See

discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/228832772

optimisation à la synthèse des diagrammes de

rayonnement de réseau d'antennes linéaires
par les réseaux de neurones

Article

CITATIONS READS

0 208

4 authors:

Ridha Ghayoula A. Gharsallah

University of Tunis El Manar University of Tunis El Manar
62 PUBLICATIONS 135 CITATIONS 378 PUBLICATIONS 1,190 CITATIONS

SEE PROFILE SEE PROFILE

N. Fadlallah Mohammad Rammal

Lebanese University, Saida, Lebanon Lebanese University
23 PUBLICATIONS 94 CITATIONS 47 PUBLICATIONS 365 CITATIONS

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

360° Switched Beam Antenna View project

Effect of complementary split ring resonator structure on PIFA antenna View project

All content following this page was uploaded by Mohammad Rammal on 20 March 2015.

The user has requested enhancement of the downloaded file.

 SETIT 2007
4th International Conference: Sciences of Electronic,
Technologies of Information and Telecommunications
March 25-29, 2007 – TUNISIA

Optimisation à la synthèse des diagrammes de

rayonnement de réseau d’antennes linéaires par les
réseaux de neurones

GHAYOULA Ridha*, GHARSALLAH Ali*,

FADLALLAH Najib**, RAMMAL Mohamed**
*Laboratoire de physique de la matière molle, Unité de recherche : Circuits et systèmes électroniques HF
Faculté des Sciences de Tunis, Campus Universitaire Tunis EL-manar, 2092, Tunisie
ridha_ghayoula_fst@yahoo.fr, ali.gharsallah@fst.rnu.tn
**
Equipe RADIOCOM, Institut universitaire de Technologie –saida
P.O.Box 813 #36 Liban
n_fadlallah@yahoo.com, mframmal@ul.edu.lb

Résumé: Le travail présenté dans cet article se rapporte à l’optimisation de la synthèse des diagrammes de
rayonnements de réseau d’antennes linéaires. La méthode de synthèse mise en oeuvre pour ce type de réseaux permet
d’approcher à un diagramme de rayonnement désiré et trouver les pondérations complexes wij pour que la fonction
FR (ө,φ) réponde à des spécifications précises, souvent d’écrites par un gabarit.
L’approche utilisée est basée sur de la méthode de Dolph-Tchebycheff et sur les réseaux de neurones qui sont capables
de modéliser les diagrammes de rayonnements de réseau d’antennes linéaires, compte tenu de critères généraux
prédéterminés, et finalement il permet de prédire le diagramme désiré à partir du modèle neural.
Notre contribution principale dans cet article est l’extension d’un modèle de synthèse des diagrammes de
rayonnement de ces réseaux à partir des pondérations.
Mots clés : Réseau d’antennes linéaires, modélisation, réseaux de neurones, diagramme de rayonnement, pondérations.

Le réseau de neurones permet d’établir lors de la

INTRODUCTION
Dans le domaine des réseaux d’antennes
intelligentes, plusieurs méthodes de synthèse
sont rencontrées à savoir les méthodes déterministes et
stochastiques [1]. Compte tenu de la diversité des buts
recherchés par les utilisateurs, on ne trouvera pas une
méthode générale de synthèse applicable à tous les
cas, mais plutôt un nombre important de méthodes
propres à chaque type de problème.
Cette diversité de solutions peut être exploitée pour
constituer une base de données utile pour une
approche générale de synthèse d’un réseau d’antennes
linéaires.
Dans cet article, nous allons présenter la méthode des
réseaux de neurones qui sera appliquée à la
synthèse de réseau d’antennes linéaires par action sur
l’amplitude d’alimentation [2] des sources et sur le
niveau de lobes secondaires NLSlim .
phase d’apprentissage des relations analytiques
importantes pour l’étape de modélisation du réseau
d’antennes.
Une grande flexibilité entre les caractéristiques du
réseau d’antennes : amplitude d’alimentation,
domaine d’ondulation, niveau de lobes secondaires,
… est ainsi introduite, puisqu’il n’ y a aucune
restriction quant au nombre de paramètres du système
en entrée et en sortie.
L’article est structuré comme suit, la première partie
est consacrée pour la représentation de problème de
synthèse de réseau d’antennes linéaires.
Dans la deuxième partie nous avons présenté la
méthode de synthèse de Dolph-Tchebyscheff, ensuite
nous avons développé la méthode de synthèse par loi
d’amplitude dans la troisième partie.
Dans la quatrième partie nous avons présenté la
synthèse et la modélisation de diagramme de
rayonnement de réseau d’antennes linéaires par le
réseau des neurones en fonction des pondérations.
Et finalement conclusion et perspectives du présent

-1-
SETIT2007
travail.
1. Problème de synthèse
Pour un réseau linéaire, la synthèse se réduit à
chercher la loi d’alimentation, d’un certain nombre
d’éléments fixé à l’avance, la synthèse consiste en
une recherche de la pondération complexe de
l’alimentation [ 2].
Pour la représentation des diagrammes de
rayonnement, il existe deux types de conformations :
Une conformation dans un plan, par exemple les
deux principaux plans E et H. Dans ce cas, la
discrétisation se porte seulement sur la direction θ,
l’autre direction φ est fixée.
Une conformation dans tout l’espace (θ, φ). Dans ce
cas le couple (θ, φ) est discrétisé.
Considérons un réseau unidimensionnel à Px éléments
disposés régulièrement dans une direction (Oy). Son
diagramme de rayonnement s’écrit :
Px
F (θ , ϕ ) = f (θ , ϕ ) ∑ w n exp( jk 0 sin θ .( y n cos ϕ ))
n =1
Où f (θ, φ) : diagramme de rayonnement d’un élément
rayonnant, (Xn) : coordonnée de l’élément rayonnant
n.
Wn: coefficient complexe de pondération
d’alimentation d’ordre n.
k0 : nombre d’onde.
Pour un réseau unidimensionnel symétrique à (2Nx)
éléments, le diagramme de rayonnement d’un tel
réseau est donné par :
1 Nx
Fs (θ , ϕ ) = ∑ a xi cos( k 0 Yi sin θ cos ϕ + ψ yi ). f (θ , ϕ )
Fs max i =1
Suivant cette expression, nous pouvons remarquer que
l’expression du diagramme synthétisé peut se mettre
sous la forme :
FS (θ , ϕ ) = FRS (θ , ϕ ). f (θ , ϕ ) (3)
avec FRS (θ , ϕ ) est le facteur de réseau.
Le diagramme de rayonnement désiré Fd (θ , ϕ ) est
spécifié à l’aide d’un gabarit, le diagramme synthétisé
doit tenir dans les limites fixées par ce gabarit [3].
Le gabarit peut être défini dans tout l’espace, dans une
partie de l’espace ou seulement dans quelques plans.
Un exemple de projection de gabarit est donné sur la
figure 2, avec les différents paramètres qui permettent
de le décrire. Caractérisant le diagramme désiré à
partir du gabarit (figure.1.)
Fd (θ , ϕ )
odB
NLSlim
0° ϕ 0 − ∆ϕ ϕ 0 90°
Figure 1. Gabarit caractérisant le diagramme désiré
Comme le réseau est symétrique, il est possible
d’optimiser le diagramme de rayonnement en tenant
compte exclusivement de la loi d’alimentation des
sources du réseau. La loi d’alimentation des autres
sources est alors obtenue par symétrie. Afin de limiter
le temps de calcul, nous avons défini le gabarit
seulement dans le plan θ =90.
2. Méthode de Dolph-Tchebycheff
Dolph a indiqué une méthode basée sur les
propriétés des polynômes de Tchebyscheff, qui permet
d’obtenir le maximum de gain pour un niveau de lobes
secondaires imposé.
Cette méthode utilise le fait que la répartition optimale
des amplitudes des sources est celle qui donne, pour
expression du champ rayonné par un alignement de N
sources, les polynômes de Tchebyscheff de degré (N-
1). Ce polynômes présente toujours un maximum de
niveau important qui correspond au maximum du lobe
principal de rayonnement, et une succession de
maxima et de minima, d’amplitudes égales, qui
correspondent ici aux lobes secondaires : ainsi par la
(1) suite on va présenter la synthèse de diagramme de
rayonnement en utilisant le polynôme de
Tchebyscheff de degrés 20, Τ19 ( x 0 ) qui correspondra,
dans la méthode de Dolph, au rayonnement d’un
alignement de 20 sources [4].
Avec cette méthode, tous les lobes secondaires du
diagramme ont un même niveau, ce qui peut présenter
des inconvénients si l’on désire que l’antenne assure
une certaine protection contre les brouilleurs éloignés
de l’axe de rayonnement maximal. Par contre, on peut
démontrer qu’un réseau construit suivant cette
(2)
méthode, présente toujours le maximum de gain
compatible avec le niveau de lobes secondaires que
l’on s’est imposé.
Pratiquement, le calcul de la distribution d’amplitude
sera fait comme suit : on se fixe le rapport R0 entre
l’amplitude du champ maximal du lobe principal et
celle des lobes secondaires ; Ra permet alors de
définir un paramètre x 0 par la formule :
R a = T N −1 ( x 0 ) = ch [( N − 1) arg ch x 0 ] (4)
En tenant compte de ce que :
⎡ arg ch R a ⎤
x 0 = ch
⎢ N −1 ⎥ (5)
⎣ ⎦
3. Synthèse par loi d’amplitude
Soit un diagramme de rayonnement
désiré Fd (θ , ϕ ) , la synthèse de réseaux d’antennes
linéaires [5] consiste à déterminer l’amplitude
d’alimentation selon (Ox),
c-à-d le vecteur Axi = [ax1,ax2,....,axNx], qui permettent
au diagramme de rayonnement synthétisé Fs(θ,φ) de
s’approcher de Fd (θ , ϕ ) .
ϕ1 ϕ1 + ∆ϕ 180° En considérant une répartition spatiale strictement
périodique de pas ∆x selon. Les positions Xi des
sources deviennent :
Xi = (i-1/2) ∆x i =1, Nx
-2-
SETIT2007
Figure 2. Diagramme de rayonnement d’un réseau
d’antennes linéaires à 20 éléments rayonnants
(φ0=90°=, ∆x=0.5λ)
Figure 3. Diagramme de rayonnement d’un réseau
d’antennes linéaires à 20 éléments rayonnants en
coordonnées polaire (φ0=90°, ∆x=0.5λ)
Les figures 2 et 3 présentent le diagramme de
rayonnement d’un réseau d’antennes linéaires à 20
éléments rayonnants avec des amplitudes
d’alimentations unitaires Axi = [1,1,…,1].
Figure 4. Diagrammes de rayonnements synthétisé de
réseau d’antennes linéaires de 20 éléments rayonnants
en utilisant la méthode de Dolph-Tchebycheff
(NLSlim=-30dB, φ0=90°, ∆x= 0.5λ )
-3-
Figure 5. Diagrammes de rayonnements synthétisé de
réseau d’antennes linéaires de 20 éléments rayonnants
en utilisant la méthode de Dolph-Tchebycheff
(NLSlim =-40dB, φ0=90°, ∆x= 0.5λ )
Figure 6. Diagrammes de rayonnements synthétisé de
réseau d’antennes linéaires de 20 éléments rayonnants
en utilisant la méthode de Dolph-Tchebycheff
(NLSlim =-50dB, φ0=90°, ∆x= 0.5λ )
Les figures 4, 5 et 6 représentent les résultats de
synthèse des diagrammes des rayonnements de
réseaux d’antennes linéaires de 20 éléments
rayonnants par la méthode de Dolph-Tchebycheff, on
remarque d’après ces figures que les diagrammes de
rayonnement sont contenus dans les limites imposées
par les gabarits (NLSlim=-30 dB, NLSlim=-40 dB,
NLSlim=-50 dB).
NLSlim -30dB -40dB -50dB
Largueur de lobe
6° 8° 9°
principal (DW)
Tab 1. Largueur de lobe principal
Le tableau 1 présente les variations de largueur de
lobe principal suivant les niveaux de lobes secondaires
NLSlim.
On constate aussi que, la synthèse de réseaux
d’antennes linéaires par la méthode de Dolph-
Tchebycheff permet de réduire fortement le niveau
maximum de lobes secondaires. La synthèse consiste
donc à déterminer l’amplitude d’alimentation selon
(Ox), c-à-d le vecteur Axi=[ax1,ax2,....,axNx], qui
permettent au diagramme de rayonnement synthétisé
Fs(θ,φ) de s’approcher de Fd (θ , ϕ ) .
SETIT2007
Figure 7. Pondérations axi obtenues en utilisant la
méthode de Dolph-Tchebycheff (NLSlim=-30dB,
NLSlim=-40dBn NLSlim=-50dB φ0=90°, ∆x= 0.5λ )
Dans la figure 7 on a montré que, dans le cas où on
applique des jeux de pondérations axi différents, on
peut aboutir des diagrammes de rayonnement de
formes tout a fait différentes. Ce sont les paramètres
principalement utilisés dans les méthodes de synthèse.
4. Les réseaux de neurone
Les réseaux de neurones artificiels (RNA) sont des
modèles mathématiques inspirés de la structure et du
comportement des neurones biologiques. Ils sont
composés d’unités interconnectés que l’on appelle
neurones formels ou artificiels capables de réaliser
certaines fonctions particulières et bien précises [6].
Les RNA permettent d’approcher des relations non
linéaires à des degrés de complexité importants. Les
cellules d’entrées sont destinées à recueillir
l’information qui est transformée par les cellules
cachées jusqu’aux cellules de sortie. Ces réseaux
possèdent une ou plusieurs couches cachées (figure.8).
Généralement on utilise dans ce type de réseaux une
fonction d’activation sigmoïde.
1
g ( x) = (6)
1 + exp( − x )
()
xo p 1 - 20 neurones dans la couche de sortie représentant la
1
()
2
x1 p 2 Une fois que l’architecture du réseau a été décidée, la
()
x2 p 3
2
()
y i p = g net j p
4 exemples d’apprentissage, c’est-à-dire des jeux
i d’activités des neurones d’entrée ainsi que ceux des
()
xk p
I
( ( ))
()
K 32 1 1
y j p = g net j p
Figure 8. Architecture de réseau des neurones
L’apprentissage dans ce type de réseau, consiste en un
entraînement. On présente au réseau des entrées et on
lui demande de modifier sa pondération de telle sorte
que l’on retrouve la sortie correspondante.
L’algorithme consiste dans un premier temps à
propager vers l’avant les entrées jusqu'à obtenir une
sortie calculée par le réseau. La seconde étape
compare la sortie calculée à la sortie réelle connue.
On modifie alors les poids synaptiques de sorte qu’à la
prochaine itération, l’erreur commise entre la sortie
calculée et connue soit minimisée. On rétro-propage
alors l’erreur commise vers l’arrière jusqu’à la couche
d’entrée tout en modifiant la pondération.
L’expression de calcul des nouvelles valeurs de poids
synaptiques reliant les neurones est donnée par la
relation suivante [7] :
wij ( k + 1) = wij ( k ) + λD i Pi (7)
avec λ : pas d’apprentissage
Pj : l’entrée du neurone j.
Wij: poids associé à la connexion du neurone i
vers le neurone j.
Di : dérivée d’erreur du neurone i.
5. Résultats
On détaillera ici la procédure de l’apprentissage de
pondérations axi c'est-à-dire les excitations de réseau
d’antennes linéaires qui permettent au diagramme de
rayonnement Fs(θ,φ) de s’approcher au diagramme
de rayonnement désiré Fd (θ , ϕ ) .
Pour valider cette étude, nous avons utilisé un réseau
d’antennes linéaires de 20 éléments rayonnants avec
une distance ( ∆x= 0.5λ ) qui sépare deux éléments
rayonnants. Les diagrammes de rayonnements
synthétisés sont contenus dans les limites imposées
par les gabarits (NLSlim=-30 dB, NLSlim=-40 dB,
NLSlim=-50 dB).
5.1. Phase d’apprentissage
Après plusieurs essais, un réseau multicouche a
été retenu avec la topologie suivante :
- 1 neurone dans la couche d’entrée.
- 32 neurones dans la couche cachée
loi d’amplitude pour un réseau symétrique à 20
éléments rayonnants.
phase d’apprentissage permet de calculer les poids
( ( ))
2
synaptiques menant à chaque neurone formel. Elle
utilise l’algorithme de Quasi-Newton [5, 6]. Cet
algorithme consiste à présenter au réseau des
activités des neurones de sortie. On examine l’écart
entre la sortie du réseau et la sortie souhaitée et on
modifie les poids synaptiques des connexions jusqu'à
ce que le réseau produise une sortie très proche de elle
souhaitée. L’apprentissage par le logiciel Matlab est
supervisé [6, 7, 8,]. Les fonctions tangente
-4-
SETIT2007
hyperbolique et linéaire sont affectées respectivement
à la couche cachée et à la couche de sortie.
L’objectif essentiel ici, [9] est de trouver le meilleur
apprentissage qui permet de donner un bon modèle.
Pour cela, plusieurs essais sont nécessaires, en
agissant sur les paramètres influant
l’apprentissage. Ces paramètres sont les suivants :
- le nombre de neurones dans la couche cachée,
- les fonctions d’activation,
- le pas d’apprentissage.
Figure 9. Pondérations axi obtenues en utilisant la
méthode de Dolph-Tchebycheff et le réseau de
neurones (NLSlim=-30dB, NLSlim=-40dBn
NLSlim=-50dB φ0=90°, ∆x= 0.5λ )
La figure 9 présente les pondérations axi obtenues en
utilisant la méthode de Dolph-Tchebycheff et le
résultat d’apprentissage des pondérations axi avec
NLSlim=-40dB.
Donc le modèle neural va mémoriser les pondérations
axi qui permettent d’avoir un diagramme de
rayonnement synthétisé que s’approche le maximum
possible de diagramme de rayonnement désiré
Fd (θ , ϕ ) .
5.2. Phase d’utilisation
Une fois l’apprentissage est terminé, nous avons
généré plusieurs niveaux maximaux de lobes
secondaires afin de valider le modèle obtenu par le
réseau de neurones.
Figure 10. Diagrammes de rayonnements synthétisé de
réseau d’antennes linéaires de 20 éléments rayonnants
en utilisant le modèle neural (NLSlim =-40dB,
φ0=90°, ∆x= 0.5λ )
Excitations (axi)
z
Réseau d’antennes
sur
Réseau de
neurones
y non bouclé
x
∆y
W1 W2 W3 Wn
Σ
Fn (θ , ϕ )
_
Bruit de Mesure
+
F (θ , ϕ )
Apprentissage
Figure 11. Identification d’un modèle neural interne
d’un système dynamique
La figure 10 présente le résultat de synthèse de
diagramme de rayonnement en utilisant les
pondérations axi d’apprentissage de réseaux de
neurones avec NLSlim = - 40dB.
On peut donner deux raisons pour lesquelles on a
choisi de ne considérer que les pondérations axi
comme paramètres de synthèse : Le raison
technologique ; souvent, la géométrie du réseau est
fixée ou imposée.
Si le réseau est linéaire ou plan, on suppose à priori
que les sources sont équidistantes pour des raisons
pratiques de réalisation.
De plus, la distance inter-sources ne peut pas prendre
des valeurs trop grandes ou trop petites à cause des
lobes de réseaux. Si le réseau est conforme, on doit
respecter la contrainte qui veut que la source reste sur
le support.
La deuxième raison est la complexité dans la méthode
de synthèse, le paramètre distance entre la source et
l'origine intervient dans un terme de déphasage, et
plus particulièrement comme argument d'une
exponentielle complexe. Les méthodes de synthèse
utilisant ce paramètre comme variable seront donc
obligatoirement non-linèaires. Au contraire, le
paramètre pondération apparat dans le diagramme de
rayonnement de façon linéaire.
Pour ces deux raisons essentielles, on a choisi de ne
considérer, dans un premier temps, que les
pondérations complexes affectées aux sources comme
variables à optimiser.
-5-
 SETIT2007

6. Conclusion AUTHORS’ BIOGRAPHIES

Dans cet article nous avons développé la Ridha Ghayoula received the degree in automatic
technique de l’optimisation de synthèse de diagramme electric engineering in 2002 and the M.Sc. degrees
in electronics device from El-manar University -
de rayonnement seulement à partir de pondérations. Sciences’ faculty of Tunis, Tunisia, in 2005. He is
Nous avons utilisé le réseau de neurones multicouches currently working toward the Ph.D. degree in
de type Feedforward, et en particulier, le perceptron electrical engineering at the Sciences’ faculty of
multicouche MLP, car ce type est adapté dans notre Tunis. His research interests include smart
antennas, neural network applications in antennas, adaptive arrays
travail. and microwave integrated circuits.
Au cours de cette étude, nous nous sommes intéressés
au réseau d’antennes linéaires, particulièrement à leur Najib Fadlallah received the degree in
modélisation et optimisation par le réseau de Telecommunications engineering from the
University of Montreal- POLYTECHNIQUE –
neurones. Canada in 1997 and M. Sc. of High Frequency
L’approche neuronale réduit à l’extrême le temps Electronics & Optoelectronics in 2002 and the
de calcul lors de la phase d’utilisation ou de Ph.D. degree in 2005 from Limoges University
généralisation. La précision du modèle construit – France. Since 2005, he was with the
Department of GRIT at the Lebanese university (Institute of
dépend de la base de donnée de l’apprentissage. Technology). His current research interests include antennas, array
Cependant, les réseaux de neurones multicouches signal processing, smart antennas, and neural network synthesis
présentent l’inconvénient de la lenteur due à la phase beamforming model for adaptive antenna arrays.
d’apprentissage, et l’absence d’une règle générale
Ali Gharsallah received the degree in radio-
pour définir l’architecture du réseau. electrical engineering from the Ecole Supérieure
de Télécommunication de Tunis in 1986 and the
Ph.D. degree in 1994 from the Ecole Nationale
REFERENCES d’Ingénieurs de Tunis. Since 1991, he was with
the Department of Physics at the Faculty of
Sciences, Tunis. His current research interests
[1] Jean-Michel FLEURIAULT « Synthèse du diagramme include antennas, array signal processing, multilayered structures
de rayonnement d'un réseau de sources ». THESE and microwave integrated circuits.
L'UNIVERSITEDE RENNES I ,1996
Mohamed Rammal received the degree in
[2] L .MERAD , S.M. MERIAH et F.T. BENDIMERAD
Telecommunications engineering from the
« Application des Réseaux Neuronaux pour la Lebanese University– Beyrouth in 1988 and M.
Modélisation et l’Optimisation de Réseaux d’Antennes Sc. of High Frequency Electronics &
Imprimées » Université Abou-Bekr Belkaïd – Optoelectronics in 1990 and the Ph.D. degree in
1993 from Limoges University – France. Since
Tlemcen.2004
2005, he was with the Department of GRIT at
[3] Najib FADLALLAH “Contribution à l’optimisation de the Lebanese university (Institute of Technology). His current
la synthèse du lobe de rayonnement pour une antenne research interests include antenna arrays synthesis, smart antennas,
intelligente. Application à la conception de réseaux à and neural network Synthesis beamforming model for adaptive
antenna arrays.
déphasage » thèse -2005
[3] I.J. BAHL, P. BHARTIA, “ Microstrip antennas “,
Artech House, USA, 1980.
[4] Y. CHUNYANG, G. DEYUAN, W. WENBING, “Non
uniform linear antenna array optimization –genetic
algorithm approach “, ISAE’97 proceeding, 1997.
[5] B. MULLER, J. REINHARDT, M. T STRCKLAND,
“Neural networks an introduction “, Springer-verlang,
Berlin Heidlberg, 1995.
[6] Mohamed KRID - mémoire de mastère
« Implémentation sur FPGA de systèmes universels à
réseaux de neurones » ENIS 2005.
[7] Y. HAMMOU, M. ZERIKAT, A. BELAIDI,
“Application des réseaux de neurones pour
l’identification d’un moteur à courant continu en vue de
soncontrôle “,COMAEI’96, Tlemcen, 1996.
[8] MIODRAG, MIKAVICA, ALEKSANDAR, NESIC,“
CAD for linear and planar antenna arrays of
variousradiating elements “, Artech House, Inc, 1992.
[9] H. DEMUTH, M. BEALE, « Neural network toolbox
for use with Matlab », Users guide, mathworks, 1997.
[10] F. SAGNARD, B. UGUEN, G. EL ZEIN « Etude de
l’émission et de la réception de signaux pulsionnels
par des antennes Ultra large bande : modélisation et
expérimentation » IETR-UM-2005

-6-

View publication stats