme la correspondance entre les 2 signaux ne peut pas tre aussi forte
que lorsque les signaux se superposent exactement cela entrane que la fac est
maximum pour un dcalage nul. On a donc :

rxx (0) rxx ( )

(4.46)

rxx ( ) = rxx ( )

(4.47)

3. La fac est une fonction paire :

4. La fac d'un bruit blanc (ainsi appel par analogie la lumire blanche constitue de toutes les frquences lumineuses) est une impulsion de Dirac. En eet,
le bruit blanc tant form d'une multitude de frquences possdant la mme
puissance, il en rsulte un signal variant si rapidement que sa valeur prsente
est indpendante des valeurs passes et que sa valeur est non nulle pour

=0

seulement. On a donc :

rxx ( ) = 2 (t)
o

(4.48)

est la variance du signal alatoire ; c'est galement, comme on l'a vu

plus haut, la puissance du signal alatoire.

119

4.

Analyse et comparaison des signaux

5. La fac d'un signal priodique quelconque est une fonction priodique paire.
Considrons comme exemple le signal

1
rxx ( ) =
T

A2
=
T

x(t) = A sin(t + ).

On a alors :

+T /2

x(t) x(t + ) dt
T /2

+T /2

sin(t + ) sin((t + ) + ) dt
T /2

d'o :

rxx ( ) =

A2
cos( )
2

(4.49)

A2 /2 du signal
phase du signal.

On remarque ainsi que l'amplitude de cette fac est la puissance

x(t)

et que la fac ne nous donne aucune information sur la

6. Dans le cas d'un signal

x(t)

perturb par du bruit

retrouver la fac du signal non perturb. Considrant

n(t), il est possible de


y(t) = x(t) + n(t), on a

en eet :

1
ryy ( ) = lim
T T

+T /2

1
= lim
T T

+T /2

(x(t) + n(t)) (x(t + ) + n(t + )) dt

T /2

T /2

(x(t) x(t + ) + n(t) n(t + )

+ x(t) n(t + ) + n(t) x(t + )) dt


= rxx ( ) + rnn ( ) + rxn ( ) + rnx ( )
d'o :

ryy ( ) = rxx ( ) + rnn ( ) + rxn ( ) + rnx ( )


x(t)
rxn ( ) = 0 = rnx ( ) ;

n(t)

Dans le cas o le signal

et le bruit

entendu

ce qui donne nalement :

(4.50)

ne sont pas corrls, on a bien

ryy ( ) = rxx ( ) + rnn ( )


De plus, comme gnralement la fac

rnn ( )

du bruit tend rapidement vers 0,

on voit que, pour un dcalage susamment grand, il restera la fac


signal

(4.51)

rxx ( )

du

x(t).

Une illustration de cette dernire proprit (gure 4.16) montre comment l'autocorrlation permet d'extraire un signal noy dans un bruit blanc. Dans cette gure,
le signal est une sinusode d'amplitude 1 volt et le bruit blanc possde une valeur
ecace de 5 volt.
Le signal extrait est reconnaissable mais encore perturb par du bruit. Comme ce
bruit rsiduel diminue avec la racine carre du nombre d'chantillon, on voit qu'on
peut diminuer le bruit en augmentant le nombre d'chantillons enregistrs.

120

4.5. Comparaison des signaux


Signal + bruit avec 20000 chantillons
20

x(t)

10
0
10
20

10

0
dcalage

30

xx

r ()

20
10
0

rxx()

0.5
0

0.5
1
5

Fig. 4.16.: Extraction d'un signal avec l'aide de l'autocorrlation

4.5.4. Proprits de l'intercorrlation


Comme pour la fonction d'autocorrlation, on se contentera d'noncer les proprits
des fonctions d'intercorrlation :

1. En gnral la c n'est ni paire, ni impaire.


2. Le maximum de la c se situe l'endroit du dcalage correspondant au maximum de similitude entre les deux signaux. Cette proprit est trs utilise pour
mesurer des temps de propagation.
3. Comme le fait de retarder
avancer le signal

x(t)

y(t)

par rapport

par rapport

y(t),

x(t)

d'une valeur

quivaut

on aura :

rxy ( ) = ryx ( )

(4.52)

4. Si les deux signaux sont priodiques de mme priode, la c sera galement


priodique.

4.5.5. Calcul numrique de la corrlation


Le calcul numrique d'une corrlation se fait en remplaant l'intgrale par la somme
du produit des valeurs chantillonnes avec une priode constante unit.

121

4.

Analyse et comparaison des signaux

Dans le cas o l'on a susamment de points disposition, on peut calculer la somme


sur

points sans atteindre les limites des signaux enregistrs. On a alors :

N 1
1 X
x[n] y[n + k],
rxy [k] =
N n=0

kmin k kmax

(4.53)

Comme on l'a vu plus haut (qu. (4.39)), le calcul de l'intercorrlation peut galement se faire dans le domaine frquentiel qui, pour les signaux numriques, se fait en
utilisant la transformation de Fourier discrte (chapitre suivant). On obtient alors

Rxy [jk] =

1
X [jk] Y [jk]
N

Dans le cas o l'on souhaite utiliser toutes les valeurs disposition, le nombre
de points intervenant dans la somme diminue au fur et mesure que le dcalage
augmente. Pour viter de biaiser le rsultat de la corrlation, on la calcule alors
comme suit :

N |k|
X
1
x[n] y[n + k],
rxy [k] =
N |k| n=0

0k N 1

(4.54)

4.6. Exemples de corrlation


La fonction d'intercorrlation est trs souvent utilise pour dtecter la prsence d'un
message et mesurer un temps de propagation. Dans ce but, le signal mis est choisi
de manire ce que le pic de sa fonction d'autocorrlation soit trs bien dni. Les
signaux le plus souvent utilis sont les signaux chirp ( frquence variable au cours
du temps) et les squences binaires pseudo-alatoires.

4.6.1. Fonction de corrlation d'un signal chirp


Le signal chirp est un signal sinusodal dont la frquence (ou la pulsation) varie
linairement avec le temps. Il est dni comme suit

x(t) = A sin((t) + )
avec

(t) =

(t) dt

(t) = min +

max min
t
tmax

0 t tmax

Sa fonction d'autocorrlation possde un maximum trs bien dni correspondant


2
la puissance du signal qui vaut A /2 (gure 4.17).

122

4.6. Exemples de corrlation

Signal chirp
1

x(t)

0.5

0.5

0.1

0.2

0.3

0.4

0.5
temps

0.6

0.7

0.8

0.9

0.2

0.3

0.4

0.5

Autocorrlation dun signal chirp


0.5
0.4

rxx()

0.3
0.2
0.1
0
0.1
0.2
0.5

0.4

0.3

0.2

0.1

0
dcalage

0.1

Fig. 4.17.: Autocorrlation d'un signal chirp

Squence binaire pseudoalatoire


1

s[n]

0.5
0
0.5
1
0

50

100

150

200

250

temps n
Autocorrlation dune SBPA
1.2
1
0.8

ss

[m]

0.6
0.4
0.2
0
0.2

100

50

0
dcalage m

50

100

Fig. 4.18.: Autocorrlation d'une SBPA

123

4.

Analyse et comparaison des signaux

4.6.2. Fonction de corrlation d'une SBPA


Une squence binaire pseudo-alatoire (SBPA) est une succession de valeurs binaires
(gnralement

1)

dont la distribution temporelle possde un caractre alatoire

pendant une certaine dure et qui ensuite se rpte priodiquement. Sa fonction


2
d'autocorrlation possde galement un pic trs bien dni gal la puissance A
du signal (gure 4.18).

4.7. Deux applications de la corrlation


4.7.1. Le radar
Comme exemple illustratif, imaginons un systme radar avec lequel on dsire dtecter la prsence ou non d'un avion puis connatre la distance laquelle il se trouve.
Signal mis
1
0.5
0
0.5
1
0

100

200

300

400

500

600

700

800

900

1000

700

800

900

1000

Signal reu en prsence de lavion


0.1
0.05
0
0.05
0.1
0

100

200

300

400

500
Instants n

600

Fig. 4.19.: Signaux mis et reus par un radar

Le radar met un signal chirp

x(t)

et capte en retour l'cho

y(t)

renvoy par l'avion

(gure 4.19). S'il n'y a pas d'avion dans la zone couverte par le radar, le signal reu

y(t)

est constitu d'un bruit

est prsent, le signal

y(t)

n(t)

seulement. De plus, il est vident que si un avion

reu en retour consiste en une version attnue, retarde,

et fortement bruite du signal mis

x(t).

Ainsi, le signal reu peut tre dcrit par :

y(t) = A x(t td ) + n(t)


avec :

124

4.7. Deux applications de la corrlation






A = une fonction d'attnuation dpendant de la distance et de la forme de l'avion


td = le temps mis par l'onde pour faire son aller et retour
n(t) = le bruit additif capt par l'antenne et gnr par l'lectronique du radar.

Pratiquement, le signal reu est tellement perturb par le bruit qu'une analyse visuelle est incapable de dceler la prsence ou l'absence d'un signal rchi par l'avion
(gure 4.19).

Signal reu en labscence de lavion


0.1
0.05
0
0.05
0.1
0

100

200

300

400

500

600

700

800

900

1000

300

400

500

Intercorrlation en labscence de lavion

x 10

4
3
2
1
0
1
2
500

400

300

200

100

0
dcalage m

100

200

Fig. 4.20.: Intercorrlation entre un signal chirp et du bruit

Les gures 4.20 et 4.21 illustrent le principe de l'utilisation d'un signal chirp pour
dtecter un avion et mesurer sa distance. Considrons les deux situations suivantes :
1.

Absence d'un avion : Le signal reu y(t) est fortement attnu et perturb.
Seule une intercorrlation entre

x(t)

et

y(t)

permet de savoir si un avion est

prsent ou non. Dans ce dernier cas, aucun pic bien distinct n'apparat dans
le graphe (gure 4.20).
2.

Prsence d'un avion : Ici, l'intercorrlation fait apparatre un pic trs troit
se dgageant nettement au-dessus du bruit de fond (gure 4.21). On notera que
ce pic est lgrement dcal vers la droite par rapport la position centrale ;
ce dcalage correspond au temps d'aller et retour du signal mis. Une fois ce
temps dtermin, on peut calculer la distance de l'avion par rapport au radar.

4.7.2. La mesure d'un dbit


On prsente ici un dbitmtre industriel ralis par l'Institut d'Automatisation Industrielle de la heig-vd. Le principe, de mme que sa ralisation, en est trs simple.

125

4.

Analyse et comparaison des signaux

Signal reu en prsence de lavion


0.1
0.05
0
0.05
0.1
0

100

200

300

400

500

600

700

800

900

1000

300

400

500

Intercorrlation en prsence de lavion

x 10

4
3
2
1
0
1
2
500

400

300

200

100

0
Instants n

100

200

Fig. 4.21.: Intercorrlation entre un signal chirp et du bruit corrl

Une camra fournit rgulirement des images d'un ux de granuls (gure 4.22). En
eectuant la comparaison par intercorrlation de deux images successives, on obtient
un point lumineux se situant aux coordonnes du dplacement
la section

y(t).

Connaissant

du conduit, on peut calculer le dbit au cours du temps :

Q(t) = A

y(t)
t

La seule dicult de cette mesure rside dans le temps ncessaire pour calculer
l'intercorrlation en temps rel. En eet, si l'on imagine que l'on dispose d'images
de 100x400 pixels, on doit traiter 40'000 pixels par intercorrlation ; ce qui entraine
un nombre d'oprations valant environ

2
Nop ' Npxl
= 16 108
Mme avec un DSP trs performant (Tclock

' 10 ns),

il n'est pas possible de fournir

une information en moins d'une seconde. Par contre, en utilisant la FFT on peut
esprer fournir des rsultats dans le temps imparti car celle-ci demande beaucoup
moins d'oprations

Nop ' Npxl log2 (Npxl ) ' 40 103 15 = 6 105


L'algorithme de calcul est alors le suivant

1)
2)
3)
4)
5)
6)

126

acquisition de image1
acquisition de image2
FFT bidimensionnelle de image1 et image2 => IMG1 et IMG2
calcul de Rxy = conj(IMG1) * IMG2
FFT inverse pour obtenir rxy
recherche des coordonnes du maximum d'intensit

4.8. Description des signaux alatoires


Une fois ces calculs eectus, il reste encore susamment de temps pour calculer le
dbit actuel, lisser cette valeur, acher les images, etc (gure 4.22).

Fig. 4.22.: Interface du dbitmtre de granuls

4.8. Description des signaux alatoires


Par dnition, les signaux alatoires ne peuvent pas tre dcrits analytiquement. On
peut cependant, comme on l'a vu plus haut, tenter de les classer dans une des trois
catgories types qui sont :

127

4.

Analyse et comparaison des signaux

 les bruits large bande dans lesquels toutes les frquences sont prsentes amplitudes gales (gure 4.23a) ;
 les bruits bande limite dans lesquels les composantes hautes frquences sont
nulles (gure 4.23b) ;
 les bruits colors dans lesquels toutes les frquences sont prsentes mais avec des
amplitudes variables (gure 4.23c).

Bruits: (a) large bande (b) bande limite (c) color


1

(a)

0.5
0
0.5
1
5
1

0
t

(b)

0.5
0
0.5
1
5
1

(c)

0.5
0
0.5
1
5

Fig. 4.23.: Trois signaux alatoires

Comme aucune description analytique n'est possible pour les signaux alatoires, on
tente d'en extraire des proprits statistiques temporelles en utilisant leurs fonctions
d'autocorrlation (fac) illustres la gure 4.24. On en dduit que la fac du premier
signal est extrment troite ; on la modlise par une impulsion de Dirac. La deuxime
fac rappelle une fonction en sinus cardinal. Enn, la troisime peut tre modlise
par une exponentielle dcroissante symtrique.
On peut montrer que la transforme de Fourier de la fonction d'autocorrlation
fournit la densit spectrale de puissance

Rxx (jf ) =

rxx ( ) exp(j2f ) d

2
V sec

/Hz

L'observation de la densit spectrale de puissance (gure 4.25) des trois signaux


permet de tirer quelques proprits et de dnir des modles reprsentant aussi bien
que possible chacune des trois densits spectrales de puissance.

128

4.8. Description des signaux alatoires

(a)

0.5
0
0.5
5
1

(b)

0.5
0
0.5
5
1

(c)

0.5
0
0.5
5

Fig. 4.24.: Fonctions d'autocorrlation des trois bruits types

(a)

0.5

0
5
1

0
f

(b)

0.5

0
5
1

(c)

0.5

0
5

Fig. 4.25.: Densits spectrales de puissance des trois bruits types

129

4.

Analyse et comparaison des signaux

(a)

0.5

0
5
1

0
f

(b)

0.5

0
5
1

(c)

0.5

0
5

Fig. 4.26.: Trois modles de densits spectrales de puissance

4.8.1. Le bruit blanc densit spectrale constante et bande


innie

Il contient toutes les frquences de

et sa densit spectrale de puissance

est constante. Il est alors reprsent par

Rxx (f ) = A2

< f < +

dont la fac est une impulsion de Dirac :

rxx ( ) = A2 ( )

2
V /Hz

(4.55)

(4.56)

Le thorme de Parseval nous dit alors que sa puissance est innie. Est-ce possible ?
Comme la rponse est ngative, on prfre travailler avec un modle moins simple,
mais plus raliste ; c'est le bruit densit spectrale constante et bande limite

4.8.2. Le bruit densit spectrale constante et bande limite


+fmax . Sa puissance nie est souvent
2
dsigne par la variance statistique x qui n'est autre que le carr de la valeur ecace
2
Xef
f du signal. Ce bruit est alors reprsent par
Il contient toutes les frquences de

Rxx (f ) =

130

x2
2 fmax

si
sinon

fmax

fmax < f < +fmax

/Hz

(4.57)

4.9. Systmes linaires et densits spectrales


dont la fac vaut

rxx ( ) = x2

sin(2 fmax )
2 fmax

< < +

4.8.3. Le bruit color puissance nie

(4.58)

Il contient toutes les frquences de +. Mais son spectre diminuant avec la


x2 est nie. Un modle souvent utilis est le suivant :

frquence, sa puissance

Rxx (f ) =

x2
fc

1
 2
f
fc

1+

dont la fac vaut

rxx ( ) = x2 ea | |

< < +

avec

a = 2 fc

< f < +

/Hz

(4.59)

(4.60)

[1/sec]

(4.61)

4.9. Systmes linaires et densits spectrales


Il est extrment frquent que l'on doive tudier des signaux relis entre-eux par le
passage au travers d'un systme linaire, par exemple un ltre. Celui-ci tant dcrit
par sa rponse impulsionnelle
d'entre

h(t)

ou sa rponse frquentielle

H(jf ),

les signaux

x(t) et de sortie y(t) sont alors relis entre eux par les relations bien connues :
Z +
y(t) =
(4.62)
h() x(t ) d

Y (jf ) = H(jf ) X(jf )

X(jf )

et

Y (jf ) sont

(4.63)

les densits spectrales d'amplitude des signaux

x(t)

et

y(t).

Sachant que les densits spectrales de puissance (ou d'nergie) valent :

Rxx (f ) = X(jf ) X(jf ) = |X(jf )|2


2

Ryy (f ) = Y (jf ) Y (jf ) = |Y (jf )|

(4.64)
(4.65)

on montre aisment que les densits spectrales de puissance sont relies entre elles
par la relation suivante :

Ryy (f ) = |H(jf )|2 Rxx (f )


x(t)

On peut galement montrer que si

et

y(t)

sont relis entre eux par

(4.66)

h(t),

le

produit de convolution s'applique aux fonctions de corrlation et l'on a :

rxy ( ) =

h() rxx ( ) d

Rxy (f ) = H(jf ) Rxx(f )

(4.67)
(4.68)

Le tableau 4.2 runit les relations existant entre les signaux, les fonctions de corrlation et les densits spectrales.

131

4.

Analyse et comparaison des signaux

Domaine temporel

Domaine frquentiel

x(t)
h(t)
y(t)
y(t) = h(t) x(t)

X(jf )
H(jf )
Y (jf )
Y (jf ) = H(jf ) X(jf )

rxx ( )
h( )
rxy ( )
rxy ( ) = h( ) rxx ( )

Rxx (f )
H(jf )
Rxy (jf )
Rxy (jf ) = H(jf ) Rxx (f )

Signaux
entre
systme
sortie
relation

Corrlation
entre
systme
sortie
relation

Densits spectrales

Ryy (f ) = |H(jf )|2Rxx (f )

Tab. 4.2.: Relations temporelles et frquentielles

4.10. nergie et puissance des signaux


Suivant les caractristiques des signaux, on calculera leur puissance P ou leur nergie
W. Ce calcul peut, bien entendu, se faire dans le domaine temporel :

1
P = lim
T T
W = lim

+T /2

x2 (t)dt

W =

x2 (t)dt

T /2

(4.69)

2
V sec

(4.70)

+
2

R(f ) df

(4.71)

T /2

ou dans celui des frquences :

P =

+T /2

S(f ) df

/Hz

(4.72)

R(f ) [V2 /Hz] est la densit spectrale de puissance et S(f ) [V2 /Hz2 ] est la densit

spectrale d'nergie.

4.10.1. Domaine temporel


Reprenons les signaux de la gure 4.11 et calculons leur puissance ou leur nergie
dans le domaine temporel.

132

4.10. nergie et puissance des signaux

Signal temporaire
Soit

x1 (t) = A exp(at) (t) ;

sa puissance moyenne est nulle et son nergie nie :

1
P1 = lim
T T
W1 = lim

+T /2
T /2

+T /2

x21 (t) dt =

T /2

x21 (t) dt = 0



A2
A2
=
< V2 /Hz
2a
2

(4.73)

Signal priodique permanent


Soit

x2 (t) = A signe(sin(2 f0 t)) ; sa puissance est nie et son nergie


Z
 
1 +T /2 2
x2 (t) dt = A2 < V2
P2 = lim
T T T /2
W2 = lim

inni :

(4.74)

+T /2

T /2

x22 (t) dt

Signal alatoire permanent


Un signal alatoire et permanent possde une puissance nie et une nergie innie :

1
P3 = lim
T T

+T /2
T /2

W3 = lim

2
x23 (t) dt = X3,ef
f <

+T /2

T /2

(4.75)

x23 (t) dt

4.10.2. Domaine frquentiel


Reprenant les signaux de la gure 4.11 et connaissant leur densit spectrale de
puissance ou d'nergie, on peut calculer leur puissance ou nergie dans le domaine
frquentiel.

Signal temporaire
Son nergie se calcule aprs dnition de sa densit spectrale d'nergie

2




 2
A2
A
2


=
S1 (f ) = |X1 (jf )| =
V /Hz
a + j2f
a2 + (2f )2
2

W1 =

S1 (f ) df =


A2  2
A2
V /Hz
df
=
a2 + (2f )2
2a

S1 (f )

(4.76)

(4.77)

133

4.

Analyse et comparaison des signaux

Signal priodique permanent


Sa puissance se calcule aprs dnition de sa densit spectrale de puissance

R2 (f ).

Comme le signal est priodique, celle-ci est discrte et s'obtient partir des raies
spectrales

X(jk)

+
X

2

+
X
 2
t sin(f t)


A
(f

kf
)
R2 (f ) =
|X(jk)| =
V /Hz
0

T
f t

=k6=0
P2 =



+
X
t sin(kf0 t) 2


= A2 V2
A
R2 (f ) df =
ef
f
T
kf0 t
=k6=0

(4.78)

(4.79)

Signal alatoire permanent

Grce aux modles que l'on s'est donn pour dcrire les signaux alatoires (section

x3 (t)

4.4.3), on peut calculer la puissance du signal

P3 =

2
R3 (f ) df = X3,ef
f

2
Vef f

(4.80)

Des graphes illustrants ces trois bruits ainsi que les fonctions d'autocorrlation et
les densits spectrales de puissance correspondantes sont prsents dans les gures
4.23 4.26.

Remarque

Il est intressant de relever que, pour les composants semiconducteurs,

la donne de la densit spectrale de puissance

quivalente de bruit

R(f )

est remplace par une

tension

qui n'est autre que la racine carre de la densit spectrale de

puissance :

en (f )

R(f )

Hz

(4.81)

Par exemple, les caractristiques de l'amplicateur oprationnel LF411 montrent


que, dans les basses frquences, le spectre du bruit dcrot raison de 10 [dB] par
dcade (icker noise = bruit de grenaille) et qu'il reste pratiquement constant au
del de 300 [Hz] et qu'il vaut alors :



nV

en = 30
Hz

f > 300 [Hz]

4.11. Signaux, spectres et statistique


La page suivante, tire de l'ouvrage de F. de Coulon [2], illustre les proprits temporelles, spectrales et statistiques de quelques signaux. Comme on l'a dj dit plus
haut, ces descriptions ne sont que des points de vue dirents d'une mme ralit :
le signal temporel

x(t).

Ces points de vue sont complmentaires et c'est le but du

traitement des signaux de les relier entre eux et d'en tirer ecacement le maximum
d'information.

134

4.11. Signaux, spectres et statistique

Fig. 4.27.: Descriptions temporelle, spectrale et statistique de signaux typiques [2]

135

4.

Analyse et comparaison des signaux

4.12. Quelques exemples


Exemple 1 :
On applique une exponentielle dcroissante

u1 (t) = U0 exp(at)(t) un ltre passe-

bande idal.
1. Dessinez la rponse frquentielle du ltre.
2. Esquissez les densits spectrales d'amplitude
3. Que valent les densits spectrales d'nergie
4. Calculez les nergies
5. A.N. :
Solution :

136

U0 = 10 [V],

W1

et

W2

|U1 (jf )|

S1 (f )

et

et

|U2 (jf )|.

S2 (f ) ?

des signaux d'entre et de sortie.

a = 240 000 [1/sec],

f1 = 4 [kHz],

f2 = 6 [kHz]

4.12. Quelques exemples

Exemple 2 :
Un oprateur vous informe qu'il a mesur la sortie d'un amplicateur un bruit
large bande dont la valeur ecace vaut
1. Quelle est la puissance

P1

U1,ef f = 0.1 [Vef f ].

de ce bruit ?

2. L'information apporte par l'oprateur est-elle signicative et susante ? Aprs


discussion, il prcise que cette mesure a t eectue avec un voltmtre vraie
valeur ecace dont la bande passante est de 100kHz.
3. Esquissez puis calculez la densit spectrale de puissance

R1 (f )

de ce bruit.

4. La sortie de cet amplicateur est branche sur un ltre passe-bas idal dont
la frquence de coupure est xe 1 kHz. Esquissez la densit spectrale de
puissance

R2 (f )

du bruit aprs le ltre.

5. Quelle valeur ecace

U2,ef f

mesurerez-vous aprs le ltre ?

Solution :

137

4.

Analyse et comparaison des signaux

Exemple 3 :
la sortie d'un amplicateur dont la bande passante est de

0.1 [Vef f ]. On ltre


R = 1.6 [k] et C = 100 [nF].

un bruit de

100 [kHz],

on mesure

ce bruit avec un ltre RC passe-bas ralis avec

1. Calculez la densit spectrale de puissance

R1 (f )

du bruit de sortie de l'ampli-

cateur.
2. Calculez la frquence de coupure du ltre passe-bas.
3. Esquissez sur un mme diagramme les densits spectrales de puissance
et

R2 (f )

prsentes l'entre et la sortie du ltre RC.

4. Quelle sera la valeur ecace de la tension la sortie du ltre RC ?


Solution :

138

R1 (f )

4.12. Quelques exemples

Exemple 4 :
On applique une impulsion de tension d'amplitude

et de largeur

passe-bande LC-R caractris par sa frquence de rsonance


qualit

Q0 .

f0

un ltre

et son facteur de

Admettant que la largeur de l'impulsion est beaucoup plus petite que

les temps caractristiques du ltre :


1. Esquissez
2. Calculez

u1 (t)

et

U1 (jf )

u2 (t)

et

ainsi que

U2 (jf ).

|U1 (jf )|

et

|U2 (jf )|.

3. Calculez l'nergie

W1

du signal d'entre.

4. Calculez l'nergie

W2

du signal de sortie du ltre.

5. A.N. :

E = 10 [V],

t = 10 [sec],

f0 = 1 [kHz],

Q0 = 10.

6. Proposez des valeurs pour les composants R, L et C du ltre.


Solution :

139

4.

Analyse et comparaison des signaux

4.13. Table illustre de quelques transformes de


Fourier [2]

140

4.13. Table illustre de quelques transformes de Fourier [2]

141

4.

Analyse et comparaison des signaux

142

4.14. Exercices

4.14. Exercices
TF 10

m(t) = A cos(2f1 t) modul en amplitude par une porteuse


p(t) = sin(2f0 t) :

Soit un message

sinusodale

1. calculez la TF du signal modul

x(t) = m(t) p(t) = A sin(2f0 t) cos(2f1 t) ;

2. esquissez le spectre du signal modul


3. idem 2) lorsque le signal

m(t)

|X(jf )| si f1 = 10 [kHz] et f0 = 800 [kHz] ;

possde un spectre continu

et non-nul entre 2 [kHz] et 10 [kHz].

TF 11

|M(jf )|triangulaire

Soit le signal :

u(t) =

1. esquissez

3. esquissez

u(t) ;

2. calculez sa TF

U0 cos(2f0 t)

si |t| t0
si |t| > t0

U(jf ) ;

|U(jf )|

pour

U0 = 1 [V],

T = 1/f0 = 1 [msec],

t0 = 10 [msec].

Ce signal correspond l'observation d'une fonction sinusodale pendant une dure


nie

2t0 .

On remarquera, une fois le calcul eectu, que l'analyse spectrale d'une

sinusode pendant une dure nie revient remplacer les raies spectrales situes en

f = f0

par la fonction sinus cardinal.

TF 12

Soit la fonction :

u(t) =

1. esquissez

3. esquissez

1
2

[1 cos(2f0 t)]
0

u(t) ;

2. calculez sa TF

si |t|

T
2

si |t| >

T
2

U(jf ) ;

U(jf )

et la TF d'une impulsion rectangulaire de mme dure ;

4. observez les dirences.

TF 13
forme

E(jf )
s(t).

Connaissant la transforme

S(jf )

de la fonction signe

d'un saut unit

(t),

calculez la trans-

143

4.

Analyse et comparaison des signaux

TF 14

Montrez qu'un produit simple dans l'espace des frquences correspond

un produit de convolution dans l'espace temps :

Y (jf ) = X(jf ) H(jf )

y(t) = x(t) h(t) =

x()h(t )d

Pour dmontrer ce rsultat important et bien connu, vous pouvez d'abord exprimer
la TFI de

Y (jf )

y(t) =

Y (jf )exp(+j2f t)df =

H(jf )X(jf )exp(+j2f t)df

puis y introduire la TF de

x(t)

X(jf ) =

x()exp(j2f )d

TF 15

Considrant la rponse d'un ltre

H(jf ) =

1. esquissez

H(jf ) ;

h(t)

dont le spectre est le suivant :

si |f | 100 [Hz]
sinon

h(t) ;

2. calculez, puis esquissez

3. ce signal correspond la rponse impulsionnelle du ltre dcrit par

H(jf ); ce

ltre est-il ralisable ? pourquoi ?

TF 16

Considrant un signal u(t) dont le spectre est le suivant :

U(jf ) =

1. esquissez

U(jf ) ;

2. calculez puis esquissez

si 100 [Hz] |f | 200 [Hz]


sinon

u(t) ;

3. que vaut sa puissance ?

TF 17

Utilisez la transformation de Fourier pour trouver le courant circulant dans

un circuit RC srie sachant que le signal appliqu est un saut de tension d'amplitude E.

144

4.14. Exercices

TF 18

On applique une fonction signe

u1 (t)

d'amplitude E un ltre RC passe-

bas.

1. utilisez la transformation de Fourier pour trouver la tension de sortie ;


2. esquissez

TF 19

u1 (t)

et

u2 (t).

On applique une exponentielle symtrique

passe-bas de constante de temps

u1 (t) = U0 exp(a |t|) un ltre

1. avant de vous lancer dans les calculs, esquissez


tre

u1 (t)

et imaginez ce que peut

u2 (t) ;

2. calculez la tension de sortie du ltre.

La marche suivre est la mme que celle utilise avec la transformation de Laplace : dcomposition en somme de fractions simples puis recherche des coecients
par identication avec des transformes connues.

TF 20

On applique une exponentielle dcroissante

ltre passe-bas idal de frquence de coupure

1. exprimez

U1 (jf )

2. en admettant

et

U2 (jf ) ;

U0 = 10 [V ]

fc .

u1 (t) = U0 exp(at) (t)

un

esquissez leur module ;

et

a = 1000 [1/sec],

et

E2

= 1 [msec]

un

calculez les nergies

E1

des signaux d'entre et de sortie lorsque :


a
(b) fc =
.
(a) fc = 1 [kHz] ;
2

TF 21
signal

On applique un ltre passe-bas de constante de temps

u1(t)

dont le spectre est dni par :

U1 (jf ) =

1 [V/Hz]

si 100 [Hz] <= |f | <= 300 [Hz]

sinon
H(jf )

1. exprimez la fonction de transfert


ractristique
2. esquissez

du ltre ; que vaut sa frquence ca-

fc ?

U1 (jf ), H(jf )

3. quelles sont les nergies


4. comment voluera

E2

et

E1

U2 (jf )
et

E2

pour

500 [Hz] < f < +500 [Hz] ;

des signaux d'entre et de sortie ?

si la constante de temps

5. comment calculeriez-vous

u2 (t) ?

diminue ?

Ne faites pas les calculs, mais prcisez point

par point votre dmarche ; essayez d'entrevoir les dicults de ce calcul.

145

4.

Analyse et comparaison des signaux

TF 22

= RC = 10 [msec]
a = 1000 [1/sec].

On applique un ltre passe-bas de constante de temps

une tension exponentielle


1. esquissez

u1 (t)

et

u1 (t) = 10 exp(at)(t)

avec

u2 (t) ;
1

2. calculez les nergies contenues dans les signaux d'entre et de sortie.

TF 23

On applique une impulsion de Dirac

(t)

un ltre passe-bande dont la

fonction de transfert vaut :

D0 jf
f0

H(jf ) =

+
1 + D0 jf
f0

 2
jf
f0

D0

1
Q0

1. esquissez les spectres des signaux d'entre et de sortie ;


2. exprimez l'nergie du signal de sortie contenue dans la bande passante
sachant que :

1
1

= 0.1
= 1 [kHz] D0
Q0
2 LC


q
f
=
1 + 1 + 4Q20
f = f0 D0
2

f0 =
fi,s

TF 24

Considrant le spectre X(jf ) de la gure 4.28 constitu d'un sinus cardinal


3
d'amplitude X(0) = 2 10
et de 2 impulsions de Dirac de surface 1/2, trouvez puis

esquissez le signal x(t) correspondant.

TF 25

A partir du signal

Corr 1

Considrant le signal

on demande :
1 Si

x(t) = exp(at)(t),

trouvez le spectre de

y(t) = sgn(t).

x(t) dni comme suit :

A si t < t < 0

t=0
0 si
x(t) =

+A si 0 < t < t

0 si
|t| t

le calcul de l'intgrale dnie ncessaire pour obtenir l'nergie vous parat trop dicile, essayez
la dmarche suivante :
a) esquissez la fonction intgrer ;
b) estimez des limites raisonnables pour la valeur de l'nergie ;
c) l'aide d'un petit programme (une douzaine de lignes), intgrez numriquement la densit
spectrale d'nergie. Si le nombre de pas est susant, le rsultat obtenu sera tout fait
satisfaisant.

146

4.14. Exercices
4

20

x 10

15

1/2

1/2

X(jf)

10

5
4

1
0
1
frquence [kHz]

Fig. 4.28.: Exercice TF24

1. esquissez

x(t) ;

2. calculez sa fonction d'autocorrlation pour les valeurs particulires suivantes

= 0,

t,

3. esquissez la

Corr 2




2t ;
fonction rxx ( ),

< < +.

Considrant les 3 signaux suivants :

x(t) = une exponentielle dcroissante d'amplitude A et de constante de temps 1


y(t) = une impulsion rectangulaire centre en t = 0, d'amplitude A et de largeur
t
z(t) = une impulsion triangulaire centre en t = 0, d'amplitude A et de base 2t

on demande :
1. esquissez ces 3 signaux ;
2. calculez des valeurs particulires de leur fonction d'autocorrlation ;
3. calculez leur fonction d'autocorrlation pour

compris entre + et 

4. esquissez ces fonctions.

Remarque

Le calcul de la troisime fonction n'est pas simple ; sans entrer dans le

dtail des calculs, imaginez comment vous devriez vous y prendre pour le faire.

Corr 3

Calculez la fonction d'intercorrlation des signaux

x(t) et h(t) de

l'exercice

Corr 3. Avant de vous lancer dans les calculs, imaginez o se situera le maximum de
la fonction. Esquissez le rsultat de l'intercorrlation.

Corr 4
h1 (t)

On souhaite connatre la fonction d'intercorrlation des signaux

h2 (t)

et

de l'exercice Corr 4 :

r21 ( ) =

h2 (t) h1 (t + ) dt

Pour cela :

147

4.

Analyse et comparaison des signaux

x(t)

h(t)

1
t

t
0

2T

Fig. 4.29.: Exercice Corr 3

1. imaginez tout d'abord l'endroit o se situera le maximum de la c ;


2. montrez que, pour les points particuliers suivants =


2 t
on a, respectivement, h21 ( ) = 0, A
, A2 t
,0 ;
3
6

{2t, t, 0, +t},

3. pourquoi, comme il est prcis dans la remarque ci-dessous, le calcul est-il plus
simple lorsque

est compris entre 0 et

t ?

4. que pensez-vous des rsultats graphiques obtenus avec Matlab (gure 4.30) ?

Ex.CR4

0.5

h (t)

0
5

0
temps [t]

0.5

h (t)

0
5

0.2

21

r ()

0.4

0
5

Fig. 4.30.: Exercice Corr4

Remarque

Pour donner une ide de ce que reprsente l'approche analytique, voici

le calcul de la partie la plus simple correspondant au dcalage avanc de


avec

compris entre 0 et

t.

Comme l'on a :

r21 ( ) =

148

h2 (t) h1 (t + ) dt

h1 (t + )

4.14. Exercices
il faut commencer par dcrire les 2 fonctions suivantes :



t+
h1 (t + ) = A 1
t

A
t
h2 (t) =
t
valables pour

0 < t < t,

respectivement,

< t < t .

Puis, tenant compte des parties nulles, il vient :

r21 ( ) =

h2 (t) h1 (t + ) dt


Z t
A
t+
dt
tA 1
t
t
0


Z
A2 t
t
t2
dt

t
t 0
t t

 t
t3
t2
A2 t2

t 2
3t 2t 0


 (t )3
A2 (t )2 
1

t
2
t
3t
2
(t + )
(t )
A2
6 t2
0

=
=
=
=
=

Ce qui donne en particulier les 2 valeurs suivantes :

t
6

r21 ( = 0) = A2

r21 ( = t) = 0

Corr 5
Considrant deux signaux numriques

n
x(n)
y(n)

x(n)

et

y(n)

dnis comme suit :

10

11

12

13

14

0
0

calculez et reprsentez la fonction d'intercorrlation

rxy (m) =

+
X

x(n) y(n + m)

n=

149

4.

Analyse et comparaison des signaux

x(n)

4
2
0
0

10

12

14

16

18

20

10

12

14

16

18

20

0
10

0
n, m

10

y(n)

4
2
0

20

xy

r (m)

30

10

Fig. 4.31.: Exercice Corr5

150

Bibliographie
[1] B.P. Lathy,

Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael

CA, 1992
[2] F. de Coulon,

Thorie et traitement des signaux,

Presses polytechniques ro-

mandes, Lausanne, 1984


[3] M. Alonso, E.J. Finn,

Physique gnrale : champs et ondes,

Editions pdago-

giques, Montral, 1970

151

Bibliographie

152

5. lments d'analyse spectrale


numrique
5.1. Passage de la TF la TFD
L'chantillonnage des signaux analogiques est tudie en dtail dans la premire partie du chapitre suivant. Pour ce qui suit, il sut de savoir que tout signal analogique

x(t) est acquis un rythme rgulier dict par la priode d'chantillonnage Te et qu'il
est stock en mmoire d'ordinateur. Ces signaux x[n] sont des signaux numriques
obtenus l'aide d'un convertisseur analogique-numrique (gure 5.1) et tels que

x[n] = x (t)|t=n Te
x(t)

(5.1)

x[n] = x(t=nTe)
Te

x(t) A

Signal analogique

x[n]

Signal chantillonn

N
t

Fig. 5.1.: Acquisition numrique d'un signal analogique

Le passage de la transformation de Fourier (TF) des signaux analogiques


transformation de Fourier discrte (TFD) des signaux numriss

x[n]

x(t)

la

fait intervenir

trois oprations :
 l'chantillonnage du signal analogique ;
 la limitation de la dure de l'enregistrement de ce signal ;
 la discrtisation de la frquence pour l'analyse spectrale numrique.
Ces trois oprations, apparemment anodines, ont des consquences dont il est important d'valuer l'tendue. Pour mmoire, on rappelle trois proprits de la transformation de Fourier dont on aura besoin par la suite :
 au produit simple dans un espace correspond un produit de convolution dans
l'autre

x(t) y(t) X(jf ) Y (jf )


x(t) y(t) X(jf ) Y (jf )

(5.2)
(5.3)

153

5.

lments d'analyse spectrale numrique

 la TF d'un peigne d'impulsions de Dirac est galement un peigne de Dirac

1
f (f )
Te e
d'amplitude A

Te (t)
 la TF d'une impulsion rectangulaire

(5.4)
et de largeur

est un sinus

cardinal

A rect(t/t) A t

sin(f t)
= A t sinc(f t)
f t

(5.5)

An de concrtiser au mieux les relations existant entre les espaces temps et frquence, on considrera par la suite que les signaux tudis sont fournis sous la forme
d'une tension lectrique que l'on chantillonne rgulirement pendant une dure nie
avant de calculer numriquement son contenu spectral. Ainsi, pour chaque quation,
on pourra prciser les units des rsultats obtenus.

5.1.1. Signaux continus non-priodiques


Un signal analogique

x(t)

et sa densit spectrale

relations

X(jf ) =
x(t) =

X(jf )

sont relis entre eux par les

x(t) exp(j2f t)dt

Z +

[V

X(jf ) exp(+j2f t) df

sec]

[V]

(5.6)

(5.7)

Ces transformations directe et inverse montrent l'vidence, la parfaite symtrie


qui relie les espaces temps et frquence (gure 5.2.a). cette symtrie correspond
la proprit suivante :

un signal temporel continu non priodique correspond un


spectre continu non priodique.

5.1.2. Signaux discrets de dure innie


x(t) (gure 5.2.a) est chantillonn tous les
Te . Cette opration d'chantillonnage peut
tre reprsente mathmatiquement par la multiplication du signal x(t) avec un
peigne d'impulsions de Dirac distantes de Te (gure 5.2.b)
On considre ici que le signal continu

multiples de la priode d'chantillonnage

x (t = nTe ) = x(t) Te (t)

(5.8)

x (t = nTe )
x[n] = x(t = nTe ).

On obtient ainsi une suite d'impulsions de Dirac pondres par les valeurs
(gure 5.2.c) ; celles-ci reprsentent alors le signal discret
Dans l'espace frquentiel, le peigne de Dirac temporel
Dirac priodique

fe

(f ) T F {Te (t)} =

154

Te (t)

devient un peigne de

(gure 5.2.b)

1
f (f )
Te e

(5.9)

5.1. Passage de la TF la TFD

/ Te

Fig. 5.2.: Passage de la TF la TFD [1]

155

5.

lments d'analyse spectrale numrique

Comme le produit simple dans l'espace temps conduit un produit de convolution


entre les spectres X(jf ) et

(f )

(gure 5.2.c), on constate que :

un signal chantillonn ou discret correspond un spectre continu


et priodique fe .
Le calcul du spectre

Xe (jf ) d'un signal discret x[n] se fait partir de la dnition de

la transformation de Fourier des signaux continus (quation 5.6). On obtient alors

+
X

Xe (jf ) = Te

x[n] exp(j2f nTe )

[V sec]

(5.10)

n=
Partant de ce spectre

x[n] =

Xe (jf ), on peut bien entendu revenir au signal temporel x[n] :

+fe /2

Xe (jf ) exp(+j2f nTe ) df

[V],

fe /2

< n < +

(5.11)

5.1.3. Signaux discrets de dure nie


Dans le cas o l'on dsire traiter numriquement un signal, le nombre de valeurs

x[n]

ne peut pas tre inniment grand. On est donc contraint ne prendre en compte
qu'une partie du signal original. Mathmatiquement, cette opration de troncation
revient multiplier le signal

x(t)

par une fentre rectangulaire

w(t)

de largeur

(gure 5.2.d).
cette multiplication dans l'espace temps correspond un produit de convolution
dans l'espace des frquences entre le spectre du signal
cardinal de la fentre

w(t).

X(jf )

et le spectre en sinus

Il en rsulte une dformation du spectre original cause

par les ondulations du sinus cardinal (gure 5.2.e).

x(t) est enregistr pendant une dure nie T en chantillonnant N valeurs


du signal x(t). On a donc T = N Te . La suite de valeurs discrtes xN [n] ainsi
obtenue sera numre avec le compteur temporel n compris entre 0 et N 1 et le
Le signal

spectre du signal tronqu se calcule alors comme suit

Xe,N (jf ) = Te

N
1
X

xN [n] exp(j2f nTe )

[V sec]

n=0

Il est bien clair que les


inverse de

valeurs temporelles peuvent s'obtenir par transformation

Xe,N (jf )

xN [n] =

+fe /2

fe /2

156

Xe,N (jf ) exp(+j2f nTe )df

[V],

0 nN 1

5.1. Passage de la TF la TFD

Remarque
part, et

xN [n] et x[n] d'une


Xe (jf ) d'autre part, car le contexte permettra toujours de
N de la suite considre est nie ou non ; les 2 relations ci-

Par la suite, aucune distinction ne sera faite entre

Xe,N (jf )

et

savoir si la longueur

dessus s'criront alors

Xe (jf ) = Te

N
1
X

x[n] exp(j2f nTe )

[V sec]

(5.12)

n=0

x[n] =

+fe /2

Xe (jf ) exp(+j2f nTe )df

[V]

(5.13)

fe /2

5.1.4. Discrtisation de la frquence


An de pouvoir calculer numriquement un spectre, il est videmment ncessaire
de discrtiser la frquence. En divisant le domaine frquentiel en
crment frquentiel vaut

f = fe /N

intervalles, l'in-

et les frquences analyses, au nombre de

N,

sont :

f = k f = k fe /N

(5.14)

Cette discrtisation de la frquence n'est rien d'autre qu'un chantillonnage dans le


domaine spectral et les rsultats des oprations d'chantillonnage et de multiplication vues plus haut pour l'espace temps s'appliquent galement dans l'espace des
frquences (gure 5.2.f et 5.2.g) et conduisent la proprit suivante :

la discrtisation du domaine spectral correspond un signal


temporel priodique.
Tout se passe comme si la dure d'acquisition

correspondait une priode du

signal temporel

x[n].

Le spectre considr prsent est donc un spectre discret que

X[jk]

avec

0 k N 1.

l'on crit

Tenant compte des relations temps-frquence,

l'argument du phaseur s'crit

j2 f nTe = j2 kf nTe = j2 k
Le spectre

X[jk]

et le signal temporel

N
1
X

x[n]



j2kn
X[jk] = Te
x[n] exp
N
n=0

kn
fe
nTe = j2
N
N

(5.15)

se calculent alors comme suit

[V sec]



N 1
1 X
j2kn
x[n] =
X[jk] exp +
NTe k=0
N

[V]

0k N 1

0nN 1

(5.16)

(5.17)

157

5.

lments d'analyse spectrale numrique

5.2. Relations temps-frquence


Comme les domaines temporel et frquentiel sont discrtiss avec le mme nombre
de points
1. l'

N,

on peut relever que

espace du temps est caractris par la dure de l'enregistrement T

l'incrment temporel

tel que

t Te =

2. l'

et par

(qui n'est autre que la priode d'chantillonnage

T
N

(5.18)

espace des frquences est caractris par l'incrment frquentiel f

frquence maximum

fmax

Te )

et la

qui n'est autre que la frquence d'chantillonnage

f =

fmax
fe
=
N
N

Ces deux relations ayant en commun la priode d'chantillonnage

fe

(5.19)

Te

et son inverse

la frquence d'chantillonnage, on a

t Te

1
fe

T
1
=
N
N f

(5.20)

On en dduit donc trois relations importantes liant les domaines temporel et frquentiel

1
T
1
1

fmax fe =
t
Te
1
t f =
N
f =

De plus, on dnit la frquence de Nyquist


d'analyse spectrale

fN =

fN

fe
2

(5.21)
(5.22)
(5.23)

comme tant la limite du domaine

(5.24)

Les relations que nous venons de voir peuvent se traduire par les proprits suivantes.
1.
2.

3.

4.

L'incrment frquentiel f est l'inverse de la dure temporelle T .


La priode spectrale fmax = fe est l'inverse de l'incrment temporel t.
Le domaine d'analyse spectrale est limit par la frquence de Nyquist fe /2.
Pour un nombre donn de points N , il n'est pas possible d'avoir
simultanment une trs bonne dnition temporelle (t petit) et une
trs bonne dnition frquentielle (f petit).

Une illustration des relations existant entre les domaines temporel et frquentiel est
donne dans la gure 5.3.

158

5.2. Relations temps-frquence

x(t), x[n]

t=Te=1/fe
t = nt
0

N-1

T = Nt

Nt
0

t = T e

tmax = T

fmax = fe
Nf

fe = 1/ T e = N f

|Xe(jf)|, |X[jk]|
f

fe /2
0

fe

f = kf
k

N-1
1/2

f / fe

Fig. 5.3.: Relations temps  frquence

159

5.

lments d'analyse spectrale numrique

5.2.1. Pulsation normalise


Dans ce qui prcde, on a constamment vu apparatre un phaseur faisant intervenir
l'argument

j2 n f Te

exp (j2 n f Te )

Il est donc naturel de chercher allger l'criture en dnissant la pulsation num-

rique ou normalise

qui s'exprime en radians (gure 5.3) :

2 f Te = 2
Comme le spectre de base est compris entre
lise prendra ses valeurs entre

[rad]

fe /2,

(5.25)

on voit que la pulsation norma-

et que les transformations de Fourier s'crivent :

+
X

Xe (j) = Te

f
fe

x[n] exp(jn)

[V sec]

(5.26)

n=

1
x[n] =
2

Xe (j) exp(+jn)d

[V]

(5.27)

5.3. Transformation de Fourier discrte


5.3.1. Dnition de la TFD
En observant les relations (5.16) et (5.17), on constate que, mis part le changement
de signe du phaseur et les coecients prcdant la somme, les calculs du spectre

X[jk]

ou du signal

x[n]

se font de la mme manire. Ceci conduit dnir les

algorithmes des transformations de Fourier discrtes directe ou inverse comme suit :

N
1
X


j2kn
XD [jk]
x[n] exp
N
n=0


N
1
X
j2kn
XD [jk] exp +
xD [n]
N
k=0


[V]

[V]

0k N 1
0 nN 1

(5.28)

(5.29)

Comme ces deux dnitions ne dirent que par le signe de l'exponentielle qui pondre les signaux

x[n]

et

XD [jk],

on voit qu'un mme algorithme peut tre utilis

pour les transformations de Fourier directe et inverse. Alors les rsultats de la TFD
ainsi dnie sont relis aux spectres et signaux rels par les relations suivantes :

X[jk] = Te XD [jk]
x[n] =

xD [n]
N

(5.30)
(5.31)

La gure 5.4 illustre le passage du domaine analogique au domaine numrique o


l'on a, d'un ct, des signaux et des spectres continus alors que de l'autre, on n'a
que des valeurs numriques stockes en RAM.

160

X(j f) =

x(t ) =

|X(jf)|

x(t) exp( -j2 f t) dt

X(jf) exp ( +j 2 ft) df

x(t)

Domaine analogique

f =

k-1

n-1

N-1

N-1

fe

fe
1
1
=
=
T
NTe
N

f = k f

x[n]

1
T
=
fe
N

t = nTe

t = Te =

x(t)

Te

Interface et discrtisation

k=0

N-1

N-1

TFD

XD[ jk] exp +j 2 kn


N

RAM

TFD

XD[jk]

avec XSF( j k) =

XD[ jk]
N

kn
x[n] exp (- j 2

N )
n= 0

N-1

1
N

XD[ jk] =

x[ n] =

N-1

x[n]

Domaine numrique

5.3. Transformation de Fourier discrte

Fig. 5.4.: Illustration des relations entre les domaines analogiques et numriques

161

5.

lments d'analyse spectrale numrique

5.3.2. TFD d'un signal priodique


Nous avons vu que le passage de la TF la TFD peut modier de manire sensible
les rsultats de l'analyse spectrale cause de la troncation. Par contre, si le signal
temporel

x(t)

est priodique, on peut se trouver dans la situation idale o les raies

spectrales du signal

xT (t)

sont en parfaite concidence avec les raies analyses par

la TFD. Pour remplir cette condition, il sut d'enregistrer trs exactement une ou
plusieurs priodes du signal temporel.
En comparant les dnitions de la dcomposition en srie de Fourier :

1
XSF [jk] =
T

+T /2

T /2

j2kt
xT (t) exp
T

dt

+
X



j2kt
xT (t) =
XSF [jk] exp +
T
k=

[V]

[V]

(5.32)

(5.33)

avec celles de la TFD (quations 5.28 et 5.29 ), on voit alors apparatre les relations
suivantes :

XD [jk]
N
xD [n]
xT (t = nTe ) =
N
XSF [jk] =

(5.34)

(5.35)

5.3.3. Relations entre les domaines analogique et numrique


En conclusion de ce que nous venons de voir, la gure 5.4 illustre le passage du
domaine analogique au domaine numrique. On y voit que, du ct analogique, on
a des signaux et spectres continus (ou discrets si

x(t)

est priodique) relis entre

eux par la transformation de Fourier alors que du ct numrique, on n'a que des
valeurs numriques stockes en RAM sur lesquelles on travaille avec l'algorithme de
la TFD.
L'interface entre les domaines analogique et numrique est ralise par un chantillonneur qui acquiert les signaux un rythme x par la priode d'chantillonnage

Te 1/fe .

5.3.4. TFD et FFT


La dcouverte de la transformation rapide de Fourier en 1965 par Cooley et Tukey
[3] a t d'une importance majeure pour le traitement du signal car elle a permis
d'envisager l'analyse spectrale numrique de signaux de longue dure en des temps
raisonnablement courts. L'algorithme de Cooley et Tukey a trs vite t connu sous
le nom de transformation rapide de Fourier et il est gnralement dsign par son
appellation anglo-saxonne : FFT (Fast Fourier Transform).

162

5.4. Spectre d'une sinusode


Il est ais de voir que le nombre d'oprations arithmtiques (sommes et produits)
N est proportionnel N 2 . Ce qui,

ncessites par la TFD d'une suite de longueur

pour une suite de longueur 1000, conduit calculer 1'000'000 de sinus et cosinus
suivis d'une addition et d'une multiplication ; les temps de calcul deviennent trs
vite prohibitifs..
L'algorithme de la FFT utilise le fait que l'opration de la TFD globale peut tre
dcompose en la TFD de squences de plus en plus courtes. Il en dcoule alors que le
nombre total d'oprations est bien infrieur celui impos par la simple application
de l'algorithme de la TFD. En contrepartie, le nombre de points analyss

doit

tre une puissance de 2. Le nombre d'oprations demandes par le nouvel algorithme


est alors fortement diminu et il vaut

Nop ' N log2 (N)

(5.36)

Ainsi, pour transformer 1024 points, le nouvel algorithme demande environ cent fois
moins de temps que la TFD :

N2
N
1024
=
=
= 102.4
Nop
log2 (N)
10
Il ne faut pas se mprendre sur la signication de la FFT : l'algorithme FFT n'est
pas une nouvelle transformation. Ce n'est rien d'autre qu'un moyen rapide d'obtenir
les mmes rsultats que ceux fournis par la TFD. Dirents algorithmes de FFT
sont prsents dans le livre de Burrus et Parks [3].

5.4. Spectre d'une sinusode


Il est important de bien comprendre que, dans toute analyse numrique des signaux,
on est contraint d'enregistrer une dure nie du signal et que cette dure nie peut
conduire des eets indsirables lors de l'analyse.
On a vu que la FFT travaille sur un bloc complet d'chantillons considr comme
priodique. Cela ne pose aucun problme dans le cas d'un signal transitoire si celui
a le temps de revenir 0 avant la n de l'enregistrement. Par contre, dans le cas
de signaux permanents, les choses peuvent se compliquer sensiblement. Pour le voir,
considrons deux situations pouvant apparatre lors de l'enregistrement d'un signal
priodique tel qu'une sinusode.

5.4.1. Le nombre de priodes enregistres est un entier


La gure 5.5a illustre un enregistrement de dure 10 ms contenant

exactement

10

priodes d'une onde sinusodale permanente d'amplitude 1 et de priode 1 ms. Dans


ce cas, le signal enregistr, considr priodique par la FFT, concide avec le signal rel (une sinusode permanente) et aucune modication de l'information n'est
introduite.

163

5.

lments d'analyse spectrale numrique

Le rsultat de l'analyse FFT pour cette situation conrme ce que l'on attend,
savoir que son spectre est constitu d'une raie spectrale bien dnie et situe en
1 kHz. Les deux raies supplmentaires que l'on peut observer en 3 et 5 kHz sont
dues aux distorsions du signal sinusodal fourni par le gnrateur.

5.4.2. Le nombre de priodes enregistres n'est pas un entier


Dans ce cas, la FFT analyse un signal qui possde une transition brusque au raccordement du dbut et de la n de l'enregistrement. Cette transition possde un
contenu spectral hautes-frquences qui peut masquer une partie du spectre rel.
La gure 5.5b montre un enregistrement contenant 10.25 priodes d'une onde sinusodale permanente d'amplitude 1 et de priode1 ms. Dans ce cas, le signal enregistr,
considr priodique par la FFT, ne concide pas avec le signal rel (une sinusode
permanente) et son spectre s'tale dans tout le domaine spectral. Cette dispersion

talement

de la puissance du signal dans tout le domaine frquentiel porte le nom d'

spectral.

Il est important de raliser que le phnomne d'talement spectral est d la nonconcidence des valeurs initiale et nale de la dure enregistre. Dans le cas de la
gure 5.5b, ces eets de bords sont tels qu'ils masquent compltement les composantes spectrales d'ordre 3 et 5 du signal.
Pour viter ces eets de bords, il faut s'attacher enregistrer exactement un nombre
entier de priodes du signal et, dans le cas o cela n'est pas possible, il faut ramener
les deux bords une valeur identique l'aide d'une fentre qui modie aussi peu
que possible le spectre rel.

5.5. Fentres d'observation


5.5.1. Quatre fentres usuelles
Les fentres utilises en analyse spectrale sont nombreuses et elles ont t tudies
extensivement par F.J. Harris [2]. On se contente ici de mentionner quatre fentres
frquemment appliques l'enregistrement d'un signal. Elles sont dnies comme
suit :

Fentre rectangulaire
wr [n] = 1

pour

0n<N

(5.37)

Fentre de Hann

 n 
wc [n] = 0.5 1 cos 2
N
164

pour

0n<N

(5.38)

5.5. Fentres d'observation

x(t)

N priodes

N + 1/4 priodes

0.5

0.5

0.5

0.5

1
0

5
temps [ms]

10

20

20

40

40

60

60

10

dB

(f)

5
temps [ms]

80

80
0

4
6
frquence [kHz]

10

4
6
frquence [kHz]

10

Fig. 5.5.: Signal sinusodal et son spectre

Fentre de Hamming
 n
wh [n] = 0.54 0.46 cos 2
N

pour

0n<N

(5.39)

Fentre de Blackman
 n
 n
+ 0.08 cos 4
wb [n] = 0.42 0.5 cos 2
N
N

pour

0n<N

(5.40)

5.5.2. Eet d'une fentre


Pour bien saisir l'eet des fentres dans le domaine spectral, on considre ici les
deux situations prsentes plus haut auxquelles on appliquera les fentres de Hann,
de Hamming et de Blackman (gure 5.7).

Le nombre de priodes enregistres est un entier

Dans ce cas idal (gure

5.7a), on peut relever quelques dirences spectrales lgres.


1. Les raies spectrales du signal original sont galement prsentes quelle que soit
la fentre choisie.

165

5.

lments d'analyse spectrale numrique

Hann

0.8

0.8

0.6

0.6

wc(t)

wr(t)

Rectangle

0.4

0.4

0.2

0.2

0.5

0.5

1.5

0.5

0.8

0.8

0.6

0.6

0.4
0.2

1.5

1.5

0.4
0.2

0
0.5

Blackman

wb(t)

wh(t)

Hamming

0.5

0
0

0.5
temps

1.5

0.5

0.5
temps

Fig. 5.6.: Fentres d'observation

2. Grce au maintien d'une lgre discontinuit temporelle, la fentre de Hamming ore les raies spectrales les plus troites.
3. La fentre de Blackman qui est la plus troite temporellement, fournit, comme
attendu, des raies spectrales plus larges.

Le nombre de priodes enregistres n'est pas un entier

Dans la gure 5.7b, on

a repris l'enregistrement contenant 10.25 priodes. Les rsultats spectraux obtenus


montrent l'vidence l'eet de ces 3 fentres :

1. la fentre de Hann fournit un spectre tout fait satisfaisant sans diminuer


fortement l'talement spectral ; c'est pourquoi le spectre est un peu large la
base ;
2. la fentre de Hamming fournit un spectre troit mais, cause de l'eet de
bord rsiduel, l'talement spectral n'est pas susamment rduit et il masque
les deux autres composantes spectrales ;
3. la fentre de Blackman donne le meilleur rsultat grce la double cosinusode
qui masque bien les eets de bord ; les raies spectrales sont alors troites et
bien dnies.

166

5.5. Fentres d'observation

x(t)

Hann

Hamming

Blackman

0.5

0.5

0.5

0.5

0.5

0.5

1
0

5
temps [ms]

10

5
temps [ms]

10

20

20

20

40

40

40

60

60

60

10

dB

(f)

5
temps [ms]

80

80
0

5
frquence [kHz]

10

80
0

5
frquence [kHz]

x(t)

Hann

10

Hamming
1

0.5

0.5

0.5

0.5

0.5

0.5

1
5
temps [ms]

10

Blackman

5
frquence [kHz]

10

5
temps [ms]

10

20

20

20

40

40

40

60

60

60

10

dB

(f)

5
temps [ms]

80

80
0

5
frquence [kHz]

10

80
0

5
frquence [kHz]

10

5
frquence [kHz]

10

Fig. 5.7.: Eet des fentres d'observation avec : (a) 10 priodes entires ; (b) 10.25

priodes

167

5.

lments d'analyse spectrale numrique

5.5.3. Choix d'une fentre


Le choix d'une fentre est un compromis entre une bonne dnition spectrale (spectre
troit) et un talement spectral aussi faible que possible (douceur de la fentre).
Qualitativement, leurs caractristiques peuvent tre rsumes comme suit.

1. La

fentre rectangulaire

utilisera dans le cas de

ne modie pas l'enregistrement ; c'est celle que l'on

signaux transitoires ou non permanents et, dans

le cas de signaux priodiques, lorsque l'on est sr que le nombre de priodes


enregistres est un entier.
2. La

fentre en cosinus, dite de

Hann, est mathmatiquement la plus simple et

elle ore de bons rsultats dans le cas de

proches.

3. La

fentre en cosinus relev,

composantes spectrales pas trop

dite de Hamming, n'limine pas compltement

l'talement spectral. Elle ore en contre partie une

meilleure dnition

spectrale mais ne permet pas de voir des composantes spectrales de faibles


amplitudes.

4. La

fentre de Blackman, constitue de deux cosinus, attnue trs fortement les

eets de bord et permet ainsi de bien distinguer des

et de faibles amplitudes.

raies spectrales proches

5.6. Exemple 1 : analyse spectrale lmentaire


Donnes

On considre ici un signal temporel fortement bruit (SNR

'

0 dB)

qui semble contenir une oscillation priodique dont on souhaite connatre la teneur
(gure 5.8).

Analyse temporelle

De l'enregistrement, on tire

1. la composante DC du signal et sa valeur ecace AC

Xdc = 0.045
2. la priode d'chantillonnage

Te

et sa dure

Te = 20 s
3. le domaine d'analyse spectrale

fN =

168

Xac = 1.42

fN

T = 20 ms

et la dnition spectrale

1
1
fe =
= 25 kHz
2
2 Te

f =

1
= 50 Hz
T

5.6. Exemple 1 : analyse spectrale lmentaire

Enregistrement temporel et Analyse spectrale

x(t)

T = tmax=20 [ms],
5

t = Te = 20 [s]

10
t [ms]

0.8

fmax = 1/ t = 50 [kHz]

0.6

fe = fmax = 50 [kHz]

0.4

fN = fe/ 2 = 25 [kHz]

0.4

0.2

f = 1/ tmax = 50 [Hz]

0.2

14

16

18

20

10
15
f [kHz]

20

0.8
|Xu(jf)|

|Xu(jf)|

12

0.6

25

f [kHz]

Fig. 5.8.: Illustration de l'analyse spectrale avec :

a) l'enregistrement temporel ;

0 f fe /2 = 25 kHz ;
5 kHz

b) son spectre d'amplitudes pour


c) un zoom spectral entre 0 et

169

5.

lments d'analyse spectrale numrique

Analyse spectrale

Le programme des calculs temporels et spectraux se rsume

aux quelques lignes prsentes ci-dessous.

% lecture de l'enregistrement
enreg = load('enreg.txt') ;
tt = enreg( :,1) ;
xt = enreg( :,2) ;
Xdc = mean(xt)
Xac = std(xt)
% analyse temporelle
Npts = length(xt) ;
dt = tt(2) - tt(1)
duree = Npts * dt
% analyse spectrale
df = 1/duree, fmax = 1/dt
ff = 0 :df :fmax-df ;
Xjf = fft(xt)/Npts ;
% spectre unilatral
Ndemi = round(Npts/2) ;
fk = ff(1 :Ndemi) ;
Ak = 2*abs(Xjf(1 :Ndemi)) ;
Ak(1) = abs(Xjf(1)) ;
% composante DC
ak = angle(Xjf(1 :Ndemi)) ;
subplot(2,1,1) ; stem(f,Ak,'.') ;
% estimation du rapport signal/bruit (SNR)
Px = Xdc^2 + Xac^2 ;
% puissance du signal + bruit = 2.023
A1 = 1.02 ; A2 = 0.85 ;
% amplitudes mesures
Px0 = (A1^2 + A2^2)/2 ; % puissance du signal original = 0.88
Pn = Px - Px0 ;
% puissance du bruit = 1.14
SNR = 10*log10(Px0/Pn) % SNR = -1.12

Les spectres d'amplitudes, prsents dans la gure 5.8, montrent que deux raies
spectrales s'lvent clairement au-dessus du niveau de bruit situ aux environs de 0.3.
Ces deux raies spectrales ont une amplitude et une frquence valant respectivement

A1 ' 1.02

f1 = 1.25 kHz 25 Hz

A2 ' 0.85

f2 = 1.40 kHz 25 Hz

La prcision des frquences mesures est gale la moiti de la dnition spectrale

170

f .

5.7. Exemple 2 : reconstruction d'un signal

5.7. Exemple 2 : reconstruction d'un signal


Donnes

An d'analyser et illustrer les rsultats fournis par la TFD, on considre

ici un signal connu

x(t) = A1 sin(2f1 t) + A2 sin(2f2 t) + A3 sin(2f 3 t + /4)


constitu de trois sinusodes d'amplitudes

A1 = 1 A2 = 0.8 A3 = 0.5
et de frquences harmoniques

f1 = 50 Hz f2 = 150 Hz f3 = 250 Hz
Ce signal original est perturb par un bruit important car le

+5 dB.

SNR

ne vaut que

Le but de cet exemple est de montrer que, malgr la prsence d'un fort

bruit, il est possible de retrouver le signal original.


Signal + Bruit

Analyse de Fourier

4
0.25
2
0.2
0

0.15
0.1

2
0.05
4

50

100
150
temps [ms]

200

100

Signal reconstruit
4

50

100
150
temps [ms]

400

500

Signal original

200
300
frquence [Hz]

200

50

100
150
temps [ms]

200

Fig. 5.9.: Analyse spectrale et extraction des signaux

Analyse temporelle
tillonnage

Te = 0.2 ms

Le signal bruit a t enregistr avec une priode d'chanet il a une dure

T = 210 ms

(gure 5.9a). Ceci permet de

prvoir que le domaine des frquences est caractris par :


 la frquence de Nyquist

fN =

fe
= 2500 Hz
2

171

5.

lments d'analyse spectrale numrique

 la dnition spectrale

1
1
=
= 4.76 Hz
T
210 ms

f =
On notera que la dure d'analyse

f = 4.76 Hz

T = 210 ms

conduit une dnition spectrale

qui n'est pas un sous-multiple des composantes spectrales. Cela fait

que l'on sera dans l'impossibilit de trouver la valeur exacte des frquences originales.
Idalement, on aurait d prendre une dure de
dnition spectrale de

Analyse spectrale

200 ms

permettant ainsi d'avoir une

5 Hz.

L'observation du spectre obtenu aprs fentrage (gure 5.9b)

montre que les trois raies spectrales sont bien visibles. Mais, on doit cependant
constater que ces raies se sont ddoubles cause de la dnition spectrale nonentire et de l'utilisation de la fentre d'observation.
Le programme donn ci-dessous permet de rechercher ces raies spectrales. Les frquences mesures

2.4 Hz

prs sont

f11 = 47.6 Hz f12 = 52.4 Hz


f21 = 147.6 Hz f12 = 152.4 Hz
f31 = 247.6 Hz f32 = 252.4 Hz
Leurs amplitudes et phases respectives valent

A11 = 0.453 A12 = 0.432


A21 = 0.368 A12 = 0.334
A31 = 0.198 A12 = 0.185

11 = 0.151 rad 12 = +2.98 rad


21 = 2.87 rad 22 = 0.275 rad
31 = +0.372 rad 32 = 2.65 rad

avec

Ak = 2 |X(jk)|

Reconstruction du signal original

k = X(jk)

Connaissant les amplitudes et phases des com-

posantes spectrales, il est ais de reconstruire le signal non bruit :

xr (t) =

Ak cos (2fk t + k )

Malgr l'eet de la fentre d'observation utilise avant d'eectuer la FFT et le fait


qu'il y ait six frquences au lieu de trois, le signal ainsi extrait (gure 5.9c) reproduit
assez bien l'allure du signal original (gure 5.9d).

Programme d'analyse et recherche des composantes spectrales

Le programme

ayant permis d'obtenir ces rsultats se rsume aux quelques lignes prsentes cidessous.

172

5.8. Exemple 3 : analyse spectrale dtaille


% signal bruit
yt = xt+nt ;
Npts = length(yt) ;
% analyse spectrale avec une fentre de Hann
yht = yt'.*hann(Npts) ;
Yjf = fft(yht)/Npts ;
df = 1/tmax ; fmax = 1/dt ;
ff = 0 :df :fmax-df ;
% recherche de N raies spectrales
Nraies = 6 ;
Yjf_tempo = Yjf(1 :end/2) ;
for kn = 1 :Nraies
[Ymax, kf(kn)] = max(abs(Yjf_tempo)) ;
Yjf_tempo(kf(kn)) = 0 ; % mise zro de la valeur trouve
end ;
% reconstruction
xtr = zeros(size(yt)) ;
for kn = 1 :Nraies
Xrjf = Yjf(kf(kn)) ; fr = ff(kf(kn)) ;
xtr = xtr + Xrjf*exp(+j*2*pi*fr*tt) + Xrjf'*exp(-j*2*pi*fr*tt) ;
end ;
% valeurs des composantes spectrales
fr = ff(kf)'
Ar = 2*abs(Yjf(kf))
ar = angle(Yjf(kf))

5.8. Exemple 3 : analyse spectrale dtaille


5.8.1. Donnes
On considre ici un signal permanent observ l'oscilloscope. partir de l'observation visuelle du signal, on dsire choisir les paramtres d'acquisition qui permettront ensuite d'extraire toutes les informations possibles. L'acquisition se fera avec
un convertisseur analogique-numrique 8 bits /2 V.

5.8.2. Signal temporel


Le signal

x(t)

observ l'oscilloscope (gure 5.10a) apparat comme une sinusode

caractrise par son amplitude

A ' 1.7 V

et sa priode

T0 ' 3.68 msec.

Cepen-

dant, une observation de plus longue dure (gure 5.10b) montre un phnomne de

173

5.

lments d'analyse spectrale numrique

Acquisition: 10000 points, fe = 5000 [Hz]; CAN: 2 [V], 8 bits 1/2LSB,


2

x(t)

1
0
1
2

0.005

0.01

0.015

0.02

0.025

0.03

x(t)

1
0
1
2

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

x[n]

1
0
1
2

0.005

0.01

0.015
temps [sec]

0.02

0.025

0.03

Fig. 5.10.: Signal analys

battement de priode

Tb ' 0.45 sec

ou de frquence

fb =

1
' 2.2 Hz
Tb

On en dduit que ce signal est compos d'au moins deux sinusodes de frquences
trs proches

f1 '

1
' 272 Hz
T0

f2 = f1 fb ' 270

ou

274 Hz

et d'amplitudes fort direntes car la variation d'amplitude de

x(t)

est faible.

5.8.3. Paramtres d'acquisition


An d'avoir une dnition temporelle raisonnable, on choisit

t Te '

T0
= 0.35 msec ' 0.2 msec
10

et on en dduit la frquence d'chantillonnage

fe =

1
= 5 kHz
t

La gure 5.10c prsente une partie du signal numrique ainsi acquis.

174

5.8. Exemple 3 : analyse spectrale dtaille


Comme il faut pouvoir distinguer deux raies distantes de
dnition spectrale susamment ne

f '

fb ' 2 Hz,

on choisira une

fb
= 0.5 Hz
4

Sachant que la rsolution frquentielle est inversement proportionnelle la dure


d'acquisition, on en tire

tacq =

1
= 2 sec
f

Le nombre de points acquis vaudra donc

Npts =

1
1
=
= 100 000
f t
0.5 Hz 0.2 ms

L'ensemble des valeurs acquises est reprsent la gure 5.10b.

5.8.4. Analyse spectrale


Utilisation de la FFT

On a vu plus haut que l'algorithme FFT exige un nombre

de points gal une puissance de 2. Lorsque cela n'est pas le cas, on complte la suite
de valeurs acquises par une succession de zros permettant d'atteindre un nombre
de valeurs gal la puissance de 2 la plus proche (gure 5.11a).
Du point de vue de l'analyse de Fourier, cela ne change rien aux rsultats fournis ;
seule la rsolution spectrale est amliore. Dans notre cas, on passera donc de
100 000 Nf f t = 160 384 et la rsolution frquentielle passera ainsi de

f =

f =

Fentre rectangulaire
quises

x[n]

Npts =

fe
5000
= 0
= 0.5 Hz
Npts
10 000

5000
fe
= 0
= 0.305 Hz
Nf f t
16 384

Dans ce cas, l'analyse spectrale de la suite de valeurs ac-

fournit les spectres prsents dans les gures 5.11b et 5.13a). Le spectre

ainsi obtenu fait apparatre une seule raie spectrale aux environs de 270 Hz et,
contrairement ce que l'on attendait, il n'y a pas de deuxime raie spectrale. Manifestement, celle-ci est masque par l'talement spectral d la fentre rectangulaire.

Fentre de Blackman

On est donc amen fentrer le signal acquis en le multi-

pliant par une fonction attnuant les eets de bord dus l'acquisition eectue. On
choisit ici d'utiliser la fentre de Blackman dnie comme suit :





n
n
wb [n] = 0.42 0.5 cos 2
+ 0.08 cos 4
Npts
Npts

pour

0 n < Npts

175

5.

lments d'analyse spectrale numrique

Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz]


2
Fentre rectangulaire

x[n] wr[n]

2000

4000

6000

8000

10000

12000

14000

16000

Xr(f) [dB]

20

40

60

80

500

1000

1500

2000

2500
3000
frquence [Hz]

3500

4000

4500

5000

Fig. 5.11.: Signal et spectre d'amplitudes, fentre rectangulaire

Du point de vue numrique, on analysera donc le signal

xw [n] = x[n] wb [n]


Aprs avoir complt le signal fentr par des zros pour atteindre une puissance
de 2 (gure 5.12a), on obtient les rsultats prsents dans les gures 5.12b et 5.13b
o le niveau de bruit caus par l'talement spectral a pratiquement disparu.

Zoom frquentiel

tant donn la haute dnition spectrale, obtenue au prix d'un

long enregistrement, les chelles globales ne permettent pas de voir le dtail des raies
attendues. Il faut donc zoomer sur la zone intressante. On voit alors trs nettement
que la fentre rectangulaire (gure 5.13a) est totalement incapable de fournir les
informations attendues alors qu'avec la fentre de Blackman (gure 5.13b), on retrouve bien la deuxime frquence recherche et on peut mme apercevoir la prsence
d'une troisime composante spectrale d'amplitude encore plus faible, qui n'tait absolument pas perceptible au niveau temporel.

5.8.5. Estimation des amplitudes


Le spectre d'amplitudes de la gure 5.13b permet de mesurer les frquences des trois
composantes spectrales du signal

176

x(t) et les amplitudes relatives des raies spectrales.

5.8. Exemple 3 : analyse spectrale dtaille

Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz]


2
Fentre de Blackman

x[n] wh[n]

2000

4000

6000

8000

10000

12000

14000

16000

Xh(f) [dB]

20

40

60

80

500

1000

1500

2000

2500
3000
frquence [Hz]

3500

4000

4500

5000

Fig. 5.12.: Signal et spectre d'amplitudes, fentre de Blackman

Spectres damplitudes: f = 0.305 [Hz], fN = 2500 [Hz]


0
Fentre rectangulaire

40

X (f) [dB]

20

60

80
250

260

270

280

290

300

310

320

330

340

350

0
Fentre de Blackman

40

X (f) [dB]

20

60

80
250

260

270

280

290

300
310
frquence [Hz]

320

330

340

350

Fig. 5.13.: Agrandissement spectral

177

5.

lments d'analyse spectrale numrique

fk

Xk,dB

Xk,dB X1,dB

Xk /X1

272 Hz

-7.6

274 Hz

-32.2

-24.6

0.059

277 Hz

-52

-44.4

0.006

Il est important de noter que les amplitudes spectrales dpendent de la fentre choisie
et que seules leurs valeurs relatives peuvent en tre dduites

Xk
= 10(Xk,dB X1,dB )/20
X1
Pour obtenir la valeur relle des amplitudes, on peut passer par l'galit de Parseval :

Pac

1
=
T

X
A2

T
0

x2ac (t) dt

A2
= 1
2
2
k

k=1

1+

A2
A1

2

A3
A1

2

A4
A1

2

Ce qui donne dans notre cas

Pac =


A2
A21
1 + 0.0592 + 0.0062 = 1.00352 1
2
2

partir du signal acquis, on calcule aisment sa puissance :

Pac

N 1
1 X
=
(x[n] x )2 = var(x[n]) = 1.45
N n=0

On en dduit alors la valeur de

A1

A1 =

et celles des autres composantes :

2 Pac
= 1.70
1.00352

A2 = 0.059 A1 = 0.1
A3 = 0.006 A1 = 0.01

Remarque

Une correction des amplitudes spectrales tenant compte de la fentre

utilise n'est possible que

de priodes.

si le signal acquis possde exactement un nombre entier

Si cette condition est remplie, il sut alors de diviser les amplitudes

spectrales par la valeur moyenne de la fentre :

Ak Ak /(w).

Ce calcul doit tre

vit si l'on n'est pas sr que la condition est remplie.

5.8.6. Dtail du calcul des signaux et des spectres


Le chier cr pour gnrer le signal

x(t),

calculer et tracer les spectres dans dif-

frentes conditions est donn ci-dessous. Bien qu'il puisse paratre volumineux au
premier abord (beaucoup de lignes sont consacres au traage uniquement), les parties essentielles de ce chier sont simplement :

178

5.8. Exemple 3 : analyse spectrale dtaille


1. la conversion analogique- numrique

2 V avec Nbits

1
LSB de non linarit
2

(on admet que celle-ci entrane la perte d'un bit) :

Ucan = 4 ; Nbits = 8 ;
xn = Ucan*round((xn0/Ucan)*(2^(Nbits-1))/(2^(Nbits-1) ;

wh = (blackman(length(xn)))' ;
xnwh = xn.*wh ;

Nfft = 2^ceil(log2(length(xn))) ;
xnwh = [xnwh, zeros(1,Nfft-length(xn))] ;
Xjfh = fft(xnwh)/length(xnwh) ;

2. le fentrage :

3. l'ajout de zros et le calcul du spectre :

Initialisation

Le programme dbute par l'initialisation des paramtres et la cra-

tion du signal vu sur l'cran de l'oscilloscope

% analyse spectrale
clear all ; close all ; format compact ; clc ;
% parametres du signal
amp1 = 1.7 ; amp2 = 0.1 ; amp3 = 0.01 ;
f1 = 271.828 ; f2 = f1+2 ; f3 = f1+5 ;
% oscilloscope
tosc = 0.03 ; kosc = 2000 ;
dt = tosc/kosc ;
tt = 0 :dt :tosc-dt ;
xt0 = amp1*sin(2*pi*tt*f1)+amp2*cos(2*pi*tt*f2)+amp3*sin(2*pi*tt*f3) ;

Acquisition numrique

Il se poursuit avec l'acquisition et la conversion sur une

dure plus longue

% acquisition
tacq = 2 ;
Te = 0.2e-3 ;
tn = 0 :Te :tacq-Te ;
xn0 = amp1*sin(2*pi*tn*f1)+amp2*cos(2*pi*tn*f2)+amp3*sin(2*pi*tn*f3) ;
% conversion +/- 2V avec Nbits et +/- 1/2LSB de non linearite
Ucan = 4 ; Nbits = 8 ;
xn = Ucan*round(xn0/Ucan*2^(Nbits-1))/2^(Nbits-1) ;

Calcul des spectres

Une fois les signaux acquis, on peut calculer leurs spectres et

acher des informations

% calcul des spectres


Nfft = 2^ceil(log2(length(xn)))
% fenetres rectangulaire et de Blackman
wr = ones(size(xn)) ;

179

5.

lments d'analyse spectrale numrique

wh = (blackman(length(xn)))' ;
xnwr = xn.*wr ;
xnwh = xn.*wh ;
% ajout de zeros
xnwr = [xnwr, zeros(1,Nfft-length(xnwr))] ;
xnwh = [xnwh, zeros(1,Nfft-length(xnwh))] ;
% fft
Xjfr = fft(xnwr)/length(xn) ;
Xjfh = fft(xnwh)/length(xn) ;
% domaine spectral
fmax = 1/Te ;
df = fmax/Nfft ;
ff = 0 :df :fmax-df ;
% infos
Nbits, tacq, Te, fmax, df
Pac = var(xn)
Npoints = round(tacq/Te), Nfft

Graphes

On trace les signaux acquis

% graphes temporels
figure ;
subplot(3,1,1) ;
plot(tt,xt0) ; grid ;
axis([0,tosc,-2,2])
texte = ['Acquisition : ', num2str(round(tacq/Te)), ' points,'] ;
texte = [texte, ' f_e = ', num2str(1/Te,4), ' [Hz] ;'] ;
texte = [texte, ' CAN : \pm ', num2str(Ucan/2,2), ' [V], '] ;
texte = [texte, ' ', num2str(Nbits,2), ' bits \pm 1/2LSB,'] ;
title(texte) ;
ylabel('x(t)') ;
subplot(3,1,2)
plot(tn,xn) ; grid ;
axis([0,tacq,-2,2])
ylabel('x(t)') ;
subplot(3,1,3) ; % zoom
plot(tn,xn,'.') ; grid ;
axis([0,tosc,-2,2])
ylabel('x[n]') ;
xlabel('temps [sec]') ;
print -deps ansptemps.eps
ainsi que les spectres aprs fentrage

% spectres
figure ; % fenetre rectangulaire
subplot(2,1,1) ;
plot(xnwr) ; grid ;
axis([0,Nfft,-2,2])

180

5.8. Exemple 3 : analyse spectrale dtaille


texte = ['Spectres damplitudes : \Deltaf =
texte = [texte, ' f_N = ', num2str(fmax/2),
title(texte) ;
ylabel('x[n] \cdot w_r[n]') ;
legend('Fentre rectangulaire') ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfr))) ; grid ;
axis([0,fmax,-80,0]) ;
ylabel('X_r(f) [dB]') ;
xlabel('frquence [Hz]') ;
print -deps anspwr.eps
figure ; % fenetre de Blackman
subplot(2,1,1) ;
plot(xnwh) ; grid ;
axis([0,Nfft,-2,2])
texte = ['Spectres damplitudes : \Deltaf =
texte = [texte, ' f_N = ', num2str(fmax/2),
title(texte) ;
ylabel('x[n] \cdot w_h[n]') ;
legend('Fentre de Blackman') ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfh))) ; grid ;
axis([0,fmax,-80,0]) ;
ylabel('X_h(f) [dB]') ;
xlabel('frquence [Hz]') ;
print -deps anspwh.eps

Zoom

',num2str(df,3), ' [Hz],'] ;


' [Hz]'] ;

',num2str(df,3), ' [Hz],'] ;


' [Hz]'] ;

Les dtails sont mis en vidence

% zoom spectral
fz1 = 250 ; fz2 = 350 ; % domaine interessant
dbmax = 80 ;
figure ;
subplot(2,1,1) ;
plot(ff, 20*log10(abs(Xjfr))) ; hold on ;
axis([fz1,fz2,-dbmax,0]) ; grid ;
title(texte) ;
ylabel('X_r(f) [dB]') ;
legend('Fentre rectangulaire') ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfh))) ;
axis([fz1,fz2,-dbmax,0]) ; grid ;
ylabel('X_h(f) [dB]') ;
xlabel('frquence [Hz]') ;
legend('Fentre de Blackman') ;
print -deps anspzoom.eps

181

5.

lments d'analyse spectrale numrique

5.9. Exercices
TFD 0
1. Montrez que le passage de l'analogique vers le numrique se fait bien avec les
deux relations discrtes

X[jk]

et

x[n]

de la gure 5.4.

2. Considrant la suite de quatre valeurs

X[jk].

x[n]

Dessinez la suite

x[n] = {0, 2, 4, 0}, calculez son spectre


x(t) lui cor-

et un signal analogique priodique

respondant.
3. Calculez le signal priodique

xF (t)

correspondant la suite

x[n]

au sens de

Fourier.

TFD 1
L'analyse spectrale, par la FFT, d'un signal
fourni le spectre discret

XD [jk]

3. Que vaut

xN [n]

fe = 1 [kHz].

est-il continu, discret, priodique ?

xN [n = 0] ?

4. Quelle est l'expression de


5. Tracez

constitu de N = 8 valeurs a

partiellement donn dans le tableau ci-dessous.

1. Compltez le tableau sachant que


2. Le signal temporel

x[n]

xN [n] ?

xN [n].

XD [jk]

2+j

3+2j

10

|XD [jk]|
XD [jk]

f [kHz]

TFD 2

On souhaite calculer le spectre d'une impulsion rectangulaire de largeur

t = 3 [msec] et d'amplitude A = 5 [V].


frquence fe = 1 [kHz].

Pour ce faire, on acquiert 8 points la

1. Admettant que l'chantillonnage commence l'apparition du anc montant,


dessinez
n = 3.

182

x(t)

et

x[n].

Discutez les valeurs choisies pour

x[n]

lorsque n = 0 et

5.9. Exercices
2. Que vaut la dure d'acquisition tmax ?
3. Quel sera le domaine spectral analys ; que vaudra l'incrment de frquence

f ?
4. Calculez

XD [jk]

pour k = 0 et k = 2 ; quel est le domaine de variation du

compteur k des frquences ?


5. Validez votre rsultat en analysant la valeur de

TFD 3

Considrant la suite de valeurs

1. Esquissez
2. Calculez

x[n]

x(t)

et une fonction

XD [jk] ;

x[n]

XD [jk = 0].

ci-dessous :

passant par ces points.

sa valeur dpend-elle de la longueur

N = 2m

de la suite ?

3. Qu'est ce qui change si on ajoute des zros pour doubler le nombre d'chantillons ?

m

m+1

3

2

1

+1

+2

+3

+m1

x[n]

0.5

0.5

TFD 4

Considrant un signal

x(t) = cos(2 1000 t) + cos(2 2000 t)


fe = 8 f0 :

chantillonn

pendant une priode la frquence


1. Dessinez la suite de valeurs

x[n].

2. Justiez les rsultats du tableau ci-dessous fournis par la la FFT puis prcisez
la relation existant avec ceux fournis par la dcomposition en srie de Fourier.
3. On chantillonne le signal

TFD 5

x(t)

sur 4 priodes ; que donnera la FFT ?

XD [jk]

On chantillonne avec une priode d'chantillonnage

Te = 1 [msec]

une

exponentielle dcroissante

x(t) = A exp(t/ ) (t)


o

A = 5 [V], = 5 [msec].
1. Que vaut la densit spectrale
2. Calculez la suite des valeurs
3. Calculez la TF

Xe (jf )

X(jf )

x[n] ;

du signal

x(t) ?

exprimez la sous la forme

de la suite inniment longue

x[n].

x[n] = A r n .

183

5.

lments d'analyse spectrale numrique

4. On ne prend en compte que les 16 premires valeurs de la suite


annule les autres ; que vaut

x[n]

et on

Xe,N (jf ).

5. Considrant la suite temporelle tronque

xN [n] avec N = 16, on discrtise l'axe

des frquences. Que vaut l'incrment frquentiel ? Calculez le spectre discret

XD [jk].
6. Que valent, pour chacun des spectres ci-dessus

(X(jf ), Xe (jf ), Xe,N (jf ), XD [jk]),

les composantes spectrales lorsque f = 0 ?

AnSp 0

On considre le signal

x(t) = 1 + 5 sin (2fa t) + 2 sin (2fb t) , fa = 1 [kHz], fb = 1.5 [kHz]


1. Quelle est la priode de ce signal ? Dessinez le spectre unilatral de
valent

Xdc

et

x(t).

Que

Xac ?

2. Son enregistrement a t eectu avec une priode d'chantillonnage de 125

sec

pendant exactement 10 msec.

a) Quel sera le domaine d'analyse spectrale et sa rsolution.


b) Pensez-vous devoir utiliser une fentre d'observation ? Si oui, laquelle
choisissez-vous et pourquoi ?
c) Les raies spectrales fournies par la FFT seront-elles situes aux frquences
attendues ? Sinon, prcisez la valeur de ces frquences.
3. Idem 2), si l'enregistrement a dur exactement 11 msec.

AnSp 1

Lors de l'analyse spectrale d'un signal chantillonn

N, Te , tmax

et

fe , f

x[n],

les paramtres

sont relis entre eux ; la donne de deux d'entre eux sut

pour xer tous les paramtres de l'analyse. Rappelez ces relations puis compltez le
tableau ci-dessous.

Te

tmax

40

2 kHz
1 msec

50

50 Hz
10 msec

100

10 Hz
20 Hz
2 msec

30

1 kHz

1 sec

1 msec
5 msec

AnSp 2

fe

5 kHz

On doit faire l'analyse spectrale numrique des signaux suivants

une sinusode

une impulsion triangulaire

une rponse indicielle

un signal chirp (wobul)

une impulsion rectangulaire

une exponentielle dcroissante

une suite d'impulsions rectangulaires

un signal triangulaire priodique

184

5.9. Exercices
Pour chacun des signaux :
1. Esquissez leur allure temporelle.
2. Choisissez-vous une fentre rectangulaire ou en cosinus ?
3. Prcisez les raisons de votre choix.

AnSp 3

On considre ici le signal

x(t) = 3 + 4 cos(2f0 t) + 2 sin(4f0 t),

f0 = 100 Hz

reprsent la gure 5.14 dont on a enregistr deux priodes. Sachant qu'on souhaite
obtenir numriquement son spectre

X[jk],

on l'chantillonne avec une priode

Te =

1 msec.
1. Dessinez les points chantillonns

x[n].

Quelle fentre faut-il utiliser avant

l'analyse spectrale ?
2. Que valent

N, tmax , fe , f ?

3. Quelles raies spectrales seront prsentes ? Quel sera le nombre de valeurs spectrales analyses ?
4. Donnez les frquences, les amplitudes et les phases de chaque valeur spectrale

X[jk],

k = 0, , N 1.

5. Quel serait le rsultat de l'analyse spectrale si l'on avait chantillonn six


priodes au lieu de deux ?

185

5.

lments d'analyse spectrale numrique

10

x(t)

10
temps [ms]

12

Fig. 5.14.: Ex AnSp 3

186

14

16

18

20

Bibliographie
Frequency Analysis, Brel & Kjaer, 1987
Harris : On the use of windows for harmonic analysis with DFT,

[1] Randall R.B.,


[2] Frederic J.

Proceedings of IEEE, vol. 66, no.1, january 1978


[3] Cooley J.W., Tukey J.W., An Algorithm for the Machine Calculation of Com-

Mathematics of Computation, Vol. 19, April 1965


T.W., DFT/FFT and Convolution Algorithms. John

plex Fourier Series,


[4] Burrus C.S., Parks

Wiley

& Sons, New York, 1985


[5] B.P. Lathy,

Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael

CA, 1992

187

Bibliographie

188