Chapitre III SCN MCIL4 Evaluation Performances PDF

Université de Bordj Bou Arréridj Année 2018/2019
Faculté des Sciences et de la Technologie

Département d’électronique
Cours : SCN
Evaluations des systèmes de transmission numériques Pr. Khaled ROUABAH
Rappel sur le bruit __________________________________________________________ 2

Définition du bruit ______________________________________________________________ 2
Modélisation du bruit ________________________________________________________ 4

Rapport signal sur bruit (SNR) ________________________________________________ 5
Bruit dans les communications numériques ______________________________________ 6
Détection d’un signal binaire et test des Hypothèses _______________________________ 7
Probabilité d’erreur et Détecteur du Maximum de vraisemblance ____________________ 8
1. Probabilité d’erreur ________________________________________________________ 8
2. Détecteur du maximum de vraisemblance ______________________________________ 8
Probabilité d’erreur en présence d’un bruit gaussien _____________________________ 10

Détection optimale _________________________________________________________ 12
1. Filtre adapté ______________________________________________________________ 12
2. Corrélateur_______________________________________________________________ 13
3. Probabilité d’erreur pour une détection optimale _______________________________ 13
Performances en termes de la probabilité d’erreur _______________________________ 14

Transmission en bande de base sur un code NRZ unipolaire __________________________ 14
Transmission en bande de base sur un code NRZ bipolaire ___________________________ 15
Transmission en modulation OOK _______________________________________________ 15
Transmission en modulation BPSK _______________________________________________ 15
Transmission en modulation BFSK _______________________________________________ 16
Transmission d’un symbole M-aire unique _____________________________________ 16

Transmission d’une suite de symboles M-aire ________________ Erreur ! Signet non défini.
1
Cours : SCN
Rappel sur le bruit
Définition du bruit
 Tout signal est parasité par du bruit.

 Le bruit est un signal aléatoire, souvent d’origine thermique, qui définit le seuil de
détection de tout récepteur
 Processus aléatoire  le comportement temporel est imprévisible
 On peut définir le bruit en termes de densité spectrale, fonction d’autocorrélation,
variance, etc.
La figure (1) montre l’effet du bruit sur un signal utile. Comme le montre cette figure, on est
en présence de deux situations. La première caractérise un signal non détectable et l’autre
caractérise un signal détectable.
Densité spectrale de puissance

(W/Hz ou dBW/Hz)
Signal non Signal
détectable détectable Puissance du bruit : N 0   n0 df
f
df
Seuil de bruit
n0
Fréquence
Figure.1. Détection du signal en présence du bruit
Figure.2. Densité de probabilité du bruit

 Le bruit perturbera la transmission et l’on cherchera toujours à le minimiser.
2
Cours : SCN
 Aux bornes d’une résistance R à la température T, il existe une tension de bruit (bruit
thermique) de la valeur instantanée v(t).
 Comme l’illustre la figure (3), le bruit thermique a une densité spectrale de puissance
(DSP) plate.
Figure.3. DSP du bruit blanc Gaussien Additif
 On a donc pour toute la gamme des fréquences la relation de Nyquist donnée par :
La puissance du bruit filtré par un filtre de bande passante 2B, est pratiquement donnée par :
N [dBm] = – 174 dBm + 10 log B

k = 1,38 . 10– 23 J . K– 1 ;
T = 17 °C;
T [K] = 273 + T [°C].
Ceci donne pour différentes valeurs de largeur de bande 2B :
 2B = 1 Hz  N = – 174 dBm.
 2B = 1 kHz  N = – 144 dBm.
 2B = 1 MHz  N = – 114 dBm.
 2B = 10 MHz  N = – 104 dBm.
Ces exemples montrent d’une manière évidente que l’on doit, à chaque fois que cela est
possible, utiliser une largeur de bande, la plus faible possible.
La figure (4) montre la DSP d’un bruit filtré.
Figure.4. DSP du bruit blanc Gaussien Additif filtré
3
Cours : SCN
Modélisation du bruit
Le bruit est modélisé par un processus aléatoire gaussien de moyenne nul et de variance σ²
(voir figure (5)). La figure (6) illustre sa DDP.
Figure.5. Bruit blanc Gaussien Additif
4
x 10
5
4.5
3.5
2.5
1.5
0.5
0
-6 -4 -2 0 2 4 6
Figure.6. DDP du Bruit blanc Gaussien Additif
Il est appelé bruit blanc par analogie avec la lumière blanche. Sa fonction d’autocorrélation
temporelle est donnée par :
Rbb ( )  N 0 ( ) .
La figure (7) montre la forme de la fonction d’autocorrélation du bruit.
4
Cours : SCN
5
x 10
10
-2
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
6
x 10
Figure.7. Autocorrélation du Bruit blanc Gaussien Additif
Rapport signal sur bruit (SNR)
C’est le rapport entre la puissance du signal Ps et celle du bruit Pb. Pour faciliter le calcul et la
représentation, ce rapport est souvent donné en décibels (dB). Dans ce cas en fait appel à la
fonction logarithme décimal. Donc le SNR est donné par :
P  P 
SNRdB   s   10 log  s 
 Pb  dB  Pb 
 Pour caractériser l’effet du bruit sur un signal, on utilise le SNR

 Un signal harmonique est détectable si SNR > 0 dB (Voir figure (8).
Figure.8. Signal avec différentes valeurs du SNR
5
Cours : SCN
 Le bruit a un effet très néfaste sur la qualité des signaux analogiques.

 Les exigences en termes de SNR pour des communications analogiques sont très
strictes.
 Exemple voix/son : 45 – 50 dB requis. 30 dB : bruit de gênant.
Bruit dans les communications numériques
 Les signaux numériques sont sensibles au bruit … mais moins que les signaux
analogiques.
 La qualité d’un signal numérique ne se mesure pas à la distorsion du signal, mais à la
capacité d’un récepteur d’interpréter correctement l’état binaire transmis.
 Principal contrainte : le Taux d’Erreur Binaire (Bit Error Rate).
BER % 
nombre de bits erronés
nombre total de bits reçus
La figure (9) montre un exemple de TEB (BER) pour différents types de modulations
numériques.
Figure.9. TEB en fonction du SNR pour différents types de modulations
6
Cours : SCN
Détection d’un signal binaire et test des Hypothèses
Echantillonnage
Comparateur
∑ de seuil
Récepteur Décision
Bloc 1 Bloc 2
Figure.10. Détection d’un signal binaire.
La figure (10) décrit les différentes opérations réalisées par un récepteur binaire.
Le signal transmis dans l’intervalle [0, T] est donnée par :
(1)
Le signal reçu est de la forme :
(2)
est un BBGA de moyenne nulle et de variance .

Il existe trois étapes au niveau de la détection :
1) La première est la réduction de en .

est obtenue de après filtrage suivi d’un échantillonnage (Voir le Bloc1 de la figure
(1)).
(3)
est la composante de et est celle de .

Cette équation peut être écrite de la manière suivante :
(4)
est une variable aléatoire (VA) gaussienne de moyenne nulle et de variance .

est aussi une VA de moyenne ou selon que ou a été transmis.
2) La seconde étape de détection du signal consiste à comparer avec un seuil au niveau
du Bloc2 de la figure (14).
3) La dernière étape est la prise de décision sur le résultat. Elle est donnée par :
7
Cours : SCN
(5)
et sont les deux Hypothèses possibles.
Choisir a été envoyé.

Choisir a été envoyé.
Equation (5)
est Choisit si : .
est Choisit si : .
Si : , la décision est arbitraire
Probabilité d’erreur et Détecteur du Maximum de vraisemblance
1. Probabilité d’erreur
Soit les évènements de réception de .

Soit les évènements de l’émission de .
La probabilité d’erreur est :
(6)
et sont les probabilités à priori (‫ )احتماالت مسبقة‬que et sont

respectivement transmis.
Si : alors :
(7)
2. Détecteur du maximum de vraisemblance
C’est le critère utilisé pour choisir le paramètre . Il est basé sur la minimisation de .
La valeur de pour laquelle est minimale doit être calculée.
8
Cours : SCN
Une règle de décision raisonnable pour un récepteur est de choisir si la probabilité à

posteriori (‫)احتمال الحق‬ est plus grande que la probabilité à posteriori . Et,
dans l’autre cas, choisir l’hypothèse . Ce qui donne :
(8)
Ou
(9)
Le critère de la dernière équation (9) est appelé le critère du maximum à posteriori.

En utilisant la formule de Bayes, nous avons :
i=1, 2. (10)
L’équation (10) dans (8) donne :
(11)
Le test du rapport de vraisemblance est donc donné par :
(12)
est la densité de probabilité (DDP) conditionnelle connue sous la fonction de

vraisemblance de .
est choisit si .
9
Cours : SCN
est choisit si .
Si , alors (12) devient :
(13)
Ou
(14)
Si et les vraisemblances pour i=1,2 sont symétriques, alors

l’équation (12) conduit au critère suivant :
(15)
Avec :
(16)
C’est le seuil qui minimise la probabilité d’erreur. Il est appelé critère de l’erreur minimale.
Un détecteur qui minimise la probabilité d’erreur pour une classe des signaux équiprobables,
est aussi connu comme détecteur de maximum de vraisemblance.
Probabilité d’erreur en présence d’un bruit gaussien
La DDP de dans le cas d’un BBGA, dans l’équation (4), est donnée par :
(17)
est le variance du bruit.

A partir des équations (4) et (17), on obtient :
(18)
10
Cours : SCN
(19)
Ce résultat est illustré sur la figure (11).
Les probabilités conditionnelles sont donc données par :
(20)
(21)
A cause de la symétrie de , la probabilité d’erreur, donnée par l’équation (7), peut être
réécrite de la manière suivante :
(22)
L’équation (21) dans (22) donne :
(23)
L’équation (19) dans l’équation (23) donne :
Figure.11. DDP conditionnelle
(24)
11
Cours : SCN
Posons : .
(25)
Avec est une fonction qui ne peut pas être calculée analytiquement et doit être évaluée
numériquement. Elle est appelée fonction erreur complémentaire.
Détection optimale
Dans ce qui suit, nous allons optimiser le filtre du Bloc 1 de la figure (14) par minimisation de
.
1. Filtre adapté
Soit le Filtre SLIT de la figure (12)
Echantillonnage
∑
Figure.12. Filtre adapté

Avec :
A t=T, nous avons le rapport signal sur bruit donné par :

(26)
Nous souhaitons trouver de façons à maximiser l’équation .

Le rapport peut-être réécrit de la façon suivante :
(27)
est la DSP du bruit, et est l’énergie du signal .
12
Cours : SCN
(28)
L’équation (27) est vraie uniquement si est de la forme :
(29)
La RI du filtre optimale est donc donnée par :
(30)
2. Corrélateur
La sortie d’un filtre causal peut s’exprimer comme suit :
(31)
(30) dans (31) donne :
(32)
Quand t=T, (32) devient :
(33)
Cette opération est connue comme l’opération de corrélation entre r(t) et s(t).
Ce corrélateur peut facilement remplacer le filtre adapté précédent.
Filtre adapté
Figure.13. Equivalence Corrélateur - Filtre adapté
3. Probabilité d’erreur pour une détection optimale
13
Cours : SCN
Pour minimiser donnée par l’équation (25), nous avons besoin de déterminer le filtre
qui maximise l’expression suivante :
est la différence entre les composantes du signal à la sortie du filtre au temps t=T.
Si le signal d’entrée du filtre adapté est : , devient :
(34)
D’après (27), la valeur maximale de ce rapport est donnée par :
(35)
Où est la puissance de la différence donnée par :

(36)
(34) et (35) donnent :
 
Ce qui nous donne finalement :
(37)
Performances en termes de la probabilité d’erreur
En utilisant l’équation (37), les probabilités des erreurs, pour différents systèmes de
transmission binaires sont données dans les sections suivantes.
Transmission en bande de base sur un code NRZ unipolaire

Dans ce cas le signal émis est donné par :
(38)
Après tout calcul fait, la probabilité d’erreur est donnée par :

(39)
Ici :
est l’énergie moyenne par bit du signal émis.
14
Cours : SCN
Transmission en bande de base sur un code NRZ bipolaire

(40)

(41)
Ici :
Transmission en modulation OOK
(42)

(43)
Ici :
Transmission en modulation BPSK
(44)
Dans cette équation est un multiple de

(45)
Ici :
15
Cours : SCN
Transmission en modulation BFSK
(46)
Dans cette équation, on suppose que , , et , après tout

calcul fait, la probabilité d’erreur est donnée par :
(47)
Ici :
Transmission d’un symbole M-aire unique
Considérons maintenant la transmission d’un symbole M-aire sur un canal à bande passante
infinie. Dans ce cas le signal reçu par le récepteur est donné par :
(48)
est un symbole M-aire, est une forme d’onde de durée , et est un BBGA
de moyenne nulle.
Ici, la structure de réception est illustrée dans la figure suivante.
Echantillonnage
Comparateur à
(M-1) seuils
∑
Décision
Figure.14. Récepteur M-aire
Comme le montre cette figure, la structure de réception est constituée d’un filtre de réponse
impulsionnelle suivi d’un échantillonneur et d’un comparateur à (M-1) seuils .
16
Cours : SCN
A l’instant , la sortie du filtre de réception est donnée par :
(49)
Supposons que le symbole M-aire utilise, de façon équiprobable, les M valeurs de

l’alphabet A donnée par :
; .
Le décodage du symbole est réalisé en comparant l’échantillon aux différents seuils

, . La décision est prise à chaque fois que
est compris entre le seuil et le seuil . Soit :
si : , +1 et .
Pour décoder les valeurs extrêmes de l’alphabet , est comparé à un seuil

unique :
si :
si :
La probabilité d’erreur pour le niveau est donné par :
(50)
La probabilité d’erreur totale est donnée par :
(51)
Les seuils optimaux de décision sont au centre de chaque intervalle délimité par deux
valeurs consécutives du signal reçu si le symbole est identiquement distribué sur
cet alphabet.
La figure (15) illustre les différents seuils.
17
Cours : SCN
Figure.15. Positions des seuils de détection pour une transmission M-aire.c
Dans ce cas la probabilité d’erreur est donnée par :
/ (52)
En utilisant un filtre adapté à la forme d’onde , de réponse impulsionnelle , le

rapport est maximal et égal à :
(53)
L’alphabet n’étant plus binaire, nous introduisons la notion d’énergie moyenne du signal à
l’entrée du récepteur, égale à :
. (54)
La variance des symboles émis est donnée par :
(55)
La probabilité d’erreur est donc donnée par :
(56)
18
Cours : SCN
En fonction de l’énergie moyenne reçue par élément binaire ( , la probabilité d’erreur est
donnée par :
(57)
Avec :
Pour un code de gray, une erreur de décision sur un symbole quelconque conduit en général à
un seul bit binaire erroné. Dans ce cas :
(58)
En présence d’une suite de symboles, l’échantillon en sortie du filtre de réception est donc
identique à celui obtenu lors de la transmission d’un symbole unique. Les probabilités
d’erreur par symbole ou binaire restent inchangées. La probabilité est indépendante du
symbole considéré car le bruit est stationnaire.
19

Langue

Chapitre III SCN MCIL4 Evaluation Performances PDF

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

Chapitre III SCN MCIL4 Evaluation Performances PDF

Titre original :

Transféré par

Droits d'auteur :

Formats disponibles

Université de Bordj Bou Arréridj Année 2018/2019

Faculté des Sciences et de la Technologie

Rappel sur le bruit __________________________________________________________ 2

Modélisation du bruit ________________________________________________________ 4

Probabilité d’erreur en présence d’un bruit gaussien _____________________________ 10

Performances en termes de la probabilité d’erreur _______________________________ 14

Transmission d’un symbole M-aire unique _____________________________________ 16

Rappel sur le bruit

 Tout signal est parasité par du bruit.

Densité spectrale de puissance

Figure.2. Densité de probabilité du bruit

Figure.3. DSP du bruit blanc Gaussien Additif

N [dBm] = – 174 dBm + 10 log B

Ceci donne pour différentes valeurs de largeur de bande 2B :

Figure.4. DSP du bruit blanc Gaussien Additif filtré

Figure.5. Bruit blanc Gaussien Additif

Figure.6. DDP du Bruit blanc Gaussien Additif

Figure.7. Autocorrélation du Bruit blanc Gaussien Additif

Rapport signal sur bruit (SNR)

 Pour caractériser l’effet du bruit sur un signal, on utilise le SNR

Figure.8. Signal avec différentes valeurs du SNR

 Le bruit a un effet très néfaste sur la qualité des signaux analogiques.

Bruit dans les communications numériques

Figure.9. TEB en fonction du SNR pour différents types de modulations

Détection d’un signal binaire et test des Hypothèses

Le signal reçu est de la forme :

est un BBGA de moyenne nulle et de variance .

1) La première est la réduction de en .

est la composante de et est celle de .

est une variable aléatoire (VA) gaussienne de moyenne nulle et de variance .

et sont les deux Hypothèses possibles.

Choisir a été envoyé.

Si : , la décision est arbitraire

Probabilité d’erreur et Détecteur du Maximum de vraisemblance

Soit les évènements de réception de .

La probabilité d’erreur est :

et sont les probabilités à priori (‫ )احتماالت مسبقة‬que et sont

2. Détecteur du maximum de vraisemblance

Une règle de décision raisonnable pour un récepteur est de choisir si la probabilité à

Le critère de la dernière équation (9) est appelé le critère du maximum à posteriori.

L’équation (10) dans (8) donne :

Le test du rapport de vraisemblance est donc donné par :

est la densité de probabilité (DDP) conditionnelle connue sous la fonction de

Si , alors (12) devient :

Si et les vraisemblances pour i=1,2 sont symétriques, alors

Probabilité d’erreur en présence d’un bruit gaussien

est le variance du bruit.

Ce résultat est illustré sur la figure (11).

Les probabilités conditionnelles sont donc données par :

Figure.11. DDP conditionnelle

Soit le Filtre SLIT de la figure (12)

Figure.12. Filtre adapté

A t=T, nous avons le rapport signal sur bruit donné par :

Nous souhaitons trouver de façons à maximiser l’équation .

est la DSP du bruit, et est l’énergie du signal .

L’équation (27) est vraie uniquement si est de la forme :

La RI du filtre optimale est donc donnée par :

La sortie d’un filtre causal peut s’exprimer comme suit :

(30) dans (31) donne :

Quand t=T, (32) devient :

Figure.13. Equivalence Corrélateur - Filtre adapté