Tp1 : é chantillonnage des signaux et

fenê tres de pondé ration

Salma BAHHAR Numéro : 4

RIHAB Ait El MAATI Numéro : 2

GEII 2

1
 I. Fréquence d’échantillonnage
a) Fe=100Hz

t=0:0.01:0.25;
x=sin(2*pi*150*t);
plot(t,x)
xlabel('Temps(s)');
ylabel('amplitude');
title('signal sinusoidale de frequence 100Hz');

-14
x 10 signal sinusoidale de frequence 100Hz
3

2.5

1.5
amplitude

0.5

-0.5

-1

-1.5
0 0.05 0.1 0.15 0.2 0.25
Temps(s)

Figure 1 : signal sinusoidale de frequence 100Hz échantillonner avec Fe=150Hz

Interprétation :

D’après la figure 1 on constate qu’il y a perte d’information ce qui nous amène a

augmenter la frequence d’échantillonnage.

b) Fe=1000Hz

t=0:0.001:0.25;
x=sin(2*pi*150*t);
plot (t(1:50),x(1:50))
xlabel('Temps(s)');
ylabel('amplitude');

2
title('signal sinusoidale de frequence 1000Hz');

signal sinusoidale de frequence 1000Hz

1

0.8

0.6

0.4

0.2
amplitude

-0.2

-0.4

-0.6

-0.8

-1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps(s)

Figure 2 : signal sinusoidale de frequence 1000Hz échantillonner avec Fe=150Hz

Interprétation :

D’après la figure 2 on constate qu’il y a aussi perte d’information ce qui nous amène
d’augmenter d’avantage la frequence d’échantillonnage.

c) Fe=3000Hz

t=0:1/3000:0.25;
x=sin(2*pi*150*t);
plot(t(1:100),x(1:100))
xlabel('Temps(s)');
ylabel('amplitude');
title('signal sinusoidale de frequence 3000Hz');

3
 signal sinusoidale de frequence 3000Hz
1

0.8

0.6

0.4

0.2
amplitude

-0.2

-0.4

-0.6

-0.8

0 0.005 0.01 0.015 0.02 0.025 0.03

Temps(s)

Figure 3 : signal sinusoidale de frequence 3000Hz échantillonner avec Fe=150Hz

Interprétation :
D’après la figure 3 on constate qu’il n’y a pas perte d’information ce qui veut dire qu’un
signal sinusoidale de frequence 3000Hz peut être échantillonné avec une frequence
d’échantillonnage 3000Hz.

II. Spectre d’un signal sinusoïdale :

a)Fe=3000Hz :

t=0:1/3000:0.25;
x=sin(2*pi*150*t);
subplot(2,1,1)
plot(t(1:100),x(1:100))
xlabel('Temps(s)');
ylabel('amplitude');
title('signal sinusoidale de frequence 3000Hz');
y=fft(x,512);
y=abs(y);
f=3000/512*(0:511)
subplot(2,1,2)
plot(f(1:50),y(1:50))
xlabel('Frequence(Hz)');
ylabel('amplitude spectrale ');
title('spectre du signal sinusoidale');

4
 signal sinusoidale de frequence 3000Hz
1

0.5
amplitude

-0.5

-1
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Temps(s)
spectre du signal sinusoidale
200
amplitude spectrale

150

100

50

0
0 50 100 150 200 250 300
Frequence(Hz)

Figure 4 : signal sinusoidale de frequence 150Hz et son spectre

Interprétation :

D’après la figure 4 on remarque la présence d’un pic à une frequence de 150Hz qui
correspond a une frequence d’un signal sinusoidale , donc la méthode transformée de
Fourier est une méthode fiable pour l’analyse du signaux.

III. Fenêtre de pondération :

a)Fenêtre rectangulaire :

t=-2:0.01:+2;
x=(sign(t+1)-sign(t-1))/2;
plot(t,x)
xlabel('Temps(s)');
ylabel('amplitude');
title('signal rectangulaire');

5
 signal rectangulaire
1

0.9

0.8

0.7

0.6
amplitude

0.5

0.4

0.3

0.2

0.1

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Temps(s)

Figure 5 : signal rectangulaire

b) spectre d’une fenêtre rectangulaire :

t=-2:0.01:+2;
x=(sign(t+1)-sign(t-1))/2;
subplot(2,1,1)
plot(t,x)
xlabel('Temps(s)');
ylabel('amplitude');
title('signal rectangulaire');
y=fft(x,512);
y=fftshift(y);
y=abs(y);
f=100/512*(0:511)
subplot(2,1,2)
plot(f(206:306),y(206:306))
xlabel('Frequence(Hz)');
ylabel('amplitude spectrale ');
title('spectre du signal rectangulaire');

6
 signal rectangulaire
1

amplitude
0.5

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Temps(s)
spectre du signal rectangulaire
200
amplitude spectrale

150

100

50

0
40 42 44 46 48 50 52 54 56 58 60
Frequence(Hz)

Figure 6 : signal rectangulaire et son spectre

Interprétation :
D’après la figure 6 on constate une lope principale de largeur a mis hauteur de 0,78 et de
lope secondaire autour de ce dernier .

d) Fenêtre triangulaire :
t=-2:0.01:+2;
T=4
x=1-2*abs(t)/T ;
subplot(2,1,1)
plot(t,x)
xlabel('Temps(s)');
ylabel('amplitude');
title('signal triangulaire');
y=fft(x,512);
y=fftshift(y);
y=abs(y);
f=100/512*(0:511)
subplot(2,1,2)
plot(f(206:306),y(206:306))
xlabel('Frequence(Hz)');
ylabel('amplitude spectrale ');
title('spectre du signal triangulaire’);

7
 signal triangulaire
1

amplitude
0.5

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Temps(s)
spectre du signal triangulaire
200
amplitude spectrale

150

100

50

0
40 42 44 46 48 50 52 54 56 58 60
Frequence(Hz)

Figure 7 : signal triangulaire et son spectre

Interprétation :

D’après la figure 7 on constate la présence d’une lope principale de fréquence 50Hz et des lopes
secondaire d’amplitude faible par rapport à ceux trouver par l’analyse de fenêtrage rectangulaire.

e)Fenêtre de Hamming :
t=-2:0.01:+2;
a=0.54;
f=0.25;
x=a+(1-a)*cos(2*pi*f*t);
subplot(2,1,1)
plot(t,x)
xlabel('Temps(s)');
ylabel('amplitude');
title('signal de Hamming ');
y=fft(x,512);
y=fftshift(y);
y=abs(y);
f=100/512*(0:511);
subplot(2,1,2)
plot(f(206:306),y(206:306))
xlabel('Frequence(Hz)');
ylabel('amplitude spectrale ');
title('spectre du signal de Hamming');

8
 signal de Hamming
amplitude 1

0.5

0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
Temps(s)
spectre du signal de Hamming
300
amplitude spectrale

200

100

0
40 42 44 46 48 50 52 54 56 58 60
Frequence(Hz)

Figure 8 : signal de Hamming et son spectre

Interprétation :
D’après la figure 8 on constate la présence d’un lope principal et l’absence totale des lopes
secondaire.

Conclusion :
D’après cette étude comparative on remarque que la fenêtre de Hamming est la meilleure
fenêtre pour analyser tous types de signaux