Mastère professionnel en Ingénierie

avancée des systèmes robotisés et

Intelligence artificielle: IASRIA

Traitement et analyse du Signal

Mounir Sayadi , Professeur à l'ENSIT

Chapitre 2 : La transformée de Fourier des signaux continus et ses propriétés

Plan du chapitre 2:

a) Représentation vectorielle des signaux

a.1) Espace vectoriel des signaux
a.2) Développement en série de Fourier
b) De la série de Fourier vers la transformé de Fourier
c) Quelques propriétés de la transformée de Fourier
 Linéarité
 Translation temporelle
 Rotation temporelle
 Symétrie hermitienne
 Dérivation
 Similitude
 Théorème de Perceval
 Propriété de l’involutivité
d) Quelques TF usuelles
Transformée de Fourier d'un cosinus
Transformée de Fourier d'un sinus
Transformée de Fourier d'un sinus cardinal
e) Applications des propriétés de la Transformée de Fourier
e.1) Exemple sur l'influence de la troncature temporelle sur le spectre
e.2) Influence de la modulation d’amplitude sur le spectre d’un signal cosinus
e.3) Influence de la périodisation d’un signal
f) Spectre d'énergie et spectre de puissance

1
 Chapitre 2 : La transformée de Fourier des signaux continus et ses propriétés

Introduction : La transformée de Fourier est la base des approches fréquentielles très utile à la reconnaissance de la
parole, du locuteur et à la synthèse audio. Elle est aussi utilisée dans le contrôle non destructif et le diagnostic des
défauts dans les machines électriques. Elle permet de représenter un signal en fonction de plusieurs fonctions
trigonométriques de différentes fréquences et phases.

Un signal temporel x(t) Comment trouver les fréquences qui existent??

En traçant son spectre X(f) ou son spectrogramme qui englobe : Amplitude, temps, freq
Ampl, freq

2
a) Représentation vectorielle des signaux

a.1) Espace vectoriel des signaux

Tout signal x( t ) se décompose dans une base constituée des signaux k ( t ) avec :

x( t ) = 

akk ( t ).

k  Z : l'indice du vecteur de la base.

Les coordonnées sont données par a k = <x( t ), k ( t ) > =
le produit scalaire des deux vecteurs donné par

<x(t),y( t ) > =
 x(t)y * (t)dt

T
2

*
si x( t ) et y ( t ) sont périodiques de période T alors < x( t ) ,y( t ) > = x (t ) y (t ) dt
T
2
la notation * représente le complexe conjugué

Remarque: La base k est orthonormée si et seulement si pour tout k, la norme k est égale à 1 et les produit
scalaire < k ,  > = 0 si m  k
m

La norme de x( t ) est égale à  x(t), x(t)  =
 x(t).x * (t)dt
Application simple: Développement en série d’impulsions rectangulaires décalées
Le signal x(t) peut être décomposé en série d'impulsions rectangulaires décalées avec

x(t)=
 (t  u)x(u)du

x( t ) u

a.2) Développement en série de Fourier

Soit: x( t ) un signal périodique de période T.

2
1 i T tk
Nous choisissons les vecteurs de base : k (t )  e
T
 2 2 
C'est à dire : k (t) = 1 cos( tk )  i .sin( tk ) .

T  T T 

3
On peut vérifier que cette base est orthonormée.
T T
2 i 2 tk  i 2 tk 2

Te T1dt
2 T T
 k (t ) = < k ( t ),  *k ( t ) > = 1 .e dt = 1 = 1 (T  T ) = 1
T T T 2 2
 
2 2

Pour m  k ,
T T
2
2 i t ( k m ) 2iT  2 2
< k ( t ),  ( t ) > =
m  e T dt = 1
T 2(k  m)i  sin(
T
t ( k  m ))  T =0
T 
 2
2
T
1 2 2  i 2 tk
a T
i tk
x(t) 1 e
T
On a donc : x( t ) = k e T
avec a k = x(t), k (t) = dt
k T T

2
T
ak
2  i 2 kt
T x(t)e
T
On note : X k les coefficients de la série de Fourier : X k = = 1 dt
T T

2
2
 i kt
Donc x( t ) est décomposée en série de Fourier avec x(t) =  X
k
e T .
k 
X 0 est la valeur moyenne
i 2 t  i 2 t
Pour k = 1 , -1, on trouve le premier harmonique x f (t )  X 1e T
 X 1e T

Cas où x( t ) est un signal réel: on note : a k = 2Ré( X k ) et b k = -2Im( X k )

 
On montre que : x( t )= x 0 + 
k 1
a k cos( 2 kt) 
T 
k 1
bk sin( 2 tk)
T
T T
2 2
avec a k = 2
T T x(t) cos( 2T tk)dt et bk = 2
T Tx(t) sin( 2T tk)dt , avec k>0  a0  X 0 
 
2 2

4
 Deux signaux ressemblants, colinéaires, ak >0 Deux signaux en opposition de phase, ak <0

Deux signaux indépendants, non corrélés, aucune ressemblance en moyenne ak proche de 0

Exercice: Décomposer en série de Fourier le signal


k 
x(t)   rectT2 (t  k.T) .
k  
Avec rect 2a(x)  1 si
0
a xa
sinon

5
Solution: Calculons Xk:
T T
2
 1 Ti  i 2T k t  4 i  i 2 k 
i k 
4
1 i kt
Xk:= e T
dt =  e  = e  e 2  = 1 sin c ( k )
T

T T 2 k  T 2 k   2 2
4 4

sin( x )
avec sinc(x)= sinus cardinal de x
x
1
 si k  0
1 k  2
Donc Xk= sin c ( )  0 si k paire
2 2 
 (1) si k impaire
p

 (2 p  1)

On peut montrer avec un changement de variable que

2
1  (1) p t (2 p 1)

i
x (t )  e T
2 p  (2 p  1)
1  2( 1) n  2 
x (t )   cos  t (2n  1) 
2 n  0 (2 n  1) T 

Voici un exemple de la représentation des 3 premiers harmonique non nulles et de leur somme d’un signal
périodique de période 3.

6
Exemple d'application de la série de Fourier:
Voici un exemple de la variation du taux de Distorsion d'un onduleur en fonction de l'ordre des harmoniques.
Le résultat converge à 20 %.

b) De la série de Fourier vers la transformé de Fourier

 2

X
i kt
x(t)= k e T
(1)
k 
T
2 2
1 i tk
Xk=
T T
x(t ).e T
dt (2)

2
Si le signal x(t) n'est pas périodique, on suppose qu'il est de période infinie : T  
k
on pose le changement de variable suivant f 
T

7
avec k variable discrète, puisque T   alors la variable f (opérateur de la transformée de Fourier) devient une
variable continue.

i 2ft
L'équation (1) donne x (t )   T .X e
k
df : c'est la transformée inverse de Fourier

 1 i 2ft
L'équation (2) donne X  x (t ) e df : Transformée de Fourier
k  T

D'où les définitions suivantes:


X(f )   x(t ) e i 2 ft dt : Transformée de Fourier de x (t).


 i 2 ft
x (t )   X ( f )e df : Transformée de Fourier inverse de X (f).


X (f ) est un nombre complexe, son module est X ( f ) : le spectre d’amplitude du signal x et son argument est

Im( X ( f ))
arg( X ( f ))  arctg ( ) est le spectre de phase.
Re( X ( f ))
Donc tout signal temporel non périodique x(t) contient une infinité de signaux cos et sin, de toutes les fréquences,
mais d’amplitude X ( f ) et de phase Arg ( X ( f )) variables.

Exercice: Calculer la transformée de Fourier de x (t )  rectT (t )

T

 dt  
 i 2 ft
Solution : X ( f )  x(t ) e 2
T e  i 2 ft dt
 
2

T
 i 2ft  2
e  1  ifT if  sin(fT )
=   e e   T  T sin c( fT )
 i 2f  T i 2f   fT
 
2

La courbe suivante représente la TF du signal x(t )  rect4 (t ) (T=4 s) ainsi que son spectre d'amplitude et spectre

de phase.

8
c) Quelques propriétés de la transformée de Fourier

Si le signal x (t) est réel pair alors : X ( f )  2 x(t ) cos( 2 ft )dt
0


Si le signal x (t) est réel impair alors : X ( f )  2 j  x(t ) sin( 2 ft )dt
0

x (t) X (f)
Réelle et paire x (t)=x (-t)=x*(t)=x*(-t) Réelle et paire X (f)=X(-f)=X*(f)=X*(-f)
Réelle et impaire Imaginaire et impaire
Imaginaire et paire Imaginaire et paire
Imaginaire et impaire Réelle et impaire
Complexe paire Complexe et paire
Complexe impair Complexe et impaire

 Linéarité: La TF est linéaire

TF  x1 (t )   x2 (t )   X 1 ( f )   X 2 ( f )   TF ( x1 (t ))   TF ( x2 (t ))

9
  j 2ft 0
 Translation temporelle TF  x (t  t )  e X (f )
 0 

 La translation temporelle correspond à une rotation spectrale

 Rotation temporelle
 i 2 f 0t 
TF e x(t )  X ( f  f )
  0

 La rotation temporelle correspond à une translation spectrale

 Symétrie hermitienne
*
Pour les signaux réels, on peut montrer que : X (f )  X (f ) (*) désigne le conjugué.

Cette propriété montre que le spectre d’amplitude X ( f ) est toujours pair.

 k . 
 d x (t ) 
 Dérivation : TF    ( j 2f ) k .X (f )
 k 
 (dt ) 
 
1 f
 Similitude : TF  X ( at )  X( )
a a

Une dilatation ou un étalement de l’échelle temporelle se traduit par une compression de l’échelle fréquentiel et vice-
versa.
(Exemple : moteur de radio-cacette: si le moteur tourne lentement son plus grave
si le moteur tourne rapidement son plus aigue
 Dilatation temporelle est une compression fréquentielle
 Compression temporelle est une dilatation fréquentielle
Cette propriété montre qu’un signal et son spectre ne peuvent être tous les deux de largeurs finis.

10
 Théorème de Perceval :
On considère les deux signaux apériodique x (t) et y (t) à énergie finie, continus et dont l’intégrale de chacun est
bornée, alors on peut montrer que la transformée de Fourier conserve le produit scalaire, soit :
 

x(t ) y * (t )dt   X ( f )Y * ( f )df


 Convolution temporelle Produit fréquentiel

TF(x(t)*h(t))=X(f)H(f)

Autres formules utiles:

 TF ( x (t ).h (t ))  X ( f ) * H ( f )

  (t ) * x (t )  x (t )

  (t ).x (t )   (t ).x (0) capte la valeur du signal à l'instant 0

  (t  t 0 ) * x(t )  x(t  t 0 ) retard de t0

11
  (t  t ).x (t )   (t  t ).x (t ) capte la valeur du signal à l'instant t0
0 0 0

 TF ( (t ))  1 ; TF (1)   ( f )

 Propriété de l’involutivité
TF
x (t) X(f)
TF
X (t) x(-f)

d) Quelques TF usuelles:

Transformée de Fourier d'un cosinus: Calculons TF( cos(2f t ) )

0

e i 2  f 0 t  e  i 2 f 0 t
 TF cos( 2 f 0 t   TF e i 2 f t   TF e i 2 f t 
1 1
cos(2 f 0 t )  0 0

2 2 2


on a TF 1.e
i 2 f 0t
  ( f  f 0  
) et TF 1.e i 2f 0t   ( f  f 0 ) X(f)

1 1
 TF cos(2 f 0 t    ( f  f 0 )   ( f  f 0)
0.5
2 2
f
-f0 f0

Transformée de Fourier d'un sinus: De même pour la TF de sin(2f t )

0

e i 2 f 0 t  e  i 2  f 0 t
sin( 2 f 0 t ) 
2i

12
 i
 TF sin( 2 f 0 t )    ( f  f 0 )   ( f  f 0 )
2

Exemple graphique de la TF d'un signal porte: Le schéma suivant illustre le résultat de la transformée de Fourier
d’un signal rect en utilisant les surfaces (aires) algébrique du produit du signal avec les différents cosinus de
fréquences variables.

Voici un exemple de spectre d’amplitude de la somme de 4 signaux sinusoïdaux :

13
Transformée de Fourier d'un sinus cardinal: Calculons maintenant la TF  sinc(at ) 

En appliquant la propriété de l'involutivité, on a

rect T (t) 
TF
Tsinc( fT )
Tsinc(tT ) 
TF
 rect T (-f )  rect T (f ) (car: rect T est paire)

1 1
 TF sinc(tT )  rect T (f )  TF sinc(at )  rect a (f )
T a

e) Applications des propriétés de la Transformée de Fourier

e.1) Exemple sur l'influence de la troncature temporelle sur le spectre:

Etudions l’influence de la troncature temporelle sur cos(2f t ) ?

0
14
La troncature temporelle revient à multiplier le signal cos(2f t ) par un rectT(t)
0

TF cos(2f t )  rect (t)   ( f  f )   ( f  f )  Tsinc( fT )   sinc(T ( f  f 0 ))  sinc(T ( f  f 0 ))

1 T
 0 T  2 0 0  2
Plus que la troncature temporelle est grande, plus que la largeur des deux sinc est grande aussi.
Voici un exemple ou T= 10 s, deux sinc sont apparus à la place des imputions de Dirac.

0.5

-0.5

-1
-5 -4 -3 -2 -1 0 1 2 3 4 5
t(s)

0.8

0.6

0.4

0.2

0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
f(Hz)

0.5
Voici un autre exemple ou T= 20 s
0

-0.5

-1
-20 -15 -10 -5 0 5 10 15 20
t(s)

0.8

0.6

0.4

0.2

0
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
f(Hz)
.

e.2) Influence de la modulation d’amplitude sur le spectre d’un signal cosinus:

1 
x m  x(t )  cos(2f p t ) 
TF
X m ( f )  X ( f )   ( ( f  f p )   ( f  f p )
2 

15
 
1
2
X( f  fp) X( f  fp) 
Le spectre d’un signal modulé en amplitude est composé de 2 copies du spectre du signal original, divisé par 2 et
centré : une à « +fp » et une à « -fp ». Voici un exemple sur la figure suivante:

Voici un exemple de modulation d’amplitude issue de la littérature:

e.3) Influence de la périodisation d’un signal :

La Périodisation temporelle (de période T) correspond à un échantillonnage fréquentiel (de période
1
d’échantillonnage )
T
16
 

periodisation
x (t )   
 x (t)= x (t  kT )
p
k  -

1 k k
X ( f )    X p ( f ) 
échantillonnage
 T X (T ) ( f  T )
k  

Exemple: Voici le spectre d'amplitude d'un signal porte périodique de période 10 s. Il correspond à un
échantillonnage fréquentiel du spectre du signal porte non périodique avec une période d'échantillonnage de 0.1 Hz.

Voici un autre exemple de la littérature:

17
f) spectre d'énergie: et spectre de puissance:

Le spectre d'énergie: Si x(t) est un signal à énergie finie alors son spectre d’énergie est :

S x ( f )  TF  Rx (t ) avec R x la fonction d'autocorrelation

   
donc S ( f )  TF  x(t )  x (t )  X ( f )  X ( f )  X ( f )2
x  
       
car TF  x (t )  X ( f ) , TF  x (t )  X ( f )
   

Le spectre de puissance : Si x (t) est un signal à puissance moyenne finie alors son spectre de puissance est :
S x ( f )  TF R x (t )

On peut montrer aussi que S x ( f )  X ( f )  X ( f )  X ( f )
2

Autre application: Détections des défauts dans les machines :

18
Chaque défaut peut être localisé sur le spectre par une fréquence

19