Cours

 Traitement  de  signal  

Chapitre  II  

TRANSFORMEE  DE  FOURIER  

1ère    année  Master  MT  

1  
sommaire  

•  Les  deux  domaines  du  signal  

•  Les  origines  de  la  série  de  Fourier  
•  La  noDon  de  fréquence  
•  La  série  de  Fourier  
•  La  transformée  de  Fourier  

2  
 Les deux domaines du signal

la représentation naturelle d'un signal est sa

représentation dans le domaine temporel.
Il existe une autre représentation non moins
importante, qui est la représentation dans le
domaine fréquentiel, qu'on appelle communément
spectre du signal.
Cette représentation permet de voir le niveau de
chaque composante harmonique constituant le signal.

3  
Spectres de 2 signaux sonores
Sons graves
Sons aigus

f
15 kHz
Signal à large bande

f
15 kHz
Signal à bande étroite
4  
LES  ORIGINES  

5  
Joseph  Fourier  
connu  pour  ses  travaux  
sur  la  décomposiDon  de  
foncDons  périodiques  en  
séries  trigonométriques  
convergentes  appelées  
séries  de  Fourier  et  leur  
applicaDon  au  problème  
de  la  propagaDon  de  la  
chaleur.  

1768-­‐1830  
6  
C'est  à  Grenoble  qu'il  conduit  ses  
expériences  sur  la  propagaDon  de  la  chaleur  
qui  lui  permeWront  de  modéliser  l'évoluDon  
de  la  température  au  travers  de  séries  
trigonométriques.  
Ces  travaux,  qui  apportent  une  grande  
amélioraDon  à  la  modélisaDon  mathémaDque  
de  phénomènes,  ont  contribué  aux  
fondements  de  la  thermodynamique.  
LA  FEQUENCE  

9  
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

 Introduction
 Notion de fréquence

 Dans une image

 Surfaces =
basses fréquences
 Contours =
hautes fréquences

 Dans une onde lumineuse

 Les couleurs dépendent
de la longeur d'onde

= la fréquence

11  
TdS Image provenant de http://web.ujf-grenoble.fr/ujf/
Introduction

 Autre exemple : Analyse d'ondes cérébrales

Rep. temporelle Rep. frequentielle

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)

Ondes Thêta: accompagnent des

sentiments de stress émotionnel
(fréquences faibles)

12  
Question : Comment obtenir la représentation fréquentielle d'un signal ?
 Introduction
 La notion de fréquence est également présente dans :
 La voix, un téléphone portable, la radio, l'ADSL, les horaires de passage d'un
train, la musique electronique, un equaliser, un radar, etc.
 Toute ces applications véhiculent ou analysent le contenu fréquentiel
de l'information
 Une représentation fréquentielle de l'information est souvent + facile à
interpréter que la représentation temporelle
Rep. temporelle Rep. frequentielle

13  
TdS 5
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

x  t =cos 2πf 0 t+φ 
=> Pour un cosinus, c'est facile ...
Temps

 Exemple d'une onde lumineuse :

Fréquences variables au cours du temps

(du rouge au violet). Comment caractériser
Onde lumineuse

les informations fréquentielles contenues

dans ce signal ?
=> ici, c'est plus difficile ...

Temps idem pour un signal porte, une exponentielle, etc.

14  
LA  SERIE  DE  FOURIER  

15  
 Représentation des signaux périodiques

Un signal est périodique de période To si x(t) = x(t+kTo)

x(t)

t
0 To

Tout signal périodique peut être représenté par

une combinaison linéaire de signaux simples
appelés signaux élémentaires u1(t), u2(t), u3(t) …
N
x(t) = ∑akuk(t)
k =0
16  
 Décomposition en 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

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

1

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.
• 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).
17  
 Séries de Fourier
La représentation la plus utilisée est la décomposition
en série de Fourier qui consiste à décomposer un signal
périodique de fréquence fo en une somme infinie de
signaux sinusoïdaux de fréquences multiples de fo
qu'on appelle les harmoniques

ao ∞
x(t) = + ∑[ak cos(2πkfot) + bk sin(2πkfot)]
2 k =1

ak = 2 ∫x(t)cos(2πkfot)dt
To T
o

bk = 2 ∫x(t)sin(2πkfot)dt
To T
o

18  
 2ème forme de la série de Fourier
∞
x(t) = ∑C e
k =−∞
k
j2πkfot

Ck = 1 ∫ xp(t)e- j2πkfotdt (k ∈ N)
To T
o

Relation entre les coefficients Ck et ak et bk :

⎧2Co = ao
⎪
⎪Ck = 21 (a −jb )
k k
⎨ k = 1,2,3,...
⎪ak = Ck +C−k = 2ℜ(Ck )
⎪b = j (C −C ) = -2ℑ(C )
⎩k k −k k
Trigo
19  
 3ème forme de la série de Fourier
do ∞
x(t) = + ∑dk cos(2πkfot +φk )
2 k =1

⎧
⎪do = 2 Co = ao
⎪
⎪
⎨dk = 2 Ck = ak +bk k = 1,2,3,...
2 2

⎪
⎪φ = 2 arg( C ) = −arctg ⎛⎜ bk ⎞⎟
⎪⎩ k ⎝ ak ⎠
k

Un signal périodique est une Somme de

sinusoïdes d'amplitude dk, de fréquence kfo et
de phase φk
20  
 Quelques séries de Fourier utiles
m(t)
A
4A ⎡ 1 1 1 ⎤
t m( t ) = ⎢ sin( 2 πf o t ) + sin( 2 π3 f o t ) + sin( 2 π5 f o t ) + ... + sin(2πnfot ) + ...⎥ , n impair
π ⎣ 3 5 n ⎦

m(t)
A
4A ⎡ 1 1 ( −1 ) n ⎤
t m( t ) = ⎢cos( 2πf o t ) − cos( 2π3 f o t ) + cos( 2π5 f o t ) + ... + cos(2π( 2n + 1 ) f o t ) + ...⎥
π ⎣ 3 5 2n + 1 ⎦

m(t)
8A ⎡ 1 1 1 ⎤
m( t ) = 2 ⎢
cos( 2 πf o t ) + cos( 2 π3 f o t ) + cos( 2 π5 f o t ) + ... + cos(2πnf o t ) + ...⎥ , n impair
t π ⎣ 9 25 n 2
⎦

m(t) 2A ⎡ 1 1 ( −1 )n+1 ⎤
m( t ) = ⎢ sin( 2πf o t ) − sin( 2π2 f o t ) + sin( 2π3 f o t ) + ... + sin(2πnf o t ) + ...⎥
t π ⎣ 2 3 n ⎦

m(t) ⎡ +1
⎤
n
(−1)2 ×2
2A 2 2
m(t)= ⎢1+cos(2πfot)+ cos(2π2fot)− cos(2π4fot)+...+ 2 cos(2πnfot )+...⎥ n pair
π 3 15 n −1
t ⎣ ⎦

21  
 Spectre d'un signal périodique

1
1.4

1.3
t
1.2

0.8
fo = 125 Hz
A=1 0.6
0.42
Rapport cyclique = 1/2
0.4
0.25

0.18

0.14

0.098

0.085
0.12

0.075

0.067
0.2

0.061

0.055

0.051

0.047

0.044

0.041
ak = 4 avec k impair 0
kπ 125 625 1125 1625 2125 2625 3125 3625

Script Matlab 22  
LA  TRANSFORMEE  DE  FOURIER  

23  
Et pour les signaux non périodiques ?

 La DSF n'est applicable qu'aux signaux périodiques

 Comment faire pour les signaux non périodiques ?

 Considérons que la période T est infinie (donc F tend vers 0)

 Et comme les harmoniques sont des multiples de F ...

 ... l’écart entre les raies du spectre va donc devenir infiniment petit

 On tend alors vers une représentation fréquentielle continue

C'est la Transformée de Fourier, qui peut être vue comme une

généralisation des séries de Fourier aux signaux non périodiques
24  
 Transformée de Fourier

g(f) sera notée X(f)

x(t) et X(f) forme une paire de Fourier

X(f) est la transformée de Fourier de x(t)

x(t) est la transformée de Fourier inverse de X(f)

+∞
x(t) = ∫X(f)e j2πftdf
-∞
+∞
X(f) = ∫x(t)e- j2πftdt
-∞
25  
 Propriétés de la transformée de Fourier

• Linéarité …………………………………………………………
ax 1( t ) + bx 2( t ) ↔ aX 1(f) + bX 2(f)

• Changement d'échelle du temps ……………………….. f

x(at ) ↔ 1 X( )
a a
• Décalage dans le temps…………………………………….
x(t −to ) = X(f) e-j2πfto
• Décalage en fréquence………………………………..
j2πf o t
e x(t) ↔ X(f - fo )
• Dualité………………………………….…
Si x(t) ↔ X(f) alors X(t) ↔ x(-f)

+∞
• Aire sous x(t) ……………………………………………………………
∫
x(t)dt
−∞
= X(0)

26  
 Propriétés de la transformée de Fourier (2)

+∞
• Aire sous X(f) …………………………………………………………….
∫ −∞
X(f)dt = x(0)

• Dérivation dans le domaine temporel …………………… d x(t) ↔ j2πf X(f)

dt
t
• Intégration dans le domaine temporaire 1 X(f) + X(0)δ(f)
∫ x(t) ↔
−∞
j2πf 2

• Conjugaison …………………… Si x(t) ↔ X(f) alors x*(t) ↔ X *(-f)

x (t) x2(t) ↔ X1(f) ∗ X 2(f)

• Convolution et multiplication …………………………1
x1(t)* x2(t) ↔ X1(f) X 2(f)

27  
 Transformées de fourrier usuelles

Πt
τ
() θ −1 1
θsinc(θf)
θ θ

()
sin c t
B −Β Β 1/B
BΠ(Bf)

1 [δ(f −f ) +δ(f +f ) ]
cos(2πfot) 2 o o

-fo fo

sin(2πfot) 1 [δ(f −f ) −δ(f +f ) ]

2j o o

-fo fo

28  
 Transformées de fourrier usuelles (2)

δ(t) 1

1 δ(f)

R
I

δ(t −to ) e −j2πtof

to f

R
I

e j2πfot δ(f −fo )

f fo

29  
Transformées de fourrier usuelles (3)
R

sgn(t)
1 I
1
-1
j πf
f

1 I
− j sgn(f)
πt
f
R
1
j
I
sgn(f)
πt -1
f R
I
1 1 δ(f) − j
U(t) 2 2πf
f

30  
 Transformées de fourrier usuelles (4)
R
I 1
1 δ(t) + j U(f)
2 2πt
f

k =+∞ k = +∞

k
∑δ(t −kTo )
=−∞
fo ∑δ(f −kfo )
fo
k = −∞
to

1
2
sinc (t) Λ(f)
−3 −2 −1 1 2 3 1 1

31  
Voir détail