Traitement de signal

1ère Année cycle Ingénieur

Département AEEE

ENSAM de Meknès 1
 Introduction générale
Traitement du signal

Le traitement du signal consiste en un ensemble de théories et de méthodes,

relativement indépendantes du signal traité, permettant de créer, d'analyser,

de modifier, de classifier, et finalement de reconnaître les signaux.

Signal :

On désigne par signal l'information relative à une grandeur physique qui

évolue dans le temps. Les signaux les plus couramment utilisés sont les signaux

électriques. Mais ces signaux sont le plus souvent des traductions de signaux

physiques comme des signaux acoustiques, sismiques, de température ou de

pression …
ENSAM de Meknès 2
 Introduction générale
Comment obtenir un signal électrique ?

L'obtention des signaux électriques à partir des variations d'une grandeur

naturelle se fait à l'aide d'un capteur ou d'un transducteur

ENSAM de Meknès 3
 Introduction générale

Chaine de transmission

Système Capteur Récepteur Traitement

Transmission
physique
bruit
bruit
Grandeur physique : Analyse

(T°, P, J, V, A, Ω, …etc.) Extraction

d’information

Reconnaissanc
e de Formes

Compression
(mp3, ….)

Codage

ENSAM de Meknès …. etc 4

 Introduction générale
Exemple

Traitement

Information reçue Information utile

Analogique Numérique
Type analogique Type analogique
Transformée
Grandeur
physique :
de Fourier
Pression, Conversion de
Température, Capteur l’information
vitesse, en Numérique
Accélération,
effort
Filtrage
analogique
Transformée
en Z

Filtrage
Numérique

Conversion de
l’information
en Analogique
ENSAM de Meknès 5
 Introduction générale
Représentation des signaux
Un signal peut avoir trois modes de représentation possible :

 Analogique

temps

 Numérique

temps

 Spectrale

fréquence

ENSAM de Meknès 6
 Introduction générale
Classification des signaux

Classification dimensionnelle

Signal monodimensionnel. 1D dépendant d’un seul paramètre ( température

Signal bidimensionnel. 2D dépendant de deux paramètres ( images)

Signal tridimensionnel. 3D dépendant de trois paramètres ( vidéos,…)

Evolution temporelle

Signaux déterministes: signaux dont l’évolution en fonction du temps peut

être parfaitement décrite grâce à une expression mathématique ou
graphique
Sous catégories
apériodiques transitoires
périodiques

ENSAM de Meknès 7
 Introduction générale

Signaux aléatoires: Signaux dont l‘évolution temporelle est imprévisible et dont

on ne peut pas prédire la valeur a un temps t. La description est basée sur les
propriétés statistiques des signaux (moyenne, variance, loi de probabilité, …)

Parmi les signaux aléatoires on distingue :

 Les signaux stationnaires : (les statistiques sont indépendantes du temps)
ergodiques (une réalisation du signal permet d’éstimer les statistiques)
non ergodiques

ENSAM de Meknès 8
 Introduction générale
Classification des signaux

Classification morphologique

Signaux continus (analogiques)

signal défini à chaque instant t
Traitement analogique du signal

Signaux discrets (numériques)

signal défini uniquement en des instants tk.
Traitement numérique du signal

ENSAM de Meknès 9
 Introduction générale
Classification des signaux
Classification morphologique

Chapitres 1, 2 et 3

Chapitre 4

ENSAM de Meknès 10
 Introduction générale
Classification des signaux
Classification énergétique

 Energie et Puissance des signaux

 l’énergie d’un signal continu s(t) réel ou complexe est :

 
2
E  s(t ) s * (t )dt   s (t ) dt
 

s*(t) représente le signal complexe conjugué de s(t).

 Puissance moyenne :

ENSAM de Meknès 11
 Introduction générale
Classification des signaux
Classification énergétique

 Energie et Puissance des signaux

 Un signal d’énergie E finie a une puissance moyenne P nulle:
Cas des signaux représentant une grandeur physique, Signaux
transitoires à support borné.
 Les signaux à énergie infinie ont une puissance moyenne non nulle
Cas des signaux periodiques.
 Dans le cas des signaux périodiques, la puissance moyenne P est la
puissance moyenne calculée sur une période T0 :

Il existe des signaux d’énergie et de puissance moyenne infinie

ENSAM de Meknès 12
 Introduction générale

Passage : temps Fréquence

Signaux périodiques

Série de Fourier

Signaux uniques

Intégrale de Fourier

Signaux Aléatoires

Intégrale de Fourier
Numérique
ENSAM de Meknès 13
 Analyse Spectrale des Signaux Périodiques

 Définition
 Exemples et représentations spectrales
 Série de Fourier Trigonométrique
 Série de Fourier en cosinus
 Spectre unilatéral
 Travaux Dirigés

ENSAM de Meknès 14
 Série de Fourier

L'analyse des signaux (complexes ou réels) et des systèmes linéaires dans le

domaine des fréquences est basée sur la représentation des signaux en fonction de
la variable de fréquence et cela se fait grâce à l'emploi de série de Fourier et
transformée de Fourier. La Série de Fourier est appliquée à des signaux périodiques
tandis que la transformée de Fourier peuvent être appliqués à des signaux
périodiques et non périodiques.
Théorème : [Série de Fourier] Soit x (t) un signal périodique de période T0. Si les
conditions suivantes (connus sous les conditions de Dirichlet) sont satisfaits :

1. x (t) est absolument intégrable sur la période; c'est-à-dire:

2. Le nombre de maxima et minima de x (t) dans chaque période est fini,

3. Le nombre de discontinuités de x (t) dans chaque période est fini,

ENSAM de Meknès 15
 Série de Fourier

alors x (t) peut être étendue en fonction des signaux exponentielles complexes:

avec  est arbitraire

Ou bien sous la forme :

En général, . /xn/ représente le module de xn et est sa phase.

ENSAM de Meknès 16
 Série de Fourier

Quelques observations concernant le théorème:

 Les coefficients xn sont appelés les coefficients de Fourier. Ce sont, en général,

des nombres complexes.

 Le paramètre α dans les limites de l'intégrale est arbitraire, Il peut être choisi
pour simplifier le calcul de l'intégrale, habituellement α = 0 ou α = -T0 /2 sont des
bons choix.

 La quantité f0 = 1/T0 est la fréquence fondamentale du signal x (t). On observe

que les fréquences des signaux sont des multiples de cette fréquence fondamentale.
La n-ième multiple de la fréquence fondamentale (pour des n positifs) est appelée
harmonique de rang n.

ENSAM de Meknès 17
 Série de Fourier

La représentation du module et de la phase de la série de Fourier du signal

périodique est appelée, la représentation discrète spectrale du signal périodique
x(t).

ENSAM de Meknès 18
 Série de Fourier

Exemple 1 : soit x(t) un signal périodique représenté par la figure ci-dessous.

On appelle ce signal une Impulsion rectangulaire, sa décomposition en série de

Fourier est :
On observe tout d’abord sa période T0.

xn

ENSAM de Meknès 19
 Série de Fourier

Le signal x(t) peut être écrit sous la décomposition en série de Fourier par :

Représentation de la fonction sinus La représentation spectrale du

cardinal signal est :

ENSAM de Meknès 20
 Série de Fourier
Exemple 2 : soit x(t) un signal périodique représenté par la figure ci-dessous:

Solution :
Ici la période est T0= 2, il est intéressent de choisir =1/2.

ENSAM de Meknès 21
 Série de Fourier
Pour ces valeurs de xn on a la décomposition de la série de Fourier du signal x(t) :
Pour n= 1, on x1=2/π et pour n= -1, on a x-1=2/π.

Soit donc pour différentes valeurs de n variant de - à +, on a:

ENSAM de Meknès 22
 Série de Fourier pour les signaux réels:
Série de Fourier Trigonométrique
Si le signal x (t) est un signal réel satisfaisant les conditions du théorème de série
de Fourier, alors il existe d'autres moyens pour décomposer le signal. Pour les x (t)
réels, nous avons :

Cela signifie que pour un x (t) réel et périodique, les coefficients x des indices
positifs n et négatifs (-n) sont conjugués. Par conséquent, |xn| a même symétrie par
contre la phase de xn a une symétrie impaire par rapport à l'axe n = 0.

ENSAM de Meknès 23
 Série de Fourier Trigonométrique

Un exemple de spectre discret pour un signal réel est représenté sur la figure
suivante :

Module de xn Phase de xn

A partir de et si on note alors

Par conséquent, pour n ≥ 1, on a:

ENSAM de Meknès 24
 Série de Fourier Trigonométrique
Comme x0 est réel et posant x0 = a0/2, nous concluons que :

Cette relation, qui ne s’applique que pour un signal x(t) réel et périodique, est
appelé le Développement trigonométrique en série de Fourier. Pour obtenir an et bn,
nous avons :

Et par conséquent :

On déduit que :

ENSAM de Meknès 25
 Spectres d’Amplitudes et de Phases

Le développement en série de Fourier de x(t) peut s’écrire sous la forme :

Avec :

Dans un spectre unilatéral, chaque fréquence est représentée par une raie de
hauteur égal à, respectivement, l’amplitude et la phase de l’harmonique composante
sur le spectre d’amplitudes et de phases.

Spectre Unilatéral
ENSAM de Meknès
26
 Spectres d’Amplitudes et de Phases
Spectre Unilatéral

Dans un spectre unilatéral, chaque fréquence est représentée par une raie de hauteur égal à,
respectivement, l’amplitude et la phase de l’harmonique composante sur le spectre d’amplitudes et de
phases.

Spectre Bilatéral
Dans un spectre bilatéral, les amplitudes sont représentés par les modules des coefficients Ck , et les phases
sont représentées par leurs arguments.

Ecole Nationale Supérieure d’Arts et Métiers 27

 Résumé

En résumé, pour un signal réel périodique x(t), nous avons trois façons alternatives
pour représenter le développement en série de Fourier :

où les coefficients correspondants sont obtenus à partir :

ENSAM de Meknès 28
 Série 1 de TD
Exercice 1: à la sortie d’un capteur d’instrumentation de la pression, on reçoit un
signal x(t) réel écrit sous la forme suivante :

1) Faire la représentation spectrale en amplitude et en phase du signal x(t).

Amplitude La fréquence fondamentale est f0=1500Hz

1,5 3 4.5 6 f en KHz

Phase

π/3

π/6

-π/6 1,5 3 4.5 6 f en KHz

29
ENSAM de Meknès
 Travaux Dirigés
2) Avant d’arriver à son destination pour actionner l’opération correspondante, un
bruit de type sinusoïdale de forte amplitude et de fréquence 9KHz vient se
superposer à notre signal utile.
Le premier traitement analogique consiste à éliminer ce bruit.
a) Compléter la représentation avec le signal bruité.
b) Déterminer le type de filtre de fonction de transfert H(jω).
c) Pour annuler l’effet de la raie produite par le bruit, cette dernière doit être
atténuée à -9dB, on demande de déterminer la pente de la fonction de
transfert en module. En déduire sa fréquence de coupure et le gain statique de
H(jω).

On détermine tout d’abord les amplitude en dB, soit 20log(amplitude).

La deuxième harmonie est celle de plus grande amplitude, qui vaut 12dB. Donc
l’amplification A0 de la fonction de transfert sera 12db, alors que la fréquence de
coupure commence à partir de la troisième harmonie soit f0=4.5KHz.

La fréquence du bruit est située à 9KHz, ce qui conduit au terme des pentes à une
intervalle d’1 octave. Alors une atténuation de -9dB, impose une pente de
(12-(-9))/octave, soit 21dB/octave.
En conclusion un filtre passe bas d’ordre 4 est suffisant pour éliminer ce bruit.
ENSAM de Meknès 30
 Analyse Spectrale des Signaux non-Périodiques

1. Définition
2. Produit de Convolution
3. L’Autocorrélation
4. L’Intercorrélation
5. Propriétés de la Transformée de Fourier

1. Fonction signe
2. Fonction échelon
3. Fonction rampe
4. Fonction rectangulaire
5. Impulsion de Dirac

ENSAM de Meknès 31
A. Transformation de Fourier

Un signal apériodique peut être considéré comme un signal périodique de période infinie.
Sa fréquence fondamentale va donc tendre vers 0 : f0 0.

On définit la transformée de Fourier d’un signal non périodique, absolument sommable,

par :

La transformée inverse de Fourier est donnée par :

ENSAM de Meknès 32

Ecole Nationale Supérieure d’Arts et Métiers 32

A. Transformation de Fourier
Exemple
e  at pour t  0 *
Soit x(t) un signal non périodique définie par: x(t )   a
0 pour t 0
  

 x(t ).e  j 2 ft .dt   .e .dt  

 at  j 2 ft  ( a  j 2 f ) t
X(f )  e e .dt
 0 0

 ( a  j 2 f ) t 
 e  1
X(f )    
 (a  j 2 f )  0 a  j 2 f

Dont :
1
Le module ou le spectre en amplitude de X(f) est : X ( f ) 
a 2  (2 f ) 2
 2 f 
L’Argument ou le spectre en phase de X(f) est : Arg ( X ( f ))     arctan g  
 a 

ENSAM de Meknès 33

Ecole Nationale Supérieure d’Arts et Métiers 33

A. Transformation de Fourier
Script Matlab pour tracer les spectres

a=2;
MX=abs(X);% le module de X(f)
t=0:0.001:10;
AX=angle(X); % l'argument de X(f)
x=exp(-a*t);
figure(2)
subplot(121)
subplot(121)
plot(t,x,'linewidth',2);
plot(f,MX,'linewidth',2)
title('signal temporel')
title('spectre d amplitude de X(f)')
xlabel(' temps en s ')
xlabel(' frequence en Hz ')
ylabel('x(t)')
ylabel('|X(f)|')
grid on
grid on
f=-20:0.01:20;
subplot(122)
X=1./(a+(1i*2*pi*f)); % le spectre de X(f)
plot(f,AX,'linewidth',2)
subplot(122)
title('spectre de phase de X(f)')
plot(f,X,'linewidth',2)
xlabel(' frequence en Hz ')
title('spectre bilatéral de X(f)')
ylabel('arg(X(f))')
xlabel(' frequence en Hz ')
grid on
ylabel('X(f)')
grid on

ENSAM de Meknès 34

Ecole Nationale Supérieure d’Arts et Métiers 34

A. Transformation de Fourier
Script Matlab pour tracer les spectres

ENSAM de Meknès 35

Ecole Nationale Supérieure d’Arts et Métiers 35

A. Transformation de Fourier
Script Matlab pour tracer les spectres
signal temporel spectre bilatéral de X(f)
1 0.5

0.9 0.45

0.8 0.4

0.7 0.35

0.6 0.3

X(f)
x(t)

0.5 0.25

0.4 0.2

0.3 0.15

0.2 0.1

0.1 0.05

0 0
0 1 2 3 4 5 6 7 8 9 10 -20 -15 -10 -5 0 5 10 15 20
temps en s frequence en Hz

spectre d amplitude de X(f) spectre de phase de X(f)

0.5 2

1.5
0.4
1

0.5
0.3
arg(X(f))
|X(f)|

0.2
-0.5

-1
0.1
-1.5

0 -2
-20 -15 -10 -5 0 5 10 15 20 -20 -15 -10 -5 0 5 10 15 20
frequence en Hz frequence en Hz

ENSAM de Meknès 36

Ecole Nationale Supérieure d’Arts et Métiers 36

A. Transformation de Fourier

Le produit de convolution exprime la quantité de recouvrement d’une fonction e(t)

lorsqu’on la déplace sur une autre fonction h(t) : c’est un mélangeur de fonction. C’est un
outil important en TDS (filtrage...).
La réponse d’un système, ayant pour réponse impulsionnelle h(t), à une sollicitation e(t) est donné
par le produit de convolution :

Le système doit être linéaire, continu et

invariant dans le temps.

Définition
L'autocorrélation réalise une comparaison entre un signal x(t) et ses copies retardées
(étude de ressemblance d'un signal avec lui-même au cours du temps).

Pour les signaux à énergie finie

ENSAM de Meknès 37
A. Transformation de Fourier

Pour les signaux à énergie infinie

Propriétés

Définition

L'intercorrélation compare un signal x(t) et un signal y(t) retardée. Elle

mesure la similitude entre ces deux signaux.

ENSAM de Meknès 38
A. Transformation de Fourier

ENSAM de Meknès 39
A. Transformation de Fourier
Exercice : Calculer le produit de convolution des deux signaux suivants:
x(t) h(t)
2 3
*

t t
0 2 0 1


Solution: Calculons y (t )  x(t ) * h(t )   x( ).h(t   )d


h(τ) h(-τ)
x(τ) 3 3
2
τ τ
τ 0 1 -1 0
0 2
h(t-τ) h(t-τ)
h(t-τ)
3 3 3

τ
t t-1 t t-1 t
t-1
Pour t<0 Pour t=0
Pour t>0
ENSAM de Meknès 40
A. Transformation de Fourier

y (t )  x(t )* h(t )   x( ).h(t   )d

h(t-τ)
x(τ)
3 x(τ).h(t-τ)=0
2 Pour t<0


t-1 t 0 2 τ x(t ) * h(t )   0d  0



h(t-τ) t-1<=0  t<=1 0<=t<=1

x(τ)
3 t>0
2 t t
x(t ) * h(t )   2.3d   6d 6t
0 0
t-1 τ
0 t 2

h(t-τ) t-1>0  t>1 1< t<=2

x(τ)
3 t<=2
2
t t
x(t ) * h(t )   2.3d   6d 6
τ t 1 t 1
0 t-1 t 2

ENSAM de Meknès 41
A. Transformation de Fourier

y (t )  x(t )* h(t )   x( ).h(t   )d


h(t-τ) t-1<=2  t<=3 2< t<=3

x(τ)
3 t>2
2
2 2

τ
x(t )* h(t )   2.3d   6d   6t  18
0 t-1 2 t t 1 t 1

h(t-τ) t-1>2  t>3 t>3

x(τ)
3
2

x(t ) * h(t )   0d  0
t τ
3
0 2 t-1
y(t)
0 pour t<0 6
6t pour 0  t  1

 t
y (t )  6 pour 1<t  2
0 1 2 3
6t  18 pour 2<t  3


0 pour t>3 ENSAM de Meknès 42
A. Transformation de Fourier

ENSAM de Meknès 43
Ecole Nationale Supérieure d’Arts et Métiers 43
B. Signaux Particuliers

ENSAM de Meknès 44
Ecole Nationale Supérieure d’Arts et Métiers 44
B. Signaux Particuliers

ENSAM de Meknès 45
Ecole Nationale Supérieure d’Arts et Métiers 45
C. Propriétés de Calcul

ENSAM de Meknès 46
Soit s(t) un signal sinusoïdal défini par : s(t) = A cos(2π.fo.t).

1. Calculer la TF du signal s(t). Représenter son spectre.

2. Calculer la transformée de Fourier d’une fonction rectangle de largeur T. Représenter son spectre.
3. Déduire le spectre du signal s(t) tronqué sur une durée T.

ENSAM de Meknès 47
 Egalité de Parseval

Considérons un phénomène physique périodique décrit par f(t). L’énergie moyenne

associée à ce phénomène fait intervenir le carré de f (exemple si f est une
tension). L’énergie moyenne sur une période est donc proportionnelle à :

L’égalité de Parseval exprime que cette énergie est répartie sur toutes les
harmoniques :

Dans le cas général où f est à valeurs dans C, l’énergie moyenne s’écrit :

ENSAM de Meknès 48
 Egalité de Parseval : Démonstration

On a :

Si f(t) est à valeurs dans R , l’énergie moyenne sera :

ENSAM de Meknès 49
 Filtres : Notion élémentaire
Définitions
Un filtre est un Système Linéaire Invariant dans le Temps permettant de diviser le spectre
(espace fréquentiel) afin de conserver une ou plusieurs parties (bande) de ce spectre.
Le filtre idéal permet de transmettre sans distorsion une partie du spectre (bande passante)
et bloque toutes les autres parties (bande coupée), avec un passage abrupte (discontinuité)
entre ces deux parties.

Les filtres sont caractérisés par leur fonction de transfert, et ils peuvent être classés en 5
familles, suivant la bande du spectre de fréquences sur laquelle ils agissent :
ƒpasse-bas ƒ
passe-bande
passe-haut
ƒcoupe-bande ƒ
passe-tout
Le filtre idéal avec une discontinuité dans sa fonction de transfert n’est pas physiquement
réalisable, car sa réponse impulsionnelle nécessiterait que l’évolution du signal de sortie
anticipe l’évolution du signal appliqué en entrée (système non causal).
Les filtres analogiques réels présentent donc des imperfections avec lesquelles il faut
trouver des compromis en fonction de son application.

ENSAM de Meknès 50
 Filtres : Notion élémentaire
Définitions (suite):

Ces imperfections sont:

transition progressive entre la bande passante et la bande coupée

ƒirrégularité du gain dans la bande passante (ondulations)
ƒAffaiblissement dans la bande coupée
ƒirrégularité du gain dans la bande coupée (ondulations)
ƒirrégularité du temps de propagation

H(f) Bande passante H(f) Bande passante

f f

Zones de transitions Bande atténuée Transitions immédiates Bande atténuée

Bande atténuée
Bande atténuée
Exemple d’un filtre passe bande réel Exemple d’un filtre passe bande idéal

ENSAM de Meknès 51
 Filtres : Notion élémentaire
Définitions (suite):

Les compromis faits sur ces différentes imperfections peuvent être regroupés sur un
graphique appelé gabarit du filtre.
Ce gabarit fixe les limites de la fonction de transfert du filtre réalisé.

Bande passante
Gabarit
H(f)
Filtre idéal

Filtre réel

Transitions immédiates Bande atténuée

Bande atténuée

ENSAM de Meknès 52
 Filtres : Notion élémentaire
Les gabarits des filtres:

Filtre passe Bas : Filtre passe bande :

H(f) 1
1 Hr
Hr fa1 fr1 f0 fr2 fa2 f
fr f a
f r fa f
Ha
Ha
Filtre passe rejecteur de bande :
H(f)
Filtre passe Haut :
1
H(f)
Hr fr1 fa1 fr2 fr2
1
Hr f
fa fr f
Ha

Ha

53
ENSAM de Meknès
 Filtres : Notion élémentaire
Les fonctions de transfert des filtres idéaux :

Filtre passe Bas :

 j 2 ft0
sin(2 f c (t  t0 )) 
e pour f  f c
h(t )  2k . f c . H( f )  
2 f c (t  t0 )

0 pour f  f c
=2k . f c .sin c(2 f c (t  t0 )) t0: Le temps de propagation (retard)

2kfc module phase H ( f )

H( f )
kfc
k
+fc
t -fc +fc -fc
t0
0 pour f  f c -kfc

Filtre passe Haut : H ( f )    j 2 ft

k .e
0
pour f  f c
 sin(2 f c (t  t0 )) 
h(t )  k .   (t t0 )  2 f c .  module phase
 2 f c (t  t 0 )  H( f ) H ( f )
t0: Le temps de propagation (retard) k kfc

+fc
-fc +fc -fc
-kfc

54
ENSAM de Meknès
 Filtres : Notion élémentaire
Les fonctions de transfert des filtres:
Filtre passe bande :

sin(2(t  t0 )) 0 pour f   f1 ; f 2 

h(t )  2k .. .cos(2 f c (t  t0 )) H ( f )    j 2 ft
pour f   f1 ; f 2 
2 c (t  t0 ) k .e
0

module
f f f f phase
avec   2 1 et f c  2 1 H( f ) H ( f )
2 2
k kfc

f1 f2
-fc +fc -f2 -f1

Pente -t0
Filtre rejecteur de bande :
k .e  j 2 ft0 pour f   f1 ; f 2 
H( f )  
0 pour f   f1 ; f 2 

 sin(2(t  t0 ))  module phase

h(t )  k .   (t t0 )  2. .cos(2 f c (t  t0 ))  H( f ) H ( f )
 2 c (t  t0 ) 
f f f f
k
avec   2 1 et f c  2 1
2 2 f1 f2
-fc +fc -f2 -f1

Pente -t0
55
ENSAM de Meknès
 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.
1. Formulation mathématique du signal échantillonné.
2. Transformée de Fourier du signal échantillonné.
3. Cas des signaux aux spectres bornés.
4. Cas des signaux aux spectres non bornés.
C. Quantification d’un signal échantillonné.
1. Principe
2. Types de quantification
3. Erreur de quantification
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
 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, 3 GSPS A/D Converter.

Mathématiquement, l'échantillon de x(t) qui correspond à t = k.Te 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
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 Te.
k 
xe (t )  x *' t )  x(t ).PeigneTe (t )  x(t ).   (t  k .Te )
k 
f(t)

x(k) δ(t – k.Te)

t
x*(t)

PgnTe(t)

k.Te t
Te
t

Te
On doit calculer la transformée de Fourier du signal x*(t) défini par :
k 
xe (t )  x *' t )  x(t ).PeigneTe (t )  x(t ).   (t  k .Te )
k 
 k 

TF ( xe (t ))  TF  x (t ).   (t  k .Te ) 
 k  
 k  
 TF ( x(t )) * TF    (t  k .Te ) 
 k  
1
 X ( f )* Peigne fe ( f )
fe

 f e . X(f)*  ( f  k . f e )


 fe .  X(f)* ( f

 k. fe )

1 1 
Donc : TF ( xe (t ))  X e ( f )  .
Te


X ( f ) *  ( f  k. f e )   X ( f  k. f e )
Te 
Cette relation montre que Xe(f)est obtenue, à un facteur près (1/Te ) , par une simple
périodisation en fréquence du Spectre X(f). Le spectre est reproduit tous les fe = 1/Te.
 Te.Xe(f)
X(f)

f f
-fc fc -2fe -fe-fc -fe -fe+fc -fc 0 fc fe-fc fe fe+fc 2fe-fc 2fe

Te.Xe(f)
X(f)

f f
-fc fc -2fe-fc -2fe -fe-fc -fe -fc 0 fc fe fe+fc 2fe 2fe-fc

-fe+fc fe-fc

On constate qu’au prix d’un simple filtrage passe-bas idéal, de fréquence de coupure
fe/2, on retrouve X(f) et donc x(t). les “informations” initiales ne sont pas perdues. La
transformation x(t) →Xe(t) est réversible. On a correctement échantillonné le signal.
 Te.Xe(f)
X(f)

f -fe -fc f
-fc fc -3fe -2fe 0 fe-fc fc fe
fe+fc
2fe 3fe
-fe+fc
Te.Xe(f)

Il est clair que le spectre initial X(f) est déformé. On ne peut pas obtenir X(f) à partir de
Xe(f). Les “informations” initiales sont perdues. La transformation est irréversible. On a mal
échantillonné le signal.
Remarque :
Si après l’échantillonnage les spectres translatés se chevauchent, on dit qu’il y a repliement
spectral, recouvrement spectral ou encore “aliasing”.
 X(f) X*(f)

f f
-fe fe

Il apparaît donc impossible d’échantillonner un tel signal.

En pratique, on filtrera le signal x(t) par un filtre passe bas de fréquence de coupure fc =fmax,
puis on échantillonnera le signal de sortie du filtre à une fréquence fe>2fc

Pour ce faire, on fixe une fréquence fmax au dessous de laquelle, on considère

que les harmoniques constituent le signal utile.Les fréquences au dessus de fmax
seront alors supprimés par le filtre.

x(t) xf(t)
Filtre passe bas Echantillonneur xe(t)
fc fe>2fc
Afin d’éviter toute déformation du spectre d’un signal par son
échantillonnage, la fréquence d'échantillonnage fe doit être supérieure au
double de la fréquence maximale contenue dans ce signal.

fe > 2. fmax

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 par l'industrie est 44,1 kHz.
Soit x(t) un signal continu à spectre borné, échantillonné en respectant
le théorème de Shannon.

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

Le signal continu est obtenu à partir de ses échantillons à l’aide d’un filtrage
passe-bas parfait.

En domaine fréquentiel

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

f
 Le signal continu est obtenu à partir de ses échantillons à l’aide d’un
filtrage passe-bas parfait.

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 :
Exercice de Synthèse
Mesure de température Filtrage anti repliement

Echantillonnage

Quantification

Codage Stockage

71
Mesure de température Filtrage anti repliement
Echantillonnage
Quantification
Codage Stockage

v(t)
5V

t (h)
Mesure de température Filtrage anti repliement
Echantillonnage
Quantification
Codage Stockage

v(t)
5V

t (h)
Mesure de température Filtrage anti repliement
Echantillonnage
Quantification
Codage Stockage

v*(t)
5V

t (h)

Te
Mesure de température Filtrage anti repliement
Echantillonnage
Quantification
Codage Stockage

Quantifier un signal réel v(t) c’est le remplacer par un signal vq(t) = N.q
appartenant à un ensemble dénombrable de valeurs réelles, fixées
préalablement, suivant une certaine loi : arrondi ou tronqué.

5V

v*(t)
vq(t)

t (h)

Te
2. Quantification par la méthode d’arrondi

Principe : La valeur du signal échantillonnée est remplacée par la valeur la plus proche dans
l’ensemble des valeurs du signal quantifié.

Erreur de quantification Vq

(N+1).q Vq

V* 4
q 3
2
1
N.q
0 V*
q 2q 3q 4q
Courbe de transfert du quantificateur par arrondi
3. Quantification par la méthode de troncature

Principe : La valeur du signal échantillonnée est remplacée par la valeur inférieure la plus proche
dans l’ensemble des valeurs du signal quantifié.

Vq
(N+1).q

Erreur de quantification
q 4
V* 3
2
N.q Vq
1
0 V*
q 2q 3q 4q
Courbe de transfert du quantificateur par troncature
 4. Erreur de quantification

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

Pour la quantification par arrondi : Pour la quantification par troncature :
εq(t)

q/2
V*(t)

V*(t)

-q/2
-q