Académique Documents
Professionnel Documents
Culture Documents
Cours7 PDF
Cours7 PDF
Cours 7
ASI 3
Contenu du cours
Signaux discrets
Rappels, définition
Propriétés
Transformée de Fourier des signaux à temps discret (TFTD)
Définition
Propriétés
Transformée de Fourier discrète
Définition
Propriétés
Application de la TFD à l'analyse spectrale : précision et résolution
TFD rapide (Fast FFT)
2
Rappels : Signaux discrets
Rappels de base :
Soit un signal x(t) échantillonné à une période Te. Le signal échantillonné s'écrit :
xe (t ) = ∑ x(nTe)δ (t − nTe)
n
En considérant une période d'échantillonnage normalisée ( Te = 1 ) , on a :
1 pour n = 0
δ ( n) = Remarque : δ ( n) = Γ ( n) − Γ ( n − 1)
0 sinon n
1 pour − T ≤ n ≤ T T ∈ ℕ
Π T ( n) = Π2(n)
0 sinon
Le signal est de longueur 2T+1
-2 2 n
Remarque : Π T ( n) = Γ ( n + T ) − Γ ( n − (T + 1))
4
Signaux discrets périodiques
Définition de la périodicité
Un signal discret est périodique de période N si :
∃ N∈ ℕ
tel que x(n + N ) = x(n) ∀ n ∈ ℤ
Remarque : la plus petite valeur de N est la période fondamentale
Exemples
- Signal sinusoïdal : x( n) = A cos(ω 0 n + ϕ )
2π
La période est l'entier naturel N (s'il existe) tel que N =
ω0
Remarque : en continu, la condition de périodicité s'énonce 2π = n ∈ ℝ et est moins restrictive.
ω0 k
5
Energie et puissance des signaux discrets
Energie
+∞ 2
E = ∑ x ( n)
n= − ∞
Puissance moyenne
Si le signal est à énergie infinie, on définit la puissance moyenne
1 +∞ 2
P = lim ∑ x ( n)
N → + ∞ 2 N + 1 n= − ∞
λ ∈ ℝ , λ { x(n)} = { λ x(n), n ∈ ℤ
} { x(n)} + { y (n)} = { x(n) + }
y (n), n ∈ ℤ
+∞
Xe( f ) = ∑ x( n)e − j 2π nf f est une variable continue
n= − ∞
La TF d'un signal discret est une fonction continue ou non de la variable continue f
Remarque : idem que la TF d'un signal quelconque, avec une somme à la place de l'intégrale.
n n n
−1
(Exemple d'une série semi-convergente : ∑
n
car ∑ −1
n
est finie mais pas ∑ ∣
−1
n
∣)
n1 n1 n1
9
TFTD
Périodicité de la TFTD
+∞
Soit X( f ) la TFTD du signal discret x(n) : X ( f ) = ∑ x(n)e − j 2π nf
n= − ∞
+∞
X ( f + 1) = ∑ x(n)e − j 2π n( f + 1)
n= − ∞
+∞
X ( f + 1) = ∑ x(n)e − j 2π nf e − j 2π n
n= − ∞
X ( f + 1) = X ( f )
La TF des signaux discrets est périodique de période f=1
+∞
TFTD : X(f ) = ∑ x(n)e − j 2π nf
n= − ∞
1
2
x ( n) = ∫ X ( f )e j 2π nf df Remarque : Intégrale car f est une variable continue
1
−
2
11
Représentation spectrale
TFTD TFTD
1 n ∈ [ − N , N − 1]
Ex. : x ( n ) = Ex. : x (n) = A. cos(2π f 0 n)
0 ailleurs
|X(f) |
|X(f) |
A
δ ( f − fo )
2
f f
0 1/2 1 0 1/2 1
12
Exemple de TFTD
1 n ≤ N 2
Soit x ( n) =
0 ailleurs
+∞ N /2
On a X(f ) = ∑ x(n)e − j 2π nf X(f ) = ∑ e − j 2π nf
n= − ∞ n= − N / 2
Remarques (pour Te = 1)
-Toute l'info est contenue dans [-½ , ½]
- Périodique de période 1
13
Propriétés de la TFTD
Globalement, la TFTD possède les mêmes propriétés que la TF :
j 2π fn0
♦ Décalage temporel x(n − n0 ) → X ( f )e−
♦ Décalage fréquentiel
x(n)e j 2π f0n → X ( f − f 0 )
(ou modulation)
14
Propriétés de la TFTD
15
De la TFTD à la Transformée de Fourier Discrète (TFD)
+∞
TFTD de x(n) : X ( f ) = ∑ x(n)e − j 2π nf
n= − ∞
Objectif : On veut calculer la TF d'un signal discret à l'aide d'un calculateur
Difficultés
Le calcul de la TF nécessite une infinité de points de mesures x(n) (pas toujours possible dans la
pratique : contraintes temps réel, etc.)
Le calculateur ne peut calculer une TFTD car sa réponse fréquentielle est forcément
discrète = un nombre fini de points fréquentiel fn, alors que f varie continûment ...
A un nombre fini de valeurs x(1) , …, x(N), on fait correspondre un nombre fini de valeurs
X(f1), …, X(fL) telle que la TFD de x soit une approximation aussi bonne que possible de X( f )
Question
Quelle est l'influence du nombre de points temporels N et du nombre de points
fréquentiels L sur l'observation spectrale ?
16
Détermination de la TFD
Soit {x(0), x(1), …, x(N-1)} un signal discret de durée finie N. Sa TFTD est :
N−1
X(f ) = ∑ x ( n )e − j 2π nf
n= 0
X( f ) est périodique de période 1, donc :
Discrétisation de la fréquence sur L points : 1
f = k∆ f avec ∆ f = et k = 0,..., L − 1
L
L'approximation discrète de la TFTD de ce signal est :
k et n ne jouent pas le même rôle :
F=k/L N−1 k
− j 2π n
X =
k
L
∑ x ( n )e L n : variable temporelle n = 0, …, N−1
n= 0 k : variable fréquentielle k = 0, …, L−1
~ 1 L− 1 j 2π
k
n ~
x ( n ) = ∑ X ( k )e L x (n) est une suite périodique de période L.
L k= 0 La discrétisation de x(k) a entrainé une périodisation de x(n)
Dans la suite, sans perte de généralités et sauf mention contraire, on considérera L=N
Remarque
Soit xp(n) , un signal périodique de période N. Pour calculer sa TFD, on se restreint à une période
N−1 − j 2π
k
X p(k) =
n
La TFD ∑ x p ( n)e N
n= 0
N−1 k
1 j 2π n
La TFD inverse x ( n) =
N ∑ X p ( k )e N Si x(n) est une suite périodique de période
N et x(n) coincide exactement avec xp(n)
k= 0
19
Propriétés de la TFD
La TFD possède les propriétés classiques de la TFTD mais tous les calculs
d'indice k et n se font modulo N
k
− j 2π n
♦ Décalage temporel x(n − n0 ) → X (k )e N 0
♦Décalage fréquentiel j 2π
k0
n
ou modulation x ( n )e N → X ( (k − k0 ) mod N )
N−1 N−1
♦ Relation de Parseval : 1 2 2
∑ x ( n) =
N ∑ X (k )
conservation de l'énergie n= 0 k= 0
20
TFD et convolution circulaire
Produit de convolution circulaire
Soit x(n) et y(n) deux signaux discrets de durée finie N. Leur produit de convolution circulaire
est défini par N−1 c(n) est donc périodique
c(n) = x(n) ⊗ y (n) avec c(n) = ∑ x(i ). y ( (n − i ) mod N ) de période N
i= 0
On peut voir la convolution circulaire comme la rotation d'une séquence autour d'une autre.
convolution linéaire : x(n) ∗ x(n) = {1, 2, ..., 7, 8, 7, ..., 2, 1} pour n∈{0, 1, ..., 15}
x(0) = somme des x(i).x(0-i) = 1*1+1*0+1*0+...=1
x(1) = somme des x(i).x(1-i) = 1*1+1*1+1*0+...=2
...
TFD
x(n) ⊗ y (n) → X (k ).Y (k )
TFD-1
1
x(n). y (n) → X (k ) ⊗ Y (k )
N 21
Analyse spectrale et TFD
Introduction
On veut utiliser la TFD pour analyser le contenu fréquentiel d'un signal continu x(t). Ceci impose les
opérations suivantes :
Echantillonnage de x(t)
choix de la fréquence d'échantillonnage Fe
(fixé par le th de Shannon) Numérisation : OK
22
Analyse spectrale et TFD
Troncature du signal discret (fenêtrage temporel)
Opération dans le domaine temporel
Soit x(n) un signal discret. Le signal résultant de la troncature de x(n) à N d'échantillons est :
Note : si x(n) est issu de la discrétisation d'un signal à une période Te, la durée d'observation est NTe
Théorème de
xN (n) = x(n).h(n) XN ( f ) = X ( f )∗ H( f )
Plancherel
23
Analyse spectrale et TFD
Echantillonnage de XN( f )
1 (ou Fe)
La distance entre 2 points fréquentiels est 1 (ou : Fe prise en compte fréquence d'échantillonnage)
L L
24
Analyse spectrale et TFD
Influences du fenêtrage temporel et de la discrétisation fréquentielle
sin f N 1
H f =
sin f
Remarque
La convolution fréquentielle de X( f ) par H( f ) aura pour conséquence l'apparition
d'ondulations dans le spectre XN( f ) et donc dans XN(k) : c'est le problème de résolution.
25
Précision de la TFD
Problématique : X N (k ) = X ( f ) ∗ H ( f ) f = k
L
- Fenêtrage -> le spectre de la sinusoïde apparaît sous
forme de plusieurs raies non nulles Correspond à l'estimation par la TFD de f0
fréquence f0 7
2objectifs : 3
2 1/L
Résolution en fréquence (largeur du lobe)
1
27
TFD et fenêtrage temporel
Objectif
Amélioration de l ’analyse spectrale par pondération des échantillons avant filtrage
Réalisation
Remplacement de la fenêtre rectangulaire h(n) par une fenêtre dont la TF présente des
ondulations plus faibles.
Exemples de fenêtre
Fenêtre de Hanning Fenêtre de Hamming
0.54 − 0.46 cos 2π n , n = 0,, N − 1
n
0.5 1 + cos 2π , n = 0,, N − 1 h( n) = N
h( n) = N
0 ailleurs
0 ailleurs
Chaque type de fenêtre a une réponse en fréquence particulière (largeur du lobe principale, amplitude
des lobes secondaires, …) qui permet de choisir au mieux la « bonne » en fonction des applications
28
Choix de la fenêtre
|H( f )| Critères de sélection
- rapport A entre les maximum du lobe central et des lobes
secondaires de la TFD des fenêtres.
A
∆F - atténuation des lobes secondaires de la TFD des fenêtres S.
S
- largeur du lobe central ∆F
f
Rectangle
Rapport d’amplitude Largeur du lobe
Type de fenêtre entre le lobe principal principal
Triangle et le lobe secondaire
Hamming
Remarque : diminution de la largeur du lobe principal augmentation de l'amplitude des lobes secondaires
d'où un compromis à trouver
29
Transformée de Fourier Rapide (FFT)
N−1 − j 2π
k
X p(k) =
n
∑ x p ( n)e N
n= 0
30
Transformée de Fourier Rapide
Objectif : trouver un algorithme de calcul efficace de la TFD de {x(n)}
N−1
− j 2π
k N−1
2π
La TFD de {x(n)} s'écrit : X ( k ) =
n
∑ x ( n )e N Xk = ∑ x(n)WNn.k avec WN = e − j
N
n= 0 n= 0
Propriétés de WN
WNk + l = WNk .WNl WNl + kN = WNl WN2.n.k = WNn./k2
X0 x0 1 0 0 0 x
X x 1 W 1 X = TN x pair + DTN ximpair
2
x3 N
1
0 − 1
X
2 = TN x 4 + 0 0 W2 T x 2 2 2
2
N2 5 XN = TN x pair − DTN ximpair
N − 1 N − 1
X x 0 0
x 2 2 2
2 − 1
N
N − 1
N 2
2 2 0 W
31
Conclusion
TFTD
Idem TF mais avec une somme.
TFD
Limitation de la durée du signal par fenêtrage.
32