Intitulé du Cours

Prof. Saida Ahyoud

Département : Physique

Filière : SMP/S6/P.Electronique Module :Traitement du signal

Faculté des Sciences Tétouan
2019 -2020
Université Abdelmalek Essaadi
REPRÉSENTATION FRÉQUENTIELLE DES SIGNAUX

Deux représentations des signaux les plus utilisées

 Une représentation temporelle, la plus naturelle
 Une représentation fréquentielle qui, moins naturelle, est plus
souvent utilisée

2
 Rappel

On considère un signal x(t) . C’est un signal d’ Energie finie ssi E x   x(t ) dt    x(t )  L2 ( R )
2



Soit L2(R) l’ espace vectoriel de signaux à énergie finie.

 Produit scalaire de deux signaux x(t) et y(t): x, y   x(t ) y  (t )dt

R
t2

Deux signaux sont orthogonaux si leur produit scalaire est nul x, y   x(t )  y (t )* dt  0
t1

1
+∞ 2 1/ 2
 
x  y    x(t )  y (t ) dt 
2
 Norme et distance entre deux signaux: 𝑥 = 𝑥(𝑡 2 𝑑𝑡
R 
−∞

 Inégalité de Cauchy-Schawrz: x, y  x . y

3
Représentation fréquentielle des signaux
Série de Fourier

Idée : toute fonction périodique de période T peut se décomposer comme la

somme de polynômes trigonométriques

 2n   2n 
x(t )  a0   an cos t   bn sin  t
n 1  T   T 
T T
2
T
2 2 2 2 2 2
1
a0   x(t )dt an   x(t ) cos(n t )dt b0  0 bn   x(t ) sin( n t )dt
T T T T T TT T
2 2
2

B
Partant de la relation trigonométrique A. cos( x)  B. sin( x)  A2  B 2 . cos( x  arctan( ))
A

le développement en série de Fourier peut également s’écrire :


x(t )  A0   Ak . cos(2. .k . f 0 .t   k ) a0  bk
k 1 A0  Ak  ak2  bk2  k  arctan( )
2 ak

4
Représentation fréquentielle des signaux

Notation complexe: Les exponentielles complexes sont plus simples à manier que
les fcts trigonométriques
 t1 T

c e j 2nf0t 1
s(t )  n avec cn   s (t ) e  j 2nf 0t
dt
T
n   t1

C 0 est la valeur moyenne de s(t)

 an  jbn
cn  si n  0
x(t )  
n  
cn e j 2nft Avec
2 c0  a0
a  jbn
cn  n si n  0
2
Les "cn" sont appelés les coefficients de Fourier de x(t)

1
Relation entre cn et Ak : cn  . An .e  j n
2

5
Représentation fréquentielle des signaux

La série de Fourier d’un signal périodique est une fonction complexe. On définit le spectre en puissance de
la série qui est Le spectre en fréquence d’un signal périodique est constitué de la composante continue à la
fréquence nulle d’amplitude a0, du fondamental à la fréquence f0 d’amplitude c1 et des différents
harmoniques situés aux fréquences f = nf0 d’amplitudes respectives cn .

 Les spectres d’amplitudes sont toujours des fonctions paires car:

cn = c-n = Ak/2 n0

 Les spectres de phases sont toujours des fonctions impaires car:

arg(cn )= -arg(c-nl)= n n0
6
Représentation fréquentielle des signaux
Propriétés des séries de Fourier:

 si f est paire alors c-n(f ) = cn(f ), si f est réelle bn(f ) = 0,

 si f est impaire alors c-n(f ) = -cn(f ), si f est réelle an(f ) = 0

Exemple: soit une suite définie par : C1=C-1 = A/2 et Cn =0, si n #(1,-1)


A  j 2 Tt  2t 
  A cos
nt t
j 2  j 2
f (t )   cn e T
 e
 e T
  
 2   T 

7
Représentation fréquentielle des signaux
Théorème de la puissance (Parseval) T
2
1
Définition de la puissance moyenne normalisée: P  .  x 2 (t ).dt  X eff
2

T T

2

 Cette définition coïncide avec celle du carré de la valeur efficace du signal x(t).

 Le théorème de Parseval affirme que la puissance normalisée d’un signal peut se calculer
aussi bien dans le domaine temporel que dans le domaine fréquentiel
 Dans l’espace des fréquences, le signal x (t) est représenté par des générateurs
d’amplitude Ck
 la puissance totale est égale à la somme des puissances fournies par chaque générateur

x(t )  A0   Ak . cos(2. .k . f 0 .t   k )
k 1
   
Ak 2
PX 2
eff   Pk  A   ( ) De même P  C0   .(2. Ck )   Ck
2
0
2 1 2 2

k 0 k 1 2 k 1 2 k  

8
Représentation fréquentielle des signaux

Et pour les signaux non périodiques ?

 La série de Fourier n'est applicable qu'aux signaux périodiques

 Pour les signaux non périodiques ?
 Considérons que la période T est infinie (donc F tend vers 0)
 les harmoniques sont des multiples de F
 l’écart entre les raies du spectre va devenir infiniment petit
 D’où une représentation fréquentielle continue

C'est la Transformée de Fourier

9
TRANSFORMATION DE DE FOURIER
Objectif généraliser la notion de spectre aux fonctions non périodiques

La transformée de Fourier de s(t), notée F{s(t)}, est la projection de s(t) sur une base continue de fonctions
exponentielles complexes : e j 2ft
, f R 


TF s (t )  S ( f ))  s (t ), e j 2ft S( f )   s (t ) e  j 2 f t
dt


 Transformée de Fourier inverse
s (t )  F 1
S ( f )   S ( f ), e  j 2 f t
s (t )   S ( f ) e j 2 f t
df


 Condition d'existence de la transformation de Fourier

+∞
L’existence de la TF est liée à la convergence absolue de l’intégrale −∞ 𝑠(𝑡 2 𝑑𝑡 < ∞

Spectre d’amplitude Spectre de puissance Spectre de phase

 ImX ( f ) 
Arctg     ( f )
2
X(f ) X(f )
 ReX ( f )

N.B: Soient s(t) et S(f) sont 2 représentations du même signal, dans 2 espaces différents, temporel et fréquentiel.
10
TRANSFORMATION DE DE FOURIER

Exemple: Déterminer la transformée de Fourier du signal rectangulaire

s(t) = A · rect(t/T)

S(F)=AT sinc(fT)= X(f)

TF

1. Calculer et représenter la transformée de Fourier d’un signal sinusoïdale s(t) d’amplitude A et de fréquence f0 telle
que: s(t) = A.cos(2 f0t)
11
TRANSFORMATION DE DE FOURIER Propriétés

 Linéarité : La transformée de Fourier est une opération linéaire

TF
a · x(t) + b · y(t) a · X(F) + b · Y (F)
TF  f 
 Dilatation et contraction x(at) 1
X  aR
a  a 

Si a < 1, x(at) est la version dilatée de x(t). Le spectre correspondant a subi une contraction fréquentielle
d’un facteur de 1/a
Si a > 1, x(at) est la version contractée de x(t) dont le spectre se trouve cette fois dilatée

12
TRANSFORMATION DE DE FOURIER Propriétés

 Décalage temporel L'amplitude Af ne change pas. La phase est modifié de e-j2 f0t
x(t  t0 )  e  j 2f0t X ( f )

 Dérivation  Inversion temporelle  Conjugaison complexe

dx (t ) x(-t) ↔ X (- f ) x*(t)↔X *(- f )
 j 2f  X ( f )
dt

 Parité Si x(t) est un signal réel et pair alors X(f) est réelle et paire
Si x(t) est un signal réel et impair alors X(f) est imaginaire pure et impaire

13
Convolution et Transformée de Fourier
Théorème de PLANCHEREL
La transformée de Fourier du produit de convolution de deux signaux est le produit de leur
transformée de Fourier et inversement :
TF  x(t ) * y (t )   X ( f )Y ( f )
TF ( x(t ) y (t ))  X ( f ) * Y ( f )
Ce théorème est très utile: il permet de simplifier un grand nombre de calcul et il
est utilisé dans de nombreuse applications

Application: Téléphone (modulation d’amplitude)

Soit un message x(t) qui occupe la bande -4KHz, 4KHz (bande passante de la voix humaine définie par les
télécommunications ). Comment translater son spectre X(f) autour des fréquences f0 et –f0 ?
Soit x(t).cos(2f0t) d’où TF(x(t). cos(2f0t)) = TF(x(t))*TF(cos(2f0t))
𝛿 𝑓−𝑓0 +𝛿 𝑓+𝑓0 1
=𝑋 𝑓 ∗ = (𝑋 𝑓 − 𝑓0 + 𝑋 𝑓 + 𝑓0
2 2

c’est la translation du spectre de x(t) vers les fréquences autour de f0

14
Transformée de Fourier et énergie du signal
Relation de Parseval Loi de conservation de l'énergie

On considère le signal x(t), Dans le cas où les intégrales existent, on a

 

 x (t ) dt  
2
X ( f ) 2 df
 

La Transformée de Fourier conserve l'énergie du signal

15
 Densité spectrale d'énergie
la TF conserve l'énergie, on peut définir une notion d'énergie par unité de fréquence,

S xx ( f )  X ( f )
2
 la densité spectrale d'énergie (DSE)
f 0  f
2
 L’énergie dans une bande de fréquence ∆f autour de f0 est Ef  S xx ( f )df
f 0  f
2
 
 L’énergie total du signal sera Ex   X ( f ) df   S xx ( f )df
2

 

 Cas des signaux à puissance moyenne finie Ce sont des signaux à énergie infinie. On définit alors une densité
spectrale de puissance
2
XT ( f )
xT(t) est le signal x(t) prélevé sur une fenêtre de largeur T Pxx ( f )  lim
T  T
xT (t )  x(t ). T (t )

16
Application de la TF en analyse temporelle
La Tf permet la décomposition d’un signal selon son contenu fréquentiel.
Cela permet de déterminer ses caractéristiques:
Détection de périodes
 caractérisation des fluctuations d’un signal
Caractérisation du bruit instrumental

En outre la TF permet :
L’étude des corrélation entre deux signaux
 la mesure du retard d’un signal sur l’autre
 la caractérisation des systèmes.

17
Analyse Spectrale
Place importante dans un grande nombre d’application
Télécommunication, Géophysique, Biochimie,…..)

Analyse spectrale de signaux de la parole: fournit une indication sur le sexe du locuteur,
pour un homme [100Hz, 150Hz]
Pour une femme [150Hz, 250Hz]
Peut aller jusqu’à 400Hz pour un enfant

Poursuite d’une cible: le signal réfléchi par la cible fournit

• Des informations sur la vitesse et la position de l’objet

Comment étudier un signal sur une durée limité, avec un instrument qui
a une bande passante finie?

18
Analyse Spectrale

Notion de bande et durée utiles

Soit un signal x(t) d’énergie total Ex et de densité spectrale Sxx(f). La bande utile Bu est:

1
f  f Et Bu = 2 ∆f  choisi arbitrairement selon l’application
2
S xx ( f )df
Ex 

De même on définit la durée utile Du d’un signal, Du = 2∆t  choisi arbitrairement selon l’application


1
t  
2 2
t x (t ) dt
Ex 

En utilisant la relation de
Cauchy-Schwartz La relation d’incertitude Bu.Du  cte

Ce qui montre qu’un signal à fluctuation rapide possède un spectre large

19
Analyse Spectrale Fenêtres d’observation

L’analyse ne peut s’effectuer que sur une durée finie [t0, t1]
Si x(t) est le signal initial, le signal observé s(t) est s(t)=x(t)f(t),
f(t) nulle en dehors de [t0, t1], f(t) fenêtre d’observation ou fonction de pondération

 La fenêtre idéal est celle qui ne modifiée pas le spectre X(f) du signal x(t)
S(f)=X(f)*F(f)=X(f) F(f) = (f) ( élément neutre pour le produit de convolution)
d’où f(t) = 1
La fonction unité (f(t)=1) définie sur -, + [ n’est pas une fenêtre

Exemple 1 si t  [t0, t1]

Fenêtre définie par: f(t) = P(f)
0 Ailleurs

 On considère La fonction porte T/2 (t), fenêtre naturelle

P(f) = TF[T/2 (t)] = T sinc(fT)

P(f) est constitué d’un lobe principal et de lobes secondaire

20
Analyse Spectrale Fenêtres d’observation

Pour reconstituer au mieux le spectre X(f) il faut que :

Le lobe principal soit le plus étroit possible

Pour se rapprocher d'une fonction de Dirac, il faut que le lobe principal soit le plus étroit
possible, tandis que les lobes secondaires doivent être les plus faibles possible

Pour ’’tuer’’ les fuites spectrales, il faut chercher des fenêtres avec des lobes
secondaires de très faibles amplitudes …(application TP)

21
 Analyse Spectrale Fenêtres d’observation

Principales caractéristiques des fenêtres de pondération

On s’intéresse à la présentation du spectre d’amplitude en dB
 Largeurs de bande , Largeur de bande passante à puissance moitié (-3 dB)

La largeur de bande à -3dB est B1=f1 – f2 avec P(f1) =P(f2) =1/2 Q(0)

P ( f 1)
 Amplitude relative du 1er lobe secondaire: Q Q  20 log 10
P (0)
Où  P(f1) l’amplitude maximale du 1er lobe secondaire

N.B Pour une fenêtre naturelle la fenêtre porte B=1/T et Q = -13 dB

Le premier lobe secondaire présente une forte amplitude
Influence de la taille de la fenêtre

Plus la fenêtre choisie aura une grande durée temporelle, plus elle sera étroite dans le domaine fréquentiel. Ainsi, en
prenant une fenêtre infiniment longue temporellement, on aboutit à la limite à un Dirac en fréquence, qui est l'élément
neutre du produit de convolution.
Ainsi, pour une fenêtre infiniment longue, on retrouve le spectre « réel » du signal analysé, (application TP)22
Analyse Spectrale Fenêtres d’observation

Parmi les fenêtres d’observation

Fenêtre de Barlett : elle correspond à la fenêtre triangulaire

𝑡 𝑇 𝑇 2
∧𝑇 𝑡 = 1−2 𝑠𝑖 𝑡 ∈ − , ∧𝑇 𝑡 = 𝜋𝑇 𝑡 ∗ 𝜋𝑇 (𝑡
𝑇 2 2 𝑇 2 2
0 𝑎𝑖𝑙𝑙𝑒𝑢𝑟𝑠 𝑠

2
TF ∧ 𝑇 𝑡 = 𝑇 𝜋𝑇 𝑡 ∗ 𝜋𝑇 (𝑡
2 2
D’où la transformée de Fourier est

  T  T
TF  T (t )  sin c 2  f 
 2  2  2
On a B = 2/T et Q = -26dB

23
Analyse Spectrale Fenêtres d’observation

Fenêtre de Hanning: (J. VAN HANN): elle est définie par

 1 2t   T T
 H N (t )  1  cos  si t  
 2 ,
 2 T  2 
 H N (t )  0 Ailleurs

B=2/T et Q = -32dB

1 1 1 1 1
H N ( f )  P( f )  P( f  )  P( f  )
2 4 T 4 T
 
Avec P( f )  TF  T (t )
 2 

24
Analyse Spectrale Fenêtres d’observation

Fenêtre de Hamming: (R.W. HAMMING):

Il a étudié une famille de fonctions définies par:

  2t   T T
 H m (t )    1    cos  si t  
 2 ,
  T  2 
 H m (t )  0 Ailleurs

Q est minimal pour  = 0.54, B= 2/T et Q = -52dB

Pour  = ½, on retrouve la fenêtre de Hanning

La fenêtre habituellement utilisée en tant que fenêtre de Hamming est

obtenu pour α = 0.54. Cette valeur correspond à une annulation quasi
parfaite du premier lobe secondaire de la fenêtre rectangulaire

25
Analyse Spectrale Fenêtres d’observation

Afin de comparer l'effet de différentes fenêtres, on définit un certain nombre de

paramètres que l'on appelle "figure de mérite de la fenêtre" :
 La largeur du lobe principal que caractérise la résolution en fréquence.
 L'amplitude maximum des oscillations des lobes secondaires qui caractérise
la dynamique du spectre utile.
 La décroissance des lobes secondaires en décibels/octave que donne une idée
de l'erreur en amplitude et en position que l'on commet sur l'analyse d'un sinusoïde.

Réduire le taux d’ondulations et ceci d’autant plus que leur spectre présente des lobes secondaires
atténuées

26
27
Merci pour votre attention