Traitement des Signaux

1re partie : Transformée de Fourier et Anaylse Fréquentielle

30 septembre 2006

Définitions, Signaux, Fonctions et Distributions 3

Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
Classification des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Quelques signaux importants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Transformée de F OURIER 21
Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Représentation spectale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Exemple : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Intérêt de la TF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Propriétés de la TF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Relation de Parseval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Transformées de F OURIER à connaître 35

Analyse spectrale 37
Analyse spectrale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Ambiguïté: Durée d’un signal-Largeur spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Théorème de P LANCHEREL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Fenêtres d’observation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

1
 Plan
Définitions, Signaux, Fonctions et Distributions
Transformée de F OURIER
Transformées de F OURIER à connaître
Analyse spectrale
2 / 50

Définitions, Signaux, Fonctions et Distributions 3 / 50

Définitions
● Le signal est la représentation physique d’un phénomène qui évolue dans le temps ou dans l’espace.
● Le traitement du signal (TS) est une discipline technique qui a pour objet l’élaboration, la détection et
l’interprétation des signaux porteurs d’informations.
Cette discipline s’appuie sur la théorie du signal qui donne une description mathématique des
signaux. Cette théorie fait essentiellement appel à l’algèbre linéaire, l’analyse fonctionnelle, et l’étude
des processus aléatoires.

4 / 50

Historique
Aspects techniques :
● 1830 : télégraphe électrique (M ORSE , C OOKE , W HEATSTONE) ;
● 1876 : téléphone (B ELL) ;
● 1895 : radio (M ARCONI , P OPOV) ;
● 1905, détection et amplification de signaux électroniques faibles (F LEMMING)

Aspects théoriques :
● 1822 : F OURIER, propagation de la chaleur ;
● vers 1930 : processus aléatoires (W IENER et K INTCHINE), quantité d’informations transmise sur une
voie télégraphique(N YQUIST et H ARTLEY) ;
● après 1948 : théorie de la communication (S HANNON), filtrage optimal (W IENER), distributions
(S CHARWTZ).

5 / 50

2
Applications
● Contrôle Radar : Ici l’analyse fréquentielle joue un rôle fondamental ;
● Codage de la Parole : La reconnaissance de la parole nécessite le traitement d’une grande quantité
de données. Le codage permet de réduire cette quantité, en éliminant les redondances et en
conservant l’information utile ;
● Les Télécommunications : Si les 34 millions de lignes téléphone fixe étaient reliées 2 à 2 il faudrait
(34 × 106 )2 /2 câbles. Heureusement les travaux sur la modulation, l’échantillonnage et la transmission
permettent d’émettre, sur une même voie, des milliers de messages.
● Traitement des images : Restauration d’images dégradées par le bruit, compression d’images
(vidéoconférence), analyse d’images médicales, échographie
● Recherche géophysique : l’écho d’une onde acoustique sur les différentes couches renseigne sur la
composition et la géométrie des roches.

6 / 50

Morphologique
On distingue ici les signaux qui prennent des valeurs à chaque instant t (Signal continu) et les signaux qui
n’ont de valeurs qu’à certains instants ti (Signal discret).

7 / 50

Spectrale
On classe les signaux suivant la bande de fréquences qu’ils occupent.
70 25
1 1

0.8 0.8 60
20
0.6 0.6
50
0.4 0.4

0.2 0.2
15
40

0 0
30
−0.2 −0.2 10

−0.4 −0.4 20

−0.6 −0.6 5
10
−0.8 −0.8

−1 −1 0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140 0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
temps (s) temps (s) frequence (Hz) frequence (Hz)

8 / 50

3
Énergétique
Les signaux peuvent être soit : à énergie finie ou à puissance moyenne finie.
Les signaux à énergie finie vérifient la condition :
Z +∞
2
(1) Wx = |x(t)| dt < +∞
−∞

Les signaux à puissance moyenne finie sont tels que :

" Z T #
1 +2 2
(2) 0 < Px = lim |x(t)| dt < +∞
T →∞ T − T
2

Remarques :
● Les signaux à support borné, c’est à dire de durée limitée, sont à énergie finie.
● Les signaux périodiques sont à puissance moyenne finie ;
● Un signal à énergie finie a une puissance moyenne nulle (Px = 0) ;
● Un signal à puissance moyenne finie (non nulle) possède une énergie Wx infinie.

9 / 50

test
On définit :
● La puissance instantanée ( d’interaction ).
(3) Px (t) = x(t)x∗ (t)
(4) Pxy (t) = x(t)y ∗ (t)
● La puissance moyenne (d’interaction) sur une durée T .
Z
1 t0 +T
(5) Px (t0 , T ) = x(t)x∗ (t)dt
T t0
Z
1 t0 +T
(6) Pxy (t0 , T ) = x(t)y ∗ (t)dt
T t0
● L’énergie moyenne (d’interaction) sur une durée T .
(7) Wx (t0 , T ) = T Px (t0 , T )
(8) Wxy (t0 , T ) = T Pxy (t0 , T )

note 1 of slide 9

4
Typologique
On distingue ici les signaux suivant que leur évolution est déterministe ou aléatoire.
Un signal déterministe peut être prédit par un mo- Un signal aléatoire a un comportement imprévisible,
dèle mathématique. au moins partiellement. On le décrit grâce à des ou-
tils statistiques ( densité de probabilités, moyenne, va-
riance,...).

x(t + T ) = x(t)

x(t) = e−3t

10 / 50

Porte
(  
1si t ∈ − T2 , T2
(9) Π T (t) =
2
0ailleurs

Π T (t)
2

t
− T2 T
2

11 / 50

Echelon d’Heavyside
(
1 si t ≥ 0
(10) u(t) =
0 si t < 0

u(t)

12 / 50

5
Signe
(
1 si t ≥ 0
(11) sgn(t) =
−1 si t < 0

sgn(t)

−1

13 / 50

Triangulaire
(
1 − |t|
T si |t| < T
(12) ΛT (t) =
0 ailleurs

ΛT (t)

t
−T T

14 / 50

Gaussienne
1 t2
(13) g(t) = √ e− 2σ2
σ 2π

√1
σ 2π
1
√1 e− 2 ≈ 0, 61 × √1
σ 2π σ 2π

15 / 50

6
Sinus Cardinal
sin(x)
(14) sinc(x) =
x

π 2π...
16 / 50

“Définition” de travail
On s’intéresse particulièrement à la distribution de Dirac, notée δ(t) et définie, un peu abusivment, comme
suit :
( Z ∞
0 si t 6= 0 (16) δ(t)dt = 1
(15) δ(t) =
∞ si t = 0 −∞

Une approche “plus rigoureuse” consiste à considérer la distribution de Dirac comme la limite d’une
fonction fθ (t) d’aire unité et de support borné :
(R ∞
f (t)dt = 1 2θ
(17) −∞ θ
δ(t) = limθ→∞ [fθ (t)] 2θ
2θ
1 1 1 1 1 1
θ θ θ θ θ θ

17 / 50

Manipulation
● Produit par une fonction f (t)

(18) f (t)δ(t) = f (0)δ(t)

(19) f (t)δ(t − t0 ) = f (t0 )δ(t − t0 )

L’aire associée au pic de Dirac ne vaut plus 1 mais f (0) ou f (t0 ).
● Intégration :
Z ∞ Z ∞
(20) f (t)δ(t − t0 )dt = f (t0 )δ(t − t0 )dt = f (t0 )
−∞ −∞

18 / 50

7
 Peigne de Dirac
Enfin, on utilisera aussi le peigne de Dirac, noté ⊔⊔T (t). Cette distribution est constituée d’une suite
d’impulsions de Dirac, régulièrement espacées d’une durée T :

19 / 50

Peigne de Dirac
Le produit de cette distribution par une fonction f (t) donne une
suite d’impulsion de Dirac d’aire égale à f (kT ) :

k=∞
X
f (t) ⊔⊔T (t) = f (t) δ(t − kT )
k=−∞
(21)
k=∞
X
= f (kT )δ(t − kT )
k=−∞

On pose fe (t) = f (t) ⊔⊔T (t). On dit que fe (t) est une fonction
échantillonée.
20 / 50

Transformée de F OURIER 21 / 50

Définition
● La transformation de F OURIER est une extension de la décomposition en série de F OURIER, mais pour
des signaux quelconques.
● Intuitivement on peut considérer un signal non périodique comme un signal dont la période T → ∞.
Ainsi la somme discrète et le facteur 1/T intervenant dans la décomposition en série de F OURIER
deviennent respectivement une intégrale, et une petite variation de fréquence df .
On définit la Transformée de Fourier (T F ), notée X(f ),a du signal x(t) et son inverse par :

Z ∞
(22) T F {x(t)} = X(f ) = x(t)e−j2πf t dt
−∞
Z ∞
(23) T F −1 {X(f )} = x(t) = X(f )e+j2πf t df
−∞

22 / 50
a Dans la suite du cours, les signaux seront représentés par des minuscules x, s, f , etc..., les TF correspondantes par des

majuscules X, S, F , etc ... Le temps par la variable t ou τ et la fréquence par f ou ν.

8
Rappel sur les séries de F OURIER
Considérons les fonctions gn (t) définies par :
nt 1
(24) gn (t) = e+j2π T = e+j2πnν0 t avec, ν0 = et n∈Z
T
On peut facilement montrer que ces fonctions sont orthogonales, c’est à dire :
Z 
∗ 1 ∗ 0 si n 6= m
(25) hgn (t), gm (t)i = gn (t), gm (t)dt =
T T 1 si n = m

Soit f (t) un signal périodique de période T (T > 0). Si f (t) possède un nombre fini de sauts sur une
période, alors il existe une suite Cn telle que :
n=+∞
X n=+∞
X nt
(26) f (t) = Cn gn (t) = Cn e+j2π T
n=−∞ n=−∞

Cette série converge vers f (t), si f (t) est continue en t.

note 1 of slide 22

9
Séries de F OURIER : exemples
Exemple 1 Soit Cn une suite définie par :
A
(27) C1 = C−1 = et Cn = 0 si n 6= ±1
2
Déterminer f(t) ?

n=∞  
X
+j2π nt A  +j2π t t
 2πt
(28) f (t) = Cn e T = e T + e−j2π T = A cos
n=−∞
2 T

1
1.2
0.8

1 0.6

0.4
0.8
0.2

f(t)
Cn

0.6 0

−0.2
0.4 −0.4

−0.6
0.2
−0.8

0 −1
−3 −2 −1 0 1 2 3 0 T/2 T 2T 3T
n t

Exemple 2 On considère le signal carré périodique f (t) défini par :

1
f(t)

0.5

0
−T −T/2 −τ/2 0 τ/2 T/2 T
t
Calculer son spectre.
h nt
i τ2
Z T e−j2π T nτ


1 2 nt 1 − τ2 1 sin 2π 2T τ  nτ 
(29) Cn = f (t)e−j2π T dt = = = sinc π
T − T2 T −2π Tn T πn
T T T

Le sinc constitue l’enveloppe des Cn

0.5
n

1/τ
C

0
1/T
−0.5
n/T

note 2 of slide 22

10
Conditions d’existence de la TF :
Une fonction f (t) admet pour transformée de FOURIER la fonction F (f ) si :

● fR (t) est bornée ;

∞
● −∞
x(t)dt existe ;
● les discontinuités de f (t) sont en nombre limité.

Une grande partie des signaux étudiés répondent à ces conditions. Ceci est dù, en partie, au fait qu’ils
sont observés sur une durée finie.
Attention ces conditions ne sont pas nécessaires lorsqu’il s’agit de distributions. Les fonctions
périodiques ou les distributions δ(t) et ⊔⊔T (t) ont des TF.
23 / 50

Représentation spectale
X(f ) est la superposition d’une infinité de raies qui s’étendent, dans le domaine fréquentiel, de −∞ à ∞.
On définit :
● Spectre d’amplitude = |X(f )|
2
● Spectre ( ou densité spectrale ) de puissance = |X(f )|
● Spectre de phase = arg(X(f ))

La transformée de F OURIER introduit la notion de “fréquences négatives”.

● Ces fréquences n’ont aucun sens physique.
● Elles existent bel et bien dans la représentation mathématique d’un signal réel.

24 / 50

Exemple :
  
1 si t ∈ − τ2 , τ2
La fonction porte : (30) x(t) = Π τ2 (t) =
0 ailleurs

et sa transformée de F OURIER :
Z ∞ Z τ
2
(31) X(f ) = x(t)e−j2πf t dt = e−j2πf t dt
−∞ − τ2
 −j2πf t  τ2
e −τ sin(πf τ )
(32) = 2
= = τ sinc(πf τ )
−j2πf πf

25 / 50

11
Exemple :

1 1

X(f)
x(t)
0.5
0.5

0
0
−τ/2 0 τ/2 t (sec) 0 1/T f (Hz)
1 1
π

0.8 0.8

arg(H(f))
0.6 0.6

|X(f)|2
|X(f)|

0.4 0.4

0.2 0.2
0
−500 0 500 −500 0 1/T 500 f(Hz) 0 f(Hz)
1/T f (Hz) 1/T

26 / 50

Intérêt de la TF
Il est souvent plus aisé d’interpréter certains phénomènes physiques dans le domaine fréquentiel. C’est
l’intérêt essentiel de la TF.

Exemples :
2 0.6
1.5
0.5
1
0.4
0.5
|X(f)|
x(t)

0 0.3
−0.5 0.2
−1
0.1
−1.5

0 0.01 0.02 0.03 0.04 0.05 −400 −200 0 200 400

t (sec) f(HZ)

La TF du signal fait apparaître deux raies (2 paires de raies), on a donc la somme de deux sinus ou
cosinus (il faudrait voir la phase pour trancher.)
27 / 50

Intérêt de la TF
3 0.25
2
0.2
1
|X(f)|
x(t)

0 0.15

−1 0.1
−2
0.05
−3

0 0.1 0.2 0.3 0.4 −400 −200 0 200 400

t(sec) f(Hz)

3 0.25
2
0.2
1
|X(f)|
x(t)

0 0.15

−1 0.1
−2
0.05
−3

0 0.1 0.2 0.3 0.4 −400 −200 0 200 400

t(sec) f(Hz)

Il s’agit deux réalisation physique du même phénomène. Dans le deuxième ca on remarque que les
variations sont plus lentes : on a retiré (par filtrage) les composantes fréquentielles les plus élevées.
28 / 50

12
Intérêt de la TF
● La symétrie entre la T F et la T F −1 montre l’existence d’une dualité entre temps et fréquences. Toutes
les informations contenues dans le signal sont contenues dans le spectre.
● La dimension des variables t et f est la seconde et le Hertz. Cependant certains signaux s’expriment
en mètre et mètre−1 , on parle alors de fréquences spatiales.

29 / 50

Propriétés de la TF
Linéarité : T F et T F −1 sont des opérateurs linéaires.

TF
(33) ∀λ ∈ C , λ · x(t) + y(t) ↔ λ · X(f ) + Y (f )

Similitude : Une dilatation dans le domaine temporel correspond à une contraction dans le domaine
fréquentiel.

 
1
TF f
(34) ∀a ∈ R , x(at) ↔ X
|a| a

Translations :
TF
(35) x(t − t0 ) ↔ e−j2πf t0 X(f )
T F −1
(36) X(f − f0 ) ↔ e+j2πf t0 x(t)

30 / 50

13
Propriétés de la TF
Dérivation en temps :

dx(t) TF
(37) ↔ j2πf X(f )
dt
dn x(t) TF
(38) ↔ (j2πf )n X(f )
dtn

Dérivation en fréquence :

dX(f ) T F −1
(39) ↔ −j2πtx(t)
df
dn X(f ) T F −1
(40) ↔ (−j2πt)n x(t)
dtf

Parité : Si x(t) est un signal réel et pair alors son spectre X(f ) est réel et pair. Si x(t) est réel et impair,
son spectre X(f ) est imaginaire et impair.

Carré sommable : Si x(t) est de carré sommable alors X(f ) est de carré sommable.
31 / 50

14
quelques démonstrations
Similitude : En posant at = t′
Z ∞ Z  
−j2πf t 1 ∞ ′ −j2π fa t′ 1 f
(41) x(at)e dt = sgn(a) x(t )e dt = X
−∞ a −∞ |a| a

Translations : En posant t − t0 = t′ :
Z ∞ Z ∞
′
(42) x(t − t0 )e−j2πf t dt = e−j2πf t0 x(t′ )e−j2πf t dt′ = e−j2πf t0 X (f )
−∞ −∞

Démonstration identique pour la translation de fréquence.

Dérivation en temps :
hR i
n ∞ j2πf t

n
d x(t) d −∞
X(f )e df Z ∞
dn ej2πf t
(43) = = X(f ) df
dtn dtn −∞ dn t
Z ∞
(44) = (j2πf )n X(f )ej2πf t df = T F −1 {(j2πf )n X(f )}
−∞

Parité :
Z ∞ Z ∞ Z ∞
t′ =−t ′
(45) X(f ) = x(t)e−j2πf t dt = x(−t)e−j2πf t dt −→ x(t′ )e−j2π(−f )t dt
−∞ −∞ −∞
(46) = X(−f ) −→ X(f ) pair
Z ∞ ∗
(47) = x(t)e−j2πf t dt = X(f )∗ −→ X(f ) réel
−∞

note 1 of slide 31

Relation de Parseval
Cette relation est comparable à celle qui existe pour des signaux périodiques. Soit x(t) un signal de carré
sommable (ou à énergie finie) et qui admet X(f ) pour TF , on a :
Z ∞ Z ∞
2 2
(48) Ex = |x(t)| dt = |X(f )| df
−∞ −∞

DÉMONSTRATION
Z ∞ Z ∞  Z ∞ ∗
j2πf t ′ j2πf ′ t ′
(49) Ex = X(f )e df X(f )e df dt
−∞ −∞ −∞
| {z }| {z }
TF−1 {X(f )}=x(t) TF−1 {X(f )}∗ =x(t)∗
Z ∞ Z ∞ Z ∞ 
′
∗ ′
(50) = X(f )X (f ) ej2π(f −f )t
dt df df ′
−∞ −∞ −∞

32 / 50

15
 Relation de Parseval
Z ∞ Z ∞ Z ∞ 
∗ ′ j2π(f −f ′ )t
(51) Ex = X(f )X (f ) e dt df df ′
−∞ −∞ −∞

L’expression entre crochets est égale à la TF de la fonction unité, calculée à la fréquence f ′ − f , soit
δ(f − f ′ ) :
Z ∞ Z ∞ 
∗ ′ ′ ′
(52) Ex = X(f ) X (f )δ(f − f )df df
−∞ −∞
| {z }
=X ∗ (f )
Z ∞ Z ∞
2 2
(53) = |X(f )| df = |x(t)| dt
−∞ −∞

33 / 50

Relation de Parseval
2
|X(f )| est appelée densité spectrale d’énergie ou parfois, abusivement, densité spectrale de puissance.
On peut montrer de la même façon que, pour deux signaux x(t) et y(t), l’énergie d’interaction vérifie la
relation :
Z ∞ Z ∞
(54) Exy = x(t)y ∗ (t)dt = X(f )Y ∗ (f )df
−∞ −∞

34 / 50

Transformées de F OURIER à connaître 35 / 50

Table des transformées de F OURIER à connaître

Les fonctions, et leur transformées de F OURIER présentéesées dans le tableau ci-dessous seront
fréquemment utilisées par la suite.

δ(t) 1
1 δ(f )
e+2πjf0 t δ(f − f0 )
δ(t − t0 )  jϕ e−2πjf t0 
1
cos(2πf0 t + ϕ0 ) 2 e
0
δ(f − f0 ) + e−jϕ0 δ(f + f0 ) 
1
sin(2πf0 t + ϕ0 ) 2j e
jϕ0
δ(f − f0 ) − e−jϕ0 δ(f + f0 )
1
⊔⊔ (t)T (t) T ⊔⊔(t) T (f )
1

TAB . 1 – Quelques transformées de F OURIER à connaître. Le calcul de certaines d’entre elles est aisé
lorsque l’on fait appel aux propriétés décrites plus haut.

36 / 50

16
Analyse spectrale 37 / 50

Analyse spectrale
L’analyse spectrale des signaux tient une place importante dans un grand nombre d’applications (
Télécommunications, Géophysique, Biochimie,..).
On peut citer comme exemple, l’analyse spectrale de signaux de parole qui fournit une indication sur le
sexe du locuteur. En effet, les signaux de parole sont en grande partie voisés (quasi-périodiques). La
hauteur de la fréquence fondamentale est d’environ 100-150 Hz pour un homme, 150-250 Hz pour une
femme et peut aller jusqu’à 400 Hz pour un enfant.
Un autre exemple est celui de la poursuite d’une cible mobile. Le signal réfléchi par la cible fournit des
informations sur la vitesse et la position de l’objet.
38 / 50

Ambiguïté : Durée d’un signal-Largeur spectrale

En théorie un signal de durée finie ( support borné ) possède un spectre de largeur infinie ( support infini
). Corrélativement, un spectre à support borné correspond à un signal de durée illimitée.
Expérimentalement, le problème est le suivant :
“Comment étudier un signal, sur une durée limitée T ( donc avec un spectre à support infini ), avec un
instrument qui a une bande passante finie ?”.
Il est évident que, si la puissance du signal décroît rapidement en fonction de la fréquence, on a intérêt à
utiliser un instrument dont la bande passante est très supérieure à la bande utile du signal. L’effet du
filtrage ( passage du signal dans l’instrument ) est alors réduit.
39 / 50

Bande utile
La notion de bande utile est liée à l’application. Soit x(t) un signal d’énergie totale Ex et de densité
spectrale d’énergie Sxx (f ) ∗ 2−= |X(f )|2 .

Sxx (f )

∆f
Bu
f

On définit la bande utile Bu par :

s Z +∞
1
(55) BU = 2α∆F avec ∆F = f 2 Sxx (f )df
Ex −∞

où α est choisi en fonction de l’application.

40 / 50

17
Durée utile |x(t)|2

T
Du
t

De même on définit la durée utile Du d’un signal x(t) par :

s Z +∞
1 2
(56) DU = 2βT avec T = t2 |x(t)| dt
Ex −∞

où β est choisi en fonction de l’application.

En utilisant la relation de Cauchy-Schwartz on en déduit la relation d’incertitude :

(57) Du Bu ≥ Cste

qui montre qu’un signal à fluctuations rapides possède un spectre large.

41 / 50

Relation d’incertitude : démontrastion

En utilisant la relation de Cauchy-Schwartz :

Z ∞ 2 Z ∞ Z ∞  2
 dx   dx 
(58)  tx(t) dt ≤ t2 |x(t)|2 dt ·   dt
−∞ dt −∞ −∞ dt
 

En intégrant par partie, on trouve :

Z ∞ Z
1  2 ∞ 1 ∞ Ex
(59) t2 |x(t)|2 dt = tx (t) −∞ − |x(t)|2 dt = −
−∞ 2 2 −∞ 2

de plus, en utilisant la relation de PARSEVAL :

Z  2
∞ Z ∞
 dx 
(60)   dt = 4π 2 f 2 Sxx (f )df = 4π 2 Ex ∆F 2
−∞ dt
 
−∞

d’où :
Ex2 1 αβ
(61) ≤ Ex T 2 · 4π 2 Ex ∆F 2 6− → 4T ∆F ≥ 7− → Du Bu ≥
4 π π

note 1 of slide 41

Théorème de P LANCHEREL
Soient x(t) et y(t) deux signaux ayant pour transformée X(f ) et Y (f ). P LANCHEREL a démontré que :

(62) T F {x(t) ∗ y(t)} = X(f )Y (f )

(63) T F {x(t)y(t)} = X(f ) ∗ Y (f )

Ce théorème est très utile : il permet de simplifier un grand nombre de calcul et il est utilisé dans de
nombreuses applications.
42 / 50

18
Théorème de P LANCHEREL
DÉMONSTRATION

Z +∞ Z +∞ 
(64) T F {x(t) ∗ y(t)} = x(u)y(t − u)du e−j2πf t dt
−∞ −∞
Z+∞ Z +∞ 
−j2πf t
(65) = x(u) y(t − u)e dt du
−∞ −∞
Z +∞ Z +∞ 
(66) = x(u) y(τ )e−j2πf (τ +u) dτ du
−∞ −∞
Z+∞ Z +∞
(67) = x(u)e−j2πf (u) du × y(τ )e−j2πf (τ ) dτ
−∞ −∞
(68) = X(f )Y (f )

La seconde relation se démontre de la même façon.

43 / 50

Fenêtres d’observation
L’analyse d’un signal ne peut s’effectuer que sur une durée finie [t0 , t1 ]. Si x(t) est le signal initial, le signal
observé s(t) s’écrit :

(69) s(t) = x(t)f (t)

où f (t) est nulle en dehors de [t0 , t1 ].

f (t) est appelée fenêtre d’observation ou fonction de pondération.
La fenêtre idéale est celle qui ne modifiera pas le spectre X(f ) du signal x(t), c’est à dire telle que :
TF
(70) S(f ) = X(f ) ∗ F (f ) = X(f ) → F (f ) = δ(f ) ←→ f (t) = 1

La fonction unité (f (t) = 1) définie sur ] − ∞, +∞[ n’est pas une fenêtre. On en déduit cependant que la
transformée de Fourier d’une fenêtre “satisfaisante”, c’est à dire modifiant peu X(f ), doit s’approcher du
pic de Dirac.
44 / 50

19
Fenêtres d’observation
La fonction Porte Π T (t) est appelée fenêtre naturelle et fut la première utilisée. Sa transformée P (f ) est :
2

n o
(71) P (f ) = T F Π T (t) = T sinc(πf T )
2

P (f ) est constitué d’un lobe principal lobe principal et de lobes secondaires. lobes secondaires.
|P (f )|

...

Comme on le verra, toutes les transformées de Fourier de fenêtres de pondération possèdent un lobe
principal et des lobes secondaires.
45 / 50

Fenêtres d’observation
Pour comparer les différentes fenêtres on utilise deux critères :
● La largeur de bande, B, définit la résolution ou pouvoir séparateur du spectre.

|P (f )| |P (f )|

f f

Si X(f ) est constitué de deux raies aux fréquences très proches f1 et f2 avec (|f1 − f2 | < B), il ne
sera pas possible de les distinguer.
● L’amplitude relative du lobe secondaire : Q = 20 log10 |P (f1 )/P (0)| (où |P (f1 )| est l’amplitude
maximale du 1er lobe secondaire).

|P (f )|

46 / 50

20
Fenêtres d’observation
Dans le cas de la fenêtre naturelle on trouve
B = 1/T et Q = −13dB.

|P (f )|

Q = −13dB

f
1
T
La fenêtre naturelle est peu utilisée, en analyse spectrale, car elle présente des lobes secondaires de
forte amplitude. Un très grand nombre de fenêtres ont été proposées. Celles ci sont généralement
choisies en fonction de l’application.
47 / 50

Fenêtre de Bartlett (1950)

  T 
1 − 2 |t| T
T si t ∈ − 2 , + 2
(72) Λ T (t) =
2 0 ailleurs
Elle peut être obtenue par la convolution de deux portes :
2 n o T T
TF
(73) Λ T (t) = Π T (t) ∗ Π T (t) ←→ T F Λ T (t) = sinc2 (πf )
2 T 4 4 2 2 2
d’où B = 2/T et Q = −26 dB.

|P (f )|

Q = −26dB

2 f
T

La largeur est deux fois plus grande que la fenêtre naturelle. Par contre, l’amplitude relative du premier
lobe secondaire est beaucoup plus petite.
48 / 50

21
Fenêtre de Hanning (J. VAN H ANN)
Elle est définie par :
(
 
1
2 1 + cos 2πt
T si t ∈ − T2 , + T2
(74) hN (t) =
0 ailleurs

     n o
1 1 1 1
(75) HN (f ) = P (f ) + P f+ +P f − où P (f ) = T F Π T (t)
2 4 T T 2

On obtient B = 2/T et Q = −32 dB.

|Hn (f )|

Q = −32dB

2 f
T

49 / 50

Fenêtre de Hamming
R.W. H AMMING a étudié une famille de fonctions définies par :
(  
α + (1 − α) cos 2πt
T si t ∈ − T2 , + T2
(76) hM (t) =
0 ailleurs

La valeur de α qui minimise Q est 0,54. On a alors B = 2/T et Q = −52 dB.

|HM (f )|

Q = −52dB

2 f
T

Pour α = 0, 5, on retrouve la fenêtre de Hanning.

50 / 50

22