Académique Documents
Professionnel Documents
Culture Documents
1
INTRODUCTION
C’est quoi l’analyse spectrale?
Exemples de signaux
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?
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?
^ N
xt kk 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
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
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 xt 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, kl
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
xt kk t
k 1
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 : xt kk 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
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 , NN
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
2j t
x, e T
k k k
k
2j t 2j t
e T
,e T
k
1 2j t
k
T x t e
T
T
dt
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 n1 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)
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
2j t k
Le noyau des séries de Fourierk 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
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
Domaine Domaine
temporel 2nt 2 jnt
Spectral 2 jnt
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 jnt 2 jnt
n f tan ( ) f
1
f
an T0 T0
SPECTRE DE FOURIER
Xf
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:
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
xt dt
2
Px lim
xt
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
xt
2
Px dt
T T 4 2 n1
2
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
41
TRANSFORMEE DE FOURIER
sin(w / 2)
X(w) A.
w / 2
Regraduons en f
X ( f ) TFxt x(t ) exp( j 2 f t )dt, t R, f R
x(t ) TF 1X f X ( f ) exp(j 2 f t )df , t R, f R
La TF, comme toutes les transformations linéaires, est réversible. Autrement dit :
Arg(X(w))
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
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)
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)
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)
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)
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)
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 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
60
ECHANTILLONNAGE
61
ECHANTILLONNAGE
62
ECHANTILLONNAGE
ECHANTILLONNAGE THEORIQUE
xt
xt xpt
t
p t
nT
n
x0
xT x2T
-3T -2T -T 0 T 2T 3T 4T t
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.
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
X p ( f ) X ( f ) * P( f )
s 2M
67
ECHANTILLONNAGE
THEOREME DE L’ECHANTILLONNAGE
Théorème:
Soit un signal xt supposé à bande limitée f
X0
,ff
M
68
ECHANTILLONNAGE
H f
t
p t
nT T
n
xpt xr t fc 0 fc f
xt H f
f M fc fe f M
69
ECHANTILLONNAGE
xpt xr t fc 0 fc f
xt 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 c2 f t
n
c c
x (t ) 2 f cT x(nT ) sin c2 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
x
*
= =
xp(t) Xp(f)
73
ECHANTILLONNAGE
x
*
= =
xp(t) Xp(f)
74
ECHANTILLONNAGE
x
*
= =
xp(t) Xp(f)
75
ECHANTILLONNAGE
x
*
= =
xp(t) Xp(f)
76
ECHANTILLONNAGE
Erreur de Reconstruction
Signal Original
x
*
= =
xp(t) Xp(f)
78
ECHANTILLONNAGE
Erreur de Reconstruction
Signal Original
Reconstruction du Triangle
79
ECHANTILLONNAGE
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
ECHANTILLONNAGE NATUREL
t
p t
P n
T H f
n
T
xpt xr t fc fc f
0
xt 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
x t
x0
x p t xT x2T
-3T -2T -T 0 T 2T 3T 4T t
85
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR
t
p t
nT
1 h0t
n
xpt x0t
xt
0 T t
j 2f T 2 2 sin(2fT 2)
Ho ( f ) e
2 f
86
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR
Filtre de
pt tnT Reconstruction
n
xpt x0t
xt h0t hr t xr t
Bloqueur d’ordre
zéro
t
p t
nT xr t xt
n
xpt xt
xt LPF
e j 2f T 2 H ( j 2f )
Hr ( f )
f
Mf
ef
ff
M
2 sin(2fT 2)
2f
87
ECHANTILLONNAGE
e j 2f T 2 H ( f )
H r ( j )
2 sin( 2fT 2)
2f
88
ECHANTILLONNAGE
§7.2 Reconstruction
Band-limited interpolation
t
p t
nT H f
n
T
xpt xr t fc fc f
0
xt H f
f M fc fe f M
T sin(2f c t )
xr ( t ) x p ( t ) * h ( t ) h(t )
t
x(nT ) (t nT )* h(t )
n
T sin[2f 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
xpt x0t
xt h0t 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 2f T 2 2 sin(2fT 2)
Ho ( f ) e H( f )
2f
j 2f T 2
e H( f ) Filtre bloqueur
Hr ( f )
2 sin( 2fT 2) d’ordre zéro
2f 92
ECHANTILLONNAGE
ECHANTILLONNAGE AVEC BLOQUEUR
93
LA TRANSFORMEE DE FOURIER DISCRETE
TFD
94
TRANSFORMEES DISCRETES LINEAIRES
TF 1D : Continue
F u f x exp 2jxu real(g(x imag(g(x
)) ))
=0
x : variable continue du domaine direct
u : variable continue du domaine transformé
1 N 1
2jxu
f ( x)
N
u 0
F (u ) exp
N
x 0,1,..., N 1
• { f(x) } { F(u) }
u, x = 0, 1, …, N-1
WN = exp{ - j2 / N }
N 1
F (u )
x0
f ( x ) W N
ux
f (x) 1 N 1
N
u0
F (u ) W N
ux
TRANSFORMEE DE FOURIER DISCRETE (TFD)
F W . f
N=8
W Matrice noyau N×N
Contient les valeurs de W u , x exp 2jxu
N
u=7
f W .F TFD
1*inverse
matricielle n n
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
FFT
102
LA FFT
• Quelques dates:
– ~1880 – premier algorithme décrit by Gauss
– 1965 – algorithme redécouvert par Cooley and Tukey
103
LA FFT
104
LA FFT
Algorithme de Cooley-Tukey
• Soit la TFD pour un nombre de points N, puissance de 2,
Algorithme de Cooley-Tukey
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
n0
rk
N/2
k
W
N x[2r 1]W
n0
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
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
111
LA FFT
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
115
LA FFT
116
LA FFT
117
LA FFT
118
LA FFT
119
LA FFT
120
L'algorithme FFT de décimation en fréquence
(DIF)
121
LA FFT
122
LA FFT
123
LA FFT
124