CHAPITRE 4

EGALISATION

Un égaliseur est un dispositif de réception permettant une meilleure détection en

présence d’interférence entre symboles.

Nous commençons au premier paragraphe par un rappel de notions élémentaires et par

l’introduction des notations. Nous présentons ensuite les deux techniques d’égalisation linéaire
ZF et MSE. L’égaliseur sera essentiellement conçu à l’aide d’un filtre transversal. En général, ce
filtre est de longueur infinie. Une version à nombre fini de coefficients sera étudiée pour les 2
types d’égaliseur. Les techniques d’égalisation linéaire sont inopérantes face à un canal « non
sympathique » comme le canal radio mobile. Des méthodes d’égalisation non linéaire (le ZF-
DFE et le MSE-DFE) plus performantes que le ZF et le MSE sont présentées au paragraphe 3.

Le document se termine par la simulation d’un canal à trois coefficients.

1. MODELE DU SYSTEME DE TRANSMISSION

Le schéma de la figure 4.1. représente le modèle équivalent d’une chaîne de

communication en bande de base.

Figure 4.1.

Les symboles dk sont équiprobables et indépendants. Le bruit n(t) est un bruit blanc,
gaussien, centrée, de densité spectrale de puissance 2N0. Le filtre de réception optimal h*(-t) est

60
un filtre adapté à h(t). La sortie du filtre adapté est échantillonnée à un rythme T. Le signal
échantillonné, appelé résumé exhaustif, est donné par :

+L
rk = ∑
n =− L
pndk-n + wk (4.1)

pn étant la suite des échantillons du filtre p(t) équivalent à toute la chaîne de

communication. Ce filtre p(t) ne satisfait par la condition de Nyquist, d’où interférences entre 2L
symboles. L étant un entier naturel qui est égal à + ∞ dans le cas d’une réponse impulsionnelle
p(t) à durée infinie.

wk est la suite des échantillons d’un bruit gaussien centré, corrélé, ayant une fonction
d’autocorrélation donnée par :
*
Rw(k) = E(wn.w n-k) = 2N0pk (4.2)

On déduit de la relation (4.1) le modèle discret équivalent de la chaîne de communication

en bande de base :

Figure 4.2.

L
où : H(Z) = ∑
n =0
hn Z
-n
(4.3)

 1  L
H *  *  = ∑ h *n Z n (4.4)
 Z  n =0

 1  +L
P ( Z ) = H(Z) H *  *  = ∑ p n Z − n (4.5)
 Z  n =-L

2. EGALISATION LINEAIRE

L’égalisation linéaire du canal de transmission s’effectue à l’aide d’un filtre transversal. Le

modèle général de l’égaliseur linéaire est donné figure 4.3. L’entrée de l’égaliseur est constituée

61
par les échantillons rk provenant de la sortie du canal discret équivalent représenté à la figure
4.2. La sortie de l’égaliseur linéaire est une séquence yk estimant la séquence des symboles dk.

L’égaliseur C(Z) s’écrit :

+∞
C(Z) = ∑
n = −∞
cn Z
-n
(4.6)

Figure 4.3.

Un détecteur à seuils quantifie les échantillons yk pour retrouver les symboles d̂ k . En

absence de toute erreur, on doit avoir d̂ k = dk . Nous définissons le signal d’erreur continu
εk = yk – dk . Le détecteur à seuils commet une erreur à chaque fois que εk est relativement
grande, forçant ainsi yk à quitter la région de décision associées à dk .

Le schéma de la figure 4.4. représente le modèle équivalent en bande de base de la

chaîne de communication Numérique utilisant un égaliseur linéaire :

Figure 4.4.

L’égaliseur C(Z) peut être divisé en 2 blocs, le premier effectuant un blanchissement du

bruit (voir figure 4.5).

62
 Figure 4.5.

Le modèle de la figure 4.5. peut être simplifié pour obtenir le modèle équivalent en bande
de base donnée figure 4.6.

Figure 4.6.

Cette structure se justifie par le fait que dans un système de communication comportant
un égaliseur, le filtre adapté peut être supprimé et remplacer par l’égaliseur.

Donc, on pourra modéliser la chaîne soit par le schéma de la figure 4.4. soit par celui de
la figure 4.6.

C’est celui de la figure 4.4. qui sera adopté et on laissera au lecteur le soin de reprendre
les calculs effectués ultérieurement avec la structure donnée figure 4.6.

Le critère d’optimisation le plus logique en communications numériques est celui de la

minimisation de la probabilité d’erreur entre les symboles détectés et les symboles émis.
Malheureusement, la probabilité d’erreur est une fonction non linéaire des coefficients (cn ou c’n)
de l’égaliseur. Minimiser cette probabilité en optimisant les coefficients de l’égaliseur est un
problème très difficile à résoudre. Pour contourner cette difficulté, nous allons appliquer deux
autres critères qui s’avèrent plus facile à manier que celui de la minimisation de la probabilité
d’erreur.

Le premier critère d’optimisation consiste à minimiser la distorsion maximale Dmax due au

canal de transmission. D’où la première famille d’égaliseurs linéaires appelée égaliseurs forçage
à zéro (ZF) présentée au paragraphe 2.1.

Le deuxième critère n’est autre que le critère classique de minimisation de l’erreur

quadratique moyenne E[εk ]. Ce dernier donne naissance aux égaliseurs MSE décrits au
2

paragraphe 2.2.

63
Remarque

Les performances de l’égaliseur, s’améliorent parfois en introduisant un retard k0 à la

décision. A la réception de l’échantillon yk le détecteur à seuils effectuera une décision sur le
symbole d k − k 0 . Cette sortie sera notée d̂ k − k 0 .

2.1. Egaliseur linéaire forçage à zéro (ZF-LE)

2.2.1. Egaliseur ZF infini

Utilisons le schéma de la figure 4.4. pour modéliser la chaîne de communication en

bande de base.

 +∞ 
 C ( Z ) = ∑ c n Z − n 
 n = −∞ 

La transformée en Z de l’observation rk est donnée par :

R(Z) = P(Z) D(Z) + W(Z) (4.7)

D(Z) étant la transformée en Z de la suite des symboles dk .

La sortie de l’égaliseur est donnée par :

Y(Z) = P(Z) C(Z) R(Z) + C(Z).W(Z) (4.8)

Pour éliminer l’I.E.S. il suffit d’utiliser un égaliseur dont la fonction de transfert est égale
à:

1
C( Z) = (4.9)
P(Z)

On obtient alors :

Y(Z) = D(Z) + V(Z) (4.10)

où : V(Z) = C(Z).W(Z)

⇒ yk = dk + vk (4.11)

La suite yk est dégagée d’I.E.S., mais perturbée par un bruit vk gaussien, centré, corrélé et
amplifié par l’égaliseur.

La densité spectrale de puissance Sv(Z), obtenue en utilisant la formule de filtrage des

processus aléatoires discrets est donnée par :

 1 
S v ( Z ) = C(Z).C *  *  S w ( Z )
Z 

1 1
S v (Z ) = . . S w (Z )
P(Z)  1 
P*  * 
Z 

Or : Rw(k) = 2N0pk ⇒ Sw(Z) = 2N0P(Z)

64
 2N 0
⇒ S v ( Z) =
 1 
P*  * 
Z 
 1 
*
En supposant que pk = p -k, c’est à dire P *  *  = P(Z) , on obtient :
Z 

2N 0
S v ( Z) = (4.12)
P( Z)

La puissance du bruit vk est alors égale à :

Rv (0) = E Vk[ 2
]= 2N 0
1
2πj
∫
1
Γ R(Z) Z
dZ
(4.13)

j2πfT
Cette puissance peut être encore calculer à partir de la réponse en fréquence P(e ):

1
2T
2N 0
R v (0) = T ∫ 1 P(e j2 πfT )
df (4.14)
-
2T

La puissance de bruit étant calculée, on peut alors déterminer la probabilité d’erreur après
égalisation à l’aide de la relation suivante :

d 
P(ε) = NQ min  (4.15)
 2σ 

σ étant la variance de la partie réelle du bruit vk .

2

(
σ 2 = E Ré(v k )
2
)= E(I m (v k )
2
)= 12 R v (0) (4.16)

Exemple : MAQ-4

ak et bk ∈ {±1} . On obtient N = 1 et dmin = 2.

1  1 
⇒ P(ε) = Q  = Q 
2 
σ  σ 

 2E b   1
P(ε) = Q  Eb = 
 σ2   2
 

 2E b 
P(ε) = Q . Deg 
 N 
 0 

1 1 1 dZ
où : = ∫
Deg 2πj Γ P(Z) Z

65
2.1.2. Egaliseur ZF fini

 +N 
L’égaliseur possède 2N+1 coefficients, où N est un entier positif fini  C ( Z ) = ∑ c n Z − n  .
 n=− N 
Le nombre des degrés de liberté est inférieur à celui du paragraphe précédent où le
nombre des coefficients était infini. Naturellement, il faut s’attendre à des performances moins
bonnes. En effet l’égaliseur ZF fini n’est pas capable (voir ci-dessous) d’éliminer complètement
la distorsion du canal de transmission ou l’interférence entre symboles.

La distorsion maximale est donnée par :

∑ Re(q i ) + ∑ I m (qi )
i ,i ≠ 0
Dmax = ( M - 1)
i
(4.17)
Re(q 0 )

Elle se calcule à partir des échantillons qk de la réponse impulsionnelle globale q(t). Avec
le modèle du canal discret équivalent P(Z) suivi de l’égaliseur C(Z), on a
Q(Z) = P(Z).C(Z) (voir figure 4.7.)

Figure 4.7.

D’où l’on tire :

+N
qi = ∑ c j p i- j (4.18)
j= -N

+L
Notons que cj = 0 si j > N et que pi = 0 si i ∉ [-L , +L] car P( Z ) = ∑ p k Z −k .
K = -L

Sans grande difficulté, nous déduisons que les échantillons qi sont nuls lorsque i > L+N
ou i < -L-N. Par suite la distorsion maximale provient uniquement des échantillons compris dans
l’intervalle [-L-N , L+N] :

L+ N L+ N
∑ Re(q i ) + ∑ I m (qi )
i =− L− N i = -L- N
i ≠0
Dmax = ( M - 1) (4.19)
Re(q 0 )

Voyons maintenant comment choisir les coefficients cj de l’égaliseur, j = -N , … , +N, de

façon à minimiser (sans pouvoir l’annuler bien sûr) la distorsion maximale.

Le problème est que Dmax = f(c-N , … c0 , … cN) est une fonction convexe qui admet donc
un seul minimum global. Le calcul de ce minimum est en général très difficile. La solution de ce
problème de minimisation est connue dans le seul cas où Dmax < 1, c’est à dire lorsque

66
l’interférence entre symboles n’est pas trop forte et l’œil est encore ouvert. Dans ce dernier cas,
l’égaliseur optimal s’énonce de la façon suivante :

Lorsque Dmax < 1, l’égaliseur optimal est celui qui annule les échantillons qi de la réponse
impulsionnelle globale de même ordre i = -N,…, +N que ses coefficients sauf l’échantillon q0 = 1.

L’égaliseur ZF fini mérite son appellation ‘’forçage à zéro’’ puisqu’il force à zéro une
grande partie des échantillons de la réponse globale. L’interférence entre symboles résiduelles
reste le résultat des échantillons qi où i = -L-N, … , N-1 et i = N+1 , … , L+N.

Les coefficients de l’égaliseur s’obtiennent par la résolution du système linéaire qi = δoi

pour i ∈ [-N, +N]. Sachant que Q(Z) = P(Z) C(Z), le système linéaire ci-dessous permet de
déterminer les coefficients de l’égaliseur C(Z) :

+N
∑ c j p i − j = δ oi i = - N , ... , + N (4.20)
j =− N

La puissance du bruit après égalisation se déduit de la densité spectrale de puissance

comme au paragraphe 2.11.

 1   1 
S v ( Z) = C(Z) C *  *  S w ( Z) = 2N 0 C( Z) C *  *  P(Z)
Z  Z 
1
1 dZ 2T
j 2 πfT 2
Rv (0) = ∫ S v (Z ) =T ∫ 2N 0 | C (e ) | P(e j2 πfT )df (4.21)
2jπ Γ Z 1
-
2T

2.2. Egaliseur linéaire minimisant l’erreur quadratique moyenne : (MSE-LE)

2.2.1. Egaliseur MSE infini

On rappelle que le modèle discret équivalent de la chaîne de communication en bande de

base utilisant un égaliseur linéaire est donné figure 4.4. Ce modèle se simplifie pour obtenir celui
de la figure 4.7. où :

- Q(Z) = P(Z) C(Z).

- vk est le bruit wk filtré par C(Z).

+∞
- yk = ∑ qndk + vk
n = -∞

yk peut être divisé en 2 termes :

yk = q0dk + ‘’bruit’’ (4.22)

où le terme ‘’bruit’’ représente l’I.E.S. et le bruit vk gaussien corrélé.

+∞
" bruit" = ∑ q n d k −n + v k (4.23)
n = -∞
n≠0

+∞
Nous cherchons l’égaliseur C ( Z ) = ∑ c n z − n qui minimise l’erreur quadratique moyenne
n = -∞
(minimum mean square error) définie par :

EQM = E[εk ] = E[yk - dk ]

2 2
(4.24)

67
 Plaçons-nous dans l’espace des variables aléatoires à variance finie, et définissons le
produit scalaire suivant :
*
<X,Y> = E[X.Y ] (4.25)

2
⇒
2
<X,Y> = E[X ] = x

εk
2
⇒ EQM = (4.26)

εk .
2
Minimiser donc l’EQM revient à minimiser

Nous allons faire une représentation géométrique pour mieux comprendre la situation :

Figure 4.8.

Chaque échantillon est représenté par un vecteur. L’espace engendré par les échantillons
vk est modélisé par un plan V.

L’estimé yk appartient à ce plan puisqu’il est une combinaison linéaire de ces derniers.

Le symbole émis dk est en général dans l’espace et n’appartient pas nécessairement au

plan V.

Le vecteur d’erreur εk relie l’extrémité de yk à celle de dk . Les vecteurs εk et yk sont

représentés en pointillé car ils dépendent du choix des coefficients Cn de l’égaliseur.

Nous cherchons les coefficients cn qui minimisent l’E.Q.M. ou, d’une autre façon, ceux qui
εk .
2
minimisent le module du vecteur d’erreur, c’est-à-dire

εk
2
On peut tirer géométriquement que est minimale quand l’erreur εk est orthogonal à
l’estimé yk (voir figure 4.9).

68
 Figure 4.9.

*
E(εk y k) = 0 (4.27)

Coefficients optimaux de l’égaliseur

La résolution de l’équation précédente permet de tirer les coefficients optimaux cn de

l’égaliseur minimisant l’erreur quadratique moyenne. Ce sont les coefficients du filtre appelé
filtre de Wiener.
+∞
Pour cela, remplaçons yk par y k = ∑ c n rk − n
n = -∞
On obtient :

 +∞ 
E ε k ∑ c *n rk*-n  = 0
 n = -∞ 

+∞
⇒ ∑ c *n E[ε k rk*-n ] = 0
n = −∞

⇒ pour n = - ∞ , … , + ∞
*
E[εk r k-n] = 0

+∞
Or : εk = dk – yk = dk - ∑
j= −∞
cj rk-j

+∞
⇒ ∑
j= −∞
*
CjE(rk-j r k-n) = E(dk r k-n)
*
pour n = - ∞ , … , + ∞

+∞
⇒ ∑
j= −∞
cjRr(n-j) = E[dk r k-n]
*
pour n = - ∞ , … , + ∞

  +∞ 
*

= E d k  ∑ p j d k -n - j + w k -n ]  
  j = −∞  
 

69
 +∞
⇒ ∑
j= −∞
cjRr(n-j) = p -n Edk
* 2
pour n = - ∞ , … , + ∞ (4.28)

Par transformée en Z on tire que :

 1 
C(Z) Sr(Z) = P *  *  Edk2 (4.29)
Z 

 1   1 
Or : Sr(Z) = P(Z) P *  *  Edk2+ 2N0 P *  * 
Z  Z 

Remplaçons dans (4.29) pour obtenir :

2
E dk
C (Z ) = 2
(4.30)
E dk P(Z) + 2N 0

et le filtre équivalent à toute la chaîne de communication après égalisation sera donné par :

P(Z)
Q( Z ) = (4.31)
P(Z) + 2N 0 / E | d k | 2

Erreur quadratique moyenne minimale

L’erreur quadratique moyenne minimale, notée EQMmin , sera égale à :

EQMmin = E[εk ] = E(εk(yk – dk) )

2 *

* *
= E(εk y k) – E(εk d k)

(4.27) ⇒
*
EQMmin = - E(εk d k)

Graphiquement (voir figure 4.9) on tire que εk = ‘’bruit’’ + (dk – q0dk).

*
En remplaçant dans l’expression de EQMmin, et en remarquant que E(‘’bruit’’.d k) = 0, car
‘’bruit’’ et dk sont orthogonaux, on tire que :

EQMmin = Edk (1 – q0)

2
(4.32)

Le coefficient q0 est obtenu par transformée en Z inverse de Q(Z) donnée relation (4.31) :

1 P(Z) dZ
q0 = ∫ (4.33)
2πj Γ 2N 0 Z
P(Z) + 2
E dk

Par transformée de Fourier discrète inverse, on obtient :

1
2T P(e j2 πfT )
q0 = T ∫ df (4.34)
j 2 πfT 2N 0
)+
1
-
2T P (e 2
E dk

70
et
1
2N 0 2T 1
EQM min = 2 ∫ df (4.35)
E dk j 2 πfT 2N 0
)+
1
-
2T P (e 2
E dk

Ceci est une amélioration par rapport à la puissance du bruit de l’égaliseur forçage à zéro
(démodulateur > 0 ∀ P(e ) à cause du terme 2N0/E|dk .
j2πfT 2

Le rapport signal sur bruit après égalisation est déterminé graphiquement, on obtient :

[ ]= qd
E q 0d x
2 2

E[" bruit" ] " bruit"

SNR =
0 x
2 2

- εk
2 2 2
yk dk
SNR = cotg(α) = =
εk εk
2 2

2
E dk - EQM min
⇒ SNR = (4.36)
EQM min

2.2.2. Egaliseur MSE fini

L’égaliseur fini à 2N+1 coefficients minimisant l’erreur quadratique moyenne s’obtient par
application du principe d’orthogonalité (relation (4.27)).

L’égalité (4.28) devient :

+N

j =− N
[ ]p
∑ c j R r (n − j ) = E d k
2 *
-n pour n = -N, … , +N (4.37)

Normalisons l’équation (4.37) en divisant les deux membres par Edk . Définissons la
2

matrice de covariance Γ = [γnj] où le terme γnj = Rr(n – j)/ Edk . Les indices n et j varient de –N
2

à +N. Γ est une matrice de type (2N + 1) x (2N + 1). Définissons aussi le vecteur
*
d’intercorrélation A = [an], où le terme an = p -n . Le système linéaire (4.37) s’écrit maintenant
sous forme matricielle :

Γ Copt = A ou Copt = Γ A
-1
(4.38)

Le vecteur Copt est formé des coefficients de l’égaliseur. Le système développé s’écrit :

 R r (0) R r* (1)   R r* (2 N ) c − N   p *N 
    
 R r (1) R r (0)     
1     c0  =  p * 
 
E[ d k ] 
2    0 
   R r* (1)     
 R (2 N )      * 
R r (1)  R r (0)   + N  p - N 
c
 r

Γ t , γnj = γjn*). C’est aussi une matrice de

*
La matrice de covariance est Hermitienne (Γ =
Toplitz car γnj est fonction de n-j uniquement.

71
 L’erreur quadratique moyenne minimale est toujours obtenue à l’aide de l’expression
+N
(4.32). D’après (4.18) l’échantillon q0 est égal à ∑ c j p − j et se traduit sous forme matricielle
j =− N
*
par q0 = A t Copt.
Par conséquent EQMmin s’écrit matriciellement :

EQM min = E d k
2
[1 - A t*
Γ −1 A ] (4.39)

Remarque

L’égaliseur C’(Z) à nombre fini de coefficients et qui est utilisé dans le modèle équivalent
donné figure 4.6. est déterminé de la même façon, on obtient :

C’opt = Γ’ A’
-1

2N 0
où Γ’ = [γ’nj] avec γ’nj = pn-j + 2
δnj
E dk

et A’ = [a’n] avec a’n = h*-n

3. EGALISATION NON LINEAIRE

Le DFE (Decision Feedback Equalizer) montré figure 4.10. est un égaliseur constitué de
deux filtres transversaux, un filtre direct (Forward Filter) et un filtre de retour (Backward Filter).
Une durée de T (période symbole) sépare deux échantillons consécutifs dans la figure à retard.
Le filtre direct reçoit les échantillons rk provenant du canal. Son rôle est de supprimer
l’interférence entre symboles dûe aux symboles postérieurs. Quand au filtre de retour il reçoit les
symboles décidés d̂ k fournis par le détecteur à seuil. Sa fonction est d’éliminer l’interférence
entre symboles causée par les symboles antérieurs. La sortie yk de l’égaliseur provient du filtre
direct mais aussi du filtre de retour précédé par le détecteur à seuils. Malgré le caractère linéaire
des deux filtres, la présence du détecteur à seuils rend le DFE non linéaire.

Figure 4.10.

72
3.1. Egaliseur ZF à retour de décisions (ZF-DFE)

Le modèle discret équivalent de la chaîne de communication en bande de base est donné

figure 4.11.

Figure 4.11.

 1 
F(Z) est un filtre blanchi, il permet de blanchir le bruit corrélé à cause de H *  *  et de
Z 
supprimer l’I.E.S. dû aux symboles postérieurs. En effet en choisissant :

1
F( Z) = (4.40)
 1 
H*  * 
Z 

(filtre anti-causal)

On obtient :

L L
gk = ∑ h n d K −n + n k = h 0 d k + ∑ h n d K −n + n k
n =0 n =1

où : h0dk est le terme utile.

∑hn =1
n d K − n est le terme d’I.E.S. dû aux symboles antérieurs.

et : nk est un bruit blanc, gaussien, centré, de densité spectrale de puissance 2N0 .

B(Z) a pour rôle d’éliminer le terme d’I.E.S. dû aux symboles antérieurs. En choisissant
L
B(Z) = ∑ b n Z − n , l’estimé yn va être égale à :
n =1

L L
yk = h0dk + ∑
n =1
h n d K −n - ∑h
n =1
n d̂ K − n + nk

yk = h0dk +
L
[
∑ h n d K − n - d̂ K -n + n K
n =1
] (4.41)

et si les décisions en questions sont correctes ( d̂ K − n = dK-n) les termes entre crochets seront
nuls et on obtient :

73
 YK = h0dK + nK (h0 < 1) (4.42)

La probabilité d’erreur peut être déterminer à l’aide de la relation (4.15).

Exemple : MAQ-4

 h2   2E h 2 
N = 1 , dmin = 2h0 et σ = N0 ⇒
2
P(ε) = Q 0 
= Q b 0 
 N0   N 
   0 
L’avantage de cet égaliseur par rapport aux égaliseurs linéaires, c’est qu’on a pu éliminer
l’I.E.S. sans amplifier le bruit surtout dans le cas où le canal R(Z) présente des vallées dans le
spectre.

Cependant, la présence du bruit donne lieu à des décisions erronées. Leur effet sera une
mauvaise estimation de l’I.E.S., les termes entre crochets seront non nuls et la décision à
effectuer a une grande probabilité d’être à son tour erronée. Cet effet peut se propager et un
phénomène dit de propagation d’erreurs se manifeste. Il a été démontré que sous certaines
hypothèses, l’égaliseur quitte rapidement l’état de propagation d’erreurs, et que la dégradation
dûe à ce phénomène est largement compensée par le gain de performance par rapport à
l’égaliseur linéaire.

3.2. Egaliseur à retour de décisions minimisant l’E.Q.M. (MSE-DFE)

+∞ L
Le modèle discret équivalent est donnée figure 4.11. où y K = ∑ p n rK -n - ∑ b n d̂ K -n .
n = -∞ n =1

Comme dans le cas du MSE linéaire, on cherchera les coefficients cn et bn qui minimisent
l’erreur quadratique moyenne défini par la relation (4.24). L’EQM minimale est obtenue quand
l’erreur est orthogonal à l’estimé YK (relation (4.27)). Il suffit maintenant de résoudre l’équation
(4.27) pour obtenir les coefficients optimaux cn et bn . Comme dans le cas du ZF-DFE, les
coefficients bn ont pour rôle d’éliminer le terme d’I.E.S. dû aux symboles antérieurs. On obtient
de même :

EQMmin = Edk (1 – q0)

2

et
2
E dk - EQM min
SNR =
EQM min

Il faut noter que les performances de l’égaliseur MSE-DFE sont meilleurs que celles de
l’égaliseur MSE linéaire surtout quand le canal P(Z) présente des vallées dans le spectre.

4. SIMULATION D’UN CANAL A 3 COEFFICIENTS

Nous avons effectué à l’aide du logiciel SPW une simulation des différents égaliseurs
décrits dans les paragraphes précédents. Le canal discret H(z) utilisé dans la simulation
possède 3 coefficients non nuls, L = 2. Notons que le canal P(z) associé à h(z) est un canal à 5
coefficients, c’est-à-dire l’interférence entre symboles provient de quatre symboles voisins, deux
postérieurs et deux antérieurs. Le canal H(z) est donné par :
-1 -2
H(z) = 0.3 + z + 0.3 z
2jπf
La période symbole est normalisée, T = 1. Le module de H(e ) est égal à
H(e ) = 1 + 0.6 cos(2πf) où ƒ ∈ [- 0.5 , + 0.5]. La réponse du canal en dB est dessinée figure
2jπf

4.12. Nous remarquons que le trou est à 12 dB du maximum. Le canal est mauvais mais reste
relativement sympathique, car la probabilité d’erreur sans égalisation décroît constamment avec
le rapport E0/N0 , comme le montre la figure 4.13, et n’est qu’à 8 dB du canal sans IES.

74
 Figure 4.12. : La réponse en fréquence du canal F(z)

Le taux d’erreur binaire mesuré au cours des simulations est dessiné figure 4.13. Les
symboles dk appartiennent à un alphabet de deux symboles (modulation MDP2 ou BPSK). La
courbe la plus droite correspond au taux d’erreur du canal sans égalisation, alors que la
première à gauche est la probabilité d’erreur de la MDP2 sur un canal gaussien (sans IES).

Les égaliseurs MSE et DFE sont adaptatifs et utilisent l’algorithme LMS. Le nombre de
coefficients est fixé à 2N + 1 = 9. Le facteur d’échelle ∆ est de 0.005. D’après la figure 3.13., le
-5
gain réalisé par le MSE (resp. le DFE) est égal à 4,2 dB (resp. 5,7 dB) au voisinage de 10 .

Les performances du démodulateur à maximum de vraisemblance dépassent largement

celles du MSE et du DFE. Le gain mesuré est à 0.2 dB seulement du canal sans IES. La largeur
de la fenêtre Viterbi est fixée à 5(L + 1) = 15.

Le rapport signal à bruit Eb/N0 a été calculé en tenant compte de l’amplification de la

puissance des symboles par le canal H(z). Le bruit étant réel (La MDP2 est mono
dimensionnelle), sa densité spectrale de puissance est égale à N0 . Par conséquent, la variance
du bruit est égale à N0 . L’énergie par bit en bande de base est unitaire (dk = ± 1) à l’entrée du
2

∑f = 1.18. Cela provient

2
canal. Le canal amplifie la variance des symboles par un facteur i
i =0
de l’expression très simple de la variance en sortie :

+1 / 2
2jπf * 2 jπf 2 L
∑ fi
2
∫ H(e ) H (e )df = E d k
−1 / 2 i =0

75
 L
E b = 0.5 ∑ f i . Ainsi nous avons :
2
L’énergie sur fréquence porteuse est donc égale à
i =0

L
0.5 ∑ f i
2

Eb / N0 = i =0

Variance du bruit

Figure 4.13. : Performances avec et sans égalisation

____________________________

76