Vous êtes sur la page 1sur 25

Sommaire

Introduction
Emetteur
Canal
Communications numériques Récepteur
Hypothèses du cours
AIR 2
Codage en ligne
Transmission en bande de base Conversion bits/symboles
Mise en forme
Propriétés des signaux en bande de base

Laurent Oudre Transmission en absence de bruit


laurent.oudre@univ-paris13.fr Hypothèses
Interférences entre symboles
Réception en absence de bruit

Transmission en présence de bruit blanc additif gaussien


2014-2015 Hypothèses
Récepteur optimal
Réception en présence de bruit

Transmission sur un canal à largeur de bande limitée

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 1 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 2 / 99

Introduction Introduction

Sommaire Chaı̂ne de transmission idéale : rappel

Introduction
Emetteur
Canal
Récepteur
Hypothèses du cours

Codage en ligne dn e(t) Canal de r (t) d̂n


Emetteur Récepteur
transmission
Transmission en absence de bruit

Transmission en présence de bruit blanc additif gaussien

Transmission sur un canal à largeur de bande limitée

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 3 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 4 / 99
Introduction Emetteur Introduction Emetteur

Chaı̂ne de transmission idéale : emetteur Emetteur : différentes étapes

dn e(t) Canal de r (t) d̂n dn ak Filtre de x(t) e(t)


Emetteur Récepteur Conversion
transmission mise en Modulation
bits/symboles
forme he (t)

Emetteur : transformer le signal numérique dn en un signal physique e(t) (onde


électromagnétique, signal électrique, etc...) qui puisse être transmis sur le canal de Emetteur
transmission
◮ Transmettre le maximum de données avec une fiabilité maximale Conversion bits/symboles (transcodage) :
◮ S’adapter au canal de transmission utilisé ◮ Modification de la taille de l’alphabet
◮ Modification du rythme

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 5 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 6 / 99

Introduction Emetteur Introduction Emetteur

Emetteur : différentes étapes Emetteur : différentes étapes

dn ak Filtre de x(t) e(t) dn ak Filtre de x(t) e(t)


Conversion Conversion
mise en Modulation mise en Modulation
bits/symboles bits/symboles
forme he (t) forme he (t)

Emetteur Emetteur

Mise en forme : Modulation :


◮ Transformation du signal numérique en un signal physique ◮ Adaptation au canal de transmission (bande passante)
◮ Choix du filtre de mise en forme dépend de la largeur de bande souhaitée, de ◮ Large choix de possibilités : dépend de la puissance, de la probabilité d’erreur
la présence de raies à la fréquence d’horloge... acceptable...

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 7 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 8 / 99
Introduction Canal Introduction Canal

Chaı̂ne de transmission idéale : canal Canal : différentes étapes

dn e(t) Canal de r (t) d̂n e(t) e ′ (t) r (t)


Emetteur Récepteur Filtre de Bruit
transmission canal hc (t) additif b(t)

Canal de transmission : câbles coaxiaux, paires torsadées, réseau hertzien,


infrarouge, fibres optiques,.... Canal de transmission
◮ Proprietés physiques différentes selon le canal utilisé : bande passante, débit
maximal, etc... Filtre de canal hc (t)
◮ Eventuellement source d’erreurs (bruit, perte de données, etc...) ◮ Dépend à priori du temps et de la fréquence
◮ Canal idéal : Hc (f ) constant

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 9 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 10 / 99

Introduction Canal Introduction Récepteur

Canal : différentes étapes Chaı̂ne de transmission idéale : récepteur

e(t) Filtre de e ′ (t) Bruit r (t) dn e(t) r (t) d̂n


Canal de Récepteur
canal hc (t) additif b(t) Emetteur
transmission

Récepteur : transformer le signal physique reçu r (t) pour retrouver le signal


Canal de transmission
numérique envoyé d̂n
◮ Echantillonnage, détection, élimination du bruit
Bruit additif b(t) ◮ Parfois difficile s’il y a eu des erreurs de transmission
◮ Souvent supposé bruit blanc additif gaussien indépendant du signal
Γb (f ) = N20

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 11 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 12 / 99
Introduction Récepteur Introduction Récepteur

Récepteur : différentes étapes Récepteur : différentes étapes

r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage
r (t) y (t) Filtre de z(t) hr (t)
Démodulation réception Echantillonage
hr (t) zk = z(kT )

zk = z(kT )
Décodage Décision
d̂n âk
Décodage Décision
d̂n âk
Récepteur

Récepteur
Filtre de réception :
Démodulation : inverse de l’étape de modulation ◮ Adapté au filtre de mise en forme utilisé lors de l’émission
◮ Vise à minimiser les interactions entre symboles et à maximiser le rapport
signal sur bruit

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 13 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 14 / 99

Introduction Récepteur Introduction Récepteur

Récepteur : différentes étapes Récepteur : différentes étapes

r (t) y (t) Filtre de z(t) r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage Démodulation réception Echantillonage
hr (t) hr (t)

zk = z(kT ) zk = z(kT )

Décodage Décision Décodage Décision


d̂n âk d̂n âk

Récepteur Récepteur

Echantillonage : Décision :
◮ Transformation du signal physique en signal discret ◮ A partir des valeurs échantillonnées, on retrouve les symboles émis
◮ Nécessite une synchronisation sur le temps d’horloge ◮ Sensible au bruit ajouté par le canal

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 15 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 16 / 99
Introduction Récepteur Introduction Hypothèses du cours

Récepteur : différentes étapes Hypothèses

dn ak Filtre de x(t) e(t)


Conversion
mise en Modulation
bits/symboles
forme he (t)

r (t) y (t) Filtre de z(t) Emetteur On s’interesse ici à la transmission en


Démodulation réception Echantillonage
hr (t) bande de base :
◮ Pas d’étape de
zk = z(kT ) e(t) Filtre de e ′ (t) Bruit r (t) modulation/démodulation
canal hc (t) additif b(t)
◮ Transmission des signaux tels
Décodage Décision
Canal de transmission quels, dans la bande de fréquence
d̂n âk originale
On supposera aussi que le canal utilisé
r (t) y (t) Filtre de z(t)
Récepteur Démodulation réception Echantillonage est idéal, invariant, et de gain unitaire
hr (t)

zk = z(kT ) Hc (f ) = 1
Décodage Décision
Décodage : on transforme les symboles détectés en bits d’information d̂n âk

Récepteur

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 17 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 18 / 99

Codage en ligne Codage en ligne

Sommaire Codage en ligne

Introduction

dn Conversion ak x(t) e(t)


Codage en ligne Mise en forme Modulation
Conversion bits/symboles bits/symboles
Mise en forme
Propriétés des signaux en bande de base

Transmission en absence de bruit Codage en ligne

Transmission en présence de bruit blanc additif gaussien


Codage en ligne :
Transmission sur un canal à largeur de bande limitée
◮ Toutes les étapes en bande de base, avant l’étape de modulation
◮ But : donner de bonnes propriétés au signal physique créé (largeur de bande,
raies ou annulations du spectre à certaines fréquences, etc...)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 19 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 20 / 99
Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles

Emetteur : conversion bits/symboles Débit binaire

1.5 ◮ Entrée : signal binaire initial


dn
dn ak Filtre de x(t) e(t) 1
Conversion
mise en Modulation d = 1010001101 · · ·
bits/symboles
forme he (t)
0.5
◮ Un bit émis toutes les Tb
Emetteur
secondes
0
◮ Débit binaire :
Conversion bits/symboles (transcodage) : 0.5 1
0 1Tb 2Tb 3Tb 4Tb 5Tb 6Tb 7Tb 8Tb 9Tb ... Db = (bits/seconde)
◮ Modification de la taille de l’alphabet Tb
X
◮ Modification du rythme d(t) = dn δ(t − nTb )
n∈Z

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 21 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 22 / 99

Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles

Transcodage : conversion bits/symboles Codage par dictionnaire

◮ Dictionnaire à M symboles (M : valence)


◮ Regrouper les bits m par m et associer un symbole du dictionnaire à chaque
◮ Principe : remplacer les bits ou des groupements de bits par des symboles groupement
◮ Idée : passer de deux valeurs possibles (0 ou 1) à M valeurs possibles ◮ Dans ce cas :
◮ Plusieurs façons de procéder : M = 2m m = log2 M
◮ Codage par dictionnaire : regrouper les bits m par m et associer un symbole à ◮ Exemple avec m = 1 :
chaque groupement
◮ Codage par diagramme d’états 1010001101 −→ 1 0 1 0 0 0 1 1 0 1 −→ 1 −1 1 −1 −1 −1 1 1 −1 1
◮ Codage par équation linéaire
◮ Exemple avec m = 2 :

1010001101 −→ 10 10 00 11 01 −→ 2 2 0 3 1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 23 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 24 / 99
Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles

Codage par dictionnaire Exemples

◮ Plusieurs façons d’attribuer un symbole ak à chaque groupe de m bits


◮ Codage M-aire unipolaire : ◮ Codage binaire unipolaire
ak ∈ {0, 1, · · · , M − 1} dn ak
0 0
◮ Codage M-aire antipolaire :
1 1
ak ∈ {−(M − 1), · · · , −3, −1, 1, 3, · · · , M − 1} (uniquement les valeurs impaires) ◮ Codage binaire antipolaire
dn ak
◮ Exemple avec m = 2 :
0 -1
10 10 00 11 01 −→ 2 2 0 3 1 (unipolaire) 1 1

10 10 00 11 01 −→ 3 3 − 3 1 − 1 (antipolaire)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 25 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 26 / 99

Codage en ligne Conversion bits/symboles Codage en ligne Conversion bits/symboles

Exemples Rapidité de modulation


◮ Si on regroupe les bits m par m, on transmet m fois moins vite. Un symbole
émis toutes les T secondes (période symbole) avec

log2 M
◮ Codage quaternaire antipolaire (ou 2B1Q) T = mTb = log2 M Tb =
Db
dn dn+1 ak
◮ On a un nouveau signal
00 -3
01 -1 X
a(t) = ak δ(t − kT )
11 1
k∈Z
10 3
codage de Grey : un bit de différence entre chaque état ◮ Rapidité de modulation R (débit symbole)

1
R=
T
Db
R= (bauds)
log2 M

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 27 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 28 / 99
Codage en ligne Conversion bits/symboles Codage en ligne Mise en forme

Exemple : codage 2B1Q Emetteur : mise en forme

d
n
1.5

1
dn ak Filtre de x(t) e(t)
Conversion
0.5 mise en Modulation
bits/symboles
0 forme he (t)
0.5
0 1Tb 2Tb 3Tb 4Tb 5Tb 6Tb 7Tb 8Tb 9Tb ...

ak Emetteur

0 Mise en forme :
2 ◮ Transformation du signal numérique en un signal physique
0 1T=2Tb 2T=4Tb 3T=6Tb 4T=8Tb ... ◮ Choix du filtre de mise en forme dépend de la largeur de bande souhaitée, de
la présence de raies à la fréquence d’horloge...
10 10 00 11 01 −→ 3 3 − 3 1 − 1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 29 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 30 / 99

Codage en ligne Mise en forme Codage en ligne Mise en forme

Mise en forme Filtre NRZ (non retour à zéro)

◮ Entrée : suite de symboles M-aires ak . Un symbole émis toutes les T secondes


X 1

a(t) = ak δ(t − kT )
0.8
k∈Z
0.6
Principe : associer un signal physique x(t) à cette suite de symboles en
(

1 si 0 ≤ t < T
convoluant a(t) par la réponse impulsionnelle he (t) d’un filtre de mise en 0.4 he (t) =
0 sinon
forme (aussi appelé filtre d’émission). 0.2

◮ Codes à formant : même filtre de mise en forme pour tous les symboles
0
X
x(t) = a(t) ∗ he (t) = ak he (t − kT ) 0 T

k∈Z

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 31 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 32 / 99
Codage en ligne Mise en forme Codage en ligne Mise en forme

Exemple : Codage binaire unipolaire NRZ Exemple : Codage binaire antipolaire NRZ

1
1
0.8

0.6
0.8
0.4

0.6 0.2

0.4 ✄0.2

✄0.4
0.2 ✄0.6

✄0.8
0
✄1

0 1T 2T 3T 4T ✺T 6T ✼T 8T ✾T 0 1T 2T 3T 4T #T 6T ✁T 8T ✂T

1010001101 −→ 1010001101 1010001101 −→ 1−11−1−1−111−11

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 33 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 34 / 99

Codage en ligne Mise en forme Codage en ligne Mise en forme

Filtre RZ (retour à zéro) Exemple : Codage binaire unipolaire RZ

0.8
0.8

0.6
0.6 (
T
1 si 0 ≤ t < 2
0.4 he (t) = 0.4
0 sinon
0.2
0.2

0
0
0 T✴2 T
0 1T 2T 3T 4T ☎T 6T ✆T 8T ✝T

1010001101 −→ 1010001101

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 35 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 36 / 99
Codage en ligne Mise en forme Codage en ligne Mise en forme

Exemple : Codage binaire antipolaire RZ Filtre biphase Manchester

0.8 1

0.6 0.8

0.6
0.4
0.4
0.2 
0
0.2
1
 si 0 ≤ t < T2
0
✡0.2 ☞0.2 he (t) = −1 si T2 ≤ t < T
✡0.4 ☞0.4

0 sinon

✡0.6 ☞0.6
☞0.8
✡0.8
☞1
✡1 0 T☛2 T
0 1T 2T 3T 4T ✞T 6T ✟T 8T ✠T

1010001101 −→ 1−11−1−1−111−11

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 37 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 38 / 99

Codage en ligne Mise en forme Codage en ligne Propriétés des signaux en bande de base

Exemple : Codage binaire antipolaire Manchester Energie et puissance

1 ◮ Comment évaluer l’énergie totale du signal en bande de base x(t) ?


0.8 Z ∞ Z ∞ X
0.6
Ex = |x(t)|2 dt = | ak he (t − kT )|2 dt
0.4 −∞ −∞ k∈Z
0.2

0 ◮ Si le support temporel de he (t) est égal à T , on a :


✏0.2
Z ∞
✏0.4
X X
✏0.6
Ex = |ak |2 |he (t − kT )|2 dt = |ak |2 Ehe
k∈Z −∞ k∈Z
✏0.8

✏1 ◮ Problème : on ne connait pas les ak a priori car ils sont aléatoires !


0 1T 2T 3T 4T ✌T 6T ✍T 8T ✎T
◮ Solution : au lieu de définir une énergie totale, on va définir une énergie
1010001101 −→ 1−11−1−1−111−11 moyenne

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 39 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 40 / 99
Codage en ligne Propriétés des signaux en bande de base Codage en ligne Propriétés des signaux en bande de base

Energie moyenne par symbole Exemples


◮ Si l’on utilise un dictionnaire à M éléments s1 , · · · , sM , alors l’énergie
correspondant à l’émission du symbole si est
Z ∞
◮ Exemple : dictionnaire binaire antipolaire
Esi = |si he (t)|2 dt = |si |2 Ehe
−∞
1
Esym = Ebit = ((−1)2 + (1)2 )Ehe = Ehe
◮ Si l’on suppose que tous les symboles sont équiprobables, l’énergie moyenne 2
par symbole peut donc être définie comme ◮ Exemple : dictionnaire 2B1Q
M M
1 X 1 X 1
Esym = Esi = |si |2 Ehe Esym = ((−3)2 + (−1)2 + (1)2 + (3)2 )Ehe = 5Ehe
M M 4
i =1 i =1
Esym 5
◮ Comme un symbole correspond à m = log2 M bits, on peut aussi définir Ebit = = E he
l’énergie moyenne par bit comme log2 4 2

M
Esym 1 X
Ebit = = |si |2 Ehe
log2 M M log2 M
i =1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 41 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 42 / 99

Codage en ligne Propriétés des signaux en bande de base Codage en ligne Propriétés des signaux en bande de base

Formules générales Puissance émise moyenne

On peut montrer que pour un dictionnaire M-aire


◮ Chaque symbole est émis durant une période T , donc on peut définir la
◮ unipolaire ak ∈ {0, 1, · · · , M − 1} puissance émise moyenne comme
(M − 1)(2M − 1) Esym
Ebit = E he Pe =
log2 M T
◮ antipolaire ak ∈ {−(M − 1), · · · , −3, −1, 1, 3, · · · , M − 1} ◮ De la même façon, on peut définir la puissance émise moyenne comme

M2 − 1 Ebit
Ebit = Eh Pe = = Ebit Db
3 log2 M e Tb

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 43 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 44 / 99
Codage en ligne Propriétés des signaux en bande de base Transmission en absence de bruit

Propriétés spectrales des signaux en bande de base Sommaire

◮ Chacun des codes a des propriétés spectrales différentes (largeur de bande du


lobe principal, annulation pour certaines valeurs, pics à certaines valeurs,
Introduction
etc...)
◮ Ces propriétés dépendent du dictionnaire utilisé et du filtre de mise en forme Codage en ligne
et peuvent être étudiées en estimant la densité spectrale de puissance du
Transmission en absence de bruit
signal en bande de base (cf TP1). Hypothèses
Interférences entre symboles
◮ Tous les signaux en bande de base ont la majorité de leur puissance dans une Réception en absence de bruit
bande de fréquence [−B , +B]
Transmission en présence de bruit blanc additif gaussien
◮ Selon l’application et le type de transmission, on choisira un dictionnaire ou
un autre, un filtre ou l’autre etc... Transmission sur un canal à largeur de bande limitée
Exemples :
◮ Bande passante finie : volonté que 95% de la puissance soit dans le lobe
principal
◮ Récupération de la fréquence d’horloge : importance d’une densité spectrale de
puissance qui ait des pics aux multiples de T1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 45 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 46 / 99

Transmission en absence de bruit Hypothèses Transmission en absence de bruit Hypothèses

Transmission en absence de bruit Transmission en absence de bruit

dn ak Filtre de x(t) e(t) e(t) e ′ (t) r (t)


Conversion Filtre de Bruit
mise en Modulation
bits/symboles canal hc (t) additif b(t)
e(t) Filtre de e ′ (t) Bruit r (t) forme he (t)

canal hc (t) additif b(t) Emetteur Canal de transmission

r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage
Canal de transmission hr (t)

zk = z(kT )

Décodage Décision
Rappel : d̂n âk

◮ On travaille en bande de base Récepteur

◮ On suppose le canal idéal, invariant et de gain unitaire Hc (f ) = 1


X
◮ Ici, on suppose une absence de bruit b(t) = 0 y (t) = x(t) = ak he (t − kT )
k∈Z
r (t) = e(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 47 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 48 / 99
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles

Récepteur : filtre de réception Récepteur : échantillonnage

r (t) y (t) Filtre de z(t) r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage Démodulation réception Echantillonage
hr (t) hr (t)

zk = z(kT ) zk = z(kT )

Décodage Décision Décodage Décision


d̂n âk d̂n âk

Récepteur Récepteur

z(t) = (y ∗ hr )(t) Si synchronisation parfaite :


  X
X zk = z(kT ) = ak ′ h(kT − k ′ T )
z(t) =  ak he (t − kT ) ∗ hr (t)
k ′ ∈Z
k∈Z
X X
z(t) = ak h(t − kT ) avec h = he ∗ hr zk = ak h(0) + ak ′ h((k − k ′ )T )
k∈Z k ′ 6=k

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 49 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 50 / 99

Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles

Interférence entre symboles (IES) Filtres de Nyquist

X
zk = ak h(0) + ak ′ h((k − k ′ )T ) Filtres de Nyquist : filtre de réponse impulsionnelle h(t) telle que
k ′ 6=k
| {z } h(kT ) = h(0)δ(k) et h(0) 6= 0
IES
Exemples :
◮ Problème : pour retrouver ak à partir de zk , il y a un terme parasite qui dépend des
◮ Filtres à support temporel borné centré et strictement inférieur à 2T
symboles émis avant et après : interférence entre symboles
◮ Filtres à support temporel non borné mais s’annulant à tous les multiples de
◮ Si l’on veut que ce terme soit nul, il faut que
T
h(kT ) = 0 pour k 6= 0 ◮ Exemple important : filtre en cosinus surelevé (0 ≤ β ≤ 1)

ce qui s’écrit aussi sin(πt/T ) cos(πβt/T )


h(t) =
πt/T 1 − (2βt/T )2
h(kT ) = h(0)δ(k) : condition de Nyquist

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 51 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 52 / 99
Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Interférences entre symboles

Filtre en cosinus surélevé Filtre en cosinus surélevé

Filtre en cosinus surélevé : h(t)

β=0 0≤β≤1 Fonction de transfert :


0.8
β=0.25
β=0.5

1−β
T h i si |f | < 2T
0.6 β=0.75 
β=1 ◮ Réponse impulsionnelle :
 
1−β
0.4
H(f ) = T2 1 + cos πt
β (|f | − 2T ) si 1−β
2T < |f | ≤
1+β
2T
sin(πt/T ) cos(πβt/T )
h(t) =
0.2

0

sinon
πt/T 1 − (2βt/T )2
0
◮ Support temporel infini
−0.2

−4T −3T −2T −T 0 T 2T 3T 4T


Temps (t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 53 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 54 / 99

Transmission en absence de bruit Interférences entre symboles Transmission en absence de bruit Réception en absence de bruit

Filtre en cosinus surélevé Décision en absence de bruit

r (t) y (t) Filtre de z(t)


Filtre en cosinus surélevé : H(f) réception Echantillonage
Démodulation
hr (t)
T
zk = z(kT )
◮ Largeur de bande :
Décodage Décision
β=0 d̂n âk
β=0.25 1+β
T/2
β=0.5 B=
β=0.75 2T Récepteur
β=1

1 1
comprise entre 2T et T
Si l’on suppose que h = he ∗ hr est un filtre de Nyquist, alors l’IES est nulle et on a donc
0

−1/T −1/2T 0 1/2T 1/T


zk = ak h(0)
Fréquence (f)
zk
En connaissant h(0) on peut donc estimer âk = h(0)
. La probabilité d’erreur symbole est ici nulle
car âk = ak

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 55 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 56 / 99
Transmission en absence de bruit Réception en absence de bruit Transmission en présence de bruit blanc additif gaussien

Décodage en absence de bruit Sommaire

Introduction

r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage Codage en ligne
hr (t)

zk = z(kT ) Transmission en absence de bruit

Décodage Décision Transmission en présence de bruit blanc additif gaussien


d̂n âk Hypothèses
Récepteur optimal
Réception en présence de bruit
Récepteur

Transmission sur un canal à largeur de bande limitée


En connaissant le dictionnaire utilisé, on peut retrouver d̂n à partir de âk = ak de façon parfaite.
La probabilité d’erreur binaire est nulle car d̂n = dn .

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 57 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 58 / 99

Transmission en présence de bruit blanc additif gaussien Hypothèses Transmission en présence de bruit blanc additif gaussien Hypothèses

Transmission en présence de bruit blanc additif gaussien Bruit blanc gaussien

◮ Signal aléatoire : on ne peut pas savoir


e(t) Filtre de e ′ (t) Bruit r (t) 1.5

quelles valeurs le signal va prendre, donc


canal hc (t) additif b(t) 1
on utilise des probabilités
0.5 ◮ Caractérisation par la moyenne (nulle pour
N0
un bruit blanc) et la variance σ2 = 2
Canal de transmission 0
◮ A priori, le signal peut prendre n’importe
−0.5 quelle valeur, on sait juste que plus cette
Rappel : valeur est éloignée de la moyenne, moins
◮ On travaille en bande de base (e(t) = x(t), r (t) = y (t))
−1 elle est probable
−1.5
◮ Plus la variance est elevée, plus le signal a
◮ On suppose le canal idéal, invariant et de gain unitaire Hc (f ) = 1 0 200 400 600 800 1000
Temps (t) le droit de prendre des valeurs éloignées
◮ Ici, on suppose que b(t) est un bruit blanc gaussien de densité spectrale de puissance Ici σ2 = 0.1 de la moyenne
N0
Γb (f ) = 2
y (t) = x(t) + b(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 59 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 60 / 99
Transmission en présence de bruit blanc additif gaussien Hypothèses Transmission en présence de bruit blanc additif gaussien Hypothèses

Bruit gaussien Transmission en présence de bruit blanc additif gaussien

Fonction de Marcum Q(x) dn Conversion ak Filtre de


mise en
x(t) e(t) e(t) Filtre de e ′ (t) Bruit r (t)
bits/symboles Modulation canal hc (t) additif b(t)
forme he (t)

+∞
1
Z
−z 2 Emetteur Canal de transmission
Q(x) = √ e 2 dz
2π x
r (t) y (t) Filtre de z(t)
Démodulation réception Echantillonage
Si b(t) est un bruit gaussien de moyenne nulle et de variance σ 2 hr (t)

zk = z(kT )
     
b0 b1 b1 Décodage Décision
p(b(t) > b0 ) = Q p(b(t) < b1 ) = Q − =1−Q d̂n âk

σ σ σ
Récepteur

   
b0 b1 X
p(b0 < b(t) < b1 ) = Q −Q y (t) = x(t) + b(t) = ak he (t − kT ) + b(t)
σ σ
k∈Z

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 61 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 62 / 99

Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Récepteur : filtre de réception Récepteur : échantillonnage

r (t) y (t) Filtre de z(t)


Démodulation réception Echantillonage
r (t) y (t) Filtre de z(t) hr (t)
Démodulation réception Echantillonage
hr (t) zk = z(kT )

zk = z(kT )
Décodage Décision
d̂n âk
Décodage Décision
d̂n âk
Récepteur

Récepteur

Si synchronisation parfaite :
z(t) = (y ∗ hr )(t) X
X zk = z(kT ) = ak ′ h(kT − k ′ T ) + n(kT )
z(t) = ak h(t − kT ) + n(t) avec h = he ∗ hr et n = b ∗ hr k ′ ∈Z
k∈Z X
zk = ak h(0) + ak ′ h((k − k ′ )T ) + n(kT )
k ′ 6=k

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 63 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 64 / 99
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Récepteur optimal Rappel : filtrage adapté

X x(t) = ak δ(t) he (t) + hr (t) y (t)


zk = ak h(0) + ak ′ h((k − k ′ )T ) + n(kT )
| {z }
k ′ 6=k
| {z } bruit
IES
b(t)
◮ Si on veut faire le moins d’erreur possible, il faut que l’IES soit nulle et que l’influence du
bruit soit la plus faible possible.
◮ On a déjà vu que pour que l’IES soit nulle : h = he ∗ hr doit être un filtre de Nyquist ◮ Pour maximiser le rapport signal sur bruit en sortie du récepteur il faut
h(kT ) = (he ∗ hr )(kT ) = h(0)δ(k)
Hr (f ) = He∗ (f ) ce qui implique hr (t) = he∗ (−t)
◮ Comment choisir le filtre de réception hr (t) pour que l’influence du bruit soit la plus faible
possible ? ◮ Dans ce cas, le rapport signal sur bruit vaut
q
h(0)2
◮ cf TD 1 : maximisation du rapport signal sur bruit SNR = Pn
r
hr doit être le filtre adapté à he
2Ehe

SNR =
N0

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 65 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 66 / 99

Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Récepteur optimal : domaine temporel Exemple : filtre NRZ

x(t)
2

Dans le domaine temporel : 1.5

◮ Si le filtre de réception est adapté au filtre d’émission, on a hr (t) = he (−t) 1

(on suppose ici que les filtres sont réels)


0.5
◮ On a donc h(t) = he (t) ∗ he (−t)
0
◮ On veut que h soit un filtre de Nyquist
◮ Cas simple : si he (t) a un support strictement inférieur à T , alors en prenant −0.5

hr (t) = he (−t), h est un filtre de Nyquist (ex : filtre NRZ, RZ, biphase −1
0 1 2 3 4 5 6
Manchester...) Temps (s)

Message binaire 101011 codé avec un dictionnaire binaire unipolaire et mis en forme par un filtre
NRZ avec une période symbole T =1s
x(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 67 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 68 / 99
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Exemple : filtre NRZ Exemple : filtre NRZ

y(t) = x(t) + b(t) z(t)=(y * h )(t) = y(t) * h (−t)


r e
2 2

1.5 1.5

1 1

0.5 0.5

0 0

−0.5 −0.5

−1 −1
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Temps (s) Temps (s)

Lors du passage dans le canal, ce signal a été perturbé par un bruit additif gaussien b(t) de Au niveau du récepteur, le signal bruité est passé dans un filtre de réception adapté au filtre de
variance σ2 =0.1 mise en forme :
y (t) = x(t) + b(t) z(t) = (y ∗ hr )(t) = y (t) ∗ he (−t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 69 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 70 / 99

Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Exemple : filtre NRZ Récepteur optimal : domaine fréquentiel

z =z (kT)
k
2

1.5
Dans le domaine fréquentiel :
1
◮ Si le filtre de réception est adapté au filtre d’émission, on a Hr (f ) = H ∗ (f )
e
0.5 ◮ On a donc H(f ) = He (f )Hr (f ) = |He (f )|2 , qui est réel et positif
0 ◮ Cas simple : partir d’un filtre de Nyquist de réponse fréquentielle H(f ) réelle
et positive et prendre p
−0.5
He (f ) = Hr (f ) = H(f )
−1
0 1 2 3 4 5 6
Temps (s)

Lorsqu’on échantillonne ce signal aux multiples de la période symbole T on retrouve les symboles
envoyés (mais pas exactement à cause du bruit)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 71 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 72 / 99
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Filtre en racine de cosinus surelevé Filtre en racine de cosinus surelevé

Filtre en racine de cosinus surélevé : h (t)


Filtre en racine de cosinus surélevé : He(f) e

1.2
sqrt(T)
1 β=0
β=0.25
◮ Dans le domaine fréquentiel : racine de la 0.8 β=0.5 ◮ Dans le domaine temporel : ce n’est plus
β=0.75
β=0
fonction de transfert d’un filtre en cosinus β=1
un filtre de Nyquist (pas d’annulation aux
β=0.25 0.6

sqrt(T)/2 β=0.5 surelevé multiples de T )


β=0.75 0.4
β=1 ◮ Bande passante B = 1+β ◮ En revanche, h(t) = he (t) ∗ he (−t) est un
2T 0.2
filtre de Nyquist
0

0
−0.2
−1/T −1/2T 0 1/2T 1/T
Fréquence (f) −4T −3T −2T −T 0 T 2T 3T 4T
Temps (t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 73 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 74 / 99

Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Exemple : filtre RCS Exemple : filtre RCS

x(t) y(t) = x(t) + b(t)


2 2

1.5 1.5

1 1

0.5 0.5

0 0

−0.5 −0.5

−1 −1
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Temps (s) Temps (s)

Message binaire 101011 codé avec un dictionnaire binaire unipolaire et mis en forme par un filtre Lors du passage dans le canal, ce signal a été perturbé par un bruit additif gaussien b(t) de
TRC avec une période symbole T =1s variance σ2 =0.1
x(t) y (t) = x(t) + b(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 75 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 76 / 99
Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Récepteur optimal

Exemple : filtre RCS Exemple : filtre RCS

z(t)=(y * h )(t) = y(t) * h (−t)


r e z =z (kT)
k
2
2

1.5
1.5

1
1

0.5
0.5

0
0

−0.5
−0.5

−1
0 1 2 3 4 5 6 −1
Temps (s) 0 1 2 3 4 5 6
Temps (s)

Au niveau du récepteur, le signal bruité est passé dans un filtre de réception adapté au filtre de
mise en forme : Lorsqu’on échantillonne ce signal aux multiples de la période symbole T on retrouve les symboles
z(t) = (y ∗ hr )(t) = y (t) ∗ he (−t) envoyés (mais pas exactement à cause du bruit)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 77 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 78 / 99

Transmission en présence de bruit blanc additif gaussien Récepteur optimal Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Récepteur optimal : bilan Récepteur optimal : conséquences

Conditions : Rappel : X
◮ hr (t) doit être le filtre adapté he (t) pour maximiser le SNR en sortie du al h((k − l)T ) + n(kT )
zk = ak h(0) +
| {z }
récepteur l 6=k
| {z } bruit
hr (t) = he (−t) Hr (f ) = He∗ (f ) IES
◮ h = he ∗ hr doit être un filtre de Nyquist Si le récepteur est optimal (ce qui sera le cas dans la suite du cours) :
◮ IES = 0
h(kT ) = h(0)δ(k) R +∞
◮ h(0) = −∞ He (f )He∗ (f )df = Ehe
Deux cas simples de filtres formant un récepteur optimal Donc :
◮ he (t) de support temporel inférieur à T , et hr (t) = he (−t) zk = Ehe ak + n(kT )
−→ Il va falloir estimer aˆk à partir de zk , malgré le bruit
p
◮ OU He (f ) = Hr (f ) = H(f ) où H(f ) est un filtre de Nyquist

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 79 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 80 / 99
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Décision Décision par seuil : cas binaire

r (t)
Démodulation
y (t) Filtre de
réception
z(t)
Echantillonage ◮ Idée : utiliser un seuillage pour décider de la valeur de chaque symbole
hr (t)

zk = z(kT )
◮ Exemple : codage binaire antipolaire ak = 1 ou ak = −1 (qu’on suppose
Décodage Décision
équiprobable)
d̂n âk
◮ On a donc zk = Ehe + n(kT ) ou zk = −Ehe + n(kT )
Récepteur ◮ n(kT ) est aléatoire et gaussien, de moyenne nulle
◮ Une idée intuitive est de seuiller :
Etape supplémentaire à cause de la présence de bruit : il faut affecter une valeur de symbole à ◮ si zk > 0 alors aˆk = 1
chaque zk ◮ sinon aˆk = −1
Exemple : zk = 1.26Ehe → aˆk = 1, zk = −0.34Ehe → aˆk = 0, etc...

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 81 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 82 / 99

Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Décision par seuil : cas M-aire Probabilité d’erreur

Si le bruit est trop important, on risque de faire des erreurs


Dans le cas de M symboles, on utilise le même principe
Probabilité d’erreur par symbole
◮ On calcule zk et on regarde quel symbole du dictionnaire est le plus proche
Ehe
(au sens de la distance euclidienne) err
Psym = p(aˆk 6= ak )
◮ On décide ensuite que aˆk est ce symbole

zk Cette erreur sur les symboles se répercute ensuite sur les bits après décodage.
Exemple : M = 4 et Ehe = 1.56 3.82 2.10 − 2.10
Probabilité d’erreur par bit
−→ 1 3 3 −3
err
Pbit = p(dˆn 6= dn )

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 83 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 84 / 99
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Calcul de la probabilité d’erreur (cas binaire) Calcul de la probabilité d’erreur (cas binaire)

Supposons que l’on utilise un dictionnaire binaire antipolaire (ak = 1 ou ak = −1).


Quelle est la probabilité de faire une erreur sur le symbole ?
◮ On a soit zk = Ehe + n(kT ), soit zk = −Ehe + n(kT ) Quand va-t-on faire une erreur ? 2 cas :
R +∞ N E ◮ Quand ak = −1 et que zk > 0
◮ On a déjà vu que Pn = N20 −∞ |Hr (f )|2 df = 02 he (car le récepteur est supposé
optimal) ◮ Quand ak = 1 et que zk < 0
◮ n(t) est un bruit gaussien de moyenne nulle et de variance σn2 = Pn
◮ Intuitivement on va dire que si zk > 0, alors aˆk = 1, et sinon aˆk = −1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 85 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 86 / 99

Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Calcul de la probabilité d’erreur (cas binaire) Probabilité d’erreur M-aire (antipolaire)

◮ Si ak = −1 alors zk = −Eh + n(kT ). Si on a zk > 0, c’est donc que n(kT ) > Eh . Or n(t)
e e
est gaussien de moyenne nulle et de variance Pn donc
s ! Généralisation (admise) : on peut montrer qu’avec un dictionnaire antipolaire à M
 
p(n(kT ) > Ehe ) = Q
Eh
√ e =Q
2Ehe éléments, on a r !
Pn N0 M −1 2Ehe
err
Psym = 2 Q
◮ Si ak = 1 alors zk = Eh + n(kT ). Si on a zk < 0, c’est donc que n(kT ) < −Eh . Or n(t) M N0
e e
est gaussien de moyenne nulle et de variance Pn donc
s !

−Ehe
 
Eh

2Ehe
◮ Remarque : on retrouve bien notre expression quand M = 2 !
p(n(kT ) < −Ehe ) = 1 − Q √ =Q √ e =Q
Pn Pn N0 ◮ La probabilité d’erreur dépend du nombre de symboles du dictionnaire M, de
la variance du bruit blanc additif gaussien σ 2 = N20 , et de l’énergie du filtre de
Finalement comme les ak sont équiprobables,
s ! s ! s !
mise en forme/filtre de réception Ehe .
err 1 2Ehe 1 2Ehe 2Ehe
Psym = Q + Q =Q
2 N0 2 N0 N0

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 87 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 88 / 99
Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Energie moyenne par bit Probabilité d’erreur M-aire (antipolaire)

Avec cette définition, on peut réécrire pour un dictionnaire M-aire antipolaire


r !
err M −1 2Ebit 3 log2 M
Rappel : Dans le cas d’un dictionnaire antipolaire à M symboles, on peut montrer Psym = 2 Q
M N0 M 2 − 1
que
M2 − 1
Ebit = Eh err
3 log2 M e ◮ Pour minimiser Psym , il faut augmenter Ebit donc soit augmenter la puissance
émise moyenne Pe , soit diminuer le débit binare Db
où Ebit est l’énergie moyenne par bit émis. On a aussi Ebit = Pe Db où Pe est la
◮ A ENbit0 fixé, plus on augmente M, plus la probabilité d’erreur augmente
puissance émise moyenne et Db le débit binaire. ◮ Remarque : si on utilise un codage de Grey on a
err
err
Psym
Pbit ≈
log2 M

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 89 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 90 / 99

Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit Transmission en présence de bruit blanc additif gaussien Réception en présence de bruit

Probabilité d’erreur M-aire (antipolaire) Décodage

Probabilité d’erreur symbole pour un dictionnaire M−aire antipolaire


0
10

−2 r (t) y (t) Filtre de z(t)


10 réception Echantillonage
Démodulation
hr (t)
−4
10 zk = z(kT )
Psym

−6 Décodage Décision
err

10 âk
d̂n
M=2
−8 M=4
10 Récepteur
M=8
M = 16
−10 M = 32
10
En connaissant le dictionnaire utilisé, on peut retrouver d̂n à partir de âk = ak . La probabilité
−12
10
d’erreur binaire dépend de la probabilité d’erreur par symbole et du dictionnaire utilisé.
0 5 10 15 20 25 30
Ebit/N0 (en dB)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 91 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 92 / 99
Transmission sur un canal à largeur de bande limitée Transmission sur un canal à largeur de bande limitée

Sommaire Bande passante du signal

Introduction
◮ Nous avons vu en TP que les signaux en bande de base ont une bande
Codage en ligne passante que l’on peut écrire [−Bsignal , +Bsignal ]
Transmission en absence de bruit
◮ filtre NRZ : Bsignal ≈ T1
◮ filtre RZ : Bsignal ≈ T2
Transmission en présence de bruit blanc additif gaussien ◮ filtre biphase Manchester : Bsignal ≈ T2
1+β
◮ filtre en racine de cosinus surelevé : Bsignal = 2T
Transmission sur un canal à largeur de bande limitée
◮ Bsignal dépend du type de filtre de mise en forme he (t), du débit binaire Db ,
et de la taille M de l’alphabet utilisé

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 93 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 94 / 99

Transmission sur un canal à largeur de bande limitée Transmission sur un canal à largeur de bande limitée

Bande passante du canal Utilisation de la bande passante

◮ Pour le moment, on a considéré que le canal était idéal et avait une bande
passante infinie (Hc (f ) = 1)
◮ En réalité, la largeur de bande du canal Bcanal est limitée et le canal est ◮ Afin de transmettre le plus d’information possible on fait en sorte d’utiliser
plutot de la forme toutes les capacités du canal, mais sans les dépasser !
( ◮ Si l’on connait la bande passante du canal, on va faire en sorte que la largeur
1 si − Bcanal < f < Bcanal du bande du signal en bande de base soit du même ordre
Hc (f ) =
0 sinon
Bsignal = Bcanal = B
◮ Ceci est du
◮ soit à la nature physique du canal (ex : type de câble, atténuation du signal
◮ Ceci va contraintre les choix de dictionnaire, filtres de mise en forme, etc...
sur de grandes distances, etc...)
◮ soit à des réglementations (ex : bande de fréquence achetée par un opérateur
téléphonique, etc...)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 95 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 96 / 99
Transmission sur un canal à largeur de bande limitée Transmission sur un canal à largeur de bande limitée

Paramètres d’une chaı̂ne de transmission Evaluation d’une chaı̂ne de transmission

Efficacité spectrale
◮ Db : débit binaire (en bits/seconde) Db log2 M
◮ B : largeur de bande occupée (en Hz) = η=
B T B
◮ Pe = Ebit Db : puissance émise moyenne (en W) η le plus grand possible : Db maximal et B minimal
err
◮ Pbit : probabilité d’erreur par bit
Taux d’erreur binaire
err
But : maximiser Db avec B, Pe et Pbit minimaux nombre de bits mal détectés
TEB =
nombre total de bits emis
err
NB : Pbit est le TEB quand le nombre total de bits est infini

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 97 / 99 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 98 / 99

Transmission sur un canal à largeur de bande limitée

Dimensionnement d’une chaı̂ne de transmission

err
◮ Principe : on a des contraintes sur Db , B, Pe et/ou Pbit
◮ Selon l’application et le type de transmission, on va réaliser des compromis
entre ces paramètres
◮ On va choisir en fonction de ces contraintes le dictionnaire (valence + type
de dictionnaire) et les filtres d’émission/réception

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2014-2015 99 / 99

Vous aimerez peut-être aussi