0% ont trouvé ce document utile (0 vote)

41 vues155 pages

Analyse des Signaux et Systèmes

Transféré par

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

0% ont trouvé ce document utile (0 vote)

41 vues155 pages

Analyse des Signaux et Systèmes

Transféré par

Lefa

Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.

Formats disponibles

Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Département d'Electricité

et Informatique

Unité SES

Signaux et Systèmes

1ère partie

Analyse des signaux

analogiques (Fourier)

in s t i t u t d '
Au t o m a t i s a t i o n
in d u s t r i e l l e Prof. Freddy Mudry
(C)2005 [email protected]
Unité SES - Signaux et Systèmes

Objectifs : À l’issue de ce cours, l’étudiant sera en mesure de :

1. Analyser et mettre en pratique les relations temps-fréquence.

2. Maîtriser les séries de Fourier : représentations spectrales et calcul de la puissance.
3. Évaluer les caractéristiques d’un système analogique et les réponses temporelles.
4. Décrire le comportement des systèmes contre-réactionnés.
5. Évaluer les effets de l’échantillonnage et de la quantification.
6. Évaluer et calculer le comportement d’un système numérique linéaire.

À l’issue des travaux pratiques en laboratoire, l’étudiant sera en outre capable de :

1. Maîtriser un outil de programmation tel que Matlab.

2. Synthétiser et analyser des signaux.
3. Visualiser, décrire et analyser le spectre d’un signal quelconque.
4. Simuler des systèmes analogiques linéaires ou non et apprécier leurs effets.
5. Écrire “en ligne” un rapport succint mais complet de son travail.

Programme : Un temps total de 96 périodes est accordé à cette unité d’enseignement. Il est bien
clair que le programme ci-dessous constitue une ligne directrice et que le rythme du cours peut
être légèrement modifié selon les circonstances.

Semestres Signaux et Systèmes Périodes Total Semaines

Cours
H04-05 Semestre 3b : 4 pér. hebdo. = 32 périodes
I Étude des signaux périodiques 12 12 3
Analyse des signaux non périodiques 8 20 5
Éléments d’analyse spectrale numérique 8 28 7
1 TE + correction 4 32 8
Cours
E05 Semestre 4a : 5 pér. hebdo. = 40 périodes
II Analyse des systèmes linéaires 4 4 1
Étude des systèmes analogiques 6 10 2
Éléments de régulation automatique 8 18 3.6
III Échantillonnage et reconstruction des signaux 6 24 4.8
Signaux et systèmes numériques 12 36 7.2
1 TE + correction 4 40 8
Labo
E05 Semestre 4a : 3 pér. hebdo. = 24 périodes
IV Synthèse et analyse de signaux périodiques 6 6 2
Simulation d’un système analogique 6 12 4
Numérisation des signaux analogiques 6 18 6
Synthèse et réalisation de filtres numériques 6 24 8

Traitement des signaux

1. B.P. Lathi : Signal Processing and Linear Systems, Berkeley-Cambridge

Press, 1998
2. B.P. Lathi : Linear Systems and Signals, Berkeley-Cambridge Press,
1992
3. F. de Coulon : Théorie et traitement des signaux, PPR, 1984
4. A. Spataru : Fondements de la théorie de la transmission de l’infor-
mation, PPR, 1987
5. A.V. Oppenheim, A.S. Willsky : Signals and Systems, Prentice-Hall,
1983

Traitement numérique des signaux

1. B. Porat : A Course in Digital Signal Processing, J. Wiley, 1997

2. J.H. McClellan, R.W. Schafer, M.A. Yoder : DSP First, Prentice Hall,
1999
3. J.G. Proakis, D.G. Manolakis : Digital Signal Processing, MacMillan,
2ème édition, 1992
4. C.S. Burrus et al. : Computer-Based Exercises for Signal Processing,
Prentice-Hall, 1994
5. V.K. Ingle, J.G. Proakis : Digital Signal Processing Using MatLab,
PWS, 1997
6. E.C. Ifeachor, B.W. Jervis : Digital Signal Processing, Addison-Wesley,
1993

Filtres analogiques et numériques

1. M. Labarrère et al. : Le filtrage et ses applications, Cepadues Editions,

1982
2. R. Boîte, H. Leich : Les filtres numériques, Masson, 1980
3. R. Miquel : Le filtrage numérique par microprocesseurs, Editests,
1985

(C)2005 [email protected] iii

4. H. Lam : Analog and Digital Filters, Prentice Hall, 1979
5. T.W. Parks, C.S. Burrus : Digital Filter Design, J. Wiley, 1987
6. Ch.S. Williams : Designing Digital Filters, Prentice-Hall, 1986

Analyse spectrale numérique

1. Hewlett-Packard : The Fundamentals of Signal Analysis, Application

Note 243, 1981
2. R.B. Randall : Frequency Analysis, Brüel-Kjaer, 1987
3. C.S. Burrus, T.W. Parks : DFT / FFT and convolution algorithms, J.
Wiley, 1985
4. R.W. Ramirez : The FFT Fundamentals and Concepts, Prentice-Hall,
1985

Traitement de la parole

1. R. Boite et all : Traitement de la parole, PPUR, 2000

2. Deller, Proakis, Hansen : Discrete Time Processing of Speech Signals,
Macmillan, 1993
3. S. Saito, K. Nakata : Fundamentals of Speech Signal Processing, Aca-
demic Press, 1985
4. L.R. Rabiner, R.W. Schafer : Digital Signal Processing of Speech,
Prentice-Hall, 1978

Pour le plaisir des yeux et de l’esprit

1. Warusfel André : Les nombres et leurs mystères, Seuil 1961

2. Stewart Ian : Does God Play Dice ? the new mathematics of chaos,
Penguin, 1989
3. Stewart Ian : Dieu joue-t-il aux dés ? les nouvelles mathématiques du
chaos, Flammarion, 1993
4. Dunham William : Euler, the master of us all, The Mathematical As-
sociation of America, 1999
5. Maor Eli : To Infinity and Beyond : a cultural history of the infinity,
Birkhäuser, 1986

iv (C)2005 [email protected]
6. Klein Etienne : La physique quantique, Dominos Flammarion, 1996
7. Hawking Stephen : Une brève histoire du temps, Flammarion, 1988
8. Reeves Hubert : Malicorne : réflexions d’un observateur de la nature,
Seuil, 1990
9. ThuanTrinh Xuan : Le chaos et l’harmonie : la fabrication du réel,
folio essais, Gallimard, 1998
10. Davis Ph.J, Hersh R. : L’univers mathématique, Bordas 1985
11. Ekeland Ivan : Le Calcul, l’Imprévu : les figures du temps de Kepler
à Thom, Seuil 1984
12. Conway John : The Book of Numbers, Copernicus, 1996
13. Fivaz Roland : L’ordre et la volupté, PPR 1989
14. Lesieur Marcel : La turbulence, Grenoble PUG 1994

Quelques adresses Internet

Démonstrations interactives

1. http ://www.jhu.edu/~signals/
2. http ://image-1.rose-hulman.edu/~yoder/bookcd/visible/contents/cover.htm
3. http ://www.engin.umich.edu/group/ctm/home.text.htm

Livre et divers

1. http ://www.dspguide.com/pdfbook.htm
2. http ://www.redcedar.com/learndsp.htm
3. http ://www.dspguru.com/info/tutor/other.htm

Logiciels gratuits

1. http ://www.sysquake.com
2. http ://www.dspguru.com/sw/opendsp/mathclo.htm
3. http ://www-rocq.inria.fr/scilab/scilab.htm

1 A NALYSE DES SIGNAUX PÉRIODIQUES 1

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Deux représentations pour un seul signal . . . . . . . . . . . . . . . . . 1
1.3 Séries de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Définition de la série de Fourier . . . . . . . . . . . . . . . . . . 4
1.3.2 Série de Fourier en cosinus . . . . . . . . . . . . . . . . . . . . . 5
1.3.3 Série de Fourier complexe . . . . . . . . . . . . . . . . . . . . . 5
1.3.4 Relations entre les 3 représentations de Fourier . . . . . . . . . . 6
1.4 Spectres d’amplitudes et de phases . . . . . . . . . . . . . . . . . . . . . 8
1.4.1 Spectres unilatéraux . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.2 Spectres bilatéraux . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Coefficients spectraux et symétries des signaux . . . . . . . . . . 9
1.4.4 Exemple de représentations spectrales d’un signal . . . . . . . . 10
1.5 Suite d’impulsions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1 Suite d’impulsions rectangulaires . . . . . . . . . . . . . . . . . 10
1.5.2 Suite d’impulsions triangulaires . . . . . . . . . . . . . . . . . . 14
1.5.3 Suite d’exponentielles décroissantes . . . . . . . . . . . . . . . . 15
1.6 Reconstruction des signaux . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.1 Synthèse d’un signal carré . . . . . . . . . . . . . . . . . . . . . 16
1.6.2 Phénomène de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.3 Importance de la phase . . . . . . . . . . . . . . . . . . . . . . . 17
1.7 Quelques théorèmes importants . . . . . . . . . . . . . . . . . . . . . . . 18
1.7.1 Théorème de la puissance (dit de Parseval) . . . . . . . . . . . . 18
1.7.2 Décalage temporel . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.7.3 Modulation d’amplitude . . . . . . . . . . . . . . . . . . . . . . 21
1.7.4 Rotation autour de l’ordonnée . . . . . . . . . . . . . . . . . . . 23
1.8 Calcul de quelques spectres . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.8.1 Suite d’impulsions composites . . . . . . . . . . . . . . . . . . . 25
1.8.2 SIR décalée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
1.9 Réponse d’un système linéaire . . . . . . . . . . . . . . . . . . . . . . . 28
1.9.1 Analyse de la réponse d’un filtre passe-bas . . . . . . . . . . . . 29
1.10 Réponse d’un système non-linéaire . . . . . . . . . . . . . . . . . . . . . 31
1.10.1 Distorsion due à une diode . . . . . . . . . . . . . . . . . . . . . 31
1.11 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

(C)2005 [email protected] vii

Table des matières

2 A NALYSE DES SIGNAUX NON PÉRIODIQUES 47

2.1 Transformation de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.1.1 Passage de la série à la transformation de Fourier . . . . . . . . . 47
2.1.2 TF directe et inverse . . . . . . . . . . . . . . . . . . . . . . . . 49
2.1.3 Énergie d’un signal non permanent . . . . . . . . . . . . . . . . 49
2.1.4 Propriétés de la transformation de Fourier . . . . . . . . . . . . . 50
2.2 Exemples de spectres continus . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.1 Spectre d’une impulsion rectangulaire . . . . . . . . . . . . . . . 50
2.2.2 Spectres d’un sinus amorti . . . . . . . . . . . . . . . . . . . . . 52
2.2.3 Spectres de 2 impulsions . . . . . . . . . . . . . . . . . . . . . . 54
2.2.4 Extension de la transformation de Fourier . . . . . . . . . . . . . 55
2.3 Calcul de quelques transformées . . . . . . . . . . . . . . . . . . . . . . 56
2.3.1 Exponentielle décroissante . . . . . . . . . . . . . . . . . . . . . 60
2.3.2 Exponentielle décroissante symétrique . . . . . . . . . . . . . . 61
2.3.3 Signal unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3.4 Saut unité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.3.5 Phaseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3.6 Signal sinusoïdal . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.3.7 Impulsion sinusoïdale . . . . . . . . . . . . . . . . . . . . . . . 64
2.4 Quelques conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.4.1 TF des signaux périodiques . . . . . . . . . . . . . . . . . . . . 65
2.4.2 Relations avec la transformation de Laplace . . . . . . . . . . . . 65
2.4.3 Table de quelques transformées de Fourier . . . . . . . . . . . . . 67
2.5 Classification des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.5.1 Classification phénoménologique . . . . . . . . . . . . . . . . . 68
2.5.2 Classification énergétique . . . . . . . . . . . . . . . . . . . . . 68
2.6 Comparaison des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.6.1 Signaux à énergie finie . . . . . . . . . . . . . . . . . . . . . . . 70
2.6.2 Corrélation de signaux à puissance finie . . . . . . . . . . . . . . 72
2.6.3 Propriétés de l’autocorrélation . . . . . . . . . . . . . . . . . . . 73
2.6.4 Propriétés de l’intercorrélation . . . . . . . . . . . . . . . . . . . 75
2.6.5 Calcul numérique de la corrélation . . . . . . . . . . . . . . . . . 76
2.7 Exemples de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.7.1 Fonction de corrélation d’un signal chirp . . . . . . . . . . . . . 77
2.7.2 Fonction de corrélation d’une SBPA . . . . . . . . . . . . . . . . 77
2.7.3 Une illustration de l’utilisation de la corrélation . . . . . . . . . . 78
2.8 Signaux types . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.8.1 Signaux déterministes temporaires . . . . . . . . . . . . . . . . . 81
2.8.2 Signaux déterministes permanents . . . . . . . . . . . . . . . . . 81
2.8.3 Signaux aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . 82
2.9 Description des signaux aléatoires . . . . . . . . . . . . . . . . . . . . . 82
2.9.1 Le bruit blanc à densité spectrale constante et bande infinie . . . . 84
2.9.2 Le bruit à densité spectrale constante et bande limitée . . . . . . . 85
2.9.3 Le bruit coloré à puissance finie . . . . . . . . . . . . . . . . . . 85
2.10 Systèmes linéaires et densités spectrales . . . . . . . . . . . . . . . . . . 86
2.11 Énergie et puissance des signaux . . . . . . . . . . . . . . . . . . . . . . 87

viii (C)2005 [email protected]

Table des matières

2.11.1 Domaine temporel . . . . . . . . . . . . . . . . . . . . . . . . . 87

2.11.2 Domaine fréquentiel . . . . . . . . . . . . . . . . . . . . . . . . 88
2.12 Temps, spectres et statistique des signaux . . . . . . . . . . . . . . . . . 89
2.13 Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2.14 Table illustrée de quelques transformées de Fourier . . . . . . . . . . . . 95
2.15 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE 111

3.1 Passage de la TF à la TFD . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.1.1 Signaux continus non-périodiques . . . . . . . . . . . . . . . . . 112
3.1.2 Signaux discrets de durée infinie . . . . . . . . . . . . . . . . . . 112
3.1.3 Signaux discrets de durée finie . . . . . . . . . . . . . . . . . . 114
3.1.4 Discrétisation de la fréquence . . . . . . . . . . . . . . . . . . . 114
3.2 Relations temps-fréquence . . . . . . . . . . . . . . . . . . . . . . . . . 115
3.3 Transformation de Fourier discrète . . . . . . . . . . . . . . . . . . . . . 116
3.3.1 Définition de la TFD . . . . . . . . . . . . . . . . . . . . . . . . 116
3.3.2 TFD d’un signal périodique . . . . . . . . . . . . . . . . . . . . 118
3.3.3 TFD et FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.4 Spectre d’une sinusoïde . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
3.4.1 Le nombre de périodes enregistrées est un entier . . . . . . . . . 119
3.4.2 Le nombre de périodes enregistrées n’est pas un entier . . . . . . 120
3.5 Fenêtres d’observation . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.5.1 Quatre fenêtres usuelles . . . . . . . . . . . . . . . . . . . . . . 121
3.5.2 Effet d’une fenêtre . . . . . . . . . . . . . . . . . . . . . . . . . 121
3.5.3 Choix d’une fenêtre . . . . . . . . . . . . . . . . . . . . . . . . . 124
3.6 Exemple 1 : analyse spectrale élémentaire . . . . . . . . . . . . . . . . . 124
3.7 Exemple 2 : reconstruction d’un signal . . . . . . . . . . . . . . . . . . . 127
3.8 Exemple 3 : analyse spectrale détaillée . . . . . . . . . . . . . . . . . . . 130
3.8.1 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.8.2 Signal temporel . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
3.8.3 Paramètres d’acquisition . . . . . . . . . . . . . . . . . . . . . . 131
3.8.4 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . 131
3.8.5 Estimation des amplitudes . . . . . . . . . . . . . . . . . . . . . 133
3.8.6 Calcul des signaux et des spectres . . . . . . . . . . . . . . . . . 135
3.9 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

x (C)2005 [email protected]
1 A NALYSE DES SIGNAUX PÉRIODIQUES

1.1 Introduction

L’analyse harmonique ou fréquentielle est l’instrument majeur de la théorie des signaux

et des systèmes. Le développement en séries de Fourier et, plus généralement, la trans-
formation de Fourier permettent d’obtenir une représentation spectrale des signaux déter-
ministes. Celle-ci exprime la répartition de l’amplitude, de la phase, de l’énergie ou de la
puissance des signaux considérés en fonction de la fréquence.
Ce chapitre et le suivant sont une introduction aux représentations spectrales des signaux
à l’aide des séries de Fourier et de la transformation de Fourier. Pour plus de détails, on
consultera avantageusement le livre de B.P. Lathy [1].

1.2 Deux représentations pour un seul signal

Le temps et la fréquence sont deux bases servant à la description des signaux. Ce sont deux
points de vue différents d’une même réalité ; ils sont complémentaires. Il est important de
bien comprendre les relations qui existent entre ces deux bases ; c’est le but de ce chapitre.
Une grandeur sinusoïdale est décrite par l’équation :
x(t) = A cos(2π f0t + α) (1.1)

Son évolution temporelle est contenue dans le mot cos ; dès lors, on sait que le signal x(t)
ondule avec une forme précise fixée par la fonction cosinus. Cependant, des informations
supplémentaires sont données : l’amplitude A, la phase α et la fréquence f0 . Ce sont ces
informations qui sont fournies par la représentation fréquentielle ou spectrale.
Comme le temps et la fréquence sont les deux composantes de la description d’un même
signal, une sinusoïde devrait être représentée dans un espace à trois dimensions (fig. 1.1).
Une telle représentation étant mal pratique, on la remplace par ses projections sur les
plans temporel et fréquentiel.
Dans la projection sur l’axe du temps, on retrouve le dessin bien connu d’une sinusoïde,
alors que la projection sur l’axe des fréquences conduit à une raie située en f = f0 et de
hauteur A. Comme cette projection ne fournit que l’amplitude A, il est nécessaire, pour la
fréquence considérée, de donner également la phase α. Ces deux diagrammes portent le
nom de spectres d’amplitudes et de phases.
Considérons un signal composé de 2 sinusoïdes
π 1 π
x(t) = A cos(2π f0t − ) + A cos(4π f0t − ) (1.2)
2 2 4

0 t

-A T

Espace temporel

T t
0

1/T

Espace fréquentiel
f

Amplitude Phase
+π
A

f 1/T f
0 1/T 0

−π

F IG . 1.1: Descriptions temporelle et fréquentielle d’une sinusoïde

2 (C)2005 [email protected]
1.2 Deux représentations pour un seul signal

Sinusoides de fréquences f0 et 2f0

1.5

0.5

−0.5

−1

−1.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

Somme de 2 sinusoides
1.5

0.5

−0.5

−1

−1.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5

F IG . 1.2: Somme de 2 sinusoïdes de fréquences différentes

A A
900 900
A/2 A/2
450 450
f f0 f f 2 f0 f
f0 2 f0

-450 -450

-900 -900

Cosinusoïde d'amplitude A et de phase -900 Cosinusoïde d'amplitude A/2 et de phase -450

A
900

450
f f0 2 f0 f
f0 2 f0

-450

-900

Signal périodique non-sinusoïdal

F IG . 1.3: Spectres individuels et spectre résultant

La figure 1.2 illustre le comportement temporel de ce signal et de ses 2 composantes.

La figure 1.3 montre ce qui se passe alors dans l’espace des fréquences. On notera que
la somme des 2 cosinusoïdes dans l’espace temps conduit également à la somme des
spectres d’amplitudes et de phases.

1.3 Séries de Fourier

L’élément fondamental de l’analyse de Fourier est constitué par le fait qu’un signal pé-
riodique peut être décomposé en une somme d’ondes sinusoïdales. Une illustration de la
construction d’un signal périodique non-sinusoïdal est donnée à la figure 1.4 : le signal
résultant est la somme de trois sinusoïdes dont la fréquence est chaque fois un multiple
de la fondamentale f0 .

6 6
x1(t) 1+x1(t)
4 4

2 2

0 0

−2 −2
−2 −1 0 1 2 −2 −1 0 1 2

6 6
x (t) 1+x (t)+x (t)
2 1 2
4 4

2 2

0 0

−2 −2
−2 −1 0 1 2 −2 −1 0 1 2

6 6
x3(t) 1+x1(t)+x2(t)+x3(t)
4 4

2 2

0 0

−2 −2
−2 −1 0 1 2 −2 −1 0 1 2

F IG . 1.4: Construction d’un signal périodique non-sinusoïdal

1.3.1 Définition de la série de Fourier

Considérons un signal périodique x(t) de période T = 1/ f0 . Son développement en série

de Fourier est alors le suivant :
∞ ∞
a0
x(t) = + ∑ ak cos(2πk f0t) + ∑ bk sin(2πk f0t) (1.3)
2 k=1 k=1

4 (C)2005 [email protected]
1.3 Séries de Fourier

où f0 = 1/T est la fréquence fondamentale du signal, a0 /2 est la valeur moyenne ou com-

posante continue et ak , bk sont les coefficients de Fourier du développement en cosinus et
sinus.
Les coefficients de Fourier ak et bk se calculent comme suit :
2 +T /2
Z
ak = x(t) cos(2πk f0t)dt, k≥0 (1.4)
T −T /2
2 +T /2
Z
bk = x(t) sin(2πk f0t)dt, k≥1 (1.5)
T −T /2
N.B. : Cette représentation qui sert de point de départ au développement en séries de
Fourier n’a aucun intérêt en traitement du signal ; elle est remplacée par la série en cosinus
et la série complexe.

1.3.2 Série de Fourier en cosinus

Prenant en compte la relation trigonométrique suivante :

p
2 2
−B
A cos(x) + B sin(x) = A + B cos x + arctan (1.6)
A
on voit que le développement en série de Fourier peut également s’écrire :
∞
x(t) = A0 + ∑ Ak cos(2πk f0t + αk ) (1.7)
k=1

avec :
a0 −bk
q
A0 = Ak = a2k + b2k αk = arctan (1.8)
2 ak
Cette série en cosinus est extrêmement importante car elle correspond à la description
bien connue des signaux en régime sinusoïdal permanent où l’on représente un courant
ou une tension par leur amplitude et leur phase. D’un point de vue pratique, cela revient
à considérer que le signal x(t) est créé de manière équivalente par une infinité de généra-
teurs sinusoïdaux. La représentation spectrale qui lui est associée porte le nom de spectre
unilatéral.
Une illustration en est donnée à la figure 1.5. On y voit une onde périodique en dents de
scie qui peut être reconstruite par une superposition d’ondes sinusoïdales. Cette superpo-
sition peut être présentée dans l’espace temps ou, de manière équivalente et plus explicite,
dans l’espace des fréquences.

1.3.3 Série de Fourier complexe

Se souvenant des relations d’Euler :

1
cos(x) = (exp(+ jx) + exp(− jx)) (1.9)
2
1
sin(x) = (exp(+ jx) − exp(− jx)) (1.10)
2j

1 1

0.5 0.5

x(t) et xc(t)

xk(t)
0 0

−0.5 −0.5

−1 −1
−0.5 0 0.5 1 1.5 −0.5 0 0.5 1 1.5
temps temps

0.7 2

0.6
1
0.5
module(X(jk))

phase(X(jk))
0.4
0
0.3

0.2
−1
0.1

0 −2
0 2 4 6 8 10 0 2 4 6 8 10
fréquence [k f0] fréquence [k f0]

F IG . 1.5: Onde en dents de scie, composantes et spectres d’amplitudes et de phases

on montre aisément que la série de Fourier peut être transformée en une série de Fourier
complexe :
∞
x(t) = ∑ X( jk) exp(+ j2πk f0t) (1.11)
k=−∞

Les coefficients X( jk) sont alors complexes et valent :

Z +T /2
1
X( jk) = x(t) exp(− j2πk f0t)dt − ∞ < k < +∞ (1.12)
T −T /2

La représentation spectrale graphique qui lui est associée porte le nom de spectre bila-
téral. Pour la suite du cours, on retiendra essentiellement cette description car elle est
analytiquement plus intéressante que la forme en cosinus.
On remarquera au passage que la formule d’Euler remplace les fonctions sinus et cosinus
par des exponentielles à exposant imaginaire appelées phaseurs. Ces phaseurs ne sont
rien d’autres que des fonctions complexes oscillant cosinusoïdalement sur l’axe réel et
sinusoïdalement sur l’axe imaginaire.

1.3.4 Relations entre les 3 représentations de Fourier

Les relations existant entre les trois représentations de Fourier sont présentées dans le
tableau 1.1 et illustrées par la figure 1.6. Cette figure est importante car elle permet de
voir en un coup d’oeil les relations simples liant les trois représentations spectrales.

6 (C)2005 [email protected]
1.3 Séries de Fourier

Im
Ak ∈R
-bk

-bk/2
X(+jk) ∈C

+αk
Re
+ak/2 +ak
−αk

X(-jk)
+bk/2

F IG . 1.6: Représentation vectorielle des 3 séries de Fourier

k=0 a0 /2 A0 X(0)
k>0 {ak , bk } {Ak , αk } X(± jk)

ak ak +Ak cos(αk ) +2 Re{X( jk)}

bk bk −Ak sin(αk ) −2 Im{X( jk)}

q
Ak a2k + b2k Ak 2|X( jk)|

−bk Im{X(+ jk)}
αk arctan αk arctan
ak Re{X(+ jk)}

1 1
X(+ jk) 2 (ak − jbk ) 2 Ak exp(+ jαk ) X(+ jk)

1 1
X(− jk) 2 (ak + jbk ) 2 Ak exp(− jαk ) X(− jk)

TAB . 1.1: Relations entre les 3 représentations spectrales

On retiendra également la relation existant entre les coefficients spectraux et la valeur

efficace d’une composante spectrale :
Ak √
Ak,e f f = √ = 2 |X( jk)| (1.13)
2

1.4 Spectres d’amplitudes et de phases

1.4.1 Spectres unilatéraux

La description de x(t) avec les fonctions cosinusoïdales Ak cos(2πk f0t + αk ) conduit aux
spectres unilatéraux d’amplitudes et de phases (Ak et αk ) du signal x(t). Ici, les fréquences
sont positives ou nulles car le compteur k des harmoniques varie de 0 à +∞ (figure 1.7).

Signaux Spectres unilatéraux

0.8
1
0.6
0.5
0.4
0
−0.5 0.2

−1 0
0 1 2 3 0 2 4 6

0.8
1
0.6
0.5
0.4
0
−0.5 0.2

−1 0
0 1 2 3 0 2 4 6

0.8
1 0.6

0.4
0.5
0.2
0
0
0 1 2 3 0 2 4 6
temps fréquence

F IG . 1.7: Quelques signaux avec leur spectre unilatéral d’amplitudes

1.4.2 Spectres bilatéraux

La description de x(t) avec les fonctions complexes X(± jk) exp(+ j2πk f0t) conduit aux
spectres bilatéraux d’amplitudes et de phases (|X( jk)| et ∠X( jk)). Ici, les fréquences sont
négatives et positives car le compteur k varie de −∞ à +∞.
Dans le cas des spectres bilatéraux, on notera que les spectres d’amplitudes sont toujours
des fonctions paires car on a :

8 (C)2005 [email protected]
1.4 Spectres d’amplitudes et de phases

Ak
|X(+ jk)| = |X(− jk)| = , k 6= 0 (1.14)
2
alors que les spectres de phases sont toujours des fonctions impaires. On a en effet :

∠X(+ jk) = −∠X(− jk) = αk , k 6= 0 (1.15)

Pour le cas particulier de la composante continue du signal, on a :

|X(0)| = A0 , ∠X(0) = 0, π

1.4.3 Coefficients spectraux et symétries des signaux

Si l’on tient compte des symétries du signal, le calcul des séries de Fourier est simplifié.
On démontre en effet aisément les propriétés suivantes :
– une fonction paire est représentée par des cosinus seulement ; on a alors :

αk = 0, ±π Im{X( jk)} = 0 (1.16)

– une fonction impaire est représentée par des sinus seulement ; on a alors :
π
αk = ± , Re{X( jk)} = 0 (1.17)
2
– une fonction à symétrie demi-onde ne possède pas d’harmoniques pairs :

X( jk) = 0, si k est pair (1.18)

Les fonctions à symétrie demi-onde sont telles qu’une rotation autour de l’abscisse de
l’alternance positive ou négative permet de reproduire l’autre alternance (figure 1.8).
1.5

0.5

−0.5

−1

−1.5
0 0.5 1 1.5 2 2.5 3

F IG . 1.8: Exemple d’une fonction à symétrie demi-onde

1.4.4 Exemple de représentations spectrales d’un signal

Considérant le signal x(t) = 3 + 2 cos(2π f0t) − 3.464 sin(2π f0t) + 2 sin(4π f0t + π/4), on
souhaite le décrire dans les représentations spectrales uni- et bi-latérales.
Utilisant les règles de trigonométrie, on obtient la forme en cosinus :
π
x(t) = 3 + 2 cos(2π f0t) − 3.464 sin(2π f0t) + 2 sin(4π f0t + )
4
π π

p
2 2
−(−3.464)
= 3 + 2 + 3.464 cos 2π f0t + arctan + 2 cos 4π f0t + −
2 4 2

= 3 + 4 cos(2π · 1 · f0t + π/3) + 2 cos(2π · 2 · f0t − π/4)

= A0 + A1 cos(2π f0t + α1 ) + A2 cos(4π f0t + α2 )

Cette expression est la forme mathématique de la représentation spectrale unilatérale.

Appliquant les règles d’Euler à cette dernière expression, on obtient la forme complexe :

x(t) = 3 + 2 exp (+ j(2π f0t + π/3)) + 2 exp (− j(2π f0t + π/3))

+1 exp (+ j(4π f0t − π/4)) + 1 exp (− j(4π f0t − π/4))

= 3 + 2 exp(+ jπ/3) exp (+ j2π f0t) + 2 exp(− jπ/3) exp (− j2π f0t)
+1 exp(− jπ/4) exp (+ j4π f0t) + 1 exp(+ jπ/4) exp (− j4π f0t)

= X(0) + X(+ j1) exp (+ j2π f0t) + X(− j1) exp (− j2π f0 )
+X(+ j2) exp (+ j4π f0t) + X(− j2) exp (− j4π f0t)

qui est la forme mathématique de la représentation spectrale bilatérale.

De la lecture de ces deux expressions découle immédiatement le tracé des spectres d’am-
plitudes et de phases dans les deux représentations spectrales (figure 1.9). On notera que,
pour k 6= 0, les amplitudes du spectre bilatéral sont 2 fois plus petites que celles du spectre
unilatéral.

1.5 Suite d’impulsions

1.5.1 Suite d’impulsions rectangulaires

La suite d’impulsions rectangulaires (SIR) est un signal particulièrement important car

elle apparaît dans de nombreuses applications telles que l’échantillonnage, la modulation
d’impulsions, etc.
Évaluons donc la série de Fourier complexe de la SIR x(t) représentée à la figure 1.10. Par
définition des coefficients complexes X( jk), on a :

10 (C)2005 [email protected]
1.5 Suite d’impulsions

Signal temporel
10

5
x(t)

−5
0 0.5 1 1.5 2 2.5 3 3.5 4
Spectres unilatéraux temps Spectres bilatéraux
5 5
4 4
3 3

|X(jk)|
Ak

2 2
1 1
0 0
0 1 2 3 4 −2 −1 0 1 2
k f0 k f0
1 1

0.5 0.5
/X(jk) / π
αk / π

0 0

−0.5 −0.5

−1 −1
0 1 2 3 4 −2 −1 0 1 2
k f0 k f0

F IG . 1.9: Représentations spectrales d’un signal périodique

x(t)

∆t

t
-T 0 +T

F IG . 1.10: Suite d’impulsions rectangulaires

Z +T /2
1 1
X( jk) = x(t) exp(− j2πk f0t)dt avec f0 =
T −T /2 T

En tenant compte de la définition de la SIR, il vient :

A +∆t/2
Z
X( jk) = exp(− j2πk f0t)dt
T −∆t/2
∆t ∆t

A −1
= exp(− j2πk f0 ) − exp(+ j2πk f0 )
T j2πk f0 2 2

Les relations d’Euler permettent de passer de la différence des exponentielles à un sinus

et d’écrire ces coefficients sous la forme d’un sinus cardinal :

∆t sin(kπ f0 ∆t)
X( jk) = A (1.19)
T kπ f0 ∆t

On notera que l’amplitude du spectre X( jk) est égale à la valeur moyenne de la SIR car
la fonction sin(x)/x tend vers 1 lorsque x tend vers 0. De plus, et comme on pouvait s’y
attendre, les coefficients de Fourier sont purement réels puisque le signal est pair. Leur
enveloppe est une fonction en sin(x)/x qui porte le nom de sinus cardinal (figure 1.11).
X(jk)

A ∆t/T

1/T = f0

f = k f0

-1/∆t +1/∆t

F IG . 1.11: Spectre d’une suite d’impulsions rectangulaires

On remarquera que plus les impulsions sont étroites par rapport à la période T , plus le
spectre s’étale. En effet, le premier passage par zéro se fait à la fréquence 1/∆t. Par
contre, la distance entre raies spectrales ne change pas puisqu’elle est égale à l’inverse
de la période de la SIR f0 = 1/T .

12 (C)2005 [email protected]
1.5 Suite d’impulsions

| X(jk) |

f = k f0

/_X(jk)

+π

f = k f0

−π

F IG . 1.12: Spectres d’amplitudes et de phases d’une SIR

Il est fréquent que le spectre d’un signal soit complexe. Dans ce cas, sa représentation
dans un plan ne peut se faire qu’au travers du traçage distinct des spectres d’amplitudes
et de phases. C’est pour cela, que le spectre de la figure 1.11 est souvent donné à l’aide
des 2 représentations de la figure 1.12.

1.5.2 Suite d’impulsions triangulaires

Il existe une autre suite d’impulsions qui est également très importante en télécommuni-
cations ; il s’agit de la suite d’impulsions triangulaires (SIT). Le signal x(t) et son spectre
X( jk) sont représentés à la figure 1.13. Afin que les surfaces de la SIR et de la SIT soient
égales, la largeur à la base du triangle est égale à 2∆t. L’expression de X( jk) est alors la
suivante :

∆t sin(kπ f0 ∆t)
2
X( jk) = A (1.20)
T kπ f0 ∆t

x(t)
Α

t
0
-T −∆t +∆t +T

X(jk)
A ∆t/T

f = k f0

-1/ ∆t 0 +1/ ∆t

F IG . 1.13: Suite d’impulsions triangulaires avec son spectre

14 (C)2005 [email protected]
1.5 Suite d’impulsions

1.5.3 Suite d’exponentielles décroissantes

Considérons une exponentielle qui se répète périodiquement aux instants kT :

x(t) = A · exp(−t/τ) si 0 ≤ t < T

Le calcul de son spectre se fait en appliquant la définition de X( jk) :

1 T
Z
X( jk) = x(t) exp(− j2πk f0t)dt
T 0
A T
Z
= exp(−t/τ) exp(− j2πk f0t)dt
T 0
A T

1
Z
= exp −t( + j2πk f0 ) dt
T 0 τ
T
A exp −t( 1τ + j2πk f0 )
= ·
T −( 1τ + j2πk f0 )
0
A −τ T
= · exp −( + j2πk f0 T ) − 1
T (1 + j2πk f0 τ) τ

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
−1 −0.5 0 0.5 1 1.5 2

F IG . 1.14: Suite d’exponentielles décroissantes (τ T )

En admettant que la constante de temps τ est beaucoup plus petite que la période T , on
permet à l’exponentielle de revenir à zéro à la fin de chaque période. Dans ce cas, le
premier terme entre crochets est beaucoup plus petit que 1 et peut être négligé. On obtient
alors le résultat intéressant suivant :

τ 1
X( jk) = A · si τ T (1.21)
T (1 + j2πk f0 τ)

On peut relever que dans ce résultat on trouve la fonction de transfert d’un filtre passe-bas
d’ordre 1 pondérée par le rapport A Tτ . La représentation des raies spectrales d’amplitudes
(figure 1.15) coïncidera donc, à un coefficient près, avec le module de la réponse fréquen-
tielle de ce filtre alors que celle des phases seront les mêmes.

0.1

0.08

abs(X(jf))
0.06

0.04

0.02

0
0 1 2 3 4 5 6 7 8 9 10

−20
angle(X(jf))

−40

−60

−80

−100
0 1 2 3 4 5 6 7 8 9 10
frequence [kHz]

F IG . 1.15: Spectres d’une suite d’exponentielles décroissantes

1.6 Reconstruction des signaux

1.6.1 Synthèse d’un signal carré

On se souvient que connaissant le spectre X( jk), on peut toujours reconstruire une ap-
proximation d’ordre N du signal temporel. Dans le cas d’une suite d’impulsions rectan-
gulaires cela donne :

∆t +N sin(kπ f0 ∆t)
xN (t) = A ∑ kπ f0∆t exp(+ j2πk f0t)
T k=−N
!
∆t sin(kπ f0 ∆t)
+N
= A 1+2 ∑ cos(2πk f0t)
T k=1 kπ f0 ∆t

Dans le cas d’un signal carré, le rapport cyclique ∆t/T vaut 0.5 et le sinus cardinal s’an-
nule pour k pair. Avec A = 1, il vient alors :
1 2 2 2
xN (t) = + cos(2π f0t) − cos(6π f0t) + cos(10π f0t)....
2 π 3π 5π
Une illustration de cette synthèse est donnée par la figure 1.16.

1.6.2 Phénomène de Gibbs

En général, lorsqu’on reconstruit un signal x(t) à partir de ses coefficients de Fourier :

N N
x(N) (t) = ∑ X( jk) exp( j2πk f0t) = A0 + ∑ Ak cos(2πk f0t + αk ) (1.22)
k=−N k=1

on remarque une convergence rapide vers le signal original au fur et à mesure que N
augmente. Cependant, cela n’est plus vrai lorsque le signal possède des discontinuités

16 (C)2005 [email protected]
1.6 Reconstruction des signaux

1.2 1.2

1 N=0 1 N=1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

−0.2 −0.2
−5 0 5 −5 0 5

1.2 1.2

1 N=3 1 N=5

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

−0.2 −0.2
−5 0 5 −5 0 5

F IG . 1.16: Synthèse d’un signal carré par l’addition successive de ses harmoniques

d’ordre 0. Il apparaît alors, à l’endroit de la discontinuité, des oscillations que l’on désigne
sous le nom de phénomène de Gibbs. L’amplitude du dépassement dû à ces oscillations
est égale au 9% de l’amplitude de la discontinuité (figure 1.17).

1.6.3 Importance de la phase

Il est fréquent en traitement du signal de ne parler que des spectres d’amplitudes et de

délaisser quelque peu les spectres de phases. Cette attitude est due au fait que lors du
filtrage de signaux audio, on se contente de modifier le spectre d’amplitudes car l’oreille
est peu sensible aux distorsions de phase. Cependant, lorsque l’on désire conserver la
forme d’un signal, en particulier dans le cas du filtrage d’images, il est très important de
ne pas négliger le spectre de phases.
Un exemple en est donné à la figure 1.18 où une série de photos basées sur le portrait de
Joseph Fourier illustre l’importance de la phase dans la reconstitution des signaux.
L’image du haut de la figure est le portrait de Fourier ; au centre, on y voit les spectres
d’amplitudes et de phases de l’image de Fourier ; les niveaux de gris correspondent à la
valeur de ces fonctions.
Les images du bas sont des images reconstruites par transformation inverse. Pour construire
celle de droite, on a utilisé le spectre d’amplitudes et remplacé le spectre de phases par un
spectre de phases nulles. Pour celle de gauche, on a fait l’inverse : le spectre de phases a été
conservé alors que le spectre d’amplitudes a été remplacé par des amplitudes constantes.

1.2 1.2

1 xN(t) avec 1 xN(t) avec

N=3 N=7
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

−0.2 −0.2
−4 −2 0 2 4 −4 −2 0 2 4

1.2 1.2

1 x (t) avec 1 x (t) avec

N N
N = 19 N = 79
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

−0.2 −0.2
−4 −2 0 2 4 −4 −2 0 2 4

F IG . 1.17: Illustration du phénomène de Gibbs

De ces illustrations, on en déduit que la phase contient une part importante de l’informa-
tion concernant la forme d’un signal. Les deux dernières images illustrent particulière-
ment bien ce fait puisque le portrait initial ne peut pas être reconstruit avec un seul des
deux spectres.

1.7 Quelques théorèmes importants

1.7.1 Théorème de la puissance (dit de Parseval)

Dans l’espace temps, la définition de la puissance moyenne normalisée est la suivante :

Z +T /2
1
P= x2 (t)dt = Xe2f f (1.23)
T −T /2

On notera que cette définition coïncide avec celle du carré de la valeur efficace du signal
x(t). Les unités de la puissance normalisée ne s’exprime donc pas en [W ], mais en [V 2 ] ou
[A2 ] selon que le signal est une tension ou un courant électrique.
Le théorème de Parseval affirme que la puissance normalisée d’un signal peut se calculer
aussi bien dans le domaine temporel que dans le domaine fréquentiel. En effet, comme
dans l’espace des fréquences, le signal x(t)) est représenté par des générateurs d’ampli-
tude Ak , il s’ensuit que la puissance totale est égale à la somme des puissances fournies

18 (C)2005 [email protected]
1.7 Quelques théorèmes importants

original

module phase

TF inverse du module TF inverse de la phase

F IG . 1.18: Transformations de Fourier directes et inverses d’une image

par chaque générateur. On en déduit alors :

∞ ∞
1
P = Xe2f f = ∑ Pk = A 2
0 + ∑ 2 A2k
k=0 k=1
= Pdc + Pac
∞
1
= X(0)2 + ∑ (2 · |X( jk)|)2
k=1 2
+∞
= ∑ |X( jk)|2
k=−∞

De l’ensemble de ces résultats, on conclut que la puissance peut se calculer dans le do-
maine temporel ou dans le domaine fréquentiel avec l’une ou l’autre des équations ci-
dessous :
1 +T /2 2
Z
P= x (t)dt (1.24)
T −T /2

1 ∞ 2
P = A20 + ∑ Ak
2 k=1
(1.25)

+∞
P= ∑ |X( jk)|2 (1.26)
k=−∞

+∞
P = X(0)2 + 2 ∑ |X( jk)|2 (1.27)
k=1

Le carré de la valeur efficace d’un signal est égal à la somme des carrés
des valeurs efficaces de chacune de ses composantes.

De l’équation (1.25) découle le résultat important suivant :

Xe2f f = Xdc
2 2
+ Xac (1.28)

On peut relever au passage que le premier lobe du spectre d’une SIR contient environ le
90% de la puissance totale du signal. De plus, il est intéressant de rappeler ce que valent
les puissances des trois signaux les plus usuels que sont le carré, le sinus et le triangle
d’amplitude A et à valeur moyenne nulle :

A2
x(t) = A sqr (2π f t) ⇒ P = (1.29)
1
A2
x(t) = A sin (2π f t) ⇒ P = (1.30)
2
A2
x(t) = A tri (2π f t) ⇒ P = (1.31)
3

20 (C)2005 [email protected]
1.7 Quelques théorèmes importants

1.7.2 Décalage temporel

Il est fréquent en analyse des signaux de devoir décaler temporellement un signal x(t) ;
on obtient alors un nouveau signal y(t) = x(t +td ). Ce décalage td peut être positif (signal
avancé) ou négatif (signal retardé) (fig. 1.19). On montre alors qu’entre les espaces temps
et fréquences, il existe la relation suivante :
y(t) = x(t + td ) ⇔ Y ( jk) = exp(+ j2πk f0td )X( jk) (1.32)

x(t) x(t+t1) x(t-t1)

td > 0 td < 0

t t t

-t1 0 +t1 -t1 0 0 +t1

F IG . 1.19: Décalage temporel : signal original, signal avancé, signal retardé

Comme le module du phaseur exp(+ j2πk f0td ) vaut toujours un, il s’ensuit que seul le
spectre de phases est modifié par un décalage temporel. On a donc :
|Y ( jk)| = |X( jk)| , βk = αk + 2πk f0td (1.33)
À un décalage temporel correspond une phase variant linéairement avec
la fréquence.

1.7.3 Modulation d’amplitude

Il est fréquent en télécommunications de devoir émettre des signaux dont le spectre a

été préalablement déplacé dans un domaine de fréquences permettant la transmission des
messages par ondes électromagnétiques. Une des possibilités consiste à moduler l’ampli-
tude de la porteuse p(t) à l’aide du message m(t).
La modulation d’amplitude est généralement obtenue par la multiplication des deux si-
gnaux entre eux (figure 1.20) :
x(t) = m(t) · p(t) (1.34)
Dans le cas particulier où la porteuse p(t) est une fonction sinusoïdale, on peut la rempla-
cer par deux phaseurs de fréquence ± f p grâce aux formules d’Euler :
1
cos(2π f pt) = (exp(+ j2π f pt) + exp(− j2π f pt))
2
On a donc affaire, de manière plus fondamentale, à une multiplication du message m(t)
par un phaseur :
x(t) = m(t) · p(t) = m(t) · exp(± j2π f pt) (1.35)
On montre alors aisément la propriété suivante :
x(t) = exp(± j2π f pt) · m(t) ⇔ X( jk) = M( j(k f0 ∓ f p )) (1.36)

Modulation d’amplitude Spectres

1
0.4

|M(jf)|
m(t)

0.5
0.2

0
0
0 1 2 3 −20 −10 0 10 20

0.5 0.4
|P(jf)|
p(t)

0
0.2
−0.5

−1 0
0 1 2 3 −20 −10 0 10 20

0.5 0.4
|X(jf)|
x(t)

0
0.2
−0.5

−1 0
0 1 2 3 −20 −10 0 10 20
temps fréquence

F IG . 1.20: Modulation d’amplitude : signaux et spectres

22 (C)2005 [email protected]
1.8 Calcul de quelques spectres

À une multiplication par un phaseur dans le domaine temporel corres-

pond un décalage dans l’espace des fréquences.

La figure 1.20 illustre la modulation d’amplitude d’une porteuse de fréquence 10kHz par
un signal triangulaire de fréquence 1kHz. Au niveau fréquentiel, on voit très bien que le
spectre original situé autour de la fréquence nulle est déplacé autour des fréquences de la
porteuse ±10kHz avec une amplitude réduite de moitié.

1.7.4 Rotation autour de l’ordonnée

La rotation d’un signal autour de son ordonnée est décrite par y(t) = x(−t). Dans ce cas,
on montre que :

y(t) = x(−t) ⇔ Y ( jk) = X(− jk) = X ∗ ( jk) (1.37)

À une rotation du signal temporel autour de l’ordonnée correspond le

conjugué complexe dans le domaine fréquentiel.

Par exemple, si l’on s’intéresse à une suite périodique d’exponentielles croissantes décrite
par
x(t)|T = A · exp(+t/τ) si 0 ≤ t < T

son spectre se calcule aisément à partir de celui de la suite d’exponentielles décroissantes

xo (t)|T = A · exp(−t/τ) si 0 ≤ t < T

τ 1
Xo ( jk) = A · si τ T
T (1 + j2πk f0 τ)

On voit en effet que l’on a

x(t) = xo (−t)

donc
τ 1
X( jk) = Xo (− jk) = A · si τ T
T (1 − j2πk f0 τ)

1.8 Calcul de quelques spectres

Le but de ce paragraphe est de montrer, au travers de quelques exemples simples, com-

ment on calcule, trace et interprète les spectres d’un signal.

x(t)
3

-0.25 0 +0.25 1.00 [msec]

F IG . 1.21: Suite d’impulsions composites

X (jf) X (jf) X(jf)

1 2

1 1 1

0.5 0.5 0.5

0 0 0

−10 0 10 −10 0 10 −10 0 10

f [kHz] f [kHz] f [kHz]

F IG . 1.22: Spectres bilatéraux de la suite d’impulsions composites

24 (C)2005 [email protected]
1.8 Calcul de quelques spectres

1.8.1 Suite d’impulsions composites

Considérant le signal de la figure 1.21, on aimerait calculer ses composantes spectrales et

obtenir son approximation d’ordre 3.
La résolution de ce problème est immédiate dès l’instant où l’on remarque que le signal
x(t) est composé d’une somme de deux SIR x1 (t) et x2 (t) dont les caractéristiques sont,
respectivement, leur largeur : ∆t1 = 0.25[msec], ∆t2 = 0.5[msec], et leur amplitude : A1 =
1 [V ], A2 = 2 [V ].
Utilisant la propriété de linéarité des séries de Fourier, on a :

x(t) = x1 (t) + x2 (t) ⇔ X( jk) = X1 ( jk) + X2 ( jk) (1.38)

Comme le signal x(t) et ses deux SIR constitutives sont paires, leurs spectres sont réels :

∆t1 sin(kπ f0 ∆t1 ) sin(kπ/4)

X1 ( jk) = A1 = 0.25
T kπ f0 ∆t1 kπ/4

∆t2 sin(kπ f0 ∆t2 ) sin(kπ/2)

X2 ( jk) = A2 = 1.00
T kπ f0 ∆t2 kπ/2
sin(kπ/4) sin(kπ/2)
X jk) = X1 ( jk) + X2 ( jk) = 0.25 + 1.00
kπ/4 kπ/2

Le calcul de quelques composantes spectrales fournit les valeurs numériques suivantes :

k -5 -4 -3 -2 -1 0 +1 +2 +3 +4 +5
X1 ( jk) -0.045 0 +0.075 +0.159 +0.225 +0.25 +0.225 +0.159 +0.075 0 -0.045
X2 ( jk) 0.127 0 -0.212 0.00 +0.637 1.00 0.637 0.00 -0.212 0 0.127
X( jk) +0.082 0 -0.137 +0.159 +0.862 1.25 +0.862 +0.159 -0.137 0 +0.082
Ak 1.25 1.724 0.318 0.274 0 0.164
αk 0.00 0.00 π 0 0.00

La figure 1.23 représente l’approximation d’ordre 3 du signal décrite par :

x(3) (t) = 1.25 + 1.724 · cos(2π f0t) + 0.318 · cos(4π f0t) + 0.274 · cos(6π f0t + π)

À titre d’exercice, on peut montrer que les puissances des signaux x(t) et x(3) (t) valent
respectivement Px = 3.25Ve2f f , Px(3) = 3.14Ve2f f .

1.8.2 SIR décalée

Considérons le cas d’une SIR non centrée démarrant à l’instant t = 0, de largeur ∆t et de

période T (figure 1.24). Dans ce cas, la SIR est retardée d’une demi-largeur d’impulsion

3.5

2.5

2
Signaux x(t) et x3(t)

1.5

0.5

−0.5
−0.2 0 0.2 0.4 0.6 0.8 1
temps [msec]

F IG . 1.23: Approximation d’ordre 3 de la suite d’impulsions composites

0.8

0.6
x(t)

0.4

0.2

−0.2 0 0.2 0.4 0.6 0.8 1 1.2

temps [msec]

F IG . 1.24: SIR démarrant à l’instant t = 0

26 (C)2005 [email protected]
1.8 Calcul de quelques spectres

et le temps de décalage vaut donc td = −∆t/2. Partant d’une SIR centrée et utilisant le
théorème du retard, on obtient :
∆t sin(kπ f0 ∆t) ∆t
X( jk) = A · exp(− j2πk f0 ) (1.39)
T kπ f0 ∆t 2

Si l’on désigne X( jk) par le produit de 3 facteurs X( jk) = X0 · X1 ( jk) · X2 ( jk), le spectre
d’amplitudes s’obtient en effectuant le produit des modules :

|X( jk)| = |X0 | · |X1 | · |X2 |

∆t sin(kπ f0 ∆t)
= A · ·1
T kπ f0 ∆t

alors que le spectre de phases est obtenu en sommant les phases :

∠X( jk) = ∠X0 + ∠X1 + ∠X2

= 0 + (0; ±π) + (−πk f0 ∆t)

0.1
|X(jk)|

0.05

0
−30 −20 −10 0 10 20 30
4
/SIR centree

2
0
−2
−4
−30 −20 −10 0 10 20 30
5
/Decalage

−5
−30 −20 −10 0 10 20 30
5
/SIR decalee

−5
−30 −20 −10 0 10 20 30
frequence [kHz]

F IG . 1.25: Spectres d’une SIR décalée

Considérant que l’on a ∆t = 0.1 [msec], T = 1 [msec], la combinaison de ces termes spec-
traux est illustrée par la figure 1.25. Comme attendu, on constate que le décalage temporel
du signal ne modifie pas le spectre d’amplitudes, mais introduit une phase variant linéai-
rement avec la fréquence.

1.9 Réponse d’un système linéaire

Considérons, comme exemple, un filtre attaqué par une SIR (figure 1.26). Comme ce
signal est périodique, on retrouvera à la sortie du circuit un signal périodique y(t). La
décomposition de ces 2 signaux en série de Fourier donnera les spectres X( jk) et Y ( jk)
qui seront liés l’un à l’autre par la réponse fréquentielle G( jω) du filtre.

x(t)
y(t)

x(t) y(t)
G(jω)

t t

F IG . 1.26: Réponse temporelle d’un filtre à une SIR

|X(jk)|
1
|G(jf)|
|Y(jk)|
0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12 14 16 18 20
fréquence [Hz]

F IG . 1.27: Réponse fréquentielle d’un filtre et spectres d’amplitudes

Comme les signaux périodiques sont représentés par des ondes sinusoïdales de fréquences
k f0 et que les systèmes linéaires conservent la fréquence des signaux appliqués, on re-
trouve pour Y ( jk) des raies spectrales situées aux mêmes fréquences que celles de X( jk)
(figure 1.27). De plus, l’amplitude et la phase de ces raies spectrales sont liées au si-
gnal d’entrée par la relation bien connue Y ( jω) = G( jω) · X( jω). Dans le cas de signaux
périodiques, la pulsation ω est un multiple de la fondamentale 2π f0 . On a donc :

28 (C)2005 [email protected]
1.9 Réponse d’un système linéaire

Y ( jk) = X( jk) · G( jω)|ω=2πk f0 (1.40)

1.9.1 Analyse de la réponse d’un filtre passe-bas

Considérant le circuit L-R de la figure 1.28 et la SIR qui lui est appliquée, on aimerait :

1. connaître la fonction de transfert de ce filtre et sa constante de temps τ ;

2. calculer la composante continue U2,dc ;
3. esquisser le signal de sortie u2 (t) en tenant compte des valeurs numériques
L = 100 [mH], R = 100 [Ω] ;
4. calculer le spectre U2 ( jk) ;
5. calculer les valeurs efficaces U1,e f f ,U2,e f f ,U2,ac,e f f ;
6. estimer la valeur de crête de l’ondulation u2,ac (t).

[V] u1(t)

10 L

u1(t) R u2(t)

t
0 0.2 1.0 [ms]

F IG . 1.28: Analyse de la réponse d’un filtre passe-bas

Solution :

30 (C)2005 [email protected]
1.10 Réponse d’un système non-linéaire

1.10 Réponse d’un système non-linéaire

La caractéristique essentielle des systèmes non-linéaires est de déformer les signaux si-
nusoïdaux. Le signal de sortie est donc périodique non-sinusoïdal. Il s’en suit que son
spectre est constitué d’un grand nombre de raies spectrales, alors qu’à l’entrée il n’y avait
qu’une seule raie.
Dans la pratique, il est important de pouvoir chiffrer cette déformation puisque les am-
plificateurs réels, quelle que soit leur qualité, possèdent des non-linéarités. On mesure
cette déformation à l’aide du taux de distorsion harmonique (TDH). Celui-ci est défini
comme le rapport de la valeur efficace des harmoniques d’ordre supérieur à 1 avec la
valeur efficace du premier harmonique :
s
Xe f f (k > 1) X 2 (2) + X 2 (3) + X 2 (4) + · · ·
T DH = = (1.41)
Xe f f (k = 1) X 2 (1)

1.10.1 Distorsion due à une diode

Considérons comme exemple de système non linéaire, une diode à laquelle on applique
une tension sinusoïdale superposée à une tension continue (figure 1.29) :

u(t) = U0 + ∆U(t) = U0 + A sin(2π f0t)

Cette diode est caractérisée par la loi exponentielle bien connue :

ID = IS eUD /nVT − 1 (1.42)

Admettant les valeurs numériques suivantes :

U0 = 0.5 [V ], A = 0.05 [V ], f0 = 100 [Hz]

IS = 10 [pA], n = 1, VT = 26 [mV ]
on désire :

1. calculer I0 , Imax et Imin

2. esquisser u(t) et i(t)
3. calculer U( jk) et I( jk)
4. calculer le TDH du courant.

Solution :

1. Le calcul de I0 , Imax et Imin se fait par simple application numérique de l’équation

de la diode ; on obtient alors :
a) le courant au point de fonctionnement I0 = 2.54 mA ;
b) sa valeur maximum Imax = 17.2 mA ;

i(t)

∆(t)

uD(t)

F IG . 1.29: Circuit à diode

c) sa valeur minimum Imin = 0.36 mA.

2. La simulation temporelle avec Spice a donné les résultats de la figure 1.30. On y
voit que la variation sinusoïdale de la tension de la diode (50 mV) autour du point
de fonctionnement (500 mV) entraîne une variation non sinusoïdale du courant ca-
ractérisé par les valeurs calculées ci-dessus.
3. L’analyse spectrale obtenue par FFT (Fast Fourier Transform) donne les résultats
suivants.
a) La tension de la diode ne contient que 2 raies spectrales (figure 1.31a) :
i. la composante DC : Udc = 0.5V ;
ii. la composante AC : U1 = 50 mV .
b) Le courant non sinusoïdal est composé d’un grand nombre de raies spectrales
dont les 10 premières sont les plus significatives (figure 1.31b). On y trouve
en particulier
i. la composante DC : Idc = 5.41 mA ;
ii. la composante fondamentale : I1 = 7.43 mA.
4. Le calcul du taux de distorsion se fait en appliquant la définition du TDH :
s
X 2 (2) + X 2 (3) + X 2 (4) + · · ·
T DH =
X 2 (1)
r
3.142 + 0.942 + 0.222 + 0.0412 + 0.00652 + · · ·
=
7.432
= 44 %

Cette valeur élevée est le signe de la forte déformation de la sinusoïde causée par la
variation exponentielle du courant.

32 (C)2005 [email protected]
1.10 Réponse d’un système non-linéaire

F IG . 1.30: Tension et courant de la diode

F IG . 1.31: Spectres unilatéraux de la tension et du courant de la diode

1.11 Exercices

SF 1 Considérant les 2 signaux suivants pour lesquels f0 = 1 [kHz] :

x1 (t) = 6 − 2 cos(2π f0t) + 3 sin(2π f0t)

x2 (t) = 4 + 1.8 cos(2π f0t + π/3) + 0.8 sin(6π f0t)

1. dessinez leurs spectres d’amplitude et de phase unilatéraux et bilatéraux ;

2. écrivez x1 (t) et x2 (t) sous forme de série de Fourier complexe.

SF 2 Utilisez les formules d’Euler pour montrer que la série de Fourier du signal suivant
π
x(t) = 1 + cos 2π f0t + · cos (10π f0t)
6
est décrite par les harmoniques 4, 5 et 6. Pour ce faire :

1. remplacez chaque fonction cosinus par deux phaseurs ; effectuez le produit ;

2. écrivez x(t) sous la forme d’une somme de phaseurs ;
3. que valent les coefficients X( jk) non-nuls ?
4. dessinez les spectres bilatéraux et unilatéraux d’amplitude et de phase.

SF 3 Considérant un signal périodique de période T = 20 [ms] décrit par son spectre

bilatéral X( jk) :

k 0 ±1 ±2
X( jk) 2 −3 ± j2 +1 ± j3
|X|
∠X

retrouvez sa description temporelle en cosinus après avoir rempli les cases libres du ta-
bleau.

SF 4 À partir des spectres d’amplitude et de phase d’une SIR vus au cours,

1. calculez les spectres complexes des deux signaux Ex SF4 ;

2. esquissez leurs spectres bilatéraux d’amplitude et de phase.

SF 5 Considérant les spectres unilatéraux Ex SF5 d’un signal x(t) :

1. donnez l’expression de x(t) ;

2. dessinez son spectre bilatéral ;
3. calculez sa puissance et sa valeur efficace.

34 (C)2005 [email protected]
1.11 Exercices

Ex. SF4

8
x1(t) [V]
6

0 2 4 6 8 10 12 14 16 18

4
x2(t) [V]

−2

−4
0 2 4 6 8 10 12 14 16 18
t [ms]

F IG . 1.32: Ex SF 4

Ex. SF5
5

3
Ak [V]

0 1 2 3 4 5

0.6

0.4

0.2
αk / π

−0.2

−0.4

0 1 2 3 4 5
f [kHz]

F IG . 1.33: Ex SF 5

SF 6 Considérant les trois signaux x1 (t), x2 (t), x3 (t) de période T = 1 ms décrits par
leurs spectres respectifs (tableau Ex SF6) :

1. donnez l’expression temporelle des trois signaux ;

2. écrivez ces expressions à l’aide de cosinus seulement ;
3. dessinez leurs spectres d’amplitude et de phase uni- et bilatéraux.

k 0 1 2 3 4
x1 (t) ak +2 +5 -2 +1 0
bk +4 +3 –1 0
k 0 1 2 3 4
x2 (t) Ak 1 3 0 2 0
αk 0 −π/3 0 +π/2 0
k 0 ±1 ±2 ±3 ±4
x3 (t) X( jk) 5 4 ± j3 0 −2 ± j 0

TAB . 1.2: Ex SF 6

SF 7 Calculez la puissance de chacun des trois signaux de l’exercice précédent.

SF 8 Considérant le signal x(t) = 2 + sin(2π f0t) + 0.25 cos(6π f0t)

1. écrivez x(t) dans les formes cosinus et complexe ;

2. donnez les composantes spectrales dans les trois représentations :

{ak , bk } , {Ak , αk } , {X( jk)}

3. vérifiez que la puissance de ce signal calculée à l’aide des trois représentations

donne le même résultat ;
4. comment calculeriez-vous la puissance dans l’espace temps ? voyez-vous des moyens
de simplifier ce calcul ? si oui, le résultat est immédiat.

SF 9 On considère une SIR d’amplitude A = 2 [V ], de période T = 1 [ms] de largeur

∆t = 0.2 [ms] ; cette SIR est avancée de T /4 par rapport à une SIR centrée :

1. esquissez x(t) ;
2. calculez son spectre X( jk) ;
3. esquissez les spectres bilatéraux d’amplitude et de phase ;
4. calculez la puissance de cette SIR.

36 (C)2005 [email protected]
1.11 Exercices

SF 10 Considérant la suite d’impulsions impaires de la figure Ex SF10 :

1. le spectre sera-t-il réel, imaginaire ou complexe ;

2. calculez ses coefficients de Fourier complexes ;
3. quelle est la puissance de ce signal ?
4. dans le cas où A = 10 [V ], T = 10 [ms] et ∆t = 1 [ms], esquissez les spectres bilaté-
raux d’amplitude et de phase.

Ex. SF10

10 +A

5
x(t) [V]

−∆ t
0
+∆ t

−5

−10 −A

−2 0 2 4 6 8 10 12 14
t [ms]

F IG . 1.34: Ex SF 10

SF 11 On considère un signal périodique x(t) retardé d’une valeur tr par rapport au

signal original x0 (t). Montrez que :

1. son spectre complexe vaut X( jk) = X0 ( jk) e− j2πk f0 tr ;

2. son spectre d’amplitude n’est pas modifié ;
3. son spectre de phase vaut ∠X = ∠X0 − 2π f0 tr .

SF 12 Esquissez avec soin les spectres bilatéraux d’amplitude et de phase des signaux
Ex SF12a et Ex SF12b. Expliquez les différences apparaissant entre les spectres.

SF 13 À partir du spectre d’une SIT, calculez le spectre d’un signal triangulaire symé-
trique d’amplitude A = 5 V et de période T = 1 ms.

SF 14 Considérant les quatre signaux de la figure Ex SF14 d’amplitude A et de période

1. calculez leur valeur efficace ;

2. à partir du spectre d’une suite d’exponentielles décroissantes, utilisez deux théo-
rèmes proposés dans le cours pour trouver les spectres des signaux x2 (t) et x3 (t).

Ex. SF12a
1

x1(t) [V]
0.5

0
−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

1
x2(t) [V]

0.5

0
−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

0.5
x (t) [V]

0
3

−0.5
−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4
t [ms]

F IG . 1.35: Ex SF 12a

Ex. SF12b
0.6

0.4

0.2
x (t) [V]

0
4

−0.2

−0.4

−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

0.6

0.4

0.2
x (t) [V]

0
5

−0.2

−0.4

−0.2 0 0.2 0.4 0.6 0.8 1 1.2 1.4

t [ms]

F IG . 1.36: Ex SF 12b

38 (C)2005 [email protected]
1.11 Exercices

Ex. SF14
1
1

0.5 0.8

0.6
x1(t)

x2(t)
0
0.4

−0.5 0.2

0
−1
0 0.5 1 1.5 −1 −0.5 0 0.5 1
t [ms] t [ms]

1
1
0.8
0.8

0.6 0.6
x4(t)

x3(t)
0.4 0.4

0.2
0.2
0
0
0 0.5 1 1.5 −1 −0.5 0 0.5 1
t [ms] t [ms]

F IG . 1.37: Ex SF 14

SF 15 Considérant une SIR centrée de période T = 100 [µs], de largeur ∆t = 20 [µs] et

d’amplitude A = 10 [V ],

1. calculez le pourcentage de puissance comprise dans le premier lobe du sinus cardi-

nal ;
2. admettant que cette SIR est appliquée à un filtre passe-bas d’ordre 1 dont la fonction
de transfert est
1
H( j f ) = , fc = 10 [kHz]
1 + j f / fc
que valent l’amplitude et la phase des composantes 10 kHz, 40 kHz et 150 kHz ?

SF 16 Un filtre passe-bas RC réalisé avec R = 1 [kΩ] et C = 0.1 [µF] est attaqué par un
signal carré u1 (t) de période T = 1 ms et d’amplitude comprise entre 0 et 20 V :

1. esquissez le signal de sortie u2 (t) et le courant i(t) ;

2. pour chacun des 3 signaux u1 (t), u2 (t), i(t), calculez leurs valeurs DC, efficace to-
tale et efficace AC.

SF 17 Soit un filtre RC passe-bas dont la constante de temps est mal connue. On lui
applique une SIR x(t) d’amplitude A = 10 [V ], de période T = 20 [ms] et de largeur ∆t =
1 [ms].

1. que valent les composantes continues des signaux d’entrée et de sortie ?

2. quelle est la fonction de transfert H( jω) du circuit ;
3. que valent les spectres bilatéraux X( jk) et Y ( jk) ?
4. admettant que la constante de temps est de l’ordre de 2 ms, esquissez les signaux
d’entrée x(t) et de sortie y(t) ; estimez la valeur maximum de y(t) ;
5. pour la fréquence f = 5 f0 , l’analyseur spectral du signal de sortie fournit le coeffi-
cient complexe Y ( j5) = −0.0659 − j 0.154 ; calculez l’amplitude et l’argument de
la fonction de transfert pour cette fréquence ;
(Rép. : |H| = 0.37, ∠H = −680 )
6. que valent la constante de temps et la fréquence de coupure du filtre ?
(Rép. : τ = 1.6 [ms], fc = 100 [Hz])

SF 18 Pour identifier un système linéaire possédant une résonance, on injecte dans celui-
ci une SIR x(t) de période T. La sortie sera donc périodique et son spectre Y ( jk) sera
constitué de raies distantes de 1/T. Afin d’obtenir une image spectrale représentative du
système H( jω), il faut que les raies spectrales soient en nombre suffisant et que le premier
lobe de la SIR couvre le domaine de fréquences désiré (' 10 fres ).
On demande de déterminer les paramètres T et ∆t d’une SIR permettant de mesurer la
réponse harmonique d’un circuit LC-R dont on connaît approximativement les valeurs
L ' 1 mH, C ' 0.1 µF, R ' 20 Ω.
Pour ce faire :

1. esquissez H(f) dans un diagramme linéaire,

2. précisez le nombre de raies spectrales BF et HF que vous estimez nécessaires ;
3. estimez la distance inter-spectrale nécessaire pour observer le pic de résonance ;
4. calculez T et ∆t ; adoptez des valeurs entières ;
5. si l’amplitude des impulsions est de 10 V, quelle est l’amplitude de la raie spectrale
située près de la résonance fres ? près de 5 fres ?
6. pour ces mêmes fréquences, quelles sont les amplitudes des raies mesurées à la
sortie du filtre LC-R ?

SF 19 Un circuit RC de résistance R = 1 kΩ et de capacité C = 1 µF est attaqué par une

SIR u1 (t) d’amplitude E = 10V , de largeur ∆t = 0.2 ms et de période T = 1 ms :

1. quelles sont les valeurs moyennes de u1 (t) et u2 (t) ;

2. que vaut la constante de temps du circuit ?
3. esquissez u2 (t) ;
4. calculez Z( jω) et I( jk f0 ) ;
5. quelle est la puissance dissipée dans la résistance ?

40 (C)2005 [email protected]
1.11 Exercices

SF 20 Un circuit redresseur double alternance suivi d’un filtre RC (R et C en parallèle

avec le pont redresseur) est utilisé pour réaliser une conversion AC-DC. Tenant compte
des hypothèses simplificatrices suivantes
– le courant i(t) est considéré comme une suite d’impulsions rectangulaires de largeur ∆t
beaucoup plus petite que la période T = 10 ms ;
– la réactance du condensateur est négligeable par rapport à la résistance de charge R.
dessinez le schéma du circuit puis :

1. calculez les coefficients de Fourier U( jk) de la tension de sortie u(t) ;

2. calculez la puissance de chaque harmonique ;
3. calculez une borne supérieure pour la puissance d’ondulation, sachant que
∞
1 π2
∑ 2 6 =
k=1 k

4. calculez le taux d’ondulation maximum ;

5. si l’on veut un taux d’ondulation inférieur à 0.1, quelle capacité faut-il choisir
lorsque la résistance R vaut 100 Ω ?
6. estimez l’amplitude du générateur u1 (t) pour que Udc ' 15V .

SF 21 Un circuit non linéaire de type parabolique est modélisé par la caractéristique de

transfert suivante :
u2 (t) = α u1 (t) + β u21 (t)

Sachant qu’on lui applique une tension sinusoïdale u1 (t) = A sin(ωt) :

1. déterminez les composantes spectrales que l’on obtient à la sortie ;

2. quelle est la puissance normalisée P2 du signal de sortie ?
3. que vaut-elle par rapport à celle du signal d’entrée P1 ?
4. faites l’A.N. avec A = 10V, ω = 2π 100 rad/s, α = 1, β = 0.2 1/V
5. esquissez u2 (t) ; quel est son taux de distorsion harmonique ?

SF 22 Considérant les deux signaux ci-dessous :

π π

2π 4π
x1 (t) = cos t+ + sin t+
3 6 5 2
π π

2π 4π 20
x2 (t) = cos t+ + sin t+ + sin t
3 6 5 2 7
précisez si ces signaux sont périodiques ou non. Pour cela, il vous faut trouver :

1. les fréquences constitutives de chaque signal,

2. les rapports existant entre ces fréquences,
3. la fréquence fondamentale si elle existe,
4. quels sont les harmoniques présents ?

SF 23 : Les deux signaux de la figure Ex SF23 caractérisés par

A1 = 2V, ∆t = 0.2 ms, T = 1 ms

A2 = 5V, τ = 0.1 ms, T = 1 ms

passent au travers d’un filtre passe-bas idéal de fréquence de coupure fc = 4.5 kHz. Après
avoir rappelé ce qu’est la réponse fréquentielle d’un filtre passe-bas idéal,

1. calculez les puissances Px1 , Px2 de chacun des signaux d’entrée ;

2. calculez les puissances Py1 , Py2 de chacun des signaux de sortie.

Ex. SF23
2 5

4
1

3
x1(t)

x2(t)
0
2

−1
1

−2 0
0 0.5 1 1.5 −1 −0.5 0 0.5 1
t [ms] t [ms]

F IG . 1.38: Ex SF 23

SF 24 A cause de son taux de variation limité (slew-rate), un amplificateur opérationnel

transforme un sinus en un signal triangulaire symétrique d’amplitude A. Calculez le taux
de distorsion de cette déformation.

SF 25 Un signal sinusoïdal d’amplitude 10V et de fréquence 1 kHz est appliqué à un

filtre RC passe-bas de fréquence de coupure 2 kHz. Calculez le TDH du signal de sortie.

SF 26 On applique un signal sinusoïdal d’amplitude 0.1V et de fréquence 10 kHz à

un amplificateur inverseur de gain 100. Visuellement, le signal de sortie semble parfai-
tement sinusoïdal. Cependant, une analyse spectrale conduite avec pSpice a fourni les
composantes Ak du tableau ci-dessous. Calculez la valeur efficace du signal de sortie et
son TDH.
k 0 1 2 3 4 5 6 7 8 9
Ak [V] 81e-3 6.46 87e-6 0.105 55e-6 2.66e-3 58e-6 213e-6 57e-6 48e-6

SF 27 La figure Ex SF27 présente une sinusoïde x(t) d’amplitude 10V et une sinusoïde
y(t) saturée à ±9V avec les spectres correspondants. Sachant que les composantes spec-
trales unilatérales fournies par l’analyseur spectral sont les suivantes :

42 (C)2005 [email protected]
1.11 Exercices

k 1 3 5 7 9
Ax (k) [dB] 0.0
Ay (k) [dB] –0.33 –30.0 –33.2 –33.8 –50.7
Ax (k) [V ]
Ay (k) [V ]

1. calculez les amplitudes spectrales unilatérales et complétez le tableau ;

2. calculez les valeurs efficaces des deux signaux ;
3. calculez le TDH de y(t) ;
4. justifiez le fait que pour le signal y(t) les harmoniques pairs doivent être nuls.

Signaux temporels et frequentiels

5
x(t) et y(t)

−5
Usat = 9[V]
−10
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps [s] −3
x 10
0

−20
X(f) [dB]

−40

−60

−80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000

−20
Y(f) [dB]

−40

−60

−80
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
frequence [Hz]

F IG . 1.39: Ex SF 27

44 (C)2005 [email protected]
Bibliographie

[1] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA,
1992
[2] A.V. Oppenheim, A.S. Willsky, Signals and Systems, Prentice-Hall, 1983

46 (C)2005 [email protected]
2 A NALYSE DES SIGNAUX NON
PÉRIODIQUES

2.1 Transformation de Fourier

2.1.1 Passage de la série à la transformation de Fourier

Le passage d’un signal périodique à un signal apériodique peut se faire en considérant que
la période T devient de plus en plus grande pour tendre vers l’infini. On constate alors que
les raies spectrales distantes de 1/T se rapprochent pour se transformer en spectre continu.
Mais en même temps, l’amplitude de celui-ci diminue pour tendre zéro.

x(t) X(jk) T X(jk)

1
0.2 0.2

0.1 0.1
0.5

0 0
0
−0.1 −0.1
0 1 2 3 0 5 10 15 0 5 10 15

1
0.2 0.2

0.1 0.1
0.5

0 0
0
−0.1 −0.1
0 1 2 3 0 5 10 15 0 5 10 15

1
0.2 0.2

0.1 0.1
0.5

0 0
0
−0.1 −0.1
0 1 2 3 0 5 10 15 0 5 10 15
temps fréquence fréquence

F IG . 2.1: Passage de la série de Fourier à la densité spectrale

Pour voir plus précisément comment les choses se passent, considérons une suite d’im-
pulsions rectangulaires dont la période augmente alors que la largeur reste constante (fi-
gure 2.1).
Nous savons qu’un signal périodique est décrit par :
+∞
x(t) = ∑ X( jk) exp(+ j2π k f0 t)
k→−∞
Z +T /2
1
X( jk) = x(t) exp(− j2π k f0 t)dt
T −T /2

Pour éviter le problème de l’annulation de X( jk) lorsque T → ∞, on considère la fonction

Z +T /2
T · X( jk) = x(t) exp(− j2π k f0 t)dt
−T /2

et les correspondances suivantes :

T → ∞, f0 → d f , k f0 → f , T · X( jk) → X( j f )

A partir de celles-ci, on voit que la série de Fourier discrète devient une fonction continue.
Cette fonction X( j f ) est une densité spectrale d’amplitude qui, par définition, est la
transformée de Fourier du signal apériodique x(t) :
Z +∞
X( j f ) ≡ x(t) exp(− j2π f t)dt
−∞

La transformée inverse s’obtient en considérant la fonction périodique pour laquelle la

période T tend vers l’infini ; on a alors :
+∞
x(t) = ∑ X( jk) exp(+ j2π k f0 t)
k→−∞
+∞
1
= lim ∑ (T X( jk)) exp(+ j2π k f0 t)
k→−∞ T
T →∞
+∞
= lim
T →∞
∑ (T X( jk)) exp(+ j2π k f0 t) f0
k→−∞

Lorsqu’on passe à la limite

T → ∞, T · X( jk) → X( j f ), f0 → d f , k f0 → f

on obtient la définition de la transformation inverse de Fourier

Z +∞
x(t) ≡ X( j f ) exp(+ j2π f t) d f
−∞

Il est important de noter que les unités de X( j f ) ne sont pas les mêmes que celles du
signal original x(t). Dans le cas où x(t) est une tension électrique, sa transformée X( j f )
s’exprime en [V /Hz].

48 (C)2005 [email protected]
2.1 Transformation de Fourier

2.1.2 TF directe et inverse

Les deux relations que nous venons de démontrer constituent les transformations de Fou-
rier directe et inverse. On constate que les descriptions temporelle et spectrale sont par-
faitement symétriques :
Z +∞
x(t) = X( j f ) exp(+ j2π f t) d f (2.1)
−∞
Z +∞
X( j f ) = x(t) exp(− j2π f t) dt (2.2)
−∞

En notation abrégée, on décrira ces deux transformations par les opérateurs T F{ } et

T FI{ }. La correspondance réciproque s’écrit alors :
x(t) = T FI{X( j f )} ←→ T F{x(t)} = X( j f )

Si la fonction x(t) ne possède pas de symétries particulières, sa densité spectrale d’ampli-

tude X( j f ) est une fonction complexe :
x(t) ←→ X( j f ) = Xr ( f ) + jXi ( f ) (2.3)

Les densités spectrales du module et de la phase valent alors :

q
|X( j f )| ≡ X( f ) = Xr2 ( f ) + Xi2 ( f ) (2.4)

Xi ( f )
∠X( j f ) ≡ α( f ) = arctan (2.5)
Xr ( f )

2.1.3 Énergie d’un signal non permanent

Dans le cas des signaux non permanents, on prendra garde à parler de leur énergie et non
pas de leur puissance, car celle-ci est nulle si l’on considère une durée infiniment longue.
De manière similaire à ce que l’on a vu pour les signaux périodiques, on peut calculer
l’énergie d’un signal apériodique aussi bien dans le domaine temporel que dans domaine
fréquentiel :
Z +∞
x2 (t) dt
2
W = V s (2.6)
−∞

Z +∞
|X( j f )|2 d f
2
W = V /Hz (2.7)
−∞

L’expression de l’énergie d’un signal x(t) dans le domaine des fréquences entraîne la
définition de la densité spectrale d’énergie Sx ( f ) :

Sx ( f ) ≡ |X( j f )|2 = X( j f ) · X( j f )∗
2
V /Hz2

(2.8)

On notera que ses unités s’expriment en [V 2 /Hz2 ] lorsque le signal est une tension.

2.1.4 Propriétés de la transformation de Fourier

Parmi le grand nombre de propriétés associées à la transformation de Fourier, on retien-

dra particulièrement celles qui ont le plus d’intérêt en traitement du signal. Elles sont
présentées dans le tableau 2.1.

2.2 Exemples de spectres continus

Pour illustrer l’utilisation de la transformée de Fourier, calculons les densités spectrales

de trois signaux particuliers.

2.2.1 Spectre d’une impulsion rectangulaire

Considérons une impulsion x(t) de largeur ∆t et d’amplitude A centrée en t = 0 (fi-

gure 2.2). Par définition de la transformation de Fourier, on a :
Z +∞
X( j f ) = x(t) exp(− j2π f t)dt
−∞

En tenant compte de la définition de l’impulsion rectangulaire centrée :

∆t

 0 si |t| > 2
x(t) = (2.9)
∆t
A si |t| ≤

2
il vient :

Z +∆t/2
X( j f ) = A exp(− j2π f t)dt
−∆t/2

+∆t/2
−A
= exp(− j2π f t)
j2π f −∆t/2

∆t ∆t

−A
= exp(− j2π f ) − exp(+ j2π f )
j2π f 2 2
A exp(+ jπ f ∆t) − exp(− jπ f ∆t)
=
πf 2j

Utilisant la formule d’Euler :

exp(+ ju) − exp(− ju)

sin u =
2j

on obtient finalement :

50 (C)2005 [email protected]
2.2 Exemples de spectres continus

a) linéarité ax(t) + by(t) aX( j f ) + bY ( j f )

b) décalage x(t + td ) X( j f ) exp(+ j2π f td )

c) amortissement x(t) exp(−at)ε(t) X( j2π f + a)

d) modulation x(t) exp(+ j2π f0t) X ( j( f − f0 ))

dx(t)
e) dérivation j2π f X( j f )
dt

1 1
X( j f ) + X(0)δ( f )
Z t j2π f 2
f) intégration x(t)dt
−∞ Z +∞
avec X(0) = x(t)dt
−∞

h(t) ⊗ x(t) H( j f ) · X( j f )
g) convolution
h(t) · x(t) H( j f ) ⊗ X( j f )

Z +∞ Z +∞
h) énergie W= 2
x (t)dt W= |X( j f )|2 d f
−∞ −∞

Z +∞ Z +∞
j) valeurs à l’origine x(t = 0) = X( j f )d f X( f = 0) = x(t)dt
−∞ −∞

k) rotation Oy y(t) = x(−t) Y ( j f ) = X(− j f ) = X ∗ ( j f )

l) fonction paire x(−t) = x(t) X( j f ) ∈ ℜ

m) fonction impaire x(−t) = −x(t) X( j f ) ∈ ℑ

TAB . 2.1: Quelques propriétés de la transformation de Fourier

sin(π f ∆t)
X( j f ) = A ∆t = A ∆t sinc( f ∆t) ∈ ℜ (2.10)
π f ∆t
Comme on pouvait s’y attendre, la densité spectrale d’amplitude d’une impulsion rectan-
gulaire centrée en t = 0 est bien décrite par un sinus cardinal.

0.8

0.6
x(t)

0.4

0.2

−0.2
−10 −8 −6 −4 −2 0 2 4 6 8 10
temps

2
X(jf)

−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
fréquence

F IG . 2.2: Impulsion rectangulaire et sa densité spectrale d’amplitude

On remarquera (figure 2.2) que le spectre passe par zéro chaque fois que le sinus cardinal
s’annule, c’est-à-dire, chaque fois que la fréquence est un multiple de 1/∆t.
Le spectre de cette impulsion illustre deux points importants concernant les signaux de
durée limitée (figure 2.3) :

un signal de courte durée possède un spectre large bande

à un spectre étroit correspond un signal de longue durée.

2.2.2 Spectres d’un sinus amorti

Étudions, comme deuxième exemple, la transformée de Fourier d’une sinusoïde de fré-

quence f p décroissant exponentiellement au cours du temps (figure 2.4). Son équation
s’écrit :

 0, si t < 0
y(t) = (2.11)
A exp(−at) sin(2π f p t), si t ≥ 0


52 (C)2005 [email protected]
2.2 Exemples de spectres continus

10
1
8
0.8
6
0.6

X1(jf)
x1(t)
4
0.4
2
0.2
0
0
−2
−0.2
−10 −5 0 5 10 −5 0 5

10
1
8
0.8
6
0.6

X2(jf)
x2(t)

4
0.4
2
0.2
0
0
−2
−0.2
−10 −5 0 5 10 −5 0 5
temps fréquence

F IG . 2.3: Le contenu spectral d’une impulsion dépend fortement de sa durée

Partant de la définition de la transformée de Fourier, on calcule sa densité spectrale d’am-

plitude :

Z +∞
Y(j f) = y(t) exp(− j2π f t)dt
−∞
Z ∞
= A exp(−at) sin(2π f p t) exp(− j2π f t)dt
0
Z ∞
exp(+ j2π f p t) − exp(− j2π f p t)
= A exp(−at) exp(− j2π f t)dt
0 2j

Cette intégrale ne contient que des exponentielles ; elle est très simple à calculer. Après
réduction des deux primitives à un même dénominateur, on obtient :

2π f p
Y(j f) = A ∈C (2.12)
(a + j2π f )2 + (2π f p )2

On remarquera que la densité spectrale d’amplitude Y ( j f ) est une fonction complexe

alors que dans le cas de l’impulsion centrée, X( j f ) était réel. Ceci est dû au fait que l’im-
pulsion rectangulaire centrée est une fonction paire, alors que la sinusoïde décroissante
y(t) ne possède pas de symétrie particulière. La figure 2.4 présente le sinus amorti et le
module de sa densité spectrale d’amplitude.

1
A = 1.0
0.5 f = 4.0
p

y(t) a = 0.25
0

−0.5

−1
0 1 2 3 4 5 6 7 8 9 10
temps

1.5
|Y(jf))|

0.5

0
−10 −5 0 5 10
fréquence

F IG . 2.4: Sinus amorti et le module de sa densité spectrale d’amplitude

On peut également noter les deux valeurs particulières suivantes

2π f p A
f =0: Y (0) = A 2
' si a 2π f p
a + (2π f p )2 2π f p

A 2π f p A
f = fp : Y ( j f p) = ' si a 2π f p
a a + + j4π f p j2a

2.2.3 Spectres de 2 impulsions

Considérons un signal constitué de deux impulsions d’amplitude A placées symétrique-

ment en ±t0 /2 (figure 2.5). Ce signal possède un spectre qui se calcule facilement à partir
de celui d’une impulsion centrée en t = 0 et à l’aide du théorème du décalage.
Comme le signal z(t) est la somme de 2 impulsions décalées de ±t0 /2,

z(t) = x(t + t0 /2) + x(t − t0 /2) (2.13)

on a :

sin(π f ∆t) h t0 t0 i
Z( j f ) = A ∆t exp(+ j2π f ) + exp(− j2π f )
π f ∆t 2 2

54 (C)2005 [email protected]
2.2 Exemples de spectres continus

donc :
sin(π f ∆t)
Z( j f ) = 2 A ∆t cos(π f t0 ) (2.14)
π f ∆t
De plus, par rapport à ce qui va suivre, il est intéressant de considérer également la densité
spectrale d’énergie :

sin(π f ∆t)
2
Sz ( f ) ≡ |Z( j f )| = 2 A ∆t
2
cos(π f t0 ) (2.15)
π f ∆t

Les densités spectrales d’amplitude et d’énergie sont représentées à la figure 2.5.

1
z(t)

0.5

(a)
0

−10 −8 −6 −4 −2 0 2 4 6 8 10

1
Z(jf)

−1
(b)
−2
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

3
S (f)
z

1
(c)
0
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2

F IG . 2.5: Deux impulsions rectangulaires symétriques (a) avec ses densités spectrales
d’amplitude (b) et d’énergie (c)

2.2.4 Extension de la transformation de Fourier

Le spectre d’énergie des deux impulsions que l’on vient de calculer montre une grande
similitude avec la figure de diffraction de Fraunhofer due à deux fentes étroites (figure
2.6). En réalité, il s’agit plus que d’une similitude car on montre en physique que toute
figure de diffraction est la transformée de Fourier de l’objet qui en est la cause.
Les spectres spatiaux (ou les figures de diffraction) d’ouvertures circulaire et carrée sont
présentés à la figure 2.7 ; on y reconnaît la fonction sinus cardinal distribuée dans l’espace
des fréquences spatiales fx et fy .
Une illustration des spectres spatiaux des majuscules de l’alphabet est donnée à la fi-
gure 2.8. Quelques instants d’observation montrent qu’il est possible de reconnaître les

F IG . 2.6: Figure de diffraction due à deux ouvertures étroites [3]

lettres de l’alphabet simplement à partir des images de diffraction, c’est-à-dire leur trans-
formée de Fourier spatiale. Dans cette figure, seules 20 images de l’alphabet de Fraunho-
fer sont présentées dans l’ordre alphabétique ; les lettres manquantes peuvent être retrou-
vées en essayant de se représenter leur spectre.

Puisque, comme nous venons de le voir, la notion de transformation de Fourier s’applique

à des fonctions bidimensionnelles, on imagine aisément que les principes de filtrage que
l’on connaît bien en électronique peuvent s’étendre de la même manière à des signaux
multidimensionnels.

Une illustration en est donnée à la figure 2.9. On y voit comment l’extraction de contour
d’une image est obtenue par élimination des basses fréquences. Le filtre spatial est réalisé
optiquement par un masque éliminant la zone centrale (c’est à dire les basses fréquences
spatiales) de la figure de diffraction de l’image analysée.

2.3 Calcul de quelques transformées

Afin de mieux saisir les implications de la TF, calculons les transformées de quelques
signaux importants en traitement du signal.

56 (C)2005 [email protected]
2.3 Calcul de quelques transformées

1 1
g(x,y)

g(x,y)
0.5 0.5

0 0
50 50
50 50
0 0
0 0
y −50 −50 x y −50 −50 x

1 1

0.5 0.5
G(f ,f )

G(f ,f )
x y

x y

0 0

−0.5 −0.5
5 5
5 5
0 0
0 0
fy −5 −5 fx fy −5 −5 fx

F IG . 2.7: Exemples de transformées de Fourier spatiales

F IG . 2.8: Alphabet de Fraunhofer

58 (C)2005 [email protected]
2.3 Calcul de quelques transformées

F IG . 2.9: Filtrage passe-haut d’un masque de diffusion [Bulletin de l’EICN]

2.3.1 Exponentielle décroissante

Dans ce cas, x(t) vaut : 

 0 si t < 0
x(t) = (2.16)
exp(−at) si t ≥ 0


4
1

0.8 3

0.6

|X(jf)|
2
x(t

0.4

0.2 1

0
0
0 2 4 6 −2 −1 0 1 2
temps fréquence

1
/ X(jf)

−1

−2
−2 −1 0 1 2
fréquence

F IG . 2.10: Exponentielle décroissante et ses spectres (module et phase)

L’application de la définition de la TF conduit à :

Z +∞
X( j f ) = exp(−at) exp(− j2π f t)dt
0

d’où :
1
X( j f ) = (2.17)
a + j2π f
Pour illustrer le théorème de l’énergie, calculons l’énergie de ce signal dans le domaine
temporel : Z +∞ Z +∞
2 1
W= x (t) dt = exp(−2at) dt =
−∞ 0 2a
et dans le domaine fréquentiel :
Z +∞ Z +∞
df
W = |X( j f )|2 d f =
−∞ −∞ a2 + (2π f )2

60 (C)2005 [email protected]
2.3 Calcul de quelques transformées

+∞
1 2π f 1
= arctan =
2πa a −∞ 2a

On retrouve bien entendu le même résultat dans les deux cas.

2.3.2 Exponentielle décroissante symétrique

Ce signal est décrit par :

x(t) = exp(−a |t|) , −∞ < t < +∞ (2.18)

4
1

0.8 3

0.6
|X(jf)|
x(t)

2
0.4

0.2 1

0
0
−6 −4 −2 0 2 4 6 −2 −1 0 1 2
temps fréquence

1
/ X(jf)

−1

−2
−2 −1 0 1 2
fréquence

F IG . 2.11: Exponentielle symétrique et ses spectres (module et phase)

On a alors :
Z 0 Z ∞
X( j f ) = exp(+at) exp(− j2π f t) dt + exp(−at) exp(− j2π f t) dt
−∞ 0

d’où :

1−0 0−1 2a
X( j f ) = + = 2 (2.19)
a − j2π f −(a + j2π f ) a + (2π f )2

On remarquera que x(t) étant pair, sa transformée est réelle.

2.3.3 Signal unité

Le signal constant unité vaut simplement 1 quelque soit t ∈ (−∞, +∞). Au sens des li-
mites, il peut être décrit à partir de l’exponentielle symétrique :

x(t) = 1 = lim exp(−a |t|) , −∞ < t < +∞ (2.20)

a→0

Ce passage par la limite est nécessaire car le signal constant n’est pas intégrable en valeur
absolue et sa transformée de Fourier ne peut donc pas être calculée à partir de sa définition.
Par contre, partant de l’exponentielle symétrique, on a :

2a  0 si f 6= 0
X( j f ) = lim 2 =
a→0 a + (2π f )2
∞ si f = 0


Ce résultat coïncide avec la définition d’une impulsion de Dirac. La TF d’un signal unité
est donc une impulsion de Dirac située en f = 0 :

X( j f ) = δ( f ) (2.21)

2.3.4 Saut unité

Le calcul de la TF d’un saut unité ε(t) (figure 2.12) nécessite également quelques pré-
cautions, car ce signal n’est pas intégrable en valeur absolue. Mais, constatant que l’on
a:
1 = ε(t) + ε(−t)
et désignant la TF de ε(t) par E( j f ), il vient :

T F{1} = δ( f ) = E( j f ) + E ∗ ( j f ) = 2 Er ( j f )

De ce résultat, on en déduit que la partie réelle Er ( j f ) vaut δ( f )/2.

Il reste encore à trouver la partie imaginaire de E( j f ). Pour ce faire, on peut remarquer
que le saut unité peut également s’écrire sous la forme :

 0 si t < 0
ε(t) = (2.22)
lima→0 exp(−at) si t ≥ 0


dont la transformée (équation 2.17) est purement imaginaire et vaut 1/( j2π f ). On obtient
donc finalement :
1 1
E( j f ) = Er ( j f ) + j Ei ( j f ) = δ( f ) + (2.23)
2 j2π f

62 (C)2005 [email protected]
2.3 Calcul de quelques transformées

x(t) |X(jf)| ∠ X(jf)

2 2
1
1.5 1
Saut unité

0.5 1 0

0.5 −1
0 0 −2
−5 0 5 −2 0 2 −2 0 2

1 1 2

0.5 1
Cosinus

0 0.5 0

−0.5 −1
−1 0
−2
−5 0 5 −2 0 2 −2 0 2

1 1 2

0.5 1
Sinus

0 0.5 0

−0.5 −1
−1 0
−2
−5 0 5 −2 0 2 −2 0 2
t f f

F IG . 2.12: Signaux et densités spectrales d’un saut unité, d’un cosinus et d’un sinus

2.3.5 Phaseur

Pour calculer sa TF, considérons le fait qu’un phaseur de fréquence f0 peut s’écrire
comme suit :

x(t) = exp(+ j2π f0t) = lim exp(−a |t|) exp(+ j2π f0t) (2.24)
a→0

Utilisant la TF de l’exponentielle symétrique (équation 2.19) et la propriété de modula-

tion, on a : 
 0 si f =6 f0
2a
X( j f ) = lim =
a→0 a2 + (2π( f − f 0 ))2
∞ si f = f0


La TF d’un phaseur de fréquence f0 est donc une impulsion de Dirac située en f = f0 :

X( j f ) = δ( f − f0 ) (2.25)

2.3.6 Signal sinusoïdal

Comme un signal sinusoïdal est constitué de 2 phaseurs conjugués complexes (loi d’Eu-
ler), sa TF comportera 2 impulsions de Dirac située en ± f0 . Plus précisément, on aura :

1 h + j2π f0t i δ( f − f0 ) + δ( f + f0 )
x(t) = cos(2π f0t) = e + e− j2π f0t ←→ X( j f ) = (2.26)
2 2

1 h + j2π f0t − j2π f0 t

i δ( f − f0 ) − δ( f + f0 )
x(t) = sin(2π f0t) = e −e ←→ X( j f ) = (2.27)
2j 2j

La première TF est réelle, car la cosinusoïde est paire, alors que la deuxième TF est
imaginaire car la sinusoïde est impaire. On notera que les modules des densités spectrales
sont les mêmes et que seuls diffèrent leurs arguments (figure 2.12).

2.3.7 Impulsion sinusoïdale

Parmi les propriétés des transformations de Laplace et Fourier, nous avons vu qu’à un
produit de convolution dans le domaine temporel correspond un produit simple dans le
domaine complexe :

y(t) = h(t) ⊗ x(t) ⇔ Y ( jω) = H( jω) · X( jω) (2.28)

L’inverse de cette proposition est également vraie et elle est très pratique pour calculer
le spectre de signaux modulés en amplitude. Elle s’exprime comme suit. À un produit
simple dans le domaine temporel correspond un produit de convolution dans le domaine
complexe :
y(t) = m(t) · x(t) ⇔ Y ( jω) = M( jω) ⊗ X( jω) (2.29)

64 (C)2005 [email protected]
2.4 Quelques conclusions

Considérons comme exemple une impulsion sinusoïdale de durée ∆t

 cos(2π f0t) si |t| < ∆t2



y(t) =
0 si |t| ≥ ∆t2


Voyant que ce signal est équivalent à la multiplication d’un sinusoïde permanente par une
impulsion de largeur ∆t, on a :

 1 si |t| < ∆t2



y(t) = m(t) · x(t) = m(t) · cos(2π f0t) avec m(t) =

0 si |t| ≥ ∆t2


Sachant que les spectres des signaux x(t) et m(t) valent respectivement
1
X( j f ) = (δ ( f + f0 ) + δ ( f − f0 ))
2
M( j f ) = A ∆t sinc( f ∆t)
et que la convolution entre une fonction et une impulsion de Dirac reproduit la fonction à
l’endroit où se situe l’impulsion, on voit que le spectre de l’impulsion sinusoïdale vaut
A ∆t
Y ( j f ) = M( j f ) ⊗ X( j f ) = (sinc(( f + f0 ) ∆t) + sinc(( f − f0 ) ∆t))
2

On constate ainsi que le spectre d’une impulsion sinusoïdale de durée ∆t est constitué de
deux sinus cardinaux situés en + f0 et − f0 (figure 2.13).

2.4 Quelques conclusions

2.4.1 TF des signaux périodiques

Du paragraphe précédent, on retiendra que la transformation de Fourier s’applique éga-

lement à des signaux périodiques, c’est-à-dire à des signaux de puissance moyenne finie.
Dans ce cas, les raies spectrales de la série de Fourier sont remplacées par des impulsions
de Dirac.

2.4.2 Relations avec la transformation de Laplace

Les définitions des transformées de Fourier et Laplace montrent une forte similitude. On
a en effet : Z +∞
X( j f ) = x(t) exp(− j2π f t)dt
−∞

Z +∞
X(s) = x(t) exp(−st) dt avec s = σ + j2π f
0

2
x(t)
m(t)
x(t), m(t), y(t)

1
y(t)
0

−1

−2
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1

1
X(f), M(f)

0.5

0
−80 −60 −40 −20 0 20 40 60 80

1
Y(f)

0.5

0
−80 −60 −40 −20 0 20 40 60 80

F IG . 2.13: Impulsion sinusoïdale et son spectre

66 (C)2005 [email protected]
2.5 Classification des signaux

Si on a défini des transformations si proches, mais malgré tout distinctes, c’est que tous
les signaux ne sont pas transformables de Fourier et/ou de Laplace. En effet, l’existence
de ces transformations entraînent les restrictions suivantes :
– pour la transformation de Fourier, il faut que le signal soit intégrable en valeur absolue
et que le nombre de ses discontinuités soit fini :
Z +∞
|x(t)| dt < ∞
−∞

– pour la transformation de Laplace, il faut que :

Z +∞
x(t)e−st dt < ∞
−∞

autrement dit, il faut que le signal x(t) pondéré par une exponentielle amortie soit inté-
grable en valeur absolue.
Des deux points ci-dessus, il découle que tous les signaux à énergie finie, permanents ou
non, possèdent une transformée de Fourier mais pas nécessairement une transformée de
Laplace. Ainsi en est-il de l’exponentielle symétrique et, au sens des limites, des signaux
périodiques à puissance finie.
Par contre, des signaux démarrant en t = 0 tels qu’une rampe x(t) = a · t ε(t), une para-
bole x(t) = a · t 2 ε(t), ne sont pas transformables de Fourier, alors qu’ils possèdent une
transformée de Laplace.
Il existe d’autre part des signaux qui possèdent les deux transformées ; par exemple, les si-
gnaux amortis démarrant en t = 0. Et d’autres qui n’en possèdent pas du tout ; par exemple
x(t) = a · t pour −∞ < t < +∞.

2.4.3 Table de quelques transformées de Fourier

On trouvera en fin de chapitre une table illustrée des transformées de Fourier tirée de
l’ouvrage de F. de Coulon [2].

2.5 Classification des signaux

Sans entrer dans les détails de la classification des signaux, il faut mentionner que plu-
sieurs approches sont possibles. Parmi celles-ci, on en citera deux :
– la classification phénoménologique qui met l’accent sur le comportement temporel du
signal ;
– la classification énergétique où l’on classe les signaux suivant qu’ils sont à énergie finie
ou à puissance finie.

2.5.1 Classification phénoménologique

Dans cette classification, on répartit généralement les signaux en deux classes principales
et quatre sous-classes illustrées par la figure 2.14.
Dans les deux classes principales, on trouve :
– les signaux déterministes dont l’évolution temporelle parfaitement définie peut être pré-
dite par un modèle mathématique approprié ;
– les signaux aléatoires qui ont un comportement temporel imprévisible et dont la des-
cription ne peut se faire qu’au travers d’observations statistiques.

Signaux

Déterministes Aléatoires

Périodiques Non périodiques Stationnaires Non stationnaires

F IG . 2.14: Classification phénoménologique des signaux

Parmi les signaux déterministes, on distingue :

– les signaux périodiques qui se répètent régulièrement. On peut noter que les signaux
pseudo-aléatoires sont des signaux périodiques avec, à l’intérieur de la période, un
comportement aléatoire ;
– les signaux quasi-périodiques qui résultent d’une somme de sinusoïdes dont le rapport
des périodes n’est pas rationnel ;
– les signaux non-périodiques sont essentiellement représentés par des signaux transi-
toires dont l’existence est éphémère.
Parmi les signaux aléatoires, on distingue :
– les signaux stationnaires dont les caractéristiques statistiques ne changent pas au cours
du temps (p.ex : le bruit électronique) ;
– les signaux non-stationnaires dont le comportement statistique évolue au cours du
temps (p.ex. : la parole).

2.5.2 Classification énergétique

L’énergie Wx d’un signal x(t) est définie comme suit :

Z +∞
Wx ≡ x2 (t) dt (2.30)
−∞

68 (C)2005 [email protected]
2.5 Classification des signaux

1 1

0.5 0.5

0 0

−0.5 −0.5

−1 −1

−5 0 5 −5 0 5
(a) (b)

1
1

0.5 0.8

0.6
0
0.4

−0.5 0.2

0
−1
−0.2
−5 0 5 −5 0 5
(c) (d)

F IG . 2.15: Exemples de signaux déterministes : (a) périodique, (b) pseudo-aléatoire, (c)

quasi-périodique, (d) non-permanent

−1

−5 −4 −3 −2 −1 0 1 2 3 4 5
(a)

−1

−5 −4 −3 −2 −1 0 1 2 3 4 5
(b)

−1

−5 −4 −3 −2 −1 0 1 2 3 4 5
(c)

F IG . 2.16: Trois exemples de signaux aléatoires : (a) bruit blanc, (b) bruit large bande,
(c) bruit non-stationnaire

On dira que ce signal est à énergie finie si Wx < ∞. Dans cette catégorie, on rencontre tous
les signaux temporellement éphémères qu’ils soient déterministes ou aléatoires.
La puissance moyenne Px d’un signal x(t) est définie par :
Z +T /2
1
Px ≡ lim x2 (t) dt ≡ Xe2f f (2.31)
T →∞ T −T /2

On notera que cette définition coïncide avec celle du carré de la valeur efficace du si-
gnal x(t). On dira que celui-ci est à puissance finie si Px < ∞. Cette catégorie englobe
les signaux périodiques, quasi-périodiques et les signaux aléatoires permanents. Dans le
cas où le signal est périodique, la durée d’intégration T est prise égale à une période du
signal.
Certains signaux théoriques n’appartiennent à aucune de ces catégories ; c’est le cas, par
exemple, de l’exponentielle x(t) = e−at − ∞ < t < ∞.

2.6 Comparaison des signaux

Une opération mathématique qui, de par sa forme, est très proche de la convolution est
la fonction de corrélation de deux signaux. Cependant, contrairement à la convolution, le
but de la corrélation est de mesurer le degré de ressemblance de ces signaux et d’extraire
des informations qui, dans une large mesure, dépendent de l’application considérée.
La corrélation est utilisée dans les radars, les sonars, les communications numériques, la
détection de signaux noyés dans du bruit, la mesure de temps de transmission, le GPS
(Global Positioning System), etc.
Dans chaque cas, on dispose de deux fonctions : le signal de référence x(t) et le signal
reçu y(t). Il faut alors trouver une opération mathématique permettant de comparer ces
signaux et d’en mesurer la ressemblance ou corrélation. Ceci se fait simplement en effec-
tuant l’intégrale du produit des signaux que l’on décale progressivement l’un par rapport
à l’autre.
Deux illustrations en sont données dans les figures 2.17 et 2.18. Dans la première, on
compare deux signaux dont la superposition (maximum de ressemblance) apparaît après
un décalage temporel égal à 0.8. Dans la deuxième, on compare un signal chirp (signal
sinusoïdal dont la fréquence varie linéairement avec le temps) avec sa version décalée. On
y voit que la corrélation d’un tel signal avec sa version décalée possède un maximum très
bien défini à l’endroit correspondant au décalage des deux signaux.

2.6.1 Signaux à énergie finie

Intercorrélation de 2 signaux

Considérant deux signaux x(t) et y(t) à énergie finie, on définit la fonction d’intercorrélation
(fic) comme l’intégrale du produit du signal x(t) avec le signal y(t) décalé d’une valeur

70 (C)2005 [email protected]
2.6 Comparaison des signaux

Exemple de corrélation
1

y(t)
0.5

0
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
1
x(t), y(t+τ)

−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
1
x(t) ⋅ y(t+τ)

−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
0.1
rxy(+τ)

−0.1
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
temps

F IG . 2.17: Corrélation de deux signaux

Exemple de corrélation
1
y(t)

−1
0 0.5 1 1.5 2 2.5 3
1
x(t), y(t+τ)

−1
0 0.5 1 1.5 2 2.5 3
1
x(t) ⋅ y(t+τ)

−1
0 0.5 1 1.5 2 2.5 3

0.4
rxy(+τ)

0.2
0
−0.2
0 0.5 1 1.5 2 2.5 3
temps

F IG . 2.18: Corrélation d’un signal chirp

τ: Z +∞
rxy (τ) = x(t) y(t + τ) dt (2.32)
−∞
Par changement de variable θ = t + τ, on montre que
Z +∞
rxy (τ) = x(θ − τ) y(θ) dθ = ryx (−τ) (2.33)
−∞

On voit ainsi que la fonction rxy (τ) est aussi la version retournée de ryx (τ) autour de
l’ordonnée Oy.
Comme on peut le constater, les fonctions d’intercorrélation
Z +∞
x(t) y(t + τ) dt = rxy (τ)
−∞

et de convolution Z +∞
x(θ) y(t − θ) dθ = x(t) ⊗ y(t)
−∞

sont formellement très proches. On montre qu’elles sont reliées entre elles par :

rxy (τ) = x(−τ) ⊗ y(τ) (2.34)

Cette relation valable dans l’espace temps a bien entendu son équivalent dans l’espace
des fréquences :
Rxy ( j f ) = X ∗ ( j f )Y ( j f ) (2.35)

Autocorrélation d’un signal

Dans le cas particulier où y(t) = x(t), on obtient la fonction d’autocorrélation (fac) du

signal x(t) :
Z +∞
rxx (τ) = x(t) x(t + τ) dt (2.36)
−∞

qui, pour un décalage nul, donne l’énergie du signal x(t) :

Z +∞
rxx (0) = x(t)2 dt ≡ Wx (2.37)
−∞

2.6.2 Corrélation de signaux à puissance finie

Dans ce cas, les signaux sont permanents et possèdent une énergie infiniment grande ; on
ne peut donc pas utiliser les définitions précédentes. Pour cette catégorie de signaux, on
redéfinit les deux fonctions de corrélation comme suit :
Z +T /2
1
rxy (τ) = lim x(t) y(t + τ) dt (2.38)
T →∞ T −T /2

72 (C)2005 [email protected]
2.6 Comparaison des signaux

Z +T /2
1
rxx (τ) = lim x(t) x(t + τ) dt (2.39)
T →∞ T −T /2

Dans le cas d’un décalage nul, on trouve la puissance du signal x(t) :

Z +T /2
1
rxx (0) = lim x(t)2 dt ≡ Xe2f f = Px (2.40)
T →∞ T −T /2

Il est d’autre part évident que si les signaux sont périodiques, l’intégration se fera sur une
période seulement.
La figure 2.19 illustre des fonctions d’autocorrélation représentatives de quelques signaux
aléatoires. On
h y trouve
i successivement trois signaux dont les puissances sont les mêmes,
2
à savoir 0.2 Ve f f :
– un bruit blanc gaussien : son caractère non prévisible est manifeste et il est confirmé
par l’étroitesse du pic de la fac.
– un bruit à large bande : ce signal a été obtenu en filtrant passe-bas le bruit blanc. Son
contenu spectral moins étendu fait qu’il est raisonnablement possible de prévoir une
valeur future pas trop éloignée. Une mesure de cet horizon de prévision est donnée par
la largeur à mi-hauteur du pic de la fac.
– un bruit à bande étroite : ce signal a été obtenu en filtrant le bruit blanc à l’aide d’un
filtre passe-bande. Son contenu fréquentiel étroit se manifeste par un comportement
oscillant de manière assez régulière. Cette pseudo-périodicité est encore plus facile à
déterminer à l’aide de sa fac : elle se mesure par la distance séparant le pic central du
premier pic latéral.

2.6.3 Propriétés de l’autocorrélation

On rappellera tout d’abord que la fonction d’autocorrélation consiste à décaler un signal

par rapport à lui-même, puis à intégrer le produit des deux. On montre alors aisément que
la fonction d’autocorrélation possède les propriétés suivantes :

1. Lorsque le décalage temporel est nul (τ = 0), la fac est égale à l’énergie du signal
pour les signaux à énergie finie :
Z +∞
rxx (0) = x(t)2 dt ≡ Wx (2.41)
−∞

ou, à la puissance moyenne pour les signaux à puissance finie :

Z +T /2
1
rxx (0) = lim x(t)2 dt ≡ Px
T →∞ T −T /2

2. Comme la correspondance entre les 2 signaux ne peut pas être aussi forte que
lorsque les signaux se superposent exactement cela entraîne que la fac est maxi-
mum pour un décalage nul. On a donc :
rxx (0) ≥ rxx (τ) (2.42)

x(t) rxx(τ)

0.2
1
0.1

0 (a) 0

−0.1
−1
−0.2
−2 −1 0 1 2 −2 −1 0 1 2

0.2
1
0.1

0 (b) 0

−0.1
−1
−0.2
−2 −1 0 1 2 −2 −1 0 1 2

0.2
1
0.1

0 (c) 0

−0.1
−1
−0.2
−2 −1 0 1 2 −2 −1 0 1 2
temps décalage τ

F IG . 2.19: Quelques signaux et leur fonction d’autocorrélation

3. La fac est une fonction paire :

rxx (τ) = rxx (−τ) (2.43)
4. La fac d’un bruit blanc (ainsi appelé par analogie à la lumière blanche constituée
de toutes les fréquences lumineuses) est une impulsion de Dirac. En effet, le bruit
blanc étant formé d’une multitude de fréquences possédant la même puissance, il
en résulte un signal variant si rapidement que sa valeur présente est indépendante
des valeurs passées et que sa valeur est non nulle pour τ = 0 seulement. On a donc :
rxx (τ) = σ2 δ(t) (2.44)
où σ2 est la variance du signal aléatoire ; c’est également, comme on l’a vu plus
haut, la puissance du signal aléatoire.
5. La fac d’un signal périodique quelconque est une fonction périodique paire. Consi-
dérons comme exemple le signal x(t) = A sin(ωt + α). On a alors :
Z +T /2
1
rxx (τ) = x(t) x(t + τ) dt
T −T /2

A2
Z +T /2
= sin(ωt + α) sin(ω(t + τ) + α) dt
T −T /2

d’où :
A2
rxx (τ) = cos(ωτ) (2.45)
2

74 (C)2005 [email protected]
2.6 Comparaison des signaux

On remarque ainsi que l’amplitude de cette fac est la puissance A2 /2 du signal x(t)
et que la fac ne nous donne aucune information sur la phase α du signal.
6. Dans le cas d’un signal x(t) perturbé par du bruit n(t), il est possible de retrouver la
fac du signal non perturbé. Considérant y(t) = x(t) + n(t), on a en effet :
Z +T /2
1
ryy (τ) = lim (x(t) + n(t)) (x(t + τ) + n(t + τ)) dt
T →∞ T −T /2
Z +T /2
1
= lim (x(t) x(t + τ) + n(t) n(t + τ) · · ·
T →∞ T −T /2

· · · + x(t) n(t + τ) + n(t) x(t + τ)) dt

= rxx (τ) + rnn (τ) + rxn (τ) + rnx (τ)

d’où :
ryy (τ) = rxx (τ) + rnn (τ) + rxn (τ) + rnx (τ) (2.46)
Dans le cas où le signal x(t) et le bruit n(t) ne sont pas corrélés, on a bien entendu
rxn (τ) = 0 = rnx (τ) ; ce qui donne finalement :
ryy (τ) = rxx (τ) + rnn (τ) (2.47)
De plus, comme généralement la fac rnn (τ) du bruit tend rapidement vers 0, on voit
que, pour un décalage suffisamment grand, il restera la fac rxx (τ) du signal x(t).
Une illustration de cette dernière propriété (figure 2.20) montre comment l’autocorréla-
tion permet d’extraire un signal noyé dans un bruit blanc. Dans cette figure, le signal est
une sinusoïde d’amplitude 1 volt et le bruit blanc possède une valeur efficace de 5 volt.
Le signal extrait est reconnaissable mais encore perturbé par du bruit. Comme ce bruit ré-
siduel diminue avec la racine carrée du nombre d’échantillon, on voit qu’on peut diminuer
le bruit en augmentant le nombre d’échantillons enregistrés.

2.6.4 Propriétés de l’intercorrélation

Comme pour la fonction d’autocorrélation, on se contentera d’énoncer les propriétés des

fonctions d’intercorrélation :
1. En général la fic n’est ni paire, ni impaire.
2. Le maximum de la fic se situe à l’endroit du décalage correspondant au maximum
de similitude entre les deux signaux. Cette propriété est très utilisée pour mesurer
des temps de propagation.
3. Comme le fait de retarder y(t) par rapport à x(t) d’une valeur τ équivaut à avancer
le signal x(t) par rapport à y(t), on aura :
rxy (τ) = ryx (−τ) (2.48)
4. Si les deux signaux sont périodiques de même période, la fic sera également pério-
dique.

Signal + bruit avec 20’000 échantillons

x(t) 0

−10

−20
0 1 2 3 4 5 6 7 8 9 10

20
rxx(τ)

−5 −4 −3 −2 −1 0 1 2 3 4 5

0.5
rxx(τ)

−0.5

−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
décalage τ

F IG . 2.20: Extraction d’un signal avec l’aide de l’autocorrélation

2.6.5 Calcul numérique de la corrélation

Le calcul numérique d’une corrélation se fait en remplaçant l’intégrale par la somme du

produit des valeurs échantillonnées avec une période constante unité.
Dans le cas où l’on a suffisamment de points à disposition, on peut calculer la somme sur
N points sans atteindre les limites des signaux enregistrés. On a alors :

1 N−1
rxy [k] = ∑ x[n] y[n + k],
N n=0
kmin ≤ k ≤ kmax (2.49)

Dans le cas où l’on souhaite utiliser toutes les valeurs à disposition, le nombre de points
intervenant dans la somme diminue au fur et à mesure que le décalage augmente. Pour
éviter de biaiser le résultat de la corrélation, on la calcule alors comme suit :

1 N−|k|
rxy [k] = ∑ x[n] y[n + k],
N − |k| n=0
0 ≤ k ≤ N −1 (2.50)

2.7 Exemples de corrélation

La fonction d’intercorrélation est très souvent utilisée pour détecter la présence d’un mes-
sage et mesurer un temps de propagation. Dans ce but, le signal émis est choisi de manière
à ce que le pic de sa fonction d’autocorrélation soit très bien défini. Les signaux le plus

76 (C)2005 [email protected]
2.7 Exemples de corrélation

souvent utilisé sont les signaux chirp (à fréquence variable au cours du temps) et les sé-
quences binaires pseudo-aléatoires.

2.7.1 Fonction de corrélation d’un signal chirp

Le signal chirp est un signal sinusoïdal dont la fréquence (ou la pulsation) varie linéaire-
ment avec le temps. Il est défini comme suit :
x(t) = A sin(θ(t) + α)
avec Z t
θ(t) = ω(t) dt
0
et
ωmax − ωmin
ω(t) = ωmin + t 0 ≤ t ≤ tmax
tmax
Sa fonction d’autocorrélation possède un maximum très bien défini correspondant à la
puissance du signal qui vaut A2 /2 (figure 2.21).
Signal chirp
1

0.5
x(t)

−0.5

−1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps

Autocorrélation d’un signal chirp

0.5

0.4

0.3

0.2
rxx(τ)

0.1

−0.1

−0.2
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5
décalage

F IG . 2.21: Autocorrélation d’un signal chirp

2.7.2 Fonction de corrélation d’une SBPA

Une séquence binaire pseudo-aléatoire (SBPA) est une succession de valeurs binaires
(généralement ±1) dont la distribution temporelle possède un caractère aléatoire pendant

Séquence binaire pseudo−aélatoire

s[n] 0.5

−0.5

−1

0 50 100 150 200 250

temps n

Autocorrélation d’une SBPA

1.2

0.8

0.6
rss [m]

0.4

0.2

−0.2
−100 −50 0 50 100
décalage m

F IG . 2.22: Autocorrélation d’une SBPA

une certaine durée et qui ensuite se répète périodiquement. Sa fonction d’autocorrélation

possède également un pic très bien défini égal à la puissance A2 du signal (figure 2.22).

2.7.3 Une illustration de l’utilisation de la corrélation

Comme exemple illustratif, imaginons un système radar avec lequel on désire détecter la
présence ou non d’un avion puis en déduire la distance à laquelle il se trouve.
Le radar émet un signal chirp x(t) et capte en retour l’écho y(t) renvoyé par l’avion (fi-
gure 2.23). S’il n’y a pas d’avion dans la zone couverte par le radar, le signal reçu y(t) est
constitué d’un bruit n(t) seulement. De plus, il est évident que si un avion est présent, le
signal y(t) reçu en retour consiste en une version atténuée, retardée, et fortement bruitée
du signal émis x(t). Ainsi, le signal reçu peut être décrit par :

y(t) = A x(t − td ) + n(t)

avec :
– A = une fonction d’atténuation dépendant de la distance et de la forme de l’avion
– td = le temps mis par l’onde pour faire son aller et retour
– n(t) = le bruit additif capté par l’antenne et généré par l’électronique du radar.
Pratiquement, le signal reçu est tellement perturbé par le bruit qu’une analyse visuelle est
incapable de déceler la présence ou l’absence d’un signal réfléchi par l’avion (figure 2.23).

78 (C)2005 [email protected]
2.7 Exemples de corrélation

Signal émis

0.5

−0.5

−1

0 100 200 300 400 500 600 700 800 900 1000

Signal reçu en présence de l’avion

0.1

0.05

−0.05

−0.1

0 100 200 300 400 500 600 700 800 900 1000
Instants n

F IG . 2.23: Signaux émis et reçus par un radar

Signal reçu en l’abscence de l’avion

0.1

0.05

−0.05

−0.1

0 100 200 300 400 500 600 700 800 900 1000

x 10
−3 Intercorrélation en l’abscence de l’avion
5

−1

−2
−500 −400 −300 −200 −100 0 100 200 300 400 500
décalage m

F IG . 2.24: Intercorrélation entre un signal chirp et du bruit

Signal reçu en présence de l’avion

0.1

0.05

−0.05

−0.1

0 100 200 300 400 500 600 700 800 900 1000

x 10
−3 Intercorrélation en présence de l’avion
5

−1

−2
−500 −400 −300 −200 −100 0 100 200 300 400 500
Instants n

F IG . 2.25: Intercorrélation entre un signal chirp et du bruit corrélé

Les figures 2.24 et 2.25 illustrent le principe de l’utilisation d’un signal chirp pour détecter
un avion et mesurer sa distance. Considérons les deux situations suivantes :

1. Absence d’un avion : Le signal reçu y(t) est fortement atténué et perturbé. Seule
une intercorrélation entre x(t) et y(t) permet de savoir si un avion est présent ou non.
Dans ce dernier cas, aucun pic bien distinct n’apparaît dans le graphe (figure 2.24).

2. Présence d’un avion : Ici, l’intercorrélation fait apparaître un pic très étroit se
dégageant nettement au-dessus du bruit de fond (figure 2.25). On notera que ce pic
est légèrement décalé vers la droite par rapport à la position centrale ; ce décalage
correspond au temps d’aller et retour du signal émis. Une fois ce temps déterminé,
on peut calculer la distance de l’avion par rapport au radar.

2.8 Signaux types

Considérons comme exemple de signaux-types les trois signaux représentés à la figure

2.26. Le premier x1 (t) = A exp(−at) ε(t) n’est ni périodique ni permanent ; dans la même
catégorie, on peut placer les signaux temporaires tels que les signaux périodiques de durée
finie par exemple. Le deuxième, un signal carré, est périodique et permanent. Le troisième
x3 (t) est un signal aléatoire permanent pour lequel il n’existe pas de description tempo-
relle.

80 (C)2005 [email protected]
2.8 Signaux types

x1(t)
0.5

−5 0 5 10 15 20 25

0.5
x2(t)

−0.5

−1
−5 0 5 10 15 20 25

0.5
x3(t)

−0.5

−1
−5 0 5 10 15 20 25
temps

F IG . 2.26: Trois signaux déterministes

2.8.1 Signaux déterministes temporaires

Les signaux déterministes temporaires tels que x1 (t) sont des signaux à puissance moyenne
nulle mais énergie finie. Ils possèdent un spectre continu défini par leur densité spectrale
d’amplitude. Celle-ci n’est autre que la transformée de Fourier du signal :
Z +∞
V
X( j f ) = x(t) exp(− j2π f t) dt [V sec] = (2.51)
−∞ Hz
Leur énergie se calcule soit au niveau temporel
Z +∞
x12 (t) dt
2
Wx = V sec
−∞

soit dans le domaine fréquentiel

V2
Z +∞
Wx = Sx ( f ) d f (2.52)
−∞ Hz

à partir de la densité spectrale d’énergie Sx ( f ) exprimée en [V 2 /Hz2 ]

Sx ( f ) = X( j f ) · X( j f )∗ = |X( j f )|2 (2.53)

2.8.2 Signaux déterministes permanents

Un signal déterministe permanent, par exemple x2 (t), est un signal périodique dont la
puissance est finie et l’énergie infinie. Sa description spectrale peut se faire grâce à la

transformée de Fourier du signal

Z +∞
X( j f ) = x(t) exp(− j2π f t) dt [V sec] (2.54)
−∞

Pour tous signaux périodiques, on obtient alors une densité spectrale d’amplitude consti-
tuée d’impulsions de Dirac. Ces impulsions correspondent aux raies spectrales du signal
périodique qui, comme on le sait, possède un spectre discret.
Plutôt que de travailler avec les impulsions de Dirac, il est alors plus simple et plus pra-
tique d’en rester à la description bien connue des séries de Fourier
Z +T /2
1
X( jk) = x(t) exp(− j2πk f0 t) dt [V ] (2.55)
T −T /2

La puissance des signaux périodiques se calcule soit au niveau temporel

Z +T /2
1
Px = lim x12 (t) dt = 0 [V 2 ] (2.56)
T →∞ T −T /2

soit dans le domaine fréquentiel

+∞
∑ |X( jk)|2
2
Px = V (2.57)
k=−∞

2.8.3 Signaux aléatoires

Par définition, les signaux aléatoires ne peuvent pas être décrits analytiquement. On peut
cependant tenter de les classer dans une des trois catégories types qui sont :
– les bruits à large bande dans lesquels toutes les fréquences sont présentes à amplitudes
égales (à la limite du bruit blanc) ;
– les bruits à bande limitée dans lesquels les composantes hautes fréquences sont nulles ;
– les bruits colorés dans lesquels toutes les fréquences sont présentes mais avec des am-
plitudes variables.
Une illustration temporelle de ces trois bruits est donnée dans la figure 2.27.

2.9 Description des signaux aléatoires

Comme aucune description analytique n’est possible pour les signaux aléatoires, on tente
d’en extraire des propriétés statistiques temporelles en utilisant leurs fonctions d’auto-
corrélation (fac) illustrées à la figure 2.28. On en déduit que la fac du premier signal est
extrêment étroite ; on la modélise par une impulsion de Dirac. La deuxième fac rappelle
une fonction en sinus cardinal. Enfin, la troisième peut être modélisée par une exponen-
tielle décroissante symétrique.

82 (C)2005 [email protected]
2.9 Description des signaux aléatoires

Bruits: (a) large bande (b) bande limitée (c) coloré

1
(a)
0.5

−0.5

−1
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(b)
0.5

−0.5

−1
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(c)
0.5

−0.5

−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
t

F IG . 2.27: Trois signaux aléatoires

1
(a)

0.5

−0.5
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(b)

0.5

−0.5
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(c)

0.5

−0.5
−5 −4 −3 −2 −1 0 1 2 3 4 5
τ

F IG . 2.28: Fonctions d’autocorrélation des trois bruits types

La transformée de Fourier de la fonction d’autocorrélation fournit la densité spectrale de

puissance
Z +∞ 2
V
rxx (τ) exp(− j2π f τ) dτ
2
Rxx ( j f ) = V sec =
−∞ Hz

L’observation de la densité spectrale de puissance (figure 2.29) des trois signaux permet
de tirer quelques propriétés et de définir des modèles représentant aussi bien que possible
chacune des trois densités spectrales de puissance.

1
(a)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(b)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(c)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5
f

F IG . 2.29: Densités spectrales de puissance des trois bruits types

2.9.1 Le bruit blanc à densité spectrale constante et bande infinie

Il contient toutes les fréquences de −∞ à +∞ et sa densité spectrale de puissance est

constante. Il est alors représenté par
2
V
Rxx ( f ) = A 2
− ∞ < f < +∞ (2.58)
Hz
dont la fac est une impulsion de Dirac :
rxx (τ) = A2 · δ(τ)
2
V (2.59)
Le théorème de Parseval nous dit alors que sa puissance est infinie ; est-ce possible ?
Comme la réponse est négative, on préfère travailler avec un modèle aussi simple, mais
plus réaliste ; c’est le bruit à densité spectrale constante et bande limitée

84 (C)2005 [email protected]
2.9 Description des signaux aléatoires

1
(a)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(b)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
(c)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5
f

F IG . 2.30: Trois modèles de densités spectrales de puissance

2.9.2 Le bruit à densité spectrale constante et bande limitée

Il contient toutes les fréquences de − fmax à + fmax . Sa puissance finie est souvent désignée
par la variance statistique σ2x qui n’est autre que le carré de la valeur efficace Xe2f f du
signal. Ce bruit est alors représenté par

σx
 2 h 2i
V

 2 fmax si − f max < f < + f max Hz
Rxx ( f ) = (2.60)

0 sinon


dont la fac vaut

sin(2π fmax τ)
rxx (τ) = σ2x − ∞ < τ < +∞
2
V (2.61)
2π fmax τ

2.9.3 Le bruit coloré à puissance finie

Il contient toutes les fréquences de −∞ à +∞. Mais son spectre diminuant avec la fré-
quence, sa puissance σ2x est finie. Un modèle souvent utilisé est le suivant :

σ2x V2

1
Rxx ( f ) = − ∞ < f < +∞ (2.62)
π fc
2
f Hz
1+ fc

dont la fac vaut

rxx (τ) = σ2x · e−a |τ| − ∞ < τ < +∞

2
V (2.63)

avec
1
a = 2π fc (2.64)
sec

2.10 Systèmes linéaires et densités spectrales

Il est extrêment fréquent que l’on doive étudier des signaux reliés entre-eux par le passage
au travers d’un système linéaire, par exemple un filtre. Celui-ci étant décrit par sa réponse
impulsionnelle h(t) ou sa réponse fréquentielle H( j f ), les signaux d’entrée x(t) et de
sortie y(t) sont alors reliés entre eux par les relations bien connues :
Z +∞
y(t) = h(θ) x(t − θ) dθ (2.65)
−∞

Y ( j f ) = H( j f ) X( j f ) (2.66)
où X( j f ) et Y ( j f ) sont les densités spectrales d’amplitude des signaux x(t) et y(t).

Domaine temporel Domaine fréquentiel

Signaux
entrée x(t) X( j f )
système h(t) H( j f )
sortie y(t) Y(j f)
relation y(t) = h(t) ⊗ x(t) Y ( j f ) = H( j f ) · X( j f )

Corrélation
entrée rxx (τ) Rxx ( f )
système h(τ) H( j f )
sortie rxy (τ) Rxy ( j f )
relation rxy (τ) = h(τ) ⊗ rxx (τ) Rxy ( j f ) = H( j f ) · Rxx ( f )

Densités spectrales
Ryy ( f ) = |H( j f )|2 Rxx ( f )

TAB . 2.2: Relations temporelles et fréquentielles

Sachant que les densités spectrales de puissance (ou d’énergie) valent :

Rxx ( f ) = X( j f ) · X( j f )∗ = |X( j f )|2 (2.67)

Ryy ( f ) = Y ( j f ) ·Y ( j f )∗ = |Y ( j f )|2 (2.68)

86 (C)2005 [email protected]
2.11 Énergie et puissance des signaux

on montre aisément que les densités spectrales de puissance sont reliées entre elles par la
relation suivante :
Ryy ( f ) = |H( j f )|2 Rxx ( f ) (2.69)
On peut également montrer que si x(t) et y(t) sont reliés entre eux par h(t), le produit de
convolution s’applique aux fonctions de corrélation et l’on a :
Z +∞
rxy (τ) = h(θ) rxx (τ − θ) dθ (2.70)
−∞
Rxy ( f ) = H( j f ) Rxx ( f ) (2.71)
Le tableau 2.2 réunit les relations existant entre les signaux, les fonctions de corrélation
et les densités spectrales.

2.11 Énergie et puissance des signaux

Suivant les caractéristiques des signaux, on calculera leur puissance P ou leur énergie W.
Ce calcul peut, bien entendu, se faire dans le domaine temporel :
Z +T /2
1
x2 (t)dt V 2

P = lim (2.72)
T →∞ T −T /2
Z +T /2
x2 (t)dt V 2 s

W = lim (2.73)
T →∞ −T /2
ou dans celui des fréquences :
Z +∞ 2
P= R( f ) d f V (2.74)
−∞

V2
Z +∞
W= S( f ) d f (2.75)
−∞ Hz
où R( f ) [V 2 /Hz] est la densité spectrale de puissance et S( f ) [V 2 /Hz2 ] est la densité
spectrale d’énergie.

2.11.1 Domaine temporel

Reprenons les signaux de la figure 2.26 et calculons leur puissance ou leur énergie dans
le domaine temporel.

Signal temporaire

Soit x1 (t) = A exp(−at) ε(t) ; sa puissance moyenne est nulle et son énergie finie :
Z +T /2
1
P1 = lim x12 (t) dt = 0
T →∞ T −T /2

A2 A2 τ V2
Z +T /2
W1 = lim x12 (t) dt = = <∞ (2.76)
T →∞ −T /2 2a 2 Hz

Signal périodique permanent

Soit x2 (t) = A signe(sin(2π f0t)) ; sa puissance est finie et son énergie infini :
Z +T /2
1
x22 (t) dt = A2 < ∞ V 2

P2 = lim (2.77)
T →∞ T −T /2
Z +T /2
W2 = lim x22 (t) dt → ∞
T →∞ −T /2

Signal aléatoire permanent

Un signal aléatoire et permanent possède une puissance finie et une énergie infinie :
Z +T /2
1
x32 (t) dt = X3,e ff <∞ V
2
2
P3 = lim (2.78)
T →∞ T −T /2
Z +T /2
W3 = lim x32 (t) dt → ∞
T →∞ −T /2

2.11.2 Domaine fréquentiel

Reprenant les signaux de la figure 2.26 et connaissant leur densité spectrale de puissance
ou d’énergie, on peut calculer leur puissance ou énergie dans le domaine fréquentiel.

Signal temporaire

Son énergie se calcule après définition de sa densité spectrale d’énergie S1 ( f ) :

2
A2
2
2 A V
S1 ( f ) = |X1 ( j f )| = = 2 2
(2.79)
a + j2π f a + (2π f ) Hz2

A2 A2 V2
Z +∞ Z +∞
W1 = S1 ( f ) d f = d f = (2.80)
−∞ −∞ a2 + (2π f )2 2a Hz

Signal périodique permanent

Sa puissance se calcule après définition de sa densité spectrale de puissance R2 ( f ). Comme

le signal est périodique, celle-ci est discrète et s’obtient à partir des raies spectrales X( jk) :
+∞ +∞
∆t sin(π f ∆t) 2 2
V
R2 ( f ) = ∑ |X( jk)| = ∑ A
2
δ( f − k f0 ) (2.81)
−∞ −∞ T π f ∆t Hz

+∞
∆t sin(kπ f0 ∆t) 2
Z +∞
R2 ( f ) d f = ∑ A = A2 Ve2f f

P2 = (2.82)
−∞ −∞ T kπ f0 ∆t

88 (C)2005 [email protected]
2.12 Temps, spectres et statistique des signaux

Signal aléatoire permanent

Grâce aux modèles que l’on s’est donné pour décrire les signaux aléatoires (section 2.8.3),
on peut calculer la puissance du signal x3 (t) :
Z +∞
2
2
P3 = R3 ( f ) d f = X3,e ff Ve f f (2.83)
−∞

Des graphes illustrants ces trois bruits ainsi que les fonctions d’autocorrélation et les
densités spectrales de puissance correspondantes sont présentés dans les figures à 2.27 à
2.30.

Remarque Il est intéressant de relever que, pour les composants semiconducteurs, la

donnée de la densité spectrale de puissance R( f ) est remplacée par une tension équiva-
lente de bruit qui n’est autre que la racine carrée de la densité spectrale de puissance :

p V
en ( f ) ≡ R( f ) √ (2.84)
Hz
Par exemple, les caractéristiques de l’amplificateur opérationnel LF411 montrent que,
dans les basses fréquences, le spectre du bruit décroît à raison de 10 [dB] par décade
(flicker noise = bruit de grenaille) et qu’il reste pratiquement constant au delà de 300 [Hz]
et qu’il vaut alors :
∼ nV
en = 30 √ f > 300 [Hz]
Hz

2.12 Temps, spectres et statistique des signaux

La page suivante, tirée de l’ouvrage de F. de Coulon, illustre les propriétés temporelles,

spectrales et statistiques de quelques signaux. Comme on l’a déjà dit plus haut, ces des-
criptions ne sont que des points de vue différents d’une même réalité : le signal tempo-
rel x(t). Ces points de vue sont complémentaires et c’est le but du traitement des signaux
de les relier entre eux et d’en tirer efficacement le maximum d’information.

F IG . 2.31: Descriptions temporelle, spectrale et statistique de signaux typiques [de Cou-

lon]

90 (C)2005 [email protected]
2.13 Quelques exemples

2.13 Quelques exemples

Exemple 1 :
On applique une exponentielle décroissante u1 (t) = U0 exp(−at)ε(t) à un filtre passe-
bande idéal.

1. Dessinez la réponse fréquentielle du filtre.

2. Esquissez les densités spectrales d’amplitude |U1 ( j f )| et |U2 ( j f )|.
3. Que valent les densités spectrales d’énergie S1 ( f ) et S2 ( f ) ?
4. Calculez les énergies W1 et W2 des signaux d’entrée et de sortie.
5. A.N. : U0 = 10 [V ], a = 240 000 [sec−1 ], f1 = 4 [kHz], f2 = 6 [kHz]

Solution :

Exemple 2 :
Un opérateur vous informe qu’il a mesuré à la sortie d’un amplificateur un bruit large
bande dont la valeur efficace vaut U1,e f f = 0.1 [Ve f f ].

1. Quelle est la puissance P1 de ce bruit ?

2. L’information apportée par l’opérateur est-elle significative et suffisante ? Après
discussion, il précise que cette mesure a été effectuée avec un voltmètre à vraie
valeur efficace dont la bande passante est de 100kHz.
3. Esquissez puis calculez la densité spectrale de puissance R1 ( f ) de ce bruit.
4. La sortie de cet amplificateur est branchée sur un filtre passe-bas idéal dont la fré-
quence de coupure est fixée à 1 kHz. Esquissez la densité spectrale de puissance
R2 ( f ) du bruit après le filtre.
5. Quelle valeur efficace U2,e f f mesurerez-vous après le filtre ?

Solution :

92 (C)2005 [email protected]
2.13 Quelques exemples

Exemple 3 :
À la sortie d’un amplificateur dont la bande passante est de 100 [kHz], on mesure un bruit
de 0.1 [Ve f f ]. On filtre ce bruit avec un filtre RC passe-bas réalisé avec R = 1.6 [kΩ] et
C = 100 [nF].

1. Calculez la densité spectrale de puissance R1 ( f ) du bruit de sortie de l’amplifica-

teur.
2. Calculez la fréquence de coupure du filtre passe-bas.
3. Esquissez sur un même diagramme les densités spectrales de puissance R1 ( f ) et
R2 ( f ) présentes à l’entrée et à la sortie du filtre RC.
4. Quelle sera la valeur efficace de la tension à la sortie du filtre RC ?

Solution :

Exemple 4 :
On applique une impulsion de tension d’amplitude E et de largeur ∆t à un filtre passe-
bande LC-R caractérisé par sa fréquence de résonance f0 et son facteur de qualité Q0 .
Admettant que la largeur de l’impulsion est beaucoup plus petite que les temps caracté-
ristiques du filtre :

1. Esquissez u1 (t) et u2 (t) ainsi que |U1 ( j f )| et |U2 ( j f )|.

2. Calculez U1 ( j f ) et U2 ( j f ).
3. Calculez l’énergie W1 du signal d’entrée.
4. Calculez l’énergie W2 du signal de sortie du filtre.
5. A.N. : E = 10 [V ], ∆t = 10 [µsec], f0 = 1 [kHz], Q0 = 10.
6. Proposez des valeurs pour les composants R, L et C du filtre.

Solution :

94 (C)2005 [email protected]
2.14 Table illustrée de quelques transformées de Fourier

2.14 Table illustrée de quelques transformées de Fourier

96 (C)2005 [email protected]
2.14 Table illustrée de quelques transformées de Fourier

2.15 Exercices

TF 1 À partir de la seule observation du signal temporel de la figure 2.32, précisez ce

que vaut sa densité spectrale en f = 0 puis calculez et esquissez sa transformée de Fourier.

1.5
x(t)

0.5

−8 −6 −4 −2 0 2 4 6 8
temps [msec]

F IG . 2.32: Exercice TF1

TF 2 Partant de la TF d’une impulsion rectangulaire et de la propriété d’intégration,

calculez les TF de x(t) et y(t) (figure 2.33). Après calculs, vous remarquerez que Y ( j f )
peut s’écrire sous la forme d’un sinc2 .

1
x(t)

−1
−400 −200 0 200 400 600
1
y(t)

0.5

0
−400 −200 0 200 400 600
1
z(t)

0.5

0
−400 −200 0 200 400 600
temps [msec]

F IG . 2.33: Exercices TF2 et TF3

TF 3 Partant de la TF d’une impulsion et d’un saut unité, trouvez celle de z(t) (fi-
gure 2.33). Est-il possible de trouver Z( j f ) à partir de Y ( j f ) ? Vous pouvez vérifier votre
résultat en calculant Z( j f = 0) qui doit être égal à ∆t/2.

98 (C)2005 [email protected]
2.15 Exercices

TF 4 Soit un signal carré symétrique (à valeur moyenne nulle) d’amplitude A. Esquissez

1. le signal x(t) ;
2. le spectre que l’on obtient avec les séries de Fourier ;
3. le spectre que l’on obtient avec la transformation de Fourier.

TF 5 Considérant le signal x(t) = exp(−a |t|), calculez et esquissez x(t) et X( j f ), puis

vérifiez les 2 égalités suivantes :
Z +∞ Z +∞
a) X(0) = x(t)dt , b) x(0) = X( j f )d f
−∞ −∞

TF 6

fréquence temps

1 la partie réelle de X( j f ) est nulle

2 la partie imaginaire de X( j f ) est nulle

3 il existe un décalage t0 tel que

exp( j2π f t0 )X( j f ) est réel

4 X( j f ) est continu

1. Considérant les quatre propriétés fréquentielles du tableau ci-dessus, exprimez leur

équivalent temporel dans la colonne de droite.
2. Pour chacun des signaux temporels de la figure 2.34, quelles sont les propriétés du
tableau qui s’y appliquent ?
3. Construisez un signal qui ne possède aucune des quatre propriétés mentionnées
dans le tableau.

TF 7 Soit X( j f ) la transformée de Fourier du signal x(t) de la figure 2.35. Sans calculer

explicitement X( j f ), recherchez :
1. la densité spectrale de phase de X( j f ) ;
2. la valeur de X( f = 0) ;
R +∞
3. la valeur de −∞ X( j f )d f ;
R +∞
4. la valeur de −∞ |X( j f )|2 d f .

1 (a) 1
(b)
0.5

0 0.5

−0.5

−1 0
−6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6

1 (c) 1 (d)
0.5 0.5

0 0

−0.5 −0.5

−1 −1
−6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6

1 1 (f)
(e)
0.5

0.5 0

−0.5
0 −1
−6 −4 −2 0 2 4 6 −6 −4 −2 0 2 4 6

F IG . 2.34: Exercice TF6

0.8

0.6
x(t)

0.4

0.2

−2 −1 0 1 2 3 4
5. temps [msec]

F IG . 2.35: Exercice TF7

100 (C)2005 [email protected]

2.15 Exercices

TF 8 Connaissant la TF d’une sinusoïde amortie x(t) = A exp(−at) sin(2π f0t) ε(t) :

1. calculez la transformée de Fourier d’une sinusoïde démarrant à l’instant zéro :
y(t) = A sin(2π f0t) ε(t) ;
2. esquissez les spectres X( j f ), Y ( j f ) et celui d’une sinusoïde permanente ;
3. discutez les différences existant entre ces trois spectres.

TF 9 On applique une exponentielle décroissante u1 (t) = U0 exp(−at) ε(t), d’amortis-

sement a = 100 [sec−1 ] à un filtre passe-bas de constante de temps τ = 1 [msec] ;
1. calculez la TF U2 ( j f ) de la tension de sortie u2 (t) du filtre ;
2. utilisez le tableau des transformées pour déduire l’expression temporelle de u2 (t).

TF 10 Soit un message m(t) = A cos(2π f1t) modulé en amplitude par une porteuse si-
nusoïdale p(t) = sin(2π f0t) :
1. calculez la TF du signal modulé x(t) = m(t) · p(t) = A sin(2π f0t) · cos(2π f1t) ;
2. esquissez le spectre du signal modulé |X( j f )| si f1 = 10 [kHz] et f0 = 800 [kHz] ;
3. idem 2) lorsque le signal m(t) possède un spectre continu |M( j f )|triangulaire et
non-nul entre 2 [kHz] et 10 [kHz].

TF 11 Soit le signal :

 U0 cos(2π f0t) si |t| ≤ t0
u(t) =
0 si |t| > t0


1. esquissez u(t) ;
2. calculez sa TF U( j f ) ;
3. esquissez |U( j f )| pour U0 = 1 [V ], T = 1/ f0 = 1 [msec], t0 = 10 [msec].
Ce signal correspond à l’observation d’une fonction sinusoïdale pendant une durée finie
2t0 . On remarquera, une fois le calcul effectué, que l’analyse spectrale d’une sinusoïde
pendant une durée finie revient à remplacer les raies spectrales situées en f = ± f0 par la
fonction sinus cardinal.

TF 12 Soit la fonction :
1 T

 2 [1 − cos(2π f 0t)] si |t| ≤ 2
u(t) =
T
0 si |t| >

2
1. esquissez u(t) ;
2. calculez sa TF U( j f ) ;
3. esquissez U( j f ) et la TF d’une impulsion rectangulaire de même durée ;
4. observez les différences.

(C)2005 [email protected] 101

2 A NALYSE DES SIGNAUX NON PÉRIODIQUES

TF 13 Connaissant la transformée E( j f ) d’un saut unité ε(t), calculez la transformée

S( j f ) de la fonction signe s(t).

TF 14 Montrez qu’un produit simple dans l’espace des fréquences correspond à un pro-
duit de convolution dans l’espace temps :
Z +∞
Y ( j f ) = X( j f ) · H( j f ) ⇔ y(t) = x(t) ⊗ h(t) = x(θ)h(t − θ)dθ
−∞

Pour démontrer ce résultat important et bien connu, vous pouvez d’abord exprimer la TFI
de Y ( j f ) :
Z +∞ Z +∞
y(t) = Y ( j f )exp(+ j2π f t)d f = H( j f )X( j f )exp(+ j2π f t)d f
−∞ −∞

puis y introduire la TF de x(t) :

Z +∞
X( j f ) = x(θ)exp(− j2π f θ)dθ
−∞

TF 15 Considérant la réponse d’un filtre h(t) dont le spectre est le suivant :


 1 si | f | ≤ 100 [Hz]
H( j f ) =
0 sinon


1. esquissez H( j f ) ;
2. calculez, puis esquissez h(t) ;
3. ce signal correspond à la réponse impulsionnelle du filtre décrit par H( j f ); ce filtre
est-il réalisable ? pourquoi ?

TF 16 Considérant un signal u(t) dont le spectre est le suivant :


 1 si 100 [Hz] ≤ | f | ≤ 200 [Hz]
U( j f ) =
0 sinon


1. esquissez U( j f ) ;
2. calculez puis esquissez u(t) ;
3. que vaut sa puissance ?

TF 17 Utilisez la transformation de Fourier pour trouver le courant circulant dans un

circuit RC série sachant que le signal appliqué est un saut de tension d’amplitude E.

102 (C)2005 [email protected]

2.15 Exercices

TF 18 On applique une fonction signe u1 (t) d’amplitude E à un filtre RC passe-bas.

1. utilisez la transformation de Fourier pour trouver la tension de sortie ;

2. esquissez u1 (t) et u2 (t).

TF 19 On applique une exponentielle symétrique u1 (t) = U0 exp(−a |t|) à un filtre passe-

bas de constante de temps τ.

1. avant de vous lancer dans les calculs, esquissez u1 (t) et imaginez ce que peut être
u2 (t) ;
2. calculez la tension de sortie du filtre.

La marche à suivre est la même que celle utilisée avec la transformation de Laplace :
décomposition en somme de fractions simples puis recherche des coefficients par identi-
fication avec des transformées connues.

TF 20 On applique une exponentielle décroissante u1 (t) = U0 exp(−at) · ε(t) à un filtre

passe-bas idéal de fréquence de coupure fc .

1. exprimez U1 ( j f ) et U2 ( j f ) ; esquissez leur module ;

2. en admettant U0 = 10 [V ] et a = 1000 [sec−1 ], calculez les énergies E1 et E2 des
signaux d’entrée et de sortie lorsque :
a
(a) fc = 1 [kHz] ; (b) fc = 2π .

TF 21 On applique à un filtre passe-bas de constante de temps τ = 1 [msec] un signal

u1 (t) dont le spectre est défini par :

 1 [V /Hz] si 100 [Hz] <= | f | <= 300 [Hz]
U1 ( j f ) =
0 sinon


1. exprimez la fonction de transfert H( j f ) du filtre ; que vaut sa fréquence caractéris-

tique fc ?
2. esquissez U1 ( j f ), H( j f ) et U2 ( j f ) pour −500 [Hz] < f < +500 [Hz] ;
3. quelles sont les énergies E1 et E2 des signaux d’entrée et de sortie ?
4. comment évoluera E2 si la constante de temps τ diminue ?
5. comment calculeriez-vous u2 (t) ? Ne faites pas les calculs, mais précisez point par
point votre démarche ; essayez d’entrevoir les difficultés de ce calcul.

(C)2005 [email protected] 103

2 A NALYSE DES SIGNAUX NON PÉRIODIQUES

TF 22 On applique à un filtre passe-bas de constante de temps τ = RC = 10 [msec] une

tension exponentielle u1 (t) = 10 exp(−at)ε(t) avec a = 1000 [sec−1 ].

1. esquissez u1 (t) et u2 (t) ;

2. calculez les énergies contenues dans les signaux d’entrée et de sortie.1

TF 23 On applique une impulsion de Dirac δ(t) à un filtre passe-bande dont la fonction

de transfert vaut :
D0 jf0f 1
H( j f ) = 2 D0 ≡
Q0
1 + D0 jf0f + jf0f

1. esquissez les spectres des signaux d’entrée et de sortie ;

2. exprimez l’énergie du signal de sortie contenue dans la bande passante ∆ f sachant
que :
1 1
f0 = √ = 1 [kHz] D0 ≡ = 0.1
2π LC Q0
∆f
q
fi,s = ±1 + 1 + 4Q0 2 ∆ f = f0 D0
2

TF 24 Considérant le spectre X( j f ) de la figure 2.36 constitué d’un sinus cardinal d’am-

plitude X(0) = 2 · 10−3 et de 2 impulsions de Dirac de surface 1/2, trouvez puis esquissez
le signal x(t) correspondant.

−4
x 10
20

10 1/2 1/2
X(jf)

−5
−4 −3 −2 −1 0 1 2 3 4
fréquence [kHz]

F IG . 2.36: Exercice TF24

1 Si
le calcul de l’intégrale définie nécessaire pour obtenir l’énergie vous paraît trop difficile, essayez la
démarche suivante :
a) esquissez la fonction à intégrer ;
b) estimez des limites raisonnables pour la valeur de l’énergie ;
c) à l’aide d’un petit programme (une douzaine de lignes), intégrez numériquement la densité spectrale
d’énergie. Si le nombre de pas est suffisant, le résultat obtenu sera tout à fait satisfaisant.

104 (C)2005 [email protected]

2.15 Exercices

TF 25 A partir du signal x(t) = exp(−at)ε(t), trouvez le spectre de y(t) = sgn(t).

Corr 1 Considérant le signal x(t) défini comme suit :



 −A si −∆t < t < 0




 0 si t =0


x(t) =
+A si 0 < t < ∆t







|t| ≥ ∆t

0 si


on demande :

1. esquissez x(t) ;
2. calculez sa fonction d’autocorrélation pour les valeurs particulières suivantes
τ = 0, ±∆t, ±2∆t ;
3. esquissez la fonction rxx (τ), −∞ < τ < +∞.

Corr 2 Considérant les 3 signaux suivants :

– x(t) = une exponentielle décroissante d’amplitude A et de constante de temps τ1
– y(t) = une impulsion rectangulaire centrée en t = 0, d’amplitude A et de largeur ∆t
– z(t) = une impulsion triangulaire centrée en t = 0, d’amplitude A et de base 2∆t
on demande :

1. esquissez ces 3 signaux ;

2. calculez des valeurs particulières de leur fonction d’autocorrélation ;
3. calculez leur fonction d’autocorrélation pour τ compris entre + et – ∞ ;
4. esquissez ces fonctions.

Remarque Le calcul de la troisième fonction n’est pas simple ; sans entrer dans le détail
des calculs, imaginez comment vous devriez vous y prendre pour le faire.

Corr 3 Calculez la fonction d’intercorrélation des signaux x(t) et h(t) de l’exercice CV2.
Avant de vous lancer dans les calculs, imaginez où se situera le maximum de la fonction.
Esquissez le résultat de l’intercorrélation.

Corr 4 On souhaite connaître la fonction d’intercorrélation des signaux h2 (t) et h1 (t) de

l’exercice CV1 : Z +∞
r21 (τ) = h2 (t) h1 (t + τ) dt
−∞
Pour cela :

(C)2005 [email protected] 105

2 A NALYSE DES SIGNAUX NON PÉRIODIQUES

1. imaginez tout d’abord l’endroit où se situera le maximum de la fic ;

2. montrez que, pour les points
particuliers suivants τ = {−2∆t, −∆t, 0, +∆t}, on a,
2 ∆t 2 ∆t
respectivement, h21 (τ) = 0, A 3 , A 6 , 0 ;
3. pourquoi, comme il est précisé dans la remarque ci-dessous, le calcul est-il plus
simple lorsque τ est compris entre 0 et ∆t ?
4. que pensez-vous des résultats graphiques obtenus avec Matlab (figure 2.37) ?

Ex.CR4
1
h1(t)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

1
h2(t)

0.5

0
−5 −4 −3 −2 −1 0 1 2 3 4 5

0.4
r21(τ)

0.2

−5 −4 −3 −2 −1 0 1 2 3 4 5
temps [∆t]

F IG . 2.37: Exercice Corr4

Remarque Pour donner une idée de ce que représente l’approche analytique, voici le
calcul de la partie la plus simple correspondant au décalage avancé de h1 (t + τ) avec τ
compris entre 0 et ∆t.
Comme l’on a : Z +∞
r21 (τ) = h2 (t) h1 (t + τ) dt
−∞

il faut commencer par décrire les 2 fonctions suivantes :

t +τ

A
h2 (t) = t h1 (t + τ) = A 1 −
∆t ∆t

valables pour 0 < t < ∆t, respectivement, −τ < t < ∆t − τ.

106 (C)2005 [email protected]

2.15 Exercices

Puis, tenant compte des parties nulles, il vient :

Z ∆t−τ
r21 (τ) = h2 (t) h1 (t + τ) dt
0
Z ∆t−τ
t +τ

A
= tA 1− dt
0 ∆t ∆t
A2 ∆t−τ t 2 τt
Z
= t− − dt
∆t 0 ∆t ∆t
∆t−τ
A2 t 2 t3 τt 2

= − −
∆t 2 3∆t 2∆t 0
A2 (∆t − τ)2 τ (∆t − τ)3

= 1− −
∆t 2 ∆t 3∆t
(∆t + τ) 2
= A2 (∆t − τ)
6 ∆t 2
Ce qui donne en particulier les 2 valeurs suivantes :
∆t
r21 (τ = 0) = A2 r21 (τ = ∆t) = 0
6

Corr 5

Considérant deux signaux numériques x(n) et y(n) définis comme suit :

n ··· 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 ···
x(n) 0 0 0 0 0 0 1 2 3 4 0 0 0 0 0 0 0
y(n) 0 0 0 0 0 0 0 0 4 3 2 1 0 0 0 0 0

calculez et représentez la fonction d’intercorrélation

+∞
rxy (m) = ∑ x(n) y(n + m)
n=−∞

(C)2005 [email protected] 107

2 A NALYSE DES SIGNAUX NON PÉRIODIQUES

4
x(n)

0 2 4 6 8 10 12 14 16 18 20

4
y(n)

0 2 4 6 8 10 12 14 16 18 20

20
rxy(m)

0
−10 −8 −6 −4 −2 0 2 4 6 8 10
n, m

F IG . 2.38: Exercice Corr5

108 (C)2005 [email protected]

Bibliographie

[1] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA,
1992
[2] F. de Coulon, Théorie et traitement des signaux, Presses polytechniques romandes,
Lausanne, 1984
[3] M. Alonso, E.J. Finn, Physique générale : champs et ondes, Editions pédagogiques,
Montréal, 1970

(C)2005 [email protected] 109

Bibliographie

110 (C)2005 [email protected]

3 É LÉMENTS D ’ ANALYSE SPECTRALE
NUMÉRIQUE

3.1 Passage de la TF à la TFD

Le passage de l’analyse de Fourier des signaux continus à l’aide de la transformation de

Fourier (TF) au calcul numérique du contenu spectral d’un signal grâce à la transformation
de Fourier discrète (TFD) fait intervenir trois opérations :
– l’échantillonnage du signal temporel ;
– la limitation de la durée d’analyse de ce signal ;
– la discrétisation de la fréquence pour l’analyse spectrale numérique.
Ces trois opérations, apparemment anodines, ont des conséquences dont il est important
d’évaluer l’étendue.
Afin de concrétiser au mieux les relations existant entre les espace temps et fréquence, on
considérera par la suite que les signaux étudiés sont fournis sous la forme d’une tension
électrique que l’on échantillonne régulièrement pendant une durée finie avant d’analyser
numériquement son contenu spectral. Ainsi, pour chaque équation, on pourra préciser les
unités des résultats obtenus.
Pour mémoire, on rappelle trois propriétés de la transformation de Fourier utilisées par la
suite :
– au produit simple dans un espace correspond un produit de convolution dans l’autre

x(t) · y(t) ←→ X( j f ) ⊗Y ( j f ) (3.1)

x(t) ⊗ y(t) ←→ X( j f ) ·Y ( j f ) (3.2)

– la TF d’un peigne d’impulsions de Dirac est également un peigne de Dirac

1
δTe (t) ←→ δf ( f) (3.3)
Te e
– la TF d’une impulsion rectangulaire de largeur ∆t est un sinus cardinal

sin(π f ∆t)
rect(t/∆t) ←→ ∆t = ∆t sinc( f ∆t) (3.4)
π f ∆t

(C)2005 [email protected] 111

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

3.1.1 Signaux continus non-périodiques

Un signal analogique x(t) et sa densité spectrale X( j f ) sont reliés entre eux par les rela-
tions : Z +∞
X( j f ) = x(t) exp(− j2π f t)dt [V · sec] (3.5)
−∞

Z +∞
x(t) = X( j f ) exp(+ j2π f t) d f [V ] (3.6)
−∞

Ces transformations directe et inverse montrent à l’évidence, la parfaite symétrie qui relie
les espaces temps et fréquence (figure 3.1.a). A cette symétrie correspond la propriété
suivante :

à un signal temporel continu non périodique correspond un spectre continu

non périodique.

3.1.2 Signaux discrets de durée infinie

On considère ici que le signal continu x(t) est échantillonné tous les multiples de la pé-
riode d’échantillonnage Te . On obtient alors un signal discret x[n] = x(t = nTe ) (figure
3.1.c). Mathématiquement, cette opération d’échantillonnage est équivalente à une multi-
plication du signal x(t) par un peigne d’impulsions de Dirac distantes de Te :

x[n] = x(t) · δTe (t) (3.7)

Dans l’espace fréquentiel, le peigne de Dirac temporel δTe (t) devient un peigne de Dirac
périodique fe (figure 3.1.b).
1
∆( f ) ≡ T F{δTe (t)} = δf ( f) (3.8)
Te e

Comme le produit simple dans l’espace temps conduit à un produit de convolution entre
les spectres X(jf) et ∆( f ) (figure 3.1.c), on constate que :

à un signal échantillonné ou discret correspond un spectre continu et pé-

riodique fe .

Le calcul du spectre Xe ( j f ) d’un signal discret x[n] se fait à partir de la définition de la

transformation de Fourier des signaux continus (équation 3.5). On obtient alors :
+∞
Xe ( j f ) = Te ∑ x[n] exp(− j2π f nTe ) [V · sec] (3.9)
n=−∞

Partant de ce spectre Xe ( j f ), on peut bien entendu revenir au signal temporel x[n] :

Z + fe /2
x[n] = Xe ( j f ) exp(+ j2π f nTe ) d f [V ], −∞ < n < +∞ (3.10)
− fe /2

112 (C)2005 [email protected]

3.1 Passage de la TF à la TFD

F IG . 3.1: Passage de la TF à la TFD [1]

(C)2005 [email protected] 113

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

3.1.3 Signaux discrets de durée finie

Dans le cas où l’on désire traiter numériquement un signal, le nombre de valeurs x[n] ne
peut pas être infiniment grand. On est donc contraint à ne prendre en compte qu’une partie
du signal original. Mathématiquement, cette opération de troncation revient à multiplier
le signal x(t) par une fenêtre rectangulaire w(t) de largeur T (figure 3.1.d).
À cette multiplication dans l’espace temps correspond un produit de convolution dans
l’espace des fréquences entre le spectre du signal X( j f ) et le spectre en sinus cardinal de
la fenêtre w(t). Il en résulte une déformation du spectre original causée par les ondulations
du sinus cardinal (figure 3.1.e).
Le signal x(t) est enregistré pendant une durée finie T en échantillonnant N valeurs du
signal x(t). On a donc T = N · Te .
La suite de valeurs discrètes xN [n] ainsi obtenue sera énumérée avec le compteur temporel
n compris entre 0 et N − 1 et le spectre du signal tronqué se calcule alors comme suit :
N−1
Xe,N ( j f ) = Te ∑ xN [n] exp(− j2π f nTe) [V · sec]
n=0

Il est bien clair que les N valeurs temporelles peuvent s’obtenir par transformation inverse
de Xe,N ( j f ) :
Z + fe /2
xN [n] = Xe,N ( j f ) exp(+ j2π f nTe )d f [V ], 0 ≤ n ≤ N − 1
− fe /2

Remarque :
Par la suite, aucune distinction ne sera faite entre xN [n] et x[n] d’une part, et Xe,N ( j f ) et
Xe ( j f ) d’autre part, car le contexte permettra toujours de savoir si la longueur N de la
suite considérée est finie ou non et les 2 relations ci-dessus s’écriront :

N−1
Xe ( j f ) = Te ∑ x[n] exp(− j2π f nTe) [V · sec] (3.11)
n=0
Z + fe /2
x[n] = Xe ( j f ) exp(+ j2π f nTe )d f [V ] (3.12)
− fe /2

3.1.4 Discrétisation de la fréquence

Afin de pouvoir calculer numériquement un spectre, il est évidemment nécessaire de dis-

crétiser la fréquence. En divisant le domaine fréquentiel en N intervalles, l’incrément
fréquentiel vaut ∆ f = fe /N et les fréquences analysées, au nombre de N, sont :
f = k · ∆ f = k · fe /N (3.13)

Cette discrétisation de la fréquence n’est rien d’autre qu’un échantillonnage dans le do-
maine spectral et les résultats des opérations d’échantillonnage et de multiplication vues
plus haut pour l’espace temps s’appliquent également dans l’espace des fréquences (fi-
gure 3.1.f et 3.1.g) et conduisent à la propriété suivante :

114 (C)2005 [email protected]

3.2 Relations temps-fréquence

à la discrétisation du domaine spectral correspond un signal temporel pé-

riodique.

Tout se passe comme si la durée d’acquisition T correspondait à une période du signal

temporel x[n]. Le spectre considéré à présent est donc un spectre discret que l’on écrit
X[ jk] avec 0 ≤ k ≤ N − 1. Tenant compte des relations temps-fréquence, l’argument du
phaseur s’écrit :
fe kn
± j2π f nTe = ± j2π k∆ f nTe = ± j2π k nTe = ± j2π (3.14)
N N
Le spectre X[ jk] et le signal temporel x[n] se calculent alors comme suit :
N−1
j2πkn
X[ jk] = Te ∑ x[n] exp − [V · sec] 0 ≤ k ≤ N − 1 (3.15)
n=0 N

1 N−1

j2πkn
x[n] = ∑ X[ jk] exp + N
NTe k=0
[V ] 0 ≤ n ≤ N − 1 (3.16)

3.2 Relations temps-fréquence

Comme les domaines temporel et fréquentiel sont discrétisés avec le même nombre de
points N, on peut noter les points suivants.

1. L’espace du temps est caractérisé la durée de l’enregistrement T et par l’incrément

temporel ∆t (qui n’est autre que la période d’échantillonnage Te ) tel que
T
∆t ≡ Te = (3.17)
N
2. L’espace des fréquences est caractérisé par l’incrément fréquentiel ∆ f et la fré-
quence maximum fmax qui n’est autre que la fréquence d’échantillonnage fe
fmax fe
∆f = = (3.18)
N N
Ces deux relations ayant en commun la période d’échantillonnage Te et son inverse, la
fréquence d’échantillonnage, on a :
1 T 1
∆t ≡ Te ≡ ⇔ = (3.19)
fe N N ·∆f
On en déduit donc les trois relations fondamentales liant les domaines temporel et fré-
quentiel
1
∆f = (3.20)
T
1 1
fmax ≡ fe = ≡ (3.21)
∆t Te
1
∆t · ∆ f = (3.22)
N

(C)2005 [email protected] 115

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

À celles-ci s’ajoutent le fait que le domaine d’analyse spectrale s’étend de − fe /2 à + fe /2.

On définit alors la fréquence de Nyquist
fe
fN = (3.23)
2
Les relations que nous venons de voir peuvent se traduire par les propriétés suivantes.

1. L’incrément fréquentiel ∆ f est l’inverse de la durée temporelle T .

2. La période spectrale fmax = fe est l’inverse de l’incrément temporel ∆t.
3. Le domaine d’analyse spectrale est limité par la fréquence de Nyquist fe /2.
4. Pour un nombre donné de points N, il n’est pas possible d’avoir simultanément
une très bonne définition temporelle (∆t petit) et une très bonne définition fré-
quentielle (∆ f petit).

Une illustration des relations existant entre les domaines temporel et fréquentiel est don-
née dans la figure 3.2.
Dans ce qui précède, on a constamment vu apparaître un phaseur faisant intervenir l’ar-
gument ± j2π n f Te :
exp (± j2π n f Te )
Il est donc naturel de chercher à alléger l’écriture en définissant la pulsation numérique
ou normalisée Ω qui s’exprime en radians (figure 3.2) :
f
Ω ≡ 2π f Te = 2π [rad] (3.24)
fe

Comme le spectre de base est compris entre ± fe /2, on voit que la pulsation normalisée
prendra ses valeurs entre ±π et que les transformations de Fourier s’écrivent :
+∞
Xe ( jΩ) = Te ∑ x[n] exp(− jnΩ) [V · sec] (3.25)
n=−∞
Z +π
1
x[n] = Xe ( jΩ) exp(+ jnΩ)dΩ [V ] (3.26)
2π −π

3.3 Transformation de Fourier discrète

3.3.1 Définition de la TFD

En observant les relations (3.15) et (3.16), on constate que, mis à part le changement de
signe du phaseur et les coefficients précédant la somme, les calculs du spectre X[ jk] ou
du signal x[n] se font de la même manière. Ceci conduit à définir les algorithmes des
transformations de Fourier discrètes directe ou inverse comme suit :

N−1
j2πkn
XD [ jk] ≡ ∑ x[n] exp − [V ] 0 ≤ k ≤ N − 1 (3.27)
n=0 N

116 (C)2005 [email protected]

3.3 Transformation de Fourier discrète

x(t), x[n]

T = N∆t
∆t=Te

T t = n∆t

0 N-1

N∆t t
0 ∆t tmax = T

∆f fmax = fe
0 N∆f f

|Xe(jf)|, |X[jk]|
fe = N ∆f

∆f

fe /2 fe f = k∆f

0 N-1
1/2 1 f / fe

0 π 2π Ω

F IG . 3.2: Relations temps – fréquence

(C)2005 [email protected] 117

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

N−1
j2πkn
xD [n] ≡ ∑ XD [ jk] exp + [V ] 0 ≤ n ≤ N − 1 (3.28)
k=0 N

La comparaison des équations 3.27 et 3.15, ainsi que 3.28 et 3.16 montre que les résultats
de la TFD sont reliés aux spectres et signaux réels par les relations suivantes :

X[ jk] = Te · XD [ jk] (3.29)

xD [n]
x[n] = (3.30)
N

3.3.2 TFD d’un signal périodique

Nous avons vu que le passage de la TF à la TFD peut modifier de manière sensible les
résultats de l’analyse spectrale à cause de la troncation. Par contre, si le signal temporel
x(t) est périodique, on peut se trouver dans la situation idéale où les raies spectrales du
signal xT (t) sont en parfaite coïncidence avec les raies analysées par la TFD. Pour remplir
cette condition, il suffit d’enregistrer très exactement une ou plusieurs périodes du signal
temporel.
En comparant les définitions de la décomposition en série de Fourier :

Z +T /2
1 j2πkt
XSF [ jk] = xT (t) exp − dt [V ] (3.31)
T −T /2 T

+∞
j2πkt
xT (t) = ∑ XSF [ jk] exp + [V ] (3.32)
k=−∞ T
avec celles de la TFD (équations 3.27 et 3.28 ), on voit alors apparaître les relations
suivantes :

XD [ jk]
XSF [ jk] = (3.33)
N
xD [n]
xT (t = nTe ) = (3.34)
N

3.3.3 TFD et FFT

La découverte de la transformation rapide de Fourier en 1965 par Cooley et Tukey [3] a

été d’une importance majeure pour le traitement du signal car elle a permis d’envisager
l’analyse spectrale numérique de signaux de longue durée en des temps raisonnablement
courts. L’algorithme de Cooley et Tukey a très vite été connu sous le nom de transforma-
tion rapide de Fourier et il est généralement désigné par son appellation anglo-saxonne :
FFT (Fast Fourier Transform).
Il est aisé de voir que le nombre d’opérations arithmétiques (sommes et produits) néces-
sitées par la TFD d’une suite de longueur N est proportionnel à N 2 . Ce qui, pour une suite

118 (C)2005 [email protected]

3.4 Spectre d’une sinusoïde

de longueur 1000, conduit à calculer 1’000’000 de sinus et cosinus suivis d’une addition
et d’une multiplication ; les temps de calcul deviennent très vite prohibitifs..
L’algorithme de la FFT utilise le fait que l’opération de la TFD globale peut être décompo-
sée en la TFD de séquences de plus en plus courtes. Il en découle alors que le nombre total
d’opérations est bien inférieur à celui imposé par la simple application de l’algorithme de
la TFD. En contrepartie, le nombre de points analysés N doit être une puissance de 2. Le
nombre d’opérations demandées par le nouvel algorithme est alors fortment diminué et il
vaut
Nop ' N log2 (N) (3.35)
Ainsi, pour transformer 1024 points, le nouvel algorithme demande environ cent fois
moins de temps que la TFD :

N 1024
= = 102.4
log2 (N) 10

Il ne faut pas se méprendre sur la signification de la FFT : l’algorithme FFT n’est pas une
nouvelle transformation. Ce n’est rien d’autre qu’un moyen rapide d’obtenir les mêmes
résultats que ceux fournis par la TFD. Différents algorithmes de FFT sont présentés dans
le livre de Burrus et Parks [3].

3.4 Spectre d’une sinusoïde

Il est important de bien comprendre que, dans toute analyse numérique des signaux, on
est contraint d’enregistrer une durée finie du signal et que cette durée finie peut conduire
à des effets indésirables lors de l’analyse.
On a vu que la FFT travaille sur un bloc complet d’échantillons considéré comme pério-
dique. Cela ne pose aucun problème dans le cas d’un signal transitoire si celui a le temps
de revenir à 0 avant la fin de l’enregistrement. Par contre, dans le cas de signaux per-
manents, les choses peuvent se compliquer sensiblement. Pour le voir, considérons deux
situations pouvant apparaître lors de l’enregistrement d’un signal périodique tel qu’une
sinusoïde.

3.4.1 Le nombre de périodes enregistrées est un entier

La figure 3.3a illustre un enregistrement de durée 10 ms contenant exactement 10 pé-

riodes d’une onde sinusoïdale permanente d’amplitude 1 et de période 1 ms. Dans ce cas,
le signal enregistré, considéré périodique par la FFT, coïncide avec le signal réel (une
sinusoïde permanente) et aucune modification de l’information n’est introduite.
Le résultat de l’analyse FFT pour cette situation confirme ce que l’on attend, à savoir que
son spectre est constitué d’une raie spectrale bien définie et située en 1 kHz. Les deux
raies supplémentaires que l’on peut observer en 3 et 5 kHz sont dues aux distorsions du
signal sinusoïdal fourni par le générateur.

(C)2005 [email protected] 119

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

3.4.2 Le nombre de périodes enregistrées n’est pas un entier

Dans ce cas, la FFT analyse un signal qui possède une transition brusque au raccordement
du début et de la fin de l’enregistrement. Cette transition possède un contenu spectral
hautes-fréquences qui peut masquer une partie du spectre réel.

La figure 3.3b montre un enregistrement contenant 10.25 périodes d’une onde sinusoïdale
permanente d’amplitude 1 et de période1 ms. Dans ce cas, le signal enregistré, considéré
périodique par la FFT, ne coïncide pas avec le signal réel (une sinusoïde permanente)
et son spectre s’étale dans tout le domaine spectral. Cette dispersion de la puissance du
signal dans tout le domaine fréquentiel porte le nom d’étalement spectral.

Il est important de réaliser que le phénomène d’étalement spectral est dû à la non-coïcidence

des valeurs initiale et finale de la durée enregistrée. Dans le cas de la figure 3.3b, ces effets
de bords sont tels qu’ils masquent complètement les composantes spectrales d’ordre 3 et
5 du signal.

Pour éviter ces effets de bords, il faut s’attacher à enregistrer exactement un nombre entier
de périodes du signal et, dans le cas où cela n’est pas possible, il faut ramener les deux
bords à une valeur identique à l’aide d’une fenêtre qui modifie aussi peu que possible le
spectre réel.

N périodes N + 1/4 périodes

1 1

0.5 0.5
x(t)

0 0

−0.5 −0.5

−1 −1
0 2 4 6 8 10 0 2 4 6 8 10
temps [ms] temps [ms]

0 0

−20 −20
XdB (f)

−40 −40

−60 −60

−80 −80
0 2 4 6 8 10 0 2 4 6 8 10
fréquence [kHz] fréquence [kHz]

F IG . 3.3: Signal sinusoïdal et son spectre

120 (C)2005 [email protected]

3.5 Fenêtres d’observation

3.5.1 Quatre fenêtres usuelles

Les fenêtres utilisées en analyse spectrale sont nombreuses et elles ont été étudiées exten-
sivement par F.J. Harris [2]. On se contente ici de mentionner les quatre fenêtres le plus
fréquemment appliquées à l’enregistrement d’un signal. Elles sont définies comme suit :

Fenêtre rectangulaire
wr [n] = 1 pour 0≤n<N (3.36)

Fenêtre de Hann
n
wc [n] = 0.5 1 − cos 2π pour 0≤n<N (3.37)
N

Fenêtre de Hamming
n
wh [n] = 0.54 − 0.46 cos 2π pour 0≤n<N (3.38)
N

Fenêtre de Blackman
n n
wb [n] = 0.42 − 0.5 cos 2π + 0.08 cos 4π pour 0≤n<N (3.39)
N N

3.5.2 Effet d’une fenêtre

Pour bien saisir l’effet des fenêtres dans le domaine spectral, on considère ici les deux si-
tuations présentées plus haut auxquelles on appliquera les fenêtres de Hann, de Hamming
et de Blackman (figure 3.5).

Le nombre de périodes enregistrées est un entier Dans ce cas idéal (figure 3.5a), on
peut relever quelques différences spectrales légères.

1. Les raies spectrales du signal original sont également présentes quelle que soit la
fenêtre choisie.
2. Grâce au maintien d’une légère discontinuité temporelle, la fenêtre de Hamming
offre les raies spectrales les plus étroites.
3. La fenêtre de Blackman qui est la plus étroite temporellement, fournit, comme at-
tendu, des raies spectrales plus larges.

(C)2005 [email protected] 121

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

Rectangle Hann

1 1

0.8 0.8

0.6 0.6
wc(t)
wr(t)

0.4 0.4

0.2 0.2

0 0

−0.5 0 0.5 1 1.5 −0.5 0 0.5 1 1.5

Hamming Blackman

1 1

0.8 0.8

0.6 0.6
wh(t)

wb(t)

0.4 0.4

0.2 0.2

0 0

−0.5 0 0.5 1 1.5 −0.5 0 0.5 1 1.5

temps temps

F IG . 3.4: Fenêtres d’observation

122 (C)2005 [email protected]

3.5 Fenêtres d’observation

Hann Hamming Blackman

1 1 1

0.5 0.5 0.5

x(t)

0 0 0

−0.5 −0.5 −0.5

−1 −1 −1
0 5 10 0 5 10 0 5 10
temps [ms] temps [ms] temps [ms]

0 0 0

−20 −20 −20

XdB (f)

−40 −40 −40

−60 −60 −60

−80 −80 −80

0 5 10 0 5 10 0 5 10
fréquence [kHz] fréquence [kHz] fréquence [kHz]

Hann Hamming Blackman

1 1 1

0.5 0.5 0.5

x(t)

0 0 0

−0.5 −0.5 −0.5

−1 −1 −1
0 5 10 0 5 10 0 5 10
temps [ms] temps [ms] temps [ms]

0 0 0

−20 −20 −20

XdB (f)

−40 −40 −40

−60 −60 −60

−80 −80 −80

0 5 10 0 5 10 0 5 10
fréquence [kHz] fréquence [kHz] fréquence [kHz]

F IG . 3.5: Effet des fenêtres d’observation avec : (a) 10 périodes entières ; (b) 10.25 pé-
riodes

(C)2005 [email protected] 123

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

Le nombre de périodes enregistrées n’est pas un entier Dans la figure 3.5b, on a

repris l’enregistrement contenant 10.25 périodes. Les résultats spectraux obtenus montre
à l’évidence l’effet de ces 3 fenêtres :

1. la fenêtre de Hann fournit un spectre tout à fait satisfaisant, quoique un peu large à
sa base ;
2. la fenêtre de Hamming fournit un spectre étroit mais, à cause de l’étalement spectral
résiduel, elle ne permet pas de voir les 2 autres composantes spectrales ;
3. la fenêtre de Blackman donne le meilleur résultat : un spectre bien défini sans éta-
lement spectral.

3.5.3 Choix d’une fenêtre

Le choix d’une fenêtre est un compromis entre une bonne définition spectrale (spectre
étroit) et un étalement spectral aussi faible que possible (douceur de la fenêtre). Qualita-
tivement, leurs caractéristiques peuvent être résumées comme suit.

1. La fenêtre rectangulaire ne modifie pas l’enregistrement ; c’est celle que l’on uti-
lisera dans le cas de signaux transitoires ou non permanents et, dans le cas de
signaux périodiques, lorsque l’on est sûr que le nombre de périodes enregistrées est
un entier.
2. La fenêtre en cosinus, dite de Hann, est mathématiquement la plus simple et elle
offre de bons résultats dans le cas de composantes spectrales pas trop proches.
3. La fenêtre en cosinus relevé, dite de Hamming, n’élimine pas complètement l’éta-
lement spectral. Elle offre en contre partie une meilleure définition spectrale mais
ne permet pas de voir des composantes spectrales de faibles amplitudes.
4. La fenêtre de Blackman, constituée de deux cosinus, atténue très fortement les effets
de bord et permet ainsi de bien distinguer des raies spectrales proches et de faibles
amplitudes.

3.6 Exemple 1 : analyse spectrale élémentaire

Données On considère ici un signal temporel fortement bruité (SNR ' 0 dB) qui
semble contenir une oscillation périodique dont on souhaite connaître la teneur.

Analyse temporelle De l’enregistrement, on tire

1. la composante DC du signal et sa valeur efficace AC

Xdc = 0.045 Xac = 1.42

2. la période d’échantillonnage Te et sa durée T

Te = 20 µs T = 20 ms

124 (C)2005 [email protected]

3.6 Exemple 1 : analyse spectrale élémentaire

3. le domaine d’analyse spectrale fN et la définition spectrale ∆ f

1 1 1
fN = fe = = 25 kHz ∆f = = 50 Hz
2 2 Te T

Enregistrement temporel et Analyse spectrale

5
x(t)

T=t =20 [ms], ∆ t = T = 20 [µs]

max e
−5
0 2 4 6 8 10 12 14 16 18 20
t [ms]

1 1

0.8 fmax = 1/∆ t = 50 [kHz] 0.8

|Xu(jf)|

|X (jf)|

0.6 fe = fmax = 50 [kHz] 0.6

0.4 fN = fe/ 2 = 25 [kHz] 0.4

0.2 ∆ f = 1/ t = 50 [Hz] 0.2

max

0 0
0 5 10 15 20 25 0 1 2 3 4 5
f [kHz] f [kHz]

F IG . 3.6: Illustration de l’analyse spectrale avec : a) l’enregistrement temporel ; b) son

spectre d’amplitudes pour 0 ≤ f ≤ fe /2 = 25 kHz ; c) un zoom spectral sur 0 ≤
f ≤ 5 kHz

Anayse spectrale Le programme des calculs temporels et spectraux se résume aux

quelques lignes présentées dans la figure 3.7. Les spectres d’amplitudes, présentés dans
la figure 3.6, montrent que deux raies spectrales s’élèvent clairement au-dessus du niveau
moyen du bruit situé aux environs de 0.3. Ces deux raies spectrales ont une amplitude et
une fréquence valant respectivement

A1 ' 1.02 f1 = 1.25 kHz ± 25 Hz

A2 ' 0.85 f2 = 1.40 kHz ± 25 Hz

La précision des fréquences mesurées est égale à la moitié de la définition spectrale ∆ f .

(C)2005 [email protected] 125

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

% lecture de l’enregistrement
enreg = load(’enreg.txt’) ;
tt = enreg( :,1) ;
xt = enreg( :,2) ;
Xdc = mean(xt)
Xac = std(xt)

% analyse temporelle
Npts = length(xt) ;
dt = tt(2) - tt(1)
duree = Npts * dt

% analyse spectrale
df = 1/duree, fmax = 1/dt
ff = 0 :df :fmax-df ;
Xjf = fft(xt)/Npts ;

% spectre unilatéral
Ndemi = round(Npts/2) ;
ffu = ff(1 :Ndemi) ;
Xjfu = 2*Xjf(1 :Ndemi) ;
Xjfu(1) = Xjf(1) ; % composante DC

% estimation du rapport signal/bruit (SNR)

Px = Xdc^2 + Xac^2 ; % puissance du signal + bruit = 2.023
A1 = 1.02 ; A2 = 0.85 ; % amplitudes mesurées
Px0 = (A1^2 + A2^2)/2 ; % puissance du signal original = 0.88
Pn = Px - Px0 ; % puissance du bruit = 1.14
SNR = 10*log10(Px0/Pn) % SNR = -1.12

F IG . 3.7: Programme d’analyse spectrale élémentaire

126 (C)2005 [email protected]

3.7 Exemple 2 : reconstruction d’un signal

Données Afin d’analyser et illustrer les résultats fournis par la TFD, on considère ici
un signal connu

x(t) = A1 sin(2π f1t) + A2 sin(2π f2t) + A3 sin(2π f 32t + π/4)

constitué de trois sinusoïdes d’amplitudes

A1 = 1 A2 = −0.8 A3 = 0.5

et de fréquences harmoniques

f1 = 50 Hz f2 = 150 Hz f3 = 250 Hz

Ce signal original est perturbé par un bruit important (SNR ' +5 dB). Le but de cet
exemple est de montrer que, malgré la présence d’un fort bruit, il est possible de retrouver
le signal original.

Signal + Bruit Analyse de Fourier

0.25
2
0.2

0 0.15

0.1
−2
0.05

−4 0
0 50 100 150 200 0 100 200 300 400 500
temps [ms] fréquence [Hz]

Signal reconstruit Signal original

4 4

2 2

0 0

−2 −2

−4 −4
0 50 100 150 200 0 50 100 150 200
temps [ms] temps [ms]

F IG . 3.8: Analyse spectrale et extraction des signaux

Analyse temporelle L’enregistrement du signal bruité a été fait avec une période d’échan-
tillonnage Te = 0.2 ms et il a une durée T = 210 ms (figure 3.8a). Ceci permet de prévoir
que le domaine des fréquences est caractérisé par :

(C)2005 [email protected] 127

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

– la fréquence de Nyquist
fe
fN = = 2500 Hz
2
– la définition spectrale
1 1
∆f = = = 4.76 Hz
T 210 ms
On notera que la durée d’analyse T = 210 ms conduit à une définition spectrale ∆ f =
4.76 Hz qui n’est pas un sous-multiple des composantes spectrales. Cela fait que l’on sera
dans l’impossibilité de trouver la valeur exacte des fréquences originales. Idéalement, on
aurait dû prendre une durée de 200 ms permettant ainsi d’avoir une définition spectrale de
5 Hz.

Analyse spectrale L’observation du spectre (figure 3.8b) montre que les trois raies
spectrales sont bien visibles. Mais, on doit cependant constater que ces raies se sont dé-
doublées à cause de la définition spectrale non-entière et de l’utilisation de la fenêtre
d’observation.
Les fréquences mesurées à ±2.4 Hz près sont

f11 = 47.6 Hz f12 = 52.4 Hz

f21 = 147.6 Hz f12 = 152.4 Hz

f31 = 247.6 Hz f32 = 252.4 Hz

Leurs amplitudes et phases respectives valent

A11 = 0.453 A12 = 0.432 α11 = −0.151 rad α12 = +2.98 rad
A21 = 0.368 A12 = 0.334 α21 = −2.87 rad α22 = −0.275 rad
A31 = 0.198 A12 = 0.185 α31 = +0.372 rad α32 = −2.65 rad

avec
Ak = 2 |X( jk)| αk = ∠X( jk)

Reconstruction du signal original Connaissant les amplitudes et phases des compo-

santes spectrales, il est aisé de reconstruire le signal non bruité :

xr (t) = ∑ Ak cos (2π fkt + αk )

Malgré l’effet de la fenêtre d’observation utilisée avant d’effectuer la FFT et le fait qu’il y
ait six fréquences au lieu de trois, le signal ainsi extrait (figure 3.8c) reproduit assez bien
l’allure du signal original (figure 3.8d).

128 (C)2005 [email protected]

3.7 Exemple 2 : reconstruction d’un signal

% signal bruité
yt = xt+nt ;
Npts = length(yt) ;

% analyse spectrale avec une fenêtre de Hann

yht = yt’.*hann(Npts) ;
Yjf = fft(yht)/Npts ;
df = 1/tmax ; fmax = 1/dt ;
ff = 0 :df :fmax-df ;

% recherche de N raies spectrales

Nraies = 6 ;
Yjf_tempo = Yjf(1 :end/2) ;
for kn = 1 :Nraies
[Ymax, kf(kn)] = max(abs(Yjf_tempo)) ;
Yjf_tempo(kf(kn)) = 0 ;
end ;

% reconstruction
xtr = zeros(size(yt)) ;
for kn = 1 :Nraies
Xrjf = Yjf(kf(kn)) ; fr = ff(kf(kn)) ;
xtr = xtr + Xrjf*exp(+j*2*pi*fr*tt) + Xrjf’*exp(-j*2*pi*fr*tt) ;
end ;

% valeurs des composantes spectrales

fr = ff(kf)’
Ar = 2*abs(Yjf(kf))
ar = angle(Yjf(kf))

F IG . 3.9: Programme d’analyse et extraction des composantes spectrales

(C)2005 [email protected] 129

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

3.8 Exemple 3 : analyse spectrale détaillée

3.8.1 Données

On considère ici un signal permanent observé à l’oscilloscope. À partir de l’observation

visuelle du signal, on désire choisir les paramètres d’acquisition qui permettront ensuite
d’extraire toutes les informations possibles. L’acquisition se fera avec un convertisseur
analogique-numérique 8 bits /±2 V.

Acquisition: 10000 points, fe = 5000 [Hz]; CAN: ± 2 [V], 8 bits ± 1/2LSB,

1
x(t)

−1

−2
0 0.005 0.01 0.015 0.02 0.025 0.03

1
x(t)

−1

−2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2

1
x[n]

−1

−2
0 0.005 0.01 0.015 0.02 0.025 0.03
temps [sec]

F IG . 3.10: Signal analysé

3.8.2 Signal temporel

Le signal x(t) observé à l’oscilloscope (figure 3.10a) apparaît comme un sinusoïde carac-
térisée par son amplitude A ' 1V et sa période T0 ' 3.5 msec. Cependant, une observa-
tion de plus longue durée (figure 3.10b) montre un phénomène de battement de période
Tb ' 0.45 sec ou de fréquence
1
fb = ' 2.2 Hz
Tb
On en déduit que ce signal est composé d’au moins 2 sinusoïdes d’amplitudes fort diffé-
rentes (car la variation d’amplitude de x(t) est faible) et de fréquences très proches :
1
f1 ' ' 285 Hz f2 = f1 ± fb ' 285 ± 2 Hz
T0

130 (C)2005 [email protected]

3.8 Exemple 3 : analyse spectrale détaillée

3.8.3 Paramètres d’acquisition

Afin d’avoir une définition temporelle raisonnable, on choisit

T0
∆t ≡ Te ' = 0.35 msec ' 0.2 msec
10
et on en déduit la fréquence d’échantillonnage

1
fe = = 5 kHz
∆t
La figure 3.10c présente une partie du signal numérique ainsi acquis.
Comme il faut pouvoir distinguer deux raies distantes de fb ' 2 Hz, on choisira une défi-
nition spectrale suffisamment fine

fb
∆f ' = 0.5 Hz
4
Sachant que la résolution fréquentielle est inversement proportionnelle à la durée d’ac-
quisition, on en tire
1
tacq = = 2 sec
∆f

Le nombre de points acquis vaudra donc

1 1
N pts = = = 100 000
∆ f · ∆t 0.5 Hz · 0.2 ms

L’ensemble des valeurs acquises est représenté à la figure 3.10b.

3.8.4 Analyse spectrale

Utilisation de la FFT On a vu plus haut que l’algorithme FFT exige un nombre de

points égal à une puissance de 2. Lorsque cela n’est pas le cas, on complète la suite de
valeurs acquises par une succession de zéros permettant d’atteindre la puissance de 2 la
plus proche (figure 3.11a).
Du point de vue de l’analyse de Fourier, cela ne change rien aux résultats fournis ; seule
la résolution spectrale est améliorée. Dans notre cas, on passera donc de N pts = 100 000 à
N f f t = 160 384 et la résolution fréquentielle passera ainsi de

fe 5000
∆f = = 0 = 0.5 Hz
N pts 10 000

à
fe 5000
∆f = = 0 = 0.305 Hz
Nf ft 16 384

(C)2005 [email protected] 131

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

Spectres d’amplitudes: ∆f = 0.305 [Hz], fN = 2500 [Hz]

2
Fenêtre rectangulaire

1
x[n] ⋅ wr[n]

−1

−2
0 2000 4000 6000 8000 10000 12000 14000 16000

−20
Xr(f) [dB]

−40

−60

−80
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
fréquence [Hz]

F IG . 3.11: Signal et spectre d’amplitudes, fenêtre rectangulaire

Fenêtre rectangulaire Dans ce cas, l’analyse spectrale de la suite de valeurs acquises

x[n] fournit les spectres présentés dans les figures 3.11b et 3.13a). Le spectre ainsi obtenu
fait apparaître une seule raie spectrale aux environs de 270 Hz et, contrairement à ce que
l’on attendait, il n’y a pas de deuxième raie spectrale. Manifestement, celle-ci est masquée
par l’étalement spectral dû à la fenêtre rectangulaire.

Fenêtre de Blackman On est donc amené à fenêtrer le signal acquis en le multipliant

par une fonction atténuant les effets de bord dus à l’acquisition effectuée. On choisit ici
d’utiliser la fenêtre de Blackman définie comme suit :

n n
wb [n] = 0.42 − 0.5 cos 2π + 0.08 cos 4π pour 0 ≤ n < N pts
N pts N pts

Du point de vue numérique, on analysera donc le signal

xw [n] = x[n] · wb [n]

Après avoir complété le signal fenêtré par des zéros pour atteindre une puissance de 2
(figure 3.12a), on obtient les résultats présentés dans les figures 3.12 et 3.13b .

Zoom fréquentiel Étant donné la haute définition spectrale, obtenue au prix d’un long
enregistrement, les échelles globales ne permettent pas de voir le détail des raies atten-
dues. Il faut donc zoomer sur la zone intéressante. On voit alors très nettement que la

132 (C)2005 [email protected]

3.8 Exemple 3 : analyse spectrale détaillée

Spectres d’amplitudes: ∆f = 0.305 [Hz], fN = 2500 [Hz]

2
Fenêtre de Blackman

1
x[n] ⋅ wh[n]

−1

−2
0 2000 4000 6000 8000 10000 12000 14000 16000

−20
Xh(f) [dB]

−40

−60

−80
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
fréquence [Hz]

F IG . 3.12: Signal et spectre d’amplitudes, fenêtre de Blackman

fenêtre rectangulaire (figure 3.13a) est totalement incapable de fournir les informations at-
tendues alors qu’avec la fenêtre de Blackman (figure 3.13b), on retrouve bien la deuxième
fréquence recherchée et on peut même apercevoir la présence d’une troisième composante
spectrale d’amplitude encore plus faible, qui n’était absolument pas perceptible au niveau
temporel.
La figure 3.13b permet de mesurer les fréquences des trois composantes spectrales du
signal x(t) et les amplitudes relatives des raies spectrales bilatérales.

3.8.5 Estimation des amplitudes

Le spectre d’amplitudes de la figure 3.13b permet de mesurer les fréquences et amplitudes

des raies spectrales bilatérales.

k fk Xk,dB Xk,dB − X1,dB Xk /X1

1 272 Hz -7.6 0 1
2 274 Hz -32.2 -24.6 0.059
3 277 Hz -52 -44.4 0.006

Il est important de noter que les amplitudes spectrales dépendent de la fenêtre choisie et
que seules leurs valeurs relatives peuvent en être déduites
Xk
= 10(Xk,dB −X1,dB )/20
X1

(C)2005 [email protected] 133

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

Spectres d’amplitudes: ∆f = 0.305 [Hz], fN = 2500 [Hz]

0
Fenêtre rectangulaire

−20
X (f) [dB]

−40
r

−60

−80
250 260 270 280 290 300 310 320 330 340 350

0
Fenêtre de Blackman

−20
X (f) [dB]

−40
h

−60

−80
250 260 270 280 290 300 310 320 330 340 350
fréquence [Hz]

F IG . 3.13: Agrandissement spectral

Pour obtenir la valeur réelle des amplitudes, on peut passer par l’égalité de Parseval :

∞ 2 2 2 !
A2 A2
Z T
1 A2 A3 A4
Pac = 2
xac (t) dt = ∑ k = 1 1+ + + +···
T 0 k=1 2 2 A1 A1 A1

Ce qui donne dans notre cas

A21 A2
1 + 0.0592 + 0.0062 = 1.00352 1

Pac =
2 2

À partir du signal acquis, on calcule aisément sa puissance :

1 N−1
Pac = ∑ (x[n] − µx )2 = var(x[n]) = 1.45
N n=0

On en déduit alors la valeur de A1 et celles des autres composantes :

r
2 Pac
A1 = = 1.70
1.00352

A2 = 0.059 A1 = 0.1

A3 = 0.006 A1 = 0.01

134 (C)2005 [email protected]

3.8 Exemple 3 : analyse spectrale détaillée

Remarque Une correction des amplitudes spectrales tenant compte de la fenêtre utilisée
n’est possible que si le signal acquis possède exactement un nombre entier de périodes. Si
cette condition est remplie, il suffit alors de diviser les amplitudes spectrales par la valeur
moyenne de la fenêtre : Ak → Ak /µ(w). Ce calcul doit être évité si l’on est pas sûr que la
condition est remplie.

3.8.6 Calcul des signaux et des spectres

Le fichier créé pour générer le signal x(t), calculer et tracer les spectres dans différentes
conditions est donné ci-dessous. Bien qu’il puisse paraître volumineux au premier abord
(beaucoup de lignes sont consacrées au traçage uniquement), les parties essentielles de ce
fichier sont simplement :

1. la conversion analogique- numérique ±2V avec Nbits ± 21 LSB de non linéarité (on
admet que celle-ci entraîne la perte d’un bit) :
· Ucan = 4 ; Nbits = 8 ;
· xn = Ucan*round((xn0/Ucan)*(2^(Nbits-1))/(2^(Nbits-1) ;
2. le fenêtrage :
· wh = (blackman(length(xn)))’ ;
· xnwh = xn.*wh ;
3. l’ajout de zéros et le calcul du spectre :
· Nfft = 2^ceil(log2(length(xn))) ;
· xnwh = [xnwh, zeros(1,Nfft-length(xn))] ;
· Xjfh = fft(xnwh)/length(xnwh) ;

Initialisation Le programme débute par l’initialisation des paramètres et la création du

signal vu sur l’écran de l’oscilloscope

% analyse spectrale
clear all ; close all ; format compact ; clc ;

% parametres du signal
amp1 = 1.7 ; amp2 = 0.1 ; amp3 = 0.01 ;
f1 = 271.828 ; f2 = f1+2 ; f3 = f1+5 ;
% oscilloscope
tosc = 0.03 ; kosc = 2000 ;
dt = tosc/kosc ;
tt = 0 :dt :tosc-dt ;
xt0 = amp1*sin(2*pi*tt*f1)+amp2*cos(2*pi*tt*f2)+amp3*sin(2*pi*tt*f3) ;

Acquisition numérique Il se poursuit avec l’acquisition et la conversion sur une durée

plus longue

% acquisition

(C)2005 [email protected] 135

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

tacq = 2 ;
Te = 0.2e-3 ;
tn = 0 :Te :tacq-Te ;
xn0 = amp1*sin(2*pi*tn*f1)+amp2*cos(2*pi*tn*f2)+amp3*sin(2*pi*tn*f3) ;
% conversion +/- 2V avec Nbits et +/- 1/2LSB de non linearite
Ucan = 4 ; Nbits = 8 ;
xn = Ucan*round(xn0/Ucan*2^(Nbits-1))/2^(Nbits-1) ;

Calcul des spectres Une fois les signaux acquis, on peut calculer leurs spectres et
afficher des informations

% calcul des spectres

Nfft = 2^ceil(log2(length(xn)))
% fenetres rectangulaire et de Blackman
wr = ones(size(xn)) ;
wh = (blackman(length(xn)))’ ;
xnwr = xn.*wr ;
xnwh = xn.*wh ;
% ajout de zeros
xnwr = [xnwr, zeros(1,Nfft-length(xnwr))] ;
xnwh = [xnwh, zeros(1,Nfft-length(xnwh))] ;
% fft
Xjfr = fft(xnwr)/length(xn) ;
Xjfh = fft(xnwh)/length(xn) ;
% domaine spectral
fmax = 1/Te ;
df = fmax/Nfft ;
ff = 0 :df :fmax-df ;
% infos
Nbits, tacq, Te, fmax, df
Pac = var(xn)
Npoints = round(tacq/Te), Nfft

Graphes On trace les signaux acquis

% graphes temporels
figure ;
subplot(3,1,1) ;
plot(tt,xt0) ; grid ;
axis([0,tosc,-2,2])
texte = [’Acquisition : ’, num2str(round(tacq/Te)), ’ points,’] ;
texte = [texte, ’ f_e = ’, num2str(1/Te,4), ’ [Hz] ;’] ;
texte = [texte, ’ CAN : \pm ’, num2str(Ucan/2,2), ’ [V], ’] ;
texte = [texte, ’ ’, num2str(Nbits,2), ’ bits \pm 1/2LSB,’] ;
title(texte) ;
ylabel(’x(t)’) ;

136 (C)2005 [email protected]

3.8 Exemple 3 : analyse spectrale détaillée

subplot(3,1,2)
plot(tn,xn) ; grid ;
axis([0,tacq,-2,2])
ylabel(’x(t)’) ;
subplot(3,1,3) ; % zoom
plot(tn,xn,’.’) ; grid ;
axis([0,tosc,-2,2])
ylabel(’x[n]’) ;
xlabel(’temps [sec]’) ;
print -deps ansptemps.eps

ainsi que les spectres après fenêtrage

% spectres
figure ; % fenetre rectangulaire
subplot(2,1,1) ;
plot(xnwr) ; grid ;
axis([0,Nfft,-2,2])
texte = [’Spectres d”amplitudes : \Deltaf = ’,num2str(df,3), ’ [Hz],’] ;
texte = [texte, ’ f_N = ’, num2str(fmax/2), ’ [Hz]’] ;
title(texte) ;
ylabel(’x[n] \cdot w_r[n]’) ;
legend(’Fenêtre rectangulaire’) ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfr))) ; grid ;
axis([0,fmax,-80,0]) ;
ylabel(’X_r(f) [dB]’) ;
xlabel(’fréquence [Hz]’) ;
print -deps anspwr.eps
figure ; % fenetre de Blackman
subplot(2,1,1) ;
plot(xnwh) ; grid ;
axis([0,Nfft,-2,2])
texte = [’Spectres d”amplitudes : \Deltaf = ’,num2str(df,3), ’ [Hz],’] ;
texte = [texte, ’ f_N = ’, num2str(fmax/2), ’ [Hz]’] ;
title(texte) ;
ylabel(’x[n] \cdot w_h[n]’) ;
legend(’Fenêtre de Blackman’) ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfh))) ; grid ;
axis([0,fmax,-80,0]) ;
ylabel(’X_h(f) [dB]’) ;
xlabel(’fréquence [Hz]’) ;
print -deps anspwh.eps

Zoom Les détails sont mis en évidence

(C)2005 [email protected] 137

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

% zoom spectral
fz1 = 250 ; fz2 = 350 ; % domaine interessant
dbmax = 80 ;
figure ;
subplot(2,1,1) ;
plot(ff, 20*log10(abs(Xjfr))) ; hold on ;
axis([fz1,fz2,-dbmax,0]) ; grid ;
title(texte) ;
ylabel(’X_r(f) [dB]’) ;
legend(’Fenêtre rectangulaire’) ;
subplot(2,1,2) ;
plot(ff, 20*log10(abs(Xjfh))) ;
axis([fz1,fz2,-dbmax,0]) ; grid ;
ylabel(’X_h(f) [dB]’) ;
xlabel(’fréquence [Hz]’) ;
legend(’Fenêtre de Blackman’) ;
print -deps anspzoom.eps

138 (C)2005 [email protected]

3.9 Exercices

TFD 1

L’analyse spectrale, par la FFT, d’un signal x[n] constitué de N = 8 valeurs a fourni le
spectre discret XD [ jk] partiellement donné dans le tableau ci-dessous.

1. Complétez le tableau sachant que fe = 1 [kHz].

2. Le signal temporel xN [n] est-il continu, discret, périodique ?
3. Que vaut xN [n = 0] ?
4. Quelle est l’expression de xN [n] ?
5. Tracez xN [n].

k 0 1 2 3 4 5 6 7 8 9 10

XD [ jk] 4 2+j 3+2j j 2

|XD [ jk]|

∠XD [ jk]

f [kHz]

TFD 2 On souhaite calculer le spectre d’une impulsion rectangulaire de largeur ∆t =

3 [msec] et d’amplitude A = 5 [V ]. Pour ce faire, on acquiert 8 points à la fréquence fe =
1 [kHz].

1. Admettant que l’échantillonnage commence à l’apparition du flanc montant, dessi-

nez x(t) et x[n].
2. Que vaut la durée d’acquisition tmax ?
3. Discutez les valeurs choisies pour n = 0 et n = 3.
4. Quel sera le domaine spectral analysé ; que vaudra l’incrément de fréquence ∆ f ?
5. Calculez XD [ jk] pour k = 0 et k = 2 ; quel est le domaine de variation du compteur
k des fréquences ?
6. Validez votre résultat en analysant la valeur de XD [ jk = 0].

(C)2005 [email protected] 139

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

TFD 3 Considérant la suite de valeurs x[n] :

n –m –m+1 ··· –3 –2 –1 0 +1 +2 +3 ··· +m–1

x[n] 0 0 0 0 0.5 1 1 1 0.5 0 0 0

1. Esquissez x[n] et une fonction x(t) passant par ces points.

2. Calculez XD [ jk] ; sa valeur dépend-elle de la longueur N = 2m de la suite ?
3. Qu’est ce qui change si on ajoute des zéros pour doubler le nombre d’échantillons ?

TFD 4 Considérant un signal x(t) = cos(2π 1000t) + cos(2π 2000t) échantillonné pen-
dant une période à la fréquence fe = 8 f0 :

1. Dessinez la suite de valeurs x[n].

2. Justifiez les résultats ci-dessous fournis par la la FFT puis précisez la relation exis-
tant avec ceux fournis par la décomposition en série de Fourier :

k 0 1 2 3 4 5 6 7

XD [ jk] 0 4 4 0 0 0 4 4

3. On échantillonne le signal x(t) sur 4 périodes ; que donnera la FFT ?

TFD 5 On échantillonne avec une période d’échantillonnage Te = 1 [msec] une expo-

nentielle décroissante
x(t) = A exp(−t/τ) ε(t)
où A = 5 [V ], τ = 5 [msec].

1. Que vaut la densité spectrale X( j f ) du signal x(t) ?

2. Calculez la suite des valeurs x[n] ; exprimez la sous la forme x[n] = A · rn .
3. Calculez la TF Xe ( j f ) de la suite infiniment longue x[n].
4. On ne prend en compte que les 16 premières valeurs de la suite x[n] et on annule les
autres ; que vaut Xe,N ( j f ).
5. Considérant la suite temporelle tronquée xN [n] avec N = 16, on discrétise l’axe des
fréquences. Que vaut l’incrément fréquentiel ? Calculez le spectre discret XD [ jk].
6. Que valent, pour chacun des spectres ci-dessus (X( j f ), Xe ( j f ), Xe,N ( j f ), XD [ jk]),
les composantes spectrales lorsque f = 0 ?

140 (C)2005 [email protected]

3.9 Exercices

AnSp 1 Lors de l’analyse spectrale d’un signal échantillonné x[n], les paramètres N, Te , tmax
et fe , ∆ f sont reliés entre eux ; la donnée de deux d’entre eux suffit pour fixer tous les pa-
ramètres de l’analyse. Rappelez ces relations puis complétez le tableau ci-dessous.

N Te tmax ∆f fe
40 2 kHz
1 msec 50 Hz
50 10 msec
100 10 Hz
20 Hz 1 kHz
2 msec 1 sec
30 1 msec
5 msec 5 kHz

AnSp 2 On doit faire l’analyse spectrale numérique des signaux suivants

1 une sinusoïde 5 une impulsion triangulaire

2 une réponse indicielle 6 un signal chirp (wobulé)
3 une impulsion rectangulaire 7 une exponentielle décroissante
4 une suite d’impulsions rectangulaires 8 un signal triangulaire périodique

Pour chacun des signaux,

1. esquissez leur allure temporelle ;

2. choisissez-vous une fenêtre rectangulaire ou en cosinus ?
3. précisez les raisons de votre choix.

AnSp 3 On considère ici le signal

x(t) = 3 + 4 cos(2π f0t) + 2 sin(4π f0t), f0 = 100 Hz

représenté à la figure 3.14 dont on a enregistré deux périodes. Sachant qu’on souhaite ob-
tenir numériquement son spectre X[ jk], on l’échantillonne avec une période Te = 1 msec.

1. Dessinez les points échantillonnés x[n]. Quelle fenêtre faut-il utiliser avant l’analyse
spectrale ?
2. Que valent N, tmax , fe , ∆ f ?
3. Qelles raies spectrales seront présentes ? Quel sera le nombre de valeurs spectrales
analysées ?
4. Donnez les fréquences, les amplitudes et les phases de chaque valeur spectrale
X[ jk], k = 0, · · · , N − 1.
5. Quel serait le résulat de l’analyse spectrale si l’on avait échantillonné six périodes
au lieu de deux ?

(C)2005 [email protected] 141

3 É LÉMENTS D ’ ANALYSE SPECTRALE NUMÉRIQUE

4
x(t)

−2

−4
0 2 4 6 8 10 12 14 16 18 20
temps [ms]

F IG . 3.14: Ex AnSp 3

142 (C)2005 [email protected]

Bibliographie

[1] Randall R.B., Frequency Analysis, Brüel & Kjaer, 1987

[2] Frederic J. Harris : On the use of windows for harmonic analysis with DFT, Procee-
dings of IEEE, vol. 66, no.1, january 1978
[3] Cooley J.W., Tukey J.W., “An Algorithm for the Machine Calculation of Complex
Fourier Series”, Mathematics of Computation, Vol. 19, April 1965
[4] Burrus C.S., Parks T.W., DFT/FFT and Convolution Algorithms. John Wiley & Sons,
New York, 1985
[5] B.P. Lathy, Linear Systems and Signals, Berkeley-Cambridge Press, Carmichael CA,
1992

(C)2005 [email protected] 143

Vous aimerez peut-être aussi

Traitement des Signaux et Fourier
Pas encore d'évaluation
Traitement des Signaux et Fourier
325 pages
Cours sur le Traitement des Signaux
100% (1)
Cours sur le Traitement des Signaux
325 pages
Cours de Traitement des Signaux
Pas encore d'évaluation
Cours de Traitement des Signaux
325 pages
Signaux et Systèmes : Cours et Pratiques
50% (2)
Signaux et Systèmes : Cours et Pratiques
401 pages
Traitement Numérique du Signal
Pas encore d'évaluation
Traitement Numérique du Signal
92 pages
Traitement Numérique du Signal 2008-2009
Pas encore d'évaluation
Traitement Numérique du Signal 2008-2009
92 pages
Cours TS PDF
Pas encore d'évaluation
Cours TS PDF
26 pages
Traitement de Signal : Cours HEIG-Vd
0% (1)
Traitement de Signal : Cours HEIG-Vd
68 pages
Cours sur le traitement du signal
Pas encore d'évaluation
Cours sur le traitement du signal
92 pages
Feuilletage
Pas encore d'évaluation
Feuilletage
25 pages
Notes de Cours Traitement Du Signal
Pas encore d'évaluation
Notes de Cours Traitement Du Signal
86 pages
Introduction au traitement des signaux déterministes
Pas encore d'évaluation
Introduction au traitement des signaux déterministes
18 pages
VERY GOOD Bases de Traitement Du Signal
Pas encore d'évaluation
VERY GOOD Bases de Traitement Du Signal
78 pages
Cours TS UE STI 2021 2022 Distribue
Pas encore d'évaluation
Cours TS UE STI 2021 2022 Distribue
207 pages
Cours de Traitement Du Signal: Licence en Sciences Physiques Parcours Electronique
Pas encore d'évaluation
Cours de Traitement Du Signal: Licence en Sciences Physiques Parcours Electronique
18 pages
Chap 4
Pas encore d'évaluation
Chap 4
8 pages
Cours sur le Traitement du Signal 2012-2013
Pas encore d'évaluation
Cours sur le Traitement du Signal 2012-2013
183 pages
Introduction au traitement du signal
Pas encore d'évaluation
Introduction au traitement du signal
64 pages
Syllabus Traitement du Signal - Master I
100% (1)
Syllabus Traitement du Signal - Master I
242 pages
Poly SLRS v20141215
Pas encore d'évaluation
Poly SLRS v20141215
42 pages
Introduction au Traitement du Signal
Pas encore d'évaluation
Introduction au Traitement du Signal
140 pages
Traitement du Signal : Concepts et Applications
Pas encore d'évaluation
Traitement du Signal : Concepts et Applications
20 pages
Chapitre 2
Pas encore d'évaluation
Chapitre 2
22 pages
2 Cours PDF
Pas encore d'évaluation
2 Cours PDF
121 pages
Méthodes numériques en traitement du signal
Pas encore d'évaluation
Méthodes numériques en traitement du signal
44 pages
Introduction au Traitement du Signal
Pas encore d'évaluation
Introduction au Traitement du Signal
18 pages
Travaux Dirigés en Traitement du Signal
Pas encore d'évaluation
Travaux Dirigés en Traitement du Signal
18 pages
Notes 12
Pas encore d'évaluation
Notes 12
98 pages
Poly Menich
Pas encore d'évaluation
Poly Menich
101 pages
Poly
Pas encore d'évaluation
Poly
168 pages
Méthodes mathématiques en traitement du signal
Pas encore d'évaluation
Méthodes mathématiques en traitement du signal
117 pages
Traitement Du Signal Déterministe
Pas encore d'évaluation
Traitement Du Signal Déterministe
66 pages
TS Info App S2 - 240229 - 071104
Pas encore d'évaluation
TS Info App S2 - 240229 - 071104
56 pages
Introduction au Traitement du Signal
Pas encore d'évaluation
Introduction au Traitement du Signal
83 pages
Travaux Pratiques de Traitement du Signal
0% (1)
Travaux Pratiques de Traitement du Signal
15 pages
Cours Mme Chehami
Pas encore d'évaluation
Cours Mme Chehami
47 pages
Traitement Numérique du Signal et Image
Pas encore d'évaluation
Traitement Numérique du Signal et Image
92 pages
Cours - HATEM Noura Rezika - Traitement de Signal
Pas encore d'évaluation
Cours - HATEM Noura Rezika - Traitement de Signal
88 pages
Poly Tds PDF
Pas encore d'évaluation
Poly Tds PDF
64 pages
Sommaire Réferences
Pas encore d'évaluation
Sommaire Réferences
10 pages
Module de Traitement du Signal
100% (2)
Module de Traitement du Signal
3 pages
Travaux Dirigés : Analyse des Signaux
Pas encore d'évaluation
Travaux Dirigés : Analyse des Signaux
70 pages
Traitement du Signal et Ondelettes
Pas encore d'évaluation
Traitement du Signal et Ondelettes
168 pages
0000 Cours TDS2018
Pas encore d'évaluation
0000 Cours TDS2018
63 pages
Amortissements Et Provisions
Pas encore d'évaluation
Amortissements Et Provisions
47 pages
Analyse Des Données
Pas encore d'évaluation
Analyse Des Données
38 pages
Gestionnaire Financiere
Pas encore d'évaluation
Gestionnaire Financiere
12 pages
Technologies du Web : Langages et Tendances
Pas encore d'évaluation
Technologies du Web : Langages et Tendances
32 pages
Gestion et sécurité des bases de données
Pas encore d'évaluation
Gestion et sécurité des bases de données
32 pages
La Planification Strategique Des Programmes
Pas encore d'évaluation
La Planification Strategique Des Programmes
82 pages
Maîtrise d'InDesign : Outils et Techniques
Pas encore d'évaluation
Maîtrise d'InDesign : Outils et Techniques
32 pages
SYLLABUS Cours Élaboration Du Projet
Pas encore d'évaluation
SYLLABUS Cours Élaboration Du Projet
3 pages
Techniques de Storytelling Et de Création de Contenu
Pas encore d'évaluation
Techniques de Storytelling Et de Création de Contenu
32 pages
Programme de Cours
Pas encore d'évaluation
Programme de Cours
5 pages
Élaboration de campagnes marketing digital
Pas encore d'évaluation
Élaboration de campagnes marketing digital
32 pages
Modele de Lettre Adressee A Un Ministre
100% (6)
Modele de Lettre Adressee A Un Ministre
3 pages
Analyse Harmonique des Redresseurs
Pas encore d'évaluation
Analyse Harmonique des Redresseurs
6 pages
Porquerolles 2013 Bruit
Pas encore d'évaluation
Porquerolles 2013 Bruit
35 pages
Chapitre 4
Pas encore d'évaluation
Chapitre 4
59 pages
Spectre et Cepstre en Analyse Vibratoire
Pas encore d'évaluation
Spectre et Cepstre en Analyse Vibratoire
13 pages
Introduction au Traitement du Signal
Pas encore d'évaluation
Introduction au Traitement du Signal
142 pages
Python Avancé pour Data Science
Pas encore d'évaluation
Python Avancé pour Data Science
14 pages
Théorie de Signale - Examen-Corriges Des Divers Examens 2015 - 2018
Pas encore d'évaluation
Théorie de Signale - Examen-Corriges Des Divers Examens 2015 - 2018
52 pages
Exercices de Traitement du Signal
Pas encore d'évaluation
Exercices de Traitement du Signal
5 pages
Transmission Numérique en Bande de Base
Pas encore d'évaluation
Transmission Numérique en Bande de Base
35 pages
Examen de traitement du signal 2021
Pas encore d'évaluation
Examen de traitement du signal 2021
4 pages
Théorie et Simulation du Traitement du Signal
Pas encore d'évaluation
Théorie et Simulation du Traitement du Signal
12 pages
Traitement du Signal Analogique en MATLAB
100% (1)
Traitement du Signal Analogique en MATLAB
31 pages
TD2 Processus Aleatoire
Pas encore d'évaluation
TD2 Processus Aleatoire
5 pages
Traitement de Signal : Concepts et Méthodes
Pas encore d'évaluation
Traitement de Signal : Concepts et Méthodes
82 pages
Spectre Reponse Sismique Davidovici
Pas encore d'évaluation
Spectre Reponse Sismique Davidovici
2 pages
Optimisation des filtres en communication
Pas encore d'évaluation
Optimisation des filtres en communication
1 page
Traitement Du Signal
100% (3)
Traitement Du Signal
39 pages
Signal Ednum
Pas encore d'évaluation
Signal Ednum
685 pages
Analyse de Fourier et Transformée de Fourier
50% (2)
Analyse de Fourier et Transformée de Fourier
4 pages
Détection synchrone et analyse spectrale
Pas encore d'évaluation
Détection synchrone et analyse spectrale
15 pages