Chapitre 3.

Echantillonnage et Quantification des Signaux

Analyse Spectrale et Théorème de Shannon

Plan du chapitre

A. L’échantillonnage d’un signal analogique.

1. Principe.
2. Exemples.
B. Le spectre d’un signal échantillonné.
3. Formulation mathématique du signal échantillonné.
4. Transformée de Fourier du signal échantillonné.
5. Cas des signaux aux spectres bornés.
6. Cas des signaux aux spectres non bornés.
C. Quantification d’un signal échantillonné.
7. Principe
8. Types de quantification
9. Erreur de quantification
 Introduction

Tous les signaux que nous avons traites jusqu'a maintenant sont des signaux
analogiques. Mais si on désire effectuer des traitements numériques sur ce type de
signaux, il faudra les numériser. La numérisation d'un signal analogique x(t)
comporte deux étapes:

 La première consiste a échantillonner le signal dans le temps pour le rendre

discret, c'est-a-dire prélever la valeur du signal aux instants kT e. Te est la période
d‘échantillonnage.

 La seconde étape de la numérisation est la quantification. Elle permet de

représenter les échantillons x (kTe) à l'aide d'une suite binaire.

NB: L‘échantillonnage d'un signal présente d'autant plus d'intérêt que sous
certaines hypothèses, on arrive a reconstituer le signal x(t) analogique a partir des
échantillons x (kTe).

2
A. L’échantillonnage d’un signal analogique

1. Principe

L'échantillonnage d'un signal analogique, représenté par une fonction f(t), consiste à construire un
signal à temps discret obtenu en mesurant la valeur de f(t) toutes les Te secondes : fn = f(n.Te).

Te : la période d’échantillonnage.
Fe = 1/Te est dite la fréquence d’échantillonnage.

f(t)

f(3.Te)

t
Te

Représentation schématique

3
A. L’échantillonnage d’un signal analogique

2.Exemples

Taux d'échantillonnage Qualité du son

44 100 Hz CD
22 000 Hz Radio
8 000 Hz Téléphone

Remarque
Dans la pratique, l’échantillonnage est réalisé par des circuits intégrés, qui font
toute la conversion analogique numérique.

Exemple : ADC08B3000, 8-Bit.

4
B. Le spectre d’un signal échantillonné

1. Formulation mathématique du signal échantillonné

Mathématiquement, l'échantillon de x(t) qui correspond à t = k.T e est

représenté par le produit de la fonction x(t) par une impulsion de Dirac unité
centré sur k.Te.

x(t) δ(t – k.Te) = x(k.Te) δ(t – k.Te) = x(k) δ(t – k.Te)

f(t)
f(k.Te)
f(k.Te)

k.Te t
Te

x(k) δ(t – k.Te)

k.Te t
5
B. Le spectre d’un signal échantillonné

1. Formulation mathématique du signal échantillonné

Le signal échantillonné xe(t) noté x*(t) est, donc, formulé, mathématiquement, par le
produit de x(t) et le peigne de Dirac unité de période T e.

xe(t) = x*(t) = x(t) PgnTe(t)

f(t)

x(k) δ(t – k.Te)

t
x*(t)

PgnTe(t)

k.Te t
Te
t

Te 6
 Le spectre d’un signal échantillonné
Transformée de Fourier du signal échantillonné

La transformée de Fourier du signal x*(t) défini par :

xe(t) = x*(t) = x(t) PgnTe(t)

est TF(x*(t)) = Tf(x(t)) * Tf(PgnTe(t))

Calculer de la transformée de Fourier d’un peigne de Dirac:

Tout d’abord le peigne de Dirac est une fonction périodique x(t) de période T e,
déterminons son développement en série de Fourier:

Les coefficients de Fourier sont :

7
 Le spectre d’un signal échantillonné

Le peigne de Dirac s’exprime par :

PgnTe(t)

t
Te -Te/2 -Te/2

Soit donc:

8
 Le spectre d’un signal échantillonné
La transformée du peigne de Dirac est :

TF(PgnTe(t))=fe.Pgnfe(f)

f
fe
9
 Le spectre d’un signal échantillonné
En fin la transformée du signal échantillonné est :

Exemple de spectre d’un signal échantillonné S e(f)

10
 Théorème d’échantillonnage
B. Le spectre d’un signal échantillonné

2. Transformée de Fourier du signal échantillonné

Le spectre du signal échantillonné x*(t) est obtenu en périodisant avec une

période égale à Fe sur l’axe des fréquences le spectre de x(t) multiplié par F e.

x(t) x*(t)

t t

Te

X(f) X*(f)

f f
-Fe Fe 11
 Théorème d’échantillonnage

3. Cas des signaux au spectre borné

3.1 Définition

Un signal x(t) est à spectre borné lorsque le support de sa transformée de

Fourier X(f) est borné.

X(f) = 0 pour toute fréquence f de valeur absolue

supérieure strictement à une fréquence maximale f m.

X(f)

f
-fm fm

12
 Théorème d’échantillonnage
13
On se propose d’échantillonner ce signal à une fréquence F e.

On distingue trois cas :

Fe = 2fm X*(f)

Fe f
-fm fm
Fe > 2fm

-fm fm
Fe f

Fe < 2fm

-fm fm f
 Théorème d’échantillonnage

3. Cas des signaux au spectre borné

3.2. Théorème de Shannon.

Théorème de Shannon.

Afin d’éviter toute déformation du spectre d’un signal par son

échantillonnage, la fréquence d'échantillonnage F e doit être supérieure au
double de la fréquence maximale contenue dans ce signal.

Fe > 2. fm

Exemple d’application

L'oreille humaine peut capter les sons jusqu'à 16 kHz, quelquefois jusqu'à
20 kHz. Il convient donc, lors de la conversion, d'échantillonner le signal
Audio à au moins 40 kHz, la valeur normalisée est 44,1 kHz.

14
 Théorème d’échantillonnage

3. Cas des signaux au spectre borné

3.3. Reconstruction du signal à partir de ces échantillons.

Soit x(t) un signal continu à spectre borné, échantillonné en respectant

le théorème de Shannon.

X(f)
X*(f)

Comment peut on rétablir le signal continu x(t) à partir de x*(t)?

15
 Théorème d’échantillonnage

L’échantillonnage a introduit une périodicité du spectre dans l’espace des

fréquences; restituer le signal d’origine, c’est supprimer cette périodicité, c’est-à-
dire éliminer les bandes images, opération qui peut être réalisée à l’aide d’un filtre
passe bas:
En domaine fréquentiel

1/Fe pour –Fe/2 ≤ f ≤ Fe/2

H(f) =
0 ailleurs

X(f)

X(f) = X*(f) . H(f)

f
16
 Théorème d’échantillonnage

En domaine temporel

On a : X(f) = X*(f) . H(f)

d‘où :
x(t) = x*(t) * h(t)

= x*(t) * sin (π.Fe.t)/(π.Fe.t)

Donc :

17
 Théorème d’échantillonnage

Pour que le signal calculé x(t) soit identique au signal d’origine, il faut que le spectre
X( f ) soit identique au spectre du signal d’origine. Comme le montre ci-dessus,
cette condition est vérifiée si et seulement si le spectre d’origine ne contient pas
de composantes aux fréquences supérieures ou égales à fe /2.
18
 Filtre Anti-repliement

4. Cas des signaux au spectre non borné

4.1. Enoncé du problème.

Considérons le spectre suivant:
X(f)

Ce signal possède une fréquence infinie alors pour éviter la déformation du spectre par
échantillonnage, ce signal doit être échantillonné à une fréquence Fe infinie.

19
 Théorème d’échantillonnage

4. Cas des signaux au spectre non borné

4.2. Solution.

Dans la pratique, on fixe une fréquence f m au dessous de laquelle, on considère que les
harmoniques constituent le signal utile.

Les fréquences au dessus de fm, correspond alors à des signaux bruits ou à des signaux
assez faibles pour ne pas influencer le signal propre.

Afin d’éviter le repliement causé

par l’échantillonnage, on doit le
précéder par un filtrage passe
bas, dit filtrage anti repliement.
-fm fm

20
Quantification

21
 Théorie de la quantification

Le signal échantillonné - bloqué peut à ce stade être converti sous forme binaire
(numérique) pour être stocké. Ce codage s'appelle la quantification.

Le rôle de la quantification est de donner une image binaire d’un signal analogique :

Passage Analogique – Numérique

Signal Continu – Signal discret

Tension – chiffre
Principe
A chaque niveau de tension est associé une valeur binaire codée sur n bits:
n bits vont permettre de distinguer 2 n niveaux de tension répartis de -Vm à +Vm. On
a ainsi un pas de quantification:

Exemple:
un signal de +/-5V codé sur 8 bits donnera un pas de quantification q=39mv.
22
 Théorie de la quantification
Caractéristique d’entrée – sortie d’un CAN:

Est une caractéristique en marche d’escalier. Chaque palier a une largeur d’un pas de
quantification q. La passage d’un palier à un autre correspond à une variation de ‘1’
du code.
xk
x(t)

*q

Le pas de quantification est aussi appelé quantum. Il correspond à la résolution du

convertisseur. Le quantum est la plus petite variation de tension que le
convertisseur peut coder.

23
 Bruit de la quantification
Ce procédé introduit naturellement une distorsion qui dépend autant de la nature du
signal que de la loi de quantification adoptée.

On appelle distorsion ou bruit de quantification (t):

Le bruit de quantification (t) est considéré comme un processus aléatoire, Il

possède une densité de probabilité p().

Pour une quantification uniforme, la densité de probabilité est uniforme sur

l'intervalle [-q/2, q/2] avec :

p()

1/q

-q/2 0 q/2
24
 Quantification: Rapport Signal sur bruit
On définit le rapport signal sur bruit en dB pour un système, le rapport de la
densité de puissance du signal d’entrée du système par la densité du bruit qui
affecte le signal utile :

 Quantificateur uniforme sur N bits :

Un quantificateur uniforme permet de représenter une valeur présente à son

entrée sous forme d’un mot binaire de N bits, dans le cas d’un signal sinusoïdale de
valeur maximale Vmax , la puissance S est donnée par :

La valeur maximale crête peut être représentée numériquement par :

Ce qui donne :

25
 Quantification: Rapport Signal sur bruit
La puissance du signal est :

Puissance du bruit :

 Calcul de la moyenne  :

 Calcul de la puissance de l’erreur 2 :

La puissance du bruit de quantification est :

26
 Quantification: Rapport Signal sur bruit
Le rapport signal sur bruit :

Rajouter un bit au convertisseur

revient à ajouter 6dB au RSB

27
 Quantification: Rapport Signal sur bruit
Quantification par la méthode d’arrondi

Vq

4
3
2
1
0 V*
q 2q 3q 4q

Courbe de transfert du quantificateur par arrondi

 Quantification: Rapport Signal sur bruit

Quantification par la méthode de troncature

Vq

4
3
2
1
0 V*
q 2q 3q 4q

Courbe de transfert du quantificateur par troncature

 Quantification: Rapport Signal sur bruit
Erreur de quantification

L’erreur de quantification est mesurée par : εq(t) = Vq(t) – V*(t)

Pour la quantification par arrondi :
εq(t)

q/2

-q/2
Chapitre 3.

Transformée en Z
&
Filtrage Numérique

31
 Introduction
Grâce au théorème de Shannon, la limitation des cases mémoires a été possible car
dans le cas contraire et afin de restituer le signal analogique, on devait stocker
tous les échantillons. Autrement dit si le nombre des échantillons est très grand
cela nécessite une capacité mémoire de taille très grande.

Ainsi à l’aide d’une capacité mémoire limitée, on doit trouver une relation
permettant de combiner des valeurs retardées du signal d’entrée et/ou du signal
de sortie à l’instant n puis l’instant d’après…, afin de retrouver le signal de sortie
au même instant.

Ces équations trouvées seront aux formats des équations aux différences, dont
leurs solutions est facilitées par la transformée en Z.

Principe :

Prenons le cas d’un filtre passe-bas analogique de fonction de transfert

Pour une entrée impulsion x(t)=(t), la sortie Y(jω)=H(jω)

Soit donc : 32
 Principe

La transformée inverse de la fonction h(jω) est :

On pose ω0 la fréquence de coupure égale à 1/, h(t) s’écrit alors :

h(t) Pour =1s, on détermine h(t) pour les différents instants :

h(0)=h0 1
h(t0)=h1 0.368
h(2t0)=h2 0.135
h(3t0)=h3 0.050
h(4t0)=h4 t 0.018

A l’instant nul et l’instant t0 on prélève la valeur de h(t) correspondante, puis

pour les instants multiples 2t0 , 3t0 , 4t0 33
 Principe

Ecrivons h*(t) la fonction échantillonnée de l’impulsion, soit :

Appliquons la transformée de Fourier à la fonction h*(t):

Soit sous forme réduite :

34
 définition
La transformée en Z de la suite x (n) , notée X(Z) , est définie par la relation
suivante :

Z est une variable complexe et la fonction X(Z) possède un domaine de convergence

qui en général est un anneau centré sur l’origine, de rayons R 1 et R2. C’est à-dire que
X(Z) est défini pour R1 < R2. Les valeurs R1 et R2 dépendent de la suite x (n).

Si la suite x(n) représente la suite des échantillons d’un signal prélevés avec la
période Te, la transformée de Fourier de cette suite s’écrit :

Ainsi, pour Z = ej2πfTe la transformée en Z de la suite x(n) coïncide avec sa

transformée de Fourier.

35
 SYSTÈMES DÉFINIS PAR UNE ÉQUATION AUX
DIFFÉRENCES

Les systèmes LIT, les plus intéressants sont les systèmes où les suites d’entrée et
sortie sont liées par une équation aux différences linéaire à coefficients constants.

Un système de ce type d’ordre N est défini par la relation suivante :

En appliquant la transformation en Z aux deux membres de cette équation, et en

désignant par Y(Z) et X(Z) les transformés des suites y (n) et x (n), on obtient :

Soit :

36
 Les filtres à réponse Impulsionnelle finie (RIF)

Les filtres numériques à réponse impulsionnelle finie (RIF) sont des systèmes
linéaires discrets invariants dans le temps définis par une équation selon laquelle un
nombre de sortie, représentant un échantillon du signal filtré, est obtenu par
sommation pondérée d’un ensemble fini de nombres d’entrée, représentant les
échantillons du signal à filtrer. Les coefficients de la sommation pondérée
constituent la réponse impulsionnelle du filtre et un ensemble fini d’entre eux
seulement prennent des valeurs non nulles.

Ce filtre est du type « à mémoire finie », c’est-à dire qu’il détermine sa sortie en
fonction d’informations d’entrée d’ancienneté limitée.

Il est fréquemment désigné par filtre non récursif, en raison de sa structure, car il
ne nécessite pas de boucle de réaction dans sa réalisation, comme c’est le cas pour
une autre catégorie de filtres, celle des filtres à réponse impulsionnelle infinie.

37
 Synthèse des Filtres Numériques(RIF)
Synthèse par réponse indicielle
Exemple : on se propose de trouver la transmittance d’un filtre passe-haut
numérique qui répond à un échelon à partir d’un filtre passe-haut analogique du 1er
ordre de constante de temps 10 ms soit de fréquence de coupure fc = 15,9 Hz.

Filtre numérique

La transmittance du filtre numérique est :

38
39
40
41