SgnSys 04 TransfoFourier

Chapitre 4
TRANSFORMATION DE FOURIER.
C’est une transformation qui permet l’étude fréquentielle des signaux et systèmes.
4.1. Transformation de Fourier d’un signal périodique.
4.1.1. Décomposition en série de Fourier d’un signal périodique

Le mathématicien français Joseph Fourier (1768 – 1830) a démontré que tout signal x(t ) de
période T0 peut se décomposer en une somme de sinusoïdes dont les fréquences sont des multiples de
la fréquence f 0  1 / T0 du signal :
a0   
x(t )  
2 n 1

a n cos(2f 0 nt)  bn sin(2f 0 nt)
n 1
 (4.1.1)
Les coefficients an et bn sont donnés par :
2 T0 / 2
an 
T0 
T0 / 2
x(t ) cos(2f 0 nt) d t pour n0 (4.1.2)
2 T0 / 2
bn 
T0 
T0 / 2
x(t ) sin(2f 0 nt) d t pour n 1 (4.1.3)
- La composante a0 / 2 , correspondant à n  0 , est appelée composante continue ou valeur

moyenne ;
- La composante correspondant à n  1 , est appelée composante fondamentale ;
- Les autres composantes correspondant à n  2 sont appelées des harmoniques de rang n
(la fondamentale peut être considérée comme l’harmonique de rang 1).
4.1.2. Définition de la transformée de Fourier d’un signal périodique.
4.1.2.1. Transformation de Fourier directe
On appelle transformée de Fourier d’un signal réel périodique x(t ) la suite des nombres
complexes X (nf 0 ) définie par :
1 1 T0 / 2
X (nf 0 ) 
2
(a n  jbn ) 
T0 T0 / 2
x(t ) exp( j 2f 0 nt) d t (4.1.4)
K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 1

La suite X (nf 0 ) est appelée spectre de fréquence du signal périodique x(t ) . Elle se
décompose en spectre d’amplitude X (nf 0 ) et en spectre de phase (nf 0 )  arg[ X (nf 0 )] :
1
X (nf 0 )  a n2  bn2 (4.1.5)
2
(nf 0 )  tan1  bn a n  (4.1.6)
On peut noter que le spectre d’une fonction périodique est essentiellement discontinu et
composé de raies espacées de f 0 sur l’axe des fréquences. A l’aide de la distribution de Dirac, on peut
écrire la suite X (nf 0 ) sous la forme :


X (nf 0 )  X ( f )   X (nf 0 )( f  nf 0 ) (4.1.7.a)
n0

X (nf 0 )  X ( f )   X (nf 0 ) exp j(nf 0 )( f  nf 0 ) (4.1.7.b)
n0
Afin de rendre les équations plus simples, on introduit les valeurs négatives de n ce qui
donne :

T F[x(t )]  X ( f )   X (nf
n
0 )( f  nf 0 ) (4.1.8.a)

X( f )   X (nf
n
0) exp j(nf 0 ) ( f  nf 0 ) (4.1.8.b)
Si x(t ) est réel, on aura : a n  a n et bn  bn .

La représentation du spectre d’amplitude aura la forme de la figure 4.1.
Figure 4.1.1 : Représentation du spectre d’amplitude d’un signal périodique.
4.1.2.2. Transformation de Fourier inverse
Réciproquement, on peut définir la transformée inverse de Fourier de X ( f ) par :


T F1 [ X ( f )]  x(t )   X (nf
n
0)e
 j 2 nf0t
(4.1.9)

4.1.3. Calcul des coefficients.
4.1.3.1. Exemple du signal cosinus
On s’appuie sur les propriétés suivantes :

  2
0 pour n  m
-  sin(n) sin(m) d   

pour n  m
(4.1.10.a)
  2
0 pour n  m
-  cos(n) cos(m) d   

pour n  m
(4.1.10.b)
  2
-  sin(n) cos(m) d   0

 n et  m (4.1.10.c)
x(t )  cos(2f 0 t )
sin(2f 0 t )TT00 // 22  0
2 T0 / 2 2 1
a0 
T0 
T0 / 2
cos(2f 0 t ) d t 
T0 2f 0
 2 T0
2 T0 / 2   1 pour n  1
an 
T0  T0 / 2
cos(2f 0 t ) cos(2f 0 nt) d t   T0 2
0
d’après (4.1.10.b)
 pour n  1
2 T0 / 2
bn 
T0  T0 / 2
cos(2f 0 t ) sin(2f 0 nt) d t  0 d’après (4.1.10.c)
En récapitulant, on a :
a0  0 , a1  1 , a n  0 pour n  1 ,
bn  0 pour n  0
1 1
X ( f0 )  (a1  jb1 ) 
2 2
1 1 1
X ( f 0 )  (a 1  jb1 )  (a1  jb1 ) 
2 2 2
X (nf 0 )  0 pour n  1 .
En utilisant la relation (4.1.8.a), on obtient finalement :
x(t )  cos(2f 0 t )  X( f ) 
1
( f  f 0 )  ( f  f 0 )
2
On peut noter que si x(t ) est réel et pair, alors X ( f ) est aussi réel et pair.
Figure 4.1.2 : Signal x(t )  cos(2f 0 t ) et son spectre.

4.1.3.2.Exemple du signal sinus
x(t )  sin(2f 0 t )
En utilisant les propriétés 4.1.10.a et c, la décomposition en série de Fourier est définie par :
a n  0 pour n  0
b1  1 et bn  0 pour n  1
1 1
X ( f0 )  (a1  jb1 )   j
2 2
1 1 1
X ( f 0 )  (a 1  jb1 )  (a1  jb1 )  j
2 2 2
X (nf 0 )  0 pour n  1 .
X( f ) 
j
( f  f 0 )  ( f  f 0 )
2
On peut noter que si x(t ) est réel et impair, alors X ( f ) est imaginaire et impair.
Figure 4.1.3 : Signal x(t )  sin(2f 0 t ) et son spectre.
4.1.3.3.Exemple du signal carré
 T0
 x(t )  1 pour 
2
 kT0  t  kT0

 T
 x(t )  1 pour kT0  t  0  kT0 k entier
 2
 T
 x(t )  discontinu pour t  k 0
 2
2 T0 / 2
an 
T0 
T0 / 2
x(t ) cos(2f 0 nt) d t
2 
cos(2f 0 nt) d t 
0 T0 / 2

T0   T0 / 2
 cos(2f 0 nt) d t   0 
2 1   T   T 
an  sin  2f 0 n 0   sin  2f 0 n 0 
T0 2f 0 n   2  2 
0 n

2 T0 / 2
bn 
T0 
T0 / 2
x(t ) sin(2f 0 nt ) d t
2  0
sin(2f 0 nt ) d t 
T0 / 2

 
T0  0T / 2
 sin(2f 0 nt ) d t  
0 
bn 
2 1
cos(0)  cos(n)  cos(n)  cos(0)
T0 2f 0 n

2
1  cos(n)
n
bn 
2
n

1  (1) n 
Si n est pair bn  b2 p  0
4 4
Si n est impair bn  b2 p 1   avec p entier supérieur ou égal à 0.
n (2 p  1)
Le développement en série de Fourier est alors :
4 
sin 2f 0 t   sin 3(2f 0 t )   sin 5(2f 0 t )     
1 1
x(t )  
 3 5 
4  sin (2 p  1)(2f 0 t ) 

x(t )  
 p 0 2 p 1
La transformée de Fourier de x(t ) est :
jbn  4 j
X (nf 0 )  
2

2n
1  (1) n  pour n pair
2 p     j 
X( f )     f  (2 p  1) f 0 
 p    2 p  1 
Le spectre est composé des harmoniques impairs. On remarque ici aussi que pour x(t ) réel
impair, x(t ) est imaginaire impair.
Figure 4.1.4 : Signal carré et son spectre.

4.2. Transformation de Fourier d’un signal non périodique
On peut définir la non périodicité comme résultant d’une extension à l’infini de la période T.
L’intervalle de fréquence f 0  1 T tend vers zéro et le spectre devient alors une fonction qui peut être
continue si le signal est à énergie finie. On a :

TFx(t )  X ( f )   x(t ) e  j 2  f t d t

Réciproquement, on peut définir une transformation inverse de Fourier :

TF 1 X ( f )  x(t )   X ( f ) e  j 2 f t d f

X ( f ) est une fonction en générale complexe qui comprend une partie réelle eX ( f ) et une
partie imaginaire mX ( f ) .
On sait que :
e  j 2 f t  cos(2 f t )  j sin(2 f t )
X ( f ) peut donc prendre la forme :
 
X(f )  

x(t ) cos(2 f t ) d t  j  
x(t ) sin(2 f t ) d t
 eX ( f )  jmX ( f )
Le spectre d’amplitude et le spectre de phase sont respectivement :
X( f )  eX ( f )2  mX ( f )2
 mX ( f ) 
( f )  tan1   
 eX ( f ) 
Pour que la transformée de Fourier d’une fonction x(t ) existe et soit réciproque, il faut que
x(t ) ainsi que sa transformée X ( f ) soient à énergie finie, ce qui est le cas pour toutes les fonctions
existant physiquement, parce qu’on les observe sur un temps fini.
4.3. Propriétés de la transformation de Fourier.

4.3.1. Linéarité
TF a  x(t )  b  y(t )  a  X ( f )  b  Y ( f )
Les grandeurs a et b sont des constantes quelconques.

4.3.2. Propriétés de parité-imparité
Le tableau ci-dessous résume ses propriétés. On considère que x(t ) est quelconque, donc
pouvant être complexe.
Tableau 4.1 : Propriétés de parité imparité
x(t ) X( f )
1 Réelle quelconque eX ( f ) paire et mX ( f ) impaire
2 Réelle et paire Réelle et paire
3 Réelle et impaire Imaginaire et impaire
4 Imaginaire quelconque eX ( f ) impaire et mX ( f ) paire
5 Imaginaire et paire Imaginaire et impaire
6 Imaginaire et impaire Réelle et impaire
7 Complexe et paire Complexe et paire
8 Complexe et impaire Complexe et impaire
9 ex(t ) paire et mx(t ) impaire Réelle
10 ex(t ) impaire et mx(t ) paire Imaginaire

On a les relations générales suivantes (* dénote la quantité conjuguée) :
x(t ) X( f )
x * (t ) X * ( f )
x(t ) X ( f )
On peut déterminer X * ( f ) et X ( f ) selon le type de x(t ) . Par exemple :

 X ( f )  X ( f )
*
x(t )  e[ x(t )]  

 X ( f )  X ( f )
*
4.3.3. Propriétés de dualité.

Lorsqu’on change t par f dans x(t ) et f par t dans X ( f ) , on obtient les relations suivantes :
TF x(t )  X ( f )
TF X (t )  x( f )
TF X (t )  x( f )

Exemples x(t )  sin(2at) X( f ) 
j
( f  a)  ( f  a)
2
 Y ( f )  x( f )  sin(2a( f ))   sin(2af )
y(t )  X (t ) 
j
(t  a)  (t  a)
2
v(t )  y(t ) 
j
(t  a)  (t  a)  V ( f )  x( f )  sin(2af )
2
4.3.4. Propriétés d’homothétie (ou similitude).
TF x(at)  X ( f a)
Un étalement de l’échelle des temps conduit à une « contraction » de l’échelle des fréquences
et inversement.
4.3.5. Propriétés de translation.

TF x(t  t 0 )  X ( f ) e  j 2  f t0 t 0 = constante
 
TF x(t ) e  j 2  f 0 t  X ( f  f 0 ) f 0 = constante
Exemple :
Soient les fonctions : x1 (t )  cos(2f 0 t ) et x2 (t )  sin(2f 0 t )
x2 (t )  cos(2f 0 t   2)  cos2f 0 (t   (4f 0 ))  cos2f 0 (t  T 4) avec T 1 f0
X1 ( f ) 
1
( f  f0 )  ( f  f0 )
2
X 2 ( f )  X 1 ( f ) e  j 2 f T / 4 
2

1  j 2 f T / 4
e ( f  f 0 )  e  j 2  f T / 4 ( f  f 0 ) 
Considérons le membre de droite de X 2 ( f ) : ( f  f 0 ) est nulle pour tout f sauf pour
f   f 0 ; de même ( f  f 0 ) est nulle pour tout f sauf pour f  f 0 ; X 2 ( f ) devient alors :
X2( f ) 
2
e 
1 j /2
( f  f 0 )  e  j  / 2 ( f  f 0 ) 
 cos( 2)  j sin( 2) ( f  f 0 )  cos( 2)  j sin( 2) ( f  f 0 )
1
2
  j ( f  f 0 )  j  ( f  f 0 ) 
1
2
X2( f ) 
j
( f  f 0 )  ( f  f 0 )
2
On trouve le même résultat qu’au paragraphe 4.1.3.2.
4.3.6. Convolution (théorèmes de Plancherel)

TF x * y t   X  f   Y  f 
TFxt   yt    X * Y  f 
4.3.7. Transformée de Fourier de la distribution de Dirac

Si on considère une distribution quelconque T, sa transformée de Fourier vérifie, par
définition, la relation suivante :

 TF T ,     T , TF  
Si on considère une distribution régulière [x] associée à une fonction x, la définition ci-dessus
conduit à :
TF x  TF x 
La transformée de Fourier TF x d’une distribution est égale à la distribution TF x 

associée à la transformée de Fourier TF x  au sens des fonctions. On peut utiliser les définitions ci-
dessus pour trouver la transformée de Fourier de la distribution de Dirac. On peut aussi utiliser
l’écriture intégrale de la transformée de Fourier soit :

TF (t )   (t ) e  j 2  f t d t  e 0  1


Car :  
(t )(t ) d t  (0)
En conclusion :
TF (t )  1  constante
Figure 4.3.1 : Distribution de Dirac et son spectre
4.3.8. Transformée de Fourier d’une constante

Soit la fonction x(t ) 1  t ;
On sait que TF (t )  1 ; on utilisera ici exceptionnellement la notation : TF (t )  ( f ) afin

d’exploiter les propriétés de la dualité, lesquelles donnent successivement :
TF (t )  ( f )  1  x(t )  1  (t )
f (t )  F ( f )  TF  f (t )
(t )  ( f )  1
x(t )  1  (t )  ( f )  X ( f )
La fonction ( ) peut être considérée comme une fonction paire donc : X ( f )  ( f )  ( f ) .
En conclusion :
TF 1  ( f )
Au sens des distributions, on aboutit à
l’expression mathématique :

TF 1   1. e  j 2  f t d t  ( f ) Figure 4.3.2 : Fonction constante et son spectre

4.3.9. Transformée de Fourier d’un peigne de Dirac.

On démontre et nous admettons qu’un peigne temporel de mesure 1 et de pas Te possède
comme transformée de Fourier un peigne fréquentiel de mesure Fe et de pas Fe (avec Fe  1 Te ) :
 
 t  kT   F   f  nF 
k 
e e
n
e

Figure 4.3.3 : Peigne temporel de Dirac et son spectre
4.3.10. Transformée de Fourier de la dérivée.
La transformée de Fourier de la dérivée ne s’envisage qu’au sens des distributions. On
démontre alors que :
 d x(t ) 
TF     j 2f X  f 
 dt 
 d n x(t ) 
  j 2f  X  f 
n
TF  n 
 d t 
On doit aussi savoir à propos de l’équation de la transformée de Fourier de la dérivée que :
  d x(t ) 
pas systématiquement X  f   
1
TF 
 d x(t )   j 2f   d t 
TF     j 2f X  f   
 dt  mais formellement  d x(t ) 
Xf 
1
TF   k( f )

  j 2f   d t 
La grandeur k est une constante à déterminer et dont la valeur dépend du contexte : elle est
égale à zéro si x(t ) est une fonction à valeur moyenne nulle ou tend vers zéro à l’infini.
4.4. Autres exemples de transformées de Fourier.

4.4.1. Transformée de Fourier de l’échelon unité de Heaviside.
0 pour t  0
u (t )  
1 pour t  0
En exprimant u (t ) à l’aide de la fonction signe (qui est à valeur moyenne nulle), on a :
TF u (t )  U ( f )  ( f )  TF sgn(t ).
1 1 1 1
u (t )   sgn(t ) 
2 2 2 2
On peut calculer TF sgn(t ) par l’intermédiaire de sa dérivée :
d sgn(t )
 2(t ) (voir section 2.1.5.d du chapitre 2)
dt
 d sgn(t ) 
TF sgn(t )  TF 2(t )
1 1
TF   
 j 2f   d t   j 2f 
TF 2(t )  2  TF sgn(t ) 
1 1
2 j 2f
En conclusion :
TF u (t )  U ( f ) 
1 1
( f ) 
2 j 2f
1 j
 ( f ) 
2 2f
Figure 4.4.1 : Fonction échelon unité et son spectre

4.4.2. Transformée de Fourier de la fonction porte.
On va considérer la fonction porte de durée T, centrée en t = 0 et d’amplitude 1.
 T
1 pour t 
t  T  T  2
x(t )  rect    T (t )  u t    u t    
T   2  2 
0 pour t 
T

 2
 T / 2
X( f )   
x(t ) e  j 2 f t d t  
T / 2
e  j 2 f t d t
X( f ) 
1
j 2 f

e j f T  e  j f T 
e j f T  e  j f T  2 j sin( fT ) conduit à :
2j sin( fT ) sin( fT )
X( f )  sin( fT )  T
j 2 f f  fT
sin y 
La fonction est appelée sinus cardinal de y :
y
sin y 
 sinc y  permet d’obtenir :
y
sin( fT )
X( f ) T  T sinc fT 
 fT
En conclusion :
t sin( fT )
x(t )  rect    T (t )  X( f ) T  T sinc fT 
T   fT
f p1  1,4303/ T ; A1  0,2172T
f p 2  2,4590/ T ; A2  0,1284T
f p 3  3,4709/ T ; A3  0,0913T
Figure 4.4.2 : Fonction porte et son spectre
Nota : Si la durée T de la fonction porte tend vers 0 et que la surface délimitée par T (t ) demeure
constamment égale à T, alors T (t ) tend vers T(t ) et sa transformée de Fourier tend vers
la valeur constante T car f1  1 T (fréquence du premier passage par 0 du spectre) tend vers
l’infini.

4.5. Transformation de Fourier des signaux échantillonnés.
Le signal échantillonné xe (t ) provenant de l’échantillonnage du signal analogique x(t ) se
caractérise par la période d’échantillonnage Te et la durée de la prise d’échantillon Tw (voir chapitre 2,

paragraphe 2.3.2). Son spectre X e ( f ) dépend du spectre X ( f ) de x(t ) et du type
d’échantillonnage.
4.5.1. Cas de l’échantillonnage idéal (ou instantané)
Ce type d’échantillonnage est purement théorique : on considère que la durée Tw de la prise

d’un échantillon est négligeable ; ainsi les valeurs échantillonnées sont égales au signal continu aux
instants d’échantillonnage (voir figure 4.5.1 plus loin). Cet échantillonnage s’exprime analytiquement
par l’expression (4.5.1) et son modèle mathématique par l’expression (4.5.2) :

 xe (t )  x(kTe ) pour t  kTe
 (4.5.1)
 x (t )  0 ailleurs
 e

xe (t )  x(t ). Pgn Te (t )  x(t ).  δ(t-kTe ) (4.5.2)
k  
4.5.1.1. Spectre du signal échantillonné
D’après le théorème de Plancherel, on a :
X e ( f )  TF x(t ). Pgn Te (t )

 
 
 TF x(t )  TFPgn Te (t )
 
n  
 X ( f )  Fe  ( f  nF )
n  
e avec Fe  1 / Te
n   n  
X e ( f )  Fe . X ( f )   ( f  nFe )  Fe .
n  
 X ( f  nF )
n  
e (4.5.3)
On en conclut que le spectre X e ( f ) de xe (t ) est obtenu en répétant, sur l’axe des fréquences
avec un pas égal à Fe, le spectre X ( f ) de x(t ) multiplié par Fe (voir figure 4.5.1 ci-dessous).
Les fréquences discrètes nFe sont appelées fréquences centrales et le motif correspondant à la
fréquence centrale nulle est appelé spectre de base X e 0 ( f ) .

Figure 4.5.1 : Transformation de Fourier des signaux échantillonnés : cas de l’échantillonnage idéal.
4.5.1.2. Théorème d’échantillonnage de Shannon
Considérons la figure 4.5.1 précédente. Si X ( f ) est à fréquence limitée entre FM et +FM
(c’est-à-dire X ( f )  0 pour f   FM ou f   FM ), il s’étend alors sur une largeur de fréquence 2FM.
Le théorème de Shannon stipule : pour que la répétition périodique du spectre du signal

échantillonné ne déforme pas le motif répété, il faut et il suffit que la fréquence de répétition Fe, qui
est la fréquence d’échantillonnage, soit égale ou supérieure à deux fois la fréquence FM du signal
initial :
Fe  2 FM (4.5.4)
La fréquence limite Fe/2 est appelée fréquence de Shannon ou fréquence de repliement

(folding frequency).
Si le théorème d’échantillonnage est respecté, il est possible d’obtenir le spectre du signal

original en extrayant avec un filtre passe-bas idéal le spectre de base X e 0 ( f ) qui est lié à X ( f ) par
la relation :
X e 0 ( f )  Fe X ( f ) (4.5.5)

4.5.1.3. Théorème de reconstitution de Shannon
A partir des propriétés de la convolution par un Dirac, le spectre de xe (t ) peut se mettre sous
la forme :
 
X e ( f )  X ( f )  Fe  ( f  nF )  F  X ( f  nF )
n  
e e
n  
e (4.5.6)
En multipliant cette expression par une fonction porte de largeur Fe , d’amplitude unité et
centrée à l’origine, soit  Fe ( f )  rect( f Fe ) , on a :
  
X e ( f ) Fe ( f )   X ( f )  Fe 
( f  nFe )  Fe ( f )
 n   
  
  Fe X ( f  nFe )  Fe ( f )
 n    
Etant donné que la fonction  Fe ( f ) est nulle en dehors de l’intervalle de fréquences allant de
 Fe 2 à  Fe 2 , le membre de droite de l’équation ci-dessus n’est différente de zéro que pour n

égale à 0 de sorte qu’on retrouve le spectre initial ; on aura donc :
  
 X ( f )  Fe

 ( f  nFe )   Fe ( f )  X ( f )  Fe
n   
(4.5.7)
Déterminons la transformée inverse de Fourier des deux membres de la dernière expression ;

on obtient successivement :
   
T F 1  X ( f )  Fe ( f  nFe )   Fe ( f )  T F 1 X ( f )  Fe 

 n    
  
T F 1  X ( f )  Fe  
( f  nFe )  T F 1   Fe ( f )  T F 1 X ( f )  Fe 

 n   
 
xe (t )  TF 1  Fe ( f )  x(t )  Fe (4.5.8)
Or on sait que (voir section 4.4.2) :

 
TF 1  Fe ( f )  Fe  sinc(Fe t )
Donc :
xe (t )  Fe  sinc(Fe t )  x(t )  Fe (4.5.9)
En simplifiant l’expression ci-dessus par Fe on obtient :
sin(π Fe t )
x(t )  xe (t ) * (4.5.10)
π Fe t

On sait aussi que (voir section 4.5.1) :
    k   
 . δ t  k 
xe (t )  x(t ).  δ(t-kTe ) 
k  
 x(kTe ). δ(t-kTe ) 
k  

k  
x
 Fe   Fe 
   
Cela conduit à :
 sin(π F t )     k     
xe (t )   e
    x . δ t  k    sin(π Fe t ) 
 π Fe t  k     Fe   Fe   π Fe t 
    

 
   k    
   x .δ t  k   sin(π Fe t )  
k   
 Fe    Fe  π Fe t  
     
 
Les propriétés de la convolution par un Dirac donnent :
  
  k  
sin  Fe t  
 Fe  
  sin(Fe t )   
δ t   
k
  
 Fe  Fe t  
  Fe  t  
k
 Fe 
 
En définitive x(t) s’écrit :
   k   
 sin  Fe  t   
  
  k   F  
  x . 
e
x(t )   (4.5.11)
k      Fe  F  t  k  
e
  Fe  
 
Cette expression constitue le théorème de reconstitution de Shannon : on peut reconstituer une
fonction à partir de ses échantillons, pourvu que la fréquence d’échantillonnage soit supérieure ou
égale à deux fois la plus haute fréquence contenue dans le spectre.
4.5.1.4. Repliement du spectre d’un signal l’échantillonné
Le signal échantillonné xe,1 (t ) de la figure 4.5.1 (paragraphe 4.5.1.1) respecte le théorème de
Shannon alors que signal échantillonné xe, 2 (t ) ne respecte pas le théorème ( Fe 2  FM ) : dans ce cas
les bords des motifs individuels se recouvrent, ce qui a pour effet un repliement (alising) du spectre
résultant.

La fréquence FM est la fréquence maximale du spectre de x(t ) et il n’est pas possible de la
connaître. En pratique FM sera obtenue sur une ligne d’échantillonnage par un filtre passe-bas (filtre
antialising) dont la fréquence de coupure est fixée à FM qu’on choisit en fonction de critères liés aux
caractéristiques dynamiques du signal à mesurer. Le filtre antialising est aussi un filtre antibruit. La
valeur pratique de la fréquence d’échantillonnage est en générale :
5FM  Fe  10FM (4.5.12)
4.5.2. Cas des autres types d’échantillonnages

On distingue comme autres procédés d’échantillonnage (voir figure 4.5.2) : l’échantillonnage
naturel (ou réel), l’échantillonnage régulier (ou bloqueur) et l’échantillonnage moyenneur.
a) Echantillonnage naturel b) Echantillonnage régulier c) Echantillonnage moyenneur
Figure 4.5.2 : Les divers procédés d’échantillonnage
4.5.2.1. L’échantillonnage naturel ou réel
L’amplitude de l’échantillon suit la valeur de la fonction x(t ) pendant la durée Tw. :

 xe (t )  x(t ) pour kTe  t  kTe  Tw
 (4.5.13)
 e
Cet échantillonnage, qui constitue la réalité, n’est pas réalisable pratiquement. On peut
modéliser xe (t ) comme étant le produit de x(t ) par une suite infinie de fonctions « porte »
d’amplitude unité, de largeurs Tw et régulièrement espacées de Te. Mathématiquement, on obtient :
 

xe (t )  x(t )  
k  
Tw ( t  kTe )  x(t )   Tw (t )  Pgn Te (t ) (4.5.14)
Le spectre de ce signal est donné par :


X e ( f )  X ( f )  TF  Tw (t )  Pgn Te (t )  (4.5.15)

Les calcules conduisent à :

X e ( f )  X ( f )  T F  Tw (t )  Pgn Te (t ) 
    sin(Tw kFe ) 
 X ( f )  Tw Fe 


 k    Tw kFe
( f  kFe ) 

 
  
sin(Tw kFe ) 
 Tw Fe  
 k    Tw kFe
X ( f  kFe ) 

 
   sin(T kF ) 
X e ( f )  Tw Fe   w e
X ( f  kFe )  (4.5.16)
 k    T kF 
 w e

Cette relation montre que, dans le cas de l’échantillonnage naturel (avec une impulsion de
largeur non nulle), il est possible d’obtenir le spectre du signal original avec un filtre passe-bas idéal
de largeur Fe pour isoler le spectre de base ; la relation liant X e 0 ( f ) et X ( f ) est donnée par :
X e 0 ( f )  Tw Fe X ( f ) (4.5.17)
4.5.2.2. L’échantillonnage régulier ou bloqueur
La différence entre ce type d’échantillonnage et l’échantillonnage naturel est que l’amplitude

de l’échantillon à l’instant kTe est maintenue constante et égale à la valeur x(kTe ) pendant la durée Tw
de la prise d’échantillon.

 xe (t )  x(kTe ) pour kTe  t  kTe  Tw
 (4.5.18)
 e
Ce mode d’échantillonnage correspond au cas pratique le plus souvent mis en œuvre. Le
signal xe (t ) peut être modélisé comme étant une suite infinie de fonctions « porte » de largeurs Tw,
régulièrement espacées de Te et d’amplitude égale à la valeur x(kTe ) . Mathématiquement, on obtient :
 

xe (t )   x(kT )  
k  
e Tw (t  kTe )  x(t )  Pgn Te (t )   Tw (t ) (4.5.19)
Le spectre de ce signal est donné par :

   
X e ( f )  X ( f )  Fe Pgn Fe ( f ) TF  Tw (t ) 
Les calcules conduisent à :
sin(Tw f )    
X e ( f )  Tw Fe  X ( f  kFe )  (4.5.20)
Tw f  
 k   
La relation liant X e 0 ( f ) et X ( f ) est donné par :
sin(Tw f )
X e 0 ( f )  Tw Fe X( f ) (4.5.21)
Tw f
Cette relation montre que, par rapport aux deux premiers procédés d’échantillonnages vus,
l’échantillonneur bloqueur introduit une déformation. En effet X ( f ) est modulé en amplitude par la
fonction sinc( Tw f ) . Cette distorsion reste faible tant que Tw est faible devant Te.
4.5.2.3. L’échantillonnage moyenneur
Il s’exprime analytiquement par :

  kTe  Tw / 2 
 1  
 xe (t )    x(t ) d t  pour (kTe  Tw / 2)  t  (kTe  Tw / 2)
 Tw  kTe  Tw / 2  (4.5.22)
  
 xe (t )  0 ailleurs

L’étude du modèle mathématique conduit à l’expression :

  
1
xe (t )  Tw (t ) * x(t )  (t  kTe ) (4.5.23)
Tw k  
Le calcule du spectre donne :
  sin(T ( f  kF )) 
 
X e ( f )  Fe   T
w
( f  kF )
e
X ( f  kFe )

(4.5.24)
k  
 w e

La relation liant X e 0 ( f ) et X ( f ) est donné par :
sin(Tw f )
X e 0 ( f )  Fe X( f ) (4.5.25)
Tw f
On aboutit à la même conclusion que dans le cas précédent : il y a distorsion du spectre par
rapport aux deux premiers types d’échantillonnages.
4.6. Réponse fréquentielle des systèmes
4.6.1. Définition de la réponse fréquentielle

On appelle réponse fréquentielle d’un processus la réponse de ce processus lorsqu’il est
soumis à un signal d’entrée sinusoïdale.
Cette réponse est constituée par la représentation du module et de l’argument de la fonction de
transfert du système en fonction de la pulsation en rad/s (en Automatique) ou de la fréquence en Hz
(en Traitement du signal).
Lorsqu’on considère le signal de sortie en fonction de la fréquence et le signal d’entrée en
fonction de la fréquence (on parle de spectre), leur rapport est équivalent à la fonction de transfert du
système.

SgnSys 04 TransfoFourier

Transféré par

Informations du document

Titre original

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

SgnSys 04 TransfoFourier

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 4

4.1. Transformation de Fourier d’un signal périodique.

4.1.1. Décomposition en série de Fourier d’un signal périodique

Les coefficients an et bn sont donnés par :

- La composante a0 / 2 , correspondant à n  0 , est appelée composante continue ou valeur

4.1.2. Définition de la transformée de Fourier d’un signal périodique.

4.1.2.1. Transformation de Fourier directe

complexes X (nf 0 ) définie par :

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 1

décompose en spectre d’amplitude X (nf 0 ) et en spectre de phase (nf 0 )  arg[ X (nf 0 )] :

écrire la suite X (nf 0 ) sous la forme :

Si x(t ) est réel, on aura : a n  a n et bn  bn .

Figure 4.1.1 : Représentation du spectre d’amplitude d’un signal périodique.

4.1.2.2. Transformation de Fourier inverse

Réciproquement, on peut définir la transformée inverse de Fourier de X ( f ) par :

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 2

4.1.3.1. Exemple du signal cosinus

On s’appuie sur les propriétés suivantes :

En utilisant la relation (4.1.8.a), on obtient finalement :

Figure 4.1.2 : Signal x(t )  cos(2f 0 t ) et son spectre.

Figure 4.1.3 : Signal x(t )  sin(2f 0 t ) et son spectre.

4.1.3.3.Exemple du signal carré

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 4

Le développement en série de Fourier est alors :

4  sin (2 p  1)(2f 0 t ) 

La transformée de Fourier de x(t ) est :

Figure 4.1.4 : Signal carré et son spectre.

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 5

Réciproquement, on peut définir une transformation inverse de Fourier :

partie imaginaire mX ( f ) .

X ( f ) peut donc prendre la forme :

Le spectre d’amplitude et le spectre de phase sont respectivement :

X( f )  eX ( f )2  mX ( f )2

4.3. Propriétés de la transformation de Fourier.

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 6

1 Réelle quelconque eX ( f ) paire et mX ( f ) impaire

2 Réelle et paire Réelle et paire

3 Réelle et impaire Imaginaire et impaire

4 Imaginaire quelconque eX ( f ) impaire et mX ( f ) paire

5 Imaginaire et paire Imaginaire et impaire

6 Imaginaire et impaire Réelle et impaire

7 Complexe et paire Complexe et paire

8 Complexe et impaire Complexe et impaire

9 ex(t ) paire et mx(t ) impaire Réelle

10 ex(t ) impaire et mx(t ) paire Imaginaire

On peut déterminer X * ( f ) et X ( f ) selon le type de x(t ) . Par exemple :

4.3.3. Propriétés de dualité.

4.3.5. Propriétés de translation.

Soient les fonctions : x1 (t )  cos(2f 0 t ) et x2 (t )  sin(2f 0 t )

x2 (t )  cos(2f 0 t   2)  cos2f 0 (t   (4f 0 ))  cos2f 0 (t  T 4) avec T 1 f0

f   f 0 ; de même ( f  f 0 ) est nulle pour tout f sauf pour f  f 0 ; X 2 ( f ) devient alors :

4.3.6. Convolution (théorèmes de Plancherel)

4.3.7. Transformée de Fourier de la distribution de Dirac

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 8

La transformée de Fourier TF x d’une distribution est égale à la distribution TF x 

4.3.8. Transformée de Fourier d’une constante

On sait que TF (t )  1 ; on utilisera ici exceptionnellement la notation : TF (t )  ( f ) afin

4.3.9. Transformée de Fourier d’un peigne de Dirac.

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 9

4.4. Autres exemples de transformées de Fourier.

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 10

Figure 4.4.2 : Fonction porte et son spectre

K. T. Houngan – EPAC/Université d’Abomey-Calavi. Signaux et systèmes. Chap. 4 : Transformation de Fourier Page 12