305 TP

Licence 3 IST
TP : ANALYSE SPECTRALE ET FILTRAGE
Table des matières

1. Simulation de signaux 1
2. Transformée de Fourier 3
2.1. Rappels 3
2.2. Manipulation de base 3
2.3. Filtrage 3
L’analyse spectrale est un outil qui permet de mettre en évidence des périodicités ou des pseudo-
périodicités dans un phénomène observé, par l’intermédiaire de signaux mesurés. Plus généralement
c’est l’outil d’étude du contenu fréquentiel d’un signal et il est fondé sur la transformée de Fourier.
L’objectif de ce travail est de mettre en pratique une partie des outils présentés dans différents
cours, en plus de vous familiariser avec un outil logiciel très puissant : MatLab.
1. Simulation de signaux
On considère une sinusoı̈de pure à la fréquence f0 = 440 Hz
x(t) = α sin 2π(f0 t + ϕ) ∀t ∈ R ,

où α ∈ R est l’amplitude et ϕ ∈ [0, 1] est la phase réduite. Il s’agit du « la »du diapason et c’est
aussi la fréquence que vous entendez lorsque vous décrochez votre téléphone.
On échantillonne ce signal à la cadence Fe = 1/Te = 10 kHz ce qui donne un signal à temps
discret
xn = α sin 2π(ν0 n + ϕ) ∀n ∈ Z ,
où ν0 est la fréquence réduite. Que vaut-elle en fonction de f0 et Fe ?
Sous MatLab, on commence par fabriquer un vecteur contenant les échantillons de ce signal, pour
n = 0, 1, . . . , N − 1. Pour cela, créez un fichier de commande MatLab contenant la séquence de
commande suivante.
% Nettoyage
>clear all, close all
% Définition des constantes
M. Kowalski 1
Signaux et systèmes linéaire TP : Analyse spectrale et filtrage
>f0 = 440;
>Fe = 1e4;
>Phi = 0.27;
>Alpha = 1.2;
>N = 1024;
Exécutez alors le programme et assurez-vous que tout s’est passé comme attendu. La commande
whos donne la liste des variables en mémoire. Pour obtenir la valeur d’une variable, tapez simplement
son nom (puis la touche enter).
Remarque 1. Pour toutes les commandes MatLab vous avez accès à une aide en ligne en tapant
help. Par exemple, help plot donne le manuel d’utilisation de la commande de tracé plot. La fin
de chaque manuel renvoie à d’autres commandes. La fin du manuel de la commande plot renvoie
par exemple aux commandes title, xlabel, ylabel qui permettent d’inclure des titres et légendes
aux figures.
Par ailleurs, la commande lookfor permet de faire une recherche dans les manuels : lookfor
fft renvoie la liste des comandes MatLab dont le manuel contient fft.
La création du signal lui même est simple :
% Création du signal
> Time = linspace(0,N/Fe,N)’;
> Sig = Alpha * sin(2*pi*(f0*Time+Phi));
La première ligne fabrique un vecteur permettant une discrétisation de l’axe temporelle associée
à la fréquence d’échantillonnage. Le vecteur Time contient N points espacés linéairement entre le
temps t = 0 s et le temps t = N/F e s. La seconde est vectorielle : chaque élément du vecteur
Time est multiplié par la valeur f0, la valeur de Phi est ajoutée à chaque composante obtenue,
puis chaque composante est multipliée par 2π ; enfin, la fonction sin donne le sinus de chacune des
composantes. Il s’agit là d’une caractéristique essentielle du langage MatLab : toutes les opérations
sont matricielles ou vectorielles. L’ensemble du TP se réalise donc sans boucle « for ». Exécutez à
nouveau le programme et assurez vous que tout s’est passé comme prévu. Les vecteurs TpsD et Sig
sont-ils des vecteurs lignes ou des vecteurs colonnes ?
Le tracé est également très simple.
% Tracé du signal
> figure(1),clf
> plot(Time,Sig)
L’axe horizontal est alors gradué selon l’axe temporel en seconde. Prenez le temps d’apprendre
le rôle de chacune des commandes rencontrées. Voyez les possibilités des commandes axis, grid,
title, xlabel. Essayez également la séquence suivante :
% Tracé du signal
> figure(1),clf
> subplot(211),plot(Time,Sig)
> subplot(212),plot(Time(10:100),Sig(10:100))
Observez l’effet obtenu si vous multipliez la fréquence d’échantillonnage par 10 ou par 100. Si
vous la divisez par 10 ou par 100.
2
Signaux et systèmes linéaire TP : Analyse spectrale et filtrage
Ajoutez une seconde raie assez proche de la première, par exemple à f1 = 460 Hz et d’amplitude
voisine. Ce signal permettra, dans la suite, d’évaluer le pouvoir de résolution de l’analyse de Fourier
c’est-à-dire la capacité à séparer, à distinguer deux fréquences proches. Ajoutez également une
composante à 2, 5 kHz d’amplitude moitié.
2. Transformée de Fourier
2.1. Rappels. Quelle est la transformée de Fourier à temps continu du signal x(t) ? Quelle est la
transformée de Fourier à temps discret du signal {xn }n∈Z ? Quel lien y-a-t-il entre elles ? Pourquoi
est-on obligé de définir une transformée de Fourier Finie ?
2.2. Manipulation de base. En utilisant la fonction fft de MatLab, calculez la fft du vecteur
Sig : fft(Sig). Pour tracer le résultat, on veut centrer la courbe sur la fréquence nulle. Il faut pour
cela utiliser la fonction fftshift. Consultez le manuel : help fftshift. Attention ! Cette fonction
ne calcule pas de fft, elle modifie seulement l’ordre des échantillons d’un vecteur : essayez x=(1:6)
suivi de fftshift(x). Tracez alors le résultat de la fft en partie réelle, partie imaginaire, module au
carré (le spectre) et phase (la fonction real donne la partie réelle d’un nombre complexe et le manuel
de cette fonction renvoie aux fonctions permettant de déterminer la partie imaginaire, le module
et la phase). Tracez également le log10 du module. Graduez correctement l’axe des fréquences, à la
fois en fréquence réduite et en fréquence réelle. Pour cela, vous pouvez créer un vecteur contenant
l’axe des fréquences en utilisant la commande linspace.
Vous en arrivez à une partie essentielle de ce TP et on se concentre sur l’analyse du spectre.
— Vous devez retrouver des « pics » aux fréquences 440 Hz, 460 Hz et 2, 5 kHz. Sont-ils po-
sitionnés précisément ? Évaluez cette précision en fonction de M . Expliquez la présence des
trois autres pics.
— Vous devez constater également l’apparition de « rebonds » au pieds des pics. On parle de
« ringing » dans la litérature anglosaxone. Expliquez leur origine.
— On se concentre maintenant sur les composantes à 440 et 460 Hz. Observez-les lorsque N =
1024, N = 512 et N = 256. Commentez.
— Que se passe-t-il si on change Fe en Fe = 6 kHz, en Fe = 4 kHz, en Fe = 0, 5 kHz ?
Commentez.
2.3. Filtrage. On veut réaliser maintenant une opération de filtrage passe-pas du signal, pour
éliminer la composante à 2, 5 kHz et ne conserver que les composantes à 440 Hz et 460 Hz. On
éliminera pour cela les fréquences au delà de 2 kHz. Réalisez très simplement cette opération dans
le domaine de Fourier : vous avez ainsi réalisé un filtrage passe-bas « idéal ».
Cette opération de filtrage idéal dans le domaine de Fourier ne peut pas être utilisée pour réaliser
un filtrage en ligne. Expliquez pourquoi. Dans le cas où on est contraint de réaliser ce filtrage en
ligne, une possibilité repose sur le filtrage convolutif. On pourra utiliser, par exemple, le filtre de
réponse impulsionnelle h définie par
(
1/P si n ∈ [0; P − 1]
h(n) =
0 sinon
S’agit-il bien d’un filtre passe-bas ? Quel est son transfert en fréquence ? Utilisez la fonction filter
pour filtrer le signal d’origine et éliminer les composantes au delà de 2 kHz. Réglez empiriquement
la valueur de P . Comment prévoir à l’avance une « bonne valeur » pour P . Comparez les résultats
obtenus ici à ceux obtenus par filtrage idéal.

305 TP

Transféré par

Droits d'auteur :

Formats disponibles

305 TP

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

305 TP

Transféré par

Droits d'auteur :

Formats disponibles

Licence 3 IST

TP : ANALYSE SPECTRALE ET FILTRAGE

Table des matières

x(t) = α sin 2π(f0 t + ϕ) ∀t ∈ R ,

% Définition des constantes

Vous aimerez peut-être aussi