UV Traitement du signal

Cours 2

Représentation fréquentielle des signaux

Series de Fourier

TdS 1
 Contenu du cours
❑ Introduction
◆ Notion de fréquence
◆ Pourquoi la représentation fréquentielle ?
❑ Décomposition en série de Fourier
◆ Définition
◆ Quelques propriétés
❑ Transformée de Fourier des signaux à énergie finie
◆ Définition, conditions d'existence
◆ Propriétés de la TF
◆ Notion de densité spectrale d'énergie
❑ TF au sens des distributions
◆ Définition
◆ Transformée de l'impulsion de Dirac
◆ Transformée de Fourier des signaux périodiques

TdS 2
 Introduction
❑ Notion de fréquence

◆ Qu'est ce qu'une fréquence ?

➢ La fréquence est le nombre de fois qu'un phénomène périodique se
reproduit pendant une durée déterminée
➢ C'est donc l'inverse de la période f = 1/T
➢ La fréquence est mesurée en hertz (= 1/seconde)

◆ Dans un son
➢ Sons graves = basses fréquences
➢ Sons aigus = hautes fréquences

◆ => La fréquence permet de caractériser un certain type d'information

TdS 3
 Introduction
❑ Notion de fréquence

◆ Dans une image

➢ Surfaces =
basses fréquences
➢ Contours =
hautes fréquences

◆ Dans une onde lumineuse

➢ Les couleurs dépendent
de la longeur d'onde

= la fréquence

TdS Image provenant de http://web.ujf-grenoble.fr/ujf/ 4

 Introduction
❑ La notion de fréquence est également présente dans :
◆ La voix, un téléphone portable, la radio, l'ADSL, les horaires de passage d'un
train, la musique electronique, un equaliser, un radar, etc.
❑ Toute ces applications véhiculent ou analysent le contenu fréquentiel
de l'information
◆ Une représentation fréquentielle de l'information est souvent + facile à
interpréter que la représentation temporelle
Rep. temporelle Rep. frequentielle

TdS 5
 Introduction

❑ Autre exemple : Analyse d'ondes cérébrales

Rep. temporelle Rep. frequentielle

Ondes Alpha: engendrées lorsque le

sujet change son niveau d'attention
(f modérées, amplitude importante)

Ondes Bêta: produites par une activité

mentale intense (fréquences. élevées,
faibles amplitudes)

Ondes Thêta: accompagnent des

sentiments de stress émotionnel
(fréquences faibles)

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

TdS 6
 Vers une représentation fréquentielle ...
❑ La notion de fréquence est intéressante, mais comment connaitre les
fréquences que contient un signal ?

❑ Exemple d'un signal sinusoïdal :

f0 est la fréquence du signal

x(t)=cos(2πf0t+φ)
=> Pour un cosinus, c'est facile ...
Temps

❑ Exemple d'une onde lumineuse :

Fréquences variables au cours du temps

(du rouge au violet). Comment caractériser
Onde lumineuse

les informations fréquentielles contenues

dans ce signal ?
=> ici, c'est plus difficile ...

Temps idem pour un signal porte, une exponentielle, etc.

Analyse fréquentielle des signaux

TdS 7
 Vers une représentation fréquentielle ...
❑ Petite expérience : mélangeons quelques sinus ...

% Code matlab
f0 = 0.51; A0 = 1;
f1 = 0.11; A1 = 2;
f2 = 0.21; A2 = 2;

% déclaration de signaux de base

x0 = A0*sin(2*pi*f0*t);
x1 = A1*sin(2*pi*f1*t);
x2 = A2*sin(2*pi*f2*t);

% affichage des signaux + combinaison

plot(t, x0, 'y'); hold on;
plot(t, x1, 'g');
plot(t, x2, 'c');
plot(t, x0+x1+x2, 'k.');

•Il est donc possible d'obtenir des signaux périodiques complexes

par une simple combinaison linéaire de signaux élémentaires

• C'est le principe inverse de la décomposition en série de Fourier

TdS 8
 Décomposition en Série de Fourier
❑ Principe :
La Décomposition en Série de Fourrier consiste à exprimer un signal
périodique comme une combinaison linéaire de signaux sinusoïdaux
1.5

Signal 1 x(t)= Signal 1 + signal 2

1

0.5

0.5
Signal 2
1

1.5
0 5 10 15 20

•Sous forme de signaux sinusoïdaux, les fréquences d'un signal apparaissent

naturellement.
•Pour les signaux périodiques, la décomposition en Série de Fourier (DSF)
constitue le lien entre la représentation temporelle d'un signal et sa
représentation fréquentielle.
• Pour les signaux non périodiques, il s'agit de la Transformée de Fourier (TF).
TdS 9
 Décomposition en Série de Fourier
❑ Principe
Exprimer un signal x(t) de période T comme une combinaison linéaire de fonctions
1
sinusoïdales de fréquences multiples de F  T , dite fréquence fondamentale
Définition de la DSF : forme trigonométrique

Un signal x(t) de période T, s'exprime sous certaines conditions comme

( ) ( )
+∞
x ( t )=a 0 + ∑ an cos n
2π 2π
t +bn sin n t
n= 1
T T
=> Somme de sinus et de cosinus : facile à interpréter

Coefficients de la série
T/2
b0=0
a0= ∫ x(t) dt
1
T −T/2

( ) ( )
T /2 T /2
b n = ∫ x( t ) sin n t dt
2 2π
an=
2
∫
T −T /2
2π
x ( t ) cos n t dt
T T −T /2 T
(avec n  1)

a0 : valeur moyenne du signal ou composante continue

TdS 10
 Décomposition en Série de Fourier
Définition de la DSF : forme trigonométrique

( ) ( )
+∞
x ( t )=a 0 + ∑ an cos n
2π 2π
t +b n sin n t
n= 1
T T

Soit 0=2/T.


x (t)   an cos(n0t)   bn sin(n0t)

a0
2 n1 n1
2 t0 T
a0 
T t0
x (t)dt

2 t 0 T
an 
T  t0
x (t) cos n0 tdt

2 t 0 T
bn 
T  t0
x (t) sin n0 tdt
TdS 11
 Décomposition en Série de Fourier
Exemple
f(t)
1

-6 -5 -4 -3 -2 -  2 3 4 5

2 
a0 
2 
0
1dt  1 : T  2

2  1


an  cos ntdt  sin nt 0
0 n  1,2,………..
2 0 n
2  1  1  2 / n n  1,3,5,…
bn 
2  0
sin ntdt  
n
cos nt 0

n
(cos n  1)  
0 n  2,4,6,….

1 2 1 1
f (t)    sin t sin 3t  sin 5t . . 
2  3 5
Décomposition en Série de Fourier

2
Soit 0  2f0  , .pulsation fondamentale
T

soit n  n0 , n eme harmonique du signal périodique

 
a
f (t)  0  a n cos n0t   bn sin n0t
2 n1 n1

 
a
f (t)  0  a n cos n t   bn sin n t
2 n1 n1
Décomposition en Série de Fourier


  a cos  t 
a0
f (t)  

2 n1 n
n1
n b n sin n t

a0
   (an cos n t  bn sin n t)
2 n1
a0   
   an  bn 2 an bn
2
cos nt  sin n t 
 a 2  b2 
n  bn
2 n1 a 2 2
 n n 


 0   an2  bn2 cos  n cos nt  sin  n sin nt 

a
2 n1

 C0   Cn cos(n t   n )
26 n1
 Décomposition en Série de Fourier

Amplitudes et Phase


f (t)  C0   Cn cos(n t  n )
n1

amplitude de l harmonique phase

a0
C0 
2
𝜽𝒏 = 𝒕𝒂𝒏𝒈−𝟏 (bn/an)
Cn  a 2  b 2
n n
15
 Décomposition en Série de Fourier

Forme Complexe des

séries de Fourier

16
 Décomposition en Série de Fourier

Rappel

e jn0t
 cos n0t  j sin n0t
e  jn0t  cos n0t  j sin n0t

1 jn0t
cos n0t  e  e  jn0t 
2

sin n0t  e 
1 jn0t
 e  jn0 t
  e
j jn0t - e jn0t 
2j 2
17
Décomposition en Série de Fourier

Forme Complexe

 
a
f (t)  0  a n cos n0t   bn sin n0t
2 n1 n1

a0 1 
   an e
jn t
 0
n1
0
 
 e  jn t j / 2 b n e jn t  e  jn t
0 0

2 2 n1


 0    1 (a n  jbn )e jn t  1 (an  jbn )e  jn t

a
2 n1  2
0 0

2  a0
c0 
2


f (t)  c0   cn e jn0 t  cn e jn0t  1
cn  (a n  jbn )
2
n1
1
cn  (a n  jbn )
2
Décomposition en Série de Fourier

Forme Complexe



f (t)  c0   cn e jn0 t  cn e jn0t 
n1

 1
 c0   cn e jn0t
  cn e jn0t
n1 n
a0
 c0 
 n
c e jn0t 2
1
n cn  (a n  jbn )
2
1
cn  (a n  jbn )
2
Décomposition en Série de Fourier

Forme Complexe

a0 1

T /2
c0   f (t)dt
2 T T / 2

1
cn  (an  jbn )
2
 
1 T /2
f (t) cos n0tdt  j  f (t) sin n0tdt 
T /2

T   T / 2 T / 2 
1 T /2 a0
  f (t)(cos n0t  j sin n0t)dt c0 
T T / 2 2
1 T /2 1
  f (t)e  jn t dt
0 cn  (a n  jbn )
T T / 2 2
1
1 1 cn  (a n  jbn )

T /2
cn  (an  jbn )  f (t)e jn t dt
0

2 T T / 2 2
32
Décomposition en Série de Fourier

Forme Complexe
 a0
c0 
f (t)  n
c e
n
jn0t
2
1
cn  (a n  jbn )
1 T /2 2
cn 
T  T / 2
f (t)e  jn0t dt 1
cn  (a n  jbn )
2
cn | cn | e j n , cn  cn* | cn | e  j n
If f(t) is real,
1 a2
n  bn
2
| cn || cn |
2 n  1,2,3,
c  c *
 b 
n n
 n  tan 1  n  c0 
1
a0
hermitian symmetry  an  2
33