Vous êtes sur la page 1sur 130

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE Ministre De Lenseignement Suprieur Et De La Recherche Scientifique Universit De Batna Facult De Technologie MEMOIRE Prsent

au Dpartement de gnie lectrique En vue de lobtention du diplme de Magister en Electronique Option : Micro-ondes Pour Tlcommunications

Par
Fateh Bouguerra

Thme

Contribution loptimisation des tlcommunications dans les rseaux mobiles


Devant le jury constitu de : Pr. Nabil Benoudjit Dr. Lamir Saidi Pr. Abdelmadjid Bensalama Dr. Rdha Benzid Dr. Salim Aissi Prof. M.C. (A) Prof. M.C. (A) M.C. (B) Univ. Batna Univ. Batna Univ. Constantine Univ. Batna Univ. Batna Prsident, Rapporteur, Examinateur, Examinateur, Invit.

Avril 2011

Contribution loptimisation des tlcommunications dans les rseaux mobiles

This dissertation is dedicated to my Family; specially my mother, and to all my friends.

Special Thanks to Mr. SAIDI Lamir for his efforts and assistance; driving me to the right way and his patient on my errors, he was like a missed colleague. I would to thank Mr. BENOUDJIT Nabil to have agreed to chair the Jury of this dissertation. Also, I address my cordial thanks to Mr. BENSALAMA Abdelmadjid, Mr. BENZID Redha, and Mr. AISSI Salim for the honour they made me to judge this modest work. Thank you all for being with me.

Sommaire

Acronymes et Abrviations ...........................................................................X Listes des tableaux .................................................................................... XIV Liste des figures .......................................................................................... XV Introduction gnrale ..........................................................................XVIII

Chapitre I : Gnralits.......................................................................... 1
1. Introduction ................................................................................................... 2 2. Evolution et concept des systmes cellulaires ............................................... 2
2.1. Systmes de premire gnration (analogiques) ................................. 2 2.2. Systmes de seconde gnration (digitals) .......................................... 2 2.3. Systmes de troisime gnration (WCDMA dans lUMTS) ................ 3 2.4. Rseaux de quatrime gnration (AII-IP) ........................................... 3 2.5. Concept cellulaires ............................................................................... 4
2.5.1. Rutilisation des frquences........................................................4 2.5.2. Handover .....................................................................................4

3. 2G (GSM) ..................................................................................................... 4
3.1. Sous-systme de station de base (BSS) .............................................. 5
3.1.1. Base Transceiver Station (BTS) ..................................................5 3.1.2. Contrleur de station de base (BSC) ...........................................5

3.2. Sous-systme rseau (NSS)................................................................. 6


3.2.1. Mobil Switching Center (MSC).....................................................6 3.2.2. Home Location Register (HLR)....................................................6 3.2.3. Visitor Location Register (VLR)....................................................6 3.2.4. Authentication Center (AUC) .......................................................6 3.2.5. Equipment Identity Registers (EIR)..............................................7

3.3. Systme de gestion du rseau (NMS) .................................................. 7 3.4. Interfaces et signalisations en GSM ..................................................... 7
3.4.1. Interfaces .....................................................................................7 3.4.2. Signalisations...............................................................................8

Sommaire
4. 3G (UMTS) ................................................................................................... 8
4.1. Radio Access Network (RAN) ............................................................... 8
4.1.1. Base Station (BS) ........................................................................9 4.1.2. Radio Network Controller (RNC)..................................................9

VI

4.2. Core Network (CN)................................................................................ 9


4.2.1. WCDMA Mobile Switching Centre (WMSC) and VLR ...............10 4.2.2. Gateway Mobile Switching Centre (GMSC)...............................10 4.2.3. Home Location Register (HLR)..................................................10 4.2.4. Serving GPRS Support Node (SGSN).......................................10 4.2.5. Gateway GPRS Support Node (GGSN) ....................................10

4.3. Network Management System in 3G Networks .................................. 10 4.4. Interfaces et signalisation en 3G......................................................... 11
4.4.1. Interfaces ...................................................................................11 4.4.2. Signalisations.............................................................................12

5. Modulations ................................................................................................ 12
5.1. Binary Phase Shift Keying (BPSK) ..................................................... 13 5.2. Gaussian Minimum Phase Shift Keying (GMSK)................................ 13 5.3. Octagonal Phase Shift Keying (8-PSK) .............................................. 13 5.4. Quarter Phase Shift Keying (QPSK) ................................................... 13 5.5. Modulation par code (CDMA et talement de spectre)....................... 14 5.6. Modulation par frquences orthogonales (OFDM).............................. 14

6. Techniques de duplexage........................................................................... 14
6.1. FDD ..................................................................................................... 14 6.2. TDD ..................................................................................................... 15

7. Techniques daccs .................................................................................... 16


7.1. FDMA .................................................................................................. 16 7.2. TDMA .................................................................................................. 17 7.3. CDMA.................................................................................................. 18 7.4. Les performances compares de TDMA/FDMA/CDMA ..................... 18

8. Conclusion.................................................................................................. 19

Chapitre II : DS-CDMA : Codage & dtection .................................... 20


1. Introduction ................................................................................................. 21 2. Etalement de spectre.................................................................................. 21

Sommaire
2.1. Pourquoi taler un spectre ? ............................................................... 23 2.2. Avantages & inconvnients................................................................. 25

VII

3. CDMA ......................................................................................................... 25
3.1. FH-CDMA (Frequency Hopping CDMA) ............................................. 27 3.2. TH-CDMA (Time Hopping CDMA) ...................................................... 28 3.3. DS-CDMA (Direct Sequence CDMA).................................................. 28 3.3.1. Avantages..................................................................................29
3.3.2. Inconvnients.............................................................................29

4. Codage ....................................................................................................... 30
4.1. Codes Orthogonaux ............................................................................ 31 4.2. Codes pseudo alatoires (PN codes) ................................................. 32

5. Dtection .................................................................................................... 33
5.1. Dtection mono-utilisateur .................................................................. 33 5.2. Dtection multi-utilisateurs .................................................................. 34

6. Conclusion.................................................................................................. 34

Chapitre III : Problmes & galisation du canal ............................... 35


1. Introduction ................................................................................................. 36
1.1. Interfrence daccs multiples (MAI)................................................... 36 1.2. Etats par trajets multiples de canal ..................................................... 36 1.3. Interfrence dinter symboles (ISI) ...................................................... 36

2. Egalisation .................................................................................................. 38
2.1. Egalisation avec apprentissage .......................................................... 39
2.1.1. Egalisation adaptative................................................................39 2.1.2. Filtre de Wiener..........................................................................40 2.1.3. Types dalgorithmes adaptatifs ..................................................43 2.1.4. Choix de lalgorithme .................................................................45 2.1.5. Algorithme LMS .........................................................................46 2.1.6. Algorithme NLMS.......................................................................48 2.1.7. Algorithme RLS..........................................................................49

2.2. Egalisation aveugle ............................................................................. 50 2.2.1. Lalgorithme CMA (Constant Modulo Algorithme) .....................51
2.2.2. Equation de mise jour de CMA ...............................................52

3. Simulations et rsultats............................................................................... 53

Sommaire
3.1. Principe ............................................................................................... 53 3.2. Algorithme LMS................................................................................... 54 3.3. Algorithme NLMS ................................................................................ 59 3.4. Algorithme RLS ................................................................................... 63 3.5. Algorithme CMA .................................................................................. 67

VIII

4. Conclusion.................................................................................................. 72

Chapitre IV : Optimisation neuronale................................................. 74


1. Introduction ................................................................................................. 75
1.1. Egalisation linaire .............................................................................. 75 1.2. Egalisation non linaire ....................................................................... 75

2. Loptimisation.............................................................................................. 76
2.1. Quest ce que loptimisation ? ............................................................. 76 2.2. Catgories doptimisation.................................................................... 76

3. Les rseaux de neurones artificiels (RNA) ................................................. 78


3.1. Architecture et fonctionnement ........................................................... 79 3.2. Fonctions de transfert ......................................................................... 80 3.3. Entranement des rseaux de neurones............................................. 81

4. MulitiLayer Perceptrons (MLP) ................................................................... 81


4.1. Algorithme dapprentissage : Rtropropagation du gradient (BP) ...... 82 4.1.1. Etapes de la BP .........................................................................82
4.1.2. Principe ......................................................................................82

4.2. Equations du rseau ........................................................................... 83 4.2.1. Adaptation des poids .................................................................84


4.2.2. Problmes de la BP ...................................................................85

4.3. Simulations et rsultats ....................................................................... 86 4.3.1. Valeurs complexes ....................................................................86


4.3.2. Principe ......................................................................................87 4.3.3. Etapes de simulation..................................................................88 4.3.4. Rsultats et discussions ............................................................88

4.4. Conclusion .......................................................................................... 93

5. Radial Basis Function (RBF) ...................................................................... 94


5.1. Types dapprentissage ........................................................................ 94 5.1.1. Apprentissage supervis ...........................................................94

Sommaire
5.1.2. Apprentissage non supervis.....................................................94

IX

5.2. Apprentissage des rseaux fonctions radiales de bases (RBF) ...... 95 5.3. Equations du rseau ........................................................................... 96 5.4. Simulations et rsultats ....................................................................... 97 5.4.1. Principe......................................................................................97 5.4.2. Etapes de mis en uvre du rseau RBF ..................................98
5.4.3. Rsultats et discussions ............................................................98

5.5. Conclusion ........................................................................................ 102

6. Comparaison entre les galiseurs RBF & MLR ........................................ 102 7. Conclusion................................................................................................ 104

Conclusion gnrale .......................................................................... 105


Rfrences ............................................................................................................ 107

Acronymes et Abrviations
3GPP 8-PSK A-CDMA ANN AuC BER BP BPSK BS BSC BSS BTS C-NBAP CCITT CCK CDMA CLMS CM CMA CN CS D-NBAP DECT DPDCH DS-CDMA DSSS EDGE EIR ETSI FAP FDD FDMA FH-CDMA FIR The 3rd Generation Partner Project. Octagonal Phase Shift Keying. Asynchronous CDMA. Artificial Neural Networks. Authentication Center. Bit Error Rate. Back Propagation. Binary Phase Shift Keying. Base Station. Base Station Controller. Base Station Sub-system. Base Transceiver Station. Common NBAP. Comit Consultatif International Tlphonique et Tlgraphique. Complementary Code Keying. Code Division Multiple Access. Complex LMS. Constant Modulo. CM Algorithm. Core Network. Circuit Switched. Dedicated NBAP. Digital Enhanced Cordless Telecommunications. Dedicated Physical Data Channel. Direct-Sequence CDMA. Direct Sequence Spread Spectrum. Enhanced Data for Global Evolution. Equipment Identity Register. European Telecommunications Standards Institute. Fast Affine Projection Algorithm. Frequency Division Duplex. Frequency Division Multiple Access. Frequency Hopping CDMA. Finite Impulse Response.

Acronymes & Abrviations


FM FTF GA GGSN GMSK GPRS GPS GSM HLR IC IIR IMEI IMT-2000 IP IS-95 ISDN ISI ITU ITU-T JD LAPD LAPDm LTF LMS MAI MBER MBOK MGW MLP MMSE MOE MSC MSE MSK NBAP NLMS NMS Frequency modulation. Fast Transversal Filter. Genetic Algorithms. Gateway GPRS Support Node. Gaussian Minimum Phase shift Keying. General Packet Radio Service. Global position system. Global System for Mobile communication. Home Location Register. Interference Cancellation. Infinite Impulse Response. International Mobile Equipment Identity. International Mobile Telecommunications 2000. Internet Protocol. Interim Standard 95. Integrated Services Digital Network Design. InterSymbole Interference. International Telecommunication Union. ITU Telecommunication Standardization Sector. Joint Detection. Link Access Protocol For The D Channel. Link Access Protocol For The D Channel Modified. Linear Transversal Filter. Least Mean Square. Multiple Access Interference. Minimum Bit-Error Rate. M-ary Bi-Orthogonal Keying. Media Gateway. Multi Layer Perceptrons. Minimum Mean Square Error. Minimal Output Energy. Mobile Switching Center. Mean Square Error. Minimum Phase shift Keying. Node B Application Part. Normalised Least Mean Squares. Network Management System.

XI

Acronymes & Abrviations


NMTs NSS OFDM OMC OSI OVSF PN PS PSK PSTN QoS QPSK RAN RANAP RBF RF RLS RNA RNC RNS RNSAP S-CDMA SF SGSN SMSC SNR SOS SS7 TACS TCSM TDD TDMA TH-CDMA TV UE UMTS UTRAN Nordic Mobile Telephones. Network Switching Service. Orthogonal Frequency Division Multiplexing. Operation and Maintenance Center. Open System Interconnection. Orthogonal Variable Spreading Factor Codes. Pseudo-Noise sequences. Packet Switched. Phase shift Keying. Public Switch Telephone Network. Quality of Service. Quarter Phase Shift Keying. Radio Access Network. RAN Application Part. Radial Basis Function. Radio Frequency. Recursive Least Square. Rseaux de neurones artificiels. Radio Network Controller. Radio Network Subsystem. RNS Application Part. Synchronous CDMA. Spreading Factor. Serving GPRS Support Node. Short Message Service Center. Signal to Noise Ratio. Second Order Statistics. Signalling System Number 7. Total Access Communication System. Transcoder Sub-Multiplexer. Time Division Duplex. Time Division Multiple Access. Time-Hopping CDMA. Television. User Equipment. Universal Mobile Telecommunications System. Universal Terrestrial Radio Access Network.

XII

Acronymes & Abrviations


VLR WCDMA WLAN WMSC xG Visitor Location Register. Wideband CDMA. Wireless Local Area Network. WCDMA Mobile Switching Center. xth Generation Of Wireless Communication Technology (2nd, 2.5, 3rd, 3.5, 4th).

XIII

Listes des tableaux


2.1 3.1 4.1 4.2 Caractristiques de quelques standards de tlcommunication.................................28 Algorithmes adaptatifs travers les filtres adaptatifs..................................................45 Fonctions de transferts dun neurone..........................................................................80 MSE en Fonction du SNR pour les galiseurs RBF et MLP sur lensemble des validation, test et le total.....................................................................................102

Listes des figures


1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 Cellules radio & principes de rutilisation des frquences............................................4 Architecture 2G (GSM)..................................................................................................5 Architecture 3G (UMTS)................................................................................................9 Le modle OSI en 3G .................................................................................................12 Bandes GSM et UMTS (FDD).....................................................................................15 Multiplexage temporel -GSM- (TDD)...........................................................................15 Laccs multiple par rpartition de frquence (FDMA)................................................17 Laccs multiple par rpartition de temps (TDMA) ......................................................17 Laccs multiple par rpartition de code (CDMA)........................................................18 Technique dtalement de spectre ..............................................................................21 Etalement de spectre par squence directe (DSSS) ..................................................22 Comparaison signal bande troite / signal bande tale ......................................23 Principe de la technique CDMA ..................................................................................26 Diffrents types de CDMA...........................................................................................27 Comparaison des techniques DS, FH et TH-CDMA ...................................................27 Technique DS-CDMA (Uplink) ....................................................................................29 Types de codes utiliss dans linterface air.................................................................30 Canalisation et brouillage............................................................................................31 Orthogonal Variable Spreading Factor Codes (OVSF) ...............................................32 Classification des dtecteurs DS-CDMA ....................................................................33 Multi-trajets .................................................................................................................37 Interfrences inter-symboles.......................................................................................37 Egalisation du canal ....................................................................................................38 Egalisation avec apprentissage ..................................................................................39 Schma dun systme de filtrage adaptatif .................................................................40 Problme destimation linaire ....................................................................................40 Catgorisation des filtres adaptatifs ............................................................................44 Egalisation aveugle .....................................................................................................51 Principe des simulations .............................................................................................53 Symboles galiser....................................................................................................54 Lerreur MSE du LMS sur 500 itrations .....................................................................55 Convergence des coefficients de lgaliseur LMS sur 500 itrations..........................55

Liste des figures


3.13 3.14 3.15 3.16 3.17 3.18 3.19 3.20 3.21 3.22 3.23 3.24 3.25 3.26 3.27 3.28 3.29 3.30 3.31 3.32 3.33 3.34 3.35 3.36 3.37 3.38 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9 4.10 La capacit de poursuite et lerreur rsiduelle du LMS sur 500 itrations ..................56 Constellation des signaux mis, reus & galiss avec le LMS .................................56 Convolution du canal C(z) avec lgaliseur LMS.........................................................57 Performances du LMS avec un pas = 0.09...............................................................58 Performances du LMS avec un pas = 0.0003...........................................................58 Performances & robustesse du LMS avec des SNR=30, 20 & 15 dB ........................59 Lerreur MSE du NLMS sur 500 itrations ..................................................................60 Convergence des coefficients de lgaliseur NLMS sur 500 itrations .......................60 Capacit de poursuite & lerreur rsiduelle du NLMS sur 500 itrations.....................61 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le NLMS ...........62 Convolution du canal C(z) avec lgaliseur NLMS ......................................................62 Performances & robustesse du NLMS avec des SNR = 30, 20 & 15 dB ....................63 Lerreur MSE du RLS sur 500 itrations .....................................................................64 Convergence des coefficients de lgaliseur RLS sur 500 itrations ..........................64 Capacit de poursuite & lerreur rsiduelle du RLS sur 500 itrations........................65 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le RLS ..............66 Convolution du canal C(z) avec lgaliseur RLS .........................................................66 Performances & robustesse du RLS avec des SNR = 30, 20 & 15 dB.......................67 Lerreur MSE du CMA sur 500 itrations ....................................................................68 Convergence des coefficients de lgaliseur CMA sur 500 itrations .........................68 Capacit de poursuite & lerreur rsiduelle du CMA sur 500 itrations.......................69 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le CMA .............69 Convolution du canal C(z) avec lgaliseur CMA ........................................................70 Performances du CMA avec un pas = 0.023 ............................................................71 Performances du CMA avec un pas = 0.0001 ..........................................................71 Performances & robustesse du CMA avec des SNR = 30, 20 & 15 dB......................72 Un groupement possible des techniques dgalisations .............................................75 Diagramme dune fonction ou processus optimiser .................................................76 Catgories doptimisation............................................................................................77 Techniques de recherche et doptimisation.................................................................78 Modle de neurone artificiel ........................................................................................79 Structure dun rseau de neurones non rcurrent (statique) ......................................79 Structure dun filtre adaptatif split-complex (rel & duel univariable) ..........................86 Structure dun galiseur neuronal MLP.......................................................................87 MSE en fonction du nombre de neurones dans la couche cache du MLP ...............89 MSE en fonction du pas dapprentissage du MLP ...................................................90

XVI

Liste des figures


4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21 4.22 4.23

XVII

MSE de validation du MLP en fonction de 50 itrations..............................................90 MSE de validation du MLP en fonction de 100 itrations............................................91 Poursuite & erreur du MLP sur lensemble de tests sur 500 itrations .......................92 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le MLP..............92 Performances & robustesse de lgaliseur MLP avec des SNR=30, 20 & 15 dB .......93 Architecture des rseaux RBF ....................................................................................95 Structure dun galiseur neuronal RBF .......................................................................97 MSE en fonction de la largeur des gaussiens du RBF ............................................99 MSE en fonction du nombre de neurones dans la couche cache du RBF................99 Poursuite & erreur du RBF sur lensemble de tests sur 500 itrations .....................100 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le RBF ............101 Performances & robustesse de lgaliseur RBF avec des SNR=30, 20 & 15 dB .....101 Performances & robustesse des galiseurs RBF (rouge) & MLP (bleu) avec des SNR=30, 20 et 15 dB sur 500 itrations ...................................................................103

Introduction gnrale
La demande croissante en capacit dans les rseaux mobiles est la force motrice derrire lamlioration des rseaux tablis et le dploiement de nouveaux standards de communication mobile dans le monde entier. Linterface air est la plus importante des interfaces dans la plupart des systmes mobiles. L'importance de cette interface rsulte du fait que c'est la seule interface qui l'abonn mobile est expos, et la qualit de cette interface est cruciale pour le succs du rseau mobile. La qualit de cette interface dpend principalement de l'utilisation efficace du spectre de frquence qui lui est assign, et les techniques daccs mises en uvre. Le choix d'une technique d'accs (FDMA, TDMA, CDMA, ou une hybridation de deux dentre elles) peut avoir un impact important sur les performances, la QoS (Quality of Service) et la capacit du systme. Ce choix est tellement prpondrant qu'on dnomme souvent les systmes en fonction de l'accs multiple. Le calcul de capacit montre que la technique squence directe daccs multiple par rpartition de code (DS-CDMA) a une grande capacit par rapport aux techniques daccs multiple par rpartition de temps/frquence (TDMA/FDMA). Par consquent, la plupart des systmes mobiles de troisime gnration vont incorporer une certaine sorte de DS-CDMA. Ltalement de spectre est lun des avantages mis en avant pour lutilisation du DSCDMA. En effet, la puissance dun signal, aprs codage, est tale sur toute la largeur de la bande de frquence disponible. De ce fait des caractristiques importantes apparaissent : robustesse vis--vis des brouillages, dtection difficile par les utilisateurs non concerns, facilit de mlanger des canaux voix et donnes, etc. Cependant, en parcourant un trajet entre l'metteur et le rcepteur dans linterface air, le signal transmis est sujet de nombreux phnomnes dont la plupart ont souvent un effet dgradant sur la qualit du signal. Cette dgradation se traduit en pratique par des erreurs dans les messages reus qui entranent des pertes d'informations pour l'usager ou le systme. Les sources principales de dgradation dans les systmes DS-CDMA dues des causes internes et externes sont : Les attnuations de puissance du signal dues aux effets induits par le phnomne des trajets multiples, Linterfrence dinter symboles (ISI) o leffet de chaque symbole ou chip transmis au dessus dun canal dispersif se prolonge au del de lintervalle de temps employ pour reprsenter ce symbole,

Introduction gnrale
Linterfrence daccs multiples (MAI) qui se produit quand un certain nombre dutilisateurs partage un canal commun simultanment, o les signaux dautres utilisateurs apparaissent comme une interfrence pour un utilisateur donn. Les rcepteurs classiques (matched filter, rcepteur RAKE) ne sont pas efficaces pour combattre ces diverses sources dinterfrence. Pour cela la suppression dinterfrence a t lobjet de beaucoup defforts de recherche, plusieurs techniques sont proposes, dont lgalisation de canal ; une procdure qui est utilise par les rcepteurs afin de rduire leffet dinterfrence entre symboles (ISI) et leffet des multiples trajets, due la propagation du signal modul travers le canal. Pour empcher une dgradation svre des performances, il est ncessaire de compenser la distorsion des canaux. Cette compensation est effectue par un galiseur adaptatif linaire ou non linaire. Rcemment, les rseaux de neurones artificiels (ANN) et les algorithmes gntiques (GAs) et autres algorithmes volutionnaires ont reu une grande attention concernant leurs potentiels comme techniques doptimisation pour de vastes classes de problmes ; ils sont utiliss la plupart du temps pour optimiser les problmes des rseaux de communications. Ces problmes sont souvent formuls comme une sorte de problmes doptimisation combinatoire. Dans ce mmoire nous dveloppons les deux techniques ; galisation linaire et non linaire ; Nous ne nous intresserons aux quatre algorithmes les plus utiliss dans lgalisation adaptative linaire qui sont LMS, NLMS et RLS pour lgalisation adaptative avec apprentissage, et le CMA pour lgalisation adaptative aveugle. Puis nous nous proposons de concevoir deux galiseurs non linaires bass sur deux modles de rseaux de neurones MLP et RBF dans le but doptimiser les performances du traitement, de poursuite, et de minimiser lerreur vis--vis des effets du canal et du bruit ascendant. Cette dissertation est divise en quatre chapitres outre une introduction et une

XIX

conclusion gnrales : le premier chapitre introduit des gnralits concernant les rseaux mobiles ; les diffrentes gnrations, leurs conceptions cellulaires, les modulations et les duplexages utiliss, ainsi que les techniques daccs et leurs avantages et inconvnients. Le deuxime chapitre dcrit la technique DS-CDMA, comment taler un spectre, les codages mis profit, et les diverses techniques de dtections dutilisateurs. Le troisime chapitre prend en compte notre problmatique, dfinit les problmes du canal et dnombre les diffrentes techniques dgalisations classiques, une discussion est faite aprs chaque simulation, une comparaison est galement tablie entre ces techniques. Le quatrime chapitre prsente notre contribution ce problme, la conception dun galiseur non linaire grce aux rseaux de neurones MLP et RBF, les tudes thoriques

Introduction gnrale
sont galement prsentes ; aprs chaque simulation une comparaison est faite avec les mthodes classiques. Une comparaison entre les performances des deux techniques est galement expose selon le critre MSE pour les diffrentes tapes dapprentissages.

XX

Gnralits

Chapitre

Dans ce chapitre Introduction Evolution & concept des


systmes cellulaires

2G (GSM) 3G (UMTS) Modulations Techniques de duplexage Techniques daccs Conclusion

Chapitre 1 Gnralits

1.

Introduction
Les premiers systmes mobiles fonctionnaient en mode analogique. Les terminaux

taient de tailles importantes, seulement utilisables dans quelques applications spcifiques. Les systmes mobiles actuels fonctionnent en mode numrique (la voie est chantillonne, numrise et transmise sous forme de bits), et, les progrs de la microlectronique ont permis de rduire la taille des tlphones mobiles un format de poche. On a vu une grande volution au cours des vingt annes passes cause des demandes de diffrents services et le besoin croissant de la communication moderne, soi en miniaturisation, soi en transfert de donnes avec de haut dbits pour plusieurs applications, ce qui a donn des sauts de gnrations entre plusieurs technologies.

2.

Evolution et concept des systmes cellulaires


Les rseaux mobiles sont diffrencis entre eux par le mot gnration , comme

premire gnration, seconde gnrationetc. C'est tout fait appropri parce qu'il y a un grand dcalage entre les technologies de chaque gnration.

2.1

Systmes de premire gnration (analogiques)


Les systmes mobiles de premire gnration qui ont commenc dans les annes

80, ont ts bas sur des techniques de transmission analogique. ce moment-l, il n'y avait aucune coordination mondiale (ou mme au niveau europen) pour le dveloppement des techniques de norme pour les systmes. Les pays nordiques ont dploy les tlphones mobiles nordiques ou le NMTs, alors que le royaume dAngleterre et l'Irlande utilisaient le systme de communication d'accs total ou le TACS, et ainsi de suite. Le Roaming n'tait pas possible et l'utilisation efficace du spectre de frquence n'tait pas prsente.

2.2

Systmes de seconde gnration (digitals)


Au milieu des annes 80, la commission europenne a commenc une srie

d'activits

pour

libraliser

le

secteur

de

communications,

compris

celui

des

communications mobiles. Ceci a eu comme consquence la cration de l'ETSI, qui a hrit de toutes les activits d'talonnage en Europe. Cela a vu la naissance des premires caractristiques, le rseau est bas sur la technologie numrique ; ceci est appel Global System for Mobile communication ou le GSM. Depuis que les premiers rseaux sont apparus au dbut de 1991, le GSM a graduellement volu pour rpondre aux exigences du trafic de donnes et notamment lintgration de beaucoup de services comparativement aux rseaux originaux.

Chapitre 1 Gnralits
Les lments principaux de ce systme sont les BSS (sous-systme de station de base), dans lesquels il y a la BTS (station de base de transmission) et le BSC (contrleurs de station de base) ; et le NSS (sous-systme de commutation de rseau), dans lequel il y a le MSC (centre de commutation mobile) ; VLR (registre d'endroit de visiteur) ; HLR (registre d'endroit maison) ; CA (Centre d'authentification), et EIR (registre d'identit dquipement) (voir figure 1.2). Ce rseau est capable de fournir tous les services de base tels que les services de la parole et de donnes jusqu' 9.6 Kbps, fax, etc. Le rseau GSM a galement une prolongation aux rseaux de tlphonie fixe. Le prochain avancement dans le systme GSM tait l'addition de deux plates-formes, appeles respectivement le systme de messagerie audio (VMS) et le centre de service messagerie courte (SMSC). Aprs viendra le GPRS et le EDGE (2.5 G) pour satisfaire laugmentation du trafic des donnes.

2.3

Systmes de troisime gnration (WCDMA dans lUMTS)


En EDGE, le transfert haut dbit des donnes tait possible, mais ce transfert de

paquet sur l'interface air se comporte toujours comme un appel sur un rseau de commutation. Ainsi une partie de cette efficacit de raccordement de paquet est perdue dans l'environnement de commutateur de circuit. D'ailleurs, les normes pour dvelopper les rseaux taient diffrentes pour diverses rgions du monde. Par consquent, on a dcid d'avoir un rseau qui fournit des services indpendants de la technologie de la plate-forme et dont les normes de conception sont les mmes globalement. Ainsi, 3G tait ne. En Europe ce systme est appel l'UMTS (systme mobile terrestre universel). IMT-2000 est le nom d'ITU-T pour le systme de troisime gnration, alors que CDMA2000 est le nom de la variante 3G amricaine. WCDMA est la technologie d'interface pour l'UMTS. Les composants principaux incluent les BS (station de base) ou le noeud B, RNC (contrleur de rseau de radio) indpendamment du WMSC (centre de commutation mobile large bande de CDMA) et le SGSN/GGSN. Cette plateforme offre beaucoup de services tels que Internet, vidophonie, imagerieetc.

2.4

Rseaux de quatrime gnration (AII-IP)


La raison fondamentale de la transition au Tout-IP est d'avoir une plateforme

commune pour toutes les technologies qui ont t dveloppes jusqu'ici, et d'harmoniser avec les esprances d'utilisateur concernant les nombreux services fournir. La diffrence fondamentale entre le GSM/3G et le Tout-IP est que la fonctionnalit du RNC et la BSC est maintenant distribue au BTS et un ensemble de serveurs et de gateways (passages).

Chapitre 1 Gnralits
Ceci signifie que ce rseau sera moins cher et les transferts de donnes seront beaucoup plus rapides [1].

2.5

Concept cellulaires
Les bases de transmission sont rparties sur le territoire selon un schma de cellules,

Un rseau cellulaire comprend un ensemble de cellules dont la taille dpend de la puissance dmission des metteurs et surtout de la nature de lenvironnement. 2.5.1 Rutilisation des frquences Chaque base utilise un groupe de frquences diffrent de ses voisines ; les mmes frquences ne sont rutilises qu' une distance suffisante (Fig. 1.1) afin de ne pas crer d'interfrences.

Fig.1.1 Cellules radio & principes de rutilisation des frquences

2.5.2

Handover Pendant une communication, le terminal est en liaison radio avec une station de base

bien dtermine. Le Handover est indispensable pour assurer la continuit de services alors que l'utilisateur se dplace. Il est donc ncessaire de changer la station de base avec laquelle le terminal est reli tout en maintenant la communication [2].

3.

2G (GSM)
De tous les systmes mobiles de seconde gnration, le GSM est le plus employ.

Dans cette section nous passerons brivement par ses constituants importants. Ce systme peut tre divis en trois parties (sous-systme de station de base, sous-systme de rseau, et systme de gestion du rseau). Voir figure 1.2.

Chapitre 1 Gnralits

Fig.1.2 Architecture GSM

3.1

Sous-systme de station de base (BSS)


Le BSS comprend la station de base (BTS), le contrleur de station de base (BSC) et

le multiplexeur de transcodeur secondaire (TCSM). Ce dernier est parfois physiquement plac au MSC. Par consquent la BSC a galement trois interfaces normalises au rseau fixe, savoir Abis, A et X.25. 3.1.1 Base Transceiver Station (BTS) Elle contrle l'interface entre le rseau et la station mobile. Par consquent, elle remplit la fonction importante d'agir en tant que Hub pour la totalit de l'infrastructure en rseau. Des bornes mobiles sont lies au BTS par l'interface air. La transmission et la rception au BTS avec le mobile sont faites par l'intermdiaire dantennes omnidirectionnelles ou directrices (habituellement ayant des secteurs de 120). Les fonctions principales de la station de base sont la transmission des signaux dans le format dsir, codage et dcodage des signaux, parant les effets de la propagation par trajets multiples en employant des algorithmes d'galisation, le chiffrage des trains de donnes, mesures de qualit et de la puissance du signal reu, et le fonctionnement et la gestion de l'quipement de station de base elle-mme. 3.1.2 Contrleur de station de base (BSC) Ce dispositif commande le sous-systme radio, particulirement les stations de base. Les fonctions principales du contrleur de station de base incluent la gestion des ressources par radio et de la passation (Handover). Il est galement responsable de la commande de la

Chapitre 1 Gnralits
puissance transmise, et il contrle le OMC et sa signalisation, et ses configurations de scurit et alarmes.

3.2

Sous-systme rseau (NSS)


Le sous-systme rseau agit en tant qu'interface entre le rseau GSM et les rseaux

publics, PSTN et ISDN (Fig. 1.2). Les composants principaux du NSS sont MSC, HLR, VLR, AUC, et EIR. 3.2.1 Mobil Switching Center (MSC) Le MSC (ou commutateur comme il est gnralement appel) est l'lment le plus important du NSS car il est responsable des fonctions de commutation qui sont ncessaires pour des interconnexions entre les utilisateurs mobiles et d'autres utilisateurs mobiles et fixes du rseau. A cette fin, le MSC se sert de trois composants principaux du NSS : HLR, VLR et AUC. 3.2.2 Home Location Register (HLR) Le HLR contient les informations inhrentes chaque abonn mobile, tel que le type d'abonnement, les services que l'utilisateur peut employer, lendroit courant de labonn, et ltat d'quipement mobile. La base de donnes dans le HLR demeure intacte et sans changement jusqu' l'arrt de l'abonnement. 3.2.3 Visitor Location Register (VLR) Le VLR entre en action une fois que l'abonn entre dans la zone de couverture. A la diffrence du HLR, le VLR est dune nature dynamique. Quand l'abonn se dplace une autre rgion, la base de donnes de l'abonn est galement dcale au VLR de la nouvelle rgion. 3.2.4 Authentication Center (AUC) L'AUC est responsable des actions de maintien de l'ordre dans le rseau. Il contient tous les outils ncessaires pour protger le rseau contre les faux abonns et pour protger galement les appels des abonns rguliers. Il y a deux clefs importantes dans les normes GSM : le chiffrage des communications entre les utilisateurs mobiles, et l'authentification des utilisateurs. Les clefs de chiffrage sont tenues dans l'quipement mobile et l'AUC et l'information est protge contre l'accs non autoris.

Chapitre 1 Gnralits
3.2.5 Equipment Identity Registers (EIR) Chaque quipement mobile a sa propre identification personnelle, qui est dnote par un nombre codifie sous l'identit internationale d'quipement mobile (IMEI). Le nombre est install pendant la fabrication de l'quipement et nonce sa conformation aux normes du GSM. Toutes les fois qu'un appel est fait, le rseau vrifie le nombre d'identit ; si ce nombre n'est pas trouv sur la liste homologue d'quipement autoris, l'accs est ni. L'EIR contient cette liste de nombres autoriss et permet l'IMEI d'tre vrifi.

3.3

Systme de gestion du rseau (NMS)


La tche principale du NMS est d'assurer au rseau un fonctionnement flexible. A

cette fin, elle a quatre tches importantes excuter : surveillance du rseau, dveloppement du rseau, mesures de rseau, et gestion de dfauts. Une fois que le rseau est en service, le NMS commence surveiller sa performance. S'il voit un dfaut il produit lalarme approprie. Quelques dfauts peuvent tre corrigs par le NMS lui-mme (la plupart du temps orient logiciel), alors que pour d'autres les visites sur sites sont exiges. Le NMS est galement responsable de la collecte des donnes et l'analyse des performances, menant de ce fait aux dcisions prcises lies l'optimisation du rseau. La capacit et la configuration du NMS dpendent de la taille (en termes de capacit et secteur gographique) et des besoins technologiques du rseau.

3.4

Interfaces et signalisations en GSM


Comme le montre la figure 1.2, il y a plusieurs interfaces et signalisations impliques

dans le systme GSM. Ici, nous en discuterons brivement leur principe. 3.4.1 Interfaces Interface air Um : elle constitue la pice centrale et la plus importante des interfaces dans la plupart des systmes mobiles. L'importance de cette interface rsulte du fait que c'est la seule interface qui l'abonn mobile est expos, et la qualit de cette interface est cruciale pour le succs du rseau mobile. La qualit de cette interface dpend principalement de l'utilisation efficace du spectre de frquence qui lui est assign. Elle sappuie sur la signalisation LAPDm (Modified Link Access Protocol for D-Channel). Interface Abis : existe entre le BTS et le BSC et s'appuie sur le protocole LAPD, qui est utilise pour assurer le trafic des donnes et les trames de signalisation.

Chapitre 1 Gnralits
Interface A : existe entre BSC et MSC, et s'appuie sur le protocole smaphore N7 du CCITT. Elle est utilise pour assurer le trafic des donnes et les trames de signalisation. Le sous systme radio et le sous systme rseau, communiquent par l'intermdiaire de l'interface A. 3.4.2 Signalisations LAPDm : (Modified Link Access Protocol for D-Channel) est une version modifie et optimise du LAPD signalant pour l'interface air du GSM. La structure d'armature compose de 23 bytes est prsente en trois formats : A, B et Abis. Les deux formats A et B sont employs pour la liaison montante et la liaison descendante, alors que l'Abis est employ seulement pour la liaison descendante. SS7 : (Signalling System No 7) constitue la base de tout le trafic de signalisation sur toutes les interfaces du NSS. Il est employ entre le BSC et le MSC. Il est capable de contrler l'information de signalisation dans les rseaux complexes. Il est employ pour la configuration d'appel, le management, et les dispositifs tels que le roaming, l'authentification, le renvoi d'appel,etc. X.25 : Cette interface relie le BSC au centre d'exploitation et de maintenance (OMC). Elle possde la structure en 7 couches du modle OSI [1].

4.

3G (UMTS)
Les rseaux mobiles de troisime gnration sont conus pour les communications

multimdia, augmentant de ce fait la qualit dimage et de vido, et augmentant les dbits dans les rseaux publics et privs. Dans les forums de standardisation, la technologie WCDMA a merg comme linterface air la largement adopte en 3G. Les spcifications ont t cres par le 3GPP et le nom WCDMA est employ couramment pour les deux oprations FDD et TDD. Les rseaux 3G se composent de deux parties : le rseau d'accs radio (RAN) et le rseau de noyau (NC). A son tour le RAN se compose des parties radio et transmission (voir figure 1.3).

4.1

Radio Access Network (RAN)


Les lments principaux dans la prsente partie du rseau sont la station de base

(BS) et le contrleur de rseau de radio (RNC). Les fonctions principales incluent la gestion des ressources par radio et la gestion des tlcommunications.

Chapitre 1 Gnralits

Uu

Node B RNC Node B RNS Iub Node B RNC Node Node B B Iur

Lu CS

MSC/ VLR CN SGSN


Lu PS

PSTN Rseaux commutation de circuits (CS) Internet Internet X.25,etc X.25,etc Rseaux commutation de paquets (PS)

UE

RNS

UTRAN

Fig.1.3 Architecture 3G (UMTS) 4.1.1 Base Station (BS) La station de base dans les rseaux 3G est galement connue sous la dnomination noeud B. La station de base est une entit importante comme une interface entre le rseau et linterface air. Comme dans les rseaux de deuxime gnration, la transmission et la rception des signaux de la station de base sont faites par les antennes omnidirectionnelles ou directrices. Les fonctions principales des BS incluent le codage de canal, l'interfoliage (Interleaving), l'adaptation de taux, ltalement,etc., avec le traitement de l'interface air. 4.1.2 Radio Network Controller (RNC) Ceci agit en tant qu'interface entre la station de base et le rseau de noyau. Le RNC est responsable de la commande des ressources par radio. En outre, la diffrence dans le GSM, le RNC en mme temps que la station de base peut manipuler toutes les fonctions de ressource par radio sans la participation du rseau de noyau. Les fonctions principales du RNC impliquent la commande de charge et de congestion des cellules, la commande d'admission et l'attribution de code, l'acheminement des donnes entre les interfaces lub et lur etc.

4.2

Core Network (CN)


Le rseau noyau dans les rseaux 3G se compose de deux domaines : domaine de

commutation de circuit (CS) et domaine de commutation de paquets (PS). La partie CS traite le trafic en temps rel et la partie PS traite sa partie complmentaire. Ces deux domaines sont relis d'autres rseaux (par exemple CS au PSTN, et PS au rseau d'IP public).

Chapitre 1 Gnralits
La conception du protocole de l'UE et de l'UTRAN est base sur la nouvelle technologie WCDMA, mais les dfinitions de CN ont t adoptes des caractristiques du GSM. Les lments importants de la CN sont WMSC, VLR, HLR, MGW, du ct de CS cest SGSN (noeud de soutien du serveur GPRS) et GGSN (noeud de soutien de passage GPRS) du ct de PS. 4.2.1 WCDMA Mobile Switching Centre (WMSC) and VLR (Visitor Location Register) Le commutateur et la base de donnes sont responsables des activits de control d'appel. WMSC est employ pour les transactions de CS, et la fonction du VLR contient l'information sur l'abonn visitant la rgion, qui inclut lendroit du mobile dans une rgion. 4.2.2 Gateway Mobile Switching Centre (GMSC) C'est l'interface entre le rseau mobile et les rseaux CS externes. Ceci tablit les communications entrantes et sortantes dans le rseau. Elle trouve galement le correct WMSC/VLR pour la connexion du chemin d'appel. 4.2.3 Home Location Register (HLR) C'est la base de donnes dans laquelle se trouvent toutes les informations inhrentes l'utilisateur mobile et le type de services auxquels il est souscrit. Une nouvelle entre de base de donnes est faite quand un nouvel utilisateur est ajout au systme. Elle stocke galement la localisation UE dans le systme. 4.2.4 Serving GPRS Support Node (SGSN) Le SGSN maintient une interface entre le RAN et le domaine PS du rseau. Il est principalement responsable des issues de gestion de mobilit comme l'enregistrement et la mise jour de l'UE, des activits de pagination connexes, et des problmes de scurit pour le rseau PS. 4.2.5 Gateway GPRS Support Node (GGSN) Il agit en tant qu'interface entre le rseau 3G et les rseaux PS extrieurs. Ses fonctions sont semblables au GMSC dans le domaine CS du CN, mais applicables pour le domaine PS.

10

4.3

Network Management System in 3G Networks


Pendant que la technologie des rseaux voluait de la 2G la 3G, les systmes de

gestion du rseau ont suivi cette volution. Les NMS dans les systmes 3G seront capables

Chapitre 1 Gnralits
de contrler la commutation de paquets de donnes par comparaison avec les donnes de voix et avec les circuits commutation dans les systmes 2G. Les systmes de gestion dans la 3G doivent tre plus efficaces (cest--dire plus de travail possible des NMS plutt que de visiter les sites). Ces systmes pourront optimiser la qualit du systme gnralement d'une manire plus efficace. On s'attend ce qu'galement les systmes de gestion manipulent la multi technologie (cest--dire 2G 3G) et les environnements plusieurs fournisseurs.

11

4.4

Interfaces et signalisation en 3G
Comme le montre la figure 1.3, il y a quelques interfaces et signalisations impliques

dans les systmes 3G. Ici, nous en discuterons brivement leurs principes. 4.4.1 Interfaces Interface air Uu/WCDMA : Uu ou l'interface air du WCDMA est l'interface la plus importante dans les rseaux 3G. Elle travaille avec les principes du WCDMA o tous les utilisateurs sont assigns un code, qui varie avec la transaction. Suivant les indications du chapitre 2, chaque utilisateur a un code de propagation spar. A la diffrence avec le GSM, ici chaque utilisateur emploie la mme bande de frquence. Interface Iub : C'est l'interface qui relie la station de base (BS) au RNC. Ceci est normalis comme une interface ouverte, la diffrence du GSM o l'interface entre le BTS et la BSC n'est pas ouverte. Ceci se compose des liens de signalisation et des points de terminaisons communs du trafic. Chacun de ces derniers points de terminaisons trafic est command par des liens de signalisation consacrs, et, est capable de commander plus d'une cellule. La signalisation d'interface d'Iub, connue sous le nom de la partie d'application du noeud B (NBAP), a deux constituants importants. Ce sont NBAP communs (C-NBAP) et NBAP consacrs (D-NBAP), qui sont employs pour des liens de signalisation communs et ddis respectivement. Interface Iur : C'est une interface unique dans les rseaux de WCDMA. Elle est entre deux RNC. Il n'y avait aucune interface dans le rseau GSM comme telle (cest--dire entre deux BSC). Cette interface a t conue pour soutenir la fonctionnalit inter RNC du softhandover. Cette interface soutient galement la mobilit entre les RNCs, le trafic et la gestion des ressources des canaux communs et ddis (par exemple transfert des mesures entres cellules). Le protocole de signalisation utilis pour cette interface est RNSAP (Radio Network System Application Part).

Chapitre 1 Gnralits
4.4.2 Signalisations La signalisation dans les rseaux 3G est de trois plans : le plan de transport, le plan de contrle et le plan dutilisateur. Un rseau 3G est bas sur trois couches qui contiennent les flux de donnes (Modle OSI). Ces trois couches sont : transport, contrle et utilisateur suivant les indications de la figure 1.4. Le plan de transport est le moyen de fournir la connexion entre un UE et le rseau (cest--dire une interface air). Il contient trois couches : physique, de donnes et rseau. La couche physique est la couche de WCDMA (TDD/FDD), alors que la couche de donnes est responsable de la configuration, du maintien, protection, corrections d'erreurs etc. La couche de donnes contrle galement la couche physique. La couche rseau contient fondamentalement les fonctions qui sont exiges pour le plan de contrle et de transport. Le plan de contrle contient la signalisation lie aux services manipuls par le rseau. L'interface Iub est maintenue par le NBAP ; dans l'interface Iu cest RANAP ; tandis que dans Iur c'est RNSAP. Pour signaler entre l'application et la destination sur la couche physique, la signalisation du plan d'utilisateur est utilise ; par exemple sur l'interface Uu c'est le DPDCH [1].
User Data Control Data

12

Application Layer
User Plane

Application Layer Presentation Layer Session Layer Transport Layer


Control Plane

Presentation Layer Session Layer Transport Layer

Network Layer
Transport Plane

Data Layer Physical Layer

Fig.1.4 Le modle OSI en 3G

5.

Modulations
Dans beaucoup de situations, il est ncessaire de transmettre des signaux

numriques, en gnral sous la forme d'une squence binaire. Les signaux numriques prsentent en effet plusieurs proprits intressantes pour les tlcommunications : souplesse de traitement, signal tats discrets donc moins sensibles aux bruits et simple rgnrer, utilisation de codes correcteurs d'erreur, cryptage de l'information etc. En

Chapitre 1 Gnralits
revanche, nous verrons ultrieurement qu' quantit d'informations transmise identique, un signal numrique ncessite une bande de frquence nettement plus importante. Pour des raisons identiques au cas de signaux analogiques, ces signaux numriques modulent une porteuse sinusodale afin de prsenter, soit des caractristiques compatibles avec le canal de transmission utilis (exemple des modems), soit pour transmettre plusieurs signaux simultanment. Toutefois, c'est l'explosion de la tlphonie mobile et de la tlvision numrique qui suscite une tude de ce type de modulations.

13

5.1

Binary Phase Shift Keyed (BPSK)


La BPSK utilise une phase pour reprsenter un 1 et une autre pour reprsenter un 0

(binaire). Elle est utilise pour transmettre jusqu 1 Mb/s.

5.2

Gaussian Minimum Phase-shift Keying (GMSK)


La GMSK est la modulation utilise pour les signaux en GSM. C'est une mthode de

modulation drive du dphasage minimum (MSK). Ainsi, elle est base sur la modulation de frquence. La modulation GMSK fonctionne avec deux gammes de frquences et peut basculer facilement entre les deux. L'avantage principal de la GMSK est qu'elle ne contient pas de partie de la modulation d'amplitude, et la largeur de bande exige de la frquence de transmission est de 200 kHz, qui est une largeur de bande acceptable par les normes du GSM. C'est la modulation utilise dans les rseaux GSM et GPRS.

5.3

Octagonal Phase-shift Keying (8-PSK)


La raison derrire le perfectionnement de manipulation de donnes dans les rseaux

2G tel que le GPRS est l'introduction de loctogonale PSK (8-PSK). Dans cet arrangement, le signal modul peut porter 3 bits par symbole modul travers le signal radio par rapport 1 bit dans la modulation GMSK. Mais cette augmentation du flux de donnes est au cot d'une diminution de la sensibilit du signal radio. Par consquent les dbits les plus levs sont fournis dans une couverture partielle. C'est la modulation utilise dans les rseaux GPRS et EDGE.

5.4

Quarter Phase-Shift Keying (QPSK)


Dans la modulation PSK, la phase de la forme d'onde transmise est change au lieu

de sa frquence, aussi, le nombre de changements de phase est de deux. Un pas vers l'avant est la condition que le nombre de changements de phase est plus de deux (cest-dire quatre), qui est le cas avec la QPSK. Ceci permet la porteuse de porter quatre bits au

Chapitre 1 Gnralits
lieu de deux, effectivement doublant la capacit de la porteuse. Pour cette raison, la QPSK est la modulation choisie dans des rseaux 3G ; CDMA [1].

14

5.5

Modulation par code (CDMA et talement de spectre)


De mme que deux porteuses en quadratures peuvent transmettre deux signaux

distincts, il est possible de moduler le signal binaire utile de dbit D, par un signal binaire pseudo-alatoire et de dbit Da (Da >> D). En prenant des signaux pseudo alatoires dits orthogonaux entre eux, il est possible de transmettre, sans brouillage, plusieurs signaux utiles simultanment. Le spectre du signal modul est alors trs large ce qui permet de rendre le signal robuste vis--vis des brouillages apparaissant sur une bande troite de frquences ou dus aux chos. Ce type de modulation a t retenu pour les tlphonies cellulaires de troisime gnration (UMTS).

5.6

Modulation par frquences orthogonales (OFDM)


De mme que deux porteuses en quadratures dans le domaine temporel, il est

possible de gnrer des porteuses orthogonales dans le domaine spectral. Cette solution a t retenue pour la diffusion TV numrique terrestre. Le signal modul est alors robuste vis-vis des brouillages dus aux chos. Cette technique est encore utilise rcemment dans les rseaux de 3.5G et 4G [3].

6.

Techniques de duplexage
Un autre paramtre extrmement important est le duplexage, c'est--dire la technique

qui va permettre de faire la diffrence entre deux sens de liaison. On parlera en gnral, dans un systme cellulaire, de liaison montante quand il s'agit de l'mission du mobile vers la station de base et de liaison descendante pour l'mission de la station de base vers le mobile. Nous commencerons par dtailler ces techniques et les raisons des choix effectus et ensuite, nous dtaillerons les techniques d'accs multiple. Il y a deux techniques de duplexage :

6.1

FDD : Frequency Division Duplexing, duplexage en frquence. Dans ce mode, les

voies montante et descendante sont sur des frquences bien distinctes. C'est le choix du GSM et de l'UMTS (Fig. 1.5).

Chapitre 1 Gnralits
Voie Montante
890-915 MHz

15
Voie descendante
935-960 MHz GSM-900

f = 45 MHz 1710-1785 MHz 1805-1880 MHz GSM-1800 f = 95 MHz 1920-1980 MHz 2110-2170 MHz UMTS (FDD) f = 190 MHz

Fig.1.5 Bandes GSM et UMTS (FDD)

6.2

TDD : Time Division Duplexing, duplexage temporel. Dans ce mode, les voies

montante et descendante sont sur la mme frquence (Fig. 1.6), mais utilisent le canal alternativement (en gnral, d'abord la voie descendante et ensuite la voie montante). C'est le choix dans le cas des rseaux locaux sans fils. C'est aussi le cas d'une deuxime phase de lUMTS pour les environnements urbains organiss en micro-cellules. Les deux avantages principaux du TDD sont [4] : Une plus grande simplicit de la partie RF, puisqu'on ne travaille que sur une frquence la fois (contre deux pour le choix FDD, une sur la voie montante, une sur la voie descendante).
4,615 ms 577 s

T7 T0 T1 T2 T3 T4 T5 T6 T7 T0 T1 T2

950 MHz

905 MHz P2 P1

P3

Fig.1.6 Multiplexage temporel -GSM- (TDD)

Chapitre 1 Gnralits
Le canal est rciproque (c'est--dire que la station de base voit le mme canal de transmission que le terminal). De ce fait, l'adaptation de puissance est simple. (Adapter sa puissance d'mission pour avoir la bonne puissance la rception et davoir donc le bon rapport signal/bruit au rcepteur).

16

7.

Techniques daccs
Les principales techniques d'accs multiple utilises en communications sans fil tirent

le plus souvent leur origine dans les communications filaires, elles ont du tre adaptes aux communications sans fils, dont les deux diffrences principales sont : Une bande passante limite, Une communication non fiable (taux d'erreurs lev, perte de lien, etc.)

Le choix d'une technique d'accs (FDMA, TDMA, CDMA, ou une combinaison de deux dentre elles) peut avoir un impact important sur les performances, la QoS (Quality of Service) et la capacit du systme. Ce choix est tellement prpondrant (en tous cas dans l'esprit des concepteurs), qu'on dnomme souvent les systmes en fonction de l'accs multiple [4].

7.1

L'accs multiple par rpartition de frquence (FDMA)


Dans un systme FDMA pur, tous les utilisateurs peuvent transmettre leurs signaux

simultanment, et sont distingus par leur frquence d'mission (Fig. 1.7). Le FDMA est bas sur la plus ancienne technique de multiplexage connue : le multiplexage en frquence, utilis pour transmettre les signaux TV sur le cble, ou sur les canaux Hertziens classiques et satellite. Le problme principal que le FDMA pose au concepteur des transceivers (metteurs et rcepteurs) est celui du canal adjacent. En effet, il faut absolument viter de radier de la puissance hors de sa bande, sous peine de gnrer une interfrence importante sur le canal occupant la frquence voisine. Ce problme est particulirement important sur la voie montante. En effet, le signal reu la station de base par un mobile loign est nettement plus faible que le signal reu la station de base par un mobile proche. De ce fait, si le mobile proche gnre une interfrence importante, le signal du mobile loign risque d'tre compltement noy dans l'interfrence gnre par le mobile proche.

Chapitre 1 Gnralits

17

Fig.1.7 Laccs multiple par rpartition de frquence (FDMA)

7.2

Accs multiple par rpartition temporelle (TDMA)


Dans un systme TDMA, les utilisateurs utilisent la mme frquence et prennent

possession du canal chacun leur tour. Le TDMA est bas sur le multiplexage temporel utilis par exemple en tlphonie, pour la concentration (numrique) des connexions entre centraux tlphoniques. L'avantage principal du TDMA est qu'il est facile pour un utilisateur de prendre possession de plusieurs tranches du multiplex temporel, et il est donc facile d'avoir des utilisateurs utilisant des dbits de donnes diffrents. Le standard principal utilisant cette technique est le GSM, qui utilise une association de TDMA et de FDMA, sur une technique de duplexage TDD. Le DECT (Digital European Cordless Telephone) utilise galement du TDMA/FDMA, mais avec une technique de duplexage TDD (puisque DECT est destin aux micro-cellules d'environ 300 mtres de diamtre). De la mme manire qu'en FDMA, le signal reu sur la voie montante (cest--dire la station de base) peut tre de puissance trs diffrente pour un utilisateur loign et un utilisateur proche. Il convient donc galement d'effectuer un contrle de puissance.

Fig.1.8 Laccs multiple par rpartition de temps (TDMA)

Chapitre 1 Gnralits
7.3 Accs multiple par rpartition de codes (CDMA)
Le CDMA est bas sur la technique du spectre tal, o chaque utilisateur se voit allouer un code PN (code alatoire) diffrent, et est identifi par ce code. Outre que VITERBI, l'un des ardents dfenseurs du CDMA pour la tlphonie mobile, et promoteur du premier standard (amricain) IS-95, a dmontr que le CDMA permettait une capacit accrue, l'une des raisons du succs du CDMA est sa souplesse. En effet, deux arguments en faveur du CDMA sont : L'absence du planning de frquence. Si deux signaux ont des codes diffrents, il est possible de les sparer l'un de l'autre. Il suffit donc de faire en sorte que les utilisateurs des cellules adjacentes aient des codes diffrents pour les distinguer, et on a donc pas besoin de frquences diffrentes pour chaque cellule. la facilit de mlanger des canaux voix et donnes. En effet, pour mlanger des canaux voix et donnes, il faut pouvoir mlanger des signaux de dbit de donnes diffrents. En spectre tal, il suffit d'utiliser des signaux avec des facteurs d'talement diffrents, ce qui est fait, par exemple, par les codes OVSF (Orthogonal Variable Spreading Factors) en UMTS.

18

Fig.1.7 Laccs multiple par rpartition de code (CDMA)

7.4

Les performances compares de TDMA/FDMA/CDMA


En premire approximation (c'est--dire sans tenir compte des intervalles et/ou

bandes de garde), les systmes TDMA et FDMA ont les mmes performances. En effet, les implications au niveau de l'interfrence, et donc du planning de frquences en cellulaire, est

Chapitre 1 Gnralits
le mme. On peut alors se baser simplement sur l'efficacit spectrale dans une seule cellule, et que l'on rpartisse les donnes en frquence ou en temps ne change rien. En CDMA, les choses sont un peu plus subtiles, puisqu'on peut utiliser les mmes frquences dans toutes les cellules. Par contre, on ne peut pas obtenir de codes orthogonaux pour les utilisateurs de cellules diffrentes (d'autant plus que a demanderait de synchroniser les cellules entre elles, ce qui est trs compliqu). Il faut donc faire une analyse complte (et statistique) des interfrences, en fonction de la qualit des codes utiliss. En fonction de tout cela, certains prtendent que le CDMA permet une plus grande capacit. Sans rentrer dans les dtails, cette affirmation n'est correcte que si on utilise des algorithmes trs puissants dans les rcepteurs, ce qui n'est pas le cas pour le moment [4].

19

8.

Conclusion
Nous avons vu dans ce chapitre les bases de communication dans les rseaux

mobiles, leurs volutions et leurs architectures, les techniques de modulations et de multiplexages appliques, et plus principalement les techniques daccs des utilisateurs. Chaque rseau mobile sa propre technique daccs ; TDMA, FDMA, CDMA ou leurs fusions. De plus en plus, les rseaux de la dernire gnration utilisent la technique CDMA qui reprsente plus de souplesse, et une facilit dallocation pour plusieurs utilisateurs. Le GSM repose sur les deux techniques TDMA et FDMA, mais lUMTS repose sur la technique WCDMA lune des variante du CDMA. La technique CDMA et ses variantes seront dveloppes dans le chapitre suivant.

DS-CDMA : Codage & dtection

Chapitre

Dans ce chapitre Introduction Etalement de spectre CDMA Codage Dtection Conclusion

Chapitre 2 DS-CDMA : Codage & dtection

21

1.

Introduction
Au dbut des annes 20, Goldsmith utilisa la FM pour taler le spectre dune

modulation AM afin de rduire leffet du bruit et des trajets multiples sur une communication. Ds les annes 1940, Wiener et Shannon ont dvelopp des thories de traitement du signal dans le but d'utiliser la technique d'talement de spectre des fins de cryptage dvolu aux transmissions militaires. Dans plusieurs pays, l'arme met au point diffrents types dtalement de spectre pour la guerre lectronique. Les techniques restent trs confidentielles. Les systmes de lpoque, tube, sont trop encombrants, chers et complexes pour tre utiliss en tlcommunication civile. Lutilisation de cette technique dans la radiolocalisation (GPS) lui permet dentrer enfin dans le domaine public. Fin des annes 90, ltalement de spectre apparat comme une solution de multiplexage davenir qui permet d'envisager les radiocommunications de masse [3].

2.

Etalement du spectre
Ltalement de spectre (figure 2.1) est lun des avantages mis en avant pour

lutilisation du CDMA dans le domaine des communications radiofrquences. En effet, la puissance dun signal, aprs codage, est tale sur toute la largeur de la bande de frquence disponible. De ce fait deux caractristiques importantes apparaissent : La puissance du signal tant tale sur la bande spectrale disponible, le signal CDMA peut tre confondu avec le bruit du canal et sera donc difficilement dtectable par un utilisateur non concern. Le signal CDMA tal est plus rsistant aux vanouissements slectifs en frquence.

Fig.2.1 Technique dtalement de spectre

Chapitre 2 DS-CDMA : Codage & dtection


Cette technique consiste multiplier chaque bit d'information par une squence pseudo alatoire binaire, note PN, de rythme trs suprieur celui des donnes transmettre, voir figure 2.2. En supposant que le rythme de la squence d'talement est N fois plus grand que le dbit de donnes, il en rsulte, en notant Tb la dure d'un bit d'information et Tc la dure d'un bit de la squence d'talement, que : Tb = N Tc o N est appel gain de traitement du systme talement de spectre. La figure 2.2 prsente cette technique d'talement de spectre par squence directe sur l'mission du message binaire d = (0; 1; 0) avec la squence d'talement PN = (0; 1; 0; 0; 1; 0; 1; 1): Pour simplifier les notations, nous considrons que les bits du message transmettre d sont valeurs dans {1,-1} au lieu de {0,1}. Les donnes transmettre (d1; d2; d3) = (1;-1; 1), reprsentes par le premier graphique, ont une dure d'mission de Tb. La squence d'talement PN est, quant elle, reprsente par le second graphique. Elle est rpte trois fois car, contrairement aux donnes transmettre, les bits de la squence PN ont une dure d'mission Tc plus petite que Tb. Dans notre exemple, nous avons Tb = 8 Tc. Le facteur d'talement est donc N = 8. Ainsi, 8 bits de la squence d'talement PN sont ncessaires pour transmettre un bit de donne di. Les bits transmis sur le canal sont donns par le troisime graphique qui reprsente la multiplication des donnes par la squence d'talement PN ; ces bits ont une dure d'mission identique celle des bits de la squence PN, note Tc. Ainsi, chaque bit d'information peut correspondre, suivant la valeur du facteur d'talement, soit une priode de la squence PN, soit une partie tronque de cette priode, soit plusieurs priodes.

22

Donnes d = (d1,d2,d3)

Temps

Code PN

Temps

Donnes * Code PN

Temps

Fig.2.2 Etalement de spectre par squence directe (DSSS)

Chapitre 2 DS-CDMA : Codage & dtection


Dans le domaine frquentiel, la notion d'talement de spectre est reprsente par la figure 2.3. La puissance du signal tal, mis par talement de spectre, est la mme que celle du signal non tal, mis sans talement de spectre. Toutefois, elle n'est pas rpartie sur la mme largeur de bande de frquence. On appelle alors un signal non tal, un signal bande troite, et un signal tal, un signal large bande. En rception, le signal est reconstruit en multipliant, dans un synchronisme parfait, le signal reu par une squence PN locale identique celle utilise l'mission. La synchronisation de ces deux signaux est plus ou moins dlicate suivant la technique utilise pour le calcul de la corrlation [5].

23

Densit Spectrale de Puissance (DSP)

Spectre du signal non tal

niveau de bruit Spectre du signal tal

f0

Frquence

Fig.2.3 Comparaison signal bande troite / signal bande tale

2.1

Pourquoi taler le spectre ?


Considrons le thorme de Shannon et Hartley concernant la capacit d'un canal de

communication :

S C=B log 2 1+ N

(2.1)

Dans cette quation, C reprsente la capacit maximale d'un canal en bits par seconde (bit/s), c'est le taux de transfert maximum pour un taux d'erreur binaire (Bit Error Rate, BER) nul, condition qu'un procd de codage adquat puisse tre trouv. B tant la bande passante du canal en Hertz et

S le rapport de puissance signal/bruit. N

Chapitre 2 DS-CDMA : Codage & dtection


On peut donc augmenter la capacit maximale en agissant sur la largeur de bande de faon linaire et/ou en agissant sur le rapport/signal bruit de faon logarithmique. A capacit maximale donne (capacit maximale souhaite), on peut rduire la bande et/ou diminuer le rapport signal/bruit en admettant un taux d'erreur non nul. Les erreurs peuvent tre soit tout simplement ignores soit corriges par l'utilisation de protocoles de transmission de niveau suprieur. Au niveau de la formule, en fonction du type de bruit et du procd de codage/dcodage, on peut intgrer le BER sous la forme de l'addition d'une constante au rapport signal sur bruit. Dans le cas du CDMA, le bruit est constitu principalement par les autres utilisateurs dont on cherchera augmenter le nombre. Il en rsulte qu'en rgle gnrale un systme CDMA opre sur des rapports signal/bruit faibles, voire trs faibles. Par changement de base des logarithmes (base 2 vers base e), l'quation (2.1) devient :

24

C 1 S = ln 1+ =1.443 ln B ln(2) N

S 1+ N

(2.2)

Si la puissance du signal est infrieure la puissance du bruit, on peut simplifier et linariser l'expression (2.1), en appliquant le dveloppement en srie de MacLaurin de ln(1+x) :

S 1 S 2 1 S 3 C = 1.443 + L B N 2 N 3 N
Puisque l'talement du spectre permet un rapport

(2.3)

S trs faible et que la puissance N

du signal utile pouvant tre infrieure au niveau du bruit. Pour un devient alors :

S << 1, l'quation (2.1) N

C S = 1.443 B N
et par approximation on obtient :

(2.4)

C S B N
La dpendance capacit/bande passante et signal/bruit est approximativement linaire.

(2.5)

La bande tale permet donc la transmission de signaux perturbs par d'autres signaux considrs alors comme du bruit, c'est--dire la transmission de signaux sur le mme support. Le nombre de canaux utiliss un instant donn pourra varier de faon souple puisque l'augmentation du nombre d'utilisateurs se traduira simplement par une augmentation, pour tous, du taux d'erreur. Ceci permet en tlphonie de maintenir une

Chapitre 2 DS-CDMA : Codage & dtection


qualit de service sensiblement gale pour tous, (plutt qu'une dprciation totale pour un utilisateur) ajustable et relativement facile [6].

25

2.2

Avantages et inconvnients
Comme nous l'avons vu, la technique d'talement de spectre consiste moduler le

signal contenant l'information puis ltaler de manire ce que le spectre du signal mis occupe une bande de frquence trs suprieure celle ncessaire la transmission de l'information. L'talement de spectre, par rapport aux modulations bande troite, prsente de nombreux avantages [5 et 7], voir : Bonne rsistance aux perturbations bande troite, Faible brouillage des missions classiques bande troite, Insensibilit aux effets des trajets multiples, Faible probabilit d'interception, Multiplexage et adressage slectif, Scurit des communications.

Quelques inconvnients sont lis cette technique : Encombrement spectral important qui rend souvent l'attribution de frquences difficile. En effet, le signal a toujours la mme puissance mais celle-ci est rpartie diffremment, Complexit accrue des systmes qui rend leur cot plus lev par rapport celui des systmes bande troite, Ncessit d'avoir de bonnes mthodes de synchronisation permettant la rception, de reconstruire le signal mis.

3.

CDMA
Le CDMA permet aux diffrents utilisateurs de transmettre leurs donnes sur

nimporte quelle frquence et sans ncessiter de synchronisation entre eux. En effet, contrairement aux techniques TDMA et FDMA, la capacit de multiplexage du CDMA nest pas limite par des paramtres physiques (intervalles de temps disponibles, frquences ou longueurs dondes utilisablesetc.) mais par la capacit gnrer un maximum de squences de codes, celles-ci tant choisies de manires minimiser les Interfrences dAccs Multiple.

Chapitre 2 DS-CDMA : Codage & dtection


Les squences de codes utilises dans les systmes CDMA sont composes dune srie dimpulsions nommes chips afin dtre distingues des bits qui composent une squence de donnes. La figure 2.4 prsente le principe du CDMA : les signaux provenant de M utilisateurs sont transmis autour d'une porteuse de frquence f0. Nous avons l'mission l'empilement des M spectres des signaux mis autour de la frquence f0. En rception, seul le spectre du signal utile de l'utilisateur A est retenu, puisque les M-1 autres signaux sont nouveau tals par la squence pseudo-alatoire de l'utilisateur A.
Utilisateur A Utilisateur M Utilisateur M-1 Utilisateur M Utilisateur A Utilisateur M-1

26

Utilisateur 3 Utilisateur 2 Utilisateur 1 f0 Frquence f0 Frquence

Utilisateur 3 Utilisateur 2 Utilisateur 1

Emission

Rception Fig.2.4 Principe de la technique CDMA

Il existe deux types de CDMA : le CDMA synchrone (S-CDMA) et le CDMA asynchrone (A-CDMA). Dans le cas d'une communication station de base/utilisateur, le CDMA synchrone correspond une communication de la station de base vers les utilisateurs, tandis que le CDMA asynchrone correspond une communication de l'utilisateur vers la station de base. Dans le cas du CDMA synchrone, l'orthogonalit des codes d'talement est exploite au maximum, tandis que dans le second cas, CDMA asynchrone, les dcalages temporels existant entre les utilisateurs ne permettent pas l'utilisation de l'orthogonalit des codes d'talement. La technique CDMA englobe plusieurs types comme le montre la figure 2.5, pures et hybrides (la combinaison de plusieurs techniques en mme temps cites dans le chapitre prcdent, figure 2.6) :

Chapitre 2 DS-CDMA : Codage & dtection

27

CDMA

CDMA Pure

CDMA Hybride

DS

FH

TH

DS/FH DS/TH FH/TH DS/FH/TH

TDMA/CDMA

MC-CDMA MT-CDMA

Large bande

Bande troite

Saut de Frquence Rapide

Saut de Frquence Lent

Fig.2.5 Diffrents types de CDMA

3.1

FH-CDMA (Frequency Hopping CDMA)


Dans ce systme, on fait de lvasion de frquence : la cl de chaque code utilisateur

est ralise pour une suite de frquences qui feront alternativement office de porteuse. Ce systme ressemble un multiplexage frquentiel dans lequel lattribution des frquences varierait rapidement (par rapport au dbit dinformations transmettre).

Frequency
Direct Sequence Frequency hopping Time hopping

Time
Fig.2.6 Comparaison des techniques DS, FH et TH-CDMA

Chapitre 2 DS-CDMA : Codage & dtection


3.2 TH-CDMA (Time Hopping CDMA)
Cest un genre de multiplexage temporal ; le signal dinformation est transmis avec interruption ou rafale (figure 2. 6), le temps de transmission est indiqu par le code dtalement. La technique a t dveloppe la fin des annes 1940 comme premire mthode de CDMA, et a t utilise des fins militaires.

28

3.3

DS-CDMA (Direct Sequence CDMA)


La technique de DS-CDMA est de loin la technique la plus populaire dans toutes les

applications de communication de CDMA. Le tableau 2.1 montre que la DS-CDMA est la technique dominante dans presque tous les systmes de 3G [8, 9, 10 et 11]. Il y a plusieurs raisons sa popularit. D'abord, c'est la forme la plus simple de la technique CDMA et peut tre mise en application relativement un cot bas compare d'autres techniques, telles que FH-CDMA et TH-CDMA. Toutes les normes actuellement disponibles en communication mobile de la 3G sont bases sur la technique DS-CDMA presque aucune exception. En second lieu, un systme DS-CDMA peut galement tre conu pour fonctionner compatiblement avec beaucoup de rseaux de transmission existants qui fonctionnent basiquement sur d'autres technologies d'accs multiple, telles que l'accs multiple temporel (TDMA), pour raliser la soi-disant volution sans collision. La proposition d'un systme 3G ou d'un WCDMA a t base principalement sur cette clause comme effort pour raliser l'volution sans heurt du systme 2G travaillant sur la technologie TDMA (GSM) [12].

Standard IS-95 BLEUTOOTH UMTS CDMA2000 WLAN ZIGBEE

Bande de Frquence (MHz) 824-894 896-894 2400-2483.5 1900-2025 2110-2200 824-894 869-894 2400-2484 868-868.6 902-928 2400-2483.5

Dbit (bps) 1.2288M 1M 3.84M 1.22883M 3.6864M 11M 20K 40K 250K

Technique daccs DS-CDMA FH-CDMA DS-CDMA DS-CDMA DS-CDMA DS-CDMA

Facteur dtalement 256 79 4,8,,256 4,8,,128 4,8,,256 13 1 10 16

Tableau.2.1 Caractristiques de quelques standards de tlcommunication

Chapitre 2 DS-CDMA : Codage & dtection


Comme le montre la figure 2.2, un signal binaire modul en phase BPSK (Binary Phase Shift Keying) est cod par une squence pseudoalatoire ou Pseudo Noise (PN). Le rsultat de ce codage est reprsent par le signal produit des deux. Ce dernier est superpos aux autres signaux provenant des autres metteurs et ayant subi un traitement similaire et est transport par le canal de transmission (figure 2.7). Le codage des donnes seffectue donc de manire directe , sans faire intervenir dautres paramtres comme la frquence ou la longueur donde.

29

Source de donnes 1 Source de donnes 2

Modulation par code Modulation par code

Modulation de porteuse Modulation de porteuse

Source de donnes K

Modulation par code

Donnes rcupres

Dmodulation par code

Fig.2.7 Technique DS-CDMA (Uplink)

...
Modulation de porteuse Canal Dmodulation de porteuse

3.3.1

Avantages [5] Densit spectrale faible => non dtectable, Densit spectrale constante et continue, Lutte contre les brouilleurs : Gain d'talement, Plusieurs utilisateurs non coordonns, Canal dispersif => Rcepteur RAKE, Capacit Soft.

3.3.2

Inconvnients [5] Synchronisation difficile, Non synchronisation entre utilisateurs diffrents => Brouillages, Complexit du rcepteur,

Chapitre 2 DS-CDMA : Codage & dtection


Gain dtalement limit, Difficult de supprimer des bandes de frquence, Interfrences entre utilisateurs de la mme cellule.

30

4.

Codage
Plusieurs missions peuvent cohabiter dans la mme bande de frquence dans la

mesure o les codes d'talement relatifs chacun des signaux sont orthogonaux, c'est-dire dans la mesure o ils prsentent une inter corrlation voisine de zro (code de Hadamard, code de Walsh, code de Gold) [5]. La squence d'talement affecte chaque signal constitue sa cl de codage. Ce signal ne peut tre exploit que si le rcepteur possde la mme cl de codage. Dans la plupart des systmes de rseaux mobiles fonds sur le DS-CDMA, les codes utiliss pour effectuer le processus dtalement sont de deux types : codes orthogonaux et codes pseudo alatoires. Les deux genres de codes sont employs ensemble dans la liaison montante et descendante (Figure 2.8). Le mme code est toujours employ pour ltalement et le dstalement dun signal. Cest possible parce que le processus dtalement est rellement une opration XOR entre le flux de donnes et le code de ltalement.

Downlink :
Codes PN pour identifier les stations de bases Codes orthogonaux pour identifier les utilisateurs et leurs services

Uplink :
Nud B Codes PN pour identifier les utilisateurs Codes orthogonaux pour identifier les services dun utilisateur

Fig.2.8 Types de codes utiliss dans linterface air

Le choix des codes dtalement est dict par leurs proprits de corrlation, et plus prcisment par leurs proprits dauto corrlation et dinter corrlation [13]. Du point de vue

Chapitre 2 DS-CDMA : Codage & dtection


statistique, lauto corrlation est une mesure de la correspondance entre un code et une version dcale de celui-ci. Par ailleurs, linter corrlation reprsente le degr de correspondance entre deux codes diffrents. Le procd de ltalement dans lUTRAN se compose de deux oprations spares : canalisation et brouillage. La canalisation (spreading) emploie des codes orthogonaux et le brouillage (scrambling) emploie des codes PN (figure 2.9). La canalisation se produit avant le brouillage dans lmetteur dans la liaison montante et linverse dans la liaison descendante [14].
Canalisation Donnes Brouillage Modulateur RF Emetteur

31

Canalisation Donnes

Brouillage Modulateur RF Rcepteur

Fig.2.9 Canalisation et brouillage

4.1

Codes Orthogonaux
La canalisation transforme chaque symbole de donnes en morceaux multiples. Ce

rapport (nombre de chips/symbole) sappelle le facteur de propagation SF (figure 2.10). Ainsi, cest ce procd qui augmente rellement la largeur de bande de signal. La canalisation des codes (utilisation des codes orthogonaux) signifie que dans un environnement idal les diffrents signaux ninterfrent pas les uns sur les autres. Cependant, lorthogonalit exige que les codes soient synchroniss. Par consquent, elle peut tre employe dans la liaison descendante pour sparer diffrents utilisateurs moins dune cellule, mais dans la liaison montante pour sparer seulement les diffrents services dun utilisateur. Elle ne peut pas tre employe pour sparer les diffrents utilisateurs de la liaison montante dans une station de base, car tous les mobiles ne sont pas synchroniss [14]. Comme son nom lindique, ces codes, connus comme les codes de Walsh-Hadamard [15] sont mutuellement orthogonaux ; par consquent leurs inter-corrlations sont thoriquement zro. Mais, sils sont asynchrones, leurs inter-corrlations sont fortement dpendantes des paires des codes utilises (entre zro et une grande corrlation). En

Chapitre 2 DS-CDMA : Codage & dtection


WCDMA, ils sont connus comme codes dtalement facteur orthogonal variable (OVSF) et sont utiliss pour la canalisation dans les deux canaux montant (uplink) et descendant (downlink) [16].

32

Fig.2.10 Codes dtalement facteur orthogonal variable (OVSF)

4.2

Codes pseudo alatoires (PN codes)


Un code pseudo alatoire est une squence de nombres binaires, qui apparat tre

alatoire, mais en ralit parfaitement dterministe [16]. La raison derrire lutilisation des codes PN est : si les squences de codes sont dterministes ; alors tout le monde peut avoir accs au canal. Par contre, si les squences de codes sont vraiment alatoires personne ne peut avoir accs au canal. Par consquence, utiliser une squence pseudo alatoire rend le signal comme un bruit alatoire pour tout le monde sauf pour lmetteur et le rcepteur voulu [17]. Les codes PN les plus utiliss sont : Codes longueur maximale (M-codes), Codes Gold, Codes Kasami.

Chapitre 2 DS-CDMA : Codage & dtection

33

5.

Dtection
Le type d'metteur-rcepteur, utilisant l'talement de spectre, est principalement

utilis dans les systmes CDMA, c'est--dire dans un environnement multi-utilisateurs. Il se distingue aussi d'autres systmes, comme le MBOK (M-ary Bi-Orthogonal Keying) [18 et 19] et le CCK (Complementary Code Keying) [20, 21 et 22], qui sont contraints de fonctionner simplement en mono utilisateur pour avoir des performances optimales. Dans le CDMA, le MAI et le ISI sont deux facteurs qui limitent la capacit et l'excution des systmes DS-CDMA ; cependant lexcution faible du dtecteur conventionnel en attnuant ces interfrences, et les besoins daugmenter le flux de donnes dans de tels systmes, ont men des recherches labores pour prsenter des dtecteurs fiables, successibles dattnuer leffet des interfrences de MAI et ISI. La classification de ces dtecteurs est prsente dans la figure 2.11.

Fig.2.11 Classification des dtecteurs DS-CDMA

5.1

Dtection mono-utilisateur
Dans la dtection mono-utilisateur chaque signal dun utilisateur dsir est dtect

sparment sans prendre en compte les autres signaux dutilisateurs. En dautres termes aucune connaissance ou valuation prcise antrieure des paramtres des autres utilisateurs nest exige. Par consquent, la technique mono utilisateur est plus approprie et pratique pour le cas de la liaison descendante (Downlink) due aux considrations de complexit et dintimit. Plusieurs dtecteurs ont t proposs dans la littrature pour le cas dun mono utilisateur, tel que le rcepteur RAKE, le MMSE et le MBER.

Chapitre 2 DS-CDMA : Codage & dtection


5.2 Dtection multi-utilisateurs
Un rcepteur multi-utilisateurs fait une valuation base sur lobservation de tous les signaux reus par les utilisateurs, essayant dvaluer linterfrence quils crent au-dessus du signal de lutilisateur dsir. Un nombre significatif de paramtres de tous les utilisateurs actifs tels que la synchronisation du temps et de phase, squence de propagation, puissance et tat du canal devraient tre connus ou estims a priori. Lutilisation de ce type de dtection offre des avantages potentiels tels que lamlioration significative de rendement, une utilisation du spectre plus efficace et une rsistance deffet du handover (near far effect). Ces gains dexcution ont un effet positif sur lnergie (augmentation de la vie de la batterie) La dtection multi-utilisateurs peut tre classifie dans deux catgories principales (figure 2.11) : Adaptative ou non adaptative [23].

34

6.

Conclusion
CDMA est une technique daccs multiple base sur le procd dtalement de

spectre, talant ainsi le signal du message sur une bande relativement large en utilisant un code unique qui rduit les interfrences et diffrencie entre les utilisateurs. Le CDMA na pas besoin de la rpartition en temps ou en frquence pour laccs multiple. A noter que la variante DS-CDMA est la plus utilise dans la plupart des systmes 3G, elle amliore la capacit du systme de communication. Dans nos prochains chapitres on se basera sur cette technique et on essaiera damliorer et doptimiser ses ressources.

Problmes & galisation du canal

Chapitre Chapitre

Dans ce chapitre Introduction Egalisation Simulations & rsultats Conclusion

Chapitre 3 Problmes & galisation du canal

36

1.

Introduction
En parcourant un trajet entre l'metteur et le rcepteur, le signal transmis est sujet

de nombreux phnomnes dont la plupart ont souvent un effet dgradant sur la qualit du signal. Cette dgradation se traduit en pratique par des erreurs dans les messages reus qui entranent des pertes d'informations pour l'usager ou le systme. Les dgradations du signal dues la propagation en environnement mobile peuvent tre classes en diffrentes catgories [6]: Les pertes de propagation dues la distance parcourue par l'onde radio, ou l'affaiblissement de parcours (pathloss). Les attnuations de puissance du signal dues aux effets de masques (shadowing) provoqus par les obstacles rencontrs par le signal sur le trajet parcouru entre l'metteur et le rcepteur. Les attnuations de puissance du signal dues aux effets induits par le phnomne des trajets multiples. Les brouillages dus aux interfrences cres par d'autres missions. Ce type de pertes est trs important dans les systmes rutilisation de frquences. Les brouillages dus au bruit ambiant provenant d'missions d'autres systmes.

Les sources principales de dgradation dans les systmes CDMA sont :

1.1

Interfrence daccs multiples (MAI)


Linterfrence daccs multiples (MAI) se produit quand un certain nombre

dutilisateurs partage un canal commun simultanment. Dans ce contexte, les signaux dautres utilisateurs apparaissent comme une interfrence pour un utilisateur donn.

1.2

Etats par trajets multiples de canal


Les tats par trajet multiples de canal apparaissent dans les environnements o il y a

rflexion, rfraction et dispersion des ondes radio par des btiments et dautres obstacles synthtiques. Le signal transmis atteint le plus souvent le rcepteur par lintermdiaire de plus dun chemin (figure 3.1).

1.3

Interfrence dinter symboles (ISI)


Linterfrence dinter symboles (ISI) se produit puisque, dans les systmes de largeur

de bande efficaces, leffet de chaque symbole ou chip transmis au dessus dun canal

Chapitre 3 Problmes & galisation du canal


dispersif se prolonge au del de lintervalle de temps employ pour reprsenter ce symbole. La dformation provoque par le chevauchement rsultant des symboles reus sappelle ISI (figure 3.2).

37

Fig.3.1 Multi-trajets

Fig.3.2 Interfrences inter-symboles

Ces sources perturbent lorthogonalit parmi les codes des diffrents utilisateurs qui sont employs pour multiplexer les divers utilisateurs dans le systme. Les rcepteurs classiques (matched filter) ne sont pas efficaces pour combattre ces diverses sources dinterfrence. Pour cela la suppression dinterfrence a t lobjet de beaucoup defforts de recherche ; plusieurs techniques sont proposes, dont lgalisation de canal [24].

Chapitre 3 Problmes & galisation du canal

38

2.

Egalisation
Si le canal de transmission avait une attnuation constante et un dphasage linaire

sur la bande du signal, il ne modifierait pas la forme des impulsions mises et le rcepteur recevrait tout simplement une version bruite du signal mis. En pratique, ces deux conditions ne sont que trs rarement vrifies et la rponse du canal a besoin dtre galise pour liminer la distorsion du signal reu. Lgalisation est une procdure qui est utilise par les rcepteurs des systmes de communications numriques afin de rduire leffet dinterfrence entre symboles (ISI), due la propagation du signal modul travers le canal. Pour empcher une dgradation svre des performances, il est ncessaire de compenser la distorsion des canaux. Cette compensation est effectue par un filtre adaptatif.

x(k)

Systme inconnu

y(k)

Filtre adaptatif

(k) x

e(k)
Retard

+
d(k)

Fig.3.3 Egalisation du canal

Cascader le filtre adaptatif avec le canal (systme inconnu) fait converger le filtre adaptatif une solution qui est l'inverse du canal. Si la fonction de transfert du canal est H(z) et la fonction de transfert du filtre adaptatif est G(z) (figure 3.3), l'erreur mesurer entre le signal dsir et le signal du systme cascad atteint son minimum quand le produit de H(z) et G(z) est 1, G(z) * H(z) = 1. Pour que cette relation soit vraie, G(z) doit galer 1 / H(z), l'inverse de la fonction de transfert du canal. Par ailleurs, la rponse du canal est en gnral inconnue et, de plus, susceptible de varier au cours du temps. Son galisation ncessite alors un galiseur adaptatif capable de sadapter au canal et de poursuivre ses variations temporelles [24 et 25]. Il existe deux types dgalisations : Egalisation avec apprentissage (Trainning) Egalisation sans apprentissage : Aveugle (Blind)

Chapitre 3 Problmes & galisation du canal


2.1 Egalisation avec apprentissage
Dans le cas o les proprits du canal sont connues lavance, il est possible dinitialiser le filtre avant que la transmission commence. Si le canal nest pas matris, les paramtres de lgaliseur doivent tre estims. Les mthodes standards utilisent ce quon appelle des squences dapprentissage : lmetteur met une squence de symboles connus par le rcepteur. Ce procd est appel lapprentissage (figure 3.4). Aprs lestimation des paramtres, lgaliseur est construit et lgalisation du signal peut commencer [24].

39

x(k)

Canal

y(k)

Egaliseur

(k) x

Mise jour

e(k)

Signal dapprentissage

d(k)
Fig.3.4 Egalisation avec apprentissage

2.1.1 Egalisation adaptative


Lgalisation adaptative comporte le changement des paramtres du filtre (coefficients) en fonction du temps pour s'adapter aux changements du signal. Pendant les dernires trois dcennies, les processeurs de traitement de signal numrique ont fait de grandes avances dans la rapidit, et la miniaturisation. Par consquent, les algorithmes de filtrage adaptatif en temps rel deviennent rapidement pratiques et essentiels pour le futur des communications. Lgalisation adaptative opre en trois modes : Annulation d'cho. Egalisation de Canal. Suppression de bruit large bande / bande troite.

Un filtre adaptatif est constitu de deux parties (figure 3.5) : Un filtre numrique coefficients ajustables de nature FIR ou IIR (Wiener, Kalman etc.),

Chapitre 3 Problmes & galisation du canal


Un algorithme de modification de ces coefficients ajustables bas sur un critre doptimisation [26].
Squence

40

x(n) dinformation
Signal observ Filtre Signal estim

y ( n)

FIR/IIR

(n) x

derreur

Rponse impulsionelle Algorithme adaptatif

e(n) Signal

Fig.3.5 Schma dun systme de filtrage adaptatif

2.1.2

Filtre de Wiener Les filtres de Wiener dvelopps partir de concepts temporels et non frquentiels

sont conus pour minimiser l'erreur quadratique moyenne entre leur sortie et une sortie dsire. Ils sont dits optimums au sens du critre de l'erreur quadratique moyenne et nous verrons que dans ce cas, les coefficients des filtres sont lis la fonction d'auto corrlation du signal d'entre et l'inter corrlation entre les signaux d'entre et de sortie dsire. Problme d'estimation linaire : La figure 3.6 illustre un problme courant d'estimation linaire. x(n) correspond au signal qui nous intresse mais n'est pas directement accessible. Seul y(n) lest, et y(n) est obtenu aprs passage de x(n) dans un systme linaire suivi de l'addition d'un bruit.
Bruit additif Signal observ Filtre linaire Signal Estim

Signal ou squence d'information Distorsion systme x(n)

y(n)

Signal

(n) x
Erreur

e(n)

x(n)

Fig.3.6 Problme destimation linaire

Chapitre 3 Problmes & galisation du canal


Le problme qui se pose est comment retrouver x(n) partir de y(n) . Une solution

41

(n) soit la plus proche possible de x(n) . On consiste filtrer y(n) de telle sorte que la sortie x
peut mesurer la qualit de l'estimation par e(n) dfini par :

(n) e(n) = x(n) x

(3.1)

Evidemment, plus e(n) sera faible, plus l'estimation sera bonne. On cherche donc un filtre qui minimisera l'erreur. Il est pratique de chercher minimiser e (n) car c'est une fonction quadratique facilement drivable. Par ailleurs, tant donn que les signaux intressants sont alatoires, la fonction cot qui sera minimiser est l'erreur quadratique moyenne MSE (Mean Square Error) dfinie par :
2

(n) = E(e2 (n))


Le filtre optimal de Wiener correspond au filtre qui minimisera la MSE [27 et 28].

(3.2)

Filtre de Wiener de type FIR : On se limitera ici au calcul des filtres FIR (Finite Impulse Reponse) [27]. Appelons H, le filtre que nous recherchons et N la longueur de sa rponse impulsionnelle donne avec une notation matricielle par :

h = [h0

h1

... hN 1 ]

(n) peut alors s'crire : Le signal estim x

(n) = hi y(n i) x
i =0

N 1

ou encore en introduisant la notation matricielle pour y(n) :

(n) = hT y(n) x (n) = y T (n)h x


avec :

(3.3)

y ( n) = [ y ( n)

y ( n 1) ...

y ( n ( N 1)]

En faisant l'hypothse que les signaux x(n) et y(n) sont stationnaires, et si on introduit l'quation 3.3 dans l'quation 3.2, on arrive la fonction cot suivante :

= E x(n) h T y(n)

[(
[

= E x 2 (n) 2h T y(n)x(n) + h T y(n)y T (n)h

)]
2

]
(3.4)

= E x 2 (n) 2h T yx + h T yy h

Chapitre 3 Problmes & galisation du canal


o yy est une matrice d'auto corrlation de taille NxN dfinie par :

42

yy = E y(n)yT (n)

(3.5)

et o yx est un vecteur d'inter corrlation de taille N dfini par :

yx = E [ y(n)x(n)]

(3.6)

L'quation 3.4 montre que pour un filtre FIR, la fonction cot MSE dpend de la rponse impulsionnelle h. Pour en obtenir le minimum, il suffit de chercher les conditions d'annulation de la drive de la fonction cot par rapport aux variables qui sont les N points de la rponse impulsionnelle du filtre. La drive de la fonction cot par rapport au jme point de la rponse impulsionnelle est donne par :

e(n) = E e 2 (n) = E 2e(n) h j h j h j

En substituant dans cette quation e(n) par les quations 3.1 et 3.3, on obtient l'expression suivante :

T = E 2e(n) x(n) h y(n) h j h j

En utilisant le fait que la sortie du filtre h T y(n) peut s'crire comme une somme de N produits dont un seul contient le terme hj, on arrive l'expression suivante :

{h j y(n j)} = E 2e(n) h j h j = E [ 2e(n)y(n j)] h j


On cherche les conditions d'annulation de cette quation pour tous les j= {0, ..., N-1}. Ceci nous donne un ensemble de N quations qui peut tre crit de faon matricielle en introduisant le vecteur gradient :

Chapitre 3 Problmes & galisation du canal


y(n) y(n)e(n) h0 h y(n 1)e(n) 1 y(n 1) . . . = = 2E = 2E .e(n) = 2E[y(n)e(n)] h j y(n j)e(n) y(n j) . . . y(n N + 1)e(n) y(n N + 1) hN 1
En utilisant les quations 3.1 et 3.3 pour remplacer e(n) on obtient :

43

= 2E y(n)(x(n) y T (n)h) = 2E[ y(n)x(n)] + 2E y(n)yT (n)h

]
(3.7)

qui devient en introduisant la matrice d'auto corrlation et le vecteur d'inter corrlation :

= 2 yx + 2 yy h
La rponse impulsionnelle optimale hopt est celle qui annule cette quation, d'o :

yy hopt = yx

(3.8)

Le filtre ainsi dfini est appel filtre FIR de Wiener. Il permet d'obtenir une erreur

(n) . Le filtre est li lquation (3.9). quadratique minimale entre x(n) et son estim x
A partir de lquation (3.4) que nous rappelons ici :

= E x 2 (n) 2h T yx + h T yy h
on obtient
T min = E x 2 (n) hopt yx

[ ]

(3.9)

2.1.3

Types dalgorithmes adaptatifs Les 31 algorithmes reprsents dans la figure 3.7 incluent les gradients et les

variantes de lalgorithme LMS ; les mthodes des moindres carrs rcursives, la racine carre conventionnelle, Trellis, et les formes des filtres rapides et transversales ; le domaine de frquence, le domaine transform, et les approches sous bande ; et les algorithmes de projection rapides [29]. La conception de la fonctionnalit adaptative dun filtre commence par des spcifications avec lesquelles les algorithmes sont inclus dans la mise jour des coefficients. Une taxonomie des algorithmes de filtrage adaptatif a t dveloppe suivant la figure 3.7. Ce graphe connexe dpeint tous les algorithmes choisis pour l'implmentation. Les noeuds du ct droit contiennent les algorithmes du gradient stochastique et les

Chapitre 3 Problmes & galisation du canal


mthodes relatives, tandis que les noeuds du ct gauche sont des mthodes dterministes (projection et moindres carrs).

44

Fig.3.7 Catgorisation des filtres adaptatifs

Les liens entre les mthodes indiquent des similitudes entre les paires d'algorithme soi en termes de structure d'excution ou en fonction de cot. Cette taxonomie a un certain nombre de points intressants : Les algorithmes les plus populaires et qui sont employs couramment sont : LMS, RLS, et NLMS. Ils sont situs au centre et ont de nombreux liens aux mthodes relatives. La plupart des algorithmes particuliers tels que le FTF et le FAP incluent le LMS et deviennent hybrides. Il y a deux classes distinctes des algorithmes adaptatifs (mthodes stochastiques et dterministes) avec relativement peu de liens entre eux. Dans ces algorithmes les classes sont des groupes dalgorithmes qui sont semblables dans l'implmentation ou dans les principes la base de leurs drivations. On peut utiliser le regroupement donn par cette taxonomie pour diffrencier entre les diffrents algorithmes prsents, le tableau 3.1 fait rfrence de regroupement et de classification de ces algorithmes [29].

Chapitre 3 Problmes & galisation du canal


Acronyme Algorithme Simple Updates LMS Least-mean-square SE Sign-error SD Sign-data SS Sign-sign Block and Frequency Domain Methods BLMS Block LMS BLMSFFT Block LMS (FFT) FDAF Frequency-domain adaptive filter UFDAF Unconstrained FDAF PBFDAF Partitioned-block FDAF PBUFDAF Partitioned-block unconstrained FDAF Transform Domain and Sub-band Methods TDAFDFT Transform-domain adaptive filter (DFT) TDAFDCT Transform-domain adaptive filter (DCT) SBAF Sub-band adaptive filter Lattice Structures GAL Gradient adaptive lattice LSL Least squares lattice QRDLSL QR-decomposition least-squares lattice Acronyme

45

Algorithme Delayed Updates DLMS Delayed LMS FXLMS Filtered-X LMS ADJLMS Adjoint LMS Projections Methods NLMS Normalized LMS AP Affine projection O(N3) AP2 Affine projection O(N2) FAP Fast affine projection BAP Block affine projection Conventional Least-Squares Methods RLS Recursive least-squares SWRLS Sliding-window RLS Square-Root Least-Squares Methods QRDRLS QR-decomposition RLS HRLS Householder RLS HSWRLS Householder sliding-window RLS Fast transversal filter FTF Fast transversal filter SWFTF Sliding-window fast transversal filter

Tableau.3.1 Algorithmes adaptatifs travers les filtres adaptatifs.

2.1.4

Choix de lalgorithme Quand les fonctions d'auto et d'inter corrlation ne sont pas connues (cas le plus

courrant), on va alors approcher le filtre optimal de Wiener en utilisant une boucle de retour et un algorithme de minimisation : c'est ce qu'on appelle le filtrage adaptatif (figure 3.5). Dans ce cas, on remplacera la connaissance des fonctions de corrlation par une phase d'apprentissage permettant de modifier itrativement la rponse impulsionnelle du filtre. L'algorithme doit se proccuper des facteurs suivants [30] : La rapidit de convergence qui sera le nombre ditrations ncessaires pour converger assez prs de la solution optimale de Wiener dans le cas stationnaire. La mesure de cette proximit entre cette solution optimale et la solution obtenue. La capacit de poursuite (tracking) des variations (non stationnarits) du processus. On examinera quels sont les algorithmes vraiment adaptatifs. La robustesse vis--vis du bruit. La complexit. La structure (modularit, paralllisme, ).

Chapitre 3 Problmes & galisation du canal


Les proprits numriques (stabilit et prcision) les meilleures possibles. Il doit tre stable avec une prcision satisfaisante. Nous ne nous intresserons dans le cadre de notre travail quaux trois premiers critres de choix, ce qui nous mne aux trois algorithmes les plus utiliss dans le domaine du traitement de signal et lgalisation adaptative qui sont LMS, NLMS et RLS [29]. 2.1.5 Algorithme LMS Lalgorithme LMS (Least Mean Squares) est un choix populaire dans beaucoup dapplications exigeant le filtrage adaptatif. Deux raisons principales de sa popularit : simplicit et complexit informatique rduite. En outre, il y a plusieurs variantes de lalgorithme qui peuvent tre employes spcifiquement afin de rsoudre diffrents types de problmes qui sont inhrents certaines applications. La version de base du LMS est un cas spcial du filtre adaptatif du gradient descendant (steepest descent) bien connu. Le but de cette technique est de rduire au minimum une fonction de cot quadratique en mettant jour itrativement des poids de sorte quils convergent la solution optimale. De la mthode de gradient descendant, le vecteur de poids dgalisation est donn par l'quation suivante :
2 h(n + 1) = h(n) + 1/2 (E( e (n)))

46

(3.10)

o :

est un paramtre crucial affectant la stabilit et le taux de convergence de lalgorithme


LMS. Il reprsente le pas de descente de l'algorithme.

(n) et le signal de rfrence x(n) ; e 2 (n) est l'erreur quadratique moyenne entre la sortie x
elle est donne par la formule suivante :

e 2 (n) = x * (n) h T y(n)


o

(3.11)

(n) e(n) = x(n) x


et

(n) = hT y(n) x (n) = y T (n)h x


Le vecteur gradient est donn par :

= 2 yx + 2 yy h

Chapitre 3 Problmes & galisation du canal


Dans la mthode du gradient descendant, le plus gros problme est le calcul impliqu dans la recherche des valeurs yy et yx des matrices en temps rel. Pour y remdier, l'algorithme LMS utilise les valeurs instantanes des matrices de covariance yy et yx au lieu de leurs valeurs relles c'est--dire :

47

yy = E y(n)y T (n) yx
*

[ ] = E [y(n)x (n)]

(3.12) (3.13)

Par consquent, la mise jour du vecteur de poids dgalisation peut tre donne par l'quation suivante : : l'quation suivante

h(n + 1) = h(n) + . y (n)[ x* (n) yT (n)h(n)]

(3.14) (3.15)

h(n + 1) = h(n) + .y(n)e(n)*

L'algorithme LMS est engag dmarrer avec une valeur arbitraire h(0) pour le vecteur de poids n = 0. Les rectifications successives du vecteur de poids finalement conduisent la valeur minimale de l'erreur quadratique moyenne. Par consquent, l'algorithme LMS peut se rsumer par ces quations : Initialiser avec :

Pour toute squence

Faire :

Convergence et stabilit de l'algorithme LMS : L'algorithme LMS engag avec certaines valeurs arbitraires pour le poids est peru comme vecteur de convergence : Si est choisie pour tre trs faible alors l'algorithme converge trs lentement. Une grande valeur de peut conduire une acclration de convergence, mais peut-tre moins stable, autour de la valeur minimale. Habituellement est choisie dans la marge [27 et 28] :

0< <

max

(3.16)

o max reprsente la valeur propre maximale de la matrice dauto corrlation yy .

Chapitre 3 Problmes & galisation du canal


La convergence de l'algorithme est inversement proportionnelle la propagation des valeurs propres de la matrice dauto corrlation yy . Pour des valeurs propres de yy qui sont trs rpandues, la convergence peut tre lente. 2.1.6 Algorithme NLMS Le principal inconvnient de lalgorithme LMS est qu'il est sensible l'chelle de son entre y(n) . Cela rend trs difficile de choisir un taux d'apprentissage qui garantit la stabilit de l'algorithme. Lalgorithme Normalised Least Mean Squares filtre (NLMS) est une variante de lalgorithme LMS qui permet de rsum comme suit : Lquation de mise jour est : rsoudre ce problme sans employer les valuations de la fonction dautocorrection de signal dentre. Lalgorithme NLMS peut tre

48

h(n + 1) = h(n) + .y(n)e* (n)


Initialisation :

h (0) = 0
Calcul :

y(n) = [ y(n)

y(n 1) ... y(n (N 1)]

(n) e(n) = x* (n) x (n) = h T y(n) x


* .y(n)e* (n) h(n + 1) = h(n) + a + y(n) H y(n)
o
y(n)
H

dsigne la matrice Hermitienne transpose de la matrice y(n)

* , = a + y(n) H y(n)

0 < * < 2 ,

a0

Le NLMS converge beaucoup plus rapidement que le LMS. Dans quelques applications, la normalisation est universelle. Leffet de grandes fluctuations au niveau de la puissance du signal dentre est compens au niveau de ladaptation, ainsi leffet de la grande longueur de vecteur dentre est compens en rduisant la taille des tapes de lalgorithme [27 et 28].

Chapitre 3 Problmes & galisation du canal


2.1.7 Algorithme RLS Sachant que les proprits statistiques nous sont inconnues, on ne va pas chercher minimiser E e (n) mais une somme finie d'erreur donne au carr par :

49

(k))2 = (x(k) x
k =0

(3.17)

Quand cette fonction de cot est minimise en utilisant une rponse impulsionnelle

(n) , on obtient l'estime des moindres carrs. h(n) associe x


La rponse impulsionnelle est donc fonction des chantillons disponibles et non pas d'une moyenne statistique gnrale. Par analogie avec Wiener, elle est donne par la relation :

R yy (n)h(n) = ryx (n)


o
n

(3.18)

R yy (n) = y(k)y T (k)


k =0

(3.19)

et

R yx (n) = y(k)x(k)
k =0

(3.20)

La rponse impulsionnelle du filtre est donc modifier chaque nouvel chantillon. Pour limiter la taille du calcul, on passe par une quation rcursive :

h(n) = h(n 1) + k(n)e(n)


o le vecteur du gain :

(3.21)

k(n) =

(1 + y

1 R yy (n 1)y(n)
T

1 (n)R yy (n 1)y(n)

(3.22)

e(n) = x(n) hT (n 1)y(n)


et
1 1 1 R yy (n) = R yy (n 1) k (n) y T (n) R yy (n 1)
1 1 R yy (n 1)y(n)y T (n)R yy (n 1)

(3.23)

(3.24)

1 1 R yy (n) = R yy (n 1)

(1 + y

1 (n)R yy (n 1)y(n)

(3.25)

Chapitre 3 Problmes & galisation du canal


Ces quations sont connues sous le nom de l'algorithme RLS [27 et 28]. Le dtail de cet algorithme est donn ci-dessous.
Initialiser avec : est un nombre positif et petit

50

Pour toute squence

Faire :

2.2

Egalisation aveugle
Dans lgalisation par filtrage adaptatif standard (exemple LMS) lajustement des

coefficients de lgaliseur est bas sur lerreur qui est la diffrence entre la sortie du filtre et le signal dsir. Ce dernier est connu par lmetteur et le rcepteur (squence dapprentissage). Linclusion de ces pilotes avec linformation transmise rduit le rendement du systme. Dans la plupart des applications haut dbit et grande vitesse, le canal de propagation nest pas connu lavance, et probablement est un modle variant dans le temps, ce qui exige des solutions adaptatives dans la conception au niveau du rcepteur. La squence dapprentissage est typiquement une partie fixe de la squence de la source qui est connue a priori lmetteur et au rcepteur, mais elle-mme ne contient pas dinformation. Le GSM par exemple consacre jusqu' 22% de son temps de transmission pour les pilotes dapprentissage et lUMTS jusqu' 40% du temps pour ces squences. Donc on est oblig de trouver une solution pour faire lgalisation sans regard ces pilotes (auto adaptatif) ; donc on parle alors de lgalisation autodidacte ou aveugle Blind Equalization .

Chapitre 3 Problmes & galisation du canal

51

x(k)

Canal

y(k)

Egaliseur

(n) x

Mise jour

e(k)

Fig.3.8 Egalisation aveugle

La technique dite galisation aveugle (figure 3.8) est base sur quelques statistiques de la source. Le terme Blind signifie que le rcepteur na aucune connaissance de la squence transmise ou de la rponse impulsionnelle du canal. Seulement quelques proprits statistiques ou structurelles des signaux transmis et reus sont exploites pour adapter lgaliseur. Par consquent, les squences dapprentissage peuvent tre exclues. Les mthodes aveugles tiennent compte des variations rapides du cheminement du canal et utilisent seulement des symboles de linformation. Des algorithmes ont t proposs comme les statistiques du second degr (SOS), nergie minimum de rendement (MOE), et lalgorithme du module constant (CMA) qui est largement utilis dans les techniques dgalisation aveugle [24 et 31]. 2.2.1 Lalgorithme CMA (constant modulo algorithme) Lalgorithme du module constant (CMA) est dvelopp indpendamment par Godard et Treichler Agee en 1980. Limplmentation du gradient stochastique ou le CMA est largement utilise dans la pratique. L'algorithme de Godard est le plus couramment utilis en galisation autodidacte. Il ne ncessite ni la connaissance des donnes mises, ni celle des donnes dcides. Le critre CM essaye de rapprocher la puissance du module de sortie dgaliseur une constante. Cette constante est choisie essentiellement en projetant tous les points sur un cercle. Cet algorithme est du type gradient descendant qui rduit au minimum la fonction de cot (appele fonction de dispersion d'ordre P) suivante :
2 P P Godard ( R) = E y ( n) P

(3.26)

o P est une constante relle dfinie par :

Chapitre 3 Problmes & galisation du canal


P

52
(3.27)

{ } = E{ d }
E dn
2P
P n

La fonction de dispersion d'ordre 2 (P =2) est la plus utilise en pratique, donc la fonction de cot devient :

Godard ( R) = E y (n) 2

o y (n) est la sortie de lgaliseur et u(n) est le signal transmis. 2 est souvent appel la constante de dispersion. Godard montre que la valeur de la constante de dispersion minimise la fonction de cot. La relation entre les critres CM et MSE est trs troite. Treichler et Agee dmontrent que la minimisation des performances de la fonction de cot du module constant est quivalente minimiser lerreur des moindre carre.

2 est la constante de module (rfrence) qui dpend de la modulation utilise pour


la transmission de linformation par exemple BPSK, QPSK. Pour BPSK 2 = 1, et pour QPSK

2 = 2 . Les symboles transmis sont : 1-j, 1+j, -1+j et -1-j (le module est le mme
12 + 12 = 2 ) [24 et 31].
2.2.2 Equation de mise jour de CMA Le processus dadaptation est bas sur la mme technique utilise dans le LMS. Lajustement des coefficients est bas sur lalgorithme du gradient descendant qui est dfini par :

h(n + 1) = h(n)

1 n Godard 2

(3.28)

Godard : Fonction de cot qui doit tre minimise.


Calcul de la sortie du filtre : Calcul du signal derreur : Mise jour du filtre :

y (n) = h T (n)u (n)

e(n) = ( 2 y (n) ) y (n) h(n + 1) = h(n) + u (n) e(n)

Chapitre 3 Problmes & galisation du canal

53

3.

Simulations et rsultats
Dans ce qui suit les simulations sont prsentes pour illustrer les performances des

algorithmes LMS, NLMS, RLS et CMA en utilisant le logiciel de simulation Matlab.

3.1

Principe :
On considre un canal complexe modlis par un filtre RIF qui possde les

caractristiques suivantes C(z) = 1 + (-0.25+0.34j) z1 + (-0.15j) z2 o zn reprsentent les diffrents retards, ce qui va mettre en vidence les problmes du canal : les multi trajets, les problmes daccs multiples (MAI), et dinterfrence des symboles (ISI).

Bruit

x(n)

Canal C(z)

Filtre adaptatif w(z)

y(n)

e(n)

Fig.3.9 Principe des simulations

On gnre un signal alatoire QPSK x(n) dune longueur de 3000 squences (les symboles transmis sont 1-j, 1+j, -1+j et -1-j), ce signal va tre dform avec les diffrents effets du canal, on y ajoute du bruit la sortie du canal pour bien modliser les effets rels, le bruit est calcul grce au SNR (Signal to Noise Ratio - le rapport signal bruit). Avec un filtre adaptatif de 10 coefficients w(z) on essayera de reproduire le signal original avec la moindre erreur possible. Les diffrents algorithmes dapprentissage ; LMS, NLMS, RLS puis CMA, sont tests. Le critre dapprentissage est lerreur quadratique moyenne MSE entre le signal original (x(n), dsir) et le signal de sortie du filtre (y(n), estim). On cherche minimiser cette erreur en tenant compte des changements des coefficients du filtre w(z) avec le temps, le pas dapprentissage () et les diffrentes constantes qui prennent part lapprentissage de chaque algorithme au fur et mesure des itrations (nombre de squences). La figure 3.10 reprsente la constellation du signal transmettre x(n), et ce mme signal aprs son passage au canal et lajout dun bruit avec un SNR = 30, 20 et 15 dB.

Chapitre 3 Problmes & galisation du canal

54

Fig.3.10 Symboles galiser

3.2

Algorithme LMS
Pour un pas dapprentissage appropri =0.03, on a une bonne convergence de

lerreur MSE (figure 3.11) et des coefficients de lgaliseur (figure 3.12). La figure 3.13 reprsente la poursuite des squences estimes par lgaliseur y(n) et celles dsires x(n). Lalgorithme LMS prsente une bonne poursuite des donnes avec une erreur trs minime. La rapidit de convergence est assure avec le bon pas choisi , et cest au bout de 100 itrations quon voit lalgorithme LMS se stabiliser. La constellation prsente en figure 3.14 illustre le bon fonctionnement de lalgorithme LMS en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi son efficacit en matire dadaptation, on voit bien que toute les squences tendent vers les squences originales part celles qui sont utilises pour linitialisation du filtre (0,0) et celles qui sont calcules graduellement pour arriver aux valeurs optimales.

Chapitre 3 Problmes & galisation du canal

55

Fig.3.11 Lerreur MSE du LMS sur 500 itrations

Fig.3.12 Convergence des coefficients de lgaliseur LMS sur 500 itrations

Chapitre 3 Problmes & galisation du canal

56

Fig.3.13 Capacit de poursuite et erreur rsiduelle du LMS sur 500 itrations

Fig.3.14 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le LMS

Chapitre 3 Problmes & galisation du canal


La condition pour que lgaliseur LMS rsolve la dformation du canal, est de prendre la fonction de transfert w(z)=1/C(z) telle que la convolution w(z)*C(z)=1. La figure 3.15 illustre la convolution de lgaliseur w(z) avec le canal C(z) qui est gale 1.

57

Fig.3.15 Convolution du canal C(z) avec lgaliseur LMS

Pour un pas =0.09 (figure 3.16) et un pas =0.0003 (figure 3.17) lerreur MSE, la valeur des coefficients du filtre w(z) et la constellation du signal galis ont du diverger. La convolution du canal avec lgaliseur ntant pas 1 (w(z)*C(z)1) ce qui montre limportance du choix du pas dapprentissage u. Pour le pas appropri =0.03, et plusieurs rapports signal/bruit SNR=30, 20 et 15 dB, la convergence des coefficients est assure (figure 3.18). Lerreur ne diverge pas, elle tend vers zro partir de 100 itrations. Tant que le bruit augmente lerreur augmente aussi, le bruit a une grande influence sur la qualit de rception, mais en revanche le filtre LMS montre une bonne robustesse vis--vis des bruits externes.

Chapitre 3 Problmes & galisation du canal

58

Fig.3.16 Performances du LMS avec un pas = 0.09

Fig.3.17 Performances du LMS avec un pas = 0.0003

Chapitre 3 Problmes & galisation du canal

59

Fig.3.18 Performances & robustesse du LMS avec des SNR=30, 20 & 15 dB

3.3

Algorithme NLMS
Pour la stabilit de la convergence de lalgorithme LMS, le facteur de convergence u

est soumis une condition dpendante de la puissance du signal primaire traiter. Pour saffranchir de linfluence de x(n) on utilise lalgorithme NLMS (LMS normalis), o on normalise le signal reu, ce qui est quivalent changer u. la condition de stabilit suivante est alors vrifie : 0< <2. Les rsultats sur la convergence de lerreur et les coefficients de lgaliseur NLMS sont donns par les figures 3.19 et 3.20. La figure 3.21 reprsente la poursuite des squences estimes par lgaliseur y(n) et celles dsires x(n). Lalgorithme NLMS prsente une bonne poursuite des donnes avec une erreur minime. La rapidit de convergence nest pas assure, et cest au bout de 200 itrations quon voit lalgorithme NLMS se stabiliser, il est un peu lent par rapport au LMS.

Chapitre 3 Problmes & galisation du canal

60

Fig.3.19 Lerreur MSE du NLMS sur 500 itrations

Fig.3.20 Convergence des coefficients de lgaliseur NLMS sur 500 itrations

Chapitre 3 Problmes & galisation du canal

61

Fig.3.21 Capacit de poursuite & lerreur rsiduelle du NLMS sur 500 itrations

La constellation prsente en figure 3.22 illustre le bon fonctionnement de lalgorithme NLMS en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi son efficacit en matire dadaptation. On voit bien que toutes les squences tendent vers les squences originales part celles qui sont utilises pour linitialisation du filtre (0,0) et celles qui sont calcules graduellement pour arriver aux valeurs optimales (leur nombre est lev par rapport au LMS). La condition pour que lgaliseur NLMS rsolve la dformation du canal, est de prendre la fonction de transfert w(z)=1/C(z) telle que la convolution w(z)*C(z)=1. La figure 3.23 illustre la convolution de lgaliseur w(z) avec le canal C(z) qui est gale 1. Pour plusieurs rapports signal/bruit SNR=30, 20 et 15 dB, la convergence des coefficients est assure (figure 3.24), lerreur ne diverge pas, elle tend vers zro partir de 200 itrations. Tant que le bruit augmente lerreur augmente aussi, le bruit a une grande influence sur la qualit de rception, mais en revanche le filtre NLMS montre une bonne robustesse vis--vis des bruits externes.

Chapitre 3 Problmes & galisation du canal

62

Fig.3.22 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le NLMS

Fig.3.23 Convolution du canal C(z) avec lgaliseur NLMS

Chapitre 3 Problmes & galisation du canal

63

Fig.3.24 Performances & robustesse du NLMS avec des SNR = 30, 20 & 15 dB

3.4

Algorithme RLS
Dans lalgorithme LMS, la correction applique l'estimation prcdente de ce

produit est constitue de trois facteurs : la taille dtape , le signal derreur e(n) et le vecteur dentre x(n). D'autre part, dans lalgorithme RLS cette correction se compose du produit de deux facteurs : lerreur de l'estimation e(n) et le vecteur de gain k(n), (le vecteur de gain luimme se compose de R yy (n) ), l'inverse de la matrice de corrlation dterministe multipli par le vecteur dentre y(n) . La principale diffrence entre les algorithmes LMS et RLS est donc la prsence de R yy (n) . Lapplication de cet algorithme sur le canal de transmission propos est prsente par les figures 3.25 et 3.26 ; lerreur MSE et les coefficients de lgaliseur RLS sont explicits. La convergence de ces coefficients semble plus rapide. En effet, les valeurs des coefficients sont adaptes et stabilises aprs environ 20 squences. La pertinente remarque pour ce type dalgorithme est la vitesse de convergence qui est trs rapide et trs stable comme le montre la poursuite dans la figure 3.27.
1 1

Chapitre 3 Problmes & galisation du canal

64

Fig.3.25 Lerreur MSE du RLS sur 500 itrations

Fig.3.26 Convergence des coefficients de lgaliseur RLS sur 500 itrations

Chapitre 3 Problmes & galisation du canal

65

Fig.3.27 Capacit de poursuite & lerreur rsiduelle du RLS sur 500 itrations

La constellation prsente en figure 3.28 illustre le bon fonctionnement de lalgorithme RLS en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi sa grande efficacit en matire dadaptation par rapport au deux prcdents. On voit bien que toutes les squences tendent vers les squences originelles part 10 squences qui sont utilises pour linitialisation du filtre (0,0) et celles qui sont calcules graduellement pour arriver jusquaux valeurs optimales (leur nombre nest pas lev par rapport aux LMS et NLMS ; il est de lordre de 10 squences). La condition pour que lgaliseur RLS rsolve la dformation du canal, est de prendre la fonction de transfert w(z)=1/C(z) telle que la convolution w(z)*C(z)=1. La figure 3.29 illustre la convolution de lgaliseur w(z) avec le canal C(z), elle est gale 1. Pour plusieurs rapports signal/bruit SNR=30, 20 et 15 dB, la convergence des coefficients est assure (figure 3.30), lerreur ne diverge pas, elle tend vers zro partir de 20 itrations ce qui est vraiment rapide. Tant que le bruit augmente lerreur augmente aussi ; comme les deux prcdents algorithmes, le bruit a une grande influence sur la qualit de rception, mais en revanche le filtre RLS montre une grande robustesse vis--vis des bruits externes.

Chapitre 3 Problmes & galisation du canal

66

Fig.3.28 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le RLS

Fig.3.29 Convolution du canal C(z) avec lgaliseur RLS

Chapitre 3 Problmes & galisation du canal

67

Fig.3.30 Performances & robustesse du RLS avec des SNR = 30, 20 & 15 dB

3.5

CMA
Dans cette partie on analyse les performances dun galiseur aveugle (sans

apprentissage) lalgorithme CMA est lalgorithme le plus utilis dans ces applications. Le signal QPSK transmis dans le canal dfini prcdemment sera galis avec le critre de module constant CM, o seules les caractristiques statistiques du signal sont connues au rcepteur. On force le signal de sortie du canal prendre une valeur fixe qui est dans notre cas

2 (le module du signal QPSK 12 + 12 = 2 ).


On initialise lgaliseur avec w(1) = 1. Les coefficients sont ajusts par lquation de

mise jour. Les figures 3.31 et 3.32 montrent la convergence de la fonction de cot (MSE) et les coefficients wn de lgaliseur pour un pas appropri =0.009. La figure 3.33 reprsente la poursuite des squences estimes par lgaliseur y(n) et celles dsires x(n). Lalgorithme CMA prsente une poursuite acceptable des donnes avec une grande erreur au dbut et qui tend aprs zro. La rapidit de convergence est assure avec le bon pas choisi u, et cest au bout de 250 itrations quon voit lalgorithme CMA se stabiliser (lent par rapport aux LMS, NLMS et RLS).

Chapitre 3 Problmes & galisation du canal

68

Fig.3.31 Lerreur MSE du CMA sur 500 itrations

Fig.3.32 Convergence des coefficients de lgaliseur CMA sur 500 itrations

Chapitre 3 Problmes & galisation du canal

69

Fig.3.33 Capacit de poursuite & lerreur rsiduelle du CMA sur 500 itrations

Fig.3.34 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le CMA

Chapitre 3 Problmes & galisation du canal


La constellation prsente en figure 3.34 illustre le bon fonctionnement de lalgorithme CMA (lgalisation sans apprentissage) en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi son efficacit en matire dadaptation aveugle, on voit bien que toutes les squences tendent plus au moins vers les squences originelles part celles qui sont utilises pour linitialisation du filtre (0,0) et celles qui sont calcules graduellement pour arriver aux valeurs optimales (un grand nombre par rapport aux algorithmes prcdents).

70

Fig.3.35 Convolution du canal C(z) avec lgaliseur CMA

La condition pour que lgaliseur CMA annule la dformation du canal, est de prendre la fonction de transfert w(z)=1/C(z) telle que la convolution w(z)*C(z)=1. La figure 3.35 illustre la convolution de lgaliseur w(z) avec le canal C(z) qui est gale 1. Comme la convergence de lalgorithme LMS dpend de la valeur du pas , (pas =0.023 (figure 3.36) et un pas =0.0001 (figure 3.37)) lerreur MSE, la valeur des coefficients du filtre w(z) et la constellation du signal galis ont du diverger. La convolution du canal avec lgaliseur ntant pas 1 (w(z)*C(z)1) ce qui montre limportance du choix du pas dapprentissage .

Chapitre 3 Problmes & galisation du canal

71

Fig.3.36 Performances du CMA avec un pas = 0.023

Fig.3.37 Performance du CMA avec un pas = 0.0001

Chapitre 3 Problmes & galisation du canal


Pour le pas appropri =0.009, et plusieurs rapports signal/bruit SNR=30, 20 et 15 dB, la convergence des coefficients est assure (figure 3.38), lerreur ne diverge pas, elle tend vers zro partir de 250 itrations. Tant que le bruit augmente lerreur augmente aussi, le bruit a une grande influence sur la qualit de rception, mais en revanche le filtre CMA se montre dune bonne robustesse aux bruits externes.

72

Fig.3.38 Performances & robustesse du CMA avec des SNR = 30, 20 & 15 dB

4.

Conclusion
Lors d'une transmission de donnes, le canal de transmission peut avoir plusieurs

effets sur le signal transmis de l'metteur au rcepteur. Le canal est souvent symbolis comme une source de bruit additif mais il peut aussi attnuer fortement certaines frquences porteuses, on parle alors de fading slectif. Le canal peut aussi avoir pour effet de "mlanger" les symboles transmis, on parle alors d'interfrences entre symboles. Lgalisation adaptative consiste palier le mieux possible les dformations apportes par le canal de transmission au signal utile grce des filtres qui changent les coefficients de ces filtres en temps rel.

Chapitre 3 Problmes & galisation du canal


Dans ce chapitre, nous avons dcrit les structures de certains galiseurs en mettant en relief leurs algorithmes dadaptation ainsi que leurs proprits et performances. Plus prcisment, les algorithmes LMS, NLMS, RLS et CMA sont explicits et dont les performances sont rcapitules ci-aprs : LMS : Converge, rapide, stable, simple, robuste, peut tomber dans les minimums locaux. NLMS : Converge, rapide, un pas normalis pour une meilleure stabilit, robuste, une variante du LMS RLS : Converge, trs rapide, stable, robuste, une trs bonne poursuite, calcul complexe et long. CMA : Pour lgalisation aveugle, base sur le module constant des squences transmises, convergence lente, stable et robuste, bas sur le LMS. Cest la nature de lapplication quon veut tablir et les mthodes de calculs disponibles qui peuvent dterminer quel type dalgorithme choisir. A noter que les algorithmes LMS et NLMS ncessitent moins de calcul chaque tape mais convergent plus lentement que lalgorithme RLS. Le CMA converge lentement par rapport aux autres algorithmes, mais ne ncessite pas de squences dapprentissage.

73

Optimisation neuronale

Chapitre

Dans ce chapitre Introduction Loptimisation Les rseaux de neurones


artificiels (RNA)

MultiLayer Perceptron (MLP) Radial Basis Function (RBF) Comparaison entre les
galiseurs MLP & RBF

Conclusion

Chapitre 4 Optimisation neuronale

75

1.

Introduction
Les techniques dgalisations peuvent tre classes en deux ensembles (figure 4.1) :

galiseurs linaires et galiseurs non linaires [32]. Les techniques linaires vues dans le chapitre prcdent ont des performances limites face des canaux fortement dispersifs ou non linaires ce qui a encourag le dveloppement de nouvelles techniques non linaires.

Egaliseurs

Linaire

Non linaire

Forage Zro

MMSE

Sries Volterra

RNAs

Bayes

Dcision contre raction

Fig.4.1 Un groupement possible des techniques dgalisations

1.1

Egalisation linaire
Lgalisation linaire est une technique commune pour annuler leffet ISI et MAI qui

consiste adapter les coefficients dun filtre transversal ou FIR jusqu ce quune fonction cot soit minimise. Pour que le problme soit facile formuler mathmatiquement, la fonction cot doit tre diffrentiable avec le respect des coefficients du filtre. Le choix le plus utilis pour cette fonction cot est lerreur quadratique moyenne (MSE). Les algorithmes populaires employs pour cette galisation sont le LMS et le RLS vus prcdemment.

1.2

Egalisation non linaire


Dans dautres situations le canal peut avoir des distorsions non linaires, si la

distorsion est svre, les galiseurs linaires auront de pauvres performances, dans ce cas les galiseurs non linaires doivent tre employs mais, en gnral, la solution mathmatique pour ce modle est complique [33].

Chapitre 4 Optimisation neuronale


Une alternative a t trouve dans les rseaux de neurones artificiels. Les rseaux de neurones comme le multilayer perceptrons (MLP) et le rseau radial basis function (RBF) ont t appliqus lgalisation du canal. Ceci a t fait en tournant le problme dgalisation un problme de classification : les donnes mises sont considres comme des symboles qui appartiennent un ensemble fini, le rseau comme un classifieur qui dtermine quelle est la nature du symbole mit.

76

2.
2.1

Loptimisation
Quest ce que loptimisation ?
Loptimisation est un processus qui rend un concept plus performant en appliquant

des variations sur ltat initial de ce concept et utiliser les informations disponibles pour amliorer son rendement.

Entre ou variables

F o n c ti o n ou processus

Sortie ou c ot

Fig.4.2 Diagramme dune fonction ou processus optimiser

Lordinateur est loutil parfait pour loptimisation tant que le processus quon cherche optimiser ou les variables qui linfluencent peuvent tre entres en format numrique. Lalimentation de l'ordinateur avec des donnes appropries permet ce dernier de fournir une solution. Est-ce que c'est la seule solution ? La plupart du temps non. Est-ce la meilleure solution ? C'est une question difficile. L'optimisation est l'outil mathmatique que nous comptons dessus pour obtenir ces rponses.

2.2

Catgories doptimisation
La figure 4.3 divise les algorithmes doptimisations en six catgories : 1- Trial & error optimisation rfre au processus qui ajuste les variables affectant la sortie sans trop savoir dinformations sur le processus qui produit les sorties. La dcouverte de la pnicilline comme un antibiotique est le rsultat de cette approche doptimisation. Dautre part une formulation mathmatique dcrit la fonction objective dans loptimisation de fonction.

Chapitre 4 Optimisation neuronale


2- Sil ya une seule variable loptimisation est unidimensionnelle, un problme avec plusieurs variables require une optimisation multidimensionnelle. Plusieurs approches doptimisations multidimensionnelles gnralisent une srie doptimisations unidimensionnelles. 3- Loptimisation "dynamique" veut dire que la sortie est une fonction de temps, pendant que "statique" veut dire que la sortie est indpendante du temps. Quel est le meilleur chemin pour aller au travail ? dun point de vue distance ; le problme est statique, trouver le chemin le plus rapide ; le problme devient dynamique (de nos jours le chemin le plus court nest pas ncessairement le plus rapide). 4- Loptimisation peut aussi tre distingue par des variables discrtes ou continues. 5- Les variables ont souvent des limites ou des contraintes, loptimisation contrainte incorpore les galits et les ingalits des variables dans la fonction de cot. Loptimisation sans contrainte permet aux variables de prendre nimporte quelle valeur. 6- Quelques algorithmes essaient de minimiser une fonction cot partir dinitiales valeurs affectes aux variables, Ces algorithmes peuvent facilement tomber sur les minimums locaux, mais tendent tre rapides, dautre part, les mthodes alatoires emploient quelques calculs probabilistes pour trouver lensemble des variables ; elles tendent tre lentes mais elles ont un grand succs pour trouver les minimums globaux [34].
Trial & error fonction statique dynamique

77

OPTIMISATION
alatoire

discrte

6
recherche du minimum

4
continue

Fig.4.3 Catgories doptimisation

Loptimisation est guide par une fonction cot associe chaque variable dans lensemble des entres travers plusieurs techniques, mthodes et algorithmes de recherche. Ce genre de techniques est montr dans larbre suivant (figure 4.4). Cette figure montre les techniques naturelles entre autres procdures de recherche bien connues [35].

Chapitre 4 Optimisation neuronale

78

SEARCH TECHNIQUES

CALCULUS BASED

RANDOM

ENUMERATIVES

DIRECT Fibonacci

INDIRECT

GUIDED

NON GUIDED Las Vegas

GUIDED Dynamic Programming Branch & Bound

NON GUIDED Backtracking

Newton Greedy

Tabu Search

Simulated Annealing

EVOLUTIONARY ALGORITHMS

NEURAL NETWORKS Hopfield Kohonen Maps Multilayer Perceptrons

GENETIC PROGRAMMING

EVOLUTIONARY STRATEGIES

EVOLUTIONARY PROGRAMMING

GENETIC ALGORITHMS

PARALLEL GAs

SEQUENTIAL GAs Generational Steady-State Messy

Automatic Parallelism (compiler)

One population, Parallel evals. + Cross. + Mutat.

COARSE GRAIN PGAs

FINE GRAIN PGAs

HOMOGENEOUS

HETEROGENEOUS

HARDWARE SOFTWARE PLATFORM (SEARCH)

HARDWARE SOFTWARE PLATFORM (SEARCH)

Fig.4.4 Techniques de recherche et doptimisation

De nos jours, les rseaux de neurones artificiels (ANN) et les algorithmes gntiques (GA) sont les modles les plus avancs et vastement utiliss des mthodes dvolution dans les systmes dintelligence artificielle [35]. Dans ce chapitre nous aborderons deux modles de rseaux de neurones couramment utiliss (MLP et RBF) et nous essaierons de les adapter notre problmatique.

3.

Les rseaux de neurones artificiels (ANN)


Inspirs des neurones biologiques, les ANN (artificiel neural networks) traitent

linformation quils reoivent dune manire analogue aux neurones du cerveau. Ils sont constitus de plusieurs lments processeurs dits neurones artificiels (figure 4.5) relis les uns aux autres par un rseau complexe.

Chapitre 4 Optimisation neuronale

79
j= N j =1

w0i x1 w1i w x2 2i w x3 3i wNi xN -1 vi Pi fi

vi =

xi

w ij x j w 0

xi=fi(vi)

Fig.4.5 Modle de neurone artificiel

La sortie de chaque neurone peut tre relie en entre plusieurs autres neurones. Chaque neurone effectue une somme pondre des signaux dentre moduls par une fonction dite activation (une fonction non linaire) et gnre une sortie qui sera applique aux autres neurones via des connexions pondres. Avec cette simple structure et en choisissant un nombre appropri de neurones, ces rseaux sont capables dapproximer nimporte quelle fonction continue avec une certaine prcision.

3.1

Architecture et fonctionnement
Le facteur dterminant le type dun rseau de neurones est la nature des connexions

entre ses cellules. Selon ce paramtre, les rseaux de neurones peuvent tre classs en deux principales catgories suivant la structure des connexions : les rseaux non rcurrents (statiques) et les rseaux rcurrents (dynamiques). Dans un rseau de la premire famille comme le montre la figure 4.6, les rseaux non rcurrents ont une structure hirarchique qui consiste en plusieurs couches ; une couche dentre, une ou plusieurs couches caches et une couche de sortie.

Fig.4.6 Structure dun rseau de neurones non rcurrent (statique)

Chapitre 4 Optimisation neuronale


La sortie pour chaque neurone dpend uniquement des sorties des neurones prcdents dont les signaux circulent de la couche dentre la couche de sortie dans une seule direction. Pour les rseaux dynamiques, plusieurs neurones sont interconnects pour organiser le rseau o la circulation de linformation est bidirectionnelle, tel que ltat global du rseau dpend de ses tats. Dans la littrature de ce type de rseaux, on cite le modle de Hopfield [36]. En conclusion, nous constatons que les critres motivants le choix du type de rseau sont la simplicit de mise en oeuvre et lefficacit des algorithmes dadaptation appels rpondre aux performances dsires, quelque soient sa taille et sa complexit.

80

3.2

Fonctions de transfert
Le tableau 4.1 reprsente les diffrentes fonctions de transfert qui peuvent tre

utilises comme fonction dactivation dun neurone. Fonction Seuil Relation dentre / sortie Symbole

a = 0 si n p 0 a = 1 si n 0 a = 1 si n p 0 a = 1 si n 0
a=n a = 0 si n p 0 a = n si 0 n 1 a = 1 si n f 1 a = 1 si n p 1 a = n si 1 n 1 a = 1 si n f 1

Seuil symtrique

Linaire

Linaire saure Linaire saure Symtrique Linaire positive

a = 0 si n p 0 a = n si n 0

Sigmode

a=

1 1 + en

Tangente hyperbolique

a=

e n en e n + en

Comptitive

a = 1 si n maximum a = 0 autrement

Tableau.4.1 Fonctions de transferts dun neurone

Chapitre 4 Optimisation neuronale


Les trois fonctions de transfert les plus utilises sont les fonctions seuil, linaire et sigmode [37].

81

3.3

Entranement des rseaux de neurones


Lapplication des rseaux de neurones comprend typiquement deux phases : une

phase dapprentissage et une phase dopration. Lapprentissage est un processus travers lequel les paramtres (les poids de connexions) du rseau sont ajusts pour reflter linformation contenue dans la structure du rseau. Utilisant les valeurs dentre/sorties dsires, le rseau ajuste ses poids en se basant sur lerreur de la sortie calcule. Une fois le rseau est entran, il reprsente une base de connaissance statique qui peut tre appele durant la phase dopration. Lalgorithme de la rtropropagation est la mthode la plus utilise pour lentranement des rseaux de neurones [38]. Il consiste calculer les drives partielles dune entit (norme derreur) par rapport aux paramtres du rseau (poids de connexions) en minimisant une fonction cot. Bien que cet algorithme soit le plus utilis, il possde deux problmes : une convergence lente et aussi lestimation des paramtres risque de tomber dans un minimum local du critre doptimisation. Pour contourner ces problmes, plusieurs techniques dapprentissage ont t adoptes dans la littrature telles que la mthode du moindre carr rcursive, le filtre de Kalman, les algorithmes gntiques, etc.

4.

MultiLayer Perceptron (MLP)


Le perceptron multicouches est un des rseaux de neurones les plus utiliss pour

des problmes dapproximation, de classification et de prdiction. Il est habituellement constitu de deux ou trois couches de neurones totalement connects. Le rseau perceptron multicouches est dans la famille gnrale des rseaux propagation vers lavant (Feedforward propagation), cest--dire quen mode normal dutilisation, linformation se propage dans un sens unique, des entres vers les sorties sans aucune rtroaction. Son apprentissage est de type supervis, par correction des erreurs. Dans ce cas uniquement, le signal derreur est rtropropag vers les entres pour mettre jour les poids des neurones [37]. Le perceptron simple est la base du rseau perceptron multicouches. Un simple perceptron est un perceptron une seule couche de neurones dont les fonctions dactivation sont de type seuils (Tableau 4.1). Les diffrentes rgles dapprentissage pour la correction des erreurs utilises pour le MLP sont la rgle LMS (Least Mean Square), lalgorithme de

Chapitre 4 Optimisation neuronale


rtropropagation (backpropagation), la mthode de Newton et la mthode du gradient conjugu. Dans notre travail nous nous basons sur lalgorithme de rtropropagation.

82

4.1

Algorithme dapprentissage : La rtropropagation du gradient


Lalgorithme BP (back propagation), qui est en fait une version gnralise du LMS

mais bas sur l'algorithme de la descente du gradient, est appliqu des structures non linaires. Son apprentissage et le mme que lalgorithme de la descente du gradient. 4.1.1 Etapes dapprentissage L'apprentissage consiste ajuster les coefficients synaptiques pour que les sorties du rseau soient les plus proches possibles des sorties de l'ensemble d'entranement. Donc il faut spcifier une rgle dapprentissage afin de l'utiliser pour ladaptation de ces paramtres. On utilise pour cela la mthode de la rtropropagation qui se divise en deux tapes : Une tape de propagation : qui consiste prsenter une configuration dentre au rseau, puis propager cette entre de proche en proche de la couche dentre la couche de sortie en passant par les couches caches. Une tape de rtropropagation : qui consiste, aprs le processus de propagation, minimiser lerreur commise sur lensemble des exemples prsents, erreur considre comme une fonction des poids synaptiques. Cette erreur reprsente la somme des diffrences au carr entre les rponses calcules et celles dsires pour tous les exemples contenus dans lensemble dapprentissage. Simplement dit, la procdure de la rtropropagation repose sur lide de rtropropager vers les couches internes (caches) lerreur commise en sortie, do la mthode tire son nom. Il est indispensable, avant dentamer le principe de la rtropropagation, de dfinir une topologie du rseau, et les relations qui relient les entres et les sorties dune part, les entres et les poids dautre part [39]. 4.1.2 Principe de la rtropropagation La rtropropagation est base sur ladaptation des coefficients synaptiques (coefficients de pondrations) afin de minimiser une fonction de cot (performances) donne par :
T

j ( w) = j p ( w)
p =1

(4.1)

j p ( w) =

2 1 n d y (t ) y (t ) 2 i =1

(4.2)

Chapitre 4 Optimisation neuronale


o

83

y d (t ) : La sortie dsire du rseau.

y (t ) : La sortie du rseau.

T :

Le nombre dexemples ou la longueur de lensemble dentranement.

La mthode du gradient consiste modifier dune quantit proportionnelle les coefficients synaptiques aux taux de changement de lcart en fonction du changement de ce mme coefficient. On commence lentranement par un choix alatoire des valeurs des poids, on prsente lentre et la sortie dsire correspondante. A la sortie du rseau, lerreur commise et le gradient de lerreur par rapport tous les poids sont calculs, ensuite les poids sont ajusts. Cette procdure est rpte jusqu ce que les sorties du rseau soient suffisamment proches (avec prcision approprie) des sorties dsires prsentes. A ce niveau, lapprentissage est achev en donnant un rseau capable daccomplir une tche prvue.

4.2

Equations du rseau
Les tats des diffrents neurones dun rseau multicouches L couches (couches

caches et couches de sorties) ayant n entres et m sorties, sont donns par les quations suivantes:

uik (t ) = f k ( pik (t ))
k k p (t ) = wij u j (t ) k i i =0 N 1

(4.3) (4.4)

i = 1, 2,.., N k k = 1, 2,.., L Nk :
L:
Nombre de neurones dans la kme couche. Nombre total de couches.

uik (t ) : La sortie du neurone i de la kme couche.


pik (t ) : Potentiel somatique du neurone i de la kme couche.
k wij :

Coefficient synaptique (poids) de la jme entre du neurone i de la couche k . (4.5) (4.6)

k u0 (t ) = 1 ; k = 1, 2,.., L

k u0 (t ) = xi (t ) ; i = 1, 2,.., n

Chapitre 4 Optimisation neuronale


k u0 (t ) = yi (t ) ; i = 1, 2,.., m

84
(4.7)

xi (t ) : Les entres du rseau. yi (t ) : Les sorties du rseau.

f ( x) : La fonction dactivation.
4.2.1 Adaptation des poids L'adaptation des poids (ajustement, mise jour des coefficients synaptiques), se fait en se basant essentiellement sur la formule itrative suivante.
k k k wij (n + 1) = wij wij k ( n) = wij

(4.8) (4.9)

j ( w) k ( n) wij

o :

n :

Le numro ditration. Le pas dapprentissage.

Il est noter que le pas dapprentissage influe sur la vitesse de convergence

j ( w) ; sa valeur est gnralement choisie en respectant un certain compromis entre la k wij ( n)


vitesse de convergence et la prcision des rsultats.
k , La drive partielle de la fonction cot par rapport aux poids wij

reprsente la

vitesse de variation de lerreur en fonction de la vitesse de variation des poids. Sur tout lensemble dentranement on a :
k wij ( n) = p =1 T

j p ( w)
k wij (n)

(4.10)

Pour permettre dimplmenter lalgorithme, une expression pour la drive partielle de j ( w) par rapport chaque poids du rseau pour un choix arbitraire dune couche k est donne par la relation (4.11).

j p ( w)
k wij

j p ( w)u k j (t )
k u k j (t )wij

(4.11)

j p ( w) u (t )

reprsente la sensibilit de j p ( w) par apport y (t ) .

Pour la couche de sortie, la sensibilit est donne par :

Chapitre 4 Optimisation neuronale


j p ( w) u (t ) = yiL (t ) yid (t )
(4.12)

85

Cette expression est appele erreur de sortie. Pour les couches caches :

j p ( w) uik (t )

=
j =1

N k +1

+1 j p ( w) u k j (t ) k +1 u k j (t ) ui (t )

(4.13)

Cette expression est appele erreur de la couche cache ou erreur quivalente. Lexpression

u ij (t )
k wij

est donne comme suit :

u ij (t )
k wij

k 1 = f k ( pk (t )) j (t ).ui

(4.14)

De mme, lexpression (4.11) scrit sous la forme :

j p ( w) w
k ij

j p ( w) u (t )
k i

k 1 f k ( pk j (t ).u j (t ))

(4.15)

Les poids du rseau doivent tre ajusts aprs la prsentation de tous les exemples, pour minimiser lerreur totale sur lensemble dentranement. Cependant, tous les poids peuvent tre ajusts aprs la reprsentation de chaque exemple, ceci vient du fait que les corrections sont aussi faibles et la minimisation de j ( w) est une bonne approximation de la
k minimisation de j p ( w) . La variation des poids wij (n) peut alors scrire ainsi : k wij ( n) =

j p ( w)
k wij ( n)

(4.16)

4.2.2

Problmes du BP Bien que lalgorithme de rtropropagation soit lalgorithme le plus utilis pour

lapprentissage supervis des rseaux statiques multicouches, son implantation se heurte plusieurs difficults techniques. Car on ne trouve aucune mthode permettant dclairer certaines ambiguts telles que: Trouver une architecture approprie (nombre de couches, nombre de neurones). Choisir une taille et une qualit adquate des exemples dentranement. Choisir des valeurs initiales satisfaisantes pour les poids et les paramtres dapprentissage permettant dacclrer la vitesse de convergence. Problme de la convergence vers un minimum local, (qui empche la convergence et cause loscillation de lerreur).

Chapitre 4 Optimisation neuronale


Pour viter le problme doscillations, des chercheurs ont propos une modification de la loi dapprentissage donne par lexpression (4.8), laquelle ils proposent dajouter un terme appel moment [39], donc la loi dadaptation devient :
k k wij (n + 1) = wij ( n)

86

j p ( w) w (n)
k ij

k k + wij (n) wij (n 1)

(4.17)

Avec : 0 < 1

4.3
4.3.1

Simulation & rsultats


Valeurs complexes Dans notre modle cit au chapitre 3, les valeurs du signal et mme le canal sont

dune nature complexe. Lalgorithme CLMS (LMS complexe) a t introduit dans le chapitre prcdent comme un filtre adaptatif linaire complexe, sa convergence avec le MSE tait adresse avec ses proprits. Une nouvelle problmatique ; les rseaux de neurones ordinaires travaillent sur des valeurs relles et non complexes, pour remdier ce problme on doit concevoir un galiseur complexe non linaire. Deux classes de filtres adaptatifs non linaires complexes ont t prsentes [40], fully-complex (entirement complexe) et split-complex (complexe-divis), les deux avec une approche duelle univariable.

Vecteur de coefficient

Vecteur de coefficient

Fig.4.7 Structure dun filtre adaptatif split-complex (rel & duel univariable)

Quand on choisi une fonction non linaire la sortie du filtre adaptatif complexe (fonction tangente hyperbolique pour notre galiseur MLP), on a besoin de choisir entre diffrentiable (fully-complex) et limite (boundedness split-complex) ; ce choix dpend de

Chapitre 4 Optimisation neuronale


lapplication : les filtres split-complex sont gnralement plus utiliss dans les rseaux de neurones pour la classification, par contre, les filtres fully-complex constituent plus un choix naturel dans les filtres adaptatifs non linaires. Notre choix sest port sur la classe split-complex ; son principe est illustr dans la figure 4.7, o on doit traiter les parties relles et imaginaires du signal indpendamment. Le problme devient alors rel, puis il suffira de rtablir la forme complexe la sortie du filtre. 4.3.2 Principe Le principe est le mme dcrit dans le chapitre prcdent ; le mme signal complexe gnr avec 3000 squences, dform par le canal complexe rgit par lquation : C(z) = 1 + (-0.25+0.34j) z1 + (-0.15j) z2. Aprs, on y ajoute un bruit complexe son tour, gnr avec des SNR = 30, 20 et 15 dB (figure 3.10) pour illustrer leffet du bruit sur cet galiseur non linaire, et le comparer aux mthodes traditionnelles vues prcdemment. Ici le traitement du problme dgalisation est diffrent ; lgaliseur est bas sur le MLP et lentre complexe du signal dform est rpartie en deux parties (Principe du splitcomplex) ; relle et imaginaire, chaque partie est traite part et la sortie on rend au signal sa forme complexe. Le critre dapprentissage est lerreur MSE. La figure 4.8 illustre le principe de la simulation.
Distorsion du canal Bruit Signal ou squence d'information

87

Propagation dactivation

Superviseur

Signal dform Re(y)

Re(z)

Im(y)

Entre

Sortie

Im(z) Neurones cachs

Neurones dentre

Neurones de sortie

E(n)

Rtropropagation derreur

Fig.4.8 Structure dun galiseur neuronal MLP

Objectif

Chapitre 4 Optimisation neuronale


4.3.3 Etapes de simulation Des tapes principales sont suivre pour mettre en uvre un rseau neuronal et la dtermination de ses paramtres ce qui est notre cas avec le MLP qui est caractris par le nombre de couches caches et leur nombre de neurones, le nombre ditrations, le pas u et les poids w. Ces tapes sont : Choisir lapprentissage. Lapprentissage sera par rtropropagation. La conception et la mise en uvre de cet algorithme se rsument en neuf tapes : Etape 1 :
k Initialiser les poids wij et les seuils internes des neurones de petites

88

valeurs alatoires. Etape 2 : Etape 3 : Etape 4 : Etape 5 : Etape 6 : Etape 7 : Etape 8 : Prsenter le vecteur dentre et de sortie dsire correspondante. Calculer la sortie du rseau en utilisant les expressions (4.3) et (4.4). Calculer lerreur commise la sortie en utilisant lexpression (4.12). Rinjecter lerreur de sortie dans le rseau et calculer lerreur dans les couches caches en utilisant lexpression (4.13). Calculer le gradient de lerreur par rapport aux poids utilisant lexpression (4.12). Ajuster les paramtres (poids) selon les lois itratives (4.8), (4.9) et (4.10). Si la condition sur lerreur ou sur le nombre ditration est atteinte, aller ltape 9, sinon recommencer avec un autre vecteur dentre et aller ltape 3. Etape 9 : 4.3.4 Fin.

Fixer le nombre de couches caches ; une dans notre cas. Choisir la fonction dactivation : dans notre cas Tangente hyperbolique. Dterminer le nombre de neurones par couche cache. Rsultats et discussions Aprs les tapes prcdentes le modle dvelopp pour le MLP est dsormais prt

pour sa tache qui est lgalisation adaptative des squences portes au chapitre prcdent. Les squences utilises durant lapprentissage ont un SNR=30 dB. Aprs les tapes dapprentissage, de validation et de test de lgaliseur neuronal MLP, on y traite les squences qui ont un SNR=20 et 15 dB (figure 3.10). Les squences sont rparties entre apprentissage et validation ( de lensemble des squences) et test ( de lensemble), chaque tape est value avec le critre MSE.

Chapitre 4 Optimisation neuronale


Apprentissage : Lors de lapprentissage et en changeant le nombre de neurones graduellement par pas de deux jusqu 20 neurones et en calculant chaque fois lerreur MSE, on pourra choisir le nombre de neurones qui aura lerreur minime (figure 4.9).

89

Fig.4.9 MSE en fonction du nombre de neurones dans la couche cache du MLP

Aprs avoir fix le nombre optimal de neurones notre rseau (20 neurones), on doit fixer le pas qui est la valeur du taux dapprentissage. La figure 4.10 montre lvolution de lerreur MSE en fonction du pas , pour obtenir le meilleur pas on doit chercher lerreur minime ( =1). Validation : Aprs avoir fix les valeurs des paramtres du rseau MLP (nombre de neurones dans la couche cache et le pas ) vient ltape de la validation o les poids wn des neurones dentres et des sorties sont calculs pour chaque squence de lensemble de validation depuis une initialisation, alatoire pour arriver aprs, leurs meilleures valeurs qui donnent le rsultat du MSE le plus infrieur sur tout lensemble.

Chapitre 4 Optimisation neuronale

90

Fig.4.10 MSE en fonction du pas dapprentissage du MLP

Fig.4.11 MSE de validation du MLP en fonction de 50 itrations

Chapitre 4 Optimisation neuronale


Le nombre ditrations qui augmente lefficacit du rseau dun cot, et qui le fait ralentir dun autre cot est fix aussi grce au MSE, aucune rgle ne dfinit comment fixer ce nombre, cest juste les besoins ; rapidit ou exactitude de rsultats. Les figures 4.11 et 4.12 montrent lexemple 50 et 100 itrations o on remarque que MSE100 itr . MSE50 itr.

91

Fig.4.12 MSE de validation du MLP en fonction de 100 itrations

Test : On peut finalement voir notre galiseur luvre sur lensemble des tests. La figure 4.13 reprsente la poursuite des squences estimes par lgaliseur y(n) et celles dsires z(n). Lgaliseur MLP prsente une trs bonne poursuite des squences avec une erreur trs minime par rapport aux galiseurs traditionnels LMS, NLMS, RLS et CMA. La rapidit de convergence est assure avec le bon pas et le nombre des itrations choisis ; lgaliseur est stable, mais trs lent. La constellation prsente en figure 4.14 illustre le trs bon fonctionnement de notre galiseur en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi son efficacit en matire dadaptation. On voit bien que toutes les squences tendent vers les squences originales. A noter que toutes les squences sont galises correctement depuis le dbut pour arriver aux valeurs optimales sans ncessit dinitialisation ou temps dadaptation.

Chapitre 4 Optimisation neuronale

92

Fig.4.13 Poursuite & erreur du MLP sur lensemble de tests sur 500 itrations

Fig.4.14 Constellation des signaux mis, reus (bleu) & galiss (vert) avec MLP

Chapitre 4 Optimisation neuronale


Pour plusieurs rapports signal/bruit SNR=30, 20 et 15 dB (figure 4.15), lerreur tend vers zro. Tant que le bruit augmente lerreur augmente aussi, mais lgaliseur arrive rassembler les squences autour des squences originales surtout en SNR=15 par rapport aux autres algorithmes. Le bruit a une grande influence sur la qualit de rception, mais en revanche lgaliseur neuronal MLP dvelopp montre une trs grande rsistance et une trs bonne robustesse aux bruits externes.

93

Fig.4.15 Performances & robustesse du MLP avec des SNR=30, 20 & 15 dB

4.4

Conclusion
On a pu concevoir un galiseur neuronal bas sur les rseaux de neurones MLP, ses

performances sont meilleures que celles des galiseurs linaires complexes classiques superviss en apprentissage (LMS, NLMS et RLS complexe). Sa fonction de transfert non linaire traite mieux les non linarits du canal qui causent les interfrences inter symboles et les dformations du signal utile ; elle est aussi mieux situe pour palier linfluence du bruit. Lgaliseur MLP est robuste et performant, mais consomme des ressources importantes pour son apprentissage ; les squences dapprentissage ainsi un gain de temps trs important pour fixer ses paramtres internes.

Chapitre 4 Optimisation neuronale

94

5.

Radial Basis Function (RBF)


Lidentification des paramtres du perceptron, appels poids de connexions, est

souvent ralise par lutilisation de lalgorithme de rtro propagation bas sur la mthode de la descente du gradient, dont lobjectif est la minimisation de lerreur dapprentissage. Cependant, la surface de lerreur est souvent complexe et prsente des caractristiques peu satisfaisantes pour raliser une descente du gradient, ce qui cre des inconvnients, tels que : la lenteur de la convergence, la sensibilit aux minima locaux et la difficult rgler les paramtres dapprentissage. Un autre type de rseau de neurones trs utilis, est le rseau de neurones fonction radiale de base (RBF). Ce rseau a lavantage dtre beaucoup plus simple que le perceptron tout en gardant la fameuse proprit dapproximation universelle de fonctions [41]. Les rseaux de neurones RBF sont trs exploits dans loptimisation et la synthse des systmes dgalisation adaptative. 5.1 Types dapprentissage En apprentissage, il existe essentiellement deux types dapprentissage :

lapprentissage supervis et lapprentissage non supervis. Dans la majorit des rseaux neuronaux tudis, lapprentissage sera dit supervis, car on impose des entres fixes et on cherche rcuprer une sortie connue. On effectue alors la modification des poids pour retrouver cette sortie impose. Malgr tout, il existe des rseaux apprentissage non supervis. 5.1.1 Apprentissage non supervis Lapprentissage non supervis est le seul qui peut expliquer lapprentissage des systmes biologiques. Ce processus dentranement fait correspondre une classe donne de vecteurs dentre (qui ont une proprit commune) une sortie particulire, mais en premier temps, on ne peut pas connatre pour une classe de vecteurs dentre, la sortie correspondante. Nous avons plusieurs rgles dapprentissage non supervises : 5.1.2 Rgle de Hebb Rgle de Kohonen, Rgle de Instar, Rgle de Outstar. Apprentissage supervis Dans ce type dapprentissage, on cherche imposer au rseau un fonctionnement donn, en forant partir des entres prsentes, les sorties du rseau prendre des

Chapitre 4 Optimisation neuronale


valeurs donnes en modifiant les poids synaptiques. Le rseau se comporte alors comme un filtre dont les paramtres de transfert sont ajusts partir des couples (entre/sortie) prsents. Ladaptation des paramtres du rseau seffectue partir dun algorithme doptimisation, linitialisation des poids synaptiques tant le plus souvent alatoire [41]. Dans notre tude, nous avons utilis : Apprentissage supervis avec la rgle du perceptron (utilis prcdemment), Apprentissage supervis et non supervis pour les rseaux fonction radiale de base (RBF). 5.2 Apprentissage des rseaux fonction radiale de base (RBF) Les rseaux RBF peuvent tre utiliss dans de vastes applications, puisque, primairement, ils peuvent approximer nimporte quelle fonction et leur entranement et rapide compar aux rseaux MLP. Cet apprentissage rapide vient en ralit du fait que les RBFs ont seulement deux couches (figure 4.16) de paramtres (centrodes + largeurs et poids) et chaque couche peut tre dtermine squentiellement.
Propagation dinformation

95

xi
ci ,i

Entre

Neurones dentre

Neurones cachs

Neurone de sortie

Rtropropagation derreur

Fig.4.16 Architecture des rseaux RBF

Le MLP est entran par des techniques supervises : les poids sont calculs en minimisant une fonction cot non linaire. Contrairement au MLP, lentranement du rseau RBF peut tre divis en une partie non supervise et une autre partie linaire supervise. Les techniques de mise jour des paramtres non supervises sont relativement rapides et propagation vers lavant. Encore, la partie supervise dapprentissage consiste rsoudre

Sortie

Chapitre 4 Optimisation neuronale


un problme linaire, ce qui est galement rapide, avec le bnfice additionnel dviter le problme de minimums locaux rencontr souvent en utilisant le MLP. La procdure dentranement des rseaux RBF peut tre dcompose en trois stages [42] : 1. Localiser les centres (Ci) des fonctions radiales (gaussiennes), 2. Dterminer leurs largeurs (i), 3. Calculer les poids du rseau (j) entre la couche de fonction radiale et la couche de sortie.

96

5.3

Equations du rseau
Le rseau RBF comporte deux couches de neurones. Les cellules de sortie

effectuent une combinaison linaire de fonctions non linaires fournies par les neurones de la couche cache. Les Mthodes dapproximations qui rgissent le rseau sont :

F ( x) = j j x c j + a i xi + b
j =1 i =1

(4.17)

o :

M d j

est le nombre des centres (Cj). est la dimension des variables dentre. reprsente la fonction non linaire du rseau qui est calcule par :

|| (.) || dnote la distance euclidienne.

j x cj

xc j = exp 2 2 j

(4.18)

Les paramtres du rseau sont : Cj, j et j, Les centres Cj sont dtermins et adapts respectivement en utilisant lapprentissage non supervis (competitive learning) avec :

d 2 xi , C j =

) (x
D k =1

i k

ckj

= xi C j = xi C j

) (x
T

Cj

(4.19) (4.20)

C k (t + 1) = C k (t ) + (t )(x i C k )
o (t) j est un facteur dcroissant dadaptation de temps, 0 < (t) < 1. est adapt grce la formule :

=
o M dmax

d max 2M
est le nombre de centrodes. est la distance maximale entre une paire quelconque de centrodes.

(4.21)

Chapitre 4 Optimisation neuronale


Une fois les Cj et = j sont estims le problme devient linaire, il faut donc utiliser la pseudo-inverse pour dterminer les j [42].

97

5.4
5.4.1

Simulation & rsultats


Principe Le principe est le mme dcrit prcdemment ; le mme signal complexe gnr

avec 3000 squences, dform par le canal complexe est rgit par lquation : C(z) = 1 + (-0.25+0.34j) z1 + (-0.15j) z2 Aprs, on y ajoute un bruit complexe son tour, gnr avec des SNR = 30, 20 et 15 dB (figure 3.10) pour illustrer leffet du bruit sur cet galiseur non linaire, et le comparer aux mthodes vues prcdemment. Ici le traitement du problme dgalisation est le mme que lgaliseur MLP ; lgaliseur est bas sur la RBF et lentre complexe du signal dform est rpartie en deux parties (Principe du split-complex) ; relle et imaginaire, chaque partie est traite part et la sortie on rend au signal sa forme complexe. Le critre dapprentissage est lerreur MSE. La figure 4.17 illustre le principe de la simulation.
Signal ou squence d'information

Distorsion du canal Bruit

Superviseur
Signal dform Re(y) Propagation dinformation

xi
ci ,i

Re(z)

Im(y)

Im(z) Neurones cachs

Neurones dentre

Neurone de sortie

E(n)

Rtropropagation derreur

Fig.4.17 Structure dun galiseur neuronal RBF

Objectif

Entre

Sortie

Chapitre 4 Optimisation neuronale


5.4.2 Etapes de mise en uvre du rseau RBF Le rsum des tapes et stratgies dapprentissage sont comme suit : On fixe le nombre de neurones dans la couche cache. On utilise une stratgie dapprentissage traditionnelle qui est le calcul spar bas sur les quations du rseau comme suit : o o o Les Centres des gaussiennes Cj La largeur des gaussiennes j Les poids de connexions j Apprentissage non supervis.

98

Apprentissage supervis.

Aprs on valide et on teste notre rseau pour les ensembles de validation et de tests. 5.4.3 Rsultats et discussions Aprs les tapes prcdentes, le modle dvelopp pour le RBF est dsormais prt pour sa tche qui est lgalisation adaptative des squences dcrites au chapitre prcdent. Les squences utilises durant lapprentissage ont un SNR=30 dB, aprs les tapes dapprentissage de validation et de test de lgaliseur neuronal RBF, on y traite les squences qui ont un SNR=20 et 15 dB (figure 3.10). Les squences sont rparties entre apprentissage et validation ( de lensemble des squences, et de cet ensemble respectivement) et test ( de lensemble des squences), chaque tape est value avec le critre MSE. Apprentissage : Lors de lapprentissage, on utilise les squences dentre pour lapprentissage non supervis (pas besoin des squences de sortie correspondantes) des centres (Cj) en se servant des deux quations 4.19 et 4.20 (calcul de distances, et adaptation des centrodes). Aprs avoir fix les centrodes, on doit fixer la valeur qui est la largeur des gaussiennes. La figure 4.18 montre lvolution de lerreur MSE en fonction de la largeur . Pour obtenir la largeur optimale on doit chercher lerreur minime ( =0.2). Aprs, en changeant le nombre de neurones graduellement par pas de deux jusqu 20 neurones et en calculant chaque fois lerreur MSE (figure 4.19), on pourra choisir le nombre de neurones qui aura lerreur minime. Le nombre de neurones optimal notre rseau est 20 neurones.

Chapitre 4 Optimisation neuronale

99

Fig.4.18 MSE en fonction de la largeur des gaussiennes du RBF

Fig.4.19 MSE en fonction du nombre de neurones dans la couche cache du RBF

Chapitre 4 Optimisation neuronale


Validation : Aprs avoir fix les valeurs des paramtres du rseau RBF (Centroides, nombre de neurones dans la couche cache et la valeur ) vient ltape de la validation o les poids n des neurones de sortie sont calculs pour chaque squence de lensemble de validation depuis une initialisation alatoire pour arriver aprs leurs meilleures valeurs qui donnent le rsultat du MSE le plus infrieur sur tout lensemble. Test : On peut finalement voir notre galiseur luvre sur lensemble des tests, la figure 4.20 reprsente la poursuite des squences estimes par lgaliseur y(n) et celles dsires z(n). Lgaliseur RBF prsente une trs bonne poursuite des squences avec une erreur trs minime par rapport aux galiseurs dj vus ; traditionnels (LMS, NLMS, RLS et CMA) et neuronal (MLP). Lgaliseur est stable, mais trs lent. La constellation prsente en figure 4.21 illustre le trs bon fonctionnement de notre galiseur en ce qui concerne lerreur dadaptation, la convergence des squences dformes par le canal et aussi son efficacit en matire dadaptation. On voit bien que toutes les squences tendent vers les squences originales. A noter que toutes les squences sont galises correctement depuis le dbut pour arriver aux valeurs optimales sans ncessit dinitialisation ou temps dadaptation.

100

Fig.4.20 Poursuite & erreur du RBF sur lensemble de tests sur 500 itrations

Chapitre 4 Optimisation neuronale

101

Fig.4.21 Constellation des signaux mis, reus (bleu) & galiss (vert) avec le RBF

Fig.4.22 Performances & robustesse du RBF avec des SNR=30, 20 & 15 dB

Chapitre 4 Optimisation neuronale


Pour plusieurs rapports signal/bruit SNR=30, 20 et 15 dB (figure 4.15), lerreur tend vers zro. Tant que le bruit augmente lerreur augmente aussi, mais lgaliseur arrive rassembler les squences autour des squences originales surtout en SNR=15 par rapport aux autres algorithmes. Le bruit une grande influence sur la qualit de rception, mais en revanche lgaliseur neuronal RBF dvelopp montre une trs grande rsistance et une trs bonne robustesse aux bruits externes.

102

5.5

Conclusion
On a pu concevoir un galiseur neuronal bas sur les rseaux de neurones RBF, ses

performances sont meilleures que celles des galiseurs linaires complexes classiques superviss en apprentissage (LMS, NLMS et RLS complexe). Sa fonction de transfert non linaire traite mieux les non linarits du canal qui cause les interfrences inter symboles et les dformations du signal utile ; elle est aussi mieux situe pour palier linfluence du bruit. Lgaliseur RBF est robuste et performant, mais consomme des ressources importantes pour son apprentissage ; les squences dapprentissage offrent un gain de temps trs important pour fixer ses paramtres internes par rapport aux mthodes classiques.

Comparaison entre les galiseurs RBF et MLP


La figure 4.23 montre lvolution de lerreur rsiduelle des squences bruites 30,

20 et 15 dB respectueusement sur 500 squences. un rapport SNR=30 et 20 dB, lgaliseur RBF montre de grandes performances par rapport lgaliseur MLP ; lerreur qua-

MSE Validation SNR (dB) RBF 30 20 15 MLP (666 squences)

MSE Test (999 squences) RBF MLP

MSE Totale (2997 squences) RBF MLP

1.8420 .10-5 2.9693 .10-4 3.5031 .10-5 3.2811 .10-4 5.3686 .10-5 4.4188 .10-4 0.0034 0.4326 0.0048 0.1534 0.0034 0.1530 0.0056 0.0248 0.0056 0.4819 0.0105 0.1777

Tableau.4.2 MSE en Fonction du SNR pour les galiseurs RBF et MLP sur l e n s e m b l e d e s v a l i d a t i o n , te s t e t l e t o t a l

Chapitre 4 Optimisation neuronale


dratique minimale durant les tapes de validation et de tests de lgaliseur RBF est bien infrieure celle du MLP, ainsi que lerreur totale (tableau 4.2). Par contre, pour un rapport SNR=15 dB ; lgaliseur MLP est plus robuste et performant que lgaliseur RBF durant toutes les tapes dapprentissage. Quand le canal est vraiment dispersif lgaliseur MLP montre une grande robustesse ce bruit additif, il est le plus convenable ce genre de canal. Quant lgaliseur RBF, il possde de grandes performances concernant les canaux lgrement et moyennement bruits.

103

Fig.4.23 Performances & robustesse des galiseurs RBF (rouge) & MLP (bleu) avec des SNR=30, 20 et 15 dB sur 500 itrations

Chapitre 4 Optimisation neuronale

104

Conclusion
Plusieurs galiseurs neuronaux ont t dvelopps. La plupart deux sont une

combinaison entre un filtre linaire transversal conventionnel (LTF) et un rseau de neurone artificiel (RNA) qui peut tre un perceptron multicouches (MLP), un rseau de fonctions radiales de base (RBF) ou autre rseau neuronal [43]. On a pu concevoir deux galiseurs neuronaux non linaires MLP et RBF qui ont donn de grandes performances par rapport aux galiseurs classiques, en ce qui concerne la robustesse vis--vis du bruit, lerreur du modle, ou la reconstitution des squences originales (limination des facteurs ISI et MAI). Lun des galiseurs est plus robuste en canaux trs dispersifs (MLP), lautre est plus rapide et performant en matire dgalisation en canaux lgrement et moyennement bruits.

Conclusion gnrale
Lors d'une transmission de donnes, le canal de transmission peut avoir plusieurs effets sur le signal transmis de l'metteur au rcepteur. Le canal est souvent symbolis comme une source de bruit additif mais il peut aussi attnuer fortement certaines frquences porteuses, on parle alors de fading slectif. Le canal peut aussi avoir pour effet de "mlanger" les symboles transmis, on parle alors d'interfrences entre symboles. Lgalisation adaptative consiste palier le mieux possible les dformations apportes par le canal de transmission au signal utile grce des filtres qui changent de coefficients en temps rel. Ces filtres ont pour fonction principale d'inverser la rponse du canal de transmission de manire ce que le couple canal/galiseur puisse tre considr comme un canal idal. Dans cette dissertation nous avons trait deux techniques dgalisation ; galisation linaire et non linaire. Les proprits et la convergence des filtres adaptatifs linaires et non linaires complexes ont t tudis. Les algorithmes les plus utiliss dans lgalisation adaptative linaire ; LMS et NLMS montrent une bonne convergence, mais sont moins complexes et moins rapides par rapport lalgorithme RLS en ce qui concerne lgalisation adaptative avec apprentissage. Lalgorithme CMA utilis dans lgalisation adaptative aveugle, montre aussi une bonne stabilit mais savre trop lent, son avantage et quil na pas besoin de squences dapprentissages. Nous nous sommes proposs de concevoir deux galiseurs non linaires bass sur deux modles de rseaux de neurones MLP et RBF dans le but doptimiser les performances du traitement, de poursuite, et de minimiser lerreur vis--vis des effets du canal et du bruit ascendant. Les deux galiseurs neuronaux non linaires MLP et RBF dvelopps ont donn de grandes performances par rapport aux galiseurs classiques, en ce qui concerne la robustesse vis--vis du bruit, lerreur du modle, ou la reconstitution des squences originelles (limination des facteurs ISI et MAI), mais une lenteur de traitement de donnes est remarque durant le traitement. Lun des galiseurs est plus robuste en canaux trs dispersifs (MLP), lautre est plus rapide et performant en matire dgalisation en canaux lgrement et moyennement bruits.

Conclusion gnrale
Rcemment, des travaux dans ce domaine exprimentent lutilisation des algorithmes aveugles (non superviss) pour entraner les rseaux de neurones. En effet, lgaliseur neuronal est encore un sujet dtude assez vif. Comme continuit de ce travail, il serait intressant damliorer et dvelopper de nouvelles stratgies pour acclrer sa convergence et aussi pour avoir une rgulation de la fonction de cot, ce qui doit rduire la complexit de calcul due au nombre de neurones. Pour favoriser la convergence d'un galiseur on utilise usuellement une squence d'apprentissage c'est--dire, un prambule constitu de donnes connues du rcepteur. Lorsque cela n'est pas possible, on est contraint d'utiliser des galiseurs autodidactes (auto adaptatifs) ; donc on parle alors dgalisation aveugle blind equalization , qui base son traitement sur la connaissance des proprits statistiques des signaux mis. Cette approche fera l'objet de la suite de nos travaux, o seront galement

106

considrs les deux problmes essentiels ; la vitesse de convergence, qui doit tre la plus rapide possible, et l'obtention d'une faible erreur rsiduelle en poursuite.

91

Rfrences
[1] Ajay R.Mishra, Fundamentals Of Cellular Network Planning And Optimisation 2G/2.5G/3G Evolution to 4G, Edition John Wiley & Sons, 2004. [2] Mohammed Yekhlef, Etude des mthodes daccs dans les rseaux mobiles, Thse de Magister, Universit de Batna, 2008. [3] [4] A. Dupret, A. Fischer, Cours de tlcommunication, IUT de Villetaneuse, 2003. Luc Deneire, Rseaux locaux et personnels sans fil, GTR-Sophia-Antipolis, Avril 2003. [5] Laurent Dubreuil, Amlioration de l'talement de spectre par l'utilisation de codes correcteurs d'erreurs, Thse de Doctorat, Universit de LIMOGES, Octobre 2005. [6] Amel Aissaoui, Synchronisation Adaptative du code PN Dans les systme de communication DS/SS, Thse de Doctorat, Universit de Constantine, Juin 2008. [7] Mosa Ali Abu-Rgheff, Introduction to CDMA Wireless Communication, Edition Elsevier, 2007. [8] 3GPP-201, TS.25.201 UMTS; Physical layer-general description 3GPP Technical Specification, Tech. Rep, Version 4.0.0, March 2001. [9] [10] IEEE 11.B, IEEE Standard 802.11b, IEEE Standardization, Tech. Rep., 1999. IEEE 15.1, IEEE Standard 802.15.1, Specification of the Bluetooth system, Version 1.2, IEEE Standardization, Tech. Rep, November 2003. [11] [12] IEEE 15.4, IEEE Standard 802.15.4, IEEE Standardization, Tech. Rep., May 2003. Hsiao-Hwa Chen, Next generation CDMA technologies, Edition John Wiley & Sons, 2007. [13] Sanchez J., Thioune M., UMTS, Services, Architectures et WCDMA, Edition Lavoisier, 2001. [14] Juha Korhonen, Introduction to 3G Mobile Communication, 2nd Edition, Edition Artech House, 2003. [15] E. H. Dinan and B. Jabbari, Spreading codes for direct sequence CDMA and Wideband CDMA cellular networks, IEEE Communication Magazine, pp.48-54, September 1998.

Rfrences
[16] Abdelouahab Bentercia, Linear Interference Cancellation Structures in DS-CDMA Systems, Thse de Doctorat, Universit de Batna, 2008. [17] [18] J. G. Proakis, Digital Communication, 3rd Edition, Edition McGraw-Hill, 1995. B. Pearson, A Condensed Review of Spread Spectrum Techniques for ISM Band Systems, Application Note 9820, Intersil Corporation, May 2000. [19] Intersil Corporation, Direct Sequence Spread Spectrum Baseband Processor, July 1999. [20] B. Pearson, Complementary Code Keying Made Simple, Application Note 9850, Intersil Corporation, May 2000. [21] T. D. Chiueh, S. M. Li, Trellis-Coded Complementary Code Keying for High-Rate Wireless LAN Systems, IEEE Communications Letters, Vol. 5, No. 5, pp.191-193, May 2001. [22] B. Ribov, G. Spasov, Complementary Code Keying with PIC Based Microcontrollers For The Wireless Radio Communications, Proceedings of International Conference on Computer Systems and Technologies, Sofia (Bulgaria), June 2003. [23] L. Hanzo, L-L. Yang, E-L. Kuan and K. Yen, Single and Multi-Carrier DS-CDMA : Multi-User Detection, Space-Time Spreading, Synchronisation, Networks and Standards, Edition Wiley-IEEE Press, 2003. [24] Y. Lekbir, Z. Khezzar, Egalisation multi utilisateurs aveugle pour le Downlink DSCDMA, Mmoire dingniorat, Universit de Batna, 2006. [25] [26] www.mathworks.com Paulo S.R. Diniz, Adaptive Filtering : Algorithms and Practical Implementation, 3rd Edition, Edition Springer Science, 2008. [27] Hugues Benoit-Cattin, Telecommunications Applications with the TMS320C50 DSP, INSA Lyon. [28] B. Mulgrew, P. Grant, J. Thompson, Digital Signal Processing, Concepts and Applications, MacMillan Press, 1999. [29] S. C. Douglas, R. Losada, Adaptive filters in Matlab : from novice to expert, Digital Signal Processing Workshop and the 2nd Signal Processing Education Workshop, IEEE Papers, 2002. [30] J.-F. Bercher & P. Jardin, Introduction au filtrage adaptatif, ESIEE Paris, 2003.

108

Rfrences
[31] Christophe Laot, Egalisation autodidacte et turbo-galisation : Application aux canaux slectifs en frquence, Thse de Doctorat, Universit de Rennes 1, 1997. [32] Rudolf Tanner, Nonlinear receivers for DS-CDMA, Doctorate thesis, University of Edinburgh, September 1998. [33] Anna Isabel Esparcia Alczar, Genetic programming for adaptive digital signal processing, Doctorate thesis, Glasgow University, 1999. [34] Randy .L. Haupt, Sue E. Haupt, Practical Genetic Algorithms, 2nd Edition, Edition John Wiley & Sons, 2004. [35] S.N.Sivanandam, S.N.Deepa, Introduction to Genetic Algorithms, Edition Springer, 2008. [36] Amar Mezache, Optimisation de la dtection dcentralise CFAR dans un Clutter Weibull utilisant les algorithmes gntiques et les rseaux de neurones flous, Thse de Doctorat, Universit de Constantine, 2009. [37] Marc Parizeau, Rseaux de Neurones GIF-21140 et GIF-64326, Universit de Laval, 2006. [38] F. Toshio and S. Takanori, Theory and applications of neural networks for industrial control systems, IEEE Transactions on industrial electronics, Vol. 39, No. 6, December 1992. [39] Khireddine Melal, Analyse des mthodes dgalisation des techniques CDMA, Thse de Magister, Universit de Batna, Novembre 2008. [40] Danilo P. Mandic, Vanessa Su Lee Goh, Complex Valued Nonlinear Adaptive Filters: Noncircularity, Widely Linear and Neural Models, Edition John Wiley & Sons, 2009. [41] Warda Barkat, Etude et Synthse des Caractristiques de Rseaux dantennes Imprimes Supraconductrices dans la Bande Millimtrique, Thse de Doctorat, Universit de Constantine, Septembre 2009. [42] Nabil Benoudjit, Variable selection and neural networks for high-dimensional data analysis : application in infrared spectroscopy and chemometrics, Thse de Doctorat, Universit catholique de Louvain, Septembre 2003. [43] Corina Botoca, Georgeta Budura, Symbol Decision Equalizer using a Radial Basis Functions Neural Network, Proceedings of the 7th WSEAS International Conference on Neural Networks, Cavtat, Croatia, pp79-84, June 12-14, 2006.

109