Aller au contenu
ELECTRONICS ENGINEERINGelectronics-engineering.com
Traitement numérique du signal

Analyse spectrale : fuite, fenêtres, périodogramme et méthode de Welch

TFD d'un bloc fini et fuite spectrale démontrée, résolution, dynamique et perte de festonnage, bourrage de zéros avec démonstration, le périodogramme, la méthode de Welch et la réduction de variance, le spectrogramme.

https://www.electronics-engineering.com/fr/analyse-spectrale-fuite-fenetres-methode-de-welch/

Pas encore de vote : soyez le premier à noter cette page.

Calculer le spectre d’un signal mesuré paraît facile : prendre un bloc d’échantillons et calculer la FFT. Mais le résultat dépend de la façon dont le bloc a été découpé, et sur un signal bruité il est étonnamment peu fiable. Dans cette leçon, nous regardons la fuite spectrale avec sa démonstration, la résolution et la perte de festonnage, pourquoi le bourrage de zéros n’augmente pas la résolution, le périodogramme et la méthode de Welch avec la démonstration de la réduction de variance, et le spectrogramme.

La TFD d’un bloc fini

Quand on analyse N échantillons, le signal est observé à travers une fenêtre rectangulaire, et la TFD donne N échantillons de la TFTD du signal fenêtré, aux fréquences 2\pi k/N (les raies, bins). Avec une fréquence d’échantillonnage f_s, les raies sont espacées de f_s/N : avec 1 kHz et 1000 échantillons, 1 Hz.

Théorème. Pour x[n] = e^{j\omega_0 n}, n = 0, \dots, N-1, la TFD est

    \[ X[k] = \sum_{n=0}^{N-1}e^{j(\omega_0 - 2\pi k/N)n} = e^{j(N-1)\Delta_k/2}\,\frac{\sin(N\Delta_k/2)}{\sin(\Delta_k/2)},\qquad \Delta_k = \omega_0 - \frac{2\pi k}{N} \]

Si \omega_0 coïncide avec une raie, \omega_0 = 2\pi k_0/N, la TFD vaut N dans la raie k_0 et zéro dans toutes les autres ; sinon elle est non nulle dans toutes les raies.

Démonstration. C’est la même série géométrique que pour la moyenne mobile (leçon sur la TFTD), de raison e^{j\Delta_k}. Si \omega_0 = 2\pi k_0/N, pour k \ne k_0 on a N\Delta_k/2 = \pi(k_0 - k), un multiple de \pi : le sinus du numérateur est nul alors que celui du dénominateur ne l’est pas. Pour k = k_0, tous les termes valent 1. Si \omega_0 tombe entre deux raies, N\Delta_k/2 n’est jamais un multiple de \pi et aucun terme ne s’annule. ∎

TFD sur 32 points d'une sinusoïde qui tombe exactement sur une raie et d'une qui tombe à mi-chemin entre deux raies
En haut, la sinusoïde accomplit un nombre entier de périodes dans le bloc : toute son énergie est dans une seule raie. En bas, elle accomplit un nombre non entier de périodes : l’énergie se répartit sur toutes les raies, avec deux raies principales plus basses. La courbe en pointillés est la transformée de la fenêtre rectangulaire.

C’est la fuite spectrale (spectral leakage) : une sinusoïde pure apparaît comme un pic entouré d’une « jupe » qui s’étend sur tout le spectre et décroît lentement (les lobes secondaires de la fenêtre rectangulaire, le premier à −13 dB). La raison physique est que la TFD traite le bloc comme une période d’un signal périodique : si le nombre de périodes n’est pas entier, il y a un saut à la jonction, et un saut a un spectre large.

Résolution, dynamique et perte de festonnage

On gère les conséquences avec les fenêtres de la leçon sur les RIF, appliquées cette fois au signal :

  • résolution : on peut distinguer deux sinusoïdes si elles sont plus éloignées que la largeur du lobe principal, environ 4\pi/N pour la fenêtre rectangulaire et 8\pi/N pour Hann et Hamming. Résoudre des fréquences proches demande des blocs longs ;
  • dynamique : une sinusoïde faible près d’une forte reste cachée dans les lobes secondaires de celle-ci. Les fenêtres à faibles lobes secondaires (Hann, Blackman, Kaiser) permettent de voir des composantes 60-100 dB plus bas ;
  • perte de festonnage (scalloping loss) : si la fréquence tombe à mi-chemin entre deux raies, le pic mesuré est plus bas. Avec la fenêtre rectangulaire, la valeur est 1/(N\sin(\pi/(2N))) \approx 2/\pi, soit −3,9 dB. Les fenêtres à sommet plat la réduisent sous 0,01 dB et servent à mesurer précisément les amplitudes.

Le bourrage de zéros n’augmente pas la résolution

Prolonger le bloc avec des zéros avant la FFT (zero padding) produit un tracé plus dense et plus lisse, mais ne sépare pas deux sinusoïdes proches.

Théorème. La TFD à N' points (N' \gt  N) du bloc complété de zéros donne des échantillons de la même TFTD que le bloc d’origine, aux fréquences 2\pi k/N'.

Démonstration. X'[k] = \sum_{n=0}^{N'-1}x'[n]e^{-j2\pi kn/N'} = \sum_{n=0}^{N-1}x[n]e^{-j(2\pi k/N')n}, parce que les échantillons ajoutés sont nuls ; et c’est la TFTD du bloc d’origine évaluée en \omega = 2\pi k/N'. ∎

La fonction échantillonnée est toujours la même, avec le même lobe principal : le bourrage de zéros interpole, utile pour mieux lire la position d’un pic, mais l’information est celle des N échantillons mesurés.

Le périodogramme et la méthode de Welch

Pour un signal aléatoire, comme le bruit, ce qui compte est la densité spectrale de puissance (leçon de Théorie des signaux sur les processus aléatoires). L’estimation immédiate est le périodogramme |X[k]|^2/N. Il a un grave défaut : son écart type dans chaque raie est de l’ordre de la valeur elle-même, et il ne diminue pas quand le bloc s’allonge. Plus d’échantillons donnent plus de raies, mais chacune reste tout aussi bruitée : le spectre estimé d’un bruit blanc ressemble à de l’herbe dense au lieu d’une ligne plate.

La méthode de Welch divise le signal en K segments (souvent avec un recouvrement de 50 %), applique une fenêtre à chacun, calcule son périodogramme et fait la moyenne.

Théorème. Si les K périodogrammes sont indépendants et de même variance \sigma^2, leur moyenne a pour variance \sigma^2/K.

Démonstration. C’est le même résultat que pour la moyenne de n lectures (leçon de Mesures électriques sur l’incertitude) : \mathrm{Var}\big(\frac{1}{K}\sum P_i\big) = \frac{1}{K^2}\sum\mathrm{Var}(P_i) = \sigma^2/K. ∎

Le prix est la résolution : chaque segment est K fois plus court. C’est le compromis fondamental de l’analyse spectrale : résolution contre variance, pour une durée de signal donnée. Les analyseurs de spectre numériques font exactement cela, en moyennant de nombreuses FFT.

Le spectrogramme

Pour les signaux qui changent au cours du temps, comme la parole ou la musique, on calcule la TFD sur des fenêtres successives et l’on met les résultats côte à côte : c’est le spectrogramme (transformée de Fourier à court terme, STFT). Une longue fenêtre donne une bonne résolution en fréquence mais brouille les événements rapides ; une courte fait l’inverse. Le produit des deux résolutions ne peut pas descendre sous une limite, comme dans le principe d’incertitude : \Delta t\,\Delta f est au moins de l’ordre de 1. Les transformées en ondelettes choisissent de longues fenêtres pour les basses fréquences et de courtes pour les hautes, en s’adaptant à de nombreux signaux naturels.

S’abonner
Notifier de
guest
1 commentaire
Le plus ancien
Plus récent Les plus votés
1
0
Vous avez apprécié cet article ? Merci de laisser un commentaire.x