Académique Documents
Professionnel Documents
Culture Documents
EGALISATION
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)
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)
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
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.
+∞
C(Z) = ∑
n = −∞
cn Z
-n
(4.6)
Figure 4.3.
Figure 4.4.
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.
paragraphe 2.2.
63
Remarque
+∞
C ( Z ) = ∑ c n Z − n
n = −∞
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 :
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.
1
S v ( Z ) = C(Z).C * * S w ( Z )
Z
1 1
S v (Z ) = . . S w (Z )
P(Z) 1
P* *
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)
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 2 = E Ré(v k )
2
)= E(I m (v k )
2
)= 12 R v (0) (4.16)
Exemple : MAQ-4
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.
∑ 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.
+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 )
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.
+N
∑ c j p i − j = δ oi i = - N , ... , + N (4.20)
j =− N
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
+∞
- yk = ∑ qndk + vk
n = -∞
+∞
" 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 :
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.
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)
+∞
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 Edk
* 2
pour n = - ∞ , … , + ∞ (4.28)
1
C(Z) Sr(Z) = P * * Edk2 (4.29)
Z
1 1
Or : Sr(Z) = P(Z) P * * Edk2+ 2N0 P * *
Z Z
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
* *
= E(εk y k) – E(εk d k)
(4.27) ⇒
*
EQMmin = - E(εk d k)
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
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
- εk
2 2 2
yk dk
SNR = cotg(α) = =
εk εk
2 2
2
E dk - EQM min
⇒ SNR = (4.36)
EQM min
L’égaliseur fini à 2N+1 coefficients minimisant l’erreur quadratique moyenne s’obtient par
application du principe d’orthogonalité (relation (4.27)).
+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 Edk . Définissons la
2
matrice de covariance Γ = [γnj] où le terme γnj = Rr(n – j)/ Edk . 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
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
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)
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
∑hn =1
n d K − n est le terme d’I.E.S. dû aux symboles antérieurs.
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)
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.
+∞ 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 :
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.
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 .
+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
____________________________
76