Dept GEII IUT Bordeaux I

TRANSFORMEES de FOURIER NUMERIQUE

et

DISCRETE (FAST FOURIER TRANSFORM)

APPLICATIONS

(Vol. 4)

G. Couturier

Tel : 05 56 84 57 58

email : [email protected]
 Sommaire

I- Transformée de Fourier numérique

II- Transformée de Fourier discrète

II-1- les fenêtres d'analyse

 Transformées de Fourier numérique et discrète : FFT (Fast Fourier Transform)
Applications

Nous avons montré précédemment l'intérêt de la transformée de Fourier pour obtenir

par exemple la réponse en fréquence H(f) d'un système. Le calcul de la transformée de Fourier
pose cependant un certain nombre de problèmes, en effet un ordinateur ne peut traiter que des
signaux numériques, ceux-ci sont obtenus après un échantillonnage et une quantification. Par
ailleurs la mémoire d'un ordinateur est forcément limitée, il s'ensuit que le calcul porte sur un
nombre de points limités.
Dans cette partie on se propose de passer en revue l'ensemble des problèmes posés par
l'utilisation de la transformée de Fourier discrète.

I- Transformée de Fourier numérique

On rappelle que la transformée de Fourier X(f) d'un signal x(t) continu dans le temps
s'écrit :

∞
X( f ) = ∫−∞
x (t )e − jωt dt (1)

Après échantillonnage de x(t), on obtient les échantillons x(nTe) où Te est la période

d'échantillonnage. Nous avons vu précédemment que le spectre du signal échantillonné était
périodique, de période égale à Fe = 1/Te, et que son module était pair. D'un point de vue
mathématique la transformée de Fourier X1(f) des échantillons x(nTe), appelée transformée de
Fourier numérique, s'écrit :

k =∞
X1( f ) = ∑ x( k ) e− jωkTe (2)
k =−∞

NB : pour simplifier l'écriture on écrit x(k) à la place de x(kTe), ce qui sous entend un
échantillonnage à la fréquence Fe = 1/Te.

On vérifie bien que X1(f) est une fonction périodique de période Fe, en effet si on
remplace f par (f+MFe) on obtient toujours le même résultat :

e − j 2π ( f + MFe ) kTe = e − j 2 πfkTe e − j 2πMFe kTe = e − j 2 πfkTe e − j 2πMk = e − j 2 πfkTe

Par ailleurs, on remarque que les parties réelle et imaginaire de X1(f) sont
respectivement des fonctions paire et impaire de la variable f, il s'ensuit que le module de X1(f)
est également une fonction paire de la variable f. La périodicité de X1(f) résulte de
l'échantillonnage, c'est un résultat que nous avions déjà obtenu en étudiant la théorie de
l'échantillonnage.
Avec un ordinateur il est impossible de calculer X1(f) pour k allant de - ∞ à + ∞ , en
effet il faudrait une mémoire infinie. En pratique, le nombre d'échantillons est limité à N par
exemple, on ne calcule donc pas X1(f) mais Z(f) qui s'écrit alors :

k = N −1
Z( f ) = ∑ z ( k ) e− jωkTe (3)
k =0
 signal échantillonné
x(t)
Te
échantillonneur
t t
théorique

X(f) X (f)
1

f f
-Fe -Fe /2 Fe /2 Fe

Fig. 1 Transformée de Fourier X(f) d'un signal continu dans le temps et transformée de Fourier numérique
d'un signal échantillonné

Les z(k) échantillons sont obtenus en multipliant les x(k) échantillons par les y(k)
échantillons d'un fenêtre d'analyse (ou encore fenêtre de pondération). Les y(k) échantillons
de la fenêtre d'analyse sont nuls pour k < 0 et k > (N-1); z(k)= x(k)y(k).
La fenêtre d'analyse la plus simple est la fenêtre rectangulaire (rectangular window ou
boxcar en anglais) dont les échantillons notés yR(k) sont tels que :

yR(k) = 1 pour k allant de 0 à (N-1)

yR(k) = 0 pour (N-1) < k < 0

k = N −1 k = N −1
Dans ce cas particulier, Z( f ) = ∑ z( k )e− jωkTe = ∑ x( k )e− jωkTe . La fig. 2 montre
k =0 k =0
le cas d'un fenêtre rectangulaire appliquée sur des échantillons x(k).

x(k)

k
0 1 N-1
y (k)
R
1

0 1 N-1
z(k) pour k=0, 1, 2, ... N-1

0 1 N-1

Fig. 2 Pondération des échantillons x(k) par les échantillons yR(k) d'une fenêtre
rectangulaire
 II- Transformée de Fourier discrète
Avec un ordinateur (ou un oscilloscope numérique), il est impossible de calculer Z(f)
pour une valeur quelconque de la fréquence f. Comme Z(f) est périodique, de période Fe dans
l'espace des fréquences, on découpe l'intervalle Fe en N parties égales et on ne calcule Z(f) que
pour les multiples de Fe/N comme le montre la Fig. 3, on vient ainsi d'introduire la
transformée de Fourier discrète. On note Z(n) les composantes de la transformée de Fourier
discrète; Z(n) = Z(f) calculé pour f = nFe/N avec n = 0, 1, ... (N-1). L'indice n est référencé
comme le canal.

k = N −1 F k = N −1
− j2 πn e kTe
Z( n ) = ∑ z( k ) e N = ∑ z( k ) e− j2 πnk / N pour n = 0, 1, 2, ... (N -1) (4)
k =0 k =0

x(t) x(nT ) z(nT ) Z(f)

e e
fenêtre de calcul de la
échantillonneur transformée
pondération de Fourier discrète

calculateur ( ordinateur, oscilloscope

numérique, ... )
X(f)

X 1 (f)

f
Fe /2 Fe
Z (f) Fe /N
Z(0)
points calculés de la transformée Z(N-1)
Z(1)
de Fourier discrète Z(2)

f
Fe /2 Fe

canal
0 12 N-1

Fig. 3 Transformées de Fourier numérique et discrète

Le calcul des Z(n) ne pose pas à priori de problèmes majeurs, pour obtenir une valeur
particulière de Z(n) il faut effectuer 2N multiplications (N multiplications pour la partie réelle
et N multiplications pour la partie imaginaire) et 2(N-1) additions. Pour obtenir les N valeurs
de Z(n) il faut donc 2N2 multiplications et 2(N-1)N additions. Le temps de calcul est d'autant
plus long que le nombre de points d'acquisition est élevé, et on arrive très vite à des temps de
calcul très longs de l'ordre de quelques millisecondes pour 1000 points (cas d'un processeur à
300 MHz avec 5 cycles machine pour une multiplication). Dans le cas où le nombre de points
d'acquisition N est une puissance de deux (N=2n), on dispose d'algorithme de calcul très rapide
ramenant le nombre de multiplications à : Nn. Ces algorithmes portent le nom de FFT (Fast
Fourier Transform). L'algorithme le plus connu est celui de Cooley-Tuckey. Le nombre de
multiplications est donc divisé par 2N/n (exemple : si N = 1024 = 210, le nombre de
multiplications est divisé grosso modo par 200 ramenant le temps de calcul à quelques
microsecondes). Sans l'introduction d'algorithmes de calcul rapide, la transformée de Fourier
discrète serait probablement restée un objet mathématique sans grand intérêt.

Remarque: Dans un algorithme de FFT, les composantes Z(n) sont obtenues

simultanément en fin de calcul, il faut donc réaliser les Nn multiplications même si seulement P
composantes sont intéressantes. Dans le cas d'un algorithme de calcul n'utilisant pas la FFT (on
parle alors de DFT pour Direct Fourier Transform), le calcul des Z(n) est indépendant, c'est à
dire que l'on peut décider de calculer par exemple Z(2) et Z(5) sans calculer Z(1), Z(3), Z(4),
... . Pour obtenir P composantes de Z(n), il faut donc réaliser 2NP multiplications. Pour savoir
si un algorithme de FFT s'impose, il faut donc comparer Nn et 2NP, (exemple : si N = 1024 un
algorithme de FFT s'impose à partir de P = 5).

Remarque: Si le nombre de points d'acquisition n'est pas une puissance de deux, on a

intérêt à compléter la longueur de l'enregistrement par des zéros afin de pouvoir utiliser un
algorithme de FFT, cette technique porte le nom de technique de remplissage (zero padding en
anglais), (exemple : N = 1000, on fait z(k) = 0 pour k = 1000, 1001, 1002, ... 1023). Le
remplissage par des zéros ne modifie pas Z(f), par contre le pas de calcul dans l'espace des
fréquences devient Fe/1024 et non plus Fe/1000. Dans le cas précédent, on pourrait être tenté
de tronquer la suite des échantillons pour ramener leur nombre à 512 et gagner ainsi en temps
de calcul. Cette dernière opération conduit à modifier les Z(n) si les échantillons z(k) sont
différents de zéros pour k allant de 512 à 999.

En supposant régler le problème du calcul des Z(n), on peut se demander si les

composantes Z(n) sont bien égales aux valeurs de X1(f) calculées pour f = nFe/N. Analysons
les cas les plus fréquemment rencontrés.

1er cas : les échantillons x(k) sont nuls pour (N-1)< k <0, dans ce cas Z(f) =
X1(f) et les Z(n) sont bien égaux aux X1(f) calculés pour f = nFe/N.

Pour illustrer ce cas, intéressons nous au problème du relevé de la réponse en fréquence

H(f) d'un système linéaire du deuxième ordre dont le schéma électrique est donné à la Fig. 4.

R L

E(p) S(p)
C

Fig. 4 Schéma électrique d'un système du second ordre

 La fonction de transfert H(p) d'un tel système s'écrit :

S( p ) ω 20
H ( p) = = avec LCω 20 = 1 et Q = Lω 0 / R (5)
E ( p ) p 2 + pω 0 + ω 2
0
Q

ω02
La réponse en fréquence est donnée par : H ( f ) = H ( p) p = j 2πf = ,
ωω0
(ω − ω ) + j Q
2
0
2

elle présente un maximum pour une fréquence voisine de f0, d'autant plus proche de f0 que le
facteur de surtension Q est élevé. Dans un tracé {20log10H(f), log10f}, la pente est de -
40dB/décade lorsque f → ∞ .
La réponse impulsionnelle h(t) est une sinusoïde amortie, elle s'écrit :
2ω0Qe −ω 0t / 2 Q  ω0 4Q 2 − 1 
h( t ) = U ( t ) sin t .
4Q2 − 1  2Q 

Dans l'exemple traité, la fréquence de résonance f0 est égale à 2.7 kHz et le facteur de
surtension Q = 2.8.

La réponse en fréquence H(f) peut être obtenue soit par une analyse harmonique soit
encore à partir de la réponse impulsionnelle ou de la réponse indicielle. Dans ce qui suit on
s'intéresse à ces deux dernières méthodes qui font appel à la transformée de Fourier.

α) cas où H(f) est obtenu à partir de la réponse impulsionnelle

La réponse impulsionnelle est obtenue en excitant le système par une impulsion de
largeur θ = 1 µs. En toute rigueur, on ne peut dire que la réponse du système soit égale à h(t)
car l'impulsion est de largeur finie. Pour tenir compte de ce point, on note x(nTe) et non h(nTe)
les échantillons de la réponse à l'impulsion de largeur θ.
Avec une largeur d'impulsion θ = 1 µs, on peut raisonnablement espérer obtenir H(f)
jusqu'à environ 100 kHz (1/θ = 1 MHz). On analyse par la suite le cas où le système est
attaqué par une impulsion de largeur θ = 200 µs.
Les échantillons x(nTe) de la réponse impulsionnelle sont représentés sur la Fig. 4 (sur
cette figure on observe une courbe continue et non des points, les points sont reliés entre eux
par des segments de droite afin d'en faciliter la lecture).

NB : La fréquence d'échantillonnage Fe est fixée à 2 MHz. Dans l'expérience, on

n'utilise pas de filtre antirepliement. Compte tenu de Fe il faudrait en principe un filtre avec une
fréquence de coupure comprise entre 100 kHz et 1MHz (<Fe/2). Compte tenu de la fréquence
de résonance à 2.7 kHz, le module de H(f) est très faible à 100 kHz (<10-3) et on peut faire
l'approximation qu'il est quasiment nul, du coup on peut faire l'économie du filtre. Par ailleurs,
on verra par la suite que le bruit de quantification empêche d'obtenir H(f) pour des fréquences
supérieures à environ 20 kHz.

Le nombre de points d'acquisition est de 10000 (profondeur mémoire de l'oscilloscope

utilisé pour l'acquisition). Pour utiliser un algorithme de FFT, on utilise la technique de
remplissage en complétant la longueur de l'enregistrement par 6384 zéros, en effet (10000 +
6384)= 16384 = 214.
La fenêtre utilisée est une fenêtre rectangulaire, il s'ensuit que Z(n) = X1(n), le tracé des
Z(n) est donné à la Fig. 5. Les points calculés sont représentés par des croix, et la courbe
théorique de H(f) est donnée en trait continu. On vérifie que l'écart en fréquence entre deux
points de calcul est égal à : Fe / N = 2 106 / 214 = 122 Hz . On vérifie également que les Z(n)
sont bien symétriques par rapport à Fe/2 = 1 MHz (attention l'échelle des fréquences est
logarithmique).
D'après la théorie, on devrait obtenir un ensemble de composantes Z(n) identiques à
celles de la Fig. 6.

20log Z(f)
10
20log Z(n)
10

0 dB

log f
10
F /2 F
e e

Fig. 6 Tracé théorique des composantes Z(n) en l'absence de

bruit de quantifiaction

Sur la Fig. 5, on constate qu'au-delà de 20 kHz environ, les composantes Z(n) calculées
s'écartent des valeurs théoriques attendues. On observe un plateau de bruit situé grosso modo
à -40 dB. Quelles sont les sources de bruit possibles ? on distingue : i) le bruit physique dû au
fait que les composants électroniques sont à une certaine température (voir cours sur le bruit),
ii) le bruit de quantification et iii) le bruit de calcul dû aux troncatures, ce dernier provient du
fait que le calculateur ne travaille pas avec un nombre infini de bits. Dans le cas présent, c'est le
bruit de quantification le plus important, il est directement lié au processus de conversion
analogique-numérique. En effet, à chaque instant kTe un échantillon est codé sur M bits (M =
8 dans le cas de l'oscilloscope utilisé), pour effectuer le calcul des Z(n) il faut donc convertir le
code de 8 bits en une valeur numérique. Le code nous renseigne uniquement sur la plage dans
laquelle tombe l'échantillon x(kTe) mais pas sur sa valeur exacte, arbitrairement on attribue le
milieu de la plage, il s'ensuit un bruit de quantification égal à la différence entre la vraie valeur
de l'échantillon x(kTe)=z(kTe) et la valeur restituée notée ici [x(kTe) + r(kTe)]. La Fig. 7
montre comment le bruit de quantification r(kTe) est introduit dans le traitement du signal. Les
composantes G(n) de la transformée de Fourier s'écrivent alors :

k = N −1 k = N −1 k = N −1
G ( n) = ∑ x( k ) + r ( k ) e− j2πnk / N = ∑ x( k )e− j2πnk / N + ∑ r ( k )e− j2πnk/ N
k =0 k =0 k =0
 = X1 ( f ) f = nF + bruit (5)
e/N

x(kTe ) mémoire
00101100 x(0Te )
t 00101111 x(1Te )
système sous t
étude (système échantillonneur CAN
du second
ordre)
00101011 x(kTe )

échantillons après conversion en flottant Oscilloscope

r(kTe ) numérique
bruit de
quantification
x(kTe )
calculateur
algorithme de FFT
conversion en
G(n)
flottant
t
kT calcul des G(n)
e

exemple : x(kTe ) = 1.68 V codé en 8 bits '00101011' avec une pleine échelle de 10 V
la valeur restituée après conversion en flottant est : 10x 43+ 10 = 1.6992 V
256 256x2
le bruit de quantification r(kTe ) est : 1.6992 - 1.68 = 0.0192 V

Fig. 7 Comment est introduit le bruit de quantification

Le bruit de quantification r(kTe) varie d'un échantillon à l'autre, il s'agit d'une suite de
valeurs aléatoires comprises entre 0 et 1/2 quantum au maximum. La transformée de Fourier
du bruit donne à peu près un niveau constant à -40 dB sur la Fig. 5, ce qui veut dire que les
valeurs r(kTe) sont très peu corrélées (→ bruit blanc; la transformée de Fourier d'un bruit blanc
est une constante autrement dit toutes les composantes de fréquence sont présentes avec une
S  V2 
égale amplitude). Un rapide calcul fait à partir de la relation = 6 M + 10 log10  2e  donne
B  Vmax 
un rapport Signal/Bruit de 48 dB (M = 8), en supposant que le signal Ve (sortie du système
sous étude) est uniformément réparti entre 0 V et la pleine échelle. D'après la Fig. 5, on obtient
au maximum un rapport S/B de ≈ 49 dB en prenant le maximum à 2.7 kHz (9 dB) et le plateau
de bruit à -40 dB (9 dB - [-40 dB]) = 49 dB.

Remarque: Si la largeur de l'impulsion θ est trop grande, les composantes G(n)

diffèrent alors, même pour les basses fréquences, des valeurs de H(f) calculées pour f = nFe/N.
En effet, dans ce cas le signal en sortie du système est différent de la réponse impulsionnelle
h(t) bien que son allure n'en soit pas très différente comme le montre la Fig. 8 où θ = 200 µs.
Comme précédemment, les échantillons x(nTe) de la Fig. 8 sont reliés entre eux par des
segments de droite afin d'en faciliter la lecture. La transformée de Fourier numérique
X1(f)=Z(f) des échantillons x(kTe) est, aux basses fréquences (f < Fe/2), égale au produit
E(f)H(f) où E(f) est la transformée de Fourier de l'impulsion appliquée à l'entrée du système.
La transformée de Fourier E(f) présente des zéros aux valeurs multiples de 1/θ, c'est à dire
pour 5, 10, 15 kHz , etc ... . Les composantes G(n) de la transformée de Fourier (≠ des Z(n) à
cause du bruit de quantification) sont données à la Fig. 9. On observe les lobes significatifs dus
à E(f). Les composantes G(n) sont calculées pour des multiples de Fe/N, avec Fe = 2MHz et N
= 16384. On remarque que 5, 10, 15 kHz ne sont pas des multiples de Fe/N = 122.07 Hz. Par
exemple, le point calculé le plus proche de 5 kHz se situe à 5004.8 Hz (41x2 106/214), c'est la
raison pour laquelle les composantes G(n) ne présentent pas de zéro (−∞ en dB).

β ) cas où H(f) est obtenu à partir de la réponse indicielle

On se propose maintenant d'obtenir H(f) à partir de la réponse à un échelon de tension.
Dans ce cas H(f) est théoriquement obtenu en calculant la dérivée de la réponse indicielle, on
rappelle que la transformée de Fourier de la dérivée d'une fonction est égale à la transformée
 df (t ) 
de la fonction multipliée par jω; TF   = jωTF ( f (t )) .
 dt 
Le système étudié est le même que précédemment, les échantillons x(nTe) de la réponse
indicielle sont représentés sur la Fig. 10 (ici encore les points sont reliés entre eux par des
segments de droite afin d'en faciliter la lecture).
Comme précédemment, les échantillons utilisés pour le calcul de la transformée de
Fourier sont entachés du bruit de quantification, les composantes G(n) de la transformée de
Fourier sont calculées de la manière suivante.

k = N −1
 ( x( k ) + r ( k )) − ( x( k − 1) + r ( k − 1))  − j 2πkn / N
G ( n) = ∑  e
k =1  Te 

k = N −1
 x( k ) − x ( k − 1)  − j 2πkn / N k = N −1  r ( k ) − r ( k − 1)  − j 2πkn / N
G ( n) = ∑  e + ∑  e
k =1  Te  k =1  Te 

= X1( f ) f = nF + bruit (6)

e /N

 r ( k ) − r ( k − 1)  − j 2πkn / N
k = N −1
Le module de
k =1 
∑ e varie comme 2πnFe/N (voir
Te 
démonstration ci-dessous). Il s'ensuit que les composantes de bruit sont d'autant plus grandes
que la fréquence est grande. Quand X1(f=nFe/N) devient très faible, un tracé de 20 log10 G ( n)
en fonction de log10f doit faire apparaître une pente de 20dB/décade si le bruit est blanc.

___________________________________________________________________________

& démonstration :

k = N −1
 r ( k ) − r ( k − 1)  − j 2πkn / N 1  k = N −1 k = N −1

∑  e =  ∑ r ( k )e
Te  k =1
− j 2πkn / N
− ∑ r ( k − 1)e − j 2πkn / N 
k =1  Te  k =1 

effectuons le changement de variable (k-1) = u dans la deuxième somme, il vient :

 k = N −1
 r ( k ) − r ( k − 1)  − j 2πkn / N 1  k = N −1 u= N −2

∑  e =  ∑
Te  k =1
r ( k )e − j 2 πkn / N
−e − j 2 πn / N
∑ r (u)e − j 2πku / N 
k =1  Te  u=0 

k = N −1
 r ( k ) − r ( k − 1)  − j 2πkn / N (1 − e − j 2πn / N )  k = N −1 
∑  e ≈  ∑
 k =1
r ( k )e − j 2πkn / N 

k =1  Te  Te

k = N −1
 r ( k ) − r ( k − 1)  − j 2πkn / N − jπn / N sin(πn / N ) 
k = N −1

∑  e ≈ 2 je  ∑ r ( k )e − j 2πkn / N 
k =1  Te  Te  k =1 

k = N −1
 r ( k ) − r ( k − 1)  − j 2 πkn / N 2πnFe  k = N −1 
∑  e ≈ 
N  k =1
∑ r ( k )e − j 2πkn / N  si n < N
k =1  Te  

Le facteur 2πnFe/N est bien équivalent à la pulsation ω puisque les points de calcul
sont des multiples de Fe/N. On vérifie que le bruit agmente linéairement avec la fréquence.
___________________________________________________________________________

Les composantes G(n) calculées sont représentées à la Fig. 11, comme précédemment
l'écart en fréquence entre deux points de calcul est égal à 122 Hz (2 MHz/16384). On observe,
au-delà d'une vingtaine de kHz, une remontée de bruit proportionnelle à la fréquence, on peut
vérifier que la pente est voisine de 20 dB/décade.

remarque : Si on conserve la même sensibilité verticale sur l'oscilloscope et que l'on

divise l'amplitude de l'échelon à l'entrée du système par quatre par exemple (voir Fig. 12 et 10),
on observe sur la Fig. 13 un niveau de bruit plus élevé pour les composantes G(n). Ceci montre
bien que le bruit observé est dû au bruit de quantification. En effet, diviser par quatre
l'amplitude du signal revient à convertir le signal non plus sur 8 bits mais sur 6 bits, on peut
S  V2 
donc s'attendre à une remontée de bruit de 12 dB d'après la relation = 6 M + 10 log10  2e  ,
B  Vmax 
c'est ce qui est vérifié expérimentalement sur la Fig. 13.

2ème cas : les échantillons x(k) ne sont pas nuls pour (N-1)< k <0, dans ce cas
Z(f) ≠ X1(f) et les Z(n) sont différents des X1(f) calculés pour f =
nFe/N.

Prenons pour exemple, le cas d'une cosinusoïde échantillonnée où les

x(k)=Acos(ω0kTe) ne sont pas nuls pour (N-1)< k <0. La transformée de Fourier discrète est
calculée à partir de N échantillons z(n) seulement. Ceux-ci sont obtenus en multipliant les x(k)
par les échantillons y(k) d'une fenêtre de pondération avec y(k) = 0 pour (N-1)< k <0.

D'un point de vue mathématique, on a z(n) = x(n)y(n) d'où Z(f) = X(f)⊗Y(f) où le

symbole ⊗ désigne le produit de convolution. Dans l'intervalle [0, Fe/2], la transformée de
Fourier numérique de X(f) est une raie d'amplitude A/2 située à f0 comme le montre la Fig. 14-
a. La transformée de Fourier numérique de Y(f) est constituée d'un lobe principal et de lobes
secondaires comme le montre la Fig. 14-b. Le produit de convolution X(f)⊗Y(f) revient à
''accrocher'' le motif de Y(f) autour de la fréquence f0 comme le montre la Fig. 14-c. Les
composantes Z(n) calculées sont des multiples de Fe/N où N est le nombre de points
d'acquisition. Dans le cas d'une fenêtre rectangulaire (y(k) = yR(k) = 1 pour 0 ≤ k ≤ ( N − 1)),
les zéros de Y(f) = YR(f) sont des multiples de Fe/N. Il s'ensuit que si f0 est également un
multiple de Fe/N (f0 = KFe/N par exemple avec K un entier) alors toutes les composantes Z(n)
sont nulles sauf Z(n=K) comme le montre la Fig. 14-c-α. Par contre si f0 n'est pas un multiple
de Fe/N alors toutes les composantes Z(n) sont différentes de zéro, c'est le cas de la Fig. 14-c-
β.
NB : On peut remarquer que si f0 est un multiple de Fe/N, alors la durée de
l'enregistrement NTe = N/Fe est un multiple de la période T0 = 1/f0, autrement dit
l'enregistrement contient un nombre entier de périodes T0 :

f0 = KFe/N → N/Fe = K/f0 → NTe = KT0

(a) X(f)
A/2

f
f0 F e /2
(b) Y(f) zoom
X (dB)

2 F e /N Fe /N
f
F e /2
Z(K)
(c) Z(f)
α) f 0 est un multiple zoom
de F e /N
(f 0 = KF e /N) Z(K-1) Z(K+1) Z(K+2)
f
F e /2
Z(f)
β) f 0 n'est pas un multiple zoom

de F e /N

f
F e /2

Fig. 14 Transformées de Fourier numériques X(f) du signal cosinusoïdal de fréquence f0, Y(f) de la fenêtre
et Z(f) du résultat de la convolution. Les cas α) et β) correspondent respectivement au cas où f0
est un multiple de Fe/N et au cas où f0 n'est pas un multiple de Fe/N.
 Les Fig. 15, 16, 17 et 18 montrent les résultats expérimentaux obtenus à partir d'un
générateur et d'un oscilloscope numérique muni de la fonction FFT (oscilloscope Yokogawa).

Fig. 15 Cas où la durée d'enregistrement est un multiple de la période du signal (f0 = 15 kHz)

Fig. 16 Cas où la durée d'enregistrement n'est pas un multiple de la période du signal (f0 = 15.07 kHz)
Fig. 17 Cas où la durée d'enregistrement n'est pas un multiple de la période du signal (f0 = 15.2 kHz)

Fig. 18 Cas où la durée d'enregistrement est un multiple de la période du signal (f0 = 16 kHz)
 II-1- les fenêtres d'analyse
Les fenêtres d'analyse ou de pondération jouent un rôle très important dans l'analyse de
Fourier. Une fenêtre est caractérisée par :
- la largeur de son lobe principal, elle fixe la résolution de l'analyse, c'est à dire
l'aptitude à pouvoir séparer deux fréquences proches l'une de l'autre.
- les amplitudes des lobes secondaires, ils fixent la dynamique de l'analyse, c'est à
dire l'aptitude à mesurer les amplitudes très différentes de deux composantes de
fréquence relativement éloignées l'une de l'autre

Pour un nombre d'échantillons N fixé la fenêtre rectangulaire est celle qui donne la
meilleure résolution; la largeur du lobe principal est égale à 2Fe/N. La fenêtre rectangulaire ne
permet pas par contre d'obtenir une bonne dynamique car les lobes secondaires décroissent très
lentement. En général on caractérise une fenêtre par l'atténution X (en dB) du premier lobe
secondaire (voir Fig. 14-b). Dans le cas d'une fenêtre rectangulaire, X est égal à 13 dB; cette
valeur est indépendante du nombre de points N. Pour obtenir une meilleure dynamique, on
construit d'autres fenêtres, la Fig. 18 en montre quelques unes ; Triangulaire, Hanning,
Hamming, Blackman ... . La fenêtre de Hanning, Hamming et Blackman sont des fenêtres dites
trigonométriques, à titre d'exemple les échantillons yH(k) de la fenêtre de Hanning s'écrivent :
1  2πk  
y H ( k ) = 1 − cos  pour 0 ≤ k ≤ ( N − 1). On peut remarquer que toutes ces fenêtres
2  N  
ont un lobe principal plus large que 2Fe/N, (4Fe/N pour Hanning, Hamming et 8Fe/N pour
Blackman) donc une résolution moins bonne que la fenêtre rectangulaire. Elles ont par contre
des lobes secondaires plus faibles que ceux de la fenêtre rectangulaire, elles offrent donc une
meilleure dynamique. On peut se poser la question : pourquoi ces différentes fenêtres ? le choix
d'une fenêtre se fait en fonction de l'écart en fréquence entre les deux composantes de
fréquence dont on veut mesurer les amplitudes. Prenons le cas par exemple des fenêtres de
Hanning et Hamming, si les deux fréquences à distinguer sont relativement proches l'une de
l'autre, une fenêtre de Hamming s'impose car le premier lobe secondaire, ainsi que les suivants,
sont à environ - 45 dB du lobe principal, par contre si l'écart entre les deux fréquences est
grand une fenêtre de Hanning est mieux appropriée car l'atténuation des lobes décroit quand la
fréquence augmente et elle peut être inférieure à -45 dB.
Les Fig. 19 à 24 illustrent un problème de résolution, en effet il s'agit de séparer deux
fréquences très proches l'une de l'autre, ∆F = 1.95 Hz. Les amplitudes des deux composantes
sont identiques. La Fig. 19 montre les échantillons x(k) = z(k) après passage au travers d'une
fenêtre rectangulaire. La Fig. 20 montre les échantillons z(k) après passage au travers d'une
fenêtre de Hanning. Les Fig. 21 et 22 montrent les composantes Z(n) de la FFT obtenues avec
la fenêtre rectangulaire. Sur la Fig. 22, qui est un ''zoom'' de la Fig. 21, on observe bien les
deux composantes car on vérifie la relation ∆F>2Fe/N, (Fe = 1 kHz et N = 1024). Sur les Fig.
23 et 24, on a tracé les composantes Z(n) de la FFT dans le cas d'une fenêtre de Hanning, cette
fois il est impossible de séparer les deux composantes de fréqence car ∆F<4Fe/N.
Les Fig. 25 à 27 illustrent un problème de dynamique, cette fois il s'agit de faire
apparaître les deux composantes d'un signal constitué de deux fréquences relativement
éloignées l'une de l'autre; ∆F= 29.78Hz. Le rapport des amplitudes des deux composantes est
de 5x105. La Fig. 25 montre les échantillons x(k) = z(k) après passage au travers d'une fenêtre
rectangulaire. La Fig. 26 montre les échantillons z(k) après passage au travers d'une fenêtre de
Hanning. Sur la Fig. 26, on vérifie bien la forme cosinusoïdale de la fenêtre de Hanning. Les
composantes Z(n) de la FFT, après passage des échantillons au travers de la fenêtre
rectangulaire, sont tracées sur la Fig. 27; les deux composantes de fréquence ne sont pas
clairement observées. L'utilisation d'une fenêtre de Hanning permet quant à elle une bonne
observation des deux composantes comme le montre la Fig. 28.
Les courbes des Fig. 19 à 28 ont été obtenues à l'aide du logiciel Matlab.