Vous êtes sur la page 1sur 19

Chapitre 5

Echantillonnage et
numérisation des signaux

100
5. Chapitre 5: Numérisation
Que veut dire traitement numérique de signaux?

 C’est la manipulation numérique des signaux sous forme discrète


 C’est une méthode de traitement de signaux réels se basant sur l’utilisation des
fonctions mathématiques et des algorithmes de calcul visant à extraire une
information utile du signal ou à le transformer.
Entrée Sortie analogique
analogique
Filtre Filtre
CAN DSP CNA
analogique analogique

Un système de traitement numérique typique est composé de:


 Un processeur (DSP)
 Un convertisseur analogique numérique
 Un convertisseur numérique analogique
 Filtres analogiques: un 1er pour le filtrage du bruit et un 2ème pour le lissage

101
5. Chapitre 5: Numérisation
Pourquoi numériser un signal?

 Numériser un signal permet d’effectuer des traitements sur des machines


numériques spécialisées (DSP, PC …)
 Il permet d’optimiser le temps de calcul, la puissance du système et le coût
Il rend le système flexible et plus facilement modifiable contrairement aux
systèmes analogiques
 Le codage numérique minimise le risque d’erreur:
 Le codage interne 0 / 1 est généralement 0/5V
 Robuste au bruit une fois numérisé: exemple: un 0 codé sur 0 V parasité par
un bruit de 0.5 V ne change pas de valeur reste un 0
 Sa précision est insensible au temps, à la température, à l’usure du
système…
 Pas d’erreur lors de la transmission, du stockage ou de recopie.

Attention: Le codage numérique est une perte d’information et


précision qui augmente avec la diminution du nombre de bits

102
5. Chapitre 5: Numérisation
Du signal analogique au signal numérique
Ve Ve(nTe) Ve(n) Système
Echantillonnage Quantification
Numérique

Vs(n)

Vs Vs(nTe) Restitution du
Filtrage
signal

 La différence entre les signaux Ve et Vs est dûe à plusieurs paramètres dont


principalement les 3 paramètres suivants:
 La période d’échantillonnage Te
 Le pas de quantification
 Le temps de réponse du système numérique: acquisition et restitution

103
5. Chapitre 5:
5: Echantillonnage
Echantillonnage

Pour interpréter un signal analogique, le transmettre ou le transformer, on le


numérise. La première étape de la numérisation est l’échantillonnage du signal. Le
signal d’entrée est échantillonné à des instants équidistants en temps, multiple de
Te. Ainsi, le signal ayant d’origine un nombre infini de valeurs devient un signal
échantillonné à nombre fini de valeurs.


y[ n ]  sin( nTe )   sin( t )   (t  nT )
n  
e

104
5. Chapitre 5: Numérisation
Echantillonnage

Signal original x(t) Signal échantillonné


Echantillonnage x(nTe)

Période d’échantillonnage Te

Echantillonnage idéal: prélèvement pendant un temps infiniment court des


valeurs de x(t) à l’instant t=nTe

105
5. Chapitre 5: Numérisation
Quantification

Définition: Quantifier une valeur réelle x quelconque, c’est la remplacer par une
valeur appartenant à un ensemble dénombrable de valeurs réelles suivant une loi
prédéfinie: arrondi au plus proche, moyenne entre deux limites …
Erreur de quantification: e[n]=Q(x[n])-x[n]: Cette erreur est à l’origine d’un bruit
appelé bruit de quantification.
Quantification uniforme:
Généralement, l’amplitude maximale du signal
est découpée en N intervalles identiques
1 1
S ( kTe )  N si Nq  q  S ( kTe )  Nq  q
2 2
Le bruit de quantification est défini par:
t  
 (t )  q si t
 2 2

106
5. Chapitre 5: Numérisation
Quantification

Puissance moyenne du bruit de quantification: peut s’écrire sous la forme:


  2
1 2 1 q t 2
PB  P ( (t ))  2  (t )dt  2 [q ] dt 
 2  2  12
Considérons un système de décodage sur N bits (valeur maximale de codage est 2N-
1), le signal sinusoïdal S(t) s’exprime sous la forme suivante:
2 2N 1
S (t )  Vmax sin( t ) avec Vmax  q
T 2
La puissance du signal est exprimée sous la forme suivante:
T 2
1 Vmax
PS  P ( S (t ))  2
T
2
S (t )dt   2 2 N 3 q 2
T 2 2
La dynamique du signal est ainsi exprimée sous la forme suivante:
2
P 12 Vmax 2 N 1 2 N 1
RS / B  S   3 . 2  ( R )
S / B dB  10 log 10 ( 3 . 2 )  6,02 N  1.76
PB 2 q2

107
5. Chapitre 5: Numérisation
 Remarquons que rajouter un bit à la résolution du système revient à augmenter
sa dynamique de 6 dB
 Le pas de quantification est choisi selon la précision désirée
 Le nombre de bits est choisi selon la dynamique ou encore la résolution du
système souhaitée

Quantification non uniforme:


Elle permet d’avoir un SNR variable afin de minimiser l’erreur de quantification.
Ceci revient à avoir un pas de quantification variable selon l’amplitude du signal.

108
5. Chapitre 5: Numérisation
Analyse du spectre d’un signal échantillonné
Que devient le spectre du signal x(t) après échantillonnage idéal?

TF ( xe (t ))  TF ( x (t )   Te (t ))  TF ( x (t ))  TF ( Te (t ))
Et ceci par application du théorème de Plancherel.
Or la TF du peigne de Dirac est: 
TF ( Te (t ))  Fe   ( f  nFe )
On en déduit la relation suivante: n  

TF ( xe (t ))  X ( f )  Fe   ( f  nFe )
n  
Comme le produit de convolution est distributif et que y(t)*δ(t-t0)=y(t-t0), on a
alors: 
1
X e ( f )  Fe   X ( f  nFe )
n  
avec Fe 
Te
Le spectre de Xe(f) est celui de X(f) périodisé avec une période fréquentielle Fe
L'échantillonnage dans le domaine temporel se traduit par une "périodisation" de
période Fe dans le domaine fréquentiel.

109
5. Chapitre 5: Numérisation
Analyse du spectre d’un signal échantillonné

Considérons un signal réel x(t) dont le spectre est borné en fréquence, de


fréquence maximale Fmax.

 tout f  F max X ( f )  0
Question : que devient le spectre Xe( f )
en fonction de Fe?

X e ( f )  Fe   X ( f  nFe )
n  

1er Cas: Fe ≥ 2Fmax


Les motifs élémentaires de |Xe( f )| sont
disjoints (pas de recouvrement des motifs)

110
5. Chapitre 5: Numérisation
Analyse du spectre d’un signal échantillonné

Le motif principal (n = 0) est égal au spectre de x(t). Comme les motifs sont
disjoints, on peut extraire X(f ) grâce à un filtre passe-bas idéal et donc reconstituer
intégralement le signal x(t) à partir de la connaissance de son échantillonné xe(t).

1er Cas: Fe < 2Fmax

Les motifs élémentaires de |Xe( f )| se recouvrent. Ce phénomène est appelé


repliement de spectres.
A cause du chevauchement des motifs élémentaires constituant le spectre Xe(f) du
signal échantillonné, il n'est pas possible de récupérer le spectre X(f) par un filtrage
approprié. Il n'est donc pas possible de reconstruire le signal initial x(t) à partir de
la connaissance de son échantillonné xe(t).
111
5. Chapitre 5: Numérisation
Analyse du spectre d’un signal échantillonné

Récapitulons:
 Si Fe ≥ 2Fmax pas de recouvrement de spectre extraction de X( f ) par filtrage
passe-bas idéal
 Si Fe < 2Fmax repliement de spectre  impossibilité d’extraire le spectre du
signal x(t) par filtrage
Par conséquent, pour que la répétition périodique du spectre de xe(t) ne déforme
pas le spectre X( f ) répété, il faut et il suffit que Fe ≥ 2Fmax
Enoncé du théorème de Shannon:
La condition nécessaire et suffisante pour échantillonner un signal
sans perte d'information est que la fréquence d'échantillonnage Fe
soit supérieure ou égale au double de la fréquence maximale du
signal. Plus précisément, si on note Fmax la fréquence maximale du
signal, il faut et il suffit que : Fe ≥ 2Fmax

Fe
Pour Fe fixée, est appelée fréquence de Nyquist : c'est la fréquence
2
maximale admissible du signal pour éviter les distorsions du spectre
112
5. Chapitre 5: Numérisation
Transformée de Fourier à Temps Discret
La transformée de Fourier du signal échantillonné est exprimé comme suit:

X e ( f )  TF (  x ( nTe )   ( f  nFe ) )
n  

 
  (  x ( nTe )   ( f  nFe ) ) e  j 2 ft dt

n  

 
  x ( nTe )   ( f  nFe ) e  j 2 ft dt

n  


  x ( nTe )  e  j 2 nT e
n  
Conclusion: La transformée de Fourier d’un signal échantillonné est donnée par la
relation suivante: En normalisant avec Te=1 on obtient:
 
 j 2  nT e
Xe( f )   x ( nTe )  e Xe( f )   x ( n )  e  j 2 nf
n   n  
113
5. Chapitre 5: Numérisation
Transformée de Fourier à Temps Discret
D’où découle la définition de la TFTD:

Xe( f )   x ( nTe )  e  j 2 nT e
n  
La transformée de Fourier à Temps Discret est périodique de période Fe
Et la transformée de Fourier inverse suit la relation suivante:
1 Fe / 2
x n  TFTD 1
[ Xe ( f )]   X e ( f )e j 2  nTef df
Fe  Fe / 2

Propriétés de la TFTD:
 Linéarité
 Symétrie hermitienne
 Convolution
Si on veut maintenant calculer la TFTD d’un signal discret xe(t) à l’aide d’un calculateur
Ceci nécessite une infinité de points de mesures x(n) et le calculateur ne peut
calculer le contenu fréquentiel du signal discret qu'en un nombre fini de points
fréquentiel fn alors que f varie continûment.

114
5. Chapitre 5: Numérisation
Transformée de Fourier Discrète
Solution:
 Limiter la durée de x(n) (considérer un nombre N fini de points)
 Discrétiser la fréquence (considérer un nombre fini de points fréquentiels)
On appelle Transformée de Fourier Discrète (TFD ou DFT : Discret Fourier
Transform) d’un signal défini par N échantillons, la suite de N termes définie par:
N 1 N 1 kn
Fe  j 2
X e ,T ( f )  
k 0
X k ( f  k
N
) avec Xk   x ( nTe )  e
n0
N

N : nombre de points temporels ou fréquentiels


n : variable temporelle n = 0, …, N−1
k : variable fréquentielle k = 0, …, N−1

La transformée de Fourier Discrète Inverse s’écrit ainsi:


N 1 N 1 kn
1 j 2
x e ,T ( t )   x  (t  kTe )
k 0
k avec xk 
N
X
n0
n e N

115
5. Chapitre 5: Numérisation
Transformée de Fourier Discrète
Application:
On veut utiliser la TFD pour analyser le contenu fréquentiel d'un signal continu x(t).
Ceci impose les opérations suivantes :
 Echantillonnage de x(t)  choix de la fréquence d'échantillonnage Fe fixé
par le théorème de Shannon
 Quantification pour générer le signal discret x(n)
 Troncature de x(n) à N échantillons
 Discrétisation du domaine fréquentiel en L points
Quelle est l'influence de ces 2 opérations sur le spectre donné par
la TFD?

Soit x(n) un signal discret. Le signal


résultant de la troncature de x(n) à
N d'échantillons est :
Xe,T(n)=x(n).h(n) avec
h(n)= 1 si 0≤n≤ N 0 sinon

116
5. Chapitre 5: Numérisation
La TFD du signal tronqué est:
Fe
X e ,T ( k )  X ( f ) H ( f ) f k
Fe avec k=0,1,…, L-1
L L
Le choix du pas fréquentiel Fe /L aura une influence sur la précision de l'analyse
spectrale sin( N  fTe )
H ( f )  e jfTe ( N 1)
sin(  fTe )

La convolution fréquentielle de X(f) par H(f) aura pour conséquence l'apparition


d'ondulations dans le spectre XN(f) et donc dans XN(k)

117
5. Chapitre 5: Numérisation
Exemple
Soit un signal sinusoïdal complexe x(t)=exp(j2πf0t)
 X ( f )   ( f  f0 )
A cause du fenêtrage, le spectre de la sinusoïde apparaît sous forme de plusieurs
raies non nulles

118