Vous êtes sur la page 1sur 79

Laboratoire dlectronique et de Traitement

ING. MEFENZA NENTEDEM MICHAEL



Mmoire prsent e
Gnie des
Anne acadmique


UNIVERSITE DE YAOUNDE I
----------
ECOLE NATIONALE SUPERIEURE
POLYTECHNIQUE
----------
DEPARTEMENT DE LA COORDINATION
ET DE LA VALORISATION DE LA
RECHERCHE
ANALYSE PAR RESEAU DE NEURONES EN
VUE DE LA CARACTERISATION DES
ANTENNES INTELLIGENTES




Laboratoire dlectronique et de Traitement








Par :
ING. MEFENZA NENTEDEM MICHAEL
Matricule :
2004E165
Mmoire prsent en vue de lobtention du diplme
Master Recherche
Option
Gnie des Tlcommunications


Sous la Direction de :
Pr. Emmanuel TONYE


Anne acadmique 2008/2009

ECOLE NATIONALE SUPERIEURE
COORDINATION
ET DE LA VALORISATION DE LA
UNIVERSITE OF YAOUNDE I
NATIONAL ADVANCED SCHOOL
OF ENGINEERING
DEPARTMENT OF
VALORISATION OF RESEARCH
ANALYSE PAR RESEAU DE NEURONES EN
VUE DE LA CARACTERISATION DES
ANTENNES INTELLIGENTES

Laboratoire dlectronique et de Traitement du Signal

UNIVERSITE OF YAOUNDE I
----------
NATIONAL ADVANCED SCHOOL
OF ENGINEERING
----------
DEPARTMENT OF COORDINATION AND
VALORISATION OF RESEARCH
ANALYSE PAR RESEAU DE NEURONES EN
VUE DE LA CARACTERISATION DES
ANTENNES INTELLIGENTES
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009












REMERCIEMENTS

Je remercie le Professeur Emmanuel TANYI, Prsident de mon jury. Ma vive gratitude au
Professeur Emmanuel TONYE, mon encadreur acadmique et enseignant pour sa
disponibilit. Merci au Docteur BELL BITJOKA Georges et au Docteur Olivier
VIDEME, qui ont accept dtre membres de mon jury. Papa et Maman, je me souviens de
vos sacrifices sans fin en mon gard, merci. Je tiens remercier mes frres et surs pour leur
prsence qui ma t dun grand rconfort. Ma reconnaissance mes oncles et tantes pour
leur assistance multiforme. Merci tous mes camarades et amis.












ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
ii
Rsum




De grandes innovations techniques ont marqu par leur importance lvolution des
tlcommunications. Les rcentes annes nous ont montr un intrt tout particulier des
utilisateurs pour des notions comme facilit daccs ou surtout mobilit. Pour rpondre ces
attentes, cest tout naturellement que les techniques de transmission radio ont pris leur essor
pour connecter les utilisateurs professionnels ou particuliers. Ceci favorise lmergence de
nouveaux concepts technologiques dans lexploitation des frquences de plus en plus leves
du spectre lectromagntique. De ce fait, la dfinition des futurs systmes de
radiocommunications et la mise en uvre des technologies nouvelles associes mobilisent les
efforts de nombreux centres de recherche dans le monde et apparat donc comme une des clefs
de la croissance du secteur des tlcommunications. Les dfis qui mergent actuellement sont
laugmentation de la capacit des systmes cellulaires pour rpondre aux marchs sans cesse
en croissance, le dveloppement de systmes sans fil large bande pouvant supporter des
applications multimdia stratgiques pour les diffrents oprateurs de tlcommunications.
Lavnement opportun de la technologie des antennes intelligentes donnera un avantage
concurrentiel dont toute lindustrie des tlcommunications pourra tirer profit de cette
nouvelle technologie. Ce type dantenne, bas sur les rseaux dlments, permet de diminuer
les lobes secondaires et de maintenir les lobes principaux.
L'objectif de notre tude est d'laborer une technique de synthse pour la formation de
voies et l'annulation d'interfrents qui rponde aux spcifications imposes par le systme
adaptatif. Une contrainte de temps de calcul nous a conduit dvelopper un outil bas sur les
rseaux de neurone afin daugmenter la vitesse de convergence.

Mots-cls : antenne intelligente, rseaux de neurones.



ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
iii

Abstract


Major technical innovations marked by their important developments in
telecommunications. Recent years have shown a particular interest of users for concepts like
accessibility or especially mobility. To meet these expectations, it is natural that the
techniques of radio transmission took off to connect professional users or individuals. This
promotes the emergence of new technological concepts. Thus, the definition of future radio
systems and the implementation of new technologies mobilize the efforts of many research
centers in the world and appears as a key growth sector in telecommunications. The
challenges that arise are increasing the capacity of cellular systems, development of wireless
broadband that can support multimedia applications for various strategic telecommunications
operators. The timely advent of smart antenna technology will give a competitive advantage
throughout the telecommunications industry will benefit from this new technology. That kind
of antenna, based on arrays, enables one to lower the secondary lobes and maintain the
principal ones.
The aim of our study is to develop a synthesis technique for beamforming and
interference cancellation, which meets the specifications imposed by the adaptive system. A
constraint of computation time led us to develop a tool based on neural networks to increase
the speed of convergence.

Keywords: smart antennas, neural networks.







ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
iv



Liste des tableaux
Tableau 1 : Performances des diffrentes mthodes de synthse .......................................................................... 30
Tableau 2 : Fonctions de transfert a = f(n). ......................................................................................................... 38
Tableau 3 : Fonctions dentranement utilises dans MATLAB............................................................................ 45
Tableau 4 : Logiciels utiliss ................................................................................................................................ 53



































ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
v






Liste des figures
Figure 2 : Phnomnes de propagation : (a) rflexion, (b) rfraction, .................................................................. 4
(c) diffraction et (d) diffusion .................................................................................................................................. 4
Figure 3 : Propagation par trajets multiples .......................................................................................................... 6
Figure 4 : Illustration de leffet Doppler ................................................................................................................ 7
Figure 5 : Diffrentes configurations gomtriques des rseaux : linaire (a), ..................................................... 9
planaire (b) et circulaire (c). .................................................................................................................................. 9
Figure 6 : Schma reprsentatif d'une antenne adaptative ................................................................................... 11
Figure 7 : Concept cellulaire ................................................................................................................................ 13
Figure 8 : Exemple de rpartition en micro-secteur avec une antenne rseau 6 lments ................................ 16
Figure 9 : Schmas des matrices de BUTLER 4x4 : (a) matrice non standard, ...................................................... 18
(b) matrice standard. ............................................................................................................................................. 18
Figure 10 : Schma reprsentatif de 8 faisceaux orthogonaux ............................................................................. 19
forms par la matrice de BUTLER 8x8 ................................................................................................................... 19
Figure 11 : Schma reprsentatif de matrice de BLASS ......................................................................................... 20
Figure 12 : Schma reprsentatif de matrice de NOLEN ....................................................................................... 22
Figure 13 : Schma reprsentatif du rseau de WULLENWEBER ............................................................................ 23
Figure 14 : Configuration de lantenne pour la formation de voies ..................................................................... 26
Figure 15 : Dfinition des spcifications sur le diagramme de rayonnement ....................................................... 28
partir dun gabarit. ............................................................................................................................................ 28
Figure 16 : Neurone biologique ............................................................................................................................ 34
Figure 17 : Schma fonctionnel du neurone formel .............................................................................................. 36
Figure 18 : Fonction de transfert : (a) du neurone seuil, (b) du neurone linaire ............................................... 37
et (c) du neurone sigmode. ................................................................................................................................... 37
Figure 19 : Structure de MLP ............................................................................................................................... 39
Figure 20 : Structure dun rseau neuronal rcurrent ......................................................................................... 40
Figure 21 : Rseau cellulaire ................................................................................................................................ 40
Figure 22 : Perceptron Multicouche ..................................................................................................................... 41
Figure 23 : Organigramme de fonctionnement ..................................................................................................... 54
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
vi
Figure 24 : Page de garde .................................................................................................................................... 55
Figure 25: Interface principale ............................................................................................................................. 56
Figure 26 : Page pour la slection des types dantenne ....................................................................................... 57
Figure 27 : Evolution de la fonction derreur pendant la phase dapprentissage ................................................ 58
Figure 27 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et mthode des rseaux
de neurones) pour un lobe principal ..................................................................................................................... 59
Figure 28 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et mthode des rseaux
de neurones) pour deux lobes principaux ............................................................................................................. 60
Figure 29 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et mthode des rseaux
de neurones) pour deux lobes principaux cas dun rseau circulaire : (a) reprsentation en polaire (b)
reprsentation en project ..................................................................................................................................... 60
Figure 30 : Diagrammes de rayonnement dun lobe directif -40 et -5 ............................................................ 61
Figure 31 : Diagrammes de rayonnement dun lobe directif et dun zro ........................................................... 62
Figure 32 : Diagrammes de rayonnement de deux et trois lobes directifs ............................................................ 63
Figure 33 : Diagrammes de rayonnement de pour le rseau linaire (a) un lobe, (b) deux lobes, (c) trois lobes
principaux, (d) un lobe et un zro et pour le rseau circulaire (e) un lobe .......................................................... 64
Figure 34 : Obtention des donnes de validation partir des images dans la thse [I]....................................... 65
Figure 35 : Validation pour le rseau linaire (a) deux lobes, (b) deux lobes, (c) trois lobes principaux, (d) un
lobe et un zro (e) un lobe et un zro .................................................................................................................. 66
Figure 36 : Etude comparative des diffrents types de rseaux de neurones (a)MLP (b) RBF (c) WNN ............. 67






















ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
vii




GLOSSAIRE



































BTS
Base Transceiver Station
CDMA
Code Division Multiple Access
FDMA
Frequency Division Multiple Access
GUI
Guide User Interface
TDMA
Time Division Multiple Access
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
viii




Sommaire
Rsum .................................................................................................................................................................... ii
Abstract .................................................................................................................................................................. iii
Liste des tableaux .................................................................................................................................................... iv
Liste des figures ....................................................................................................................................................... v
Sommaire ............................................................................................................................................................. viii
Introduction gnrale .............................................................................................................................................. 1
I. Contexte et Problmatique ...................................................................................................... 2
II. Mthodologie ............................................................................................................................. 3
A. Antennes intelligentes dans les systmes de radiocommunication ...................................................... 3
1. Canal de propagation ....................................................................................................................... 3
i. Phnomnes de propagation ....................................................................................................... 4
(a) Influence des obstacles sur les signaux .................................................................................. 4
(b) Trajets multiples .................................................................................................................... 5
2. Antennes rseau dlments ......................................................................................................... 8
3. Antennes intelligentes ................................................................................................................... 10
i. Structure ................................................................................................................................... 10
ii. Avantage des antennes intelligentes ......................................................................................... 12
(a) Rduction de la taille du motif ............................................................................................. 12
(b) Accs Multiple par Rpartition Spatiale AMRS (Space Division Multiple Access -
SDMA) .......................................................................................................................................... 14
iii. Types des antennes intelligentes ............................................................................................... 15
(a) Techniques fixes de formation de faisceau (les systmes faisceaux commuts SBA) ... 15
(b) Antennes adaptatives ........................................................................................................... 23
B. Technique de synthse des diagrammes de rayonnement .................................................................. 26
1. Position du problme ..................................................................................................................... 27
2. Critre de choix d'une mthode de synthse .................................................................................. 28
i. Norme d'erreur .......................................................................................................................... 28
ii. Temps de calcul et prcision des rsultats obtenus ................................................................... 29
iii. Prise en compte des contraintes de ralisation pratiques .......................................................... 29
Lapproche est de sorienter vers : ..................................................................................................... 29
iv. Contraintes sur la fonction synthtise ..................................................................................... 29
Les contraintes portent sur : ............................................................................................................... 29
v. Possibilit de synthtiser des diagrammes de rayonnement rel ou complexe ......................... 29
3. Elaboration du choix ..................................................................................................................... 30
i. Thorie de la mthode de synthse ........................................................................................... 30
ii. Dfinition du critre derreur .................................................................................................... 31
iii. Etude des contraintes ................................................................................................................ 32
(a) Contrainte de directivit maximale ...................................................................................... 32
(b) Contraintes sur le courant d'excitation ou sur les positions des lments : .......................... 32
C. Rseaux des neurones ........................................................................................................................ 33
1. Historique ...................................................................................................................................... 33
2. Neurone biologique ....................................................................................................................... 34
3. Fonctionnement des neurones ....................................................................................................... 35
4. Neurone formel ............................................................................................................................. 35
i. Modle mathmatique .............................................................................................................. 35
ii. Fonction de transfert ................................................................................................................. 37
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES




MEFENZA N. MICHAEL
MASTER RECHERCHE EN TELECOMMUNICATION
ENSP 2009
ix
5. Rseaux de neurones artificiels ..................................................................................................... 38
i. Rseaux neuronaux multicouches de type Feed - Forward ...................................................... 38
ii. Rseaux rcurrents .................................................................................................................... 39
iii. Rseaux cellulaires ................................................................................................................... 40
6. Diffrents types de rseaux neuronaux multicouches de types Feed - forward ........................... 41
i. Perceptron multicouche MLP ou rseau ABFNN .................................................................... 41
ii. Rseau RBFNN ........................................................................................................................ 43
iii. Rseau dondelettes WNN........................................................................................................ 43
7. Mthodes dApprentissage ............................................................................................................ 43
i. Apprentissage supervis ........................................................................................................... 44
ii. Apprentissage non supervis .................................................................................................... 44
8. Algorithmes dapprentissage ......................................................................................................... 44
i. Algorithme de la rtro-propagation du gradient non amliore GBP (Gradient
BackPropagation) ............................................................................................................................... 45
(a) Gradient stochastique (Pattern Mode) ................................................................................. 47
(b) Gradient total (Batch Mode) ................................................................................................ 47
ii. Rtro propagation du gradient avec momentum .................................................................... 48
iii. Algorithme de la rtro propagation du gradient convergence acclre par ladaptation du
coefficient dapprentissage................................................................................................................. 48
iv. Algorithme du gradient conjugu CG ....................................................................................... 49
v. Mthode de Newton ................................................................................................................. 49
vi. Mthodes quasi-newtoniennes .................................................................................................. 49
9. Choix dun rseau de neurones ..................................................................................................... 49
10. Base dapprentissage et mise en forme des donnes pour notre rseau de neurones .............. 50
Le prtraitement des donnes.................................................................................................................. 51
Fichier d'apprentissage ............................................................................................................................ 52
D. Logiciels ............................................................................................................................................. 52
III. Rsultats et commentaires ................................................................................................. 53
A. Organigramme de fonctionnement ..................................................................................................... 53
B. Description ......................................................................................................................................... 55
vii. Interfaces proposes ................................................................................................................. 56
(a) Mthode analytique ............................................................................................................. 57
(b) Mthode des rseaux de neurones........................................................................................ 57
(c) Comparaison entre les mthodes ......................................................................................... 60
C. Validation des rsultats ...................................................................................................................... 61
1. La mthode analytique .................................................................................................................. 61
i. un lobe principal ....................................................................................................................... 61
ii. un lobe principal et un zro ...................................................................................................... 62
iii. Deux et trois lobes principaux .................................................................................................. 62
2. La mthode des rseaux de neurones ............................................................................................ 63
3.3 tude comparative des diffrents types de rseau de neurones ................................................. 67
Conclusion - Perspectives ..................................................................................................................................... 68
Bibliographie ........................................................................................................................................................ 69






ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
1
Introduction gnrale

Ces dernires annes ont t le tmoin dune volution sans prcdent du march de
Tlcommunication mobile. Pour faire face laugmentation prvisible du nombre des
utilisateurs dune part et laugmentation des dbits de transmission dautre part, les futurs
rseaux de communications devront mettre en uvre des techniques de plus en plus volues.
Plusieurs approches sont possibles et lune dentre elles consiste combiner les signaux reus
par les lments dune antenne rseau. Cette mthode de traitement de linformation fait
rfrences aux systmes utilisant des antennes intelligentes. Un des principaux avantages de
ces systmes rside dans laugmentation potentielle du nombre dutilisateurs. Lintrt de ces
systmes est leur capacit ragir automatiquement un environnement complexe dont
linterfrence est connue priori. Ils permettent de rduire les niveaux des lobes secondaires
existants dans la direction de linterfrence, tout en maintenant le lobe principal en direction
utile. Ces systmes reposent sur des antennes rseau, des dispositifs pour calculer les angles
d'arrives et des outils numriques de synthse qui attribuent des poids aux lments de
lantenne rseau afin doptimiser le signal de sortie selon des techniques de contrle
prdfinies pour la formation des voies et l'annulation d'interfrents. Une antenne rseau
adaptative peut donc tre dfinie comme un rseau capable de modifier son diagramme de
rayonnement grce un logiciel de synthse apte rpondre aux spcifications dsires.
L'objectif de notre tude est d'laborer une technique de synthse pour la formation de voies
et l'annulation d'interfrents qui rponde aux spcifications imposes par le systme adaptatif.
Une contrainte de temps de calcul nous a conduit dvelopper un autre outil bas sur les
rseaux de neurone afin daugmenter la vitesse de convergence.










ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
2
I. Contexte et Problmatique

Les antennes intelligentes semblent tre une voie prometteuse pour accrotre la capacit des
Systmes de transmission. Lide consiste utiliser la dimension spatiale des capteurs. La
figure 1 illustre ce procd


Figure 1 : principe de fonctionnement des antennes intelligentes [II]

Le principe de fonctionnement peut se rsumer aux tapes suivantes :
1- La station de base intelligente focalise sur un signal en particulier plutt de capter
les signaux provenant de toutes les directions.
2-Former des faisceaux dnergie orients vers un usager particulier sans avoir
connatre lemplacement de cet usager. Cela serait comparable un dispositif de
poursuite, une sorte de signature spatiale. Cest comme doter chaque tlphone
cellulaire de sa propre liaison sans fil.
3- Il faut moins dnergie pour focaliser un signal sur 20 degrs quil en faut pour
lorienter sur 360 degrs.

Les antennes intelligentes sont constitues dantennes rseau dlments (rseau linaire,
circulaire et planaire), permettent daugmenter la capacit du rseau, lamlioration du dbit
et la diminution de la consommation en nergie des stations de base. Cette diminution peut
sexpliquer par le fait quavec les antennes classiquement utilises, pour une frquence et une
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
3
puissance donnes, un seul mobile peut tre desservi. Alors quavec les antennes intelligentes,
pour la mme frquence et la mme puissance que prcdemment, plusieurs mobiles peuvent
tre desservis la fois. Un volet de dveloppement important est donc llaboration de rseau
dantennes performant et ceci a merg comme un nouveau dfi. Lantenne rseau,
comportant de trs nombreux lments rayonnants, possdant par consquent un grand
nombre de degr de libert est lantenne idale pour raliser des couvertures conformes
sadaptant au mieux la mission demande. Si le principe de ce type dantennes nest pas
nouveau, la ralisation ne peut se concevoir que grce aux progrs raliss par les rseaux de
neurones. En effet, la technologie des rseaux de neurones prsente lavantage de pouvoir
tablir lors de la phase dapprentissage des relations analytiques importantes pour ltape de
modlisation du rseau dantennes, davoir un faible prix de revient et une rapidit
incontestable et ncessaire pour les systmes de tlcommunications. Les rseaux de neurones
artificiels ont fait lobjet dun intrt soutenu et de nombreux travaux depuis plus dune
vingtaine dannes cause de leur capacit rsoudre des problmes non linaires par
apprentissage. Une grande flexibilit entre les caractristiques du rseau dantennes :
amplitude dalimentation, domaine dondulation, niveau de lobes secondaires, est ainsi
introduite, puisquil ny a aucune restriction quant au nombre de paramtres du systme en
entre et en sortie pour un rseau de neurones. A la lumire de ceci, on tudie la possibilit de
concevoir un rseau dantennes partir de celle-ci.

Il nous vient la question suivante : Comment serait il possible de reprsenter des diagrammes
de rayonnement des antennes intelligentes grce aux rseaux de neurones?

II. Mthodologie
A. Antennes intelligentes dans les systmes de radiocommunication [I]
1. Canal de propagation

Le canal de transmission radio mobile est un des moyens de communication les plus
variables et les plus incontrlables. En parcourant un trajet entre lmetteur et le rcepteur les
ondes radiolectriques sont sujettes aux nombreuses irrgularits de morphologie, de
caractristiques lectromagntiques, de temprature, dhumidit du milieu travers qui ont un
effet de dgradation sur la qualit du signal. Pour cela, les transmissions hertziennes ont pour
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
4

Onde
incidente
II


Milieu I
Milieu I
Onde
incidente
Ondes
diffractes
Onde
incidente
(a) (b) (c) (d)
Ondes
diffuses
Ondes
incidentes
proprit de fluctuer en temps et en espace, souvent avec des variations trs importantes dues
plusieurs phnomnes de propagation.

i. Phnomnes de propagation
(a) Influence des obstacles sur les signaux

Londe mise partir dun metteur vers un rcepteur parcourt un trajet parsem de
nombreux obstacles. En fonction de sa nature, de sa forme et de la dimension de lobstacle par
rapport la longueur donde (), londe sera affecte diffremment. Nous pouvons citer cet
effet :
la rflexion spculaire, qui a lieu quand la taille de lobjet rflchissant est grande et
que les irrgularits de surface sont petites par rapport . La trajectoire de londe est
alors modifie ainsi que son amplitude et sa phase en fonction de langle dincidence.
la transmission ou la rfraction, qui traduit le passage dune onde dun milieu un
autre dont lindice est diffrent. Dans le cas o le second milieu est dpaisseur finie,
londe est nouveau rfracte dans le premier milieu et traverse ainsi lobstacle.
la diffraction, qui se produit chaque fois qu'une onde rencontre un obstacle au cours
de sa propagation.
la diffusion ou rflexion diffuse, qui a lieu quand londe rencontre une surface dont la
dimension des irrgularits est comparable . Chaque irrgularit va diffracter londe
en sous ondes.

Ces phnomnes sont reprsents sur la figure suivante :








Figure 2 : Phnomnes de propagation : (a) rflexion, (b) rfraction,
(c) diffraction et (d) diffusion
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
5

(b) Trajets multiples

Le canal de propagation radiolectrique est caractris par lexistence de trajets multiples
entre une station fixe et une station mobile. Contrairement dautres types de transmission
(faisceaux hertziens par exemple) o lon essaye de se placer dans les meilleures conditions,
la communication avec les mobiles savre plus dlicate cause de la mobilit dune des
extrmits. De plus, le mobile est dans la plupart des cas en non visibilit directe de la
station de base. Londe radio se propage dans tout lespace o, suivant le type
denvironnement, elle va tre rflchie ou absorbe par les obstacles rencontrs. En zone
urbaine, les ondes rflchies seront naturellement en nombre beaucoup plus important quen
zone rurale puisque le nombre de rflecteurs y est plus important. Londe radio peut se
rflchir sur tout type dobstacle : montagne, btiment, camion, avion, discontinuit de
latmosphre.

La rflexion sur un btiment va dpendre de la hauteur, de la taille, de lorientation du
btiment et des directions des trajets dans des zones masques par des btiments ou des reliefs
si ces obstacles constituent une sorte de guide donde. Dans certains cas, le signal rflchi est
trs fortement attnu alors que dans dautres cas, presque toute lnergie radio est rflchie et
trs peu est absorbe (cas dun rflecteur quasi parfait).

Les rflexions multiples provoquent donc plusieurs trajets entre lmetteur et le rcepteur
(multipath propagation). Elles ont pour consquences deux effets, lun positif et lautre
ngatif.
Effet positif :
Le principal avantage des trajets est de permettre des communications o lmetteur et le
rcepteur ne sont pas en visibilit directe comme nous pouvons le voir sur la figure 3. Dans
ce cas, les trajets multiples permettent aux ondes radio de "franchir" les obstacles (montagnes,
btiments, tunnels, ..) et donc dassurer une certaine continuit de la couverture radio.




ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
6
C
court plus le Trajet long plus le Trajet
retards des Dispersion

=



















Figure 3 : Propagation par trajets multiples


Effet ngatif :
Les trajets multiples sont galement lorigine de plusieurs problmes dont les trois
principaux sont les suivants.

1. La dispersion des retards (delay spread) :

Les trajets rflchis sont gnralement plus longs que le trajet direct ; cest dire
quils atteignent lmetteur plus tard que le trajet direct. Les signaux provenant de la mme
mission arrivent donc au niveau de lmetteur avec des retards diffrents. La dispersion de
retard peut tre calcule selon la formule simplifie suivante :



Avec C vitesse de la lumire dans le vide

2. Lvanouissement (ou fading) de Rayleigh :

Aprs rflexion sur un obstacle, londe radio peut tre altre en phase et en amplitude.
Le phnomne dvanouissement ou de fading rsulte des variations temporelles des phases.
(1)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
7
( ) cos . . cos t v X Y X = =

cos . .
2
t v X k = =
r

cos cos
2
1
C
v
f
t
f
d
=

=
k
r
Celles-ci peuvent rsulter de signaux multiples sajoutant de faon destructive au niveau du
rcepteur. Dans ce cas, le signal reu sera trs faible ou pratiquement nul. Les signaux
multiples reus peuvent galement sadditionner de faon constructive et le signal obtenu est
alors plus puissant que le signal du seul trajet direct.

3. Dcalage en frquence (Doppler shift) :

Leffet Doppler est un phnomne d au dplacement de la station mobile par rapport la
station de base. Il entrane une variation de la frquence du signal reu appele dcalage
Doppler. Ce dcalage en frquence dpend essentiellement de deux facteurs : la direction du
dplacement et la vitesse du rcepteur par rapport lmetteur. En notant la longueur
donde et f la frquence de la porteuse utilise, la frquence reue par un rcepteur de vitesse
relative v par rapport lmetteur est donne par : f = f - v/
Prenons par exemple le cas dun vhicule qui se dplace la vitesse v entre deux points X
et Y (Figure 4).










Figure 4 : Illustration de leffet Doppler

Pour ces deux positions, le rcepteur reoit une onde provenant de la mme source note
S. Celle-ci tant lointaine, langle entre la direction dincidence de la source et la direction de
dplacement du rcepteur est pratiquement le mme pour les deux positions X et Y. La
diffrence de marche x est telle que :


La diffrence de phase. est alors :


tant le vecteur donde. La frquence Doppler est alors donne par :


(2)
(3)
(4)
(5)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
8
C
v
f f f
d d
= =
= , 0
max

La valeur absolue de la frquence Doppler est donc maximale lorsque prend les valeurs
0 ou , modulo 2. Dans ce cas, on note :


2. Antennes rseau dlments

Une antenne rseau dlments est un systme constitu dantennes lmentaires,
rparties dans lespace, dont les sorties sont pondres en amplitude et/ou en phase avant
dtre sommes entre elles. Un dispositif dalimentation permet de commander les amplitudes
et/ou les phases relatives de ces sources.

Grce cette commande des sources en amplitude et/ou en phase, les antennes rseaux
peuvent produire des diagrammes de rayonnement ayant une forme voulue dans les directions
dsires. Il sera notamment possible de les conformer localement, par exemple par la cration
de plusieurs lobes simultanment ou par la cration dun lobe dans la direction du signal
incident et dun zro dans la direction dune interfrence (antennes adaptatives) ou
globalement en modelant leur enveloppe (antennes faisceaux conforms ou en anglais
Switched Beam Antennas SBA). La dtermination de ces coefficients (amplitude et/ou phase)
ncessite l'utilisation d'un outil numrique de contrle et de traitement.

Les signaux incidents sur le rseau sont de natures diverses. Nous distinguerons trois
types de sources :
la source utile S0 (t) que lon souhaite isoler ;
les interfrents Si (t), i = 1 .k, qui peuvent tre directifs et possder une signature
spatiale ou tre diffus. Les interfrents dans notre tude seront les autres utilisateurs du
rseau et/ou les trajets multiples de la source dintrt ;
le bruit additif (thermique et environnant) n (t), qui ne prsente pas de directions
dincidence particulire (il ne sera pas utilis dans nos dveloppements).

Les antennes rseaux peuvent avoir diffrentes gomtries savoir : linaire, planaire et
circulaire (Figure 5). Le champ total rayonn par le rseau est dtermin par laddition des
vecteurs champs rayonns par les diffrents lments. Si on veut rendre un modle trs
(6)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
9
(a) (b)
(c)
( ) ( )

=
+ =
N
n
n n n
ja I AF
1
cos sin 2 exp
( )
N
n
et a
n n n


2
cos sin 2
0 0
= =
( ) ( ) ( )

=
=
N
m
theta m d j m w AF
1
sin ) 1 .( . . 2 exp
(9)
(10)
directif, il est essentiel que les champs interfrent de manire constructive dans les directions
exiges et interfrent nuisiblement dans lespace restant.







Figure 5 : Diffrentes configurations gomtriques des rseaux : linaire (a),
planaire (b) et circulaire (c).

Il y a plusieurs facteurs qui contribuent la formation du diagramme global de
rayonnement de lantenne rseau. Nous pouvons citer :
la configuration gomtrique rseau (linaire, circulaire, planaire) ;
lespacement entre les sources ;
lamplitude dexcitation pour chaque lment ;
la phase dexcitation pour chaque lment ;
le diagramme de rayonnement lmentaire ;
la polarisation de chaque lment.
Les diffrentes expressions des champs totaux utilises sont donnes par les expressions
suivantes en considrant que le champ lmentaire est lunit :

Rseau circulaire




arayon du rseau (
0
,
0
)couple des angles des lobes principaux

Rseau linaire


ddistance entre les lments

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
10
( ) ( ) ( ) ( )

= =
+ =
1 2
1 1
cos sin 1 cos sin 1 2 exp
N
m
N
n
y x
d n d m j k w AF
(11)
Rseau planaire


avec kentier qui sincrmente pour chaque sommation
. Ces expressions sont adaptes pour que ces antennes deviennent intelligentes.

3. Antennes intelligentes

Les systmes antennes adaptatives ou intelligentes (smart antennas) [I] entrent dans un
domaine technologique multidisciplinaire dont la croissance a t trs importante dans le
courant de ces dernires dcennies. Ils bnficient des interactions croissantes entre
llectromagntisme et le traitement du signal. Lintrt de ces systmes est leur capacit
ragir automatiquement, en temps rel, des modifications du canal de propagation. Ils
permettent de rduire les niveaux des lobes secondaires existant dans la direction de
linterfrence, tout en maintenant le lobe principal en direction utile. Habituellement, ces
systmes reposent sur des antennes rseau dlments et sur un processeur rcepteur
adaptatif en temps rel qui attribue des poids aux lments de lantenne rseau dlments
afin doptimiser le signal de sortie selon des algorithmes de contrle prdfinis. Une antenne
intelligente peut donc tre dfinie comme un rseau dlments capable de modifier son
diagramme de rayonnement, sa rponse frquentielle et dautres paramtres grce une
boucle retour de dcision interne pendant le fonctionnement de lantenne.

Dans les systmes dantennes traditionnels, chaque metteur envoie son signal de faon
trs large principalement cause du fait que la position du rcepteur est inconnue. Ce type de
transmission pollue lenvironnement lectromagntique en augmentant le niveau
dinterfrence global par une mission de puissance dans des directions inutiles. A contrario,
les systmes antennes intelligentes dterminent la localisation du mobile pour se focaliser et
mettre lnergie uniquement dans les directions souhaites.

i. Structure

La structure dune antenne intelligente [I] est donne par la figure 6 . Elle est constitue
d'un rseau de N antennes lmentaires, espaces dune distance d, dont les sorties sont
pondres par un terme complexe avant d'tre sommes entre elles. L'unit de contrle des
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
11
[ ]

= =
(t) x
...
(t) x
(t) x
,...,w ,w w (t)x(t) w y(t)
N
2
1
N 2 1
H
S n
n d

sin
) 1 ( 2
=
pondrations permet de mettre en forme un diagramme de rayonnement par ajustement
intelligent de l'amplitude et/ou de la phase avec laquelle se combinent les signaux reus/mis
sur les diffrents lments sachant que le signal incident a pour direction
S
.

















Figure 6 : Schma reprsentatif d'une antenne adaptative



La sortie du rseau y(t) scrit :

O :
w
H
dnote le conjugu de la transpose complexe de pondration du vecteur de poids
x
i
(t) dsigne le signal reu par la i
me
antenne.

Si nous supposons que le premier lment dun rseau linaire est la rfrence de phase,
le dphasage relatif du signal reu au n
ime
lment est :




y(t)
(12)
(13)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
12
) ( exp . ) (
n n
t j e t x + =

=
|

\
|
+ =
N
n
S n
n d
t j w e t y
1
sin
) 1 ( 2
exp . ) (

Notons e le diagramme de chaque lment du rseau. Le signal sur le n


ime
lment est
donne par :



En remplaant lquation (13) et (14) dans (12), on obtient :





La structure de l'unit de contrle dpend de l'information que l'on connat priori ou que
l'on peut estimer au niveau de la station de base. Cette information inclut le type de
modulation, le nombre de trajets sparables et leurs angles d'arrive, la prsence ou non d'une
squence d'apprentissage et la complexit de l'environnement de propagation.

ii. Avantage des antennes intelligentes

La caractristique principale des antennes intelligentes est le pouvoir dlimination des
interfrences pour les applications radio mobiles ce qui donne un meilleur rapport signal sur
bruit, donc une augmentation de la capacit en nombre dutilisateurs.
Pour y arriver, plusieurs autres mthodes peuvent tre appliques parmi lesquelles [I]: la
rduction de la taille du motif et lAccs Multiple par Rpartition Spatiale (AMRS).

(a) Rduction de la taille du motif

Dans le but de recevoir un plus grand nombre dutilisateurs, une utilisation efficace du
spectre de frquences est essentielle. Les systmes cellulaires exploitent le fait quune onde
qui se propage sattnue en fonction de la distance. Ainsi, une station de base (BTS) est
associe une zone de couverture, appele cellule, dont la gomtrie dpend de la puissance
dmission des mobiles, des gains des antennes dmission et de rception et des conditions
de propagation. Les cellules utilisant les mmes frquences sont appeles co-cellules. Celles-
ci doivent tre suffisamment loignes les unes des autres jusqu ce que le niveau
dinterfrence co-canal dans chacune delles soit suffisamment bas pour ne pas dgrader la
qualit des communications. Pour couvrir entirement une zone donne, on dcoupe celle-ci
en motifs que lon juxtapose. On appelle motif le plus petit groupe de cellules contenant
(14)
(15)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
13
K R D 3 =
lensemble des canaux une et une seule fois. Tout ceci est rsum sur la figure 7.
Lorganisation des cellules au sein du motif est telle quelle minimise linterfrence co-canal,
chacune tant associe un sous-ensemble de frquences.





















Figure 7 : Concept cellulaire

Appelons K la taille du motif (nombre de cellules par motif) et R le rayon dune cellule.
La distance D de rutilisation des frquences est donne par la relation :

Le rayon R dune cellule est fonction de la puissance dmission de la BTS et des
mobiles. Pour diminuer la distance D, il suffit de diminuer la puissance dmission des
quipements. Le niveau C/I [I] est maintenu constant en ajustant la puissance des mobiles et
des BTS. Toutefois, la valeur minimale du rapport D/R dpend de la valeur du rapport C/I le
plus faible que le systme puisse accepter. Ce rapport est appel rapport de rutilisation co-
canal. Il permet de donner une indication sur la qualit de la transmission et sur la capacit du
trafic.

Pour la transmission : ce rapport indique le niveau dinterfrence co-canal du systme.
Plus ce rapport est lev, plus faible sera le niveau potentiel dinterfrence.
1
7
2
3
6
1
5 7
4 2
5
3
6 1
5
2
3 4
7
6
R
D
(16)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
14

=
=
i
K
K
K
I
C
I
C
1
( )

=

= =
i i
K
k
k
K
k
k
q D
R
I
C
1 1
1

Pour le trafic : ce rapport est un indicateur du niveau de performance du systme.



Comme formules nous avons :

C tant proportionnel R
-
et I identiquement proportionnel D
-
, on obtient :



avec
exposant de laffaiblissement de parcours
q=D/R facteur de rutilisation

(b) Accs Multiple par Rpartition Spatiale AMRS (Space Division
Multiple Access - SDMA)

LAMRS [I] est une technique suscitant un intrt croissant depuis quelques annes. Son
principe est de permettre plusieurs utilisateurs dexploiter le mme canal temps frquence
ou le mme code lintrieur de la mme cellule. La sparation des sources est ralise par
filtrage spatial obtenu en utilisant, au niveau de la BTS, une antenne adaptative. Une structure
identique est adopte lmission. Cette mthode peut tre utilise avec toutes les mthodes
daccs conventionnelles (FDMA, TDMA et CDMA. Les modifications ncessaires sont
limites aux BTS et ne concernent pas les mobiles, ce qui permet lintroduction de lAMRS
dans les systmes existants.

Dans le contexte radio mobile, les diagrammes des antennes doivent tre adapts afin
que le faisceau pointant vers un mobile puisse suivre ses mouvements. Cette technique porte
le nom de AMRS adaptative (A-SDMA pour adaptative-SDMA). Cette approche comporte
les principaux avantages suivants :
la rutilisation des porteuses et donc de la bande de frquence dynamiquement et de
faon adaptative lintrieur de la zone de couverture (plus dusagers peuvent donc
tre desservis par la mme bande de frquences) ;
les faisceaux tant dirigs vers lusager, la propagation par multi trajets est
considrablement rduite et linterfrence entre canaux lest galement ;
(17)
(18)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
15
la consommation dnergie est rduite si on la concentre vers lusager, avec une
pollution lectromagntique rduite ;
la confidentialit des communications est augmente par la directivit des faisceaux.
Intercepter une communication ne devient possible que si lon se trouve sur le mme
faisceau.





iii. Types des antennes intelligentes

Il existe deux types de systmes des antennes intelligentes: les systmes faisceaux
commuts (Switched Beam Antennas SBA) et les systmes des antennes rseaux
adaptatives (Adaptative Array Antennas AAA). Les deux types de systmes permettent
daugmenter le gain en fonction de la localisation de lusager. Cependant, seul le systme
adaptatif permet dobtenir un gain optimal par identification, suivi et minimisation de
linterfrence des signaux. Cest la stratgie du systme adaptatif et les gains additionnels qui
permettent dobtenir des performances substantielles et une flexibilit par rapport lapproche
plus passive de la commutation de rayon.

(a) Techniques fixes de formation de faisceau (les systmes
faisceaux commuts SBA)

Le concept de commutation de rayon est une extension de la mthode de sectorisation
cellulaire actuelle dans laquelle un site de cellules comprend par exemple trois macro
secteurs de 120. Lapproche commutation de rayon divise les macro secteurs en
plusieurs micro - secteurs. Chaque micro secteur contient un motif prdtermin de rayons
fixes ayant une sensibilit maximale localise au centre de rayon et une sensibilit moindre
ailleurs. Dans ce type de systme, des diagrammes de rayonnement dtermins avant le
dploiement sont slectionns pendant lopration.




ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
16








Figure 8 : Exemple de rpartition en micro-secteur avec une antenne rseau 6 lments



Quand un mobile entre dans un macro secteur particulier, le systme slectionne le
micro secteur contenant le signal le plus puissant. Pendant lappel, le systme coute la
puissance du signal et la commute vers dautres micro secteurs fixes quand cest ncessaire.
Le rseau de systme de SBA est relativement simple mettre en application, exigeant :
un rseau dalimentation de sources (Network Beamforming) ;
un commutateur RF et
une commande logique pour choisir un faisceau spcifique.

Compars des systmes sectoriss traditionnels [I], les systmes commutation de
rayons permettent daugmenter la porte dune station de base de 20 200%. La couverture
supplmentaire peut ainsi faire conomiser loprateur une partie des cots dinfrastructure.
Les limitations de ce type de systme reposent :
premirement sur le fait que la commutation du mobile dun micro secteur lautre
peut ne pas tre suffisamment rapide pour empcher une dgradation de la
communication. ;
deuximement sur le fait que le systme soit incapable de distinguer un signal utile des
signaux interfrents. Si le signal brouilleur est approximativement au centre du rayon
dsir, le niveau du signal interfrent peut augmenter de faon beaucoup plus
importante que le signal souhait. Dans ce cas, la qualit de la communication subira
une dgradation.

Pour former les faisceaux multiples, un choix de N lments dantenne est reli N ports
des faisceaux. Cette architecture, est gnralement connue sous le nom de rseau
120
Utilisateur
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
17
dalimentation de faisceaux (Beamforming Network). Un rsultat simple de rseau est form
quand des signaux induits sur diffrents lments de rseau sont combins. Cette mthode de
combinaison des signaux de plusieurs lments est appele formation de faisceaux. La
direction dans laquelle le rseau a la rponse maximale serait la direction du pointage de
faisceau. Le faisceau conventionnel se dirigeant o la formation de faisceau peut tre ralise
en ajustant seulement la phase des signaux des diffrents lments. En dautres termes,
dirigeant un faisceau dans la direction dsire. Cependant, si le diagramme de rayonnement
dantenne dans ce cas est fixe, c'est dire, pour un choix de faisceau dans une direction
dsire, un ajustement de phase doit tre accompli.
Quelques applications de rseau exigent plusieurs faisceaux fixes qui couvrent un certain
secteur angulaire. Plusieurs techniques existent et fournissent ces faisceaux fixes. Nous
prsenterons quelques matrices souvent utilises pour y parvenir.

Matrice de BUTLER :

Il sagit [I] de lune des matrices les plus rpandues pour la formation d'un rseau
dalimentation de faisceaux. Elle permet une alimentation (passive) d'un rseau NxN avec des
possibilits d'orientation de faisceau, N sorties connectes aux lments de lantenne et N
entres relies aux ports de faisceaux. N doit tre une puissance entire de 2 (c'est dire N=2
n
o n est un entier positif) pour former le rseau. Pour une matrice (NxN), il existe N
orientations possibles du faisceau. La matrice de Butler est un dispositif ingnieux
dintercommunication comportant des circuits forms de coupleurs directionnels et de
dphaseurs fixes. La figure 9 montre un diagramme schmatique dune matrice de Butler 4x4.










ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
18
























Figure 9 : Schmas des matrices de BUTLER 4x4 : (a) matrice non standard,
(b) matrice standard.

Un total de N coupleurs et N/2 dphaseurs est exig pour former le circuit dalimentation.
Les coupleurs peuvent tre de 90 ou 180 (hybrides 3dB), suivant que les faisceaux doivent
tre symtriquement distribus au sujet de plan de rayonnement (broadside) ou si un des
faisceaux doit tre dans la direction de ce plan (broadside).

La matrice de BUTLER a deux fonctions :
la distribution des signaux RF aux lments rayonnants de lantenne et
la formation et lorientation de faisceaux orthogonaux.

180 180
180 180
90
1L 1R 2R-L 0
180 180
180 180
90
1L 1R 2R-L 0
90 90
90 90
-45 -45
90 90
90 90
-45 -45
1R 2L 1L 2R
Gradients de phase des
matrices 4x4
Standard
1R : + 45/ 1L : - 45
2R : +135/ 2L : -135
Non standard
1R : + 90/ 1L : - 90
2R-L : 180/ 0 : 0
1R 1L
entres RF
coupleurs 3-dB
dphaseurs
(a) (b)
180 180
180 180
90
1L 1R 2R-L 0
180 180
180 180
90
1L 1R 2R-L 0
90 90
90 90
-45 -45
90 90
90 90
-45 -45
1R 2L 1L 2R
Gradients de phase des
matrices 4x4
Standard
1R : + 45/ 1L : - 45
2R : +135/ 2L : -135
Non standard
1R : + 90/ 1L : - 90
2R-L : 180/ 0 : 0
1R 1L
entres RF
coupleurs 3-dB
dphaseurs
180 180
180 180
90
1L 1R 2R-L 0
180 180
180 180
90
1L 1R 2R-L 0
90 90
90 90
-45 -45
90 90
90 90
-45 -45
1R 2L 1L 2R
Gradients de phase des
matrices 4x4
Standard
1R : + 45/ 1L : - 45
2R : +135/ 2L : -135
Non standard
1R : + 90/ 1L : - 90
2R-L : 180/ 0 : 0
1R 1L
entres RF
coupleurs 3-dB
dphaseurs
(a) (b)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
19
dgr
dB
En reliant la matrice de BUTLER avec un rseau dantenne et un commutateur RF, un
ensemble de faisceaux peut tre ralis en excitant simultanment deux ports ou plus par des
signaux RF. Un signal prsent un port dentre produira des excitations gales tous les
ports avec un dphasage progressif entre eux, ayant comme rsultat un faisceau qui rayonne
dans une certaine direction de lespace. Un signal un autre port dentre formera un faisceau
dans une autre direction. En se rfrant la figure 10, si les ports 1R et 3L sont excits en
mme temps avec des signaux RF gaux en amplitude et en phase, les faisceaux 1R et 3L
rayonneront simultanment.










Figure 10 : Schma reprsentatif de 8 faisceaux orthogonaux
forms par la matrice de BUTLER 8x8

La formation de faisceaux multiples est possible, mais il y a une limitation. Deux
faisceaux adjacents ne peuvent pas tre forms simultanment car ils sadditionnent et
produisent un faisceau simple. La popularit de la matrice de BUTLER comme circuit
dalimentation est due ses nombreux avantages rappels ci-dessous :
cest un rseau simple, employant peu de types de composants (des coupleurs et des
dphaseurs fixes), qui est mis facilement en oeuvre par lutilisation des lignes
microrubans ;
les faisceaux produits ont une largeur troite et une bonne directivit ;
la matrice ralise le pointage lectronique dans lespace sans mouvement mcanique
dans le procd de balayage ;
elle est thoriquement "sans perte" puisque la perte d'insertion minimale dans les
coupleurs, les dphaseurs et les lignes de transmissions utilises ne rendent pas le
systme impraticable ;
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
20
charges
M ports
dentre
Rseau de
N sources
1
2
3
M
1 2 3 N
Ligne transverse
L
i
g
n
e

d
e

r
a
m
i
f
i
c
a
t
i
o
n
coupleur
charges
M ports
dentre
Rseau de
N sources
1
2
3
M
1 2 3 N
Ligne transverse
L
i
g
n
e

d
e

r
a
m
i
f
i
c
a
t
i
o
n
coupleur
la conception de grandes matrices est assez facile puisque les dphaseurs sont placs
symtriquement par rapport la ligne de phase.


La matrice de BUTLER nest pas un circuit dalimentation parfait, elle a les inconvnients
suivants :
la largeur de faisceau et la direction de pointage changent avec la frquence ;
l'interconnexion est assez complexe pour une grande matrice (beaucoup de
croisements, par exemple plus de 16 croisements sont ncessaires pour une matrice
8*8) ;
le nombre de composants est grand quand le nombre d'lments du rseau est grand.

Matrice de BLASS :

Cest une matrice [I] qui peut gnrer des faisceaux multiples. Elle utilise un ensemble de
lignes de transmission relies un rseau d'antennes (N lments) qui coupe un ensemble des
lignes des ports M de faisceaux, avec un coupleur directionnel chaque intersection. La
figure suivante montre une matrice de BLASS conue avec un nombre quelconque dlments.















Figure 11 : Schma reprsentatif de matrice de BLASS

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
21
La matrice a t optimise pour obtenir des faisceaux presque orthogonaux. Le nombre
de coupleurs C requis pour former M faisceaux est donn par : C = MN.



Les avantages demployer la matrice de BLASS sont :
pour un grand rseau, la disposition dintercommunication du circuit est simple car il ny
a pas de croisements ;
les faisceaux forms peuvent tre produits en commandant les rapports de couplage des
coupleurs directionnels (la pondration en amplitude est possible pour chaque faisceau) ;
le temps de retard assure une certaine constance des faisceaux avec la frquence.

Cependant, elle prsente des inconvnients srieux:
chaque coupleur doit avoir une valeur diffrente, ce qui complique la conception ;
elle exige plus de coupleurs que la matrice de BUTLER et cette augmentation de matriel
implique un plus grand cot et poids ;
linteraction entre les coupleurs rend les circuits difficiles construire car les effets des
coupleurs sur les donnes mesures sont difficiles apprcier.

Matrice de NOLEN :

La matrice de NOLEN [I] peut tre vue comme une combinaison dune matrice de BUTLER
et dune matrice de BLASS. Les N lments dune antenne sont coupls M ports de faisceau
comme reprsent la figure III_11. Comme la matrice de BLASS, la matrice de NOLEN peut
alimenter un nombre dantennes diffrent du nombre d'orientations de faisceaux. La matrice
de NOLEN est compose de dphaseurs et de coupleurs. Elle est une reprsentation gnrale de
la transforme discrte de Fourrier. Comme la matrice de BLASS, elle est rarement utilise
cause du cot de ses pices et des difficults de lajustement de rseau.





(19)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
22















Figure 12 : Schma reprsentatif de matrice de NOLEN

Autres Techniques de formation fixe de faisceau :

Des faisceaux fixes peuvent galement tre forms en utilisant des antennes lentilles
telles que la lentille de LNEBERG ou la lentille de ROTMAN avec des alimentations
multiples ; les lentilles focalisent lnergie rayonne par les alimentations des antennes qui
sont moins directives. Ainsi que le rseau de WULLENWEBER.

Rseau de WULLENWEBER

Un rseau de WULLENWEBER [I] est un rseau circulaire dvelopp pour la goniomtrie
aux frquences HF. Un exemple est montr dans la figure 13. Le rseau peut employer les
lments omnidirectionnels ou les lments directionnels qui sont orients radialement vers
lextrieur. Le rseau se compose typiquement de 30 100 lments galement espacs. Un
tiers des lments sont employs pour former un faisceau qui est orient radialement vers
lextrieur du rseau. Un rseau de commutation appel goniomtre est employ pour relier
les lments appropris la radio et peut inclure une certaine amplitude (amplitude
weighting) pour commander le diagramme de rayonnement de rseau.







dphaseur
coupleur
Ports des faisceaux
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
23

Goniomtrie










Figure 13 : Schma reprsentatif du rseau de WULLENWEBER

Les avantages du rseau de WULLENWEBER sont :
sa capacit balayer plus de 360 avec peu de changement des caractristiques de
rayonnement ;
pour les basses frquences, ce rseau est plus petit que les antennes rhombiques
(losanges) qui pourraient tre utilises pour les mmes applications ;
des dlais sont employs pour former des faisceaux radiaux au rseau, permettant une
utilisation large bande ;
sa largeur de bande est limite par la largeur de bande et lespacement des lments.

(b) Antennes adaptatives

Les systmes antennes adaptatives sadaptent constamment lenvironnement radio au
fur et mesure de ses changements. Ils reposent sur des algorithmes de traitement du signal
sophistiqus permettant de distinguer en permanence les signaux utiles des signaux issus des
trajets multiples et des brouilleurs et de calculer leurs directions darrive. Grce la capacit
de poursuite prcise et de rejet dinterfrence, plusieurs utilisateurs peuvent se partager le
mme canal lintrieur de la mme cellule. Cette antenne focalise son lobe principal dans la
direction o une source est dtecte. Avec les systmes des antennes adaptatives, il est
possible de raliser de plus grandes performances que celles obtenues en utilisant le systme
de SBA.

En commutant les faisceaux dune antenne multifaisceaux, il est ais dexclure les
quipements brouilleurs ou brouills qui ne se trouvent pas sur le faisceau principal.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
24
Thoriquement, une antenne M composants peut supprimer (M-1) brouilleurs en appliquant
une pondration adquate aux lments. En pratique, cette capacit de suppression diminue en
prsence des composantes multi trajets. Lamlioration de cette technique peut tre obtenue
en la combinant avec le CDMA, une galisation adaptative ou la diversit de polarisation.

Avant de prsenter les deux techniques de formations de voies et les algorithmes
adaptatifs, nous dcrivons brivement les mthodes utilises pour l'estimation de l'angle
d'arrive.

Mthodes utilises pour le calcul de langle darrive

Toutes les techniques bases sur la dtermination des Directions D'Arrive (DDA ou
AOA pour Angle Of Arrival) utilisent le vecteur signal reu x(t) et la connaissance de la
diversit spatiale des antennes pour obtenir une estimation des directions d'incidence des
sources. Plusieurs techniques dites haute rsolution telles que MUSIC, ESPRIT et WSF [I]
peuvent tre utilises pour dterminer les angles d'arrive. La contrainte principale de ces
mthodes est de ne fonctionner que lorsque le nombre de fronts d'onde incidente sur le rseau
est infrieur au nombre d'antennes moins un. Une classification possible des diffrentes
mthodes pour estimer les Directions d'Arrive des Ondes (DAO) peut tre faite de la faon
suivante :
Mthodes bases sur la recherche spectrale :

Les mthodes MUSIC (MUltiple SIgnal Classification), MVM (Minimum Variance
Method), NLPM (Nullsteering and Linear Predictive Method), utilisent une analyse
spectrale et recherchent les maxima ou les minima. Les mthodes bases sur la recherche des
minima offrent, en comparaison avec les mthodes bases sur la recherche de maxima, une
meilleure discrimination. Cet avantage est d au fait que les vanouissements profonds dans
des modles de directivit peuvent tre situs aussi troitement que voulues, et sont beaucoup
plus faciles raliser que les crtes pointues. Dans cette catgorie, MUSIC a t la mthode la
plus largement rpandue.

Mthode sans recherche spectrale:

LEstimation des Paramtres du Signal via des Techniques de linvariance
rotationnelle ESPRIT (Estimation of Signal Parameters via Rotationnal Invariance
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
25
) ( .. 1 1 ) ( lobes N N i x w
i
H
= =
) 1 ( 1 .. 1 0 ) ( zros K K i x w
i
H
= =
T H
e X w
1
=
[ ] ) ( ..., ), ( ), (
1 1 0
=
K
x x x X
[ ]
T
e 0 ,..., 0 , 1 ,..., 1 , 1
1
=
(22)
(23)
(24)
Techniques) est la mthode qui calcule directement les DAO sans ncessit de calculer des
spectres. Elle est une mthode de haute rsolution pour la dtermination des paramtres dun
signal mesur en sortie dun rseau dantennes. Lestimation de ces paramtres est obtenue en
exploitant les proprits dinvariance rotationnelle de la structure du sous-espace signal, dues
aux proprits dinvariance translationnelle de la structure du rseau dantennes associ. Cette
mthode de haute rsolution est classe parmi les mthodes sans recherche spectrale. Ici il ny
a pas de calcul de spectre, mais plutt un calcul discret (les temps de retard et directions
darrive sont extraits partir dun calcul de valeurs propres).

Formation de voies et annulation d'interfrents

Cette technique est base sur la connaissance des directions d'incidence des diffrentes
sources. Dans le cas de liaisons fixes, celles-ci peuvent tre connues priori en fonction de la
position des metteurs et du rcepteur. Dans le cas de liaisons mobiles, il est ncessaire de les
estimer priodiquement pour suivre les dplacements angulaires des diffrentes sources. Un
rseau constitu de M antennes possde M-1 degrs de libert. Il est donc possible de former
N lobes dans les directions des sources utiles sous la contrainte de gain nul dans M-N-1
directions diffrentes. Le vecteur de pondration doit donc satisfaire le systme d'quations
suivant:




Qui sous forme matricielle devient :
Sachant que w
H
reprsente le conjugu de la transpose de w.
A est la matrice dont les colonnes contiennent les vecteurs directeurs des diffrentes sources :


e
1
est un vecteur dont seul les N premiers lments sont non nuls :

La solution gnrale de systme d'quations (20 et 21) ncessite l'utilisation des
techniques d'optimisation appropries qui permettent de calculer les pondrations pour chaque
configuration des lobes dsirs.

(20)
(21)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
26


M
.
.
.



Estimation de
langle
darrive

Calcul des
pondrations

Y(t)

x
1
(t)
x
2
(t)
x
M
(t)
M
2
1 w
1

w
2

w
3

La figure 14 donne une configuration possible de ce type de traitement. La premire tape
consiste estimer les angles d'arrive de toutes les sources. Connaissant la structure du
rseau, linaire par exemple, il est possible de former la matrice A et son inverse ou pseudo
inverse.













Figure 14 : Configuration de lantenne pour la formation de voies

Il ne reste plus qu' calculer les pondrations optimales. Pour les obtenir, diverses
mthodes sont possibles. Le choix de lalgorithme qui permet datteindre la solution optimale
est une tape cruciale ; car de lui dpendent la vitesse de convergence et la complexit
dintgration matrielle. Les algorithmes utiliss sont :
lalgorithme du gradient stochastique (LMS Least Mean Square algorithm) ;
l'inversion directe de la matrice de convergence ;
lalgorithme des moindres carrs rcursifs (RLS Recursive Least algorithm) ;
lalgorithme module constant (CMA- Constant Modulus Algorithm).

B. Technique de synthse des diagrammes de rayonnement

Le but de notre tude est de trouver une technique gnrale de synthse, rapide et efficace
dans le sens o elle doit permettre de tenir compte de toutes sortes de contraintes lies aux
spcifications des antennes adaptatives.

Un des intrts de l'association en rseau de plusieurs lments rayonnants disposs dans
l'espace, est de pouvoir matriser la distribution de l'nergie rayonne. Cette distribution est
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
27
obtenue en jouant sur les amplitudes et les phases entre les signaux mis par les diffrentes
sources. La synthse dun rseau dantennes consiste dans la plupart des cas dterminer la
gomtrie et les paramtres de lalimentation (positions relatives et courants dexcitations :
amplitudes et/ou phases) susceptibles de produire un diagramme de directivit possdant
certaines proprits exiges lavance par lutilisateur. Dune manire pratique, lefficacit
dune mthode de synthse dpend directement du rsultat obtenu. Trois types de synthse
peuvent tre envisag :

1. Synthse en amplitude seulement: Ce type permet de raliser des lobes directifs
symtriques avec la possibilit de jouer sur le niveau des lobes secondaires. Les
techniques analytiques (Fourrier, Chebyshev, ) permettent de calculer les
coefficients du rseau. Les applications de ce type de synthse sont limites.

2. Synthse en amplitude et phase : Ce type permet de raliser des lobes directifs avec
des niveaux de lobes secondaires fortement contrlables. Cette technique est efficace
pour les applications en rseau adaptatif, mais sa mise en pratique ncessite un outil de
synthse en amplitude et en phase. Ce type de synthse est lourd (temps de calcul
important) et ncessite l'utilisation de circuits actifs de type MMIC (Microwaves
Monolithic Integrated Circuits en franais Circuits intgrs monolithique micro-
onde), coteux et compliqus.

3. Synthse en phase : Ce type permet de raliser des lobes directifs avec un niveau des
lobes secondaires moyennement contrlables. Avec cette technique, on peut contrler
le niveau reu dans la direction du rayonnement utile et interfrent. Sa mise en pratique
ncessite des dphaseurs contrls par un outil de synthse de phase. Ce type de
synthse est un bon compromis qui permet de raliser le formage du lobe directif avec
un temps de calcul et un cot relativement faible.
Nous utiliserons tout au long de notre travail la synthse en phase.

1. Position du problme

Les spcifications sur le diagramme de rayonnement du rseau sont gnralement
dfinies partir d'un gabarit o on impose le niveau des lobes secondaires et/ou l'amplitude
des oscillations dans la zone de formage (figure 15).
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
28
( ) ( ) M j F x F
j d j C
,..., 1 , = =

x
(25)















Figure 15 : Dfinition des spcifications sur le diagramme de rayonnement
partir dun gabarit.

Mathmatiquement, le problme consiste rsoudre un systme d'quations gnralement
non linaire:


est le vecteur des paramtres du rseau, F
c
est la fonction de rayonnement calcule
dans une direction
j
et, F
d
est la valeur dsire dans cette mme direction. La direction
angulaire est discrtise en M valeurs sur l'intervalle reprsentant une priode de la fonction
F
c
.
La rsolution du systme d'quations (25), (gnralement non linaire) doit s'effectuer
l'aide d'un algorithme itratif minimisant l'cart entre la fonction synthtise et celle dsire.



2. Critre de choix d'une mthode de synthse
i. Norme d'erreur
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
29

La minimisation de la fonction d'erreur dfinie doit s'effectuer en utilisant la norme
euclidienne. Cette norme reprsente la somme des carts au carr entre les fonctions
synthtise et dsire. La fonction synthtise oscille autour de la fonction dsire : on ne peut
donc pas matriser les carts importants qui peuvent apparatre dans certaines directions.

ii. Temps de calcul et prcision des rsultats obtenus

La prcision dpend du nombre d'itrations que l'on se fixe ainsi que de l'ordre
d'approximation que l'on effectue chaque itration. Le temps du calcul dpend du type de
convergence de la mthode (linaire, quadratique, ...), de la formulation de la fonction objectif
et des valeurs initiales choisies.

iii. Prise en compte des contraintes de ralisation pratiques

Lapproche est de sorienter vers :

les contraintes sur les paramtres de synthse, par exemple des contraintes sur la
dynamique du courant ou sur la position des lments.
la possibilit d'introduire des pertes dans la formulation du problme (pertes
dilectriques, mtalliques, rayonnements).
la possibilit de tenir compte de couplage entre les lments.

iv. Contraintes sur la fonction synthtise

Les contraintes portent sur :

lamplitude d'oscillations dans le lobe principal et niveau de lobe secondaire optimal.
la possibilit de crer des zros dans certaines directions privilgies.
la zone de transition minimale de part et d'autre de la zone couvrir (directivit
maximale).

v. Possibilit de synthtiser des diagrammes de rayonnement rel
ou complexe
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
30

Le diagramme dsir est gnralement dfini en module. Une formulation de la fonction
d'erreur entrane par le processus de minimisation un diagramme synthtis rel. Une autre
formulation du problme, o l'optimisation porte sur le module de la fonction calcule
(complexe), permet de ne spcifier que le module du diagramme dsir et d'obtenir des
diagrammes synthtiss complexes.

3. Elaboration du choix
Une recherche bibliographique sur les mthodes d'optimisations numriques appliques
la synthse des rseaux d'antennes a permis de constater qu'un nombre important de mthodes
ont t proposes. Ces mthodes sont illustres au tableau 1 [I].

Tableau 1 : Performances des diffrentes mthodes de synthse

i. Thorie de la mthode de synthse

Analytiques
(Fourrier,
Chebyshev ,..)
Optimisations
linaires
Polynomiales
(Elliot)
Projection
successive
Algorithmes
gntiques
Technique de
Madsen
(minmax)
Rseaux de
neurones
Paramtres de
synthse

Amplitude

Amplitude,
phase

Amplitude,
phase

Amplitude,
phase

Position

Amplitude,
phase, position

Amplitude
et/ou
phase
Critre derreur
(moindre carr
MC, minmax)

MC, autre

MC, minmax

Autre

MC

MC, autre

minmax

MC,
minmax
Synthse relle ou
en puissance

Non

Non

Oui

Oui

Oui

Oui

Oui
Prise en compte
du couplage

Non

Non

Oui

Non

Non

Oui

Oui
Contraintes sur
les paramtres de
synthse

Non

Non

Non

Oui

Non

Oui

Oui

Temps de calcul

Rapide

Rapide



Moyen

Lent

Rapide
Trs
rapide
Possibilit de
dveloppement

Non

Non

Non

Oui

Oui

Oui

Oui
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
31
( )
N
ERR
N
x x ERR
x
x
x ,..., ...
1
1

( ) ( ) ( ) [ ]
j d j C j j
E , x E ) , x ERR( =

( ) M j x ERR x ERR
M
j
j
,..., 1 , ) (
2 / 1
2
1
=

=

=

(26)
(27)
(28)
Tous les problmes d'optimisations peuvent se rduire la minimisation d'un scalaire
appel fonction objectif ou fonction d'erreur. Cette fonction est une reprsentation de la
diffrence qui existe entre les performances relles (synthtises) et dsires (imposes) de
l'application que l'on traite.
On note ERR(x) cette fonction d'erreur :

Le vecteur x reprsente l'ensemble des paramtres accessibles l'utilisateur et donc
modifiable pendant le processus d'optimisation.
Dans le cas de synthse des rseaux d'antennes rayonnements spcifis, les paramtres
de synthse peuvent tre le courant d'excitation (amplitude et/ou phase) et dans certains cas
les positions relatives des sources. L'optimisation n'est jamais conduite sans que l'on ait
satisfaire un certain nombre de conditions restrictives (contraintes) portant sur les paramtres
de rseau ou sur l'une de ses performances (directivit, rapport S/B, ...).

ii. Dfinition du critre derreur

Nous avons vu dans le paragraphe prcdent que le but de l'optimisation est de rduire le
plus possible la fonction objective ERR(x,). Dans la direction
j
cette fonction est dfinie
comme suit :


o E
c
est le champ calcul, E
d
est la valeur dsire dans la direction
j
, (
j
) est une
fonction poids qui permet de privilgier certaines directions de l'espace par rapport d'autres
en leur donnant une importance plus grande dans la fonction d'erreur.
Cette possibilit sera employe pour pouvoir contrler simultanment le niveau de lobes
secondaires et le niveau d'oscillations du lobe dans la zone couvrir. On effectue une mesure
d'erreur globale en prenant la norme de ERR(x,). La norme utilise est la norme euclidienne
(moindre carr) qui s'crit :


O M reprsente le nombre des directions angulaires chantillonnes.

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
32
( )
( )
( )

=
d u
u
u D
r
v
r

4
1
i i i
b I a '
( )
i i i i i
I a b a I ' sin
2
+ =
(29)
(30)
(31)
La norme euclidienne reprsente une moyenne de l'erreur commise dans toutes les
directions angulaires. Cette norme peut engendrer de grandes oscillations (phnomne de
GIBBS) au voisinage de la zone de transition.

iii. Etude des contraintes
(a) Contrainte de directivit maximale

La directivit caractrise l'aptitude d'un arien concentrer l'nergie rayonne dans une
direction privilgie. Elle est dfinie comme suit :



( u ) est la densit de puissance rayonne par unit d'angle solide.


(b) Contraintes sur le courant d'excitation ou sur les positions des
lments :

Dans beaucoup de cas, il est ncessaire d'imposer des limitations sur certains paramtres
du rseau tels que des contraintes sur le module du courant ou sur l'espacement entre les
sources. L'ide suivie est de substituer aux variables d'optimisation une fonction incluant les
limitations. On obtient alors l'optimum en cherchant le minimum d'une suite de fonctions sans
contraintes.
Contraintes sur le module du courant :

En gnral, les contraintes sont de la forme :
Dans ce cas, le module du courant dans la fonction d'erreur peut tre substitu par la
fonction :
La variable de synthse est I'i (sans contrainte).





Contraintes sur les positions des lments :

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
33
D x x
i i

1
( )

=
+ =
i
j
j i
x D i x
1
2
' 1

=
= =
N
j
j ij i
i
i
i
a S b
a
b
1
,
( ) ( )
j i
x jk
i i
N
i
j
e b a e E

sin
1
0
. =

=
(32)
(33)
(34)
(35)
En gnral, ces contraintes sont lies la dimension physique de l'lment rayonnant ou
des effets indsirables fonctions de la distance entre lments (couplage par exemple). Ces
contraintes sont de la forme :
Pour en tenir compte, la variable x
i
sera remplace par la fonction :

La variable de synthse est alors x'
i
.

Possibilit de tenir compte du couplage :

Le coefficient de rflexion l'accs i peut s'crire :

a
i
tant londe de puissance incidente laccs i et b
i
tant londe rflchie laccs i.

Pour un rseau linaire N lments, le champ rayonn peut se mettre sous la forme
suivante :


avec e qui est le champ lmentaire .




C. Rseaux des neurones
1. Historique

Le dbut des premiers travaux associs cette tude s'est droul dans les annes 1940
lorsque McCULLOCH et PITTS font une description d'un systme simple dcrivant les
proprits du systme nerveux. Le premier modle de rseau est apparu au dbut des annes
50 mais c'est la fin de celles-ci que Frank ROSENBLATT (1958) prsenta le perceptron,
premier modle dmontrant un rel processus d'apprentissage. Suite la publication
Perceptrons de LATER, MINSKY et PAPERT en (1969) qui contient une tude critique des
perceptrons dmontrant par des exemples que les perceptrons ont l'impossibilit de
comprendre la fonction XOR, la recherche dans ce domaine tombe dans une clipse durant
deux dcades. Durant les annes 70, les rseaux de neurones semblent oublis jamais.
Malgr cette atmosphre ngative, certains chercheurs comme Anderson, GROSSBERG et
KOHONEN ont continu leurs recherches et sont arrivs de bons rsultats.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
34
C'est l'volution des systmes informatiques et leur disponibilit qui permettent plus
facilement la simulation des rseaux de neurones au dbut des annes 80. De plus, de
nouvelles dcouvertes dans ce domaine contribuent au retour de cette approche, comme par
exemple le modle de HOPFIELD (1982) ou les recherches du groupe RUMELHART, HINTON et
WILLIAMS (1986) qui sont arrivs dcouvrir lalgorithme de la rtro propagation et
dmontrer que ces rgles d'apprentissage donnent la possibilit aux rseaux de neurones
d'apprendre des fonctions tel le XOR, qui tait impossible pour le perceptron.

2. Neurone biologique

Les cellules nerveuses, appeles neurones vivants, sont les lments de base du systme
nerveux central. Le systme nerveux contient 1000 milliards, avec 1000 10000 synapses
(connexions) par neurone. Bien que les neurones ne soient pas tous identiques, leur forme et
certaines caractristiques permettent de les rpartir en quelques grandes classes. Il est aussi
important de noter que les neurones n'ont pas tous un comportement similaire en fonction de
leur position dans le cerveau. On peut dcomposer le neurone en trois rgions principales : le
corps cellulaire, l'axone et l'arborisation dendritique (Figure 16).















Figure 16 : Neurone biologique

La rponse du neurone biologique est en gnral non linaire, mais les
neurophysiologistes ont trouv que, pour quelques neurones biologiques, le signal de sortie
est proportionnel la combinaison linaire de tous les signaux dentres fournis par les autres
neurones du systme nerveux.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
35

3. Fonctionnement des neurones

Au point de vu fonctionnel, il faut considrer (pour simplifier) le neurone comme une
entit polarise, c'est--dire que l'information ne se transmet que dans un seul sens : des
dendrites vers l'axone. Pour rentrer un peu dans le dtail, le neurone va donc recevoir des
informations venant d'autres neurones, grce ses dendrites. Il va ensuite y avoir sommation
au niveau du corps cellulaire ; de toutes ces informations et via un potentiel d'action (un signal
lectrique) le rsultat de l'analyse va transiter le long de l'axone jusqu'aux terminaisons
synaptiques. A cet endroit, lors de l'arrive du signal, des vsicules synaptiques vont venir
fusionner avec la membrane cellulaire, ce qui va permettre la libration des
neurotransmetteurs (mdiateurs chimiques) dans la fente synaptique. Le signal lectrique ne
pouvant pas passer la synapse (dans le cas d'une synapse chimique), les neurotransmetteurs
permettent donc le passage des informations, d'un neurone un autre.

Au niveau post-synaptique, sur la membrane dendritique, se trouvent des rcepteurs pour
les neurotransmetteurs. Suivant le type de neurotransmetteur et le type des rcepteurs,
l'excitabilit du neurone suivant va augmenter ou diminuer, ce qui fera se propager ou non
l'information.
Les synapses possdent une sorte de mmoire qui leur permet d'ajuster leur
fonctionnement. En fonction de leur histoire, c'est--dire de leur activation rpte ou non
entre deux neurones, les connexions synaptiques vont donc se modifier.

4. Neurone formel
i. Modle mathmatique

Le modle de neurones formel prsent ici, d Mac CULLOCH et PITTS, est un modle
mathmatique trs simple, driv d'une analyse (elle aussi assez simple) de la ralit
biologique. Il est considr comme un automate, reli des automates voisins par des
connexions reprsentes par des poids rels, qui reoit son entre des signaux dlivrs par
les neurones auxquels il est connect et il fournit la sortie un signal qui dpend la fois de
ses signaux dentre et des poids de ses diffrentes connexions (somme pondr Ai) (Figure
17).

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
36

neurone i
Fonction de
transfert f
Ai
Sortie Si
Wi0
Wi1
Wij
Win
+1
e1
ej
en
Entres

= =
= + =
n
j
j ij i j
n
i
ij i
e w e w A
0 1

(36)















Figure 17 : Schma fonctionnel du neurone formel


Daprs la figure ci-dessus, nous pouvons dfinir un neurone formel par les paramtres
suivants:
un ensemble des connexions (ou synapses) dont chacune se caractrise par un poids
rel. Le signal e
j
se trouvant lentre de la synapse j qui est connecte au neurone i.
Ce signal est multipli par le poids de la synapse w
ij
. w
ij
est donc le poids de la
connexion dirige du neurone j vers le neurone i. Si le poids est positif on aura donc
un effet excitateur et, sil est ngatif, un effet est inhibiteur.

la somme pondre Ai des signaux dentre (e
j
)1jn du neurone i qui sont en mme
temps les signaux de sortie des neurones de la couche amont auquel ce neurone est
connect. La somme Ai est donne par lexpression suivante :


o w
i0
=
i
, e
0
= +1 et n est le nombre de neurones de la couche amont.
le seuil
i
propre au neurone i qui est un nombre rel et qui reprsente la limite partir
de laquelle le neurone sactivera. Ce seuil peut jouer le rle de poids de la connexion
qui existe entre lentre fixe +1 et le neurone i.

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
37
la fonction de transfert f qui limite en gnral lamplitude de la sortie S
i
= f(A
i
) du
neurone entre [ -1 , 1 ]. Elle existe sous diffrentes formes, telles que : fonction non
linaire, fonction seuil binaire, fonction linaire seuil, ...

ii. Fonction de transfert
Jusqu prsent, nous navons pas spcifi la nature de la fonction dactivation de notre
modle. Il se trouve que plusieurs possibilits existent. Diffrentes fonctions de transfert
pouvant tre utilises comme fonction dactivation du neurone sont numres dans le
tableau 2 [II]. Les trois les plus utilises sont les fonctions seuil (en anglais hard limit),
linaire et sigmode. Ces fonctions sont reprsentes sur la figure suivante :







Figure 18 : Fonction de transfert : (a) du neurone seuil, (b) du neurone linaire
et (c) du neurone sigmode.
Nom de la fonction Relation dentre/sortie Nom sous Matlab

seuil
a=0 si n < 0
a=1 si n 0

hardlim

seuil symtrique
a=-1 si n<0
a=1 si n0

hardlims
linaire a=n purelin

linaire sature
a=0 si n<0
a=n si 0< n < 1
a=1 si n>1

satlin

linaire sature
symtrique
a=-1 si n<-1
a=n si -1< n < 1
a=1 si n>1

satlins

linaire positive
a=0 si n<0
a=n si n>0

poslin
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
38

sigmode n
e
a

+
=
1
1


logsig

tangente hyperbolique
n n
n n
e e
e e
a

=

tansig
comptitive a=1 si n maximum
a=0 sinon
complet

Tableau 2 : Fonctions de transfert a = f(n).

5. Rseaux de neurones artificiels

Un rseau de neurones artificiels est un ensemble de neurones formels associs en
couches (ou sous-groupes) et fonctionnant en parallle. Les rseaux de neurones artificiels ont
la capacit de stocker de la connaissance empirique et de la rendre disponible l'usage. Les
habilets de traitement (et donc la connaissance) du rseau vont tre stockes dans les poids
synaptiques, obtenus par des processus d'adaptation ou d'apprentissage. En ce sens, les
rseaux de neurones artificiels ressemblent donc au cerveau car, non seulement, la
connaissance est acquise travers un apprentissage mais de plus, cette connaissance est
stocke dans les connexions entre les entits, soit dans les poids synaptiques. La structure des
connexions entre les diffrents neurones dtermine la topologie du rseau. On peut classer les
rseaux de neurones artificiels dans trois grandes catgories :
le rseau neuronal multicouche de type Feed Forward (rseau non boucl) ;
le rseau rcurrent (rseau boucl) ;
le rseau cellulaire.
Notons quun rseau neuronal est dit boucl si son graphe reprsente au moins un cycle.

i. Rseaux neuronaux multicouches de type Feed - Forward

Appels aussi rseaux de type Perceptron, ce sont des rseaux dans lesquels
l'information se propage de couche en couche sans que le retour en arrire soit possible. On
trouve le perceptron monocouche et le perceptron multicouche.

Le premier est un rseau simple, puisquil ne se compose que d'une couche d'entre et
d'une couche de sortie. Sa principale limite est qu'il ne peut rsoudre que des problmes
linairement sparables.

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
39
Entre
Couche Couche Couche de
sortie
Connexion Neurone
Sortie
Le perceptron multicouche MLP (Multi - Layer Perceptron) (figure 19) est une extension
du prcdent, avec une ou plusieurs couches caches entre l'entre et la sortie. Chaque
neurone dans une couche est connect tous les neurones de la couche prcdente et de la
couche suivante ( lexception des couches d'entre et de sortie) et il n'y a pas de connexions
entre les neurones d'une mme couche. Les fonctions d'activation utilises dans ce type de
rseaux sont principalement les fonctions seuil ou sigmodes. Il peut rsoudre des problmes
non linairement sparables et des problmes logiques plus compliqus, et notamment le
fameux problme du XOR.











Figure 19 : Structure de MLP


Ce rseau est considr comme un systme neuronal non linaire statique. Il existe trois
types de rseaux neuronaux multicouches de type Feed - forward qui sont : Le perceptron
multicouche MLP, le rseau RBFNN (Radial- Basis- Function Neural Network) et le rseau
dondelettes WNN (Wavelet Neural Network).

ii. Rseaux rcurrents

Appels aussi rseaux boucls ou dynamiques (figure 20), ce sont des rseaux dans
lesquels il y a retour en arrire de l'information. Des connexions apparaissent entre la sortie du
rseau et les neurones qui se trouvent dans des couches en amont. Ces rseaux sont souvent
utiliss pour identifier des systmes dynamiques non linaires.


ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
40
Entre
Couche dentre
Couche cache Couche de sortie
Sortie
Feed-back














Figure 20 : Structure dun rseau neuronal rcurrent

iii. Rseaux cellulaires

Dans un rseau cellulaire (figure 21), les neurones sont entirement connects dans un
plan o chaque neurone est reli tous les neurones qui les entourent. Une connexion entre
deux neurones peut tre bidirectionnelle.












Figure 21 : Rseau cellulaire

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
41
6. Diffrents types de rseaux neuronaux multicouches de types
Feed - forward

La construction de rseau neuronal multicouche de type Feed - forward pour
lidentification dune fonction non linaire plusieurs variables dpend de 4 points essentiels.
1. Le choix du type de neurones utiliser dans le rseau : le choix de la fonction
dactivation des neurones cachs.
2. Le choix de la topologie du rseau : le choix du nombre de couches et de neurones
cachs.
3. Linitialisation du rseau ou le choix du point de dpart du rseau avant de lancer
la phase dapprentissage. Il existe trois types de rseaux neuronaux multicouches
de type Feed - forward. Chacun tant bas sur une base de fonctions dactivation
diffrente et possdant une procdure dinitialisation adapte aux paramtres de la
fonction dactivation choisie. Nous pouvons donc citer :
a. le perceptron multicouche MLP (Multi Layer Perceptron) ou le rseau
ABFNN (Affine Basis Function Neural Network).
b. le rseau RBFNN (Radial-Basis-Function Neural Network or Localized
Receptive Field Network).
c. le rseau dondelettes WNN (Wavelet Neural Network).
4. Lapprentissage du rseau.


i. Perceptron multicouche MLP ou rseau ABFNN

Dfinit plus haut, nous pouvons encore reprsenter MLP comme il suit :







Figure 22 : Perceptron Multicouche
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
42

= =
+
|
|

\
|
+ =
1
1 1
0
h
j
S
p
k
j k jk c sj
x w f w Y
(37)
(38)
(39)

Avec CE : couche dentre p : nombre de neurones dentre
CC : couche cache q : nombre de neurones de sortie
CS : couche de sortie r : nombre de couches caches
hk : nombre de neurones dans la couche cache numro k

Lquation reprsentative non linaire de la o
me
sortie (1 o q) dun perceptron
multicouche constitu dune couche dentre, de plusieurs couches caches et dune couche
de sorite est donne par :


O :
f
s
est la fonction dactivation du neurone de sortie, elle peut tre linaire ou non.
f
c
est celle dun neurone appartenant une couche cache, toujours non linaire.
X = (x
1
, x
2
,, x
p
)
T
est le vecteur dentre du rseau.

N
est la base dapprentissage et W est lensemble des paramtres du rseau (poids w
jk
et
seuil
j
).
w
jk
est le poids de la connexion reliant le k
m me e
neurone dune couche amont avec le j
m me e

neurone de la couche aval et
j
est le seuil propre au neurone j.
Le nombre de paramtres dun MLP est :
h
1
p + h
2
h
1
+ h
3
h
2
++ h
r
h
r-1
+ qh
r
+ h
1
+ h
2
+ h
3
++h
r
+q
Si le rseau est constitu dune seule couche cache (r =1) et si la fonction fs est linaire,
alors lexpression prcdente devient :


Le nombre de paramtre de ce rseau est h
1
(p+q+1)+q .

Jusqu' prsent, le problme qui reste le plus difficile est de trouver les nombres
optimaux de couches caches et de neurones dans chaque couche, ainsi que le bon choix des
valeurs initiales des poids de connexions du rseau.

La nature de la fonction sigmode et le manque dinformations ncessaires sur le choix du
point de dpart du MLP nous obligent initialiser les diffrents paramtres du rseau par des
petites valeurs gnres alatoirement et distribues uniformment dans un intervalle bien
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
43
( ) ( ) T X T X T X et avec
e X f
T
T X
T
= >
=

2
2
,
0
) (
2
2

( ) ( ) ' ' ' ' '


2
'
2
2
X X X o e n X X f
T
X
= =

(40)
(41)
dfini. Cette initialisation empche dune part les neurones cachs davoir des poids
identiques pendant lapprentissage et dautre part la saturation du rseau ; car si les poids de
connexions du rseau initial taient trs levs, les diffrents neurones du rseau se
satureraient, aprs quelques itrations dapprentissage et le rseau subirait un blocage dans un
minimum local ou dans une rgion aplatie de la surface derreur trs proche du point de dpart
du rseau.

ii. Rseau RBFNN

Un rseau RBFNN est une alternative au MLP. Il est compos dune seule couche cache
non linaire et dune couche de sortie linaire. La fonction dactivation souvent utilise dans
la couche cache est la fonction Gaussienne :






O X = (x
1
,x
2
,...,x
n
)
T
R
n
est le vecteur dentre du neurone cach et T = (t
1
,t
2
,,t
n
)
T
R
n

est le vecteur qui se reprsente le centre de la fonction dactivation de ce neurone.

iii. Rseau dondelettes WNN

Un rseau WNN est compos dune seule couche cache dont la fonction dactivation
utilise dans cette couche est une ondelette radiale et dune couche de sortie linaire.
Londelette radiale souvent utilise est le chapeau mexicain :




n est le nombre dentres du rseau et X=d(X-T) avec d le paramtre de dilatation de
londelette et T le vecteur de translation de londelette.

7. Mthodes dApprentissage

Parmi les proprits dun rseau neuronal, sa capacit apprendre de son environnement
et damliorer sa performance sont les plus intressantes. Nous parlons de phnomne
dapprentissage. Cette amlioration prend place avec le temps o les paramtres du rseau
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
44
( ) { } 0 ,..., 2 , 1 / , > = = N et N i R R Y X
q p
i i N

{ } 0 ,..., 2 , 1 / > = = N et N i R X
p
i N

(42)
(43)
subissent des modifications suivant des rgles appeles rgles dapprentissage, jusqu ce que
la sortie dsire soit peu prs obtenue. Mais afin de pouvoir gnrer lapprentissage du
rseau, il est ncessaire de crer une base de donnes dans un domaine bien dfini appele la
base dapprentissage et qui contiendra toutes les informations mmoriser dans le rseau. On
distingue en gnral deux modes dapprentissage :
lapprentissage supervis;
lapprentissage non supervis.

i. Apprentissage supervis

Dans ce type dapprentissage, le rseau sadapte par comparaison entre le rsultat quil a
calcul, en fonction des entres fournies, et la rponse attendue en sortie. Le rsultat de cette
comparaison, cest--dire de cette diffrence, est le signal derreur. Ainsi les paramtres du
rseau vont se modifier dune manire itrative en fonction du signal derreur dj calcul
jusqu ce que les sorties dsires soient peu prs obtenues. Dans ce cas, la base
dapprentissage
N
est donne par :

X
i
est le i
me
exemple dentre du rseau et Y
i
est la sortie dsire du rseau correspondant
au vecteur dentre X
i
. N tant le nombre total dexemples dans la base dapprentissage.

ii. Apprentissage non supervis

Dans ce type dapprentissage, on na pas besoin dune base des sorties dsires. Le rseau
volue tout seul jusqu obtenir la sortie souhaite. Le mode la base dapprentissage scrit :


8. Algorithmes dapprentissage

Comme dans ce mmoire nous avons seulement utilis le rseau neuronal multicouche de
type Feed - forward, alors nous abordons dans cette partie uniquement les algorithmes
dapprentissage [I] qui peuvent tre utiliss pour ce type de modle neuronal. Nanmoins,
nous prsentons dans le tableau suivant diffrents algorithmes dapprentissage utiliss dans
MATLAB.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
45
Algorithme Acronyme Nom de la fonction
Batch Training with Weight and Bias
Learning Rules
B trainb
BFGS Quasi-Newton Backpropagation BFG trainbfg
Bayesian Regularization BR trainbr
Cyclical Order Incremental Training C trainc
Powell -Beale Conjugate Gradient
Backpropagation
CGB traincgb
Fletcher-Powell Conjugate gradient
backpropagation
CGF traincgf
Polak-Ribiere conjugate gradient
backpropagation
CGP traincgp
Gradient descent backpropagation GD traingd
Gradient descent with momentum
backpropagation
GDM traingdm
Gradient descent with adaptive lr
backpropagation
GDA traingda
Gradient descent w/momentum and
adaptive lr backpropagation
GDX traingdx
Levenberg-Marquardt backpropagation LM trainlm
One step secant backpropagation OSS trainoss
Random order incremental training
w/learning
R trainr
Resilient backpropagation (Rprop) RP trainrp
Sequential order incremental training
w/learning
S trains

Scaled conjugate gradient
backpropagation
SCG
trainscg


Tableau 3 : Fonctions dentranement utilises dans MATLAB

Dans le dveloppement avec MATLAB, nous utiliserons la fonction traingdm puisque
correspondant lalgorithme que nous avons choisi.
Le momentum est le paramtre qui permet l'introduction de l'ancien poids dans le calcul
du nouveau. Il empche l'algorithme de rester bloqu dans un minimum local et il augmente
encore la vitesse de convergence. Sa valeur est toujours infrieure 1 (valeur typique 0,9).

i. Algorithme de la rtro-propagation du gradient non amliore
GBP (Gradient BackPropagation)

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
46

=
=
=
|
|

\
|
+ =

=

q i et h m alors CS couche la dans est i neurone le Si


h i et h m alors CCn couche la dans est i neurone le Si
h i et p m alors CC couche la dans est i neurone le Si
avec o w f o
r
n n
m
j
i j ij i i
1 : ,
1 : ,
1 : ,
1
1 1
1

k
i i
x o =
k
i i
y o =
( ) ( ) ( )
( ) ( )
0
1
1
i i i i i
j i
ij
k
ij ij ij
w et k k
o
w
E
k w k w k w
= + = +
=

= + =


( ) ( )
i i
k
i
k
i i
A f y s ' =
( ) ( )
k
i
k
i
k
i
k
i i
y y y s = 1
( )

=
l
l li i i i
w A f '
(44)
(45)
(46)
Soit un rseau neuronal multicouche de type Feed - forward form de p neurones en
entre, q neurones en sortie, r couches caches et h
n
neurones dans la couche cache numro
n. Les diffrentes tapes de lalgorithme sont les suivantes :
1. Initialiser tous les poids de connexions w
ij
et les seuils
ij
alatoirement par des petites
valeurs distribues uniformment dans un intervalle bien dfini. Lindice j reprsente un
neurone appartenant une couche amont et lindice i un neurone appartenant une
couche aval.
2. k = 1 (Numro de la couche cache)
3. Prsenter un vecteur dentre ( )
k
p
k k k
x x x X ,..., ,
2 1
= aux neurones de la couche d'entre et
un vecteur de sortie ( )
k
q
k k k
s s s S ,..., ,
2 1
= sur les neurones de la couche de sortie de
manire calculer l'erreur commise par le rseau.
4. Calculer les sorties de neurones de toutes les couches (couches caches et couche de
sortie) du rseau. La sortie d'un neurone i est donne par :







Si le neurone est dans la couche dentre :
Si le neurone est dans la couche de sortie :
Notons que la fonction de transfert f
i
est la fonction sigmode.
5. Modifier les poids de connexions w
ij
et les seuils
ij
:




O : - est le coefficient dapprentissage ou le gain dadaptation.
- i est lerreur locale (gradient).
si le neurone i est dans la couche de sortie.
Si fi est la fonction sigmode :
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
47

+ =
l
i li i
w A
( ) ( )
ij
k
ij ij
w
E
k w k w

= + 1
(47)
(48)

=
=
N
i
i
E MSE
1
2
1
(49)
(50)
si le neurone i est dans une couche cache. l reprsente les
neurones de la couche en aval auxquels le neurone i est connect.


O
i
est le seuil du neurone i et o
j
est la sortie du neurone j.
6. Calculer lerreur quadratique. ( )

=
=
q
i
k
i
k
i k
s y E
1
2
2
1

7. k = k+1, si k N revenir en (3). N tant le nombre dexemples dans la base
dapprentissage.
8. Calculer lerreur totale moyenne:

Si MSE arrter alors lapprentissage et sinon revenir en 2. jusqu la stabilisation du
rseau (avec >0 donn).

Les algorithmes de la rtro-propagation peuvent procder par lun des deux modes
prsents ci dessous :


(a) Gradient stochastique (Pattern Mode)

Dans ce mode, les paramtres du rseau sont modifis aprs la prsentation de chaque
exemple (X
i
,Y
i
) de la base dapprentissage. La convergence de cet algorithme est trs faible,
mais elle devient beaucoup plus rapide lorsquil y a des redondances dans la base
dapprentissage, car les paramtres du rseau sont mis jour bien plus souvent. Dans ce
mode, la rgle dapprentissage de GBP non amliore peut scrire :


O k est une itration (une itration est lunit dapprentissage o un seul exemple de la
base dapprentissage est prsent au rseau neuronal).

(b) Gradient total (Batch Mode)

Dans ce mode, les paramtres du rseau sont modifis aprs la prsentation de tous les
exemples (Xi, Yi), qui constitue une poque. Les gradients derreur, obtenus aprs la
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
48
( ) ( )

=
|
|

\
|

= +
N
l ij
k
ij ij
l
w
E
k w k w
1
1
( ) ( ) ( ) ( ) ( ) ( )
5 , 0 0 1 5 , 0
1 1

+ = + =


et
k w k w o k w k w k w
ij ij j i ij ij ij
(51)
(52)
prsentation de chaque exemple de la base dapprentissage, sont mmoriss progressivement
et leur somme totale sera utilise pour modifier les paramtres. Alors, cet algorithme a des
fortes chances de converger vers un minimum local, mais sa vitesse de convergence est faible.
La rgle dapprentissage de GBP non amliore peut scrire :



O k joue est une poque et N tant le nombre total dexemples dans la base dapprentissage.

ii. Rtro propagation du gradient avec momentum

Dans la GBP, le coefficient dapprentissage dtermine la vitesse de convergence de
lalgorithme. Avec un coefficient trop petit, le rseau de neurones apprend trs lentement et
avec un coefficient d'apprentissage trop grand, on a un apprentissage trs rapide mais au prix
de la cration doscillations dans lerreur totale moyenne qui empchent lalgorithme de
converger vers le minimum dsir. Le rseau devient instable. Dans la plupart des cas, si la
fonction derreur possde plusieurs minima locaux le rseau subira un blocage dans lun
deux ou dans une rgion o la surface derreur est aplatie. Pour cela, les chercheurs ont
introduit un terme, momentum , dans la rgle dapprentissage de GBP, la rgle devient :




iii. Algorithme de la rtro propagation du gradient
convergence acclre par ladaptation du coefficient
dapprentissage

Dans la partie prcdente, nous avons vu limportance du coefficient dapprentissage qui
dtermine la vitesse de convergence de lalgorithme dapprentissage GBP. La vitesse de
convergence peut tre amliore en associant chaque poids du rseau ( chaque connexion)
un coefficient dapprentissage diffrent et en modifiant ce coefficient pendant lapprentissage.
Cette technique sappelle la rtro propagation du gradient convergence acclre par
ladaptation du coefficient dapprentissage.

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
49
( ) ( ) ( ) ( ) ( ) ( )( )
k k
T
k k
T
k k
W W W E W W W E W W W E W E + +
2
2
1
( ) [ ] ( )
k k k k k
W E W E W W =

+
1
2
1

(53)
(54)
iv. Algorithme du gradient conjugu CG

Cet algorithme joue le rle dun intermdiaire entre le GBP classique et la mthode de
Newton. Dans cet algorithme, chaque itration dapprentissage on modifie le coefficient
dapprentissage et le momentum. Cette mthode est trs intressante dune part parce quelle
ncessite le stockage de trs peu dinformation et dautre part par sa vitesse de convergence
trs suprieure celle des algorithmes de gradient classiques.

v. Mthode de Newton

Lide de la mthode de Newton consiste remplacer la fonction derreur E(W)
minimiser, au voisinage du point courant W
k
, par son approximation quadratique. Ce qui nous
conduit dvelopper cette fonction en srie de TAYLOR autour de W
k
:



vi. Mthodes quasi-newtoniennes

Le principe des mthodes quasi-newtoniennes consiste essentiellement en une
gnralisation de la formule itrative de Newton :

9. Choix dun rseau de neurones
Il existe un grand nombre de types de rseaux de neurones, avec pour chacun des
avantages et des inconvnients. Le choix dun rseau peut dpendre :
de la tche effectuer (classification, association, contrle de processus, sparation
aveugle de sources...) ;
de la nature des donnes (dans notre cas, des donnes prsentant des variations au cours
du temps) ;
dventuelles contraintes dutilisation temps rel (certains types de rseaux de
neurones, tels que la 'machine de Boltzmann' ncessitant des tirages alatoires et un
nombre de cycles de calculs indfini avant stabilisation du rsultat en sortie, prsentent
plus de contraintes que dautres rseaux pour une utilisation temps- rel).

Ce choix est aussi fonction de la matrise ou de la connaissance que lon a de certains
rseaux, ou encore du temps dont on dispose pour tester une architecture prtendue plus
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
50
performante. En labsence de relations qui nous aident crer un rseau optimal, nous avons
test les paramtres (nombre des couches caches, nombre de neurones dans chaque couche,
) convenables afin que notre rseau ait une performance acceptable.

Une raison de plus pour choisir les rseaux multicouches est son utilisation de la mthode
de la rtro propagation de gradient comme mthode dapprentissage. Notre rseau peut
alors, sans difficult, effectuer des fonctions de classification. Il est en effet intressant de
connatre priori les familles de fonctions auxquelles vont appartenir les surfaces de dcision.
Plusieurs rsultats montrent par exemple quun rseau de neurones artificiels multicouche
peut approximer avec une prcision arbitraire nimporte quelle transformation continue dun
espace dimension finie vers un autre espace dimension finie, sil possde suffisamment de
neurones formels cachs.

En ce sens, on dit quil est un approximateur universel. Certains rsultats montrent mme
qu lexception de cas extrmes, une seule couche cache est suffisante. Nous ne pouvons
pas concevoir thoriquement larchitecture dun rseau de neurones: il faut se baser sur la
mthode empirique classique. Pour cette raison, notre modle nest pas du tout unique, et nous
avons essay plusieurs modles (augmentation des neurones, des couches) dont la majorit
donne des rsultats acceptables. A noter que plus larchitecture du rseau augmente, cest--
dire plus le nombre de couches et de neurones augmente, plus le rseau contiendra de
connexions, ce qui implique un apprentissage et un traitement de plus en plus lent.

10. Base dapprentissage et mise en forme des donnes pour
notre rseau de neurones
L'apprentissage de rseau se fera par un modle d'apprentissage parallle. Afin de
pouvoir gnrer l'apprentissage du rseau, il est ncessaire de crer une base d'apprentissage.
Comme l'apprentissage est supervis, cette base doit contenir la fois l'entre du rseau et la
sortie souhaite. La sortie ici reprsente les poids affecter aux lments du rseau obtenus
grce la mthode analytique. Lorsque la phase d'apprentissage est termine, on procde de la
manire suivante :
1. Test du rseau.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
51
2. Si le test fournit de bons rsultats, alors le rseau sera prt calculer la sortie
correspondant une entre donne. Si non, il faut rgler les paramtres du systme, pour
augmenter les performances du rseau, et rpter la phase prcdente.

De manire gnrale, les bases de donnes doivent subir une phase de prtraitement
(Preprocessing) et une phase de post-traitement (Postprocessing) afin dtre adaptes aux
entres et aux sorties du rseau de neurones et de rendre la formation de rseau neurologique
plus efficace. Le prtraitement et le post-traitement configurent les interfaces de rseau pour
excuter les fonctions particulires.


Le prtraitement des donnes

Un prtraitement courant consiste liminer les discontinuits artificielles dans lespace
de fonction dentre et de ramener les entres de problme un ensemble dinformation
appropri. Ensuite il faut faire une normalisation approprie, qui tienne compte de lamplitude
des valeurs acceptes par le rseau.
Dans notre tude, le prtraitement des donnes est une tape importante car elle permet
de slectionner, dans lespace de reprsentation linformation ncessaire lapplication. Cette
slection passe par la sectorisation de lespace, ainsi que par llimination de la discontinuit
des sorties dsires en passant par la normalisation des donnes.

Prenons par exemple le cas dun rseau linaire, nous divisons l'espace en 17 secteurs,
rpt chaque 10 dans l'intervalle de -90 degrs +90 degrs. Des secteurs plus prcis de
division d'espace peuvent tre atteints en augmentant le nombre dlments de rseau. Le
vecteur d'entre au rseau de neurones est mis sous forme de code de 17 valeurs (une valeur
pour chaque secteur). Cette tape a l'avantage de diminuer considrablement la discontinuit
dans lespace et d'augmenter la rapidit de convergence.
Nous pouvons prsenter un exemple de discrtisation faite sur lespace considr.






ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
52
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
-85 -75 -65 -55 -45 -35 -25 -15 -5 5 15 25 35 45 55 65 75 85
0 0 +1 0 0 0 0 0 +1 0 0 +1 0 0 0 0 0



Si nous voulons 3 lobes principaux pour les angles -60, 0 et 30 nous considrerons les
secteurs 3,9 et 12 cest dire nous aurons comme valeurs dentre (aprs lapprentissage)



Fichier d'apprentissage

Le fichier d'apprentissage comprend deux catgories de paramtres: les paramtres
d'entre qui constituent les variables optimiser et les paramtres de sortie qui correspondent
aux rsultats dsirs. Dans chaque fichier, le nombre d'chantillons sur lequel l'apprentissage
doit s'effectuer est fourni ainsi que le nombre de neurones d'entre et de sortie. Ce nombre
d'chantillons dpend de la nature du problme traiter. Plus le rsultat est sensible aux
volutions des paramtres d'entre, plus la discrtisation des plages de variation est fine. Ainsi
il est prfrable de connatre le ou les paramtres optimiser responsables des plus
importantes variations sur le rsultat dsir. A noter, que l'augmentation des chantillons
d'apprentissage n'est pas toujours nfaste puisqu'il permet une meilleure connaissance du
problme, mais la phase d'apprentissage est plus coteuse en temps de calcul.

D. Logiciels

Les logiciels que nous avons eu utiliser pour mettre en uvre lapplication qui nous
permettra de faire notre tude sont renferms dans le tableau ci dessous :







ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
53
Noms Brve description Gratuit


MATLAB 7.0
Permet de faire des calculs numriques
complexes particulirement utiles dans le
domaine de lingnierie ;
Contient une boite outils pour les rseaux de
neurones


Produit avec une licence





Tableau 4 : Logiciels utiliss

III. Rsultats et commentaires
A. Organigramme de fonctionnement

Comme nous lavons relev dans la problmatique, notre objectif est de raliser une
tude de caractrisation des antennes intelligentes laide des rseaux de neurones.
Larchitecture de lapplication qui nous permettra de parvenir nos fins sillustre comme
il suit :

















ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES



MASTER RECHERCHE EN
Figure

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES

MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATION
ENSP 2009
Figure 23 : Organigramme de fonctionnement
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
TELECOMMUNICATIONS
54

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
55




B. Description

Notre tude se fera au travers dun outil qui est un GUI dvelopp sous MATLAB. Il
commence par une page de garde (figure 24) partir de laquelle nous pouvons accder
linterface principale.







Figure 24 : Page de garde


Linterface principale (figure 25) permet de pouvoir :
faire des simulations pour le type dantenne slectionn.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
56



Figure 25: Interface principale

vii. Interfaces proposes

Ici seffectue les simulations des antennes selon deux mthodes ainsi quune comparaison
entre ces dernires. Le type dantenne rseau est choisi au pralable (figure 26).
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
57


Figure 26 : Page pour la slection des types dantenne

(a) Mthode analytique

Avec la mthode analytique, nous dterminons les poids des lments du rseau et
traons le diagramme de rayonnement correspondant. C est qui nous sert de fonction de
rfrence pour le rseau de neurones. Elle servira donc aussi de validation des rsultats
obtenus.
(b) Mthode des rseaux de neurones

Avec cette mthode, nous appliquons une discrtisation de lespace et une normalisation
des donnes dentre (afin dviter les discontinuits) du rseau.
En nous basant sur la thse [I], plusieurs tests ont t effectus pour diffrentes
configurations de rseau. Nous avons test plusieurs configurations afin davoir une meilleure
convergence possible. Les rseaux obtenus, ne sont pas uniques.
Nous avons construit trois fichiers de donnes correspondant notre tude. Chaque
fichier contient des 0, des +1 et des -1. La prsence dun +1 indique un lobe principal dans le
secteur. 0 ne reprsente rien de particulier. -1 reprsente un interfrent liminer.

ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
58
Les valeurs des pondrations sont choisies d'une faon bien dtermine pour tenir compte
des diffrentes possibilits de formage des lobes. Les reprsentations suivantes matrialisent
les fichiers prcdents.

Rseau linaire
Obtention dun lobe principal
Nous avons choisi pour la phase dentranement du rseau le coefficient dapprentissage
0,06, le momentum 0,7, le seuil de tolrance 0,001 et le nombre ditration maximale 6000
et le type rseau de neurones est le perceptron multicouche. Lvolution de la fonction
derreur pendant la phase dapprentissage est donne par la courbe suivante.



Figure 27 : Evolution de la fonction derreur pendant la phase dapprentissage

Cette phase nous donne aussi la courbe suivante. Cette dernire permet aussi de juger si
lapprentissage a t concluant ou pas. Comme lillustre la figure prcdente, nous avons mis
en uvre lors de lapprentissage, le principe de validation croise. Il sagit de diviser
lensemble des chantillons dapprentissage en 3 sous ensembles : entrainement-validation
test. Il est donc possible de calculer l'erreur de gnralisation avec l'ensemble de test en plus
de lerreur dapprentissage donne par lensemble entrainement. La validation permet
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
59
darrter lalgorithme dapprentissage avant le sur-apprentissage (Apprentissage "par cur" :
le modle ne "connat" que les points utiliss pour l'apprentissage et fait n'importe quoi
ailleurs). Ce principe a t appliqu dans les 3 types de rseau dlments.


Figure 27 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et
mthode des rseaux de neurones) pour un lobe principal

En observant les deux courbes obtenues (en bleu et en rouge) sur la figure prcdente,
nous remarquons quelques diffrences de valeurs sur les lobes secondaires. Le lobe principal
est satisfaisant. Donc pour nous, le rseau a bien appris.

Obtention de deux lobes principaux
En utilisant les mmes paramtres que prcdemment, nous obtenons les courbes des deux
mthodes sur la figure suivante.
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
60


Figure 28 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et
mthode des rseaux de neurones) pour deux lobes principaux
Ces rsultats sont on ne peut plus satisfaisant.
Nous pouvons galement visualiser les rseaux de type circulaire et planaire. La figure
ci-dessous prsente le cas dun rseau circulaire :


Figure 29 : Diagrammes obtenus aprs lapprentissage du rseau (mthode analytique et
mthode des rseaux de neurones) pour deux lobes principaux cas dun rseau circulaire : (a)
reprsentation en polaire (b) reprsentation en projet

(c) Comparaison entre les mthodes
(a) (b)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
61
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F

(
d
B
)
- 40
Analytiquement
Thse
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F

(
d
B
)
- 05
Analytiquement
Thse

Nous pouvons remarquer tout dabord, daprs les figures prcdentes, que pour les deux
mthodes, nous avons des rsultats satisfaisants ; cest dire que les diagrammes de
rayonnement obtenus respectent, quelques erreurs prs, les consignes (angles des lobes
principaux et/ou des interfrences) imposes au dpart.

Nous remarquons ainsi une trs grande rapidit que nous offre la mthode des rseaux
de neurones par rapport la mthode analytique (pour un grand nombre de combinaison).

Daprs la dernire observation, nous pouvons affirmer quil est plus judicieux dutiliser
les rseaux de neurones pour la modlisation des antennes intelligentes utilises en
radiocommunication car ils permettent de simuler le comportement adaptatif de ces antennes
quasiment en temps rel.
C. Validation des rsultats


1. La mthode analytique

Cette validation a t faite par lIngnieur Mandeng dans son travail. Elle Comparait ses
rsultats ceux obtenus dans la thse [I].
Plusieurs configurations on t testes parmi lesquelles :

i. un lobe principal















Figure 30 : Diagrammes de rayonnement dun lobe directif -40 et -5 [III]
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
62
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F

(
d
B
)
lobe principal -50et zro -10
Analytiquement
Thse
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F

(
d
B
)
lobe principal 10et zro 30
Analytiquement
Thse
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F

(
d
B
)
lobe principal -40et zro 50
Analytiquement
Thse

ii. un lobe principal et un zro
































Figure 31 : Diagrammes de rayonnement dun lobe directif et dun zro[III]


iii. Deux et trois lobes principaux





ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
63






































Figure 32 : Diagrammes de rayonnement de deux et trois lobes directifs[III]


2. La mthode des rseaux de neurones
La mthode des rseaux de neurones a t valide dabord par rapport la mthode
analytique, ensuite par rapport une antenne relle ralise dans la thse [I].
2.1 Validation par rapport la mthode analytique
- 80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
- 5
0
theta ()
A
F
(
d
B
)
lobes pr inci paux :- 20 ; 40
Analytiquement
Thse
-80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
-5
0
theta ()
A
F
(
d
B
)
lobes princi paux :- 60 ; 50
Analytiquement
Thse
- 80 -60 -40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
- 5
0
theta ()
A
F
(
d
B
)
lobes principaux :- 60; 10; 50
Analytiquement
Thse
- 80 -60 - 40 -20 0 20 40 60 80
-40
-35
-30
-25
-20
-15
-10
- 5
0
theta ()
A
F

(
d
B
)
lobes principaux :- 30; 2; 22
Analytiquement
Thse
(-20 ; 40) (-60 ; 50)
(-60 ; 10 ; 50) (-30 ; 2 ; 22)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
64
Plusieurs configurations on t testes parmi lesquelles un (30), deux (-30 ; 30) et trois
(-50 ; -20 ; 40) lobes principaux, un (-20) lobe principal et un (10) zro pour le rseau
linaire ; un (=50, =100) lobe principal pour le rseau circulaire. Elles sont illustres sur
la figure suivante :





Figure 33 : Diagrammes de rayonnement de pour le rseau linaire (a) un lobe, (b) deux
lobes, (c) trois lobes principaux, (d) un lobe et un zro et pour le rseau circulaire (e) un
lobe
(a) (b)
(c) (d)
(e)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
65

2.2 Validation par rapport lantenne linaire ralise dans la thse [I]
Ici, il est question de comparer nos rsultats ceux obtenus dans la thse [I], lors de la
ralisation dune antenne linaire 8 lments espacs de h=0.5145. Dans cette thse, nous
retrouvons juste des images donnant les courbes avec repres des diffrentes mesures
effectues. Nous avons ralis un script MATLAB pour le traitement de ces images afin
dobtenir les donnes de ces mesures. Ce script ouvre une image quon aura prise au pralable
de la thse [I], puis produit deux images contenant chacune des courbes prsentes dans la
premire image, puis nous effectuons une binairisation des deux images obtenues ; partir
des images binaires, nous rcuprons les points des donnes et nous les transformons dans le
repre initial des courbes. La figure suivante prsente les diffrentes figures obtenues
chaque tape :

Figure 34 : Obtention des donnes de validation partir des images dans la thse [I]

Ds lors que nous avons obtenus ces donnes, la validation peut tre effectue. Plusieurs
configurations ont t testes ; 2 lobes principaux (-30 et 30 ; -50 et -20), 3 lobes
principaux (-30,-10 et 30), 1 lobe et 1 zro (-10 et 10 ;-20 et 30). La figure ci-dessous
prsente ces rsultats :




ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
66





Figure 35 : Validation pour le rseau linaire (a) deux lobes, (b) deux lobes, (c) trois lobes
principaux, (d) un lobe et un zro (e) un lobe et un zro
(a)
(b)
(c)
(d)
(e)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
67

Nos rsultats sont donc en concordance avec les mesures effectues sur une antenne rseau,
ralise dans la thse [I].

3.3 tude comparative des diffrents types de rseau de neurones
De ltude faite, nous avons constat que le rseau RBF tait le plus appropri pour
lapproximation du facteur de rseau. Les rsultats quil fournit sont plus proches de la courbe
analytique par rapport aux rsultats des autres types de rseaux. Ceci est d au fait que le
facteur de rseau est constitu principalement de lobes et ces derniers sont similaires des
gaussiennes dune part et dautre part grce aux fonctions de transfert du rseau RBF qui
sont des gaussiennes. La figure ci-dessous prsente les rsultats obtenus pour la simulation
dun lobe (10) partir des 3 types de rseau de neurones :




Figure 36 : Etude comparative des diffrents types de rseaux de neurones (a)MLP (b) RBF
(c) WNN
(a) (b)
(c)
ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
68



Conclusion - Perspectives

Il ressort que lun des problmes majeurs dans les systmes de radiocommunication actuels
est la croissance sans cesse du nombre dutilisateurs. Il est question pour nous dinciter les
oprateurs de tlphonie mobile migrer des antennes classiques vers les antennes
intelligentes ; migration couple de lutilisation des rseaux de neurones. Nous avons donc
dvelopp une autre approche base sur les rseaux de neurones Artificiels. Cette technique
est caractrise par son efficacit et sa performance au niveau de la vitesse de convergence.
Le logiciel mis au point a permis de tester et de comparer les mthodes analytique et
neuronale. Le temps de calcul de la mthode analytique est de l'ordre de quelques secondes,
ce qui la rend inadapte pour des applications qui ncessitent une rponse trs rapide comme
le secteur des tlcommunications o la plupart des applications sont en temps rel .La base
d'apprentissage a t labore partir de la mthode de synthse analytique. Les simulations
ont t effectues sur plusieurs configurations des lobes afin de prouver l'efficacit de notre
approche. Les rsultats obtenus montrent une bonne concordance entre la mthode analytique
et la mthode des rseaux de neurones .Enfin une validation pratique de nos outils de synthse
fonctionnant seulement avec les pondrations des phases pour la formation des lobes et
l'annulation d'interfrents a t prsente et a montr l'efficacit et la performance des
mthodes dveloppes. Plusieurs perspectives sont offertes par ce travail :
la ralisation dune antenne intelligente proprement dite afin de comparer les
diagrammes mesurs et ceux calculs ;
Lutilisation des algorithmes dapprentissages rapides et optimiss.
La possibilit de ralisation d'un circuit neuronal ("neural chips"), intgrant les
fonctionnalits de calcul d'un rseau dantennes.




ANALYSE PAR RESEAU DE NEURONES EN VUE DE LA CARACTERISATION DES ANTENNES
INTELLIGENTES





MEFENZA N. MICHAEL
MASTER RECHERCHE EN GENIE DES TELECOMMUNICATIONS
ENSP 2009
69



Bibliographie

[I] Najib FADLALLAH, 2005, Contribution loptimisation de la synthse du lobe de
rayonnement pour une antenne intelligente. Application la conception de
rseaux dphasage, 208 p, universit de Limoges, thse de doctorat.
[II] Dr. Khelifa Hettak et Dr. Gilles Y. Delisle, 1999, Conception et ralisation
des antennes intelligentes , 6 p, Oxford University, rapport dactivit
[III] Mandeng Suzanne,2007, Modlisation par la mthode des rseaux de neurones
des antennes intelligentes utilises en radiocommunication ,84 p, ENSP ,
mmoire dingnieur.
[IV] S. Wang, 1989, Rseaux de neurones artificiels ,Universit de Gronoble, thse
de doctorat
[V] E. Davalo et P. Naim, 1990, Les rseaux de neurones , Eyrolles

Vous aimerez peut-être aussi