Tfe Math Rheto

éries de Fourier4 érie de Fourier inverse5
1
Collège Saint-Michel
Travail de fin d’études
Est-il possible d’annuler le son

d’une chasse d’eau ?
Joana Vilela, Solène Milcent, Camille Wezel, Eloı̈se Plas
2018-2019
Est-il possible d’annuler le son d’une chasse d’eau ?
Joana Vilela, Solène Milcent, Camille Wezel, Eloı̈se Plas
2018-2019
Table des matières
0.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.1.1 Notions de base de l’onde sonore . . . . . . . . . . . . . . . . . 3
1 L’anti-bruit 6
1.1 Complexité du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Première solution : un haut-parleur . . . . . . . . . . . . . . . . . . . . 8
1.3 Deuxième solution : le casque . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Comment captent-ils les sons ? . . . . . . . . . . . . . . . . . . 10
1.3.2 Comment créent-ils l’anti-son ultra rapidement ? . . . . . . . . 10
2 Masquer le bruit 13
2.1 Introduction à la théorie de Fourier . . . . . . . . . . . . . . . . . . . . 13
2.2 La théorie de Fourier et les polynômes trigonométriques . . . . . . . . 14
2.3 Détermination de la meilleure approximation . . . . . . . . . . . . . . 19
2.4 Les coefficients de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.5 Transformée de Fourier inverse . . . . . . . . . . . . . . . . . . . . . . 25
2.6 La Série de Fourier Discrète (SFD) . . . . . . . . . . . . . . . . . . . . 28
2.6.1 Définition de SFD liée aux sommes de Riemann . . . . . . . . . 28
2.6.2 Inverse de la SFD . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.7 Le masquage du son . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.1 Première solution : le masquage par bruit blanc . . . . . . . . . 32
2.7.2 Deuxième solution : l’optimisation du bruit blanc . . . . . . . . 33
2.7.3 Troisième solution : le masquage par des sons déterminés . . . 34
3 Conclusion 36
1
4 Remerciements 38
5 Bibliographie 39
6 Annexe 43
2
0.1 Introduction
Suite à certaines plaintes, nous avons décidé de nous attaquer à la pollution so-
nore. Il est temps d’essayer d’en finir avec ces bruits qui résonnent à longueur de
journée. L’idée de cette problématique est née d’une discussion entre un de nos pro-
fesseurs et l’un de ses élèves à propos du bruit énervant de la chasse d’eau. Ceux-ci se
plaignaient du manque de démarches pour préserver nos oreilles du boucan quotidien
en comparaison avec las manifestations de réduction des déchets. Qui ne s’est jamais
réveillé à cause de vols d’avion matinaux ou encore d’une sirène d’ambulance criante
au milieu de la nuit. Par ce travail, nous voulons prouver que la pollution sonore est
un véritable domaine d’avenir important à étudier. Comme premier projet d’étude,
nous avons décidé de commencer par annuler le bruit d’une chasse d’eau, un son qui
l’air de rien est assez répétitif tout au long de la journée.
0.1.1 Notions de base de l’onde sonore
Avant d’aborder notre sujet, il semble important de mettre en avant quelques no-
tions de base nécessaires pour la suite de notre travail.
Nous définissions le son comme une forme d’onde, l’onde sonore. Nous distinguerons
ensuite les trois principaux types de sons.
Une onde sonore se définit par la propagation de proche en proche d’un signal à
travers un milieu. Elle se propage notamment dans l’air à travers de multiples colli-
sions entre les particules, d’abord en les comprimant puis en les dilatant. Notons que,
dans le vide, il ne peut y avoir de propagation, donc pas de son.
Lorsque que deux ondes identiques sont additionnées, nous obtenons une amplification
du volume. C’est notamment ce qu’il se passe avec les haut-parleurs. En revanche,
lorsqu’on combine deux ondes inverses l’une par rapport à l’autre, l’onde obtenue est
nulle. Ceci devient plus complexe lorsque des facteurs environnants interviennent, c’est
ce que l’on expliquera en abordant les anti-sons et par le même biais, la complexité
de ce problème.
Dans tous les cas, il est capital de distinguer trois types de sons :
— Le son simple, harmonique ou sinusoı̈dal dont l’oscillogramme est sinusoı̈dal,
est par exemple celui produit par un diapason.
— Le son musical ou son complexe dont l’oscillogramme n’est pas sinusoı̈dal mais
bien périodique, résultant de l’addition de sons simples.
3
— Le bruit qui n’est ni sinusoı̈dal ni périodique. Celui-ci est plus difficile à analy-
ser, c’est pourquoi les séries de Fourier seront fort utiles dans sa décomposition.
Figure 1 – son complexe par addition de sons simples
Figure 2 – oscillogrammes des trois types de sons
Les courbes que nous observons dans ?? sont des oscillogrammes. Elles représentent
l’élongation du son en fonction du temps et permettent notamment de visualiser la
fréquence du son et ainsi que son amplitude.
A ne pas confondre avec les oscillogrammes, il existe aussi les spectres. Le spectre
d’un signal, obtenu par séries de Fourier, indique les caractéristiques en amplitude et
en fréquence des ondes sinusoı̈dales élémentaires qui composent le signal, c’est l’in-
tensité en fonction de la fréquence.
Si les différentes formes d’ondes sonores peuvent se compliquer, elles peuvent heu-
reusement être considérées comme des extensions de la plus simple forme d’onde : la
sinusoı̈de.
La sinusoı̈de Elle possède une série de propriétés :

— La fréquence (f ) représente le nombre de périodes de l’onde par seconde. Elle
est calculée en Hz [1/sec] ; une onde de fréquence de 1 Hz a une période de une
seconde.
4
— La période (T ) est l’inverse de la fréquence. Mesurée en secondes, elle représente
la durée séparant deux répétitions successives d’un même phénomène.
— La longueur d’onde (λ) est la longueur d’une période, calculée en mètres dans
le système métrique international (MKS) et visualisable sur un oscillogramme.
— L’amplitude (A) représente l’écart maximal d’une grandeur variant périodiquement,
son unité est le Pascal.
Figure 3 – Lecture de l’amplitude et de la longueur d’onde sur l’oscillogramme.
— La vitesse (v), ou célérité, correspond au temps nécessaire à un point pour

parcourir la distance entre deux surfaces d’onde identiques, son unité est le
m/s.
— La phase (φ), étant un peu plus complexe, il convient de l’expliquer avec plus
de précision.
Elle correspond à la relation dans le temps entre deux signaux de même
fréquence. Si les deux signaux arrivent au même point en même temps, ils
sont en phase. S’ils arrivent à des moments différents, ils sont déphasés. Sou-
vent, on mesure cette différence de phases à un même instant pour les deux
ondes, mais pas toujours au même endroit de l’espace.
Le déphasage entre deux ondes peut se mesurer comme :
— un angle (en radians ou degrés et même en tours) ;
— un temps (en secondes ou comme un multiple ou une fraction de la période) ;
— une distance (en mètres ou comme un multiple ou une fraction de la lon-
gueur d’onde).
La notion de déphasage n’est cependant pas limitée à des ondes sinusoı̈dales.
On peut parler de déphasage pour tout type d’onde ou phénomène périodique.
[2]
5
Chapitre 1
L’anti-bruit
1.1 Complexité du problème
Nous avons pensé à une première solution : annuler l’onde sonore de la chasse
d’eau. Celle-ci est théoriquement très simple. Il suffirait d’additionner des sons op-
posés pour ne plus rien entendre. Il existe déjà beaucoup de programmes capables
d’enregistrer un son et ensuite de l’inverser. Voici un son de chasse d’eau que nous
avons inversé grâce à Audacity, un programme pour modifier des sons. L’expérience
a porté ses fruits : lorsqu’on écoute les deux ondes simultanément, on n’entend rien
d’autre que le silence.
Figure 1.1 – l’inversion du bruit d’une chasse d’eau
Cependant, si c’était aussi simple que juste inverser un son, toutes nos toilettes se-
6
raient déjà équipées d’un tel dispositif. Concrètement, on a vu qu’une onde sonore
était une perturbation mécanique du milieu dans lequel elle se propage. Connaissant
cela, plusieurs problèmes se posent.
Une vitesse de propagation différente Tout d’abord, la vitesse de propagation

du son est différente en fonction de la température ambiante. La vitesse de propagation
du son augmente si la température augmente. Bien que, dans notre cas, toutes les
maisons aient plus ou moins une température ambiante identique et constante, une
variation de température engendrerait une variation de l’onde à annuler.
Figure 1.2 – la propagation d’une onde sonore en fonction de la température
Une onde perçue différemment en fonction de notre

position Le son est perçu différemment en fonction de la
position de sa source car il ne faut pas oublier qu’il se réfléchit.
Lorsque le son provient d’une source ponctuelle, il n’y a pas
de problème car l’anti-son se propage de la même manière.
Une chasse d’eau quant à elle n’est pas une source ponctuelle Figure 1.3 – la pro-
car elle démarre dans les canalisations. Pour annuler un tel pagation d’une onde
sonore
bruit, plusieurs capteurs seraient nécessaires pour réellement
avoir un silence total.
Une erreur fatale Le fait que l’onde sonore soit un bruit non périodique renforce
la complexité du problème. Si l’anti-son se met en route 1 millième de seconde plus
tard que prévu, il peut provoquer une amplification du son car les amplitudes s’addi-
tionneraient et le son paraitrait alors plus fort.
7
Figure 1.4 – amplification et anti-son
1.2 Première solution : un haut-parleur
Pour émettre l’anti-bruit d’une chasse d’eau, nous avons directement pensé à un
petit appareil qui capterait le bruit, calculerait son inverse puis le diffuserait au
moyen d’un haut-parleur. Cependant, nous avons directement été confrontées à deux
problèmes majeurs. Tout d’abord, il faudrait le placer exactement à la source du bruit
de la chasse qui n’est point ponctuel. En effet, nous entendons l’eau s’agitant dans
la chasse, puis s’écoulant dans la cuvette et ensuite son arrivée par les canalisations
pour remplir à nouveau le réservoir. Tout cela se passe à des endroits différents de
la toilette. Pourquoi, alors, ne pas disposer à chacun d’eux un appareil muni d’un
haut-parleur ?
C’est ici qu’intervient le deuxième problème. Le bruit n’est pas une onde sonore
harmonique et donc le déphaser ne l’annulera pas complètement. Il faut dans un
premier temps l’inverser. Ensuite, le son sera diffusé mais une fraction de seconde plus
tard : il sera déphasé. Pour des sons à fréquence basse, cela n’affectera pas l’annulation
du bruit. En effet, sa longueur d’onde sera de 17m suite au calcul de la vitesse du son
(340m/s) divisé par une fréquence de 20 Hz. Le déphasage n’influencera que très peu
l’opération d’inverse. Par contre, pour ceux à haute fréquence, disons 20000 Hz, nous
obtenons une longueur d’onde de 1.7cm. Dans ce cas, la moindre fraction de seconde
compte.
De plus, en émettant l’anti-son avec un bref retard, à divers endroits de la pièce,
nous entendrons le bruit amplifié ou fortement diminué voire annulé.
Prenons un son complexe comme, par exemple, une alarme. C’est un son harmo-
nique et périodique. Nous remarquons ensuite que déphaser cette somme de sinusoı̈des
ne supprime en aucun cas ce que nous entendons mais l’amplifie.
8
Figure 1.5 – exemple : son alarme, déphasé
Si nous inversons cette somme de sinusoı̈des, nous annulons le son.
Figure 1.6 – exemple : son alarme, inverse
Même si l’appareil parvient à créer son anti-son dans un bref délai, ça ne fonctionnera
pas. Nous remarquons que la deuxième onde sonore s’additionnera à la première et
amplifiera ce que nous entendions déjà. Par conséquence, l’addition d’un son inversé
et déphasé n’annule pas le bruit.
Figure 1.7 – exemple : son alarme, inversé et déphasé
Si cela ne fonctionne pas avec un son complexe harmonique alors comment est-ce que
cela pourrait réussir avec un bruit ?
9
1.3 Deuxième solution : le casque
1.3.1 Comment captent-ils les sons ?
1.3.2 Comment créent-ils l’anti-son ultra rapidement ?
Pour répondre à ces deux questions, il est primordial de définir le son. Le

son est une onde (cfr.figure 1), une vibration mécanique, c’est un mouvement vibra-
toire de molécules. Il est véhiculé dans l’air à une vitesse de 340 m/s et s’atténue avec
la distance. En outre, le son est caractérisé par sa propre fréquence.
Figure 1.8 – Image d’une onde sonore.
Rentrons dans le vif du sujet. Pour atténuer le son, une solution possible
est appelée le contrôle passif du bruit. Cela revient à mettre des obstacles au son, en
mettant une couche de matériau qui atténue plus le son que l’air ambiant. Seulement,
cette option n’est pas toujours efficace.
Une deuxième option, plus commercialisée et davantage utilisée est le contrôle

actif du bruit qui a pour but d’annuler le son. C’est en effet cette option que nous
allons approfondir afin d’en comprendre les différents aspects. A titre de comparaison,
le contrôle actif du bruit isole les sons à basses fréquences contrairement au contrôle
passif qui atténue plutôt les aigus.
A l’origine, cette technologie fut mise au point pour les pilotes d’avion dont
l’ouı̈e est soumise au bruit assourdissant des réacteurs à longueur de journée. Il fallait
en effet trouver une solution leur assurant une protection auditive efficace tout en leur
permettant d’entendre les informations de leur équipage ou de la tour de contrôle. Les
casques anti-bruits furent inventés.
Que contiennent-ils ? Ces types de casques doivent intégrer : un microphone pour
10
capter le bruit, un composant électronique capable de l’analyser, un filtre pour traiter
les différentes données, ainsi qu’un haut-parleur qui émettra le signal correcteur.
Les casques anti-bruits ont cette spécificité particulière d’atténuer le son, voire de
l’annuler. Dotés d’un système ingénieux, ils sont capables de capter l’onde sonore du
bruit ambiant autour de la personne. Cette onde ainsi captée en 1 point peut être
alors inversée. En effet, il est possible de calculer la vibration opposée à celle captée.
Il suffit d’injecter l’onde inverse dans le casque ; en conséquence, les deux vibrations
s’ajoutent, et étant opposées, s’annulent. En sortie du casque audio, il n’y a plus
aucune vibration et l’oreille ne capte aucun son.
Figure 1.9 – Fonctionnement d’un casque antibruit
Cependant, cela est en pratique assez compliqué à mettre en oeuvre pour

deux raisons. La première est qu’il est très difficile d’identifier l’onde exacte reçue
et donc d’ainsi générer le contre-bruit équivalent parfait. En conséquence, un casque
anti-bruit ne donne qu’une impression de bruit atténué et non de silence.
La deuxième raison concerne la vitesse de génération du contre-bruit, ce qui est un
autre problème. Le son se déplace à 340 m/s, ce qui fait qu’entre le moment où le son
est capté par le micro du casque et celui où il atteint le haut-parleur dans le casque,
séparés de quelques centimètres seulement, il n’y a qu’un intervalle très réduit de
temps. Durant ce laps de temps, le bruit ambiant devra être interprété, l’onde inverse
générée et transmise ensuite aux haut-parleurs du casque.
En résumé, le contrôle actif du bruit revient à prélever un bruit et à le réinjecter
inversé. [3]
11
Conclusion
Après toutes ces étapes, nous avons pu réaliser que notre problème n’au-
rait pas une solution aussi simple que prévu. De fait, nous aurions voulu aboutir à
un résultat “parfait”, permettant de supprimer entièrement le bruit de la chasse. Or
d’inévitables obstacles viennent s’opposent à notre but initial, c’est pourquoi il fau-
dra réfléchir à une autre solution, déplacer notre objectif vers quelque chose de plus
plausible, tout en restant efficace.
De manière synthétique, rappelons les problèmes auxquels nous aurions été confrontées
pour l’annulation totale de ce bruit. Cela passait d’une part, par le caractère variable
de la vitesse de propagation du son dans l’air, notamment en fonction des variations
de température, il aurait été difficile d’adapter l’onde produite à tout changement.
D’autre part, nous avons réalisé que l’onde était perçue différemment à différents
endroits de la pièce, elle se réfléchit. Or la source du bruit de la chasse n’est pas
ponctuelle (canalisations, . . . ), ce qui nous empêche d’émettre un simple anti-bruit
à sa source, suivant le même trajet que l’onde originale. Enfin, le son émis par la
chasse d’eau étant considéré comme un bruit, non périodique et non harmonique, il
aurait fallu inverser le bruit perçu “en direct”, avec comme problème le décalage de
son émission, pouvant amplifier le bruit initial au lieu de l’annuler.
Tous ces points constituent de véritables obstacles pour notre première solution : le
haut parleur ne peut être placé à la source du bruit dérangeant car celle-ci n’est pas
ponctuelle. Toutefois, envisager plusieurs hauts parleurs ne serait pas viable, de par
l’inévitable déphasage. Ce retard serait problématique surtout au niveau des hautes
fréquences, ayant des longueurs d’onde plus courtes, plus sensibles, même quand il est
question de minimes déphasages.
Dans le même genre, le casque anti-son par contrôle actif reste impraticable de par le
manque de précision de ses microphones, empêchant la reproduction d’un son inverse
parfaitement adapté. En outre, la vitesse de génération de l’onde opposée devrait
se conformer à un intervalle de temps très réduit, le micro se trouvant seulement à
quelques centimètres du haut parleur.
D’où la réelle nécessité de déplacer notre but initial vers quelque chose de plus plau-
sible, on pensera dorénavant à masquer le son, plutôt que l’annuler. Ainsi, nous pour-
rons toujours régler le problème de l’aspect désagréable du bruit et de l’intensité de
la chasse, tout en évitant les difficultés pratiques d’un dispositif anti-bruit.
12
Chapitre 2
Masquer le bruit
2.1 Introduction à la théorie de Fourier
Puisque notre première solution n’est pas propice pour notre problème, nous
pouvons nous tourner vers la méthode du masquage de notre bruit. Pour cela, il est
impossible de travailler avec un oscillogramme du bruit. Les ingénieurs du son ont donc
mis en place des programmes pour créer un oscillogramme du son. Pour passer d’une
représentation à l’autre, les programmes utilisent la décomposition du son en séries
de Fourier. Les séries de Fourier sont parvenues à approximer une fonction périodique
en une série de fonctions trigonométriques. Voici les oscillogrammes de trois sons de
même fréquence émis par trois instruments différents. On constate qu’il s’agit de sons
complexes, qu’ils sont différents mais de même fréquence. Un son musical est une
somme de sons sinusoı̈daux de fréquence f fondamentale et d’harmoniques dont les
fréquences sont égales à 2f , 3f . . .
13
Figure 2.1 – Oscillogrammes de différents instruments
La décomposition de Fourier permet de trouver la fréquence fondamentale

f et d’ainsi trouver toutes les fréquences harmoniques. Les harmoniques sont toutes
multiples de la fréquence f .
2.2 La théorie de Fourier et les polynômes trigo-

nométriques
Afin de trouver une fonction que nous pouvons facilement étudier, il se-
rait intéressant de l’approximer par une somme de fonctions trigonométriques de
fréquences différentes. Commençons d’abord par quelques notions théoriques.
Définition 2.2.1. Nous dénoterons par Cp l’ensemble des fonctions continues et

périodiques de période 1. Soit,
Cp = {f : R → C, continue et périodique de période 1}
Remarque 1 (Période 1). Nous suivons [1] en ne considérant que les fonctions
périodiques de période 1. Généralement, les mathématiciens présentent les séries de
Fourier en employant des fonctions de périodes 2π. Nous avons choisi de prendre des
fonctions de période 1 car la moyenne de la fonction et l’intégrale coı̈ncident ; nous
verrons par la suite que cela facilitera les calculs. Cependant, nous pouvons ramener
toute fonction périodique à une période 1 par une transformation graphique. Si g(t)
est une fonction de période T , alors on constate que g( Tt ) est de période 1. En outre,
14
Figure 2.2 – Deux fonctions qui ont le même graphe mais de périodes différentes
on travaille uniquement avec des fréquences entières.
Remarque 2. La formule d’Euler nous laisse un choix : travailler avec des fonctions
exponentielles complexes ou avec des fonctions trigonométriques. Nous optons pour la
première solution pour plusieurs raisons.
Premièrement, les nombres complexes sont plus généraux. Grâce aux coefficients de
Fourier complexes, on peut approximer des fonctions à valeurs complexes au lieu de
réelles.
Deuxièmement, les nombres complexes sont plus faciles au niveau des cal-
culs. En voici un exemple : les produits qui se transforment en somme.
eia · eib = ei(a+b)
Troisièmement, les exponentielles complexes peuvent être visualisées plus naturelle-

ment puisqu’elles représentent des mouvements circulaires uniformes.
Figure 2.3 – Représentation d’un nombre complexe
Exemple 1. Étudions par exemple,
P (t) = 4ei2π4t
= 4(cos 2π4t + i sin 2π4t)
15
Il s’agit d’un MCU de centre (0, 0), de sens anti-horloger (4 > 0), de rayon 4, de
déphasage initial 2π et de fréquence 4.
Figure 2.4 – P (t) en rouge à trois instants différents
A partir de cet exemple, nous pouvons conjecturer l’interprétation d’un

polynôme trigonométrique.
Proposition 2.2.2 (Mouvement circulaire uniforme). Soit n ∈ Z0 et cn ∈ C. Considérons

la fonction :
P (t) = cn ei2πnt .
Alors P représente un mouvement circulaire uniforme, centré à l’origine, de fréquence

1
|n|, de période |n| , de rayon |cn | et de déphasage initial qui vaut arg cn . Les cercles
tournent donc de plus en plus vite, lorsque n grandit :
— Si n > 0, la rotation a lieu dans le sens anti-horloger.

— Si n < 0, la rotation a lieu dans le sens horloger.
Démonstration. Le résultat découle immédiatement de la formule d’Euler et de l’in-

terprétation de la multiplication complexe.
P (t) = cn (cos 2πnt + i sin 2πnt)
Remarque 3. La proposition ci-dessus éclaire la raison pour laquelle le cas n = 0 est

toujours traité séparément. Si n = 0, c’est un point immobile : le centre de rotation.
Définition 2.2.3 (Polynôme trigonométrique). Soit P ∈ Cp . On dit que P est un

polynôme trigonométrique de degré N ∈ N s’il existe c−N , . . . , cN ∈ C tels que
N
X
P (t) = cn ei2πnt
n=−N
16
pour tout t ∈ R.
Nous dénoterons par TrigN l’ensemble des polynômes trigonométriques de degré N .
Un polynôme trigonométrique est alors une superposition de mouvements

circulaires uniformes. C’est une combinaison de rotations. Le centre du cercle N se
situe sur le cercle N −1. Donc, tous les cercles tournent les uns autour des autres. P(t)
représente alors la position du dernier point. On peut comparer cette superposition
de MCU avec le mouvement de la Lune qui tourne autour de la Terre, qui tourne
elle-même autour du Soleil.
Exemple 2.
4
X
P (t) = cn ei2πnt
n=0
= c0 + c1 ei2πt + c2 ei2π2t + c3 ei2π3t + c4 ei2π4t
Figure 2.5 – Exemple d’un polygone trigonométrique
Les séries de Fourier sont notamment utilisées pour la compression d’images.

2.5 est une image de la superposition de MCU.
Lemme 2.2.4. Soit n ∈ N0 . Alors an , bn , cn , c−n ∈ C sont tels que
an cos(2πnt) + bn sin(2πnt) = cn ei2πnt + c−n e−i2πnt
17
Figure 2.6 – Homer dessiné grâce aux coefficients de Fourier
si et seulement si
 
an = i(cn − c−n ) cn = bn +ian
2
⇐⇒
b = c + c c = bn −ian
n n −n −n 2
Démonstration. Soit,
cn ei2πnt = cn [cos(2πnt + i sin(2πnt)] + c−n [cos(2π(−n)t + i sin(2π(−n)t)]

= cn [cos(2πnt + i sin(2πnt)] + c−n [cos(2πnt − i sin(2πnt)]
Puisque cos est paire et que sin est impaire.
 
 a = 2 · c0  c = a20
 0  0

 

an = i(cn − c−n ) et cn = bn +ia
2
n

 


b = (c + c ) c = bn −ian

n n −n −n 2
pour tout n ≥ 0
Remarque 4. Ce résultat prouve, en outre, que les coefficients an et bn sont à valeurs

réelles si et seulement si c−n = cn car leur partie imaginaire doit être nulle si cn =
a + bi .
Du lemme 2.2.4, on déduit aisément la proposition suivante :
Proposition 2.2.5. Une fonction P ∈ Cp est un polynôme trigonométrique de degré

N si et seulement si on peut trouver a0 , a1 , b1 , . . . , an , bn ∈ C tels que
N
X
P (t) = a0 + (an cos(2πnt) + bn sin(2πnt))
n=1
18
Les propriétés des séries de Fourier reposent sur la propriété suivante, aussi
appelée l’orthogonalité.
Proposition 2.2.6 (Position moyenne d’un mouvement circulaire uniforme). Soit

n ∈ Z. Alors

Z 1 1 si n = 0
ei2πnt dt =
0 0 sinon.
Démonstration. Si n = 0, alors
Z 1
e0 dt = 1
0
Si n 6= 0, alors,
Z 1 h ei2πnt i1
ei2πnt dt = =0
0 i2πnt 0
Remarque 5. Nous avons montré que ces polynômes trigonométriques peuvent être
vus comme une superposition de mouvements circulaires uniformes. La position moyenne
d’un mouvement circulaire uniforme sur un nombre entier de périodes centré en 0 est
toujours 0. Ceci est le cas pour tout n, sauf quand n = 0 car dans ce cas, il n’y a
pas de mouvement. La moyenne d’une fonction réduite à un point est ce point lui-
même. Nous pouvons d’ailleurs interpréter l’intégrale de la fonction comme la position
moyenne sur n périodes d’un mouvement circulaire uniforme.
2.3 Détermination de la meilleure approximation
Maintenant que nous avons parcouru un peu de théorie, nous pouvons nous
pencher sur notre véritable question : quels sont les coefficients de Fourier qui offrent la
meilleure approximation d’une fonction ? Avant de le prouver formellement, essayons
d’abord d’en donner une conjecture de manière intuitive.
Si
N
X
f (t) = c0 + cn ei2πnt ,
|n|≥1
alors, il s’agit d’une superposition de mouvements circulaires uniformes. Et nous pou-

vons facilement remarquer que la moyenne d’un mouvement circulaire uniforme est
son centre. Donc pour trouver c0 , la position moyenne semble être un bon candidat
19
sur un nombre entier de périodes. En effet, en passant à la moyenne :
Z 1 Z 1 N
X
f (t) dt = c0 + cn ei2πnt dt
0 0 |n|≥1
Par la propriété 2.2.6 démontrée précédemment,

Z 1
c0 = f (t) dt
0
Pour trouver le centre cn d’un cercle, on peut faire un décalage fréquentiel de l’ap-
proximation. Soit le polynôme
N
X
f (t) · e−i2πkt = cn ei2π(n−k)t
|n|
En intégrant des deux côtés et de manière analogue que pour c0
Z 1 Z 1 N
X
f (t) · e−i2πkt dt = cn ei2π(n−k)t dt = ck
0 0 |n|≥1
Pour tout k = n
PN
Donc, les coefficients du polynôme P (t) = n=−N ei2πnt sont :
Z 1
cn = f (t) · e−i2πnt dt
0
Pour prouver de manière formelle l’approximation de notre fonction par un

polynôme P appartenant à TrigN , nous devons encore définir la distance sur deux
fonctions et la dérivée partielle.
Définition 2.3.1 (Dérivée partielle). La dérivée partielle d’une fonction de plusieurs

variables est sa dérivée par rapport à l’une de ses variables, les autres étant gardées
∂d
inchangées. Nous noterons ∂cn la dérivée partielle de la fonction d par rapport à la
variable cn .
Distance entre deux fonctions Pour connaı̂tre la distance entre deux fonctions,
nous pouvons utiliser la moyenne quadratique, dont l’utilisation est motivée de la
même manière qu’en statistiques.
Définition 2.3.2 (Distance en moyenne quadratique). Soient f, g ∈ Cp . On définit
20
leur distance en moyenne quadratique par
s
Z 1
def
d(f ; g) = |(f (t) − g(t)|2 dt.
0
Nous utiliserons en pratique le carré de la distance car minimiser la distance

carrée, c’est la même chose que minimiser la distance. D’autre part, nous utiliserons
le carré du module de la différence des deux fonctions car si nous le dérivons, nous
tombons sur une fonction du premier degré. Nous utiliserons la dérivée pour minimiser
la distance entre deux fonctions.
Meilleure approximation Il est maintenant nécessaire de définir la notion de

meilleure approximation.
Définition 2.3.3 (Meilleure approximation). Soit f ∈ Cp . On dit que SN f ∈ TrigN

est la meilleure approximation de f dans TrigN si SN f est l’élément de TrigN le plus
proche de f au sens de la distance en moyenne quadratique :
d(SN f, f ) = min d(P, f ).

P ∈TrigN
Lemme 2.3.4 (Parseval pour TrigN ). Soit P ∈ TrigN le polynôme trigonométrique
N
X
P (t) = cn ei2πnt .
n=−N
Alors P vérifie l’identité de Parseval suivante :
Z 1 N
X
|P (t)|2 dt = |cn |2
0 n=−N
Démonstration.
N
! M
!
Z 1 X X
i2πnt −i2πmt
cn e · cm e dt
0 −N −M
n,m=N
X Z 1 N
X
= cn cm ei2π(n−m)t = |cn |2
n,m=−N 0 n=−N
Puisque par la proposition 2.2.6, ce dernier terme à une valeur non-nulle, uniquement
si n = m.
Proposition 2.3.5 (Coefficients de la meilleure approximation). Soit f ∈ Cp . Si le
21
polynôme trigonométrique
N
X
P (t) = cn ei2πnt
n=−N
est la meilleure approximation de f dans TrigN , alors les coefficients cn sont donnés
par
Z 1
cn = f (t)e−i2πnt dt
0
pour chaque n = −N, . . . , N .
Démonstration. En calculant la distance carrée entre f et P , on obtient

Z 1
d2 (f, P ) = (f (t) − P (t)) f (t) − P (t) dt,
0
puisque |z|2 = zz. En distribuant, nous obtenons

Z 1 Z 1 Z 1 Z 1
2 2 2
d (f, P ) = |f (t)| dt − f (t)P (t) dt − P (t)f (t) dt + |SN f (t)| dt.
0 0 0 0
En remplaçant P (t) par son expression et en appliquant l’identité de Par-

seval (lemme 2.3.4) au dernier terme du membre de droite, on obtient
Z 1 N Z 1 Z 1
f (t)2 dt +
X
d2 (f, P ) = f (t)e−i2πnt dt − cn f (t)ei2πnt dt + cn cn .

−cn
0 n=−N 0 0
Puisque les coefficients cn minimisent d(f, P ), ils minimisent également

2
d (f, P ). Puisque cette dernière est dérivable par rapport aux variables cn et cn ,
les dérivées partielles par rapport à ces variables s’annulent, et en particulier
1
∂d2 (f, P )
Z
0= =− f (t)e−i2πnt dt + cn
∂cn 0
Les coefficients de P sont alors donnés par :

Z 1
cn = f (t)e−i2πnt dt.
0
22
2.4 Les coefficients de Fourier
Prouvée de deux manière différentes, nous sommes maintenant convaincus

de la valeur de la meilleure approximation de la fonction. Nous pouvons, dès lors,
introduire les coefficients de Fourier.
Définition 2.4.1 (Coefficient de Fourier). Soit une fonction f ∈ Cp , n ∈ Z. On

définit le nième coefficient cn de Fourier par :
Z 1
def
fˆ(n) = f (t)e−i2πnt dt
0
Nous pouvons par exemple calculer les coefficients de Fourier de la fonction

suivante :



 0 si − 2 ≤ t < −1

fp (t) = 1 si − 1 ≤ t < 1 (2.1)



0 si1 ≤ t < 2
Les coefficients de Fourier valent :
Z T
1 2
cn = F (n) = fp (t)e−iπnωt dt
T −T
2
1 h eiπnωt i1 1 1 π π
= = (e−in 2 − ein 2 )
4 −inω −1 4 −in π2
1 1 −i2πn
= (e − ei2πn )
nπ 2i
sin n π2
=
nπ
En particulier, nous avons
23
(−1)k
F (0) = 12 , F (2k) = 0, F (2k + 1) = (2k+1)π , ω= π
2
Définition 2.4.2 (Harmonique d’un signal). Si n > 0, on appelle harmonique de

rang n et noté Hn (f ) la fonction sinusoı̈dale de fréquence nF = |n| obtenue en tenant
compte des coefficients de Fourier d’indice n et –n, donnée par :
Hn : t 7→ cn f ei2πnt + c−n f e−i2πnt
Définition 2.4.3 (Somme partielle de Fourier). La somme partielle de Fourier de

rang N , SN f , est obtenue en sommant les harmoniques successives jusqu’à N, soit :
N
X
SN f (t) = cn ei2πnt
n=−N
Par la proposition 2.3.5, SN f est la meilleure approximation d’une fonction

f ∈ Cp dans TrigN au sens de la distance en moyenne quadratique.
Remarque 6. Généralement, la formule de Fourier est présentée sous forme de sinus

et de cosinus mais nous avons vu précédemment que nous pouvons facilement passer
de l’un à l’autre.
De plus, ici, nous travaillons sur des fonctions de période 1 mais nous pou-
vons facilement ramener une fonction de période T à une période de 1.
Proposition 2.4.4. Soit f, une fonction de période T. Sa somme partielle de Fourier

de rang N sera telle que :
N
2πn
X
SN f (t) = cn e i T t
n=−N
N N
X 2πnt X 2πnt
= a0 + an cos( )+ bn sin( ),
n=1
T n=1
T
où
 RT 2πnt


cn = T1 0 f (t)e−i T t dt

a0 = 2 R T f (t) dt


T 0
an = T2 0T f (t) cos( 2πnt

R
T ) dt




b = 2 R T f (t) sin( 2πnt ) dt

n T 0 T
[4]
24
2.5 Transformée de Fourier inverse
Après avoir étudié les coefficients de Fourier, on pourrait se demander s’il

est possible de refaire la même chose dans l’autre sens, c’est-à-dire, est-il possible de
reconstruire un signal à partir des coefficients ? Pour ce faire, nous avons besoin de
savoir si notre approximation est adéquate en tout point et pas seulement en moyenne
quadratique. Nous allons tenter de prouver qu’il est possible de trouver la fonction
correspondant à sa série de Fourier. Tout d’abord, commençons par les mauvaises
nouvelles. Le théorème de Banach-Steinhaus nous affirme l’existence d’une fonction
différente de son approximation par les coefficients de Fourier.
Théorème 2.5.1 (Banach-Steinhaus). Il existe une fonction f ∈ Cp telle que
N
X
f (t) 6= fˆ(n) · ei2πnt
n=−N
pour un certain t ∈ R
Ceci prouve donc que nous devons aller plus loin dans le théorie pour trouver
une autre expression pour aller dans l’autre sens. En effet, l’approximation est toujours
la meilleure au sens de la moyenne quadratique pour notre fonction mais la fonction
n’est pas toujours égale à son approximation. Pourtant, les séries de Fourier sont
utilisées dans une série de domaines allant de la musique au traitement d’images. Des
mathématiciens se sont donc penchés sur la question et sont arrivés à la conclusion
suivante. Il est possible de retrouver une fonction à partir de ses coefficients de Fourier
à deux conditions :
1. Introduire les fréquences de plus en plus lentement
2. Imposer plus de régularité de la fonction
La première proposition se réfère au théorème de Féjèr et la deuxième au théorème
de Dirichlet.
Théorème 2.5.2 (Théorème de Féjèr). Pour tout f ∈ Cp , pour tout t ∈ [0, 1],
f (t) = lim σN f (t)

N →∞
où σN f (t) vaut :
N
X |n| ˆ
σN f (t) = 1− f (n)ei2πn(t)
N +1
n=−N
Remarque 7. Introduire les fréquences de plus en plus lentement consiste à dire

que les fréquences élevées sont de plus en plus réduites. Comparons par exemple les
25
valeurs de fréquence 1 et de fréquence 1000 pour une fréquence maximale de 1100.
n=1
1
1− fˆ(1)
1100 + 1
1100 ˆ
= f (1) ≈ fˆ(1)
1101
n = 1000
1000 ˆ
1− f (1)
1100 + 1
101
= fˆ(1)
1101
| {z }
forte atténuation
On s’aperçoit facilement que plus n est grand, plus le terme de fréquence n est mo-
difié. De manière plus théorique, on comprend que le terme de rang 0 est celui des
1
coefficients de Fourier alors que le N ième terme est multiplié par N +1 .
Théorème 2.5.3 (Théorème de Dirichlet). Si f ∈ Cp est dérivable et f 0 ∈ Cp , alors
f (t) = lim SN f (t)

N →∞
Pour tout t ∈ [0, 1].
On peut apercevoir une forte ressemblance entre les deux théorèmes et ils
se prouvent d’ailleurs de manière analogue. La preuve étant difficile à notre niveau,
nous avons décidé d’en réaliser un début mais pour une preuve plus complète voir [5].
Démonstration. Essayons d’esquisser une preuve.

1. La première étape consiste à passer d’une somme à une intégrale.
Théorème de Dirichlet on peut prouver par calcul qu’il vaut :

N
X sin(n + 21 x)
SN f (t) = fˆ(n)ei2πnt Dn (t) =
sin( 2t )
n=−N
Z 1
= f (s)DN (t − s) ds
0
DN est appelé noyau de Dirichlet et
26
Théorème de Féjèr FN est appelé noyau de Féjèr et vaut :
N N −1
X N + 1 − |n| ˆ X 1
σN f (t) = f (n)ei2πnt FN (t) = Dn (t)
N +1 n=0
N
n=−N
Z 1
= f (s)FN (t − s) ds
0
(a) Tracé des premiers noyaux de Dirichlet (b) Tracé du noyau de Féjèr à différents ordres
2. Remarquons l’analogie entre ces deux intégrales et une moyenne uniforme. En

effet, ces deux égalités ressemblent à des moyennes sous forme d’intégrale.
Z b
1
f (s)
a b−a
1
Ici le noyau serait b−a . Contrairement aux noyaux que nous étudions chez Féjèr
et Dirichlet, celui-ci est constant. On peut donc parler de moyenne uniforme
tandis que chez Féjèr et Dirichlet, les intégrales ne sont pas des moyennes
uniformes et donnent plus de poids aux valeurs plus petites. On parle alors de
moyennes pondérées. D’ailleurs pour les deux noyaux, les valeurs sont les plus
grandes en 0.
3. Regardons maintenant quelle est la moyenne quand N tend vers l’infini.
Z 1 Z 1
f (s)DN (t − s) ds et f (s)FN (t − s) ds
0 0
donnent plus de poids aux valeurs où t − s se rapprochent de 0, autrement dit quand
t tend vers s. Et donc en passant à la limite :
Théorème de Dirichlet Pour pouvoir passer ici à la limite, on doit

Z 1 imposer que f soit régulière.
lim f (s)DN (t − s) ds
N →∞ 0
= f (t)
27
Théorème de Féjèr Pour pouvoir passer ici à la limite, on uti-
Z 1
lise le fait que KN est positif.
lim f (s)FN (t − s) ds
N →∞ 0
= f (t)
Remarque 8. C’est lors de ce passage à la limite qu’il peut y avoir des problèmes.
Si les deux conditions précisées ci-dessus ne sont pas respectées, alors, nous sommes
dans le cas du théorème 2.5.1.
Il est donc possible de reconstituer un signal à partir des coefficients en

admettant plus de régularité de la fonction ou en introduisant les fréquences élevées
de plus en plus lentement. En pratique, la deuxième solution prend énormément de
temps et c’est pourquoi les informaticiens se tournent plus vers la première solution.
2.6 La Série de Fourier Discrète (SFD)
La Série de Fourier est l’outil mathématique qui transforme toute fonction

périodique en une série de coefficients exponentiels complexes à fréquences croissantes.
Elle donne un nombre de coefficients infini. En tant qu’outil purement mathématique,
elle se calcule uniquement sur une fonction. Toutefois, les ordinateurs utilisent, entre
autres, une implémentation des Séries de Fourier appelée les Séries de Fourier Discrètes
(SFD). La SFD permet de transformer un signal du domaine temporel (mesure selon
une base de temps) en un signal dans le domaine fréquentiel (mesure selon une base de
fréquences). En d’autres mots cette dernière se calcule sur un nombre fini de points
car les ordinateurs ne peuvent travailler qu’avec un nombre discret de valeurs. De
plus, ils ne peuvent pas calculer des intégrales. La Figure 2.8 illustre ce qui vient
d’être dit. Voici donc une approximation numérique des Séries de Fourier.
La SFD est par ailleurs utilisée lorsque nous travaillons avec des suites
numériques sans lien avec un signal physique, pour définir une représentation de la
suite sur une base de fonctions fréquentielles.
NB : ne pas confondre avec la transformation de Fourier rapide qui est un algorithme parti-
culier de calcul de la SFD.
2.6.1 Définition de SFD liée aux sommes de Riemann

Rappelons que nous avons défini les séries de Fourier précédemment comme suit :
Z 1
def
fˆ(n) = f (t)e−i2πnt dt
0
28
Figure 2.8 – traitement d’un signal
A partir de maintenant, nous considérons une subdivision régulière fixée

k
d = {M , k = 0, ..., M }
Définition 2.6.1. (Série de Fourier Discrète)

Soit f ∈Cp , n nombre entier, dr [0,1].
Nous définissons la SFD par
M −1
1 X k k
fˆ[n] = f ( )e−i2nπ M
M M
k=0
k
Remarque 9. La SFD correspond à la Somme de Riemann de la fonction f (t)e−i2π M de
division d (fixée précédemment) et de répartition gauche.
Remarque 10. Par définition d’intégrabilité :
fˆ(n) = lim fˆ[n]

M →+∞
c’est-à-dire
M −1
1 X k k
fˆ(n) = lim f ( )e−i2nπ M
M →+∞ M M
k=0
En effet plus on prend de grands M plus on s’approche du coefficient de Fourier.
Pour les séries de Fourier, nous avons déterminé son coefficient afin d’obtenir la
meilleure approximation. Nous l’avons précédemment prouvé dans la Proposition 2.3.5 (page
21). Soit n ∈ Z. Alors

Z 1 1 si n = 0
ei2πnt dt =
0 0 sinon.
Cela s’applique aussi à la SFD.
Proposition 2.6.2 (Position moyenne). En analogie avec les Séries de Fourier, essayons
29
d’obtenir la meilleure approximation pour la SFD.

M −1 1
1 X i2πn M
k si n = 0
e =
M 0 sinon.
k=0
Démonstration.
M −1 M −1
1 X k X k
|f ( − cn ei2πn M |2
M M n=0
k=0
avec cn = fˆ[n]
1
car en considérant q = ei2πn M qui vaut 1 lorsque n=0
M −1
1 X k 1 1 − qM
q = =0
M M 1−q
k=0
De cette formule, nous en déduisons comme avant que les coefficients fˆ[n] mini-
misent l’erreur en moyenne quadratique.
Remarque 11. (Illustration) Illustrons la différence graphique entre la SFD et les Séries de
Fourier. Ce sont tous les deux des mouvements circulaires uniformes mais dans le cas de la
SFD, nous ne prendrons qu’un nombre fini de points (M). Par conséquent, lorsque M tend
vers l’infini, le coefficient de la SFD devient quasi égal au coefficient de Fourier. Les figures
2.9 et 2.10 représentent bien ce phénomène.
Figure 2.9 – Exemple d’un polygone trigonométrique
2.6.2 Inverse de la SFD
Puisque nous avons l’orthogonalité, nous pouvons démontrer facilement le théorème

suivant.
30
Figure 2.10 – Exemple appliqué à la SFD
Théorème 2.6.3. Soit f ∈Cp . Alors,
M −1
k X k
ˆ i2πn M
f( )= f [n]e
M n=0
Pour tout nombre entre k = 0 et M − 1,
Démonstration.
M M −1 M −1
X k X 1 X l l k
fˆ[n]ei2πn M = f ( )e−i2πn M ei2πn M
n=−M n=−M
M M
l=0
−1 M1
M
!
X l 1 X i2πn (k−l)
= f( ) e M
M M n=−M
l=0
k k
= f( ).1 = f ( )
M M
car grâce à l’orthogonalité démontrée précédemment, nous pouvons affirmer que


M −1 1
1 X i2πn (k−l) si k = l
e M =
M n=−M 0 sinon.
Ceci conclut la partie mathématique de notre projet. Nous vous avons donné un
aperçu des opérations que l’ordinateur effectue lorsqu’il reçoit un signal. Il le traite grâce
aux algorithmes qui utilisent les Séries de Fourier et la SFD.
[5]
31
2.7 Le masquage du son
Plusieurs étapes devront être franchies avant d’aboutir à un masquage optimal.
Avant tout, il faudra réaliser un découpage fréquentiel du bruit que l’on cherche à masquer.
Dans notre cas, il s’agit du bruit d’une chasse d’eau. Pour le faire, nous aurons recours à
deux logiciels. Tout d’abord, nous utilisons Adobe Audition, nous permettant de visualiser
le spectre et le spectrogramme, grâce à l’outil de la SFD. Ensuite, nous utilisons Izotope
RX afin de cloner le spectre que l’on cherche à masquer, permettant ensuite de faire les
superpositions avec les spectres des bruits masquants.
Rappelons que le spectre d’un signal, indique les caractéristiques en amplitude et

en fréquence des ondes sinusoı̈dales élémentaires qui composent ce signal, cela exprime donc
l’intensité en fonction de la fréquence. En analysant ce spectre, nous voyons que ses plus
hautes fréquences effleurent les 15kHz.
Figure 2.11 – Spectre du bruit de la chasse d’eau
2.7.1 Première solution : le masquage par bruit blanc
Le masquage est un procédé qui consiste à superposer un son sur un autre, venant
englober totalement celui que l’on cherche à masquer. Le son utilisé devra dès lors avoir un
spectre similaire, comprenant la même rangée de fréquences, avec des intensités dépassant
celles du son original.
32
L’approche la plus évidente serait de prendre le bruit blanc et de le superposer
au bruit que l’on cherche à masquer. De fait, le bruit blanc est, par définition, un son com-
portant toutes les fréquences du spectre, de 20Hz à 20kHz. En utilisant le bruit blanc, nous
sommes sûres de masquer l’entièreté de notre son initial, à condition de prendre des inten-
sités suffisamment élevées.
Figure 2.12 – Spectre du bruit blanc
Comme nous pouvons l’observer ci-dessus, le spectre bruit blanc vient couvrir
l’entièreté du spectre de la chasse d’eau. Toutefois, il ne l’englobe pas de façon optimale. De
fait, toutes les fréquences du bruit de la chasse d’eau n’atteignent pas la même intensité.
Néanmoins, on voit que le bruit blanc a pour caractéristique de maintenir la même intensité
sur tout le spectre, en vert sur l’image. Or, il est clair qu’une intensité si élevée n’est pas
nécessaire pour masquer certaines fréquences moins intenses de notre son. Cela impliquerait
d’avoir un résultat global plus fort que l’original, peu enviable. Cette solution n’est donc pas
idéale.
2.7.2 Deuxième solution : l’optimisation du bruit blanc
Pour remédier au problème de l’intensité trop élevée, il nous suffit de diminuer

l’intensité des fréquences moins fortes dans notre son original, au niveau du bruit blanc.
Nous allons donc optimiser le spectre du bruit blanc, de manière à avoir un résultat moins
fort, longeant mieux le son de la chasse d’eau. Nous voyons, en rouge, le spectre du son de
33
la chasse et, en vert, celui du bruit blanc. C’est un résultat nettement plus satisfaisant que
le précédent.
Figure 2.13 – Spectre du bruit blanc modifié
Toutefois, un problème perdure pour le bruit blanc, il s’agit en effet d’un son peu
agréable à l’oreille. Nous doutons qu’il améliore celui de la chasse d’eau. D’où l’envie de
rechercher des sons plus plaisants, permettant un masquage tout aussi efficace.
2.7.3 Troisième solution : le masquage par des sons déterminés
Grâce aux renseignements que nous avons pu recueillir sur notre son original, il
est possible de rechercher des alternatives tout aussi efficaces, mais plus douces. De fait, le
bruit blanc n’est pas le seul son couvrant la même rangée de fréquences que notre bruit de
chasse. En utilisant la base de données myNoise [7], développée par Stéphane Pigeon, nous
avons pu trouver quelques sons alternatifs, permettant de couvrir notre bruit initial. Nous
avons fait l’expérience avec le bruit de la côte irlandaise, de la pluie et de la jungle. Bien
sûr, comme pour le bruit blanc, il a fallu adapter le spectre à celui du son que l’on cherche
à masquer. Des modifications ont donc été faites pour aboutir à une enveloppe optimale du
bruit de la chasse.
Comme nous pouvons le remarquer, tous se trouvent bien au dessus du spectre

rouge, celui de la chasse, et couvrent toutes les fréquences nécessaires. Le son de la chasse
est bel et bien masqué dans ces quatre cas de figure. Le choix du son masquant pourra donc
être fait sur base des préférences de chacun. [?]
34
Figure 2.14 – Spectres de tous les sons confondus
35
Chapitre 3
Conclusion
Il est maintenant l’heure de finaliser notre travail de fin d’études qui se prépare
depuis le début de l’année. Ce premier travail de fin d’études nous a permis d’étudier
une problématique axée sur les Mathématiques et la Physique, ce qui fut intéressant sous
différents aspects. Le travail de groupe vient d’emblée à l’esprit, l’organisation d’un tel tra-
vail, aussi nouveau soit-il pour nous, jeunes rhétoriciennes, l’apprentissage d’un nouveau
logiciel Latex, pas si facile à manipuler mais également et principalement la recherche de
solutions à notre problématique ; l’annulation du bruit insupportable d’une chasse d’eau.
Nous avons trouvé amusant de pouvoir s’intéresser à un aspect de notre quotidien dans le
cadre d’un travail de fin d’études. Maintenant que nous vous avons exprimé notre sentiment
sur notre travail, nous allons conclure l’étude de notre problématique.
A l’issue de nos recherches, expériences ou encore rencontres, nous avons conclu que la
meilleure option pour rendre le bruit de la chasse d’eau plus agréable était l’option du mas-
quage du bruit.
En effet, l’idée de départ, très optimiste, visant à annuler totalement le bruit s’est avérée im-
possible. Trois raisons principales aboutissent à ce raisonnement. La première fait référence
au caractère variable de la vitesse de propagation du son dans l’air, notamment en fonction
des variations de température. Par conséquent, nous avons rapidement compris qu’il aurait
été difficile d’adapter l’onde produite à tout changement. La deuxième raison est en lien
avec le problème de la source de l’onde sonore. Celle-ci est perçue différemment à différents
endroits de la pièce car elle se réfléchit. Dans notre cas précis, la source du bruit de la chasse
n’est pas ponctuelle (canalisations, . . . ), ce qui nous empêche alors d’émettre un simple anti-
bruit à sa source, suivant le même trajet que l’onde originale. Enfin, la non-périodicité du
son émis par la chasse d’eau constitue la troisième raison. Pour faire face à cet obstacle,
il aurait fallu inverser le bruit perçu “en direct”. Seulement, c’est très compliqué et risqué
car un retard d’un millième de seconde entraı̂ne directement un déphasage de l’émission de
l’onde inverse pouvant amplifier le bruit initial au lieu de l’annuler.
36
En étudiant ces trois facteurs rendant impossible notre idée de départ, nous nous sommes
rendues à l’évidence que nous allions devoir déplacer notre but initial vers quelque chose de
plus réaliste. Le masquage du bruit, au lieu de son annulation, nous a directement intéressées
car cette deuxième solution permet aussi bien de compenser l’aspect désagréable du bruit
que l’intensité de la chasse, tout en évitant les difficultés pratiques d’un dispositif d’anti-
bruit. Avec l’aide de M. Pigeon et de ses connaissances sur le son ainsi que de ses logiciels
performants, nous avons eu l’opportunité d’expérimenter concrètement le masquage du bruit
d’une chasse d’eau par plusieurs sons au choix, notamment des sons perçus dans la jungle,
sur les côtes irlandaises ou encore la pluie. Un masquage optimal s’obtient après avoir franchi
plusieurs étapes. Le découpage fréquentiel du bruit que l’on cherche à masquer est d’abord
nécessaire. Il est réalisé à l’aide d’un logiciel qui utilise la SFD pour réaliser la décomposition
et aboutir au diagramme spectral. Ensuite, un masquage optimal rendant plus plaisant le
bruit que nous cherchons à atténuer s’effectue par des sons déterminés tels que ceux ayant
été cités plus haut. Nous aurions pu choisir de nous arrêter au masquage du bruit par le bruit
blanc, ou encore à son optimisation mais le résultat n’aurait pas été aussi agréable sans être
plus efficace pour autant.
Pour conclure, nous serions ravies de parvenir à mettre au point et appliquer en réalité
le masquage du bruit de la chasse d’eau, ce qui sera notre mot de fin.
37
Chapitre 4
Remerciements
Nous tenons particulièrement à remercier, tout d’abord, Monsieur Bolly ainsi que
Madame Magos, nos professeurs de Mathématiques, pour avoir encadré notre TFE ainsi que
pour leurs précieux conseils.
Nous remercions également Monsieur Pigeon pour avoir pris le temps de répondre
à toutes nos questions et nous avoir aidées à aborder notre sujet. Nous le remercions pour
son aide précieuse qui nous a permis d’entrée de saisir les deux grandes parties de notre TFE.
D’ailleurs, pensez à aller voir Mynoise, un site formidable accessible à tous, qu’il a conçu
pour nous permettre de nous relaxer, de nous concentrer en nous plongeant dans différents
lieux agréables à l’exemple de la jungle, des côtes irlandaises ou encore de la pluie.
Nous remercions Monsieur Nguyen [?], un grand génie passionné par l’étude du
grand Mathématicien Fourier, pour son exigence et son implication au sein de notre TFE
qui nous a permis de comprendre et d’écrire la théorie relative aux séries de Fourier avec
précision et rigueur.
Nous n’oublions pas de remercier Diego de Patoul sans qui nous n’aurions peut-
être jamais eu l’idée d’axer notre TFE sur le fameux bruit de la chasse d’eau.
Enfin, nous remercions les parents d’Eloı̈se qui nous ont accueillis plus d’une fois
afin que nous progressions dans notre TFE.
Milcent Solène
Plas Eloı̈se
Vilela Joana
Wezel Camille
38
Chapitre 5
Bibliographie
39
Bibliographie
[1] Augusto Ponce, Jean Van Schaftingen, Analyse mathématique 3 : Equations, suites et
séries de fonctions, intégrale, 2015-2016.
[2] https ://deveniringeson.com/phase-et-polarite-audio/ (20/10/18)

https ://hal.archives-ouvertes.fr/hal-01616690/document (29/10/18)
https ://www.youtube.com/watch ?v=30BJVGwdict=422s (20/10/18)
https ://www.iro.umontreal.ca/ mignotte/IFT3205/ComplementCours/ModelisationDuSon2.pdf
(29/10/18)
http ://www.academie-en-ligne.fr/ressources/7/sp03/al7sp03tepa0013-sequence-01.pdf
(10/11/18)
[3] https ://fr.quora.com/Comment-fonctionne-le-contrhttps ://www.officeeasy.be/fonctionnement-

casque-antibruit-actifhttps ://hal.archives-ouvertes.fr/hal-01616690/document
(15/01/19)
https ://www.officeeasy.be/fonctionnement-casque-antibruit-actif/ (08/11/18)
https ://www.jabra.fr/articles/noise-cancelling-technology (08/11/18)
[4] Série de Fourier et Applications ; 2011 ; A. Etesse, F. Jacobs et J. Zhang

http ://lumimath.univ-mrs.fr/ jlm/cours/fourier/fouriersos.htm. (10/11/18)
https ://cdn.uclouvain.be/public/Exports(10/11/18)
https ://www.youtube.com/watch ?v=eOehH6H42Es (29/10/18)
http ://lumimath.univ-mrs.fr/ jlm/cours/fourier/fouriersos.htm (10/11/18)
https ://fr.coursera.org/lecture/physique-optique/des-series-aux-transformees-de-
fourier-1-2-XUZ4V (10/11/18)
https ://www.coursera.org/lecture/physique-optique/analyse-de-fourier-d-un-signal-
sonore-3-3-klxaK (10/11/18)
http ://lumimath.univ-mrs.fr/ jlm/cours/fourier/ (10/11/18)
https ://www.futura-sciences.com/sciences/definitions/mathematiques-transformee-
fourier-11880/ (10/11/18)
http ://xymaths.free.fr/BTS/Cours-Series-Fourier-Calculs-IPP/Calculs-Series-
Fourier.php1erEx (28/02/19)
40
[5] Université de Grenoble, Analyse de Fourier 2, http ://www-cs-
faculty.stanford.edu/ uno/abcde.html
(25-04-2019)
[6] https ://fr.wikipedia.org/wiki/TransformationdeFourierdiscrète (24/02/19)
https ://perso.esiee.fr/ bercherj/New/polys/polytfd.pdf (24/02/19)
http ://perso.univ-lemans.fr/ berger/SignalMP2/TFD/co/tfd.html (24/02/19)
https ://mynoise.net/about.php (24/02/19)
http ://www.f-legrand.fr/scidoc/srcdoc/numerique/tfd/periodique2/periodique2-
pdf.pdf (10/03/19)
http ://www.robots.ox.ac.uk/ sjrob/Teaching/SP/l7.pdf (10/03/19)
[7] https ://mynoise.net/ (14/04/19)
[8] Captures d’écran directement prises de l’ordinateur de Stéphane Pigeon lors de nos
différents essais de masquage.
[9] Ses précieuses connaissances mathématiques sur Fourier et sa grande rigueur.
41
Annexes
42
Chapitre 6
Annexe
“Tignem regunt numeri”, ce qui signifie “Ainsi donc les nombres régissent le feu”
est la devise choisie par Fourier pour sa théorie analytique de la chaleur publiée en 1822.
Français, de son prénom Joseph, Fourier a vécu 62 ans avant de décéder en 1830 à Paris.*
Physicien-Mathématicien, il a étudié et analysé la chaleur en utilisant des séries

trigonométriques. Les “Séries de Fourier” y font évidemment référence et c’est pour celles-
ci que nous le connaissons. Avant d’entreprendre sa théorie analytique de la chaleur en
1904, il fut un enfant brillant, loué par son intelligence. Il poursuivra ses études dans le
supérieur à l’Ecole Normale Supérieure, aujourd’hui très réputée, où il étudiera et se lancera
dans la recherche mathématique. Il deviendra par la suite enseignant tout en continuant ses
recherches. Fourier, par son travail ambitieux fut nommé à de multiples reprises et détient
un mérite considérable. Il est devenu célèbre en arrivant à modéliser la propagation de la
chaleur à l’aide d’une série trigonométrique.
Fourier s’inscrit parmi les plus grands scientifiques mondiaux. Son nom est cité de
nombreuses fois, sur des couvertures ou dans des livres, notamment celui de Stephen Hawking
Et Dieu créa les nombres. Le travail réalisé par ce mathématicien de renom est considérable.
Il a permis d’exprimer des fonctions discontinues comme somme d’une série infinie de sinus
et de cosinus. C’est lui qui introduit la notion pratique concernant les intégrales.
Z X
f (x)dx
X0
Comment en est-il arrivé à son raisonnement ? Ses recherches sont-elles vision-

naires ? Fourier écrit un mémoire dans lequel il écrit sur la température du globe terrestre
et des espaces planétaires. La question des températures terrestres lui a toujours paru l’un
des plus grands objets des études cosmologiques et y pensait déjà alors qu’il établissait la
théorie mathématique de la chaleur.
Selon Fourier, la chaleur du globe terrestre dérive de trois sources qu’il est d’abord
nécessaire de distinguer : les rayons du Soleil qu’il considère comme étant la principale, la
43
température de l’espace qu’il surestime en l’assimilant à celle des régions polaire et enfin la
chaleur interne datant de la formation de la Terre qu’il considère comme étant négligeable.
Fourier indique le rôle régulateur des courants marins et des vents sur la température
terrestre, il analyse le rayonnement infrarouge thermique et esquisse de l’effet de serre. Par
son étude relative à l’effet de serre, il imagine même les effets de l’industrie humaine ,
alors très peu développée, sur la température terrestre. Selon Fourier, les mouvements de
l’air et des eaux, l’étendue des mers, l’élévation et la forme du sol, les effets de l’industrie hu-
maine et tous les changements accidentels de la surface terrestre modifient les températures
dans chaque climat. Bien qu’il soit loin d’envisager une modification éventuelle de l’effet de
serre due à l’industrie humaine, Fourier peut être considéré comme l’un des précurseurs de
la climatologie actuelle.
44

Tfe Math Rheto

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Tfe Math Rheto

Uploaded by

Copyright:

Available Formats

éries de Fourier4 érie de Fourier inverse5

Travail de fin d’études

Est-il possible d’annuler le son

Joana Vilela, Solène Milcent, Camille Wezel, Eloı̈se Plas

Joana Vilela, Solène Milcent, Camille Wezel, Eloı̈se Plas

0.1.1 Notions de base de l’onde sonore

Figure 1 – son complexe par addition de sons simples

Figure 2 – oscillogrammes des trois types de sons

La sinusoı̈de Elle possède une série de propriétés :

Figure 3 – Lecture de l’amplitude et de la longueur d’onde sur l’oscillogramme.

— La vitesse (v), ou célérité, correspond au temps nécessaire à un point pour

1.1 Complexité du problème

Figure 1.1 – l’inversion du bruit d’une chasse d’eau

Une vitesse de propagation différente Tout d’abord, la vitesse de propagation

Figure 1.2 – la propagation d’une onde sonore en fonction de la température

Une onde perçue différemment en fonction de notre

1.2 Première solution : un haut-parleur

Si nous inversons cette somme de sinusoı̈des, nous annulons le son.

Figure 1.6 – exemple : son alarme, inverse

Figure 1.7 – exemple : son alarme, inversé et déphasé

1.3.1 Comment captent-ils les sons ?

1.3.2 Comment créent-ils l’anti-son ultra rapidement ?

Pour répondre à ces deux questions, il est primordial de définir le son. Le

Figure 1.8 – Image d’une onde sonore.

Une deuxième option, plus commercialisée et davantage utilisée est le contrôle

Figure 1.9 – Fonctionnement d’un casque antibruit

Cependant, cela est en pratique assez compliqué à mettre en oeuvre pour

2.1 Introduction à la théorie de Fourier

La décomposition de Fourier permet de trouver la fréquence fondamentale

2.2 La théorie de Fourier et les polynômes trigo-

Définition 2.2.1. Nous dénoterons par Cp l’ensemble des fonctions continues et

Cp = {f : R → C, continue et périodique de période 1}

on travaille uniquement avec des fréquences entières.

eia · eib = ei(a+b)

Troisièmement, les exponentielles complexes peuvent être visualisées plus naturelle-

Figure 2.3 – Représentation d’un nombre complexe

Exemple 1. Étudions par exemple,

Figure 2.4 – P (t) en rouge à trois instants différents

A partir de cet exemple, nous pouvons conjecturer l’interprétation d’un

Proposition 2.2.2 (Mouvement circulaire uniforme). Soit n ∈ Z0 et cn ∈ C. Considérons

Alors P représente un mouvement circulaire uniforme, centré à l’origine, de fréquence

— Si n > 0, la rotation a lieu dans le sens anti-horloger.

Démonstration. Le résultat découle immédiatement de la formule d’Euler et de l’in-

P (t) = cn (cos 2πnt + i sin 2πnt)

Remarque 3. La proposition ci-dessus éclaire la raison pour laquelle le cas n = 0 est

Définition 2.2.3 (Polynôme trigonométrique). Soit P ∈ Cp . On dit que P est un

Un polynôme trigonométrique est alors une superposition de mouvements

= c0 + c1 ei2πt + c2 ei2π2t + c3 ei2π3t + c4 ei2π4t

Figure 2.5 – Exemple d’un polygone trigonométrique

Les séries de Fourier sont notamment utilisées pour la compression d’images.

Lemme 2.2.4. Soit n ∈ N0 . Alors an , bn , cn , c−n ∈ C sont tels que

an cos(2πnt) + bn sin(2πnt) = cn ei2πnt + c−n e−i2πnt

cn ei2πnt = cn [cos(2πnt + i sin(2πnt)] + c−n [cos(2π(−n)t + i sin(2π(−n)t)]

Puisque cos est paire et que sin est impaire.

Remarque 4. Ce résultat prouve, en outre, que les coefficients an et bn sont à valeurs

Du lemme 2.2.4, on déduit aisément la proposition suivante :

Proposition 2.2.5. Une fonction P ∈ Cp est un polynôme trigonométrique de degré

Proposition 2.2.6 (Position moyenne d’un mouvement circulaire uniforme). Soit

2.3 Détermination de la meilleure approximation

alors, il s’agit d’une superposition de mouvements circulaires uniformes. Et nous pou-

Par la propriété 2.2.6 démontrée précédemment,

En intégrant des deux côtés et de manière analogue que pour c0

Pour prouver de manière formelle l’approximation de notre fonction par un