Vous êtes sur la page 1sur 26

Analyses temps-fréquence linéaires

et quadratiques

par Nadège THIRION-MOREAU


Maître de Conférences à l’ISITV, Université de Toulon et du Var
et Pierre-Yves ARQUÈS
Professeur à l’ISITV, Université de Toulon et du Var

1. Outils de description temporelle et fréquentielle d’un signal .... TE 5 250 - 3


2. Les représentations temps-fréquence................................................ — 3
2.1 Introduction.................................................................................................. — 3
2.2 Différents types de représentations temps-fréquence ............................. — 7
3. Transformation de Fourier à court terme et transformation
en ondelettes............................................................................................. — 12
3.1 Définitions et propriétés.............................................................................. — 12
3.2 Avantages et inconvénients. Applications................................................. — 12
4. Transformation de Wigner et fonction d’ambiguïté ....................... — 14
4.1 Définitions et propriétés.............................................................................. — 14
4.2 Avantages et inconvénients. Applications................................................. — 14
4.3 Transformation de Wigner-Ville.................................................................. — 15
5. Représentations temps-fréquence quadratiques particulières ... — 15
5.1 Spectrogramme et scalogramme............................................................... — 16
5.2 Transformation pseudo-Wigner lissée et transformation Wigner lissée
affine ............................................................................................................. — 17
5.3 Transformation de Choï-Williams .............................................................. — 18
6. Comment choisir et mettre en œuvre une RTF ? ........................ — 18
6.1 Application à des signaux de modulation ................................................. — 18
6.2 Application à l’étude de signaux musicaux............................................... — 23
Références bibliographiques ......................................................................... — 26

’objet du traitement du signal est l’étude, la conception et la réalisation de


L systèmes d’exploitation des signaux, un signal étant un modèle de repré-
sentation d’un phénomène évoluant dans le temps, l’espace... et ayant pour
vocation de transporter de l’information. La théorie du signal, quant à elle,
concerne l’élaboration de ces modèles et y adjoint l’étude des différents outils
d’analyse qui leur sont applicables. Un grand nombre de phénomènes ou de
dispositifs physiques produisent des signaux : synthétiseur de parole, antennes
radar et sonar, appareil photographique, émetteur de télévision, capteur à
l’interface d’un milieu physique et d’un système de mesure, cotation boursière
des actions...
Les grandes catégories de signaux sont définies par des caractères liés au sup-
port (domaine de variation des variables), à l’ensemble de valeurs et au mode
de génération du signal. Dans tout cet article, on se limite à l’étude des signaux
déterministes, à temps continu (ou permanents), scalaires réels ou complexes,
univariables, temporels ; les versions discrètes et échantillonnées des différen-
tes transformées présentées sont fournies à titre d’information et en vue d’une
éventuelle implantation sur ordinateur.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 1
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Une méthode classique d’analyse d’un signal déterministe consiste à lui asso-
cier une transformée particulière de sa représentation initiale. On utilise habi-
tuellement, pour les quantités satisfaisant au principe de superposition, et selon
le besoin ou la nature du signal, une des diverses formes des transformations
fonctionnelles de Fourier, de Laplace, ou en z. La représentation obtenue est
constituée par les coefficients complexes d’une combinaison linéaire de quan-
tités de base reconstruisant la quantité de départ.
Si l’analyse fréquentielle de Fourier met en œuvre deux représentations
conjuguées et globales, l’une de type temporel, l’autre de type fréquentiel, la
nature est cependant riche en signaux pour lesquels l’information utile est véhi-
culée non seulement par les fréquences émises mais aussi par la structure tem-
porelle même du signal ; l’exemple de la musique est en cela caractéristique
(une partition musicale rend compte à la fois de la fréquence des notes mais
également de l’ordre dans lequel elles doivent être jouées). Une représentation
du signal comme fonction du temps uniquement donne peu d’indications sur
le comportement en fréquence, tandis que son analyse de Fourier masque l’ins-
tant d’émission et la durée de chacun des éléments composites du signal. Pour
les besoins du traitement du signal, on a donc cherché à associer, à un signal
temporel ou fréquentiel, des représentations dépendant des deux variables
temps et fréquence et possédant donc simultanément les deux caractères tem-
porel et fréquentiel. Ces transformées sont qualifiées de représentations temps-
fréquence (RTF), elles ne doivent surtout pas être confondues avec des repré-
sentations fréquentielles partielles, d’un signal bivariable spatio-temporel
(dépendant alors du temps et de la fréquence associée à la variable spatiale).
Il convient de voir le passage par RTF au domaine temps-fréquence, non pas
comme un gain d’information, mais plutôt comme une redistribution de l’infor-
mation contenue dans le signal analysé de façon à en faciliter l’interprétation.
Les RTF ont en effet l’avantage de mettre en évidence des comportements
locaux non stationnaires : la liaison existant entre représentation temps-
fréquence et représentation fréquentielle d’un signal peut se comparer à la rela-
tion entre une suite de notes musicales et l’histogramme de ces notes. Diverses
méthodes engendrent des RTF de propriétés et performances variées. Elles se
regroupent au sein d’ensembles cohérents, basés soit sur le type (paramétrique
ou non) de modélisation, soit sur le caractère (linéaire, quadratique ou autre)
de la transformation engendrant la représentation.

Notations et symboles Notations et symboles

Symbole Définition Symbole Définition

 Corps des réels (F ∗ G) (u) Produit de convolution de F (u ) et G (u )


 Corps des complexes F {X (t) ; ν } Transformée de Fourier
ou F { X ( . ) ; ν } (temps t → fréquence ν )
 Ensemble des entiers algébriques
ou F : t → ν
i Imaginaire pur (de module 1 et –1
{x (ν ) ; t } Transformée de Fourier inverse
d’argument π/2 ) F
(fréquence ν → temps t )
–1
t, ν Respectivement temps, fréquence ou F {x(.) ; t}
–1
ou F :ν→t
∑ ou ∑ Sommation pour i ou j ∈ 
FE, FD Transformées de Fourier échantillonnée,
i j
de Fourier discrète
N Sommation pour j ∈ {j0 , ..., j0 + N – 1},
∑ avec j0 quelconque TX , TX E , TX D Versions permanente, échantillonnée et
j discrète de la transformée TX (ainsi, pour
la transformée de Fourier à court terme,
δ (t – a) Distribution de Dirac en t = a TX est remplacé par T.FCT).

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 2 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

— la fréquence moyenne (µν) du signal :


1. Outils de description
temporelle et fréquentielle µν =
déf
ν 
x (ν) dν
2 (6)
d’un signal
— la largeur de bande ( σ ν ) quantifiant l’étalement en fréquence
du signal autour de sa fréquence moyenne :
Le lecteur pourra se reporter aux références ([4] [5] [6] [10] [18]
[25] [33] [40] [42] [47] [49]) de la bibliographie.
La représentation fréquentielle x (ν ) du signal X (t ), réel ou
2 déf 1
σ ν = ---------
EX

2
( ν – µν ) x ( ν ) d ν
2
(7)
complexe à temps continu de support  , est la transformée de
Fourier (en un sens quelconque) de la représentation temporelle : D’une manière générale, on peut montrer que les représenta-
tions temporelle et fréquentielle d’un signal sont soumises au
F{X(.) ; ν} = x(ν) =  
X(t )e
–2 π i ν t
dt (1)
principe d’incertitude d’Heisenberg-Gabor lequel se traduit par
l’inégalité suivante :
1
Inversement, la représentation temporelle s’en déduit par la σ t σ ν  --------- (8)
relation : 4π


L’égalité est atteinte pour un signal gaussien de la forme :
–1 2πiνt
F {x(.) ; t} = X(t ) = x(ν)e dν (2)
 1
-----
α 4
X ( t ) =  ----- e
– αt
2
⁄2
Nota : les problèmes de convergence des intégrales suscitent des développements
dans des contextes divers : fonctions sommables, fonctions de carré sommable,  π
distributions... [47].
avec α constante arbitraire.
Les versions échantillonnée et discrète sont rappelées au niveau Au sens des définitions choisies pour les résolutions temporelle
du tableau 1. On réservera ici le terme « spectre » pour le module et fréquentielle, le produit « durée-bande » σ t σ ν de tout signal est
de la représentation fréquentielle. borné inférieurement, induisant un inévitable compromis entre
Le signal X ayant EX pour énergie, on rappelle que (théorème de résolution temporelle et résolution fréquentielle, lesquelles ne
Parseval) : pourront être simultanément arbitrairement petites.

EX =  
2
X ( t ) dt =  
2
x(ν) dν (3)

Pour décrire le signal dans le temps, on peut introduire : 2. Les représentations


— le temps ou instant moyen (µt ) du signal :
temps-fréquence
déf
µt =  
t X ( t ) dt
2
(4)

— la durée ( σ t ) du signal quantifiant son étalement autour du


2.1 Introduction
temps moyen :
La représentation temporelle et la représentation fréquentielle


bien que contenant toute l’information relative au signal ne met-
2 déf 1 2 2
σ t = ------- ( t – µ t ) X ( t ) dt tent pas toujours en évidence toutes les caractéristiques fines de ce
EX  signal. L’objet de ce paragraphe est de montrer l’intérêt de dispo-
(5)
ser d’autres types de représentation combinant à la fois le temps
Pour décrire le signal en fréquence, on peut introduire : et la fréquence.

Tableau 1 – Transformations univariables de Fourier


Notation Transformation Inversion
Fourier X (t ) : t ∈  ; x (ν ) : ν ∈  ;
F
X(t) ↔ x(ν) x(ν) =  
X ( t )e –2πi ν t dt X(t ) = 

x ( ν )e 2πi ν t d ν

Fourier échantillonnée X ( tk ) : k ∈  , t k = t 0 + k λ ; xE (ν ) : ν ∈  ;

X ( tk )
FE
↔ xE ( ν )
xE ( ν ) = ∑
k ∈Z
X ( t k )e –2πi ν tk
X ( tk ) = λ 
1/λ
x E ( ν )e 2πi ν tk d ν

Fourier discrète Xk : k ∈ {0,..., N – 1} ; xm : m ∈ {0, ..., N – 1} ;

FD N–1 N–1

–2πimk /N 2 π i mk / N
Xk ↔ xm xm =
k=0
Xk e Xk = 1 / N ∑ xm e
m=0

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 3
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

2.1.1 Fréquence instantanée temps : elle revient donc à supposer qu’à chaque instant une seule
fréquence est présente dans le signal. Est-ce satisfaisant si le signal
est une somme à chaque instant de composantes de fréquences
Une première méthode pour traduire le comportement en fré-
différentes ? Aussi, d’un point de vue pratique, préfère-t-on à ces
quence au cours du temps d’un signal est de chercher à lui asso-
grandeurs des représentations bidimensionnelles susceptibles de
cier une fréquence instantanée, celle attribuée à un signal
combiner à la fois le temps et la fréquence et appelées pour cette
sinusoïdal étant bien évidemment constante.
raison « représentations temps-fréquence ».
Une méthode classique de définition d’une fréquence instanta-
née d’un signal réel X (t ) est de la définir à partir du signal analy-
tique XA (t ) associé à ce signal : L’exemple suivant illustre sur un cas simple les limites de cette ana-
lyse. On considère le signal analytique d’un mélange de deux
XA (t ) = X (t ) + iXQ (t ) (9) sinusoïdes :

S A ( t ) = A 1 e 2iπ ν1 t + A 2 e 2iπ ν2 t = A ( t )e i ϕ ( t )
1
X Q ( t ) = H { X ( t ) } = ----- VP
π
 X(θ)
-------------- d θ
 t–θ
(10)
(les amplitudes A1 et A2 sont supposées constantes et les fréquen-
avec H {.} transformation de Hilbert, ces ν1 et ν2 positives).
VP valeur principale de l’intégrale. Il a pour transformée de Fourier :
s (ν ) = A 1 δ (ν – ν 1 ) + A 2 δ (ν – ν 2 )
Le signal analytique s’exprime aussi sous forme polaire (AX et
arg XA sont l’amplitude et la phase instantanées) : et pour phase :

XA ( t ) A 1 sin ( 2π ν 1 t ) + A 2 sin ( 2π ν 2 t )
X A ( t ) = A X ( t )e i arg
ϕ ( t ) = arctan  --------------------------------------------------------------------------------------- 
A 1 cos ( 2π ν 1 t ) + A 2 cos ( 2π ν 2 t )
déf
AX ( t ) = XA ( t ) = X 2(t ) + X Q(t )
2 
 et amplitude :
XQ ( t )  (11)
arg X A ( t ) = arctan  ------------------ 
 X(t )   A(t ) =
2 2
A 1 + A 2 + 2A 1 A 2 cos ( 2 π ( ν 2 – ν 1 )t )

La représentation fréquentielle du signal analytique s’écrit :


La fréquence instantanée est alors :
x A ( ν ) = F { X A ( t ); ν } = x ( ν ) + i ( – i sgn ( ν ) ) x ( ν )
2 2
 2x (ν) si ν>0 (12) ν1 + ν2 1 A2–A1
= ν S ( t ) = -------------------
- + ------ ( ν 2 – ν 1 ) ----------------------
-
 0 si ν<0 2 2 A2 ( t )

(sgn(.) représente la fonction signe). ν1 + ν2


avec comme cas particulier ν S ( t ) = -------------------
- quand les sinusoïdes
2
La fréquence instantanée du signal X (t ), à l’instant t, est alors : sont de même amplitude. Les figures 1 et 2 permettent de comparer
fréquence instantanée (figure 1b ou 2b ) et représentation temps-
∂X Q ( t ) ∂X ( t )
fréquence (figure 1a ou 2a ) – ici le spectrogramme (cf. § 5.1) –, dans
X ( t ) --------------------- – X Q ( t ) ----------------- les deux cas suivants :
1 ∂ arg X A ( t )
déf 1 ∂t ∂t
ν X ( t ) = --------- ---------------------------------- = --------- -------------------------------------------------------------------------------- (13) — le signal de 1 024 points étudié est constitué d’une somme de
2π ∂t 2π X (t ) + X (t )
2 2
Q deux sinusoïdes d’amplitudes A1 = A2 = 1 et de fréquences réduites
ν1 = 0,1 et ν2 = 0,3 (figure 1) ;
On remarque par ailleurs que le passage au signal analytique ne — le signal de 1 024 points étudié est constitué d’une somme de
préserve pas l’énergie car E XA = 2E X . deux sinusoïdes d’amplitudes A1 = 1 et A2 = 1,2 et de fréquences
réduites ν1 = 0,1 et ν2 = 0,3 (figure 2).
Le retard de groupe est la quantité duale de la fréquence Dans les deux cas, sur les 341 premiers points, seule la sinusoïde de
instantanée : plus basse fréquence réduite est présente ; sur les 341 points suivants
les deux sinusoïdes sont présentes ; enfin, sur les 342 derniers points,
déf 1 ∂ arg x A ( ν ) seule la sinusoïde de plus haute fréquence réduite est présente. On
T X ( ν ) = – --------- --------------------------------- (14)
2π ∂ν vérifie bien que lorsqu’une seule sinusoïde est présente la fréquence
instantanée coïncide avec la fréquence de la sinusoïde tandis qu’elle
oscille entre deux valeurs ou s’ajuste sur la fréquence moyenne (ici 0,2
On peut associer à cette définition la notion de stationnarité d’un cf. figure 1b ) lorsque deux sinusoïdes sont présentes.
signal déterministe (à ne pas confondre avec la stationnarité des
signaux aléatoires), liée intuitivement à l’idée de régime perma-
nent, tant en amplitude qu’en fréquence. Un signal X (t ) certain est
stationnaire s’il s’écrit comme une somme de composantes Yj pos-
sédant toutes une amplitude instantanée ( A Yj ( t ) ) et une fréquence 2.1.2 Représentations bivariables
instantanée ( ν Yj ( t ) ) constantes.
Toutefois, le retard de groupe et la fréquence instantanée ne per- On montre dans ce paragraphe – sans pour autant entrer dans le
mettent de rendre correctement compte de la localisation tempo- principe de construction de telles représentations, qui fait l’objet
relle des différentes composantes spectrales d’un signal que pour des paragraphes ultérieurs – au moyen d’exemples synthétiques
une classe très restreinte de signaux. Ainsi, la fréquence instanta- ou expérimentaux, l’intérêt descriptif d’une représentation bivaria-
née représente-t-elle la fréquence comme une fonction explicite du ble dépendant à la fois du temps et de la fréquence.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 4 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

Real part Signal in time

1
0
–1
–2
Linear scale SP, Lh=46, Nf=512, lin. scale, imagesc, Threshold=5% 0.5
0.45
0.45
Energy spectral density

0.4
0.4
0.35
Frequency [Hz]

0.35
0.3
0.3
0.25
0.25
0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05
0 0
4.3771 2.1886 0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
x 105 Time [s]
a RTF d'un mélange de deux sinusoïdes de même amplitude b fréquence instantanée calculée sur le même signal

Figure 1 – Signal composé d’un mélange de deux sinusoïdes de même amplitude : RTF et fréquence instantanée

Signal in time
2
Real part

1
0
–1
–2

Linear scale SP, Lh=46, Nf=512, lin. scale, imagesc, Threshold=5% 0.5
0.45
0.45
Energy spectral density

0.4
0.4
0.35
Frequency [Hz]

0.35
0.3
0.3
0.25
0.25
0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05

0 0
6.3072 3.1536 0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000
x 105 Time [s]

a RTF d'un mélange de deux sinusoïdes d'amplitudes différentes b fréquence instantanée calculée sur le même signal

Figure 2 – Signal composé d’un mélange de deux sinusoïdes d’amplitudes différentes : RTF et fréquence instantanée

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 5
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Exemples
● Un signal de type modulation linéaire de fréquence (encore Sur ces courbes (figures 3 à 11), on trouve :
c 2
2πi ---- t
— au centre, la représentation temps-fréquence (ici le spec-
appelé chirp et de la forme : x ( t ) = est représenté sur la e 2 ) trogramme) avec, en abscisse, l’échelle des temps, et en ordon-
figure 3 ; on constate que son analyse de Fourier conduit à un spectre née, l’échelle des fréquences (limitée en tenant compte de la
en apparence large bande alors qu’une analyse plus fine réalisée au symétrie hermitienne, au segment [0, 0,5[ de variation des fré-
moyen d’une RTF type montre qu’à un instant donné, seule une fré- quences réduites). Les échelles d’amplitude sont linéaires ou
quence est présente (la fréquence instantanée νi (t ) de ce signal logarithmiques ;
valant ct, elle croît donc linéairement avec le temps) (cf. § 2.1.1). — en haut, la représentation temporelle du signal étudié ;
— à gauche, son spectre en échelle linéaire.
● Des exemples de signaux constitués de sinusoïdes de durées
finies et de fréquence f1 et f2 apparaissent sur les figures 4 et 5 puis
sur les figures 6 et 7. La durée totale des signaux étudiés est de
512 points. Sur les figures 4 et 5 : les deux sinusoïdes qui constituent
le signal analysé ont une durée de 384 points ; dans le premier cas
(figure 4), la sinusoïde basse fréquence commence au temps t = 1 et Signal in time
s’achève en t = 384 tandis que la sinusoïde haute fréquence

Real part
commence au temps t = 128 et s’achève au temps t = 512 ; sur la 1
figure 5, c’est l’inverse. Alors que ces deux exemples conduisent à un 0
même spectre (module de la représentation fréquentielle), l’analyse –1
temps-fréquence fait clairement ressortir les différences qui existent
–2
entre ces deux signaux. Sur les figures 6 et 7 : les deux fréquences
coexistent aux mêmes instants (figure 6) ou sont en alternance Linear scale SP, Lh=36, Nf=128, lin. scale, imagesc, Threshold=5%
(figure 7) et conduisent à une conclusion analogue.
0.45
● Un signal de parole, en l’occurrence le mot caillou, apparaît sous

Energy spectral density


forme RTF, d’une part, figure 8, synthétisé par un filtre passe-bande 0.4
excité par une dent de scie ; il apparaît d’autre part, figure 9, pro- 0.35

Frequency [Hz]
noncé par un locuteur (l’analyse des signaux de parole est à l’origine 0.3
du développement des analyses temps-fréquence dans le courant
des années 1940). Ce mot présente un maximum d’évolution forman- 0.25
tique (les formants sont des zones où l’énergie est concentrée : ils 0.2
caractérisent les voyelles et correspondent aux fréquences de réso- 0.15
nance du conduit buccal). Le traitement temps-fréquence permet de
0.1
retrouver un certain nombre d’éléments propres aux signaux de
parole (les trois résonances ou formants ainsi que la valeur de la 0.05
période fondamentale ou pitch), inaccessibles avec l’analyse tempo- 0
relle ou fréquentielle. 7.2394 3.6197 0 50 100 150 200 250 300 350 400 450 500
x 104 Time [s]
● Des cliquetis de dauphin sont présentés figure 10 : l’analyse
temps-fréquence permet d’affiner la connaissance du signal étudié.
Figure 4 – RTF d’une somme de deux sinusoïdes décalées
● Un signal sismologique provenant de l’enregistrement d’un
dans le temps (basse puis haute fréquence)
séisme superficiel localisé à la verticale des îles Andreanof (archipel
des Aléoutiennes) est présenté figure 11 : l’analyse temps-fréquence
permet de rendre compte du caractère dispersif de l’onde propagée.

Signal in time

Real part
Signal in time
1
0
Real part

0.5
0 –1

– 0.5
Linear scale SP, Lh=36, Nf=128, lin. scale, imagesc, Threshold=5%

Linear scale SP, Lh=22, Nf=128, lin. scale, imagesc, Threshold=5% 0.45

Energy spectral density


0.4
0.45
0.35
Energy spectral density

Frequency [Hz]
0.4
0.3
0.35
Frequency [Hz]

0.25
0.3
0.2
0.25
0.15
0.2
0.1
0.15
0.05
0.1
0
0.05 7.2892 3.6446 0 50 100 150 200 250 300 350 400 450 500
x 104 Time [s]
0
2408 1204 0 50 100 150 200 250 300 350 400 450 500
Time [s]
Figure 5 – RTF d’une somme de deux sinusoïdes décalées
Figure 3 – RTF d’une modulation linéaire de fréquence dans le temps (haute puis basse fréquence)

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 6 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

Signal in time Signal in time


0,5
Real part

Real part
1
0 0
–1
–2 – 0,5
Linear scale SP, Lh=36, Nf=128, lin. scale, imagesc, Threshold=5% Linear scale SP, Lh=31, Nf=255, log. scale, imagesc, Threshold=0.1%

0.45 0.45
Energy spectral density

Energy spectral density


0.4 0.4
0.35 0.35
Frequency [Hz]

Frequency [Hz]
0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
2.9012 1.4506 0 50 100 150 200 250 300 350 400 450 500 3.1936 1.5968 0 200 400 600 800 1000 1200 1400 1600 1800 2000
x 104 Time [s] x 104 Time [s]

Figure 6 – RTF d’une somme de sinusoïdes haute et basse Figure 8 – RTF d’un signal de parole synthétique : mot caillou
fréquences présentes simultanément [prélevé dans la bibliothèque du GDR PRC ISIS, CNRS]

Signal in time Signal in time


Real part

Real part
0.5 0.2
0
0
– 0.5
–1 – 0.2
Linear scale SP, Lh=36, Nf=128, lin. scale, imagesc, Threshold=5% Linear scale SP, Lh=31, Nf=437.5, log. scale, imagesc, Threshold=0.001%

0.45 0.45
Energy spectral density

Energy spectral density

0.4 0.4
0.35 0.35
Frequency [Hz]

Frequency [Hz]

0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
3.3473 1.6737 0 50 100 150 200 250 300 350 400 450 500 7914 3957 0 500 1000 1500 2000 2500 3000 3500
x 104 Time [s] Time [s]

Figure 7 – RTF d’une somme de sinusoïdes haute et basse Figure 9 – RTF d’un signal de parole enregistré : mot caillou
fréquences présentes alternativement

limite considérablement le nombre. Les méthodes satisfaisant à


2.2 Différents types de représentations toutes ces exigences ont permis d’engendrer un certain nombre de
transformations aux propriétés et aux performances variables. Tou-
temps-fréquence tes ces méthodes peuvent être regroupées au sein d’ensembles
cohérents, la classification utilisée pouvant être basée :
Un grand nombre de méthodes sont susceptibles de répondre — sur le type de modélisation utilisé (paramétrique ou non
au problème posé par le temps-fréquence à savoir de pouvoir dis- paramétrique) ;
poser de représentations dépendant à la fois du temps et de la fré-
— sur le caractère de la transformation utilisée (linéaire, quadra-
quence. Toutefois, si l’on retarde (ou l’on avance) un signal d’une
tique ou autre...).
quantité α, il semble assez légitime de chercher à ce que la signa-
ture de ce signal soit translatée de cette même quantité au niveau En outre, les besoins, en analyse du signal, peuvent conduire à
du plan temps-fréquence. Ainsi, en imposant des contraintes sup- distinguer diverses versions d’une représentation temps-fréquence
plémentaires telles que des propriétés d’invariance par translations (RTF), selon que les trois variables intervenantes sont continues ou
en temps et/ou fréquence et/ou changement d’échelle, etc., on en discrètes et à support borné ou non.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 7
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Signal in time x 105 Signal in time

Real part
Real part
2
0.5
0 0

– 0.5 –2

Linear scale SP, Lh=31, Nf=512, log. scale, imagesc, Threshold=0.1% Linear scale SP, Lh=31, Nf=128, log. scale, imagesc, Threshold=1%

0.45 0.45

Energy spectral density


Energy spectral density
0.4 0.4
0.35

Frequency [Hz]
0.35

Frequency [Hz]
0.3 0.3

0.25 0.25

0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05

0 0
1983 991 0 500 1000 1500 2000 2500 3000 3500 4000 8.9109 4.4555 0 100 200 300 400 500 600 700 800 900 1000
Time [s] x 1013 Time [s]

Figure 10 – RTF d’un signal biologique : enregistrement de cri Figure 11 – RTF d’un signal sismologique
de dauphin [provenance LIS INPG et LGIT Grenoble]

On se limite au cas classique permanent (variables continues à Les deux RTF linéaires les plus utilisées et par conséquent les
supports non bornés). On peut étendre avec des modalités diver- plus connues sont la transformée de Fourier à court terme (T.FCT)
ses, que nous ne détaillerons pas ici, au cas discret. Notons cepen- et la transformée en ondelettes (T.Ond) (§ 3).
dant que toutes les courbes présentées dans cet article ont été
obtenues au moyen des versions discrètes utilisées dans le calcul
sur ordinateur. 2.2.2 RTF quadratiques
On présente ici les grandes classes de RTF, en utilisant la classi-
fication basée sur le caractère linéaire, quadratique ou autre de la Diverses transformations quadratiques permettent d’engendrer
transformation et leurs principaux représentants. On se limite au une seconde catégorie de RTF dites quadratiques (cf. tableau 4) et
principe des transformations, à leurs principales propriétés, avan- susceptibles d’interprétations en terme de quantités « physiques »
tages et inconvénients. On développe ensuite quelques exemples telles que corrélation ou, de façon duale, énergie. Une RTF quadra-
d’applications. tique, que l’on qualifie encore de RTF bilinéaire, peut être
considérée comme la restriction à Xi = Xj d’une transformation bili-
néaire applicable à un couple de signaux (Xi , Xj ) :
2.2.1 RTF linéaires
RTF–Q RTF–B
Xi c QX, i = c B X , i , i telle que ( X i , X j ) c BX ,i,j (17)
Diverses transformations linéaires permettent d’engendrer une
première catégorie de représentations temps-fréquence (RTF), qua-
Une telle transformation bilinéaire peut s’exprimer sous la forme
lifiées de linéaires.
(X * est le complexe conjugué de X ) :
Dans le cas d’un signal X (t ) à temps continu, toute RTF linéaire
c LX (t, ν ; A) lui étant associée, peut s’écrire : ( Xi ( t ) , Xj ( t ) )
RTF–B
cB X , i , j ( t , ν ; R )

 
(18)
RTF–Lin
X(t ) c LX ( t, ν ; A ) = A(θ ; t, ν)X(θ)dθ (15) = X i ( θ ) X j* ( θ ′ ) R ( θ , θ ′ ; t , ν ) d θ d θ ′
 2

La propriété de linéarité est « souhaitable » pour des signaux À nouveau, le noyau permet de déterminer des classes parti-
physiques satisfaisant au principe de superposition et en parti- culières de solutions (classes caractérisées par la possession de
culier pour des signaux « multicomposantes » (combinaisons de certaines propriétés ou par des solutions pourvues de propriétés
signaux ou signaux complexes tels que la parole...). Elle se traduit spécifiques). Une RTF quadratique d’une combinaison linéaire de
par le fait que toute RTF linéaire d’une combinaison linéaire de signaux est égale à une combinaison linéaire des RTF quadratiques
signaux est égale à la même combinaison linéaire des RTF de ces de ces différents signaux, à laquelle s’ajoutent des termes d’inter-
signaux : férences entre signaux, selon le schéma :
RTF – Lin
∀i Xi ( t ) cL X , i ( t , ν ; A ) ⇒ Xi
RTF–Q
c QX, i 
(16) ⇒
( Xi , Xj ) RTF–B
∑ ai Xi ∑ ai cL X , i ( t , ν ; A ) cB X , i , j 
RTF – Lin

i i (19)
∑ ai Xi ∑ ai ∑
RTF–Q 2
cQ X , i + a i a*j c B X , i , j
Le noyau A (θ ; t, ν ) de la transformation permet de pourvoir la i i i, j, i ≠ j










RTF de propriétés spécifiques. intertermes

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 8 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

On cherche des RTF quadratiques munies, dans la mesure du Ville), soit les termes d’interférences sont réduits au détriment de
possible, de diverses propriétés mathématiques choisies par réfé- la localisation dans le plan temps-fréquence (tel est le cas avec le
rence à celles des représentations temporelles et fréquentielles : scalogramme ou le spectrogramme).
les principales que possède par exemple la transformation de Une RTF quadratique c QX (t ν ) associée à X ( t )
F
x ( ν ) est dite
Wigner, apparaissent dans le tableau 13. On distingue ainsi, au énergétique si elle peut être considérée comme une distribution
sein de la catégorie des RTF quadratiques, des classes particuliè- d’énergie : son intégration dans tout le plan temps-fréquence
res, non forcément disjointes, définies par la possession de pro- redonne l’énergie du signal ; son noyau satisfait alors la condition
priétés intéressantes, et constituant des cadres unificateurs. La d’énergéticité. Elle peut de plus satisfaire les propriétés margina-
classe de Cohen (ou classe des RTF quadratiques énergétiques les. Cependant la possession des propriétés précédentes n’impli-
invariantes par translations temporelles et fréquentielles) et la que pas que c QX (t, ν ) soit une densité, car elle peut posséder des
classe affine (ou classe des RTF quadratiques énergétiques inva- valeurs négatives.
riantes par translations temporelles et changements d’échelle)
sont deux classes particulières de RTF énergétiques (§ 2.2.4). La
classe par corrélation est une troisième classe, duale de la classe
de Cohen par transformation de Fourier bivariable (§ 2.2.4). 2.2.3 Répartition en classes des RTF quadratiques
Notons, enfin, que d’autres types de contraintes ont été suggérés
(invariance par changements d’échelle et par translations hyperbo- On montre que toute RTF de l’une des trois classes de Cohen,
liques des temps ; invariance par changements d’échelle et par affine et par corrélation, associée à X ( t )
F
x ( ν ) , peut s’exprimer
translations en temps généralisées (et potentiellement dispersi- de quatre manières équivalentes et deux à deux duales par trans-
ves)) conduisant à de nouvelles classes [31] dont la classe hyper- formations de Fourier. Ces expressions, dont les structures sont
bolique [32] [39] que nous ne détaillerons pas ici. déterminées par la classe, dépendent des quatre mêmes fonctions
Alors que les éléments des classes de Cohen et affine sont des génératrices dépendant du signal X (t ) à analyser et de quatre
distributions d’énergie, fonctions de deux variables temps et fré- noyaux spécifiques de la RTF (noyaux bivariables en raison des
quence notées t et ν, les éléments de la classe par corrélation, propriétés d’invariance (tableau 3) ; les noyaux des trois classes
transformées de Fourier des éléments de la classe de Cohen, sont désignés par les mêmes appellations, ceux de la classe affine
dépendent de deux variables temps et fréquence notées τ et µ, se se distinguant via l’adjonction d’un (′) (cf. tableau 4). Les fonctions
comportant comme des « variations » des variables t et ν ; les cou- génératrices dépendant du signal PX (t, τ ), wX (t, ν ), pX (µ, ν ) et
ples de variables τ et µ, d’une part, t et ν, d’autre part, sont duaux αX (µ, τ ) et les noyaux K (t, τ ), Q (t, ν ), k (µ, ν ) et q (µ, τ ), sont liés
en ce sens qu’ils se correspondent par transformation de Fourier. par transformations de Fourier univariables ou bivariables
Une transformation ζ X (µ, τ ), duale par double transformation de (tableau 3).
Fourier d’une RTF quadratique c QX (t, ν ), satisfera l’ensemble des
propriétés duales de celles de cQX .
Ces trois classes peuvent être caractérisées de manières 2.2.4 Classes particulières de Cohen,
diverses : par exemple, elles se construisent simplement à partir affine et par corrélation
d’une RTF particulière, la transformation de Wigner, ou de sa
transformée de Fourier bivariable, RTF appelée fonction d’ambi- La classe de Cohen rassemble des RTF énergétiques invariantes
guïté. La RTF de Wigner et la fonction d’ambiguïté jouent donc un par translations temporelles et fréquentielles ; la classe affine
rôle central au sein des RTF quadratiques (voir § 4). rassemble des RTF énergétiques invariantes par translations tem-
porelles et changements d’échelle. Leurs éléments, associés à X (t )
Quelques caractéristiques et propriétés de ces RTF apparaissent
et dénommés respectivement ψX et ω X , satisfont, d’une part, la
dans le tableau 2.
condition de définition de la classe qui permet de spécifier les
Par ailleurs, on constate que le choix d’une RTF quadratique quatre formes équivalentes des éléments de la classe, et, d’autre
résulte d’un compromis : soit les termes d’interférences (interter- part, la condition d’énergéticité qui se traduit par des conditions à
mes) sont importants au profit d’une meilleure localisation dans le satisfaire par les noyaux des formes représentant les éléments de
plan temps-fréquence (tel est le cas avec la transformée de Wigner- la classe (tableau 4).

Tableau 2 – Propriétés des RTF quadratiques


RTF énergétique : Dualité de la distribution d’énergie :

∀X,  2
c QX ( t, ν ) d t d ν = E X = 

X(t ) 2 dt = 

x (ν) 2 dν ∀X, ζ X ( 0, 0 ) = E X = 
X(t ) 2 dt = 

x(ν) 2 dν

Condition d’énergéticité du noyau :

2
R(θ, θ′ ; t, ν)dtdν = δ(θ – θ′ )

Propriétés marginales d’une RTF : Duales des propriétés marginales :

∀X,  
c QX ( t , ν ) d t = x ( ν ) 2 ∀X, ζ X ( 0, τ ) = 
 
τ
2 
τ
X  t + ----- X *  t – ----- d t
2

∀X,  
c QX ( t , ν ) d ν = X ( t ) 2 ∀X, ζX ( µ , 0 ) = 
 
µ
2 
µ
x  ν + ----- x *  ν – ----- d ν
2

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 9
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

(0)

Tableau 3 – Fonctions génératrices et noyaux des trois classes


Transformations de Fourier liant fonctions génératrices et noyaux :
— transformations de Fourier monovariables :
F:τ → ν F:t → µ F –1 : ν → τ
PX ( t , τ ) wX ( t , ν ) pX ( µ , ν ) αX ( µ , τ )
:ν → τ :µ → t F:τ → ν
K (t, τ ) Q(t, ν ) k (µ, ν) q (µ, τ )
F –1 F –1

— transformations de Fourier bivariables :


F:t → µ F:τ → ν F : t → µ F –1 : ν → τ
PX ( t , τ ) pX ( µ , ν ) w X ( t, ν ) αX ( µ , τ )
F –1 : µ → t F –1 : ν → τ F –1 : µ → t F : τ → ν
K (t, τ ) k (µ, ν) Q(t, ν ) q (µ, τ )

Fonctions génératrices dépendant du signal :

 τ τ
 P X ( t , τ ) = X  t + -----  X *  t – ----- 
 2 2



w X ( t, ν ) = 
P X ( t , τ ) e –2 π i ντ d τ (RTF de Wigner de X )
µ µ
 p X ( µ , ν ) = x  ν + ------  x *  ν – ------ 
 2 2



αX ( µ , τ ) =  
2 w X ( t , ν ) e –2 π i ( µ t – ντ ) d t d ν (fonction d ′ ambiguïté de X )

Noyaux spécifiques de RTF :



K ( t, τ ) =  
Q ( t , ν ) e 2 π i ντ d ν = 
2 k ( µ , ν ) e 2 π i ( µ t + ντ ) d µ d ν =  
q ( µ , τ ) e2πiµt d µ



Q(t, ν ) =  
k ( µ , ν ) e2πiµt d µ = 
2 q ( µ , τ ) e 2 π i ( µ t – ντ ) d µ d τ =  
K ( t , τ ) e –2 π i ντ d τ


 k (µ, ν ) =  
q ( µ , τ ) e –2 π i ντ d τ = 
2 K ( t , τ ) e –2 π i ( µ t + ντ ) d t d τ =  
Q ( t , ν ) e –2 π i µ t d t


 q (µ, τ ) =  
K ( t , τ ) e –2 π i µ t d t = 
2 Q ( t , ν ) e –2 π i ( µ t – ντ ) d t d ν =  
k ( µ , ν ) e 2 π i ντ d ν

Tableau 4 – Propriétés de la classe de Cohen et de la classe affine


Condition de définition de la classe de Cohen : Condition de définition de la classe affine :
X ( t ) ↔ ψ X ( t, ν ) X ( t ) ↔ ω X ( t, ν )
1
ν
⇒ Y ( t ) = X ( t – θ ) e 2 i π η t ↔ ψ Y ( t , ν ) = ψX ( t – θ , ν – η ) ⇒ Y (t ) = a
-----
2X 
( a ( t – τ ) ) ↔ ω Y ( t , ν ) = ω X a ( t – τ ) , -----
a 
Formes équivalentes des RTF de la classe de Cohen : Formes équivalentes des RTF de la classe affine :

ψ X ( t, ν ) = 
2 
τ

τ
 
X θ + ----- X * θ – ----- K ( t – θ , τ ) e –2 i π ντ d τ d θ
2 2
ω X ( t, ν ) =  2 
τ
2 
τ
  ν K ′  ν ( t – θ ) , – ντ  d τ d θ
X θ + ----- X * θ – -----
2
ψX ( t , ν ) = 
2
wX ( θ , η ) Q ( t – θ , ν – η ) d θ d η ωX ( t , ν ) =   2
η
w X ( θ , η ) Q ′  ν ( t – θ ) , -----  d θ d η
ν
ψX ( t , ν ) = 
2
µ
  
µ

x η + ----- x * η – ----- k ( µ , ν – η ) e 2 i π µ t d η d µ
2 2
ωX ( t , ν ) =   2 ν
µ
2
µ
2
µ η
--------- x  η + -----  x *  η – -----  k ′  ----- , -----  e 2 i π µ t d η d µ
1
ν ν

ψX ( t , ν ) = 
2
α X ( µ , τ ) q ( µ , τ ) e 2 i π ( µ t – ντ ) d µ d τ ωX ( t , ν ) =  2
µ
 
α X ( µ , τ ) q ′ ----- , – ντ e 2 i π µ t d µ d τ
ν
Conditions d’énergéticité satisfaites par les noyaux des RTF Conditions d’énergéticité satisfaites par les noyaux des RTF
de la classe de Cohen : de la classe affine :

q ( 0, 0 ) = 1 ⇔  
k ( 0, ν ) d ν = 1  
1
---------k ′ ( 0, ν ) d ν = 1 ⇔
ν
 1
--------- q ′ ( 0, τ ) e –2 i π τν d τ d ν = 1
ν2

⇔  
K (t, 0)dt = 1  ν
 1
⇔ 3 --------- K ′ ( t , τ ) e –2 i π τν d t d τ d ν = 1

⇔ 2
Q (t, ν)dtdν = 1 ⇔  2 ν
1
--------- Q ′ ( t , ν ) d t d ν = 1

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 10 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

La classe par corrélation est l’ensemble des éléments ζ X déduits formations multilinéaires des signaux étudiés. Fonollossa et
des éléments ψX de la classe de Cohen par transformation de Nikias [23] ont ainsi généralisé la distribution de Wigner au bispec-
Fourier bivariable : tre de Wigner, au trispectre de Wigner et ainsi de suite...

X(t)
 ψ X ( t, ν )

 ζX ( µ , τ )
⇒ ζX ( µ , τ ) =  2
ψX ( t , ν ) e
– 2 i π ( µ t – ντ )
d t d ν (20)
Soit X (t ) un signal complexe déterministe, sa distribution de
Wigner d’ordre k s’écrit alors :


k

Toute RTF ζX de la classe par corrélation, s’exprime donc comme w k, X ( t , ν 1 , ..., ν k ) =


k  1
X * t – --------------
k+1 ∑ τm 
transformée de Fourier bivariable d’une des expressions de la RTF m=1
(23)
ψX duale de la classe de Cohen. En particulier elle se déduit sim- k
k 1
k

plement de la fonction d’ambiguïté αX de X : 


∏ X t + -------------
k+1 i k+1
- τ – -------------- ∑ 
τj e –2 i π ν i τ i
d τi
i=1 j = 1, j ≠ i

ζX ( µ , τ ) = 2 
τ
2 
τ
X  θ + --- X *  θ – --- K ( t – θ , τ ) e
2
– 2iπµt
dtdθ

ζX ( µ , τ ) = 4
wX ( θ , η ) Q ( t – θ , ν – η ) e
– 2 i π ( µ t – ντ )
dtdνdθdη
(21)
Bref historique


On trouve dans [15] un panorama des principales distribu-
µ µ
x  η + --- x *  η – --- k ( µ , ν – η ) e
2 i π ντ tions temps-fréquence, replacées dans le contexte historique.
ζX ( µ , τ ) = 
dνdη
2 2  2 On en présente un bref résumé. En 1822, Joseph Fourier publie
son livre « Théorie analytique de la chaleur » exposant des
ζX ( µ , τ ) = αX ( µ , τ ) q ( µ , τ ) idées à l’origine de l’analyse fréquentielle. Il faut attendre 1949
et les travaux de Claude Shannon (« Théorie mathématique des
Elle satisfait la propriété de dualité de l’invariance par translation communications »), pour voir l’extension de ces idées aux
(cf. tableau 4) : signaux échantillonnés. L’implantation sur ordinateur (signaux
numériques) fut facilitée par l’algorithme de la FFT (Fast Fourier
X ( t ) ↔ ζX ( µ , τ ) ⇒ Transform ), que l’on doit à James Cooley et à John Tuckey,
(22) datant de 1965.
Y ( t ) = X ( t – θ ) e 2 i π η t ↔ ζ Y ( µ , τ ) = ζ X ( µ , τ ) e 2 i π ( ητ – θµ ) C’est le désir d’analyser les signaux de parole, conjointement
en temps et en fréquence, durant les années 1940 [35] [44], qui
conduisit à l’idée d’une analyse de Fourier à fenêtre, plus préci-
sément à la transformée de Fourier à court terme et au spectro-
2.2.5 Autres RTF gramme. Gabor [24], Ville [50] et Page [38], mus par leur désir de
mieux comprendre les phénomènes physiques à l’origine des
signaux à spectre variable dans le temps et d’exprimer les idées
■ RTF paramétriques mathématiques nécessaires à une description plus juste de ces
signaux, vont, grâce à leurs travaux, ouvrir la voie à une
Les RTF dites paramétriques consistent à représenter le signal X manière différente d’aborder le problème temps-fréquence :
à analyser comme un processus aléatoire et à en exploiter une celle des distributions énergétiques. C’est ainsi qu’en 1948 Ville
modélisation paramétrique, c’est-à-dire une structure imposée de retrouve une distribution déjà proposée par Wigner [51] dans le
représentation dépendant d’un nombre fini de paramètres. La mise cadre de la mécanique statistique. Il faut attendre 1966 et les tra-
en œuvre de ces méthodes et, en particulier, le choix de la struc- vaux fédérateurs de Cohen [13] pour que l’on réalise qu’un
ture s’appuient au moins implicitement sur l’information a priori ensemble de distributions proposées indépendamment les
que l’on détient sur le signal à analyser. L’information spectrale du unes des autres en réponse au problème temps-fréquence,
signal est représentée, conditionnellement à la structure choisie, appartiennent en fait toutes à une seule et même classe, la
par l’ensemble des valeurs des paramètres du modèle et s’obtient classe de Cohen (ou classe des distributions temps-fréquence
via une estimation de ces valeurs. La dépendance temporelle de énergétiques invariantes par translation en temps et en fré-
cette information spectrale peut être obtenue de diverses quence). Elles ne diffèrent que par leur noyau. Suivront de nom-
manières : breux travaux tant méthodologiques qu’à valeur applicative,
Bouachache étant peut-être le premier à appliquer ces métho-
— une première approche consiste à réaliser l’analyse à travers des à des problèmes réels [9] dès la fin des années 1970.
une fenêtre glissante (comme c’est le cas avec la T.Ond ou la T.FCT). En ce qui concerne les ondelettes, représentations temps-
C’est notamment le cas avec les modèles AR glissants, etc. échelle pouvant se ramener à des représentations temps-fré-
— une seconde approche consiste à utiliser un modèle paramé- quence, la paternité en est habituellement attribuée à un géo-
trique « évolutif » c’est-à-dire dont les paramètres dépendent expli- physicien de Elf-Aquitaine, Jean Morlet, qui les utilise dès 1975.
citement du temps (modèle AR évolutif). De sa collaboration avec le physicien Alec Grossmann (mécani-
La qualité de la RTF obtenue dépend du choix du modèle (de sa que quantique), une formulation mathématique plus rigoureuse
voit le jour [26]. Suivront de nombreux travaux théoriques et
bonne adéquation avec le signal étudié) et des estimations effec-
pratiques. À la fin des années 1980, Stéphane Mallat montre
tuées. C’est pourquoi les RTF paramétriques et les RTF « non [36], avec l’aide d’Yves Meyer, que les ondelettes, les algo-
paramétriques » développées précédemment, apparaissent plus rithmes pyramidaux, les filtres miroirs en quadrature et le
comme des outils d’analyse complémentaires qu’antagonistes. codage en sous-bande sont des techniques équivalentes. Yves
Parce qu’elles nécessitent moins d’information a priori sur les Meyer et Ingrid Daubechies démontrent ensuite l’existence de
signaux étudiés, on préférera généralement utiliser les RTF non bases orthonormées d’ondelettes, ce qui ouvre de nombreuses
paramétriques en premier lieu, ceci afin d’accroître la connaissance perspectives d’un point de vue des applications (codage,
détenue sur le signal analysé, ce qui dans un second temps facili- reconstruction...). Parallèlement à ces travaux, une alternative à
tera le choix d’une modélisation paramétrique mieux adaptée au la classe de Cohen est proposée par P. Flandrin [20], J. et
signal... P. Bertrand [8] et O. Rioul [45] : il s’agit de la classe affine (classe
des distributions temps-fréquence énergétiques invariantes par
translation en temps et changement d’échelle). Récemment, de
■ RTF d’ordre supérieur nouvelles classes ont été proposées : classe hyperbolique,
Une généralisation possible des RTF passe par la construction de « power class » [31] [39]... Enfin, notons que l’on doit à P. Flan-
RTF d’ordre supérieur, lesquelles reposent sur l’utilisation de trans- drin [21] un livre en français (1993) traitant du temps-fréquence.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 11
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

À titre d’exemple, le bispectre de Wigner (cas k = 2 dans l’équa- ● Une forme de transformation en ondelettes (T.Ond) revient à
tion précédente) est défini de la façon suivante : projeter le signal à analyser sur une base de fonctions Hb, a (t ) ;
celles-ci sont déduites par décalage temporel (de valeur b ) et

 τ1 τ2 2 τ1 τ2 dilatation/compression (d’un facteur d’échelle a) d’une fonction ini-


w 2, X ( t , ν 1 , ν 2 ) =
2 
X * t – -------
3 3  
- – -------- X t + -----------
3
- – -------
3
-  tiale H 0 (t ), réelle ou complexe, appelée ondelette d’analyse, onde-
lette mère ou ondelette de base et de représentation fréquentielle,
(24)
τ1 2 τ 2 –2 i π ( ν τ + ν τ ) ∀ν ∈ , h 0 ( ν ) ; elle devient représentation en ondelettes temps-

X t – -------
3 3

- + -----------
- e 1 1 2 2 dτ dτ
1 2
fréquence en considérant que les représentations temporelle et fré-
quentielle de l’ondelette d’analyse sont concentrées autour, respec-
Ils ont également défini une classe de Cohen d’ordre supérieur tivement, de l’instant 0 et d’une fréquence ν0 appelée fréquence
et montré que le recours aux ordres supérieurs pouvait permettre centrale ; la variable échelle est alors liée à la fréquence ν par la
d’améliorer les performances de la distribution de Wigner notam- ν0
relation : a = ------- .
ment dans les problèmes de détection de phénomènes non linéai- ν
res pouvant surgir au niveau de signaux non stationnaires.
● Ces deux transformations, habituellement présentées dans le
Toutefois les problèmes liés à la visualisation de telles représen-
tations constituent un frein à l’essor de ces techniques, c’est pour- domaine temporel, s’expriment également dans le domaine
quoi en pratique on se restreint souvent à des coupes dans des fréquentiel ; elles possèdent, la première, une version échantillon-
directions particulières : née (T.FCTE) et une version discrète (T.FCTD) (déduites naturelle-
ment des transformées de Fourier échantillonnée et discrète), la
seconde, une version discrétisée (T.OndD). Moyennant certaines
w 2′ , X ( t , ν ) = w 2, X ( t , ν 1 , ν 2 )  ν1 = ν2 = ν par exemple. conditions, il est possible de reconstruire le signal de départ
(c’est-à-dire d’inverser la transformation) à partir de sa transformée
de Fourier court terme ou de sa transformée en ondelettes, en uti-
■ Réallocation des RTF lisant une fenêtre de synthèse G, de représentation fréquentielle g,
liée à la fenêtre d’analyse H.
La technique de réallocation [7] [34], applicable à de nombreuses
représentations temps-fréquence et temps-échelle, a pour but
● La T.FCT et la T.Ond peuvent également s’interpréter en terme
d’accroître leur lisibilité : elle n’ajoute aucune information, mais
de filtrage du signal X à analyser par un banc de filtres. Ces filtres
redistribue l’énergie différemment dans le plan temps-fréquence
sont à largeur de bande constante dans le premier cas : la T.FCT se
ou temps-échelle en veillant toutefois à ce que cette dernière soit
déduit par démodulation, pour chaque fréquence ν0 analysée, de la
conservée. On peut considérer qu’une RTF ou une RTE (représen-
sortie du filtrage du signal par un filtre passe-bande, centré sur la
tation temps-échelle) classique résulte d’une évaluation énergéti-
fréquence analysée et de largeur de bande indépendante de cette
que sur une fenêtre d’analyse, la moyenne des contributions
fréquence ; la réponse impulsionnelle F et le gain complexe f du fil-
énergétiques sur la fenêtre étant affectée au centre géométrique de
tre se déduisent de la fenêtre d’analyse par modulation à la fré-
la fenêtre (sans tenir compte d’une possible délocalisation de cette
quence analysée. Ces filtres sont à largeur de bande variable dans
énergie). Le principe de la réallocation est de conserver l’informa-
le second cas : c’est pour chaque valeur d’échelle a0 analysée, le
tion de phase et de concentrer ensuite la moyenne des
résultat du filtrage du signal par un filtre de réponse impulsion-
contributions énergétiques non plus au centre de gravité de la
nelle F a0 ( t ) et gain complexe f a0 ( ν ) , dépendant de cette valeur
fenêtre mais au centre de gravité des contributions énergétiques.
d’échelle a0 analysée.
Il en résulte une plus grande concentration de l’énergie des diffé-
rentes composantes du signal dans le plan temps-fréquence. Les différentes formes des deux RTF, leurs expressions de
reconstruction, les relations satisfaites par les filtres d’interpréta-
tion sont données dans le tableau 5, pour un signal à temps
continu, ∀t ∈ , X ( t ) , tel que x ( ν ) = F { X ( t ) ; ν }

3. Transformation de Fourier
à court terme et 3.2 Avantages et inconvénients.
transformation en ondelettes Applications

■ Transformée de Fourier à court terme


Le lecteur pourra se reporter aux références ([2] [3] [11] [14] [16]
[17] [22] [30] [37] [41] [43] [46]) de la bibliographie. ● Très proche de l’analyse de Fourier traditionnelle, la T.FCT
occupe, en dépit de ses limites, un rôle clef au sein des RTF. Elle
possède de nombreuses propriétés : en particulier, elle préserve
les translations temporelles (à une modulation près) ainsi que les
3.1 Définitions et propriétés translations fréquentielles. Sa simplicité d’interprétation, sa facilité
d’implantation et son faible coût en temps de calcul constituent
des avantages importants.
● La transformation de Fourier à court terme (T.FCT) réalise une
analyse harmonique « locale » du signal X à traiter : c’est une ● Les inconvénients majeurs de la T.FCT tiennent à l’hypothèse
représentation fréquentielle du signal via une fenêtre d’analyse à de stationnarité locale sous-jacente et au compromis implicite dans
court terme H, de représentation fréquentielle, ∀ν ∈ , h ( ν ). Elle le choix de la fenêtre d’analyse. Le principe d’incertitude d’Heisen-
considère implicitement que l’évolution du signal est peu berg suggère que l’accroissement de la durée de la fenêtre doit
conséquente sur l’étendue de la fenêtre qui n’est généralement permettre une amélioration de la résolution fréquentielle au détri-
significativement différente de zéro que sur un intervalle borné. ment de la résolution temporelle, et inversement. En particulier, la
Les fenêtres d’analyse [27] les plus usuelles sont rectangulaires, de T.FCT ne discernera deux sinusoïdes que différant en fréquence de
Kaiser-Bessel, de Hamming... plus de σ ν et deux pulses que distants en temps d’au moins σ t .

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 12 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

(0)

Tableau 5 – Transformation de Fourier à court terme et transformation en ondelettes.


Différentes formes et propriétés
T.FCT : version temporelle : T.Ond ; version temporelle :
ν0
ϕX (t, ν ) = F {X (.)H *(. – t ) ; ν } O X ( t, ν ; ν 0 ) = O X t , -------
ν  
 O (b, a) =
 X 
X(θ )H * 
b, a (θ ) d θ
avec 
 
t–b
 H b , a ( t ) = a –1 / 2 H 0 ------------
-
 a

T.FCT : version temporelle développée : T.Ond : version temporelle développée :

ϕ X ( t, ν ) =  
X ( θ )H* ( θ – t )e –2πi νθ d θ O X ( t, ν ) =  
ν
X ( θ ) -------
ν0
1/2 ν(θ – t )
 
H *0 ---------------------- d θ
ν0

T.FCT : version fréquentielle : T.Ond : version fréquentielle :

ϕ X ( t, ν ) = F –1 { x ( . )h* ( . – ν );t } = e –2πi ν t  


x ( η )h* ( η – ν )e 2πi η t d η O X ( t, ν ) =  
ν0
x ( η ) -------
ν
1/2 ν0 η
 
h *0 ----------- e 2 π i η t d η
ν
T.FCTE (échantillonnée) et T.FCTD (discrète) : T.OndD (discrétisée) :
version temporelle pour un signal à temps discret, version temporelle pour un signal à temps discret,
∀k ∈ , X ( k λ ) ou X = { X k : k ∈ { 0, … , N – 1 } } : ∀k ∈  , X ( k λ ) :
∀k ∈  , ∀ν ∈ , a = α n , b = k λα n , α>0 ( souvent α = 2 ) ,
ϕ EX ( k λ , ν ) = F E { X ( . ) H * ( . – k λ ) ; ν } ∀k ∈  , ∀n ∈  ,
= ∑ X ( j λ ) H * ( j λ – k λ ) e –2 π i ν j λ O DX ( k, n ) = ∑ X ( j λ ) H k*, n ( j λ )
j∈ j∈
∀( k , m ) ∈ ( { 0, … , N – 1 } ) 2
H k , n ( j λ ) = α –n ⁄ 2 H 0 ( j λα –n – k λ )
ϕ X , k , m = F D { ( X j H *j – k ) j ∈ { 0, … , N – 1 } ; m }
N–1
2 π i mj
= ∑ Xj H *j – k e – ------------------
N
-

j=0

Cas particulier : transformation de Gabor ou T.FCT à fenêtre Cas particulier : ondelette de Morlet :
gaussienne :
1 t 2
------  ------ + 2iπ ν 0 t
2 1
-----
1 t2 H ( t ) = ( πt 0 ) – 4 e – 2  t0 
H ( t ) = π – ----
- – -------
4 e 2

Intérêt : compromis optimal entre résolution temporelle et résolution Remarque : cette ondelette est complexe.
fréquentielle.
Inversion de la T.FCT : Inversion de la T.Ond :

∀G ( t ) :  
G(t )H*(t )dt = 1 ⇒ ∀G ( t ) : 


h 0 ( ν ) g * ( ν ) --------- = 1 ⇒
ν
X(t ) =  2
ϕX ( θ , ν ) G ( t – θ ) e 2 π i ν t d θ d ν
X(t ) =  OX ( b , a ) a –1 ⁄ 2 G  ------------
t – b dbda
-  ----------------
-
2 a a2
En particulier :
En particulier :
∀H ( t ) :  
2
H(t ) dt = 1 ⇒
∀H ( t ) :  2 dν
h 0 ( ν ) --------- = 1 ⇒
X(t ) =  ϕX ( θ , ν ) H ( t – θ ) e2πiνt d θ d ν
 ν
2
X(t ) =  2
OX ( b , a ) a –1 ⁄ 2 H
0  ------------
t – b dbda
a
-  ----------------
a2
-

Interprétation de la T.FCT : Interprétation de la T.Ond ;

∀t ∈ , ∀ν 0 ∈ , ϕ X ( t, ν 0 ) = e –2 π i ν0 t
( X * F ν0 ) ( t ) ; ∀a 0 ∈  fixé, ∀t ∈  , O X ( t , a 0 ) = ( X * F a0 ) ( t ) ;
1 1

t

– ----- -----
F ν0 ( t ) = H* ( – t )e 2πi ν0 t ; f ν0 ( ν ) = h* ( ν – ν 0 ) F a0 ( t ) = a0 2 H *0 – ------- ; f a0 ( ν ) = a 0 2 h *0 ( a 0 ν )
a0

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 13
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

● Applications : la T.FCT ou son module carré (appelé spectro- 4.1 Définitions et propriétés
gramme) ont été utilisés dans des domaines à signaux lentement
non stationnaires (biomédical, géophysique interne et externe,
acoustique, traitement de la parole...), permettant divers types ● La transformation de Wigner (T.W) analyse la symétrie locale
d’applications : analyse de signaux, identification de systèmes, d’un signal autour d’un point temps-fréquence. N’utilisant pas de
estimation spectrale, détection et estimation de paramètres, sépa- fenêtre de pondération, elle ne suppose pas la stationnarité locale
ration de modes, détermination de vitesse et/ou de retard de du signal. Vérifiant un large éventail de propriétés (cf. tableau 13),
groupe, évaluation de fréquence instantanée, analyse du pitch et dérivant de noyaux simples, la RTF de Wigner occupe une place
des formants en parole, démodulation complexe, filtrage, privilégiée au sein des RTF énergétiques car elle engendre de
compression de signaux... façon simple les classes de Cohen, affine et par corrélation.

■ Transformation en ondelettes ● La fonction d’ambiguïté (F.Amb) réalise une fonction de corré-


La T.Ond constitue une alternative à la T.FCT : alors que celle-ci lation bivariable « retard τ-décalage Doppler µ » : elle fournit une
utilise une fenêtre d’analyse unique dont le support fixe les réso- mesure du degré de ressemblance entre le signal analysé et ses
lutions temporelle et fréquentielle dans tout le plan temps-fré- diverses translatées dans le plan (décalage temporel-décalage fré-
quence, la T.Ond utilise une fenêtre variable (à support temporel quentiel ou Doppler). Transformée de Fourier bivariable de la RTF
étroit aux hautes fréquences et large aux basses fréquences), de Wigner, la F.Amb engendre la classe par corrélation des RTF
impliquant des résolutions variables dans le plan temps- quadratiques (de manière simple), mais engendre aussi les classes
fréquence ; selon le principe d’incertitude d’Heisenberg-Gabor, la de Cohen et affine.
résolution temporelle s’améliore et la résolution fréquentielle se
dégrade avec la croissance de la fréquence. ● Ces transformations, habituellement présentées dans le
domaine temporel, s’expriment également dans le domaine fré-
● La T.Ond possède de nombreuses propriétés ; en particulier
quentiel. On peut en développer des formes discrètes.
elle préserve les translations temporelles et les changements
d’échelle ; elle n’est toutefois pas invariante par translations fré- La RTF de Wigner et la fonction d’ambiguïté d’un signal, ∀t ∈  ,
quentielles. Les fonctions H b, a (t ) peuvent être ou non orthogona- X (t ), de représentation fréquentielle, ∀ν ∈  , x (ν ), peuvent
les. L’ondelette d’analyse a avantage à posséder diverses s’écrire en termes de transformée de Fourier ou sous forme déve-
propriétés dont une bonne localisation en temps et en fréquence et loppée (symétrisée ou non symétrisée, utilisée par exemple, en ce
l’admissibilité (impliquant d’être à moyenne nulle). qui concerne la F.Amb, en radar et sonar) ou s’exprimer comme
● Les principaux avantages de la T.Ond sont, d’une part, un une transformation de Fourier à court terme (T.FCT) dont la fenêtre
grand choix possible d’ondelettes (ondelette de Morlet, de Daube- d’analyse H est liée au signal à analyser (tableau 6).
chies, de Haar, chapeau mexicain...), et, d’autre part, son caractère
d’analyse « multirésolution » : on peut ainsi « zoomer » sur les dis- ● Moyennant certaines conditions, il est possible de reconstruire
continuités d’un signal. Une généralisation du concept de change- le signal de départ à partir de sa transformée de Wigner ou de sa
ment de résolution à différentes fréquences s’obtient avec les fonction d’ambiguïté ; ces dernières possèdent de plus un grand
paquets d’ondelettes où des résolutions temps-fréquence arbitrai- nombre de propriétés duales deux à deux (tableau 7).
res (mais toujours liées par le principe d’incertitude) sont choisies
en fonction du signal.
● Les inconvénients majeurs de la T.Ond tiennent au
comportement des résolutions temporelle et fréquentielle et à 4.2 Avantages et inconvénients.
l’absence de critère de choix sur le type d’ondelette à utiliser. Applications
● Applications : l’analyse logarithmique en fréquence se révèle
adaptée à la description de certains phénomènes naturels acousti-
■ Transformation de Wigner
ques ou visuels. La reconstruction possible des signaux de départ
permet des applications en codage d’images ou de signaux ● La T.W possède de nombreuses propriétés (cf. tableau 13) :
Enfin, il existe des algorithmes « pyramidaux rapides », permet- entre autres, elle a des « distributions marginales temporelle et
tant une implantation sur DSP (Digital Signal Processor) pour fréquentielle » cohérentes, elle satisfait les translations temporelle
applications « temps-réel ». et fréquentielle, ainsi que le changement d’échelle... Elle est, de
plus, liée à la fonction d’ambiguïté par transformation de Fourier
La T.Ond a été utilisée en prospection sismique, en tomographie, bidimensionnelle.
en traitement de la parole, en acoustique musicale, en vision, en
mathématiques appliquées, en mécanique quantique, en théorie ● Les principaux avantages de la T.W sont de ne requérir aucune
quantique des champs, en turbulence, en astrophysique..., per- hypothèse de stationnarité locale (elle n’utilise pas de fenêtre),
mettant divers types d’applications : codage en sous-bande pour la d’offrir une bonne localisation des structures énergétiques dans le
compression des images ou de la parole, analyse de signaux et plan temps-fréquence et de s’avérer bien adaptée aux modulations
d’images, détection/estimation, étude d’ondes dispersives et calcul linéaires de fréquence (ou chirps idéaux) dans la mesure où elle
de vitesse de groupe et de phase, analyse multirésolution en vision concentre l’énergie le long de la fréquence instantanée.
par ordinateurs, débruitage, restauration et reconstruction d’ima-
ges, synthèse et analyse de signaux fractals, étude des signaux
● Les principaux inconvénients de la T.W sont de ne pouvoir
multifractals...
être considérée à part entière comme une densité d’énergie (elle
peut en effet prendre des valeurs négatives, d’après le théorème
de Wigner précisant l’incompatibilité entre positivité et bilinéarité
assortie de marginales correctes), et d’avoir une lisibilité réduite de
4. Transformation de Wigner par la présence de termes d’interférences pouvant être importants.
Ce second facteur est rédhibitoire dès lors que le signal est
et fonction d’ambiguïté composé de plusieurs éléments (toutefois ces interférences sont de
géométrie connue et recèlent de l’information sur les relations de
phase entre composantes). La transformation de Wigner-Ville
Le lecteur pourra se reporter aux références [2] [16] [20] [29] [30] (§ 4.3), par suppression des fréquences négatives, permet de dimi-
[48] [52] de la bibliographie. nuer les termes d’interférence.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 14 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

(0)

Tableau 6 – Transformation de Wigner et fonction d’ambiguïté. Différentes formes


Forme symétrisée Fourier de T.W : Forme symétrisée Fourier de F.Amb :

α X ( µ , τ ) = F –1 { F { w X ( t , ν ) ; t → µ } ; ν → τ }
 . . 
w X ( t, ν ) = F  X  t + ---  X *  t – ---  ; ν 
 2 2   τ τ 
= F  X  . + -----  X *  . – -----  ; µ 
 2 2 
 . . 
= F –1  x  ν + ---  x *  ν – ---  ; t 
 2 2   µ µ 
= F –1  x  . + -----  x *  . – -----  ; τ 
 2 2 
Forme symétrisée développée de T.W : Forme symétrisée développée de F.Amb :
∀t ∈ , ∀ν ∈  , ∀µ ∈ , ∀τ ∈  ,

wX ( t , ν ) = 
τ
2
τ
X  t + ---  X *  t – ---  e –2 π i ντ d τ
2
αX ( µ , τ ) = 
2
w X ( t , ν ) e –2 i π ( µ t – ντ ) d t d ν

= 

µ
2
µ
x  ν + ---  x *  ν – ---  e 2 π i µ t d µ
2
= 

µ
2
µ
x  ν + -----  x *  ν – -----  e 2 i π ντ d ν
2

= 

τ
2
τ
X  t + -----  X *  t – -----  e –2iπ µ t dt
2
Forme non symétrisée de T.W : Forme non symétrisée de F.Amb :
w X (t, ν ) = 2e4πiνt F{X (u ) X * (2t – u ) ; u → 2ν } α X (µ, τ ) = eπiµτ F{X (u )X * (u – τ ) ; u → 2µ }
Forme T.FCT de T.W Forme T.FCT de F.Amb
(à fenêtre d’analyse déduite du signal) : (à fenêtre d’analyse égale au signal) :
wX (t, ν) = 2e4πiνt ϕX (2t, 2ν ; X (–.)) αX (µ, τ) = eπiµτ ϕX (τ, µ ; X )

avec : ϕ X ( t, ν ; H ) =  
X ( θ ) H * ( θ – t ) e – 2 π i νθ d θ avec : ϕ X ( t, ν ; H ) =  
X ( θ ) H * ( θ – t ) e – 2 π i νθ d θ

● Applications : la T.W et ses dérivées (voir § 5) ont été utilisées représentation de Wigner-Ville wVX (t, ν ) (avec t ∈ , ν ∈  ), en
dans de nombreux domaines, notamment en géophysique, en appliquant le schéma suivant :
acoustique, en turbulence, en mécanique quantique, en vibrations, • X signal temporel réel,
en océanographie, en biomédical, en traitement de la parole, et de • Transformée de Hilbert H de X :


façon plus générale dans des problèmes impliquant des signaux à
non-stationnarités rapides (signaux transitoires) et à petit nombre 1 X (θ)
H { X ; t } = ---- VP -------------- dθ ,
de composantes... Les principales applications en sont l’analyse π  t–θ
des signaux de parole, sismiques, vibratoires..., la détection, la • Signal en quadrature XQ associé à X : XQ (t ) = H {X ; t },
reconnaissance de forme, le traitement d’images... • Signal analytique XA associé à X : XA (t ) = X (t ) + iXQ (t ),
■ Fonction d’ambiguïté • Transformée de Wigner wXA de XA : X A ( t ) ↔ w X A ( t, ν )
w

● Le principal avantage de la F.Amb est de ne requérir aucune


• Transformée de Wigner-Ville w VX de X : w VX (t, ν ) = wXA (t, ν ).
fenêtre de pondération (ce rôle est joué par le signal lui-même) et
donc aucune hypothèse de stationnarité locale, tout en offrant une
bonne localisation des structures dans le plan transformé.
● Son principal inconvénient réside dans la présence de termes
d’interférences nuisant à la lisibilité, surtout lorsque le signal étu-
5. Représentations temps-
dié est constitué de plusieurs composantes. fréquence quadratiques
● Applications : la F.Amb a surtout été appliquée dans les
domaines du radar, du sonar, de la radioastronomie, des télécom- particulières
munications, de l’optique..., où elle a permis l’estimation de la
vitesse Doppler et de la distance de cibles mobiles, l’analyse des Le lecteur pourra se reporter aux références [2] [12] [19] [21] [30]
canaux de communication... de la bibliographie.
De nombreuses RTF particulières sont utilisées ou proposées de
façon à posséder des propriétés spéciales, à s’adapter à une appli-
4.3 Transformation de Wigner-Ville cation originale, à répondre à un besoin spécifique, à obtenir un
résultat caractéristique... Les plus classiques, présentées dans les
La transformation de Wigner (T.W) s’applique à un signal réel ou paragraphes 3 et 4, sont la T.FCT et la T.Ond, pour les RTF linéaires,
complexe ; dans le cas d’un signal X réel, elle peut être appliquée et la T.W et la F.Amb, pour les RTF quadratiques ; quelques repré-
au signal analytique XA associé au signal X. On appelle alors trans- sentations moins classiques quadratiques, à variables continues,
formation de Wigner-Ville (T.WV) du signal X réel, la transforma- sélectionnées dans les classes de Cohen ou affine, sont présentées
tion de Wigner de son signal analytique XA. On obtient la dans ce paragraphe.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 15
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

(0)

Tableau 7 – Transformation de Wigner et fonction d’ambiguïté. Propriétés


Inversion de la T.W : Inversion de la F.Amb :

1
X ( t ) = -------------------
X* ( 0 )
 
w X  ----- , ν e 2 π i ν t d ν
2 
t 1
X ( t ) = -------------------
X* ( 0 )
α  X ( µ , t ) e2πiµt / 2 d µ

1
x ( ν ) = ------------------
x* (0)
  2
ν
w X  t, ----- e – 2 π i ν t d t
1
x ( ν ) = -----------------
x*(0)
α X ( ν , τ ) e – 2 π i ντ / 2 d t

Appartenance de la T.W aux classes de Cohen Appartenance à la classe par corrélation avec les noyaux :
et affine avec les noyaux :
KW ( t , τ ) = δ ( t ) , QW ( t , ν ) = δ ( t ) δ ( ν )
kW ( µ , ν ) = δ ( ν ) , qW ( µ , τ ) = 1 KA ( t , τ ) = δ ( t ) , QA ( t , ν ) = δ ( t ) δ ( ν )
KW′ (t, τ) = δ ( t ) e2πiτ , QW′
( t, ν) = δ(t ) δ(ν – 1) kA ( µ , ν ) = δ ( ν ) , qA ( µ , τ ) = 1
′ (µ, ν)
kW = δ(ν – 1), ′
qW (µ, τ ) = e2πiτ

T.W est une transformation énergétique : F.Amb est maximale à l’origine où elle est égale à l’énergie du signal :

2
w X ( t, ν ) d t d ν =  
X(t ) 2 d t = EX α ( 0, 0 ) =  
x(ν) x*(ν)dν =  
X ( t ) X * ( t ) d t = EX

T.W a pour valeur à l’origine : F.Amb n’est généralement pas une transformation énergétique :

w X ( 0, 0 ) =  
τ
 2
–τ
X  ----- X *  --------- d τ
 2 
 2
αX ( µ , τ ) d µ d τ =  
τ
 2
–τ
X  ----- X *  --------- d τ
 2 

w X ( t, 0 ) =   
τ
2 
τ
X  t + ----- X *  t – ---- d τ
2
α X ( 0, τ ) =   
τ
2 
τ
X  t + ----- X *  t – ---- d t
2

=  
µ
 2  2
µ
x  ----- x *  – ----- e 2 πi µ t d µ =  
x (ν) 2 e 2πi ντ d ν

w X ( 0, ν ) =  
τ
 2
–τ
X  ----- X *  --------- e – 2 π i ντ d τ
 2 
αX ( µ , 0 ) =  
X (t ) 2 e– 2πiµt d t

=   
µ
2 
µ
x  ν + ----- x*  ν – ----- d µ
2
=   
µ
2 
µ
x  ν + ----- x*  ν – ----- d ν
2

Traduction de la translation en temps du signal : Traduction de la translation en temps du signal :


Y ( t ) = X ( t – t 0 ) ⇒ w Y ( t, ν ) = w X ( t – t 0 , ν ) Y ( t ) = X ( t – t 0 ) ⇒ α Y ( µ , τ ) = α X ( µ , τ ) e – 2 π i µ t0

Traduction de la modulation du signal : Traduction de la modulation du signal :


2πi µ 0 t
Y(t ) = X(t ) e ⇒ w Y ( t, ν ) = w X ( t , ν – µ 0 ) Y ( t ) = X ( t )e 2πi µ0 t ⇒ α Y ( µ , τ ) = α X ( µ , τ ) e 2 π i µ0 τ

Traduction du changement d’échelle du signal : Traduction du changement d’échelle du signal :

ν µ
Y(t ) = a X ( at ) ⇒ w Y ( t, ν ) = w X  at , ----- Y(t ) = a X ( at ) ⇒ α Y ( µ , τ ) = α X  ----- , a τ
 a a 

5.1 Spectrogramme et scalogramme de la T.W wH de l’ondelette d’analyse (tableau 8). Deux versions
échantillonnée et discrète du spectrogramme et une version discré-
tisée du scalogramme se déduisent des versions homologues de
● Le spectrogramme (SP) (encore appelé sonogramme dans le T.FCT et T.Ond.
domaine fréquentiel) et le scalogramme sont les modules carrés
respectivement de la transformation de Fourier à court terme et
de la transformation en ondelettes (tableau 8). Dans le domaine ● Le spectrogramme et le scalogramme dans le domaine temps-
translation-échelle le scalogramme fournit une mesure du degré de fréquence sont des RTF énergétiques respectivement de la classe
ressemblance entre le signal analysé et l’ondelette analysante H0 de Cohen et de la classe affine dont les noyaux s’expriment en
dilatée ou comprimée d’un facteur d’échelle a et translatée d’une fonction de la fenêtre d’analyse respectivement H de la T.FCT et H 0
quantité b ; il se transpose dans le domaine temps-fréquence de la de la T.Ond, ou de leur RTF de Wigner wH et w H0 , ou de leur repré-
même façon que la transformation en ondelettes. Le spectro-
sentation fréquentielle h et h 0 , ou enfin de leur fonction d’ambi-
gramme et le scalogramme peuvent être évalués dans le domaine
temporel ou dans le domaine fréquentiel. Le scalogramme guïté αH et α H0 ; ils satisfont donc les équations de leur classe avec
s’exprime de manière simple en fonction de la T.W wX du signal et les noyaux exprimés dans le tableau 9.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 16 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

(0)

Tableau 8 – Spectrogramme et scalogramme. Définitions, expressions


Spectrogramme : Scalogramme :
FCT  Ond
X ( t ) ↔ O X ( b, a )   ρ X ( b , a ) = O X ( b , a ) 2
X ( t ) ↔ ϕ X ( t, ν ) 
 
 ⇒ σX ( t , ν ) = ϕX ( t , ν ) 2 ⇒

X ( t ) ↔ ρX ( b , a )   ρ X ( t , ν ) = O X ( t , ν ) 2
Sp Sc
X ( t ) ↔ σX ( t , ν ) 
 

Expressions développées : Expressions développées :

 
2 2
ν 1⁄2 ν(θ – t )
σ X ( t, ν ) = X ( θ ) H * ( θ – t ) e –2 π i νθ d θ ρ X ( t, ν ) = X ( θ ) ------- H *0  ----------------------  d θ
  ν0 ν0

=  
x ( η )h* ( η – ν )e 2πi η t d η
2
=  
ν0
x ( η ) -------
ν
1⁄2 ν0 η
h *0  -----------  e 2 π i η t d η
ν
2

Expressions en termes de RTF de Wigner : Expressions en termes de RTF de Wigner :

σ X ( t, ν ) =  2
wX ( θ , η ) wH ( θ – t , η – ν ) d θ d η ρ X ( b, a ) = 2
θ–b
w X ( θ , η) w H  -------------- , a η  d θ d η
a

(0)

Tableau 9 – Spectrogramme et scalogramme. Expressions des noyaux


Spectrogramme : Scalogramme :
τ τ 1 τ 1 τ
K σ ( t, τ ) = H – ----- – t  H *  ----- – t  1 H * -------
′ ( t, τ ) = -------   – t – ----2-   H0  ------- – t + -----  
ν0 
K Sc
2 2 ν0 0 ν0 2
Q σ ( t , ν ) = w H ( –. ) ( t , ν ) t
′ ( t , ν ) = w H  – ------- , νν 0 
Q Sc 0 ν0
µ µ
k σ ( µ , ν ) = h * ν + -----  h ν – -----  µ µ
2 2 ′ ( µ , ν ) = ν 0 h *0 ν 0  ν + -----   h 0 ν 0  ν – -----  
k Sc
2 2
q σ ( µ , τ ) = α H ( –. ) ( µ , τ ) τ

q Sc ( µ , τ ) = α H0  – µν 0 , ------- 
ν0

Condition pour un spectrogramme énergétique : Condition pour un scalogramme énergétique :

EH = 
H ( t )H* ( t )dt = 1  
ν0
-------
ν
h0 ( ν ) 2 d ν = 1

● Pour que le spectrogramme et le scalogramme soient énergé- Le choix du filtrage ou du lissage permet de modifier le
tiques, leurs noyaux doivent satisfaire les relations correspondan- comportement de la représentation : ainsi, la (T.PWL) cherche à
tes, ce qui est le cas lorsque les fenêtres H ↔ h et H0 ↔ h 0 vérifient diminuer les termes d’interférences dans le plan temps-fréquence,
les relations figurant dans le tableau 9. en effectuant une transformation de Wigner réduite à une
● Les avantages et inconvénients du spectrogramme et du sca- « analyse locale », dans un état d’esprit analogue à celui de la
logramme sont comparables à ceux respectivement de la T.FCT et T.FCT, par introduction d’une fenêtre glissante à court terme, sépa-
de la T.Ond. En particulier, comme la T.FCT, le spectrogramme rable en temps et en fréquence. La transformation pseudo-Wigner
implique une hypothèse de stationnarité locale du signal étudié. (T.PW) est un cas particulier de la T.PWL pour lequel la fenêtre glis-
sante est purement fréquentielle.

On note :
5.2 Transformation pseudo-Wigner lissée
et transformation Wigner lissée affine G (t )h (ν ), avec H (t ) = F–1{h (ν ) ; t } et g (ν ) = F {G (t ) ; ν }

la fenêtre à variables t et ν continues appliquée à la T.W ; les ver-


● Chaque RTF de la classe de Cohen ou de la classe affine peut
sions classiques, les noyaux d’appartenance aux classes de Cohen
être considérée comme le résultat respectivement d’un filtrage et
ou affine, les conditions de la T.PWL et de la T.WLA s’écrivent selon
d’un lissage affine, tous deux bivariables en temps et fréquence, de
le tableau 10.
la distribution de Wigner. En conséquence, on utilise souvent en
place de la T.W une de ses transformations dérivées, appartenant
à la classe de Cohen : c’est la transformation pseudo-Wigner lissée ● Les expressions relatives à la T.PW se déduisent du cas T.PWL
(T.PWL), ou à la classe affine : c’est la transformation Wigner lissée en posant :
affine (T.WLA), via un filtrage ou un lissage, dont le noyau est
séparable par rapport à ses deux variables. ∀t ∈  , G ( t ) = δ ( t ), et, ∀ν ∈  , g ( ν ) = 1

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 17
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

(0)

Tableau 10 – Transformations pseudo-Wigner lissée et Wigner lissée affine. Définitions, noyaux


T.PWL : T.WLA :

w PWL,X ( t, ν ) =  2
τ
2
τ
X θ + -----  X * θ – -----  G ( t – θ ) H ( τ ) e –2 π i ντ d τ d θ
2
w WLA, X ( t , ν ) =  2
τ
2
τ
X θ + -----  X * θ – -----  ν G ( ν ( t – θ ) ) H ( – ντ ) d τ d θ
2

=  2
wX ( θ , η ) G ( t – θ ) h ( ν – η ) d θ d η =  2
η
w X ( θ , η )G ( ν ( t – θ ) )h  -----  d θ d η
ν

Noyaux d’appartenance de la T.PWL à la classe de Cohen : Noyaux d’appartenance de la T.WLA à la classe affine :
K PWL ( t, τ ) = G ( t ) H ( τ ) Q PWL ( t , ν ) = G ( t ) h ( ν ) ′
K WLA ( t, τ ) = G ( t ) H ( τ ) ′
Q WLA (t, ν) = G(t)h(ν)
k PWL ( µ , ν ) = g ( µ ) h ( ν ) q PWL ( µ , τ ) = g ( µ ) H ( τ ) ′
k WLA (µ, ν) = g(µ)h(ν) ′
q WLA (µ, τ) = g(µ)H(τ)

Condition pour une T.PWL énergétique : Condition pour une T.WLA énergétique :
g (0) H (0) = 1  1
g ( 0 ) ---------h ( ν )d ν = 1
 ν
(0)

Tableau 11 – Transformation de Choï-Williams. Différentes formes

Formes associées à la classe de Cohen : Formes associées à la classe affine :


• c CW, X ( t , ν ) • c CW, X ( t , ν )

= 
2  τ
 τ
 
X θ + ----- X * θ – ----- K CW ( t – θ , τ ) e –2 π i ντ d τ d θ
2 2
=  2  τ
2  τ
2 
X θ + ----- X * θ – ----- ν K CW 
′ ( ν ( t – θ ) , – ντ ) d τ d θ

σ 1 σt 2 σ 1 σt 2
K CW ( t, τ ) = --------- -------- e – ----------
4 τ2
-
K′CW ( t, τ ) = - 2πiτ
--------- -------- e – ----------
4 τ2 e
4π τ 4π τ

• c CW, X ( t , ν ) • c CW, X ( t , ν )

=  2
α X ( µ , τ ) q CW ( µ , τ ) e 2 π i ( µ t – ντ ) d µ d τ =  2
α X ( µ , τ ) q CW

µ
 ----ν- , –ντ  e2 π i µ t d µ d τ
( 2 π µτ ) 2 ( 2 π µτ ) 2
q CW ( µ , τ ) = e – ------------------------
σ
-
q CW σ
- e2πiτ
′ ( µ , τ ) = e – ------------------------

La T.PWL et la T.WLA correspondent à une gamme variée de concernant les distributions marginales temporelle et fréquentielle,
filtrages et lissages, générant des RTF plus ou moins proches de et la réduction des termes d’interférences. Inversement ses incon-
la T.W. Certaines versions lissées de la T.W permettent d’atténuer vénients résultent de la non-conservation des supports temporels
les termes quadratiques croisés, mais l’introduction d’un lissage et fréquentiels et de ce que la réduction de l’amplitude des interfé-
supprime certaines propriétés satisfaites par la T.W (cf. tableau 13). rences, et non leur complète suppression, se fait au prix d’une cer-
Les versions lissées de la T.W requièrent une fenêtre de pondé- taine délocalisation, contrepartie au respect des distributions
ration et donc une hypothèse implicite de stationnarité locale. Ces marginales. Cette transformation a, en particulier, été appliquée en
transformées résultent d’un compromis : la localisation moins pré- biomédical.
cise en temps et/ou en fréquence des structures énergétiques, due
au lissage, compense la diminution des termes d’interférences.

5.3 Transformation de Choï-Williams 6. Comment choisir et mettre


● La transformation de Choï-Williams (T.CW) est une RTF éner-
en œuvre une RTF ?
gétique, appartenant simultanément aux classes affine et de
Cohen ; elle cherche à réduire les termes d’interférences de la dis-
tribution de Wigner, tout en conservant une bonne part de ses pro-
priétés, en particulier celles des distributions marginales
6.1 Application à des signaux
temporelle et fréquentielle. Elle s’exprime donc directement, en de modulation
particulier sous des formes associées aux classes affine et de
Cohen (tableau 11). Chaque RTF a, pour un même signal, des caractéristiques parti-
● La T.CW dépend d’un paramètre σ choisi dans l’intervalle culières. Pour illustrer ces caractéristiques et permettre de
[1, 80] et tend, pour σ croissant indéfiniment, vers la T.W. Ses avan- comparer les différentes RTF présentées, elles seront toutes appli-
tages tiennent aux nombreuses propriétés satisfaites, notamment quées à un signal synthétique composé de plusieurs signaux élé-

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 18 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

0.5 2.5
2
0.4 Modulation
sinusoïdale 1.5
Fréquence réduite

de fréquence
1
0.2
0.5

0.2 0
– 0.5
Modulation
0.1 linéaire de –1
fréquence
– 1.5
0
–2
0 100 200 300 400 500
Temps en points – 2.5
50 100 150 200 250 300 350 400 450 500
temps en points

Figure 12 – Allure théorique dans le plan temps-fréquence a représentation temporelle


des deux composantes du signal test étudié

60

mentaires dont les caractéristiques ont été choisies de façon à 50


mettre en évidence les qualités ou défauts des représentations
testées ; les RTF sont construites avec la « boîte à outils temps-
fréquence » [1]. 40

Le signal test, discret de 512 points, est la somme d’une modu- 30


lation sinusoïdale de fréquence (oscillant entre 0,05 et 0,45 en fré-
quence réduite) et d’une modulation linéaire de fréquence (variant
20
de 0,35 à 0,15 en fréquence réduite). L’échelle des temps est limitée
au segment [0, 512] correspondant à la durée du signal test.
L’échelle des fréquences est limitée, en tenant compte de la symé- 10
trie hermitienne, au segment [0, 0,5] de variation des fréquences
 1 255  0
réduites (elles prennent des valeurs  0, ----------- , … , -----------  et sont 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
 512 512 
fréquence réduite
égales aux 256 « premières fréquences issues de la transformée de
Fourier discrète » divisées par 512). Les échelles d’amplitude sont b représentation fréquentielle avec échelle linéaire
linéaires ou logarithmiques. La figure 12 représente l’allure théori-
que dans le plan temps-fréquence des différentes composantes du
signal test. Elle joue le rôle d’image de référence pour juger de la
qualité des représentations construites. 102

Sur la figure 13, sont montrées les représentations classiques du


signal test à savoir représentation temporelle et module de la
représentation fréquentielle (en échelle linéaire et en échelle loga-
rithmique). 101

La figure 14 représente le spectrogramme (carré du module de


la transformée de Fourier à court terme) associé à chacune des
deux composantes du signal test et au signal test. Dans le cas de
la figure 14, la fenêtre d’analyse est de 63 points. On peut 100
comparer les signaux tests obtenus par l’intermédiaire de trois
fenêtres d’analyse de durées différentes : fenêtre de Kaiser-Bessel
de respectivement 33 points (figure 15a ), 63 points (figure 14) et
133 points (figure 15b ). Elles traduisent l’importance du choix de
la fenêtre d’analyse. 10–1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
fréquence réduite
La figure 16 représente le spectrogramme réalloué, associé à
chacune des deux composantes du signal test et au signal test. Les c représentation fréquentielle avec échelle logarithmique
composantes du signal test sont alors beaucoup mieux localisées
dans le plan temps-fréquence.
La figure 17 représente la transformée de Wigner-Ville (échelle Figure 13 – Représentations temporelle et fréquentielles
logarithmique pour les amplitudes) associée à chacune des deux du signal test

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 19
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Signal in time

Real part
0.5 SP, Lh=16, Nf=256, log. scale, imagesc, Threshold=5%
0
– 0.5 0.45
0.4

Frequency [Hz]
Linear scale SP, Lh=31, Nf=256, lin. scale, imagesc, Threshold=5% 0.35

0.45
0.3

Energy spectral density


0.4 0.25
0.35 0.2

Frequency [Hz]
0.3 0.15
0.25 0.1
0.2
0.05
0.15
0
0.1 50 100 150 200 250 300 350 400 450 500
0.05 Time [s]
0 Fenêtre de 33 points
3587 1794 0 50 100 150 200 250 300 350 400 450 500
Time [s]

Signal in time

Real part
0.5
0 SP, Lh=66, Nf=256, log. scale, imagesc, Threshold=5%
–0.5
0.45

Linear scale SP, Lh=31, Nf=256, lin. scale, imagesc, Threshold=5%


0.4

Frequency [Hz]
0.35
0.45
0.3
Energy spectral density

0.4
0.25
0.35
Frequency [Hz]
0.2
0.3
0.25 0.15

0.2 0.1
0.15 0.05
0.1 0
0.05
50 100 150 200 250 300 350 400 450 500
Time [s]
0
9470 4735 0 50 100 150 200 250 300 350 400 450 500 Fenêtre de 133 points
Time [s]

Signal in time
Real part

1 Figure 15 – Spectrogramme du mélange des deux signaux par


0 l’intermédiaire de deux fenêtres d’analyse de durées différentes
–1

Log. scale [dB] SP, Lh=31, Nf=256, log. scale, imagesc, Threshold=5%
composantes du signal test et au signal test. Les termes d’interfé-
0.45 rence importants nuisent à la lisibilité des représentations. Les
composantes du signal test sont par contre mieux localisées dans
Energy spectral density

0.4
0.35
le plan temps-fréquence.
Frequency [Hz]

0.3 Les figures 18 et 19 représentent les transformées de pseudo-


0.25 Wigner-Ville (fenêtre de lissage fréquentiel de Hamming sur
0.2 65 points) et de pseudo-Wigner-Ville lissé (fenêtre de lissage fré-
0.15 quentiel et temporel de Hamming sur 65 points et 25 points) asso-
0.1
ciées au signal test. On présente les résultats en échelle
logarithmique pour les amplitudes. Les termes d’interférence
0.05
diminuent avec le lissage. La T.PWVL conduit à une représentation
0
50 100 150 200 250 300 350 400 450 500 très proche de celle obtenue au moyen du spectrogramme.
Time [s]

Figure 14 – Spectrogramme de chacun des deux signaux La figure 20 représente la transformée de Choï-Williams, présen-
et du mélange des deux signaux (fenêtre de 63 points) tée en échelle logarithmique.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 20 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

RSP, Lh=31, Nf=256, log. scale, contour, Threshold=5%


WV, lin. scale, imagesc, Threshold=5%
0.45
0.45
0.4
0.4
Frequency [Hz]

Frequency [Hz]
0.35
0.35
0.3
0.3
0.25
0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
0
50 100 150 200 250 300 350 400 450 500 0
Time [s] 50 100 150 200 250 300 350 400 450 500
Time [s]

RSP, Lh=31, Nf=256, log. scale, contour, Threshold=5% WV, log. scale, imagesc, Threshold=5%

0.45 0.45

0.4 0.4
Frequency [Hz]
Frequency [Hz]

0.35 0.35

0.3 0.3

0.25 0.25

0.2 0.2

0.15 0.15

0.1 0.1

0.05 0.05

0 0
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Time [s] Time [s]

WV, log. scale, imagesc, Threshold=5%


RSP, Lh=31, Nf=256, log. scale, contour, Threshold=5%
0.45
0.45
0.4
0.4
Frequency [Hz]
Frequency [Hz]

0.35
0.35
0.3
0.3
0.25
0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
0
0 50 100 150 200 250 300 350 400 450 500
50 100 150 200 250 300 350 400 450 500 Time [s]
Time [s]

Figure 16 – Spectrogramme réalloué de chacun des deux signaux Figure 17 – Distribution de Wigner-Ville de chacun des deux signaux
et du mélange des deux signaux et du mélange des deux signaux

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 21
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

PWV, Lh=64, Nf=512, lin. scale, imagesc, Threshold=5% SPWV, Lg=25, Lh=64, Nf=512, lin. scale, imagesc, Threshold=5%

0.45 0.45
0.4 0.4

Frequency [Hz]

Frequency [Hz]
0.35 0.35
0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Time [s] Time [s]

PWV, Lh=64, Nf=512, lin. scale, imagesc, Threshold=5% SPWV, Lg=25, Lh=64, Nf=512, log. scale, imagesc, Threshold=5%
0.45 0.45
0.4 0.4
Frequency [Hz]

Frequency [Hz]
0.35 0.35
0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Time [s] Time [s]

PWV, Lh=64, Nf=512, lin. scale, imagesc, Threshold=5% SPWV, Lg=25, Lh=64, Nf=512, log. scale, imagesc, Threshold=5%

0.45 0.45
0.4 0.4

Frequency [Hz]
Frequency [Hz]

0.35 0.35
0.3 0.3
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Time [s] Time [s]

Figure 18 – Distribution de pseudo-Wigner-Ville Figure 19 – Distribution de pseudo-Wigner-Ville lissée


de chacun des deux signaux et du mélange des deux signaux de chacun des deux signaux et du mélange des deux signaux

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 22 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

6.2 Application à l’étude de signaux


musicaux
CW, Lg=25, Lh=64 sigma=1, Nf=512, lin. scale, imagesc, Threshold=5%
Les représentations temps-fréquence constituent un outil remar-
quable pour l’analyse fine des signaux, permettant, par exemple,
0.45
de mettre en évidence des éléments dissimulés dans les représen-
0.4 tations temporelle et fréquentielle.
Frequency [Hz]

0.35
■ Un premier exemple en est donné en comparant par l’analyse par
0.3 T.FCT des huit premières secondes de deux enregistrements sur dis-
0.25 que compact du commerce (l’un ADD, l’autre DDD) du prélude no 20
de Frédéric Chopin interprété par deux pianistes différents. Chaque
0.2
enregistrement numérique est transmis directement dans la
0.15 mémoire d’un ordinateur, sans passage par un canal acoustique ; il
0.1 est ensuite représenté numériquement, après normalisation, en
temporel, en fréquentiel par transformation de Fourier du segment
0.05 enregistré, et en temporel-fréquentiel après spectrogramme utili-
0 sant une fenêtre de 0,251 s. La fréquence d’échantillonnage des
50 100 150 200 250 300 350 400 450 500 enregistrements sur disque compact étant de 44,1 kHz, le signal est
Time [s]
préalablement filtré au moyen d’un filtre antirepliement puis sous-
échantillonné. L’étude est ainsi réduite à la bande [0-500 Hz]. Ces
trois représentations apparaissent figure 21, avec la partition corres-
pondante (six accords) figure 22 et le tableau des notes et des fré-
quences fondamentales correspondantes (tableau 12) (on rappelle
CW, Lg=25, Lh=64 sigma=1, Nf=512, log. scale, imagesc, Threshold=5% que les harmoniques associés sont les premiers multiples entiers de
ce fondamental). On constate une très bonne adéquation des repré-
0.45 sentations temps-fréquence à la partition ainsi que quelques arte-
0.4 facts plus complexes à expliquer : en particulier, les fréquences
Frequency [Hz]

fondamentales inférieures à 60 Hz ne sont pas discernables sur le


0.35 premier CD de type ADD. La comparaison des spectrogrammes fait
0.3 ressortir des différences entre les deux interprétations (tenue de cer-
taines notes dont le fa1 dans la première interprétation).
0.25 (0)

0.2
0.15
0.1 Tableau 12 – Les six premiers accords du prélude
0.05 no 20 de Chopin
0 lab3/415 Hz
50 100 150 200 250 300 350 400 450 500
Time [s] sol3/392 Hz sol3/392 Hz

fa3/348 Hz

mib3/312 Hz mib3/312 Hz mib3/312 Hz mib3/312 Hz mib3/312 Hz

ré3/294 Hz
CW, Lg=25, Lh=64 sigma=1, Nf=512, lin. scale, imagesc, Threshold=5%
do3/262 Hz do3/262 Hz do3/262 Hz do3/262 Hz
0.45
si2/247 Hz
0.4
Frequency [Hz]

lab2/ lab2/
0.35 207,5 Hz 207,5 Hz

0.3 sol2/196 Hz sol2/196 Hz sol2/196 Hz


0.25
mib2/156 Hz mib2/156 Hz
0.2
do2/131 Hz do2/131 Hz
0.15
0.1 lab1/104 Hz

0.05 sol1/98 Hz sol1/98 Hz

0 fa1/87 Hz
50 100 150 200 250 300 350 400 450 500
Time [s]
do1/65,5 Hz do1/65,5 Hz

lab–1/52 Hz

sol–1/49 Hz
Figure 20 – Distribution de Choï-Williams de chacun des deux
signaux et du mélange des deux signaux fa–1/43,5 Hz

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 23
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Signal in time
4

Real part
2
0
–2
–4

SP, Lh=125, Nf=1024, log. scale, imagesc,


Log. scale [dB] Threshold=0.01%

Energy spectral density


0.45
0.4

Frequency [kHz]
0.35
0.3
0.25
0.2
0.15
Figure 22 – Partition du prélude no 20 de Chopin
0.1 (les six premiers accords)
0.05
0
1000 2000 3000 4000 5000 6000 7000 8000
Time [ms]

a CD ADD, 1er interprète

Signal in time

0.2

Real part
0
– 0.2
– 0.4

Signal in time Log. scale [dB] SP, Lh=125, Nf=1012, log. scale, imagesc, Threshold=0.001%
4
Real part

2 1.2
0

Energy spectral density


1
–2

Frequency [kHz]
–4 0.8

SP, Lh=125, Nf=1024, log. scale, imagesc, 0.6


Log. scale [dB] Threshold=0.01%
0.4
Energy spectral density

0.45
0.2
0.4
Frequency [kHz]

0.35 0
500 1000 1500 2000 2500
0.3
Time [ms]
0.25
0.2
0.15
0.1
Figure 23 – Spectrogramme d’un La2 joué à la guitare électrique
0.05 avec vibrato (vibrato en action au-delà de 0,6 s
0
1000 2000 3000 4000 5000 6000 7000 8000
Time [ms]

■ Un second exemple résulte de l’analyse de l’effet du vibrato


b CD DDD, 2e interprète d’une guitare électrique. La représentation temps-fréquence du La2
(220 Hz) de la guitare avec vibrato, transmis directement du micro-
phone de l’instrument à la carte son d’un ordinateur, sans passage
par un canal acoustique, et qui apparaît figure 23, visualise le com-
Figure 21 – Spectrogramme des six premiers accords du prélude portement fréquentiel dans le temps des divers harmoniques de la
no 20 de Chopin note.

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 24 © Techniques de l’Ingénieur, traité Télécoms
_________________________________________________________________________________ ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES

(0)

Tableau 13 – Propriétés souhaitables des RTF quadratiques et possédées (+)


par les RTF T.W, T.PW, T.PWL et SP (1)
Propriété Expression mathématique T.W T.PW T.PWL SP

P.1 RTF à valeurs réelles c QX ( t, ν ) = c Q


*X ( t , ν ) + + + +

P.2 Translation temporelle Y (t ) = X (t – θ ) ⇒ cQY (t, ν) = cQX (t – θ, ν ) + + + +

P.3 Translation fréquentielle Y (t ) = X ( t ) e 2 π i η t ⇒ c Q Y (t, ν ) = c Q X ( t , ν – η ) + + + +

P.4 Propriété marginale en temps  


c QX ( t, ν ) d ν = X ( t ) 2 + +

P.5 Propriété marginale en fréquence  


c QX ( t, ν ) d t = x ( ν ) 2 +

P.6 Moments en temps  2


t n c QX ( t, ν ) d t d ν =  
t n X (t ) 2 dt + +

P.7 Moments en fréquence  2


ν n c QX ( t, ν ) d t d ν = ν 
n x (ν) 2 dν +

1
-----
Y (t) = a 2 X ( at ) ⇒
P.8 Changement d’échelle ν +
c QY ( t, ν ) = c Q X at , -----
a  

1 d 

ν c QX ( t, ν ) d ν
ν X (t ) = --------- -------- ( arg { X A (t ) } ) = ---------------------------------------------
-

P.9 Fréquence instantanée 2π dt + +
 QX
c ( t, ν ) d ν

1 d 

tc QX ( t, ν ) d t
t X ( ν ) = – --------- --------- ( arg { x A ( ν ) } ) = --------------------------------------------
-

P.10 Retard de groupe 2π d ν +
 QX
c ( t, ν ) d t

∀t ∉ [t 1 , t 2 ], X (t ) = 0 ⇒
P.11 Support temporel fini + +
∀t ∉ [t 1 , t 2 ], cQX (t, ν ) = 0

∀ν ∉ [ν 1 , ν 2 ], x (ν ) = 0 ⇒
P.12 Support fréquentiel fini +
∀ν ∉ [ν 1 , ν 2 ], cQX (t, ν ) = 0

Y (t ) =  
H ( t – θ ) X ( θ )d θ ⇒


P.13 Convolution +
c QY ( t, ν ) = cQ H ( t – θ , ν ) cQ X ( θ , ν ) d θ


Y (t ) = H (t ) X (t ) ⇒
P.14 Multiplication
c QY ( t, ν ) = 
cQ H ( t , ν – η ) cQ X ( t , η ) d η
+

1
----- πiat 2
Y (t ) = X (t ) ∗ a 2e ⇒
P.15 Convolution par le chirp +
ν

c QY ( t, ν ) = c Q X t – ----- , ν
a 
Y ( t ) = X ( t ) e πiat ⇒
2

P.16 Multiplication par le chirp +


c QY ( t, ν ) = c Q X ( t , ν – at )

(1) Le signal X est réel ou complexe sauf en P.9 et P.10. Si G ∈  , P.1 est valide pour T.PWL

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
© Techniques de l’Ingénieur, traité Télécoms TE 5 240 − 25
ANALYSES TEMPS-FRÉQUENCE LINÉAIRES ET QUADRATIQUES _________________________________________________________________________________

Références bibliographiques

[1] AUGER (F.), FLANDRIN (P.), LEMOINE (O.) et [20] FLANDRIN (P.). – Some aspects of non station- sis of non stationary signals. Phys. Earth and
GONÇALVÈS (P.). – Boîte à outils temps-fré- nary signal processing with emphasis on time- Plan. Int., vol. 12, p. 142-150 (1976).
quence, développée sous le logiciel « Matlab » frequency and time-scale methods, in Proc. of [35] KOENIG (R.), DUNN (H.K.) et LACY (L.Y.). – The
disponible à l’adresse suivante : http:// Int. Conf. on Wavelets, Combes J.M., Gross- sound spectrograph. J. Acoust. Soc. Am.,
www-isis.enst.fr/Applications/tftb/iutsn.univ- mann A., Tchamitchian P. Eds, Springer Verlag, vol. 18, p. 19-49 (1946).
nantes.fr/auger/tftb.html. Berlin, p. 68-98 (1989).
[36] MALLAT (S.). – Multiresolution approximation
[2] CNRS/GR 134. – Traitement du signal et [21] FLANDRIN (P.). – Temps-Fréquence. Éditions and wavelets. Trans. Amer. Math. Soc.,
images : Signaux non stationnaires, analyse Hermès (1993). vol. 315, p. 69-88 (1989).
temps-fréquence et segmentation. Traitement [22] FLANDRIN (P.), ABRY (P.) et GONÇALVÈS (P.). [37] MEYER (Y.). – Les ondelettes : algorithmes et
du Signal, Vol. 9, supplément au no 1, p. 79- – Wavelet-based spectral analysis of 1/f pro- applications. Armand Colin Eds (1992).
113 (1992). cesses. Proc. IEEE, vol. 3, p. 237-240 (1993). [38] PAGE (C.H.). – Instantaneous power spectra.
[3] ALLEN (J.B.) et RABINER (L.R.). – A unified
[23] FONOLLOSA (J.R.) et NIKIAS (C.L.). – Wigner Journal Appl. Phys., vol. 23, p. 103-106 (1952).
approach to short-time Fourier analysis and
polyspectra : higher order spectra in time [39] PAPANDREOU-SUPPAPPOLA (A.), HLAWAT-
synthesis, Proc. IEEE, vol. 65, no 11, p. 1558-
varying signal processing. IEEE Int. Conf SCH (F.) et BOUDREAUX-BARTELS (G.F.). –
1564 (1977).
Acoust. Speech and Signal Proc., Toronto, The hyperbolic class of quadratic time-fre-
[4] ARQUÈS (P.-Y.). – Décisions en traitement du Canada (1991). quency representations – Part I : Constant Q-
signal, Masson, Paris (1982).
[24] GABOR (D.). – Theory of communications. warping, the hyperbolic paradigm, properties
[5] ARQUÈS (P.-Y.), BOUCHER (J.M.), HILLION (A.) Journal of the IEE, vol. 93, p. 429-457 (1946). and members. IEEE Transactions on Signal
et ROUX (C.). – Méthodes en traitement du Processing, vol. 41, p. 3425-3444, déc. 1993.
signal bruité. Techniques de l’Ingénieur, traité [25] GILLE (J.-C.). – Systèmes et signaux détermi-
nistes, Transformées et abaques. Techniques [40] PAPOULIS (A.). – Probability, random varia-
Informatique industrielle R 7 031 (1994).
de l’Ingénieur, traités Électronique et Informa- bles and stochastic processes. MacGraw Hill
[6] ARQUÈS (P.-Y.), THIRION-MOREAU (N.) et tique industrielle E 3 010, R 7 010 (1995). New York (1984).
MOREAU (E.). – Signal et décisions, en prépa-
[26] GROSSMANN (A.) et MORLET (J.). – Decom- [41] PESQUET-POSPESCU (B.) et PESQUET (J.C.).
ration.
position of Hardy functions into square inte- – Ondelettes et application. Techniques de
[7] AUGER (F.) et FLANDRIN (P.). – Improving the grable wavelet of constant shape. SIAM J. l’Ingénieur, traité Télécoms TE 5 215 (2001).
readaptability of time-frequency and time- Math. Anal., vol. 15, no 4, p. 723-736 (1984). [42] PICINBONO (B.). – Signaux aléatoires. Techni-
scale representation by reassignment
[27] HARRIS (F.J.). – On the use of windows for har- ques de l’Ingénieur, traité Informatique indus-
method , IEEE Trans. On Signal Processing,
monic analysis with the discrete Fourier trans- trielle R 7 030 (1993).
vol. 43, no 5, p. 1068-1089 (1995).
form. Proc. IEEE, vol. 66, no 1, p. 51-83 (1978). [43] PORTNOFF (M.R.). – Time-frequency represen-
[8] BERTRAND (J.) et BERTRAND (P.). – Time-Fre-
[28] HLAWATSCH (F.). – Time-Frequency Analysis tation of digital signals and systems based on
quency representations of broad-band
and Synthesis of Linear Signal Spaces : Time- short-time Fourier analysis. IEEE Trans. On
signals. IEEE Int. Conf. on Acoust. Speech and
Frequency Filters, Signal Detection and Esti- Acoustic Speech and Signal Proc., vol. 28,
Signal Proc. ICASSP-88, p. 2196-2199, New
mation, and Range-Doppler Estimation. Esti- p. 55-69 (1993).
York (1988).
mation, and Range-Doppler Estimation. [44] POTTER (R.K.), KOPP (G.) et GREEN (H.C.). –
[9] BOUACHACHE (B.). – Représentation temps-
Boston (MA) : Kluwer (1997). Visible speech. New York, NY : Van Nostrand
fréquence, Soc. Nat. Elf-Aquitaine, Pau, Publ.
(1947).
Recherches no 373-378 (1978). [29] HLAWATSCH (F.) et FLANDRIN (P.). – The inter-
ference structure of the Wigner distribution [45] RIOUL (O.) et FLANDRIN (P.). – Time-scale
[10] BRACEWELL (R.N.). – The Fourier transform
and related time-frequency signal representa- energy distributions : A general class exten-
and its applications. McGraw Hill, New York.
tions, in The Wigner Distribution – theory and ding wavelet transforms. IEEE Trans. Signal
[11] BURKE (H.B.). – Ondes et ondelettes, la saga applications in signal processing, W. Mecklen- Processing, vol. 40, no 7, p. 1746-1757 (1992).
d’un outil mathématique. Pour la Science, Col- bräuker Ed., North Holland Elsevier Science [46] RIOUL (O.) et VETTERLI (M.). – Wavelets and
lection Sciences d’avenir, Belin Eds (1995). Publishers (1992). signal processing. IEEE Signal Processing
[12] CHOÏ (H.I.) et WILLIAMS (W.J.). – Improved Magazine, p. 14-38 (1991).
[30] HLAWATSCH (F.) et BOUDREAUX-BARTELS
time-frequency representation of multi-
(G.F.). – Linear and quadratic time-frequency [47] ROUBINE (E.). – Introduction à la théorie de la
component signals using exponential kernels.
signal representations. IEEE Signal Processing communication. Tome I : signaux non aléa-
IEEE trans. on Acoustic Speech Signal Proc.,
Magazine, p. 21-67, avr. 1992. toires ; Tome II : signaux aléatoires ; Tome III :
vol. ASSP-37, no 6, p. 862-871 (1989).
[31] HLAWATSCH (F.), PAPANDREOU-SUPPAP- théorie de l’information. Masson et Cie, Paris
[13] COHEN (L.). – Generalized phase-space distri- (1970).
POLA (A.) et BOUDREAUX-BARTELS (G.F.). –
bution functions. J. Math. Phys., vol. 7, p. 781-
The power classes – Quadratic time-frequency [48] STEIN (S.). – Algorithms for ambiguity func-
786 (1966).
representations with scale covariance and dis- tion processing. IEEE Trans. Acoust. Speech
[14] COHEN (A.). – Ondelettes et traitement numé- persive time-shift covariance. IEEE Transac- Signal Proc., vol. ASSP-29, p. 588-599 (1981).
rique du signal. Masson, Paris (1992). tions on Signal Processing, vol. 47, no 11, [49] SOIZE (C.). – Méthodes mathématiques en
[15] COHEN (L.). – Time-frequency distribution. A p. 3067-3083, nov. 1999. analyse du signal. Masson, Paris (1993).
review. Proc. IEEE, vol. 77, no 7, p. 941-981 [32] HLAWATSCH (F.), PAPANDREOU-SUPPAP- [50] VILLE (J.). – Théorie et applications de la
(1989). POLA (A.) et BOUDREAUX-BARTELS (G.F.). – notion de signal analytique. Câbles et trans-
[16] COHEN (L.). – Time-frequency analysis. Pren- The hyperbolic class of quadratic time-fre- mission, vol. 2A, p. 61-74 (1948).
tice Hall Signal Processing Series, A. V. Oppen- quency representations – Part II : subclasses, [51] WIGNER (E.P.). – On the quantum correction
heim, Series Editor (1995). intersection with the affine and power classes, for thermodynamic equilibrium. Phys. Rev.,
[17] DAUBECHIES (I.). – Ten lectures on wavelets. regularity and unitarity. IEEE Transactions on vol. 40, p. 749-759 (1932).
SIAM (1992). Signal Processing, vol. 45, no 2, p. 303-315,
fév. 1997. [52] WIGNER (E.P.). – Quantum mechanical distri-
[18] DUDGEON (D.E.) et MERSEREAU (R.M.). – bution functions revisited. Persp. In Quantum
Multidimensional digital signal processing. [33] KAY (S.M.). – Modern spectral estimation, Theory, V. Yourgrau and A. Van der Merwe
Prentice Hall, Englewood Cliffs (1984). theory & application. Prentice Hall, Englewood Eds., N.Y., Dover Publ. (1971).
[19] FLANDRIN (P.) et ESCUDIÉ (B.). – An interpre- Cliffs, New Jersey (1988).
tation of the pseudo-Wigner Ville Distribution. [34] KODERA (K.), GENDRIN (R.) et De VILLEDARY Dans les Techniques de l’Ingénieur : le lecteur se
Signal Processing, vol. 6, p. 27-36 (1984). (C.). – A new method for the numerical analy- reportera aux références [5] [25] [41] [42].

Toute reproduction sans autorisation du Centre français d’exploitation du droit de copie est strictement interdite.
TE 5 240 − 26 © Techniques de l’Ingénieur, traité Télécoms

Vous aimerez peut-être aussi