ADS Shannon

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 10

LA THEORIE DE L'ECHANTILLONNAGE :

LE THEOREME DE SHANNON

5
Toute communication se fait par l’intermédiaire de signaux, qui peuvent être acoustiques (parole, et
sons en général), électromagnétiques (radio), électriques (le téléphone filaire par exemple) ou
encore optiques (transmission de données par fibres optiques). Toute une théorie sur le « traitement
du signal » a émergé dans les années 40, jusqu’à en faire de nos jours une discipline à part entière.
10 Nous proposons au travers de ce document d'introduire les outils mathématiques de base du
traitement du signal. Ils permettent en particulier de formaliser une étape clé d'une chaîne de
communication numérique, à savoir l'échantillonnage. Ceci nous amènera presque naturellement à
formuler le théorème phare du domaine : le théorème de Shannon.

15
I. Définitions et nouveaux outils mathématiques
a) Notion de signal à temps continu
Un signal x(t) à temps continu* est une fonction continue par morceaux de R dans » , bornée
20 sur R , et dont le nombre de points de discontinuité dans tout intervalle borné est fini. D'une
manière générale, un signal est une fonction qui sert de support à de l'information ou à une
commande. Par exemple, x(t) peut être la tension aux bornes d’un appareil de mesure. Par
convention, on supposera toujours que le temps t va de − ∞ à + ∞ , quitte à ce que x(t) soit nul
en dehors d’une certaine plage si le support temporel** du signal est réduit à une partie de R .
25 Nous conviendrons aussi d'appeler signal d'autres objets mathématiques que nous introduirons
par la suite.

b) Un nouvel objet mathématique: l'impulsion de Dirac


30 En plus de la convergence simple héritée des suites de fonctions, un autre type de convergence
d'une suite de signaux est utile en traitement du signal : la convergence faible. La suite de
signaux ( x n ( t ) ) converge faiblement vers x ( t ) quand lim
+∞ +∞
∫ x n ( t ) g ( t ) dt = ∫ x ( t ) g ( t ) dt
n →+∞ −∞ −∞

pour tout signal g(t) régulier (c'est-à-dire infiniment dérivable sur R ) à support temporel
compact.
35 Considérons maintenant la suite de signaux ( x n ( t ) ) ci-dessous :

n xn ( t )

40
1/n
Pour tout signal g(t) continu en 0, et donc a fortiori pour tout signal régulier à support compact,
+∞
on peut facilement montrer que lim ∫ x n ( t ) g ( t ) dt = g ( 0 ) .
n →+∞ −∞

*
Dans tout ce document, par abus de notation, on désignera par x(t) la fonction x de la variable t.
**
Le support temporel d'un signal x(t) est le plus petit fermé de R qui contient { t ∈ R / x(t) ≠ 0} .

1
45 On décide alors d'introduire un nouveau signal δ(t), appelé impulsion de Dirac, correspondant à
la limite pour la convergence faible de la suite ( x n ( t ) ) , et qui a la propriété
+∞
∫ g ( t ) δ ( t ) dt = g ( 0 ) pour tout signal g(t) continu en 0.
−∞

En traitement du signal, on dit que δ(t) est défini par :


δ(t ) = 0 si t ≠ 0
 +∞ δ(t )dt = 1
 ∫−∞
50 Bien entendu, les propriétés ci-dessus impliquent que l’impulsion de Dirac ne peut pas être une
fonction : c'est un nouveau type d'objet mathématique.
L'impulsion de Dirac en t = 0 représente un signal extrêmement bref en t = 0.

Voyons immédiatement deux propriétés importantes :


55 • une impulsion en t = t0 sera modélisée par δ(t – t0) ; on la représente de la façon
suivante :
1

t0
60
+∞ +∞
• on a ∫ g ( t ) δ ( t − t 0 ) dt = ∫ g ( u + t 0 ) δ ( u ) du en posant u = t − t 0 . En appliquant la
−∞ −∞
+∞
définition de la distribution de Dirac, on obtient ∫ g ( t ) δ ( t − t 0 ) dt = g ( t 0 ) si g est
−∞
continu en t0.
+∞
Une dernière remarque : comme ∫ g ( t ) δ ( t − t 0 ) dt est par définition le produit de
−∞

65 convolution de g et de δ en t0, (voir l’annexe A pour la définition du produit de convolution), on


peut déduire de cette égalité que l’impulsion de Dirac est l’élément neutre pour le produit de
convolution.

c) La notion de filtrage linéaire et invariant dans le temps


70
Un filtre linéaire invariant dans le temps est un dispositif agissant sur les signaux qui a les
caractéristiques suivantes :
x(t) y(t)
Filtre
75
• linéarité : si y1(t) (resp. y2(t)) est le signal de sortie correspondant au signal d’entrée x1(t)
(resp. x2(t)), alors pour α1 et α2 complexes, la sortie correspondant à l’entrée α1x1(t)
+ α2x2(t) est α1y1(t) + α2y2(t).
• invariance temporelle : si y(t) est la sortie correspondant au signal d’entrée x(t), pour θ
80 réel, la sortie associée à x(t – θ) est y(t – θ).
• continuité : si la suite de signaux ( x n ( t ) ) converge faiblement vers x ( t ) , et si pour tout
n ∈ N la sortie y n ( t ) correspondant à l'entrée x n ( t ) existe, alors le filtre associe en
sortie y ( t ) à l'entrée x ( t ) ; de plus si y ( t ) , ainsi que y n ( t ) à partir d'un certain rang
n0, sont continues par morceaux, alors ( y n ( t ) ) converge simplement vers y ( t ) .
85

2
Plaçons maintenant à l’entrée de notre filtre l’impulsion de Dirac δ(t) : la sortie du filtre est
alors par définition sa « réponse impulsionnelle », que l’on note h(t). Si on appelle ( x n ( t ) ) la
suite de signaux qui converge faiblement vers δ(t), on a alors :

90 Filtre

signal d’entrée signal de sortie


1 δ(t) h(t) par définition
2 xn(t) hn(t) par définition
3 xn(t – θ) hn(t – θ) par invariance temporelle
4 g(θ)xn(t – θ) g(θ)hn(t – θ) par linéarité
+∞ +∞
∫ g ( θ ) x ( t − θ ) dθ ∫ g ( θ ) h n ( t − θ) dθ
5 par continuité
n
−∞ −∞
+∞ +∞
∫ g ( θ ) δ ( t − θ ) dθ g ( θ ) h ( t − θ ) dθ
6 par continuité
−∞ ∫−∞
7 g(t) ( g ∗ h )( t ) d'après § I.b et l'annexe A

La ligne 5 utilise la propriété de l’intégrale d'être la limite d'une série ; la ligne 6 est justifiée en
faisant tendre n vers l'infini, et la ligne 7 est valable si le signal g(t) est continu par morceaux.
95 Nous venons de démontrer que le signal sortant d’un filtre est le produit de convolution du
signal d’entrée avec la réponse impulsionnelle du filtre.

Si maintenant nous mettons à l’entrée du filtre le signal xν(t) = exp(2πiνt), calculons la sortie :
+∞ +∞
yν(t) = ∫ x ν (θ) h (t − θ)dθ = ∫ x ν (t − θ) h (θ)dθ par symétrie du produit de convolution
−∞ −∞

exp[2πiν(t − θ)]h (θ)dθ


+∞
100 = ∫
−∞

= exp(2πiνt )∫ exp(− 2πiνθ) h (θ)dθ


+∞

−∞

exp(− 2πiνθ) h (θ)dθ .


+∞
= xν(t)H(ν), où H(ν) = ∫ −∞
Si l’on considère le filtrage comme un opérateur linéaire, il est légitime de s’intéresser à la
question des valeurs propres et des vecteurs propres (qui seront ici des signaux).
105 Or, dans cette optique, les calculs ci-dessus montrent que pour chaque valeur de ν, H(ν) est une
valeur propre pour le filtre considéré*, associée au signal propre xν(t).
A ce stade, on comprend bien tout l’intérêt qu’il y a à décomposer les signaux par rapport aux
exponentielles complexes : cela revient en quelque sorte à diagonaliser l’opération de filtrage…

110 d) La transformée de Fourier : une représentation fréquentielle des signaux


La transformée de Fourier, qui est une généralisation de la théorie des séries de Fourier aux
signaux non périodiques, permet de mettre en œuvre l’idée ci-dessus : au signal « temporel »
x(t), on fait correspondre** le signal « fréquentiel » X(ν) défini par :
+∞
115 X(ν) = ∫ x ( t ) exp(−2πiνt ) dt
−∞

X(ν) est la transformée de Fourier de x(t).

*
H(ν) représente le gain du filtre à la fréquence ν ; et en considérant H(ν) comme une fonction de la variable ν, H(ν)
est appelée réponse fréquentielle du filtre.
**
sous réserve d’existence… Dans tout ce document, on supposera que les signaux manipulés ont une transformée de
Fourier. C’est le cas pour la quasi-totalité des signaux que l’on peut abstraire de l'observation de la nature.

3
Connaissant X(ν), on peut revenir* à x(t) par transformée de Fourier inverse :
+∞
x ( t ) = ∫ X(ν) exp(2πiνt ) dν
−∞
120 TF
x(t) X(ν)
TF-1
125 x(t) et X(ν) sont en fait deux représentations différentes d’un même signal : x(t) est la
représentation « temporelle » (c’est-à-dire que t représente le temps qui s’écoule ; c’est la
représentation la plus intuitive), alors que X(ν) en est la représentation « fréquentielle ». Pour
comprendre cette notion de représentation fréquentielle, intéressons-nous à l’oreille humaine :
cette dernière n’est sensible qu’aux fréquences comprises entre 10 Hz et 20 kHz ; cela signifie
130 qu’un signal sinusoïdal à une fréquence inférieure à 10 Hz ou supérieure à 20 kHz ne sera pas
audible. Aussi, la représentation fréquentielle d’un signal audible sera nulle en dessous de 10 Hz
et à partir de 20 kHz. Cette bande de fréquence est appelée bande passante de l’oreille humaine.
Cette notion de représentation fréquentielle des signaux est précisée à l’occasion des quelques
calculs de transformée de Fourier qui se trouvent en annexe B.
135

e) Transformée de Fourier et filtrage passe-bas


Nous avons vu au §I.c que le résultat du filtrage du signal x(t) par un filtre de réponse
impulsionnelle h(t) est le produit de convolution (h ∗ x )(t ) . Comme la transformée de Fourier
140 d’un produit de convolution est le produit des transformées de Fourier (voir l’annexe A), dans le
domaine fréquentiel, le filtrage consiste simplement en une multiplication : la transformée de
Fourier est l’outil qui permet de concrétiser les idées formulées à la fin du §I.c.
Voyons maintenant un exemple concret : le filtre passe-bas idéal. Nous avons déjà mentionné
que l’oreille humaine n’était pas sensible au-delà de 20 kHz. Or les instruments de musique
145 émettent des signaux dont la représentation fréquentielle n’est pas forcément limitée à 20 kHz.
Et comme nous le verrons plus loin, quand on numérise un signal, on a tout intérêt à ce que la
bande de fréquence qu’il occupe soit réduite au strict nécessaire. D’où l’idée d’effectuer au
préalable un filtrage passe-bas qui ne laisse passer que les fréquences inférieures à 20 kHz en
valeur absolue (voir dans l'annexe B l’exemple du cosinus : les fréquences négatives sont aussi
150 importantes que les fréquences positives).
Or un tel filtre est théoriquement très simple à concevoir dans le domaine fréquentiel : il suffit
de prendre pour H(ν) la fonction qui vaut 1 pour |ν| < 20 kHz, et 0 sinon.

155
1

ν
−B +B

*
il y a là aussi quelques précautions à prendre sur le plan théorique : par exemple aux points de discontinuité de x(t), on
obtiendra la demi-somme de limites à gauche et à droite du point de discontinuité.

4
II. L'échantillonnage
160
Afin d’améliorer la qualité des transmissions, les systèmes de télécommunications utilisent de plus
en plus des signaux numériques. L'opération d'échantillonnage consiste à remplacer un signal à
temps continu x(t) par une suite de nombres complexes ( x n ) n∈Z . En pratique, un signal servant de
support à de l'information, on souhaite en général pouvoir reconstituer le signal x(t) dans son
165 intégralité à partir de la suite ( x n ) .Nous allons voir que les outils que nous avons introduits
jusqu’ici permettent de formaliser mathématiquement l’échantillonnage d’un signal.
+∞
Introduisons tout d’abord le peigne de Dirac de période TE : δ TE ( t ) = ∑ δ(t − nT ) .
n = −∞
E

1
170
t
TE

Prenons maintenant un signal x(t) que l’on désire échantillonner à la période TE.
175 Le signal à temps continu échantillonné est xe(t) = x(t) δ TE ( t ) .

x(t) xe(t)

180 t t
TE

Pour comprendre l’influence de l’échantillonnage temporel dans le domaine fréquentiel, nous avons
besoin de la transformée de Fourier du peigne de Dirac. Un calcul se trouve en annexe C. Le
185 résultat est le suivant : un peigne de Dirac temporel a pour transformée de Fourier un peigne de
Dirac fréquentiel.
TF
δ 1 (ν )
1
δ TE ( t )
TE TE
190 TF-1
Nous pouvons maintenant calculer la transformée de Fourier du signal échantillonné.
Comme xe(t) est le produit de x(t) par δ TE ( t ) , sa transformée de Fourier Xe(ν) est le produit de

δ 1 (ν ) (voir l’annexe A).


1
convolution de X(ν) par
TE TE

+∞ +∞
 n  1 +∞  n 
Donc X e (ν ) = ( )
1
195 ∫−∞
TE
 X ν − µ ∑ δ

n = −∞ 
µ − 
 
TE  
d µ = ∑ X ν −  .
TE n = −∞  TE 

Ainsi, l’échantillonnage temporel se traduit par une périodisation de période 1/TE dans le domaine
fréquentiel.

Supposons maintenant que le support fréquentiel du signal à échantillonner est limité à la bande de
200 fréquence [-B ; B] (cela signifie que X(ν) est nul en dehors de [-B ; B]). Voyons les deux cas de
figure qui peuvent se présenter.

5
1
• Cas défavorable : 2B > . La périodisation provoque des « repliements » de X(ν) : en
TE
effet, deux versions périodisées successives de X(ν) se chevauchent, et il n’est plus possible
de retrouver le signal original. L’échantillonnage apporte donc une dégradation irréversible.
205
Xe(ν)
X(ν)
ν ν

210 −B +B −B +B
1/ΤΕ
1
• Cas favorable : 2B ≤ . Cette fois-ci, il n’y a pas de repliement : il est possible de
TE
retrouver exactement X(ν) à partir de Xe(ν) grâce à un filtre passe-bas (celui qui a été défini
au § I.e) suivi d’une multiplication par TE.
215
X(ν) Xe(ν)
ν ν
−B +B −B +B
220
1/ΤΕ
Nous pouvons donc à présent énoncer le théorème de Shannon : si la fréquence d'échantillonnage
est supérieure à deux fois la fréquence maximale contenue dans le signal à échantillonner, on peut
retrouver l'intégralité du signal original à partir du signal échantillonné par filtrage passe-bas.
225
Evoquons pour terminer une application directe en hi-fi audio : bien entendu, lors d’un
échantillonnage, de manière à avoir à stocker un minimum de valeurs, on a tout intérêt à avoir la
fréquence d’échantillonnage (1/TE) la plus petite possible. Or la valeur minimale de cette dernière
est proportionnelle à la largeur du support fréquentiel du signal à échantillonner. Dans le cas d’un
230 signal émis par un instrument de musique, on a donc intérêt à faire un filtrage passe-bas qui
supprime toutes les composantes fréquentielles inaudibles, c’est-à-dire celles qui sont supérieures à
20 kHz. Ainsi, en vertu de ce qui précède, la valeur minimale de la fréquence d’échantillonnage est
40 kHz. En pratique, la valeur qui a été retenue pour la norme CD audio est 44,1 kHz.

6
Annexe A
235 Produit de convolution

a) Définition
Soient h(t) et x(t) deux signaux.
240 Sous réserve d’existence, on appelle produit de convolution de h et x, le signal :
+∞
(h ∗ x )(t ) = ∫−∞ h (t − θ) x(θ)dθ
Le changement de variable τ = t − θ montre immédiatement que le produit de
convolution est symétrique :
(h ∗ x )(t ) = − ∫+∞ h (τ) x(t − τ)dτ = ∫−∞ x (t − τ)h (τ)dτ = (x ∗ h )(t )
−∞ +∞

245

b) Exemple de calcul de produit de convolution


Soit x(t) le signal qui vaut 1 sur [–T/2 ; T/2] et 0 ailleurs.

250 1

t
−T/2 +T/2
+∞
255 Calculons (x ∗ x )(t ) = ∫ x (t − θ) x (θ)dθ
−∞

x (θ )dθ puisque x (t − θ) est nul en dehors de [–T/2 ; T/2]


t +T
=∫ 2
t −T 2

 0 si t ≤ −T
 t +T 2
∫−T dθ si − T ≤ t ≤ 0
=  T2 car x (t ) est nul en dehors de [–T/2 ; T/2]
 ∫ T2 dθ si 0 ≤ t ≤ T
 t− 2
 0 si t ≥ T
260
 0 si t ≤ −T
t + T −T ≤ t ≤ 0
 si
=
T − t si 0≤t≤T
 0 si t≥T

On obtient donc le résultat suivant :


T
265

t
−T +T
7
270 c) Produit de convolution et transformée de Fourier

Soit X(ν) (resp. H(ν)) la transformée de Fourier de x(t) (resp. h(t)).


TF TF
275 x(t) X(ν) h(t) H(ν)
-1
TF TF-1
Calculons la transformée de Fourier de (h ∗ x )(t ) .
+∞ +∞ +∞
∫ (h ∗ x )(t ) exp(−2πiνt ) dt = ∫
−∞ −∞
exp(−2πiνt )  ∫ h (t − θ) x (θ)dθ dt
 −∞ 
280 En posant τ = t − θ , on obtient :
exp[− 2πiν(τ + θ)]h (τ) x (θ)dθ dτ
+∞ +∞
∫ ∫−∞ −∞
On peut alors séparer en un produit de deux intégrales :
exp(−2πiντ) h (τ)dτ ∫ exp(−2πiνθ) x (θ)dθ
+∞ +∞
∫ −∞ −∞

On reconnaît le produit de H(ν) par X(ν).


285 Ainsi, la transformée de Fourier d’un produit de convolution est le produit des
transformées de Fourier.
TF
(h ∗ x )(t ) H(ν)X(ν)
290 TF-1

Etant donné l’analogie entre la transformée de Fourier et la transformée de Fourier


inverse, on a évidemment la propriété suivante : la transformée de Fourier inverse d’un
produit de convolution est le produit des transformées de Fourier inverses, ce qui
295 s’énonce plus simplement de la façon suivante : la transformée de Fourier d’un produit
est le produit de convolution des transformées de Fourier.
TF
x(t)h(t) (H ∗ X )(ν )
300
TF-1

8
Annexe B
Calculs et interprétations de quelques transformées de Fourier

305
+∞
• L’impulsion de Dirac temporelle : ∫
−∞
δ(t) exp(−2πiνt)dt = exp(0) = 1 ; la représentation
fréquentielle d’une impulsion en t = 0 est donc la fonction constante égale à 1.
L’interprétation de ce résultat est la suivante : une impulsion est un signal qui a des
variations extrêmement importantes pendant un intervalle de temps extrêmement bref et
310 pour ce faire, il « contient » à part égale des composantes sur toutes les fréquences.

1 TF
1

315 t
TF-1 ν

• L’impulsion de Dirac fréquentielle en 0 : par transformée inverse, on obtient que la


320 version temporelle d’une impulsion à la fréquence nulle est le signal constant égal à 1 :
+∞
en effet ∫
−∞
δ(ν ) exp(2πiνt)dν = exp(0) = 1 . C’est raisonnable, puisqu’on peut considérer
qu’un signal constant est un signal de fréquence nulle. Un corollaire important est qu’un
signal temporel ayant une composante continue (c’est-à-dire une valeur moyenne non
nulle) verra sa représentation fréquentielle avoir en 0 une impulsion ayant pour
325 amplitude la valeur de sa composante continue.

1 TF
1

330 t
TF-1 ν

• Un cosinus temporel à la fréquence ν0 : au préalable, calculons la transformée inverse


335 d’une impulsion de Dirac fréquentielle en ν0.
+∞

−∞
δ(ν − ν 0 ) exp(2πiνt) dν = exp(2πiν 0 t)
Donc une exponentielle complexe à la fréquence ν0 a pour transformée de Fourier une
impulsion de Dirac fréquentielle en ν0.
exp(2πν 0 it ) + exp(−2πν 0it )
Or cos(2πν 0 t ) = , donc par linéarité de la transformée de
2
340 Fourier, la représentation fréquentielle d’un cosinus à la fréquence ν0 est la somme de
δ(ν − ν 0 ) + δ(ν + ν 0 )
deux impulsions de Dirac : . Ce résultat s’interprète en disant qu’un
2
cosinus peut être considéré comme un signal à une fréquence pure valant ± ν 0 .
TF 1/2 1/2
1
345 t ν
TF-1 −ν0 +ν0
9
Annexe C
Transformée de Fourier du peigne de Dirac

+∞
350 Pour calculer la transformée de Fourier du peigne de Dirac δ TE ( t ) = ∑ δ(t − nT ) ,
n = −∞
E

commençons par décomposer δ TE ( t ) en série de Fourier* :


+∞
 2π int  1 TE
 2π int  1
δ TE ( t ) = ∑ c n exp  où cn =∫ δ 2
( t ) exp  −  dt =
−TE
T
 E 
T TE  TE  TE
E
n = −∞ 2

1 +∞  2π int 
On peut donc finalement écrire : δ TE ( t ) = ∑ exp  .
TE n =−∞  TE 
 2π int 
Or, en appliquant le résultat de l'annexe B sur les exponentielles complexes, exp  a
 E 
T
 n 
355 pour transformée de Fourier δ ν −  .
 TE 
n  1+∞

δ 1 (ν ) ; un peigne de
1
La transformée de Fourier de δ TE ( t ) est donc
n = −∞ 
∑ δ ν − T
 =
TE E  TE TE

Dirac temporel a donc pour transformée de Fourier un peigne de Dirac fréquentiel.


TF
δ 1 (ν )
1
360 δ TE ( t )
TE TE
TF-1

*
Evidemment, l'impulsion de Dirac ne vérifie pas les conditions de Dirichlet... Toutefois, si l'on décomposait en série
de Fourier une version périodisée de la suite de siganux du §I.b qui converge faiblement vers l’impulsion de Dirac, et si
l'on faisait tendre n vers l’infini on arriverait exactement au même résultat.

10

Vous aimerez peut-être aussi