Vous êtes sur la page 1sur 27

Sommaire

Introduction
Emetteur
Communications numériques Canal
Récepteur
Transmission en bande de base Hypothèses du cours

Codage en ligne
Conversion bits/symboles
Mise en forme
Laurent Oudre Energie moyenne par bit
laurent.oudre@univ-paris13.fr Densités spectrale de puissance

Transmission en absence de bruit


Hypothèses
Interférences entre symboles
Université Paris 13, Institut Galilée Réception en absence de bruit
Ecole d’ingénieurs Sup Galilée
Parcours Informatique et Réseaux Alternance - 2ème année Transmission en présence de bruit blanc additif gaussien
2015-2016 Hypothèses
Récepteur optimal
Réception en présence de bruit

Transmission sur un canal à bande passante limitée

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 1 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 2 / 107

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 bande passante limitée

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 3 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 4 / 107
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 2015-2016 5 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 6 / 107

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 2015-2016 7 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 8 / 107
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 ayant pour fonction de transfert Hc (f )
◮ Eventuellement source d’erreurs (bruit, perte de données, etc...) ◮ Dépend à priori de la fréquence : notion de bande passante du canal
◮ Canal idéal : Hc (f ) constant dans la bande passante

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 9 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 10 / 107

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 2015-2016 11 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 12 / 107
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 2015-2016 13 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 14 / 107

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 2015-2016 15 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 16 / 107
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) On s’interesse ici à la transmission en
r (t) y (t) Filtre de z(t) bande de base :
Emetteur
Démodulation réception Echantillonage
◮ Pas d’étape de
hr (t)
modulation/démodulation
zk = z(kT ) e(t) Filtre de e ′ (t) Bruit r (t) ◮ Transmission des signaux tels
canal hc (t) additif b(t)
quels, dans la bande de fréquence
Décodage Décision
Canal de transmission originale
d̂n âk On supposera aussi que le canal utilisé
est idéal, invariant, et de gain unitaire
r (t) y (t) Filtre de z(t)
Démodulation réception Echantillonage
Récepteur hr (t) Hc (f ) = 1
zk = z(kT )
Sa bande passante est donc supposée
Décodage Décision infinie.
Décodage : on transforme les symboles détectés en bits d’information d̂n âk

Récepteur

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 17 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 18 / 107

Codage en ligne Codage en ligne

Sommaire Codage en ligne

Introduction

Codage en ligne dn Conversion ak x(t) e(t)


Conversion bits/symboles bits/symboles Mise en forme Modulation
Mise en forme
Energie moyenne par bit
Densités spectrale de puissance
Codage en ligne
Transmission en absence de bruit

Transmission en présence de bruit blanc additif gaussien


Codage en ligne :
Transmission sur un canal à bande passante 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 2015-2016 19 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 20 / 107
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 d = 1010001101 · · ·
mise en Modulation
bits/symboles
forme he (t)
0.5 ◮ Un bit émis toutes les Tb
secondes
Emetteur 0
◮ Débit binaire :

Conversion bits/symboles (transcodage) : 0.5 1


0 1Tb 2Tb 3Tb 4Tb 5Tb 6Tb 7Tb 8Tb 9Tb ... Db = (bits/seconde)
Tb
◮ Modification de la taille de l’alphabet
X
◮ Modification du rythme d(t) = dn δ(t − nTb )
n∈Z

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 21 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 22 / 107

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 2015-2016 23 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 24 / 107
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 2015-2016 25 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 26 / 107

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
T = mTb = log2 M Tb =
◮ Codage quaternaire antipolaire (ou 2B1Q) 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 2015-2016 27 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 28 / 107
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 2015-2016 29 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 30 / 107

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) =
forme (aussi appelé filtre d’émission). 0 sinon
0.2
◮ Codes à formant : même filtre de mise en forme pour tous les symboles
0
X 0 T
x(t) = a(t) ∗ he (t) = ak he (t − kT )
k∈Z

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 31 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 32 / 107
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 5T 6T 7T 8T 9T 0 1T 2T 3T 4T 5T 6T 7T 8T 9T

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

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 33 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 34 / 107

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 5T 6T 7T 8T 9T

1010001101 −→ 1010001101

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 35 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 36 / 107
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 T2 T
0 1T 2T 3T 4T 5T 6T 7T 8T 9T

1010001101 −→ 1−11−1−1−111−11

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 37 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 38 / 107

Codage en ligne Mise en forme Codage en ligne Energie moyenne par bit

Exemple : Codage binaire antipolaire Manchester Notion d’énergie

1
◮ Comment évaluer l’énergie totale du signal en bande de base x(t) ?
0.8 2
Z ∞ X Z

0.6
2
Ex = |x(t)| dt = ak he (t − kT ) dt

0.4

−∞ −∞
k∈Z
0.2

0
◮ Si le support temporel de he (t) est égal à T , on a :
0.2

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

0 1T 2T 3T 4T 5T 6T 7T 8T 9T
◮ Problème : on ne connait pas les ak a priori car ils sont aléatoires !
◮ 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 2015-2016 39 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 40 / 107
Codage en ligne Energie moyenne par bit Codage en ligne Energie moyenne par bit

Energie moyenne par symbole Energie moyenne par symbole


◮ L’énergie correspondant à l’émission d’un seul symbole ai est
Z ∞ En notant µa et σa2 respectivement la moyenne et la variance des symboles du
Eai = |ai he (t)|2 dt = |ai |2 Ehe dictionnaire, on peut remarquer que :
−∞
M
1 X
◮ Si l’on suppose que tous les symboles du dictionnaire sont équiprobables, σa2 = |ai − µa |2
l’énergie moyenne par symbole peut donc être définie comme M
i =1
M M M
1 X 2 2 X 1 X
M
1 X
M
1 X 2 = |ai | − |ai ||µa | + |µa |2
Esym = Eai = |ai | Ehe M M M
i =1 i =1 i =1
M M
i =1 i =1 M
1 X 2
= |ai | − |µa |2
◮ Comme un symbole correspond à m = log2 M bits, on peut aussi définir M
i =1
l’énergie moyenne par bit comme
Donc on a aussi :
M Esym = (σa2 + |µa |2 )Ehe
Esym 1 X
2
Ebit = = |ai | Ehe
log2 M M log2 M
i =1

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 41 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 42 / 107

Codage en ligne Energie moyenne par bit Codage en ligne Energie moyenne par bit

Exemples Formules générales

◮ Exemple : dictionnaire binaire antipolaire On peut montrer que pour un dictionnaire M-aire
◮ unipolaire ak ∈ {0, 1, · · · , M − 1}
1
Esym = Ebit = ((−1)2 + (1)2 )Ehe = Ehe
2 (M − 1)(2M − 1)
Ebit = E he
◮ Exemple : dictionnaire 2B1Q log2 M

1 ◮ antipolaire ak ∈ {−(M − 1), · · · , −3, −1, 1, 3, · · · , M − 1}


Esym = ((−3)2 + (−1)2 + (1)2 + (3)2 )Ehe = 5Ehe
4
M2 − 1
Esym 5 Ebit = Eh
Ebit = = E he 3 log2 M e
log2 4 2

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 43 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 44 / 107
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance

Notion de puissance Densité spectrale de puissance


◮ Le signal x(t) est un signal aléatoire dont l’aspect fréquentiel doit donc être étudié
grâce à une densité spectrale de puissance
X
◮ Chaque symbole est émis durant une période T , donc on peut définir la ◮ Il correspond au filtrage du signal aléatoire a(t) = ak δ(t − kT ) par un filtre de
puissance moyenne totale du signal x(t) comme k∈Z
fonction de transfert He (f ), sa densité spectrale de puissance Γx (f ) vérifie donc :
Esym Γx (f ) = |He (f )|2 Γa (f )
Px =
T
◮ Si les symboles sont supposés équiprobables et indépendants, on a :
◮ De la même façon, on peut définir la puissance moyenne totale du signal x(t)
+∞  
comme σa2 µ2 X k
Γa (f ) = + a2 δ f −
Ebit T T k=−∞ T
Px = = Ebit Db
Tb
◮ Et donc :
◮ Pour simplifier, on appelle souvent Px la puissance émise moyenne
+∞   2  
σa2 µ2 X k k
Γx (f ) = |He (f )|2 + a2 He δ f −
T T T T
k=−∞

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 45 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 46 / 107

Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance

Propriétés spectrales des signaux en bande de base Liens entre les notions de puissance

+∞   2 
σa2 µ2a X

2 k k
Γx (f ) = |He (f )| + 2 He T δ f − T ◮ Nous avons défini avec les mains la puissance moyenne totale Px du signal
T T
k=−∞ x(t) comme étant :
Esym σ 2 + |µa |2
◮ Le dictionnaire utilisé influence µa et σa2 : en particulier, si µa 6= 0, on fait Px = = a E he
T T
apparaı̂tre sur la DSP des raies fréquentielles aux fréquences multiples de T1
◮ D’un autre côté, nous savons que par définition, on a :
◮ Le filtre de mise en forme utilisé conditionne la forme de la DSP : en
Z +∞
particulier, lorsque l’on utilise un filtre NRZ, RZ ou biphase Manchester, on
obtient un signal en bande de base, où la majorité de la puissance est répartie Px = Γx (f )df
−∞
dans la bande [−B , +B] où B est la largeur de bande du signal.
◮ Comme nous le verrons en Travaux Pratiques, à débit binaire constant, le ◮ Ces deux expressions sont-elles compatibles ?
dictionnaire et le filtre utilisés impactent directement la largeur de bande du
signal

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 47 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 48 / 107
Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance

Liens entre les notions de puissance Quelques DSP des codes en ligne
◮ Prenons le cas simple d’un dictionnaire antipolaire
◮ On a donc µa = 0 et dans ce cas, la définition avec les mains nous donne :
Γ (f) Γ (f) Γ (f)
x x x

Esym σ2 5 5 5

Px = = a E he
0 0 0

−5 −5 −5
T T −10 −10 −10

−15 −15 −15

En faisant le calcul à partir de la DSP, on trouve :

Décibels

Décibels

Décibels
−20 −20 −20

−25 −25 −25

−30 −30 −30


Z +∞ −35 −35 −35

−40 −40 −40

Px = Γx (f )df −45 −45 −45

−50 −50 −50


−∞ −5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db
Fréquence (en Hz) Fréquence (en Hz) Fréquence (en Hz)
Z +∞
σa2 Filtre NRZ Filtre RZ Filtre Manchester
= |He (f )|2 df
−∞ T B ≈ Db ≈ T1 B ≈ 2Db ≈ 2
T B ≈ 2Db ≈ T2
σa2 +∞
Z
= |He (f )|2 df Db = 1 bit/seconde, M = 2, dictionnaire antipolaire
T −∞
σa2
= Eh
T e
◮ Les deux définitions sont donc parfaitement cohérentes !
Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 49 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 50 / 107

Codage en ligne Densités spectrale de puissance Codage en ligne Densités spectrale de puissance

Quelques DSP des codes en ligne Quelques DSP des codes en ligne
Γx(f) Γx(f)
5

0 10

Γ (f) Γ (f) Γ (f)


x x x −5
5 5 5
0
0 0 0 −10
−5 −5 −5
−15
−10 −10 −10 −10

Décibels

Décibels
−15 −15 −15 −20
Décibels

Décibels

Décibels

−20 −20 −20


−25 −20
−25 −25 −25

−30 −30 −30 −30


−35 −35 −35 −30
−35
−40 −40 −40

−45 −45 −45 −40


−40
−50 −50 −50
−5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db 2Db 3Db 4Db 5Db
Fréquence (en Hz) Fréquence (en Hz) Fréquence (en Hz)
−45

−50 −50
Filtre NRZ Filtre RZ Filtre Manchester −5Db −4Db −3Db −2Db −Db 0 Db
Fréquence (en Hz)
2Db 3Db 4Db 5Db −5Db −4Db −3Db −2Db −Db 0 Db
Fréquence (en Hz)
2Db 3Db 4Db 5Db

B ≈ Db ≈ T1 B ≈ 2Db ≈ 2
B ≈ 2Db ≈ T2
T Filtre NRZ Filtre NRZ
Db = 1 bit/seconde, M = 2, dictionnaire unipolaire M=2 M =4
Idem au dictionnaire antipolaire, mais apparition de raies fréquentielles pour f = k B ≈ Db ≈ T1 1
B ≈ D2b ≈ 2T
T
Db = 1 bit/seconde, dictionnaire antiipolaire
A débit binaire, dictionnaire et filtre constant, lorsque M augmente, la largeur de
bande diminue

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 51 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 52 / 107
Codage en ligne Densités spectrale de puissance Transmission en absence de bruit

Quelques DSP des codes en ligne : conclusion Sommaire

Introduction
◮ Dictionnaire antipolaire :
Codage en ligne
1
BNRZ ≈
T Transmission en absence de bruit
Hypothèses
2 Interférences entre symboles
BRZ ≈ Réception en absence de bruit
T
2 Transmission en présence de bruit blanc additif gaussien
BManchester ≈
T
k Transmission sur un canal à bande passante limitée
◮ Dictionnaire unipolaire : idem + apparition de raies fréquentielles pour f = T

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 53 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 54 / 107

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

canal hc (t) additif b(t)


Emetteur Canal de transmission

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


Canal de transmission Démodulation réception
hr (t)
Echantillonage

zk = z(kT )

Rappel : d̂n
Décodage
âk
Décision

◮ On travaille en bande de base


Récepteur
◮ On suppose le canal idéal, invariant et de gain unitaire Hc (f ) = 1 (bande passante du canal
infinie) X
y (t) = x(t) = ak he (t − kT )
◮ Ici, on suppose une absence de bruit b(t) = 0
k∈Z
r (t) = e(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 55 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 56 / 107
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 2015-2016 57 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 58 / 107

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 2015-2016 59 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 60 / 107
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 2015-2016 61 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 62 / 107

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 )
◮ Bande passante :
Décodage Décision
β=0 d̂n âk
β=0.25 1+β
T/2
β=0.5 BP =
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 2015-2016 63 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 64 / 107
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 bande passante 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 2015-2016 65 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 66 / 107

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

e(t) Filtre de e ′ (t) Bruit r (t) 1.5 ◮ Signal aléatoire : on ne peut pas savoir
canal hc (t) additif b(t) quelles valeurs le signal va prendre, donc
1
on utilise des probabilités
0.5 ◮ Caractérisation par la moyenne (nulle pour
N0
Canal de transmission un bruit blanc) et la variance σ2 = 2
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
◮ On suppose le canal idéal, invariant et de gain unitaire Hc (f ) = 1 (bande passante du canal −1.5
◮ Plus la variance est elevée, plus le signal a
0 200 400 600 800 1000
infinie) Temps (t) le droit de prendre des valeurs éloignées
Ici σ2 = 0.1 de la moyenne
◮ Ici, on suppose que b(t) est un bruit blanc gaussien de densité spectrale de puissance
N0
Γb (f ) = 2
y (t) = x(t) + b(t)

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 67 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 68 / 107
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 2015-2016 69 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 70 / 107

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 2015-2016 71 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 72 / 107
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
h(0)2
◮ cf TD 1 : maximisation du rapport signal sur bruit SNR = Pn 2Ehe
◮ hr doit être le filtre adapté à he SNR =
N0

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 73 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 74 / 107

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 2015-2016 75 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 76 / 107
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 2015-2016 77 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 78 / 107

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 2015-2016 79 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 80 / 107
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 BP = 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 2015-2016 81 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 82 / 107

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 2015-2016 83 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 84 / 107
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 2015-2016 85 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 86 / 107

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 2015-2016 87 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 88 / 107
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 2015-2016 89 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 90 / 107

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 2015-2016 91 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 92 / 107
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 2015-2016 93 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 94 / 107

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 2015-2016 95 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 96 / 107
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 2015-2016 97 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 98 / 107

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 2015-2016 99 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 100 / 107
Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée

Sommaire Largeur du bande du signal

Introduction
◮ Nous avons vu en TP que les signaux en bande de base ont une largeur de
Codage en ligne bande que l’on peut écrire [−B , +B]
Transmission en absence de bruit
◮ filtre NRZ : B ≈ T1
◮ filtre RZ : B ≈ T2
Transmission en présence de bruit blanc additif gaussien ◮ filtre biphase Manchester : B ≈ T2
1+β
◮ filtre en racine de cosinus surelevé : B = 2T
Transmission sur un canal à bande passante limitée
◮ B 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 2015-2016 101 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 102 / 107

Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée

Bande passante du canal Transmission en bande de base

◮ Pour le moment, on a considéré que le canal était idéal et avait une bande ◮ Afin de transmettre le plus d’information possible on fait en sorte d’utiliser
passante infinie (Hc (f ) = 1) toutes les capacités du canal, mais sans les dépasser !
◮ En réalité, la bande passante du canal BP est limitée et le canal est plutot de ◮ Si l’on connait la bande passante du canal (ce qui est en pratique toujours le
la forme ( cas), on va faire en sorte que la largeur du bande du signal en bande de base
1 si − BP < f < BP soit du même ordre
Hc (f ) =
0 sinon B ≈ BP

◮ Ceci est du ◮ En effet, si B > BP de l’information sera perdue lors de la transmission, et si


◮ soit à la nature physique du canal (ex : type de câble, atténuation du signal B < BP alors on a tendance à être plus sensible au bruit
sur de grandes distances, etc...) ◮ Connaissant la bande passante du canal de transmission, la largeur de bande
◮ soit à des réglementations (ex : bande de fréquence achetée par un opérateur va donc être fixée. Ceci va contraintre les choix de dictionnaire, filtres de
téléphonique, etc...) mise en forme, etc...

Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 103 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 104 / 107
Transmission sur un canal à bande passante limitée Transmission sur un canal à bande passante limitée

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

Efficacité spectrale
◮ Db : débit binaire (en bits/seconde)
◮ B : largeur de bande occupée (en Hz) (égale à la bande passante BP du Db log2 M
= η=
canal). B T B
◮ Px = 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 nombre de bits mal détectés
On veut Db le plus grand possible, Px et Pbit les plus petits possibles, et B = BP TEB =
est souvent fixe. 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 2015-2016 105 / 107 Laurent Oudre laurent.oudre@univ-paris13.fr Communications numériques 2015-2016 106 / 107

Transmission sur un canal à bande passante limitée

Dimensionnement d’une chaı̂ne de transmission

err
◮ Principe : on a des contraintes sur Db , B (=BP), Px 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 2015-2016 107 / 107