Anna Les Fourier
Anna Les Fourier
Anna Les Fourier
11 décembre 2003
Ce cours est une introduction à la théorie du signal. On présente les outils mathématiques
indispensables tout en essayant d’éviter au maximum trop d’abstraction. Pour de nom-
breux détails et applications on pourra se référer à la bibliographie et en particulier à [4, 7]
dont je me suis largement inspirée.
123
Chapitre 9
1. Pour chacun des signaux (périodiques) suivants, faire un programme qui calcule sa
série de Fourier tronquée à l’ordre n.
Dessiner sur une même figure le signal et la série. On testera plusieurs valeurs de n :
+∞
π 4 X cos((2n + 1) x)
(a) f (x) = |x| = − sur [−π, π] .
2 π (2n + 1)2
n=0
+∞
(
1 sur[0, π[ 4 X sin((2n + 1) x)
(b) f (x) = . La série est : .
−1 sur[−π, 0[ π 2n + 1
n=0
jT
où F désigne le vecteur (f (tj )j=1,k et tj = a + et k le nombre de sous-intervalles
k
de [a, a + T ]. Faire de même pour le coefficient
Z a+T
2 t
bn = f (t) sin(2 π n ) dt .
T a T
2. Pour des signaux de votre choix (Somme de sinusoides, créneau, etc · · ·) dessiner le
spectre du signal (diagramme d’amplitude).
Comparer le signal temporel (original) et le signal fréquentiel (TFD)
9.1. TRAVAUX PRATIQUES 125
3. Effet du fenêtrage
Le fait d’observer un signal pendant un temps fini et de n’acquérir qu’un nombre
fini d’échantillons introduit une erreur.
On considère le signal monochromatique : f (t) = A exp(−2 πiλt. Calculer la TFD de
f avec un échantillonnage :N = 2p , 5 ≤ p ≤ 8 et comparer les résultats obtenus avec
la transformée de Fourier “exacte” (une seule fréquence : λ).
t = 0:0.02:5;
signalbase = sin(2 * %pi * 9.7 * t) + sin(2 * %pi * 10.3 * t);
// Le tracé
xsetech ([0,0,1,1/4]) // définit la première sous-fen^
etre
plot2d(t,signal1,1,"050"," ",[0,-7,5,7]); // plot le premier signal
xsetech ([0,1/4,1,1/4]) // définit la deuxième sous-fen^
etre
plot2d(t,signal2,1,"050"," ",[0,-7,5,7]); // plot le second signal
xsetech ([0,2/4,1,1/4]) // définit la troisième sous-fen^etre
plot2d(t,signal3,1,"050"," ",[0,-7,5,7]); // plot le troisième signal
xsetech ([0,3/4,1,1/4]) //définit la quatrième sous-fen^
etre
plot2d(t,signal4,1,"050"," ",[0,-7,5,7]); // plot le quatrième signal
‘
xset: fixe les valeurs du contexte graphique
xselect: affiche la fenêtre graphique en cours
xclear: vide une fenêtre graphique
xbasr: redessine une fenêtre graphique
xbasc: vide une fenêtre graphique détruit les graphiques associés enregistrés
xdel: détruit une fenêtre graphique
126 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS
xset(’window’,1)
xset(’wpos’,0,0)
xset(’wdim’,400,100)
t=1:400;
signal = sin (2 * %pi * 0.1 * t);
plot2d(t,signal)
xset(’window’,2)
xset(’wpos’,0,200)
xset(’wdim’,150,100)
plot2d(t(1:50),signal(1:50))
xset(’window’,3)
xset(’wpos’,200,200)
xset(’wdim’,150,100)
plot2d(t(51:100),signal(51:100))
2. Utilisation de la convolution
On prend l’exemple suivant :
(
e−t si t ≥ 0
f1 (t) =
0 si t < 0
(
1 si |t| ≤ a
f2 (t) = , a>0.
0 si |t| > a
(a) Discrétiser les deux signaux sur un intervalle [−N, N ] où N > a avec un pas de
h = 2 ∗ N/p.
(b) La convolée des deux signaux est approchée par
Z N p
X
z(tk ) = f1 (tk − s)f2 (s) ds ' h ∗ f1 (tk − tj )f2 (tj )
−N j=1
où les (tj ) représentent les points de discrétisation. La fonction convol de SCI-
LAB donne la convolution discrète des deux signaux
p
X
f1 (tk − tj )f2 (tj ) .
j=1
z=h*convol(f1,f2);
xx=[-N:h/2:N];
plot(xx,z)
(c) Tracer les trois signaux sur le même graphe.
3. On considère le signal
f (x) = e−|x] cos(πx) ,
f = 1000 ∗ (1 : 256)/512 ;
128 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS
Ordonnée :
E = |x̂|2 /512 ;
Tester plusieurs fréquences d’échantillonnage (F= 1000, 800, 600 Hz) et observer le
comportement du spectre du signal. Comment expliquer vous ce qui se passe?
3. Théorème de Shannon
On se donne un signal de départ (discrétisé sur 1024 points )
jπ jπ jπ
S(j) = a sin( ) + b sin( + β) + c sin( + γ) , 0 ≤ j ≤ T = 1024 .
17 29 53
Choisir a, b, c de manière aléatoire dans [0, 1] et β, γ de manière aléatoire dans [0, 2π].
On va tester plusieurs intervalles (et fréquences d’échantillonnage ) par exemple
1 1 1 1
f= , , ···, , ;
256 128 8 4
on obtient
N
X sin( πa (j − na))
Sech (j) = S(na) π ,
n=0 a (j − na)
c’est-à-dire
N
X sin(π ( aj − n))
Sech (j) = S(na) j = 1, · · · , T
n=0 π ( aj − n)
2. Pour chaque signal calculer sa FFT sur 512 points et afficher le module et la phase
en fonction de la fréquence, la partie réelle et la partie imaginaire. On rappelle que
la fréquence en abscisse est
f = fech ∗ [1 : 1 : 256]/512 ,
figure(1)
130 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS
subplot(2,2,1)
plot( )
title(’Phase ’)
subplot(2,2,2)
plot( )
title(’Module’)
subplot(2,2,3)
plot()
title(’Partie reelle’)
subplot(2,2,4)
plot()
title(’Partie imaginaire’)
2. Représenter (par plot ) sur la même fenêtre graphique (cf commande dans l’exercice
1) le signal sur 1 s , 0.5 s, 0.1 s et 0.05 s.
Est-ce un signal périodique simple? complexe? Est-ce un signal apériodique.
3. Faire la FFT du signal sur 0.1 s sur 256, 512 et 1024 points successivement.
Dans tout ce qui suit la transformée de Fourier d’une fonction v est définie par
Z
F(v)(ω) = v̂(ω) = v(s)e−2iπωs ds .
R
Exercice 1
On appelle sinus cardinal la fonction
sin( πa t)
sa (t) = π ,
at
dont les translatées san (t) = sa (t − na) apparaissent dans la formule de Shannon.
On se propose de démontrer que ces fonctions forment une base hilbertienne de l’espace
1 1
Va = {v ∈ L2 (R) | supp (v̂) ⊂ [− , ] }.
2a 2a
1. Préliminaire
4. Orthogonalité de la famille
−2iπλna
sc
an (λ) = ar(λ)e .
5. Densité
N
X X X
kg − g(na)san k22 = k g(na)san k22 = a |g(na)|2 .
n=−N |n|>N |n|>N
No
X
kg − g(na)san k2 ≤ ε .
n=−No
Exercice 2
Soit f (t) (t ∈ R) un signal dont la transformée de Fourier est
(
ˆ 1 si |ω| ≤ 1 ,
f (ω) =
0 si |ω| > 1
(b)
134 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS
(c)
9.2. SUJETS D’EXAMEN 135
Exercice 2
Soit f le signal défini par
Montrer que
1
E( ) = 1.274.
2λc
C’est l’énergie du signal reconstruit après la limitation du spectre .
Z λc
5. Si on choisit 10 échantillons (c’est-à-dire λc = 5 Hz), combien valent |fˆ(ω)|2 dω
−λc
1
et E( )?
2λc
6. Quelle doit-être la durée du signal Tc dans le domaine temporel pour que l’énergie
du signal “tronqué” soit égale à 99% de l’énergie du signal de départ?
Z Tc /2
(e−|t| )2 = 0.99.
−Tc /2
5. Noter sur le signal l’endroit ou la personne parle (ou chante) le plus fort (++), le
moins fort (–). On précisera l’unité.
Représentation spectrale
Index
139
140 INDEX
invariance, 7 séparable, 46
série de Fourier, 27, 44
Lebesgue, 16, 17
sesquilinéarité, 18
linéarité, 6
Shannon, 93
matrice de Gram, 42 sinus cardinal, 95
meilleure approximation, 23 sortie, 5
mesure de Dirac, 87 spectre, 31
monochromatique, 9 spectre d’énergie, 79
spectre d’amplitude, 31
norme duale, 48 spectre de phase, 31
numérique, 3 suite impaire, 62
Nyquist (cadence), 93 suite paire, 62
Nyquist (fréquence), 93 superposition, 6
système, 5
orthogonalité, 40
ouput, 5 TFD, 61
théorème d’échantillonnage de Shannon,
période, 4 93
paire (suite), 62 théorème d’inversion de Fourier, 75
Parseval, 46 théorème de Banach, 52
Parseval (égalité), 27 théorème de convergence dominée, 17
peigne de Dirac, 87 théorème de convergence monotone, 17
phénomène de Gibbs, 81 timbre, 99
préhilbertien, 18 time scaling, 71
principe d’incertitude, 80 time shifting, 71
produit de dualité, 49 transfert, 9
produit hermitien, 18 transformée de Fourier, 69
produit scalaire, 39 transformation de Fourier - Plancherel, 77
projection orthogonale, 41 transformation de Fourier discrète, 61
pulsation, 4 transformation de Fourier-Plancherel, 76
quantification, 3
réalisable, 7
résonance acoustique, 102
RC (circuit), 6
Riemann, 15
Riemann- Lebesgue (théorème), 28
Riesz - Fréchet, 50
rrésonateurs, 102
BIBLIOGRAPHIE 141
Bibliographie
[3] M. Crouzeix and A.L. Mignot. Analyse numérique des équations différentielles. Mas-
son, 1989.
5 Transformation de Fourier 69
5.1 Transformation de Fourier dans L1 (R) . . . . . . . . . . . . . . . . . . . . . 69
5.1.1 Propriétés fondamentales de la transformation de Fourier . . . . . . 72
5.1.2 Théorème d’inversion de Fourier . . . . . . . . . . . . . . . . . . . . 75
5.2 Extension à L2 (R) : transformation de Fourier-Plancherel . . . . . . . . . . 76
5.3 Transformation de Fourier dans L1 (R) ∩ L2 (R)- Répartition de l’énergie . . 77
5.3.1 Densité spectrale d’énergie . . . . . . . . . . . . . . . . . . . . . . . 78
5.3.2 Comportements temporel et spectral d’un signal . . . . . . . . . . . 79
5.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6 Échantillonnage 85
6.1 Peigne de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.1.1 Masse de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.1.2 Peigne de Dirac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
6.1.3 Convolution entre une fonction et ∆a . . . . . . . . . . . . . . . . . 89
6.1.4 Transformée de Fourier de δa . . . . . . . . . . . . . . . . . . . . . . 90
6.2 Formule de Poisson dans L1 (R) . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Application à l’étude d’un signal échantillonné . . . . . . . . . . . . 93
6.3 Théorème d’échantillonnage de Shannon . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Echantillonnage et calcul numérique du spectre . . . . . . . . . . . . 98
6.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
TABLE DES MATIÈRES 145