I.

Analyse fréquentielle des SLID

(TFTD, TFD et Fenêtrage)

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 1

http://perso.usthb.dz/~akourgli/
I. Introduction
 But de la transformée de Fourier : Mettre en évidence des caractéristiques du signal
non évidentes dans la représentation temporelle soit les propriétés fréquentielles
(spectrales).
 Description fréquentielle permet de caractériser simplement les filtres linéaires, et
faciliter leur étude.
 Problème : Comment calculer la transformée de Fourier X(f) d’un signal x(t) à l’aide d’un
ordinateur . 
TF x(t )  X  f    xt e 2 j f t dt

 Discrétiser le signal (échantillonnage)
 Tronquer temporellement ce signal
 Discrétiser sa transformée de Fourier.

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 2

http://perso.usthb.dz/~akourgli/
,
II. Rappels
Echantillonnage idéal

xe (t )  x(t ).  (t  nTe ) xe (t )   x(nTe ) (t  nTe )

n n

X e ( f )  f e  X ( f  nf e )
n
- 3Te - 2Te -Te Te 2Te 3Te

Xe(f)
X(f) A fe
A

-2 f e - fe -f ma x f max fe 2f e

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 3

http://perso.usthb.dz/~akourgli/
,
II. Rappels
Echantillonnage idéal
2 Cas :
 fe> 2 fmax  motifs disjoints  Extraire X(f) grâce à un filtre passe-bas idéal  reconstitution
parfaire le signal x(t) à partir des xe(t).

 fe> 2 fmax  motifs élémentaires de |Xe(f)| se recouvrent (Repliement de spectres) 

Impossible de récupérer le spectre X(f) par un filtrage approprié

 une fréquence d´échantillonnage égale à la fréquence de Nyquist (fe /2 > fmax)

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 4
http://perso.usthb.dz/~akourgli/
,
II. Rappels
Remarques :
 Dans la pratique, on prend une fréquence d´échantillonnage supérieure à la fréquence
de Nyquist (fe /2>fmax) car on ne peut réaliser un filtre passe-bas idéal avec une
fréquence de coupure très nette.
Exemple : Spectre de la Voix est compris entre 300Hz et 3400Hz. Numériser la parole
dans le réseau téléphonique fe = 8kHz

Signaux réels sont rarement à support fréquentiel borné (fmax = infinie)   fe il y aura
repliement du spectre.
 Utiliser à l’entrée du système numérique un filtre passe-bas appelé filtre anti-
repliement ou anti-aliasing (Filtre analogique : gain de 1 et fc=fe)

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 5

http://perso.usthb.dz/~akourgli/
III. Transformée de Fourier à temps dicret (TFTD)
Le signal échantillonné : xe (t )   x(nTe ) (t  nTe )
n

. 
 Sachant que TF x(t )  X  f    xt e 2 j f t dt


   
 X e ( f )  xe t  e
   x(nT ) (t  nT ) e  x(nT )e
 2 j f t  2 j f t  2 j f nTe
dt  e e dt  e
  n   n  

 Or X e ( f )  f e  X ( f  nf e )  Signal Périodique de période fe

n
 Décomposable en Série de Fourier

 fe / 2
 Xe( f )  C e n
 2 j n Te f
x(nTe )  C n 
1
 e
X ( f ) e 2 j n Te f
df
n   fe  fe / 2

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 6

http://perso.usthb.dz/~akourgli/
III. Transformée de Fourier à temps dicret (TFTD)
fe / 2
 1

2 j n Te f
La TFTD : X(f )   x(nTe )e  2 j f nTe
La TFTD-1 x ( nTe )  C n  X ( f ) e df
n   fe  fe / 2

 Le calcul de la TF nécessite une infinité de points de mesures x(n)

 Le calculateur ne peut calculer une TFTD car sa réponse fréquentielle est aussi
forcément discrète = un nombre fini de points fréquentiel alors que f varie continûment.

Solution : Limiter la durée de x(n) i.e. considérer un nombre fini N de points temporels et
de discrétiser la fréquence (considérer un nombre fini L de points fréquentiels) d'où la
TFD.

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 7

http://perso.usthb.dz/~akourgli/
IV. Transformée de Fourier Discrète (TFD)
 La numérisation du signal X(f) passe par l'échantillonnage de X(f).
 On divise l'intervalle fe par N, ainsi X(f) est échantillonné à la cadence f=fe /N = 1 /NTe.
périodicité du signal temporel de T0=1/f = NTe.

fe = N.f  f devient kf 


X(f )   e
x ( nT
n  
) e  2 j f nTe

N 1 N 1
X ( kf e / N )   x ( n)e  2 j n Te k fe / N
  x ( n ) e  2 j n k / N  X ( k )
n 0 n 0
fe / 2
1

2 j n Te f
x ( nTe )  C n  X ( f ) e df
fe  fe / 2
N / 2 1 N / 2 1
1 1
Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz
x ( n) 
fe
 X (k ) e
k  N / 2
2 j n k / N
.f 
N
 X (k ) e 
k  N / 2
2 jnk / N

8
http://perso.usthb.dz/~akourgli/
IV. Transformée de Fourier Discrète (TFD)
 La numérisation du signal X(f) passe par l'échantillonnage de X(f).
 On divise l'intervalle fe par N, ainsi X(f) est échantillonné à la cadence f=fe /N = 1 /NTe.
périodicité du signal temporel de T0=1/f = NTe.

fe = N.f  f devient kf 


 N 1
X ( k )   x ( n )e  2 j n k / N X(f )   e
x ( nT ) e  2 j f nTe

 n  
n 0
 N 1 N 1
X ( kf e / N )   x ( n)e   x ( n ) e  2 j n k / N  X ( k )
N / 2 1  2 j n Te k fe / N
1


x ( n) 
N
 X (k ) e
k  N / 2
2 j n k / N
n 0 n 0
fe / 2
1

2 j n Te f
x ( nTe )  C n  X ( f ) e df
fe  fe / 2
N / 2 1 N / 2 1
1 1
Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz
x ( n) 
fe
 X (k ) e
k  N / 2
2 j n k / N
.f 
N
 X (k ) e 
k  N / 2
2 jnk / N

9
http://perso.usthb.dz/~akourgli/
IV. Transformée de Fourier Discrète (TFD)
Exemple
Soit le signal x(n)= 1 pour n = 0 et n= 3 et 0 ailleurs


 TFTD X(f )   e
x (
n  
nT ) e  2 j f nTe
 1  e  6jfTe
 2 cos( 3fTe ) e  3jfTe

 TFD
 3

 X (1)   x ( n ) e 0
 x (0)  x (1)  x ( 2)  x (3)  2
 n 0
3
 X (1)  x ( n)e jn / 2  x (0)  x (1)e j / 2  x ( 2)e j  x (3)e 3jk / 2  2 cos(3 / 4)e 3j / 4
3
 
X ( k )   x ( n)e  2jnk / 4  n 0
3
n 0  X ( 2)   x ( n)e jn  2 cos(3 / 2)e 3j / 2
 n 0
 3

 X (3)   x ( n)e
 3jn / 2
 2 cos(9 / 4)e 9j / 4
 n 0
10
IV. Transformée de Fourier Discrète (TFD)
Exemple
Soit le signal x(n)= 1 pour n = 0 et n= 3 et 0 ailleurs
 TFTD X ( f )  2 cos(3fTe )e 3jfT e

 TFD
 X ( 0)  2
 X (1)  2 cos(3 / 4)e 3j / 4

X (k )    3j / 2
 X ( 2)  2 cos(3 / 2)e
 X (3)  2 cos(9 / 4)e 9j / 4

 Modules des 4 échantillons de X(k): 2, 2 , 0, 2

 Phase des 4 échantillons de X(k):
11
IV. Transformée de Fourier Discrète (TFD) 2
TFTD
1.8

1.6

Exemple 1.4

1.2

Soit le signal x(n)= 1 pour n = 0 et n= 3 et 0 ailleurs

Module
1

0.8

 TFTD X ( f )  2 cos(3fTe )e 3jfTe

0.6

0.4

0.2

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

 TFD
 X ( 0)  2 2
TFTD

 X (1)  2 cos(3 / 4)e 3j / 4 1.5


X (k )    3j / 2
1

 X ( 2 )  2 cos( 3 / 2 ) e 0.5

 X (3)  2 cos(9 / 4)e 9j / 4

Phase
0

-0.5

 Modules des 4 échantillons de X(k): 2, 2 , 0, 2 -1

-1.5

 Phase des 4 échantillons de X(k): -2

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

TFD n'est que l'échantillonnage de la TFTD limitée

12 à N.
IV. Transformée de Fourier Discrète (TFD)
Augmenter Précision (Zéro Padding)
x(n) et X(k) sont calculés sur le même nombre de points N. On peut augmenter la précision, par la
technique du zéro-padding : on calcule la TFD sur un nombre NF pouvant être bien plus grand que le
nombre de points N disponible du signal (NF>>N). 50
sin(pi*N*f)/sin(pi*f)
N*sinc(N*f))
1 0≤ 𝑛≤𝑁−1 40

𝑥 𝑛 = 𝑅𝑒𝑐𝑡𝑁 𝑛 =
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠 30

20

sin(NfTe )  j ( N 1) fTe

 𝑇𝐹𝑇𝐷 X(f )  e  N sin c ( NfTe )e  j ( N 1) fTe 10

sin(fTe ) 0

-10

sin(k )  j k ( N 1) / N
 𝑇𝐹𝐷 X (k )  e  N sin c(k )e  j k ( N 1) / N -20

sin(k / N )
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5

13
IV. Transformée de Fourier Discrète (TFD)
Augmenter Précision (Zéro Padding)
x(n) et X(k) sont calculés sur le même nombre de points N. On peut augmenter la précision, par la
technique du zéro-padding : on calcule la TFD sur un nombre NF pouvant être bien plus grand que le
nombre de points N disponible du signal (NF>>N). 4 4
TFD d une porte (largeur 4) calculee sur 4 points TFD d une porte (largeur 4) calculee sur 16 points

1 0≤ 𝑛≤𝑁−1
3.5 3.5

𝑥 𝑛 = 𝑅𝑒𝑐𝑡𝑁 𝑛 = 3 3

0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠 2.5 2.5

2 2

sin(NfTe )  j ( N 1) fTe

1.5 1.5

 𝑇𝐹𝑇𝐷 X(f )  e  N sin c ( NfTe )e  j ( N 1) fTe 1 1

sin(fTe ) 0.5 0.5

0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

sin(k )  j k ( N 1) / N
4 4

 𝑇𝐹𝐷
TFD d une porte (largeur 4) calculee sur 32 points TFD d une porte (largeur 4) calculee sur 64 points

X (k )  e  N sin c(k )e  j k ( N 1) / N 3.5 3.5

sin(k / N ) 3 3

2.5 2.5

2 2

sin(k ) 3  j k / 4
1.5 1.5

X (k )  4 e 1 1

sin(k / 4) 0.5 0.5

0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 14
0.2 0.3 0.4 0.5
IV. Transformée de Fourier Discrète (TFD)
Propriétés
 x(n) est périodique de période N et X(k) est aussi périodique de période N
2 ( n  N ) k 2nk 2Nk
1 N 1 1 N 1
x ( n  N )   X ( k )e   X ( k )e
j j j
N N
e N
 sn
N k 0 N k 0

 Linéarité ax1 (n)  bx 2 (n) TFD

 aX 1 (k )  bX 2 (k )

2  j k m

 Décalage temporel x ( n  m) 
 X ( k )e
TFD N

2 j k 0 n

 Décalage fréquentiel x ( n )e N
TFD
 X (k  k 0 )

 Dualité temps-fréquence x(n) TFD

 X (k )  X (n) 
TF
N .x (  k )
15
IV. Transformée de Fourier Discrète (TFD)
Propriétés
 x(n) est périodique de période N et X(k) est aussi périodique de période N
N 1 2 ( n  N ) k N 1 2nk 2Nk
1 1
 X ( k )e  X ( k )e
j j j
x(n  N )  N
 N
e N
 x ( n)
N k 0 N k 0

1
 Changement d'échelle x ( an ) TFD
 X (k / a)
a

 Convolution périodique x(n)  h(n) TFD

 X (k ).H (k )
N 1 N 1
1
  X (k )
2 2
 Conservation de l’Energie x ( n) 
0 N 0

 (n) TFD
 1  e 2jmk / N
 (n  m) TFD
16
V. Transformée de Fourier Rapide (TFR ou FFT)
Le calcul direct de la TFD sur N points nécessite N 2 opérations complexes. L’algorithme
proposé réduit à Nlog2(N) le nombre d’opérations
2 n k
(Si N=1024,
2 n k
Nop/100).
N 1 j 7 j
Exemple : TFD pour 8 points S k   sn e N
  sn e 8

n 0 n 0

 2  7

 On pose WN  exp  j  alors S k   snW8nk

 N  n 0

 S 0   W80 W80 W80 W80 W80 W80 W80 W80   s0   S 0  W80 W80 W80 W80 W80 W80 W80 W80   s0 
   0      0  
 S1   W8 W81 W82 W83 W84 W85 W86 W87   s1  W81 W82 W83 W84 W85 W86 W87   s1 
 S1  W8
 S 2   W80 W814   s2   S 2  W80
   0
W82 W84 W86 W88 W810 W812
  W82 W84 W86 W80 W82 W84 W86   s2 
 S 3    W8 W83 W86 W89 W812 W815 W818 W821   s3     0  
 S 3   W8 W83 W86 W81 W84 W87 W82 W85   s3 
S   W 0 W84 W88 W812 W816 W820 W824 W828   s4 
 4   80    S  W 0 W84 W80 W84 W80 W84 W80 W84   s4 
 S 5   W8 W85 W810 W815 W820 W825 W830 W835   s5   4   80  
S   W 0 W86 W812 W818 W824 W830 W836 W842   s6   S 5  W8 W85 W82 W87 W84 W81 W86 W83   s5 
 6  8    S  W 0 W86 W84 W82 W80 W86 W84 W82   s6 
 S 7   W80 W87 W814 W821 W828 W835 W842 W849   s7   6  8  
 S 7  W80 W8 W8 W8 W8 W8 W8 W8   s7 
7 6 5 4 3 2 1

 Propriétés WNnN  1, WNN / 2  1, WNn  N  WNn 17

V. Transformée de Fourier Rapide (TFR ou FFT)
Le calcul direct de la TFD sur N points nécessite N 2 opérations complexes. L’algorithme
proposé réduit à Nlog2(N) le nombre d’opérations.
2 n k 2 n k
N 1 j 7 j
Exemple : TFD pour 8 points S k   sn e N
  sn e 8

n 0 n 0

 2  7

 On pose WN  exp  j  alors S k   snW8nk

 N  n 0

 S 0  W80 W80 W80 W80 W80 W80 W80 W80   s0 

   0  
 S1  W8 W81 W82 W83 W84 W85 W86 W87   s1 
 S 2  W80 W82 W84 W86 W80 W82 W84 W86   s2 
   0  
 S 3   W8 W83 W86 W81 W84 W87 W82 W85   s3 
 S  W 0 W84 W80 W84 W80 W84 W80 W84   s4 
 4   80  
 S 5  W8 W85 W82 W87 W84 W81 W86 W83   s5 
 S  W 0 W86 W84 W82 W80 W86 W84 W82   s6 
 6  8  
 S 7  W80 W8 W8 W8 W8 W8 W8 W8   s7 
7 6 5 4 3 2 1

 Propriétés WNnN  1, WNN / 2  1, WNn  N  WNn 18

V. Transformée de Fourier Rapide (TFR ou FFT)
N 1 2 n k 3 2 n k
j j
Exemple : TFD pour 4 points S k   sn e N
  sn e 4

n 0 n 0

 2  3
 On pose WN  exp  j  alors S k   snW4nk
 N  n 0

W40 W40 W40 W40  W40 W40 W40 W40  1 1 1 1

 0     
W4 W41 W42 W43  W40 W41 W42 W43  1  j  1 j 
 
W40 2 4
W4 W4 W4 6 W40 2 à
W4 W4 W4 2
1  1 1  1 
 0     
W4 W43 W46 W49  W40 W43 W42 W41  1 j  1  j 

 2 
 Pour la TFD-1 WN  exp j  Inverser le sens de rotation !!
 N 
19
V. Transformée de Fourier Rapide (TFR ou FFT)
N 1 2 n k
j
L’algorithme suppose que N est pair : posons N=2 P. S k   sn e N

n 0
Introduisons les 2 sous-suites de sn en fonction de la parité de n
un  s2 n 
n  0 ,..., P 1

vn  s2 n 1
n  0 ,..., P 1

N 1 P 1 P 1
 On obtient S k   snW nk
N   uiW 2 ik
2P   viW2(P2i 1) k
n 0 i 0 i 0
P 1 P 1
S k   uiW  W ik
P
k
N vW i P
ik

i 0 i 0

S k  U k  WNkVk
http://nicolas.thiery.name/DESS/Notes/Cours4.pdf
 On réitère ce raisonnement pour les 2 sous-suites.
 Ainsi de suite jusqu'à arriver à ne calculer que des TFD de 1 points.
20
V. Transformée de Fourier Rapide (TFR ou FFT)
N 1 2 n k 7 2 n k
j j
L’algorithme suppose que N est pair : posons N=2 P. S k   sn e N
  sn e N

n 0 n 0
Introduisons les 2 sous-suites de sn en fonction de la parité de n
un  s2 n 
n  0 ,..., P 1

vn  s2 n 1
n  0 ,..., P 1

N 1 P 1 P 1
 On obtient S k   snW nk
N   uiW 2 ik
2P   viW2(P2i 1) k
n 0 i 0 i 0
P 1 P 1
S k   uiW  W ik
P
k
N vW i P
ik

i 0 i 0

S k  U k  WNkVk
http://pageperso.univ-lr.fr/pierre.courtellemont/TD4.pdf

 On réitère ce raisonnement pour les 2 sous-suites.

 Ainsi de suite jusqu'à arriver à ne calculer que des TFD de 1 points.
21
VI. TFD des Signaux Illimités
N 1
Le nombre d’éléments d’une séquence transformée par la TFD est implicitement limité : X (k )   x(n)e  2 j n k / N
n 0
 La fenêtre intrinsèque à la TFD est donc la fenêtre rectangulaire de durée T0=NTe.
 
TFTD  x ( n) . Re ct ( n)   X  f  * N sin c ( fT0 )
 T0  NTe 

 Troncation du signal échantillonné par une fenêtre de largeur T0  Convoluer le spectre avec un sinus
cardinal qui s’annule tous les 1/T0 avec T0 = NTe soit tous les fe/N. 16
TFD
14 TFTD

12

Exemple 10

 Rouge : TFTD de {x(n) = e2jf0n}, pour n= {0, . . . ,N − 1} avec N = 16 et f0 = 0,2

Phase
8

 En bleu X(f), le module de la TFTD de x(n).

6

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

L’allure de X(f) : Un lobe principal de largeur 2/N (ou 2fe/N) autour de la fréquence f 0 et des lobes
secondaires de largeur 1/N (ou fe/N). 22
VI. TFD des Signaux Illimités 20
16
18
TFD
14 TFTD
16

 Dans le cas général, le spectre, obtenu par TFD 14

12
12

3 fréquences
10

est donc un ensemble de fonctions sinc(T0f ) centrées 10

3 sinc
8
8

6 6

sur les fréquences qui composent le signal théorique 4 4

initial. 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Exemple 1 : x(n)= A0 e2jf0n + A0 e2jf1n pour n (0:N-1) où f0 et f1  [-fe/2, fe/2]

16 16
fe=1 N=16 f0=0.16 f1=0.2 A0=A1 fe=1 N=16 f0=0.18 f1=0.3 A0=A1
14 14

Si l'écart en valeur absolue entre f0 et f1 est > à fe/N, 12 12

10 10

il sera possible de distinguer les deux fréquences 8 8

sur le tracé.
6 6

4 4

2 2

0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

23
Cette résolution en fréquence est liée au nombre de points N du signal
VI. TFD des Signaux Illimités 20
16
18
TFD
14 TFTD
16

 Dans le cas général, le spectre, obtenu par TFD 14

12
12

3 fréquences
10

est donc un ensemble de fonctions sinc(T0f ) centrées 10

3 sinc
8
8

6 6

sur les fréquences qui composent le signal théorique 4 4

initial. 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Exemple 2 : x(n)= A0 e2jf0n + A0 e2jf1n pour n (0:N-1) où f0 et f1  [-fe/2, fe/2]

16
fe=1 N=16 f0=0.18 f1=0.3 A0=10*A1
14

A0> A1 Un masquage du lobe principal de la composante en f1 peut 12

survenir en raison des ondulations présentes (Le premier lobe 10

secondaire ) dans le spectre de A0exp(2jπf0n) 6

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

L'importance des lobes secondaires peut être réduite par l'emploi d'autres fenêtres 24
VII. Fenêtres de Pondération
Pour ne pas altérer le spectre original, il faudrait que W(f) (spectre de la fenêtre) se rapproche le plus
possible d’une distribution de Dirac.

Deux éléments importants pour se rapprocher de la distribution de Dirac : La finesse du lobe principale et la
hauteur des lobes secondaires :
10

 Plus la largeur du pic principal est fine, plus la résolution 8

est grande, c’est-à-dire que l’on peut séparer des raies proches. 6

 Plus les lobes secondaires sont élevés plus on dégrade la 3

forme du spectre et la détection d’un signal d’amplitude faible 1

0
en présence d’un signal d’amplitude élevée sera difficile. -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

25
VII. Fenêtres de Pondération
Fenêtre Rectangulaire
La finesse du lobe principale (2 fe/N) peut être réglée 10

par le nombre d’échantillons N. Ainsi, plus on observe 9

TFD Fen réctangulaire
TFD Fen Triangulaire

le signal longtemps, plus la résolution du spectre augmente 8

Par contre,  R varie très peu en fonction de N (-13dB) donc 7

toujours une distorsion de spectre. 6

4
Fenêtre Triangulaire
3
On peut exprimer cette fenêtre sous la forme d’une
2
convolution de deux rectangles de largeur N.Te/2.
1
On observe une atténuation des lobes secondaires (-24dB)
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
par rapport à la fenêtre rectangulaire au prix de
l’élargissement du pic central (4fe/N). 26
VII. Fenêtres de Pondération
Fenêtre Rectangulaire & Fenêtre Triangulaire
Rappels 10

RectN(n) * RectN (n)= N. N(n)

TFD Fen réctangulaire
9 TFD Fen Triangulaire

 RectN/2(n) * RectN/2 (n)= N/2. N/2(n) 8

 2/N RectN/2(n) * RectN/2 (n)= N/2(n) 7

5
Par ailleurs
X ( f )  TFTD Re ct N ( n)  N sin c ( NfTe )e
4
  j ( N 1) fTe

3
N
 TFTDRe ct N / 2 (n)  N sin c( N fTe )e  j (
2
1) fTe
2
2 2
1

0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5

2  2 N
N N
N  j ( 1) fTe N N  j ( 1) fTe
TFTD  Re ct N / 2 ( n) * Re ct N / 2 ( n)   . sin c ( fTe )e 2
sin c ( fTe )e 2

N  N 2 2 2 2 27
VII. Fenêtres de Pondération
Autres fenêtres

28
VII. Fenêtres de Pondération
Autres fenêtres
Dans un problème d’analyse spectrale, on utilise généralement plusieurs fenêtres l’une après l’autre afin
d’obtenir un bon compromis résolution/déformation.

10
Rectangle TFD Rectangle
Hanning 9 TFD Hanning
1 Hamming TFD Hamming
8
Blackman TFD Blackman
7
0.8
6

0.6 5

4
0.4
3

2
0.2
1

0 0
5 10 15 20 25 30 35 40 45 50 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
29
VI. TFD des Signaux Illimités 20
16
18
TFD
14 TFTD
16

 Dans le cas général, le spectre, obtenu par TFD 14

12
12

3 fréquences
10

est donc un ensemble de fonctions sinc(T0f ) centrées 10

3 sinc
8
8

6 6

sur les fréquences qui composent le signal théorique 4 4

initial. 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Exemple 2 : x(n)= A0 e2jf0n + A0 e2jf1n pour n (0:N-1) où f0 et f1  [-fe/2, fe/2]

16
fe=1 N=16 f0=0.18 f1=0.3 A0=10*A1
14

A0> A1 Un masquage du lobe principal de la composante en f1 peut 12

survenir en raison des ondulations présentes (Le premier lobe 10

secondaire ) dans le spectre de A0exp(2jπf0n) 6

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Prendre N= 10 et observer 30
 II. Analyse des Filtres Numériques
par la TZ (Transformée en Z)

Faculté d’Electronique et d’Informatique, USTHB [akourgli@usthb.dz 31

http://perso.usthb.dz/~akourgli/