Analyse Fréquentielle Pour Cour

Analyse fréquentielle
Analyse fréquentielle : Intro
=> La fréquence permet de caractériser un certain type d'information

Représentation fréquentielle : Intro
Question : Comment obtenir

la représentation
fréquentielle d'un signal ?
vv
Analyse fréquentielle (Continue): Séries de fourrier
Représentation fréquentielle (Continue): Séries de fourrier
Analyse fréquentielle des signaux continues
vv
Série de Fourier en cosinus
Prenant en compte la relation trigonométrique suivante :
On voit que le développement en série de Fourier peut également s'écrire :
avec :
La représentation spectrale qui lui est associée porte le nom de spectre unilatéral.
La représentation
spectrale graphique
qui lui est associée
porte le nom de
spectre bilatéral.
Relation entre les différentes représentations
Spectres d'amplitudes et de phases
Spectres unilatéraux
La description de x (t) avec les fonctions Co sinusoïdales conduit

aux spectres unilatéraux d'amplitudes et de phases Ak et k du signal
x (t).
Les fréquences sont positives ou nulles car le compteur k des

harmoniques varie de 0 à +inf,
La description de x (t) avec les fonctions complexes conduit aux spectres bilatéraux
d'amplitudes et de phases |X (j · k) | et X (j · k).
Les fréquences sont négatives et positives car le compteur k varie de −1 à +1.
Dans le cas des spectres bilatéraux, on notera que les spectres d'amplitudes sont toujours des fonctions paires car
on a :
Alors que les spectres de phases sont toujours des fonctions impaires. On a en effet :
Pour le cas particulier de la composante continue du signal (k = 0), on a :

Exercice Dessiner le spectre unilatéral et bilatéral de x(t)
Analyse fréquentielle (Continue): Raies spectrales
vv
Exercice DSF ( SIRvv
)
Exercice :
Faire la décomposition en série de fourrier de la SIR suivante:

X(t) = A ; si t < T/2 ; -A si t>T/2
Exercice Suite d’exponentielles décroissantes
Exercice Suite d'impulsions triangulaires SIT
Exercice Suite d'impulsions composite
Largeur t1 = 0.25 [ms], t2 = 0.5 [ms]

Amplitude A1 = 1 [V], A2 = 2 [V].
Analyse fréquentielle (Continue): Transformée de fourrier
vv
Exemple
,
Exercice : spectre d’une impulsion rectangulaire
Considérons une impulsion x(t) de largeur t et d'amplitude A centrée en t = 0.

Par dentition de la transformation de Fourier, on a :
Exercice : spectre d’une impulsion rectangulaire
Considérons une impulsion x(t) de largeur t et d'amplitude A centrée en t = 0.

Par dentition de la transformation de Fourier, on a :
Exercice : spectre d’un sinus amorti
Calcul de quelques transformées
Exponentiel décroissant
Exponentiel décroissant
symétrique
Unité
Phaseur
Analyse fréquentielle (Discret): Serie de fourrier
Analyse des signaux discret
 Représentation des signaux périodiques ( séries de fourrier)
x[n] périodique de période N  x[n]= x[n+N]
2
On définit les harmoniques (phaseurs) par:  k [n ]  exp[jk( )n ] , k  1,  2,...
N
 k [n ] est périodique de période N, puisque  o [n]   N [n] , 1[n]   N 1[n]..........
2
Il existe seulement N harmoniques distincts :  k [n ]  exp[jk( )n ] , k  0, 1, 2, ........,N - 1
N
Contrairement aux signaux continus où on a une infinité d’harmoniques distinctes.
 Propriétés des phaseurs

N 1  N , si k m
1. Périodicité  k [n]   k rN [n] 3. Orthogonalité   k [n ]. m [n ]  
*
n 0 0 sinon
1 N1 1 , si k  0,  N,  2N....
2. Moyenne  k  [ n ]  
N n 0 0 ailleurs
Analyse fréquentielle (Discret): Série de fourrier
Décomposition en Série de Fourier discrète
Tout signal discret périodique peut se décomposer sous forme de sommes d’exponentiels complexes :
N 1 2 2
a k  Coefficient de la série de Fourier
jk ( )n jk ( )n
Formule de synthèse x[n ]  a ke N  a ke N
k 1 k  N 
Connaissons le signal x[n] on peut déterminer les coefficients ak à partir de l’expression suivante :
2
1  jk ( ) n
Formule d’analyse ak   x[n ].e
N kn N
N
N échantillons du signal définissant une période

{x[0], x[1], x[2],………., x[N-1]}
 N échantillons de la série d Fourier
{ao, a1, a2,………., aN-1 }
Exemples 1. Sinusoïde 2. Signal rectangulaire périodique de période N

2 2
1  j N n  j N n 2
x[n ]  sin(  o n )  e e avec o 
2j  N
  N
-N1 N1
Exemples 2 2
1  j N n  j N n 2
x[n ]  sin(  o n )  e e avec o  Après identification on trouve :
1. Sinusoïde 2j  N
 
1 1 2m 1 1
a 1    a N1 et a1   a N1 Si
o   am  et a m  
2j 2j N 2j 2j
2. Signal rectangulaire périodique de période N

-N1 N1 N
2 2
1  jk ( ) n 1 N1  jk ( N ) n 2 2 2
ak   x[n ].e N   .e 1 2 N1  jk ( N )( m  N1 ) 1 jk ( N ) N1 2 N1  jk ( N ) m
a k   .e
N k  N N  N1 On pose m = n+N1
N m0
 e
N
 .e
m0
2 N1  1 2 2
1 jk ( N ) N1 2 N1 m  jk ( )
ak  si   1 càd k  0,  N,  2N....  e  . ,   e N
N N m 0
 2 1 
2 sin k
 N( )( N  )
1   2 N 1 1 1 2   
jk ( ) N1 1
1 sin (2 N1  1) 
ak  e N 
N 1  N  2  2  2
sin k ( ) On pose k  Na k 
 2N  N 
sin  
si   1 càd k  0,  N,  2N.... 2
Prenons N1=2
Nao Nao
N =10
ko
0 2
Nao Nao
N=20
ko
0 2
Quand N  ∞ , Nak  un signal continu périodique de période 2pi.

Analyse fréquentielle (Discret): Transformée de fourrier
 Transformée de Fourier des signaux à temps discret
(DTFT= Discrete Time Fourier Transform)
On définie la transformée de Fourier à partir de la série de Fourier
Soit un signal apériodique de durée finie x[n] :
On peut construire un signal périodique y[n] de période N à

partir de x[n] :
2
jk ( )n
y[n ]  a ke N et
k  N 
2 2 2 2
 jk ( N1  jk ( N1  jk (
N1  jk ( )n
 x[n ]e
1 )n 1 )n 1 )n
Na k 
 y[n ]e  y[n ]e  x[n ]e
N
ak  N  N  N
N n  N  N n   N1 N n   N1 n  N1
 1
 jn c’est la transformée de Fourier de x[n] a k  X()
On définit l’enveloppe des Nak par : X ( )   x[n ]e N  
2 k
n  X() est périodique de période 2 N
2
 y[n]  x[n]
N 1 jk ( ) n N 1 1 1 N1 
jko n
X(k o ) o e jkon qd N   alors  k o  (0,2)
y[n ]  ak e N   N X(k o )e  
2 k  0   d infinement petit
k 0 k 0  o
1 jn
x[n]  
2 2 
X ( )e d Formule de synthèse

 jn
X()   x[ n ]e Formule d’analyse
n  
Remarque
Si on prend la fréquence comme variable on obtient :


 
 j2 fn
X(f )   x[n ]e
Dans ce cas la transformée de Fourier est périodique de période 1
1 1
 n   [ , ] est appelé intervalle principal.
  2f   2 2
 
1
 2
j2 fn X(f ) : Spectre d’amplitude et Arg[X(f)] :
x[n]   X(f )e df
Spectre de phase.
 
1
 2
 Transformée de Fourier Discrète (DFT=Discrete Fourier Transform)
L’objectif de la Transformée de Fourier Discrète est d’effectuer les transformations sur un nombre fini de données à traiter
et pour un nombre fini de fréquences pour lesquelles on calcule la transformée.
Définition
La Transformée de Fourier d’un signal discret (TDFT) présente deux difficultés quant à son utilisation par un système de
traitement numérique :
• La fréquence f est continue

• Le nombre d’échantillons x[n] à calculer est infini
Solution :
• Discrétisation de la fréquence. f est discontinu.

• Limitation de la durée du signal.  Le nombre d’échantillon est fini.
La Transformée de Fourier Discrète X[k] d’un signal numérique x[n] est définie par :
De même la Transformée de Fourier Discrète inverse est donnée par :
• x[n] est discret  X(f) est périodique (Transformée de Fourier), de période 1.

• X(f) est discret  x[n] et X[k] sont périodiques de période N :
x[n+N] = x[n] et X[k+N] = X[k]
Ainsi : « Il y’ a discrétisation et périodisation temporelle et fréquentielle »
• La DFT représente les valeurs échantillonnées de la DTFT d’un signal x[n] si celui ci est à durée finie [0,…,N-1].
• La DFT représente parfaitement les signaux discrets périodiques, du fait de leurs périodicités, à condition de prendre
N = nombre entier de période du signal. Il n’y a pas de recouvrement ni temporel ni fréquentiel.
• Si x[n] n’est pas de durée finie, la DFT ne représente que les valeurs échantillonnées de la DTFT de x[n]PN[n]. Ceci a
pour conséquence de faire apparaître des oscillations parasites dans la DFT.
 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 quand on considère la
DFT comme les échantillons de la transformée de Fourier de x[n].
Soit Tu = durée utile d’un signal et Bu = bande utile du signal.
D’après le théorème de Shannon on a : et pour avoir une bonne résolution spectrale :
«On définit la dimension N d’un signal par le nombre d’échantillons minimum d’un signal x[n] permettant de reconstruire
x[n] à partir de ces N échantillons».
Echantillonnage de signaux
Le principe d'échantillonnage concerne la transformation d'un signal à temps continu en un signal à temps discret.
Dans cette opération, une partie de l'information est habituellement perdue et il convient de bien comprendre le
phénomène d'échantillonnage pour connaître et si possible minimiser l'information perdue.
Nous appelons échantillonneur idéal l'échantillonneur si il est capable de piquer le signal aux instants n•Te en un temps
extrêmement bref.
Domaine fréquentiel
On obtient un spectre infini et périodique de période f0

Fe > 2Fmax Fe < 2Fmax
Théorème de Shannon
Fe > 2Fmax
On utilise un filtre anti repliement

Analyse Fréquentielle Pour Cour

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse Fréquentielle Pour Cour

Transféré par

Droits d'auteur :

Formats disponibles

Analyse fréquentielle

Analyse fréquentielle : Intro

=> La fréquence permet de caractériser un certain type d'information

Question : Comment obtenir

On voit que le développement en série de Fourier peut également s'écrire :

La description de x (t) avec les fonctions Co sinusoïdales conduit

Les fréquences sont positives ou nulles car le compteur k des

Pour le cas particulier de la composante continue du signal (k = 0), on a :

Faire la décomposition en série de fourrier de la SIR suivante:

Largeur t1 = 0.25 [ms], t2 = 0.5 [ms]

Considérons une impulsion x(t) de largeur t et d'amplitude A centrée en t = 0.

Considérons une impulsion x(t) de largeur t et d'amplitude A centrée en t = 0.

 Propriétés des phaseurs

N échantillons du signal définissant une période

Exemples 1. Sinusoïde 2. Signal rectangulaire périodique de période N

2. Signal rectangulaire périodique de période N

Quand N  ∞ , Nak  un signal continu périodique de période 2pi.

On peut construire un signal périodique y[n] de période N à

• La fréquence f est continue

• Discrétisation de la fréquence. f est discontinu.

• x[n] est discret  X(f) est périodique (Transformée de Fourier), de période 1.

Ainsi : « Il y’ a discrétisation et périodisation temporelle et fréquentielle »

D’après le théorème de Shannon on a : et pour avoir une bonne résolution spectrale :

On obtient un spectre infini et périodique de période f0

On utilise un filtre anti repliement

Vous aimerez peut-être aussi