Vous êtes sur la page 1sur 220

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/306426899

Antennes intelligentes:Analyse des performances par l’exemple

Article · August 2016

CITATIONS READS

0 1,642

1 author:

Emmanuel Tonye
University of Yaounde I
203 PUBLICATIONS   488 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Quality Assurance View project

Traitement du signal biomédical View project

All content following this page was uploaded by Emmanuel Tonye on 24 August 2016.

The user has requested enhancement of the downloaded file.


Antennes intelligentes:
Analyse des performances par l’exemple
Cours de Master Recherche
en Télécommunications
Ecole Nationale Supérieure Polytechnique
Université de Yaoundé I

Pr. Emmanuel TONYE


tonyee@hotmail.com
Juin 2016
1
Plan
Signification des sigles
Introduction
1. Bibliographie
2. Définitions
3. Antennes à réseaux d’éléments
4. Estimation des directions d’arrivée (DOA)
5. Formation de faisceaux (Beamforming)
6. Antenne fractale
Conclusion
2
Signification des sigles
Sigle anglais Signification anglaise Signification française Sigles français
SBA Switched Beam Antenna Antenne de Faisceau Commutée AFC (pas d’usage)
DoA Direction Of Arrival Direction d’arrivée DDA (d’usage)
MLM Maximum Likelihood Methods Méthode de Maximum de Vraisemblance MVDR (d’usage)
SNR Signal on Interference and Noise Report Rapport Signal a Interférence plus Bruit RSIB (d’usage)
MVDR Minimum Variance Distorsion less Response Méthode de Variance Minimale MVM (d’usage)
MMSE Minimum Mean Square Error Minimum de L’erreur Quadratique Moyenne MEQM (d’usage)
MUSIC Multiple Signal Classification Classification Multiple de Signal CMS(pas d’usage)
ESPRIT Estimation of Signal Parameters via Rotationnal Invariance Estimation des paramètres de signaux via les techniques EPSTIR (pas d’usage)
Technique d’Invariance Rotationnelle
AF Array Factor Facteur de Réseau FR(d’usage)
DMI Direct Matric Inversion Inversion de la Matrice Directe IMD (pas d’usage)
SMI Sampled Matrix Inversion Inversion de la Matrice Echantillonnée IME(pas d’usage)
LMS Least Mean Square Moindres Carres MC (d’usage)
RLS Recursive Least Square Moindres Carres Récursifs MCR (d’usage)
CMA Constant Modulus Amplitude Amplitude Constante de Module ACM (pas d’usage)
RBFNN Radial Basis Function Neural Network Réseau de neurones à fonction de base radiale RNFBR (pas d’usage)
MPL multilayer perceptron perceptron multi-couches PMUC (pas d’usage)
PNN Probabilistic Neural Network réseau de neurones probabiliste RNP(pas d’usage)
GRNN Generalized Regression Neural Network réseau de neurones à régression généralisée RNRG (pas d’usage)

MSE Mean Square Error Erreur Quadratique Moyenne EQM (d’usage)

NAF normalized Array Factor Facteur de Réseau FRN (d’usage)

3
Introduction (1/2)

Une antenne intelligente est une «Antenne


intelligemment interactive et auto-
optimisatrice», grâce à la combinaison:
1) d’un dispositif à réseau d’éléments
capables de rayonner;
2) couplé à un processeur de traitement du
signal qui embarque les algorithmes
d’estimation des directions des signaux
d’arrivée et de formation des faisceaux
dans des directions privilégiés.
On parle alors d’antennes cognitives.
4
Introduction (2/2)
Dans ce cours, l’amélioration des temps écoulés des
synthèses (DOA et Beamforming) par des méthodes
analytiques est faite par synthèse au moyen des algorithmes
génétiques (continu et binaire), les réseaux de neurones
artificiels et les essaims de particules.
Le critère de synthèse consiste en une minimisation de
l’erreur quadratique moyenne entre le résultat
préalablement obtenu par méthode analytique et celui
nouvellement calculé. On parle de synthèse par fonction
désirée.
Nous évaluons le temps de calcul des algorithmes tant
analytiques qu’heuristiques avec la fonction « Tic Toc » de
MATLAB

5
Méthodes analytiques d’estimation des directions d’arrivée

Et optimisation du temps de calcul à l’aide des Algorithmes Génétiques,


des Réseaux de Neurones Artificiels et des Essaims de particules
6
Exemples d’algorithmes d’estimation
des directions d’arrivée
1) la transformée de Fourier spatiale développée par BARTLETT;
2) la méthode de prédiction linéaire développée par PRONY;
3) les méthodes de maximum de Vraisemblance (Maximum Likelihood Methods : MLM)
développées suivant plusieurs critères : la maximisation du Rapport Signal à
Interférence plus Bruit (RSIB) développée par CAPON. Elle est basée sur une
estimation sans biais et à variance minimale (elle est aussi baptisée MVDR :
Minimum Variance Distorsionless Response);
4) la méthode de maximum d’entropie (Maximum Entropie Method : MEM) Développé
par BURG;
5) la décomposition harmonique de PISARENKO (MMSE : Minimum Mean Square
Error);
6) la méthode MUSIC (MUltiple SIgnal Classification) dont la version de base a été
proposée par SCHMIDT;
7) ESPRIT (Estimation of Signal Parameters via Rotationnal Invariance Techniques).
Les mêmes améliorations apportées à MUSIC sont souvent appliquées à ESPRIT;
8) la méthode de norme minimale (MIN-NORM) développée par REDDI, KUMARESAN
et TUFS.

7
Méthodes analytiques de formation des faisceaux (Beamforming)

Et optimisation du temps de calcul à l’aide des Algorithmes Génétiques,


des Réseaux de Neurones Artificiels et des Essaims de particules
8
Exemples d’algorithmes de formation
des faisceaux
1) le conformateur conventionnel;
2) le conformateur à l'annulation de lobes;
3) MVDR (Minimum Variance Distorsionless
Response - estimation sans biais et à variance
minimale);
4) DMI (Direct Matrix Inversion, aussi appelé
SMI : Sampled Matrix Inversion);
5) LMS (Least Mean Square);
6) RLS (Recursive Least Square);
7) et CMA (Constant Modulus Amplitude).
9
Bibliographie

2015 2005
10
2013

Kepchabe S. and Tonye, E. 2015. Performance Analysis of Analytical Approaches


to Smart Antennas Modeling. International Journal of Engineering and
Management Research. Vol. 5 N° 4: 320 - 331.
Pr Emmanuel TONYE 11 11
Exemples de solutions commerciales des
antennes intelligentes (1/3)
« GSM Capacity Booster RBS 2205 » d’Ericsson (A.G.
Derneryd, 2002),
« Intellicell » d’ArrayComm
(http://www.arraycomm.com/products/a-mas-software/),
« ClientLink2.0 » de Cisco
(http://www.cisco.com/c/en/us/products/collateral/wireless/
aironet-3600-series/white_paper_c11-
722622.html?cachemode=refresh),
« WBS-2400 » de WAVION (http://winncom.ru/wp/wp-
content/uploads/Wavion-WBS-2400-Datasheet_NEW.pdf),

12
Exemples de solutions commerciales des
antennes intelligentes (2/3)
Configuration
Fabricant Systèmes
Interface Air à antennes
d’antenne
intelligentes
Type d’intelligence Remarques

Ericsson
Plusieurs station de
Mannesmann GSM/DSC1800 8 éléments DoA sur la liaison montante
base équipées
Mobilfunk

Facteur de
MRC et IRC sur la liaison
Ericsson Research IS-136 (D- distance = 15,
montante
(SW/US) AMPS) avec diversité de
Faisceau sur la descendante
polarisation
Tracking par DMI sur la
Liaisons montante et
AT&T Labs-Research liaison montante
IS-136 4 éléments descendante
(US) commutation de faisceau sur
indépendantes
la descendante

NTT DoCoMo 3 sites


UMTS 4 éléments
(Japan) debit > 2Mbps

DECT MUSIC pour la DoA,


TSUNAMI (SunBeam)
DSC1800 Linéaire Filtrage de KALMAN pour la SDMA sur DECT
Consortium (EU)
SDMA poursuite

Capon, MUSIC pour


CNET & CSF- GSM/DSC1800 circulaire à 10
l’estimation de la DoA en
Thompson (F) SDMA éléments
liaison montante

DSC1800 circulaire à 10 Uniquement en liaison Traffic de type


Uppsala University (SW)
SDMA éléments montante DSC1800

Pr Emmanuel TONYE 13 13
Exemples de solutions commerciales des
antennes intelligentes (3/3)
Les systèmes Configuration
à antennes intelligentes
Fabricant Interface Air Type d’intelligence Remarques
d’antenne

12 faisceaux
Metawave (US) AMPS
12 éléments commutables sur les
Spotlight2000 CDMA
deux liaisons
Produits Peut être connecté
commerciaux IS-136 (D- DoA sur la liaison sur l’entrée RF
Raytheon (US) 8 éléments
[12] AMPS) montante d’une station de
base
ESPRIT avec
ArrayComm Premier produit
WLL, PHS, rejection
“IntelliCell” 4 éléments commercial de
GSM d’interférent sur la
(US) masse
liaison montante

Double la capacité
7 faisceaux fixes à
Wireless Online Triple la
bande étroite et 2 à
“ClearBeam” GSM couverture
large bande sur les
(US) Améliore le C/I de
deux liaisons
18 dB

Pr Emmanuel TONYE 14 14
Plan
1. Bibliographie
2. Définitions
3. Antennes à réseaux d’éléments
4. Estimation des directions d’arrivée
5. Formation de faisceaux (Beamforming)
6. Antenne fractale

15
Définition

Antenne intelligente
«Antenne intelligemment interactive et
auto-optimisatrice »,
sans s’attacher à la notion de réseau
d’éléments couplé à un DSP.

On parle aussi d’antennes cognitives.

16
caractéristiques de caractéristiques
rayonnement électriques

Diagramme de Impédance d’entrée


rayonnement.
Densité de puissance impédance caractéristique
de rayonnement
Intensité de
rayonnement Bande d’utilisation

Directivité
Le coefficient de réflexion
Gain
Résistance de
rayonnement Rapport d’Onde Stationnaire

Pr Emmanuel TONYE 17 17
C’est sur ce paramètre(coefficient de reflexion) que l’on se
base pour optimiser l’antenne.

Lorsque le coefficient de réflexion connait une forte atténuation


à une fréquence donnée appelée fréquence de résonnance,

il y a un maximum de transfert de puissance entre le


générateur et la charge.

Pr Emmanuel TONYE 18 18
caractéristiques de caractéristiques
rayonnement électriques

Diagramme de Impédance d’entrée


rayonnement.
Densité de puissance impédance caractéristique
de rayonnement
Intensité de
rayonnement Bande d’utilisation

Directivité
Le coefficient de réflexion
Gain
Résistance de Rapport d’Onde
rayonnement Stationnaire

Pr Emmanuel TONYE 19 19
Notion de ROS ,TOS et perte de
retour

le Rapport d’Onde Stationnaire est le rapport entre


impédance terminale de la ligne (la charge) sur
l'impédance caractéristique Zc (la source): ROS = Zt /
Zc.

Il n'est pas le résultat du bon ou du mauvais


fonctionnement d'une antenne, il indique seulement
si le système est adapté ou pas en impédance.

Pr Emmanuel TONYE 20 20
Une antenne multi-bande est une antenne qui
fonctionne ou plus précisément qui résonne sur au
moins deux fréquences avec les mêmes
exigences.

L’élément rayonnant est généralement optimisé


pour assurer le fonctionnement en bande basse
(GSM900). Le fonctionnement en bande haute
(DCS 1800) est, quant à lui, assuré par
l’abaissement des modes supérieurs de
l’élément quart-d’onde.
Pr Emmanuel TONYE 21 21
Diagramme de rayonnement

La courbe (surface) représentative de la


Quelques définitions
puissance rayonnée en fonction des direction
de l’espace autour de l’antenne est appelée
diagramme de rayonnement.

Il décrit la capacité de l’antenne à rayonner


dans une direction particulière.
Sa représentation peut être faite en
coordonnées cartésiennes, polaires ou
sphériques

Pr Emmanuel TONYE 22 22
Quelques définitions
Digramme de rayonnement

Isotrope (sphère)

Omnidirectionnelle (symétrie
cylindrique)

Directive

Pr Emmanuel TONYE 23 23
Antenne Intelligente et diagramme de rayonnement

Une antenne intelligente présente un diagramme de


Les systèmes à antennes
rayonnement dynamique intelligentes
qui s’adapte de façon permanente
à l’activité et la position des mobiles (réorientation, baisse
ou augmentation de puissance, passage en veille, …)

Une station de base (BTS, eNode, …) équipée d’une


antenne intelligente peut ainsi se focaliser sur un ensemble
de mobiles et suivre leurs déplacements à l’intérieur de la
cellule tout en minimisant les effets des trajets multiples, du
bruit et des interférences émises par d’autres sources et qui
sont tous responsables de la dégradation des performances
du système.

Pr Emmanuel TONYE 24 24
MATLAB et boîtes à outils

http://www.gel.ulaval.ca/~lehuy/intromatlab

25
De nouvelles commandes MATLAB grâce à
l'utilisation du FORTRAN compilé ou de C++,
programmes connus sous le nom de fichiers
MEX.

Contrairement aux programmes MATLAB


standard qui sont des fichiers texte contenant le
code source que tout utilisateur peut voir, les
fichiers MEX sont des fichiers binaires compilés
dans lesquels non seulement le code source
d'origine reste caché à l'utilisateur, sauf
disposition contraire, mais aussi et surtout, étant
en binaire, peuvent être exécutés sur diverses
plateformes, même celles ne disposant pas de
MATLAB.

Après avoir créé nos GUIs, nous nous générons


des exécutables.
26
Plan
1. Bibliographie
2. Définitions
3. Antennes à réseaux d’éléments
4. Estimation des directions d’arrivée
5. Formation de faisceaux (Beamforming)
6. Antenne fractale

27
Quelques définitions

Antenne à réseaux d’éléments (ou antenne-réseau)


Une antenne à réseaux d’éléments est un regroupement d’antennes élémentaires,
astucieusement disposées dans l’espace et alimentées par des courants
d’excitation dont les paramètres d’amplitudes et de phases peuvent être
commandés par un dispositifs d’alimentation.

La commande de ces paramètres va permettre de contrôler la direction du lobe


principal et éventuellement celles des creux de rayonnement.

Pr Emmanuel TONYE 28 28
Antennes à réseaux d’éléments
Modélisation en émission (Gross) Modélisation en réception (Nous)
Nos hypothèses pour les trois configurations:
Tous les signaux incidents ne sont constitués que d’ondes planes;
2 dipôles Nous nous plaçons dans la zone de Fraunhofer;
Le couplage mutuel entre les divers éléments d’antennes est négligeable.
La distance inter-éléments est très petite si bien que les amplitudes des
(r, θ, ϕ) signaux reçus restent constantes.
Cette distance est fixée à λ/2 mais modifiable sur l’outil de simulation.
Chaque élément d’antenne possède le même diagramme de rayonnement
et la même polarisation.
y

-(m-1)dcosφ

φ φ
(r, θ,φ)
.z O
d
x

Réseau linéaire uniforme de N éléments W1 W2 Wm WM

Y(t)
(r, θ, ϕ) Δγm = γm(t) – γ1(t)
= − kxmcosϕsinθ − kymsinϕsinθ − kzmcosϕ
L
X m (t ) = ∑
l =1
 m l (t ) e

j ( 2 π f0t + ∆ γ m )
 + b m ( t )
L
= ∑  S l ( t ) a m ( φ ) ] + b m ( t ) où a m (φ ) = e j∆γ m

l =1

X (t ) = A S (t ) + B (t ) p o u r to u t le réseau
n = 1,…, N est le nombre d’éléments

Réseau linéaire 29
Antennes à réseaux d’éléments
Modélisation en émission (Gross) Modélisation en réception (Nous)
2 dipôles Δγm = γm(t) – γ1(t)
= − kxmcosϕsinθ − kymsinϕsinθ − kzmcosϕ
(r, θ, ϕ)
On a xm = (m−1)d et ym = zm = 0. D’autre part, θ = π/2
car les éléments sont tous suivant (Ox). Dès lors :
Δγm = − kd(m−1)cosϕ
M
Y (t ) = ∑ wm* xm (t ) = W H X (t ) = W H
123 AS + W H {
B
m =1 AF Bruit
M L
AF = ∑ w *
m ∑ m (t )e
l
j (2π f 0 t − kd ( m −1) cos φ )
Réseau linéaire uniforme de N éléments m =1 l =1

 M * − jkd ( m −1) cos φ )   L j (2π f0 t ) 


(r, θ, ϕ) =  ∑ wm e  ∑ ml (t )e 
 m =1   l =1 
 M * − j ( kd ( m −1) cos φ +δm )   L 
=  ∑ wm e  ∑ l  m ( t )
 m =1   l =1 
 M * − j ( m −1)ψ   L 
=  ∑ wm e  ∑ ml (t )  où δ m = −(2π f0 t ) /(m − 1)
144
m =1
2443 1  l4
=1
243
terme prépondérant ml ( t )∈{−1,0,1}

n = 1,…, N est le nombre d’éléments m = 1:M nbre d’élts et ℓ=1:L nbre de signaux incidents

Réseau linéaire 30
Antennes à réseaux d’éléments
Modélisation en émission (Gross) Modélisation en réception (Nous)
z
Développe
Ondes incidentes d ment
(r, θ, ϕ) semblable
r
ϕ à celui du
θ réseau
ym
(r, θ,φ) O linéaire
y
2π a
xm M

M m
1
2 3


x
ϕ m = m .( )
M
Δγm = γm(t) – γ1(t)
= − kxmcosϕsinθ − kymsinϕsinθ − kzmcosϕ
M
Y (t ) = ∑ wm* xm (t ) = W H X (t ) = W H
123 AS + W H {
B xm = acos(φm) ; ym = asin(φm); zm = 0 et
m =1 AF Bruit
θ = π/2. d’où:
M L
AF = ∑ w ∆γm = − ka[cos(φm)cos(ϕ) − sin(φm)sin(ϕ)]
m =1
*
m ∑ m (t )e
l =1
l
j (2π f0t − ka (cos φ cos(ϕm ) −sin(φ )sin(ϕm )))

L
 M
 L

= ∑ wm* e− jka cos(φ −ϕm )  ∑ ml (t )e j (2π f0t ) 
X m (t ) = ∑  m
l =1
l (t ) e j ( 2π f0 t + ∆ γ m )
 + b m ( t )
 m =1   l =1 
L
 M
− j ka cos(φ −ϕm ) +δ m ]  
= ∑ wm* e [
L

 ∑ ml (t )  où δ m = −(2π f0t )
= ∑S
l =1
l ( t ) a l (φ , ϕ m ) + b m ( t )
1444
m =1
424444 3 1  l4
=1
243
terme prépondérant ml ( t )∈{−1,0,1}

Réseau circulaire 31
Antennes à réseaux d’éléments
Modélisation en émission (Gross) Modélisation en réception (Nous)
Vu comme M
z
fois un réseau
(r, θ,φ) r
linéaire de M
Ondes incidentes θ
O 1
2
éléments (carré
(r, θ, ϕ) 3
2 3
4 pour nécessité
4
ymp
d’inversion de
ϕ xmp M
y
matrices dans
M
MATLAB)
x (m,p)

Δγm = γm(t) – γ1(t)


=− kxmcosϕsinθ − kymsinϕsinθ − kzmcosϕ
xm = (m−1)d, ym = (p-1)d, zm = 0 et θ = π/2
d’où: Δγm = − kd[(m−1)(cosϕ + (p-1)sinϕ]
Xmp(t) = Sℓ(t)ej∆γmp + bmp(t) = Sℓ(t)amp(ϕ) + bmp(t)
 M M j 2 π f 0 t − jk d (( m − 1 ) c o s φ + ( p − 1 ) s in φ )  
L

A F = ∑ ∑ W mpe *
e   ∑ m l (t ) 
Nos hypothèses  m =1 p =1   l =1 
conduisent toujours  M M − j k d  ( m − 1 ) ( c o s φ + β x ) + ( p − 1 ) ( s i n φ + β y )   
L

à ϕ=φ = ∑ ∑ W mpe *
  ∑ m l (t ) 
1m =4 4 4 4 4 442 4 4 4 4 4 4 43 1 42 43
1 p =1 l =1

te rm e prépondérant m l ( t ) ∈ {− 1 , 0 ,1}

β x = − ( 2 π f 0 t ) / ( m − 1) et β y = − ( 2 π f 0 t ) / ( p − 1)

Réseau planaire 32
Structure d’une antenne adaptative

N
Y (t ) = ∑ wi* xi (t )
i =1

Source: N. Fadlallah, Contribution à l’optimisation de la synthèse du lobe de rayonnement pour une


antenne intelligente. Application à la conception de réseaux à déphasage, thèse, Faculté de
Science, University of Limoges, France, 2005. http://epublications.unilim.fr/theses/2005/fadlallah-
najib/fadlallah-najib.pdf
33
Structure et principe du système adaptatif en
(a) Réception et en (b) Emission

Ce processus va se poursuivre en permanence


pour accompagner continuellement un utilisateur
mobile en adaptant dynamiquement le diagramme
de rayonnement à son mouvement.
Pr Emmanuel TONYE 34 34
Traitement au niveau de la BTS
MIMO

Source: H. Wang and M. Glesner, Hardware implementation of smart antenna systems, Advance
radio Sciences, 4, 2006, 185-188. http://www.adv-radio-sci.net/4/185/2006/ars-4-185-
2006.pdf
35
Balayage électronique
Les diagrammes de rayonnement des éléments pris individuellement
sont additionnés, les phases et les amplitudes dépendent à la fois des
coefficients appliqués et de leurs positions dans l’espace ; on obtient
ainsi un nouveau diagramme.

Si les coefficients varient avec le temps, on obtient un réseau adaptatif


et peut être exploité pour améliorer la performance d’un système de
communication mobile. On parle de balayage électronique.

Concrètement, ceci peut être réalisé en estimant les coefficients désirés


à l’aide d’un processeur de signaux numériques (DSP : Digital Signal
Processor) et en les appliquant dans une bande de base complexe aux
échantillons de signaux provenant de chacun des éléments.

La même approche peut être réalisée aussi bien en émission qu’en


réception du fait de la réciprocité du canal.

36
Avantages des antennes intelligentes

Dans Alalusi, la largeur de faisceaux est évaluée par

0 .8 8 5 8 λ λ
Bα = ≈ 2 A r c o s (1 − )
N d cos α Nd
où λ est la longueur d’onde, N le nombre d’éléments rayonnants et d la distance inter-
éléments. La capacité quant à elle, est donnée par :

C =  Bp × log 2 (1 + SNR )  × K
où K est le nombre de lobes, SNR le rapport signal sur bruit et Bp la bande passante, qui
est proportionnelle au nombre d’éléments rayonnants N.
Dans Dham le gain d’une antenne adaptative est donnée par , où G0 est le gain isotrope.
G = G0 + 10log10 ( N )
On en déduit une augmentation de gain de ∆G = 10log10 ( N ) ≈ N
S. Alalusi, A 60 GHz antenna array front-end in CMOS for Gigabit-per-second indoor mobile applications,
BWRC Lunch Seminar, 2003, 27p. http://www.powershow.com/view/b5030-
ZjkyY/A_60GHz_Antenna_Array_FrontEnd_in_CMOS_powerpoint_ppt_presentation
V. Dham, Link establishment in adhoc networks using smart antennas, MSC diss. Virginia Tech
University, USA, 2005, 87p. http://scholar.lib.vt.edu/theses/available/etd-05072003-
180228/unrestricted/etd.pdf
37
Applications des antennes intelligentes
Optimisation du Bluetooth

Source: R. Lecoge, Intégration de réseaux


de capteurs dans les réseaux ad hoc, DEA
diss., INSA Lyon, France, Mai 2004.
http://perso.citi.insa-
lyon.fr/jmgorce/memoires/DEA%20-
%20slides%20-%20Regis%20Lecoge.pdf

38
Applications des antennes intelligentes
Tests en GSM 1800 par ArrayComm

Source: http://www.arraycomm.com/products/a-
mas-software/

39
Applications des antennes intelligentes
En géo-localisation

Source: A. Ferréol, Radiogoniométrie :


Modélisation-Algorithmes-Performances,
doctoral diss., Ecole Normale Supérieure de
Cachan, France, 2005. https://tel.archives-
ouvertes.fr/tel-00134537/document

40
Méthodes analytiques

Une approche analytique, à la base, consiste à diviser un problème en


différents sous-problèmes afin de les résoudre plus facilement. A la fin, une
solution globale est déduite [1].

On parle d’approche formelle.

Elle peut aussi être vue comme le fait de résoudre à la main un problème
modélisé par des équations mathématiques dont il existe déjà un formalisme
reconnu de résolution. Cette dernière approche est celle que nous considérons,
Mais, dans notre cas, ces équations sont résolues au moyen de l’ordinateur [2].

La modélisation des antennes intelligentes passe par deux étapes


successives : la détermination des directions d’arrivées suivie de la formation
conséquente de faisceaux.

[1] http://www.thwink.org/sustain/glossary/AnalyticalApproach.htm
[2] http://www.thwink.org/sustain/glossary/AnalyticalMethod.htm

41
Réseaux linéaires: Modélisation mathématique

42
Réseaux linéaires: Modélisation mathématique

43
Réseaux planaires: Modélisation mathématique

Considérons un réseau horizontal carré, comprenant MxM


antennes uniformément espacés de d = λ/2, supposés
ponctuels, sur lesquels arrivent L signaux en provenance de
L sources. L’élément de référence est l’un des sommets,
origine du repère (O, x, y, z).
z

r
Ondes incidentes θ
O 1
2
2 3
3 4
4
ymp
ϕ xmp M
y

x (m,p)

44
Réseaux planaires: Modélisation mathématique

45
Réseaux planaires: Modélisation mathématique

46
Réseaux planaires: Modélisation mathématique

47
Réseaux circulaires: Modélisation mathématique
Considérons un réseau horizontal circulaire de rayon a, comprenant M
éléments uniformément espacés, contenu dans le plan (x,O,y). Supposons
que les coordonnées d’un élément de rang m sont (xm, ym, zm).

On a θ = π/2 ; xm = acos(φm) ; ym = asin(φm) et zm = 0.


on obtient :
∆γm = γm(t) − γ1(t) = − kxmcos(ϕ) − kymsin(ϕ) = − ka[cos(φm)cos(ϕ) −
sin(φm)sin(ϕ)]

Le signal reçu au niveau du mième élément est donné par :


xm(t) = mℓ(t)ej(2πf0t+Δγm) + bm(t) = Sℓ(t)am(φm,ϕℓ) + bm(t)
où am(φm,ϕℓ) = ejΔγm = e−jka[cos(φm)cos(ϕℓ) − sin(φm)sin(ϕℓ)]
et bm(t), la mième composante du bruit aléatoire.

Le déphasage sur un signal provenant d’une source ℓ est :


a(φm,ϕℓ) = [1, a2(φm,ϕℓ), …, am(φm,ϕℓ), …, aM(φm,ϕℓ)]T

48
Réseaux circulaires: Modélisation mathématique

49
Estimation des directions d’arrivée

50
Modélisation de l’Estimation des Directions
d’Arrivée ou Estimation spectrale

Pr Emmanuel TONYE 51 51
BARTLETT
Transformée de Fourier spatiale
Méthode utilisée pour détecter les angles d'arrivées.
Son principe est de réaliser la transformée de Fourier dans
l'espace des signaux reçus.
Si on trace cette fonction pour une onde donnée, on obtient un
pic d'énergie pour la direction dans laquelle se situe la source.
En cas de superposition de plusieurs ondes on a des pics pour
chaque DOA. Son pseudo spectre d’énergie est donné par
1 H
P = 2 A Rxx A
M
Source: G. De La Roche, Estimation bande étroite des angles d’arrivées d’un signal
radio-mobile en environnement Indoor, Master’s degree diss., INSA of Lyon, France,
2003. http://perso.citi.insa-lyon.fr/jmgorce/memoires/DEA%20-
%20Guillaume%20de%20la%20Roche.pdf

52
1 H
P = 2 A Rxx A
M

53
PRONY
Prédiction linéaire

Minimiser l'erreur de prédiction sur la réponse d’un élément quelconque du


réseau.
La recherche des coefficients de pondération qui vont minimiser la valeur
moyenne de cette erreur conduit au pseudo spectre suivant :
H −1
u R u
P= m
H
xx m
−1 2
|u R A| m xx

Où um est la mième colonne de la matrice identité IM.


Source: G. De La Roche, Estimation bande étroite des angles d’arrivées d’un signal
radio-mobile en environnement Indoor, Master’s degree diss., INSA of Lyon, France,
2003. http://perso.citi.insa-lyon.fr/jmgorce/memoires/DEA%20-
%20Guillaume%20de%20la%20Roche.pdf

54
H −1
u R u
P= m
H
xx m
−1 2
|u R A|
m xx

55
MEM
Maximum d’entropie (Maximum Entropie Method: MEM)

Développé par BURG, on recherche les directions qui maximisent le pseudo


spectre :
1
P= H
A Cm CmH A

Où Cm est la mième colonne de l’inverse de la matrice de corrélation Rxx.

56
1
P= H
A Cm CmH A

57
Maximum de Vraisemblance (Maximum Likelihood Methods : MLM)

G. De La Roche, Estimation bande étroite des angles d’arrivées d’un signal radio-mobile en environnement Indoor, Master’s degree diss., INSA of
Lyon, France, 2003. http://perso.citi.insa-lyon.fr/jmgorce/memoires/DEA%20-%20Guillaume%20de%20la%20Roche.pdf
[C. Y. Chen and P.P. Vaidyanathan, A novel beamformer robust to steering vector Mismatch, California Institute of Technology, USA, 2009.
http://www.ee.caltech.edu/EE/Groups/dsp/conf/chen_oct06%28rbf%29.pdf
A. C. Chime, Modélisation des antennes intelligentes et optimisation de la ressource radio, Master’s degree diss., LETS-ENSP, The University of
Yaounde I, Cameroun, 2011

58
Estimation des directions d’arrivée

59
Méthodes des sous espaces

Elles font suite historiquement à la


méthode de CAPON et s'appuient
sur une décomposition de l'espace
en un espace signal (Es) et un
espace bruit (Eb) par recherche de
valeurs propres.

60
Décomposition harmonique de PISARENKO (MMSE :
Minimum Mean Square Error

Son but est de minimiser l'erreur quadratique moyenne de


la sortie du réseau sous la contrainte que la norme du
vecteur poids soit égale à unité. Le vecteur propre de la
matrice de corrélation correspondante est celui associé à la
valeur propre la plus petite. Son pseudo spectre est :
1
P=
| A H e1 |
où e1 est le vecteur propre associé à la plus petite valeur
propre λ1.

A. C. Chime, Modélisation des antennes intelligentes et optimisation de la


ressource radio, Master’s degree diss., LETS-ENSP, The University of
Yaounde I, Cameroun, 2011
61
Méthode de Minimisation de l’Erreur Quadratique Moyenne (Minimum Mean
Square Error (MMSE) en anglais) développée par PISARENKO.

1
P=
| A H e1 |

62
Méthode de norme minimale (MIN-NORM )

Développée par REDDI, KUMARESAN et


TUFS, cette méthode optimise le vecteur de
pondération par la résolution du système de
trois équations ci-après:
min(W W )H E SH W = 0 W .e1 = 1
La solution conduit au pseudo spectre :
1
P=
| A H E b EbH e1 |2
A. C. Chime, Modélisation des antennes intelligentes et optimisation de la
ressource radio, Master’s degree diss., LETS-ENSP, The University of
Yaounde I, Cameroun, 2011
63
1
P=
| A H E b E bH e1 |2

64
Méthode MUSIC (Multiple SIgnal Classification)
(cf Mathes et al.)

T. Mathes, I. Stevanovic, J.R. Mosig, Algorithms for Direction of arrival Estimation in a Smart antenna, Semester project summer 2002-2003, LEMA,
Lausanne, Suisse, 2003
[1] http://www.arraycomm.com/products/a-mas-software/
[ 2]. De La Roche, Estimation bande étroite des angles d’arrivées d’un signal radio-mobile en environnement Indoor, Master’s degree diss., INSA of
Lyon, France, 2003. http://perso.citi.insa-lyon.fr/jmgorce/memoires/DEA%20-%20Guillaume%20de%20la%20Roche.pdf

65
1
P=
| A H Eb EbH A |

66
ESPRIT (Estimation of Signal Parameters via Rotationnal Invariance Techniques)
(Cf De la Roche)

La version de base décompose le réseau d’antennes en deux sous-réseaux X


et Y décalés de Δ. Le signal reçu sur le second sous-réseau est alors déphasé
par rapport au premier.
Au lieu de calculer les valeurs propres d’une seule matrice d’autocorrélation
puis parcourir un spectre comme c’est le cas avec MUSIC, on le fait pour les
deux matrices RX et RY respectivement, puis on cherche la matrice Ψ
permettant de passer de l’une à l’autre. On en déduit alors les angles d'arrivées
:
θn = arcos[arg(λℓ)/2π∆]
où ℓ= 1 … L et λℓ les valeurs propres de Ψ.
Les mêmes améliorations apportées à MUSIC sont souvent appliquées à
ESPRIT (Cf De la Roche)

G. De La Roche, Estimation bande étroite des angles d’arrivées d’un signal radio-
mobile en environnement Indoor, Master’s degree diss., INSA of Lyon, France, 2003.
http://perso.citi.insa-lyon.fr/jmgorce/memoires/DEA%20-
%20Guillaume%20de%20la%20Roche.pdf
67
Spectre de puissance de
MUSIC sur réseau carré
de M = 9x9 éléments,
N=100, d=0.5λ,
f=1.8GHz, SNR=30dB, 4
directions statiques à
détecter (50°, 80°, 100°,
120°)

68
Figure 13 : Divers spectres d’estimateurs de DOA Figure 14 : Spectre
de puissance de MUSIC sur réseau
Spectre de puissance de
sur réseau linéaire de M=8 éléments, f=1.8GHz, carré de
MUSIC sur réseau
M = 9x9 éléments, N=100, d=0.5λ,
carré de M = 9x9
d=0.5λ, SNR=30dB, 3 directions statiques à
éléments, N=100, d=0.5λ,
f=1.8GHz, SNR=30dB, 4 directions à
f=1.8GHz, SNR=30dB, 4
détecter (50°, 80°, 120°)
directions à détecter (50°,
détecter (50°, 80°, 100°, 120°)
80°, 100°, 120°)

69
Divers spectres
d’estimateurs de DOA
sur réseau linéaire de
M=8 éléments, f=1.8GHz,
d=0.5λ, SNR=30dB, 3
directions statiques à
détecter (50°, 80°, 120°)

70
Divers spectres
d’estimateurs de DOA
sur réseau linéaire de
M=16 éléments, N= 100,
f=1.8GHz,
d=0.5λ, SNR=30dB, 3
directions statiques à
détecter (50°, 80°, 120°)

71
Temps écoulés des différents algorithmes classiques d’estimation de DOA
en secondes à partir de la fonction « Tic Toc » de MATLAB

Estima Réseau linéaire Réseau carré Réseau circulaire


teurs
1Lobe 2Lobes 3Lobes 4Lobes 1Lobe 2Lobes 3Lobes 4Lobes 1Lobe 2Lobes 3Lobes 4Lobes
de
DOA

Bartlett 0.187 0.266 0.202 0.218 0.109 0.125 0.125 0.125 0.156 0.218 0.202 0.218

Prony 0.234 0.250 0.218 0.203 2.850 2.880 2.917 2.918 0.218 0.202 0.187 0.202

Capon 0.156 0.203 0.187 0.187 1.529 1.513 1.513 1.545 0.187 0.203 0.203 0.203

MEM 0.171 0.172 0.156 0.172 0.11 0.125 0.109 0.125 0.187 0.187 0.172 0.156

MMSE 0.188 0.172 0.171 0.172 0.125 0.125 0.109 0.140 0.234 0.171 0.188 0.187

MUSI 0.359 0.218 0.234 0.250 0.781 0.343 0.265 0.250 0.156 0.172 0.156 0.172
C
MIN- 0.156 0.172 0.203 0.156 0.125 0.156 0.156 0.156 0.219 0.234 0.172 0.203
NORM

72
Formation des faisceaux (Beamforming)

73
Modélisation de Formation de faisceaux -
Beamforming

Pr Emmanuel TONYE 74 74
Les modèles d’antennes réseaux permettent d’obtenir en absence de bruit :
X(t) = A(θ,ϕ)S.
En remplaçant dans Y = WHX(t), on obtient Y = WHA(θ,ϕ)S.
On pose : FR = WHA(θ,ϕ)
FR représente le facteur de réseau (AF en anglais pour Array Factor). Il permet
de calculer le diagramme de rayonnement lorsque les poids des différents
éléments d’antennes sont connus.
Conformer le rayonnement suivant des directions privilégiées revient alors à
ajuster les différents poids. Sa valeur normalisée est :
FR (θ , φ )
FRN =
max( FR )
On recense principalement deux types de conformateurs : les fixes et les
adaptatifs.

75
Méthodes analytiques de Beamforming
o Conventionnel : (encore dit Sum & delay beamformer), il ne conforme le
diagramme de rayonnement que dans une seule direction.

o Nullsteering : il s’agit du beamformer à annulation de lobes. Son principe


est de mettre les zeros dans les directions des interférents afin de les annuler.
L’inconvénient est qu’il ne se préoccupe pas de la position des utilisateurs ; ses
résultats laissent parfois à désirer.

o MVDR : « Minimum Variance Distorsionless Response », développé par


CAPON. A ce niveau, on peut modifier la valeur de D_cst qui est fixée par
défaut à 20. Cette valeur permet de stabiliser la courbe du MVDR, mais choisir
une valeur supérieure à 30 est négatif car le MVDR tendrait alors à se
comporter comme le conventionnel or le MVDR à l’opposé du conventionnel,
dépend des données envoyées par les signaux incidents et est parfaitement
adaptable.

76
Méthodes analytiques de Beamforming
o LMS: Least mean square. On pourra à souhait modifier la valeur de Mu_cst
qui est un paramètre dont dépend la convergence de l’algorithme. Sa valeur par
défaut permettant d’obtenir de meilleurs résultats est de 0.03.

o RLS: Recursive Least Square, est aussi dit de gradient stochastique. Il


converge plus vite que LMS mais nécessite une valeur de N élevée pour
conserver Delta_zero proche de 1.

o DMI : Direct Matrix Inversion, aussi appelé SMI : Simple Matrix


Inversion. Ici, les pondérations optimales sont obtenues par une simple
inversion de la matrice de covariance.

o CMA : Constant Modulus Amplitude. C’est un algorithme de gradient


basé sur le fait que l’existence des interférences induit généralement une
variation d’amplitude du signal transmis, qui néanmoins conserve une
enveloppe constante.

77
Le conformateur conventionnel

Il est le plus simple à réaliser et est aussi connu sous le nom de « sum-and-
delay beamformer ». Généralement, on l’utilise en combinaison avec MUSIC
pour pointer le lobe principal suivant la direction détectée (Cf De la Roche). Tous
ses poids ont la même valeur et sont donnés par :
1
W = A(θ 0 , φ 0 )
M
Le réseau possèdera alors une réponse unité dans la direction d’observation. Ce
type de « beamformer » ne requiert aucune information sur le signal incident à
l’exception de la position de l’utilisateur ; c’est pourquoi il n’est pas influencé par
le bruit thermique des éléments d’antennes.

La seule source d’erreur est une éventuelle erreur sur la direction d’observation
désirée.

Le désavantage de cette technique est qu’il n’est pas possible d’agir sur les
niveaux des lobes secondaires ni d’adapter les positions des annulations.

78
79
Le conformateur à annulation de lobes (« Null-steering beamformer »)

Il est utilisé pour annuler une onde plane en provenance


d’une direction connue en annulant le diagramme de
rayonnement suivant cette direction. Les poids sont déterminés
tels que :
WHA=e1T où e1 = (1,0,0…0)T
Si toutes les sous-matrices a(θℓ,ϕℓ) de A sont linéairement
indépendantes et A une matrice carrée, alors on peut l’inverser
et calculer la matrice poids W par :
W = WHA = e1T.A-1
Bien qu’annulant les signaux des interférents, ce
« beamformer » ne prend pas en compte les signaux utiles, ce
qui fait que ses résultats laissent grandement à désirer (Cf. De
la Roche)

80
81
Formation des faisceaux (Beamforming)

82
Le conformateur optimal

83
84
85
Le rayonnement du « beamformer » optimal tend à avoir de longs lobes et une
mauvaise annulation des interférences ; ceci est causé d’une part par la
maximisation du SINR et d’autre part par le bruit thermique, qui ne devrait pas être
corrélé d’un élément d’antenne à l’autre mais qui, pour un nombre fini
d’échantillons, paraît l’être.

Pour y remédier, on ajoute à Rxx, un bruit idéal thermique artificiel. Puisque la


matrice de covariance d’un bruit thermique idéal est une matrice diagonale, nous
pouvons ajouter à Rxx une matrice diagonale qui domine l’effet nuisant de la
corrélation du bruit initial.

Dans De la Roche, cette matrice de « surcharge » atténue considérablement les


effets des corrélations du bruit et réduit le nombre d’échantillons requis pour
obtenir de bons résultats.

Nous la notons D_cst dans nos codes.

86
Formation des faisceaux (Beamforming)

87
Les conformateurs à séquence d’apprentissage

La séquence d’apprentissage est une partie d’information


envoyée connue du récepteur lui permettant de déduire de
l’état d’arrivée des bits la fonction de transfert du canal. On a
ainsi un signal de référence avec lequel l’antenne confronte
le signal en sortie du réseau. Les algorithmes les plus utilisés
sont :
1) MMSE (Minimum Mean Square Error)
2) DMI (Direct Matrix Inversion, aussi appelé SMI : Sampled
Matrix Inversion)
3) LMS (Least Mean Square)
4) RLS (Recursive Least Square)

88
L’algorithme des moindres carrés moyens (LMS)

Il est dit de gradient stochastique et est la version récurrente du filtre de Wiener


(cf Haykin). Cet algorithme permet de calculer les pondérations selon l’équation :
W(n+1) = W(n) + µX(n)[d*(n) - XH (n)W(n)]
où W(n+1) représente le poids à la (n+1)e itération et µ le gain constant qui
contrôle le degré d’adaptation, c’est-à-dire à quelle vitesse et à quel point, les
poids estimés sont proches des poids optimaux. Dans nos codes, nous l’appelons
mu_cst.
La convergence de l’algorithme dépend des valeurs propres de Rxx (matrice de
corrélation du réseau).

Dans un système numérique, le signal de référence est obtenu par une


transmission périodique d’un signal connu du récepteur (cas du GSM) ou par
l’utilisation du spectre de code dans le cas d’un système CDMA à séquence
directe.

S. Haykin, Adaptive Filter Theory (Thomas Kailath Fifth Edition, Prentice-Hall,


2002). http://www.amazon.com/Adaptive-Filter-Theory-5th-
Edition/dp/013267145X#reader_013267145X

89
90
L’algorithme des moindres carrés récursifs (RLS)

Ch. Santhi rani, Dr. P.V. Subbaiah, Dr. K. Chennakesava reddy, Smart antenna algorithms for WCDMA mobile
communication systems, International Journal of Computer Science and Network Security, 8(7), 2008, 182-
186. http://paper.ijcsns.org/07_book/200807/20080727.pdf

91
92
L’algorithme d’inversion directe de matrice (DMI ou SMI)

Les pondérations sont choisies de façon à minimiser l’erreur


quadratique entre le signal de sortie du réseau d’antennes et le signal
de référence. Cette erreur est donnée par :
E [{r(t)-WHX(t)}²] = E [{r²(t)] - 2WHRr+WHRmW
où X(t) est la sortie du réseau au temps t et r(t) le signal de référence.
Rm = E [X(t)XH(t)] est la matrice d’autocorrélation du signal ou matrice de
covariance.
Rr = E [r(t)XH(t)] est la matrice d’inter-corrélation entre le signal de
référence et le signal de sortie du réseau (Cf Haykin).
Le vecteur poids pour lequel l’équation ci-dessus admet un minimum est
obtenu en annulant son vecteur gradient par rapport à W.
C’est-à-dire :
{E[{r(t)- WHX(t)}²]} = - 2 Rr + 2RmW = 0. On tire alors : Wopt = Rm-1Rr
Ainsi, les poids optimaux peuvent aisément être obtenus par une
inversion directe de la matrice de covariance.

93
94
Un conformateur aveugle : CMA (Constant Modulus Amplitude)

Sa configuration est la même que celle du système SMI à la seule différence


qu’ici un signal de référence n’est pas requis (Cf. Godara). C’est un algorithme
de gradient qui travaille selon la théorie que, l’existence d’interférences entraîne
généralement des variations d’amplitude du signal transmis, qui néanmoins
possède une enveloppe constante. L’actualisation des poids est obtenue par
minimisation de la moyenne positive de la fonction coût Jn définie par :
Jn = (½) E [(|y(n)|² - yo²)²]
Les poids sont donnés par :
W(n+1) = W(n) – µ.g(W(n))
où y(n) est la sortie du réseau après la nième itération ; yo l’amplitude de
l’enveloppe du signal désiré en absence d’interférence ; g(w(n)) une estimation
de la fonction coût et µ le coefficient d’adaptation.

L.C. Godara, applications of antenna arrays to mobile communications, part II:


Beamforming and direction of arrival considerations, Proc. IEEE, 85 (8), 1997,
1195-1245. http://wsl.stanford.edu/~ee359/godara2.pdf

95
96
Conformateurs adaptatifs
sur réseau linéaire de M
= 8 éléments, N=200,
d=0.5λ, SNR = 30dB,
f=1.8GHz, dans la
situation où On a un
utilisateur et un
interférent (80°, 120°)

97
Divers conformateurs
adaptatifs sur réseau
carré de M = 9x9
éléments, SNR=30dB,
N = 100, d=0.5λ,
f=1.8GHz, deux lobes
statiques à former
(80°, 120°)

98
Comparaison des trois configurations principales d’antennes planaires
adaptatives

Réseau linéaire Réseau carré Réseau circulaire

AVA -Plus facile à -Lobes plus fins -Indiqué pour la


NTA miniaturiser. -Plus « robuste » car ne subit pas localisation
GES -Coût matériel moindre. trop d’influence de la part des aérienne
-Détecte bien les DOA. différents paramètres d’antennes. -Couvre facilement
-Meilleur en formation -Meilleur en détection des DOA. 360° avec 01 seul
de lobes réseau.

L I -Lobes moins fins que -Coût matériel élevé -Coût matériel


MI pour le réseau carré. -Résultats de formation de lobes moyen
T -Subit un peu plus parfois laissant à désirer. -Lobes presque
ES d’influence des -Peut nécessiter plusieurs pour identiques à ceux du
paramètres d’antennes. couvrir 360° réseau linéaire

99
Méthodes analytiques de Beamforming
Procédure de simulation
Choisir la configuration du réseau d’antennes qui est soit linéaire, soit planaire,
soit circulaire ;
Rentrer les autres paramètres tels :

Le Nombre d’éléments M : par défaut lorsqu’on a choisi le réseau linéaire, la


valeur de M a basculé automatiquement à 8, si on a choisi le réseau planaire, la
valeur de M a basculé automatiquement à 9 (cela signifie qu’on a 9x9 = 81
éléments d’antennes) et si on a choisi le réseau circulaire, la valeur de M a
basculé automatiquement à 16.
Ces valeurs sont les valeurs pour lesquelles nous avons mené nos simulations.
L’utilisateur peut à souhait modifier ces valeurs et observer les changements
sur les courbes du Facteur de Réseau Normalisé (FRN) respectivement en
coordonnées cartésiennes (qui permettent de voir au mieux, les
pics du FRN),
coordonnées polaires (qui donnent une idée sur comment se
présente le diagramme de rayonnement dans la réalité),
coordonnées logarithmiques (qui renseignent surtout sur les
niveaux des lobes secondaires)

100
Méthodes analytiques de Beamforming
Procédure de simulation
Les directions d’arrivées (DOA) selon le nombre de lobes souhaités.

Ainsi l’utilisateur coche l’une des cases entre 1lobe, 1lobe1zero, 1lobe3zeros,
2lobes, 3lobes. Le zéro représentant un interférent. Par la suite, il lui est offert la
possibilité de rentrer les directions d’arrivées en termes de secteurs entre 1 et 17
car l’espace a été divisé en 17 secteurs entre 5 et 175°.

Il pourra ainsi à souhait indiquer où se trouvent le ou les utilisateurs et les


interférents :

101
Méthodes analytiques de Beamforming
Procédure de simulation
La distance inter-éléments en termes de lambda : d, qui est fixée par défaut à
0.5 ;
Le nombre d’échantillons N dont la valeur par défaut est 100 mais variable
jusqu’à 200.
Le rayon de l’anneau, qui est pris en compte pour le réseau circulaire, a la
valeur défaut 0.25.

Ensuite rentrer les paramètres des signaux incidents, à savoir :

La fréquence d’utilisation f0 dont la valeur par défaut est fixée à 1.8GHz ;


Le rapport signal sur bruit dont la valeur par défaut est fixée à 30 dB ;

102
Conclusion sur les méthodes analytiques

Les antennes adaptatives permettent une augmentation importante de


qualité de service (notamment augmentation de portée, de capacité, de
débit, etc.).
L’annulation de certaines directions permet d’éliminer des émissions
parasites qui pourraient perturber les communications ou diminuer le
débit de transmission. Ceci évite d'interagir avec d’autres systèmes ou
d’endommager certains équipements, "préservant" ainsi non seulement
la batterie mais aussi et surtout l’environnement.
Ces antennes présentent quelques inconvénients, tels leur structure
lourde et le plus de matériel nécessité. D’autre part, les temps de calcul
des algorithmes de « beamforming » dépassent parfois 20s, largement
supérieurs à la limite tolérable de 0,3s.
D’où la recherche des techniques plus rapides de formation de
lobes. Une attention particulière se porte aujourd’hui sur les
approches heuristiques dont font partie les algorithmes génétiques
et les réseaux de neurones.

103
Méthodes d’optimisation pour la conception des AI

APPROCHES HEURISTIQUES
(expérience/comportement) = intelligence artificielle

HEURISTIQUES SPÉCIFIQUES MÉTAHEURISTIQUES

Autres Approche à Réseaux de Approche de Approche d’évolution Approche d’hybridation


approches Neurone Artificiels (RNA) recherche locale (recherche globale) (Combinaison)
spécifiques (solution = population) (solution unique) (solution=population) (solution=population)

E F B M R E C D R R M A R P A Evol Evol RNA


O u F L B L A E S C + + +
S T C G D
Z A P F M K C O O RL Cons Fuz

EO: Emperical optimization CAK: Carte Auto-org. De Kohonen RD: Recherche Dispersée
FUZ: Fuzzy logic DEC: méthode de la descente PSO: Particule Swam Optimization
BFA: Bacterial Foraging Algorithm RS: Recuit simulé ACO: Aunt Colony Optimization
MLP: Multi-Layer Perceptron RT: Recherche Tabous Evol: approche d’évolution
RBF: Radial Basis Function MC: Min-Conflit RL: approche de Recherche Locale
ELM: Réseau d’Elman AG: Algorithme Génétique Cons: approche de construction

104
Le réseau tout entier, peut être vu comme
une antenne à part entière, avec une
nouvelle sortie :
M
Y (t ) = ∑ wi* xi (t )
i =1

où M est le nombre d’antennes élémentaires


constituant le réseau.

105
La synthèse consiste pour la conformation de faisceaux, à minimiser une
fonction coût (appelée fitness), qui est l’erreur quadratique moyenne
entre les coefficients de pondération obtenus premièrement par méthode
analytique (wan) et ceux en cours de calcul à chaque génération par
l’algorithme génétique (wag) (Merad, L).
2 nbits
1
∑  w
2
fitness(k ) = ( j ) − wan ( j ) 
α nbits
ag
j =1

où k est la kième ligne du vecteur poids W, nbits le nombre de bits sur


lequel on a codé chaque coefficient de W préalablement converti en réel
et α le nombre de colonnes de W.

Merad, L. 2004. Conception de Réseaux d’Antennes Imprimées par les


Algorithmes Génétiques et le Recuit Simulé. Traitement du signal. Vol. 21 N° 3 :
249 - 260
106
Quant à l’estimation des directions d’arrivées, ces coefficients sont
simplement remplacés par les spectres de puissance.

Le critère d’arrêt que nous avons choisi, est le nombre maximum de


génération de l’algorithme génétique (Pallavi, J. ) que nous fixons à 100.

Le temps écoulé de synthèse est obtenu au moyen de la fonction « Tic


Toc » de MATLAB.

Pallavi, J. 2013. Optimization of Linear Antenna Array using Genetic Algorithms


for Reduction in Side Lobs Levels and Improving Directivity Based on
Modulating Parameter M. International Journal of Innovation Research in
Computer and Communication Engineering. Vol. 1 N° 7: 1475 - 1482

107
Différentes étapes de la procédure de synthèse de DOA
au moyen des algorithmes génétiques

108
Différentes étapes de la procédure de synthèse de
Beamforming au moyen des algorithmes génétiques

109
Organigramme d’un AG binaire

Définir le nombre de Convertir W en Coder en binaire cette


bits sur lequel on va réel et générer population
coder chaque la population i=1
initiale sur 2nbits:
coefficient: nbits initiale pop_in

Début
Evaluer la fonction coût:
Fitness(k) = (1/2nbits)∑(pop_in(k,j))2 avec
j=1:2nbits

Pop_in ← pop_fin Sélection:


Roulette: classer les chromosomes par ordre
croissant de fitness et ne retenir que la 1ère
non moitié du tableau (minimisation)

Décoder pop_fin &


Recupérer la fonction obtenue i > N?
Croisement:
oui compléter la population par M/2 chromosomes
formés par croisement aléatoire
Résultat: utiliser la fonction obtenue
pour tracer les différentes courbes
Mutation:
Fin i=i+1 inversion de bits avec une probabilité Pm.
Obtention de la population finale: pop_fin

110
Codage du chromosome
Les directions d’arrivée qu’il faut trouver par les AG
étant des réels, chaque individu de la population,
Paramètres de l’algorithme génétique
représentant l’ensemble des directions d’arrivée,
sera codé en valeur réelle.

Chaque chromosome (individu) sera donc un


vecteur de nombres réels de taille égale au nombre
de sources à localiser.

La valeur de chacun des éléments (gènes) du


vecteur chromosome va appartenir à l’ensemble
des valeurs possibles des directions d’arrivée
(espace de recherche) .

111
Pr Emmanuel TONYE 111 111
Espace de recherche
L’espace de recherche des différents gènes correspond à
Paramètres de l’algorithme génétique
l’ensemble des valeurs que peut prendre une direction
d’arrivée. Pour un réseau linéaire, et compte tenu de la
périodicité des directions, il s’agit d’un intervalle
quelconque de longueur 180°.
Nous avons choisi l’intervalle [-90°, 90°].

Tout gène qui se retrouverait en dehors de cet intervalle


après une opération de croisement sera tout simplement
ramené sur la valeur correspondante par périodicité de
180°
112
Pr Emmanuel TONYE 112 112
Initialisation de la population
Pour essayer de réduire les temps de calcul, l’initialisation
Paramètres de l’algorithme génétique
de la population va associer hasard et intelligence. Le
premier individu sera généré à partir d’une méthode de
base d’estimation de DoA (pré estimateur).
Ensuite interviendra le hasard pour compléter la
population en générant aléatoirement d’autre individus
dans le voisinage du premier.
À partir d’un idividu [Ɵ1 , Ɵ2 , …, ƟL], produit par le pré-
estimateur, nous allons générer aléatoirement d’autre individus
[Ɵ1+α1 , Ɵ2+α2 , …, ƟL+αL], où les αi sont des nombres
aléatoires, jusqu’à atteindre la taille de population souhaitée.
113
Pr Emmanuel TONYE 113 113
Evaluation

L’évaluation est
Paramètres de l’algorithme basée sur la fitness de
génétique

chaque individu. Compte tenu de la nature


de la fonction coût qui est une fonction à
minimiser, l’individu le plus apte sera celui
dont la valeur de la fonction coût (f{[Ɵ1 ,
Ɵ2 , …, ƟL]} pour l’individu [Ɵ1 , Ɵ2 , …,
ƟL]) est la plus faible.

114
Pr Emmanuel TONYE 114 114
Formation du mating pool

La méthode choisie pour la


sélection des candidats en vu
Paramètres de l’algorithme génétique
de la création du mating pool
est calquée sur la stratégie
ESM (Emperor-Selective
Scheme).

Le meilleur individu de la
génération (qu’on va appeler
empereur) est géniteur de
tous les enfants issus d’un
croisement.

115
Pr Emmanuel TONYE 115 115
Croisement

LaParamètres
méthode de croisement
de l’algorithme génétique adoptée est le
croisement en un point.
Le point de croisement est sélectionné
aléatoirement.

116
Pr Emmanuel TONYE 116 116
Mutation

La mutation intervient très


Paramètres de l’algorithme génétique
peu pour réduire la nature
aléatoire de la recherche.

Le taux de mutation est


fixé à … 2%.

Le gène mutant est


également choisi de façon
aléatoire.

117
Pr Emmanuel TONYE 117 117
Politique de survie

Seuls lesde meilleurs


Paramètres individus feront partie de la
l’algorithme génétique
génération suivante, à raison de 25% pour les
géniteurs et 75% pour les enfants.
Critère d’arrêt

Le processus d’estimation des DoA s’arrête si


le nombre maximal de générations est atteint
ou si le meilleur individu est resté le même
pendant les dix dernières générations.
118
Pr Emmanuel TONYE 118 118
1) Codage chromosome : réel
2) Taille de
Paramètres la population
de l’algorithme : 50
génétique
3) Nombre max de génération: 50
4) Initialisation : mixte (Pré-
estimation et hazard)
5) Espace de recherche : [-90° 90°]
6) Sélection: Emperor-Selective
scheme (EMS)
7) Reproduction : Croisement (2%
mutation)
8) Critère d’arrêt : Nbre max de
génération ou meilleur individu
stable sur les 10 dernières
générations
119
Pr Emmanuel TONYE 119 119
Algorithme d’un AG binaire (1/2)
Etapes de l’algorithme
Codes sources
Définir le nombre de % nombre de bits
bits sur lequel on va nbits = ceil(log(l/p)/log(2)); %nombre de bits sur lesquels seront codés les Pij
coder chaque
coefficient: nbits
%conversion de P11 (qui est le résultat analytique) en réel
Pan = P11;
Convertir W en
P11 = zeros(taille,2);
réel et générer
for i=1:taille
la population
P11(i,1) = real(Pan(i));
initiale
P11(i,2) = imag(Pan(i));
end
Coder en binaire cette % codage vers le binaire
population b1 = dec2bin(g(:,1), nbits);
initiale sur 2nbits: b2 = dec2bin(g(:,2), nbits);
pop_in pop_in = [b1 b2];%POPULATION INITIALE
%évaluation de la fonction coût--------------------------------------------
som = 0;
for k = 1:taille
for jj = 1:2*nbits
Evaluer la fonction coût: som = som +(pop_in(k,jj))^2;
Fitness(k) = (1/2nbits)Σ(pop_in(k,j))2 avec end
j=1:2nbits fit(k) = som/(2*nbits); %erreur quadratique moyenne
a(k) = fit(k); %ceci pour que je puisse récupérer les chromosomes de fitness minimales
sort(fit);
fitness = fit';%matrice colonne
end
%selection----------------------------------------------------------------
for k=1:taille
for l = 1:round(taille/2)
Sélection:
comp = a(k)-fit_classe(l);
Roulette: classer les chromosomes par ordre
if comp ==0
croissant de fitness et ne retenir que la 1ère
pop(l,:) = pop_in(k,:); %récupération des chromosomes de fitness minimales
moitié du tableau (minimisation)
end %(prémière moitié du tableau)
end
end

120
Algorithme d’un AG binaire (2/2)
Etapes de l’algorithme
Codes sources
%croisement----------------------------------------------------------------
k = floor((2*nbits)*rand); %point de croisement choisi au hasard
for t = 1:2:(round(taille/2))-1
Croisement: l = ceil((taille/2)*rand);%indice du premier chromosome parent choisi au hasard
compléter la population par M/2 chromosomes n = ceil((taille/2)*rand); %indice du deuxième chromosome parent choisi au hasard
formés par croisement aléatoire q = (ceil(taille/2))+t;
pop(q,1:2*nbits) = [pop(l,1:k) pop(n,(k+1):2*nbits)]; % 1er chromosome fils
pop((q+1),1:2*nbits) = [pop(n,1:k) pop(l,(k+1):2*nbits)]; % 2è chromosome fils
end
%DECODAGE
som = 0;
pom =0;
for k=1:taille
for i=nbits:1
g(k,1) = som + pop_fin(i)*pow2(i);
Décoder pop_fin & end
Récupérer la fonction obtenue for j=2*nbits:nbits+1
g(k,2) = pom + pop_fin(j)*pow2(j-nbits);
end
E_fin(k,1) = pmin + ((pmax - pmin)*g(k,1))/gmax;
E_fin(k,2) = pmin + ((pmax - pmin)*g(k,2))/gmax;
end
P = E_fin + P0;
Résultat: utiliser la fonction obtenue
--
pour tracer les différentes courbes

121
AG continu

La structure est la même que celle de l’AG


binaire, à la seule différence qu’on ne code
pas la population initiale.
Autrement dit, les valeurs réelles des
coefficients sont directement utilisées telles
quelles dans l’algorithme.
Ainsi, on n’aura non plus à décoder la
population finale obtenue.

122
Organigramme d’un AG continu

123
Algorithme d’un AG continu (1/2)
Etapes de l’algorithme Codes sources
%conversion de P11 (qui est le résultat analytique) en réel
Pan = P11;
P11 = zeros(taille,2);
for i=1:taille
Convertir W en
P11(i,1) = real(Pan(i));
réel et générer
P11(i,2) = imag(Pan(i));
la population
End
initiale
P0 = rand(taille,2); %initialisation aléatoire de la matrice de puissance
E = P11-P0; %critère de synthèse: erreur entre la valeur désirée P11 et P0
aléatoire
pop_in = E; %POPULATION INITIALE
%évaluation de la fonction coût------------------------
som = 0;
for k = 1:taille
for jj = 1:2
som = som +(pop_in(k,jj))^2;
Evaluer la fonction coût:
end
Fitness(k) = (1/2nbits)Σ(pop_in(k,j))2 avec
fit(k) = som/2; %erreur quadratique moyenne
j=1:2nbits
a(k) = fit(k); %ceci pour que je puisse récupérer les chromosomes de
fitness minimales
sort(fit);
fitness = fit';%matrice colonne
end
for k=1:taille
for l = 1:round(taille/2)
comp = a(k)-fit_classe(l);
Sélection:
if comp ==0
Roulette: classer les chromosomes par ordre
pop(l,:) = pop_in(k,:); %récupération des chromosomes de
croissant de fitness et ne retenir que la 1ère
fitness minimales
moitié du tableau (minimisation)
end %(prémière moitié du tableau)
end
end
124
Algorithme d’un AG continu (2/2)
Etapes de l’algorithme Codes sources
%croisement---------------------------------------------------
l = 1;
n = 2;
for t = 1:2:(round(taille/2))-2
q = (ceil(taille/2))+t;
Croisement:
pop(q,1) = pop(n,2);
compléter la population par M/2 chromosomes
pop(q,2) = pop(n,1); %croisement
formés par croisement aléatoire
pop((q+1),1) = pop(l,2);
pop((q+1),2) = pop(l,1);
l = l+2;
n = n+2;
end
%mutation ----------------------------------------------------
%prob_mutation = 1/2; nbre_mutation = prob_mutation*taille*2 =
taille;
%donc: remplacer toute la 1ère colonne par des valeurs aléatoires entre -
Mutation: 1 et 1
inversion de bits avec une probabilité Pm. val = randn(taille,1);
Obtention de la population finale: pop_fin val = val./abs(val);
val = val.*rand;
pop = [val pop(:,2)];
pop_fin = pop;
pop_in =pop_fin;
Résultat: utiliser la fonction obtenue --
pour tracer les différentes courbes

125
Exemple de synthèse de 3 directions d’arrivée sur l’algorithme
MUSIC avec un réseau planaire 9x9

Les spectres de puissance en coordonnées cartésiennes, polaires et


logarithmiques, l’évolution de la fonction fitness vers la convergence.
Affichage des directions à estimer, celles estimées, les erreurs commises et les
temps écoulés par méthode analytique et par AG

126
Temps écoulés d’estimation de DOA par méthodes analytiques et par AG

Estimateurs Réseau linéaire Réseau carré Réseau circulaire


de DOA
1Lobe 2Lobes 3Lobes 4Lobes 1Lobe 2Lobes 3Lobes 4Lobes 1Lobe 2Lobes 3Lobes 4Lobes
Bartlett 0,187 0,266 0,202 0,218 0,109 0,125 0,125 0,125 0,156 0,218 0,202 0,218
AG_Bartlet 0,780 0,796 0,780 0,795 1,716 1,747 1,701 1,701 0,780 0,795 0,795 0,811
Prony 0,234 0,250 0,218 0,203 2,850 2,880 2,917 2,918 0,218 0,202 0,187 0,202
AG_Prony 0,764 0,749 0,764 0,749 1,701 1,700 1,701 1,700 0,764 0,764 0,764 0,748
Capon 0,156 0,203 0,187 0,187 1,529 1,513 1,513 1,545 0,187 0,203 0,203 0,203
AG_Capon 0,765 0,765 0,764 0,764 1,700 1,716 1,700 1,716 0,749 0,764 0,780 0,764
MEM 0,171 0,172 0,156 0,172 0,110 0,125 0,109 0,125 0,187 0,187 0,172 0,156
AG_MEM 0,764 0,780 0,765 0,764 1,701 1,716 1,700 1,716 0,765 0,780 0,780 0,795
MMSE 0,188 0,172 0,171 0,172 0,125 0,125 0,109 0,140 0,234 0,171 0,188 0,187
AG_MMSE 0,764 0,780 0,766 0,764 1,701 1,700 1,701 1,716 0,780 0,796 0,765 0,780
MUSIC 0,359 0,218 0,234 0,250 0,781 0,343 0,265 0,250 0,156 0,172 0,156 0,172
AG_MUSIC 0,795 0,796 0,765 0,764 1,731 1,700 1,716 1,716 0,827 0,780 0,796 0,764
MIN-NORM 0,156 0,172 0,203 0,156 0,125 0,156 0,156 0,156 0,219 0,234 0,172 0,203
AG_MinNor 0,764 0,780 0,764 0,795 1,716 1,700 1,701 1,701 0,780 0,796 0,780 0,780

127
Synthèse LMS (Least Mean Square) (Beamforming) par AG binaire sur
l’algorithme LMS avec un réseau circulaire de 16 éléments

128
Synthèse entre AG continu et AG binaire sur MVDR avec un réseau linéaire
8 éléments

129
Temps écoulés de beamforming par méthodes analytiques et par AG
(50 à 120 fois meilleurs)

Conformateurs Réseau linéaire Réseau carré Réseau circulaire


1Lobe 1L1Z 1L3Z 2Lobes 1Lobe 1L1Z 1L3Z 2Lobes 1Lobe 1L1Z 1L3Z 2Lobe
s
Conventionnel 0,390 0,406 0,078 0,065 0,437 0,437 0,437 0,094 0,156 0,218 0,202 0,218
AG_Conv 0,522 0,421 0,421 0,406 0,650 0,608 0,624 0,250 0,063 0,063 0,063 0,406
Null-steering 0,087 0,060 0,040 0,042 0,185 0,115 0,120 0,150 0,218 0,202 0,187 0,202
AG_Null-steer 0,234 0,062 0,047 0,047 0,327 0,078 0,078 0,094 0,343 0,343 0,344 0,358
MVDR 6,895 13,450 13,494 6,900 11,138 26,523 26,814 12,183 0,187 0,203 0,203 0,203

AG_MVDR 0,502 0,447 0,406 0,406 0,608 0,608 0,608 0,265 0,063 0,063 0,063 0,063
DMI 7,773 7,716 7,686 4,832 9,436 16,415 16,384 9,160 5,432 8,817 8,692 5,354
AG_DMI 0,407 0,502 0,500 0,406 0,701 0,679 0,701 0,285 0,060 0,063 0,063 0,063
LMS 7,340 13,510 13,380 6,833 11,350 22,800 22,210 11,170 7,488 15,140 15,050 7,378

AG_LMS 0,432 0,452 0,437 0,390 0,608 0,608 0,608 0,250 0,063 0,063 0,063 0,063
RLS 7,821 7,876 7,976 4,915 10,240 20,230 20,340 10,330 5,541 8,988 8,942 5,417
AG_RLS 0,450 0,402 0,402 0,443 0,612 0,702 0,656 0,245 0,062 0,063 0,063 0,433
CMA 8,062 13,292 7,657 4,895 9,334 55,722 65,778 26,944 5,416 8,755 8,848 5,416
AG_CMA 0,380 0,390 0,401 0,390 0,601 0,601 0,612 0,300 0,063 0,063 0,063 0,406

130
Beamforming des méthodes analytiques en les
synthétisant au moyen des algorithmes génétiques

Si vous avez une version de MatLab installée :


1) La démarrer et installer le dossier «
gui_synthese_beamf_par_ag » dans son répertoire de
travail par défaut. Pour
MatLab 7.0, il s’agit de C:\MATLAB7\work.

2) A partir de MatLab, Ouvrir le fichier «


synthese_beamf_par_ag.m » et cliquer sur « Run »
pour lancer la simulation ;
L’interface graphique suivante apparaît :

131
Beamforming des méthodes analytiques en les
synthétisant au moyen des algorithmes génétiques

132
Beamforming des méthodes analytiques en les synthétisant au moyen
des algorithmes génétiques

Si aucune version de MatLab n’est installée sur votre ordinateur :

1) Installer le dossier « executable_synthese_beamf_par_ag » sur


votre répertoire C, absolument ; puis l’ouvrir et double-cliquer sur le
fichier « MCRInstaller.exe » afin d’installer le « Matlab Component
Runtime » car l’exécutable ici n’est qu’une enveloppe C autour de nos
codes en Matlab ; il faut donc le MCR pour les exécuter ;

2) Double cliquer sur le fichier exécutable «


synthese_beamf_par_ag.exe ». on obtient une interface graphique d’à
peu près même aspect, accompagnée d’une fenêtre DOS en arrière-
plan qui est minimisable mais se ferme avec l’application :

133
Beamforming des méthodes analytiques en les synthétisant au moyen
des algorithmes génétiques

134
Beamforming des méthodes analytiques en les synthétisant au moyen
des algorithmes génétiques

Pour la synthèse au moyen des algorithmes génétiques :


o AG_sur_Conv : il s’agit ici de la synthèse du « beamformer »
conventionnel (c’est-à-dire l’obtention du vecteur poids W de la
méthode analytique conventionnelle, en un temps record) ;
o AG_sur_Nulls : il s’agit ici de la synthèse du «Nullsteering
beamformer ».
o AG_sur_MVDR : il s’agit ici de la synthèse du « MVDR beamformer
».
o AG_sur_LMS : il s’agit ici de la synthèse du « LMS beamformer ».
o AG_sur_RLS : il s’agit ici de la synthèse du « RLS beamformer ».
o AG_sur_DMI : il s’agit ici de la synthèse du « DMI beamformer».
o AG_sur_CMA : il s’agit ici de la synthèse du « CMA beamformer ».
135
Résultats du conformateur conventionnel sur le réseau planaire

136
Résultats de LMS sur réseau linéaire

137
Résultats de synthèse par AG sur LMS avec un réseau circulaire

138
Temps de BEAMFORMING par Synthèse au moyen des algorithmes génétiques,
obtenuspour N = 100
Nombr Méthode LINEAIRE PLANAIRE CIRCULAIRE
e de s
lobes analytiq Temps Temps Perfor- Temps Temps Perfor Temps Temps Perfor
souhait ues écoulés écoulé mance écoulés écoulé - écoulés écoulé -
és
Analytiq s Analytiq s AG mance Analytiqu s AG mance
ue AG ue e
1 lobe Conv. 0.312 0.406 ≈ 0.109 0.250 ≈ 0.187 0.062 ≈

MVDR 6.193 0.406 17 fois 11.091 0.265 6.802 0.062


plus
LMS 6.989 0.406 petit 10.671 0.265 7.519 0.062

1 lobe MVDR 5.897 0.047 11.185 0.265 6.864 0.063


42 fois 12 fois
1zero
LMS 5.944 0.047 11.341 0.265 plus 7.582 0.063 plus
125
petit petit
fois
1 lobe MVDR 5.928 0.047 11.326 0.265 6.927 0.062
plus
3zeros
LMS 5.897 0.047 petit 10.343 0.249 7.519 0.063

2lobes MVDR 6.147 0.046 11.061 0.250 6.802 0.062


132
LMS 6.131 0.046 fois 10.577 0.265 7.379 0.062
plus
3 MVDR 6.193 0.047 11.154 0.265 6.740 0.062
petit
lobes
LMS 6.147 0.047 10.483 0.250 7.317 0.062
139
RESEAUX DE NEURONES ARTIFICIELS

140
Le neurone formel ou neurone artificiel (RNA)

Est ainsi dénommé, le modèle mathématique du


neurone biologique. Le 1er modèle fut développé par
Mc. Culloch et Pitts en 1940. Il est considéré comme
un automate relié à des automates voisins par des
connexions représentées par des poids réels. Il
reçoit à son entrée des signaux délivrés par les
neurones auxquels il est connecté, et fournit en
sortie un signal qui est la somme pondérée de ses
signaux d’entrée par les poids de leurs différentes
connexions.

141
142
Le neurone formel ou neurone artificiel (RNA)

Un RNA est un ensemble de neurones formels associés en


couches et fonctionnant en parallèle. Ils ont la capacité de
stocker de la connaissance empirique et de la rendre
disponible à l’usage. Les habiletés de traitement du réseau
sont stockées dans des poids synaptiques, obtenus par des
processus d’adaptation ou d’apprentissage.
En ce sens, les RNA ressemblent au cerveau car, non
seulement la connaissance est acquise à travers un
apprentissage, mais de plus, cette connaissance est stockée
soit dans les connexions entre entités, soit dans les poids
synaptiques. La structure des connexions détermine alors la
topologie du réseau.

143
Classification des différents types de RNA regroupés en
quatre principales catégories

Dans les réseaux de type Feed Forward, l'information se


propage de couche en couche sans que le retour en arrière
ne soit possible. Nous nous intéressons dans ce cours à
deux RNA de type Feed Forward : MLP et RBFNN.
144
Le Perceptron MUltiCouche (PMUC ou MLP)

Le PMUC est l’extension du perceptron monocouche à une ou plusieurs couches


cachées. Le perceptron monocouche, inventée en 1957 par Franck Rosenblatt,
puis redéveloppé par Bernard Widrow et Ted Ho dans les années1960 sous une
version nommée ADALINE, ne contient qu’un unique neurone et ne peut ainsi
résoudre que des problèmes de classification linéaire. Ceci constitue sa
principale limite. Le PMC par contre, permet de résoudre des problèmes non
linéairement séparables et des problèmes logiques plus compliqués, notamment
le fameux problème du XOR ; c’est pourquoi il est dit « Approximateur universel »
dans Matlab 7 Help.

145
Le réseau neuronal à fonction de base radiale
RBFNN
Alternative au PMUC, la fonction d’activation souvent utilisée dans sa couche
cachée est la fonction Gaussienne. Son architecture est largement détaillée
dans Matlab 7 Help. RBFNN admet deux variantes que sont : GRNN (General
Regression Neural Network) et PNN (Probabilistic Neural Network), qui utilisent
respectivement les fonctions nprod et compet au lieu de la gaussienne au
niveau de la couche cachée.

Source: Murat Gùreken, «neural network based beamforming for linear &
cylindrical array applications», Master of Sc, Electrical & Electronics
Engineering, Middle East Technical University (METU) Turkey, May 2009
146
Les algorithmes d’apprentissage
Un réseau neuronal a la capacité à apprendre de son
environnement et d’améliorer sa performance par un
phénomène appelé phénomène d’apprentissage est l’un des
plus importants.
Cette amélioration prend place avec le temps lorsque les
paramètres du réseau subissent des modifications suivant
des règles appelées règles d’apprentissage, jusqu’à ce que
la sortie désirée soit à peu près obtenue.
Mais afin de pouvoir générer l’apprentissage du réseau, il
est nécessaire de créer une base de données dans un
domaine bien défini appelée base d’apprentissage et qui
contiendra toutes les informations à mémoriser. On distingue
en général deux modes d’apprentissage : l’apprentissage
non supervisé et l’apprentissage supervisé.
147
148
Principales règles d’apprentissage des RNA de type Feed Forward
(Source: Matlab 7, Help)

149
150
Organigramme de la version non améliorée de GBP pour un RNA
comprenant p neurones sur sa couche d’entrée, r couches cachées et q
neurones sur sa couche de sortie

151
152
Procédure de développement
Développer un RNA passe par quatre phases successives essentielles :
la collecte et analyse des données, l’élaboration de la structure du RNA,
l’apprentissage, le test et validation.
Phase de Collecte et d’analyse des données
Pour notre part, elle a consisté à calculer par méthode analytique, la
matrice pondération W devant permettre le beamforming. C’est la valeur
à synthétiser.
Phase d’élaboration de la structure du RNA
Elle a consisté à choisir le type de RNA et à le paramétrer ; notamment le
coefficient d’apprentissage ɳ, le momentum α (valeur typique α=0.9), le
seuil de tolérance ε, le nombre de couche cachées, le nombre de
neurones de ces couchées, le nombre de neurones en entrée/sortie et la
fonction de transfert.
Phase d’apprentissage
Elle comprend deux articulations essentielles : le prétraitement, qui est
une sorte de préparation des données avant leur présentation au RNA, et
l’apprentissage proprement dit.
153
Le prétraitement
Le prétraitement est mené en 3 étapes :
La sectorisation : nous divisons l’espace en 17 secteurs, répétés chaque 10°
dans l’intervalle 5 à 175°. Des secteurs plus précis de division d'espace peuvent
être atteints en augmentant le nombre d’éléments du réseau (Matlab 7, Help).
Ainsi, le vecteur d'entrée au réseau de neurones est mis sous forme de codes de
17 valeurs (une valeur de 1 représente un utilisateur). Cette étape a l'avantage
de diminuer considérablement la discontinuité dans l’espace et d'augmenter la
rapidité de Convergence.

154
Le prétraitement
Principe de la sectorisation.

La conversion des valeurs d’entrées du RNA en réelles : Comme


l'apprentissage est supervisé, la base doit contenir à la fois l'entrée du réseau et
la sortie souhaitée. Pour le MLP, les couples (Xi,Yi) à présenter sont (theta_all,
W) où theta_all est le vecteur position, qui est réel, et W les pondérations
complexes. On convertit donc uniquement W en réel et on obtient Wopt. Pour le
RBFNN, les couples (Xi,Yi) sont (Rxx, W) qui sont tous deux complexes (Murat
Gùreken, 2009). En les convertissant en réels, on obtient (Z, Wopt).

La normalisation : elle permet d’éliminer les discontinuités des sorties désirées


en ramenant les valeurs d’entrées du RNA entre -1 et 1. Pour MLP, nous utilisons
les fonctions ‘cosinus’ et ‘sinus’ de la manière suivante : theta_all =
cos(theta_all); Wopt = sin(Wopt);. Pour RBFNN, nous divisons Z par son module
avant la conversion en réels. On obtient ainsi, une convergence plus rapide.

155
156
La phase de performance, dite aussi de test et validation

En mettant en entrées des valeurs de theta_all ou de Z


aléatoires, le RNA « devine » les sorties correspondantes. En
remettant les valeurs d’entrées ayant servi lors de la méthode
analytique, le RNA livre des sorties que nous pouvons donc
comparer à celles préalablement obtenues.
Pour MLP, nous utilisons le code MATLAB : Wmlp = sim(net,
theta_all).
Pour RBFNN, nous utilisons (Murat Gùreken, 2009) : Wrbf =
sim(net, Z).
Nous effectuons alors un post-traitement qui consiste à
reconvertir les pondérations ainsi obtenues, en valeurs
complexes.

157
158
Exemple de synthèse d’un lobe (20°) et
d’annulation d’un interférent (30°), obtenu (a) dans
FADLALLAH N. (p111] et (b) par nous en utilisant
MLP sur LMS avec un réseau linéaire 9 éléments.

159
exemple de synthèse de 2lobes que nous avons obtenu par RBFNN au moyen d’un réseau circulaire de 16 éléments (a, b) à celui obtenus par Hichem CHAKER (Hichem CHAKER, conception

Exemple de synthèse de 2 lobes par RBFNN au moyen d’un


réseau circulaire de 16 éléments (a, b) à celle obtenue par
Hichem CHAKER (Hichem CHAKER, conception et optimisation de réseaux
d’antennes imprimées à faisceaux multiples, application des réseaux de neurones, Thèse,
Université ABOU-BEKR BELKAID-TLEMCEN, département de génie électrique &
électronique, laboratoire de Télécommunications de Tlemcen, Mars 2012).

(a) (b) (c)

(a) (b) (c)

160
compare les résultats de synthèse obtenus sur un réseau linéaire de 8 éléments par MLP et RBFN sur MVDR (Minimum Variance Distorsionless Response) dans la situation où

Comparaison de synthèse de spectres obtenus


pour un réseau linéaire de 8 éléments par MLP et
RBFN sur MVDR (Minimum Variance Distorsionless
Response) dans la situation où on a un lobe et 3
interférents.

161
Comparaison entre MLP et RBFNN sous l’angle de
facilité de développement
MLP RBFNN
Structure compliquée: plusieurs Structure simple: une seule couche
couches cachées et nombre élevé de cachée et la sortie n’est qu’une
neurones simple combinaison linéaire des
entrées
Apprentissage compliqué : Apprentissage simple :
- Optimisation de plusieurs couches à - Possibilité de Clustering;
la fois ; - Erreur quadratique moyenne;
- Risque élevé de tomber dans un - Convergence plus rapide.
minimum local ;
- convergence lente.
Représentation distribuée: pour une Représentation localisée: pour une
entrée donnée, généralement entrée donnée, seulement un nombre
plusieurs unités cachées seront limité d’unités cachées sont activées.
activées
162
Comparaison des temps écoulés par méthodes analytiques, les AG
et les RNA

163
OPTIMISATION DU TEMPS DE DAO
DES ANTENNES INTELLIGENTES PAR
SYNTHESE AU MOYEN DU
PERCEPTRON MULTICOUCHE
(P.MU.C)

164
Interface d’accueil de l’application de synthèse par PMUC

165
Interface d’accueil de l’application de synthèse par PMUC

166
Le nbre de neurones de la couche
d’entrée du Réseau de Neurone Artificiel
(RNA), MLP ou PMUC pour le cas, par
défaut fixé à 1 ;
Le nbre de neurones de la couche
cachée, par défaut 10 ;
Théoriquement un réseau neuronal
multicouche avec une seule couche cachée
est capable d'identifier arbitrairement toute
fonction non linéaire complexe et ses
dérivées.
Notre réseau contient donc une seule
couche cachée.

167
168
Le nbre de neurones de la couche de sortie, qui
est automatiquement affiché égal au nombre de
ligne du vecteur/matrice P;
Le taux d’apprentissage, qui détermine la vitesse
de convergence de l’algorithme d’apprentissage ;
L’algorithme d’apprentissage, on a 11 choix
possibles (traingdx, traingdm, traingd, trainlm,
trainbfg, trainrp, trainbr, trainscg, traincgb,
traincgf, traincgp).
La valeur choisie par défaut est traingdx de par
ses résultats acceptables ;
Le momentum, ou constante d’élan, qui est une
valeur introduite pour empêcher l'algorithme
d’apprentissage de rester bloqué dans un minimum
local, il augmente également sa vitesse de
convergence ;

169
MSE : Mean Square Error, ou Erreur Quadratique
Moyenne (EQM), qui est un seuil de tolérance
constituant l’un des 2 critères de stoppage de la phase
d’apprentissage ;

Iter_max : qui est le nombre total d’exemples de la


base d’apprentissage, sa valeur par défaut est fixée à
5000 mais modifiable jusqu’à 10000.

Les fonctions de transfert des trois couches de


notre RNA. Pour chaque couche on a le choix entre 7
valeurs : purelin, tansig, logsig, hardlim, hardlims,
satlin ou satlins.
Une combinaison avec purelin sur les trois couches
nous a donné des résultats acceptables. Nous l’avons
retenu par défaut.
Toutefois l’expérimentateur peut les modifier à souhait
et observer l’influence sur les synthèses obtenues.

170
MATLAB génère automatiquement au premier plan, une petite interface qui
présente l’évolution de l’Erreur Quadratique Moyenne en fonction du nombre
évoluant, d’exemples déjà présentés au PMUC, pendant la phase
d’apprentissage.
Le critère d’arrêt peut être soit l’atteinte du seuil de tolérance (MSE), soit l’atteinte
du nombre maximum d’exemples présentés (iter_max). Ci-dessus, un exemple
de courbe obtenue.

171
Synthèse de 3 DOA par MLP ou PMUC sur Bartlett avec un réseau
linéaire

172
Synthèse de 4 DOA par MLP ou PMUC sur MUSIC avec un réseau
planaire

173
Synthèse de 2 DOA par MLP ou PMUC sur Capon avec un réseau
circulaire

174
En bas à droite, le panel «
Résultats (Temps écoulés)»
permet d’afficher :
Le temps d’apprentissage du
réseau de neurones (en vert) ;
Le temps de performance, qui
est le temps écoulés par PMUC
(en rouge) ; Le temps écoulé
par méthode analytique (en
bleu).

175
OPTIMISATION DU TEMPS DE «
BEAMFORMING» DES ANTENNES
INTELLIGENTES PAR SYNTHESE AU
MOYEN DU PERCEPTRON MULTI-
COUCHES (PMUC)

176
Courbe d’apprentissage de synthèse par MLP sur LMS avec
un réseau circulaire, situation « 1Lobe3Zeros »

La courbe de la phase d’apprentissage de synthèse par MLP sur


LMS avec un réseau circulaire dans la situation « 1Lobe3Zeros ».
Nous voyons que le seuil de tolérance a été atteint après 4039
exemples présentés.

177
Synthèse par MLP sur LMS ou PMUC avec un réseau
circulaire, situation « 1Lobe3Zeros »

178
OPTIMISATION DE L’ESTIMATION DES
DIRECTIONS D’ARRIVÉES DES
ANTENNES INTELLIGENTES PAR
SYNTHESE AU MOYEN DE RESEAUX
DE NEURONES A FONCTION DE BASE
RADIALE (RBFNN/GRNN)

179
Architecture d’un neurone à fonction de base radiale et
sa fonction de transfert

180
LA distinction avec le Perceptron multicouches est que
son entrée est constituée d’un vecteur distance entre
sa matrice poids W et le vecteur d’entrée P, multiplié
par le biais b.
La fonction de transfert est appliquée pour livrer une
sortie : a = radbas (||W-P||b).
Cette fonction de transfert, appelée radbas.
On voit bien que la fonction de base radiale admet un
maximum de 1 lorsque son entrée est 0.
Comme la distance entre W et P diminue au fur et à
mesure des itérations, la sortie augmente jusqu’à
atteindre 1.
Ainsi donc, le neurone à fonction de base radiale se
comporte comme un détecteur qui produit 1
lorsque son vecteur poids W est identique au
vecteur d’entrée P.
Le biais b permet alors d’ajuster la sensibilité du
neurone.

181
Architecture des réseaux de neurones à fonction de base
radiale et différentes catégories

Elle est constituée de 2 couches:


- une couche d’entrée, dite aussi cachée, à base radiale de S1 neurones ;
- une couche de sortie linéaire, linéaire spéciale ou compétitive à S2
neurones.
La nature de cette deuxième couche détermine l’architecture et le type de
réseau.

Nature de la 2ème Catégories


couche
Réseau de neurones à fonction de base radiale
Linéaire standard (Radial Basis Function
Neural Network : RBFNN)

Linéaire spéciale réseau de neurones à régression généralisée


(Generalized Regression Neural
Network : GRNN)

réseau de neurones probabiliste (Probabilistic


Compétitive Neural Network : PNN)
182
Architectures du perceptron et des principaux réseaux
de neurones à fonction de base radiale

183
Implémentation du RBFNN

184
Implémentation du GRNN

La fonction MATLAB permettant de le créer et de lancer


l’apprentissage est newgrnn. Le code à taper est :
net = newgrnn(P,T,SPREAD);
Elle permet d’obtenir un apprentissage similaire à celui de
newrbe. C’est donc une très bonne alternative à cette
dernière.
La spécificité de GRNN et RBFNN est qu’ils sont destinés
à des problèmes d’approximation. Il s’agit après avoir «
appris », tel le cerveau humain, des sorties (Target T)
correspondantes à des entrées P, de deviner/approximer
lors de la phase de performance, des sorties qui
correspondraient à des entrées aléatoires ; c’est notre
cas.

185
Implémentation du PNN pour la DAO

Sa création et son apprentissage sont obtenues


par la fonction newpnn. On utilise le code
MATLAB :
net = newpnn(P,T,SPREAD);

PNN est un réseau de neurones à fonction de


base radiale destiné à la classification.

Devoir: Intégration dans l’outil.

186
Les réseaux de neurones à fonction de base
radiale peuvent, selon le cas, être plus rapides que
les autres réseaux de type feedforward tel que le
Perceptron MUlti-Couches et offrir de meilleurs
résultats lorsque l’espace d’apprentissage est très
grand. Par contre ils nécessitent plus de neurones.

On peut obtenir de plus amples informations


sur les réseaux de neurones à fonction de base
radiale en tapant sur MATLAB
en ligne de commandes : help radbasis
187
188
Interface d’accueil de l’application DAO, BRFNN

189
190
Synthèse de 3 directions par RBFNN sur Capon réseau
linéaire obtenue avec newrb

191
Synthèse de 4 directions par RBFNN sur MUSIC réseau
planaire, obtenue avec newrbe

192
Synthèse de 2 DOA par GRNN sur MinNorm d’un réseau
circulaire

193
OPTIMISATION DU TEMPS DE «
BEAMFORMING» DES ANTENNES
INTELLIGENTES PAR SYNTHESE AU
MOYEN DE RESEAUX DE NEURONES
A FONCTION DE BASE RADIALE
(RBFNN/GRNN)

194
Interface d’accueil de l’application Beamforming, BRFNN

195
Pour le cas de la synthèse, si on utilise
la fonction newrb, MATLAB génère
automatiquement au premier plan, une
petite interface qui présente l’évolution
de l’Erreur Quadratique Moyenne en
fonction du nombre évoluant,
d’exemples déjà présentés au RBFNN,
pendant la phase d’apprentissage. Le
critère d’arrêt peut être soit l’atteinte du
seuil de tolérance (MSE), soit l’atteinte
du nombre maximum d’exemples
présentés (MN). Ci-contre, un exemple
de courbe obtenue lors de la phase
d’apprentissage.
196
Synthèse par RBFNN sur LMS avec un réseau circulaire,
situation « 1Lobe3Zeros »

197
Synthèse par GRNN sur MVDR avec un réseau linéaire,
situation « 3Lobes »

198
En bas à droite, le panel
« Résultats » permet
d’afficher les temps
écoulés (en secondes)
par méthodes
analytiques et par RNA
pour comparaison.

199
Implémentation du PNN pour le Beamforming

Sa création et son apprentissage sont obtenues


par la fonction newpnn. On utilise le code
MATLAB :
net = newpnn(P,T,SPREAD);

PNN est un réseau de neurones à fonction de


base radiale destiné à la classification.

Devoir 2: Intégration dans l’outil.

200
PNN
Sa création et son apprentissage sont
obtenues par la fonction newpnn. On
utilise le code MATLAB :
net = newpnn(P,T,SPREAD);
PNN est un réseau de neurones à fonction
de base radiale destiné à la classification.

201
Le résultat n’est pas satisfaisant, malgré les modifications des paramètres tel que
le type de configuration.

202
Conclusion sur les méthodes d’optimisation par réseaux de neurones
artificiels

Les résultats d’optimisation des temps écoulés des algorithmes de beamforming,


par synthèse au moyen de deux types de réseaux de neurones artificiels que
sont le perceptron multicouche (MLP : MultiLayer Perceptron) et le réseau
neuronal à fonction de base radiale (RBFNN : Radial Basis Function Neural
Network), montrent que les temps écoulés par réseaux de neurones sont
inférieurs à une seconde et vingt-cinq fois meilleurs que ceux par méthodes
analytiques. D’autre part, MLP donne d’assez bons résultats notamment en
termes de capacité à apprendre n’importe quel type de réseaux (approximateur
universel) mais RBFNN en donne de meilleurs en termes de résolution de
spectre ; ceci peut être justifié par le fait que l’expression de la gaussienne
radiale est semblable à celle du facteur de réseau des antennes intelligentes.
Nous retenons donc le RBFNN pour une future implémentation sur FPGA (Field
Programmable Gate Array : une sorte de DSP). Ceci devrait aboutir à un
prototype de test intégrable sur une station de base (BTS), une tablette
numérique ou un smartphone.

203
Travaux de la littérature

204
NEC 2 (Chap. 11 de Gross)
Intégration de ces 2 algorithmes d’optimisation dans un outil préalablement
développé avec les méthodes analytiques (classiques) appelé NEC. La version
libre disponible en ligne est NEC 2.
[Typical computational electromagnetic techniques include the method of moments
(MoM), finite difference time domain (FDTD), and the finite element method (FEM).
Details of the theory behind these techniques are not covered in this chapter; however,
we make use of an open-source MoM solver called Numerical Electromagnetics Code
(NEC), which is a popular code for modeling metallic wire antennas and complex wire
structures. Its use allows us to incorporate complex electromagnetic effects such as
mutual coupling between wires and the presence of ground planes into the design
process, which are often neglected in the literature. We will use MATLAB as a wrapper to
integrate the genetic algorithm and CE method with the NEC code to optimize smart
antenna designs. This creates a powerful tool for designing real-world smart antennas,
one in which the designer does not need to have expertise in the physics of the problem
in order to generate solutions.]
[Another useful piece of software is called 4nec2, which is a graphical tool for
creating, analyzing, and viewing geometries and data products from
NEC2/NEC4 files. It’s available for download at: http://www.qsl.net/4nec2/ ]

205
NEC 2 (Chap. 11 de Gross)

L’outil que le livre modifie: 4NEC2 206


Antennes fractales

FRACTALE de VON KOCH

En ce qui concerne la fractale de vonkoch son


organigramme est le suivant:

Pr Emmanuel TONYE 207 207


Prendre un segment de longueur unité

On ajoute 2 points au segment de manière à obtenir 3 segments de même


longueur,

puis on ajoute un troisième point et on le relie aux 2 points


précédents de manière à avoir un triangle équilatéral

et enfin on retire le coté de ce triangle qui était sur le segment de


départ.

Une fois ces modifications effectuées sur tous les segments de la


figure de départ, nous réitérons l'opération en parcourant à nouveau
tous les segments de la nouvelle figure :

Pr Emmanuel TONYE 208 208


FRACTALE de VON KOCH

Les longueurs des segments sont multipliées par un


coefficient 4/3. A la n-ieme itération
nombre
longueur initiale d’itérations

4 n
LKoch = h×( )
3

Pr Emmanuel TONYE 209 209


Le flocon de neige

La Courbe du flocon de neige est le


même que la courbe de koch, excepté
qu’il commence par un triangle
équilatéral au lieu d’un d’un segment.
le point de l'image en cours de calcul
Fractale de M. B. Mandelbrot
Elle est basée sur la relation suivante :
Un et XC nombres complexes.

on dessine alors le pixel avec une


couleur en fonction de l’indice n.
Pr Emmanuel TONYE 210 210
APPLICATION DES FRACTALES
FRACTALE de VON KOCH nombre
d’itérations

4 n
LKoch = h×( )
3

longueur initiale
Du dipôle

Nous allons appliquer cela aux différents paramètres de


notre antenne dipole donc les caractéristiques sont
les suivants en jouant sur la longueur
Pr Emmanuel TONYE 211 211
Impédance d’entrée
Z in = Rin + jX in
Rr Xm
Rin = X in =
2  kl   kl 
sin   sin 2  
2 2
  
Rr = 60 C + ln( kl ) − Ci ( kl ) + sin( kl )[S i ( 2kl ) − 2 S i ( kl )] + cos( kl ) C + ln( ) + Ci ( 2kl ) − 2Ci ( kl ) 
1 1 kl
 2 2  2 

 2 ka 2 
X m = 30{2 S i ( kl ) + cos( kl )[2 S i ( 2kl ) − S i ( kl ) ] − sin( kl )  2Ci ( kl ) − Ci ( 2 kl ) − Ci ( ) }
 l 

Pr Emmanuel TONYE 212 212


Coefficient de réflexion S11 met en évidence l’absorption de l’énergie
par l’antenne.

Z in − Z c impédance caractéristique
S11 = de la ligne d’alimentation
Z in + Z c
impédance d’entrée
de l’antenne
1 + S11
Rapport d’Onde Stationnaire ROS =
1 − S11

Pr Emmanuel TONYE 213 213


-12.4 db et
-18.58db et 0.43 0.98Hz
Hz

-16.31 db et 0.76
Hz

-17.91db et 0.58
Hz
Pr Emmanuel TONYE 214 214
U (θ , φ )
Gain G = 4πη = ηD (θ , φ )
Prad

2
  kl   kl  
I 0   2
cos
2 cos θ  − cos 
Intensité De Rayonnement U =η 2    2 
8π  sin θ 
 

Puissance Rayonnée  
0.57 + ln (kl ) − Ci (kl ) + sin (kl )* [S i (2kl ) − 2S i (kl )]
1
2  2 
I0  
Prad =η  + 
4π  
  
 cos(2kl ) 0.57 + ln  + Ci (2kl − 2Ci (kl ))
1 kl  
 2   
 2 
Pr Emmanuel TONYE 215 215
Paramètres PParamètres de sortie
Acceuil Modules Simulations d’entrés
Distribution de courant
Rayon
Courbe
Coefficient de reflexion Longueur
Caractérisation Gain Formule
Quitter d’un dipole frequence
Champ rayonné

Page d’acceuil Flocon de koch


Generateur de Flocon de neige
suivant fractales Nombre
Mendelbrot d’itération

Julia

Impédance d’entrée Nombre d’itération


Coefficient de reflexion Rayon Courbe
Dipole fractales
VSWR Longueur
Gain Fréquence

Coefficient de reflexion
Nombre d’itération
Optimisationn
Efficacité de rayonnemment
Longueur de Stub
VSWR

Aide

Contact

Pr Emmanuel TONYE 216 216


Résultats et commentaires
Iterations Coefficient de reflexion en db
du fractale principal secondaires
0 -12.4 -4.529
1 -16.31 -4.945
2 -17.91 -5.124
3 -18.58 -5.262
4 -5.266
Iterations du Fréquences de résonance en Hz
fractale principal secondaires
0 0.98 3.28
1 0.76 2.46
2 0.58 1.8
3 0.43 1.4
4 Pr Emmanuel TONYE 217 1.06
Soutenu par MAWE TAKENG Emma 217
Conclusion
Les antennes intelligentes et les antennes fractales sont des
dispositifs en plein essor permettant une gestion optimale
automatisée de la ressource radio dans les réseaux mobiles de
nouvelles générations. Leur emploi au niveau par exemple de la
station de base ou du terminal mobile, peut augmenter à la fois,
la couverture, la capacité, la qualité et même la sécurité des
transmissions. Elles font donc l’objet d’une attention particulière
de la part des opérateurs de réseaux de télécommunications
mobiles.
Nous avons développé des outils didactiques avec Matlab et
Simulink qui sont de véritables paillasses de TP. Les Etudiants
mènent les simulations et ils aboutissent aux résultats optimaux
aussi bien en termes de réduction temps que de diagrammes de
synthèse pour l’estimation des directions d’arrivée (DOA) et la
formation des faisceaux ( Beamforming) respectivement.
218
View publication stats

Autres références bibliographiques


1) GODARA, Applications of Antenna Arrays to Mobile Communications, Part I: Performance
Improvement, Feasibility, and System Considerations. Proceedings of the IEEE, 1997. Vol 85
(n°7): pp 1031-1060.
2) GODARA, Applications of Antenna Arrays to Mobile Communications, Part II: Beam-Forming
and Direction-of-Arrival Considerations. Proceedings of the IEEE, 1997. 85(n°8): pp 1195-1245.
3) BALANIS, Introduction to Smart Antennas. 2007, Morgan & Claypool,
4) Ahmed El Zooghby, Smart antenna engineering. 2005, Artech House
5) GODARA, Smart Antenna. 2004, CRC Press.
6) BARLETT, An introduction to stochastic processes, with special reference to methods and
applications. 2nd ed 1966, Cambridge, 362 p.
7) CAPON, High-resolution frequencv-wavenumber spectrum analysis. Proceedings of the IEEE,
1969. vol 57(n°8), pp 1408-1418
8) MANDENG Suzanne, Modélisation par la méthode des réseaux de neurones des antennes
intelligentes utilisées en radiocommunication, ENSP, mémoire d’ingénieur, 2007, 84 p.
9) MEFENZA NENTEDEM Michael, Analyse par les réseaux de neurone en vue de la
caractérisation des antennes intelligentes, ENSP, thèse de Master recherche, 79 p.
10) VILLEGAS, "Parallel genetic-algorithm optimization of shaped beam coverage areas using
planar 2-D phased arrays". IEEE Transactions on Antennas and Propagation, vol.55(n°6 II), pp.
1745-1753.
11) DEBBAT et al., Les Algorithmes d’Optimisation Globale: Application Réseaux Intelligents
d’Antennes. SRTIT, 2005.
Pr Emmanuel TONYE 219 219

Vous aimerez peut-être aussi