Sig TFD2

Universit de Caen - UFR de Sciences
G.BINET MdC 61 2010 2011

TRANSFORMEE

DE FOURIER DISCRETE : TFD

et

PRINCIPE des

ANALYSEURS DE SPECTRE

"numriques".

Universit de Caen - UFR de Sciences
G.BINET MdC 61 2010 2011

1. DEFINITION MATHEMATIQUE: .................................................................................................1
1.1. TRANSFORMATION DIRECTE:...........................................................................................................1
1.2. TRANSFORMATION INVERSE:...........................................................................................................1
1.3. REALISATION PRATIQUE:.................................................................................................................1
2. ESTIMATION DE LA TRANSFORMEE DE FOURIER DES SIGNAUX.................................2
2.1. PRINCIPE: ........................................................................................................................................2
3. SIGNAUX PERIODIQUES : TFD ET SERIE DE FOURIER ......................................................4
3.1. SIGNAUX PERIODIQUES, SIGNAUX DISCRETS (RAPPELS): .................................................................4
Signaux priodiques:.........................................................................................................................4
Signaux discrets: ...............................................................................................................................4
3.2. SIGNAUX ECHANTILLONNES ET PERIODIQUES : ...............................................................................4
Transformation de Fourier directe :.................................................................................................4
Transformation de Fourier inverse : ................................................................................................5
Conclusion : ......................................................................................................................................5
3.3. LIEN AVEC LA SERIE DE FOURIER:....................................................................................................6
Application pratique: ........................................................................................................................6
4. QUELQUES APPLICATIONS DE LA TFD...................................................................................6
4.1. INTERPOLATION FREQUENTIELLE: ...................................................................................................7
Problme:..........................................................................................................................................7
Interpolation frquentielle ("zero padding"): ...................................................................................7
4.2. INTERPOLATION TEMPORELLE:........................................................................................................7
Problme:..........................................................................................................................................7
Proprits de base: ...........................................................................................................................7
exemple: ............................................................................................................................................8
Interpolation temporelle: ..................................................................................................................8
Ralisation pratique:.........................................................................................................................9
Applications: ...................................................................................................................................10
5. ANALYSEUR DE SPECTE - FENETRES DE PONDERATION...............................................10
5.1. ANALYSEUR DE SPECTRE "NUMERIQUE" (PRINCIPE):.....................................................................10
5.2. ELARGISSEMENT DES RAIES: .........................................................................................................11
Cas des sinusodes: .........................................................................................................................11
Explication:.....................................................................................................................................11
Cas gnral :...................................................................................................................................12
5.3. LIMITE DE RESOLUTION :...............................................................................................................12
5.4. UTILISATION DUNE FENETRE : .....................................................................................................13
Fentre rectangulaire : ...................................................................................................................13
Fentre de Hanning : ......................................................................................................................13
Fentre de Hamming : ....................................................................................................................14
Autres fentres : ..............................................................................................................................14
Universit de Caen - UFR de Sciences - La transforme de Fourier discrte -
G.BINET MdC 61 Sig_TFD2
1
TRANSFORMEE DE FOURIER DISCRETE (TFD).
APPLICATION aux
ANALYSEURS DE SPECTRE.

La transforme de Fourier discrte est la transforme de Fourier exacte dun signal
priodique et discret. Elle est trs simple calculer partir de sries mathmatiques limites et ce
calcul simplante facilement sur calculateur ou circuit spcialis (DSP) avec un algorithme FFT(Fast
Fourier Transform) permettant den acclrer le temps de calcul de plusieurs centaines de fois.
Moyennant quelques prcautions demploi, elle permet dapproximer en un temps record la transforme
de Fourier dun signal continu partir de sa version chantillonne do le grand intrt de cette
transformation pour les ingnieurs, scientifiques et traiteurs de signaux.

1. DEFINITION MATHEMATIQUE:
Mathmatiquement, la transforme de Fourier discrte est une transformation qui fait correspondre
deux sries de donnes de N points chacune:
{xk} {Xn} avec k,n entiers 0 [0 ; N-1]
1.1. Transformation directe:
(
(
=

1 N
0 k
N
kn
2 j
k n
e x X

1.2. Transformation inverse:
(
(
1 N
0 n
N
kn
2 j
n k
e X
N
1
x

1.3. Ralisation pratique:
Pour calculer ces sries il existe un algorithme de transforme de Fourier rapide ou FFT (Fast
Fourier Transform) qui dans le cas o N = 2
M
est particulirement performant (en utilisant cet
algorithme pour N= 1024, le temps de calcul est divis par un facteur environ 1000 par rapport
l'utilisation directe de la dfinition. Implant sur des ordinateurs ou ralisations base de processeurs
actuels, il dure moins d'une s). Cet algorithme trs clbre est largement tudi dans les cours
d'informatique et d'algorithmique.
2
2. ESTIMATION DE LA TRANSFORMEE DE FOURIER DES SIGNAUX
2.1. Principe:
Hypothse : nous cherchons estimer la TF d'un signal continu xc(t) de dure finie Ta (temps
d'acquisition). Cela induit les hypothses mathmatiques suivantes :
0 ) T t ( x 0 ) 0 t ( x
a c c
<
Echantillonnons le signal la priode Ts pour prlever N chantillons :
Ta = N.Ts
Le signal chantillonn x(t) peut s'exprimer de deux manires quivalentes:
Echantillonnage du signal continu :
+
=
=
m
s c
) mT t ( ) t ( x ) t ( x
Signal discret ayant N chantillons non nuls {xk} :
=
=
1 N
0 k
s k
) kT t ( x ) t ( x
En prenant la transforme de Fourier des deux membres :
[ ]

=

+
=
+
=
= = =
1 N
0 k
fkT 2 j
k s c
m
s
m
s s c
s
e x ) mf f ( X . f ) mf f ( f ) f ( X ) t ( x TF
Cette relation rappelle le fait que le spectre est continu et priodique comme cela est reprsent sur
la figure ci-dessous. Cette figure rappelle aussi que nous devons choisir correctement la priode
d'chantillonnage Ts c'est dire conformment au thorme de Shannon pour minimiser les effets du
repliement frquentiel.
En extrayant le motif central pour m = 0, l'expression peut se rcrire :
[ ]

=

+
=
= + =
1 N
0 k
fkT 2 j
k
repliement de terme
s c
0 m ; m
s c s
s
e x ) mf f ( X . f ) f ( X . f ) t ( x TF
4 4 4 3 4 4 4 2 1

3
La bande de frquence de Shannon correspond :
2
f
f
2
f
-
s s
<
En absence de repliement, pour ces frquences, seul subsiste le terme en m =0, le terme de
repliement tant ngligeable et, dans ces conditions nous aurons :
2
f
f
2
f
-
s s
< [ ]

=

1 N
0 k
fkT 2 j
k c s
s
e x ) f ( X . f ) t ( x TF

Si nous calculons N points de ce spectre pour les frquences
a s
s
T
n

T N
n

N
f n
f = = = avec [
2
N
;
2
N
- [ n en
absence de repliement nous obtenons N points du spectre frquentiel de la bande de Shannon tels que:
n
1 N
0 k
N
kn 2
j
k
s
c s
X e x )
N
nf
( X f =

ce qui fait apparatre l'expression de la TFD mais avec [
2
N
;
2
N
- [ n . Ceci n'est pas une difficult
puisque nous avons tabli que le spectre du signal discret est priodique autrement dit :
TF[x(t)]f pour [ 0 ;
2
f
- [ f
s
est identique TF[x(t)]f+fs soit [ f ;
2
f
[ f
s
s
ce qui avec l'chantillonnage
implique que Xn ] 1 - ;
2
N
- [ n est identique Xn ] 1 - N ;
2
N
[ n . Nous calculons ainsi la TFD pour
] 1 - N ; 0 [ n .
Rcapitulation :
Xn la TFD de xk est, en l'absence de repliement, une bonne approximation de N chantillons de
la transforme de Fourier du signal continu avec :
n
s a
c
X
f
1
)
T
n
( X

1/Ta = 1/(NTs) est l'intervalle entre deux points frquentiels ou pas frquentiel.
1/Ts est la largeur de la bande [ 0 ; 1 [ sur laquelle est effectue l'estimation
la bande de frquence de Shannon est obtenue en transposant le rsultat [1/2 ; 1[ sur la bande
[-1/2 ; 0[
Nous mesurons N points en temporel et estimons ainsi N points en frquentiel.
4
3. SIGNAUX PERIODIQUES : TFD ET SERIE DE FOURIER
3.1. Signaux priodiques, signaux discrets (rappels):
Signaux priodiques:
Un signal priodique possde une dcomposition en srie de Fourier termes complexes:
[ ]

+
=
+
=

+
=
= =
= =
n
0 n
n
t nf 2 j
n
) T (
t nf 2 j
0
n
n
t nf 2 j
n
) nf f ( C e TF C )] t ( x [ TF
dt e ) t ( x
T
1
C avec e C ) t ( x
0
0
0 0

la transforme de Fourier d'un signal priodique est discrte: Signal priodique TF
discrte

Signaux discrets:
Un signal chantillonn x(t) est obtenu partir d'un signal continu xc(t).

+
=
+
=
= =
k
s c
k
s k
) kT t ( ). t ( x ) kT t ( x ) t ( x

+
=
+
=
+
=

= = =
n
s c s
n
s s c
k
f kT 2 j
k
) nf f ( X f ) nf f ( f ) f ( X e x )] t ( x [ TF
s

la transforme de Fourier d'un signal discret est priodique: Signal discret TF
priodique
3.2. Signaux chantillonns et priodiques :

Hypothse: Le nombre N dchantillons par priode est suppos entier :T
0
= N.T
s
f
0
.Ts = 1/N.
Transformation de Fourier directe :
Le signal priodique et chantillonn peut tre modlis par un motif discret de dure T0 = N.Ts
priodis:

+
=
=

(
=
n
0
1 N
0 k
s k ep
) nT t ( ) kT t ( x ) t ( x

0 T
s
2T
s

T
0
=N.T
s

t
5
[ ]

+
=
=

+
=
=

+
=
=

(
(
=
(
=

(
= =
n
0
1 N
0 k
N
kn
2 j
k 0
n
0
1 N
0 k
T knf 2 j
k 0
n
0 0
1 N
0 k
kfT 2 j
k ep ep
) nf f ( e x f ) nf f ( e x f
) nf f ( f . e x ) f ( X ) t ( x TF
s 0
s

{xk} tant la srie d'chantillons du motif du signal chantillonn priodique, nous voyons apparatre
sa transforme de Fourier discrte {Xn} et:
[ ]

+
=
=

= =
(
(
=
n
0 n 0 ep ep
1 N
0 k
N
kn
2 j
k n
) nf f ( X f ) f ( X ) t ( x TF e x X

Remarques:
Xn est la transforme de Fourier du motif temporel chantillonn prise pour la valeur
f = n.f0.
Xn+
N = Xn la TF est priodique de priode frquentielle N.f0 = fs soit la largeur de la bande

de Shannon. (proprit dj vue, typique d'un signal discret).
La TF est chantillonne avec la priodicit frquentielle f0 (proprit d'un signal priodique).

Transformation de Fourier inverse :
La procdure est la mme que pour la transforme directe puisque nous avons un spectre la
fois discret et priodique. La transforme de Fourier Xep(f) est donc un motif frquentiel de largeur fs
chantillonn la cadence f0 et priodis la distance fs. Ceci peut scrire mathmatiquement sous la
forme :

+
=
=
+
=
=

(
= =
(
(
=
k
s
1 N
0 n
0 n 0
n
0 n 0 ep
1 N
0 k
N
kn
2 j
k n
) kf f ( ) nf f ( X f ) nf f ( X f ) f ( X
e x X

La transformation de Fourier inverse donne
[ ]

+
=
+
=
+
=
+
=
=

= =

(
(
=
(
=

(
=
k
s k ep
k
s
1 N
0 n
N
nk
2 j
n
k
s
1 N
0 n
kT nf 2 j
n s 0
k
s s
1 N
0 n
t nf 2 j
n 0 ep
1
) kT t ( x ) t ( x
) kT t ( e X
N
1
) kT t ( e X T f
) kT t ( T . e X f ) f ( X TF
s 0
0

d'o l'expression de la transforme de Fourier discrte inverse (TFD
-1
) :
(
(
1 N
0 n
N
kn
2 j
n k
e X
N
1
x

Conclusion :
La transforme de Fourier Discrte (TFD) est la manire rigoureuse de calculer la transforme
de Fourier d'un signal la fois priodique et discret. La TFD et sa transformation inverse permettent de
relier les chantillons {xk} du motif du signal priodique aux chantillons {Xn} du motif de sa
transforme de Fourier.
6

3.3. lien avec la srie de Fourier:
Un signal priodique se dcompose en srie de Fourier et nous pouvons l'chantillonner en
prenant N chantillons par priode T0=NTs:
(
(
= = =
(
=

+
=
+
=
m
N
mk
2 j
m s p k
m
t mf 2 j
m p
e C ) kT t ( x x e C ) t ( x
0

Calculons la TFD:
(
(
(
(
=
(
(
=

=

+
=
=

1 N
0 k
N
kn
2 j
m
N
mk
2 j
m
1 N
0 k
N
kn
2 j
k n
e e C e x X
D'o la relation:

+
=

+
=
=
+
=
(
(
(

=
(
(
=
(
(
=
m
N
) n m (
j
) n m ( j
m
m
1 N
0 k
N
k ) n m (
2 j
m
1 N
0 k m
N
k ) n m (
2 j
m n
N
) n m ( 2
sin
) n m ( 2 sin
e e C
e C e C X

Le coefficient de Cm est tel que:
=

=

N n m pour N
N n m pour 0
N
) n m ( 2
sin
) n m ( 2 sin

d'o:
4 43 4 42 1
3 2 1
repliement de terme
0
N n
" principal " terme
n N n n
C . N C . N C . N X

+
+
=
+
+ = =
Dans certaines conditions lies labsence de repliement subsiste seul le terme principal
correspondant =0 et on aura la relation :
Xn N.Cn
Application pratique:
La TFD des chantillons d'un signal priodique est une valuation du coefficient de
dcomposition en srie de Fourier termes complexes de ce signal. Cette estimation sera rigoureuse si
nous respectons lors de lchantillonnage la condition de Shannon. Par ailleurs il ne faut pas oublier la
condition T0 = N.Ts cest dire un nombre entier dchantillons dans une priode du signal (le non
respect ,de cette condition est vu plus tard dans le chapitre V)
Nous disposons ainsi dune mthode numrique de calcul de la srie de Fourier permettant de
remplacer le calcul dune intgrale par celui dune srie de nombre finis de termes.
4. QUELQUES APPLICATIONS DE LA TFD
Une fois les acquisitions du signal ralises, il nest pas toujours possible de les recommencer.
Pour obtenir des "donnes" supplmentaires sur le signal, il n'est pas thoriquement ncessaire de
reprendre l'acquisition car, si l'chantillonnage a t correctement effectu, le thorme de
reconstruction prouve que le signal chantillonn contient autant "d'indications" que le signal continu
d'origine. Les "donnes" recherches peuvent ainsi tre obtenues directement partir du fichier. De
nombreuse applications utilisent ce fait cependant, elles sont dduites des deux grandes mthodes
d'interpolation permettant d'augmenter soit la prcision frquentielle soit la prcision temporelle.
7
4.1. Interpolation frquentielle:
Problme:
Un signal a t chantillonn en respectant la condition de Shannon. Nous avons acquis N
points de ce signal qui, grce la TFD, nous ont permis d'obtenir une estimation de sa transforme de
Fourier en N points rpartis dans la bande de frquences de Shannon. Nous avons montr que l'cart
entre deux de ces points adjacents est de f0 = fs/N. f0 constituera ainsi notre prcision frquentielle.
Cette prcision ne nous convient pas et nous souhaitons l'amliorer sans pour autant reprendre
l'exprience. Est-ce possible?
Interpolation frquentielle ("zero padding"):
Le problme prcdent est possible et mme trivial. Il suffit d'avoir rempli une condition: viter
une troncature temporelle lors de l'acquisition du signal.
Le temps d'acquisition du signal est T0 = N.Ts. Nous vitons la troncature si t = T0 le signal est
termin c'est dire suppos pratiquement nul. Pour augmenter la prcision frquentielle il faut diminuer
f0 soit augmenter T0. Si le signal n'a pas t tronqu lors de la premire acquisition, augmenter T0
revient faire l'acquisition d'chantillons supplmentaires de valeur nulle. Inutile de refaire une
manipulation pour cela, il suffit de les ajouter la fin du fichier de donnes. Donc pour augmenter la
prcision frquentielle, il suffit d'ajouter autant de zros que souhait en fin de fichier ("zro padding")
puis de traiter celui-ci.
premier fichier N points prcision frquentielle fs/N.
deuxime fichier N points + M zros nouvelle prcision frquentielle fs/(N+M).
4.2. Interpolation temporelle:
C'est le mme problme que prcdemment mais en permutant le rle du temps et des
frquences. Cependant cela n'est pas vident au premier abord et nous allons tenter de montrer ce
rsultat ainsi que les dispositions pratiques qui permettent de l'obtenir.
Problme:
Un signal a t chantillonn en respectant la condition de Shannon et nous avons acquis N
points de ce signal. En ralit ce nombre de points est insuffisant et nous voulons des points
"intermdiaires". Pour obtenir ce rsultat, il faudrait recommencer l'acquisition avec une priode
d'chantillonnage plus faible cependant, le signal chantillonn contenant toutes les informations du
signal continu, il doit suffire pour retrouver ces chantillons et viter de refaire l'exprience.
Proprits de base:
Nous avons un signal continu xc(t) chantillonn une priode Ts1 pendant un temps
d'acquisition T0 = N.Ts1 ce qui nous donne le signal x1(t).
Supposons le mme signal xc(t) chantillonn la priode Ts2 pendant le mme temps T0 = M.N.Ts2.
Ceci donne un autre signal x2(t) possdant M fois plus d'chantillons que x1(t).
Quelles sont les points communs et les diffrences entre x1(t) et x2(t)?
Les deux signaux proviennent du mme signal continu xc(t) et ont mme dure T0 l'intervalle
entre les chantillons frquentiels est le mme dans les deux cas = f0 = 1/T0.
Pour les deux la condition de Shannon est suppose respecte Ts2<Ts1<1/(2 fmax), (fmax tant la
plus haute frquence du spectre de xc(t)).
La largeur de la bande de Shannon pour x1(t) est 1/Ts1 = N/T0.
La largeur de la bande de Shannon pour x2(t) est 1/Ts2 = M.N/T0 soit M fois plus large que celle
associe x1(t). Le thorme de Shannon tant respect dans les deux cas, le spectre de x2(t)
est donc le mme que celui de x1(t) mais sur une bande de Shannon plus large le spectre de
x2(t) est le spectre de x1(t) complt par des zros.
8
Nous retrouvons ici l'analogie avec le "zro padding": pour interpoler un signal temporel, il suffit de
sur-chantillonner la priode dsire et de faire en sorte que son spectre de frquence soit complt
par des zros.

exemple:
xc(t)=t
2
exp(-3.t) T0 = 3s.
Ce signal la forme ci-contre:
En choisisant: Ts1 = 0,15s Ts2 = 0,05s
N = 20 M = 3

Les spectres et bandes de Shannon associes
sont les suivants:

Interpolation temporelle:
Il faut donc changer de priode d'chantillonnage, la diminuer. La mthode est base sur la
proprit que nous venons de voir et se fait en trois tapes illustres par l'exemple choisi:
tape 1: Echantillonnage du signal la priode Ts1 conformment au thorme de Shannon.

Etape 2:
Changement de priode d'chantillonnage, nous intercalons (M-1) zros entre les chantillons
du fichier nouvelle priode d'chantillonnage Ts2 = Ts1/M et extension de la bande de frquence de
Shannon.
En effet, les donnes numriques sont inchanges (des zros ne donnent rien dans la TFD).
Soit x(t) le signal chantillonn la priode Ts1 (N chantillons) et y(t) le signal obtenu avec des zros
intercals donc de priode d'chantillonnage Ts2 (M.N chantillons).
y(t) est tel que : yp = xk pour p = M.k et yp = 0 pour p M.k
le calcul de la TFD nous donne :
9
(
(
=

1 N
0 k
N
kn
2 j
k n
e x X n [ 0 ; N - 1 ]
(
(
=

1 N . M
0 p
N . M
pq
2 j
p q
e y Y q [ 0 ; M.N - 1 ]
les seuls chantillons yp non nuls tant pour p = M.k nous pouvons effectuer le changement de
variable et:
q
1 N
0 k
N
kq
2 j
k
1 N
0 k
N . M
kq . M
2 j
k . M q
X e x e y Y = = =

=

=

q [ 0 ; M.N - 1 ]
le nouveau signal ainsi obtenu a donc mme transforme de Fourier que le prcdent, seule la
bande de frquence de Shannon est change puisque multiplie par M. Nous reprsentons donc M
bandes de Shannon du signal x(t).

Etape 3:
Nous effectuons un filtrage passe-bas de frquence de coupure 1/(2.Ts1) = largeur de la bande de
Shannon du premier signal nous mettons zro les chantillons frquentiels ajouts.

Ralisation pratique:

Signal x
1
(t)
discret

Zros
intercals

Signal
continu x
c
(t)
Signal x
1
(t)
discret

Filtre anti-
repliement
Stockage x
1
(t)
chantillonn T
s1

T
s1
T
s2

10
Applications:
C'est une mthode de compression du signal discret, il suffit de stocker juste les donnes
ncessaires correspondant une priode d'chantillonnage Ts1 voisine de l'chantillonnage critique. Si
un besoin d'chantillons se fait ressentir, la technique ci-dessus permet de les retrouver en temps rel.
L'un des domaines d'utilisation de ce procd est le CD audio. A l'heure actuelle, un
enregistrement musical est effectu la limite de la frquence de Shannon mais cela est insuffisant
pour obtenir une restitution satisfaisante car il faut reconstruire un signal continu en temps rel. Pour
cela, la lecture du CD il est procd une interpolation avec M = 8 pour fournir le signal de qualit
satisfaisante. Le stockage sur le CD y a quand mme gagn ce facteur 8.

5. ANALYSEUR DE SPECTE - FENETRES DE PONDERATION.
5.1. Analyseur de spectre "numrique" (principe):
Au chapitre 3 nous avons montr que si nous calculons la TFD des chantillons d'un signal
continu xc(t) de transforme de Fourier Xc(f) ,celle-ci nous donne (avec fa = 1/Ta ; Ta = temp d'acquisition):
4 4 4 3 4 4 4 2 1
43 42 1
repliement de terme
a a c
0 k
s
" principal " terme
a c s n
) kNf nf ( X f ) nf ( X f X + =

Si leffet du repliement est ngligeable, la TFD devient une bonne approximation de la transforme
de Fourier du signal :
Xn fs Xc(nfa)
Dj discut, le rsultat prcdent montre que:
La TFD applique un signal quelconque permet d'avoir une estimation de la valeur de sa
transforme de Fourier en N points distants de fa = fs/N.
Pour cela, la TFD permet de remplacer une intgrale par une srie nombre fini de termes ce
qui est une mthode numrique qui simplante trs facilement sur calculateur, microprocesseur
ou processeur de signal (DSP).
Il a t dvelopp des algorithmes mathmatiques dits FFT (Fast Fourier Transform) qui
acclrent le temps de calcul dans certains cas par des facteurs 100 voire 1000 et calculer une
TFD sur 1024 points peut tre une opration qui ne prend que quelques s. De ce fait, la TFD et
FFT sont devenus des outils puissants de traitement de signal.
Nous avons ici tous les ingrdients permettant de dvelopper un appareil performant pour l'analyse
de Fourier: analyseur de spectre.
11
5.2. Elargissement des raies:
Cas des sinusodes:
Le signal dont le spectre de frquences est le plus simple est le signal sinusodal de priode Tp. Son
spectre ne contient thoriquement que deux raies aux frquences 1/Tp et 1/Tp. Ceci est montr sur la
figure ci-dessus.
Pour obtenir ce rsultat, nous avons utilis un temps d'acquisition Ta du signal gal un nombre
entier de fois la priode Tp de la sinusode. Si cette condition n'est pas vrifie nous obtenons le rsultat
suivant : nous ne retrouvons plus deux raies mais un spectre dit largi.
Explication:
L'un des rsultats fondamentaux de l'analyse Fourier est le principe d'incertitude. Si T est
l'talement de la distribution d'nergie dans le temps et F l'talement associ dans le domaine
frquentiel nous savons que:

4
1
F . T
Nous pouvons traduire cette relation par : plus un signal est tendu dans le domaine temporel,
moins il le sera dans le domaine frquentiel. Lutilisation de la TFD implique un nombre fini
dchantillons et donc un signal de dure finie. Pour les signaux de longue dure (signaux tendant
asymptotiquement vers une valeur non nulle, signaux priodiques) lutilisation de la TFD introduira
une troncature temporelle plus ou moins importante dont leffet peut tre indsirable sur les raies du
spectre du signal.

Exemple dune sinusode :
Ce type de signal trs tendu dans le temps donne
thoriquement lieu un spectre avec deux raies spectrales de
largeur nulle (talement frquentiel faible).
[ ] ) f f ( ) f f (
2
a
)] t ( x [ TF
) kT f 2 cos( a x ) kT t ( x ) t ( x
p p
s p k
k
s k
+ + =
= =

+
=

Si nous estimons son spectre grce une TFD calcule sur
N points, cela revient effectuer une troncature sur
l'intervalle de temps Ta = N.Ts ce qui limite l'talement
temporel du signal et doit conduire un talement
frquentiel.
Le signal rel et sa transforme de Fourier seront :
f
X(f)
f
p
-f
p
a/2 a/2
-f
s
/2 f
s
/2
f
|X(f)|
f
p
-f
p
aT
0
/2 aT
0
/2
-f
s
/2 f
s
/2
12
(
(
+
+
+

=
(
=
|
|
\
|
=

a p
a p
a p
a p
a a
a
a fT j
a a
a
a
a
T ) f f (
) T ) f f ( sin(

T ) f f (
) T ) f f ( sin(
T
2
a
) T , f ( X
fT
) fT sin(
e T )] t ( x [ TF )] T , t ( x [ TF
T
2 / T t
rect ). t ( x ) T , t ( x
a

La troncature d'un signal sinusodal a deux consquences:
Plutt que deux raies "fines", nous trouvons des raies "largies" correspondant aux deux sinus
cardinaux. La largeur du lobe central (prise entre les deux premiers minima nuls) des raies est 2f
= 2/Ta = 2/(NTs).
Outre ce phnomne dlargissement de la raie, il apparat des lobes latraux que nous pourrions
tre tents dinterprter comme dautres raies prsentes au pied de la raie principale (phnomne
dapodisation des raies par troncature). Pour un sinus cardinal, le premier lobe secondaire a une
amplitude relative d'environ 22% ce qui est loin d'tre ngligeable.
Cas gnral :
Un signal quelconque est une superposition de signaux sinusodaux et lutilisation de la TFD a deux
consquence sur les raies spectrales :
Un largissement dautant plus grand que la troncature est importante. Cela nous limite dans la
sparation (la rsolution) de raies voisines.
Lapparition de raies secondaires qui peuvent cacher des raies principales dune autre
composante du signal.
5.3. Limite de rsolution :
Si le signal est compos de deux sinusodes de frquences voisines :
x(t)=a1 cos(2f1t) + a2 cos(2f2t)
Le spectre de ce signal doit comporter deux raies qui vont se trouver largies par la troncature du
signal. Quand peut-on dissocier (sparer) ces deux raies ? Nous pouvons estimer cela en utilisant un
critre correspondant un cas limite : cest le critre de rsolution de Rayleigh .
Critre : Deux raies dun spectre sont
considres comme sparables, si le maximum de
lune correspond au premier minimum nul de
lautre.
En appelant 2f la largeur dune raie prise
par convention comme tant lcart entre les
frquences correspondant aux deux premiers
minima nuls encadrant le maximum de la raie, la
limite de rsolution sera donc telle que |f2-
f0|=f.
Ceci est illustr par les figures suivantes (elles
correspondent des raies avec fentre de
Hamming tudie ensuite).

13
5.4. Utilisation dune fentre :
Pour viter ces inconvnients, nous pouvons raliser une troncature avec pondration des
chantillons : fentre de pondration. La fentre doit tre choisie de manire ce que sa transforme
de Fourier ait un lobe central le plus troit possible et des lobes latraux damplitude la plus faible
possible. Le compromis entre ces deux exigences est ralis par un certain nombre de fentres :
Hanning, Hamming, etc
Fentre rectangulaire :
Cest la troncature simple, son lobe central est de largeur 2f = 2/T0 = 2/NTs et lamplitude du
premier lobe de lordre de 22%.

Leffet des lobes latraux se met en vidence
sur le traitement dun signal compos de deux
raies thoriquement rsolues mais
damplitudes de rapport 10. La TFD donne le
rsultat ci contre o la "petite" raie est non
dtectable.

Fentre de Hanning :
Fentre dite en cosinus , son lobe central est de largeur 2f = 4/NTs et son premier lobe latral
damplitude relative denviron 3%
( )
(
)
`
+ + + = =
(

+ =
0
0
0
0 0
0 0
fT
) fT sin(
T )
T
1
f ( )
T
1
f (
4
1
) f (
2
1
) f ( F )] t ( f [ TF
)
T
t
( rect )
T
t 2
cos( 5 , 0 5 , 0 ) t ( f

14
Nous perdons un facteur 2 en rsolution
spectrale mais limportance des lobes latraux est
moindre ce qui permet par rapport la troncature
de mieux sparer les raies damplitudes
diffrentes. Ceci est montr sur la figure ci-contre
qui reprend le traitement par TFD avec fentre de
Hanning de lexemple prcdent de deux raies
thoriquement rsolues et damplitudes de
rapport 10

Fentre de Hamming :
Dite en cosinus rehauss , son lobe central est de largeur 2f = 4/NTs et ses lobes latraux
damplitude relative infrieure 1%.
)
T
t
( rect )
T
t 2
cos( ) 1 ( ) t ( f
0 0
(

+ = . Le paramtre est ajust pour minimiser les lobes latraux en
particulier le second => =0,54 => )
T
t
( rect )
T
t 2
cos( 46 , 0 54 , 0 ) t ( f
0 0
(

+ = .

Tout en concdant toujours un facteur 2 sur la
rsolution de la fentre rectangulaire, limportance
des lobes latraux est moindre ce qui amliore le
rsultat de la fentre de Hanning pour la dtection
de raies d'amplitudes diffrentes. La figure ci-contre
reprend le traitement par TFD de lexemple de deux
raies thoriquement rsolues et damplitudes de
rapport 10 avec une fentre de Hamming

Autres fentres :
De nombreuses autres fentres ont t dveloppes. Elles sont aussi utilises dans les mthodes de
synthse des filtres RIF. Elles sont traites ce niveau, les analyseurs de spectre se contentant
largement de celles que nous venons d'tudier.
Signalons une fentre dite toit plat (flat top) utilise dans les analyseurs de spectre travaillant
par TFD. Lors de la restitution du spectre, et donc des diffrentes raies, lutilisation dune fentre peut
introduire une incertitude sur la mesure de lamplitude de la raie. Pour comparer avec prcision les
amplitudes des diverses raies dun spectre, il vaut mieux utiliser une fentre de pondration qui les
prserve : cest le rle de cette fentre toit plat .

Sig TFD2

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Sig TFD2

Încărcat de

Drepturi de autor:

Formate disponibile

Universit de Caen - UFR de Sciences

G.BINET MdC 61 2010 2011

N = Xn la TF est priodique de priode frquentielle N.f0 = fs soit la largeur de la bande

S-ar putea să vă placă și