Frédéric Legrand Licence Creative Commons 1

Introduction à l’analyse spectrale

1. Introduction
Ce document est une introduction à l’analyse spectrale des signaux périodiques. Après
avoir expliqué la décomposition d’un signal périodique en somme de fonctions sinusoï-
dales, on verra comment effectuer l’analyse spectrale d’un signal échantillonné.

2. Série de Fourier et spectre d’un signal périodique

On considère un signal périodique, représenté par une fonction u d’une variable t
réelle à valeurs réelles, de période T et de classe C 1 par morceaux.
La fréquence fondamentale du signal est :
1
f1 = (1)
T
D’après le théorème de Fourier, cette fonction peut s’écrire comme une somme de si-
nusoïdes dont les fréquences sont multiples de la fréquence fondamentale. La somme
obtenue est la série de Fourier :
P  
A0 X 2π
u(t) = + An cos n t + φn (2)
2 n=1
T
Dans certains cas, la somme peut être stoppée à un rang P fini. Dans d’autres cas, il
faut en principe considérer la limite P → ∞.
Le terme de rang n est appelé l’harmonique de rang n du signal : c’est une sinusoïde
de fréquence
n
fn = nf1 = (3)
T
L’harmonique de rang n est défini par son amplitude An (positive) et son déphasage ϕn .
Le terme constant A0 /2, qui peut être vu comme le terme de fréquence nulle, est la
valeur moyenne du signal :

1 T
Z
A0
= u(t) dt (4)
2 T 0
Considérons comme exemple une fonction dont la série de Fourier s’arrête au rang P = 3.
On dit dans ce cas que le signal comporte trois harmoniques. Par convention, la période
est prise égale à 1 :

import numpy
import math

f1=1.0
def u(t):
return 0.4+1.0*[Link](2*[Link]*f1*t)\
+0.5*[Link](2*2*[Link]*f1*[Link]/3)\
Frédéric Legrand Licence Creative Commons 2

+0.2*[Link](3*2*[Link]*f1*t+[Link]/4)

Pour tracer ce signal, il faut l’échantillonner, c’est-à-dire calculer les valeurs de u(t)
pour des instants régulièrement répartis sur un intervalle et les placer dans un tableau.
Voici un échantillonnage sur deux périodes comportant 500 points :

import numpy
N = 500
Tmax = 2.0
Te = Tmax/N
t = [Link](N)*Te
x = u(t)

La courbe du signal est obtenue avec la fonction plot, qui relie les points par des
segments de droites. Si la période d’échantillonnage Te est petite par rapport à la période
du dernièr harmonique (ici celui de rang 3), on obtient ainsi une bonne représentation
graphique du signal.

from [Link] import *

figure(figsize=(10,4))
plot(t,x)
xlabel(’t’)
ylabel(’u’)
axis([0,2,-2,2])
grid()

2.0
1.5
1.0
0.5
0.0
u

0.5
1.0
1.5
2.0
0.00 0.25 0.50 0.75 1.00 1.25 1.50 1.75 2.00
t

Le spectre du signal est la représentation graphique de l’amplitude An en fonction de la

fréquence. Un signal périodique a en théorie un spectre discret formé de raies, chacune
correspondant à un harmonique. Pour cet exemple, il y a 4 raies : une pour la valeur
moyenne (fréquence nulle) et 3 raies pour les harmoniques de rang 1, 2 et 3 :

figure(figsize=(8,4))
stem([0,1,2,3],[0.8,1.0,0.5,0.2],’r’)
xlabel(’f’)
Frédéric Legrand Licence Creative Commons 3

ylabel(’A’)
axis([-1,5,0,2])
grid()

2.00
1.75
1.50
1.25
1.00
A

0.75
0.50
0.25
0.00
1 0 1 2 3 4 5
f

La raie de fréquence nulle a une amplitude égale au double de la valeur moyenne du

signal (la composante dite continue).
La première courbe (u en fonction de t) est la représentation temporelle du signal. Le
spectre est la représentation fréquentielle du signal. En principe, il faudrait aussi tracer
la phase ϕn pour avoir une représentation complète.
Pour les calculs, il est commode d’introduire la série de Fourier sous forme complexe :
P  
X 2π
u(t) = cn exp in t (5)
n=−P
T
Le coefficient cn est un nombre complexe appelé coefficient de Fourier. Il se calcule à
partir de la fonction u avec l’intégrale suivante :

1 T
Z  
2π
cn = u(t) exp −in t (6)
T 0 T
Puisque u(t) est réel, le coefficient de Fourier vérifie la propriété suivante :

cn = c∗−n (7)
où l’étoile désigne le complexe conjugué. La somme s’écrit donc :

P    
X 2π 2π
u(t) =c0 + cn exp in t + c−n exp −in t (8)
n=1
T T
P   
X 2π
=c0 + 2 Re cn exp in t (9)
n=1
T

Par identification, on en déduit :

Frédéric Legrand Licence Creative Commons 4

A0
c0 = (10)
2
An iφn
cn = e (n > 0) (11)
2

3. Transformée de Fourier discrète

3.a. Définition
La transformée de Fourier discrète (TFD) est la transformation qui permet de calculer
le spectre d’un signal discret, obtenu par échantillonnage d’un signal continu. Considérons
un échantillonnage de la fonction u sur l’intervalle [0, T ], comportant N points et défini
par :

T
tk = k (0 ≤ k ≤ N − 1) (12)
N
uk = u(tk ) (13)

On définit la période d’échantillonnage et la fréquence d’échantillonnage par :

T
Te = (14)
N
1
fe = (15)
Te
Une valeur approchée de l’intégrale (6) définissant les coefficients de Fourier peut être
obtenue par la méthode des rectangles :
N −1  
1 X T 2π n k
cn ' uk exp −i (16)
T k=0 N N
Par définition, la transformée de Fourier discrète ([1]) est l’application qui aux N nombres
uk associe les N nombres complexes suivants (0 ≤ n ≤ N − 1) :
N −1  
˜ 1 X 2πnk
Un = uk exp −i (17)
N k=0 N
La TFD vérifie la propriété suivante (si uk est réel) :

Ũn = ŨN∗ −n (18)

La transformée de Fourier discrète est calculée numériquement avec l’algorithme dit de
Transformée de Fourier rapide. La fonction qui effectue ce calcul (sur un oscilloscope ou
dans un logiciel) est souvent désignée par FFT (Fast Fourier Transform).
Frédéric Legrand Licence Creative Commons 5

3.b. Exemple : polynôme trigonométrique

Si u est un polynôme trigonométrique, il existe un rang P fini tel que ∀n > P on a
cn = 0. Autrement dit, la série de Fourier s’arrête à un rang fini. Il existe donc dans le
spectre du signal une fréquence maximale :
P
fmax = (19)
T
On suppose que la condition de Nyquist-Shannon est vérifiée : la fréquence d’échantillon-
nage est supérieure au double de la fréquence maximale du spectre

fe > 2fmax (20)

ou encore :

N > 2P (21)
Si cette condition est vérifiée, alors les P +1 premières valeurs de la TFD sont exactement
les coefficients de Fourier :

cn = Ũn pour 0 ≤ n ≤ P (22)

Cette propriété est étonnante puisque la TFD est initialement définie pour donner des
valeurs approchées des coefficients de Fourier. Sa démonstration est donnée plus loin
(paragraphe 3.d).
Pour voir comment la TFD permet d’obtenir le spectre du signal, reprenons l’exemple
précédent. Comme la période est égale à 1, l’indice n correspond exactement à la fré-
quence. La plus grande fréquence du spectre est P = 3 (harmonique de rang 3). Pour
respecter la condition, il faut donc échantillonner à au moins 6 points par période. Voyons
le résultat pour N = 10. La période du signal étant connue a priori, on peut échantillon-
ner exactement 10 points sur une période :

N = 10
Tmax = 1.0
Te = Tmax/N
t = [Link](0,N)*Te
x=u(t)
figure(figsize=(10,4))
stem(t,x)
xlabel(’t’)
ylabel(’u’)
grid()
Frédéric Legrand Licence Creative Commons 6

1.5

1.0

0.5
u

0.0

0.5

0.0 0.2 0.4 0.6 0.8

t

Voici le calcul de la transformée de Fourier discrète :

import [Link]
tfd = [Link](x)

print(tfd)
--> array([ 4.00000000e+00 +0.00000000e+00j,
5.00000000e+00 -2.10942375e-15j,
1.25000000e+00 -2.16506351e+00j,
7.07106781e-01 +7.07106781e-01j,
7.49400542e-16 +4.44089210e-16j,
1.77635684e-15 +2.22044605e-15j,
7.49400542e-16 -4.44089210e-16j,
7.07106781e-01 -7.07106781e-01j,
1.25000000e+00 +2.16506351e+00j, 5.00000000e+00 -2.60902411e-15j])

On trace le module en fonction de la fréquence. On doit diviser par N car la fonction

[Link] calcule la TFD sans le facteur 1/N . Ici la fréquence est égale à l’indice
n:

figure(figsize=(10,5))
f=[Link](0,N,1)
stem(f,[Link](tfd)/N)
xlabel("f")
ylabel("|cn|")
axis([-1,11,0,1])
grid()
Frédéric Legrand Licence Creative Commons 7

1.0

0.8

0.6
|cn|

0.4

0.2

0.0
0 2 4 6 8 10
f

Les 4 premières valeurs de la TFD donnent bien les coefficients de Fourier de rang 0
à 3. Les éléments d’indice 4,5 et 6 sont nulles, aux erreurs d’arrondis près (erreurs de
l’ordre de 1e − 16). Les trois derniers éléments (indices 7 à 9) sont les conjugués des trois
coefficients c1 , c2 et c3 ; ils ont donc le même module. Le terme d’indice 1 est conjugué du
terme d’indice 9, celui d’indice 2 conjugué du terme d’indice 8, etc. La fréquence centrale
du spectre est égale à la moitié de la fréquence d’échantillonnage ; c’est la fréquence de
Nyquist. Ici, la fréquence de Nyquist est fn = 5. Comme la condition de Nyquist-Shannon
est respectée, cette fréquence est supérieure à P = 3. La partie du spectre située à gauche
de cette fréquence est le spectre du signal continu u(t). La totalité du spectre est celui du
signal discret. La partie située à droite de la fréquence de Nyquist est l’image de la partie
gauche (à l’exclusion de la composante de fréquence nulle). On voit que la condition de
Nyquist-Shannon se traduit par le non chevauchement du spectre et de son image.
En fait, le spectre du signal discret est périodique, de période égale à la fréquence
d’échantillonnage. La relation définissant la TFD vérifie en effet la relation :

ŨN +n = U˜n (23)

La TFD que nous avons calculée donne donc les valeurs de ce spectre sur une période.
Cependant, ce qui nous intéresse en pratique est plutôt le spectre du signal continu u(t),
qui est donné par la première moitié de la TFD.
En pratique, on s’intéresse aux amplitudes An des harmoniques plutôt qu’aux valeurs
des coefficients de Fourier cn . Il faut alors multiplier les coefficient par deux :

figure(figsize=(10,5))
f=[Link](0,N,1)
stem(f,[Link](tfd)*2/N)
xlabel("f")
ylabel("|cn|")
axis([-1,11,0,1.2])
grid()
Frédéric Legrand Licence Creative Commons 8

1.2

1.0

0.8

0.6
|cn|

0.4

0.2

0.0
0 2 4 6 8 10
f

On remarque que la composante de fréquence nulle du spectre a une amplitude égale au

double de la valeur moyenne. Dans le cas présent, on pourrait facilement diviser le terme
d’indice 0 par deux pour obtenir directement la composante de fréquence nulle du signal,
mais cette méthode n’est pas toujours applicable sur les spectres expérimentaux.

3.c. Transformée de Fourier discrète inverse

L’information présente dans le signal échantillonné est entièrement contenue dans sa
TFD. On peut en effet calculer le signal à partir de sa TFD par la relation suivante (voir
[1] pour la démonstration) :
N −1  
X 2πnk
uk = Ũn exp i (24)
n=0
N
La transformation qui permet ainsi de retrouver le signal discret est la transformation
de Fourier discrète inverse. Elle ressemble beaucoup à la TFD directe : on remarque le
changement de signe dans l’exponentielle et l’absence du facteur 1/N . En ce qui concerne
ce facteur, il existe d’ailleurs différentes conventions pour la définition de la TFD.
Comme exemple, calculons la TFD inverse de la TFD obtenue précédemment :

y = [Link](tfd)
figure(figsize=(10,4))
stem(t,y)
xlabel(’t’)
ylabel(’y’)
grid()
Frédéric Legrand Licence Creative Commons 9

1.5

1.0

0.5
y

0.0

0.5

0.0 0.2 0.4 0.6 0.8

t

On retrouve bien le signal discret de départ.

Il est intéressant de modifier la TFD avant de calculer la TFD inverse. On peut par
exemple enlever l’harmonique de rang 3. Pour cela, il faut annuler le coefficient d’indice
3 et son image, d’indice N − 3 = 7 :

i=3
tfd[i] = 0
tfd[N-i] = 0
y = [Link](tfd)
figure(figsize=(10,4))
stem(t,y)
xlabel(’t’)
ylabel(’y’)
grid()

1.5

1.0

0.5
y

0.0

0.5

0.0 0.2 0.4 0.6 0.8

t

Le résultat est le signal discret qui serait obtenu par échantillonnage du signal u(t)
auquel on aurait enlevé l’harmonique de rang 3. On a donc là une méthode de filtrage
très sélective, appelée filtrage dans le domaine fréquentiel, ou filtrage par transformée
de Fourier. Elle peut être utilisée lorsqu’on doit filtrer un signal discret dont la taille
N est fixée à l’avance (et pas trop grand). Cependant, cette méthode est plus difficile à
mettre en œuvre pour faire un filtrage temps-réel, pour lequel il y a un flux continu de
données à traiter. Dans ce cas, on effectue plutôt un filtrage dans le domaine temporel,
appelé aussi filtrage par convolution. Voir à ce sujet le document Introduction aux filtres
numériques.
Frédéric Legrand Licence Creative Commons 10

3.d. Relation entre la TFD et les coefficients de Fourier

Ce paragraphe donne la démonstration de l’égalité entre les coefficients de Fourier et
la TFD.
On considère la série de Fourier pour l’instant tk = kT /N :
+∞   +∞  
X 2π kT X 2πmk
uk = cm exp im = cm exp i (25)
m=−∞
T N m=−∞
N
On se place pour l’instant dans le cas théorique général, où la somme doit être étendue
à l’infini. Considérons la division entière de l’indice m par N :

m = qN + n (26)
q est l’entier résultat de cette division et n est le reste. La somme sur l’indice m peut
s’écrire comme une double somme, sur n et sur q. En regroupant tous les termes qui ont
le même reste, on obtient ainsi :
−1
N +∞
!  
X X 2πnk
uk = cqN +n exp i (27)
n=0 q=−∞
N

En identifiant cette expression avec celle de la TFD inverse, on montre que :

∞
X
Ũn = cqN +n (28)
q=−∞

Pour le coefficient de Fourier de rang n, l’erreur de l’approximation par Ũn est donc :
X
Ũn − cn = cqN +n (29)
q6=0

On se place à présent dans le cas où il existe un rang P tel que pour |k| > P on ait
ck = 0. On suppose de plus que N > 2P (condition de Nyquist-Shannon).
Soit un entier n tel que 0 ≤ n ≤ P . Pour q > 0, on a qN + n > 2qP + n > 2P + n > P
donc cqN +n = 0. De même pour q < 0 on a qN + n < 2qP + n < −2P + n < −P donc
cqN +n = 0. Tous les termes de la somme sont donc nuls :

Ũn − cn = 0 pour 0 ≤ n ≤ P (30)

Cela démontre l’égalité entre les P + 1 premiers termes de la TFD et les coefficients de
Fourier, pourvu que la condition de Nyquist-Shannon soit respectée.

4. Analyse spectrale des signaux réels

4.a. Fenêtre d’analyse
Un signal périodique réel a une période qui, le plus souvent, n’est pas connue a priori.
L’objectif de l’analyse spectrale est justement de déterminer les fréquences qu’il contient.
Par ailleurs, sa périodicité peut être imparfaite, voire très grossière. On voit donc que
l’approche précédente, qui consistait à échantillonner le signal sur sa période T , n’est pas
applicable en pratique.
Frédéric Legrand Licence Creative Commons 11

Au lieu de cherche à échantillonner sur une période, on considère une durée T grande
devant la période supposée. Par exemple, pour un son de fréquence 400 Hz, on peut
prendre T = 1 s. On obtient ainsi un spectre dont les raies sont les coefficients de
Fourier d’une fonction de période T . Les fréquences de ces raies sont donc multiples de
1/T . La durée T est la largeur de la fenêtre d’analyse. La résolution fréquentielle du
spectre obtenu est 1/T .

4.b. Exemple : fonction échantillonnée

On reprend le signal déjà utilisé en modifiant sa fréquence :

f1 = 1.0324

On choisit une durée d’analyse T = 20, qui donnera une résolution fréquentielle
de 0,05. La fréquence d’échantillonnage doit respecter la condition de Nyquist-Shannon,
c’est-à-dire fe > 7.

T=20.0
fe=10.0
N=int(T*fe)
t = [Link](0,N)*Te
x=u(t)
tfd=[Link](x)
f=[Link](0,N)*1.0/T
figure(figsize=(10,4))
vlines(f,[0],[Link](tfd)/N,’b’)
xlabel(’f’)
ylabel(’C’)
axis([-1,10,0,0.5])
grid()

Le spectre obtenu est composé de raies très resserées, espacées de 1/T . Le spectre de
la fonction apparaît comme la courbe dessinée par ces raies. La démonstration de cette
propriété sort du cadre de cette introduction, car elle fait appel à la notion de transformée
de Fourier.
Frédéric Legrand Licence Creative Commons 12

On voit sur cet exemple que le spectre obtenu est imparfait : la position du maxi-
mum des raies est définie au mieux avec une précision de 1/T . Dans le cas présent, cela
induit une erreur bien visible sur la hauteur des raies. Pour améliorer la précision, il faut
augmenter la durée de la fenêtre d’analyse. Voyons le résultat avec T = 10000 :

T=10000.0
fe=10.0
N=int(T*fe)
t = [Link](0,N)*Te
x=u(t)
tfd=[Link](x)
f=[Link](0,N)*1.0/T
figure(figsize=(10,4))
plot(f,[Link](tfd)/N,’b’)
xlabel(’f’)
ylabel(’C’)
axis([-1,10,0,0.5])
grid()

La résolution fréquentielle est bien meilleure. Les amplitudes des harmoniques attendues
(d’après la définition du signal) sont correctes : c0 = 0, 4, c1 = 0, 5, c2 = 0, 25, c3 = 0, 1.
Remarque : on a ici utilisé la fontion plot et non vlines car cette dernière n’est pas
optimisée pour le traitement d’un gros volume de données.
Dans certains cas, l’augmentation de la durée de la fenêtre d’analyse n’est pas pos-
sible, ou bien n’est pas suffisante pour obtenir précisément la hauteur des raies. On peut
alors utiliser la technique du remplissage par des zéros associée à un fenêtrage progessif,
expliquée dans Analyse spectrale d’un signal numérique.

4.c. Exemple : analyse d’un son

Voyons à présent un exemple plus réaliste, l’analyse du son émis par un instrument de
musique. Il s’agit du son émis par une clarinette (note La3 ) pendant une durée d’environ
3 secondes. Evidemment, la largeur de la fenêtre d’analyse est limitée par cette durée.
Le son est enregistré dans un fichier WAV. On commence par lire le fichier et on
extrait la fréquence d’échantillonnage, le nombre d’échantillons et la durée du son :
Frédéric Legrand Licence Creative Commons 13

import [Link] as wave

fe,data = [Link]("clarinette_la3.wav")
N = [Link]
T = N*1.0/fe
data =data/[Link]()

print(fe)
--> 44100

print(T)
--> 2.8908843537414968

Pour obtenir une représentation temporelle du signal (la forme d’onde), il faut se
limiter à une fenêtre comportant une dizaine d’oscillations, soit ici environ 0,02 s :

te = 1.0/fe
T = 0.02
N = int(T/te)
t = [Link](N)*te
x = data[0:N]
figure(figsize=(10,4))
plot(t,x)
xlabel("t")
ylabel("A")
grid()

La forme d’onde laisse deviner un spectre très riche en harmoniques.

Pour faire l’analyse spectrale, on choisit une fenêtre de largeur T = 1 Hz, qui donnera
une précision de 1 Hz sur la fréquence :

T=1.0
N=int(T/te)
x = data[0:N]
tfd = [Link](x)
f = [Link](N)*1.0/T
Frédéric Legrand Licence Creative Commons 14

a = [Link](tfd)*2/N
figure(figsize=(10,4))
plot(f,a)
xlabel("f (Hz)")
ylabel("A")
grid()

On s’intéresse au spectre du son en tant que signal continu, c’est-à-dire à la première

moitié. Voyons le détail dans la bande [0, 5 kHz] :

figure(figsize=(10,4))
plot(f,a)
xlabel("f (Hz)")
ylabel("A")
grid()
axis([0,5000,0,[Link]()])

On repère sur ce spectre le fondamental (à 440 Hz) et des harmoniques de rang 2 à 8. Les
harmoniques de rang élevé (par exemple 7) ont une fréquence très élevée (pour l’oreille).
Bien que leur amplitude soit relativement faible, elles contribuent au timbre du son.

Références
[1] Gasquet C., Witomski P., Analyse de Fourier et applications, (Masson, 1995)