Egalisation

Communications avec interferences
symboles Estimation de canal Egalisation lineaire

Structures degalisation
non lineaire Maximum de Vraisemblance
Techniques dEgalisation
3 janvier 2012

Plan
1
Communications avec interferences symboles
2 Estimation de canal
3
Egalisation lineaire
4
non lineaire
5 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.

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),

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)
avec b(t) : bruit blanc thermique Gaussien

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)

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

entre symboles

Modelisation - Filtrage adapte blanchissant
Filtrage adapte et modele

` equivalent
bande de base
y(t) = hr r (t) + hr b(t)

X
= sk hr hc he (t kT ) + hr b(t)
kN
X
= sk h(t kT ) + br (t) (5)
kN
avec h(t) = hr hc he (t) : enveloppe complexe du canal global

equivalent en bande de base

Recepteur optimal : Whitened Matched Filter [Forney]
1 hr (t) est le filtre adapte a` g(t) = hc he (t),
2
echantillonnage
au rythme symbole Ts , IES toujours presente et

necessit e dun filtre blanchissant,
3
detection au sens ML ou critere ` de detection
sous-optimaux.
` realiste
pas tres dans un contexte canal hc (t) variable
rapidement en temps.

entre symboles

Modelisation - Filtrage adapte partiel
Filtrage adapte et modele

` equivalent
bande de base
y(t) = hr r (t) + hr b(t)

X
= sk hr hc he (t kT ) + hr b(t)
kN
X
= sk h(t kT ) + br (t) (6)
kN
avec h(t) = hr hc he (t) : enveloppe complexe du canal global

equivalent en bande de base

Recepteur sous-optimal : Partial Matched Filter
1 hr (t) est le filtre adapte a` he (t),
2
echantillonnage
au rythme symbole Ts , IES toujours presente,

mais plus necessit e dun filtre blanchissant,
3
detection au sens ML ou critere ` de detection
sous-optimaux

(egalisation
lineaire).

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)
avec h[n] = hr hc he (nT ) : reponse

` du
impulsionnelle discrete

canal equivalent en bande de base.

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
b (p) = N0 (p) (8)

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
Timeslot (normal burst)
156.25 bits
576.92 s
3 57 1 26 1 57 3 8.25 Bits
Tail Control Control Tail

bits bit bit bits
Data Midamble Data Guard
period
Figure 24.6 Functions of the bits of a normal transmission burst.
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.

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).

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
Estimateur Maximum de vraisemblance
=
h s
(S S)1 S y = R ys
= S] y (pseudo inverse) (9)


Principes
b[n]
s[n] y[n] [n] s[nd]

h[n] + w[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]


` 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


` zero-forcing
Critere
(ZF) - Analyse en presence de bruit
structure non contrainte
En Temporel
Domaine frequentiel
2
2
bf () = b w zf ()

s[n] = s[n d] + wZF b[n]

| {z }
bf [n]
b2f = b2 [1] 1 d
R
|h()|2

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

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


` EQMM - filtrage de Wiener pour legalisation
Critere
s[nd]
b[n]
s[n] y[n] [n] + e[n]

h[n] + w[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

Jw = E |e[n]|2 , e[n] = s[n d] s[n], s[n] = w y [n]


` EQMM - filtrage de Wiener appliquee
Critere a` legalisation

s[nd]
y[n] [n] + e[n]

w[n] +

erale
Filtrage de Wiener : cadre gen
Trouver le filtre optimal wopt (z) qui minimiser la fonction de cout

J(w) = E |e[n]|2 , e[n] = s[n d] s[n]



Principe dothogonalite
CNS : E(eopt [n]y[n k ] ) = 0, k Z

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]}



Wiener non contraint

Expression du filtre de Wiener non contraint :
s2 z d h (z 1 )
Domaine en z : w (z) =
s2 h(z)h (z 1 ) + b2
avec h (z) = h (n)z n

P
n

s2 h ()

Domaine frequentiel : w () = ej2d
s2 |h()|2 + b2
Equivalence a` fort SNR avec le filtre ZF :
w (z) wzf (z)



Wiener RIF de taille N

N1
=
X
s[n] wk ynk et E(eopt [n]y [n p] ) = 0, p [0, N 1]
k =0
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



` 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]]



` 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)
sy = [(sy (p d))p=0N1 ] = E(s[n d]Yn )

Erreur quadratique moyenne minimum et decomposition `
du critere
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


Egalisation non lineaire
Decision feedback Equalization(DFE) : principe
y[n] + r[n] [nd]

f[n]
[ ] +

FFF
g[n]
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]



Block DFE : Modelisation ` MMSE
matricielle pour critere
nd1 = w> Y
r [n] = F> Yn G> S n
F = [f0 , . . . , fN1 ]>

G = [g1 , . . . , gM1 ]>
| {z }

r[n] ne depend que des symboles passes s(ndk)
nd1 = [s[nd1], . . . , s[ndM+1]]>
Yn = [y [n], . . . , y[nN+1]]> , S
Y >
n = [Y> , S >
n nd1 ]
` 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]


` 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
dans ce cas on peut expliciter les differents

termes et on peut

resoudre (voir TD).


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]


` 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.


` convolutif et Representation
Modele
detat
[n1]
s[n1] s[n2] s[nL+1]

s[n]
D D D D
h b[n]
h0 h1 h2 hL1
z[n]
+ + + + y[n]

T sn
y [n] = h + b[n]
n1
= z[n] + b[n]



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



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


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
Pour la section de treillis n, a` letat

n (s), on peut ecrire
n
X
n (n ) = argmin |yk zk (k1 , k )|2
{0 ,1 , ,n1 ,n } k =0
( (n1 ) )
X
= argmin argmin |yk zk |2 + |yn zn (n1 , n )|2
{n1 n } {0 , ,n1 } k =0
= argmin {n1 (n1 ) + n (n1 , n )}
{n1 n }
| {z }
transitions possibles


Pour chaque section n (n = 1 N), pour chaque etat
n = s
(s = 0 |S|) :
1 calculer n tel que
n (n ) = argmin {n1 (n1 ) + n (n1 , n )}

{n1 n }
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

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
phenomene de propagation d'erreurs limite.

Performances du canal Proakis B Performances du canal Proakis C
0 0
10 10
sans IES sans IES
borne inf MLSE borne inf MLSE
linaire linaire
1 1
10 dfe 10 dfe
TEB : taux derreur binaire
TEB : taux derreur binaire

Viterbi Viterbi
Bahl Bahl
2 2
10 10
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.

Bibliographie
B. P. Lathi and Zhi Ding, Modern Digital and Analog

Communication Systems, Oxford University Press, 2009.
John Barry, Edward Lee, David Mersserschnitt, Digital
Communications, Kluwer Academic Publisher, Third edition.
Andreas F. Molisch, Wireless Communications, 2nd Edition,
IEEE Press-Wiley, 2010.
Digital Communications, 4th edition, John G. Proakis, Mc Graw
-Hill.
J. Choi, Adaptive and Iterative Signal Processing in
Communications, Cambridge University Press, 2006.
Zhi Ding and Ye Li, Blind Equalization and Identification , Marcel
Dekker, New York, 2001.

Egalisation

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Egalisation

Transféré par

Droits d'auteur :

Formats disponibles

Communications avec interferences

symboles Estimation de canal Egalisation lineaire

avec b(t) : bruit blanc thermique Gaussien

Filtrage adapte et modele

y(t) = hr r (t) + hr b(t)

avec h(t) = hr hc he (t) : enveloppe complexe du canal global

Filtrage adapte et modele

y(t) = hr r (t) + hr b(t)

avec h(t) = hr hc he (t) : enveloppe complexe du canal global

avec h[n] = hr hc he (nT ) : reponse

b (p) = N0 (p) (8)

Timeslot (normal burst)

Tail Control Control Tail

Figure 24.6 Functions of the bits of a normal transmission burst.

Estimateur Maximum de vraisemblance

s[n] y[n] [n] s[nd]

s[n] = s[n d] + wZF b[n]

s[n] y[n] [n] + e[n]

Jw = E |e[n]|2 , e[n] = s[n d] s[n], s[n] = w y [n]

y[n] [n] + e[n]

J(w) = E |e[n]|2 , e[n] = s[n d] s[n]

CNS : E(eopt [n]y[n k ] ) = 0, k Z

Wiener non contraint

avec h (z) = h (n)z n

w (z) wzf (z)

Wiener RIF de taille N

sy = [(sy (p d))p=0N1 ] = E(s[n d]Yn )

y[n] + r[n] [nd]

F = [f0 , . . . , fN1 ]>

dans ce cas on peut expliciter les differents

s[n1] s[n2] s[nL+1]

Pour la section de treillis n, a` letat

n (n ) = argmin {n1 (n1 ) + n (n1 , n )}

phenomene de propagation d'erreurs limite.

TEB : taux derreur binaire

B. P. Lathi and Zhi Ding, Modern Digital and Analog

Vous aimerez peut-être aussi

phenomene de propagation d'erreurs limite.