Académique Documents
Professionnel Documents
Culture Documents
vv
Représentation fréquentielle : Intro
Analyse fréquentielle (Continue): Séries de fourrier
Représentation fréquentielle (Continue): Séries de fourrier
Analyse fréquentielle (Continue): Séries de fourrier
Analyse fréquentielle des signaux continues
vv
Analyse fréquentielle (Continue): Séries de fourrier
Série de Fourier en cosinus
Prenant en compte la relation trigonométrique suivante :
avec :
La représentation spectrale qui lui est associée porte le nom de spectre unilatéral.
Analyse fréquentielle (Continue): Séries de fourrier
La représentation
spectrale graphique
qui lui est associée
porte le nom de
spectre bilatéral.
Analyse fréquentielle (Continue): Séries de fourrier
Analyse fréquentielle (Continue): Séries de fourrier
Relation entre les différentes représentations
Analyse fréquentielle (Continue): Séries de fourrier
Spectres d'amplitudes et de phases
Spectres unilatéraux
Alors que les spectres de phases sont toujours des fonctions impaires. On a en effet :
Exercice :
,
Analyse fréquentielle (Continue): Transformée de fourrier
Analyse fréquentielle (Continue): Transformée de fourrier
Analyse fréquentielle (Continue): Transformée de fourrier
Analyse fréquentielle (Continue): Transformée de fourrier
Analyse fréquentielle (Continue): Transformée de fourrier
Exercice : spectre d’une impulsion rectangulaire
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.
n 0 0 sinon
1 N1 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
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
Analyse fréquentielle (Discret): Serie de fourrier
Prenons N1=2
Nao Nao
N =10
ko
0 2
Nao Nao
N=20
ko
0 2
1
jn 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 N1
jko n
X(k o ) o e jkon 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
Analyse fréquentielle (Discret): Transformée de fourrier
1 jn
x[n]
2 2
X ( )e d Formule de synthèse
jn
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.
2f 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
Analyse fréquentielle (Discret): Transformée de fourrier
Analyse fréquentielle (Discret): Transformée de fourrier
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 :
Solution :
• 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.
Analyse fréquentielle (Discret): Transformée de fourrier
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.
«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
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.
Echantillonnage de signaux
Domaine fréquentiel
Théorème de Shannon
Fe > 2Fmax