Chapitre IV:

Echantillonnage d’un signal

Transformée de Fourier d'un signal discret
Transformée de Fourier discrète

Licence GE Traitement du signal

1
Supports analogiques

Supports numériques

2
Introduction

Recrudescence du traitement numérique :

• TV numérique,
• Enregistrement audio, video
• Téléphonie mobile.
• ...

3
Avantages du numérique :
• Stabilité du fonctionnement des systèmes (pas de dérive en temps ou
en température)

• Robustesse (reproductibilité des systèmes),

• Programmabilité et re-programmabilité,

• Qualité et efficacité des codages pour la transmission et pour la

correction ….

Aussi, les performances des processeurs numériques s’améliorent très

rapidement (augmentation de leur vitesse, diminution de leur consommation
et de leur coût).

La numérisation (conversion analogique numérique) est la

succession de deux opérations :

4
1. Echantillonnage

L'échantillonnage consiste à transformer un signal analogique (continu) en un signal

échantillonné (discret) , en capturant des valeurs à intervalle de temps régulier.

signaux analogique et échantillonné

4

2
amp. en volts

-1

-2

-3

-4

0 0.001 0.002 0.003 0.004 0.005 0.006 0.007 0.008 0.009 0.01

temps en sec.

x(t) x(kTe), k : entier, Te : période d’échantillonnage

Fe = 1/Te: fréquence d’échantillonnage

5
2. Quantification
- Un signal quantifié est un signal dont l’amplitude a des valeurs discrètes
multiples d’une valeur minimale appelée "pas de quantification" q.
- On obtient le signal quantifié qui est en marches d’escalier.

signal analogique et signal numérique signal analogique et signal quantifié

4 4

3 3
q 2 2
amp. en volts

amp. en volts
1

0
0
-1
-1

-2
-2
-3
-3
-4
-4
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
temps en sec. 0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
temps en sec.

Un signal numérique est un signal échantillonné et quantifié. Il est obtenu à

l’aide d’un CAN (Convertisseur Analogique Numérique).

6
 Exemple:
Amplitude Codage
A3
Niveau 3 2bits=4niveaux
A2
Niveau 2 3bits=8niveaux
A1
Niveau 1 8bits=256
A0.
Niveau 0 16bits=65448
-3Te -2Te -Te 0 Te 2Te 3Te t

Le pas de quantification ou "quantum" correspond à la résolution

du convertisseur analogique-numérique (CNA). C’est la plus petite
variation de tension que le convertisseur peut coder. Si q est
constant la quantification est dite uniforme.

7
Opération d'échantillonnage

On considère un échantillonnage régulier  prélever, à des instants équidistants,

les valeurs instantanées d’un signal. :

se ( t ) = s ( k Te ) avec k entier.

Questions :

Peut-on restituer totalement le signal analogique à partir de ses échantillons ?

8
Mathématiquement, l’échantillonnage régulier revient à multiplier le signal à
échantillonner s(t) par une série d’impulsions unités (peigne de Dirac) de période Te :

+
se ( t ) = s ( t ) .PgnTe ( t ) = s ( t ) .   ( t − k Te )
k →−
Te : période d’échantillonnage

+
se ( t ) =  s ( k T )  (t − k T )
k →−
e e

9
Spectre du signal échantillonné :
Supposons un signal s(t) de spectre à support borné (spectre limité par - fmax et fmax) :

S( f )=0 pour f  f max

S( f )
s(t)

f
t -fmax 0 f max

Quel est le spectre Se (f) du signal échantillonné se(t) ?

se ( t ) = s ( t ) .PgnTe ( t )
On rappelle :

+
TF  PgnTe ( t )  = Fe   ( f −kF )
k =−
e

10
D’après les propriétés de la transformée de Fourier , on a :

TF  se ( t ) = TF  s ( t ) .PgnTe ( t ) = TF  se ( t )  TF  PgnTe ( t )

+
 Se ( f ) = S ( f )  Fe PgnTe ( f ) = Fe  S ( f )  ( f − k F )
k →−
e

Or
x (t )  (t ) = x (t ) et x ( t )   ( t − t0 ) = x ( t − t0 )
D’où :
+
Se ( f ) = Fe  S( f −kF )
n =−
e

Conclusion :
Le spectre Se(f) de se(t) est donc un spectre infini obtenu par la périodisation
du spectre S(f) du signal d’origine, s(t), autour des multiples de la fréquence
d’échantillonnage Fe.
L’échantillonnage d'un signal x(t) a pour conséquence la périodisation de
son spectre 11
Interprétation du spectre de se(t)
La représentation du spectre du signal se(t) sera :

• Si Fe  2 f max : sur-échantillonnage

Se ( f )

− Fe − f max 0 f max Fe

Le motif principal (k = 0) est égale au spectre de s(t) et comme les

autres motifs sont disjoints, grâce à un filtre passe-bas idéal, il est
possible d’isoler ce motif et donc de retrouver le spectre du signal
d’origine. 12
• Si Fe  2 f max : sous-échantillonnage
+
Se ( f ) = Fe .  S ( f − nFe )
n =−

Fe S ( f + 2 Fe ) Fe S ( f + Fe ) Fe S ( f ) Fe S ( f − Fe ) Fe S ( f − 2 Fe )

-fmax 0 Fe 2Fe

Fmax

Repliement (recouvrement ou chevauchement ou "aliasing/folding")

des motifs spectraux.

Ce repliement rend impossible toute restitution du signal original. On dit qu’on

est en sous-échantillonnage.
13
Théorème de l’échantillonnage ou Théorème de Shannon

Pour pouvoir reconstruire un signal analogique de spectre limité à fmax à partir de ses
échantillons, il faut que la fréquence d'échantillonnage Fe soit supérieure à 2 fois la
fréquence maximale du signal :

Fe > 2 fmax
La fréquence limite Fe /2 est appelée fréquence de Shannon ou fréquence de
Shannon-Nyquist ou encore fréquence de repliement (folding frequency).

En pratique, on choisit très souvent une fréquence d’échantillonnage bien

supérieure à la fréquence limite d’échantillonnage.

14
 Reconstruction du signal initial

Si la condition de Shannon est respectée, le signal initial s(t) peut être

reconstruit en prenant la TF inverse du motif de base (k=0) de Se(f) :

se 0 ( t ) = TF −1  Se 0 ( f ) 

Se0(f) peut être obtenu en appliquant à Se(f) un filtre passe bas idéal
de fréquence de coupure Fe /2 :
Se ( f )
Se 0 ( f ) Se 0 ( f )
 Fe
(f) Filtre passe-bas idiél

Se-1(f) Se1(f)

0 f
-fmax 0 fmax

Se 0 ( f ) = Se ( f ) . F ( f ) 15
e
En prenant la transformée de Fourier inverse, on obtient :

Se 0 ( t ) = TF −1  Se ( f ) . F ( f )  = TF −1  Se ( f )   TF −1  F ( f )
 e   e 
Or
sin  Fet
TF −1  Se ( f ) = se ( t ) & TF −1  F ( f ) = Fe
 e   Fet
D’où
 sin  Fet 
se 0 ( t ) = Fe  se ( t )  
  Fe t 

Or +
 + sin  Fet 
se ( t ) =  s ( kT )  (t − kT )
e e se 0 ( t ) = Fe   s ( kTe )  ( t − kTe ) 


k →−  k →− Fe t 
On aura :
+ sin  Fe ( t − kTe )
s (t ) =  s ( kT )
k →−
e
 ( t − kTe )
16
Cette somme de produit (s ( kT )  (t −( kT ) )) appelée aussi « formule d’interpolation
sin  Fe t − kTe
e
e
temporelle de Shannon », permet de reconstituer exactement le signal.

s(t)

Pour calculer le signal à un instant t donné, il est nécessaire de connaître l’ensemble

des échantillons. Cependant, comme les échantillons sont pondérés par un sinus
cardinal qui s’atténue assez rapidement, il sera suffisant de considérer les
échantillons pris à des instants proches de l’instant t. Ceci montre qu’il ne sera pas
possible de faire une reconstruction en temps réel puisque pour un instant donné, il
faudra considérer les échantillons qui viennent après. Une reconstruction
introduira donc nécessairement un retard.
17
 La plupart des signaux réels sont à spectre large.

On ne peut pas définir une fréquence maximale.

L’échantillonnage sans repliement est impossible.

En pratique, seules des informations fréquentielles d’un certain rang sont

exploitables.

Avant échantillonnage, on applique au signal un filtre passe-bas pour retenir

uniquement la bande de fréquentielle utile. C'est le filtre anti-repliement ou
filtre de Shannon.
18
Filtre anti-repliement :
On fait précéder l’échantillonneur d’un filtre passe-bas, dit anti-repliement, de
fréquence de coupure Fe/2.

Te =1/Fe

sf(t) se(t)={s(nTe)}
Filtre de
Signal Shannon
original s(t)

S f ( f ) = S ( f )  Fe ( f )

-Fe/2 Fe/2 f

19
Exemples :

➢ CD audio : La fréquence maximale audible par un être humain

normal est de 20 kHz.
 L’échantillonnage doit se faire à une fréquence au moins égale à
2*20 = 40 kHz. En pratique, on échantillonne à 44 kHz pour faciliter
la reconstitution. La plupart des instruments musicaux contiennent des
fréquences au dessus de 20 kHz, mais on ne peut pas les entendre. On
peut alors les éliminer en filtrant le signal original avant de
l’échantillonner.
➢ Téléphonie numérique : Les signaux de parole sont compris
entre 0.3 et 3.4 kHz.
 On peut donc échantillonner à 6.8 kHz. En pratique, on
échantillonne à 8 kHz (125 s entre deux échantillons). Ceci limite à
4 kHz la plus haute fréquence pouvant être transmise dans ces
systèmes.
20
Echantillonnage réel

Le peigne réel est constitué par une suite d’impulsions de durée  courte
non nulle.


Te nTe
+
wTe , ( t ) =  ( t ) * PgnTe (t ) =  ( t ) *   ( t − kT )
k =−
e

+
wTe , ( t ) =   (t − kT )
k =−
e

Son spectre s’exprime par :

21
 (
TF wTe , ) ( f ) = TF ( (t )) TF ( Pgn (t ))
 Te

+

(
TF wTe , ) ( f ) =  sinc ( f )  F   ( f − kF )
e
k =−
e

+

(
TF wTe , ) ( f ) =   F  sinc ( kF )  ( f − kF )
e
k =−
e e

22
On distingue trois procédures d’échantillonnage :

• Echantillonnage naturel : xe(t) xe(nTe)=x(t)

Amplitude égale à celle du signal pour
durant la durée . nTe-/2 <t< nTe +/2
 nTe t
• Echantillonneur moyenneur : xe(t)
xe(nTe)= moy(x(t))
Amplitude constante durant toute la pour
durée  et égale à la moyenne du nTe-/2 <t< nTe+/2
signal durant l’intervalle  autour de
 nTe t
l’instant d’échantillonnage nTe.
• Echantillonnage par blocage : xe(t)
xe(t)=x(nTe )
Amplitude constante durant toute la pour
durée  et égale à celle du signal à nTe-/2 <t< nTe+/2
l’instant d’échantillonnage nTe.
 nTe t 23
Echantillonnage par Blocage (maintien) : échantillonneur bloqueur

xe (k ) Amplitude A xe, B (t ) Amplitude A

Bloqueur
d’ordre 0
(cas où =Te)
Temps (k t) Temps (k t)

Il s’agit de maintenir l'échantillon x(nTe) jusqu'à l'arrivée de l'échantillon x(nTe+Te).

Le blocage est une opération qui suit l’échantillonnage: On parle de circuit

échantillonneur/bloqueur.

Filtre PB
Bloqueur
Shannon
x(t) xf(t) xe(k) xe(t)
24
Echantillonnage par Blocage (maintien) : échantillonneur bloqueur

Amplitude constante durant toute la durée  et égale à xe(t)

celle du signal à l’instant d’échantillonnage nTe.

xe (t ) = x ( t ) . wTe , ( t )  kTe t
+
=  x(kTe). (t − kTe)
k =−

On peut aussi écrire :

xe (t ) = x ( t )  PgnTe ( t ) *  ( t )
Le spectre Xe(f) est alors :
25
  +

X e ( f ) =  X ( f ) * Fe .   ( f − kFe )  . sinc( f )
 k =− 
+
=  .Fe .sinc( f ).  X ( f − kFe )
k =−

Le spectre de base est alors :

X e 0 ( f ) =  .Fe .sinc( f ). X (f)

Il y a déformation de X(f) par la fonction sinc. Si  <<Te, cette déformation peut
être acceptable.

Exemple: =5s; Fe=20kHz (Te=50 s); distorsion à f0=1KHz de l’ordre de 0.2%.

26
TF d'un signal discret : TFSD

&

TF discrète : TFD

27
TFSD : TRANSFORMEE DE FOURIER D’UN SIGNAL DISCRET (DTFT:
Discret Time Fourier Transform)

Soit un signal discret obtenu par échantillonnage d’un signal analogique x(t) :

+ + +
xe ( t ) = x ( t )   ( t − nT ) =  x ( nT )  (t − nT ) =  x  (t − nT )
n =−
e
n =−
e e
n =−
n e

La transformée de Fourier du signal xe(t) est donnée par la relation :

+ + +


+
X(f )= x ( nTe )  ( t − nTe ) e − j 2 ft
dt =  x ( nTe )   ( t − nTe ) e− j 2 ft dt
− −
k →− n→−

En faisant le changement de variable u=t-nTe, on obtient :

+ + + +
X(f )= 
n→−
x ( nTe )
−
 (u ) e − j 2 f ( u + nTe )
du =
n→−
 x ( nTe ) e− j 2 f nTe 
−
 ( u ) e− j 2 f u du
+ + +
=  x ( nT ) e
n→−
e
− j 2 f nTe
TF  ( t ) =  x ( nT ) e
n→−
e
− j 2 f nTe
= 
n→−
xn e− j 2 f nTe
28
D’où la relation :
+
X(f )= 
n =−
xn e− j 2 f nTe

Remarques :

• Le signal est discret, mais sa transformée de Fourier (spectre) est

continue.
• La TF d’un signal discret existe si le signal est absolument sommable:
+


n =−
xn  

• La TF d’un signal discret est une fonction périodique :

+ +
X ( f + Fe ) = 
n =−
xn e
− j 2 ( f + Fe )nTe
= e− j 2 nTe Fe 
n =−
xn e− j 2 f nTe = X ( f )

• Toute l’information fréquentielle est localisée dans un intervalle de

0, F 
largeur Fe :
 Fe Fe  ou
− ,
 2 
e
 2
29
Remarque :

Dans la TFSD, si on connaît la période d’échantillonnage Te (c-à-d lorsque le

signal discret xn provient de l’échantillonnage d’un signal analogique), on
utilise la relation générale ci-dessus.

Lorsqu’on ne connaît pas Te (par exemple lorsque les échantillons xn

proviennent des mesures expérimentales), on suppose alors, par défaut, que
Te=1 et on utilise comme TFSD, la relation suivante :

+
X(f )= x
n =−
n e − j 2 nf

30
Propriétés de la TFSD :

On retrouve les même propriétés que la TF :

Linéarité TF  a.x(n) + b. y(n) = aTF  x(n) + bTF  y(n)

Décalage temporel TF  x(n − n0 ) = X ( f )e−i 2 fn0

Décalage fréquentiel TF  x(n)]ei 2 f0n  = X ( f − f 0 )

+ Fe / 2

Relation de Parseval  x ( n) = 
2 2
X ( f ) df
n =− − Fe / 2

TF  x(n). y(n) = X ( f )  Y ( f )
Relation de Plancherel
TF  x(n)  y(n) = X ( f ).Y ( f )

31
Transformée Fourier discrète (TFD ou DFT : Discrète Fourier Transform)

 +

La TF d’un signal discret 

X ( f ) = 
n =−
xn e− j 2 f nTe 

pose deux problèmes pratiques

de taille (impossible d’utiliser un ordinateur ):

✓ La fréquence f est une variable continue.

 + 
✓ Le nombre d'échantillons xn est illimité  .
 n =− 

Pour pallier à ces deux obstacles et pouvoir utiliser les moyens

informatiques, il faut :

➢ Discrétiser la fréquence pour l’analyse spectrale.

➢ limiter la durée d’analyse : Tronquer le signal (Fenêtrage).

32
Fenêtrage ou troncature

Le signal tronqué résulte de la multiplication des échantillons du signal discret

xn par une fenêtre d’analyse wn (fenêtre de troncature ou fenêtre de

pondération) qui limitera le signal à N échantillons :

 x ( n ) = x ( n ) .w ( n ) pour 0  n  N − 1

 x ( n ) = 0 pour n  0 et n  N − 1
Le spectre devient alors :

N −1
X  ( f ) =  xn e − j 2 nf Te
W ( f )
n =0
33
• Exemple de troncature d’un signal par une fenêtre
rectangulaire

1500

1000

500

-500

-1000

-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500

1500

1000

500

-500

-1000

-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500

0 N-1

34
La qualité de la fenêtre est évaluée selon les deux critères suivants :

1. La largeur du lobe central détermine la résolution spectrale de la fenêtre,

c’est-à-dire sa capacité de discriminer deux fréquences proches l’une de
l’autre.

2. L’amplitude du premier lobe latéral. Une amplitude trop grande nuira à la

détection d’un signal d’amplitude faible en présence d’un signal
d’amplitude élevée.

35
L’avantage de la fenêtre rectangulaire est son lobe principal (le
plus étroit) et donc une résolution fréquentielle maximale pour
un nombre de points donnés.

L’inconvénient de la fenêtre rectangulaire est son premier lobe

secondaire à seulement -13 dB sous le lobe principal. Ceci
est très gênant en cas de signal faible de fréquence voisine
d’un signal fort.

De nombreuses autres fenêtres temporelles ont été proposées

pour améliorer ce point (diminution des lobes secondaires au
prix d’un élargissement du lobe principal).

36
Le choix de la fenêtre doit introduire un compromis entre la
résolution spectrale (largeur du lobe principal) et la fuite de
spectre introduite par le fenêtrage (amplitude du lobe adjacent).

37
38
 0

-20

-40

-60
Porte

-80

Hamming
-100

Blackman
-120

-140
0 50 100 150 200 250 300 350 400

spectre=abs(fft(boxcar(64),4096));
spectre=spectre/64;spectrelog=20*log(spectre)/log(10);
plot(spectrelog(1:400),'linewidth',2)
39
Exemple : Troncation d’une sinusoïde par une fenêtre rectangulaire

Soit :
x ( t ) = S cos ( 2 f 0t ) et w ( t ) = T (t )
S
On sait que : X ( f ) =  ( f − f 0 ) +  ( f + f 0 )  et w ( f ) = Tsinc ( Tf )
2

En effectuant la troncation :

x ( t ) = x ( t ) .w ( t )  X  ( f ) = X ( f ) W ( f )

40
Spectre d'une sinusoïde tronquée par une fenêtre rectangulaire

Le fait de tronquer le signal tend à élargir les raies contenues dans le

spectre : c'est ce qu'on appelle l'étalement spectrale.

Plus la fenêtre sera large, plus les raies seront étroites et tendront vers les
Dirac originaux (La qualité de la représentation spectrale sera d'autant plus
grande que la durée d'acquisition T sera longue).

On observe aussi la présence d’énergie dans toutes les fréquences (Ce

phénomène est appelé fuite spectrale).
Etalement et fuite sont liés à la troncature. 41
Discrétisation de la fréquence

Comme XП(f) est périodique de période Fe, on découpe cet intervalle

en M parties égales avec un incrément de Δf=Fe/M. La valeur de f est
alors donnée par fk = k.Δf = k.Fe/M et le spectre devient :

N −1 − j 2
nkFe
X  ( k ) = X  k =  xn e
Te
M

n =0

qui s’écrit alors :

N −1 − j 2
nk
X k =  xn e M

n =0

42
Transformée de Fourier discrète
Dans la pratique, on choisit toujours M=N (fk = k.Fe/N) . La transformée de
Fourier discrète est donc définie par la relation :

N −1 − j 2
nk
X k =  xn e N

n =0

Remarques :

A Fe fixe, plus la durée d’acquisition sera longue, plus la résolution

en fréquence sera fine.

A N fixe, plus Fe sera importante et plus la condition de Shannon

sera respectée mais moins la résolution en fréquence sera fine.

43
Exercice :

Exprimer la TFD du signal :

a n
si n   0, N − 1
x (n) = 
0 ailleurs

Correction :

N −1 nk n
− j 2 N −1 nk N −1  k

X (k ) =  x (n) e
− j 2 − j 2
N
= a e n N
=  a e N

n =0 n =0 n =0  

 X(k) est une suite géométrique de 1er terme 1 et de

raison q = a e-j2k/N
44
S = u0 + u1 + + uN −1
qS = u1 + u2 + + uN
 (1 − q ) S = u0 − uN

u0 − u N
 S=
1− q
D’où :
1 − a N e − j 2 k
X (k ) = 2 k
−j
1 − ae N

1− aN
 Xk = 2 k
−j
1 − ae N

45
TFD Inverse
N −1 j 2
nk
1
Calculons : A=
N
X
k =0
k e N

( n −l ) k
 N −1 − j 2 lkN  j 2 nkN  j 2 ( n − l ) 
k
N −1 N −1 N −1 j 2 N −1 N −1
1
 x e
1
A =    xl e
1
 e = N
=  xl   e N

N k =0  l =0 l 
 N l =0 k =0 N l =0 k =0  
Or :
 j 2 ( n −l )  1 − e j 2 ( n −l )  N
k
N −1 si l = n
  e N
 = ( n −l )
=
si l  n
k =0   1 − e j 2 N 0

D’où : 1  N −1 
A =   xl  N  A = xn
N  l = 0 l = n
N −1 j 2
nk
1
La TFD inverse est définie par la relation : xn =
N
X
k =0
k e N

46
 Annexe
FFT
(Principe de l’algorithme de Cooley-Tuckey)

47
Notations :

2
−j
Le terme : WN = e N est la Nième racine de l’unité.

Propriétés de WN

• Séparabilité WNl + k = WNl .WNk

k  mod N 
• Périodicité WN = WN
k

1 N −1
1 si k = lN , l entier
• Orthogonalité sur une période  W nk
= 
N 0 sinon
N
n =0

48
Valeurs particulières:

W NlN = 1
N
W N = −1
2

N
k+
WN 2
= −W Nk
WN2 = W N
2

49
La TFD et TFD inverse s’écrivent alors :

N −1
X k =  xn W nk
N
n =0

N −1
1
xn =  X k WN
− nk

N k =0

50
Transformée de Fourier Rapide
(FFT : Fast Fourier Transform)

C’est une technique de calcul rapide de la TFD.

Le calcul des N valeurs de la TFD requiert :

2
• N multiplications complexes

• N(N-1) additions

Le temps de calcul est un facteur primordial pour réaliser des

systèmes numériques en “temps réel“.

Plusieurs algorithmes permettant de calculer plus rapidement la

TFD ont été proposés. Le plus connu est celui de Cooley-Tuckey
proposé en 1965.
51
L’algorithme de Cooley-Tuckey requiert un nombre d’échantillons
m
qui est une puissance de 2 : N=2 .

Le nombre d’opérations est alors :

N
log 2 N Multiplications et
2
N log 2 N additions

Ex. N=1024, TFD : 1.048.576 mult.

FFT : 5.120 mult. soit un rapport TFD/FFT de 205

52
 Pour calculer les N échantillons de la TFD {X0, X1,…,XN-1}, on
utilise l’expression de base :

N −1
X k =  xn WNnk
n =0

En séparant les échantillons d’ordre pair et impair, il vient :

N N
2
−1
2
−1  − j 2
kn

 nk 
X k =  x2 n WN( 2 n )k +  x2 n +1 WN( 2 n +1)k
N

 avec WN
2 nk
= e 2
= W N 
n =0 n =0  2 
 
Soit :
N N
−1 −1
2 2
X k =  x2 n WNnk + WNk  x2 n +1 WNnk
n =0 2 n =0 2
53
 Les échantillons Xk de la TFD d’ordre N s’exprime sous la
forme de deux TFD d’ordre N/2 :

X k = X1k + W X 2k k
N

En considérant les intervalles d’appartenance de l’indice k

suivants:

➢ Pour 0≤k’≤N/2-1 X k ' = X1k ' + WNk ' X 2k '

➢ Pour N/2≤k″≤N-1 X k '' = X1k '' + W X 2k ''

k ''
N

Posons k″=k’+N/2, alors :

54
 N
 2
 2 
N − j  N
−1  N N −1
2 n k ' +    2
X1k '' = X  N
=  x2 n W N
 2
=e  2 
 2n N = X1k '
x W nk '
1 k ' +  n =0 n =0
 2 2 2

N
−1  N
2 n k ' + 
X 2 k '' = X  N
=  x2 n W N
 2
= X 2k '
2 k ' +  n =0
 2 2

N
k '+
WN 2
= −W N k'

D’où :

55
  X k ' = X 1k ' + W X 2 k '
k'


N

 X k '' = X 1k ' − W X 2 k '

k'
N

Ces résultats peuvent être représentés moyennant une structure

dite ″papillon″ ou ″butterfly″ :

X1k ' X1k ' + WNk ' X 2k '

X 2k ' WNk ' X1k ' − WNk ' X 2k '

56
Exemple :

k
k=3, N=2 =8
7
X k =  xn W8
nk

n =0

Xk est calculé en appliquant l’algorithme de Cooley-Tuckey :

57
 7
X k =  xn W8nk
n =0

Seules les 8 premières valeurs de W8nk sont différentes puisque cette

fonction est identique modulo N=8, soit

X k = W80 x0 +W8k x1 + W82k x2 + W83k x3 + W84k x4 + W85k x5 + W86k x6 + W87 k x7

( ) ( ) ( ) (
X k = W80 x0 + W84 k x4 + W82 k x2 + W84 k x6 + W8k x1 + W84 k x5 + W83k x3 + W84 k x7 )
Or :
2
W = −W = 1
8
0
8
4
W = −W =
8
1
8
5
(1 − j )
2
2
W82 = −W86 = − j W8 = −W8 = −
3 7
(1 − j )
2
58
Les Xk peuvent alors s’écrire :

X 0 = W80 ( x0 + x4 ) + W80 ( x2 + x6 ) + W80 ( x1 + x5 ) + W80 ( x3 + x7 )

X1 = W80 ( x0 − x4 ) + W82 ( x2 − x6 ) + W81 ( x1 − x5 ) + W83 ( x3 − x7 )
X2 = W 8
0
( x0 + x4 ) + W ( x2 + x6 ) + W ( x1 + x5 ) + W ( x3 + x7 )
8
4
8
2
8
6

X 3 = W80 ( x0 − x4 ) + W86 ( x2 − x6 ) + W83 ( x1 − x5 ) + W81 ( x3 − x7 )

X 4 = W80 ( x0 + x4 ) + W80 ( x2 + x6 ) + W84 ( x1 + x5 ) + W84 ( x3 + x7 )

X 5 = W80 ( x0 − x4 ) + W82 ( x2 − x6 ) + W85 ( x1 − x5 ) + W87 ( x3 − x7 )

X 6 = W80 ( x0 + x4 ) + W84 ( x2 + x6 ) + W86 ( x1 + x5 ) + W83 ( x3 + x7 )

X7 = W 8
0
( x0 − x4 ) + W ( x2 − x6 ) + W ( x1 − x5 ) + W ( x3 − x7 )
8
6
8
7
8
5

59
A l’aide de l’opérateur “butterfly“ :

x0 X0
W80
x4 W 8
0
X1
x2 W80 X2
W82
x6 W80 W81 X3
x1 X4
W80 W82
x5 W8
0
X5
x3 W83 X6
W82
x7 W80 X7

On remarque que les couples d’échantillons doivent être classés

selon un ordre particulier (x0,x4, x2,x6, …) correspondant au code
binaire inverse : 60
n Code binaire Inversion Ordre de
xn
0 000 000 0
1 001 100 4
2 010 010 2
3 011 110 6
4 100 001 1
5 101 101 5
6 110 011 3
7 111 111 7
61