Beruflich Dokumente
Kultur Dokumente
On veut des signaux numériques : x (tn ), X ( f m )
x et X sont des fonctions prenant des valeurs discrétes(en nbr fini) :
quantification
tn n.t , temps discret, n entier; t période d ' échantillonnage
échantillonnage temporel, critère de Shannon
f m m.f , fréquence discret, m entier, f résolution en fréquence
échantillonnage fréquentiel
Autres Contra int es :
dans la pratique on ne peut travailler qu ' avec des tranches des signaux
de durée lim itée (n )
-fmax +fmax
t f
• X(f)=TF (x(t)); X(f)=0 pour -fmax < f < +fmax
• pour échantillonner le signal x(t) sans perdre d ’information (ie,
reconstruction sans erreur), il faut que :
f e 2 f max
fe fréquence d ' échantillonnage ; T 1 / f e période d ' échantillonnage
• sinon on observe un repliement de spectre
transformée de fourier discréte 3
Transformée de Fourier Discrète
périodisation de la TFC par échantillonnage temporel
x (t ) continue en t
x (t nT ) la version échantillonnée T période d ' échantillonnage
e
x (nT ) x (t ). (t nT ) x (t ) (t nT )
e
n n
X ( f ) ( x (t ) (t nT ))e
e
2 jft
dt
t n
X ( f ) x (nT ).e
2 jf ( nT )
e
n
1 / 2 T
x (nT ) T X ( f )e
2 jf ( nT )
df
1 / 2 T
e
conclusion :
x (nT ) X ( f ) est une fonction périodique en f de période (1 / T )
e
f max f max
f max f max
on discrétise X e ( f ) :
X e ( f ) X (mf ) f 1 / NT résolution en fréquence
1 N / 21
X (mf ) x(nT )e 2 jnm / N
N n N / 2
N / 21
x ( nT ) X ( m f ) e 2 jnm / N
m N / 2
remarque :
x(n) est une fonction périodique de période N T
transformée de fourier discréte 6
Transformée de Fourier Discrète
propriétés
linéarité
A ( n ) A (n) élément neutre
A A ( m ) constante
1 m
x (an) W ( ) chg d' échelle de temps
a a
x ( n k ) X ( f )e 2 jk
retard temporel
x ( n) X ( m ) X ( m ) *
renversement du temps
x (n) cos(2kn / N ) 1 / 2 X (m k ) X (m k ) modulation d' amplitude
x ( n) * x ( n) X ( m ) X ( m )
1 2 1 2
convolutio n cyclique
x ( n) x ( n) X ( m ) * X ( m )
1 2 1 2
multiplication
X réel(X(m)) paire
R
[réel(X(N - m)) Re(X(m))]
X imag(X(m))
I
impaire [Imag(X(N - m)) Imag(X(m)) ]
• continu discret
– périodique - Série de Fourier
• discret continu
– Fourier - périodique
• discret discret
– périodique - périodique
– T.Fourier Discrète
transformée de fourier discréte 9
Transformée de Fourier Discréte
résolution fréquentielle
• x(nT) signal
– n = [-N/2, N/2-1] N points
– T période d ’échantillonnage,
– fe=1/ T fréquence d ’échantillonnage.
– fe1/(2fmax) Shannon
N
w ( n) est appelée fenêtre Rectangulaire.
R
Conclusion :
- la troncature du signal revient à convoluer le spectre discret
avec la TFD de la fenêtre.
- le choix de la fenêtre rectangulaire devient arbitraire
puisqu' on s' intéresse au domaine spectral
il existe plusieurs types de fenêtres dont le choix est
déterminé par ce que l' on recherche sur spectre
1000
500
-500
-1000
-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500
1500
1000
500
-500
-1000
-1500
0 500 1000 1500 2000 2500 3000 3500 4000 4500
0 N/2
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0 50 100 150 200 250 300
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0 50 100 150 200 250 300
2
1 10
0.5 1
10
0
0
10
-0.5
-1
-1 10
0 100 200 300 0 50 100 150
5
1 10
0.5 0
10
0
-5
10
-0.5
-10
-1 10
0 100 200 300 0 50 100 150
• temps fréquence
Multiplication/fenêtre Convolution/fenêtre
(fuites)
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35
0
10
-2
10
tesnd
orsSéried
u
eco ou
Frie
-4
10
20 40 60 80 100 120
• cas 1: f0 = k. f
• cas 2: k.f f0 (k+1).f
-1
W(k-1)
10
-2
10
-3
10
-4
10
20 40 60 80 100 120
0
10
-1
W(k)
10
-2
10
-3
10
-4
10
20 40 60 80 100 120
0
10
-1
W(k+1)
10
-2
10
-3
10
-4
10
20 40 60 80 100 120
f(k-1) f(k+1)
-1
10
W(k-1)
-2
10
-3
10
-4
10
20 40 60 80 100 120
0
10
-1
10 W(k)
-2
10
-3
10
-4
10
20 40 60 80 100 120
0
10
-1
10 W(k+1)
-2
10
-3
10
-4
10
20 40 60 80 100 120
f(k-1) f(k+1)
0
1 10
-2
0.5 10
Rectangulaire
-4
0 10
0 10 20 30 40 0 20 40 60 80 100 120
1 10
-2
Hanning 0.5 10
-4
0 10
0 10 20 30 40 0 20 40 60 80 100 120
2 10
Blackman -2
0 10
-4
-2 10
0 10 20 30 40 0 20 40 60 80 100 120
1 10
-2
Gaussienne 0.5 10
-4
0 10
0 10 20 30 40 20 40 60 80 100 120
notes de cours Série de Fourier
• Algorithme FFT
• N=2k N.log2(N)= k.N
• exemple : N=1024 10. 000 (X)
• Principe :
WN e 2 / N
N 1
X (m) x(n).WN , m 0, N 1
n.k
n 0