Support Traitement Numerique Signal

ECOLE SUPERIEURE DES TECHNIQUES AVANCEES (ESTA)
Filière : Réseaux Informatiques et Télécommunications

Classe: M1-RIT
Support de cours
Traitement Numérique du Signal
Dramane BONKOUNGOU
Reproduction interdite
© 2015 D. Bonkoungou dbonkoungou@ate-online.com

Sommaire
0. Programme..................................................................................................................................... 1
1. Analyse spectrale numérique........................................................................................................ 2
1.1. La décomposition en série de Fourier à l’aide de la FFT....................................................... 2
1.1.1. Représentation fréquentielle d’un signal périodique à l’aide de la série de Fourier....... 2
1.1.2. Détermination de la série complexe de Fourier à l’aide de la FFT ................................... 8
1.1.3. L’effet leakage ou étalement spectral ................................................................................ 10
1.2. La transformation de Fourier à l’aide de la FFT ................................................................. 15
1.2.1. Analyse spectrale du signal non périodique à l’aide de la transformation de Fourier . 15
1.2.2. Détermination de la transformation de Fourier à l’aide de la FFT ................................ 18
© 2015 D. Bonkoungou dbonkoungou@ate-online.com

0. Programme
Objectifs:
Maitriser l’analyse spectrale numérique et être capable de concevoir et d’analyser les

filtres numériques pour comprendre le fonctionnement des composants de base des
systèmes de traitement numérique du signal.
Volume horaire: 40h
Connaissances requises pour suivre le cours:
• Cours de traitement du signal et de transmissions des classes DTS et LP

• Connaissances en mathématiques: trigonométrie, nombres complexes, suites et séries,
dérivation, intégration, étude des fonctions, calcul de probabilités, vecteurs, matrices.
• Connaissances en électronique analogique et numérique.
Contenu :
1. Analyse spectrale numérique
• Rappels sur la décomposition en série de Fourier.

• La décomposition en série de Fourier à l’aide de la FFT (Fast Fourier Transformation).
• Rappels sur la transformation de Fourier.
• La transformation de Fourier à l’aide de la FFT.
2. Les filtres numériques
• Rappels sur les systèmes numériques: équation aux différences, Transformation en Z,

fonction de transfert, réponse fréquentielle, réponse impulsionnelle.
• Filtres récursifs (filtres IIR): conception, avantages, inconvénients, exemples
• Filtres non récursifs (filtres FIR) : conception, avantages, inconvénients, exemples
3. Travaux Pratiques avec MATLAB/SIMULINK

• Analyse spectrale numérique
• Filtres numériques
© 2015 D. Bonkoungou dbonkoungou@ate-online.com 1

1. Analyse spectrale numérique
1.1. La décomposition en série de Fourier à l’aide de la FFT
1.1.1. Représentation fréquentielle d’un signal périodique à l’aide de la série de

Fourier
Le physicien français Jean Baptiste Fourier a été le premier à montrer qu’une fonction
périodique peut être décomposée en une somme de fonctions sinusoïdales. C’est pourquoi
cette décomposition porte le nom de série de Fourier. Et si on représente le signal (par
exemple la tension ou le courant) comme une fonction du temps, on peut ainsi affirmer qu’un
signal périodique peut être décomposé en une somme de signaux sinusoïdaux.
Illustration de la décomposition en série de Fourier d’un signal périodique
• Signal périodique à décomposer en série de Fourier
• Représentation des composantes sinusoïdales du signal périodique décomposé
s
mp
Te
ps
Te m
ps
Tem
Fr é q
uenc
e
La représentation des amplitudes des composantes sinusoïdales en fonction de leur fréquence

porte le nom de spectre d’amplitude. La représentation des phases (à zéro) des composantes
sinusoïdales en fonction de leur fréquence porte le nom de spectre de phase.

• Représentation du spectre (unilatéral) d’amplitude
Fréquence
Définition de la série de Fourier
Un signal analogique périodique de période T0 peut être décomposé en une somme infinie de
composantes sinusoïdales (forme cosinus et sinus):
= + cos 2 + sin 2 1.1

2
f0 = 1/T0 est la fréquence de la composante fondamentale (ou harmonique fondamentale). f0

est aussi appelée fréquence fondamentale. Les coefficients ak et bk qui peuvent être positifs ou
négatifs déterminent les parts de composantes cosinus et sinus et sont donnés par:
&'
2
= cos 2 = 0,1,2,3, … , ∞
(1.2)
&'
2
= sin 2 = 1,2,3, … , ∞
En appliquant la formule trigonométrique suivante à (1.1)
−
() + )*+ = , - + - cos . + / + 0 23
On obtient la série de Fourier en cosinus:
=4 + 4 cos 2 +5 1.3
Avec:
−
4 = ; 4 =7 -
+ -
; 5 = / +0 2; = 1,2,3, … , ∞ 1.4
2

Les Ak (toujours positifs) sont les amplitudes des composantes sinusoïdales de x(t) et
représentent le spectre unilatéral d’amplitude de x(t) :
A0 qui représente la valeur moyenne ou la composante continue du signal périodique peut

avoir une valeur positive ou négative et a une phase à zéro égale à 0 (pour A0 positif) ou à –π
ou π (pour A0 négatif).
Les αk sont les phases à zéro des composantes sinusoïdales de x(t) et représentent le spectre
unilatéral de phase de x(t) :
En appliquant la relation de Euler suivante à (1.3)
9:
+ ;9:
() =
2
On obtient la série de Fourier complexe:
C
= < e>-?@A' B 1.5

;
Les coefficients complexes X(k) sont donnés par:

&'
1
< = e;>-?@A' B dt 1.6

Pour des signaux réels, la condition suivante doit être satisfaite:
< = <∗ − ; ∗ = (IJK (+LMNMé
|X(k)| représente le spectre bilatéral d’amplitude et est une fonction paire.
φ(k) = arg(X(k)) représente le spectre bilatéral de phase et est une fonction impaire car les
coefficients complexes avec un index négatif sont les complexes conjugués des coefficients
complexes avec un index positif.
φ(k)
φ(3)
φ(-2) φ(1) φ(4)
φ(-5)
φ(6)
... -6f0 -4f0 -3f0 -f0 ...
2f0 5f0
0
-5f0 -2f0 f0 3f0 4f0 6f0 f = kf0
φ(-6)
φ(5)
φ(-4)
φ(-1) φ(2)
φ(-3)
Les coefficients complexes sont plus faciles à déterminer car la manipulation des fonctions
exponentielles est plus simple que la manipulation des fonctions trigonométriques
Le spectre unilatéral peut être déterminé à partir du spectre bilatéral à l’aide des relations
suivantes:
4 = |< 0| ; 4 = 2|< | 5 = Q J(M/ = 1, 2, 3, … 1.7
En pratique on travaille généralement avec le spectre de puissance qui représente la

distribution de la puissance du signal sur les différentes composantes fréquentielles.
Pour les signaux périodiques on représente les puissances moyennes ou les valeurs efficaces
des composantes fréquentielles.

Sachant que la puissance moyenne Pm d’un signal périodique de période T0 est donnée par:
&'
1
ST = -
= <UVV
-
Si le signal x(t) est une tension ou un courant, Pm est la puissance dans une résistance de 1Ω.
On peut calculer la puissance moyenne de chaque composante fréquentielle k notée Pmk à

travers:
&'
1 4-
ST = 4- cos - 2 +5 = J(M/ = 1,2,3, … 1.8
2
La valeur efficace de chaque composante fréquentielle k notée Xkeff est:
4
< UVV = 1.9
√2
Pour faciliter la représentation d’un grand intervalle de valeurs, on utilise une représentation
logarithmique en dB:
ST 4
ST Z = 10K(N [ ] = 20K(N [ ] 1.10
S\UV 4\UV
En Télécommunications, on choisit généralement une puissance de référence Pref = 1 mW. On

choisit aussi souvent la plus grande puissance moyenne comme puissance de référence.
Phénomène de Gibbs
A travers la série de Fourier, un signal périodique peut être décomposé en un nombre infini de
composantes sinusoïdales (ou harmoniques). En pratique la série de Fourier c.à.d. la somme
des harmoniques doit être limité à un nombre de harmoniques. A cause de cette limitation,
quelle est la différence entre le signal reconstitué à partir des harmoniques et le signal
original ? Cette différence est plus grande pour des signaux contenant des discontinuités ( ou
sauts).
Exemple: Reconstruction (synthèse) d’un signal rectangulaire périodique à partir d’un

nombre limité de harmoniques (avec MATLAB):

On remarque que la qualité de la reconstruction augmente avec le nombre d’harmoniques.

Aux instants de discontinuités (ou sauts), le signal reconstitué est égal à la valeur moyenne
des valeurs avant et après le saut (dans ce cas 0). Les ondulations d’environ 9% autour des
instants de saut existent dans tous les cas et resterons toujours visibles même si le nombre de
harmoniques tend vers l’infini. Cette caractéristique a été découverte par Josiah Willard Gibbs
(1839-1903) et est appelée Phénomène de Gibbs.
Pour un signal où l’amplitude des harmoniques décroit rapidement avec l’ordre des
harmoniques comme par exemple le signal triangulaire périodique, la reconstruction avec un
nombre limité d’harmoniques et une plus petite erreur est possible.

Exercice: Ecrire un programme MATLAB pour la reconstruction d’un signal triangulaire

périodique à partir d’un nombre n fixable d’harmoniques. Utiliser la décomposition en série
de Fourier qu’on peut trouver dans un document approprié.
1.1.2. Détermination de la série complexe de Fourier à l’aide de la FFT
L’idée ici est d’utiliser l’intégration numérique pour calculer approximativement mais plus
simplement les coefficients complexes de Fourier d’un signal périodique x(t) de période T0
selon (1.6) :
&'
1
< = e;>-?@A' B dt
On suppose qu’on dispose de N échantillons du signal x(t) pendant une période T0 qui est
l’intervalle d’analyse (ou la durée d’enregistrement des échantillons).
Ainsi l’écart de temps entre deux échantillons successifs qui est la période d’échantillon est
Te = T0/N. La fréquence d’échantillonnage correspondante est fe = 1/Te.
Les N échantillons d’une période forment le signal ou la séquence à temps discret x(nTe) avec
n = 0, 1, 2, …, N-1.
En remplaçant l’intégral dans (1.6) par une somme puisque x(t) est maintenant disponible
sous forme discrète, on obtient approximativement les coefficients complexes de Fourier:
^;
1 ;>-?@ a`b
< = + U e `' ⋅ Te
_
^;
1 a
< = + e;>-?@g avec k = −∞, … , −2, −1,0,1,2, … , +∞ 1.11
f U
_
(1.11) est une approximation de (1.6) car on a considéré un nombre fini N de valeurs de x(n)
puisque la durée du calcul numérique doit être limitée. La conséquence de cette limitation sera
analysée dans 1.1.3.
Lorsqu’on calcule les coefficients X(k) selon (1.11) avec par exemple Matlab, on remarque
que les coefficients se répètent avec la période N. Et si on ne tient pas compte du facteur 1/N
et avec x(nTe) = x(n) on obtient:
^;
a
<k = + e;>-?@g avec k = 0, 1, 2, … , N − 1 1.12
_
(1.12) est la DFT (Discrete Fourier Transformation) c.à.d. la transformation de Fourier

discrète (TFD) du signal x(n).

Le calcul de la DFT définie dans (1.12) nécessite N2 multiplications, N(N-1) additions et N2

valeurs de sinus et cosinus. Ce qui pour par exemple N = 1000 échantillons de x(n) nécessite
1000 0000 multiplications, 999 000 additions et 1000 000 valeurs de sinus et cosinus.
Ainsi la DFT nécessite un temps de calcul très long ; c’est pourquoi Cooley et Tukey ont mis
au point en 1965 un algorithme rapide de calcul de la DFT appelé FFT (Fast Fourier
Transformation) ou transformation de Fourier rapide qui permet l’analyse spectrale
numérique de signaux de longue durée en des temps raisonnablement courts.
L’algorithme de la FFT utilise le fait que l’opération de la DFT peut être décomposée en une
DFT de séquences de plus en plus courtes. Il en découle alors que le nombre total
d’opérations est bien inferieur à celui imposé par la simple application de la DFT selon (1.12).
Cependant l’utilisation de la FFT exige que le nombre d’échantillons N soit une puissance de
2.
Ainsi par exemple le nombre de multiplications qui valait N2 par simple application de la DFT
selon (1.12) devient Nlog2N avec la FFT :
Exemple: N = 1024 =210.
• Nombre de multiplications nécessaires si l’on utilise la DFT: N2 = 1 048 576.

• Nombre de multiplications nécessaires si l’on utilise la FFT: Nlog2N = 10 240
Ainsi on remarque la FFT demande environ cent fois moins de temps pour effectuer les
opérations de multiplications que la DFT.
Remarque: La FFT n’est pas une nouvelle transformation mais seulement une méthode
rapide qui permet d’obtenir les mêmes résultats que ceux fournis par la DFT.
Pour plus d’informations détaillées sur les différents algorithmes de la FFT, voir la
bibliographie suivante:
• Cooley J.W. ; Tukey J.W: An algorithm for the machine calculation of complex
Fourier series. Mathematics of computation, Vol. 19, April 1965.
• Burrus C. S. ; Park T.W: DFT/FFT and convolution algorithms. Jonh Wiley & Sons,
New York, 1985.
En comparant (1.12) avec (1.11) on obtient approximativement les coefficients complexes de

Fourier (c.à.d. le spectre bilatéral) < à partir de la DFT (ou de la FFT) <k selon:
<k
< = k = 0, 1, 2, … , N − 1 1.13
f
L’abscisse de la représentation graphique du spectre bilatéral X(k) représente les fréquences

des harmoniques et sont données par:
= = = = = 0, 1, 2, … , f − 1 1.14
f U f U

Il existe pratiquement dans beaucoup de langage de programmation comme Fortran, Pascal, C

des programmes pour le calcul de la FFT. Pour des applications qui doivent être implémentées
sur des DSP (Digital Signal Processor) et qui nécessitent l’utilisation de la FFT, il existe des
programmes en Assembler pour le calcul de la FFT qui sont offerts par les fabricants de DSP.
On peut calculer la FFT avec MATLAB en utilisant la fonction fft.
Remarque:
On montre que:
•
f f
Pour un nombre d’échantillons N pair, on a:
<k = <k∗ f − = 1, 2, … , −1 <k 0 2 ) /é K 1.15
2 2
•
f−1
Pour un nombre d’échantillons N impair, on a:
<k = <k∗ f − = 1, 2, … , 1.16
2
A partir de la DFT (ou de la FFT) on peut retrouver le signal temporel (ou la séquence) x(n) à
travers la DFT inverse définie par :
^;
1 a
+ = <k e>-?@g avec n = 0, 1, 2, … , N − 1 1.17
f
Pour le calcul de la DFT inverse dans MATLAB, on peut utiliser la fonction ifft.
1.1.3. L’effet leakage ou étalement spectral
Nous avons vu dans 1.1.2 qu’il fallait considérer un nombre fini N de valeurs du signal
périodique x(n) à analyser à travers l’échantillonnage (puisque le calcul numérique doit être
limité dans le temps). Cette limitation correspond à une opération de troncation de x(n) et
consiste mathématiquement à multiplier le signal x(n) par un signal fenêtre w(n) appelée
fenêtre d’observation.
La limitation ou le fenêtrage de x(n) a pour conséquence un étalement spectral appelé effet

leakage. L’effet leakage peut être évité si l’intervalle d’analyse (ou la durée d’enregistrement
des échantillons) est un multiple de la période du signal périodique càd :
f U =I I ∈ ℕ∗ 1.18

Etude de l’effet leakage (étalement spectral) à travers la FFT d’un signal sinusoïdal
avec Matlab:
Considérons deux signaux sinusoïdaux échantillonnés avec une fréquence d’échantillonnage

fe = 800 Hz:
• Un signal sinusoïdal de fréquence f1 = 130 Hz avec m = 6,5 c.à.d. que l’intervalle

d’analyse est égale à 6,5 fois la période. Ce qui nécessite 40 échantillons.
• Un signal sinusoïdal de fréquence f2 = 200 Hz avec m = 10 c.à.d. que l’intervalle

d’analyse est égale à 10 fois la période. Ce qui nécessite 40 échantillons.
Représentation temporelle
Signal avec f1 = 130 Hz (fe = 800 Hz)

20
10
-10
-20
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps en s
Signal avec f2 = 200 Hz (fe = 800 Hz)
5
-5
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps in s

Spectre d’amplitude (avec représentation de l’enveloppe continue)
DFT comme fonction continue et discrete (Extrait)

8
Module(DFT/N)
0
0 50 100 150 200 250 300 350 400
Frequence en Hz; (f1 = 130 Hz; fs = 800 Hz; m1 = 6.5)
3
Module(DFT/N)
0
0 50 100 150 200 250 300 350 400
Frequence en Hz; (f2 = 200 Hz; fs = 800 Hz; m2 = 10)
On observe clairement l’effet leakage qui correspond à un étalement spectral pour m= 6,5).
Pour m = 10, on observe comme prévu la présence d’une seule raie à 200 Hz entre 0 et fe/2
qui s’explique par le fait qu’en dehors de la vraie harmonique toutes les autres harmoniques
sont tombées sur les points d’annulation de l’enveloppe continue.

Représentation du spectre d’amplitude
Spectre damplitude du Signal xd1 (f1 = 130Hz)

Module(DFT/N) 6
0
0 50 100 150 200 250 300 350 400
Frequence en Hz
Spectre damplitude du Signal xd2 (f2 = 200Hz)
3
Module(DFT/N)
0
0 50 100 150 200 250 300 350 400
Frequence en Hz
Pour atténuer l’effet leakage on utilise des fenêtres spéciales. Ainsi les valeurs des
échantillons de l’intervalle d’analyse sont multipliées par des coefficients qui correspondent
aux valeurs du signal fenêtre.
Les fenêtres les plus connus sont implémentées dans MATLAB et se trouvent dans le Toolbox
Signal Processing.
Par exemple avec la commande plot(barlett(128)) ; on obtient la représentation
graphique des valeurs de la fenêtre de Barlett pour un intervalle d’analyse 128 valeurs. De
manière similaire on peut représenter les fenêtres de Hamming, Hanning, Kaiser et la fenêtre
triangulaire. La fenêtre rectangulaire (boxcar) correspond à une multiplication par 1 avec le
plus grand effet leakage.
L’effet leakage est beaucoup plus visible lorsqu’on représente les spectres de puissance de
manière logarithmique en dB. De nombreux analyseurs de spectre numériques permettent à
l’utilisateur de choisir le type de fenêtre.

Exemple d’utilisation de la fenêtre de Hanning pour le signal sinusoïdal avec m = 6,5:
Représentation du signal sinusoïdal multiplié par la fenêtre de Hanning et du spectre

d’amplitude:
xd1*hanning-Fenetre (f1 = 130 Hz; fs = 800 Hz)

20
10
-10
-20
0 0.005 0.01 0.0150.02 0.025 0.03 0.035 0.04 0.045 0.05
Temps en s
Spectre damplitude de xd1*hanning-Fenetre (f1 = 130Hz)
4
Module(DFT/N)
0
0 50 100 150 200 250 300 350 400
Frequence en Hz

1.2. La transformation de Fourier à l’aide de la FFT
1.2.1. Analyse spectrale du signal non périodique à l’aide de la transformation

de Fourier
Nous avons vu dans 1.1.1 que la série de Fourier permet de décomposer un signal périodique
en une somme de signaux sinusoïdaux. Et cette décomposition permet la représentation
fréquentielle (ou spectrale) du signal sinusoïdal.
La question qu’on peut se poser maintenant est la suivante:
Une représentation fréquentielle d’un signal non périodique est-elle possible ?
La réponse est oui et l’outil est la transformation de Fourier (TF).
Un signal périodique de période T0 peut être transformé en un signal non périodique en faisant
tendre la période T0 vers l’infini. Nous avons vu que le spectre d’un signal périodique est une
fonction discrète et l’écart entre les raies c.à.d. les composantes spectrales (harmoniques)
est f0 = 1/T0.
Lorsqu’on génère un signal non périodique à partir d’un signal périodique de période T0 en
faisant T0 → ∞, les raies se rapprochent si bien que la variable discrète kf0 → f et devient une
variable continue. Malheureusement les coefficients complexes de Fourier définis par
&0
2
<
1
= ( ) e−j2πkf0t dt avec k = 0, ±1, ±2, ±3, … (1.19)
&
0
− 0
2
deviennent de plus en plus petits lorsque T0 augmente. Cependant le produit T0X(k)

&'
-
< = e;>-?@A' B dt avec k = 0, ±1, ±2, ±3, … 1.20

&
; '
-
reste limité et sa limite lorsque T0 → ∞, est appelé transformation de Fourier du signal non
périodique obtenu et est donnée par:
C
lim < =< = e;>-?AB dt avec − ∞ < < +∞ 1.21

&' →
;
(1.21) montre que le spectre d’un signal non périodique est une fonction continue.
Le signal x(t) peut être déterminé à partir du spectre X(f) à l’aide de la transformation inverse
de Fourier donnée par:
C
= < e>-?AB df 1.22

;

Illustration de la détermination du spectre d’un signal non périodique à partir du

spectre d’un signal périodique:
Considérons un signal rectangulaire périodique qui devient un signal rectangulaire non

périodique lorsque la période T0 → ∞.
-u vwa x V' -u -u
Spectre du signal périodique: < = ⋅ = )* 2y 1.23
&' x V' -u &'
Représentation du spectre d’amplitude pour T0 = 2 ; 5 et 10 (avec τ = 0,5) :
Spectre damplitude pour T = 2 ;5 ;10 ; et tau = 0.5

1
|X(k)|
0.5
0
-40 -30 -20 -10 0 10 20 30 40
i*w0 rad/s
1
|X(k)|
0.5
0
-40 -30 -20 -10 0 10 20 30 40
i*w0 rad/s
1
|X(k)|
0.5
0
-40 -30 -20 -10 0 10 20 30 40
i*w0 rad/s
On remarque un rapprochement des raies avec l’augmentation de la période T0.

Représentation du spectre d’amplitude pour T0 → ∞
lim < =< = 2y)* 2y 1.24

&' →
Transformation de Fourier (2*tau*sinc(w*tau)

1
|X(w)|
0.5
0
-40 -30 -20 -10 0 10 20 30 40
w rad/s
Lorsque T0 → ∞ le spectre d’amplitude devient continu.

1.2.2. Détermination de la transformation de Fourier à l’aide de la FFT
Comme pour les signaux périodiques la DFT (ou la FFT) sera utilisée comme méthode
numérique pour déterminer la transformation de Fourier des signaux non périodiques.
L’intégrale de définition de la transformation de Fourier
C
< = e;>-?AB dt 1.25

;
est estimée à travers la somme suivante:

^;
<z = + U e;>-?Aa`b ⋅ Te 1.26

_
On a supposé ici que le signal non périodique x(t) est défini seulement pour > 0 et on
dispose de N échantillons de x(t) échantillonné avec la période d’échantillonnage Te. Ce qui
suppose que x(t) → 0 pour T0 → ∞ et seulement un intervalle de temps limité est analysé. Cet
intervalle de temps est donc discrétisé avec la fréquence d’échantillonnage fe = 1/Te.
Etant donné que le spectre estimé selon (1.26) est périodique avec une période fe puisque x(t)
a été échantillonné avec fe (voir spectre d’un signal échantillonné en numérisation du signal),
l’analyse du domaine fréquentiel sera limitée de 0 à fe. Pour éviter le phénomène de
recouvrement spectral (aliasing) le spectre est analysé de 0 à la fréquence de Nyquist
fN = fe/2.
Afin de pouvoir calculer numériquement le spectre selon (1.26), il est nécessaire de discrétiser
la fréquence f dans l’intervalle 0 à fe avec la période d’échantillonnage ou incrément
V
fréquentiel Δ = } . N étant le nombre de fréquences à analyser. Ainsi les valeurs des N
^
fréquences à analyser sont:
U
= Δ = = 0, 1, 2, … , f − 1 1.27
f
∆f représente la résolution (ou la définition) fréquentielle.
Il faut remarquer ici que la discrétisation de la fréquence correspond à un échantillonnage du

spectre qui devient discret. Et par analogie avec l’échantillonnage temporel, l’échantillonnage
du spectre X(f) correspond à un signal temporel x(n) périodique de période N.
(1.27) montre que pour un nombre N donné d’échantillons, il n’est pas possible d’avoir
simultanément une très bonne résolution temporelle (Te petite) et une très bonne résolution
fréquentielle (∆f petite).
Ainsi avec la discrétisation de la fréquence selon (1.27), l’estimation du spectre selon (1.26)
devient discret et est donnée par:

^;
Ab
<z = <z 0 2 = <z
U
∆ = + e;>-?@ g a`b = 0, 1, 2, … , f − 1
f U U
_
Et avec + U = + , on a:
^;
@
<z = <z 0 2 = <z
U
∆ = + e;>-?ga = 0, 1, 2, … , f − 1 1.27
f U
_
Si on ne tient pas compte du facteur Te on obtient:

^;
a
<k = + e;>-?@g avec k = 0, 1, 2, … , N − 1 1.28
_
(1.28) est la DFT (Discrete Fourier Transformation) c.à.d. la transformation de Fourier

discrète (TFD) du signal x(n) + = 0, 1, 2, … , f − 1
Si le nombre d’échantillons N est une puissance de 2, la DFT devient la FFT et se calcule plus
rapidement.
On obtient ainsi approximativement le spectre < à partir de la DFT (ou de la FFT) <k
selon:
< = U <k k = 0, 1, 2, … , N − 1 1.29
A partir de la DFT (ou de la FFT) on peut retrouver le signal temporel (ou la séquence) x(n) à
travers la DFT inverse définie par :
^;
1 a
+ = <k e>-?@g avec n = 0, 1, 2, … , N − 1 1.30
f
La question qu’on peut maintenant se poser est la suivante:
Comment choisir N et Te pour obtenir une très bonne approximation du spectre exact X(f) à
travers la méthode numérique c'est-à-dire la DFT (ou la FFT) ?
Si le spectre exact X(f) est limité à fmax, alors d’après le théorème d’échantillonnage
fe ≥ 2fmax c.à.d. que la période d’échantillonnage Te doit satisfaire la condition suivante:
1
≤ 1.31
U
2 T€:

V}
La résolution fréquentielle souhaitée définie par Δ = =
^ ^&}
permet avec (1.31) d’obtenir
la condition concernant le nombre N d’échantillons:
U
f≥ 1.32
∆
Au cas où pour une fréquence d’échantillonnage donnée fe et une résolution fréquentielle ∆

souhaitée, le nombre d’échantillons n’est pas suffisant selon la condition (1.32), les valeurs
des échantillons sont complétées par des zéros: on parle dans ce cas de Zero-padding.
Exemple: Estimation du spectre (transformation de Fourier) d’une impulsion

rectangulaire d’amplitude 1 et de durée τ à l’aide de la FFT:

Estimation du spectre d’amplitude à l’aide de la FFT (avec τ = 1,2 µs):
-6
x 10 Module de la FFT de limpulsion rectangulaire (N = 64)
1.5
Module en 1/Hz
0.5
0
0 1 2 3 4 5 6 7 8 9 10
Frequence en Hz 6
x 10
-6 Modules de la Transformation de Fourier et de la FFT (avec Shift)
x 10
1.5
Module en 1/Hz
0.5
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Frequence en Hz 6
x 10
La représentation idéale du spectre d’amplitude (symétrie par rapport à l’axe des ordonnées) a
été obtenue à l’aide de la fonction MATLAB fftshift.

Support Traitement Numerique Signal

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Support Traitement Numerique Signal

Hochgeladen von

Copyright:

Verfügbare Formate

ECOLE SUPERIEURE DES TECHNIQUES AVANCEES (ESTA)

Filière : Réseaux Informatiques et Télécommunications

Traitement Numérique du Signal

© 2015 D. Bonkoungou dbonkoungou@ate-online.com

© 2015 D. Bonkoungou dbonkoungou@ate-online.com

Maitriser l’analyse spectrale numérique et être capable de concevoir et d’analyser les

Volume horaire: 40h

Connaissances requises pour suivre le cours:

• Cours de traitement du signal et de transmissions des classes DTS et LP

1. Analyse spectrale numérique

• Rappels sur la décomposition en série de Fourier.

2. Les filtres numériques

• Rappels sur les systèmes numériques: équation aux différences, Transformation en Z,

3. Travaux Pratiques avec MATLAB/SIMULINK

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 1

1. Analyse spectrale numérique

1.1. La décomposition en série de Fourier à l’aide de la FFT

1.1.1. Représentation fréquentielle d’un signal périodique à l’aide de la série de

Illustration de la décomposition en série de Fourier d’un signal périodique

• Signal périodique à décomposer en série de Fourier

• Représentation des composantes sinusoïdales du signal périodique décomposé

La représentation des amplitudes des composantes sinusoïdales en fonction de leur fréquence

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 2

• Représentation du spectre (unilatéral) d’amplitude

Définition de la série de Fourier

= + cos 2 + sin 2 1.1

f0 = 1/T0 est la fréquence de la composante fondamentale (ou harmonique fondamentale). f0

En appliquant la formule trigonométrique suivante à (1.1)

On obtient la série de Fourier en cosinus:

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 3

A0 qui représente la valeur moyenne ou la composante continue du signal périodique peut

En appliquant la relation de Euler suivante à (1.3)

= < e>-?@A' B 1.5

Les coefficients complexes X(k) sont donnés par:

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 4

Pour des signaux réels, la condition suivante doit être satisfaite:

< = <∗ − ; ∗ = (IJK (+LMNMé

|X(k)| représente le spectre bilatéral d’amplitude et est une fonction paire.

En pratique on travaille généralement avec le spectre de puissance qui représente la

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 5

On peut calculer la puissance moyenne de chaque composante fréquentielle k notée Pmk à

La valeur efficace de chaque composante fréquentielle k notée Xkeff est:

En Télécommunications, on choisit généralement une puissance de référence Pref = 1 mW. On

Exemple: Reconstruction (synthèse) d’un signal rectangulaire périodique à partir d’un

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 6

On remarque que la qualité de la reconstruction augmente avec le nombre d’harmoniques.

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 7

Exercice: Ecrire un programme MATLAB pour la reconstruction d’un signal triangulaire

1.1.2. Détermination de la série complexe de Fourier à l’aide de la FFT

(1.12) est la DFT (Discrete Fourier Transformation) c.à.d. la transformation de Fourier

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 8

Le calcul de la DFT définie dans (1.12) nécessite N2 multiplications, N(N-1) additions et N2

Exemple: N = 1024 =210.

• Nombre de multiplications nécessaires si l’on utilise la DFT: N2 = 1 048 576.

En comparant (1.12) avec (1.11) on obtient approximativement les coefficients complexes de

L’abscisse de la représentation graphique du spectre bilatéral X(k) représente les fréquences

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 9

Il existe pratiquement dans beaucoup de langage de programmation comme Fortran, Pascal, C

1.1.3. L’effet leakage ou étalement spectral

La limitation ou le fenêtrage de x(n) a pour conséquence un étalement spectral appelé effet

© 2015 D. Bonkoungou dbonkoungou@ate-online.com 10

Considérons deux signaux sinusoïdaux échantillonnés avec une fréquence d’échantillonnage

• Un signal sinusoïdal de fréquence f1 = 130 Hz avec m = 6,5 c.à.d. que l’intervalle

• Un signal sinusoïdal de fréquence f2 = 200 Hz avec m = 10 c.à.d. que l’intervalle

Transformation de Fourier (2tausinc(w*tau)