Analyse Spectrale Traitement de Signal II

ANALYSE SPECTRALE

I - TRANSFORMEE DE FOURIER DISCRETE

N 1 kn
 2j k k
N
X(k )   x ( n )e avec k  [0,1,...N  1] f (normé) 
N
ou f
N
fe
n 0
De même la Transformée de Fourier Discrète inverse est donnée par :
kn
1 N 1  2 j
N
x ( n )   X ( k )e avec n  [0,1,...N  1] »
N k 0

Dimension d’un signal

Si x(n) n’est pas à durée limitée, la troncature de x(n) entraîne des oscillations
parasites dans X(k) et si X(k) n’est pas à bande limitée, le recouvrement du spectre entraîne
que X(k) n’est plus égale à la version échantillonnée de X(f).

Conséquence :

Etant donnée qu’il n’existe pas de signaux à durée et à bande limitée, une erreur
systématique apparaît quant on considère la TFD comme les échantillons de la TF de x(n).

Soit Tu = durée utile d’un signal temporel et Bu = bande utile du signal (Bu=2fmax).
1
D’après Shannon on a : f e   B u et pour avoir une bonne résolution spectrale :
Te
N
NTe  Tu  Tu  NTe   Tu B u  N
Bu

«On définit la dimension N d’un signal par le nombre d’échantillons minimum d’un signal
x(n) permettant de reconstruire x(t) (analogique) à partir de ces N échantillons».

1
Ainsi : N  Tu B u Or Tu  NTe  Bu   fe
Te

Bu 1
Avec f : résolution spectrale B u  Nf  f  
N Tu
II – ANALYSE SPECTRALE

Fenêtre temporelle et fréquentielle

Choisir N échantillons d’un signal x(n) équivaut à multiplier x(n) par la fenêtre Porte
N(n). N(n) est appelé fenêtre temporelle. Sa Transformée de Fourier s’appelle fenêtre
fréquentielle. La troncature réalisée par N(n) peut être remplacée par une autre fenêtre plus
douce. Exemple : Hamming, Hanning, Blackman,… Elles sont caractérisées par la largeur Bi
As
du lobe principale et par le rapport  i  20 log10 Ap : Amplitude du lobe principal.
Ap
As : Amplitude du 1er lobe secondaire. Avec N est le nombre d’échantillons.

1 Master C2I2S
Analyse Spectrale Traitement de Signal II

Phénomène de dispersion (Leackage)

Considérons un signal exponentiel, pour déterminer son spectre d’amplitude il faut,

soit calculer sa Transformée de Fourier et ensuite la discrétiser, soit calculer sa TFD.

1
TF[e 2 jf 0 n ]  (f  f 0 ) et TF[cos( 2jf 0 n )]  [(f  f 0 )  (f  f 0 )] ]
2

Le signal e 2 jf 0 n n’est pas réalisable physiquement  Troncature.

1, n  [0, N - 1]
x (n )  e 2jf 0 n  N (n ) , Te  1 avec  N (n )  
 0, sinon

Rappel :
 N -1 N -1
1, - n sin( fN)
w (n )   2 2  W (f )  TF[ w[n] ] 
 0, sinon sin( f )

N 1
sin Nf  2j( 2 )f
WD (f )  TF[ N (n )]  e
sin f

sin N(f  f 0 )  j( N 1)(f  f 0 )

X(f )  WD (f ) * (f  f 0 )  e
sin (f  f 0 )

Module de la transformée de la porte : TF[ N (n )]

N=16;
f0=0.2;
f=0.0001:0.001:1.6;
x=(sin(pi*f*N))./(sin(pi*f));
y=abs(x);
z=20*log10(y);
figure(1);
plot(f,y);
figure(2);
plot(f,z);
axis([ ])

2 Master C2I2S
Analyse Spectrale Traitement de Signal II

Transformée de la porte

Transformée de la porte en dB

Transformée de exp(2f0n) avec f0=0,2

x=(sin(pi*(f-f0)*N))./(sin(pi*(f-f0)));

3 Master C2I2S
 Analyse Spectrale Traitement de Signal II

Transformée de cos(2f0n) avec f0=0,2

x=(sin(pi*(f-f0)*N))./(2*sin(pi*(f-f0)))+(sin(pi*(f+f0)*N))./(2*sin(pi*(f+f0)));

Calcul de la TFD X(k)

nk nk k
N 1  2 j N 1  2j N 1 2jn (f 0  k ) sin N(  f 0 )  j( N 1)( k  f 0 )
N
X(k )   x ( n )e N   e 2jnf 0 e N   e N 
k
e N
n 0 n 0 n 0 sin (  f 0 )
N
k
On peut dire que : X(k )  X(f  ).
N
Deux cas se présentent concernant la valeur de la fréquence f0.

1er cas : La fréquence f0 est placée sur une raie de la TFD.

k  N si k  k 0
  k 0  / f 0  0  X(k )  
N 0 si k  k 0
N 1 2jn ( k 0  k 0 )
N N
En effet : k  k 0  X(k 0 )   e N
n 0
k k0
sin (k  k 0 )  j( N 1)( N  N )
k  k 0  X(k )  e 0
k  k0
sin ( )
N
Transformée de x(n)=exp(2jf0n) avec f0=0,25 = 4/16

4 Master C2I2S
Analyse Spectrale Traitement de Signal II

DFT de exp(2jf0n) et de cos(2f0n)

N=16;
f0=0.25;
n=0:(N-1);
x=exp(2*i*pi*f0*n); % cos(2*pi*f0*n);
y=fft(x);
mgy=abs(y);
fn =[0:1/N:1-1/N];
stem(fn,mgy);

TFD de exp(2jf0n) et de cos(2f0n) avec f0 = 0,25=4/16

2ème cas : La fréquence f0 n’est pas placée sur une raie de la TFD.
k k 1
  n 0   / 0  f0  0
N N
La TFD prend l’allure d’un ensemble de raies de valeurs prépondérantes pour les
k k 1
fréquences 0 et 0 entourant f0. C’est le phénomène de dispersion.
N N
Ainsi pour estimer la fréquence f0 inconnue du signal exponentiel complexe, il suffit
de repérer les deux entiers k0 et k0+1 associés aux plus fortes valeurs de |X(k)|.

 k k  1
 f0   0 , 0 
N N 
Transformée de x(n)=exp(2jf0n) avec f0=0,3

5 Master C2I2S
Analyse Spectrale Traitement de Signal II

DFT de exp(2jf0n) et de cos(2f0n) avec f0 = 0,3

Estimation et résolution spectrale

Pour améliorer la précision sur l’estimation de f0 on utilise deux méthodes :

1ère méthode : zéro padding

Cette technique consiste à ajouter (p-1)N zéros à la suite des N échantillons de x(n)
 N'  pN avec p entier.

x(n) X(k)

n k

Tu = NTe 1 1
Bu   Nf f 
Te Tu
x(n) X(k)

n k

T’u B’u

1 f
Tu'  pNTe ; Te  C te B'u  B u   C te  pNf '  Nf  f ' 
Te p
N=16;
p=2;
Np=N+(p-1)*N;
f0=0.3;

6 Master C2I2S
Analyse Spectrale Traitement de Signal II

n=0:N-1;
x=[exp(2*i*pi*f0*n),zeros(1,(p-1)*N)];
y=fft(x);
figure(1)
stem(real(x));
mgy=abs(y);
fn =[0:1/Np:1-1/Np];
figure(2);
stem(fn,mgy);

Le remplissage par zéro a permis de maintenir la même période d’échantillonnage

temporelle, donc de même largeur de bande de X(k), par contre elle a divisé la période
d’échantillonnage fréquentielle f par p. Ainsi l’estimation de f0 a vu sa précision divisée par
p.
Cette technique permet d’améliorer la résolution spectrale. Elle réalise l’interpolation
de X(f), un lissage de spectre, c’est-à-dire qu’elle permet d’ajouter les termes
k
X( ) avec k  [0,1..., pN  1] .
pN
2ème méthode : Elargissement de la durée N du signal

L’utilisation d’un nombre d’échantillons N’= PN, du signal x(n) à analyser, divise
aussi la précision sur l’échantillon de f0 par P. Par contre elle n’améliore pas l’estimation sur
l’amplitude du signal. L’estimation sera tout simplement différente.
x1(n)  x(n) X’(k)X(k)

k k

T’=PNT B’u
e
1 f
T'  pNTe B'u  B u   C te  pNf '  Nf  f ' 
Te P

7 Master C2I2S
Analyse Spectrale Traitement de Signal II

Résolution fréquentielle et dynamique

Considérons un signal constitué de deux exponentielles complexes tels que :

x (n )  a1e 2 jf1n  a 2 e 2 jf 2 n . D’après la linéarité de la TFD nous avons :
X(k )  a1X1 (k )  a 2 X 2 (k ) . Selon cette expression, un chevauchement des deux spectres,
X1(k) et X2(k), a lieu. Ceci conduit à un problème de résolution.

« Nous appelons résolution fréquentielle l’écart |f2 – f1| minimum entre les fréquences de deux
exponentielles complexes de même module qui peuvent être séparés ». Cette résolution est
voisine de la largeur du lobe principale de la fenêtre spectrale d’observation utilisée pour
analyser le signal.

TF de x1(n)+ x2(n) avec f1 = 0,2 et f2 = 0,3

TFD de x1(n)+ x2(n) avec f1 = 0,2 et f2 = 0,3

On peut améliorer la précision sur la séparation de f1 et f2 en utilisant le zéro padding.

8 Master C2I2S
Analyse Spectrale Traitement de Signal II

« Nous appelons résolution dynamique, la possibilité de séparer deux exponentielles

complexes de fréquences voisines et d'amplitudes différentes». Cette résolution est
As
caractérisée par :  i  20 log10 , i varie très peu avec N.
Ap

2jf1n
Transformée de x (n )  a1e  a 2e 2jf 2 n avec a1 = 1 et a2 = 0,4

On peut utiliser d’autres fenêtres pour améliorer la résolution dynamique (d’amplitude)

L'intérêt principal des fenêtres d'observation est de limiter les effets de troncature. En
effet, le principe de calcul de la fft est de compléter par des zéros les valeurs de la mesure
pour aller jusqu'à la puissance de 2 la plus proche de l'intervalle choisi. Cette mise à zéro
brutale entraîne l'apparition de lobes secondaires qui dans certains cas peuvent rendre
indiscernables 2 raies voisines. Il existe des fenêtres (triangulaire, Hanning et Hamming,
Kaiser, …. ) qui vont permettre de traiter le signal en le pondérant au lieu de le tronquer.

9 Master C2I2S
Analyse Spectrale Traitement de Signal II

Remarque :

 Si N augmente : La résolution fréquentielle s’améliore mais la résolution dynamique ne

change pas.
 L’opération zéro padding améliore la résolution fréquentielle puisqu’elle réalise une
interpolation de X(k). Par contre elle n’améliore pas la résolution dynamique.
 Si nous utilisons une fenêtre plus courte nous réalisons un fort lissage fréquentiel et par
conséquent nous risquons de ne pas bien visualiser les harmoniques et vice versa.

Choix de la durée N

 Si le signal est mal connu, on choisit le nombre d’échantillons N en fonction des

contraintes de la résolution fréquentielle. Soit Bi : la largeur du lobe principal de la fenêtre

d’observation : Bi  i . i dépend de chaque type de fenêtre. Pour avoir une bonne
N

résolution fréquentielle f’, il faut que : B i  f '  N  i .
f '
 Le choix de la durée N n’influence pratiquement pas la résolution dynamique : i varie
très peu avec N.
 Si un signal contient plusieurs fréquences d’amplitudes très éloignées l’une de l’autre  il
faut choisir une fenêtre à large lobe central afin d’améliorer la résolution dynamique.
 Si, en plus, nous voulons améliorer la résolution spectrale et fréquentielle  il faut
augmenter la durée N par les deux méthodes citées plus haut (zéro padding ou
augmentation de N).
 Nous devons trouver un compromis entre le choix de la fenêtre de pondération (résolution
dynamique) et la durée du signal N (résolution fréquentielle).

III - Convolution linéaire et convolution circulaire par la TFD

Soient x(n) et y(n) deux signaux discrets. On définit deux types de convolutions
d’ordre N :
La convolution linéaire :
N 1
z  ( n )  x ( n ) * y( k )   x ( k ) y( n  k )
k 0
La longueur de z  ( n ) est (N + N-1)
Si la dimension de x(n) est Nx et celle de y(n) est Ny alors la dimension du produit de
convolution est Nx + Ny -1

La convolution circulaire:

Elle est définie par la TFD : Zc(k)=X(k).Y(k)

On montre que la transformée de Fourier discrète inverse de Zc(k) peut s’écrire de la

façon suivante :
N 1
z c ( n )  x ( n )  y( k )   x (k ) y[(n  k ) modulo N]
k 0

10 Master C2I2S
Analyse Spectrale Traitement de Signal II

x(n) et y(n) sont supposés périodiques donc la longueur de z c ( n ) est N

Exemple
N=8 y(n) et x(n), n= 0,…., 7
…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

11 Master C2I2S
Analyse Spectrale Traitement de Signal II

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

Pour faire la convolution périodique, il faut :

 Faire la convolution normale d’une période de x[n] et y[n]
 La réponse aura (2N – 1) échantillons. On ajoute un zéro à la fin pour avoir 2N
échantillons.
 On coupe la réponse en deux moitiés.
 On fait la somme des deux moitiés

.
…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

…………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

12 Master C2I2S
Analyse Spectrale Traitement de Signal II

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

……………………………………………………………………………………………………………………………………………………

13 Master C2I2S
Analyse Spectrale Traitement de Signal II

14 Master C2I2S