Filière : DUT-GE 2021 / 2022

Préparé par : Oussama EL B’CHARRI

TRAITEMENT DU SIGNAL
 2
Analyse fréquentielle des signaux
I. Introduction

2
 2 Analyse fréquentielle des signaux I - Introduction

Notion de fréquence

▪ Qu'est ce qu'une fréquence ?

▪ La fréquence est le nombre de fois qu'un phénomène périodique se reproduit pendant
une durée déterminée
▪ C'est donc l'inverse de la période f = 1/T
▪ La fréquence est mesurée en hertz (= 1/seconde)
▪ Dans un son
▪ Sons graves = basses fréquences
▪ Sons aigus = hautes fréquences

➢ La fréquence permet de caractériser un certain type d'information 3

 2 Analyse fréquentielle des signaux I - Introduction

Notion de fréquence

▪ Dans une image : ▪ Dans une onde lumineuse :

▪ Surfaces = basses fréquences Les couleurs dépendent de la longueur d’onde = fréquence
▪ Contours = hautes fréquences
On parle de fréquences « spatiales ».

▪ La notion de fréquence est également présente dans :

o La voix, un téléphone portable, la radio, l'ADSL, les horaires
de passage d'un train, la musique électronique, un radar, etc.
o Toute ces applications véhiculent ou analysent le contenu
fréquentiel de l'information.
o Une représentation fréquentielle de l'information est souvent
plus facile à interpréter que la représentation temporelle. 4
 2 Analyse fréquentielle des signaux I - Introduction

Notion de fréquence

Autre exemple : Analyse d'ondes cérébrales Réponse temporelle Réponse fréquentielle

▪ Ondes Alpha :
engendrées lorsque le sujet change son niveau
d'attention (f modérées, amplitude importante)
▪ Ondes Bêta :
produites par une activité mentale intense
(fréquences. élevées, faibles amplitudes)
▪ Onde Thêta :
accompagnent des sentiments de stress
émotionnel (fréquences faibles)

Question : Comment obtenir la représentation fréquentielle d'un signal ? 5

 2 Analyse fréquentielle des signaux I - Introduction

Vers une représentation fréquentielle ...

▪ La notion de fréquence est intéressante, mais comment connaitre les fréquences que
contient un signal ?
▪ Exemple d'un signal sinusoïdal :
𝑓0 est la fréquence du signal
⇒ Pour un cosinus, c'est facile ...
Temps
▪ Exemple d’une onde lumineuse :

Fréquences variables au cours du temps (du rouge

au violet). Comment caractériser les informations
fréquentielles contenues dans ce signal ?
⇒ Ici, c'est plus difficile ...
Temps
idem pour un signal porte, une exponentielle, etc. 6
 2 Analyse fréquentielle des signaux I - Introduction

Vers une représentation fréquentielle ...

Domaine, jusqu’à présent, habituel pour analyser un signal :
▪ Domaine temporel : analyse de l’évolution du signal dans le temps
Permet de mettre en évidence certaines caractéristiques :
o signal périodique ou non (détermination de la période),
o amplitude (valeur moyenne, maximale…),
o signal analogique/numérique, énergie finie/infinie, ...
▪ Exemple : Déterminer l’expression analytique du signal ci-dessous ?

7
 2 Analyse fréquentielle des signaux I - Introduction

Vers une représentation fréquentielle ...

▪ L’expression mathématique du signal est :
s( t ) = A0 cos( 2 f0t − 0 ) + A1cos( 2 f1t − 1) + A2 cos( 2 f2t − 2 )

▪ Alors …
o L’observation dans le domaine temporel est souvent insuffisante pour déduire l’expression
mathématique du signal.
o Il serait intéressant de trouver une autre représentation qui apporterait plus d’informations sur le
signal que la représentation usuelle temporelle
o Cette nouvelle représentation devra faire directement apparaître certaines caractéristiques du
signal (par exemple Ao, A1, A2, o, 1, 2) non plus dans le domaine temporel (en fonction du
temps) mais dans le domaine fréquentiel, c’est à dire en fonction de la fréquence. 8
 2 Analyse fréquentielle des signaux I - Introduction

Vers une représentation fréquentielle ...

▪ Représentation habituelle : amplitude du signal en fonction du temps.

▪ Nouvelle représentation : amplitude et phase initiale en fonction de la fréquence.

s( t ) = Ao cos( 2 fot − o ) + A1 cos( 2 f1t − 1 ) + A2 cos( 2 f2t − 2 )

9
 2 Analyse fréquentielle des signaux I - Introduction

Vers une représentation fréquentielle ...

▪ Petite expérience : mélangeons quelques sinus ...

% Code Matlab
f0 = 0.51; A0 = 1;
f1 = 0.11; A1 = 2;
f2 = 0.21; A2 = 2;
% déclaration de signaux de base
x0 = A0*sin(2*pi*f0*t);
x1 = A1*sin(2*pi*f1*t);
x2 = A2*sin(2*pi*f2*t);
% affichage des signaux + combinaison
plot(t, x0, 'y'); hold on;
plot(t, x1, 'g');
plot(t, x2, 'c');
plot(t, x0+x1+x2, 'k.');

▪ Il est donc possible d'obtenir des signaux périodiques complexes par une simple combinaison
linéaire de signaux élémentaires
▪ C'est le principe inverse de la décomposition en série de Fourier 10
 2
Analyse fréquentielle des signaux
I. Introduction
II. Série de Fourier

11
 2 Analyse fréquentielle des signaux II - Série de Fourier

L’idée de Fourier

▪ Sous certaines conditions de dérivation et de continuité,

tout signal à temps continu 𝑠 𝑡 périodique de période 𝑇0
peut être décomposé en une somme de signaux
sinusoïdaux.

▪ Les versions de séries de Fourier sont :

o Série de Fourier trigonométrique

o Série de Fourier en cosinus

Joseph FOURIER
o Série de Fourier complexe Auxerre 1768 - Paris 1830

12
 2 Analyse fréquentielle des signaux II - Série de Fourier

Principe

▪ La Décomposition en Série de Fourrier consiste à exprimer un signal périodique comme une

combinaison linéaire de signaux sinusoïdaux.

1.5

1
Signal 1 x(t) = Signal 1 + Signal 2

0.5

0.5
Signal 2
1

1.5
0 5 10 15 20

▪ Sous forme de signaux sinusoïdaux, les fréquences d'un signal apparaissent naturellement.
13
 2 Analyse fréquentielle des signaux II - Série de Fourier

Principe

▪ Pour les signaux périodiques, la décomposition

en Série de Fourier (DSF) constitue le lien
entre la représentation temporelle d'un signal
et sa représentation fréquentielle.

▪ Pour les signaux non périodiques, il s'agit de la

Transformée de Fourier (TF).

14
 2 Analyse fréquentielle des signaux II - Série de Fourier

Décomposition sous une forme trigonométrique

Considérons un signal périodique 𝑥 𝑡 de période 𝑇 = 1Τ𝑓0 . Son développement en série de

Fourier est :

où
1
▪ 𝑓0 =
𝑇0 est la fréquence fondamentale du signal.
𝑎0
▪ est la valeur moyenne ou composante continue.
2
▪ 𝑎𝑘 , 𝑏𝑘 sont les coefficients de Fourier du développement en cosinus et sinus :

15
 2 Analyse fréquentielle des signaux II - Série de Fourier

Décomposition sous une forme trigonométrique

Exemple :

16
 2 Analyse fréquentielle des signaux II - Série de Fourier

Décomposition sous une forme trigonométrique

Interprétation :

Signal = somme des ondes sinusoïdales en bleu

▪ Une modification dans un des domaines ⇒ impact sur l’autre

▪ Les transformations de Fourier = relations mathématiques entre ces deux représentations. 17
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier en cosinus

Partant de la relation trigonométrique :

le développement en série de Fourier trigonométrique

peut également s’écrire :

avec :
18
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier en cosinus

Remarques :

▪ Le développement en série en cosinus revient à considérer que le signal 𝑥 𝑡 est créé de

manière équivalente par une infinité de générateurs sinusoïdaux

▪ La représentation spectrale correspondante est le spectre unilatéral

19
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier en cosinus

Exemple :
Une onde périodique
en dents de scie

20
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier complexe

▪ Série de Fourier trigonométrique :

▪ Relations d’Euler :

On montre aisément que la série de Fourier peut être transformée en série de Fourier complexe :

21
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier complexe

Remarques :

▪ La représentation spectrale graphique correspondante est le spectre bilatéral

22
 2 Analyse fréquentielle des signaux II - Série de Fourier

Série de Fourier complexe

Exemple :

23
 2 Analyse fréquentielle des signaux II - Série de Fourier

Relations entre les trois représentations de Fourier

24
 2 Analyse fréquentielle des signaux II - Série de Fourier

Relations entre les trois représentations de Fourier

▪ Relation existant entre les coefficients spectraux et la valeur efficace d’une composante spectrale :

25