Chp2 Analyse Fréquentielle Des Signaux

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

▪ 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
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

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

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

▪ 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

▪ 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
▪ 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
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
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
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
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
Exemple :
16
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
Série de Fourier en cosinus
Partant de la relation trigonométrique :
le développement en série de Fourier trigonométrique
peut également s’écrire :
avec :
18
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
Exemple :
Une onde périodique
en dents de scie
20
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
Série de Fourier complexe
Remarques :
▪ La représentation spectrale graphique correspondante est le spectre bilatéral
22
Relations entre les trois représentations de Fourier
24
Relations entre les trois représentations de Fourier
▪ Relation existant entre les coefficients spectraux et la valeur efficace d’une composante spectrale :
25
Spectres d’amplitudes et de phases
▪ Spectres unilatéraux
fréquences positives ou nulles
26
▪ Spectres bilatéraux
27
▪ Spectres bilatéraux
o Les spectres d’amplitudes sont toujours des fonctions paires car :
o Les spectres de phases sont toujours des fonctions impaires :
o Pour le cas particulier de la composante continue du signal, on a :
28
Coefficients spectraux et symétries des signaux
▪ Si l’on tient compte des symétries du signal, le calcul des séries de Fourier est simplifié :
o une fonction paire est représentée par des cosinus seulement :
4 𝑇Τ2
𝑏𝑘 = 0 et 𝑎𝑘 = න 𝑥 𝑡 ∙ cos 2𝜋𝑘𝑓0 𝑡 ∙ 𝑑𝑡
𝑇 0
On a alors :
o une fonction impaire est représentée par des sinus seulement ; on a alors :
4 𝑇Τ2
𝑎𝑘 = 0 et 𝑏𝑘 = න 𝑥 𝑡 ∙ sin 2𝜋𝑘𝑓0 𝑡 ∙ 𝑑𝑡
𝑇 0
On a alors : 29
Coefficients spectraux et symétries des signaux
Symétrie de « Glissement »
▪ Si, par translation d’une demi-période, une fonction de

période T est changée en sens opposé, on obtient une
symétrie par rapport à l’axe des temps :
𝑇
𝑥 𝑡+ = −𝑥 𝑡
2
▪ Alors : Fonction à symétrie demi-onde
o Le terme 𝑎0 Τ2 est nul

o Son développement en série de Fourier ne contient pas d’harmonique de rang pair :
30
Exemple de représentations spectrales d’un signal
o Exemple 1 : Considérons le signal :
Décomposition en série de Fourier en cosinus
31
o Exemple 1 : Considérons le signal :
Décomposition en série de Fourier complexe
32
33
o Exemple 2 : Analyse d’un signal carré
Les coefficients complexe de Fourier :

34
o Les coefficients de Fourier sont purement réels puisque le signal est pair
35
o Plus les impulsions sont étroites par rapport à la période T, plus le spectre s’étale :
• le premier passage par zéro se fait à la fréquence 1ൗ∆𝑡
1
• la distance entre raies spectrales ne change pas puisqu’elle est égale à l’inverse de la période du signal carré : 𝑓0 =36
𝑇
o Exemple 2 : Synthèse d’un signal carré

Pour reconstruire le signal carré à partir de sa décomposition en série de Fourier complexe, on
applique l’opération inverse de la décomposition en série de Fourier :
▪ Reprenons l’expression des coefficients complexes :
La relation de synthèse nous donne :
37
▪ La relation de synthèse nous donne :
▪ Application numérique :
∆𝑡
Dans le cas d’un signal carré, le rapport cyclique vaut 0.5 et le sinus cardinal s’annule pour 𝑘 pair.
𝑇
Avec 𝐴 = 1, il vient alors :
38
39
Phénomène de Gibbs
On remarque :
▪ une convergence rapide vers le signal original au

fur et à mesure que N augmente.
▪ des oscillations que l’on désigne sous le nom de

phénomène de Gibbs.
Phénomène de Gibbs = effet de bord aux discontinuités

40
Importance de la phase
▪ Il est fréquent en traitement du signal de ne parler que des spectres d’amplitudes et de

délaisser quelque peu les spectres de phases.
▪ Cette attitude est due au fait que lors du filtrage de signaux audio, on se contente de modifier
le spectre d’amplitudes car l’oreille est peu sensible aux distorsions de phase.
▪ Cependant, lorsque l’on désire conserver la forme d’un signal, en particulier dans le cas du
filtrage d’images, il est très important de ne pas négliger le spectre de phases.
▪ La phase contient une part importante de l’information concernant la forme d’un signal
41
Importance de la phase
o Exemple :
42
2
I. Introduction
II. Série de Fourier
III. Transformée de Fourier
43
2 Analyse fréquentielle des signaux III - Transformée de Fourier
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
44
Interprétation : Spectres de raie pour différentes périodes
Plus la période augmente, plus l'écart entre les 𝑿 𝒋 ∙ 𝒌 diminue ...
45
Définitions
▪ La Transformée de Fourier
Soit 𝑥 𝑡 un signal non périodique. La TF de 𝑥 𝑡 , si elle existe, est :
+∞
𝑋 𝑓 =න 𝑥 𝑡 ∙ 𝑒 −𝑗2𝜋𝑓𝑡 ∙ 𝑑𝑡
−∞
o 𝑋 𝑓 indique la « quantité » de fréquence 𝑓 présente dans le signal 𝑥 𝑡 sur l’intervalle −∞, +∞ .
o 𝑋 𝑓 donne des informations fréquentielles sur 𝑥 𝑡
o 𝑋 𝑓 ∶ fonction complexe (de la variable réelle 𝑓) qui admet :
▪ un spectre d’amplitude 𝐴𝑓 = 𝑋 𝑓 ▪ un spectre de phase 𝜑 𝑓 = 𝑎𝑟𝑔 𝑋 𝑓
▪ Notation
𝑇𝐹
𝑋 𝑓 = 𝑇𝐹 𝑥 𝑡 ou 𝑥 𝑡 𝑋 𝑓
46
Définitions
▪ La Transformée de Fourier inverse

Soit 𝑥 𝑡 un signal non périodique. La TF inverse, si elle existe, est :
+∞
𝑥 𝑡 =න 𝑋 𝑓 ∙ 𝑒 +𝑗2𝜋𝑓𝑡 ∙ 𝑑𝑓
−∞
▪ Notation
𝑇𝐹 −1
𝑥 𝑡 = 𝑇𝐹 −1 𝑋 𝑓 ou 𝑋 𝑓 𝑥 𝑡
▪ Remarque
𝑋 𝑓 et 𝑥 𝑡 sont deux descriptions équivalentes (temporelle ou fréquentielle) du même signal.
On écrit : 𝑥 𝑡 ⇌𝑋 𝑓 47
Propriétés de la TF
▪ Linéarité
𝑎1 𝑥1 𝑡 + 𝑎2 𝑥2 𝑡 ⇌ 𝑎1 𝑋1 𝑓 + 𝑎2 𝑋2 𝑓
▪ Décalage temporel
∘ Le spectre d′amplitude du signal ne change pas.
𝑥 𝑡 ± 𝑡0 ⇌ 𝑒 ±𝑗2𝜋𝑓𝑡0 ∙𝑋 𝑓 ቊ
∘ Le spectre de la phase est modifiée de ± 𝑗2𝜋𝑓𝑡0
▪ Décalage fréquentiel
∘ L’amplitude du signal temporel ne change pas.
𝑒 ±𝑗2𝜋𝑓0 𝑡 ∙ 𝑥 𝑡 ⇌ 𝑋 𝑓 ∓ 𝑓0 ቊ
∘ La phase du signal temporel est modifiée de ∓ 𝑗2𝜋𝑓𝑡0
▪ Inversion du temps
𝑥 −𝑡 ⇌ 𝑋 −𝑓
48
▪ Changement d’échelle
La contraction dans le domaine temporel
1 𝑓
𝑥 𝑎𝑡 ⇌ 𝑋 , ∀ 𝑎 ∈ ℝ∗ correspond à la dilatation dans le domaine
𝑎 𝑎 fréquentiel et inversement
▪ Conjugaison complexe
𝑥 ∗ 𝑡 ⇌ 𝑋 ∗ −𝑓
▪ Symétrie dans le cas de signaux réels

Si 𝑥 𝑡 est un signal réel alors 𝑋 𝑓 = 𝑋 −𝑓 Le spectre d’amplitude est une fonction
Donc 𝑋 𝑓 = 𝑋 −𝑓 et 𝜑 𝑓 = −𝜑 −𝑓 paire et le spectre d’argument est
impair
▪ Symétrie dans le cas de signaux imaginaires purs
Si 𝑥 𝑡 est un signal imaginaire pur alors 𝑋 𝑓 = −𝑋 −𝑓
49
▪ Parité
Si 𝑥 𝑡 est un signal réel et pair alors 𝑋 𝑓 est réel et pair.
Si 𝑥 𝑡 est un signal réel et impair alors 𝑋 𝑓 est imaginaire pur et impair.
▪ Dérivation
Dans le domaine temporel : Dans le domaine fréquentiel :
𝑑𝑛 𝑥 𝑡 𝑛𝑋 𝑓
𝑑𝑛 𝑋 𝑓 𝑛𝑥 𝑡
⇌ +𝑗2𝜋𝑓 ⇌ −𝑗2𝜋𝑓
𝑑𝑡 𝑛 𝑑𝑓 𝑛
▪ Intégration
1
Soit 𝑃 𝑥 𝑡 la primitive de 𝑥 𝑡 alors : 𝑃𝑥 𝑡 ⇌ 𝑋 𝑓
𝑗2𝜋𝑓
▪ TF et produit de convolution
𝑥 𝑡 ∗𝑦 𝑡 ⇌𝑋 𝑓 ∙𝑌 𝑓 𝑥 𝑡 ∙𝑦 𝑡 ⇌𝑋 𝑓 ∗𝑌 𝑓
50
Dualité de la TF
▪ Les définitions symétriques de la TF et de la TF inverse permettent de mettre en avant une

propriété de la TF appelée Dualité de la TF.
▪ Soit 𝑥 𝑡 , un signal quelconque dont la TF est bien définie
+∞ +∞
𝑥 𝑡 =න 𝑋 𝑓 ∙ 𝑒 +𝑗2𝜋𝑓𝑡 ∙ 𝑑𝑓 et 𝑋 𝑓 =න 𝑥 𝑡 ∙ 𝑒 −𝑗2𝜋𝑓𝑡 ∙ 𝑑𝑡
−∞ −∞
+∞
𝑥 −𝑡 = න 𝑋 𝑓 ∙ 𝑒 −𝑗2𝜋𝑓𝑡 ∙ 𝑑𝑓
−∞
▪ On intervertit les variables temporelles et fréquentielles :
+∞
𝑥 −𝑓 = න 𝑋 𝑡 ∙ 𝑒 −𝑗2𝜋𝑡𝑓 ∙ 𝑑𝑡 = 𝑇𝐹 𝑋 𝑡
−∞
𝑇𝐹 𝑇𝐹
Donc si : 𝑥 𝑡 𝑋 𝑓 Alors : 𝑋 𝑡 𝑥 −𝑓
51

Chp2 Analyse Fréquentielle Des Signaux

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chp2 Analyse Fréquentielle Des Signaux

Transféré par

Droits d'auteur :

Formats disponibles

Filière : DUT-GE 2021 / 2022

Préparé par : Oussama EL B’CHARRI

▪ Qu'est ce qu'une fréquence ?

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

▪ Dans une image : ▪ Dans une onde lumineuse :

▪ La notion de fréquence est également présente dans :

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

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

Vers une représentation fréquentielle ...

Fréquences variables au cours du temps (du rouge

Vers une représentation fréquentielle ...

Vers une représentation fréquentielle ...

Vers une représentation fréquentielle ...

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

Vers une représentation fréquentielle ...

▪ Petite expérience : mélangeons quelques sinus ...

▪ Sous certaines conditions de dérivation et de continuité,

▪ Les versions de séries de Fourier sont :

o Série de Fourier trigonométrique

o Série de Fourier en cosinus

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

▪ Pour les signaux périodiques, la décomposition

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

Décomposition sous une forme trigonométrique

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

Décomposition sous une forme trigonométrique

Décomposition sous une forme trigonométrique

Signal = somme des ondes sinusoïdales en bleu

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

Série de Fourier en cosinus

Partant de la relation trigonométrique :

le développement en série de Fourier trigonométrique

peut également s’écrire :

Série de Fourier en cosinus

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

▪ La représentation spectrale correspondante est le spectre unilatéral

Série de Fourier en cosinus

Série de Fourier complexe

▪ Série de Fourier trigonométrique :

Série de Fourier complexe

▪ La représentation spectrale graphique correspondante est le spectre bilatéral

Relations entre les trois représentations de Fourier

Relations entre les trois représentations de Fourier

Spectres d’amplitudes et de phases

fréquences positives ou nulles

Spectres d’amplitudes et de phases

Spectres d’amplitudes et de phases

o Les spectres d’amplitudes sont toujours des fonctions paires car :

o Les spectres de phases sont toujours des fonctions impaires :

o Pour le cas particulier de la composante continue du signal, on a :

Coefficients spectraux et symétries des signaux

o une fonction paire est représentée par des cosinus seulement :

Coefficients spectraux et symétries des signaux

▪ Si, par translation d’une demi-période, une fonction de

▪ Alors : Fonction à symétrie demi-onde

o Le terme 𝑎0 Τ2 est nul

Exemple de représentations spectrales d’un signal

o Exemple 1 : Considérons le signal :

Décomposition en série de Fourier en cosinus

Exemple de représentations spectrales d’un signal

o Exemple 1 : Considérons le signal :

Décomposition en série de Fourier complexe

Exemple de représentations spectrales d’un signal