L'analyse spectrale est une méthode utilisée en physique pour déterminer les caractéristiques d'un phénomène observé. L'intensité du phénomène en fonction du temps constitue un signal, et ce signal est traité par les mathématiques afin d'en extraire des caractéristiques, ces caractéristiques donnant des informations sur le phénomène.
Ici, on s'intéresse à une caractéristique du signal ( Termes généraux Un signal est un message simplifié et généralement codé. Il existe...) appelée spectre et que l'on peut observer avec un analyseur de spectre. La branche des mathématiques (Les mathématiques constituent un domaine de connaissances abstraites construites à l'aide...) correspondante est traditionnellement appelée analyse harmonique (Dans plusieurs domaines, une harmonique est un élément constitutif d'un phénomène périodique...).
Un phénomène physique (La physique (du grec φυσις, la nature) est étymologiquement la...) dépendant du temps (Le temps est un concept développé par l'être humain pour appréhender le...) est décrit par un ou plusieurs signaux. On ne peut qu'exceptionnellement les interpréter de façon simple. Le problème est de trouver une description de leur contenu, relativement générale et adaptée aux problèmes concrets. Ceux-ci se présentent souvent de la manière suivante : un système transforme un signal d'entrée en un signal de sortie, comment déterminer les caractéristiques de celui-ci en fonctions de celles du signal d'entrée et de celles du système ?
Dans le cas général, on ne connaît malheureusement pas la relation entre les valeurs du signal de sortie et celles du signal d'entrée mais seulement la relation entre les variations du signal de sortie et les valeurs (ou éventuellement les variations) du signal d'entrée. En termes mathématiques, le système est régi par une équation (En mathématiques, une équation est une égalité qui lie différentes quantités, généralement...) différentielle. Si celle-ci est quelconque, le problème est insoluble.
Heureusement, il existe une classe importante de systèmes, les systèmes linéaires (ou supposés tels) régis par le principe de superposition (En mécanique quantique, le principe de superposition stipule qu'un même état quantique peut...). Dans ce cas, correspondant à une équation différentielle linéaire, on peut essayer de décomposer le signal d'entrée en une somme de signaux simples auxquels on saurait faire correspondre des signaux de sortie également simples dont la somme donnerait le résultat cherché.
Le problème se simplifie encore plus si les caractéristiques du système restent constantes au cours du temps. On a affaire à une équation différentielle linéaire à coefficients constants. Les signaux simples sont les sinusoïdes qui subissent uniquement une amplification (On parle d'amplificateur de force pour tout une palette de systèmes qui amplifient les...) et un déphasage. C'est le problème de l'analyse spectrale : décomposer un signal compliqué en une somme de sinusoïdes.
Ici apparaît une difficulté car cette décomposition (En biologie, la décomposition est le processus par lequel des corps organisés, qu'ils...) exige que le signal soit défini sur un temps infini (Le mot « infini » (-e, -s ; du latin finitus,...). Or il ne peut être connu qu'à travers un enregistrement de durée limitée : il faut donc construire un modèle du signal en faisant des hypothèses, souvent évidentes intuitivement, sur la partie non enregistrée du phénomène.
On peut supposer, par exemple, que le signal reproduit indéfiniment le contenu de l'enregistrement : on construit alors un modèle périodique basé sur la série de Fourier (En analyse, les séries de Fourier sont un outil fondamental dans l'étude des fonctions...). Le signal est décrit par un spectre discret (ensemble de fréquences en progression arithmétique).
On peut aussi supposer que le niveau du signal est négligeable en dehors de l'enregistrement : on utilise dans ce cas un modèle transitoire basé sur la transformation de Fourier qui conduit en général à un spectre continu.
Il existe un certain nombre (La notion de nombre en linguistique est traitée à l’article « Nombre...) de phénomènes naturels pour lesquels aucune de ces deux hypothèses n'est réaliste. Par exemple, un enregistrement de vagues, sans montrer de périodicité, ne montre pas non plus de décroissance nette (Le terme Nette est un nom vernaculaire attribué en français à plusieurs espèces...) au cours de sa durée relativement faible : on parle alors de signal à variance ( En statistique et en probabilité, variance En thermodynamique, variance ) finie (certains préfèrent parler de puissance (Le mot puissance est employé dans plusieurs domaines avec une signification particulière :) finie mais ce n'est pas toujours pertinent techniquement), ce qui conduit à la notion de densité (La densité ou densité relative d'un corps est le rapport de sa masse volumique à la...) spectrale. On peut alors utiliser une hypothèse un peu plus floue selon laquelle la moyenne (La moyenne est une mesure statistique caractérisant les éléments d'un ensemble de...) quadratique calculée sur l'enregistrement fournit une estimation raisonnable de la moyenne quadratique du signal. Ce type d'analyse conduit encore à un spectre continu. Il se définit, comme les précédents, à partir du signal mais on peut obtenir des informations supplémentaires en considérant celui-ci comme une réalisation d'un processus aléatoire.
Le développement en série de Fourier d'un enregistrement de durée T associe à celui-ci des sinusoïdes d'amplitudes finies et de fréquences multiples de la fréquence (En physique, la fréquence désigne en général la mesure du nombre de fois qu'un...) du fondamental 1/T. On parle d'un spectre d'amplitude (Dans cette simple équation d’onde :) qui est un spectre de raies. Dans le cas général, le résultat de l'analyse peut s'exprimer soit en amplitudes et phases, soit en composantes cosinus (En mathématiques, les fonctions trigonométriques sont des fonctions d'angle importantes pour...) et sinus (En mathématiques, les fonctions trigonométriques sont des fonctions d'angle importantes pour...).
La sommation des sinusoïdes crée un signal périodique. Si le signal d'origine est périodique, il est parfaitement représenté – au moins en principe. Dans le cas contraire on n'a représenté que l'enregistrement et il faut tenter de trouver autre chose.
Ici, on raisonnera d'abord sur le signal de durée supposée infinie avant de voir les conséquences pour un enregistrement de durée finie. Si ce signal n'est pas périodique, n'a pas de période finie, on peut essayer de voir ce qui se passerait si on lui prêtait une période infinie. Cela entraîne les conséquences suivantes :
On obtient ainsi la transformée du signal x(t) que l'on note généralement X(f), f étant la fréquence.
Si on retourne à un enregistrement de durée limitée, il y a deux possibilités :
Le problème est plus compliqué que dans le cas précédent et on peut l'aborder de diverses manières. Celle que nous utiliserons n'est certainement pas la plus efficace d'un point (Graphie) de vue (La vue est le sens qui permet d'observer et d'analyser l'environnement par la réception et...) scientifique (Un scientifique est une personne qui se consacre à l'étude d'une science ou des sciences et qui...) mais elle a l'avantage de montrer quelques points essentiels sans les cacher derrière des considérations mathématiques, sinon particulièrement difficiles, du moins assez lourdes. Pour s'affranchir de problèmes spécifiques liés à la prise en compte d'une moyenne non nulle, on supposera que le signal a été préalablement centré par soustraction (La soustraction est l'une des opérations basiques de l'arithmétique. La soustraction...) de sa moyenne.
Etant donné un signal x(t), on appelle fonction d'autocovariance – souvent, de manière plus contestable, fonction d'autocorrélation – la fonction de τ qui donne la moyenne des produits des valeurs de x(t) à deux instants qui diffèrent de τ :
Dans le calcul de cette moyenne, t varie de -∞ à +∞. Si le signal est transitoire, la fonction est nulle ; s'il est périodique, elle est elle-même périodique. En se plaçant dans le cas d'un signal qui n'appartient de toute évidence à aucune des deux catégories, la fonction possède les propriétés suivantes :
Dans ces conditions on montre que
Ainsi
On peut déduire de ce qui précède :
A la déformation du contenu en fréquences déjà constatée pour les signaux transitoires s'ajoute une incertitude statistique (Une statistique est, au premier abord, un nombre calculé à propos d'un échantillon....) liée à la position de l'enregistrement sur le signal.
La fonction d'autocovariance correspond à toute une famille de signaux qui contiennent les mêmes composantes. On peut interpréter cette famille comme celle des réalisations d'un processus continu. Un enregistrement de durée limitée peut également être considéré comme une réalisation d'un autre processus. Cela permet de préciser avec des intervalles de confiance la valeur statistique de l'analyse effectuée.