Transformée de Fourier Rapide

Centre Interuniversitaire de préparation à

l’Agrégation de Physique

Montrouge 2015-2016

kenneth.maussang@ens.fr 1
 Transformée de Fourier et FFT
Notion de spectre :
Soit un signal 𝑠(𝑡) dépendant du temps. On définit sa transformée de Fourier 𝑠Ƹ 𝑓
selon
+∞
𝑠Ƹ 𝑓 = ℱ 𝑠 𝑡 =න 𝑠 𝑡 𝑒 −2𝑖𝜋𝑓𝑡 d𝑡,
−∞
et sa transformée inverse
+∞
−1
𝑠 𝑡 =ℱ 𝑠Ƹ 𝑓 =න 𝑠Ƹ 𝑓 𝑒 2𝑖𝜋𝑓𝑡 d𝑓.
−∞

Rq1 : Dans le cas d’un circuit linéaire, le principe de superposition permet de

caractériser complètement sa réponse en étudiant la réponse harmonique. D’où
l’importance de l’étude de la fonction de transfert dans l’espace réciproque.

Rq2 : Transformée de Fourier et produit de convolution

+∞
𝑠∗ℎ 𝑡 =න 𝑠 𝑢 − 𝑡 ∙ ℎ 𝑢 d𝑢,
−∞

ℱ 𝑠∗ℎ =ℱ 𝑠 ∙ℱ ℎ et ℱ 𝑠 ∙ ℎ = ℱ 𝑠 ∗ ℱ ℎ
2
 Transformée de Fourier et FFT
Numérisation et transformée de Fourier discrète :
Soit un signal 𝑠 𝑡 , échantillonné par un instrument (oscilloscope, carte d’acquisition,…)
avec un taux d’échantillonnage 1/𝛿𝑡𝑒 . Le signal obtenu est alors de la forme
𝑆𝑛 = 𝑠 𝑡0 + 𝑛𝛿𝑡𝑒 , 𝑡0 ∈ ℝ, 𝑛 ∈ ℕ,
On définit la transformée de Fourier discrète selon
𝑁−1
𝑛
𝑆ሚ 𝑘 = ෍ 𝑆𝑛 ∙ 𝑒 −2𝑖𝜋𝑘𝑁 ,
𝑛=0
où 𝑁 est le nombre de points échantillonnés. Alors que la TF est une décomposition sur
la base des fonctions exponentielles complexes de norme 1, la TF discrète est une
décomposition sur la base des racines nièmes de l’unité…
La transformée de Fourier inverse est définie selon
𝑁−1
1 𝑛
2𝑖𝜋𝑘𝑁
ሚ
𝑆𝑛 = ෍ 𝑆 𝑘 ∙ 𝑒 .
𝑁
𝑛=0

Soit la fréquence d’échantillonnage 𝐹𝑒 = 1/𝛿𝑡𝑒 .

On peut montrer que :
- la résolution en fréquence est de 𝜹𝒇 = 𝑭𝒆 /𝑵 ;
- la fréquence maximale du spectre accessible est 𝑭𝒆 /𝟐 (critère de Shannon).
3
 Transformée de Fourier et FFT
Illustration du critère de Shannon :

ALIASING
(repliement de spectre)

4
 Transformée de Fourier et FFT
Exemple : signal de f=2kHz, échantillonnage de fe=10kHz pendant T=10ms.

échantillonnage

5
 Transformée de Fourier et FFT
Influence de la durée d’acquisition : acquisition de T=100ms et T=10ms
signal à f=2kHz, échantillonnage à fe=10kHz

Porte de 10ms
Porte de 100ms

6
 Transformée de Fourier et FFT
Cas de la FFT sur un oscilloscope.

Le nombre de points échantillonné est fixé par le constructeur. Le taux

d’échantillonnage fe va donc être fixé par la base de temps utilisé et donc la durée
d’acquisition et la fréquence d’échantillonnage sont liées selon

𝑁 𝑁
𝑓𝑒 = = ,
𝑇 (𝑥 secondes/divisions) × (Nombre de divisions sur l′écran)

le nombre de point étant un paramètre de l’oscilloscope utilisé.

Ainsi, pour augmenter la résolution fréquentielle du spectre, il faut augmenter le temps

d’acquisition T, mais en faisant cela, on diminue également la fréquence
d’échantillonnage fe et donc la fréquence maximale satisfaisant le critère de Shannon
(fe/2).

En pratique : commencer avec un temps d’acquisition suffisamment court et

l’augmenter progressivement jusqu’à une valeur satisfaisante.

7
 TF, FFT et fenêtre de pondération
Considérons un signal dépendant du temps 𝑥(𝑡) et sa transformée de Fourier
+∞
𝑥ො 𝑡 = ℱ 𝑥 𝑡 =න 𝑥 𝑡 𝑒 −2𝑖𝜋𝑓𝑡 d𝑡.
−∞
En pratique, il est impossible d’acquérir un signal pendant une durée infinie. Il est
nécessaire de tronquer le signal avant son traitement numérique, afin qu’il soit limité
dans le temps.
Mathématiquement, cela revient à effectuer l’opération suivante
𝑥𝑇 𝑡 = 𝑥 𝑡 ∙ Π𝑇 𝑡 ,
où 𝑥𝑇 𝑡 est le signal à traiter et Π 𝑇 𝑡 la fonction porte de durée 𝑇 (où 𝑇 est la durée
d’acquisition en pratique).
Or, d’après les propriétés de la transformée de Fourier
ℱ 𝑥𝑇 𝑡 = ℱ 𝑥 𝑡 ∙ Π𝑇 𝑡 = ℱ 𝑥 𝑡 ∗ ℱ Π𝑇 𝑡 ,
ainsi, la transformée de Fourier du signal tronquée correspond à la convolution entre la
transformée de Fourier du signal complet et la transformée de Fourier de la fonction de
troncature.
Dans le cas d’un signal harmonique, la TF d’une fonction porte est un sinus cardinal : il y
a à la fois un élargissement du pic et l’apparition de lobes secondaires.
Deux conséquences :
une résolution fréquentielle dépendant du temps de mesure 𝑻 finie ;
apparition de lobes secondaires qui peuvent masquer d’autres fréquences.
8
 TF, FFT et fenêtre de pondération
Pour atténuer les effets de l’opération de troncature, on introduit des fenêtres de
pondération 𝜌𝑇 (𝑡). Cela signifie qu’au lieu de traiter le signal tronqué 𝑥𝑇 (𝑡), on traite le
signal pondéré par
𝑥𝑝 𝑡 = 𝜌𝑇 𝑡 ∙ 𝑥𝑇 𝑡 .
Idéalement, il faudrait obtenir un lobe principal aussi étroit que possible et des lobes
secondaires d’amplitudes très faibles.
Cependant, il n’est pas possible d’avoir simultanément ces deux propriétés…
Les fenêtres sont donc à choisir en fonction du signal analysé et du compromis désiré.

Par ailleurs, une fenêtre diminuant partiellement le signal par rapport à une fenêtre
porte, le choix de fenêtrage sera également guidé en fonction du rapport signal à bruit
(une fenêtre atténuant trop le signal ne permettra pas forcément de résoudre des pics
de faible amplitude).

Remarque : l’analyse de Fourier est un processus complexe, intervenant fréquemment

dans le contexte de l’analyse et la spectroscopie (ex. : spectroscopie IR par TF).
Ce cours n’a aucunement la prétention d’être complet sur le sujet…

9
 Quelques fenêtres de pondération
On note 𝐴 l’atténuation du signal par rapport à une fenêtre rectangulaire,
𝑊−3𝑑𝐵 la largeur à -3dB du pic principale de sa transformée de Fourier,
𝑓
∆𝑓 = 𝑁𝑒 la résolution fréquentielle.

Nom Expression A (dB) 𝑊−3𝑑𝐵

Rectangulaire 1 0 0.89 ∙ ∆𝑓
Hamming 0.54 + 0.46 cos(2𝜋𝑡) -30 dB 1.30 ∙ ∆𝑓
Hanning 0.5(1 + cos(2𝜋𝑡)) -19 dB 1.44 ∙ ∆𝑓
Gaussienne exp(−𝑡 2 ) -42 dB 1.55 ∙ ∆𝑓

Remarque 1 : il en existe bien d’autre : triangulaire, exponentielle, flat-top,

Blackman-Harris, Kaiser, etc…
Remarque 2 : les problèmes de fenêtrages en analyse numérique sont
conceptuellement proches des problèmes d’apodisation en optique.

10
11
12
 Quelques exemples pratiques
Le choix de l’utilisation de fenêtres n’a de réel intérêt que dans le cadre de l’analyse
spectrale, c’est-à-dire un signal composé de plusieurs composantes spectrales.

Signal : 𝑥(𝑡) = cos(2𝜋𝑓𝑡) avec 𝑓 = 2kHz. Cas d’une TF avec une porte de 5ms.

Comparaison entre une fenêtre rectangulaire (en bleu) et une fenêtre Hamming (en
rouge).
La fenêtre Hamming permet de réduire l’amplitude des lobes, mais en contrepartie le
lobe principale est élargi : la résolution en fréquence est dégradée.

Si les spectres sont normalisés correctement, on observe la diminution du signal

spectral avec la fenêtre pondérée.

13
Quelques exemples pratiques

Hamming

rectangulaire

14
Quelques exemples pratiques

15
Quelques exemples pratiques
Hamming Cas où les spectres sont
correctement normalisés.
La pondération réduit le signal et
donc le rapport signal à bruit.

rectangulaire

16
 Quelques exemples pratiques
Signal : 𝑥 𝑡 = cos 2𝜋𝑓1 𝑡 + cos 2𝜋𝑓2 𝑡 avec 𝑓1 = 2kHz et 𝑓2 = 2.35kHz.

rectangulaire Il sera préférable d’utiliser une

fenêtre rectangulaire pour
bénéficier de la résolution
fréquentielle.

Hamming

17
 Quelques exemples pratiques
Signal : 𝑥 𝑡 = cos 2𝜋𝑓1 𝑡 + 𝟎. 𝟎𝟓 × cos 2𝜋𝑓2 𝑡 avec 𝑓1 = 2kHz et 𝑓2 = 2.8kHz.

rectangulaire

Hamming
Il sera préférable d’utiliser une
fenêtre de Hamming pour
bénéficier de l’atténuation des
lobes

18
Cas des très faibles signaux : fenêtre de Blackman-Harris
Signal : 𝑥 𝑡 = cos 2𝜋𝑓1 𝑡 + 𝟎. 𝟎𝟎𝟎𝟓 × cos 2𝜋𝑓2 𝑡 avec 𝑓1 = 2kHz et 𝑓2 = 3.5kHz.
rectangulaire

Hamming

Blackman-Harris

19
This work is licensed under a Creative Commons “Attribution-NonCommercial-
NoDerivatives 4.0 International” license.

https://creativecommons.org/licenses/by-nc-nd/4.0/deed.fr

20