Professional Documents
Culture Documents
Objectifs de la série :
Mettre en œuvre de façon concrète, les acquis théoriques de traitement de signal numérique,
en particulier ceux en relation avec les caractères d’un signal numérique, le théorème
d’échantillonnage, et la « FFT » (Transformée de Fourier Rapide)
Essai :
Nous avons enregistré ce script sous « sinus1 » et l’avons exécuté. Après avoir modifié
la ligne (2) comme suit : « (2)t=0:1/fs:1; » dans le but d’avoir des figures plus
claires, les figures rendues par Matlab sont les suivantes :
Essai :
Nous avons enregistré ce script sous « sinus2 » et l’avons exécuté. Après avoir modifié la
ligne (2) t=0:1/fs:1;comme suit : « (2) t=0:1/fs:0.05; » dans le but d’avoir des
figures plus claires, et avoir au moins deux périodes du signal résultant afin d’estimer sa
périodicité : les figures rendues par Matlab sont les suivantes :
2.3 Script :
Nous avons introduit dans un fichier Matlab le script suivant :
Script N°2 :
(1) fs=4000;
(2) t=0:1/fs:0.05;
(3) f1=80;
(4) f2=120;
(5) y1=2*sin(2*pi*f1*t);
(6) y2=5*sin(2*pi*f2*t);
(7) y=y1+y2;
(8) plot(t,y);
(9) figure
(10) stem(t,y);
(11) spect=abs(fft(y))/fs;
(12) N=length(t);
(13) if mod(N,2)==1
(14) N=N-1
(15) T=t(1:N); Le spectre du signal montrant les deux
(16) end composantes (fréquences et amplitudes)
(17) freq=(0:N-1)*fs/N; (2)t=0:1/fs:0.6;
(18) figure; (19)plot(freq(1:N/20),spect(1:N/20))
(19) plot(freq(1:N/18),spect(1:N/18)); ;
Nous avons enregistré ce fichier sous le nom de « ffts2 » et a rendu les figures suivantes :
Interprétation du résultat :
Le signal original à droite est reproduit échantillonné à gauche. La FTT du signal
échantillonné montre la reproduction des composantes f1 et f2 avec leurs fréquences et
amplitudes respectives.
Conclusion :
L’échantillonnage permet de représenter assez fidèlement les signaux.
Le signal à étudier est défini par : : y(t) = sin(2πft). Il a été échantillonné à une fréquence fs.
En utilisant le théorème d’interpolation de Shannon qui donne la formule de reconstruction
π
+∞ sin( (t − nTs ))
Ts
comme suit : f (t ) = ∑ f (nTs ) ; avec t=nTs alors f(t)=f(nTs).
π
n = −∞
(t − nTs )
Ts
On a opté pour un échantillonnage uniforme et les deux conditions de Shannon satisfaites, ce
qui rend cette formule valide, et on s’attend à ce que le signal reconstruit s’identifie au signal
d’origine.
1
On a d’abord, pris des échantillons de = Ts sur un intervalle de temps de 0 à 6, et pour la
fs
reconstruction du signal, nous avions considéré trente valeurs régulièrement espacées de
1
entre deux échantillons successifs.
30 × fs
Script N°3 :
(1) fs=input('donner la fréquence d''échantillonnage fs');
(2) ts=1/fs;
(3) t=0:1/fs:6;
(4) N=length(t);
(5) f=input('donner la fréquence du signal f');
(6) y=sin(2*pi*f*t);
(7) plot(t,y);
(8) t1=0:1/(30*fs):6;
(9) N1=length(t1);
(10) for i=1:N1, y1(i)=0,end
(11) for j=1:N , if((t1(i)-(j*ts))==0) y1(i)=y(j);
(12) break;
(13) else y1(i)=y1(i)+(y1(j)*((sin((pi*(t1(i)-
(j*ts)))/ts))/((pi*(t1(i)-(j*ts)))/ts)));
(14) end ;
(15) plot(t1,y1);
Interprétation du résultat :
Nous avons enregistré ce script sous Matlab avec comme nom :”echs1”, et son exécution a
généré suivants les valeurs de fs et de f les figures suivantes :
Cas où la fréquence d’échantillonnage est très grande devant le double de la plus grande
fréquence composante du signal.
Nous remarquons que le signal a été bien reconstitué à partir de ses échantillons puisque fs>>2 x f.
Ce qui vérifie le théorème de Shannon.