CHAPITRE 1

Rappels sur les transformations discrètes

1
 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples de signaux

Peut on interpréter et analyser ces signaux uniquement dans le domaine temporel?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemple d’un signal de parole du mot ‘’Samedi’’

Peut on interpréter et analyser ce signal uniquement dans le domaine temporel?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemple d’un signal ECG

Peut on interpréter et analyser ce signal uniquement dans le domaine temporel?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemple d’un enregistrement EEG

Peut on interpréter et analyser ce signal uniquement dans le domaine temporel?
 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemple d’un bruit blanc centré et Gaussien

Peut on interpréter et analyser ce signal uniquement dans le domaine temporel?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples d’images Barbara

Peut on interpréter et analyser ces images uniquement dans le domaine spatial?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples d’images de texture

Peut on interpréter et analyser ces images uniquement dans le domaine spatial?

 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples de series temporelles économiques

Ces courbes sont des données obtenues grâce à une étude économique sur l’inflation et
le chômage. Elles représentent donc des séries brutes utilisées dans cette étude
économique et celles détendues correspondantes: chômage (brut: ligne mince, détendu:
ligne en gras) et l’inflation (brut: ligne fine en pointillés, détendu: ligne en pointillés
épais). Les données sont mensuelles et couvrent la période Jan60-Dec01.
Peut on interpréter et analyser ces données économiques uniquement dans le
domaine temporel? Que doit faire l’économiste
 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples de series temporelles d’épidémiologie

Peut on interpréter et analyser ces données de la crise sanitaire due à la covid-19 à
New York (nombre de gens contaminés par jour) uniquement dans le domaine
temporel? Que doit faire l’ épidémiologiste ?
 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples de series temporelles d’épidémiologie

Peut on interpréter et analyser ces données de la crise sanitaire due à cla ovid-19 au
Michigan (nombre de gens contaminés par jour) uniquement dans le domaine
temporel? Que doit faire l’ épidémiologiste?
 INTRODUCTION
C’est quoi l’analyse spectrale?

Exemples de series temporelles d’épidémiologie

Peut on interpréter et analyser ces données de la crise sanitaire due à la covid-19
dans différents pays (nombre de gens contaminés par jours) uniquement dans le
domaine temporel? Que doit faire l’ épidémiologiste?
 INTRODUCTION
C’est quoi l’analyse spectrale?

C’est l'ensemble des méthodes permettant de mettre en évidence les

composantes périodiques présentes dans un signal, une série de données, une
courbe, une image ou même une vidéo.

Donc elle permet d’identifier le contenu spectral (ensemble des fréquences)

présentes dans ces données traitées.

Pour quelles applications?

Les données mesurées et/ou acquises (signal, images, vidéos données ….etc)
doivent être traitées surtout numériquement (par exemple un filtrage, un
débruitage, une extraction, une détection, une compression, une synthèse
….etc). Souvent il est plus intéressant d’effectuer ces traitements dans le
domaine spectrale (dit domaine transformé) au lieu du domaine original dit
direct (temporel, spatial, spatio-temporel …etc)
 INTRODUCTION
Quels sont les outils de base pour l’analyse spectrale?

Sans nul doute la transformée de Fourier …!

Mais aussi bien d’autres transformées linéaires et surtout orthogonales.

D’ailleurs pourquoi on les appelle transformées linéaires et aussi

orthogonales?
 RAPPELS MATHEMATIQUES
Combinaison linéaire
Souvent, au lieu de garder les signaux observés et acquis, que l’on note par
exemple x(t), sous leurs formes originales (sous forme de données mesurées)
nous essayons de les représenter, ou les approcher (les approximer), sous forme
d’une combinaison linéaire utilisant une base de fonction k(t) choisies
préalablement. C’est ce que l’on appelle habituellement une représentation
vectorielle des signaux

^ N
xt     kk t 
k 1
^
x t  est l’approximation de x(t), N est l’ordre de la combinaison linéaires et
les coefficients k doivent être calculés pour une approximation optimale

C’est ce qui représente les fondements de base de l’analyse spectrale

déterministe. Ceci doit donc nous permettre de représenter les signaux mesurés
sous forme plus simples nous aidant à mieux les interpréter et les analyser
 RAPPELS MATHEMATIQUES
Notions de distance
Pour mesurer le degré de ressemblance ou de dissemblance entre x(t) et y(t)
(ou sous forme discrète xn et yn), deux signaux, deux vecteurs ou même deux
séries de données on utilise la distance d(x,y).

Il s’agit d’un scalaire réel, positif ou nul et vérifiant les propriétés suivantes :

Nom Propriété
symétrie   d(x , y) = d (y , x )

séparation d (x , y) = 0 ⇔ x = y

inégalité triangulaire d (x , z ) ≤ d (x , y) + d (y , z)
 RAPPELS MATHEMATIQUES
Exemples de distances
Nom Paramètre Fonction
N
1-distance
distance de Manhattan n  1
y n  x n


2
distance euclidienne 2-distance y n  x n
n  1

N
distance de Minkowski p-distance p
 y n  x n
p

n  1


p
distance de Tchebychev ∞-distance lim p y n  x n
p  
n 1

              

La distance Euclidienne permet de généraliser l'application du théorème de
Pythagore à un espace de dimension n. C'est la distance la plus utilisée et la
plus « intuitive ».
 RAPPELS MATHEMATIQUES
Notions de norme

La norme du signal x(t), que l’on notext  , représente la distance d qui

sépare l’origine de l’extrémité du signal.

On peut de ce fait calculer la distance qui sépare deux signaux x(t) et y(t) en
calculant en tous points la norme de la différence entre ces deux signaux.

N
y n  x n  e n  d x , y   
2
yn  xn
n 1
 RAPPELS MATHEMATIQUES
Notions de produit scalaire
Un produit scalaire entre deux fonctions, deux signaux ou encore deux vecteurs, noté
<x,y>, est un scalaire réel ou complexe permettant entre autres de déterminer le degré
de ressemblance (corrélation) ou dissemblance (décorrélation ou orhtogonalité) entre
x(t) et y(t) et possédant les propriétés suivantes
 x, y   xt y * t dt Où D est le domaine de définition de x(t) et y(t).
D
* Représente le conjugué
2
 x, x  x Si x(t)  L2, l’ensemble des signaux à énergie totale
finie, alors <x,x> représente son énergie totale
 x, y  y, x *
 x, y   *  x, y  Où  et  représentent deux constantes
 x  u, y  v  x, y    x, v    u, y    u, v 
Important :
 Si <x,y>=0 alors x(t) et y(t) sont orthogonaux
 Une base k(t) est dite orthogonale si <k(t), l(t)>=0,  kl
 APPROXIMATION AU SENS DES MOINDRES CARRES

L’idée est d’approcher un signal mesuré ou observé x(t) par une combinaison
linéaire de la forme: ^ N
xt     kk t 
k 1

On cherche donc à déterminer les valeurs optimales k garantissant une

distance Euclidienne d(x,^x) minimale.

N 2
^
  ^ ^
xn  x n  en  d  x, x  
 
 n 1
xn  x n  min

N N 2
 ^

   k  k t   min
2 2
en  d  x, x   xn 
  n 1 k 1
 THEOREME DE PROJECTION
^
L’approximation x t , sous forme d’une combinaison ^linéaire, est optimale au
sens des moindres carrés si l’erreur e t   x t   x t  est orthogonale à
toutes les fonctions k(t).

C’est-à-dire :  e, k  0 k
Comme nous avons : ^ ^ ^ ^ ^ ^
 x, x  x  e, x  x, x    e, x 
^ N
et : xt     kk t 
k 1
Alors nous aurons :
N N N N
 x ,   k  k t      t ,    t     e,    t  
l l k k k k
k 1 l 1 k 1 k 1
N N N N

 *
k  x ,  k t   l  *
k   l t ,  k t      * k  e ,  k t  
k 1 l 1 k 1 k 1
 CALCUL DES COEFFICIENTS k
En appliquant le théorème de projection pour une approximation optimale, ce
qui nous permettra de trouver les meilleures valeurs des coefficients k

N N N N

 k  x ,  k t  
 *

k 1
 l

l 1
 *
k 
k 1
 l t ,  k t     k  e,  k t  
 *

k 1

N N N
=0, k
 k  x ,  k t  
 *

k 1
 l  k  l t ,  k t  

l 1
 *

k 1
Si, en plus, on choisi une base k(t) orthogonale alors nous aurons:

 x ,  k t    k   k t ,  k t   k

C’est donc un système de N équations à N inconnues (les coefficients k ) et où

chaque équation possède une seule inconnue
 CALCUL DES COEFFICIENTS k

 x ,  k t    k   k t ,  k t   k
Sous forme matricielle, nous pouvons écrire :
  x,1  1,1 0 . . . 0 1 
 x,   0 2,2 0 . . 0 2 
 2  

 .   . . . . . .  . 
    
 .   . . . . . .  . 
 .   0 . . . . 0  . 
    
 x, N  0 . . . 0 N , NN 

 x ,  k t  
k  k
  k t ,  k t  
SERIES DE FOURIER
 SERIE DE FOURIER
Il suffit d’utiliser les résultats précédents avec une base de fonction k(t) sous
forme d’exponentielles complexes à savoir des fonctions complexes périodiques
de périodes respectivement T/k. k
2 j t
 k t   e T

k
2j t
 x, e T

k  k k
k
2j t 2j t
e T
,e T


k
1  2j t
k 
T  x t e
T
T
dt

Comme la combinaison va de – l’infini à + l’infini alors l’approximation sera

égale à l’approximée et nous aurons:
 k
2j t
xt    e k
T

k  
 SERIES DE FOURIER
Si on suppose que x(t) est périodique de période T, de puissance moyenne finie,
et réel alors nous pouvons déduire qu’il peut être décomposé en une somme de
sinus et de cosinus.
a0  n n An=0
x(t )    an cos(2 t )  bn sin(2 t )
2 n1 T T
T /2
2 n
an   x(t ).cos(2 t )dt n  0,1,2,... 1(4/)
T T / 2 T
T /2
2 n
bn   x(t ).sin(2 t )dt n  1,2,3...
T T / 2 T 1+ 3 (4/3)

 a0 est l’amplitude de la composante continue

DC ou valeur moyenne de x(t)
1+ 3+5 (4/5)
a1 et b1 sont les amplitudes de la Fondamental
de fréquence 1/T, celle de x(t)
1+ 3+ 5 + 7 (4/7)

an et bn, pour n1 sont les amplitudes des

autres harmoniques de fréquences multiples
entiers de la fréquence de x(t) (2/T, 3/T, ……)
SERIES DE FOURIER

Exemple
SERIES DE FOURIER

Exemple

= +

=
SERIES DE FOURIER

Exemple

= +

=
SERIES DE FOURIER

Exemple

= +

=
SERIES DE FOURIER

Exemple

= +

=
SERIES DE FOURIER

Exemple

= +

=
SERIES DE FOURIER

Exemple


1
= A sin(2 kt )
k 1 k
 SPECTRE DE FOURIER
Comme les séries de Fourier vont nous permettre de représenter dans le domaine
temporel tout signal périodique de période T par une composante continue
(éventuellement) et des sinus et cosinus de fréquences multiples entiers de la fréquence
du signal 1/T, il est plus intéressant d’utiliser une autre représentation, autre que la
représentation habituelle temporelle, pour le signal x(t) en fonction des fréquences dont
il dispose. Il s’agit de la représentation fréquentielle ou spectrale.

Dans cette représentation, en fonction des fréquences constituant le signal, nous allons
parler de spectre.
k
2j t k
Le noyau des séries de Fourierk t    k e T aura k  f   k ( f  )
donc pour spectre
T

 k   k 
ak cos 2 t  et bk sin  2 t  auront donc respectivement pour spectres :
 T   T 
ak  k k  jbk  k k 
 ( f  )   ( f  ) et  ( f  )   ( f  )
2 T T  2  T T 

Quant à la composante continue a0 elle aura pour spectre : a0 ( f )

 SPECTRE DE FOURIER

XR(f
paire
a)0
a3 a1 a1 a3
…. ….
f=n/To
f
a2 a2

XI(f
impaire
)
- -
…. jb1 jb2 …. f=n/To
f
jb2 jb1
 SPECTRE DE FOURIER

Le spectre peut être représenté par une partie réelle et une partie imaginaire

Ou bien : Par un module et phase

Domaine Domaine
temporel 2nt  2 jnt 
Spectral  2 jnt 
X  f   a0  cn[  f 
      f  T ]

x(t )  a  2 c cos(  )
0
n 1
n
T 0
n
 T0   0 
bn
avec cn  an2  bn2 ;  n  tan 1 ( )
an
bn   2 jnt   2 jnt 
n  f   tan ( )  f 
1
   f  
an   T0   T0 
SPECTRE DE FOURIER

Xf 
paire

f=n/To

n  f  impaire

f=n/To
 SPECTRE DE FOURIER
Dès lors pour un signal x(t) périodique réel et quelconque et compte tenu de son
développement en série de Fourier, son spectre sera donc obtenu ainsi:

Domaine temporel Domaine spectral

a0 
a   n  n 
a0 
n n X ( f )    f    n   f      f   
x(t )    an cos(2 t )  bn sin(2 t ) 2 n1 2   T  T 
2 n1 T T
jb   n  n 
 n   f      f  
2   T  T 
Pour ça ?

T=5t

A sin(nw0 / 2)
Xn 
T nw0 / 2
 DENSITE SPECTRALE DE PUISSANCE
L’analyse et l’étude d’un signal nécessitent souvent le calcul de son énergie totale et de
sa puissance moyenne totale. Pour un signal déterministe physiquement réalisable son
énergie totale est finie et par conséquence sa puissance moyenne totale est nulle. Par
contre un signal périodique possède une puissance moyenne totale non nulle ce qui
implique une énergie totale infinie.
Pour un signal non périodique, l’énergie totale et la puissance moyenne totale son
calculée respectivement par: 
T
2
 1
xt  dt
2
Px  lim 
 xt 
2
Ex  dt T  T T

 2
Si le signal x(t) est périodique, nous allons nous intéresser uniquement à la puissance
moyenne totale (l’énergie
T
est dans ce cas infinie) en la calculant à partir de :

a02 1  2 2
Px   an  bn 
2
1
 xt 
2
Px  dt
T T 4 2 n1

2


Ou encore, en utilisant l’identité de Parseval: Px   XDensité

n
² n
Spectrale de Puissa
La DSP ou Densité Spectrale de Puissance est la caractéristique essentielle que nous
cherchons à obtenir par l’analyse spectrale. Elle représente la dispersion de la
puissance du signal par unité de fréquence.
 TRANSFORMEE DE FOURIER
Si le signal x(t) n’est pas périodique (c’est le cas pour tous les signaux physiquement
réalisables) nous ne pouvons plus le décomposer en série de Fourier (1 ère impression).
Cependant, nous pouvons toujours considérer qu’il est toujours pédiodique mais de
période de plus en plus élevée :
 TRANSFORMEE DE FOURIER

Extension des séries de Fourier aux signaux non périodiques (ie, transitoires..)
 
 X ( f )   x( f )e  2 jft df
 
(1) 

  2 jft
 x ( t )   X ( f ) e df
 

spectre d ' energie, de puissance

T0 / 2  2
1
(2) Pmoy  x
2
(t )dt    n , x(t ) périodique(T0 )
T0 
T0 / 2
 
2 2
(3)   x (t )dt   X(f ) df , x(t ) non périodique, énergie totale de x(t )
 

41
 TRANSFORMEE DE FOURIER

 sin(w / 2) 
X(w)  A. 
 w / 2 

Regraduons en f


X ( f )  TFxt    x(t ) exp( j 2 f t )dt, t  R, f  R


x(t )  TF 1X  f    X ( f ) exp(j 2 f t )df , t  R, f  R


La TF, comme toutes les transformations linéaires, est réversible. Autrement dit :

TF 1 TF xt   xt 

 SPECTRE DE FOURIER

Spectre d’amplitude : Module de la TF |X(w)|

Arg(X(w))

Spectre de phase : Argument de la TF

 DENSITE SPECTRALE D’ENERGIE
Si le signal x(t) est déterministe et physiquement réalisable (énergie totale finie et
puissance moyenne totale nulle), pour son analyse spectrale nous allons nous
intéresser plutôt à sa DES ou Densité spectrale d’énergie:


 2 jft
X( f )   x ( f ) e dt


V/Hz V
 
2 2
E   x (t)dt   X ( f ) df
 
V².sec DSE en (V/Hz)².Hz=V²/Hz

La DSE ou Densité Spectrale d’énergie est la caractéristique essentielle que nous

cherchons à obtenir par l’analyse spectrale d’un signal déterministe physiquement
réalisable. Elle représente la dispersion de l’énergie du signal par unité de fréquence.
44
 PROPRIETES DE LA TF
PROPRIETES DE LA TF
 a1x2 (t )  a2 x2 (t )  a1 X 2 ( f )  a2 X 2 ( f ) linéarité
 A(t )  A Dirac  élément neutre
 A  A(t ) Cons tan te
1 f
 x(at )  W ( ) chg d ' échelle de temps
a a
 x(t  )  X ( f )e  2 j retard temporel
 x(t )  X ( f )  X ( f )* renversement du temps
 x(t ) cos(2f mt )  1 / 2X ( f  f m )  X ( f  f m ) mod ulation d ' amplitude
 x1 (t ) * x2 (t )  X1 ( f ) X 2 ( f ) convolution
 x1 (t ) x2 (t )  X1 ( f ) * X 2 ( f ) multiplication
dn
 x(t )  (2jf ) n X ( f ) dérivation
dt
 X R  réel ( X ( f )) paire
 X I  imag ( X ( f )) impaire

45
 PROPRIETES DE LA TF
PROPRIETES DE LA TF

46
 PROPRIETES DE LA TF
PROPRIETES DE LA TF

47
 PROPRIETES DE LA TF
PROPRIETES DE LA TF

48
 PROPRIETES DE LA TF
PROPRIETES DE LA TF

49
 PROPRIETES DE LA TF
– Linéarité
– X(f)  module |X(f)|, phase Arg[X(f)]
– x(t) réel  Re[X(f)] paire, Im[X(f)] impaire, module pair, phase impaire
– x(t) réel pair  X(f) réel pair
– x(t) réel impair  X(f) imaginaire impair
– x(t)*y(t)  X(f).Y(f) et x(t).y(t)  X(f)*Y(f)
!
– x(t)*d(t-t0)= x(t-t0)  X(f) exp(-2jp f t0)
– x(t) exp(2 j p t f0)  X(f-f0)
– x*(t)  X*(-f)
– x(at)  |a|-1 X(f/a)
– dnx(t)/dtn  (2 j p f )n X(f)
 PROPRIETES DE LA TF

– d(t)  1
– 1(t)  ½ d(f) + 1/(2 j p f )
– cos(2pf0t)  [d(f-f0) +d(f+f0)]/2
– sin(2pf0t)  [d(f-f0) -d(f+f0)]/2j
– Sd(t+nT)  Fe Sd(f+kFe) avec Fe=1/T
– Rect(t)  2a.Sinc(pfa)
PROPRIETES DE LA TF
 représentation des signaux en temps
1

0.5
amplitude
0

-0.5

-1
0 1 2 3 4 5 6 7 8 9 10
temps (sec)

représentation des signaux en fréquence

1
amplitude

0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
fréquence (Hz)
 représentation des signaux en temps
1

0.5
amplitude
0

-0.5

-1
0 1 2 3 4 5 6 7 8 9 10
temps (sec)

représentation des signaux en fréquence

1
amplitude

0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
fréquence (Hz)
 représentation des signaux en temps
1

0.5

amplitude 0

-0.5

-1
0 1 2 3 4 5 6 7 8 9 10
temps (sec)

représentation des signaux en fréquence

1
amplitude

0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30
fréquence (Hz)
 représentation des signaux en temps
1
amplitude

0.5

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
temps (msec)

représentation des signaux en fréquence

1
amplitude

0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
fréquence (MHz)
 représentation des signaux en temps
2

amplitude
1

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
temps (msec)

représentation des signaux en fréquence

10
Énergie (dB)

0
-10
-20
-30

0 1 2 3 4 5 6 7 8 9 10
fréquence (MHz)
ECHANTILLONNAGE

58
ECHANTILLONNAGE

Un traitement numérique ou une communication numérique exigent avant tout que le signal
informatif, généralement analogique, soit numérisé.

Signal Echantillonnage Signal Codage Signal

analogique Discret Numérique

Signal D/A
analogique DSP

59
ECHANTILLONNAGE

• TRAITEMENT ANALOGIQUE:
• Circuits: resistances, capacités, ampli-op …etc

x(t) y(t)
Elect. analogique

• TRAITEMENT NUMERIQUE
• Microprocesseurs, DSP, autres circuits programmables …
On doit commencer pat convertir x(t) to nombres (numériques) à stocker dans une mémoire

x(t) x[n] y[n] y(t)

A-to-D COMPUTER D-to-A

60
ECHANTILLONNAGE

Pour numériser un signal analogique (conversion analogique numérique

CAN) il faut deux opérations:

• Echantillonnage: Il s’agit de discrétiser le temps

• Quantification: Il s’agit de discrétiser les amplitudes

61
ECHANTILLONNAGE

62
ECHANTILLONNAGE

ECHANTILLONNAGE THEORIQUE
xt 

xt  xpt

t 
p t
nT
n

x0 
xT  x2T 

-3T -2T -T 0 T 2T 3T 4T t

NB: Il s’agit donc d’une modulation très particulière où la porteuse est

un train d’impulsions (peigne de Dirac).
63
ECHANTILLONNAGE

ECHANTILLONNAGE THEORIQUE

p(t)
C’est un échantillonnage théorique
dans le sens où le peigne de Dirac ne
x(t) xp(t) peut être généré dans la pratique.

L’échantillonnage est une multiplication

dans le domaine temporelle du signal
 x p (t )  x(t )  p (t ) analogique par un peigne de Dirac. Dans le

 X p ( f )  X ( f ) * P ( f )] domaine spectral ça sera un produit de
convolution.

où p (t )   T (t )    (t  nT )
n  
64
ECHANTILLONNAGE

ECHANTILLONNAGE THEORIQUE
Domaine temporel:
 
x p (t )  x (t )    (t  nT )   x(nT ) (t  nT )
n   n  

65
ECHANTILLONNAGE

ECHANTILLONNAGE THEORIQUE
Domaine fréquentiel:
TF
x(t )  X(f )
1 
k 
TF
p (t )  P ( f )    ( f  )  f e   ( f  kf e )
T k   T k  

1  
TF
x p (t )  X p ( f )   X ( f  kf e )  f e  X ( f  kf e )
T k   k  

On remarque donc que le spectre du signal échantillonné est périodisé avec une
période égale à fe

Ceci confirme bien la propriété de la transformée de Fourier:

Périodiser dans un domaine (temporel ou fréquentiel) revient à échantillonner dans
l’autre domaine (fréquentiel ou temporel).
66
ECHANTILLONNAGE

X p ( f )  X ( f ) * P( f )

s  2M

67
ECHANTILLONNAGE

THEOREME DE L’ECHANTILLONNAGE

Théorème:
Soit un signal xt  supposé à bande limitée f
X0
,ff
M

alors xt  pourra être déterminé uniquement par ses échantillons

if où
1
nT
x,
n0
,
1
,fe2fM fe 
T

68
ECHANTILLONNAGE

La reconstruction du signal analogique

Pour convertir un signal échantillonné en un signal analogique il suffit d’éliminer la

périodisation de son spectre et garder que la période principale. Ceci peut être obtenu
par un filtre passe-bas.

Si on suppose au départ que le filtre de reconstruction, appelé aussi filtre interpolateur,

est idéal (réponse fréquentielle sous forme d’une fenêtre rectangulaire).


H f 
t 
p t
nT T
n


xpt xr t  fc 0 fc f
xt  H f 
f M  fc  fe  f M
69
ECHANTILLONNAGE

La reconstruction du signal analogique

H f 

t 
p t
nT T
n


xpt xr t  fc 0 fc f
xt  H f 
f M  fc  fe  f M

   f 
x (t )   x(nT ) (t  nT )  TF 1
 Trect 


 2 f 

n     c 

x (t )   x(nT ) (t  nT )  2 f T sin c2 f t 
n  
c c


x (t )  2 f cT  x(nT ) sin c2 f t  nT 
n  
c 70
ECHANTILLONNAGE

Théorie d’échantillonnage

x
*

= = Duplication des
spectres à cause de
l’échantillonnage

xp(t) Xp(f)
71
ECHANTILLONNAGE

Théorie de la Reconstruction

x
* sinc

= =

Xp(t) Xp(f)
72
ECHANTILLONNAGE

Echantillonnage à la fréquence de Nyquist

x
*

= =

xp(t) Xp(f)
73
ECHANTILLONNAGE

Reconstruction à la fréquence de Nyquist

x
*

= =

xp(t) Xp(f)
74
ECHANTILLONNAGE

Echantillonnage au dessous la fréquence de Nyquist

x
*

= =

xp(t) Xp(f)
75
ECHANTILLONNAGE

Reconstruction au dessous la fréquence de Nyquist

x
*

= =

xp(t) Xp(f)
76
ECHANTILLONNAGE

Erreur de Reconstruction

Signal Original

Reconstruction sous échantillonnée

77
ECHANTILLONNAGE

Reconstruction avec une fenêtre triangulaire

x
*

= =

xp(t) Xp(f)
78
ECHANTILLONNAGE

Erreur de Reconstruction

Signal Original

Reconstruction du Triangle
79
ECHANTILLONNAGE

Reconstruction avec une fenêtre rectangulaire

x
*

= =

xp(t) Xp(f)
80
ECHANTILLONNAGE

Erreur de Reconstruction

Signal Original

Reconstruction Rectangle
81
 Echantillonnage d’une sinusoïde
f  100Hz

f e  2kHz

f e  500Hz

82
 Reconstruction de la sinusoïde?
Oui mais laquelle
Compte tenu des échantillons (en bleu), dessiner une sinusoïde à travers les valeurs

x[n ]  cos(0.4 n ) Quand n n est un entier

cos(0.4 n)  cos(2.4 n)
83
ECHANTILLONNAGE

ECHANTILLONNAGE NATUREL



t 
p t
P n
T H f 
n
 T

xpt xr t  fc fc f
0
xt  H j
f M  fc  fe  f M

 
xr t    x t   P t  nT   h t 
 n  
Difficultés:
1 Le filtrage passe-bas idéal est impossible;
2 Les impulsions de faibles largeurs sont difficiles à générer.
84
ECHANTILLONNAGE

ECHANTILLONNAGE AVEC BLOQUEUR

xt  Bloqueur x0t
d’ordre zéro
xt 

x t 
x0 
x p t  xT  x2T 

-3T -2T -T 0 T 2T 3T 4T t

85
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR

t 
p t
nT
1 h0t
n


xpt x0t
xt 
0 T t

Bloqueur d’ordre zéro


x0 t   x p t  h0 t    xnT h t  nT 
0
n  

 j 2f T 2  2 sin(2fT 2) 
Ho ( f )  e  
 2 f 
86
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR
 Filtre de
pt tnT Reconstruction
n


xpt x0t
xt  h0t hr t xr t
Bloqueur d’ordre
zéro 
t 
p t
nT xr t   xt 
n


xpt xt 
xt  LPF
e j 2f T 2 H ( j 2f )
Hr ( f ) 
f
Mf
ef
ff
M
2 sin(2fT 2)
2f
87
ECHANTILLONNAGE

e j 2f T 2 H ( f )
H r ( j ) 
2 sin( 2fT 2)
2f

88
ECHANTILLONNAGE

§7.2 Reconstruction
Band-limited interpolation

t 
p t
nT H f 
n
 T

xpt xr t  fc fc f
0
xt  H f 
f M  fc  fe  f M
T sin(2f c t )
xr ( t )  x p ( t ) * h ( t ) h(t ) 
t

  x(nT ) (t  nT )* h(t )
n  
 
T sin[2f c t  nT ]
  x(nT )h(t  nT )
n  
  x(nT )
n    t  nT 
89
ECHANTILLONNAGE
Signal analogique
original

Après
l’échantillonnage

The Filtre
Après le filtrage
passe_bas
De reconstruction lisses les
discontinuités
et remplis les
vides 90
ECHANTILLONNAGE

t 
Zero-order hold p t
nT
n


xpt x0t
xt  h0t hr t xr t

Signal analogique
original

Après
l’échantillonnage

A près le passage
À travers unbloqueur
D’ordre zéro

91
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR

Zero-Order Hold

 j 2f T 2  2 sin(2fT 2) 
Ho ( f )  e   H( f )
 2f 
j 2f T 2
e H( f ) Filtre bloqueur
Hr ( f ) 
2 sin( 2fT 2) d’ordre zéro
2f 92
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR

93
LA TRANSFORMEE DE FOURIER DISCRETE

TFD

94
TRANSFORMEES DISCRETES LINEAIRES

Sous forme discrète ces transformations linéaires représentent un vecteur ou

signal f(x) d’un domaine direct , dans un domaine dit transformé. Ceci en
utilisant un noyau de transformation souvent sous forme d’une base de
fonctions orthogonale (u,x)
Transformée directe Transformée Inverse
N 1 N 1
F (u )   f ( x) * u, x  f (u )   F (u ) u, x 
x 0 x 0
u  0,1,..., N  1 x  0,1,..., N  1
 Les transformées discrètes linéaires (orthogonales) nous donnent un spectre
discret composé de N coefficients à partir d’un signal discret composé
également de N échantillons.
La différence entre une transformée linéaire discrète et une autre est le noyau
de la transformation que l’on note (u,x) où x est la variable du domaine
direct et u la variable du domaine transformée.
Plusieurs exemples de transformées linéaires discrètes sont utilisées à l’instar
de la TFD (Transformée de Fourier Discrète) TCD (Transformée en Cosinus
Discrète), DST (Transformée en Sinus Discrète), …etc
TRANSFORMEES DISCRETES LINEAIRES

 TF 1D : Continue

F u   f x exp 2jxu  real(g(x imag(g(x
 )) ))

 =0
x : variable continue du domaine direct
u : variable continue du domaine transformé

 TFD 1D de longueur N : Discrète

N 1
 2jxu 
F (u )   f ( x) exp  
x 0  N 
u  0,1,..., N  1
 =7
x : indice discret du domaine direct
u : indice discret du domaine transformé x x
TRANSFORMEES DISCRETES LINEAIRES

Transformée de Fourier Discrète Directe

N 1
F (u )   f ( x) exp  x : indice discret du domaine
 2jxu 

x 0  N direct

u  0,1,..., N  1 u : indice discret du domaine
real(A) imag(A)
transformé
Transformée de Fourier Discrète Inverse u=0

1 N 1
 2jxu 
f ( x) 
N

u 0
F (u ) exp
 N


x  0,1,..., N  1

Base de fonctions ou noyau de la

transformations: Exponentielles
Complexes  2jux 
 u , x   exp   u=7
 N 
n n
TRANSFORMEE DE FOURIER DISCRETE (TFD)

• { f(x) }  { F(u) }
u, x = 0, 1, …, N-1
WN = exp{ - j2 / N }

 N 1

 F (u ) 


x0
f ( x ) W N
ux


 f (x)  1 N 1

 N

u0
F (u )  W N
 ux
TRANSFORMEE DE FOURIER DISCRETE (TFD)

TFD 1 D sous forme matricielle

N 1
 2  jxu 
F (u )  
x0
f ( x ) exp  
 N


u  0,1,..., N  1
x : indice discret du domaine direct real(A) imag(A)
u : indice discret du domaine transformé
u=0

F   W . f 
N=8
W   Matrice noyau N×N
Contient les valeurs de W u , x  exp  2jxu 
  N 
u=7

 f   W  .F  TFD
1*inverse
matricielle n n
TRANSFORMEE DE FOURIER DISCRETE (TFD)
Propriétés de la TFD 1 D

F   W . f  W   Matrice noyau N×N

W u , x  exp  2jxu 
  N 
• Energy Conservation
– || F ||2 = || f ||2

• || F ||2 = || Wf ||2= (Wf)*T (Wf)= f*T W*T W x = f*T f = || f ||2

• Rotation
– The angles entre les vecteurs sont préservés

– Une transformation unitaire est une rotation d'un

vecteur dans un espace de dimension N, c'est-à-dire
une rotation des coordonnées de base
TRANSFORMEE DE FOURIER DISCRETE (TFD)
Propriétés de la TFD 1 D

•Compactage énergétique

De nombreuses transformées unitaires communes ont tendance à regrouper une grande partie
de l'énergie du signal en seulement quelques coefficients de transformation.
•Décorrélation

Éléments d'entrée hautement corrélés vs coefficients de sortie très peu corrélés

Matrice de covariance E [(F - E (F)) (F - E (F)) * T]

une petite corrélation implique de petits termes hors diagonale

Question: Quelle transformation unitaire donne le meilleur compactage et la

meilleure décorrélation?
LA TRANSFORMEE DE FOURIER RAPIDE

FFT

102
LA FFT

• Quelques dates:
– ~1880 – premier algorithme décrit by Gauss
– 1965 – algorithme redécouvert par Cooley and Tukey

• En 1967 le calcul d’une TFD sur 8192 points

avec un ordinateur de la deuxième génération
IBM 7094
– ~30 minutes en utilisant des techniques conventionnelles
– ~5 seconds en utilisant FFTs

103
LA FFT

Coût calculatoire d’une TFD

• Selon la formule de la TFD nous avons:

– Le calcul d’un seul coefficient d’une TFD à N points nécessite N additions et

N multiplications complexes

– Le calcul d’une TFD à N points nécessite donc 2N 2 opérations complexes

104
LA FFT

Algorithme de Cooley-Tukey
• Soit la TFD pour un nombre de points N, puissance de 2,

• pour k=0, 1, …, N-1

• En divisant cette somme en deux sommes selon les
indices n pairs et impairs, on obtient:

pour k=0, 1, …, N-1

105
LA FFT

Algorithme de Cooley-Tukey

• pour k=0, 1, …, N-1

• Mais et
Alors …

G[k] H[k]
TFD à N/2-point de x[2r] TFD à N/2-point de x[2r+1]

Mais attention G(k) et H(k) sont deux TFD à N/2 points seulement alors
106
que X(k) est à N points (k=0, 1, …, N-1)
LA FFT

Algorithme de Cooley-Tukey

(k=0, 1, …, N/2-1)
Pour obtenir les N/2 coefficients manquants :

( N/ 2)1 ( N/ 2)1
X[k  N / 2]   x[2r]W
n0
rk
N/2
k
W
N  x[2r 1]W
n0
rk
N/2

107
LA FFT

Notion d’organigramme
• En généralisant cette formulation, il est plus
commode d'adopter une approche, soit:
– Addition
x[n]
x[n]+y[n]
y[n]
a
x[n] ax[n]
– Multiplication par une constante z-1
x[n] x[n-1]
– Retard

108
LA FFT

Représentation graphique d’une TFD à 8 points

109
LA FFT

Poursuivre la décomposition …
• Alors pourquoi ne pas diviser en TFD
supplémentaires? Prenons la TFD supérieure à
4 points et divisons-la en deux TFD à 2 points:

110
LA FFT

La décomposition complète en TFD à 2 points

111
LA FFT

Voyons maintenant de plus près le TFD à 2 points

• L'expression de la TFD à 2 points est:

• Evaluer pour nous obtenons

qui en notation graphique de flux ressemble

à ...
Cette topologie est appelée
papillon de base

112
LA FFT
La FFT de décimation dans le temps complète à 8 points

113
LA FFT
Nombre de multiplications pour les FFT à N points

• Soit N  2 où  log ( N )


2

• Nous aurons besoin multiplications

114
LA FFT

Structures FFT alternatives

• Nous avons développé la structure de base de

la FFT de décimation dans le temps (DIT), mais
d'autres formes sont possibles simplement en
réarrangeant les branches de l'organigramme

115
LA FFT

Structures FFT alternatives

• Structure DIT avec entrée à bit inversé, sortie
naturelle:

116
LA FFT

Structures FFT alternatives

• La structure DIT d'origine: • Structure réarrangée:

117
LA FFT

Structures FFT alternatives

• Structure DIT avec entrée naturelle, sortie
inversée en bits :

118
LA FFT

Structures FFT alternatives

• Structure DIT avec entrée et sortie dans
l'ordre naturel :

119
LA FFT

Structures FFT alternatives

• Structure DIT avec la même structure pour
chaque étape :

120
L'algorithme FFT de décimation en fréquence
(DIF)

• Introduction: la décimation en fréquence (DIF)

est une autre manière de développer
l'algorithme FFT
Elle est différente de la décimation dans le
temps (DIT)dans son développement, même
si elle conduit à une structure très similaire

121
LA FFT

L'algorithme FFT de décimation en fréquence (DIF)

122
LA FFT

Poursuivant en décomposant les points de sortie

pairs et impairs que nous obtenons…

123
LA FFT

… Et en remplaçant les DFT à N / 4 points par des

papillons que nous obtenons

124