Qu'est ce qu'un SIGNAL ?

On désigne par signal l'information relative à

une grandeur physique qui évolue dans le
temps. Les signaux les plus couramment
utilisés sont les signaux électriques. Mais ces
signaux sont le plus souvent des traductions
de signaux physiques comme des signaux
acoustiques, sismiques, de température ou de
pression …
Comment obtenir un signal Électrique ?

L'obtention des signaux électriques à partir des

variations d'une grandeur naturelle se fait à l'aide d'un
capteur ou d'un transducteur

Signal électrique
Grandeur
Physique Transducteur

Microphone
Capteur de température
Capteur de pression …
 Signal Analogique

Un signal analogique est un signal qui est défini pour

n'importe quel instant t et sa valeur peut prendre
n'importe quelle valeur comprise dans un intervalle
[-Vmax , +Vmax]
V(t)

t
 Signal Numérique
Un signal Numérique n'est défini que pour des
instants tk appartenant à un ensemble dénombrable
{t1, t2, t3, t4, . . . tn,}. Sa valeur à un instant ne peut
prendre qu'une valeur discrète appartenant à un
ensemble dénombrable {V1, V2, V3, V4, . . . Vn,}
V(n)

n
 Valeur moyenne d'un signal
V(t)

V
V = 1 ∫V(t)dt
t TT
T

V(n)

N
V = 1 ∑V(i)
n N i=1
 Écart type d'un signal
L'écart type appelé aussi moyenne quadratique,
variance, déviation standard ou (RMS) est une
grandeur qui nous informe sur le niveau d'un signal.
On la préfère à la valeur moyenne surtout quand le
signal est centré.

∫ (V(t) -V ) dt
2
Signal Analogique σ = (V − V ) = 1
2 2
T T

∑ (V(i) -V )
N
Signal Numérique σ = (V − V ) = 1
2 2 2

N i =1
 Écart type - étapes

V −V

centrer

carré
Racine
Carré moyenne
σ σ
2
Écart type - illustration

σ1 σ2

σ1 > σ2
 Écart type - exemples

σ= A
2
σ =
2 A
2 2

σ =
2 A2
σ= A
3 3

σ2 = A2 σ= A
 Les deux domaines du signal

la représentation naturelle d'un signal est sa

représentation dans le domaine temporel.
Il existe une autre représentation non moins
importante, qui est la représentation dans le
domaine fréquentiel, qu'on appelle communément
spectre du signal.
Cette représentation permet de voir le niveau de
chaque composante harmonique constituant le signal.
 Les 2 représentations d'un signal à 2 harmoniques

2
1.5 La représentation
1
0.5
temporelle ci-contre ne
0 nous informe pas
-0.5 beaucoup sur la nature
du signal, par contre, la
-1
-1.5
-20 1 2 3 4 5 6 ms
représentation
1.2 fréquentielle nous dit
1 que c'est un signal à
0.8 deux harmoniques :
0.6
f1=1000Hz, f2=1500Hz
0.4

0.2 sin(2πf1 )+sin(2πf2 )

0
0 500 1000 1500 2000 2500 3000 3500 4000 Hz
Script Matlab
Spectres de 2 signaux sonores
Sons graves
Sons aigus

f
15 kHz
Signal à large bande

f
15 kHz
Signal à bande étroite
Temporelle Exemples de signaux

+ =
fréquentielle

0 1000 2000 3000 4000 0 1000 2000 3000 4000 0 1000 2000 3000 4000
 Représentation des signaux périodiques

Un signal est périodique de période To si x(t) = x(t+kTo)

x(t)

t
0 To

Tout signal périodique peut être représenté par

une combinaison linéaire de signaux simples
appelés signaux élémentaires u1(t), u2(t), u3(t) …
N
x(t) = ∑akuk(t)
k =0
 Séries de Fourier
La représentation la plus utilisée est la décomposition
en série de Fourier qui consiste à décomposer un signal
périodique de fréquence fo en une somme infinie de
signaux sinusoïdaux de fréquences multiples de fo
qu'on appelle les harmoniques

ao ∞
x(t) = + ∑[ak cos(2πkfot) + bk sin(2πkfot)]
2 k =1

ak = 2 ∫x(t)cos(2πkfot)dt
To T
o

bk = 2 ∫x(t)sin(2πkfot)dt
To T
o
 2ème forme de la série de Fourier
∞
x(t) = ∑C e
k =−∞
k
j2πkfot

Ck = 1 ∫ xp(t)e- j2πkfotdt (k ∈ N)
To T
o

Relation entre les coefficients Ck et ak et bk :

⎧2Co = ao
⎪
⎪Ck = 21 (a −jb )
k k
⎨ k = 1,2,3,...
⎪ak = Ck +C−k = 2ℜ(Ck )
⎪b = j (C −C ) = -2ℑ(C )
⎩k k −k k
Trigo
 3ème forme de la série de Fourier
do ∞
x(t) = + ∑dk cos(2πkfot +φk )
2 k =1

⎧
⎪do = 2 Co = ao
⎪
⎪
⎨dk = 2 Ck = ak +bk k = 1,2,3,...
2 2

⎪
⎪φ = 2 arg( C ) = −arctg ⎛⎜ bk ⎞⎟
⎪⎩ k ⎝ ak ⎠
k

Un signal périodique est une Somme de

sinusoïdes d'amplitude dk, de fréquence kfo et
de phase φk
Illustration d'une série de Fourier

Valeur moyenne

Fondamental
 Quelques séries de Fourier utiles
m(t)
A
4A ⎡ ⎤
sin(2πnfot ) + ...⎥ , n impair
1 1 1
t m( t ) = ⎢ sin( 2 πf t ) + sin( 2 π3 f t ) + sin( 2 π5 f t ) + ... +
π ⎣
o o o
3 5 n ⎦

m(t)
A
4A ⎡ ( −1 ) n ⎤
cos(2π( 2n + 1 ) f o t ) + ...⎥
1 1
t m( t ) = ⎢cos( 2πf o t ) − cos( 2π3 f o t ) + cos( 2π5 f o t ) + ... +
π ⎣ 3 5 2n + 1 ⎦

m(t)
8A ⎡ ⎤
cos( 2π5 f o t ) + ... + 2 cos(2πnf o t ) + ...⎥ , n impair
1 1 1
m( t ) = 2 ⎢
cos( 2 πf t ) + cos( 2 π3 f t ) +
π ⎣
o o
t 9 25 n ⎦

m(t) 2A ⎡ ( −1 )n+1 ⎤
m( t ) = ⎢ sin( 2πf t ) −
1
sin( 2π2 f t ) +
1
sin( 2π3 f t ) + ... + sin(2πnf t ) + ...⎥
π ⎣
o o o o
t 2 3 n ⎦

m(t) ⎡ +1
⎤
n
(−1)2 ×2
m(t)= ⎢1+cos(2πfot)+ cos(2π2fot)− cos(2π4fot)+...+ 2
2A 2 2 cos(2πnfot )+...⎥ n pair
π 3 15 n −1
t ⎣ ⎦
 Spectre d'un signal périodique

1
1.4

1.3
t
1.2

0.8
fo = 125 Hz
A=1 0.6

0.42
Rapport cyclique = 1/2
0.4

0.25

0.18

0.14

0.098

0.085
0.12

0.075

0.067
0.2

0.061

0.055

0.051

0.047

0.044

0.041
ak = 4 avec k impair 0
kπ 125 625 1125 1625 2125 2625 3125 3625

Script Matlab
 Reconstitution d'un signal à partir d'un nombre fini
d'harmoniques
1.5 1.5
1er 1er
1 1

0.5 0.5
5ème

0 0
3ème -0.5 3ème
-0.5
-1
-1
-1.5
-1.5 0 1 2 3 4 5 6 7 8ms
0 1 2 3 4 5 6 7 8ms

1.5 1.5

1 1

0.5 0.5

0 15 harmoniques 0 30 harmoniques
-0.5 -0.5

-1 -1

-1.5 -1.5
0 1 2 3 4 5 6 7 8 ms 0 1 2 3 4 5 6 7 8 ms

Script Matlab
 Représentation d'un signal transitoire (1)
x(t)

Formons un signal périodique à l'aide de x(t)

t

xp(t)

t
To

∞
Décomposition en série de Fourier xp(t) = ∑k
C e
k =−∞
j2πkfot
avec fo= 1
To
Avec

C k = 1 ∫ x p(t)e - j2 πkf ot dt (k ∈ N)
To T
o
Représentation d'un signal transitoire (2)

Si on note : fo = Δf
fk = k Δf

∫ x (t)e
-j2 π kf ot
g (fk ) = p dt
To

C k = 1 g (fk )
To

∞ ∞
x p(t) = ∑ = ∑ g(fk )e j2πf k t Δf
g(fk ) j2πf k t
e
k = −∞ To k = −∞
 Représentation d'un signal transitoire (3)

Si on fait tendre To vers l' infini

• xp(t) Æ x(t)
• Δf devient infiniment petit et on peut le noter df
•fk = (Δf , 2Δf , 3Δf ,…) Æ variable continue f
•ΣÆ∫

∫ p
∞ -j2 π kf ot
g (fk ) =
xp(t) = ∑g(f )e
k =−∞
k
j2πfk t
Δf x
To
(t)e dt

+∞
∫
-j2 π f t
g (f) =
∫ g(f)e
x(t) = j2 π f t
df x(t)e dt
To
-∞
 Transformée de Fourier

g(f) sera notée X(f)

x(t) et X(f) forme une paire de Fourier

X(f) est la transformée de Fourier de x(t)

x(t) est la transformée de Fourier inverse de X(f)

+∞
x(t) = ∫X(f)e j2πftdf
-∞
+∞
X(f) = ∫x(t)e- j2πftdt
-∞
 Propriétés de la transformée de Fourier

• Linéarité …………………………………………………………
ax 1( t ) + bx 2( t ) ↔ aX 1(f) + bX 2(f)

• Changement d'échelle du temps ……………………….. 1 f

x(at ) ↔ X( )
a a
• Décalage dans le temps…………………………………….
x(t −to ) = X(f) e-j2πfto
• Décalage en fréquence………………………………..
j2πf o t
e x(t) ↔ X(f - fo )
• Dualité………………………………….…
Si x(t) ↔ X(f) alors X(t) ↔ x(-f)

+∞
• Aire sous x(t) ……………………………………………………………
∫
x(t)dt
−∞
= X(0)
 Propriétés de la transformée de Fourier (2)

+∞
• Aire sous X(f) …………………………………………………………….
∫ −∞
X(f)dt = x(0)

• Dérivation dans le domaine temporel …………………… d x(t) ↔ j2πf X(f)

dt
t
• Intégration dans le domaine temporaire 1 X(f) + X(0)δ(f)
∫ x(t) ↔
−∞
j2πf 2

• Conjugaison …………………… Si x(t) ↔ X(f) alors x*(t) ↔ X *(-f)

x (t) x2(t) ↔ X1(f) ∗ X 2(f)

• Convolution et multiplication …………………………1
x1(t)* x2(t) ↔ X1(f) X 2(f)
 Transformées de fourrier usuelles

Πt
τ
() θ −1 1
θsinc(θf)
θ θ

()
sin c t
B −Β Β 1/B
BΠ(Bf)

1 [δ(f −f ) +δ(f +f ) ]
cos(2πfot) 2 o o

-fo fo

sin(2πfot) 1 [δ(f −f ) −δ(f +f ) ]

2j o o

-fo fo
 Transformées de fourrier usuelles (2)

δ(t) 1

1 δ(f)

R
I

δ(t −to ) e −j2πtof

to f

R
I

e j2πfot δ(f −fo )

f fo
Transformées de fourrier usuelles (3)
R

sgn(t)
1 I
1
-1
j πf
f

1 I
− j sgn(f)
πt
f
R
1
I
j sgn(f)
πt -1
f R
I
1 1 δ(f) − j
U(t) 2 2πf
f
 Transformées de fourrier usuelles (4)
R
I 1
1 δ(t) + j U(f)
2 2πt
f

k =+∞ k = +∞

k
∑δ(t −kTo )
=−∞
fo ∑δ(f −kfo )
fo
k = −∞
to

1
2
sinc (t) Λ(f)
−3 −2 −1 1 2 3 1 1

Voir détail
 Représentation des signaux Discrets Périodiques
x(n)

On démontre qu'un signal discret périodique de période N,

peut être représenté par un série de Fourier Constituée d'une
somme de N harmonique de fréquences multiples de la
fréquence fondamentale 2π/N
N -1 C(n)
x(n) = ∑Cke j2π Nk n

k =0
N -1
1
Cn = ∑x(n)e − j2π Nk n
N k =0 01 N
n
N/2
f
0 fe fe
2
Représentation des signaux Discrets Apériodiques
Un signal discret Apériodique défini aux instant kTe peut
être représenté à l'aide de sa transformée de Fourier qui
est une fonction continue périodique de période fe. Le
corps [0,fe] et symétrique par rapport à fe/2 (fe = 1/Te)
fe
= 1
j2 π n f x(n)
x (n) ∫0 X(f) e fe
df
fe
∞
n
- j2 π k f
X (f ) = ∑ x(n)e
k =- ∞
fe

X(f)

f
fe
2
fe
 La fenêtre carrée discrète
x(n)
⎧ L f =0
⎪ sin(π f L)
Centrée ⎪
X(f) = ⎨ fe
f ≠0
L impair ⎪ sin(π f )
n ⎪⎩ fe

x(n) ⎧ L f =0
⎪ f sin(π f L)
⎪
Non centrée X(f) = ⎨e- jπ fe (L-1) fe
f ≠0
L quelconque ⎪ f
sin(π )
n ⎪⎩ fe
x(n)
⎧ L f =0
⎪ f sin(π f L)
Centrée ⎪
X(f) = ⎨e- jπ fe fe
f ≠0
L impair ⎪ f
sin(π )
n ⎪⎩ fe
 La Transformée de Fourier Discrète TFD
En pratique • On ne dispose que d'un enregistrement du signal sur
une durée limitée. On ne peut donc pas sommer x(n)
sur l'infini pour calculer X(f).
• On ne peut Calculer X(f) que pour des valeurs discrètes
de f, Î X(n)
N −1 Si on calcule X(n) au delà de N, On
- j2π Nk n
X(n) = ∑ x(n)e
k =0
obtient une suite périodique semblable
à la Série de Fourier d'un signal discret
N −1
x(n) = 1
- j2π Nk n
N ∑
k 0
=
X(n)e périodique. Les expressions sont
d'ailleurs quasi identiques
x(n) Cn

TFD
N-1
n n
0 0 N-1
f
0 fe fe
2
 Récapitulation : Signaux Continus
x(t) Ck

t f
0 To 0 fo
+∞
xp(t) = ∑Cke
To
j2πkfot
Ck = 1 ∫ To xp(t)e− j2πkfot
2

k =−∞ To − 2
x(t) X(f)

t
0 To t
+∞ +∞
x(t) = ∫X(f)e j2πftdf X(f) = ∫x(t)e − j2πftdt
−∞ −∞
 Récapitulation : Signaux Discrets
N −1 N −1
Ck = 1
x(n)
∑ x (n )e
C(n) k

∑ j2 π k n − j2 π n
x (n ) = C ke N
N
N

k 0
= n 0
=

fe f
0 fe 2

x(n) fe +∞ − j 2π n f
1
fe 0
j2πk fn f
x(n) = ∫X(f)e e df X(f)
X(f) = ∑x(n)e fe

n =−∞
n

f
fe 2 fe
N −1
x(n) = 1 ∑X(n)e j2π N n
N −1
X ( n ) = ∑ x ( k ) e − j2 π N n
x(n) k X(n) k

N k =0 k =0

f
0 fe 2 fe
X(n) est elle une bonne approximation du
spectre de x(n) ?
Pour Répondre à cette question, il faut remarquer que x(n) est obtenue
en tronquant x(t) par la fenêtre carrée discrète W(n)
x(t) w(n)
1

t n
0 1 2 3 4 5 6 7 8 9
0 θ
=
x(n)

x(n) = x(t) × w(n)

n
0 1 2 3 4 5 6 7 8 9 N
N-1
t
0 Te θ
 Passons dans le domaine fréquentiel

x(n) = x(t) × w(n) X(n) = X(f) ∗ W(f)

La TFD d'une suite x(n) de N points obtenus

par l'échantillonnage au pas te=1/fe d'un
tronçon θ d'un signal x(t) est une suite X(n)
de N points obtenus par l'échantillonnage au
pas Δf = 1/θ d'un tronçon fe de la
transformée de Fourier de x(t) convoluée
avec la transformée de Fourier de la fenêtre
carrée discrète w(n) de longueur N.
 Détails pratiques pour la simulation
x(n) X(n)

N=10

n n
0 1 2 3 4 5 6 7 8 9 N 0 1 2 3 4 5 6 7 8 9 N
N-1 N-1 f
t fe
0 Te θ 0 df fe
2

• Durée d'observation : θ • Étendue spectrale : fe

• Fréquence d'échantillonnage : fe • Nombre de point N
fe 1 1
• Période d'échantillonnage : Te • Résolution spectrale : df = N = NT = θ
e

• Nombre de point N : Θ = N Te • Symétrie par rapport à N/2 ↔fe/2

• Pas d'échantillon à l'instant t= θ • Le premier point n'a pas de
symétrie, pas de point en f=fe
 Cas d'un signal sinusoïdal
Pour Illustrer ce cas, commençons par prendre un nombre de point N
supérieur à la largeur L de la fenêtre de troncature
x(t)

T θ t

w(n)
1

n
0 1 2 3 4 5 6 7 L-1 N-1

x(n)

n
L-1 N-1
 Passons dans le domaine fréquentiel

N
L N
L

fe− fo
fe 1 1 1
=
N θ fo T T fe fe
2

• La résolution spectrale dépend de la duré observée : df = fe/N = 1/θ

• La largeur des lobes dépend de la largeur de la fenêtre de troncature :
1/T Î N/L points
 Règle pratique
Pour avoir des échantillons aux sommets des lobes principaux :

fe
fo = K Δf = K
fe
N=K
N fo

Si en plus on veut avoir des échantillons aux zéros de W(f), il faut :

1 = k Δf
T
1 =k 1
LTe NTe N =k L
 N et L quelconques
fo =400Hz fe =1600 Hz N =22 L =12
0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1
Script Matlab
0.05

0
0 200 400 600 800 1000 1200 1400 1600

C'est loin d'un spectre à deux raies Spectrales

 N = k fe/fo
fo =400Hz fe =1600 Hz N =28 L =12
0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1 Script Matlab

0.05

0
0 200 400 600 800 1000 1200 1400 1600

On est encore loin mais on a un échantillon à fo et à fe-fo

 N = K fe/fo et N = k L
fo =400Hz fe =1600 Hz N =36 L =12
0.5

0.45

0.4

0.35

0.3

0.25

0.2

0.15

0.1
Script Matlab
0.05

0
0 200 400 600 800 1000 1200 1400 1600

Ici, on a des points aux sommets et aux zéros de W(f)

 Pour Une représentation plus correcte
Pour avoir une représentation correcte, il suffirait 1 = k Δf
que la largeur des lobes soit égale à Δf ce qui T
revient à prendre une longueur d'observation égale
à la largeur de la fenêtre de troncature N = L N=L
fo =400Hz fe =1600 Hz N =12 L =12
0.5
0.45 En conclusion
0.4 Pour Un signal
0.35 sinusoïdal, on obtient
0.3 une représentation
0.25 spectrale ayant une
0.2
apparence exacte si
on travaille avec un
0.15
nombre de points N
0.1
multiple de fe/fo
0.05
Script Matlab
0
0 200 400 600 800 1000 1200 1400 1600
 Signal à quatre harmoniques 250, 500, 750,
1000Hz, fe=12000Hz, N=192

4
1
3
2 0.8
1
0 0.6
-1
0.4
-2
-3 0.2
0 2 4 6 8 10 12 14 16
Temps en ms 0
0 1000 2000 3000 4000 5000 6000

Script Matlab
 La réalité
Dans la pratique, on a affaire à des signaux porteurs d'information,
(Voix, image …) on n'a pas d'information à priori sur les fréquences
des harmoniques les constituants. On aura forcément une erreur
d'estimation spectrale à cause des lobes secondaire importants de
la fenêtre carrée
fo =400Hz fe =1600 Hz N =46 L =12
0.5

0.4

0.3

0.2

0.1

0
0 200 400 600 800 1000 1200 1400 1600
 Amélioration

fo =400Hz fe =1600 Hz N =30 L =30

0.5

0.45
En travaillant avec N=L,
0.4
on a un point par lobe ce
qui donne une courbe
0.35
toujours décroissante.
0.3

0.25
Si N est grand, les lobes
0.2
secondaire se retrouvent
concentré devant le lobe
0.15
principal et décroissent
0.1
très vite
0.05

0
0 100 200 300 400 500 600 700 800
 Fenêtrage
Comme on vient de le voir, les lobes secondaires de la
fenêtre carrée sont responsables d'une partie non
négligeable de l'erreur sur l'estimation spectrale. Ces
lobes secondaires sont dus à la coupure 'brutale' de la
fenêtre carrée. Il existe d'autres fenêtres plous 'douces'
ayant des lobes secondaires moins importants.
 Fenêtre de Hamming

w(n) =⎨
( )
⎧⎪0.54 −0.46cos 2πn
N
0 ≤n ≤N
⎪⎩0 ailleur

1
w(n) W(n)
0.8

0.6
Hamming
TF
0.4

0.2
carrée
0

Les lobes secondaires de la fenêtre de Hamming

sont bien plus faibles que ceux de la fenêtre carrée
 Fenêtre de Hanning

w(n) =⎨
( )
⎧⎪0.5 −0.5 cos 2πn
N
0 ≤n ≤N
⎪⎩0 ailleur
1
0.9
w(n) W(n)
0.8
Hanning
0.7
0.6
TF
0.5
0.4 carrée
0.3
0.2
0.1
0
2 4 6 8 10 12 14 16 18 20

Là aussi, les lobes secondaires de la fenêtre de Hanning

sont bien plus faibles que ceux de la fenêtre carrée
 Carrée ou Hanning

7 7

6 6

5 5

4 4

3 3

2 2

1 1

0 0
0 100 200 300 400 500 600 700 800 0 100 200 300 400 500 600 700 800

Fenêtre carrée Fenêtre de hanning

Script Matlab
FIN
 Variance d'un signal sinusoïdal

π
[t - sin(t)cos(t)]0 =
2 2
σ = ∫ A sin (t)dt =
2 1 2 2 A 1 π A
π0 π 2 2

σ= A
2
 Script Matlab pour signal à 2 harmoniques

n=300;
f1=1000;
f2=1500;
fe=15000;
te=1/fe;
t=0:te:(n-1)*te;
y=sin(2*pi*f1*t)+sin(2*pi*f2*t);
close all;
plage=1:91;
plot(t(plage),y(plage));

s=abs(fft(y))/(n/2);
fmax=4000;
df=fe/(n-1);
f=0:df:fmax;
m=length(f);
s=s(1:m);
figure;
plot(f,s);
grid;
 Script Matlab : spectre d'un signal périodique

fo=125; %fréquence du signal

fe=8000;te = 1/fe % fréquence et période d'échantillonnage
n=1024; % nombre de points
t=0:te:(n-1)*te; % axe des x
y=square(2*pi*fo*t); % signal
close all;
plot(t*1000,y); % tracé du signal
figure;
s=2*abs(fft(y))/n; % calcul du spectre
s=s(1:n/2); % le spectre est symétrique % fe/2
df=fe/(n-1); % résolution de l'axe des fréquence
f=0:df:fe/2; % axe des fréquence
plot(f,s); % tracé du spectre
set(gca,'xtick',fo:4*fo:4000); % retouche des graduations en f

for k = 1:2:31 % enrichir le dessin par les

a=4/k/pi; % amplitudes de chaque harmonique
h=text(k*fo,a+0.02,num2str(a,2));
set(h,'rotation',90);
end;
 Script Matlab : Reconstitution d'un signal
function reconst(n)
% reconst(n)
% reconstruit un signal carré à partir de n harmoniques
A=1;fo=125; % Amplitude et fréquence
M=65; % nombre de point à tracer
te=1/8000; % période d'échantillonnage
t=0:te:(M-1)*te; % axe des temps
h=zeros(n,M); % matrices contenant les harmoniques
ho=0; % valeur moyenne

for k=1:n % calcul des harmoniques

ki=2*k-1;
a(k)=4*A/(ki*pi);
f(k)=ki*fo;
h(k,:)=a(k)*sin(2*pi*f(k)*t);
end;
y=ho+sum(h); % reconstitution du signal

close all;
t=t*1000; % temps en ms
plot(t,h); % tracé des harmonique
hold on;
plot(t,y,'linewidth',2) % tracé du signal reconstitué
xlabel('Temps en ms');
 Formules trigonométriques

e jx =cos(x)+ j sin(x)
−jx
cos(x)= e jx
+e
2
−jx
sin(x)= e jx
−e
2j
1 (x−sin(x)cos(x))+C
∫ =
2
sin (x)dx
2
 Convolution
+∞
f1(x) ∗ f2(x) = ∫ f1(τ) f2(x-τ) dτ
−∞

f(x) Џ(x) F(x)* Џ(x)

∏(x) Λ(x)=∏(x)*∏(x)
1
1

−1 1 1 1
2 2

Π(θx ) θΛ(θx )=∏(θx )*∏(θx )

1 θ

−θ
2
θ
2
θ θ
 Exemple de transformée de Fourier
sin(πt) x(t) y(t) ↔ X(f) ∗ Y(f) ∏(θt )* ∏(θt ) = θΛ(θt )
sinc(t)=
πt
sin c(t) ↔ Π (f) x(at) ↔ 1 x 1
a a
() Π(t )* Π(t ) = Λ(t )

sin( 2 πf o t ) 1 ⎛ f ⎞
= sinc( 2 f o t ) sinc( 2 f o t ) ↔ Π⎜⎜ ⎟⎟
2 πf o t 2 fo ⎝ 2 fo ⎠
1 ⎛ f ⎞ 1 ⎛ f ⎞ 1 ⎛ ⎛ f ⎞⎞
sinc 2 ( 2 f ot ) ↔ Π⎜⎜ ⎟⎟ * Π⎜⎜ ⎟⎟ = 2 ⎜ 2f o Λ⎜⎜ ⎟⎟ ⎟⎟
2 f o ⎝ 2 f o ⎠ 2 f o ⎝ 2 f o ⎠ 4f o ⎜⎝ ⎝ 2f ⎠⎠
1 ⎛ f ⎞
sinc ( 2 f ot ) ↔
2
Λ⎜⎜ ⎟⎟
2 fo ⎝ 2 fo ⎠
1
2fo

−1 1
2fo 2fo 2fo 2fo
 Spectre d'un signal sinusoïdal
clear;
fo=400;
fe=1600; %fe/fo=4
te=1/fe;
% on trace d'abord W(f) en pointillé avec une bonne résolution
N=240;
L=12;
df=fe/N;
t=0:te:(L-1)*te;
x=sin(2*pi*fo*t);
y1=abs(fft(x,N)/L);
f1=0:df:(N-1)*df;
close all;
for N = [22 28 36 L];
df=fe/N;
y=abs(fft(x,N)/L);
f=0:df:(N-1)*df;
figure;
plot(f1,y1,':');
hold on;
plot(f,y,'o','MarkerFaceColor','r');
title(strcat('fo = ',num2str(fo), 'Hz fe = ',num2str(fe),' Hz N = ',num2str(N),' L = ',num2str(L)));
grid;
end;c
 Spectre d'un signal à 4 harmoniques
fo=[250 500 750 1000]';
fe=12000;
N = 192;
te = 1/fe;
t=0:te:(N-1)*te;
x=sum(sin(2*pi*fo*t));
close all;
plot(t*1000,x);
xlabel('Temps en ms');
y=2*abs(fft(x)/N);
df=fe/N;
f=0:df:fe/2;
y=y(1:length(f));
figure;
plot(f,y);
Title(['signal à quatre harmoniques ' num2str(fo') 'Hz, fe=' num2str(fe) 'Hz, N=' num2str(N) ]);
axis([0 fe/2 0 1.02]);
 Fenêtrage : Exemple 1
%Comparaison entre fenêtre carrée et fenêtre de Hanning
clear
fo=470;
fe=4000;
te=1/fe;
N=512;
t=0:te:(N-1)*te;
x=7*sin(2*pi*fo*t);
y=2*abs(fft(x)/N);
df=fe/N;
f=0:df:800;
y=y(1:length(f));

x=x.*hanning(N)';
z=3.98*abs(fft(x)/N);
z=z(1:length(f));
close all;
plot(f,y,f,z,'r');grid;