Transformée De Fourier Python Web
1. Transformée de Fourier Ce document introduit la transformée de Fourier discrète (TFD) comme moyen d'obtenir une approximation numérique de la transformée de Fourier d'une fonction. Soit un signal u(t) (la variable t est réelle, les valeurs éventuellement complexes). Sa transformée de Fourier(TF) est: S ( f) = ∫ - ∞ ∞ u ( t) exp ( - j 2 π f t) d t Si u(t) est réel, sa transformée de Fourier possède la parité suivante: S ( - f) = S ( f) * Le signal s'exprime avec sa TF par la transformée de Fourier inverse: u ( t) = ∫ - ∞ ∞ S ( f) exp ( j 2 π f t) d f Lors du traitement numérique d'un signal, on dispose de u(t) sur une durée T, par exemple sur l'intervalle [-T/2, T/2]. D'une manière générale, un calcul numérique ne peut se faire que sur une durée T finie.
Transformée De Fourier Python Pdf
Considérons par exemple un signal périodique comportant 3 harmoniques: b = 1. 0 # periode w0=1* return (w0*t)+0. 5*(2*w0*t)+0. 1*(3*w0*t) La fréquence d'échantillonnage doit être supérieure à 6/b pour éviter le repliement de bande. La durée d'analyse T doit être grande par rapport à b pour avoir une bonne résolution: T=200. 0 fe=8. 0 axis([0, 5, 0, 100]) On obtient une restitution parfaite des coefficients de Fourier (multipliés par T). En effet, lorsque T correspond à une période du signal, la TFD fournit les coefficients de Fourier, comme expliqué dans Transformée de Fourier discrète: série de Fourier. En pratique, cette condition n'est pas réalisée car la durée d'analyse est généralement indépendante de la période du signal. Voyons ce qui arrive pour une période quelconque: b = 0. 945875 # periode On constate un élargissement de la base des raies. Le signal échantillonné est en fait le produit du signal périodique défini ci-dessus par une fenêtre h(t) rectangulaire de largeur T. La TF est donc le produit de convolution de S avec la TF de h: H ( f) = T sin ( π T f) π T f qui présente des oscillations lentement décroissantes dont la conséquence sur le spectre d'une fonction périodique est l'élargissement de la base des raies.Transformée De Fourier Python 2
cos ( 2 * np. pi / T1 * t) + np. sin ( 2 * np. pi / T2 * t) # affichage du signal plt. plot ( t, signal) # calcul de la transformee de Fourier et des frequences fourier = np. fft ( signal) n = signal. size freq = np. fftfreq ( n, d = dt) # affichage de la transformee de Fourier plt. plot ( freq, fourier. real, label = "real") plt. imag, label = "imag") plt. legend () Fonction fftshift ¶ >>> n = 8 >>> dt = 0. 1 >>> freq = np. fftfreq ( n, d = dt) >>> freq array([ 0., 1. 25, 2. 5, 3. 75, -5., -3. 75, -2. 5, -1. 25]) >>> f = np. fftshift ( freq) >>> f array([-5., -3. 25, 0., 1. 75]) >>> inv_f = np. ifftshift ( f) >>> inv_f Lorsqu'on désire calculer la transformée de Fourier d'une fonction \(x(t)\) à l'aide d'un ordinateur, ce dernier ne travaille que sur des valeurs discrètes, on est amené à: discrétiser la fonction temporelle, tronquer la fonction temporelle, discrétiser la fonction fréquentielle.
absolute(tfd) freq = (N) for k in range(N): freq[k] = k*1. 0/T plot(freq, spectre, 'r. ') xlabel('f') ylabel('S') axis([0, fe, 0, ()]) grid() return tfd Voyons le spectre de la gaussienne obtenue avec la TFD superposée au spectre théorique: T=20. 0 fe=5. 0 figure(figsize=(10, 4)) tracerSpectre(signal, T, fe) def fourierSignal(f): return ()*(**2*f**2) f = (start=-fe/2, stop=fe/2, step=fe/100) spectre =np. absolute(fourierSignal(f)) plot(f, spectre, 'b') axis([-fe/2, fe, 0, ()]) L'approximation de la TF pour une fréquence négative est donnée par: S a ( - f n) ≃ T exp ( - j π n) S N - n La seconde moitié de la TFD ( f ∈ f e / 2, f e) correspond donc aux fréquences négatives. Lorsque les valeurs du signal sont réelles, il s'agit de l'image de la première moitié (le spectre est une fonction paire). Dans ce cas, l'usage est de tracer seulement la première moitié f ∈ 0, f e / 2. Pour augmenter la résolution du spectre, il faut augmenter T. Il est intéressant de maintenir constante la fréquence d'échantillonnage: T=100.