Partie 2 – Signaux déterministes et analyse de Fourier

Joseph FOURIER
(1768-1830)
Préfet de l’Isère,
membre de
l’Académie des
sciences, membre de
la Légion d’honneur

… l’analyse de Fourier n’aurait pourtant le succès qu’elle connaît

aujourd’hui si elle ne bénéficiait d’un algorithme de calcul rapide
(TFR ou FFT en anglais, J. Cooley et J. Tukey 1967)…
 Partie 2 – Signaux déterministes et analyse de Fourier
• Notion de fréquence
– Qu'est ce qu'une fréquence ?
• Nombre de fois qu'un phénomène périodique se reproduit
pendant une durée déterminée
• Inverse de la période: 𝑓 = 1/𝑇
• Unité: hertz (= 1/seconde)

– Exemples
• Lumière:
les couleurs dépendent de la
longueur d'onde (= la fréquence)
 Partie 2 – Signaux déterministes et analyse de Fourier
• Notion de fréquence
– Exemples
• Acoustique:
– Sons graves = basses fréquences
– Sons aigus = hautes fréquences
• Imagerie:
– Surfaces = basses fréquences
– Contours = hautes fréquences
 Partie 2 – Signaux déterministes et analyse de Fourier
• Vers une représentation fréquentielle ...
– Une représentation fréquentielle de l'information est souvent +
facile à interpréter que la représentation temporelle
– Exemple: Analyse d'ondes cérébrales
Rep. temporelle Rep. fréquentielle
Ondes Alpha: engendrées lorsque le
sujet change son niveau d'attention
(f. modérées, amplitude importante)

Ondes Bêta: produites par une

activité mentale intense
(f. élevées, faibles amplitudes)

Ondes Thêta: accompagnes des

sentiments de stress émotionnel
(f. faibles)
 Partie 2 – Signaux déterministes et analyse de Fourier
• Vers une représentation fréquentielle ...
– La notion de fréquence est intéressante, mais comment
connaitre les fréquences que contient un signal ?
• Exemple d'un signal sinusoïdal:
𝑓1 : fréquence fondamentale
 Pour un sinus, c’est facile...

• Exemple d’une onde lumineuse:

Fréquences variables au cours du

• temps (du rouge au violet).
 Ici, c’est plus difficile...
idem pour un signal porte, une
exponentielle…

Analyse fréquentielle des signaux

 Partie 2 – Signaux déterministes et analyse de Fourier
• L’analyse de Fourier prend des formes différentes selon le
type de signal
– Signal continu et périodique
 Décomposition en Série de Fourier (DSF)

– Signal continu, non-périodique et d’énergie finie

 Transformation de Fourier (TF)

– Signal discret
 Transformation de Fourier à temps discret (TFTD)

– Signal discret sur une séquence finie

 Transformation de Fourier Discrète (TFD)
 Transformation de Fourier Rapide (TFR)
 Partie 2 – Signaux déterministes et analyse de Fourier
• Plan

– Chap.4 - Décomposition en série de Fourier des signaux

périodiques (DSF)

– Chap.5 - Transformation de Fourier des signaux d’énergie finie

(TF)

– Chap.6 - Transformée de Fourier des signaux à temps discret

(TFTD)

– Chap.7 - Transformée de Fourier discrète (TFD)

 Partie 2 – Signaux déterministes et analyse de Fourier
• Plan
– Chap.4 - Décomposition en série de Fourier des signaux
périodiques (DSF)
• 4.1 Définitions
• 4.2 Quelques propriétés utiles
• 4.3 Cas des signaux quasi-périodiques
• 4.4 Représentation
• 4.5 Reconstruction des signaux
• 4.6 Exemple d’application

– Chap.5 - Transformation de Fourier des signaux d’énergie finie

(TF)
– Chap.6 - Transformée de Fourier des signaux à temps discret
(TFTD)
– Chap.7 - Transformée de Fourier discrète (TFD)
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

Introduction
• Petite expérience : mélangeons quelques sinus ...

– Il est donc possible d'obtenir des signaux périodiques par une

simple combinaison linéaire de signaux élémentaires
– C'est le principe inverse de la décomposition en série de Fourier
 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.1 Définitions
• Forme trigonométrique
La DSF consiste à exprimer un signal périodique de période 𝑇 comme
une combinaison linéaire de fonctions sinusoïdales de fréquences
multiples de la fréquence fondamentale 𝑓1 = 1/𝑇
Un signal 𝑥(𝑡) de période 𝑇, s'exprime comme
+∞
2𝜋𝑡𝑘 2𝜋𝑡𝑘
𝑥 𝑡 = 𝑥 𝑡 + 𝑇 = 𝑎0 + 𝑎𝑘 cos + 𝑏𝑘 sin
𝑇 𝑇
𝑘=1

– Coefficients de la série de Fourier

T /2
a0  1
T 
T / 2
x(t )dt Valeur moyenne ou
composante continue
b0  0

T /2 T /2
ak  2
T 
T /2
x(t ) cos(2 tk / T )dt , k  0 bk  2
T 
T /2
x(t )sin(2 tk / T )dt , k  0
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.1 Définitions
• Forme complexe
– Rappel des formules d’Euler 
sin(2 t / T )  1 e j 2 t /T  e j 2 t /T
2j 
– Application à la DSF
 
cos(2 t / T )  1 e j 2 t /T  e  j 2 t /T
2


x(t )  a0  a
k 1
k cos(2 tk / T )  bk sin(2 tk / T )

x(t )  a0  1
2 a k 1
k  jbk  exp( j 2 tk / T )   ak  jbk  exp( j 2 tk / T )

– Relation entre les coefficients 𝑐0 = 𝑎0

𝑎𝑘 −𝑗𝑏𝑘
𝑐𝑘 = si 𝑘 > 0
2
𝑎𝑘 +𝑗𝑏𝑘
– Forme complexe 𝑐𝑘 = si 𝑘 < 0
2
 T /2

x(t )  ce
k 
k
j 2 tk /T
ck  1
T  x(t )e j 2 tk / T dt , k
T / 2
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.1 Définitions
• Forme complexe

 T /2

x(t )  
k 
ck e j 2 tk /T ck  1
T  x(t )e j 2 tk /T dt , k
T /2

• Coefficients 𝑐𝑘 de même unité que le signal 𝑥 𝑡

• Coefficients 𝑐𝑘 complexes
1 𝑇/2
• 𝑐0 = 𝑥 𝑡 𝑑𝑡: moyenne temporelle du signal 𝑥(𝑡)
𝑇 −𝑇/2
• 𝑐1 : coefficient qui porte l’information sur la fréquence fondamentale
du signal 𝑓1 = 1/𝑇,
• 𝑐𝑘 : coefficient qui porte l’information sur la fréquence harmonique
𝑘
𝑓𝑘 = = 𝑘𝑓1
𝑇
• Fréquences négatives pour commodité de représentation
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.2 Quelques propriétés utiles

∗
• Symétrie hermitienne 𝑐𝑘 = 𝑐−𝑘

• Si le signal 𝑥(𝑡) est réel et pair: 𝑐𝑘 = 𝑐−𝑘

• Si le signal 𝑥(𝑡) est réel et impair: 𝑐𝑘 = −𝑐−𝑘
• Pour cette raison on représente le spectre d’amplitude et de
phase pour 𝑓 > 0 seulement

• Théorème de Parseval
la puissance du signal est conservé dans l’un ou l’autre domaine de
représentation.
T /2 
Px  1
T  | x(t ) |2 dt  
k 
| ck |2
T / 2
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.3 Cas des signaux quasi-périodiques

– Exemple: 𝑥 𝑡 = 𝐴1 cos 2𝜋𝑓1 𝑡 + 𝐴2 cos 2𝜋𝑓2 𝑡

avec 𝑛𝑓1 ≠ 𝑚𝑓2 , 𝑛, 𝑚 ∈ ℕ∗

– La décomposition en série de Fourier existe toujours!

– Les coefficients sont dits de Fourier-Bohr et s’obtiennent par:

T /2
ck  lim 1
T  T 
T / 2
x(t )e j 2 tfk dt
 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
• Spectre unilatéral
+∞ 2𝜋𝑡𝑘 2𝜋𝑡𝑘
𝑥 𝑡 = 𝑎0 + 𝑘=1 𝑎𝑘 cos + 𝑏𝑘 sin
𝑇 𝑇
1
• 𝑓1 = : fréquence fondamentale
𝑇
• 𝑓𝑘 = 𝑘𝑓1 avec 𝑘 ∈ ℕ∗ : fréquences harmoniques
𝑎0 𝑏𝑘
• 𝐴0 = 𝐴𝑘 = 𝑎𝑘2 + 𝑏𝑘2 𝛼𝑘 = arctan −
2 𝑎𝑘

2
𝐴𝑘 𝐴𝑘 𝐴1 2 𝛼𝑘
𝐴1 𝛼1
2 𝛼0
𝐴0 𝐴0 𝐴2 2
𝐴2
2f1
f
0 f1
𝛼2
f f
0 f1 2f1 0 f1 2f1
Spectre d’amplitude Spectre de puissance ou Spectre de phase
Densité spectrale de puissance
 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
• Spectre bilatéral
+∞

𝑥 𝑡 = 𝑐𝑘 𝑒 𝑗2𝜋𝑡𝑘𝑓1
𝑘=−∞
1
𝑓1 = : fréquence fondamentale
𝑇
𝑓𝑘 = 𝑘𝑓1 avec 𝑘 ∈ ℕ∗ : fréquences harmoniques

𝑐𝑘 𝑐𝑘 2 𝐴𝑟𝑔(𝑐𝑘 )
𝐴𝑟𝑔(𝑐−2 ) 𝐴𝑟𝑔(𝑐0 )
𝑐−1 𝑐−1 2 2
𝑐1 𝑐1 𝐴𝑟𝑔(𝑐1 )
𝑐0 𝑐0 2
𝑐−2 𝑐−2 2 2 -f1
𝑐2 𝑐2 2f1
f
-2f1 f1
𝐴𝑟𝑔(𝑐−1 )
f f 𝐴𝑟𝑔(𝑐2 )
-2f1 -f1 0 f1 2f1 -2f1 -f1 0 f1 2f1
Spectre d’amplitude Spectre de puissance ou Spectre de phase
Densité spectrale de puissance
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
• Exemples
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
|𝑐𝑘 | 𝐴𝑟𝑔(𝑐𝑘 )
+∞ 𝑗2𝜋𝑡𝑘𝑓1
• Exemples (𝑥 𝑡 = 𝑘=−∞ 𝑐𝑘 𝑒 ):
𝟏 𝜋
• 𝑥 𝑡 =1
−2𝑓1 − 𝑓1 𝟎 𝑓1 2𝑓1 𝑓 −2𝑓1 − 𝑓1 𝑓1 2𝑓1 𝑓
−𝜋

1 𝜋
• 𝑥 𝑡 = cos 2𝜋𝑓𝑎 𝑡 𝟏/𝟐 𝟏/𝟐

𝑓1 = 𝑓𝑎 −2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 − 𝑓1 𝑓1 2𝑓1 𝑓

−𝜋

1 𝜋
• 𝑥 𝑡 = sin 2𝜋𝑓𝑎 𝑡 𝟏/𝟐 𝟏/𝟐 𝝅/𝟐
𝒇𝟏
𝑓1 = 𝑓𝑎 −2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 − 𝒇𝟏 −𝝅/𝟐2𝑓1 𝑓

𝑥 𝑡 = cos 2𝜋𝑓𝑎 𝑡 − 𝜋/2 −𝜋

• 𝑥 𝑡 = 2 sin 2𝜋𝑓𝑎 𝑡 𝟏 1 𝟏
𝝅/𝟐
𝜋
𝒇𝟏
𝑓1 = 𝑓𝑎
−2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 − 𝒇𝟏 −𝝅/𝟐2𝑓1 𝑓
−𝜋

• 𝑥 𝑡 = sin 4𝜋𝑓𝑎 𝑡 𝟏/𝟐

1
𝟏/𝟐 𝝅/𝟐
𝜋
𝑓1 = 2𝑓𝑎 𝒇𝟏

−𝒇𝟏 − 𝑓𝑎 0 𝑓𝑎 𝒇𝟏 𝑓 −𝒇𝟏 − 𝑓𝑎 𝑓𝑎 −𝝅/𝟐 𝑓

−𝜋
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
• Exemples: |𝑐𝑘 | 𝐴𝑟𝑔(𝑐𝑘 )
• 𝑥 𝑡 = cos 2𝜋𝑓𝑎 𝑡 1 𝜋
𝟏/𝟐 𝟏/𝟐
𝑓1 = 𝑓𝑎
−2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 − 𝑓1 𝑓1 2𝑓1 𝑓
−𝜋

• 𝑥 𝑡 = cos 2𝜋𝑓𝑎 𝑡 + 𝜋/3

1 𝜋
𝑓1 = 𝑓𝑎 𝟏/𝟐 𝟏/𝟐
−𝒇𝟏 𝝅/𝟑

−2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 −𝝅/𝟑 𝒇𝟏 2𝑓1 𝑓

−𝜋

• 𝒙 𝒕 = 𝑨 𝐜𝐨𝐬 𝟐𝝅𝒇𝟏 𝒕 + 𝝋
|𝑐𝑘 | 𝐴𝑟𝑔(𝑐𝑘 )
𝑨/𝟐 𝑨/𝟐
𝝋

−𝒇𝟏

−2𝑓1 − 𝒇𝟏 0 𝒇𝟏 2𝑓1 𝑓 −2𝑓1 𝒇𝟏 2𝑓1 𝑓

−𝝋
Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.4 Représentation
• Exemples:

• 𝑥 𝑡 = 2 cos 2𝜋𝑓𝑎 𝑡 + sin 4𝜋𝑓𝑎 𝑡

𝑛 𝑚 1
𝑇= = = 𝑛, 𝑚 ∈ ℕ∗
𝑓𝑎 2𝑓𝑎 𝑓𝑎
1
𝑓1 = = 𝑓𝑎
𝑇

|𝑐𝑘 | 𝐴𝑟𝑔(𝑐𝑘 )

𝟏 1 𝟏 𝜋
𝟏/𝟐 𝟏/𝟐 𝝅/𝟐
𝟐𝒇𝟏

−𝟐𝒇𝟏 − 𝒇𝟏 0 𝒇𝟏 𝟐𝒇𝟏 𝑓 −𝟐𝒇𝟏 − 𝑓1 𝑓1 𝑓

−𝝅/𝟐
−𝜋
 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.5 Reconstruction des signaux

Exemple: synthèse d’un ECG

Représentation temporelle

Représentation fréquentielle
 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.5 Reconstruction des signaux

Exemple: synthèse du signal créneau
Représentation temporelle

Phénomène de Gibbs:
Signal carré Signal reconstruit à partir du spectre Oscillations d’amplitude égale
à 9% de la discontinuité

N=10 N=50 N=250

 Partie 2 – Analyse de Fourier Chapitre 4 – Décomposition en série de Fourier

4.6 Exemple d’application

Décomposition en Série de
Fourier de la fonction créneau

ℎ 𝑡 =
𝑡 𝑡
𝐴 pour − 0 + 𝑘𝑇 ≤ 𝑡 ≤ 0 + 𝑘𝑇 𝑘∈ℤ
2 2
𝑐𝑘
0 sinon ck 𝐴/4

de période 𝑇 = 4𝑡0
avec 𝑡0 = 1ms

1 𝑇/2 −𝑗2𝜋𝑡𝑘/𝑇 𝑑𝑡
𝑐𝑘 = ℎ(𝑡)𝑒
𝑇 −𝑇/2

𝐴𝑡0 𝜋𝑘𝑡0
𝑐𝑘 = 𝑠𝑖𝑛𝑐
𝑇 𝑇
𝑘=+∞
𝐴𝑡0 𝜋𝑘𝑡0 𝑗2𝜋𝑡𝑘/𝑇
ℎ 𝑡 = 𝑠𝑖𝑛𝑐 𝑒
𝑇 𝑇
𝑘=−∞