Beruflich Dokumente
Kultur Dokumente
X( f )e
j 2ft
df
Pour calculer la valeur d'un coefficient de Fourier la frquence f, on multiplie le signal x(t) par une
exponentiel de frquence f et on intgre sur tout le temps.
X(f )
x(t ) e
j 2ft
dt
Comme l'information fournie par l'intgrale correspond toutes les instances de temps, la transforme
de Fourier permet de dire en quelles quantits les frquences existent mais elle ne dit pas quels
instants ces frquences sont prsentes.
Cette analyse convient pour les signaux stationnaires o chaque composante de frquence existe
tout instant, mais ne convient pas aux signaux non stationnaires.
Exemple 1:
Soit le signal A=cos(2*pi*7*t)+cos(2*pi*15*t)+cos(2*pi*2*t) constitu de la somme de trois
sinusodes, et le signal B=[3*cos(2*pi*7*t1) 3*cos(2*pi*15*t2) 3*cos(2*pi*2*t3)], constitu de la
suite de ces trois sinusodes (cf Figure 1).
On constate que A, stationnaire, possde la mme transforme de Fourier que le signal B non
stationnaire bien que leurs allures temporelles soient totalement diffrentes. De plus, en regardant
uniquement le spectre de B, on ne peut dire dans quel l'ordre ont t places les trois sinusodes.
Figure 1: La tr de Fourier du signal A stationnaire est identique la tr de Fourier du signal B non stationnaire
Ds lors, si l'on veut une localisation temporelle des composantes spectrales, on a besoin d'une autre
transformation qui permette de donner une reprsentation temps - frquences du signal. C'est le cas de
la transforme de Fourier court terme (STFT: Short Time Fourier Transform).
o w(t) est la fentre de largeur T et centre en qui permet d'extraire une portion de signal
w* dnote le complexe conjugu de w
Le rsultat obtenu correspond donc une reprsentation temps-frquence du signal.
Exemple 2:
Soient deux signaux A et B constitus de sinusodes se succdant dans un ordre diffrent (Figure 2).
Leurs TF sont identiques mais leur STFT (calcules sur des fentres de 0.50 sec) permettent de les
distinguer puisqu'elles mettent en vidence les frquences dominantes relatives chaque priode de
tps.
Figure 2: Comparaison des STFT de signaux constitus des mmes sinusodes mais qui se suivent dans un ordre diffrent
Problme:
En fentrant le signal, on multiplie en fait le signal par une fentre rectangulaire (ou de
hamming, etc.). Ceci correspond dans le domaine frquentiel effectuer un produit de
convolution de leur transforme de Fourrier. Ainsi, pour une sinusode, nous obtenons:
On constate ds lors bien, la perte de rsolution dans le domaine frquentiel puisque "le pic s'est
largit". De ce fait, nous ne savons plus exactement quelles composantes de frquence existe
dans le signal, mais plutt quelles sont les bandes de frquence qui existent.
Si nous comparons la STFT la TF, nous pouvons dire que cette perte de rsolution est due au
fait que les fonction ejwt ne sont plus multiplies et intgres de + mais de T/2 T/2.
Pour obtenir une rsolution frquentielle parfaite, il nous faudrait une fentre de longueur
infinie, mais alors, nous aurions le mme problme qu'au dpart au sujet de la stationnarit du
signal.
Ce problme est en fait li au principe d'incertitude d'Heisenberg exprimant que les rsolutions en
temps et en frquence ne peuvent tre arbitrairement petites en mme temps car:
t
1
t f
4
t w(t ) dt
w(t ) dt
f W ( f ) df
W ( f ) df
2
avec
Donc,
La fentre ne doit pas tre trop grande pour que le signal fentr soit stationnaire et que la
rsolution temporelle soit correcte
Mais elle ne doit pas tre trop petite non plus pour que les lobes correspondant la TF de la
fentre ne soient pas trop larges et pour que la rsolution frquentielle soit correcte.
Exemple 3:
Pour un signal A constitu de 4 sinusodes
A=[sin(2*pi*70*t1) sin(2*pi*50*t2) sin(2*pi*30*t3) sin(2*pi*10*t4)]
On obtient:
Il y a l un rel problme car chaque personne dsirant utiliser la STFT doit choisir une et une seule
fentre qui sera utilise tout au long de l'analyse.
1
s
t
dt
s
x (t ) *
t
Figure 5: Exemple de fonction avec des principalement des basses frquences accompagne de hautes frquences ne
durant qu'un court instant.
STFTxw ( , f )
CWT
*
j 2ft
x(t ) w (t ) e dt
t
ou
STFT xw ( , f ) x(t ) w*, f (t ) dt
t
j 2ft
Avec w , f (t ) w(t ) e
j 2ft
Fonction de base= w , f (t ) w(t ) e
f1
f2> f1
f3> f2
1
s
t
dt
s
x(t ) *
t
ou
CWT ( , s ) x (t ) *,s (t ) dt
Avec , s (t )
1
s
Fonction de base= , s (t )
s1
s2< s1
s3< s2
Frequence
Frequence
CWTx ( , s )
Temps
Temps
L'ondelette mre utilise pour l'analyse en ondelettes est celle de Daubechies d'ordre 4 (nous la verrons
plus en dtails au chapitre10). Les rsultats sont les suivants:
On constate bien que plus la frquence est importante (petit scale - dbut du signal), plus la rsolution
temporelle est leve (bonne localisation) et plus la rsolution frquentielle est faible (cd une
rsolution en chelle leve).
Exemple 5:
Si l'on reprend le signal de la figure 5 et qu'on l'analyse avec une ondelette mre de type Mexican Hat,
on obtient:
( )
et donc que
(t )dt 0
Or (t ) est une fonction largeur temporelle finie (fentre temporelle). Ds lors, il faut
obligatoirement que (t ) soit une fonction oscillante, d'o le nom d'ondelette.
Alors, la transforme en ondelettes inverse s'exprime comme suit:
x(t ) c CWT ( , s )
s
avec
1
t
2
s
s
d ds
( )
(t ) dt 0
k { 0, 1, , p 1}
F t k (t) t k (t) e jt dt
vaut zro en =0 k { 0, 1, , p 1} .
Or
d k ( ) d k (t )e jt dt
d k e jt
(
t
)
dt
k
d
d k
d k
d k 1 jt e jt
k
(t )
dt (t ) jt e jt dt
k 1
d
1 k jt 1 k
k (t) t e dt k F t (t)
j
j
o ( ) est la transforme de fourier de (t )
(t )dt 0
Il existe un lien entre la rgularit d'un signal x(t) et les moments nuls d'une ondelettes. En effet,
supposons que (t ) soit relle.
Considrons le dveloppement en sries de Taylor de la fonction x(t) autour de t=0 et calculons alors sa
transforme en ondelette. Par facilit, nous allons poser =0. On a:
CWT (0, s )
CWT (0, s )
t Taylor 1
dt
s
s
x(t )
s
1
i 0
(i )
x (0)
t i 0
(t 0) i t
dt ( p 1)
i!
s
x (i ) (0)
t
t i dt ( p 1)
i!
s
t
x (i ) (0)
( s t ) i t s dt ( p 1)
s i 0 i !
t t / s
s
1
i 0
x ( i ) (0) i 1 i
s t t dt ( p 1)
i!
t
x(0) M 0 s
x (1) (0)
x ( 2 ) (0)
x ( p ) (0)
M1 s2
M 2 s3
M p s p 1 ( s p 2 )
1!
2!
p!
Dans ce cas, chantillonner le plan temps-frquence de manire uniforme est la premire chose qui
nous vient l'esprit. Pourtant en ce qui concerne la transforme en ondelette, l'organisation du plan
temps-chelle (comme illustr dans le tableau comparatif entre la CWT et la STFT) nous conforte
utilis une discrtisation exponentielle des chelles et du temps. La base d'ondelettes utilises pour
calculer les coefficients d'ondelettes ne sera donc plus:
1
, s (t )
Mais bien:
j ,ks (t )
1
s 0j
t k 0 s 0j
s 0j
s 0j
s 0 j t k 0 avec
j { 0, 1, 2, 3, }
k { 0, 1, 2, 3, }
Dans cette expression, s0 >1 est un pas de dilatation fix et le pas de translation= 0 s0j est dpendant
du pas de dilatation.
Le rsultat de cette discrtisation correspond une srie de coefficients d'ondelettes, c'est pourquoi on
parlera de dcomposition en sries d'ondelettes.
En pratique, on utilise souvent les paramtres s 0 2 et 0 1 . On parle alors de transforme en
ondelettes dyadique. Ce choix est trs naturel compte tenu de l'oreille humaine, de la musique et des
ordinateurs que l'on utilise actuellement. La grille d'chantillonnage dyadique est illustre la Figure 8.
log s
5. Frames
Lorsque l'on discrtise la transforme en ondelette, une question importante se pose en ce qui concerne
la reconstruction du signal. Est-il possible de reconstruire parfaitement le signal x(t) partir de sa
dcomposition en sries d'ondelettes?
Et bien, il a t montr dans [Dau92] que la condition ncessaire et suffisante pour que la
reconstruction du signal soit stable est que l'nergie des coefficients d'ondelettes soit bornes de deux
nombre positifs finis indpendant de x(t):
A x
x,
2
j ,k
B x
j ,k
avec
l'energie de x(t).
j ,k
1
si
t
si
x(t ) *
t
dt x( ) s ( )
*
avec s ( ) s ( s )
i
i
i
Ainsi, pour une valeur fixe l'chelle si, la fonction CWT x ( ) peut tre considre comme le passage
du signal x(t) au travers d'un filtre si ( ) qui est simplement une version mise l'chelle et retourne
de l'ondelette mre (t ) .
1
X
a
a
1
si
1
1
si
* ( s i )
s i * ( s i )
ondelette relle
si (si )
Ainsi si l'on value les fonctions CWT x ( ) pour un ensemble discret d'chelles comme les valeurs
dyadique s=2j, on obtient un ensemble de filtres passes bandes dont les largeurs de bande diminue d'un
facteur 2 chaque fois et dont les positions dpendent de l'chelle.
Par exemple,
Pour j=0
Pour j=1
Pour j=2
S=1
S=2
S=4
frq d'analyse = fa
frq d'analyse =fa / 2
frq d'analyse =fa / 4
j=3
j=2
j=1
fa/8
fa/4
fa/2
j=0
fa
Si nous regardons le rapport entre la frquence centrale du spectre de l'ondelette et sa largeur de bande,
nous constatons que ce celui-ci est gal une constante Q. C'est la raison pour laquelle l'ensemble de
ces filtres obtenus est appel banc de filtre de constante Q.
Pour obtenir une bonne couverture frquentielle, les spectres doivent se toucher. Ceci est possible pour
un choix convenable d'ondelette. Le bancs de filtre obtenus pour un nombre limit d'chelles (j<J) peut
alors tre vu comme un filtre passe bande.
Ds lors, si nous vouons que la transforme en ondelettes reste de qualit avec un nombre limit
d'chelles (j<J), il faut que ce banc de filtre recouvre le spectre fini de notre signal analyser. Or, il est
impossible d'atteindre la frquence =0 avec un nombre fini d'chelles. C'est pourquoi on a introduit la
notion de filtre d'chelle.
11. Rfrences
Papiers et Livres:
[Abr97] Abry, P. (1997), Ondelettes et turbulence. Multirsolutions, algorithmes de dcomposition,
invariance d'chelles, Diderot Editeur, Paris.
[Mal99] S. Mallat. A wavelet tour of signal processing. 2nd ed., Academic Press, 1999
[Dau92] I. Daubechies. Ten lectures on wavelets. 2nd ed., Philadelphia: SIAM, 1992.
[She96] Y. Sheng. The transforms and applications handbook. P747-827, A D Poularikas, CRC Press,
1996.
Sites Internet: