Vous êtes sur la page 1sur 27

1.

Transmission numerique en bande de base


2. Transmission numérique en bande transposee
3. codage/decodage de l’information
NB : compléter ce document et le remettre en version électronique à la fin de la séance

 SUP’COM 2018
TP N°1 : Transmission numérique en bande de base

Kachouri Mehdi 18/11/2018


Nom et Prénom de l’étudiant(e) Date

Nom et Prénom de l’enseignant(e) Note finale

1. Objectif :
Ce TP a pour objectif d’étudier avec l’utilisation de MATLAB, chaque bloc, représenté dans
la Figure 1, constituant une chaîne de transmission numérique en bande de base.

B(t)

C odage ak e(t) r(t) z(t) âk


Source b ina ire g(t) gr(t)
de G ray
t0+kT
Filtre de mise Filtrage
en forme adapté

FIG URE 1 – C ha îne de tra nsmission numérique en ba nde de ba se

2. Introduction :
Nous souhaitons transmettre sur un canal de type BBAG (Bruit Blanc Additif Gaussien) une
suite de symboles { a k } d’information à la cadence 1/T, T étant la durée d’un bit ou d’un
symbole.

Avant d’être émise sur le canal physique, cette suite est mise en forme par le biais d’un
filtre linéaire analogique de mise en forme g(t). Ainsi, le signal analogique émis e(t) est le
suivant :
e ( t )=∑ ak g (t−kT ) (1)
k

Le signal reçu, r(t), après le passage du signal émis e(t) dans le canal est donné par :
r ( t ) =e ( t ) +B (t) (2)
où B(t) est le BBAG.

Page 2 sur 27
3. Travail demandé :

Partie 1 : Durée estimée (30mn)


Note :       /1pt
1. Générer à l’aide de la fonction Matlab “randint” N échantillons (quelconque) d’une source
binaire où N est le nombre de bits à émettre. Les N échantillons seront stockés dans un
vecteur ligne. Représenter quelques périodes du signal et uploader la courbe dans la zone
réservée et commenter le résultat.
%Données de l’énoncé
N=5;
Tb=1;
M=2;
A=4;
F=8;
x=-A;
fe=F/Tb;
%1)
Sb=randi([0,1],N,1);
figure
plot(Sb);

Insérer votre courbe

En fait, on a généré aléatoirement à l’aide de la fonction randin un vecteur ligne composé de N=5 bits

Insérer votre commentaire

Note :       /1pt


2. Effectuer, l’opération de codage de Gray, avec les fonctions de MATLAB, de la source
binaire en symboles ak dans l’alphabet M-aire { ± A ,± A 3, ….. , ±(M −1) A } où A est un réel

Page 3 sur 27
strictement positif permettant de contrôler l’énergie moyenne transmise par bit. Dans la
suite, nous nous limitons au cas binaire M = 2.

On doit convertir le signal en temps discret composé des symboles a k en un signal


analogique :
a ( t )=∑ a k g( t−kT ) (3)
k

où δ (t) est l’impulsion de Dirac et T correspond à la durée d’un bit.

Ensuite, nous proposons d’échantillonner ce signal à la fréquence d’échantillonnage égale à


fe =F/T où F est le facteur de sur échantillonnage que l’on fixera à 8. Échantillonner le
signal a(t) à fe = F/T revient à insérer F-1 zéros entre deux symboles consécutifs.

Représenter le signal discret ainsi obtenu (utiliser la fonction “scatter” de Matlab).

g=zeros(1,N);
for i=1:N
if(Sb(i)==1)
g(1,i)=A;
else
g(1,i)=-A;
end
end

a=[];
for k=1:N-1
a=[a g(1,k) zeros(1,7)];
end
a=[a g(1,N)];

t=1:(N-1)*(F-1) +N;
scatter(t,a)
Le but de sur-échantillonner le signal est de diminuer le bruit présent dans la bande utile et
d'augmenter le rapport signal sur bruit

Page 4 sur 27
Insérer votre courbe

Partie 2 : Durée estimée (60mn)

On désire simuler un filtre dit filtre de mise en forme en racine de cosinus surélevé,
couramment utilisé dans les chaînes de transmissions numériques. Sa réponse
impulsionnelle a pour expression :

(4)
Où α est dit coefficient de retombé (roll-off) compris entre 0 et 1. On fixera T b = 1s
(durée d’un bit). Il est à noter que g(t) est de durée infinie et présente trois formes
indéterminées en t = 0 et
t = ±Tb/4 α .

Note :       /2pt


1. Calculer les limites correspondantes par développement limité ou en utilisant la fonction
“limit” de Matlab. Étudier cette fonction pour l’utiliser ultérieurement.

alpha1=0.1;
alpha2=0.25;
alpha3=0.9;

syms t ;
f1=filtre(Tb,alpha1,t) ;
f2=filtre(Tb,alpha2,t) ;
f3 = filtre(Tb,alpha3,t ) ;

%pour alpha1 ,on definit les limittes


L11=eval(limit (f1,t,0));
L12=eval(limit(f1,t,(Tb/(4*alpha1))));
L13=eval(limit(f1,t,(-Tb/(4*alpha1)))) ;
%pour alpha2,on definit les limittes
L21=eval(limit (f2,t,0));
L22=eval(limit(f2,t,(Tb/(4*alpha2))));
L23=eval(limit(f2,t,(-Tb/(4*alpha2))));
%pour alpha3,on definit les limittes
L31=eval(limit (f3,t,0));
L32=eval(limit(f3,t,(Tb/(4*alpha3))));
L33=eval(limit(f3,t,(-Tb/(4*alpha3))));

Page 5 sur 27
Dans un fichier filtre.m :
function [g ] = filtre( Tb, alpha,t)
g=(1/sqrt(Tb))*((sin((pi*t/Tb)*(1-alpha))+((4*alpha*t/Tb).*cos((pi*t/Tb)*(1+alpha))))./
((pi*t/Tb).*(1-(4*t*alpha/Tb).^2)));
end

Insérer votre commentaire

Note :       /2pt


2. Pour les valeurs de α = 0.1, 0.25 et 0.9, stocker dans un vecteur ligne les échantillons
de la troncature de g(t) sur [−KTb, KTb] où K = 8. Tracer et commenter sur la même figure
l’évolution des échantillons du filtre g(t) en fonction du temps pour les différentes valeurs
de α (fonction “subplot” de MATLAB).
K=8 ;
axe=-K*Tb:1/K:K*Tb ;

v1=filtre(Tb,alpha1,axe) ;
v2=filtre(Tb,alpha2,axe) ;
v3=filtre(Tb,alpha3,axe) ;

v1(find(axe==0))=L11;
v1(find(axe==Tb/(4*alpha1)))=L12 ;
v1(find(axe==-Tb/(4*alpha1)))=L13 ;

v2(find(axe==0))=L21;
v2(find(axe==Tb/(4*alpha2)))=L22 ;
v2(find(axe==-Tb/(4*alpha2)))=L23 ;

v3(find(axe==0))=L31;
v3(find(axe==Tb/(4*alpha3)))=L32 ;
v3(find(axe==-Tb/(4*alpha3)))=L33 ;

figure (1)
plot(axe,v1, 'blue')
xlabel ('g(t)')
ylabel ('t')
title ('Evolution de l echantillon g(t) en fonction du temps')
hold on ;
plot(axe,v2,'green')
plot(axe,v3,'red')

Page 6 sur 27
Insérer votre courbe

On définit en premier lieu l’axe du temps puis on ajoute les valeurs


indéterminées trouvées par développement limité à g(t) et on dessine les 3
courbes.

Insérer votre commentaire

Note :       /1pt


3. Vérifier que l’énergie du filtre échantillonné g(t) vaut F.

E1=sum(v1.^2)
E2=sum(v2.^2)
E3=sum(v3.^2)

On remarque que E1~= E2~=E3 ~=8=F


Insérer votre commentaire

Page 7 sur 27
Note :       /2pt
4. Générer une version échantillonnée du signal émis, e(t), en effectuant la convolution
discrète des versions échantillonnées de a(t) et g(t). On utilisera la commande Matlab
“conv”.

ech1=conv (v1, a);


ech2=conv (v2, a);
ech3=conv (v3, a);
figure (2)
plot(ech1,'blue');
xlabel ('e(t)')
ylabel ('t')
title ('Evolution de l echantillon e(t) en fonction du temps')
hold on
plot(ech2,'green');
plot(ech3,'red') ;

Insérer votre courbe

Partie 3 : Durée estimée (30mn)


Note :       /1pt
1. Étudier la fonction “randn” de Matlab. Déduire comment on peut générer un bruit
Gaussien de moyenne nulle et de variance σ 2 quelconque.
Br =randn (1,length(a));

Insérer votre commentaire

Note :       /1pt


2. Utiliser cette fonction pour générer des échantillons d’un bruit B k discret, Gaussien et de
variance N0/2. La valeur de N0 sera déduite de la valeur en décibel de E b/N0 qu’on désire
simuler.

Page 8 sur 27
RSB=5;
%(A*A*F) energie par bit
%10^(-RSB/10) RSB en dicibels
N0=(A*A*F)/10^(-RSB/10);
Br=sqrt(N0/2)*Br;
figure
plot(Br)

Insérer votre commentaire

Partie 4 : Durée estimée (60mn)


Note :       /2pt
1. Tracer le diagramme de l’œil pour α = 0.1, 0.25 et 0.9. On rappelle que le diagramme
de l’œil s’obtient en superposant toutes les traces de la sortie du filtre adapté en absence
de bruit (utiliser la fonction MATLAB eyediagram). Interpréter l’ouverture horizontale du
diagramme de l’œil en fonction de la valeur du coefficient de retombée.

Nb :je n’ai pas pu utiliser la fonction eyediagram correctement donc j’ai opté pour une autre solution

tabalpha=[0.1 0.25 0.9];


tabK=[8 4 2];

for k=1:3
alpha=tabalpha(k);
K=8;
for i=1:50
R=randi([0,1],N,1);;
R1=(2*R-ones(1,N))*A;
S=[];
for i=1:1:length(R1)
S=[S R1(i) zeros(1,F-1)];

Page 9 sur 27
end
syms t;
f1=filtre(1,alpha,t);
%Les limites:
l0=eval(limit(f1,t,0));
l1=eval(limit(f1,t,Ts/(4*alpha)));
l2=eval(limit(f1,t,-Ts/(4*alpha)));
%Déterminer les cas extremes:
axe=-K*Tb:Tb/F:K*Tb;
v1=filtre(1,alpha,axe) ;
v1(find(axe==0))=l0;
v1(find(axe==Tb/(4*alpha)))=l1 ;
v1(find(axe==-Tb/(4*alpha)))=l2 ;
%Détermination de r(t) et z(t)
r1=conv(S,v1); % r(t) : le signal après la mise en forme avec le filtre adapté
z1=conv(r1,v1); % z(t): le signal après le filtre de réception
tz=-length(z1)/2:(length(z1)-1)/2;
figure(k)
plot(tz,z1);
hold on;

end
end

Et donc on obtient ces trois courbes avec alpha respectivement égale à


0.1 0.25 et 0.9 :

Page 10 sur 27
On remarque que plus alpha s’approche de 1 plus le diagramme d’œil est plus
décontracté.
Note :       /2pt
2. Étudier l’effet de l’interférence entre symboles à travers la fermeture verticale du
diagramme de l’œil pour une troncature très sévère du filtre de mise en forme g(t). On
rappelle qu’en pratique le critère de Nyquist n’est vérité qu’approximativement pour des
grandes valeurs de K. Prendre par exemple K = 2 et K = 4 pour α = 0, 25.

En fait, il s’agit du même code précédent juste en modifiant son


début :
tabalpha=[0.1 0.25 0.9];
tabK=[8 4 2];

for k=1:3
K=tabK(k); //les modifications
alpha=0.25; //les modifications
for i=1:50
R=randi([0,1],N,1);;
R1=(2*R-ones(1,N))*A;
S=[];
for i=1:1:length(R1)
S=[S R1(i) zeros(1,F-1)];
end

Page 11 sur 27
syms t;
f1=filtre(1,alpha,t);
%Les limites:
l0=eval(limit(f1,t,0));
l1=eval(limit(f1,t,Ts/(4*alpha)));
l2=eval(limit(f1,t,-Ts/(4*alpha)));
axe=-K*Tb:Tb/F:K*Tb;
v1=filtre(1,alpha,axe) ;
v1(find(axe==0))=l0;
v1(find(axe==Tb/(4*alpha)))=l1 ;
v1(find(axe==-Tb/(4*alpha)))=l2 ;
r1=conv(S,v1); % r(t) : le signal après la mise en forme avec le filtre adapté
z1=conv(r1,v1); % z(t): le signal après le filtre de réception
tz=-length(z1)/2:(length(z1)-1)/2;
figure(k)
plot(tz,z1);
hold on;

end
end

Insérer votre courbe

 Conformément à l’énoncé, on remarque que l’interférence


entre symboles (IES) augmente plus lorsque on diminue
davantage K(en allant de la figure 1 qui correspond à K=8
jusqu’à K=2 dans la figure 3)

Page 12 sur 27
Note :       /2pt
3. Générer le signal filtré décimé d’un facteur F servant à la prise de décision. L’instant
d’échantillonnage t0 doit correspondre à l’ouverture maximale du diagramme de l’œil. Le
filtre g(t) étant non causal, on devrait le retarder lors de l’implémentation sous Matlab. Ce
qui fait que la sortie du filtre de mise en forme est retardée de la moitié de la taille du filtre
g(t). De même pour le filtre adapté. Ainsi l’instant d’échantillonnage t 0 vaut la taille du filtre
g(t) en nombre d’échantillons. Autrement dit, la variable de décision permettant d’estimer
le premier symbole émis se trouve à l’indice taille du filtre g(t) en nombre d’échantillons.
Pour récupérer le symbole suivant, il suffit d’avancer d’une période symbole, c’est-à-dire de
F échantillons.

Insérer votre courbe

Insérer votre commentaire

Note :       /1pt


5. Vérifier qu’en absence de bruit, la variable de décision correspondante au symbole a n
vaut :

(5)

Insérer votre commentaire

Page 13 sur 27
Note :       /2pt
6. Générer des échantillons du signal reçu bruité : z(t) = e(t) ∗ gr(t) + b(t).

Insérer votre courbe

Insérer votre commentaire

Page 14 sur 27
Annexe : Fonction générant la réponse impulsionnelle d'un filtre en racine de
cosinus surélevé

function y = RRCF(x, T, RollOff)

if (RollOff == 0),
if (x == 0),
y = 1/sqrt(T);
else
y = (1/sqrt(T))*sin(pi*x/T)/(pi*x/T);
end
else
z = pi/(4*RollOff);
if (x == 0),
y = ((1 - RollOff) + 1/z)/sqrt(T);
elseif (x == T/(4*RollOff)) | (x == -T/(4*RollOff)),
y = ((cos(z)*(pi/2-1)+sin(z)*(pi/2+1))/(2*sqrt(2)*z))/sqrt(T);
else
y = sin(pi*(x/T)*(1-RollOff))+4*RollOff*(x/T)*cos(pi*(x/T)*(1+RollOff));
y = y / (pi*(x/T)*(1-(4*RollOff*(x/T))^2));
y = y/sqrt(T);
end
end

Page 15 sur 27
TP N°2 : TRANSMISSION NUMERIQUE EN BANDE TRANSPOSEE

Kachouri Mahdi 22/09/2018


Nom et Prénom de l’étudiant(e) Date

Nom et Prénom de l’enseignant(e) Note finale

1. Objectif :
L’objectif de ce TP est d’étudier les performances des modulations MDA-2, MDA-4 et 8-PSK
par le biais de la simulation sous Matlab.

2. Travail demandé :

Partie 1 : Modulation numérique MDA-2 (Durée estimée, 60mn)


Considérons la chaîne de transmission définie par :

On rappelle l’expression de la réponse impulsionnelle d’un filtre en racine de cosinus


surélevé :

On fixera Ts=1s.

Page 16 sur 27
Note :       /2pt
1- En utilisant la fonction Matlab « sign », effectuer la prise de décision
N=1000;
F=8;
A=2;
alpha=0.22;
Ts=1;
Tb=1;
K=F/Ts;
aint = randi([0,1],1,N);
aMod=(2*aint-ones(1,N))*A;
aSurEch=[];
for m=1:1:length(aMod)
aSurEch=[aSurEch aMod(m) zeros(1,F-1)];
end
syms t;
f1=filtre(1,alpha,t);
l0=eval(limit(f1,t,0));
l1=eval(limit(f1,t,Ts/(4*alpha)));
l2=eval(limit(f1,t,-Ts/(4*alpha)));
axe=-K*Tb:Tb/F:K*Tb;
v1=filtre(1,alpha,axe);
v1(find(axe==0))=l0;
v1(find(axe==Ts/(4*alpha)))=l1;
v1(find(axe==-Ts/(4*alpha)))=l2;
e=conv(aSurEch,v1);
Bruit = randn(1,length(e));
BruitMod=conv(Bruit,v1);
z = conv(e,v1) + BruitMod;
t0=length(v1);
aRecuAnal = [];
for j = 1 : N
aRecuAnal = [aRecuAnal z(t0 + (j-1)*F)];
end
aRecu = (sign(aRecuAnal)+ones(1,N))./2;

Insérer votre commentaire

Note :       /2pt


2- Évaluer, par simulation, le Taux d’Erreur Binaire (TEB) sur les symboles a k. Vérifier que le
TEB est nul pour N0=0

for m=1:N
if (aRecu(m)-aint(m)==0)
continue;

else
erreur=erreur+1;
end
end

Page 17 sur 27
TEB=erreur/N ;

On verifie bien qu’il est nul pour N0=0


Insérer votre commentaire

Note :       /2pt


3. Tracer l’évolution de la probabilité d’erreur de la MDA-2 en fonction de E b/N0 en décibels.
On rappelle que la probabilité d’erreur symbole Pes de la MDA-2 est égale à la probabilité
d’erreur bit Peb et vaut :

où erfc(.) est la fonction erreur complémentaire. Utiliser la fonction Matlab « erfc » pour
calculer Peb pour Eb/N0 allant de 0 à 5 dB avec un pas égal à 0.1 dB. La figure 2 illustre
l’évolution de Peb en fonction de E b/N0.
On représentera l’axe des ordonnées en échelle logarithmique grâce à la commande Matlab
« semilogy ».

Eb/N0 (dB) 0 1 2 3 4 5

0.078649603 0.056281951 0.037506128 0.022878407 0.012500818


525143 976541 358926 561085 040738 0.005953867
Peb 147779

Insérer les données du Tableau

SNRdB=0:1:5; %SNRdb=Eb/N0 en dB
for i=1:1:length(SNRdB)
Eb=A^2*F;
N0=Eb*10^(-SNRdB(i)/10);
sigma=sqrt(N0/2);
B=sigma*randn(1,length(e));
r=e+B;
z=conv(r,v1);
t0=length(v1); % t0=129;
PEB2(i)=0.5*erfc(sqrt(Eb/N0));
end
figure (1)
semilogy(SNRdB,PEB2,'red');
title 'PEB(SNRdB)'
xlabel '(Eb/N0)en dB'
ylabel 'Probabilité d erreur'

Page 18 sur 27
Insérer votre courbe

On a une courbe décroissante : Plus SNR est grand plus la probabilité d’erreur est faible

Note :       /1pt


4- Superposer cette courbe théorique au TEB mesuré lors des simulations pour Eb/N 0 allant
de 0dB à 5 dB avec un pas égal à 0,5 dB. On simulera la transmission de N=10 5 symboles
ce qui permet d’avoir une bonne précision de la simulation de P eb.

Figure 2 : Probabilité d’erreur binaire théorique et par simulation de la modulation MDA-2


Superposer courbe

Page 19 sur 27
On voit clairement que la différence entre le théorique et le pratique est faible (grâce au zoom figure 2 ) donc
on a bien modéliser les choses.

Partie 2 : Modulation numérique MDA-4 (Durée estimée, 60mn)


Il s’agit de modifier la chaîne de simulation réalisée sous Matlab lors de la partie 1 pour
étudier la modulation MDA-4.

Note :       /2pt


1. Modifier la source : coder une source binaire uniforme en symboles MDA-4 selon le
codage de gray. On utilisera l’alphabet suivant : {±1, ±3}.

N =1000;
F=8 ;
Tb= 1;
fe = F/Tb ;
R =randi([0,1],1,N)
A=1 ;
j=0;
W=[];
%effectuer le codage de gray pour MDA-4(MAPPING)
for i=1:2:length(R)
j=j+1;
if (R(i)==0 && R(i+1)==0)%00-->-3A
W(j)=-3*A;
elseif (R(i)==0 && R(i+1)==1)
W(j)=-1*A;%01-->-3A
elseif (R(i)==1 && R(i+1)==1)
W(j)=A;%11-->A
else
W(j)=3*A;%10-->3A
end
end

Page 20 sur 27
On verifie bien que le codage est correct
Insérer votre commentaire

Note :       /2pt


2. Utiliser le même filtre g(t) définie dans la partie 1 pour générer et tracer une version
échantillonnée du signal émis,

S=[];
for i1=1:length(W)
S=[S W(i1) zeros(1,F-1)];%faire un surechantillonnage
end
scatter(1:length(S),S)

Insérer courbe

Note :       /2pt

Page 21 sur 27
3. Simuler le taux d’erreur binaire de la chaîne MDA-4 pour Eb/N0 variant de 0 à 5dB.
Comparer ce résultat à l’expression théorique de la probabilité d’erreur de la MDA-2 et
MDA-4 :

Figure 3 : Probabilité d’erreur binaire théorique et par simulation de la modulation MDA-2 et MDA-4
Superposer courbe

Page 22 sur 27
alpha1=0.22;
syms t ;
f1=filtre(1,alpha1,t) ; %cree le filtre
%definir les limittes
L11=eval(limit (f1,t,0));
L12=eval(limit(f1,t,(Tb/(4*alpha1))));
L13=eval(limit(f1,t,(-Tb/(4*alpha1)))) ;
K=8 ;
axe=-K*Tb:1/K:K*Tb ;
v1=filtre(1,alpha1,axe) ; %cree le filtre
%associer les valeurs de cette limitte au filtre
v1(find(axe==0))=L11;
v1(find(axe==Tb/(4*alpha1)))=L12 ;
v1(find(axe==-Tb/(4*alpha1)))=L13 ;
figure(2)
plot(axe,v1) %dessiner le filtre en cosinus sureleve
%Question4
SNRdB=0:0.5:5;
for l=1:length(SNRdB)
e=conv(S,v1);
Es=5*A^2*F; %5=(m^2-1)/3 ou m=4
Eb=Es/2; %d'apres le cour on a eb=ES/log2(M);
N0=Eb*10^(-SNRdB(l)/10);
sigma=sqrt(N0/2);
b=sigma*randn(1,length(e));
r=e+b;
z=conv(r,v1);
t0=length(v1);
for i2=1:N/2
zk(i2)=z(t0+(i2-1)*F); %faire un sous-echantillonage et prendre seulement les
%echantillon qu'on a besoin
end
xk=[];
%prise de descision
for i3=1:length(W)
if ((zk(i3)/8)<-2*A) %correspond a -3A -->00 on divise par 8=f car le signal
%est mutiplie par sqrt(f)^2
xk=[xk 0 0];
elseif ((zk(i3)/8)>=-2*A && (zk(i3)/8)<=0) %correspond a-A-->01
xk=[xk 0 1];
elseif ((zk(i3)/8>0) && (zk(i3)/8)<2*A) %correspond a +A-->11
xk=[xk 1 1];
else
xk=[xk 1 0]; %correspond a +3A-->10
end
end
erreur=0;
for i4=1:N
if (xk(i4) ~= R(i4)) %signal emis <> signal recu alors erreur++
erreur=erreur+1;
end
end
TEB(l)=erreur/N;
PEB(l)=(3/8)*erfc(sqrt((6*Eb)/(15*N0))); %M=4
end

figure(3)
semilogy(SNRdB,PEB,'red');
hold on
semilogy(SNRdB,TEB,'green');
title 'Variation de TEB et PEB en fonction de SNRdB'
xlabel '(Eb/N0)dB'

Page 23 sur 27
ylabel 'Probabilité et Taux d"erreur'
legend('PEB','TEB');

Insérer votre commentaire

Partie 3 : Modulation numérique 8-PSK (Durée estimée, 60mn)


On considère la constellation 8-PSK dans laquelle chaque symbole d k est codé comme suit :

Note :       /1pt


1. Dessiner la constellation 8-PSK, en proposant un étiquetage binaire suivant le codage de
Gray.

Superposer courbe

Insérer votre commentaire

Note :       /1pt


2. Calculer l’énergie par symbole Es ainsi que l’énergie par bit Eb pour la modulation 8-PSK.

Insérer votre commentaire

Page 24 sur 27
Note :       /1pt
3. Soit S un vecteur de données binaires de longueur 10 4, procéder au codage de Gray de
cette séquence suivant la modulation 8-PSK.

Insérer votre commentaire

Note :       /1pt


4. On considère le filtre de mise en forme g(t) précédant. Les symboles sont entachés d’un
bruit additif Gaussien centré B(t) et de variance N 0. Générer les échantillons du signal z(t) à
la sortie du filtre adapté.

Superposer courbe

Insérer votre commentaire

Note :       /1pt


5. Effectuer la prise de décision sur les symboles avec le maximum de vraisemblance.

Insérer votre commentaire

Page 25 sur 27
Note :       /1pt
6. Évaluer puis tracer le Taux d’Erreur Symbole (TES) et le Taux d’Erreur Binaire (TEB) pour
un rapport signal sur bruit (E b/N0) variant entre 0 et 10dB pour un pas de1dB. Interpréter les
résultats.

Superposer courbe

Insérer votre commentaire

Note :       /1pt


7. Vérifier que le Taux d’Erreur Symbole (TES8-PSK) théorique dans le cas d’une modulation
de type 8-PSK, vérifie la formule suivante :

Insérer votre commentaire

Page 26 sur 27
Page 27 sur 27