UV Traitement du signal

Cours 7

Signaux discrets et Transformée de Fourier

De la Transformée de Fourier à temps discret (TFTD) à la
Transformée de Fourier Discrète (TFD)

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

 Normalisation de la période d'échantillonnage

En considérant une période d'échantillonnage normalisée ( Te = 1 ) , on a :

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

 Impulsion discrète (fonction delta de Kronecker) δ (n)

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

x(n) = a nΓ(n), a < 1 ∀n ∈ ?

 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 :

∃ N ∈ ? tel que x(n + N ) = x(n) ∀n ∈ ?

 Remarque : la plus petite valeur de N est la période fondamentale

 Exemples
- Signal sinusoïdal : x (n) = A cos(ω0 n + ϕ )

- Signal exponentiel complexe : x( n) = ae jω0n

! En discret, les signaux sinusoïdaux ne sont pas nécessairement périodiques.

 Condition de périodicité : ω0n = 2πk avec n ∈ ? et k ∈ ?

2π n
soit = avec n∈
ω0 k k

2π
La période est l'entier naturel N (s'il existe) tel que N =
ω0

 Remarque : en continu, la condition de périodicité s'énonce 2π = n ∈ et est moins restrictive.

ω0 k
5
Energie et puissance des signaux discrets
 Energie
+∞ 2
E = ∑ x ( n)
n= −∞

 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= −∞

 Exemple : signal échelon discret

+∞
E= ∑1 = +∞
n =0
N N N +1 1
1 2 1 → P= =
P= lim ∑ Γ(n) → P= lim 2N + 1 ∑1 lim 2N + 1 2
2N + 1 N → +∞
N →+∞ n =− N N → +∞ n =0

 Puissance moyenne d'un signal périodique

N −1
Si N est la période alors P = lim 1 ∑ x (n ) 2
2
Energie sur une période : E = ∑ x(n)
N →+∞ N N n =0
6
Signaux discrets générés par une relation de récurrence
 Relations de récurrence (équation aux différences)

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)

On montre aisément que la solution à cette équation est : x ( n) = c a n Γ( n)

 Le signal sinusoïdal x( n) = A sin(ω0 n + ϕ ) est généré par l'équation :

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

λ ∈ ? , λ { x(n)} = { λx( n), n ∈ ? } { x(n)} + { y (n)} = { x(n) + y (n), n ∈ ? }

 Multiplication de signaux discrets  Translation (décalage temporel)

{ x(n)} × { y (n)} = { x(n) × y (n), n ∈ ? } { x(n − n0 )} = { x(n − n0 ), n ∈ ? , n0 ∈ ? }

Ces opérations sur les signaux discrets donnent des signaux discrets

 Remarque : l'opération de translation permet  Exemple

de décomposer une suite discrète en une
x(n)
somme de suites de Dirac translatées

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 échantillonné est une combinaison linéaire d'exponentielles complexes

pondérées par la valeur des échantillons.

 Normalisation de la période d'échantillonnage ( Te = 1)

+∞
Xe ( f ) = ∑ x(n)e − j 2πnf
n =−∞
9
TFTD
 Définition
Soit x(n) un signal discret. La TFTD X( f ) de ce signal est donnée par l'expression :
+∞
+∞  Autres notations : X ( e jω ) = ∑ x( n)e − jnω
X(f)= ∑ x(n )e − j 2πnf n =−∞
n= −∞
+∞
( ) ∑ x(n)e− j 2πfn
X e j 2πf =
f et ω sont des variables continues n =−∞

La TF d'un signal discret est une fonction continue ou non de la variable continue f

 Condition d'existence de la TFTD

+∞
La TF d'un signal discret x(n) existe si ∑ x(n) < ∞ i.e. si le signal est absolument sommable.
n= −∞
L'existence de la TFTD est donc liée à la convergence absolue de la série x(n)

 Remarque : convergence absolue signal x(n) à énergie finie

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= −∞

 La TF des signaux discrets est périodique de période 1

 Toute l’information fréquentielle du signal f ∈ − , 

1 1
est localisée dans l'intervalle de fréquence :  2 2  x(n) est caractérisé par
ce contenu fréquentiel
 Remarque X(f)

Si x(n) est réel, |X( f )| est paire et arg(X( f )) est

impair. On réduit donc l'analyse de X( f ) sur
l'intervalle de fréquence
f ∈ 0, 
1
 2  f
-1/2 0 1/2
11
TFTD
 Périodicité de la TFTD (suite et fin)
 Remarque

Pour un signal échantillonné à la fréquence Fe, sa TFTD Xe( f ) est périodique de

période Fe  l'information fréquentielle est contenue dans la bande  F F 
f ∈− e , e 
 2 2

 TF inverse des signaux discrets

+∞
TFTD : X(f )= ∑ x(n)e− j 2πnf
n= −∞

Comme la TF des signaux discrets est périodique de période 1, l'expression de la TF inverse

est donnée par :

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

x(n), signal discret (support discret)

En fonction de la nature (périodique ou non) de x(n), on a deux types de
représentation spectrale possibles

 x(n) non périodique  x(n) périodique

TFTD TFTD

X( f ) est à support continu X( f ) est à support discret

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

j πNf 1 − e − j 2π ( N +1) f sin(πf ( N + 1))

X(f)=e =
1− e − j 2πf sin(πf )

14
Propriétés de la TFTD
Globalement, la TFTD possède les mêmes propriétés que la TF

 X( f ) est une fonction complexe. Si x(n) est réel :

Etude sur l'intervalle de fréquence

X(f ) : spectre d'amplitude est une fonction paire
f ∈ 0, 
1
arg( X ( f ) ) : spectre de phase est une fonction impaire  2 

♦ Linéarité a.x(n) + b. y ( n) → aX ( f ) + bY ( f )

♦ Décalage temporel x( n − n0 ) → X ( f )e − j 2πfn0

♦ 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

♦ Relations de Plancherel x (n) ∗ y ( n) → X ( f ).Y ( f )

1/ 2
x ( n). y ( n) → X ( f ) ∗ Y ( f ) = ∫ X (u )Y ( f − u )du
−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

 Solution : Transformée de Fourier Discrète (TFD)

 Limiter la durée de x(n) i.e. considérer un nombre fini N de points temporels

 Discrétiser la fréquence (considérer un nombre fini L de points fréquentiels)

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

 Discrétisation de la fréquence sur L points : f = k∆f avec ∆f = L1 et k = 0,..., L − 1

car X( f ) est périodique de période 1
L'approximation discrète de la TFTD de ce signal est :

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

 Notation : X  k  = X ( k ) avec k = 0,..., L − 1

 L

 La TFTD inverse de x(n) est  L'approximation discrète de la TFTD inverse est

1
x( n) = ∫ X ( f )e j 2πnf df L −1 k
j 2π n
0 x (n ) = 1
~
∑ X (k )e L
c'est la TFD inverse.
car X( f ) est périodique de période 1 L
k =0
18
Transformée de Fourier Discrète (TFD)
 Définition
 La TFD évaluée sur un nombre L de points fréquentiels d'un signal discret est définie par :
N : nombre de points temporels
N −1 k
− j 2π n
X (k) = ∑ x ( n )e L n : variable temporelle n = 0, …, N−1
n =0 L : Nombre de points fréquentiels
k : variable fréquentielle k = 0, …, L−1

 Remarque : X (k ) est périodique de période L

 La TFD inverse est :

 Remarque
~ 1 L −1 k
j 2π n ~
x ( n ) = ∑ X ( k )e L x (n) est une suite périodique de période L.
L k =0 Cette suite est obtenue en périodisation la suite x(n)

Dans la suite, sans perte de généralités et sauf mention contraire, on considérera L=N
 Remarque
Echantillonnage : Discrétisation en temporel  Périodisation en fréquentiel

TFD : Discrétisation en fréquentiel  Périodisation en temporel

19
TFD d'un signal périodique

 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

Suite x(n) périodique de période N Suite X(k) périodique de période N

TFD inverse

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

♦ Périodicité X (k ) est périodique de période 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

Soit x(n)=1 pour n∈{0, 1, ..., 7}

 convolution linéaire : x(n) ∗ x(n) = {1, 2, ..., 7, 8, 7, ..., 2, 1} pour n∈{0, 1, ..., 15}
 convolution. circulaire : x(n) ⊗ x(n) = 8 pour n ∈ {0, 1, ..., 7}

 TFD et convolution circulaire

x(n) ⊗ y (n) → X (k ).Y (k )

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

 Troncature du signal discret (fenêtrage temporel)

 Opération dans le domaine temporel

Soit x(n) un signal discret. Le signal résultant de la troncature de x(n) à N d'échantillons est :

xN ( n) = x( n).h(n) avec 1 0 ≤ n ≤ N − 1 h(n) : fenêtre rectangulaire de largeur N

h( n) = 
0 ailleurs
N : durée d'observation du signal x(n)

N −1  Note : si x(n) est issu de la discrétisation d'un signal

x N (n ) = ∑ x(i).δ (n − i) à une période Te, la durée d'observation est NTe
i =0 23
Analyse spectrale et TFD
 Troncature du signal discret
 Influence de la troncature dans le domaine fréquentiel

Calculons la TFTD du signal tronqué.

Théorème de
xN (n) = x(n).h(n) Plancherel XN ( f ) = X ( f )∗ H( f )

 Remarque : La TFTD du signal tronqué xN(n) est obtenue par filtrage de la

TFD de x(n) à travers un filtre de réponse impulsionnelle H( f ).

 Echantillonnage de XN( f )

 La TFD XN(k) est obtenue par discrétisation du domaine fréquentiel de XN( f )

1
f = k∆f avec ∆ f = et k = 0,..., L − 1
L
La distance entre 2 points fréquentiels est 1 (ou : Fe prise en compte fréquence d'échantillonnage)
L L

 Opération de fenêtrage X N (k ) = X ( f ) ∗ H ( f ) f = k
L

 Remarque : XN(k) est constitué d'échantillons de X( f ) filtré à travers le filtre H( f ). 24

Analyse spectrale et TFD
 Influences du fenêtrage temporel et de la discrétisation fréquentielle

 TFD du signal tronqué xN(n) : X N ( k ) = X ( f ) ∗ H ( f ) f = k

L
|X( f )|
avec k = 0,..., L − 1
Remarque :
|X(k)|
Le choix du pas fréquentiel 1/L (ou Fe /L ) aura une influence sur la précision
de l'analyse spectrale (précision de mesure d'une fréquence particulière)
f
Fe /L
 TFTD de la fenêtre rectangulaire
Fenêtre rectangulaire TFTD de la fenêtre rectangulaire
8
1
7

Spectre d’amplitude [H(f)|

6

sin( Nπf ) TFTD

h(n)

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 )

X N (k ) = A.H  k − f 0  avec H ( f ) = e − jπf .( N −1) sin( Nπf )

L  sin(πf )
 Cas 1 : L=N et f0 est multiple de 1/N
f0 = α
1 X N (k ) = A.H  k − α  X(k)=0 pour k ≠α et X(k)=N.A pour k=α
N  N 

 Cas 2 : f0 n'est pas multiple de 1/N

Quelque soit L et quelque soit k, des raies spectrales supplémentaires apparaissent aux fréquences k/L.
TFD d'une sinusoide complexe
TFD d'une sinusoide complexe 14
16
12
14
10
12

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

7 A cause du fenêtrage, le spectre de la sinusoïde

6 apparaît sous forme de plusieurs raies non nulles
Correspond à l’estimation par
5 la TFD de la fréquence f0
dont la plus importante en module est proche de la
vraie fréquence f0. L'erreur maximale commise sur
4
cette estimation est 1/L
3

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

- Ajout d ’échantillons nuls  interpolation fréquentielle

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

Elle mesure le pouvoir de distinguer sur la TFD deux 3

fréquences voisines présentes dans un signal
2 1/L
1
 Problème : si x(n) est limité à N points (fenêtrage), il y a apparition
d'un lobe principal de largeur 2/N dans le spectre d'une sinusoïde 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 1
f0
1/N
2/N
 Exemple : soit x(n)=A1exp(j2πf1n)+A2exp(j2πf2n) un signal formé par
la somme de deux sinusoïdes complexes de fréquences différentes

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

  0.54 − 0.46 cos 2π n , n = 0, , N − 1

0.51 + cos 2π  , n = 0,  
n
, N −1 h (n ) =   N
h(n) =    N  0 ailleurs
0 ailleurs

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

En général les résolutions en fréquence et en amplitude sont d'autant meilleures que le

lobe principal est étroit et les lobes secondaires sont de faibles amplitudes

29
Exemples de fenêtre
Hanning Hamming Kaiser0.5

|H( f )| Critères de sélection

- rapport A entre les maximum du lobe central et des lobes
secondaires de la TFD des fenêtres.
- atténuation des lobes secondaires de la TFD des fenêtres S.
A
∆F
- largeur du lobe central ∆F
S AdB ∆F
Rectangle 13 2/N
f 32 8/ N
Hanning
 Remarque : diminution de la largeur du lobe 43 8/ N
principal  augmentation de l'amplitude des lobes Hamming
secondaires d'où un compromis à trouver
30
 Transformée de Fourier Rapide
 Objectif : trouver un algorithme de calcul efficace de la TFD de {x(n)}
N −1 − j 2π k n N −1
2π
La TFD de {x(n)} s'écrit : X ( k ) = ∑ x (n )e N Xk = ∑ x(n)WNn.k avec WN = e −j
N
n=0 n =0

 Propriétés de WN
 WNk +l = WNk .WNl  WNl + kN = WNl  WN2.n.k = WNn./k2

Ecriture matricielle (avec N pair)

1 1 1 1 
 X0   2 −1
N   x0   1 1 1 1  x
 X  1 W2 W 2 
  x2   W W3 W ( N −1)  1 
 1
       x3 
4 −1 W 2( N −1)   x 
N
X
 2 =   x + W2 W4
 5 
2  4
 1 W4 W  
 
      N  
 N −1 ( N −1) 

3 −1  x 
N
X
 N −1   x
 N    2 −1  
N  2  N −1 N −1   2 −1 W W 2 
W 2   N −1 
 2  1 W 2 2 −1 W  2  2     2    

 X0   x0  1 0 0 0   x 
X   x  1 W   1  X = TN x pair + DTN ximpair
 2
    x3  N
 1
 0 −1
X
 2  = TN  x 4  + 0 0 W2 T  x  2 2 2
  2
    N2  5  XN = TN x pair − DTN ximpair
      N −1    N −1
X N   x2 N −1    2 
 
x 2 2 2
 2   2   0 0 0 W   N −1  31
Transformée de Fourier Rapide
 TF rapide
X N = TN x pair + DTN ximpair
0 −1 Le calcul d'une TFD d'ordre N aboutit à 2 TFD
2 2 2
d'ordre N /2 + N /2 Multiplications + N additions
XN = TN x pair − DTN ximpair
N −1
2 2 2

Si N =2m, on peut réitérer ce processus et le calcul de la TFD d'ordre N

se ramène au calcul de TFD d'ordre N/2, N/4, …, 2  m itérations

Chaque itération nécessite N /2 multiplications complexes et N additions. La complexité

globale devient

N
log 2 N multiplications et N log 2 N additions
2

 Calcul direct de la TFD

X = M .x avec M = [ M n,k = W n.k ]

Ceci nécessite N 2 multiplications et additions pour la TFD d'où une complexité

réduite de la TF rapide
32
33
Interprétation de la TFD (1/2)

Objectif Analyse de la relation entre X[k] et x[n]

x[n] : résultat de l ’échantillonnage d ’un signal x(t) à la période Te.

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

1 N−1 − j2 πfnTe 1 1 − e − j2 πfNTe

TF de ϕ0 ( t ) Φ 0 (f ) = ∑ e =
N n =0 N 1 − e− j2 πfTe
1 sin(πfNTe)
Φ 0 (f ) = e − jπ( N −1) Te Φ (f ) avec Φ (f ) =
N sin(πfTe)

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

Φ(f) est périodique de période Fe

Φ(f)=1 pour f=0

35
Précision et résolution spectrale

D ’après l ’interprétation de la TFD

 k 
Si x ( t ) = A (f o ) e i 2 πf o t On obtient X[k ] = A(fo ) Φ − fo 
 NTe 
Fe  Fe 
Si fo est multiple de Fe/N fo = u u∈N X[k ] = A (fo ) Φ (k − u ) 
N  N
X[k]=0 pour k différent de u et X[k]=A(fo) pour k=u

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

D ’après l’interprétation de la TFD

k 
Si x ( t ) = A (f o ) e i 2 πf o t On obtient X[k ] = A(fo ) Φ − fo 
N 
En réécrivant X[k], on obtient,  kFe 
X[k ] = A (fo ) Φ − fo 
 N 
avec sin(πfNTe )
Φ (f ) =
sin(πfTe)
Fe  Fe 
Si fo est multiple de Fe/N fo = u u∈N X[k ] = A (fo ) Φ (k − u ) 
N  N
X[k]=0 pour k différent de u et X[k]=A(fo) pour k=u

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

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

 Autres écritures des définitions de la TFD et TFD inverse

2π
−j
Définissons WN = e N

La TFD La TFD inverse

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