Vous êtes sur la page 1sur 16

Université Tunis El Manar

Ecole National d’Ingénieurs de Tunis


Département des Technologies de l’Information et
Communication

Nom et prénom : Laakom Amina


Classe : 1Atel2
Année universitaire : 2020-2021
Introduction :
Définition :
La transformée de Fourier à temps discret (TFTD) d’un signal
numérique est donnée par :
X(f) =∑ x(n)e−j2πnf
où x(n) désigne la séquence discrète (généralement obtenue par
échantillonnage d’un signal continu dans le temps) et X(f) sa TFTD qui
est une fonction continue de la fréquence f.
La transformée de Fourier discrète (TFD) consiste à faire une
estimation discrète de X(f) (sur L points fréquentiels
discrets) à partir d’un nombre limité (N) d’échantillons. Ce qui donne
XN(k)=∑x(n)e-j2πnk/L somme de n=0 à n=N-1.
Sous Matlab, la fonction fft permet de calculer la TFD d’une séquence
numérique donnée :
>> X = ff t(x, L);
Propriétés de la TFD :
Les propriétés de la TFD sont identiques à celles de la TFTD. La seule
différence c’est que, pour la TFD, les opérations
sur les séquences sont effectuées modulo N. Ceci est dû au fait que
les séquences sont de longueur finie.
Dans certaines applications en traitement numérique du signal, telles
que par exemple l’implémentation des systèmes
LIT et le filtrage numérique, on a besoin d’utiliser la TFD pour
effectuer des opérations de convolution linéaire. La technique du
zero-padding constitue une méthode pour obtenir une équivalence
entre les deux types de convolution.
Analyse spectrale :
Effet de la troncature temporelle : le fait de choisir un nombre limité
N d’échantillons revient à multiplier (implicitement), dans le domaine
temporel, le signal x(n) par une fenêtre rectangulaire de largeur N. Ce
qui se traduit, dans le domaine fréquentiel, par un produit de
convolution des transformées de Fourier correspondantes.
Rappelons que la transformée de Fourier de la fenêtre rectangulaire
est donnée par : WN (f) =( sin(πfN)/sin(πf))e−jπ(N−1)f
Ainsi, la convolution avec un tel signal fait apparaître des ondulations
dans le spectre du signal x(n) :
– sur la bande utile, l’effet est d’autant plus important que la largeur
du lobe principal est importante.
– hors bande utile, l’effet est d’autant plus important que l’amplitude
des lobes secondaires est importante.
Ce qui affecte la résolution spectrale, i.e. l’aptitude à distinguer deux
fréquences voisines contenues dans le spectre du signal. Cette
résolution dépend directement du nombre d’échantillons choisi ainsi
que des caractéristiques spectrales de la fenêtre appliquée au signal.
Ainsi, pour améliorer la résolution spectrale, différents autres types
de fenêtre peuvent être utilisées, dont par exemple la fenêtre de
Hamming, de Hanning, de Blackman,...
Exercice1 : Aliasing
Nous considérons les deux signaux définis par :
x(t) = cos(2πf0t)
y(t) = cos(2πf1t)
Avec, f0 = 350Hz, f1 = 450 Hz, et fe = 1000 Hz (fréquence
d’échantillonnage).
1. Représenter les deux signaux sur une durée de 50 ms.
Superposer les deux courbes obtenues avec la fonction plot et
en utilisant deux marqueurs différents.

Code :

On a obtenu les deux courbes de x et y séparées.


Visualisation :
les deux signaux x et y superposés. On voit une variation de 100hz
entre les deux signaux x et y.

2. Représenter les spectres d’amplitude respectifs (sur deux


figures différentes). On prendra L = 1024.

Code :
Visualisation :

On obtient pour les deux signaux une courbe symétrique par rapport
à zéro. 2 lobes principaux en f0 et -f0.
Si on fait un zoom, on voit qu’il n’y a pas une raie à f0=350Hz
exactement, et ça en fait est du à la précision il faut augmenter le
nombre L de plus pour augmenter la précision.

Lorsque on a augmenté L à 1500 on a obtenu une raie exactement à


f0=350Hz. Donc lorsque on augmente L la précision augmente aussi .
Exercice2 : Analyse spectrale de la TFD
Soit le signal défini par :
x(t) = a1sin(2πf1t) + a2sin(2πf2t)
Avec f1 = 270 Hz, f2 = 290 Hz, a1 = a2 = 1 et fe = 1200 Hz (fréquence
d’échantillonnage).
1. Donner les représentations temporelles et spectrales du signal x
pour deux valeurs de N (nombre d’échantillons temporels), N =
32 et N = 64, respectivement. Le nombre d’échantillons
fréquentiels étant fixé à L = 512.
Interpréter en se basant sur la représentation spectrale de la
fenêtre rectangulaire utilisée (fonction Matlab rectwin).
la représentation spectrale pour N=32 et c’est pour le signal x1 et
pour N=64 et c’est le signal x2. On a pris L=512
on remarque qu’on n’a pas obtenu des raies aux alentours des
fréquences f1=270Hz et f2=290Hz .Donc il faut soit augmenter L soit
augmenter le nombre d’échantions N pour avoir plus de précision.

2. Maintenant pour N = 128, représenter le spectre d’amplitude de x


pour L = 64 et L = 512. Interpréter en relevant
pour chaque cas les valeurs des fréquences f1 et f2 à partir des
spectres tracés.
Pour L=64 et N=128 encore on n’obtient pas des raies en f1 et f2
On augmente L =512 et on prend le meme N :

Donc on approche à avoir des raies en f1 et f2 alors la précision


devient de plus en plus transparente.
3.Quelle sera la valeur minimale de L à choisir si l’on souhaite avoir
une précision fréquentielle de 5 Hz

On a augmenté L à 4096 et on approche de la précision de plus en


plus .
4.Représenter les fenêtres de Hamming (hamming), de Blackman
(blackman) et de Bartlett dans les domaines temporel et spectral (en
db). Comparer les propriétés spectrales (largeur du lobe principal et
atténuation des lobes secondaire par rapport au lobe principal).
La précision augmente en utilisant la fenetre de hamming.
L’observation avec la fonction plot :

On a minimiser l’effet des lobes secondaires avec ces deux fenetres .


En fait la fenetre de hamming nous donne que les lobes principaux
.elle nous donne plus de précision.

On utilise la fonction stem pour mieux visualiser la précision


On a presque une raie en f1=270hz donc les trois fenetres blackman,
hamming et bartlett ont augmenté la précision .

Fin du compte rendu.

Vous aimerez peut-être aussi