Académique Documents
Professionnel Documents
Culture Documents
Cours 7
ASI 3
Contenu du cours
Signaux discrets
Rappels, définition
Propriétés
Transformée de Fourier des signaux à temps discret (TFTD)
Définition
Propriétés
Transformée de Fourier discrète
Définition
Propriétés
Application de la TFD à l'analyse spectrale : précision et résolution
TFD rapide (Fast FFT)
2
Rappels : Signaux discrets
Signal discret
Soit un signal x(t) échantillonné à une période Te. Le signal échantillonné s'écrit :
xe (t ) = ∑ x ( nTe)δ (t − nTe)
n
xe (t ) = ∑ x ( n)δ (t − n)
n
On obtient la suite de valeurs {x(n)} appelée signal discret.
Un signal discret ou numérique déterministe est une suite {x(n)} représentée par
la fonction :
→
Autres notations usuelles : x[n], x(n)
n x (n)
Remarque : la normalisation permet de considérer la suite de valeurs x(nTe) indépendamment
du processus de discrétisation qui l'a générée.
3
Signaux discrets particuliers
Echelon unité Γ(n)
+∞
1 pour n ≥ 0 Remarque : Γ ( n ) =
Γ(n) = ∑ δ (n − r ) n
0 sinon r =0
1 pour n = 0
δ ( n) = Remarque : δ ( n) = Γ (n) − Γ( n − 1)
0 sinon n
a n Γ(n), (a < 1)
Exponentielle décroissante causale 1
Signal rectangulaire n
1 pour − T ≤ n ≤ T T∈
Π T (n) = Π2(n)
0 sinon
Le signal est de longueur 2T+1
n
Remarque : ΠT ( n) = Γ( n + T ) − Γ( n − (T + 1)) -2 2
4
Signaux discrets périodiques
Définition de la périodicité
Un signal discret est périodique de période N si :
Exemples
- Signal sinusoïdal : x (n) = A cos(ω0 n + ϕ )
2π
La période est l'entier naturel N (s'il existe) tel que N =
ω0
Puissance moyenne
Si le signal est à énergie infinie, on définit la puissance moyenne
1 +∞ 2
P = lim ∑ x ( n)
N →+∞ 2 N + 1 n= −∞
Aux équations différentielles dans le cas continu correspondent des équations de récurrence
dans le cas discret. Ces équations permettent de décrire des signaux discrets et des opérations
sur ces signaux à l'aide d'additions et multiplications scalaires.
Exemples
Considérons l'équation récurrente :
x( n) = ax( n − 1)
avec x (0) = c (condition initiale)
x( n) = 2 x( n − 1) cos ω0 − x(n − 2)
avec x(0) = A sin ϕ , x( −1) = A sin(ϕ − ω0 ), x( −2) = A sin(ϕ − 2ω0 ) (conditions initiales)
7
Opération sur les signaux discrets
Soit { x(n)} = { x(n), n ∈ ? } et { y (n)} = { y (n), n ∈ ? } , des signaux discrets
Multiplication par un scalaire Somme de signaux discrets
n
x ( n) = ∑ x( k )δ (n − k ) -4 -3 -2 -1 0 1 2 3 4 5 6 7
k
x(n) = a−3δ (n + 3) + a1δ (n − 1) + a2δ (n − 2) + a6δ (n − 6)
8
Transformée de Fourier des signaux à temps discret
(TFTD)
Introduction
+∞
Soit xe(t) un signal issu de l'échantillonnage de x(t) : xe (t ) = ∑ x(nTe )δ (t − nTe )
n =−∞
TF du signal échantillonné
+∞ +∞ +∞ +∞
X e ( f ) = ∫ ∑ x (nTe )δ (t − nTe ) e− j 2πft dt Xe ( f ) = ∑ x(nTe ) ∫ δ (t − nTe )e− j 2πft dt
−∞ n =−∞ n =−∞ −∞
+∞
En utilisant la définition de la distribution de Dirac, on a : ∫ δ (t − nTe )e− j 2πft dt = e− j 2πnfTe
−∞
+∞
Par conséquent : X e ( f ) = ∑ x(nTe )e− j 2πnfTe
n =−∞
La TF d'un signal discret est une fonction continue ou non de la variable continue f
Exemple : x( n) = sin( nω0 ) est d'énergie finie, mais ne converge pas absolument
πn
10
TFTD
Périodicité de la TFTD
+∞
Soit X( f ) la TFTD du signal discret x(n) : X ( f ) = ∑ x(n)e− j 2πnf
n= −∞
+∞ +∞
X ( f + 1) = ∑ x(n)e− j 2πn( f +1) X ( f + 1) = ∑ x (n)e− j 2πnf e− j 2πn
n= −∞ n= −∞
+∞
Or e − j 2πn = 1 ∀ n ∈ ? X ( f + 1) = ∑ x(n)e− j 2πnf X ( f + 1) = X ( f )
n= −∞
+∞
TFTD : X(f )= ∑ x(n)e− j 2πnf
n= −∞
1
2 π
1
x ( n) = ∫ X ( f )e j 2πnf df ou x ( n) =
2π
jω jnω
∫ X (e )e df
1 −π
−
2
12
Représentation spectrale
TFTD TFTD
1 n ∈ [ − N , N − 1] x( n) = A. cos(2πf 0 n)
x ( n) =
0 ailleurs
|X(f) |
|X(f) |
A
δ( f − fo )
2
f f
0 1/2 1 0 1/2 1
13
Exemple de TFTD
1 n ≤ N 2
Soit x ( n) =
0 ailleurs
+∞ N /2
On a X(f )= ∑ x(n)e− j 2πnf X(f)= ∑ e − j 2πnf
n= −∞ n= − N / 2
X( f )
X(f) est la somme de N+1 termes d'une suite
géométrique de raison e-j2πf et de premier terme ejπN f
14
Propriétés de la TFTD
Globalement, la TFTD possède les mêmes propriétés que la TF
♦ Linéarité a.x(n) + b. y ( n) → aX ( f ) + bY ( f )
♦ Décalage fréquentiel
x( n)e j 2πf0n → X ( f − f 0 )
ou modulation
x( an) → 1 X
♦ Changement d'échelle f
a a
15
Propriétés de la TFTD
♦ TF de la dérivée du signal dx ( n)
→ j 2πf X ( f )
dn
+∞ 1/ 2
♦ Relation de Parseval 2 2
(conservation de l'énergie)
∑ x(n ) = ∫ X ( f ) df
n = −∞ −1 / 2
1/ 2 1
♦ TFTD Inverse j 2πnf
x ( n) = ∫ X ( f )e df ou x( n ) = ∫ X ( f )e j 2πnf df
−1 / 2 0
16
De la TFTD à la Transformée de Fourier Discrète (TFD)
+∞
TFTD de x(n) : X ( f ) = ∑ x(n)e− j 2πnf
n= −∞
Objectif : On veut calculer la TF d'un signal discret à l'aide d'un calculateur
Difficultés
Le calcul de la TF nécessite une infinité de points de mesures x(n)
Le calculateur ne peut calculer le contenu fréquentiel du signal discret qu'en un nombre fini
de points fréquentiel fn alors que f varie continûment
A un nombre fini de valeurs x(1) , …, x(N), on fait correspondre un nombre fini de valeurs X
(f1), …, X(fL) telle que la TFD de x soit une approximation aussi bonne que possible de X( f )
Question
Quelle est l'influence du nombre de points temporels N et du nombre de points
fréquentiels L sur l'observation spectrale ?
17
Détermination de la TFD
Soit {x(0), x(1), …, x(N-1)} un signal discret de durée finie N. Sa TFTD est :
N −1
X(f )= ∑ x(n)e− j 2πnf
n=0
N −1 k
k et n ne jouent pas le même rôle :
− j 2π n
X k = ∑ x( n) e L n : variable temporelle n = 0, …, N−1
L n =0
k : variable fréquentielle k = 0, …, L−1
Dans la suite, sans perte de généralités et sauf mention contraire, on considérera L=N
Remarque
Echantillonnage : Discrétisation en temporel Périodisation en fréquentiel
Définition
Soit xp(n) , un signal périodique de période N. Pour calculer sa TFD, on se restreint à une période
N −1 − j 2π
k
X p ( k) =
n
La TFD ∑ x p ( n) e N
n =0
Remarque
N −1 k
1 j 2π n
La TFD inverse x ( n ) =
N
∑ X p (k )e N x(n) est une suite périodique de période N
et x(n) coincide avec xp(n)
k =0
TFD
20
Propriétés de la TFD
La TFD possède les propriétés classiques de la TFTD mais tous les calculs
d'indice k et n se font modulo N
♦ Linéarité a.x(n) + b. y ( n) → aX (k ) + bY (k )
k
− j 2π n
♦ Décalage temporel x ( n − n0 ) → X ( k )e N 0
♦Décalage fréquentiel j 2π
k0
→ X ( (k − k0 ) mod N )
n
ou modulation x( n)e N
N −1 N −1
♦ Relation de Parseval : 2 1 2
∑ x (n ) =
N ∑ X (k )
conservation de l'énergie n =0 k =0
21
TFD et convolution circulaire
Produit de convolution circulaire
Soit x(n) et y(n) deux signaux discrets de durée finie N. Leur produit de convolution circulaire
est défini par
c ( n ) = x ( n) ⊗ y ( n)
N −1
avec c( n ) = ∑ x(i). y( (n − i) mod N ) c(n) est un signal discret
périodique de période N
i =0
Exemple
1
x( n ). y (n ) → X (k ) ⊗ Y (k )
N 22
Analyse spectrale et TFD
Introduction
On veut utiliser la TFD pour analyser le contenu fréquentiel d'un signal continu x(t). Ceci impose les
opérations suivantes :
Echantillonnage de x(t) choix de la fréquence d'échantillonnage Fe fixé par le th de Shannon
Quantification pour générer le signal discret x(n)
Quelle est l'influence de ces 2
Troncature de x(n) à N échantillons TFD opérations sur le spectre
donné par la TFD?
Discrétisation du domaine fréquentiel en L points
Soit x(n) un signal discret. Le signal résultant de la troncature de x(n) à N d'échantillons est :
Théorème de
xN (n) = x(n).h(n) Plancherel XN ( f ) = X ( f )∗ H( f )
Echantillonnage de XN( f )
Opération de fenêtrage X N (k ) = X ( f ) ∗ H ( f ) f = k
L
H ( f ) = e jπf ( N −1) 4
πf 3
2 1/N
1
0 f
0 -0.5 0 0.5
0 2 4 6 8 10 12
n 2/N
Remarque
La convolution fréquentielle de X( f ) par H( f ) aura pour conséquence l'apparition
d'ondulations dans le spectre XN( f ) et donc dans XN(k) : c'est le problème de résolution.
25
Précision de la TFD
Exemple
Soit un signal sinusoïdal complexe x(n) = A.e j 2πf 0n
X ( f ) = δ ( f − f0 ) XN ( f ) = X ( f )∗H( f ) X N ( f ) = A.H ( f − f 0 )
Module de X(f)
• Cas 2 : L=16,
Module de X(f)
10 8
8
• Cas 1 : L=N=16, 6
f0 =0.4
6 f0 =8/N 4
4
2
2
0
0 0 0.2 0.4 0.6 0.8 1
0 0.2 0.4 0.6 0.8 1 k (fréquence discrète)
k (fréquence discrète)
A cause du fenêtrage, le spectre de la sinusoïde
Bonne approximation du spectre apparaît sous forme de plusieurs raies non nulles 26
Précision de la TFD
Illustration
8
2 1/L
1
Définition
0
Si L désigne le nombre de points fréquentiels
0 0.1 0.2 0.3
f0
0.5 0.6 0.7 0.8 0.9 1
de calcul de la TFD, la précision en fréquence
est égale à 1/L (soit Fe /L pour prendre en
compte l'échantillonnage temporel du signal)
Amélioration de la précision
- Diminution de Fe augmentation Te
- Augmentation du nombre de points fréquentiels L
27
Résolution spectrale et TFD
8
Opération de fenêtrage X N (k ) = X ( f ) ∗ H ( f ) f = k 7
L
6
Résolution en fréquence 5
Si |f1−f2|<1/N, les lobes principaux seront proches qu'il sera difficile de les
distinguer la résolution en fréquence est de l'ordre de 1/N (ou Fe /N ).
Résolution en amplitude
C'est la capacité à distinguer des raies spectrales de faibles amplitudes ou une raie de faible
amplitude proche d'une raie d'amplitude élevée. Elle est liée à l'amplitude des lobes secondaires.
28
TFD et fenêtrage temporel
Objectif
Amélioration de l ’analyse spectrale par pondération des échantillons avant filtrage
Réalisation
Remplacement de la fenêtre rectangulaire h(n) par une fenêtre dont la TF présente des
ondulations plus faibles.
Exemples de fenêtre
Fenêtre de Hanning Fenêtre de Hamming
Chaque type de fenêtre a une réponse en fréquence particulière (largeur du lobe principale, amplitude
des lobes secondaires, …) qui permet de choisir au mieux la « bonne » en fonction des applications
29
Exemples de fenêtre
Hanning Hamming Kaiser0.5
Propriétés de WN
WNk +l = WNk .WNl WNl + kN = WNl WN2.n.k = WNn./k2
N
log 2 N multiplications et N log 2 N additions
2
1 N−1 1 N −1
Pour k = 0 X[0] = ∑ x[n ] X[0] = x ( t ) ∗ ϕ0 ( t ) avec ϕ0 ( t) = ∑ δ( t − nTe)
N n =0
N n =0
X[0] est le résultat du filtrage fréquentiel de X(f) par le filtre de réponse fréquentiel Φ0(f)
34
Interprétation de la TFD (2/2)
n
Généralisation aux termes X[k] 1 N−1 − j 2πk N
X[ k ] = x ( t ) ∗ ϕ k ( t ) ϕk ( t) = ∑ e δ(t − nTe)
N n =0
k
N −1 − j2 π nk jπ k
1 Φ k (f ) = ( − 1) e − j πf ( N−1)Te
k
Φ k (f ) = ∑ e e Φ f +
− j 2 πfnTe N
N e NTe
N n =0
La transformée de Fourier Discrète constitue un ensemble de N filtres identiques, répartis uniformément dans
le domaine des fréquences avec un pas 1/(NTe). Ces filtres sont appliqués au signal continu x(t)
Représentation de Φ(f)
1 sin(πfNTe)
Φ (f ) =
N sin(πfTe)
Φ(f) est nulle pour les fréquences multiples de Fe/N sauf aux
multiples de Fe
35
Précision et résolution spectrale
Si fo n ’est pas multiple de Fe/N Quelque soit k, la raie spectrale en fo va contribuer à tout les X[k]
X[k]
On met en évidence les limites de la TFD pour
l ’analyse spectrale
- mélange des contributions fréquentielles
0
k
36
X N = TN x pair + DTN ximpair
0 −1
2 2 2
X N / 2? N −1 =N −T
1 N / 2 x pair − DTN / 2 ximpair
•TFTD du signal tronqué xN(n) : X N ( f ) = ∑ x N (n)e− j 2πnf
n =0
X0 x 0 1 0 0 0 x1
X x x
0 W 0
1 2
3
X 2 = TN / 2 x 4 + 0 0 W2 0 TN / 2 x 5
X N / 2−1 x 2( N / 2 −1) 0 0 ( N / 2 −1)
W x N−1
X = M⋅x M n ,k = W nk
N −1 k
− j 2π n
•TFD du signal tronqué xN(n) : X N ( k ) = ∑ x N (n )e L avec k = 0,..., L − 1
n=0
X0 1 1 1 1 x0 1 1 1 1 x1
X1 1 W2 W 2 ( N / 2−1) x 2 W W3 W ( N−1) x 3
X 2 = 1 W4 W 4 ( N / 2−1) x 4 + W 2 W6 W 2 ( N−1) x 5
2 ( N / 2−1)( N / 2−1)
X N / 2−1 1 W 2( N / 2−1) x 2 ( N / 2−1) W
( N / 2−1)(N −1)
x N−1
( N / 2−1)
W W 3( N / 2−1) W 37
Précision et résolution spectrale
Si fo n ’est pas multiple de Fe/N Quelque soit k, la raie spectrale en fo va contribuer à tout les X[k]
X[k]
0
k
38
Transformée de Fourier Discrète (TFD)
Définition
Sans perte de généralités, on considérera L=N
N −1 k
N −1 k ~ 1 j 2π n
X (k) = ∑ x ( n )e
− j 2π
N
n
et
x ( n) =
N
∑ X ( k )e N
n =0 k =0
~
x ( n) est périodique de période N
X (k ) est périodique de période N
N : nombre de points temporels et fréquentiels
n : variable temporelle, n=0, …, N-1
k : variable fréquentielle, k=0, …, N-1
N −1 N −1 k=0, …, N-1
X (k) = ∑ x( n )WNn.k ~
x ( n) =
1
∑ X (k )WN−n.k
n =0 N k =0 n=0, …, N-1
39
Exemple de TFD
1 si k ≤ M
x( n ) = 2 x(n) est constitué de N points
0 ailleurs
M=250 Fe=500 Hz N=5001
sin(π ( M + 1) f )
X(f )=
sin(πf )
A revoir
signal Spectre
40