Vous êtes sur la page 1sur 12

Institut National des télécommunications et des Technologies de l’Information

et de la Communication
Département Spécialité, Post-graduation et Recherche
Module : Traitement du Signal II (Fiche de TD N°02 + TP N°01)
Promotion : IGE42
Responsable : M. SADOK
E-mail : msadok@inttic.dz

Éléments de la théorie de détection

Exercice 01: (Exemple d’application pour une chaîne de transmission numérique)

𝒏(𝒕)

𝒔(𝒕) 𝒙(𝒕)
Source binaire Modulateur Détecteur …0101…
…0101…

Canal Récepteur
Émetteur AWGN

 Hypothèses :
 La source d’information binaire génère 0 et 1 avec les probabilités 𝑝0 et 𝑝1, respectivement.
 Le Modulateur associe les signaux 𝑠0 (𝑡) et 𝑠1 (𝑡) de support 𝑡 ∈ [0, 𝑇[ aux messages binaire 0 et 1
 Le signal reçu (appelé aussi observation) : 𝑥(𝑡) = 𝑠(𝑡) + 𝑛(𝑡)
 Le signal utile 𝑠(𝑡) est égal à soit à 𝑠0 (𝑡), soit à 𝑠1 (𝑡)
 𝑛(𝑡) : bruit réel additif modélisant le bruit thermique des composants électroniques et les
interférences. Ce bruit est supposé Gaussien, stationnaire, blanc, centré et de variance 𝜎𝑛2 . 𝑅𝑛 (𝜏) =
𝑁0
𝛿(𝜏).
2

1. Formuler les deux hypothèses correspondantes à l’émission des messages 0 et 1


2. Donner l’expression des lois de probabilité conditionnelles 𝑝(𝑥/𝑠1 ) et 𝑝(𝑥/𝑠0 ), où : 𝑥 = 𝑥(𝑡0 ) (𝑡0 :
un instant donné)
3. En déduire l’expression du rapport de vraisemblance Λ(𝑥)
4. Donner l’expression du seuil de décision 𝜆 optimal minimisant la probabilité d’erreur
5. Donner les expressions des probabilités 𝑝𝑑 et 𝑝𝑓𝑎 en fonction de la fonction Q
6. Donner l’expression de la probabilité d’erreur de ce récepteur en fonction de la fonction Q et du
1 2
𝑆𝑁𝑅 = (𝜎 ) .
𝑛
7. Afin d’améliorer les performances du récepteur décrit ci-dessus, on se base sur 𝑁 observations
𝑥𝑘 ≜ 𝑥(𝑘𝑇𝑒 ) (𝑇𝑒 : période d’échantillonnage) pour former l’observation vectorielle
𝒙 = [𝑥1 , 𝑥2 , … , 𝑥𝑁 ]𝑻 . On considère que les 𝑁 échantillons du signal d’intérêt 𝑠(𝑘𝑇𝑒 ), pour 𝑘 =
̅̅̅̅̅̅̅̅̅̅
0, 𝑁 − 1, prennent la même valeur (𝑠0 ou 𝑠1 selon le symbole transmis chaque durée 𝑇).
NB : décorrélation + gaussianité = indépendance. Après le calcul du nouveau rapport de
vraisemblance Λ(𝒙), basè sur l’observation vectorielle 𝒙, en déduire la règle de décision du récepteur
minimisant la probabilité d’erreur.

Page 1 of 3
On donne :
2 +∞ 1 𝑥 1 +∞ 𝑢2
𝑒𝑟𝑓𝑐(𝑥) = ∫𝑥 exp(−𝑢2 ) 𝑑𝑢 ; 𝑄(𝑥) = 2 𝑒𝑟𝑓𝑐 ( ) = ∫𝑥 exp (− ) 𝑑𝑢
√𝜋 √2 √2𝜋 2

Travaux Pratiques N°01:


Dans ce TP nous allons vérifier par simulation Monte-Carlo les performances des récepteurs développés ci-
dessus.
I. Sachant que l’émetteur transmet à intervalle régulier 𝑡 = 𝑚𝑇 un signal 𝑠(𝑡), le récepteur se base
sur une seule observation 𝑥(𝑘𝑇) = ∑+∞ 𝑚=−∞ 𝑠(𝑘𝑇 − 𝑚𝑇) + 𝑛(𝑘𝑇) pour prendre l’une des
décisions ℋ0 ou ℋ1 . (NB : Sans perte de généralité, on n’a pas considéré le temps de propagation 𝑇𝑝 du
signal utile entre Émetteur et Récepteur). On donne : 𝑠(𝑡) = 𝑠0 ∨ 𝑠1 que pour 𝑡 ∈ [0, 𝑇[.
1. Paramètres de simulation :
a. Nombre d’erreur à observer pour une bonne estimation de la probabilité d’erreur
̂ 𝒆𝒓𝒓 : 500 erreurs.
empirique 𝑷
𝑝𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒 𝑠𝑖𝑔𝑛𝑎𝑙
b. 𝑆𝑁𝑅 = 10 log ( ) 𝑑𝐵
𝜎𝑛2
1 1
c. 𝑠0 = −1 et 𝑠1 = +1 avec : 𝑡 ∈ [0, 𝑇[, 𝑝0 = 2, 𝑝1 = 2 et 𝑇 = 1𝑠𝑒𝑐
2. Génération des signaux : Utiliser les commandes suivantes
a. 𝑉𝑒𝑐𝑡𝑒𝑢𝑟_𝑠 = (−1). ^𝑟𝑎𝑛𝑑𝑜𝑚(′𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙′, 1, 𝑝0 , [1, 𝐿]) ;
b. 𝑉𝑒𝑐𝑡𝑒𝑢𝑟_𝑛 = 𝜎𝑛 ∗ 𝑟𝑎𝑛𝑑𝑛(1, 𝐿) + 𝑚𝑜𝑦𝑒𝑛𝑛𝑒𝑛 .

𝒏𝒐𝒎𝒃𝒓𝒆 𝒅 𝒆𝒓𝒓𝒆𝒖𝒓 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏
3. Tracer la probabilité d’erreur empirique 𝑃̂𝑒𝑟𝑟 = 𝑵𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒃𝒊𝒕𝒔 𝒕𝒓𝒂𝒏𝒔𝒎𝒊𝒔 en fonction du SNR,
du récepteur optimal minimisant la probabilité d’erreur. Pour confirmation des résultats
théoriques, sur le même graphique tracer 𝑃𝑒𝑟𝑟 (𝑆𝑁𝑅) trouvée dans l’exercice 1.
NB : Utiliser la commande Matlab pour tracer les probabilités d’erreur: semilogy(SNR,P_err)
4. En se basant sur la nature bipolaire du signal utile {−1, +1}, proposer un récepteur intuitif. Tracer
les courbes de probabilité d’erreur empirique 𝑃̂𝑒𝑟𝑟 en fonction du SNR pour les deux récepteurs.
La comparaison doit être faite pour les probabilités a priori : 𝑝0 = 0.99 ; 𝑝1 = 0.01
5. Tracer sur le même graphique les courbes COR théorique et empirique
(𝑝𝑑 𝑒𝑛 𝑓𝑜𝑛𝑐𝑡𝑖𝑜𝑛 𝑑𝑒 𝑝𝑓𝑎 ) du récepteur optimal, pour les valeurs SNR [0, 5, 10] 𝑑𝐵.
6. Comparer les courbes COR des deux récepteurs (optimal et celui que vous avez proposé) pour
comparer leurs performances, pour 𝑆𝑁𝑅 = 10 𝑑𝐵. NB : pour varier les probabilités 𝑝𝑑 et 𝑝𝑓𝑎
il faut varier le seuil de décision 𝜆 de 𝑠0 jusqu’à 𝑠1 .
II. Sachant que l’émetteur transmet à intervalle régulier 𝑡 = 𝑚𝑇 un signal 𝑠(𝑡), le récepteur se base
sur 𝑁 observations 𝑥(𝑘𝑇𝑒 ) = ∑+∞ 𝑚=−∞ 𝑠(𝑘𝑇𝑒 − 𝑚𝑇) + 𝑛(𝑘𝑇𝑒 ) pour prendre l’une des décisions
ℋ0 ou ℋ1 . (NB : Sans perte de généralité, on n’a pas considéré le temps de propagation 𝑇𝑝 du
signal utile entre Émetteur et Récepteur). On donne : 𝑠(𝑘𝑇𝑒 ) = 𝑠𝑖 pour 𝑘 = ̅̅̅̅̅̅̅̅̅̅
0, 𝑁 − 1 et 𝑖 ∈ {0,1}
(NB : Le signal d’intérêt est constant pendant la durée 𝑁𝑇𝑒 = 𝑇).
Indication : afin de générer le signal d’intérêt et le bruit vous pouvez utiliser ce script :
𝑉𝑒𝑐𝑡𝑒𝑢𝑟_𝑠 = (−1). ^𝑟𝑎𝑛𝑑𝑜𝑚(′𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙′, 1, 𝑝0 , [1, 𝐿]) ;
𝑉𝑒𝑐𝑡𝑒𝑢𝑟_𝑠_suréchantillonné = kron(Vecteur_s,ones(1,N))
𝑉𝑒𝑐𝑡𝑒𝑢𝑟_𝑛 = 𝜎𝑛 ∗ 𝑟𝑎𝑛𝑑𝑛(1, 𝑁 ∗ 𝐿) + 𝑚𝑜𝑦𝑒𝑛𝑛𝑒𝑛 .
1. Comparer les courbes COR des deux récepteurs (optimaux à une seule observation et à
plusieurs observations) pour comparer leurs performances, pour 𝑆𝑁𝑅 = 10 𝑑𝐵. Expliquer la
différence en performances de ces deux récepteurs ?
Page 2 of 3
Exercice 02: (Détecteur Neyman-Pearson pour applications RADAR)
L’objectif est de déterminer le détecteur RADAR optimal au
sens du critère de Neyman-Pearson. Pour cela, on formule les
deux hypothèses associées à l’observation 𝑥(𝑡) comme suit :
ℋ0 : 𝑥(𝑡) = 𝑛(𝑡) Absence d’une cible RADAR
ℋ1 : 𝑥(𝑡) = 𝑠(𝑡) + 𝑛(𝑡) Présence d’une cible RADAR
 Hypothèses :
 Le signal reçu 𝑠(𝑡) = 𝐴 𝑠𝑒 (𝑡 − 𝑡0 ) : 𝑠𝑒 (𝑡) signal RADAR émis, 𝐴 constante réelle modélisant
l’atténuation en espace libre et 𝑡0 retard de propagation permettant de mesurer la distance
Cible-RADAR.
 𝑛(𝑡) : bruit réel additif modélisant le bruit thermique des composants électroniques et les
𝐵 𝐵
interférences. Ce bruit est supposé Gaussien, stationnaire, blanc dans la bande [− 2 , 2 ],
𝑁0
centré, de puissance 𝜎𝑛2 et densité spectrale de puissance 𝑆𝑛 (𝑓) = 𝑟𝑒𝑐𝑡𝐵 (𝑓).
2

 Choix de conception :
o On se base sur une observation discrète multidimensionnelle 𝒙 ≜ [𝑥1 … 𝑥𝑁 ]𝑇 de 𝑁
échantillons avec : 𝑥𝑘 ≜ 𝑥(𝑡𝑘 ). Cette observation possède une durée 𝑇 ≜ 𝑁𝑇𝑒 où 𝑇𝑒 : période
d’échantillonnage.
1. Donner l’expression de l’autocorrélation du bruit 𝑅𝑛 (𝜏) du processus aléatoire 𝑛(𝑡). En déduire la
condition d’échantillonnage de l’observation 𝑥(𝑡), afin de garantir l’indépendance des échantillons
bruit 𝑛𝑘 ≜ 𝑛(𝑘𝑇𝑒 ) qui entachent l’observation 𝒙.
2. L’observation 𝑥(𝑡) étant échantillonnée à la période 𝑇𝑒 , déterminée à la question (1), calculer le
rapport de vraisemblance Λ(𝒙). En déduire la règle de décision optimale selon le critère de
Neyman-Pearson.
NB : les échantillons 𝑠𝑘 ≜ 𝑠(𝑡𝑘 ) possèdent des valeurs différentes sur une durée 𝑇. Privilégier
l’écriture vectorielle de la règle de décision afin d’interpréter géométriquement le fonctionnement
de ce détecteur.

Page 3 of 3

Vous aimerez peut-être aussi