Académique Documents
Professionnel Documents
Culture Documents
Résumé ……………………………………………………………………………………………...4
Introduction générale………………………………………………………………………………...5
Organisation du document…………………………………………………………………………...5
Problématique………………………………………………………………………………………..6
1.1 Introduction…………………………………………………………………………...8
1.5 L‟émetteur…………………………………………………………………………….11
1
2.1 Les codes en ligne……………………………………………………………………..17
Problé matique
Π.1 Introduction…………………………………………………………………………….38
Π.3 Conclusion………………………………………………………………………………40
2
II.3.2 Calcul de la période symbole…………………………………………………………44
II.4 Complémentarité des deux méthodes…………………………………………………..47
II.6 Conclusion……………………………………………………………………………...49
PartieIII : résultats et discussion
III.1 Simulation……………………………………………………………………………..50
Introduction…………………………………………………………………………………59
III.6) Conclusion…………………………………………………………………………….66
Bibliographie ………………………………………………………………………………68
3
Résumé :
4
Partie I : Détection du signal intrus
1- Introduction:
2-organisation du document :
Notre document est devisé en deux grandes parties, dans la première le chapitre
1 est introductif destiné à la description d‟une chaine de communication , le chapitre 2
sera consacré à la transmission en bande de base, tendis que dans le chapitre 3 nous
aborderons les différents estimateurs de la densité spectrale des signaux et en
particulier des signaux télécom. La deuxième partie est consacré à l‟extraction de
l‟information à partir du signal détecté et enfin la troisième partie sera consacré à la
description des méthodes utilisées et à la présentation des différents résultats obtenus.
5
3- problématique :
Nous avons pu trouver un article qui traite un problème qui se rapproche un peu
du notre problématique. Cet article porte sur la détection d‟un signal noyé dans du
bruit large bande [2]. Dans notre cas le signal est noyé dans un autre signal large bande
et en présence du bruit. Cet article fait une hypothèse très forte sur le signal bande
étroite il ne considère pas un signal à bande étroite mais prend le cas extrême en
considérant un cosinus.
Une fois le signal détecté il faudra le ramener en bande de base. Dans notre cas
comme nous n‟avons aucune information sur ce signal qui sera ramené en bande de
base en fonction du signal large bande, ce qui a pour conséquence l‟introduction d‟un
résidu fréquentiel. La deuxième étape consiste à déterminer la bande de fréquence et à
localiser le spectre, après nous devons faire de la reconnaissance de modulation afin
de démoduler le signal et récupérer la séquence émise. Pour cela, il faut connaitre la
cadence à laquelle nous devons échantillonner le signal (Ts), mais notre cas cette
quantité est inconnue. Nous avons pu trouver plusieurs documents qui traitent de
l‟estimation du rythme symbole. Nous pouvons citer l‟article de Houcke [3] ainsi que
celui de L. Mazet et P. Loubaton [4].
6
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figure : spectre du signal reçu large bande en bleu qui cache le spectre du signal
bande étroite (signal intrus)
7
Chapitre I : chaine de transmission numérique :
Introduction :
Cette mise en forme impose que l‟émission d‟une donnée nécessite une durée non
nulle.
De plus le signal qui transporte l‟information peut subir des déformations dont il faut
autant que possible réduire les conséquences néfastes. Le schéma de principe d‟une
chaine de transmission numérique est représenté sur la figure 1. On peut distinguer : la
source de message, le milieu de transmission et le destinataire qui sont des données du
problème. Le codage et le décodage de sources le codage et le décodage de canal,
l‟émetteur et le récepteur représentent les degrés de liberté du concepteur pour réaliser
le système de transmission. Nous allons maintenant décrire les différents éléments qui
constituent une chaine de transmission.
Emetteur
canal
y(t)
Décodage Décodage Démodulation Egalisation
source canal
Récepteur
8
1.2 La source de message :
Pour réaliser une transmission numérique, le message à transmettre doit être sous
forme numérique. Si la source délivre un message analogique tel que le signal de
parole (sortie d‟un microphone) ou le signal d‟image (sortie d‟une camera), il faut le
numériser en échantillonnant le message analogique puis en quantifiant les
échantillons obtenus. Chaque échantillon quantifié est ensuite codé sur M éléments
binaires (appelés traditionnellement bits) .
Une source à valeurs discrètes génère un processus aléatoire à temps discret, une
suite de variable aléatoire (v.a.), à valeurs discrète finis. Soit le processus aléatoire
{Xk} k ϵ {-∞,+∞ } et XK ϵ α = {α1 , α2 , ….., αM } où α est l‟alphabet de la source.
Le nombre M de valeurs possible de la source peut être fini ou infini dénombrable. On
connait de la source son alphabet et les probabilités à priori respectives de ses
éléments. Elles sont définis par :
avec : P(X)1
x x
Lorsque les probabilités à priori des valeurs des v.a. xk ne dépendent pas de l‟instant K,
la suite est dite stationnaire au premier ordre. Lorsque les probabilisés jointes
pX(xK,xKm)ne dépendent pas de l‟instant K, la suite est dite stationnaire au deuxième
ordre ou au sens large. On dit que la suite { x K } est une suite de v.a. indépendantes et
identiquement distribuées, suite I.I.D. ou encore que le processus { x K } est un bruit
blanc.
9
1.3 Le codage de source :
1 1
D= T (bit. s )
b
Le codage de canal, aussi appelé codage détecteur et/ou correcteur d‟erreurs, est
une fonction spécifique des transmissions numériques, qui n‟a pas son équivalent en
transmission analogique. Cette opération a pour but d‟améliorer la qualité de la
transmission en insérant dans le message des éléments binaires dits de re dondance
suivant une loi donnée, ce qui a pour inconvénient de limité la quantité d‟information
utiles à transmettre. Le décodeur canal, qui connait la loi de codage utilisée à
l‟émission, vient vérifier si cette loi est toujours respectée en réception. Si ce n‟est pas
le cas il détecte la présence d‟erreurs de transmission qu‟il peut corriger sous certaines
conditions.
Remarque : la fonction de codage de canal n‟est pas toujours utilisée, car elle accroît
la complexité des équipements de transmission et donc leur coût.
10
1.5 L’émetteur :
Le message numérique, en tant que suite d‟éléments binaires, est une grandeur
abstraite.
Pour transmettre ce message il est donc nécessaire de lui associé une représentation
physique, sous forme d‟un signal électrique. C‟est la première fonction de l‟émetteur
appelée généralement opération de modulation.
Le message binaire de débit D est donc représenté par un signal, dont on définit
alors la rapidité de modulation R (exprimée en bauds), comme le nombre de signaux
émis par le modulateur par unité de temps :
1
R = T (Bauds)
D
R = log M
2
11
Lorsque la bande allouée à la transmission est centrée autour d‟une fréquence
f 0 élevée, le modulateur élabore parfois un signal dont le spectre est centré autour
d‟une fréquence dite intermédiaire et plus basse que la fréquence f 0 ; l‟émetteur
assure une fonction de changement de fréquence qui permet de centré le signal modulé
autour de la fréquence f 0 souhaiter.
Un canal de transmission à temps discret associe une v.a. Y (sortie) à une v.a.
y
X(entrée) suivant une loi conditionnelle PY X ( x ) .
et
12
Canal à bruit additif gaussien blanc AWG N : (Average White Gaussien Noise)
C‟est un canal à bruit additif gaussien, il est représenté sur la figure(4). L‟entrée
x est à valeurs discrètes ou continues et la sortie y est à valeurs continues. Ce canal est
défini par la relation d‟entrée sortie.
y= x + b
Si la suite {bk } est I.I.D , le bruit est gaussien blanc. Les modèles de canaux
BSC est AWGN sont utilisés pour modéliser les canaux de transmission réelles.
13
1.6.3 Propriétés des canaux de transmission réels :
γ 0d = 10log = 20 log
Le bruit est essentiellement apporté par les amplificateurs situés à l‟entrée des
répéteurs. Le canal est à bruit additif blanc gaussien de faible densité spectrale, qui est
contrôlée par l‟utilisateur. Les distorsions linéaires produites par la dépendance du
coefficient d‟affaiblissement en fonction de la fréquence et par la diaphonie entre des
lignes situées physiquement dans le même câble de transmission, sont les phénomènes
les plus gênants. La capacité des lignes de transmission est surtout liée à la bande
passante des supports.
Tous les canaux radio électriques ont en commun d‟utiliser une antenne
d‟émission et une antenne de réception. Le gain d‟une antenne est défini par :
4A
G=
2
P
r
G G
( )2
P
t
T R
4d
14
Où d est la distance de propagation et GT et G R sont les gains des antennes
2
d‟´emission et de réception et ( ) est l‟affaiblissement de propagation. Si l‟on
4d
reporte la relation on obtient :
P
r
AA 12
( )
P
t
T RT R
d
15
1.6.3.4Canaux multi-trajets
La transmission radioélectrique entre des antennes, qui ne sont pas en vue directe,
est réalisée par des trajets réfléchis ou diffractés sur des obstac les. La présence de
plusieurs trajets est indispensable dans une liaison radioélectrique. La différence de
temps d‟arrivée des trajets définit la durée de dispersion dont l‟inverse est la bande de
cohérence du canal de transmission. Statistiquement, l‟amplitude instantanée du signal
reçu suit une loi de Rayleigh.
1.7 Le Récepteur :
16
Chapitre II : Transmission en bande de base
Dans ce chapitre nous allons, dans un premier temps, décrire les codes en lignes
utilisés pour les transmissions en bande de base, ainsi que quelques-unes de leurs
propriétés les plus importantes; nous examinerons ensuite les problèmes posés par leur
transmission sur ce que nous appellerons le canal « idéal », c‟est-à-dire un canal dont
la bande passante est infini.
r
i P
P k i; i= 0,1 k
Sauf indication contraire nous supposerons dans la suite du mémoire que les
probabilités P0 et P1 sont identiques ( P0 = P1 =1/2).
S i = 0 t 0, Tb ; i = 0, 1
Ainsi, à la suite des éléments binaires { k }, le codeur en ligne associe le signal e(t)
ayant pour expression :
e(t) =
k
S (tkT
i(k) b);
i(k) = 0,1 (2.1.1)
17
Où l‟indice k varie implicitement de -∞ à + ∞ la valeur de l‟indice i(k) est fonction de
la valeur de l‟élément binaire k :
i(k) = 0 si k = 0
i(k) = 1 si k = 1
Si (t)Aih(t) ; i = 0,1
e(t) = A k
i(k ) h(t- kTb ) (2.1.2)
En générale pour simplifier les notations, le double indice i(k) est supprimé et le
signal e(t) s‟écrit simplement sous la forme :
e(t) = a
k
k h ( t kTb ) (2.1.3)
a k = A0 si ak = 0
a k = A1 si ak = 1
18
e(t) = a h(t kT )
k
k
(2.1.4)
Où les a k sont des symboles M-aires qui prennent leur valeur dans un alphabet à M
éléments { A0 , A1 ,……, AM 1 }. L‟utilisation de symboles M-aires permet, en général,
à débit binaire donné D, de réduire la rapidité de modulation R en sortie du codeur en
ligne, puisque :
D
R = log M (2.1.5)
2
D‟autres contraintes peuvent encore exister pour le choix d‟un code en ligne ;
illustrons-les à l‟aide de trois exemples.
En imposant certaines règles pour le codage des symboles a K , telle que, par
exemple, des configurations de symboles interdites, le récepteur pourra détecter la
présence anormale d‟erreurs de transmission, et disposer ainsi d‟éléments pour estimer
la qualité de la liaison.
La densité spectrale de puissance des codes en ligne est une de leurs caractéristiques
importantes.
19
2.1.3 Densité spectrale de puissance d’un code en ligne :
1
f)S
2
S
S( a(f)H(f) (2.1.6)
T
S(f)
Ea
k
H
(f)
2
2
(2.1.7)
S
T
Sa(f)R
a(k) e j 2 KTf (2.1.8)
Avec :
Ra = Eanan*k .
) )
2
On pose : R
'a(
k R
a(
k ma , et on trouve
Sa(f)R
a(k)e j2K T f = R'
a (k) j 2 K T f
+ ma
2
e
j2 K f
2
m n
2 j
2KT
f a
S
(
f
a) (
R(
k
)m)
e (
f
a )
a (2.1.9)
T
k T
n
20
On remplace la relation 2.1.9 dans 2.1.6 on trouve :
S
(
f
S
)
H
(
T
f
)
(
R
k
(
k
)
a
m
2
)
a
e
j
2K
Tf
m
a
2
T
H
(
n
2
2
n
)
T
(
f
n
)
T
(2.1.10) 2
Cette expression porte le nom de formule de BENETTE.
Ea H2
S
K 2
P (f
) df
T
EaK
2
S
P (2.1.11)
T
S
E P
STEa
k 2
(2.1.12)
L‟énergie moyenne par élément binaire est définie à partir de l‟énergie moyenne
par symbole et du nombre d‟éléments binaires associés en moyenne à un symbole
transmis m = log 2 M
E
E E
s s
Ea
k 2
(2.1.13)
b
log
2Mm log
2M
21
Le débit binaire et la rapidité de modulation sont reliés par la relation
1 D
S
b
D (2.1.14)
T log
2M
D
b
(
bits
/s/Hz
)
B
N0
Où Eb désigne la quantité d‟énergie par bit, exprimé en nombre de joules par bits, et
N 0 /2 la densité spectrale du bruit additif, blanc sur le canal, exprimé en W/Hz. On en
déduit que la puissance moyenne du signal est donnée par PS Eb Db et que la
puissance du bruit dans la bande B est donnée par Pb N0 B. On en déduit le rapport
signal sur bruit en puissance :
Ps E
b =
Pb N0
tn=nT + t0 αˆ n
22
L‟échantillon y (t 0 ) , prélevé à l‟instant t 0 en sortie du filtre de réception, est comparé
à un seuil S et une décision concernant la valeur de l‟élément binaire 0 est prise selon
la règle suivante :
^
y (t 0 ) > S alors 0 = 1 (2.2.1)
^
y (t 0 ) < S alors 0 = 0
récepteur.
^
P
e
0 r
P 0
1/ 0
0 (2.2.2)
^
P
e1r
P 00
/ 0
1
e
P p0P0
e p1P
e
1 (2.2.3)
S
P
e P
p
0
Y
/0
0(
y
)
dy
p
1P
Y
/
S
0
(
1y
)dy
1
yr
(
t) 2
2
0
P
Y
/(
1y) exp
( ) (2.2.4)
22 2
1
yr
(
t) 2
2
0
P
Y
/(
0y) exp
( )
22 2
23
Figure (6) : Densité de probabilité sous les deux hypothèses
2
exp(
erfc
u2
)du
x (2.2.5)
1 r
(
t
)S1 r(
t
)S
0 0
P
e p
0erfc p
erfc
1 (2.2.6)
2 22 2
Avec :
S : seuil de décision
erfc : fonction d‟erreur
r (t 0 ) = h(t)gr (t)
g r (t ) : Filtre de réception
24
Ce qui conduit à résoudre l‟équation :
2 2
r
(t
) S r
(t
) S
p
exp
1
0
p
exp0 0
2 0 2
2 2
S
2
P
ln0
opt (2.3)
2
r(t0) P1
optimal est égale à zéros, le détecteur test le signe de l‟échantillon y (t 0 ) pour décoder
l‟élément binaire 0 .
Eb
La probabilité d‟erreur minimale est exprimée en fonction du rapport N , où
0
Eb représente l‟énergie du signal reçu à l‟entrée du récepteur lorsque l‟élément binaire
0 est émis, et N 0 est la densité spectrale monolatérale du bruit.
b a
22
E 0h(
t)dt
1 E
e erfc
b
P (2.4)
2 N0
On constate que la probabilité d‟erreur ne dépend donc pas de la forme d‟o nde h(t)
mais uniquement de son énergie. Deux formes d‟ondes différentes, mais ayant même
énergie, conduiront donc à la même probabilité d‟erreur. Dans la figure 7 nous avons
25
Eb
tracé la probabilité d‟erreur en coordonnées logarithmiques en fonction du rappor t
N0
en dB.
-1
10
Probabilité d erreur
-2
10
-3
10
0 1 2 3 4 5 6
Eb/N0 en dB
y
(
nTt
)
0a
r
(
nt
)
0
a
nr
(
t
m
0
mT
)b
(
t
0nT
)
m
0
(2.5.1)
26
Le premier terme dépend du symbole n , le deuxième qui dépend des symboles
anm(m0) est appelé terme d‟interférence entre symboles (IES) et le troisième
représente le bruit.
L‟absence d‟IES, aux instants de décision t0 nT, impose que l‟impulsion r(t)
vérifie la condition suivante :
r
(
t
0
nT
) r
(
t)0
0 ,
n
n (2..6.1)
1 n
f)
t
R
e( R(f) j2 n 0 (2.6.2)
Tn Te T
n
f T
R
T
n
(2.6.3)
Cette condition est appelé critère de Nyquist. Pratiquement, cela signifie qu‟on ne peut
pas transmettre sans IES un signal de rapidité de modulations R=1/T dans une bande
inférieure à 1/2T.
27
T f
si
1
2T
(f)
T
T1 1 1
C
S 1 sin f
si f
2 2
T 2T 2T
(2.6.4)
0 AIILEURS
0.3
0.25
0.2
0.15
0.1
0.05
-0.05
0 100 200 300 400 500 600
28
Chapitre 3 : Détection du signal bande étroite :
Avant de parler de la détection du signal intrus (signal bande étroite) nous allons
faire un rappelle théorique sur l‟estimation de la densité spectrale de puissance parce
que nous allons en avoir besoin après pour expliquer la méthode de détection que nous
avons utilisé.
Introduction :
a- Le périodogramme :
Soit x(n) un processus aléatoire stationnaire du second ordre au sens large, centré.
On note R (k) E x
n kx*
(n)sa fonction d‟autocorrélation et S(f ) sa dsp. On appelle
périodogramme la fonction aléatoire de f (0,1)définie par:
2
1N j
1
^
f)
2 nf
S
n( xne (3.1)
N
n0
29
Cette estimateur peut être calculé directement en élevant au carré la transformé de
Fourier (FFT) de la séquence observée, ce qui montre tout l‟intérêt de cette approche.
En réalité, cet estimateur est bien décevant car il est biaisé et la variance de l‟erreur
spectrale de décroît pas avec la durée d‟observation. Quelque soit cette durée, la
variance de cette estimateur reste proportionnelle au carré du spectre cherché.
L‟idée est de ne pas utilisé directement le périodogramme pour estimé la dsp mais des
séquences qui représentent des portions du signal, en divisant l‟échantillon x(n) de
longueur N en K segments de longueur.
i
M, on définie les séquences élémentaires x M (k ) par :
i
x
M(
k
)x
M(
iMk
),
i
0
.....
k
1,
k 0
........
M1 (3.2)
^
S
(
if
)
1i
X
M(f
)
2
, i
avec
X
M(f
)
i
x
M(
k
)
e
2
jk
f
(3.3)
M
^ 1K 1^
SN(f) S
i(f) (3.4)
Ki
0
i
En supposant que les échantillons successifs x M (k ) ne sont pas corrélés, on constate
que la variance est divisée par un facteur K qui correspond au nombre de segments
choisis. Si on veut avoir une variance la plus petite possible on a qu‟à choisir une
grande valeur pour K mais cela n‟est pas sans conséquences car en détériore la
résolution spectrale en réduisant le nombre de point de chaque fenêtre d‟analyse M =
N/K. On conclusion le choix de K relève d‟un compromis entre résolution et variance
si K est grand la variance est diminué mais la résolution se dégrade et la réciproque est
vrai.
b- estimateur de welch :
30
i
x
M (
k)*w
M(
k)i
x
W (
k) (3.5)
Et on calcule :
i 2
1X(f)
^ 1K
w
S
w(f) (3.6)
Ki
0 M
^
La formule d‟estimation S w ( f ) doit être corrigée, car, par l‟application de la
i
fenêtre wM (k ) , nous avons modifié la puissance moyenne de la tranche x m (k ) . Il
convient d‟appliquer un
1 M1 2
terme correcteur égal à M wM(k).d‟où la nouvelle expression de l‟estimateur :
K0
i 2
^ M1K X (f)
w
S
w(f)M
1
(3.7)
2 Ki
0 M
wM(k
)
k0
Le fait de multiplier certains échantillons par des coefficients de pondération très petits
fait que ces échantillons jouent un rôle négligeable dans le calcul, d‟où l‟idée de welch
de faire chevaucher les sous intervalles. Le taux de recouvrement le plus souvent
utilisé est 50%.
Pour bien comprendre les motivations, qui nous ont poussés à nous orienté vers
cette méthode, nous allons faire un petit résumé du problème. Dans notre cas nous
avons deux signaux dont l‟un des deux on a aucune information à priori ; les deux
signaux ont des Ts différent et donc deux bandes différentes et le signal qu‟on veut
détecter a une puissance plus faible que le signal large bande ; dans le domaine
temporel les deux signaux sont présent tout au long de la duré d‟observation par contre
dans le domaine fréquentiel le spectre du signal bande étroite vas êtres présent en
même temps que le spectre du signal large bande que pendant une bande de fréquence
bien précise. Donc notre idée est de découpé la bande du signal totale en plusieurs sous
bande ensuite on met un détecteur dans chaque sous bande.
31
On se fixe un seuil après on fait notre teste de détection ; il est bien évident que les
performances de notre méthode vas reposer sur notre détecteur et plus précisément sur
le seuil de détection.
H
0: y
(t)
b(
t)
(3.3.1)
H
1:y
(t)
xt)
( b(
t)
C‟est un test binaire composé de deux hypothèses. H 0 est l‟hypothèse dite nulle
correspondant à l‟événement « signal absent » et H 1 est l‟hypothèse dite alternative
correspondant à l‟événement « signal présent ».
p
(y/H)
Le rapport
1
(y
)
(y/H) est appelé rapport de vraisemblance, les fonctions
p 0
P
1
P
H
1/
prob
y H
fa
0 (3.3.3)
P
H1
32
- Erreur de second type : elle se produit lorsque l‟hypothèse H 0 est choisie alors
que le signal est présent. Sa probabilité Pnd est donnée par :
P
nd
1
PH
1/
prob
y
H
1 (3.3.4)
P
H1
Lx
.........,
x /H
1 n
0 1
S
Rejet de H 0 si L
x1 xn
0/H
0
........., (3.3.5)
Avec :
L x
1 x
n0/H1la fonction de vraisemblance sous l‟hypothèse H 1
.........,
L x
1 x
n0/H0la fonction de vraisemblance sous l‟hypothèse H 0
.........,
S : Seuil de décision
1 n
1
2
exp x m 2
2
n
22
2 i1
i 1
Rejet de H 0 si 1 n
> S (3.3.6)
1
2
exp xi m
0
2
2
n
22
2 i1
Rejet de H0 si : T = x S ,
i 1
i où T est appelé statistique du test.
Nous remarquons que pour faire le test de détection il est primordial de connaitre les
densités de probabilité de y(t), py / H0 et py / H1 ) respectivement sous H 0 et sous
H 1 , ainsi que les probabilités a priori PH 1 et 1 - PH 1 respectivement des
hypothèses H0 et H1 ; seulement dans notre cas nous n‟avons aucune information a
priori sur le signal que nous voulons détecté c‟est pour cela que nous nous so mme
orienté vers la détection du spectre du signal (densité spectrale de puissance).
34
Le teste de détection est le suivant :
Sous l’hypothèse H 0 : nous avons le spectre du signal large bande (dsp) + le spectre
du bruit (dsp) du bruit.
Sous l’hypothèse H 1 : nous avons le spectre du signal large bande (dsp) + le spectre
du signal bande étroite (dsp) + le spectre du bruit (dsp).
0
H S
(
1f)S
b(
f)
(3.3.7)
1
H S
(
1f
)S(
2f
)S(
bf)
Avec :
1
S1 ( f )
2
S1(f)H
a 1(f) la densité spectrale de puissance du signal large bande défini
T
dans la section 2.1.3 équation 2.1.6.
1
S2 ( f )
2
Sa2(f)H2(f) la densité spectrale de puissance du signal bande étroite.
T
N0
Sb ( f )
2
H( f ) la densité spectrale de puissance du bruit.
2
Il est bien évident qu‟en pratique on ne dispose pas des valeurs réelles mais des
estimés donc les deux hypothèses deviennent :
^ ^
0
H S
1(f)
Sb(f)
^ ^ ^ (3.3.8)
1
H S
1(f)
S2(f)
Sb(f)
35
On remplaçant les densités spectrales estimé respective du signal large b ande, bande
étroite et du bruit par la relation 3.7 on trouve :
i i 2 2
KX (
f) KX (
f)
H
0
M1
M 1
1
w
M1
M 1
bw
K 0 M K 0 M
wM
2
(
k) i wM
2
(
k) i
k0
k0
2 2 2 (3.3.9)
i i i
KX (
f) KX (
f) KX (
f)
H
1
M1
M 1
1
w
M
1
M 1
2
w
M1
M 1
bw
K 0 M K M K 0 M
wM
2
(
k) i w2
M(
k) i
0
wM
2
(
k) i
k0
k0
k0
Avec :
i
X bw (f) = x (k)e (bruit)
i
bM
j2 kf
S = MAX [
36
Π-Partie : Estimation du rythme symbole
37
Π.1) Introduction :
Rappelons tout d‟abord le contexte dans lequel ce travail se situe. En effet, le
signal reçu est échantillonné avec une fréquence d‟échantillonnage qui n‟est pas un
multiple du débit symbole ( ). Dans ce qui suit,
nous travaillerons avec =2.8.
+ (Π.1)
Dans tout ce qui suit, nous supposons que est bornée et causale. Le but étant donc
de retrouver la période symbole ; ce genre de problème est appelé „aveugle‟
puisqu‟on ne connaît ni ni . On ne dispose non plus d‟aucune séquence
d‟apprentissage. Pour pouvoir résoudre ce problème, on a recours soit aux statistiques
d‟ordre supérieur à 2 du signal de sortie y(t), soit à la propriété de cyclostationnarité de
ce dernier.
Etant donné qu‟on ne dispose pas d‟information à priori sur ce signal de sortie,
l‟alternative est donc de passer par la cyclostationnarité. Tout ce dont on dispose est le
signal reçu c'est-à-dire .
Avec la méthode cyclique [7], le signal reçu possède la propriété suivante : tout
multiple de avec , est une fréquence cyclique. Cette remarque est la clé de
plusieurs estimations de Ts. Dés lors, une estimation de Ts peut être obtenue comme
étant l‟argument maximum d‟une certaine fonction de coût [6].
38
Due à la largeur de bande du filtre de mise en forme, nous pouvons penser que
possède une seule fréquence cyclique strictement positive i.e pour Cependant
cette méthode souffre de certains inconvénients, dont on a parlé plus haut, notamment
lorsque l‟excès de bande tend vers zéro. Une nouvelle méthode est présentée et qui
permet de remédier à ces inconvénients.
(Π.2)
(Π.3)
et sont des symboles qui prennent leurs valeurs dans le même alphabet à
éléments donnant ainsi naissance à une modulation possédant éléments .
Chaque état est donc représenté par un couple ( , ) ou ce qui revient au même par
un symbole complexe Dans le cas particulier mais très fréquent où M
peut s‟écrire , alors les représentent un mot de n bits et les représentent
aussi un mot de n bits. L‟intérêt de cette configuration est que le signal s(t) est obtenu
par une combinaison de deux porteuses en quadrature modulées en amplitude par des
symboles et indépendants. Cette modulation prend naturellement le nom de
modulation d‟amplitude en quadrature (MAQ) et si sa constellation comporte E états,
on la note MAQ-E (voir figure (Π.1)).
39
QAM-16
3
1
quadrature
-1
-2
-3
-3 -2 -1 0 1 2 3
phase
Π.3) Conclusion : Après ces brefs rappels sur quelques notions de télécommunication,
nous allons entamer la deuxième partie de ce rapport dans laquelle nous verrons, après
avoir passé en revue l‟estimateur basé sur la cyclostationnarité, la méthode utilisée
pour l‟estimation de la période symbole, c'est-à-dire la nouvelle méthode de
déconvolution qui se base sur le critère du module constant.
40
Chapitre2 : Estimation de la période symboles
II.2.1) Introduction : Comme nous l‟avons évoqué un peu plus haut, cette partie
concerne l‟estimation de la période symbole. Mais avant de parler de la nouvelle
méthode basée sur le concept de la déconvolution, nous allons parler d‟abord
brièvement d‟une méthode d‟estimation basée sur l‟estimation par détection de la
fréquence cyclique (appelée aussi méthode classique) et voir quelques inconvénients
qui pourront être évités avec la nouvelle méthode. Nous verrons ensuite que la
combinaison de ces deux méthodes permet de garantir une meilleur estimation de .
Enfin nous parlerons de la manière dont l‟estimation de la période symbole est réalisée
en présence d‟un résidu de porteuse.
L'approche en question, comme nous l‟avons évoqué plus haut dans la problématique,
consiste à remarquer que le signal en sortie du filtre c‟est-à-dire (équation (Π.1))
est cyclostationnaire à l‟ordre 2, et que le débit symbole 1/Ts est sa plus petite
fréquence cyclique strictement positive.
Ceci s‟explique par le fait que le support de la fonction de transfert de la réponse
impulsionnelle est borné (car appartenant à l‟intervalle [-B,B], avec ,
le facteur d‟excès de bande). Ainsi, en dehors de cette bande, cette fonction de
transfert étant nulle, il en est de même pour le cyclo-spectre car relié à la fonction de
transfert par [8] :
(Π.4)
41
Ce problème d'estimation est relativement classique, et se résous en pratique à partir
du signal à temps discret obtenu par échantillonnage de y(t) à une période Te
qui respecte Shannon.
On remarque en effet que est cyclostationnaire et que sa plus petite
fréquence cyclique positive correspond à . Autrement dit, il existe un entier k
tel que l‟autocorrelation cyclique considérée au point k et à la fréquence cyclique est
non nulle.
Estimer équivaut donc à estimer la plus petite fréquence cyclique de .
Pour ceci, on peut par exemple définir l‟estimée de comme l‟argument d‟une
certaine fonction de coût définie de la manière qui suit :
(Π.5)
(Π.6)
I est un intervalle de recherche de qu‟il faut choisir avec précaution. N est le nombre
d‟échantillons disponibles et K est un paramètre qu‟il faut choisir de telle sorte qu‟il
permette une bonne estimation de .
Comme nous l‟avons dit précédemment, le choix du roll-off est d‟une importance
capitale pour une bonne estimation. En effet, si la bande passante du signal d‟entrée est
de l‟ordre de , l‟autocorrelation cyclique du signal de sortie prend des valeurs très
faibles.
La méthode ainsi présentée, conduit alors à des performances qui peuvent être
médiocres si on ne considère pas un grand nombre d‟échantillons, ce qui pourrait être
un inconvénient dans les applications temps réel.
42
II.3) Procédure d’estimation de en utilisant une nouvelle méthode:
43
Pour mener à bien ce travail, on commence d‟abord par des cas qui sont plus ou moins
simples c‟est à dire qu‟on considère pour un début que qui est la fréquence de
décalage de la porteuse (appelé aussi résidu de porteuse) est nulle, c‟est à dire que,
dans un premier temps, nous supposons pour des raisons de simplifications que la
fréquence porteuse de l‟émetteur est connue du récepteur et donc que le signal reçu a
pu être ramené en bande de base.
Une fois cette étape franchie, nous généraliserons l‟approche au cas où un résidu de
fréquence porteuse est présent.
(Π.7)
(Π.8)
Posons , l‟équation ci-dessus (II.8) peut être exprimée sous la forme suivante,
car dépendant de mais aussi de :
(Π.9)
La fonction de coût qui sera utilisée pour la minimisation peut être écrite sous la forme
générique suivante [3]:
(Π.10)
44
Avec et des fonctions mathématiques à valeurs réelles définies sur C et qui so nt
respectivement concaves sur et convexes sur R. Elles sont de plus, continûment
différentiables.
Pour être une fonction de contraste, J(G,α) doit vérifier les conditions suivantes :
admet une limite inférieure c’est à dire qu’il existe un réel constant k
tel que pour tout filtre stable G, .
( , , , ) sont définies de telles sortes que ainsi défini soit une fonction
de contraste avec une borne inférieure que nous appellerons K.
Dans cette perspective, nous pouvons envisager deux cas: = 1 un cas et un autre où
celui-ci est différent de 1 ( ≠1).
Ce qui donne :
(Π.11)
45
Propriété :
Dans le deuxième cas, les données reçues sont échantillonnées avec une période
quelconque, les signaux et sont en général non
(Π.12)
La mise en œuvre et les propriétés de cet algorithme ont été largement étudiées dans la
littérature, notamment dans [5], [10].
46
La période symbole est donc obtenue en minimisant cette fonction de coût qui non
seulement dépend de par l‟intermédiaire de , mais aussi du filtre numérique (ou
filtre égaliseur) G(z) , dont le rôle est de compenser l‟effet des trajets multiples ; ce qui
permet ainsi de retrouver les données émises à un retard et / ou un décalage près.
Cependant, il n‟est pas aisé de pouvoir minimiser cette fonction de coût puisque,
comme nous l‟indique l‟équation (II.12) cette fonction est à deux variables (G et ).
Et c‟est justement pour cette raison qu‟on va d‟abord fixer une des valeurs c'est-à-dire
et la faisons varier dans une certaine plage (par l‟intermédiaire de ), ensuite
cherchons pour chacune des valeurs de , le G tel que la fonction de coût soit
minimale. Autrement dit, pour chaque valeur de correspond une fonction de coût
minimale par rapport à G. Toutefois, cela ne nous permet d‟avoir que pour
l‟instant. Sachant que cette dernière dépend de (et donc de ), le tracé de la courbe
de cette dernière par rapport à , nous montrera qu‟ il existe bien un minimum et
qu‟il est atteint pour seulement dans l‟exemple considéré).
47
Par conséquent, une procédure globale d'estimation de la période symbole consiste à
effectuer dans un premier temps une recherche exhaustive en utilisant celle des deux
méthodes mentionnées qui fournit le plus faible pourcentage de fausses détections,
puis, dans un deuxième temps, d'initialiser un algorithme du gradient basé sur les
méthodes cycliques. Il reste donc à déterminer par simulation le pourcentage de
fausses détections correspondant à chacune des méthodes [9].
Nous montrons ici que les solutions de la condition de module constant peuvent
être aisément déduites du cas où le résidu de porteuse est supposé nul. Grâce à une
démarche identique à celle du paragraphe précédent, il apparaît que le signal y(t) reçu
comme nous l‟avons écrit plus haut (équation (II.1) ) est :
Proposition :
Supposons en outre qu‟il existe un résidu de porteuse non nul et que le signal z(t)
observé en sortie de l‟égaliseur est de module constant. Alors pour réel, on peut
écrire :
48
II.6) Conclusion :
Dans cette partie, nous avons vu entre autre l‟estimation de la période symbole
avec les deux méthodes d‟estimation ; nous avons vu qu‟avec la méthode du critère du
module constant, nous obtenons de bonnes estimations contrairement à celle clas sique
où nous avons vu que lorsque le roll-off est très petit, l‟estimation peut être faussée.
Toutefois, cette dernière est plus facile à mettre en œuvre que la première. En outre,
nous avons vu aussi que la combinaison de ces méthodes donne des meilleurs résultats.
Pour finir, nous avons, pour la CMA, que l‟estimation en présence d‟un résidu de
porteuse se déduit facilement, contrairement à ce que nous pouvons nous attendre.
49
PartieIII : résultats et discussion
III.1 Simulation :
Dans cette partie nous allons étudier les performances du détecteur en fonction du
rapport signal à bruit (RSB) et en deuxième partie en fonction de l‟atténuation entre les
deux signaux.
Nous générons le premier signal (large bande) avec Ns1= 10000 symboles
(nombre de symbole par segments), le nombre de segment est de 100, le nombre totale
de symbole du signal est de 10000*100=1000000 symboles chaque symbole a une
duré Ts = 0.5 s Te= 0.1 s , la bande du signal est B=3MHZ, les symboles seront
mis en forme par un filtre en racine de cosinus surélevé avec 0.5 (le rolloff), une
fois le signal généré nous allons le modulé par une modulation QAM à 4 états, pour le
signal bande étroite Ns2= 1000 symboles, chaque symboles a une duré e Ts= 5 s on
fait varié le RSB et on estime le spectre du signal reçu pour chaque valeur du RSB
ensuite on fait le test de détection pour chaque segment du signal.
8 6 6 6
5.5
6 5 5
5
4 4.5 4 4
0 50 100 150 0 50 100 150 0 50 100 150 0 50 100 150
6 6 6 6
5 4 4 4
4 2 2 2
3 0 0 0
0 50 100 150 0 50 100 150 0 50 100 150 0 50 100 150
6 6 6 6
4 4 4 4
2 2 2 2
0 0 0 0
0 50 100 150 0 50 100 150 0 50 100 150 0 50 100 150
6 6 6 6
4 4 4 4
2 2 2 2
0 0 0 0
0 50 100 150 0 50 100 150 0 50 100 150 0 50 100 150
50
détection, donc cela indique la présence du signal bande étroite tant dis que le spectre
ver qui représente l‟hypothèse H0 est au dessous du seuil (rouge) et donc on a que le
signal large bande qui est présent.
Dans le deuxième carré de la figure nous voyons bien que les deux s pectres se
superpose car il n ya plus de signal bande étroite, après nous remarquons que les deux
spectre continue à diminuer dans les autres carrés jusqu'à ce qu‟on ai que le spectre du
bruit et qui restera constant dans tous les autres carré.
D‟après la figure nous pouvons déduire que la méthode utilisée nous permet
aussi d‟estimer la bande de fréquence de la porteuse inconnue et même de la localiser
dans la bande de la porteuse utile (porteuse large bande), chose très importante pour
extraire les informations sur la porteuse.
6.8
bleu spectre sous H1
6.6 ver spectre sous H0
rouge seuil
6.4
6.2
5.8
5.6
5.4
5.2
5
0 20 40 60 80 100 120 140
Dans cette figure nous voyons bien que le spectre en bleu qui représente
l‟hypothèse H1 est supérieur au seuil de détection, donc cela indique la présence du
signal bande étroite après on voit qu‟il commence à diminuer jusqu‟à ce qu‟il
disparaisse et se superpose avec le spectre ver qui représente l‟hypothèse H0 et donc
on a que le signal lar ge bande qui est présent.
51
7
bleu spectre sous H1
6.8 ver spectre sous H0
seuil de detection
6.6
6.4
6.2
5.8
5.6
5.4
5.2
0 20 40 60 80 100 120 140
8
bleu spectre sous H1
7.8 ver spectre sous H0
seuil de detection
7.6
7.4
7.2
6.8
6.6
6.4
0 20 40 60 80 100 120 140
52
8.4
bleu spectre sous H1
8.2 ver spectre sous H0
seuil de detection
8
7.8
7.6
7.4
7.2
6.8
6.6
0 20 40 60 80 100 120 140
8.8
bleu spectre sous H1
8.6 ver spectre sous H0
seuil de detection
8.4
8.2
7.8
7.6
7.4
7.2
6.8
0 20 40 60 80 100 120 140
53
Dans cette figure en voit que les deux spectres sous H1 et sous H0 dépasse le seuil
de détection donc on constate que nous avons une fausse alarme ce qui revient à dire
que pour détecter la présence du signal nous devons avoir un RSB supérieure ou égale
à 1.5 dB.
Pour cette partie nous allons fixer le RSB à 10 dB et nous allons varier l‟atténuation
entre les deux porteuses et voir jusqu‟à quelle rapport on peut détecter le signal.
6.4
bleu spectre sous H1
ver spectre sous H0
6.2
seuil de detection
5.8
5.6
5.4
5.2
5
0 20 40 60 80 100 120 140
54
6
bleu spectre sous H1
5.9 ver spectre sous H0
seuil de detection
5.8
5.7
5.6
5.5
5.4
5.3
5.2
5.1
5
0 20 40 60 80 100 120 140
5.6
bleu spectre sous H1
ver spectre sous H0
5.5 seuil de detection
5.4
5.3
5.2
5.1
5
0 20 40 60 80 100 120 140
55
Figure (19) : probabilité de détection et de fausse alarme en fonction de l‟atténuation
H0 = x1 t + b(t )
H1 = x
1 2
t x t b
(t)
Comme nous n‟avons aucunes informations sur le signal qu‟on veut détecter donc on
ne connaît pas son rythme symbole et donc nous allons le ré-échantillonnées au rythme
symbole de la porteuse plus large ce qui a pour effet de sur-échantillonnée le signal.
Les résultats de cette méthode sont représentés dans la figure suivante
56
signal bande étroite émis
0.05
-0.05
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite avant le filtre adapté
0.05
-0.05
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite après le filtre adapté
0.05
-0.05
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Dans la figure précédente nous remarquons que pour un très grand SNR
(SNR=20dB) la porteuse à bande étroite est parfaitement détecté et la séquence après
le filtre adapté est identique à celle qui a étais émise.
-0.05
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite avant le filtre adapté
0.1
-0.1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite après le filtre adapté
0.1
-0.1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
57
signal bande étroite émis
0.1
-0.1
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite avant le filtre adapté
0.5
-0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
signal bande étroite après le filtre adapté
0.5
-0.5
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Comparaison :
Après les différentes simulations que nous avons faites nous pouvons dire que pour
des SNR très grand les deux méthodes présentent de bonnes performances mais la
méthode d‟Alcatel est plus simple à implémentée et plus rapide, d‟un point de vu
complexité elle est plus recommander mais malheureusement c‟est rarement le cas
qu‟on ait de très bon SNR sur tout dans ce genre d‟application (écoute passive) du
coup les performances ce dégrades très vite dès que le SNR est faible (limité à 11dB)
par contre la méthode que nous avons développés présente de très bonne performance
même pour un SNR très faible (1.5dB) .
Conclusion :
Dans ce chapitre, nous avons présenté les performances des deux méthodes pour
la détection d‟une porteuse inconnue noyée dans une porteuse plus large en présence
du bruit. Ces performances ont pu êtres illustrées par des simulations qui ont prouves
que la méthode que nous avons développés présente de meilleurs performances que
celle utilisé par ALCATEL cette méthode qui est basé en grande partie sur l‟estimation
du seuil de détection, les performances de cette méthode repose sur la qualité de
l‟estimateur, plus notre estimateur est optimale plus les performances de notre
méthode sont meilleurs comme nous l‟ont montré les simulations précédentes.
58
Résultats et simulation de la Partie II :
Introduction :
Dans cette partie, nous présenterons le contexte dans lequel les différentes simulations
ont été réalisées. Nous parlerons de l‟efficacité de la méthode b asée sur la CMA et la
qualité de notre estimateur et ce, en calculant des grandeurs comme l‟espérance
mathématique, la variance et l‟erreur quadratique moyenne (EQM) et d‟autre part, voir
à partir de quel rapport on a une bonne détection ?
Pour mener à bien cette tâche, nous considérons dans un premier temps qu‟on n‟a pas
de multi-trajets, pour voir déjà si le programme fonctionne dans ce cas simple. Puis
une fois que c‟est confirmé on passe à la chaîne complète en ajoutant les multi-trajets.
Le signal émis provient d‟une source numérique modulé par une modulation de
type QAM et qui délivre des séquences de symboles i.i.d qui passent à travers un filtre
de mise en forme, qui dans notre cas est un filtre de Nyquist en racine de cosinus
surélevé avec un roll-off (facteur d‟excès de bande petit pour montrer la robustesse de
cette méthode de déconvolution. Nous considérons un canal à trajets multiples. Nous
avons pris par exemple canal = [ ] On suppose de plus
qu'un bruit gaussien de densité spectrale de puissance égale à dans la bande
Les étapes suivies par notre programme sont représentées sur le schéma suivant :
59
Figure III.1 : les différentes étapes suivies pour retrouver Ts
Comme nous l‟avons dit, et comme les courbes suivantes vont le corroborer, le
minimum est pour la fonction coût est atteinte en TS = 2.8 échantillons par symbole.
Dans un cadre pratique, étant donné qu‟on n‟a aucune connaissance de la fonction
(II.12), on est amené à estimer cette dernière. Pour cela, on substitue à l ‟espérance
mathématique E { }une moyenne empirique calculée à partir des échantillons
disponibles.
(III.1)
60
III.4) Résultats obtenus et analyse :
Pour un premier temps, nous avons fait les simulations sans prendre en compte
le canal et en prenant un filtre de mise en forme en racine de cosinus surélevé (comme
nous le montre le schéma ci-dessus) dans le but de vérifier si notre programme
marche. Nous avons seulement rajouté du bruit dans le signal après l‟opération de
décimation.
1.28
1.26
1.24
1.22
J
1.2
1.18
1.16
1.14
1.12
2.2 2.4 2.6 2.8 3 3.2 3.4
Nombre d"echantillons par symboles dans le signal reçu
Nous constatons ainsi que le minimum est atteint en Ts=2.8 échantillons par symbole
pour un rapport signal à bruit .
61
1.28
1.26
1.24
1.22
1.2
J
1.18
1.16
1.14
1.12
1.1
1.08
1.9
1.85
1.8
1.75
1.7
J
1.65
1.6
1.55
1.5
2 2.5 3 3.5 4 4.5 5
Nombre d"echantillons par symboles dans le signal reçu
62
Dans cette figure nous remarquons bien que le minimum n‟est pas atteint en Ts=2.8 et
malgré qu‟il n‟y ai pas de multi-trajet et que nous avons un bon rapport signal à bruit,
pour remédiez à ce problème nous avons ajouter une fonction d‟optimisation qui
cherche le minimum de la fonction coût ce qui nous as permis de gagner quelques
précieux dB, la figure suivante illustre les nouveaux résultats.
1.3
1.28
1.26
1.24
J
1.22
1.2
1.18
1.16
1.14
2.2 2.4 2.6 2.8 3 3.2 3.4
Nombre d"echantillons par symboles dans le signal reçu
63
1.34
1.32
1.3
1.28
1.26
J
1.24
1.22
1.2
1.18
1.16
2.2 2.4 2.6 2.8 3 3.2 3.4 3.6
Nombre d"echantillons par symboles dans le signal reçu
Nous constatons que le rapport signal à bruit minimal qu‟il faut pour estimé le rythme
symbole est de 7dB.
64
1.2
1.18
1.16
1.14
1.12
J
1.1
1.08
1.06
1.04
1.25
1.2
1.15
J
1.1
1.05
1
2.2 2.4 2.6 2.8 3 3.2 3.4
Nombre d"echantillons par symboles dans le signal reçu
65
Nous constatons que pour un canal multi-trajets nous avons besoin d‟un rapport signal
à bruit plus élevé ( ) car il fait une rotation de la constellation ce qui rends la
décision des symboles émis à la réception plus difficile et donc une erreur d‟estimation plus
grande d‟où la nécessité d‟un RSB plus grand.
Le calcul de ces grandeurs dans le cas de notre estimateur nous a permis de trouver des
valeurs qui varient autour de zéro :
Nous pouvons donc conclure que notre estimateur est efficace vue la
faiblesse des grandeurs ci-dessus. Ce qui nous amène à dire aussi que cet
estimateur est robuste vis-à-vis des interférences et des multi-trajets.
III.6) Conclusion
66
Conclusion générale :
Il est bien connu que le récepteur optimal pour la détection d‟un signal
déterministe dans un bruit gaussien est le filtre adapté. Ce résultat est couramment
utilisé dans un contexte de communications où l‟hypothèse d‟un signal déterministe
est souvent réaliste. Ceci n‟est pas toujours le cas dans un contexte non coopératif.
Dans ce dernier cas, les paramètres inconnus n‟ont pas de densité de probabilité
connue a priori, le GLR est alors utilisé et les paramètres sont estimés par le principe
du maximum de vraisemblance.
67
Bibliographie:
[1] H. L. Van Trees. Detection, Estimation, and modulation Theory, part I, II, III. NY:
john Wiley & Sons, 1971.
[3] Sébastien Houcke, Antoine Chevreuil, and Philippe Loubaton. Joint Blind
Equalization And Estimation Of The Symbol Period: A Contrast Function Approach
[4] L. Mazet and P. Loubaton, “Cyclic correlation based symbol rate estimation,” in
Proceedings of ASILOMAR, Pacific Grove, California, october 1999, pp. 1008–1012
[5] D.N. Godard, “Self recovering equalization and carrier tracking in two
dimensional data communications systems,” IEEE Tr. on Communications, vol. 28,
no. 11, pp. 1867–1875, November 1980.
[6] A.V. Dandawaté and G.B. Giannakis, “Statistical tests for presence of
cyclostationarity,” IEEE Trans. on Signal Processing,vol. 42, no. 9, september 1994.
[7] F. Gini and G.B. Giannakis, “Frequency offset and symbol timing recovery in flat-
fading channels: a cyclostationary approach” ,IEEE Trans. on Comm., vol. 46, no.3,
pp. 400–411, march 1998.
[8] S. Houcke, “Séparation autodidacte d’un mélange de sources éméttant à des débits
inconnus et éventuellement différents” thèse de doctorat à l‟université Marne la Valée.
68
[14] C. Francis “Analyse spectrale Traité IC2, série Traitement du signal et de
l'image” 2003.
[15] Céline Bouder, Stéphane Azou, Gilles Burel“ Estimation, en contexte non
coopératif,
des paramètres d‟une transmission à spectre étalé par séquence directe” IEEE
Traitement du Signal, Vol. 20, No. 4, 2003
[21] K. Kim, Ihsan A. Akbar, Kyung K. Bae, Jung-sun Um∗, Chad M. Spooner, and
Jeffrey H. Reed “Cyclostationary Approaches to Signal Detection and Classification in
Cognitive Radio” Virginia Polytechnic Institute and State University Wireless @
Virginia Tech Mobile and Potable Radio Research Group 432 Durham Hall, Mail Stop
0350, Blacksburg, VA 24061, USA
[24] W. Chen, J.P. Reilly, and K.M. Wong. Detection of the number of signals in noise
with banded covariance matrices. IEEE Transactions on Radar, Sonar and Navigation,
143(5):289_294, 1996.
69