Académique Documents
Professionnel Documents
Culture Documents
traitement du signal
1
Sommaire
Préambule............................................................................................................................................. 6
Méthodes de calcul des spectres de Fourier ......................................................................................... 7
Biographie de Joseph Fourier ............................................................................................................ 10
Série de Fourier .................................................................................................................................. 11
I- Introduction ......................................................................................................................... 11
II- Théorème de Fourier........................................................................................................ 11
III- Forme trigonométrique réelle .......................................................................................... 11
IV- Spectre unilatéraux d’amplitude et de phase ................................................................... 12
V- Exemples de décompositions en séries de Fourier .......................................................... 13
V.1 Signal sinusoïdal .......................................................................................................... 13
V.2 Signal carré .................................................................................................................. 14
V.3 Signal triangulaire ........................................................................................................ 15
VI- Interprétation physique .................................................................................................... 15
VII- Forme exponentielle complexe .................................................................................... 16
VIII- Spectres bilatéraux d’amplitude et de phase ................................................................ 17
IX- Propriétés de la série de Fourier ...................................................................................... 18
X- Egalité de Parseval ........................................................................................................... 19
Transformée de Fourier ...................................................................................................................... 20
I- Introduction ......................................................................................................................... 20
II- Transformée de Fourier et Transformée de Fourier inverse ............................................ 20
III- Spectre d’amplitude et de phase ...................................................................................... 21
IV- Propriétés de la transformée de Fourier ........................................................................... 22
IV.1 Linéarité (addition) ...................................................................................................... 22
IV.2 Parité ............................................................................................................................ 22
IV.3 Translation dans le domaine du temps ......................................................................... 22
IV.4 Translation dans le domaine de fréquence ................................................................... 22
IV.5 Dérivation de s ............................................................................................................. 23
IV.6 Intégration .................................................................................................................... 23
IV.7 Changement d’échelle .................................................................................................. 23
2
IV.8 Dualité temps-fréquence .............................................................................................. 23
IV.9 Complexe conjugué...................................................................................................... 23
IV.10 Multiplication par t ................................................................................................... 24
V- Exemples de transformées de Fourier.............................................................................. 24
V.1 Signal rectangle ou porte.............................................................................................. 24
V.2 Signal triangle .............................................................................................................. 24
V.3 Signal signe .................................................................................................................. 24
V.4 Signal exponentielle décroissante ................................................................................ 24
V.5 La Gaussienne .............................................................................................................. 25
V.6 La Lorentzienne ........................................................................................................... 25
V.7 Dirac .......................................................................................................................... 25
V.8 Le peigne de Dirac ....................................................................................................... 26
V.9 Echelon (Heaviside) ..................................................................................................... 27
VI- Théorème de Parseval ...................................................................................................... 27
Systèmes à temps continu et produit de convolution ......................................................................... 28
I- Notion de système de transmission ..................................................................................... 28
II- Linéarité ........................................................................................................................... 28
II.1 Homogénéité (proportionnalité) ................................................................................... 28
II.2 Additivité ..................................................................................................................... 29
II.3 Invariance dans le temps .............................................................................................. 29
III- Réponse impulsionnelle ................................................................................................... 29
IV- Produit de convolution..................................................................................................... 29
V- Propriétés du produit de convolution............................................................................... 30
VI- Théorème de convolution ou de Plancherel..................................................................... 31
La différence entre Analogique et Numérique ................................................................................... 32
I- Introduction ......................................................................................................................... 32
II- Qu’est-ce que numériser ? ............................................................................................... 32
Echantillonnage de signaux ............................................................................................................... 34
I- Introduction ......................................................................................................................... 34
II- Définition de l’échantillonnage ....................................................................................... 34
III- Echantillonnage idéal....................................................................................................... 35
IV- Transformée de Fourier du signal échantillonnée ........................................................... 35
V- Théorème d’échantillonnage / Théorème de Shannon .................................................... 36
VI- Effet du pas d’échantillonnage ........................................................................................ 37
VII- Filtre reconstructeur de Shannon, formule de Shannon ............................................... 37
VIII- Echantillonnage réel ..................................................................................................... 39
3
IX- Echantillonnage-blocage.................................................................................................. 40
Transformée de Fourier à Temps Discret .......................................................................................... 42
I- Introduction ......................................................................................................................... 42
II- La TF du signal échantillonné ......................................................................................... 42
III- Transformée de Fourier à temps discret .......................................................................... 43
IV- Périodicité de la TFTD .................................................................................................... 43
V- Propriétés de la TFTD ..................................................................................................... 43
VI- Normalisation de la période d’échantillonnage (Te = 1) ................................................. 44
VII- Représentation spectrale .............................................................................................. 44
Transformée de Fourier Discrète ....................................................................................................... 45
I- Introduction ......................................................................................................................... 45
II- De la TFTD à la TFD....................................................................................................... 45
III- Détermination de la TFD ................................................................................................. 46
IV- La transformée de Fourier discrète .................................................................................. 46
V- Propriétés de la TFD ........................................................................................................ 47
VI- Théorème de Parseval ...................................................................................................... 47
Transformée de Fourier Rapide ......................................................................................................... 48
I- Les bases de l’algorithme de Cooley-Tuckey ..................................................................... 48
I.1 Ecriture matricielle de la TFD ..................................................................................... 48
I.2 Propriétés de [W] quand N = 2m ................................................................................. 49
I.3 Les différentes étapes de l’entrelacement temporel ..................................................... 51
I.4 Le treillis et les papillons ............................................................................................. 55
Résumé des transformées .......................................................................... Erreur ! Signet non défini.
Travaux dirigés ......................................................................................... Erreur ! Signet non défini.
Travaux pratiques ...................................................................................... Erreur ! Signet non défini.
TP 1 : Séries de Fourier............................................................................. Erreur ! Signet non défini.
I- Série de Fourier exponentielle .................................................... Erreur ! Signet non défini.
I.1 Application .......................................................................... Erreur ! Signet non défini.
I.2 Manipulation ....................................................................... Erreur ! Signet non défini.
II- Série de Fourier trigonométrique. ........................................... Erreur ! Signet non défini.
II.1 Application .......................................................................... Erreur ! Signet non défini.
II.2 Manipulation ....................................................................... Erreur ! Signet non défini.
TP 2 : Transformée de Fourier .................................................................. Erreur ! Signet non défini.
I- Représentation temporelle et fréquentielle ................................. Erreur ! Signet non défini.
II- Calcul d’une transformée de Fourier par Matlab .................... Erreur ! Signet non défini.
TP 3 : Convolution .................................................................................... Erreur ! Signet non défini.
I- Convolution ................................................................................ Erreur ! Signet non défini.
4
II- Convolution d’une porte par elle même ................................. Erreur ! Signet non défini.
III- Création d’un écho (décaler un signal par convolution) ......... Erreur ! Signet non défini.
TP 4 : Echantillonnage .............................................................................. Erreur ! Signet non défini.
I- Analyse d’un signal sinusoïdal. .................................................. Erreur ! Signet non défini.
I.1 Etude temporelle à différentes périodes d’échantillonnage Erreur ! Signet non défini.
I.2 Exemple de script pour un prélèvement de 128 échantillons......... Erreur ! Signet non
défini.
I.3 Transposer ce script dans les cas suivants de nombres d’échantillons : Erreur ! Signet
non défini.
I.4 Tracés de chronogrammes .................................................. Erreur ! Signet non défini.
TP 5 : Analyse de Fourier discrète ............................................................ Erreur ! Signet non défini.
I- Analyse par transformée de Fourier discrète .............................. Erreur ! Signet non défini.
I.1 Exemple de script pour TFD sur 128 échantillons .............. Erreur ! Signet non défini.
I.2 Tracés de spectres ............................................................... Erreur ! Signet non défini.
II- Analyse d’un signal transitoire ............................................... Erreur ! Signet non défini.
II.1 Chronogrammes .................................................................. Erreur ! Signet non défini.
II.2 Spectres ............................................................................... Erreur ! Signet non défini.
III- Translation temporelle ............................................................ Erreur ! Signet non défini.
IV- Convolution de signaux- Filtrage élémentaire ........................ Erreur ! Signet non défini.
IV.1 Filtrage d’une sinusoïde ...................................................... Erreur ! Signet non défini.
IV.2 Convolution via la TFD. ..................................................... Erreur ! Signet non défini.
IV.3 Convolution via la fonction vonv() de Matlab® ................. Erreur ! Signet non défini.
5
Préambule
Préambule
Ce document de cours donne les éléments de base qu’il est nécessaire de maitriser pour aborder le
domaine du traitement du signal (TdS). Cependant, même pour des domaines qui ne sont pas forcément
proches du TdS, il expose des notions qui peuvent s’avérer extrêmement utiles puisqu’il y est question
du prélèvement et du traitement de données numériques.
Modèles de signaux
L’information extraite de l’observation d’un phénomène se présente sous forme d’une ou plusieurs
grandeurs physiques qui évoluent dans le temps et/ou dans l’espace. Dans les problèmes rencontrés en
pratique, on est souvent amené à s’intéresser à l’un ou l’autre de ces deux aspects.
Les différents traitements que l’on fait subir aux signaux nécessitent l’utilisation d’outils
mathématiques. Ces derniers sont à la base de la théorie du signal. Ce cours s’intéresse à l’étude et
surtout à la mise en œuvre - le traitement du signal - de certains d’entre eux.
En signal on modélise la grandeur physique observée par un objet mathématique dépendant de la
variable réelle t représentant le temps. Dans la suite, le mot signal désignera indifféremment la grandeur
physique observée ou l’objet mathématique servant à la modéliser. On a l’habitude d’envisager les cas
suivants :
Déterministe/aléatoire : cette première distinction porte sur notre capacité à prédire l’évolution
temporelle de la grandeur observée. Si on prend par exemple un oscillateur sinusoïdal d’amplitude A et
de fréquence f0, on peut alors prédire la valeur de l’amplitude à tout instant par une expression telle que
s(t) = A cos(2πf0t). Si A et f0 varient très légèrement au cours du temps on pourra en prendre une valeur
moyenne et utiliser ces dernières dans le modèle. Un tel modèle de signal est dit déterministe.
Il existe cependant des situations où il n’est pas concevable de représenter de cette façon l’évolution
temporelle du signal. C’est le cas, par exemple, pour la tension engendrée à la sortie d’un micro-phone
ou encore pour le courant électrique produit par l’agitation thermique de particules dans un conducteur
(bruit de fond). On ne peut pas dire combien vaudra s(t) à l’instant t, mais on pourra éventuellement
supposer que cette grandeur est distribuée suivant une certaine loi de probabilité. On dit alors que le
signal est aléatoire.
Temps continu/temps discret : si, comme c’est le cas pour le signal s(t) = A cos(2πf0t), le temps t prend
ses valeurs dans R, on dit que le signal est à temps continu. Toutefois, on rencontre aussi en traitement
du signal des grandeurs qui évoluent uniquement à des instants discrets tn où n ∈ Z. On parle alors de
signal à temps discret ou encore de signal numérique. En termes mathématiques, un signal à temps
continu est une fonction du temps tandis qu’un signal à temps discret est une suite.
Du temps continu au temps discret
Le développement et l’essor des techniques numériques ont fait que les solutions apportées aux
traitements des signaux à temps discret ont pris une place essentielle aujourd’hui, comparée à celle
qu’occupent les traitements portant sur les signaux à temps continu. C’est pourquoi ce cours est centré
sur les problèmes de temps discret, sur le passage du temps continu au temps discret (théorème
d’échantillonnage) et sur le traitement numérique des signaux.
6
Méthodes de calcul des spectres de Fourier
Le traitement du signal est, avec l’automatique, la couche charnière entre les mathématiques et les
technologies. Le traitement du signal s’appuie sur des bases solides en mathématiques mais il est
totalement indépendant des technologies électroniques ou informatiques de mise en œuvre.
Méthodes de
mise en œuvre : Electronique Microcontrôleurs DSP FPGA
Un signal est une quantité mesurable qui dépend du temps. Un signal est la représentation physique de
l'information, qu'il convoie de sa source à son destinataire. (Exemples : Onde acoustique : courant
délivrer par un microphone (parole, musique, …), tension aux bornes d'un condensateur en charge,
images, vidéos, position d'un mobile M(t) ou M(x, y, t)).
Un signal s(t) peut être associé à deux représentations contenant la même quantité d'information :
représentation temporelle et représentation spectrale.
La représentation spectrale montre l'importance de la contribution d'une composante à la fréquence dans
le signal s(t).
On passe d'une représentation à l'autre par « transformation de Fourier ».
Il existe quatre termes qui peuvent définir une transformée de Fourier. Ces quatre termes proviennent
du fait qu’un signal peut être continu ou discret, et périodique ou non périodique. La combinaison de
ces caractéristiques donne les quatre termes suivants :
Série de Fourier (SF) : S’applique aux signaux continus périodiques. Ces signaux se répètent avec
une période finie. Une sinusoïde, une onde carrée, une onde triangulaire sont des exemples de ce
genre de signal.
7
Méthodes de calcul des spectres de Fourier
s(t) Sn
Δf = 1/T0
t
nf0
T0
Transformée de Fourier (TF) : Ceci s’applique aux signaux continus non périodiques. Ce genre
de signal s’étend vers l’infini (positif ou négatif) sans se répéter. Un exponentiel est un exemple,
ou une courbe gaussienne.
s(t) S(f)
t
f
Transformée de Fourier à temps discret (TFTD) : S’applique aux signaux discrets non
périodiques.
Se(f)
s(kTe)
Te = 1/fe
t
Fe f
Transformée de Fourier discrète (TFD) : S’applique aux signaux discrets périodiques. Ce genre
de signal se répète avec une période finie.
s(k) S(n)
Te = 1/fe Δf = 1/T0 Fe f
T0
Résumé :
Spectre
Signal Méthode de calcul Caractéristiques
Continu et périodique SF Discret et non périodique
Continu et non périodique TF Continu et non périodique
Discret et non périodique TFTD Continu et périodique
Discret et périodique TFD Discret et périodique
Connaître les différentes méthodes de calcul et leurs domaines d’application est l’objectif de ce cours,
l’analyse de Fourier étant l’un des principaux outils du traitement du signal.
8
Méthodes de calcul des spectres de Fourier
La seule transformée qui s’applique aux problèmes de traitement du signal est la Transformée de Fourier
discrète (TFD). Les deux premières transformées sont appliquées à des signaux continus, et donc ne
peuvent pas être utilisées pour des signaux discrets.
Quant à la TFTD, elle s’applique à des signaux allant de -∞ à +∞, et donc ne peut pas être utilisée ici,
puisque l’information traitée est toujours de longueur finie. Il reste donc la TFD. Bien que les signaux
réels sont très peu souvent périodiques, on va les supposer périodiques pour pouvoir les traiter.
Sachez néanmoins que d’autres transformations existent, la transformée en z (étude des filtres) et la
transformée de Laplace (automatisme).
9
Biographie de Joseph Fourier
Joseph Fourier (21 mars 1768 à Auxerre - 16 mai 1830 à Paris) est un mathématicien et physicien
français connu pour ses travaux sur la décomposition de fonctions périodiques en séries
trigonométriques convergentes appelées séries de Fourier. Il a été instruit par les Bénédictins à l’école
militaire d’Auxerre. Il était destiné à l’état monastique, mais il préféra s’adonner aux sciences. Il a
participé à la révolution française, manquant de peu de se faire guillotiner durant la Terreur, il a été
sauvé de justesse par la chute de Robespierre. Il intègre l’Ecole Normale Supérieure, où il aura comme
professeur entre autres Joseph-Louis Lagrange. Fourier est connu pour sa théorie analytique de la
chaleur (1822). C’est à Grenoble qu’il conduit ses expériences sur la propagation de la chaleur qui lui
permettront de modéliser l’évolution de la température au travers de séries trigonométriques. Ces
travaux qui apportent une grande amélioration à la modélisation mathématique de phénomènes ont
contribué aux fondements de la thermodynamique.
10
Série de Fourier
Série de Fourier
I- Introduction
Une technique très commune en ingénierie est de réduire un problème complexe en plusieurs problèmes
simples. Les problèmes simples sont alors résolus, et la solution globale est la somme des solutions
simples. Ces solutions simples permettent souvent de mieux comprendre le problème complexe.
Une des méthodes les plus utiles dans l’analyse des signaux est la série de Fourier. La série de Fourier
permet de transformer n’importe quel signal périodique en une somme de sinusoïdes. On peut donc
prendre un signal périodique complexe et le simplifier à des sinusoïdes.
Pourquoi s’intéresse-t-on aux signaux périodiques ? Plusieurs sources électriques produisent des
signaux périodiques. Les générateurs de signaux produisent des ondes carrées, rectangulaires et
triangulaires. Les redresseurs, utilisés pour produire des sources DC à partir d’un signal AC, produisent
des sinusoïdes qui sont périodiques, mais redressés.
Sous certaines conditions de dérivation et de continuité, tout signal à temps continu s(t) périodique de
période T0 peut s’écrire sous la forme d’une somme de signaux sinusoïdaux. Cette somme peut s’écrire
de deux manières :
Forme trigonométrique réelle.
Forme exponentielle complexe.
s(t)
T0
On utilise principalement les séries de Fourier dans le cas des signaux périodiques où s(t) = s(t+T0).
Elles permettent ainsi de passer facilement du domaine temporel au domaine fréquentiel.
11
Série de Fourier
On définit une série de Fourier comme une somme infinie de sinusoïdes dépendant du temps de
fréquences multiples d’une fréquence f0, appelée fréquence fondamental ou premier harmonique, la
composante de fréquence nf0, avec n entier (n ≥ 1), est l’harmonique de rang n. On parle de la
décomposition en série de Fourier et on peut écrire s(t) sous la forme :
a
s(t) = + [a cos(nω t) + b sin(nω t)]
2
On montre que :
présente la valeur moyenne du signal s(t) :
a 1
= s(t)dt
2 T
an et bn présentent les coefficients de Fourier du signal s(t), une fois qu’un coefficient de rang n
est non nul, cela entraine qu’une partie du signal s(t) vibre à la pulsation n0.
2
a = s(t)cos(nω t)dt
T
2
b = s(t)sin(nω t)dt
T
Les fonctions cos(nω0t) et sin(nω0t) sont réelles, mais les coefficients an et bn peuvent être
complexes.
Remarques :
Le type de symétrie d’un signal peut simplifier le calcul des coefficients de la série de Fourier.
Selon le type de symétrie, certains des coefficients de la série de Fourier sont nuls.
Si s(t) est un signal pair (s(t) = s(-t), t), alors : bn = 0 (n).
Si s(t) est un signal impair (s(t) = -s(-t), t), alors : an = 0 (n).
Si s(t) est un signal de valeur moyenne nulle, alors a0 = 0.
Nous sommes désormais capables de définir une représentation fréquentielle pour les signaux
périodiques. En effet, grâce à la décomposition en série de Fourier, ils peuvent se décomposer
en une somme discrète de fonctions de type sinus ou cosinus. Les raies présentes dans la
représentation fréquentielle d’un signal périodique ne pourront se trouver qu’au niveau des
multiples de la fréquence du fondamental (spectre discret en fréquence). C’est une
caractéristique du spectre d’un signal périodique.
Le spectre d’amplitude du signal s(t) (la représentation en fréquence ou la représentation
spectrale) est le diagramme obtenu en portant sur un axe horizontal gradué en multiples la
fréquence fondamentale f0 des segments de longueur proportionnelle à l’amplitude cn de
l’harmonique de rang n, avec :
c n = a 2n + b n2
Le spectre montre immédiatement l’importance relative des différentes harmoniques (cn est
l’amplitude observée par l’analyseur de spectre à la fréquence nf0. Par définition cn est positif,
mais an et ou bn peuvent être négatifs).
12
Série de Fourier
Avec a0 représente la tension moyenne, à la fréquence 0*f0 donc il est représenté par l’amplitude
de la raie observée à la fréquence 0 de l’analyseur de spectre. La tension moyenne est aussi
appelée la composante continue. Notez bien que : Tout signal ayant une composante continue
non nulle en temporel présentera une raie à la fréquence 0 d’amplitude égale à la composante
continue.
La description du signal s(t) conduit aux spectres unilatéraux d’amplitudes cn. Ici, les
fréquences sont positives ou nulles car le compteur n des harmoniques varie de 0 à +∞.
Pour avoir une bonne approximation du signal s(t), il faut augmenter le nombre des
harmoniques dans la décomposition de série de Fourier. Pour cela, plus qu’on ajoute les
harmonique (n tend vers l’infini) plus les coefficients de Fourier décroissent et tend vers 0 :
cn
0
n
│cn│
c1
c2
c3
c4
c0 c5
c6
f
0 1f0 2f0 3f0 4f0 5f0 6f0
Le spectre de phase du signal s(t) est le diagramme obtenu en portant sur un axe horizontal
gradué en multiples la fréquence fondamentale f0 des segments de longueur proportionnelle à
l’amplitude φn de l’harmonique de rang n, avec :
b
φn = arctan n
an
φn
φ1 φ2 φ3 φ4 φ5 φ6
φ0
f
0 1f0 2f0 3f0 4f0 5f0 6f0
En effet, si l’on souhaite reconstruire le signal dans le domaine temporel à partir de ses
expressions dans le domaine fréquentiel, il faudra faire intervenir les phases φn :
+ +
a a
s(t) = 0 + a n cos(nω0 t) + b n sin(nω0 t) = 0 + cn cos nω0 t -φ n
2 n= 1 2 n =1
13
Série de Fourier
b0 = 0, b1 = 1 et bn = 0 pour n > 1.
Dans le cas d’un signal cosinusoïdal (cos(2πf0 t)), on a :
bn = 0, n.
a0 = 0, a1 = 1 et an = 0 pour n > 1.
s(t)
1
t
T0
-1
On remarque que le signal s(t) est impair, donc an = 0 et de valeur moyenne nulle (le signal est
centré), donc a0 = 0. Alors, on calcul les coefficients bn :
0 si n est pair
bn = 4
nπ si n est impair
Par conséquent, la décomposition en série de Fourier du signal carré ne comprend que des
harmoniques d’ordre impair :
4 1 1
s(t) = sin ω0t + sin 3ω0t + sin 5ω0t +
π 3 5
Le spectre du signal carré :
│cn│
4/π
4/(3π)
4/(5π)
f
0 1f0 3f0 5f0
Interprétation :
A priori, la décomposition en série de Fourier de ce signal carré est constituée d’une infinité de
fréquences multiples impaires de la fréquence du fondamental. L’amplitude de chaque
harmonique décroît comme l’inverse de son rang.
La restitution du signal carré (ou synthèse de Fourier) à partir de la sommation de ses
harmoniques, montre l’évolution de l’allure temporelle du signal carré lorsque l’on augmente
le nombre d’harmoniques pris en compte.
14
Série de Fourier
s(t)
t
T0
-1
On remarque que le signal s(t) est pair, donc bn = 0 et de valeur moyenne nulle (le signal est
centré), donc a0 = 0. Alors, on calcul les coefficients an :
0 si n est pair
an = 4
si n est impair
nπ 2
Par conséquent, la décomposition en série de Fourier du signal triangulaire ne comprend que
des harmoniques d’ordre impair :
8 1 1
s(t) = cos1ω0t + cos 3ω0t + cos 5ω0t +
2 9 25
π
Le spectre du signal triangulaire :
│cn│
8/π2
4/(3π)2
4/(5π)2
f
0 1f0 3f0 5f0
Interprétation :
Le signal triangulaire ne contient que des harmoniques impairs dont l’amplitude décroît comme
le carré de son rang. On constate que la seule différence au niveau de la décomposition en série
de Fourier entre le signal carré et le signal triangulaire réside dans la vitesse de décroissance de
l’amplitude des harmoniques.
Pour un signal triangulaire, on voit que les composantes d’ordres supérieures sont moins
importantes que pour un signal carré. En fait on pourrait déjà le voir ainsi, à l’œil nu, un
signal triangulaire est plus proche d’un signal sinusoïdal qu’un signal carré.
En comparant le spectre du signal carré avec celui du signal triangulaire, on observe que
les harmoniques du signal triangulaire diminuent plus rapidement (les composantes
d’ordres supérieures sont moins importantes que pour un signal carré). Un signal
triangulaire a une forme beaucoup plus proche d’une sinusoïde qu’un signal carré.
15
Série de Fourier
Pour un signal s(t) périodique de période T0, sa décomposition en série de Fourier est de la
forme suivante :
+
a
s(t) = 0 + a n cos(nω0 t) + b n sin(nω0 t)
2 n= 1
Posons :
a - jb n
Sn = n
2
Donc :
1 2 2 = 1 s t e-jnω0 t dt
Sn =
2 T0 s(t)cos(nω0 t) dt - j
T0 s(t)sin(nω0 t)dt
T0
T0 T0 T0
Remarquons que :
a n + jb n 1
ste
+jnω0 t
= dt = S-n
2 T0
T0
Alors :
a 0 + +
s(t) = + Sn e jnω0 t
+ S-n e-jnω0 t
2 n =1 n =1
Où on a :
1 1
ste ste
-jnω0 t -j2πnf 0 t
Sn = dt = dt
T0 T0
T0 T0
16
Série de Fourier
+
s(t) = Sn e jnω0 t
n = -
Avec
1
ste
-j2πnf 0 t
Sn = dt
T0
T0
Et
+
j nω0 t + Arg Sn
st = Sn e
n = -
│Sn│
│S-1│ │S1│
│S-2│ │S2│
S0
│S-3│ │S3│
f
-3f0 -2f0 -1f0 0 1f0 2f0 3f0
Arg(Sn)
Il apparaît dans l'expression de s(t) des termes pour les fréquences s'étendant de -∞ à +∞, d'où
le nom de spectres bilatéraux. Le spectre d’amplitude bilatéral est toujours pair, alors que le
17
Série de Fourier
spectre de phase bilatéral est toujours impair. Les 2 spectres ne comportent des composantes
qu’aux multiples entiers de la fréquence du signal, on parle de spectres de raies.
Remarques :
Les deux formulations : la série de Fourier complexe avec les coefficients Sn et la série
de Fourier réelle avec les coefficients a0, an et bn sont strictement équivalents.
La série de Fourier complexe est d’une écriture moins lourde, mais il peut être avantageux
d’utiliser la série de Fourier réelle lorsque le signal s(t) est symétrique ou antisymétrique
par rapport à l’origine.
La formule donnant Sn est également valable pour S0 = a0/2.
On passe facilement de la notation complexe à la notation réelle en remarquant que :
a n - jb n
Sn = 2 a = (S + S )
soit
b = j(S − S )
S = a n + jb n
-n 2
Arg Sn = - φn pour n 0
Arg S-n = - Arg Sn
Si s(t) est un signal pair (s(t) = s(-t), t), alors n : bn = 0 et Sn = S-n.
Si s(t) est un signal impair (s(t) = -s(-t), t), alors n : an = 0 et Sn = -S-n.
Si s(t) est un signal de valeur moyenne nulle, alors a0 = 0 et S0 = 0.
Si s(t) est à valeurs réelles, alors :
1 +jnω0 t
S-n = s(t) e dt = S*n
T0
T0
Soient s1(t) et s2(t) deux signaux périodiques, dont la série de Fourier a pour coefficients
complexes S1n et S2n.
Intégration t 1
- s τ dτ j 2πnf 0
Sn
Remarques :
Si le signal est réel et impair, sa transformée est imaginaire et impaire.
Si le signal est réel et pair, sa transformée est réelle et paire.
Dans le cas général d’un signal ni pair ni impair, sa transformée comporte une partie réelle
paire et une partie imaginaire impaire.
X- Egalité de Parseval
Considérons un phénomène périodique, de période T0, décrit par un signal s(t) (les signaux
périodiques se sont des signaux à énergie infinie mais à puissance moyenne finie). L’égalité de
Parseval relie la puissance moyenne de s(t), calculée sur une période T0, à la somme du carré
du module de chacun de ses harmoniques :
2
+
1 2 2 a0 1 + 2 2
T0 s(t) dt = Sn =
4
+ a n + bn
2 n =1
T0 n = -
Cette égalité exprime que la puissance moyenne du signal est répartie sur toutes les
harmoniques du phénomène (peut être calculée à partir de la somme des puissances portées par
chaque harmonique). Le théorème de Parseval exprime la conservation de la puissance du signal
dans les deux représentations.
2
s(t) représente la densité temporelle de puissance du signal. Dans le cas général où s(t)
est à valeurs dans Rn, la puissance moyenne s’écrit :
1 *
T0 s(t) s(t) dt
T0
2
Sn représente la densité spectrale (fréquentielle) de puissance du signal (DSP).
19
Transformée de Fourier
Transformée de Fourier
I- Introduction
Au chapitre précédent, on a vu qu’on pouvait représenter un signal périodique par une forme
trigonométrique réelle et une forme exponentielle complexe. La transformée de Fourier est le
prolongement de la série de Fourier à la catégorie générale des signaux déterministes
(périodiques et non périodiques). Ici, comme dans les séries de Fourier, les signaux sont
exprimés en termes exponentielles complexes de différentes fréquences, mais ces fréquences
ne sont pas discrètes. Par conséquent, dans ce cas, le signal présente un spectre continu par
opposition à un spectre discret. La transformée de Fourier est très utile dans certains domaines
comme les télécommunications et le traitement de signaux.
Avec
1
ste
-jnω0 t
Sn = dt
T0
T0
Donc,
+
1
s(t) = -jnω0 t jnω0 t
s t e dt e
n = -
T0 T0
Lorsque T0 , 1/T0 df (une petite variation de fréquence), et nf0 = f. Ainsi la somme
discrète devient une intégrale. On obtient un spectre continu avec f varient de - à + ; d’où :
+
+ -j2πft j2πft
s(t) = - - s t e dt e df
S f
Soit :
20
Transformée de Fourier
+
s(t) = S f e j2πft df
-
On note :
+
S(f) = + s t e-j2πft dt
TF
st = S f e j2πft df
-
- -1
TF
A partir de la relation :
S f = Re S f + jIm S f
S(f) est une quantité à priori complexe, son évolution en fonction de la fréquence fournit une
nouvelle manière de représenter le signal s(t). La transformée d’un signal peut s’écrire sous une
forme exponentielle :
Sf = Sf e
jφ f
S f = Re S f + Im S f
2 2
On dispose alors de deux représentations duales l’une de l’autre pour un même signal s(t) : la
représentation temporelle et la représentation fréquentielle. La transformée de Fourier introduit
la notion de « fréquences négatives » : Ces fréquences n’ont aucun sens physique, elles existent
bel et bien dans la représentation mathématique d’un signal réel. La représentation de |S(f)|2
fournira le spectre (ou densité spectrale) de puissance.
La représentation de Arg[S(f)] fournira le spectre en phase du signal :
21
Transformée de Fourier
Im S f
φ f = Arg S f = Arctan
Re S f
|S(f)| et φ(f) sont des fonctions de la variable continue f s’étendant de -∞ à +∞, on parle de
spectres continus bilatéraux, en opposition avec les spectres de raies dans le cas de signaux
périodiques.
Si s(t) est à valeurs réelles, alors |S(f)| est pair et φ(f) est impair.
L’addition dans le domaine du temps correspond à une addition dans le domaine de fréquence,
alors :
TF
αs1 t +βs 2 t
-1
αS1 f +βS2 f
TF
IV.2 Parité
s(t) S(f)
Réel quelconque Complexe (partie réelle paire, partie imaginaire impaire)
Réel pair Réel pair
Réel impair Imaginaire impair
Imaginaire quelconque Complexe (partie réelle impaire, partie imaginaire paire)
Imaginaire pair Imaginaire pair
Imaginaire impair Réel impair
22
Transformée de Fourier
TF
e +j2πf 0 t s t
S f - f0
-1
TF
IV.5 Dérivation de s
dns t
s t =
TF
n
j2πf n S f
dt n TF-1
IV.6 Intégration
L’intégration dans le domaine du temps correspond à diviser par j2πf dans le domaine de
fréquence.
t TF 1
s τ dτ
-1
TF j2πf
Sf
Le temps et la fréquence sont des domaines réciproques : si le temps est étiré, la fréquence est
compressée (et inversement).
TF 1 f
s at
S
-1
TF a a
Si a > 1, s(at) est compressé sur l’axe des temps par rapport à s(t) et ses spectres
d’amplitude et de phase sont dilatés par rapport à ceux de s(t).
Si a < 1, s(at) est dilaté sur l’axe des temps par rapport à s(t) et ses spectres d’amplitude et
de phase sont compressés par rapport à ceux de s(t).
TF
s* t
-1
S* - f
TF
23
Transformée de Fourier
TF dS f
-j2πts t
S' f =
-1
TF df
On montre que :
TF
rect τ t
-1
τ sinc πτf
TF
24
Transformée de Fourier
Traduisant la décharge d’une capacité dans une résistance à partir de l’instant t = 0. Calculons
sa TF en remarquant que le signal est causale (i.e. s(t) = 0 pour t < 0).
t
1 -τ
TF 1
e
τ -1
TF 1+ j2πfτ
V.5 La Gaussienne
e
-1
TF b
La TF d’une Gaussienne est une Gaussienne
V.6 La Lorentzienne
On montre que :
1
TF π -2π b f
e
b2 + t 2 TF b
-1
V.7 Dirac
δ(t)
t
t=0
25
Transformée de Fourier
δ(t - a)
t
t=a
Propriétés :
s t δ(t) = s 0 δ(t) = s 0
s t δ(t - t 0 ) = s t 0 δ(t - t 0 ) = s t 0
+
- δ t dt = 1
+
- δ(t - a)s(t)dt = s a
1
δ(at) = δ(t)
a
TF
δ t
-1
1
TF
TF
δ t -a
-1
e-j2πfa
TF
TF
e +j2πf 0 t
δ f -f 0
-1
TF
TF 1
cos 2πf 0 t
δ(f - f0 ) + δ(f + f0 )
-1
TF 2
TF 1
sin 2πf 0 t
δ(f - f0 ) - δ(f + f0 )
-1
TF 2j
Remarques :
Tension constante : s(t) = V0, sa transformée de Fourier vaut S(f) = V0(f). Donc ce signal
non localisée en temps est localisée en fréquence
Impulsion temporelle : s(t) = (t), a pour transformée de Fourier une constante. Donc ce
signal très localisée temporellement n’est pas du tout localisée en fréquence.
Les signaux sinus et cosinus ne sont pas localisées en temps. En revanche, elles sont très
concentrées en fréquence.
On appelle peigne de Dirac (comb en anglais), une succession périodique d’impulsions de Dirac
de période Te. On le note :
+
Pgn Te t = Ш Te t = δTe t = δ t - kTe
k = -
On montre que la transformée de Fourier du peigne de Dirac (en temps) de période Te est encore
un peigne de Dirac (en fréquence) de période 1/Te :
26
Transformée de Fourier
TF 1 + k 1
PgneTe t
-1
TF
δ f - = Pgne 1 f
Te k = - Te Te
Te
Le signal échelon (ou Heaviside) est nul pour t négatif et vaut 1 à partir de t =0 il est définie
par :
1 si t 0
Heaviside t =
0 si t < 0
Comme
1
Heaviside t = 1+ signe(t)
2
On obtient :
1 δ(f) + 1
TF
Heaviside t
TF -1
2 jπf
Soit s(t) un signal donné et sa transformée de Fourier S(f). L’égalité de Parseval traduit la
conservation de l’énergie lors du passage par la transformée de Fourier, dans les deux
représentations (l’énergie totale du signal est déterminée de la même manière dans l’espace
temporel ou l’espace fréquentiel). Le théorème de Parseval est :
+ 2 + 2
- s t dt = - S f df
2
La quantité S f est appelée : Densité Spectrale d’Energie (DSE).
2
s(t) Représente la densité temporelle d’énergie du signal
27
Systèmes à temps continu et produit de convolution
Un système de transmission h(t), est un bloc mathématique qui permet de transformer un signal
quelconque. Le système de base a une entrée e(t) et une sortie s(t). Le système peut représenter
un phénomène physique, comme un thermomètre, où l’entrée est un signal électrique et la sortie
est la chaleur. Un système peut aussi représenter un réseau de transmission de données, ou un
filtre numérique dans un ordinateur.
h(t)
e(t) s(t) = ?
Système de transmission
h(t)
II- Linéarité
28
Systèmes à temps continu et produit de convolution
II.2 Additivité
Soient s1(t) et s2(t) les réponses du système aux signaux d’entrée e1(t) et e2(t) respectivement,
alors le système est dit linéaire si sa réponse au signal .e1(t) + .e2(t) est .s1(t) + .s2(t). C’est
le cas lorsque les signaux d’entrée sont de faible amplitude.
Le système est dit invariant dans le temps si son comportement est indépendant de l’origine des
temps choisie, c.-à-d. sa réponse au signal e(t - t0) est s(t - t0). La translation du signal d’entrée
dans le temps de t0, entraine la translation du signal de sortie de la même quantité t0.
Système de transmission
h(t)
Remarques :
Comme le système est invariant dans le temps, une translation du signal d’entrée de t0,
entraine la translation du signal de sortie de la même quantité t0.
Système de transmission
h(t)
Un système linéaire et invariant dans le temps, donc de réponse impulsionnelle h(t), est
dit causal si h(t) ne peut exister pour t < 0 :
h t = 0 pour t < 0
ou
h t - t = 0 pour t < t
0 0
29
Systèmes à temps continu et produit de convolution
s t = h t *e t = e t *h t
Où on lit « la convolution de h(t) avec e(t) ».
Pour des systèmes réels, la sortie est nulle pour t < 0, et on peut donc simplifier l’intégrale à :
t
s t = h τ e t - τ dτ
0
Commutativité x t * y t = y t *x t
Associativité x t * y t *z t = x t * y t *z t = x t * y t *z t
Distributivité x t * y t + z t = x t * y t + x t * z t
Invariance au décalage x t * y t - t0 = x t - t0 * y t
Elément neutre x t *δ t = δ t * x t = x t
Dérivation '
x t * y t = x ' t * y t = x t * y' t
Intégration
x t * y t dt = x t dt * y t = x t * y t dt
Translation x t *δ t - t 0 = x t - t 0
x t - t1 *δ t - t 0 = x t - t1 - t 0
En particulier :
Mise en cascade de systèmes linéaires et invariants dans le temps, de réponses
impulsionnelles h1(t), h2(t), etc…, est équivalente à un système unique dont la réponse
impulsionnelle est indépendante de l’ordre dans lequel ces systèmes se succèdent.
s1(t)
e(t) h1(t) h2(t) s(t)
s2(t)
e(t) h2(t) h1(t) s(t)
s t = s1 t *h 2 t
s t = e t * h1 t * h 2 t
s t = e t * h1 t * h 2 t
s t = e t *h t
De même lorsque les systèmes sont associes en parallèle.
30
Systèmes à temps continu et produit de convolution
h1(t)
e(t) s(t)
h2(t)
s t = s1 t +s 2 t
s t = e t * h1 t + e t * h 2 t
s t = e t * h1 t + h 2 t
s t = e t *h t
Soient X(f) et Y(f) les transformée de Fourier des signaux x(t) et y(t) respectivement. La
transformée de Fourier d’un produit de convolution dans le domaine temporel est un produit
simple dans le domaine fréquentiel :
TF
x t * y t
-1
X f .Y f
TF
Réciproquement, la transformée de Fourier d’un produit simple dans le domaine temporel est
un produit convolution dans le domaine fréquentiel :
TF
x t . y t
-1
X f * Y f
TF
Application :
Soit un système linéaire et invariant dans le temps, dont h(t) la réponse impulsionnelle du
système, avec E(f), H(f) et S(f) les transformées de Fourier respectives de e(t), h(t) et s(t).
TF TF TF
31
La différence entre Analogique et Numérique
I- Introduction
Les phénomènes qui nous entourent sont quasiment tous analogiques, c’est-à-dire une grandeur
réelle qui évolue sans discontinuité au fil du temps. Par exemple, la température est analogique,
car elle évolue progressivement d’une valeur à une autre, elle ne passe pas brutalement de 5 à
20°C, mais elle va augmenter, plus ou moins rapidement en passant par toutes les températures
intermédiaires 5,1°C, 5,2°C, etc. mais le problème est que toutes ses données sont lourdes à
traiter et à stocker (car leurs nombres de valeur est considérables, tout ceci complexifie
grandement les calculs). Pour cela, on n’a pas besoin à chaque fois d’avoir toutes ces valeurs,
nous ne pouvons avoir besoin que de valeurs intermédiaires. Par exemple, pour des valeurs de
5°C à 20°C, nous n’avons pas forcément besoin d’avoir 5,1°C, 5,7°C, peut être que seules les
valeurs 5°C, 6°C, 7°C… nous intéressent. Pour éviter une telle quantité d’information, il faut
la numériser.
s(t) s(t)
Te Te
t t
Par exemple, le mouvement de la main est analogique (elle ne passe pas d’un endroit à un autre
instantanément), l’échantillonnage serrait le fait de prendre en photo le mouvement de la main
à chaque seconde, ce qui entraine que nous perdons en qualité de la source, mais nous
diminuons d’information à traiter. Afin de rester malgré tout fidèle à la source, il est nécessaire
d’échantillonner à une certaine vitesse, pour ceci nous avons le théorème de Shannon, qui nous
dit que la fréquence d’échantillonnage doit être supérieure à 2 fois la fréquence maximum du
signal.
Sans ceci, nous risquons de perdre des informations importantes, par exemple en relevant
régulièrement les températures de 5°C à 20°C nous pouvons manquer un pic de 5°C à 7°C, par
exemple.
Nous pouvons voir que si nous diminuons la fréquence d’échantillonnage, on trouve moins de
points sur la courbe analogique et donc nous manquons des informations qui si elles sont encore
trop espacées entrainent la perte de la nature du signal d’origine.
32
La différence entre Analogique et Numérique
s(t) s(t)
Te Te
t t
Le modernisme nous pousse à tendre vers le numérique (le vinyle était analogique et le CD est
numérique, la cassette VHS est analogique, le DVD est numérique).
Beaucoup de chose sont naturellement analogique dans la nature : la température, la pression,
etc. mais il est assez difficile de trouver des phénomènes naturellement numériques.
33
Echantillonnage de signaux
Echantillonnage de signaux
I- Introduction
Les signaux délivrés par les systèmes de mesures (tel un capteur) sont des signaux analogiques.
Ils sont représentés par un signal continu du temps. Afin de pouvoir les traiter numériquement
(à l’aide de l’outil informatique), on doit les numériser.
L’échantillonnage est une composante très importante d’un système discret, il permet de
convertir un signal continu à un signal discret. On ne s’intéresse pas ici à l’électronique de cette
conversion, mais plutôt à l’aspect des échantillons (c’est-à-dire à quelle fréquence). L’objectif
principal est de comprendre le théorème de l’échantillonnage.
Le théorème de l’échantillonnage dit qu’on peut reconstruire exactement un signal à partir de
ses échantillons si la fréquence d’échantillonnage est plus de 2 fois la plus haute fréquence
contenue dans le signal.
Le processus de reconvertir un signal discret à un signal continu est appelé la reconstruction.
Un bon exemple de reconstruction est les CD audio. La musique est stockée de façon numérique
sur les CD, puis le lecteur reconvertit ce signal en forme analogique par les haut-parleurs.
L’échantillonnage consiste à prélever à des instants précis, le plus souvent équidistants, les
valeurs instantanées d’un signal. Donc c’est de transformer un signal analogique en un signal
numérique (des échantillons ponctuels sont prélèves régulièrement sur le signal : tout le reste
est perdu !).
Le signal analogique s(t), continu dans le temps, est alors représenter par un ensemble de
valeurs discrètes : se(t) = s(kTe), avec k entier et Te la période d’échantillonnage.
Cette opération, qui consiste à prélever certaines valeurs du signal continu, est réalisée par un
échantillonneur que l’on représente souvent par un interrupteur.
s(t) se(t)
fe = 1/Te
t t
Te
34
Echantillonnage de signaux
L’échantillonnage idéal est modélisé par la multiplication du signal continu s(t) et d’un peigne
de Dirac d’amplitude unité et de période Te :
+ +
se t = s t .Pgn Te t = s t . δ t - kTe = s t .δ t - kTe
k = - k = -
+ +
se t = s kTe .δ t - kTe = s kTe
k = - k = -
t t t
Te Te
Soit le signal s(t), dont la transformée de Fourier est S(f). Soit se(t) son signal échantillonné,
dont la transformée de Fourier est Se(f). Afin d’étudier l’effet de l’échantillonnage sur le spectre
du signal, nous calculons les transformées de Fourier des deux signaux. Sachant que :
se t = s t .Pgn Te t
Avec
+
Pgn Te t = δ t - kTe
k = -
Le spectre du signal échantillonné d’après le théorème de Plancherel (de convolution) est donc
le suivant :
Se f = S f * 1 Pgn 1 f
TF
se t = s t .Pgn Te t
TF-1 Te
Te
+
k
1 1
Se f = S f *
Te
Pgn 1 f = S f * δf -
Te k = - Te
Te
1 + k 1 + k
Se f = T T S f - T
Te k = -
S f *δ f - =
e e k = - e
La transformée de Fourier du signal échantillonné (discret) se(t) est donc Se(f) périodique de
période fe = 1/Te. On obtient donc un spectre infini qui provient de la périodisation du spectre
du signal d’origine autour des multiples de la fréquence fe.
On définit :
35
Echantillonnage de signaux
Te : la période d’échantillonnage.
fe : la fréquence d’échantillonnage.
S(f)
Se(f)
f f
-fmax -fm fm fmax -fe -fe/2 fe/2 fe
Remarque :
Le peigne de Dirac n’est pas physiquement réalisable. Dans la pratique, on utilise des
impulsions de durée courte mais finie. Le signal échantillonné sera alors constitué d’une suite
d’impulsions distantes de Te et de largeur τ. L’amplitude de ces impulsions sera fonction du
procédé d’échantillonnage utilisé.
se(t)
t
T τ
Dans tous les cas, le calcul de Fourier du spectre de la fonction échantillonnée fera apparaître
un sinus cardinal issu de la TF de la fonction porte.
Se(f)
f
-fe -fe/2 fe/2 fe
36
Echantillonnage de signaux
Se(f)
f
-2fe -fe fe 2fe
Recouvrement
37
Echantillonnage de signaux
La reconstruction d’un signal est l’opération de passer d’un signal discret à un signal continu.
Dans la pratique, un signal n’est jamais limité par une fréquence maximale et il existe toujours,
même s’il est minime, un risque de recouvrement. Afin de limiter celui-ci, on applique d’abord
au signal continu un filtre anti repliement (filtre passe-bas) atténuant les hautes fréquences (pour
éviter les effets de recouvrement de spectre) avant l’échantillonnage. Ce filtre ne peut être
réalisé que de manière analogique puisqu’il précède l’échantillonnage.
Au traitement numérique on travaille sur un signal échantillonné, obtenu à l’aide d’un
convertisseur analogique/numérique, c’est à dire sur un relevé de valeurs prises par le signal, à
intervalles réguliers, selon une fréquence d’échantillonnage fe (ou selon une période
d’échantillonnage Te).
Te
Plus la fréquence d’échantillonnage fe est élevée, plus les motifs successifs obtenus par
périodisation du spectre sont disjoints et éloignés l’un de l’autre. Le filtrage passe-bas, qui
permet la récupération du signal, est facilité. Plus on prendra d’échantillons par période, plus la
reconstruction du signal sera facile.
Si fe > 2fmax, il y a sur-échantillonnage. Alors les motifs successifs obtenus par périodisation du
spectre sont disjoints et éloignés l’un de l’autre. Le filtrage passe-bas pour la récupération du
signal est facilité. Plus on prendra d’échantillons par période, plus le signal sera facile à
reconstruire.
Il est possible de restituer le signal original par un simple filtrage passe-bas avec le spectre de
base du signal échantillonné :
f f f
-fe/2 fe/2 -fe/2 fe/2 -fe/2 fe/2
TF
Se0 f = Se f .Π f e f
se0 t = se t * f e .sinc πf e t
-1
TF
Soit
+
se0 t = s t .δ t - kTe * fe .sinc πfe t
k -
+
se0 t = f e s kTe . δ t - kTe *sinc πfe t
k = -
38
Echantillonnage de signaux
+
se0 t = f e s kTe .sinc πfe t - kTe
k = -
Or,
se0 t = f e .s t
Par ce que
1 + k 1 + k
Se f =
Te k = -
S f *δ f - = S f -
Te Te k = - Te
D’où la formule de Shannon qui reconstruit s(t) à partir des échantillons s(kTe) si la contrainte
de Shannon est respectée.
+
st = s kTe .sinc πfe t - kTe
k = -
Théoriquement le sinc est le pulse, qui reconstruit exactement le signal original. Cependant,
pour reconstruire exactement le signal original, le pulse sinc doit être de longueur infinie, ce
qui n’est pas possible en pratique. On utilise plutôt un pulse triangulaire, avec plus
d’échantillons, pour reconstruire le signal original.
x(t) x(t)
1
1
t t
-2Te -Te Te 2Te -τ/2 τ/2
39
Echantillonnage de signaux
+ +
xt = π τ t - kTe = π τ t * δ t - kTe
k = - k = -
1 +
X f = τsinc πτf . δ f - kfe
Te k = -
τ +
Se f = S f * X f = S f * sinc πτf .δ f - kfe
Te k = -
+
τ
Se f = sinc πτf . S f - kf e
Te k = -
On retrouve la même allure de spectre modulé en amplitude par une fonction en sinus cardinale.
S(f)
│Se(f)│
f f
-fmax-fm fm fmax -fe fe
Remarques :
Pour se rapprocher d’un échantillonnage idéal et qu’ainsi le signal soit facilement
reconstructible, il faut que τ soit le plus petit possible.
Dans le cas où τ est du même ordre de grandeur que fe, il faudra fe >> 2fmax.
IX- Echantillonnage-blocage
40
Echantillonnage de signaux
+ +
τ τ
x t = τ 2
π t - - kTe
= π τ
t -
2
δ t - kTe
*
k = -
k = -
Remarques :
Le spectre est identique au précédent. Le terme en exp(- jπfτ) traduit un déphasage entre le
signal initial et le signal échantillonné. En principe, on maintient la valeur de l’échantillon sur
toute la période d’échantillonnage donc τ = Te. Ainsi, pour f = fe, on a un déphasage de -π
41
Transformée de Fourier à Temps Discret
I- Introduction
δ t - kTe e dt = e-j2πfkTe
-j2πft
R
Par conséquent :
+
Se f = s kTe e-j2πfkT e
k = -
42
Transformée de Fourier à Temps Discret
La TF d’un signal échantillonné espacés entre eux d’une période Te est une combinaison
linéaire d’exponentielles complexes pondérées par la valeur des échantillons.
La Transformée de Fourier à temps discret est une méthode pour d’écrire un signal discret
comme une somme d’exponentiels complexes. La TFDT, qui est appliquée sur un signal discret,
produit un spectre continu (f est une variable continue). Par définition la TFDT est :
+
Se f = s kTe e-j2πfkT e
k = -
La TFDT est périodique, avec une période de Te. La TFDT inverse est :
F
1 e
s kTe = F 2 Se f e j2πfkTe df
Fe - e
2
k = -
+
Se f + Fe = s kTe e-j2π f + F kT
e e
k = -
+
Se f + Fe = s kTe e-j2πfkT e-j2πF kT
e e e
k = -
+
Se f + Fe = s kTe e-j2πfkT e
e-j2πk
k = - =1
+
Se f + Fe = s kTe e-j2πfkT e
= Se f
k = -
Se f + Fe = Se f
Pour un signal échantillonné à la fréquence Fe, sa TFTD Se(f) est périodique de période Fe.
L’information fréquentielle est contenue dans la période principale [-Fe/2, Fe/2]
Remarque :
Si s(kTe) est réel alors │Se(f)│ est pair et Arg(Se(f)) est impair. On réduit donc l’analyse de
Se(f) sur l’intervalle de fréquence f є [0, Fe/2].
V- Propriétés de la TFTD
43
Transformée de Fourier à Temps Discret
se(t) Se(f)
Linéarité αse1 kTe + βse2 kTe αSe1 f + βSe2 f
Décalage temporel se k - k 0 Te e-j2πfk 0 Te Se f
Décalage fréquentiel se kTe e+j2πf0 kTe Se f -f0
Changement d’échelle se akTe 1 f
Se
a a
Dérivation de s ds e kTe j2πfTeSe f
se ' kTe =
dk
Relation de Plancherel se1 kTe *se2 kTe Se1 f .Se2 f
se1 kTe .se2 kTe Se1 f *Se2 f
Relation de Parseval + Fe
2 2
se kTe = 2F Se f df
- e
k = - 2
Soit s(k) un signal discret. La TFTD S(f) de ce signal est donnée par l’expression :
+
Sf = s k e-j2πfk
k = -
s(k) signal discret. En fonction de la nature (périodique ou non) de s(k), on a deux types de
représentation spectrale possibles :
s(k) non périodique : la TFTD S(f) est à support continu
s(k) périodique : la TFTD S(f) est à support discret
44
Transformée de Fourier Discrète
I- Introduction
D’après les définitions de la TFTD et de la TFTD-1, on constate facilement qu’il n’y a pas
symétrie d’écriture entre les expressions des deux transformées. Le calcul de la TFTD-1 fait
appel à une intégrale et non pas à une somme ce qui entraîne des difficultés de traitement sur
ordinateur. La transformée de Fourier discrète apporte une réponse à ce problème.
La transformée de Fourier discrète (TFD) est, pour les signaux et systèmes numériques, elle
permet de d’écrire un signal discret en termes de fréquence. La TFD est équivalente (ou
presque) à la transformée de Fourier pour les signaux et systèmes continus qui permet de
d’écrire un signal continu en termes de fréquence.
k = -
S(f) f
Discrétisation
Fe/N
S(fn) fn
f0 = 0 fn-1 = Fe – Fe/N
45
Transformée de Fourier Discrète
k =0
La TFD évaluée sur un nombre N d’un signal discret est définie par :
N -1 nk
-j2π
Sn = s k e N
k=0
Remarque :
S(n) est périodique de période N
s(k) est une suite périodique de période N.
46
Transformée de Fourier Discrète
V- Propriétés de la TFD
Expressions données pour s(k) signal défini sur N points, pour n є [0, N-1], s(k) est supposé nul
en dehors de cet intervalle.
Décalage s k - k0 -j2π
nk 0
temporel e N S n
Décalage +j2π
n0k S n - n0
fréquentiel sk e N
Changement s -k S -n
d’échelle
Dualité sk S n
Conjugaison s* k S* -n
s1 k .s2 k S1 n *S2 n
Avec : Avec :
N -1 N -1
s1 k *s 2 k = s1 l s 2 k - l S1 n *S2 n = S1 l S2 n - l
l=0 l=0
Symétrie :
Si s(k) est Réel pour 0 ≤ k ≤ N-1 alors :
Re{S(n)} = Re{S(-n)}
Im{S(n) } = -Im{S(-n)}
|S(n)| = |S(-n)|
Si s(k) = s(-k), alors Im{S(n)} = 0, dans ce cas S(n) = S*(n)
Puisque le domaine du temps et de la fréquence sont équivalents pour représenter un signal, ils
doivent avoir la même énergie. On appelle ceci la loi de Parseval. Pour la TFD, on l’exprime
de la façon suivante :
N -1 N -1
2 1 2
s k =
N n=0
S n
k=0
47
Transformée de Fourier Rapide
Le calcul de Transformée de Fourier Discrète (TFD) logiciel (sur ordinateur), ou matériel (grâce
à des DSP spécialisés sur les appareils de mesure portables comme les oscilloscopes
numériques) constitue une des bases (et pas des moindres) du traitement de signal numérique.
Si l’on s’en tient scrupuleusement à la définition de la TFD, le calcul est très coûteux en temps
et en espace mémoire.
A l’aide de quelques « astuces » simples, J.W. Cooley et J. W. Tuckey ont mis au point (1965)
un algorithme rapide, économique et célèbre connu sous le nom de Transformée de Fourier
Rapide (TFR) ou Fast Fourier Transform (FFT). C’est cet algorithme que l’on se propose de
(re)construire ici.
en posant W = e-i2/N.
Il est intéressant d’effectuer la description de {Sn} en fonction de {sn} sous forme matricielle.
1 1 1 1 1
S0 2 N-2 N-1 s0
S1 1 W W W W
s1
S 2 4 2(N-2) 2(N-1)
2 = 1 1 W W W W s2
(3)
N
S N-2 1 W N-2
W
(N-2)2
W (N-2)(N-2)
W
(N-2)(N-1) s N-2
S s
N-1 N-1 (N-1)2
W (N-1)(N-2) W (N-1)(N-1) N-1
1 W W
48
Transformée de Fourier Rapide
L’algorithme de Cooley et Tuckey (1965) est basé sur le fait que N est pair, soit N = 2m. Cette
particularité permet d’obtenir, comme on va le voir, des simplifications algorithmiques. Dans
la réalité, on ne dispose pas toujours exactement de 2m données, mais en sous échantillonnant
(dans les limites raisonnables imposées par Shannon), tronquant ou prolongeant judicieusement
le signal numérisé acquis, on remédie à ce problème.
Tout au long de cet exposé, afin d’illustrer l’élaboration de cet algorithme, on prend à titre
d’exemple N = 16, c’est à dire m = 4. La matrice [W] s’écrit alors,
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 W W W W W W W W W W W W W W W
1 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
W W W W W W W W W W W W W W W
3 6 9 12 15 18 21 24 27 30 33 36 39 42 45
1 W W W W W W W W W W W W W W W
1 W
4
W
8
W
12
W
16
W
20
W
24
W
28
W
32
W
36
W
40
W
44
W
48
W
52
W
56
W
60
1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
W W W W W W W W W W W W W W W
6 12 18 24 30 36 42 48 54 60 66 72 78 84 90
1 W W W W W W W W W W W W W W W
1 W
7
W
14
W
21
W
28
W
35
W
42
W
49
W
56
W
63
W
70
W
77
W
84
W
91
W
98
W
105
W = 8 16 24 32 40 48 56 64 72 80 88 96 104 112 120
1 W W W W W W W W W W W W W W W
9 18 27 36 45 54 63 72 81 90 99 108 117 126 135
1 W W W W W W W W W W W W W W W
1 W
10
W
20
W
30
W
40
W
50
W
60
W
70
W
80
W
90
W
100
W
110
W
120
W
130
W
140
W
150
11 22 33 44 55 66 77 88 99 110 121 132 143 154 165
1 W W W W W W W W W W W W W W W
12 24 36 48 60 72 84 96 108 120 132 144 156 168 180
1 W W W W W W W W W W W W W W W
1 W
13
W
26
W
39
W
52
W
65
W
78
W
91
W
104
W
117
W
130
W
143
W
156
W
169
W
182
W
195
14 28 42 56 70 84 98 112 126 140 154 168 182 196 210
1 W W W W W W W W W W W W W W W
1 15 30 45 60 75 90 105 120 135 150 165 180 195 210 225
W W W W W W W W W W W W W W W
a) 1ère Propriété
Pour kn N, on utilise intensivement
Wkn = Wkn mod N (4)
La matrice [W] pour N = 16 devient alors
49
Transformée de Fourier Rapide
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 W W W W W W W W W W W W W W W
1 2 4 6 8 10 12 14 2 4 6 8 10 12 14
W W W W W W W 1 W W W W W W W
3 6 9 12 15 2 5 8 11 14 1 4 7 10 13
1 W W W W W W W W W W W W W W W
1 W
4
W
8
W
12
1 W
4
W
8
W
12
1 W
4
W
8
W
12
1 W
4
W
8
W
12
1 5 10 15 4 9 14 3 8 13 2 7 12 6 11
W W W W W W W W W W W W W W W
6 12 2 8 14 4 10 6 12 2 8 14 4 10
1 W W W W W W W 1 W W W W W W W
1 W
7
W
14
W
5
W
12
W
3
W
10
W W
8
W
15
W
6
W
13
W
4
W
11
W
2
W
9
W = 8 8 8 8 8 8 8 8
1 W 1 W 1 W 1 W 1 W 1 W 1 W 1 W
9 2 11 4 13 6 15 8 10 3 12 5 14 7
1 W W W W W W W W W W W W W W W
1 W
10
W
4
W
14
W
8
W
2
W
12
W
6
1 W
10
W
4
W
14
W
8
W
2
W
12
W
6
11 6 12 7 2 13 8 3 14 9 4 15 10 5
1 W W W W W W W W W W W W W W W
12 8 4 12 8 4 12 8 4 12 8 4
1 W W W 1 W W W 1 W W W 1 W W W
1 W
13
W
10
W
7
W
4
W W
14
W
11
W
8
W
5
W
2
W
15
W
12
W
9
W
6
W
3
14 12 10 8 6 4 2 14 12 10 8 6 4 2
1 W W W W W W W 1 W W W W W W W (5)
1 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1
W W W W W W W W W W W W W W W
On remarque immédiatement que le nombre d’éléments distincts est réduit à 16. Dans le cas
général le nombre d’éléments distincts est donc N.
b) 2ème Propriété
Pour (kn mod N) N/2
W(kn mod N) =- W(kn mod N) ) - N/2 (6)
La matrice [W] (équation (4)) pour N = 16 se simplifie
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 3 4 5 6 7 2 3 4 5 6 7
1 W W W W W W W -1 -W -W -W -W -W -W -W
1 2 4 6 2 4 6 2 4 6 2 4 6
W W W -1 -W -W -W 1 W W W -1 -W -W -W
3 6 4 7 2 5 3 6 1 4 7 2 5
1 W W -W -W -W W W -1 -W -W W W W -W -W
1 W
4
-1 -W
4
1 W
4
-1 -W
4
1 W
4
-1 -W
4
1 W
4
-1 -W
4
1 5 2 7 4 6 3 5 2 7 4 6 3
W -W -W W -W -W W -1 -W W W -W W W -W
6 4 2 6 4 2 6 4 2 6 4 2
1 W -W W -1 -W W -W 1 W -W W -1 -W W -W
1 W
7
-W
6
W
5
-W
4
W
3
-W
2
W -1 -W
7
W
6
-W
5
W
4
-W
3
W
2
-W
W = 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 -1
1 -W W
2
-W
3
W
4
-W
5
W
6
-W
7
-1 W -W
2
W
3
-W
4
W
5
-W
6
W
7
2 4 6 2 4 6 2 4 6 2 4 6
1 -W W -W -1 W -W W 1 -W W -W -1 W -W W
3 6 4 7 2 5 3 6 4 7 2 5
1 -W W W -W W W -W -1 W -W W W -W -W W
1 -W
4
-1 W
4
1 -W
4
W
8
W
4
1 -W
4
-1 W
4
1 -W
4
-1 W
4
5 2 7 4 6 3 5 2 7 4 6 3
1 -W -W W W W -W -W -1 W W -W -W -W W W
1 -W
6
-W
4
-W
2
-1 W
6
W
4
W
2
1 -W
6
-W
4
-W
2
-1 W
6
W
4
W
2
(7)
1 7 6 7 4 3 2 7 6 5 4 3 2 1
-W -W -W -W -W -W -W -1 W W W W W W W
On remarque immédiatement que le nombre d’éléments distincts est réduit à 8, au signe près.
Dans le cas général le nombre d’éléments distincts est réduit à N/2.
50
Transformée de Fourier Rapide
Le réarrangement des échantillons temporels va permettre de faire apparaître des sous matrices
identiques dans [W].
a) 1ère étape
Dans le cas N = 16, reclassons les éléments de |xk> en faisant d’abord apparaître les éléments
de rang pair par ordre croissant puis ceux de rang impair. Alors
Soit
x 2p
xk 1 = (9)
x
2p+1
avec 0 p N/2-1.
On doit donc effectuer le même traitement sur les colonnes de [W] :
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2 4 6 2 4 6 3 5 7 3 5 7
1 W W W -1 -W -W -W W W W W -W -W -W -W
1 4 4 4 4 2 6 2 6 2 6 2 6
W -1 -W 1 W -1 -W W W -W -W W W -W -W
6 4 2 6 4 2 3 7 5 3 7 5
1 W -W W -1 -W W -W W -W -W W -W W W -W
1 -1 1 -1 1 -1 1 -1
4 4
W -W W -W
4 4
W
4
-W
4
W
4
-W
4
1 2 4 6 2 12 6 5 7 3 5 7 3
-W W -W -1 W W W W -W -W W -W W W -W
4 4 4 4 6 2 6 2 6 2 6 2
1 -W -1 W 1 -W -1 W W W -W -W W W -W -W
1 6 4
-W -W -W
2
-1 W
6
W
4
W
2
W
7
W
5
W
3
W -W -W
7 5
-W
3
-W
WR =
1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1 -1
1 W
2
W
4
W
6 2 4
-1 -W -W -W
6 3 5
-W -W -W -W
7
W W
3
W
5
W
7
4 4 4 4 2 6 4 6 2 6 2 6
1 W -1 -W 1 W -1 -W -W -W W W -W W W W
6 4 2 6 4 2 3 6 13 3 9 7 5
1 W -W W -1 -W W -W -W W -W W W W -W W
1 -1 1 -1 1 -1 1 -1
4 4
-W W -W W
4 4
-W
4 4
W -W
4
W
4
2 4 6 2 4 6 5 7 11 5 15 3
1 -W W -W -1 W W W -W W W W W W -W W
1 -W
4
-1 W
4
1 -W
4
W
8
W
4 6 2
-W -W -W W
6 2
W
14
-W
2
W
6
W
2
(10)
1 6 4 2 6 4 2 7 5 3 7 5 3
-W -W -W -1 W W W -W -W -W -W W W W W
51
Transformée de Fourier Rapide
et
X1 N/2-1 = W1 x 2p - V1 W1 x 2p+1 (13)
avec
X1 N/2-1
Xn = (14)
x
N/2 N-1
b) 2ème étape
Reclassons maintenant les éléments de |xk>1
En faisant d’abord apparaître les éléments de rang pair par ordre croissant puis ceux de
rang impair pour |x2p>
Les éléments de rang pair par ordre croissant puis ceux de rang impair pour |x2p+1>.
Alors le vecteur des échantillons temporels qui en résulte est
xk 2 = [ x0 x4 x8 x12 x2 x6 x10 x14 x1 x5 x9 x13 x3 x7 x11 x15 ]T (15)
soit
x 4p
x 4p+2
xk 2 = (16)
x 4p+1
x 4p+3
avec 0 p N/4-1.
On doit donc effectuer le même traitement sur les colonnes de [W1] :
1 1 1 1 1 1 1 1
4 4 2 6 2 6
1 W -1 -W W W -W -W
4
1 -1 1 -1 W -W 4 W
4 4
-W
4 4 6 2 6 2
W = 1 -W -1 W W W -W -W
(17)
1 R 1 1 1 1 -1 -1 -1 -1
4 6
1 W -1 -W 4 -W
2
-W
6
W
2
W
1 -1 1 -1 -W 4 W
4
-W
4
W
4
4 4 6 2 6 2
1 -W -1 W -W -W W W
52
Transformée de Fourier Rapide
1 1 1 1 1 0 0 0
4 4 2
W = 1 W -1 -W et V =
0 W 0 0
2 1 -1 1 -1 2 0 0 W 4 0
1 -W 4 -1 W 4 6
0 0 0 W
W V2 W2
W1 R 2 . (18)
W2 V2 W2
Il en résulte alors à une séparation en quatre parties du système (3) :
W x + V W x
X = 2 4p 2 2 4p+2
1 N/4-1 (19)
+ V W x + V W x
1 2 4p+1 2 2 4p+3
W x - V W x
X = 2 4p 2 2 4p+2
N/4 N/2-1 (20)
+ V W x - V W x
1 2 4p+1 2 2 4p+3
W x + V W x
X = 2 4p 2 2 4p+2
N/2 3N/4-1 (21)
- V W x + V W x
1 2 4p+1 2 2 4p+3
et
W x - V W x
X = 2 4p 2 2 4p+2
3N/4 N-1 (22)
- V W x - V W x
1 2 4p+1 2 2 4p+3
avec
X1 N/4-1
X
N/4 N/2-1
Xn = (23)
X N/2 3N/4-1
X3N/4 N-1
c) 3ème étape
Reclassons maintenant les éléments de |xk>2 de la même manière que dans l’étape 2 :
Alors le vecteur des échantillons temporels qui en résulte est
x k 3 = [ x0 x8 x 4 x12 x 2 x10 x6 x14 x1 x9 x5 x13 x3 x11 x 7 x15 ]T (24)
soit
53
Transformée de Fourier Rapide
x 8p
x8p+4
x8p+2
x8p+6
xk 3 = (25)
x8p+1
x 8p+5
x 8p+3
x 8p+7
avec 0 p N/8-1.
On doit donc effectuer le même traitement sur les colonnes de [W2] :
1 1
1 1
4
W = 1 -1 W 4 -W
(26)
2 R 1 1 -1 -1
1 4 4
-1 -W W
W3 V3 W3 W3 V3 W3 W3 V3 W3 V W3 V3 W3
W V2
V3 W3 W3 V3 W3
2
W3 V3 W3
3 V1 W3 V3 W3
W3 V3 W3 W3
V
V3 W3 3 W V3 W3 W3 V3 W3
W V
W V3 W3 2 W3 V3 W3 V3 W3 2 W3 V3 W3
Xn 3 3 x
W3 V3 W3 W3 V3 W3 W3 V3 W3 V W3 V3 W3 k 3
V V3 W3 2
W3 V3 W3 2 W3 W3 V3 W3 W3 V3 W3
W V3 W3 W3 V3 W3 V1 W3 V3 W3 W3 V3 W3
3 V V
W3 V3 W3 2 W3 V3 W3 W
3 V3 W3 2 W3 V3 W3
(28)
On fait ainsi apparaître un nombre important de calculs identiques à effectuer par paire sur les
données.
A B
k
A + BWk A - BW
b) Le treillis
A partir du papillon, on peut représenter de manière séquentielle les opérations effectuées dans
le système matriciel (27). C’est cette structure qu’on appelle le treillis. Un exemple pour N =
16 est donné figure 1.
A titre d’exercice on complétera le treillis représenté figure 2 pour N = 32.
55
56