Chapitre 4.

Échantillonnage des signaux :

Du signal continu au signal numérique

4.1. Introduction [𝟏]

Les signaux physiques sont analogiques, et nécessitent donc une numérisation
afin d’être traités sur ordinateur. La numérisation consiste à mesurer le signal
physique (une tension électrique généralement) à des intervalles de temps réguliers,
et coder cette mesure sur un nombre fini de bits. La première partie est
l’échantillonnage pour rendre le signal discret. La grandeur caractéristique de
l’échantillonnage est la fréquence d’échantillonnage, ou sa cadence, la seconde
partie c’est la quantification pour associer à chaque échantillon une valeur. Enfin le
codage pour associer un code à chaque valeur.

Figure 1 : Chaîne de numérisation

4.2. Echantillonnage [𝟐]
4.2.1. Définition
L’échantillonnage consiste à prélever à des instants précis, le plus souvent
équidistants, les valeurs instantanées d’un signal. Le signal analogique s(t), continu dans
le temps, est alors représenté par un ensemble de valeur discrètes :
𝑠𝑒 (𝑡 ) = 𝑠(𝑛𝑇𝑒 ) avec n entier et Te : période d’échantillonnage.
Cette opération est réalisée par un échantillonneur souvent symbolisé par un interrupteur.

Figure 2 : Echantillonnage d’un signal continu

4.2.2. Echantillonnage idéal [𝟐]
L’échantillonnage idéal est modélisé par la multiplication du signal continu s(t)
et d’un peigne de Dirac de période Te.
𝑠𝑒 (𝑡 ) = 𝑠(𝑡 ) 𝛿𝑇𝑒 (𝑡) = 𝑠(𝑡 ) ∑∞ ∞
−∞ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) = 𝑠 (𝑛𝑇𝑒 ) ∑−∞ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) (1)
Le spectre du signal échantillonné est donc le suivant :
∞ ∞
1 1
𝑆𝑒 (𝑓) = ∑ 𝑆(𝑓) ∗ 𝛿 (𝑓 − 𝑛𝑓𝑒 ) ⇛ 𝑆𝑒 (𝑓) = ∑ 𝑆(𝑓 − 𝑛𝑓𝑒 ) (2)
𝑇𝑒 𝑇𝑒
−∞ −∞
On obtient donc un spectre infini qui provient de la périodisation du spectre du signal
d’origine autour des multiples de la fréquence d’échantillonnage.
 Echantionage

Figure 3: Non existence de recouvrement spectral

Remarques :
𝑓𝑒
a) Si fM > avec fM : la fréquence maximale du spectre du signal à échantillonner
2
La restitution du signal original sera impossible car il va apparaître un recouvrement
spectral lors de l’échantillonnage (figure 4). On dit qu’on est en sous-
échantillonnage.

Figure 4: Existence de recouvrement spectral

b) Si fe> 2fM , il y a sur-échantillonnage. Alors les motifs successifs obtenus par
périodisation du spectre sont disjoints et éloignés l’un de l’autre (figure 3). Le
filtrage passe-bas pour la récupération du signal est utilisé. Plus on prendra
d’échantillons par période, plus le signal sera facile à reconstruire.

4.2.3. Le théorème de SHANNON

Ce théorème montre que la reconstitution correcte d’un signal nécessite que la fréquence
d’échantillonnage fe soit au moins deux fois plus grande que la plus grande des
fréquences fM du spectre du signal :
fe > 2 fM
4.2.4. Echantillonnage réel [𝟏]
En pratique, l’échantillonnage s’effectue en commandant un interrupteur par un
train d’impulsions étroites. Il est donc impossible d’obtenir des échantillons de durée
quasiment nulle. La modélisation de l’échantillonnage par un peigne de Dirac est donc
erronée. En fait, chaque impulsion va avoir une durée très courte τ. L’échantillonnage
peut donc être modélisé par la multiplication du signal par une suite de fonction rectangle
(ou porte) de largeur τ.

Figure 5 : Suite de fonction rectangle de largeur τ.

L’expression du signal d’échantillonnage devient donc :
𝑡−𝑘𝑇𝑒 𝑡
𝑦 (𝑡 ) = ∑ ∞
𝑘=−∞ 𝑟𝑒𝑐𝑡 ( ) = 𝑟𝑒𝑐𝑡 ( ) ∗ ∑∞
−∞ 𝛿 (𝑡 − 𝑘𝑇𝑒 ) (3)
𝜏 𝜏
Et par conséquent, sa transformée de Fourier est égale à :
1
𝑌(𝑓) = 𝜏𝑠𝑖𝑛𝑐(𝜏𝑓) ∑∞
−∞ 𝛿 (𝑓 − 𝑘𝑓𝑒 ) (4)
𝑇𝑒
Comme l’expression du signal échantillonné est :
𝑠𝑒 (𝑡 ) = 𝑠(𝑡 ). 𝑦(𝑡) (5)
Sa transformée de Fourier devient :
𝜏
𝑆𝑒 (𝑓) = 𝑆(𝑓) ∗ 𝑌(𝑓) = 𝑆(𝑓) ∗ ∑∞ 𝑘=−∞ 𝑠𝑖𝑛𝑐 (𝜏𝑓 ). 𝛿 (𝑓 − 𝑘𝑓𝑒 ) (6)
𝑇𝑒
𝜏
𝑆𝑒 (𝑓) = 𝑠𝑖𝑛𝑐 (𝜏𝑓) ∑∞
𝑘=−∞ 𝑆(𝑓 − 𝑘𝑓𝑒 ) (7)
𝑇𝑒

On retrouve la même allure de spectre modulé en amplitude par une fonction en sinus
cardinale.

Figure 6 : Allure du spectre modulé en amplitude par une fonction en sinus cardinale.
Remarque :
- Pour se rapprocher d’un échantillonnage idéal et qu’ainsi le signal soit facilement
reconstructible, il faut que τ soit le plus petit possible.
- Dans le cas où τ est du même ordre de grandeur que fe, il faudra fe >> 2 fM
4.3. La reconstruction [𝟑]
4.3.1. Problématique
On a échantillonné un signal x(t) en respectant le théorème de Shannon, comment fait-on pour le
reconstruire à partir des échantillons?

4.3.2. Hypothèses :
- La condition de Shannon a été respectée lors de l'échantillonnage
- Echantillonnage idéal
4.3.3. Solution: Pour reconstruire le signal, il suffit de prendre la TF inverse du motif de base de
Xe(f ).
 Filtrage passe bas idéal
 Diviser par Fe
 Puis TF inverse

Figure 6 : La reconstitution d’un signal échantillonné

4.4. Quantification [𝟏]
4.4.1. Introduction
La deuxième étape de la numérisation est la quantification, elle consiste à ‘’découper’’
l’amplitude du signal en valeurs discrètes.
La « plage » de mesure du CAN est alors découpée en tranches appelées pas ou
résolution du CAN (Δ).
Le pas d’un CAN est la plus petite variation de tension que la CAN peut
repérer.
Exemple :
La plage d’étude du CAN est 10 V, il effectue une quantification sur 2 bits (n = 2).

𝑝𝑙𝑎𝑔𝑒 𝑑𝑒 𝑚𝑒𝑠𝑢𝑟𝑒 10
𝑝𝑎𝑠 = = = 2.5 𝑣 (8)
2𝑛 4
4.4.2. Unités
Les unités les plus utilisées dans le monde numérique :
Le bit : c’est l’unité de base, elle correspond à l’unité de mémoire la plus petite sur un
ordinateur elle peut prendre deux valeurs : (0 ou 1).

1 bit : on peut mémoriser deux états : 0 et 1

2 bits : 22 = 4 états 00, 01, 10,11

3 bits : 23 = 8 états 000,001, 010, 100, 011, 110, 101,111

La formule générale : pour n bits on a 𝟐𝟑 états différents
L’octet : 1 octet = 8 bit soit : 28 =256 états différents

La quantification consiste à associer à une valeur réelle x quelconque, une autre valeur x q
appartenant à un ensemble fini de valeurs et ce suivant une certaine loi : arrondi supérieur, arrondi
le plus proche, etc… L’écart entre chaque valeur xq est appelé pas de quantification. Le fait
d’arrondire la valeur de départ entraîne forcément une erreur de quantification que l’on appelle
le bruit de quantification

.4.3. Quantification uniforme [𝟏]

La loi de quantification uniforme utilise le pas de quantification (Δ) constant entre
chaque valeur xq.

Figure 7 : La quantification uniforme

Le bruit de quantification nq est dans ce cas un signal aléatoire. Ces
caractéristiques sont donc définies par ses propriétés statistiques. On peut alors
démontrer que la puissance du bruit de quantification est égale à :

∆2
𝑃𝑛𝑞 = (9)
12
 Si sa densité de probabilité est uniforme, le rapport signal sur bruit dû à la
quantification est donc égale à :

𝑆 𝑉𝑠𝑒𝑓𝑓 2
( ) = 20 log [12( ) ] (10)
𝑁 𝑑𝐵 ∆
𝑉𝑃𝐸 = 2𝑛 . ∆ (11)
𝑉𝑃𝐸
∆= (12)
2𝑛
𝑉𝑃𝐸 la plage de mesure, ainsi on peut écrire :

𝑆 𝑉𝑠𝑒𝑓𝑓 𝑉𝑠𝑒𝑓𝑓
( ) = 20 log(12)+ 20𝑙og(2𝑛 ) =20 log(12) + 20𝑙og(2𝑛 ) + 20𝑙og( ) (13)
𝑁 𝑑𝐵 𝑉𝑃𝐸 𝑉𝑃𝐸

𝑆 𝑉𝑠𝑒𝑓𝑓
( ) = 6.02𝑛 + 10.8 + 20𝑙og( ) (14)
𝑁 𝑑𝐵 𝑉𝑃𝐸

Ainsi, dans le cas d’un convertisseur analogique-numérique (CAN), chaque fois

que l’on rajoutera un bit dans le résultat de conversion, on améliorera le rapport signal
sur bruit dû à la quantification d’environ 6 dB.

Remarque :
En traitement du signal, on considère la puissance d’un signal aux bornes d’une
résistance de 1 Ω. La puissance est donc égale au carré de la valeur efficace.

Exemple :
Si l’on veut numériser une sinusoïde et que l’on fixe 𝑉𝑃𝐸 =2. 𝑉𝑚𝑎𝑥
Dans ce cas :
𝑉𝑚𝑎𝑥 𝑆 .𝑉𝑚𝑎𝑥
𝑉𝑠𝑒𝑓𝑓 = et ( ) ≈ 6.02𝑛 + 10.8 + 20𝑙og( )
√2 𝑁 𝑑𝐵 2√2..𝑉𝑚𝑎𝑥
𝑆
( ) ≈ 6.02𝑛 + 1.77
𝑁 𝑑𝐵

Figure 8 : Représentation du signal quantifié en plus d’un bruit.

 Annexe 1 : Transformée de Fourier d’un peigne de Dirac [𝟐]
𝑡−𝑘𝑇𝑒 𝑡
𝑦 (𝑡 ) = ∑ ∞
𝑘=−∞ 𝑟𝑒𝑐𝑡 ( ) = 𝑟𝑒𝑐𝑡 ( ) ∗ ∑∞
−∞ 𝛿 (𝑡 − 𝑘𝑇𝑒 ) (1)
𝜏 𝜏
𝑠𝑒 (𝑡 ) = 𝑠(𝑡 ) 𝛿𝑇𝑒 (𝑡) = 𝑠 (𝑡 ) ∑ ∞
− 𝑛𝑇𝑒 ) = 𝑠(𝑛𝑇𝑒 ) ∑∞ −∞ 𝛿 (𝑡
−∞ 𝛿 (𝑡 − 𝑛𝑇𝑒 ) (2)
𝛿𝑇 (𝑡) = ∑∞𝑘=−∞ 𝛿 (𝑡 − 𝑘𝑇) (3)
La décomposition en série de Fourier donne : (4)
𝑡 𝑇𝑒⁄
𝑗𝑛2𝜋 1
𝑆𝑑𝑓⌈𝛿𝑇𝑒 (𝑡)⌉ = ∑∞
𝑘=−∞ 𝑆𝑛 𝑒
𝑗𝑛2𝜋𝑓0 𝑡
= ∑∞
−∞ 𝑆𝑛 𝑒
𝑇𝑒 avec 𝑆𝑛 = ∫ 𝑇 2 𝑠(𝑡)𝑒 −𝑗𝑛2𝜋𝑓𝑒𝑡
𝑇0 − 𝑒⁄2
𝑑𝑡
𝑇𝑒⁄
1
d’où 𝑆𝑛 = ∫ 𝑇 2 ∑∞
𝑇𝑒 − 𝑒⁄2 𝑘=−∞
𝛿 (𝑡 − 𝑘𝑇) 𝑒 −𝑗𝑛2𝜋𝑓𝑒𝑡 𝑑𝑡 (5)
1 1
sur [− , ] 𝛿𝑇 (𝑡 ) = 1 pour t=0 et 0 ailleurs
𝑇𝑒 𝑇𝑒
1 1
donc 𝑆𝑛 = 𝑒 −𝑗𝑛2𝜋𝑓𝑒𝑡 ⌋𝑡=0 = (6)
𝑇0 𝑇𝑒
donc la décomposition en série de Fourier du peigne de Dirac vaut :
1 1
𝑆𝑑𝑓⌈𝛿𝑇𝑒 (𝑡)⌉ = ∑∞
−∞ 𝑒 −𝑗𝑛2𝜋𝑓0𝑡 = ∑∞
−∞ 𝑒
−𝑗𝑛2𝜋𝑓0 𝑡
(7)
𝑇0 𝑇0

Comme TF [𝛿𝑇𝑒 (𝑡 )] = 𝛿 (𝑓 + 𝑓𝑒 ) (8)

TF [𝛿𝑇 (𝑡) ] = ∑∞
𝑘→−∞ 𝛿 (𝑓
− 𝑘𝑓𝑒 )
La transformée de Fourier d'un peigne de Dirac (en temps) est un peigne de Dirac (en fréquence).

Annexe 2 : Transformée de Fourier de la fonction porte [𝟐]

𝑡 1
𝑡
1 𝑝𝑜𝑢𝑟 | | <
𝑇 2
𝑟𝑒𝑐𝑡 ( ) = { 𝑡 1
(9)
𝑇
0 𝑝𝑜𝑢𝑟 | | >
𝑇 2
La transformée de Fourier donne :
𝑡 ∞ 𝑡 𝑇⁄
TF [𝑟𝑒𝑐𝑡 ( )] = ∫−∞ 𝑟𝑒𝑐𝑡 ( ) 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 =∫−𝑇⁄2 𝑒 −𝑗2𝜋𝑓𝑡 𝑑𝑡 (10)
𝑇 𝑇 2
𝑇⁄
𝑡 𝑡 2 𝑡
D’où TF [𝑟𝑒𝑐𝑡 ( )] = [ 𝑒 −𝑗2𝜋𝑓𝑡 ] = [𝑒 𝑗2𝜋𝑓.𝑇⁄2 − 𝑒 −𝑗2𝜋𝑓.𝑇⁄2 ] (11)
𝑇 −𝑗2𝜋𝑓 −𝑇⁄2 −𝑗2𝜋𝑓

𝑡 𝑡 𝑒 𝑗𝜋𝑓.𝑇−𝑒 −𝑗𝜋𝑓.𝑇 sin(𝜋𝑓𝑇)

TF [𝑟𝑒𝑐𝑡 ( )] = [ ] = (12)
𝑇 𝜋𝑓 2𝑗 𝜋𝑓
sin(𝜋𝑡)
Comme 𝑠𝑖𝑛𝑐 (𝑡 ) =
𝜋𝑡
𝒕
TF [𝒓𝒆𝒄𝒕 ( )] = T 𝒔𝒊𝒏𝒄(𝑻𝒕) (14)
𝑻
La transformée de Fourier d’une fonction porte est un sinus cardinal