Académique Documents
Professionnel Documents
Culture Documents
Techniques dEgalisation
3 janvier 2012
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Plan
1
Communications avec interferences symboles
2 Estimation de canal
3
Egalisation lineaire
4
Structures degalisation
non lineaire
5 Maximum de Vraisemblance
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Canal a` interferences
entre symboles
Modelisation
Signal emis en bande de base
` une modulation de type QAM dordre M.
On considere
X
s(t) = sk he (t kT ), sk C
kN
sk = Ik + jQk : sequence
de symboles emis appartenant a` une
constellation M-QAM S (|S| = M = 2m ),
T : periode symbole,
he (t) : filtre de mise en forme a` lemission.
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Canal a` interferences
entre symboles
Modelisation
Signal emis (signal module)
en bande transposee
s(t) = Re[s(t)ei2f0 t ]
= Re[s(t)]cos(2f0 t) Im[s(t)]sin(2f0 t)
= I(t)cos(2f0 t) Q(t)sin(2f0 t) (1)
avec
P
I(t) = ik he (t kT ) : signal en phase (PAM voie I),
Pk
Q(t) = k qk he (t kT ) : signal en quadrature (PAM voie Q),
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Canal a` interferences
entre symboles
Modelisation
(signal module)
Signal recu en bande transposee
L1
X
r (t) = 0 s(t) +
l s(t l ) + b(t)
l=1
i2f0 t
= Re[r (t)e ]
(2)
b(t) = Re[b(t)ei2f0 t ]
= Re[b(t)]cos(2f0 t) Im[b(t)]sin(2f0 t)
= bi (t)cos(2f0 t) bq (t)sin(2f0 t)
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Canal a` interferences
entre symboles
Modelisation
Signal recu equivalent en bande de base
"L1 #
X X
r (t) = sk l exp (j2f0 l )he (t kT l ) + b(t)
kN l=0
X
= sk hc he (t kT ) + b(t)
kN
= hc s(t) + b(t) (3)
avec hc (t) : canal de propagation equivalent en bande de base
L1
X
hc (t) = l ej2f0 l (t l )
l=0
L1
X
Hc (f ) = l ej2f0 l ej2l f (4)
l=0
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Canal a` interferences
entre symboles
Modelisation - Filtrage adapte blanchissant
Canal a` interferences
entre symboles
Modelisation - Filtrage adapte partiel
Canal a` interferences
entre symboles
Modelisation
` discret equivalent
Modele bande de base (Temps symbole)
y[n] , y (nT )
X
= sk h((n k )T ) + br (nT )
kN
X
= sk hnk + b[n]
kN
(7)
Canal a` interferences
entre symboles
Modelisation
Bruit echantillonne
br (t) est Gaussien car filtre de b(t), b[n] non correl
es
et Gaussiens
donc independants
b (f ) = N0
br (f ) = N0 |He (f )|2
Estimation de canal
Principe
Sequence dapprentissage
pour egaliser,
necessit e de connatre une estimation de h[n],
utilisation de sequences pilotes dites dapprentissage
GSM Global System for Mobile Communications 595
156.25 bits
576.92 s
3 57 1 26 1 57 3 8.25 Bits
of the detection of burst data. This reduces the complexity and increases the performance of
decoding (see also Chapter 14). The timeslots end with a guard period of 8.25 bits. Apart from
normal transmission bursts, there are other kinds of bursts. MSs transmit access bursts to establish
initial contact with the BS. Frequency correction bursts enable frequency correction of the MSs.
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Estimation de canal
Principe - inter-correlation
Identification par inter-correlation
On suppose une sequence de symboles connus s[n] i.i.d. tels
que
s (p) = s2 (p)
P
Calcul de de linter-correlation entre y [n] = k hk snk + b[n] et
s[n] :
y,s (p) = E(y[n]s [n p]) = s2 h[p]
en pratique, s[n] non reellement i.i.d., mais s[n] doit donc avoir
de bonnes propriet es
dauto-correlation
(sequences
pseudo-aleatoires).
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Estimation de canal
Principe - estimateur max. de vraisemblance
` pour estimation
Modele
y = Sh + b
avec
y = [y [0], . . . , y [Napp 1]], h = [h[0], . . . , h[L 1]],
b = [b[0], . . . , b[Napp 1]],
s0 s1 . . . sL+1
s1
S= .
. .
sNapp1 sNapp2 . . . sNappL
=
h s
(S S)1 S y = R ys
= S] y (pseudo inverse) (9)
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
Principes
b[n]
w[n] est un filtre dt egaliseur,
r[n]
differentes structures possibles : FIR ou IIR, Sest[n]
f[n]
[ ] +
differents `
criteres
doptimisation pour la decision : ZF ou MMSE
(Wiener).
d[n]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` zero-forcing
Critere (ZF) : imposer les IES nulles en absence de bruit
structure non contrainte
En Temporel Domaine transforme en Z
s[n] = wZF y (n) = s[n d] s(z) = wZF (z)h(z)s(z) = s(z)z d
z d
wzf h[n] = [n d] wzf (z) = h(z)
structure contrainte FIR (sans delai) zf = {wk , k = N . . . + N}
:w
PN 1, n = 0
wzf h[n] = k=N wk hnk =
0, n = 1, , N
h[0] ... . . . h[N] ... ... h[2N] wN 0
.. .. .. .. ..
. . . . .
h[N 1] h[1] h[N 1]
... ... w1 0
h[N] h[0] h[N] w0
... ... = 1
h[N + 1] h[1] h[N + 1] w1
... ... 0
.. .. .. . .
.. ..
. . .
h[2N] ... h[N] ... h[0] wN 0
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` zero-forcing
Critere
(ZF) - Analyse en presence de bruit
structure non contrainte
En Temporel
Domaine frequentiel
2
2
bf () = b w zf ()
structure contrainte FIR (sans delai)
PN PN
bf [n] = k=N wk bnk b2f = b2 k=N |wk |2 = b2 Ew
Amplification du bruit : si 0 [0, 1], tel que h(0 ) = 0, le gain
du filtre ZF peut devenir infini et donc la puissance de bruit filtre
est peut etre ` grande,
tres
faible complexite mais forte amplification du bruit
Notons que pour que l'egaliseur soit stable, le canal ne doit avoir aucun zero sur et a l'exteri
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
u cercle unite.
Egalisation
lineaire
Cependant, puisque le ltre G(z) tend a annuler toute l'interference, il tend a compenser
` zero-forcing
Critere (ZF) - Illustration
ros de la fonction de transfert (cf. Figure 2.7), ce qui amplie le bruit de transmission.
CANAL galiseur ZF
4 4
Rponse en amplitude, en dB
Rponse en amplitude, en dB
2 2
0 0
2 2
4 4
6 6
0 0.5 1 0 0.5 1
frquence normalise frquence normalise
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` EQMM - filtrage de Wiener pour legalisation
Critere
s[nd]
b[n]
Transmissionsur FiltragedeWiener
canal slectif en
canalslectifen
frquence
a` legalisation
Filtrage de Wiener appliquee
Trouver le filtre optimal wopt (z) qui minimiser la fonction de cout
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
s[nd]
erale
Filtrage de Wiener : cadre gen
Trouver le filtre optimal wopt (z) qui minimiser la fonction de cout
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
Principe dothogonalite
Interpretation
geom
etrique
Operateur E(XY ) =< X , Y > definit
un produit scalaire sur
H = L2 () si variables centrees,
lerreur optimale est donc obtenue si elle est orthogonale a`
lespace des observations (meilleure estimation obtenue)
s[nd]
eopt[n]
opt[n]
{y[nk]}
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
s2 z d h (z 1 )
Domaine en z : w (z) =
s2 h(z)h (z 1 ) + b2
s2 h ()
Domaine frequentiel : w () = ej2d
s2 |h()|2 + b2
Equivalence a` fort SNR avec le filtre ZF :
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
erale
Expression gen :
Ry w = [(sy (p d))p=0N1 ] = sy
Expression detaill :
ee
Yn = HS n + Bn
w = s2 (s2 H H> + b2 )1 H 1d
1d = [0 0 1
|{z} 0 0]>
position d
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
` matriciel detaill
Modele e 1/2
>
Yn = [y [n] . . . y[n N + 1]]
>
Bn = [b[n] . . . b[n N + 1]]
h[L 1]
h[0] ... 0 ... ... 0
.. ..
0 h[0] ... h[L 1] . .
H=
.. .. .. .. .. ..
. . . . . .
.. .. .. ..
. . . . 0
0 ... ... 0 h[0] ... h[L 1]
>
Sn = [s[n] . . . s[n N L + 2]]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation lineaire
` EQMM - filtrage de Wiener appliquee
Critere a` legalisation
` matriciel detaill
Modele e 2/2
Y (0) Y (1) Y (N + 1)
Y (1) Y (0) Y (N + 2)
Ry = = E(Yn Y>
n )
.. .. .. ..
. . . .
Y (N 1) Y (N 2) Y (0)
J(w) = s2 + w Ry w 2Re(w sy )
2
e,opt = s2 sy w = s2 w sy
= s2 w Ry w = s2 (1 w
| H{zH w} snr
1kwk2 )
| {z }
IES bruit
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation non lineaire
Decision feedback Equalization(DFE) : principe
FBF
DFE : data-aided equalization
Motivation : Le filtrage lineaire classique peut laisser de lIES
residuelle,
: Utiliser les decisions
Idee edentes
prec
pour eliminer en partie
cette IES residuelle,
Structure : Egaliseur non lineaire par nature.
Question : comment choisir les filtres f [n] et g[n]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation non lineaire
Decision feedback Equalization(DFE) : principe
Block DFE : Modelisation ` MMSE
matricielle pour critere
nd1 = w> Y
r [n] = F> Yn G> S n
` MMSE
Optimisation avec critere
Trouver les filtres optimaux fopt [n] et gopt [n] qui minimisent la fonction
de cout
J(w) = E |e[n]|2 , e[n] = s[n d] r [n]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Egalisation non lineaire
Decision feedback Equalization(DFE) : principe
` MMSE, suite
Optimisation avec critere
Resolution `
: Le probleme `
initial revient au probleme classique de
Wiener consistant a` optimiser le filtre w avec comme vecteur
dobservations etendu n :
Y
Ry w = sy
avec
Y
>
Ry = E(Y n n ), sy = E(s[n d]Yn )
`
Probleme :Y n depend
nd1 dont on connat difficilement
de S
es
les propriet statistiques du fait de la non linearit
e,
` de travail (approx. Fort SNR) : les symboles decid
Hypothese es
sont tous corrects,
S nd1 = Snd1
Decodage par Maximum de Vraisemblance
` discret equivalent
Modele bande de base
X
y [n] = sk hnk + b[n]
kN
h 1
LX
= h[k ]s[n k] + b[n] (10)
k=0
h 1
LX
= h0 s[n] + h[k ]s[n k] +b[n] (11)
k=1
| {z }
IES
s[n]
D D D D
b[n]
h0 h1 h2 hL1
z[n]
+ + + + y[n]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Decodage par Maximum de Vraisemblance
` de decodage
Critere MLSE
=
s arg max p(y|s0 )
s0
Y
= arg max
0
p(yn |s0 )
s
n
X L1
X
= arg min |yn hk snk |2
{sn }
n k=0
P
s = [s1 s2 . . . sN ], y = [y1 y2 . . . yN ], y [n] N ( k hk snk , N0 ),
la sequence optimale est celle qui minimise la distance
euclidienne la plus faible.
utilisation de la structure markovienne du canal pour realiser un
decodage MLSE avec complexite raisonnable.
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Decodage par Maximum de Vraisemblance
` convolutif et Representation
Modele
detat
[n1]
h b[n]
h0 h1 h2 hL1
z[n]
+ + + + y[n]
T sn
y [n] = h + b[n]
n1
= z[n] + b[n]
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Decodage par Maximum de Vraisemblance
Representation en treillis
Representation :
fonctionnelle associee
Equation devolution
: passage dun etat a` n1 a` n .
n = F1 (n1 , sn )
eration
Equation dobservation : gen des sorties observables
PL1
zn = k=0 hk snk .
zn = F2 (n1 , sn ) = F3 (n1 , n )
0 1 n 1 n n+1 N L N 1 N
n = dn 2 dn 1
d0 = 1 1 dn = 1
1 1
1 1 d0 = 1
1 1
1 1
s[n]=+1
s[n]=-1
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Decodage par Maximum de Vraisemblance
Representation en treillis
es
propriet
Chaque chemin sur le treillis represente
une sequence de
symboles emis possibles :
chemin le plus problable, ie
sequence MLSE de plus petite distance euclidienne
sur le treillis
cumulee
Idee de Viterbi : utiliser la structure du treillis pour enum
erer et
selectionner intelligemment les candidats.
Ceci est possible en remarquant que
{s[n]|n = 1 N} {[n]|n = 0 N}
Espace des sequences Espaces des Etats
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Decodage par Maximum de Vraisemblance
Algorithme de Viterbi
MLSE revisite
X L1
X
s = arg min |yn hk snk |2
{sn }
n k =0
m
X
s = arg min |yn zn (n1 , n )|2
{n }
n
Decodage par Maximum de Vraisemblance
Algorithme de Viterbi
Algorithme de Viterbi
Pour chaque section n (n = 1 N), pour chaque etat
n = s
(s = 0 |S|) :
1 calculer n tel que
2
stocker letat edent
prec n1 (pour chaque etat n , on peut donc
associer une sequence {0 , , n } de distance euclidienne
n (n ))
A la fin du treillis, il ne reste plus que |S| chemins possibles, alors
par parcours arriere ` des etats
du treillis
= 0 , 1 , , N1 , N |argmin {N (N )}
s
N
possibles a la factorisation de l'autocorrelation du canal (cas ZF) ou de la densite spectrale
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
de puissance (cas EQM), H1(z) est celui dont l'energie est concentree au debut de la reponse
impulsionnelle etpar
Decodage Maximum
qui fournit dea bruit
le rapport signal Vraisemblance
en sortie de l'egaliseur le plus grand. De
plus, les interferences annulees sont alors de plus faible energie que le trajet principal, d'ou un
Algorithme de Viterbi : performance
3 3
10 10
4 4
10 10
5 5
10 10
0 5 10 15 20 0 5 10 15 20
Eb/No Eb/No
Fig. 2.12 { Performances des egaliseurs classiques pour les canaux Proakis B et C.
Communications avec interferences
symboles Estimation de canal Egalisation lineaire
Structures degalisation
non lineaire Maximum de Vraisemblance
Bibliographie