Académique Documents
Professionnel Documents
Culture Documents
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
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
B
Partant de la relation trigonométrique A. cos( x) B. sin( x) A2 B 2 . cos( x arctan( ))
A
4
Représentation fréquentielle des signaux
Notation complexe: Les exponentielles complexes sont plus simples à manier que
les fcts trigonométriques
t1 T
c e j 2nf0t 1
s(t ) n avec cn s (t ) e j 2nf 0t
dt
T
n t1
an jbn
cn si n 0
x(t )
n
cn e j 2nft 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 .
Exemple: soit une suite définie par : C1=C-1 = A/2 et Cn =0, si n #(1,-1)
A j 2 Tt 2t
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
PX 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
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 2ft
, f R
TF s (t ) S ( f )) s (t ), e j 2ft 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
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
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
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 2f0t X ( f )
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
14
Transformée de Fourier et énergie du signal
Relation de Parseval Loi de conservation de l'énergie
x (t ) dt
2
X ( f ) 2 df
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 Ef 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
Comment étudier un signal sur une durée limité, avec un instrument qui
a une bande passante finie?
18
Analyse Spectrale
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
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
20
Analyse Spectrale Fenêtres d’observation
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
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
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
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
1 2t 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
2t T T
H m (t ) 1 cos si t
2 ,
T 2
H m (t ) 0 Ailleurs
25
Analyse Spectrale Fenêtres d’observation
Réduire le taux d’ondulations et ceci d’autant plus que leur spectre présente des lobes secondaires
atténuées
26
27
Merci pour votre attention