Université Paul Sabatier :

Faculté sciences et ingńierie

Master Modĺisation et simulation Mécanique et Énergetique

Introduction à la Transformée de
Fourier Rapide (FFT) "
HAJJAJ Oussama

Encadré par : Mr CHRISTOPHE

AIRIAU
Table des matières
1 Echantillonnage-Analyse Spectrale Numérique 3
1.1 Echantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1 Visualisation du signal x1e pour Fe ∈ [1.1f1 ,1.9f1 ,5f1 ,50f1 ] . . . . . . . 4
1.1.2 Visualisation des signaux échantillonnés x1e , x2e et ye pour Fe ∈ [30f2 ,
10f1 ,f1 ,0.1f1 ] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Visualisation du signal échantillonné x3e pour Fe ∈ [30f2 , 10f1 , f1 , 0.1f1 ] ; 5
1.2 Analyse Spectrale Numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2 Fenêtrage, filtrage du bruit, reconstruction, dérivation et décomposition du

spectre 7
2.1 Fenêtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 Influence de la valeur de a0 . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Fenêtrage de Hanning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1.3 Fenêtrage de Hanning en utilisant les paramètres par défaut du signal
test (section 2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.4 l’influence du temps d’acquisition en posant Tacq = 100 . . . . . . . . . 10
2.2 L’influence du Zero-padding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Débruitage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Décomposition, filtrage de modes . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Dérivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

3 Conclusion 14

1
Table des figures
1 Le signal échantilionné x1e pour différente Fe . . . . . . . . . . . . . . . . . . . 4
2 Le signal échantillionné x1e pour Fe . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Le signal échantillionné x2e pour Fe . . . . . . . . . . . . . . . . . . . . . . . . 4
4 Le signal échantillionné ye pour Fe . . . . . . . . . . . . . . . . . . . . . . . . . 5
5 Le signal échantillionné x3e pour Fe . . . . . . . . . . . . . . . . . . . . . . . . 5
6 les réels des transformées de Fourier des signaux échantillionnés x1e ,x2e et ye . . 6
7 les imaginaires des transformées de Fourier des signaux échantillionnés x1e ,x2e et
ye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
8 La PSD correspondante à chaque signal . . . . . . . . . . . . . . . . . . . . . . 7
9 La PSD correspondante à chaque signal . . . . . . . . . . . . . . . . . . . . . . 7
10 Représentation du signal test x(t) pour a0=0 superposé à celui avec le fenêtrage
de Hanning xw . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
11 Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning xw . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
12 Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning renormalisé xw0 . . . . . . . . . . . . . . . . . . . . . . 9
13 Représentation de la PSD du signal test x(t) section 2 pour a0=0 superposé à
celui avec le fenêtrage de Hanning xw0 . . . . . . . . . . . . . . . . . . . . . . . 10
14 Représentation de la PSD du signal test x(t) section 2 pour a0=0 superposé à
celui avec le fenêtrage de Hanning renormalisé xw0 . . . . . . . . . . . . . . . . . 10
15 Représentation de la PSD du signal test x(t) section 2 pour a0=0 . . . . . . . . 10
16 Représentation du signal test x(t) section 2 pour a0=0 superposé à celui avec le
fenêtrage de Hanning renormalisé xw0 . . . . . . . . . . . . . . . . . . . . . . . . 10
17 Représentation de la PSD du signal test x(t) section 2 pour a0=0 superposé à
celui avec le fenêtrage de Hanning xw0 . . . . . . . . . . . . . . . . . . . . . . . 11
18 Représentation de la PSD du signal test x(t) section 2 pour a0=0 superposé à
celui avec le fenêtrage de Hanning renormalisé xw0 . . . . . . . . . . . . . . . . . 11
19 Représentation du signal x(t) pour a0=0 avec et sans fenêtrage . . . . . . . . . 11
20 Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning xw0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
21 Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning renormalisé xw0 . . . . . . . . . . . . . . . . . . . . . . 11
22 Spectre des fréquence pour un signal bruité . . . . . . . . . . . . . . . . . . . . 12
23 Représentation graphique de la PSD du signal bruité . . . . . . . . . . . . . . . 12
24 Spectre des fréquence pour un signal débruité . . . . . . . . . . . . . . . . . . . 12
25 Représentation du signal avec et san bruit . . . . . . . . . . . . . . . . . . . . . 12
26 Spectre fréquentiel du signal bruité . . . . . . . . . . . . . . . . . . . . . . . . . 13
27 spectre fréquentiel du signal filtré . . . . . . . . . . . . . . . . . . . . . . . . . . 13
28 Représentation du signal bruité normal et du signal filtré . . . . . . . . . . . . . 13
29 PSD du signal dérivé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
30 Représentation du signal de la dérivation théorique et du signal de la dérivation
numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2
 Introduction
L’étude technique ,menée numériquement grâce à la programation Matlab, a pour but de fournir
des ´el´ements de d’assimilation pour l’analyse de signaux par la transform´ees de Fourier. Les
concepts de l’étude sont introduits progressivement et appuy´es par des exemples qui simplifie
la compr´ehension plut^ot que par une analyse math´ematique profonde. Tout d’abord trois
types de signaux usuels sont cités, puis les concepts d’analyse temporelle et fr´equentielle sont y
intégrés. Le traitement de signaux continus est abord´ee avec la transform´ee de Fourier conti-
nue, puis sa g´en´eralisation avec la transform´ee de Fourier ‘a temps discret, est introduite.
L’influence de l’´echantillonnage sur la qualit´e de l’analyse est abordée aussi, puis l’analyse de
signaux discrets est discutée de mani‘ere pratique, avec la transform´ee de Fourier discr‘ete.
Ensuite le traitement numérique ira un peu plus loin en abordant quelques solutions pour
éliminer les bruits dans un signal temporel qui peu causé une perte d’information et cela grâce
au fenêtrage (Hanning par exemple ) etle filtrage du bruit pour avoir une information saine .

1 Echantillonnage-Analyse Spectrale Numérique

Pour notre étude,on a trois signaux de réference :

x1 (t) = a1 cos(2πf1 t) (1)

x2 (t) = a2 cos(2πf2 t + π/4) (2)

x3 (t) = a3 sin(2πf3 t) × sin[2πf5 t − a4 sin(2πf4 t)] (3)

y(t) = 2[x1 (t) + x2 (t)] (4)

Les amplitudes ai :

a1 = 2 a2 = 0.5 a3 = 0.5 a4 = 30

et les fréquences fi

f1 = 60Hz f2 = 10Hz f3 = 10Hz f4 = 20Hz f5 = 400Hz

1.1 Echantillonnage
On échantillonne ces trois signaux sur N points sur la période T = N.∆ T , avec une
fréquence de Fe, soit un pas de temps de ∆ T = Te = 1/Fe, on note x1 e, x2 e, x3 e et ye les
signaux échantillonnés.

3
1.1.1 Visualisation du signal x1e pour Fe ∈ [1.1f1 ,1.9f1 ,5f1 ,50f1 ]
Le signal x1e est visualisé ici sur une durée de temps de 5 périodes et pour Fe ∈ [1.1f1 ,1.9f1
,5f1 ,50f1 ]

Figure 1 – Le signal échantilionné x1e pour différente Fe

Pour avoir les résultats attendus ,il faut que le critère de Shannon soit vérifié par la fréquence
d’échantillionnage utilisée : Fe ≥FShannon = 2.Fmax . Sur la figure 1, on remarque que pour
les courbes de fréquence d’échantillionnage Fe = 1.1f1 , Fe = 1.9f1 et Fe = 5f1 , le signal
ne conserve pas l’information initiale de x1 .On perd plus d’information pour des fréquences
d’échantillonnage plus petit que Fe = 5f1 .
La courbe de Fe = 50f1 est bien sinusoidale et conserve la forme du signal initial x1 pour
ce cas la condition de Shannon est largement satisfaite.

1.1.2 Visualisation des signaux échantillonnés x1e , x2e et ye pour Fe ∈ [30f2 , 10f1
,f1 ,0.1f1 ]
Les signaux échantillonnés visualisés x1e , x2e et ye pour différentes valeurs de Fe. { Fe ∈ [30f2 ,
10f1 ,f1 ,0.1f1 ]}

Figure 2 – Le signal échantillionné Figure 3 – Le signal échantillionné

x1e pour Fe x2e pour Fe

4
 Figure 4 – Le signal échantillionné ye pour Fe

Sur la figure 4, on observe que pour des fréquences d’échantillonnage Fe < f1 ,les signaux
échantillionnés x1e , x2e et ye ne conservent pas les formes et les informations apportées par
les signaux d’origines x1 , x2 et y et donc elles ne vérifient pas la condition de Shannon .
Cependant pour les fréquence d’échantillonnage Fe = 30f2 et Fe = 10f1 ,on voit que les signaux
échantillonnés x1e , x2e et ye conservent les informations initiales des signaux donc la condition
de Shannon est encore largement satisfaite.

1.1.3 Visualisation du signal échantillonné x3e pour Fe ∈ [30f2 , 10f1 , f1 , 0.1f1 ] ;

Les signaux échantillonnés visualisés x3e pour différentes valeurs de Fe. { Fe ∈ [30f2 , 10f1
,f1 ,0.1f1 ]}

Figure 5 – Le signal échantillionné x3e pour Fe

Pour avoir une oscillation, le nombre de période N doit être égale à 3 et donc Te = 60
3
=
0.05s = 50 ms ce qui implique une fréquence d’échantillonnage Fe ≥ 20 Hz , pour avoir des
signaux qui conserve l’information origine et qui satisfaitent le critère de Shannon

5
1.2 Analyse Spectrale Numérique
Pour étudier l’aspect fréquentiel des signaux temporelles de réference ,on se place dans
le domaine spectrale en appliquant la transformée de Fourier Discrète ou FFT sur un signal
échantillonnée de fréquence d’échantillonage Fe = 512 Hz.
On trace les réels et imaginaires des transformées de Fourier des signaux x1e , x2e et ye ainsi
que leur densité de puissance spectrale PSD.
On pose FFT(x1e )=F F T1 , FFT(x2e )=F F T2 et FFT(ye )=F F T3

Figure 6 – les réels des transformées de Fourier des signaux échantillionnés x1e ,x2e et ye

Figure 7 – les imaginaires des transformées de Fourier des signaux échantillionnés x1e ,x2e et
ye

6
 Figure 8 – La PSD correspondante à chaque signal

2 Fenêtrage, filtrage du bruit, reconstruction, dérivation et

décomposition du spectre
On considère le signal test suivant :

x(t) = a0 + a1 cos(2πf1 t + π/4) + a2 cos(2πf2 t + π/7) (5)

pour :
f1 = 1.1Hz f2 = 1.21Hz
a0 = 0 a1 = 1 a2 = 0.6

2.1 Fenêtrage
2.1.1 Influence de la valeur de a0

Figure 9 – La PSD correspondante à chaque signal

7
 .Dans un premier temps , on calcule la PSD dans un diagramme en dB avec un zoom dans
l’intervalle de fréquence 0 f 3 Hz pour les trois cas de a0 0, 0.01, 0.05.
On peut conclure d’aprés la figure 9 que le signal pour les trois valeurs de a0 est identique , à
l’exception de la valeur initiale puisque a0 controle que le la valeur initiale du signal

2.1.2 Fenêtrage de Hanning

.Soit la fenêtre de Hanning ω(n) est :

ω(n) = 0.5[1 − cos(2πn/(N −))]

le fenêtrage est utilisé dès que l’on s’intéresse à un signal de longueur volontairement limitée.
En effet, un signal réel ne peut qu’avoir une durée limitée dans le temps.
La fenêtre de von Hann est une fenêtre typique qui réduira la " fuite "de tout contenu spectral
non périodique, ce qui se traduira par un spectre moins bruyant.

i).Visualisation du signal test x(t) avec et sans fenêtrage

Figure 10 – Représentation du signal test x(t) pour a0=0 superposé à celui avec le fenêtrage
de Hanning xw

Le fenêtrage de Hanning est favorable à la résolution de fréquence. Elle est employée pour
l’étude des régimes transitoires dont la durée de temps est trés grande devant la longueur de
fenêtrage , pour l’analyse de systèmes par l’étude de réponses à des excitations aléatoires, ainsi
que pour des usages généraux.

8
 ii).Visualisation de la PSD du signal test x(t) avec et sans fenêtrage

Figure 11 – Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning xw

On remarque que le fenetrage de hanning a annuler les bruits de part et d’autre du signal
mais le problème c’est que l’amplitude de la PSD a aussi diminué.

Donc aprés on doit aussi prendre en compte l’effet de la fenêtre sur l’amplitude
iii).Visualisation de la PSD du signal test x(t) avec et sans fenêtrage renormalisé

Figure 12 – Représentation de la PSD du signal test x(t) pour a0=0 superposé à celui avec
le fenêtrage de Hanning renormalisé xw0

On remarque bien que les deux PSD de reference et celle obtenue grâce au fenêtrage sont
confondus . il nous reste qu’a éliminer le bruit.

9
2.1.3 Fenêtrage de Hanning en utilisant les paramètres par défaut du signal test
(section 2)

Figure 13 – Représentation
de la PSD du signal test x(t)
section 2 pour a0=0 super-
posé à celui avec le fenêtrage
de Hanning xw0
Figure 14 – Représenta-
tion de la PSD du signal test
x(t) section 2 pour a0=0 su-
perposé à celui avec le fenê-
trage de Hanning renorma-
lisé xw0

2.1.4 l’influence du temps d’acquisition en posant Tacq = 100

Figure 15 – Représentation
de la PSD du signal test x(t)
section 2 pour a0=0
Figure 16 – Représenta-
tion du signal test x(t) sec-
tion 2 pour a0=0 superposé
à celui avec le fenêtrage de
Hanning renormalisé xw0

10

Figure 17 – Représentation
de la PSD du signal test x(t)
section 2 pour a0=0 super-
posé à celui avec le fenêtrage
de Hanning xw0
Figure 18 – Représenta-
tion de la PSD du signal test
x(t) section 2 pour a0=0 su-
perposé à celui avec le fenê-
trage de Hanning renorma-
lisé xw0

On remarque que le temps d’acquisition a une influence non négligeable sur le signal, puisque
plus le temps d’acquisition est élevé plus on a de nombre de points , ce qui nous permet de
bien séparer les amplitudes des différentes fréquences du signal et on plus de bruits de part et
d’autres du pic central.

2.2 L’influence du Zero-padding

Figure 21 – Repré-
Figure 20 – Repré- sentation de la PSD du
sentation de la PSD du signal test x(t) pour
Figure 19 – signal test x(t) pour a0=0 superposé à ce-
Représentation du a0=0 superposé à ce- lui avec le fenêtrage
signal x(t) pour a0=0 lui avec le fenêtrage de de Hanning renormalisé
avec et sans fenêtrage Hanning xw0 xw0

11
2.3 Débruitage
Le débruitage est le traitement du signal dans l’espace spectral afin d’éliminer le bruit et
avoir un signal parfait et idéal, et donc retenir que les modes dont la puissance associée est
supérieure à un certain niveau

On considère le signal (5) avec les paramètres par défaut auquel on a rajouté un bruit
aléatoire.

x1 (t) = x(t) + ab ∗ rand(1, length(t))

Figure 22 – Spectre des Figure 23 – Représenta-

fréquence pour un signal tion graphique de la PSD du
bruité signal bruité

Sur les deux figures 22 et 23, on peut remarqué des anomalies qui touche le signal et le rende
flou et elles sont dues au bruit grâce à la fonction rand. Le niveau de bruit maximal enregistré
est de : Φ = 0.245
Si l’on superpose les 2 signaux : – On remarque que le signal débruité et le signal bruité sont
presque identiques .

Figure 24 – Spectre des Figure 25 – Représenta-

fréquence pour un signal dé- tion du signal avec et san
bruité bruit

12
2.4 Décomposition, filtrage de modes
Dans cette partie on va procéder par un traitement dans l’espace spectral afin d’annuler un
mode particulier sur le signal test avec les paramètres par défaut.(signal de la section 1) On
échantillonne ce signal à Fe = 100 Hz, pour un temps d’acquisition de Tacq = 100 s.

Figure 28 – Re-
Figure 26 – Spectre Figure 27 – spectre présentation du signal
fréquentiel du signal fréquentiel du signal fil- bruité normal et du si-
bruité tré gnal filtré

Aprés avoir appliquer le filtrage , on remarque les amplitudes du signal filtré sont plus grande
que celle du signal normal et que le spectre du signal filtré est plus idéal que celui du signal
normal puisqu’on a qu’une seule fréquence maximale. le filtre utilisé est un filtre passe-bas, qui
laisse passer que les basses fréquences .

2.5 Dérivation

Figure 30 – Représentation du
signal de la dérivation théorique
Figure 29 – PSD du signal dé- et du signal de la dérivation nu-
rivé mérique

13
3 Conclusion
Cette étude technique avait pour but principal le traitement d’un signal donnée et la mani-
qpilation de la transformée de fourier de ce signal pour ressortir différents concepts d’analyse
spectrale et numérique , allons du fenetrage jusqu’à la dérivation . Pendant toute notre étude
, on a bien ´echantillonn´e nos signaux sur un nombre entier de p´eriodes et les fr´equences
d’analyse correspondaient exactement aux fr´equences contenues dans le signal. Pourtant, en
pratique, on ne conna^ıt pas a priori la p´eriode du signal, en admettant que le signal soit
p´eriodique. On voit donc appara^ıtre un ph´enom‘ene parasite d´enomm´e fuite spectrale.

14