Vous êtes sur la page 1sur 20

pp.

39-58 39

L'egalisation num6rique en communications


Odile MACCHI *

R6sum6 Transversal equalizers are only suitable for mild chan-


nels. In data transmission, where symbols have discrete
La prgsente synthbse explique comment l'~galisation levels, severe channels can be equalized by adding a
numdrique permet d'atteindre de trbs hauts d6bits de recursive path that is filled in with detected symbols.
transmission m~me pour des canaux sgvkres, par cor- Engineers have realized optimal equalizers for more
rection adaptative (temps r~el) de la distorsion. Les than twenty years thanks to the adaptive tracking of the
6galiseurs usuels sont des filtres numdriques qu'on peut channel time variations, at a very low computational
prendre transverses pour des canaux peu sdvbres. En cost. However adaptation requires the periodic trans-
transmission de donndes, o~ les symboles sont discrets, mission of a training sequence deprived of information
pour corriger les canaux les plus sdvbres, on adjoint content. This supervised learning technique is accep-
une partie rdcursive bouclde sur les symboles d~tect6s. table only in an end-to-end communication system. The
Depuis plus de vingt ans, les ingdnieurs savent optimi- most recent equalization methods are usable in multi-
ser l'6galiseur durant la transmission en poursuivant de user systems such as networks, broadcasted communi-
manibre adaptative les variations du canal pour un co~t cations, etc., because they employ self-learning or
de calcul trbs faible. Mais cela ndcessite d'~mettre unsupervised equalization. Then adaptation is control-
pdriodiquement une s6quence sans vdritable contenu led by the very information data flow. It only takes
informationnel. C'est l'apprentissage supervisd qui est advantage of an a priori statistical knowledge on the
seulement possible en point-b-point. Les mdthodes emitted data, e.g. their whiteness, a property that is
d'6galisation les plus r6centes sont adapt6es aux systbmes ensured thanks to jamming. Let us conjecture that all
de communication muhipoint (rdseaux, systbmes de diffu- equalizers will be self-learning in a near future.
sion, etc.), car elles sont autodidactes : l'apprentissage Key words : Equalization, Review, Digital transmission, Digital
est non supervisd. L'adaptation se fait directement sur le filter, Adaptive method, Equalizer, Supervised learning, Unsupervised
flot des informations, en utilisant seulement des connais- learning, Transverse filter, Decision feedback, Maximum likelihood,
Minimal phase circuit, Cascade arrangement.
sances statistiques a priori sur les donndes dmises, par
exemple leur blancheur spectrale qui est assurge par un
brouilleur. On peut penser que, dans un futur proche, tous Sommaire
les dgaliseurs seront autodidactes.
I. Gdndralitds
Mots cl~s: E,galisation, Article synth~se, Transmission num6-
rique, Filtre num6rique, M6thode adaptative, Egaliseur, Apprentissage II. Les trois structures classiques d'dgalisation
supervis6, Apprentissage non supervis6, Filtre transversal, D6cision III. Egalisateurs adaptat~fs supervisds
r6fl6chie, Maximum vraisemblance, Circuit phase minimale, Montage
cascade. IV. Egalisateurs adaptat~" auwdidactes
V. Structures cascades pour dgalisation autodidacte
VI. Conclusion
Bibliographie (35 ref )
DIGITAL EQUALIZATION
IN COMMUNICATIONS
I. GENERALITES
Abstract
This tutorial contribution explains how digital equa-
lization permits very high transmission rates, even with L'6galisation est un problbme de base en communi-
severe channels, by adaptive (real time) correction ~)f cations, particuli6rement dans le cas des communica-
the distortion. Equalizers are in general digital filters. tions num6riques. II s'agit de supprimer la distorsion

* Laboratoire des signaux et syst6mes, CNRS-SUPELEC,Plateau de Moulon, F-91192 Gif-sur-Yvette Cedex, France

1/20 ANN. TI~LI~COMMUN.,53, n ~ I-2, 1998


40 O. MACCHI. - L'I~GALISATION NUMI~RIQUE EN COMMUNICATIONS

cr66e par un canal de transmission. Ce canal transforme 16es de T/2 9 {x~ = xn;,. _ q} et { x l ( r t ) = X n T _ tl + 772}"
le message d t 6mis au point source en un signal x t Avec L. Guidoux, nous avons introduit l'6galisation frac-
observ6 au point destinataire de la communication ; la
tionnaire il y a 20 ans [21 ]. Conceptuellement elle ne dif-
variable t e s t r6elle et repr6sente le temps. L'6galisation
fere pas beaucoup de l'6galisation synchrone. Cependant
est la transformation .,r de revenir du signal elle est plus performante puisque le rdcepteur dispose (au
x t au message d r C'est un probl6me inverse tout "~ fait moins) de deux lois plus d'observations pour restituer la
typique. On notera
seule sdquence d(n). Nous en disons quelques roots dans
la conclusion de cet article.
( I) q, = H(x, )
Bien souvent le canal de transmission peut atre consi-
Cette quantit6 doit ~tre une (bonne) estimation de d r d6rd comme un filtre lin6aire et invariant dans le temps,
I1 faut remarquer qu'en g6n6ral la distorsion du canal tandis que le message clt peut ~tre consid6r6 comme un pro-
n'est pas instantan6e, c'est-h-dire que x r d6pend de tous cessus aldatoire centrd. Deux cas typiques se prdsentent :
les d oet pas seulement de d r Inversement l'6galisation
H n e sera pas non plus instantan6e :dans l'6quation (1), Transmission en bande de base. Si le support fr6-
il faut comprendre que x z d6signe l'ensemble de toutes quentiel du canal est adapt6 "~ la densit6 spectrale de
les valeurs de x o. puissance du message, la transmission se fait en bande
L'6galisation est dite analogique lorsque le message d t de base, c'est-h-dire sans transposition en frdquence.
est une fonction continue du temps t. Dans ce cas, il n'est Alors le signal observd s'6crit directement :
pas trbs ais6 de rendre adaptatif le systbme d'6galisation.
Nous n'en dirons rien darts le pr6sent article. Mais l'on (4) x(n) = f(d(n)) + w (n)
sait la place pr6ponddrante que prennent actuellement les ofa w(n) est le bruit additif du canal et 7 est le filtre
communications num6riques. Dans ce contexte, le mes- num6rique repr6sentant le canal physique 2. Dans ce cas
sage d t est constitu6 d'impulsions 6troites dmises ~t la frO- il n'y a pas de modulation proprement dite. Le canal a
quence I / T dite fr6quence svmbole : toujours une rdponse impulsionnelle finie (RIF) et cau-
+~ sale, doric il est reprdsentd par l'6quation
(2) dr = E d(n)mt - nT N

(5) J(d(n)) = 2 . f l . d ( n - i + 1)
t I
of1 T e s t l'intervalle entre les symboles. L'impulsion mt
La longueur N du vecteur F = (/'l ...... fX) "rqui carac-
d6pend principalement du filtre d'6mission. Les d(n)
tdrise 9rest un param~tre tr6s important car la difficult6
sont appel6s symboles j. L'dgalisation consiste alors "h
d'dgalisation augmente au moins en proportion de N.
recouvrer la sdquence d(n). Elle a commenc6 d'6tre
Darts le domaine spectral, c'est-h-dire pour les transfor-
consid6rde il y a 30 arts [17]. L'6galiseur numdrique
m6es en z des s6quences./'i~ et d(n), l'6quation de convo-
g6n6re alors une s6quence y ( n ) = d(n) qui estime la
lution (5) se traduit par un produit :
sO.quence d(n) des symboles et qui est synchrone.
II y a deux types d'dgalisation numdrique. Le premier (6) Z( F(d(n))) = F(z)Z(d(n))
est l'dgalisation synchrone, parfois aussi appelde mono-
o~ F(z) est la fonction de transfert (w) du canal. En sup-
variable, oh le signal analogique observ6 x t e s t 6chan-
posant que F(z) soit inversible et pour peu que le bruit
tillonn6 "~ la frdquence symbole, soit x ( n ) = x . r to"
w(n) ait une puissance n6gligeable devant celle du premier
c'est 5. partir de la seule suite {x(n)]. que l'on doit recou-
terme de (4), on voit qu'en passant la s6quence x(n) dans
vrer la suite {d(n)}. Dans ce cas t 0, qui est la phase
le filtre numdrique .r 5r J, dont la vr H(z) v6rifie :
d'dchantillonnage, doit fitre choisi avec soin pour 6viter
des interferences entre les symboles qui se produiraient (7) H(z) F(z) =- 1
m~me si la transmission 6tait paffaite. Pour cela il est
La sortie vaut exactement d(n) f Iest donc l'6gali-
nO.cessaire que l'impulsion tn t v6rifie le premier crit6re
seur optimal. C'est l'6quation (7) qui 16gitime la termino-
de Nyquist.
logie puisque le canal global H o f a une vr qui est dgali-

(3) m,a._ to :
8o, . -{-1

0
si

si
n= 0

n~0
sde a la valeur constante I, quelle que soit la frdquence z.

Transposition en fr6quence. Trbs souvent la puis-


sance du message d t se r6partit dans des frdquences bien
Le second type est l'6galisation fractionnaire ou sur- plus basses que le support frdquentiel du canal. La
6chantillonnde, parfois aussi appel6e multivariable, o~ modulation permet alors de transposer le message dans
l'on 6chantillonne plusieurs fois x t par temps entre les ce support. I1 y a un type de modulation spdcialement
symboles. A titre d'exemple le double dchantillonnage utile du point de vue de l'efficacit6 spectrale (exprimde
correspond ~ estimer {d(n)} h partir des deux suites ddca- en bit d'information part hertz de bande occup6e), c'est

I. Le message est done constitu6 d'une sdquence de symboles.


2. ,~ partir de maintenant le temps est discrdtis6. On peut done sans ambiguit6 utiliser des notations relies q u c f pour ddsigner 1"6chantillon J) _ ,7"
avec i entier.

ANN. T~;LECOMMUN.,53, n" 1-2, 1998 2/20


O. MACCHI. - L'I2;GALISATION NUM[~RIQUE EN COMMUNICATIONS 41
la modulation d'amplitude de deux porteuses en quadra- Hypothi~se (B) : la suite d(n) est stationnaire, cen-
ture (MAQ), lorsqu'elle est associee 5. une demodulation trde et blanche (ou ddcorrdlde) :
coherente. La phase de la porteuse de demodulation est
(8) E (d ( n ) ) - 0
alors asservie sur celle de la porteuse de modulation.
Trbs generalement, c'est 5. ce type de modulation qu'on
(9) E (d (n) d(m) *)~ Pd~n,m
associe l'egalisation adaptative. Nous n'evoquerons pas
darts la suite l'egalisation des autres types de transposi- Darts ces equations, E designe l'esperance, * designe le
tion en frequence. En MAQ on peut montrer aisement complexe conjugue, 15 ,role symbole de Kronecker et Pd la
(cf. [22], ch. 3) que l'ensemble {modulateur-canal phy- puissance de d(n). L'hypothbse (8) correspond au fait
sique de transmission-demodulateur} est un filtre nume- qu'aucun canal ne laisse passer la composante continue. De
rique J dont le support spectral correspond aux m~me une composante spectrale non nulle 5. la frequence
frequences du message d~ (les basses frequences ou zero ne serait pas transmise et c'est pourquoi la propriete
bande de base). Les symboles et les signaux demodules (9) est assuree par un brouillage prealable 5. l'emission.
obeissent encore 5. l'equation (4), darts laquelle les
quantites d(n), x(n), w(n) et la reponse de f sont de Pour le bruit, on fait l'hypothbse suivante :
nature complexe 3. Darts ce cas )rest appele canal en
bande de base equivalent (~. l'ensemble {modulateur- Hypoth~se (W): La sequence {w(n)} de bruit est
c a n a l - demodulateur}). Le vecteur F de sa reponse centrde et inddpendante des symboles {d(n)}.
impulsionnelle represente route la chai'ne de transmis- De plus w(n) est usuellement supposde blanche
sion, aussi bien les filtres d'emission et de reception que (decorrelee). il ne s'agit pas 15. d'un acquis automatique,
le canal proprement dit. De m~me w(n) est le bruit phy- mais cela resulte d'un bon choix du filtre (analogique,
sique du canal, ramene en bande de base. avant echantillonnage) 5. l'entree du recepteur. C'est ce
Dans le contexte que nous venons de preciser, l'ega- qu'on appelle le filtre adaptd blanchissant, filtre qui est
lisation consiste donc 5. inverser l'equation (4) pour d'une part adapte 5. l'impulsion rnt (cf. (2)) et qui d'autre
retrouver d(n), le filtre Fetant gouverne par (5). La dif- part decom?le les echantillons de bruit. Malheureusement
ficulte provient de ce que, en regime de transmission ce filtre est difficilement realisable et la decorrelation
normale, seule la suite {x(n)} est connue du destinataire n'est qu'approximativement vdrifiee pour le bruit w (n).
de la communication : .E, {d(n)} et {w(n)} sont incon- On peut souvent supposer que le bruit est gaussien.
nus. De plus le filtre )r,, que nous appellerons simple- Darts ce cas, la ddcorrdlation des w(n) dquivaut 5. leur
merit canal, est trbs usuellement variable avec le temps, independance. De plus, le rapport signal sur bruit (S/B)
doric avec n. Ce problbme a donne lieu 5. une trbs vaste est generalement suppose tbrt. D'aprbs (9) ceci s'dcrit :
litterature qu'il n'est pas possible de resumer ici, ni N
m0,me de lister. Pour une bibliographie bien faite, on (10) S/B A_=Pd~', 12,/P.,>> l
peut se reporter par exemple 5. [4] ou [29]. Pour notre i 1

part, nous presentons une breve synthbse o~ nous souli- Enfin, d'apr~s (5), x(n) n'apporte d'information que
gnerons certains aspects qui sont 5. notre avis particulie- sur les d(m) du passe (m_< n). Un retard d'egalisation ~-
rement pertinents pour I'ingenieur en 1998, est donc inevitable : l'egaliseur .,r
(ll) y(n) = J ( n - ~-) ~_>o
Autrement dit, b,(n) procure une estimation du sym-
II. LES TROIS STRUCTURES
bole anterieur d ( n - ~-). Le choix de ~- etant un point
CLASSIQUES D'I~GALISATION
delicat, souvent passe sous silence dans les publications
et reserve b, l'expert du contexte de transmission etudie,
nous reviendrons sur ce point dans le paragraphe IV.
Ce paragraphe rappelle bri~vement en quoi consiste
I'egaliseur optimal 9{[ 16], [28]. Celui-ci depend du filtre
q-qui est deterministe et caracterise par sa reponse F.
I1 depend aussi des statistiques de la sequence d(n) et de
II. 2. L'egaliseur transverse
celles de la sequence de bruit w(n).

Puisque la transformation de d(n) en x(n) est un filtre


numerique transverse, il est raisonnable de chercher
l'egaliseur .qaCsous la m~me forme. Pour atre realisable .q{
II. 1. Hypotheses sera causal et s'ecrira :
M
Pour le message on fait l'hypothbse suivante : (12) y(n) = ~'hix(n - i +1) = HTX(n)
i=1

3. C'est-'~-dire quc d(n) = da(n) + jd~(n) off d (n) et d,(n), reels, modulent les deux porteuses et que x(n) = xl(n) + jx~(n), oti r t ( n ) et x~(n), r6els,
sont les signaux ddmodulds sur les detix voles e'n quadrSturc. " -

3/20 ANN. T~L~COMNUN., 53, n ~ 1-2, 1998


42 O. MACCHI.-- L'EGALISATIONNUM~,RIQUEEN COMMUNICATIONS

avec des notations vectorielles H = (/i I. . . . . /ig)T pour le ne d6pend que de d(n - r) et non des autres symboles
vecteur de filtrage et d ( n - r + i). Autrement dit les interferences r6si-
duelles avec les autres symboles que celui estim6 h
(13) X(n) = (x(n) ..... x(n - M + 1)) T
l'instant n sont compensdes. On a donc annul6 la dis-
pour le vecteur des observations successives. X(n) est torsion d'interf6rences. Le crit~re correspondant est
une fenetre qui glisse quand n augmente. Le filtre de appel6 distorsion-cr~te, (en anglais peak-diswrtion ou
l'6galiseur .r reprdsent6 sur la figure 1. D'apr~s (4), zero-forcing).
(5) et (12) Cette manibre de poser le probl~me est conceptuelle-
N+M- 1 ment la plus simple, mais elle n'a requ de solution r6ali-
(14) y(n)=Z cid(n-i+ I)+w'(n) sable que tout r6cemment, dans le cadre de l'6galisation
,=j autodidacte. Nous en expliquons le principe darts les
off le vecteur C = (c 1, .... CN + M - 1)r caractdrise le paragraphes IV et V.
canal 6galis6
En presence de bruit. L'annulation des interf6-
(15) C = Hot1:
rences r6siduelles se fait h61as au prix d'un rehausse-
dont les coefficients sont ment du bruit (Pw' > Pw )" I1 vaut donc mieux utiliser un
M critbre de compromis entre bruit et interf6rences r6si-
(16) q = ~hJ. j+, i = 1..... N + M - l duelles. C'est pourquoi on utilise g6n6ralement le crit~re
j= I
de l'erreur quadratique moyenne (EQM) en cherchant le
et off w'(n) est le bruit 6galis6 vecteur d'6galisation H qui minimise la quantit6
(17) w '(n) = H ( w (n)) (23) E(H) = E( ] y(n) - d(n - ,./.)]2)
On voit sur (14) que le retard r peut atre choisi tel
I1 faut imm6diatement remarquer que cette mdthode
que 9
peut &re qualifide de mdthode supervisde 6tant fond6e
(18) Icr =suplc/I, i= I ..... N + M - 1 sur la connaissance de d(n - r) - et pas seulement du
i retard r - . Pour la mettre en oeuvre, il faut disposer
afin de maximiser le rapport (S//B) dans y(n). Tradition-
d'une p6riode de temps dite d'apprentissage darts
nellement l'on distingue deux cas, selon la puissance du
laquelle la s6quence d ( n - r) est connue, ou tout au
bruit.
moins certaines de ses statistiques le sont. On peut faci-
lement calculer ce vecteur H([18], ch. 1). A l'aide de la
matrice de covariance de l'observation
x(n) [ ] ,,,.._ _ _ ~ [ ~ - ' L _ f (n M+ 1)
(24) Rx` = E(X(n) *X(n) T)

et du vecteur d'intercorr61ation

I X [ y(n) (25) R,-a = E(X(n)*d( n - r))


et sous la condition, toujours consid6r6e comme satis-
faite dans la suite, que Rx.`. est inversible, on trouve :
FIG. 1. - - Structure d ' u n filtre d'dgalisation transverse.
(26) H = Rxx j R~d
Structure o f a transversal equalization.filter.
Lorsque M est infini, il est possible d'exprimer la
vr H(z) de l'6galiseur optimal et son EQM (voir [16],
Bruit n6gligeable : ( w ( n) ~ O)
p. 329 et [28], p. 564). II vient
L'6galiseur optimal serait H = y - I (voir (7)) si le
filtre de FT. PdF( z I),
(19) H(z) = F(z)- J (27) H(Z) = PdF(z)F(z_l) , + p ,

6tait causalement r6alisable et stable. Autrement il faut


et
mettre (approximativement) en oeuvre ce mSme filtre
(~/T Pd
retard6 : dco
(28) SmLin = PwT/27rJ_ r d T p f(eJC~176 + P~
(20) a-/= ~ o .,/-- 1

o~ -X.r d6signe le retard de z intervalles entre les sym- (l'indice L indique qu'il s'agit d'un 6galiseur lin6aire).
boles. II est alors ais6 de voir que le filtre Cv6rifie
Malheureusement pour des raisons de complexit6 de
(21) cr I = 1; ci=O; Vi4: r + 1 raise en oeuvre, M reste fini, de sorte que ces dgaliseurs
ont des performances tr}s mddiocres pour certains types
C'est douc un filtre de Nyquist selon (3), dont la
de canaux pr6sentant des 6vanouissements s61ectifs en
sortie
frdquence, c'est-'a-dire des valeurs de o) pour lesquelles
(22) jr(n) = d(n - r) + w'(n) F(e jO)T) = 0.

ANN. TI~LECOMMUN.,53, n ~ I-2, 1998 4/20


O. MACCHI. - L'I~GALISATION NUMI~RIQUE EN COMMUNICATIONS 43
Ce ph6nom6ne s'explique ais6ment : pour compen-
10 I set les trbs faibles valeurs de IF(z) I darts la bande de
canal (c) l'~vanouissement, I H(z) I est tr~s grand. Alors d'aprbs
5
(17), le bruit 6galis6 w'(n) est tr~s fort darts cette plage
de fr6quences. On comprend aussi tr~s bien le rehausse-
2
merit du bruit sur l'6quation (28). II est doric ndcessaire
canal (b)
10-2 de se d6barrasser du bruit par une autre structure d'6ga-
lisation. C'est ce que permet l'6galiseur suivant.
5

2 31 coefficients

10-3
II. 3. L'6galiseur ~ retour de d6cisions (ERD)

5
En anglais DFE : decision feedback equalizer. Un tel
2 ;ans canal (a) 6galiseur utilise une hypothbse compl6mentaire concer-
interfdrence nant la s6quence d(n) "
I I I I I I I
I0 4
{} 5 I0 15 20 25 30 35
S/B, dB Hypoth~se (D): les symboles d(n) prennent leurs
valeurs dans un alphabet discret D.
FIG. 2. - - Taux d ' e r r e u r binaire de l ' 6 g a l i s e u r L'usage de cet 6galiseur est donc limit6 aux commu-
transverse o p t i m a l (M = 31). nications num6riques (qui sont l'objet de cette syn-
thbse). Alors, on associe 5. l'alphabet D la fonction dite
Bit error rate of the optimal transversal equalizer (M = 31 ).
de ddcision, soit Dec(y), c'est-5.-dire le symbole a~
de D l e plus voisin d'une valeur analogique y. Si le
La figure 2, emprunt6e 5. [28], rend manifeste cet
vecteur H caract6ristique de l'6galiseur est proche de
inconvdnient. Elle prdsente le taux d'erreur obtenu par
l'optimalit6, c'est-5.-dire si (20) est approximativement
simulations de Monte-Carlo pour une transmission
v6rifide, alors y( n) ~ d( n - "r). De la sorte
binaire (d(n) = +1) avec trois canaux rdels et un 6gali-
seur transverse possddant M = 31 coefficients. Le
(29) a~(rt - ~-) A Dec (y(n))= d(n - "c)
module des trois fonctions de transfert, c'est-5.-dire les
trois distorsions d'amplitude, sont donndes sur la figure 3
on dit que <<l'ceil est ouvert )>. On consultera [17] pour
pour z sur le cercle unit6 (z = exp j o T ) . Le canal (a) est
cette notion d'eeil. La figure 4 repr6sente l'eeil ferm6
peu s6vSre et l'6galiseur donne un taux d'erreur infdrieur
puis ouvert, avant et apr~s 6galisation.
5. 10 .3 dbs que S / B est sup6rieur 5. 10 dB.
Alors la fonction de d6cision supprime tout bruit en
En revanche le canal (c) qui prSsente un 6vanouisse-
sortie de l'6galiseur. On profite de la propri6t6 (29) pour
merit tr~s s6vSre pour wT voisin de 27r//3 n'est pas vrai-
implanter une structure r6cursive qui diminue les inter-
ment dgalis6 : le taux d'erreur reste voisin de l0 - I alors
f6rences r6siduelles sans rehausser le bruit h la sortie.
m0.me que S / B atteint 30 h 35 dB !
Un tel 6galiseur est fondamentalement non lin6aire.
Optimis6, il permet d'annuler complStement en sortie
0.00 les interf6rences de y(n) avec t o u s l e s symboles ant6-
rieurs ~t d ( n - "r). En effet, d'aprbs 114) et 129), ces
-6.00 interf6rences, dites antdrieures sont calculables 5. partir
des sorties pr6c6dentes de l'6galiseur selon
. 12.00
(30) IA(n) = cr 2Dec(y(n - l))+cr (y(n - 2))+...
5
~ , - 18.01} et l'on peut les retrancher de y(n) par une simple boucle
r6cursive aliment6e par les dficisions pass6es, d'ota le
-24.00 nom d ' E R D .
L'6galiseur correspondant est sch6matis6 sur la
-30.00 i I i i i I i i /i ~1
figure 5 o~) les bottes marqu6es A e t B sont d6crites par
0.00 0.31 0.63 0.99 1.26 1.57 1.88 2.20 2.51 2.83 3.14
le sch6ma de filtrage transverse de la figure 1, les vec-
pulsation
teurs A et B rempla~:ant le vecteur H. Cet ERD r6pond h
F~G. 3. - - Distorsion d ' a m p l i t u d e de trois canaux. l'6quation temporelle
a) peu s6v~re ; b) 6 v a n o u i s s e m e n t en bout de b a n d e ;
c) 6 v a n o u i s s e m e n t tr6s s6v~re au m i l i e u de la bande.
(31) y(n) = BTX(n) - a r ~ ( n - 1)

Amplitude distortion of three channels :


ol) le vecteur ~(n - 1) est ddfini par
a) a mild channel; b) edge of band fading ;
c) mid-band severe fading.
(32) ~'(n - 1) = (Dec(y(n - 1)) ..... Dec(y(n - L))) r

5/20 ANN. Tr 53, n ~ 1-2, 1998


44 O. MACCHI. -- L'EGALISATION NUMI~RIQUE EN COMMUNICATIONS

3,50 selon la m6me formule que (12) mais avec un vecteur de


filtrage appel6 B. Puis il y a un 6galiseur H a purement
r@ursif, boucl6 sur les d6cisions, et caract6ris6 par un
1,75
vecteur param~tre A qui, h partir de z(n) g6n~re le signal
~galisd
0 L
(35) q(n) = z(u) - 2aiDec(_u_ff(n - i)
i=1

- 1,75 = z(n) - AT~(n -- 1)

B r u i t nfigligeable : ( w ( n ) - 0)
-3,50 Lorsque H e s t optimisd, le vecteur A est reli6 au vec-
0 6,2 014 (;,6 018 ,,0 teur B de telle sorte que
(a) t/T
M
(36) (c i=A) Z b j . / i _ j + l =ai-r-~' Vi>r+2
/=1

Ainsi le signal dgalis6


5,50
(37) y(n) = c + l d ( n - r) + % d ( n - r+ I) + ... cld(n)

2,75
ne comporte plus d'interf6rences ant6rieures mais seule-
ment postdrieures au message restitu6 d(n - r).
L'6quation (36) fournit en corollaire la longueur sou-
haitable L pour I'ERD en fonction de r, de N e t de celle
de l'dgaliseur transverse (M). On a
(38) L+ r+ 1 =N+M- 1
-2,75
De plus, on peut optimiser B selon le critbre de la
distorsion cr6te pour annuler aussi les interf6rences rdsi-
-5,50 duelles post6rieures. En fonction de F(z) et sous l'hypo-
0 0,2 0,4 0,6 0,8 1,0
(b) t/f thbse L = M = ~, on trouvera dans l'ouvrage [16] les
fonctions de transfert respectives Hs(z) et HA(Z) des par-
ties transverse et r6cursive de cet 6galiseur optimal.
FIG. 4. - - Ouverture de l'ceil par 6galisation :
l'enveloppe du signal a) avant dgalisation ; En p r 6 s e n c e de bruit. Le bruit de sortie de H e s t le
b) aprbs 6galisation ; Test l'intervalle unitaire.
m~me qu'h la sortie de Ht~ :
Opening the eye pattern via equalization : the signal envelope
a) before equalization ; b) after equalization.
(39) w'(n) = HB(w(n)) = B T ~ ( n )
T is the baud interval. avec la d6finition ~2(n) = ( w ( n ) . . . . w ( n - M + 1)) T. II
est donc pr6f6rable de remplacer le crit6re de la distor-
sion cr~te par un compromis entre bruit et interf6rences
rdsiduelles selon le crit~re (23) de I'EQM. Pour un 6gali-
seur de longueur infinie (L = M = ~), et sous l'hypo-
thbse (29) qu'il n'y a aucune erreur de d6cision, les
auteurs de [16] et [28] donnent I'EQM associde h I'ERD
optimis6 9
FIG. 5. - - Structure d'un 6galiseur 'a retour de ddcisions (ERD). (40) eUZ ' =
lIlln
Structure of a decision.fi, edback equalizer (DFE). 'T
Pd d~ol
Pwexp 2-~J-~/T In
pg F(eJO~T)F(e jolT), + Pw
On peut voir I'ERD comme une cascade de deux 6ga-
(L'indice NL indique que l'6galiseur est non lindaire).
liseurs 9
Grfice h l'in6galit6 de Jensen il est ais6 de voir que :
(33) H = Ha o H R (41) NL ~ ~_L.
~min nun
I1 y a d'abord l'dgaliseur Ht~ qui, h partir des x(n), c'est-h-dire que I'ERD est meilleur ('5. l'optimum) que
gdnbre la sortie interm6diaire l'6galiscur transverse. Pour M = L = 15, la figure 6,
emprunt6e b. 1281 montre l'am61ioration consid6rable
M
(34) z(n) = 2 b i x ( n - i + 1) = BTX(n) ainsi obtenue pour 6galiser les canaux s~v~re (b) et tr~s
t=l s6v~re (c) de la figure 3. On comparera a v e c l a figure 2,

ANN. TI2LE('OMMUN.,53, n ~ I-2, 1998 6/20


O. MACCHI. - L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS 45
relative ~ l'6galiseur transverse. Ainsi le taux d'erreur Pour avancer vers la solution, faisons l'hypoth~se
de 10 3 peut ~tre atteint pour le canal (c) dbs lors que que la suite d(n) de symboles est ind6pendante (i.i.d.).
S/B d6passe 18 dB. Cependant, la figure 6 met aussi en Darts ce cas, la rbgle de Bayes entraine
6vidence le ph6nom~ne de multiplication des erreurs qui
se produit darts les ERD, lorsque la condition (29) n'est K
(45) p { D K / x K } = c F I P ( d ( n ) ) p { X K / D K}
pas toujours satisfaite. De ce fait, il y a 5 dB suppl6men- tt = I

taires requis en S/B pour obtenir le m~me taux d'erreur.


C'est 15. un inconv6nient des ERD qui s'accuse d'autant
plus qu'on est loin de l'optimalit6 (donc loin de la oh la quantit6 C = P{X x} est inddpendante des mes-
condition (29)). Nous en reparlerons ult6rieurement. sages D~, et of3 P(d(n)) est la probabilit6 a priori du
symbole d(n) dans l'alphabet D. Lorsque de plus les
symboles de D sont 6quiprobables et que, outre l'hypo-
th6se (W), la suite des bruits w(n) est i.i.d., il devient
i()-I possible, grfice ~ l'6quation de filtrage (4), de r6soudre
5 le problbme en recherchant la suite D~; qui maximise la
~ ERD boucl6 probabilitd a priori P{XI~/ D~}.
2 ---~sur les ddcisions C'est l'algorithme de maximisation dynamique de
10-2 Viterbi [28] qui permet de ramener de ~K ~ K6N le
nombre de valeurs ~. comparer, soit un calcul de 6u
5
ERD boucl6 valeurs pour chacun des K messages restituds. La rdduc-
2 tion de complexit6 est consid6rable d'apr~s (44).
I 0 -3 mboles c o r r e c t s - Par rapport ?~I'ERD, l'dgaliseur du maximum de vrai-
semblance fait gagner de pr@ieux ddcibels sur le rap-
5 port S/B ~ probabilit6 d'erreur donn6e sur les bits trans-
mis, comme le montrent les figures 7 et 8, toujours
S; Lns empruntdes '~ [28] et qui concernent les canaux s6v~re
I( ) ~
interl6rence canal (b) canal (c) (b) et tr~s s6v~re (c). Cet algorithme a pourtant des
5 I I inconv6nients. I1 s'applique h condition de conna~tre le
0 5 10 15 20 25 30 35 vecteur F caractdristique du canal. II n6cessite donc une
S/B, dB pdriode d'apprentissage prdalable h la transmission. De
plus, sa complexitd d'implantation demeure tr~s 61ev6e
FIG. 6. - - Taux d'erreur binaire de I'ERD optimal (M = L = 15). sauf si d'une part 6 = 2 (Dest binaire) et d'autre part le
Bit error rate o f the optimal DFE (M = L = 15). canal est court (N -----6). Enfin, rappelons ici que I'ind6-
pendance de la sdquence des bruits w(n) est lide de
manibre critique '~ la mise en ceuvre du filtre adaptd
II. 4. L'~galiseur du maximum de vraisem- blanchissant "5.l'entr6e du r6cepteur (avant la mesure de
blance x(n)). C'est pourquoi, darts le cadre restreint de cette
Dans cette approche, on abandonne totalement l'id~e
d'inverser le canal Y. On abandonne m~me l'id6e qu'il
puisse exister un signal y(n) dont la seule valeur ~ l'instant
n suffise pour estimer le symbole d(n - ~). L'hypoth6se MV (simulation)
de base est (D) : c'est le caract~re discret des symboles et .~/..
10 '
c'est toute une s6quence de K symboles 5_valeurs dans D
(42) D~ = {d(n), 1 <-- n <- K}, d(n)E D,
10 -2
que l'on cherche h restituer ~. partir de la s6quence cor-
respondante des observations X x = {x(n), 1 -< n-< K}. inte;;nrSenc; ~ x ~ER; boucl6
L'6galiseur optimal restitue celle des suites D~qui maxi- ur ies symbolis corrects
10 3
mise (MV) c'est-~.-dire la probabilit6 conditionnelle aux
ERD boucl6
observations
ur les ddc]sions
(43) P{D ~, // X x}
dite aussi probabilit6 a posteriori. C'est un probl~?me
10 m
0 5 10
i
15 2(1 25
num6riquement trbs ardu car il existe 6K nombres h S/B, dB
comparer, 6 dtant le nombre de niveaux de D. Or, pour
que cette manibre de poser le probl~me ait un sens, il FIG. 7. - - Taux d'erreur binaire de 1'6galiseur du
faut que la s6quence h estimer soit bien plus longue que maximum de vraisemblance (canal (b)).
la r6ponse du canal :
Bit error rate q[ the maximum likelihood equalizer
(44) K >> N q[ channel (b ).

7/20 ANN. TELI~COMMUN.,53, n ~ I-2, 1998


46 O. MACCHI. - L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS
synthbse, nous ne d6velopperons pas davantage l'6gali- de H. Elles apportent globalement la solution de l'6qua-
seur du maximum de vraisemblance, nous restreignant tion (26) :
aux 6galiseurs transverses et aux ERD.
H = R~ lRxd

Elles 6vitent ainsi ~ la fois l'&ape d'identification de


R et Rxd et l'&ape de calcul numdrique de H par inver-
sion de Rxx. Le principe en est d'incr6menter H = H (n)
~t chaque fois que l'on d6tient une nouvelle information
10-1 MV (simulation)
\ , , \ ,~\ ERD boucl~ complhte : nouveau signal r%u x (n) et symbole 6mis
,x\, / sur les symboles correspondant d (n - z). On utilisera le r6sultat de cette
cD
x , ~ NX/ corrects mise ~ jour pour la suite de l'6galisation. Autrement dit :
:~ 10-2
(47) H(n) = H ( n - 1) + A (x(n),
" " ~ i ~x~ X ~ ERD boucl6 d (n - ;), y (n) .... )
sans \ \\
10 3 interf6rence\ I \' \ \ sur les d6cision,
\ (48) y (n) = H ( n - 1)TX(n)
\ (b~ ',\\, \ (signal 6galis6). L'6quation (47) montre clairement qu'il
10~
5 10 15 20 25 s'agit d'une approche supervisde : il faut connaftre le
S/B, dB superviseur d (n - r). Prdalablement ~ la communica-
tion, cela exige l'6mission d'une s6quence d (n) dite
FIG. 8. - - Taux d'erreur binaire de l'6galiseur du d'apprentissage connue de l'6galiseur, donc sans
maximum de vraisemblance (canal (c)). contenu informationnel. Le calcul du signal 6galis6 y (n)
ne sert alors qu'~ l'adaptation, cf (47). Au bout de K it6-
Bit error rate of the maximum likelihood equalizer
of channel (c). rations, l'on peut consid&er que H (n) a atteint la valeur
optimale (26) et l'on commute en mode opdrationnel o6
y (n) sert d'estimation pour d ( n - r) selon l'6qua-
tion (11) (et selon l'6quation (29) pour le cas oh d (n)
Nous allons maintenant consid6rer la question de l'ap- est discret).
prentissage. Par exemple, pour l'6galiseur transverse, L'immense majorit6 des travaux sur les 6galiseurs
comment atteindre la vr optimale donn6e par (27) alors adaptatifs porte sur l'apprentissage adaptatif supervis6.
que l'on ne connait pas la fonction F(z) du canal ? C'est la question que nous 6voquons darts le prdsent
paragraphe.
Puisqu'il faut minimiser ~ (H) dans (23), l'incr6-
ment A de (47) est congu pour s'annuler lorsque s'an-
nule l'erreur d (n - r) - H T X (n) entre le signal de
III. I~GALISEURS ADAPTATIFS SUPERVISl~S supervision et le signal 6galis6. I1 y a de nombreuses
fonctions A qui conviennent mais toutes n'ont pas les
m4mes performances. Les algorithmes du gradient sto-
chastique et des moindres carr6s r6cursifs sont les deux
principaux exemples.
III. 1. i~galiseur transverse
Algorithme du gradient stochastique. En anglais
Pour bien saisir la philosophie de l'adaptation il faut LMS pour least mean square. Cet algorithme adopte pour
commencer par le cas de l'6galiseur transverse, optimis6 incr6ment dans (47) :
selon le crithre de I'EQM (23). Son vecteur paramhtre H
est donn6 en (26) sur la base des quantitds R,x = bt
E (X (n)* X (n) T) et Rxd = E (X (n)* d (n - r)). Toutes (49) A : - ~ V H { y(n)-d(n-~')2}Ill:He,,_1)
deux ddpendent de manihre directe du vecteur inconnu
F caract6risant le canal. Par exemple, la premihre coor- o6 bt est une petite valeur positive, par exemple bt =
donnde de Rxd est (3MPx)-I qu'on appelle pas d'incr6mentation. II en
d6coule le simple algorithme :
=p *
(46) (Rxd)l dfr + I
(50) H ( n ) = H ( n - 1) + ~ X ( n ) * e (n)
Or le canal est inconnu et de plus il peut varier au
cours du temps. (51) e(n) = d ( n - r) - H ( n - 1)TX(n)
Les m6thodes adaptatives sont des algorithmes
d'implantation simple qui r6solvent globalement deux La thdorie montre que sous des hypothhses faibles
problbmes : m6connaissance du canal et optimisation d'ergodisme et de moments born6s pour les suites

ANN. TI~LI~COMMUN.,53, n ~ t-2, 1998 8/20


O. MACCHI.- L'I~GALISAT1ONNUM[~RIQUEEN COMMUNICATIONS 47

{d (n - ~-)1 et {x (n)}, H (n) atteint asymptotiquement Algorithmes pilot6s par les d&isions. En anglais
la valeur H de (26) avec une pr6cision proportionnelle ~t DD pour decision directed. Le gradient et les moindres
Ix et une vitesse de convergence inversement propor- carr6s s'appliquent ?~ tous types de statistiques pour
tionnelle h Ix : prdcision et vitesse de convergence se {d(n-~-)} et {x (n)}. Dans le pr&ent contexte,
contredisent. I1 en est ainsi dans tous les algorithmes {d(n-~-)} pr6sente la particularit6 d'&re discret
adaptatifs. De plus, l'algorithme du gradient a la capa- (d ( n ) E ~D).Quand, en fin de convergence, H (n) est
cit6 de poursuivre d'6ventuelles variations de l'6galiseur quasi optimal, <<l'oeil s'ouvre >>. Alors la condition (29)
optimal (26), cf. [18], ch. 9 h 12. II jouit aussi d'une par- est presque toujours v6rifi6e 9 les d6cisions Dec(y (n))
faite stabilit6 num~rique : les erreurs dues h la pr6cision sont devenues 6gales aux symboles d (n - ~-). Pratique-
finie ne le font pas diverger. Enfin, il est le plus simple h ment on en profite pour cesser l'6mission de la s6quence
implanter de t o u s l e s algorithmes adaptatifs dont la d'apprentissage. Afin de poursuivre les variations tou-
convergence est garantie : M multiplications seulement, jours possibles du canal, donc de H, on conserve l'adap-
donc autant pour l'adaptation (50) que pour le filtrage tation avec la modification qui s'impose. Ainsi, le LMS
(51). C'est pourquoi il est le plus populaire de tous les devient-il le DDLMS "
algorithmes adaptatifs e t a 6t6 mis en oeuvre darts des
(54) H ( n ) = H ( n - l) + X(n)*
mat6riels de transmission d& 1965.
[Dec(y ( n ) ) - H (n - I)Tx (n)]
Nous donnons au paragraphe V.3 un exemple des
performances de cet 6galiseur transverse supervis6 pour qui minimise r6cursivement le crit&e
un canal tr& s6v~re.
(55) eDD(H) E (ly(n)
= - Dec(y (n)) 2)
Algorithme des moindres earr~s r&ursifs. En
On peut proc6der de m~me avec l'algorithme des
anglais RLS pour recursive least squares. 11 s'6crit
moindres carr6s.
(52) H ( n ) = H ( n - 1) + I x G ( n ) X ( n ) * e ( n ) Si le canal 5-est peu s6v~re, pour peu que la valeur
initiale H (0) soit raisonnable, l'oeil est ouvert d6s l'ini-
ofa tx est positif et petit devant l, G (n) est une esti- tialisation et l'on peut mettre directement en oeuvre une
mation de la matrice Rxx I, que l'on peut obtenir par la algorithme pilot6 par les d6cisions tel que (54). La
tormule r6cursive s6quence d'apprentissage est alors inutile. On a lh un
premier algorithme adaptatif dit autodidacte.
1 Nous donnons au paragraphe V.3 un exemple des
(53) G (n) - - - performances de cet 6galiseur transverse supervis6 pour
l-Ix
un canal de transmission tr~s s6vbre.

• G(nl)- 1 - IX + I X X ( n ) T G ( n - - l)X(n)*

III. 2. l~galiseur h retour de d&isions


Cette formule utilise 6O(M 2) multiplications. On
peut aussi obtenir directement le vecteur G (n) X (n)* La th6orie des algorithmes adaptatifs pour les
par des formules dites rapides qui comportent 60 (7 M) filtres r6cursifs est beaucoup plus d61icate que pour les
multiplications, mais qui pr6sentent de grands risques filtres transverses. Pr6sentement, elle est loin d'&re
d'instabilit6 num6rique. Voir par exemple l'ouvrage [5]. achev6e [30], [32]. La difficult6 provient de ce que la
Sous les m6mes hypotheses que pour le gradient sto- sortie z (n) du systbme r6cursif n'est pas lin6aire en les
chastique, cet algorithme atteint h l'optimalit6 avec une param&res A et B du filtre c o m m e le montrent les
pr6cision proportionnelle h ~t. Sa vitesse de conver- 6quations (31) et (32) (darts (31), le vecteur ~ (n - 1)
gence, qui reste inversement proportionnelle h ~t, est d6pend lui aussi de A et B). Paradoxalement, c'est la
cependant bien meilleure que celle du gradient d~s lors pr6sence de la non-lin6arit6 dure que constitue la d6ci-
que x (n) n'est pas du bruit blanc. Or {x (n)} n'est pas sion qui simplifie le cas des 6galiseurs. En effet, on
blanc puisque le canal 5 - a color6 la suite blanche peut dire que localement les valeurs Dec(y ( n - 1))
{d (n)}. Actuellement, les moindres carr6s rapides sont qui entrent darts la boucle, ne d6pendent ni de A, ni de
encore l'objet d'une recherche active pour bien les sta- B puisque la fonction Dec(.) est constante par mor-
biliser num6riquement et diminuer leur coot calcul. ceaux. De la sorte y (n) darts (31) redevient lin6aire en
I1 existe de tr& nombreuses variantes d'algorithmes A et B. On peut alors 6crire ais6ment l'algorithme du
dans ces deux familles du gradient et des moindres car- gradient stochastique associ6 h I'EQM (55). C'est un
r6s. Mais toutes sont supervis6es : il faut connaitre algorithme de type DDLMS qui s'6crit ~ l'aide de l'er-
d ( n - "r), doric 6mettre une s6quence d'apprentissage reur d'estimation
avant la communication. Seuls les 6galiseurs autodi-
dactes s'affranchissent de cette s6quence. Les lignes (56) e ( n ) ---- d ( n - ~') - B ( n - I ) T x (n)
qui suivent forment une bonne transition dans cette + A (n -- l )T ~ (n - - 1 )
direction.

9/20 ANN. TI~LI~COMMUN.,53, n~ I-2, 1998


48 O. MACCHI.-- L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS
selon On consultera avec profit la bibliographie d6taill6e de
P. Duhamel [7] sur ce sujet. C'est en observant la seule
(57) A(n)=A(n- 1)-g~(n- 1)*e(n)
suite x (n) que l'on doit retrouver la suite des symboles
inconnus d ( n - "c), sans conna~tre non plus le filtre
(58) B (n) = B (n - 1) + g X ( n ) * e (n) num6rique Fqui relie les deux suites. De m~me, l'adap-
tation dolt se faire sur la seule base de x (n). Dans les
On peut de manibre similaire, 6crire une adaptation m6thodes autodidactes, ce sont des connaissances quali-
selon les moindres carr6s r6cursifs. Naturellement lors- tatives sur la suite d (n) qui permettent l'estimation de
que l'oeil est ouvert, ces algorithmes sont commut6s en l'6galiseur h partir de la seule connaissance de la suite
mode pilot6 par les d@isions, c'est-h-dire que e (n) des x (n) : les hypothbses (B), (D) mentionn6es au para-
devient graphe II ou l'hypothbse que la suite d (n) est i.i.d.
(59) e (n) = Dec(y (n) ( - B (n - 1)rX (n) L'6galisation autodidacte trouve aussi des applica-
+ A ( n - 1)r e ( n - 1) tions ailleurs qu'en communication. Historiquement le
premier domaine difffirent fut la d6convolution sis-
Nous donnons au paragraphe V. 3 un exemple des mique, off d (n) est la rdflectivit6 de la couche terrestre
performances de cet ERD adaptatif supervis6 pour un de profondeur n, Fest l'ondelette excitatrice (inconnue),
canal de transmission trbs sdvbre. et le signal observ6 x (n) est constitu6 par les 6chos pro-
duits par les diff6rentes couches. En restauration
d'image, n e s t 616ment de Z 2 et ddsigne les pixels
d'image, d ( n ) et x (n) sont respectivement l'intensit6
lumineuse de l'objet r6el et celle 5. la prise de vue
IV. I~GALISEURS ADAPTATIFS (brouill6e). Le filtre inconnu 5-qui est 2. D caract6rise
AUTODIDACTES l'effet de flou produit par l'61ectronique et l'optique de
la cam6ra. Un problbme similaire (mais 1. D) concerne
la restauration des anciens enregistrements audio.
La pr6sence de bruit gaussien ne changeant pas fon-
damentalement la solution du problbme (mais plut6t les
VI. 1 Pourquoi ? performances de l'6galiseur optimal), nous supposerons
ici que le bruit est n6gligeable. D'o~J le signal requ
L'apprentissage adaptatif supervis6 que nous venons N

de pr6senter est difficilement utilisable en particulier (60) x(n) = ~ f i d ( n - i + 1)


i 1
lorsque le canal 5- subit des variations brutales, car les
algorithmes d'adaptation ne peuvent pas les poursuivre. I1 est 6vident que celui-ci reste inchang6 si l'on pose
Les ddcisions Dec(y (n) deviennent fausses et comme
elles pilotent les formules (54), d'6galisation transverse (61) d' (n) = ",/d (n) ; f~ =.fi/'Y
et (57)-(59) d'6galisation rdcursive, H (n) devient fina- Ainsi en mode autodidacte ofJ seul x (n) est connu, il
lement totalement ddsadapt6. I I e n est ainsi par exemple existe une ind6termination de gain "y sur d (n) : l'ampli-
pour le radiotdl6phone mobile dans lequel l'adaptation tude ]~ ] e t le signe des symboles d (n) ainsi que leur
permanente de l'6galiseur H au canal de transmission phase 0 dans le cas de la MAQ (O?J d (n) est complexe)
exige l'6mission p6riodique de la sdquence d'apprentis- sont ind6termin6s.
sage. Cela prdsente l'inconvdnient de diminuer la quan- De plus, lorsque h M = 0, l'6galiseur d6cal6 H ' dont
tit6 d'information rdellement transmise. Tel est bien le le vecteur est
cas dans la norme tdldphonique GSM ofJ un bit sur cinq
est consacr6 h l'apprentissage [35]. En outre, il peut (62) H ' = (0, h 1. . . . . h M _ 1)7,
s'av6rer inopportun de r66mettre p6riodiquement la
s6quence d'apprentissage. I1 en est ainsi dans les sys- produit la m~me rdponse que H m a i s retard6e dans le
t~mes multiutilisateurs tels que les rdseaux de donn6es temps :
ou la t616diffusion numdrique audio et vid6o. Pour r6ini- (63) y ' ( n ) = y (n - 1)
tialiser l'6galiseur des quelques-uns dont la communica-
tion est devenue ddficiente, ces rd6missions privent de l~videmment, nous n'avons pas d'instant de r6f6rence
communication de tr~s nombreux destinataires. pour la s6quence inconnue d (n) de sorte que H e t H" sont
C'est pourquoi on a rdcemment vu se multiplier les indiscemables. En d'autres termes, pourvu que la lon-
travaux consacr6s au probl~me de l'6galisation non gueur M de l'dgaliseur Hsoit suffisante pour assurer des
supervis6e appelde aussi autodidacte ou encore valeurs n6gligeables aux coefficients des bords, le retard ~-
aveugle 4, dans laquelle il n ' y a pas de sdquence d'ap- de restitution de la suite d (n) est inddtermin6. I1 faut donc
prentissage 6mise pr6alablement 5. la communication. introduire des contraintes externes pour d~terminer

4. Le terme aveugle est "5.6viler vu sa connotation p~jorative. Par ailleurs, l'apprentissage non supervis6 a 6t6 considdr6 en premier lieu par la commu-
naut6 informaticienne sp6cialement pour la vision par ordinateur. C'est une raison suppl6mentaire d'gviter le terme aveugle.

ANN. TI2LI~COMMUN.,53, n~ 1-2, 1998 10/20


O. MACCHI. - - L'I~GALISATION NUMI~RIQUE EN COMMUNICATIONS 49
l'amplitude, le sigAne et la phase, ainsi que le retard du front de mont6e est instantan6. Ceci implique en parti-
symbole restitu6 d ( n - "r). C'est pourquoi, nous contrai- culier que
gnons le gain en amplitude grace a la normalisation
(69) fl ~ 0
(64) E (1 d (n) l 2) = 1 Et c'est pour cette raison que 5-peut 6tre 6galis6
I1 est fr6quent que le signe initial et la phase initiale
sans retard (z = 0) pourvu que la longueur M de H soit
choisie assez grande pour minimiser l'effet de la tronca-
de d (n) n'aient pas de contenu informationnel. C'est le
ture h i = M darts les 6quations (65) et (66). En outre,
cas de la modulation diff6rentielle off l'information est
du fair de (60) et (68), le filtre 5-- 1 admet la repr6senta-
cod6e darts les sauts temporels de phase et non dans la
tion r6cursive (donc causale) et stable
phase absolue. Darts ce cas, on peut choisir arbitraire-
merit le signe ou la phase du coefficient ",/apparaissant N -- I f/ +1 x (n)
darts (61). (70) d(n)=~ ---d(n-i)+--
Seules des variations temporelles rapides darts le i=1 fl fl

canal de transmission (dues par exemple ~ un fort effet


Sa sortie est d (n) c'est une suite blanche. Or il est
Doppler ou ~ une gigue de phase sur la porteuse) inter-
connu [26] que, /l un gain pr6s, le seul blanehisseur
diraient d'attribuer une valeur arbitraire ~ la phase de ~.
causal est I'innovateur associ6 h la pr6diction opti-
Darts ce cas, on met en ~euvre une boucle ~ verrouillage
male xA(n) de la suite x (n). Sa sortie est l'erreur de pr6-
de phase pour r6cup6rer la porteuse de d6modulation.
diction ou <<innovation >~
En MAQ cette bouche elle-m~me peut 6tre adaptative et
autodidacte, pilot6e par les d6cisions c~(n - ~), h condi- (71) u (n) = --xA(n) + x ( n )
tion d'etre plac6e apr~s l'6galisateur. C'est ainsi que
I'ERD autodidacte pr6sent6 en V.2 et V.3 n'est pas affect6 dont la puissance est minimale, off xa(n) d6pend des
par l'effet Doppler. En fait la restitution de phase n'est 6chantillons du pass6, par exemple par la formule de
pas un probl~me d'6galisation mais de d6modulation et pr6diction r6cursive :
nous ne nous en pr6occuperons plus darts la suite. N-I

Quant au retard de restitution z, il joue un r61e cri- (72) xa(n) = ~ a iu(n -- i)


i 1
tique, nous le verrons.
En rapprochant (71) et (72) de (70), on voit que
Nous allons voir darts ce qui suit ~ quel point il est
important de distinguer entre les types de distorsion (73) d (n) = u (n)/fl
introduits par le canal Y. Le cas le plus simple est celui
des canaux ?aminimum de phase. lorsque

(74) a i = f i + llfi, i = 1, , m - 1
On peut aussi adopter une repr6sentation transverse
IV. 2. Canal/l minimum de phase de ce pr6dicteur selon
M- 1

Lorsque 5- est un filtre h minimum de phase, son (75) xa(n) = ~" aix (n - i)
i= 1
inverse H = 5--I est causal, ce qui veut dire que (60) Les coefficients a i sont alors ceux du d6veloppement
peut s'6crire de mani&e 6quivalente : sur les z - ' , n -> 0, de l'inverse de la vr en (67). Grace ~t
(68), ce d6veloppement converge pour [z[ = 1 et on
(65) d (n) = ~ hix (n - i + 1) peut le tronquer. Mais l'ordre M - 1 de la troncature
i = 1
avec darts (75) sera d'autant plus 61ev6 que le canal Fest plus
s6vbre c'est-~-dire qu'il a des z&os plus proches du
(66) hi 2 < 0 o cercle unit&
i = 1 Pour r6aliser l'6galiseur, il faut faire suivre cet inno-
I1 en est ainsi h condition que les (N - 1) z6ros z i de vateur optimal d'un contr61e automatique de gain (GAG)
la fonction de transfert qui assure au signal de sortie
N 1
(67) F(z)=fl I~ (l-zi z-l) (76) y (n) = g u (n)
i=1
soient tous h l'int6rieur du cercle unit6 (U) : une normalisation de puissance identique ~ la normali-
sation (64) que v6rifie le symbole 6mis d (n). Cet 6gali-
(68) Izil <1 , i = 1..... N - 1 seur a doric la structure globale sch6matis6e sur la
figure 9 off le pr6dicteur est r6cursif et off l'on a ins&6
Par exemple, un canal ~ deux trajets (.N -~ 2) est h
en sortie l'op6rateur de d6cision. Cette figure ne montre
minimum de phase si et seulement si (ssi) If21 < If, I.
pas le syst~me adaptatif de r6cup&ation de phase. Darts
D'une mani&e g6n6rale les coefficients f / d e Yont ten-
le cas d'une transposition en fr6quence, il demeure
dance ~ d6croltre en module lorsque i augmente : le
imp6ratif [ 15].

11/20 ANN. TELI~COMMUN., 53, n ~ 1-2, 1998


50 O. MACCHI. - L',~GALISATION NUMI~RIQUE EN COMMUNICATIONS

-- - - - - r - - - - ]
I I
I I ', I
u (n) , . . . . . "_~____ d~(n-'r)
"/
I ,
i

I
DEcision
I x a (n)
CAG
Innovateur rEcursif

F~G. 9. - - l~galiseur autodidacte adaptatif avec mnovateur pour un canal h m i n i m u m de phase.

Self-learning adaptive equalizer based on innovation for a minimum phase channel.

Notons que cet Egaliseur est obtenu en se basant seu- Le coefficient positif g du CAG peut aussi ~tre atteint par
lement sur des propriEtEs du second ordre des signaux un algorithme adaptatif contrE1d par y (n), par exemple
traitEs.
R e m a r q u e . Tr~s souvent les canaux f EtudiEs dans (82) G(n)=G(n - 1)+~G[I- ly(n)12],
les articles sont figures par leur rEponse impulsionnelle F pG >0
sous forme d'une liste de nombres, parfois longue et tou-
jours fastidieuse. Cette representation n'est pas bonne,
car elle ne donne aucune indication immediate sur la (83) g (n) = N/IG (n) t
sEvEritE du canal. I1 est toujours prEfErable de le reprE-
senter graphiquement par la position de ses zeros z i. Ceci est figure par la flEche qui traverse g sur la
Adaptation. Les coefficients a i du prEdicteur opti- figure 9. I1 est montrE dans [18], ch. 1, que ceci assure
mal, qu'il soit rEcursif ou transverse, peuvent &re esti- asympotiquement la normalisation h 1 de la puissance
rues de manibre autodidacte en recherchant le vecteur 5 de y (n).
de prediction A = (a I . . . . )7- qui minimise la puissance Lorsque Y n ' e s t plus h minimum de phase, l'Egali-
de l'erreur de prediction u (n) seur de la figure 9 perd malheureusement son efficacitE.

(77) f l ( a ) = E ( u (n)) 2)

L'algorithme du gradient stochastique correspondant


permet de rendre adaptative cette estimation de A selon IV. 3. C a n a l / ~ maximum de phase

(78) A (n) = A (n - 1)
Pour concevoir un Egaliseur adaptatif autodidacte dans
~I'A 2
le cas gEnEral, il est utile en prEalable de traiter un autre cas
2 ~Ta U (n)) A = A (n - 1)
particulier, celui du canal ~t maximum de phase dans lequel
o~ le pas d'incrEmentation ~tA est positif. Pour le prEdic- les (N - 1) zeros z i de F (z) sont tous ~t l'extErieur de ( U ) :
teur transverse (71), on obtient directement l'adaptation
(84) Izil > 1, i = 1. . . . . N - 1
(79) A(n)=A(n- 1)+~tAu(n)X(n-- 1)*
C'est le cas d'un canal ~t deux trajets pour lequel
Pour le prEdicteur rEcursif le calcul exact du gradient If, I < If=l. D'une maniEre g,EnErale, la rEponse impul-
est malheureusement impossible. C'est pourquoi il sionnelle de .7-ne prEsente qu un front de montEe ( I f l l
existe toute une gamme d'algorithmes du gradient est croissante). Ainsi
approchE. L'algorithme suivant en est une approxima-
tion assez grossiEre mais trEs robuste, [18] (ch. 15) : (85) fN ~ 0

(80) A (n) = A (n - 1) + ~A u (n) U (n - 1) :~ I1 s'ensuit que d (n - N + 1) est le symbole dominant


dans l'expression de x (n) et que rEciproquement, c'est sur-
Oh le vecteur glissant U (n - 1) est dEfini par tout x (n + N - 1) qui contient de l'information s u r d (n).
Le retard de restitution ne pourra donc jamais s'annuler :
(81) U(n - 1) = (u (n - 1) . . . . . (u (n - N + 1))7.
(86) ~- -> N - 1
et o~ u (n - i) est calcul6 ~t l'aide de (71) et (72) avec le
vecteur A = A (n - i - l). Cette adaptation, contrflEe I1 s'ensuit aussi que la Fr s'Ecrit
par la sortie u (n) de l'innovateur, est figurEe par la N-I
(87) F ( z ) =fN l~ ( z - 1 -- Zi -1)
fl~che oblique traversant le prEdicteur A de la figure 9. i=1

5. Le nombre de coefficients du vecteur A n'est pas prEcis6 ici. II change selon la nature du pr4dicteur : c'est N - 1 pour un prEdicteur r4cursif et c'est
une valeur M - 1 supErieure dans le cas transverse.

ANN. TELI2COMMUN.,53, n ~ 1-2, 1998 12/20


O. M A C C H I . - L'[~GALISATION NUMERIQUE EN COMMUNICATIONS 51
Ainsi, d'apr~s (20), la FT de l'6galiseur optimal est est minimale. D'ofi la structure de la figure 10 pour
N-I l'6galiseur adaptatif, off le vecteur de r6tro-pr6diction
(88) H (z) : f N l Z - r + N - 1 ]7 ( 1 - Zi-Iz) -1
B = (b I . . . . . b M _ 1)T peut par exemple 6tre gouvem6
t=l
par l'algorithme du gradient stochastique
Ce filtre n ' a d m e t pas de reprdsentation rdcursive car
il est instable du fait de (84). Bien au contraire, pour (96) B ( n ) = B ( n - l)+pBv(n)X(n)*, P8 > 0
I z I = 1, on peut 6crire le d6veloppement en s6rie tron-
qu6 et off v (n) est calcul6 ~ l'aide de (92) et (93), avec le
N-I M-1 vecteur B = B ( n - 1). C'est 6videmment l~t un algo-
(89) [ I (1 - z i - l z ) - I = 1 - ~ bM_ jz-J rithme autodidacte. Naturellement le CAG est inchang6
i=l j=l
(cf. (82) et (83)).
qui fait intervenir seulement le futur par les puissances
En r6sum6, l'6galisation non supervis6e peut Etre
positives de z. Ainsi
atteinte par r6troinnovation adaptative c o m m e dans le
(90) H (z) = f N I Z - z + N + M - 2 R (z) cas off 5r est ~ minimum de phase. Seules intervien-
nent les statistiques du second ordre des signaux
ofa l'on a d6fini consid6r6s. I1 n'en sera plus de m~me dans le cas
M- 1 g6n6ral d'un canal h phase mixte, c o m m e nous le
(91) R(z)=z-M+ 1 --Z bi z - i + 1
d6taillons maintenant.
i-I

et off les b i se calculent ~ partir des z i. R (z) est la vr


d'un filtre transverse rdalisable. C'est un rdtro-innova-
teur car il calcule l'erreur de pr6diction r6trograde
IV. 4. Canal h phase mixte
(92) v(n)=x(n-M+ 1)-x B(n-M+ 1)

entre l'6chantillon x (n - M + 1) et le signal r6tropr6dit En gdn6ral, le canal 5rest ?a phase mixte, en ce sens
(bas6 sur le seul futur de x (n - M + 1)) : que sa fonction de transfert F (z) poss~de des zdros z i
la fois dans et hors de (U) :
(93) xB(n-M+ 1)
M-1 (97) Izil < 1, i = 1..... a
= ~ , b i x ( n - i + 1) =A B T X ( n )
i=1
(98) Izil > 1 , i=a+l ..... a + f l = N - 1
(Noter que B et X (n) ont (M - 1) coordonndes).
D'apr~s (90) cet 6galiseur H n ' e s t r6alisable que si le (en perdant fort peu de g6n6ralit6, nous supposerons
retard v6rifie qu'il n ' y a pas de z6ro sur (U)). Comme darts les deux
cas particuliers pr6c6dents, la structure de l'6galiseur a
(94) z-> N - 2 + M
une influence directe sur sa capacit6 d'apprentissage
L'ordre ( M - 1) augmente rapidement lorsqu'il y a non supervis6. Dans ce paragraphe, nous consid6rons
des zdros proches de (U), c'est-h-dire quand le canal est l'6galiseur transverse (12) caract6ris6 par son vecteur H.
s6v~re 6. On montre encore que 5/est optimal, c'est-h- Maintenant la minimisation de la puissance de y (n)
dire qu'il blanchit la suite v (n) h un gain prbs, ssi les b i n'est plus 6quivalente ~ son blanchiment, surtout si cer-
sont tels que la puissance tains des z i sont proches de (U). I1 faut donc un autre cri-
t~re d'optimisation. Dans le pass6, les auteurs se sont
(95) K ( b l ..... bM - l) = E (I v (n) l 2) principalement appuy6s sur une hypothbse forte concer-
nant la statique des symboles.

y (n) [ cl(n-'r)
r D e c (o) '~

J
FIG. 10. - - l~galiseur autodidacte adaptatif avec r6troinnovateur pour un canal h m a x i m u m de phase.

Self-learning adaptive equalizer based on backward innovation for a maximum phase channel.

6. Ici s'applique ~t nouveau la remarque du w IV. 2 selon laquelle ce sont les z6ros z t de Yqui doivent &re figur6s, non les coefficients de F.

13/20 ANy. TELECOMMUN., 53, n ~ 1-2, 1998


52 O. MACCHI. - L'I~GALISATION NUMI~RIQUE EN COMMUNICATIONS

Hypoth~se (I) : les symboles d (n) forment une suite seulement quelques-uns des symboles de l'alphabet D,
inddpendante. alors que y (n) n'est pas 6gal h H (n - ~-) - pour aucun
Cette hypoth6se n6cessite un brouilleur assez 6labor6 retard ~-- le taux d'erreur devient alors prohibitif.
~t l'6mission pour assurer non seulement la d6corr61ation Historiquement, le premier algorithme de Bussgang
d'ordre deux comme dans l'hypoth~se (B), mais aussi la efficace fut propos6 par Sato en 1975 pour de la modu-
d6corr61ation des moments crois6s de tous ordres. Dans lation r6elle non binaire. I1 utilise l'erreur
ce domaine, le pionnier fut Godard [11] qui montra dbs
E (d 2)
1980, pour de la modulation complexe, que tout vecteur
H d'6galisation minimisant la fonction de coot (106) es = ~ signe(y) - y

(99) L (H) = E 1( l y (n) I p - E ( I d (n) 12p)/ qui incorpore un symbole virtuel


E ( I d (n) [ P))q}
E (d 2)
correspond h l'6galiseur optimal quand le nombre M de (107) du - signe(y)
prises est infini. Dans (99) p e t q sont des entiers positifs E (T-J]S
qu'on prendra 6gaux h 2 dans la suite. Par ailleurs, le Ce dernier a beaucoup plus de chances d'etre correct
symbole complexe d (n) est suppos6 circulaire (au sens (signe(y) = signe(d)) qu'il n'y a de chances d'obtenir la
05 E (d (n) 2) = 0) et il v6rifie l'hypothbse de kurtosis bonne d6tection (Dec(y)= d). C'est pourquoi l'algo-
n6gatif : rithme de Sato peut converger vers l'6galiseur optimal,
lh off l'algorithme pilot6 par les d6cisions 6choue. C'est
(100) E(ld(n)14)-2(E(ld(n)12)):<O Benv6niste dans [2] qui en a donn6 la preuve th6orique,
sous les seules hypothbses que d (n) soit de kurtosis
comme c'est toujours le cas en MAQ. ~k c a u s e de la nor-
n6gatif et que l'6galiseur soit de longueur infinie.
malisation (64), l'algorithme du gradient stochastique
L'hypoth5se de kurtosis ndgatif qui revient fr6quem-
qui en d6coule s'6crit :
ment correspond habituellement h des queues de proba-
(101) H(n)=H(n- 1)+laH{E([d(n)l 4) bilit6 plus rares que celles de la loi gaussienne (statistique
- ly (n) ] 2 } y (n) X (n)* sous-gaussienne) bien qu'il n'y ait pas une stricte 6quiva-
lence, l~videmment, cette hypoth5se est valable en
o5 le pas /z/_/est positif, n est clair que cet algorithme communications dans le simple souci d'6conomiser la
tend h donner h y (n) un module constant. D'o5 ses puissance 6mise : ne pas transmettre souvent des signaux
nombreuses variantes souvent connues aussi sous le forts.
nom de constant modulus algorithm (CMA) [6] et [34], et D'autres algorithmes de Bussgang se sont r6v616s
destin6es h la modulation de phase. Pourtant l'algo- trbs int6ressants comme le <<stop-and go )) [25] et l'al-
rithme de Godard est efficace pour tous types de modu- gorithme de [3]. N6anmoins, aucun d'entre eux n'est
lation, mSme pour des symboles r6els. Dans ce cas, la capable d'6galiser sans superviseur un canal trSs s6vSre
condition de kurtosis n6gatif s'6crit : et ceci est li6 h la structure transverse qui est inadapt6e
des canaux s6v5res.
(102) E (d ( n ) 4) -- 3 (E (d (n)2)) 2 < 0
C'est pourquoi, nous avons nous-m~me propos6
L'algorithme de Godard entre dans la cat6gorie plus deux autres structures d'6galisation qui ont une forme
large des algorithmes de Bussgang qui s'6crivent (pour de cascade.
l'6galiseur transverse (12))

(103) H(n)=H(n- 1) + fiX (n)*E (n),


V. STRUCTURES CASCADES
oia E est une fonction d'erreur non lin6aire de y, judi- POUR I~GALISATION AUTODIDACTE
cieusement choisie. Etle vaut
(104) %=(E(Idl4) - lyl2)y

pour l'algorithme de Godard.


Sous l'hypothSse (D) de symboles discrets, le plus V. 1. La cascade r6troinnovateur/innovateur
simple des algorithmes de Bussgang est l'algorithme
DDLMS (54) pilot6 par les d6cisions, oia la fonction e vaut lEcrivons la fonction de transfert de Fsous la forme

(105) EDD = Dec(y) - y (108) F (z) = f F a (z) F B (z)


Cet algorithme est destin6 h minimiser la fonction de
coot I?,DD en (55). Malheureusement, pour des canaux ol)
s6vSres ayant des z6ros int6rieurs et extfrieurs proches a
de (U), la fonction ~,DD(H)pr6sente de faux minimums (109) F A (z) = 1-[ (1 - zi =-l)
i=1
pour lesquels la distribution de y (n) se concentre sur

ANN. TELI~COMMUN.,53, n ~ l-2, 1998 14/20


o. MACCHI.- L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS 53
est la vr d'un canal FA ~ minimum de phase (voir (97)) La minimisation de M est n6anmoins utile puis-
et off qu'elle d6finit l'optimalit6 de l'6galisateur pour des
canaux purs c'est-a-dire ~ minimum de phase ou
(1 10) F B (2) = [I (2,-1 _ 2,i-1) maximum de phase. Le critbre M a l'avantage d'etre
i=a+l convexe - donc u n i m o d a l - par rapport h chacun des
param~tres A et B (au moins pour un innovateur A
est celle d'un canal F8 ?a maximum de phase d'apr~s
transverse). I1 ne conduit donc pas h de faux minimums
(98), f 6tant une pure att6nuation (non nulle). D'apr~s
et permet de s'approcher des param~tres optimaux.
(108), Fest la cascade des trois canaux f, FA et F8. De la
Pour atteindre a l'optimalit6 exacte de l'6galiseur,
m~me mani~re on peut concevoir l'6galiseur H comme
comme pour la structure transverse du w IV. 4, on dolt
la cascade de trois filtres [8], [19], [20]
faire une hypoth~se plus forte sur les symboles. Faisons
(111) H = g AoB par exemple l'hypothOse de messages discrets (hypo-
th~se D), et adoptons le crit~re 8 0 o en (55). I1 faut
off B e s t un rdtroinnovateur pour corriger le filtre alors s'affranchir des faux minima de cette fonction,
maximum de phase FB, g 6ndrant7 comme on l'a dit en IV. 4. C'est ce que permet l'utili-
sation pr6alable du critbre M e n (114). C'est ainsi que
(112) v (n) = B ( x (n)) nous avons propos6 en [8], [19] un crit~re d'optimi-
=x(n-M+ 1)-BTX(n) sation mixte
ofa A est innovateur comportant a coefficients de pr6dic- (115) Jp (A, B) = pg2M(A, B)
tion, pour corriger le filtre h minimum de phase FA,
g6n6rant la sortie : + (1 - p)13DD (A, B)

(113) w (n)=A(v(n))=v(n)-ATW(n- 1) off p ~ [0,1] et off le facteur g2 assure l'homog6n6it6. I1


est ais6 de calculer le gradient de (115) par rapport h A
o ? a W ( n - 1 ) = ( w ( n - 1) ..... w ( n - a)) r.
et B, en consid6rant la variable Dec (y (n)) comme ind6-
Derriere A vient le r classique qui compense l'at-
pendante de A et B (cf. w 2). On en d6duit aussit6t
t6nuation Ifl par un gain g adaptant la puissance de y
l'algorithme du gradient stochastique :
(n) h celle de d (n).
On pourrait penser que l'ordre des trois sous-sys- (116) B (n) = B (n - 1)
t~mes est sans importance. En fait, il joue un r61e, d~s - Psg (n - 1) U (n)*% (n)
tors qu'il s'agit de symboles discrets d (n). En plasant
l'innovateur en aval du r6troinnovateur et en choisissant
(117) A(n)=A(n- 1 ) - - p A Y ( n - 1)*ep(n)
pour A une implantation r6cursive on pourra, lors du
rdgime permanent, revenir h u n ERD, ce qui am61iorera
les performances (cf. w avec U (n) _A (u (n) . . . . . u (n - M + 2))r et y (n - 1) __A
La structure de l'6galiseur correspondant est donn6e (y (n - 1) . . . . . y (n - ct)) r o?a Ep est une erreur mixte
la figure 11, avec le commutateur en position (a) pour dEfinie par
la p6riode initiale et ensuite en position (b). Pour opti-
(118) eo = (1 -- p) Dec (y) - y
miser cette cascade, il est certes n6cessaire que y (n) et
w (n) soient blancs, comme d (n). Mais cela n'entra~ne et o/J le signal auxiliaire
pas que v (n) soit blanc donc E(I v (n) l 2) ne sera pas
n6cessairement minimum, ni non plus la quantit6 (119) u (n) = A (x (n))
(114) M ( A , B ) = E ( [ w (n) l 2) =x(n)-A(n- 1 ) T U l ( n - - 1)

; i i

? A
I I 3

FIG. 11. - - l~galiseur cascade autodidacte avec r6troinnovateur et innovateur pour un canal h phase mixte.
Self-learning equalizer for a mixed phase channel using backward and forward cascaded innovators.

7. Dans l'6quation (112) le demier coefficient de X (n) est x (n - M + 2), c'est-~-dire que X (n) comporte M - 1 coefficients.

15/20 ANN.TI~L~COMMUN.,53, n~ 1-2, 1998


54 O. MACCHI. - L'I~GALISATION NUMt~RIQUE EN COMMUNICATIONS

est n6cessaire pour l'adaptation du r6tropr6dicteur situ6 amplitude


2 0 i-. . . . . . . . r ......... ! . . . . . . . . T ......... .r........ ! .......... F......... !.......... .r......... ~.......... "i
en amont Ade la cascade. Dans cette 6quation
U1 (n- 1)=(u(n- 1),...,u(n- o0) r . L e c A G g ( n )
fonctionne naturellement selon (82) et (83)).
Durant la convergence le facteur p e s t contr616 pour
~010- 0 ~ ' ~ ........ i . . . . . . . . i . . . . . . . . i .... : .... ; ......... i . . . . . . . . ~........ i
d6cro~tre de 1 (critSre 014) h 0 (critSre ~DD), profitant
ainsi des avantages de ces deux critSres, sans en avoir
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
les inconv6nients. En m~me temps, l'erreur ep accorde
fr6quence
aux ddcisions Dec(y (n)) une confiance (1 - p) qui crolt
de 0 h 1 en mSme temps que l'6galisation s'am61iore.
phase
Nous avons utilis6 pour cela la r5gle adaptative douce
5 r. . . . . . . . . I ......... 1 .......... r ......... 1.......... r ......... r ......... 1.......... r......... q.......... :
i i i i i i i i i i i
~ / i
0.8 ..... i ..... : ........ ": ................... i......... ': ......... ? ........ ".'......... ,4- ........

o~ ~ ~ ........ ~......... : ......... i ........ i .......... i ........ i ......... i .........


i i :: i i :, i [ i
06 ....... ~......... i .......... i ........ i .......... i ........ i ......... i ........ -15 :-......... t ......... t ......... J.......... ~......... J.......... L......... ~.......... L......... ~......... :
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
05 4 ......... ~.......... i......... i ......... i ........ i ......... i ........ fr6quence

}04 ......... ~.......... i .... 4......... i ......... i......... i .......... i ........ i .......... i . . . . . . . . .

zdros de F (z)

0 3 ---i .......... ::......... i . . . . . . . . . i ......... ::.......... i......... 1.5 I I


I
I
I I

1
o2 ii ......... i.......... i......... i......... . . . . . . . . .

0.5
0 1 ~ ......... ~:'w'k/19~:........ lin6aire ........ ~. . . . . . . . i .........

[ [ i~-.~non hn~mre i ] 0

t000 2000 3000 4000 5000 6000 7000 8000 9000 10000 M).5
it6rations -1

FIG. 12.- R6sultats de l'6galisation du canal (s6v~re) de [27] -1.5 :i .......i: i ......i . . . . . . .

par la cascade rdtroinnovateur/innovateur. -1.5 -1 ~).5 0 0.5 1 1.5

Equalization performance of the backward~forward innovators FtG. 13. -- Canal de [27].


cascade for the severe channel of[27].
The channel of[271.

(120) p = (tanh 1%D I) 2

Dans les simulations de la figure 12, il n'y a pas de une cascade qui n'a pas cet inconv6nient parce que les
bruit et les donndes sont modul6es en MAQ-4. Le r6tro- deux adaptations sont d6coupl6es. Pour cela F (z) est
pr6dicteur et le pr6dicteur ont respectivement 20 prises et 6crite sous la forme produit
5 prises, alors que le canal 7, qui est de nature complexe
(121) F (z) = F A, (z) Fp (z)
poss~de 4 z6ros dont deux tr~s proches de (U) ainsi que
le montre la figure 13. C'est un canal mixte tr~s s6vbre off
propos6 par [27] avec deux 6vanouissements dans la a a+/3
bande frdquentielle et une distorsion de phase trbs non (122) F A, ( z ) = lq (1 - ziz - l ) I1 (1 _ ziz)* -1)
i=1 i=c~+ I
lin6aire. I1 est pourtant 6galis6 compl~tement apr~s 5 000
it6rations au-delh desquelles nous commutons la cascade
en un ERD. I1 faut noter qu'aucun 6galiseur transverse est la ~ d'un canal F A, ~ minimum de phase (voir (97)
parmi ceux pr6sentds au w IV. 4 ne r6ussit cette dernibre et (98)) et off
t~che. Cet 6galiseur fonctionne tr~s bien aussi en MAQ-
a+]3 2-1 -
16, Off il converge en 20 000 itdrations. Fp (z) = [I - zi 1
(123)
i= a+ 1 1-- (Z~Z)-I

est celle d'un filtre passe-tout 5-e 9


V. 2. L a cascade ~galiseurs d'amplitude et de
(124) IFp(z)l = 1, pour [z[ = 1
phase
5rA, et -q-Vcaract6risent respectivement la distorsion
La structure du w V. 1 exige le calcul du signal auxi- d'amplitude et de phase du canal 7. Naturellement
liaire u (n) en (119) pour piloter l'adaptation du r6tro- l'6galiseur peut lui aussi se d6composer en une cascade
pr6dicteur. C'est que le crit~re (115) couple les deux
6galiseurs de la cascade. Nous pr6sentons maintenant (125) H = PoA'

ANN. TELECOMMUN., 5 3 , n ~ 1-2, 1 9 9 8 16/20


O. MACCHI. -- L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS 55
o~ A' 6galise FA,. Puis le filtre P qui 6galise Fp est donc EQM (S/B = 15 dB)
lui aussi un passe-tout. De la sorte u (n) = A' (x (n)) doit
avoir son spectre plat c o m m e d (n). Ainsi A' est un blan-
chisseur pour le canal ~ minimum de phase FA,. C'est
donc l'innovateur optimal (~ un gain pros) et on peut
l'adapter ind6pendamment du filtre aval P, comme indi-
qu6 sur la figure 14 o~ la structure de cet innovateur est
prise r6cursive (mais on peut aussi la prendre transverse).
-5
~ m..e..L.,................... ~.................

L'algorithme d'adaptation est donc exactement celui du -10


w IV. 2 avec le changement de notations ad6quat. Quant
au filtre P il peut ~tre contraint ?~~tre passe-tout de par sa ~k..~RD cl_assique super!s6
structure (par exemple transverse/r6cursive comme not~ solution autodidacte
dans [9]) ou en normalisant ses coefficients s'il est trans- -15 i i
verse [31]. On peut aussi rel~cher cette contrainte et s'ap- 0 0.5 1 1.5
nombre d'it6rations • 104
puyer seulement sur le crit6re d'6galisation pour atteindre
l'optimalit6. C'est le choix qui est fait dans [13], [14] en FIG. 15. - - R6sultats de l'6galisation du canal (s6v~re) de [27]
prenant pour P u n simple filtre transverse adapt6 par l'un par la cascade 6galiseur d'amplitude/6galiseur de phase.
des algorithmes du w IV. 4. Dans ce cas, il est pr6f6rable Equalization performance of the amplitude~phase equalizers
de placer un fAG (g) entre A' et P comme c'est le cas sur cascade for the severe channel of[27].
la figure 14.
Nos simulations sont pr6sent6es sur la figure 15.
Elles utilisent l'algorithme de Godard pour adapter P. structure rdcursive plac6e en aval. Pour aboutir a un
La modulation et le canal sont les m~mes qu'en V. 1 ERD, il faut remplacer l'entrde w (n - 1) de la boucle de
- modulation MAQ-4 et canal mixte trbs s6v~re de la A par les symboles d6tect6s convenablement renormali-
figure 13 - Les filtres ont le m~me nombre de prises s6s, soit g - I Dec(y (n - 1)), c'est-a-dire placer le com-
(5 pour A', 20 pour P e t 1 pour le CAG). La commutation mutateur en position (b) sur la figure 11. On voit alors
en ERD a lieu apr~s environ 600 it6rations et l'6galisa- ais6ment que cet ERDa pour 6quation
tion est complete apr~s environ 2 000 it6rations. Cet
6galiseur fonctionne trbs bien aussi en MAQ-16 O?,1 il (126) y(n) = gx(n - M + 1)

converge en 5 000 it6rations. Lh non plus, comme au M- 1


w V. 1, aucun 6galiseur transverse autodidacte ne r6ussit - ~" gbix(n-i+ 1)-ATe(n- 1)
cette t~che. i= 1

qui est de la forme

(127) y (n) = B'Tx" (n) -- A T ~ ( n -- 1)


V. 3. Retour ~ un ERD
(or) les vecteurs B' et X' ont M coordonn6es tandis que A
et ~ en comportent ~). C'est justement la forme (31)
Puisque les symboles d (n) sont discrets (hypothbse caract6ristique d'un ERD. Autrement dit, on a int6gr6 le
(D)), on peut am61iorer l'6galisation en la rendant son gain g du fAG dans les coefficients de la partie trans-
lin6aire par retour des d6cisions ant6rieures dans la verse de I'ERD.
bouche, comme dans les ERD. Cette proc6dure fait consi- De la m~me faqon, la cascade 6galiseur d'ampli-
d6rablement gagner en EQM, car elle 6vite le rehausse- tude/6galiseur de phase du w V. 2 peut ais6ment ~tre
ment du bruit, comme expliqu6 au w II.3. transform6e en un ERD, ~1 condition qu'on ait choisi un
C'est pourquoi dans la cascade r6troinnovateur/inno- 6galiseur transverse pour l'6galiseur de phase P. Alors,
vateur du w V.I, nous avons pr6conis6 pour A une en r6gime permanent, il suffit d'6changer la place des

x (n) d(n-~)

CAG
Innovateur r6cursif Passe-tout transverse D6cision

FIG. 14. - - l~galiseur en cascade d6coupl6e avec r6troinnovateur optimal et passe-tout pour un canal ~ phase mixte.

The decoupled equalization cascade with optimal backward innovator and all-pass filter for a m&ed phase channel.

17/20 ANN. TI~Lf~COMMUN.,53, n ~ 1-2, 1998


56 O. MACCHI. - L'I~GALISATIONNUMI~RIQUEEN COMMUNICATIONS

deux sous-6galiseurs de sorte que la boucle de ..q' pla- d'un seul utilisateur : radiocommunications avec les
c6e en fin de parcours puisse 6tre aliment6e par les mobiles, t616diffusion num6rique par exemple. Dans ce
ddcisions. type de transmission, le ph6nombne des multitrajets peut
Une fois la commutation en ERD rdalis6e par chacune crder des 6vanouissements s61ectifs trc?s sdv~res dans la
de ces deux cascades, l'adaptation se poursuit 5. l'aide bande de transmission qu'il faut 6galiser. L'importance
des algorithmes classiques des ERD. Dans les simulations d'une structure r6cursive d'6galisation, bien adapt6e a la
prdsentdes sur les figures 12 et 15, nous avons simple- s6v6rit6 de tels canaux est apparue alors et des crit~res
meat adopt6 l'algorithme DDLMS (57)--(59). Dans le pre- originaux d'adaptation autodidacte OAt 6t6 pr6sentds.
mier cas (r6troinnovateur/innovateur, figurel2) la Ces crit~res s'appuient sur des hypoth6ses statistiques
commutation est programm6e pour n = 5 000. Dans le concernant les messages transmis : la sdquence doit atre
second cas, (6galiseurs d'amplitude et de phase, blanche ou mame inddpendante, ce qui requiert l'utili-
figure 15) elle a lieu lorsque I'EQM estimde passe en des- sation d'un bon brouilleur dans l'6metteur. On peut
sous de - 5dB, c'est-5.-dire ici pour n voisin de 600. aussi s'appuyer sur le fait que les symboles prennent des
Cette demibre figure met particuli~rement bien en 6vi- niveaux discrets, connus du r6cepteur.
dence l'amdlioration consid6rable d'EQM (ici 3 dB) qu'ap- Les travaux les plus r6cents sur l'6galisation autodi-
porte la structure non lin6aire d'ERD. En effet, cette dacte vont dans la direction de s'affranchir m~me de ces
figure montre la perte de performances de deux 6gali- derni~res hypothbses. Pour ce faire, on surdchantillonne
seurs transverses autodidactes h 31 prises initialis6es le signal re~u 2 ou 3 fois par temps unitaire. En th6orie,
avec un 1 au centre et des 0 ailleurs et gouvem6s soit par on pourrait donc alors r6aliser 2 ou 3 6galiseurs, dont les
l'algorithme de Godard (101), soit par l'algorithme CMA sorties devraient ~tre identiques puisqu'dgales au mes-
de [6]. Marne lorsqu'il est supervis6, l'6galiseur trans- sage 6mis durant ce temps unitaire. C'est en fort;ant ces
verse n'a que de m6diocres performances. On sait que 2 ou 3 sorties ~ ~tre 6gales qu'on optimisera l'6galiseur
cela est dfi 5. la s6v6rit6 du canal. sans supervision et sans connaissance statistique sur les
I1 est frappant de constater que la nouvelle structure messages [1], [10], [23], [33].
est aussi performante, et m0~me trbs ldgbrement Tout ceci laisse encore ouverte la thdorie de l'6galisa-
meilleure, que I'ERD supervis6, tant en vitesse de tion adaptative pour d'autres types de modulation, par
convergence qu'en EQM finale. La publication [14] pr6- exemple pour la modulation de fr6quence, o/l il semble que
sente une expdrience rdussie de deux heures de commu- quelques r6sultats aient 6t6 tr~s rdcemment acquis [24].
nication r6elle sous-marine horizontale 5. 6 kbit/s. On Sans doute pourra-t-on en dire plus dans peu d'anndes.
peut atteindre 5. d'aussi bons r6sultats avec la cascade
r6troinnovateur/innovateur. Manuscrit requ le 15 novembre 1996.
acceptd le 14 novembre 1997.

VI. CONCLUSION
BIBLIOGRAPHIE

Cet article a prdsent6 en une large synthbse une par-


tie des connaissances actuelles sur le problbme de l'6ga- [11 ABED-MERAIM(K.), DUHAMEL(P.), GESBERT(D.), LOUBATON(P.),
lisation num6rique des canaux de transmission. Nous MAYRARGUE (S), MOULINES (E.), SLOCK (D.), "Prediction error
methods for time-domain blind identification of multichannel
avons focalis6 l'analyse sur le cas de la modulation FIR filters", Proc. ICASSP-95, pp. 1968-1971, (1995).
d'amplitude en quadrature (MAQ) associde h une d6mo- [2] BENVI~NISTE(A.), GOURSAT (M.), RUGET (G.), Robust identifi-
dulation coh6rente car elle assure le meilleur rendement cation of a non minimum phase system : blind adjustment of a
en bits par hertz. Nous avons montr6 dans ce cas com- linear equalizer in data communications, IEEE Trans. on Auto-
matie Control, 25, pp. 385-398, (1980).
ment la distorsion du canal peut ~tre corrig6e par l'6ga- [31 BENVI~NISTE(A.), GOURSAT(M.), Blind equalizers, IEEE Trans.
lisation adaptative supervis6e qui requiert une tr~s faible on Comm., 32, pp. 871-883, 1984.
complexit6 d'implantation et permet de suivre des varia- [4] BELFIORE(C. A.), PARK (J. H.), Decision feedback equalization,
tions lentes du canal de transmission mais qui exige Proc. IEEE, 67, pp. 1143-1156, (1979).
[5] BELLANGER (M.), Adaptive digital .filters and signal analysis,
l'envoi pr6alable d'une s6quence de supervision sans Marcel Dekker, (1987).
contenu informationnel. Cette mdthode est satisfaisante [6] BENESTY (J.), DUHAMEL(P.), A fast constant modulus adaptive
pour des transmissions point h point, sans variations algorithm, lEE Proc. Part F Special issue on adaptive filtering,
brutales du canal. Nous avons ensuite d6velopp6 la par- 138, 4, pp. 379-387, (t991).
[7] DUtlAMEL(P.), Blind equalization, Tutorial Conference, ICASSP,
tie la plus nouvelle de la thdorie de l'6galisation, qui (1995).
concerne le cas autodidacte ou non supervisd ou encore [8] FARIA DA ROCHA (C. A.), MACCHI (O.), A novel self-learning
aveugle. Ces m6thodes, encore en cours de d6veloppe- adaptive recursive equalizer with unique optimum for QAM,Proe.
ICASSP, (1994), Ad61a'/de, 3, 481-483, (avril 1994).
ment, sont normalement destindes h des syst~mes de
[9] FnmA DA Roctln (C. A.), MACCm (O.), ROMANO (J. M.), An
transmission multi-utilisateurs o/1 il ne convient pas adaptative non linear IIR filter for serf-learning equalization,
d'importuner plusieurs utilisateurs en leur transmettant IEEE Int. Telecommunications Confdrence, Rio de Janeiro, 6-10,
la s6quence de supervision n6cessaire ~ l'adaptation 22-25 aofit 1994.

ANN. TF,Lt~COMMUN.,53, n~ 1-2, 1998 18/20


O. MACCH1. - L'EGALISATION NUMI~R1QUE EN COMMUNICATIONS 57
[10] GARDNER(W. A.), A new method of channel identification, IEEE [23] MOULINES (E.), DUHAMEL (P.), CARDOSO (J. E), MAYRARGUE(S.),
Trans. COM., 39, 813-817, (avril 1993). Subspace methods for the blind identification of multichannel (FIR)
[11] GODARD (D.), Self-recovering equalization and carrier tracking filters, 1EEE Trans. Signal Processing, 43, pp. 516-525, (1995).
in two-dimentional data communication system, IEEE Trans. [24] NUSSBAUM(D.), JAHAN (B.), A new blind equalizer for constant
Comm., 28, pp. 1867-1875, (1980). modulus signals, 1EEE Workshop on Signal Processing Advances
[121 HAYKIN(S.), Ed. BlindDeconvolution, Prentice Hall, (1994). in Wireless Communications, Paris, (avril 1997).
113] LABAT (J.), LAOT (C.), MACCH) (O.), Dispositif d'rgalisation [25] PICCHI (G.), PRATI (G.), Blind equalization and carrier recovery
adaptatif pour systrme de communications numrriques, Brevet using a stop-and-go decision-directed algorithm, IEEE Trans.
d'im,emion, FT n ~ 9510832, (15 septembre 1995). COM., 35, pp. 877-887, (1987).
[14] LABAT(J.), MACCHI (O.), LAOT (C.), Adaptive decision feedback [26] PIClNBONO (B.), Random signals and systems, Prentice Hall,
equalizers : can you skip the training period ?, A paraftre 1EEE (1993).
Trans. COM., (1996). [27] PORAT(B.), FRIEDLANDER(B.), Blind equalization of digital com-
[15] LECLERT (A.), VANDAMME(R), Universal carrier recovering loop munication channels using high-order moments, IEEE Trans. on
for QASK and PSK signals sets, IEEE Trans. COM, 31, pp. 130- Signal Processing, 39, pp. 522-526 (1991).
136, (1983). [28] PROAK)S (J.), Digital communications, 2nd edition, McGraw-
[16] LEE (E.), MESSERSCHMITr (D.), Digital communications, Kluwer Hill, (1989).
Academic, (1988). [29] QURESHr S., Adaptive equalization, Proc. IEEE, 73, pp. 1349-
[17] LUCKY (R. W.), SALZ (J.), WELDON (E. J.), Principles of data 1387, (1985).
communication, McGraw-Hill, (1968). [301 REGALIA (P. A.), Adaptive tte filtering in signal processing and
[18] MAccm (O.), Adaptive processing: The LMS approach with contlvl, Marcel Dekker, New-York, (1995).
applications in transmission, Wile>,,(1995). [31] SHALV) (O.), WEINSTEIN (E.), New criteria for blind deconvolu-
[19] MACCHI (O.), FARIA DA ROCHA (A.), ROMANO (J. M.) (1993) l~ga- tion of non minimum phase systems, IEEE Trans. on Inform.
lisation adaptative autodidacte par rdtropr6diction et pr6diction, Theory, 36, pp. 312-321, (1990).
Actes du 14e Colloque GRErSl, Juan-les-Pins, 491-494, (sep- [32] SHYNK (J. J.), Adaptive iir filtering using parallel-form realiza-
tembre 1993). tion, 1EEE Trans. ASSP, 37, pp. 519-533, (1989).
[20] MACCHt (O.), GU (Y.) Self adaptive equalization with a mixed [33] TONG (L.), Xo (G.), KAmATH(T.) Blind identification and equali-
backward and forward predictor, Proc. lntern. Syrup. on Electronic zation of multipath channels: A time-domain approach, IEEE
Devices Cin'uits and Systems, Kharagpur, pp. 437-440, (1987). Trans. IT, 40, pp. 340-349, (Mars 1994).
[21] MAcCm (O.), Go~Doux (L.), Un nouvel 6galiseur : l'6galiseur [34] TREICHLER (J. R.), AGEE (B. G.), "'A new approach to multipath
double 6chantillonnage, Ann. Tdldcomm., 30, pp. 331-338, correction of constant modulus signals", IEEE Trans. On Acous-
(1975). tics, Speech and Signal processing, 31, pp. 459-472, (avril 1983).
[22] MACCHI (C.), GUILBERT (J. F.), Tdldinformatique, Transport et [35] xxx Norme GSMOI, European Telecommunications standards
traitement de l'information dans les rrseaux et syst~mes trlrin- Institute, ETSI Secretariat, 06921 Sopbia-Antipolis Cedex -
formatiques et trldmafiques, CTST Dunod, (1979)~ cfi. 3. Phase 2 (1992).

Lexique technique franco-anglais

frangais anglais

6galisation numrrique digital equalization


6galisation analogique analogue equalization
6galisation transverse ou rrcursive transversal or recursive equalization
6galisation synchrone synchronous equalization
6galisation fractionnaire ou surrchantillonnre fractional or oversampled equalization
6galiseur ~t retour de drcisions (ERD) decision feedback equalizer (DFE)
6galisation autodidacte ou non supervisre self-learning or unsupervised equalization
transmission en bande de base baseband transmission
rrponse impulsionnelle finie (RIF) finite impulse response (FIR)
filtre transverse (ou RIF) transversal (or FIR)filter
fonction de transfert (vr) transfer function (Tt~)
transposition en frrquence frequency transposition
modulation d'amplitude en quadrature (MAQ) quadrature amplitude modulation (QAM)
filtre adapt6 blanchissant whitened matched filter
retard (et non ddlai t) delay
X ( n ) -- (x(n) ..... x(n - m + 1)) v : X(n) = (x(n) ..... x(n - M + 1))T:
fen~tre glissante sliding window
rapport signal sur bruit (S/B) signal-to-noise ratio (SNR)
inteffrrences intersymboles intersymbol interference

19/20 ANN. TELI~COMMUN.,53, n ~ 1-2, 1998


58 O. MACCH1. -- L'I~GALISATION NUMI~RIQUE EN COMMUNICATIONS

distorsion-cr&e peak distortion ; zero-forcing


erreur quadratique moyenne (EQM) mean square error (MSE)
apprentissage learning
6vanouissement fading
6galiseur h retour de d6cisions (ERD) decision feedback equalizer (DEE)
gradient stochastique ou LMS least mean square (LMS)
moindres carr6s r6cursifs (MCR) recursive least squares
(algorithme) pilot6 par les d6cisions decision-directed (DO) (algorithm)
blanchisseur whitening filter
contr61e automatique de gain (fAG) automatic gain congrol (AGC)
r6tropr6dicteur, r6troinnovateur backward predictor, backward innovator
algorithme de Godard ou ~t module constant constant modulus algorithm ( CMA)

ANN.TI~LI~COMMUN.,53, n~ 1-2, 1998 20/20

Vous aimerez peut-être aussi