PEOPLE'S DEMOCRATIC REPUBLIC OF ALGERIA
اجلـمـهـوريـة اجلـزائـريـة الديـمـقـراطـيــة الشـعـبـيــة
MINISTRY OF HIGHER EDUCATION وزارة التعليـم العالـي والبحـث العلمـي
AND SCIENTIFIC RESEARCH
HIGHER SCHOOL IN APPLIED املـدرسـة العليـا يف العلوم التطبيقيــة
SCIENCES –TLEMCEN- -تلمسان-
--T L E M C E N--
Année Universitaire 2023-2024
TP4 : Décomposition en Séries de Fourier des Signaux periodique
1. OBJECTIFS
- Comprendre la décomposition en séries de Fourier pour l'analyse fréquentielle des signaux.
-Utiliser MATLAB pour calculer les coefficients de Fourier d'un signal périodique.
- Visualiser et analyser la reconstruction d'un signal à partir de ses composantes fréquentielles.
2. RAPPEL THEORIQUE
2.1 Décomposition en Séries de Fourier
• Forme trigonométrique réelle
La décomposition en séries de Fourier permet de représenter un signal périodique 𝑥(𝑡) comme
une somme infinie de fonctions sinusoïdales. Cette méthode est essentielle en traitement du signal pour
identifier les composantes fréquentielles d'un signal.
Un signal périodique de période 𝑇 peut être représenté par :
𝑥(𝑡) = 𝑎0 + ∑+∞
𝑛=1(𝑎𝑛 cos(2𝜋𝑛𝑓𝑡) + 𝑏𝑛 sin(2𝜋𝑛𝑓𝑡)) (n : entier)
𝑎0 est le coefficient de la composante continue (moyenne du signal).
𝑎𝑛 et 𝑏𝑛 sont les coefficients de Fourier (cosinus et sinus).
𝑓 = 1/𝑇 est la fréquence fondamentale du signal.
Les coefficients𝑎0 , 𝑎𝑛 et 𝑏𝑛 peuvent être calculés par :
𝑇 𝑇 𝑇
𝑎0 = 1/𝑇 ∫0 𝑥(𝑡)𝑑𝑡 𝑎𝑛 = 2/𝑇 ∫0 𝑥(𝑡) cos(2𝜋𝑛𝑓𝑡)𝑑𝑡 𝑏𝑛 = 2/𝑇 ∫0 𝑥(𝑡) cos(2𝜋𝑛𝑓𝑡)𝑑𝑡
Dans ce TP en s’intéresses à une approximation de la décomposition de 𝑥(𝑡) pour un ordre limité N
(𝑛 = 1: 𝑁).
• Forme exponentielle complexe
A partir des formules d’Euler la décomposition en séries de fourrier permet d’avoir le spectre
bilatéral et elle peut s’écrire :
𝑥(𝑡) = ∑+∞
𝑛=−∞ 𝑐𝑛 𝑒
𝑗2𝜋𝑛𝑓𝑡
𝑛 ∈ Ζ
𝑇
𝑐0 : coefficient de la composante continue (𝑎0 ). 𝑐0 = 1/𝑇 ∫0 𝑥(𝑡)𝑑𝑡
1
𝑇
𝑐𝑛 : coefficients associés à chaque harmonique. 𝑐𝑛 = 1/𝑇 ∫0 𝑥(𝑡)𝑒 −𝑗2𝜋𝑛𝑓𝑡 𝑑𝑡
3. DEROULEMENT DU TP
3.1 Définition du Signal
Définir un signal périodique à décomposer en séries de Fourier. Par exemple, un signal carré de
période T = 1s. Pour cette durée le vecteur temps t de dimension N1 =1000 (échantillons). La création
du vecteur temps t ainsi que le signal carré x(t) peut être obtenue sous MATLAB par l’utilisation
respective de la fonction linspace ainsi que square.
3.2 Calcul des Coefficients de Fourier
• Forme trigonométrique réelle
L’ordre de décomposition choisi pour cette application est de N=10.
Les coefficients aₙ et b sont calculés par l’intermédiaire de la fonction trapz qui permet
l’intégration numérique. Et la valeur moyenne de x(t) put être obtenue par la fonction mean.
exemple pour l’harmonique d’ordre n les coefficients sous MATLAB sont donnés par :
an(n) = (2/T) * trapz(t, x .* cos(2*pi*n*f0*t));
bn(n) = (2/T) * trapz(t, x .* sin(2*pi*n*f0*t )); avec f0=1/T (fréquence fondamentale).
La reconstruction approchée xr(t) du signal x(t) à partir de sa décomposition en forme
trigonométrique réelle pour un ordre N peut être obtenue sous MATLAB par la boucle suivante :
for n = 1:N
xr = xr + an(n) * cos(2*pi*n*f0*t) + bn(n) * sin(2*pi*n*f0*t);
end
La valeur initiale de xr(t) est tout simplement la moyenne de x(t).
• Forme exponentielle complexe
Dans cette partie l’idée est de décomposer le même signal précèdent par la forme complexe,
cette forme permet de générer le spectre bilatéral d’amplitude (abs(Cn)) et de phase (arg(Cn)).
Les termes complexes Cn peuvent être obtenus par :
C(n) = (1 / T) * trapz(t, x.* exp(-j * k(n) * 2*pi*f0*t));
Avec k = -N:N : Plage des harmoniques du spectre bilatéral.
La reconstruction approchée xr(t) du signal x(t) à partir de cette forme pour un ordre N peut
être obtenue sous MATLAB par la boucle suivante :
for n = 1:length(k)
xr = xr + C(n) * exp(j * k(n) * 2*pi*f0*t);
end
2
3.3 Visualisation des Résultats
Pour la forme trigonométrique réelle, représenter sur la même figure les coefficients an(n) et
bn(n) ainsi que les deux signaux x(t) et xr(t). (L’ordre de décomposition vari de 1 à 30).
Pour la deuxième forme représenter le spectre bilatéral d’amplitude, de phase, et donner une
figure qui nous permet de comparer le signal d’origine x(t), avec sa version approchée xr(t).
4. ANALYSE ET CONCLUSIONS
1. Convergence : Plus le nombre d'harmoniques est élevé, plus la reconstruction se rapproche du signal
original, en particulier pour les signaux présentant des discontinuités comme le signal carré.
2. Erreur de reconstruction : Comparer l’erreur entre le signal original et le signal reconstruit pour
comprendre l’effet du nombre d’harmoniques sur la qualité de la reconstruction.
3. Application en traitement du signal : La décomposition de Fourier est souvent utilisée pour extraire
les composantes fréquentielles, permettant des applications en filtrage, compression et reconnaissance
de formes.
