Академический Документы
Профессиональный Документы
Культура Документы
Université Paris-Sud
ORSAY
Département Mesures Physiques
Année 2003-04
e 2πj ν t
Réel Réel
δ(f-ν)
Imaginaire Imaginaire
temps
fréquences
Roger REYNAUD
34 Département Mesures physiques IUT Orsay
Plan du cours
Partie 1
• Transformation
Signal continu Signal échantillonné
Echantillonnage du signal .................................35 Transformée de Laplace....................................55
Importance du monde numérique ..........................35 Régime transitoire ................................................. 55
Échantillonneur idéal.............................................36 Représentation en variable complexe p ................ 55
Théorème de Shannon ...........................................37 Transformée de Laplace ........................................ 56
Échantillonnage en présence d'une
fonction d'appareil non idéale ............................38 Traitement numérique du Signal.......................57
Échantillonneur bloqueur.......................................40 Fonctions continues Suites numériques......... 57
Échantillonnage en fréquence ................................41 Transformées de Laplace
Quantification........................................................42 Transformées en Z ............................................. 58
Transformation en Z.............................................. 58
Notion de corrélation ........................................43 Propriétés............................................................... 59
Réalisation de N expériences .................................43 Tables des transformées......................................... 60
Signaux stationnaires.............................................45 Transformée inverse .............................................. 61
Relation entre deux processus au travers Transformée de Fourier Discrète ........................... 62
d'une seule réalisation.........................................45 Exemples pratiques de TFD................................... 64
Exemple de signal noyé dans le bruit.....................47
Partie 3
• Filtrage numérique
Analogique Numérique
35
Echantillonnage du signal
Importance du monde numérique
Monde analogique Monde numérique
Dérives et Réglages périodiques Reproductibilité
Vieillissement des composants Fiabilité
Reproductibilité des montages Versatilité (capacité à modifier certaines valeurs)
Taille des éléments pour les Basses Fréquences Programmable
Problèmes en suspens
Equivalence des traitements
Echantillonnage
Quantification
Rapidité de l'implémentation
De plus en plus de traitements sont effectués sous forme numérique, c'est-à-dire à l'aide d'un ordinateur
numérique. Dans ce cas, les variables et les fonctions ne peuvent prendre que des valeurs numériques calculées
en un nombre fini de points et avec une représentation de la valeur codée sur un nombre fini d'unités binaires
d'Information (UBI ou bit en abréviation anglaise). Nous sommes donc en présence d'un nouveau problème qui
n'est pas toujours équivalent au problème physique analogique initial.
Les premiers points qui vont nous intéresser seront les suivants :
• Connaître les différences entre le traitement analogique et son implantation numérique ;
• Connaître les approximations introduites, car les traitements ne sont pas parfaitement équivalents.
Le passage d'un paramètre continu à discret s'appelle échantillonnage, le passage discretcontinu s'appelle
interpolation. Le passage de valeurs continues à discrètes s'appelle une quantification. Le passage inverse se
fait par simple immersion des valeurs, codes ou symboles discrets dans un espace continu qui les englobe.
Nous allons dans un premier temps nous intéresser au problème de l'échantillonnage du signal.
Principe
Le principe d'échantillonnage concerne la transformation d'un signal à temps continu en un signal à temps discret.
Dans cette opération, une partie de l'information est habituellement perdue et il convient de bien comprendre le
phénomène d'échantillonnage pour connaître et si possible minimiser l'information perdue.
Ce que nous allons montrer dans ce chapitre est : il existe certains signaux x(t) qui peuvent être reconstruits
sans erreur à partir de leurs échantillons {Xn}. Ce sont le cas des signaux à bande limitée en fréquence en
respectant la condition de Shannon qui sera énoncée plus loin.
36 Département Mesures physiques IUT Orsay
Dans ce cas là, nous dirons qu'il y a équivalence des représentations initiale analogique et numérique puisque
nous savons obtenir la série {Xn} à partir de la fonction x(t) et inversement nous savons reconstruire par
interpolation la fonction x(t) partout en connaissant la série {Xn}.
Cette équivalence des représentations nous donne le droit de choisir la représentation qui nous arrange le mieux
et donc de traiter la résolution du problème initial sous forme numérique.
Échantillonneur idéal
Nous appelons échantillonneur idéal l'échantillonneur qui est capable de piquer le signal aux instants n•Te en un
temps extrêmement bref. Chaque prise d'échantillon s(n•Te) peut être modélisée comme le produit de la fonction
s(t) par une fonction de Dirac δ(t-n•Te) active à l’instant d’échantillonnage. L'ensemble des prises d'échantillons
donne une série {sn} = {s(n•Te)} qui peut-être modélisée comme le produit de la fonction s(t) par un peigne de
Dirac de période Te.
F ({sn}) = F (s(t) • Te
(t) ) = F (s(t)) ⊗ F( Te
(t) )
= F (s(t)) ⊗ Fe. Fe
(ν)
Le résultat est le suivant :
A un échantillonnage dans le temps (produit simple par un peigne de période Te)
correspond une périodisation du spectre (produit de convolution par un peigne de fréquence Fe).
F ↓↑ F ↓↑
S(ν) = F (s(t)) Périodisation F({sn})
→
Théorème de Shannon
Pour que la répétition du motif ne déforme pas le motif répété, il faut et il suffit que la condition de Shannon soit
vérifiée, c'est-à-dire Fmax < ½ Fe .
Repliement du spectre
Soit un signal sinusoïdal pur à une fréquence f > ½ Fe. Par répétition due à la périodisation, nous allons voir des
raies apparaître aux points ± f + n•Fe. A cause du repliement, le nouveau spectre périodique semble avoir une
composante de fréquence comprise entre 0 et ½ Fe, bien que cela ne soit pas le cas initialement.
-f 0 Fe f Fe -Fe -Fe 0 Fe Fe 2 Fe
2 2 2
Reconstitution de Shannon
Nous savons évidemment que l'opération d'échantillonnage peut amener une perte d'information. Cela est vrai
lorsque la condition de Shannon n’est pas vérifiée. Mais lorsque cette condition est vraie, nous voulons savoir s'il
est possible de reconstruire par interpolation le signal s(t) sans perte d'information.
La réponse est oui. Nous décidons de filtrer le signal échantillonné par un filtre idéal en fréquence. Sa
représentation est la porte (ν). La sortie de ce filtre a pour réponse en fréquence le produit simple de la
Fe
réponse en fréquence de l'entrée (signal échantillonné) et du filtre. Sous la condition de Shannon, il n'y a pas de
repliement de spectre et nous retrouvons la réponse en fréquence du signal s(t) à un facteur multiplicatif prés Fe.
En utilisant l'équivalence des deux représentations, nous pouvons écrire dans la représentation en fréquence :
+∞
F({sn}) • Fe (ν) = [S(ν) ⊗ Fe. . ∑ δ(ν-n•Fe)] •
Fe (ν) = Fe • S(ν)
n = −∞
F ↓↑ F ↓↑ F ↓↑
+∞
Temps [ ∑ s(nTe) δ(ν-n•Fe)] ⊗ Fe Sinc(πFet) = Fe • s(t)
n = −∞
+∞
En conséquence, et après division par Fe : ∑ s(nTe) Sinc(πFe(t - n•Te)) = s(t)
n = −∞
Les deux signaux de part et d'autre du signe égal sont identiques si et seulement si leurs deux représentations en
fréquence sont identiques dans la bande de fréquences définie par la porte (ν) . Cette condition n'est
Fe
vérifiée que si le spectre d'origine est intégralement dans cette bande et n'a pas de composante > ½ Fe.
Cette formule encadrée ci-dessus représente la formule d'interpolation de Shannon qui permet de retrouver le
signal continu s(t) à partir de la série {sn} = {s(nTe)}. L'existence de cette égalité montre qu'il y a équivalence
entre le signal continu s(t) et la série {sn}, puisque nous pouvons reconstruire s(t) à partir de {sn} et {sn} à partir
de s(t). Cette équivalence est vraie si et seulement si la condition de Shannon est vérifiée.
38 Département Mesures physiques IUT Orsay
Exemple :
1 Echantillonnage 1
→
0 0
-1 -1
0 50 100 0 50 100
s(t) Echantillonnage
→ {sn} Interpolation
→ ~s(t)
F↓ F↓ F↑
S(ν) = F (s(t)) Périodisation F ({sn}) Filtrage F ({sn}) • (ν)
→ → Fe
0.5
-0.5
-1
0 10 20 30 40 50 60 70 80 90 100
Durée τ
On considère alors que x(k•Te) = = x(t) ⊗ h(-t) (kTe) est la mesure au temps k•Te prise
par un système d’échantillonneur réel.
Cet échantillon est alors considéré comme étant la valeur k de la série {xn} représentant la valeur du signal à
l'instant k•Te. On peut alors écrire : x(k•Te) =[x(t) ⊗ h(-t)] δ(t - kTe). Tout se passe comme si le système
échantillonnait de manière idéale une nouvelle fonction x(t) ⊗ h(-t).
+∞
{xn} = ∑ x(t) ⊗ h(-t) • δ ( t-n•Te) = [x(t) ⊗ h(-t)] •
Te
(t)
n = −∞
En effectuant une transformation de Fourier des deux membres de l'égalité précédente, nous obtenons
x(t) x o (t)
La fonction h(t) vaut τ (t - τ/2) . Donc tout se passe comme si la réponse en fréquence X(ν) était remplacée
par la réponse
X o (ν) = X(ν) • H(ν) = X(ν) • sinc(πντ)•exp(-πjντ)
Le rapport des modules des réponses en fréquence vaut donc ||sinc(πντ)|| et le déphasage négatif vaut
Fe
-πντ. Nous appelons α le facteur de sur-échantillonnage 2•Fmax et λ le rapport entre la durée τ de l'impulsion
et la durée Te de la période d'échantillonnage. On veut que la variation d'amplitude soit inférieure à 1%.
Fe λ λ
||Sinc(π•Fmax•τ)|| = ||Sinc(π λ Te ) || = ||Sinc(π )|| = 0,99 ⇔ < 0,08
2α 2α 2α
Si α =1, nous avons réglé la fréquence d'échantillonnage Fe juste égale à la limite de Shannon 2•Fmax, nous
disons dans ce cas que le facteur de sur échantillonnage est égal à 1, alors la durée de l'impulsion ne doit pas
dépasser 16% de la durée de la période d'échantillonnage.
Pour le même signal, on peut décider de prendre un sur échantillonnage α de 5, c'est-à-dire Fe = 10 • Fmax, alors
on peut prendre une largeur d'impulsion égale à 80% de la période. Dans les deux cas, la durée τ autorisée est
identique et vaut :
16% 80%
τ = 2•Fmax = 10•Fmax
40 Département Mesures physiques IUT Orsay
Fe =2•Fmax
Fe = 10 • Fmax
Ceci montre que l'effet de la largeur d'impulsion n'est pas négligeable. Il en est de même pour le déphasage φ qui
vaut -πντ radians, donc 180 ντ degrés. Associer à une précision de 1% en module correspond un déphasage
linéaire qui est maximum aussi pour Fmax et qui donne
λ
φmax=180 • = 14,4 degrés.
2α
Échantillonneur bloqueur
Nous avons alors intérêt à minimiser la durée de la prise d'échantillons par la fonction d'appareil correspondant à
cette prise d'échantillons. Pour ce faire, la méthode courante est de mémoriser la valeur du signal à l'instant k•Te
par un mécanisme physique le plus bref possible pour limiter au maximum le phénomène précédent qui a pour
effet de modifier le module et la phase du spectre du signal reconstruit par interpolation de Shannon après
échantillonnage. Une fois le signal mémorisé ou bloqué, nous avons le temps de réaliser la conversion analogique
- numérique sur le signal mémorisé.
Prélever Mémoriser Quantifier
S(t) {Sn}
La résolution du problème est alors analogue au problème de l'échantillonneur réel, mais avec une durée
d'ouverture nécessaire à la mémorisation beaucoup plus faible que dans le cas où l'appareil réalise de façon
simultanée l'acquisition et la conversion analogique numérique.
Il est alors nécessaire de modéliser l’effet du bloqueur sur le signal obtenu en sortie. On peut montrer que la
-T p
1-e e
fonction de transfert de Laplace est alors de la forme : p où p = σ + j ω est la variable de Laplace dont
l’effet est de périodiser le spectre comme un échantillonnage, puis de le modifier. Il est donc nécessaire
d’imposer un filtre passe-bas en sortie aussi.
.
35,0
30,0
25,0
20,0
15,0
10,0
5,0
0,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 1000,0
Traitement du Signal Imprimé le 19/07/11 41
Échantillonnage en fréquence
L'emploi d'un ordinateur numérique impose d'effectuer un échantillonnage aussi dans le domaine des fréquences.
On s'intéresse alors aux échantillons de fréquences constitués à partir des fréquences multiples entiers de la
fréquence de base Fmin. On pourra alors exprimer X(ν) dans un ordinateur numérique à l'aide de la série
{X(k.Fmin)}.
Sachant que finalement, la représentation numérique {xn} du signal continu x(t) ne représente correctement le
signal que dans la gamme de fréquence [-½ Fe;+ ½ Fe], il faut choisir Fmin de telle façon qu'un certain nombre
de multiple de Fmin couvre correctement cette gamme de fréquence. Habituellement, si la Transformée de
Fourrier Directe est réalisée sur M points, le spectre est fourni sur le même nombre M de points. En conséquence
Fmin vaut habituellement Fe/M, mais peut prendre d'autres valeurs.
ν
- Fe Fmin = Min || f || Fe
2 f≠0 2
La représentation précédente est réalisée à partir de 32 échantillons du spectre, multiple entier de la fréquence
Fmin. Or il y a équivalence entre échantillonnage dans l'espace des temps (respectivement l'espace des
fréquences) et périodisation dans l'espace des fréquences (respectivement l'espace des temps). En conséquence, la
représentation en temps du signal échantillonné en fréquence est un signal périodique de période
1
Fmin = M•Te = Horizon d’observation, si on a choisi Fmin = Fe/M.
Ce signal n'est donc pas identique au signal originel sur tout l'espace, mais seulement sur les M points qui ont
servi à calculer la TFD correspondant à l'horizon d'observation. Le signal est donc implicitement considéré
comme périodique de période égale à l'horizon. Par exemple, nous avons un signal connu sur 1000
échantillons qui ne possède pas de périodicité propre. Nous voulons échantillonner aussi la représentation en
Fe
fréquence de ce signal. Pour que cette représentation soit correcte, il faut prendre Fmin = 1000. Dans un cas
Fe
contraire, par exemple pour Fmin = 100, l'échantillonnage en fréquence à la fréquence Fmin introduit une
périodicité dans la représentation du signal temporel (reconstruit par transformée de Fourrier inverse) tous les
100 échantillons.
Dans le cas standard (Fmin = Fe/1000), le fait de supposer le signal comme périodique avec une période égale à
l'horizon introduit un artefact dans le calcul de la transformée de Fourier, artefact appelé phénomène de Gibbs.
En effet, si la valeur initiale est différente de la valeur finale sur l'horizon temporel, la transformée considère qu'il
y a discontinuité et injecte alors des fréquences pour représenter cette discontinuité. Le mécanisme pour
s'affranchir de cet artefact est de multiplier le signal temporel par une fenêtre qui tend vers zéro sur les deux
bords de l'horizon temporel. Ce mécanisme s'appelle filtrage temporel car il modifie le spectre du signal résultant.
Il existe dans la littérature technique un grand nombre de fenêtres adaptés à divers contextes de signaux et de
mesureS
42 Département Mesures physiques IUT Orsay
Quantification
Dans un système numérique, les variables doivent être non seulement échantillonnées pour pouvoir être
mémorisées dans des cases mémoire ou des registres, mais aussi quantifiées, car ces cases mémoire sont
constituées d’unités binaires d’information ou bit1.
Quantifier une valeur analogique revient à convertir cette valeur en une succession de bits représentant cette
valeur dans un système de codage à définir. Il existe différents normes de codage des valeurs réelles dans un
ordinateur. Dans le cours de langage C, on insiste sur la norme à virgule flottante utilisable par les unités
arithmétiques flottantes intégrées aux processeurs centraux des ordinateurs.
Le problème est différent concernant la capture de valeurs analogiques. Le codage doit être optimisé en fonction
des performances des systèmes et en fonction du bruit que cette quantification va introduire. En condition
standard, un codage linéaire à virgule fixe est utilisé.
En transmission de données un codage non linéaire intervient qui permet par compression non linéaire avant
quantification pour égaliser l’erreur relative due à la quantification.
4
Virgule fixe
En abscisse du graphe est représentée la valeur analogique. 3
En ordonnée, on voit apparaître les poids faibles de la conversion.
2
On suppose que le convertisseur est capable de réaliser la conversion
sur une gamme de valeurs [Amin, Amax] représentant l’excursion. 1
On convertit la grandeur analogique dans une représentation sur N bits.
Le codage linéaire transforme les valeurs analogique en numérique q 2q 3q 4q
Amin Smin = 0
N
Amax Smax = 2
A=q S=1 q est le pas de quantification supposé uniforme, il représente le plus petit écart
nécessaire pour être sûr de distinguer entre deux valeurs analogiques après la conversion.
N A - Amin
A S - Smin = Arrondi ( 2 .Amax - Amin )
Il existe plusieurs mécanismes d’arrondi. L’arrondi au plus proche voisin décrit sur le graphe est celui qui
minimise l’erreur de troncature du signal analogique. Cette erreur est représentée sur le graphe par la zone
hachurée. Il faut calculer la puissance du bruit de troncature injecté par le mécanisme de quantification.
Nous ne connaissons évidemment pas par avance le bruit de troncature. Nous faisons donc l’hypothèse que nous
réalisons un grand nombre de conversions, et nous supposons que les valeurs d’entrée se répartissent de façon
équiprobable sur l’axe analogique. L’erreur est alors comprise dans l’intervalle [-½ q ; + ½ q] et ce de façon
équiprobable, donc avec une loi de densité de probabilité uniforme.
Donc l’espérance de la puissance d’erreur vaut B = Puissance du signal triangulaire d’erreur d’amplitude ½ q.
1 1 q2
La valeur efficace d’un signal triangulaire vaut . La puissance B vaut B= (½ q)2 . 3 = 12 .
3
S
La dynamique du quantificateur est mesurée en dB. Elle est définie par la formule D(dB) = 10log ( B ) où S
10
représente la puissance de la sinusoïde maximale non écrétée et B la puissance du bruit de quantification. Donc la
Amax 1 1 N-3
puissance P vaut P = ( 2 )2 . 2 = Amax2 . 8 = 2 .
1Nous devons ici signaler qu’il existe des dispositifs à capacités commutées dans lesquels l’information est échantillonnée
mais présente sous forme analogique donc non quantifiée.
43
Notion de corrélation
Réalisation de N expériences
x(t)
Nous cherchons à définir la ressemblance entre deux
signaux ou à vérifier s'il existe une relation entre ces deux signaux.
Nous ne disposons pas des signaux "intrinsèques", mais de
y(t) diverses réalisations d'expériences qui contiennent donc des
grandeurs qui sont caractéristiques du phénomène que l'on cherche
à observer et d'autres grandeurs qui ne sont pas caractéristiques de ce phénomène et qui varient d'une expérience
à l'autre. Il est toujours possible de trouver une relation entre les signaux
x (t) et y (t) pour une expérience k donnée. Mais ces relations peuvent varier énormément en fonction de
k k
l'expérience k. En conséquence, ces relations ne nous sont d'aucune utilité car elles ne contiennent pas
d'information utile pour prédire les résultats des expériences futures par exemple.
Processus
Il existe des grandeurs caractéristiques de l'ensemble des réalisations des N expériences. Comme nous
savons que chaque expérience comporte des variations dans les résultats, nous préférons nous intéresser à ces
grandeurs caractéristiques de l'ensemble des réalisations. On utilise le terme de processus pour nommer l'entité
commune à toutes ces réalisations. Le processus correspond donc à une modélisation du phénomène physique.
Les grandeurs que nous cherchons à calculer seront d'autant plus précises et caractéristiques du processus
que le nombre d'expériences réalisées sera grand.
<x(to)> =
1
N
Σ x k (to) est la valeur moyenne que prend le processus x en to. Cette grandeur est une bien une
grandeur caractéristique de l'ensemble des réalisations des N expériences. Avec le vocabulaire défini
précédemment, elle est donc caractéristique du processus x.
Alors <x(to)> =
1
Σ x k(t o) = Σ f q mq
N
Nous voyons qu'il est possible de modéliser la même grandeur caractéristique du processus en utilisant des
modèles portant sur les statistiques des valeurs des amplitudes que peut prendre la variable x (to). Cette façon de
k
procéder qui porte sur la probabilité de voir apparaître une valeur d'amplitude donnée sera vue dans le cours
Statistique.
44 Département Mesures physiques IUT Orsay
δ
=
δb
[ N1 Σ x k ( t )
o
2b
N
Σ x
2
k
( t o-)*y
k
( t o ) +
b2
N
Σ y k(t o )2 ]
=-
2
Σ x k ( t o )*y k ( t o ) + Σ y k ( t o ) 2
2b
N N
1
Σ x k ( t o )*y k ( t o ) <x( t o )y( t o )> et vaut alors
Le minimum est atteint pour b =
N
= = Zmin
Σ
2
1 2 <y( t o ) >
y (t o )
N k
Zmin = [ N1 Σ x k ( t ) 2b
N
Σ
o
2
x ( t o )*y ( t o ) +
k
-
k
b2
N
Σ y (t o )
k
2
]
1
Σx k ( t o )y k ( t o ) 1
=
1
Σx k ( t o ) - 2 1
2 N
Σx k ( t o )y k ( t o ) +
N
N
Σ y (t o )
k
2 N
1
Σ x k ( t o )y k ( t o )
[ N
] 2 . N1 Σy k ( t ) 2
Σ
o
1 2
y (t o )
N k
[ N1 Σx k ( t )y k ( t )]
o o
2
=
1
Σx k ( t o)
2
[1 - =
1
Σ
] x ( to)
2
1-ρ
2
[ ]
N
N
1
Σy k ( t o ) 2 N Σ x k ( t o ) 2
1 N k
x
+ + + ++
ρ
• Lorsque = 1, alors Z
min =0, et nous dirons que la corrélation entre
++ ++ + x(to) et y(to) est parfaite. En d'autre terme, les deux processus sont
+ totalement corrélés.
+ ++ +
+ + +
+ y
ρ
• Lorsque = −1, alors Z
min =0, nous dirons que la corrélation entre
x(to) et y(to) est parfaite. En d'autre terme, les deux processus sont
Pente b totalement corrélés, bien qu'en opposition de signe.
+
x
• Lorsque ρ = 0, alors Zmin = 1
N
Σ x k (to) 2 2
= <x(to) >, et nous
+ ++
+ + dirons qu'il n'y a pas de corrélation entre x(to) et y(to). En d'autre terme,
+ + ++ +
les deux processus sont décorrélés.
+ + + + y
+
+ + +
Pente b Existence d'une relation à un décalage temporel prés
Le même raisonnement peut être fait lorsque l'on cherche à voir si les
processus x(to) et y(to -t 1 ) se ressemblent. Nous allons de la même manière essayer de trouver une relation entre
les deux processus en comparant en moyenne sur un grand nombre de réalisations x (to) et y (to -t 1 ). Le résultat
k k
passe par le calcul du produit de corrélation défini ci-dessous :
Cxy(to,t 1 ) = lim ( 1
N
Σ x k ( to)*y k ( to -t ) )
1 = <x(to)*y(to -t 1 )>
n→∞
Signaux stationnaires
Les grandeurs caractéristiques du processus sont indépendantes du temps. En particulier :
• valeur moyenne <x( t o )> = <x>.
•
2
Cxx(t 1 ) = C x˜ x˜ (t 1 ) + <x>
• Cxy(t 1 ) = C x˜ y˜ (t 1 ) + <x><y>
Ergodicité
Un processus qui jouit de cette équivalence entre moyenne temporelle et moyenne d'ensemble est dit ergodique.
L'importance capitale de cette hypothèse provient du fait que dans la quasi-totalité des problèmes de mesures, on
sera dans l'obligation de considérer des moyennes temporelles et non des moyennes d'ensemble.
t °+T
Moyenne temporelle x(t) =
1
T
∫
t° x(t) dt
t °+T
Covariance x(t)•y(t) =
1
T
∫
t° x(t)•y(t) dt
t °+T
Variance x(t)•x(t) =
1
T
∫
t° x(t)
2
dt = σx2
Écart type σx
Nous cherchons à minimiser la fonction z(b,t) en fonction du paramètre b pour découvrir s'il existe une relation
entre x(t) et y(t). Les mêmes techniques s'appliquent alors sur les moyennes temporelles, ce qui nous donne :
2
x(t)•y(t) x(t)•y(t)
b=
y(t)
2
Zmin = x(t) [1 - x(t)
2
2
• y(t)
2
]= x(t) [1 - ρ ]
2 2
ρ
• Lorsque = 0, alors Z 2
min = x(t) , et nous dirons qu'il n'y a pas de corrélation entre x(t) et y(t). En d'autre
terme, les deux processus sont decorrélés.
Autocorrélation Cxx(τ)
Cette fonction traduit une relation entre le signal présent et ce qui s'est passé avant. On peut montrer que cela
correspond à une notion de mémorisation interne sur le processus. Si le processus est stationnaire, on a le droit
d'utiliser la relation découverte entre le présent et le passé du signal pour prédire l'avenir de ce signal.
Traitement du Signal Imprimé le 19/07/11 47
10,0
5,0
0,0
-5,0
-10,0
0,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 1000,0
∫
T
1
Cette fonction est CxO(T,τ) =
T 0 x(t)•O(t-τ) dt = Cxy(T,τ) + Cxbruit(T,τ)
En effet la ressemblance entre x et y sera maximale pour τ = θ, ce qui correspond parfaitement au maximum de la
fonction Cxy(T,τ). L'hypothèse d'indépendance entre le signal x et le bruit b nous dit finalement que si l'horizon
d'observation est suffisamment grand, alors la corrélation entre signal et bruit doit tendre vers zéro. Cette limite
n'est pas physiquement accessible, mais il existe une relation sur la variance du niveau de bruit résiduel qui se
met sous la forme :
Retard 1
Var{Cxb(T,τ)} = B.T Cxx(0)•Cbb(0)
Cxy
avec T durée d'observation, B bande passante
du bruit b, Cxx(0) puissance du signal x et
Cbb(0) puissance du bruit.
t
Cxy+Cxb En conséquence, il semble possible dans
beaucoup de cas de diminuer le rapport bruit
sur signal en calculant la fonction précédente,
puisque le maximum de Cxy reste à niveau
t constant, tandis que le niveau résiduel amené
par Cxb diminue au fur et à mesure que la
durée d'observation T augmente.
Il est possible d’améliorer encore le rapport signal sur bruit en sortie du corrélateur en reproduisant de façon
périodique le phénomène physique que l’on cherche à repérer et en accumulant à chaque répétition les
corrélations partielles. Si les séquences de bruit sont réellement indépendantes, alors Cxx diminue (sauf en t=0)
48 Département Mesures physiques IUT Orsay
par contre Cxx augmente au cours des itérations si le phénomène est réellement synchrone avec le mécanisme
d’addition des corrélations.
On voit apparaître sur le tracé de l'intercorrélation entre un signal à reconnaître et ce même signal décalé plus un
fort niveau de bruit la présence d'un pic accentué. Ce pic marque le retard de l'événement signal qui est noyé dans
le bruit.
800,0
600,0
400,0
200,0
0,0
-200,0
-400,0
-20,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 1000,0
Tracé de l'intercorrélation entre un signal à reconnaître et ce même signal décalé plus un fort niveau de bruit
Il s'agit du calcul de l'intercorrélation temporelle sur une séquence unique. Suivant quelle séquence de bruit est
générée, le pic de corrélation est plus ou moins accentué. La corrélation conserve une variance résiduelle quiest
fonction des caractéristiques du processus de bruit et de la durée de la séquence.
On peut maintenant renouveler un certain nombre de fois la même expérience, et calculer la moyenne des
intercorrélations obtenues. Le pic est le résultat d'un phénomène déterministe. Si le retard ne change pas, il est
toujours accumulé au même endroit. Lorsque l'on effectue la moyenne de ce qui est du à la présence déterministe
d'un corrélation entre le signal de référence et le signal noyé dans du bruit, la partie déterministe se maintient.
Par contre d'une expérience sur l'autre, la séquence de bruit change de façon aléatoire. Cela est possible en
utilisant en simulation un générateur de séquence pseudo-aléatoire. (L'algorithme de génération est ensemencée
par une graine. Si la graine de départ est identique, la séquence fournie est toujours identique. Si la graine change
d'une simulation à l'autre, les séquences de bruit sont indépendantes). Cela est toujours vrai dans un phénomène
physique en présence d'un bruit aléatoire.
Lorsqu'on additionne les parties aléatoires de l'intercorrélation, la variance finale est la somme des N variances
1
des séquences bruitées. Lorsqu'on prend alors la moyenne en divisant par N, la variance résiduelle évolue en
N
et va donc en décroissant au fur et à mesure que le nombre d'expérience croit..
En conséquence, et au bout d'un certain nombre d'expériences, la partie déterministe devient prépondérantes.
Intercorrélation accumulée et moyennée sur 100 expériences
500,0
400,0
300,0
200,0
100,0
0,0
-100,0
-20,0 100,0 200,0 300,0 400,0 500,0 600,0 700,0 800,0 900,0 1000,0
On aurait obtenu le même résultat en présence d'une expérience de durée 100 fois plus longue, contenant 100
réalisations déterministes et une séquence de bruit aléatoire.
.
49
Modulation et Détection
Modulation
On cherche à transmettre un signal physique dans un milieu matériel caractérisée par une bande passante du
support (fréquemment définie pour 3dB d’atténuation). Ce signal occupe une zone de fréquence bornée appelée
largeur de bande spectrale.
Le spectre du signal transmis doit être compris dans la bande passante du milieu matériel. On dit que l’on
réalise alors une transmission en bande de base. Si cela n’est pas le cas, il est possible de transposer le spectre
du signal à émettre dans la bande passante du milieu matériel par modulation. On dit alors qu’il s’agit d’une
transmission par modulation.
Si la bande passante du milieu matériel est très large, il est possible de transmettre plusieurs signaux en
utilisant des porteuses de fréquences différentes. On parle alors de multiplexage fréquentiel. Un autre
avantage important est une adaptation aux conditions particulières d’un milieu de transmission. : moindre
sensibilisation aux parasites et bruit électronique sur de faibles signaux à la réception, augmentation des
distances de propagation,…
Il existe différentes formes de modulation par transposition de la fréquence de base pour l’amener à la fréquence
caractéristique f = ω / 2π de la porteuse. Le signal de porteuse s’écrit : Porteuse = A cos (ω ωt-ϕϕ)
Il faut récupérer après transmission une information qui soit proportionnelle au signal physique. Il suffit donc de
jouer sur l’un des 3 paramètres de la porteuse pour réaliser :
Une modulation d’amplitude AM.
Une modulation de Fréquence FM autour de la fréquence de la porteuse.
Une modulation de phase.
Il existe en fait plusieurs mécanismes de modulation dérivés des 3 précédents. En particulier, en ce qui concerne
la modulation d’amplitude, nous pouvons citer :
La modulation d’amplitude à porteuse conservée. A = α.x(t) + β >0
La modulation d’amplitude à porteuse supprimée. A = α.x(t)
La modulation d’amplitude à bande latérale unique BLU. A = α.x(t) + filtrage complet d’une bande
La modulation d’amplitude à bande latérale résiduelle. A = α.x(t) + filtrage partiel d’une bande
La modulation d’amplitude à deux porteuses en quadrature. X(t) x1(t) et x2(t)
P1 = x1(t) cos (ωt-ϕ) et P2 = x2(t) sin (ωt-ϕ)
Les considérations de choix entre les différentes modulations portent sur l’énergie à transmettre au milieu
physique pour réaliser l’émission, et la capacité de détection de la porteuse et donc du signal d’information à la
réception.
αE Bande Bande
β β
inférieure supérieure
2 2
αE αE
2 2
ν
- f = - ω / 2π 0ν ν f = ω / 2π
B H
Le type de modulation le plus utilisé est la modulation d’amplitude à deux porteuses en quadrature et la
modulation de fréquence.
50 Département Mesures Physiques - IUT Orsay
Détection synchrone
La détection synchrone est un procédé utilisé lorsque le phénomène physique soumis à l'action d'une excitation
sinusoïdale crée en sortie un signal x(t)• cos (ωt) où le signal x(t) est supposé occuper une bande de fréquence
étroite autour de zéro. Il s’agit donc de retrouver x(t) qui a eu pour effet de moduler en amplitude la porteuse cos
(ωt). Cette technique est particulièrement utile lorsque le signal utile s(t) est faible et noyé dans un bruit additif.
Porteuse signal capteur Signal estimé
E° cos (ωt) s(t) = k • x(t) • E° cos (ωt) + bruit m(t)
Trois idées sont utilisées pour résoudre le problème de retrouver x(t) à partir du signal s(t) issu du capteur. Il peut
exister un déphasage entre le signal pilote et le signal reçu par les capteurs (la constante est alors complexe).
1
-5
0 100 200 300 400
0 Modulation avec x(t) de signe quelconque
0 100 200 300 400 3
Détection d'enveloppe pour x(t) = 0
2
0
0 100 200 300 400
Détection de |x(t)| et non de x(t)
Traitement du signal 19/07/11 51
∫[
T
1
m(t) =
T 0 K•x(t)•E° cos(ωt-ϕ)+b(t)] cos(ωt) dt
∫ ∫ ∫
T T T
KE ° 1 1 2
=
2
[ T 0 x(t)•cos(ϕ)dt + T 0 x(t)cos(2ωt-ϕ)dt+ T 0 b(t) cos(ωt) dt]
KE °
=
2
[ x(t) •cos(ϕ) + x(t)cos(2ωt-ϕ) + 2b(t)cos(ωt) ]
1er terme 2ème terme 3ème terme
En supposant le filtre passe-bas de constante de temps intermédiaire entre le suivi des variations temporelles que
l'on désire réaliser sur x(t) et la fréquence ν, alors le deuxième terme s'annule puisqu'il s'agit d'un signal de bande
étroite centrée autour de 2ν. Par contre il est plus délicat de savoir si le troisième terme s'annule. Le signal b(t)
correspond au bruit qui a traversé le filtre sélectif centré en ν. Par démodulation, la moitié est renvoyée sur la
fréquence zéro, l'autre moitié sur la fréquence double. Cette dernière partie est donc éliminée comme pour le
signal. Pour être sur que la partie du bruit renvoyée en fréquence zéro soit la plus petite possible, il est nécessaire
d'avoir un filtre moyenneur de constante de temps la plus élevée possible.
Par contre si l'on veut suivre les variations du signal x(t), et sachant que la sortie m(t) mesure en fait la moyenne
x(t) sur une durée T, il faut prendre une durée d'intégration suffisamment petite pour suivre le signal x(t). Cette
exigence est contradictoire avec la précédente, et il faudra faire un compromis entre le suivi dynamique de x(t) et
la précision sur le résultat final.
Nous voyons que le déphasage ϕ intervient dans le facteur multiplicatif entre la mesure m(t) et la grandeur à
mesurer x(t). Pour que ce facteur soit maximum, et ne connaissant pas la valeur du déphasage ϕ, il nous faut
modifier légèrement le montage en démodulant non plus par cos (ωt) mais par cos (ωt+φ). Le résultat devient :
KE °
m(t) = = x(t) cos(ϕ-φ) . Il est alors possible d'ajuster φ pour rendre m(t) maximum.
2
f
Grandeur à mesurer
-Fmax 0 Fmax
f
-ν-Fmax -ν-ν+Fmax ν-Fmaxν ν+Fmax x(t) cos(ωt-ϕ)
f
-ν-Fmax -ν-ν+Fmax ν-Fmaxν ν+Fmax x(t) cos(ωt-ϕ) + bruit
f
-ν-Fmax -ν-ν+Fmax ν-Fmaxν ν+Fmax x(t) cos(ωt-ϕ) + b(t) filtré
f
-2ν -ν ν 2ν [x(t)cos(ωt-ϕ)+b(t)] cos(ωt+φ)
0
f
-2ν -ν 0 ν 2ν
m(t) = ½ x(t) cos(ϕ-φ)
52 Département Mesures Physiques - IUT Orsay
0
T
f
-3ν -ν 0 ν 3ν
f
-2ν -ν 0 ν 2ν 4ν
Comme le montrent les spectres esquissés sur les figures précédentes, l'essentiel du gain en rapport signal sur
bruit est en fait obtenu au passage au travers du filtre sélectif qui est centré en ν et a une largeur ∆f. En fait, le
filtrage ne diminue pas l'énergie du signal transportant la grandeur à mesurer, car son énergie est entièrement
dans le gabarit du filtre de largeur ∆f, par contre il diminue l'énergie du bruit dans le rapport
∆f
Bande du bruit
en ne conservant que l’énergie comprise dans le gabarit du filtre de largeur ∆f et en supposant que l’énergie du
bruit est équirépartie sur toute la bande spectrale de valeur Bande du bruit (hypothèse bruit blanc).
L'autre élément amenant une amélioration du rapport signal sur bruit concerne la durée d'intégration T qui
diminue encore le poids du signal b(t) qui après les différentes translations en fréquence se trouve à l'intérieur du
gabarit du filtre passe-bas.
Le signal reçu en "longues ondes" sur un poste de radio est une porteuse modulée en amplitude. La fréquence de
la porteuse ν° se trouve entre 150 kHz et 300 kHz suivant la station de radio. Le signal à transmettre e(t) est un
signal "audio" dont le spectre en fréquence s'étend dans un gabarit allant de νB = 50Hzà νH = 5kHz. Dans le poste
de radio, après réception par une antenne, le signal eAM(t) est multiplié à un signal r(t) = cos(2πνLt) dont la
fréquence νL est réglée par le bouton de recherche des
eAM(t)
stations ; le signal résultant passe dans un filtre passe- v(t) H(ν) s(t)
∆ν
bande centré sur la fréquence νΙ =455 kHz et de bande
passante ∆ν=20kHz. On appelle s(t) le signal à la
⊗
r(t) −νI νI
sortie du changeur de fréquence.
Traitement du signal 19/07/11 53
F[ e AM(t)] = F[ (α.e(t) + β)] ⊗ F[ cos(2πν°t)] = [α.F[e(t)]+ β.δ(ν )] ⊗ 12 [ δ(ν − ν°) + δ(ν + ν°) ]
^e( ν )
E
ν
0 νB νH
β ^e (ν )
AM β
2 E 2
αE αE
2 2
ν
-ν 0 ν
= [α.F[e(t)]+ β.δ(ν )]⊗ 4 [δ(ν − ν°− ν ) + δ(ν + ν°− ν ) + δ(ν − ν°+ ν ) + δ(ν +ν°+ ν ) ]
1
L L L L
On retrouve le même résultat en convoluant dans la représentation fréquentielle par des couples de Dirac ou en
1
[
utilisant dans la représentation temporelle la formule cos(a)•cos(b)= 2 cos(a+b)+ cos(a-b) . ]
^ν)
v(
E β
4 αE
4 ν
-ν -νL ν - ν -νL 0 ν -ν L ν ν +ν L
° ° ° ° ° °
3• Pour ν° = 162 kHz (France Inter), comment choisirà νL pour obtenir le maximum de signal en s(t) ?
Le signal s(t) est obtenu par filtrage par un filtre idéal centré à la fréquence νI = 455 kHz et de largeur ∆ν = 20
kHz à partir de l'entrée v(t). La réponse en fréquence de ce filtre est donc :
Nous rappelons que dans la représentation en fréquence, l'action d'un filtre linéaire sur la sortie correspond au
produit simple des représentations en fréquence de l'entrée et de la transmittance du filtre.
Vu la largeur de filtre qui est donné, le signal sera maximal dans deux cas : soit pour νL = || νI - ν° || ; soit pour
νL = νI + ν°. Application numérique ν° = 162 kHz ; νI = 455 kHz ; alors νL = 293 kHz ou νL = 617 kHz. En
effet c'est dans ce cas que l'énergie contenu dans le spectre résultant (obtenu comme le produit simple des
spectres de l'entrée et du filtre) est maximale. Or nous savons par le théorème de Parseval que les deux
représentations temporelle et fréquentielle ont la même énergie. C'est donc aussi dans ce cas que l’énergie du
signal temporel s(t) est maximale.
^ ν)
s( ∆ν
E β
4 αE
4 ν
-ν -νL ν - ν -νL 0 ν -ν L ν ν +ν L
° ° ° ° ° °
νI
4• Montrer que le signal s(t) est alors un signal modulé en amplitude par e(t) et de porteuse νI = 455 kHz.
Dans les deux cas décrits ci-dessus soit pour νL = || νI - ν° ||, soit pour νL = νI + ν°.
F[ s(t)] = F[ v(t) ] • H(ν)
= F[ (α.e(t)+β)] ⊗ 4 [δ(ν − ν°− ν ) + δ(ν + ν°− ν ) + δ(ν − ν°+ ν ) + δ(ν +ν°+ ν )] • H(ν)
1
L L L L
Dans le cas où νL = || νI - ν° ||. Seules les deux composantes en sortie correspondant à des valeurs non nulles du
filtre idéal seront conservés. En supposant que dans la bande passante du filtre, H(ν) vaut 1, alors le résultat est le
suivant :
5• Déterminer la plage de réglage de νL pour obtenir toutes les stations de la plage "longues ondes"
ν°∈[150kHz,300kHz].
6• Comment retrouver le signal e(t). Expliquer le pourquoi des différentes transpositions en fréquence.
Il suffit de réaliser une dernière transposition en fréquence pour ramener la fréquence centrale à zéro Hz.
Transformée de Laplace
La transformée de Fourier est une représentation adaptée pour les signaux stationnaires ou en régime permanent
comme il a été montré dans le cas de la réalisation de diagramme de Bode. Elle permet d’exhiber une
représentation nouvelle en terme de spectre des signaux. Le formalisme qu’elle induit est parfaitement adapté à
l’étude des systèmes linéaires et invariants par décalage dans le temps. La sortie d’un tel système correspond à un
produit de convolution entre une entrée et la réponse impulsionnelle du système dans la représentation
temporelle. Le spectre de la sortie correspond alors au produit simple entre le spectre de l’entrée et la
transmittance.
+∞
F [f (t)] ∆
= ∫ −∞ f (t) e
-2 π j ν t
dt = fˆ (ν) fonction à valeurs complexes de variable réelle.
Régime transitoire
Or, nous ne sommes pas seulement intéressés par le régime permanent dans le cas de systèmes linéaires et
invariants par décalage dans le temps. Nous pouvons aussi nous intéresser aux régimes transitoires permettant
d’atteindre le régime permanent à partir d’un signal initialement nul dans le passé.
Nous voyons la réponse à un premier ordre et à trois filtres du 2ème ordre. L’analyse de ces phénomènes en terme
d’équation différentielle a montré qu’il s’agit de combinaison
-2 π j ν t
de signaux sinusoïdaux e
-σ t
multipliés par des signaux exponentiellement amortis. e
Le mathématicien Laplace a tout de suite compris que l’on pouvait écrire de manière condensée une nouvelle
formulation de ces signaux en utilisant des nombres complexes. De plus, il va utiliser la notion de causalité en
redéfinissant des supports d’intégration de Zéro à l’infini en ne s’intéressant qu’au phénomènes transitoires dont
on suppose qu’ils sont nuls dans le passé.
Transformée de Laplace
La formulation proposée est la suivante :
+∞
L [f (t)] = ∫0 f(t) e
− pt
dt = F(p) fonction à valeurs complexes de la variable complexe p = σ+jω .
ν σ
La représentation de Fourier est en quelque sorte
projetée sur l’axe complexe de la représentation de
Laplace. Sur la figure voisine, nous n’avons pas
représenté de valeurs complexes, mais seulement le
fait que la représentation est à variable complexe. Il
nous faudrait sinon une 4ème dimension.
Traitement du signal- 19/07/11 57
Traitement numérique du
Signal
Fonctions continues Suites numériques
La transformation la plus importante à comprendre est certainement le passage du temps continu au temps discret.
Le formidable essor technologique au niveau de la réalisation de circuits numériques rend l’intégration de
fonctions numériques de plus en plus attractive dans le domaine industriel.
Or ce passage n’est pas trivial. Comme nous l’avons mentionné au niveau de l’échantillonnage des signaux à
temps continus, il est nécessaire de prendre un certain nombre de précautions pour que la suite obtenue après
échantillonnage des signaux soit toujours représentative du véritable phénomène physique étudié. Le théorème
de Shannon indique par exemple la condition à vérifier pour éviter un phénomène de repliement du spectre du
signal après passage dans le monde numérique.
L’utilisation massive de circuits de traitements numériques des signaux a conduit dans un premier temps a réalisé
des fonctions (traitements quelconques) et des filtres numériques (correspondant à un produit de convolution
dans les temps ou à un produit simple dans les spectres) qui soient analogues et ressemblantes aux traitements et
aux filtres connus dans le monde analogique.
Puis , très rapidement, le traitement numérique du signal a été considéré comme une matière de l’ingénieur à
part entière ayant ses propres développements au niveau scientifique. Nous aborderons dans ce cours les aspects
des traitements numériques proches de ce qu’il est possible de réaliser dans le monde analogique. Mais vous
devez savoir que cette matière scientifique a des développements qui vont beaucoup plus loin que la simple
imitation du monde analogique, et avec l’essor technologique actuel de l’industrie numérique, le traitement
numérique du signal est appelé à des développements encore plus complexes.
Echantillonnage
Convolution
Il n'y a plus de référence au temps physique Te dans la définition du produit de convolution discret. La différence
entre les tops des temps logiques est devenue 1. Par contre, il est nécessaire de connaître la période
d'échantillonnage lorsque l'on retourne au monde physique continu.
58 Département Mesures Physiques - IUT Orsay
Echelon
+∞
L [H (t)] = 1p Z {H n } =
n=0
∑ z
-n
1 z
-2 0 2 4 6 8 = -1 =
1-z z-1
Dirac
L [δ (t)] = 1 Z {δ n } = 1
-2 0 2 4 6 8
Traitement du signal- 19/07/11 59
Propriétés
Fonctions continues Suites numériques
Transformation de Laplace : L Transformation en Z : Z
L [ ∫0 f (u)du] = L [ f ⊗ H ] =
t
L[f(t)] F(p)
p = p
n
•Changement d'échelle Multiplication par a
Z {a n f n }(z) = Z {f n }( za )
60 Département Mesures Physiques - IUT Orsay
H (t) 1 z
Echelon p z-1
-2 0 2 4 6
a•t a z
p
2 a• Te•(z-1) 2
{a•n•Te}
-2 0 2 4 6
tn − 1 1 n=1
(n-1)! pn
-2 0 2 4 6
e− t / τ ↔ 1 z
{e − nTe / τ } 1 z - e − Te / τ
p+
τ
1 1 z z
1-e − t / τ p(τp+1) z-1 - -
Te
τ
z-e
-2 0 2 4 6
1
t.e − t / τ τ 2 Te.z.e − Te / τ
(τp+1) 2 (z - e − Te / τ ) 2
-2 0 2 4 6
tn − 1 1
.
τ n (n-1)! (τp+1) n
e− t / τ
-2 0 2 4 6
p z(z-cos(ωTe))
cos(ωx) 2
z -2z cos(ωTe)+1
{cos(ωTe.n) } p +ω
2 2
-2 0 2 4 6
Traitement du signal- 19/07/11 61
sin(ωt) ω 2
z sin(ωTe)
z -2z cos(ωTe)+1
{sin(ωTe.n)} p +ω
2 2
-2 0 2 4 6
Transformée inverse
Le mécanisme d'utilisation des transformée est le même dans les deux cas. Il s'agit en passant dans l'espace des
variables p de Laplace ou des variables z de la transformée en Z de simplifier le problème initial de produit de
convolution (continu ou discret) par un problème de produit simple. Il est évident qu'il y a simplification
seulement dans la mesure où vous connaissez les transformées en question à l'aide de table. Vous ne devez pas
avoir à recalculer les transformées.
Le produit simple de fraction numérique est alors une nouvelle fraction numérique. Il n'est pas réaliste de tabuler
toutes les possibilités de transformées pour le cas de la transformée inverse, ce qui impose d'utiliser le formalisme
mathématique de réduction des fractions en éléments simples. Le résultat mathématique est que cette réduction
est toujours possible en fraction du type :
1
• pôles réels simples x-x° ;
1
• pôles réels multiples n ;
(x-x°)
a. p + b
• pôles doubles complexes conjugués .
p + 2mwπ + w
Toutes ces fractions sont alors irréductibles et il suffit de tabuler uniquement les transformées de ces fonctions.
∑
n =0
f(n•Te)• e −2 πj. k∆f.nTe •Te W
∆
= e −2 πj∆f.Te
Transformée de Fourier continue Transformée de Fourier discrète
+∞ Ν−1
fˆ (ν) = F[f(t) ] = ∫−∞ f(t) e
∆ −2 π jν t
dt { fˆ } = TFD{f } =
k n ∑ f
n
•W
kn
n=0
Formulation homogène
+∞
2 π j.k∆f.nTe
∑ fˆ (k•∆f)• e •∆f
k =0
Transformée inverse TFD inverse
+∞ M −1
f(t) = F -1
[ fˆ (ν)]
∆
= ∫−∞
fˆ (ν) e
2 π jν x
dν −1 ∆ 1
{fn} = TFD { fˆ} =
M ∑ fˆ •W
k
−k n
n=0
Une première transformation permet d'obtenir une formulation homogène en dimension avec les quantités
physiques en jeu. L'opérateur intégrale est remplacé par un opérateur sommation agissant sur les suites
numériques. Les suites numériques obtenues après échantillonnage sont évidemment finies, en conséquence les
bornes de sommation portent sur un ensemble fini de valeurs. Les valeurs continues en temps et fréquence sont
remplacées par les échantillons discrets en temps et fréquences.
Dans un deuxième temps, nous aurions pu construire un opérateur qui, à partir de suites discrètes, nous donne,
une fonction continue en ν. Ce n'est pas le cas car l'objectif de cet opérateur est d'être l'analogue de la transformée
de Fourier utilisée dans le cas de fonctions continues pour le cas des suites numériques qui sont les seules à
pouvoir être implantées sous forme de tableaux dans les ordinateurs numériques. En conséquence, le résultat
d'une TFD doit être aussi une suite numérique.
Cette suite va représenter le "spectre" en un nombre fini de valeurs des fréquences ν. Or nous savons déjà que
l'échantillonnage introduit une périodisation du spectre avec un facteur de translation Fe. Il ne sert donc à rien de
calculer le spectre pour des valeurs extérieures à l'intervalle [-Fe/2 ; Fe/2]. Une bonne représentation sur cet
intervalle nous donne l'intégralité du spectre par périodisation. Un choix habituel est de choisir un ensemble de M
valeurs équiréparties dans ce spectre. Les fréquences discrètes choisies sont données par la relation :
Fe
ν = k.∆f = k.
k M
Alors dans ce cas, W est une racine Mième de l'unité, puisque W
M
= e −2 πj∆f.Te M = e −2 πj = 1.
On peut montrer qu'il est judicieux de choisir le même nombre de points (M=N) pour représenter le signal sur son
horizon temporel N•Te (donc avec un pas temporel ∆t = Te) ou le spectre sur son horizon fréquentiel Fe (donc
Fe
avec un pas en fréquence ∆f = N ).
Traitement du signal- 19/07/11 63
Dans la dernière étape, il ne doit plus y avoir de référence aux grandeurs physiques Te et ∆f dans la définition de
l'opérateur discret. On fait Te=1 et Fe =1.
∑
−1 ∆ 1 −k n
TFD { fˆ }n = fˆ k •W
N
k=0
Avec cette nouvelle définition, nous avons :
TFD TFD − 1
{1} suite constante → N{δ } → {1}
k
Transformée de Fourier Rapide. Il est possible de trouver des algorithmes de calcul rapides. Les plus rapides
P
sont obtenus pour N= 2 . C'est pourquoi il est vivement conseillé d'utiliser des séquences de longueur N qui soit
une puissance de 2 dans la résolution numérique de vos problèmes utilisant des transformées de Fourier discrètes.
Lorsque ce n'est pas le cas, le logiciel s'autorise quelquefois à remplir l'horizon par des zéros pour atteindre une
longueur N qui soit une puissance de 2.
∑
n=0
xn
2 =
1
N ∑
n=0
x̂ n
2
Soit un Signal périodique de période T . Il admet une décomposition en série de Fourier dont le Fondamental de
1 1
fréquence vaut T et l'Harmonique m est à la fréquence ν = m T . Le Coefficients de la série de Fourier est
T pT
∆ 1 − 2 π jν .t 1 −2 π jν .t
C = ⌠ e dt = pT ⌠ e
m T ⌡ f(t) ⌡ f(t) dt si p est entier
0 0
Supposons qu'il y ait p cycle par horizon p. T = N.Te
P entier concentration de l'énergie sur la fréquence correspondante
m.n
∆ 1 Ν−1 1
C =m
∑ f •W
n
= N fˆ
p.m
N
n=0
P non entier distribution de l'énergie sur les fréquences voisines
64 Département Mesures Physiques - IUT Orsay
Horizon N/2
0 1 2 3 4 5 6 7 8 9
Un cycle par horizon échantillonné à Te/2 sur N Un spectre pur à la fréquence 2Fe/N correspondant
points au premier point du spectre
N/2
Horizon
0 1 2 3 4 5 6 7 8 9
Deux cycles par horizon échantillonnés à Te sur N Un spectre pur à la fréquence 2Fe/N correspondant
points au deuxième point du spectre
N/2
Horizon
0 1 2 3 4 5 6 7 8 9
Un cycle par horizon échantillonné à Te/2 sur N Un spectre de raie conforme à celui des coefficients
points d'un sinus redressé double alternance.
Horizon 0 1 2 3 4 5 6 7 8 9
5 cycles par horizon échantillonnés à Te sur N Un spectre pur à la fréquence 2Fe/N correspondant
points au deuxième point du spectre
Horizon N/2
0 1 2 3 4 5 6 7 8 9