Support TS - CH7 - L2etL3

5.
Échantillonnage et reconstruction
des signaux analogiques
Dans ce chapitre, les approches temporelle et fréquentielle de l’échantillonnage sont
analysées en détail de manière à bien mettre en évidence le recouvrement spectral
qui conduit au théorème de Shannon.
Puis, les effets de la quantification, la notion de rapport signal sur bruit (SNR) sont
étudiés de manière à conduire au meilleur choix d’un filtre anti-repliement.
5.1. Introduction
La plupart des signaux que l’on doit traiter et analyser tels que la parole, les si-
gnaux biologiques, sismiques, radars, audio ou vidéo sont analogiques par nature.
C’est-à-dire qu’ils sont fonction d’une variable continue, le temps, et qu’eux-mêmes
varient de manière continue. Ces signaux peuvent être traités analogiquement à
l’aide de filtres par exemple. Les signaux d’entrée et de sortie sont alors analogiques
(figure 5.1).
x(t) Système y(t)

analogique
Figure 5.1.: Traitement analogique d’un signal x(t)
Souvent, pour des raisons de simplicité, de précision, de stockage de l’information,

de flexibilité, etc, un traitement numérique équivalent est possible et préférable.
On utilise alors des convertisseurs analogiques-numériques (CAN) et numériques-
analogiques (CNA) pour relier au processeur numérique les signaux analogiques
d’entrée et de sortie. Le schéma correspondant est donné à la figure 5.2.
x(t) x[n] y[n] y(t)

A Système N
N numérique A
Figure 5.2.: Traitement numérique d’un signal analogique x(t)
171
5. Échantillonnage et reconstruction des signaux analogiques
Conceptuellement, on peut considérer la conversion A–N comme un processus fai-

sant intervenir trois actions successives : l’échantillonnage à période fixe Te , la quan-
tification du signal et son codage. Pratiquement, ces opérations sont effectuées dans
un même élément, le convertisseur A–N, qui reçoit le signal analogique et le conver-
tit en un signal discret quantifié.
De même pour la conversion N–A, les opérations implicitement réalisées sont la
quantification et le maintien de la valeur numérique pendant une période d’échan-
tillonnage. À ceci s’ajoute généralement un filtrage passe-bas des “escaliers” générés
par le convertisseur N–A.
Te CAN
xa(t) x(t) xe(t) x[n] y[n] N yq(t) y(t)

Filtre Q µP Filtre
A
Figure 5.3.: Détail d’une chaı̂ne analogique-numérique-analogique
La figure 5.3 présente les éléments qui interviennent lors du traitement numérique
d’un signal analogique. On y trouve un filtre antirecouvrement (on verra plus loin
sa raison d’être), un échantillonneur commandé par une horloge de période Te , un
quantificateur Q, un processeur numérique µP, un convertisseur N–A et un filtre de
lissage.
5.2. Analyse temporelle
5.2.1. Types de signaux

De manière générale, les signaux peuvent être classés dans les catégories suivantes :
1. Signaux continus en temps et en amplitude : x(t). On les appelle égale-
ment signaux analogiques (figure 5.4a) ; ils proviennent généralement de pro-
cessus physiques.
2. Signaux discrets en temps, continus en amplitude : xe (t = nTe ). Ce
sont les signaux échantillonnés (figure 5.4b). Ils ne sont définis qu’à des ins-
tants déterminés multiples de la période d’échantillonnage Te , mais leur am-
plitude peut varier de manière continue.
3. Signaux discrets en temps et en amplitude : xq [n]. De tels signaux sont
quantifiés en amplitude ; ils ne peuvent prendre que des valeurs déterminées,
généralement, multiples d’un pas de quantification. Ce sont les valeurs numé-
riques fournies par les convertisseurs analogiques-numériques (CAN). Ils ne
sont définis qu’aux instants d’échantillonnage et correspondent aux signaux
numériques (figure 5.4c).
172
5.2. Analyse temporelle
Temps
continu discret
x(t) xe(t=nTe)
Signal analogique Te Signal échantillonné

continue
A
(a) N (b)
t t
Amplitude
Q
xq(t) xq[n]
Te
Signal numérique maintenu Signal numérique
discrète
N
A
(d) (c)
t n
Figure 5.4.: Divers types de signaux
4. Signaux continus en temps, discrets en amplitude : xq (t). Ce sont des

signaux quantifiés similaires à ceux décrits en 3, dont la valeur est maintenue
par un bloqueur d’ordre zéro entre 2 périodes d’échantillonnage (figure 5.4d).
Ces signaux correspondent à ceux fournis par les convertisseurs numériques-
analogiques (CNA).
5.2.2. Quantification d’un signal : exemple

Donnée On considère un convertisseur A–N 8 bits travaillant entre 0 et 5.12 V
avec un codage par arrondi et une période d’échantillonnage Te = 0.5 [msec]. Le
signal d’entrée est une exponentielle amortie :
x(t) = U0 exp(−t/τ ) ε(t) U0 = 1 [V ] τ = 1 [ms]
Question
1. Tracez la caractéristique du convertisseur et les graphes x(t) et xq [n].
2. Quelles valeurs obtiendra-t-on pour xe [n], xq [n] et q[n].
Réponse Le codage sur 8 bits par arrondi transforme le domaine de conversion

de la tension d’entrée 0 · · · 5.12 [V ] en 28 = 256 valeurs numériques discrètes avec
173
un pas de quantification de 20 [mV] (figure 5.5a). L’échantillonnage et la quantifi-

cation du signal sont représentés dans la figure 5.5b. Le tableau suivant donne les
différentes valeurs demandées avec les erreurs relatives causées par la quantification :
n 0 1 2 3 4 5 6 7 8
xe [n] 1.000 0.6065 0.3679 0.2231 0.1353 0.0821 0.0498 0.0302 0.0183
xq [n] 1.00 0.60 0.36 0.22 0.14 0.08 0.04 0.04 0.02
q[n] 50 30 18 11 7 4 2 2 1
q [n] % 0.00 –1.08 –2.15 –1.39 +3.47 –2.56 –19.7 +32.5 +9.29
q
xq 1
256 5.12 0.9
255 5.10 0.8
254 5.08
(a) 0.7
(b)
0.6
0.5
3 0.06
0.4
2 0.04
0.3
1 0.02
0.2
x
0 0.1
0.01
0.03
0.05
5.11
0 [V]
5.09
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
3
temps [sec] x 10
Figure 5.5.: Quantification et échantillonnage
5.2.3. Échantillonnage des signaux analogiques

Le signal d’entrée x(t), dont l’amplitude varie au cours du temps, est appliqué
à un échantillonneur pour être transformé en une suite de valeurs régulièrement
espacées. Cette suite de valeurs est représentative du signal d’entrée dans la mesure
où la période d’échantillonnage est compatible avec la rapidité du signal.
Envisagé dans le domaine temporel (figure 5.6), on peut considérer que le processus
d’échantillonnage revient mathématiquement à multiplier le signal analogique x(t)
par une suite d’impulsions de Dirac δTe (t) de période Te , appelé "peigne de Dirac".
Le signal échantillonné xe (t) peut alors être représenté par l’expression :
xe (t) = x(t) · δTe (t) (5.1)
La fonction ainsi obtenue est une suite d’impulsions de Dirac dont la surface est
modulée par le signal x(t). Bien entendu, il s’agit là d’un modèle mathématique
facilitant l’analyse de l’échantillonnage et qui, d’un point de vue pratique, donne
heureusement des résultats pas trop différents de ce que l’on obtient avec un échan-
tillonneur réel.
174
5.3. Analyse fréquentielle
x(t)
δTe(t)
1
t
Te
xe(t) = x(t) . δTe(t)
Figure 5.6.: Échantillonnage d’un signal
Si on veut respecter la forme du signal, il est important d’avoir des impulsions suffi-
samment proches les unes des autres. Dans le cas contraire, il n’est plus possible de
voir les variations les plus rapides du signal à traiter. Ceci conduit à une ambiguı̈té,
car rien n’exclut que les points échantillonnés du signal A puissent appartenir à un
autre signal B contenant des fréquences plus élevées (figure 5.7).
x(t)
B
Te
Figure 5.7.: Ambiguı̈té due à l’échantillonnage
5.3. Analyse fréquentielle

Comme le choix de la période d’échantillonnage Te dépend de la rapidité du signal,
donc de son spectre, il est nécessaire d’analyser le comportement de l’échantillon-
neur également dans le domaine fréquentiel.
175
Nous venons de voir que l’échantillonnage d’un signal analogique est modélisé dans
l’espace temps par la multiplication du signal x(t) par un peigne temporel de Dirac
δTe (t). Or, on sait qu’à une multiplication temporelle correspond, dans l’espace des
fréquences, une convolution fréquentielle entre le spectre X(jf ) du signal x(t) et
celui du peigne de Dirac D(jf ) :
xe (t) = x(t) · δTe (t) ⇔ Xe (jf ) = X(jf ) ⊗ D(jf ) (5.2)
5.3.1. Spectre d’un peigne de Dirac
δTe(t)
1
t
0 Te
D(jf) = 1 δ fe(f)
Te
1/Te
f
0 fe
Figure 5.8.: Peigne d’impulsions de Dirac et son spectre
Propriété Le spectre d’un peigne temporel de Dirac δTe (t) de période Te est un
peigne fréquentiel de Dirac δfe (f ) de période fe = 1/Te et d’amplitude 1/Te .
Démonstration Comme la suite d’impulsions δTe (t) est un signal périodique, on

peut la décrire par sa décomposition en série de Fourier :
+∞
X 1
δTe (t) = D(jk) exp (+j2π kfe t) avec fe =
k=−∞
Te
où D(jk) représente les coefficients de Fourier de δTe (t) qui valent :
1 +Te /2 1 0+
Z Z
1
D(jk) ≡ δ(t) exp (−j2π kfe t) dt = δ(t) · 1 · dt =
Te −Te /2 Te 0− Te
Ce qui, en terme de transformation de Fourier, s’écrit également
1
D(jf ) = δf (f ) (5.3)
Te e
et donne un peigne fréquentiel de Dirac. Une représentation graphique en est donnée
à la figure 5.8.
176
5.4. Recouvrement spectral
5.3.2. Spectre d’un signal échantillonné

On a vu ci-dessus que le spectre d’un signal échantillonné se calcule en effectuant
la convolution entre les spectres X(jf ) et D(jf ) et que ce dernier est un peigne de
Dirac de période spectrale fe . Comme la convolution entre une impulsion de Dirac
et une fonction continue reproduit la valeur de la fonction à l’endroit où se situe
l’impulsion de Dirac, on voit que le spectre de base X(jf ) est répété en tous les
multiples de la fréquence d’échantillonnage fe . On a donc :
+∞
1 X
Xe (jf ) = X(jf ) ⊗ D(jf ) = X (j(f − m fe )) (5.4)
Te m=−∞
Ce résultat très important montre que le spectre d’un signal échantillonné est la
somme d’une répétition périodique du spectre du signal analogique X(jf ) (figure
5.9) et que la période de ce spectre est égale à la fréquence d’échantillonnage fe .
x(t) X(f)
t f
xe(t) Xe(f)
Te t f
-fe +fe
Figure 5.9.: L’échantillonnage d’un signal analogique provoque la répétition de son

spectre
Échantillonnage d’une sinusoı̈de Considérant un signal sinusoı̈dal x(t) de fré-

quence f0 = 3 [kHz] échantillonné à la fréquence fe = 8 [kHz], on obtient les points
échantillonnés x(nTe ) représentés à la figure 5.10a. Malgré le faible nombre de points
obtenus (quatre points pour une période et demie), le signal x(t) est univoquement
défini du point de vue de Fourier.
Le spectre original et sa répétition font apparaı̂tre des raies spectrales se trouvant
aux fréquences ±m fe ±f0 = ±3, ±5, ±11, ±13, ±19, · · · . On en déduit que, dans la
bande de base qui s’étend de 0 à fe /2 = 4 [kHz], il n’y a qu’une seule raie spectrale
située en f0 = 3 [kHz]. C’est la raie correspondant au signal original (figure 5.10b).

À cause de la répétition du spectre de base autour des multiples de fe , on ima-
gine aisément que les spectres vont se superposer si la fréquence d’échantillonnage
177
0.5
x(t), x(n Te)

0
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
temps [ms]
0.5
0.4
0.3
|X (jf)|
e
0.2
0.1
−15 −10 −fe −5 0 5 +fe 10 15

fréquence [kHz]
Figure 5.10.: Échantillonnage d’une sinusoı̈de (fe > 2 f0 )
devient trop petite. La figure 5.11 illustre cette situation dans les domaines tempo-
rel et spectral. En réduisant la fréquence d’échantillonnage, on diminue la distance
entre les spectres qui, pour finir, se recouvrent. Cette superposition correspond à la
somme des spectres qui conduit à une déformation irrécupérable du spectre initial :
il n’est plus possible de reconstituer le signal x(t) à partir du spectre ainsi obtenu.
Il est donc important de ne pas oublier que l’échantillonnage d’un signal n’est pas
une opération aussi anodine qu’elle paraı̂t. Si la période d’échantillonnage est trop
petite, cela peut modifier gravement le signal temporel perçu après échantillonnage.
Comme le montre la figure 5.12, une sinusoı̈de de fréquence élevée peut être perçue
comme un signal de fréquence beaucoup plus faible.
Le recouvrement spectral illustré par les figures 5.11 et 5.13 peut également être
interprété comme un repliement du spectre autour de fe /2. Cette fréquence par-
ticulièrement importante fN = fe /2 porte le nom de fréquence de Nyquist et elle
délimite le domaine d’analyse compris entre ±fe /2. Ainsi que le montre la figure
5.13, les valeurs obtenues par superposition des spectres peuvent appartenir aussi
bien à une sinusoı̈de de 2 kHz qu’à celle de 6, 10 ou 14 kHz. Ce qui fait que si
l’on n’y prend pas garde, la fréquence réelle 6 kHz est perçue comme un signal
basse-fréquence de 2 kHz. Tout se passe comme si les signaux de fréquences 6, 10
ou 14 kHz étaient perçus comme un seul signal de fréquence 2 kHz.
En analysant la figure 5.13, on voit que les raies spectrales apparentes dues à
l’échantillonnage se situent en
fapp = ±m fe ± fk , m 6= 0 (5.5)
et que, si la fréquence d’échantillonnage n’est pas assez élevée, elles peuvent se
retrouver dans la bande de base −fe /2 < f < +fe /2.
Un exemple de repliement spectral bien connu est le phénomène observé au ci-
néma lorsqu’un chariot équipé de roues à rayons se déplace. La scène filmée est
178
x(t) X(f)
t f
xe(t) Xe(f)
Te t f
-fe +fe
xe(t) Xe,k(f)
Te t
-fe
xe(t) Xe(f) = Σ Xe,k(f)
Te t f
-fe +fe
Figure 5.11.: Échantillonnage et recouvrement spectral
0.5
−0.5
−1
0 2 4 6 8 10 12 14 16 18 20
Figure 5.12.: Sinusoı̈de fortement sous-échantillonnée
179
16k
X(f)
-16k
14k
12k
10k
fe = 8k
-8k
4 8 f
-6k 6k -6 -2 2 6 [kHz]
-4k -2k 0 2k 4k = fe/2

-fe -fe/2 fe/2 fe
Figure 5.13.: Illustration du recouvrement spectral
échantillonnée par la caméra à raison de 24 images par secondes. Lorsque le chariot

démarre et accélère, la fréquence du signal représenté par la rotation des rayons
augmente et à un moment dépasse la fréquence de Nyquist (12 images par seconde).
Dès cet instant, la vitesse de rotation semble diminuer, s’annuler et même deve-
nir négative. L’information contenue dans l’image est faussée par le recouvrement
spectral et ne correspond plus à la réalité. Il s’agit de l’effet stroboscopique bien
connu.
5.4.1. Quelques exemples

Sous-échantillonnage d’une sinusoı̈de
Donnée On considère un signal sinusoı̈dal x(t) de fréquence f0 = 5 [kHz} que l’on

échantillonne avec une fréquence fe = 8 [kHz].
Questions
1. Dessinez la fonction x(t) et les points échantillonnés x(t = nTe ).
2. Calculez la fréquence apparente fapp du signal x[n] = x(t = nTe ).
3. Dessinez la sinusoı̈de basse-fréquence passant par les points échantillonnés.
4. Calculez et dessinez le spectre du signal échantillonné.
Réponses Les courbes demandées sont calculées et dessinées avec Matlab à l’aide
des commandes ci-dessous :
% paramètres des signaux

fo = 5e3; fe = 8e3;
To = 1/fo; Te = 1/fe;
% calcul de x(t)
180
tmax = 5e-3; kmax = 500;

dt = tmax/kmax;
tt = 0:dt:tmax;
xt = sin (2*pi* tt/To);
0.5
x(t), x(n Te)
−0.5
−1
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
temps [ms]
0.5
0.4
0.3
|Xe(jf)|
0.2
0.1
−15 −10 −f −5 0 5 +f 10 15
e e
fréquence [kHz]
Figure 5.14.: Sous-échantillonnage d’une sinusoı̈de
La fréquence apparente vaut fapp = |f0 − fe | = 3 [kHz]. Comme elle se situe en

dessous de la fréquence de Nyquist fN = fe /2 = 4 [kHz], elle sera associée à la
présence d’une oscillation de période 0.33 [ms] qui n’existe pas en réalité (figure
5.14).
% signal apparent
fapp = fo - fe;
xta = sin (2*pi * tt * fapp);
% échantillonnage de x(t)
tn = 0:Te:tmax;
xn = sin (2*pi * tn/To);
% traçage dans le domaine temporel
subplot(2,1,1);
h1 = plot (tt, xt); grid;
set(h1,’LineWidth’,2); hold on;
plot(tn, xn, ’o’, tt, xta, ’-’);
xlabel (’temps [sec]’);
Le spectre original et sa répétition font apparaı̂tre des raies se trouvant aux fré-
quences suivantes :
181
k = 1, m = 0, 1, 2, 3 0 1 2 3 ...
+m fe ± f0 ±5 +3, +13 +11, +21 +19, +29 ...
−m fe ± f0 ±5 –3, –13 –11, –21 –19, –29 ...
On en déduit l’information erronée que, dans la bande de base allant de 0 à fe /2 =

4 [kHz], il n’y a qu’une raie spectrale : celle correspondant au signal apparent de
fréquence fapp = 3 [kHz] (figure 5.14).
Échantillonnage d’un signal carré
Considérons un signal carré de période T0 = 1 [ms] dont on sait que son spectre
est constitué de raies situées en tous les multiples impairs de la fondamentale f0 =
1 [kHz]. Ce signal est échantillonné à la fréquence fe = 12.8 [kHz].
Comme le rapport entre fe = 12.8 [kHz] et f0 = 1 [kHz] n’est pas entier ; le re-
couvrement spectral fait apparaı̂tre de manière évidente des raies parasites en des
fréquences inattendues (figure 5.15). Ces raies apparentes se situent en
fapp = ±m · fe ± k · f0
En ne considérant que les premiers spectres latéraux (m = ±1), on peut calculer les
fréquences apparentes suivantes
fapp = ±12.8 ± (1, 3, 5, 7, 9, 11, 13, 15, · · · )
De manière plus détaillée, cela donne :
m = ±1, k = 1, · · · 1 3 5 7 9 11 13 15 17
+12.8+(· · · ) +13.8 +15.8 +17.8 +19.8 +21.8 +23.8 +25.8 +27.8 +29.8 ···
+12.8 – (· · · ) +11.8 +9.8 +7.8 +5.8 +3.8 +1.8 –0.2 –2.2 –4.2 ···
–12.8+(· · · ) –11.8 –9.8 –7.8 –5.8 –3.8 –1.8 +0.2 +2.2 +4.2 ···
–12.8 – (· · · ) –13.8 –15.8 –17.8 –19.8 –21.8 –23.8 –25.8 –27.8 –29.8 ···
Les valeurs mises en gras correspondent aux fréquences apparentes que l’on retrouve
dans la bande de base comprise entre 0 et fN = fe /2 = 6.4 [kHz].
Échantillonnage d’une suite d’impulsions rectangulaires
Afin de mieux comprendre comment un spectre est modifié par le recouvrement

spectral, on considère une SIR de période T0 = 1 [ms] et de largeur ∆t = 0.2 [ms].
Cette SIR est échantillonnée à la fréquence fe = 16 [kHz]
On sait que le spectre de la SIR est constitué de raies situées en des multiples de la
fondamentale f0 = 1 [kHz] s’annulant pour tous les multiples de 1/∆t = 5 [kHz]. À
cause de l’échantillonnage, ce spectre devient périodique fe . Une illustration en est
donnée dans la figure 5.16 où l’on a représenté
182
Signal échantillonné xe(t)
0.5
x(t)
−0.5
−1
0 1 2 3 4 5 6 7 8 9 10
temps [ms]
Spectre théorique (o) et spectre dû au repliement spectral (−)

0 1
f0 = 1 fe/2 = 6.4
−10 3
5
|X(jf)| [dB]
7
−20 7 9
9 11
11 13
13
−30
−40
0 2 4 6 8 10 12 14
fréquence [kHz]
Figure 5.15.: Échantillonnage d’un signal carré
1.le signal temporel x(t) et les valeurs échantillonnées xe (n) ;

2.le spectre de base X(jf ) et son enveloppe (sinus cardinal) ;
3.le spectre de base X(jf ) et ses copies en f = ±fe ;
4.le spectre Xe (jf ) du signal échantillonné qui provient de la somme des spectres
précédents.
Comme le spectre du signal échantillonné est la somme de tous les spectres décalés
en ±m fe , on voit que le spectre résultant est composé du spectre original auquel
viennent s’ajouter les raies spectrales des spectres latéraux.
Dans cet exemple où nous avons choisi un rapport entier entre fe et f0 égal à 16, les
raies spectrales se superposent alors exactement. Si bien que l’on observe des raies
situées à l’endroit où on les attend. Le risque est alors grand de ne pas voir que les
amplitudes des raies spectrales sont faussées par le recouvrement spectral.
En particulier, si l’on considère la raie spectrale d’ordre 4, on voit que le résultat dû
à l’échantillonnage sera la somme des composantes d’ordre +20, –12, (fe ± 4), +36,
–28, (2 fe ± 4) ... dues aux décalages spectraux ±fe , ±2fe , etc. On voit donc que,
de manière générale, le repliement spectral fait apparaı̂tre en la fréquence fk = k f0
des composantes spectrales provenant de k f0 ± m fe .
À titre informatif, voici le code Matlab créé pour analyser l’échantillonnage de la
SIR.
% création d’une période
183
1
x(t), xe(t)
0.5
0
−2.5 −2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5
0.2
X(jf)
0.1
0
−20 −15 −10 −5 0 5 10 15 20
0.3
X(j(f ± kfe))
0.2
0.1
0
−20 −15 −10 −5 0 5 10 15 20
0.3
0.2
Xe(jf)
−f /2 +f /2
e e
0.1
0
−20 −15 −10 −5 0 5 10 15 20
t, f
Figure 5.16.: Échantillonnage d’une SIR
184
T0 = 1; delta = 1/5; k0 = 256;

dt = T0/k0;
t0 = -T0/2:dt:T0/2-dt;
xt0 = (t0>(-delta/2)) & (t0<(+delta/2));
% création de Nper périodes

Nper = 5;
tt = -Nper*T0/2:dt:Nper*T0/2-dt;
xt = [];
for k1 = 1:Nper, xt = [xt,xt0]; end;
% échantillonnage tous les ndt points

ndt = 16; Te = ndt*dt;
tn = tt(1:ndt:length(tt));
xn = xt(1:ndt:length(xt));
% spectre de xt (analogique)
duree = max(tt)-min(tt)+dt;
fmax = 1/dt; df = 1/duree;
ff = -fmax/2:df:fmax/2-df;
Xjf = fftshift(fft(xt))/length(xt);
Xf = abs(Xjf);
% spectre théorique de xt (enveloppe)

Xjfth = delta/T0*sinc(ff*delta/T0);
% spectre de xn
fe = 1/Te; Nfft = length(xn);
dfe = fe/Nfft;
ffe = -fe/2:dfe:fe/2-dfe;
Xejf = fftshift(fft(xn))/Nfft;
% graphes
subplot(4,1,1);
plot(tt,xt,tn,xn,’.’);
subplot(4,1,2);
stem(ff,Xf,’k.’); hold on;
plot(ff,abs(Xjfth));
subplot(4,1,3);
stem(ff,Xf,’k.’); hold on;
stem(ff-fe,Xf,’b.’);
stem(ff+fe,Xf,’r.’);
subplot(4,1,4);
stem(ffe,abs(Xejf),’.’); hold on;
plot(ff,abs(Xjfth));
185
Échantillonnage d’une exponentielle décroissante
Donnée Une exponentielle décroissante d’amplitude A = 10 V , de constante de

temps τ = 0.2 msec est échantillonnée avec Te = τ /2 = 0.1 msec.
Question Calculez le contenu spectral du signal échantillonné pour f = 0 et

f = fc en se limitant à l’effet des 2 premiers spectres latéraux seulement.
Réponse Sachant que le signal
x(t) = A exp(−t/τ ) ε(t)
possède le spectre suivant

τ
X(jf ) = A
1 + j2π f τ
le spectre du signal échantillonné xe (t) vaut :
+∞
1 X
Xe (jf ) = X (j(f − k fe ))
Te k=−∞
+∞
1 X Aτ
=
Te k=−∞ 1 + j2π (f − k fe )τ
1
x(t)
0.8 x[n]
0.6
0.4
0.2
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
temps [sec] x 10
−3
−4
x 10
2
X(f)
1.5
Xe(f)
0.5
0
−10 −8 −6 −4 −2 0 2 4 6 8 10
fréquence [kHz]
Figure 5.17.: Échantillonnage d’une exponentielle amortie et son spectre
186
5.5. Théorème de l’échantillonnage
La méthode la plus simple pour calculer Xe (jf ) consiste à utiliser Matlab. Dans le
calcul qui suit, on notera que pour des raisons d’échelle, la période d’échantillonnage
n’est pas prise en compte dans le calcul des spectres.
% parametres
A = 10.0; tau = 0.2e-3;
fc = 1/(2*pi*tau);
Te = tau/2; fe = 1/Te;
% spectre original en f = 0 et f = fc:

f = [0, fc];
Xf0 = A*tau ./ (1 + j*2*pi * f*tau)
Xfm = abs (Xf0)
>> Xfm = 0.2000e-3 0.1414e-3
% repetition spectrale
% spectre original
Xf0 = A*tau ./ (1 + j*2*pi * f*tau)
% spectres dus à ±fe
Xfp1 = A*tau ./ (1 + j*2*pi * (f + fe)*tau);
Xfm1 = A*tau ./ (1 + j*2*pi * (f - fe)*tau);
% spectres dus à ±2fe
Xfp2 = A*tau ./ (1 + j*2*pi * (f + 2*fe)*tau);
Xfm2 = A*tau ./ (1 + j*2*pi * (f - 2*fe)*tau);
% spectre résultant
Xfe = Xf0 + Xfm1 + Xfp1 + Xfm2 + Xfp2
Xfem = abs (Xfe)
>> Xfem = 0.2031e-3 0.1415e-3
% erreurs relatives
erreurs = (Xfem - abs(Xf0)) ./ abs(Xf0)
>> erreurs = 0.0157 0.0008
Cet échantillonnage de l’exponentielle amortie avec Te = τ /2 conduit donc aux

erreurs relatives suivantes :
– 1.57% pour l’amplitude de la composante continue
– 0.08% pour l’amplitude à la fréquence de coupure (fc = 796 [Hz]).
Une illustration de la somme de ces spectres est donnée à la figure 5.17.

Les exemples ci-dessus ont montré à l’évidence que les résultats fournis par l’analyse
d’un signal échantillonné peuvent être gravement modifiés si l’on n’y prend pas
garde. En 1948, Shannon a montré que, pour éviter ces problèmes, il suffit de
187
satisfaire l’inégalité suivante :

Tmin
fe > 2 fmax ⇔ Te < (5.6)
2
Ce théorème s’énonce également de la manière suivante :
Un signal x(t) peut être représenté de manière univoque par
une suite de valeurs échantillonnées si la fréquence d’échan-
tillonnage fe est au moins 2 fois plus élevée que la plus grande
des fréquences contenues dans le signal.
En pratique, on limite, avant échantillonnage, le spectre du signal avec un filtre
passe-bas analogique dont la fréquence de coupure dépend de la bande passante
utile. Afin de laisser un peu d’espace pour la bande de transition du filtre antire-
couvrement, on choisira :
Tmin
fe ' (3 · · · 5) fmax ⇔ Te ' (5.7)
3···5
Plus de détails seront donnés dans la section 5.7.
5.5.1. Filtre antirecouvrement

En général, les fréquences présentes dans un signal s’étendent sur un domaine plus
étendu que ce qui est utile pour le message à transmettre. Suivant la qualité atten-
due pour celui-ci, on limite plus ou moins le domaine fréquentiel sur lequel portera
le traitement du signal.
Connaissant ce domaine d’intérêt, délimité par la fréquence fmax , on pourra éviter
le recouvrement spectral en filtrant analogiquement le signal x(t) avant son
échantillonnage. Comme il n’est pas possible, avec un filtre réel, de supprimer
totalement les fréquences supérieures à fmax , on est amené à accepter l’effet d’un
léger recouvrement spectral.
La figure 5.18 illustre le recouvrement spectral que l’on obtient avec des filtres de
Butterworth dont la réponse fréquentielle et le recouvrement spectral sont décrits
par
1 1
H(f ) = r 2m Hfe (f ) = H(f − fe ) = r 2m (5.8)
f f −fe
1+ fc
1+ fc
5.5.2. Exemple
Donnée Considérons un signal x(t), à spectre constant dans une large bande de
fréquence que l’on filtre passe-bas avec un filtre de Butterworth d’ordre m = 6 et
de fréquence de coupure fc = 1 [kHz].
Dans ce qui suit, on souhaite estimer la valeur de la fréquence d’échantillonnage fe
nécessaire pour que l’effet du recouvrement spectral à la fréquence de coupure fc
soit inférieur à 1%.
188
Filtres de Butterworth d’ordre m

0
−10
−20
−30
Module [dB]
m=4 m=4
−40
−50
m=6 m=6
−60
−70
m=8 m=8
−80
−90
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
fréquence [fe]
Figure 5.18.: Recouvrement spectral pour un filtre de Butterworth (fe = 4 fc )
Solution Puisque en f√ = fc , l’amplitude de la réponse fréquentielle du filtre

de Butterworth vaut 1/ 2 = 0.707, l’amplitude due au recouvrement spectral en
cet endroit devra être inférieure à 1% de 0.707 ; c’est-à-dire, 0.00707 = 1/141 (fi-
gure 5.19).
0
0.707
−10 H(f−fe)
H(f)
−20
H(f) [dB]
−30
−40
1/141
−50
−60
0 500 1000 1500 2000 2500 3000
fréquence [Hz]
Figure 5.19.: Effet du filtre antirecouvrement d’ordre 6 avec fe = 3.28 fc
Ne considérant que le premier spectre latéral, l’effet du recouvrement est décrit par
la réponse fréquentielle centrée en +fe :
1 1
Hf e (f ) = H(f − fe ) = r 12 = 141 lorsque f = fc
f −fe
1 + fc
189
On a donc :
12 12
fc − fe fe − fc
1+ =1+ = 1412 = 2 · 104
fc fc
De cette équation, on tire :
1/12
fe = 1 + 2 · 104 fc
= 3.28 fc = 3.28 [kHz]
Remarque Il est important de relever que ce résultat provient d’une estimation

basée sur les modules des spectres alors que, pour être exact, il aurait fallu travailler
avec les spectres complexes (voir l’exemple du paragraphe 5.4.1).
5.6. Quantification d’un signal échantillonné
5.6.1. Quantification uniforme

Le convertisseur A–N effectue la numérisation d’un signal analogique après échan-
tillonnage et délivre des séquences numériques codées avec un pas de quantification
Q dépendant du nombre de bits du convertisseur. Dans le cas d’une loi de quantifi-
cation uniforme où les valeurs codées sont obtenues par arrondi dans le domaine de
conversion ∆CAN du convertisseur, on a :
∆CAN
Q= (5.9)
2n
Considérant pour la suite que le CAN travaille avec n bits entre +Umax et −Umax
(figure 5.20), on a ∆CAN = 2 Umax et le pas de quantification vaut alors
∆CAN 2 Umax Umax

Q=n
= n
= n−1 (5.10)
2 2 2
Le pas de quantification Q rapporté au domaine de conversion ∆CAN définit la
résolution du convertisseur
Q 1
RCAN ≡ = = 1 LSB (5.11)
∆CAN 2n
On dit, de manière équivalente, que la résolution est égale au poids du bit le plus
faible du convertisseur.
Lorsque les valeurs codées sont obtenues par arrondi, l’erreur due au codage se
répartit uniformément autour de la droite de conversion idéale et la caractéristique
de codage est celle représentée à la figure 5.20. Dans le domaine de quantification,
l’erreur maximum due à la quantification vaut alors :
Q Umax
EQ = = n
2 2
190
Par exemple, si l’on considère un CAN 4 bits travaillant entre ±8 [V], on aura
2 · 8 [V] 1
∆CAN = 16 [V] Q= = 1.00 [V] EQ = 0.50 [V] RCAN =
24 16
En observant attentivement la figure 5.20, on voit que le domaine de conversion
s’étend plus précisément de Umin = −8−0.5 = −8.5 [V] à Umax = +8−0.5 = 7.5 [V].
Ce qui donne bien évidemment ∆CAN = 16 [V].
Remarque Il est important de bien distinguer entre résolution et précision d’un

convertisseur. Généralement, ces deux grandeurs sont du même ordre. On peut
cependant très bien imaginer l’exemple d’un convertisseur 4 bits qui aura une réso-
lution de 1/16 = 6.25% alors que les 16 valeurs fournies par le convertisseur peuvent
être précises à 0.1%.
10
original
codage
8 erreur
2
Sortie codée
−2
−4
−6
−8
−10
−10 −8 −6 −4 −2 0 2 4 6 8 10
Tension d’entrée
Figure 5.20.: Loi de quantification uniforme et signal d’erreur pour un convertis-

seur 4 bits travaillant entre ±8[V]
5.6.2. Bruit de quantification

Nous venons de voir que l’opération de quantification remplace chaque valeur du
signal x(t = nTe ) par une approximation. L’effet de cette approximation revient,
mathématiquement, à superposer au signal d’origine x(t) un signal d’erreur e(t) que
l’on appelle le bruit de quantification. L’amplitude maximum de ce signal d’erreur
est EQ = Q/2 (figure 5.21). Sa puissance est une mesure de la dégradation que subit
le signal.
191
10
original
codage
8 bruit
2
Amplitude
−2
−4
−6
−8
−10
0 0.2 0.4 0.6 0.8 1 1.2
temps
Figure 5.21.: Numérisation et bruit de quantification d’un signal analogique ne

débordant pas le domaine du CAN
Si le pas de quantification est beaucoup plus petit que l’amplitude du signal x(t),
on peut raisonnablement admettre que le signal d’erreur est constitué de segments
de droite compris entre ±Q/2 et de durée variable ∆t (figure 5.21). L’équation
décrivant ce signal d’erreur élémentaire s’écrit alors :
Q ∆t ∆t
e(t) = t pour − ≤t≤+
∆t 2 2
et sa puissance moyenne vaut :
Z +∆t/2
1
PQ = e2 (t) dt
∆t −∆t/2
Z 2
+∆t/2
1 Q
= t dt
∆t −∆t/2 ∆t
2 3
1 Q 1 ∆t
= 2
∆t ∆t 3 2
Ce qui donne finalement le résultat bien connu pour une distribution statistique
uniforme :
EQ2 Q2
PQ = = (5.12)
3 12
La valeur ainsi obtenue est une estimation de la puissance du bruit de quantification
suffisante pour la plupart des cas réels. Si l’on exprime cette puissance par rapport
au nombre de bits du convertisseur, on obtient :
2 2
1 2 Umax Umax
PQ = = √
12 2n 2n 3
192
La puissance du bruit de quantification PQ permet de calculer la valeur efficace du

bruit de quantification qui vaut :
p Q
Qef f = PQ = √ (5.13)
12
Le spectre du signal d’erreur est plus difficile à évaluer. Mais dans la plupart des cas,
les conditions sont remplies pour que la densité spectrale du bruit de quantification
puisse être considérée constante.
5.6.3. Rapport signal sur bruit

Lorsque qu’un signal est perturbé par du bruit, il est nécessaire de chiffrer l’impor-
tance de cette perturbation par rapport au signal. On introduit alors la notion de
rapport signal sur bruit (SNR = Signal to Noise Ratio) défini comme le quotient
entre la valeur efficace du signal Xef f et celle du bruit Nef f :
Xef f
SN R ≡ (5.14)
Nef f
Dans notre cas, √
le bruit est dû à la quantification du signal. On a donc Nef f = Qef f
avec Qef f = Q/ 12. Le rapport signal sur bruit d’un convertisseur vaut alors :
Xef f √ X
SN R = √ = 2n−1 12 ef f (5.15)
Q/ 12 Umax
Exprimé en dB, ce rapport signal sur bruit vaut :
SN RdB ≡ 20 log(SN R)
Xef f
= (n − 1) 20 log(2) + 10 log(12) + 20 log
Umax
d’où :
Xef f
SN RdB = 6 n + 4.8 dB + 20 log < 6 n + 4.8 dB (5.16)
Umax
On voit ainsi que le rapport signal sur bruit d’un convertisseur A-N dépend de
son domaine de conversion et de la valeur efficace du signal. Comme l’amplitude
de celui-ci ne doit pas dépasser le domaine du convertisseur si l’on veut éviter des
saturations, on voit que le SNR sera toujours inférieur à 6n + 4.8 dB.
5.6.4. SNR de quelques signaux

Signal sinusoı̈dal “pleine échelle”
Dans le cas particulier où le signal analogique est une sinusoı̈de d’amplitude égale
à la tension maximum Umax du convertisseur A–N, on a :
Umax 1
Xef f = √ = √ 2n−1 Q
2 2
193
Le rapport signal sur bruit maximum que l’on peut avoir après quantification vaut
alors : √
Xef f 2n−1 Q/ 2 √ n−1
SN Rmax = = √ = 6 2
Qef f Q/ 12
Exprimé en dB, ce rapport devient :
SN Rmax, dB ≡ 20 log(SN R)
= (n − 1) 20 log(2) + 10 log(6)
' 6 (n − 1) + 7.8 dB
d’où
SN Rmax, dB ' 6 n + 1.8 dB si A = Umax (5.17)
Il est important de se rappeler que ce résultat n’est valable que pour une sinusoı̈de
dont l’amplitude couvre toute la plage du convertisseur A–N et qu’il représente le
SNR maximum possible pour un convertisseur donné.
Ainsi, pour un convertisseur 8 bits, le rapport signal sur bruit maximum vaut
environ 50 dB. Ceci est suffisant pour la plupart des applications industrielles, mais
pas du tout en haute-fidélité où l’on désire un rapport d’au moins 96 dB. Dans ce
cas, 16 bits sont nécessaires avec un convertisseur d’excellente linéarité.
Dans le cas plus général où l’amplitude A du signal sinusoı̈dal est inférieure à Umax ,
on aura :
Umax
SN RdB ' 6 n + 1.8 dB − 20 log A ≤ Umax (5.18)
A
Signal triangulaire “pleine échelle”
Dans le cas particulier où le signal analogique est un triangle d’amplitude égale à la
tension maximum Umax du convertisseur A–N, on montre aisément (voir exercices)
que le rapport signal sur bruit obtenu après quantification vaut au maximum :
SN Rmax, dB = 6 n si A = Umax (5.19)
Dans le cas plus général où l’amplitude A du signal triangulaire est inférieure à
Umax , on aura :
Umax
SN RdB ' 6 n − 20 log A ≤ Umax (5.20)
A
Signal à distribution gaussienne
Dans le cas où l’on peut admettre que la distribution statistique d’un signal quel-
conque est gaussienne, on montre que le risque de dépassement du domaine de
conversion est inférieur à
Umax
5% si Xef f ≤
2
Umax
0.3% si Xef f ≤
3
194
En considérant ce dernier cas (satisfaisant d’un point de vue pratique), on a :
Umax
SN Rmax, dB = 6 n + 4.8 dB − 20 log 3 = 6 n − 4.7 dB si Xef f =
3
Dans ce cas, plus général que celui du signal sinusoı̈dal, on voit que le rapport signal
sur bruit ne dépassera pas 43 dB pour un convertisseur 8 bits. Une illustration de
la quantification de trois signaux types est donnée dans la figure 5.22.
Sinus Triangle Bruit

1 1 1
0.5 0.5 0.5

Signaux
0 0 0
−0.5 −0.5 −0.5
−1 −1 −1
0 0.5 1 0 0.5 1 0 0.5 1
temps temps temps
1 1 1
Quantification 4 bits
0.5 0.5 0.5
0 0 0
−0.5 −0.5 −0.5
−1 −1 −1
0 0.5 1 0 0.5 1 0 0.5 1
SNR = 26 dB 24 dB 19 dB
theor
Figure 5.22.: Quantification avec 4 bits de trois signaux types
5.6.5. Non linéarité du convertisseur
Jusqu’à présent, on a considéré des convertisseurs A–N parfaits, exempts de toute

erreur de linéarité ; cela signifie que la relation sortie-entrée est décrite par une
droite et que les pas de quantification se répartissent régulièrement le long de cette
droite. Or dans la réalité, la relation sortie-entrée n’est jamais exactement linéaire.
Une illustration en est donnée à la figure 5.23.
En général, la valeur absolue de la différence entre la courbe réelle et la droite
idéale ne dépasse pas un demi LSB. Dans ce cas, l’erreur de non linéarité est au
maximum équivalente à la perte d’un bit de poids faible. On admet alors, de manière
conservative, que le nombre de bits effectif est diminué de 1
nef f = n − 1
195
Ce qui conduit aux résultats globaux suivants

1 1 Umax Umax
RN L = = , QN L = −1
= n−2 (5.21)
2nef f 2n−1 2nef f 2
On voit ainsi que le rapport signal sur bruit calculé jusqu’ici est réduit d’un facteur 2
ou de 6 dB. Le rapport signal sur bruit est alors corrigé de la manière suivante :
SN RN L, dB ' SN RdB − 6 dB (5.22)
Convertisseur linéaire Convertisseur non linéaire

Sortie codée 4 bits
Sortie codée 4 bits

5 5
0 0
−5 −5
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

Tension d’entrée Tension d’entrée
1 1
0.5 0.5
x(t), yq,NL(t)
x(t), yq(t)
0 0
−0.5 −0.5
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
temps temps
Figure 5.23.: Effet d’une non-linéarité
Signaux SN Rmax [dB] SN Rmax avec NL [dB]

sinus 6n + 1.8 6n − 4
triangle 6n 6n − 6
bruit gaussien 6n − 4.7 6n − 11
Table 5.1.: Limite des convertisseurs A–N
5.6.6. Conclusion
Les situations que l’on vient d’analyser peuvent se résumer dans le tableau 5.1.
De celui-ci, on notera que de manière générale, une conversion A–N réelle peut
difficilement fournir un rapport signal sur bruit supérieur à 6(n − 1) dB même si
196
5.7. Choix d’un filtre et de la fréquence d’échantillonnage
la plage du convertisseur est utilisée dans sa totalité. On retiendra donc la relation

suivante
SN R < 6 n − 6 [dB] (5.23)
comme représentative de ce que l’on peut obtenir au mieux dans des situations
réelles.
Quelques de valeurs de SNR
Comme nous venons de le voir, le traitement numérique des signaux introduit des
erreurs dont on peut estimer la valeur. Celles-ci ne seront acceptables que si elles
ne dépassent pas des limites psycho-physiologiques généralement connues.
En téléphonie par exemple, il est important et suffisant que les locuteurs puissent
se reconnaı̂tre au son de leurs voix. Comme les fréquences fondamentales présentes
dans les voix humaines dépassent rarement 1 kHz, on admet qu’une bande passante
de 4 kHz est suffisante pour laisser passer les harmoniques nécessaires. Cette bande
passante permet de fixer la fréquence d’échantillonnage utilisée en téléphonie nu-
mérique à 8 kHz. De plus, de manière à ce que la voix numérisée ne soit pas trop
“granulaire”, une dynamique de 50 dB est demandée : des convertisseurs 8 bits sont
généralement acceptés.
Applications Dynamique Nombre de bits

Téléphonie 50 dB 8
Mesures industrielles 70 dB 12
Audio numérique 96 dB 16
Multimètre numérique > 100 dB 18
Table 5.2.: Quelques valeurs SNR typiques
En audio de haute qualité, les limites que l’on souhaite atteindre sont fixées par les
capacités de l’oreille humaine ; la dynamique et la bande passante demandées sont
donc bien plus élevées qu’en téléphonie. Ainsi, pour reproduire la qualité sonore
d’une salle de concert, on exige une bande passante de 20 kHz et une dynamique
de plus de 80 dB car cela correspond au rapport entre le volume sonore d’un grand
orchestre et le bruit de fond d’une salle silencieuse.
5.7. Choix d’un filtre et de la fréquence

d’échantillonnage
Nous venons de voir que, lors d’une conversion A–N, deux effets négatifs appa-
raissent :
1. le recouvrement spectral causé par l’impossibilité d’avoir un filtre idéal ;
2. la limitation du rapport signal sur bruit due à la résolution du convertisseur.
197
Généralement le nombre de bits et la bande passante nécessaires sont fixés par

l’application ; il reste donc à trouver la fréquence d’échantillonnage fe et l’ordre n
du filtre antirecouvrement. Le critère le plus fréquemment admis pour trouver ces
deux valeurs est le suivant :
L’effet du recouvrement doit être inférieur à la résolution liée
à la quantification et à la non linéarité du convertisseur CAN.
Admettant que l’on utilise un filtre passe-bas de Butterworth d’ordre m et de
fréquence de coupure fc , on aura, à l’extrémité de la bande passante (f = fc ), une
atténuation du recouvrement spectral valant (voir section 5.5.1)
1
H(f − fe )|f =fc = r 2m
fc −fe
1+ fc
On a vu que la résolution d’un convertisseur A–N à n bits possédant une non-

linéarité de ± 12 LSB vaut pratiquement
1
R'
2n−1
Admettant qu’à la fréquence de coupure le recouvrement spectral doit être inférieur
à la résolution du convertisseur, il vient
s 2m
fc − fe
1+ > 2n−1
fc
d’où :
2m
fc − fe 2
1+ > 2n−1
fc
2m
fc − fe 2
> 2n−1
fc
m
fc − fe
> 2n−1
fc
Ce qui donne finalement :
1/m
fe > fc · 1 + 2n−1 (5.24)
Le tableau 5.3 donne le rapport fe /fc pour différents filtres de Butterworth et

convertisseurs A–N entachés d’une non linéarité de ± 12 LSB. On notera que si l’on
souhaite utiliser un filtre d’ordre 2 seulement avec un convertisseur 8 bits, il faut
choisir une fréquence d’échantillonnage 13 fois supérieure à la fréquence de coupure.
Alors que, si l’on adopte un filtre d’ordre 8, une fréquence d’échantillonnage 3 à 5
fois supérieure à la fréquence de coupure suffit suivant le nombre de bits du CAN.
C’est pourquoi, admettant que l’échantillonneur est précédé d’un filtre antirecou-
vrement d’ordre 8, on propose généralement une fréquence d’échantillonnage telle
que
fe ' (3 · · · 5) fc (5.25)
198
5.8. Reconstruction du signal
Ordre m Nombre de bits n du CAN

du filtre 8 10 12 14 16
2 13 24 47 92 182
4 4.4 5.8 7.7 10.6 14.5
5 3.7 4.5 5.6 7.1 9.0
6 3.3 3.9 4.6 5.5 6.7
7 3.0 3.5 4.0 4.7 5.5
8 2.9 3.2 3.6 4.1 4.7
Table 5.3.: Rapport fe /fc en fonction de l’ordre du filtre (Butterworth) et du

convertisseur analogique numérique (n bits ± 12 LSB)
5.8.1. Convertisseur N–A

Le convertisseur N–A convertit un signal numérique en un signal analogique. Son
but est de fournir un signal continu entre chaque échantillon. Cette opération
consiste à réaliser une interpolation continue entre les valeurs numériques fournies
par le processeur à chaque période d’échantillonnage. On peut imaginer différents
interpolateurs allant du simple au compliqué :
– l’interpolateur d’ordre 0 qui maintient constante la valeur numérique fournie ;
– l’interpolateur d’ordre 1 qui relie linéairement deux valeurs numériques succes-
sives ;
– l’interpolateur d’ordre 2 qui relie paraboliquement trois valeurs numériques suc-
cessives ;
– l’interpolateur idéal qui remplace chaque valeur numérique par un sinus cardinal.
L’interpolateur le plus simple est celui d’ordre zéro et c’est également celui qui est
réalisé par un convertisseur numérique-analogique classique. Il est souvent désigné
sous le nom de bloqueur d’ordre zéro.
2
amplitude
−2
−4
−6
−8
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 5.24.: Interpolation d’ordre zéro réalisée par un convertisseur N–A
199
5.8.2. Interpolateur idéal

Dans l’énoncé du théorème d’échantillonnage, Shannon a également donné son co-
rollaire qui précise qu’un signal x(t) peut être reconstruit à partir des valeurs échan-
tillonnées en utilisant la fonction d’interpolation suivante :
sin (π fe t)
g(t) = (5.26)
(π fe t)
Cela signifie que le signal peut être reconstruit avec une somme de sinus cardinaux
temporels centrés sur les instants d’échantillonnage t = n Te et d’amplitudes égales
aux valeurs échantillonnées x[n] :
+∞
X sin (π fe (t − n Te ))
xa (t) = x[n] (5.27)
n=−∞
(π fe (t − n Te ))
Une illustration de cette interpolation est donnée à la figure 5.25. On notera que
cette interpolation idéale n’est pratiquement réalisable qu’en temps différé et de
manière approchée seulement.
Interpolateur idéal
1
0.5
−0.5
−3 −2 −1 0 1 2 3
0.5
−0.5
−3 −2 −1 0 1 2 3
0.5
−0.5
−3 −2 −1 0 1 2 3
temps [Te]
Figure 5.25.: Reconstruction d’un signal triangulaire à l’aide d’un interpolateur

idéal
Une comparaison entre les résultats fournis par l’interpolateur d’ordre zéro et l’in-
terpolateur idéal peut être faite en observant les reconstructions illustrées à la figure
5.26. Comme le signal original possède une discontinuité, cela conduit à un effet de
Gibbs assez prononcé. Dans le cas d’un signal sans discontinuité échantillonné assez
rapidement, la reconstruction est presque parfaite.
200
Interpolateur d’ordre zéro

1.2
0.8
0.6
0.4
0.2
−0.2
0 50 100 150 200 250 300
Interpolateur idéal
1.2
0.8
0.6
0.4
0.2
−0.2
0 50 100 150 200 250 300
temps
Figure 5.26.: Échantillonnage et reconstruction d’une rampe
5.8.3. Réponses impulsionnelle et fréquentielle d’un CNA

Le bloqueur d’ordre zéro fournit un signal analogique en escalier dont chaque ni-
veau est égal à la valeur du signal numérique. Fondamentalement, cela signifie que
le signal x[n] est remplacé par une suite d’impulsions rectangulaires d’amplitude
variable.
À cette opération de maintien de la valeur x[n] correspond un opérateur linéaire
dont la réponse impulsionnelle h(t) est une impulsion d’amplitude 1 et de durée Te
(figure 5.27 ) :

 1 si 0 ≤ t < Te
h(t) = (5.28)
0 sinon

La réponse en fréquence d’un tel opérateur est la transformée de Fourier H(jf ) de

sa réponse impulsionnelle h(t) :
sin (π f Te )
H(jf ) = Te exp (−jπ f Te ) (5.29)
(π f Te )
Sa représentation bien connue est rappelée à la figure 5.28. Pour comparaison, on y
a superposé en traitillé la réponse fréquentielle d’un interpolateur idéal. On notera
que le CNA agit comme un filtre passe-bas entre 0 et fe /2 et qu’il sera bon d’en
tenir compte lors de la reconstruction du signal analogique.
201
0.8
0.6
δ (t)
0.4
0.2
−5 −4 −3 −2 −1 0 1 2 3 4 5
0.8
0.6
h(t)
0.4
0.2
−5 −4 −3 −2 −1 0 1 2 3 4 5
temps [Te]
Figure 5.27.: Réponse impulsionnelle d’un bloqueur d’ordre zéro
Te x 1
CNA
0.8 idéal
module
0.6
0.4
0.2
0
−5 −4 −3 −2 −1 0 1 2 3 4 5
fréquence [fe]
0.5
phase / π
−0.5
−1
−5 −4 −3 −2 −1 0 1 2 3 4 5
fréquence [fe]
Figure 5.28.: Réponse fréquentielle d’un interpolateur d’ordre zéro
202
5.9. Analyse qualitative d’une chaı̂ne A-N – N-A
5.8.4. Filtre de reconstruction ou de lissage
On peut se rapprocher d’un signal analogique plus habituel en éliminant les escaliers
du signal xs (t) créé par le CNA. Pour cela, on fait suivre le convertisseur d’un filtre
passe-bas, dit de reconstruction ou de lissage. La bande passante de celui-ci doit
être suffisante pour laisser passer l’information contenue dans la bande de base du
signal numérique. Comme celui-ci s’étend de 0 à fe /2, les filtres antirecouvrement
et de reconstruction sont généralement les mêmes.

Une illustration des différents points étudiés dans ce chapitre est donnée dans les
figures qui suivent. On y décrit à l’aide de graphiques les effets du filtre antirecou-
vrement (FAR), de l’interpolateur d’ordre zéro (CNA) et celui du filtre de lissage
(FL). Les signaux rencontrés correspondent à ceux du schéma fonctionnel suivant :
x0(t) x(t) A x[n] Système y[n] N ys(t) y(t)

FAR numérique
FL
N A
Figure 5.29.: Chaı̂ne de traitement des signaux
5.9.1. Échantillonnage sans filtre antirecouvrement
La figure 5.30 montre le signal x0 (t) échantillonné sans filtrage préalable et son
spectre. On y voit en particulier combien le spectre d’amplitude Xe (f ) résultant
s’éloigne du spectre original X0 (f ).
5.9.2. Échantillonnage avec filtre antirecouvrement
La figure 5.31 montre le signal x(t) échantillonné avec un filtre antirecouvrement et

son spectre. On y voit en particulier que le spectre d’amplitude Xe (f ) résultant est
très proche, entre 0 et fc , du spectre original X0 (f ).
5.9.3. Effet du convertisseur N–A
La figure 5.32 montre le signal échantillonné et son spectre ainsi que celui du blo-
queur d’ordre 0 qui n’est autre que le premier lobe de la fonction sinus cardinal. Il
est bien clair que ce spectre, qui est aussi la réponse fréquentielle du bloqueur, va
modifier le spectre du signal y[n] appliqué au CNA.
203
0.2 1.2
Signal x0(t) Spectre de x0(t)
1
0.15
0.8
0.1
0.6
0.05
0.4
X0(f)
0
0.2
−0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
0.2 1.2
Signal x[n] Spectre de x[n]
0.15 1
0.8
0.1
0.6
0.05
0.4 Xe(f)
0 0.2
−0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
temps [Te] fréquence [fe]
Figure 5.30.: Échantillonnage sans filtre antirecouvrement
0.2 1.2
Signal filtré x(t) Spectres
1
0.15
0.8
0.1
0.6
0.05 FAR
0.4
0
0.2
X(f) X0(f)
−0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
0.2 1.2
Signal x[n] Spectre Xe(f)
0.15 1
0.8
0.1
0.6
0.05
0.4
0 0.2 X0(f)
−0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
Figure 5.31.: Échantillonnage avec filtre antirecouvrement
204
0.2 1.2
Signal y[n] Spectre de y[n]
1
0.15
0.8
0.1
0.6
0.05
0.4
0 Y(f)
0.2
−0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
1.2 1.2
Bloqueur Spectre du bloqueur
1 1
0.8 0.8
0.6 0.6
B(f)
0.4 0.4
0.2 0.2
0
0
0 1 2 3 4 5 0 0.2 0.4 0.6 0.8 1
Figure 5.32.: Signal numérique et bloqueur d’ordre 0
0.2 1.2
Signal ys(t)
1
0.15
0.8
0.1
0.6
0.05
0.4
0 Ys(f) = Y(f) B(f)
0.2
0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
0.2 1.2
Signal y(t) Spectres
0.15 1
0.8
0.1
0.6
0.05 FL
0.4
0 0.2
Y(f) X(f)
0.05 0
0 10 20 30 40 0 0.2 0.4 0.6 0.8 1
Figure 5.33.: Reconstruction sans et avec filtre de lissage
205
5.9.4. Reconstruction du signal analogique

La figure 5.33 montre le signal en escalier et son spectre Ys (f ) = Y (f ) · B(f ) qui
provient du produit entre le spectre de y[n] et la réponse fréquentielle du bloqueur.
Afin d’éliminer les escaliers de ys (t), on fait suivre le CNA d’un filtre passe-bas
identique au filtre antirecouvrement puisque les fréquences supérieures à fe /2 ne
contiennent aucune information intéressante.
5.9.5. Correcteur d’amplitude

Il est fréquent de compléter ce filtre passe-bas par un correcteur d’amplitude ac-
centuant les fréquences élevées. Ce correcteur, de réponse fréquentielle 1/B(f ) pour
f compris entre 0 et fe /2, est construit de manière à compenser le comportement
passe-bas du bloqueur. On obtient alors une réponse fréquentielle Y (f ) ' X(f )
proche de celle du signal original.
206

Support TS - CH7 - L2etL3

Transféré par

Droits d'auteur :

Formats disponibles

Support TS - CH7 - L2etL3

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Support TS - CH7 - L2etL3

Transféré par

Droits d'auteur :

Formats disponibles

5.

x(t) Système y(t)

Figure 5.1.: Traitement analogique d’un signal x(t)

Souvent, pour des raisons de simplicité, de précision, de stockage de l’information,

x(t) x[n] y[n] y(t)

Conceptuellement, on peut considérer la conversion A–N comme un processus fai-

xa(t) x(t) xe(t) x[n] y[n] N yq(t) y(t)

Figure 5.3.: Détail d’une chaı̂ne analogique-numérique-analogique

5.2. Analyse temporelle

5.2.1. Types de signaux

Signal analogique Te Signal échantillonné

Figure 5.4.: Divers types de signaux

4. Signaux continus en temps, discrets en amplitude : xq (t). Ce sont des

5.2.2. Quantification d’un signal : exemple

x(t) = U0 exp(−t/τ ) ε(t) U0 = 1 [V ] τ = 1 [ms]

Réponse Le codage sur 8 bits par arrondi transforme le domaine de conversion

un pas de quantification de 20 [mV] (figure 5.5a). L’échantillonnage et la quantifi-

256 5.12 0.9

255 5.10 0.8

Figure 5.5.: Quantification et échantillonnage

5.2.3. Échantillonnage des signaux analogiques

xe (t) = x(t) · δTe (t) (5.1)

xe(t) = x(t) . δTe(t)

Figure 5.6.: Échantillonnage d’un signal

Figure 5.7.: Ambiguı̈té due à l’échantillonnage

5.3. Analyse fréquentielle

5.3.1. Spectre d’un peigne de Dirac

Figure 5.8.: Peigne d’impulsions de Dirac et son spectre

Démonstration Comme la suite d’impulsions δTe (t) est un signal périodique, on

5.3.2. Spectre d’un signal échantillonné

Figure 5.9.: L’échantillonnage d’un signal analogique provoque la répétition de son

Échantillonnage d’une sinusoı̈de Considérant un signal sinusoı̈dal x(t) de fré-

5.4. Recouvrement spectral

x(t), x(n Te)

−15 −10 −fe −5 0 5 +fe 10 15

Figure 5.10.: Échantillonnage d’une sinusoı̈de (fe > 2 f0 )

xe(t) Xe(f) = Σ Xe,k(f)

Figure 5.11.: Échantillonnage et recouvrement spectral

Figure 5.12.: Sinusoı̈de fortement sous-échantillonnée

-4k -2k 0 2k 4k = fe/2

Figure 5.13.: Illustration du recouvrement spectral

échantillonnée par la caméra à raison de 24 images par secondes. Lorsque le chariot

5.4.1. Quelques exemples

Donnée On considère un signal sinusoı̈dal x(t) de fréquence f0 = 5 [kHz} que l’on

% paramètres des signaux

tmax = 5e-3; kmax = 500;

Figure 5.14.: Sous-échantillonnage d’une sinusoı̈de

La fréquence apparente vaut fapp = |f0 − fe | = 3 [kHz]. Comme elle se situe en

On en déduit l’information erronée que, dans la bande de base allant de 0 à fe /2 =

Échantillonnage d’un signal carré

fapp = ±12.8 ± (1, 3, 5, 7, 9, 11, 13, 15, · · · )

De manière plus détaillée, cela donne :

Échantillonnage d’une suite d’impulsions rectangulaires

Afin de mieux comprendre comment un spectre est modifié par le recouvrement

Signal échantillonné xe(t)

Spectre théorique (o) et spectre dû au repliement spectral (−)

Figure 5.15.: Échantillonnage d’un signal carré

1.le signal temporel x(t) et les valeurs échantillonnées xe (n) ;

% création d’une période