Analyse de Fourier et Traitement du Signal

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

Sujets de Travaux pratiques et

d’examens

9.1 Travaux Pratiques

9.1.1 Travaux pratiques 1

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

2. Dessiner le signal triangulaire de l’exercice 4.c. Faire un programme calculant la série

de Fourier.
Programmer la fonction de Transfert du filtre RC. Appliquer le filtre RC à ce signal
et dessiner la sortie. On fera un programme avec les paramètres R et C.

3. Dessiner le signal de votre choix (comme somme de sinusoides par exemple ) et le

bruiter avce la fonction randn.

4. Faire un programme coeffcos (F, a,T, n) calculant le coefficient de fourier

Z a+T
2 t
an = f (t) cos(2 π n ) dt ,
T a T
124 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS

par une formule de quadrature composée de type trapèzes de la forme

 
  k−1  
1  a  a+T X tj 
f (a) cos 2 π n + f (a + T ) cos 2 π n +2 Fj cos 2 π n ,
k T T T
j=1

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

5. Avec les programmes précédents écrire la série de Fourier à l’ordre n de la fonction

périodique de votre choix sous forme réelle (avec an et bn ) puis sous forme expo-
nentielle avec cn = an + i bn et c−n = an − i bn .
Dessiner le spectre d’amplitude et le spectre de phase.
Filtrer ensuite le signal avec le filtre RC.

9.1.2 Travaux pratiques 2 - FFT

1. Efficacité de la FFT
On rappelle que la TFD d’un signal f échantillonné à une période Te (pas de
discrétisation) est
N −1
X k
S(k) = f (nTe ) exp(−2 πin ) .
N
n=0
1
On note N le nombre d’échantillons, Te la période d’échantillonnage et Fe : la
Te
fréquence d’échantillonnage.
Faire un programme calculant directement (S(k))0≤k≤N −1 .
Calculer ensuite la TFD par la commande FFT de scilab.
Comparer les temps de calcul (fonction timer()).
Valider sur le signal suivant : f (t) = A exp(−2 πiλt. On peut montre que la TFD de
f est de la forme
  
sin πN Nk − Fλe  
k λ

S(k) = A    exp iπ(N − 1) − .
sin π k − λ N Fe
N Fe

Prendre ensuite les signaux de votre choix.

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).

9.1.3 Travaux pratiques 3 - FFT

1. Fonctionnalités graphiques de SCILAB

Pour tracer sur plusieurs fenêtres- Exemple

t = 0:0.02:5;
signalbase = sin(2 * %pi * 9.7 * t) + sin(2 * %pi * 10.3 * t);

// Les 4 signaux à tracer sur la m^

eme fen^
etre
signal1 = signalbase * .1+ rand(signalbase) * 2;
signal2 = signalbase * .3+ rand(signalbase) * 2;
signal3 = signalbase * .6+ rand(signalbase) * 2;
signal4 = signalbase * 1+ rand(signalbase) * 2;

// 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

Tester le code suivant

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

Un examen attentif de cette somme montrer que le résultat est un vecteur de

longueur 2p calculé sur le même intervalle (avec un pas divisé par 2 donc). En
d’autres termes le signal cherché se calcule par :
9.1. TRAVAUX PRATIQUES 127

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) ,

dont la transformée de Fourier est

1 1
fˆ(s) = + .
4π 2 (s2 − s) + π 2 + 1 4π 2 (s2 + s) + π 2 + 1

Tracer les fonctions f et fˆ.

On considère le signal f sur l’intervalle [−6, +6]. Calculer sa FFT et comparer avec
ce qui précède.

4. Analyse d’un signal audio

Charger le vecteur représentant le son d’un instrument échantilllonné à 8000 Hz avec
la commande SCILAB : loadwave

(a) Quelle est la durée de ce signal? On la note T

(b) Représenter sur la même fenêtre graphique 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.
(c) Faire la FFT du signal sur 0.1 s sur 256, 512 et 1024 points successivement.
(d) Quelle est la fréquence fondamentale du signal? On pourra se contenter d’affi-
cher la tranche de fréquences [50, 1000].

9.1.4 Travaux pratiques 4 - Echantillonnage

1. On se donne un signal sur un intervalle de temps [−1, 1] échantillonné à F Hz (au-
trement dit, le pas de discrétisation est h = 1/F ).
Choisir un signal de la forme

x = sin(240πt) − 2 sin(400πt) + sin(800πt) .

Tracer le signal (échantillonné) et appliquer la FFT pour calculer la transformée de

Fourier discrète de x.
Dessiner le spectre énergie - fréquence : en abscisse : fréquence

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?

2. Pour le signal précédent et différentes fréquences d’échantillonnage, calculer la FFT

du signal, puis la FFT inverse. On doit en principe retrouver le signal de départ ....
Que constatez-vous?

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

c’est-à-dire que la taille de l’intervalle d’échantillonnage est a = 1/2f .

En posant
N = T /a, S(j) = 0 si j < 0 et j > T ,

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)

où Sech désigne le signal échantillonné.

On pourra définir la fonction sinc par

 sin(x)
si x 6= 0 ,
sinc(x) = x
 1 sinon

Soit eech l’erreur d’interpolation :

eech (j) = S(j) − Sech (j), j = 0, 1, · · · , T .

9.1. TRAVAUX PRATIQUES 129

Pour mesurer la précision de l’interpolation on calcule la déviation :

v
u T
uX
u
u |eech (j)|2
u j=0
devn = u u T .
u X
t |S(j)|2
j=0

(a) Pour chaque jeu de paramètres a, b, c, β, γ, générer le signal correspondant pour

0 ≤ j ≤ T et le dessiner.
(b) Pour chacune des 7 valeurs de f suggérées, échantillonner le signal aux points
correspondants et le générer avec la formule de Shannon-Nyquist.
(c) Calculer à chaque fois la déviation devn. Tracer la courbe de la déviation en
fonction de log2 (256 ∗ f ).
(d) Comment la déviation s’améliore-t’elle en fonction de f .

9.1.5 Epreuve pratique

Exercice 1

1. Définir les signaux suivants

(a) d = [1 zeros(1, N − 1)] : impulsion unité discrète (avec N = 50 par exemple)

(b) dd l’impulsion unité centrée. (N = 50).
(c) Sur l’intervalle [−500, 500] (avec un pas de 1) définir
(n + 500)2 (n − 500) (x − 480)4 (n + 120)5
x(n) = .
1000
Définir la partie paire de x: xp et sa partie impaire xi.
Les dessiner pour vérification. On suppose le signal x échantillonné à 100 hz.
(d) x3 :plusieurs périodes de sinus (4 périodes ) dans N échantillons .
(e) Une sinusoı̈de avec un nombre non entier de périodes (4.2) : x4

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 ,

où fech est la fréquence d’échantillonnage.

Remarque : la commande MATLAB pour mettre 4 dessins dans une même fenêtre
est la suivante :

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’)

3. Commentez la différence entre d et dd

4. Comparer xp et xi avec les résultats théoriques de la FFT des fonctions paires et

impaires. Expliquez les différences s’il y en a .

5. Interpréter les résultats de x3 et x4. Expliquez surtout le résultat x4 de la FFT

d’un nombre non entier de périodes de sinus (pensez au rapport entre la fréquence
d’échantillonnage et la fréquence de la sinusoı̈de).

Exercice 2 : analyse d’un signal audio

Taper : y=wavread(’signalexam’) pour charger le vecteur représentant le son d’un ins-
trument échantilllonné à 8000 Hz.

1. Quelle est la durée de ce signal? On la note T

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.

4. Quelle est la fréquence fondamentale du signal? On pourra se contenter d’afficher la

tranche de fréquences [50, 1000].
De quel instrument pourrait-il s’agir?
9.2. SUJETS D’EXAMEN 131

9.2 Sujets d’examen

9.2.1 Examen du 16 décembre 2002

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

(a) Montrer que si f et g sont dans L1 (R), alors f ĝ ∈ L1 (R), fˆ g ∈ L1 (R) et

Z Z
f (λ)ĝ(λ) dλ = fˆ(λ)g(λ) dλ .
R R

(b) En déduire que si f, g ∈ L2 (R)

Z Z
f (t)g(t) dt = fˆ(λ)ĝ(λ) dλ .
R R

2. Montrer que Va est un sous-espace fermé de L2 (R).

3. Rappeler ce qu’est une base Hilbertienne d’un espace de Hilbert.

4. Orthogonalité de la famille

(a) Soit r le créneau centré de longueur a1 . Montrer que

−2iπλna
sc
an (λ) = ar(λ)e .

En déduire que san ∈ Va .

(b) Montrer que Z Z
san sap = sc
an sc
ap .
R R
132 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS

(c) Montrer que

Z Z 1
2a
san sap = a 2
e−2iπλ(n−p)a dλ .
1
R − 2a

En déduire que la famille (san ) est orthogonale.

5. Densité

(a) Soit g ∈ Va et ε > 0. Montrer, grâce à la formule de Shannon que

N
X X X
kg − g(na)san k22 = k g(na)san k22 = a |g(na)|2 .
n=−N |n|>N |n|>N

(b) En déduire qu’on peut trouver No ∈ N tel que

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

Que peut-on dire de f ?

1. Calculer f et donner une allure de son graphe.

2. Calculer l’énergie totale de f .

3. On suppose que f est échantillonnée aux instants na (n ∈ Z) et on appelle g le signal

échantillonné. Donner la valeur de ĝ en fonction de fˆ. Donner une allure du graphe
de ĝ quand a = 1.

Exercice 3 :Application à l’analyse du son (a)

9.2. SUJETS D’EXAMEN 133

(b)
134 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS

(c)
9.2. SUJETS D’EXAMEN 135

9.2.2 Examen du 3 septembre 2003

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 : transformation de Laplace

Dans tout ce qui suit on désigne par

E = { f : [0, +∞[→ C continue par morceaux et :∃K ∈ R+ , ∃α ∈ R |f (t)| ≤ Keαt , 0 ≤ t < +∞ } .

On convient de prolonger toutes les fonctions de E par 0 sur ] − ∞, 0[.

On définit la Transformée de Laplace d’une fonction f de E par :
Z +∞
ξ 7→ f˜(ξ) = f (t)e−ξt dt .
0

1. Sur quel sous-ensemble de C, la transformée de Laplace de f est-elle définie?

2. Pour chacune des fonctions suivantes, calculer sa transformée de Laplace et son

ensemble de définition :

(a) f (t) = eβt , avec β ∈ C



 1 si t > 0
1

(b) f (t) = si t = 0

 2
0 si t < 0


(c) fn (t) = tn avec n ∈ N.

On commencera par montrer que pour tout s vérifiant Re(s) > 0, on a
n
f˜n (s) = f˜n−1 (s) ,
s
et on concluera par récurrence.
(d) f (t) = cos(ωt) avec ω ∈ R.

3. Lien avec la transformée de Fourier : montrer que si on pose

gso (t) = f (t)e−so t si t ≥ 0, et 0 sinon,

où so > 0 est un paramètre réel on a

f˜(so + iω) = F(gso )(ω) . (9.2.1)

4. Grâce (1), montrer que si f a un retard de τ : g(t) = f (t − τ ), alors

g̃(ξ) = e−ξτ f˜(ξ) .

136 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS

Exercice 2
Soit f le signal défini par

f (t) = e−|t| , t∈R.

On suppose que le temps est mesuré en secondes.

1. Calculer fˆ ; en déduire que f n’est pas à bande limitée.

2. Montrer que l’énergie de ce signal (i.e. kf k22 ) est égale à 1.

3. On se propose de déterminer la bande de fréquence de fréquence maximale λc pour

que l’énergie de la transformée de Fourier de f sur l’intervalle [−λc , λc ] soit égale à
99% de l’énergie initiale :
Z λ
|fˆ(ω)|2 dω = 0.99 .
−λ
Montrer que la valeur désirée est d’environ 0.53671 Hz.
Quel est la valeur de la fréquence de Nyquist?

4. Soit E(a) “l’énergie d’échantillonnage” de f définie par

+∞
X
E(a) = a |f (na)|2 .
n=−∞

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

Combien faut-il d’échantillons?

Exercice 3: Application à l’analyse du son Voici différents représentations d’un

signal vocal (sonagramme, spectre etc....) . Répondre aux questions posées ci-dessous en en
joignant cette feuille sur laquelle on pourra écrire les réponses. On justifiera soigneusement
les réponses.

1. Quelle est la durée du signal?

9.2. SUJETS D’EXAMEN 137

2. Quelle est la fréquence fondamentale de la voix de la personne qui parle? On précisera

l’unité. Est-ce un enfant, un homme adulte, une femme adulte?

3. La voix est-elle claire ou sombre?

4. La personne parle t’elle ou chante t’elle?

5. Noter sur le signal l’endroit ou la personne parle (ou chante) le plus fort (++), le
moins fort (–). On précisera l’unité.

Signal et sonagramme (Le trait plein représente la fréquence fondamentale.)

138 CHAPITRE 9. SUJETS DE TRAVAUX PRATIQUES ET D’EXAMENS

Signal et intensité (Le trait plein représente l’intensité)

Représentation spectrale
Index

échantillonnage, 3, 60, 93 DFT, 61

égalité de Parseval, 27, 46, 77 Dirac (masse), 87
énergie, 78 Dirac (mesure), 87
étalement, 79 Dirac (peigne), 87
étalement spectral, 79 Dirichlet (théorème), 29
étalement temporel, 79 dual (espace), 48

ligne à retard , 5 ensemble total, 43

Riemann-Lebesgue, 73 entrée, 5
espace dual, 48
amplificateur idéal , 5
amplitude, 4 filtre, 9
analogique, 3 fonction de transfert, 9, 10
autocorrélation, 78 formule de Poisson, 91
formule de Poisson , 90
Banach (espace), 48
Fourier (coefficients), 44
bande limitée, 93
Fourier (série), 27, 44
base hilbertienne, 45
Fourier - Plancherel, 77
Beppo Levi , 17
fréquence, 4, 31
Bessel (inégalité), 44
fréquence de coupure, 102
causalité, 7 fréquence de Nyquist, 93
changement d’échelle s, 71
gradient, 51
circuit RC, 6
Gram, 42
coefficients de Fourier, 23, 44
continuité, 8 harmoniques, 31
convergence faible séquentielle, 51 hauteur, 99
convolution, 74 hermitien (produit), 18
convolution circulaire discrète, 62 Hilbert, 18

décalage en temps, 71 impaire (suite), 62

décibel, 99 inégalité de Bessel, 23, 44
dérivateur, 5 inégalité de Cauchy-Schwartz, 18
densité spectrale d’énergie, 78 input, 5

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

[1] M. Bergounioux. Optimisation dans Rn et Introduction au Contrôle Optimal des

Systèmes Linéaires - Cours et exercices. Dunod, 2001.

[2] H. Brézis. Analyse fonctionnelle - Théorie et applications. Masson, 1987.

[3] M. Crouzeix and A.L. Mignot. Analyse numérique des équations différentielles. Mas-
son, 1989.

[4] C. Gasquet and P. Witomski. Analyse de fourier et traitement du signal. Masson,

1998.

[5] A. Guichardet. Intégration - Analyse hilbertienne. Ellipses, 1989.

[6] Landercy and R.Renard. Eléments de phonétique. Didier - Bruxelles.

[7] H. Reinhard. Eléments de mathématique du signal. Dunod, 2002.

[8] W. Rudin. Analyse réelle et complexe. Masson, 1978.

142 BIBLIOGRAPHIE
TABLE DES MATIÈRES 143

Table des matières

1 Signaux, systèmes et filtres 3

1.1 Signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Filtres et transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1 Propriétés algébriques des systèmes . . . . . . . . . . . . . . . . . . 6
1.3.2 Filtre et fonction de transfert . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Signaux périodiques- Séries de Fourier 15

2.1 Quelques rappels d’intégration . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.1 Résultats de convergence . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1.2 Résultats de densité . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 L’espace L2p (0, a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2.1 Espaces préhilbertiens et espaces de Hilbert . . . . . . . . . . . . . 18
2.2.2 L’espace L2p (0, a) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4 Représentation ponctuelle d’une série de Fourier . . . . . . . . . . . . . . . 28
2.4.1 Théorème de Riemann-Lebesgue . . . . . . . . . . . . . . . . . . . . 28
2.4.2 Théorème de Dirichlet . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Un exemple et un peu de terminologie . . . . . . . . . . . . . . . . . . . . . 31
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.1 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.6.2 Polynômes trigonométriques . . . . . . . . . . . . . . . . . . . . . . . 36

3 Les espaces de Hilbert 39

3.1 Définitions- exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 Projection orthogonale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Cas où V est un espace de dimension finie . . . . . . . . . . . . . . 42
3.3 Systèmes orthogonaux, bases hilbertiennes . . . . . . . . . . . . . . . . . . . 43
144 TABLE DES MATIÈRES

3.3.1 Convergence de la série de Fourier . . . . . . . . . . . . . . . . . . . 45

3.4 Dualité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.1 Dual d’un espace de Banach . . . . . . . . . . . . . . . . . . . . . . . 48
3.4.2 Représentation de Riesz - Fréchet . . . . . . . . . . . . . . . . . . 50
3.4.3 Notion de convergence faible séquentielle . . . . . . . . . . . . . . . . 51
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.1 Bases hilbertiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.5.2 Suites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.5.3 Opérateurs dans les espaces de Hilbert . . . . . . . . . . . . . . . . 55

4 La transformation de Fourier discrète (DFT) 59

4.1 Calcul des coefficients de Fourier . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Propriétés de la transformée de Fourier discrète . . . . . . . . . . . . . . . . 62
4.3 L’algorithme de FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.3.1 L’algorithme de Cooley et Tukey . . . . . . . . . . . . . . . . . . . . 64
4.3.2 Applications de la FFT . . . . . . . . . . . . . . . . . . . . . . . . . 67

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

7 Introduction à l’analyse vocale 103

7.1 Caractéristiques physiques et perceptives des sons . . . . . . . . . . . . . . 103
7.1.1 Sons périodiques simples: hauteur, intensité . . . . . . . . . . . . . . 103
7.1.2 Sons périodiques complexes: hauteur, intensité, timbre . . . . . . . 105
7.2 Sons apériodiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.2.1 Résonance acoustique, résonateurs et filtres . . . . . . . . . . . . . . 106
7.3 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

8 Transformée de Fourier à fenêtre glissante 113

8.1 Fenêtrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8.2 Les formules de Gabor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.3 Comparaison des méthodes de Fourier et Gabor . . . . . . . . . . . . . . . . 120

9 Sujets de Travaux pratiques et d’examens 123

9.1 Travaux Pratiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.1.1 Travaux pratiques 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
9.1.2 Travaux pratiques 2 - FFT . . . . . . . . . . . . . . . . . . . . . . . 124
9.1.3 Travaux pratiques 3 - FFT . . . . . . . . . . . . . . . . . . . . . . . 125
9.1.4 Travaux pratiques 4 - Echantillonnage . . . . . . . . . . . . . . . . . 127
9.1.5 Epreuve pratique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
9.2 Sujets d’examen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
9.2.1 Examen du 16 décembre 2002 . . . . . . . . . . . . . . . . . . . . . . 131
9.2.2 Examen du 3 septembre 2003 . . . . . . . . . . . . . . . . . . . . . . 135